基于分片逆回归的小样本组合预测建模方法

针对在基于回归的小样本组合预测中,容易出现预测模型多于用于组合预测的样本数量,导致回归系数无法估计的问题,文章从信息重组的角度对组合预测建模方法进行了研究.首先采用三次样本插值对原始样本容量进行扩充,然后采用采用分片逆回归方法对扩充后的样本进行降维处理,并在此基础上构建基于回归的小样本组合预测模型.最后实例通过与常用组合预测方法结果的比较说明了该方法的可行性和有效性.     

三个方向网上的二元周期样条插值问题

三个方向网上的二元样条逼近问题强烈地吸引着许多中外学者的兴趣.C.K.Chui 和王仁宏在[1]中用光滑余因子方法讨论了二元样条函数空间的维数.沙震在[2]中用 B—网方法给出了二元三次样条的插值与逼近.其后,徐利治等在[6]中也讨论了类似问题.关于双周期的二元三次样条空间问题,H.G.Ter,Morsche 在[3]中曾对该空间的维数作过猜测,但未予证明.最近,肖绍良在[4]中给出了该空间维数的证明和一组 B 样条基底.本文采用 B—网方法,继续这方面的工作:(1)讨论了一类单周期二元三次样条空间的维数、存在性唯一性及逼近度.(2)给出了一类双周期二元三次样条的插值及其逼近度.     

关于α-拟 Hermite-Fejér 插值算子的逼近阶

本文讨论了以 Jacobi 多项式 P_n~(1/2,-(1/2))(x)的零点为节点组时的 a-拟 Hermite-Fejér,插值算子 S_(2n)(f,x)的点态通近阶.并进而证明对函数类 Hω而言,本文所得到的结果就阶而言是不可改进的.     

"数值分析"中的三次样条插值实践教学探讨

文章阐述了"数值分析"中的三次样条插值教学中加入实践教学环节的必要性,并通过具体实例介绍了作者在三次样条插值教学中进行了实践教学的尝试和探讨,旨在对今后的三次样条插值的教学起到一定的促进作用.     

面板数据插值的线性组合模型及其实证

针对面板数据插值问题,分别从截面数据和时间序列数据的角度,建立截面数据插值的克立格(Kriging)模型和时间序列数据插值的遗传神经网络(GABP)模型.在此基础上建立面板数据插值的线性组合模型,提出空间漂移度法确定组合插值模型的加权系数.对2007年福建部分市县人均GDP的插值的实证研究结果表明:面板数据的线性组合模型插值效果优于单项模型插值的效果.     

城镇地价的空间分布格局研究——以免渡河镇为例

基于地统计学方法及其相关理论,以免渡河为例,研究城镇地价的分布格局,并运用空间自相关和Kriging插值法分析方法进一步揭示了城镇地价的空间分异特征和空间集聚分布规律。本文数据源自免渡河镇2012年土地分等定级及基准地价更新。采用Moran’s I、Getis’G指数和地统计学中的半变异性方法对免渡河镇的商业和住宅地价的全局自相关与局域自相关及各项异性进行全面分析,并运用Kriging插值法与空间自相关对比分析,且均采用球状模型曲线得出:免渡河镇的地价在1700米的范围内均存在正相关及高聚集性,随着距离的增大,自相关性逐步减弱,地价的空间自相关在各个方向都不径相同,且在部分区域表现有异质性。在西北-东南方向地价的空间自相关范围要大于东北—西南方向,且随机性较强,如商业地价在此方向的的自相关变化程度较大。     

股指时问序列的分形插值模型与R／S分析

运用分形插值模型和R／s分析法研究股指时间序列的变化规律和结构特征,通过建立分形插值模型刻画上证综合指数在一定时间内的变化规律,并预测其在短期内的指数走势。使用R／S分析法和Hurst指数,分析了上证综指的结构特征,指出市场具有状态持续性和分形分布等统计特征。     

基于MatLab整体线性分形插值的研究

本文分析了整体线性分形插值原理,利用曲线上的有限个插值点,选取适当的垂直比例因子,可以近似地构造出原曲线,在此逼近计算的过程中,给出了一种易实现的分形插值误差计算方法,并基于MatLab说明了整体线性分形插值的实现过程。同时提出了粒子群优化算法寻最优垂直比例因子的可能性。最后讨论了分形插值中的一些问题及发展状况。     

南京市商品住宅价格空间分布研究

近年来,房地产业迅猛发展,商品住宅价格问题已成为社会各界和学者们关注的焦点问题。利用南京市2012年在售普通商品住宅交易均价数据,运用趋势面分析方法对南京市商品住宅价格空间变化趋势进行分析,采用克里格插值方法对房价进行空间估计从而分析房价的空间分布特征。研究结果表明:南京市2012年开盘在售的商品住宅项目在空间上呈现出整体分散和相对集中的特点,商品住宅价格以主城区为中心向四周递减,且房价变化幅度的区域差异明显,主城区房价衰减较快,而南京市西部房价比东部衰减速度快。     

高次插值的GM(1,1)模型预测方法的改进

文章分析了GM(1,1)模型改进方法,针对低次插值容易失真和增加插值节点会带来Runge现象的问题,提出一种使用高次插值构造背景值的方法,通过生成背景值节点的一阶导数值,构建高次插值多项式来逼近背景值函数,实现对背景值的重构,建立基于高次插值的GM(1,1)模型.最后分别对稳定型数据、波动型数据和缺失型数据进行实例验证.