CN101739614A - 层级组合预测通信业务的方法 - Google Patents
层级组合预测通信业务的方法 Download PDFInfo
- Publication number
- CN101739614A CN101739614A CN200910232590A CN200910232590A CN101739614A CN 101739614 A CN101739614 A CN 101739614A CN 200910232590 A CN200910232590 A CN 200910232590A CN 200910232590 A CN200910232590 A CN 200910232590A CN 101739614 A CN101739614 A CN 101739614A
- Authority
- CN
- China
- Prior art keywords
- communication service
- prediction
- predicted value
- adaptability
- forecasting methodology
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
层级组合预测通信业务的方法,将通信业务预测值作为目标层,通信业务预测的影响因素是:与历史数据拟合程度、与未来内外部环境变化的协调性、与通信行业政策的适应性、与通信运营商竞争策略的适应性、通信业务预测模型的适应性、预测模型结果的可信度;根据上述影响的因子选择拟合效果及预测精度较高的n种预测方法:回归分析法、灰色***模型法、趋势外推法、成长曲线法、瑞利分布多因素方法等n种预测方法;以上n种预测方法得到n个通信业务预测值;将n个通信业务预测值进行加权或平均;从而得到通信业务预测值。
Description
技术领域
本发明涉及通信业务未来发展预测的方法,将层级组合模型引入到通讯业务预测中,设计了一个基于组合预测方法,同时考虑到影响通信业务发展的内外部环境因素的预测方法,属于定性与定量结合的业务预测方法。
背景技术
电信业务预测是通信网络阶段建设规划的前提条件,同时也是规划期电信业务量和收入估算的必要条件之一。预测方法的选择直接关系到预测目标的实现和预测结果的精确程度。关于通信行业预测的方法很多,常用的预测方法比如:趋势外推法、成长曲线法、普及率方法、瑞利分布多因素方法、回归分析法、灰色***模型预测法、Bass模型法等预测方法。不同的预测方法从不同的角度提炼出样本数据的信息,在复杂性、数据要求等方面均有不同。此外,一般的预测方法对通信行业政策的变化如3G牌照的发放、通信行业不对称管制政策、金融风暴等对经济的影响、运营商服务水平及竞争策略、预测方法与历史数据的拟合程度、预测方法适应性、预测方法的可信度等因素考虑不足,因此采用一般的预测方法很难得到一个精确度较高的预测结果。在实际的预测中,没有任何一种方法能保证在任何情况下都能获得准确的预测结果。
本发明在组合预测理论基础上,引入层次分析思想,量化影响预测的公信度高的因素,建立通信业务预测的结构模型,从而获得通信业务预测的满意解和推荐值。
发明内容
本发明的目的是:提出一种层级组合预测通信业务的方法,充分考虑影响通信业务发展的内外部环境变化的公信度高的因素,量化影响通信业务发展的内外部环境变化的关键因素,提高预测精度的一种预测方法。
本发明的技术方案是:层级组合预测通信业务的方法,将通信业务预测值作为目标层;通信业务预测的影响因素是:与历史数据拟合程度、与未来内外部环境变化的协调性、与通信行业政策的适应性、与通信运营商竞争策略的适应性、通信业务预测模型的适应性、预测模型结果的可信度;根据上述影响的因子选择拟合效果及预测精度较高的n种预测方法:回归分析法、灰色***模型法、趋势外推法、成长曲线法、瑞利分布多因素方法等n种预测方法;以上n种预测方法得到n个通信业务预测值;将n个通信业务预测值进行两两比较,根据1-9标度法确定其相对重要程度,并据此建立判断矩阵,然后进行一致性判断,对于非一致性的矩进行修正,直到通过一致性检验;得到相对权值;得到通信业务预测值。
或者将n个通信业务预测值取平均值得到通信业务预测值。
或者将n个通信业务预测值进行单排序,或进行优先排序。确定各要素的相对权值;n种预测方法将n个通信业务预测值通过综合权值的计算并归一,得到通信业务预测值。
本发明方法的有益效果:将不同预测方法所得的预测通信业务结果组合起来形成的一种新的通信业务预测结果的方法,这种方法克服了各种单一预测方法自身的应用范畴及特点。本发明还克服了传统预测方法对影响通信行业业务发展内外部因素缺乏恰当考虑的缺点。将影响通信业务预测的公信度高的因素进行数学化分析,在一定程度上,提高了预测方法的科学性和有效性,进一步提高通信行业业务预测的效果。
提高预测精度。采用不等权组合预测方法,克服了不同预测方法在复杂性、数据行、样本量及方法适应性等方面对预测结果的影响,提高预测精度。
附图说明
图1通信行业业务组合预测层次结构图。
具体实施方案
层级组合预测有两种基本形式:一是等权组合(平均法),二是不等权组合(本发明优先采用,如1-9标度法等)。假设在某一预测问题中,某一时段的实际值为yt(t=1,2,...,m),针对该问题有n种互相独立的不同方法关于Y的预测结果,其中利用第i种方法对t时段的预测值为yit,设各种预测方法的权重为w=(w1,w2,...wn)T.并满足w1+w2+…+wn=1,0<wi<1组合预测模型可表示为(t=1,2,...m)
通过证明,有如下结论:
假定Y1,Y2…Yn是N种互相独立的不同方法关于Y的预测结果,这N种预测方法对于Y都是无偏估计。
性质1:组合预测Y对于Y也是无偏估计;
性质2:组合预测Y一定优于单一预测。
2.2层次分析方法
本发明采用层次分析方法是一种多目标评价决策方法,它将决策者对复杂***的评价决策问题分解为若干个层次和若干个要素,在各要素间简单地进行比较、判断和计算,以获得不同要素和不同待选方案的权重,从而为选择最优方案提供决策依据。
层次分析法的特点:将人们的思维过程数学化、***化,以便于接受。该方法所需要的定量信息很少,但要求决策者对于决策问题的本质、包括的要素及其相互之间的逻辑关系掌握十分透彻。
层次分析法的步骤:
(1)明确问题,对构成决策问题的各种要素建立多级递阶的结构模型,即是,目标层(O)--准则层...--方案层;
(2)对同一等级(层次)的要素以上一级的要素为准则进行两两比较,根据1-9标度法确定其相对重要程度,并据此建立判断矩阵,然后进行一致性判断,对于非一致性的矩进行修正,直到通过一致性检验;
(3)层级单排序--通过一定计算,确定各要素的相对权值;
(4)层级综合排序--通过综合权值的计算,对各种替代方案进行优先排序。
2.3层级组合预测模型
(1)根据通信行业业务发展历史数据特点,采用尽量多的业务预测方法进行预测。选择拟合效果及预测精度高的n种预测方法,得到n种预测推荐值yit(i=1,2...m)。
(2)利用层次分析方法建立通信行业业务层次分析结构模型。
最高层(O):这一层只有一个元素,一般是它是分析问题的预定目标或理想结果,因此称为目标层。我们将通信业务预测值作为目标层。
准则层:这一层是实现目标所涉及的中间环节。通信行业业务预测主要受以下几方面因素的影响:与历史数据拟合程度、与未来内外部环境变化的协调性、与通信行业政策的适应性、与通信运营商竞争策略的适应性、预测模型的适应性、预测模型结果的可信度等
方案层:这一层表示为实现目标可供选择的各种措施、决策方案。选择拟合效果及预测精度较高的n种预测方法,作为方案层。比如:回归分析预测法、灰色***模型法、趋势外推法、成长曲线法、瑞利分布多因素方法等n种预测方法。
现有的通讯业务预测的方法有多种:回归分析预测法:回归分析预测法是根据两个或多个经济变量数据(如人均国内生产总值、人均消费水平、家庭户数、常驻人口等)所呈现的相互关系,利用历史数据建立起回归方程(线性或非线性、一元或多元),找到它们之间特定的经验公式,然后根据其中一个或多个变量的变化,来预测另一个变量的发展变化。
回归预测分析就是通过对一组数据分析,建立相应回归模型、进行参数估计,利用模型对所研究的对象进行预测和分析,进而为经济决策提供依据。回归预测法具有三个主要优点:一是能研究预测对象与相关因素的相互关系,抓住预测对象变化的实质原因,因而预测结果比较可信;二是能给出预测结果的置信区间和置信度,从而使预测更加完整和客观;三是考虑了相关性,能运用有关的数理统计方法对回归方程进行统计检验,因而对预测对象变化的转折点具有一定的鉴别能力。
灰色***模型法:灰色预测模型称为GM模型,是一种对含有不确定因素的***进行预测的方法。灰色***是介于白色***和黑色***之间的***。常用的灰色***:灰色***GM(1,1)表示一阶的,一个变量的微分方程预测模型,主要用于时间序列的预测。
X0:设时间序列X0有n个观察值X0={X1(0),X2(0),.....Xn(0)},经过进行一次累加生成处理(Accumulaten Generating Operation简称AGO),生成新系列X(1):X(1)={X1(1),X2(1),.....Xn(1)},其中:
对此生成序列,GM(1,1)模型白化形式的微分方程为:
式中α称为发展灰数;μ称为内生控制灰数。
求解微分方程,即可得预测模型:
灰色预测模型的特点:所需样本量少,一般4个以上的样本量,使用方便,不需要画散点图和多次试算。低样本量情况下,预测精度一般。
趋势外推法:当预测对象依时间变化呈现某种上升或下降趋势,没有明显的季节波动,且能找到一个合适的函数曲线反映这种变化趋势时,就可采用趋势外推法进行预测。它反映了市场发展的一种趋势,其预测结果有一定的参考价值,但是也存在一定的局限性。其预测是建立在市场环境基本不变的基础上,难以反映未来各种变化对市场发展规律的影响,比较适合近期预测。
趋势模型包括:多项式曲线外推模型、指数曲线预测模型、对数曲线预测模型、生长曲线趋势外推模型、垄珀兹曲线预测模型等;
瑞利分布多因素方法:瑞利分布多因素法是一种基于环境条件的变化进行预测的方法。这种方法的原理是,基于人们收入的分布大体上符合瑞利分布的规律,研究通信业务在***中的渗透率的变化趋势,从而得到对用户数的预测结果。所谓***是指有能力支付通信业务费用的人,即收入超过某一门限值的人。由于需求情况及消费心理的不同,只有部分***会使用通信业务成为实际用户。通信业务在***市场的渗透率受到价格、资费、网络服务质量等多种因素的影响,将这些因素对渗透率的影响进行量化后,只要能确定各种影响因素在预测期内变化情况,就可以定量预测出预测期内***市场的渗透率。
瑞利分布多因素法的具体步骤,首先是确定潜在市场规模的大小,然后对主要影响因素进行量化,确定通信业务在潜在市场上的普及率P,最后两项相乘得到预测值。
其中:X0为域值(门限值),u为人均收入
其中:P为通信产品在潜在市场上的普及率
Δf为各种影响因素的变化率
r为权值
e为弹性系数
K为影响因素的个数
方法特点:基于瑞利分布模型的多因素预测,能较好体现经济发展、消费水平与用户发展的密切关系,是适合通信用户中、长期预测的一种有效方法。
最优组合预测方法:组合预测方法是一种全新的预测方法,其理论和方法逐步完善,应用范围不断拓广。利用组合预测误差平方和最小,通过最小二乘估计方法来确定最优加权系数的方法,称为最优组合预测方法。设对于同一预测问题有m种预测模型,对n个时段进行预测。记:yt为实际值,yt *是用组合预测方法对第t时段的预测值;yit *为第i种预测方法对第t时段的预测值;eit为第i种预测方法对第t时段的预测误差;wi为第i种预测方法的权数,满足ei为用组合预测方法对第t时段的预测误差。其中i=1,2,3...,m;t=1,2...n.则可以得到:eit=yt-yit *,最优组合预测法确定权重的问题转换为求最优化问题:在约束条件有通过最小二乘估计方法求解上述最优化问题,得到最优权重值。参考图1通信行业组合预测层次结构图。
以上建立的通信行业业务组合预测的模型,是充分考虑影响通信业务预测推荐值的各种内外部因素的决策模型,借助EXCEL进行数学计算,从而得到最优的权值wi(i=1,2,...m)。
(3)利用不等权组合预测法,取得通信业务预测的最优推荐值,即是,
以某地市2005年-2007年移动用户数为样本,样本数据详见表1.以下我们采用层次分析组合预测法来预测某地市移动用户发展情况。
表1某地市2005年-2007年移动用户数
年份 | 2005.01 | 2005.02 | 2005.03 | 2005.04 | 2005.05 | 2005.06 |
移动用户数 | 340.4 | 351.8 | 368.7 | 372.5 | 381.2 | 381.0 |
年份 | 2005.07 | 2005.08 | 2005.09 | 2005.10 | 2005.11 | 2005.12 |
移动用户数 | 384.3 | 389.0 | 397.7 | 413.2 | 419.7 | 423.5 |
年份 | 2006.01 | 2006.02 | 2006.03 | 2006.04 | 2006.05 | 2006.06 |
移动用户数 | 436.6 | 456.9 | 475.4 | 480.0 | 493.0 | 495.0 |
年份 | 2006.07 | 2006.08 | 2006.09 | 2006.10 | 2006.11 | 2006.12 |
移动用户数 | 503.7 | 513.5 | 523.5 | 545.9 | 552.5 | 559.5 |
年份 | 2007.01 | 2007.02 | 2007.03 | 2007.04 | 2007.05 | 2007.06 |
移动用户数 | 564.2 | 574.5 | 621.2 | 631.6 | 648.8 | 655.2 |
年份 | 2007.07 | 2007.08 | 2007.09 | 2007.10 | 2007.11 | 2007.12 |
移动用户数 | 667.2 | 677.2 | 688.9 | 703.6 | 713.3 | 722.9 |
1.单一预测方法预测
采用多种业务预测方法基于上述历史数据对某地市移动用户进行预测,选取4种预测效果较好的单一预测方法。其推荐值见表2。
表2单一预测方法对移动业务预测结果
预测方法 | 2008.01 | 2008.02 | 2008.03 | 2008.04 | 2008.05 | 2008.06 |
趋势外推法 | 738.52 | 752.11 | 765.76 | 779.47 | 793.24 | 807.05 |
普及率对比法 | 736.79 | 759.48 | 772.52 | 785.56 | 798.60 | 811.65 |
成长曲线法预测方法趋势外推法普及率对比法成长曲线法 | 752.002008.07820.91824.69857.64 | 768.662008.08834.81837.73876.63 | 785.692008.09848.73850.77896.05 | 803.092008.10862.68863.81915.90 | 820.882008.11876.66876.85936.19 | 839.062008.12890.65889.90956.92 |
2.利用层次分析方法,构建移动用户层次分析结构模型。
(1)使用1-9标度计算各层判断矩阵。
在建立递阶层次结构以后,上下层次之间元素的隶属关系被确定。将层次结构模型中同一层次的要素相对上一层次的某个因素,相互间进行成对的比较而形成比较判断矩阵。准则层各元素对于预测总体目标的正互反判断矩阵,如表3所示。
表3准则层各因素对于预测总目标的比较判断矩阵
移动用户数预测结果 | 历史数据拟合程度 | 与未来经济协调性 | 预测模型适应性 | 预测结果可信性 |
历史数据拟合程度 | 1.00 | 3.00 | 5.00 | 7.00 |
与未来经济协调性 | 0.33 | 1.00 | 5.00 | 3.00 |
模型的适应性 | 0.20 | 0.20 | 1.00 | 1.00 |
预测结果的可信性 | 0.14 | 0.33 | 1.00 | 1.00 |
最大特征向量:(0.56,0.27,0.08,0.08),λmax=4.11。
一致性判断:一致性指标C.I=0.04,平均随机一致性指标率C.R=0.039<0.1。
(2)同理构造出预测方法相对于各准则层的比较判断矩阵,并进行一致性判断,求解判断矩阵最大特征根、最大特征向量,判断矩阵如表4所示。
表4预测方法相对于准则层(历史数据)的比较判断矩阵
历史数据拟合程度 | 趋势外推法 | 普及率对比法 | 成长曲线法 |
趋势外推法 | 1.00 | 3.00 | 9.00 |
普及率对比法 | 0.33 | 1.00 | 2.00 |
成长曲线法 | 0.11 | 0.50 | 1.00 |
最大特征向量:(0.7,0.21,0.09),λmax=3.02。
一致性判断:一致性指标C.I=-0.33,平均随机一致性指标率C.R=-0.36<0.1。
同上可以构造预测方法相对于其他准则层的比较判断矩阵,并进行一致性判断及判断矩阵的最大特征根、最大特征向量的计算。
(3)层级综合排序
经过层级综合排序,我们得到预测方法权值排序,如表5所示。
表5预测方法权值
预测方法 | 权值 |
趋势外推法 | 0.68 |
普及率对比法 | 0.22 |
成长曲线法 | 0.09 |
3.层级组合预测模型结果
某地市通信业务预测结果,如表6所示。
表6通信业务层次分析组合预测结果
2008.0 | 2008.0 | 2008.0 | 2008.08 | 2008.10 | 2008.1 | 权值 | |
趋势外推法 | 738.52 | 779.47 | 807.05 | 834.81 | 862.68 | 890.65 | 0.68 |
普及率对比法 | 736.79 | 785.56 | 811.65 | 837.73 | 863.81 | 889.90 | 0.22 |
成长曲线法 | 752 | 803.09 | 839.06 | 876.63 | 915.90 | 956.92 | 0.09 |
层级组合预测模型 | 731.97 | 775.14 | 802.87 | 830.66 | 859.09 | 887.54 | |
实际数据 | 713.49 | 785.49 | 802.5 | 827.07 | 848.24 | 880.18 |
2008.0 | 2008.0 | 2008.0 | 2008.08 | 2008.10 | 2008.1 | 权值 | |
误差率 | -2.59% | 1.32% | -0.05% | -0.46% | -1.28% | -0.84% |
通过层次分析组合预测结果与历史数据比较发现,最大误差率为-2.59%,最小误差率为-0.05%,预测结果平均误差率远远低于单一预测方法误差率,提高了推荐值的精度。
本发明提出了基于组合预测理论的通信业务预测方法,建立了层次分析的模型结构并构建其正互反判断矩阵,通过固定的excel模型化计算组合预测方法的权重。算例表明,模型方法计算均具有一定的优势,可以获取预测的满意解,是通信行业业务预测中科学、有效、充分的模型及求解方法。
Claims (3)
1.层级组合预测通信业务的方法,其特征是将通信业务预测值作为目标层,通信业务预测的影响因素是:与历史数据拟合程度、与未来内外部环境变化的协调性、与通信行业政策的适应性、与通信运营商竞争策略的适应性、通信业务预测模型的适应性、预测模型结果的可信度;根据上述影响的因子选择拟合效果及预测精度较高的n种预测方法:回归分析法、灰色***模型法、趋势外推法、成长曲线法、瑞利分布多因素方法等n种预测方法;以上n种预测方法得到n个通信业务预测值;将n个通信业务预测值进行两两比较,根据1-9标度法确定其相对重要程度,并据此建立判断矩阵,然后进行一致性判断,对于非一致性的矩进行修正,直到通过一致性检验;得到相对权值;从而得到通信业务预测值。
2.层级组合预测通信业务的方法,其特征是将通信业务预测值作为目标层,通信业务预测的影响因素是:与历史数据拟合程度、与未来内外部环境变化的协调性、与通信行业政策的适应性、与通信运营商竞争策略的适应性、通信业务预测模型的适应性、预测模型结果的可信度;根据上述影响的因子选择拟合效果及预测精度较高的n种预测方法:回归分析法、灰色***模型法、趋势外推法、成长曲线法、瑞利分布多因素方法等n种预测方法;以上n种预测方法得到n个通信业务预测值;将n个通信业务预测值进行单排序或进行优先排序。确定各要素的相对权值;n种预测方法将n个通信业务预测值通过综合权值的计算并归一,得到通信业务预测值。
3.层级组合预测通信业务的方法,其特征是将通信业务预测值作为目标层,通信业务预测的影响因素是:与历史数据拟合程度、与未来内外部环境变化的协调性、与通信行业政策的适应性、与通信运营商竞争策略的适应性、通信业务预测模型的适应性、预测模型结果的可信度;根据上述影响的因子选择拟合效果及预测精度较高的n种预测方法:回归分析法、灰色***模型法、趋势外推法、成长曲线法、瑞利分布多因素方法等n种预测方法;以上n种预测方法得到n个通信业务预测值;将n个通信业务预测值取平均值得到通信业务预测值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN200910232590A CN101739614A (zh) | 2009-12-08 | 2009-12-08 | 层级组合预测通信业务的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN200910232590A CN101739614A (zh) | 2009-12-08 | 2009-12-08 | 层级组合预测通信业务的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN101739614A true CN101739614A (zh) | 2010-06-16 |
Family
ID=42463070
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN200910232590A Pending CN101739614A (zh) | 2009-12-08 | 2009-12-08 | 层级组合预测通信业务的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101739614A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017161646A1 (zh) * | 2016-03-23 | 2017-09-28 | 南京华苏科技有限公司 | 大数据量预测的三层联合动态选择最优模型方法 |
CN107884708A (zh) * | 2017-10-18 | 2018-04-06 | 广东电网有限责任公司佛山供电局 | 一种基于开关运行数据的开关性能诊断方法 |
CN108268967A (zh) * | 2017-01-04 | 2018-07-10 | 北京京东尚科信息技术有限公司 | 一种话务量预测的方法和*** |
CN108874748A (zh) * | 2018-06-01 | 2018-11-23 | 交通运输部路网监测与应急处置中心 | 一种etc运营指标预测方法 |
CN109034905A (zh) * | 2018-08-03 | 2018-12-18 | 四川长虹电器股份有限公司 | 提升销量预测结果稳健性的方法 |
CN109756911A (zh) * | 2019-01-31 | 2019-05-14 | 腾讯科技(深圳)有限公司 | 网络质量预测方法、业务调整方法、相关设备及存储介质 |
CN111045907A (zh) * | 2019-12-12 | 2020-04-21 | 苏州博纳讯动软件有限公司 | 一种基于业务量的***容量预测方法 |
CN116596169A (zh) * | 2023-07-17 | 2023-08-15 | 国网浙江省电力有限公司宁波供电公司 | 一种电力***预测方法、装置及存储介质 |
-
2009
- 2009-12-08 CN CN200910232590A patent/CN101739614A/zh active Pending
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017161646A1 (zh) * | 2016-03-23 | 2017-09-28 | 南京华苏科技有限公司 | 大数据量预测的三层联合动态选择最优模型方法 |
CN108268967A (zh) * | 2017-01-04 | 2018-07-10 | 北京京东尚科信息技术有限公司 | 一种话务量预测的方法和*** |
CN107884708A (zh) * | 2017-10-18 | 2018-04-06 | 广东电网有限责任公司佛山供电局 | 一种基于开关运行数据的开关性能诊断方法 |
CN108874748A (zh) * | 2018-06-01 | 2018-11-23 | 交通运输部路网监测与应急处置中心 | 一种etc运营指标预测方法 |
CN109034905A (zh) * | 2018-08-03 | 2018-12-18 | 四川长虹电器股份有限公司 | 提升销量预测结果稳健性的方法 |
CN109756911A (zh) * | 2019-01-31 | 2019-05-14 | 腾讯科技(深圳)有限公司 | 网络质量预测方法、业务调整方法、相关设备及存储介质 |
CN109756911B (zh) * | 2019-01-31 | 2020-11-27 | 腾讯科技(深圳)有限公司 | 网络质量预测方法、业务调整方法、相关设备及存储介质 |
CN111045907A (zh) * | 2019-12-12 | 2020-04-21 | 苏州博纳讯动软件有限公司 | 一种基于业务量的***容量预测方法 |
CN116596169A (zh) * | 2023-07-17 | 2023-08-15 | 国网浙江省电力有限公司宁波供电公司 | 一种电力***预测方法、装置及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Balboni | In harm's way? infrastructure investments and the persistence of coastal cities | |
CN101739614A (zh) | 层级组合预测通信业务的方法 | |
Tatari et al. | Cost premium prediction of certified green buildings: A neural network approach | |
Babel et al. | Identifying prominent explanatory variables for water demand prediction using artificial neural networks: a case study of Bangkok | |
CN103024762B (zh) | 基于业务特征的通信业务预测方法 | |
CN110889562B (zh) | 一种基于情景规划的动态城市模型*** | |
Li et al. | Urban water demand forecasting based on HP filter and fuzzy neural network | |
Lu et al. | Urban water security evaluation based on similarity measure model of Vague sets | |
Kang et al. | Multicriteria Evaluation of Water Resources Sustainability in the Context of Watershed Management 1 | |
CN107292534A (zh) | 城市配电网中长期动态投资的标尺竞争评价方法及装置 | |
CN104504280A (zh) | 考虑规划需求的电动汽车充电桩集群管理***通信方式综合评价方法 | |
CN110490409B (zh) | 一种基于dnn的低压台区线损率标杆值设定方法 | |
CN109919356A (zh) | 一种基于bp神经网络区间需水预测方法 | |
CN110428270A (zh) | 基于逻辑回归算法的渠道潜在偏好客户识别方法 | |
CN111008870A (zh) | 一种基于pca-bp神经网络模型的区域物流需求预测方法 | |
CN105224997A (zh) | 一种含有多种不确定性因素影响的规划负荷预测方法 | |
CN106327099A (zh) | 一种通信网络综合性能评定参数权重的确定及调整方法 | |
Caceres et al. | Estimating traffic flow profiles according to a relative attractiveness factor | |
Xu et al. | A multi-object decision-making method for location model of manufacturing industry under uncertain environment | |
CN108805471A (zh) | 基于复合***作用关系分析的水资源承载能力评价方法 | |
CN109933901B (zh) | 一种生态***服务价值最优化的mcr城市扩张模拟方法 | |
CN111507507A (zh) | 基于大数据的月用水量预测方法 | |
CN104866930A (zh) | 一种基于定量筛选时间序列预测模型的时间序列预测方法 | |
Kalan | The relationship between economic growth and road infrastructure: Evidence from Turkey | |
García-López et al. | Income segregation and urban spatial structure: Evidence from Brazil |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Open date: 20100616 |