基于网络分解与叠加的用户均衡网络敏感度分析

在交通网络用户均衡问题中,敏感度分析就是确定均衡网络状态时起讫点交通量及路段旅行时间的变化对路段交通量或路段旅 行费用的影响. 文章以确定型交通网络用户均衡问题为研究对象,推导了均衡网络的敏感度方程,运用网络分解与叠加的方法 提出了敏感度方程的求解方法,并分别给出了网络分解与叠加的实现方法. 该方法可以有效解决均衡网络敏感度分析中的秩亏 问题,相比基于数学规划法的敏感度分析有了很大改善. 这样,基于变分不等式的网络敏感度方程即可直接用于敏感度分析,为敏感度分析在交通规划、建设与管理中的应用提供了很大的便利.     

中国产业CO2排放的因素分解: 基于LMDI模型

将LMDI方法与投入产出结构分解技术相结合, 建立了中国产业CO₂ 变动的结构分解模型, 并 通过中国1997、2002、2007年不变价投入产出表, 分析了1997-2007年全周期以及1997-2002 年与2002-2007年两个子阶段中国产业 CO₂ 排放变动的主要影响因素. 分析结果表明, 最 终需求总量变化是驱动中国产业 CO₂ 排放增加的最主要因素, 其中出口、投资要比国内最终消费的 影响力更大; 各产业能耗强度的下降是中国产业 CO₂ 减排的最主要的影响因素. 从产业视角看, 能源工业与重制造业是中国产业 CO₂ 排放的'大户'. 长期看, 中国世界工厂的地位不转变, 能 耗继续上升与 CO₂ 排放增加的趋势则很难改变. 中短期内, 适度增加进口、抑制出口, 改 变进出口结构, 同时继续降低各产业、尤其是能源工业与重制造业的能耗强度, 是抑制中国产业CO₂ 排放过快增长的主要途径.     

基于分解-聚类-集成学习的汇率预测方法

本文集成了经验模态分解(EEMD)、最小二乘支持向量回归(LSSVR)和K均值聚类方法,提出了一个新的外汇汇率预测方法,称为基于EEMD-LSSVR-K的分解-聚类-集成学习的外汇汇率预测方法.该方法利用聚类策略将分解-集成学习中固定权值集成学习扩展到基于局部数据特征加权的非线性集成加权学习,从而克服了分解-集成方法中集成学习阶段的不足.本文将该方法用于四种主要外汇汇率的预测,实证结果表明:在提前1天、提前3天和提前6天的预测中,本文所提出的EEMD-LSSVR-K方法的水平预测性能和方向预测性能显著地优于基准模型;同时也证实了聚类策略能够有效提高分解-集成模型的预测效果.     

中国与日本能源消耗和CO_2排放差异的空间结构分解

中国是世界上的能源消费大国,其能源消耗总量和CO_2排放总量远高于邻国日本.为分析该现象发生的原因,本文利用结构分解技术(SDA)分别量化分析了两国能耗强度、CO_2排放强度、生产投入结构和最终需求的差异对中日两国能耗和CO_2排放差距的贡献.研究发现,中国高能耗强度、高CO_2排放强度和能源密集型的中间消耗结构是导致中国能耗和CO_2排放远大于日本的主要原因.同时,中国投资和出口拉动型的经济增长方式,使得中国的最终需求结构更倾向于消耗能源密集型产品,这也进一步加剧了中日两国的能耗和CO_2排放差异.本文同时量化分析了各个行业对两国能耗和CO_2排放的影响,分部门来看,钢铁、化学制品、非金属矿物制品、建筑、电力、热力供应等行业是引起中日两国能耗和排放差异的主要行业,也是未来我国节能减排工作所应重点关注的行业.     

基于任务分解的作战仿真研究

大规模作战的仿真对仿真系统的计算能力和容错能力都提出了很高的要求,所以对大规模战争系统的仿真正在向分布式和并行计算方向发展。该文对大规模复杂战争仿真系统的研究涉及到的仿真任务分解、仿真计算资源的监测与管理、仿真任务负载的动态平衡和仿真任务的迁移等问题进行了阐述。提出了任务分解的三种策略,在任务分解的基础上,给出了实现大规模作战分布式仿真系统的初步结论和建议。     

基于小波分解的月径流预测校正模型研究

根据小波分析理论,建立了月径流序列的小波分解预测校正模型。该模型通过小波分解方法将月径流非平稳时间序列分解为多个细节信号序列和一个逼近信号序列,然后运用平稳时间序列的ARMA模型对各信号序列分别进行预测,最后再对各序列预测结果的和进行校正。以长江的宜昌站和寸滩站的月径流资料为例,分别采用ARMA模型、季节性ARIMA模型、BP神经网络模型以及所建立的小波分解预测校正模型进行模拟预测,并讨论了小波分解尺度数对小波分解预测校正模型的影响。结果表明,所建立的小波分解预测校正模型较其它模型具有更高的预测精度,并且尺度数对月径流序列模拟预测的效果没有显著的影响。     

基于本体的分布式查询分解算法研究

针对相关领域数据分布在不同站点,数据源的准确定位是分布式语义查询系统的关键,提出子本体交叉递归推理方法,该方法利用子本体间相互交叉的特点,从增强子本体中获取隐含的查询结果,从而保证分布式查询的语义完整性,提高了查全率。在此基础上,将分布式RDF查询分解为多个查询片段的分解策略保证分布式语义查询模式的分布透明性。最后描述算法的详细设计过程,并分析时空复杂度,其结果分析表明算法具有较好的计算性能。     

基于EWT-SSA-PSO-ELM模型的P2P网贷市场收益率预测

鉴于目前鲜有研究关注P2P网贷市场收益率预测问题,针对已有金融市场收益率预测研究存在的不足,提出了一种基于两阶段分解技术和粒子群优化极限学习机的EWT-SSA-PSO-ELM预测模型.引入EWT经验小波分解算法对原始的收益率综指序列进行分解,进而提高原始序列的分解效率;采用Lempel-Ziv复杂度算法提升模式分量重构...     

基于杂交模型及逻辑分解算法的JSSP研究

作业车间调度,是指为具体的任务(工序)安排生产资源(机器)并确定合理的加工顺序,是一个典型的NP-Hard问题,有着广泛的研究.首先介绍混合整数规划MIP和约束编程CP的互补优势.然后建立JobShop调度问题的MIP/CP杂交模型,并针对杂交模型的特点提出一种基于逻辑的分解算法.最后用几个实例证明了该模型及算法的求解速度.     

基于误差修正与分解的区间值股价时间序列预测研究

与点值数据相比,区间数据更能够从全局上刻画股票市场的内在结构特征.然而,已有关于区间数据的预测研究只关注误差序列的单次预测或原始序列的预处理,并且所采用的方法通常不能充分地提取区间值股价时间序列的主要特征.因此,本文提出了对区间值股价时间序列进行预测的误差修正与分解方法.鉴于误差序列在组合预测模型中的作用,本文首先采用Ljung-Box检验和机器学习模型对原始序列产生的区间值误差序列进行检验和修正.接着,利用双变量经验模态分解技术将修正后的误差序列分解成多个本征模态函数(IMFs)和一个残差.随后,利用单个机器学习模型对除了IMF1分量外的各个IMFs分量和残差分别进行预测.最后,将原始序列和误差序列的预测值进行组件聚合,重构出区间值股票价格的预测值.进一步,在提出方法的基础上,本文构建了基于误差修正和分解的区间值股价预测模型,并利用真实的股票市场数据进行实证分析.实验结果表明,所提出的方法在预测精度方面明显优于一些传统方法.