基于ARIMA-LSTM-XGBoost组合模型的铁路货运量预测

为提升铁路货运量预测精度和泛化能力,综合考虑铁路货运量时间序列数据的线性和非线性特征,提出了基于ARIMA-LSTM-XGBoost组合模型的铁路货运量预测方法。首先使用ARIMA模型对我国铁路货运量进行初步预测,再利用LSTM网络对残差进行校正,并将其与XGBoost模型结合,采用误差倒数法确定权重,构建一种加权组合模型。最后将组合模型与ARIMA、ARIMA-LSTM、LSTM、XGBoost模型进行对比,借助均方误差(MSE)、均方根误差(RMSE)、平均绝对值误差(MAE)、平均绝对百分比误差(MAPE)对上述模型的预测精度进行对比分析。使用2007年-2021年全国铁路货运量月度数据进行实验,实验结果表明：组合模型的MSE、RMSE、MAE、MAPE分别为0.011 9、0.109 4、0.068 3、1.775 2%,预测误差均低于上述对比模型,模型的预测精度和泛化能力都有所提升。     

高水平临床研究推动肺动脉高压危险分层内涵发展

肺动脉高压是一种疑难危重罕见病,一直以来被视为“心血管系统的癌症”,患者预后极差.对疾病进行危险分层可以帮助临床医生判断患者病情、指导治疗、评价疗效和预测预后,这需要大量的临床研究作为依据.高水平临床研究是解决临床实践问题的重要手段,我国肺动脉高压队列有着独特的特点,学习和借鉴国外肺动脉高压危险分层发展经验,对建立符合我国肺动脉高压人群的危险分层具有重要意义.本文以肺动脉高压危险分层发展为例,旨在深入剖析通过高水平临床研究解决临床问题的过程与方法.文章概述了肺动脉高压的发现与流行,明确了定义与深入开展临床研究的全过程;重点围绕靶向药治疗时代下肺动脉高压危险分层的建立与更新,总结临床研究推动肺动脉高压诊疗指南和治疗理念不断发展的方式方法;最后通过分析肺动脉高压危险分层在我国的应用现状和问题,希望国外研究肺动脉高压危险分层的思维方式对我国开展临床研究、解决临床实践中的问题有所启示.     

基于时变卡尔曼滤波的中途VSP钻前速度反演及在地层压力预测中应用

地层速度的变化是孔隙压力预测过程中的敏感参数之一,而岩层的性质、岩石的成分等众多因素则影响着速度的变化,导致其预测和估计的复杂性和困难性。本文首先利用中途垂直地震剖面(VSP)获得的已钻井段的时深关系及钻头前方未钻井段反射波场信息使用多元回归模型对地层速度预测问题进行建模,其显著特点是众多影响因素以属性形式作为输入模型,然后使用卡尔曼滤波器来求解该多元回归模型的参数,预测得到钻头前方地层速度。鉴于输入的VSP走廊叠加资料及衍生属性具有比常规地震更高的分辨率,从而使得预测得到地层速度也具有更高分辨率。基于以上工作基础上,我们将基于VSP预测获得的速度应用在地层压力预测中,并实际应用在琼东南盆地高温高压井中,预测了钻头前方300 m的地层速度,进而估算钻头前方地层的孔隙压力。后续的实测结果表明,预测结果较为可靠,为安全钻井提供了技术支持,验证了本文方法可行性。     

高温高盐类聚合物驱物化参数的确定

本文是在开展高温高盐类聚合物物化参数数学描述研究的基础上,尽可能使数学描述更结合我国室内实验工作情况。用介于解析与数值方法之间的预测方法,在考虑影响高温高盐聚合物驱动态的主要因素的基础上,研制拟三维的微机版聚合物驱机理模拟器。由于该模型具有能尽可能方便、有效地考虑各种物化现象,计算快捷,稳定性好的优点,它适用于：进行室内驱替试验的模拟,确定物化参数;进行井组动态计算,为聚合物驱区块动态管理提供有效依据等。     

液气相变型超声分子探针研究进展

随着分子成像技术和各种纳米生物材料的迅速发展,医学影像技术有望对人体疾病实现从器官、组织水平到细胞、分子水平全方位、多层次在体实时观察.通过基于分子靶标的肿瘤早期诊断、革命性的肿瘤分子分型以及肿瘤边界确定和术中手术导航的全面开展,实现精准医学.超声分子影像是分子影像学的一个新的分支,在近10年发展迅速.液气相变型超声分子探针凭借其良好的穿透性以及诊疗一体化等优点,已显示出其优于传统超声分子探针的众多优势,在基础与临床应用方面展现出巨大潜力.本文对液气相变型超声分子探针的相变机制以及近几年在生物医学应用领域的研究进展进行了综述.     

面向脑电数据的知识建模和情感识别

心理科学研究依赖于对生理、心理数据的分析,情感是心理研究的重要内容.近年来随着认知神经科学研究技术的成熟,研究者利用脑电(electroencephalogram,EEG)等可以反映脑功能活动的生理信号,直接研究情感问题,如情感识别、情绪脑等.但是,生理信号将会产生TB级甚至PB级的数据量,认知研究和临床神经科学在过去几十年中已产生大量生理数据,对这些大数据的表示和情感知识挖掘需要更高级的工具.构建能够表示数据含义和情感相关知识的模型,能够给心理研究者提供一个知识共享平台,以便使用这些大数据进行情感方面的科学研究.本文构建一个可以表示EEG数据语义和被试者上下文信息的本体模型,并基于该模型使用推理引擎进行基于EEG生理信号数据的自动情感识别.实验结果表明,模型在e NTERFACE 2006数据集上能够以99.11%的平均准确率识别被试者的情感状态,并从实验结果分析发现基于EEG数据情感识别最关键的特征是Beta波与Theta波的绝对功率比.     

中文微博句子倾向性分类中特征抽取研究

针对中文微博句子倾向性分类问题,在充分降低由于情感词典的扩充工作带来系统开销的基础上,抽取了中文微博句子中标点符号、情感词权重、词汇级和句法级等新型平面和结构化特征,探索了有效的特征选择方法.在基准COAE和NLP&CC中文微博语料上进行双向交叉和独立实验,并研究了有效的不平衡性语料的处理方法.实验结果表明:采用该文提出的特征后,中文微博句子倾向性分类的性能得到显著提升.     

写在孙大光先生逝世十周年之际

 我出生在安徽省一个国家级贫困县的小山村,2002 年我考上了本省的一所煤炭地质矿产类大学,同年获得了孙大光先生及其夫人共同设立的"孙大光、张刚奖助学金"(由孙大光、张刚夫妇个人出资设立的用于资助家乡贫寒学子求学的奖助学金,编者注)的资助。孙大光先生是安徽六安人,是新中国交通、地质、矿产工作优秀的领导者,曾任原地质矿产部党组书记、部长等职。由于获得该助学金,我开始留意先生的信息,关心先生的一生,了解先生当年是如何度过青年时代的,感受先生青年时期如何认识世界和他的精神生活。今年是先生逝世十周年,之前因多种机缘巧合,和先生建立起了某些联系,所以现在我结合自己的人生经历与感想,由衷写下这篇缅怀先生的文章。     

基于ＮＰ准则的属性关联度量及门限确定方法

在目标空域密集环境下,属性辅助运动状态数据关联是目前公认的解决数据关联性能严重下降问题的潜在有效途径。从Neyman Pearson准则出发,在分析经典运动状态信息关联度量及门限确定方法合理性的基础上,给出属性辅助数据关联中属性度量及对应门限的确定方法。仿真结果表明,与惯用的固定门限相比,该方法确定的度量及门限具有稳定的关联性能。