基于卷积神经网络的中文财经新闻分类方法

针对目前财经领域内新闻数据杂乱无章、缺乏自动高效管理等问题,提出一种基于卷积神经网络的中文财经新闻分类方法。收集大规模财经新闻语料,通过无监督学习方法训练获得一个广义通用的财经类词向量模型,将词向量引入到卷积神经网络模型训练中实现有效分类。与传统方法相比,基于卷积神经网络的中文财经新闻分类方法网络模型结构简单,针对小样本集也能表现优异的性能,不仅能有效解决中文财经新闻分类问题,还可充分证明卷积神经网络在处理文本分类问题中的有效性。     

动态调整语义的词性加权多模态情感分析模型

为更好地利用单词词性包含的语义信息和伴随单词出现时的非自然语言上下文信息,提出动态调整语义的词性加权多模态情感分析（part of speech weighted multi-modal sentiment analysis model with dynamic semantics adjustment, PW-DS）模型．该模型以自然语言为主体,分别使用基于Transformer的双向编码器表示（bidirectional encoder representation from Transformers, BERT）模型、广义自回归预训练（generalized autoregressive pretraining for language understanding, XLNet）模型和一种鲁棒优化的BERT预训练（robustly optimized BERT pretraining approach, RoBERTa）模型为文本模态做词嵌入编码;创建动态调整语义模块将自然语言和非自然语言信息有效结合;设计词性加权模块,提取单词词性并赋权以优化情感判别．与张量融合网络和低秩多模态...     

基于BERT与密集复合网络的长文本语义匹配模型

针对长文本语义匹配中词向量前后之间联系不易捕获以及主题信息可能不唯一,通常使得语义匹配效果不佳的问题,提出了一种基于BERT与密集复合网络的长文本语义匹配方法,通过BERT嵌入与复合网络的密集连接,显著提高了长语义匹配的准确率。首先,将句子对输入BERT预训练模型,通过迭代反馈得到精准的词向量表示,进而得到高质量的句子对语义信息。其次,设计了一种密集复合网络,先由双向长短期记忆网络（Bi-LSTM）获得句子对的全局语义信息,然后由TextCNN提取并整合局部语义信息得到每个句子的关键特征和句子对间的对应关系,并将BERT与Bi-LSTM的隐藏输出与TextCNN的池化输出融合。最后,汇总训练过程中网络之间的关联状态,可以有效防止网络退化和增强模型判断能力。实验结果表明,在社区问题回答（CQA）长文本数据集上,本文方法平均提升幅度达到45%。     

市场情绪与市场收益

研究表明,市场情绪对市场收益具有显著的影响关系,而经典金融理论却没有考虑市场情绪。因此,基于传统资产定价模型的Alpha套利策略面临着新的挑战。迄今为止,我国对市场情绪的关注和研究很少,尤其是新闻情绪在国内尚未展开讨论。将投资者情绪和新闻情绪统称为市场情绪,分别对其涵义和测量进行系统梳理。结合最新研究成果对投资者情绪和新闻情绪在市场收益预测中的重要作用进行探讨并指出未来研究发展方向。     

改进的基于支持向量机的网络综合评价策略

针对现有移动网络性能综合评估方法中存在的问题，提出了在维度变换基础上的采用支持向量机的综合评价策略。首先对语义上相关的n个指标进行维度变换使之成为独立的n维，然后对变换后的数据用支持向量机建立回归模型。理论分析表明，这种方法既可克服反向传播(BP)神经网络方法在应用中存在的收敛于局部极小问题，也可避免主成分分析法引起的信息丢失问题。实验表明，用支持向量机的方法比用BP神经网络的方法过程更可控，预测误差更小，且样本评价值间的差异保持得更好。     

基于格兰杰因果与ARDL模型的高能耗产业用电量预测

为挖掘产业经济发展与电力大数据之间的耦合关系,构建高耗能产业用电量与多元经济指标数据之间的向量自回归(VAR)模型。通过使用格兰杰(Granger)因果关系检验的方法,提取对用电量预测有显著影响的产业经济指标数据,在此基础上建立考虑经济因素影响的高耗能产业用电量自回归分布滞后(ARDL)模型。以某地区2016—2020年产业用电和经济数据进行算例分析,结果表明：Granger因果关系检验可以有效地挖掘与细分产业用电量相关联的经济指标;将这些经济因素考虑到产业用电预测模型中,可以有效地提高模型的预测精度。     

基于TBA融合模型的股票指数预测

由于股票市场的波动性和复杂性特点，股指预测一直是金融预测研究中的难点．长短期记忆（long short-term memory, LSTM）网络模型常用于金融指数的预测中，但该模型在长时间序列上易导致数据信息利用不充分．利用双向长短期记忆（bidirectional LSTM, BiLSTM）网络模型、时间卷积网络（temporal convolutional network, TCN）和注意力机制协同提高了模型识别以及提炼长时间序列数据特征的能力，构建一种新型股指预测融合模型TCN-BiLSTM-attention（简称TBA模型）．以中国境内近30年的公开股指数据集为例，将TBA模型与目前金融类主流的机器学习、神经网络预测算法以及kaggle竞赛排行前列的模型在上证指数、沪深300指数与创业板指数进行预测对比和消融实验．结果显示，相较于对照实验组的平均预测误差，TBA模型有明显降低且表现稳定，兼具准确性与鲁棒性．研究结果可广泛用于基于时间序列的多种金融预测场景．     

基于WA-ABC-WLSSVR的南美白对虾工厂化育苗溶解氧预测模型

为解决传统方法水质预测精度低、鲁棒性差等问题,提出了基于小波分析(WA)、人工蜂群(ABC)优化加权最小二乘支持向量回归机(WLSSVR)的工厂化育苗溶解氧组合预测模型(WA-ABC-WLSSVR模型).该模型采用小波分析对原始非平稳溶解氧时间序列数据进行多尺度特征提取,通过加权最小二乘支持向量回归机对不同尺度下的溶解氧数据子序列分别建模,利用改进人工蜂群优化算法(ABC)对各分量序列WLSSVR模型参数进行组合优化,最后叠加各尺度下的预测结果.运用该模型对工厂化育苗溶解氧进行预测,并与BPNN、标准LSSVR、WAACO-LSSVR、WA-PSO-LSSVR等模型对比分析,结果表明,该溶解氧预测模型具有较高的预测精度和泛化能力.     

基于PSO-WSVR的短期水质预测模型研究

针对传统方法很难建立精确的非线性水质预测模型的情况,提出了基于粒子群优化加权支持向量回归机(PSO-WSVR)的水质短期预测模型.在建模过程中,根据各样本重要性的差异,给各个样本的惩罚系数赋予不同权重,改进了标准支持向量回归机算法,克服了标准支持向量回归算法因不同样本均采用相同权重造成预测精度低的问题,并采用粒子群优化算法对加权支持向量回归机参数组合进行自适应优化,模型收敛速度明显加快.运用PSO-WSVR模型对江苏宜兴市集约化河蟹养殖池塘水质进行预测,与标准支持向量回归机和BP神经网络对比分析.结果表明,该模型性能可靠、泛化能力强,预测精度高,为集约化水产养殖水质短期预测提供了一种新思路.     

基于域对抗网络和BERT的跨领域文本情感分析

跨领域文本情感分析时,为了使抽取的共享情感特征能够捕获更多的句子语义信息特征,提出域对抗和BERT(bidirectional encoder representations from transformers)的深度网络模型。利用BERT结构抽取句子语义表示向量,通过卷积神经网络抽取句子的局部特征。通过使用域对抗神经网络使得不同领域抽取的特征表示尽量不可判别,即源领域和目标领域抽取的特征具有更多的相似性;通过在有情感标签的源领域数据集上训练情感分类器,期望该分类器在源领域和目标领域均能达到较好的情感分类效果。在亚马逊产品评论数据集上的试验结果表明,该方法具有良好的性能,能够更好地实现跨领域文本情感分类。     

基于深度随机森林算法的短期用户负荷预测——以金华地区为例

通过网络爬虫获取天气数据，并结合金华市用户负荷数据，采用深度随机森林算法对用户负荷进行短期预测。借助4种评价指标，通过对比支持向量回归算法、K近邻算、贝叶斯岭回归算法、随机森林算法以及多个深度神经网络算法，发现深度随机森林算法预测效果最佳，支持向量回归算法次之，而深度神经网络算法在该数据集上表现一般。     

基于改进粒子群优化LSSVM的污水COD软测量建模

针对在污水处理过程中水质参数(如出水化学需氧量(COD),pH值)变化过程的高度时变性、非线性和复杂性等特点,提出一种基于改进粒子群优化最小二乘支持向量机(IPSO-LSSVM)的软测量模型。该模型将小样本机器学习——最小二乘支持向量机(LSSVM)引入工业污水处理过程水质参数预测,网络训练过程中采用粒子群优化算法,使得该算法能够自适应获取最优超参数,形成IPSO-LSSVM算法,对工业污水处理出水COD参数进行回归预测。实验结果表明:与LSSVM和PSO-LSSVM模型相比,IPSO-LSSVM模型预测结果的均方根误差分别降低了40.9%和30.5%;相关系数分别提高了13.0%和6.6%。这表明IPSO-LSSVM模型在预测精度、收敛速度和抗干扰能力等方面明显优于LSSVM和PSO-LSSVM模型。     

KPCA-RVM组合建模方法及其在软测量中的应用

提出了一种核主元分析(KPCA)和关联向量机(RVM)相结合的组合建模方法。KPCA - RVM采用KPCA对原始自变量进行非线性变换并提取主成分,形成特征自变量;采用 RVM,对 KPCA变换后的样本数据进行回归建模,并根据模型的预报能力自适应的确定参与回归的最佳特征变量个数,消除冗余信息干扰,获得强非线性表达能力且预报性能良好的模型。并将KPCA - RVM应用于 PTA装置对羧基苯甲醛(4 - CBA)含量的软测量建模,结果表明该方法预测精度高于PCA - RVM和RVM。     

基于EMD-VAR模型的景区客流波动特征与预测研究——以南京夫子庙为例

网络搜索大数据为研究游客量预测提供了新的视角,而多数研究运用的传统计量经济模型难以处理网络搜索与客流时序中包含的大量非线性波动特征,导致预测精度不够理想.引入经验模态分解方法(empirical mode decomposition, EMD)将向量自回归(vector autoregression, VAR)模型改进为EMD-VAR模型. EMD方法分解夫子庙景区长三角日际网络搜索和游客量序列,得到不同频率尺度的分量,基于波动关联的视角将同一尺度的两类序列分量组合建立EMD-VAR模型进行预测.结果表明：(1)网络搜索波动周期比游客量波动周期长.(2)网络搜索与游客量波动的关联紧密度在法定节假日时期最高.(3)EMD-VAR模型比ARMA模型和VAR模型具有更高的预测精度.     

基于BERT与注意力机制的方面级隐式情感分析模型

在方面级情感文本中存在部分不含情感词的评论句，对其情感的研究被称为方面级隐式情感分析.现有分析模型在预训练过程中可能会丢失与方面词相关的上下文信息，并且不能准确提取上下文中深层特征.本文首先构造了方面词感知BERT预训练模型，通过将方面词引入到基础BERT的输入嵌入结构中，生成与方面词信息相关的词向量；然后构造了语境感知注意力机制，对由编码层得到的深层隐藏向量，将其中的语义和句法信息引入到注意力权重计算过程，使注意力机制能更加准确地分配权重到与方面词相关的上下文.对比实验结果表明，本文模型的效果优于基线模型.     

模型树和支持向量回归在高光谱遥感中的应用

利用连续植被辐射传输模型（SAIL模型）模拟生成小麦冠层反射率数据，比较了数据挖掘中的新方法模型树、支持向量回归与传统的逐步回归用于高光谱数据定量预测的效果．结果表明：支持向量回归和模型树的预测精度都要远远高于逐步回归，在训练样本数量减少时，它们的优势更加明显；支持向量回归在高维空间中有很好的泛化能力，其预测精度随维数的增加呈持续上升的趋势；模型树的预测精度在低维条件下和支持向量回归相仿，但在高维条件下则比支持向量回归差很多，通过逐步回归的特征选择预处理，可以提高模型树的预测精度，缩小其与支持向量回归之间的差距．     

基于损失函数优化支持向量回归机的专用电力工程费用量化研究

支持向量机(SVM)已经成熟应用于非线性回归领域,并应用于工程费用量化分析。提出一种基于鲁棒支持向量回归机(RSVR)的量化新模型;通过优化支持向量机的损失函数,增加算法的鲁棒性,建立基于该原理的专用电力工程费用量化模型;并对样本数据添加人工噪声,提高样本数据的异常点,测试该模型的鲁棒性;算例分析表明:该文方法预测精度高、计算量小。     

基于BERT-BiLSTM模型的短文本自动评分系统

针对短文本自动评分中存在的特征稀疏、一词多义及上下文关联信息少等问题,提出一种基于BERT-BiLSTM(bidirectional encoder representations from transformers-bidirectional long short-term memory)的短文本自动评分模型．使用BERT(bidirectional encoder representations from transformers)语言模型预训练大规模语料库习得通用语言的语义特征,通过预训练好的BERT语言模型预微调下游具体任务的短文本数据集习得短文本的语义特征和关键词特定含义,再通过BiLSTM(bidirectional long short-term memory)捕获深层次上下文关联信息,最后将获得的特征向量输入Softmax回归模型进行自动评分．实验结果表明,对比CNN(convolutional neural networks)、CharCNN(character-level CNN)、LSTM(long short-term memory)和BERT等基准模型,基于B...     

基于PCA-FOA-SVR的股票价格预测研究

研究股票价格预测问题,针对影响股票价格因素多存在数据冗余,传统方法无法消除数据冗余,准确稳定预测股价非线性变化.为提高预测精度,在传统的支持向量机回归(Support vector regression,SVR)方法的基础上引入主成分分析(Principal component analysis,PCA)和果蝇算法(Fruit fly optimization algorithm,FOA),提出了一种PCA-FOA-SVR的股票价格预测方法.首先利用PCA对影响股票价格的因素进行分析降维,消除冗余信息,然后用果蝇算法优化SVR的参数,利用优化后的SVR对非线性变化的股票价格建模预测.最后利用PCA-FOA-SVR模型对宁沪高速(600377)股票价格数据进行仿真实验.实验结果表明:与传统的BP和SVR相比,PCA-FOASVR模型在股票价格预测中进一步减小了预测误差,有更高的预测精度,是一种有效可行的股票价格预测方法.     

一种基于灰色系统和支持向量机的预测优化模型

针对传统的灰色系统中预测模型涉及相关因素多,预测效率与精度不足等问题,结合粗糙集理论和支持向量回归机方法,提出了一种改进的预测优化算法。该模型算法首先利用属性约简技术解决影响因子不相容性问题并有效缩减了影响预测值的因子空间,降低计算的复杂性;然后采用灰色模型进行数据预测,并将预测结果作为支持向量机的输入,进而求解优化模型的预测值,最后采用1990～2010年我国人口数据对我国人口进行预测。实验结果表明该预测优化模型在预测效率和精度方面具有较好的表现。