XiaoMi-AI文件搜索系统
World File Search SystemARIMA
使用Arimax模型探索环境指标和预测流感发病率的影响
流感是一种普遍存在的呼吸道感染，每年对全球数百万人的健康产生重大影响，导致严重的发病率和偶尔死亡（1）。尽管像其他呼吸道感染一样，流感在冬季和春季通常最普遍，但最近的报道阐明了夏季流感病例的引起兴趣（2）。这种新兴趋势对卫生当局和流感监视工作提出了新的挑战。流感的发作和传播受许多因素的影响，包括空气污染物（3）和气象因素等环境指标（4）。因此，获得对流感率的准确预测并对影响其因素的彻底理解的准确预测至关重要。
使用sarima建模和计量参数的预测：
卡拉奇方法论中温度因素：使用季节性自动回归综合运动平均值（SARIMA）模型。从2012年1月1日至2022年12月31日的每日最高和最低温度数据使用该模型的训练数据。这些数据集干净且修改，以获取该地区最高和最低温度数据的月平均值。这些数据集使用用于模型开发。两个数据集分别通过了时间序列分析，并且最适合两者的模型正在开发。发现：研究显示了温度数据中的季节性，以及在最低和最高温度数据集中的平均值增长，这表示过去十年中的全球变暖。含义：这些结果将有助于将来研究卡拉奇温度变化以及制定策略以适应该地区的这种变化。
LSTM-ARIMA作为算法投资策略的混合方法
从其他输入和其他输入中获得的预测获得。使用从2000年1月至2023年8月的每日频率数据跨越三个股权指数（标准普尔500，FTSE 100和CAC 40）的算法。测试的体系结构基于步行前进过程，该过程用于使用随机搜索和对算法进行回测的超参数调谐阶段。最佳模型的选择是基于适当选择的性能指标来确定的，该指标将重点放在风险调整后的回报量度上。我们考虑了两个
评估小分子抑制剂马立马司他对蛇毒毒素的靶向特异性：热蛋白质组分析的新应用
能够规避传统抗蛇毒疗法缺陷的新疗法对于解决全球蛇咬伤问题至关重要。许多蛇毒毒素抑制剂已显示出在体内和体外有希望的跨物种中和医学上重要的蛇毒毒素的效果。开发用于筛选此类抑制剂的高通量方法可以加速它们的鉴定、测试和实施，因此具有改善全球蛇咬伤治疗和结果的巨大潜力。基于能量学的蛋白质组学方法，包括热蛋白质组分析和蛋白质组整体溶解度改变 (PISA) 检测，代表了用于高通量、全蛋白质组鉴定药物靶点和配体的“深度蛋白质组学”方法。在以下研究中，我们应用热蛋白质组分析和 PISA 方法来表征 Crotalus atrox（西部响尾蛇）的毒液毒素蛋白质形式与蛇毒金属蛋白酶 (SVMP) 抑制剂马立马司他之间的相互作用。我们研究了其对毒液蛋白质组的影响，并表征了其与特定 SVMP 蛋白质形式的相互作用，以及其对非 SVMP 毒液毒素家族的潜在靶向性。我们还使用两种抑制剂浓度比较了 PISA 热窗口和可溶性上清液与不溶性沉淀物的性能，首次证明了灵敏的高通量基于 PISA 的方法来评估蛇毒小分子抑制剂的直接靶标的实用性。
Arimax模型，以预测巴西半干旱地区降雨不稳定性下的谷物产量
摘要 - Ceará的状态在巴西半干旱地区的大部分地区。最初，该研究将CEARá的年降雨分为6个时期：非常多雨，多雨，正常，正常干旱，干旱和干旱。此细分基于1901年至2020年之间的年度降雨量。研究估计该期间该州的年降雨量的平均降雨量和不稳定，以及估计降雨分割的时期的平均降雨量和降雨量。随后，研究开发了针对收获区域，收益率，生产价值和平均年平均谷物价格（在1947年至2020年）（可用年份）之间的预测模型。进行这些预测，研究使用了Arimax模型，该模型是盒子模型的扩展，并添加了外源变量。假设该变量会影响这些预测，则模型中包含的外源变量是1947年至2020年之间观察到的年降雨量。结果表明，该州的降雨量具有很高的不稳定性，并且从统计的角度来看，调整后的模型被证明是简约而强大的。
使用 ARIMA 模型分析和预测 GDP
摘要：国内生产总值（GDP）是衡量国民经济发展的重要指标，对于促进经济增长、辅助有关部门进行经济决策具有重要意义。本文采用ARIMA时间序列模型对1978—2022年中国GDP进行实证分析。结果表明，预测的GDP值与实际值吻合较好，即ARIMA（0，2，0）模型具有较高的预测精度。基于建立的ARIMA（0，2，0）模型对2023—2027年中国GDP进行顺序预测。从预测结果可以看出，中国GDP仍将保持平稳增长。为促进中国经济增长，提出以下建议：（1）吸引高科技人才和复合型人才；（2）优化升级产业结构；（3）坚持创新驱动；（4）加强深化对外经济合作。
为气候数据预测的Gstarima开发（1,1,1）模型订单
时空模型结合了空间和时间元素。一个示例是广义时空自回旋（GSTAR）模型，该模型改善了时空自回旋（Star）模型。GSTAR模型假定每个位置具有异质性特征，并且数据是静止的。在这项研究中，移动平均成分是通过在特定时间与可变值之间的关系计算得出的，并且假定数据不是固定的，因此使用的模型是广义时空自动式积分的移动平均值（GSTARIMA）模型。通过时空自相关功能（STACF）和时空部分自相关功能（STPACF）确定Gstarima的模型顺序，以确保准确的预测。先前的研究仅讨论了Gstarima（1,1,1）模型，因此在这项研究中，Gstarima（3,1,1）模型将作为Gstarima（1,1,1）模型的开发形式来解决，并应用于气候数据。本研究中使用的气候数据来自NASA功率和具有较大数据大小的降雨量变量，需要使用数据分析生命周期方法来分析大数据。生命周期包括六个阶段：发现，数据准备，模型计划，模型构建，交流结果和操作。基于Python软件的数据过程结果，Gstarima（3,1,1）模型的MAPE值为9％，用于样本数据，样本中数据为11％。相比之下，Gstarima（1,1,1）模型的MAPE值为11％，样本数据中的数据为12％。因此，Gstarima（3,1,1）模型提供了更准确的预测结果。因此，选择正确的模型顺序对于准确的预测至关重要。
通过人工智能社会创新解决无家可归问题：采用 ARIMA 和 LSTM 等预测分析和机器学习模型，对洛杉矶无家可归人群的犯罪受害情况进行新颖且具有突破性的评估
无家可归是一个世界性的问题，近年来洛杉矶 (LA) 的无家可归者数量急剧增加。尽管已经开展了多项研究来调查无家可归的各个方面及其与犯罪受害的交集，但没有一项研究使用机器学习技术来分析无家可归与无家可归者受害之间的关系。为了更好地了解无家可归者受害的影响，我们整合了从联邦、州和市政府机构获得的三个数据集，创建了一个统一的数据集，得出了重要的发现。特征工程用于引出无家可归不同维度之间的关系。基于提取的特征，机器学习技术用于模拟无家可归者的受害情况。我们的研究结果表明，洛杉矶无家可归者受害与种族、性别、年龄和社区划分密切相关。鉴于本研究的主要目标是帮助社会服务机构实施社会创新，我们应用了两种复杂的机器学习方法来预测无家可归者的未来：自回归综合移动平均线 (ARIMA) 和长短记忆网络 (LSTM)。这两个模型都从不同角度进行了训练，以预测未来两年内犯罪热点地区以及弱势群体的性别、种族和年龄组。最后，向各部门和政府机构提出了一些社会改进建议，以改善针对无家可归犯罪受害者的服务和项目。
帕瑞马尔·罗伊博士
博士学位 ：04 哲学硕士 ：04 特殊成就/奖项 1. 当选研究员： (i) 研究员（2013 年），印度国家科学院（NASI），阿拉哈巴德 (ii) 研究员（2006 年），印度新德里国家农业科学院（NAAS） (iii) 研究员（2015 年），印度加尔各答西孟加拉邦科学技术学院（WAST） (iv) 研究员（2015 年），印度兽医免疫学和生物技术学会（ISVIB），印度 2.国际奖：01 (i) 澳大利亚政府颁发的奋进行政奖（2013 年），以表彰其在知识和技能共享方面的互利成就。 3. 国家奖项 (i) 印度政府 ICAR 为表彰在动物健康领域做出的杰出贡献而授予的 2001-2002 两年期 Rafi Ahmed Kidwai 奖 (ii) 印度政府 ICAR 为表彰在农业研究领域做出的杰出贡献而授予的贾瓦哈拉尔·尼赫鲁奖 (1996) (iii) 印度政府生物技术部国家助理奖 (1996)
人机界面 ARIMA 模型评估...
操作员态势感知 (SA) 对于确保任何工业设施安全运行至关重要，对于核电站 (NPP) 更是如此。核电站工业事故（按国际原子能机构 (IAEA) 国际核事件分级表 (INES) [ 1 ] 中 1（异常）至 7（重大事故）的严重程度等级升序排列）包括以下案例：加拿大乔克河国家研究反应堆 (NRX) (INES-5) — 控制室控制棒状态指示灯错误、机械故障以及控制室人员沟通不畅等多重故障导致安全关闭棒库意外拔出，造成反应堆功率在 5 秒内失控超过反应堆设计极限的四倍，导致 1952 年 12 月 12 日发生严重堆芯损坏；美国三哩岛核事故（INES-5）——设计不良、模糊的控制室指示器导致操作员失误，影响了紧急冷却水供应，导致 1979 年 3 月 28 日三哩岛 2 号机组 (TMI-2) 反应堆堆芯安全壳部分熔毁；苏联切尔诺贝利事故（INES-7）——人为因素和固有设计缺陷导致 4 号机组于 1986 年 4 月 26 日发生灾难性爆炸并释放放射性物质。从事故后报告 [ 2 – 4 ] 中可以看出，关键事故前兆包括：(1) 由于传统人机界面 (HMI) 设计中的人为因素相关缺陷导致态势感知能力下降；(2) 常态化、偏差化，导致核安全文化松懈； (3) 信息过载（看而不见效应 [ 5 ]），这是由于通过控制室 HMI（面板指示、通告等）向操作员呈现信息的速度太快。）；以及 (4) 高度动态单元演进的错误心理模型导致认知错误，这是由于故障或有故障的传感器提供的工厂信息相互冲突，以及现场设备状态监控不正确。