日本国内碳交易体系研究及启示

日本国内碳交易体系由多个独立系统构成,各系统由不同的部门管理。每个系统的设计目的与运行效果存在较大差异,未能形成统一整体。通过对日本各个碳交易系统进行逐一解析与对比,理顺各个系统间的交织关系。该文认为政府政策摇摆、企业参与度低、行政条块分割是造成日本碳交易体系复杂的主要原因。其中自愿排放交易系统减排量只有209万t,仅为总日本年排放总量的0.2%,试验排放交易系统则有1 500万t的未达标排放量缺口。鉴于日本碳交易系统建设的经验教训,形成对中国碳市场建设具有借鉴意义的启示。     

热塑性聚氨酯弹性体黏合剂的加工流变性能研究

利用转矩流变仪研究了不同硬段质量分数的热塑性聚氨酯弹性体黏合剂在不同加工条件下的流变性能,表征了加工后热塑性聚氨酯弹性体黏合剂的力学性能.实验结果表明,加工工艺对热塑性聚氨酯弹性体黏合剂的流变性能有显著影响,其平衡转矩随着加工温度和转速的提高呈下降趋势.加工工艺对热塑性聚氨酯弹性体黏合剂的力学性能也有一定的影响,加工温度和转速的提高使其拉伸强度降低,而延伸率则随着加工温度的提高有所增加.     

基于长短期记忆神经网络模型的空气质量预测

随着城市化和工业化的快速发展,空气污染问题日益突出,空气质量预测显得尤为重要。当前一些有代表性的研究对空气质量进行实时监测和预报,例如周广强等采用数值预报的方法对中国东部地区的空气质量进行分析,但其实验结果表明该方法难以预测非常重的污染;SANKAR等使用多元线性回归对空气质量进行预测,但其实验结果表明线性模型预测精度低、效率慢;PéREZ等使用统计方法对空气质量进行预测,实验结果证明统计方法的预测精度比较低;WANG等采用改进的BP神经网络建立了空气质量指数的预测模型,其实验验证了BP神经网络收敛速度慢、容易陷入局部最优解的问题;YANG等利用相邻网格的空气质量浓度效应,建立了基于随机森林的PM_(2.5)浓度预测模型,通过实验过程证明网格划分程序削弱了后续空气质量分析的质量和效率。这些方法都难以从时间角度建模,其中预测精度低是比较重要的问题。因为预测精度低可能会导致空气质量预测结果出现较大的误差。针对空气质量研究中预测精度低的问题,提出了基于长短期记忆单元(long short-term memory,LSTM)的神经网络模型。该模型使用MAPE,RMSE,R,IA和MAE等指标来检测LSTM神经网络与对比模型的预测性能。由于Delhi和Houston是空气污染程度比较严重的城市,所以使用的实验数据集来自Delhi的Punjabi Bagh监测站2014—2016年的空气质量数据和Houston的Harris County监测站2010—2016年的空气质量数据。LSTM神经网络与多元线性回归和回归模型(SVR)的比较结果表明,LSTM神经网络适应多个变量或多输入的时间序列预测问题,LSTM神经网络具有预测精度高、速度快和较强的鲁棒性等优点。     

推荐系统研究综述

随着互联网技术的快速发展,如何对海量网络信息进行挖掘分析,已成为热点和难点问题。推荐系统能够帮助用户在没有明确需求或者信息量巨大时解决信息过载的问题,为用户提供精准、快速的业务(如商品、项目、服务等)信息,成为近年来产业界和学术界共同的兴趣点和研究热点,但是,目前数据的种类多种多样并且应用场景广泛,在面对这种情况时,推荐系统也会遇到冷启动、稀疏矩阵等挑战。深度学习是机器学习的一个重要研究领域和分支,近年来发展迅猛。研究人员使用深度学习方法,在语音识别、图像处理、自然语言处理等领域都取得了很大的突破与成就。目前,深度学习在推荐领域也得到了许多研究人员的青睐,成为推荐领域的一个新方向。推荐方法中融合深度学习技术,可以有效解决传统推荐系统中冷启动、稀疏矩阵等问题,提高推荐系统的性能和推荐精度。文中主要对传统的推荐方法和当前深度学习技术中神经网络在推荐方法上的应用进行了归纳,其中传统推荐方法主要分为以下3类:1)基于内容推荐方法主要依据用户与项目之间的特征信息,用户之间的联系不会影响推荐结果,所以不存在冷启动和稀疏矩阵的问题,但是基于内容推荐的结果新颖程度低并且面临特征提取的问题。2)协同过滤推荐方法是目前应用最为广泛的一种方法,不需要有关用户或项目的信息,只基于用户和诸如点击、浏览和评级等项目的交互信息做出准确的推荐。虽然该方法简单有效但是会出现稀疏矩阵和冷启动的问题。3)混合推荐方法融合了前2种传统推荐方法的特点,能取得很好的推荐效果,但在处理文本、图像等多源异构辅助信息时仍面临一些挑战与困难。依据神经网络基于深度学习的推荐方法主要分为4类:基于深度神经网络(DNN)的推荐方法、基于卷积神经网络(CNN)的推荐方法、基于循环神经网络(RNN)和长短期记忆神经网络(LSTM)的推荐方法、基于图神经网络(GNN)的推荐方法、将深度学习技术融入到推荐领域,构造的模型具有以下优势:具有较强的表征能力,可以直接从内容中提取用户和项目特征;具有较强的抗噪能力,可以轻易地处理含有噪声的数据;可以对动态或者序列数据进行建模;可以更加精准地学习用户或项目特征;便于对数据进行统一处理,并且可以处理大规模数据。将深度学习技术应用到推荐领域,可以积极有效地应对传统推荐方法面临的挑战,提高推荐效果。     

一种基于移动互联网的扁平化管理平台

传统的层次化管理具有层级分明、职责清晰、工作流程严格等特点,来源于对军队管理体系的模仿,被普遍运用于政府机构、生产制造等各个领域;随着组织的规模越来越大,管理者与被管理者的关系随之复杂化,而每个管理者的能力、精力与时间都是有限的,当直接管理的下属人数超过某个限度时,必须增加一个管理层次。随着层次的增多,由于各层之间乃至同一层次的工作人员对信息重要性的认知程度、工作习惯等客观差异,容易导致信息传递及时性的降低;因为相关人员的成长背景、工作经历、知识背景、理解能力等存在客观差异,很容易导致信息在交互的过程中发生"变形",影响信息交互的准确性;再次,在实际工作中非"面对面"的情况下,上级部署的任务对于下级是否能真实的完成,完成质量如何等,如果不能建立便捷的信息交互机制,很难进行监管。针对此类问题,OA(office automation,办公自动化)系统曾经被大面积地采用,但是实践证明,大多数OA只是把传统的层次化管理简单地移植到互联网上,层层汇报、层层审批、层层传阅等客观问题仍然存在,有些部门不管事情多紧急,不管是否要变通,OA系统通不过,一切免谈,加剧了部门官僚现象的发生。与之同时,微信、QQ等即时通讯工具,由于其表现内容的图文并茂(富媒体性)、自主编辑和表达内容(自媒体性)、现场感强、随时能发布(跨时空维度),以及能够让内容即刻抵达受众(点对点、点对面)等主要特征,成为人们日常通联的主要平台,也是承载思想、传递业务、交流工作等的大数据平台,所以,很多单位、部门或个人,已经习惯于在微信和QQ等即时通讯平台上处理工作事务。这种现象实际上蕴藏着很大的风险,主要原因在于:1)平台上产生的数据均被第三方(腾讯等公司)拿走,单位的业务内容成为存放在他人服务器上的数据资源,单位的隐私存在极大的泄露风险,同时,由于数据不在自己手中,单位很难去开采数据资源,挖掘其成为驱动业务、驱动管理的数据潜力;2)微信、QQ等属于社交平台,社会关系复杂、平台内容繁荣多样,业务信息很容易被有意或无意地传播或泄露出去,既影响单位形象,又可能造成负面的经济和社会影响;3)由于平台既有的特征,重要业务信息很容易被稀释,例如,同一群里不同领导发布的任务、业务指导等重要信息,很容易形成相互交叉,导致业务讨论线索混乱,难以形成条理清晰、内容完整、指向明确的信息专题。针对以上问题,以提升管理效能为核心面向,以数据为核心资产,从提升单位内部的信息交互能力和效率出发,设计并研发一种支持业务数据自有和自主分析,依托移动互联网的扁平化管理平台。平台具有专用的数据采集端、发布端、整理和分析后台,在提升了信息交互的及时性、现场性、富媒体和跨时空维度的同时,也能够对数据进行梳理、挖掘和提炼,形成业务进度的追踪与客观分析;同时,为了提升该平台的针对性和实用性,结合张承高速承德段管理处的实际需求,将平台投入应用,并经历了两年多的完善升级,实践证明,平台为管理处发现热点、捕获问题、监控全局等提供了有力的支持,有效提高了全员的凝聚力、战斗力和向心力,有效提高了管理效率。研究结果可为相关单位或研究者在层次化组织机构中实现扁平化信息交互和管理提供借鉴。     

基于LDA主题模型的文献特征项多重共现可视化方法

文献计量学是运用数学和统计学方法对文献知识单元进行定量分析、揭示文献内部知识内容的一门科学。共现网络分析是文献计量研究中分析文献特征项数据关系的一种可视化方法,根据被分析特征项的数量分为单重共现网络分析和多重共现网络分析。与单重共现网络分析相比,多重共现网络分析增加了特征项的维度,对文献知识的呈现更加深入。但是,由于被分析特征项维度的增加,导致共现网络中的节点数量增多,节点间连线重合度和交叉频率过大,降低了文献计量可视化的效果。因此,目前文献计量共现网络分析主要以单重共现为主,多重共现网络分析可视化效果尚有待提升。为解决多重共现网络中节点过多、连线密度过大、不利于发现数据价值以及可视化效果较低等问题,引入LDA主题模型,采用空间划分的方法,将特征项全域可视化的问题转化为子空间可视化问题。首先,使用SATI文献题录信息分析软件抽取文献关键词,进行TF-IDF计算,以计算结果作为实验数据;其次,使用Python构建主题模型,对目标文献集合进行主题聚类分析;最后,使用Ucinet软件对不同主题子空间文献进行多重共现分析,并将子空间分析结果叠加和重构,完成多重共现可视化系统的结构化表达。结果表明：与原多重共现可视化方法相比,在内容呈现等价的前提下,基于LDA主题模型的多重共现可视化改进方法由于缩小了多重共现网络分析系统的规模,即子空间文献数量与特征词数目,因而降低了共现网络中的节点数量和节点间连线密度,使得多重共现可视化系统的结构更为清晰,增加了数据的可读性,突出了数据价值,有效提升了多重共现可视化效果。因此,多重共现可视化改进方法在一定程度上可以推进文献构成元素在多重组合知识挖掘方面的深入研究,提高不同领域文献计量的实证研究质量。     

基于密度Canopy的评论文本主题识别方法

融合Sentence-BERT和LDA的评论文本主题识别（SBERT-LDA）方法,将LDA的主题数作为K-means算法中的k值,导致算法可解释性较差、主题一致性较低。为了解决上述问题,提出基于密度Canopy的SBERT-LDA优化方法（SBERT-LDA-DC）,利用密度Canopy改进K-means算法。实验结果表明,提出的方法在一致性指标上要优于使用K-means以及K-means++对特征向量聚类的同类方法;与SBERT-LDA方法相比,在1 852条戏剧评论数据集上,一致性指标值提高了22.9%。因此,所提出的SBERT-LDA-DC方法是有效的,对产品或服务提供者更好地了解用户意见、完善自身产品或提升服务水平提供了新方法,具有较强的实际应用价值。     

“数据分析与计算专栏”主持人语

正尊敬的读者,您好!新的一期"数据分析与计算专栏"在作者和编辑老师的共同努力下,终于和大家见面了!本期专栏推出两篇文章,分别关注"数据驱动"和"语义集成"在具体工作中的应用和发展,希望能为您的研究和工作提供帮助。在《基于数据驱动的司法公开信息化监管系统》一文中,作者面向司法公开信息化监管的实际需求,以数据为核心要素,将司法公开数据资源分为两类:基     

北美页岩气政策研究及启示

面对日益加剧的能源安全、经济发展和环境保护等问题,世界各国纷纷把目光投向页岩气。美国、加拿大页岩气开发最为成功,在能源系统中占有重要地位。该文介绍北美页岩气开发现状及发展趋势,总结北美页岩气政策目标,通过详细分析美国和加拿大的页岩气产业政策,认为开放的市场环境、有力的生产激励和长期的技术研发是北美"页岩气革命"成功的主要原因。鉴于北美页岩气开发的成功经验,结合中国页岩气资源潜力和开发现状,提炼北美经验对中国制定页岩气政策的4点借鉴意义,指出中国页岩气政策发展方向。     

大倾角煤层过拐点技术与实践

工作面正常回采,回采至溜尾距上拐点5～10m的时候,计算溜头、溜尾需要回采进尺的比例,按该比例调采溜头,该工作面按5:1～6:1的比例调采。在调面过程中,每完成3～5个循环平推2刀,对工作面溜子及支架进行调整,防止出现支架咬架、支架顶梁不垂直于工作面溜子,拉不动架子等现象。按该方法回采,直至平推回采,工作面溜子及支架不出现上移、下滑现象为止,调面过拐点结束。