小样本下多维指标融合的电商产品销量预测

为突破传统预测方法在小样本数据下电商产品销量预测中精度较低的局限，开展基于集成学习Xgboost的预测模型研究。综合考虑影响电商产品销量的多维指标，包括：在线搜索、在线评论、页面访问、库存与订购量、情绪指数等并利用熵值法融合同类指标。应用Logistic函数和正则修正项，结合贪心算法划分子树，构建基于集成学习Xgboost的电商产品销量预测模型。针对京东商城的联想zuk z2手机产品进行模型检验，并与BP神经网络、SVM支持向量机、BP-SVM组合预测三个模型进行对比，发现融合多维指标的Xgboost预测模型的精度显著提高，为小样本数据下电商产品销量预测提供方法和思路。     

面向用户隐私保护的联邦安全树算法

针对联邦学习算法在用户行为预测中存在的准确率低和运行效率不高等问题，提出一种无损失的联邦学习安全树（FLSectree）算法。首先，通过对损失函数的推导，证明损失函数的一阶偏导数与二阶偏导数为敏感数据，采用特征索引序列的扫描和分裂来返回加密后的最佳分裂点，以保护敏感数据不被泄露；接着，通过对实例空间的更新来继续向下分裂并寻找下一个最佳分裂点，直至满足终止条件后结束训练；最后，利用训练后的结果使得各参与方得到本地算法参数。实验结果表明，FLSectree算法能够在保护数据隐私的前提下有效提高用户行为预测算法的准确率和训练效率，与联邦学习FATE（Federated AI Technology Enabler）框架中的SecureBoost算法相比，FLSectree算法在用户行为预测中的准确率提高了9.09%，运行时间降低了87.42%，训练结果与集中式Xgboost算法一致。     

基于DE-Xgboost的U71Mn钢粗糙度预测模型

U71Mn高锰钢为我国铁轨主要原材料,当铣削参数配置不合理时易导致金属表面马氏体粗大造成加工硬化,难以满足使用要求;针对此问题使用M-V5CN铣削U71Mn高锰钢获取了1 000组切削数据集,建立了基于Xgboost算法的表面粗糙度预测模型,作为非线性模型其训练参数众多为最大化Xgboost模型性能,提出一种改进的混合编码DE算法进行模型超参数优化;模型建立完成后,经测试较未经优化的Xgboost最大误差下降7.4％,平均绝对误差下降11.7％,方差降低6.4％,且较主流DNN、GA-SVM模型性能提升明显可以更有效承担U71 Mn高锰钢粗糙度预测任务.