简介：

简介：

简介：项目反应理论（ItemResponseTheory，IRT）是现代教育心理测量领域中最有影响的一种测量理论，它的一个明确目标是扩展模型的种类以至于能够处理实际测试中任何形式的反应数据。在已有的各种模型研究中，对于多级评分项目，只考虑到项目区分度和难度。但在实际测验中，此类项目还可能存在猜测度。本研究基于Samejima等级反应模型，将项目猜测度融合到多级评分模型中，提出了三参数等级反应模型（Three-parameterGradedResponseModel，3PL-GRM）。由于忽略多级反应项目的猜测度会使得该项目的信息量虚假升高，本研究还进一步将3PL—GRM的信息函数应用到试卷质量分析中。

简介：摘要：近些年，随着教育改革工作的不断深入和发展，很多新型的教学技术和手段开始兴起，我国的教育质量相较于以往有了很大的提升。初高中数学在整个教育教学阶段中有着非常重要的作用，同时具有较大难度的知识学习也使得学生产生诸多不良的学习意识，使得教师难以有效提升整体的教学质量。而单元整体教学的出现其整个教学质量的提升夯实了基础，也为拓展学生的学习思维和眼界提供了非常好的条件。本文就以此为例，展开分析和论述。

简介：摘要：利用最小二乘法原理，建立多项式数学函数模型，以南溪街站2015年实测流量资料为实例，进行模型检验，通过二阶、三阶、四阶计算得到南溪街站的多项式数学函数模型，多阶函数模型与人工定线作误差分析，得出结果：四阶多项式函数模型曲线的各项指标与人工定线最接近，误差最小，精度最高，同时提出数学函数模型曲线公式不适合水位流量关系线的高水延长。

简介：摘要：构造函数解题是数学中比较常用的一种方法，比较常用的有一次函数、二次函数、分式函数和指数函数等，但我们还可以构造其他类型的函数来解决问题。比大小在高考中一共会出现四种常见题型：1.放大镜效应（同时乘方）；2.估值找中间量；3.构造基本初等函数利用基本初等函数，并利用基本初等函数单调性来比较大小；4.构造函数并通过求导比较大小。[1]“函数构造法”需要学生对已知条件进行创造性的组合，重点考察学生思维的广阔性和灵活性，此类题型是训练学生发散思维的有利手段。

简介：【摘要】在初中阶段，数学学科是给学生进行逻辑思维能力培养，提高学生核心素养的关键学科，而数学学科对于学生的抽象思维能力要求相对较高，所以很多知识学生的学习难度相对较大。在面对纷繁复杂的数学知识时，很容易会产生抵触和厌烦情绪，尤其是求三角函数是教学过程中的重点和难点，如何才能在构建模型的基础之上实现整体教学思路的优化和完善，让学生的学习更加轻松，成为了老师关注的重点。本文就据此开展分析，仅供参考。

简介：摘要目的通过构建不等权组合模型预测我国2020年至2035年医师需求数量，为卫生人力资源的规划提供科学参考。方法采用趋势外推法、人力/人口比值法、卫生服务需求法对我国2020年至2035年医师需求进行初步预测，进而采用德尔菲法对这3种方法的结果进行不等权组合，计算得出2020年至2035年我国医师需求。结果通过不等权组合模型预测，2020年至2035年我国医师需求逐步增长，从2.64人/千人口增至3.67人/千人口，但增长幅度逐步放缓。结论运用不等权组合预测模型，综合服务需求和历史现状，测算方法科学可行。建议参照医师需求的同时，综合考虑影响医师供需平衡的因素进行医学教育及医师分科相关的政策制定。

简介：摘要目的探讨时序预测模型中的差分自回归滑动平均(ARIMA)和自回归(AR)模型在预测广州市急救调度日出车数量方面的价值。方法采用Matlab仿真软件对广州市2021年1月1日至2021年12月31日的急救调度出车记录分析计算日出车数量时间序列，对该序列进行时序预测模型辨识，得到ARIMA(1,1,1)、AR(4)以及AR(7)模型，利用这些模型对日出车数量做出预测拟合。ARIMA(1,1,1)模型将数据分为训练集和测试集，参数运算采用Prony方法，预测拟合未来的出车数量；AR(4)和AR(7)模型采用均匀系数，预测当天出车数量。结果ARIMA(1,1,1)、AR(4)以及AR(7)都可以实现对日出车数量的有效预测，ARIMA(1,1,1)的预测拟合误差随着预测时间的延长下降。两个月内的急救调度日出车量预测拟合平均绝对百分比误差（MAPE）低于6%，结果基本都位于95%置信区间内，利用模型的残差分析验证了模型显著有效。结论ARIMA模型可以对两个月内的急救调度日出车量做长期预测拟合，AR模型可以对急救调度日出车量做短期有效预测。

简介：灰色预测模型（GM模型）运用灰色系统理论，适用于数据量少、信息不确定的经济预测．近年来在房地产投资开发领域，已经用于如需求预测、投资预测及价格预测等方面，并取得了较好的成果。本文以灰色预测模型为工具，对西安房地产市场从开发投资、施工房屋面积和销售房屋面积等方面进行预测。预测结果实际值与预测值的差异较小、精度较高，预测值可反映未来一段时期内西安市房地产市场状况。从预测结果来看，在未来几年，西安市房地产市场还有较大的发展空间，房地产开发投资、房地产施工房屋面积、房地产销售房屋面积都还以较大的年增长率继续增加，西安市房地产市场总体发展潜力和空间都还比较大．同时．未来几年里西安市房地产市场将会是在政府调控下的趋向合理的发展．房地产开发投资及消费者购房需求都将朝着理性方向回归。

简介：以东北玉米冷害预测为例，介绍了近年发展的基于热量指数预测的热量年型统计预测模型和基于玉米生长模式的机理性预测模型，比较了两类模型在预报原理、预报对象、预报时效及准确率等方面的各自差别和利弊，探讨了两类模型取长补短优势互补的可能方法，展望了农业气象灾害预测预警技术发展的若干问题。

简介：为增强风功率预测的准确性，采用基于时间序列模型和支持向量机模型，并且利用最小方差法获得权重系数，构建组合预测模型对风功率进行预测。仿真结果表明，该组合模型较单项预测模型具有更高的预测精度。

简介：摘要 R&D 是衡量一个国家或地区科技活动和科技投入水平的重要指标，各个国家或地区的科技、经济、社会发展程度直接受到 R&D 投入力度的影响。通过对江苏省 R&D 经费投入的时间序列变换特征进行分析 , 建立指数曲线预测模型和 AR(2) 时间序列预测模型的组合预测模型 , 对江苏省 2020 — 2022 年的 R&D 经费投入的发展变化趋向进行预测。

简介：

简介：根据Logistic模型基本原理建立事故概率预测模型，并对事故概率进行预测。通过模型预测结果与实际值对比，得出利用广义线性预测模型对事故概率进行预测具有一定可信度。

简介：研究了智能物流管理控制系统在实现过程中所采用的理论和技术方法，用神经网络技术建立物流预测模型，提出了物流预测模型的层次结构和物流预测模型的知识发现流程，用BP网络算法进行设计，通过实例进行了实验并对实验结果进行分析。

简介：本文对混凝土的弹性性质进行了计算，将混凝土简化为由水泥浆、细骨料和粗骨料所组成的三相复合材料，运用了Benveniste对Mori-Tanaka法的解释和Eshelby’s等效介质理论对其进行了计算，最后将本文方法所推导出来的理论结果与公开发表的实验数据进行了比较。

简介：摘要：电力产业为社会经济发展提供了推动力，在电网运行环节中，展开数据处理、负荷预测能确保电网系统可靠运行，为电力调度提供数据支持，促进电力行业发展。本文主要围绕着短期电力负荷来展开，基于负荷大数据预测模型，分析用户用电规律，深入探究短期电力负荷预测相关内容，保证精准完成短期电力负荷预测，让电力系统运行更安全。

简介：摘要目的系统评价脑卒中后抑郁(PSD)风险预测模型。方法计算机检索Web of Science、The Cochrane Library、PubMed、Embase、CINAHL、知网、中国生物医学文献服务系统、万方和维普数据库中建库至2022年6月1日收录的PSD风险预测模型相关文献，采用预测模型构建研究数据提取和质量评价清单(CHARMS)对纳入文献中的模型进行质量评价，并对纳入模型中具有共性的预测因子的预测价值采用RevMan 5.3软件进行Meta分析。结果共纳入9篇文献，包含11个PSD风险预测模型，所有模型的建模时受试者工作特征曲线下面积(AUC)为0.726~0.854，其中7个模型的AUC≥0.8，预测效能较高，但仍存在偏倚风险，主要原因包括未报告缺失数据的处理、模型效果评价不完整以及未对模型进行内外部验证。Meta分析结果显示抑郁或其他精神疾病病史(OR=6.73，95%CI：3.87~11.73)、艾森克人格问卷(EPO)评分(OR=1.13，95%CI：1.03~1.23)、高血压(OR=0.47，95%CI：0.30~0.74)、Barthel指数(OR=0.98，95%CI：0.98~0.99)均是PSD的有效预测因子。结论PSD风险预测模型整体预测性能良好，但也仍存在一定的偏倚风险，未来应对建模方法进行改进；PSD风险预测模型的建立可重点关注抑郁或其他精神疾病病史、EPQ评分、高血压、Barthel指数等预测因子。

简介：摘要不同抑郁症患者的最优治疗方案一般需通过长期、低效率的试错过程来逐步确定。为实现抑郁症的精准治疗，有必要通过特异性生物标志物来选择有效的治疗方法。深度学习是机器学习的一个分支，该技术能处理大量高维、复杂的数据，适用于自动提取和学习临床、基因组学和神经影像数据的特征。近年来，研究人员正在使用深度学习技术开发抑郁症治疗反应的预测模型，有利于指导临床医生为患者选择最佳治疗方案以及在全球范围内推进更为高效的个体化精准医疗方案。本文从人口学、临床症状数据、基因组学数据和功能磁共振成像数据三个方面，对深度学习预测抑郁症疗效方面的相关研究进行综述，并对未来的深度学习研究方向尤其是多组学数据结合深度学习的应用进行展望。