用聚类回归模型预测粮食产量

在实际预测粮食产量的增长时,我们采用一元线性回归模型和较复杂的门限自回归模型均没有取得令人满意的结果。〔1〕中提出的聚类回归模型却给出了很好的结果,同时也保持了一元线性回归那样求解的简明性。下面详细介绍了这一模型的求解及预测方法,并与一元线性回归模型的相应结果进行比较,指出了两者的优缺点。     

用一元线性回归预测电网负荷

介绍了用一元线性回归模型预测地区电网负荷的设计相思，分析了系统的软件设计特点，并给出了应用结论。     

适用于线性回归和逻辑回归的场景分析

针对机器学习领域中两种常用的预测与分类算法,线性回归和逻辑回归,比较适用于两者的应用场景。基于python sklearn中的糖尿病数据集,采用两种算法建立三个不同模型,即一元线性模型、多元线性模型、逻辑回归模型对同一目标值进行预测并得出预测准确率进行比较。结果表明,在数据集各自变量呈离散分布并与因变量间缺少良好线性关系的情况下,使用线性回归方法所获得的准确率低于使用逻辑回归算法所获得的准确值。     

《计量经济学》课程中若干问题明晰

《计量经济学》课程是我国高等学校经济学类各专业八门共同核心课程之一,《计量经济学》方法的应用也向纵深发展。就该门课程中有关假设检验、一元回归与多元回归的区别以及利用时间序列数据建立回归模型应该注意的问题等进行梳理,以期为在这些问题上比较模糊的学习者提供一个理解的思路。     

《计量经济学》课程中若干问题明晰

《计量经济学》课程是我国高等学校经济学类各专业八门共同核心课程之一,《计量经济学》方法的应用也向纵深发展。就该门课程中有关假设检验、一元回归与多元回归的区别以及利用时间序列数据建立回归模型应该注意的问题等进行梳理．以期为在这些问题上比较模糊的学习者提供一个理解的思路。     

径向基函数网络在近红外光谱纸浆卡伯值测量的应用

为了提高制浆过程中的在线预测纸浆卡伯值的精度,提出采用径向基函数网络来建立纸浆卡伯值近红外光谱法在线测量模型。结果表明,这种算法由于既考虑到了近红外光谱响应的非线性因素,又可防止BP网络在建模时出现训练速度慢、容易陷入局部最小和“过拟合”的现象,利用这种网络建立的纸浆卡伯值测量模型与一元回归、多元回归、主成分回归等线性方法和BP算法相比,具有更高的预测精度。     

基于相关性分析的瓦斯灾害选择集成预测模型

针对瓦斯灾害危险性预测中预测性能低的问题，对一种基于矿井内瓦斯浓度与环境因素相关性分析的瓦斯灾害选择集成预测方法进行了研究。首先，分析实验数据中样本属性与瓦斯浓度的相关性，并根据相关性分析结果进行属性约简得到新的数据集；其次，训练基学习器并应用优化集成前序选择方法建立选择集成回归学习模型；最后，将模型应用于瓦斯灾害预测。实验结果表明，基于相关性分析的选择集成回归学习模型对瓦斯灾害危险性的识别率比未进行相关性分析的四个基学习器平均提高了24%，比未进行相关性分析的选择集成回归学习模型提高了7.6%。     

人工神经网络在回归分析中的应用

讨论了人工神经网络用于一元和多元回归分析以及为改善神经网络性能而引入的函数连接，根据文中的实例和我们的实践表明，人工神经网络可用于回归分析。     

基于灰色预测理论的测量仪器校准周期的确定

介绍了灰色预测理论在确定测量仪器校准周期中的应用。为了更精确地确定仪器在校准过程中的校准时间间隔，利用灰色模型对测量仪器的性能指标进行建模，得出仪器性能的变化趋势，为达到更高的预测精度，利用残差的一元非线性回归模型对模型进行了修正。最后以电压源Agilent66103A的输出电压为例，通过对其输出误差的建模来预测输出误差超出设定阈值的时刻，从而确定了仪器需进行校准的时间间隔。     

基于回归算法与多层次分布式智能决策支持系统的设计

讨论了多元线性回归模型及其在区域经济中的应用.在研究一元线性回归模型、未知参数的估计及参数的检验的基础上,详细的讨论了多元线性回归模型、未知参数的估计及其参数的检验问题.重点以某地区国民生产总值数据资料为例介绍多元线性回归算法在区域经济中的应用,可以对区域经济进行很好的计算和预测.     

基于LabVIEW的多元线性回归数据处理系统

多元线性回归分析是一种重要的数据处理方法,借助图形化的虚拟仪器开发平台LabVIEW可开发出集数据剔错、模型构建、统计检验、区间估计与预测等功能为一体的多元线性回归的可视化数据处理系统。系统构建方法新颖和稳健,通用性和适应性强,可方便地与数据采集整合使用,又可单独应用,具有广泛应用价值。文章对系统的构建与设计作了阐述,给出了主要的实现程序。     

Least absolute deviations for uncertain multivariate regression model

ABSTRACT

Multivariate regression analysis studies relationships between more than one response variables and predictor variables. Traditionally, observation values are assumed to be precise numbers while in many life-like situations data are collected in an imprecise way and contain some outliers inevitably. Characterizing imprecise observations as uncertain variables, this paper gives a novel least absolute deviations estimator for the unknown parameter in uncertain multivariate regression model, which is more robust to outliers compared with the least-squares estimator and more suitable in life-like situations. In addition, residual analysis, prediction values and prediction intervals for response variables with new imprecise predictor variables are presented. Finally, numerical examples and simulation with real traffic data illustrate the robustness of our method with outliers in imprecise observations.     

油田产量多变量预测模型的优化

油田开发是一个复杂的多变量非线性动力学系统,为有效地预测油田产量,确保油田生产过程高产稳产,该文提出采用多元线性回归与神经网络相结合的方法对油田产量多变量预测模型进行优化。首先基于回归分析的“后退法”对影响产量的变量进行优选,然后通过神经网络对优选后的变量进行训练得到最终的预测模型,从而实现神经网络与多元线性回归相结合建立多变量预测模型。实际应用结果表明,优化后的模型简洁实用,可以在一定程度上提高模型的预测精度,并减少建模预测所需数据量。     

基于多元线性自回归模型的流量预测

为使流量预测模型具有自适应性和相关性,以时间点为基础进行建模,结合时间序列与流量序列,引入多元线性自回归(AR)思想进行参数估算,对多次估算所得参数值建立指数加权移动平均数模型进行二次估算,在此基础上,建立多元线性自回归模型。实验结果证明,与AR模型、ARMA模型相比,基于多元线性AR模型的预测结果更准确。     

基于MapReduce的多元线性回归预测模型

针对传统的多元线性回归预测方法处理时间长且受内存限制的特点,对时序样本数据设计了基于MapReduce的并行多元线性回归预测模型。模型由三组MapReduce过程组成,分别求解由历史数据所构成叉积矩阵的特征向量和标准正交特征向量,用来预测未来参数的特征值和特征向量矩阵和未来时刻回归参数的估计量。设计并实现了实验来验证提出的并行多元线性回归预测模型的有效性。实验结果表明,基于MapReduce的多元线性回归预测模型具有较好的加速比和可扩展性,适合于大规模时序数据的分析和预测。     

国民经济指标的有效因素约简预测模型

提出指标有效因素约简预测模型，是通过综合运用相关分析、主成分分析与线性回归预测方法，以最少的经济指标变星，反映最大信息量的算法模型。基于该模型开发的经济预测系统应用在有关经济部门的实际工作中，其准确性、有效性和优越性得到了证明。     

Prediction of multivariate chaotic time series with local polynomial fitting

To improve the prediction accuracy of complex multivariate chaotic time series, a novel scheme formed on the basis of multivariate local polynomial fitting with the optimal kernel function is proposed. According to Takens Theorem, a chaotic time series is reconstructed into vector data, multivariate local polynomial regression is used to fit the predicted complex chaotic system, then the regression model parameters with the least squares method based on embedding dimensions are estimated,and the prediction value is calculated. To evaluate the results, the proposed multivariate chaotic time series predictor based on multivariate local polynomial model is compared with a univariate predictor with the same numerical data. The simulation results obtained by the Lorenz system show that the prediction mean squares error of the multivariate predictor is much smaller than the univariate one, and is much better than the existing three methods. Even if the last half of the training data are used in the multivariate predictor, the prediction mean squares error is smaller than that of the univariate predictor.     

数据缺失条件下基于启发式构元的多元回归分析方法

传统的多元回归分析方法可以对缺失数据进行预测填补,但它在构造回归方程时存在自变量形式较为固定、单一等不足。为此,提出一种基于启发式构元的多元回归分析方法,通过贪婪算法找出现有变量的优化组合形式,选取若干新构变量进行回归分析,从而得到更好的拟合优度。通过对案例中小麦茎秆机械强度缺失数据信息进行仿真计算和评估,证实了方法的有效性。算例结果表明该方法运用在缺失数据预测中拥有较好的精准性。     

Functional k-means inverse regression

A new dimension reduction method is proposed for functional multivariate regression with a multivariate response and a functional predictor by extending the functional sliced inverse regression model. Naive application of existing dimension reduction techniques for univariate response will create too many hyper-rectangular slices. To avoid this curse of dimensionality, a new slicing method is proposed by clustering over the space of the multivariate response, which generates a much smaller set of slices of flexible shapes. The proposed method can be applied to any number of response variables and can be particularly useful for exploratory analysis. In addition, a new eigenvalue-based method for determining the dimensionality of the reduced space is developed. Real and simulation data examples are then presented to demonstrate the effectiveness of the proposed method.     

类黄酮化合物抑制恶性疟原虫的预测模型

建立预测类黄酮化合物抑制恶性疟原虫株活性定量的模型,并确定影响类黄酮化合物活性的主要因素。本文选用了38个结构不同的类黄酮化合物作为数据集,采用多元线性同归法及主成分分析法分析每个化合物的220个分子参数,建立最优的预测模型。比较用不同方法建立的模型,结果发现带logP参数的向后筛选法为最优方法,所建模型统计结果良好(训练集相关系数R~2=0.81,标准训练误差SEE=0.27),模型代入检验集数据时结果也令人满意(检验集相关系数R~2=0.83,标准检验误差SEP=0.39),可靠性和预测性较强。脂水分配系数的对数logP为模型重要影响参数。建模和确定影响因素有助于筛选新型类黄酮抗疟疾药物和研发。