仿EM的多变量缺失数据填补算法及其在信用评估中的应用

数据缺失会显著降低信用评估模型的准确性和可用性,尤其是多变量同时有数据缺失时。本文针对模型应用阶段的多变量数据缺失问题,提出了一种新的数据填补算法。该算法由两阶段构成：准备阶段和数据填补阶段。在准备阶段,算法基于朴素贝叶斯方法以初始数据集进行训练,对每个可能缺失的变量构建起相应的单变量预测估计模型;而数据填补阶段则借鉴了EM算法的思想,利用前期的单变量预测估计模型,对给定的多变量数据缺失样本进行交替迭代,逐步填补更新。理论证明,该算法具有单调收敛性。以人人贷数据集和UCI提供的德国和澳大利亚两个信用评估基准数据集为例,将其与众数填补法、EM填补法进行性能对比实验,结果表明本文方法的数据还原性能和填补后信用评估准确性都明显更优。这为解决信用评估时的数据多变量缺失问题提供了一种更好的处理方法。     

基于GM(1,1)模型的Kano质量要素分类动态预测方法

针对目前缺乏对Kano模型质量要素的分类结果进行动态预测研究的问题,结合灰色系统理论在处理不规则数据方面的优势,提出基于GM(1,1)模型的Kano质量要素分类动态预测方法。针对传统Kano模型分类结果过于主观的缺点,设计模糊Kano模型实现质量要素的客观化分类;结合GM(1,1)模型能处理少数据、贫信息,具有高预测精度的优点,利用GM(1,1)模型研究Kano质量要素分类动态预测问题;最后通过在快递业的实证验证模型的可行性和有效性。     

GM(1,1)模型时间响应函数的最优化

GM(1,1)是灰色系统理论的核心内容之一。本文利用"最小二乘法"确定GM(1,1)白化权函数的时间响应函数中的常数C,从而构建了GM(1,1)的时间响应函数的最优模型。经大量的数据模拟和与GM(1,1)对比,发现优化的GM(1,1)模型的模拟精度和预测精度均较高。     

提高灰色GM(1,1)模型精度的微粒群方法

改变背景值插值系数和边值是提高灰色GM(1,1)模型精度的途径之一。对于满足灰色GM(1,1)建模条件的序列,利用微粒群算法,给出了通过优化背景值插值系数和边值提高灰色GM(1,1)精度的新方法。给出了计算实例。计算表明,应用此方法可以提高灰色GM(1,1)模型的精度。     

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。     

基于ARMA新息模型辨识的工序质量诊断方法

本文基于辨识 ARMA新息模型生成估计残差序列 ,再对残差序列的平均值和无偏方差进行假设检验 ,可实现工序质量的异常诊断。仿真实例说明了该方法的有效性     

基于组合插值的GM(1,1)模型预测方法的改进与应用

从理论上分析了GM(1,1)模型中的背景值,提出组合插值的思想,利用分段线性插值函数与Newton插值公式结合的方法构造一类新的灰色预测模型CIGM(1,1),改进背景值的构造方法,克服现有的灰色改进模型的不足,为提高预测精度提供了新的途径。最后以2008年江苏省工业用电量数据为例,用本文提出的方法进行预测仿真,理论分析和应用实例表明了本文所提方法的有效性。     

基于二次插值的GM(1,1)模型预测方法的改进

从理论上分析了GM(1,1)模型中背景值的计算,指出文[11]利用Newton-Cotes公式构造模型背景值的方法是不可靠的,提出用二次插值构造模型中的背景值,同时用最小二乘法对预测公式中的初值进行改进,并用改进的方法进行了短期预测.其理论分析及仿真结果均表明本文所提出的方法有效可靠,为提高预测精度提供了新的途径.     

基于驱动因素控制的线性时变参数DLDGM(1,N)模型

针对传统GM(1,N)模型未考虑参数随时间变化的动态特征及未明确驱动因素作用机制的问题,首先引入线性时变参数以及驱动因素控制函数,构建基于驱动因素控制的线性时变参数DLDGM(1,N)模型,论证DGM(1,1)、NDGM(1,1)、TDGM(1,1)、DGM(1,N)、DCDGM(1,N)模型均是该模型在不同参数取值下的特殊形式;然后基于白化信息充分和匮乏的两种情况,给出驱动因素控制参数的识别方法;最后应用所提模型对河南省粮食产量进行预测,验证模型的有效性和实用性。     

高质量发展视角下广东省“十四五”物流需求量预测研究——基于GM(1,N)灰色模型

广东省作为我国粤港澳大湾区核心省份,是重要的经济大省和物流大省,探究“十四五”期间广东省物流需求量发展规律,有利于促进物流业和经济高质量发展。以铁路、公路、水运货运量作为物流需求量的主体,以2009—2019年广东省地区生产总值、社会消费品零售总额、进出口总额及货物周转量作为主要影响因子,运用GM(1,N)灰色模型,对该阶段广东省货运量进行了模拟预测。进行残差检验及后验差检验等均显示预测精度非常高,模型的预测精度为I级（优）;运用GM(1,N)灰色模型得到2021—2025年广东省“十四五”货运量预测值。“十四五”期间,广东省物流需求量呈现持续增长态势。     

非等间距GM(1,1)模型背景值的优化

基于背景值是影响灰色建模精度的重要因素之一,本文对非等间距GM(1,1)模型中的背景值构造进行了研究,根据灰色模型的指数特性和积分特点,利用非齐次指数函数来拟合一次累加生成序列,提出了一种重构非等间距GM(1,1)模型背景值的方法。实例表明利用优化的背景值计算公式建立的非等间距GM(1,1)模型显著地改善了模拟和预测精度。该背景值不仅适合于非等间距建模,也适合于等间距建模,具有精度高、适用性强的特点。     

无偏GM(1,1)幂模型其及应用

基于GM(1,1)幂模型的模拟误差分析,本文提出了无偏GM(1,1)幂模型及其参数优化方法.从理论上证明了无偏GM(1,1)幂模型对传统GM(1,1)幂模型及其本身的时间响应函数所表达的曲线进行模拟和预测具有重合性,其参数优化方法可以准确识别原始数据所蕴含的参数特性,完全消除了GM(1,1)幂模型自身固有的偏差.其建模过程避免了传统方法由差分方程向微分方程的跳跃导致的误差,应用范围覆盖了无偏GM(1,1)模型和离散灰色模型.数值模拟和实例分析表明,无偏GM(1,1)幂模型使得传统模型的模拟与预测精度得到了显著的改善.     

基于遗传算法优化的GM（1，1）能源预测模型研究

能源消费预测是制订能源规划的重要组成部分.鉴于能源消费系统的复杂性和非线性的特征,本文结合某省能源消费的历史数据,用灰色系统理论建立了GM(1,1)预测模型,并对其优缺点进行了分析,在此基础上引入遗传算法,对该灰色预测模型参数进行优化,从而获得更为精确的能源预测模型和预测值.实例的预测结果表明,该模型可以作为能源消费预测的有效工具.     

基于初始条件优化的GM(1,1）幂模型及其应用

针对GM(1,1)幂模型幂指数和初始条件优化问题,提出了一种基于初始条件和幂指数协同优化的方法。根据新信息优先原理,通过引入权重信息控制函数优化初始条件,表现新旧信息在初始条件构建中作用大小的变化规律,最大限度提取小样本序列中的有效信息,反应新旧信息共同对系统趋势变化的影响;以平均相对误差最小化为目标,参数间约束关系作为条件,构建非线性优化模型,实现GM(1,1)幂模型的幂指数和初始条件协同优化。最后,通过我国网络购物用户规模预测实例研究表明,优化的模型实现模型平均相对误差在理论上的最小化,其建模效果要优于其他对比模型,并将其用于2016-2020年网购用户规模预测,表明本文模型的实用性和有效性。     

Model Uncertainty and Bayesian Model Averaged Benchmark Dose Estimation for Continuous Data

The benchmark dose (BMD) approach has gained acceptance as a valuable risk assessment tool, but risk assessors still face significant challenges associated with selecting an appropriate BMD/BMDL estimate from the results of a set of acceptable dose‐response models. Current approaches do not explicitly address model uncertainty, and there is an existing need to more fully inform health risk assessors in this regard. In this study, a Bayesian model averaging (BMA) BMD estimation method taking model uncertainty into account is proposed as an alternative to current BMD estimation approaches for continuous data. Using the “hybrid” method proposed by Crump, two strategies of BMA, including both “maximum likelihood estimation based” and “Markov Chain Monte Carlo based” methods, are first applied as a demonstration to calculate model averaged BMD estimates from real continuous dose‐response data. The outcomes from the example data sets examined suggest that the BMA BMD estimates have higher reliability than the estimates from the individual models with highest posterior weight in terms of higher BMDL and smaller 90th percentile intervals. In addition, a simulation study is performed to evaluate the accuracy of the BMA BMD estimator. The results from the simulation study recommend that the BMA BMD estimates have smaller bias than the BMDs selected using other criteria. To further validate the BMA method, some technical issues, including the selection of models and the use of bootstrap methods for BMDL derivation, need further investigation over a more extensive, representative set of dose‐response data.     

The Impact of Estimation: A New Method for Clustering and Trajectory Estimation in Patient Flow Modeling

The ability to accurately forecast and control inpatient census, and thereby workloads, is a critical and long‐standing problem in hospital management. The majority of current literature focuses on optimal scheduling of inpatients, but largely ignores the process of accurate estimation of the trajectory of patients throughout the treatment and recovery process. The result is that current scheduling models are optimizing based on inaccurate input data. We developed a Clustering and Scheduling Integrated (CSI) approach to capture patient flows through a network of hospital services. CSI functions by clustering patients into groups based on similarity of trajectory using a novel semi‐Markov model (SMM)‐based clustering scheme, as opposed to clustering by patient attributes as in previous literature. Our methodology is validated by simulation and then applied to real patient data from a partner hospital where we demonstrate that it outperforms a suite of well‐established clustering methods. Furthermore, we demonstrate that extant optimization methods achieve significantly better results on key hospital performance measures under CSI, compared with traditional estimation approaches, increasing elective admissions by 97% and utilization by 22% compared to 30% and 8% using traditional estimation techniques. From a theoretical standpoint, the SMM‐clustering is a novel approach applicable to any temporal‐spatial stochastic data that is prevalent in many industries and application areas.     

Model Selection and Estimation with Quantal‐Response Data in Benchmark Risk Assessment

This article describes several approaches for estimating the benchmark dose (BMD) in a risk assessment study with quantal dose‐response data and when there are competing model classes for the dose‐response function. Strategies involving a two‐step approach, a model‐averaging approach, a focused‐inference approach, and a nonparametric approach based on a PAVA‐based estimator of the dose‐response function are described and compared. Attention is raised to the perils involved in data “double‐dipping” and the need to adjust for the model‐selection stage in the estimation procedure. Simulation results are presented comparing the performance of five model selectors and eight BMD estimators. An illustration using a real quantal‐response data set from a carcinogenecity study is provided.