基于小波分析的铁矿石运价预测

在分析了小波分析对铁矿石海运价格非平稳数据序列预测优势的基础上,介绍了多分辨率分析理论和奇异性检测,借助于MATLAB和EVIEWS软件,建立自回归移动平均（ARMA）和Holt-Winters非季节组合模型,对经过处理的高频和低频数据进行静态和动态预测.预测结果表明,小波分析在非平稳时间序列预测方面具有很大的优势.     

ARIMA模型和Holt-Winters方法在边坡土体深层水平位移预测中的比较

边坡土体深层水平位移预测是边坡变形监测的重要内容,对预防边坡安全事故有重要指导意义。典型的两种时间序列预测方法:ARIMA和Holt-Winters,适合预测边坡土体深层水平位移这类是既有随机性增长(或降低)又有时变性波动的非平稳时间序列。选取了648个土体深层水平位移历史数据作为实证分析的原序列,使用ARIMA模型和Holt-Winters方法对其作出了预测,并比较分析预测结果。结果表明:两种方法的短期预测效果都很好,各具特点。     

昆明市月降水量的预测分析研究 ——基于SARIMA模型和Holt-Winters相加模型

降水量在时间和空间上的非均匀分布,很大程度上决定了洪涝、干旱和暴雨等气象灾害的强度.通过分析2000—2019年昆明市月降水量的数据,拟合建立SARIMA模型和Holt-Winters相加模型2种预测模型,分别预测了2019年月降水量,结合2019年月降水量实际值,对比分析预测误差.结果表明:Holt-Winters相...     

基于邻近度的安徽省人均GDP组合预测模型

针对安徽省人均GDP预测问题,以安徽省2000—2018年人均GDP数据为研究区间,其中2000—2017年数据作为训练集,2018年数据作为测试集,提出了一类新的预测评价指标-邻近度及基于邻近度的组合预测模型,并引入一种新的组合权系数求解方法;首先对训练集进行单项预测,即对训练集数据进行指数预测、抛物线预测和移动平均预测,接下来对各单项预测值综合考虑,建立基于邻近度的加权几何平均组合预测模型,通过求解模型得出各单项预测权系数进而求出基于邻近度的组合预测值,最后分别在测试集和训练集上与其他预测方法预测结果进行比较,并预测安徽省2019—2021年人均GDP数据。     

一种基于视听率数据的广告响应人数预测模型

针对评价广告媒体组合效果时没有有效指标的问题,提出了一种基于视听率数据的广告响应人数预测模型.该模型由接触频次分布子模型和基于接触频次分布的响应人数预测子模型构成.对两个子模型的参数估计方法进行了介绍.采用遗传算法对基于接触频次分布的响应人数预测模型的参数进行了估计.通过某金融机构的实际数据对模型进行了验证.模型预测广告响应人数和实际广告响应人数的比较结果表明,在无决策者经验介入的情况下,提出的模型能够基于易于获取的视听率数据,比较准确地预测广告的响应人数,可以作为评价广告效果的量化指标在实际广告活动中使用.     

基于自适应神经网络的云资源预测模型

为了避免容器云资源因资源供求不均衡而导致的资源利用率差等问题,需要对未来时刻的资源需求情况进行预测来进行更精准的调度和分配资源,因此,结合神经网络的高效学习能力与自适应调整的学习率,提出一种基于自适应神经网络的云资源预测模型。首先,融合卷积神经网络(convolutional neural network, CNN)和长短期记忆(long short-term memory, LSTM)网络的特点去挖掘历史数据的特征,预测未来的资源需求;然后,根据模型预测情况自适应调整学习率,提高模型预测的精度。使用Microsoft Azure公开数据集进行测试,相较于单一模型CNN、LSTM和未加入自适应学习率的神经网络模型,均方根误差分别下降了17.74%、18.27%和6%,证明了模型的有效性。     

云模型在商品月销售量预测中的应用

针对营销企业商品月销售数量变化不定的难点,提出了基于云模型的商品月销售量的预测方法。根据云规则发生器计算云模型的数字特征值和所需数目的云滴,来预测未来商品月销售数量。云模型预测解决了预测数据的模糊性和随机性问题。实验结果表明,和基于时间序列季节预测方法相比,采用云模型预测的结果更准确,对企业的销售预测具有现实意义和参考价值。     

基于改进层次法与CRITIC法的 多维云模型岩爆预测

在高地应力区域,岩爆是严重影响地下工程建设的重大地质灾害,如何进行有效而准确的岩爆预测是有待解决的问题.综合考虑指标数据的客观信息和岩爆预测中主观评判、决策的重要作用,采用改进层次分析法和基于指标相关性的CRITIC法分别获得各指标的主观权重和客观权重,并依据最小鉴别信息原理进行融合,求得综合权重.对原始云模型和预测指标分类区间进行修正,弥补原始云模型对等级区间均值过于敏感的不足,并通过云算法生成各指标的等级综合云模型.最后,通过岩爆实例验证模型的可靠性和有效性,并与熵权-云模型、CRITIC-云模型和集对分析-多维云模型对比.结果表明:该模型可以描述区间值指标的各种不确定性,快速、有效地判定岩爆烈度等级.     

监控与预测的云资源优化配置

针对云环境下虚拟机资源在多数时间中处于闲置状态导致云资源利用率低的问题,设计一种云资源监控系统,并在云监控基础上提出一种基于自回归积分滑动平均(ARIMA)模型的动态负载预测与资源配置的方法.该方法利用虚拟机负载与配置的关系,通过预测负载情况,提前启动或者挂起虚拟机,提高云资源的利用率.研究结合OpenStack云环境提供的虚拟机,实现其下的云资源监控,预测和弹性分配功能.结果表明:该系统能准确预测虚拟机的需求量,所制定的资源弹性分配策略能够提高云资源的利用率,进一步节约成本.     

基于时间序列分解与全连接神经网络的警情长周期时间序列预测

传统的警情时间序列预测以实际的发案数量为目标,且仅能实现短期的预测,但由于警情时间序列本身固有的强随机性使预测很难达到理想的效果。根据警情时间序列数据的特点,从公安工作的实际需求出发,提出了一种基于时间序列分解与全连接神经网络的(STL-FNN)预测模型,该模型以预测警情的单日发案的风险等级为主要目标,能够实现警情风险等级的长周期预测。利用该模型对B市侵财类警情数据进行了时间序列长周期预测的实证分析,结果表明:STL-FNN模型能够实现一年的警情单日发案风险的预测,平均准确率为0.624 7,预测性能优于Holt-Winters、LSTM、Prophet和ARIMA等模型。     

基于生成对抗网络与深度学习的少数据云资源预测

精确的云资源预测对计算平台实现安全运行具有十分重要的意义,针对新公司的云计算资源缺乏足够数据样本而造成预测模型精度降低的问题,本文提出一种基于WasserStein生成对抗网络和双向门控循环单元网络的少样本云计算资源预测模型。通过生成对抗网络去学习原始少样本数据的分布规律,以高斯噪声作为输入生成与原始数据具有相同分布的新样本数据,实现数据增强的行为;由于传统门控单元网络无法完全利用数据的时间信息,本文采用双向门控循环单元网络对数据的前向、反向时间信息进行双向提取并预测。以Google公开数据集进行仿真,对无增强数据和增强数据后的不同机器算法模型的预测结果进行对比。实验结果表明,使用WasserStein生成对抗网络数据增强后的双向门控循环单元网络模型精度的达到98.3%,所提方法适用于少样本数据的云计算资源预测。     

应急医疗资源保障研究综述

应急医疗资源是应对突发公共卫生事件的物质基础和保障,能否根据需求及时、准确地提供应急医疗资源对于降低疫情造成的损失具有重要作用。首先,综述了应急医疗资源需求预测方法及紧迫度的评估指标体系;其次,对应急医疗资源储备的关键问题进行分析,综述了规模与轮换、政企合作、设施选址3个方面的研究现状;再次,从优化目标、时间窗等角度总结应急医疗资源调配模型,以及优化算法的研究现状;最后,对应急医疗资源保障发展趋势进行了总结和展望,指出通过大数据技术和平台提升应急医疗资源保障能力尤为重要,具体应关注3个方面:1）运用数字技术建设应急医疗资源大数据平台;2）通过大数据平台重构应急医疗资源保障系统;3）应急医疗资源保障系统重构的实现路径。     

航空电子系统的云计算模型研究

云技术是提高分布式系统灵活性和扩展性的关键技术,在航空电子系统中引入云技术可以降低产品研发周期和成本,但首先需要设计符合机载环境需求的云模型。在分析商用云的服务模型结构基础上,结合行业内的相关标准,给出了一种新型航空电子云模型。建立了层次化的云模型架构,包括物理资源层、本地资源管理层、资源虚拟层、平台管理层和应用功能层;采用虚拟化技术建立资源虚拟模型,隔离软件APP与硬件资源和软件环境;分布式的数据动态发布与订阅,提高应用部署的灵活性;分布式资源管理,实现资源池管理、健康监控和故障管理;分布式存储模型,提供分布式数据和文件共享能力。遵循行业标准,为应用软件提供面向服务的航空电子云计算模型,对工程实践具有一定的指导意义。     

云计算数据中心的虚拟资源自适应供给模型

随着云计算技术的飞速发展,云计算数据中心的规模越来越大,随之而来的资源管理、运维调度、能耗开销等问题也开始日益严峻。本文对云计算数据中心的设计思路与设计结构进行了详细的介绍,先从云计算数据中心的总体结构进行分析,随后引入虚拟资源自适应供给模型概述,通过综合分析三种不同的虚拟资源供给模型优劣,提出利用多层次网络队列方法搭建虚拟资源自适应供给模型,通过综合考量模型的平均响应时间、服务器利用率、使用成本等因素,对虚拟资源进行合理的规划与调度,最终帮助云计算数据中心配置合适数量的虚拟机,做出合理的资源调度策略,力求优化数据中心的运维调度,降低能耗开销,提高能源利用效率,推动能源发展。     

面向云数据中心资源均衡分配需求的聚类调度算法研究

针对云数据中心资源利用率较低、能源消耗较高的问题,提出了基于资源需求差异的资源均衡调度策略。在包簇框架模型基础上,利用与资源需求相关的距离度量因子,将资源需求差异大的包通过改进的k-means算法进行聚类;利用资源之间的相关性作为包与簇之间的距离,在资源分配的过程中使包能够集中映射到簇中,从而减少簇的使用个数。实验结果表明,在包簇框架的概念下,基于资源需求差异的改进后的k-means聚类算法能够优化包聚类步骤,资源调度算法能够提高云数据中心各类资源利用率、降低资源分配过程中产生的能耗,具有有效性和可扩展性。     

基于最大收益平衡点动态变化的云资源调度算法

云计算中资源调度是云计算高效利用的核心问题,主要研究如何对云端的资源进行有效地管理和调度?以从服务商需求的角度构建云资源调度的方法为切入点,从服务商的角度出发,在不损害用户和生产商利益的前提下,介入收益?成本?边际收益?边际成本等因素,以节省资源并获得服务商的最大收益为优化目的,根据最大收益平衡点随着负载变化的动态变化,构建了一种基于动态平衡点动态变化的云资源调度算法?通过比较当前周期和上一周期的边际收益变化,动态更新最大收益平衡点的位置,根据此位置对应的参数完成云资源调度?通过CloudSim平台下的仿真实验表明,该方法比基于服务驱动的调度方法具有更快的响应?使用更少的虚拟机?能获得更大的收益?     

基于任务分类思维的云计算海量资源改进调度

对云计算海量数据下的资源调度的研究过程中,进行资源调度时资源分配无法到达合理化调度,存在资源调度效率低的问题。提出分类思维的云计算海量数据资源优化调度方法。该方法引入膜计算概念,将云计算下的海量资源调度的总任务划分为多个子任务,并详细计算每个子任务的资源调度任务量。将优化调度系统内部分解为主膜和辅助膜,利用蝙蝠算法在辅助膜内进行资源分配个体寻优,并将优化后的资源分配最优个体传送到主膜间进行云计算海量数据下的资源分配优化。实验仿真证明,基于改进膜计算蝙蝠算法的云计算海量数据下的资源优化调度方法调度效率高,分配较为均衡。     

多目标云资源最佳适应匹配算法的研究

随着云计算的持续研究和发展,面向用户需求的云资源管理与选择是云计算中的重要研究方向之一.为了满足用户的多种云资源需求,使用树型云资源属性管理表(AMT-Tree)对云资源进行管理,并提出一种多目标云资源最佳适应匹配算法(MoOam),保障用户在海量数据下得到最优资源.实验结果表明:MoOam算法在资源匹配中是有效的.