基于文本信息的股票指数预测

基于情感分析方法,对股票市场进行预测。将从社交媒体中抽取的文本信息(词信息、情感词信息和情感分类信息)与股票技术指标相结合,利用支持向量回归构建模型。通过实验与多种预测方法进行比较,结果表明该方法能够获得较为理想的预测结果。     

垒球绕环式投球动作缺失数据修复方法研究

当前数据修复方法依据垒球运动学关系,构建模型对垒球绕环式投球动作缺失数据进行修复,需要收集大量的骨骼信息先验知识。提出一种基于稀疏表示的垒球绕环式投球动作缺失数据修复方法,将动作捕获设备贴在垒球运动员关节和末端处,以一定的频率对动作数据进行采集,通过重构获取标记点在三维空间中的位置,以ASFAMC的数据格式对垒球绕环式投球动作数据进行存储,给出垒球绕环式投球动作数据捕获过程。针对某一含有缺失标记的垒球绕环式投球动作帧,求出该帧中未缺失部分在由完整帧构成的字典上的稀疏表示系数,通过该稀疏表示系数与字典对动作帧中的缺失数据进行修复。实验结果表明,所提方法具有很高的修复精度。     

新特征选择方法在路面使用性能衰变研究中的应用

为从小样本数据集中获得简单、容易理解的回归函数,并找出影响路面弯沉的因素及其规律,利用基于多项式空间的特征选择方法对路面使用性能衰变进行研究.结果表明:交通流量和降雨量共同影响路面弯沉值,交通流量越大,路面弯沉增加越快,降雨量对路面弯沉的影响较明显;前一年的路面弯沉值对其自身也有影响,可用来反映路段当前的服务状态.     

缺失数据下MGINAR(p)模型的参数估计

首先, 用条件最小二乘方法讨论缺失数据下MGINAR(p)模型的参数估计问题, 得到了参数的条件最小二乘估计. 其次, 模拟验证4种处理缺失数据方法的可行性并比较估计效果, 模拟结果表明: 当缺失概率较小时, 可使用个案剔除法或均值插补法; 当缺失概率较大时, 可使用桥插补法, 以降低估计偏差.     

课堂教学质量评价数据缺失的修复

课堂教学评估是当前各高校教学质量监督的主要手段之一,科学、客观、公正地评价教师的教学质量对于提高教师教学积极性,对促进教学质量的提高,确保教学目标的实现具有积极的推动作用。本文利用统计学上缺失数据的插补方法对课堂教学质量评价缺失数据进行修复,以期促进课堂教学质量评价的公平性,更好的发挥其在教学质量监督和管理中的积极意义。     

实时交通流预测的并行SVR预测方法

提高交通流预测的精度和实时性是智能交通系统(ITS)应用发展的一个重要问题.与广义神经网络(GNN)方法相比,支持向量回归(SVR)方法应用于交通流预测理论优势得以实现的前提是选取合适的回归参数.分析、讨论了简单而实际的直接从训练集中选取SVR参数的方法,给出了一个大规模路网交通流SVR预测模型和集群环境下的一种贪婪负载均衡并行算法(G-LB).实验结果证明了基于G-LB算法的并行SVR方法(GLB-SVR)可获得比并行的GNN方法(P-GNN)更好的预测精度和实时性.     

缺失数据比率和处理方法对非随机缺失数据能力参数估计准确性的影响

探讨了IRT背景下非随机缺失数据的合适处理方法.采用IRTLAB模拟产生50批500个被试在20个0-1记分项目上的反应数据,产生了不同比率的MNAR; 再用IN、NP、FR、CM、MI和EM共6种方法分别处理MNAR,使用BILOG-MG软件估计被试的能力参数,并计算在不同条件下各种方法的BIAS、BIAS_abs、R_(θ,θ^∧)和RMSE.研究发现:随着缺失比率的增加,参数误差越来越大; FR会导致IRT参数估计产生较大的误差,且不稳定,而MI与EM算法则相对稳定; 综合BIAS和RMAE等几个指标,NP在处理MNAR时产生的误差较小也更稳定.因此,在IRT背景下估计被试能力参数时,应选择NP、MI或EM方法处理缺失数据     

基于动态生成对抗网络的路网缺失交通数据修复

针对智能交通系统数据采集过程中发生的数据缺失问题,本文提出一种基于动态生成对抗网络(dynamic generative adversarial network, D-GAN)的路网交通数据修复方法。该方法首先依据交通数据的时空特性与设定的缺失类型和缺失比例来构造各种缺失交通数据矩阵,然后基于博弈思想迭代训练由2个全连接神经网络构成的生成对抗网络。引入一种新颖的动态自适应机制,研究能在模型计算过程中自动识别生成器与判别器的最佳迭代次数,最终生成完整的交通数据矩阵并修复缺失值。采用加州PeMS和广州交通速度数据集来完成D-GAN模型的构建,并使用多种评价指标评估D-GAN的修复性能。实验结果表明：相对于非随机缺失模式,D-GAN对随机缺失模式的修复精度更高;随着缺失率增加,D-GAN的修复精度加速下降。但在各种缺失条件下,D-GAN模型的修复性能要优于现有模型(例如BGCP、prophet-RF和GAIN)。     

缺失数据情形下的回归插补及其方差分析

利用无回答所提供的信息采用最小二乘估计给出了缺失数据情形下的目标变量的一种回归插补及其方差估计.在仅目标变量缺失数据情形,得A2中单元关于y对应的回归插补公式(y)i=(b)0+(b)1x12i+…+(b)pxp2i,i=1,…,r3.及其回归插补的协方差阵Cov((Y))=σ2X1(XTX)-1XT1.在辅助变量部分缺失且目标变量缺失的情形,得A2中单元关于y对应的回归插补公式(y)i=(b)0+(b)1x12i+…+(b)p1xp12i,i=1,…,r3.及其回归插补的协方差阵Cov((Y))=σ2X1(X*TX*)-1XT1.     

Missing Data Imputation for Traffic Flow Based on Improved Local Least Squares

Complete and reliable field traffic data is vital for the planning, design, and operation of urban traffic management systems. However, traffic data is often very incomplete in many traffic information systems, which hinders effective use of the data. Methods are needed for imputing missing traffic data to minimize the effect of incomplete data on the utilization. This paper presents an improved Local Least Squares (LLS) approach to impute the incomplete data. The LLS is an improved version of the K Nearest Neighbor (KNN) method. First, the missing traffic data is replaced by a row average of the known values. Then, the vector angle and Euclidean distance are used to select the nearest neighbors. Finally, a regression step is used to get weights of the nearest neighbors and the imputation results. Traffic flow volume collected in Beijing was analyzed to compare this approach with the Bayesian Principle Component Analysis (BPCA) imputation approach. Tests show that this approach provides slightly better performance than BPCA imputation to impute missing traffic data.     

一种资源与服务性能关系的建模方法

获取资源与服务性能的关系模型是在云环境中为服务合理分配虚拟资源的关键.然而,训练数据的规模往往显著影响这种非线性关系模型的准确率.针对现有方法不足,提出了将协同过滤推荐(CFR)和支持向量回归(SVR)相结合的服务性能动态建模方法(CSDM).该方法在服务部署与运行时同时训练两种模型,并选择二者中MAE占优的性能模型预测给定资源状态下的服务性能,从而保证预测精度.同时,CSDM引入择优阈值以降低模型训练代价.实验表明,CSDM在不同规模的训练数据上均有较高的预测准确率,且择优阈值对预测精度和建模效率具有显著影响.     

一种非线性非平稳时间序列预测建模方法

提出了一种基于经验模式分解和支持向量回归的非线性、非平稳时间序列预测建模方法.首先,针对时间序列的非平稳特征,通过经验模式分解将其分解为若干个本征模式分量,使其中每个分量均成为平稳序列;其次,对每个本征模式分量,基于支持向量回归建立相应的平稳时间序列预测模型;最后,再一次利用支持向量回归对这些预测模型进行非线性组合,得到非线性、非平稳时间序列的预测模型.仿真实验和工程应用均表明,所提的预测建模方法与传统的基于支持向量回归的建模方法相比,具有较高的精度,说明该方法对于非线性、非平稳时间序列的预测是有效的.     

钢筋混凝土板模态频率的温度效应分析及剔除方法

考虑到温度荷载作用下钢筋混凝土梁桥的模态参数产生变异,进而导致基于动力指纹的桥梁损伤辨识方法精度降低甚至失效。以钢筋混凝土板为例,提出了一种考虑内部温度不均匀分布特性的模态频率温度效应剔除方法。首先,采用主成分分析算法,提取温度主成分,构造了预测模型输入参数;其次,通过遗传优化支持向量回归,建立了钢筋混凝土板模态频率预测模型;最后,结合钢筋混凝土板模态频率长期观测值,基于训练好的遗传优化支持向量回归模型,剔除温度对模态频率的影响。试验结果表明,该方法能够准确预测不同温度分布状态下的模态频率,并有效剔除温度引起的模态频率变化。     

剔除支持向量回归中异常数据算法

定义了回归问题中异常数据及其不满足回归映射关系差异程度的度量,分析了回归问题中理论映射模式与回归估计模式关系,提出并证明了回归问题中逐个剔除异常数据,建立回归估计模式逐步逼近理论模式的逐步逼近定理,并构建了以逐步逼近定理为理论依据的剔除支持向量回归中异常数据算法,理论分析了算法的收敛性和有效性。然后,引入逐步搜索算法改进剔除异常数据算法以解决大规模样本的支持向量回归中异常数据剔除问题,理论分析显示改进算法也是收敛的和有效的。最后,应用给定已知函数生成样本和UCI机器学习数据库样本数据仿真实验,结果显示算法是有效的和鲁棒的。     

基于案例学习的排球机器人运动规划及其支持向量回归实现

针对混合型控制问题,以排球任务为例研究机器人的运动规划.模拟人类球员通过经验积累而采取相应动作的行为学习模式,采取案例学习的方式解决球的初始状态微小变化(仅发球速度和角度变化)时的运动规划问题.由于支持向量回归(SVR)在处理小样本问题的优越性并受局部学习思想的启发,采用局部加权SVR(LW-SVR)实现案例学习.结果证明,LW-SVR的学习精度较RBF神经网络和SVR明显提高.     

支持向量机的数据依赖型核函数改进算法

基于信息几何理论, 提出一种新的支持向量机核函数改进算法. 利用与数据有关的保角映射, 使核函数具有数据依赖性. 对股票价格数据进行预测的数值模拟结果表明, 改进算法比常规模型具有更好的预测精度.     

自润滑衬垫试验数据处理方法及信息系统

针对航空自润滑关节轴承自润滑衬垫试验数据,提出衬垫试验的数据处理方法体系,并具体给出了衬垫磨损数据的平滑处理方法、基于BP神经网络的衬垫磨损时间序列预测方法,以及基于最小二乘支持向量机的衬垫磨损时间序列预测方法,同时,开发了自润滑衬垫试验数据处理信息系统.通过预测数据与试验数据的对比,验证了预测方法的正确性,信息系统能够有效提高衬垫试验数据的处理水平.     

Performance Prediction of Carbon Fiber Protofilament Based on SAGA-SVR

The existing optimized performance prediction of carbon fiber protofilament process model is still unable to meet the production needs. A way of performance prediction on carbon fiber protofilament was presented based on support vector regression （SVR） which was optimized by an optimization algorithm combining simulated annealing algorithm and genetic algorithm （SAGA-SVR）. To verify the accuracy of the model, the carbon fiber protofilament production test data were analyzed and compared with BP neural network （BPNN）. The results show that SAGA-SVR can predict the performance parameters of the carbon fiber protofilament accurately.