多视点视频编码预测结构的研究

不同的多视点视频序列具有不同的时空相关性,MVC采用的分层B帧预测结构无法充分利用视频序列的属性。本文提出了一种能适应不同视频序列编码的方法,通过研究多视点视频图像中的时空相关性和视点间的相关性,适当地取消部分时间层的视点间预测并且对所有P视点的非关键帧均采用视点间预测和调整了I视点的位置。实验结果表明,本文方法在提高编码效率的同时使得预测结构具有更好的随机访问性能、更低的编码复杂度。     

基于贝叶斯的金融时间序列预测研究

传统的时间序列分析与预测方法没有考虑样本和参数的先验信息,导致预测结果和实际数据的偏差较大,贝叶斯参数估计方法可以充分利用参数的先验信息,使得估计参数的方差更小,估计结果更加精确,预测结果更真实有用。随着MCMC方法和WinBUGS软件的发展,贝叶斯分析方法估计模型的计算困难逐渐减弱,因此,近年来贝叶斯时间序列预测方法越来越受到关注。本文基于上证指数收盘价的数据,采用Eviews和WinBugs软件,对样本数据进行预处理,利用贝叶斯参数估计方法进行时间序列自回归模型的实证研究分析。     

基于人工神经网络的玉米价格短期预测研究

为获得更精确预测粮食价格的方法,引入了人工神经网络预测法,建立了一种改进的人工神经网络模型,并通过该模型自学习的特性对已获得粮食价格时间序列数据的波动规律与发展趋势实现记忆性的学习,最终预测出未来价格.结果表明：人工神经网络模型在预测价格问题上具有很高的精度;其方法不仅可行,而且适用性强,预测结果客观、合理,具有一定的研究价值和较好的应用前景.     

混沌时间序列单变量和多变量重构的预测比较

提出了多变量混沌时间序列相空间延迟重构中延迟时间间隔和嵌入维数的选取方法，给出了多变量混沌时间序列的局部平均预测法，局部线性预测法和BP神经网络预测法等3种非线性预测方法．通过Lorenz系统的仿真计算表明，无论用3种非线性预测方法中的哪一种，多变量混沌时间序列要比单变量混沌时间序列的预测误差小得多，即使前的数据长度只有后的一半，前的预测误差也要小很多．另外从预测误差最小的角度验证了多变量混沌时间序列相空间延迟重构中延迟时间间隔和嵌入维数选取方法的有效性．     

均生函数和偏最小二乘回归神经网络集成的股市建模研究

建立股市预测模型是一个具有挑战意义的工作。利用均生函数（Mean generation Function,MGF）方法对股市时间序列重构,再利用偏最小二乘法提取对股市影响的综合变量作为神经网络的输入因子。利用Boosting技术和不同的神经网络算法,生成神经网络集成个体,用＂误差绝对值和最小＂作为最优准则,采用线性规划方法计算得到组合预测模型的各权系数,以此建立股市组合预测模型。通过S＆P500指数开盘价进行实例分析,并与传统的时间序列分析和其他集成方法对比,该方法能获得更准确的预测结果。计算结果表明该方法能充分反映股票价格时间序列趋势,为金融时间序列预测提供一个有效建模方法。     

时序数据相似匹配技术的研究

时间序列的相似性度量是时间序列数据挖掘研究中的一个重要问题,是进行序列查询、分类、预测的一项基础工作,寻求一种好的度量对提高挖掘任务的效率和准确性有着至关重要的意义.文章提出了基于关键点分段的KT分段线性模式表示和基于时间序列模式表示的KT动态模式匹配距离,采用1NN分类方法,设计了子序列查询实验,对欧氏距离、动态弯曲距离和基于KT模式的动态匹配距离进行了准确率和误报率的分析比较,结果显示该度量方法具有更高的准确性.     

ENSOMIM：一种新型ENSO时空预测模型

为了提高厄尔尼诺南方涛动（El Ni?o-southern oscillation,ENSO）预测的准确性,解决卷积核难以捕获ENSO的长距离前兆的问题,将ENSO预测视为一个时空序列预测问题,并提出一种基于注意力机制和循环神经网络的ENSO非稳态时空预测深度学习模型,称为ENSOMIM。该模型通过提出的新型注意力机制BGAM来局部和全局交互地学习空间特征,并使用高阶非线性时空网络对长期的时间序列特征进行编码。由于ENSO观测数据集样本数量少,为了更充分地训练模型,采用迁移学习的方法,使用历史模式模拟数据进行预训练再利用观测数据校正模型。实验结果表明,ENSOMIM更适合于大区域和长期的预测。在1984—2014年验证期间,ENSOMIM的Ni?o3.4指数的全季节相关性技巧比经典的卷积神经网络提高16%,均方误差降低17%,它可以为长达18个月的提前期提供有效预测,并且在23个月的提前期内相关技巧达到0.45。因此,ENSOMIM可以作为预测ENSO事件的有力工具。     

基于时间序列的疫情预测模型

以北京2003年SARS疫情统计为背景,对疫情时间序列进行分析和识别,建立了非线性时间序列模型来预测SARS病人变化数,通过仿真试验与实际对比验证,表明该预测方法是十分可靠的.     

基于Theil左右不等系数的区间组合预测

本文针对实际值序列和预测值序列均为区间值的区间组合预测问题,提出以区间值的左、右端点构造的Theil左右不等系数为准则的区间组合预测方法.建立了多目标最优化模型,并转化为单目标进行求解探讨了解的有效性.最后,通过一个实例表明本文所提方法能够有效降低区间预测的误差,是一种合理和有效的区间组合预测方法.     

小波分析在径流时间序列预测的应用

利用dmey小波变换、db4小波变换将柳江年径流总量及年最大径流量时间序列分别分解为不同尺度的频率信号,再使用传统时间序列分析方法对径流分解的频率信号分别设置参数并进行预测,最后利用小波逆变换对预测结果进行重构,以此建立年径流总量、年最大径流量预测模型.与只采用传统的时间序列预测模型对比,联合了小波变换的方法均获得更精确的预报结果.计算结果表明将小波变换运用于径流时间序列的预测能有效提高径流变化趋势预测的准确率,预报的稳定性以及精确度均能明显改善.     

Bert-DTA:基于混合编码策略的药物靶标亲和力预测

药物靶标亲和力预测是一种筛选药物的新型方法，可以直观地根据蛋白质序列特点筛选候选药物，该方法不仅可以为临床提供指导，而且可以有效节省资源和时间。现代研究利用不同的编码方式对蛋白质或药物序列进行编码，进而提出不同深度学习模型。然而，在生物学上，蛋白质和药物的结合是通过序列中的模体和药物的子序列结合来实现的。为了更精确地模拟这一过程，论文提出了一种可以统一子序列的编码模型——Bert-DTA,旨在提取蛋白质和药物的二级结构特征，使特征更具有生物可解释性，并以此为基础挖掘蛋白质与药物之间的相互作用机理。Bert-DTA以双向Transformer作为骨架，并对蛋白质和药物使用联合编码，挖掘DTA在二级结构层面的相互作用信息。经实验验证，Bert-DTA在药物靶标亲和力预测方面有不错的效果。     

高校师资队伍发展趋势预测方法

本文提出了用于预测师资队伍发展趋势的逐年递推预测法。通过预测可以了解现行人事政策对念后队伍的发展是否合理，提高了师资队伍建设的前瞻性和科学性。逐年递推预测法中建立的师资队伍人员流动模式，以及在数据统计阶段引入的数据协调项，使预测方法更合理，原始数据的统计更方便准确。本文提出的方法也比较适合于象ＥＸＣＥＬ那样的表格计算，无须编制复杂的软件即可完成运算。文中还给出了利用方法的预测实例。     

小波CWT-MLP网络预测负荷方法改进

为提高对短期负荷的预测精度,提出基于小波变换,并加入电价因子构建MLP神经网络对负荷进行短期预测的方法。首先通过小波变换将原始负荷、电价序列进行分解,得到高、低频率的时间序列带;其次分别利用高频、低频电价序列对高频、低频负荷序列进行MLP神经网络训练与预测;最后,将预测的高频、低频负荷值通过小波变换,重构完整的负荷预测值。采用美国电力联盟实例对该方法进行验证,并与含电价因子的MLP网络预测法、经典MLP网络预测法,以及不含电价因子的CWT-MLP网络预测法预测效果进行比较。结果证明,含有电价因子,并结合小波与MLP神经网络构建的模型能够丰富数据信息,提高负荷预测精度。     

基于序列及结构特征的固有无序蛋白—核酸相互作用位点预测分析

固有无序蛋白是一类具有柔性结构的蛋白质,许多情况下通过与其它物质相互作用形成稳定结构来发挥重要生物功能.本文分别利用基于序列特征和结构特征的蛋白质结合位点预测程序对固有无序蛋白有序区和无序区与核酸分子的结合位点进行了预测分析.结果发现,基于结构特征的结合位点预测方法整体上要优于基于序列特征的预测方法,表明无序区尽管缺少稳定空间结构,结构特征依然在固有无序蛋白结合位点中发挥了重要作用.因此,可以为今后固有无序蛋白序列特征及结构特征的提取提供可靠依据.     

基于灰色模型的建筑物沉降预测方法

针对灰色模型在建筑物沉降预测中存在的不足,对传统的灰色模型进行改进,提出利用时间差法和Newton插值法将非等间距的原始数据序列转换为等间距数据序列,然后采用GM（1,1）模型和两种加权法对等间距数据进行建模的预测方法。并通过实例进行精度分析,实例证明利用Newton插值法构造等间距数据,采用基于时间加权的模型对沉降进行预测具有较高的精度。采用该模型对建筑物沉降趋势进行预测,为施工决策起到良好的参考作用。     

基于混沌时间序列的模糊神经网络预测研究

为研究混沌时间序列预测问题,提出了一种结合模糊神经网络的预测方法,对输入数据进行模糊规则提取,再经过优化得到最佳模糊规则库。通过神经网络的自适应学习能力调整隶属函数参数及网络权值等信息,对相关混沌时间序列进行预测。对Mackey-Glass系统及Lorenz系统进行仿真实验,结果证明了该系统的有效性。     

基于空域相关的RBF神经网络混沌时间序列预测研究

与现有预测方法比较,神经网络在混沌时间序列预测中具有优势。利用RBF神经网络对混沌Lorenz时间序列的预测进行仿真研究,仿真结果表明：在单步直接预测、单步间接预测、多步直接预测和多步间接预测中,多步间接预测是其中最有效的方式。     

流程工业中基于混沌时间序列的成本预测研究

针对流程工业中连续性生产过程的时间序列特点,采用基于混沌时间序列的Lyapunov指数计算和预测方法对成本进行了预测研究。     

RNA二级结构预测的计算语言学方法

RNA是一类重要的生物大分子,计算语言学方法把RNA序列看成是具有一定语法规则的语句,通过这些语法规划来分析RNA序列中存在的碱基配对关系,也就是它的语义,从而得到该序列的二级结构,本文阐述了该类方法预测RNA二级结构的原理及实现.     

基于最优组合模型的中国GDP预测

利用1990～2010年中国GDP数据,在建立ARIMA、多项式趋势拟合模型和GM(1,1)模型基础上,以误差平方和最小为最优准则建立组合预测模型,并把它应用于我国GDP的预测。所得结果误差优于三个模型的分别预测,表明组合预测模型在时间序列数据的预测中更有优势。并用所建的组合预测模型进行2011～2015年的预测。