基于网络搜索信息的多模态数据驱动航空客流集成预测

为了对机场旅客吞吐量进行更高精度的预测，提出了一种基于网络搜索信息的“分解-重构-集成”组合预测新方法。首先，采用平均影响值和时差相关分析法对机场旅客吞吐量相关的网络搜索关键词进行筛选，合成综合搜索指数。其次，利用改进的自适应白噪声完备集合经验模态分解(ICEEMDAN)方法分别将机场旅客吞吐量和综合搜索指数分解为若干子模态序列，依据子序列的样本熵值重构为高、中、低频序列。以搜索指数中的不同频率成分作为辅助输入信息，分别对机场旅客吞吐量的高频和中频序列采用麻雀搜索算法优化的BP神经网络(SSA-BP)模型进行预测，而低频序列采用自回归分布滞后模型进行预测，最后将不同频率序列预测值用SSA-BP模型进行综合集成得到最终的预测值。通过实证发现，该组合预测新方法能显著提高预测的精度，并表现出较好的鲁棒性。     

基于主成分分析的网络搜索数据合成方法研究

针对利用网络搜索数据合成各类指数时难以消除共线性、难以合理确定各指标权重等问题,基于数据降维的思想构建了以主成分分析法为核心的指数合成方法,并以利用网络搜索数据合成消费者物价指数为例,将提出的方法与当前主流的逐步回归法做出比较研究.研究结果表明,基于主成分分析法的数据合成方法可以得到稳定性和拟合度更高的指数.     

基于网络搜索数据的突发事件对股票市场影响分析

重大突发事件的发生对关联企业生产、行业前景,甚至国家宏观经济产生一定影响,表现为关联企业股价波动,而网络搜索数据作为投资者现实生活行为趋势的映射,蕴含了投资者对突发事件、股票需求与交易的关注,基于该思想,采用基于网络搜索数据的方法对重大突发事件与股票市场间的相关性进行研究.首先建立理论框架;然后以"7·23甬温线特别重大铁路交通事故"为研究对象,分析动车事故对中国动车概念版股市的影响强度.最终,模型拟合优度高达0.888,表明搜索数据可以准确、及时刻画动车事故对相关板块股市波动的影响.     

基于地铁施工事故案例的机器学习灾害预测方法

针对城市轨道交通施工事故的频繁发生,建立了基于地铁施工事故案例的机器学习灾害预测模型.通过收集过往地铁施工事故案例建立数据集,引入天气气象、水文地质、周边环境、施工因素等外部风险源做为特征,分析决策树、随机森林、SVM、XGBoost等灾害预测模型对施工事故的预测能力.结果 表明经过网格搜索后XGBoost的预测效果明...     

基于机器学习的智能TWAP和VWAP算法的研究及应用

TWAP与VWAP算法为两类较常见的经典交易算法.传统的VWAP算法在TWAP算法的基础上,大多使用预测日内成交量分布的方法指导算法下单.传统成交量分布的预测效果严重依赖于市场交易惯性,但交易量分布受到日内诸多突发因素的影响,导致算法对市场突发状况的应对能力较弱.本文对传统TWAP与VWAP算法进行改进,利用滚动的1分钟粒度高频实时资金博弈数据,基于Logistic分类器训练量价模型,以该预测结果为入参构建最优化期望执行均价模型,求出当下各个价格档位对应委托数量的最优解.通过相对高频的分钟级价格预测机制,保证算法实时跟踪市场行情走势并寻求相对优势的交易机会.该算法经测试可以稳定地跑赢市场均价,具备推广应用的可行性.     

基于新型数据变换技术的灰色预测模型及应用

针对原始数据序列光滑度不足的情况,提出了一种新的数据变换方法,以提高原始数据序列的光滑度.给出方法的理论证明,并与其它数据变换方法进行了对比.将变换方法应用于GM(1,1)模型,结果显示,通过调节参数的值,变换能够提高GM(1,1)模型的计算精度.最后的实例说明了该方法的实用性和有效性.     

基于模糊时间序列的传感器网络感知数据预测模型

传感器网络监控系统属于大型复杂系统,由感知节点以一定的时间间隔向sink节点发送感知数据,以实现对应用环境的监控。由于网络本身及应用环境的影响,得到的感知数据往往存在不确定性。此外,周期性报告数据模式影响到实时监控数据的精确性。本文应用时间序列模型预测传感器数据以响应用户查询,可有效降低网络通信量。通过对无线传感器网络的数据分析,引入多属性模糊时间序列预测模型,充分考虑了无线传感器网络时间序列中存在的趋势因素,并提出了适合于传感器网络的修正预测模型。实验结果表明模糊时间序列模型可有效预测传感器网络数据,且能提高预测精度。     

基于物理经验模型约束的机器学习方法在页岩油产量预测中的应用

页岩油气产量预测是确定其开发经济性的重要手段,目前的产量预测研究很少能在物理模型与数据挖掘方法之间达到统一.针对页岩油气的产量分析,本研究深入结合误差反向传递（BP）神经网络和长短期记忆（LSTM）神经网络的数学方法优势,综合考虑工程经验模型的约束,改善了模型预测精度,经过实例数据训练后可较好地预测油田产量,并研究了页岩储层深度、总有机碳含量（TOC）、脆性度等油田参数对产量预测的影响规律.这项工作可以为页岩油气规模化开发提供可靠的产量预测和经济评价.     

面板数据分位数回归模型求解的模式搜索法

本文应用最优化理论,对固定效应的面板数据分位数回归模型,提出一种模式搜索方法,此方法可以同时估计出所有分位点处的解释变量系数和所有个体的固定效应值。进一步利用蒙特卡洛模拟比较现有文献中涉及的面板数据分位数回归方法,结果显示无论误差项是否满足经典假设,模式搜索分位数回归法较之其他分位数回归估计方法更为有效.     

基于RVM模型的国内游客流量预测研究——以海南为例

引入RVM对海南旅游景区接待国内游客流量进行预测,并利用2011年1月至2016年12月海南交通行业数据和相应的网络搜索数据构建模型的输入集.12个月的预测结果表明,与基准模型相比,RVM具有更优异的预测性能,证实了模型在旅游需求预测领域的有效性.     

搜索引擎综合评价模型研究

首先给出了搜索引擎评价指标体系及计算公式 ,然后讨论了各指标权重的确定方法 ,在此基础上 ,利用多目标决策理论建立起搜索引擎综合评价数学模型 ,并通过具体实例说明了模型的使用     

基于机器学习的Airbnb房源价格预测及影响因素研究——以北京市为例

Airbnb是全球最大的旅游房屋租赁平台之一。本文综合利用多种机器学习方法,基于房源本身的特征、房源的位置、设施与服务、租赁规则、房东的特征和房源的声誉这六类解释变量对北京市Airbnb房源价格进行了预测,并探讨了六类解释变量对房源价格的影响。发现：(a)六类变量中房源本身的特征对房源价格的影响最大。(b)非线性方法的表现明显优于线性方法。(c)与以往研究发现的Airbnb房源价格与允许即时预定呈负相关关系相反,北京市允许即时预订的房源价格高于不允许即时预订的房源。(d)房源容量、房间类型以及房源与市中心的距离是最重要的影响因素。本文为Airbnb房源定价研究提供了新的视角,同时有利于Airbnb房东更好地为其房源设置价格,作者从理论和实践的角度作出了可能的解释。     

基于多层次映射和遗传策略的语义Web搜索方法

随着语义Web概念的提出及相关技术的发展,基于语义的Web信息检索逐渐成为语义Web研究的热点.首先分析了传统的Web搜索面临的诸多挑战,然后设计了一种新的基于遗传语义搜索算法和和多层次映射的Web搜索方法.该方法充分结合遗传算法并行搜索方式,能扩大搜索空间,快速实现全局优化.实验结果表明该算法能有效提高Web搜索的质量和效率.     

基于GA_XGBoost模型的大学生科研能力预测问题研究

科学评价大学生科研创新能力对我国科研水平的提高具有重要意义.采用机器学习模型来预测大学生科研能力可以起到良好的效果,提出一种GAXGBoost模型来实现对大学生的科研能力预测.此模型是以Xgboost算法为基础,然后充分利用遗传算法的全局搜索能力自动搜索Xgboost最优超参数,避免了人为经验调参不准确的缺陷,最后采用精英选择策略以此确保每一轮都是最佳的进化结果.通过分析表明,所采用的GAXGBoost模型在大学生科研能力预测的结果中具有很高的精度,将此模型与Logistic Regression、Random Forest、SVM等模型进行对比,GAXGBoost模型的预测精度最高.     

基于支持向量机的大豆产量预测研究

应用支持向量机(SVM)的算法进行中国大豆产量的预测研究,用1991-2008年中国大豆数据组成样本集,建立影响因素与大豆产量之间的SVM模型.利用SVM对输入和输出数据进行训练学习,逼近历史数据所隐含的函数关系,完成对新数据序列的映射关系,从而完成对未来年份大豆的预测,并与其它几种方法的预测效果进行比较.结果表明,SVM预测模型预测大豆产量的精度优于其它预测方法.     

基于限制玻尔兹曼机的极限学习机方法

针对高维数据中存在冗余以及极限学习机(ELM)存在随机给定权值导致算法性能不稳定等问题,将限制玻尔兹曼机(RBM)与ELM相结合提出了基于限制玻尔兹曼机优化的极限学习机算法(RBM-ELM).通过限制玻尔兹曼机对原始数据进行特征降维的同时,得到ELM输入层权值和隐含层偏置的优化参数.实验结果表明,相比较随机森林,逻辑回归,支持向量机和极限学习机四种机器学习算法,RBM-ELM算法能获得较高的分类精度.     

基于海量网站日志数据的房地产需求指数研究

网络日志数据作为亿万消费者的意图数据库,为研究消费者需求波动提供了有效的量化指标,研究以北京市二手房为例,首先构建网站浏览日志数据与房地产成交量的关联模型,根据用户购房意图对网站进行分类,以不同类型房产网站的浏览次数(PV)、用户数(UV)等数据衡量购房者的关注及需求波动,构建房产成交量的先行、一致和滞后指数并对其关系进行检验,构建的房产指数是对现有指标体系的补充,为房地产开发商、普通购房者、政府相关管理部门提供决策指导和参考依据.     

基于神经网络的股票预测模型

针对股票市场的特征提取困难、预测精度较低等问题,本文基于深度学习算法,构建了一系列用于股票市场预测的神经网络模型,包括基于多层感知机(MLP)、卷积神经网络(CNN)、递归神经网络(RNN)、长短期记忆网络(LSTM)和门控神经单元(GRU)的模型。 针对RNN、LSTM和GRU无法充分利用所参考的时间维度的信息,引入注意力机制(Attention Mechanism) 给各时间维度的信息赋予不同权重,区分不同信息对预测的重要程度,从而提升递归网络模型的性能。上述模型均基于股票数据进行了优化,基于上证指数对各类模型进行了充分的对比实验,探索了模型中重要变量对性能的影响,旨在为基于神经网络的股票预测模型给出具体的优化方向。