随机的改进Lotka-Volterra竞争模型

本文提出且讨论了一类两种群随机的改进Lotka Volterra竞争模型.白噪声及有色噪声都在本文中被考虑.我们得到了全局唯一正解、随机有界性、随机持久和随机灭绝等种群动力性质的充分条件.     

短时交通流混沌预测模型的比较研究

短时交通流预测是实现交通流诱导的关键技术之一.针对目前短时交通混沌预测模型预测结果差异较大的问题,归纳了4种基于混沌理论的短时交通流预测模型:RBF神经网络模型、最大Lyapunov指数模型、局域线性模型和Volterra滤波器自适应预测模型,并对这4种预测模型进行了比较研究.应用4种预测模型对几个典型的非线性系统进行预测,验证了算法的准确性.然后用这4种预测模型对微观实测交通流的时间序列进行实证分析.仿真结果表明,4种预测模型对典型混沌时间序列具有很好的预测效果;而对实测交通流预测,其预测精度和稳定性较差,但可以满足实时交通流预测的需要.     

改进的灰色模型及在短时交通流中的应用

基于城市道路交通流按日周期变化的数据特征,提出一种可自动选择步长的灰色模型算法.将其应用到美国Minnesota的两个道路交通流的预测,并和传统灰色模型、历史平均法以及滑动平均法对比.数值实验结果表明:改进的灰色模型能够大幅降低预测绝对误差,预测精度高,稳定性好,适用于城市道路短时交通流的实时预测.     

切比雪夫多项式序列的分布

切比雪夫多项式在各个领域都有广泛的研究,如:群论,密码学和偏微分方程等.主要利用指数和上界证明一类由切比雪夫多项式所生成序列的低差异性,从而说明其均匀分布性质.     

正弦和余弦的多倍角公式及其应用

推导证明了正弦和余弦的多倍角公式,并给出了多倍角公式在推导切比雪夫多项式的一般表达式.证明cosmπ/n和sinmπ/n不是超越数,求特殊矩阵的特征值,推导组合求和公式等方面的应用.     

在基本计算系统中实现切比雪夫多项式的算法

提出了一个仅使用基本运算加、减和移位计算切比雪夫多项式的坐标旋转算法,证明了收敛性,讨论了误差估计.算法编码占用空间很小,适合在微计算系统中使用.     

包含切比雪夫多项式的循环矩阵行列式的计算

行首加r尾r右循环矩阵和行尾加r首r左循环矩阵是两种特殊类型的矩阵,这篇论文中就是利用多项式因式分解的逆变换这一重要的技巧以及这类循环矩阵漂亮的结构和切比雪夫多项式的特殊的结构,分别讨论了第一类、第二类切比雪夫多项式的关于行首加r尾r右循环矩阵和行尾加r首r左循环矩阵的行列式,从而给出了行首加r尾r右循环矩阵和行尾加r首r左循环矩阵的行列式显式表达式.这些显式表达式与切比雪夫多项式以及参数r有关.这一问题的应用背景主要在循环编码,图像处理等信息理论方面.     

基于时空图注意力网络的跳高轨迹预测

跳高运动由助跑、单脚起跳、越过横杆落地等一系列动作组成,跳高运动轨迹是一个复杂的因果系统.在每一个时间节点,运动员的身体姿态符合一定的规律约束.研究建立了跳高运动过程中关键身体关节节点坐标依时间变化的离散过程模型,每个时刻的各关节点位置向量由给定的之前若干个时刻的运动员关节点位置决定.跳高运动员肢体的摆动、关节点位置的变化都对运动员位移有重要作用.运动员重要关节点之间的相互作用,使得跳高运动轨迹难以刻画和预测.随着深度学习的发展,图神经网络在时空特征刻画和预测上具有优势.基于时空图注意力网络结合长短时记忆网络、门控循环单元(STGAT-LSTM、STGAT-GRU)建立了具有空间位置约束的跳高运动员关节点位置随时间变化的模型,用于推算跳高运动员重心和关节点位置轨迹.实验结果表明该模型能够很好地刻画跳高运动的过程,对于关节点位置的预测能够达到较好的效果.研究所提出模型的预测效果比基线模型准确性提高了0.02-0.03米.研究给出了基于神经网络模型进行跳高运动轨迹预测的可行解决方案,可作为跳高运动仿真和技术优化研究的重要参考.     

基于RLS算法的多项式预测模型及其应用研究

为了提高经济领域统计数据的预测精度,代数多项式预测模型的建模方法应运而生.该方法使用代数多项式模型拟合给定的经济统计数据,并使用递推最小二乘法(RLS)对多项式拟合模型的加权系数进行递推计算以获得最优模型参数,然后通过获得的最优多项式模型计算未来预测数据.文章以实际统计的经济数据为例进行了仿真计算,研究结果表明,该方法不仅能实现统计数据的高精度拟合,而且具有很好的预测能力,在经济领域具有广阔的应用前景.     

求解非对称特征值问题的过滤类Krylov序列方法（英文）

将标准Krylov子空间方法及多项式加速技术整合起来的过滤类Krylov序列方法对求解对称矩阵的多个端部特征值极为高效.本文将该方法推广,以求解非对称矩阵的实部最大的特征值及其对应的特征向量.与标准Krylov子空间方法相比,过滤类Krylov序列方法具有极大的优越性和鲁棒性.数值实验表明了新方法的有效性.     

改进LSTM网络对于时间有效性经济指标预测模型的研究

针对经济指标的预测,尤其是关于时间有效性的预测,具有重要的现实意义.通过筛选,得到对于起经济预测影响较高的指标.基于LSTM网络模型,对LSTM模型的初始权重及阈值进行了优化,提升了模型的经济预测效果.结合不同类型的灰度模型算法,重点体现时间有效性,进而构建新的组合灰度改进-BA-LSTM网络模型,将其用于经济指标的预测.利用其他三种不同的灰度模型和组合灰度模型分别结合效果更稳定的改进BA-LSTM模型对经济指标进行预测,实验结果证明,对比其他的经济预测模型,模型的精度更高,预测结果更准确,可以有效用于CPI和GDP等数据的预测,预测结果满足时间有效性要求,证明该模型的实用价值.     

基于GA-Chebyshev神经网络的分数阶Bagley-Torvik方程数值解法

本文基于现有的切比雪夫神经网络,提出了一种利用遗传算法优化切比雪夫神经网络求解分数阶Bagley-Torvik方程数值解的新方法,结合多点处的泰勒公式原理,给出数值解的一般形式,将原问题转化为求解无约束最小化问题.与现有数值方法的数值结果进行比较表明了本文方法的可行性和有效性,为分数阶微分方程中类似问题的求解提供了新的思路.     

基于两类切比雪夫多项式的循环矩阵行列式的计算

利用多项式因式分解的逆变换,结合循环矩阵和切比雪夫多项式的特殊结构,首先研究第三类和第四类切比雪夫多项式的通项公式,并给出第三类、第四类切比雪夫多项式的关于行首加r尾r右循环矩阵和行尾加r首r左循环矩阵的行列式的显式表达式,最后给出算法实施步骤.     

基于新老司机道路选择行为的交通流均衡研究

针对新上路司机数量的爆发式增长带来的交通流均衡变化问题,本文在对司机进行分类和道路选择行为分析的基础上,应用决策树方法构建了基于新老司机道路选择行为的交通流均衡模型,并用实际案例研究了主要参数的敏感性。研究发现:路况通过联合系统车流量的分配情况、车速预期和司机学习过程等因素共同对司机比例产生影响;当某一条道路达到均衡时,车流量对司机比例的敏感程度受到路况差异的影响;司机在驾驶经验、对道路的熟悉程度以及学习能力等方面存在差异,但这种差异仅存在于对交通信息的感知方面。该研究有助于加深对城市交通流变化规律的认识和理解,对于发展出有效的交通管制措施有积极的理论价值和现实意义。     

基于改进BP神经网络的组合预测模型设计

为提高预测精度,解决非线性组合预测中的困难,利用改进BP神经网络对非线性组合预测模型进行了设计.讨论了模型设立的原则和一般程序,比较其与传统的组合预测方法之间的优劣,并给出实例加以验证.结果显示,基于改进BP神经网络的非线性组合预测模型能够准确描述系统中的非线性,提高预测精度.     

一类由切比雪夫多项式和$q$-微分算子定义的双单叶解析函数的初始系数估计

本文介绍了一类由切比雪夫多项式和$q$-微分算子定义的双单叶解析函数,得到了相关系数估计和Fekte-Szego不等式,所得结果改进或推广了已有部分作者的结论.     

基于改进灰色关联度的IOWA算子最优组合预测模型

通过引进诱导有序加权平均(IOWA)算子和改进灰色关联度的计算式,提出了新的基于改进灰色关联度的IOWA算子的组合预测模型.方法可以克服传统的组合预测方法赋予不变的加权平均系数和以单一误差指标作为预测精度衡量的缺陷.定义基于改进灰色关联度的IOWA算子的优性组合预测的概念,最后给出实例分析表明了新模型能有效地提高组合预测精度.     

基于切比雪夫小波基与年龄相关种群模型的数值解

基于切比雪夫小波基给出与年龄相关种群模型的数值解.利用切比雪夫小波基的性质使得所求偏微分方程转化为矩阵方程,从而简化了数值解的求解过程.最后通过数值例子验证其理论结果.     

基于网络搜索数据和机器学习的票房预测模型

电影票房预测对于管理部门一直是一项重要而复杂的工作。电影票房相关变量复杂多变,且数据获取难度较大是制约当前研究的主要因素。相比之下,网络搜索数据是互联网公司发布的用于记录网民搜索行为的结构化数据,能客观及时反映事物的发展趋势。本研究建立了基于网络搜索数据的混合预测模型。首先,匹配与测试集最相似的训练数据构建最优训练集(OTS)。其次,应用帝国竞争算法(ICA)选择最小二乘支持向量机(LSSVM)的最佳参数组合。最后,使用优化模型进行预测。为了测试模型的效果,使用中国大陆上映的电影票房数据进行模拟实验。结果表明混合模型具有更高的预测精度。本研究所构建的模型适用于中国电影业的票房预测,可为有关部门提供决策参考。     

基于人工神经网络和随机游走模型的汇率预测

由于金融数据具有随机性特征,使得建模和预测变得极其困难.提出一种组合预测方法,即假定任何金融时序数据由线性和非线性两部分组成,将其中线性部分的数据通过随机游走(RW)模型进行模拟,剩余的非线性残差部分由前馈神经网络(FANN)和诶尔曼神经网络(EANN)协同处理.从实证结果可知,该组合方法相比单独使用RW、FANN或EANN模型有更高的预测精度.