安全心理大数据的基础性问题研究

为探究大数据对安全心理学发展影响,把握大数据背景下安全心理学研究方向,基于大数据、安全心理学的理论,提出安全心理大数据定义,并阐述其内涵及研究意义。在此基础上,分析对比安全心理大数据与样本数据差异性,提出并解析安全心理大数据研究类型与准则,提炼基于大数据思维的安全心理学6条基础原理,构建安全心理大数据研究的“理论—技术—应用”三维结构体系。研究表明:基于大数据思维的安全心理学研究是未来发展趋势,其研究内容包括安全心理大数据的理论基础与应用基础。     

土地定级中的数据检验

本文根据土地定级工作中土地级别划分合理性的检验指标,分析了采样数据的分布情况,提出了多种样本数据的检验方法,并给出了检验步骤和相应的数学模型,保证了土地级别划分的合理性。     

小样本数据下基于K-Means聚类和集成学习的混凝投药预测

为了解决混凝投药预测过程中的小样本问题,提出基于K-Means聚类和集成学习的PAC投加量预测方法。首先,根据原水浊度和水温2个特征采用K-Means聚类将水质分为3类,利用分层抽样从3类水质数据中抽取训练集和测试集;其次,基于Bagging集成学习算法,构建由支持向量机、随机森林、Adaboost、GBDT、Catboost、XGBoost和LightGBM共7种学习器组成的PAC投加量集成预测模型(KM-Bagging);最后,以银川市某给水厂2021—2022年的运行数据为例进行验证。结果表明,KM-Bagging模型对小样本的PAC投加量具有较高预测精度,R²超过0.8,MAPE小于5%。采用6个月和9个月的日监测数据预测PAC投加量,适合数据监测时间短、精度要求不高的情况,预测结果可为原水水质发生突变时的PAC投加量调整提供参考。采用1年的日监测数据预测PAC投加量,预测精度能够满足工程应用的要求,可为水厂实际PAC投加提供辅助指导。研究结果对小样本数据下的混凝药剂投加建模与预测具有参考价值。