基于支持向量回归和核岭回归对血糖值预测的对比分析

为了对比支持向量回归(SVR)和核岭回归(KRR)预测血糖值的效果,本文选择人工智能辅助糖尿病遗传风险的相关数据进行实证分析.首先对数据进行预处理,将处理后的数据导入Python.其次,为了使SVR和KRR的对比结果具有客观性,使用了三种有代表性的核方法(线性核函数,径向基核函数和sigmod核函数).然后,在训练集上采用网格搜索自动调参分别建立SVR和KRR的最优模型,对血糖值进行预测.最后,在测试集上对比分析SVR和KRR预测的均方误差(MSE)和拟合时间等指标.结果表明:均方误差(MSE)都小于0.006,且KRR的MSE比SVR的小0.0002,KRR的预测精度比SVR更高;而SVR的预测时间比KRR的少0.803秒,SVR的预测效率比KRR好.     

基于回归分析的机场拥挤预测问题研究

及时有效的预测机场拥挤状态并辅助机场管理部门采取相应缓解拥挤的措施,将有助于提高机场的服务质量和运行效率.提出了利用回归分析的方法对机场拥挤问题进行研究.利用已有的历史航班数据挖掘出与机场拥挤最为相关的因素,并将其作为预测变量来预测响应变量.使用到两种回归分析方法即:普通最小二乘回归(OLS)和支持向量回归(SVR).使用历史数据来训练模型,并将这两种训练模型用于真实数据集上做测试,且取得较好的预测效果.实验结果证明该方法在机场拥挤预测问题上的可用性和有效性.     

基于XGBoost-LSTM模型的多特征股票价格预测研究

为探寻股票价格规律,提出XGBoost与LSTM组合的股票价格预测模型,选取恒瑞医疗股票2000年10月18日上市至2022年9月1日所有交易日的交易数据为实证分析对象.首先,建立单特征与多特征LSTM模型分别对股票价格进行预测;其次,构建XGBoost模型以进一步实现预测并将预测结果作为新变量输入到多特征LSTM模型;然后,使用LSTM模型在新数据集上进行建模;最后,对比分析表明多特征LSTM模型预测效果优于单特征预测,XGBoost-LSTM预测模型效果优于多特征LSTM预测,说明本文提出的方法能进一步提升预测效果,对投资者有一定参考价值.     

基于Subbagging的支持向量回归集成及应用

基于Subbagging的支持向量回归(SVR)集成预测方法的目的有两个方面:一是理论分析上使得集成预测统计量成为不完全U统计量,二是计算上使得SVR复杂度显著降低.系统地研究了该方法的建模过程,重点讨论了采样尺寸参数对预测精度的影响,并通过真实案例分析验证了所建立的SVR集成预测方法的有效性.     

基于样条变换的PLS回归的非线性结构分析

基于样条变换的:PLS非线性回归模型既吸取了样条函数分段拟合以适应任意曲线连续变化的优点,又借鉴了偏最小二乘回归方法能够有效解决自变量集合高度相关的技术.针对多元加法模型,从理论和仿真试验的角度分别验证了,对于多个独立自变量对单因变量为非线性关系的数据系统,基于样条变换的PLS回归方法不仅能够有效实现自变量对因变量的整体预测,而且能够提取各维自变量对因变量的单独非线性作用特征,从而确定数据系统内部的复杂非线性结构关系,增强了模型的可解释性.     

基于主成分和GBDT对血糖值的预测

为了通过众多的医学指标更准确地预测血糖值,将运用主成分分析耦合GBDT做回归·首先运用主成分分析将39个原指标综合成18个新指标,并对这18个累积贡献率达95%的新指标做变量特征重要性分析,再结合18个新指标运用GBDT做回归.其中有关血糖值的数据来源于天池精准医疗大赛-人工智能辅助糖尿病遗传风险预测.将含有5642个样本值的一组血糖值数据按照7:3的比例分成两组,分别称为训练集和测试集,运用训练集中的数据建立回归模型,得出回归模型的均方根误差为0.0053,再利用测试集中的数据预测血糖值,并与测试集中的真实值作比较,得出均方根误差为0.0063,这说明预测出的血糖值较为准确,能够保障血糖值预测的精度.     

拟自适应分类随机森林算法

本文给出了集成学习模型可以收敛的集成学习算法,拟自适应分类随机森林算法。拟自适应分类随机森林算法综合了Adaboost算法和随机森林算法的优势,实验数据分析表明,训练集较大时,拟自适应随机森林算法的效果会好于随机森林算法。另外,拟自适应分类随机森林算法的收敛性确保它的推广误差可以通过训练集估计,所以,对于实际数据,拟自适应分类随机森林算法不需要把数据划分为训练集和测试集,从而,可以有效的利用数据信息。     

基于改进萤火虫优化算法的SVR空气污染物浓度预测模型

为了对空气污染物浓度进行准确预测,提出了基于改进萤火虫优化方法(IGSO)的支持向量机回归(SVR)空气污染物浓度预测模型.首先,利用佳点集理论、拥挤度以及变步长策略对萤火虫优化算法进行改进;其次,根据空气污染物浓度时间序列数据构造训练集,运用IGSO算法寻找SVR的最优参数;最后,利用基于最优参数的SVR实现对空气污染物浓度的预测.通过两部分的实验说明文章所提方法的性能.1)在8个标准测试函数上进行多次对比实验,结果显示IGSO算法相比于基于其他改进策略的萤火虫优化方法能够寻找到更优的目标函数值且方差较小,实验表明改进萤火虫优化算法在稳定性及求解精度方面性能较优.2)对京津冀地区空气污染物浓度进行实验,结果显示如下,首先,相比于萤火虫优化算法、粒子群优化算法以及遗传算法,文章基于IGSO对SVR参数的多次寻优结果波动较小,并且所得SVR模型的交叉验证误差及其方差较小;其次,与基于上述其他优化算法的SVR、基于网格搜索的SVR以及BP神经网络相比,文章方法对测试集的预测精度较高.因此,基于IGSO的SVR空气污染物浓度预测模型具有较高稳定性及预测精度.     

基于改进的SVR模型在年降水量预测中的应用

鉴于降水量数据的高维非线性性和周期性,建立了支持向量回归(SVR)预测模型用于降水量预测,由于对该模型输入特征的选取极为重要,因此提出了一种基于季节自回归(SARI)的输入特征选取方法.利用已有的降水量数据建立SARI模型,通过观察模型表达式提取建立SVR模型所需的输入特征用于训练支持向量机,并通过网格参数寻优法确定SVR模型的参数,进行降水量预测.实例分析中,应用此模型对黄土丘陵半干旱区域的降水量进行预测,将预测结果与季节时间序列(SARIMA)模型的预测结果进行对比,结果表明,模型具有更高的预测精度和拟合优度,可以用于降水量的预测.     

城市道路短时交通流量预测

结合BP神经网络模型和自回归求和滑动平均(ARIMA)模型对城市道路交通短时区间流量进行预测.影响交通流的因素有很多,难以一一量化,但这些因素都可以由线性自相关结构和非线性结构结合线性组合得到.而BP神经网络对非线性关系有很好的拟合效果,ARIMA模型则具有良好的线性拟合能力.在训练模型时,先用ARIMA模型拟合训练集,与原始数据作差得到一组残差;用BP神经网络模型拟合残差;将两个模型结合得到组合模型.将2017年7月1日7:00到2017年7月1日18:00期间,贵阳市某个路口断面所采集的过车数据作为训练集,建立ARIMA模型和BP神经网络模型以及组合模型,预测2017年7月1日18:00到2017年7月1日19:00的短时交通流.过车数据统计时间间隔为5min,则训练集共有有效数据132组,测试集的有效数据为12组.分别用三类误差分析指标比较三个模型的拟合、预测效果,结果显示组合模型的预测效果比两个模型单独使用的预测效果更准确.     

More on cancellative semigroups on manifolds

Communicated by D.R.Brown     

基于学习—遗忘效应的生产率降低损失索赔研究

建设工程项目很多具有重复性施工的特点,本文利用这种特点将学习-遗忘效应应用到平衡作业线(LOB)方法中,分析因为工程中断造成生产率的降低的现象,认为因生产率降低而导致工程工期的延长实际上超过工程实际中断的时间,最后以一个工程案例来说明分析过程.     

Remark on the weierstrass points on curves

We give a treatment of the Weiertrass points of curves which is a little different from the treatment by Laksov. We introduce the notion of theith weight which makes the treatment easier and gives an algorithm for computing the gap sequence of an effective divisor and the weight at a point. Supported in part by NNSF of China.     

Remarks on normal operators on Banach spaces

Rendiconti del Circolo Matematico di Palermo Series 2 - A closed densely defined operatorT on a Banach spaceX is called normal, iff $$T \in [C^0 (\hat \not C)]$$ , i.e. there is a homomorphism...     

A note on pseudo-metrics on the plane

Every c-finite measure Μ on the set G of the lines on the plane such that $$(0){\text{ }}\mu {\text{(\{ g}} \in G:{\text{ }}P \in {\text{g\} ) = 0}}$$ for every point P?R ² generates a pseudo-metric F on the plane when one puts F P ₁, P ₂= \(\tfrac{1}{2}\) μ({g∈G:g separates the points P ₁ and P ₂}) The pseudo-metrics which are generated in this way possess the property of linear additivity, that is F(P ₁,P ₃)=F(P ₁,P ₂)+F(P ₂,P ₃) for P ₁,P ₂,P ₃ on a line, P ₂ between P ₁ and P ₃, and are continuous with respect to the Euclidean topology in R ² × R ². In this paper we prove the converse: every linear additive and continuous pseudo-metric F is generated as above by some c-finite measure Μ on G for which (0) holds. The method of proof shows that values of linearly additive and continuous pseudo-metric F inside every bounded convex polygon C are determined completely by the values of F on (δC)². The representation of pseudo-metrics by measures is useful in derivation of inequalities for the former.     

Dualities and reciprocities on graphs on surfaces

We extend the duality between acyclic orientations and totally cyclic orientations on planar graphs to dualities on graphs on orientable surfaces by introducing boundary acyclic orientations and totally bi-walkable orientations. In addition, we provide a reciprocity theorem connecting local tensions and boundary acyclic orientations. Furthermore, we define the balanced flow polynomial which is connected with tension polynomial by duality and with totally bi-walkable orientations by reciprocity.