针对现有土石坝渗流监控指标拟定方法存在主观性较强和精度较低的不足,基于智能算法改进的超阈值(peaks over threshold,POT)模型,提出了优化的土石坝渗流监控指标拟定方法.以3σ准则为确定最优阈值的理论基础,采用基于混沌映射、结合L...针对现有土石坝渗流监控指标拟定方法存在主观性较强和精度较低的不足,基于智能算法改进的超阈值(peaks over threshold,POT)模型,提出了优化的土石坝渗流监控指标拟定方法.以3σ准则为确定最优阈值的理论基础,采用基于混沌映射、结合Levy飞行和逆向学习的动态选择策略改进的麻雀搜索算法(improved chaos sparrow search algorithm,ICSSA),对POT模型中阈值的选取方法进行优化.建立了ICSSA-POT模型,实现对监测资料尾部数据的拟合,从而得到更为合理的土石坝渗流监控指标.研究表明,相比于传统方法,所提方法可有效避免主观性与随机误差,得到的监测资料尾部数据的拟合决定系数提高了5%,具有更高的计算精度,拟定的渗流监控指标更偏于安全,对防范土石坝渗流破坏、确保土石坝安全长效运行具有较强的指导意义.展开更多
在“双碳”目标下石油化工等高碳排放企业进行低碳转型,降低碳排放已成为重要发展趋势,其中油气损耗在石化行业总能耗中占比较大。针对目前方法无法依据油气损耗数据变化规律自动识别高值点环节的问题,提出了一种基于过阈值模型的油气...在“双碳”目标下石油化工等高碳排放企业进行低碳转型,降低碳排放已成为重要发展趋势,其中油气损耗在石化行业总能耗中占比较大。针对目前方法无法依据油气损耗数据变化规律自动识别高值点环节的问题,提出了一种基于过阈值模型的油气损耗高值点环节自动识别方法。对胜利油田某采油区的35个环节进行油气损耗核算。依据核算数据尖峰厚尾的分布特征,利用过阈值模型分割油气损耗数据中的尾部数据并拟合其概率分布函数,依据3σ原则识别概率分布函数中对应的油气损耗高值点环节。结果确定高值点阈值为869.34 m 3/d,高值点环节识别准确率为0.986,相较于其他传统方法,该方法识别结果更准确,有利于损耗治理工作的高效展开。展开更多
针对黄金市场呈现的"尖峰厚尾"和波动持续性等特征,选用SV(stochastic volatility)模型来刻画。将SV模型与基于POT(peak over threshold)模型的极值理论相结合,建立SVPOT的组合模型,预测该金融市场的动态VaR(value at risk)...针对黄金市场呈现的"尖峰厚尾"和波动持续性等特征,选用SV(stochastic volatility)模型来刻画。将SV模型与基于POT(peak over threshold)模型的极值理论相结合,建立SVPOT的组合模型,预测该金融市场的动态VaR(value at risk)。最后,与GARCH-POT模型相比得出:基于随机波动模型的SV-POT模型在一定程度上能更精确地预测动态VaR。展开更多
文摘在“双碳”目标下石油化工等高碳排放企业进行低碳转型,降低碳排放已成为重要发展趋势,其中油气损耗在石化行业总能耗中占比较大。针对目前方法无法依据油气损耗数据变化规律自动识别高值点环节的问题,提出了一种基于过阈值模型的油气损耗高值点环节自动识别方法。对胜利油田某采油区的35个环节进行油气损耗核算。依据核算数据尖峰厚尾的分布特征,利用过阈值模型分割油气损耗数据中的尾部数据并拟合其概率分布函数,依据3σ原则识别概率分布函数中对应的油气损耗高值点环节。结果确定高值点阈值为869.34 m 3/d,高值点环节识别准确率为0.986,相较于其他传统方法,该方法识别结果更准确,有利于损耗治理工作的高效展开。
文摘极值理论关注风险损失分布的尾部特征,通常用来分析概率罕见的事件,它可以依靠少量样本数据,在总体分布未知的情况下,得到总体分布中极值的变化情况,具有超越样本数据的估计能力。因此,基于GPD(generalized pareto distribution)分布的POT(peak over threshold)模型可更有效地利用有限的巨灾损失数据信息,从而成为极值理论当前的主流技术(以下简称,POT-GPD模型)。针对地震巨灾发生频率低、损失高、数据不足且具有厚尾性等特点,利用POT-GPD模型对我国1969年至2013年间的地震直接经济损失数据进行了统计建模;采用样本Hill图及区间筛选算法选取阈值,并对形状参数及尺度参数进行了估计。模型检验表明,POT-GPD模型对巨灾风险厚尾特点具有较好的拟合效果和拟合精度,为地震巨灾风险估计的建模及巨灾债券的定价提供了理论依据。
文摘针对黄金市场呈现的"尖峰厚尾"和波动持续性等特征,选用SV(stochastic volatility)模型来刻画。将SV模型与基于POT(peak over threshold)模型的极值理论相结合,建立SVPOT的组合模型,预测该金融市场的动态VaR(value at risk)。最后,与GARCH-POT模型相比得出:基于随机波动模型的SV-POT模型在一定程度上能更精确地预测动态VaR。
