基于实时监测参数的民用飞机重着陆预警方法

针对目前民用飞机重着陆事件的识别只能通过飞行员事后上报和维修人员被动检查的问题,提出了一种基于实时监测参数的民用飞机重着陆预警方法;分析了飞机重着陆的影响因素,在对快速存取记录器数据预处理的基础上,采用灰色关联度分析方法,从飞机重着陆相关的52个监测参数中提取了26个特征监测参数;以着陆质量、垂直加速度、垂直下降率和俯仰率等4个重着陆评价参数作为预测参数,26个特征监测参数作为输入,建立了基于长短期记忆网络的飞机重着陆预测模型;采用重着陆案例数据对预测模型进行训练,分析了飞行高度区间、输入输出步长对模型预测精度的影响,进而对模型进行了优化;在案例验证中引入混淆矩阵验证了模型的预测效果。研究结果表明:利用长短期记忆网络所建立的民用飞机重着陆预警方法有效利用了实时监测参数中反映重着陆趋势的信息,实现了飞机的重着陆预警,在提前8 s预警的情况下,预测精度达到了98%,平均绝对误差仅为0.018 3,可为飞行员提供足够的时间裕度采取措施,避免重着陆的发生。      

Theoretical Explanation of Return Predictability Based on Stock Price Formulation

To find out which factors determine stock return and to give rational explanation of return predictability, according to the principle of stock price formulation, the trend of stock price is obtained by use of option pricing method. The trend of stock price is put into reconstructing CAPM （capital asset pricing model） beta; it is concluded that the firm-specific biases and the scale biases potentiaUy induce return predictabih＇ty. In addition, through the relation between the biases structure and the intrinsic value, an appropriate theoretic explanation is supplied for three-factor pricing model proposed by Fama and French.     

黄土沟壑区湿软路基沉降预测模型

为合理考虑路基沉降预测时诸多影响因素的不确定性与随机性,提出基于神经网络范例推理的路基沉降预测模型。以同类工程的成功经验为基础,建立了基于神经网络的沉降范例检索模型,在范例相似度计算中,引入归一化效用函数,通过神经网络的学习,建立当前沉降范例与沉降源范例之间的相似关系,最终实现当前沉降范例的沉降预测。对黄土沟壑区湿软路基沉降预测结果表明,该模型具有较高的预测准确性,预测值与实测值绝对误差小于10%。     

子波变换及其在股市数据分析中的应用

把股票日收益率看作一维时间信号,通过子波变换与多尺度分析,求出了体现股市数据奇性的Lipschitz指数α。α为负表明在奇点比不连续更加奇异,证明了股票价格的变化是分形的。同时,由文中图示可知,在尺度s很大时,子波变换和多尺度分析可以将股市数据中偶然因素造成的涨跌消除,具有突出主要因素和客观突变点的特点,这一点对于从宏观上预测股价的走势有重要意义。     

水面高速无人艇运动极短期预报技术

采用基于时间序列的乘积季节ARIMA(求和自回归移动平均)模型以及无人艇模型规则波试验数据,研究了水面无人艇运动极短期预报技术。采用经趋势差分和季节差分后的ARMA(自回归移动平均)模型,运用最小信息准则和白噪声检验方法,验证所选择的最佳模型,并对无人艇进行了20步极短期运动预报。计算结果表明:无人艇船模加速度、升沉、纵摇的前10步短期预报最大误差均不超过6%,随着预测步数的增加,误差有扩大的趋势,加速度的后10步短期预报最大误差达到16.68%。可见,极短期预报技术有效。     

基于改进灰色-马尔可夫链的轨道不平顺发展预测方法

轨道不平顺的发展受轨道、荷载、自然等因素的影响,它们的综合作用使轨道不平顺的发展过程呈现出趋势性和随机性特征.将灰色GM（1,1）预测理论与马尔可夫链预测理论相结合,提出一种适应轨道系统的改进灰色-马尔可夫链组合预测模型.新模型较好地处理了轨道系统内部各种不确定因素的影响,并能够充分挖掘历史数据给予的信息.应用新模型对轨道质量指数TQI进行实例计算,表明其具有很好的预测精度.     

中国股票市场的统计特性和期权定价

应用动力模型理论,研究和分析了实际数据（SSE和SZSE综合指数日收盘价）和模拟数据（动力模型）的收益率统计特性.发现我国股票市场的波动性与动力模型基本保持一致;还发现动力模型比正态分布能够更好的描述真实市场的对数收益率分布;在对数收益服从动力模型的基础上,应用随机理论,构造了股票价格过程;最后,通过引入风险中立概率（Risk Neutral Probability）,导出了欧式买入期权的定价公式.     

基于灰色模型的成都双流机场物流预测

准确进行机场物流预测是机场规划的重要前提.但从目前机场物流的预测现状看,许多机场都存在预测值高于实际值的情况.文中在分析现有机场物流预测模型不足的基础上,利用灰色系统理论,建立了成都双流机场货、邮吞吐量的预测模型.通过实际数据与预测结果的比较,证明灰色模型对于双流机场货、邮吞吐量的预测具备可行性,同时具有较高的精度.     

���н�ͨ���з�ʽѡ���������Է���

影响城市交通出行方式选择的因素有很多,本文致力于分析具有随机特性的因素对出行方式选择的影响程度,即随机弹性.使用具有较好收敛性的集计交通战略STM模型作为分析出行方式选择的工具,并根据对道路实测数据的统计分析,验证了作为影响出行方式选择的重要因素——小汽车出行速度为随机变量并服从k阶爱尔朗分布.根据经济学的随机弹性理论,推导出小汽车出行速度对出行方式选择的随机弹性计算模型,利用北京市的实际数据验证了模型的有效性.并得出结论：交通政策指标（影响因素）的可靠度越高,政策目标对政策指标的弹性值越稳定、集中,即政策目标达到的可靠度越高,随机弹性分析模型可作为一种交通政策量化分析的工具.     

桥梁技术状况预测的灰色马尔可夫链模型研究

提出将灰色马尔可夫链用于桥梁的技术状况预测中,以解决传统的回归分析模型无法考虑不确定因素对结构技术状况的影响和概率型模型对单一桥梁预测的局限性问题,提出了将灰色模型GM(1,1)与马尔可夫链有机结合起来,利用二者的优点充分考虑了桥梁技术状况的整体趋势和局部波动情况,最大限度地利用历史信息.通过对国外某桥的技术状况进行预测分析并与传统的预测方法进行对比,证实了该模型的预测精度.     

非线性季节型航空公司客运收入的组合预测方法

针对航空公司的客运收入同时具有增长性趋势和季节波动性特征,使得客运收入的变化呈现出复杂的非线性组合特点,依据灰色预测GM(1,1)模型原理,建立客运收入预测模型,以反映其增长性趋势的特点,建立客运收入季节变动预测模型,以反映其季节波动性特点,最终形成非线性季节型客运收入组合预测模型。航空公司客运收入的预测结果表明,预测值与实际值误差小于1％,该模型有效、可行。     

考虑多特征的高速公路交通流预测模型

为准确预测高速公路交通流，缓解高速公路交通拥堵现象，本文提出一种考虑多特征的高速公路交通流预测模型。首先将高速公路当前道路与上下游的交通流、天气等数据转化为一个二维矩阵，并利用滑动窗口模型获得输入样本的最佳长度；然后将样本数据输入集成深度学习模型训练并提取交通流数据的特征，随后输出预测结果；最后，将某高速公路交通流数据用于工作日和节假日两组实验。结果表明：集成深度学习模型比单一模型预测高速公路交通流的效果要好，工作日的高速公路交通流预测精度远高于节假日，本文模型将平均绝对误差由 6.40辆·(20 min)-1 降到5.450辆·(20 min)-1，说明考虑多种因素可以提升高速公路交通流预测精度。     

基于LSTM 神经网络的降雨天旅行时间预测研究

降雨给城市道路行程时间的计算和预测带来了许多不确定因素. 以出租车GPS数据为研究对象，在考虑降雨数据的基础上，设计一个基于非最小路段的行程时间计算方法，建立基于LSTM(Long Short-Term Memory)循环神经网络的行程时间预测模型进行算法验证. 最后，以北京市中关村西区出租车行驶的10 d 的GPS数据进行方法验证. 结果表明，加入降雨特征预测的结果比未加入降雨特征拥有更高的准确率. 并与应用较为广泛的BP 神经网络和 SVM进行对比分析，发现在满足数据精度的前提下，本文应用的算法和预测模型有较高的训练速度和预测可靠性.     

基于改进RBF神经网络对股价的演变预测

对RBF神经网络进行了分析,建立了RBF神经网络模型,并对此模型进行了改进,使其具有更好的预测性能.把一类非线性较强的时间序列(万科A股2009年6月份股票价格)利用该模型进行了非线性逼近.用Matlab软件对网络的学习与训练过程进行了数值仿真.实验结果表明:利用改进后的网络模型对非线性时间序列进行短期预测是可行的,其预测精度高于改进前的预测精度,改进方法有效.     

道路交通事故多因素时间序列宏观预测模型

针对现有道路交通事故预测方法在实际应用中的不足，引入多因素时间序列法，建立了道路交通事故多因素时间序列宏观预测模型．该预测模型兼有单因素时间序列法和多元线性回归法两者的优点，通过单因素时间序列法可以方便、快捷地得出事故影响因素的预测值，而利用多元线性回归法可将各种事故影响因素综合起来，预测出道路交通事故总体发展趋势．实例计算证明，道路交通事故多因素时间序列宏观预测模型能很好地适用于道路交通事故预测，同时具备了所需数据资料较少、建模简单、计算快捷等优点．     

船舶航速优化综述

从航速优化模型、油耗预测模型、航速优化模型求解方法与船舶能效管理系统方面, 分析了国内外航速优化研究现状, 探讨了航速优化存在的问题, 并针对这些问题提出了建议。研究结果表明: 在航运市场持续萎靡的情况下, 经济航行将被更广泛应用, 针对航速优化的研究仍然具有重要的意义; 在航速优化模型方面, 目前多集中在以碳排放政策、不确定因素的影响、排放控制区政策、船队调度等为单一优化目标建立航速优化模型, 优化目标主要为成本最小化和利润最大化, 未来应将航速与航线、纵倾、船队部署联合优化, 考虑多种不确定因素、多种优化目标建立航速优化模型; 在油耗预测模型方面, 预测模型主要分为白盒模型、黑盒模型和灰盒模型, 白盒模型具有更好的可解释性, 黑盒模型的预测性能更好, 灰盒模型弥补了白盒模型和黑盒模型的缺点, 将成为未来的研究重点, 未来应基于精确的船舶数据和先进的人工智能算法进行数据学习, 提升油耗预测模型预测准确性; 在优化算法方面, 由于航速优化模型的复杂性, 大多采用启发式算法进行优化求解, 这种算法可以减少优化求解时间和提高求解质量, 未来需要探索更加精确高效的求解算法; 在优化策略方面, 采用大数据分析可以识别天气对航行的影响, 动态优化策略可以补偿环境因素引起的扰动, 能够进一步提升船舶能效水平; 在船舶能效管理系统方面, 船舶能效管理系统主要包括航行数据采集、数据传输、数据储存、数据分析与智能决策等功能, 由于其成本高昂, 目前尚未在船舶上大规模运用。      

Property protection,financial constraints and economic growth

The relationship between financial system, law framework or economic growth has attracted considerable attention for years. However, there are some questions still remaining unanswered: between tangible assets protection and intellectual property protection, which is more important? Between external financing and property rights protection, which does play a greater role for the economic development? According to the dynamic stochastic general equilibrium(DSGE) model with non-free market factors, we study the effectiveness of property protection and external financing, and try to answer these questions. The model fits the data well, and we find:(1) protection of intellectual property plays a more important role than that of tangible asset, in the promotion of economy;(2) relaxation of financial constraints on corporate is more effective in the short run, while the protection of intellectual property is more effectual in the long term.     

基于粒子群优化小波神经网络的行程时间预测

为使道路使用者在出发前获得具有高实时性和可靠性的行程时间预测信息，提高出行效率，需提升高速公路行程时间的预测精度。鉴于此，将生物学中粒子群优化算法（Particle Swarm Optimization Algorithm, PSO）引入小波神经网络（Wavelet Neural Network, WNN）中，构建基于粒子群优化小波神经网络（Particle Swarm Optimization Wavelet Neural Network, PSO-WNN）的高速公路行程时间预测模型。首先将高速公路原始收费数据规整化，截取其中有效字段，获取研究路段一个月的行程时间数据并对其进行数据处理。然后分别基于PSO-WNN模型和WNN模型，利用Matlab进行实验。实验结果显示，PSO-WNN模型预测结果的平均绝对误差、平均相对误差和均方误差较WNN模型分别降低了83.36%, 82.20%和98.15%。PSO-WNN行程时间预测模型不仅预测精度高，而且能较准确地预测出行程时间的走向及波动情况，在收敛速度方面也呈现出一定的优势，具有较好的适应能力。     

基于融合模型动态权值的短期客流预测方法

针对传统交通系统中短期客流预测精度低的问题,考虑城市交通站点客流数据在横纵向时间序列的规律性,基于卡尔曼滤波算法和K近邻（K-Nearest Neighbor, ANN）算法,分别根据当日数据和历史数据对客流量进行预测,然后利用权重系数方程对两个预测值加以融合,从而构建基于融合模型动态权值的短期客流预测方法。以某城市的某公交站点客流数据为研究对象,对所建融合模型短期客流预测的准确性和适用性加以验证。结果表明,新建模型、单一的卡尔曼滤波模型和KNN模型的平均相对误差分别为3.6%, 9.0%和7.7%,可见新建模型能更好地拟合客流变化趋势且评价效率更高。     

面向热轴故障的高速列车轴温阈值预测模型

针对现有基于车轴温度固定阈值的故障检测系统适应性差且误报率、漏报率高的问题, 综合考虑列车速度、环境温度与运行工况等因素对轴温的影响以及各因素之间的关系, 建立了高速列车轴温动态阈值预测模型; 考虑高速列车在不同运行工况下轴温变化的差异特征, 将列车运行状态分为加速、匀速和减速3个阶段, 并针对每个阶段运用皮尔逊相关系数法分析列车速度、环境温度、荷载等原始监测数据以及各阶段运行时间、初始轴温等衍生数据与轴温的相关程度; 提取与轴温变化密切相关的因素, 基于多元回归分析方法, 针对列车的3个运行阶段, 分别建立基于原始监测数据的轴温动态阈值预测模型和基于原始监测数据与衍生数据的改进轴温动态阈值预测模型, 并采用F检验方法对模型的有效性进行检验, 基于中国高速列车实测轴温数据对模型的正确性进行了验证。研究结果表明: 列车在加速、匀速与减速3个阶段中, 轴温真实值与改进轴温动态阈值预测模型预测值的平均相对误差分别为2.0%、4.1%和3.3%;相对于基于原始监测数据的轴温动态阈值预测模型, 3个阶段中改进轴温动态阈值预测模型的预测精确度分别提高了79.8%、64.3%和65.6%;改进预测模型的决定系数大于0.99, 显著性概率小于0.05, 表明模型有效。