用Excel建立灰色数列预测模型的研究

灰色系统在上个世纪八十年代首次提出后已经得到了广泛的应用，对社会、经济各领域作出了极大的贡献。灰色预测是灰色系统理论的重要组成部分，但由于其建模时需要进行大量复杂的数学运算，增加了数据处理的难度，本文通过Excel提供的矩阵运算和规划求解功能实现了用Excel软件建立灰色数列预测模型PGM（1，1），并提高了预测精度。     

太湖流域2016年、1991年大洪水对比分析

采用数理统计方法比较分析太湖流域2016 年、1991 年2 场大洪水对应的降水、水位、洪水蓄 泄及工程调控情况,结果表明:(a) 这2 个年份致洪降水发生日期和降水总量十分接近,但在时程 分布上差异明显,2016 年致洪性降水较1991 年对流域防洪更为不利;( b) 受降水影响,1991 年洪 水期太湖水位具有2 次明显上涨过程,而2016 年太湖水位系连续上涨;(c)在2016 年洪水期,作为 太湖水量主要来源的湖西、浙西入湖水量明显超过1991 年,且湖区降水量也明显大于1991 年,这 是导致太湖最高水位超过1991 年的重要原因;( d) 因治理太湖骨干工程的建成,2016 年流域洪灾 损失占GDP 的比重远低于1991 年。     

基于区间灰数预测模型的天猫“双十一”物流需求量预测

基于天猫"双十一"包裹量增长呈"S"形和连续动态变化的特性,对"双十一"包裹量进行预测;首先将天猫历年"双十一"包裹量划分成几个连续区间,然后通过信息分解法对连续区间灰数进行白化处理,将区间灰数分解成白部序列和灰部序列,最后建立基于信息分解的连续区间灰数离散Verhulst预测模型;经误差检验分析,该模型预测结果精度较高,可以作为天猫平台第三方物流企业对物流资源进行合理、有效调配的依据。     

基于数据分析的地区高等教育发展评价及预测

改革开放以来,我国的教育事业得到了迅速发展,然而也存在着各地区发展不均衡的现象。由于以往教育水平评价指标间的关系错综复杂,为了有效地观测我国高等教育发展水平与趋势,本文建立了一种基于灰色关联度分析和熵权法的组合权重综合评价模型。根据指标体系收集到我国10个省级地区2007年至2016年的相应数据,利用综合评价模型与时间序列模型对我国部分地区高等教育的综合发展水平进行了测算和分析,得到了各地区高等教育综合发展水平的排名,并基于此对各地区未来5年的高等教育综合发展水平进行了预测。     

多分量地震监测系统AETA的研究与实现

研制多分量地震监测系统AETA(acoustic & electro-magnetic testing all in one system)。在云南、四川、西藏、河北、北京、广东等地区的现场实验表明, 该系统能够满足大区域密集布设中高灵敏度、低成本和易布设的需求。同时, 若干点的实验观测数据和均值、振铃率、峰值频率在一定程度上反映了映震效果。目前正在中国西南部、首都圈、台湾海峡等地区密集布设, 系统地开展映震效果研究。     

一致性特征下综合体停车需求预测方法

基于单一建筑功能停车需求一致性特征的分析,采用停车需求高峰比系数对建筑功能停车需求分布趋势进行分时刻描述,提出了单一建筑功能停车需求预测的影响系数修正模型,并基于共享停车理念建立了综合体停车需求预测三步骤模型,且在实际案例中进行了良好的应用.由于采用了分时刻需求分布预测法,综合体停车需求的预测结果信息较为丰富,也为停车设施后期的精细化管理提供了良好的数据支持.     

江津地区精细化气温预报模型研究

利用T639和欧洲中心细网格的气温数值模式预报产品及相应时段内研究区各镇街站点的实况气温建立动态预报方程,对江津地区各镇街24~72h日最高气温、日最低气温进行预报,为方便该模型投入业务运行使用,编制了基于数值预报模式产品的精细化气温预报软件,并在实际业务运行中取得了初步效果.对软件的初期试运行发现,软件预报较主观预报在业务评分方面有较明显的提升,对预报员主观预报有一定的指导意义.     

基于交通出行行为的郑焦城际公交客流预测

通过统计分析郑焦城际公交乘客的个人属性和出行信息,选择灰色模型对客流进行建模、预测和精度检验,得到模型的平均相对误差为3.98%,精度为96.02%,较好地满足了精度要求。该研究为郑焦城际公交的组织优化提供了理论依据和技术支持。     

考虑产品特征属性的替代性需求预测方法

随着电商销售业务的高速发展, 对用户需求进行快速准确预测已成为重要的研究方向. 产品间的替代性对需求有一定影响作用, 且此方面的应用研究在不断深入. 为了提升需求预测精度, 基于畅销预测属性值排序, 利用邻近替代率估计方法, 并结合 Adaboost 预测模型, 构建出一种更优的考虑产品特征属性的替代性需求预测方法, 并通过实验证明该方法行之有效.     

Combining multivariate volatility forecasts using weighted losses

The ability to improve out-of-sample forecasting performance by combining forecasts is well established in the literature. This paper advances this literature in the area of multivariate volatility forecasts by developing two combination weighting schemes that exploit volatility persistence to emphasise certain losses within the combination estimation period. A comprehensive empirical analysis of the out-of-sample forecast performance across varying dimensions, loss functions, sub-samples and forecast horizons show that new approaches significantly outperform their counterparts in terms of statistical accuracy. Within the financial applications considered, significant benefits from combination forecasts relative to the individual candidate models are observed. Although the more sophisticated combination approaches consistently rank higher relative to the equally weighted approach, their performance is statistically indistinguishable given the relatively low power of these loss functions. Finally, within the applications, further analysis highlights how combination forecasts dramatically reduce the variability in the parameter of interest, namely the portfolio weight or beta.