XiaoMi-AI文件搜索系统
World File Search System平均模型
在税收预测中应用机器学习
收入预测为政府提供了关键背景，以告知其关于预算和收入政策的决策。但是，我们是否应该使用简单或复杂的方法仍然是一个杰出的问题。Favero和Marcellino（2005）对政府使用的不同预测方法进行了全面比较，以预测财政变量，包括单变量自动回归和移动平均模型，矢量自动锻炼（VARS）和小规模的半结构模型。他们发现，简单的单变量时间序列方法倾向于提供有效且无偏见的预测，超过了依赖宏观经济变量系统的多元模型。他们将其归因于对具有重大制度和经济变化的短样本中多个宏观经济变量的共同行为进行建模的困难，以及简单方法在结构中断时的鲁棒性。
埃隆马斯克的推文对比特币价格的影响......
加密货币的受欢迎程度呈天文数字上升，并催生了一种革命性的新支付和投资方式。这些由区块链支持的证券不仅成功吸引了华尔街的鲨鱼，也吸引了散户投资者。这种飞速增长导致加密货币和区块链的市值飙升。比特币是有史以来第一个领先的加密货币，其市值已超过 7830 亿美元。到 2023 年，所有加密货币的总市值预计将超过 10877 亿美元。尽管这些数字惊人，但加密货币市场一直在努力解决的一个问题是高波动性。与传统市场一样，加密市场容易因新闻发展和投机而波动，从而加剧价格波动。然而，由于加密市场的流动性短缺，这种影响被夸大了，任何小新闻或猜测都可能导致价格波动。埃隆·马斯克 (Elon Musk) 位列全球最富有的人和最富有的人之列。加密货币市场波动性的最大推动者是埃隆·马斯克，因为他在 Twitter 上有 5800 万粉丝，并且他发布了关于比特币和狗狗币等加密货币的令人费解的推文。在他的几条推文之后，交易量明显高于平常。研究人员认为，社交媒体活动会影响这些动向；因此，像埃隆·马斯克这样的有影响力的人可以显著影响加密货币。该项目旨在研究埃隆·马斯克在 Twitter 上的相关活动及其对加密货币市场的影响。该项目的目标是研究埃隆·马斯克的推文对比特币和狗狗币以及价格预测的影响。为了实现这一目标，该项目提出了各种模型，例如自回归模型、移动平均模型和自回归综合移动平均模型。基于对数似然、修正赤池信息准则和贝叶斯信息准则等各种指标，选择最佳模型来预测未来。
单个储能子模块分支，用于集成高压直流系统中的储能设备
储能系统 (ESS) 可以提高可再生能源占比较高的电力系统的服务可靠性。本文介绍了一种可以将 ESS 直接集成到 HVDC 系统中的转换器拓扑。该拓扑由一个储能子模块 (ES-SM) 分支和一个电感器组成。ES-SM 基于半桥，通过直流/直流转换器连接到超级电容器或电池。该拓扑可扩展到不同的电压水平，并且由于储能元件分布在所有子模块中，因此它提供了高度的冗余。在这项工作中，转换器拓扑使用平均模型建模，其控制旨在调节注入的直流功率和 ES-SM 的能量。还提供了拓扑主要元素的初步尺寸。模拟表明，ES-SM 既可以从 HVDC 系统注入和吸收功率，同时保持 ES-SM 电容器中的所需能量。
对物种识别的深度学习与捕食者 - 捕集的推断之间的权衡
深度学习用于在几个科学领域的重要应用中使用的计算机视觉问题。在生态学中，对深度学习的兴趣日益增加，以对大量图像（例如动物物种鉴定）进行重复分析。 但是，生态学家的社会性涉及深入学习的广泛采用有挑战性的问题。 首先，有一个编程障碍，因为大多数算法都是用python编写的，而大多数生态学家则精通R。 第二，深度学习在生态学中的最新应用集中在计算方面和简单任务上，而无需解决潜在的生态问题或进行统计数据分析以回答这些问题。 在这里，我们展示了可重复的R工作流程，该工作流程使用Predator-Prey关系作为案例研究整合了深度学习和统计模型。 我们说明了在用相机陷阱收集的图像上识别动物物种的深度学习，并使用多物种占用模型来量化空间同时存在。 尽管平均模型分类性能，但无论我们分析了地面真相数据集还是分类数据集，生态推断都是相似的。 此结果要求在分配的时间和资源之间进行进一步的工作，分配给具有深度学习的模型以及我们通过生物多样性监测正确解决关键生态问题的能力。 我们希望我们可重复的工作流对生态学家和应用统计学家有用。在生态学中，对深度学习的兴趣日益增加，以对大量图像（例如动物物种鉴定）进行重复分析。但是，生态学家的社会性涉及深入学习的广泛采用有挑战性的问题。首先，有一个编程障碍，因为大多数算法都是用python编写的，而大多数生态学家则精通R。第二，深度学习在生态学中的最新应用集中在计算方面和简单任务上，而无需解决潜在的生态问题或进行统计数据分析以回答这些问题。在这里，我们展示了可重复的R工作流程，该工作流程使用Predator-Prey关系作为案例研究整合了深度学习和统计模型。我们说明了在用相机陷阱收集的图像上识别动物物种的深度学习，并使用多物种占用模型来量化空间同时存在。尽管平均模型分类性能，但无论我们分析了地面真相数据集还是分类数据集，生态推断都是相似的。此结果要求在分配的时间和资源之间进行进一步的工作，分配给具有深度学习的模型以及我们通过生物多样性监测正确解决关键生态问题的能力。我们希望我们可重复的工作流对生态学家和应用统计学家有用。
通过学习与车辆相关的测量数据来推断个性化驾驶员工作量
摘要 — 使车载系统（例如高级驾驶辅助系统和车载信息系统）适应个体驾驶员的工作量可以提高安全性和便利性。要实现这一点，必须推断驾驶员的工作量，以便适时以适当的方式为驾驶员提供自适应辅助。我们不是为所有驾驶员开发一个平均模型，而是通过易于获取的车辆相关测量数据（VRM），使用机器学习技术，开发一个考虑到个体驾驶员驾驶特征的个性化驾驶员工作量推断（PDWI）系统。所提出的 PDWI 系统包括两个阶段。在离线训练中，首先使用模糊 C 均值 (FCM) 聚类根据个体驾驶员的固有数据特征自动将其工作量分成不同的类别。然后，通过分类算法构建 VRM 和不同级别工作量之间的隐式映射。在线实施中，VRM 样本被分类到不同的簇中，从而可以成功推断驾驶员的工作负荷类型。最近从现实世界的自然驾驶实验中收集的数据集被用来验证所提出的 PDWI 系统。比较实验结果表明，所提出的集成 FCM 聚类和支持向量机分类器的框架在准确率、精确率、召回率、F 1 -sco 方面提供了良好的工作负荷识别性能
绘制第一波新冠肺炎疫情之前和期间的全球疫苗销售趋势：横断面时间序列分析
摘要 背景 虽然 COVID-19 大流行可能严重阻碍了全球常规免疫服务的提供，但我们几乎没有关于大流行对疫苗供应链影响的数据。 方法 我们使用时间序列分析来研究 2014 年 8 月至 2020 年 8 月期间 IQVIA MIDAS 数据库对 84 个国家/地区共 34 种疫苗和联合疫苗的全球疫苗销售趋势。我们将国家分为三个收入水平类别，并使用自回归综合移动平均模型模拟了 2020 年 4 月至 8 月与 2019 年 4 月至 8 月疫苗销售的变化。 结果 2020 年 3 月，全球疫苗销量从每 100,000 人 1211.1 支下降到 2020 年 4 月的每 100,000 人 806.2 支，总体下降了 33.4%；然而，疫苗销售中断在各个经济体的恢复情况不成比例。 2020 年 4 月至 2020 年 8 月期间，我们发现与 2019 年同期相比，高收入国家 (HIC) 的疫苗销量显著下降了 20.6%（p<0.001），而中低收入国家 (LMIC) 的疫苗销量则显著增长了 10.7%（p<0.001）。从 2014 年 8 月到 2020 年 8 月，高收入国家每月的人均疫苗销量平均至少是中低收入国家的四倍，是中上收入国家的近三倍。结论我们的研究揭示了 COVID-19 对不同经济体疫苗销售的不同影响，同时强调了在第一波 COVID-19 大流行之前和期间人均疫苗销量存在巨大的持续差异。需要采取行动确保公平分配疫苗。
使用 NARMAX 方法对机械腕部扰动的皮质响应进行非线性建模
摘要 — 目的：通过对手腕扰动的皮质反应 (EEG) 进行非线性建模，可以量化健康和神经受损个体的皮质感觉运动功能。反映健康个体共有关键特征的共同模型结构可为未来研究与感觉运动障碍相关的异常皮质反应的临床研究提供参考。因此，我们的研究目标是识别这种共同的模型结构，从而使用具有外生输入的非线性自回归 - 移动平均模型 (NARMAX) 构建皮质反应的非线性动态模型。方法：在接受连续手腕扰动时记录十名参与者的 EEG。开发了一种共同的模型结构检测方法，用于识别所有参与者的共同 NARMAX 模型结构，具有个性化的参数值。将结果与传统的特定于主题的模型进行了比较。结果：所提出的方法在实施一步预测时实现了 93.91% 的方差解释率 (VAF)，在实施 k 步预测 (k = 3) 时实现了约 50% 的 VAF，与特定于受试者的模型相比，VAF 没有显着下降。估计的共同结构表明，测量的皮质反应是外部输入的非线性转换和局部神经元相互作用或皮质固有神经元动力学的混合结果。结论：所提出的方法很好地确定了受试者对腕部扰动的皮质反应的共同特征。意义：它为人类感觉运动神经系统对体感输入的反应提供了新的见解，并为未来使用我们的建模方法评估感觉运动障碍的转化研究铺平了道路。
预测季节性（S2S）时间尺度的全球火灾排放
气体和气溶胶的抽象火排放会改变大气组成，并对气候，生态系统功能和人类健康产生重大影响。在建立景观中，温暖的气候和人类的扩张加剧了影响的影响，并呼吁更有效的管理工具。在这里，我们开发了一个全球预测系统，该系统使用过去的数据和气候变量预测每月排放，以1到6个月的时间为1到6个月。使用来自全球火灾排放数据库（GFED）的每月发射作为预测目标，我们将拟合一个统计时间序列模型，即具有外源变量（ARIMAX）的自回归积分移动平均模型，超过1,300个不同的区域。然后使用优化的参数预测未来排放。预测系统考虑了有关区域季节性季节性，长期趋势，最新观察以及代表大规模气候变化和当地风险天气的气候驱动因素的信息。我们通过预测因子和预测提前时间的不同组合对系统的预测技能进行了验证。参考模型将内源性和外源性预测因子与1个月的预测提前时间相结合，解释了全局发射异常的可变性的52％，大大超过了在预测期间假定持续排放的参考模型的性能。该系统还成功地解决了具有显着活动的区域中的详细空间模式。普通语言摘要全球火风险预计将来会增加，并且需要有效的预测和管理工具。这项研究弥合了近现场预测的努力与季节性前景的努力之间的差距，并代表了建立全球运营，烟雾和碳循环预测系统的一步。在这里，我们开发了一个统计预测系统，该系统可以预测1到6个月的销售时间的全球发射。建模系统认识到许多地区的未来活动与前几个月以及气候变量有关。通过比较预测的结果与观察结果，我们表明我们的建模系统在繁殖了发射的时间和空间变异性方面表现出色。我们认为，该系统可以集成到全球运营，烟雾和碳预测系统中，以更好地预测季节性至季节性时间尺度上的高火和低火的时期。