云教学与大数据分析型教师的养成——以电子商务专业为例

阐述了云教学的概念、特征,云教学平台的发展现状,课堂教学大数据的重要性以及教学大数据的收集和处理方法,成长为云教学背景下大数据分析型教师的重要意义、途径和方法,并以电子商务专业为例,介绍了基于蓝墨云班课的教学课堂管理方式,从蓝墨云中获取教学大数据的方法展示,以及进行教学大数据的分析和研究方法。

公路工程监理粗放型向数据分析型转变的探讨

文章对公路工程监理现状及数据分析在监理工作中的地位和作用进行了剖析 ,探讨了粗放型和数据分析型监理的区别 ,提出数据分析型监理模式 ,并结合合 (肥 )徐 (州 )、合 (肥 )安 (庆 )、芜 (湖 )宣 (州 )高速公路监理实践 ,探讨了向数据分析型转变的条件、必要性、质控方法及注意事项 ,建议尽快规划、开发数据分析型监理软件 ,吁请设立工程质量仲裁权威机构。

企业数据分析型人才培训影响因素研究——基于人工智能的视角

随着人工智能的发展,大数据技术得到了广泛地应用。企业如能利用新技术及数据快速做出精准预测,就能在市场竞争中掌握主动权。为此,企业迫切需要培养数据分析型人才。本文以企业员工为研究对象,基于人才学理论和创新扩散理论,以技术接受模型为蓝本构建研究模型,通过问卷调查法向企业不同层次的员工搜集了269份有效样本数据,再利用SPSS对数据进行分析,得出在决定企业员工参与创新培训模式的意愿的过程中,他们的态度起着积极作用,其中感知有用性是影响企业员工参与创新培训模式的态度的第一关键因素,匹配度是影响企业员工参与创新培训模式的态度的第二关键因素,学习动机是影响企业员工参与创新培训模式的态度的第三关键因素。

函数型可加模型的变量选择方法研究及其在人口年龄结构数据上的应用

本文主要研究因变量为标量,自变量为函数型变量的函数型可加模型的估计和变量选择问题.为了估计模型并简化模型结构,本文提出三种估计函数型可加模型的方法,不仅可以对可加成分未知函数形式进行估计,还可以对可加成分进行选择,提高模型解释能力.基于2018年82个经济体的截面数据,实证研究部分将对数起点人口占比曲线视为代表人口年龄结构的函数型自变量,建立起非寿险需求估计模型,并得到如下结论:第一,衰退型人口结构对非寿险需求存在推动作用;第二,即将退休人口密度的增加对非寿险需求存在推动作用.

基于图正则化多视角函数型矩阵填充的空气质量数据修复

由于传感器故障、数据传输等原因,收集到的空气质量数据往往面临着稀疏性和不完整性的挑战.提出了一种基于图正则化的多视角函数型矩阵填充方法(GRMFMC),以有效修复和重建空气质量数据的缺失部分.该方法通过引入图正则化策略,充分考虑了各污染物内样本信息的高阶邻域关系,减少了信息损失;并且利用Hilbert-Schmidt独立性准则(HSIC)提取不同污染物之间的互补信息,进而提高插补精度;同时,结合函数型数据分析,将不同时间点的空气质量数据视为连续函数,利用其内在的平滑性和相关性实现高精度的数据插值.真实空气质量数据集上的模拟插补和实证应用结果表明,相较于其他典型插补方法,GRMFMC方法的插补误差RMSE、NRMSE分别降低了56%~99%、46%~98%以及51%~99%、40%~98%,显示出更好的插补效果,且在不同缺失率和污染物种类下皆表现稳健,具有良好的泛化能力和实际应用价值.

基于函数型数据分析的河流有机碳通量评估模型及其应用

由于总有机碳(TOC)不是常规水文监测数据,监测频率远低于流量资料,且常常具有缺失值,这对评估TOC通量和揭示碳在河流的输移过程带来了较大难度。针对不同监测频率下的河流TOC通量评价问题,基于函数型数据分析(FDA),提出了一种改进的计算模型。首先,对离散数据集进行函数化处理,将所有指标均转化为同一评价时域上的光滑连续的函数曲线;而后通过黎曼积分,计算评价断面在研究时段的TOC通量。对长江朱沱站的评价结果表明,朱沱站2018-2020年TOC年通量的均值为70.2×10^(4)t;朱沱站TOC通量年内分配极不均匀,高度集中在汛期,特别是夏季。汛期(6-9月)的TOC通量年均值为43.82×10^(4)t,相当于总量的62.43%;夏季TOC通量年均值为34.90×10^(4)t,相当于总量的49.72%。而枯水期(10-5月)的TOC通量年均值仅为26.37×10^(4)t,占全年总量的37.57%;冬季的TOC通量年均值近7.13×10^(4)t,占全年总量的10.15%;与传统方法相比,改进后的TOC通量模型能更有效地处理缺失值和多指标监测序列不一致问题,并更准确地评估不同季节和丰枯水期的TOC通量变化过程。

心理学研究数据类型与统计方法——谈函数型数据分析的引入

心理学研究数据大致分为截面数据、时间序列数据和面板数据,三种数据类型的分析方法及使用前提因数据属性不同而有所不同。心理学截面数据的统计方法过于依赖模型的线性结构和假设条件等,在处理心理学面板数据中难以充分发挥统计方法的功用。函数型数据分析方法主要适用于面板数据处理,特别适宜ERP、fMRI、发展心理等心理实验中存在时间序列的面板数据的统计分析,为心理学研究提供了有力的新工具。

大数据侦查中的算法权力构造及其规制路径

算法与大数据侦查的共振极大提升了算法权力的外部效用,算法通过隐私计算整合了数据关系,聚合了侦查的监控能力。通过预测犯罪延伸了侦查的时空触角,追诉行为出现预防化特征。通过自动化决策将基于警察个体的经验法则运用概率化,加强了算法决策的专断性。算法的外部效用形塑了算法权力的内部构造,大数据侦查中数据分析型职权的成型、预防性职权的渗透以及数字化的决策程序成为算法权力形态。面对算法权力的扩张,程序法上应当更新规制框架,包括构建以限制算力为核心的数据分析型职权规制框架,确立以场景为标准的警察预防性职权与侦查权的界分点,构建以线索生成为取向的算法决策边界。

天气预报分析型数据模型及生成

将原始数据转换为分析型数据,增强用户对海量数据的分析能力,是数据仓库技术最核心、最有价值的思想,也是数据仓库在气象领域应用的基础。该文针对天气预报领域数据空间性、瞬变性、物理性和多尺度性等特点,提出了五元组描述的天气预报分析型数据概念模型;总结了生成分析型数据的固定区域统计、划分区域统计、基本天气系统识别和天气学概念模型识别4种聚集变换,并对其关键技术进行了讨论。提出了基本天气系统自动识别的滤波-划分-测量算法,探讨了针对气象数据特点的模糊空间关系,定义了进行天气学概念模型识别的空间模糊产生式规则,并针对空间数据给出了定位条件等扩展。

中国实时金融状况指数的另一种测度--基于函数型数据分析方法

本文使用28个变量的混频数据集,借助函数型数据建模思想,从连续、动态的视角测度了中国实时金融状况指数。研究表明:金融状况指数(Financial ConditionsIndex,FCI)各组成变量的权重具有时变特征,其大小存在较大差异;样本期内新增贷款是影响FCI的最主要因素,金融危机后货币供应、汇率维度的影响程度日益加深;FCI波动具有明显的周期性特征,在经济繁荣时期FCI处于上升态势,在经济萧条时期FCI处于下落态势,其波动转折态势与中国金融市场主要历史事件相吻合;所构建的FCI对于通货膨胀的代理变量CPI具有先导作用,可以有效预测未来6个月内的通货膨胀趋势。较于现有研究,本文构建的中国实时金融状况指数的相对优势在于能够测度任意时点金融运行状况的静态水平,并且其对通货膨胀的预测效果更好。

基于函数型数据分析法的GDP与财政收入关系研究

本文采用1996-2011年全国31省的GDP与财政支出数据,借助函数型主成分及典型相关两种函数型数据分析技术,探讨不同地域GDP间的差异及原因,研究GDP与财政收入间的关系。研究表明:东部区域的GDP增速最快,中部次之,2008-2009年间都出现增速放缓;31省的GDP和财政支出都呈增长趋势,GDP的增长速度始终高于财政支出的增长速度,故随着时间推移增速差异逐渐变大;但GDP的增速波动较大,财政支出的增速保持相对平稳增长,并在2009-2010年左右增速明显加快。此外,GDP与当期财政支出的相关性最高,与前期财政支出也存在高度相关性。

操作型数据库与分析型数据库关系分析

认为建造数据仓库是从操作型数据库中简单抽取数据的过程是一个非常错误的观点。本文从不同角度对操作型数据库和分析型数据库进行了较深入的分析,阐明了它们都是信息技术发展进程中的重要组成部分,存在于各自的应用领域且有着很强的互补性。

基于可见/近红外光谱和函数型线性回归模型的成熟期苹果可溶性固形物含量预测

可溶性固形物含量(SSC)是反映苹果品质和成熟度的重要指标,能够用于苹果品质分析和成熟度预测。以新疆阿克苏冰糖心红富士苹果为研究对象,从果实膨大定形期至完熟期,以3d等间隔周期采摘样本,采集其380~1110nm的可见/近红外光谱,测定其SSC,共552个样品。然后,利用基函数平滑方法将采集的可见/近红外光谱离散数据转化为光谱曲线,即函数型数据,并以可见/近红外光谱曲线、一阶导曲线、二阶导曲线为函数型解释变量,SSC为标量响应变量,分别建立函数型线性回归模型。为了验证和分析模型的性能,根据原始光谱离散数据,经过移动平滑、一阶导和二阶导预处理后,分别建立偏最小二乘回归(PLSR)、核支持向量机(KSVM)、随机森林(RF)、梯度提升树(GBM)和深度神经网络(DeepNN)。结果表明,在建立的18个模型中,针对训练集,PLSR-dNIR模型、KSVM-dNIR模型、RF-dNIR模型、GBM-dNIR模型和Deep NN-d2NIR模型都优于FunLR-NIR模型、FunLR-dNIR模型、FunLR-d2NIR模型,且Deep NN-dNIR模型最优(r_(c)=0.9996,R_(c)^(2)=0.9986,RMSEC=0.0740,RPDC=27.4366);针对测试集,FunLR-NIR模型、FunLR-dNIR模型、FunLR-d2NIR模型均优于其他所有模型,且FunLR-NIR模型最优(r_(v)=0.9534,R_(v)^(2)=0.9077,RMSEV=0.5856,RPDV=3.3017)。综合训练集和测试集的结果来看,核支持向量机模型、随机森林模型、梯度提升树模型和深度神经网络模型容易过拟合,而函数型线性回归模型具有更好的普适性。此外,从三个函数型线性回归模型(FunLR-NIR模型、FunLR-dNIR模型、FunLR-d2NIR模型)的预测效果看,模型均具有良好的鲁棒性和较高的预测精度。试验结果表明,结合可见/近红外光谱技术与函数型数据分析构建的函数型线性回归模型,可成功、有效地实现成熟期苹果的可溶性固形物含量预测。

基于贝叶斯估计的空间函数型自回归模型及其应用

目的为了研究函数型数据中响应变量的空间相关性,根据现有研究方法,对具有空间依赖性的函数型数据进行研究,并提出其模型的贝叶斯估计方法。方法以典型空间自回归模型为基础,根据函数响应变量的空间依赖性,假设响应变量和解释变量间存在内生关系,生成空间函数型自回归模型,通过主成分分析将模型中函数型部分变为离散型,然后在给定先验情况下计算模型中参数的完全条件后验分布,使用贝叶斯MCMC方法进行估计。结果使用联合Gibbs采样和随机游动的Metropolis-Hastings算法对模型中参数进行估计,通过模拟研究发现:不同参数下模型的函数型系数以及其他参数的估计偏差和均方误差较小,由此验证了贝叶斯估计方法的有效性,同时将空间函数型模型用于重庆市主城区新房平均价格的实证分析,结果表明所提出模型的贝叶斯估计方法是有效的。结论使用贝叶斯估计方法对模型中参数进行估计,在不同情况下函数型解释变量的估计效果一直都比较好,并且随着样本量的增大,其估计效果也越来越好,可以认为使用贝叶斯估计方法对空间函数型自回归模型进行估计是有效且可行的,同时通过实证分析说明重庆市主城区新房平均价格具有空间自相关性,而且会受到二手房挂牌量的影响。

基于函数型数据分析方法对心电图中T波与RR间期的研究

心电图(ECG)一般是由P,Q,R,S,T等5个波组成.每个波代表着一定的心动信息,并且各个波之间存在一定的联系.利用函数型数据分析的方法,建立了心电图中T波与RR间期的函数型线性回归模型.求解模型以及检验模型的结果表明了函数型线性回归模型能较好地反映T波与RR间期的关系.

用函数型数据分析网络团购市场的结构与市场发展

以美团网为例,使用函数型数据研究网络团购市场的结构与发展。首先将从网络采集到的团购离散数据,根据分析目的构造成函数化数据,然后对函数化的数据进行描述统计分析和函数主成分分析,并对不同种类的团购与不同地区的团购进行比较。最终得出区别于以往研究团购的结论:当期团购市场仍以美食类为主,购物类团购逐渐被大家认同,休闲类团购集中度下降;上海与北京都属于团购发展较快地区,而北京地区相对变动较大;热门地区团购销售额的集中度随着团购地区的扩张而被稀释。

基于函数型数据分析的工商业居民用户电力数据清洗算法

用户电力数据的爆炸式增长给原始数据修正带来许多难点。文章提出用函数型数据分析(Functional Data Analysis,FDA)对错误和缺失数据进行修正与补全。通过函数估计方法,将原有观测个体的离散数据映射到一个新的函数空间,将数据中缺失的成分利用相似用户曲线特征进行修复,并搭建了针对电力大数据的数据清洗整体框架。在真实数据集上的测试结果表明,该算法能够准确地提取用户的用电特征曲线,并对错误数据和缺失数据进行准确地修复。

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。

京津冀地区PM2.5污染特征的研究——基于函数型数据分析的视角

近年来京津冀地区的雾霾重度污染事件频发,引起国家和社会的普遍关注.以京津冀地区68个监测站的数据为基础,研究了京津冀地区PM2.5小时间隔的年度数据主要变异模式、时空变化类型等污染特征.还研究了二氧化硫、氮氧化物年度累计排放量对PM2.5浓度变化的影响.结果表明,氮氧化物的排放对PM2.5浓度的贡献更显著,削减氮氧化物等污染物的排放可有效降低PM2.5浓度,改善空气质量.采用函数型数据分析方法,相对于传统的统计均值方法,能够更有效的使用所采集到的不同的数据类型,进行更细致的分析,从而得到更可靠的结论.

基于函数型数据分析的疲劳驾驶状态识别

针对目前常用于脑电信号特征提取的方法存在不能很好地反映信号的连续性、内部动态变化,导致基于脑电信号的疲劳驾驶识别的准确性不理想的状况,一种基于函数型数据分析进行脑电信号特征提取的方法被提出。所提出的方法是通过计算人体在静息状态和疲劳状态的函数性差异来表示特征和进行特征的提取。基于所提出的脑电信号特征提取方法构建了1个疲劳驾驶状态识别模型,并通过使用5种常见分类器在采集的疲劳驾驶脑电信号数据上进行测试,结果表明所提出的基于函数型数据分析的脑电信号特征提取方法有效,所构建疲劳驾驶状态识别模型能获得好的识别效果,最好的识别准确率达到94.82%。