基于Bayesian Lasso方法的变量选择和异常值检测

针对Bayesian Lasso方法的变量选择和异常值检测进行了研究。该方法是在线性回归模型中引入识别变量,借助于双层Bayesian模型和Gibbs抽样算法,给出识别变量后验概率的计算方法和变量选择的方法,通过比较这些识别变量的后验概率进行异常值定位。最后进行了大量的模拟实验,结果表明,该方法是可行且有效的。

基于Adaptive Lasso方法的合肥市商品房价格影响因素实证分析

随着合肥市经济的快速发展,商品住宅平均价格持续走高,研究合肥房价背后的主要影响因素显得十分必要。本文通过定性分析选取八个可能影响合肥商品住宅平均价格的指标因素,即合肥市GDP、城镇人口、城镇居民可支配收入、商品住宅投资比重、商品住宅间缺口、商品零售价格指数、贷款利率、房地产开发投资。再结合上述因素2003至2018年近16年数据,运用一般最小二乘方法、逐步回归方法、Lasso方法以及Adaptive Lasso方法进行实证研究并加以比较,定量得出影响合肥商品住宅平均价格的影响因素,同时试着给出相关结论和建议。

基于Lasso方法的我国能源消费影响因素分析

随着经济发展的加快和资源需求量的加大,能源消费呈现出连年攀升的态势,能源消费影响因素的研究及能源消费需求的合理预测,对保证我国经济平稳持续健康发展是十分必要的。目前学者们分别用过简单线性回归法、主成分回归法及岭回归法对我国能源消费影响因素进行分析,但这些研究得到的模型可能太过精简而未能较为全面地找出能源消费的主要影响因素。而本文依据2000年~2012年我国能源消费总量的相关数据,针对变量偏多,观测数据少的特点选用了Lasso方法对我国能源消费影响因素建立了回归模型,得到了影响我国能源消费的主要因素有经济增长因素、人口增长因素、产业结构因素、技术进步因素、能源利用效率因素以及能源价格因素,因此,我们可主要从这些因素入手,对能源消费加以管理和控制。同时我们还用逐步回归法和岭回归法分别建立了回归模型,并将Lasso方法得到的结果与其进行比较,结果表明Lasso方法在能源消费影响因素的选择方面,比其他两种方法更为全面地找出能源消费的主要影响因素,在对2013年及2014年能源消费总量预测方面,Lasso方法比其他两种方法更为精确。

基于lasso方法的银行对中小企业贷款供给意愿研究

本文基于lasso方法研究银行对中小企业贷款的供给意愿问题,与传统的多元回归或多元选择模型相比,能更准确地筛选出重要的变量,同时给出精准的回归系数估计值。文章通过设计高维变量指标体系,使用lasso方法研究发现:企业对相关政策更多地了解、更好的财务状况、更好的融资状态、更强的供应链情况、更优良的银企关系、更现代化的企业管理模式和企业负责人更高的素质,都能提高银行对中小企业贷款的供给意愿。

基于LASSO方法的我国城乡居民食物消费结构影响因素研究

选取可能对居民食物消费结构产生影响的11个因素,通过LASSO方法分别筛选了对农村和城镇居民粮食、蔬菜、肉类、蛋、奶、水产品及鲜瓜果消费量产生影响的因素,并进行定量分析。研究结果表明:不同食物之间消费量的影响因素并不相同,不同人群即农村和城镇居民之间食物消费结构的影响因素也不尽相同;宏观经济因素人均GDP对城乡居民食物消费结构的影响非常微弱;人均可支配收入只对收入较低的农村居民产生影响,对城镇居民的食物消费没有影响;影响城乡居民蔬菜消费的主要因素是居民消费价格指数,且两者之间存在负向关系;人口老龄化率是城镇居民肉类消费的主要影响因素,且随着人口老龄化率的提高,肉类消费量增加,而该因素并不对农村居民肉类消费产生影响。

基于Lasso方法与Logistic回归的上市公司财务预警分析

一般情况下,上市公司财务数据指标越多,预警效果越好,但由于多种因素影响,财务指标过多会导致变量间具有多重共线性。本文提出一种基于Lasso方法的Logistic回归上市公司财务预警模型。首先应用Lasso法对高维数据进行变量选择,达到降低数据维度和消除变量间共线性的目的,再用Logistic回归法实现对上市公司财务状况的预警。仿真实验结果表明,本文提出的方法能够有效地消除数据的冗余性,提高预警的精确性,为企业经营者提供有效的参考意见。

基于Group-LASSO方法的广义半参数可加信用评分模型应用研究

信用风险是目前商业银行面临的风险中最为重要和最为复杂的,新巴塞尔协议要求各国条件的银行通过实施内部评级法来度量并控制信用风险,内部评级法即通过银行收集的客户相历史数据来构建数学模型,测算客户的违约概率进而对客户进行评分。文章针对信用评分模型解释变量维数较高,类型丰富,好坏客户类型数量不均衡等特点,利用广义半参数可加模型对户违约概率进行建模,并将Group LASSO方法应用于模型进行变量选择和估计。实证研究表明本文提出的模型和方法与以往常用的线性logistic回归模型相比,在模型的判别能力和预测能以及解释性和计算效率上均有较大优势。

基于Lasso类方法在时间序列变量选择中的应用

在时间序列场合下对Lasso方法与Adaptive Lasso方法进行比较,数值模拟结果表明Adaptive Lasso方法比Lasso方法更加有效.通过对沪深300指数的技术指标的历史数据进行变量选择,比较发现二者均可以有效并准确地选择出合适变量,且Adaptive Lasso方法的参数估计相对更加精确.最后,根据选出变量及其参数进行预测,结果表明Adaptive Lasso方法变量选择和参数估计效果良好.

基于LASSO的神经网络权值阈值优化方法

本文在LASSO方法和神经网络误差回传思想的基础上,建立LASSO-BP算法.与BP神经网络算法和RBF径向基网络算法比较,该算法具有耗时短,抗干扰能力强的优点以及更好的分类效果.最终我们通过数值实验对该算法进行了验证.

基于Lasso和Xgboost的油价预测研究

鉴于国际原油价格波动的频繁性和对国民经济的重要性,油价的预测和油价的影响因素研究一直是国内外的研究热点。为了提高油价预测的准确性,本文在总结前人提出的油价影响因素的基础上,运用Lasso方法筛选出美国原油生产成本、WTI原油期货价格、中国原油产量等11个主要影响因素,之后使用Xgboost方法对油价进行预测。数值试验结果表明,相比较其它预测方法,本文构建的Lasso-Xgboost组合方法预测精度更高,泛化能力更强。最后本文应用已有模型对2018~2019年WTI原油价格进行趋势预测。

基于Lasso和BP神经网络的组合预测及其应用——以居民消费支出预测为例

在变量选择的基础上,构建基于Lasso方法和BP神经网络的预测模型,并对我国城乡居民的消费支出进行预测,结果显示：基于Lasso方法和BP神经网络的组合预测精度要明显高于BP神经网络、Lasso方法的预测精度;在2014~2020年,我国农村居民消费增长率有所提升,城镇居民消费增长率减缓,城乡居民消费增长率之间的差距呈下降趋势,但短期内城乡居民消费差距依然难以缓和。

基于Multiple-Lasso-Logistic回归模型的车险索赔概率预测

近年来,Logistic回归模型在非寿险精算科学中得到了广泛的应用,本文对法国的一组车险索赔数据,采用Lasso及其扩展方法结合Logistic模型建立车险索赔预测模型,同时引入了惩罚权重,并与Lasso-logistic回归模型和Logistic回归模型进行比较,结果表明:模型综合性能最优的是multiple-Lasso- Logistic回归模型。并在此基础上筛选出了预测性能最强的因子水平,同时对响应变量作用相同的水平进行了融合,有效地降低了变量维度。

基于LASSO-LARS的软件复杂性度量属性特征选择研究

针对软件可靠性早期预测中软件复杂性度量属性维数灾难问题,提出了一种基于最小绝对值压缩与选择方法(The Least Absolute Shrinkage and Select Operator,LASSO)和最小角回归(Least Angle Regression,LARS)算法的软件复杂性度量属性特征选择方法。该方法筛选掉一些对早期预测结果影响较小的软件复杂性度量属性,得到与早期预测关系最为密切的关键属性子集。首先分析了LASSO回归方法的特点及其在特征选择中的应用,然后对LARS算法进行了修正,使其可以解决LASSO方法所涉及的问题,得到相关的复杂性度量属性子集。最后结合学习向量量化(Learning Vector Quantization,LVQ)神经网络进行软件可靠性早期预测,并基于十折交叉方法进行实验。通过与传统特征选择方法相比较,证明所提方法可以显著提高软件可靠性早期预测精度。

基于LASSO-WOA-LSSVM的海洋管线外腐蚀速率预测

目的构建海洋管线外腐蚀速率预测模型,提高海底油气管线外腐蚀速率预测的准确性。方法建立基于套索(LASSO)回归和鲸鱼优化算法(WOA)的最小二乘支持向量机(LSSVM)腐蚀速率预测模型,采用LASSO回归方法对指标进行筛选,提取海洋管线腐蚀的主要影响因素。应用最小二乘支持向量机算法建立海洋管线外腐蚀速率预测模型,并使用鲸鱼优化算法对模型参数进行优化,避免了参数取值对模型回归性能的影响。以海洋挂片实验为例,通过MATLAB进行模拟仿真,分析验证模型预测结果,并将预测结果与其他模型进行对比分析。结果 LASSO回归算法筛选得到影响腐蚀速率的主要因素为:温度、溶解氧含量、pH值。采用WOA-LSSVM模型所预测的结果与实际值较为吻合,其平均相对误差为2.23%,均方根误差(RMSE)为0.3248,决定系数R2达到0.9708,均优于其他两种模型。结论基于LASSO回归和鲸鱼优化算法的最小二乘支持向量机预测模型具有更优的泛化能力和预测精度,为海底管道腐蚀研究工作提供了新思路,也为海洋油气输送系统的结构安全与风险防范提供了参考。

成分数据中基于MCLasso的修正EM算法

针对成分数据中含有近似零值,对其作对数比变换后就会出现无穷值,从而影响对数据的进一步分析.提出了一个新的修正EM算法来处理成分数据中的近似零值问题,针对EM算法的缺点对其进行一些改进,即:对EM算法的E步用Monte Carlo方法改进,对EM算法的M步用Lasso算法进行改进.对新的方法进行实证分析,并与基于线性回归的修正EM算法、基于均值插补法和Bootstrap的修正EM算法进行比较研究,验证了该方法的有效性.

基于Lasso和BP神经网络的广西城镇住房需求预测

对历年数据资料,采用BP神经网络、基于主成分分析的BP神经网络、基于Lasso的BP神经网络三种方法分别对广西城镇居民住房需求进行了预测和比较.结果表明基于Lasso的BP神经网络方法能够获得较好的数据预测效果.

基于自适用lasso的更新几何过程参数估计

根据更新几何过程的定义和性质,运用lasso类方法构建模型获取其参数估计,并通过数值模拟进行检验,验证了该方法是有效的.在具有不同更新几何过程比率的条件下,比较了lasso和自适用lasso两种方法的估计,结果表明自适用lasso方法更适合更新几何过程的参数估计.

地铁机电安装绩效领先指标自动预测方法

目前的绩效领先指标的预测中对样本数据的平稳性考虑不足,样本数据波动性大,影响最终的预测准确性。因此提出地铁机电安装绩效领先指标自动预测方法,首先对影响项目绩效的指标进行拟定描述,确定指标后使用Lasso方法来确定其中变量对绩效指标影响程度,然后使用ADF单位根检验法对相关波动数据进行平稳化处理,运用BP神经网络技术来实现自动预测。为了验证设计方法是否满足设计目的,设计实验,使用某地铁机电安装工程的数据作为样本数据并进行自动预测,预测结果显示:本文设计方法对比其他方法结果更接近实际值,设计满足设计要求。

一种碳酸盐岩气藏PDP储量井控半径计算新方法

为准确评估储层发育受控因素复杂、非均质性强、储集类型多样的碳酸盐岩气藏生产井井控半径,采用动静态资料对碳酸盐岩气井进行分类,根据分类结果,选取储层厚度、含水饱和度、渗透率变异系数、泥质含量、渗透率、孔隙度和测试产能等7个参数作为Logistic回归的影响因素,采取Logistic方法对气井进行量化分类,对不同类型气井的井控半径使用LASSO方法进行量化回归,可计算得到井控半径。结果表明:选取63口井进行Logistic方法回归,其中60口井分类正确,正确率达到95%;基于Logistic-LASSO方法的井控半径计算结果与动态储量反算法对比,回归误差在10%以内,可以对生产初期各类井的井控半径进行回归预测;通过该方法评价出的井控半径可以减少容积法评估PDP储量的误差。

基于Lasso回归和BP神经网络的蔬菜短期价格预测组合模型研究

蔬菜是居民生活饮食的重要组成部分,蔬菜价格预测存在着价格波动幅度大、影响因素复杂多样、精度不高等难点。本研究以黄瓜为研究对象,分析了影响黄瓜价格的供给、需求、流通等因素,引入Lasso回归模型对影响因素进行筛选,获得12项关联度较大的因素。在此基础上,构建了一种基于影响因素的Lasso回归方法与BP神经网络相结合的组合模型(L-BPNN),开展黄瓜短期价格预测,并与Lasso回归模型、BP神经网络模型、RBF神经网络模型等回归分析和智能分析方法等进行了对比验证研究。结果表明:使用L-BPNN模型预测黄瓜价格,其平均相对误差最小,仅为0.66%,比Lasso回归模型、BP神经网络模型和RBF神经网络模型分别低64.52%、82.11%和86.2%,具有较高的预测精度。本研究结果实现了黄瓜的短期价格预测,也可推广到其他蔬菜品种,对于保障菜农收入、稳定蔬菜市场价格等具有重要意义。