【摘 要】
：
针对支持向量机（support vector machine, SVM）模型在水上交通风险预测中由于其变量较多而导致的计算过程复杂、实用性不强的问题，运用随机森林模型对变量进行重要度排序，利用筛选后的变量构建新的SVM模型。将新模型的分类正确率和可转移性测试结果与原模型的进行比较。结果表明：新模型比原模型的分类正确率提高4.12个百分点；在可转移性测试中新模型分类正确率仍处于较高水平，而且误报率降
【基金项目】
：
江苏省教育厅基金（2017JSJG010）； 江苏高校“青蓝工程”（2019）；
论文部分内容阅读
针对支持向量机（support vector machine, SVM）模型在水上交通风险预测中由于其变量较多而导致的计算过程复杂、实用性不强的问题，运用随机森林模型对变量进行重要度排序，利用筛选后的变量构建新的SVM模型。将新模型的分类正确率和可转移性测试结果与原模型的进行比较。结果表明：新模型比原模型的分类正确率提高4.12个百分点；在可转移性测试中新模型分类正确率仍处于较高水平，而且误报率降低2.40个百分点。研究表明新模型计算相对简单，预测效果更优，而且具有普适性特征。
其他文献
以自贡恐龙文化科普园概念规划为例，通过介绍项目的背景、定位、主要内容、特色创新等，将恐龙化石这一特殊地质遗迹的保护与城市建设相结合，将其保护融入到城市转型发展中，推动产业深度融合、创新发展[1]。为该类地质遗迹在城市中的保护与利用提供一些参考和借鉴。
《义务教育数学课程标准（2022年版）》明确提出义务教育数学课程以习近平新时代中国特色社会主义思想为指导,落实立德树人根本任务,逐步形成适应终身发展需要的核心素养,在目标、内容、思想方法、和评价等方面体现数学课程的育人功能。渗透数学思想方法能够使拓宽学生分析问题的视野的,提升数学思维能力,促进学生数学学科核心素养发展。数形结合思想方法是一种非常重要的数学思想,可以帮助学生把抽象的问题具体化,把复杂
2002年《最高人民法院关于行政诉讼证据若干问题的规定》颁布施行,第65条被认为是自认在行政诉讼中的扩张适用,但从自认基础理论与内涵分析,该规定中的自认与通说有所差别,且规定略显简单、粗糙,可操作性不强。因此,宜将自认以三大诉讼类型为标准予以细化,排除直接影响公共利益及依法行政案件中适用自认,从而完善我国行政诉讼自认制度。
随着国际贸易、社会经济的不断发展,智能航运逐渐成为全球航运业竞争中的重要一环。智能航运既是我国如何在全球航运业竞争中突出重围的关键,也是未来智能贸易交流的核心实现手段,是助力我国成为实体经济第一大国的关键所在。本文首先简短分析了智能航运与经济发展速度不匹配所导致的问题所在;然后详细介绍了机器学习的概念、特征;并以此为基础浅析了机器学习在智能航运“最优路线选择”“船舶实时智能监测”“突发情况的决策”
人类从未停止处理与反思空间之于人的关系与意义。认识人与空间关系的过程也是人对主体存在以及对自我的觉醒、充盈与完善的成“人”过程。因此,幼儿园教育空间实际是人对幼儿园教育的理解的空间具象化与物化,反映的是人关乎于儿童成“人”意义的价值选择。现实幼儿园教育空间问题反映出的是儿童在客体化的空间理解与实践中的成“人”困境。“人”是本研究探讨幼儿园教育空间的价值基础与逻辑起点。本研究的思想立场源于马克思主义
为科学合理地对船舶进行安全管理，就船舶安全问题的特点，建立带有海洋气象特征的事故数据集。针对数据类别不均衡问题，在比较多种机器学习算法后，用具有代价敏感的损失函数改进XGBoost算法求解。结果表明：改进后的模型AUC值和预测正确率有了明显提高，可达0.708 5和81.51%。相比于其他方法，模型的可解释更高，能更好地揭示风险因素与船舶风险之间的交互关系。最后，对提取到的载重吨、航行海域和船员数
针对传统电网信息系统安全风险预测模型没有分解信号时频特征,导致存在预测准确性能低、预测时间长的问题,提出基于机器学习算法的电网信息系统安全风险预测模型。在电网信息系统中安装数据采集装置,采集电网信息系统运行工况信息,利用自相关匹配检测方法,实现对采集工况信号时频特征的分解,基于交互式学习技术,完成采集运行数据的聚类分析,设置系统安全风险预测指标,并利用机器学习算法计算对应指标的权值,从系统网络攻击
在数字农业发展过程中,数据成为重要的生产资料。不同的原有农业生产关系延伸出不同的围绕数据的生产关系,导致不同的农政变迁结果。在西方发达国家,土地私有制和数字农业公司主导产生基于私有制的数据生产关系,推动土地集中,增加大农场的竞争力,并强化资本对农业生产者的控制和剥削。在中国,生产端的农地集体所有制结合目前的政府主导为基于公有制的数据生产关系提供了可能,其中蕴含着迥异的农政变迁结果;销售端的电商平台
准确、高效的交通事故预测方法是智能交通系统高效运行、及时提供医疗救助和提高交通效率的必要条件。现有的事故预测模型主要采用统计方法或单一的机器学习方法，不能同时获得时空依赖关系，为了提高预测精度，针对交通事故预测的问题，提出了一种基于时空图卷积网络的交通事故预测模型，该模型与长短期记忆网络和图卷积网络相结合，并考虑了交通事故中时间和空间的依赖关系。通过将图卷积网络用于学习复杂的路网拓扑结构，以获得交
路网交通事故预测是实现道路管控、路线规划的最重要方式之一。考虑到路网中各路段特征与环境因素的影响，建立基于图卷积神经网络（GCN）和门控循环单元（GRU）的时空门控图卷积（STGRGCN）模型预测交通事故风险。通过GCN提取出道路间的空间关联性，通过GRU提取出环境因素中的时间关联性，再通过GCN与GRU的复合模块提取出时空关联性。选取美国全国交通事故数据集中洛杉矶市和休斯顿市相关数据对模型进行检