基于时间序列模型的上海市机构养老床位供给预测

在老龄化越来越严峻的情况下,机构养老作为一种重要的养老模式,在其养老服务过程中遇到的关键问题之一是如何合理地分配养老床位.本文选择拟合度最佳的时间序列模型对养老机构床位供给情况进行研究分析.首先,根据上海市民政业务数据海中的历史数据对2019年和2020年上海市及其各个区的老人数进行预测.其次,对各个市区入住养老机构的老人数进行预测分析.最后,结合老人数据与床位数关系对2019年和2020年上海各市区床位的供给数量进行科学的预测,为上海市以及其他城市的床位供给策略提供一定的参考依据.此外,为养老床位满足老人入住需求的同时合理利用资源提供辅助决策支持.     

基于学科布局的科研机构层次聚类模型构建与实证分析

研究不同机构学科布局或主题领域分布的差异,并基于学科布局对科研机构进行聚类分析,有助于掌握科研机构的发展规律,对提高机构管理的效率和效益方面有着重要意义.文章采用科学基金项目数据来衡量科研机构学科布局情况,并针对基于项目数据学科布局聚类过程中数据存在的高维、稀疏特征,传统的聚类方法难以直接处理的问题,构建了"t-SNE+层次聚类"集成聚类方法.通过对中国科学院的国家自然科学基金项目数据进行研究,得到了中国科学院下属的117个研究机构的基于学科布局的聚类结果,并以10类为例,阐述了不同类别的机构学科布局特征.实证结果表明,文章使用的"t-SNE+层次聚类"方法得到的聚类结果,相比于传统方法得到的结果具有更好的效果,可以为学科布局调整提供支撑.     

基于区间值的聚类方法研究及应用

由于信息的不完全性,我们得到的表示事物特征的数据往往是一些区间值.基于区间值的模糊聚类分析方法,可以更大程度地保留信息.首次提出了基于区间值的最大最小法构造相似系数,给出解决区间数多指标信息聚类问题的计算步骤和基于区间值的聚类方法,最后,通过算例说明了所给出的聚类方法在实际中的应用.     

基于数据要素视角的养老服务资源建设方案评价方法研究

数据作为当前社会生产各领域中重要的资源,尤其在智慧民生服务中发挥越来越重要的作用。基于数据要素驱动民生服务视角,如何客观对民生服务中养老服务资源实施建设方案科学评价,这对完善整个养老服务体系的建设显得尤为重要。本文从数据要素驱动智慧民生的角度出发,结合模糊理论、博弈论及信息熵相关知识,提出一种多指标的养老服务资源建设分配方案评价方法。该方法针对养老服务的需求特征,分别从日常照料、医疗护理和精神慰藉三个维度构建评价指标体系,进而确定指标的客观权重,并利用优化模型客观地获得多层次结构上标准的交互系数、权重和方案满意度,有效避免了主观偏好不一致的影响。同时,以上海市16个行政区养老服务资源建设分配方案进行方法验证实验。实验结果显示,本文构建的养老服务资源分配方案评估方法具有可行性,且与实际情况契合。本研究是数据驱动民生服务的具体实践,其研究结果可为政府养老服务资源的合理建设实施提供一定的辅助科学决策支持,也为数据要素在智慧民生中提升建设与管理水平提供可借鉴的应用案例。     

动态缺失数据的聚类分析及在高血压诊断上的应用

动态血压监测的聚类结果与其他临床信息相结合,可探究不同的血压特征,从而实现更准确的诊断和更深入的研究。考虑到动态血压监测每次有多个测量值,并且由于不同原因导致存在缺失数据,本文结合凝聚层次聚类以及高斯混合模型提出了一种可以有效处理动态缺失数据的新聚类方法,其中的高斯混合模型通过EM算法加以求解。我们通过数值模拟验证了所提聚类方法的效果,并在一组真实动态血压数据分析中发现该聚类方法可以有效甄别隐匿性高血压的病例,从而为临床医生提供一个有效的诊断辅助工具。     

基于企业网络舆情的客户满意度分析及管理方法

社交网络平台的迅速发展,促使网络舆情成为企业获取商业情报、扩大竞争优势的重要信息来源。本文针对网络舆情环境下的企业客户关系管理问题展开研究。通过构建企业客户推动式信息反馈模型,描述了企业客户、网络用户与企业网络舆情间的联系,并依据信息反馈模型,提出变尺度聚类算法。该算法将传统聚类方法的求解过程由单一尺度分析扩展到多尺度分析,克服了实际数据聚类应用过程中的聚类结果特征不显著问题。本文选取新浪微博作为数据源,利用企业网络舆情数据集和企业客户数据集进行数据分析实验。实验结果表明,企业可以通过获取与其主营业务相关的网络舆情信息,实现客户满意度预测;同时,变尺度聚类算法结果能够为企业进一步制定销售战略和销售战术提供决策支持。     

一类改进DBSCAN算法及在金融中的应用

提出了一类具有自适应参数的改进DBSCAN聚类算法,并应用于发现证券市场中关联基金账户所组成的信息群落.算法针对传统算法中半径参数ε敏感度高,对于多层密度数据集难以选择全局参数而导致聚类结果差等缺点进行了改进,此外还基于实际市场数据特征,自定义了刻画两个基金间相似程度的综合距离,使得改进算法能更好地应用在解决实际问题上.最后通过基于模拟数据和实际数据的数值实验,验证了改进算法的有效性.     

一种基于多视角学习的多元函数型聚类方法

函数型数据多以多变量的形式出现,目前的多元函数型聚类方法常以数据贴合的方式进行处理,不能充分提取各变量的共同信息及不同变量间的互补信息。为了进一步提取各变量中蕴含的聚类特征信息,本文在多视角学习框架下讨论多元函数型数据的聚类方法:构建了一个能够将多元函数型数据生成过程和各视角数据聚类特征提取统一进行的目标函数;借助非负矩阵分解的聚类特性,提出了一个基于半非负矩阵分解的多元函数型聚类模型;给出了交替迭代更新的求解算法。模拟实验结果显示,与现有的多元函数型聚类方法相比较,该聚类方法的聚类性能显著提高;以北京市空气质量监测站点应用为例,其聚类结果表明,多视角方法在聚类精度和信息提取方面具有优势。     

基于数据流形结构的聚类方法及其应用研究

随着信息社会的不断发展,人类已经进入了信息爆炸时代,海量的数据使数据处理变得繁琐复杂,因此如何对现有的高维数据降维、聚类,并在一定程度上消除高维数据中存在的噪声是解决该问题的关键.基于相关的理论知识采用先降维后聚类的步骤,把高维数据按照子空间结构和流形结构两种情况分类,运用稀疏子空间聚类、谱多流形聚类、K-manifolds方法进行建模求解,通过对各种方法的对比,得出谱多流形聚类方法运行速度快,聚类准确度高,是最具有一般性特征的模型.     

基于成对约束的主动学习半监督谱聚类

半监督学习是近年来机器学习领域中的一个重要研究方向,其监督信息的质量对半监督聚类的结果影响很大,主动学习高质量的监督信息很有必要.提出一种纠错式主动学习成对约束的方法,该算法通过寻找聚类算法本身不能发现的成对约束监督信息,将其引入谱聚类算法,并利用该监督信息来调整谱聚类中点与点之间的距离矩阵.采用双向寻找的方法,将点与点间距离进行排序,使得学习器即使在接收到没有标记的数据时也能进行主动学习,实现了在较少的约束下可得到较好的聚类结果.同时,该算法降低了计算复杂度,解决了聚类过程中成对约束的奇异问题.通过在UCI基准数据集以及人工数据集的实验表明,算法的性能好于相关对比算法,并优于采用随机选取监督信息的谱聚类性能.     

基于人口因素的黑龙江省农村养老金需求总量预测

随着老年人口数量和比例的不断增长,农村养老难问题日益突出.资金是养老问题的核心.通过对养老资金的预测,可以为政策的制定提供数据参考与决策依据.以黑龙江省为例,在对现行农村养老金制度进行分析的基础上,从人口因素角度对农村养老金需求总量进行预测.建立人口增量模型,依据人口统计数据,引入年龄、性别影响参数,得出人口预测结果.进行养老金需求总量预测,分析并确定了人均养老金标准,进而通过人口预测数据求得养老金需求总量数据.     

基于核方法的模糊对象语言概念格聚类分析

在现实生活中,存在着大量语言值数据.为了解决在语言环境中不确定信息的聚类问题,本文提出了一种新的机器学习方法,即基于核方法的模糊对象语言概念格聚类分析模型.该模型通过融合层次聚类与概念格聚类的原理,在寻找到层次聚类局部最优层次的同时优化概念格聚类中的概念选择与概念构造问题.具体地,提出模糊对象语言概念格及其相关性质,它...     

基于改进轮廓系数法的航空公司客户分群研究

鉴于航空公司在客户聚类分群中对聚类效果进行评价并确定最佳k值的轮廓系数法存在时间复杂度过高O(n2)以及准确率较低问题,文章首先采用对象与同簇或不同簇中心间距离计算来替换同类或异类对象间的距离计算,并通过聚类效果变化率确定轮廓系数调节位置及调节权重,提出一种改进的轮廓系数法;其次,基于预处理且特征选择后真实航空公司客户数据构建聚类模型,借助改进轮廓系数法确定最优客户分群,并构建用户画像;最后,针对不同航空公司分群客户进行特征描述并提出相应个性化服务措施,辅助航空公司为客户提供个性化产品与服务。实证研究结果表明:不同样本量下改进轮廓系数法的精确率和运行效率均有所提升;基于改进轮廓系数法的航空公司客户分群结果符合客观实际,所提服务措施为航空公司最大化客户需求、提高客户满意度提供借鉴。     

基于运动去除的姿态估计算法

近年来,自动驾驶技术得到了加速发展,提出许多经典的姿态估计算法实现车辆的定位.但在实际场景中,一些运动点会给姿态估计结果带来误差.提出了一种基于运动去除的姿态估计算法.首先,基于特征点信息建立了几何约束条件,实现点的初步筛选.其次,利用聚类算法将视差图划分为不同的聚类区域.随后,根据数学模型将聚类区域判断为动态区域或静...     

一种基于密度敏感的自适应谱聚类算法

针对传统的谱聚类算法不适合处理多尺度问题,引入一种新的相似性度量—密度敏感的相似性度量,该度量可以放大不同高密度区域内数据点间距离,缩短同一高密度区域内数据点间距离,最终有效描述数据的实际聚类分布.本文引入特征间隙的概念,给出一种自动确定聚类数目的方法.数值实验验证本文所提的算法的可行性和有效性.     

智能信息处理的多指标面板数据聚类方法及其应用

为提高具有先验知识样本的学习效率,本文在吸引子传播聚类模型基础上,引入半监督学习策略,并综合考虑样本动态信息变化,融合多指标面板数据,提出智能信息处理的多指标面板数据聚类模型。选取30家房地产业上市公司2009-2013年相关财务数据,利用此模型进行聚类和绩效评价分析。结果表明,智能信息处理的多指标面板数据聚类模型能更加有效地区分样本类别特征,可为上市公司绩效评价、金融管理与决策提供一个更加有效的方法和手段。     

上海市中心区人口密度等值线图

研究人口分布的重要方法是编制人口密度图.通常使用散点图法和分块聚类图法.本文将等值线图的方法引进人口分布的研究领域,根据1990年第四次人口普查资料,绘制了上海市中心区人口密度等值线图。     

基于流形正则化与成对约束的深度半监督谱聚类算法

现有的子空间聚类方法以数据全局线性分布为前提,利用先验约束估计未标记数据点的低维子空间,并将其聚类到相应组中,对非线性结构的数据处理存在一定缺陷.受启发于深度学习以其强大的非线性学习表征能力在众多应用中取得巨大成功,文章在数据表示中加入成对约束,并运用流形正则化理论,采用k近邻构造全局相似度矩阵,通过与自编码器的联合学习,提出基于流形正则化与成对约束的深度半监督谱聚类算法(MPAE).该算法一方面在学习数据的低维表示时同时保留数据的可重构性和局部流形结构的全局特征,另一方面将已知样本间的成对约束信息融入目标优化设计,使学习到的低维特征更具有判别性,这在很大程度上提高了所得算法的聚类性能.实验结果表明文章算法能够取得理想的聚类结果.     

大数据挖掘用于电力企业评价体系构建

随着大数据时代的来临,电力企业需要探索新的管理模式.从数据出发,对大量历史监测指标数据进行统计分析,从中筛选出影响企业发展的关键指标,提取关键指标的历史特征.采用层次聚类和Kmeans聚类两种聚类方法对关键指标进行聚类分析,并且结合管理经验,与专家讨论对指标类簇进行合理的命名,最终将关键指标分为了服务电网、运营指数、风险指数三个能够反映公司管理程度的一级指数,并且在一级指数下又分为了若干个子指数,建立了适合新源控股公司管理发展的评价体系.与传统的公司评价体系构建的方法相比,基于大数据挖掘方法构建的评价体系更能够体现出各个指标之间的内在联系,从而能够更好的为决策者提供管理建议.     

双向聚类方法综述

传统的聚类方法由于无法提取样本和变量间的局部对应关系,并且当数据具有高维性和稀疏性时表现不佳,因此学者们提出了双向聚类,基于样本和变量间的局部关系,同时对样本和变量进行聚类,形成一系列子矩阵的聚类结果。近年来,双向聚类发展迅速,在基因分析、文本聚类、推荐系统等领域应用广泛。首先,对双向聚类方法进行梳理与归纳,重点阐述稀疏双向聚类、谱双向聚类和信息双向聚类三类方法,分析它们之间的区别和联系,并且介绍这三类方法在多源数据的整合分析、多层聚类、半监督学习以及集成学习上的发展现状和趋势;其次,重点介绍双向聚类在基因分析、文本聚类、推荐系统等领域的应用研究情况;最后,结合大数据时代的数据特征和双向聚类存在的问题,展望双向聚类未来的研究方向。