神经网络模型在面板坝堆石体施工期沉降变形预测中的应用

在分析面板坝堆石体施工期坝体沉降影响因素的基础上,将影响沉降的主要因素作为网络输入参数,以测点沉降量作为网络的输出,建立了神经网络模型.以水布垭面板坝堆石体为例,将模型预测值与实测结果进行了对比,结果表明,预测值与实测结果比较接近,该神经网络能很好地反映面板坝堆石体施工期沉降变形与其影响因素之间的非线性映射关系,预测结果可作为后期填筑反馈设计的依据,同时可通过网络输入参数的调整检验某一因素对坝体沉降的影响程度.     

隧道地表沉降预测的时变参数灰序模型TGM-AR

在趋势项提取法中,针对逐步回归法比较烦琐及灰色模型预测精度低的缺点,结合灰色预报系统的灰色性和时变性,根据变形体的实际变形规律,将时变参数a(t),b(t)及灰色理论应用于时序模型建模中,提出并建立时变参数灰序模型TGM-AR.时变参数灰色模型用于提取趋势项部分,时序模型用于提取随机部分.将模型应用于隧道地表的沉降分析和预测,结果表明模型预报精度高,且趋势项的物理意义明确.     

基于HMM的多维数据下扶贫对象状态预测

针对扶贫领域中贫困、脱贫和返贫状态预测不准确,影响状态变迁的关键因素难以识别的问题,从扶贫基础数据和多个行业数据中提取8个关键特征和22个观测状态,构建观察状态和隐含状态关联关系,建立扶贫对象状态预测隐马尔可夫模型(hidden markov model,HMM)。以某深度贫困县连续3年的数据为样本,进行参数训练、测试实验和结果验证,结果表明该方法对返贫、贫困和脱贫状态有较强的预测能力,误差率较低,且能准确识别出影响返贫的关键要素。该方法对指导精准扶贫工作具有非常重要的实际意义。     

基于RFID技术的电子围栏内施工人员行为预判与告警算法

在电子围栏内施工人员行为预判与告警研究中,面对不确定的行为信息,常见的告警算法存在大量时隙分配冲突,导致算法的自适应性较差。为此,提出基于射频识别(Radio Frequency Identification, RFID)技术的电子围栏内施工人员行为预判与告警算法。通过远程通信和RFID读写器实时读取施工人员的位置信息和行为信息,将逻辑运算符与时间约束运算符相结合预判施工人员行为,在预判到危险行为后,产生相应的告警信息,设计防冲突算法,将告警信息传递到对应的电子标签上,实现对施工人员的告警。实验结果表明：面对不确定的行为信息,设计的告警算法对施工人员行为信息识别水平高,在时隙分配中未发生冲突事件,且分配成功率在99%以上,其自适应性得到提升。     

An Adaptive Multiscale Ensemble Learning Paradigm for Nonstationary and Nonlinear Energy Price Time Series Forecasting

For forecasting nonstationary and nonlinear energy prices time series, a novel adaptive multiscale ensemble learning paradigm incorporating ensemble empirical mode decomposition (EEMD), particle swarm optimization (PSO) and least square support vector machines (LSSVM) with kernel function prototype is developed. Firstly, the extrema symmetry expansion EEMD, which can effectively restrain the mode mixing and end effects, is used to decompose the energy price into simple modes. Secondly, by using the fine‐to‐coarse reconstruction algorithm, the high‐frequency, low‐frequency and trend components are identified. Furthermore, autoregressive integrated moving average is applicable to predicting the high‐frequency components. LSSVM is suitable for forecasting the low‐frequency and trend components. At the same time, a universal kernel function prototype is introduced for making up the drawbacks of single kernel function, which can adaptively select the optimal kernel function type and model parameters according to the specific data using the PSO algorithm. Finally, the prediction results of all the components are aggregated into the forecasting values of energy price time series. The empirical results show that, compared with the popular prediction methods, the proposed method can significantly improve the prediction accuracy of energy prices, with high accuracy both in the level and directional predictions. Copyright © 2016 John Wiley & Sons, Ltd.     

基于嵌入理论和神经网络技术的混沌数据预测及其在股票市场中的应用

提出了一种将延迟 -嵌入定理与人工神经网络相结合预测混沌数据的基本方法 ,首先讨论了嵌入延迟时间和嵌入维的计算方法 ,并从信号处理的角度分析了相空间重构同预测的关系 ,并以此确定神经网络的输入层结构 ;最后应用于股票指数和价格的预测 ,结果表明这种方法对解决一类问题具有广阔的前景 .     

同城即时配送问题基于多预测场景的在线调度

同城即时配送是随现代电子商务而产生的新问题,该问题呈现出极强的动态性与求解时间的紧迫性,并具有商户与顾客一对多的关系、车辆需要多次往返商户取货、货物取送有时效要求等诸多新特征,无法依赖现有研究而求解.针对这一问题,建立了基于多预测场景的在线优化调度方法,将带有预测订单的多个场景整合到路线规划过程,通过每个场景的方案计算,以及多场景方案的整合,得到了车辆赖以运行的集成方案,提高了调度方案面对未来不确定需求的适应性;所建立的调度系统在新订单进入时立即响应,在系统闲置时则采用大邻域搜索技术不断优化未完成的任务方案.最后,在具有200～300个日订单的大连市某同城即时配送公司的真实数据上,验证了在线调度方法的有效性和可行性.     

基于网络关注度的大宗商品市场预测研究

随着大宗商品市场化的加快和电子信息技术的快速发展,以互联网为载体的网络信息将方便快捷地传递到市场及市场参与者.本文从海量开源数据出发,利用搜索引擎平台,提取核心信息构建网络关注度指标,并提出了基于网络关注度的大宗商品价格预测模型.通过引入具有不同核函数的支持向量回归模型,分别建立了针对单个市场(原油、铜以及玉米)的网络关注度预测模型和综合考虑市场间联动性的多市场网络关注度预测模型.实证结果表明,网络关注度对于市场价格的变动有显著的格兰杰因果关系,引入网络关注度指标和相关市场信息能显著提高预测精度.     

闭环回收供应链中牛鞭效应量化分析

环保和资源的问题关系到整个社会和环境,现代制造越来越注重资源的可持续化应用。将牛鞭效应的量化与控制引入闭环供应链的研究中,有效测量了有回收的供应链中的牛鞭效应。结合传统制造业的制造及分销渠道,运用运筹学及数学理论建立了一个由生产者、销售者及回收渠道组成的供应链模型,并进行数值实验计算和分析。结果表明:牛鞭效应仍存在于具有回收途径的供应链中,减少回收产品直接销售并重新加工能够降低整体供应链的牛鞭效应。     

A Time‐Simultaneous Prediction Box for a Multivariate Time Series

A sample‐based method in Kolsrud (Journal of Forecasting 2007; 26 (3): 171–188) for the construction of a time‐simultaneous prediction band for a univariate time series is extended to produce a variable‐ and time‐simultaneous prediction box for a multivariate time series. A measure of distance based on the L_∞ ‐norm is applied to a learning sample of multivariate time trajectories, which can be mean‐ and/or variance‐nonstationary. Based on the ranking of distances to the centre of the sample, a subsample of the most central multivariate trajectories is selected. A prediction box is constructed by circumscribing the subsample with a hyperrectangle. The fraction of central trajectories selected into the subsample can be calibrated by bootstrap such that the expected coverage of the box equals a prescribed nominal level. The method is related to the concept of data depth, and thence modified to increase coverage. Applications to simulated and empirical data illustrate the method, which is also compared to several other methods in the literature adapted to the multivariate setting. Copyright © 2015 John Wiley & Sons, Ltd.