基于Stacking模型融合的用户购买行为预测研究

在大数据时代背景下,如何利用大量的销售数据精准预测顾客未来需求,成为企业制定客户管理和库存管理决策的一个重要问题。目前关于用户购买行为预测的研究中很少能够预测用户具体的购买时间。基于已有的销售数据,提出了基于机器学习和Stacking集成的综合预测模型预测用户的购买行为,即未来是否购买及其购买时间。将模型应用在一家大型连锁零售企业的需求预测中,并对方法的有效性进行评估。结果表明,基于Stacking集成的融合模型对预测用户未来是否购买具有最佳性能,准确率达85%,AUC值达到0.928;LightGBM集成算法在预测用户购买时间时具有最优性能,相比于融合模型提升了5.5%的预测性能;融合模型+LightGBM算法的组合相比于均使用融合模型提升了9.4%的预测性能。     

道路冰情检测及除冰雪技术综述

随着经济的快速发展,全球公路里程不断增加,道路结冰积雪带来的问题日渐凸显,造成的损失也在逐年上升.在此背景下,对于路面冰情检测以及消除冰雪的技术亟待研究,如果能在道路结冰时快速检测,就能提前发出预警,也可及时采取措施减少危害,另一方面及时除冰雪也能降低危害.本文就国内外相关技术介绍国内外路面冰情检测以及除冰雪的技术,有利于推动我国道路交通安全,为国民经济保驾护航.     

基于广域多时间尺度的CVT误差状态预测方法

针对现有电容式电压互感器（CVT）误差状态预测只考虑单一粒度构建时序模型的问题，本文提出了一种基于广域多时间尺度的CVT误差状态预测方法，首先，对CVT运行状态下二次输出数据进行STL时序分解，构建多元时序特征；其次，利用不同时间尺度的分解数据构造多元时间序列预测模型；最后，利用多元时间序列预测模型，实现不停电条件下CVT误差状态的精准预测。仿真数据表明，该方法能准确预测CVT超误差状态，与现有方法相比，验证了该方法的准确性与适用性。     

证券分析师盈余预测与上市公司盈余管理

文章以我国前10大证券机构发布的2010年上市公司盈余预测结果为基础,根据盈余预测误差的大小将样本公司划分为四类,分别研究每一类样本公司是否会为了迎合证券分析师的盈余预测而进行盈余调整以及调整的方向和程度。结果表明,证券分析师的盈余预测误差在0%~20%范围内的公司、大于20%的公司以及在-20%~0%范围内的公司都会为了迎合证券分析师的盈余预测而调增了实际盈余,且盈余预测误差在0%~20%范围内的公司比盈余预测误差大于20%的公司和盈余预测误差在-20%~0%范围内的公司调增实际盈余的程度都大;而证券分析师的盈余预测误差小于-20%范围内的公司,其调整实际盈余的行为则不显著。     

基于Markov模型的中国高端卷烟产品销量预测研究

本文通过对全国调拨价每条100元以上的卷烟销量进行分析,预测出未来几年内其销量增长的趋势。笔者依据历年销量的增长率不同将其划分为不同的状态,计算出状态之间的转移概率矩阵,并构造出销量增长率的马尔可夫模型,求出其销量增长率的期望值,通过对比近两年的实际销量值计算出其预测销量的误差,为未来几年卷烟销量的预测提供参考,同时此模型适用于中国中低端卷烟的销量预测,研究结果对于全国烟草行业的营销实践具有参考价值。     

马尔可夫分析法在应收账款管理中的运用

在企业的管理决策等工作中，经常会遇到这样的情况，事物未来的发展及演变状态仅仅受事物现状的影响，而与过去的状态无关，也就是具有马尔可夫性。本文运用马尔可夫模型，对具有马尔可夫性的应收账款分析和预测，为马尔可夫分析法应用的拓广以及应收账款的管理和预测提供理论依据和实际应用的参考。     

基于加权马尔可夫模型在预测东方6+1彩票中的应用

文章根据东方6+1彩票数据,通过分类建立状态转移概率矩阵,采用规范化的各阶自相关系数为权重,通过状态转移概率矩阵预测未来时段的可能出现的状态。通过建立的马尔科夫模型对彩票进行预测和检验,此方法在客观、简便的基础上为选号预测提供新的解决途径。     

基于神经网络集成方法的公司盈利预测研究

盈余预测具有引导投资者投资行为的作用,因此受到投资者的广泛重视。然而,国内对公司未来盈利进行预测的研究还相当少。提出了以决策树作为基分类器,采用集成学习方法,利用上市某公司2001至2005年的财务数据对该上市公司在2006年的盈利状况进行预测研究。首先,采用有放回的随机抽样技术分别从训练样本和测试样本中产生50个训练子集和1个测试集;然后利用决策树,采用CHAID算法对50个训练子集分别进行训练,得到50个基决策树分类器;通过采用Bagging方法,构建决策树集成模型。所得到的集成模型在测试集上的分类准确率达到96％以上,通过比较由不同数目的基分类器构成的集成模型和单个分类器的预测准确率,证明了该集成模型的预测准确率高且稳定。     

基于神经网络的股市资产收益率识别

本文以BP神经网络来识别中国股市不同行业未来的资产收益率,来检验财务数据的有效信号的假定,输入神经元选取了安全性指标、盈利性指标、成长性指标、现金流量结构分析指标四大类指标,共15个最为经典的财务指标,用以预测不同行业的未来超额收益率。预测结果显示,平均预测误差为0.7%,表明神经网络在分析行业未来盈利能力有很强的分类功能。模型分析证实财务数据在行业层面上有十分强烈的信号。同时,预测方法为投资者掌握未来投资资金流向有实用价值。     

基于时间序列模型在物流需求预测中的应用

本文采用时间序列模型进行物流需求预测，用实例从数据平稳性的判断，平稳化、标准化，建模，经模型的识别、定价、参数估计和检验，到预测及误差和置信区间的计算，详细地说明了时间序列模型在物流需求预测中是如何应用的。结果表明该ARMA模型能够较好地拟合并可获得较高的中短期预测精度。     

基于XGBoost的上市公司财务舞弊预测模型研究

研究目标:探讨如何利用大数据和机器学习方法对上市公司财务数据和非财务数据进行分析和挖掘，并应用于上市公司财务舞弊识别和预测。研究方法:提出一种基于机器学习方法的上市公司财务舞弊预测模型Xscore,对上市公司财务舞弊进行预测。研究发现:Xscore模型能够提高模型预测的准确率，在准确率、召回率、AUC指标、KS值、PSI稳定性等方面均优于Fscore模型和Cscore模型，更适合我国上市公司财务舞弊预测。研究创新:基于2000～2020年中国上市公司数据集为观测样本，通过Benford定律、LOF局部异常法、IF无监督学习法，解决了机器学习应用于财务舞弊识别研究时普遍面临的灰色样本问题，甄选兼具领域特性和统计特征的特征变量；首次将XGBoost集成学习方法应用到上市公司财务舞弊预测分析中，有效提高了上市公司财务舞弊准确率。研究价值:本文将XGBoost集成学习方法引入上市公司财务舞弊识别领域，有助于促进人工智能、机器学习在会计学中的研究与应用，为促进上市公司披露高质量的财务信息和维护资本市场秩序提供参考。     

组合预测模型在武汉港集装箱吞吐量预测中的应用

为使港口集装箱吞吐量预测的误差更小,精度更高,提出运用弹性系数法、灰色模型法、三次指数平滑法的组合预测模型,预测了武汉港未来特征年的集装箱吞吐量,研究结果表明,组合模型相比单一预测方法能够降低误差、提高精度,预测结果更加理想。     

基于贝叶斯组合模型的物流需求预测及分析

为克服单一预测方法假设条件及适用范围存在局限性的不足,以贝叶斯概率模型为基础,建立了基于GM(1,1)和多元线性回归模型的贝叶斯组合预测模型,各模型权重能够根据前期预测误差进行自适应调整,以保证预测精度.以北京市2009-2013年物流需求预测为例进行实例分析,结果表明贝叶斯组合预测模型的平均预测误差为0.95%,模型具有良好的自适应性和动态调整性,预测精度较高,可应用于物流需求预测研究.     

人工神经网络在海洋工程中的应用研究——以海洋工程地质研究为例

本文研究立足人工神经网络的相关特点及其在海洋工程地质研究的应用情况，应用人工神经网络的方法对某海域的部分细粒土数据实施训练以及学习。在使用本文所提出的人工神经网络方法对上述数据进行预测的时候，43组数据中，准确预测的数据一共有42个，数据预测准确率达到97.7%。比较海洋沉积物工程分类黏粒界限法与本文所提出的人工神经网络方法在数据预测方面的效果与差异，本文所提出的预测方法具备明显的应用优势，预测准确率更高。     

基于机器学习模型的二手车估价问题研究

二手车价格不但受到汽车本身配置影响,还与汽车损耗、新车价格等信息有着密切的联系,因此往往难以对二手车价格进行准确估计。本文根据拉依达准则去除异常数据,利用线性插值法填补缺失值,运用XGBoost算法筛选出11个影响二手车交易价格的重要因素。在11个重要因素的基础上,运用主成分分析进行降维处理,得到四个主成分。再运用BPNN、PCA-BPNN、SVR、PCA-SVR、RF、PCA-RF六种模型对二手车交易价格进行预测。添加降维处理的模型预测效果明显优于未降维处理的模型,并且PCA-RF模型的预测效果最佳,其5%误差准确率高达29.20%。     

高关水库流域主汛期降雨量的预测

依据高关水库流域1971²011年主汛期实测降雨量资料,应用均值标准差法建立5级分级标准。针对降雨量为相依随机变量的特点,以各阶自相关系数为权重,运用马尔可夫链模型预测未来一年的时段降雨量状态,由于采用此方法得到的是一个区间值而不是一个确定的数值,因此,不但扩大了预测的范围,最重要的是能够很好的指导现实的工作。该方法具有直观、预测准确、计算简便的优点,为区域降雨量的中短期预测提供了新的分析途径。     

基于EVA视角的财务危机预警实证研究

在财务危机预警中引入了EVA，并建Logistic归预警模型，分别对引入EVA前后的预测准确率进行比较，通过设置并观察一些敏感性变量或因素的变化，对企业可能或者将要面临的财务危机实施实时监控和预测警报，及时发现危险信息，并立刻发出警情预报，提醒管理者及早采取有效措施予以防范，将财务危机和风险消灭在萌芽状态。     

ARIMA融合神经网络的人民币汇率预测模型研究

本文在深入分析了单整自回归移动平均(ARIMA)模型与神经网络(NN)模型特点的基础上,建立了ARIMA融合NN的人民币汇率时间序列预测模型。其基本思想是充分发挥两种模型在线性空间和非线性空间的预测优势,即将汇率时间序列的数据结构分解为线性自相关主体和非线性残差两部分,首先用ARI-MA模型预测序列的线性主体,然后用NN模型对其非线性残差进行估计,最终合成为整个序列的预测结果。通过对三种人民币汇率序列的仿真实验表明,融合模型的预测准确率显著高于包括随机游走模型在内的单一模型的预测准确率,从而证实了融合模型用于汇率预测的有效性。这一结果也表明,人民币汇率市场并不符合有效市场假设,可以通过模型对汇率未来走势做出较准确预测。     

BP网络模型在财务危机预警中的应用

本文运用因子分析方法和BP网络模型对我国上市公司的财务危机进行了预测,通过分析发现总资产报酬率、现金债务总额比率等12个财务指标对上市公司财务危机有着显著的预示效应.就判别正确率而言,前三年财务数据对上市公司财务危机的预测准确率均在65%以上,其中前两年财务数据的预测准确率均在85%以上.     

航空飞行器的结冰与防冰

航空飞行器在大气温度5℃以下和空气湿度较大及复杂气象条件下飞行时,突出部位通常是容易结冰的,比如:旋翼/尾桨的前缘、发动机进气口、空速管、风挡玻璃、天线等。结冰危害是极大的,可能改变飞行器的气动外形,导致升力减小;可能阻挡飞行员的视线;可能造成仪表的指示误差,严重是危及飞行安全。防冰系统的功能是发出结冰信号并自动除冰。通过研究,人们对飞行中结冰危害的认识有了显著提高,并形成了诸多防范直升机结冰、除冰的有效措施、经验和方法。