基于大项集组的互联网用户兴趣建模

为解决互联网用户兴趣模型在实际应用中存在的数据稀疏度和用户多兴趣问题,文章提出了基于大项集组的用户兴趣建模方法,将项目和用户评价之间的映射关系转化为项目属性和用户评价之间的映射关系来解决稀疏度问题,并采用高阶大项集组来描述用户的多兴趣问题.最后通过网络爬虫在豆瓣网上采集用户对电影的评分数据对建模方法进行了初步实验验证.结果显示,这种基于项目属性大项集组的用户兴趣推荐方法,和现有的推荐方法相比,能够有效地降低目标用户和推荐知识之间的差异度.     

基于模糊向量的专家权重确定方法

在群组多准则决策过程中,各专家的综合权重不仅与其可信度有关,还应该与该专家在实际评价中和其他专家评价值的一致性有关.文章首先定义了模糊向量的相似度和加权相似度,并基于此相似度提出了一种综合考虑专家意见一致性和可信度的专家权重确定方法,最后给出一种基于相似度的理想法群决策方法.     

基于相似度的动态直觉模糊多属性决策方法

针对属性值以直觉模糊数形式给出的动态多属性决策问题,文章首先根据直觉模糊集的自身特点构造记分函数,由新的记分函数确定动态决策问题的全局最优属性值序列,同时引入相似度概念,构造直觉模糊集之间的相似度模型,利用所建模型计算各时段属性值序列与最优属性值序列之间的相似度,对各方案在各时段的相似度值加权集成并排序.最后周实例验证了该方法的实用性与可行性.     

基于聚类组合和支持向量机的环境经济负荷调度模型

文章提出了一种基于聚类组合和支持向量机的短期负荷预测方法.该方法首先使用SOM网络训练规格化的特征数据并获得初始聚类中心;然后将初始聚类中心作为C-均值算法的输入,使用DB指数评价聚类结果以获得最佳聚类数,通过训练可得到相似日样本;最后选择合适的参数和核函数构造支持向量机模型来进行逐点负荷预测.     

基于相似度的犹豫模糊语言多属性决策方法

文章针对带置信区间的犹豫模糊语言多属性决策问题,提出了一种基于相似度的决策方法.首先,介绍了语言术语集及相似度向量,提出了带置信区间的犹豫模糊语言集的概念.其次,研究了带置信区间的犹豫模糊语言集的相似度测度,并结合Topsis的思想,给出了决策方法的具体步骤.最后,通过实例验证了该方法的合理性和可行性.     

基于区间数相似度的企业运营绩效评价指标体系构建

文章以企业的运营绩效为研究对象,提出基于区间测度的企业运营绩效TOPSIS评价方法,这种方法极大地改善了绩效评价指标不能量化的缺陷,避免了评价结果主观性强的弊端.在企业运营绩效管理因素重要性分析中,采用熵权法确定了指标权值;提出区间数相似度测度公式用于计算区间向量与正负理想解的相似度,给出基于区间数相似度测度的TOPSIS评价方法,以实现企业运营绩效的优劣判别.     

基于三角形相似的Delta灰色关联度研究

文章以三角形相似的精确数学定义为基础,在两个三角形不满足三角形相似的精确数学定义的情况下,提出了度量三角形相似程度的计算公式;然后,通过添加辅助线,把序列对应的折线转化为一系列有公共边的三角形,以提出的三角形相似度公式为基础,构造出了度量两序列相似的灰色关联度公式,称为Delta灰色关联度,并研究了它的一些性质,给出了计算过程.     

WWW数据模型及预送技术

随着Internet技术的飞速发展,www以其多媒体的传输及良好的交互性而倍受青睐.虽然近几年来网络速度得到了很大的提高,但是由于接入Internet的用户数量剧增以及Web服务和网络固有的延迟,使得网络越来越拥挤,用户的服务质量(QoS)得不到很好的保证.预取技术的基础是预测算法.数据挖掘是从大量的数据中采掘出隐含的、先前未知的、对决策有潜在价值的知识和规则的一种技术.我们可以根据用户访问的历史数据和当前访问的数据、利用数据挖掘技术来预测用户将来的可能行为,从而为用户预取一些Web页面.用户缓冲器中的数据可以作为数据挖掘时的历史数据.     

《统计与决策》期刊文献规模的探测

以中国知网中"统计与决策"期刊1985-2015年中文献的关键词为分析对象,构建"文档-关键词"矩阵,通过lda模型和余弦相似度计算期刊年度中话题的相似情况,对年度文档进行聚类;构建主题和年度文档二分图网络并对其进行投影,通过社团分割和介数中心性计算核心年度文档和核心主题以及其对应的关键词.文章克服了共词网络分析法对同名异意,异名同意的问题,实现自动挖掘科技文献主题.     

国内区块链研究主题挖掘、热点分析及趋势探究

以去中心化为典型特征的区块链彻底颠覆了传统中心化思想,有望重塑人类社会的运行方式,成为未来科技创新的焦点。近年来,围绕区块链的研究成果不断涌现,对现有文献进行主题挖掘和数据分析可以发现当前的研究焦点和未来的研究趋势。以中国知网期刊数据库区块链相关文献为研究对象,采用系统聚类方法对915篇精选文献进行聚类,形成21类研究主题。为解读主题内涵,计算1 974个关键词对21类主题的信息增益,选取各主题中信息增益前10位的关键词对主题内涵进行解析,并根据主题相关性构建包含基础层、功能层、应用层三个层面21个类别的区块链研究框架。通过对文献进行时间序列分析,构造区块链研究四象限矩阵,并将21类主题划分为初始探索主题、当前热点主题、未来趋势主题和成熟稳定主题。研究结果表明:从区块链研究的三个层面看,区块链基础性研究和应用性研究均衡发展,区块链功能性研究相对薄弱,有待加强;从具体主题看,"去中心化""比特币"主题的研究已相对成熟,热度有所减退;"智能合约""共识机制""金融创新"等主题是当前研究的热点;"信息安全""人工智能""金融科技与监管""身份认证"等主题是未来研究的趋势;"联盟链""数字货币"等11类主题处于初始探索期,其后续的演化依赖于社会现实需求和技术支撑程度。     

多变量混沌时间序列的最小二乘支持向量机预测

文章根据多变量混沌时间序列的相空间重构理论,建立了多变量时间序列的最小二乘支持向量机预测模型.通过Lorenz系统和中国股市的股票价格序列对该模型进行了验证,结果表明该预测模型能精确地预测混沌时间序列,并且优于基于单变量时间序列的最小二乘支持向量机预测模型.     

小波包与贝叶斯LS-SVM在石油价格预测中的应用

掌握国际石油价格变化趋势,可以为决策者提供决策依据.文章提出了基于小渡包和贝叶斯推断的最小二乘支持向量机石油价格预测方案.对石油价格时间序列进行小渡包分解与重构,采用贝叶斯推断对得到的各近似序列和各细节序列进行最小二乘支持向量机模型参数优化,再分别利用优化了的模型进行预测,合成得到最终预测结果.对美国纽约商品交易所原油价格进行仿真实验,结果表明该方法很好地改善了石油价格预测模型的运行速度与预测精度.     

金融时间序列混合智能预测模型及实证研究

文章针对金融时间序列变化复杂、难以用单一智能方法进行有效预测的问题,提出了一种新的基于经验模式分解、支持向量回归和粒子群优化的混合智能预测模型.经验模式分解能将非平稳时间序列按其内在的时间特征尺度自适应地分解为多个基本模式分量,根据这些分量各自趋势变化的剧烈程度选择不同的核函数进行支持向量回归预测,最后通过粒子群优化算法对各预测分量进行加权组合,得到原始序列的准确预测值.证券市场实证研究表明该模型可以准确预测金融时间序列.     

基于支持向量机的降水量混沌时间序列预测

本文针对降水量时间序列的混沌性,根据混沌动力系统的相空间延迟坐标重构理论,基于支持向量机优越的非线性拟合性能,建立了基于支持向量机的降水量混沌时间序列预测模型。由于降水量时间序列的特殊性,本文采用均方根误差为标准来选取最优嵌入维数和模型参数,并结合实例验证该模型能精确地预测降水量。同时,这一结论也预示着支持向量机是一种研究混沌时间序列的有效方法。     

一种改进的近似非齐次指数增长离散灰色预测方法

近似非齐次指数增长离散灰色模型DGM(1,1)解决了原模型的固有偏差问题,但在解决现实中有阶跃扰动、大波动变化的初始序列的时候预测结果依然存在明显的偏差.文章在近似非齐次指数增长离散灰色模型中引入残差,构建偏差修正序列,并以其为初始序列重构预测模型,分情况对预测结果进行修正.通过算例进行比较分析,验证了改进模型的精确性和实用性.     

基于犹豫梯形模糊数相似度的多属性决策方法

文章针对梯形模糊数提出了一种新的形式简单且有效的相似度的度量方法.结合犹豫模糊集的运算法则,构建了属性值为犹豫梯形模糊数的相似度公式研究了基于犹豫梯形模糊数相似度的多属性决策方法.     

网页浏览中的标度行为研究

文章给出了用户上网的时间间隔分布以及用户群体访问单个网站的时间间隔分布.统计结果显示,人们访问Intemet的时间间隔分布具有幂律标度,但与最近报道的标度指数为1的普适类不一样的是,不同个体对应的标度指数明显不同.事实上,我们发现,不管是群体用户访问单个站点,还是单个用户浏览网页,其时间间隔分布都符合幂指数介于2到3之间的幂律分布.本研究的统计结果对目前盛行的普适类说提出了疑问,网页浏览的时间间隔分布是否存在普适类,如果存在普适类,那么幂指数到底是多少?搞清楚这几点对于深入认识人类动力学的潜在机制有借鉴意义.     

基于Minnesota共轭先验分布的贝叶斯VAR(P)预测模型

时间序列向量自回归模型 (VectorAutoregressionMod el,简称为VAR模型 )最初由美国学者Litterman、Sargent和Sims等人在 2 0世纪 80年代初提出来的 ,主要用于替代联立方程 (Simultaneousequations)结构模型 ,提高经济预测的准确性。用联立方程模型研究宏观经济问题 ,是当前世界     

带权Bernstein基的对偶泛函在时序相似性度量中的应用

提出了带权Bernstein基的对偶泛函的离散形式,并用于逼近时间序列,将基函数的控制向量作为时间序列的特征向量,达到压缩数据的目的。根据时间序列的凸包个数解决了对偶泛函的定阶问题,用时间序列的特征向量提出了基于极大似然比的相似性检验统计量,并给出相似系数的计算公式。最后通过正交变换得到相互无关的控制点特征向量,据此可以实现多个时间序列的相似性比较、聚类分析等。模拟数值试验证明,该方法能有效压缩数据,计算精度高,可实现不等长度的时间序列数据的相似性比较,体现了大数据挖掘的特点。     

LS-SVM的一种参数优选方法及混沌时间序列预测

支持向量机是一种新型的学习方法,该方法以结构风险最小化原则取代传统机器学习中的经验风险最小化原则,在小样本的机器学习中显示出了优异的性能.文章提出适当的验证性能指标用遗传算法优化最小二乘支持向量机的有关参数,并进行时间序列预测.通过对混沌时间序列的预测及和神经网络预测的比较证明,该模型的预测精确度是令人满意的,文中提出的方法是可行的.