文档名：面向集成学习的航班离港延误状态预测
摘要：为了消除特征维度不足和稀疏数据对预测模型带来的负面影响,提出一种基于奇异值分解(SVD)和集成学习的航班离港延误预测方法.使用SVD对类别特征信息挖掘的同时,增加特征维度;采用LightGBM作为集成学习的特征转换器,将树中每个叶节点信息作为特征向量送入到Logistic模型进行离港延误预测.实验结果表明:SVD和集成学习方法均能够大幅度提高预测准确度,准确度达94.9％,为航空枢纽提供重要的参考和使用价值.
作者：晋百川 杨鸿波 侯霞 罗杰 胡大胆 Author：JINBaichuan YANGHongbo HOUXia LUOJie HUDadan
作者单位：北京信息科技大学自动化学院,北京100192北京信息科技大学计算机学院,北京100101
刊名：传感器与微系统 ISTICPKU
Journal：TransducerandMicrosystemTechnologies
年，卷(期)：2023, 42(9)
分类号：TP181TP391
关键词：奇异值分解 集成学习 LightGBM模型 Logistic模型 特征转换
Keywords：singularvaluedecomposition(SVD) ensemblelearning LightGBMmodel Logisticmodel featuretransform
机标分类号：TP309TP277TH122
在线出版日期：2023年9月26日
基金项目：面向集成学习的航班离港延误状态预测[
期刊论文] 传感器与微系统--2023, 42(9)晋百川 杨鸿波 侯霞 罗杰 胡大胆为了消除特征维度不足和稀疏数据对预测模型带来的负面影响,提出一种基于奇异值分解(SVD)和集成学习的航班离港延误预测方法.使用SVD对类别特征信息挖掘的同时,增加特征维度;采用LightGBM作为集成学习的特征转换器,将树...参考文献和引证文献
参考文献
引证文献
本文读者也读过
相似文献
相关博文
面向集成学习的航班离港延误状态预测 Prediction of flight departure delay state based on ensemble learning
面向集成学习的航班离港延误状态预测.pdf
- 文件大小:
- 566.65 KB
- 下载次数:
- 60
-
高速下载
|
