基于离散选择模型的推荐系统改进算法

准确地预估用户的点击率,并根据该概率对商品排序以供用户选择在推荐系统领域有着重要的意义。推荐系统中常用的因子分解机等机器学习模型一般只考虑用户选择单个商品的概率,忽略了候选商品之间的相互影响,离散选择模型则考虑将商品候选集作为整体进行考虑。提出了使用深度学习模型来改进离散选择模型,模型使用相对特征层、注意力机制等网络结构帮助深度学习模型进行不同商品间的特征比较,研究结果表明引入离散选择模型的深度学习模型表现优于梯度提升决策树、因子分解机等模型。     

基于灰色绝对关联度的车货双边匹配决策研究

针对含有灰色,模糊等不确定信息的车货供需双边匹配决策问题,利用灰色绝对关联度分析法测度匹配主体的满意度,建立基于匹配距离和匹配距离偏差最小的多目标灰色双边匹配模型,有效地设计车货供需匹配方案,提高双方主体的满意度和匹配率,运用线性加权法将多目标匹配模型转化为单目标优化模型,并通过MATLAB软件求解出最优匹配方案,利用算例验证了其可操作性和实用性。本文为车货供需匹配领域的研究提供了方法支撑,对提高我国公路货运物流效率具有现实意义。     

基于支持向量机的城市物流需求预测研究

文章利用支持向量机的非线性能力对历史物流需求量进行学习,获得模型最优参数,对将来物流需求进行预测。文章调研了焦作市历年的城市物流需求数据对模型性能进行测试,测试结果表明,支持向量机针对城市物流需求预测精度较高,为城市物流需求预测提供了有效的方法。     

大丰港货物吞吐量的时间序列法预测研究

根据大丰港的历史数据,采用时间序列的回归分析方法对大丰港货物吞吐量进行预测研究。在回归分析法中,通过比较,选择指数模型、高次多项式模型以及支持向量机方法分别对大丰港的货物吞吐量进行模拟预测。对指数模型、多项式模型、支持向量机三种方法的预测结果进行比较,并结合大丰港的实际情况,最终选择使用支持向量机法给出大丰港2012—2016年的货物吞吐量预测值。     

基于注意力机制的LSTM股价趋势预测研究

针对中国股票市场,提出了一种基于注意力机制的LSTM股价趋势预测模型。选取42只中国上证50从2009年到2017年的股票数据为实验对象,根据股票市场普遍认可的经验规则,分别对每个技术指标进行量化处理得到股票涨跌的趋势数据,并和交易数据混合作为预测模型的输入,然后使用基于注意力机制的LSTM模型提取股价趋势特征进行预测。实验结果表明:引入股票离散型趋势数据到预测模型中,能够在已有交易数据和技术指标的基础上提升预测精确度,与传统的机器学习模型SVM和单一的LSTM模型相比,基于注意力机制的LSTM模型具有更好的预测能力。     

SVM分类器在继发性干燥综合征诊断中的应用

本文为解决SLE患者并发继发性干燥综合征不易诊断及确诊主观性较强等问题,提出了一种可供计算机学习的支持向量机智能算法预测诊断模型。首先对材料中141名患者的26种相关诊断指标进行数据预处理,使之成为能够适合支持向量机计算的量化数据;其次运用交叉验证法、网格搜索法、改进的粒子群优化算法分别对支持向量机模型中的惩罚系数C与核参数g进行优化选择,并利用MATLAB软件分别画出以上3种优化方式得出的支持向量机参数模型;最终对比选出对SLE患者并发继发性干燥综合征疾病诊断预测度最高的预测模型。结果表明,基于改进的粒子群算法优化的支持向量机分类模型参数的自优化,对该疾病预测诊断精度最高。     

基于粒子群优化的LS-SVM的福建航空物流需求预测

根据福建省过去十几年航空货物发送量的数据,针对航空物流预测的不确定性,将粒子群优化算法和最小二乘支持向量机相结合,采用粒子群优化最小二乘支持向量机的方法来建立模型。并将优化后的最小二乘支持向量机模型应用于福建省航空物流的需求预测中,而后通过仿真对结果进行验证。     

基于深度学习的上市公司财务风险预警模型研究

本文采用2007年至2016年3513家上市公司的相关财务数据为研究样本,以深度学习为研究工具构建神经网络模型,对企业是否陷入财务危机进行预测。研究结果表明,基于深度学习构建的神经网络模型对所有上市公司是否陷入财务危机的预测准确率可以达到72%以上,且利用的以前的年度数据越多,预测的准确率越高。     

基于强化学习的冷链仓库多货型货物在线托盘码垛问题研究

港口冷链货物具有货型不一、规格复杂等特点,现阶段常规码垛机器人算法主要针对特定单一货型,难以满足港口冷链货物自动化搬运和码垛作业要求。本文针对多货型货物在线托盘码垛问题进行研究,采用基于强化学习的算法模型的拟人的货物码垛策略,求解出相对最优码垛方案。实验表明,本文提出的算法能够在较短的时间内求解相对最优解,有效提高托盘利用率,可满足港口冷链货物搬运和堆码作业中的多货型在线托盘码垛需求。     

深度学习模型应用：面向审计业务全流程的整合性框架

深度学习不仅拥有对半结构化和非结构化数据强大的信息识别能力，还能基于海量数据进行高效精准的预测分析和判断支持，这将极大地拓展审计证据范围，改善审计决策机制，有助于提升审计效率和审计质量。本文基于深度学习模型的信息识别功能和判断支持功能，将深度学习的智能分析与审计师的经验修正有效融合，不断扩充、更新、迭代审计数据仓库，面向审计业务全流程，构建深度学习模型应用于审计业务不同阶段的集成性、整合性框架，以便更好地指导和推动深度学习模型和方法的审计应用。     

企业管理二分类问题研究综述——基于支持向量机

通过梳理企业管理领域的二分类问题，发现二分类支持向量机广泛应用于客户流失预测、上市公司财务困境预警和信用风险评估。并且为了提高预测精度，学者不断改进该模型：为适应具体数据特征，如数据存在外点或噪声点、非平衡性、重叠性、错分代价差异性等，相应引入模糊、加权、双隶属支持向量机以及代价敏感性学习机制等。     

企业管理二分类问题研究综述--基于支持向量机

通过梳理企业管理领域的二分类问题，发现二分类支持向量机广泛应用于客户流失预测、上市公司财务困境预警和信用风险评估。并且为了提高预测精度，学者不断改进该模型：为适应具体数据特征，如数据存在外点或噪声点、非平衡性、重叠性、错分代价差异性等，相应引入模糊、加权、双隶属支持向量机以及代价敏感性学习机制等。     

基于C-P2D-HMM的机动车驾驶意图辨识

基于车速变化和车道变换,在二维空间上将驾驶人意图分为加速换道、保持车速换道、减速换道、加速不换道、保持车速不换道和减速不换道六个。考虑到车辆行驶的连续性,利用高斯密度函数改进伪二维隐马尔可夫模型提出了驾驶人意图辨识。模型以车间距、对象车速及横向加速度为输入,以驾驶人驾驶意图为输出,将变速及是否变换车道两种驾驶意图分别作为C-P2D-HMM的隐状态的二个维,进行驾驶人意图辨识。实验结果表明,模型可行、有效,辨识准确率是98.84%。利用转移概率,还能实现预测。有助于对不正常的变速换道提出预警,降低此类交通事故。     

基于支持向量机的公路货运量预测方法研究

首先分析了公路货运量预测的重要性,介绍了国内外丰要预测方法.归纳总结了支持向量机的核心思想和基本原理,利用此较新的理论建立了公路货运量预测模型,给出了构建模型的具体分析步骤.同时探讨了参数的标定和修正过程.利用北京市基础数据,建立北京市公路货运量预测的支持向量机模型,并应用LibSVM软件进行预测,预测结果验证了模型的有效性和可行性,表明方法可以推广并可实际应用.     

基于支持向量机的公路货运量预测方法研究

首先分析了公路货运量预测的重要性，介绍了国内外主要预测方法。归纳总结了支持向量机的核心思想和基本原理，利用此较新的理论建立了公路货运量预测模型，给出了构建模型的具体分析步骤，同时探讨了参数的标定和修正过程。利用北京市基础数据，建立北京市公路货运量预测的支持向量机模型，并应用LibSVM软件进行预测，预测结果验证了模型的有效性和可行性，表明方法可以推广并可实际应用。     

企业财务危机预警模型比较实证研究

针对财务危机预警模型，梳理了国内外相关文献，根据其公司财务信息的时间序列特征，比较了Z分数模型、Logistic回归模型以及卷积神经网络模型在财务风险预警中的性能，并且根据实验比较，分析证明了卷积神经网络在财务方面的应用相较于传统方法的优越性，最终通过建立现实场景下的数据集进行验证观测性能以及收敛曲线后，给出相关财务危机预警建议。基于此，利用深度学习智能模型，不仅能快速且高效地处理大规模财务数据，还可以保证在测试阶段（即实际应用场景下）不会随着时间推移而改变企业风险预测的结果，可以有效保证预测的稳定性。因此，利用深度学习处理财务风险数据并预警具有实际应用价值。以近3年A股上市公司数据为样本，并通过实证研究证明深度学习智能模型与传统模型之间的性能差异并得出结论。     

基于大数据的地铁供电系统运行状态预测与维护

为提升地铁供电系统运行状态的预测与维护效能,本文使用大数据分析地铁供电系统电流特征,精确识别不同站点和线路的峰谷情况。通过发现电流数据中的异常偏离点,实现对异常点数据的历史统计和实时提醒功能。同时增强了对设备管理的宏观把控。利用大数据收集每类电能质量指标参数及相关关键因素数据构建训练样本,通过支持向量机模型得到新建城轨线路的电能质量预测数据。为了评估系统可用性,采用序贯Monte Carlo法进行计算。结果显示,大数据方法预测准确性,达到92%。随着故障数量的增加,大数据方法的耗时仍能维持相对较低的水平,分别为2.2、3.5、5.1分钟,为地铁供电系统的整体性能提升提供了强有力的支持。     

基于高斯特征均衡的改进图像修复模型

图像修复是指利用图像的已知区域信息去重建图像或视频的未知区域的过程.在过去基于深度学习的图像补全网络,采用基于自编码的双阶段修复模型,如Deepfill网路,并在第二阶段加入基于注意力机制的内容注意力模块提高修复水平,但整体修复效果容易出现伪影,模糊,边缘结构不清等问题,后续不少论文根据此问题,通过提高特征提取的效率来...     

基于动态模型平均的中国通货膨胀实时预测

本文研究了动态模型平均方法 (DMA)及其参数估计。DMA方法允许方程所含变量、变量系数及模型所含方程同时变动,适用于对宏观经济指标进行实时预测。本文利用DMA对中国通货膨胀进行实时预测表明,DMA方法下的中国通货膨胀预测解释变量处于0～3;以CPI指数和GDP平减指数作为通货膨胀衡量指标的情况下,不同预测期的解释变量被包含概率是时变的;遗忘因子为0.95时,利用DMA方法对我国通货膨胀的预测效果最佳,优于贝叶斯模型平均和时变向量自回归模型。     

港口物流与城市经济关系的实证研究——基于厦门港与厦门地区经济指标

本文以厦门港1985年—2012年数据为基础,运用向量自回归模型、脉冲响应函数分析等方法,对港口物流与城市经济之间的影响机制做了实证研究。研究结果表明,货物吞吐量、进出口总额、地区生产总值三者之间存在协整关系,港口货物吞吐量对GDP具有持久影响,而GDP仅影响当期港口货物吞吐量,港口货物吞吐量与进出口总额之间存在相互持久的正向影响,建议做好港口建设中长期规划,促进外贸发展,推进港城共荣。