基于贝叶斯优化支持向量回归的流线型箱梁颤振气动外形优化方法

为解决风洞试验耗时费力和计算流体动力学(CFD)计算量大的问题,提出了一套新型流线型箱梁断面颤振性能气动外形优化方法.以风嘴参数为设计变量,利用CFD获取断面三分力系数,以准定常理论估算的颤振临界风速为优化目标.根据贝叶斯优化支持向量回归构建代理模型,利用混合加点法更新模型,通过寻优算法确定最优断面.以虎门大桥为例,得到桥梁在可行域内颤振性能最佳的断面方案.结果表明,风嘴升高,颤振临界风速先增后减,相对高度为0.6时整体性能较优,相对高度为0.7时可获得最优断面.底板宽增加,颤振性能显著降低,下斜腹板倾角为14°~16°时颤振性能最优.断面优化后桥梁颤振临界风速相比原始断面提升约31%.

贝叶斯支持向量回归及其应用

支持向量回归(SVR)是机器学习中重要的数据挖掘方法,当前关于SVR的研究大多基于二次规划理论,同时,利用交叉验证或一些智能算法选取模型中的超参数,然而,基于二次规划理论的SVR估计方法不仅计算量较大,而且不能进行后续的统计推断分析。文章基于贝叶斯方法研究SVR,通过引入两个潜在变量将SVR的ϵ不敏感损失函数表示为双重正态-尺度混合模型并构建似然函数,通过选取适当的先验分布获得兴趣参数和超参数的Gibbs抽样算法。为筛选重要变量和最优模型,引入0-1指示变量并选取回归参数的Spike and Slab先验来获得贝叶斯变量选择算法。数值模拟证明了所提算法的有效性,并在非正态误差下表现出很好的稳健性。最后将所提方法应用于房价数据分析,得到了有意义的结果。

基于贝叶斯支持向量回归机的稳健参数设计

稳健参数设计是一种质量改进的重要技术,能够从产品生产的源头上减少和控制波动的产生。双响应曲面法是其常用的方法,主要是利用低阶多项式模型来拟合均值和方差响应,但当样本较复杂(如为非线性或者高维样本)时,低阶多项式模型的拟合性能往往较差,求解优化问题效果不佳。支持向量回归机对非线性数据有良好的拟合潜力,但其性能依赖于参数的合理设置,文章将贝叶斯优化应用于支持向量回归机的参数选择,并将优化后的模型应用于稳健参数设计中响应曲面模型的构建,提出一种基于贝叶斯支持向量回归机的稳健参数设计方法。试验结果表明,所提方法和其他常见优化方法相比,可以获得更精确的响应曲面,可以在实际应用中近似得到可靠的最优因子搭配水平。

基于贝叶斯优化的支持向量回归模型对电能表在线率的预测

为预测电能表的在线状态,保障塔里木油田生产用电,将迪那地区电能表在线数等24个变量作为研究对象,运用反向特征消除方法进行数据降维,得到影响在线率的5个主要变量。进一步通过贝叶斯优化的支持向量回归方法完成对电能表在线率的预测,并与随机森林算法、梯度提升算法等预测方法进行比较。计算结果表明,该模型在预测电能表在线率的任务中表现出色,预测值加权平均误差低至0.408%,明显优于其他各算法。以塔里木油田为例,该模型可提升电网运维效率,为实现高效的电能分配提出了一条切实可行的途径。

基于贝叶斯向量自回归的中国国债收益率预测

本文运用基于独立Minnesota-Wishart共轭先验分布的贝叶斯向量自回归模型(BVAR),并通过Gibbs抽样的马尔科夫链蒙特卡洛模拟方法预测中国银行间国债的收益率。此外,按照固定窗口的滚动预测规则,采用统计性损失函数和经济准则(夏普比率和资产组合效用损失)共同作为评判标准,比较BVAR模型与其他8个常见模型在直接和递归方式上的预测效果。结果表明BVAR模型的短期预测效果不稳定,但中长期直接预测效果显著好于递归预测及其他模型,并且预测步长及收益率的期限越长,预测精度越高,反映了BVAR模型预测中长期国债收益率的优越性。

基于贝叶斯向量自回归方法的钢材消费量预测

针对我国工业化和城市化进程加快发展、钢材表观消费量持续上升的客观现实,文章构建了包括GDP、城镇固定资产投资、广义货币供应量和钢材表观消费量的贝叶斯向量自回归钢材表观消费量预测模型,实证结果表明,BVAR(2)模型能较好地预测我国月度钢材表观消费量,其短期预测能力优于常用的ARIMA模型,同时,GDP增速的上涨对未来我国钢材表观消费量将产生较大的持久拉动作用;广义货币供应量增速的上涨会对其产生短暂的拉动作用;固定资产投资增速的上涨对其产生的拉动作用将保持半年左右。

评价贝叶斯向量自回归模型在区域经济预测中的表现

贝叶斯向量自回归(BVAR)利用先验的统计信息能够克服时间序列数据较短的困扰,理论上在我国区域经济预测中应该具有良好的效果。绝大多数区域预测模型文献缺乏"真正"意义上的样本外预测误差评价研究,但我们早期对民族八省区主要经济指标2010—2015年的预测为本文详细评价BVAR模型实际预测误差提供了绝佳的机会。以民族地区为例,本文的分析表明,BVAR模型的预测误差非常小,预测能力令人非常满意。同时本文也分析并指出进一步提高BVAR模型预测精度的努力方向。

国际油价波动与我国通货膨胀——基于贝叶斯向量自回归方法的实证研究

随着我国成为世界第二大石油消费国,世界石油价格的波动对我国通货膨胀的冲击日益受到关注。本文结合主流文献观点,在分析国际石油价格对我国通货膨胀冲击的传导路径的基础上,构建了贝叶斯向量自回归(BVAR)模型,利用贝叶斯定理通过施加先验信息约束进行估计,实证研究发现,国际石油价格上涨对我国通货膨胀产生持久的冲击,每当国际石油价格上涨1%,分别导致我国RPI、PPI和PCI上涨1.21%、0.18%和0.07%。

利率水平对中国上市商业银行违约概率的影响——基于贝叶斯向量自回归实证分析

利率水平高低影响商业银行的经营风险。首先使用KMV模型测度中国16家上市商业银行的违约概率。在此基础上,鉴于贝叶斯向量自回归模型预测能力较强,使用贝叶斯向量自回归模型,研究利率水平对中国16家上市商业银行违约概率的影响。整体实证分析表明,利率水平升高对中国商业银行违约概率产生负面影响,但中国股份制商业银行和城市商业银行受利率水平的负面影响较高,国有大型商业银行受到的影响较低;利率期限溢价对中国16家上市商业银行影响较小。

经济新常态下产业结构与经济增长关系的实证研究——基于贝叶斯向量自回归与状态空间模型

在经济新常态背景下,正确处理好产业结构与经济增长之间的关系具有重要的现实意义.文章通过采用贝叶斯向量自回归(BVAR)和状态空间模型,对1978-2015年武夷山市三大产业结构与经济增长的关系进行了实证研究.实证结果表明,武夷山经济增长对来自三大产业随机冲击的反应延迟;三次产业对经济增长的影响具有时变特征,特别是从1998年后,第三产业对经济增长的影响出现较大幅度增加,这预示着随着时间的推移第三产业必将成为推动武夷山市经济增长的主要产业.所以,加快调整产业结构政策,完善产业转型所需投资和人才队伍保障,促进产业结构升级是未来促进武夷山市经济增长的重要途径.

中国金融周期的构建——基于混频向量自回归方法

2008年金融危机的爆发唤起了学术界与业界对于金融周期理论的广泛关注,其中,金融周期的测算是这类研究的一个重要分支,也是联系理论与现实的关键节点。随着金融周期与宏观经济相互影响的日益复杂,传统金融周期测算方法已难以实时、准确反映金融市场的波动变化。论文使用混频向量自回归模型,建立基于月度和季度数据的中国金融周期指数,并通过高斯马尔科夫区制转换方法对我国金融周期的区制特征进行了详细分析。研究结果表明,我国金融体系运行中的“大起大落”并非主导态势,但随着金融体系的发展和开放,金融周期波动幅度呈增大趋势。

基于贝叶斯支持向量回归机的自适应可靠度分析方法

进行复杂结构可靠度分析时,由于涉及隐式功能函数和耗时的数值计算,减少结构模型的调用次数在提高分析效率方面显得尤为重要。为此,本文基于贝叶斯支持向量回归机,提出了一种高效的自适应可靠度分析方法。该方法利用贝叶斯支持向量机提供的概率估计信息(均值和方差)构建学习函数,同时通过引入样本间的距离测度防止选取与现有样本过于临近的冗余点,进而能快速有效地选取极限状态曲面附近具有代表性的样本点,以提高代理模型的构建速度和预测精度。此外,在学习过程中引入了有效抽样域策略,有针对性地选取对失效概率估计误差贡献大的点,从而进一步提升结构可靠度分析的计算效率。最后,通过数值算例验证了本文方法对结构可靠度分析的适用性和有效性。

基于支持向量回归和贝叶斯优化的海岸线预测

模拟预测海岸线的动态变化对于沿海地带的开发和科学管理有较重要意义。在获取围头湾研究区Landsat-8卫星时序影像和验潮站数据的基础上,利用支持向量回归模型,结合贝叶斯优化获取最佳超参数,进而预测得到未来年份的海岸线数据,并采用ROC匹配、平均偏移量和均方根误差3种方法验证预测得到的海岸数据。结果表明:基于贝叶斯优化的支持向量回归模型,可以较好地预测围头湾区域未来海岸线,对应的完整度、正确度和质量分别为87.06%、86.10%和80.05%,平均偏移量和均方根误差分别为0.64像素和0.96像素;对于自然岸线预测结果较好,而人工岸线预测部分结果较差。

基于贝叶斯优化XGBoost的短期风功率预测

针对风电场输出功率不稳定导致风功率预测精度低的现象,提出一种基于贝叶斯优化极端梯度提升(BOA_XGBoost)的短期风功率预测模型。将极端梯度提升(XGBoost)、支持向量机(SVM)、核非线性回归(KNR)三个基础预测模型以及贝叶斯优化后的极端梯度提升(BOA_XGBoost)、支持向量机(BOA_SVM)、核非线性回归(BOA_KNR)进行对比,通过内蒙古自治区某风电场的实测数据对六种预测模型进行验证,结果表明BOA_XGBoost模型预测效果最佳,有效改善了风功率预测效果,提高了风电并网运行的安全性。

基于贝叶斯优化的卷积神经网络结合机器学习分类器的滑坡易发性预测研究

现有使用机器学习进行滑坡监测方法存在滑坡易发性特征选择超参数多为连续变量,数值约束松散的问题。为解决此问题,提出一种结合CNN-LR-SVM的滑坡易发性监测方法。使用CNN提取滑坡易发性特征值,捕获输入数据中的上下文信息,消除繁琐的传统特征选择过程,提升特征选择准确率。将提取到的特征值与LR、SVM分类器结合。之后,使用贝叶斯优化方法寻找CNN、LR和SVM超参数,考虑历史信息,优化下一步超参数设置方法,解决超参数优化数值约束问题。经实验验证,本方法在选择不同优化算法与激活函数时相比传统单一机器学习模型(以CNN与SVM为例)均有良好性能表现。

我国财政支出政策发挥作用时点的实证分析——基于混频向量自回归模型

使用同频数据分析财政支出政策效果,会因为使用了加总或差值方法处理数据破坏了数据结构,导致部分前瞻性信息丢失,从而扭曲了变量之间的关系,影响对政策效果的评估。为保持数据的初始性和完整性,构建混频数据模型能够更充分地发掘数据之间的内在联系,提高对财政支出政策分析的准确性。文章构建的混频向量自回归模型实证结果表明,相比于同频数据模型,前者能够更早地识别出财政支出政策发挥作用的时间,且对政策影响程度的判断也更为准确。因而,可使用更高频率指标"观测"财政支出政策发挥作用时点,并依据经济季度数据及时判断与调整财政支出政策。

一种支持向量回归中超参数自适应方法

在贝叶斯框架下支持向量回归SVR可视为最大化后验MAP回归函数估计的扩展.贝叶斯方法可用来实现模型中超参数的自适应,同时保持SVR稀疏性和凸二次规划的优点.在对SVR的MAP解做Laplace近似获得关于超参数的SVR模型中证据的平滑表达式,使用基于梯度的优化法可导出使证据最大化的最优超参数.通过引入ARD参数到高斯协方差函数中,可进行输入属性的相关性分析和特征选择.给出了在人工和实际回归问题上的应用及其他方法的对比分析.

ε-支持向量回归的噪声敏感性研究

针对ε-支持向量回归机(ε-SVR)对噪声数据非常敏感的问题,提出应用贝叶斯估计理论,研究数据噪声水平与ε-SVR中不敏感参数ε之间的关系,将ε-SVR的优化问题转换成贝叶斯估计问题,探讨ε-SVR对噪声的敏感性。仿真实验表明:不同强度的噪声干扰,回归的效果受到较大影响,选取恰当的不敏感参数ε,能够降低ε-SVR对噪声的敏感性,同时也证明了应用贝叶斯估计理论推导的有效性。

基于支持向量回归机的长期径流预报及不确定性分析

根据汉江流域皇庄站1981-2008年逐月径流量与1980-2007年逐月74项环流指数、北太平洋海温场、500hPa高度场的相关关系,利用逐步回归挑选预报因子,构建基于遗传算法的支持向量回归机模型(GA-SVR),并对2009-2013年逐月径流量进行预报;结果表明,径流预报精度较高,汛期平均相对误差在30%以内,非汛期、年总量平均相对误差在20%以内,均优于随机森林和多元线性回归模型。将GA-SVR模型的预报结果作为概率预报的基础,采用贝叶斯理论中的水文不确定性处理器(HUP)对预报的可靠度进行分析;结果表明,HUP不仅可以提供精度更高的定值预报,还能以置信区间的方式量化预报的可靠度,提供更为丰富的预报信息。

基于回归支持向量机的水库防洪承载力预测模型研究

防洪承载力,即水库目前剩余防洪库容条件下,不泄洪所能容纳的流域面降雨量。根据水量平衡原理分析概化出防洪承载力的预报因子为当前土壤含水量,当前入库流量以及水库剩余库容。利用2010—2020年青山水库55场历史洪水建立基于回归支持向量机的防洪承载力预测模型,利用贝叶斯优化进行超参数率定,通过分析预测值确定回归支持向量机核函数为线性,预测值与实测值相关系数为0.9527,平均绝对百分误差为24.2853%,预测偏小百分比为49.0909%,表明模型精度较高且计算结果较为稳定,可为水库防洪提供参考。