考虑权重不确定性的变权重组合预测方法

针对已有的变权组合预测模型在确定变权系数时,忽略了权重不确定性的现象,提出了一种同时考虑预测误差和权重不确定性的变权重组合预测方法,权重的不确定性用信息熵来表示。此外,文章提出并探究了参与组合的单个预测模型的预测精度与组合预测模型的预测精度之间的关系,最后应用实例说明了变权组合预测模型具有很好的预测效果。

引入权重因子的证据合成方法

D-S理论是一种有效的不确定性推理方法,但在证据完全冲突或冲突较大时,D-S证据合成公式失效。Y ager等学者对此作了改进,但是改进后合成公式又存在着新的问题。考虑到证据在合成过程中的重要程度不同,将权重因子引入到合成公式中,通过权重因子的作用和冲突概率的重新分配,提出了引入权重因子的D-S证据合成方法,新的合成公式提高了证据合成的可靠性和合理性,可得到更为理想的合成结果。

带有半渐进式分层提取机制的轻量化多任务模型

多任务学习目前广泛被应用于各大领域,然而大部分效果较佳的模型都有着复杂的网络层级和架构,导致这些多任务学习模型很难被应用于资源有限的设备上,例如:经费有限但是人口基数大的国家或地区进行人口普查预测、便携设备的翻译等任务。为解决这一问题,提出半渐进式分层提取的轻量化多任务模型。模型首先通过对顶层任务独有的专家模块进行剪枝,将原先负责提取每个独立任务深层信息的工作交由每个任务的塔层模块进行。这一做法使得模型既能轻量化,同时也保留了将任务共享参数和任务独有参数分离及分层次提取信息的特点。为了弥补剪枝后模型性能及准确率上的下降,参考不确定性对损失加权的思想,引入动态联合损失进行优化,使得模型可以不断预测任务之间重要性对每个任务的损失进行权值调整。同时,也对部分超参数进行调优。通过模型在公共数据集UCI人口普查-收入数据集上的评估,最终证明模型有着与轻量化之前不分上下的性能。

基于模糊隶属度的电力系统抗差估计

提出了一种电力系统模糊自适应抗差估计(fuzzy adaptive robust estimation,FARE)方法。计及了量测权重的不确定性,以连续的模糊隶属度评价测点的优劣,很好地解决了测点非优即劣的问题,以最小化测点劣质性的加权模糊隶属度之和为优化目标,采用原对偶内点法(Primal-Dual Interior Point Method,PDIPM)求解,并且实现了对量测粗差的自适应。多个IEEE标准算例以及波兰系统的仿真测试结果表明,该方法具有良好的抗差性能。

基于鲁棒规划方法的农业水资源多目标优化配置模型

在干旱半干旱地区,调整种植结构可以促进农业水资源的高效利用。农业水资源配置需要在多个目标间权衡博弈,对各目标的偏好和赋权直接影响着优化模型的输出和决策方案的制定,但以往研究往往忽略了权重确定过程中因主观等因素的影响而普遍存在的不确定性。针对农业水资源多目标规划中存在的权重不确定性难题,建立了基于鲁棒优化方法的农业水资源多目标优化配置模型方法(MRPWU)。该方法可以把权重中蕴含的复杂不确定性信息纳入建模过程,产生可靠的模型结果;并能提供效益值及风险值均定量化的方案集,便于决策者在权衡效益与风险后确定最优方案。模型以作物种植经济收益和碳吸收量最大化为目标、以水土资源供需平衡等为约束条件,并应用于农业水资源供需矛盾突出的甘肃省民勤县。优化结果表明,随着保护度水平的提高,生态效益上升,经济效益和综合效益下降,系统面临的风险也随之下降。相比于权重为确定参数的模型,MRPWU模型可以在综合效益下降3.7%的同时,较大地提高系统应对权重不确定性以及风险的能力。与2017年的实际情况相比,MRPWU模型可以减少种植面积1.6%、节省灌溉用水3.9%,同时提高生态效益1.6%。