基于离群特征模式的股市波动预测模型

由于股票价格波动具有较强的突变性且易受外界因素影响,导致股票价格走势难以预测。提出基于离群特征模式的股市波动预测模型（SFSVM）。该算法首先利用马尔可夫毯选取目标结点的局部网络结构,以屏蔽其他结点对目标结点的影响;对目标结点的指标进行分析,提取异于一般行为的离群特征模式;利用滑动窗口捕捉离群特征,将离群特征模式作为先验知识加入原SVM模型,预测尖峰点并平滑尖峰点对于预测结果的影响,提高预测模型的稳健性。在股票板块数据上进行实验结果证明,SFSVM算法相对于神经网络和标准的SVM算法,在股票的走势预测方面有更好的预测效果。     

深度计算的同辈群体股市态势预测算法*

针对同辈群体的同辈群体算法(PG)的不足,提出深度计算的同辈群体生成算法.首先计算目标股票和候选股票之间的波段相似性,然后通过对亲密度、相关性和活跃度的深度计算,生成目标股票的同辈群体,并证明深度计算生成的同辈群体质量优于PG算法.针对PG算法不具有预测功能,通过结合自回归(AR)模型与同辈群体算法,提出基于同辈群体的自回归股价态势预测算法(DPG-AR).DPG-AR利用深度计算生成同辈群体,实现同辈群体权重的动态更新,并利用AR模型预测目标股票态势.上海证券综合指数及对应个股的对比实验证明DPG-AR的优越性.     

K线能量计算的股市生命期态势预测方法*

股市中K线特征是股价涨跌的因果信息,基于支持向量机（SVM）的股价预测模型没有考虑K线特征知识,对于股价态势难以有效预测。本文提出基于K线能量计算的股市生命期支持向量机态势预测算法（LPF-SVM）。首先,提取典型K线特征,通过引入特征的孕育成熟度和爆发力定义,给出K线特征支持向量机算法（KLF-SVM）;进而,在KLF-SVM算法基础上定义特征的能量计算模型,给出一种K线能量计算的SVM股价预测算法。为了有效地预测态势,引入股价波动的生命期概念,通过K线组合特征判定股价所处的生命期的阶段,进而结合生命期阶段之间的时序影响关系,给出一种基于生命期的股价态势预测算法。在上证和深证数据集上的实验结果表明,LPF-SVM算法对于股价上升波段和下跌波段的股价预测取得了很好的效果。     

基于改进遗传算法和图神经网络的股市波动预测方法

针对支持向量机（SVM）、长短期记忆（LSTM）网络等智能算法在股市波动预测过程中股票评价特征选择困难及时序关系维度特征缺失的问题,为能够准确预测股票波动、有效防范金融市场风险,提出了一种基于改进遗传算法（IGA）和图神经网络（GNN）的股市波动预测方法——IGA-GNN。首先,利用相邻交易日间的时序关系构建股市交易指标图数据;其次,通过评价指标特性优化交叉、变异概率来改进遗传算法（GA）,从而实现节点特征选择;然后,建立图数据的边与节点特征的权重矩阵;最后,运用GNN进行图数据节点的聚合与分类,实现了股市波动预测。在实验阶段,所研究的股票总评价指标数为130个,其中IGA在GNN方法下提取的有效评价指标87个,使指标数量降低了33.08%。应用所提IGA在智能算法中进行特征提取,得到的算法与未进行特征提取的智能算法相比,预测准确率整体提升了7.38个百分点;而与应用传统GA进行智能算法的特征提取相比,应用所提IGA进行智能算法的特征提取的总训练时间缩短了17.97%。其中,IGA-GNN方法的预测准确率最高,相较未进行特征提取的GNN方法的预测准确率整体提高了19.62个百分点;而该方法与用传统GA进行特征提取的GNN方法相比,训练时间平均缩短了15.97%。实验结果表明,所提方法可对股票特征进行有效提取,预测效果较好。     

特征背离和风险偏好分析的股价态势预测方法

由于股价走势与技术指标走势存在不一致性,基于技术特征的股价态势预测算法效果不佳。从特征背离角度提出了一种股价态势预测算法(Deviated Characterisitics Predict Algorithm,DCPA),该算法首先进行背离特征的提取,并计算特征的背离程度,然后根据特征的背离程度值和股票的收盘价利用BP网络进行股价态势预测。由于当市场风险偏好高时特征背离与股价态势之间相关性很弱,因此在DCPA算法的基础上提出了一种风险偏好的股价态势预测算法(Risk Preference Based Deviated Characterisitics predict Algorithm,RPDCA)。首先提取与风险偏好相关的特征,利用风险偏好计算模型获得当前的市场风险偏好类型;进而利用贝叶斯网络学习风险偏好、背离特征与股价走势之间的关系,并利用结点非对称信息熵分析风险偏好与背离特征之间的依赖关系;最后根据风险偏好与背离特征之间关系的变化,自适应性地利用BP网络预测股价态势。在实际数据上的实验比较与分析结果表明,RPDCA算法在股市短期预测中具有更高的预测精度。     

基于视觉传感器采集光流特征的精神疾病识别方法

目前,精神疾病的筛查主要依靠临床医生的访谈和问卷进行评估,具有高成本、主观性等问题。本文提出了一种基于视觉传感器采集光流特征的精神疾病识别方法,可以实时监测和预警,以较低的成本和非侵入性的方式来进行精神疾病的辅助筛查。该算法通过视觉传感器全面采集患者的面部数据来提取光流特征,输入TSMOSNet进行训练。TSMOSNet以TSM为基础网络进行改进,替换普通卷积为光流提取头,针对视觉传感器采集而来的光流特征图进行密集采样,并添加了时序注意力模块、DML蒸馏和VideoMix数据增强等方法,增强了视觉特征,以提高精神疾病识别的准确率。实验结果表明,在H7-BDSN数据集上相比于其他方法,本文提出的识别算法在精神疾病的筛查任务中取得了最好的效果,准确率为85%,F1分值为0.84。     

基于多尺度跳跃深度长短期记忆网络的短期多变量负荷预测

近年来,以循环神经网络（RNN）为主体构建的预测模型在短期电力负荷预测中取得了优越的性能。然而,由于RNN不能有效捕捉存在于短期电力负荷数据的多尺度时序特征,因而难以进一步提升负荷预测精度。为了捕获短期电力负荷数据中的多尺度时序特征,提出了一种基于多尺度跳跃深度长短期记忆（MSD-LSTM）网络的短期电力负荷预测模型。具体来说,以长短期记忆（LSTM）网络为主体构建预测模型能够较好地捕获长短期时序依赖,从而缓解时序过长时重要信息容易丢失的问题。进一步地,采用多层LSTM架构并且对各层设置不同的跳跃连接数,使得MSD-LSTM的每一层能够捕获不同时间尺度的特征。最后,引入全连接层把各层提取到的多尺度时序特征进行融合,再利用该融合特征进行短期电力负荷预测。实验结果表明,与单层LSTM和多层LSTM相比,MSD-LSTM的均方误差总体下降了10%。可见MSD-LSTM能够更好地提取短期负荷数据中的多尺度时序特征,从而提高短期电力负荷预测的精度。     

基于能量计算模型的贝叶斯网络股市态势预测算法

股市技术指标与股市走势之间存在不一致性,导致难以有效预测股市态势.文中通过对技术指标进行能量特性提取和特征融合,提出基于能量计算模型的贝叶斯网络股市态势预测算法.首先从能量角度提取技术指标蕴含的态势信息,给出技术指标能量计算模型及其概率分布,并分析技术指标能量分布的不一致性.然后利用贝叶斯网络对技术指标能量进行特征融合,引入分时状态特征能量,并融合技术指标能量,建立股市态势结构模型.最后基于股市态势与相关特征能量之间的条件概率函数,将能量约束关系引入到支持向量机中进行股市态势预测.选取上海证券综合指数3年的数据进行对比和分析,结果表明文中算法有效提升预测精度.     

机器学习在股票预测中的应用

使用股票的历史数据去预测股市,其忽略了市场波动中金融新闻和公众评论所造成的影响.结合历史数据和金融新闻和公众评论去预测股票时,如何准确、快速地从文本中挖掘出关键信息十分重要.基于深度学习的预测方法能更好地提取文本和股票数据的特征,特别是循环神经网络其能够捕获数据的时序特征.     

基于网络流跨层特征的深度入侵检测方法

随着当今社会迈入信息化时代,保护网络空间安全变得越来越重要。近年来,新型网络攻击方法频频出现,严重威胁着人们的财产安全和国家的信息安全。因此,基于异常的入侵检测系统以其检测未知攻击的能力得到了广泛的重视。但是大多数基于异常的入侵检测技术都仅局限于单个数据包头部特征以及一定大小窗口内的统计特征,很少有工作以流(Flow)为单位提取特征,也很少有工作利用载荷中包含的攻击信息。基于以上情况,论文提出了一种基于网络流跨层特征的深度入侵检测方法,它在特征提取阶段,首先将一系列数据包整合为一个流,然后利用特征统计提取头部特征,利用文本卷积神经网络提取载荷特征。之后,将两部分特征进行拼接后,使用梯度提升算法进行回归训练,建立预测模型。最后,使用大量实验评估了方法的有效性。     

Solaris环境下基于流机制的驱动程序和模块设计

文章以开发基于软件方式实现的安全产品为背景,要求在DLPI和IP之间插入一个模块,我们详细分析了Solaris的流机制,说明了流驱动程序和流模块的开发。     

基于P2P平台的流媒体技术

网络改变着我们得生活,越来越多的人都通过网络来观看电视节目,让人们有了更多的频道选择。在此基础上,各种基于P2P流媒体播放软件层出不穷,本文将着重介绍P2P流媒体技术,包括流媒体传输协议以及如何实时传送。最后简要介绍流媒体播放的实现架构。     

多媒体基准测试程序中的流并行性分析

在分析多媒体基准测试程序Mediabench特征的基础上,以Imagine流处理器为例讨论了流体系结构对多媒体应用所提供的软硬件支持,并且利用流编程模型对多媒体应用中存在的流并行性进行了详细的剖析,最后通过对3个典型的多媒体应用进行流并行程序设计,在Imagine的时钟精确模拟器Isim上测试得到了多媒体应用在流体系结构上可以获得的加速性能.     

数据流管理系统研究与进展

综述了数据流管理系统的研究现状及相关的技术,包括相关的基本概念的阐述、现有实验系统的回顾、流式查询中存在的问题及相关的解决方案,并就今后如何进行数据流管理系统的研究提出了一些新的看法。     

流体系结构和Imagine

随着芯片上晶体管的数目日益增多,微处理器体系结构设计人员面临新的问题。如:运算单元的芯片占有率低下、带宽成为瓶颈、功耗过高等等。针对这些问题,美国斯坦福大学的W.J.Dally等提出了一种新型的流体系结构,其原型芯片Imagine结构非常简单,但它的性能是令人惊奇的。本文以Imagine为原型介绍流的体系结构,剖析流处理过程,并详细分析流体系结构的特点。     

使用Stream复制实现Oracle读写分离

为了实现大量用户对数据库服务器的并发范围,可以采用读写分离的方式。本文主要讨论基于Oracle中的Stream复制来实现读写分离的功能。     

流媒体技术研究及其系统平台的设计与比较

传统Internet网络主要是以文本传输为基础而设计的，只能进行少量数据的有效传输，它的固有架构等特点使其难以实现大量的视／音频数据的有效传输。流媒体技术在多媒体信息传输方案、传送／接收系统机制、编码／解码机制和协议等方面与传统多媒体传输技术都有着很大的差别，能满足人们对多媒体视／音频信息的实时、高品质的传输要求，从而能提供更好的服务质量(QoS)。流媒体系统设计目前主要有两大研究方向：基于IP的流媒体系统和基于唧的流媒体系统；两者最终目的都是建立三网舍一的多媒体综合业务智能网络。     

基于XML无组件文件上传的实现

XML技术正在兴起，使用XML和ADO Stream对象技术，实现HTML页面上传文件，不但不引起页面转换，还可在无第三方组件支持和伺服下同时上传多个文件，并且程序是纯脚本写成的，可以很容易插入到其他代码中而不需要任何HTML对象的配合。     

校园流媒体视频点播规划与实施

本文介绍了流媒体点播系统的研究意义,分析了流媒体及视频点播技术的原理、传输方式、流媒体格式;针对一般学院架构校园流媒体视频点播系统提出方案并简述了如何配置流媒体系统,实现网络点播。     

Comparison of stream merging algorithms for media-on-demand

Stream merging is a technique for efficiently delivering popular media-on-demand using multicast and client buffers. Recently, several algorithms for stream merging have been proposed, and in this paper we perform a comprehensive comparison of these algorithms. We present the differences in philosophy and mechanics among the various algorithms and illustrate the tradeoffs between their system complexity and performance. We measure performance in total, maximum, and time-varying server bandwidth usage under different assumptions for the client request patterns. We also consider the effects on clients when the server has limited bandwidth. The result of this study is a deeper understanding of the system complexity and performance tradeoffs for the various algorithms.Amotz Bar-Noy: This work was done in part while the author was a member of the AT&T Labs-Research, Shannon Lab, Florham Park, NJ.Justin Goshi: Corresponding author. This work was done in part at AT&T Labs-Research, Shannon Lab, Florham Park, NJ.Richard E. Ladner: This work was done in part at AT&T Labs-Research, Shannon Lab, Florham Park, NJ and partially supported by NSF grants No. CCR-9732828 and CCR-0098012.A preliminary version of this paper appeared in Multimedia Computing and Networking 2002.