评价两种预测模型
GMQE和QMEAN：评价蛋白质三维结构预测模型的质量的两种方法
GMQE和QMEAN：评价蛋白质三维结构预测模型的质量的两种方法蛋白质是生命的基本组成单位，它们的三维结构决定了它们的功能和特性。
因此，预测蛋白质的三维结构对于生物学研究和药物设计非常重要。
然而，蛋白质的三维结构往往难以通过实验方法获得，所以需要借助计算方法来进行预测。
蛋白质三维结构预测是一种根据蛋白质的氨基酸序列，推测其空间结构的技术。
蛋白质三维结构预测的方法有很多，其中最常用的一种是同源建模法（Homology Modeling）。
同源建模法是一种基于序列相似性的方法，它是根据已知结构的蛋白质（模板蛋白质）来构建未知结构的蛋白质（目标蛋白质）的结构模型。
同源建模法的基本假设是，如果两个蛋白质的序列相似度很高，那么它们的结构也很可能相似。
同源建模法的步骤包括：（1）根据目标蛋白质的序列，在数据库中搜索合适的模板蛋白质；（2）根据目标蛋白质和模板蛋白质的序列，进行序列比对，得到对齐方式；（3）根据对齐方式，将模板蛋白质的结构信息转移给目标蛋白质，得到初始的结构模型；（4）对初始的结构模型进行优化和修正，得到最终的结构模型。
同源建模法的优点是，它可以利用已有的结构信息，快速地生成结构模型。
同源建模法的缺点是，它依赖于模板蛋白质的质量和数量，以及序列比对的准确性。
如果目标蛋白质和模板蛋白质的序列相似度很低，或者没有合适的模板蛋白质，或者序列比对有误，那么同源建模法的结果就可能有很大的误差。
因此，评价同源建模法生成的结构模型的质量是非常重要的。
评价结构模型的质量的方法有很多，其中两种比较常用的方法是GMQE和QMEAN。
GMQE和QMEAN都是综合评估结构模型的质量的方法，但是它们有不同的依据和计算方式。
GMQE是全球模型质量估计（Global Model Quality Estimation）的缩写，它是一种基于模板的质量评估方法，它主要考虑了目标蛋白质和模板蛋白质之间的关系。
GMQE的分数是一个0到1之间的数字，表示了模型的预期准确性和目标蛋白质的覆盖范围。
对预测模型优劣性评价的方法探讨
1 n
i
n
∑C (ei)
=1
取得最小值
,这是因为
C
=
1 n
i
n
∑C
=1
(ei)
是依
赖于误差的 ,在预测模型没有得出以前不能确定其误差的符号和具体数值 ,对于一般的损失函
数无法给出一个具体的表达式 ,也无法求出其极值 。只有将损失函数具体化以后 ,才有可能求
出预测模型中的参数 ,使损失函数 C =
1 n
i
n
∑C
=1
(ei)
,其中
C (ei)
=
27ei ei < 0 3ei ei Ε 0
11958i2 (i = 年份 - 1983) ,其预测误差见下表 :
— 13 —
统计与信息论坛 1999 年第 1 期
附表 安徽省 1979～1987 年社会商品零售总额统计表 (单位 :亿元)
年 份 1979
零售额 误差 e1i
6514
(e1i)
<
1 n
i
n
∑C
=1
(e2i)
时
,则根据判别准则
f1
就是较优的预测方法
。
例如 :根据安徽省 1979～1987 年社会商品零售总额 (单位 :亿元) 的统计资料 ,可以分别建
立指数 曲 线 预 测 模 型 f 1 = 11113227e011428i 及 抛 物 线 预 测 模 型 f 2 = 10411469 + 1716833i +
1984
11915 - 8191 010746 - 4129 010359
1985
14318 - 4131 010300 - 3155 010247
环境规划与管理第四章 环境规划的技术方法——评价预测
11
例题
已知某县 1995 年工农业生产的总产值是 300 万元，COD 排放总量是 250吨， 万元， 吨 2000 年工农业生产的总产值是 400 万元， 万元， COD 排放总量是 275 吨；若到 2010年工 年工 农业生产的总产值实现翻一番， 农业生产的总产值实现翻一番，用弹性系数 的年排放总量是多少吨？ 法求那时 COD 的年排放总量是多少吨？
2010 − 2000
14
（5）由弹性系数 和β求出预测基准年与预测目 ）由弹性系数ξ和 求出预测基准年与预测目 标年之间的α值 标年之间的 值
α=ξβ=0.023
（6）求出预测目标年 COD 的年排放总量 ）
M = 275 × (1 + 0.023)
2010− 2000
= 345(t )
15
三、大气污染预测方法
水质模型法
完全混合的河流水质预测模型 一维河流水质模型 BOD-DO耦合模型 Streeter-Phelps模型 耦合模型： 模型、 BOD-DO耦合模型：Streeter-Phelps模型、 Thomas修正型 Dobbins-Camp修正型 修正型、 修正型、 Thomas修正型、Dobbins-Camp修正型、 Connor修正型 O’Connor修正型 Connor 湖泊水质预测模型 湖泊富营养化水质预测模型
（1）箱式模型 （2）高斯扩散模式
一般高斯扩散模式 高架连续点源地面浓度的高斯扩散模式 高架连续点源地面轴线浓度的高斯扩散模式 高架连续点源地面轴线最大浓度高斯扩散模式
（3）多源扩散模式 （4）线源扩散模式 （5）面源扩散模式 （6）总悬浮微粒扩散模式 （7）灰色预测模型
21
四、水污染预测方法
1、水污染源预测 工业废水排放量预测： （1）工业废水排放量预测：
长江水质评价和预测的数学模型
长江水质评价和预测的数学模型长江水质评价和预测的数学模型摘要：长江是中国最长的河流，其水质对于保护生态环境和人类健康至关重要。
因此，对长江水质进行评价和预测具有重要的研究价值。
本文综述了现有关于长江水质评价和预测的数学模型，并探讨了这些模型的优劣以及未来的发展方向。
通过这些数学模型，我们可以更好地了解长江水质的变化趋势，为水资源管理者提供科学依据，保护和恢复长江的水质。
1. 引言长江是中国最大的河流，流经11个省市，对于中国的经济和生态起到了重要的作用。
然而，由于人类活动、城市化进程和工业化的快速发展，长江的水质受到了严重的污染。
因此，对长江水质进行评价和预测成为了重要的研究课题。
2. 长江水质评价模型2.1 污染指数模型污染指数模型是较早被采用的水质评价模型之一。
该模型通过对水样中各种污染物浓度的测定，并结合环境质量标准，计算出一个综合的污染指数值，从而评价水质好坏。
然而，该模型没有考虑到污染物之间的相互关系和水文地质条件的影响，因此在实际应用中有一定的局限性。
2.2 灰色关联度模型灰色关联度模型是一种能够综合各种因素的水质评价模型。
该模型通过建立灰色关联度函数，将不确定因素纳入考虑，并计算出与水质相关的关联度值。
然后，通过对各因素进行权重分配，得到最终的水质评价结果。
该模型相比于污染指数模型具有更强的综合能力。
3. 长江水质预测模型3.1 神经网络模型神经网络模型是一种通过模拟人脑的神经网络来进行水质预测的模型。
该模型通过对历史数据的学习和分析，建立相应的神经网络结构，并利用该结构对未来的水质进行预测。
神经网络模型具有较强的非线性拟合能力，能够较好地捕捉水质变化的规律。
3.2 支持向量机模型支持向量机模型是一种基于统计学习理论的水质预测模型。
该模型通过建立超平面，并考虑到各个样本点与超平面的距离，确定最佳的超平面划分水质数据。
支持向量机模型具有较强的泛化能力和鲁棒性，可以有效地对长江水质进行预测。
基于灰色理论与ARIMA模型的股票价格预测
基于灰色理论与ARIMA模型的股票价格预测基于灰色理论与ARIMA模型的股票价格预测摘要：随着信息技术的快速发展，金融市场的波动性变得越来越大，同时，股票交易也变得更加复杂。
因此，准确预测股票价格成为投资者和交易者的重要课题。
本文将通过应用灰色理论和ARIMA模型来预测股票价格，并在历史数据进行实证分析，对比两种模型的预测准确性和可靠性。
第一章：引言1.1 研究背景1.2 研究意义1.3 研究目的和内容1.4 研究方法第二章：灰色理论基础知识2.1 灰色理论的发展背景2.2 灰色模型建立原理2.3 灰色预测模型2.4 灰色GM（1,1）模型第三章：ARIMA模型基础知识3.1 ARIMA模型的背景3.2 ARIMA模型的建立原理3.3 ARIMA模型的预测方法3.4 ARIMA模型的参数选择第四章：股票价格预测模型构建4.1 数据的收集和整理4.2 灰色预测模型构建4.3 ARIMA模型构建4.4 模型评价指标第五章：案例分析和实证研究5.1 研究对象和样本选择5.2 模型预测结果对比分析5.3 结果评价和讨论第六章：结论与展望6.1 研究结论总结6.2 研究局限性与不足6.3 展望未来研究方向第一章：引言1.1 研究背景金融市场的波动性日益增长，投资者和交易者对股票价格的准确预测需求越来越高。
1.2 研究意义股票价格的准确预测可以帮助投资者和交易者做出明智的决策，寻找更优的投资时机。
1.3 研究目的和内容本研究旨在通过应用灰色理论和ARIMA模型来预测股票价格，并在历史数据上进行实证分析。
1.4 研究方法本研究将采用灰色理论和ARIMA模型进行股票价格的预测，其中灰色模型利用GM(1,1)模型，ARIMA模型利用时间序列模型。
第二章：灰色理论基础知识2.1 灰色理论的发展背景灰色理论是由我国著名科学家，华中科技大学教授陈纳德于1982年提出的一种预测与决策理论。
2.2 灰色模型建立原理灰色模型的建立基于数据序列的发展趋势和规律性。
数学建模竞赛成绩的评价排序与预测模型
§4 一、名词解释
名词解释与符号说明
1．奖项等级：只比赛成绩划分的不同奖项，如一等奖，二等奖，三等奖，成功参 赛奖。 2．获奖比例：学校参加比赛获得某一奖项的队伍数量占所有队伍数量的比例。 3．比赛成绩：参赛队伍获得的比赛卷面成绩。 4．规模成绩：每个学校组织参赛的规模，主要包括组织参赛的队伍数量和参赛队 伍的获奖情况两个方面的因素。 5．综合实力：学校的综合实力主要是一个学校组织参赛的规模和比赛获得的奖项 状况决定的，所以学校的实力是比赛成绩与规模成绩的总和。
§3
零；
模型的假设
1.在安徽赛区的排名中， 假设专科组和本科组的记分标准一样， 不做另外分组处理； 2.假设如果一个学校那一年没有参赛， 则该年获得各个等级奖项的参赛队伍数记为 3.如果一个学校在某个奖项等级获奖空缺，也将参赛队伍记为零； 4.每年的考试难度没有差别； 5.每个同学的学习能力基本不变，并且发挥其真实水平； 6.影响学生成绩的因素主要有真实成绩与进步程度； 7.每个学生处于相同的考试环境中； 8.所给的数据时学校的真实考试成绩，没有作弊问题的影响。
n
Cj
i Wi
a
P X T N S
m ji
i
mn
优化因子 为某高校该年奖项的平均得分 为某高校该年所获奖项的总得分 为某高校该年每个学校参赛的队伍 为某高校该年所有参赛队伍的总数
§5
解。 一、问题一的分析与求解
模型的建立与求解
从所要解决的问题和对问题所做的假设出发， 分别对三个问题进行详细的分析与求
4
安徽科技学院 安徽理工大学 安徽绿海商务职业学院 安徽农业大学 安徽三联学院 安徽商贸职业技术学院 安徽师范大学 安徽新华学院 安徽新闻出版职业技术学院 安庆师范学院 蚌埠学院 亳州师范高等专科学校 巢湖学院 池州学院 滁州学院 阜阳师范学院 阜阳师范学院信息工程学院 合肥工业大学 合肥师范学院 合肥学院 河海大学文天学院 淮北师范大学 淮北师范大学信息学院 淮南联合大学 淮南师范学院 黄山学院 江淮学院 解放军电子工程学院 解放军陆军军官学院 六安职业技术学院 马鞍山师范高等专科学校 桐城师范高等专科学校 铜陵学院 皖西学院 芜湖信息技术职业学院 宿州学院 中国科学技术大学 ②年综合规模评比
基于两种模型的学科发展趋势预测——以文献计量学为例
ｔ ｈ ｅ ｉｓ ｄ ｔ ｒ ｉ ｂ ｕ ｉ ｔ ｏ ｎ ｏ ｆ ｓ ａｔ ｔ ｉ ｓ ｔ ｉ ｃ ｌ ａ ｄ ａ ｔ ａ ．
以文献计 量 学 为例
顾洪 涛 王 筠
（ 辽宁师范大学管理学院，辽宁 大连 １ １ ６ ０ ２ ９ ）
（ 摘 要）运用回归分析预测法和时间序列分析法两种模型 ，以文献计量 学为倒 。对近 年来相关文 献量的统计数 据进行 拟
合与预测 ，并对两种预测模型的结果进行对比分析 。结果表明，时间序 列预 测模 型对文献计量 学研 究的模拟预测效果较好 。两 种预测模型不仅适用于文献计量 学发展研究 ，对于其他领域也同样适 用。针 对不 同领域的 学科发展趋 势 ， 在 进行数据模拟 和分 析预测时要根 据统计数据 的多少和分布情况 。选取一种Байду номын сангаас对效果更好 并且方便可行 的预测方 法。 【 关键词 】文献计量学 ；回归分析 ；时间序列分析 ；发展趋势
Ｄ ｏＩ ： １ ０ ． ３ ９ ￣／ ｊ ． ｉ ｓ ｓ ｎ ． １ ０ Ｏ ８ —０ ８ ２ １ ． ２ ０ １ ３ ． ０ ２ ． Ｏ ３ ８
（ 中图分类号］Ｇ ２ ５ ５ ［ 文献标识码 ）Ａ ［ 文章编号 ］１ ０ ０ ８ — ０ ８ ２ １（ ２ ０ １ ３ ）０ ２ — ０ １ ６ ２ — ０ ４
两种模型在医院门诊量预测中的应用
１４ 拟 合 效果 评价 本研 究 采 用平 均误 差 率 （ ｅｎｅｒｒ ． ｍ ａ ｒ ｏ
Ｓ ＝ １一 （ ｔｌ １ ｙ ＋（ ） Ｓ— ＋ｂ一 ）
６ ＝ Ｓ 一Ｓ一 ）＋（ ） １ （ １ １一 ｂ一
＋ ＝ Ｓ ＋６ｍ
３２ ， Ｏ： 一 ． ３７， ５ （ｔ ０ １ ８ ｕ＝２ ． ０ ５ ； 医 院 的 预 ５７８ ）Ｂ 一 ３ ．３ ， ｄ＝ 一０ １ ５ ， ２７６３ （ ． ２１８ “＝
差 比值 ｃ与小误差概率 Ｐ 将预测等级划分为 ４等（ ２ 。 ） 表 ）
表 ２ Ｇ １ １ 模型预测精度等级判 断 Ｍ（ 。）
趋势值 ｂ 加入 到一 个基 础值 Ｓ 上 ， ｍ是 预 测 的超 前 期数 。
霍尔特预测模型 中含有 Ｏ、 两个 平 滑常 数 ， 常推荐 预 测 ｔ 通 模型参数 Ｏ＝ ．０ ＝ ． ０ ／ ０ ５ ， ０ ６ 。如用试验 法选取 平滑 常数时 ， 应考虑两个平滑常数 的所有 可能的搭配 ， 选出最佳预测 模 优 型 。本研究 采用平 均相 对百 分误 差 （ Ｐ ） 误差 平 方 ＭＡ Ｅ 和 和（ Ｓ ） 为优选预测模型 的指标 。 ＳＥ 作
测 模 型 为 … ）＝ ７ ．９ ４。 ２ ０ ７ ３ ｅ・
２ ．９ ８ ８ ８ ０７ ）
模型的拟合检验若两者拟合精度好 ， 则模型可用 于外推预 测； 若两者拟合精度不合格 ， 则不可直接用于外推预测 ， 须经残
差修正后 ， 再行外推预测。拟合检验指标有平均相对误差和后 验差比值 ｃ与小误差概率 Ｐ 。设 ． 为原始数据序列的标准差 ， ｓ
F分数模型与Z计分模型的比较分析
【摘要】财务危机的客观存在，使得任何企业都必须关注自身的财务状况，加强财务预警体系建设。
在众多的财务预警研究成果中，Z计分模型被广泛应用，但也存在一定缺陷。
F 分数模型对Z计分模型进行了改进和修正。
文章运用比较分析法，并以ST轻骑为例，对两种模型进行了理论和检验效果对比，得出了相应结论。
【关键词】财务危机；财务预警；比较分析一、研究背景财务风险是每一个企业都必须面对的客观现实。
伴随着全球经济一体化，企业面对的竞争压力不断增加，财务风险也进一步加大。
因此，如何防范和化解风险，在激烈的市场竞争中求得生存和发展，已成为现代企业急需解决的问题。
实践证明，建立有效的财务危机预警体系，对企业的财务状况进行适时监控和评估，为相关决策提供依据，是十分必要的。
经过多年的探索和实践，企业财务预警理论的研究已取得了丰硕成果。
在众多的财务危机预警方法中，Z计分模型作为一种多变量判定模型被广泛运用。
然而，Z计分模型是以美国破产法对破产企业的界定，并以美国公司作为样本而创立的，能否适应我国国情？同时，Z计分模型中没有考虑现金流量这一重要因素，对预测的准确性是否会产生影响？这些都是我国理论工作者值得探讨的问题。
对此，我国的两位学者周首华、杨济华作了进一步研究，创立了F 分数模型。
两种模型既有共性，也各有特点。
本文以ST轻骑为例，对这两种模型进行对比分析，以期为进一步的理论研究提供一点启示，或者为企业选用财务预警模型时提供一点参考。
二、两种模型的理论比较（一）Z计分模型Z分数模型由埃德沃特·艾·埃特曼于20世纪60年代末创建。
它是运用多变量模式建立多元线性函数公式即运用多种财务指标加权汇总产生的总判别分来预测企业财务危机的一种方法。
埃特曼根据美国破产法对破产企业的界定，选取了33家破产企业和同等数量、相同或相近条件的非破产企业作为样本，以五个财务指标作为变量，研究、创立了企业财务危机预警模型，即Z计分模型。
综合评价预测学生学习成绩的数学模型
摘要对学生学习情况分析的目的是激励优秀学生努力学习取得更好的成绩，同时鼓励基础相对薄弱的学生树立信心，不断进步。
然而，现行的评价方式单纯的根据“绝对分数”评价学生的学习状况，忽略了基础条件的差异；只对基础条件较好的学生起到促进作用，对基础条件相对薄弱的学生很难起到鼓励作用。
所以，一种能够全面、客观、公正的新型综合评价模式急需建立与应用。
来改变传统的评价方式以更好地促进全体同学学习的进步与发展。
本文通过对附件所给的数据进行全面的整合与分析，考虑各种可能因素对学习成绩的影响，并在此基础上建立了对学生学习状况的综合评价模型。
从解决以下几个问题来为学校提供更好的评价模型：1.针对问题一：对612名学生四个学期的综合成绩进行整体分析，经过对数据的初步处理和计算，绘制表格做出扇形图，更加直观的对计算结果（平均分、及格率、良好率、优秀率、极差等）的解析客观整体的评价学生学习的状况。
运用matlab对其进行直方图的统计以及正态曲线的拟合，通过结果客观去全面公正的对整体学生的学习情况做出评价。
2.针对问题二：对具体到个人的学习状况的分析和评价以及模型的建立。
m.考虑到每位同学的其实分数的差异即基础不同的同学学习成绩进步空间的难易是有差别的。
每位同学在不同难度的试卷测试中的发挥是不一样的，我们在建立模型的过程中引进了奖罚因子（a）并用多种微分方差和指数方程来转换测验成绩，使较低水平学生大幅增长的成绩与较高水平的选手小幅增长的成绩可以进行比较。
n.其次考虑到原始分一般不能直接反映出考生间差异状况，不能刻划出考生相互比较后所处的地位，也不能说明考生在其他等值测试上应获得什么样的分值。
我们采用了标准分计算法——将原始分数与平均分数之差除以标准差所得的商数，来评定对象之间的差异，它是以标准差为单位度量原始分数离开平均数的度量，标准分是一个抽象值，不受原始单位的影响，并且接受代数方法的处理。
综合上述因素，我们建立了标准分与进步度结合的综合评价数学模型。
评价模型分类
评价模型分类评价模型是在社会科学研究中广泛采用的定量分析方法，用于评估政策、计划、计划或项目的效果和影响。
评价模型通常基于现有数据和经验，旨在提供有关计划的决策支持、改进程序和预测结果的信息。
根据性质和设计，评价模型可分为几类。
本文将详细介绍评价模型分类。
一、根据数据收集方式分类基于数据收集方式的模型分类分为两种，即实验设计模型和非实验设计模型。
实验设计模型是一种有系统地控制影响结果的因素和变量的模型。
在实验组中，相关变量和控制组进行比较以确定因果关系。
该模型具有高度可重复性，但难以推广到现实世界中的复杂情况。
实验设计模型包括前后设计，交叉设计和区组设计等。
非实验设计模型是通过观察，测量和描述关系来推断结果中的因果关系。
非实验设计模型包括比较设计，趋势设计和反事实设计等。
虽然非实验设计模型难以控制变量，但却很适合评估现实世界中复杂的政策和计划。
二、根据评价目的分类基于评价目的的模型分类分为两类，即评估模型和预测模型。
评估模型的目的是评估某个政策、计划、计划或项目的效果和影响。
这些模型通常使用实际结果和统计方法来揭示影响的本质。
评估模型包括：回归模型、差异法、事件历史分析等。
预测模型旨在预测将来的结果。
这些模型通常根据过去的行为和事件来预测未来事件的发生，可以帮助政策制定者做出决策。
预测模型包括：时间序列、马尔可夫过程、神经网络等。
三、根据分析逻辑分类基于分析逻辑的模型分类分为两类，即定性分析模型和定量分析模型。
定性分析模型是通过描述和分析所研究的现象，以便推断一个或多个因果关系。
对于这种类型的模型来说，定性的数据是必需的，即概念性、非数值性的信息，并且需要对观察和分析进行解释和透彻分析。
定性分析模型包括：内容分析、文档分析等。
定量分析模型则处理数值信息以研究因果关系。
这种类型的模型通过收集和分析数据来确定因素之间的关系，并用统计方法检验假设是否有效。
定量分析模型包括：回归分析、因子分析、因素分析等。
中国人口增长预测-数学建模
中国人口增长的预测和人口的结构分析摘要本文是在已知国家政策和人口数据的前提下对未来人口的发展进行预测和评估，选择了两种模型分别对人口发展的短期和长期进行预测。
模型一中我们在人口阻滞增长模型logistic模型的基础上进行改进，弥补了logistic原始模型仅仅能表示环境对人口发展趋势影响的缺陷，加入了社会因素的影响作为改进，保证了logistic改进模型的有效性和短期预测的正确性。
多次运用拟合的方法（非线性单元拟合，线性多元拟合）对数据进行整合，得到的改进模型对短期预测具有极高的准确性，证明了我们的修正方式与模型改进具有一定的正确性。
模型二中我们分别考虑了城、乡、镇人口的发展情况，利用不同年龄段存活率和死亡率的不同，采用迭代的方式也就是Leslie矩阵的方式对人口发展进行预测，迭代的方式不同于拟合，具有逐步递进的准确性，在参数正确的前提下，能够保证每一年得到的人口都有正确性，同时我们分男女两方面来考虑模型，不仅仅用静态的男女比例来估算人口总数，具有更高的准确性。
然而Leslie模型涉及的参数较多，如果采用动态模型的方式，计算量过大，我们首先用均值的方式对模型进行简化，同样得到迭代矩阵后的人口数值，发展趋势与预测相同，能够很好的预测中国人口的长期发展，同时，由于Leslie矩阵涉及多个参数，所以我们用最终的结果来表征老龄化程度，城乡比，抚养比等多个评价社会发展的参数，得到了较好的估计值，使模型在估算人口的基础上得到了推广和应用。
通过logistic改进模型和Leslie模型我们分别对中国人口发展进行短期和中长期预测，均能得到很好的效果，说明了我们的模型在适用范围内的准确性和实用性。
关键词：人口发展预测；logistic模型改进；参数拟合；Leslie迭代模型；一、问题重述中国是世界上人口最多的发展中国家, 人口问题始终是制约我国发展的关键因素之一，人口众多、资源相对不足、环境承载能力较弱是中国现阶段的基本国情,短时间内难以改变。
决策树模型与logistic回归模型在生活饮用水水质影响因素分析中的应用
决策树模型与logistic 回归模型在生活饮用水水质影响因素分析中的应用**基金项目：中央重大公共卫生专项（2100409）；中央公共卫生水和环 境卫生项目补助资金（2015 -2017年）△通信作者：沈托,E-mail : st2005shengke@ 163. com渭南市疾病预防控制中心（714000）焦莉萍郭晶晶杨云云魏明敏刘玮张系忠沈托“苗美荣【提要】目的使用决策树中的分类方法CHAID 模型和logistic 回归模型分析影响生活饮用水水质的相关因素， 并比较两种模型分析结果的异同。
方法 采用分层随机抽样的方法对渭南市2015 -2017年452座集中式供水水厂的相 关因素进行分析，并用受试者工作曲线（ROC ）评价两种预测模型的效果。
结果logistic 回归分析结果显示，消毒方式、 正式运营时间、总投资和供水覆盖人口是水质不合格的影响因素，工程不消毒、工程运营时间越长，水厂规模（总投资和供 水覆盖人口）越小,水质不合格率越高。
决策树CHAID 模型分析结果显示，消毒方式、总投资、供水覆盖人口、正式运营时 间、监测点类型是水质不合格的影响因素，工程不消毒是水质不合格的主要影响因素。
决策树模型ROC 曲线下面积稍大 于logistic 回归模型（0.725 vs 0.701,Z = 3. 623,P <0.001）。
结论 CHAID 决策树模型在水质影响因素风险评估方面有 一定的应用价值，与logistic 回归模型结合应用可从不同方面对水质影响因素进行分析预测，为后期饮用水的监管工作提 供一定的科学依据。
【关键词】生活饮用水影响因素logistic 回归分析CHAID 模型【中图分类号】R123. 1 【文献标识码】A DOI 10. 3969/j. issn. 1002 -3674.2020. 06. 019决策树法（decision tree ）可以弥补传统统计学分析方法的缺陷和不足［1］。
评价模型预测模型优化模型数理统计模型
评价模型预测模型优化模型数理统计模型1.引言1.1 概述概述本文旨在评价模型预测模型优化模型数理统计模型，并探讨这些模型在实际应用中的价值和局限性。
模型在科学研究和实践中扮演着重要的角色，它们被广泛运用于各个领域，包括金融、医学、工程等。
通过对模型的评价、预测、优化和数理统计的研究，我们可以更好地理解和预测系统的行为，提高系统的性能和效率。
在本文中，我们将分别介绍评价模型、预测模型、优化模型和数理统计模型的概念、方法和应用。
评价模型主要关注模型的准确性、鲁棒性和可解释性，通过评估模型的性能，可以判断模型在实际应用中的可行性和可靠性。
预测模型则旨在预测未来的趋势和结果，它可以通过历史数据和统计方法来建立，并对未来的情况进行预测和分析。
优化模型则致力于寻找最优解或最优策略，通过优化模型，我们可以在给定的约束条件下达到最佳的效果。
数理统计模型是一种基于数学和统计学原理的理论模型，它能够以概率和统计的方式分析和描述数据的规律和特征。
在本文的结论部分，我们将对评价模型预测模型优化模型数理统计模型进行总结和回顾。
通过对这些模型的研究，我们可以看到它们在实际应用中的重要性和优势。
同时，我们也需要认识到这些模型存在的局限性和挑战，例如数据的质量问题、模型假设的合理性等。
在未来的研究中，我们需要继续优化和改进这些模型，以更好地应对实际问题和需求。
总之，本文将对评价模型预测模型优化模型数理统计模型进行深入研究和探讨，并总结它们在实际应用中的价值和局限性。
通过对这些模型的理解和应用，我们可以推动科学研究和实践的发展，并提高系统的性能和效率。
文章结构部分的内容可以如下编写：1.2 文章结构本文分为引言、正文和结论三个部分。
具体结构如下：引言部分首先对文章的主题进行了概述，介绍了评价模型、预测模型、优化模型和数理统计模型这四个主要内容，并指出了本文的目的。
正文部分主要分为四个部分，分别是评价模型、预测模型、优化模型和数理统计模型。
F分数模型与Z计分模型的比较分析
F分数模型与Z计分模型的比较分析【摘要】财务危机的客观存在，使得任何企业都必须关注自身的财务状况，加强财务预警体系建设。
在众多的财务预警研究成果中，Z 计分模型被广泛应用，但也存在一定缺陷。
F分数模型对Z计分模型进行了改进和修正。
文章运用比较分析法，并以ST轻骑为例，对两种模型进行了理论和检验效果对比，得出了相应结论。
【关键词】财务危机；财务预警；比较分析一、研究背景财务风险是每一个企业都必须面对的客观现实。
伴随着全球经济一体化，企业面对的竞争压力不断增加，财务风险也进一步加大。
因此，如何防范和化解风险，在激烈的市场竞争中求得生存和发展，已成为现代企业急需解决的问题。
实践证明，建立有效的财务危机预警体系，对企业的财务状况进行适时监控和评估，为相关决策提供依据，是十分必要的。
经过多年的探索和实践，企业财务预警理论的研究已取得了丰硕成果。
在众多的财务危机预警方法中，Z计分模型作为一种多变量判定模型被广泛运用。
然而，Z计分模型是以美国破产法对破产企业的界定，并以美国公司作为样本而创立的，能否适应我国国情？同时，Z计分模型中没有考虑现金流量这一重要因素，对预测的准确性是否会产生影响？这些都是我国理论工作者值得探讨的问题。
对此，我国的两位学者周首华、杨济华作了进一步研究，创立了F分数模型。
两种模型既有共性，也各有特点。
本文以ST轻骑为例，对这两种模型进行对比分析，以期为进一步的理论研究提供一点启示，或者为企业选用财务预警模型时提供一点参考。
二、两种模型的理论比较（一）Z计分模型Z分数模型由埃德沃特·艾·埃特曼于20世纪60年代末创建。
它是运用多变量模式建立多元线性函数公式即运用多种财务指标加权汇总产生的总判别分来预测企业财务危机的一种方法。
埃特曼根据美国破产法对破产企业的界定，选取了33家破产企业和同等数量、相同或相近条件的非破产企业作为样本，以五个财务指标作为变量，研究、创立了企业财务危机预警模型，即Z计分模型。
统计学的预测模型
统计学的预测模型统计学是一门研究数据收集、分析和解释的学科，它在各个领域都有广泛的应用。
其中，预测模型是统计学中的一个重要概念，它可以帮助我们预测未来的趋势和结果。
本文将介绍统计学的预测模型及其应用。
一、什么是预测模型预测模型是一种基于历史数据和统计方法构建的数学模型，用于预测未来的结果。
它通过分析过去的数据，找出其中的规律和趋势，并将这些规律应用到未来的情况中，从而得出预测结果。
预测模型可以用于各种领域，如经济学、金融学、市场营销等。
二、常见的预测模型1. 线性回归模型线性回归模型是一种常见的预测模型，它假设自变量和因变量之间存在线性关系。
通过拟合一条直线或者一个平面，线性回归模型可以预测因变量的值。
线性回归模型的优点是简单易懂，但它对数据的要求较高，需要满足一些假设条件。
2. 时间序列模型时间序列模型是一种用于预测时间序列数据的模型，它假设未来的值与过去的值有关。
时间序列模型可以分为平稳时间序列模型和非平稳时间序列模型。
平稳时间序列模型假设时间序列的均值和方差不随时间变化，常见的平稳时间序列模型有ARMA模型和ARIMA模型。
非平稳时间序列模型假设时间序列的均值和方差随时间变化，常见的非平稳时间序列模型有趋势模型和季节模型。
3. 人工神经网络模型人工神经网络模型是一种模拟人脑神经元工作原理的模型，它可以通过学习历史数据来预测未来的结果。
人工神经网络模型具有较强的非线性拟合能力，可以处理复杂的数据关系。
但是，人工神经网络模型的训练过程较为复杂，需要大量的计算资源。
三、预测模型的应用预测模型在各个领域都有广泛的应用。
以下是一些常见的应用场景：1. 经济学预测模型可以用于经济学中的宏观经济预测和微观经济预测。
宏观经济预测可以帮助政府和企业做出合理的决策，微观经济预测可以帮助企业预测市场需求和销售额。
2. 金融学预测模型可以用于金融学中的股票价格预测和汇率预测。
股票价格预测可以帮助投资者做出买入或卖出的决策，汇率预测可以帮助企业进行外汇风险管理。
学生学习情况的评价与预测模型
学⽣学习情况的评价与预测模型学⽣学习情况的评价与预测模型【摘要】在评价学⽣的学习状况时，科学准确地计算出学⽣的名次及进步情况具有重要意义。
评价学⽣学习状况的⽬的是激励优秀学⽣努⼒学习取得更好的成绩，同时⿎励基础相对薄弱的学⽣树⽴信⼼，不断进步。
然⽽，现⾏的评价⽅式单纯的根据“绝对分数”评价学⽣的学习状况，忽略了基础条件的差异；只对基础条件较好的学⽣起到促进作⽤，对基础条件相对薄弱的学⽣很难起到⿎励作⽤。
本⽂针对题⽬中所给问题，对学⽣的学习成绩评价以及预测展开了全⾯分析。
⾸先，在问题（1）中，我们通过Excel数理统计的⽅法，将学⽣的分数划分为优秀（80-100）、良好（60-79）和不及格（0-59）三个分数段，并且统计出相应分数段的分布率。
然后，我们根据三个分数段建⽴加权函数，计算出所有学⽣在四个学期相应的加权值，进⽽得出学⽣的整体学习情况在进步。
其次，对于问题（2），我们针对现⾏评价⽅式中绝对分数的⽚⾯性，采⽤Hale进步分⽅法和…，全⾯客观地评价这些学⽣的学习状况。
在Hale模型中，利⽤Hale提出的指数函数模型，对全体学⽣的成绩进⾏计算分析评价。
利⽤Hale模型还对整体情况作了评测，得到学⽣成绩整体稳定，略有起伏的结论。
……..；在********模型中，…………….。
接下来的问题（3），在预测学⽣后两个学期的学习情况时，我们主要使⽤了两种预测⽅法。
⾸先，建⽴灰⾊预测模型，结合第⼀学期⾄第四学期的学⽣成绩，通过Matlab对后两个学期的成绩做出预测分析。
然后，同理预测出第四个学期的成绩，结合第四个学期的实际分数对该模型进⾏了检验。
其次，我们⼜建⽴了基于趋势⽐率法的“季节指数”的模型，把学⽣成绩的波动以⼀学年为⼀个周期并将学年中的1，2学期⽐作季节1，2最终得到⼀个较好的结果。
关键字：加权函数，Hale进步⽅法，灰⾊预测模型，趋势⽐率法1.问题重述评价学⽣学习状况的⽬的是激励优秀学⽣努⼒学习取得更好的成绩，同时⿎励基础相对薄弱的学⽣树⽴信⼼，不断进步。
雨量预报方法的评价模型
雨量预报方法的评价模型摘要雨量预报对农业生产和城市工作和生活有着重要作用，但因为准确、及时地对雨量作出预报是一个十分困难的问题，所以对预报方法的评价也尤为重要，这关系到公众的感受和对水文水资源的科学决策。
我们通过对在东经120度，北纬32度附近区域24小时的雨量预报及91个观测站所提供的实测数据，从近百万个数据进行筛选，通过对准确率、绝对误差、相对误差的数据分析，结合模糊数学中综合评价方法，并对问题中所提到的两种预报方法作出模糊评分。
问题1：采用模糊数学加权评分法。
分别对b (准确率), e （绝对误差），d （相对误差）进行计算，得到矩阵3u ，并把数据归一化，然后计算加权和1ni i i S w s ==∑对于公众来说，因比较注重准确率，通过计算得出模糊评分11F =87.07，21F =84.08，显然方法1比较好。
而对科研人员来说，应注重误差数据，改变权值后得出12F =71.96，22F =73.88，即对科研需要来说方法2较好。
问题2：若按等级雨量预报，考虑公众的满意度，我们建立如下模糊综合评价模型： i i i B A R =，其中i A =（12,,a a …，7a ），i R =111221227172r r r r r r ⎛⎫⎪ ⎪ ⎪ ⎪⎝⎭，E H B =，并结合我市气象局有经验的专家进行评估赋值，通过计算得出如下结论：公众对有雨、无雨满意度比较好，对大雨量等级预报满意度比较低。
应用我们所建立的模型分析计算得出，对雨量等级预报相当准确，但对大雨量等级预报方面存在较大的误差，并且等级越大，误差越大，说明这两种方法在大雨量等级预报准确率上有待进一步提高。
1、问题重述雨量预报对农业生产和城市工作和生活有重要作用，但准确、及时地对雨量作出预报是一个十分困难的问题，广受世界各国关注。
我国某地气象台和气象研究所正在研究6小时雨量预报方法，即每天晚上20点预报从21点开始的4个时段（21点至次日3点，次日3点至9点，9点至15点，15点至21点）在某些位置的雨量，这些位置位于东经120度、北纬32度附近的53×47的等距网格点上。
ARIMA与LSTM模型在医院出院人次预测中的比较研究
第一作者简介:王淑平ꎬ硕士研究生ꎬ工程师ꎬ主要研究方向:医院信息化与卫生信息统计通信作者:罗建伟ꎬ高级工程师ꎬＥｍａｉｌ:８９４１０４４２０＠ｑｑ.ｃｏｍ 论㊀著ＡＲＩＭＡ与ＬＳＴＭ模型在医院出院人次预测中的比较研究王淑平１ꎬ李敏２ꎬ杜敏１ꎬ刘杉１ꎬ梁颖１ꎬ罗建伟１１.湖北省肿瘤医院信息统计科ꎬ武汉㊀４３００７９ꎻ２.湖北工业大学计算机学院摘要:目的㊀通过ＡＲＩＭＡ乘积季节模型和ＬＳＴＭ神经网络模型拟合某三甲专科医院的月出院人次并进行预测ꎬ比较两种模型的预测效果ꎮ方法㊀运用某三甲专科医院２０１３ ２０１８年度的月出院人次ꎬ分别构建ＡＲＩＭＡ乘积季节模型和ＬＳＴＭ神经网络模型ꎬ然后利用所得的模型对２０１９年度的月出院人次进行预测并与实际数据进行比较ꎮ采用平均绝对百分误差(ＭＡＰＥ)对模型的预测效果进行评价ꎮ结果㊀ＡＲＩＭＡ乘积季节模型和ＬＳＴＭ神经网络模型的预测数据与２０１９年度１~１２月份实际出院人次的ＭＡＰＥ值分别为７.９０％和１４.２６％ꎮ结论㊀ＡＲＩＭＡ乘积季节模型的预测效果要好于ＬＳＴＭ神经网络模型ꎬＡＲＩＭＡ模型预测结果表明２０１９年度某三甲专科医院的月出院人次呈增长趋势ꎬ与实际数据的吻合度较好ꎮ关键词:ＡＲＩＭＡ乘积季节模型ꎻＬＳＴＭ神经网络模型ꎻ出院人次中图分类号:Ｒ１９７㊀文献标识码:Ａ㊀文章编号:１００６￣２４８３(２０２１)０１￣００１８￣０４㊀ＤＯＩ:１０.３９６９/ｊ.ｉｓｓｎ.１００６－２４８３.２０２１.０１.００５ＡｃｏｍｐａｒａｔｉｖｅｓｔｕｄｙｏｆＡＲＩＭＡａｎｄＬＳＴＭｍｏｄｅｌｓｉｎｐｒｅｄｉｃｔｉｎｇｈｏｓｐｉｔａｌｄｉｓｃｈａｒｇｅｎｕｍｂｅｒＷＡＮＧＳｈｕｐｉｎｇ１ꎬＬＩＭｉｎ２ꎬＤＵＭｉｎ１ꎬＬＩＵＳｈａｎ１ꎬＬＩＡＮＧＹｉｎｇ１ꎬＬＵＯＪｉａｎｗｅｉ１１.ＩｎｆｏｒｍａｔｉｏｎＤｅｐａｒｔｍｅｎｔꎬＨｕｂｅｉＣａｎｃｅｒＨｏｓｐｉｔａｌꎬＷｕｈａｎ㊀４３００７９ꎬＣｈｉｎａꎻ２.ＳｃｈｏｏｌｏｆＣｏｍｐｕｔｅｒＳｃｉｅｎｃｅꎬＨｕｂｅｉＵｎｉｖｅｒｓｉｔｙｏｆＴｅｃｈｎｏｌｏｇｙꎬＷｕｈａｎ㊀４３００６８ꎬＣｈｉｎａＣｏｒｒｅｓｐｏｎｄｉｎｇａｕｔｈｏｒ:ＬＵＯＪｉａｎｗｅｉꎬＥｍａｉｌ:８９４１０４４２０＠ｑｑ.ｃｏｍＡｂｓｔｒａｃｔ:㊀Ｏｂｊｅｃｔｉｖｅ㊀ＴｏｆｉｔａｎｄｐｒｅｄｉｃｔｔｈｅｍｏｎｔｈｌｙｄｉｓｃｈａｒｇｅｎｕｍｂｅｒｏｆａｓｐｅｃｉａｌｉｓｔｈｏｓｐｉｔａｌｕｓｉｎｇＡｕｔｏｒｅｇｒｅｓｓｉｖｅＩｎｔｅｇｒａｔｅｄＭｏｖｉｎｇＡｖｅｒａｇｅｍｏｄｅｌ(ＡＲＩＭＡ)ａｎｄＬｏｎｇＳｈｏｒｔ￣ＴｅｒｍＭｅｍｏｒｙＮｅｕｒａｌＮｅｔｗｏｒｋｍｏｄｅｌ(ＬＳＴＭ)ꎬａｎｄｃｏｍｐａｒｅｔｈｅｐｒｅｄｉｃｔｉｏｎｅｆｆｅｃｔｓｏｆｔｈｅｔｗｏｍｏｄｅｌｓ.㊀Ｍｅｔｈｏｄｓ㊀ＡＲＩＭＡａｎｄＬＳＴＭｍｏｄｅｌｓｗｅｒｅｃｏｎｓｔｒｕｃｔｅｄｂａｓｅｄｏｎｔｈｅｍｏｎｔｈｌｙｄｉｓｃｈａｒｇｅｎｕｍｂｅｒｏｆａｓｐｅｃｉａｌｉｓｔｈｏｓｐｉｔａｌｆｒｏｍ２０１３ｔｏ２０１８.Ｔｈｅｒｅｓｕｌｔｉｎｇｍｏｄｅｌｓｗｅｒｅｔｈｅｎｕｓｅｄｔｏｐｒｅｄｉｃｔｔｈｅｍｏｎｔｈｌｙｄｉｓｃｈａｒｇｅｎｕｍｂｅｒｓｉｎ２０１９ꎬｗｈｉｃｈｗｅｒｅｃｏｍｐａｒｅｄｗｉｔｈａｃｔｕａｌｄａｔａ.Ｔｈｅｍｅａｎａｂｓｏｌｕｔｅｐｅｒｃｅｎｔａｇｅｅｒｒｏｒ(ＭＡＰＥ)ｗａｓｕｓｅｄｔｏｅｖａｌｕａｔｅｔｈｅｐｒｅｄｉｃｔｉｏｎｅｆｆｅｃｔｏｆｔｈｅｓｅｔｗｏｍｏｄｅｌｓ.㊀Ｒｅｓｕｌｔｓ㊀ＴｈｅＭＡＰＥｖａｌｕｅｓｏｆＡＲＩＭＡａｎｄＬＳＴＭｃｏｍｐａｒｅｄｔｏａｃｔｕａｌｄａｔａｉｎ２０１９ｗｅｒｅ７ ９０％ａｎｄ１４ ２６％ꎬｒｅｓｐｅｃｔｉｖｅｌｙ.㊀Ｃｏｎｃｌｕｓｉｏｎ㊀ＴｈｅｐｒｅｄｉｃｔｉｏｎｅｆｆｅｃｔｏｆＡＲＩＭＡｗａｓｂｅｔｔｅｒｔｈａｎｔｈａｔｏｆＬＳＴＭ.ＴｈｅｐｒｅｄｉｃｔｉｏｎｒｅｓｕｌｔｓｏｆＡＲＩＭＡｓｈｏｗｅｄｔｈａｔｔｈｅｎｕｍｂｅｒｏｆｐａｔｉｅｎｔｓｄｉｓｃｈａｒｇｅｄｆｒｏｍｔｈｅｓｐｅｃｉａｌｉｓｔｈｏｓｐｉｔａｌｉｎ２０１９ｗａｓｉｎｃｒｅａｓｉｎｇꎬｗｈｉｃｈｆｉｔｗｅｌｌｗｉｔｈｔｈｅａｃｔｕａｌｄａｔａ.Ｋｅｙｗｏｒｄｓ:ＡＲＩＭＡꎻＬＳＴＭꎻＤｉｓｃｈａｒｇｅｎｕｍｂｅｒ㊀㊀预测分析是基于现有的历史数据资料ꎬ通过相关的数学模型来估计和判断未来发展趋势与规律的一种手段ꎮ出院人次预测在医院管理和业务收入方面对医院运营管理与决策发挥着重要作用[１￣３]ꎮ医院的实际出院人次常随季节进行变动ꎬ但该变动往往并非完全呈线性ꎬ而更多呈曲线变化[４]ꎮ因此ꎬ研究拟采用拟合模型针对某三甲专科医院２０１３ ２０１８年度各月出院人次进行拟合分析ꎬ并预测２０１９年度各月出院人次ꎬ将预测值与实际值进行比较ꎬ评估模型的预测效果ꎬ为医院运营管理和决策提供参考ꎮ1㊀材料与方法１.１㊀资料来源㊀研究中采用的２０１３ ２０１９年度各月出院人次数据来源于某三甲专科医院信息统计科ꎮ其中ꎬ２０１３ ２０１８年各月出院人次数据用以拟合ＡＲＩＭＡ乘积季节模型和长短期记忆神经网络ＬＳＴＭ模型ꎬ２０１９年的数据用以验证和评价模型ꎮ１.２㊀分析方法㊀分别利用ＡＲＩＭＡ乘积季节模型和ＬＳＴＭ神经网络模型拟合月出院人次并用于预测ꎬ通过比较平均绝对百分误差(ＭＡＰＥ)得到预测效果较好的拟合模型ꎮ１.２.１㊀ＡＲＩＭＡ乘积季节模型㊀ＡＲＩＭＡ是一种重要的时间序列分析预测模型ꎬ全称为自回归滑动平均混合模型ꎬ按照模型是否包含季节性成分ꎬ可分为连续性ＡＲＩＭＡ(ｐꎬｄꎬｑ)模型㊁季节性ＡＲＩＭＡ(ＰꎬＤꎬＱ)ｓ模型和乘积季节ＡＲＩＭＡ(ｐꎬｄꎬｑ)ˑ(ＰꎬＤꎬＱ)Ｓ模型[５￣７]ꎮ当时间序列既具有短期相关性又存在季节性时ꎬ就可以使用乘积季节模型来进行拟合分析和预测ꎮ１.２.２㊀ＡＲＩＭＡ乘积季节模型的构造原理㊀当原始序列具有季节性ꎬ季节相关性可以通过以周期步长为单位的ＡＲＭＡ(ＰꎬＱ)模型提取ꎻ当原始序列具有短期相关性时ꎬ一般可通过低阶ＡＲＭＡ(ｐꎬｑ)模型提取ꎮ当短期相关性和季节相关性之间具有乘积关系时ꎬ要采用的拟合模型的模型则为ＡＲＩＭＡ(ｐꎬｄꎬｑ)ｘ(ＰꎬＤꎬＱ)ｓ模型ꎮ１.２.３㊀ＬＳＴＭ神经网络模型㊀ＬＳＴＭ神经网络模型是循环神经网络(ＲｅｃｕｒｒｅｎｔＮｅｕｒａｌＮｅｔｗｏｒｋꎬＲＮＮ)的一种特殊形式ꎬ可以很好地用于处理时间序列数据ꎬ在很多研究和应用中取得了成功ꎮ随着研究的深入ꎬＬＳＴＭ模型在医疗领域也开始逐渐被应用[８￣１０]ꎮ１.２.４㊀ＬＳＴＭ神经网络原理㊀ＬＳＴＭ神经网络的关键是ＬＳＴＭ单元的细胞状态ꎮＬＳＴＭ单元是通过 门 结构选择性让信息通过ꎬ从而实现历史信息的更新或保留ꎮ一个ＬＳＴＭ单元包括输入门㊁遗忘门和输出门三种门结构示意图(图１)ꎮｉｔꎬｆｔꎬｏｔ和Ｃｔ分别表示了在ｔ时刻对应的三种门结构和细胞状态ꎬσ表示激活函数ꎬ一般为ｓｉｇｍｏｉｄ或者ｔａｎｈ函数ꎮ其中ꎬＬＳＴＭ计算更新的具体过程如下列公式所示:ｆｔ＝σＷｆ ｈｔ－１ꎬｘｔ[]＋ｂｆ()ｉｔ＝σＷｉ ｈｔ－１ꎬｘｔ[]＋ｂｉ()Ｃ~ｔ＝ｔａｎｈＷＣ ｈｔ－１ꎬｘｔ[]＋ｂＣ()Ｃｔ＝ｆｔ∗Ｃｔ－１＋ｉｔ∗Ｃ~ｔｏｔ＝σＷｏ ｈｔ－１ꎬｘｔ[]＋ｂｏ()ｈｔ＝ｏｔ∗ｔａｎｈＣｔ()图１㊀ＬＳＴＭ单元结构示意图Ｆｉｇｕｒｅ１㊀ＳｃｈｅｍａｔｉｃｄｉａｇｒａｍｏｆＬＳＴＭｃｅｌｌｓｔｒｕｃｔｕｒｅ１.２.５㊀ＡＲＩＭＡ与ＬＳＴＭ模型预测效果评价㊀为检验最终预测结果ꎬ研究引入平均绝对百分比误差(ＭＡＰＥ)对预测效果进行评价ꎮＭＡＰＥ结合了平均绝对误差(ＭＡＥ)和平均百分比误差(ＭＰＥ)的优点ꎬ能够很好地反应出预测精确度ꎮ其计算公式如下:ＭＡＰＥ＝１ｎðｎｉ＝１ｘｉ－ｘｉｘｉ其中ꎬｘｉ为真实值ꎬｘｉ为预测值ꎬｎ为预测数据个数ꎮ针对同一预测数据的不同预测模型ꎬＭＡＰＥ值越小ꎬ表明模型的预测准确度越高ꎮ１.２.６㊀ＡＲＩＭＡ与ＬＳＴＭ模型实现㊀研究利用Ｐｙｔｈｏｎ语言ꎬ对ＡＲＩＭＡ模型和ＬＳＴＭ神经网络模型进行编程实现ꎮ其中ꎬＡＲＩＭＡ模型主要通过调用ｓｔａｔｓｍｏｄｅｌｓ库进行实现ꎻＬＳＴＭ模型使用基于Ａｎａｃｏｎｄａ环境的Ｋｅｒａｓ实现ꎬ采用ＴｅｎｓｏｒＦｌｏｗ作为后端ꎮ2㊀结㊀果２.１㊀ＡＲＩＭＡ乘积季节模型建立２.１.１㊀序列平稳性化时序图显示出:①序列随时间呈现波动趋势ꎮ②序列存在较明显的周期性ꎬ其中每个周期内２月份出院人次最少ꎬ１２月份出院人次最多ꎬ分别呈现出周期性内低谷和峰值ꎮ③序列呈现相对平缓的上升趋势ꎬ尤其是２０１３ ２０１７年的数据ꎬ而２０１８年的数据增幅较为明显ꎮ由此ꎬ可初步判断该序列是非稳定序列ꎮ为了进一步判断序列的平稳性ꎬ对序列进行ＡＤＦ单位根检验ꎬ检验结果显示ｔ统计量要大于任何置信度的临界值ꎬ且Ｐ的值接近于１(Ｐ＝０.９９８４)ꎬ由此可以判定该序列为非平稳序列ꎬ需要进行差分处理ꎮ图２㊀２０１３ ２０１８年出院人次时序图Ｆｉｇｕｒｅ２㊀Ｄｉｓｃｈａｒｇｅｎｕｍｂｅｒｉｎ２０１３－２０１８对原始序列进行１２步差分和１阶差分ꎬ消除季节性和趋势ꎬ此时ｄ＝１ꎬＤ＝１ꎮ差分后的时序图显示ꎬ差分后序列在０附近比较稳定地波动ꎬ可以初步认为差分运算后的序列平稳ꎮＡＤＦ单位根检验结果显示ｔ统计量要<任何置信度的临界值ꎬ且Ｐ远<０.０５(Ｐ＝１.５３２６ˑ１０－１４)ꎮ因此ꎬ可以认为经过差分后的序列已经平稳化ꎮ２.１.２㊀模型识别㊀原始序列经过差分运算后已成平稳序列ꎬ然后需要对模型进行定阶ꎬ即确定ｐ㊁ｑ的阶数ꎮ根据ＡＣＦ图和ＰＡＣＦ图所显示的特征ꎬ发现自相关和偏相系数都存在拖尾的特点ꎬ并且都具有明显的一阶相关性ꎬ因此初步设定ｐ＝１ꎬｑ＝１ꎮ考虑拟合ＡＲＩＭＡ(ｐꎬｄꎬｑ)ｘ(ＰꎬＤꎬＱ)Ｓ乘积季节模型ꎬ其中Ｐ㊁Ｑ的阶值采用 网格搜索法 进行穷举搜索ꎬ搜索结果如表１所示ꎮ根据赤池信息准则(ＡＩＣ)和贝叶斯信息准则(ＢＩＣ)选取最优参数值ꎬ确定最优的ＡＲＩＭＡ乘积季节模型ꎮ如表１所示ꎬ根据ＡＩＣ和ＢＩＣ最小准则得到本次研究的最优模型是ＡＲＩＭＡ(１ꎬ１ꎬ１)ｘ(１ꎬ１ꎬ０)１２ꎮ２.１.３㊀模型检验㊀确定模型后需要进行残差检验ꎬ计算模型中残差并进行检验ꎬ判断模型是否符合要求ꎮ此次残差检验采用分位数图示法(Ｑｕａｎｔｉｌｅ－ＱｕａｎｔｉｌｅＰｌｏｔꎬ简称Ｑ－Ｑ图)ꎮＱ－Ｑ图是一个概率分布图ꎬ通常用来检验一组数据是否服从某一分布ꎬ检验结果显示ꎬ此模型残差符合正态分布ꎬ由此表明模型是符合的要求的有效模型ꎮ２.１.４㊀预测㊀利用最优模型ＡＲＩＭＡ(１ꎬ１ꎬ１)ｘ(１ꎬ１ꎬ０)１２预测２０１９年度的月出院人次数分别为４１５２㊁３５７６㊁４９９８㊁４８３６㊁４８３５㊁４８５４㊁５１４６㊁５１８６㊁５４６５㊁４７６８㊁５３８８㊁５９６３ꎮ表１㊀ＡＲＩＭＡ(ｐꎬｄꎬｑ)ˑ(ＰꎬＤꎬＱ)Ｓ模型网格搜素结果Ｔａｂｌｅ１㊀ＧｒｉｄｓｅａｒｃｈｒｅｓｕｌｔｏｆＡＲＩＭＡ(ｐꎬｄꎬｑ)ˑ(ＰꎬＤꎬＱ)Ｓ参数模型ＡＩＣＢＩＣＡＲＩＭＡ(０ꎬ１ꎬ０)ｘ(０ꎬ１ꎬ０)１２７２１.６７２３.４１ＡＲＩＭＡ(０ꎬ１ꎬ０)ｘ(０ꎬ１ꎬ１)１２１４０８.５６１４１１.５５ＡＲＩＭＡ(０ꎬ１ꎬ０)ｘ(１ꎬ１ꎬ０)１２５２４.３３５２７.３９ＡＲＩＭＡ(０ꎬ１ꎬ０)ｘ(１ꎬ１ꎬ１)１２１３４３.４５１３４７.９４ＡＲＩＭＡ(０ꎬ１ꎬ１)ｘ(０ꎬ１ꎬ０)１２６６４.９９６６８.５６ＡＲＩＭＡ(０ꎬ１ꎬ１)ｘ(０ꎬ１ꎬ１)１２２６８３.１２２６８７.５１ＡＲＩＭＡ(０ꎬ１ꎬ１)ｘ(１ꎬ１ꎬ０)１２４９６.２６５００.８４ＡＲＩＭＡ(０ꎬ１ꎬ１)ｘ(１ꎬ１ꎬ１)１２２５９４.１７２６００.０４ＡＲＩＭＡ(１ꎬ１ꎬ０)ｘ(０ꎬ１ꎬ０)１２６９６.２６９９.８２ＡＲＩＭＡ(１ꎬ１ꎬ０)ｘ(０ꎬ１ꎬ１)１２１４５５.４９１４５９.９８ＡＲＩＭＡ(１ꎬ１ꎬ０)ｘ(１ꎬ１ꎬ０)１２４９７.６８５０２.１７ＡＲＩＭＡ(１ꎬ１ꎬ０)ｘ(１ꎬ１ꎬ１)１２１４２５.４９１４３１.４８ＡＲＩＭＡ(１ꎬ１ꎬ１)ｘ(０ꎬ１ꎬ０)１２６５１.６３６５６.９８ＡＲＩＭＡ(１ꎬ１ꎬ１)ｘ(０ꎬ１ꎬ１)１２１２９９.５３１３０５.３９ＡＲＩＭＡ(１ꎬ１ꎬ１)ｘ(１ꎬ１ꎬ０)１２４７８.２６４８４.２５ＡＲＩＭＡ(１ꎬ１ꎬ１)ｘ(１ꎬ１ꎬ１)１２１４３９.２７１４４６.５９２.２㊀ＬＳＴＭ神经网络模型建立２.２.１㊀数据归一化处理㊀当激活函数为ｓｉｇｍｏｉｄ或者ｔａｎｈ时ꎬ需要把数据标准化话ꎬ此时ＬＳＴＭ比较敏感ꎮ采用最小最大值标准ＭｉｎＭａｘＳｃａｌｅｒ()将原始数据缩放至０与１之间ꎮ归一化后的序列和原始序列具有相同的趋势ꎮ２.２.２㊀建立神经网络模型㊀采用Ｋｅｒａｓ建立一个三层ＬＳＴＭ神经网络模型ꎬ即一个输入层ꎬ一个隐藏层和一个输出层ꎮ其中ꎬ输入层有１个ｉｎｐｕｔꎬ隐藏层有４个神经元ꎬ输出层就是预测一个数值ꎬ激活函数采用ｓｉｇｍｏｉｄ函数ꎬ迭代ｅｐｏｃｈｓ设置为１００ꎬ批处理参数ｂａｔｃｈ＿ｓｉｚｅ置为１ꎬ损失函数ｌｏｓｓ函数采用ｍｅａｎ＿ｓｑｕａｒｅｄ＿ｅｒｒｏｒ并在计算时转换成均方根误差(ＲＭＳＥ)ꎬ优化器ｏｐｔｉｍｉｚｅｒ使用ａｄａｍꎮ模型通过调整ｌｏｏｋ＿ｂａｃｋ的值寻找当前网络结构的最优情况ꎬ其中ｌｏｏｋ＿ｂａｃｋ表示基于历史多少数据进行下一个数据预测ꎮ模型中Ｌｏｏｋ＿ｂａｃｋ取１２ꎬ拟合结果(图３)ꎮ２.２.３㊀预测㊀利用已经训练好的ＬＳＴＭ神经网络网络模型预测２０１９年度的月出院人次数分别为３８９７㊁２７８９㊁４２４４㊁４２００㊁４０６８㊁４３５２㊁４５５３㊁４８３９㊁４８７９㊁４５５４㊁５３６１㊁５３６３ꎮ２.３㊀ＡＲＩＭＡ与ＬＳＴＭ模型预测效果评价㊀将ＡＲＩＭＡ与ＬＳＴＭ模型的预测结果ꎬ与２０１９年度１~１２月份实际出院人次比较ꎬ并计算各自模型的ＭＡＰＥ值ꎮＡＲＩＭＡ乘积季节模型和ＬＳＴＭ神经网络模型的ＭＡＰＥ分别为７.９０％和１４.２６％ꎮ通过比较ＭＡＰＥ的值可以发现在研究中ＡＲＩＭＡ乘积季节模型的预测效果要好于ＬＳＴＭ神经网络模型ꎮ图３㊀ｌｏｏｋ＿ｂａｃｋ＝１２时ＬＳＴＭ拟合图Ｆｉｇｕｒｅ３㊀ＬＳＴＭｆｉｔｔｉｎｇｄｉａｇｒａｍｗｈｅｎｌｏｏｋ＿ｂａｃｋ＝１２3㊀讨㊀论医院出院人次的变化受医院运营㊁病种类别以及社会因素等多方面的影响ꎮ出院人次通常是动态序列ꎬ具有一定的周期性和季节性ꎮ科学㊁准确地预测出院人次对医院配置医护人员㊁制定临床科室管理目标及医院决策支持方面具有指导性作用[１１￣１３]ꎮ研究使用ＡＲＩＭＡ乘积季节模型和ＬＳＴＭ神经网络对某三甲专科医院的出院人次进行了建模分析和预测ꎬ通过比较ＭＡＰＥ的值表明ꎬＡＲＩＭＡ乘积季节模型的预测效果要好于ＬＳＴＭ神经网络ꎮ为进一步分析ꎬ将ＡＲＩＭＡ模型与一般线性回归预测和移动平均预测模型相比较ꎬ其中:一元线性回归的ＭＡＰＥ为１２.２８％ꎬ移动平均法的ＭＡＰＥ为１０.７５％(间隔３)㊁１４.４１％(间隔１２)ꎬ也表明ＡＲＩＭＡ模型在此次研究中预测效果更好ꎮ但与回归和移动平均这样的简单模型相比ꎬＡＲＩＭＡ和ＬＳＴＭ在理论和实现上都较为复杂ꎬ因此在实际问题的模型选择上ꎬ可先考虑用简单模型进行分析ꎬ如果不能满足需求可再考虑复杂或具有针对性的模型ꎮ另外ꎬ由于ＡＲＩＭＡ乘积季节模型的ＭＡＰＥ值为７.９０％ꎬ表明模型的预测数据与实际数据相比还存在一定程度的误差ꎮ分析原因可能是因该医院在２０１８ ２０１９年度发展较快ꎬ入出院人次存在较大幅度的增长ꎬ而２０１３ ２０１７年的历史数据增长趋势相对平缓ꎬ且构建模型的数据总量相对较少ꎬ导致预测模型无法充分捕捉增长规律ꎮ因此ꎬ仅采用历史数据来预测未来的数据也存在一定的局限性ꎬ可以考虑综合多方面数据进行综合分析和预测ꎮ该次研究中也还存在一些不足之处ꎮ在ＡＲＩＭＡ乘积季节模型建模过程中ꎬ参数的定阶取值存在考虑不全面的地方ꎬ如ｐ㊁ｑ和Ｐ㊁Ｑ的值还可以考虑取２或其他值进行尝试ꎬ寻找可能存在的更优模型ꎻ在ＬＳＴＭ神经网络模型中ꎬ还可以通过调整隐藏层的层数㊁神经元的个数或优化器内的参数(比如学习率)进一步优化网络模型ꎮ对于模型的进一步优化拟作为下一步的研究内容ꎮ利益冲突㊀所有作者均声明不存在利益冲突参考文献[１]㊀陈娴ꎬ黄志中.２０１５ ２０１６年某三级甲等医院业务收入影响因素分析[Ｊ].中国卫生统计ꎬ２０１８ꎬ３５(０６):９０１￣９０３.[２]㊀ＣＨＵＮＨＵＩＬꎬＣＨＵＡＮＨＵＡＹ.ＰｅｒｆｏｒｍａｎｃｅＥｖａｌｕａｔｉｏｎｏｆＰｕｂｌｉｃＮｏｎ￣ＰｒｏｆｉｔＨｏｓｐｉｔａｌｓＵｓｉｎｇａＢＰＡｒｔｉｆｉｃｉａｌＮｅｕｒａｌＮｅｔｗｏｒｋ:ＴｈｅＣａｓｅｏｆＨｕｂｅｉＰｒｏｖｉｎｃｅｉｎＣｈｉｎａ[Ｊ].ＩｎｔｅｒｎａｔｉｏｎａｌＪｏｕｒｎａｌｏｆＥｎｖｉｒｏｎｍｅｎｔａｌＲｅｓｅａｒｃｈａｎｄＰｕｂｌｉｃＨｅａｌｔｈꎬ２０１３ꎬ１０(８):３６１９￣３６３３.[３]㊀王应强ꎬ罗倩倩ꎬ郭秋鸿ꎬ等.基于曲线估计及趋势季节模型预测医疗机构出院人次的应用研究[Ｊ].中国循证医学杂志ꎬ２０１７ꎬ１７(１０):１１４５￣１１４９.[４]㊀孙娜ꎬ许小珊ꎬ冯佳宁ꎬ等.ＡＲＩＭＡ与ＧＭ(１ꎬ１)模型对我国肺结核年发病人数预测情况的比较[Ｊ].中国卫生统计ꎬ２０１９ꎬ３６(１):７１￣７４.[５]㊀ＸＩＥＪꎬＫＡＮＧＨＵＡＩＺꎬＣＡＩＹꎬｅｔａｌ.ＡｐｐｌｉｃａｔｉｏｎｏｆＡＲＩＭＡｍｏｄｅｌｉｎｍｏｎｉｔｏｒｉｎｇｔｈｅｕｓｅｒａｔｅｏｆａｎｔｉｂｉｏｔｉｃｓｉｎｏｕｔｐａｔｉｅｎｔｓｉｎ２０１０－２０１８[Ｊ].Ｉｎｔｅｒｎａｔｉｏｎａｌｊｏｕｒｎａｌｏｆｃｌｉｎｉｃａｌｐｈａｒｍａｃｏｌｏｇｙａｎｄｔｈｅｒａｐｅｕｔｉｃｓꎬ２０２０ꎬ５８(５):２７６￣２８６.[６]㊀杜军ꎬ郭慧敏ꎬ杨建南.基于Ｒ语言ＡＲＩＭＡ模型在急性支气管相关疾病发病预测中的应用[Ｊ].中国病案ꎬ２０１６ꎬ１７(４):４７￣４９.[７]㊀李家琦ꎬ王雷ꎬ宋媛媛ꎬ等.ＡＲＩＭＡ模型在湖北省肺结核发病数预测中的应用[Ｊ].公共卫生与预防医学ꎬ２０１８ꎬ２９(５):３７￣４０.[８]㊀李琳ꎬ王哲ꎬ张学良ꎬ等.基于ＬＳＴＭ深度神经网络的月门诊量预测精度研究[Ｊ].中国数字医学ꎬ２０１９ꎬ１４(１):１４￣１７.[９]㊀ＲＥＤＤＹＢＫꎬＤＵＲＳＵＮＤ.Ｐｒｅｄｉｃｔｉｎｇｈｏｓｐｉｔａｌｒｅａｄｍｉｓｓｉｏｎｆｏｒｌｕｐｕｓｐａｔｉｅｎｔｓ:ＡｎＲＮＮ￣ＬＳＴＭ￣ｂａｓｅｄｄｅｅｐ￣ｌｅａｒｎｉｎｇｍｅｔｈｏｄｏｌｏｇｙ[Ｊ].ＣｏｍｐｕｔｅｒｓｉｎＢｉｏｌｏｇｙａｎｄＭｅｄｉｃｉｎｅꎬ２０１８(１０１):１９９￣２０９.[１０]㊀ＣＨＥＮＧＮꎬＫＵＯＡ.ＵｓｉｎｇＬｏｎｇＳｈｏｒｔ￣ＴｅｒｍＭｅｍｏｒｙ(ＬＳＴＭ)ＮｅｕｒａｌＮｅｔｗｏｒｋｓｔｏＰｒｅｄｉｃｔＥｍｅｒｇｅｎｃｙＤｅｐａｒｔｍｅｎｔＷａｉｔＴｉｍｅ[Ｊ].Ｓｔｕｄｉｅｓｉｎｈｅａｌｔｈｔｅｃｈｎｏｌｏｇｙａｎｄｉｎｆｏｒｍａｔｉｃｓꎬ２０２０(２７０):１４２５￣１４２６.[１１]㊀王国林.基于季节性指数平滑模型的医院出院人次预测研究[Ｊ].齐齐哈尔医学院学报ꎬ２０２０ꎬ４１(７):８５４￣８５６.[１２]㊀罗丽莎ꎬ姜俊丰ꎬ宇传华ꎬ等.山西省１８４家医院４０岁以上脑卒中患者住院人次及住院费用分析[Ｊ].中国卫生统计ꎬ２０１９ꎬ３６(２):１８５￣１８８.[１３]㊀李超ꎬ潘琦ꎬ徐锡武.预测医院出院人数时ＡＲＩＭＡ模型的选择与效果评价[Ｊ].中国病案ꎬ２０１６ꎬ１７(３):５７￣６１.(收稿日期:２０２０￣１２￣０８)(本文编辑:易秋莎)。
评估方法相关模型示例供参考
评估方法相关模型示例（供参考）一、收益法相关模型示例（一）直接收益预测1技术思路直接收益预测是对利用被评估数据资产直接获取的收益进行预测的方式。
2.参考公式Ft=Rt式中：F t——预测第I期数据资产的收益额；R t——预测第t期数据资产的息税前利润。
3.适用场景直接收益预测通常适用于被评估数据资产的应用场景及商业模式相对独立，且数据资产对应服务或者产品为企业带来的直接收益可以合理预测的情形。
例如：拥有用户数据的某公司建立数据资产管理中心，经用户授权后，提供数据调用服务并收取费用。
（二）分成收益预测1.技术思路分成收益预测是采用分成率计算数据资产预期收益的方式。
具体思路是，首先计算总收益然后将其在被评估数据资产和产生总收益过程中作出贡献的其他资产之间进行分成。
分成率通常包括收入提成率和利润分成率两种。
2.参考公式采用收入提成率时：F t=R t*K t1采用利润分成率时：Ft=Rt*Kt2式中：心——预测第t期数据资产的收益额；t期总收入或者息税前利润；r——预测第“一一预测第t期数据资产的收入提成率；一一预测第t期数据资产的净利润分成率。
K t23.适用场景分成收益预测通常适用于软件开发服务、数据平台对接服务、数据分析服务等数据资产应用场景，当其他相关资产要素所产生的收益不可单独计量时可以采用此方法。
例如：对第一手数据进行加工利用并与软件开发服务等传统IT项目结合为完整的解决方案，实现数据持续不断地在未来预测期间间接变现。
在确定分成率时，需要对被评估数据资产的成本因素、场景因素、市场因素和质量因素等方面进行综合分析。
（三）超额收益预测1技术思路超额收益预测是将归属于被评估数据资产所创造的超额收益作为该项数据资产预期收益的方式。
具体思路是，首先测算数据资产与其他相关贡献资产共同创造的整体收益，然后在整体收益中扣除其他相关贡献资产的贡献，将剩余收益确定为超额收益。
除数据资产以外，相关贡献资产通常包括流动资产、固定资产、无形资产和组合劳动力等。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
判断预测方法优劣摘要本文围绕着数据预测方法的评论问题展开讨论，采用数理统计学中假设检验的方法来评价四个时段两种预测方法的准确性，得到方差分别与实测值进行比较建立了模型1，对两种预测方法的准确性作出了定量的分析。
若分四个时段来评价两种预测方法的准确性，在不同的时间、时段有不同的评价结果；然后继续采用数理统计学中的假设检验方法，将两种预测方法中的预测数据分别与实际值作差，得到每一天中的不同时段的差值，再求出这些差值的平均值，把这两组差值的平均值进行检验，并且作出比较。
最后，得出最终结果：预测方法一比预测方法二预测出的结果更好一些。
关键词：预测假设检验平均值1 问题重述数据预测对我们的学习工作和日常生活有重要作用!。
但准确、及时地对未来数据作出预测是一个十分困难的问题，广受世界各国的关注。
我国某地观测站正在研究某项数据的预测方法，即每天按四个不同的时段在观测点对这项数据进行观测。
这些位置位于东经120度、北纬32度附近的53*47的等网格点上。
同时设立91个观测站点实测这些时段的实际数据!由于各种条件的限制! 站点的设置是不均匀的。
观测站希望建立一种科学评价预测方法好坏的数学模型与方法。
观测站提供了41天的两种不同方法的预报数据和相应的实测数据。
预报数据在文件夹FORECASE中，实测数据在文件夹MEASURING 中。
其中的文件都可以用Windows系统的“写字板”程序打开阅读。
其中文件名为<f 日期I>_dis1和<f日期I>_dis2，例如f6181_dis1中包含2002年6月18日采用第一种方法预报的第一段数据(其数据为该时段各网格点的雨量)，而f6183_dis2中包含2002年6月18日采用第二种方法预报的第三时段的数据。
MEASURING中包含了41个名为<日期>.SIX的文件! 如020618.SIX表示2002年6月18日的连续4 个时段各站点的实测数据! 这些文件的格式是：站号纬度经度第1段第2段第3段第4段58138 32.9833 118.5167 0.0000 0.2000 10.1000 3.1000 58139 33.3000 118.8500 0.0000 0.0000 4.6000 7.4000 58141 33.6667 119.2667 0.0000 0.0000 1.1000 1.4000 58143 33.8000 119.8000 0.0000 0.0000 0.0000 1.800058146 33.4833 119.8167 0.0000 0.0000 1.5000 1.9000 ……现在观测站要求建立一个合适的数学模型来对这两个预测方法进行评估，并且对这两个方法进行判断优劣。
2、模型假设（1）观测站的设立的位置对观测数据不构成任何影响；（2）实际测量所得的数据都准确无误，没有误差；（3）设置的网格点是一个质点。
3、符号说明xi1、xi2、xi实：分别为预测方法一、二和实际数据的样本；H0、H1：模型1中假设检验的原假设和备用假设：1x、2x、实x：各组数据的总平均值；S21、S22、S2实：各组数据的方差；μ：数据的检验统计量；n1、n2、n实：样本个数；zs1、z2、zs3、zs4:四个时段所测得的真实值；yc11、yc12、yc13、yc14：预测方法一预测的各个时段的预测值；yc21、yc22、yc23、yc24：预测方法二预测的各个时段的预测值；cz11、cz12、cz1、3cz14：预测方法一预测的各个时段的预测值与实际值的差值；cz21、cz22、cz23、cz24：预测方法二预测的各个时段的预测值与实际值的差值；cz1、cz2：两种预测方法预测的各个时段的预测值与实际值的差值的平均值。
4、模型分析对于评价两种数据预报方法的准确性问题， 我们首先对两种数据预报方法所测得数据做了分析， 两组数据均与实测数据有关。
因此，我们将实测数据作为中间量， 运用统计学中相关知识将两种模型的准确性做出评价。
同时，我们对两种预报方法所得数据和实测数据分别进行了拟合，对两种方法的准确性进行了定性的分析和评价。
5、模型的建立与求解5．1 从每一天的不同时段来考虑：观察所给的数据，据有关资料可知， 这些数据符合正态分布。
将两种数据预报方法中的数据作为两个样本x 11、 x 12…，x 21、x 22…, 实测数据作为样本x 1实、x 2实… 样本之间是相互独立的。
并将每一天的数据作为一个数据集输入到SAS 软件中，得到41张数据集。
检验假设 H 0：x 1=x 实H 1：x 2=x 实检验H 0： m 1=m 实： 计算1x =11n ∑=111x i ix实x =实n 1∑=实实x i i1xs 21=11n ∑=-11i 1)1(x ix x）2s 2实=实n 1∑=-实实实）x 1i i x (x 2检验统计量为： μ=）实实n x 1n 1(x 11+-/σ在假设为真时,服从(0,1)分布,对于给定的信度а,查正态分布表,得 μ0再由实测数据和预测方法1所得的数据算出μ值。
当μ>μ0时则拒绝原假设H 0；反之，则接受原假设H 0。
同理检验： 假设H 1观察所给的数据表可知： 预测值和实测值方差变化不大， 以σ2记之。
由于σ未直接给出，而n 实 n 1 n 2都很大， 因此可用来代替，于是做统计量和给出信度а的值，将μ1、μ2进行比较，其中接近μ的方法就比较准确。
以上便是我们给出的评价模型1观测站将24小时数据情况分成了四个时段来预测数据#，我们对这四段分别进行讨论来确定具体在哪个时段哪种预报方法更准确。
因为要检验两种预测方法哪个准确， 所以我们在所有的数据中随机抽取几组数据用上面建立的模型来讨论哪种方法比较准确。
抽取数据和计算过程如下：（1）6月18日的数据对雨量预测的两种方法进行评价第一时段经过数据处理得到：x1=0.0341 ， x实=0.0176 ， x2=0.0343；s21=0.0053，s22=0.0055，s2实=0.1007；把这些算出的量代入模型1得μ1=0.484μ2=0.489给出信度а=0.05，差正态分布表，得临界值μ0=5.991，因为μ1和μ2都小于临界值，要比较就要看哪个值更接近临界值点，靠近临界值点的那个数据，它的预测方法比较准确。
在本例中第一种方法比较准确。
第二、三、四段的得计算方法和第一段的计算方法相同，可以得到表1:（2）对7月8号的数据预测数据进行评价，其计算方法和6月18号的计算方法一样得到表2:根据表1和表2可以看出：在6月18日全天的数据预测来看，第一、四时段是第一种预测方法比较准确；第二、三、时段是第二种预测方法比较准确。
在7月8日全天的预测中，第一、二、三时段的预测中，第一种预测方法比较准确；在第四时段的预测中，第二种方法比较准确。
这就说明对每一天的四个时段进行评价，不能评价出具体哪种预测降雨量方法准确。
在对于不同时间、时段的分析中，两种预测方法都有其相对准确的时段。
我们不能仅凭某一时段的分析来说明其预测方法的优劣。
5．2 对41天的四个时段做整体评价：首先，我们将这些样本全部用SAS 软件整合到一张数据集上。
继而，将这些实测数据和预测数据分别作出差值。
然后分别求这些差值在四个不同时段的平均值。
这张数据集包含有变量zs1 zs2 zs3 zs4 yc11 yc12 yc13 yc14 yc21 yc22 yc23 yc24 cz11 cz12 cz13 cz14 cz21 cz22 cz23 cz24 1cz 2cz 等变量。
数据集的每一列都有41天*91个观测点共3721个数据。
cz11=|yc11-zs1|; cz12=|yc12-zs2|; cz13=|yc13-zs3|; cz14=|yc14-zs4|; cz21=|yc21-zs1| cz22=|yc22-zs2|; cz23=|yc23-zs3|; cz24=|yc24-zs|;1cz =∑=41141i i cz2cz =∑=41241i i cz最后，将两组数据cz1和cz2用SAS 软件进行分析：在这个检验假设中先给出原假设Mean(cz1-cz2)=0,置信度95%运行得到的结果如下：得到的P值为0.0032小于0.05，故原假设Mean(cz1-cz2)=0不成立，备择假设Mean(cz1-cz2)~=0成立。
得出结论：这两种预测方法不等价。
再启用备用假设中的Mean(cz1-cz2)<0作为下一个假设检验的原假设，置信度95%运行得到结果如下得到的P值为0.9984大于0.005，故此假设检验中的原假设Mean(cz1-cz2)<0成立,即有预测方法一所预测得的数据与实际值的差值的平均值比预测方法二所预测得的数据与实际值的差值的平均值要小，进而说明预测方法一比预测方法二更好。
6、模型的评价本模型采用了数理统计学中的假设检验分析法，对这些大量的数据有了一个比较全面的统计。
但是，美中不足。
图像作为一个反映真实情况的手段之一，在这篇论文中一幅图像都没有用到。
还有，在模型2中的置信度是人为给出的，难免会有一些偏差。
我认为这篇论文的改进方向是：用这些数据适当的做出一些图像，能够更好的说明问题。
7、参考文献【1】吴赣昌，概率论与数理统计，北京：中国人民大学出版社，2008 【2】姜启源，数学模型（第二版），北京：高等教育出版社，1992 【3】李平东李照会张翠英，雨量预报方法的评价模型，2005年大学生建模大赛8、附录在SAS软件中所用的程序：（1）数据的横向合并Data A020618;Merge B020618 c6181 c6182 c6183 c6184 d6181 d6182 d6183 d6184; Run;(2)数据的纵向合并Data A;Set A020618 A020619 ...A020628 A020701 (020730)Run;(3)模型一中对6月18日和7月8日的数据的分析结果6月18日7月8日。