项目内容：研究国内某大型制造企业产品需求量规律和预测问题 项目主要负责： 1、 规律分析：建立双对数线性回归模型，计算需求价格弹性，探究不同价格对需求量的影响；运用多因素方差分析、spearman 相关性系数等统计分析方法以及数据可视化，以探究其它因素对需求量影响。 2、 特征工程：构造滞后、差分、拓展窗口、滑动窗口特征，通过随机森林模型量化各列特征与订单需求量相关性对特征筛选。 3、 模型构建：建立 RF、LightGBM、XGBoost、GBRT 模型以及模型融合对产品需求量进行预测。通过朴素贝叶斯算法进行模型超参数优化，使用交叉检验评估验证了模型有效性。

实施了针对不同电梯信号类型的数据预处理，降噪，特征工程。 构建并优化了基于 CNN与 LSTM的 Autoencoder 无监督模型以及 LSTM与CNN结合的有监督模型，专门用于学习和检测异常信号。 参与了模型的网络架构优化、超参数调整、训练、测试，以及模型的压缩与加速过程。 难度在于正负样本极度不平衡，且容易过拟合产生误报

算法研发成员项目描述: ·数据处理:专注于宫颈癌细胞的小目标特征,通过图片切片、旋转、缩放、平移、裁剪、模糊等多种手段对数据集进行增 强,提升模型对复杂样本的适应性。 ·模型训练与优化:基于yolov8架构并引入effcientvit注意力机制,有效提升了模型对关键信息的捕捉能力,同时降低 了计算复杂度。 ·切片质量检测:通过提取细胞图像中的形状、纹理、频域等特征,执行细胞计数和模糊检测,筛选出质量不合格的切片, 确保数据质量。 项目结果: ·实现了细胞层面的识别准确率超过78.8%。 ·在病例层面分级的准确性超过65%,敏感性超过88%,特异性超过70%