基于多源数据特征驱动和多尺度分析的PM2.5混合预测研究

精准把握PM_2.5污染的动态演变规律对政府和企业的大气污染防治决策至关重要.因此,文章提出了基于多源数据特征驱动及多尺度分析的混合预测建模框架,以提高PM_2.5预测精度.预测建模框架分为:1)多源数据分析,有效融合与PM_2.5污染相关的气象、污染、舆情等多源数据;2)多尺度分析,通过多元经验模态分解技术(MEMD)将多源数据分解成不同模态下的预测特征;3)混合预测分析,有序结合计量和机器学习模型,集成各模态预测值为最终结果.文章以北京市PM_2.5为研究案例结果表明:1)文章提出的混合模型的预测精度优于所有的基准模型;2)微博个数和情感能够叠加提升PM_2.5预测精度,且优于单因素预测结果;3)引入MEMD分解的模型精度显著高于基准模型.     

非线性系统的一种滤波方法

对于较为一般的非线性系统,本文在修正和推广的方法之基础上,综合了一些非线性滤波方法的优点,提出一种实时滤波方法.这种方法的计算量比推广Kalman滤波方法要小得多,而精度却与其相仿.给定如下的非线性系统X_(k+1)=f(X_k,k)+Г(X_k,k)W_k,(1)Z_k=h(X_k,k)+V_k (2)这里,X_k∈R~n,Z_k∈R~n,{W_k}、{V_k}均为零均值白噪声序列,且EV_kV_j~τ=Rδ_(kj),δ_(kj)为     

灰色系统 GM(1,1) 模型的讨论

本文讨论灰色系统 GM(1,1)模型在建模过程中由于原始数列的变化对模型值及预测精度的有效性问题.指出,在通常的 GM(1,1)建模方法中,原始数列的第一个数据对模型值及预测精度不产生任何影响.为利用该数据提供的信息,可在原始数列的第一个数据前再增加一个任意数作为新的原始数列建模;另外,原始数列中每一个数据增加同一个常数后,对模型值和预测精度可产生影响.因此,在 GM(1,1)建模过程中,需选择合适的常数,以提高预测精度.     

基于线性多步法的GM(1,1)模型优化及应用

为提高灰色GM(1,1)模型的模拟效果和预测精度,采用线性多步法中四阶Adams显式公式和隐式公式来优化GM(1,1)模型,改进模型的参数辨识,讨论所建立优化模型的适用范围、模拟效果和预测精度,并与最小二乘作为参数辨识的传统GM(1,1)模型进行比较.实例表明,基于线性多步法所建立的GM(1,1)模型,可以有效地提高模型的预测精度和适用性.     

关于最佳滤波器渐近性理论的研究

<正> 滤波器的稳定性与渐近性理论在最佳滤波和最优控制理论中起着重要的作用.比如分析滤波器的精度,研究自适应滤波方法,就要涉及到滤波器的渐近性质.关于最佳滤波器的稳定性与渐近性的研究,1961年 Kalman 给出了一致完全可控并且一致完全可观测     

基于变权缓冲算子的灰色G(1,1)模型在地铁能耗预测中的应用

准确预测城市轨道交通系统能源消耗量对城市轨道交通建设规划、环境保护及节能减排具有重要意义.城市轨道交通系统能源消耗量逐年上升且呈指数型变化趋势,因而适合用灰色理论G(1,1)模型描述其变化规律.为了提高模型的预测精度,采用了变权缓冲算子对历史建模数据进行预处理.实例分析表明,经遗传算法权值优化的强化缓冲算子明显增强了建模数据的指数变化特征,提高了灰色G(1,1)模型的预测精度,使预测结果更贴近实际.     

地震动瞬时谱估计的UnscentedKalman滤波方法

用时变ARMA模型描述地震动时程,提出了采用Unscented Kalman滤波技术实现地震动瞬时谱估计的思路．算例分析表明,Unscented Kalman滤波方法较Kalman滤波方法适用范围广,具有较高的时间和频率分辨率,能够更好地跟踪地震动的局部特性,适合处理非线性模型或有突变特性的模型的辨识问题．不同阶数ARMA模型的估计结果还表明,以往被忽略的ARMA模型的理论频率分辨力对地震动瞬时谱估计精度有重要影响,应作为一个参考指标在ARMA模型的判阶中加以考虑．     

销售量预测的REM-GM(1,1)模型及群预测方法研究

库存管理是商业企业经营管理的重要组成部分,其管理应以销售出库量为主要依据,而客户需求的不确定性一直是困扰管理者的首要难题.提出在灰色GM(1,1)模型的基础上,结合残差时刻的灰灾变预测,建立了REM-GM(1,1)模型,并采用群预测的方法,对商业企业中的销售出库量进行了预测.经实证结果检验,表明该模型对商业企业的销售出库量的预测不论是单步预测还是多步远期预测,其预测精度与传统GM模型相比均有较大提高,且误差的波动较为稳定,其预测的结果是令人满意的.     

机动目标的跟踪与反跟踪建模研究

针对机动目标跟踪建模及目标机动规律分析问题,首先建立了基于Kalman滤波的Singer模型和修正的当前模型并利用MATLAB对其进行了求解,然后给出了两种模型下的目标的机动规律.针对飞行目标的航迹关联问题,首先建立了基于直观法的航迹起始模型,然后分别建立基于特征判决的最近邻域航迹关联模型和基于Kalman滤波的航迹关联模型并求解,结果显示,两种航迹关联模型都能较好实现航迹的分离.最后,针对高速机动目标跟踪与航迹预测问题,提出了一种基于初值的Singer模型并分析了高速机动目标的机动规律,然后分别建立了基于空间曲线拟合和基于Kalman滤波的航迹预测模型,并对两种模型进行求解与分析.     

浅谈微积分所蕴含的特征值计算思想方法

数学思想方法是数学的灵魂.主要阐述微积分中泰勒公式的应用,泰勒公式不但能用来近似计算数学常数π,而且能用来理论证明两个粗糙的近似值通过简单的组合加工技术(现代人称之为"外推法")产生更准确的近似值,也把外推法推广用于求解Steklov特征值问题,数值算例表明非协调Crouzeix-Raviart有限元外推法既能提高解的精度又能提供准确特征值的下界.     

基于模糊GM(1,1)模型的时间序列预测

提出了一种模糊GM(1,1)预测模型,即FGM(1,1)模型,该方法是在GM(1,1)模型中引入模糊成员函数,通过模糊成员函数对时间序列数据进行模糊化,达到数据优化选择,实现历史数据"重近轻远"的预测效果.仿真结果表明所提出的预测方法有效可靠,为提高预测精度提供了新的途径.     

多变量灰色预测公式的改进

M GM(1,n)预测模型同样存在理论缺陷,即在形成预测公式时规定^X(1)(1)为已知条件是不合理的,应当根据实际情况选用其他数据.对原公式进行了修正和拓广,给出了新的预测公式,为提高预测精度提供了新的途径.     

考虑基因与基因间的交互作用的基因组选择方法研究

综合考虑主基因效应以及基因间的交互效应对植物选育种的作用是基因组选择研究关注的热点问题之一.目前已有的研究大多忽略了基因的交互效应,这主要是由于考虑交互效应会大大增加备选基因的数目,从而导致已有的统计建模方法不稳定.本文将基因效应与基因间的交互效应同时引入模型,提出三步模型构建方法以达到简化计算和提高模型预测精度的目标.第一步,不考虑具体模型,通过距离相关筛除方法删掉与响应变量显著无关的基因;第二步,在剩下的基因中,利用贝叶斯方法筛选可能的基因;第三步,基于选出的基因,同时考虑单基因效应和交互效应,利用惩罚方法选择模型并估计参数.通过模拟计算说明我们提出的方法与已有的一步模型选择方法相比具有计算简单、稳健、运行时间少并且预测精度高等优点.最后,将本文的方法应用于油菜花数据,实证分析表明,我们提出的方法显著地提高花期性状的预测精度.     

基于网络舆情支持向量机的股票价格预测研究

提出一种基于网络舆情和股票技术指标数据的支持向量机回归模型(NPOSVM),提高了股票价格的预测精度.模型首先将抓取的微博、股吧等股评观点分为正面和负面两类,计算正面观点所占的比例作为网络舆情,然后对网络舆情和股票技术指标数据作主成分分析,最后对保留的主成分运用支持向量机回归建模预测.实证分析国药股份(SH600511),仿真结果表明网络舆情与股票价格之间的相关系数为0.76;基于股票技术指标数据的支持向量机回归模型(TI-SVM)预测平均相对误差为1.29%、趋势准确率为57.14%,而NPO-SVM预测平均相对误差为0.66%、趋势准确率为71.43%.于是证明,NPO-SVM模型显著地提高了预测精度,是一种有效的预测股票价格的模型.     

滑动数据重心预测方法及其应用研究

本文在研究多因素数据重心法的基础上,进一步提出滑动数据重心预测方法,该方法是对原始样本数据提出了一种新的数据处理方法,大大降低了由于历史数据组中的异常点对预测结果产生的破坏性。通过建立我国钢材消费量与国内生产总值(GDP)的计量动态模型对该方法与多因素数据重心预测法进行对比研究。同时利用时间序列自回归AR(p)对计量动态模型的初级预测结果进行差值校正,并将该方法应用于我国2015年、2020年的钢材消费量预测。对比研究表明该方法使得预测结果更加精确、稳健。     

带ARMA有色噪声的广义系统信息融合Kalman平滑器

对于带自回归滑动平均(ARMA)有色观测噪声的多传感器广义离散随机线性系统,应用奇异值分解,提出了广义系统多传感器信息融合状态平滑问题。基于Kalman滤波方法,在线性最小方差信息融合准则下,给出了按矩阵加权融合降阶稳态广义Kalman平滑器。为了计算最优加权,提出了局部平滑误差协方差阵的计算公式。一个Monte Carlo仿真例子说明了所提方法的有效性。     

基于复化梯形公式的NGM(1,1,k)模型背景值优化

针对经典NGM(1,1,k)在背景值的影响下模型精度(拟合精度与预测精度)不高这一现状,结合复化求积公式中的复化梯形公式,推导了一种新的背景值优化公式.通过7类测试数据和2类实际数据的验证表明:推导的NGM(1,1,k)背景值优化公式显著地提高了NGM(1,1,k)的模型精度和实用性.     

基于小波去噪的灰色和支持向量机组合预测模型

金融时序数据具有非平稳、含噪声等特点,采用单一的预测模型时预测精度并不理想.据此,构建了基于小波去噪的灰色和支持向量机组合预测模型,并对预测难度较高的我国热钱流动规模进行了预测.实验结果表明:与经典GM(1,1)幂模型相比,组合预测模型的平均相对误差由46.14%降到2.95%,预测精度有显著性提高.     

基于粒子群优化的分数阶PFGM(1,1)模型在建筑物沉降预测中的应用

针对传统的灰色预测模型对建筑物沉降预测精度不高、拟合数据较差的问题,在传统的GM(1,1)模型基础上提出了分数阶建模的思想,采用粒子群优化算法求解最优分数阶次,建立基于粒子群优化的分数阶PFGM(1,1)模型.实例计算表明,分数阶FGM(1,1)模型可以提高建筑物沉降的预测精度,通过粒子群优化算法选取最优阶次可以进一步提高预测精度和误差检验等级.由此可见,基于粒子群优化的分数阶PFGM(1,1)模型对建筑物的沉降控制有着重要的指导作用.     

基于增秩Kalman滤波的动态荷载识别和结构响应重构

针对传统的荷载识别方法受不适定性问题影响导致识别误差较大,且受传感器数上的限制也无法监测所有结构易损伤位置处振动响应的问题,提出了一种基于增秩Kalman滤波（augmented Kalman filter, AKF）算法的动态荷载识别和结构响应重构方法.基于结构状态空间方程,形成由荷载向量和状态向量组成的增秩状态向量（augmented-rank state vector,ASV）,利用Kalman滤波算法获得增秩状态向量的最小方差无偏（minimum variance unbiased, MVU）估计,实现了状态和荷载向量的同时识别.结合最优状态估计和观测矩阵,实现了未布置传感器处的结构动力响应重构.通过三个有限元案例,初步验证了该方法的可行性和有效性.结果表明,当荷载位置固定或移动时,所提方法均能有效地识别荷载和重构响应,精度较高且对测量噪声不敏感.传感器的种类、数量和布置位置对荷载识别和响应重构精度会有一定影响.