关键词： 碳排放效率   机器学习   SBM模型   Malmquist指数分解法   驱动因素   区域异质性  

摘要： 城市碳排放效率及其驱动因素的合理分类和评估,对应对我国碳排放问题至关重要。揭示城市碳排放效率的空间分布特征及不同类型城市和区域碳排放效率驱动因素之间的差异,基于超效率SBM模型和Malmquist指数分解法测算2009—2022年期间283个城市的碳排放效率,同时应用机器学习方法识别城市特征,以确定城市发展类型及其特征驱动因素的影响。基于城市碳排放效率异质性结果,提出针对性的减排发展路径,以指导城市低碳发展,制定减碳政策。

关键词： 数据流挖掘   在线学习   特征演化   集成学习  

摘要： 特征继承性数据流的特征空间随时间推移不断变化，新特征加入，旧特征部分消失、部分被继承保留。此类场景限制了传统数据流分类方法的有效性，二阶在线学习方法在以往数据流分类任务中展现出较强的预测性能，但难以直接应用于特征动态变化的数据流场景。为此，提出一种面向特征继承性数据流的在线学习方法（EOLB）：首先，在消失特征与继承特征上分别构建自适应权重正则化的二阶在线学习模型，为提升训练效率，使用伯努利采样挑选决策边界附近的数据样本来训练模型；其次，在新增特征上建立新的分类模型，并利用消失特征与继承特征上模型的预测信息来加速模型优化；最后，为进一步提高预测性能，运用动态加权集成策略实现在继承特征与新增特征上2个模型的共同预测。仿真实验结果表明，该方法分类准确率相较于对比方法平均提升约4.6%，在减少模型更新的同时提高了预测精度，从而验证了该方法是有效的。

关键词： 历史学科核心素养   深度学习   学习方法   高中历史  

摘要： 新时期高中历史学习应秉承新的学习理念,与时俱进,以培养和提升学生的历史学科核心素养为目标。深度学习是以学生为主体的学习方法,能够提高学生的学习效果和学习水平。因此,我们应在高中历史学习中应用深度学习方法,引导学生自主探究,深度挖掘历史知识之间的联系,拓展知识的深度和广度,探究历史学科的本质。

关键词： 在线学习   意义建构   影响因素   逻辑机理  

摘要： 基于Z大学学情调查问卷,以建构主义学习理论为基础,采用Ordered-Logit模型分析自主学习、学习共同体、情境创设对在线学习效果的影响,并运用逐步回归法检验意义建构的中介效应。研究表明:自主学习、学习共同体、情境创设均对在线学习效果产生显著的正向影响,且意义建构在自主学习、学习共同体、情境创设三者与学习效果之间起到部分中介作用。研究发现强调了意义建构对于高校在线学习的重要性,提出基于建构主义学习理论的在线教学设计,进一步丰富了在线学习影响机制研究,有助于明确学生学习、教师教学、社会支持等提升在线学习效果方面的着力点,对提高我国教育教学质量有参考意义。

关键词： 多智能体深度强化学习   两团队零和马尔科夫博弈   最大熵   值分解  

摘要： 在两团队零和马尔科夫博弈中,一组玩家通过合作与另一组玩家进行对抗.由于对手行为的不确定性和复杂的团队内部合作关系,在高采样成本的任务中快速识别优势的分布式策略仍然具有挑战性.鉴于此,提出一种熵引导的极小极大值分解(Entropy-guided minimax factorization,EGMF)强化学习方法,在线学习队内合作和队间对抗的策略.首先,提出基于极小极大值分解的多智能体执行器−评估器框架,在高采样成本的、不限动作空间的任务中,提升优化效率和博弈性能;其次,引入最大熵使智能体可以更充分地探索状态空间,避免在线学习过程收敛到局部最优;此外,策略在时间域累加的熵值用于评估策略的熵,并将其与分解的个体独立Q函数结合用于策略改进;最后,在多种博弈仿真场景和一个实体机器人任务平台上进行方法验证,并与其他基线方法进行比较.结果显示EGMF可以在更少样本下学到更具有对抗性能的两团队博弈策略.

关键词： 检验检测   乙醇汽油   红外光谱  

摘要： 为了解决乙醇汽油国标检测项目中传统的以气相色谱为主的检测方法存在的速度慢、流程繁琐和仪器维护成本高等问题,本文提出了一种基于小样本机器学习的乙醇汽油近红外光谱快速分析方法。在建模过程中,巧妙地使用UVE特征提取算法来提取与待测物质相关的复杂近红外光谱中的特征吸收峰,从而大幅降低后续建模所需样本数和难度。根据实验结果,在真实乙醇汽油样本检测中,该方法得到的模型预测结果与气相色谱标准测试结果之间绝对误差不超过0.3,相对误差不大于10%。这种方法有效地解决了一般化学计量学多元校正方法建模工作量大、模型稳健性差等问题,对于开发适用于现场油品快速检测并加强我国汽油质量监管力度具有重要意义。

关键词： 冻雨   自动识别   机器学习   随机森林   毫米波云雷达  

摘要： 现行气象观测业务中尚缺乏对冻雨天气现象的自动监测,研究引入随机森林机器学习方法,利用Ka波段毫米波云雷达的观测数据,建立了冻雨现象的自动识别方法,为弥补观测业务中冻雨的自动识别和连续观测的缺乏提供一种可能。研究首先分析了2024年2月武汉地区的2次雨雪冰冻天气过程中不同降水现象(雨、冻雨、雪和雨夹雪)的Ka波段毫米波云雷达的回波强度、偏度值的分布特征,发现在数值范围和垂直高度分布上存在显著差异,由此确定回波强度、偏度及近地面气温作为识别变量。针对武汉地区、贵州地区多个雨雪冰冻过程分别建立RF机器学习方法的冻雨现象自动识别模型,经训练和验证计算,测试识别准确率(A _(cc))均超90%、冻雨命中率均超80%,使用独立的冻雨实例进行检验,检验A _(cc)可达到80%。与现行观测业务中电线积冰人工观测比较,该方法可以自动连续地识别分钟级冻雨现象,具备业务应用可行性。由于冻雨发生时的毫米波云雷达回波强度和偏度的地域特征明显,需要使用不同地区的冻雨样本数据建立针对不同地区的识别模型,扩充样本和优化模型参数及指标,可以进一步提升该方法的识别准确率,降低虚警率。

关键词： 臭氧(O_(3))   机器学习   XGBRegressor   河南省   小时浓度预报  

摘要： 臭氧(O_(3))是目前影响我国城市地区空气质量的主要污染物。作为全国重要的综合交通枢纽和人流物流信息流中心,河南省非常有必要持续提高环境空气O_(3)的预报准确性。为进一步提升河南省多城市O_(3)污染的预报准确率,优化其预报时长和效果,该研究基于机器学习方法,利用2017−2021年地面实测污染物数据和逐6 h GFS(Global Forecast System)气象场预报数据,对河南省9个城市(郑州、开封、洛阳、平顶山、安阳、焦作、三门峡、信阳、周口)训练O_(3)浓度预报模型,对2023年夏季(6月、7月)O_(3)浓度进行每日迭代7 d的预报,并定量评估模型预报效果。结果表明:①训练的O_(3)预报模型对河南省9个城市未来7 d O_(3)逐小时浓度的预报效果较好,与观测值的相关系数(r)最高可达0.91。郑州市提前1、2、3 d的O_(3)浓度日最大8 h平均值(O_(3)MDA8)预报值与观测值的r分别达到0.85、0.84、0.84,较现有研究具有更优的预报效果。②模型对9个城市O_(3)的预报表现有所差异,对河南省两个边界城市(信阳市和三门峡市)的预报效果较好,其提前6 d的O_(3)MDA8浓度预报值的均方根误差(RMSE)保持在27μg/m3左右,平均相对误差(MRB)保持在18%左右;但对于在夏季O_(3)浓度受省外传输和偏南风影响较大的安阳市,则预报效果较差。③模型提前1~3 d的预报效果较好,提前4~7 d的预报效果变差;且模型对每日14时O_(3)小时浓度(即13:00−14:00平均浓度)的预报效果较O_(3)MDA8差。④O_(3)MDA8处于0~100、100~160、160~215、215~265μg/m3时,模型提前1 d预报的MRB分别为21.65%、13.63%、9.63%、12.81%,具有较高的精确度。研究显示,基于大气主要污染物同步迭代的机器学习预报方法可为河南省各城市提供未来7 d及时且准确的O_(3)预报,实现区域性O_(3)污染事件的及时预报预警。对于预报效果较差的城市,期望未来通过增加其他O_(3)前体物数据、使用更高时空分辨率的气象预报数据、更深入地综合气象特征以改进模型,进一步提高预报精度。

关键词： 中央八项规定精神   思想自觉   学习教育   行动自觉  

摘要： 党中央决定,自2025年全国两会后至7月在全党开展深入贯彻中央八项规定精神学习教育。深刻理解本次学习教育的重要意义,对于增强思想自觉和行动自觉,推进作风建设常态化长效化,以作风建设新成效为进一步全面深化改革、推进中国式现代化提供有力保障,具有十分重要的意义。

关键词： 喀斯特流域   氮浓度   氮通量   机器学习   监测频率优化  

摘要： 流域氮动态是影响水生生态系统稳定的关键,准确获取水体硝酸盐(NO_(3)^(-)-N)动态变化及其最佳监测频率对于流域水环境管理具有重要意义。本文以典型喀斯特流域贵州普定后寨河流域上游与下游地下水出漏点位(老黑潭和冒水坑)为研究对象,对高频(15 min)NO_(3)^(-)-N浓度及流量数据(2016/7/14至2018/2/10,各55392个)分别建立监测频率为15 min(55377)、1 h(13834)、3 h(4601)、5 h(2755)、7 h(1964)、12 h(1139)及1 d(562)的数据集,并结合多种机器学习模型(Radial Basis Function(RBF)、Back Propagation(BP)、Support Vector Machines(SVM)和Random Forest(RF)),获得了准确获取该流域水体硝态氮浓度及通量的最佳监测频率并筛选出最佳的机器学习模型。结果表明,高频数据可以显著提高模型的性能,即随着监测频率的提高,模型模拟效果得到显著提升。不同模型的表现说明,SVM在该流域NO_(3)^(-)-N浓度及通量预测中整体上表现最佳。综合准确度及维护成本,得出该喀斯特流域NO_(3)^(-)-N通量的最佳监测频率为5 h/次,上游老黑潭硝酸氮通量模拟结果的R^(2)、NSE、MAE为RBF(0.95、0.93、32.50),BP(0.95、0.83、68.95),SVM(0.95、0.93、32.93),RF(0.92、0.91、37.03),下游冒水坑为RBF(0.78、0.76、186.72),BP(0.81、0.80、179.51),SVM(0.83、0.82、171.28),RF(0.85、0.83、174.72)。而NO_(3)^(-)-N浓度最佳监测频率为7 h/次,其中上游老黑潭硝酸氮浓度的R^(2)、NSE、MAE为RBF(0.94、0.92、0.08),BP(0.93、0.90、0.09),SVM(0.93、0.93、0.07),RF(0.88、0.86、0.10),下游冒水坑为RBF(0.79、0.78、0.14),BP(0.78、0.78、0.14),SVM(0.79、0.79、0.13),RF(0.79、0.79、0.14)。研究结果可为具有快速响应的管道型流域水环境质量检测提供科学依据。