我国居民消费价格指数的FAR模型

根据我国居民消费价格指数的非线性特征,基于多项式样条估计,并利用AIC准则和逐步回归方法选择门限变量和滞后变量,建立了函数系数自回归(FAR)模型,同时运用所建模型对我国居民消费价格指数进行估计和预测,计算结果表明:FAR模型能够很好地解决居民消费价格指数估计和预测这一问题,而且预测精度较高.     

灰色BP神经网络组合模型在大坝沉降监测中的应用

大坝沉降是一个非线性的过程。为了能准确预测大坝沉降,将GM(1,1)模型和BP神经网络模型结合,以某大坝沉降量为实例,研究灰色BP神经网络在大坝沉降监测中的应用。通过GM(1,1)获得一组拟合数据,将拟合数据和原始值作差得到拟合值的误差序列,再利用BP神经网络模型对拟合数据和拟合数据的误差序列进行训练,最后再以拟合数据作为输入值,利用训练完成的BP神经网络得到误差序列,进而得到预测值。经过实验分析,得出组合模型的预测精度高于单一模型的预测精度。     

基于缺失值的海南旅游总收入的季节ARIMA模型及预测

讨论了带有缺失值的2007年1月至2013年2月的海南旅游总收入的数据,利用不同处理缺失值的方法对数据进行整合,得到海南省旅游总收入服从季节ARIMA模型,并由此对海南旅游总收入趋势进行有效预测.     

基于两次改进的灰色-马尔可夫模型的太原房价预测

针对灰色-马尔可夫预测模型,先是利用多项式拟合对灰色预测曲线进行改进,然后利用递进转移概率矩阵对上述模型再次进行改进.最后将上述五种模型对太原最近两年的房价进行预测,并对各个模型的结果进行平均相对误差、后验差比值等分析,结果表明,两次改进的灰色马尔可夫模型优于其它四种模型.     

基于灰色预测法对广东省地区生产总值的预测分析

将广东省地区生产总值作为研究对象,基于灰色预测法对1978—2016年数据进行分析,建立GM(1,1)模型.数值仿真结果表明,该模型的拟合效果较好.利用所建立的模型预测2017—2021年广东省地区生产总值,可为了解广东省未来经济发展水平提供一定的参考.     

基于SIR模型的流行性传染病传播趋势预测研究

传染病的传播严重威胁人民的生命安全,及时有效地预测传染病传播趋势,对传染病的防治具有重要的作用.基于SIR模型,模拟了流行性传染病在人群中的传播过程及传播趋势.利用公开数据集统计了国内外疫情数据,基于SIR模型,利用最小二乘法进行数据拟合,对疫情传播趋势进行了预测和分析,并对预测结果进行了验证.实验结果表明,预测结果和确诊数据能有效拟合,验证了模型的有效性.     

我国保险公司保费收入的时间序列预测

采用时间序列分析方法,分别对我国保险业两大主要保险公司——中国人寿和中国人保公司寿险和财险业2004年8月～2010年8月的保费收入数据进行建模分析,建立了ARIMA乘积季节模型,并利用所建模型进行预测,结果显示,该模型有较好的预测效果,为我国保险公司保费收入的监管和使用提供了理论参考.     

基于季节时间序列模型对海南旅游人数的预测分析

采用季节调整模型与SARIMA模型,通过利用最小二乘法的理论和海南省2002年9月-2011年8月各月的旅游人数,对两种模型进行参数估计．比较2011年9月—2012年8月的均方误差,发现SARIMA模型的短期预测较优．最后,对海南未来一年旅游人数做出预测．     

分离变量微分方程的人口总量预测模型改进

对马尔萨斯人口模型和Logistic模型这2种基本的人口模型进行了改进.将2种改进模型的拟合预测与实际人口进行比较,结果表明,这2种模型预测结果都比连续型和离散型的Logistic模型的预测结果要好.在改进的阻滞增长模型中,当j(x)为x的一次函数时预测结果误差比所有模型的误差都小,是所有预测结果最好的一种模型.     

我国居民消费水平的中长期预测

根据全国1992－1999年居民消费水平的统计数据，采用灰色系统理论的数据预测及缓冲算子公理，结合定性分析，建立了GM（1，1）模型，预测了我国2000－2005年居民消费水平的发展前景。     

黑龙江省人口的GM(1,1)组合预测模型

在黑龙江省2001年至2007年人口数据的基础上,分别应用Logistic增长模型,灰色系统的GM(1,1)理论,构建了人口预测模型,并将预测值和实际值进行比较,分析,表明该模型误差较小,可应用于实践.其次,考虑到模型的确定性,将两种模型有机的结合起来,建立一种更加合理的符合实际的模型,以提高模型的预测准确度.最后,利...     

城市收缩的识别及其影响因素

针对地区之间的发展不均衡程度加重，城市收缩现象愈发普遍问题，通过灰色预测对未来城市人口数量进行预测，并与前一阶段人口数量数据相结合对城市收缩情况进行分类，使用双向固定效应模型建立城市人口数量与其影响因素之间的函数关系．结果表明，灰色预测模型能够较为准确地预测城市人口数量，在结合前一阶段人口数量的基础上，以年均人口流失率为标准，能够合理地对城市收缩情况进行分类；双向固定效应模型能够较好地拟合城市人口数量与其影响因素之间的函数表达式．     

低合金Q420D钢蠕变损伤研究

本研究对低合金Q420D钢进行高温（温度为750℃和800℃）蠕变试验,利用高温蠕变试验数据对K-R蠕变损伤模型和双曲正弦蠕变损伤模型进行拟合,并求得蠕变损伤模型的材料常数。从损伤因子的演化和蠕变寿命预测两方面对K-R蠕变损伤模型和双曲正弦蠕变损伤模型进行比较。结果表明：在损伤因子演化方面,K-R蠕变损伤模型不能完全表述损伤因子从0到1的演化过程,而双曲正弦蠕变损伤模型则能很好地表述损伤因子的演化;在蠕变寿命预测方面,K-R蠕变损伤模型的预测效果优于双曲正弦蠕变损伤模型。     

基于粒子群算法优化BP神经网络的CO_2通量预测

针对现有准确地预测CO_2通量方法的不足,提出了一种以粒子群算法和反向传播(BP)神经网络相结合的预测模型。为了防止粒子种群的快速趋同效应,引入了自适应变异算子。通过对陷入局部最优的粒子进行变异操作,提高了算法的寻优性能。利用粒子群算法得到BP神经网络的初始权值和阈值,对优化后的BP神经网络和普通的BP神经网络分别创建CO_2通量预测模型。实验结果表明,基于粒子群改进BP神经网络模型能较好表达CO_2通量与主要因素之间的非线性关系,相对于一般BP神经网络具有更好的非线性拟合能力和更高的预测准确性。     

基于EM算法的多水平零膨胀负二项混合效应回归模型的参数估计

计数数据广泛应用于医疗、生物和保险等诸多领域.泊松回归模型与负二项回归模型是分析这类离散型数据的重要模型.在实际计数中往往会出现相对于泊松分布或负二项分布过多的零,称之为零膨胀现象.分析此类数据的常见方法是零膨胀泊松(ZIP)回归模型和零膨胀负二项(ZINB)回归模型.但是,如果非零观测值过度分散并且具有相关性,则参数估计可能会出现严重偏差,导致传统的ZINB模型不能对其进行很好的拟合.提出了一种具有随机效应的多水平零膨胀负二项混合效应回归模型,并利用极大似然估计的EM算法对多水平零膨胀负二项混合效应回归模型进行参数估计.     

大城市地面沉降灾害的灰色预测

地面沉降同地震、砂土液化、滑坡、泥石流等一样是一种十分严重的自然灾害,本文是利用灰色理论对这一灾害现象进行研究的。文中首先介绍了灰色理论中的GM(1,1)模型的建模法,然后利用日本东京昭和5—35年的地面沉降资料和墨西哥城1890～1945年地面沉降资料分别建立了东京城和墨西哥城地面沉降的灰色预测模型:x(k+1)=13.60672006e~(0.12126861k)—12.64172006和x(k十1)=1.1383e~(0.233553k)—1.1383。利用这两种模型分别对东京城昭和40、45年和墨西哥城1950、1955年地面沉降量进行了预测,结果与实际沉降值拟合得较理想。     

甘肃省经济增长与居民消费价格的均衡分析

近年来我国各个地区的通货膨胀现象有明显加剧的趋势,伴随着经济的高速增长与通货膨胀,本文采用回归分析模型对二者之间的关系进行分析,结果显示,甘肃省居民消费价格指数变化大,经济增长的影响系数为1.945。     

基于灰色聚类的组合预测单项模型选择

建立组合预测模型关键是单项预测方法的筛选,本文将采用灰色聚类分析方法对单项预测模型组进行筛选.首先依据所研究的实际问题,建立多个单项预测模型,然后计算每一个单项预测方法的点拟合相对误差,最后再利用这些数据,借助灰色聚类方法实行对比评估,构建组合预测模型需求的各个单项模型,以增强该模型预测的准确性.应用实例的分析表明该方法是可行的和有效的.     

基于ARIMA模型的杭州市PM2.5预测

选取2017年1月1日至2017年12月31日PM2.5的日均浓度的时间序列作为样本数据,利用Box-Jenkins的建模理论,建立符合杭州市的PM2.5浓度变化的ARIMA(4,1,2)模型.利用2018年1月1日~2018年1月5日的PM2.5浓度的预测值与实际值相比较,结果表明ARIMA(4,1,2)模型预测效果较好,适用于杭州市PM2.5的预测.     

基于Markov和Logistic模型的高教规模预测问题的研究

利用数学建模的方法研究高等教育规模的预测问题。运用层次分析法确定学生入学率、教育的投入、接受高等教育的总人数在高等教育规模中的贡献程度,并利用熵值取权法对权重的进行修正,得到较为合理的权重系数。接着,基于统计思想,利用Markov性模型,借助于MATLAB软件,对高等教育规模的变化程度进行分析和预测,得出未来十年的高等教育规模的变化趋势总体上是增长的,但增长程度是渐缓的。最后,利用逻尔斯基模型作为经验公式,并借助于已有数据进行非线性回归,得到高等教育规模与时间的函数关系,并由此模型预测了2017—2026年的高等教育规模值。