大数据背景下水厂自动投矾模型研究

根据某市自来水有限责任公司第二水厂的历史矾耗数据，建立矾耗流量关于原水浊度、温度等的动态矾耗模型. 通过对数据进行处理得到10900个合格且净水效果高效的数据，将筛选出的数据分为训练样本集和测试样本集. 在回归拟合中，通过拟合R2的大小将原水浊度划分为“低浊”“中浊”“高浊”3个区间，利用泰勒展开公式的非线性变量代换分别对3个区间建立不同的多项式回归模型，得到预测正确率约为72%，总的矾耗流量值约减少了9.6%的结果；在随机森林模型中，使用10900个合格数据，利用训练样本集，以“原水浊度”“pH值”“原水流量”和“水温”为输入变量，建立包含2000棵决策树的随机森林模型，得到预测正确率约为44. 21%，总的矾耗流量值增加了0.04%的结果. 从模型对合格数据的拟合优度看，随机森林模型比非线性回归模型效果更好；在平均绝对误差、平均绝对偏差百分比等评价指标上，前者均优于后者；但从历史数据检验的结果，模型的可解读性，模型的操作难度和推广角度看，分段二元非线性回归模型的优势更为突出.     

基于Stackelberg博弈的融通仓融资下库存模型

针对季节性商品,以斯坦克尔伯格博弈思想为分析方法,以报童模型为原型,从企业采购单产品和多产品两个方面,研究了存在融通仓融资且必还款情况下,企业最优订购批量和银行最大利润.在采购多产品时,从采购顺序及初始资金有无剩余四个方面展开讨论.     

大数据背景下的抽样调查

大数据具有体量大、种类丰富、增长速度快等特点,同时也存在价值密度低、代表性差等问题,为抽样调查带来了机遇与挑战.大数据背景下的抽样如何适应新的变化、具有怎样的发展和应用?文章从三个角度进行了讨论.一是在数据流环境下产生了一些适应性强的新型抽样方法,能够高效、准确地获得有代表性样本,并兼顾存储空间、处理的时间与能力.二是...     

大数据背景下的高中数学教学

我们不得不面临一场新的挑战——即大数据技术时代的到来.生活在这个时代背景下的学生可以从网络上找到任何他们需要的信息,即使一个很难的题目,可以通过专门的APP或利用手机拍照传到解题网站等途径轻松找到答案.长此以往,学生学习数学知识的积极性下降,尤其到了高三,学生的基础     

数据确权背景下电商平台大数据“杀熟”治理分析

随着移动支付在近几年的崛起,电商平台利用大数据“杀熟”的现象愈发频繁,引发了社会各界人士的广泛关注。自深圳经济特区在今年首次提出数据确权的概念,个人数据保护在我国开始步入实质性阶段。为探讨数据确权背景下大数据“杀熟”的治理机制,本文建立了以政府、消费者和电商平台为主体的三方演化博弈模型,并得出以下结论：(1)消费者是否比价是大数据“杀熟”的关键;(2)在演化稳定的条件下,政府的策略选择取决于其在市场监管和促进数据权利发展方面投入的成本;(3)政府惩罚对电商平台大数据“杀熟”行为具有抑制作用,且惩罚越严厉,抑制作用越强;(4)消费者行使个人数据权利能够抑制大数据“杀熟”行为。最后,本文据此提出了相应的对策建议。     

大数据背景下产品质量抽样调查的样本量设计

产品质量抽样调查是政府质量监督部门监管产品质量状况的重要手段,在历年的产品质量抽样调查中,也累积了大量的实际数据.文章将大量数据提供的先验信息和抽样调查中的样本量设计进行了有效的结合,利用大数据提供的有价值信息作为辅助信息,使用聚类等方法对调查对象进行分层,根据各层的不同特点利用优先数系确定各层间相对误差限的关系,进而...     

大数据条件下概率统计教学的两点思考

本文借助"概率元"工具讨论了高维、分量类型不一致的随机变量的分布描述方法,借助"随机模拟"技术和贝叶斯方法讨论了过程数据的处理方法,希望借此给当下统计教学一些补充,突出统计学在大数据时代的地位.     

大数据背景下分布式支持向量回归模型研究

为解决传统的支持向量回归模型在处理大规模数据时计算效率较低的局限,文章将交互有效方法与支持向量回归模型相结合,提出了基于交互有效方法的分布式支持向量回归模型(CE-SVR).该模型首先采用分布式存储方式将大规模数据随机分配给多台机器,其次采用交互有效方法构建支持向量回归的近似损失函数替代全局损失函数获得近似预测结果,能够有效地分析大规模数据.数值模拟和应用研究的结果表明:在线性模型中,文章所提出模型的预测性能与全局支持向量回归模型基本一致,且显著优于基于单轮型方法的分布式支持向量回归模型(OS-SVR);在非线性模型中,文章所提出模型的预测性能会随着机器数的增加而降低,但其预测性能显著优于OS-SVR模型.     

大数据背景下人工智能发展对大学数学教学的启示

大数据时代,以数据为载体的人工智能技术渗透到社会的各行各业,而人工智能技术的发展越来越依赖应用数学学科的进步.在此背景下,大学数学教学改革成为必需,以适应社会新时代的发展.结合自身的教学改革实践,探讨如何从基本的大学数学内容出发,进行拓展,向学生介绍前沿的人工智能技术.从而,增加数学课程教学的趣味性和实用性,加深学生对数学思想方法在人工智能领域应用理解.     

大数据背景下平台类企业开展抽样调查的应用研究

大数据背景下,对于抽样调查的必要性和重要性,目前还存在一定争论.文章定义了两种类型的大数据场景,一种是现有数据量海量的情况;另一种是现有抽样框名录海量的情况.对于抽样框名录海量的情况下,抽样调查既必要又重要.文章基于某平台类企业的海量抽样框名录,对该平台类企业关心的问题采用目录抽样的方法进行抽样调查研究,并考虑了样本轮...     

基于季节性RBF神经网络的月度市场需求预测研究

本文提出一种季节性神经网络预测模型,对具有季节性变化的产品月度市场需求进行预测.在Matlab语言环境下,用傅立叶周期分析法得到时间序列的周期长度;借鉴嵌入理论,提出了确定季节性神经网络输入维数的策略;利用计算机程序搜索,确定最优参数;通过合理插值,重构样本集.仿真实验表明,该模型的预测精度明显高于其他几个常用的季节预测模型.     

组合模型在我国能源需求预测中的应用

文章首先比较了不同的能源需求预测方法的特点,并选择确定性加随机性时间序列组合模型对我国能源需求进行预测,然后详细介绍了建模的过程,并对模型预测精度和参数稳定性作了评价,结果表明本文采用的组合模型是一种比较有效的预测方法,最后用该模型对我国2004~2020能源需求进行了预测。     

基于组合预测法的共享单车租赁需求量预测

共享单车的租赁需求量预测对于单车企业提升运营效率十分必要,是单车再调度的前提。为了更加准确地预测出共享单车的租赁需求量,本文结合随机森林、XGBoost、GBDT三类数据驱动预测算法的优点,提出了一种基于向量投影法的加权对数平均组合模型。定义了组合模型的优性,非劣性,劣性的概念。并证明了该方法至少是一种非劣性的预测方法。通过将该方法运用于现实问题中,以解决实际单车租赁需求量预测问题。实例研究发现:该方法在单车租赁需求量预测中可以为优性预测模型, 能够对单车再调度起到正向作用。该方法可以为单车租赁需求量预测的相关研究提供一种切实有效的解决方向。     

随机连续需求的分布式仓储两阶段模型研究

主要研究了随机连续需求情况下的第三方仓储企业能力配置与分布式仓储问题。对不同客户货物的仓储能力配置与分布式仓储问题,建立相应的两阶段数学模型,并且对该模型进行化简求解,之后进行了模型的逆向调整与改进。研究发现,在有仓储能力限制的情境下,不同客户不同货物的仓储能力分配值不仅与本身的需求分布相关,还与其他货物的需求分布有着比较大的关系,并且这种关系会随着仓储空间限制的加大而变得更加紧密。在总仓储能力足够大时,各不同客户货物的存储能力分配主要受本身的需求分布影响。进而对仓容有限条件下的第三方仓储提出了动态自适应分布式两阶段存储策略。     

灰色-马尔柯夫链预测优化模型——以江苏省物流需求预测为例

讨论了现有灰色-马尔柯夫链预测方法的基本思路,针对该思路的不足之处提出了合理刻画预测模型精度特征的两个精度指标——均值指标和稳定性指标,并据此建立了灰色-马尔柯夫链预测优化模型,最终以江苏省物流需求为例,对该模型进行了实例验证和应用.     

BP神经网络算法在需水预测与评价中的应用

需水预测是进行水资源规划与管理的必备技术方法,在水资源短缺的地区显得尤为重要.合理而准确地预测未来的需水量,可以避免投资的浪费或减少将来用水危机的发生.以江西省为例,采用BP神经网络算法对江西省近期的需水进行预测与评价,将结果与其它方法预测的进行比较,比较结果说明神经网络算法预测需水是成功的。     

工业化、城镇化进程中电力需求分析及预测

随着工业化、城镇化进程的不断加快,我国电力需求量将持续上升。电力的充足供应是我国经济稳步发展的重要保证,故合理准确的对电力需求进行分析及预测具有重要的现实意义。基于此,分析我国电力需求现状,利用通径分析筛选电力消费需求的核心驱动因素。在模型选择的基础上,基于单变量(ETS、ARIMA模型)和多变量(情景分析)两个维度进行电力需求量分析及预测。结果表明:GDP每提高1%使得电力需求量提高0.5249%;工业化水平每提高1%使得电力需求量提高2.2146%,城镇化水平每提高1%使电力需求量相应提高1.0076%。“十二五”末中国电力消费需求量将近61425.96KW/h,2020年中国电力消费需求将近81410.10KW/h。