结合灰度预测特征与CNNs的信息服务体育成绩预测

针对大数据体育成绩预测存在精度较低的缺陷,提出一种结合灰度预测特征与CNNs的体育成绩预测算法.通过等维动态GOM模型提取灰度特征,并构建CNNs模型完成对体育成绩时间序列的回归与预测.以百米赛跑体育成绩为研究目标,完成了体育达标人数预测和体育成绩预测两个对比实验.结果表明,等维动态GOM模型以及相应的CNNs模型分别在达标人数和成绩预测中获得了最优的预测结果.提出的算法显著优于传统算法,分别在平均精度和极端数据中获得了更好的预测结果.     

并行式时空二维融合路段交通量预测

提出了一种基于支持向量机(SVM)的并行式时空二维融合路段交通量预测方法,对时间SVM和空间SVM分别在两个并行的操作系统模型中进行,以此降低时间成本.并将时间维SVM预测、空间维SVM预测与基于SVM的数据时空二维线性融合预测结果进行了对比,通过对比表明,时空二维线性融合预测的误差很明显比其它两种方法预测的结果误差要小得多,因此本文提出的时空二维融合可大大的提高预测精度.尤其是当有突发因素(如:交通事故发生)时,本文所提出的方法可在很大程度上避免一维时间源数据融合的结构性系统误差.     

灰色理论在达标预测中的应用

根据灰色理论可以将学生达标率视为灰色系统．利用有限的达标数据,按灰色预测方法,对数值进行初值化和一次累加生成等处理,建立灰色预测模型群,即ＧＭ（１,１）模型．利用该模型群对学生每年的达标情况进行预测和精度检验,获得了较为满意的结果．     

GP-MaxEnt模型的蛋白质二级结构预测

针对单序列蛋白质二级结构预测问题,提出了一种基于高斯先验最大熵(GP-MaxEnt)模型的预测方法.该方法根据氨基酸的构象偏好进行特征构造,利用改进迭代缩放算法(ⅡS)训练高斯先验最大熵模型.使用CB513数据集对GP-MaxEnt模型进行了测试分析.试验表明,该方法简单有效,能够获得较好的预测精度.     

基于CNNs的两次训练融合的分类方法

该文基于卷积神经网络（CNNs）模型，提出一种模型融合的图像分类方法，将原图像经过图像增强和数据标准化后获得的数据作为原始数据，将原始数据取反后作为映射数据，分别使用原始数据和映射数据训练CNNs模型，通过融合训练后的两组CNNs模型获得改进的CNNs模型。通过假设、验证、理论推导步骤证明了该方法在简单模型上的有效性，进而推广到更复杂的卷积神经网络模型。实验结果表明，改进的CNNs模型与原始CNNs模型分类精度对比，在CIFAR-10和CIFAR-100数据集上分别提升了1%和3%，有效提升了模型的分类精度。     

基于特征工程的XGboost风速短期预测

为了解决现有风速预测模型精度不足以及数据利用度不高的问题,实现更高精度更快速度的风速短期预测,提出了一种基于特征工程的极限梯度提升算法(eXtreme Gradient boosting, XGboost)风速预测模型。XGboost算法是一种boosting集成学习算法,具有精度高速度快的特点。所提方法通过提取风速序列的5个统计特征,并与原始风速序列进行结合获得新的模型训练输入集,从而实现数据的充分利用,并采用XGboost算法对新输入集进行风速预测,提高了模型的预测精度。以江阴市某风电场实测风速数据进行预测,预测结果表明：基于时间-特征序列的XGboost风速预测模型具有精确的预测结果与快速的训练速度,与长短期记忆网络(long short-term memory,LSTM)、门控循环单元（gated recurrent unit,GRU)、卷积神经网络-长短期记忆网络（convolutional neural networkslong short-term memory,CNN-LSTM)及轻梯度提升机（light gradient boosting machine,LightG...     

基于VMD-PSO-SVR模型的短期负荷预测

准确的短期负荷预测结果可以为电网内机组的调度提供基础,制定出合理的调度方案,从而提高电网运行效率。作者提出了短期电力负荷预测的VMD-PSO-SVR组合模型。首先,对原始负荷数据进行预处理,组合各类特征构建负荷数据集,利用VMD对负荷数据集进行分解,降低数据的非光滑性;其次,利用SVR算法对分解后的每个IMF分量进行单独预测,并使用PSO算法对SVR算法的超参数进行优化,提高SVR算法的预测精度;最后,对所有IMF分量所对应的预测结果进行叠加处理,从而获得最终预测结果。实验结果表明,该模型MAPE为1.55%,RMSE为38.56 MW,优于其他预测模型。     

等维灰数递补MGM(1,n)模型在商品住宅价格趋势预测中的应用

主要探讨了在商品住宅价格趋势预测中更为适用、精确的一种方法--等维灰数递补MGM(1,n)模型即基于多变量灰色模型的等维灰数递补动态模型.针对该模型选取XX市历年商品住宅均价及相关指标数据作为样本,对其进行了严格的验证,等维灰数递补动态模型的引入使得多变量灰色模型的预测精度得到了不断的提高,该方法在经济预测中具有很好的实用价值.     

基于等维灰数递补模型法的路面使用性能预测方法

考虑到目前国内路面使用性能预测方法存在主观性强、综合性差的不足,选取路面损坏状况指数(Pavement Condition Index, PCI)作为分析指标,分别比较了路面性能衰变PPI模型、常规GM(1,1)模型以及等维灰数递补模型的路面使用性能预测方法对PCI指标的预测效果。结果表明,3种模型的预测精度均能满足一级精度。其中,等维灰数递补模型预测结果的后验差比值最小,预测的稳定性和精确度最好,更适用于路面使用性能的预测。     

旋转机械运行状态优化组合模型变权重RBF预测方法

针对现有各种非平稳非线性特征旋转机械运行状态预测方法适用性差、精度不高的难点问题,提出一种旋转机械运行状态优化组合模型变权重RBF预测方法,该方法通过对单一预测模型进行优选,对输入样本进行加权处理,采用径向基神经网络进行变权重组合模型动态建模,从而充分利用了已知的有效信息,强调了新旧信息对设备未来运行状态发展产生的不同影响.经实测数据验证,获得了比单一预测模型及定权重RBF组合预测方法精度更高的预测结果.该方法程序实现简便,预测精度高,对预测问题的适用性广.     

基于SVM的高校考研预测模型研究

选择适合的特征子集和预测算法用于考研结果或考研成绩预测,在机器学习领域中受到研究者的青睐.影响报考决策和考研结果的因素很多,虽然采用小样本或者范围较大的特征子集,可以获得精度较高的预测结果,但较难保证预测模型的实用性和泛化能力.论文提出一种基于SVM的高校考研预测模型,该模型面向高校所有理工科本科生,以高考成绩和在校原始成绩作为特征子集,并构造三种样本集,分别采用内积核函数、径向基核函数和多项式核函数训练SVM模型.通过与Logistics算法、kNN算法进行训练建模对比测试后,发现本文的预测模型在考研报考决策场景下,具有较高的适应能力和稳定性,对学校鼓励考研和学生制定考研决策具有较高的实用性.     

计及数据降维和数据清洗的超短期风电功率预测

现代通讯和测量技术飞速发展,“风电大数据”时代随之而来。在众多数据维度中提取有效的特征量能提高风电功率预测精度。Shap值可以解释特征变量对预测结果的影响程度,文中应用基于Shap的归因分析模型梳理出对风电功率影响较大的6维特征变量。将其与风电功率数据同时导入基于LOF-ARIMA的异常数据识别模型,从而对风电功率预测过程中所使用的历史数据加以清洗。最终根据VMD-PSO-BiLSTM分解模型完成风电功率超短期预测,实践表明可以显著提高风电功率预测精度。     

基于交互式多模型算法的无人车车辆跟踪预测技术

针对无人车车辆路口通行中动态目标的跟踪预测,分析比较基于SICK与Velodyne两种激光雷达数据的车辆提取方法,参照Velodyne的提取方法,提出合适的激光雷达布局对路口环境中的动态障碍物(主要是车辆、行人)信息进行了提取.选取交互式多模型(IMM)算法对动态目标运动趋势进行预测,并对IMM算法进行优化,提出将局部路径规划的三次曲率多项式算法抽象为路径规划模型,作为IMM算法的滤波模型以替代常规的车辆运动模型作为滤波模型.验证实验结果表明基于路径规划模型的IMM算法在无人车车辆运动趋势的预测上具有更好的超前性与更高的预测精度.     

基于时空融合的多头注意力车辆轨迹预测

针对时空维度特征影响自动驾驶车辆轨迹精度的问题，提出基于时空融合的多头注意力（TSMHA）车辆轨迹预测模型，对于空间与时间2个维度的特征信息，分别使用多头注意力机制提取车辆空间交互感知与时间运动模式.为了获得互补特征，并除去特征数据中的冗余，将处理后的时空特征信息传输至门控特征融合模型进行特征融合.使用基于长短期记忆(LSTM)的编解码器结构，考虑编码与解码2个过程中轨迹之间潜在的相互作用，循环生成目标车辆未来预测轨迹.在训练过程中使用L2损失函数，以此降低预测轨迹与真实轨迹的差值.实验表明，与对比算法模型相比，在直线高速公路、城市十字路口、环岛场景下，本研究所提出的模型的精度分别提高了3.95%、 15.64%、31.40%.     

基于遗传算法和支持向量机模型的高考成绩预测

为了提高支持向量机算法(SVM)预测的精度,使用遗传算法(GA)优化SVM模型参数,建立GA-SVM高考成绩预测模型。使用贵州省某高中高三理科学生4次模考成绩和高考成绩数据进行验证,与BP神经网络算法、多元线性回归、SVM模型比较,GA-SVM模型预测高考成绩的精度有明显提高,可为高考复习方向提供参考。     

光电跟踪系统的预测控制研究

目的解决光电跟踪系统中由于时间延迟所带来的量测误差,提高光电跟踪系统的跟踪精度.方法使用折扣最小二乘方法预测40ms延迟所造成的跟踪误差,提出自适应变折扣预测算法.结果仿真结果表明改进的预测算法具有更好的补偿效果.带有预测算法的最优控制律能够获得较好的跟踪结果.结论自适应变折扣预测算法能够大幅度降低光电跟踪系统的跟踪误差,并保证预测过程的动态性能和稳态性能.     

基于网格服务的Nu-支持向量回归时间序列预测

利用计算网格实现高效率、低误差的时间序列预测,对科研、工商业等各个领域都具有重要的现实意义.使用Nu-支持向量回归方法建模时间序列预测问题;提出了数据集预处理方法,将原始时间序列转换成标准化的标记样本集;为了优化预测模型的参数,基于并行化和粒度控制提出两阶段搜索策略.在网格计算环境内设计了系统框架,以网格服务的动态组合实现时间序列预测.使用基准数据集对系统化预测方案进行性能测试,优化结果表明本方案能够针对特定数据集自适应的完成模型参数优化,且显著加速了优化过程.预测结果显示优化后的模型针对未知样本能获得较高的预测精度.     

利用子波基函数神经网络进行预测

提出了一种利用子波基函数神经网络对自动控制系统进行预测的新方法。子波基函数神经网络利用局部获得信息完成函数映射,从实验数据中提取时频特征,基于以前观察获得的数据来预测未来的输出结果。在这篇论文中,我们提出了一种实现子波基函数神经网络的结构和算法,并给出了一个时间序列预测的例子评价子波基函数神经网络预测的性能。     

单个正弦波下二维线性预测谱估计方法的改进

针对二维复正弦信号,提出了一种简单的线性预测的谱估计改进算法.其思想是利用可分离二维信号的性质,把单个二维复正弦信号分解成2个一维复正弦信号之积,然后分别对2个一维信号进行谱估计.其间对一雏线性预测误差滤波器系数进行适当修正,这样可得到较高分辨率和稳定性的正弦信号的谱估计结果.大量仿真结果表明,简单的修正可使二维信号功率谱第1峰更加尖锐,第2峰值比未修正前要小10～15dB.     

基于ikPCA-FABAS-KELM的短期风电功率预测

为了增强在短期风电功率预测领域中传统数据驱动机器学习模型的精度,提出基于ikPCA-FABAS-KELM的短期风电功率预测模型.首先,对主成分分析进行改进,提出可逆核主成分分析(ikPCA),在保证数据特征的同时,降低输入数据的复杂度,以提升模型运行速度;其次,引入萤火虫个体吸引策略对天牛须算法(BAS)进行改进,提出FABAS算法;最后,利用FABAS算法对核极限学习机(KELM)的正则化参数C和核参数γ进行寻优,降低人为因素对模型盲目训练的影响,提高模型预测精度.仿真结果显示,提出的预测模型有效提高了传统模型的预测精度.