基于聚类算法和图神经网络的短时交通流预测

针对现有预测模型未充分利用交通流数据时空相关性的问题,本文提出了一种深度学习模型,将聚类算法、图神经网络(GNN)和门控循环单元(GRU)相结合。首先,利用聚类算法将预处理后的数据划分为不同类型的流量模式;其次,采用GNN提取复杂路网交通流的空间相关性,结合道路的皮尔逊相关性分析和节点的局部聚类系数,挖掘潜在的节点连接关系;再次,使用GRU提取交通流数据之间的时间相关性,通过自注意力机制捕获数据之间的相互依赖关系;最后,通过残差连接将GRU和GNN的输出与原始输入结合,经过全连接层得出最终的预测结果。多组实验结果证明,本文提出的模型预测精度优于其他基线模型及对比的模型。

基于复杂网络的投资组合优化研究

本文基于复杂网络的局部聚类系数改进了传统的全局最小方差投资组合模型。首先通过股票对数收益率的相关系数矩阵构造股票关联网络,然后计算股票关联网络的局部聚类系数,最后通过全局最小方差模型确定最佳投资组合。将改进后的模型应用于A股市场,经过夏普比率、信息比率和欧米茄比率的对比分析得出改进后的投资组合模型在样本外的表现优于传统的全局最小方差投资组合模型。