面向舆情大数据的突发事件民意倾向预测模型研究

面向舆情大数据研究网络舆情传播过程和民意演化,基于Gompertz构建突发事件民意倾向预测模型,应用差分回归法确定预测模型的关键参数,并通过"雾霾"舆情验证了模型用于民意倾向预测是可行的,以期为政府准确把握突发事件民意宏观态势,制定网络舆情治理机制、辅助线下应急决策提供参考依据。     

基于退化特征空间重构的多轴承健康寿命协同预测方法研究

为顺应现代制造业发展要求,做到视情科学维修,延长设备健康寿命。针对传统方法预测准确率较低的问题,采用多个轴承全生命周期数据为实验数据集,并选取均方根、峰值因子、峭度、频谱分区求和四个特征作为预测模型的输入值。另外,采用卷积神经网络构建预测模型,训练模型时采用学习率衰减机制,提高训练效率。实验表明,该方法相较于其他传统方法具有较高的预测准确率,可以对轴承健康寿命进行有效预测。     

基于极限学习机的分布式电力负荷预测

现代电力负荷数据以海量形式存在,传统单机模式无法满足电力负荷在线预测效果的要求。为了改善大规模电力负荷数据的预测效果,设计了基于极限学习机的分布式电力负荷预测模型。首先提取电力负荷数据,通过混沌理论的相空间重构方法对电力负荷数据进行预处理,产生电力负荷数据预测建模样本,然后将电力负荷数据预测建模样本细分成为多个子样本,通过云计算集群系统的分布式方式并行实现子样本建模,每一个小样本通过极限学习机进行建模和预测,最后采用具体电力负荷数据进行了仿真测试实例研究,测试结果表明,本文模型加快了大规模电力负荷数据建模速度,可以足电力负荷在线预测效果,而且电力负荷预测精度要明显优于当前其它电力负荷预测模型。     

基于主成分分析的油田油水层预测

本文对新疆油田公司的测井数据,利用主成分分析法(PCA)提取参数的有效特征,消除相关性,结合马氏距离判别法,建立了油层水层的预测模型,判断了油层和水层。实验结果表明,PCA+马氏距离方法的预测准确率达92.7%,高于直接用马氏距离及用人工神经网络(ANN)、支持向量机(SVM)对原始数据进行判断的准确率。     

一种旅游客源流向地估计模型仿真分析

当前影响人们旅游需求的因素越来越多,对固定时间人们的旅游目的地判断受到这种多因素的影响越来越复杂,传统的预测模型多是静态模型,各个判断因素的属性权重相对固定,不能灵活改变,但是这些属性对最终目的地的影响作用不同,这就导致传统模型很难形成准确判断。本文提出了一种基于RBF神经网络算法的旅游客源流向地估计方法。利用主成分分析法,提取旅游客源相关数据,根据METRIC相关理论,对旅游资源可用度进行准确分析,并建立旅游客源流向地估计模型。实验结果表明,利用本文算法进行旅游客源流向地估计,能够有效提高估计的准确性,从而为旅游行业的决策提供准确的依据,促进旅游业的健康、快速、可持续发展。     

灰色-多元回归组合模型在逆向物流预测中的应用

逆向物流量的有效预测有助于产业发展规划的制定和基础设施建设的可行性研究。针对逆向物流不确定性因素的特点采用灰色GM（1,1）模型和多元线性回归模型两种单项预测模型对数据进行建模,并结合组合预测理论,采用基于预测有效度的组合预测模型进行预测。结果表明组合预测模型的预测精度明显高于两种单项预测方法,证明了该方法用于逆向物流需求预测的可行性和有效性。     

卫星钟差数据的时间序列分析建模及异常值探测

对卫星钟差进行预报,需要建立准确的卫星钟差模型.卫星钟差的时间序列建模就是一种有效的建模方法.但是时间序列中若含有异常值,就会使传统的建模、估计及检验方法陷入困境,从而不能准确的预测和控制.结合钟差实测数据特点,对卫星钟差数据进行时间序列建模并探测序列中的异常值,比较模型修正前后预报的结果,说明了建模的效果.     

基于PCA&SVM的多品种小批量产品质量预测方法研究

将主成分分析与支持向量机结合应用到多品种小批量产品的质量预测。首先确定多品种小批量产品生产过程中的定量影响因素,并将其作为初始影响因素集;然后利用主成分分析方法降低因素集的维度,同时提取关键主成分;最后将关键主成分作为影响因素集并建立针对于多品种小批量生产的支持向量机质量等级预测模型。算例分析表明,与传统的支持向量机分类模型相比,主成分分析与支持向量机结合的模型预测准确率及稳定性均有显著提高,说明模型具有更好的预测性能。     

基于长短期记忆神经网络的短期负荷预测方法

为了能够挖掘出海量数据中蕴含的有效信息,提高短期负荷预测精度,本文提出了具有深度学习能力的长短期记忆神经网络(Long Short-Term Memory,LSTM)模型进行短期负荷预测,深度学习顺应了大数据的趋势,对海量数据学习、泛化能力强。利用主成分分析方法对样本进行选择,进而建立LSTM预测模型。仿真结果表明,采用LSTM预测模型相对于BP神经网络模型提高了预测精度。     

支持向量机在雾霾天气预测中的应用

支持向量机(Support Vector Machines简称SVM)方法是一种新的统计学习理论方法,是处理非线性分类和非线性回归的一种有效方法。雾霾天气受多种因素的影响,雾霾预测包含大量的非线性因素。利用与PM2.5关系密切的12个因子建立基于RBF核函数的支持向量机方法的雾霾预测模型,对雾霾天气预测进行了探讨,经检验,该模型具有良好的预报能力。SVM方法为雾霾天气的预测提供了一种可行的有效途径。     

微观剩余油仿真研究综述

传统的建模方法包括确定性建模和随机建模,但它们不能实现储层参数在时间维的预测。建立储层参数的四维模型能够揭示储层参数在四维空间的分布和演化规律,对剩余油的进一步挖潜具有重要的理论和现实意义。本文在充分吸取已有两种储层四维建模方法优点的基础上,提出了一种建立储层四维模型的新方法:首先结合实验分析、生产动态等资料,来求取历史储层参数;接着利用人工神经网络方法,对历史储层参数进行学习与训练,总结出各井点储层参数随时间的演变规律,进而对未来的井点储层参数做出预测;然后建立起构造模型,应用随机模拟或克里金插值方法来预测井间的储层参数;最后应用三维数据场可视化技术,对各个开发时期的储层参数进行显示。通过该方法建立起江苏油田庄2断块E1f11-1小层含油饱和度的四维模型,结合生产动态数据分析,发现所建的四维模型较准确的反映了E1f11-1小层含油饱和度在三维空间的分布和演化规律。     

景气预测模型应用研究

将企业景气调查数据与传统统计数据相结合,综合利用这两类数据建立景气预测模型。首先分别建立景气预测的ARCH模型和GMDH自回归模型,然后构建了ARCH-GMDH组合预测模型。实证分析表明,与单一使用传统统计数据或企业景气调查数据建立的景气预测模型相比,综合利用两类数据建立的模型预测精度大大提高,从而为景气预测提供了一种新的思路。     

基于支持向量机与信息粒化的上证指数预测研究

参数的优化选择对支持向量机回归算法(SVR的预测精度和泛化能力影响显著,提出混沌粒子群优化算法(CPSO优化选取支持向量回归算法中参数c和g信息粒化是进行海量数据挖掘和模糊信息处理的有效工具。在此基础上利用上证指数数据建立上证指数开盘数预测模型,研究结果表明,混沌粒子群优化的SVR信息粒化时序回归预测模型克服了传统时间序列模型仅局限于线性系统的缺点,速度快,预测精度高,且实用性强。     

大数据下基于数据挖掘的商品热门程度预测研究

为了优化企业商品销售决策方案,提高商品热门程度预测的准确率,本文基于热度曲线进行分类建模,并且构建商品的关注聚焦程度及消费者购买程度指数,对数据的处理与预处理进行阐述,最后运用时间序列和回归分析进行实例仿真,分别得到关注聚焦程度和消费者购买程度指数,进而对这些指数进行排名。实验表明,预测结果与实际结果基本一致,预测效果良好,具有一定的研究价值。文章结合预测商品热门程度的实际应用背景,提出了能有效克服预测模型预测精度不高这一缺点的商品热门程度预测模型,并推导出组合预测模型权重确定公式。     

一种基于GM(1,1)算法在矿产预测中应用

矿产资源在我国属于资源比较丰富,但是我国对于矿产资源的预测数据确是少之又少,其矿产的机理又比较复杂.针对这个情况,本文利用灰色GM(1,1)模型时间序列预测理论对矿产资源预测进行建模预测,分析了该预测模型在实地矿产预测中的实际应用,证明了方法的有效性.     

中小上市公司信用风险评估比较研究——基于径向基神经网络和BP神经网络模型

以114家中小上市公司为研究对象,运用BP神经网络模型和径向基网络模型对训练样本和测试样本中一定比例的"非ST"和"被ST"进行了信用评估。按照各上市公司财务状况把公司划分为"好"和"差"两类。仿真结果表明:BP神经网络模型对测试样本的预测准确率高达88.9%,而径向基网络模型对测试样本的预测准确率只有77.8%,比BP神经网络模型的准确预测率低了11个百分点。     

采用广域子空间分解降维的网络流量准确预测

网络数据流量的准确预测是评判和选择最佳Web服务的一种重要标准。传统的网络数据流广域子空间流量预测方法没有进行分解降维处理,预测误差较大,无法对大跨度的网络流量进行准确预测。提出一种基于广域子空间分解降维的网络数据流量准确预测方法,把网络流量数据流构建广域子空间进行预处理,在广域子空间中对数据进行分解分析,把提取的高维特征涵摄在广域子空间中,进行广域子空间分解降维,然后将广域分析的结果与子空间降维分析的结果进行有效的数据融合,实现对整个网络流量分析数据的准确预测。仿真测试表明,采用基于广域子空间分解降维的方法进行网络数据流量预测,可以精确预测网络流量渐变过程,结果准确,且计算开销明显降低。     

基于主成分分析法和神经网络的技改工程造价预测模型

目前输变电工程造价经济技术指标复杂,影响造价的因素众多,导致造价估算困难,工程设计和概算过程难以达到预期效果。为了解决该难题,文章建立基于主成分分析法和改进BP神经网络的输变电工程造价预测模型,采用主成分分析法提取输变电工程造价主要影响因素,结合工程实际情况,通过改进的BP神经网络对样本数据训练学习。通过测试验证,建立的模型预测结果较为准确,能够较为合理的预测输变电工程的造价费用,对电网工程造价预算具有一定的参考价值。     

基于MCS-RELM的网络安全态势预测模型

为了提高网络安全态势的预测准确性,提出一种改进布谷鸟搜索算法和正则极限学习机相融合的网络安全态势预测模型。首先将一维的网络安全态势数据重构成多维时间序列,然后将训练样本集输入到正则极限学习机进行学习,并采用改进布谷鸟搜索算法优化输入权值和隐含层阈值,建立网络安全态势预测模型,最后采用Honeynet数据集对模型性能进行测试。结果表明,相对于其它网络安全态势预测模型,本文模型可更加准确描述网络安全态势的变化趋势,不仅提高了网络安全态势预测准确性,而且加快了建模速度,可以满足网络安全态势在线预测要求。     

不排水条件下深基坑开挖变形对比分析

随时城市的快速发展,基坑工程受到人们越来越多的关注,其中如何预测基坑开挖对周围环境的影响显得最为突出。摩尔库仑模型和土体硬化模型是分析岩土工程问题的两种常用模型,均可以用于预测基坑开挖过程中周围土体的位移情况。通过建模分析与工程实测数据的对比,发现不排水条件下摩尔库仑模型和土体硬化模型[1]能在一定程度上反应基坑开挖阶段的土体变形情况,但并不是十分准确。在实际运用中,这两种模型的分析结果只能作为预测基坑整体变形的参考数据。