基于SVM的国防科研院所自主创新能力预测模型

在基于自主创新的过程与结果互为转化的基础上,将指标分为动态参数层和静态参数层,每个层又细分为要素组和指标集合,从而构建了多层次的指标评估体系。在该体系中引入支持向量机（SVM,Support Vector Machine）方法建立系统的评价预测模型,将获取的科研院所指标集分为训练样本集和检验样本集,经过训练样本集训练,检验样本集进行检验后,即可对输入的指标集进行其自主创新能力预测。     

基于随机森林的循环水养殖氨氮预测模型研究

分析和建立深井海水工厂化循环水氨氮含量与养殖对象的数量、均重、饲料投喂量之间的非线性关系。利用离差归一化方法对样本数据进行预处理,并利用Bootstrap方法随机有放回采样生成多个训练集;提出一种基于随机森林回归算法的集成式机器学习方法构建预测模型,对养殖水体中的氨氮含量进行预测,并与支持向量机回归和最小二乘线性回归模型进行对比分析。通过5折交叉验证和8折交叉验证实验表明,以均方根误差和平均绝对误差作为评价指标,以绝对均值误差作为评价函数,所提方法的绝对均值误差为0.135 5,与最小二乘线性回归、支持向量机回归方法进行比较,其误差分别减少62.66%和39.85%。所提方法在进行小样本预测应用中具有较高的预测精度及泛化能力,可为海水工厂化循环水养殖水体中氨氮含量精准预测提供理论依据和参数支持。     

基于支持向量机的中长期电力负荷预测研究与应用

采用一种新的机器学习方法——支持向量机,建立了中长期电力负荷预测模型.阐述了支持向量机的基本内容,对影响电力负荷诸多因素的样本集进行了标准化处理和主因素分析(PCA).采用Libsvm训练了数据集,并与灰色预测GM(1,1)模型、多元线性回归模型、模糊ISODATA聚类模型和BP神经网络进行对比.结果表明,此算法有更高的准确性,可为电力负荷预测提供有效依据.     

神经网络模型在上市公司财务困境预测中的应用

选取有效分析指标,建立神经网络预测模型,对中国上市公司的财务困境进行预测,研究结果表明该模型预测精度较高,可以作为投资者和证券分析人员使用的一种有效预测工具.     

基于单变量分析的我国上市公司两阶段财务预警模型实证研究——以纺织行业为例

我国现有的财务预警研究大部分仅限于对上市公司是否会陷入ST来建立预测模型,缺少对公司陷入ST后财务状况预测的进一步研究。应着眼于为上市公司的外部信息使用者建立ST前和ST后两阶段的预测模型,即把正常公司是否会转为ST公司作为模型预测的第一阶段,把ST公司是否会暂停上市作为模型预测的第二阶段,可选取包括现金流量指标在内的五种财务指标,以纺织行业为例进行分行业的实证研究,建立纺织行业两阶段的单变量预测模型。研究结果表明这些模型在两个阶段都达到了较好的预测效果。     

基于BP神经网络软粘土循环强度研究

以软粘土动三轴试验结果作为样本集，以静应力、循环应力和确定位移破坏标准下的循环破坏振次作为输入层，建立基于BP神经网络软粘土循环强度的预测模型．通过循环扭剪试验结果对模型进行检验．结果表明，该模型稳定性良好，其稳定性不受试验应力状态的影响，可以用来预测一般应力状态下软粘土循环强度，预测精度满足岩土工程的要求．     

居民主观幸福感及其影响因素研究——基于多种预测模型

本文利用2013年CGSS调查数据,通过对国内外主观幸福感的文献综述研究,综合考量主观幸福感的影响因素及其特征,主要是收入因素、宏观社会经济变量和个体特征变量,建立了多种模型,通过对全部数据、训练集、测试集等模型比较验证,并利用评价指标综合考虑,得出随机森林在分类模型中对居民主观幸福感进行预测较为合理且准确.根据模型结果,文章从收入因素、收入差距、社会环境等角度提出了相应的建议.     

基于熵权TOPSIS法的短时交通流预测模型性能综合评价

对于同一路段,在不同评价指标下,不同短时交通流预测模型的预测及效果评价结果往往存在差异,为从不同模型中寻求最适用于目标路段的预测模型,提出了一种基于熵权TOPSIS法的短时交通流预测模型性能综合评价模型。模型运用熵权法确定各评价指标的权重,然后依据确定的权重,选用TOPSIS法计算有限个评价对象与最优向量的贴近度,根据贴近度大小,对各模型预测性能进行排序,从而确定最适用于当前研究的预测模型。最后,以实际交通流数据为例,选用神经网络等5种模型,分别对路段未来时刻短时交通流进行预测,利用构建的综合评价模型,对各预测模型的预测性能进行综合评判。结果表明:在综合考虑均方根误差等7个评价指标的情况下,XGBoost的预测效果较好,LightGBM次之,然后依次为Catboost、线性回归以及神经网络。     

基于EEMD-PSR-CS-SVR组合方法的PM2.5浓度预测模型研究

为了解决具有非线性特征的未来24小时PM2.5浓度预测难题,将集合经验模态分解(ensemble empirical mode decomposition, EEMD)和相空间重构(phase space reconstruction, PSR)技术与布谷鸟算法优化的支持向量机(CS-SVR)模型结合起来,建立EEMD-PSR-CS-SVR组合预测模型。采用EEMD将PM2.5浓度时间序列分解为n个不同尺度的IMF子序列及余项,然后对各子序列进行相空间重构,再用重构后数据对支持向量机预测模型进行训练并得到未来24小时PM2.5浓度的预测结果,在其中采用布谷鸟算法对支持向量机参数进行优化。实验结果显示：建立EEMD-PSR-CS-SVR组合预测模型对PM2.5浓度的预测结果,相对于单一预测模型(ARIMA、LSTM、BP)、不同的模态分解方法(EMD-PSR、CEEMD-PSR),以及不同参数优化算法的SVR预测模型等具有显著提高的预测精度(R,RMSE, MAE, MAPE等评价指标),为未来24小时PM2.5浓度预测研究提供了一种新的方法。     

基于模型预测控制的电动车辆换挡策略研究

基于模型预测控制框架,提出了一种考虑未来工况变化趋势的智能换挡策略。建立循环神经网络,以过去一段时间工况为输入,对未来5 s的车速序列进行预测。以训练好的神经网络作为模型预测控制的预测模型。采用动态规划方法构建基准策略,并作为模型预测换挡策略的滚动优化部分,建立了模型预测换挡策略。构建了基于C-WTVC的复合工况并仿真。设计了双参数经济性换挡规律作为对照。结果表明:模型预测换挡策略可以节约能源消耗,降低换挡频率。     

基于BP神经网络的农户小额信贷信用风险评估研究

利用2009年杨凌区三家农村信用社的实地调研资料进行了农户小额信贷信用风险评估的实证研究,对指标变量分别进行正态性检验、差异性检验和多重共线性检验,利用MATLAB7.0软件建立了8—14—1结构的BP神经网络农户信用风险评估模型。模型对训练集样本的总体判别正确率为100%,对测试集样本违约类农户的预测正确率达90%,总体正确率达84.09%。准确度较高,能够为农村信用社识别农户信用风险提供较好的依据。     

科技指标预测方法研究--以广州市R&D经费投入预测为例

随着我国科技创新步伐的日益加快,不论是科技管理者还是研究者,都希望尽快获得能够监测、评价或制定科技计划与政策的关键指标的预测信息。本文以广州市R&D经费投入为例,研究科技指标的预测方法,建立了广州市R&D经费内部支出的年度增长率预测模型、时间序列法预测模型、相关关系法预测模型、分执行部门预测模型,以及以上预测模型的组合预测模型。根据两个年度的预测结果显示,本文的方法具有可行性和推广价值。     

灰色模型在西安住宅市场预测中的应用及市场分析

在简要介绍灰色模型尤其是GM(1,1)模型的同时,利用西安市1999~2003年的住宅销售总量数据,建立了西安住宅销售总量预测模型。经模型检验,该模型合格。利用该模型对2004~2007年西安住宅销售总量进行了预测。最后在预测的基础上,对开发商及政府管理提出了几点建议。     

地区现代化水平BP人工神经网络评价方法初探

本文首先分析了现代化的动态发展的内涵,再结合相关理论、原则建立评价指标体系。之后选取31个地区作为样本对建立的BP人工神经网络进行训练。最后以安徽省为例进行实证研究,以期待对我国地区现代化评价提供有益的参考。     

基于邻域粗糙集神经网络的审计意见预测模型研究

审计意见类型及其预测结果受到企业各利益相关方的高度关注.同时选用财务指标和非财务指标为变量,构建了基于邻域粗糙集神经网络的审计意见预测模型.将领域粗糙集作为BP神经网络的前置系统,在保持分类能力不变的前提下进行指标约简,提取关键指标,再将约简的指标体系作为神经网络模型的输入变量.以2013-2015年沪深A股176家公司数据作为研究样本,采用三种模型进行审计意见预测对比分析,结果表明:本模型预测准确率达到97.06％,与单纯利用神经网络建模或单纯利用财务指标建模的预测效果相比具有更好的预测效果.     

一种改进的灰色BP神经网络光伏出力预测方法

光伏出力的准确预测对于光伏发电系统的大规模应用具有重要意义。针对光伏出力预测描述自然规律困难及传统灰色模型预测精度不高等问题,提出了一种基于改进的灰色BP神经网络光伏出力预测方法。利用模糊c均值聚类(FCM)的方法将数据分类,选择与预测日最为接近的一类作为样本,利用灰色GM(1,1)预测模型得到预测数据。将灰色模型预测结果与相对应的日最高、最低温度作为BP神经网络的输入,以对应的实测数据为输出训练得到最终的预测模型。采用江苏某光伏电站的实测数据验证,结果表明该模型在预测精度上有一定的提升。     

基于PCA-BP神经网络的审计风险识别研究

审计风险的识别和评估是现代风险导向审计的重要内容,为准确地识别审计风险,提出了一种基于PCA-BP神经网络的审计风险识别模型。选取33项指标建立风险识别指标体系,使用PCA方法对训练集数据进行降维处理,将特征值大于1的主成分作为神经网络的输入向量,构造PCA-BP神经网络。选用124家A股上市公司作为研究样本进行实证研究。结果表明:模型平均识别准确率达到90.04%,高于传统BP神经网络模型,计算速度快、识别率高和适用范围广,能有效识别审计风险。     

森工企业可持续经营能力预测模型——基于神经网络和数据挖掘技术

森工企业作为具有双重任务的经济组织,它的可持续经营是建立在森林资源与企业经济发展双持续的基础上的,其可持续经营能力受到社会各界的关注。为了提高森工企业可持续经营能力预测的准确性,本文运用神经网络和数据挖掘技术,提取可持续增长率、非可持续增长率以及生产要素指标等作为分析变量,建立森工企业可持续经营能力的预测模型。通过采用部分初始样本进行模型实验仿真,说明运用该模型方法对森工企业的持续经营能力预测具有可行性和有效性。     

基于CNN-BiLSTM的施工初期盾构机掘进速度预测

对盾构机掘进速度的预测可有效指导设备施工和工程的顺利进行。在隧道施工初期数据量较少时，针对掘进速度难以预测的问题，采用迁移学习策略建立盾构机掘进速度预测模型。提出了以TPI、FPI、SE、C 4种混合指标对盾构施工进行聚类分级和判别，降低设备参数和地质信息差异对迁移模型的影响。依托南京长江隧道工程和芜湖过江隧道工程的现场掘进参数进行验证。结果表明，以当前时刻掘进参数作为模型输入，下一时刻掘进速度作为模型输出，建立的基于CNN-BiLSTM的预测模型，可有效提取掘进参数特征，实现掘进速度预测，其预测值可以很好地反映实测数据的变化趋势；与其他3种智能模型对比，该模型在MAE和RMSE上表现最优，验证了模型的优越性和有效性。基于CNN-BiLSTM的预测模型，可有效解决施工初期数据量较少情况下掘进速度预测问题。     

改进样本加权K近邻分类器用于垃圾网页检测

针对垃圾网页检测过程中的"维数灾难"和不平衡分类问题,提出一种融合最优Fisher特征选择的样本加权K近邻分类器用于垃圾网页检测。首先,针对训练数据集进行Fisher特征选择,按Fisher Score从大到小排序,依次选择Fisher Score更大的特征对训练数据集进行样本加权的K近邻分类,根据训练数据集分类结果的AUC值是否增加以确定是否保留某个特征,最后基于保留的最优特征子集对测试数据集进行样本加权的K近邻分类。在WEBSPAM UK-2006数据集上的实验表明:该方法明显优于决策树、支持向量机、朴素贝叶斯、K近邻等传统分类器。与其他相关方法相比,该方法在准确率、F1测度和AUC指标上接近最优结果。