基于Multi-Agent模型的在线负面口碑传播与治理机制

针对互联网的小世界及无标度网络等特性建立Multi-Agent(多主体)网络口碑传播模型,并加入了主动治理参数,利用NetLogo模拟软件开发了基于多主体模型的全新模拟程序SNOW(Spreading of Negative Online Word-of-mouth),模拟分析了在各种不同网络环境和传播模式环境下的负面口碑治理的统计特性。结果表明,负面口碑在规则网络和小世界网络中的传播谱特性分别与网络规模、结构以及网络社区的成熟程度紧密相关。     

融合新闻影响力衰减的国际原油价格预测研究

随着大数据技术的发展,新闻数据被应用于国际原油价格的预测,但是目前缺乏对新闻数据影响程度和影响时长的研究.为量化新闻影响衰减,本文基于指数衰减和互信息提出了一种新闻影响力指数衰减时间序列的计算和择优方法.为提高预测精度,本文构建了基于差分进化优化算法的组合核函数支持向量回归预测模型,实现了权重系数、核函数参数和回归模型参数的优化选取.为评估方法的有效性,本文选择了8个模型进行对比研究.实证结果表明:本文设计的新闻影响力指数衰减时间序列计算方法提高了新闻指数与原油价格的相关性,有利于提升原油价格的预测精度;本文设计的预测模型具有较好的预测精度,验证集的平均绝对百分比误差为1.53%,优于对比模型.     

基于消费者信任关系的在线口碑信息传播模型

在社会化媒体环境下,研究信任关系对在线口碑传播过程的影响,有助于企业制定合理的营销策略控制口碑传播。以社会关系强度刻画消费者之间的信任度,考虑社会强化现象及消费者兴趣转移现象;以SIR传染病模型为基础,构建基于信任关系的连续时间马尔科夫在线口碑传播模型。通过数值实验,分析了不同网络结构下信任关系对在线口碑传播的影响。实验结果显示：信任度的提升可显著促进在线口碑传播,当社区存在交叠时,社区信任度的促进作用增强,而社会信任度作用则减弱;另外,相比于社区内部信任,提升陌生人之间的信任促进作用更强,尤其是当网络社区结构一般或较弱时,且此时高影响力用户可在控制口碑传播过程中发挥更大作用。     

基于加权支持向量回归的在线训练算法及应用

针对时变系统的在线辨识问题,提出了一种加权支持向量回归方法,根据时间信息给予历史数据不同的加权,实现了精确在线训练算法,在保持精度的同时避免了采集到新样本时重复训练,大大加快了训练速度。研究了该算法的复杂度并加以改进。将该方法应用于氯气投加系统过程模型的在线辨识,在训练速度和精度上都较为满意,这一结果说明了该算法的有效性。     

一种改进的预测函数控制法

采用正弦多项式的基函数形式代替传统的级数多项式,基于离散状态方程建立了一种改进的预测函数控制方法,与传统预测函数控制方法的区别是基函数的响应限制在一确定的范围内,避免了过大的基函数取值,从而获得更好的控制性能和更广泛的适用控制对象。仿真结果表明,该算法在跟踪速度、控制精度、鲁棒性和抑制干扰能力等方面比原有预测函数控制方法更强。     

基于小波基函数和Hammerstein模型的预测函数控制

针对实际对象的多变性和传统的预测函数控制只能对预测时域内有限的几个拟合点进行拟合,而未考虑整个预测时域整体逼近误差性能优化的问题,提出一种基于小波基函数和Hammerstein模型的预测函数控制方法.内部模型参数通过不断辨识,进行自适应校正.利用小波的紧支局部性和多尺度分析特性,既保证了整体误差性能的优化,又突出了重要拟合点的逼近要求,并实现了优化变量的集结.理论分析和仿真应用表明,该方法有更好的快速性和抗模型失配性能.     

负面在线评论及商家回复对顾客购买意愿的影响

从负面在线评论比例和失误严重性两个角度出发,通过引入归因理论、感知信任和商家回复等相关内容,探究负面在线评论对潜在顾客购买意愿影响机制和内部机理.对496份调查问卷所得数据进行统计分析,研究结果表明:负面在线评论比例和失误严重性都对潜在顾客购买意愿有显著的负向影响,且两者都通过影响失误的归属性归因、可控性归因、稳定性归...     

基于多准则神经网络与分类回归树的电信行业异动客户识别系统

以电信行业为应用对象,建立了一种基于多准则神经网络(MCNN)与分类回归树(CART)的的异动客户识别系统.该系统首先用多准则神经网络对客户属性进行约简,然后构造用于识别异动客户的分类回归树.通过对浙江省电信系统的大客户数据的实际验证,结果表明该系统具有较好的鲁棒性和有效性.     

新型的预测函数控制

针对预测函数控制中模型失配影响的情况 ,提出了用模糊推理对控制量进行补偿的解决方案。并将基于模糊补偿的新型预测函数控制应用于锅炉燃烧控制系统。连续系统仿真结果表明 ,这种控制器具有较强的鲁棒性。     

基于纳什优化的多变量系统的解耦预测函数控制

针对状态反馈控制系统，提出多输入多输出系统的解耦预测函数控制算法设计。利用预测函数控制算法的特点，引入基函数增加了设计的自由度，减少了在线计算量。通过采取分散优化策略代替整体优化，基于纳什优化实现系统的解耦控制。仿真结果表明该方法具有很好的控制效果。     

零膨胀负二项回归模型的推广与费率厘定

在费率厘定中,当索赔次数数据存在过离散(over-dispersion)特征时,通常会采用负二项回归模型,但当索赔数据中同时又出现零膨胀(zero-inflated)问题时,负二项回归模型不再适合对这样的数据进行分析.在传统的零膨胀负二项回归模型为基础,并将其推广到更为一般的形式,同时利用解决费率厘定中出现的既有过离散又有零膨胀的问题.通过对一组汽车 损失数据的拟合,推广后的零膨胀负二项回归模型有效地改善了拟合效果.     

基于Bagging与决策树算法的在线拍卖成交价格预测模型

通过分析在线拍卖出价特点,利用决策树和Bagging算法建立了一种全新的在线拍卖成交价格预测模型.作者编写程序收集淘宝网在线拍卖交易数据3310条,对应有效出价记录8275条. 数据分析表明, 如不考虑未成交商品,则有40.4{\%}的交易可以利用出价次数精确计算最终成交价格.如将未成交商品视为成交价格为0, 该比例可提高为79.55{\%}. 据此发现,作者通过预测出价次数间接对成交价格进行预测. 实验证明,模型明显优于平均值预测, 并有21.7{\%}的预测结果完全准确.通过与Heijst发表于《Decision Support Systems》上的研究进行对比,结果表明预测模型在样本需求量、运算时间,及完全准确预测率上有明显优势. 由于模型训练时间仅为数秒,为建立实时在线拍卖成交价格预测决策支持系统奠定了基础.     

动态多模型指数平滑法融合的在线预测方法

针对传统预测算法实时性差、难以适应多种数据变化情况、参数无法根据数据的实时变化进行在线调整等问题,提出了一种动态多模型指数平滑法融合的在线预测算法。该算法根据历史数据的预测误差,动态调整指数平滑法的平滑系数,以及1次、2次、3次指数平滑法的融合权值,实时得到对传感器测量参数的准确预测。仿真表明,该算法在多种数据变化情况下均优于单一采用指数平滑法。     

动态多模型指数平滑法融合的在线预测方法

针对传统预测算法实时性差、难以适应多种数据变化情况、参数无法根据数据的实时变化进行在线调整等问题,提出了一种动态多模型指数平滑法融合的在线预测算法。该算法根据历史数据的预测误差,动态调整指数平滑法的平滑系数,以及1次、2次、3次指数平滑法的融合权值,实时得到对传感器测量参数的准确预测。仿真表明,该算法在多种数据变化情况下均优于单一采用指数平滑法。     

一种基于AF的决策树算法

属性序列不同于一般的线性回归模型,其样本点之间存在着一定的相依结构,使得常用的探测异常值的方法,如数据删除、单点求导等,对时间序列而言效果不佳。为了探测时间序列中的强影响点,介绍了同时对几个点作微小扰动时自相关函数(AF)的扰动理论。从应用角度提出一种新的决策树方法,实验结果进一步证实,自相关决策树具有全面性与精确性,从而为进一步实现智能信息检索提供了一种个性化的高效信息检索工具。     

基于C4.5决策树方法的到港航班延误预测问题研究

航班延误一直是机场运营管理的一大难题,建立有效的模型实现较准确的延误预测来协助机场方面采取应对措施,于机场于社会都有重要意义. 本研究提出一个面向机场的到港航班延误预测问题,对比现有的贝叶斯网络及朴素贝叶斯方法,结合航班数据的特点构建了基于C4.5决策树的航班延误预测模型. 针对国内某大型机场的真实数据集,本研究 设计了大量实验,实验结果表明所提模型正确率接近80%,较两种贝叶斯方法有进一步提升. 此外研究还设计实验分析了影响模型效果的因素.     

我国蔬菜总产的主成分回归模型的构建及预测

运用主成分分析法把影响我国蔬菜总产的13个因素简化成几个综合的因素，并建立了蔬菜总产的主成分回归模型，为我国蔬菜总产的预测建立了一个简单而又有效的数学模型。表5，参5。     

基于改进稀疏KELM的在线非平稳动态系统状态预测方法

本文针对基于核的增量超限学习机(kernel based incremental extreme learning machine,KB-IELM)对非平稳动态系统的时变状态跟踪能力不足的问题,提出一种新型的状态预测方法。通过融合遗忘因子和自适应时变正则化因子构建新的目标函数。通过最小化字典的快速留一交叉验证(fast leave-one-out cross-validation, FLOO-CV)误差,选择具有预定规模的关键节点以构成字典。通过融合遗忘因子,为字典中各关键节点按时间顺序分配不同权重。基于FLOO-CV原则,使用天牛须搜索(beetle antennae search,BAS)算法为不同的非线性区域赋予不同的正则化参数。通过矩阵初等变换和分块求逆,实现核权重向量的在线递推更新。将模型应用于非平稳Mackey-Glass混沌时间序列预测和某型飞机发动机的状态预测。所提算法相比于最新的非平稳在线序列核超限学习机(non-stationary online sequential kernel extreme learning machine,NOS-KELM)和融合自适应正则化因子的在线稀疏核超限学习机(online sparse kernel extreme learning machine with adaptive regulation factor, OSKELM-ARF)两种方法,其训练精度分别提升了66.67%、50.72%、预测精度提升了67.02%、56.34%,最大预测误差减少了67.27%、51.09%,平均相对误差率分别减少了67.18%、59.62%。实验证明所提算法有效提升了在线预测的精度。     

基于改进稀疏KELM的在线非平稳动态系统状态预测方法

本文针对基于核的增量超限学习机(kernel based incremental extreme learning machine,KB-IELM)对非平稳动态系统的时变状态跟踪能力不足的问题,提出一种新型的状态预测方法。通过融合遗忘因子和自适应时变正则化因子构建新的目标函数。通过最小化字典的快速留一交叉验证(fast leave-one-out cross-validation, FLOO-CV)误差,选择具有预定规模的关键节点以构成字典。通过融合遗忘因子,为字典中各关键节点按时间顺序分配不同权重。基于FLOO-CV原则,使用天牛须搜索(beetle antennae search,BAS)算法为不同的非线性区域赋予不同的正则化参数。通过矩阵初等变换和分块求逆,实现核权重向量的在线递推更新。将模型应用于非平稳Mackey-Glass混沌时间序列预测和某型飞机发动机的状态预测。所提算法相比于最新的非平稳在线序列核超限学习机(non-stationary online sequential kernel extreme learning machine,NOS-KELM)和融合自适应正则化因子的在线稀疏核超限学习机(online sparse kernel extreme learning machine with adaptive regulation factor, OSKELM-ARF)两种方法,其训练精度分别提升了66.67%、50.72%、预测精度提升了67.02%、56.34%,最大预测误差减少了67.27%、51.09%,平均相对误差率分别减少了67.18%、59.62%。实验证明所提算法有效提升了在线预测的精度。     

单参数支持向量回归算法

支持向量机是一种基于统计学习理论的新颖的机器学习方法，由于其出色的学习性能，该技术已成为当前国际机器学习界的研究热点．这种方法已广泛用于解决分类和回归问题．在回归中，标准的支持向量回归算法在采用ε-不敏感损失函数时引入两个参数．为了减小学习复杂性，给出一种单参数约束下的支持向量回归算法，该算法能够减少支持向量的数量，提高程序的运行速度．最后，以一个混沌时间序列预测为例，所给方法同标准支持向量回归算法进行了比较，运行速度明显提高．