模型的评价24年五一杯数学建模竞赛特等奖.pdfVIP

1模型的评价

1.1模型的优点

（1）本文采用的指数平滑模型，特别是其阻尼趋势模型变体，已被证实在捕捉时间序

列数据的特征变化方面具有显著优势。相较于传统的ARIMA模型，该方法展现出更高的

灵活性，使其能够更加精准地处理那些带有明显特征的时间序列数据。这种模型的适用性

不局限于单一领域，而是广泛适用于多个不同领域的时间序列特征分析。特别地，它在对

那些具有复杂特征性的数据集进行分析时，能够提供更为精细和准确的调整，从而提高了

预测的准确性和模型的适用性。

（2）本文采用多个模型（GBDT、XGBoost、RUSBoost）建立采集的电磁辐射和声发

射数据信号识别预测模型，GBDT模型是通过不断代地进行数据优化，改善了采集的电磁

辐射和声发射数据识别预测不充分。GBDT模型能够对不同的特征及数值特征进行自动的

处理，特征工程工作量减小，增强采集的电磁辐射和声发射数据信号识别预测功能。

（3）在对多模型预测问题上采用敏感度分析和稳健性检验，对初预测结果以绝对误差

和为目标函数的线性组合进行优化处理，有助于降低模型识别的风险性。

1.2模型的不足

（1）本文在GBDT模型的研究上，需要提前对数据的异常值进行处理。如果存在异常

值将会导致预测的数据出现偏差。需要进一步提升预测的性能。在实际的场景中，错误的

[22]

预测可能导致较大的风险，因此提升预测的性能十分有必要。

（2）本文采用的ARIMA模型对数据中的异常值较为敏感，容易受到异常值的影响，

在长期预测时可能存在不稳定性。而且当时间序列数据较大时，ARIMA模型的计算复杂度

较高。同时只能捕捉时间序列数据的局部特征，无法考虑全局因素。

参考文献

[1]陆娅楠.我国原煤产量实现正增长[EB/OL].(2018-03-20)/2018-03-22,

[2]李慧.2017年中国能源行业形势与2018年展望[EB/OL].(2018-02-26)/2018-03-22.

[3]BessingerSL.NelsonMG.RemnantRoofCoalThicknessMeasurementwithPassiveGamma

RayInstrumentsinCoalMining[C].ProceedingsoftheIEEE/IASAnnualMeeting,W.V.

USA.SaltLakeCity:SocietyofMiningEngineersofAIME,LittleonCo,1990:27-34.

[4]孟宪锐，吴昊天，王国斌.我国厚煤层采煤技术的发展及采煤方法的选择[J].煤炭工

程,2014,46(10)：43-47.

[5]朱世刚.综放工作面煤岩性状识别方法研究[D].北京：中国矿业大学（北京），2014..

[6]王家臣，仲淑姮.我国厚煤层开采技术现状及需要解决的关键问题[J].中国科技论文在

线,2008,3（11）：829-834.

[7]孟宪锐，王鸿鹏，刘朝晖，等.我国厚煤层开采方法的选择原则与发展现状[J].煤炭科学

技术2009,37(1)：39-45..

[8]TianpeiXu,YingMa,KangchulKim.TelecomChurnPredictionSystemBasedon

EnsembleLearningUsingFeatureGrouping[J].Appl.Sci,2021,11(11):42-47.

[9]S.伯恩斯坦,R.伯恩斯坦.统计学原理.上册,描述性统计学与概率[M].科学出版社,2002.

1

[10]宋庆军.综放工作面放煤自动化技术的研究与应用[D].中国矿业大学,2015.

[11]Jain,A.K.,andR.C.Dubes.Algorithmsforclusteringdata.Technometrics