导读:本文包含了集成预测论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:特征,路况,阿基米德,分解,网络,记忆,梯度。
集成预测论文文献综述
祁欣学,覃锡忠,贾振红,常春,樊树铭[1]（2019）在《基于田口集成学习的最佳交通流量预测模型》一文中研究指出针对预测准确性对数据相关性和网络结构极为敏感的问题,采用田口方法选择集成学习的结构参数,在保证学习多样性的同时,提高选择过程的效率,保证预测的准确性。实验仿真计算结果表明,在多个路段的交通流量数据集上,该方法皆取得了满意的预测效果,模型具有较好的鲁棒性。将仿真结果与其它算法进行比较,比较结果表明,相比传统ARIMA、MLP模型,其预测精度分别提高了4.51%、11.23%。(本文来源于《计算机工程与设计》期刊2019年12期）
[2]（2019）在《树莓派通信模块在igus智能塑料拖链系统上的应用——通过灵活的数据集成实现预测性维护，提高IT安全性》一文中研究指出1使用树莓派通信模块分析机器数据实现预测和计划维护是igus推出智能塑料解决方案的初衷和目标。例如,通过智能传感器测量拖链、回转盘和直线导向装置的磨损程度。通过KUNBUS树莓派通信模块,用户可以决定以何种形式集成传感(本文来源于《国内外机电一体化技术》期刊2019年06期）
王晓霞,徐晓钟,张彤,高超伟[3]（2019）在《基于集成深度学习算法的燃气负荷预测方法》一文中研究指出燃气负荷预测受到社会经济、天气因素、日期类型等多种复杂因素的影响,而多因素的共同作用则必然会导致燃气负荷序列变化趋势具有很大的随机性以及一定程度上的复杂性.为了有效提高燃气负荷预测的精度,本文提出了一种新型的集成深度算法来对燃气负荷进行多步预测.首先通过EEMD算法将非平稳非线性的负荷序列分解为若干个稳态且线性的本征模式分量及剩余项,有效的避免了传统EMD带来的模态混迭问题,然后将负荷数据的影响因素输入到AutoEncoder中进行特征提取并做非线性降维处理,再将EEMD分解得到的每个子序列分别与AutoEncoder提取到的特征序列组成不同的训练矩阵,最后针对不同的子序列对应的训练矩阵建立相应的LSTM预测模型,重构分量预测值得到最终预测结果.为了验证所提出算法的有效性和预测性能,使用上海燃气数据来进行上述模型的仿真实验,结果证明相较对比方法,预测精度有了明显的提高.(本文来源于《计算机系统应用》期刊2019年12期）
秦丽娜[4]（2019）在《基于模糊信息集成的网络舆情预测模型选择》一文中研究指出针对属性值为犹豫模糊信息且输入变量之间存在相互影响和联系的网络舆情预测模型选择决策问题,首先基于阿基米德范数和Heronian几何平均,提出一种新的犹豫模糊Heronian几何平均(HFHGM)算子,并详细研究了HFHGM算子的一些基本性质;其次,探讨了HFHGM算子的一些特例,并引入了犹豫模糊加权Heronian几何平均(HFWHGM)算子;进一步,基于HFWHGM算子建立了一种新的犹豫模糊多属性决策方法,该决策方法不仅能够有效地捕获输入变量之间的相互联系,还使得决策者能够依据自身的风险偏好态度选择不同的参数进行决策。最后,通过网络舆情预测模型的选择实例验证提出的决策方法是可行的和有效的。(本文来源于《控制工程》期刊2019年11期）
彭赞,郑瑾,何鸿业[5]（2019）在《基于集成模型的移动应用广告转化率预测》一文中研究指出移动应用广告是互联网广告市场中一种主动的广告形式,它能够分析用户的兴趣爱好,并投其所好,精准投放广告,从而提高用户体验,为广告平台与广告主带来巨大的收益.因此,预测移动应用广告的转化率已成为一个非常重要的研究方向.本文以逻辑回归和两个梯度提升树模型为基础,使用堆迭和平均的集成思想,提出了两种集成模型--SXL和BLLX模型,解决了传统预测模型能力有限,无法精准预测转化率的问题.在腾讯2017社交广告比赛的数据集上的实验结果表明, SXL和BLLX两种模型能够有效地提高广告转化率的预测结果.(本文来源于《计算机系统应用》期刊2019年11期）
周捷,严建峰,杨璐,夏鹏,王猛[6]（2019）在《LSTM模型集成方法在客户流失预测中的应用》一文中研究指出目前客户流失预测任务中常用的模型集成方法采用传统机器学习模型作为基学习器。而传统机器学习模型相比于深度学习模型,存在无法对时序数据进行有效建模、特征工程对模型效果影响较大等缺点。针对这些问题,提出基于LSTM的模型集成方法。采用LSTM作为基学习器进行时序数据建模;改进snapshot模型集成方法,增加样本权重调整方法,在训练单个LSTM模型的过程中得到多个具有不同权值的模型;利用得到的多个模型构造新数据集,在新数据集上训练逻辑回归模型。实验结果表明,该方法相比于单模型LSTM,可以在仅花费其1.8倍训练时间的前提下,将查准率和PR-AUC分别提升4.67%和3.74%,显着提高了客户流失预测效果。(本文来源于《计算机应用与软件》期刊2019年11期）
张玉玺,贺松,尤思梦[7]（2019）在《集成学习在糖尿病预测中的应用》一文中研究指出糖尿病、高血压和心脑血管病并称为影响人类健康的叁大杀手,不仅对患者的生命健康造成严重的威胁,也给患者的家庭造成严重的经济负担。对糖尿病做出准确的预测,意义深远。本文采用了KNN、支持向量机、逻辑回归、随机森林、集成学习五种方法对糖尿病数据进行预测,分别取得了71.86%,72.29%,74.46%,71.87%,76.62%的准确率。结果表明,集成学习预测效果最佳,验证了其优异性。(本文来源于《智能计算机与应用》期刊2019年05期）
杨嘉伟[8]（2019）在《基于分解-聚类-集成方法的极端天气指数预测》一文中研究指出海平面上升和极端天气的增加对人类生活的方方面面都产生了重大影响。预测极端气候指数(ACI)已成为一个现实而关键的研究课题。针对ACI的预测问题,提出了分解-聚类-集成学习方法。首先,采用了综合经验模式分解(EEMD),将原始数据分解成若干个分量;然后,利用基于鲸鱼优化算法(whale optimization algorithm,WOA)优化的最小二乘支持向量回归(LSSVM)分别对分量进行预测;最后,利用另一个WOA-LSSVM对每个聚类产生的预测分量进行聚类,得到预测结果。为了研究DCE学习方法的预测性能,比较了ARIMA、BP神经网络、LSSVM和EEMD-LSSVM-ADD四种模型。比较结果表明,DCE学习方法比其他基准模型具有更好的性能和更小的误差值。(本文来源于《中南财经政法大学研究生学报》期刊2019年05期）
何少其,刘元雪,梁叶,刘娜,赵久彬[9]（2019）在《“阶跃式”滑坡突变预测与核心因子提取的平衡集成树模型》一文中研究指出"阶跃式"滑坡在复杂多变的地质环境作用下呈现突变与稳定交替、不平衡的演化形态,根据此特点提出了边坡突变与稳定分类的平衡集成树模型,建立高维地质环境影响因子与致变之间的关联,并应用于叁峡库区26个具有"阶跃"特征的滑坡。考虑到直接使用分类器难以捕捉有效信息,模型利用了合成边界少数类过采样原理适当提升突变样本比率,再分别组合随机森林和梯度提升树进行优化和训练,并对测试集和预测集进行评估校核。同数据平衡前后的不同模型进行对比实验,平衡集成树模型能够有效提高突变预测的整体精度,并量化得出了所有地质环境因子的特征重要性指标,最终应用于样本外的王爷庙滑坡结果表明,模型取得了较高的预报水平。该方法能够实现突变的有效预测,并发现核心影响因子及其数据分布特征,为研究"阶跃式"滑坡机理和预警提供了新的思路。(本文来源于《中国地质灾害与防治学报》期刊2019年05期）
荆灵玲,解超,王安琪[10]（2019）在《基于集成学习的公交车辆到站时间预测模型研究》一文中研究指出公交车是城市交通系统的主要组成部分,准确预测公交车辆到站时间作为城市智能交通系统(ITS)的重要应用,可以有效提升公交车乘客的乘坐体验,增加公交出行的吸引力。为此,提出一种基于集成学习方法的公交车到站时间预测模型,利用联合多种弱模型的方法,确定优化目标,将公交车到站时间相关的影响因素进行特征化后,基于海量历史数据训练机器学习模型,进而预测公交到站时间。实例分析和验证结果表明,GBDT方法的预测性能明显优于其他方法,可显着提高公交到站时间预测的准确性。(本文来源于《重庆理工大学学报(自然科学)》期刊2019年10期）
集成预测论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
1使用树莓派通信模块分析机器数据实现预测和计划维护是igus推出智能塑料解决方案的初衷和目标。例如,通过智能传感器测量拖链、回转盘和直线导向装置的磨损程度。通过KUNBUS树莓派通信模块,用户可以决定以何种形式集成传感
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
集成预测论文参考文献
[1].祁欣学,覃锡忠,贾振红,常春,樊树铭.基于田口集成学习的最佳交通流量预测模型[J].计算机工程与设计.2019
[2]..树莓派通信模块在igus智能塑料拖链系统上的应用——通过灵活的数据集成实现预测性维护，提高IT安全性[J].国内外机电一体化技术.2019
[3].王晓霞,徐晓钟,张彤,高超伟.基于集成深度学习算法的燃气负荷预测方法[J].计算机系统应用.2019
[4].秦丽娜.基于模糊信息集成的网络舆情预测模型选择[J].控制工程.2019
[5].彭赞,郑瑾,何鸿业.基于集成模型的移动应用广告转化率预测[J].计算机系统应用.2019
[6].周捷,严建峰,杨璐,夏鹏,王猛.LSTM模型集成方法在客户流失预测中的应用[J].计算机应用与软件.2019
[7].张玉玺,贺松,尤思梦.集成学习在糖尿病预测中的应用[J].智能计算机与应用.2019
[8].杨嘉伟.基于分解-聚类-集成方法的极端天气指数预测[J].中南财经政法大学研究生学报.2019
[9].何少其,刘元雪,梁叶,刘娜,赵久彬.“阶跃式”滑坡突变预测与核心因子提取的平衡集成树模型[J].中国地质灾害与防治学报.2019
[10].荆灵玲,解超,王安琪.基于集成学习的公交车辆到站时间预测模型研究[J].重庆理工大学学报(自然科学).2019
论文知识图
