大数据背景下的规划产业选择研究——基于区间型符号数据因子分析

产业方向的选择是规划编制中的重要问题。在大数据背景下,从微观角度——海量企业数据入手进行产业分析与选择,为精确决策提供了可能。基于区间型符号数据的因子分析法可以有效针对大数据进行"打包"分析,弥补传统方法的不足。本研究阐述了区间分析在科技规划编制中的优势,介绍了区间型符号数据因子分析方法,并从海量企业基础数据出发,对天津科技规划中产业选择做了实证研究。

对区间型符号数据因子分析的改进及其应用

信息高速发展应用时代,符号数据解决了如何从海量数据中有效挖掘系统理论知识的难题,区间型符号数据是一种重要的符号数据。对原始区间型符号数据的因子分析进行改进,提出已知变量在可取值范围内均匀分布和变量非均匀分布或未知取值范围这两种情况的因子分析,并根据误差传递公式得到因子得分区间。引进区间的度量,对综合因子得分区间进行排序,并针对世博的实际问题做了研究。

区间型符号数据的因子分析及其应用

符号数据分析是一种新兴的数据挖掘技术,区间数是最常用的一种符号数据。基于误差分析理论,研究针对区间数据的因子分析方法。将区间数看作一个由中点和半径构成的有序偶,并将半径视为区间数的极限误差。对中点样本阵进行因子分析,得到因子得分的中点值。然后将半径样本阵按照误差传递公式,得到因子得分的极限误差。由因子得分的中点值和极限误差最终得到因子得分的区间值。最后以股票的市场综合表现评价问题为案例,进行了应用研究。

考虑内部散点的区间型符号数据的回归分析

研究通过对样本"点"数据打包形成的区间型符号数据的回归分析.针对现有区间数回归分析只利用区间数的端点信息这一问题,分析如何充分利用原始的样本"点"数据信息,即区间数的内部散点信息.首先从理论上推导了当假设原始样本点数据误差项满足回归分析所假定的三条性质时,区间数据回归分析的误差项也满足这三条性质.然后,在考虑散点的区间型符号数据描述性统计量的基础上,提出了一种新的区间型符号数据回归分析的参数估计方法.随之给出了区间预测方法.最后选取常用的CCRM作为对比算法,分别通过随机模拟和实例分析,验证了文中方法的有效性.

区间型符号数据的特征选择方法

对区间型符号数据进行特征选择,可以降低数据的维数,提取数据的关键特征。针对区间型符号数据的特征选择问题,本文提出了一种新的特征选择方法。首先,该方法使用区间数Hausdorff距离和区间数欧氏距离度量区间数的相似性,通过建立使得样本点与样本类中心相似性最大的优化模型来估计区间型符号数据的特征权重。其次,基于特征权重构建相应的分类器来评价所估计特征权重的优劣。最后,为了验证本文方法的有效性,分别在人工生成数据集和真实数据集上进行了数值实验,数值实验结果表明,本文方法可以有效地去除无关特征,识别出与类标号有关的特征。

区间符号数据在股市特征中的实证分析

文章采用区间符号数据的主成分分析法对2013年中国股票市场整个大盘走势进行了详尽分析研究,同时也打破了中信标普风格指数的编制方法,使得根据该方法得出的股票分类结果更加科学、合理。在指标选择上也与以往方法有所区别,在详细分析财务报表后,选择了更能涵盖上市公司特征的指标。从模型中使用的符号数据分析方法来分析股票市场的中国特色,得到的结论与客观实际相一致,说明符号数据分析方法对现时代大数据分析处理行之有效,而且十分方便。

基于非对称分布散点分位数的区间数据回归分析

许多经济变量(如GDP)水平序列随着时间变化具有单调趋势,截面数据(如各地区GDP)之间存在差异,为了研究经济变量在一段时间内的平均发展水平和相互关系,文章基于区间型符号数据的研究视角,提出了一种基于分位数思想的Bayesian回归方法,用以分析内部存在非对称分布散点的区间数据,既可以估计数据的区间,也可以预测数据在此区间内的偏度和离散程度。在模拟研究中,通过对评价指标数值的假设检验分析了该模型相对于上、下限和中点半径模型的效果,并根据真实数据中存在异常信息的现象,在模拟数据中加入异常值,进一步验证分位数方法的优势和稳健性。在实证研究中,运用提出的分位数方法,上、下限法和中点半径法对我国各地区GDP和工业生产总值年度数据进行区间回归分析,评价指标显示分位数模型Bayesian方法具有更优的拟合和预测效果,在GDP发展水平不同的地区,工业增长的贡献存在差异。

一种基于符号数据的群体推荐算法

基于符号数据分析所具有的能够有效地对海量数据进行降维并从整体上把握样本属性的优势,设计了基于区间型和分布式符号数据的模型建立方法,分别建立符号数据描述的目标群体用户模型和目标项目模型,并将目标项目模型分解为积极子模型和消极子模型来表示.进而计算目标群体模型与目标项目积极子模型、消极子模型之间的相似度,最终产生推荐.选取为群体用户推荐美食作为实例,通过大众点评网收集用户评分数据,对文中算法进行评价,结果表明该算法能取得良好的推荐精度,且在群体较小及数据稀疏时,推荐质量明显优于传统基于点数据描述群体用户模型的协同过滤算法.

自注意力环境下网络用户行为数据推荐方法

为提升网络个性化服务质量,针对传统推荐算法计算结果精度不高、覆盖率不全面的问题,提出一种自注意力机制下网络用户行为数据推荐方法。引入自注意力机制,模拟人类大脑处理看到事物时独有的信号处理机制,通过用户潜在偏好的集合与行为特征集合构建用户行为偏好模型,挖掘用户网络行为特点;将网络用户行为拟作个体评分问题,把用户评分信息当作区间型符号数据,在改进Hausdorff距离方法的前提下,使用K均值聚类算法划分区间型符号数据,预测目标用户对网络行为的评分,利用最近邻评分原则选取评分最高的项目作为最优推荐信息推送。以真实数据集作为仿真样本,实验结果证明所提方法的数据推荐准确率高、推荐内容覆盖范围广、实用性强,可广泛应用于各大门户网站。