时间序列预测法是一种定量分析方法，它是在时间序列变量分析的基础上，运用一定的数学方法建立预测模型，使时间趋势向外延伸，从而预测未来市场的发展变化趋势，确定变量预测值。
2024/7/6 6:32:33
4KB
1
根据飓风运动轨迹的特点,提出一种基于动态属性的飓风全时域轨迹模型,设计轨迹数据阈值估计更新策略。
将飓风运动轨迹组织成一系列时空连续的运动片段,在符合总体精度要求的前提下,实现数据压缩并支持全时域位置查询。
基于实际飓风数据的实例研究证明,该模型能够较为完整和精确地描述飓风运动过程,总体误差符合飓风预测的国际标准,模型的数据量较原始数据可减少24.71%,并支持飓风过去时刻和短暂未来位置的状态信息查询。
将飓风运动轨迹组织成一系列时空连续的运动片段,在符合总体精度要求的前提下,实现数据压缩并支持全时域位置查询。
基于实际飓风数据的实例研究证明,该模型能够较为完整和精确地描述飓风运动过程,总体误差符合飓风预测的国际标准,模型的数据量较原始数据可减少24.71%,并支持飓风过去时刻和短暂未来位置的状态信息查询。
2024/7/5 5:01:31
1.54MB
1
一篇高水平IEEETrans的模糊逻辑+神经网络预测模型，作者英文水平很好，看完后能对模糊逻辑有更高的理解！
2024/5/31 3:55:58
1.77MB
1
本文基于支持向量机（SVM）和改进的粒子群优化（IPSO）算法（SVM-IPSO）创建了双向预测模型，以预测碳纤维的性能和生产参数。
在SVM中，选择对预测性能有重要影响的参数至关重要。
提出了IPSO对它们进行优化的方法，然后将SVM-IPSO模型应用于碳纤维产量的双向预测。
SVM的预测精度主要取决于其参数，因此利用IPSO来寻找SVM的最佳参数，以提高其预测能力。
受小区通信机制的启发，我们通过将全球最佳解决方案的信息纳入搜索策略来提出IPSO，以提高开发效率，并采用IPSO建立双向预测模型：在前向预测的方向上，我们认为富有成效参数作为输入，属性索引作为输出；
在向后预测的方向上，我们将性能指标视为输入，将生产参数视为输出，在这种情况下，该模型成为新型碳纤维的方案设计。
来自一组实验数据的结果表明，该模型的性能优于径向基函数神经网络（RNN），基本粒子群优化（PSO）方法以及遗传算法和改进的粒子群优化（GA-IPSO）方法在大多数实验中都是如此。
换句话说，仿真结果证明了SVM-IPSO模型在处理预测问题方面的有效性和优势。
在SVM中，选择对预测性能有重要影响的参数至关重要。
提出了IPSO对它们进行优化的方法，然后将SVM-IPSO模型应用于碳纤维产量的双向预测。
SVM的预测精度主要取决于其参数，因此利用IPSO来寻找SVM的最佳参数，以提高其预测能力。
受小区通信机制的启发，我们通过将全球最佳解决方案的信息纳入搜索策略来提出IPSO，以提高开发效率，并采用IPSO建立双向预测模型：在前向预测的方向上，我们认为富有成效参数作为输入，属性索引作为输出；
在向后预测的方向上，我们将性能指标视为输入，将生产参数视为输出，在这种情况下，该模型成为新型碳纤维的方案设计。
来自一组实验数据的结果表明，该模型的性能优于径向基函数神经网络（RNN），基本粒子群优化（PSO）方法以及遗传算法和改进的粒子群优化（GA-IPSO）方法在大多数实验中都是如此。
换句话说，仿真结果证明了SVM-IPSO模型在处理预测问题方面的有效性和优势。
2024/5/15 2:02:19
536KB
1
由于模型预测控制理论数学抽象特点明显，初涉者往往需要较长时间的探索才能真正理解和掌握，而进一步应用到具体研究，则需要更长的过程。
本书详细介绍了应用模型预测控制理论进行无人驾驶车辆控制的基础方法，结合运动规划与跟踪实例详细说明了预测模型建立、方法优化、约束处理和反馈校正的方法，给出了Matlab仿真代码和详细图解仿真步骤。
所有代码都详细提供了详尽的注解，并且融入了研究团队在本领域的研究成果。
本书详细介绍了应用模型预测控制理论进行无人驾驶车辆控制的基础方法，结合运动规划与跟踪实例详细说明了预测模型建立、方法优化、约束处理和反馈校正的方法，给出了Matlab仿真代码和详细图解仿真步骤。
所有代码都详细提供了详尽的注解，并且融入了研究团队在本领域的研究成果。
2024/5/10 17:25:03
52.7MB
1
https://blog.csdn.net/hhmy77/article/details/80355611指数模型，灰度预测模型（这个网上被吐槽得很水），logistic模型，Leslie矩阵，大概就这几个了，然后论文里面用得是灰度预测和logistic模型，Leslie矩阵我很想加进去，因为它用当前人口年龄结构来预测未来的人口，感觉很切合题目，但是找遍网络也没找到人口年龄结构，就不了了之了，如果你想拿奖建议你使用这个模型。
191KB
1
为解决基于数据驱动的故障预测缺乏统一的预测框架的问题，提高故障预测精度，提出了一种通用的故障预测模型和框架。
总结分析了单项故障预测方法的优缺点和故障预测研究现状，研究了基于数据驱动的故障预测的一般过程，将融合单元的概念应用到故障预测领域，用以描述预测过程中设备状态的数据变化，建立了基于数据驱动的故障预测模型，从而得到了一种统一的故障预测框架，为基于数据驱动的故障预测研究提供借鉴。
总结分析了单项故障预测方法的优缺点和故障预测研究现状，研究了基于数据驱动的故障预测的一般过程，将融合单元的概念应用到故障预测领域，用以描述预测过程中设备状态的数据变化，建立了基于数据驱动的故障预测模型，从而得到了一种统一的故障预测框架，为基于数据驱动的故障预测研究提供借鉴。
2024/4/11 9:03:35
1.25MB
1
在日常工作中，钉钉打卡成了我生活中不可或缺的一部分。然而，有时候这个看似简单的任务却给我带来了不少烦恼。
每天早晚，我总是得牢记打开钉钉应用，点击"工作台"，再找到"考勤打卡"进行签到。有时候因为工作忙碌，会忘记打卡，导致考勤异常，影响当月的工作评价。而且，由于我使用的是苹果手机，有时候系统更新后，钉钉的某些功能会出现异常，使得打卡变得更加麻烦。
另外，我的家人使用的是安卓手机，他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说，每次打卡都是一次挑战。他们总是担心自己会操作失误，导致打卡失败。
为了解决这些烦恼，我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习，我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。
2024-04-09 15:03
15KB