新型冠状病毒肺炎传播动力学模型构建与分析

为研究新型冠状病毒肺炎(简称新冠肺炎)传播机理和传播风险，预测疫情发展趋势，对政府制定相关疫情防控政策提供帮助，提出了一种新的新冠肺炎传播非线性动力学模型(SLEIR)。该模型考虑到疫情中采取保护措施的人群，将其作为低危群体加入到模型中；通过对模型的基本再生数、平衡点、稳定性和分岔等进行分析，揭示新冠肺炎传播机理；利用印度新冠肺炎真实数据对模型参数和部分状态初值进行最小二乘拟合，根据拟合的参数对印度疫情发展趋势做出预测。该模型对印度3～4月、4～5月两阶段疫情预测平均相对误差分别为4.107%和2.805%,对于印度10月最新的疫情，预测平均相对误差为3.266%,预测结果表明SLEIR模型具有较好的预测效果。与传统SEIR模型相比，该模型能适应印度疫情复杂的变化趋势，且具有更高的预测精度，可以为政府选择合适的防控措施提供技术支撑。     

COVID-19疫情传播建模分析

当大规模传染性疾病威胁到人类安全时,有效预测其传播趋势是减少疾病对人们伤亡和财产损失的重要措施.该文使用3种方法对2019年新冠肺炎的传播趋势进行建模分析,并以北京市、云南省、江西省为代表预测其传播趋势和确诊人数的峰值.实验结果表明:当使用高阶函数拟合对前期的发展趋势进行建模时,其趋势与真实的疫情最吻合,趋势拟合效果最佳,峰值误差最小.当使用Logistic增长曲线中的S型曲线对前期的发展趋势进行建模时,其趋势与真实的疫情基本吻合,趋势拟合效果次佳,峰值误差次佳.当使用基于动力学传播模型中的SIR模型对前期的发展趋势进行建模时,其趋势与真实的疫情基本吻合,趋势拟合效果在3种方法中最差,峰值误差也最大.     

新冠肺炎疫情传播模型及防控干预措施的因果分析评估

 利用修正后的单一群体传染病SEIR模型,对新型冠状病毒肺炎疫情在国内的传播趋势进行建模,模型较好地拟合了已发生情况并预测了疫情发展;基于修正后的SEIR模型,开展反事实推理,定量评估了武汉推后采取防控干预措施对国内疫情带来的影响。结果表明：基于建模仿真和因果推断方法,可以对重大突发公共卫生事件的决策和执行进行模拟与反演,提高各级政府应对重大突发公共卫生事件的社会治理能力。     

基于延迟效应的SAIR_2D模型对新冠肺炎疫情的分析预测及防控策略研究

提出了一种改进的SEIR疫情传播模型(SAIR_2D),对近期新疆爆发的新冠肺炎疫情流行机制进行了分析,并对传播趋势进行了初步预测。首先,考虑此次爆发的COVID-19病例多表现为无症状感染者(A)且A类人群的筛查检测过程需要时间,建立具有延迟效应的SAIR_2D模型并进行数值解析和模拟仿真实验。结果表明,模型对疫情传播的相关估计与实际情况较为符合,特别是在疫情爆发初期能够较为准确的预测感染病例。最后,评估了封城的有效性,分析表明及时封城可以控制COVID-19的传播,提出的相关防控策略可为有关部门提供借鉴。     

基于改进的SEIR模型对新冠肺炎的疫情预测及防控措施的评估

基于国家卫健委每日公布的湖北省新冠(COVID-19)疫情数据,结合实际的疫情传播和防控流程,提出一种基于SEIR模型改进的传染病动力学CSEIR模型。在传统SEIR模型的基础上增加了潜伏追踪入院和发病追踪入院的传播流程以刻画疫情发展趋势;通过引入感染抑制因子描述感染率随时间的变化趋势,用于分析封城封村、居家隔离等抗疫措施的有效性,同时根据湖北疫情的发展趋势,提出了分时段的模型创建策略。研究结果表明:CSEIR模型更加有效的模拟了疫情发展的传播机理,模型预测结果与疫情发展的实际情况相一致,感染抑制因子的变化和对潜伏追踪入院率和发病入院率的敏感性分析,表明了采取居家隔离、减少人群接触、患者追踪、集中收治等有关疫情防控措施的有效性。     

基于IBPLS方法的软测量建模

作为一种经典的回归建模方法,偏最小二乘法(partial least squares,PLS)已被广泛的应用于软测量建模中.但是,当建模数据混有较大噪声时,采用PLS模型的预测误差以及预测误差的方差都比较大.针对PLS方法的上述缺陷与不足,本文将迭代Bagging算法引入PLS回归建模中,形成迭代Bagging PLS算法(iterated Bagging PLS,IBPLS),该方法可以减少预测误差和预测误差的方差.仿真结果表明,与传统PLS方法相比,IBPLS减小预测误差约6％.     

基于Matlab的BP神经网络在太阳耀斑级别预测中的应用

太阳耀斑爆发与多种因素存在着非线性的关系,其中规律难以把握.选择时间变化长短,工作频率,路径大圆距离,VLF传播相位变化偏移量4个与太阳耀斑级别预测密切相关的重要因素,构建了BP神经网络模型;然后利用Matlab工具箱对网络模型进行系统仿真与多次训练,使网络的预测输出不断逼近期望输出,实现对太阳耀斑级别的预测,通过结果误差分析,表明这种方法具有有效性与可行性.     

基于灰色预测的微博网络信息传播模型

微博网络信息传播具有动态、复杂、无规律性,因此难以进行信息传播的预测与控制.由于灰色理论在解决少数据、贫信息、不确定性问题具有一定的优势,本文提出了一种基于灰色神经网络的微博网络信息传播模型.模型将传播过程中动态、不确定因素作为扩展BP神经网络的输入参数,进行训练并预测信息传播的结果规律.仿真结果表明微博网络中信息传播在一般情况下具有初期传播平稳、中期传播迅速、后期逐渐缓慢形成稳定的传播规律.该模型对于微博网络上信息传播预测及控制具有一定的应用价值.     

基于实测数据分析的风电功率预测

由于风力发电所利用的近地风能具有波动性、间歇性、低能量密度等特点,对风电场的发电功率进行尽可能准确的预测是风电发展的关键.本文根据某风场的实测数据,采用了时间序列中的自回归移动平均模型(ARMA),对风电功率进行了实时预测;为进一步提高风电功率实时预测的精确性,本文提出了一种基于BP神经网络和ARMA组合模型的预测方法,并对上述实测数据采用该方法进行了实时预测.预测结果表明:组合模型的预测结果与单独的自回归移动平均模型相比,风电功率的实时预测的均方根误差和百分比误差分别减少了4.01%和3.25%,工程中可以采用该组合模型对风电功率进行预测.     

基于机器学习的新冠肺炎疫情趋势预测方法

防控措施对传染病的传播过程有重要作用，因此在预测新型冠状病毒肺炎疫情未来发展趋势时必须要考虑防控措施的影响。该文提出了基于机器学习的新冠肺炎疫情三步预测模型，将神经网络、随机森林、长短期记忆网络和序列到序列等机器学习算法引入到新冠肺炎传染病疫情预测中。与前人的预测模型相比，所提出的模型考虑了新冠肺炎疫情发展过程中防控措施的变化情况，可以使用检测数据预测未来的确诊人数和实际感染规模。研究结果表明：预测结果与实际数据基本一致，模型具有较高的可靠性。该预测方法可以使政府管理部门更准确地了解新冠肺炎疫情的实际发展态势，帮助管理者更有效地分配医疗资源，为新冠肺炎疫情防控提供决策参考。     

基于L1范数的出国留学人数组合预测研究

为更准确地探究我国出国留学人数变化趋势,提出基于L1范数的组合预测模型,对出国留学人数进行预测;从多角度选取影响出国留学的因素,利用灰色关联度分析提取影响出国留学人数的典型因 子,进而构建 GM(1,3)模型;建立BP神经网络模型;提出基于L1范数组合预测模型,通过求解线性规划确定单一模型最优权系数;然后,对2006—2019年出国留学人数进行预测;选取GM(1,1)模型为对照模型,通过对照模型以及预测误差评价指标体系比较模型的预测精度,结果表明:基于L1范数的组合预测模型效果优于3个单一模型,有效地提高了预测精度,能够充分利用单一预测模型提供的信息,从而更加准确地预测出国留学人数;未来几年我国出国留学规模仍有较大的发展空间,预测结果可为全球疫情下我国留学相关工作提供参考。     

城市交通网格集群的Bi-LSTM的流量预测

为提升交通流预测精度，深层次地挖掘交通流数据的时空特征，提出一种基于双向长短时记忆网络(Bi-LSTM)的城市交通网格集群流量预测模型。将所获得的网约车轨迹数据集网格化；考虑人为确定集群个数对结果的影响，用贝叶斯信息准则进行参数估计确定集群数，利用高斯混合模型对交通状况相似的网格进行聚类得到不同交通网格集群；利用集群内部交通网格的输入时间序列的相互影响设计多对多模型，构建Bi-LSTM模型预测不相交集群上的流量；以经典多元线性回归模型(MLRA)作为对照组进行实验验证，采用平均绝对误差(MAE)、均方根误差(RMSE)、平均绝对百分比误差(MAPE)和动态时间规整(DTW)这四类评价指标对预测结果进行综合评价，验证基于Bi-LSTM模型的城市交通网格集群流量预测的可行性。实验结果表明：MLRA模型和Bi-LSTM模型对城市交通网格集群流量的预测值小于真实值，早高峰时段尤为明显；各交通网格集群的交通状态态势相似，集群的簇内相关性较强，两类模型均可实现较好的流量预测效果，Bi-LSTM表现更优； MLRA和Bi-LSTM预测模型的精度MAE、RMSE、MAPE分别为3.2011、4.4009、0.3187，3.0687、4.2943、0.3045，Bi-LSTM与MLRA相比，模型精度分别提高了4.14%、2.40%、4.46%，说明所构建的Bi-LSTM交通流网格集群流量预测精度高、误差低，要优于MLRA模型，表现出较好的泛化性能； MLRA和Bi-LSTM的DTW结果分别为52938.6356、54815.1055，构建的Bi-LSTM模型较MLRA模型各自工作日和节假日时间序列相似性DTW结果提高3.42%，表现出更好的鲁棒性。利用城市交通流量的特点和交通轨迹数据网格化的优点，基于Bi-LSTM模型的城市交通网格集群流量预测与MLRA交通流量预测模型相比，具有精度高、误差低的特点。同时，DTW指标方面，基于Bi-LSTM对城市交通网格集群流量模型与真实流量变化趋势一致，表现出较好的鲁棒性。     

基于位置子市场划分的房价贝叶斯概率模型

针对方案属性值为Vague值且考虑专家评分可信度的多属性群决策问题,提出了一种基于Vague集模糊熵和D-S证据理论的多属性群决策分析方法。该方法充分考虑各专家给出的Vague值评价信息中所蕴含的模糊性与不确定性,借助模糊熵来获取与专家自身意见相匹配的评分可信度序列,其完全由数据驱动,弥补了传统方法对可信度主观统一设定的不足。首先,基于各专家原始决策矩阵获得各属性下的Vague集模糊熵,以构建与专家集相对应的评分可信度矩阵;其次,对经可信度调整后的各专家决策矩阵使用证据合成进行信息集结,利用Vague集记分函数并经可信度调整得到属性权重;最后,将专家群体集结信息经属性权重加权修正后算出各方案最终的Vague评价值,进而使用记分函数获得各方案综合得分,筛选出最优方案。利用证据理论在不确定信息融合方面的优势和Vague集记分函数的信息转化功能,通过证据合成和记分函数集结专家群体的评价信息,所得出的决策结果更加客观、合理,并通过一个具体算例验证了所提方法的可行性和有效性。     

自适应加权最小二乘支持向量机的空调负荷预测

为了提高建筑空调负荷的预测精度,在分析空调负荷主要影响因素的基础上提出了一种基于自适应加权最小二乘支持向量机(AWLS-SVM)的建筑空调负荷预测方法。该方法根据预测误差的统计特性,采用基于改进正态分布加权规则,自适应地赋予每个建模样本不同的权值,以克服异常样本点对模型性能的影响。建模过程中采用粒子群优化(PSO)算法对模型参数进行优化,以进一步提高模型预测精度。基于DeST模拟数据将AWLS-SVM方法应用于南方地区某办公建筑的逐时空调负荷预测中,并与径向基神经网络(RBFNN)模型、LS-SVM模型及WLS-SVM模型作比较,其平均预测绝对误差分别降低了51.84%、13.95%和3.24%,并进一步基于实际空调负荷数据将该方法应用于另一办公建筑的逐日空调负荷预测中。预测结果表明:AWLS-SVM预测的累积负荷误差为4.56MW,亦优于其他3类模型,证明了AWLS-SVM具有较高的预测精度和较好的泛化能力,是建筑空调负荷预测的一种有效方法。     

基于时序分解和SSA-LSTM-Attention模型的尾矿坝位移预测

针对尾矿坝位移变形的动态特性和传统预测模型在进行尾矿坝位移预测中的不足，提出了一种基于时序分解和SSA-LSTM-Attention模型的尾矿坝位移预测方法。首先，通过ICEEMDAN将尾矿坝位移监测数据进行分解为趋势项和波动项；其次，一方面采用高斯拟合方法对趋势项进行拟合预测，另一方面通过灰色关联度进行波动项相关影响因子筛选，并将注意力机制与LSTM相结合，建立了基于注意力机制及LSTM的波动项位移预测模型，同时利用SSA对该模型的超参数寻优；最后，将趋势项与波动项叠加得到总的位移预测值。以攀西地区某尾矿库为例对模型性能进行了验证，并与BP、LSTM、LSTM-Attention等模型进行对比，结果表明，该方法得到的均方根误差、平均绝对误差和确定系数分别0.742mm、0.553mm和0.994，所提方法能较大幅度提高尾矿坝位移变形的预测精度。     

中国人感染H7N9的时空传播特性分析

为揭示中国人感染H7N9疫情的时空发展规律和演变规律,基于2013年至2017年人感染H7N9统计数据,分别进行时间序列和标准差椭圆分析。首先以月为时间单位分析疫情时间序列,识别疫情的高峰期和低谷期,在此基础上将整个疫情期进行阶段划分,并对各阶段的疫情变化规律进行分析。然后根据疫情病例的发生位置建立标准差椭圆,通过各阶段椭圆中心、方位角和面积大小的变化刻画疫情的扩散情况。最后,通过对3个典型区域在时间和空间上进行分析,进一步验证疫情的扩散规律。结果表明:每年12月至次年5月为疫情高发期,尤其是1月和2月,这2个月病例数占比高达51.74%;每年的9月为疫情低谷期,是疫情扩散阶段的划分点。在整个疫情期间,病例数呈上升、下降、爆发和归零的趋势;空间上,标准差椭圆的中心从湖州市向抚州市、衢州市转移,椭圆覆盖区域也由较为集中的沿海地区扩展到内陆地区,说明前期的控制措施不够得力,防控效果不明显,使得疫情出现了蔓延的趋势。后期采取了严格措施使疫情得到了有效控制。研究中国人感染H7N9的时空传播机制规律,可为中国传染病的预测与防治提供一定的理论和实践参考。     

一种基于AC-RBF神经网络的网络安全态势预测方法

为了准确地把握网络安全发展态势,提出了一种基于自适应聚类径向基函数(adaptive clustering radical basis function,AC-RBF)神经网络的网络安全态势预测(network security situation prediction, NSSP)方法?该方法对网络安全态势样本自适应聚类,获得了神经网络隐层节点数,采用梯度下降法训练神经网络,寻找网络安全态势样本之间的非线性映射关系,利用该关系对未来时刻网络安全态势进行了预测? 仿真实验表明,相对于 K-均值 RBF 神经网络及支持向量机(support vector machine,SVM)预测模型,该方法在神经网络规模较小的情况下,不仅能够反映网络安全态势的总体趋势,而且还提高了预测精度,能够提供给网络安全管理员一个直观的网络安全态势图 ?     

基于贝叶斯优化注意力机制LSTNet模型的短期电力负荷预测

为更充分挖掘多元负荷序列间的有效信息,从而提高预测精度,提出了一种集成贝叶斯超参数优化算法、注意力机制的长期和短期时间序列网络（long and short-term time-series network with attention,LSTNet-attention）以及误差修正的短期负荷预测模型。首先,构建基于贝叶斯优化的LSTNet-attention模型进行初步预测,利用贝叶斯算法优化模型多个结构参数,降低人工设置参数的随机性,并通过注意力机制合理分配特征权重;然后,通过基于贝叶斯参数优化的极端梯度提升算法(extreme gradient boosting,XGBoost)误差修正模型来挖掘初步预测误差序列中潜在、未被利用的有效信息,进行误差预测和修正,进而得到最终的预测结果。通过使用澳大利亚某地真实负荷数据进行实证分析,实验结果表明,所提预测模型相较于其它模型具有更好的预测效果,可为负荷预测等工作提供一定参考。     

基于动态SV模型预测国债利率期限结构

选取中国人民银行2011年1月至2018年3月共87个月的国债收益率数据,通过改变价格数据为收益率数据,将传统的Svensson模型求解转化为线性优化问题,对利率期限结构进行较精确拟合,实证结果表明,参数的估计值与理论值有高度相关性且更加稳健。之后基于SV模型中各参数的AR（1）模型和VAR（1）模型构建了动态SV模型,实现了预测步长为1个月、6个月和1年的样本外预测,预测结果表明,随着预测步长增大,动态SV模型的预测能力逐渐增强;当预测步长为1年时,SV-VAR（1）模型表现出较明显的优势,特别是对于长期利率的预测,预测误差的均值、方差以及均方根误差均小于其他模型。因此,动态SV模型更适合于步长较长时长期利率的预测,并且SV-VAR（1）模型的表现更好,这为国债利率期限预测提供了一种新方法。