简介:摘要交通流预测是交通控制与管理,交通状况改善的重要参考指标。本文建立灰色模型和BP神经网络相结合的组合模型,利用灰色模型对实际监测到的数据进行拟合、预测,得到预测值和预测残差,将预测残差输入到神经网络模型进行残差的学习、仿真和预测,残差预测值和灰色模型预测值的和值作为最终预测结果。结果表明,用灰色模型对神经网络模型预测进行优化,其预测结果比单一的神经网络建模预测具有更高的准确性和实用性,提高了预测的精度。
简介:短文本情感分类是一种面向主观信息分类的文本分类任务,具有重要的研究价值和广泛的应用前景,如旅游景区口碑评价、舆情跟踪、产品声誉分析等。为了提高短文本情感分类准确率,文章提出了一种基于Stacking融合深度学习模型和传统机器学习模型的短文本情感分类方法。该方法从短文本数据集分别提取TFIDF和Word2Vec特征,并作为传统机器学习模型和深度学习模型的输入,再基于Stacking技术将多个基分类器(包括Logistic,PassiveAggressive,Ridge,SVC,SVR等传统机器学习模型和深度学习文本分类模型TextRCNN)的分类结果进行融合处理,得到短文本情感分类的最终结果。该方法采用LightGBM作为Stacking最后一层的分类器,基于旅游景区网络评论数据集进行了验证。实验结果表明,该方法能够获得比最好基分类方法更好的分类效果,而且对积极、中性和消极三类情感文本的平均分类准确率达到了71.02%。