基于预测信息的公共自行车查询系统设计

为缓解公共自行车借还车难现象,基于微信平台获取数据及云平台处理数据,设计了以微信为界面的公共自行车查询系统。首先通过微信获取出行输入,根据历史数据拟合用户分时段的出行需求,再由云平台根据输入调用周围站点信息,运用拟合数据预测用户到达周围站点时的可借还车辆数,并通过排序算法返回促进系统供需平衡的用户站点选择优劣方案,引导用户合理出行。最后以武汉市公共自行车网络为例,设计了包含站点车辆数查询,选择路线推荐等功能的公共自行车查询系统,并比较了预测信息与传统信息对问题的改善程度。

在重大疫情下基于累积前景理论的在线教学软件平台选择预测研究

在重大疫情背景下,在线会议软件平台喷涌而出,对用户选择行为的合理预测有利于开发商进行合理的资源配置.该文针对重大疫情背景下的在线教学软件平台选择问题,提出一种基于累积前景理论的考虑多个参考点的在线教学软件平台选择预测方法.首先,该方法全面考虑决策者的参考点依赖、风险偏好和风险规避等心理特征,将决策者所给出的在不同疫情演变状态下的多个期望作为相应的参考点;其次,根据累积前景理论,构建在线教学软件平台对应于各个属性的益损决策矩阵和前景决策矩阵;最后,运用主观的决策权重,计算各个在线教学备选软件平台的累积前景值,并对其进行优先排序.通过算例验证了所提方法的有效性,通过对比分析表明该方法的优越性.该方法考虑了决策者的心理特征,更加符合真实的在线教学软件平台的选择决策过程,对决策者具有启示意义.

基于集成化建模的个性化和自动化的学习资源选择平台(英文)

In order to automatically select learning resources in an Internet environment according to the background knowledge and the learning objectives of the learners,a platform based on integrated modeling is developed.The platform constitutes three levels and four views.The three levels are database level,knowledge analysis level and modeling level.The four views are user modeling,learning resource modeling,knowledge points modeling and learning process modeling.The process model is used to connect the learners and the learning resources.The workflow optimization method is used to optimize the learning resource selection according to the objectives and background knowledge level of the learner,at the same time,a learning plan is given.Finally,a web-based prototype system is developed by java.

基于车流径路选择偏好的铁路车流运行径路动态预测方法研究

准确的车流径路预测是编制高质量日班计划的前提条件。利用运输信息集成平台提供的海量车流运行轨迹历史数据,提出一种简单易行的铁路车流运行径路动态预测方法;通过对长期和近短期车流运行轨迹历史数据的统计,生成车流径路选择偏好参数表,可反映路网中多种复杂因素对于车流径路选择的影响;基于车流径路选择偏好参数,结合车辆实时位置跟踪信息,动态预测车流运行径路;搭建大数据应用环境,完成车流径路预测程序的开发与部署,采用命中率和准确率2项指标评价该方法的应用效果,结果表明:预测结果准确率较高,具有较为满意的实用价值。

基于大数据平台的SO_(2)排放GWO-N-BEATS预测算法

为了更精确地预测SO_(2)排放质量浓度,解决非线性随机预测问题,提出了一种基于随机森林特征选择的GWO-N-BEATS算法。通过随机森林算法筛选输入参数的特征,使用灰狼优化算法对N-BEATS算法的超参数进行优化;与长短期记忆网络(Long Short-Term Memory, LSTM)、门控循环神经网络(Gated Recurrent Unit, GRU)以及N-BEATS算法对比分析,验证了GWO-N-BEATS算法的有效性。将本算法应用于某大型电网公司大数据平台,探索了复杂智能算法在大数据平台上开展污染物排放预测的可行性。研究结果表明,相较于长短期记忆网络、门控循环神经网络和N-BEATS方法,GWO-N-BEATS算法预测误差更小,其中平均绝对百分比误差MAPE为1.50%,相对均方误差RMSE为0.42,平均绝对误差MAE为0.33,决定系数R^(2)为0.97。