一种新的图书购置经费的组合预测方法

图书购置经费的预测无疑对图书馆管理工作具有重要的现实意义。传统的单项预测模型存在预测的风险。有序加权平均算子是近年来发展的在决策和预测中用于集结信息的一种新方法。通过引进诱导有序加权平均算子的概念，提出了以误差平方和为准则新的组合预测模型，给出了该模型在图书购置经费预测中的应用，实例分析表明了模型是可行且有效性的。     

基于IOWA的我国能源需求组合预测模型的应用研究

基于诱导有序加权平均算予的组合预测方法是近年来发展的具有广泛应用的预测模型。本文首先采用多元回归、基于HP的ARMA模型及灰色预测方法建立了我国能源需求的单项预测模型,随后引进诱导有序加权平均算子的概念,建立了我国能源需求的组合预测模型。并对我国未来的能源需求量进行了实证分析。预测结果表明该模型能提高组合预测精度,是一种较为简便、快捷且预测效果较好的方法。     

海洋生物医药业发展趋势研究北大核心CSSCI

本文首先采用指数平滑模型、ARIMA模型及多元回归模型,对中国海洋生物医药业增加值建立了单项预测模型,随后引进诱导有序加权几何平均(IOWGA)算子的概念,建立了组合预测模型。实证结果表明,组合模型能有效提高预测精度。最后利用组合模型对"十三五"期间中国海洋生物医药业发展趋势进行了预测分析并提出了对策建议。     

海洋生物医药业发展趋势研究

本文首先采用指数平滑模型、ARIMA模型及多元回归模型,对中国海洋生物医药业增加值建立了单项预测模型,随后引进诱导有序加权几何平均(IOWGA)算子的概念,建立了组合预测模型。实证结果表明,组合模型能有效提高预测精度。最后利用组合模型对"十三五"期间中国海洋生物医药业发展趋势进行了预测分析并提出了对策建议。     

改进FMEA模型在智慧城市信息安全风险评估的应用

[目的/意义]考虑到现实中风险偏好对智慧城市信息安全风险评估的影响,为了更加合理地量化风险,改进失效模式与影响分析(FMEA)模型并应用于智慧城市信息安全风险评估.[方法/过程]首先,分析智慧城市信息安全风险事件并构建二元语义评估矩阵,其次,以最大熵方法及加权有序加权平均(WOWA)算子的参数加权函数描述评估者与决策者...     

具有优先权的二元语义混合Einstein算子构建及应用

提出待集结值包含实数与语言变量两种形式的具有优先权的混合加权平均Einstein(PHWAE)算子和具有优先权的二元语义混合加权平均Einstein(PTTLHWAE)算子,并据此建立混合多属性决策方法。     

基于有序信息集结的高校图书馆效率评价方法

图书馆评价对提高图书馆管理和运行效率至关重要。由于图书馆评价涉及的指标较多，有必要研究定量化的综合评价方法。有序加权平均算子是近年来发展起来的一种有效的信息集结方法，通常的加权平均是它的特例。本文探讨其在高校图书馆多指标效率评价方面的应用研究，获得满意的结果。     

基于区间信息集成算子的数字图书馆馆藏的群评价方法

数字图书馆馆藏评价是一个复杂的系统工程,需要多个专家进行群评价,从而提高其评价的公正性和准确性。同时由于专家的知识和经验的局限以及馆藏评价的复杂性,专家给出的评价指标信息可能以区间数形式来表达。本文针对专家给出的区间评价矩阵引进连续区间数据有序加权平均(COWA)算子,定义了评价指标的理想点,并利用方案指标值与理想点的距离给出了一种新的信息集成算子的数字图书馆馆藏的群评价方法,最后利用实例说明了评价方法的有效性。     

基于模糊语言信息的多属性群决策方法及应用

针对多属性决策中属性难以定量描述的情况,提出一种应用模糊语言信息标度属性值的新方法。该方法运用模糊语言信息评价属性,运用离差最大化原则确定属性权重,运用聚类分析法确定决策专家自身权重,并通过不确定拓展有序加权平均()算子计算各方案的综合属性评估值。算例表明该模型的合理性和有效性,是一种解决多属性群决策问题的有效方法。     

基于直觉模糊集的风险投资项目风险群体评价方法

对风险投资项目的风险评估是风险投资运作过程中的关键环节。针对风险投资项目的系统风险很难量化的特点,引入针对风险投资项目的系统风险评价指标体系和直觉模糊集理论,建立了基于直觉模糊数的加权平均(IFWA)算子和直觉模糊数混合集结(IFHA)算子的风险投资项目风险评价方法,并进行了实例分析,说明了该方法的实用性和有效性。     

数字图书馆中的著作权评估模型探讨

针对数字图书馆中著作权的特殊性,应用修正收益法、收益分成法、市场法3种评估方法及加入反馈环节,对数字图书馆中的著作权评估结果进行线性组合预测(按关联度大小确定权系数法)和非线性组合预测(加权算数平均值组合预测和加权调和平均组合预测两种模型),使评估结果更贴近实际,为数字图书馆下的著作权评估提供一种新构思。     

Evaluating the informative quality of documents in SGML format from judgements by means of fuzzy linguistic techniques based on computing with words

Recommender systems evaluate and filter the great amount of information available on the Web to assist people in their search processes. A fuzzy evaluation method of Standard Generalized Markup Language documents based on computing with words is presented. Given a document type definition (DTD), we consider that its elements are not equally informative. This is indicated in the DTD by defining linguistic importance attributes to the more meaningful elements of DTD chosen. Then, the evaluation method generates linguistic recommendations from linguistic evaluation judgements provided by different recommenders on meaningful elements of DTD. To do so, the evaluation method uses two quantifier guided linguistic aggregation operators, the linguistic weighted averaging operator and the linguistic ordered weighted averaging operator, which allow us to obtain recommendations taking into account the fuzzy majority of the recommenders’ judgements. Using the fuzzy linguistic modeling the user–system interaction is facilitated and the assistance of system is improved. The method can be easily extended on the Web to evaluate HyperText Markup Language and eXtensible Markup Language documents.     

High-resolution probabilistic load forecasting: A learning ensemble approach

High-resolution probabilistic load forecasting can comprehensively characterize both the uncertainties and the dynamic trends of the future load. Such information is key to the reliable operation of the future power grid with a high penetration of renewables. To this end, various high-resolution probabilistic load forecasting models have been proposed in recent decades. Compared with a single model, it is widely acknowledged that combining different models can further enhance the prediction performance, which is called the model ensemble. However, existing model ensemble approaches for load forecasting are linear combination-based, like mean value ensemble, weighted average ensemble, and quantile regression, and linear combinations may not fully utilize the advantages of different models, seriously limiting the performance of the model ensemble. We propose a learning ensemble approach that adopts the machine learning model to directly learn the optimal nonlinear combination from data. We theoretically demonstrate that the proposed learning ensemble approach can outperform conventional ensemble approaches. Based on the proposed learning ensemble model, we also introduce a Shapley value-based method to evaluate the contributions of each model to the model ensemble. The numerical studies on field load data verify the remarkable performance of our proposed approach.     

基于密度算子的组合预测方法

考虑到单项预测方法在不同时刻预测准确性的差异,提出了一种基于密度算子的组合预测方法.该方法的核心思想是利用样本区间内单项预测方法的预测准确性对预测值聚类;然后基于密度算子的思想对单项预测法集结,得到一种新的组合预测模型;在此基础上,基于预测值和相应观察值误差最小的思想确定单项预测法的加权系数.该模型充分利用了样本区间内单项预测法的预测准确性,因而预测值具有较高的准确性.最后,给出一个实例,并对其结果进行比较分析,证明了该组合预测模型的有效性.     

组合预测权系数确定的一种合作对策方法

从对策论的观点出发，把组合预测中各单项预测模型视为合作对策的局中人，把组合预测的误差平方和视为合作的结果，再按Shapley值法在各单项预测模型中进行分配，从而获得组合预测权系数确定的一种方法。该方法具有概念清楚、涵义明确的特点，结果令人满意。     

基于蚁群算法的组合预测方法在我国R＆D经费投入中的应用

组合预测能够充分利用已知信息，从而提高预测精度。在组合预测中，权重的确定非常重要。提出一种新的求解组合预测加权平均系数的方法。依据最小二乘准则构造目标函数，并将改进的蚁群算法用于求解组合预测中的加权平均系数。将该方法运用到我国R＆D经费投入预测中，从而证明了该方法的可行性和有效性。     

组合预测模型在成都房地产价格中的应用

组合预测理论与建模技术对于信息不完备的复杂经济系统有一定的实用性,鉴于房地产价格的复杂性和非线性的特征,利用成都房地产价格的历史数据,分别采用改进的灰色预测模型、RBF神经网络模型建立了成都房地产价格的单项预测模型,并对单项预测模型的优缺点进行了比较分析。采用标准差法进行权重分配,将两个模型进行组合,建立了成都房地产价格的组合预测模型。运用该模型对成都未来5年的房地产价格进行了预测。     

基于模糊自适应变权重的经济时间序列组合预测模型研究

组合方法首先选取支持向量机预测算法和一阶指数平滑法对经济时间序列分别进行预测,来建立模糊自适应变权重组合预测模型。为对比模糊自适应变权重的经济时间序列组合预测模型的预测效果,选取了两种定值加权组合预测模型:平均加权模型、误差平方和最小组合预测模型。通过实验比较分析:模糊自适应变权重组合预测可以综合利用各单项预测方法的优点,比单一模型预测结果精度有了很大提高,且优于定值加权组合预测,在经济时间序列的预测方面有较高的应用价值。