模式预测

模式预测（共11篇）

模式预测 篇1

负荷预测是城市电网规划的重点和难点, 目前株洲电业局规划人员仅仅依靠实时系统只能了解整个城区的用电水平, 对各分区用电水平无法了解, 对10kV及以下配网供电区域的实际负荷分布更是无法直接查询。所以, 分区负荷的统计是负荷预测和市区输配电网络规划的基础。如何清楚、直观地了解株洲市各分区的实际用电水平及其历史增长趋势, 并结合各分区用地规划, 对各分区负荷进行准确地分析和预测, 为电网规划提供依据, 是迫切需要解决的问题。

1 实现株洲城区分区负荷预测及分析的前提条件

根据株洲城市总体规划, 将株洲城区按地理位置划分成4个分区:石峰区、天元区、芦淞区、荷塘区。株洲城区分区负荷预测方案及关键, 是根据株洲城市总体规划, 将株洲城区按地理位置划分成4个预测分区, 对每个分区进行供电电源划分, 然后以各个分区的供电电源点的有功功率作为主要采集量, 通过调度数据采集实现每个分区的实时历史负荷显示。同时结合株洲城市规划部门提供的分区建设用地面积资料, 由规划人员根据实际情况人工输入, 系统自动折算分区最大负荷密度、分区最大负荷、分区建设用地面积。分区电源点的明确由株洲电业局规划人员来完成, 而有功功率采集由该局调度管理所自动化专业人员来解决。株洲城市配电网目前已基本具备分层分区供电模式的要求, 但根据株洲城区分区划分, 个别分区的供电电源需重新调整。按照理想的分区供电模式, 各个分区的有功功率采集量可直接取自电源所在站10kV出线断路器的量测, 主要以变电站为主, 部分为开关站、箱站, 有条件的还可以采自分断器、杆上断路器的高压计量装置。而实际供电方式下, 会存在某些分区的部分线路有互相转供的情况, 更复杂的是一条10kV线路同时给2个及以上分区供电的情况, 这就需要对电源站出线有功功率总量与送出线路的有功功率、10kV线路分区分界点所得数据进行累加, 所得结果作为该分区的实际负荷。例如芦淞区的主供电源为110kV庆云山变、南华变、杨家岭、坚固变, 理想状态下可直接采集庆变电站10kV出线断路器的有功功率, 但目前实际运行方式则有部分线路供电负荷与相邻分区存在联络, 如庆云山变的10kV庆月线、东庆沿Ⅰ、Ⅱ、Ⅲ回所供部分负荷属市荷塘区、石峰区, 而芦淞区部分负荷电源来自月形山变、鹅颈洲变。因此在定义有功采集量时应在庆云山变、南华变、杨家岭、坚固变的10kV出线有功累加总量的基础上, 加减10kV线路分断点有功。另外, 如因改造等原因造成配网网架发生变化时, 可由自动化人员按规划要求对相应的分区电源采集定义量重新修正。

2 在株洲地调新SCADA系统中进行分区负荷预测及分析

株洲地调SCADA系统是采用东方8002系统, 使用已经超过7年, 已渐渐不适应近几年株洲电网发展。明年将更新地调自动化系统, 在新系统中要实现分区预测, 就必须实现以下功能。

自动化系统中要有株洲负荷曲线图, 并将株洲4个分区的负荷曲线图以不同颜色区分, 供规划人员参考的主要内容有分区实时负荷值、城区总实时负荷值、本区域实时负荷值。并利用软件的编辑功能, 对各个分区负荷进行智能分析, 以满足规划人员在需要了解某个分区负荷时能直观的了解。株洲城区各个分区负荷曲线图由上述信息量组成的画面, 可以使规划人员对株洲市城区各个分区的用电水平一目了然, 这是目前株洲地调自动化负荷曲线画面中没有的, 如果能实现这功能, 就能为规划人员统计分析工作提供了极大地方便。

这就要求自动化负荷曲线主画面显示的是分区的实时负荷, 各个分区的负荷发展趋势如负荷增长率、负荷密度等。以芦淞区分区为例, 介绍分区负荷预测后所看到的数据信息, 分区界面及内容芦淞区分区主要信息量有月最大负荷值图, 界面显示图例出现时间、分区日最大负荷曲线、分区实时负荷曲线并带查询功能。由于电网规划人员还需要一些用地资料, 因此还结合实时数据, 将各分区用地规划数据加人地方城市规划部门提供, 主要是各个分区不同功能性质的用地面积, 如居住用地、工业用地、商业用地等, 通过这些资料, 规划人员对各个分区的特点更加了解, 为分区负荷预测打好基础。其中现有用地面积可由规划人员根据实际情况手动输人, 即可根据实时统计的分区最大负荷自动测算出该分区的最大负荷密度, 这对规划人员来说是十分重要的基础数据。

由于配网、分区负荷数据收集起步较晚, 因此数据积累尚不齐全, 许多深层次的分析还无法进行, 例如分区年增长率的数据统计和比较等, 只能以分月最大负荷及增长趋势作为负荷分析的主要依据。负荷预测与远景规划在负荷预测栏里有2组数据:一组是来自数据库的分月最大负实时荷值;另一组是原先已经做好的分区远景负荷预测值, 这组数据的意义是可以让规划人员在发展中间年实时跟踪分区负荷的发展趋势, 并对远景负荷预测值起到校验作用。在电力规划栏里有原来已做好的分区电力规划, 如点芦淞区分区模块, 可看到芦淞区电力规划为远景最大负荷预测值为多少, 需变电容量多少, 目前供电电源点为庆云山变、南华变、杨家岭、坚固变, 规划新建变电站1座即中心变, 规划容量多少万kVA, 以上数据都一目了然。现在通过数据库应用, 规划人员就能实时跟踪芦淞区分区的实际负荷发展趋势, 如果出现负荷水平与规划水平有出入时, 规划人员可以根据实际情况及时作出调整。

3 结束语

新上的株洲地调SCADA系统要求含有株洲电网往年的用电负荷构成、年负荷特性、月负荷特性和典型日负荷特性, 能重点分析对比分区负荷及其分区最大负荷和年供、售电量的增长速度、月度指标和典型日负荷曲线的变化规律等。通过实时历史数据库, 能获取诸多尚无法获取的信息量, 特别是上述所提到的规划人员最密切关注的城市分区负荷的数据及负荷密度等, 有了这些实时和历史数据, 可以大大减少规划人员的统计工作量, 提高工作效率。此外, 通过上述数据, 对已编制完成的电网规划包括负荷预测可以进行跟踪校验, 为各中间年电网规划的滚动修正等工作提供重要决策依据, 使规划更加切合实际、更具科学性。通过分析, 能估计出电网分区负荷最大负荷的年平均增长率和用电量的年平均增长率。在对株洲电网进行分区负荷特性分析的基础上, 规划人员能很好地找出引起株洲电网负荷特性的性质, 分析结果, 合理进行电网规划。

以上功能还可为株洲电业局制定有效的负荷控制措施, 以提高系统运行效率和效益提供决策依据。

模式预测 篇2

一写作手法及作用修辞手法：比喻、拟人、排比、夸张、反复、借代、反问、设问、引用、对比

1、比喻：根据事物的相似点，用具体的、浅显、熟知的事物来说明抽象的、深奥的、生疏的事物，即打比方。

作用：能将表达的内容说得生动具体形象，给人以鲜明深刻的印象，用浅显常见的事物对深奥生疏事物解说、帮助人深入理解。比喻的三种类型：明喻、暗喻和借喻。

2、拟人：把物当作人来写，赋予物以人的言行或思想感情，用描写人的词来描写物。

作用：使具体事物人格化，语言生动形象。

3、夸张：对事物的性质、特征等故意地夸张或缩小。

作用：揭示事物本质，烘托气氛，加强渲染力，引起联想效果。

4、排比：把结构相同或相似、语气一致、意思相关联的三个以上的句子或成分排列在一起。

作用：增强语言气势，加强表达效果。

5、对偶：字数相等，结构形式相同，意义对称的一对短语或句子，表达两个相对或相近的意思。

作用：整齐匀称，节奏感强，高度概括、易于记忆，有音乐美感。如：墙上芦苇，头重脚轻根底浅；山间竹笋，嘴尖皮厚腹中空。

6、反复：为了强调某个意思，某种感情，有意重复某个词语或句子。

反复的种类：连续反复和间隔反复。连续反复中间无其他词语间隔。间隔反复中间有其他的词语。

7、设问：为了引起别人的注意，故意先提出问题，然后自己回答。

作用：提醒人们思考，有的为了突出某些内容。

8、反问：无疑无问，用疑问形式表达确定的意思，用肯定形式反问表否定,用否定形式反问表肯定。

9、引用：引用现成的话来提高语言表达效果，分直接引用和间接引用两种。

10、借代：用相关的事物代替所要表达的事物。借代种类：特征代事物、具体代抽象、部分代替整体。14具体词语的含义与作用？

方法:联系词语本义，解释在文中的含义，找出其指代的具体内容。

答：“××”一词原指„„，这里指„„，起到了„„的作用。

15句子含义？

抓住关键词，分析它的特点及含义，联系上下文再解释。

16句子在结构上的作用？

（1）承接上文

（2）开启下文（引出下文）

（3）承上启下（过渡）

（4）为后文作铺垫

17表达方式？

记叙、议论、抒情、描写、说明

18记叙文中议论的作用？

引发读者思考，点明人物或事件的意义，突出中心，升华主题，起到画龙点睛的作用。

19记叙文中抒情的作用？

抒发作者真挚深沉的情感，引发读者的感情共鸣，使文章具有强大的感染力。

三．描写的种类及作用？

种类：（1）肖像描写（2）外貌描写（3）神态描写（4）动作描写

（5）语言（对话）描写（7）心理描写（8）景物描写

（9）场景描写（10）环境描写（11）细节描写

作用：塑造人物性格，推动情节发展，揭示文章主题。

掌握几种常见的说明方法，会分析在文中的作用：

1．分类别：使说明的内容眉目清楚，避免重复交叉的现象。

2．下定义：使读者对概念有确切的了解。

3．作比较：用人们熟知的与所要说明的事物作比较，从而突出被说明事物的特征。

4．举例子：可使读者对说明对象的特征获得具体认识。

5．打比方：可达到形象地说明事物的作用。

6．列数字：可以准确地说明事物。

7．配图表：使读者一目了然，非常直观地理解被说明的事物。

8．引资料：能使说明的内容更具体、更充实。

（三）、常见的说明顺序有：时间顺序（程序顺序是时间顺序的一种）、空间顺序、逻辑顺序。说明文的顺

序，根据说明的目的和对象，可以以一种顺序为主，兼用其他顺序。

（四）、说明文的阅读还要注意结构。

说明文的结构常见的形式有：“总（概说）——分（具体）”式、“总——分——总”式、“分——总”式、并列式、递进式等。

破解语文阅读之秘笈

二、文章开头的作用：

1、引起下文，为下文作铺垫（记叙文）

2、开篇点题，提出中心（中心论点）

3、用故事或典故引出论点或论题（说明对象），激起读者阅读兴趣

三、文章结尾的作用：

1、深化中心，升华感情

2、篇末点题，提出中心或中心论点

3、总结上文，提出倡议，发出号召四、一句话或一段话的作用：

1、结构上的作用是：总起全文、引起下文、打下伏笔、作铺垫、承上启下（过渡）、前后照应、首尾呼应、总结全文、点题、推动情节发展.2、语句在表情达意方面的作用：渲染气氛、烘托人物形象（或人物感情）、点明中心（揭示主旨）、突出主题（深化中心）。

①、充当事实论据，证明前（后）一句话，进而证明中心论点；②充当道理论据，证明前（后）一句话，进而证明中心论点；③说明了前（后）一话（说明事物的特征）

五、常见写作方法、表现手法：：联想、想像、象征、比较、对比、衬托、烘托、反衬、欲扬先抑、先抑后扬、以小见大、托物言志、借物喻理、寓理于物、借物喻人、状物抒情、借景抒情、情景交融、借物抒情、借古喻今、运用典故、直接抒情、动静结合、虚实结合、正面描写、侧面描写等。

六、“这”、“它们”等指代什么：

1、一般是往前找，不会超出前三句；

2、找到之后，将找到的内容放在指代词所在句中读一读，看是否适合。

十六、根据短文提出的观点补充举例：

1可举名人事例，有更大的说服力，并能展示出自己的知识面，但一定要写准确人物、事件，切忌张冠李戴。也可举凡人事例，可以编造，但要注意具有真实感，切忌过于夸大，让人一看就知道是胡编乱造的。３、格式：人物＋事例＋简短评价

十七、文段中事例的概括：１、必须包含两个要素：人物＋事情；２、其他要素如：时间（季节、年代）、地点、环境如果有特定意义，也应概括在内。

二十、理解词语在选文中的意思和在语境中的含义：

解答这类题目，要注意两点：一是这个词可能不再具有词典中的含义，而是特定语境中的特殊含义。二是要理解词语的语境含义首先必须正确理解词语所在的语境。如《藤野先生》一文中“实在是标致极了”一句中的“标致”。

二十一、用自己的话回答问题：１、这种题目往往就是限定不能直接原文中的语句来回答，从另个层面上来说，也就是暗示你原文中有相关语句，所以你首先应该找出原文中的相关语句；

２、现在要考虑的就是如何将原文中的语句变成自己的话，可以采用下列方法：

①概括大意法，适用于原文相关句子较长的情况；②翻译句子法，适用于文言文语段；③解释重点词法，适用于原文语句中有生僻词；④变换句式法，适用于原文使用的是疑问、设问、反问的语意未能完全明确的句子，而题目又要求作出明确表达的情况。

二十二、根据语境，补写心理活动：１、必须用第一人称；２、必须仔细研读具体语境。

二十三、划分段落、层次，概括段意、层意：

要注意理清文章的线索，借助文章中的过渡性的段落、句子和词语，表时间变化的语句，表地点转换的语句，还要注意人物出场的先后顺序。

二十四、提炼中心、主题：

要注意体会本文的主要内容和作者写作本文的目的以及蕴涵在文中的思想感情。注意一些常用词语，如概括主要内容，一般用：本文记叙了„„，描写了„„，介绍了„„，通过„„，等等，如概括写作目的和思想感情，一般用：表达„„、抒发„„、赞美„„、歌颂„„、揭露„„、鞭挞„„、讽刺„„、说明„„、揭示„„、反映„„

一、记叙文的表达方式：记叙、描写、议论、抒情、说明。

三、环境描写的作用：

社会环境描写的主要作用： １、交代作品的时代背景。２、在回答时必须结合当时当地的时代背景，指出文段中环境描写的相关语句揭示了什么样的社会现实。

自然环境描写（景物描写）句的主要作用：１、表现地域风光，提示时间、季节和环境特点；２、推动情节发展；３、渲染气氛；４、烘托人物形象（或人物心情、感情）；５、突出、深化主题。

二、说明顺序：１、时间顺序：历史顺序、年代顺序、四季交替顺序、早晚（先后）顺序

２、空间顺序：注意表方位的名词

３、逻辑顺序：先总后分、由主到次、由表及里、由简到繁、由此及彼、从特殊到一般、由现象到本质等。

三、说明方法：

列数字、作比较、举例子、打比方、分类别、作诠释、下定义、列图表、引资料

两大说明方式：平实说明与生动说明

四、说明文语言特征：生动（趣味性）、准确（科学性）

五、说明方法及其作用分析的常用答题格式：

本句用了-------的说明方法，生动形象、具体直观、深入浅出（科学准确）地说明了----------（说明内容），使读者----------------------

七、说明文中词语作用的认识与辨析：

Ａ、“××”词好在哪里？★答题方式：用了“××”词，生动地（准确地）说明了„„事物的„„特征能够激发读者的兴趣（符合实际情况，具有科学性）。

2013年中考作文预测作文（50）分“人生得意莫尽欢”也是一种人生的状态，是要我们去认真考虑的一件事。李白说过“人生得意须尽欢，莫使金樽空对月”那已经是过去，但是现在我们更多的是要以“莫尽欢”的态度对待我们的人生。

联系自己的实际生活和自己的亲身经历写一篇关于“人生得意莫尽欢”为题的作文

2请以“奋斗”为题，写一篇文章。3题目：生活的脚印4题目：为了5题目：足迹 7题目：这也是8请以“用心去________”为题目写一篇文章。

9我们都向往成功，我们也都品尝过成功的滋味。团结一致赢得胜利，这是成功；专心向学名列前茅，这是成功；泪水中战胜脆弱，这是成功；失败后总结教训，这也是成功„„亲爱的同学们，你的成功标准是什么呢？你经历过什么样的成功呢？请以“失败也是成功”为题目写一篇文章。10题目：彩虹11刘禹锡居室简陋，却能以苔痕草色为乐；欧阳修仕途坎坷，却能以百姓安乐为乐。生活虽贫困，温馨的亲情却能带来快乐；学习虽紧张，丰收的知识却能带来快乐；家庭虽不幸，甜蜜的友情却能带来快乐„„

请以“其实很快乐”为题写一篇文章。

折旧与资本性支出预测模式探讨 篇3

一、问题的提出

在使用收益法对一些固定资产较多、更新周期较短的企业进行评估时，折旧与资本性支出的预测对评估结论往往影响较大。而永续期内的折旧与资本性支出的预测在实务操作中存在多种处理方式，不同的处理方式得出的结果往往有所差异，笔者希望通过对比目前常用的几种预测模式，探索出一种操作性强且结果更为合理的折旧与资本性支出的预测模式。

二、资本性支出、折旧以及资产更新周期的一般情况

企业的资本性支出通常分为两种，一种是为扩大生产规模、提高生产效率而购置新资产所发生的支出，可称之为追加支出；另一种是为了维系现有生产规模、生产条件，将已经达到经济寿命年限的资产进行更换而发生的支出，可称之为更新支出。在进行资本性支出预测时，通常按上述两种形式进行预测。

折旧方法和折旧年限作为一种会计政策和会计估计，在收益法中通常应参照企业实际执行的会计政策和会计估计进行预测，并应区分存量资产、更新支出以及追加投资三种情况分别预测。

按照经济寿命年限的经济理论，当某一资产达到经济寿命年限时，继续使用的经济效益会小于将其进行更新而产生的经济效益，继续使用将不再经济。基于这种理论，在运用收益法进行评估时，应考虑在某项资产经济寿命年限结束时，对其进行更新。但由于实务操作中，资产的折旧年限通常与资产的经济寿命年限存在差异，资产的更新可能发生在明确的预测期内，也可能发生在永续期，通常会出现以下几种情况：

三、目前在实务操作中主要采用的几种预测方法及存在的问题

方法一：根据历史平均年折旧额占资产原值的比例测算综合折旧率，按上年固定资产原值某一比例分年预测资本性支出，按资产原值与当年资本性支出之和乘以综合折旧率作为当年的折旧额。永续期资本性支出按明确预测期末资产原值的某一比例计算。这种方法计算较为简便，容易操作。但存在以下几个问题：

1. 明确预测期内折旧计算不够准确，对资产在预测期内存在的停提折旧的情况考虑不够全面。

2. 资本性支出按比例计算，没有区分资本性支出的性质，容易把更新支出与追加支出相混淆，无法全面考虑资本性支出对企业收益规模的影响。同时企业资本性支出水平的年均差异较大，很难得出一个合理的比例用以计算平均的资本性支出。

3. 没有考虑企业存量资产达到经济寿命年限后更新支出对企业价值的影响。

方法二：根据被评估单位提供的更新、扩建计划分别计算预测期内更新性支出与追加支出，并逐项计算各项资产在预测期内产生的折旧，折旧提足后，不再计算该项资产的折旧。永续期折旧与资本性支出相同，且等于明确预测期最后一年折旧额。这种方法较前一种方法相比，明确了资本性支出的性质，考虑了预测期内逾龄资产停提折旧对预测期内现金流量的影响，在方法上有所改进。但仍存在以下几个问题：

1. 预测期内更新支出系企业提供，可能存在与成本法中考虑的经济寿命年限不一致的情况，与成本法中通过经济寿命年限计算出的成新率以及评估值相矛盾。

2. 由于永续期内的折旧与资本性支出是一种年金化的表现形式，意味着永续期内每年都按预测的这个金额进行折旧和支出。方法二中永续期内的折旧与明确预测期最后一年折旧额相同，仅仅在资产的折旧年限与经济寿命年限相同、且资产更新金额与原始购置金额相同的情况下成立，而这种情况往往只是个例，大部分资产的折旧年限与经济寿命年限存在一定差异，因此这样预测永续期的折旧往往与实际情况不符。

3. 方法二中永续期资本性支出与折旧相同，是基于固定资产投资一般通过折旧回收的理论，但由于存在时间价值，在计算成等效年金时，这两个数字往往有较大差异。例如：某项资产账面原值100万元，在明确预测期末需要进行更新，更新金额与账面原值相同，更新周期即经济寿命年限与折旧年限相同，均为5年，不考虑残值因素，按直线法计提折旧，则永续期内年折旧额为100/5=20万元。而更新支出为5年一次，需要进行年金化处理，假设折现率为10%，则年更新支出A=100/(P/A,10%,5)=100×10%/[1-(1+10%)]-5=26.38万元，显然与永续期内折旧不同。因此永续期内的折旧与资本性支出需要通过等效年金换算，不能简单认为永续期内折旧与资本性支出相同。

方法三：明确预测期内折旧与资本性支出的预测与方法二相同，逐项预测资产折旧及资本性支出。在预测永续期内折旧与资本性支出时，将企业资产按房产、设备、土地等分为几个类别，把多项资产汇总模拟成简单的几项资产，分别计算其平均的经济寿命年限、平均折旧年限以及预测期末至首次更新时点的平均年限，再将永续期的折旧及资本性支出按其分布规律折算成等效年金。这种方法在解决永续期折旧及资本性支出的问题上提供了一种较好的思路，但在计算平均经济寿命年限、平均折旧年限等参数的过程中，需要先对资产合理分类并进行加权平均。如果同一类资产的折旧年限或经济寿命年限跨度较大的时候，会产生较大误差。如果按照折旧年限或经济寿命年限进行分类，往往会加大计算难度。

四、不同方法下折旧及资本性支出预测对比的案例分析

案例：某企业拥有的设备A，账面原值120万元，评估原值150万，折旧年限10年，经济寿命12年，截至评估基准日已使用2年。设备B，账面原值100万元，评估原值80万元，折旧年限与经济寿命年限相同，均为10年，截至评估基准日已使用3年。设备C，账面原值200万元，评估原值250万元，折旧年限与经济寿命年限相同，均为8年，已使用5年。企业按直线法计提折旧，残值率均为0，企业所得税率为25%。评估师给出的明确预测期为5年，折现率为10%，现金流期末流入，企业提供的预测期内年末追加投资为年初固定资产原值的5%，新增资产折旧年限与经济寿命年限均为10年。假设资产在每次更新时，更新金额为基准日评估原值，永续期内不再进行追加投资。

方法一：按照案例给出的数据，评估基准日资产账面原值=原值A+原值B+原值C=120+100+200=420万元。年折旧额=120/10+100/10+200/8=47万元，综合折旧率=47/420=11.19%。本年折旧=当年期初原值×综合折旧率。

方法二：按照方法二计算，设备C在第3年末折旧到期，从第四年开始不再计算折旧。永续期折旧、资本性支出与第5年相同。

方法三：预测期内折旧及资本性支出与方法二相同，在永续期内将A、B、C及新增资产汇总为一项资产M，资产M在第5年末表现的经济特征。

其中账面净值与评估净值均为资产模拟使用至第5年末，根据使用年限与折旧年限、寿命年限模拟计算得出。

平均折旧年限=（120×10+10010+200×8+116.04×10）/(120+100+200+116.04)=9.25年，即按照资产账面原值对资产折旧年限进行加权平均得出。

同理,根据评估原值对平均经济寿命年限进行加权平均，得出资产M的平均寿命年限为9.66年。

账面综合成新率=账面净值÷账面原值×100%=27.89%

评估综合成新率=评估净值÷评估原值×100%=28.93%

剩余折旧年限=平均折旧年限×账面综合成新率=2.59年

剩余寿命年限=平均寿命年限×评估综合成新率=2.80年

剩余折旧年限内年折旧额=账面净值÷剩余折旧年限=57.95万元。

根据资产M的特征，该项资产折旧将于2.59年后停止计提，并应于2.80年后到期进行更新，之后该资产每隔9.66年更新一次，假设更新金额按基准日评估值计算，9.7年中前9.25年产生折旧，之后停止计提。折旧及更新周期详。

按以上规律，可将资产M在永续期内的资本性支出折算成等效年金，利用Excel公式，计算等效年金A=PV(10%,2.80,,PMT(10%,9.66,596.04,,1),1)=68.95万元，其计算原理相当于先将每次更新金额596.04万元按9.66年，10%的折现率计算为年金，并将该年金以2.80年折现至第五年末。

在计算永续期折旧时，需要分为两段考虑，第一段需要将2.59年内，每年折旧额57.95万元（149.96/2.59=57.95）折现至第5年末，再将2.80后开始更新产生的折旧额64.44万元（596.04/9.25=64.44）折现至第5年末，最后将两段现值和进行年金化处理。利用Excel公式计算A=-(PV(10%,2.59,57.95,,0)+PV(10%,2.80,,PMT(10%,9.66,PV(10%,9.25,64.44,,1),,1)/10%,1))×10%=60.72万元。

五、新方法探索

从计算原理来看，方法三符合企业资产投入、更新及折旧的经济规律，但在计算过程中需要对资产进行归类计算，不同的归类方式会产生不同的计算结果，在评估过程中需要评估师认真分析，找出合理的分类方式。但采用模拟卡片以平均数计算终究是一种近似计算，数据精确性不高，由于目前电脑配置可以完全满足大规模数据处理的需要，笔者利用Excel强大的表格处理功能，对方法三进行了进一步的细化计算，通过合理设置公式、有效建立数据链接，逐项计算了各资产在明确预测期及永续期内的折旧及资本性支出。其中永续期折旧A=-(PV(折现率,剩余折旧年限,原始年折旧额,,期末付款)+PV(折现率,剩余寿命年限,,PMT(折现率,寿命年限,PV(折现率,折旧年限,新折旧额,,期初付款),,期初付款)/折现率,期初付款))×折现率

永续期资本性支出A=PV(折现率,剩余寿命年限,,PMT(折现率,寿命年限,更新投资额,,期末付款),期末付款)

按照这种方法，可以有效解决方法三在分类过程中由于采用平均数近似计算对评估结论的影响。笔者通过在Excel中合理设置公式、链接，可以按资产卡片输入原值、净值、评估原值、评估净值、更新金额、折旧年限、经济寿命年限、每年追加投资额及相应年限等参数，即可快速、准确地得出预测期内各年的折旧及资本性支出金额。在实际应用的过程中，可以做到根据存量资产经济寿命年限，自动汇总计算得出预测期内不同年份存量资产的更新金额；自动测算存量资产以及更新支出、追加支出在预测期及永续期内的折旧金额；自动计算出每项资产在永续期内资本性支出等效的年金数值。对于资产卡片在5万条以下，可以做到同步输入输出，实时显示计算结果，不仅操作简便，结果也更为合理。同时由于是逐项计算，可以对溢余资产、非营运资产及残值较大、更新金额与评估值差异较大等的特殊资产进行单独处理，避免了过多的主观判断与计算误差，可以有效降低评估师执业风险。

模式预测 篇4

1 HEVC预测编码

HEVC预测编码包括帧内预测编码和帧间预测编码。帧内预测编码消除了大量空域冗余,它是利用同一帧已编码完成的像素点对即将编码的像素点进行预测。HEVC帧内预测模式由原有的9 种增加到35 种,即DC模式( 模式0) ,Planar平面模式( 模式1) ,和33 种角度预测模式( 模式2 ~ 35) 。33种角度预测方向与其对应的预测模式编号分别如图1 和图2所示。

预测模式的增加大大提高了帧内预测的准确性,但同时也带来了非常高的计算复杂度。HEVC帧内预测通过采用粗模式选择( Rough Mode Decision,RMD) 和最有可能预测模式( Most Probable Mode,MPM) 相结合的方法来减少预测过程中所需的预测模式,从而降低计算复杂度。HEVC帧内预测编码过程首先要进行RMD,遍历35 种预测模式,对每一种预测模式进行代价函数的计算,筛选出N个代价值较小的预测模式作为候选模式,候选模式N的数目在文献[5]中提出,如表1所示。MPM分别利用当前编码块的左方预测块与上方预测块的最佳预测模式来预测当前块的MPM,同时判断当前块的MPM是否已经包含在RMD的候选模式集中,若没有包含在内,则将当前块的MPM加入到候选模式集中一起进行高精度的率失真优化(Rate Distortion Optimization,RDO)计算,最终选择出最优帧内预测模式。

在帧内预测过程中,RMD要对全部的预测模式进行代价函数计算,其运算量非常巨大。如果可以通过预先判断,在进行代价函数计算之前减少预测模式的数量,就能够有效地降低帧内预测的计算复杂度。很多学者就此提出了一些优化算法。文献[6]提出跳过变换量化等步骤,通过预处理提前排除一些可能性极小的预测模式。文献[7]提出了一种基于边缘信息的快速算法,利用图像处理中的索贝尔算子( Sobel op-erator) 对4 × 4 的子块进行边缘检测,然后通过边缘方向的灰度直方图来确定最后的预测模式。文献[8]在文献[7]的基础上进行改进,提出一种基于显著边沿强度的快速模式选择算法,采用了不同的边缘检测算子,结果说明比文献[7]中的算法有了一定的提升。

文献[9]提出了一种基于梯度的HEVC帧内预测快速模式选择算法。主要利用Sobel算子计算当前PU每个像素的梯度向量角。然后,在35 种预测模式里找到与梯度向量角最接近的角度对应的预测模式; 与此预测模式垂直的预测模式就是此像素的最优预测模式。该算法在减少20% 的编码时间同时,平均增加1% 的码率。

文献[10]在帧内预测快速预处理阶段定义了一种简单的代价函数计算公式,并结合基于贝叶斯决策原理在帧内预测模式选择过程中训练的基于SATD( Hadamard transformed SAD) 的率失真代价最佳阈值,最终将进行RMD的35 种预测模式减少到9 种。这种低复杂度的帧内预测算法减少了近一半的编码时间,信噪比PSNR减少了0. 12 d B,但是这种方法与原编码相比平均增加了2. 4% 的码率。

在连续的视频图像中,相邻帧之间的图像纹理具有很强的相关性,根据这一特点文献[11]提出利用Co-located PU及相邻PU块的预测模式进行预判,来减少RMD过程的预测模式数量,使得RMD选择过程中预测模式数量减少到17 种,但是这种方法引起了码率明显的升高。

文献[12]使用边缘匹配检测器对预测模式进行选择,利用类似统计直方图的核密度估计方法来提高边缘匹配检测器的准确度,平均降低了36. 7% 的编码时间,与原有的算法相比增加了1. 65% 的码率。

文献[13]利用变换域边缘检测来缩小预测模式的选择范围。根据不同尺寸的PU,采用不同的类别系数,计算选取的类别系数绝对值之和,根据和值选取对应的权重对帧内预测模式进行选择。这样,只对一部分的预测模式进行计算,然而,这种方法使码率增加了2. 8% 。

以上几种快速算法都是利用一些额外的编码信息来减少计算复杂度。虽然算法的性能极其逼近标准算法,但是编码时间减少的幅度并不大,并且码率的增加也比较明显,均在1% 以上。本文在不引进额外编码信息的基础上对RMD过程进行优化,充分利用候选模式集中排列第一的预测模式与最优预测模式之间的强相关性,提出一种基于模式分组的帧内预测模式快速选择算法。该算法有效地降低了HEVC帧内预测算法的计算复杂度,与HEVC的测试模型HM10. 0 相比,所提出的算法在基本不改变图像的质量下,编码时间平均减少了41. 8% ,而码率仅增加0 . 78 % 。

2 快速帧内预测模式选择算法

2. 1 帧内预测模式选择可优化处的分析

HEVC的测试模型( HEVC Test Model) HM［14］是由JCT-VC编写的一个标准代码库,可以对不同的测试场景进行仿真编码。在HM中,RMD过程的候选列表和其对应的代价值列表分别存放在uiRd Mode List和Cand Cost List数组中。其中,Cand Cost List按照代价值从小到大进行排列,uiRd Mode List存放的预测模式是按照其对应的代价值的大小进行排序,即候选列表uiRd Mode List中第1 个候选模式的代价值最小,第2个次之。一般情况下,代价值小的预测模式所对应的率失真代价值也低。因此,uiRd Mode List中排列第一的预测模式被选为最优预测模式的概率最高。为此,本文对uiRd Mode List排列前3 位预测模式分别被选为最优预测模式的比例进行了统计,结果如图3 所示,排列第一的预测模式作为最优预测模式的比例为75. 4% ,第2 个模式和第3 模式平均比例分别为24. 2% 和0. 04% 。

为了使预测结果更加精确,HEVC还将MPM模式加入到uiRd Mode List中。接下来对最优预测模式在MPM中的PU比例进行统计,实验发现MPM成为最优预测模式的概率高达85. 1% 。实验数据如表2 所示。

由于uiRd Mode List中排列第一的预测模式及MPM被作为最优预测模式的概率非常高,因此可以利用这一特性对算法进行优化,减少不必要的率失真代价的计算,从而提高编码效率。

2. 2 基于模式分组的帧内预测模式快速选择算法

根据1. 1 节的统计分析,得到MPM以及uiRd Mode List中排列第一的预测模式被作为最优预测模式的比例非常高。因此如何在35 种预测模式中快速精确地找到成为候选模式集中排列第一的预测模式对降低帧内预测的计算复杂度至关重要。针对这一问题,本文提出了一种基于模式分组的快速模式选择算法。具体算法流程如下:

1) 初次筛选: 选取编号从3 开始,且编号为3 的倍数的所有角度预测模式进入初始的RMD筛选模式列表。由于平面模式0、DC模式1、水平预测模式10 以及垂直预测模式26 的预测值的计算比较特殊,所以将这4 种模式添加到筛选模式列表中。初始的RMD筛选模式列表集为{ 0,1,3,6,9,10,12,15,18,21,24,26,27,30,33} 。然后计算筛选模式列表中各模式的代价值,按照代价值从小到大的顺序将对应的模式加入到uiRd Mode List中。

2) 再次筛选: 由于相邻的角度预测模式间的预测值很接近,为了更加精确地找到最小代价值所对应的预测模式,本文继续对存放在uiRd Mode List中前3 个最小代价值对应的模式进行筛选。筛选过程如下: 假设uiRd Mode List的前3 个预测模式分别为A,B,C,对应的代价值用CX表示,X表示模式序号。分别对如下3 个组的模式进行计算: ( A - 1,A,A + 1)( B - 1,B,B + 1) ( C - 1,C,C + 1) 。比较每组3 个模式的代价值之和与其标准差的和的大小,记为gi; 即比较g1= ( CA － 1+CA+ CA + 1+ δ1) ,g2= ( CB － 1+ CB+ CB + 1+ δ2) ,g3= ( CC － 1+CC+ CC + 1+ δ3) 的大小,即

其中: δj为每组3 个代价值x1,x2,x3的标准差,μ 为它们的均值。

3) 找出g1,g2,g3的最小值,该最小值所对应的组则包含可能的最优预测方向。将该组的3 个模式再次进行代价值的计算,直到找出代价值最小的模式作为uiRd Mode List中第1个预测模式,并将MPM添加到uiRd Mode List中作为第2 个预测模式一起进行RDO计算,最终选择出最优的预测模式。算法流程如图4 所示。

本文提出的快速算法首先对35 种预测模式进行初次筛选,选取15 个预测模式进入RMD计算,这样大大减少了代价函数的运算量; 经过再次筛选保证了每个预测模式都能被覆盖到,确保了算法对所有预测模式的适用性。经过这两步筛选,最终快速精确的求出候选列表uiRd Mode List中排列第一的预测模式。

3 仿真与验证

为了验证文中所提算法的有效性,将优化的算法集成到HEVC的测试环境HM10. 0 上。在全I帧的结构下,采用18个通用视频标准序列进行实验,量化参数QP取值分别为22,27,32,37,分别测试10 帧。这里主要从所提算法节省的编码时间以及付出的相应代价—峰值信噪比与编码码率来考虑算法的性能,具体包括 Δtime,Δbitrate和 ΔY_PSNR［15］。

1) Δtime指本文所提出的方法与HM的编码时间之差的百分比,编码器计算复杂度的度量采用编码器平均执行时间的减少量 Δtime表示,定义如下

2) Δbitrate指本文所提出的方法与HM的编码码率之差的百分比,定义如下

其中: bitrateproposed( QPi) 表示文中方法的编码码率; bitrateHM( QPi) 表示HM编码器得到的编码码率; 编码码率越小说明视频图像的压缩效率越好。

3) ΔY_PSNR指本文所提出的方法与HM的峰值信噪比的百分比,定义为

式中: Y_PSNRpro( QPi) 表示文中方法的亮度峰值信噪比;Y_PSNRHM( QPi) 表示HM编码器得到的亮度峰值信噪比。PSNR表示视频图像的质量,PSNR越高,表明图像的质量越好。

由于本文的快速算法是略过部分编码模式来达到降低计算复杂度的目的,所以从原理上讲选择出来的最终预测模式有可能不是最优的,必然会导致编码性能的降低———PSNR的下降或者输出的码率增大。但所提出的算法在明显的降低编码时间的同时只有极小码率增加和很小的PSNR下降。表3 的数据可以看出本文所提出的方法与HM-10. 0 相比,编码时间平均减少了41. 8% ,而Y_PSNR降低了0. 12 d B,bitrate仅增加了0. 78% 。对比文献[9-13],码率的增加幅度平均在1% 以上,本文所提的算法在大幅度降低编码时间的同时,码率仅控制在0. 78% 的增加。因此,本文的方法在保证视频质量基本不变的前提下,有效地降低了编码时间,提高了编码效率。

为了更直观地表示本文所提出的算法对HEVC编码器性能造成的影响。图5、图6 和图7 分别对CLASS A( 2 560 ×1 600) 、CLASS B( 1 920 × 1 080) 和CLASS E( 1 280 × 720 ) 的RD曲线进行比较。横坐标表示输出的码率,纵坐标表示亮度峰值信噪比。

从图中可以看出,本文中的算法与HM-10. 0 原有的算法RD曲线几乎重叠,表明本文算法与HEVC算法相比,两者编码性能差异极小。由此证明了本文所提出的算法的有效性。

4 小结

模式预测 篇5

据有关统计：发达国家，尤其是美国社会商品零售总额80%以上集中在商业零售连锁业。我国零售业与服务业近几年也把目光瞄准了连锁加盟业态。尤其是2002?2004年间，连锁业占整个零售业营业总额由不到10%发展到30%。行业数量也由几百种发展到3000多种，从房产中介、汽车销售服务到馒头包子；从美发美体到擦皮鞋，几乎涉及到了生活中所有的产品和服务。对市场极其敏感的保健品业同样在关注着这种营销模式的发展，并在积极地探索和实践着。同连锁加盟业在我国的发展状态一样，保健品连锁加盟也仍处在一种年轻、健康充满希望，同时又有几分混沌曲折缺少秩序缺乏规则。笔者曾对我国保健品业专卖店建设做了一些调查分析，在此愿把自己的一些心得介绍给业界同仁分享。笔者总结我国保健品市场专卖店建设大致有七种模式存在，本文针对这七种模式简要分析，并对其发展方向做简单预测。

一、店企合一型 典型代表企业：安利 仙妮蕾德此类专卖店模式是保健品业的一种典型形式。建店企业往往采用直销的基本营销模式，也可以说是基于我国政府对保健品无店铺营销的限制之后的一种无奈选择。专卖店其实就是加盟商的办公室，本身并不承担产品销售的功能。虽然有些专卖店选址在人流较多商业街面，装修档次也相对较高，承担了企业形象店的功能。但从总体而言，这种店企合一型专卖店建设实质不在店。确切的说是：企业建店主要是给有关部门看的，店面装修不需要遵循严格统一的标准，没有严格的针对专卖店本身的人员结构和操作规程，专卖店的建设只是企业吸引加盟商的一个砝码。连锁加盟是人的连锁和加盟，而不是店的连锁和加盟。专卖店自身根本不存在生存与发展的问题。

二、企业形象型 典型代表企业：中脉 夕阳美这类专卖店也是保健品业的一种常见模式。建店企业本身具有一套完善的营销模式和体系（例如会务营销、旅游营销等），企业产品一般不通过广普渠道（药店、超市、卖场）销售，同时大众媒体的投入也相当有限。消费者获得企业产品的信息途径就比较窄。鉴于上世纪保健品营销造成的消费者信任度极低的社会环境，企业往往通过建设专卖店向消费者传达“我们不是做一秆子买卖的小企业”的信息，增强消费者购买产品的信心。专卖店自身接受消费者咨询，产生些许销售。但对企业而言，专卖店的销售相对主要渠道销售基本可以忽略不

记。此类专卖店选址装修具有一定的规范性，对于人员结构和服务规范有一定的要求，但形式大于内容。店面数量及装修标准不是根据市场需要而定，而是根据企业实力而建。专卖店本身不具有连锁加盟的性质，往往是企业发展到一定阶段后才出现的，专卖店的发展取决于企业在当地主要营销渠道的发展状况。

三、客户服务型 典型代表企业：春芝堂 银貂客户服务型专卖店更注重店面本身的建设，等同于企业与消费者之间的联络点服务站。它背后可以有一个完善的营销模式和体系，两者相辅相成；也可以以专卖店为中心，通过有效的媒体投放与健康服务达到销售目的。相对于企业形象型专卖店而言，客户服务型专卖店的建设与市场发展是同步的，专卖店建设是随和市场发展的不同阶段而不断发展变化的。店面选址和装修是以当地市场的人口数量密度和消费行为意识为基础的，需要把企业状态与市场状况有机结合。客户服务型专卖店本身具有完整的宣传销售程序，所以可以独立存在。这类专卖店本身可以以加盟的形式拓展市场。相对于以上两种形式，这种专卖店具有了向连锁加盟业态发展的基础。但是这种形式往往是单一产品或附加产品专卖，产品的单一性影响了加盟商的加盟热情，发展受到限制。如果能附加有效的营销模式或具有价值的服务，仍然是具有一定发展潜力的专卖模式。四：专业顾问型 典型代表企业：康基专业顾问型专卖店同客户服务型有相同之处，就是他们都等于是企业与消费者之间的联络点服务站。但在实际操作过程中，客户服务型更侧重于企业形象和产品形象的展

示，他吸引顾客的前提是产品，而后有服务。在宣传设计制作中强调产品的存在，炫耀服务的实惠。专业顾问型专卖店更强调服务的科学化专业化。在视觉传达上强调专业化个性化，在服务措施上使用新设备新技术。客户服务型专卖店提供的最终产品一般只是一种，而真正专业的专业顾问型专卖店应该能够同时提供多个可供选择的不同配方或不同价位的产

品。专业顾问型保健品专卖其实就是定点提供专业化服务，这种服务要具备可感受可量化的特点。尤其要保证仪器设备和服务人员的专业素质的稳定，防止两店检测两种结果。这种专卖形式比客户服务型专卖增加了有效的附加服务。应该也是一种有前景的专卖模式。

五、品牌专卖型 典型代表企业：久怡品牌专卖型的保健品专卖店尚不多见，久怡也是发展不久的上海本土企业。2004年初才开始外地市场的拓展。所谓品牌专卖型就是销售单一品牌系列产品的专卖店。实际操作中可能有大众名牌产品和OTC类产品介入，但绝对销售还是自身品牌产品。一个保健品企业很难生产足够丰富的产品，贴牌是最为有效的方法，这保证了可供经销商选择的不同剂型、原料、功能、价位。这是保健品专卖向连锁加盟业态发展的一种有效形式。这就需要一整套完善的加盟体系，市场管理制度及物流配送系统。保健品营销历来都注重于对产品自身的强调，这种形式就可以跳出产品谈营销。在产品自身质量保障的基础上，完全可以从企业自身出发、从社会健康意识出发谈保健品。真正回归到保健自身的含义：保健是人解决温饱问题后的一种生活意识，一种出自生存高于生存本身的发展需要。而不仅仅是“治”病防病。这类专卖店操作现阶段发展可能需要依附于社区商业的发展，只有把专卖店建设同城镇社区文化的建设有机结合，才能保证专卖店个体的健康发展。如果仅仅为了加盟而加盟，忽视了最终的有效销售。同样很难长足发展。

六、终端渠道型 典型代表企业：绿色世纪终端渠道型就是把自己建设成为一个保健品销售的专业终端渠道。不一定需要拥有自己的产品，这是它同品牌专卖型的最大区别。虽然两者在发展方向上可能都希望打造我国保健产品第一销售通路。因为绿色世纪诞生的特殊背景，可能为其发展起到了推波助澜的作用。但针对终端渠道型保健品专卖店而言，此类专卖店在进货和配送环节是个令人头痛的问题。因为我国保健品大都以区域代理独立核算模式操作，专卖店总部和各地专卖店在单一产品进货价格上几乎没有优势，反而增加物流成本，只能尽可能的下放进货权，这又会造成加盟店脱离总店的制度约束。另外保健品专卖和药店相比，吸引顾客的专业化程度又没有优势。这类专卖店的单店生存就受到极大挑战。如此看来，这种专卖店的发展也是很尴尬的。虽然发展前景有些操作上的尴尬，但笔者认为这种模式还是有生命力的。药店终归还是为病人开的，随着市场专业化程度的提升，有病的人和无病的人最终将走进不同的维护健康的门。需要多长时间不是很具体的，这取决于营养学知识的普及程度。维生素、氨基酸、蛋白粉等非功能性保健品市场的发展反映出消费者已经认识到保健是一种生活方式和品位。终端渠道型专卖店要良性发展就必须在保健与生活文化方面做文章。

七、创业小康型 典型代表企业：无创业小康型保健品专卖店就是一些有些医学知识或有些闲钱的普通市民凭着自己对保健品市场的直觉，租赁临街店面注册的保健品销售门市部。店面10-50平方不等，从名牌到奶粉，从保健礼品到干货加工一应俱全的保健品店。这种保健品店的店主可能对保健品行业现状、保健品营销模式一无所知，但这不妨碍他们做生意，赚钱养家。笔者居住小区街道200米内就有三家规模不等的保健品店。其中一家一年前后就由一个夫妻店发展到有四个白大褂站台。这种小店麻雀虽小五脏俱全，一般的社区药店是没有干货加工的，保健品种类也相当有限。这种专卖店恰好适应城镇社区居民对保健产品的多层次需要。偶尔适应节令的健康常识和保健配方推出，都能门庭若市。这种保健品专卖店需要店主或店长有一定的医学知识，所以发展速度不会很快，倒是一些只卖名牌保健品和保健礼品的专卖店随处可见，但都或多或少搞了多种经营，例如卖些零食水果，有的甚至开出半边店做了服装生意。如果有企业搞比较专业化的保健品专卖，加强对加盟商的产品专业知识和生活营养指导的培训，这种专卖

模式预测 篇6

关键词：H.264；帧间预测；模式选择

中图分类号：TN919.81 文献标识码：A文章编号：1007-9599 (2011) 07-0000-02

Fast Inter Prediction Mode Selection Algorithm Based on H.264

Chen Zhaojun1,2,Wang Yan1,Wang Ying1

(1.Shenyang Ligong University,Shenyang110168,China;2.Xi’an SICONG Co.,Ltd.,Xi’an710043,China)

Abstract:The author studies classical inter mode selection of algorithm of H.264 and proposes a mode selection algorithm which bases on the analysis of the coded macroblock.Do simple cluster analysis of coded macroblocks around the current coding macroblock by taking advantage of correlation between macroblocks and then according to the result of the analysis choose corresponding encoding.As result,reduce the complexity of the algorithm,and improve the efficiency.

Keywords:H.264;Inter prediction;Mode selection

H.264是新一代的高性能编解码标准，它采用基于混合编码结构，在宏块编码时采用率失真优化策略，使编码效率达到最佳效果。H.264采用了包括四分之一像素精度的运动估计，树状运动补偿，多参考帧模式，整数DCT变换，熵编码和去块效应滤波等技术使编码效率大大提高，但是带来了巨大的编码运算复杂度，这样导致了编码计算复杂度成倍增加，编码时间大大增大，所以需要需要通过降低码率，提高视频序列质量。本文运用一种快速帧间预测模式选择算法，在不明显降低视频序列的质量下，提高编码的效率，降低算法的复杂度。

一、H.264帧间模式选择算法算法原理

H.264在进行帧间编码时，分别对帧内模式（9种帧内4×4模式和4种帧内16乘16模式）进行帧内预测和对帧间模式（Skip、16×16、16×8、8×16、8×8、8×4、4×8和4×4）进行运动估计。宏块的子块采用小块的模式时，对运动的细节表述的就越精确，对图像残差进行编码需要的比特数就越小，但是用来描述其它参数（如分割模式、运动矢量和参考帧等）的比特数就会变大，这样就需要再描述图像残差的比特数和描述运动矢量比特数做出平衡，选取综合起来比特数最小的分割模式作为最终编码模式。通过编码控制模型计算各个模式的代价函数，选择代价最小的模式作为最终编码方式。最终模式下不仅图像残差进行编码需要的比特数较少，而且编码模式，运动矢量和参考帧这些信息的编码比特综合一起最小。

二、模式选择算法流程

模式选择算法流程如下：

1.对宏块进行模式16×16、16×8和8×16运动估计，然后计算出RDO；

2.对宏块每个8×8子块（4个）进行模式8×8、8×4、4×8和4×4运动估计，并计算RDO，选择最小的模式作为该子块的模式。依次进行完4个8×8子块之后统计，得出总的RDO；

3.计算Skip模式的RDO；

4.计算帧内模式的RDO；

5.从帧内模式和帧间模式中选择RDO最小的作为该宏块最终编码模式。

三、算法步骤

具体步骤如下：

Step1针对当前宏块周围的4个宏块，对其每一个4×4子块（共64个子块）的运动向量进行分析，找出64个运动矢量中不同的个数m，m＜2则执行Step2，如果2≥m＜7则执行Step3，如果m≥7，则执行Step4；

Step2选择模式1和Skip模式，跳转到Step5；

Step3选择模式1，模式2，模式3，模式4和Skip模式，跳转到Step5；

Step4对64个运动矢量进行简单聚类分析，根据最终聚类数n进行如下模式选择；

1.如果n＜7时，选择Skip模式，模式1，模式2，模式3，模式4；

2.如果7≤n＜≡18时，采用模式4，模式5，模式6和模式7；

3.其余情况下选择模式7。

Step5据选定的模式进行运动搜索，然后选取他们的最优结果。

四、实验结果

对CIF（352×288）格式的标准视频序列akiyo，stefan，news，mother，mobile，foreman，container分别在编码器JM10进行编码实验。采用baseline模式，I-P-P-P帧的顺序，参考帧为一帧。JM10帧间只采用16×16、16×8、8×16、8×8、8×4、4×8、4×4和Skip模式，与本文算法进行对比实验。

对图像进行客观评价，统计每个序列在QP为28、32、36、40的亮度PSNR值、P帧码率和P帧编码时间。

表1列出了本算法与JM10的性能比较结果，其中：

（1）

表示本算法相对于JM10亮度PSNR的下降值；

（2）

表示本算法相对于JM10亮度P帧码率的上升值。

表1.本算法与JM10的性能比较结果（△BT即△Bitrate）

QP=28QP=32QP=36QP=40平均值

视频序列△PSNR△BT△PSNR△BT△PSNR△BT△PSNR△BT△PSNR△BT

akiyo0.041.10.0700.060.160.080.350.060.4

stefan0.11.40.110.960.091.120.041.110.091.15

news0.126.80.135.30.094.40.042.050.14.64

mother0.040.890.020.560.040.380.011.060.030.72

mobile0.131.660.111.590.092.140.061.940.11.83

foreman0.082.960.033.750.0320160.011.740.042.65

container0.061.810.072.030.071.250.050.790.061.47

平均值0.082.370.082.030.071.660.041.290.071.84

从表1可以看出，对于不同序列△PSNR平均损失为0.07dB，而p帧码率平均上升为1.84%，基本没有对编码性能造成影响。

表2列出了本算法和JM10的编码时间比较结果，表中列出的数据表示不同的序列相对于JM10的编码时间下降的百分比。

表2.本算法和JM10的编码时间比较结果

视频序列QP=28QP=32QP=36QP=40

akiyo23.8620.1215.857.35

stefan36.7733.8531.0927.37

news30.7625.3521.4416.27

mother35.1129.8720.007.80

mobile45.2644.7644.3443.68

foreman39.1234.6930.3021.78

container43.7134.7727.0120.71

平均值36.3731.9227.1520.71

五、结论

本算法利用宏块之间的相关性，对当前编码宏块周围已编码宏块的运动矢量进行聚类分析，然后进行相应的模式选择。实验结果表明在信噪比平均损失为0.07dB，而码率平均上升为1.84%基础上，图像质量没有发生主观上的变化，编码时间平均下降20.71%-36.37%。明显降低了编码复杂度，提高了编码效率。

参考文献：

[1]郭再荣,喻占武,游韵.H.264帧间块模式选择与快速运动估计算法[J].计算机工程与应用,2006,6:30-32

最佳现金持有量预测:新随机模式 篇7

周转模式对现金收支比较均衡的企业适用。有的企业对现金需求的变动较大, 又有很强的随机性, 则不便采用周转模式。为了解决这个问题, 笔者提出了一个预测模式 (也可以叫做新随机模式) , 即根据对各个周期内现金需用量的预测值确定各个周期最佳现金持有量的模式。由于各个周期的时间、现金需用量都不确定, 因此只能一个周期一个周期地预测、计算。

日常零星开支对现钞的需求量比较稳定, 可把它作为货币资金的最低限额。

大宗开支需求量, 包括购买原材料、支付电费、发放工资、纳税等需要的现金, 一般用银行转账支付, 波动较大, 可把它作为周转性需用量, 根据生产经营需用量确定。

某周期内最高现金持有量=日常零星开支需用量+大宗开支需用量+保险储备需用量

某周期内最低现金持有量=保险储备需用量

现举例说明如下:

例:某小型企业日常零星开支平均每日需要现钞1万元, 本月7号纳税需要2万元, 10号发工资需要10万元, 15号支付购料款需要15万元, 20号支付电费需要4万元, 25号偿还银行贷款本息需要支付3万元, 其他开支预计需要2万元, 保险储备量4万元。30号才有销货现金流入, 企业持有的现金量要能维持到这一天。

那么, 从1号到30号该企业要持有现金70万元 (1×30+2+10+15+4+3+2+4) 。在这30天内, 第一天早上的现金持有量最高, 为70万元, 以后随着开支的发生逐渐减少, 最后一天的现金持有量最低, 为4万元 (假设保险储备没有动用) 。企业最佳现金持有量区间是[70万元, 4万元], 少于这个量就会发生现金短缺风险。下次现金流入在第50天, 预计这50天维持正常生产经营管理需要现金120万元, 保险储备需要5万元, 所以第二个周转期的最佳现金持有量区间为[125万元, 5万元]。第三、第四个周转期的最佳现金持有量区间也都如此确定。图像如图1所示。

从图1可以看出, 各个周转期的时间、最高最低持有量都不相同, 具有随机性和不规则性, 这正是它区别于周转模式的地方。笔者走访了很多企业, 它们都是这样确定现金持有量的。实践证明, 这是一种行之有效而又简便的方法。

二、传统随机模式评述

1. 传统随机模式的进步。

如图2所示, 这种模式设置有最高、最低线, 认为只要现金存量在上下限之间波动都是合理的, 可不用调整, 这一点比成本分析模式、存货模式都强。成本分析模式和存货模式计算出来的都是一个固定不变的绝对值, 任何一个企业都不可能将一年365天的现金都保持在相同的数额上。最低持有量L相当于保险储备量, 这对发生突发事件时能有现金应对有重大意义。成本分析模式、存货模式都没有设置这部分现金持有量, 如果发生突发事件, 企业会束手无策。

2. 传统随机模式的弊端。

(1) 不根据现金需要量计算持有量, 必然会造成现金短缺风险和损失。企业持有现金的原因和目的就是为了保证企业的生产经营管理, 生产经营管理需要多少就得持有多少, 因此必须测算生产经营管理需用量, 根据生产经营管理需用量确定最佳现金持有量。传统的随机模式 (还有存货模式、成本分析模式) 最大的错误在于根本不测算生产经营管理需用量, 所以根本就不知道生产经营管理需要多少现金, 那么计算出来的现金持有量能不能保证生产经营管理需要就不得而知, 因而是盲目的, 也违背了确定最佳现金持有量的初衷。假设用传统的随机模式计算出来的现金持有量为30万元, 而维持正常生产经营管理至少需要50万元现金, 不就短缺20万元现金了吗?这个30万元能叫做最佳现金持有量吗?应该是50万元。

一个军需部长, 要根据参与打仗的将士对食品、弹药等的需用量测算供应量, 然后测算需要多少军费, 还要留有一定机动。如果他不计算这些, 不知道需要多少军费、食品、弹药, 却一门心思寻找成本最低的军费, 就极可能导致军费、食品、弹药的短缺, 从而导致战争的失败。商场如战场, 要想打赢这场“战争”, 财务人员必须保证资金供应, 这是财务人员的职责, 也是确定最佳现金持有量首先要考虑的问题。传统的随机模式不在这上面作文章, 而把焦点集中在降低机会成本、买卖证券上, 必然导致现金不足, 而现金供应不上是财务经理最大的失职之一。

对大多数企业来说, 他们面临的问题不是将闲置自有资金用来炒股, 而是自有资金不足多多少少都有一些银行贷款。即便现金有暂时的多余, 也要先偿还银行贷款。在银行贷款还没有还清的情况下去炒股, 等于用借款去炒股, 犯了炒股的大忌, 也是银行所不允许的。没有银行贷款的企业极少。因此必须摆正“保障供应”和“节约成本”的关系, 保障供应第一, 节约成本第二, 任何将主次颠倒且不从需用量上只从成本上计算出来的最佳持有量在实践中都是行不通的。现行《财务管理》教材都热捧舶来的三个模式, 将周转模式冷落在一边, 对此, 应该来个彻底转变。

(2) 片面重视机会成本和转换成本, 忽视短缺成本。笔者并不是只主张保障供应, 不计成本, 而是强调确定现金持有量时把防范短缺风险和短缺成本放在首位。随机模式和存货模式一样, 只计算机会成本和转换成本, 完全不考虑短缺成本, 这是一种“只抓芝麻, 不抓西瓜”的错误, 机会成本和转换成本很小, 而短缺成本一旦发生十分巨大。前一段时间双汇集团由于“瘦肉精”事件陷入停产, 平均每天损失销售额1亿多元。如果双汇集团是由于现金短缺1 000万元而停产一天, 其损失的销售额也是1亿多元, 而节约的机会成本 (年资金报酬率按12%计算) 仅仅有0.333 3万元 (1 000×12%/360) , 实在是得不偿失。按生产经营需用量和必要的保险储备计算的持有量, 总成本最低, 还可以防范短缺风险, 从成本角度看也是最佳的。

有人说, 随机模式假设任何时候都可以出售证券补充现金, 所以不存在现金短缺问题。这种说法不对。股市的风险是有目共睹的, 凡炒股的人没有没被套住过的, 如果被深度套牢, 恰恰这时需要大量现金购买原材料, 如果舍不得割肉, 不就造成现金短缺了吗?如果被迫割肉, 又会造成重大亏损。另外, 满脑袋“成本最低”, 没有一点“保障供应”的观念, 必然造成现金经常短缺, 不仅节约不了成本, 反而会招致重大损失。

(3) 有价证券投资不能仅仅从调剂现金余缺上决策, 还要遵循安全性原则、收益性原则。随机模式下, 当现金余额达到最高限额时, 就购进H-R的证券, 使现金持有量降到R;当现金余额达到最低限额时, 就出售R-L的证券, 使现金持有量升到R;证券的买卖完全是为了使现金持有量保持在合理水平上, 完全不顾投资风险和投资收益。证券投资要根据规避风险、获取收益的需要进行, 当现金余额到达最高时, 如果股价也涨到最高点, 再往后要下跌, 一手也不能购进, 相反如果手中有股票要全部售出。当现金余额到达最低限额时, 如果股价也跌到最低点, 深度套牢, 一手也不能卖出, 否则会造成重大亏损, 相反, 如果此时手中有闲置的现金, 就要大胆购进。随机模式连这个最基本的常识都没有考虑。

(4) 计算公式不科学。随机模式计算公式是其中:b是每次有价证券的转换成本, 我国的证券交易成本不是按次数而是按交易额计算的, 主要是印花税和交易佣金, 前者为0.1%, 后者一般为0.2%, 合计0.3%。例如, 如果全年现金需要量为10万元, 一年转换1次, 转换成本为300元 (100 000×1×0.3%) ;一年转换10次, 每次转换1万元, 全年的转换成本也是300元 (10 000×10×0.3%) 。沪市的过户费是按成交股数计算的, 每交易1 000股过户费为1元, 也不是按交易次数计收的。深市则不收过户费。i是有价证券日利率, 即投资有价证券的机会成本, 有价证券投资决策时用到它, 计算现金持有量时应当用持有现金的机会成本。因此, 这个公式是不科学的, 那些推介这个模式的文章也没有解释公式的道理。另外, 该公式太繁难, 不便于应用。笔者所走访的企业中, 没有一个企业用这个模式和公式确定自己的现金持有量。传统的随机模式看似深奥, 实际上并不实用。

模式预测 篇8

风能具有间歇性、波动性的特点,所以风功率也具有间歇性和波动性。随着风电场装机容量的增加,风电机组接入电网将对电力系统安全以及运行的稳定性带来严峻挑战。所以,电力市场规划以及电力调度员在制定发电计划和调度时,需要考虑风功率的不稳定性和对风电功率的预测,这样可以解决风输出功率的波动性和不稳定性问题,大大提高风电在电力市场的竞争能力。

1 经验模式分解

经验模式分解(Empirical Mode Decomposition,EMD)是近年来出现的一种处理非线性、非平稳信号的新目标数据分析方法。信号经 EMD 分解能够得到有限个基本模式分量(Intrinsic Mode Function,IMF),一个IMF必须满足以下两个条件:1) 在整个数据长度中,极值点与过零点的数目必须相等或者至多相差一个;2) 在任意数据点,局部极大值的包络与局部极小值的包络均值必须为零。

EMD 分解是建立在以下的假设上:1) 信号至少有两个极值点,一个极大值点和一个极小值点;2) 特征时间尺度是通过两个相邻极值点之间的时间间隔定义的;3) 若数据缺乏极值点但有变形点,则可通过一次或几次数据微分获得极值点,然后再通过积分来得到分解结果。

2 基于EMD的输出功率预测模型

2.1 预测方法

在进行风电输出功率预测时,可以直接预测功率,也可以先预测风速值,然后根据风速与风电场输出功率的风速功率模型得到输出功率的预测值,本文采用的是后者。基于历史数据的风电输出功率/风速预测方法是根据历史数据来进行预测的,也就是在若干个历史数据(包括功率、风速、风向等参数)和风电输出功率/风速之间建立一种非线性映射关系。采用的方法主要包括随机时间序列法[1]、卡尔曼滤波法[2]、持续预测法[3]和人工神经网络法[4,5,6,7,8]等单一算法,还也有一些组合预测方法[4,9]。

2.2 预测模型的建立

原始时间序列经 EMD处理后成为若干相对容易预测的IMF和一个剩余分量,此时再采用一些传统的预测方法(BP神经网络,RBF神经网络)对各分量进行预测,在理论上应该能够提高预测的精度。本文将 EMD方法分别与BP神经网络、RBF神经网络相结合,建立了各自的风速预测模型。

2.2.1 EMD-BP模型

EMD方法和BP神经网络相结合,建立了一个新的预测模型,如图1所示。

图1中EMD为模式分解单元,IMFi为将风速分解得到的第i个IMF分量,r为剩余分量,Di为第i个分量序列的建模单元,BPi为建立的第i个分量序列的预测模型,SUM是将预测结果累加得到的最终预测结果。

假设给定的风速时间序列为{X(t),t=1,2,…,N},N是风速时间序列的样本点数,算法如下:

第一步,将原始时间序列通过 EMD分解成多个 IMFi分量及剩余分量r。

第二步,分解得到的各个分量后,对各个分量建立BP神经网络预测模型。

第三步,根据模型对每个分量进行预测。

第四步,将每个分量的预测值叠加,得到对原始风速序列的预测结果。

2.2.2EMD-BP插值模型

无论是BP神经网络还是RBF神经网络,对经过EMD分解后的低频信号预测结果均不理想,并且BP神经网络在进行低频预测时需要时间较长,所以在此基础上寻找新的方法,建立了EMD-BP插值预测模型。插值法多用于数据拟合,但由于此处时间序列平缓,采用插值法进行预测可取得非常良好的效果。

建立的EMD-BP插值模型如图2所示,其中BPi单元是对对应分量进行BP神经网络训练后而建立的模型,CZi单元是对对应分量进行插值拟合而建立的模型,Hi为第i个高频分量,Li为第i个低频分量。在分量筛选单元中,通过对建模单元的频率大小进行分析,将高频部分进行BP预测,低频部分进行插值预测。其余各模块的含义与图1相同。EMD-BP插值预测步骤如下:

第一步,将原始时间序列通过 EMD分解成多个 IMFi分量及剩余分量r。

第二步,对分解得到的各个分量进行整理筛选,分为高频分量部分和低频分量部分。

第三步,对分解得到的各个高频分量建立BP神经网络模型,对分解得到的低频分量建立插值预测模型。

第四步,根据模型对每个分量进行预测。

第五步,将每个分量的预测值叠加,最终得到对原始风速序列的预测结果。

3功率-风速-风速差值曲面的建立

3.1功率曲线与功率曲面

现在常用风速功率曲线来描述风速与功率的映射关系,使之得到预测的风速,通过风速功率曲线可以得到相应的功率来预测输出功率。

传统的建模方法包括最大值法、比恩法、最大概率法、神经网络建模法等。其主要建模方法是将实际数据中出现次数最多的风速功率对作为风速功率曲线上的一点,然后将所有得到的点进行拟合而得到最后的风速功率曲线。虽然风速功率曲线拟合了大多数的点,但是还是有相当一部分的风速功率没有在风速功率曲线的有效范围内,使之在预测时产生误差。风速功率散点图如图3所示。

风速功率曲面建模方法的基本思想是建立风速、风速差值和输出功率三者的关系。风的突然波动会导致风电输出功率的变化,虽然很多风机加入桨距控制等反馈控制,使输出功率基本保持平稳,但是由于风机对控制命令的执行需要一定的时间,在风的急速变化情况下,很难做到做到准确而有效地控制,所以短时间内风速的差值对输出功率存在着一定的影响。比如,若风速突然降低,但是此时风速的风机输出功率会高于风速功率曲线上该风速所对应的功率,反过来亦然。

首先建立风速与风速差值的关系。某风机的风速范围为[0,16](m/s),相邻俩次测量风速的差值范围为[-7,7](m/s),建立一个以风速范围尺度为X轴,风速差值范围尺度为Y轴的xoy平面投影。设X轴坐标的间隔尺度为0.2 m/s,Y轴坐标间隔尺度为0.2 m/s,形成80×70个互不交叉的数据区间[Vi,ΔVj],统计出每个区间[Vi,ΔVj]内出现概率最高的输出功率记为Pij。这样就得到一组数据[Vi,ΔVj,Pij],将它们用平滑的曲面连接起来,即得到该建模方法的功率曲面。

从功率-风速-风速差值曲面的正面图能更清晰地看出功率与风速差值的对应关系,如图4所示。功率与风速差值的对应关系如图5所示。

将图4与图5相结合可以看出,当风速差值为-2时(风速突然降低了2 m/s),即图4的波峰处,风速功率曲线整体的功率值要高于风速差值为2时(风速突然升高了2 m/s)的风速功率曲线的功率值。所以,由于风的波动性,风速功率曲线不能完全反应风速与功率之间的关系。而功率-风速-风速差值建模通过风速差值细化风速与功率的对应关系,使之能更精确地反应风速与功率之间的关系。

3.2功率曲面测试

利用机组实测数据进行了测试,测试时以实测风速作为输入,通过功率曲面得到功率。计算所得到的误差列于表1中。

4 应用实例与分析

以中国东北地区某风电场实测小时平均风速为例,对本文所提的算法进行了测试。

图6为实测小时风速序列也即原始小时风速时间序列,共1 000个采样点。将前970个采样点数据作为训练集,最后30个数据作为测试集。在训练集上建立预测模型,然后将预测结果同测试集进行比较,从而验证模型。

4.1模型预测结果

首先,将前970个风速样本点进行EMD分解,得到了7个IMF和一个剩余分量,如图7 所示。

由图7可以看出,EMD分解得到的各个分量的频率依次变小,并且随着EMD分解的深入逐步趋向平稳,这样对各分量的预测难度就在一定程度上得到了降低。验证时发现,EMD-BP预测模型在预测低频分量时,很容易进入平坦区,并且耗时较长。EMD-RBF预测模型虽然弥补了EMD-BP预测模型收敛慢的缺点,但是低频部分的预测结果并不理想。最后采用EMD-BP插值预测解决了此类问题。

分别用传统的BP神经网络、EMD-BP神经网络和EMD-BP插值预测3种预测模型对EMD分解后的分量进行预测,图8为BP神经网络预测的结果对比。

将图7所有分量进行BP神经网络预测,得到的结果如图9所示。从图9可以看出,EMD-BP神经网络预测在大部分分量中能够做到预测值与实际值相符,但是在低频分量上有明显的误差,而且在进行低频分量预测时,不仅预测不够精准,还使BP网络神经训练时很容易进入平坦区,收敛速度极慢。将图9中所有预测分量相加,即得到图10的EMD-BP预测模型预测结果。

在此基础上,对预测模型进行改进,将用于拟合的插值方法用于对低频分量进行预测。此方法有良好的泛化预测效果,不仅提高的了预测精度,还减少了预测所需要的时间。图11为EMD-BP插值预测模型的预测结果。显而易见,此预测方法的预测结果要优于EMD-BP神经网络预测,并且大大减少了预测时间。将图11中的各个分量相加,最终得到如图12所示的EMD-BP神经网络预测结果。

4.2误差比较

选定科学的误差指标,对评定预测效果有十分重要的意义。本文分别选用平均绝对误差(MAE)、均方误差(MSE)以及相对平均误差(RME)作为性能指标。

3种预测模型对风速预测值的平均绝对误差(MAE)、均方误差(MSE) 以及相对平均误差(RME)如表2所示。

显而易见,3种预测模型中,EMD-BP插值方法进行风速功率预测时3项误差均比其他2种预测模型要小。可见,采用本方法不仅能够提高预测的整体精度,而且使预测结果与实际值的偏离程度更小。因此,此模型可有效提高模型预测精度。

4.3 风速功率预测

将风速预测得到的结果带入功率-风速-风速差值曲面,即得到当前预测风速的功率值。

5 结论

EMD-BP神经网络预测模型的预测精度有了明显提高,在此基础上提出EMD-BP插值预测模型,进一步提高了预测精度,说明了此方法的有效性。在对传统的功率曲线模型进行分析以后,提出一种新的风速功率关系建模模型,通过比较,新的模型更适应实际风速情况,进一步提高了风点输出功率预测的精度。

摘要：风电具有波动性和间歇性,大规模风电接入系统对电网的安全稳定运行带来了严峻挑战。为此,在分析功率曲面建模方法、风速预测方法和风电输出功率预测方法的基础上,以风电场为对象,建立了基于经验模式分解(EMD)的风电输出功率预测模型。应用实例的对比研究表明,提出的EMD-BP差值预测模型更适应实际风速情况,提高了风速输出功率的预测精度。

关键词：风电输出功率,预测,经验模式分解,功率曲线

参考文献

[1]杨秀媛,肖洋,陈树勇.风电场风速和发电功率预测研究[J].中国电机工程学报,2005,25(11):1-5.

[2]潘迪夫,刘辉,李燕飞.基于时间序列分析和卡尔曼滤波算法的风电场风速预测优化模型[J].电网技术,2008,32(7):82-86.

[3]DURN MARIO J,DANIEL C,JESUS R.Short-term wind powerforecast based on ARX models[J].Journal of Energy Engineering,2007,133(3):172-180.

[4]李文良,卫志农,孙国强,等.基于改进空间相关法和径向基神经网络的风电场短期风速分时预测模型[J].电力自动化设备,2009,29(6):89-92.

[5]杜颖,卢继平,李青,等.基于最小二乘支持向量机的风电场短期风速预测[J].电网技术,2008,32(15):61-66.

[6]SALCEDO SANZ S.,ORTIZ-GARCA E G,PREZ-BELLIDOA M,et al.Performance comparison of multilayer perceptions andsupport vector machines in a short-term wind speed predictionproblem[J].Neural Network World,2009,19(1):37-51.

[7]CAROLIN MABEL M,FERNAANDEZ E.Analysis of wind powergeneration and prediction using ANN:case study[J].RenewableEnergy,2008,33(5):986-992.

[8]BARBOUNIS T G,THEOCHARIS J B.Locally recurrent neuralnetworks for wind speed prediction using spatial correlation[J].Information Sciences,2007,177(24):5775-5797.

模式预测 篇9

变形监测一个重要目的在于防患未然,即检查各种工程建筑物和地质构造的稳定性,对变形进行分析,掌握规律,准确进行预测预报,从而为有关部门决策提供依据。由于变形体变形机理的复杂性和多样性,对变形分析与建模理论和方法的研究,需引入系统科学及非线性科学的理论,采用数学模型来逼近、模拟和揭示变形体的变形规律和动态特征。关于预测预报的方法很多,但都有一定的局限性,没有一种方法能够完全适应各种情况下的预测和分析,因此需要不断地改进和完善。

混沌作为非线性科学的一个重要分支,是当今倍受科学界关注的前沿学科和研究热点。20世纪90年代以来,混沌科学与其他科学相互渗透,在很多领域得到了广泛的应用。在混沌的应用上,根据混沌系统提取的非线形时间序列对系统的未来进行预测是研究的重点。

本文将混沌时间序列理论引入对沉降监测数据的预测分析,建立了基于Lyapunov指数的变形预测模型,通过工程实例,对该模型进行了验证,得到一些有益的结论,能够对混沌时间序列在变形监测中更广泛的应用提供参考价值。

1 Lyapunov指数

混沌是一种貌似无规则的运动,是在确定性非线性系统中不需要附加任何随机因素出现类似随机行为。混沌系统的最大特点在于系统的演化对初始条件十分敏感。

混沌的离散情况常常表现为混沌时间序列,混沌时间序列是由混沌模型生成的具有混沌特性的时间序列,混沌时间序列中蕴涵着系统丰富的动力学信息,混沌时间序列是混沌理论通向现实世界的一个桥梁,是混沌的一个重要应用领域。Lyapunov指数是量化初始闭轨道的指数发散和估计系统混沌量,它从整体上反映了动力系统的混沌量水平,因此,基于混沌时间序列的Lyapunov指数计算和预测显得尤其重要。

在一维动力系统an+1=f(an)中,初始两点迭代后是互相分离的,还是靠拢的,关键取决于的值。若,则迭代使得两点分开,若,则迭代使得两点靠拢。但是在不断的迭代过程中,的值也分随之发生变化,分离与靠拢交替进行。为了表示从整体上看相邻两状态分离的情况,必须对时间(迭代次数)取平均。因此,设平均每次迭代所引起的指数中的指数为λ于是原来相距ψ的两点经过n次迭代的相距为

取极限ψ→0,n→∞,式(1)变为

式(2)通过变形计算可简化为

式(3)中的λ与初始值的选取有很大关系,称为原动力系统的李雅普诺夫(Lyapunov)指数,它表示系统在多次迭代中平均每次迭代所引起的指数分离中的指数。

对一个耗散动力系统而言,判断其是否为混沌的重要标志就是看该系统的最大Lyapunov指数是否为正。Lyapunov指数为正说明了相邻运动轨迹在相空间中的发散趋势,是“初值敏感性”(SIC)特性的定量化体现。SIC意味着初始时刻一个微小的波动会导致系统将来极大的变化,也就是说,系统相空间中初始相邻的轨迹会伴随着系统演化而迅速分离,分离的速率可以通过最大Lyapunov指数λ刻画。由于Lyapunov指数λ刻画的是系统全局范围的发散性质,同时其具体数值不因对原系统的线性变换而改变,因此可作为系统混沌特性的可靠度量。在已知系统观测序列Sn的情况下,λ的大小可直接从序列Sn中估计出来。

2 基于最大Lyapunov指数变形预测模型的建立

2.1 重构相空间

相空间是一个以系统变量数为维数的多维空间。相空间中的一个点(即相点),代表了动力系统在某一时刻的一个特定状态。相空间里相点的连线,构成了点在相空间的轨道,即相轨道。相轨道表示了系统状态随时间的演变。

根据相空间重构理论,x(t 1),x(t 2),...,x(t n)是所研究的时间序列,可得m维延迟矢量:

其中τ称为延迟时间,m称为嵌入维数。建立了一个多维相空间Y i(i=1,2,...,n),得到一组时间序列x(ti),相空间中的点的个数n=N-(m-1)τ。

2.2 利用C-C方法计算延迟时间和嵌入维数

C-C方法是于1999年由D.Kugiumtzis,R.Eykholt和J.D.Salas提出,该方法应用关联积分能够同时估计出τd和τω。时间延迟τd确保xi个成分相互依赖,但不依赖于m;而时间窗口τω依赖于m,且τ随m而变化

C-C方法计算步骤如下:

(1)计算给定的沉降时间序列的标准差σ。

(2)编程计算下列三个量:

分别如下:

C(m,r,t)为关联积分的极限值[1]。

(3)依据上述计算结果:

的第一个极小值t对应时间延迟τd=tτs;

的第一个极小值t对应时间延迟τd=tτs;

,最小值t对应时间窗口τω=tτs。

τs为变形监测时间序列的监测周期。

2.3 Wolf方法计算最大Lyapunov指数

从单变量的时间序列提取Lyapunov指数的方法仍然是基于时间序列的重构相空间。Wolf等人(1985)提出直接基于相轨平面、相体积等演化来估计Lyapunov指数。这类方法统称为Wolf方法,它在混沌的基础研究和基于Lyapunov指数的混沌时间序列预测中应用十分广泛。本文就是采用Wolf方法计算Lyapunov指数。

设混沌时间序列x1,x2,...,xk,...嵌入维数m,时间延迟τ,则重构相空间

取初始点Y(t 0)设其与最近邻点Y0(t 0)的距离为0L,追踪这两点的时间演化,直到1t时刻,其间距超过某规定值,保留Y(t 1),并在Y(1t)邻近另找一个点Y1(t 1),使得,并且与之夹角尽可能的小,继续上述过程,直至Y(t)到达时间序列的终点N,这时追踪演化过程总的迭代次数为M,则最大Lyapunov指数为

2.4基于Lyapunov指数的预测模式

Lyapunov指数可用来表征沉降变形系统的混沌行为,沉降变形系统在相空间中相邻轨迹的指数发散,刻画相空间中相体积收缩和膨胀的几何特性,是一个很好的预报沉降结果的参数。

不妨设YM为预报的中心点,相空间中YM的最近的邻点为Yk,其距离为d M(0),最大Lyapunov指数为λ1,即

其中点YM+1只有最后一个分量x(tn+1)未知,故x(tn+1)是可预报的。式(12)就是基于Lyapunov指数的预测模式,图1是基于Lyapunov指数的变形预测流程图。

3 工程应用实例

为检验基于Lyapunov指数的变形预测模型的有效性,采用樊村隧道的沉降监测数据进行验证。该隧道位于浙江省杭(州)-金(华)-衢(州)高速公路衢州窑上段第B合同段,隧道起止桩号K253+280~+525,其中明洞30m(进口端20m,出口端10m),暗洞215m,隧道几何线形和净空按100km/h设计,隧道照明部分按80km/h设计。另外,该隧道位于侵蚀丘陵区,地势起伏较大,沿隧道纵向分布的主要岩体有:含碎石亚粘土、含粘性士碎石、泥质粉砂岩、粉砂岩、石英质砂岩、含砂砾岩、砂砾石等不同岩性的岩体,地质情况极为复杂。为了避免开挖隧道而出现危害,在2002年4月25日起,利用隧道位移实时监测系统对该隧道拱顶下沉进行监测,一天三次,每次约半小时,本次采用的典型点D5的监测数据,此点在监测期间共采集了355期沉降监测数据。

首先确定时间延迟和嵌入维,根据C-C方法原理,使用Matlab编程计算求出时间延迟τd和嵌入维m。,结果如图2所示。

然后使用Wolf方法计算Lyapunov指数λ1,并对第326~355天的沉降值进行预测,预测结果如图3所示。

为了检验预测结果的好坏,我们定义相对误差为:

相对误差=|预测值-真实值|/真实值

得出预测结果的相对误差值图,如图4所示。从图3和图4可以看出,基于Lyapunov指数的变形预测模型在此工程实例中,预测结果跟实际监测结果基本相符,相对误差在0~0.09之间波动,故判断该预测模型的预测结果精度很好。

4结论

经过对监测的沉降时间序列进行相空间重构,使用基于最大Lyapunov指数的预测方法来预测隧道拱顶的沉降,得到较高精度的预测结果,同时可得如下结论:

(1)计算的Lyapunov指数表明,隧道拱顶的沉降具有混沌性质。

(2)Lyapunov指数预测结果表明,通过选择合适的嵌入维数,能够增加预测的准确程度。

(3)由于混沌的初值的敏感性,使用Lyapunov指数进行长期预测不可能,但只要有足够好的模型和对初始条件的精确观察,它的确定性在预测能力消失之前可以进行短期预测。

摘要：变形危害巨大,变形监测与变形预测则成为必然,由于变形的过程受到地质、水文、地震和人类工程活动等因素的影响,可视为一种具有混沌特征的动力系统。故本文以混沌理论为基础,提出了基于最大Lyapunov指数的变形观测模式,并利用工程实例进行了分析研究。研究表明,变形监测时间序列中的最大Lyapunov指数均大于0,根据混沌理论,可判断变形序列存在混沌现象,同时预测的结果显示,基于混沌时间序列的最大Lyapunov指数法的预测具有较高的精度,故研究成果具有的一定的理论和应用价值,为变形预测提供了新途径。

关键词：混沌,时间序列,变形,Lyapunov指数,预测

参考文献

[1]吕金虎,陆君安,陈士华.混沌时间序列分析及其应用[M].武汉:武汉大学出版社,2002.

[2]蒋廷臣,张勤等.基于小波方法的非线性回归模型研究[J].测绘学报,2006,35(4):337~341.

[3]蒋传文,候志俭,张勇传.基于关联度的高嵌入维混沌预测方法研究[J].系统工程与电子技术,2002,24(12):65~66,103.

[4]鲁铁定,周世健,张立亭,官云兰.测量平差教学中MATLAB软件的应用[J].地矿测绘,2004,20(1):43~45.

[5]张步涵,刘小华,万建平等.基于混沌时间序列的负荷预测及其关键问题的分析[J].电网技术,2004,28(13):32~49.

[6]梁勇,孟桥,陆佶人.Lyapunov指数的算法改进与加权预测[J].声学技术,2006,25(5):463~469.

[7]CHEN Baohua1,LI Jianping,DING Ruiqiang.Nonlinear local Lyapunov exponent and atmospheric predictability research.Science in China Series D:Earth Sciences,2006,49(10)1111~1120.

[8]董昭.带跳的非线性随机微分方程的Lyapunov指数的估计[J].应用数数学学报,2007,30(1):23~36.

[9]冯明库,丘水生,晋建秀.一种Lyapunov指数算法及其实现[J].计算机应用,2007,27(1):50~54.

模式预测 篇10

关键词：有功,运行模式,无功,负荷预测

1前言

通过科学研究证明, 无功功率的变化和有功功率没有着固定的关系, 无功功率的变化有着自己的规律, 本文将通过探索无功变化的规律来达到预测无功负荷的目的。

2无功负荷变化

为了观察无功负荷变化的规律, 对某地区一个月的无功负荷进行了分析, 发现有以下结论:

(1) 无功负荷在每天相应的时间段里分别经过平稳振荡、缓慢爬峰、低谷、急速爬峰谷振荡下降几个过程。

(2) 此时间段内系统的运行模式和无功负荷几乎没有发生变化, 即负荷与过去的某一天或几天是相应重复的。这些日子称为历史相似日。

(3) 无功负荷的高峰起始时间集中在4:30-6:30之间, 缓慢爬峰时间大约经历4h, 然后振荡下行至低谷, 在经历2h左右的急速爬峰至第2次高峰, 最后是振荡下降至平稳区。

(4) 由于无功功率和电压的密切关系, 应主要分析和预测爬峰的起始时间和爬峰持续的时间以及峰值, 以便于调度运行人员及时合理地选择无功电源投切的顺序和时间。

3历史相似日的选取

选取恰当的历史相似日是进行负荷预测的重要步骤, 相似日选取质量的好坏直接影响预测结果的准确度。选取历史相似日, 主要考虑2方面的因素:

(1) 负荷以日为周期变化受日类型、天气、特别事件等影响;

(2) 提取爬峰起始时间段内的各点负荷值作为已知量 (假设8:00以前) , 预测负荷的高峰。前提依据是同属一个运行模式的负荷曲线爬峰的斜率是相同的, 只是爬峰起始时刻是离散的。

3.1无功负荷高峰起始时间的预测

已知负荷样本的爬峰起始时刻为ti (i=1, 2…n) , n为样本数。预测日的爬峰起始时刻

3.2无功负荷爬峰阶段值的预测

预测无功负荷爬峰过程中各点值的方法 (以采样96点/d负荷值为例) :

(1) 将预测日和各样本的负荷值以各自的爬峰起始时刻为界, 向前和向后共取r个时刻的负荷值组成r列的矩阵。

预测日已知负荷矩阵

历史相似日在相应与预测日各时刻负荷矩阵

其中第i行为5个相似日爬峰起始时刻负荷值。

(2) 求取权重B

用历史相似日负荷X逼近预测日已知的负荷Y, 求出最佳权重B。实际上就是求取目标函数

的最小值。

其约束条件是RB=1式中R=[1 1…1]。

构造拉格朗日函数

式中λ-拉格朗日乘子。

求解式最佳权重B (这里的权重系数允许为负) 。

3) 求取预测日未知时间点的负荷值

求出最优权重后, 按照爬峰持续时间计算出采样点:r+1, r+2, ...m, m时刻为估测出的大致峰值出现时间。改变矩阵X, Y的列数, 组成新的矩阵X', Y', 通过

Y'=X'B计算负荷高峰值。

5结语

通过多次实践预测证明, 在已知有功的运行模式下预测无功负荷时, 历史相似日的选取非常重要, 只要能够选取到合理的历史相似日, 可以预测出误差相对小无功短期负荷值。通过合理较为准确的预测无功负荷, 对于电网无功规划优化和电压的调整有重要意义。

参考文献

[l]莫维仁, 张伯明, 孙宏斌, 等.短期负荷预测中选择相似日的探讨[J].清华大学学报 (自然科学版) , 2004, 4 (1) :106-109.

[2]陈耀武, 汪乐宇, 等.基于组合式神经网络的短期电力符合预测模型[J].中国电机工程学报, 2001, 21 (4) :79-82.

[3]柳进, 潘毅, 唐降龙, 等.基于前沿陡升信息保持策略的高峰负荷预报研究[J].中国电机工程学报, 2004, 24 (5) :12-17.

[4]牛东晓, 曹树华, 等.电力负荷预测技术及其应用[M].北京:中国电力出版社, 2002.

模式预测 篇11

近年来,随着三网融合的持续推进,广电运营商网络双向化改造不断完善,一方面为广大的电视用户带来了点播、时移、回看等互动性、娱乐性强的双向业务,另一方面也为广电运营商通过采集用户行为进行运营分析创造了基础条件。

从市场情况来看,广电运营商开始面临IPTV、互联网电视、网络视频等众多竞争压力,特别是电信运营商的宽带捆绑IPTV等销售策略,对广电运营商造成了重大的冲击。面对激烈的市场竞争,广电运营商一方面需要提升服务质量,吸引新入网用户,同时也需要更加重视对用户流失的管理,尽量减少老用户流失带来的损失。

利用数据挖掘技术进行用户流失预测,在电信、银行、电商、零售等众多领域均已有较成熟的应用,但在有线电视业务中的应用尚处于探索阶段。本文针对有线电视业务的特点,提出了基于RFM模型的流失用户定义,对用户的属性特征进行分析,得出流失用户的基本特征,并提出基于用户的收视行为模式进行流失预测的分析算法,最后通过实际数据给出仿真实验效果。

1 有线电视用户流失建模方法

1.1 建立模型的数据基础

建立准确的用户流失模型,需要以高质量用户行为数据作为训练样本,只有数据的质量达到要求,才能够得到准确的数据模型。近年来,广电运营商普遍在双向网改的基础上建设大数据平台,通过在机顶盒进行数据埋点直接从机顶盒收集用户的收视行为数据,采用这种技术采集的用户行为数据具有以下的特点:

1.数据准确性高:通过在机顶盒软件植入“数据埋点”进行监测,而非利用传统的日记卡等收视率调查方法,用户的操作行为记录可以精确到秒,排除了人为记录的误差。

2.数据维度高:通过“数据埋点”,能够以极低的成本监测用户所有的操作行为,进而能够对用户的行为模型从多个维度进行量化描述。

3.数据体量巨大:可对广电运营商网络内所有的机顶盒进行检测和数据收集,建立海量用户行为库,少量异常数据带来的干扰可忽略。

鉴于广电运营商所采集的用户行为数据的上述特点,可以认为其已经达到了高质量数据的要求,建模的基础已经成立。本研究所使用的训练数据即为某省广电运营商所建立的海量用户行为库(图1)。

1.2 流失用户的定义

对有线电视业务而言,用户流失有两方面的含义:一是指用户从广电运营商退订业务并转向IPTV或其他运营商,这部分用户的流失给运营商带来直接的经济损失;二是指用户的月均收视次数、时长降低,用户忠诚度降低,这类用户可能将更多的时间和精力投入到其他的娱乐平台,尽管仍然缴纳基本费用,但对广告、付费点播等潜在消费的影响较大。

从运营商实际的数据看,直接退网的流失用户量较少,而在网但业务使用量很小的用户则占一定比例,这与中国家庭看电视的传统习惯有关,另从分析的角度考虑,直接退网的用户属于业务使用量达到最小值(等于0)的一类用户,因此本文对两类流失用户从业务使用量角度采用统一模型进行定义。

1.3 流失用户的RFM模型

在电信、银行、零售等行业的用户关系管理领域,常用RFM模型对用户的交易习惯进行量化描述和评估。RFM模型具体是指以“最近交易时间”、“交易频率”与“交易金额”三个维度作为用户特征,传统计算R、F、M的方法一般基于具体行业的应用,由领域专家对R、F、M的具体算法进行定义。

例如:在零售行业中,“最近交易时间”指用户最近一次交易至今的时间长短;“交易频率”指某一时间单位内用户交易的次数;“交易金额”指某一时间单位内用户交易金额的大小。

广电运营商的业务与电信、银行、零售业务共性较高,可以借鉴这些行业的RFM模型,结合有线电视业务的特点进行建模。为了更好地反映用户的收视行为特征从而构造用户流失模型,对R、F、M进行重新定义如公式(1)、(2)、(3)所示。

公式(1)中,△T指最近一次有效收视至今的天数,经过对用户历史收视数据的分析,根据样本数据的分布,可将R分为三个区间:R≤1;1<R<15;R>15。

根据用户历史收视数据的分析,选择三个区间:

根据用户历史收视数据的分析,选择三个区间:M≤0.2;0.2<M≤2.5;F>2.5

上述定义中,一次有效收视是指用户收看直播、点播、时移、回看任何一个业务且时间超过T,根据样本数据,本文建议T取值为2分钟。

通过上述定义,可以采用RFM模型定义用户的流失状态如下:

1.4 用户属性选择

为实现对用户流失的预测,需要选择用于预测的用户属性。在有线电视的业务场景中,一般用户为家庭用户,而家庭的自然属性难以采集(收入、阶层等),因此自然属性不作为预测属性使用。另一方面,有线电视为用户提供的收视业务以娱乐和信息为主要用途,因此用户对节目的收视模式(内容偏好、时间习惯)是影响其是否愿意使用有线电视业务的主要因素,运营商也易于采集收视数据并生成量化的用户属性。本文采用的基于收视行为模式的用户属性列表如表1所示。

基于上述属性,结合利用RFM模型计算得出的用户流失可以建立用户属性表示例如表2所示。

2 基于决策树的有线电视用户流失预测

2.1 决策树的基本原理

决策树是数据挖掘领域常用的一种归纳学习型算法,其能够对无规则的大规模数据集进行训练,生成简单易懂的分类器或预测模型。当其作为预测模型使用时,生成的预测规则为树状结构,树的每个分支是一个预测条件,叶子节点则是以从根节点至叶子节点所有分支为条件的预测结果。图2是利用决策树算法生成规则的示意。

结合图2对决策树的生成规则加以说明,可见决策树是由根节点、决策节点、状态节点和分支条件四种元素构成,分别对应树的根、内部节点(非叶子节点)、叶子节点和分支,各元素的具体说明如下:

1.根节点:决策树的起点,表示训练数据集的整个空间;

2.决策节点:决策树的内部节点,是待分类对象的属性集合;

3.状态节点:决策树的叶子节点,每个节点即为训练数据集的一个子集;

4.树枝:决策树的分支,对应决策节点中待分类对象属性集合的一个子集。

构造决策树的方法是采用自上而下的递归方法构造数据集,如果构造出的数据集中的所有实例具有相同的属性,则将之作为一个状态节点保留,状态节点的内容即为该类别的标记。否则根据某种策略选择数据空间的一个属性,按照属性的取值范围,把例子集合划分为若干子集合,使得每个子集上的所有实例在该属性上具有同样的属性值,然后再依次递归处理各个子集。

2.2 信息增益度量的定义

在决策树的分析过程中,树的每个决策节点使用信息增益度量来选择测试属性,这种信息增益度量称为属性选择度量。决策树算法在每次迭代过程中,首先计算所有属性的选择度量,而后选择具有最高度量值的属性作为当前决策节点的测试属性。利用测试属性进行决策节点内数据实例的划分,能够使划分所需的信息量最小。通过不断迭代,最终构建出含所有状态节点的完整的多叉树。由于树的构建过程完全依赖于信息增益的计算,以下给出信息增益的定义方法。

表3给出了计算信息增益所需的基本要素。

利用样本概率p＿i可以计算该样本分类所需的期望信息量:

当某个决策节点N中的样本存在属性集合K={k1,k2…kn},其中属性ki具有的n个不同的离散取值可以将决策节点N中实例的划分为n个子集{d1,d2…,dn},设Sij是子集dj中类Ci的样本数,则属性K的信息熵定义如下:

其中:

决策节点N在属性k＿i上获得的信息增益计算公式如下:

对决策节点N的属性集合K中所有的属性,按照公式(8)计算得到信息增值Gain(N,k＿i)后,选择其中取值最大的属性作为测试属性,将节点N中的样本进行划分。

另一方面,信息增益的大小也直观的反映出属性在预测过程中的影响力,值越高则影响力越大。针对本文分析的有线电视用户属性,经过对表2用户属性数据表进行分析、计算,可以得到各个属性节点的信息增益值,进一步可以分析哪些属性的信息增益值高,则其对用户流失的决定性更大。

2.3 决策树具体实现

常用的决策树算法实现是Quinlan提出的ID3算法,以及改进后的C4.5等算法。关于ID3和C4.5等算法的优劣势比较较多,本文不再赘述,鉴于ID3算法全盘使用训练数据而C4.5依赖于“后剪枝”方法存在无解的风险,且基于成熟的大数据平台技术能够有效解决训练数据空间大,计算周期长的问题,本文采用ID3算法并采用“先剪枝”方法进行改进。

ID3算法是一种典型的贪心算法,但由于直接采用流失属性值划分的空间较多,且用户属性表中的属性存在较多数量的噪声点和孤立点,使用ID3算法所构造的决策树过于复杂,且许多分枝反映的是训练数据中的异常点、孤立点,导致蕴含其中的有效的知识规则不能够被直观地发现。经过对样本数据的分析和构造决策树过程的研究,基于实际数据分布的特点和实时性的要求,本文采用先剪枝方法,通过提前停止树的构造进行剪枝,一方面避免分支过多,同时也避免了无解情况的发生,由此实现对ID3算法执行效率的优化。

最终ID3算法的执行流程说明如图3所示。

3 仿真结果

本文仿真基于国内某省广电网络公司采集的用户行为数据实现,使用的数据集为2015年5至8月共4个月的数据。利用8月份的数据计算用户流失状态;利用5、6、7月的数据作为预测数据,计算用户的行为模式属性。

通过初步数据探索发现,8月份符合流失状态的用户数量占用户总量的份额较少,为保证训练结果不过度拟合,从总体数据中随机筛选数符合流失状态、非流失状态的用户各1万个,从总体的行为数据集中挑选出这2万个用户的行为数据作为训练集。

训练数据中包含用户的直播、点播、回看行为,直播、点播节目的一级、二级分类如表4和表5所示。

3.1 属性信息增益仿真说明

按照3.2所述,通过对用户的属性信息增益分析,能够反映出各属性在决策规则中的重要性,对表1所示的用户属性进行分析计算,得到各属性的信息增益值,较显著的属性及其增益值列表如表6所示。

通过表6可以看出,日均的总收视次数和时长是增益最高的属性,说明在预测用户是否会流失的因素中,这两个属性的影响最大,但必须指出的是,这两个属性与判断用户流失状态的RFM模型数据相关性很高(RFM模型同时是计算总收视次数和时长),在实际运营中参考价值较低,例如前几个月收视频率很高的用户,基本上可以预判立即流失的可能性很低。

除这两个属性外,用户对不同类型节目的偏好性也有较高的增益值,采用这部分属性生成的规则能够很好的判断用户的收视口味对流失性的影响。

注:实际分析中,直播节目的收视次数和收视时长具有与日均总收视次数和时长非常近似的增益值,深入分析发现直播的收视行为占总收视行为的95%以上,与日均值的相关性太高,故舍去该属性,直接由日均总收视次数和时长作为代表。

3.2 决策树规则

采用改进的ID3算法最终生成的决策树规则如图4所示,这是一个8层的决策树,测试准确率为67.2%。

对该决策树的解读可以发现背后的商业逻辑,如:对于收视次数和时长达标,综艺节目和电视剧收视频率少,但收看篮球次数较多的用户,可能会流失,深入分析可知,5-7月份期间有美职篮比赛,而8月份则在休息期间,对于很多篮球爱好者而言没有比赛可看,电视对其吸引力明显降低。网络运营商可针对此种情况适当增加篮球类或其他体育类点播节目吸引用户。

4 总结

本文说明了用户流失预测分析对于有线电视业务运营的重要性,并结合有线电视业务运营的特点,提出了基于RFM模型的流失用户定义,以及基于用户的收视行为模式进行流失预测的分析算法。最终在实际数据集的基础上,验证了模型和算法的可行性。结果表明,该算法能够达到67.2%的准确率,对用户流失的预测管理具有一定的实用性。本研究未来将结合家庭用户的自然属性进行建模和用户流失预测,以进一步提升准确率。

参考文献

[1]刘飞,马力维.数据挖掘在广电行业的应用[J].有线电视技术,2008,15(10):69-74.

[2]Jiawei Han,Micheline Kamber,Jian Pei著.范明,孟小峰译.数据挖掘概念与技术[M].北京:机械工业出版社,2012:213-226.