快速采样数据建模的最小二乘算法

由于传统的ＡＲ模型不适于快速采样数据的建模，提出了基于增量差分算子建模的递推最小二乘算法，讨论了这种模型与相应连续模型的关系．数据仿真表明这种模型较之于ＡＲ模型有较好的适用性．     

快速采样数据建模的最小二乘算法

由于传统的ＡＲ模型不适于快速采样数据的建模，提出了基于增量差分算子建模的递推最小二乘算法，讨论了这种模型与相应连续模型的关系，数据仿真表明这种模型较之于ＡＲ模型有较好的适用性 。     

居民交通方式选择行为影响因素分析

交通方式选择行为是交通需求预测研究的重要内容。本文利用上海出行者交通方式选择意向调查数据,对小汽车、地铁、自行车三种交通方式的选择行为进行了分析与建模。首先,对地铁票价、小汽车出行时间及费用的多种组合情景下的各交通方式分担比例做了分析。然后,运用计量经济学中的离散选择建模方法,建立了包括出行者个体属性、出行时间及费用等因素的交通方式选择多元logit模型。最后,提出了交通规划和管理政策与措施方面的建议。     

无人驾驶停车共乘缓解瓶颈拥堵研究

利用无人驾驶车辆利于共乘和自行停车的特点,提出了一种新的高效的通勤模式——无人驾驶停车共乘。首先,基于扩展的瓶颈模型,解析了该出行模式下瓶颈处通勤行为的均衡特征,建立了共乘率、停车收费与出行成本(包括瓶颈排队、工作延误、共乘隐私损失及共乘下车延误)之间的定量关系,给出了可诱导至系统最优的拥堵收费方案。然后,实施了数值实验,证明了模型的有效性,探究了模型中关键参数对出行费用的影响。最后,提供了该通勤模式可以应用的实际场景。解析和数值实验结果均表明,该通勤模式可缩短早高峰出行的持续时长,简化出行过程,从而大幅减少出行费用和换乘停车场规模,可为未来解决城市交通拥堵和市中心停车位缺乏等难题提供借鉴。     

地铁车站监测与数据预测分析

安全监测在地铁建设和运营中占据着举足轻重的作用,如何建立科学完备的地铁安全监测方案和针对监测数据进行有效合理的分析是当前研究的重点之一.基于合肥市某地铁车站建设工程,主要介绍了该地铁车站工程的监测方案,并采用灰色系统理论建立GM(1,1)沉降数据预测模型.结果显示,该模型取得了良好的拟合和预测效果,为地铁监测数据分析提供有效的方法.     

适用于大数据的最小二乘半监督支持向量机

为了有效地利用大数据中的无类别标签样本,将最小二乘支持向量机的思想和方法运用到半监督学习中,利用有类别标签和无类别标签样本构造支持向量机模型,通过Lagrange数乘法将其转化为一个线性规划问题,得到了一种适用于大数据的最小二乘半监督支持向量机.该算法有效地提高了支持向量机的测试准确率,具有较好的推广能力.     

数据拟合的固定节点样条最小二乘法

通过两个实利,讨论了在节点给定的情况下用B-样条函数的线性组合作为拟合函数的线性最小二乘方法,即固定节点样条最小二乘法在物理实验数据拟合中的应用问题.     

竖直通道内流动沸腾气泡脱离行为的数据驱动分析

为了研究过冷沸腾过程中气泡的脱离特性,基于统计学分析方法,利用公开发表的实验数据和经验关联式构建驱动分析数据库,运用有限混合模型和标准方差分解方法对竖直过热壁面上流动沸腾气泡脱离直径的影响因素进行数据驱动分析研究。将描述流动沸腾的量纲一参数组作为模型的输入变量,气泡脱离直径作为输出变量,采用Kullback-Leibler散度和χ2距离对于输入变量的敏感性程度顺序分别进行评估。初步的数据驱动分析结果表明:雷诺数和气液密度比对气泡脱离直径的影响最为显著,与传统方法取得的结果具有一致性,证明了数据驱动方法在分析物理问题上的可行性;在现有数据库的基础上,有限混合模型比标准方差分解方法更具一般性,可以直接基于数据库进行应用。     

GPS数据驱动的车辆跟驰行为建模与分析

为研究道路交通流特性,基于车载高精度GPS跟驰试验数据进行车辆跟驰建模研究,结合深度学习理论和数据驱动方法,构建了基于粒子群优化(particle swarm optimization, PSO)的长短期记忆(long short term memory, LSTM)车辆跟驰模型。首先,清洗和平滑车辆轨迹数据,并对驾驶特征行为参数及相关关系进行研究,如加速度、车头时距以及速度与跟驰距离特性关系等。在此基础上,制定跟驰状态筛选规则;其次,构建考虑时间序列的PSO-LSTM模型,识别跟驰数据样本集,将当前时刻的前车速度、车头间距和上一时刻的车头时距作为模型输入,预测当前时刻的跟驰车速度;接着,选用25辆车跟驰试验的高精度GPS数据验证PSO-LSTM模型性能;最后,为验证该模型的优越性,选用传统机器学习SVR(support vector regression)模型以及深度学习LSTM模型作为对比。结果表明,基于粒子群优化的长短期记忆模型预测精度高达0.993,整体预测效果高于SVR模型和LSTM模型,其中预测误差指标MAPE(mean absolute percentage error)较SVR和LSTM分别降低了60.02%、1.52%。PSO算法进行超参数优化后的PSO-LSTM模型,能更好地模拟车辆的跟驰行为。     

成分数据的偏最小二乘回归分析法

本文针对具有成分数据信息的多因变量对多自变量线性回归问题,在传统的线性回归基础上提出了一种成分数据的偏最小二乘回归分析法,并对其进行了理论性分析,论证了该方法的可行性与合理性。     

大数据环境下大学生行为数据价值分析

近年来,信息技术的发展突飞猛进,生活在新环境的下的大学生,无论从学习、生活还是思想观念都产生着变化。本文从大数据的角度观察大学生的行为,研究大学生信息行为的影响因素,重点分析大学生的学习环境,生活环境中获得数据,以便对大学生的行为数据价值有一个全面的了解,从而对大学教育工作和高校管理决策提供有价值的信息。     

基于朴素贝叶斯分类器的乘客出行属性分析

确定出行目的是探究出行规律的重要环节,而公交智能卡数据中恰恰缺少此部分属性。将出行调查数据与智能卡数据融合,对调查数据中的上、下车时间、出行目的进行提取,基于贝叶斯概率模型对其进行分析;对应智能卡数据集,借助朴素贝叶斯分类器对缺少的出行目的属性加以补充。以石家庄市北国商城公交站为例进行实证分析,并基于不同出行目的,对乘客的日出行次数及每名乘客的出行周变规律进行分析。结果表明,该方法对出行目的估计准确率为85.6%,乘客通勤出行平均每周4.7次,因私出行每周2.9次,归家出行每周3.4次,并给出了相关统计结果。     

利用logit模型判定数据缺失机制

利用logit模型刻画了缺失指示变量R的分布,由其分布的参数估计来判定数据的缺失机制类型.在四个假定的基础上,用五个步骤具体操作缺失数据的机制检验.并用两个例子说明了检验的具体步骤.     

大数据时代的信息用户行为分析

大数据时代的数据分析影响着我们的生活和学习,也影响着图书馆的发展。阐述了大数据及用户行为研究现状,分析了大数据时代的用户行为,指出大数据时代的用户行为分析从取样到数据接受和数据分析都发生了根本的变化,同时指出了用户行为分析中存在的不足。     

一类基于偏最小二乘回归分析的成分数据预测模型

针对“因变量和自变量都是成分数据的前提下，如何建立它们之间的线性回归”的基本问题，以经典线性回归分析法为基础，结合对称Logratio变换，建立了一种基于偏最小二乘回归分析的成分数据预测模型，并对该模型进行了理论实证分析，论证了该模型的可行性与优良性，从而为解决具有成分数据信息的多重相关变量回归问题提供新的途径．     

基于大数据的贵阳市交通拥堵问题治理研究

伴随经济发展和城镇化建设而出现的交通拥堵,已经成为制约城市发展的重要问题。尽管多年来城市管理者和交通问题研究者,从不同的角度提出了若干治理对策,但多数对策主要是以"限行"为主,这不仅没有彻底解决问题,反而带来了新的社会矛盾。随着大数据技术的发展,加上城市交通卡口建设的增多,利用大数据技术来解决交通拥堵已成为可能。通过清洗和梳理贵阳市多个交通卡口的实时通行数据后,借助R语言构建路况识别模型和拥堵预测模型。结果用于分析道路交通状态和预测道路可能的拥堵情况,为有效的组织车辆通行、引导车辆分流提供科学的支撑。     

大数据驱动下自动化码头资源冲突辨识

为辨识自动化码头资源冲突,从而更好地管理自动化码头资源,以厦门远海自动化码头为研究对象,应用模糊聚类算法,对码头大数据进行聚类分析,得出影响码头效能因素的分类结果。利用分类结果构建熵权物元模型,对码头资源冲突进行辨识,得出自动化码头资源冲突仿真图。通过实例分析可知:自动化码头资源冲突曲线呈现V型特征,各类冲突因素相互交叉,末端作业的资源冲突相对显著。     

面板数据的因子分析

主要应用多元数理统计中的因子分析方法，对多指标面板数据进行了分析，并应用综合评分法对各地区的工业企业生产效率进行了分类。结果表明，应用因子分析的结果与现实基本相符。     

基于广义加-乘危险率模型的多重事件时间数据病例队列试验研究(英文)

用伪似然函数的方法集中讨论了基于广义加-乘危险率模型的多重事件时间数据病例队列试验.考虑两种抽样机制.模拟试验和一个实例被用来评价估计量的表现.     

移动最小二乘增量式多视点云数据融合算法

在散乱数据点移动最小二乘曲面拟合的基础上,提出了一种增量式多视点云数据融合算法.将算法中多视点云数据作为对同一物体表面二维流形的一次采样,采样数据中包含匹配误差、冗余和畸变,把多视点云数据融合问题转换为由包含误差的散乱数据点恢复二维流形的过程.对每一幅当前处理的点云,寻找当前点云与已增量式融合的点云数据的重叠部分,在重叠部分数据集上构造移动最小二乘曲面,将重叠部分的每一个在移动最小二乘曲面上的对应点合并到当前已增量式融合的点云数据集中,从而实现了增量式多视点云数据的融合.实验证明,该算法是一种有效的多视点云数据融合算法,并且可从较大匹配误差、噪声、畸变的多视点云数据中获得较好的融合效果.