基于重要点与灰色GM(1,1)模型的时间序列分段算法

重要点分段法主要利用局部极值点进行划分,可以将时间序列分割成若干个相对较短但不重叠的子序列.该方法在进行序列划分时,能够既保留全局特征,又保持局部性质,是时间序列分段常用的方法之一.文章采用重要点分割法将序列分割成子序列,之后采用灰色GM(1,1)模型对各个子序列进行拟合.实验证明,基于灰色GM(1,1)模型与重要点的时间序列分段算法能够以更少的拟合误差,实现序列的压缩.     

研究生对医学统计学课程思政的认知调查与分析——以福建医科大学为例

医学统计学是医学院最重要的基础课程之一，其课程思政处在不断摸索阶段。了解研究生对医学统计学课程思政的态度、认知度和建议，有助于该课程更好地融入思政元素，对贯彻落实课程思政具有重要意义。笔者对533名研究生开展了调查研究，发现67.7%(361人)的研究生支持医学统计学课程思政，77.3%(354人)了解课程思政，但仍有提升空间。因此，为了提高医学统计学课程教学和课程思政的效果，需要加强不同院系间和不同授课教师间经验交流，同时，需要制定适合不同类型研究生的思政推广计划。医学统计学教学手段应注重灵活运用案例分享的教学模式，结合多样化教学方式；应结合医学统计学课程的特点，充分挖掘课程思政元素。     

GM(1,1)模型背景值的优化

背景值是影响GM(1,1)模型精度的关键因素之一。当前背景值优化的改进模型均取得较好的效果,但优化后的背景值公式多数比较繁琐,并且部分优化模型不适用于高增长型序列。本文根据模型的指数性质以及积分特点,分析背景值的构造原理,利用黎曼积分的核心思想,提出以不规则梯形面积取代传统梯形面积构造法,对传统GM(1,1)模型背景值进行优化。通过实验验证了新模型具有白指数律重合性,不仅适用于低增长指数序列,亦适用于高增长指数序列,并且优化公式简单,具有较高的实用性与可靠性。