基于 GM(1,N)-Prophet组合模型的电商行业销售预测研究

[目的/意义]电商平台行业预测受到诸多因素的影响,预测结果的准确性对其促销策略的制定具有重要意义.[方法/过程]以京东电商平台办公行业成交金额作为预测对象,通过灰色关联分析找出关键影响因素,采用GM(1,N)进行销售预测,并对结果误差进行分析;再引入Prophet时间序列模型进行优化,最后对优化结果进行对比分析.[结果...     

浮法玻璃厚度CCD位移传感器在线检测技术研究

浮法玻璃厚度测量是玻璃产品质量的一项重要标准。采用激光三角法位移测量原理对浮法玻璃进行在线厚度检测,在实验室通过常温状态和热态检测,测量结果的范围满足了国家标准对各种浮法玻璃厚度的要求,而且测量精度远远超过国家标准的厚度允许偏差范围。从而提高了测量精度、稳定性,提高了玻璃生产质量,减少能耗。     

离散奇异系统的有限时间控制

有限时间稳定就是指在一个有限的时间区间内,系统的状态轨线始终保持在预先给定的界限内,它是与通常意义下稳定相互独立的一个概念。本文给出了离散奇异系统有限时间稳定以及有限时间有界的定义,研究了离散奇异系统通过状态反馈的有限时间控制问题。本文当中首先给出了离散奇异系统是有限时间稳定或有限时间有界的充分条件,这些条件可归结为基于线性矩阵不等式的可解性问题。在此基础上又得到了两个充分条件,它们能保证控制器的存在,并且使得闭环系统是有限时间稳定或者是有限时间有界的。然后通过线性矩阵不等式的求解,给出了控制器的设计方法。最后用两个数值算例验证了该方法的有效性。     

新型防火泡沫材料研究

为了解决采空区自然发火、漏风严重等问题,提出了采用新型泡沫水泥材料来减少甚至杜绝采空区自燃.在已有的泡沫材料基础上,以水泥、发泡剂、速凝剂等配置成泡沫水泥.本文通过相关实验,测试了发泡剂与水不同比例下发泡水泥的稳泡时间,密度,强度,流动性和堵漏风特性.根据实验结果,得出发泡剂与水比例为1:50时,泡沫水泥的漏风量最小,堵漏风效果最好.配制了速凝剂含量不同的水泥样品,通过分析不同含量下水泥的凝结时间,得出速凝剂的含量在4.6%～5.0%时凝结时间较短,凝结效果最佳.泡沫水泥材料的性能和堵漏风效果比已有防火材料得到很大改善,具有很好的应用前景.     

新型遗传算法求解车辆路径问题研究

建立有时间窗车辆路径问题的数学模型,针对遗传算法在局部搜索能力方面的不足,提出将模拟退火算法与遗传算法相结合,从而构造有时问窗车辆路径问题的混合遗传算法,并进行实验计算.结果表明,用混合遗传算法求解该优化问题,可以在一定程度上克服遗传算法在局部搜索能力方面的不足和模拟退火算法在全局搜索能力方面的不足,从而得到质量较高的解.     

肃南县汛期暴雨时空分布规律分析

肃南裕固族自治县,地处河西走廊中部,地域狭长、地形复杂,具有较强的局地气候特色,汛期内暴雨空间分布也是具有鲜明差异。每年汛期内（5—9月份）,其降雨总量为一年中最多,且占比最大,同时也是暴雨天气集中出现和易发时段。利用肃南县近10年降水逐日观测资料,统计分析肃南县近10年汛期暴雨时空分布规律特征。结果表明：汛期内降雨量总体呈现中东部多、西部少的空间分布型,降雨最大值区域均稳定在康乐镇东部、马蹄乡和皇城镇中西部一带,最小值区域均稳定在祁丰乡北部和明花乡一带;出现的暴雨频次,以7月份出现最多,5月份为最少,且暴雨易发地区在祁丰乡东部至大河乡、康乐乡中东部至皇城镇西部一带。     

基于小波分解的设备状态预测方法

首次提出将小波分解应用于非平稳时间序列的预测中,通过小波分解将非平稳时间序列分解为多层近似意义上的平稳时间序列,并且用ＡＲ（ｎ）模型对分解后的时间序列进行预测,进而得到最终的预测结果．将该方法应用于压缩机轴承座磨损的趋势预测中,通过与基于ＢＰ网络的预测方法相比较表明：该方法预测精度高,而且预测速度快,可以有效地应用设备状态的预测和设备故障趋势的分析中．     

改进型多输出端差动差分电流传送器及其应用

提出了一种新颖的改进型多输出端差动差分电流传送器(MDDCC)及其CMOS实现电路,用计算机仿真方法比较了MDDCC和第二代电流传送器(CCⅡ)的特性;以MDDCC构成了全差分式连续时间电流模式低通及带通滤波器,分析并模拟了所提出的滤波器的特性。仿真结果表明,MDDCC电路兼有差动差分放大器(DDA)和CCⅡ两者的优点,适于实现全集成连续时间滤波器。     

一类时间不一致控制问题

研究了一类时间不一致控制问题.利用经典的数学分析方法和变分法,证明了最优控制问题的最优控制就是时间不一致问题的均衡控制.     

超短期风电功率预测的混合深度学习模型

针对风电功率预测(WPF)问题,提出一种基于离散小波变换(DWT)、时间卷积网络(TCN)和长短期记忆(LSTM)神经网络的混合深度学习模型(DWT-TCN-LSTM),对超短期风电功率进行预测.将DWT-TCN-LSTM模型分别与差分整合移动平均自回归(ARIMA)模型,支持向量回归(SVR)模型,长短期记忆神经网络模型和卷积长短期记忆(TCN-LSTM)混合模型进行对比实验,通过对称平均绝对百分比误差(SMAPE),均方根误差(RMSE)和平均绝对误差(MAE)3种评价指标值对各个模型进行评价.实验结果表明:DWT-TCN-LSTM模型具有较好的预测性能.