基于LightGBM的航班延误多分类预测

航班延误是民航业的一大难题,提前对航班的延误情况进行预测,以采取合理的应对措施,对缓解航班延误产生的负面影响有着重要意义。为提升预测性能,提出一种基于轻量级梯度提升机（Light gradient boosting machine,LightGBM）的航班延误多分类预测模型。该模型结合航班信息与天气信息,运用方差过滤与递归特征消除进行特征筛选,并采用合成少数过采样技术（Synthetic minority oversampling technique,SMOTE）与Tomek Link对数据进行不平衡处理,最后使用LightGBM进行建模,实现对航班延误时长的多分类预测。为验证模型的合理性,将所提模型与其他先进算法构建的模型进行对比。实验结果表明,所提模型在各种预测性能指标上结果更优,将预测精度提升至90%以上,同时大幅度降低了训练时间成本。     

基于深度自编码器的终端区异常航迹识别方法及其在航迹聚类中的应用（英文）

异常航迹识别与交通流分类对复杂空域的安全与效率分析是重要的。一些研究人员使用基于密度的无监督聚类算法提取空域中这两种与管制行为相关的航迹数据。然而,数据质量问题和交通流之间的微小密度差异是这项工作的两个主要难点。为了解决这两个问题,本文提出一种结合稳健自编码器模型(Robust deep auto?en?coder,RDAE)和密度峰值(Density peak,DP)聚类算法的框架。具体地,通过不同的正则化优化方式使得RDAE模型分别用来重构去噪航迹与异常航迹检测。然后,RDAE模型的Encoder输出的非线性降维向量作为DP聚类算法的输入以分类空域中全局的交通流。在含有标签的广州白云机场数据集上的实验表明,所提算法能够自动地捕捉到空域内飞机运动的非常规时空交通模式。RDAE在异常航迹检测以及所提框架在交通流分类上的优越性均通过可视化与定量的结果评估分析。     

基于聚类的多标记选择性集成

多标记学习和选择性集成是机器学习中的两个热点研究问题。本文利用聚类思想探究多标记学习中的选择性集成， 提出了两种具体的多标记选择性集成算法：基于最小距离的簇中心选择算法（Minimum distance based cluster center selection，MDCCS）和基于K-means的簇中心选择算法（K-means based cluster center selection， KMCCS）。在所提出的算法中，如何度量学习器之间的距离是其能否成功的关键因素。本文首先基于学习器的分类结果对其进行重新表示，在此基础上给出了学习器之间距离的计算方式。此外， 对于算法中的空簇问题给出了两种解决方法。基于Mulan数据库中的多标记数据集和5种评价指标对所提算法进行了详细的分析，实验结果表明了所提算法的有效性。     

代价敏感惩罚AdaBoost算法的非平衡数据分类

针对非平衡数据分类问题，提出了一种基于代价敏感的惩罚AdaBoost算法。在惩罚Adaboost算法中，引入一种新的自适应代价敏感函数，赋予少数类样本及分错的少数类样本更高的代价值，并通过引入惩罚机制增大了样本的平均间隔。选择加权支持向量机（Support vector machine,SVM）优化模型作为基分类器，采用带有方差减小的随机梯度下降方法（Stochastic variance reduced gradient,SVRG）对优化模型进行求解。对比实验表明，本文提出的算法不但在几何均值（G-mean）和ROC曲线下的面积（Area under ROC curve,AUC）上明显优于其他算法，而且获得了较大的平均间隔，显示了本文算法在处理非平衡数据分类问题上的有效性。     

基于粗糙集特征选择的过拟合现象及应对策略

在粗糙集方法中,利用向前启发式算法进行特征选择,是一个逐步加入重要度最高的特征的过程,直至满足所给定的约束条件。但使用这一策略选择出来的特征子集有可能产生过拟合现象。鉴于此,设计了一种新的启发式算法,其主要思想是借助交叉验证的方法对特征的重要度进行计算,当过拟合出现时,则采用截断式机制终止算法。使用邻域粗糙集模型,在UCI数据集上将启发式算法与所提算法进行对比分析,实验结果表明:所提算法能够有效地降低过拟合的程度;利用所提算法得到的特征子集能够带来更好的分类性能。     

改进模糊C均值的客机空调系统退化评估算法

针对使用快速存储记录器(Quick access recorder,QAR)数据进行大型客机空调系统健康评估与异常检测时面临的数据不平衡与先验知识不足的问题,本文提出一种基于改进模糊C均值(Fuzzy C-means,FCM)的大型客机空调系统退化评估算法。该算法计算故障状态与正常状态的距离,并基于大型客机空调系统的物理特性优化了FCM算法的距离函数,引入了左右空调组件的状态差作为评估标准。本算法有效地解决了现行方法存在的过拟合问题,并且对于部件的前期退化有更高的敏感性,能够有效的反映性能退化的中间过程。为航空公司安排航班计划与维修计划,降低运行成本提供了有力的技术支持。     

人工蜂群优化BP神经网络的太阳电池阵电流预测

通过对卫星太阳电池阵输出电流影响因子进行分析，提出了一种基于人工蜂群（Artificial bee colony,ABC）算法优化BP神经网络的太阳电池阵输出电流预测方法。将太阳入射角、卫星太阳电池阵工作温度、卫星星时等遥测量变换后作为神经网络输入，进行输出电流预测。考虑到神经网络对初始权值及偏置敏感的特点，采用ABC改进算法对神经网络初始参数进行优化。该模型可用于卫星太阳电池阵电流输出能力分析、太阳电池阵预警及异常检测等。实验测试表明，模型能够取得较高预测精度，同星预测均方根误差（Mean squared error, MSE）为0.10 A，跨星预测均方根误差为0.12 A，其精度明显优于传统数据拟合方法。利用该模型及本文提出的预警策略进行预警，对于7年5个月的正常卫星数据没有发生误报，对于某异常卫星数据能够及时进行预警。     

基于元学习和PINN的变工况刀具磨损精确预测方法

刀具磨损预测对保证零件加工质量和效率、降低加工成本具有重要作用,尤其是在广泛采用难加工材料的航空航天制造领域。数据与机理融合模型能够结合机理模型和数据驱动模型的优势,是实现刀具磨损预测的有效手段。然而现有的融合方法难以有效平衡数据和机理对模型的权重,导致难以真正实现融合模型的预期效果。本文提出了一种基于元学习（Meta learning,ML）和PINN（Physics-informed neural network）的刀具磨损预测方法,通过磨损机理约束数据驱动模型的解空间,并结合元学习算法优化融合模型的损失函数以合理利用数据和机理提供的信息。实例验证结果表明,本文所提出的方法能有效提高变工况下的刀具磨损预测精度和稳定性。     

基于粗集理论的属性约简关键技术概述

本文从静态属性约简和动态属性约简两个方面对基于粗集理论的属性约简关键技术进行了归纳总结,静态属性约简算法有基于信息熵、基于正域及基于辨识矩阵的约简算法,同智能计算方法结合的动态属性约简算法有并行属性约简、基于粒计算的属性约简及增量式属性约简等。指出今后属性约简的发展方向是在大数据时代下同智能算法、并行计算、云计算等技术融合发展的趋势。     

应用聚类分析对关联规则进行分组

关联规则是要从大量的数据中找到数据之间的规律，但有时所产生的规律十分繁多，从而形成新的知识管理问题。针对该问题本文提出了一个新的算法，该算法利用系统聚类分析方法对规则进行分组，从而可更好地帮助用户解所发现的规律，该方法的距离（RatioD）是基于关联规则本身，因此，可对规则进行高效地分组。实验结果表明，该算法是有效的。