摘要：近年来海洋工程项目不断增多,海洋岩土参数的确定对于保证工程安全性、提高经济效益有重要意义。目前主要通过室内与原位试验对土体参数进行研究,存在着成本高、效率低的问题。以某海上风电场项目勘察中所获取的海洋土压缩系数av和压缩模量Es为研究对象,选取样底深度、含水率、湿密度、土粒相对密度和液塑限等为基本变量,利用机器学习算法研究各类参数的相互关系和规律。构建一种基于lightgbm(Light gradient boosting machine)算法的土体压缩参数预测模型,通过k折交叉验证方法及贝叶斯优化改善预测性能。研究结果表明:笔者模型能够有效预测土体压缩参数,k折交叉验证方法及贝叶斯超参数优化能够提高预测准确度。此外,分析了k折次数、人工特征、数据集大小、预测量与输入特征相关性等因素对模型准确性的影响。

摘要：针对机器学习技术在汽车行业的应用中存在的汽车故障数据规模大和类别不平衡引起的模型训练速度慢、故障查全率低的问题,对lightgbm模型进行两方面的改进:模型训练时,设置类别权重和L1正则化项修正模型的损失函数,并通过贝叶斯优化获得修正项系数的取值;模型预测时,使用阈值移动法降低模型的分类阈值。在斯堪尼亚货车故障数据集上进行验证。结果表明,本文中所提出的改进lightgbm模型训练速度快,故障查全率高,具备工程应用价值。

摘要：大学生公益是国家公益事业的重要组成部分。高校如何设计公益活动以吸纳更多大学生加入公益队伍已成为一个严峻的问题。文章通过调查问卷获得的数据沿着如下路线来构建大学生公益人群画像体系:首先引入KMeans聚类模型对大学生公益人群进行分类,然后利用t-SNE降维算法可视化分类效果,最后应用lightgbm模型提取特征的重要性,以将某类和其他类区别开来,凸显本类的特征,通过描述各类的特征对人群画像。得出结论:大学生公益人群划可分为三类,根据各类特征可画像为观望型人群、积极型人群及消极型人群。

摘要：深入分析交通事故数据可以为规避事故发生、降低事故严重程度提供重要理论依据,然而,在事故数据采集、传输、存储过程中往往会产生数据缺失,导致统计分析结果的准确性下降、模型的误判风险上升。本文以芝加哥2016—2021年的101452条追尾事故数据为研究对象,将原始数据按照7∶3随机分为训练集和测试集。在训练集数据上,利用生成式插补网络(Generative Adversarial Imputation Network,GAIN)实现对缺失数据的填补。为对比不同数据填补方法的效果,同时选择多重插补(Multiple Imputation by Chained Equations,MICE)算法、期望最大化(Expectation Maximization,EM)填充算法、缺失森林(MissForest)算法和K最近邻(K-Nearest Neighbor,KNN)算法对同一数据集进行数据填补,并基于填补前后变量方差变化比较不同填补算法对数据变异性的影响。在完成数据填补的基础上,构建lightgbm三分类事故严重程度影响因素分析模型。使用原始训练集数据,以及填补后的训练集数据分别训练模型,并使用未经填补的测试集数据检验模型预测效果。结果表明,经缺失值填补后,模型性能得到一定改善,使用GAIN填补数据集训练的模型,相较于原始数据训练的模型,准确率提高了6.84%,F1提高了4.61%,AUC(Area Under the Curve)提高了10.09%,且改善效果优于其他4种填补方法。

摘要：集装箱正面吊运起重机(以下简称正面吊)在港口的实际作业中发挥着重要作用。随着社会对能源和环境问题的日益关注,正面吊的电动化趋势愈加显著,市场上电动正面吊的数量逐年增加。电耗性能直接影响电动正面吊的续航能力、作业效率和作业成本,是电动正面吊的重要性能之一。驾驶行为、作业工况、设备故障等因素均会对电动正面吊的能耗产生影响。为此,通过收集电动正面吊客户侧的实际运行数据,基于lightgbm(light gradient boosting machine,轻量级梯度提升机)模型,在微观和宏观两个层面分别对电动正面吊的行驶和作业过程进行能耗建模,并运用SHAP(Shapley additive explanations,沙普利加和解释)理论量化分析不同作业工况、作业行为对电动正面吊能耗的影响,同时识别设备故障所引起的能耗异常。结果表明,基于SHAP-lightgbm的能耗模型能够准确预测和分析电动正面吊的行驶和作业能耗,可为电动正面吊的设计、能耗策略优化提供有效的信息输入,同时可建立电动正面吊实际运行过程的理论能耗基准,有效指导驾驶行为和识别故障造成的能耗异常等。

摘要：以交会图为代表的传统岩性识别图版无法适用于致密砂岩地层,其主要原因是大部分地层岩性的测井响应特征相似度高,难以基于图版分析被有效识别。lightgbm较传统模式识别模型能更高效地解决问题,为此采用该模型识别致密砂岩地层岩性。由于lightgbm在建模时利用了较多的超参数,导致预测结果难以保证为最优,所以采用GS算法进行优化,进而提出GS-lightgbm。实验目的层为姬塬油田西部长4+5段致密砂岩地层。提出模型的预测能力通过设计两个实验来验证。为突出验证效果,实验中加入SVM和XGBoost作为对比模型。实验结果显示,GS-XGBoost和GS-lightgbm的准确率、F 1-score和AUC指标相接近,都最高,但GS-lightgbm的计算时间只有GS-XGBoost的约1/23。实验结果表明,GS-lightgbm模型可在不失精度的情况下,能快速给出预测结果,具备了在致密砂岩地层岩性识别研究上的应用价值和推广性。

摘要：为研究寒区隧道冻结特性并对冻结深度进行预测,采用数值模拟分析的方法,探讨兴安岭隧道温度场及冻结深度分布规律,并基于正交试验分析冻结深度各影响因素的敏感性及显著性。此外,提出一种基于XGBoost(extreme gradient boosting)和lightgbm(light gradient boosting machine)的混合预测模型对冻结深度进行预测。结果表明:1)距隧道洞口越远,围岩冻结深度越小;距隧道洞口越近,围岩冻结深度变化越大,在距洞口300 m之后,围岩冻结深度趋于稳定。2)各个断面不同部位冻结深度的变化规律基本一致,除仰拱部位冻结深度明显较大以外,其余各部位均无明显差别。3)各影响因素对冻结深度的影响敏感性排序为初始地温>最冷月平均气温>围岩比热容>围岩导热系数>衬砌导热系数>衬砌比热容。4)与传统单一模型预测方法相比,提出的基于XGBoost和lightgbm的混合预测模型精度较高,具有较强的适用性。

摘要：致密砂岩储层因受成岩作用和裂缝分布等地质因素严重影响,其渗透率值很难用带有储层其他参数的显式来准确求取.根据测井解释理论,渗透率是储层地质因素的一种综合影响,从而也能看作是多种测井曲线的一种综合响应,可通过拟合测井曲线来预测.lightgbm模型在数据拟合方面表现出众,其计算效率被证明比传统拟合模型的更高,为此本文采用该模型来预测渗透率.由于该模型在建模时使用了较多的超参数,难以保证预测结果为最优,所以本文采用PSO技术对其进行优化,进而提出PSO-lightgbm.本文以姬塬油田西部长4+5段致密砂岩储层为验证对象,并通过设计两个实验来验证提出模型的预测能力.实验结果显示提出模型的预测结果误差和PSO-XGBoost的误差非常接近,都为最小,但PSO-XGBoost的耗时却约是提出模型的21倍.实验结果证明PSO-lightgbm能够在不失精度的情况下快速预测致密砂岩储层渗透率,是一种高效的渗透率拟合预测模型,在测井解释智能化研究方向上具有推广应用价值.

摘要：电动两轮车保有量持续增长导致相关的事故伤害日益严重。为研究电动两轮车-机动车碰撞事故中电动两轮车骑行者受伤程度的影响因素,以中国事故深度调查(CIDAS)数据集中的1 246起电动两轮车-机动车事故案例为基础,对比随机森林、XGBoost和lightgbm这3种集成学习模型性能,基于准确率等指标选用性能最优的lightgbm模型进行电动车骑行者受伤严重程度预测。结合SHAP可解释方法,进一步分析发现自变量与因变量之间存在明显的非线性关系:电动两轮车骑行者抛出距离对死亡的影响存在明显的阈值效应,电动两轮车骑行者被抛出距离小于5 m时,不易发生死亡事故,超过5 m时,抛出距离和死亡风险呈正相关;事故发生地为市区外或公路上以及与载重物车辆相撞能显著增加电动两轮车事故中骑行者的死亡风险;电动两轮车不加装脚蹬、座位高度大于70 cm、车把宽度为61~65 cm、车把设计形式为向后弯曲或牛角状等因素可降低死亡风险;与电动两轮车骑行者相关的降低死亡风险的因素包括女性、年龄在30~50岁及对事故发生地环境更为熟悉。

摘要：大学生作为有知识有文化有理想的青年一代,参与公益事业并推动公益事业发展是不可回避的社会责任。如何更好地培养大学生的公益意识,为公益事业的发展培养更多的青年力量,也成为近年来公益事业思考的重要议题。文章通过调查问卷获得大学生参与公益活动现状的数据,引入机器学习方法量化分析大学生对公益认知和参与情况的影响因素。首先利用斯皮尔曼相关系数分析大学生参与公益活动积极性与其他因素之间的相关性;然后引入有序多分类logistic回归模型挖掘大学生参与公益活动积极性的显著影响因素;最后应用随机森林和lightgbm模型对显著影响因素进行重要性评估,得到显著性影响因素的重要性排序。由量化分析结果得出结论:“公益广告大赛-我是公益人”活动是大学生了解公益事业的最重要渠道,腾讯公司发起并资助的“乐捐、月捐、一起捐”是大学生最常参与的公益活动,参与公益活动最大的收益是获得证书。