多因素耦合条件下的风积土击实试验及预测分析模型研究

常规的风积土击实试验通常是在不考虑其他影响因素的情况下,研究土体含水量对干密度的影响。为保证风积土体的压实效果,文章综合考虑可能影响风积土体干密度的重要因素,即风积土原始含水量、最终击实含水量、分层铺筑厚度、击实做功大小和重复击实循环次数。对上述影响因素进行耦合,开展风积土体击实试验,通过极差分析方法研究各因素对风积土体干密度的影响程度和影响规律,以期为工程施工提供参考。

住院人数趋势季节模型预测分析

住院人数是反应医院工作情况的重要指标之一,做好住院人数季节变动测定与预测,便于掌握住院人数季节变动的周期和规律,为医院制定工作计划和领导决策提供重要依据。对于医院管理中合理利用人力、物力和财力,减少工作中的盲目性,进一步提高医疗服务质量和工作效率具有现实意义。

利用数据挖掘技术建立城市区域交通流状态分析预测模型

ITS中的一个重要研究领域就是交通流的诱导 ,而为了要正确地诱导交通流 ,就需要对交通流的状况进行实时分析和预测。本文运用计算机科学领域中的数据挖掘技术 ,提出了一个城市区域交通流分析预测模型。通过模型中的预测级神经网络、决策树约束集、关联规则约束集和修正级神经网络 ,全面地考虑了区域内交通流本身与其它动态、静态指标对未来交通流状况的影响 。

基于LS-SVM的养殖水体氨氮含量分析预测模型

养殖水体的氨氮含量是水产养殖中的关键水质指标,是评价水体污染情况的基本测量项目。设计一种自动氨氮监测系统,自动抽取水样并定时测量,使用最小二乘支持向量机算法(LS-SVM)建立了分析预测模型,LS-SVM最小二乘支持向量机算法增强了泛化能力,减少了异常样本的预测偏差,提高了预测学习的精度。对基于神经网络模型、基于LS-SVM模型进行了仿真比较,结果显示LS-SVM模型具有更优良的分析预测效果。

模糊聚类与预测分析模型在高等学校定位中的应用

利用模糊数据挖掘方法 (FDM) ,建立了模糊聚类与预测分析模型 ,并结合 2 0 0 4年中国大学 10 0强排行榜的有关数据 ,对某些综合类大学进行了定位分析 ,其分析结果与实际定位情况基本一致 ,这充分说明利用该模型对高等学校定位是可行的、实用的 ,期望能为我国高等学校的正确定位提供决策支持。

预测分析与人工智能在软件用例预测的应用研究

深入探讨了预测分析与人工智能在软件用例预测领域的应用。首先,概述了软件用例预测的重要性,并分析了预测分析与人工智能技术的发展背景及其在不同行业中的应用情况;其次,提出了一种创新的技术框架——智能预测分析模型,并详细地描述了该框架的构建与实施过程,包括数据收集与处理、模型构建、算法选择和性能评估与优化等关键步骤;然后,通过模拟实验,展示了该智能预测分析框架在预测软件在不同用户群体中的使用频率方面的有效性。实验结果表明,利用该智能预测分析模型框架可以有效地提高软件用例预测的准确性和效率;最后,讨论了在实际应用中面临的挑战和未来发展方向,指出预测分析和人工智能在软件用例预测领域的应用前景和研究价值。

趋势动态分析预测模型

预测是利用过去和现在的资料,推断未来的发展趋势。在常用的预测方法中,时间序列法是通过数据的平滑处理,来削弱随机波动的影响,从而找出事物的发展趋势;相关分析法则是利用最小二乘原理,在残差平方和最小的意义下,从已知数据中找出事物发展的趋势。

TD-SCDMA网络利用率预测分析模型

提出了一种TD-SCDMA网络利用率预测分析模型,建立话务量及数据流量与BRU利用率关系的数学模型,该数学模型可以预测存量用户对提高TD-SCDMA网络利用率的影响,也可以与TD-SCDMA用户数增长情况预测相结合,为未来预测网络利用率的增长情况提供了一种有效的方法,可以为未来的网络规划和业务发展提供参考和借鉴。

煤矿立井井筒非采动破裂的Fisher判别分析模型

为准确评价煤矿立井井筒的安全状态,基于多元统计分析理论,以工程实测数据为训练样本,选取井筒直径、松散冲积层厚度、水位降、卸压槽压缩率、破裂等级、服务年限率、治理方式和冲积层压缩速率8个影响因素作为判别因子,建立了井筒非采动破裂的Fisher判别分析模型。在此基础上,对兴隆庄煤矿副井和东风井的安全状态进行了预测。结果表明,21个训练样本的回代判对率为100%,模型精确性高;判别效果通过了显著性检验,并通过井筒实例对模型的可靠性进行了验证;兴隆庄煤矿副井和风井2017年6月预测状态为安全,井筒破裂的可能性较小。该预测方法简单、可靠,为立井非采动破裂预测提供了一种新的途径。

加权复合分位数自回归模型在隧道围岩变形预测中的应用

提出加权复合分位数自回归模型对隧道围岩变形进行预测的新方法,并给出其原理和实现算法。以昆明市阳宗隧道为例,对加权复合分位数自回归预测模型进行计算,并与其他模型进行对比分析。结果表明,新方法预测效果优于非加权复合分位数估值的AR(2)模型、基于最小二乘参数估计的自回归预测、经遗传算法优化的支持向量机等预测方法。

基于多种模型的福建省国内旅游需求预测

旅游需求预测是旅游决策的基础。根据福建省 1997-2008 年国内游客量的统计数据,尝试构建灰色 GM(1,1)模型、动态趋势预测模型和回归分析预测模型,分别对福建省未来 5 年国内游客接待量进行了预测。对预测结果的比较分析表明,灰色预测模型的平均预测误差可以控制在 5%以下,因而是福建省国内旅游需求预测的最佳选择;而动态趋势预测模型虽也能达到要求的精度,但效果稍差;回归分析预测模型则产生较大误差,显然不宜用于有关预测。

建筑物沉降数据分析的灰色预测方法

本文将灰色系统理论的GM(1,1)模型应用于建筑物沉降观测,并结合南宁市民生广场沉降观测实例,进行沉降预测结果的分析和检验,充分证实了在建筑物沉降变形分析中应用灰色预测法的可行性。

设定地震地表破裂阈值下的一种条件概率分析模型

大量的研究表明,地震地表破裂长度(或位移量)L(D)与地震强度之间具有良好的统计关系:LgL(D)=a+bMs,a、b系数取决于所处地震地质区域及发震断层性质的差异;研究同时表明,地震破裂的错动面积(A′)实际上反映了地震作用沿断层面破裂时的能量转换,它可以描述为:A′=∫L0乙f(L)dL,f(L)的物理意义表示为破裂总位移量(水平位移与垂直位移的矢量和)D′沿破裂长度的分布,D′～N(μ,σ2)。在对发震断层的设定地震进行讨论的基础上,给出了地震地表破裂的分析预测模型,即从建、构筑物的抗震设防水平出发,对于给定的场地容许的破裂尺度L(D)c,不突破此一破裂尺度L(D)c的场地地震地表破裂概率可以表示为:P(L<Lc)=∫LC0乙g(L)dL,破裂尺度L(D)相对于不同的地震震级服从对数正态分布LN(μ,σ2)。

基于可拓神经网络的产品运行状态预测模型

复杂机械产品运行状态预测分析往往准确率较低、推理时间较长、难于推理,难以获得有效结果。为此,给出了基于改进可拓神经网络的复杂机械产品运行状态预测分析模型。提出了改进的可拓距,基于该可拓距构建可拓神经元,建立复杂机械产品运行状态分析经典域模型,并对运行数据进行训练,形成复杂机械产品运行状态可拓神经网络预测分析模型。通过具体案例对算法和模型进行验证,并对比BP神经网络,结果表明了模型与算法的有效性和可行性。

基于PCA-XGBoost联合算法的盗窃犯罪预测模型

结合大量犯罪数据特征和行为特征,提出一种PCA-XGBoost联合预测模型。采用PCA算法提取数据集的主要特征;应用XGBoost算法提升预测优化和泛化能力,并通过三种检验方法进行准确率检验。此外,经与XGBoost、CART、RF、NB和LR等分类算法模型的预测结果进行对比,表明PCA-XGBoost联合预测模型对盗窃犯罪数量的预测准确度明显高于其他预测模型,具有较高的应用价值。

一种改进的VMD-XGBoost验潮站月海面高序列预测模型

海平面不断上升威胁人类的生命安全,高精度的海平面预测对人类预防水文灾害具有重要意义。现有的预测方法因验潮站数据为单一时间序列而难以进行高精度预测。针对此问题,提出一种融合变分模态分解(VMD)和极度梯度提升算法(XGBoost)的变分模态分解-极度梯度提升预测模型,简称VMD-XGBoost模型。与XGBoost模型、卷积神经网络与长短期记忆神经网络混合模型(CNN-LSTM)、变分模态-卷积神经网络与长短期记忆神经网络混合模型(VMD-CNN-LSTM)对比,对荷兰沿岸海平面验潮站时间序列进行预测。验潮站预测结果分析表明:相较于XGBoost模型,VMD-XGBoost模型预测结果的均方根误差平均降低65.43%,平均绝对误差平均降低63.79%,平均绝对百分比误差平均降低63.44%,且相较于VMD-CNN-LSTM模型,VMD-XGBoost模型在验潮站海面高序列预测上具有更高预测精度,可实现高精度验潮站时间序列预测。

基于电力大数据的铝行业价格分析与预测

为探索基于电力大数据的行业经济分析预测,本文选取铝行业的用电量数据以及该行业的产品价格数据作为研究因子,首先通过相关性检验确认研究因子的相关性程度,在研究因子相关性较高的前提下,利用SVR算法搭建基于行业用电量数据的铝行业价格分析预测模型,开展铝行业的发展趋势及市场价格分析预测。通过与实际情况进行对比,检验该模型对铝行业未来价格走势的预期效果,有利于投资者更加了解市场走势,有助于行业投资风险的分析决策,规避一些可控制的市场风险。

基于负荷预测与关联规则修正的不良数据辨识方法

随着电力系统的快速发展,使得电网需要对海量、异构和多态的数据进行分析与辨识。传统的不良数据辨识方法辨识效率较低,且不能够高效率利用已知的全部数据信息。为解决此问题,提出了一种基于负荷预测与关联规则修正的不良数据辨识方法。根据数据量之间的内在联系,给出了一种三维矩阵的数据存储方法。建立基于回归分析法的预测模型与基于灰色关联的相关性分析模型,分析节点注入功率与温度之间的变化关系,并采用关联规则与特殊断面修正法对预测值进行修正,进而完成对注入功率的辨识。在此基础上,再通过基尔霍夫定律与残差辨识法完成对支路潮流数据的辨识工作。最后应用实际系统的仿真算例证明了该方法能够在克服残差污染和残差淹没现象的前提下准确辨识出全部的不良数据。

大数据分析技术在跨境电商中的应用研究

本文以ebay为例,探索中小企业在跨境电商中利用大数据分析技术预测市场需求的问题,并提出大数据预测模型,大数据预测需求包括四个阶段:数据采集、数据处理与集成、数据分析和数据解释,最后指出该模型的特点,包括可以更科学、更有预见性地开展境外营销工作。

基于运动病诱发率的400 km/h高速铁路线路参数适应性分析

针对400 km/h高速铁路线路设计需求,本文以高速铁路车线动力学方法为基础,引入运动病诱发率(Motion Sickness Incidence,简称MSI)作为舒适性评价指标,参考运动病诱发率预测模型,提出适用于线性分析的运动病诱发率预测方法,并对某高速铁路线路设计参数与速度匹配适应性进行了分析研究。结果表明:(1)MSI能很好地反应乘客在运动环境中的舒适性;(2)线路里程和曲线段数相同时,MSI随曲线半径的增大而减小;MSI相同时,大半径曲线能相对延长线路里程,增加曲线段数;(3)MSI曲线斜率能反映单个曲线对乘客舒适性的影响规律;(4)12000 m曲线半径及其匹配的超高、缓和曲线长度等与400 km/h行车速度的适应性良好,且可进一步提速至450 km/h乃至更高速度。