典型文献
基于GBDT的铁路事故类型预测及成因分析
文献摘要：
运用数据挖掘技术进行铁路事故类型预测及成因分析,对于建立铁路事故预警机制具有重要意义.为此,本文提出一种基于梯度提升决策树(Grandient boosting decision tree,GBDT)的铁路事故类型预测及成因分析算法.针对铁路事故记录数据缺失的问题,提出一种基于属性分布概率的补全算法,最大程度保持原有数据分布,从而降低数据缺失对事故类型预测造成的影响.针对铁路事故记录数据类别失衡的问题,提出一种集成的GBDT模型,完成对事故类型的鲁棒性预测.在此基础上,根据GBDT预测模型中特征重要度排序,实现事故成因分析.通过在开放数据库上进行实验,验证了本文模型的有效性.
文献关键词：
事故类型预测;缺失补全;GBDT;集成学习;成因分析
中图分类号：
作者姓名：
钟敏慧;张婉露;李有儒;朱振峰;赵耀
作者机构：
北京交通大学信息科学研究所 北京100044;北京市现代信息科学与网络技术重点实验室 北京100044
文献出处：
引用格式：
[1]钟敏慧;张婉露;李有儒;朱振峰;赵耀-.基于GBDT的铁路事故类型预测及成因分析)[J].自动化学报,2022(02):470-478
A类：
事故类型预测,Grandient
B类：
GBDT,成因分析,数据挖掘技术,事故预警,预警机制,梯度提升决策树,boosting,decision,tree,数据缺失,分布概率,补全算法,数据分布,数据类别,特征重要度,事故成因,开放数据库,缺失补全,集成学习
AB值：
0.268667
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
