导读:本文包含了分析预测论文开题报告文献综述、选题提纲参考文献及外文文献翻译,主要关键词:模型,电力,电网,城市,因子,系数,负荷。
分析预测论文文献综述
张爱萍,鄢闯[1](2019)在《玩转大数据 支撑能源电力规划》一文中研究指出12月20日,辽宁电力经济技术研究院能源与电力规划实验室团队正在利用新上线的能源与电力供需平台,开展辽宁省“十四五”规划重大课题--《辽宁省“十四五”能源发展思路》的研究。在归集、校验有关数据时,团队成员张娜说:“半年之前,我们还是靠人工完成数据统计分析(本文来源于《国家电网报》期刊2019-12-31)
李杰,段光友,曾义,段振馨,吴卓熙[2](2019)在《人工神经网络、极端梯度提升和Logistic回归用于预测再次剖宫产术中输血的比较分析》一文中研究指出目的通过大样本临床数据构建再次剖宫产术中输血的预测模型,分析比较人工神经网络(artificial neural network,ANN)、极端梯度提升(extreme gradient boosting,XGB)和Logistic回归3种机器学习算法的预测效果。方法通过医院病历系统,收集我院2015年10月至2017年10月符合纳入标准的再次剖宫产产妇2 525例,详细录入产妇术前、术中各项指标。将可能有临床意义的变量纳入预测模型的构建,分别采用Logistic回归、XGB和ANN 3种机器学习算法构建术中输血预测模型。计算并比较3个模型的ROC曲线下面积(AUROC)、精确度、召回率和F1值4个指标。结果研究的有效样本共2 525例,其中332例(13.1%)进行了术中输血。最终的模型得到5个最重要的预测因素为:术前Hb、手术时间、宫缩乏力、前置胎盘和ASA分级。Logistic回归、XGB和ANN 3种算法的AUROC依次为0.960、0.959、0.956,同时通过F1值、精确度、召回率3个指标的比较发现3种算法差别很小。为进一步比较预测效果,再次在训练样本和测试样本上进行预测验证,发现XGB的AUROC为0.904和0.886,高于Logistic回归的0.868和0.878,以及ANN的0.882和0.884,同时XGB的精确度、召回率和F1 3个指标均略高于Logistic回归和ANN。结论术前Hb、手术时间、前置胎盘等指标可用于预测再次剖宫产术中输血。Logistic回归、XGB和ANN这3种机器学习算法均可用于剖宫产术中输血的预测,但XGB的预测效果比Logistic回归和ANN更准确。(本文来源于《第叁军医大学学报》期刊2019年24期)
记者,宋广玉[3](2019)在《分析创新首位度 预测2020年大趋势》一文中研究指出本报讯(记者 宋广玉) “作为旨在对南京经济社会发展进行综合分析、系统研判和科学预测的书籍,《南京市经济社会发展蓝皮书》一直力图为南京经济社会的高质量发展提供科学的决策咨询和政策建议。”昨天,在市委市政府召开的新闻发布会上,市社科联(院)介绍了《南京市经(本文来源于《南京日报》期刊2019-12-27)
张馨月[4](2020)在《中国重点高校基础研究投入产出预测及效率分析——基于ARMA模型和DEA法的实证研究》一文中研究指出高校是中国基础研究的重要力量,探析中国重点高校基础研究投入产出效率及未来发展具有重要意义。以2001-2016年中国重点高校基础研究投入产出数据为基础,构建了基础研究投入产出指标的ARMA模型,并利用模型预测了2017-2020年重点高校基础研究投入产出量。同时,运用DEA法对2019-2020年中国重点高校基础研究投入产出量的预测值进行了修正,确定了有效的目标值,为高校基础研究的科学发展提出了政策建议。(本文来源于《现代商贸工业》期刊2020年01期)
岳岭,刘方,刘辉,曹利强[5](2020)在《基于人工神经网络的大直径盾构隧道施工地层变形预测分析》一文中研究指出为了预测盾构施工引起的地表沉降规律,以京张高铁清华园大直径泥水盾构隧道工程为背景,结合盾构试验段隧道掘进过程中地层变形的监测数据,建立基于时间序列的NARNN(不含外部输入)和NARXNN(含外部输入)非线性自回归神经网络预测模型,对重要监测断面测点的隧道掘进过程中地表沉降发展趋势进行预测分析,并与传统时间序列ARMA模型预测结果进行对比,发现NARNN模型、NARXN模型、NARMA模型的预测结果与现场监测数据都比较吻合,而NARNN和NARXN非线性自回归神经网络预测模型精度明显高于传统时间序列ARMA模型,而考虑外部输入的NARXNN模型又比不考虑外部输入的NARNN精度高。因此,在考虑施工方法、地质条件和空间效应(埋深)等外部因素条件下建立的NARXNN模型具有良好的预测效果,能够较好地模拟盾构施工引起的地表沉降规律。(本文来源于《铁道标准设计》期刊2020年01期)
周帆,赵荣普,杨文镪,杨敏,张庆[6](2019)在《长、短期电力负荷大数据下的智能预测实例分析》一文中研究指出电力信息化平台的感知能力与检测精度日益提高,基于电力多维海量数据开展智能算法数据分析与知识挖掘,可高效处理数据,并获取具有指导意义的结论。考虑到不同时期的数据中彼此存在联系,可通过筛选历史时期数据的有效相关信息进行智能算法训练并做出合理预测。通过长、短期记忆网络对实际负荷数据进行预测,验证结果显示,基于长期数据可以较为准确地预测负荷变化情况,平均误差小于5%,对于合理规划电力生产具有一定的指导作用。(本文来源于《机电信息》期刊2019年36期)
孔新兵,蒯强,汪红霞[7](2019)在《高维L_1稳健因子分析及其在宏观经济预测中的应用》一文中研究指出本文提出了一种稳健的构建高维宏观经济数据公共因子的方法。通过采用基于L1矩阵范数的优化方法,在存在大量缺失值和离群值的宏观数据集中得到更好的因子载荷和因子估计。在我国117维宏观月度数据集的基础上,利用静态近似因子模型对一些经济指标进行了预测。实证结果表明,由L1方法得到的因子相比主成分方法有更好的预测精度,从而给宏观经济研究者和决策者提供更为准确和稳健的参考。(本文来源于《吉林工商学院学报》期刊2019年06期)
廖海强[8](2019)在《工业园区电力负荷预测方法与案例分析》一文中研究指出电力负荷预测是配电网规划的基础,是进行电力电量平衡的前提。针对新建工业园区的特点,以肇庆市江谷精细化工园区为例,从中远期负荷预测、近期负荷预测、负荷预测校核等方面探讨工业园区电力负荷预测的思路及方法,为类似工业园区电力专项规划提供借鉴。(本文来源于《江西电力》期刊2019年12期)
李敏,丁雪腾,黄敏[9](2019)在《重庆忠县汽车站交叉口交通量预测分析及评价》一文中研究指出为避免盲目对道路交叉口进行改造设计,以忠县汽车站交叉口为例,利用Trans CAD规划软件,采用交通四阶段法(出行生成、方式划分、交通分布、交通分配)对汽车站交叉口进行交通流量预测,并根据预测结果,利用Vissim仿真软件对汽车站交叉口服务水平进行分析评价,其结果较为合理,可为后续汽车站交叉口改善设计提供依据。(本文来源于《公路交通技术》期刊2019年06期)
王哲,王勤章,钱彪,李应龙,王新敏[10](2019)在《石河子地区前列腺穿刺活检阳性的相关危险因素分析及预测模型的建立》一文中研究指出目的分析石河子地区前列腺穿刺活检阳性的相关危险因素,建立Logistic回归预测模型。方法回顾性分析179例经直肠超声引导行前列腺穿刺活检患者的临床资料,采用单因素分析和Logistic回归分析法筛选超声引导下前列腺穿刺活检阳性的相关危险因素,建立Logistic回归模型,通过受试者工作特征(ROC)曲线下面积(AUC)验证预测模型的效能。结果共纳入179例患者,其中前列腺癌98例(54.75%),平均术前血清总前列腺特异性抗原(tPSA)为(54.01±37.57)ng/ml。单因素分析结果显示年龄、tPSA、PSA密度(PSAD)、血肌酐(SCr)、直肠指诊(DRE)、磁共振成像(MRI)与前列腺穿刺活检阳性的发生具有显着相关性(P<0.01)。多因素分析结果显示年龄(OR=2.909,95%CI:1.445~5.854)、tPSA(OR=9.549,95%CI:3.540~25.761)、DRE(OR=6.166,95%CI:1.923~19.771)、MRI(OR=14.143,95%CI:5.127~39.013)与前列腺穿刺活检阳性的发生具有显着相关性(P<0.01,P<0.001)。根据多因素分析结果建立前列腺穿刺活检阳性预测模型:logit P=-13.433+1.068×年龄+2.256×tPSA+1.819×DRE+2.649×MRI。模型预测概率的AUC为0.927。结论年龄、tPSA、DRE、MRI是前列腺穿刺活检阳性的高危预诊因素,据此建立的预测模型对前列腺穿刺阳性的预测具有较高的准确率,可在临床上指导医师为患者制定安全、合理的治疗方案。(本文来源于《中国老年学杂志》期刊2019年24期)
分析预测论文开题报告
(1)论文研究背景及目的
此处内容要求:
首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。
写法范例:
目的通过大样本临床数据构建再次剖宫产术中输血的预测模型,分析比较人工神经网络(artificial neural network,ANN)、极端梯度提升(extreme gradient boosting,XGB)和Logistic回归3种机器学习算法的预测效果。方法通过医院病历系统,收集我院2015年10月至2017年10月符合纳入标准的再次剖宫产产妇2 525例,详细录入产妇术前、术中各项指标。将可能有临床意义的变量纳入预测模型的构建,分别采用Logistic回归、XGB和ANN 3种机器学习算法构建术中输血预测模型。计算并比较3个模型的ROC曲线下面积(AUROC)、精确度、召回率和F1值4个指标。结果研究的有效样本共2 525例,其中332例(13.1%)进行了术中输血。最终的模型得到5个最重要的预测因素为:术前Hb、手术时间、宫缩乏力、前置胎盘和ASA分级。Logistic回归、XGB和ANN 3种算法的AUROC依次为0.960、0.959、0.956,同时通过F1值、精确度、召回率3个指标的比较发现3种算法差别很小。为进一步比较预测效果,再次在训练样本和测试样本上进行预测验证,发现XGB的AUROC为0.904和0.886,高于Logistic回归的0.868和0.878,以及ANN的0.882和0.884,同时XGB的精确度、召回率和F1 3个指标均略高于Logistic回归和ANN。结论术前Hb、手术时间、前置胎盘等指标可用于预测再次剖宫产术中输血。Logistic回归、XGB和ANN这3种机器学习算法均可用于剖宫产术中输血的预测,但XGB的预测效果比Logistic回归和ANN更准确。
(2)本文研究方法
调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。
实证研究法:依据现有的科学理论和实践的需要提出设计。
定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。
定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。
跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。
模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
分析预测论文参考文献
[1].张爱萍,鄢闯.玩转大数据支撑能源电力规划[N].国家电网报.2019
[2].李杰,段光友,曾义,段振馨,吴卓熙.人工神经网络、极端梯度提升和Logistic回归用于预测再次剖宫产术中输血的比较分析[J].第叁军医大学学报.2019
[3].记者,宋广玉.分析创新首位度预测2020年大趋势[N].南京日报.2019
[4].张馨月.中国重点高校基础研究投入产出预测及效率分析——基于ARMA模型和DEA法的实证研究[J].现代商贸工业.2020
[5].岳岭,刘方,刘辉,曹利强.基于人工神经网络的大直径盾构隧道施工地层变形预测分析[J].铁道标准设计.2020
[6].周帆,赵荣普,杨文镪,杨敏,张庆.长、短期电力负荷大数据下的智能预测实例分析[J].机电信息.2019
[7].孔新兵,蒯强,汪红霞.高维L_1稳健因子分析及其在宏观经济预测中的应用[J].吉林工商学院学报.2019
[8].廖海强.工业园区电力负荷预测方法与案例分析[J].江西电力.2019
[9].李敏,丁雪腾,黄敏.重庆忠县汽车站交叉口交通量预测分析及评价[J].公路交通技术.2019
[10].王哲,王勤章,钱彪,李应龙,王新敏.石河子地区前列腺穿刺活检阳性的相关危险因素分析及预测模型的建立[J].中国老年学杂志.2019