公路桥梁车辆荷载的滤过Weibull过程模型

在公路桥梁结构的可靠性设计和可靠度计算中,涉及两个最基本的方面,即结构抗力和荷载效应的不定性分析。关于结构构件抗力不定性研究,通过对材料性能,几何尺寸等方面探讨,已经获得许多成果。本文研究荷载效应的不定性问题。对于公路桥梁来说,所承受的各种荷载中,最重要的就是车辆荷载。作用在桥梁结构上的     

非对称损失下的预测区间

本文在回顾经典的点预测理论和区间预测理论的基础上给出了求最优预测区间的准则,该准则不仅考虑了预测区间的可信程度,而且将损失函数纳入进了求预测区间的框架.在该框架下,研究了损失函数满足某些特定条件时的预测区间,结果发现与经典预测理论中的等尾取法和对称取法得到的预测区间是一致的.     

基于支持向量机的区间模糊数时间序列预测

研究了区间模糊数时间序列的预测方法.首先将区间模糊数序列转换为等量信息的精确数序列,然后对精确数序列建立支持向量机回归模型,通过还原公式,得到区间模糊数序列的拟合值和预测值.最后给出了数值实验,实验结果表明方法有效可行,且比ARMA回归模型以及灰色模型的预测精度更高.     

混合区间多尺度分解的区间时间序列组合预测

鉴于传统预测方法一直基于“点”来衡量时间序列数据,然而现实生活中在给定的时间段内许多变量是有区间限制的,点值预测会损失波动性信息。因此,本文提出了一种基于混合区间多尺度分解的组合预测方法。首先,建立区间离散小波分解方法(IDWT)、区间经验模态分解方法(IEMD)和区间奇异普分析方法(ISSA)。其次,用本文构建的IDWT、IEMD和ISSA对区间时间序列进行多尺度分解,从而得到区间趋势序列和残差序列。然后,用霍尔特指数平滑方法(Holt's)、支持向量回归(SVR)和BP神经网络对区间趋势序列和残差序列进行组合预测得到三种分解方法下的区间时间序列预测值。最后,用BP神经网络对各预测结果进行集成得到区间时间序列最终预测值。同时,为证明模型的有效性进行了AQI空气质量的实证预测分析,结果表明,本文所提出基于混合区间多尺度分解的组合预测方法具有较高的预测精度和良好的适用性。     

Weibull过程参数最大似在估计的重对数律

本文对Ｗｅｉｂｕｌｌ过程证明了当观测时间趋于无究大时参数的最大似然估计的收敛速度符合重对数律。对一类与之相关的非齐次Ｐｏｉｓｓｏｎ过程也得到了类似的结果。     

Lee-Carter模型的理论分布和区间预测

死亡率预测是人口预测、长寿风险度量以及寿险公司产品定价和风险管理的基础。在死亡率预测模型中,Lee—Carter模型被广泛采用,但关于Lee-Carter模型的理论分布函数、期望和方差等分布特征,并没有专门的研究。本文在文献研究的基础上,对Lee-Carter模型进行了完整的理论研究,给出了完整的Lee-Carter模型理论分布和区间预测表达式,为相关研究提供了可靠的理论依据。同时,对传统的Lee-Carter预测区间估计方法和文中给出的区间预测估计方法进行了对比研究,发现使用传统Lee-Carter预测区间估计方法得到的预测区间较窄,对长寿风险存在低估,在预测时间较短时,这种低估更严重。     

基于灰模型的区间模糊数时间序列预测

研究了基于灰模型的二元区间和三角模糊数时间序列的预测方法.目前以GM(1,1)模型为代表的灰色预测模型只适用于精确数序列.改进了GM(1,1)模型的定义型方程中的参数形式,使方程能适用于几类常见区间模糊数序列.接着,基于区间模糊数的计算准则,分别具体给出了二元和三角模糊数GM(1,1)模型(BIFGM(1,1)和TFGM(1,1))的预测过程.模型对于区间模糊数的界点序列的发展系数进行了加权平均处理,以此保证了区间模糊数序列发展态势的整体性.最后进行了实例应用,验证了模型的有效性.     

基于SSA-LSSVM-KDE的农产品价格区间预测

为了更好地把控农产品价格波动的波动范围,提高预测精度,文章基于分解集成思想,提出一种基于奇异谱分析(SSA)、最小二乘支持向量机(LSSVM)与核密度估计(KDE)的区间预测组合模型,简称SSA-LSSVM-KDE模型.首先针对SSA方法中窗口维度难以确定的问题,引入Cao方法优化SSA最小嵌入的窗口维度,通过奇异值分解重构出多条分量;其次,选择学习能力强的LSSVM,将各分量作为LSSVM的输入,得到组合预测输出;最后利用B-样条基的最小二乘交叉验证法(B-spline-LSCV)优化KDE模型,估计组合预测输出的不同区间误差概率分布函数,得到给定置信水平下的最终预测区间.为了验证提出模型的有效性,对小麦现货价和玉米现货价进行区间预测,与四个单模型、三个组合模型和四个分布函数进行多种预测性能评价指标的对比,结果显示提出的模型在点预测和区间预测的精度都得到了明显的提高.     

基于区间灰数DGM(1,1)模型的客运交通量预测

科学的预测客运交通量对于我国交通运输业发展具有重要的现实意义.为了提高客运量预测的精度,本文应用区间灰数DGM(1,1)模型对1995—2002年全国客运交通量进行模拟和预测,得到了预测精度较高的结果,这为客运交通量的预测提供了一种简单而可靠的新途径.     

基于矩阵型时滞灰色多变量模型的区间数序列预测

许多数据表示为区间数时更有利于管理和决策.为有效预测区间数序列,考虑系统中普遍存在的时滞效应,基于传统灰色模型同时引入系统特征和相关因素的滞后项,然后进一步把模型的适用范围从精确数序列拓广到区间数序列,提出了矩阵型时滞灰色多变量模型.在此基础上,提出了一种确定区间数序列最优滞后阶的方法.最后对我国财政收入和社会消费品零售总额进行预测,结果表明新模型是有效的,在拟合和预测方面均优于其他五个灰色竞争模型,具有一定的应用价值.     

可变抽样区间的多变量自相关过程VAR控制图

基于批量-均值法的思想,向量自回归(VAR)控制图对多变量自相关过程的较小偏移可以进行有效控制。为了提高多变量自相关过程监控效率,本文研究可变抽样区间的VAR控制图。首先,对多变量自相关过程的VAR控制图进行可变抽样区间设计;然后,用蒙特卡洛模拟方法计算其平均报警时间;最后,以平均报警时间为评价准则,对所设计的可变抽样区间VAR控制图与固定抽样区间的VAR控制图进行比较研究。研究结果表明:所设计的可变抽样区间多变量自相关过程VAR控制图较固定抽样区间的多变量自相关过程VAR控制图能更好的监控过程的变化。     

基于非平稳时间序列的日现金流预测

电力公司每日售电实际收入的有效预测是实现国家电网强化存量资金高效运作以及现金流量预算按日排程的关键.由于居民用户的用电往往具有很明显的季节性影响,冬天和夏天空调使用频率高,导致这两个季节的用电量会相对较多;周末与非周末的缴费行为也会有明显的差异(周末效应).同时由于用户的缴费方式和行为的不同,特别是由于每月缴费时间的差异,使得所缴款项在每月的到账时间会有较大的波动,从而使得日现金流的预测变得很困难.针对上面存在的问题,本文提出了利用分段多阶差分非平稳时间序列探讨数据结构的周期性和非平稳特性.     

飞行事故的一种自适应模糊神经网络预测方法研究

飞行事故预测对于预防飞行事故具有十分重要的意义.首先系统分析了空军飞行事故的主要影响因素,对其中的定性因素进行了量化;然后利用系统分析的成果和历史统计数据建立了空军飞行事故的自适应模糊神经网络预测模型.整个预测过程突破了纯数学模型预测的局限性,实现了预测的定性和定量的结合;由于预测中使用了一种基于高木.关野模糊模型的自适应模糊神经网络,从而使预测模型具有很强的自适应能力,预测结果也比较令人满意.