XGBoost算法

摘要： 财务风险大小直接影响投资者以及债权人的利益,识别公司财务风险状况有利于及时掌握企业运营情况,有利于整个资本市场健康有序发展。基于此,选取连续两年内因为财务问题被列为ST公司和与之相类似的正常公司总共162家公司为样本,采用财务分析方法,选取包含反映企业偿债能力、营运能力、盈利能力和增长能力在内的22个财务指标,运用机器学习中的XGBoost算法判断企业财务风险状况。XGBoost算法对企业是否具有财务风险的识别准确率较高,最高可达94.45%。

摘要： 用户属性是刻画用户的基础。常见用户属性指标包括:用户的性别、年龄、入网时间、在网状态、省份城市、活跃地等等。然而由于各种山寨、刷机、刷rom的存在以及手机实际使用人不是购机人等,部分数据存在异常或缺失,特别是人口学属性。而性别又是人类差异最大的特征之一,是群体行为、偏好和需求等方面的基本影响因子之一,性别识别的重要性和价值性不言而喻,用户画像产品的构建,基本存在性别标签的识别需求。这部分数据可以通过XGBoost数据挖掘的方法来预测。针对传统男女识别方法效率低等问题,对于互联网用户行为特征,应用梯度增强集成分类器XGBoost算法进行特征选择,建立分类模型识别男女性别,实践表明该方法对于海量用户的真实使用性别的识别准确率可达73%。

摘要： 提高剩余续驶里程预测精度可以缓解驾驶人的“续航焦虑”,帮助车厂开发精细的电池管理系统,提高纯电动汽车的接受度。基于改进符号回归算法自动生成与标签字段高度相关的新数据特征字段,实现数据维度扩充。再将维度扩充后的数据传入经过超参数调优的XGBoost模型预测剩余续驶里程。对比仅使用经典特征字段的原始数据,维度扩充后的数据在预测精度上最大相对绝对误差下降4.9%,平均绝对误差和均方根误差下降超过20%,且随着时间的增加,使用维度扩充后的数据进行预测的误差下降更快。结果证明提出的方法可以优化数据集质量,提高预测结果的精确度并减小误差,为纯电动汽车剩余续驶里程预测提供了新的思路。

摘要： 由于传统方法对流量特征的提取效果不佳,导致流量特征识别效率低,研究基于XGBoost算法的HTTPS流量识别方法。通过采集流量数据样本,对6个应用的数据流量样本进行处理和分析。提取HTTPS流量特征,组成流量特征序列。获取HTTPS数据域名,建立二级域名信息库。构建XGBoost算法识别模型,识别流量样本类型。经实验论证分析,设计方法可以识别正确域名和新域名,流量识别效果较好。经实验论证分析,流量长度及个数特征与蓄力特征能够有效的保证识别的准确率。对异常加密流量识别结果进行分析,文中方法能够有效解决异常流量数据集的不平衡现象,查准率具有明显的提升,且准确率在98%以上。经过识别效果评估与对比分析,文中方法与传统方法相比,能够在较短时间内完成流量识别,说明该文方法识别效率更高。

摘要： 域名系统(Domain Name System,DNS)隧道是一种典型的网络隐蔽通道,攻击者窃取的信息被编码并封装到DNS报文中进行传输。在攻击者具备受控服务器和受控域的前提下,只要被攻击者的网络需要进行域名解析服务,DNS隧道就可以实现,IDS也不会因此触发警报。目前流行的基于载荷和基于流量的检测方法都不够灵活,且误报率高。为了更有效地识别DNS隧道攻击,对DNS报文特征进行分析,提取出5大类共15个特征标记一条完整的DNS会话,选用XGboost分类模型进行分类识别。实验结果表明,实验选用的15个特征可以有效检测DNS隧道流量,对于4种不同隧道软件产生的隧道流量识别率达95%。在此基础上,对所选特征的重要性进行了评估,成功筛选出能够保持分类模型稳定性下的最小特征子集。

摘要： 基于物理模型及列车性能参数的地铁列车运行状态仿真方法存在着列车适配性差、参数调整成本高等问题。为了给ATC(列车自动控制)系统的研究提供更为准确、高效的模拟试验平台,提出一种基于XGBoost(极端梯度提升)算法的列车运行状态仿真模型构建方法。该方法可从实际运行数据中学习列车的控制与运行特性,可针对不同的线路环境、不同列车车型实现更准确的列车运行状态仿真。在某地铁线路采用实车进行试验,结果表明:该方法建立的列车运行状态仿真模型准确、有效,可满足实际应用需求。

摘要： 为准确预测我国煤矿安全态势,本文提出一种基于差分自回归移动平均(ARIMA)模型和极端梯度爬升(XGBoost)算法的煤矿安全态势预测方法,该方法使用ARIMA模型对表征煤矿安全态势的3项重要指标(包括煤矿事故死亡人数、煤矿百万吨死亡率与瓦斯事故死亡人数)的历史数据进行时间序列建模,在分析单一ARIMA模型的预测结果后,使用XGBoost算法对上述3项指标的残差序列进行预测;最后,由XGBoost算法的残差预测值修正ARIMA模型预测值。结果表明:该混合模型对3项指标的预测精度均优于单一ARIMA模型,并运用此方法对2021年我国煤矿事故死亡人数、百万吨死亡率与瓦斯事故死亡人数进行预测和分析,预测方法与结果可为煤矿生产和监管部门的安全决策提供依据。

摘要： 为提高库存资产管理水平,以某省级电网公司各县级库房为例,分析库房管理风险和资产管理风险。本文首先利用电能表资产档案数据,梳理识别特征,然后利用XGBoost算法构建异常资产识别模型,模型能准确识别出异常的电能表,异常电能表的查准率为90.8%,查全率为71.8%。通过分析发现正常和异常电能表在表龄、第一次运行时长、状态持续时长和合格在库持续时长这四个特征上有较大差别。最后,从电能表、周转柜和计量点三个维度入手,构建库房风险层次指标体系,使用组合赋权评价库房管理风险,风险评价结果与异常资产预测基本一致,相关性达74.5%。本文研究可促进库房盘点的精准化,推进库房管理和绩效考核建设,提升库存管理的智能化水平。

摘要： 文中提出了一种运行中智能电能表质量分析及预测方法研究的方法。该方法以电能表关键环节相关数据为基础,选取电能表在研发设计、物料采购、生产制造、验收检测、安装运行、拆回报废环节数据作为模型构建的样本数据,利用XGBoost算法分类方法建立智能电能表质量分析模型。以国网河南省电力公司的拆回电能表数据为例,对智能电能表各类质量问题开展建模分析及预测,并进行现场验证,再根据验证结果持续优化模型。结果表明,该方法精确率达到0.73,能够较为客观地反应智能电能表关键环节质量情况。

摘要： 采集石油勘探应用软件模块运行时的资源消耗信息,包括不同模块对服务器资源占用情况的数据。根据需求采集相关数据,包括CPU、内存、网络、临时盘等。在勘探开发云平台运行应用软件资源需求已知模块的作业,采集资源消耗数据。根据所采集数据的模块资源需求特点,对数据进行标注,使用极限梯度提升(extreme gradient boosting,XGBoost)算法,建立模型并训练。采集资源需求未知模块作业运行时的资源消耗数据,根据之前建立的模型确定此模块的资源需求类型。使用资源调度算法,以将资源需求互补的虚拟机部署到相同的物理节点为目标,计算虚拟机部署位置,通过虚拟机迁移实现计算资源优化分配。

摘要： 空调系统制冷剂泄漏故障常用诊断方法是利用经验规则进行判断,论文首先利用经验规则表挑选机器学习特征,然后分别利用xgboost算法和随机森林算法训练诊断模型,并对比两种算法模型精度以及模型的泛化能力.两种算法模型的测试精度均达99％以上,且模型泛化误差均小于0.01,克服了常规机器学习模型过拟合的问题,并能够区分不同程度故障,有利于进一步指导研究多种故障类型问题.

摘要： 文中研究了XGBoost算法含噪地震数据的重构问题.从局部学习的角度对给定的随机缺失坏道地震数据,引入随机噪声,研究数据的重构效果.利用单个采样点周围44个点的振幅值与该点道号和采样点号作为特征属性,对该点振幅值构建回归关系,从而通过学习这种回归关系重构缺失的地震道.分析不同地震数据缺失情况,提出针对不同情况的重构算法,建立了重构随机缺失的地震数据处理流程.实际地震数据处理结果表明,XGBoost算法对随机缺失含噪海洋地震资料具有较好的重构效果.

摘要： 文中研究了XGBoost算法含噪地震数据的重构问题.从局部学习的角度对给定的随机缺失坏道地震数据,引入随机噪声,研究数据的重构效果.利用单个采样点周围44个点的振幅值与该点道号和采样点号作为特征属性,对该点振幅值构建回归关系,从而通过学习这种回归关系重构缺失的地震道.分析不同地震数据缺失情况,提出针对不同情况的重构算法,建立了重构随机缺失的地震数据处理流程.实际地震数据处理结果表明,XGBoost算法对随机缺失含噪海洋地震资料具有较好的重构效果.

摘要： 文中研究了XGBoost算法含噪地震数据的重构问题.从局部学习的角度对给定的随机缺失坏道地震数据,引入随机噪声,研究数据的重构效果.利用单个采样点周围44个点的振幅值与该点道号和采样点号作为特征属性,对该点振幅值构建回归关系,从而通过学习这种回归关系重构缺失的地震道.分析不同地震数据缺失情况,提出针对不同情况的重构算法,建立了重构随机缺失的地震数据处理流程.实际地震数据处理结果表明,XGBoost算法对随机缺失含噪海洋地震资料具有较好的重构效果.

摘要： 文中研究了XGBoost算法含噪地震数据的重构问题.从局部学习的角度对给定的随机缺失坏道地震数据,引入随机噪声,研究数据的重构效果.利用单个采样点周围44个点的振幅值与该点道号和采样点号作为特征属性,对该点振幅值构建回归关系,从而通过学习这种回归关系重构缺失的地震道.分析不同地震数据缺失情况,提出针对不同情况的重构算法,建立了重构随机缺失的地震数据处理流程.实际地震数据处理结果表明,XGBoost算法对随机缺失含噪海洋地震资料具有较好的重构效果.

摘要： 机器学习在网络入侵检测中的应用已经受到各界广泛关注,应用的算法主要是决策树、随机森林、logit、KNN等机器学习模型,这些算法发布时间较长、应用成熟、发掘潜力有限.Xgboost算法推出时间相对较晚,在网络入侵检测中的研究较少.文章以此为研究对象,基于入侵检测数据集KDD99,使用logit、KNN、决策树、随机森林、Xgboost等机器学习模型分别进行5折交叉验证,计算和比较这些算法的识别效果.试验结果表明,同已有的机器学习算法相比,Xgboost算法在各种入侵检测中均有优异的表现,算法在网络入侵检测领域有较大的发展空间.

摘要： 机器学习在网络入侵检测中的应用已经受到各界广泛关注,应用的算法主要是决策树、随机森林、logit、KNN等机器学习模型,这些算法发布时间较长、应用成熟、发掘潜力有限.Xgboost算法推出时间相对较晚,在网络入侵检测中的研究较少.文章以此为研究对象,基于入侵检测数据集KDD99,使用logit、KNN、决策树、随机森林、Xgboost等机器学习模型分别进行5折交叉验证,计算和比较这些算法的识别效果.试验结果表明,同已有的机器学习算法相比,Xgboost算法在各种入侵检测中均有优异的表现,算法在网络入侵检测领域有较大的发展空间.

摘要： 机器学习在网络入侵检测中的应用已经受到各界广泛关注,应用的算法主要是决策树、随机森林、logit、KNN等机器学习模型,这些算法发布时间较长、应用成熟、发掘潜力有限.Xgboost算法推出时间相对较晚,在网络入侵检测中的研究较少.文章以此为研究对象,基于入侵检测数据集KDD99,使用logit、KNN、决策树、随机森林、Xgboost等机器学习模型分别进行5折交叉验证,计算和比较这些算法的识别效果.试验结果表明,同已有的机器学习算法相比,Xgboost算法在各种入侵检测中均有优异的表现,算法在网络入侵检测领域有较大的发展空间.

摘要： 机器学习在网络入侵检测中的应用已经受到各界广泛关注,应用的算法主要是决策树、随机森林、logit、KNN等机器学习模型,这些算法发布时间较长、应用成熟、发掘潜力有限.Xgboost算法推出时间相对较晚,在网络入侵检测中的研究较少.文章以此为研究对象,基于入侵检测数据集KDD99,使用logit、KNN、决策树、随机森林、Xgboost等机器学习模型分别进行5折交叉验证,计算和比较这些算法的识别效果.试验结果表明,同已有的机器学习算法相比,Xgboost算法在各种入侵检测中均有优异的表现,算法在网络入侵检测领域有较大的发展空间.

摘要： 本发明涉及一种基于PCA算法和XGBoost算法的D‑PMU扰动分类方法。其发明内容主要包括(1)基于滑动平均法的D‑PMU时间序列预处理方法；(2)基于PCA算法的D‑PMU时间序列特征提取方法；(3)基于XGBoost算法的D‑PMU时间序列扰动分类方法。

摘要： 本发明涉及配电网规划领域，具体的是一种基于XGBoost算法的农村台区电压和线损影响的评估方法，包括选择训练用数据来源、输入端数据生成、输出端数据生成、异构数据规范化及指标量化、XGBoost算法回归等步骤。以通过对训练集中输入端特征变量及输出端结果进行回归运算，以特征变量在回归运算中对目标函数的增益评估该特征的影响性贡献度，其量化结果具有更强的可解释性。以光伏出力变化率、农网负荷变化率、无功补偿值，渗透率及线路R/X等因素为输入端特征变量，以电压越限值及线损率为输出端结果，针对任意台区拓扑均可量化各影响因素的贡献度大小，最终依据实地算例验证了该算法的有效性。

摘要： 本发明公开了一种基于改进XGBoost算法的数据中台入侵分类检测方法，涉及数据中台入侵分类检测技术领域。该基于改进XGBoost算法的数据中台入侵分类检测方法包括XGB‑DNN模型设计以及算法，所述XGB‑DNN模型设计包括以下步骤：输入、输出。所述XGB‑DNN模型是由XGBoost和DNN所构成的组合模型。使用XGBoost算法进行特征选择。XGBoost算法是采用分步前向加性模型，只不过在每次迭代中生成弱学习器后不再需要计算一个系数，算法通过优化结构化损失函数，通过加入正则项的损失函数，起到降低过拟合的风险，来实现弱学习器的生成。XGBoost算法没有采用搜索算法，而是直接利用了损失函数的一阶导数和二阶导数值，并通过预排序、加权分位数等技术来大大提高算法的性能。

摘要： 本发明公开了一种基于XGBoost算法的风机检修流程预测性监控方法与系统，包括步骤：1)获取日志，确定预测任务；2)日志分析和预处理；3)特征选取；4)特征编码；5)确定模型分组，选取预测方法和轨迹前缀；6)构建、训练和调试预测模型；7)预测模型的评估和分析。本发明将业务预测性监控技术应用到风机检修工作票的工作流程之中，通过在工作过程中实现预测业务的下一事件、下一事件执行时间和剩余执行时间预测，以便于了解业务流程、分析执行过程和避免风险。

摘要： 本发明公开了一种基于XGBoost算法的PM2.5数据异常识别方法，包括：步骤1：采集国控站六项污染物的小时数据，步骤2：数据预处理，步骤3：从原始数据中提取特征，步骤4：模型训练与测试，步骤5：异常数据分析，步骤6：运维事件标识并去除，步骤7：气象监测要素整合，步骤8：仪器设备参数异常判定。本发明利用机器学习实现异常数据的自动识别，将机器学习应用到国家空气监测站审核平台，实现数据异常识别自动化，同时自动化的审核机制可以做到实时对数据进行质量控制；一方面可以减少人工审核的局限性，精准识别异常数据，减少出错率，另一方面可以减轻数据复核人员的工作负担和压力以及进一步减少人力成本。

摘要： 本发明涉及一种基于XGBoost算法的机组设备基准值预测方法及系统，方法包括以下步骤：获取机组中设备的历史运行数据，并对数据进行预处理，构建包含多个样本的数据集，每个样本包括多个特征，对应设备多个参数的基准值；利用RF袋外估计进行特征重要性计算，剔除重要性低的特征；对特征进行标准化处理，消除特征之间的量纲影响；输入数据集，构建XGBoost模型，并进行贝叶斯超参数寻优，得到基准值预测模型；输入设备运行的实时数据，通过基准值预测模型预测得到设备各个参数的基准值。与现有技术相比，本发明基于XGBoost算法挖掘数据之间的关联性，能够预测出较合理的设备基准值，泛化能力强、预测精度高、运算速度快，大大提高了机组的自动化能力。

摘要： 本发明公开了基于XGBoost算法的伴热带装置寿命状态预测方法，包括：获得伴热带装置的实验数据集的历史数据信息；将数据集按比例进行划分训练数据集、验证数据集和测试数据集；XGBoost的模型进行初始化处理；使用训练数据集进行模型训练；利用验证数据集调整模型参数；通过测试数据集验证XGBoost模型准确性；若不满足要求，则重复上述步骤，若满足要求，则用验证好的XGBoost模型对伴热带装置实时工作数据进行预测，得到其预测分值，预测分值经过转换得到预测概率，预测概率对应状态标签分类即为当前伴热带装置寿命状态。本发明通过已有数据样本发现关联规律，通过高效的训练方法强化学习过程，建立分类、聚类和回归算法/模型，根据对象数据实现对伴热带的寿命预测。

摘要： 本发明公开了一种基于电能参数特征和改进Boruta‑XGBoost算法的窃电检测方法，包括数据预处理、特征工程、模型训练三个步骤。在数据预处理中，对用户端计量电表采集的多种电能参数中的异常值和缺失值进行处理；在特征工程中，对预处理后的电能参数进行特征提取，然后使用改进的Boruta算法对特征进行优选，根据优选结果构造用于训练窃电检测模型的数据集；模型训练使用特征工程中得到的数据集，建立基于改进XGBoost算法的窃电类型检测模型。与现有技术相比，本发明的窃电检测方法能够根据电能参数的特征判断用户是否存在窃电行为以及窃电的类型，有助于技术人员对窃电用户进行有针对性的现场检查，提高窃电检测效率，降低窃电检测成本。

摘要： 本发明提供一种基于XGBoost算法的六氟化硫电气设备微水检测方法，包括如下步骤：1)根据六氟化硫电气设备水分管理标准将六氟化硫气体的微水含量划分为安全工作区之下、安全工作区与水分管理线之间和超出水分管理线共3个梯度。启用人工气候室用于调节六氟化硫气体的微水含量，采集各微水梯度下，环氧绝缘沿面放电发展过程中的PRPD图谱。2)从所采集的PRPD图谱中提取两类特征值，其一为描述图谱中放电点特征的PRPD基本统计参数，其二为宏观描述图谱型貌的PRPD图谱统计参数。3)构建并训练基于XGBoost算法的分类器，对不同微水含量下的PRPD图谱进行模式识别，以达到对不同微水量下环氧绝缘沿面放电的辨识，实现对微水诱发六氟化硫电气设备微水量的检测效果。

摘要： 本发明涉及智慧水务领域，揭露了一种基于MIC‑XGBoost算法的居民用水量预测方法，包括：获取每一月份的影响因素数值及用水量，构建用水影响因素的用水量‑影响因素数值对应表，利用最大信息系数算法，计算出对用水量影响最大的目标影响因素，根据每一月份的用水量及影响因素数值，对原始XGBoost算法模型进行训练，得到目标XGBoost算法模型，根据当前月份的影响因素数值，利用目标XGBoost算法模型，对用水量进行预测，得到当前月份预测用水量。本发明还提出一种基于MIC‑XGBoost算法的居民用水量预测装置、电子设备以及计算机可读存储介质。本发明可以解决单纯依靠XGBoost算法来预测居民用水量，存在着预测准确度低的问题。