关键词： 锡林郭勒盟草原区   机器学习   草地地上生物量   干旱脆弱性  

摘要： 草原生态系统作为自然生态系统的重要组成部分,为畜牧经济发展提供了重要的牧草资源,对调节气候变化和维持生态系统平衡起着非常重要的作用。锡林郭勒盟草原地处干旱/半干旱区,随着气候变化以及人类活动的影响,加之该区域较为单一的植被类型导致草原生态系统脆弱性明显增加,对其进行定量的脆弱性评价变得十分重要。草地地上生物量(Above Ground Biomass,AGB)是草原生态系统获取能量、固定二氧化碳的物质载体,代表初级生产力的基本水平,决定了草原承载草畜的能力。草地AGB的变化直接反映草原退化、草场荒漠化的程度。当前利用表征植被绿度长势的遥感指数来进行干旱脆弱性研究较多,对植被生产力开展干旱脆弱性的相关研究较少。有必要深入了解干旱胁迫下的锡林郭勒盟草地AGB的干旱脆弱性。因此,本文以锡林郭勒盟为研究区,利用多年草地AGB实测数据、气象站点数据、遥感数据等多源数据。基于机器学习方法建立了草地AGB估算模型,开展了草地AGB的反演研究,对2000～2020年锡林郭勒盟草地AGB的时空变化特征进行了分析。接着,基于气象站点数据计算了锡林郭勒盟草原短期、中期、中长期以及长期时间尺度SPEI(Standardized Precipitation Evaporation Index,SPEI),同时对其进行了时空变化特征分析。在此基础上结合干旱脆弱性理论,探究了研究区长时间尺度不同草原类型的干旱脆弱性。研究结果如下:(1)三种机器学习算法建立的草地AGB估算模型中,随机森林算法建立的模型精度最高。各种特征变量的贡献率分析结果表明,植被要素的贡献率均比较高,而地形要素的贡献率较低。2000～2020年锡林郭勒盟草地AGB整体呈现波动性增加的趋势,2013年草地AGB最高,而2009年达到草地AGB最低值。空间上草地AGB呈现从东北向西南逐渐减少的空间分布特征。各种草原类型中,典型草原AGB总量最高,草甸草原次之,荒漠草原最少。锡林郭勒盟12个下辖旗县中,东乌珠穆沁旗、西乌珠穆沁旗的草地AGB较高,苏尼特左旗、苏尼特右旗和二连浩特市的草地AGB较低。(2)2000～2020年锡林郭勒盟草原发生的累积干旱主要以轻旱为主,不同时间尺度SPEI在各种草原类型中发生的干旱存在差异。典型草原中,SPEI-3和SPEI-24发生轻度干旱的频率最高分别达到28.6%和14.3%。草甸草原中,SPEI-24发生轻度干旱的频率最高达到19.0%,SPEI-1发生中度干旱的频率最高达到14.3%,SPEI-3和SPEI-12发生严重干旱的频率最高分别达到9.5%和4.8%。荒漠草原中,SPEI-6发生轻度干旱的频率最高达到19.0%,SPEI-48发生中度干旱的频率最高达到19.1%,SPEI-1严重干旱的频率最高达到9.5%。其它草原中,SPEI-24发生轻度干旱的频率最高达到23.8%,SPEI-1发生中度干旱的频率达到19.0%,SPEI-3发生严重干旱的频率最高达到4.8%。(3)锡林郭勒盟草地AGB的暴露度分析发现,大部分区域呈现出无旱状态,2011～2015年干旱主要发生在苏尼特右旗,2016～2020年干旱主要发生在阿巴嘎旗北部。锡林郭勒盟草原干旱敏感性计算结果显示,各种草原类型中草甸草原干旱敏感性最高,荒漠草原干旱敏感性较低。干旱适应性计算结果表明,2000～2005年锡林郭勒盟草原干旱适应性最低,2011～2015年间干旱适应性普遍较高。干旱脆弱性研究结果显示,苏尼特左旗和苏尼特右旗在各个研究时间段内展现出较低的干旱脆弱性,而东乌珠穆沁旗和西乌珠穆沁旗的干旱脆弱性普遍较高。本文的研究结果,对于科学调整草畜关系、保护生态环境安全、实现草地资源可持续发展具有重要意义。

关键词： 双线隧道   地表沉降   盾构掘进参数   数值模拟   机器学习  

摘要： 中国经济的飞速发展带动了交通基础设施的高速发展,各大城市对于地铁的建设需求也不断增长。绝大多数的地铁建设采用盾构法进行施工,由此带来的地铁施工安全问题也日益受到关注,而所有盾构施工的安全指标当中,最重要的就是盾构施工造成的地表沉降,因此隧道施工地表沉降预测工作具有重要研究意义。本文以徐州地铁6号线某区间盾构掘进工程为依托,通过工程调查、现场实测、数值模拟与大数据模型计算相结合的研究方法,分析了双线隧道盾构掘进施工沉降变形规律,结合盾构监测数据开展了基于机器学习法的数值模拟和数据驱动模型计算的沉降预测,弥补了盾构掘进施工地表连续沉降预测不准确的问题,为设计人员和施工人员预测盾构掘进施工下地表沉降提供了工程意义下的视角与手段。具体研究内容与结论如下:(1)在前人研究的基础上,系统的阐述了盾构施工对土体的扰动过程及由此带来的沉降的时间空间的发展过程,依托徐州地层条件下某地铁掘进工程建立了双线隧道施工三维有限元模型,研究了双线隧道施工沉降发展规律:双线隧道沉降发展具有明显的阶段性,先掘进线的开挖会导致后掘进线出现超前沉降,沉降量约占总沉降的30%;后掘进线开挖会导致先掘进线稳定的沉降重新发展并增大约30%;双线隧道开挖过程中,隧道最大沉降点由先行线中轴线逐渐转移至双线隧道中线处。模拟结果与实测对比相差较小,说明有限元模拟方法可以较为准确预测隧道施工地表沉降。(2)建立了地质参数、隧道埋深、盾构掘进等参数下的隧道沉降敏感因素分析。研究发现:隧道埋深小于特定值时,隧道埋深的增加会导致地表沉降增加,且沉降槽形态由“W”向“U”形转变,当隧道埋深超过特定值之后,隧道埋深的增加会导致地表沉降小幅减少。对于土层弹性模量、泊松比、黏聚力、内摩擦角以及浆液弹性模量,这些参数的增加会导致地表沉降减小,但减小幅度逐渐减弱,变化呈现非线性特征,说明隧道沉降是复杂的多因素耦合作用,单个因素经历了由“显著性影响因素”到“非显著性影响因素”的变化。(3)针对有限元模拟计算的即时性,提出了基于数据驱动的机器学习建模预测,并对数据建模要素进行提取,提出盾构掘进施工数据处理流程方法,对于参数间变化规律及相关性进行分析。结果显示,盾构掘进参数变化主要受地质条件、隧道埋深、人为因素共同影响。(4)基于徐州地铁六号线某双线盾构掘进施工掘进参数数据库,对比了三种模型结构及预测原理各不相同的的三种机器学习模型—人工神经网络(BPNN)、支持向量机(SVR)及随机森林(RF)的预测结果,利用网格搜索及交叉验证法对比寻优模型超参数并对盾构地表连续沉降进行预测,将数据库中80%数据作为训练集训练模型,20%数据作为测试集用于检测模型预测效果,以均方根误差(RMSE)为评价指标确定最优预测模型。研究发现,RF模型因为其模型结构对小样本集表现出友好性,对于地表沉降的预测表现出优异的性能。基于PSO粒子群算法结合RF模型实现盾构掘进参数寻优。可以认为机器学习模型预测方法有效的弥补了过往预测方法对于连续地表沉降预测的空白。

关键词： 机器学习   恶意程序识别   集成方法   决策树   随机森林   朴素贝叶斯  

摘要： 经典机器学习方法是基于数学统计的方法,相较于深度学习而言,还有着训练时占用资源低的特点,在许多领域中被广泛应用。在混淆技术已经被广泛应用于各种恶意应用程序的当下,机器学习方法具有重要意义。恶意程序是一种具有攻击企图的程序,恶意程序经过数十年的发展,目前传统的静态检测方式已经很难奏效,主要存在以下两个原因:第一,互联网的快速发展使得每个人都能编写自己的程序,恶意攻击者可以根据已经存在的恶意程序快速生成符合自己攻击意图的新恶意程序,因此一个恶意程序可能有数十种变种。第二,混淆技术的广泛应用。机器学习或深度学习方法是目前比较常用的检测混淆或检测恶意程序的方法,然而对于检测混淆特征比较好的深度学习方法在训练时需要大量的内存空间消耗,另外也缺乏比较新颖的基于动态特征检测的方法。针对这些问题,本文提出使用一种两步检测混淆恶意程序的方案:使用朴素贝叶斯方法通过检测混淆字符串的方式检测混淆,并且针对混淆程序动态运行时调用的API顺序判断是否是恶意程序。本文的主要贡献如下:1.本文提出了一种混淆恶意程序检测方案:本文通过检测混淆字符串检测混淆程序,再使用集成的机器学习方法检测上一步中的混淆程序样本是否为恶意程序。本文改进了现有的朴素贝叶斯检测混淆字符串的方法,并且将其引入混淆程序检测中。改进后的方法使用哈希词袋法,将训练过程中占用内存空间下降了95%。2.在恶意程序检测部分,本文使用的特征为调用系统API的次序,并且首次引入决策树组成的随机森林以及朴素贝叶斯的回归stacking方法。相较于采用随机森林之前的单个决策树,绝对准确率提高了3%左右,相较于采用stacking方法之前准确率提升了2%左右。恶意程序识别多分类的准确程度达到了88.3%,达到了静态识别的准确率级别。这意味着本文提出的混淆恶意程序识别方法解决了混淆识别空间开销高的问题,并且也提升了恶意程序识别的准确率,为混淆恶意程序识别提供了一条新思路。

关键词： 苹果叶片病害   图像分类   特征提取   卷积神经网络  

摘要： 苹果是保障我国水果市场周年稳定供应最重要的大宗水果之一,而病害却严重影响着苹果产业的发展,每年导致近三成以上的苹果果实腐烂落果,造成了很大的经济损失。因此如何快速准确地分类识别出苹果叶片病害,进行精准施肥喷药等有效防治,对提高苹果单产水平和优质果率尤为重要。目前,苹果叶片病害识别大多依靠果农自身经验进行判断,带有主观性和片面性,效率低、工作强度大,精度无法保证,而且无法量化,不适用于现代标准化规模种植作业的生产实践。近几年来,机器学习算法在识别、检测任务中取得了不俗的效果,也逐渐成为了农业病害识别领域的优选方案。但对苹果叶片病害的识别研究中依然存在识别病害类型少、缺少对多种不同病害共生于同一叶片的识别、叶片图像背景单一等问题。本文以自然环境条件下单一的、多样化的苹果叶片病害图像为研究对象,并基于图像处理和机器学习方法对苹果叶片病害进行分类识别。论文主要工作如下:(1)构建苹果叶片病害数据集。从kaggle网站收集苹果叶片病害图像,收集到的数据集中,呈现单一病害的图像有5类,呈现多样化病害的图像有4类,还有健康苹果叶片类型,共有苹果叶片图像18965张。并通过图像增强的方法,平衡数据集,用于机器学习分类。(2)通过传统机器学习方法对苹果病害叶片进行分类识别。利用图像处理技术,并结合苹果叶片上不同病害种类的特征,调整HSV图像的颜色阈值,批量提取苹果叶片图像的病斑。提取病斑图像的颜色、形状、纹理特征值,并将不同维度的特征值融合、降维,在以RBF(径向基函数)作为核函数的SVM分类器上平均准确率达92%。(3)提出一种新的Multiple-BotNet网络模型。在BotNet50网络模型的结构上加入SE、MHSA注意力机制模块用于增强模型对苹果叶片病斑特征的关注度,并通过更换激活函数,融合损失函数的策略,提高模型的准确率。在训练集上,与其他五种卷积网络模型进行对比,性能有明显地提升,较原BotNet50网络模型准确率提升了6%。在测试集中,测试精度达到94.03%,表明该模型对苹果叶片病害实现了较精准的识别。(4)开发苹果叶片病害识别系统。为了方便用户操作和分类结果的可视化,进行基于Pyqt5的苹果叶片病害识别系统的开发。该界面判断病害图像耗费时间0.8s左右,且简洁、易于用户使用。

关键词： 脑卒中   非平衡数据   机器学习   风险预测  

摘要： 当脑血管突然破裂或者由于血管堵塞造成部分血液不能流向大脑时,就会引起脑卒中。没有血液供应,脑细胞会逐渐死亡,进而大脑区域会受到影响并致使残疾。若能早期识别卒中症状,并且及时地进行干预治疗,那么对于提升患者的治疗效果以及减少患者伤残率都有重要的意义。为此本文选取了部分机器学习算法来构建脑卒中预测模型,为预测脑卒中发生风险设计了一个优异的框架,用以辅助医生进行诊治决策,期望能最大化实现对患者病情的早期预防和治疗。本文研究的主要内容如下:基于重采样方法的数据平衡。首先,对healthcare-dataset-stroke-data公开脑卒中数据集进行数据预处理,包括数据清理、均值填充、数据规范,采用两种重采样方法解决脑卒中数据集的数据不平衡问题。确定十个特征指标作为机器学习算法模型的输入,中风特征指标作为机器学习算法模型的目标预测类别。将采用欠采样和过采样方法处理后的平衡数据,分别输入到支持向量机、随机森林、逻辑回归算法构建的脑卒中预测模型中,并且,比较分析两种重采样方法优化前后的预测结果。试验结果表明,平衡后的数据明显提升了预测模型的分类性能,且SMOTE算法处理后的数据在分类预测模型中的准确率、精确度、召回率和ROC值都是最高的。基于机器学习算法构建脑卒中风险预测模型。采用部分机器学习算法构建一个堆叠(Stacking)算法模型,将优化后的数据集输入到支持向量机、随机森林、逻辑回归和堆叠算法模型中对疾病风险进行预测。从实验结果可以看出,Stacking-SMOTE算法预测模型的准确率、精确度、ROC值都比单一分类器算法预测模型更优。并且将本研究的结果与相同数据集下的研究结果进行了比较,本研究的方法明显优于其他研究方法的分类性能。此外,Stacking算法利用可解释机器学习技术来理解模型对临床预测的适用性,可以揭示预测结果背后的原因。深度学习算法和经典机器学习算法在预测卒中风险时的性能对比。首先对公开的The International Stroke Trial数据集进行数据预处理,然后采用几种深度学习方法和机器学习方法分别构建卒中风险预测模型,并将它们的预测结果进行比较,最后分析得出结论:深度学习算法在脑卒中风险预测方面的性能并不优于经典机器学习算法。

关键词： 水下接触爆炸   机器学习   深度神经网络   快速预测   塑性断裂  

摘要： 水下接触爆炸所产生冲击波载荷、气泡脉动载荷和射流载荷等会对舰船结构造成不同程度的毁伤,严重威胁舰船生命力。目前数值计算方法广泛应用于水下接触爆炸载荷下舰船防护及毁伤方面的研究中,但是计算一个工况需耗费数十甚至上百个小时,不适合在战场条件下对舰船的毁伤情况进行快速预测及评估。因此,本文基于数值仿真结果,引入了机器学习方法以实现对舰船毁伤效果快速准确地预测,这具有极其重要的军事和工程意义。然而机器学习方法多种多样,选取适当的机器学习模型以及最优的机器学习模型超参数,对提高水下接触爆炸载荷下船体结构的毁伤特性预测精度同样意义重大。本文首先介绍了水下爆炸的基本过程、物理现象、载荷特性以及所使用的任意拉格朗日-欧拉(Arbitrary Lagrangian-Eulerian,ALE)方法的基本理论,并将ALE数值模拟结果与气泡统一理论计算结果以及试验结果进行了对比验证。并给出了评价机器学习模型预测性能的相关准则,介绍了六种的机器学习算法的基本原理、实现流程和具体参数。针对机器学习模型选取的问题,以高精度数值模拟建立的水下接触爆炸载荷下船体板架结构破口尺寸数据库为基础,建立了六种不同类型的机器学习模型,分别讨论了这六种模型最优的超参数配置,并对这六种最优的机器学习模型预测精度进行了比较,发现三层隐含层的深度神经网络模型预测性能最佳,其预测结果的平均相对误差为1.3%。针对船体板架结构毁伤特性的高精度预测问题,基于深度神经网络模型对水下接触爆炸载荷下船体板架结构破口边界、破口以外区域的塑性变形及塑性应变进行预测。通过单隐含层神经元计算经验公式以及试错法,研究了隐含层层数、隐含层神经元数量和隐含层神经元分布对模型预测性能的影响,最优的深度神经网络模型所预测的板架结构的破口边界、破口周边塑性变形和塑性应变的平均相对误差分别为0.4%、2.1%和15.6%。针对更复杂的舱段结构在受到水下兵器不同攻角、药量和爆距攻击下的毁伤特性的预测问题,采用深度神经网络模型对舱段结构破口边界、塑性变形和塑性应变的样本数据进行学习,仍通过单隐含层神经元计算经验公式与试错法相结合的方式,研究了隐含层层数、隐含层神经元数目及分布形式对预测性能的影响,确定了最优的神经网络模型,其对舱段模型破口尺寸、破口周边塑性变形和塑性应变的预测结果的平均相对误差分别是2.6%、3.9%和17.2%。

关键词： 机器学习   异常检测   孤立森林   集成学习  

摘要： 网络的飞速发展,给人们的工作与生活带来了便利。然而,网络也随时遭受着攻击,安全形势严峻。与此同时,大数据时代背景下的高维数据使得数据分析与计算所需的时间复杂度越来越高。因此,研究出能够进行高效异常检测的方法与框架具有十分重要的意义。其中,机器学习算法以高效率、高精准度的优点在异常检测领域得到了广泛的使用。本文的工作内容为机器学习方法在网络异常检测领域的研究与应用。本课题调研和分析了近几年网络异常的分类以及异常数量的增长情况,研究了用于异常检测的机器学习算法,并设计了一种基于机器学习方法的异常检测框架。使用了一种基于Boruta算法和相关系数计算的分层特征选择方法对数据集进行处理,并对模型训练效率进行对比分析;使用了孤立森林算法(Isolation Forest,IF)、扩展孤立森林算法(Extended Isolation Forest,EIF)对数据集进行训练与预测,并使用混淆矩阵等评价指标对结果进行评估;提出了两种不同的改进方案,包括混合型孤立森林(Mixed Isolation Forest,MIF)和级联型异常检测数据评分方式,并与多种算法进行横向对比实验。本文的具体工作内容如下:首先,本文按照攻击类型对CIC-IDS-2017数据集进行划分,总共得到4个数据集。之后,使用了一种分层特征选择方法对数据集进行处理,该方法综合了 Boruta算法和相关系数计算的数据处理结果。通过实验验证了分层特征选择方法对模型训练效率的提升效果。实验表明,本文所使用的方法可以有效提高模型的训练效率,平均训练时间为7.214秒,在不影响模型检测精准度的条件下,相较于原始数据集的平均训练时间减少了 43.25%。其次,本文研究了扩展孤立森林中的扩展度对模型训练效果的影响。结果表明,扩展孤立森林算法在不同扩展度下均可以达到较好的异常检测效果,平均AUC超过了 0.9220。在此实验的基础上,本文分别使用孤立森林、扩展孤立森林在4个数据集上进行训练与预测。结果表明,两种算法在4个数据集上均能达到较好的检测精准度。其中,孤立森林算法的平均AUC值为0.8823,扩展孤立森林算法的平均AUC值为0.8890。最后,为了进一步提高异常检测的精准度,本文提出了两种不同的改进方案,包括混合型孤立森林和级联型异常检测数据评分方式。一方面,混合型孤立森林综合了数据在孤立森林、扩展孤立森林中的路径长度,最后对综合路径进行异常评分。结果表明,混合型孤立森林在4个数据集上的平均AUC值提高到了 0.8999,相较于孤立森林与扩展孤立森林的AUC值有一定的提升。另一方面,级联型异常检测数据评分方式将基学习器进行集成,并与孤立森林等算法进行级联,从而进行综合的数据评分与预测。通过设置横向对比实验可以得知,级联型异常检测数据评分方式可以进一步提高检测的精准度。综合上述完成的工作,本文设计的基于机器学习方法的异常检测框架,能够明显提升模型训练效率,并且能够提高一定的异常检测精准度,因此在异常检测领域具有一定的应用价值。

关键词： 机器学习方法   杨树抗涝性   GPI指数   特征重要性  

摘要： 杨树因其自身耐涝性强、适应性高和品种繁多的特点,在我国大片地区尤其是北方广泛种植,具有很高的生态价值、科研价值和经济价值。洪涝灾害长期困扰我国植物生态环境和栖息地发展,这一问题在长江中下游地区尤为突出。因此,分析和筛选与杨树耐涝性相关的重要特征以及抗逆选种工作对于我国植物生态环境保护和经济社会发展具有非常重要的意义。本研究首先基于20种杨树在涝渍实验前后苗高、地径和生物量的变化值,在完成缺失值、异常值、离群值等数据预处理之后,对三个指标分别进行正态性检验和参数检验(方差分析、T检验)以及非参数检验(曼-惠特尼U检验),筛选出具有显著差异的杨树抗涝性指标。同时将通过上述检验的指标,利用抗涝系数加权构建出衡量杨树抗涝性的新指标,还利用聚类分析树形图方法将杨树品种加入到影响杨树抗涝性的研究中。其次,对专家筛选后的26个杨树特征利用递归特征消除法做进一步筛选,再选取5种机器学习模型(XGBoost、Light GBM、Gradient Boost、Decision Tree和Ada Boost)以及融合模型对20个杨树品种的13个特征进行建模分析。然后,利用拟合优度、可解释性方差分数、均方根误差和平均绝对误差分别对各个模型在训练集和测试集的建模效果进行评估分析,其中模型Light GBM和模型Gradient Boost表现效果最为优异,并利用GPI指数对各个模型在测试集方面进行评价。模型评估结果表明,除融合模型外,单一模型中Light GBM模型和Gradient Boost模型的GPI指数最高,而且两个模型在训练集的判决系数都超过了0.96。在测试集方面,拟合效果最好的Light GBM模型的拟合优度是0.8433,可解释方差分数是0.9237,平均绝对误差是0.1680,均方根误差是0.2346。最后,利用Permutation＿Importance和平均SHAP值对Light GBM模型和Gradient Boost模型的特征重要性进行分析,并结合生物特征因素分析特征重要性。其中Light GBM模型利用两种方法进行特征排序时,两种方法筛选的前10个特征完全相同,故Fm、HOS和Fo等特征在对抗涝性指标所建立的模型中重要性程度更高。综上所述,本研究提出的抗涝性指标以及相关回归模型在预测方面精确度和效率更高,分析出了影响杨树抗涝性能力的重要特征及其特征排序。这些对进一步预测杨树抗涝性和选择强抗涝性的品种具有重要意义,也对开展抗涝性杨树品种种植和实现碳中和目标提供了一定的参考价值。

关键词： 初期产能   主控因素分析   机器学习   集成学习  

摘要： 随着人工智能技术的不断发展,机器学习在油气领域的应用不断扩大和深化。机器学习以数据为基础,为预测初期产能提供了新的思路。海上砂岩油藏定向井初期产能影响因素差异较大,使用传统产能预测方法泛化能力较低,难以有效地实现规模性预测。然而机器学习将初期产能的预测重点转移到数据特征上,避免了传统预测方法对数据和模型的过度依赖问题,使得机器学习的预测结果更具有普适性。本文介绍了机器学习预测初期产能的研究框架,明确了油气大数据分析利用的一般流程和主要方向,并对机器学习的建模过程和预测过程进行了研究。机器学习需要较高质量的数据来训练模型,但现实中的数据常常存在数据缺失、数据异常和噪声等问题,这会严重影响机器学习的预测性能和准确性,因此需要进行数据预处理。通过主控因素分析,本文确定了研究区初期产能的主要受控因素为渗透率、含油饱和度、孔隙度和含水率,表明该区域储集层岩石对流体的传导性能、石油在岩石孔隙中所占的空间体积、岩石的储集性能和油井出水状况对初期产能有着决定性作用。通过对机器学习模型预测初期产能的结果分析,可知线性回归模型不适用于复杂生产和地质条件下的初产预测。BP神经网络随着不断地调整神经元之间的连接权重,使得网络对训练数据的拟合能力不断增强,但模型容易产生过拟合问题,导致模型最终的预测效果不佳。尽管支持向量机模型可以提高预测效果,但与多元线性回归模型和BP神经网络模型类似,均存在预测初期产能较大数据时预测结果偏差较大的问题,故采用对“离群点”预测效果更好的CART回归树模型,发现树模型使得整体预测效果进一步提升。最后本文提出了一种新的集成算法——基于特征相似度的模型选择集成算法,通过融合不同基学习器在部分井上的预测优势,实现了精细化预测,从而使得整体的预测效果更佳。通过对不同机器学习预测模型的对比和优选,最终认为集成学习具有稳定的预测性能与良好的预测效果,可以考虑用于实际油田中,并为初期产能预测提供新的预测方案。