二次度量回归模型中折叠凹惩罚估计的统计性质

目前,关于二次度量回归模型的研究受到了广泛关注,比如相位恢复、动力系统状态估计、无标记的距离几何和各种组合图等问题。本文考虑从高维二次度量回归模型中恢复未知信号。通过采用折叠凹惩罚最小二乘估计方法,我们得到了真实信号与估计值之间的误差界。并且结果中还表明估计值与真实值有相同的支撑集。另外,文章中我们主要研究SACD和MCP两种典型的折叠凹惩罚函数。

基于随机矩阵理论的配电网时空大数据研究

现代电力系统是迄今为止最复杂的工程系统,数据驱动方案将在未来电网特别是配电网分析中扮演重要角色。大数据模型和分析方法是当前电力大数据有效利用方案设计的核心和瓶颈。从数据的视角来重新审视当前配电网的发展及所面临问题,利用近年来高维统计的基础突破,提出基于随机矩阵的配电网时空大数据研究框架。旨在形成一套系统性的电力系统数据驱动方案—原始数据、预处理操作、随机矩阵建模、随机矩阵分析、指标提取和可视化、辅助决策,为系统的优化运营决策提供支撑。

条件协方差矩阵的估计方法研究综述

条件协方差矩阵在投资组合和金融风险管理中具有重要意义。文章针对(高维)条件协方差矩阵估计的一些最新研究成果进行了综述,并分析了这些方法的优势和不足之处,同时指出了进一步研究的方向。

基于条件分布函数的高维回归模型的变量选择方法

高维回归分析的变量选择问题是目前统计学研究的一个热点和难点问题.提出了一个基于条件分布函数的相关性度量准则,并在此基础上提出三种变量选择方法.与现有的方法相比,提出的方法不依赖于统计模型,可以适用于线性模型和非参数可加模型.数值模拟结果表明,即使协变量之间存在一定的相关性,方法也有较为满意的表现.

基于预测数据特征的空气质量预测方法

采用LightGBM预测模型对空气质量预测问题进行研究,提出并设计一种基于预测性特征的空气质量预测方法,有效地预测北京市区内未来24 h核心表征空气质量的PM2.5质量浓度。在构建预测方案过程中,分析训练数据集特性开展数据清洗,利用随机森林与线性插值相结合的方法,解决数据大量缺失以及噪声干扰问题;提出使用预测性数据特征方法,同时设计相关统计特征,提高预测结果的准确性;采用滑窗机制挖掘高维时间特征,增加数据特征数量级;对预测模型的工作性能和结果进行详细分析,并结合基线模型进行对比评价。试验结果表明,基于预测性特征结合采用LightGBM预测模型的方案具有更高的预测精度。