基于马尔可夫矩阵模型的企业集群状态预测

为使政府能够正确地引导本地资源在企业集群中的配置方向,促进产业结构的合理化,提出一种新的预测决策方法——马尔可夫系统状态概率矩阵法。结合应用实例,阐述了建立转移概率矩阵的方法,讨论了如何根据企业集群市场状态,预测其中各企业未来分布趋势、分布状态以及市场占有率的过程。最后,研究了集群中企业占有率的平衡状态以及政府据此进行政策调整的基本手段。该研究可为政府制定企业集群发展战略和市场调节提供理论上的参考和方法上的指导。     

一致性特征下综合体停车需求预测方法

基于单一建筑功能停车需求一致性特征的分析,采用停车需求高峰比系数对建筑功能停车需求分布趋势进行分时刻描述,提出了单一建筑功能停车需求预测的影响系数修正模型,并基于共享停车理念建立了综合体停车需求预测三步骤模型,且在实际案例中进行了良好的应用.由于采用了分时刻需求分布预测法,综合体停车需求的预测结果信息较为丰富,也为停车设施后期的精细化管理提供了良好的数据支持.     

基于数据分析的地区高等教育发展评价及预测

改革开放以来,我国的教育事业得到了迅速发展,然而也存在着各地区发展不均衡的现象。由于以往教育水平评价指标间的关系错综复杂,为了有效地观测我国高等教育发展水平与趋势,本文建立了一种基于灰色关联度分析和熵权法的组合权重综合评价模型。根据指标体系收集到我国10个省级地区2007年至2016年的相应数据,利用综合评价模型与时间序列模型对我国部分地区高等教育的综合发展水平进行了测算和分析,得到了各地区高等教育综合发展水平的排名,并基于此对各地区未来5年的高等教育综合发展水平进行了预测。     

基于XGBoost的短时交通流预测模型

为提高路段短时交通流的预测精度,选取路段平均旅行时间作为预测指标,建立了一种基于极端样度上升(extrem gradient boosting,XGBoost)的短时交通流预测模型。首先通过对交通流数据的分析,在考虑交通流时空特性的基础上,分别构建目标路段时间序列训练集、测试集以及时空序列训练集、测试集,然后基于XGBoost模型以及构建的训练样本集建立时间序列预测模型以及时空序列预测模型,并利用训练好的模型进行预测,最后将模型预测结果与线性回归模型、神经网络模型预测结果进行比较。实验结果表明:基于XGBoost的短时交通流预测模型能够对路段未来时段平均旅行时间进行比较准确的预测,其中时间序列预测模型均方根误差为5. 32,时空序列预测模型均方根误差为4. 82,均低于线性回归模型和神经网络模型,且相比于仅考虑时间因素的短时交通流预测模型,同时考虑时空因素的预测模型得到的误差更低,预测效果更好。     

端磨渗碳钢时磨削烧伤的预测和控制

通过实验，分析了端磨渗碳钢时影响磨削烧伤的因素，提出了对磨削烧伤进行预测和控制的途径。结论对生产实际有一定的参考价值。     

农村用电量的宏观预测

本文用相关分析和层次分析方法找出影响农村用电量的主要因素，将农村用电量归结为多变量输入单变量输出系统，采用离散线性动态系统模型对我国农村用电量进行了预测，预测结果表明我国农村用电量年递增率为１０％以上。     

一类季节性商品市场预测的新方法

讨论了一类季节性商品的市场预测问题，在原有模型基础上，提出了一种改进的预测新方法，可以提高预测精度。     

重庆城市居住建筑能耗预测模型

为了研究重庆市居民住宅建筑能耗的影响因素,通过问卷调查匹配居民实际能源消耗,借助SPSS软件,运用相关分析和多元回归分析对影响居民建筑能耗各因素与能耗的关系进行实证研究,得出常住人口、人均建筑面积、制冷空调和电脑台数总和和夏季空调降温方式4个因素与建筑能耗有显著相关性,据此建立居住建筑能耗预测的多元线性回归模型,并运用历年实际能耗消费数据对模型拟合效果进行检验,研究结果表明:模型拟合预测年能耗与实际统计年能耗符合度达95%左右,说明能耗影响模型的预测结果具有较高的预测精度和较好的拟合效果;居住建筑能耗预测模型可为国家区域能源规划、相关能源政策的制定提供有力的数据支持。     

下穿已有隧道泥水盾构施工的预测分析

基于2010年上海世博会重大配套工程——打浦路隧道复线工程,结合具体实际地质条件及施工参数,利用Abaqus有限元分析软件,建立三维非线性有限元模型,模拟泥水盾构沿弧线斜下穿已有隧道的施工过程.计算并分析在泥水盾构施工过程中,已有隧道发生的变形、产生的应力以及地表发生的沉降,预测泥水盾构施工对已有隧道和地表的影响,并与实测数据进行比较,说明分析预测的可信性.所得结果不仅对该工程具有积极的指导意义,而且对其他类似工程的分析也具有重要的借鉴作用.     

基于小波分析法与神经网络法的非平稳风速信号短期预测优化算法

为提高传统神经网络对非平稳风速的预测精度,提出一种基于小波分析法与神经网络法混合建模的优化算法。该优化方法引入小波分析法对实测非平稳风速信号进行分解,将非平稳性原始风速序列转化为多层较平稳分解风速序列,再利用BP神经网络对各分解层风速序列建立预测模型,最终加权各层预测结果获得风速超前多步预测结果。仿真结果表明:该优化算法实现了风速的高精度短期多步预测,将传统神经网络法对应超前步数的平均绝对相对误差分别提高了55.56%,32.43%和34.58%,其超前1步、3步和5步预测的风速平均相对误差分别为0.48%,1.50%和2.97%。优化网络具备信号分解与自学习能力。