基于VAR-LRTC-TNN的交通流量数据补全框架模型

从各类传感系统收集到的交通流数据往往会因探测器或通信故障等缘故出现数据连续性的缺失,故准确补全缺失的交通流数据对制定合理的交通管理策略至关重要。鉴于交通流数据具有低秩的特性,通过低秩张量补全模型可较好地刻画出交通流数据的全局一致性,但却无法很好地捕捉数据的局部变化趋势,一定程度上影响了效果。基于此,提出了将VAR模型和基于残差序列的LRTC-TNN模型相结合的交通流补全框架模型;采用VAR模型对缺失数据进行粗略估计,移除平均趋势,利用LRTC-TNN模型对残差时间序列进行补全,再将平均趋势还原,从而完成对交通流量数据的高精度补全;该方法不仅保留了交通流数据的全局结构,还考虑了数据局部变化的特征。研究结果表明:与基于原始交通流量数据的填充方法相比,该模型框架对单传感器和多传感器数据的连续性缺失均具有更高的补全精度。

铁矿石价格、国际航运与中国股票市场间的时变溢出效应——来自TVP-VAR-DY模型的证据

采用时频参数向量自回归(TVP-VAR)连通性方法,使用2017年1月4日至2023年3月6日的日度数据探讨铁矿石价格、国际航运与中国股票市场间的时变溢出效应。实证结果表明:国际航运是最强烈的溢出效应;中国股票市场是溢出效应的传导因素;铁矿石价格是主要的接收者。整个溢出效应是时变的,在危机时期溢出效应显著增强,在特殊时期溢出与接收关系会发生短暂的改变。

序列稀疏自回归方法及其在美股做空数据分析上的应用

采用序列稀疏回归的思路来处理向量自回归模型,并设计适用于大规模时间序列数据分析的序列稀疏自回归方法。研究表明:从因子角度刻画向量自回归模型可以有效地将稀疏矩阵估计问题分解成稀疏奇异向量的估计问题,从而极大地提高了计算效率。以1523家美股上市公司1973年1月—2014年12月的做空数据为例,利用此方法探索公司之间的大规模做空关联网络。研究发现:此方法可以有效地恢复股票做空份额(即某一公司的空头股份数量)与股票收益率之间隐藏的关联网络,对于股票风险溢价研究具有一定启发意义。

基于SARIMA和SVR组合模型的转向架系统寿命评估

随着地铁运营时间和里程的增加,地铁车辆逐渐接近其理论寿命,为确保车辆运行安全性,需对其重要子系统进行健康状态及剩余寿命评估。文中选取车辆转向架系统作为研究对象,提出了一种基于协方差优选法的季节性回归移动平均(SARIMA)和支持向量回归(SVR)的组合模型对转向架寿命进行评估。首先,将车辆转向架系统历史故障率转化为健康指数,然后基于协方差优选法将SARIMA和SVR进行赋权组合,根据转向架系统历史健康指数进行预测,最后建立历史和预测的健康指数与运行时间的数学模型,分析得到转向架系统的剩余寿命。以某地铁车辆转向架系统为例进行算例分析及验证,结果表明组合模型可更准确地预测其健康状态,为有关维修部门开展维修维护策略提供理论依据,估计得出其剩余寿命,为车辆寿命后期退役及延寿决策提供理论数据分析支撑。

基于小波变换和AR-LSSVM的非平稳时间序列预测

提出一种基于二进正交小波变换和AR-LSSVM方法的非平稳时间序列预测方案.首先利用Mallat算法对非平稳时间序列进行分解和重构,分离出非平稳时间序列中的低频信息和高频信息;然后对高频信息构建自回归模型,对低频信息则用最小二乘支持向量机进行拟合;最后将各模型的预测结果进行叠加,从而得到原始序列的预测值.研究结果表明,该方法不仅能充分拟合低频信息,而且可避免对高频信息的过拟合.

基于EMD与LS-SVM的刀具磨损识别方法

针对刀具磨损声发射信号的非平稳特征和BP神经网络学习算法收敛速度慢、易陷入局部极小值等问题,提出了基于经验模态分解和最小二乘支持向量机的刀具磨损状态识别方法.首先对声发射信号进行经验模态分解,将其分解为若干个固有模态函数之和,然后分别对每一个固有模态函数进行自回归建模,最后提取每一个自回归模型的系数组成特征向量,特征向量被分为两组,一组用于对最小二乘支持向量机训练,另一组用于识别刀具磨损状态.试验结果表明:该方法能很好地识别刀具磨损状态,与BP神经网络相比具有更高的识别率.

基于油液光谱LSSVR-AR模型的发动机故障预测

针对传统油液光谱数据预测模型精度有限的不足,提出了一种基于最小二乘支持向量回归(LSSVR)与AR模型相结合的非平稳时间序列建模方法(LSSVR-AR),并应用于某型履带车辆发动机油液光谱数据及故障的预测。首先对非平稳时间序列进行最小二乘支持向量回归,得到非平稳时间序列的趋势项及剔除趋势项后的随机项;然后对随机项建立AR模型并与趋势项的LSSVR模型组合,得到非平稳时间序列模型;最后用所建模型对油液光谱数据及发动机故障进行预测。用所提建模方法对Fe、Cu、Pb、Si光谱数据预测的平均绝对百分比误差分别为1.987%、2.889%、2.343%、6.860%,明显低于其他模型。实例证明,所提模型能对发动机故障进行准确预测。

普通高校专任教师队伍结构对教育发展影响的计量分析--基于1992-2013年的时间序列数据

高等教育在大规模扩招走向大众化过程中造成了专任教师队伍的结构性变化,教师队伍结构对教育发展具有重要影响,相关研究表明教师队伍结构对教育发展的影响主要表现在年龄因素、职称因素以及受教育程度方面。研究结果表明:年龄因素对教育发展的影响较大,其次是职称因素,最后是教师的受教育程度。为了优化教师队伍结构,保证教育的更稳步发展,一要加强教师间的交流,使中青年教师发挥砥柱作用,二要加强职称考核,优化专任教师职称结构,三要避免过度教育,加强教师专业化发展。

基于小波包-AR谱和支持向量机的连杆轴承故障诊断

针对发动机连杆轴承磨损故障诊断中测取的机体振动信号非平稳、频率成分复杂的特点,提出小波包-AR谱和支持向量机相结合的连杆轴承故障诊断方法。通过对发动机连杆轴承振动信号进行小波包分解,重构各频段信号并进行自回归(auto regressive,AR)谱分析,累加不同频段的能量实现连杆轴承故障特征提取,将提取的特征作为支持向量机(support vector machine,SVM)的输入向量,建立SVM多分类器,将正常与多种故障状态进行分类。试验结果表明,小波包-AR谱能从多激励源和噪声干扰中提取出连杆轴承微弱故障特征。以小波包-AR谱能量为特征向量,支持向量机能在小样本情况下识别诊断连杆轴承故障,取得良好效果。

基于粒子群-支持向量机的时间序列分类诊断模型

构建一种基于粒子群算法-支持向量机(PSO-SVM)的磁共振功能成像(fMRI)时间序列分类诊断模型,通过针对脑区多维时间序列数据的深层次分析实现病症患者和健康者的准确判断与区分,为面向fMRI时间序列数据的病症诊断和预测提供有效科学依据.该方法在以下4个方面不同于其他已有相关研究工作:(1)构建基于自回归模型的脑区多维时间序列数据特征表示;(2)构建基于支持向量机模型的脑区多维时间序列数据分类机制;(3)构建基于粒子群算法的分类学习参数寻优策略;(4)建立融合上述特征表示、优化分类与参数优选模式的fMRI时间序列数据分类诊断模型.通过以精神抑郁症作为实证分析的具体案例,所提出分类诊断模型已取得良好实验效果,展示出其有效性与合理性.

基于小波分解的AR-SVR一类非平稳时间序列预测

本文提出了一种基于小波分解的均值具有趋向性的非平稳时间序列预测方法。方法首先利用具有平移不变性的小波分解,分离非平稳时间序列中的长期趋势和高频信息(短期行为),然后对高频信息构建自回归AR模型,而对于趋势则利用支撑向量回归(SVR)进行拟合,最后将各模型的预测结果进行叠加,从而得到原始序列的预测值。这样保证了充分拟合长期趋势的同时,避免了短期行为造成的过拟合。最后的实验结果表明本文提出的这类非平稳时间序列预测方法是有效的。

基于ITD-AR模型和SVDD的轴承故障诊断方法研究

针对滚动轴承在强背景噪声干扰下振动信号故障特征难以提取,以及实际运行中因故障样本缺乏而影响故障诊断准确性的问题,提出了基于固有时间尺度分解(Intrinsic Time Scale Decomposition,ITD)的AR模型振动信号特征提取,与支持向量数据域描述(Support Vector Data Description,SVDD)相结合的轴承故障诊断方法.首先用ITD将振动信号分解成一系列的固有旋转(Proper Rotation,PR)分量,然后对每一个PR分量建立AR模型,提取模型参数和残差方差构造特征向量,用以建立轴承正常运行的SVDD模型,并以振动信号特征向量偏离SVDD模型的程度来判断轴承的运行状态.将该方法应用于滚动轴承的故障诊断,实验证明了所提方法的有效性.

小波分析和AR-LSSVM的网络流量预测

为了提高网络流量的预测精度,提出了一种基于小波分析和AR-LSSVM的网络流量组合预测模型。利用Mallat算法对非平稳的网络流量序列进行分解和重构,得到低频信息和高频信息;对具有平稳特性的高频信息用AR模型进行预测,而对体现非平稳的低频信息用LSSVM进行预测;再将各模型的预测结果进行叠加,从而得到原始序列的预测值。仿真结果表明组合预测模型不仅具有较高的预测精度,而且预测性能稳定。

理解中国货币政策调控模式:“稳杠杆”还是“降杠杆”?——基于TVP-VAR模型的实证研究

采用时变参数向量自回归(TVP-VAR)模型对宏观杠杆率、经济增长与货币政策之间的动态关联机制进行实证研究。结果显示,当前阶段较高的宏观杠杆率水平以及过快的杠杆率增速都会阻滞经济的正常增长;而货币政策在"降杠杆"与"稳杠杆"中存在冲突,紧缩性的货币政策会小幅提高杠杆率而不利于"降杠杆",但其也能够显著降低杠杆率波动水平而有利于"稳杠杆"。因此,政府应当在"降杠杆"与"稳杠杆"中有所权衡。当前阶段应该保持中性偏紧的货币政策环境,确保短期内抑制杠杆率过快的上涨势头,同时全面推进供给侧结构性改革,促进经济长期增长来逐步消化高杠杆。

经济政策不确定性、投资者情绪与股价同步性——基于TVP-VAR模型的时变参数

基于时变参数向量自回归(time-varying parameter-vector auto regression,TVPVAR)模型,考察了经济政策不确定性、投资者情绪与股价同步性之间的时变关联性.模型估计结果表明,经济政策不确定性对股价同步性主要表现为中短期的正向影响,且波动比较明显,长期影响则相对较弱;投资者情绪对股价同步性表现为负向影响,且短期影响最为明显,长期影响则较弱.时点脉冲函数结果显示,在不同时间点上,股价同步性对经济政策不确定性的冲击具有正向响应,对投资者情绪的冲击具有负向响应,且不同时间点的响应程度和响应时间均存在差异.这些结论为进一步完善政策调控体系,规范和引导投资者行为,促进市场理性化提供了思路.

后ECFA时代两岸金融与两岸贸易、投资的关系——基于VAR-VEC模型的实证分析

本文选取ECFA签订之后2009年7月至2014年4月两岸金融、贸易、投资的月度数据,利用VAR-VEC模型分析了两岸金融与两岸贸易、投资之间的相互影响。结果显示:(1)在长期,两岸金融与两岸贸易、投资之间存在稳定的相互作用关系;(2)在短期,两岸金融对两岸贸易、投资产生了显著影响,但两岸贸易、投资只能部分地影响两岸金融;(3)两岸汇率表现出一定的系统外生性,但其波动能影响两岸金融、贸易、投资。这表明,两岸金融对两岸贸易、投资的促进作用已经较为显著,但是两岸贸易、投资对两岸金融的促进作用还不明显。换言之,两岸贸易、投资对两岸金融本应发挥的作用还没有完全发挥出来,这意味着两岸金融合作在未来还有很大的发展潜力。

城乡收入差距与经济增长关系的实证研究——基于中国1978-2007年数据的协整检验与脉冲响应分析

对中国1978-2007年数据的实证研究结果表明:城乡收入差距与经济增长之间存在着长期稳定的双向因果关系;城乡收入差距只在短期内对经济增长产生影响;而经济增长并不会自动导致城乡收入差距的缩小,相反,经济增长在中长期内还会进一步加大城乡收入差距。

货币政策结构变迁与宏观经济稳定——基于TVP-VAR模型的实证研究

通过构建包含货币供应量和利率指标的包有随机波动率的时变向量自回归(TVP-VAR)模型,实证分析中国货币政策变迁与宏观经济稳定之间的内在动态响应机制。研究发现:通货膨胀冲击在短期内对产出具有促进作用,而长期看对产出的影响十分微弱;货币政策传导机制具有显著的时变性;积极的货币政策(增加货币供应量和降低利率)在短期内具有真实效应,而长期来看缺乏持久性影响;中国货币政策存在短期利率上升导致长期利率下降的"利率之谜"现象。

基于向量自回归模型的电网虚假数据注入攻击检测

虚假数据注入攻击(false data injection attack,FDIA)是威胁电网运行安全的主要因素之一,其主要通过攻击电网中的一些通信环节,误导电力系统的状态估计结果,给电网安全运行带来巨大威胁。针对FDIA难以有效检测及电力系统状态估计中过程噪声与量测噪声两者协方差矩阵非正定问题,将向量自回归(vector auto regression,VAR)模型引入电力系统状态估计,提出一种基于VAR和加权最小二乘法(weighted least squares,WLS)的FDIA检测方法。首先,建立VAR状态估计模型,将量测噪声视为稳定量,只对过程噪声进行估计,解决两者协方差矩阵的非正定问题;其次,分别采用VAR与WLS对电力系统进行状态估计,采用一致性检验与量测量残差检验对2种方法的结果进行检测,以判定是否存在FDIA;最后,IEEE 14节点和IEEE 30节点仿真结果表明,本文所提检测方法能够成功检测到FDIA,且检测成功率较高,从而验证了该方法的可行性及有效性。

中国货币政策效果的实证检验:1995-2008年

利用实际货币供应量、实际利率、汇率和实际国民收入四个变量,建立SVAR(3)模型以检验1995-2008年期间中国货币政策的有效性。利用样本期间相关变量的季度数据进行向量自回归分析、约翰森协整检验、格兰杰因果检验和脉冲响应分析后发现:样本期间货币供给调整的短期效应远高于长期效应,实际利率对真实汇率水平的影响程度很低(对产出有负影响),实际汇率对实际产出有负影响。继续稳步推进利率市场化和适当放开汇率波动的幅度有利于强化货币政策的效果。