基于Multi-Agent系统的预测支持系统的结构

Agent技术是人工智能和计算机科学领域内新兴的研究热点,自治Agent和多Agent系统为复杂软件系统的分析、设计和实现提供了新的思路.给出一种基于Multi-Agent系统的预测支持系统的结构,将系统设计成由多个Agent组成的多Agent系统.各个Agent有自己的功能,可以独立自主地运行,还可以协同工作完成系统整体目标.     

内蒙古民族人口发展模型

对内蒙古的蒙古族、汉族以及达斡尔族、鄂温克族和鄂伦春族人口发展模型、发展特点和蒙古族、汉族人口未来发展预测模型进行了研究和探讨。     

基于投影寻踪自回归的短时交通流预测

厦时准确地进行交通流短时预测是智能运通系统（ITS），尤其是其先进的交通管理系统（ATMS）与先进的出行者信息系统（ATIS）研究的关键内容之一。随着预测时间跨度的缩短，交通流量的变化显示出越来越强的不确定性，使得一般方法的预测精度大大降低。例如：非参数回归的算法是一种“无参数”、可移植、高预测精度的实时预测算法，在变通流预测中发挥了很大的作用。但随着样本数据维数的增加．存在“维数祸根”的现象。针对目前短时交通流预测存在的问题，本文提出一种基于投影寻踪自回归技术的短时交通流预测模型，解决了“维数祸根”和高维数据闻的非正态、非线性问题。经过实测数据验证。谊算法完全满足实时交通流预测的需要。     

非线性跟踪-微分器及其在股价模拟和预测中的应用

在介绍非线性跟踪-微分器基本原理的基础上，运用非线性跟踪-微分器对上证综指进行了模拟和预测，并将其模拟和预测结果与五日移动平均法进行比较。结果发现，不管是敏感度还是误差，非线性跟踪-微分器比移动平均法要理想得多。     

基于混沌和RBF神经网络的短时交通流量预测

针对传统的应用数学模型方法在短时交通流预测精度和实时性方面存在的问题，论文从非线性时阅序列的角度对短时交通流量预测进行探讨，提出采用基于混沌理论的RBF神经网络预测方法。首先在采用小数据量的Lyapunav指数计算方法判定交通流存在混沌的前提下，对交通流量数据进行相空间重构。构建了RBF神经网络，并对模拟产生的Lorenz和Rossler混沌时间序列数据以及实际采集的高速公路交通流量数据进行了仿真研究。结果表明，该方法对模拟产生的混沌时间序列具有很好的预测效果，在交通流量的短时预测上也具有较高的预测精度。     

韶关地区电网水电站群优化调度决策支持系统的设计与开发

总结设计与开发韶关地区电网水电站群优化调度决策支持系统需要考虑的特殊技术经济问题，介绍该系统的设计思想和功能结构框图，并详细阐述数据库管理、径流预报、优化调度、人机界面及辅助功能模块的功能设计及其软件开发．该系统已经投入韶关地调现场试运行，效果良好．     

Using the bootstrap to evaluate forecasting equations

The bootstrap, like the jack-knife, is a technique for estimating standard errors. The idea is to use Monte Carlo simulation, based on a non-parametric estimate of the underlying error distribution. The bootstrap will be applied to an econometric equation describing the demand for energy by industry, to determine multi-period forecasting error and choose among competing specifications. The delta method for estimating forecast errors turns out to be too optimistic by a factor of 2.     

Recursive estimation and forecasting of non-stationary time series

The paper presents a unified, fully recursive approach to the modelling and forecasting of non-stationary time-series. The basic time-series model, which is based on the well-known ‘component’ or ‘structuraL’ form, is formulated in state-space terms. A novel spectral decomposition procedure, based on the exploitation of recursive smoothing algorithms, is then utilized to simplify the procedures of model identification and estimation. Finally, the fully recursive formulation allows for conventional or self-adaptive implementation of state-space forecasting and seasonal adjustment. Although the paper is restricted to the consideration of univariate time series, the basic approach can be extended to handle explanatory variables or full multivariable (vector) series.     

Estimation procedures for structural time series models

A univariate structural time series model based on the traditional decomposition into trend, seasonal and irregular components is defined. A number of methods of computing maximum likelihood estimators are then considered. These include direct maximization of various time domain likelihood function. The asymptotic properties of the estimators are given and a comparison between the various methods in terms of computational efficiency and accuracy is made. The methods are then extended to models with explanatory variables.