基于卷积神经网络的网贷违约风险模型研究

自互联网金融诞生以来,网络贷款得到了快速发展,但是借贷双方的信息不对称增加了网贷的违约风险,同时随着互联网技术的发展网贷用户数据也表现出高维化的趋势,数据处理面临更大的挑战,因此亟需应对该问题并在网贷违约风险上进行准确、稳定的预测。该文提出了卷积神经网络(CNN)和一般机器学习模型结合的预测模型,利用CNN在数据特征提取上的优势来处理高维的网贷用户信息。首先采用数值图形化思想对网贷用户数据进行处理并与CNN对接,其次调整其超参数选择合适的网络模型,然后基于三种一般机器学习模型与CNN的组合进行网贷风险预测测试,最后在真实数据集上使用最优的网贷违约风险预测模型进行预测。实验结果验证了组合模型的显著性以及CNN对一般机器学习模型性能提升的能力,为网贷风险预测提供了一种新思路。     

面向交通事故预测的时空多模态点过程

交通事故预测对于构建智慧城市具有重要意义。然而发生在连续时间域上的交通事故数据同时包含具有不同语义特征的时间、空间模态信息,且这两种模态的不确定性存在差异,因此传统的序列建模方式无法全面描述交通事故的时空相关性,很难实现准确的交通事故预测,对此提出了一种面向交通事故预测的时空多模态点过程模型MSTPP。该模型设计了一种具有双解码器的seq2seq框架。在编码器中提出了衰减感知长短期记忆网络DLSTM用于编码在连续时间域中的交通事故事件序列,有效地融合不同模态信息以及建模事件序列的异步性。在解码阶段,使用两个特殊设计的解码器去处理模态间差异性。在两个真实的交通事故数据集上的实验结果表明,MSTPP在预测下一个交通事故发生的时间和区域任务上相比于其他基准模型具有最优的预测能力。     

基于独立成分分析的含噪声时间序列预测

提出一种基于独立成分分析(ICA)的最小二乘支持向量机(LS-SVM),用于时间序列的多步超前独立预测.用ICA估计预测变量中的独立成分(IC),用不含噪声的IC重新构建时间序列.利用 -最近邻法( -NN)减小训练集的规模,提出一种新的距离函数以降低LS-SVM训练过程的计算复杂度,并用约束条件对预测值进行后处理.使用基于ICA的LS-SVM、普通LS-SVM与反向传播神经网络(BP-ANN),对多个时间序列进行对比预测实验.实验结果表明,基于ICA的LS-SVM的预测性能优于普通LS-SVM和BP-ANN.     

融合ARIMA-LSTM模型的大连市空气质量预测

由于空气质量指数（AQI）时间序列的线性与非线性特征,传统的ARIMA模型对时间序列的建模普遍呈现出一定的局限性,该方法存在着参数选取困难、计算量大等问题,导致模型拟合效果不佳。针对这一情况,本文提出了一种基于ARIMA-LSTM融合模型的空气质量预测方法,将ARIMA模型用于时间序列预测,利用LSTM模型对ARIMA模型预测的误差序列进行校正,最后将ARIMA模型预测结果与LSTM校正的残差序列进行结合,获得最终预测结果。实验结果表明,混合模型预测精度高于单一模型,且融合模型的稳定性和精确度得到进一步改善。     

融合知识图谱与注意力机制的个性化序列推荐

序列推荐系统可以根据用户和物品交互的时间序列信息,精确预测用户下一次交互物品.现有的序列推荐算法存在用户兴趣过渡拟合的问题,导致推荐内容同质化严重,从而无法实现个性化推荐.基于此,本文提出一种融合知识图谱与注意力机制的个性化序列推荐算法(SR-KGA):首先,引入知识图谱,通过图卷积网络对物品进行嵌入表示;其次,通过自注意力机制和多头注意力机制构建序列到序列(seq2seq)模型,最后,在损失函数中加入多样性正则项;实现用交互序列来预测未来可能交互的物品序列,从而进行推荐.通过在真实的数据集上实验,SR-KGA在保证推荐准确度的同时,提升了推荐列表的多样性,实现了用户个性化推荐.     

基于深度自编码器的智能电网窃电网络攻击异常检测

现有AMIs中的异常检测器存在浅层架构,难以捕获时间相关性以及电力消耗数据中存在的复杂模式,从而影响检测性能。提出基于长短期记忆（LSTM）的序列对序列（seq2seq）结构的深度（堆栈）自编码器。自动编码器结构的深度有助于捕获数据的复杂模式,seq2seq LSTM模型可以利用数据的时间序列特性。研究了简单自编码器、变分自编码器和注意自编码器（AEA）的性能,得出在这3种自编码器采用seq2seq结构时检测性能优于全连接结构。仿真结果表明,带有注意力机制的检测器（AEA）检出率和虚警率分别比现有性能最好的检测器高4%～21%和4%～13%。     

基于深度神经网络结构的互联网金融市场动态预测

近些年,互联网金融市场在国内外迅速发展;同时,针对互联网金融市场的研究也成为了学术界的热点.相比于传统金融市场,互联网金融市场具有更高的流动性和易变性.针对互联网金融市场的动态(日交易量和日交易次数)进行研究,提出了基于深度神经网络结构的融合层次时间序列学习的预测模型.首先,该模型可以实现对多序列(市场宏观动态序列和多种子序列)特征变量输入的处理,并且在时间和序列特征2个维度上利用注意力机制来融合输入变量.其次,模型设计了基于预测序列平稳性约束的优化函数,使得模型具有更好的稳健性.最后,在真实的大规模数据集上进行了大量的实验,结果充分证明了所提出的模型在互联网金融市场动态预测问题上的有效性与稳健性.     

基于Transformer的AMR-to-Text生成

抽象语义表示到文本(AMR-to-Text)的生成任务是给定AMR图,生成相同意义表示的文本。可以把此任务当成一个从源端AMR图到目标端句子的翻译任务。然而,传统的序列到序列(seq2seq, S2S)方法使用循环递归网络进行编码,并不能很好地解决长距离依赖的问题。当前最好的性能是图到序列(graph2seq, G2S)的模型,使用了图模型直接对AMR图结构进行编码,但是,该方法对于非直接相连的节点依然会损失大量的结构信息。针对上述问题,基于seq2seq框架,该文提出了一种直接而有效的AMR-to-Text生成方法。在这项工作中,引入了当前最优的seq2seq模型Transformer作为基准模型,并且使用字节对编码(BPE)和共享词表的方法来联合处理未登录词(OOV)的问题。在现有的两份英文标准数据集上,实验结果都得到了显著的提升,达到了新的最高性能。     

引入BL-Seq2seq模型进行负荷预测

短期负荷预测在电力系统运行和调度中起着重要作用,为了更好地提取数据中蕴含的有效信息,提升短期负荷预测精度,本文引入Seq2seq算法的注意力机制提出了多层Bi-LSTM的Seq2seq深度学习模型(BL-Seq2seq)实现短期用电负荷预测.其中Seq2seq的编码端由多层Bi-LSTM组成,将输入数据进行编码,并在网络末端输出编码后的最终状态;Seq2seq解码端为单层LSTM,它将编码端的最终状态作为初始输入状态,同时每一步的输出值作为下一步的输入值.利用用电负荷实测数据,基于Keras平台进行仿真,仿真结果表明,与多个经典的深度学习的短期用电负荷预测模型相比,所提BL-Seq2seq模型的预测误差明显降低,大大提升了短期用电负荷预测精度.     

引入BL-Seq2seq模型进行负荷预测

短期负荷预测在电力系统运行和调度中起着重要作用,为了更好地提取数据中蕴含的有效信息,提升短期负荷预测精度,本文引入Seq2seq算法的注意力机制提出了多层Bi-LSTM的Seq2seq深度学习模型(BL-Seq2seq)实现短期用电负荷预测.其中Seq2seq的编码端由多层Bi-LSTM组成,将输入数据进行编码,并在网络末端输出编码后的最终状态;Seq2seq解码端为单层LSTM,它将编码端的最终状态作为初始输入状态,同时每一步的输出值作为下一步的输入值.利用用电负荷实测数据,基于Keras平台进行仿真,仿真结果表明,与多个经典的深度学习的短期用电负荷预测模型相比,所提BL-Seq2seq模型的预测误差明显降低,大大提升了短期用电负荷预测精度.     

Assessing Ideational and Evaluative Skills and Creative Styles and Attitudes

This article describes the rationale for the multiphase creative problem solving process, and reports the findings from an empirical investigation conducted to facilitate the problem solving of managers. The ideational skills of the managers were assessed before and after training in a complete process of creative problem solving, along with their ideational attitudes, creative problem solving style (i.e., generator, conceptualizer, optimizer, or implementor), and evaluative skill (i.e., ability to recognize original ideas). The most important findings indicated that the training had a significant impact on the evaluative accuracy of the managers. They were significantly more accurate in their judgments about original ideas after training, both in their identification of original ideas and their recognition of unoriginal ideas. After training, the managers also gave more solutions and more original solutions to problems. Finally, several variables (e.g., the “preference for active divergence” attitude, and the conceptualizer process style) seemed to moderate the impact of training. Training was therefore effective, with specific effects that can be predicted from pre-training individual differences in attitudes and process style.     

高等院校行政分析与决策系统的设计与实现

为提高高等院校的管理水平和决策水平,充分利用校园网资 源,开发了高等院校行政财政分析与决策系统。解决了诸如数据的动态查询、自动生成报表 、网络环境下数据共享等技术问题,具有网上数据共享、图形界面友好和安全的保密措施等 特点。     

国内外标准法规比对分析系统设计与实现

为发现我国国家标准与国外发达国家标准法规的差距,从根本上提高我国国家标准的总体质量,提升我国产品的质量安全水平,以关键指标(因子)为核心,研究国内外标准法规比对的工作流程,利用面向对象的方法设计,实现了国内外标准法规比对分析系统。该系统适用于所有产品国内外标准法规的比对工作。     

Stochastic balancing and approximation-stability and minimality

A new method of stochastic model reduction has recently been introduced by Desai et al. [1], [2]. The stability of the reduced order model has not previously, been considered. In this paper, we show that the stability of the reduced order model follows directly from the results of Pernebo and Silverman [3]. It is also shown that the reduced order model is minimal, in the controllability/observability sense. The relevance of this notion of minimality to stochastic minimality is made clear.