排序方式: 共有3条查询结果,搜索用时 6 毫秒
1
1.
2.
交通事故预测研究有助于降低交通事故发生的概率。为提高交通事故预测模型的精度,首先应用网格搜索法获得LightGBM模型的最优超参数,并进行5折交叉验证提升模型的抗拟合能力,建立优化的LightGBM(GSK-LightGBM)模型;然后基于AdaBoost算法训练多个GSK-LightGBM模型,加权组合得到AdaBoost-LightGBM增强集成模型,并采用网格搜索法结合5折交叉验证,实现了AdaBoost-LightGBM模型的参数优化,构建了GSK-AdaBoost-LightGBM模型;最后基于采集到的1953—2018年我国道路交通事故死亡人数相关样本数据训练模型,得到基于GSK-AdaBoost-LightGBM的交通事故死亡人数预测模型,并引入均方误差、平均绝对误差和平均绝对百分误差3项评估指标评估了模型的预测性能,探究了模型的优化效果。结果表明:GSK-AdaBoost-LightGBM模型的3项评估指标值分别为0.014、0.00035和0.077,低于LightGBM模型、GSK-LightGBM模型和AdaBoost-LightGBM模型的评估指标值,说明该模型的预测精度较高,且明显优于LightGBM模型、GSK-LightGBM模型和AdaBoost-LightGBM模型。 相似文献
3.
为防治矿井热害,针对矿井井底风温在预测过程中精度较低的问题,提出1种网格搜索法结合K折交叉验证优化XGBoost的预测模型。通过分析确定影响井底风温的主要因素,使用网格搜索算法结合K折交叉验证,进行迭代缩小搜索范围并调参,选取最优参数配置,实现对XGBoost模型的优化,得到预测结果并与其他模型进行比较。研究结果表明:初始参数经优化后,当最大回归树深度为3且学习速率为0.1时,XGBoost回归模型性能最佳,与随机森林模型、BP神经网络模型、T-S模糊神经网络模型相比,平均相对误差分别降低了2.12%,0.88%,0.3%,均方根误差分别降低了0.66,0.24,0.11 ℃。 相似文献
1