基于特征工程的建设工程造价指数预测模型构建

对建设工程造价指数的预测能够有效解决建设项目前期投资估算误差较大引起的成本问题。结合实际工程中对造价指数预测模型的需求，以U市发布的2012—2021年建设工程造价指数为例，通过对比不同特征工程方法构建的XGBoost和神经网络两者之间预测误差，选择最优预测模型进行建设工程造价指数模型预测。结果表明，基于树模型特征筛选和均值填充数据集的XGBoost模型，在测试集、训练集、交叉验证误差最低，能够作为建设工程造价指数预测的模型。     

基于EMD-SE-LSTM模型的股指日内已实现波动率预测──以中证500指数为例

由于股指波动率具有非平稳、高嘈杂、非线性等特征,而传统的预测模型在建模时要求数据平稳、线性或近似线性,所以很难精准预测股指波动率。为提高股指波动率的预测效果,采用经验模态分解(EMD)、样本熵(SE)和长短期记忆网络(LSTM)构建的模型对股指日内已实现波动率进行预测。以中证500指数为例,经过EMD分解得到一系列分量,再根据分量的样本熵大小进行重构,最后利用LSTM对重构后的各序列进行预测。结果表明,EMD算法对LSTM模型的预测精度有很大的提升,相较于传统模型,EMD-SE-LSTM模型在预测股指波动率时精度更高,拟合优度更好。     

基于Logistic回归模型的我国化工上市企业财务危机预警研究

不同行业的财务指标其特征不同,而这些指标是构建企业财务危机预警模型的基础,因而有必要分行业进行财务危机预警研究.本文以我国化工行业上市公司为研究对象,采用正态性检验、显著性检验和相关性分析对初选的预警指标进行筛选,最终选取10个能显著反映化工上市公司财务状况的指标,运用Logistic回归构建危机预警模型,模型预测准确率达到了91％,具有一定的应用价值.     

面向农产品期货价格预测的改进LSTM方法

期货市场在金融领域具有重要的地位,而期货价格走势的预测对投资者和决策都十分关键。目前,期货价格走势预测模型使用的方法较为单一,且预测模型的精度不够理想。文章以农产品期货价格预测为研究对象,围绕数据预处理、模型构建、集成决策等展开相关工作,针对农产品期货价格具有的典型时序性特征以及其非线性、非平稳等特点,提出一种基于LSTM模型的改进LSTM预测方法。该改进方法引入EEMD方法,先对原始期货价格序列进行分解,再对分解所得的每个子序列进行建模、预测、叠加子序列预测结果以得到最后的预测结果。实验结果表明,该改进方法与LSTM,SVR等传统的机器学习预测模型相比,精度明显提升。     

基于灰色马尔科夫模型江苏城镇农产品冷链物流需求量的预测

从江苏省城镇居民农产品冷链物流的需求状况作为研究点.以《江苏统计年鉴》2011-2019年的数据作为样本,选取了鲜菜,猪肉,鱼虾,鲜蛋,鲜奶,瓜果等影响因子,逐步缩小数据筛选范围.运用灰色GM(1,1)模型结合Matlab2017b软件对江苏省城镇居民未来五年冷链的需求量进行预测,预测模型结果表明精度为97.62％,并通过马尔科夫链进行优化,使预测的精度达到98.61％.实验结果给相应的部门提供数据借鉴,以期为促进农产品冷链的供需平衡提供理论支持.     

共同富裕视角下巩固乡村振兴成果的多维农户发展研究——基于甘肃省白银、金昌市调研数据实证研究

随着脱贫治理背景的全方位转换，为巩固阶段救助成果，研究关键影响因素及政策对西部地区经济发展和政策实施效果具有现实意义。选择具有区域性特征的白银市和金昌市，结合民政部实地调研数据，构建可持续生计理论下的多维农户发展现状指标评价体系。使用随机森林、极限梯度提升（XGBoost）、可加性解释（SHAP）模型，筛选、识别、验证关键因素及特征重要性，结合甘肃省政策实施效果，提出可行性建议，为乡村区域性可持续发展政策制定实施提供方向。     

基于神经网络模型的上市公司财务预警研究

为了对上市公司财务状况进行合理预测,利用神经网络模型进行企业财务预警研究。首先,运用主成分分析等统计方法对初选的财务指标进行筛选,从初始指标中提取了五个因子作为财务预警指标;然后,选取2010至2013年间首次被特殊处理的上市公司作为财务危机样本企业,构建的财务预警模型提前三年的预测准确度近似于90%。研究结果表明,神经网络模型对我国上市公司财务状况预测具有较高的准确度,并且对预警指标进行适当的预处理,会提高模型预测的准确率。     

基于深度学习对茅台机场降水量预测的研究

强降水等恶劣天气对于民航的正常运行有着极大的危害，降水量的准确预测有助于民航等企业安全稳定运行。通过对机场跑道自动气象观测系统（AWOS）收集的降水时序数据进行预处理，为深度学习提供训练和测试的样本集，然后分别构建长短期记忆模型（LSTM）和时序卷积网络（TCN）模型，实现对未来1～3 h降水量的预测，并对两个模型的预测精度进行比较分析。结果表明,TCN模型的预测效果优于LSTM模型。其中，对未来1～3 h降水量的预测中，TCN模型的R2分别为0.96、0.91和0.86。     

基于NBC模型的电力变压器故障诊断

随着电力变压器朝着大容量、高电压、高负荷的方向发展,其结构也越发复杂,故障逐渐增加.当前广泛使用的改良三比值法在对电力变压器进行故障诊断的过程中,容易出现准确率低和漏判率高等问题.鉴于此,提出一种NBC模型,该模型将朴素贝叶斯网络和改良三比值法的优势结合,在对电力变压器当前状态数据和历史样本数据充分学习的基础上,利用朴素贝叶斯分类器对当前电力变压器故障的编码组合进行故障预测分类,将预测所得到的诊断结果进行排序整理输出,实现了对电力变压器各类故障的有效分类.仿真结果表明,该NBC模型能较好地适应电力变压器各类故障的诊断,故障综合诊断正确率为95％,相较于改良三比值法,诊断准确率提升了50％,具有较强的工程实用性.     

个人信用评估模型比较分析

文章以互联网金融机构客户信贷数据为基础,使用7种不同的数据挖掘方法建立个人信用评估模型,从预测准确率、模型外推性、第二类错误率、预期错误分类成本4个方面评价模型的综合信用评估能力。评价结果表明,使用分类树和K近邻分类算法建立的个人信用评估模型的综合信用评估能力最高;同时发现使用线性和非线性方法建立的模型各有特点,线性分类模型能够对违约客户进行有效识别,而非线性分类模型的预测精度较高。     

基于多模型融合Stacking集成学习的油田产量预测

基于机器学习前沿理论，提出一种基于多模型融合Stacking集成学习方式的组合预测方法，以国内某特高含水油田区块中多口水驱产油井历年生产历史数据为试验样本，预测其动态产油量。依据不同算法的训练原理，选取极限梯度提升树算法、长短记忆网络（LSTM）、时域卷积网络（TCN）等作为模型的基学习器，采用多元线性回归作为模型的元学习器。结果表明：融合后的Stacking模型充分发挥了各基学习器的优势，相比单一模型，融合后的Stacking模型预测平均误差较小，预测鲁棒性较好。该模型的提出对融合模型在特高含水油藏开发方面具有重要的应用意义。     

基于CatBoost的护士离职预测研究

针对传统的离职预测算法应用于现实中高维度小样本不平衡数据集时存在准确度低、易过拟合、鲁棒性差等问题,应用梯度增强集成分类器CatBoost算法,进行类别型特征处理,利用BOHB(Bayesian Optimization and Hyperband)寻找最优参数,结合交叉验证对模型分类性能进行评估,建立分类模型并对护士离职情况进行预测。该算法采用高维小样本不平衡特征的上海部分公立医院的护士离职数据集,并与XGBoost、随机森林、支持向量机进行对比。实验结果表明,该算法准确度高,鲁棒性强,能够有效地对护士离职进行预测。     

整县光伏发电的综合LSTM功率预测模型研究

为了更好实现整县屋顶光伏集约化发展，提高大规模分布式屋顶光伏并网经济性，分析基于气象数据的预测方法弊端问题，挖掘海量时序光伏发电功率数据规律，提出基于改进长短期记忆递归神经网络（LSTM）的整县光伏综合功率预测模型。使用所提模型进行单一光伏电源预测实验，结果表明，改进LSTM模型较其他模型更精准，且在整县光伏综合功率预测场景下具有更高整体预测精度，可以用于整县光伏发电功率预测，有助于实现高比例分布式光伏消纳。     

矿区地表形变监测及预测方法研究

利用2018年1月至2021年12月的47景Sentinel-1A影像，基于SBAS-InSAR技术，对窑街矿区进行沉降监测。根据矿区沉降特征，构建GM(2,1)、BP神经网络、PSO-SVR和LSTM4种预测模型，对3个矿区2020—2021年形变中心沉降值进行预测分析。结果显示：窑街矿区大部分区域处于稳定状态，矿区中心形成明显的沉降漏斗，最大平均沉降速率为157.01 mm/a，2018—2021年最大累积沉降量达到681.82 mm，存在发生采空区大面积塌陷和次生地质灾害的危险。预测结果显示，4种模型表现出不同的预测精度， LSTM模型预测精度最高，可作为矿区地表沉降相对可靠的预测模型。     

美元/欧元汇率的组合模型区间预测

利用BP神经网络提取非线性特征,对残差运用广义自回归条件异方差模型分析波动性,最后将趋势与波动性结合给出预测区间。以2001年2月至2017年6月美元/欧元汇率的日收盘价数据为例,研究发现：BP神经网络具有很好的非线性刻画能力,但“过拟合”以及“欠拟合”均会影响预测区间的精度,只有合适的误差大小和精度标准才能得出较好的预测结果;同时也发现广义自回归条件异方差模型能够较为准确地分析波动性,且组合模型优于单一模型,适合中长期的区间预测。     

基于可解释机器学习的信用债违约研究

为解决传统信用风险预测模型的非均衡样本识别不足问题，利用过采样方法和机器学习算法，提升信用债违约预测模型的准确率及稳定性。引入盈利能力、现金流量、营运能力、资本结构、偿债能力5类财务指标和非财务指标，运用SMOTE、Borderline SMOTE、ADASYN方法解决样本不均衡问题，通过逻辑回归、支持向量机、随机森林、XGBoost进行风险识别。结论：对于非均衡信用债违约样本，1000次有放回bootstrap重复抽样下ADASYN-RF模型的AUC、Recall优于LR、SVM和RF模型；ADASYN-SVM模型违约样本实际Recall较不使用过采样法提升36.86个百分点。引入可解释性机器学习方法，发现带息债务/全部投入资本、地方财政收入/债务存量、资产负债率等是信用债违约的重要影响因素。     

Black-white housing price differentials: Recent trends and implications

Black-white housing price differentials consistent with racially discriminatory practices are rarely found by the studies that have used post-1970 data. Instead, those studies report price differentials consistent with the theory that whites buy segregation by bidding up the price of housing in certain neighborhoods. Unfortunately, the specifications used in most of these studies have been flawed. Here, a properly specified model is estimated using Annual Housing Survey data, augmented with objective measures of neighborhood conditions, from Grand Rapids, Michigan. The price differentials found support the trend found by the improperly specified models. Specifically, various owner bundles cost up to 16 percent more and various renter bundles cost up to 20 percent more in the predominantly white than in the predominantly black submarket. To the extent that residential integration remains one of society’s goals, this trend calls for innovative policies that go beyond enforcement of existing Fair Housing laws.