目的 建立气象因素和空气污染物对死亡人数的预警预测模型,为公共卫生决策提供科学依据。方法 基于我国某地区2014—2018年死因及环境检测数据,首先采用Spearman和Boruta方法分析气象因素和空气污染物与死亡人数的相关性,筛选死亡人数...目的 建立气象因素和空气污染物对死亡人数的预警预测模型,为公共卫生决策提供科学依据。方法 基于我国某地区2014—2018年死因及环境检测数据,首先采用Spearman和Boruta方法分析气象因素和空气污染物与死亡人数的相关性,筛选死亡人数的关键因素。然后利用深度学习中的LSTM、BP神经网络提取关键因素的隐含特征,并将提取的隐含特征作为新的特征输入随机森林模型(RF),构建了LSTM-RF和BP-RF组合模型。结果 以RMSE、MAE、准确率、精确率、召回率、曲线下面积(area under the curve,AUC)值等指标作为评价标准,与RF、XGBoost、GBDT、BP、LSTM等单一模型进行对比。相比单一的机器学习和深度学习模型,该研究所构建的LSTM-RF和BP-RF组合模型各个评价指标均优于单一模型。LSTM-RF为最优模型,其在测试集上RMSE为2.93,AUC值高达0.941。结论 LSTM-RF更适合作为气象因素和空气污染的预警预测模型。展开更多
锂离子电池是电动汽车上关键的部件之一,准确地估计电池的健康状态(State of health,SOH)有利于保证电池的安全、提高电池的使用寿命。考虑到车用锂离子电池实际的使用情况,基于电池恒压充电电流曲线提出了一个预测电池SOH的新方法,建...锂离子电池是电动汽车上关键的部件之一,准确地估计电池的健康状态(State of health,SOH)有利于保证电池的安全、提高电池的使用寿命。考虑到车用锂离子电池实际的使用情况,基于电池恒压充电电流曲线提出了一个预测电池SOH的新方法,建立了一个随机森林(Random forest, RF)模型来估计电池的SOH。另外,为了验证模型的准确性,把RF模型和BP神经网络模型进行了对比分析。实验结果表明,和BP神经网络模型相比,本文建立的RF模型能够更有效地估计电池的SOH。展开更多
文摘目的 建立气象因素和空气污染物对死亡人数的预警预测模型,为公共卫生决策提供科学依据。方法 基于我国某地区2014—2018年死因及环境检测数据,首先采用Spearman和Boruta方法分析气象因素和空气污染物与死亡人数的相关性,筛选死亡人数的关键因素。然后利用深度学习中的LSTM、BP神经网络提取关键因素的隐含特征,并将提取的隐含特征作为新的特征输入随机森林模型(RF),构建了LSTM-RF和BP-RF组合模型。结果 以RMSE、MAE、准确率、精确率、召回率、曲线下面积(area under the curve,AUC)值等指标作为评价标准,与RF、XGBoost、GBDT、BP、LSTM等单一模型进行对比。相比单一的机器学习和深度学习模型,该研究所构建的LSTM-RF和BP-RF组合模型各个评价指标均优于单一模型。LSTM-RF为最优模型,其在测试集上RMSE为2.93,AUC值高达0.941。结论 LSTM-RF更适合作为气象因素和空气污染的预警预测模型。
文摘锂离子电池是电动汽车上关键的部件之一,准确地估计电池的健康状态(State of health,SOH)有利于保证电池的安全、提高电池的使用寿命。考虑到车用锂离子电池实际的使用情况,基于电池恒压充电电流曲线提出了一个预测电池SOH的新方法,建立了一个随机森林(Random forest, RF)模型来估计电池的SOH。另外,为了验证模型的准确性,把RF模型和BP神经网络模型进行了对比分析。实验结果表明,和BP神经网络模型相比,本文建立的RF模型能够更有效地估计电池的SOH。
