基于市场诉求的信息关注与认同

对信息关注与认同的含义和表现方式进行了论述,探讨了信息效应的建设原则,阐明了信息注意力就是信息效应的反映和信息价值的认同。     

基于鲍莫托宾模型的我国货币需求实证分析

介绍了各种货币需求理论,根据货币需求理论模型,通过协整检验,对中国的货币需求量进行了实证研究,并对中国的货币政策提出相关建议。     

综合运输系统动态布局观研究

简介了我国交通运输发展状况及存在问题,从经济发展逻辑上分析了综合运输的发展规律,指出综合运输体系可持续发展的内在规律在于以运输需求特性为出发点,结合运输供给特性,选择效率与效益最优的综合交通运输发展模式。     

浅谈按需出版及其对图书采访工作的影响

阐述了按需出版的概念及其意义,介绍了国内外按需出版的发展状况和存在的主要问题,进而分析了按需出版对图书采访工作的影响。     

资金约束模糊报童问题Stackelberg均衡策略

面对市场模糊需求,建立了两层决策系统中负指数折扣多产品资金约束报童模型．对制造商而言,该模型不仅可实现一般文献中求解折扣价格的目的,还可计算出起始折扣点（或折扣区间）;对批发商而言,该模型可获得资金约束条件下多产品的订购策略．结合模糊模拟技术与遗传算法,设计了混合智能算法对模型进行求解．算例分析表明,当制造商采取负指数型折扣时,既使得批发商订购量达到资金约束上限,又使得制造商和批发商利润均增加．因此,该负指数折扣有效且在两层决策系统意义上可实现完美协调．     

一种丢单因子可变的变质物品生产库存模型

考虑变质物品面临指数时变需求,仓库出空期间短缺量拖后率与库存水平和生产状况相关,建立了相应的生产库存模型．运用Mathematica5．0版软件进行数值仿真寻优,得到模型唯一最优解．库存系统主要参数的灵敏度分析表明,需求增长因子和丢单因子对计划期内库存系统总成本影响较小,而服务水平和变质系数对计划期内库存系统总成本影响较大,在进行生产型企业库存控制决策时必须考虑这些因素．     

基于关联规则及组合模型的面料需求预测

由于服装的面料组成具有复杂性,企业在不同时间对不同规格型号面料需求量不一致,传统的人工预测及单维度智能预测模型难以解决问题。针对服装企业面料需求非确定性、预测难的痛点,提出基于关联规则及组合模型的面料需求预测方法。文章首先构建Apriori面料型号关联模型,挖掘多批多类面料间的型号关联规则;然后构建Prophet时间序列模型与长短期记忆神经网络(long short-term memory,LSTM)的组合预测模型Prophet-LSTM,结合其在解决面料需求预测问题上的优势;最后将挖掘出的高关联面料型号历史需求数据作为输入,采用量子粒子群算法(quantum particle swarm optimization,QPSO)优化组合模型权值系数,进行关联面料需求量预测。使用RMES(root mean squared error,RMSE)及MAE(mean absolute error,MAE)作为评价指标设计对比实验,实验结果表明：采用量子粒子群优化的QPSOProphet-LSTM面料需求预测模型RMES较Prophet降低5.464,较LSTM降低1.184;MAE较Prophet降低4.261,较LSTM降低0.819,需求预测精度更高,支持服装企业面料柔性生产。     

基于时空地理加权回归的服务区驶入量影响因素分析

为掌握河北省服务区驶入量的时空分布规律,构建了时空地理加权回归（geographically and temporally weighted regression,GTWR）模型,揭示了服务区规模、服务区地理区位、关联地区土地利用、高速公路类型等因素在时间和空间上对服务区不同车型驶入量的影响。结果表明：时空地理加权回归模型的拟合结果显著优于最小二乘回归模型与地理加权回归模型;断面交通量对三种车型均具有促进作用,特别是在夏季高温地区服务区对于小型车驶入量促进作用显著;2~4h车程范围内,风景名胜密度对小型车驶入量具有促进作用,且在旅游旺季及位于旅游业发达城市的服务区影响最显著;2~4h车程范围内工商业型信息点(point of information,POI)密度对大中型车驶入量具有促进作用,特别是在货运高峰期及位于商贸发达城市的服务区促进作用显著;所属高速公路沿途资源型城市数量对服务区大型车驶入量具有显著促进作用,特别是在供暖季节。     

考虑建成环境交互影响的共享单车需求预测

共享单车的发展有利于交通的节能减排绿色发展。建成环境是影响共享单车出行需求的重要因素,然而很少有学者探究考虑其交互作用。为了准确分析建成环境中各影响因素的交互作用以达到精确预测共享单车出行需求的目的,本文使用了深圳市共享单车出行数据、兴趣点数据（point of interest,POI）、路网数据和公交线路数据等多源数据,采用梯度提升决策树(Gradient Boosting Decision Tree,GBDT)模型预测共享单车出行需求,并与BP(Back Propagation)神经网络模型预测结果进行比较;最后借助SHAP(SHapley Additive explanation)方法解释GBDT模型中各种影响因子对共享单车出行需求产生的影响,并分析各影响因素及其交互作用。实验结果表明：GBDT模型预测结果平均绝对误差为0.683,均方根误差为0.728,较BP神经网络模型预测准确性更高;通过SHAP方法发现自行车道密度、公交站点数等交通属性因素对于共享单车出行需求作用明显,土地利用中土地利用混合度不是简单线性作用且不同POI间存在复杂交互关系。可见通过借助GBDT模型和SHAP方法可以用来共享单车出行需求预测以及影响因素分析,从而为共享单车发展提出改善建议。     

基于实车驾驶数据的信号交叉口车辆运行特性

为得到信号交叉口的车辆运行特性和驾驶模式,开展实车驾驶试验,采集车辆在自然驾驶状态下通过信号交叉口的速度、加速度等运行参数,得到了车辆速度和纵向加速度的变化趋势、分布范围和统计特征值,分析了车速与行驶距离的相关性,确定了减速停车和起步加速的驾驶模式。结果表明：车辆驶入交叉口时在停车前100米范围内车速下降最明显;而绿灯启亮后,车辆在头50米内速度提升最明显。减速距离与初速度之间具有较高的关联度,加速距离和稳定速度之间的关联度略低。减速度总体上大于加速度,85分位减速度为1.19 m/s2,85分位加速度为1 m/s2。减速度峰值出现在停车前5秒内,而加速度峰值出现在起步后的3秒内。本研究可为跟驰模型和微观交通仿真提供参数标定值,为城市交叉口信号配时和交通管理提供实际数据参考和理论依据。