基于ARIMAX模型的交通事故宏观预测

针对现有道路交通事故预测方法的不足,采用逐步回归法从众多宏观影响因素当中筛选出主要影响因素,并将动态回归ARIMAX模型应用于预测。前者保证了模型应用的准确性,后者则兼有回归与时间序列预测方法两方面的优点。根据1983年—2005年间相关数据,建立起道路交通死亡人数同人口总数、运输线质量里程数、客运量、驾驶员人数、人均GDP、公路运输汽车拥有量的相关关系,进一步应用ARIMAX模型进行预测,拟合结果显示,误差较小、预测情况良好,在交通事故宏观预测方面有很好的应用前景。     

缺损评分矩阵的论文排名

传统的竞赛评判由于受各种已知或者未知因素的影响,经常会导致数据缺损的情况出现。本文从分析评委的判分与选手的真实排名存在一个高度的线性相关入手,采用了线性回归的方法填补了缺损的数据,使之成为一个完整的数据集,再采用群组特征根法对数学建模竞赛的论文进行排序,最后用计算机模拟验证这种算法较缺损数据简单求和的算法优秀。     

岩石里氏硬度值与单轴饱和抗压强度相关性分析初步探讨

隧道施工期关于岩石坚硬程度指标的准确获取，是隧道围岩快速分级面临的实际问题，现行规范要求采用岩石单轴饱和抗压强度作为岩石坚硬程度的定量指标。为寻求关于岩石单轴饱和抗压强度最优的替代方案，对岩石单轴饱和抗压强度的不同替代方案和指标的优缺点进行分析比较，并通过使用里氏硬度计对不同岩性的岩石进行室内试验分析，研究泥岩类岩石和砂岩类岩石里氏硬度值与单轴饱和抗压强度之间的关系。利用数理统计软件SPSS24.0对岩石的里氏硬度值及单轴饱和抗压强度值进行回归分析，指出里氏硬度值与岩石单轴饱和抗压强度二者存在相关关系，且相关性较强，并构建不同岩性的岩石在饱和状态下单轴抗压强度与里氏硬度值的回归预测方程。     

对"利用回归预测技术进行港口吞吐量预测的方法研究"一文的商榷

对《水运工程》2004年第四期的“利用回归预测技术进行港口吞吐量预测的方法研究”一文中的回归预测模型提出了不同意见,建立了新的模型,使模型能更全面充分地说明问题,并使得到的结果更为精确,更有说服力,从而为港口的发展战略研究提供更好的技术支持。     

探讨预测路外伤亡事故的方法

分析了几种预测路外伤亡事故的方法，其中加权综合预测法考虑了两种或两种以上预测结果的权重，因此可减少预测误差，提高预测的准确性，是一种值得推广的预测方法。     

非胰岛素依赖型糖尿病患者影响因素的非条件Logistic回归分析

收集西安市若干医院内分泌门诊和病房的非胰岛素依赖型糖尿病（Noninsulindependentdiabetesmellitus，NIDDM）患者100例作为病例组，以同院、同时就诊的非糖尿病的外科患者100例作为对照，进行非条件Logistic回归分析。结果显示：NIDDM患者的家族遗传史、肥胖及脂肪主要蓄积在上半身（腰臀比值较大）、重大精神刺激、喜食甜食和富脂类食物等的比例显著高于对照组（P＜0．05）；而喜食水果、中及重型体力劳动强度的比例显著低于对照组（P＜0．05）。研究结果将为今后进行NID－DM社区干预及该病的预防提供依据。     

基于封闭试验场的驾驶模型生成方法研究

本文从封闭试验场驾驶模型的特殊性出发,采用合理的试验方案,得到了高精度的车速,定位(经度和纬度),航向角等数据。然后进一步地利用支持向量回归算法,得到基于封闭试验场的轨迹模型和速度模型。最终形成了驾驶模型,为下游仿真提供了更为可靠的智能驾驶速度曲线输入,从而不仅可以部分代替实车试验,减少实车的制造,降低开发成本,而且还可以更高效主动的发现车辆设计中的缺陷。     

基于MLR的公交车行程时间预测模型

分析了站间距离、上下车乘客数、停车延误等因素与公交车行程时间存在的线性映射关系,推导并建立了多元线性回归(MLR)模型,利用大连市21路公交车的数据,对模型进行了标定和检验,并对线性模型的误差来源进行了详细的分析和探究.重点探讨了行驶车速-行程时间线性相关性、乘客数-停站时间线性相关性、延误和行程时间线性相关性,解释了MLR标定的系数的含义,并阐述了导致MLR模型产生误差的来源,分析了非线性因素的影响.研究结果表明多元MLR模型能够解释影响因素与行程时间之间的线性因果关系,可以用来估计和预测公交车行程时间.     

支持向量机回归方法在船型要素建模中的应用

支持向量机是基于统计学习理论框架下的一种新的通用机器学习方法，是一种处理非线性分类和非线性回归的有效方法。采用支持向量机回归算法对船型主要要素进行建模，并与常规的回归建模方法进行比较。同时应用实例进行论证，估算结果证明了这种支持向量机回归算法在船型要素建模预测中的有效性和实用性。     

Identification and interpretation of spatial–temporal mismatch between taxi demand and supply using global positioning system data

Taxis provide a type of on-demand mobility service in urban transportation. There are growing concerns regarding the level of service of taxis in satisfying residents’ mobility demand. However, the mismatch between demand and supply of taxi services has not been resolved even with the introduction of app-based vehicle services. In this study, three indicators are constructed using the Shanghai taxi global positioning system (GPS) dataset to reveal the spatial–temporal mismatch pattern. The issue is further analyzed via a case study, in which seven regions with frequent mismatch patterns are identified in the time period from 21:00 to 22:00. Then, a multinomial logistic regression model is employed to identify the demographic and built-environment factors contributing to the taxi mismatch problem. The study results show that population density, residential areas, the number of points of interest, and road density have significant relationships with the taxi undersupply. In contrast, the areas of commercial lands, as well as the other two transportation-related factors, that is, the number of bus stops and the distance to nearest subway station, are observed to be statistically significant for both “oversupply” and “undersupply” conditions. This study provides valuable insights for identifying mismatch patterns and interpreting the mismatch problem as a function of spatially explicit factors that are of great use for urban governance, especially in the improvement of taxi efficiency, taxi management, and urban planning.