中国电力消费影响因素权重的分位数回归研究

通过加权最小二乘法(WLS)和分位数(QR)回归比较性研究电力能源消费影响因素的影响权重,分位数回归技术则更能详尽阐明不同消费需求下各影响权重的变化:电价、能源效率改进、消费支出能力、电力价格体制改革、人口与电力消费需求之间存在长期均衡的关系,并通过多重验证指标验证模型和结果的合理性;能源效率改进和电价控制是影响电力能源消费的2个重要因素,在不同分位数上各个因素影响权重存在差异;特别发现"高人口增长率并不必然伴随高电力消费需求量"。并提出不同分位数下相关政策建议。     

基于BP神经网络的油气钻井成本预测

油气钻井成本是反映油田企业经济效益的重要指标.对钻井成本进行准确预测,有利于企业管理者和投资者进行科学的决策与评估.在对油气钻井成本影响因素进行分析的基础上,运用BP神经网络算法,建立了考虑成本因素之间相互关系的油气钻井成本神经网络预测模型,并结合中国石油某公司各区块钻井作业成本数据,将线性回归方法与神经网络方法进行对比,结果表明该模型具有较高的预测精度.     

基于分位数回归模型和经验模态分解的全球变暖问题研究

利用分位数回归模型和经验模态分解(empirical mode decomposition, EMD)方法对气候及其变化进行分析和预测.首先,采用全球热力图对气温数据进行描述统计,并采用经验模态分解方法降噪获取趋势项来引入全球气温周期概念,探究全球气候变暖趋势;然后,基于多元线性回归模型及分位数回归模型寻找全球气温的影响因素,并对气温进行建模及预测.研究结果可为全球气候分析提供统计学支撑.     

基于线性分位数组合的兴安落叶松冠幅预测

【目的】 使用线性分位数回归和分位数组合对兴安落叶松(Larix gmelinii)冠幅进行建模和预测,为准确模拟和预测冠幅生长提供技术支持。【方法】 利用大兴安岭兴安落叶松天然林实测数据,采用线性回归和分位数回归构建基础和多元冠幅模型。比较7种分位数组合:三分位数组合(τ=0.1, 0.5, 0.9和τ=0.3, 0.5, 0.7)、五分位数组合(τ=0.1,0.3,0.5,0.7,0.9和τ=0.3,0.4,0.5,0.6,0.7)、七分位数组合(τ=0.1,0.2,0.3,0.5,0.7,0.8,0.9和τ=0.1,0.3,0.4,0.5,0.6,0.7,0.9)和九分位数组合(τ=0.1,0.2,0.3,0.4,0.5,0.6,0.7,0.8,0.9)的预测效果。分析4种抽取方案(随机抽样、选择最大树、平均木、最小树)和9种抽样数量(1~9株)对预测精度的影响。同时使用K折交叉验证对线性回归、最优分位数回归和最优分位数组合进行比较。【结果】 线性和分位数回归都能对冠幅模型进行拟合,中位数回归的拟合结果与线性回归相似,且在所有分位数中拟合能力最好。多元冠幅模型和分位数回归的拟合及检验效果都优于基础模型,冠幅与胸径和样地平均高(立地质量)呈正相关,与枝下高(树木大小)和样地内落叶松断面积(竞争)呈负相关。使用分位数组合可以提高模型的预测能力,7种分位数组合的差异很小,三分位数组合(τ=0.3, 0.5, 0.7)的预测能力最好。对于基础和多元分位数组合在实际应用时,最优抽取方案都为选取最大树,每个样地建议选取6株样木。【结论】 基于线性分位数组合的冠幅模型可以提高预测精度,建议使用三分位数组合和选取最大树及抽取数量为6株的方案对冠幅进行预测。     

基于神经网络分位数回归的VaR金融风险测度

基于神经网络分位数回归给出VaR风险测度方法,一方面,通过其分位数回归功能可以揭示响应变量整个条件分布特征;另一方面,通过其神经网络结构,可以模拟经济系统中的非线性结构,从而很好地解决了VaR风险测度中遇到的2个难题:尾部风险测度与非线性关联模式。文章选取上证综指作为研究对象,将其与传统的VaR金融风险测度方法进行了实证比较,实证结果表明,基于神经网络分位数回归的VaR风险测度方法,在样本内与样本外都取得了较好的实证效果。     

基于指数加权分位数回归预测的CPFR成本模型

针对某些商品的高易变性、不对称性的需求模式,基于预测方法高精确度的要求,采用计量经济学前沿预测研究方法指数加权分位数回归预测法,建立了由零售商、制造商的成本模型和供应链系统总成本模型构成的CPFR供应链系统成本模型,为基于多层次CPFR的三级库存协调与优化研究中提高需求预测精度探索新的视角.该模型通过直接预测销售序列的分位数,避免既存研究中基于假设的预测失误,使预测结果更加贴近需求模式的真实值.数值分析表明指数加权分位数回归预测模型的预测精度较高.     

结构地震需求QRNN重要性分析

为研究型钢混凝土框架结构地震需求在其分布范围内变化时,随机参数对其影响情况,将神经网络分位数回归应用于重要性分析中.考虑了8个随机参数的影响,并根据它们各自的概率密度函数进行抽样,利用有限元软件OpenSEES在多条地震动记录作用下进行动力非线性时程分析,得到了4种地震需求,然后分析得到神经网络分位数回归重要性测度指标,并将结果与Monte-Carlo数值模拟法进行了对比.结果表明:在不同条件分位数下,各个输入随机参数对应的重要性测度指标呈现不同的变化趋势;神经网络分位数回归方法在样本数远远少于Monte-Carlo数值模拟法的情况下,得到的输入随机参数的重要性测度指标基本一致,因此,神经网络分位数回归重要性分析方法是高效准确的,对大型复杂结构来说可以提高计算效率.     

基于支持向量分位数回归的货币需求条件密度预测研究

考虑到货币需求与其影响因素之间复杂的关系,基于支持向量分位数回归(support vector quantile regression,SVQR)模型,文章研究了货币需求及其影响因素之间的非线性依赖关系,给出了货币需求条件密度预测方法,并将其与传统的线性分位数回归模型进行了比较。选取中国2004年1月至2014年12月期间工业增加值、消费物价指数(consumer price index,CPI)、利率与M1的月度数据进行实证研究,结果表明SVQR模型不仅能够很好地拟合货币需求,而且能够给出准确的概率密度预测结果。     

基于回归神经网络的柴油机NOx排放预测及影响分析

针对柴油发动机NOx排放量的预测问题与其影响参数进行研究。通过构建训练神经网络回归算法模型(recurrent neural network, RNN),基于发动机试验过程中采集的大量样本数据训练和预测NOx排放情况;预测结果表明,该网络模型的预测值与目标输出值之间的误差满足实际工程需求,具有良好的预测精度和泛化性能。基于参数最优的神经网络回归模型,采用平均影响值(mean impact value, MIV)算法定量地分析各输入参数对目标输出参数的影响权重,进一步分析影响NOx排放的关键影响因素;结果表明,本文采用的MIV算法可以准确判断各输入因子对网络输出的相对影响权重,实现关键影响因子的分析。     

基于二元选择分位数回归的上市公司信用评估

二元选择分位数回归是二元选择均值回归在分位数框架下的推广,能够更好地揭示解释变量对响应变量在不同分位点处的异质影响,从而可以更加准确地描述与预测二元选择行为。文章基于二元选择分位数回归建立了上市公司信用评估方法,通过数值模拟和实证研究,对二元选择分位数回归与二元选择均值回归的信用评估能力进行了比较。研究结果表明,无论样本内还是样本外,二元选择分位数回归均能够更加准确地评估上市公司的信用状况。     

压制生土砖强度的人工神经网络预测模型

为了获得压制生土砖抗压强度预测模型,针对成型压力、含水率、水泥含量及高厚比对压制生土砖抗压强度的影响,基于国内外研究中的91组压制生土砖抗压强度试验数据,分别建立了用于预测压制生土砖抗压强度的BP神经网络模型和径向基(RBF)神经网络模型,并将模型预测结果分别与试验结果及回归分析模型进行对比。结果表明:人工神经网络模型对压制生土砖抗压强度的预测精度显著优于回归分析方法;压制生土砖抗压强度与其配合比、成型压力及高厚比间存在复杂的非线性关系,回归分析模型不适用于解决此类复杂问题;BP神经网络模型的整体预测效果较好,但容易陷入局部最优;RBF神经网络模型能可靠地预测压制生土砖抗压强度,预测结果与试验结果比值的平均值为1.007,标准差为0.085,该预测模型具有较高精确度,能有效解决压制生土砖抗压强度与其影响因素间复杂的非线性关系,可为压制生土砖的配合比设计提供参考。     

基于GRA和AHP的GRNN神经网络零件失效概率预测方法

为了提高对机械零件失效概率的预测精度,提出一种基于GRA和AHP的广义回归神经网络零件失效概率预测方法.在分析机械零件失效概率影响因素的基础上,首先利用灰色关联分析法(Grey Relational Analysis,GRA)分析影响机械零件失效概率的主要因素,通过层次分析法(Analytic Hierarchy Process,AHP)构建机械零件失效概率的评价指标层次体系,评估各个指标对于零件失效概率的权重;结合各个指标权重与初始值,以获取各指标的加权评价值;最后通过广义回归神经网络(Generalized Regression Neural Network,GRNN)建立以各指标加权评价值来预测机械零件失效概率的预测模型.利用本文方法所建立的预测模型对某企业数控转台的上齿盘失效概率进行预测,并与传统的GRNN神经网络预测模型、BP神经网络预测模型和回归预测模型进行对比,结果显示本文所建立的模型预测误差小于0.8%、残差在-0.2%～0.2%范围内,均优于对比模型的预测结果,表明所建立的预测模型具有更高的精度和更强的稳健性,适合于零件失效概率的预测.     

基于改进BP神经网络的路基材料性能预测

结合人工神经网络原理，分析了路基材料性能的影响因素，采用GSL变换改进后的BP神经网络来预测路基材料的有关性能，通过直接对实验数据的神经网络学习，发现各力学参数之间的关系，从而建造了路基材料性能的人工神经网络模型，对路基材料的无侧限抗压强度和回弹模量进行了预测，结果表明，该模型收敛速度及预测精度均得到改善，可以很好地拟合输入参数与输出参数之间的非线性关系，有较好的实际应用价值。     

不同矫正位置对落叶松分位数削度方程预测精度的影响

【目的】基于非线性分位数回归方法构建大兴安岭落叶松(Larix gmelinii)树干削度方程,并分析比较基本模型与不同分位数(τ=0.1、0.2、0.3、0.4、0.5、0.6、0.7、0.8、0.9)模型,利用树干不同高度的上部直径进行矫正分位数组合模型预测精度,为落叶松天然林干形的精准预测提供理论依据。【方法】以大兴安岭壮志林场212株落叶松树干干形数据为研究对象,基于非线性分位数回归方法和Max and Burkhart分段削度方程,利用SAS软件中NLP过程拟合各分位数分段削度方程,把树干相对高20%、30%、40%、50%、60%、70%处的直径以及胸径到树尖的中间位置(50%^*)的树干上部直径引入到分段削度方程中进行矫正,并以平均误差(MAB)和相对误差(MPB)为评价指标对削度方程进行对比分析。【结果】Max-Burkhart分段削度方程在9个不同的分位点都可以得到参数估计值,因此分位数回归削度模型可以评价在不同分位数的预测能力。未矫正的分位数(τ=0.5、0.6)模型的预测精度略优于基本模型。准确地选择矫正位置至关重要,与未矫正的基本模型相比,利用树干相对高20%和70%处的直径进行矫正不能提高各分位数组合模型的预测精度,利用树干相对高30%、40%、50%、60%处的直径以及胸径到树尖中间位置的树干上部直径进行矫正的大多数分位数组合(3、5、7、9个分位数组合)模型的预测精度都能得到提高,总体使用矫正位置分位数组合模型的预测精度顺序为40%>50%^*>50%> 60%>30%>20%>70%。最佳的矫正位置为树干相对高40%处,并以3个分位数的组合(τ=0.3、0.5、0.7)模型预测精度最高,与未矫正的基本模型相比,MAB和MPB均下降13.5%。【结论】在削度方程中引入一个合理的矫正位置可以提高模型的预测精度,其中,最佳矫正位置为树干相对高40%处,最优模型为3个分位数组合(τ=0.3、0.5、0.7)模型。在实际应用中,如果不考虑矫正时,建议采用分位数τ=0.5削度方程的参数估计值。     

轻型车微观排放模型的建立与比较分析

研究采用车载质量排放测试仪器OEM 2100为基础搭建轻型车车载排放测试试验平台,并在实际道路上进行大量试验;基于试验结果分析实际道路轻型车排放影响因素,通过回归方法和神经网络方法建立速度、加速度与轻型车质量排放率之间的模型;基于实际道路排放数据进行模型误差计算。研究结果表明:所建立的排放模型可以预测实际道路上的瞬时排放率变化情况,速度回归模型、二元回归模型和神经网络模型对轻型车排放进行预测分析的整体误差小于17%,而每秒的误差基本上也在30%以内,并可与交通仿真模型相互融合,从而评价不同交通管控措施下轻型车运行状况变化带来的排放差异。     

前移双回归神经网络预测模型

构造一种称为前移双回归神经网络的时间序列预测新方法,克服了以往多元线性回归只考虑外部影响因素(外因)、时间序列自回归只考虑自身以往结果(内因)的不足,又结合神经网络弥补了二者都是线性模型而未考虑非线性关系的缺陷.结合国际油价预测实例证实新模型确实优于传统模型.     

基于PLS-BP神经网络组合模型的回采工作面瓦斯涌出量预测

提出PLS-BP神经网络组合模型,预测回采工作面瓦斯涌出量.利用分源预测法划分回采工作面瓦斯涌出来源,根据瓦斯涌出来源受不同因素的影响,运用偏最小二乘法(PLS),通过交叉有效性分析,确定提取主成分个数,将主成分作为神经网络输入层建立关联模型.研究证明,本方法不仅避免了各种不相关因素之间的干扰,解决各因素之间多重相关问题,降低变量维数,而且可以结合BP神经网络的非线性映射能力和适应学习能力等优点,提高预测稳定性和精度.     

支持向量机回归在油气钻井成本预测中的应用

钻井成本是钻井公司成本的重要组成部分,对钻井成本进行准确预测,有利于提高钻井成本的控制和计划管理水平.应用作业成本法分析影响钻井成本的主要因素,结合某钻井公司钻井成本数据,运用支持向量机回归建立预测模型,同多元回归与BP神经网络回归进行对比,验证了支持向量机模型具有较高的预测精度.     

基于样条估计分位数回归的光伏功率回归模型

光伏发电功率预测的准确与否是太阳能光伏发电是否能够有效地并入当前电网从而大大地提高太阳能利用率的关键.分位数回归是一种能够给出输出量的详细完整分布,从而便于分析与研究的回归模型.样条就是仅在节点处平滑连接的多项式函数,样条估计具有简单易行和计算速度快的优点.本文通过建立基于样条估计的分位数回归模型,在光伏面板发电功率数据的基础上,拟合光伏功率曲线,通过计算残差平方和和确定系数进行对拟合效果的评估.结果表明,该模型利用已有的光伏面板发电功率数据,可以在给出功率预测值的完整分布的同时,准确有效地分析相关因素对光伏发电功率的影响,展现不同分位点的回归拟合效果,从而有效地提高光伏系统对太阳能的利用率,避免光伏发电在接入电网时所产生的不利影响.     

逐步回归和神经网络对睡眠质量影响因素分析

针对困扰现代人的主要亚健康之睡眠质量的可能影响因素——性别、年龄、可靠性、神经质、焦躁度和性格,通过逐步回归构建回归模型与神经网络构建模式识别模型,通过逐步回归模型找出对睡眠质量的主要影响因素和各自的权重大小;通过神经网络,训练出通过各项睡眠影响因素预测睡眠质量的神经网络模型。根据研究结果,对比二者在睡眠质量影响因素的分析与睡眠质量预测应用的优缺点。最后针对改善人们的睡眠质量的问题,提出相关建议和方案。