matlab listwise,数学建模大赛一等奖作品.doc

数学建模大赛一等奖作品.doc

PAGE 1

数学建模论文

队伍名称

三人行

姓名

院、系、专业

联系方式

队伍成员

交通与物流工程

交通与物流工程

交通与物流工程

高速公路道路交通事故分析预测

摘 要

我国目前的道路交通安全状况相对于世界水平要差得多,高速公路道路交通事故所造成的损失非常高。因此,改善交通安全状况、预防和减少高速公路交通事故具有重大的现实意义。针对这样的现状,我们必须进行高速公路交通事故的预测,从而及早采取措施进行预防工作,从而减少事故发生次数及损失程度。

针对此次建模的要求,在对此问题的深入研究下,我们提出了合理的假设,将本问题归结为一个预测分析的问题,其基本思想是通过聚类分析、SPSS软件求解、GM(1,1)灰色预测模型、多元线性回归分析,组合模型等方法的运用得到最优的预测结果。

针对问题一,我们首先运用了聚类分析的思想,建立了基于聚类分析的模型Ⅰ,通过聚类分析方法对给定的信息的筛选、加工、延伸和扩展,从而将评价对象确定在某一范围内,通过了该方法,最终得到了各类评价等级方法,为科学预测交通事故提供了依据。

针对问题二,本文选取受伤人数这一单项指标作为预测的对象,首先运用了GM(1,1)灰色预测模型,建立模型Ⅱ,通过对给定的事故原始数据,通过MATLAB软件预测了五年内的交通事故受伤人数;运用多元线性回归方法建立模型Ⅲ,在模型Ⅱ和模型Ⅲ的基础之上,通过基于组合模型思想的模型Ⅳ,求解得出了交通事故受伤人数在五年内的预测。

关键词:SPSS聚类分析 GM(1,1)灰色预测模型 组合预测模型 MATLAB

目录

TOC \o "1-3" \h \z \u HYPERLINK \l _Toc29490 一.问题重述 PAGEREF _Toc29490 3

HYPERLINK \l _Toc24563 二.问题的分析 PAGEREF _Toc24563 4

HYPERLINK \l _Toc32583 三.模型假设与符号系统 PAGEREF _Toc32583 5

HYPERLINK \l _Toc26612 3.1模型假设 PAGEREF _Toc26612 5

HYPERLINK \l _Toc13212 3.2符号系统 PAGEREF _Toc13212 6

HYPERLINK \l _Toc29316 四.模型的建立及求解 PAGEREF _Toc29316 7

HYPERLINK \l _Toc30556 4.1 问题一 PAGEREF _Toc30556 7

HYPERLINK \l _Toc28309 4.1.1建立模型Ⅰ PAGEREF _Toc28309 7

HYPERLINK \l _Toc22617 4.1.2模型Ⅰ的求解及结果 PAGEREF _Toc22617 8

HYPERLINK \l _Toc19123 4.1.3实验结果的分析说明 PAGEREF _Toc19123 9

HYPERLINK \l _Toc19176 4.2 问题二 PAGEREF _Toc19176 12

HYPERLINK \l _Toc20971 4.2.1建立GM(1,1)模型Ⅱ PAGEREF _Toc20971 12

HYPERLINK \l _Toc15789 4.2.2 用MATLAB求解模型Ⅱ PAGEREF _Toc15789 16

HYPERLINK \l _Toc28921 4.2.3 建立模型Ⅲ PAGEREF _Toc28921 19

HYPERLINK \l _Toc18571 4.2.4 建立优化模型Ⅳ PAGEREF _Toc18571 20

HYPERLINK \l _Toc11749 4.2.5最优组合模型的求解 PAGEREF _Toc11749 21

HYPERLINK \l _Toc14424 五.模型的评价 PAGEREF _Toc14424 22

HYPERLINK \l _Toc11630 参考文献 PAGEREF _Toc11630 23

HYPERLINK \l _Toc1292 附录 PAGEREF _Toc1292 24

一.问题重述

随着道路交通事业的发展,高速公路HYPERLINK "/news/list-1297.html" \t "_blank" 交通事故也在不断增加,对人类的生命和财产HYPERLINK "/news/list-1292.html" \t "_blank" 安全构成了极大的威胁。我国目前的道路HYPERLINK "/" \t "_blank" 交通安全状况相对于世界水平要差得多,高速公路道路交通事故所造成的损失非常高。

  • 0
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
XGBoost是一种常用的机器学习框架,可以用于排序任务,包括listwise排序。 listwise排序是一种相对较复杂的排序方式,它的目标是对整个排名列表进行优化,而不是单个文档。因此,listwise排序需要使用特殊的代价函数来训练模型。 下面是一个简单的使用XGBoost实现listwise排序的例子: ```python import xgboost as xgb import numpy as np # 构造训练数据 train_data = [ (np.array([1, 2, 3]), 1), (np.array([2, 3, 1]), 2), (np.array([3, 2, 1]), 3) ] # 定义代价函数 def listwise_cost(y_true, y_pred): # 计算所有文档的平均评分 avg_score = np.mean(y_true) # 计算代价 cost = np.sum((y_true - y_pred)**2) - len(y_true)*(avg_score - np.mean(y_pred))**2 return cost # 定义模型参数 params = { 'objective': 'rank:ndcg', 'eval_metric': 'ndcg@5', 'learning_rate': 0.1, 'max_depth': 3, 'n_estimators': 100 } # 训练模型 model = xgb.sklearn.XGBRanker(**params) model.fit(X=np.array([x[0] for x in train_data]), y=np.array([x[1] for x in train_data]), group=[len(train_data)]) # 预测 test_data = np.array([4, 5, 6]) y_pred = model.predict(test_data.reshape(1, -1)) print(y_pred) ``` 在这个例子中,我们使用了XGBoost的Ranker模型,并定义了代价函数listwise_cost。我们使用NDCG作为评价指标,并使用XGBoost默认的NDCG代价函数进行优化。我们还使用了group参数来指定每个query中的文档数。 在训练模型时,我们传入了X和y数组,其中X是一个二维数组,每行代表一个query的所有文档的特征向量,y是一个一维数组,代表每个文档的评分。我们还传入了group参数,它是一个一维数组,代表每个query中的文档数。 最后,我们使用训练好的模型对一个新的query进行预测,并输出预测结果。 需要注意的是,listwise排序是一种比较复杂的排序方式,需要针对具体的业务场景进行调整和优化。上面的例子只是一个简单的示例,实际应用中需要根据具体情况进行调整。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值