京津冀地区专利质量动态演进趋势分析

文章利用2006—2019年京津冀地区专利数据,对三地专利数量、专利结构、专利开发主体表征的专利质量指标进行了分析,剖析了京津冀地区专利授权率、发明专利比例、职务专利比例、开发主体比例等数据动态演进趋势,提出确立以质为本的专利创新导向,不断提升专利主体的创新能力,发挥对区域创新引领示范作用等对策建议.     

数字普惠金融发展对产业结构优化升级的影响研究

从理论的角度分析产业结构升级优化的重要性,再采用系统GMM和固定效应等模型实证分析了数字普惠金融在不同区域和不同维度发展与产业结构升级之间的关系.检验结果表明:数字普惠金融显著促进了我国产业结构优化升级,其中对产业结构高级化的显著性和效果高于产业合理化,其次不同维度的数字普惠金融主要是通过覆盖广度和数字化程度产生作用,最后数字普惠金融在中西部地区产生的作用相比东部地区更为显著.     

基于层次分析法的科研单位学科服务评价模式

根据层次分析法的原理,结合科研单位学科服务的特点,构建了基于层次分析法的科研单位学科服务评价模式,包括人员素质、资源保障、环境保障、服务能力、制度保障5个一级指标以及16个二级指标,该评价模式能够全面反映科研单位学科服务的质量与水平,发现学科服务的优势和不足,有助于科研单位图书馆采取针对性的措施改进学科服务.     

ECOC多分类算法在慕课数据挖掘中的应用

收集并整合多所高校学生的慕课学习行为数据，设计基于数据复杂度的纠错输出编码（ECOC）多分类算法。该算法利用数据复杂度降低多类之间的分类难度，从而提高算法的预测准确度。实验结果表明，在不同高校的慕课数据集的测试中，所设计基于数据复杂度的ECOC分类算法比传统的ECOC算法具有更高的分类准确度和鲁棒性，实现了学生学习成绩多等级的有效预测，为个性化教学奠定了基础。     

基于旅客画像的航班出行选择预测方法研究与实现

根据预处理后的旅客出行数据,运用改进的K-means聚类算法进行用户分群,提取聚类特征得到旅客类型子集合,并构建用户画像.基于特征重构数据库,构建旅客类型、出行方式、出行时间段三个维度的交叉巢式Logit模型,捕捉选择方案间的相关性,预测旅客航班出行方式、出行时间段的交叉选择,并基于实际数据进行参数估值和检验.结果表明,旅客倾向于先根据个人及家庭的需求形成旅客类型,考虑选择何种出行方式,最后在旅客类型和出行方式的双重约束下选择航班的出发时间,为机场实施需求管理提供有效依据.     

安全视角下动态共乘匹配成功率的仿真

研究在安全视角下，动态共乘系统对于出行个体的匹配建模与仿真结果分析。构建动态共乘匹配模型框架，并分别建立乘客安全信任演化模型、政策导向影响模型、平台安全投入影响模型和安全事件影响模型，通过系统仿真的方式获得运行数据，以此评价政策宣传密集度和强度、平台安全投入强度、司机对安全投入敏感度和高危安全事件发生概率等因素对司乘匹配成功率的影响。研究结果表明，政府主导的监管模式相对于平台主导模式而言更能显著提升司乘匹配成功率，而政府和共享乘车平台的双重监管模式对司乘匹配率的提升最为有效。同时，政府政策导向宣传作用和平台安全投入作用均存在一定的衰减效应，政府与平台需要把控监管的时机和度量问题。特别地，平台可以重点关注对安全投入敏感度更高的司机，这类司机更容易在受监管的情况下规范自身行为，使得平台的安全投入更加行之有效。     

空间用四轴陀螺组合浪涌防护及数据填补方法

针对空间用四轴陀螺组合换轴及光源切换时产生浪涌以及数据丢失的问题, 提出了一种浪涌防护及数据填补方法。首先，采用双光源方案, 设计了浪涌防护电路, 降低了上电过程中瞬时大电流对元器件的影响。然后，建立了数据填补机制, 用来弥补切换过程中丢失的数据。最后，进行了地面数据填补实验, 角速率分别设为0.174 5 rad/s和1.745 rad/s, 预测的角速率与实际的角速率分别相差不超过0.003 rad/s和0.008 rad/s, 相对残差分别为0.003 9和0.001 2, 验证了所提方法的有效性。     

基于码头闸口数据的集卡周转时间短时预测方法

为给车辆调度优化以及集卡预约系统设计提供重要参考,利用所采集的深圳市某港口的码头闸口数据,建立一种基于数据挖掘的集卡周转时间短时预测方法.首先,通过对码头闸口数据进行分析,获取车辆到达时间分布、任务类型、作业方式等集卡作业特征以及集卡在码头内的周转时间;在此基础上,利用循环神经网络并结合训练集数据,建立集卡作业特征与其周转时间之间的映射关系.其次,为减少随机波动对周转时间预测效果的影响,利用小波分解算法对循环神经网络拟合结果的残差进行高频噪声分离,并通过自回归模型拟合过滤后的低频序列.最后,将拟合后的循环神经网络与自回归模型进行结合,建立一种支持集卡周转时间短时预测的组合模型,并利用测试集数据进行有效性验证.结果 表明,相比单一的循环神经网络,该组合模型可以大幅提升预测精度.     

基于最佳断点的圆形件T形下料算法

【目的】圆形件下料问题广泛存在于工业生产中，如汽车、船舶零部件的制造等。通过提高材料利用率，减少切割成本可有效降低企业生产成本。基于此，提出了一种基于最佳断点的圆形件T形下料算法。【方法】首先根据需求的圆形件种类生成多规格的标准条带，然后根据规范长度求得点长度集合，再用全容量动态规划算法生成排样方式，遍历断点长度集合，得出最佳断点长度和排样方式，确定排样方式的使用次数并加入排样方案，直到满足所有圆形件的需求；最后根据价值修正公式不断调整圆形件价值，通过迭代生成多种排样方案，以防算法陷入局部最优。【结果】与文献数据相比，该算法能够提高材料利用率，降低切割成本。【结论】实验结果表明，该算法在降低企业生产总成本上具有有效性。     

基于混合流量预测的虚拟网络拓扑重构方法

目前在构建虚拟网络时, 为满足用户动态变化的带宽需求, 虚拟网络控制平台通常把虚拟链路带宽设置为流量最大值, 一定程度上造成了资源浪费。针对这一问题, 提出一种基于混合流量预测的虚拟网络拓扑重构方法, 利用基于参数优化选择的混合流量预测算法对下一周期的网络流量进行预测, 根据流量预测结果进行拓扑重构, 在避免出现乒乓效应的同时节省更多带宽资源。为了提高流量预测算法的精度与效率, 首先采用小波分解方法将流量数据分解为高频的细节时间序列和低频的近似时间序列, 然后利用基于粒子群优化的相空间重构方法, 对该时间序列进行特征提取构建训练样本。之后分别采用混沌模型对细节时间序列进行训练预测, 采用极限学习机(extreme learning machine, ELM)神经网络对近似时间序列进行训练预测。仿真结果表明, 所提的流量预测算法在保证预测精度的同时, 运行时间更短, 预测效率更高, 进而保证了拓扑重构方法可以节省更多的带宽资源。