ARIMA模型在重庆市能源消耗量预测中的应用

能源是人类赖以生存和发展的重要物质基础,对经济的快速发展和人们生活水平的大幅度提高起着无可取代的作用,随着经济的发展人们对能源的需求日益增多,由于地球上的资源是有限的,对未来能源消耗量的准确预测显得尤为重要;运用ARIMA模型对《2013重庆市统计年鉴》中重庆市1981-2012年能源消耗量数据进行分析,结果显示:ARIMA(2,3,2)模型预测未来的结果较为准确,为重庆市资源消耗量提供了可靠的依据。     

基于张量多线性PCA的多变量时间序列模式匹配

提出基于张量多线性PCA的多变量时间序列模式匹配方法,通过张量多线性PCA对多变量时间序列进行低维重构并获得其模式表示,然后利用Frobenius范数设计模式间的相似性度量.在四组公开的多变量时间序列数据集上进行实验,结果表明该方法的匹配准确率较高,时间开销较少,且适用于各种规模的数据集.     

基于局部线性嵌入的时间序列聚类

时间序列聚类是时间序列数据挖掘中重要的研究内容之一。由于时间序列的维数比较大,直接对时间序列原始数据进行聚类性能不理想,如何有效的对时间序列进行维数约简,并且保持原数据集本质特征,是本论文的主要研究点。首先使用局部线性嵌入(LLE)对时间序列样本维数约简,在低维空间对维数约简后的数据进行聚类,然后将它的聚类性能与已有方法如主成分分析(PCA)、分段聚合近似(PAA)进行比较。实验表明,使用LLE更能提高聚类性能。     

基于样本熵理论的长江干流径流序列复杂性分析

基于样本熵理论,选取宜昌站、汉口站和大通站为长江干流主要水文控制站,对3站的径流序列进行分析,研究长江干流径流序列复杂性的空间分布及动态变化特征。结果表明:长江干流径流序列复杂性具有明显的空间差异性,从上游到下游总体上呈现增加趋势。各站的样本熵值与年径流量均呈现负相关关系。宜昌站和大通站径流序列复杂性处于不断增加趋势,汉口站21世纪以来呈现增加趋势。     

爆破振动效应预测方法新进展

介绍了爆破振动效应预测研究的目的与意义,回顾了爆破振动效应预测研究的发展历程,从基于现场监测数据的统计分析法、动力分析法、数值模拟法到振动历程综合预测法,系统地分析了当前各方法的优缺点。结合笔者研究成果,详细介绍了2个先进的预测方法:修正的Anderson模型与基于非线性泛函级数预测模型。对预测结构振动响应的振型分解反应谱法、传递函数法与时程分析法的基本原理、适用条件、预测结果进行了总结。最后指出了爆破振动效应预测研究的发展趋势。     

基于RBF-ARX模型的短期电力负荷预测

为了提高短期电力负荷预测的精度,提出基于RBF-ARX模型的短期电力负荷循环预测法:将短期电力负荷预测看作非线性时间序列预测问题,并根据历史负荷数据建立电力负荷自回归预测模型(ARX模型),用RBF神经网络逼近ARX模型的参数,并用结构化非线性参数优化法(SNPOM)离线估计模型参数。用该方法对湖南某市电力负荷进行预测,将预测结果与实际负荷值进行比较,结果表明:基于RBF-ARX模型的短期电力负荷循环预测法精度高,可靠性强,具有很好的实用性。     

三个常用无理数的带自由参数的级数展开式(英文)

虽然2~(1/2),3~(1/2)和5~(1/2)都是重要的无理数,但它们的级数展开式非常少.为此,本文用超几何方法建立这三个数学常数的级数展开式,相应的结论不但数量多而且带有自由参数.     

2阶微分方程f″+Af'+Bf=0解的增长性

运用Nevunlinna值分布理论和整函数的相关理论,研究了2类不同系数的2阶线性微分方程解的增长性.假设A(z)=h(z)eP1(z),其中P1(z)是m次多项式,h(z)是ρ(h)m的整函数,B(z)是1个级为ρ(B)≠m的超越整函数,证明了方程f″+Af'+Bf=0的每1个非零解都是无穷级;又假设A(z)是方程f″+P2(z)f=0的非零解,其中P2(z)是n次多项式,B(z)是Fabry缺项级数且2ρ(B)≠n+2,也证明了方程f″+Af'+Bf=0的每1个非零解都具有无穷级.     

数据可视化研究综述

数据可视化对于从海量数据中发现规律、增强数据表现、提升交互效率具有重要作用。目前,数据可视化的概念及相关研究领域不断扩展,就数据类型而言,可视化研究逐渐聚焦于多维数据、时序数据、网络数据和层次化数据等领域。通过对中国知网（CNKI）中外文文献进行分析可知：2014年、2015年是数据可视化领域研究热度升级、理论成果大量产出的“里程碑”式年份;中国大数据领域研究热潮形成后,数据可视化是迅速发展的一个重要支撑领域;国内外数据可视化领域的研究,在时间上基本同步,而武汉大学、浙江大学、北京邮电大学、国防科技大学、电子科技大学等都是在该领域研究活跃度较高的国内高校。要获得良好的视觉效果,帮助用户降低理解难度,高效分析数据和洞悉价值,通常还需要注意色彩与语义、突出核心数据、防止数据过载、防止思维过度发散等技术要点。现有的数据可视化技术主要分为基于几何技术、基于图标技术、基于降维技术、面向像素技术、基于时间序列技术、基于网络数据技术的数据可视化方法,以及层次可视化技术和分布技术等。基于几何技术的可视化方法,包括平行坐标、散点图矩阵、Andrews曲线等。基于坐标的可视化方法,可以清晰展示变量间的关系,但受限于屏幕尺寸,当数据维度超过3个时,难以直观显示全部维度,需要结合人机交互技术进行展示,适用于表达不同维度之间的相关关系,比如学生学习行为之间的关联关系等。基于图标的可视化方法,主要包括星绘法和Chernoff面法,以几何图形作为图标刻画多维数据,直观反映出图标各个维度所表示的意义,适用于工作完成情况、激励工作进度概览等。基于降维技术的可视化方法,根据维度属性确定点的坐标,在保持数据关系不变的前提下映射到低维可视空间中,主要涉及主成分分析、自组织映射、等距映射等。基于时间序列的可视化方法,是一种显示数据间相互关系和影响程度的可视化方法,主要包含线形图、堆积图、地平线图等,随着时间发展采集相应数据,并利用上述3类可视化方法进行呈现,适用于表示信息数据流动和变化状态,如不同时间段成绩流向趋势分布、主题概念的变迁等。基于网络数据的可视化方法,核心是自动布局算法,通过自动布局与计算绘制成网状结构图形,主要有力导向布局、圆形布局、网格布局等,常用来表示大规模社交网络结构,适用于活跃度分析、引文关系展现等。层次可视化技术,主要包括节点链接、空间填充、混合方法等,通过绘制不同形状的节点和包围框来表示层次结构的数据,适用于表示群组成员间交互关系的发现和挖掘,如在线协作员工之间的交互。基于CNKI,通过对数据可视化研究情况的分析,提出数据可视化研究过程中的注意点,指出数据可视化需要重点考虑色彩的匹配,在色彩与数据内容的重要度之间建立关联;可视化方案应在满足业务需求的基础上以业务逻辑为依据,合理组合与应用相关可视化技术;统一的可视化风格有助于提升人们理解数据的连贯性、一致性和效率,兼顾用户的审美要求,在风格与色彩之间建立合理的匹配关系;数据可视化应以实用、合理、高效地表现关键过程、关键目标、关键结果为主要面向。此外,对可视化应用实例Echarts展开综述,包括Echarts 交互组件（markPoint和markLine标注点组件、dataZoom区域组件、图例交互组件）在可视化中的应用,以及动态数据绘制等。最后,对可视化存在的挑战以及未来研究方向进行了分析和展望,指出虚拟现实、可视化系统和数据分析是可视化未来的研究方向,其应用热点领域还包括统计可视化、新闻可视化、思维可视化、社交网络可视化和搜索日志可视化等。     

关于Carleson算子的线性化

讨论了Carleson算子C的线性化问题,证明了下面的结论:设1≤p,q<∞,则Carleson算子C为弱(p,q)型的A>0,s.t.对任一有界的阶梯函数n:R→R,均成立‖Cnf‖L(q,∞)≤A‖f‖p,f∈S.此处,Cn为C在n处的一个线性化.并且,说明了对(p,q)型有界性成立类似的结果.此外,对bi-Carleson算子也得到了对应的结论.