基于集成LightGBM和贝叶斯优化策略的房价智能评估模型

针对传统房价评估方法中存在的数据源单一、过分依赖主观经验、考虑因素理想化等问题,提出一种基于多源数据和集成学习的智能评估方法。首先,从多源数据中构造特征集,并利用Pearson相关系数与序列前向选择法提取最优特征子集;然后,基于构造的特征,以Bagging集成策略作为结合方法集成多个轻量级梯度提升机（LightGBM）,并利用贝叶斯优化算法对模型进行优化;最后,将该方法应用于房价评估问题,实现房价的智能评估。在真实的房价数据集上进行的实验表明,相较于支持向量机（SVM）、随机森林等传统模型,引入集成学习和贝叶斯优化的新模型的评估精度提升了3.15%,并且百分误差在10%以内的评估结果占比84.09%。说明所提模型能够很好地应用于房价评估领域,得到的评估结果更准确。     

集成特征选择算法和LightGBM融合的分类模型

实体零售网点具有数据特征种类多、数据结构复杂的特点。为了对实体零售网点进行分类分级管理,本文采用改进的集成特征选择算法ISFA和LightGBM算法对零售网点进行数据特征优化选择和分类分级。首先采用集成特征选择方法对零售网点的特征进行筛选,然后用LightGBM算法对筛选出的特征子集进行分类和预测。以网点基本数据和统计数据为对象进行对比实验。结果表明,对于不同网点的分类目标,使用本文的方法可取得良好的效果。     

贝叶斯优化的XGBoost信用风险评估模型

信用风险评估是银行和其他金融机构信贷审批业务中必不可少的一环。为进一步提高信用风险评估的准确率和模型可解释性,提出了基于贝叶斯优化的极端梯度提升树（extreme gradient boosting,XGBoost）信用风险评估模型。XGBoost集成学习模型预测准确率高,基学习器采用树模型,易于可视化,具有良好的可解释性。然而,XGBoost模型超参数众多,模型效果依赖于超参数的精确设置。在这项研究中,采用贝叶斯高斯过程（GP）作为XGBoost的超参数优化器,并与网格搜索、随机搜索进行比较研究。所提出的模型在三个信用贷款数据集上进行训练和测试,选择准确率和F1分数等四项指标评价模型性能。实验结果发现将贝叶斯高斯过程用于XGBoost模型的超参数优化,收敛速度快。所提出的模型在三个数据集上的准确率比表现最好的对比模型分别高出3.5、3.62和0.91个百分点。     

基于集成学习和反馈策略的贝叶斯网络结构学习

为解决单一结构学习算法中普遍存在的学习效果差、易陷入局部最优等问题,本文通过引入最大信息系数MIC(Maximal Information Coefficient)和集成学习思想,提出了一种新的贝叶斯网络结构学习算法.该算法首先利用MIC确定节点间的依赖关系并得到初始网络,接着使用Bootstrap方法对数据样本进行采...     

基于贝叶斯网和集成学习的智能电表状态评价

智能电能表随着社会的发展和其采集信息的便利性而日益普及,同时每年对智能电表进行的状态判断与检测过程也耗费了大量的人力物力资源.因此,为了高效准确地进行智能电表状态的判断,课题组提出利用智能电表运行数据构建贝叶斯网络来实现精准推断的方法.首先根据生活经验和相关文献确定能反映智能电能表状态的主要因素,然后选取相关因素的代表...     

基于集成信用度评估智能合约的安全数据共享模型

区块链技术是一种新兴技术, 它具备防篡改、去中心化、分布式存储等特点, 可以有效地解决现有数据共享模型中隐私安全、用户控制权不足以及单点故障问题. 本文以电子病历(Electronic health record, EHR)共享为例提出一种基于集成信用度评估智能合约的数据共享访问控制模型, 为患者提供可信EHR共享环境和动态访问控制策略接口. 实验表明所提模型有效解决了患者隐私安全和对EHR控制权不足的问题. 同时就模型的特点、安全性以及性能进行了分析.     

基于贝叶斯的智能电能表可靠性评估方法

针对具有高可靠、长寿命特点的智能电能表,应用加速退化试验方法进行可靠性评估是一种有效的方法。开展加速退化试验过程中,在高加速应力激发下,一方面可观测到智能电能表的性能退化,也可能出现智能电能表的整表失效。如何融合智能电能表加速寿命试验过程中的整表失效数据、性能退化数据转化得到的伪寿命数据,从而进行智能电能表的综合可靠性评估,是智能电能表可靠性评估急需解决的问题。本文研究提出基于贝叶斯方法的智能电能表可靠性评估方法,给出融合智能电能表的整表失效数据、伪寿命数据的数据处理方法及计算模型,探讨了伪失效数据计算方法、整表失效数据与伪失效寿命数据相容性检验方法等。     

基于贝叶斯估计和群体智能的无人机轨迹优化

为提高无人机的定位精度与队形调整效率,提出了基于贝叶斯估计的定位模型和基于群体智能算法的队形调整方法。首先,考虑实际情况中的测量噪声影响,在定弦定角模型中引入贝叶斯最大后验概率得到新的定位模型。然后,针对粒子群算法易陷入局部最优的问题,结合模拟退火算法提出改进的队形调整算法。仿真结果表明：提出的定位模型对圆形(锥形)编队的误差率比初始模型降低72.8%(49.2%);改进的队形调整算法对圆形(锥形)编队的误差率相对于原始算法和遗传算法与高斯伪谱法相嵌套的方法分别降低了37.1%(27.0%)和24.7%(19.9%),收敛迭代次数分别降低了12.5%(20%)与12.5%(4.8%)。实验结果验证了提出的优化方案具有较高的精度和计算效率。     

基于深度LightGBM集成学习模型的谷歌商店顾客购买力预测

针对轻量化梯度促进机（LightGBM）等集成学习模型只对数据信息进行一次挖掘,无法自动地细化数据挖掘粒度或通过深入挖掘得到更多的数据中潜在内部关联信息的问题,提出了深度LightGBM集成学习模型,该模型由滑动窗口和加深两部分组成。首先,通过滑动窗口使得集成学习模型能够自动地细化数据挖掘粒度,从而更加深入地挖掘数据中潜在的内部关联信息,同时赋予模型一定的表示学习能力。然后,基于滑动窗口,用加深步骤进一步地提升模型的表示学习能力。最后,结合特征工程对数据集进行处理。在谷歌商店数据集上进行的实验结果表明,所提深度集成学习模型相较原始集成学习模型的预测精度高出6.16个百分点。所提方法能够自动地细化数据挖掘粒度,从而获取更多数据集中的潜在信息,并且深度LightGBM集成学习模型与传统深度神经网络相比是非神经网络的深度模型,参数更少,可解释性更强。     

Stock price prediction based on LSTM and LightGBM hybrid model

Finding an accurate, stable and effective model to predict the rise and fall of stocks has become a task increasingly favored by scholars. This paper proposes a long short-term memory (LSTM) network based on Pearson's correlation coefficient and a Bayesian-optimized LightGBM hybrid model, named as LSTM-BO-LightGBM, to solve the problem of stock price fluctuation prediction. The multilayer bidirectional LSTM-BO-LightGBM prediction model is compared with the LSTM-BO-XGBoost hybrid model, the LSTM-LightGBM hybrid model, the LSTM-XGBoost hybrid model, the single LSTM network model and the RNN network model. The prediction result of the LSTM-BO-LightGBM model for the "ES?=?F" stock is an RMSE value of 596.04, MAE value of 15.24, accuracy value of 0.639 and f1_score value of 0.799, which are improved compared with the prediction results of the other five models. At the same time, when applying the model to "YM?=?F", "CL?=?F", "^TNX", "^N225", "NQ?=?F", "AAPL", "GC?=?F", "JPY?=?X" and "SI?=?F", all of the nine stocks showed good forecasting performance. The results demonstrate that the multilayer bidirectional LSTM-BO-LightGBM model proposed in this paper has better approximation ability and generalization ability in the stock fluctuation forecast than previous models and can well fit the stock fluctuation.

     

K近邻及其集成模型的股票价格预测

为了验证股票的价格运动与过去应该是相似的这一假设,运用K近邻算法,将价格运动简单划分为涨跌两类进行预测,进行假设验证。使用滑窗方法比较现在的价格运动与何时的历史价格更为相似,将多个K近邻模型组合成集成模型,实现模型的泛化和策略收益的调整。使用中证500指数的历史价格数据进行预测实证,2017年～2018年9月的预测结果显示单个K近邻模型策略获得76. 72%的收益,现在的价格运动与遥远的过去更为相似,集成模型能更好地控制风险。该模型利用K近邻模型的含义验证了股票价格运动具有相似性,可以作为证券交易的择时策略。     

基于LightGBM算法的能见度预测模型

为了提高能见度预报的准确率,尤其是低能见度预报的准确率,提出一种基于集成学习随机森林和LightGBM的能见度预测模型.首先,以数值模式系统的气象预报数据为基础,结合地面气象观测数据、PM2.5浓度观测数据,利用随机森林算法构建特征向量;其次,针对不同时间跨度的缺失数据,设计了3种缺失值处理方法对缺失值进行替代,生成用...     

基于图神经网络和长短期记忆模型的房价预测方法

针对目前仅单独考虑价格序列中样本的趋势或仅考虑多个关联属性与价格间的函数关系,而不能更准确地进行房价预测的问题,构建了时空注意力图卷积长短期记忆模型AG-LSTM,包含局部特征提取模块、区域特征提取模块、复合预测模块。局部特征提取模块分别使用同构图和异构图神经网络提取各小区及价格关系属性、各小区和配套邻居节点相关性的特征信息;区域特征提取模块先对邻近小区节点进行聚类,再结合图注意力网络获得小区节点对所属区域的重要性程度,建立区域与小区之间的映射矩阵,根据小区节点信息和映射矩阵得到区域特征;复合预测模块使用长短期记忆模型对由局部特征和区域特征组成的复合特征进行时序建模,实现房价预测。以链家网北京房价数据进行了实验,结果表明AG-LSTM预测结果优于已有基线模型。该模型同时挖掘了小区间位置关系、小区与其配套间位置关系、多个关联属性、价格时序趋势对房屋价格的影响,较好地实现了房屋价格的预测。     

基于LightGBM算法的网络战仿真与效能评估

为解决信息化条件下的网络战抽象程度过高、网络战的仿真和效能评估手段不够丰富的问题,提出了一种融合攻防双方多种指标的网络战仿真和效能评估的方法。首先,对于网络战攻击方,引入4类攻击方式对网络进行打击;对于网络防御方,引入网络节点结构、内容重要程度和应急反应能力作为网络的防御指标;然后,通过将PageRank算法和模糊综合评价法融入到LightGBM算法中,建立了网络战效能评估模型;最后,通过定义节点毁伤效能曲线,得到整个网络战攻防体系中的剩余效能和毁伤效能评估结果。仿真实验表明：网络战效能评估模型可以对网络战攻防双方的作战效能进行有效的评估,验证了网络战效能评估方法的合理性和可行性。     

一种基于自适应代理模型的并行贝叶斯优化方法

提出一种基于自适应代理模型的并行贝叶斯优化方法,用于求解计算成本高的复杂优化问题.该方法基于多点期望改进判据,通过批次采样实现并行优化.针对并行优化产生的大量历史数据会导致全局代理模型建模成本高的问题,提出一种改进的基于数据并行的高斯过程建模方法,在线构造局部代理模型.此外,针对多点期望改进判据计算成本高的问题,提出一种启发式的分层优化策略,通过序贯优化基于自适应代理模型的单点期望改进判据,近似计算多点期望改进判据.最后通过5个测试问题验证所提出方法的有效性.     

基于蚁群算法思想的智能考试系统模型研究

针对传统考试耗时耗力等缺点,提出基于解离散优化问题蚁群算法思想的智能考试系统模型。该模型从智能考试系统的需求出发对蚁群算法的信息素初始值的设定进行了探讨并改进了更新规则,将考试结果反馈给系统,从而不仅有效解决了自动组卷问题,而且系统具有了自主学习能力,使其能够更智能化地改进系统性能。经检验,该系统具有组卷速度快且选取试题重复率低等优点,算法有效可行,借助该系统组织的考试能够达到预期目标。     

Greedy optimization classifiers ensemble based on diversity

Decreasing the individual error and increasing the diversity among classifiers are two crucial factors for improving ensemble performances. Nevertheless, the “kappa-error” diagram shows that enhancing the diversity is at the expense of reducing individual accuracy. Hence, a new method named Matching Pursuit Optimization Ensemble Classifiers (MPOEC) is proposed in this paper in order to balance the diversity and the individual accuracy. MPOEC method adopts a greedy iterative algorithm of matching pursuit to search for an optimal combination of entire classifiers, and eliminates some similar or poor classifiers by giving zero coefficients. In MPOEC approach, the coefficient of every classifier is gained by minimizing the residual between the target function and the linear combination of the basis functions, especially, when the basis functions are similar, their coefficients will be close to zeros in one iteration of the optimization process, which indicates that obtained coefficients of classifiers are based on the diversity among ensemble individuals. Because some classifiers are given zero coefficients, MPOEC approach may be also considered as a selective classifiers ensemble method. Experimental results show that MPOEC improves the performance compared with other methods. Furthermore, the kappa-error diagrams indicate that the diversity is increased by the proposed method compared with standard ensemble strategies and evolutionary ensemble.