延迟生育对人口的影响

本文针对延迟生育对人口的影响问题,运用了枚举法、韦伯分布理论及灰色预测法等方法,构建了基于Leslie人口预测模型、基于韦伯分布的生育率数学模型及灰色预测模型等,综合运用了MATLAB等软件编程求解,得出了生育政策调整后第一胎的生育年龄将提前、生育政策变化将会使青年性别比例在未来失衡及开放三胎政策后每年新生儿不会过多增加等结论。

基于迁移成分分析和支持向量机的肝移植并发症预测方法

已有很多机器学习算法能够很好地应对预测分类问题,但这些方法在用于小样本、大特征空间的医疗数据集时存在着预测准确率和F1值不高的问题。为改善肝移植并发症预测的准确率和F1值,提出一种基于迁移成分分析(TCA)和支持向量机(SVM)的肝移植并发症预测分类方法。该方法采用TCA进行特征空间的映射和降维,将源领域和目标领域映射到同一再生核希尔伯特空间,从而实现边缘分布自适应;迁移完成之后在源领域上训练SVM,训练完成后在目标领域上实现并发症的预测分析。在肝移植并发症预测实验中,针对并发症Ⅰ、并发症Ⅱ、并发症Ⅲa、并发症Ⅲb、并发症Ⅳ进行预测,与传统机器学习和渐进式对齐异构域适应(HDA)相比,所提方法的准确率提升了7.8%~42.8%,F1值达到85.0%~99.0%,而传统机器学习和HDA由于正负样本不均衡出现了精确率很高而召回率很低的情况。实验结果表明TCA结合SVM能够有效提高肝移植并发症预测的准确率和F1值。

基于ODCG的网约车需求预测模型

为提高网约车需求预测的准确率,提出结合卷积神经网络(convolutional neural network,CNN)和卷积门控循环单元(convolutional gate recurrent unit,ConvGRU)的出发地-目的地需求预测分析(origin-destination demand prediction with CNN and ConvGRU,ODCG)模型。ODCG模型的网络结构分为局部空间特征(local spatial feature,LSF)提取模块、时间演化特征(time evolution feature,TEF)提取模块、全局关联模块(global association module,GCM)和输出层。LSF提取模块利用CNN分别处理出发地视图和目的地视图,得到网约车需求的局部空间依赖性;TEF提取模块将网约车需求的局部空间信息、天气信息和订单序列关联度信息整合到ConvGRU中,分析网约车的需求;GCM模块整合所有区域之间的相关性,通过将所有区域特征加权求和得到全局相关性,并将相应区域之间的相似度定义为权重。试验结果表明,ODCG模型在网约车需求预测中优于其他基线模型,同时提高了网约车需求预测的准确率。