体检指标健康预警的灰色-时序组合模型

对于个体健康体检数据而言,传统的以大样本为基础的数学模型无法满足体检数据的建模需求。基于个体体检数据特征分析,首先构建适用于个体体检指标健康预警的近似非齐次指数序列的改进离散灰色模型。其次,为降低单个模型预测精度的有限性,利用方差倒数法为离散灰色模型和差分自回归移动平均模型赋权重,在模型误差平方和达到最小时取得最佳的权重值。从而将两个模型的预测结果进行组合,实现对健康指标的建模与趋势分析,及时掌握个体健康指标的变化并发现潜在的疾病隐患。预测模型在实验数据集上的相对模拟误差与最优基准模型相比有所下降,表明灰色–时序组合模型具有更高的模拟精度,解决了传统的依据单次体检指标进行静态分析的弊端以及单个模型预测结果的局限性,更加关注个体差异,能有效提升健康预警的效果。

堆石坝变形监测的灰色非线性时序组合模型

结合堆石坝变形的特点 ,应用逐步回归方法提取大坝变形观测数据系列的水压和温度分量后 ,用灰色非线性系统模型模拟剩余数据系列的趋势项 ,用时间序列模型模拟剩余数据系列的随机项 ,由此建立了堆石坝变形监测的灰色非线性时序组合模型 .计算分析表明新模型提高了拟合精度 ,使堆石坝变形监测的数学模型更趋于合理 .

灰色系统与时序组合模型在高层建筑沉降预测中的应用

将高层建筑沉降监测数据视为具有确定性趋势的非平稳时间序列,运用灰色GM(1,1)模型提取其中的趋势项,用AR(n)模型表示随机残差项,利用灰色 时序组合模型进行沉降预测.算例结果表明,该组合模型具有较高的预测精度,是一种简单、实用的高层建筑沉降预测方法.

灰色时序组合模型的改进及高校报名趋势预测

剖析了高校报名人数时间序列数据的特点,发现其序列数据兼具趋势性和随机波动的特点,传统模型中的灰色时序组合模型拟和这类数据有一定的优势,通过实验发现该模型的误差还是较大的,对该组合模型在组合方式上进行了创新性的改进,为了检验模型,将其应用于高考报名的趋势分析,发现无论是模型的拟和精度还是预测能力都有了较大提高.

黄毛鼠种群动态的时序组合预测模型研究

目的提出珠江三角洲黄毛鼠种群数量的预测方法。方法采用季节交乘模型、季节叠加模型和差分自回归移动平均模型(ARI MA)分别拟合1998-2003年黄毛鼠种群数量的时序变化动态,建立相应的预测模型并进行中长期预测,比较不同预测模型的适用性。结果季节交乘模型、季节叠加模型和ARI MA模型均能较好地拟合黄毛鼠种群的历史消长趋势,预测黄毛鼠发生数量的平均误差分别为(6.43±1.87)%、(10.34±2.56)%和(11.48±2.78)%,而预测黄毛鼠发生等级的准确率分别为91.67%、83.33%和66.67%。以季节交乘模型和季节叠加模型的预测结果较为准确,预测模型分别为X(t)=(5.15839329-0.01577224t)γT+t和X(t)=5.18130846-0.00861724t+dT+t。结论季节交乘模型和季节叠加模型适用于预测黄毛鼠种群的发生量及发生程度。

地铁隧道地表变形小波去噪及灰色-时序组合预测模型研究

以青岛地铁3号线地表变形横向观测线实测数据为例,开展小波去噪及时序组合预测模型的研究。首先,采用小波理论对观测值进行粗差剔除与去噪处理,根据均方误差最低、信噪比最高的原则,证实dmey小波1层分解、rigrsure软阈值小波去噪方法是最优的。其次,给出地铁隧道地表变形灰色-时序组合预测模型表达式,选用等维新息GM(1,1)模型和残差时间序列模型进行地表变形叠合预测。最后,通过小波去噪后时间序列预测模型、小波去噪前灰色-时序组合预测模型、小波去噪后灰色-时序组合预测模型进行计算分析,结果表明小波去噪后灰色-时序组合模型预测精度最高,并分析了各模型预测精度差别的成因。

时序递阶组合模型在冰川河流年径流量预测中的应用研究

应用时间序列分析方法，将发源于天山的奎屯河的年径流量时间序列通过趋势项、周期项和平稳随机项的识别、建模与提取，建立了时序递阶组合模型。应用该模型对奎屯河年径流量进行了预测，为新疆生产建设兵团奎屯河流域灌区水资源合理配置和优化调度提供了科学依据。

地铁变形监测小波去噪与灰色-时序模型研究

近年来,我国城市建设迅速发展,路面交通不堪重负,发展地下交通成为一种趋势,由此引发的地表沉降是值得我们重视的问题。以河南省某市市民文化服务区地下交通工程为例,进行了小波去噪及灰色时序模型的研究。针对观测数据中存在的粗差,采用多种小波模型进行探测、剔除工作。在此基础上建立灰色预测模型、时间序列预测模型以及两者的组合模型。结果表明灰色模型对于波动性数据处理效果不佳,而时间序列模型短期预报比较精确,组合模型能够兼顾数据的波动性和趋势性,预测精度最高,能够满足地铁区间隧道地表变形精度要求。

应用时序递阶组合模型预报白溪水库年平均入库流量

为探讨白溪水库年平均入库流量序列基本演变规律,在分析研究径流各组成部分成因的基础上,通过建立趋势项序列、周期项序列和平稳随机项序列的模拟预报子模型,合成时序递阶组合模型,预报白溪水库年平均入库流量。据分析成果显示,该模型概念清晰、结构简单,模拟预报白溪水库年平均入库流量精度较高。

基于小生境免疫算法的月负荷预测组合模型

采用组合时序模型法根据月用电负荷建立了预测模型,提出了一种基于小生境免疫算法的组合预测模型。将该组合模型应用于某地区负荷预测的实例中,与基于遗传算法的组合模型的比较和分析结果表明,该模型的寻优能力较好、预测精度较高。

变形预测模型在地铁保护区监测中的应用

结合某地铁保护区隧道监测工程,对沉降数据进行了分析及建模预测,以掌握其变形规律并预测变形趋势。由于单一预测模型存在弊端,较难达到预测要求,所以将灰色预测模型与时间序列模型进行组合,并将新陈代谢的思想引入组合模型进行建模预测。结果表明,新陈代谢灰色-时序组合模型预测结果可靠,具有较高应用价值。

我国能源加工转换效率与经济发展的关系分析及预测模型构建

通过主成分回归法分析了我国能源加工转换效率与经济发展的关系,认为能源转换效率结构对经济发展存在明显的影响,各种形式的能源转化效率之间存在明显的替代作用;为获得经济与能源加工转化效率结构协调发展的最优状态,构建了灰色时序组合预测模型。

基于深度半监督的柬语句子级情感分类

针对柬语标注数据较少、语料稀缺,柬语句子级情感分析任务进步缓慢的问题,提出了一种基于深度半监督CNN(convolutional neural networks)的柬语句子级情感极性分类方法。该方法通过融合词典嵌入的分开卷积CNN模型,利用少量已有的柬语情感词典资源提升句子级情感分类任务性能。首先构建柬语句子词嵌入和词典嵌入,通过使用不同的卷积核对两部分嵌入分别进行卷积,将已有情感词典信息融入到CNN模型中去,经过最大延时池化得到最大输出特征,把两部分最大输出特征拼接后作为全连接层输入;然后通过结合半监督学习方法——时序组合模型,训练提出的深度神经网络模型,利用标注与未标注语料训练,降低对标注语料的需求,进一步提升模型情感分类的准确性。结果证明,通过半监督方法时序组合模型训练,在人工标记数据相同的情况下,该方法相较于监督方法在柬语句子级情感分类任务上准确率提升了3.89%。

水口电站19号坝段观测数据处理方法

本文以闽江水口水电站19号坝段实测数据为依据,建立灰色回归-时序组合模型以诊断观测异常值。处理后的数据具有较高的相关系数,能合理反映水口电站大坝的工作性态。

青藏块体河西地区断层变形预测研究——以金塔南场地为例

采用青藏块体河西地区中具有季节性时间序列特征的金塔南场地的变形监测数据,依据单个预测模型各自的特点,选用灰色模型和灰色时序组合模型对该组数据建立预测模型。研究结果表明:灰色模型能很好地描述季节性时序的宏观发展趋势,时间序列模型能很好地描述季节性时序的周期性微观趋势。灰色时序组合模型结合了两者的优点,适用于季节性时间序列的变形分析与预测,预测结果可靠性较高。