新的模型，CNN-LSTM

多算法组合与模型最优：模型状态分析、线性模型的权重分析、Bad-case分析、模型融合

在MAYA学习初期的参考模型，亦可上交作业

为了研究全国以及火电、冶金、建材和化工行业煤炭消费量，基于无偏灰色(GM)、差分自回归移动平均(ARIMA)、逻辑斯蒂(LOGISTIC)和人工神经网络(ANN)模型，分别构建了各行业组合预测模型，并运用相关系数、平均绝对误差、平均相对误差和均方根误差评价指标检验组合模型拟合精度，筛选出各行业最优组合模型并预测2020—2030年各行业消费趋势。研究表明：最优加权组合模型的R-2、MAE、MAPE和RMSE等检验指标均优于单项模型；分别构建了权重为(0.32，0.68)的我国煤炭消费总量预测模型GM-ARIMA、权重为(0.28，0.14，0.58)的火电行业预测模型GM-LOGISTIC-ARIMA、权重为(0.40，0.60)的冶金行业预测模型GM-LOGISTIC、权重为(0.32，0.68)的建材行业预测模型ANN-ARIMA、权重为(0.79，0.21)的化工行业预测模型ANN-ARIMA；预测未来我国煤炭消费总量和火电行业消费量呈小幅增长趋势，2030年分别达到41.67亿t和22.10亿t；冶金和建材行业消费量呈稳定趋势，2030年分别达到6.60亿t和5.04亿t；化工

锂电池荷电状态(SOC)是反映电池使用情况的重要参数之一.在锂电池实际工作过程中,电流传感器测量时的漂移电流会对SOC估计精度造成很大影响.对此,提出一种加入漂移电流的Drift-Ah积分法,建立SOC的噪声组合模型,并采用容积卡尔曼滤波算法(CKF)实现锂电池的SOC估计.最后,对锂电池进行模拟工况实验,仿真结果表明,所提出的估计算法可以有效抑制漂移电流的干扰,精度高且复杂度低.

针对现阶段城市道路交通流预测精度不高的局限性，提出了一种基于差分自回归滑动平均( AＲIMA) 和小波神经.网络( WNN) 组合模型的预测方法来进行交通流预测。利用差分自回归滑动平均模型良好的线性拟合能力和小波神经网.络模型强大的非线性关系映射能力，把交通流时间序列的数据结构分解为线性自相关结构和非线性结构两部分。采用差.分自回归滑动平均模型预测交通流序列的线性部分，用小波神经网络模型预测其非线性残差部分，最终合成为整个交通.流序列的预测结果。计算机仿真结果表明: 组合模型的预测精度高于AＲIMA 模型和WNN 模型各自单独使用时的预测精.度，组合模型可以提高交通流预测精度，是交通流预测的有效方法。

基于VaR风险控制下多期动态Log-最优资产组合模型，颜博，严定琪，本文考虑金融市场中的动态资产组合问题，以倍率-风险函数作为收益指标，风险价值（VaR）控制函数为风险指标，用动态规划方法建立�

随着人口老龄化趋势的加快，建立预测阿尔茨海默氏病（AD）的模型至关重要。 在本文中，我们对1157名受访者进行了调查。 通过使用三种机器学习方法（BP神经网络，SVM和随机森林）分析结果，我们可以得出它们在AD预测中的准确性，以便我们可以比较解决AD预测的方法。 其中，随机森林是最准确的方法。 此外，为了结合这些方法的优势，我们基于这三种机器学习模型构建了一个新的组合预测模型，事实证明，该模型比单独的模型更准确。 最后，我们总结了生活方式与AD之间的联系，并为老年人提供了一些建议，以帮助他们预防AD。

基于优化算法的股票投资组合模型选择，蔡凯达，边宁，本文采用不同的风险度量和约束条件，组合成了不同的有约束的最优资产组合模型：在风险约束条件下的期望收益最大化模型和在收益约

组合模型 (2).png