以往传统的链路预测方法大多数针对无向网络，而实际上大多数社交网络是有向的，并且没有考虑网络中同一节点对之间的重复边以及微观演化信息，因此不能较好地解决有向动态网络中的链路预测问题。针对有向网络，将节点对之间的重复边信息转换为该节点对之间连边的权值；接着采用了基于三元组模体的演化模型，对滑动窗口中相邻时间片的模体转换概率进行统计后，采用指数加权滑动平均法对其进行时序分析得到不同模体转换概率的预测矩阵，进而使用该矩阵对网络中的链边进行预测。这不仅充分利用了网络微观演化信息，而且解决了动态网络中重复边的问题。最后对实验结果进行分析发现，在高全局聚类系数高平均度的网络中AUC相比Triad Transition Matrix方法提高了近0.01，而相比CN方法提高更多。因此，所提方法能够较好地应用网络微观演化信息进行链路预测。
2023-02-26 13:46:04
1.37MB
1
针对传统灰色模型在多原始数据、长时间尺度的负荷预测情景下预测精度差的问题，文中分析了灰色模型（Gray Model，GM）的基本原理，并提出相应的改进措施，其中包括原始数据的加权处理、选取合适的初始条件及自适应优化模型参数。并将改进灰色模型（Improved Grey Model，IGM）应用于电力负荷预测。通过算例分析结果表明，无论在短期负荷预测还是在中长期负荷预测的情景下，所提出基于改进灰色模型的电力负荷预测方法相比于传统灰色模型，均具有更高的预测准确性，能够为电力系统的安全、稳定运行以及合理的规划提供重要支撑。
2023-02-10 20:09:24
1.51MB
1
针对现有剩余寿命预测研究中需要多个同类设备历史数据离线估计模型参数的问题，本文提出了一种基于退化数据建模的服役设备剩余寿命自适应预测方法． 该方法，利用指数随机退化模型来建模设备的退化过程，基于退化监测数据运用Bayesian 方法更新模型的随机参数，进而得到剩余寿命的概率分布函数及点估计． 区别于现有方法，本文方法基于设备到当前时刻的监测数据，利用期望最大化算法对模型中的非随机未知参数进行在线估计，由此.无需多个同类设备历史数据． 最后，通过数值仿真与实例分析，验证了本文方法在剩余寿命预测时的有效性．
2023-01-04 16:58:13
1.33MB
1
基于多准则优化的组合预测方法，王坚强，，介绍了9个预测效果评价准则,提出了一种基于多准则优化的组合预测方法。该方法不同于传统的基于改善单个预测效果评价准则的组合预�
2022-12-06 12:16:34
153KB
1
为了避免在传统模型库遴选组合过程中存在的信息不完备、组合膨胀等问题, 以人员甄选方法的基本思想
为基础, 提出了一种预测模型库的评价遴选组合方法. 在该方法中, 将遴选出所有适合本次预测问题的模型, 组成参
与模型集合; 然后, 根据每个模型的精度表现来确定对它们的能力满意度, 并由此决定它们的重要性赋权; 最后, 通过
实验表明了该方法得到的组合模型具有较好的预测效果.
2022-12-05 21:51:24
219KB
1
（1）自回归（AR）
（2）移动平均线
（3）自回归移动平均线
（4）自回归综合移动平均线（ARIMA）
（5）季节性自回归综合移动平均线 (SARIMA)
（6）具有外生回归量的季节性自回归综合移动平均线 (SARIMAX)
（7）带有 ARIMA 误差的回归模型
（8）向量自回归（VAR）
（9）GARCH 模型
（10）Glostan、Jagannathan 和 Runkle GARCH 模型
2022-11-28 16:26:01
333KB