针对现有土石坝渗流监控指标拟定方法存在主观性较强和精度较低的不足,基于智能算法改进的超阈值(peaks over threshold,POT)模型,提出了优化的土石坝渗流监控指标拟定方法.以3σ准则为确定最优阈值的理论基础,采用基于混沌映射、结合L...针对现有土石坝渗流监控指标拟定方法存在主观性较强和精度较低的不足,基于智能算法改进的超阈值(peaks over threshold,POT)模型,提出了优化的土石坝渗流监控指标拟定方法.以3σ准则为确定最优阈值的理论基础,采用基于混沌映射、结合Levy飞行和逆向学习的动态选择策略改进的麻雀搜索算法(improved chaos sparrow search algorithm,ICSSA),对POT模型中阈值的选取方法进行优化.建立了ICSSA-POT模型,实现对监测资料尾部数据的拟合,从而得到更为合理的土石坝渗流监控指标.研究表明,相比于传统方法,所提方法可有效避免主观性与随机误差,得到的监测资料尾部数据的拟合决定系数提高了5%,具有更高的计算精度,拟定的渗流监控指标更偏于安全,对防范土石坝渗流破坏、确保土石坝安全长效运行具有较强的指导意义.展开更多
为更精确地预测航班过站时间,将全国机场按照规模差异及不同地理位置所导致的客流量差异和天气差异对航班过站时间造成的不同影响进行分类,基于各类机场航班数据,构建混合轻量级梯度提升机算法(LightGBM)模型对航班过站时间分类预测。...为更精确地预测航班过站时间,将全国机场按照规模差异及不同地理位置所导致的客流量差异和天气差异对航班过站时间造成的不同影响进行分类,基于各类机场航班数据,构建混合轻量级梯度提升机算法(LightGBM)模型对航班过站时间分类预测。引入自适应鲁棒损失函数(adaptive robust loss function,ARLF)改进LightGBM模型损失函数,降低航班数据中存在离群值的影响;通过改进的麻雀搜索算法对改进后的LightGBM模型进行参数寻优,形成混合LightGBM模型。采用全国2019年全年航班数据进行验证,实验结果验证了方法的可行性。展开更多
文摘为更精确地预测航班过站时间,将全国机场按照规模差异及不同地理位置所导致的客流量差异和天气差异对航班过站时间造成的不同影响进行分类,基于各类机场航班数据,构建混合轻量级梯度提升机算法(LightGBM)模型对航班过站时间分类预测。引入自适应鲁棒损失函数(adaptive robust loss function,ARLF)改进LightGBM模型损失函数,降低航班数据中存在离群值的影响;通过改进的麻雀搜索算法对改进后的LightGBM模型进行参数寻优,形成混合LightGBM模型。采用全国2019年全年航班数据进行验证,实验结果验证了方法的可行性。
