摘要：交通流量预测是当前交通大数据应用的重要议题之一.经典的交通流量预测方法通常只根据被预测道路自身的数据进行分析和决策,而往往较少考虑由于同一区域不同道路之间的交通流量关联性.本研究根据城市核心区交通流量数据的特点,构建同区域内多条相关道路的交通流量多维度数据模型.并且,基于该数据模型提出了一种基于多机器学习竞争策略的交通流量预报算法.该算法的主要核心思想是利用时间序列聚类的方式将多维交通流量数据进行降维,然后通过引入多种多机器学习方法进行并发训练,其训练结果通过竞争获得最优分类器群.最后设计了多最优机器学习集成预测方法进行交通流量预测.本模型通过在南昌市中心道路进行的实验显示,其预测结果优于传统单时间序列机器学习方法.

摘要：非协调信息系统的知识挖掘是传统数据挖掘方法实践的难点和最重要的研究方向之一。本文在经典粗糙集理论的基础上进行粒计算结构的设计与相应的计算模型研究,提出了基于上述理论的粒度矩阵非协调信息系统知识挖掘方法。首先定义了保留冗余数据的粒度矩阵、决策规则的协调度算法,以及基于可控协调度的粒度矩阵的可导度计算方法,其次在该研究基础上设计了非协调信息系统的属性约简算法和属性值约简算法。最后的仿真实验和初步的企业应用验证了算法对非协调信息处理的鲁棒性和可用性。本研究为非协调信息系统的知识挖掘提供了一个有效的粒计算模型。

摘要：决策粗糙集理论中,三种单调性的代价目标函数被用来评价三支决策的风险.然而,在实际应用中,其中的延迟代价目标函数经常存在着非单调现象.针对这种现象,本研究首先提出了一种基于三支决策代价目标函数间逻辑关系的阈值计算方法.然后,提出了双量化延迟代价目标函数的策略,并且分别讨论了相应的三支决策阈值推导,重点阐述了延迟代价双量化的乐观视角和悲观视角.最后,通过一组典型的实例证明了上述代价双量化三支决策的设计和推理的可行性.

摘要：以程序设计课程中一种校企深度融合的实践模式为研究对象,提出以企业和技术发展的最新需求推动软件人才培养改革,结合南昌大学软件工程专业校企共同探索培养软件人才的实际,阐述如何及时更新校企协同育人的人才培养模式和实践教学体系,将软件产业的新技术和新标准快速转化为教学内容,并将该因材施教的实践模式应用于各个年级的程序设计类课程中.

摘要：快速、准确和全面地从大量互联网文本信息中定位情感倾向是当前大数据技术领域面临的一大挑战。文本情感分类方法大致分为基于语义理解和基于有监督的机器学习两类。语义理解处理情感分类的优势在于其对不同领域的文本都可以进行情感分类,但容易受到中文存在的不同句式及搭配的影响,分类精度不高。有监督的机器学习虽然能够达到比较高的情感分类精度,但在一个领域方面得到较高分类能力的分类器不适应新领域的情感分类。在使用信息增益对高维文本做特征降维的基础上,将优化的语义理解和机器学习相结合,设计了一种新的混合语义理解的机器学习中文情感分类算法框架。基于该框架的多组对比实验验证了文本信息在不同领域中高且稳定的分类精度。

摘要：雷暴天气造成众多人员伤亡及巨大经济损失,给人类社会带来极大危害,目前对高分辨率短时临近的雷暴天气的预报研究比较少。决策树有描述简单、分类速度快、易于理解、精度较高等优点,特别适合大规模的数据处理。根据气象数据的超高维而实际样本数又是有限的,并且很多属性是线性相关的特点,本文提出运用粗糙集进行属性约简,降低问题的复杂度,然后用决策树对约简后的样本进行模式识别。本文基于江西省的雷电活动设计出高分辨率雷电临近预报方案。通过实验表明本文所提出的预报模型比原有的SVM预报模型有更高的预报准确度。