证据网络模型及其推理算法

本文在证据理论与图模型研究的基础上,针对不确定性与关联性相结合的系统建模问题,提出并建立了证据网络模型,定义了证据网络的参数,总结了证据网络的建模特点;分析了证据网络模型的推理问题,建立了其推理策略和推理过程,推导出其正向推理算法和反向推理算法,并通过示例进行了计算验证;证据网络模型将为管理决策分析、系统工程管理等领域的问题分析和求解提供一种有效的技术方法支持.     

生态环境数据预测方法研究

大规模生态环境数据的处理和统计分析为环境保护和预测提供重要依据,其分析和预测方法成为数据处理的研究重点。在对海量生态环境数据的分类整理和综合处理基础上,基于时间序列的指数平滑法建立了一种动态二次指数生态环境数据预测模型。该模型针对生态环境的实时变化特征,利用二次指数平滑方法实现了静态参数的动态优化处理。以云南大理生态环境数据为样本,通过实验仿真测试和模型分析,结果验证了该模型的适用性和准确性。     

基于动态混沌神经网络的预测研究——以马铃薯时间序列价格为例

针对农产品价格波动的非线性特征明显、传统时间序列方法在预测农产品价格短期波动存在不足等状况,本文将混沌理论和神经网络技术应用到农产品价格短期预测研究中,充分利用相关技术优势,设计了动态混沌神经网络时间序列预测模型.在此基础上,选取2008年1月21日-2012年7月1日的中国马铃薯日度价格为研究对象,对所构建的动态混沌神经网络时间序列预测模型进行学习、训练和测试,并用统计分析方法对模型性能进行评价与分析,最后,将所构建模型的预测结果与传统预测方法预测出的结果进行比较研究.结果显示:整个动态混沌神经网络结构为27-12-1,所设计的基于动态混沌神经网络的马铃薯价格时间序列预测模型在预测精度和性能上较ARMA模型均具有明显优势,这一预测模型在农产品价格时间序列短期预测研究上将具有广阔的应用前景.     

具有选择与补偿机制的加权集合序贯极端学习机及其应用

针对集成在线序贯极端学习机(EOS-ELM)预测精度不高和动态适应性差的问题,提出一种具有选择与补偿机制的加权集合序贯极端学习机.该加权集合序贯极端学习机在序贯学习过程中,通过对当前预测模型精度的判断决定是否进行递推更新操作,同时为提高预测模型的动态跟踪能力,在加入新样本的同时对旧样本进行剔除;然后,利用EMD对残差序列处理后进行预测,并将初始预测结果与残差预测结果相加得到最终预测模型.通过对上证指数的预测,结果表明所提方法具有更好的泛化性能,预测精度相比EOS-ELM提高了近36.1%.     

湖北省人均 GDP 的 ARIMA 模型及预测

介绍求和自回归移动平均模型ARIMA（p,d,q）的模型拟合方法,利用SAS统计软件实现模型的拟合。采用时间序列分析方法,对湖北省1978～2013年人均GDP的数据进行分析。通过对数据平稳性检验、模型参数检验、白噪声检验等分析,建立了ARIMA（1,1,0）时间序列模型,并对未来十年的湖北省人均GDP数据进行预报。     

基于二次指数平滑法和优化Kalman滤波的短时交通组合预测

优化改进传统的Kalman滤波模型,解决预测精度不高且预测滞后的问题.用二次平滑指数法和优化后的Kalman滤波模型两种方法组合对道路断面通过交通量进行短时交通预测,通过平均绝对误差(MAE)和平均绝对百分比误差(MAPE)分析预测结果.实例预测结果表明:当修正因子α=0.5时预测结果较为精确,同时,优化改进后的Kalman滤波模型的预测准确性有所提高.组合预测的两种方法都能够有效地降低预测误差,但按权重组合预测的效果更为明显.     

基于量子遗传算法优化的灰色神经网络预测模型

将量子遗传算法用来对灰色神经网络参数做出优化,提出了一种通过量子遗传算法优化灰色神经网络进行预测的建模方法.应用实例表明,文章建立的模型拥有良好的预测效果,可以作为传统方法的一种补充.     

平面空间时空轨迹快速聚类算法研究

针对现有聚类分析算法对平面空间时空轨迹进行聚类的不足,提出了基于区域的快速聚类方法。借助先验知识确定输入参数,使用符合现实情况的切比雪夫距离或曼哈顿距离度量点间距离以划分聚类簇,区分人的各个常驻地点;使用区域叠加的概念度量点的密度,确定簇的质心以获得每个常驻地点的中心坐标;在保证算法复杂度的前提下确定簇的边缘点,标注人在每个常驻地点的活动范围。相比现有算法,该算法更适用于时空轨迹数据分析。     

煤层开采导水裂隙带发育高度研究综述

导水裂隙带发育高度研究在矿井水灾防治、水体下采煤及保护层开采中具有重要的意义。在系统总结前人研究成果的基础上,分析了导水裂隙带高度不同研究方法的基本原理,对研究方法进行了总结分类。综述了力学解析法、数值模拟法、相似材料模拟实验、统计预测法、非线性预测法、综合确定法及现场实测法的研究现状及进展,分析了不同预测方法的不足和发展趋势。     

基于复杂网络的微吧话题流行度预测研究

微吧是微博平台的贴吧,具有良好的话题主题性,为更好地进行话题流行度预测研究,对电影吧作为研究对象,建立复杂网络模型,并设计自适应差分进化算法对网络进行训练。在算法参数的设计中,通过对算法复杂度边界的推导得到最优参数。对比实验表明,较于神经网络该模型结构更加灵活,较于拟合模型该模型能够对话题特性进行更为全面的描述,并且在话题流行度的预测中具有更高的准确度和稳定性。