基于多尺度自回归模型体系的混凝土坝位移预报及工程应用

针对混凝土坝位移监测数据的时频非线性特征严重影响到数值模型预报精度的难题,通过小波技术解析原型数据中多重交叉环境驱动的效应实况,有机结合非线性自回归模型(Nonlinear Autoregressive Model with Exogenous Input, NARX)和差分整合移动平均自回归模型(Autoregressive Integrated Moving Average Model, ARIMA),建立了多尺度组合机制下的自回归模型体系,解决了内蕴复杂混沌特性的监测序列的信息挖掘难点。工程实例分析表明,所建模型的拟合精度及预测能力均得以提升,相比于传统模型具有较好的抗噪性和鲁棒性。此外,所建立的计算模型经一定的优化和拓展,亦可推广应用于其它水工建筑物的效应预报分析。     

Stock Price Forecasting: An Echo State Network Approach

Forecasting stock prices using deep learning models suffers from problems such as low accuracy, slow convergence, and complex network structures. This study developed an echo state network (ESN) model to mitigate such problems. We compared our ESN with a long short-term memory (LSTM) network by forecasting the stock data of Kweichow Moutai, a leading enterprise in China’s liquor industry. By analyzing data for 120, 240, and 300 days, we generated forecast data for the next 40, 80, and 100 days, respectively, using both ESN and LSTM. In terms of accuracy, ESN had the unique advantage of capturing nonlinear data. Mean absolute error (MAE) was used to present the accuracy results. The MAEs of the data forecast by ESN were 0.024, 0.024, and 0.025, which were, respectively, 0.065, 0.007, and 0.009 less than those of LSTM. In terms of convergence, ESN has a reservoir state-space structure, which makes it perform faster than other models. Root-mean-square error (RMSE) was used to present the convergence time. In our experiment, the RMSEs of ESN were 0.22, 0.27, and 0.26, which were, respectively, 0.08, 0.01, and 0.12 less than those of LSTM. In terms of network structure, ESN consists only of input, reservoir, and output spaces, making it a much simpler model than the others. The proposed ESN was found to be an effective model that, compared to others, converges faster, forecasts more accurately, and builds time-series analyses more easily.     

基于多模型变权重组合的软件可靠性仿真研究

研究提高软件可靠性预测精度问题,对软件可靠性研究已成为当前软件工程的一个研究热点,传统的单一软件可靠性模型由于使用的技术及提取的信息有限,软件可靠性预测精度不高。为提高软件可靠性预测精度,在建立多种单一软件可靠性预测模型的基础上,提出一种样本点的多模型变权重组合模型。将多种预测技术有效地聚合在一起,取长补短,在样本数据有限的情况下,不仅改善了样本内学习能力也增强了样本外的泛化能力,提高了综合预测精度。仿真验证模型无论在样本内还是样本外都较优于经过模拟退火算法优化的BP神经网络(SA-BP)及经过遗传算法优化的最小二乘支持向量机(GA-LSVM),说明变权重组合模型是一种精度更高的软件可靠性失效数据预测模型,具有较好的应用推广价值。     

人工神经网络技术在电工产品可靠性实验中的应用(理论部分)

本文简要介绍了人工神经网络，BP神经网络的结构、训练和学习规则以及人工神经网络非线性时间序列预测的应用概况。     

基于报废量预测的电子废弃物回收产业现状与对策 —— 以长三角为例

长三角为我国经济最活跃、电子废弃物回收产业发展相对完善的地区之一。运用stata多元回归分析报废量的影响因素,用Holt模型预测长三角区域电子废弃物报废量。结果显示, 2050年电视机累计报废量将达到35亿台,手机报废量将达到65亿部。通过分析长三角电子废弃物回收产业规模、回收体系、地方性法律政策及公共意识4个方面,发现在回收体系构建方面,仍然存在非正规回收渠道占据主要市场,正规企业产能过剩以及回收点覆盖不合理等问题。结合未来电子废弃物报废量与回收产业现状,提出了系统性的政策建议。     

基于多模型随机组合的水文集合预报方法研究

准确、可靠的水文预报是水资源开发利用的基础。集合预报以概率或区间的形式表征预报的不确定性,是未来水文预报研究的重点发展方向。本文提出了一种基于多模型随机组合的水文集合预报方法。首先通过加权形式将多种预报模型进行组合;再采用多目标优化算法率定各成员模型权重的上、下限;最后在优化的上、下限内随机生成权重以构建集合预报。以汉江黄金峡水库中长期径流预报为研究对象,考虑月、旬两种预见期,构建了六种单一预报模型,采用非支配排序遗传算法对权重进行优化后得到集合预报样本。结果表明：所提方法能更好地反映预报的不确定性,且均值预报结果明显优于贝叶斯模型平均法和单一确定性预报模型,具有一定竞争力。     

径流预报的极点对称模态分解-Elman网络模型

针对径流序列非线性、非平稳的特点,将极点对称模态分解（ESMD）方法与Elman神经网络模型相结合,建立了ESMD-Elman神经网络组合模型,并应用于长江上游干支流8站的年、月径流预报。首先利用ESMD方法将径流序列分解为各模态分量和趋势余项;然后利用Elman神经网络模型分别预测各平稳序列;最后加和重构得到最终预测结果。结果表明：组合模型预报精度大于单一模型,与ESMD-BP神经网络组合模型比,ESMD-Elman神经网络组合模型的8站年径流预报结果的平均相对误差（MAPE）平均降低3.6%,均方根误差（RMSE）平均降低7.8%,确定性系数平均提高5.0%;8站月径流预报结果的MAPE平均降低3.0%,RMSE平均降低2.8%,具有“分解?预测?重构”特点的组合模型提高了预报精度。     

西江流域压咸风险调度及其时空传递规律研究

枯水期珠江河口咸潮情势日益加重,径流不确定加剧了压咸风险,严重威胁沿线的供水安全。本文基于概率密度分布描述径流不确定性,构建了单源风险调度基本框架。以西江流域五座水库为研究对象,量化了预报误差与压咸风险的响应关系;揭示了压咸风险的时空传递规律;将压咸风险划分为3个等级;确定出各级风险越级传递的临界阈值。研究表明：随预报误差的增大,压咸风险提前且持续天数增加、风险率增大;压咸风险呈逐时段累积和从上游向下游、从支流向干流的时空传递规律;当预报误差超过±16%、±21%时,压咸风险从轻险越级至中险、中险越级至重险。研究成果对于西江流域压咸风险的调控和粤港澳大湾区的供水安全具有重要的应用价值。     

对我国乙烯工业发展的几点思考

阐述了世界乙烯工业现状、发展特点以及新型工艺技术分析，重点对我国乙烯工业总体发展水平、生产、消费、进出口贸易作了详细的讨论。在此基础上对我国乙烯工业发展方向、方式和规划提出了建议。