基于CNN-LSTM-Attention组合模型对我国货运量时序预测对比

为了进一步提高我国货运量的预测准确性,文章基于卷积神经网络和长短期记忆网络模型,引入注意力机制（Attention Mechanism）的组合预测模型,以对我国货运量进行时序预测。首先,利用卷积神经网络提取货运量数据变化特征。其次,将所提取的特征构成时间序列作为长短期记忆网络的输入。最后,通过注意力集中捕捉预测模型中经LSTM层输出的信息特征,划分权重比例,提取关键信息,实现货运量预测。结合全国月度货运量历史数据进行时序预测,然后与其他神经网络预测的各种评价指标进行对比,结果显示,CNN-LSTM-Attention模型预测误差小于其他模型,预测准确性相对较好。     

会计年报信息在股价运动趋势预测中的应用———基于支持向量机（SVM）的实证检验

本文运用基于统计学习理论的新型机器学习方法———支持向量机(SVM),通过我国上市公司年报信息对股价运动趋势进行预测。实证结果显示,支持向量机对股价运动趋势具有良好的预测能力,特别是表现出对小样本的适应性。然而,支持向量在股价运动趋势预测中也存在着一定的误识率,证明某些上市公司的年报信息存在着某种程度的粉饰和虚假,从而误导投资者的决策行为。     

TS模糊模型在个股股价预测中的应用研究

个股价格短期内的变化量一般可通过股票技术指标间接反映出来,且这些指标间有着一定的相关性;另外,股票价格模型具有Takagi-Sugeno(TS)模糊模型所研究问题的非线性、时变性特点,基于此,本研究将TS模糊模型与分析出的股票常用技术指标相结合进行股价预测。结果显示预测出的价格与股票实际价格近似一致,精度高,因此研究具有一定的实用价值。     

基于注意力机制的煤矿工作面遮挡行人检测

本文以遮挡行人为主要研究对象,采用基于深度学习算法的双阶段检测器Faster R-CNN为基础架构,引进注意力机制网路,通过改进检测器降低遮挡行人对数平均漏检率.通过实验验证,本文提出的方法在Caltech数据集的无遮挡、部分遮挡、严重遮挡子集上对数平均漏检率分别降低了2.6％,3.4％,6.5％,在Cityperso...     

车货匹配中考虑注意力机制的基于SENet双塔模型的司机点击率预测模型

车货匹配平台中存有大量的历史车货数据,通过这些历史数据可以分析获得司机对不同货物的兴趣度,预测司机所选取货物的种类（司机点击率预测）,从而为司机推荐合适的货物,实现精准的车货匹配。然而,现有的车货匹配方法大多都忽视了历史车货数据,更不会处理和分析这些数据。因此,文章考虑到深度学习在数据处理上的优势,于是将深度学习和车货匹配方法相结合,提出了一种考虑注意力机制并基于SENet双塔模型的司机点击率预测模型——A-SENet双塔模型。具体来讲,就在双塔模型的大框架下,一方面利用SENet计算货物隐向量;另一方面利用Attention机制和SENet计算司机隐向量,并通过进一步计算得出司机点击货物的概率。通过某车货匹配平台的数据集进行实验,结果表明与基准模型相比,文章所提出的模型A-SENet双塔模型具有更好的性能,这不仅验证了利用深度学习进行车货匹配的可行性,而且表明注意力机制和SENet的使用有助于预测司机点击货物的概率。     

基于LSTM的空气质量预测

随着社会对空气污染问题关注的不断提升,空气质量预测研究成为被讨论的一个热点问题.本文提出一种基于长短期记忆网络LSTM的空气质量预测模型.采用沈阳市及其周边地区11个监测站的空气质量数据和气象条件数据进行模型训练和预测检验.从时间窗口与站点地理位置两个维度进行实验,并与差分整合平均自回归模型ARIMA与支持向量机SVM...     

股票趋势预测分析研究 ——基于百度指数

针对股票价格无规律、复杂的跌涨预测问题,考虑到投资者关注度可能对股票产生的影响,文章将百度旗下的百度指数作为投资者关注度的衡量标准,并确定与预测股票具有相关性的关键词.结合用于股票市场预测的神经网络模型——长短期记忆模型(LSTM模型),在对数据进行相关性分析、数据清理、数据归一化后,带入模型进行预测.实验结果表明:在...     

基于自注意力机制的YOLOv8瓷砖瑕疵检测

瓷砖作为常见的建筑装饰材料,其质量直接关系到建筑的美观性和使用安全性。传统的瓷砖瑕疵检测方法存在效率低下和准确性不高的问题。为此,文章提出了一种基于改进YOLOv8算法的瓷砖瑕疵检测方法,旨在提高检测的精度和速度。通过增设小目标检测层,强化深层和浅层语义信息的融合,从而确保模型能够识别更多的小目标瑕疵;同时,在颈部结构中引入GAM注意力机制,使模型能够关注到图像中瑕疵的关键区域。实验结果表明,改进后的算法在瓷砖瑕疵检测任务中表现出色,模型的mAP（平均精确率均值）达到89.83%,能有效检测多种类型的瑕疵,为瓷砖生产的质量控制提供了有力的技术支持。     

基于通道注意力机制的裂缝检测研究

为实现智能准确地检测路面裂缝,提升公路智能养护和巡检技术,本方法设计通道注意力检测模块,提出CA U-Net（Channel Attention U-Net）分割模型,分配特征图各个通道的权重,提升裂缝特征语义表达能力,并利用高语义层注意力权重信息来优化特征融合,显著提升不同尺度的裂缝检测能力。实验结果表明,CA U-Net分割模型的裂缝检测定位更准确,在评价指标mIoU和F1-Score上都有明显提升,证明该模型的有效性。     

基于油田生产数据的油井产量趋势预测方法研究

近年来随着智能油田的建设与开展,油田生产管理人员、业务人员对油井生产趋势预测的需求越来越迫切,通过历年来油井生产历史数据、结合专家系统对油井未来一段时间的生产状况进行综合分析、评估、预测,及时采取有效措施,避免事故的发生,是油井生产趋势预测的基本目标。本文将结合新疆油田油井生产趋势预测的实际需求,运用专家知识经验、拟合公式、人工神经网络等多种预测方法,预测油井产量变化趋势,此项研究可为今后智能化油田建设提供指导依据。     

改进BP神经网络在股市预测中的应用

神经网络是人工智能的重要组成部分,近年来将神经网络用于金融预测的研究很多。本文以遗传算法构建一个三层的神经网络,经改进的BP算法训练成功,进行预测实证分析,取得较好效果。     

基于PCA的CS-RBF网络的股票预测研究

针对传统的RBF神经网络在选取中心矢量参数时的不足,提出用具有较强跳出局部最优的布谷鸟算法(CS)优化RBF神经网络的中心矢量的改进算法,并将该算法应用于股票价格的预测,仿真结果表明:该算法的预测精度比传统的RBF算法的预测精度高,是一种有效的股票预测方法。     

股票价格低于每股净资产的影响因素分析——来自中国A股上市公司的经验证据

破净指股票价格跌破每股净资产,是股票价格与每股净资产关系的一种极端表现。本文以1 059家A股上市公司为样本,采用修正的Ohlson模型,分组对股价破净的影响因素进行研究。结果发现:对于业绩为正的非ST企业而言,公司规模大、上市时间早、机构投资者持股比例低的国有企业容易破净;ST企业的股票价格虽下跌,但其重组捷径和壳资源改变了投资者的预期,使ST企业不破净或较少破净。     

不同约束条件下的股指期货价格区间研究

在股指期货持有成本定价模型的基础上,结合中国沪深300股指期货合约的特点,根据无套利原理,给出了考虑交易成本、期货保证金和不同借贷利率等限制条件下的股指期货定价区间和相应的交易策略,为从事沪深300股指期货套期保值、套利和投机交易的相关人员提供借鉴意义。     

超市库存商品的需求预测

超市中的库存管理就是对各种商品进行保管与控制,如果库存中的商品留存过多,则会造成资金的浪费．进而影响效益;如果库存中的商品留存过少,当有顾客需要时不能有效的提供,影响企业信誉。因此,对于库存量的把握就成为了库存管理的关键。所以对库存商品的需求预铡是非常必要的。文章用GM（1,1）模型对库存商品进行需求预测,并进行精度、关联度分析,得出了较准确的结论,对超市库存管理者具有指导意义。     

黄金期货价格与我国黄金采选业股票价格关系的实证研究——以山东黄金股票价格为例

本文通过对我国黄金期货价格和相关股票价格之间关系的研究,试图把握其内在规律,为相关行业、企业、市场参与者和市场监管部门提供有价值的市场信息,从而可以正确认识我国目前黄金期货市场的价格发现功能,以及股票市场的运行效率。     

股指期货对股票市场定价效率的影响

股指期货的推出,能够大大提高股票市场的定价效率。在动态非均衡市场上,股指期货的价格形成集中并传递大量信息。这些信息通过股指期货市场与股票市场间的套利机制及时传递到股票市场,增加相关股票组合价格的信息含量,引导和发现现货价格,从而提高股市的定价效率。     

股价波动源模型下欧式下出局期权的鞅定价

机游走模型(Random Walk)和对数正态分布模型是两种最常见的描述股票价格的模型,但是这两种都存在着一定的缺陷,距离实际上的波动还具有较大的差距。波动源模型更全面的考虑了大量散户交易者对股票价格的影响,以及其他的一些因素,能够更加接近实际的描述出股票的价格变动以及波动现象.在股票价格波动源模型下,利用Martingale Pricing方法推导出欧式下出局期权(买权)的定价公式.作为特例,同时得到了传统的对数正态分布模型下欧式下出局期权的定价公式。     

基于RBF神经网络的股票价格预测

由于股票的价格是非线性的时间序列,文章提出了基于RBF神经网络的个股价格预测模型,该模型优于传统的股市技术分析方法,又避免了BP算法容易陷入局部极小点和收敛速度慢的缺点。根据实验的仿真结果显示,该模型对于个股价格的短期预测效果较好。