陆地及海洋油气田钻井投资指数预测方法研究

钻井投资是油气田开发中的一项重要投资,是石油企业经济效益的重要指标,对钻井投资成本进行准确预测,有利于企业管理者和投资者进行科学的决策与评估.基于中国石油某公司提供的投资指数,建立了海洋钻井投资指数、陆地钻井投资指数随油价、全球钢材、物料价格的数学预测模型.其中基于灰色模型和线性回归法建立了单因素预测模型;基于蒙特卡洛...     

基于改进灰色模型的电力负荷中长期预测

基于电力系统中长期负荷预测的特点,针对常规灰色预测模型存在的不足,提出一种基于数据平滑处理,以及线性回归残差修正的改进灰色预测方法。对某地区算例比较和分析表明,本方法可明显提高中长期负荷预测精度。     

基于回归分析法的农用地分等县级数据成果检验研究——以陕西省佳县为例

以陕西省佳县为例,采用综合分析法、野外实测法、相关分析和回归分析法对农用地分等数据成果进行检验.结果表明,野外实测和计算出来的等别结果没有显著性的差异;各等指数与标准粮的关系近似线性,即随着等指数的增大,标准粮产量呈上升趋势,分等成果总体合格.     

损失气求取方法研究

当逸散时间较长时，用直线回归法采取损失气结果偏低，而逸散时间较短取点数少时，结果偏高。曲线拟合法是比较实用的一种方法，但计算工作量较大。经过模拟实验证明，在变围压条件下，甲烷的解吸规律也服从经验方程Ｑ＝ＷＪ［１－ｅｘｐ（１－ｍ＿１￣ｍ２／ｍ＿２］，并推导出迭代法求取损失量的计算公式。     

用于医药经济精准营销的GBDT-Logistic回归融合模型的研究

针对药品经济的精准营销问题,提出一种基于GBDT-Logistic算法的回归融合模型。构建该模型突出了GBDT模型和Logistic算法的优势,并将其紧密结合,构成新的药品经济营销回归融合模型,用于对亚健康目标的药品推荐。将所提出的算法与其他推荐方法进行直接对比,实验结果证明,无论是理论环境预测还是线下销售推荐,所提出的方式均优于其他的方式,证明所提出模型的有效性,可以用于指导药品企业的精准营销。     

基于粒子群优化算法支持向量回归预测法的大电网电压稳定在线评估方法

提出基于粒子群优化算法支持向量回归预测法(particle swarm optimization support vector regression, PSO-SVR)的大电网电压稳定在线评估方法,将传统基于深度神经网络(deep neural networks, DNN)模型的电压稳定评估方法改进为PSO优化过的SVR模型,对阻抗模裕度指标进行预测。该方法利用了SVR模型具有学习能力强、泛化错误率低的优点,在小样本的情况下也可以很好地学习到样本中的特征。同时克服SVR模型对于参数调节和函数选择非常敏感的问题,利用PSO算法对SVR模型的超参数进行优化选择,可以让SVR模型更好地学习到电网运行数据和阻抗模裕度值之间的非线性关系。最后,该方法在IEEE 118节点系统进行验证,并与基于DNN模型的评估方法进行比较,验证了其精度水平高于基于DNN模型的方法。     

修正的R-S水泥浆流变模式及其评价

为了准确描述水泥浆的流变特性,更好地服务于工程实践,基于不同水灰比下水泥浆流变特性的实测数据,提出了一种3参数流变模式——修正R-S模式,并利用多元非线性回归方法,将其与几种最常见的流变模式拟合效果进行对比分析来评价修正R-S模式。在水灰比从0.45～2.0的范围内,与五种常见流变模式相比,修正R-S模式的回归效果最好,平均回归系数达到0.997,平均均方误差为21,且描述水泥浆流变特性的能力强且稳定。结果表明:在试验用不同水灰比的水泥浆中,修正R-S模式能很好地反映水泥浆流变特性,拟合精度最高,具有参数物理意义明确,表达式简洁的优点,是一种很好的描述水泥浆的流变模式,可以为水泥浆的力学计算提供参考。     

基于分子体积法的CHONF高能致爆材料晶体密度的预测

针对现有的晶体密度预测研究大多围绕CHON类含能材料,在预测CHONF高能致爆材料晶体密度时会由于公式适用范围不同,出现预测误差较大的问题,为提高对该类材料的性能评估精度,从剑桥晶体数据中心中筛选出56个该类材料,在B3PW91/6-31g(d, p)计算水平下系统性评估了Rice以及Politzer公式在预测该类材料晶体密度的表现,然后在分子表面静电势相关的典型参数基础上利用符号回归方法和“加、减、乘、除”4种算符构建出适用该体系的密度预测公式。结果表明,符号回归公式的均方根误差从Rice公式的0.106g/cm³降低到0.045g/cm³,并将超过半数的含氟高能致爆材料的密度预测误差降低到0.030g/cm³以下,极大地提高了含氟高能致爆材料晶体密度预测精度。     

基于SARIMA-GS-SVR组合模型的短期电力需求预测

短期电力需求预测在合理分配电力利用、减少能源浪费和增强电力系统的并网运行方面具有重要作用。应用单一的季节自回归移动平均模型对电力需求预测将限制预测精度。为了提高SARIMA的预测精度,文中提出了SARIMA-GS-SVR组合预测模型。采用网格搜索算法将SARIMA预测的残差带入支持向量回归模型进行参数训练,并将寻优的最佳参数带入SVR对残差进行预测。将得到的残差预测结果和SARIMA预测结果加和进行综合分析。建立SARIMA、SVR、GS-SVR和SARIMA-GS-SVR预测模型,以加利福尼亚州电力需求历史数据为例,对该地某日24 h的电力需求进行预测。为了体现模型整体的优越性,选用指数平滑法作为无关基准模型进行实验对比。实验结果表明,相比SARIMA,SARIMA-GS-SVR的预测精度提高了29.181 2%,且其MAE、MAPE和RMSE3种误差指标评价值低于其它4种模型。     

截尾数据下一类半参数回归模型的估计

讨论了一类半参数回归模型y =x′β+g(t′α) +e .假定y被随机变量T右侧截尾 ,T与y独立 ,T～G。在G已知和未知两种情况下 ,构造了α、β和g(·) 的强相合估计