基于贝叶斯线性回归的造价预测模型

为在项目前期准确快速地预测高速公路造价,运用贝叶斯线性回归方程对造价进行预测。首先,识别高速公路造价影响因素,建立造价预测指标体系;其次,对收集的高速公路造价数据统一处理后,基于贝叶斯线性回归方程建立造价预测模型,并与BP神经网络预测模型进行预测效果对比;最后,利用Matlab进行仿真训练和预测。结果表明:相较于BP神经网络模型,贝叶斯线性回归模型具有更高的预测精度和稳定性,其预测值误差控制在5%以内,MAPE为2.29%,决定系数为0.925,可见贝叶斯回归模型的拟合度高、预测效果好,具有良好的可行性和适用性,可以应用于高速公路项目的造价预测。

部分线性变系数模型的贝叶斯分位数回归

针对部分线性变系数模型的参数估计问题,采用B样条方法逼近非参数部分的未知光滑函数,进而利用非对称拉普拉斯分布实现贝叶斯分位数回归,并基于Gibbs抽样推导出所有未知参数的后验分布,通过数值模拟比较分析了贝叶斯分位数回归与分位数回归参数估计的优劣,结果表明,在均方误差准则下,贝叶斯分位数回归的估计效果更优。最后,通过实例分析说明了所提方法的有效性。

部分线性变系数模型的贝叶斯复合分位数回归

部分线性变系数模型由参数和非参数2部分组成,具有适应范围广和解释性强双重优点。针对该模型的参数估计问题,采用B样条方法逼近非参数部分的未知光滑函数,进而利用复合非对称拉普拉斯分布实现贝叶斯复合分位数回归,并基于Gibbs抽样算法推导出所有未知参数的后验分布,以获取参数的估计值。通过数值模拟对贝叶斯复合分位数回归与贝叶斯分位数回归、贝叶斯线性回归参数估计效果进行比较分析,结果显示:当误差服从非正态分布时,在均方误差准则下,贝叶斯复合分位数回归估计表现更优。基于上述3种方法对实例数据进行预测分析,结果表明:在平均绝对偏差和均方误差预测意义下,基于贝叶斯复合分位数回归的预测效果更好。

利用贝叶斯线性回归结合混合Copula函数分析风电功率的相关性

分析风电场之间的出力相关性有助于合理规划风机的功率输送以及调度优化,从而提高传输线路的利用率。以冀北地区风场为例,首先分析了该区域风速的分布特性,然后利用贝叶斯线性回归算法建立混合Copula函数模型,拟合得到4个机群风速序列的联合分布,计算出风电场之间的出力相关性,并与其他相关性函数建模进行对比研究。研究结果表明,基于贝叶斯线性回归的混合Copula函数模型能够提高参数估计的精确性,从而使得计算出的相关性更为准确,并且由其拟合得到的出力概率分布与实际风场出力的概率分布较为一致。

线性回归模型的贝叶斯决策方法

决策影响图分析法是决策问题一种新的图示表征求解方法，它用无有向回路的有向图来表征决策信息的关系．运用这一决策分析的新方法，对一类线性回归模型，从决策的角度进行探讨和求解，并将结果推广到更加一般的情形．

一元线性回归模型的贝叶斯分析

在贝叶斯统计的基础上,给出了一元线性回归模型的贝叶斯分析方法.

线性回归模型参数的贝叶斯区间估计

利用贝叶斯统计推断方法 ,给出了正态线性回归模型Y =Xβ+e未知参数 (回归系数和误差方差 )的后验置信概率 1 -α的区间估计。

多种残差补偿的贝叶斯网络下的短期交通预测

为了解决道路车流量的数据生成条件时变场景下的交通预测问题,本文建立道路交通控制与交通流预测数据之间的联系,提出一种基于多种残差补偿的贝叶斯网络的短期交通预测方法。提取城市中大规模多路口主干道车道及车辆信息构造多个平行的贝叶斯网络,使用贝叶斯关系及期望最大化算法进行短期交通预测。再通过数据自相关残差补偿、车辆换道和多路口连通性的线性残差补偿提高了预测的精度,解决了传统研究对相邻路口和换道导致的误差等因素处理能力不足的问题。仿真结果表明:使用贝叶斯网络预测交通流,并基于车辆行为的残差进行精度补偿,可以更准确地预测复杂的交通演化场景的短期交通流。

利用广义指数加权回归估计贝叶斯动态线性模型误差方差矩阵W_t的方法(英文)

本文主要研究广义指数加权回归在贝叶斯线性动态线性模型参数估计中的作用 。

基于MCMC算法的多元线性回归变点模型的贝叶斯估计

基于MCMC算法,研究了多元线性回归系数变点模型的贝叶斯估计问题.首先由所有参数的联合后验分布得到各参数的满条件后验分布,再利用Gibbs抽样和MH算法相结合的MCMC算法对满条件分布抽取样本,最后得到变点位置及其他参数的贝叶斯估计.随机模拟结果显示用该方法估计各参数的效果较好.

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。

基于线性回归模型的贝叶斯方法的研究

线性回归模型是回归分析中比较简单且应用非常广泛的一种统计模型,它可以很好的确定变量之间的一种定量关系。但是在一些实际问题中,很多问题并不是严格的线性关系,这就需要结合历史经验来对模型做出相应的改进。针对这一问题,结合了贝叶斯理论,以多元线性回归模型和Logistic回归模型为例进行研究,使得这些没有严格线性关系的问题依然可以按照线性回归模型的思想来求解。在贝叶斯方法中,平方损失函数下,分别以无信息先验分布和联合正态分布作为参数的先验分布,得到多元线性回归模型和Logistic回归模型中参数的贝叶斯估计,以及求取了等式约束下的Logistic回归的贝叶斯参数估计,估计结果良好有效。

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。

基于贝叶斯线性回归的鸟害故障分析

近年来,害鸟引起广东电网输电线路故障所占比例逐渐增高,成为电网安全的主要隐患之一.如何降低鸟害故障,已经成为输电线路运行维护所面临的一个新的课题.输电线路分布区域广,盲目的人工驱赶鸟类难以有效防止鸟害,因此通过对鸟害故障进行分析是防止鸟害的有力支持.通过收集广东电网2015—2019年5年来的鸟害运维数据,根据鸟害故障的地理环境特征、杆塔结构特征与季节特征,建立鸟害故障分析模型.首先,分别分析地理特征、杆塔结构特征以及不同季节对鸟害故障的影响,然后训练Mask R-CNN神经网络提取杆塔周围的地理环境特征,最后建立基于贝叶斯线性回归的鸟害故障分析模型,并使用相关系数R;评估模型的精度.实验结果表明,本文所构建的鸟害故障分析模型具有较高的准确性和可靠性.

隐非齐次马尔可夫多元线性回归模型及其贝叶斯估计

隐马尔可夫模型对于异质纵向数据的处理有良好的效果,因此被广泛应用于工程技术、生物医学、经济管理等领域。文章引入了一种特殊的非齐次隐马尔可夫状态转移方式,并将其与经典的多元线性回归相结合,提出了隐非齐次马尔可夫多元线性回归模型,介绍了对该模型进行贝叶斯推断的方法原理和技术细节。最后,通过两个模拟实验说明了推断方法的结果是可靠的。

一般正态线性回归模型岭估计的贝叶斯推广

本文讨论了一般正态线性回归模型的参数岭估计问题,从贝叶斯方法出发给出了岭估计在解决相关问题时的一种合理性的解释,并且将贝叶斯方法在特殊正态线性模型中的应用推广至更一般的正态线性回归模型.

基于贝叶斯模型的冗余报警识别技术

目前电厂主要通过故障树分析法来识别冗余报警,但故障树模型在描述报警变量之间的相关关系的不确定性方面具有局限性。为了弥补故障树模型分析法的不足,提出了一种基于贝叶斯模型的冗余报警识别技术。在故障树模型基础上,建立电厂报警系统的贝叶斯图,得到报警变量之间的关联关系。利用贝叶斯线性回归,建立底层报警变量与故障报警变量的线性模型,并使用马尔科夫蒙特卡洛采样算法学习模型参数。最后,根据模型参数确定了底层报警与故障报警之间的关联强度,识别冗余报警。采用该方法对电厂实际报警数据进行了仿真模拟,结果验证了该方法在工程应用领域的可行性。该研究对报警系统优化实践具有借鉴意义。

基于相关向量回归的非线性时间序列预测方法

针对非线性时间序列预测建模的复杂性和不确定性,提出一种基于相关向量回归的非线性时间序列预测方法。该方法在传统的核函数基础上,融入Bayesian推理框架,得到具有概率特性的预报结果,无须对误差/边界参数进行预估计,具有学习算法简单、易实现的特点。仿真计算表明,该方法能反映非线性时间序列的内在特性,预测结果较好。

基于贝叶斯-神经网络的动态回归建模与预测

结合贝叶斯网络和神经网络,提出了一种建立数据驱动型的动态线性回归系统模型的方法。基于这种模型采用自然连接型的知识分布,形式化各种各样的信息,结合贝叶斯方法,执行贝叶斯网络的持续学习过程;采用指数寿命型的连接权值改进径向基神经网络,优化输入数据,提高计算速度;采用改进的遗传算法,实现神经网络的动态自适应。基于上述方法,实现了线性回归系统动态建模与实时预测。仿真试验说明该方法是有效性。

多元线性回归中回归系数的线性经验Bayes估计

本文构造了多元线性回归模型回归系数向量的线性经验Bayes估计,并在较一般的条件下得到了渐近最优的收敛速度。