关键词： 盾构施工   沉降预测   数值模拟   支持向量回归   沉降预先控制  

摘要： 在新型城镇化进程推进中,地下空间开发能有效缓解城市平面化布局所衍生的问题,以地铁为主导的地下轨道交通正快速发展。盾构施工被广泛应用于地下工程建设中,但常规盾构施工的沉降控制处理措施存在滞后效性。越来越多研究表明,盾构施工中地质参数、掘进参数等与沉降变形存在密切关联,如何通过盾构参数的优化调整实现沉降预先控制,有待提出更加高效科学的解决方法。 本文依托横向项目“地铁施工近距离穿越叠加既有线结构稳定性控制关键技术研究”,结合长春地铁6号线下穿飞跃路盾构实际工程与仿真模拟,融合盾构掘进参数、外部地质环境与道路沉降等信息,采用机器学习方法进行盾构下穿既有道路沉降预测,深入挖掘参数间交互关系并根据混合算法进行优化,实现盾构沉降预先控制。本文工作内容如下: (1)进行实际工程中盾构平行下穿既有道路的数值模拟,结合实际监测共同分析盾构施工引起地表沉降的变形特征及规律。结果表明,盾构沉降发展延伸的分布特征符合地层变形理论,监测数据与模拟结果吻合较好,最大沉降值分别为7.413与5.741mm,均在规范要求范围内。 (2)依据数值仿真模型,通过控制变量方法探讨各因素对地表沉降的影响,发现隧道埋深、轴心距、弹性模量、粘聚力、内摩擦角、静止侧压力系数、土仓压力、同步注浆量与注浆压力等因素都会对盾构施工沉降产生一定量影响,为后续参数选取提供理论参考依据。 (3)提出改进粒子群优化支持向量回归(IPSO-SVR)预测模型,以几何、地质与掘进参数等为自变量输入,对盾构下穿既有道路的最大沉降进行预测。IPSO-SVR预测效果与稳定性最佳,拟合决定系数为0.790,平均相对误差为5.22%,其他对比模型保持在15%以内,说明基于数据挖掘的机器学习方法能够反映出盾构施工中沉降影响规律。结合全局敏感性分析探究参数的交互效应与敏感程度,为盾构掘进参数优化方法的建立提供研究基础。 (4)提出基于寻优与反演预测的盾构掘进参数优化方法,在不破化参数间交互关系的基础上进行优化调整,优化结果与实际监测值相比平均减小0.599mm,达到11.03%。开发盾构掘进参数优化系统(SPOS)的交互式界面,并在实际工程中得到验证。该方法能够有效降低实际工程中盾构施工所带来的沉降风险,为盾构沉降控制提供了新的解决方案。

关键词： 海洋时间序列数据   时序序列预测   特征提取   超参数调优  

摘要： 海洋时间序列数据预测对于海洋环境分析、海洋重大灾害预警等应用方面发挥着重要作用。在海洋高通量时间序列预测场景中,如何精准预测各种规律变化不一的海洋时间序列数据,如溶解氧、表层水温、叶绿素等,成为一个难题。由于海洋环境的复杂性,需要为每一路可能呈现出独特时序特征和变化规律的数据单独设计一个预测模型。然而,这种方法在模型设计和调试过程中需要投入大量的人力和时间资源。因此,为了提高模型的适应性和预测精度,自动学习成为了一种必要的策略。通过自动化搜索和测试不同的超参数配置,使预测模型更好的适应不同的海洋时间序列数据,从而在每路数据上达到更好的预测精度。同时,不同的时间尺度下的不同海洋时间序列数据之间存在不同的依赖关系与相关性,仅仅依赖传统的时间序列预测模型难以捕捉到这些复杂的相互作用。因此,需要一种能够在多个时间尺度上捕获不同序列间依赖关系与相关性的模型。为了满足高通量、高可靠、高并发的需求,基于高性能计算框架Ray,设计并实现了海洋时间序列数据预测自动学习系统。 针对上述问题和挑战,本文的研究重点主要集中在三个方面: (1)针对海洋高通量时序预测场景,考虑到不同海洋时间序列之间在不同时间尺度下存在着不同的依赖关系与相关性。本研究设计了一种基于多尺度学习的海洋时序预测模型,旨在通过高效的特征提取过程,融合序列间相关性,以提升预测精度。同时,在真实海洋时间序列数据集上进行了实验验证,结果表明该模型有良好的预测精度,尤其在预测步长为96时,该模型相比于基线模型表现更为稳定。 (2)为了提高模型在海洋高通量时序预测场景中的适应性与精度,设计了基于改进后的粒子群优化算法(ANDPSO)与多尺度学习的海洋时序预测模型。通过ANDPSO优化算法,优化面向海洋高通量时间序列数据预测场景设计的多尺度学习预测模型的超参数组合,提供了一种智能、有效的超参数调优和数据分析模式。在真实海洋时间序列数据集上进行了实验验证,结果表明该模型在不同数据集上相比于其它基线模型均有良好的适应性与预测精度。 (3)本研究依托高性能计算框架Ray,构建了满足高通量、高可靠、高并发需求的分布式集群和海洋时间序列数据预测自动学习系统,确保了海洋高通量时序数据预测的稳定性和可靠性。

关键词： 信息抽取   命名实体识别   跨度语义依赖   二维Transformer   空间注意力机制  

摘要： 命名实体识别作为信息抽取中的一个重要任务,为文本分类、知识图谱构建、智能问答等下游任务提供了关键技术支持。目前,命名实体识别主要采用基于跨度分类方法,该方法枚举全部跨度后进行跨度分类来实现实体识别。但此类方法使得相邻跨度间存在过多重叠内容,同时跨度间又共用了相同的上下文信息,从而出现实体跨度语义扩散的问题。上述问题导致了相邻跨度间的边界模糊,使得命名实体识别的性能降低。本文针对该问题展开研究,通过学习跨度间的语义依赖来提高相邻跨度间的边界差异,以此提高跨度间的区分度以提升命名实体识别效果。具体研究如下: (1)提出基于二维Transformer的跨度语义依赖方法。参照Transformer模型的架构和多头自注意力机制,本文提出能够应用于二维结构上的自注意力模型。将句子平面化为跨度矩阵表示的二维结构后,输入到二维自注意力网络中,利用其在多个通道中捕获并利用跨度间的复杂的语义依赖信息,以此来强化实体跨度的语义信息,提高模型的辨别能力。本文在两个公共数据集上进行了嵌套命名实体识别的评估。实验结果表明,该方法能够有效地识别嵌套的命名实体并学习跨度之间的语义依赖关系。 (2)提出基于空间注意力的跨度语义依赖方法。本文提出了一种空间注意力模型来学习邻近跨度之间的语义依赖。通过多头双仿射等模型将句子展开为由跨度组成的二维语义平面后,使用跨度空间注意力网络来学习空间结构信息和跨度间的依赖关系。它会自适应地编码二维语义平面中的实体特征并削弱非实体信息,以提高跨度间的差异。在实验部分,本文对ACE2004、ACE2005和GENIA数据集上的命名实体识别任务进行了空间注意力的评估。实验结果表明,本文方法在三个数据集上的性能均优于所有对比试验中的方法。

关键词： 异构图   图表征学习   注意力机制   元路径生成   信息补全  

摘要： 异构图表征学习方法能够精准捕捉图中不同类型节点之间的内在联系,并结合节点的结构信息和语义信息,将原本复杂多样的节点特征投影到低维空间中,转化为具有连续数值的向量表示。这些向量可以进一步用于节点分类、链接预测、社群发现等分析任务。因此,异构图表征学习在数据挖掘领域备受关注。 然而,当前的异构图表征学习方法仍存在一些缺陷。首先,主流方法采用元路径建模的方式来学习图的异构性,但元路径的多样性和复杂性需要具有先验知识的研究人员针对性地设计。其次,部分模型尝试通过邻接矩阵进行建模,但邻接矩阵存在节点连接丢失和错误连接信息等问题,难以准确地反映节点间真实连接关系。此外,异构图中存在邻域信息不平衡现象,缺乏丰富图结构的节点能够获取到的邻居结构信息有限。最后,部分节点丢失了属性信息,多数模型采用的简单填充方式容易引入噪声。 为了解决上述问题,本文对异构图表征学习方法进行研究,提出了以下创新: (1)针对元路径需要先验知识进行预定义的问题,提出一个基于元路径生成和注意力机制的异构图表征学习模型。该模型能够从按边类型划分的邻接矩阵中选择矩阵进行相乘操作,学习到任意长度的元路径图。然后利用卷积操作,得到基于元路径的节点表示。通过注意力机制将邻居节点携带的元路径信息融合到目标节点中,生成最终的节点嵌入值。在不同数据集上进行了大量实验,各项评估指标明显优于具有代表性的图表征学习模型,表明基于元路径生成和注意力机制的异构图表征学习模型具有显著优势。 (2)针对异构图邻接矩阵存在节点连接丢失和错误连接的问题,提出一个基于关系挖掘的异构图表征学习模型。该模型考虑到高相似度的节点之间可能存在连边的情况,引入关系图生成器,补充可能丢失的连边信息。接着,通过对象级聚合模块将邻域信息聚合到邻居节点中,完善了邻居节点上下文语义信息。最后,利用节点之间的连边结合多头注意力机制将源节点信息传递到目标节点中,避免了元路径的使用。在多个数据集上进行了节点分类和链接预测等实验,结果表明基于关系挖掘的异构图表征学习模型比基线模型具有更好的嵌入效果。 (3)针对节点邻域信息不平衡和属性不完整问题,在基于关系挖掘的异构图表征学习模型基础上,进一步提出一个基于信息补全的异构图表征学习模型。具体而言,模型利用节点相似性选择目标节点最优邻节点进行特征聚合,初步获取节点的属性特征。然后,通过邻域转移模块获得可转移向量,捕捉节点理想邻域和其现实邻居节点之间的信息差值,从而利用这一差值解决头节点和尾节点之间的不平衡问题。通过这两个方式将节点信息补充完整后,结合关系级聚合模块获得最终的节点表示。在三个数据集上进行的实验分析结果表明,基于信息补全的异构图表征学习模型优于最先进的基线模型。

关键词： 父母心理控制   生命意义感   学习倦怠   团体辅导   初中生  

摘要： 学习倦怠是个体对学习产生的一种负向心理状态,主要表现为身心耗竭、学业疏离以及低成就感。特别是进入初中阶段,由于身心和学业发展的特点,学习倦怠问题更为突出。根据生态系统理论指出,个体因素和环境因素的相互作用,塑造着个体的发展。父母心理控制作为父母教养的一种具体形式,是个体发展的重要外在因素,会影响个体对学习的态度和行为。同时生命意义感作为一种保护性因素,能引发个体对学习目标的积极追求,减少学习倦怠。因此,本研究探讨初中生父母心理控制、生命意义感与学习倦怠三者之间的关系,并根据研究结果设计相应的团体辅导方案,以降低学习倦怠水平。 研究一采用《父母心理控制量表》《生命意义感问卷》《青少年学习倦怠量表》对福建省某中学的836名初中生开展问卷调查,考察父母心理控制对初中生学习倦怠的预测作用,并在此基础上探究生命意义感在二者间的中介作用机制。结果表明: (1)父母心理控制和学习倦怠处于中等偏下水平,而生命意义感处在中等偏上水平,且在人口统计学上存在一定的差异。 (2)父母心理控制与学习倦怠呈显著正相关,与拥有意义感呈显著负相关,与寻求意义感不存在相关关系;拥有意义感和寻求意义感与学习倦怠呈显著负相关。 (3)拥有意义感在父母心理控制和学习倦怠中起中介作用。 研究二采用2(前测、后测)×2(干预组、对照组)混合设计的实验方式。以福建省厦门市某中学的24初中生作为研究对象,并分为干预组和对照组,各12人。干预组的学生参加8次以拥有意义感为主题的团体辅导。在干预前、后对两个组进行拥有意义感和学习倦怠问卷的测验,得出以下结论:团体辅导对提升初中生的拥有意义感、减少学习倦怠有良好效果。 研究揭示了父母心理控制与学习倦怠之间的重要影响机制,明晰了拥有意义感作为保护性因素的中介作用;并为提升初中生的拥有意义感,降低学习倦怠提供一套可行的干预方案,有助于进一步促进初中生的学习。

关键词： 多智能体强化学习   元学习   内在奖励   自适应  

摘要： 多智能体强化学习是一种将强化学习应用于多智能体系统的方法,智能体通过协同、对抗与通信等方式,共同实现任务。这种方法在无人机集群,资源调度,交通控制和游戏等应用领域都得到了发展。然而,传统多智能体强化学习通常针对于特定任务进行训练,一旦任务发生变化,智能体就需要重新训练以适应新任务。因此,现实中多变的任务场景将限制多智能体强化学习算法在现实生活中的应用。为了解决这一问题,本文主要从提升泛化能力和加快训练速度两方面对算法进行改进。具体研究内容为以下三点。 (1)基于元学习的行为自适应智能体算法研究。现有提升泛化能力的方法在面对新任务时,只能缩短训练的时间,不能直接对新任务做出决策。本文基于元学习方法,将任务场景历史信息作为工作记忆,通过元训练让不同任务在工作记忆嵌入空间中确定分布,策略网络将利用任务分布识别不同任务。此外,策略网络通过元训练学会对多个任务快速适应,学习到了一种基于上下文的自适应策略。最终算法获得了无需训练,面对新任务也能做出高质量决策的能力。 (2)内在奖励驱动的多智能体探索算法研究。加快训练速度不仅让智能体更快适应新任务,而且在学习特定任务时同样具有意义。在多智能体强化学习中,稀疏奖励导致智能体难以建立决策与奖励之间的对应关系,成为限制训练速度的重要原因。为解决多智能体强化学习中的稀疏奖励问题,本文引入了一种基于内在奖励驱动探索理论的参数化内在价值估计模块,用于学习任务的深层含义。该模块为智能体提供了一个代理任务和更加频繁的反馈,从而加快智能体的训练速度。 (3)多智能体决策模型训练与评估系统实现。为满足行为自适应的多智能体强化学习方法的应用需求,本文设计并实现了一个系统,集成安全、可选择的任务场景,让用户能够训练多智能体的决策模型以完成任务。并且系统提供上传查看等功能,管理决策模型的指标数据与信息,方便用户评估模型性能。

摘要： 文言文作为中华文化体系中的重要内容，有着独特的文化育人价值。高中生应提高对文言文学习的关注。基于此，本文从学与用并重的角度，探讨高中语文文言文学习的价值与方法。通过采用学与用并重的学习方法，可以突出高中生课堂主体地位，做到文言文相关知识的融会贯通，并可在后续学习中实现知识的迁移与运用。

关键词： 动脉瘤性蛛网膜下腔出血   病前高血压   预后影响因素   临床模型   XGBoost机器学习模型   可解释性机器学习模型   SHAP  

摘要： 目的:第一部分:高血压被认为是影响颅内动脉瘤破裂的一个强烈风险因素,病前高血压通常影响了动脉瘤性蛛网膜下腔出血(a SAH)患者的功能预后严重程度。然而,在a SAH合并病前高血压患者的队列中,影响预后的风险因素仍不明确。因此,我们旨在开发并验证一个预测模型,以早期评估预后不良的风险。第二部分:准确预测a SAH合并病前高血压患者的预后对于个性化治疗至关重要。在这项研究中,我们试图使用SHAP(SHapley Additive ex Planations)可解释性机器学习方法为a SAH合并病前高血压患者开发了一个可解释的预后预测机器学习模型。 方法:第一部分:选取了630名符合条件的a SAH合并病前高血压患者,在2018至2021年间的496例为训练队列构建预测模型,并选取了2022年的134例为测试队列对模型进行外部验证。主要结局指标是a SAH后1年随访的预后不良(m RS评分3-6)。使用多变量逻辑回归筛选独立预测因子。受试者工作特征曲线下面积(ROC-AUC)、校准曲线和Hosmer-Lemeshow检验p值作为评估模型的性能指标。第二部分:研究方法与第一部分相同直到构建机器学习模型,采用机器学习算法,包括XGBoost、Ada Boost、GBM、MLP、NN、LR和RF模型,开发了a SAH合并病前高血压患者不良预后的预测模型。选择最优模型进行SHAP分析。 结果:第一部分:观察到200名患者预后不良。在训练集中使用LASSO和逻辑回归筛选出6个预测因子,包括年龄、手术方式、WFNS分级、再出血、脑积水和迟发性脑缺血(Delayed cerebral ischemia,DCI)。构建了动态列线图(http://127.0.0.1:7730),具有优越的预测准确性(AUC=0.901,95%cl:0.872-0.929)和校准性能良好(Hosmer-Lemeshow检验p=0.2866)。测试集的结果仍然一致(AUC=0.919,95%cl:0.837-0.941)。第二部分:我们通过随机森林Boruta分类算法筛选预测变量:年龄、手术方式、WFNS分级、Hunt Hess分级、m Fisher评分、再出血、脑积水和DCI,并基于这些变量构建了7个机器学习模型:XGBoost、Ada Boost、GBM、MLP、NN、LR和RF。与Ada Boost模型的AUC=0.897(95%CI:0.842-0.952)、GBM模型的AUC=0.927(95%CI:0.880-0.975)、MLP的模型AUC=0.915(95%CI:0.859-0.971)、NN模型的AUC=0.931(95%CI:0.878-0.984)、LR模型的AUC=0.929(95%CI:0.874-0.983)和RF模型的AUC=0.929(95%CI:0.879-0.929)相比,XGBoost模型表现出优越的性能,AUC=0.935(95%CI:0.893-0.976)。通过SHAP分析确定的主要预后特征年龄大于65岁,WFNS分级Ⅳ和Ⅴ级、Hunt Hess分级Ⅲ-Ⅴ级、改良Fisher评分Ⅲ和Ⅳ级、DCI、再出血和脑积水与不良预后风险增加之间的显著关联,而血管内栓塞治疗使预后预测更为良好。此外,SHAP力图可视化了个体预后预测。 结论:在本研究中,找到了a SAH合并病前高血压患者的独立预后因素,并开发了动态预测模型。在线使用可以更便捷地帮助临床医生为患者制定个性化治疗决策,以改善预后。同时,证明了机器学习技术在a SAH合并病前高血压患者预后预测中的潜力。通过SHAP分析确定的预测特征增强了模型的可解释性,并为临床决策提供了指导。