基于Box-Cox变换的城市火灾起数的模型研究

文章应用极大似然方法,对某市1997—2007年11a间的月度火灾及气象数据进行了Box-Cox非线性变换,通过对变换后的月平均温度、月平均相对湿度、月平均风速、月平均降雨量等气象因子与火灾发生起数进行统计分析,建立了基于Box-Cox变换的线性回归模型,并从拟合误差、交叉验证均方误差等方面进行分析比较,最终建立回归模型;运用所得模型对2008年的火灾数据进行预测分析,结果表明,基于Box-Cox变换后数据建立的回归模型,能更好地预测火灾发生起数,从而达到对城市火灾控制的目的。     

一类带跳的线性回归模型

针对普通的常系数线性回归模型存在预测误差较大的缺陷,对Hildreth-Houck模型进行修正,得到带跳的线性回归模型(LRMJ),对该模型中各参数进行估计,并对模型中被解释变量的数学期望与方差等统计性质进行讨论．最后将该模型运用于一个实际问题,证明该模型不仅可行而且能够得到比普通常系数线性回归模型更为精确的预测值。     

基于小波的回归-GARCH模型及其在外汇储备中的应用

结合小波变换、多项式回归和GARCH模型对中国的外汇储备进行分析及预测.首先利用db4小波对数据进行去噪处理,并对去噪后的数据建立多项式回归模型.由于去噪后的数据与回归模型之间存在残差,且残差具有自回归条件异方差效应,故对该残差建立GARCH模型.然后将回归模型和GARCH模型进行线性叠加,从而得到基于小波分析的回归-GARCH模型.最后将预测值与实际值进行拟合,发现拟合效果较好.充分证明了小波变换、多项式回归和GARCH模型相结合的方法在处理外汇储备这类具有明显增长趋势的非平稳时间序列时,具有明显的优越性,是一项有用的分析预测工具.     

基于小波的加外生变量部分线性自回归模型在石油价格预测中的应用

利用小波函数结合引入外生变量的部分线性自回归模型对WTI现货价格序列进行建模研究,并与部分线性自回归模型和加外生变量的部分线性自回归模型进行比较分析,结果表明：结合小波且加外生变量的部分线性自回归模型的预测精度较高,在石油市场价格预测中有较高的准确性.     

三种预测模型的比较与研究

通过对某地区自然灾害造成的损失数据的预测,针对灰色预测模型GM(1,1)预测精度问题展开了一系列研究.采用直线插值法将非等时距数据进行等时距变换.通过后验差验算线性回归模型、指数回归模型和GM(1,1)模型的预测等级,验算结果表明指数回归模型的预测等级与GM(1,1)的预测等级都处于最优级,线性回归预测等级为不合格.为进一步研究GM(1,1)和指数回归预测模型的预测精度,将两者的预测相对残差绝对值进行对比分析,结果表明GM(1,1)整体预测精度比指数回归模型略高.     

函数型线性回归模型的三角样条估计

函数型数据的回归分析研究主要集中在函数型线性回归模型,基于三角样条估计的方法对模型中未知参数进行了估计.通过仿真实验验证了三角样条估计的均方误差比传统的多项式样条估计的均方误差更小,且在计算上用时更少,由此得出三角样条估计在部分函数型线性回归模型中具有一定的优越性.     

基于数据驱动的线性聚类ARIMA长期电力负荷预测

针对某些发达城市因负荷波动大而导致的长期电力负荷预测精度低问题,提出了一种基于数据驱动线性聚类(data-driven linear clustering,DLC)的自回归积分滑动平均(auto-regressive integral moving average,ARIMA)预测方法。首先,利用线性特征作为聚类标准对每年的大型变电站负荷数据集进行预处理;然后,对得到的每个子序列构建最优自回归积分滑动平均模型,以预测其相应的未来负荷;最后,汇总所有的模型预测结果从而获得电力系统长期负荷预测结果。从误差分析和应用结果可知,理论和实践都验证了所提出的方法在保证建模精度的同时能够降低随机预测误差,从而获得更稳定、更精准的电力系统负荷预测结果。     

基于组合模型的高铁隧道围岩收敛变形预测

为提高围岩收敛变形预测精度,依托阳山高速铁路隧道,基于贝叶斯参数优化的经验模型预测收敛变形的趋势项,然后采用支持向量回归算法修正经验模型的预测结果,据此构建基于组合模型的高铁隧道围岩收敛变形预测模型.将均方误差和平均绝对百分误差作为评价指标,与同类型支持向量机回归模型的预测结果进行对比.结果 表明,经验模型的预测值与目标值随时间变化的趋势一致,但对于数据中的波动部分,预测值与目标值存在较大偏差.误差修正模型较好地预测数据中的波动部分,对提高预测精度效果明显.在2组实测数据中,组合模型预测值的均方误差相较于经验模型降幅分别达到97.0％和93.4％,且较同类型支持向量机回归模型具有更高的预测精度.     

鱼群算法优化组合核函数GPR的油井动液面预测

针对抽油井动液面(DFL)检测主要依靠人工操作回声仪测试,无法实时在线检测,而单一核函数的高斯过程回归(GPR)无法明显提高预测精度和泛化能力,提出了一种人工鱼群算法(AFSA)优化组合核函数的动态高斯过程回归动液面预测模型.采用多项式函数、线性函数与径向基函数组合构建核函数,利用人工鱼群算法对核函数模型参数进行寻优,采用快速傅里叶变换(FFT)和核主元分析(KPCA)融合提取时频数据非线性特征作为模型输入,提高模型的预测精度和泛化能力.油田现场应用验证了该方法的有效性.     

基于主成分分析线性回归的光伏发电功率预测研究

针对经典光伏发电功率物理模型预测精度不高、可能遗漏关键气象因子的问题,基于数据驱动思想提出一种主成分分析、逐步线性回归以及多种检验相结合的光伏发电功率预测模型混合建模方法.采用相关性分析提取关键气象因子自变量,通过逐步线性回归对历史样本数据进行训练得到初始模型;对初始模型进行拟合程度、有效性以及多重共线性等多种检验,根据检验结果,采用主成分分析对初始模型自变量进行降维重构,得到修正模型;通过残差分析实现修正模型正确性的自校验;基于多种时间尺度对经典模型、未修正模型以及修正模型的预测结果进行详细对比分析.仿真结果表明修正模型提高了预测精度及所提混合建模方法的有效性与优越性.     

基于Logit和KMV的我国上市公司信用风险的比较研究

利用Logit回归模型和KMV模型分别对选取的29家我国上市公司样本的信用风险进行实证分析和比较。结果表明,两个模型基本上都能反映上市公司的信用状况,虽然KMV模型对非违约样本组的预测结果要优于Logit模型,但是在违约公司样本组的预测上,Logit模型要远比KMV模型准确。从总体效果来看,Logit模型的预测准确性要高于KMV模型。     

回归误差方差的区间估计

首先将回归函数限制在一个有限维函数空间中,得到一个近似的线性模型,在此基础上,由Fiducial推断给出了误差方差的区间估计.该区间估计形式简单,易于计算.给出了这个区间估计的真实覆盖率和名义水平差异的一个上界,该上界由回归函数与其近似的线性函数的距离界定,并且对所给区间估计的真实覆盖率进行了数值模拟.     

RBF神经网络优化灰线性回归模型预测建模

针对建筑物地基沉降的机理以及RBF(Radial Basis Function,径向基函数)神经网络能够有效描述不确定性问题和解决复杂非线性问题等特点,通过反复试验,优化设计,建立了RBF神经网络,并用该网络优化灰线性回归预测模型,建立RBF灰线性组合预测模型。通过工程实例,比较分析了单一灰色模型、灰线性回归模型、RBF优化的灰线性回归模型的预测精度。结果表明,RBF优化后的灰线性回归预测模型精度优于灰色模型、灰线性回归模型,预测中误差达到0.0014 mm。径向基神经网络优化后的灰线性模型能更好地反映建筑物沉降的总体趋势及规律。     

半参数顺序变量回归模型

在比例优势模型基础上对顺序变量回归模型作更一般的推广, 建立了半参数顺序变量回归模型, 构造了模型中的线性和非线性部分的估计量, 并证明了该估计量的弱相合性. 通过数值模拟, 考察了不同样本容量下半参数顺序变量回归的判断正确率和回归函数的均方误差.实验结果表明: 半参数顺序回归模型在小样本情况下仍具有较高精度, 并且在实验点处的重复次数相对于观察点个数对精度影响更大. 通过对粮食预警实例的计算表明, 半参数顺序回归模型较比例优势线性模型具有更好的外推效果.     

一种线性/非线性自回归模型及其在建模和预测中的应用

为提高模型准确性,在经典时序建模策略的基础上,提出了一种带有外部输入的线性/非线性自回归模型,并应用Weierstrass逼近定理推导出其一般表达式(GNARX),该模型允许带有多个外部输入以实现复杂系统的建模和辨识.针对该模型结构给出了其最小二乘参数估计方法,并采用结合建模误差、预测误差及模型复杂度的修正信息准则(AIC)确定最优模型结构.最后,将该模型应用于仿真数据和振动位移采样电流数据的建模与预测.结果表明,GNARX模型的建模和预测精度均高于AR,GNAR,ARX模型及BP神经网络模型,表现出良好的线性/非线性建模和预测能力,及较好的通用性和实用价值.     

基于Copula的回归预测

针对回归预测问题,分别引入Copula回归函数和Copula τ分位数来对因变量进行点预测和区间预测,相应的通过均方误差和区间的平均长度作为预测准确性的评价指标,最后通过实证研究并与线性回归预测做比较表明：基于Copula的回归预测方法效果更好.     

基于支持向量回归的集对分析方法

传统的集对预测方法大多只能作短期预测,而且多数属于线性模型,没有考虑蕴含在同异反联系度中的非线性、时变性和强耦合关系.本文通过Logratio变换与反变换,将支持向量回归方法用于集对预测,在一定程度上可以克服线性建模技术的不足.该模型被用于人力资源绩效预测,取得了较好的效果.     

基于ε-SVR的用户视听在线人数预测

预测视听在线人数能够帮助厂商提供有价值的信息, 获取更大效益. 从时间序列分析出发, 经过特征调整, 利用支持向量回归对用户视听在线人数进行准确预测. 首先, 对数据进行时间序列分析建模并预测; 然后, 将模型视为线性回归对用户视听在线人数作进一步改进, 结合时间与实际生活中的特征进行调整, 并添加了新的特征; 接着, 对新特征组成的样本进行支持向量回归, 通过社会认知优化寻找径向基函数中的最优参数; 最后, 得到比较理想的预测效果.     

支持向量回归用于氨基酸描述符在肽QSAR建模中的性能评价

采用支持向量回归方法用3个数据集来评价z-scales、c-scales、ISA-ECI、MS-WHIM、PRIN等5个氨基酸描述符在肽QSAR支持向量回归模型构建中的性能并对核函数进行选择,采用留一法交叉检验的结果显示径向基核函数要好于多项式核函数和线性核函数;在以径向基核函数的支持向量回归模型中表明z-scales的预测准确度要略优于其它描述符,且在同一描述符的情况下SVR的预测效果要好于其它线性方法,说明SVR在肽QSAR模型构建中是一个可行的方法.     

基于熵权法的灰色组合模型的应用

针对粮食产量波动较大,单一预测模型不能实现精确预测问题,提出一种基于熵权法的灰色组合模型.利用熵权法对预测误差较小的DGM(1,1)和多元线性回归模型进行定权组合,并分别对我国2010—2015年粮食产量进行预测,结果表明,用改进的组合模型预测的粮食产量误差更小.