给大家分享5篇关于回归预测的计算机专业论文

今天分享的是关于回归预测的5篇计算机毕业论文范文, 如果你的论文涉及到回归预测等主题,本文能够帮助到你

面向地面复杂作业的航班起飞时间预测方法研究与实现

这是一篇关于机器学习,深度学习,回归预测,卷积神经网络,特征提取的论文, 主要内容为航班起飞时间预测对于航空资源管理具有重要意义。从资源和作业的角度,通过不同类型资源数量的配置,预测航班起飞完成时间可以为决策提供依据。这样不仅能够达到相应的作业时间要求,还能够控制成本。在当前疫情冲击的经济环境中,各行各业都需要控制资源成本,从而求得稳步发展。本文主要从资源和作业的角度预测多架飞机从任意时刻开始,直到所有飞机完成起飞动作的总时间。本文的研究内容主要包括以下几个方面:(1)构建具有多样性的航班起飞时间预测数据集并进行特征构造。首先,针对航班起飞仿真系统不完善的问题,分析问题关键因素,完善仿真系统组件,使得仿真系统更符合本文研究。其次,针对仿真系统单次运行仅生成一条数据的问题,在单条数据的基础上,提出时间片划分的方法有效进行数据扩充。然而,每条数据即使扩充之后也属于同一种资源场景信息、作业流程模板下的数据,又因为实际场景采集数据困难,仿真系统生成数据的数量也受到限制,在这种限制下,为了提高仿真系统生成数据多样性,提出两种数据生成策略。最后,针对特征长度不同的问题,提出了特征补齐的方法,对传统机器学习和卷积神经网络分别进行了特征构建。(2)针对航班起飞时间预测问题,结合应用背景和数据特点,提出了一种简洁有效的KMeans-Cart模型。考虑到本文数据特点:高度相关的中小型表格数据,设计了探索性实验,发现CART和随机森林模型更契合本文数据特点,进一步考虑到不同时间段样本数据预测难度不同,一起训练反而相互影响的问题,设计了KMeans-Cart模型,利用数据特征相似性对数据进行聚类,然后分别对各个簇进行训练和预测,提高了模型预测的准确性。(3)设计并实现航班起飞时间预测可视化系统。采用前后端分离的设计,结合Flask框架、Vue框架、Echarts组件等技术,实现了系统的实时动态可视化,并保证了系统的耦合性和可扩展性。通过可视化系统能够进一步辅助决策者快速了解机场状态信息并及时做出相应的决策,同时能够对预测模型的有效性进行验证。

重要产品追溯城市平台设计与实现

这是一篇关于追溯数据,数据挖掘,关联规则,聚类分析,回归预测的论文, 主要内容为产品的追溯数据是产品在市场流通过程中所采集的产品交易信息、商家信息、检验信息等各种重要数据。如何对追溯数据进行管理、查询和分析是追溯体系建设最受关注的课题之一。本文综述国内外追溯体系建设和追溯数据分析现状,针对目前追溯数据的分析和管理存在的不足,构建了基于SSM(Spring+Spring MVC+My Batis)框架的重要产品追溯城市平台,并重点提出了融合数据挖掘方法的追溯数据分析模型。创新性工作包括:(1)提出运用数据挖掘方法从多角度分析追溯数据。通过k-means与改进的k-means方法对产品的特征进行聚类分析,比较不同聚类算法的优劣,给出合理的聚类效果,保证追溯数据的可靠性、有效性;通过Apriori和FP-growth算法对重金属污染检测结果进行关联分析,针对性地处理改善产品,保证产品的质量安全。(2)提出一种将PCA(Principal Component Analysis)降维与SVR(Support Vector Regression)相结合的方法,对追溯数据进行回归预测。实验基于追溯数据中产品的物理化学特征,运用SVR构建预测模型。运用敏感性分析对特征的重要性进行分析,以此为结论对原始数据运用PCA进行降维,使最终模型取得较好的结果,分析出重要的特征,并减少计算量。

基于相关向量机的公交车队规模预测方法

这是一篇关于公交车队规模,时刻表编制,机器学习,回归预测,单线路特征,多核RVM,在线RVM,逆差函数的论文, 主要内容为随着城市的快速发展,城市交通问题日益严重,迫使人们优先发展城市公共交通。与此同时,国内对公交行车时刻表的编制普遍还停留在手工编制阶段,该方法繁琐而复杂,需要耗费大量的时间,且难以进行快速调整。另外,公交公司在新线路规划之初,需要获得公交车队规模,其一般是在手工编制的行车时刻表的基础上进行计算,该方法效率低下。针对传统公交车队规模计算方法的不足,在不需要公交行车时刻表的前提下,本文总结单线路规划的特征向量,提出基于相关向量机(Relevance Vector Machine,RVM)的公交车队规模预测方法。该方法与经典的预测方法(如:支持向量回归机(Support Vector Regression,SVR)等)相比,具有模型更稀疏、预测时间更短等优点,并且适用于小样本的情况。本文主要内容如下:1、现有公交线路缺乏完整的规划参数,本文根据公交单线路规划的特点和行车时刻表,提取相关规划参数,并总结了线路规划的特征向量。2、基于上述所总结的特征向量,构建基于单核RVM模型进行公交车队规模的预测,并采用遗传算法(Genetic Algorithm,GA)对单核RVM所用核函数的核参数进行优化。3、由于单核RVM方法对数据敏感性较高,泛化能力以及鲁棒性差。本文基于多核混合思想,提出了多核RVM模型。该模型通过多个单核RVM线性组合的方法来预测公交车队规模,并采用GA进行线性组合系数的优化。实验结果表明该方法与单核RVM方法相比,具有预测精度更高、泛化能力更强等优点。4、由于公交线路随时间的推移而逐渐规划,是一个增量式的过程,因此本文在Tipping提出的快速边际似然算法的基础上,构建在线学习模型,并将其应用于公交车队规模预测。5、为了与上述的RVM预测方法做比较,本文设计了一个启发式的行车时刻表编制算法,然后基于逆差函数计算所需公交车队规模。另外,开发了一个基于SSH框架的Web应用系统,将行车时刻表编制算法整合到系统之中。结果表明,该算法复杂且需要人工再优化,虽然其计算准确,但在时效性上远低于基于RVM的预测方法。本文面向厦门公交的线路规划,从厦门无线城市掌上公交系统上获取公交线路的规划参数和行车时刻表,计算和提取相关特征,并对提出的公交车队规模预测方法进行实验分析。实验结果表明:本文提出的方法能较准确地预测公交车队规模。