基于ZINB模型和气象因素的禽霍乱发病预测

为了评估气象因素对禽霍乱流行的影响,实现对禽霍乱疾病的预警与可视化管理。该研究设计了基于季节、时间分析方法与零膨胀负二项式(zero-inflated negative binomial,ZINB)模型的禽霍乱风险分析方法。该方法利用季节性分析、时间序列分析方法,对中国禽霍乱的分布特征进行描述;通过构建ZINB模型,对气象因素与禽霍乱发生之间的关系进行评估。最终,利用模型分析结果与网络地理信息(Web GIS)技术建立禽霍乱监测预警系统。结果表明,中国禽霍乱发病存在明显的季节性并受上月发病数的影响,同时,较高的气温、空气湿度、较小的风速是促进禽霍乱发病的气象条件。利用该研究中的方法结合气象数据,对禽霍乱发病进行预测,预测值与实际值拟合结果ICC(组内相关系数)取值0.802,R2值为0.7853,表明模型预测精度较好,系统各功能模块运行正常。利用Web GIS技术与数学模型对禽霍乱进行监测预警,可以提高家禽养殖管理水平,降低发病风险,减少因动物疫病造成的经济损失。

联合ZINB模型与图注意力自编码器的自优化单细胞聚类

单细胞数据聚类在生物信息分析中具有重要作用,但受测序原理和测序平台的限制,单细胞数据集普遍存在高维稀疏性、高方差噪声和基因数据缺失的问题,导致单细胞数据在聚类分析和应用方面仍面临诸多挑战。现有的单细胞聚类方法主要针对细胞和基因表达间的关系进行建模,忽略了对细胞间潜在特征关系的充分挖掘以及对噪声的去除,导致聚类结果不理想,从而阻碍了后期对数据的分析。针对上述问题,提出了一种联合零膨胀负二项(Zero Inflated Negative Binomial,ZINB)模型与图注意力自编码器的自优化单细胞聚类算法(Self-optimized Single Cell Clustering Using ZINB Model and Graph Attention Autoencoder,scZDGAC)。该算法首先使用ZINB模型并结合可扩展的DCA去噪算法,通过ZINB分布更好地拟合数据特征分布,提升自编码器的去噪性能,并减小噪声和数据丢失对KNN算法输出的影响;然后通过图注意力自编码器在不同权重的细胞之间传播信息,更好地捕获细胞间的潜在特征进行聚类;最后scZDGAC采用自优化的方法使原本两个独立的聚类模块和特征模块相互受益,不断迭代更新聚类中心,进一步提升聚类性能。为了对聚类结果进行评价,文中使用调整兰德指数(ARI)和标准化互信息(NMI)两个通用评价指标。在6个不同规模的单细胞数据集上与其他算法进行对比实验,结果表明,所提聚类算法在聚类性能上较其他方法有很大提高,很好地展现了该算法的鲁棒性。

农户异质性对农业技术培训参与的影响

近年来,随着土地流转加速和农民合作社的涌现,我国农户的异质性不断提高。本文将农户是否流转土地、是否加入合作社视为农户异质性的重要表现,考察其对农户参加农业技术培训的影响。基于鲁晋宁三省1 039户农户数据,构建了零膨胀负二项模型(ZINB)进行计量分析,并通过了稳健性检验。研究发现:租入土地不会显著影响农户的农业技术培训参与,但加入合作社会让农户参加更多培训。具体而言,租入土地农户参加农业技术培训的期望次数是不租入土地农户的1.04倍,而加入合作社农户参加农业技术培训的期望次数是未加入合作社农户的2.11倍。当前农业技术培训过于大众化造成的低瞄准性,是租入土地的规模经营农户没有对培训表现出更多需求的重要原因。本文的政策含义在于,农业技术培训政策需要做出适当调整,应结合已经分化的农户需求实行分层定位,提供差异化的技术培训服务,增强对不同培训目标人群的瞄准度;应给予开展农业技术培训服务的合作社更多支持。

高速公路追尾碰撞事故起数预测模型研究

为分析显著影响追尾碰撞事故的因素,分别采用负二项(NB)回归模型和零堆积负二项(ZINB)回归模型建立追尾碰撞事故起数预测模型。通过模型的拟合优度检验和准确性检验,对比2种模型的优劣,采用弹性分析确定自变量对因变量的影响程度。以2006—2008年某高速公路发生的追尾碰撞事故进行实证性研究。结果表明:ZINB回归模型比NB回归模型具有更好的拟合效果和预测准确性;在ZINB回归模型中,曲度、曲线比例、车道宽度与追尾碰撞事故起数显著正相关,曲率变化率、相邻路段坡差和弯坡组合与追尾碰撞事故起数显著负相关;车道宽度、曲率变化率和曲度对追尾碰撞事故的发生影响尤为明显。

基于零膨胀负二项模型对大兴安岭地区夏季火发生预报模型的研究

大兴安岭林区地处寒温带,是我国东北最重要的森林资源采伐基地。在全球气候逐渐变暖背景下大兴安岭地区的气候发生了明显的变化,导致夏季火频发,对该地区生态系统造成一定影响。选用零膨胀负二项(ZINB)模型,使用R-project软件,对该地区1967-2008年夏季火每日发生林火次数与气象因子之间的关系进行拟合,并用检验数据进行模型准确度预测。结果表明:最高气温对于模型的点部分影响极显著,平均地温和日照时数对于模型的零膨胀部分具有显著性影响,模型预报的准确率达71%。该模型对大兴安岭地区夏季火的预测准确性较好,利用该模型的预测预报结果能够为森林防火工作者合理配置灭火人力与物力,优先对火灾潜在高发区的可燃物进行中断管理提供科学的依据与技术支撑。

基于零膨胀负二项回归模型的内河水上交通人命安全分析

运用零膨胀负二项回归模型,分析水上交通事故中人员死亡失踪数量的各影响因素的影响程度。通过Pearson相关分析得到与水上交通事故中人员死亡失踪人数密切相关的因素,建立ZINB回归模型得到各因素的参数估计值。运用弹性分析方法对不同影响因素的影响程度进行评估,根据影响程度对各影响因素进行排序。将该方法应用于长江海事局辖区范围内的水上交通事故人员死亡失踪分析,取得了理想效果。

基于事故修正系数的山区高速公路事故预测模型

为量化分析山区高速公路线形指标对交通事故发生及严重程度的影响,引入事故修正系数(CMF)概念,提出基于CMF的高速公路交通事故预测模型。验证事故数据服从零膨胀负二项(ZINB)分布,并标定10个不同线形组合路段的基本事故预测模型;在界定理想条件的基础上,借助优势比分析方法,建立10个不同线形组合相对于基本预测模型的CMF模型;通过弹性分析识别出对不同严重程度事故有显著影响的因素,并以此分析山区高速公路线形指标及线形组合的安全效应。研究结果表明:CMF能够定量反映不同线形组合的风险效应,且其值越高,事故率及事故严重程度可能更高;山区高速公路中,平曲线缓坡组合相对安全,平曲线陡坡组合、平曲线竖曲线组合均有较高的事故风险;平曲线与凹型竖曲线组合时的风险会略低于其与凸形竖曲线组合;控制纵坡度、减少平竖曲线的组合均有利于山区高速公路交通安全。

高速公路分、合流区事故分析模型及事故影响因素

针对高速公路分流区、合流区分别建立负二项回归模型、零膨胀负二项回归模型、混合效应负二项回归模型3种交通事故分析模型,依据AIC准则、BIC准则、对数似然值、Vuong值等对模型进行检验,并采用拟合程度最高的NB模型进行事故影响因素分析。分析结果表明:1)主线年平均日交通量每增加1%,分流区、合流区事故数分别增加3.50%,2.23%;2)主线平曲线半径、分合流区渐变段长度分别增加1%时,分流区年事故数减少0.12%、0.18%,合流区年事故数减少0.07%、0.28%;3)分合流区车道数为单车道及4车道时对应的事故数相对较高;4)分流区位于下坡路段比位于上坡路段具有更高的事故危险性,至上一分流区的距离与年事故数之间表现出显著的正相关性,较长的减速车道有利于提高交通安全性;5)位于主线长直线路段末端的合流区诱发事故的风险较高;6)重型车比例上升会导致年事故数升高。

道路开口对临近交叉口交通安全的影响

为了弥补道路开口对临近交叉口交通安全定量影响研究的不足,补充目前有关道路开口影响邻近交叉口的事故修正系数(CMF)评估的缺失,基于宁波市鄞州区事故坐标点云数据对道路开口影响邻近交叉口的CMF值进行有效评估.提出高效的CMF值评估方法,包括用于建立事故、交叉口及临近交叉口的道路开口三者相关性、适用于从规模事故点云数据中准确识别事故黑点的两阶段聚类算法(TSCA)和针对影响因素分析的零膨胀负二项分布回归(ZINB)模型.结果显示,TSCA算法能够根据60、70及80三种事故频数阈值,准确识别出24、16及10个交叉口事故黑点;利用ZINB模型对识别出的24、16及10个交叉口事故黑点的主要影响因素建模,计算出道路开口的CMF值分别达到1.17、1.19和1.20.研究表明,道路开口对临近交叉口安全的影响较明显,对高事故率黑点的影响更显著.

基于EM算法的多水平零膨胀负二项混合效应回归模型的参数估计

计数数据广泛应用于医疗、生物和保险等诸多领域.泊松回归模型与负二项回归模型是分析这类离散型数据的重要模型.在实际计数中往往会出现相对于泊松分布或负二项分布过多的零,称之为零膨胀现象.分析此类数据的常见方法是零膨胀泊松(ZIP)回归模型和零膨胀负二项(ZINB)回归模型.但是,如果非零观测值过度分散并且具有相关性,则参数估计可能会出现严重偏差,导致传统的ZINB模型不能对其进行很好的拟合.提出了一种具有随机效应的多水平零膨胀负二项混合效应回归模型,并利用极大似然估计的EM算法对多水平零膨胀负二项混合效应回归模型进行参数估计.

日常护理需求的事件数模型

以日常护理需求为实例 ,探讨了应用事件数回归模型所应当注意的事项 ,着重考察 :(1)当事件数变量存在大量 0值时 ,如何在建模时加以处理 ;(2 )如何处理零堆积泊松回归模型中的右屏蔽效应 ;(3)并比较不同统计模型对相同变量的边际效应的影响。最后简单地讨论了零堆积负二项回归模型对我们理解老年人日常护理需求模型的涵义。