基于二维矩阵分解的船舶交通流预测

为克服船舶交通流的非线性和非平稳性特点造成的预测精度不高的问题,提出了一种融合二维经验模式分解(Bidimensional Empirical Mode Decomposition,BEMD)和时序正则化矩阵分解(Temporal regularized matrix factorization,TRMF)的船舶交通流预测方法。首先,将传统一维船舶交通流时序数据重整为二维交通流量时序矩阵(天×时段),再利用BEMD将二维交通流量数据分解为高频矩阵和低频矩阵,其中高频矩阵体现突变因素对交通流的影响,低频矩阵体现稳定因素对交通流的影响;接着,采用引入正则时序项的TRMF,分别对高频与低频矩阵进行预测,进而融合得到最终的交通流量预测结果;最后,对比分析BEMD-TRMF、GM(1,1)、ARIMA、BPNN、WNN、LSTM和TRMF预测模型,结果表明BEMD-TRMF模型的平均预测误差约为3%,优于对比模型,达到了较好的预测精度。

基于TRMF-LSTM组合模型的多维时间序列预测

近年来,长短时记忆网络(LSTM)在处理时间序列的非线性部分有着巨大优势,但单一预测模型无法同时兼顾数据的线性与非线性特性。针对此问题,引入时序矩阵分解技术TRMF处理多元时间序列的线性主体部分,计算得到训练数据的残差后,输入LSTM模型进行非线性拟合,再将测试数据代入到训练好的TRMF-LSTM模型,将模型预测的线性主体与残差相加,得到组合预测值。选取沪深300、上证指数两支股指以及三一重工、中国人寿、农业银行、牧原股份、美的集团、隆基股份6支个股共8支股票的股价时间序列进行预测,以LSTM、Transformer、SVR作为对比模型,并选取MAPE与RMSE两项评价指标。实验结果表明,相较于对比模型,MAPE和RMSE的最小值均落在TRMF-LSTM组合预测模型中,充分验证了模型的有效性。

基于群偏好与用户偏好协同演化的群推荐方法

群推荐系统已经成为社交网络平台的重要工具,为群体用户提供兼顾个性化和整体满意度的产品和服务.现有群推荐方法大多是对个性化推荐方法的集成和聚合,忽略了群体和用户的交互影响以及群偏好和成员偏好的动态变化,从而无法保障群推荐系统的效果.为此,本文提出一种基于群偏好和用户偏好协同演化的群推荐方法,能够建模群体和用户的动态交互.具体而言,本文将用户偏好建模成其历史偏好和群影响的加权聚合结果,将群偏好建模成群历史偏好和新加入成员偏好的加权聚合结果,最终预测群体可能消费的产品列表和成员可能加入的群体列表.实验结果表明,本文所提模型在群体消费行为和用户加群行为的预测表现都优于基准算法,并兼具很好的鲁棒性.