非线性组合动态传播率模型与我国COVID-19疫情分析和预测

针对传统的流行性传染病学中基本传染数$R_0$难以准确估计以及单一模型预测精度低的缺陷,利用组合动态传播率替换基本传染数$R_0$,提出基于支持向量回归的非线性时变传播率模型并对我国COVID-19疫情进行分析和预测。首先,计算动态传播率的离散值;其次,使用多项式函数、指数函数、双曲函数和幂函数分别对动态传播率的离散值进行拟合并基于最佳滑窗期$k=3$构建相应的预测模型;接着,基于拟合优度等评价指标选择最佳的三种单一模型并对其预测结果进行非线性组合;最后,利用非线性组合动态传播率模型对湖北、全国除湖北和全国COVID-19疫情进行分析和预测。实证结果表明提出的非线性组合动态传播率模型对不同地区COVID-19疫情数据的预测误差均相对较小;对重点省市COVID-19疫情的拐点预测切实合理;湖北、全国除湖北与全国自2020年2月27日起后20天疫情预测曲线的拟合优度分别为98.53%、98.06%和97.98%。     

主观干扰的非线性动态模型及其钢丝绳缺陷诊断方法

本文研究了二类非线性动态模型。成功的将贝叶斯预测理论用于动态系统故障诊断,突破了钢丝绳缺陷定量识别的差分超门限方法。     

非线性Bayes动态模型预测的数值算法

本文用一阶样条函数分段逼近密度函数的方法给出了非线性 Bayes动态模型预测的一个数值算法     

基于动态无偏灰色马尔科夫模型的煤炭需求量预测

煤炭消费系统是一个复杂的非线性系统,具有随机性、非线性、动态性等特点,科学地预测煤炭消费量及其结构对于优化配置能源有重要意义.传统的单一预测方法预测精度较低.在对陕西省煤炭消费历史数据分析的基础上,构建了煤炭消费总量的GM(1,1)模型、灰色GM(1,1)预测模型和动态无偏的马尔科夫结构预测模型.拟合结果表明,动态无偏灰色马尔科夫模型既能消除传统灰色GM(1,1)模型的固有偏差,又能提高预测精度,其平均相对误差为2.10%,分别低于传统灰色GM(1,1)模型和一般灰色马尔科夫模型的17.37%和6.37%,可用于煤炭需求的预测,在此基础上对陕西省2017-2025年煤炭消费进行了预测,为未来能源消费发展规划提供依据.     

非线性贝叶斯动态模型的重要性再抽样(英文)

本文研究了非线性贝叶斯动态模型的随机模拟.在更宽泛的先验分布假设下.利用重要性再抽样的方法,以"样本"代替"分布",实现了对模型的后验推断、预测和模型选择,扩张了贝叶斯动态模型的应用领域.     

基于动态BP网络误差修正的广义预测控制

针对建模误差对非线性系统预测控制鲁棒性的影响 ,提出了一种基于动态 BP网络的广义预测控制算法 .该算法运用动态 BP网络对模型预测误差进行在线补偿 ,以提高预测精度 .仿真结果证明了本文提出的广义预测控制算法对于非线性系统是有效的     

基于人工智能的黄金价格非线性组合预测

黄金价格时间序列数据具有较强的非线性,在采用单模型对其预测时较多采用线性模型、非线性模型以及加入外生变量的非线性模型.但是,单一模型较难全面体现黄金数据的非线性特征,因此,预测效果不很理想.在利用线性方法进行模型组合时若被组合模型与原数据序列无线性关系,此时采用线性组合预测效果较差,甚至组合后的模型预测精度低于被组合的单模型精度.为充分发挥单一模型的优势,采用人工智能的方法建立非线性组合预测模型,模型可有效利用各模型特点,预测精度优于采用的各单一模型.     

基于Copula-GJR-Skewt模型的投资组合风险预测研究

针对多元投资组合的风险预测,采用GJR-Skewt模型刻画单资产的厚尾、有偏特征,以及Copula模型刻画多元投资组合的非线性相关结构,用Monte Carlo方法模拟金融资产的随机分布,并结合滚动时间窗法,对投资组合的未来风险进行样本外动态预测.实证结果表明,Copula-GJR-Skewt模型对资产收益的风险预测能取得满意的效果;在VaR预测性能上,以GJR-Skewt模型作为边缘分布函数时,即使存在系统偏差,也能取得最优预测结果;预设残差服从有偏学生分布时,VaR的预测结果优于正态分布;传统的Garch-Guassian模型预测能力最差.     

非线性系统双模鲁棒预测控制: 不变集切换方法

提出了一种基于不变集切换的非线性系统鲁棒预测控制算法.采用分段蕴含方法将非线性系统动态用一组线性变参数(LPV)系统动态包裹;计算出非线性系统的平衡面,对于每个LPV蕴含模型,针对相应的平衡点构造多面体不变集,得到覆盖非线性系统平衡面的一组相互重叠的不变集;在线根据系统当前状态所处的不变集和LPV区间切换控制律,最终保证闭环系统的稳定性.与传统的非线性预测控制相比,这种方法在构造不变集和确定控制律的计算都是离线进行,而在线只需根据当前状态切换控制律即可,从而避免了求解复杂的非凸非线性规划,在很大程度上降低了在线计算量.     

基于灰色系统的支持向量回归预测方法

根据部分时间序列数据贫信息、高噪声和非线性等特点,采用含边值修正的灰色模型进行预测,获取残差序列后运用支持向量回归（SVR）方法对模型进行残差修正得到复合的灰色支持向量回归模型．在支持向量回归中构造具有自适用性的动态惩罚参数G替代传统SVR中的不变参数来提高模型的准确性,同时构造算法决定￡以平滑过度调节．广东省工业生产指数的预测试验结果表明,复合模型具有比其他简单模型更理想的预测效果．     

基于最小二乘法的道路交通事故预测机理模型

基于相似理论提出一种新的道路交通事故预测方法,建立了新的交通事故预测非线性机理模型,作为道路交通事故预测的初步探讨.采用机动车保有量作为模型的输入变量,非线性最小二乘法求出模型参数.通过计算表明新预测模型预测精度较高,有应用价值,同时也为交通事故预测提出了新的预测理论.     

基于ARIMA与神经网络集成的GDP时间序列预测研究

本文深入分析了单整自回归移动平均(ARIMA)模型与神经网络(NN)模型的预测特性和优劣,并在此基础上建立了由ARIMA模型和NN模型集成的GDP时间序列预测模型与算法。其基本思想是充分发挥两种模型在线性空间和非线性空间的预测优势,据此将GDP时间序列的数据结构分解为线性自相关主体和非线性残差两部分,首先用ARIMA模型预测序列的线性主体,然后用NN模型对其非线性残差进行估计,最终集成为整个序列的预测结果。仿真实验表明:集成模型的预测准确率显著高于单一模型的预测准确率,从而证实了集成模型用于GDP预测的有效性。     

交通流灰色RBF网络非线性组合预测方法

针对智能交通系统的开发,提出一种基于灰色GM(1,1)模型和RBF网络非线性组合的短时交通流预测方法.该方法采用三层结构的RBF网络将两种单一预测方法(灰色GM(1,1)模型和RBF网络)进行了非线性组合.利用实测数据对组合方法进行了仿真实验,结果表明:非线性组合模型的预测准确性高于单独的RBF网络预测的准确性;组合模型发挥了两种单一方法各自的优势,是短时交通流预测的有效方法.     

基于Bass-BP组合模型的微信扩散研究

微信扩散具备非线性变化特征,仅采纳单一预测算法无法有效描述微信扩散的规律.因此,提出了Bass-BP扩散组合模型.首先利用经典Bass模型对微信数据进行初步预测,再利用BP神经网络对Bass模型预测结果进一步非线性逼近.结果表明,Bass-BP组合模型相较于Bass经典模型和BP神经网络这两种单一的预测模型,具有更好的预测效果.     

非线性灰色Bernoulli模型的改进及应用

非线性灰色Bernoulli模型是灰色预测模型的一类拓展,在捕捉序列非线性趋势性能上表现良好,但仍然存在许多改进的空间.在传统的非线性灰色Bernoulli模型的基础上提出一种改进的方法,结合优化初始值,采用Guass-Newton算法求解最优模型参数以及滚动建模机制三个方面对模型进行改进.数值结果表明,优化初始值能够提高模型的预测精度,Guass-Newton算法寻求最优参数以及滚动建模机制能进一步减少预测误差的产生.因此,改进的模型能够有效地提高非线性灰色Bernoulli模型的预测性能.     

基于非线性主成分神经网络水泥强度预测研究

研究非线性主成分分析法与神经网络算法的融合模型,并将非线性主成分神经网络融合模型应用于水泥强度的预测研究,得到的结果表明预测误差很小,可见研究结果可用于指导水泥生产实践.     

非正态假定下贝叶斯动态线性模型的监控研究

对非正态假定下贝叶斯动态模型，特别是非线性的模型的监控，一直是个难题．本文通过构建基于样本点的统计量，实现了对非正态假定下贝叶斯动态线性模型的监控．该方法也适用于非线性的贝叶斯动态模型．     

Cox模型与BP神经网络在处理非线性数据时的性能比较

本文采用BP神经网络、Cox模型和bootstrap方法,比较BP神经网络与Cox模型在处理非线性资料时的性能。两种方法的预测一致性的均数分别为0.7525和0.7706。对于非线性资料,BP神经网络的预测效果优于Cox模型。     

基于统计方法的神经网络预测模型研究

与现有网络结构设计方法不同,本文将RBF网络解释为解释变量和被解释变量之间的一个非线性函数,基于RBF网络的学习动态特性提出2种修剪模型WRBF和TRBF。这两种模型根据参数显著性增加和删减节点,为网络结构设计提供了理论依据。对中国信贷序列预测的结果表明,这些模型能够识别外移、萎缩和衰减等冗余核函数,得到的精简网络具有最好的预测精度,对于提高货币政策前瞻性具有很好应用价值。     

认知性VDT持续监控作业人因可靠性动态预测方法

结合N-back任务范式和持续操作测试(CPT)任务范式,设计出模拟认知性VDT持续监控作业的实验.根据实验数据:分别对脑力负荷评估指标体系中的6个评估指标在20个作业时间段的均值进行方差分析,差异显著;训练非线性自回归神经网络模型(NAR),对不同作业时间段脑力负荷在评估指标上发生的变化进行动态预测;再结合认知性VDT持续监控作业人因可靠性评估模型对人因可靠性概率进行预测.研究结果表明:该方法可动态预测不同时间段作业者的人因可靠性,实现认知性VDT持续监控作业任务的动态分配,提高系统可靠性.