基于SAEM算法对缺失协变量的Logistic模型参数估计

给出了Logistic模型中对缺失协变量数据的一种估计方法.将Marc Lavielle等人提出的SAEM算法进行了改进,引入Samiran Sinha等人提出的一种基于不可忽视机制基础上的NI-机制,以此来尽可能的利用数据中已存在的信息,并将其与现有处理缺失协变量较好的MCAR缺失机制下的半参数方法做对比研究.对Logistic模型的参数分别进行估计,对比分析这两种方法在不同缺失率下的优劣,并对最终结果进行回判,将回判准确率与标准误差作为判别标准.结果表明,当缺失率较小时,两者对缺失数据的处理性能都很好;但当缺失率较高时,半参数方法对数据的处理性能要优于SAEM算法.SAEM算法的运行速度始终快于半参数方法,缺失率较小时,用提出的SAEM算法做线上估计比半参数方法更具有优势.     

长春市轨道交通换乘站设施满意度调查及统计分析

针对长春市日益严重的交通拥堵现象,通过设计调查问卷,分析了轨道交通换乘站设施的安全、舒适性以及影响乘客满意度的各种因素。结合层次分析与模糊评判方法,对长春市轨道交通换乘站设施满意度做了科学的分析,信度分析结果表明问卷调查有较高的信度。最后针对数据所反映出来的长春市轨道交通换乘站存在的问题给出了一些建议。     

长春市轻轨换乘枢纽行人特性数据分析

本文对长春市轻轨三、四号线换乘枢纽内采集到的分时段视频数据进行提取,得到了行人的步频、步幅和步速数据,通过比较和统计分析,对通道和楼梯口内的步频、步幅、步速特性,采用最小二乘法,建立了行人的步频、步幅、步速间的函数关系模型.     

应用MCEM算法估计一阶双重线性时间序列模型中的参数

本文利用Monte Carlo EM算法实现了对一阶双重线性时间序列模型的参数的估计.推出了估计模型中两个未知参数m与σ2的迭代步骤,并对模型进行了模拟计算,给出了模拟计算的结果.     

基于ARIMAX模型的企业商品价格指数预测

根据2010年1月至2014年12月中国人民银行发布的企业商品价格指数及农产品、矿产品、煤油电的相关数据,利用SAS软件建立了企业商品价格指数的多元时间序列ARIMAX模型,并利用该模型对2015年1月至3月的指数进行了短期预测。预测结果和近期公布的结果比较,误差较小,预测情况比较满意,这表明ARIMAX模型在对企业商品价格指数的拟合与预测上有较好的应用。     

基于混合分布时间序列的K-GRU建模

混合分布的时间序列数据具有非平稳性、周期性等复杂的特性,且蕴含着未来的变化趋势,其复杂性对该类数据的预测精度造成了很大的影响.为了有效降低该类数据的预测误差,提出了一种K-均值与GRU神经网络相结合的混合模型——K-GRU混合模型,具有较高的预测精度.仿真实验表明,样本量为5000左右,K分别取2、3、4、5时,该模型均比GRU神经网络的预测效果好.模拟结果也与多项式模型、傅里叶序列和LSTM进行了比较,结果表明K-GRU混合模型的预测效果最好.最后将K-GRU混合模型应用于街边停车占用率数据中,进一步验证了该方法的有效性.     

一阶双重线性时间序列模型的参数估计

本文利用Gibbs抽样法求一阶双重时间序列模型的参数的估计.推出了模型中两个未知参数的Gibbs抽样迭代步骤,并对模型进行了模拟计算,给出了模拟计算的结果.     

基于高斯噪声的HLSM稳健性多变点检验

提出了一种基于窗口滑动的Hodges-Lehmann检验的方法——Hodges-Lehmann Scan,能够同时估计高斯噪声的时间序列数据中多变点的位置和数量.利用Hodges-Lehmann Scan方法(HLSM)把在全局序列中估计多变点的问题转化成在局部窗口中推断单变点.通过数值模拟表明,对比基于PELT和Binary Segmentation两种经典的方法,所提出的HLSM不仅能够精确估计出变点的数量和位置,并且在同方差与异方差的高斯噪声下,以及有异常值时,显示更好稳健性.最后将提出的HLSM应用于交通数据中,通过实例进一步说明方法的实用性.     

基于LSTM的COMEX黄金期货价格预测对比研究

黄金期货价格时间序列具有复杂性、随机性和非平稳性的特点,而这三个特点是传统模型无法完全描述的,因此传统模型的预测效果不佳.利用神经网络方法进行深度学习,并建立多层LSTM及双向LSTM模型预测未来黄金期货的价格及其发展变化的规律和趋势,并且在相同数据的情况下与ARIMA模型、RNN模型、SVR模型进行了对比实验.结果表明,在四个评价指标下,双向LSTM模型优于所有对比度模型,取得了较好的预测效果.同时,双向LSTM模型的运行时间更短.因此,双向LSTM模型是一种更有效的黄金期货价格预测方法.