摘要：电力系统中的负载波动、电压失调等不确定性因素会影响电力虚假数据注入攻击残差检测的准确性,导致电力虚假数据注入攻击电力系统,产生电力系统误判或失控现象,为此设计基于xgboost算法的电力虚假数据注入攻击残差检测方法。根据xgboost算法原理完成对电力虚假数据的辨识;构造完整的虚假数据集合,通过分析虚假数据注入攻击行为的方式,确定残差检测系数的取值范围,实现基于xgboost算法的电力虚假数据注入攻击残差检测。实验结果表明,所提方法可以较为准确地检测出虚假数据的实时注入量,从而将检测结果与真实注入量之间的数值差控制在低水平状态,以便实现对电力虚假数据注入攻击行为的有效控制。

摘要：利用xgboost算法对自主采集的CNC铣削数据集进行工具磨损检测分析,设计并实施了一系列CNC铣削实验,以获取关于工具状态、进给速度和夹紧压力等关键因素的全面数据。采用2"×2"×1.5"的蜡块作为工件,通过CNC铣削加工出具有S形状的图案,模拟智能制造中的典型加工过程,通过对数据集的训练和测试,建立了一个高精度的分类模型,能够准确地区分磨损和未磨损的工具。实验结果表明,模型在测试集上取得了90%以上的准确率,有效实现了工具磨损的自动化检测。这一研究成果不仅提高了CNC铣削加工效率和质量,还为工具磨损检测提供了新的方法和思路。

摘要：旅客退票后释放的空闲席位被有效再利用是铁路部门研究的重点课题之一,对退票情况进行预测,是实现对此部分席位提前规划和合理管理的前提,可以满足更多旅客的出行需求。研究铁路旅客退票率预测,首先,分析了退票率数据的特点,设计了EW-DBSCAN算法对旅客退票率进行离散化处理;然后,基于梯度算法在目标离散化区间计算出满足误差范围的最优预测退票率;最后,利用基于贝叶斯参数最优化的xgboost算法对旅客退票率进行分类,并预测各区段的退票率。最后对该分类方法进行验证,并与其他方法进行对比,结果表明本文的分类算法精确度较高。

摘要：【目的】基于用户网络评论构建有效的评分预测模型,挖掘用户消费行为特征。【方法】基于LDA模型,量化用户评论为主题特征向量作为解释变量,将用户评分作为被解释变量,采用xgboost算法,并加入样本扰动和属性扰动生成多个模型进行集成,构建用户评分预测模型。【结果】针对某汽车门户网站的用户评论评分预测结果表明,该模型较好地揭示了用户对汽车商品的偏好。较逻辑回归、随机森林算法,其预测准确度分别高出13.73%、0.64%,且具有较高的计算效率。【局限】未融合其他方面的数据对用户行为特征进行更全面的刻画。【结论】将用户评论量化为主题特征向量,基于xgboost算法能够准确、高效地预测用户评分。

摘要：快速、准确地获取作物种植面积信息是长势监测、产量估算、病虫害监测和预警的基础。针对我国江南区域多云雾的特点,以Sentinel-1/2为数据源,综合采用光学遥感影像和合成孔径雷达(Synthetic aperture radar,SAR)影像等多源数据,针对研究区作物早春覆膜的特点,构建地膜植被指数(SAR plastic-film vegetation index,SPVI);利用时序光谱和植被指数特征,研究基于xgboost算法的作物识别方法。以安徽省宣城市宣州区为研究区,开展实例验证研究。在作物生育期内,云雾影响较大,光学遥感覆盖稀疏区域以Sentinel-2影像为主,获取时序指数数据集,增加4期Sentinel-1雷达影像,用以补充云雾时期(5—7月)光学影像的缺失。以本文设计的方法,得到作物识别总体精度为84.87%,优于随机森林的83.93%,主要作物烟草制图精度88.69%,用户精度95.51%。仅使用生育期Sentinel-2影像的作物识别总体精度79.01%,主要作物烟草制图精度82.30%,用户精度93.49%。研究结果表明,本文构建的基于xgboost算法多源遥感作物识别方法可满足多云多雾地区作物识别应用要求。

摘要：智能电网在遭受信息攻击后,如何根据量测数据的变化规律,准确识别电力系统遭受的攻击类型是提高电网安全防御的有效手段,提出一种基于Extreme Gradient Boosting(xgboost)算法的智能电网信息攻击识别模型。基于kmeans-smote设计电力数据过采样方法,对量测数据进行平衡处理,解决攻击事件样本的不平衡问题。提出最大相关-最小冗余(MRMR)特征选择方法,提取信息攻击事件最优表征特征子集,降低数据维度并提升信息攻击的识别效率。设计xgboost分类器,对3种攻击状态和正常状态进行分类识别,采用准确率、召回率等指标评估模型的识别性能。经仿真实验验证,所提出的信息攻击识别模型显著提升了智能电网信息攻击的识别精度,且具有较好的泛化性。

摘要：为度量列车晚点造成的影响,将传统随机森林(RF)与极端梯度提升树(xgboost)相结合,采用改进的RF-xgboost算法对高铁列车运行晚点进行预测。以济青高铁为例,将其原始数据预处理并根据特征重要度排序,选取前7个参数组成晚点特征自变量,以预测到站晚点时间为因变量。将列车实际到达时间等7个特征变量输入RF-xgboost预测模型中参与训练。前200次列车的晚点预测结果表明:预测晚点与实际晚点时间的曲线变化趋势大致相同。相较于xgboost算法,本文提出的方法MAE和RMSE值分别降低60.5%与44.8%, R2值提高14.6%,且在允许预测误差5 min的范围内,精度达到97.78%,此方法拥有更优的晚点时长预测性能,对铁路实时调度与提升客运质量至关重要。

摘要：随着国企混合所有制改革的不断深入,出现了大量国企并购行为,然而很多国企由于盲目并购而导致并购绩效不佳。为了使国企更好地开展并购活动,对并购风险预警是十分重要和必要的,直接关系到并购双方的利益,甚至影响国企改革的成效。通过设计影响国有上市公司并购风险指标评价体系,利用Python爬取网页和文本数据,应用机器学习xgboost算法构建预警模型实现风险的计量、监测、预警和管理,并将结果与其他经典模型作对比实验以评价预警效果,最后运用多元线性回归模型研究并购风险显著性因素。实证结果表明,基于xgboost算法的预测结果精确度为80%,在所有模型中表现最优,具有更强的可靠性和适用性;投入资本回报率、营业利润率、支付对价净利润比对于并购风险的预测更加重要和有效;总资产周转率、投入资本回报率、股权制衡度、审计质量更加有利于抑制并购风险。

摘要：驾驶员作为交通事故的重要诱因,其一系列风险驾驶行为对道路交通安全具有重要影响。针对当前驾驶风险等级分类不合理、辨识精度低等问题,提出一种商用车驾驶风险辨识模型。即首先从车辆状态、驾驶状态、驾驶员操作三个方面,共建立18个能够表征商用车驾驶风险的特征参数;采用因子分析法(FA)对特征参数降维优化,并生成蕴含更为明确风险驾驶行为信息的综合变量;接着应用K-means聚类算法分别将风险驾驶行为特征聚为2、3和4类并对比分析,结合肘部法则和轮廓系数综合确定最佳的聚类数目k,消除人为经验确定k值主观性强的缺陷;最后,利用极端梯度提升(xgboost)算法对商用车驾驶风险进行识别,并与决策树、随机森林、K近邻等算法在精度上进行比较。研究结果表明:在上述研究条件下xgboost算法对商用车驾驶风险的理论识别率最高可达98%,该结果对于自动驾驶辅助系统的设计、道路交通安全性的提升具有重要意义。

摘要：基于固有变形的大型结构焊接变形预测中,焊接接头的固有变形数据库必不可少。针对焊接接头的特点,研究了基于xgboost算法的固有变形数据库的构建方法:在梳理焊接接头固有变形影响因素的基础上设计了固有变形数据库的结构,采取网格搜索方法自动确定模型的最优超参数,建立了固有变形预测模型。并通过简单实例验证了提出的数据库构建和完善方法在工程实际中应用的可行性。研究成果对于挖掘生产现场的焊接变形大数据,实现焊接结构变形精准预测有重要的意义。