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.     

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.     

双叉式叶尖结构对风力机流场特性影响的数值模拟

以波音737MAX机翼的双叉式叶尖结构为风力机叶尖改型设计思路,设计出双叉式叶尖结构风力机,利用计算流体力学(computational fluid dynamics,CFD)进行数值计算.结果 表明:双叉式叶尖结构风力机叶片压力差、叶尖线速度小于未改型风力机叶片,但上叉与下叉压力差总和大于未改型风力机叶片,增大了双叉式叶尖结构风力机总输出功率,主要影响因素为叶尖开叉角度.通过风洞实验验证了数值模拟的合理性,实验和数值模拟表明双叉式叶尖结构风力机尾迹轴向速度损失小于未改型风力机.     

动车组进站过程精准停车控制方法研究

通过分析高速动车组进站停车过程中制动力与速度之间的关系,构建动车组多质点动力学模型。由于制动停车后期产生空气制动力过程给系统带来延时影响,引入Smith预估器,采用基于RBF(Radial Basis Function)神经网络的PID控制策略与Smith预估器相结合,实现制动过程中对给定速度的跟踪控制。仿真分析表明:该混合控制器控制的列车速度与设定速度的误差小于±1 km/h,停车误差小于±0.3 m,可满足进站制动停车的要求。     

基于系统动力学的高铁客运需求预测

为了确定中国高铁客运需求的发展规模和规律,通过分析与高铁客运需求相关的经济、人口、设施供给及民航竞争的影响因素,建立了高铁客运需求的系统动力学模型.经过对既有历史数据的验证分析,证明系统动力学模型的有效性,且预测精度优于传统方法.根据经济人口及出行要素设定了三种增长情景,预测发现,中国未来不同情境发展下的高铁客运需求将持续上升,高铁客运周转量2024年突破1万亿人公里,高铁出行量2026年突破30亿人次.基于以上结论,提出了中国高铁建设、票价及服务方面的建议.     

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。     

上市公司高管连锁网络与分析师盈余预测精度

以2011~2017年度沪深两市A股上市公司为样本，从私人信息供给的视角，考察企业高管连锁网络对分析师盈余预测精度的影响。研究表明：上市公司网络中心度显著提升了分析师盈余预测精度；当上市公司的公开信息不充分时，其网络中心度对分析师盈余预测精度的提升效果更明显；当上市公司高管与连锁公司其他高管互动机会越多时，其网络中心度对分析师盈余预测精度的提升效果越明显。上述结果表明，上市公司的高管连锁网络上存在泄露的私人信息，这些信息能够被分析师捕获，最终丰富金融市场中的信息供给。进一步研究发现，上市公司高管连锁网络上流动的私人信息包含公开渠道上常常被延迟披露甚至被隐藏的坏消息，有助于纠正分析师的公开信息偏差。研究结果拓展了分析师盈余预测的相关研究，有助于加强对上市公司私人信息流动方式的理解。     

生产率差距与产业创新转型的时机选择

随着与世界前沿水平的接近，高中等收入经济体要实现持续增长就必须推进创新战略转型，即从模仿式创新为主转向自主创新为主。以此为基本思路，本文将宏观层面的研究深入到产业层面，构建理论模型，并利用中国与美国1998—2018年工业分行业数据，分析了不同创新战略对生产率的贡献如何随着技术前沿距离变化，并在此基础上探究了创新战略转折点的性质。研究发现：(1)自主创新对劳动生产率的贡献逐渐增加，模仿式创新的贡献趋于下降；(2)当与世界前沿距离达到临界值时，两种技术进步模式对生产率的影响出现转折，利用门槛分析方法作出判断，中国的创新战略转折点应在2005年前后；(3)考虑到产业技术的特性差异，针对技术密集型行业，鼓励自主创新的政策更为有效，而模仿式创新在非技术密集型行业中仍有较大空间。