题目要求定量分许宜居度,实际上就是建立一个可以多角度评价的宜居度模型.和以往做的模型有很大相似处.
构建了多属性多指标的GPM评价模型（GEM模型的修改和扩张），该模型考虑到评价对象各个指标的均衡发展，将有利于综合评级值的提升。所有原始指标按照效益型、成本型、理想点型等数据类型进行规范化，规范化模型建立，即考虑到最低值的效用，同时兼顾到实际最大值和理想值的差距.
不仅如此,在模型中还增加了调节参数，保证规范化过程的科学性和合理性.采用层次分析法，对环境舒适度、交通便捷度、经济富裕度、公共服务度、社会和谐度设定权值.采用熵值法进行客观赋权.
GPM模型我听说过,是一种分析企业集群竞争力的模型,一般的GPM模型实际上就是一种有三对影响因素的影响力模型,呈6边形蛛网形状.机理上就是分类分析,突出各类因素的优势和劣势,有一定的对比关系,并且强调其中的互补关系.在本题中并不是很适用,但是改进后的GPM模型不仅有效的淡化了互补关系,还增加了因子的维度,拓宽了范围.
层次分析法我们在之前的论文中也用过几次.貌似属于运筹学部分里的.这个方法很符合题目里要求的定量分析.把复杂的多目标进行分层系统处理,分级处理很合理.感觉这篇论文归一化处理也挺好的.此外还使用了熵值法确定权重.
这个模型还有就是会查资料,首先有分大类,其次是指标体系合理,影响测算标准.最后就是从实际出发还要再回实际..但是该模型缺少可视化数据分析,结果不是很直观.
首先还是一个定量的把握,该队按照一定的原则,选取了合理的指标,从横向与纵向两个角度出发,进行对比研究.横向是对比世博会前后的变化,在定量研究各项指标时用了时间序列模型,灰色预测模型,完整的回归分析,函数拟合等方法.
时间序列分析也是机器学习中一个较为重要的方法,指某个物理量对时间的函数,这是一个高度抽象的东西,相对比线性回归主要是利用历史数据的深度.但是生活中无数特别重要的东西都可以用它来表述,比如股市啊,,你一天的血糖变化啊,,你的大脑兴奋性啊,,甚至你的语言,,你的思维,,历史王朝的兴衰,,都可以把它看作一个离散的时间序列.就拿股市来说,股市有超级强的随机性,复杂历史依赖,非线性的时间序列,任何简单因素的预测都是扯,就像复杂的神经网络什么的也很难有好的突破.突然想起还有过对失业情况的影响也用到了时间序列..
灰色预测也很常规,AHP也是层次分析法.但是感觉它纵向上联系了其他举办世博的城市受影响的程度,就比较创新,有实际的例子,描述合理,就比较有说服力.此外还进行了灵敏度分析,感觉它的结果比较明确,拟合优度也较高,虽然方法上也没什高级的地方,内容上也没看出什么大问题.是一个很好的范例.值得学习借鉴.最关键的还是题目的把握,宏观思想和微观量化的结合.
