共查询到20条相似文献，搜索用时 31 毫秒
1.
准确、可靠的短时客流预测可为城市轨道交通提供运营决策支持。本研究以基于Transformer机制的LSTM网络、深度注意力模块和CNN网络为基础,提出了城市轨道交通网络级多步短时客流预测模型（STIPM）。该预测模型由3个分支组成,分支一以时间序列进站客流为输入,提出了基于Transformer机制的LSTM网络提取该数据中的时间相关性;分支二以基于时间步的OD数据为输入,提出了深度注意力模块挖掘数据中大量的时间、空间相关性,利用基于时间步的OD数据能够更好地展现站间联系紧密程度和全局信息,从而完成了拓扑网络信息提取;分支三的输入为POI数据,使用CNN网络获取其时空相关性,并作为时间与空间特征之间的纽带。为了保证在预测精度足够高的条件下,获得更长的预测时间和更详细的预测信息,本文采用“神经网络多输出”策略,完成了多步预测任务。本文在2个大规模城市轨道交通真实数据集中对该模型进行测试,并将预测结果与10个基准模型和4个消融实验模型进行对比,在RMSE、MAE与WMAPE评估指标中,STIPM模型均得到最高的预测精度,结果表明该模型具有一定的优越性与鲁棒性。 相似文献
2.
东营市是山东省内重要的沿海经济开发区,近年来地面沉降灾害制约了东营市的经济社会发展。构建三维地面沉降模型可以实现东营市地面沉降监测资料的信息化、可视化。根据东营市地质条件及矿产资源赋存层位,将三维地质结构模型的标准分层分为13层;而后收集了东营地区深钻540个,深度均在2 000 m及以上,其中有82个能够达到4 000~5 000 m甚至更大深度,按照标准分层,对所有钻孔进行标准化处理,并进一步利用Mapgis K9软件建立了三维地质结构模型,首次实现了以矿产资源层位划分为依据的大深度的东营市三维可视化地质结构模型模拟分析。同时,结合东营市19座地面沉降监测站数据,构建了地面沉降模型,首次实现了地面沉降的动态预演及监测,为东营市地面沉降评估与防治提供了科学依据。 相似文献
3.
城市热点时空预测是城市管理和智慧城市建设的一项长期而富有挑战性的任务。准确地进行城市热点时空预测可以提高城市规划、调度和安全保障能力并降低资源消耗。现有的区域级深度时空预测方法主要利用基于地理网格的图像、给定的网络结构或额外的数据来获取时空动态。通过从原始数据中挖掘出潜在的自语义信息,并将其与基于地理空间的网格图像融合,也可以提高时空预测的性能,基于此,本文提出了一种新的深度学习方法地理语义集成神经网络(GSEN),将地理预测神经网络和语义预测神经网络相叠加。GSEN模型综合了预测递归神经网络（PredRNN）、图卷积预测递归神经网络（GC-PredRNN）和集成层的结构,从不同的角度捕捉时空动态。并且该模型还可以与现实世界中一些潜在的高层动态进行关联,而不需要任何额外的数据。最终在3个不同领域的实际数据集上对本文提出的模型进行了评估,均取得了很好的预测效果,实验结果表明GSEN模型在不同城市热点时空预测任务中的推广性和有效性,利用该模型可以更好地进行城市热点时空预测,解决一系列如犯罪、火灾、网约车预订等等现代城市发展中亟需解决的相关问题。 相似文献
4.
区域作为人类、自然、社会共同作用和互相影响的复杂系统,对区域进行生态量化建模与模拟仿真,是实现区域可持续发展战略的关键。传统机器学习方法对区域生态系统建模取得了一定的成果,但难以确定学习特征和实现时空模拟。深度学习不需事先确定训练特征,具有优异的特征学习能力,能够提高模型预测精度,因此利用深度学习进行建模具有显著优势。本文使用植被净初级生产力（NPP）、气溶胶光学厚度（AOD）和人口格网数据,充分利用深度学习的优点,采用最优深度神经网络时空模拟,得到了河南省2007-2014年3 km分辨率的生态赤字空间分布图和河南省2015-2020年的生态赤字时间预测结果并进行分析,为区域生态的科学管理和建设供科学依据和参考。 相似文献
5.
滑坡灾害成因机理复杂、影响因素众多,深度学习作为当前人工智能领域的热点,能够更好地模拟滑坡灾害的形成并准确预测潜在的斜坡。为了挖掘深度学习在滑坡易发性的应用潜能,本文构建了一维、二维和三维的滑坡数据表达形式,并提出3种基于卷积神经网络模型（Convolutional Neural Networks, CNN）的滑坡易发性分析处理框架：基于CNN分类器、基于CNN与逻辑回归的融合和基于CNN集成,最后以江西省铅山县为研究对象进行验证,结果表明：所有基于CNN的易发性模型都能够获得准确且可靠的滑坡易发性分析结果。其中,基于二维数据的CNN模型在所有单分类器中预测精度最高,为78.95%。此外,二维CNN特征提取能够显著提升逻辑回归的预测精度,其准确率提升7.9%。最后,异质集成策略能够大幅度提升基于CNN分类器的滑坡预测精度,其准确率提升4.35%~8.78%。 相似文献
6.
土地覆盖变化是全球变化研究的核心,而精准分类是开展土地覆盖变化研究的基础。高分辨率遥感卫星技术的快速发展对地表分类的速度和精度提出了双重挑战,近年来人工智能等新技术的发展为图像自动分割提供了实现途径,而以卷积神经网络为代表的深度学习方法在遥感图像分类领域也具有独特的优势。为对比深度学习模型设计对高分辨率图像分类结果的影响,本文以郑州市2019年高分1号影像作为输入,对比研究了基于UNet模型改进的4种不同深度学习网络模型在高分辨率影像土地覆盖自动分类应用中的差异,探讨了残差网络、模型损失函数、跳层连接和注意力机制模块等编码和解码设定对于分类精度的影响机制。研究发现：同时加入多尺度损失函数、跳层连接和注意力机制模块的MS-EfficientUNet模型对郑州市土地覆盖分类结果最优,基于像元评价的整体分类精度可达0.7981。通过在解码器中引入多尺度损失函数可有效提高林地、水体和其他类别的分类精度;而对编码器进行改进,加入跳层连接和注意力机制可进一步提高草地、水体和其他类别地物的分类精度。研究结果表明,深度学习技术在高分辨率遥感影像自动分类中具有潜在应用价值,但分类结果精度的进一步提高和多级别大范围的精细分类方法仍是下一步研究的重点。 相似文献
7.
降水临近预报在强对流天气监测预警中具有重要地位,对于防灾减灾至关重要。在气象业务中,主要采用雷达回波外推方法解决高时空分辨率的临近预报问题。针对传统雷达回波外推方法中普遍存在的资料信息利用率不足和预报准确率低的问题,利用上海地区多年的高时空分辨率天气雷达探测资料,基于数据驱动的深度学习方法进行雷达回波外推,提出了一种新的降水临近预报模型——SwinAt-UNet模型。该预报模型通过融合UNet模型和Swin Transformer结构捕捉历史天气雷达探测资料中的短期和长期动态变化特征,可以自适应地学习潜在的雷达回波生消演变规律。此外,为提高模型的泛化能力和预报准确率,引入深度可分离卷积和卷积块注意力模块。结果表明：在不同基本反射率阈值下,SwinAt-UNet模型的预报准确率均高于UNet、SmaAt-UNet、TransUNet和AA-TransUNet模型;在45 dBZ的基本反射率阈值下,SwinAt-UNet模型临界成功指数提高了13%,同时在预报时效上具有一定的优越性;SwinAt-UNet模型外推图像具有更加清晰的边缘和细节性纹理,对降水范围、移动方向和强度变化的预测更为准... 相似文献
8.
地面沉降是由自然和人类活动共同作用导致的缓变性地质灾害,是区域可持续发展的重要影响因素。以往地面沉降在建模时需要地裂缝等不连续结构的位置、走向、深度等信息,在构建微分方程模拟时需假设模型连续,这对开展地面沉降-地裂缝-地面塌陷一体化模拟带来一定的局限性。于2000年出现的近场动力学理论提出以积分形式描述材料受力过程,方法具有无需先验知识与连续性假设的优点,在材料的疲劳、损伤、断裂等模拟研究中展现出良好的应用前景。本文综述了其在岩石水力压裂、滑坡、饱水岩土材料等领域的研究进展;提出了应用近场动力学进行区域地面沉降建模求解的一般方法;结合InSAR技术获取的沉降信息、三维地震频谱谐振勘探技术获取的地下结构与密度信息等,提出了模型的反演调参与优化方法。以北京东部梨园-台湖镇-张家湾镇区域为实验区,建立了其4 km×6 km范围、0.2 km深度的近场动力学地面沉降模型,以实验区地下水位月均下降速率为边界条件,对2007—2010年地面沉降过程进行模拟。模拟结果与实测值的平均绝对误差为18 mm,表明近场动力学在地面沉降建模中有较好的适用性。 相似文献
9.
如何通过大地电磁测深反演方法来提高数据解释的精度一直都是大地电磁测深研究领域的重要课题。针对大地电磁传统反演方法存在的初始模型依赖、易陷入局部最优的问题,提出了一种基于深度学习的大地电磁二维反演方法。该方法首先设计GoogLeNetINV神经网络;接着构造多种地电模型,在TM模式下通过正演得到视电阻率数据,组成训练数据集;然后用训练数据集训练该神经网络并调整网络参数;最后,将视电阻率数据输入已训练好的GoogLeNetINV神经网络直接得到反演结果。实验结果表明,该方法能快速、准确地反演出“未学习”过地电模型的位置和电阻率数据,具有较好的泛化能力;使用噪声数据测试仍能取得良好的反演结果,有一定的抗噪声能力。将该神经网络应用于Bendigo Zone实际数据资料处理中,反演得到的电阻率模型与地震解释一致,因此基于深度学习的大地电磁反演方法能有效解决大地电磁反演问题。 相似文献
10.
为实现精准的旅游景区客流量的高时频预测,本研究构建了一套基于LBS和深度学习模型的预测方法。此方法可通过对LBS数据的转换实现预测的空间范围与时频控制,并通过方法的核心模型——基于双向循环神经网络和GRU算法构建的深度双向GRU(DBi-GRU)模型完成预测。为检验方法的有效性,研究以深圳大梅沙海滨公园为例对方法进行实验测试。实验使用拟合曲线、误差指标及DM检验3种方法评估DBi-GRU模型的预测效果。此外,实验还设置了其他五种深度学习模型作为DBi-GRU的对照模型,测试基于不同深度学习算法的模型之间的预测水平差异。实验结果表明:(1)本研究提出的DBi-GRU模型在景区客流量高时频预测中具有理想的预测效果,在高峰时段的客流量预测方面也具有较高准确性,预测效果明显优于其他深度学习模型;(2)基于双向循环网络的模型的效果普遍优于基于常规循环网络的模型。尤其是基于双向LSTM算法的模型,虽然预测的准确度略逊色于DBi-GRU模型,但在模型性能上与其的差异并不显著;(3)在相同网络参数下,GRU算法较前人采用的LSTM和RNN算法有着更高的预测准确性。本研究为客流量预测领域的研究提供了一种... 相似文献
11.
珠江口盆地YZ气田群位于陆架边缘区域,气藏埋深大于3 000 m,构造研究面临水深变化大、表层低速泥岩厚度变化大、小范围浅层气等多种因素影响的问题,气藏顶界深度精细预测难度大,给气田开发方案实施带来风险。针对该问题提出一种处理解释一体化的研究思路: 首先,沿目的层及其上部地震反射标志层横向加密拾取地震速度谱,提高速度分析的精度;其次,利用已钻井合成地震记录标定后的速度对地震速度进行宏观校正,消除井震速度系统误差,应用校正后的速度进行时深转换,得到初始深度构造;通过相关性分析法明确井点处剩余误差的主要来源,以相关性趋势面为约束,结合井点剩余误差编辑误差网格以校正初始深度构造。最后,通过校正井点残差得到较高精度的深度构造。气田开发的实践表明,该方法预测的构造深度和开发井实钻深度的误差由原来的10~40 m降至10 m以内,成功提高了目标区构造预测精度,有效指导了该区开发井的设计和实施,降低了气田开发的风险。因此,对于类似地质条件下油气田,其构造精细研究不单是唯数据驱动的速度分析及偏移成像,认清构造影响因素并予以消除也是关键。 相似文献
12.
北京地面沉降已有60多年的历史,其发生发展与半个多世纪城市的快速扩张密不可分.从整个北京平原地下水系统出发,梳理多年时间序列(1950-2015年)的城市发展规模、人口、水资源及开采动态等数据,结合遥感技术解译不同年代北京平原的不透水面变化,分析其对降雨入渗补给量的影响;构建整个北京平原含水层-弱透水层三维结构系统,借助PMWIN软件建立区域尺度的地下水流-地面沉降耦合模型,利用长期水位及沉降观测数据对模型进行识别验证;开展长时间序列的北京平原地下水水头场与地面沉降演化模拟,研究快速城市化进程下北京平原多层含水层系统渗流场演变与地面沉降响应特征.研究表明:长时间尺度区域地下水流场-地面沉降演化模拟基本再现了地面沉降形成和发展演化的过程;北京地下水开采历史与地面沉降发展历史具有一致性,而不同沉降区地面沉降发展受地下水开采和城市发展双重控制,是二者综合作用的结果. 相似文献
13.
地面沉降作为平原区主要的地质灾害之一,对高速公路安全运行产生了潜在的影响。为了探究京沪高速公路北京—天津段的地面沉降情况,选取2017年1月至2020年3月70景Sentinel-1B卫星影像,利用SBAS-InSAR技术对该路段沿线地面沉降展开监测,并采用外部水准观测方法对InSAR监测结果进行精度评定;在此基础上,结合3类9个影响因子数据对沿线地面沉降进行空间模拟,通过对比普通最小二乘(OLS)模型、地理加权回归(GWR)模型和多尺度地理加权回归(MGWR)模型的模拟效果,最后选取相对最优模型对各种影响因子进行量化研究。结果表明：京沪高速公路北京—天津段表现出不均匀沉降特征,最大年均沉降速率超过-90 mm·年-1;研究区主要分布有6个明显的沉降中心,京沪高速公路北京—天津段经过其中3个;采用模拟效果相对最优的多尺度地理加权回归模型进行定量分析可知,第四系沉积厚度和地下水位变化对沉降的影响较大,而地形环境因子的影响较小。 相似文献
14.
洪水淹没区包括洪水淹没的范围与深度,准确、高效地获取洪水淹没区是洪灾评估及减灾救灾的关键。本文针对现有洪水淹没范围与深度的快速计算及精度方面的不足,设计了洪水淹没区精确快速提取方法。首先,通过特征嵌入式DEM(F-DEM)数字地形建模技术,修正常规格网DEM对沟渠、坎堤等突变地形描述的失真问题;然后,基于洪水水位监测数据,采用Kriging内插模型构建洪水淹没面;最后,通过GIS多层面叠加及空间查询分析,获取真实淹没区信息。以温州水头镇水位监测点数据为基础,对其暴风潮后的洪水淹没区进行了分析,并利用大区域模拟水位监测点数据对提取方法效率作了测试。实验结果表明,该方法能较好地解决大区域海量数据条件下的淹没区提取问题。 相似文献
15.
近年来大数据在交通分析中被广泛关注,但目前多以可视化展示和现象空间分析描述为主,缺乏基于大数据的交通数量模型和模拟预测研究,成为大数据技术在交通规划中应用的主要技术障碍。本文基于交通与土地利用之间的交互作用关系,构建区位空间依赖因子（(Location-space Dependence Indicator, LSDI）,对传统重力模型进行改进,提出大数据城市通勤分布模型。以北京市为例,采用某运营商2017年9月的手机信令大数据,进行模型的应用和校验。模拟结果显示,在出行产生预测中,通勤人口与常住人口表现出良好的线性关系;在出行分布预测中,基于区位空间依赖因子的修正重力模型综合表现最优,在通勤OD分布中实现了低估现象的优化,在OD数量发生率中拟合优度达到0.85。本研究为大数据城市交通预测模型研发提供了新的技术方法,对于推动大数据在交通规划中的应用具有一定价值。 相似文献
16.
高分辨率遥感影像在地面自动目标提取中得到了广泛应用,然而利用传统算法,很难高精度地进行实时的建筑物屋顶绘图。本文使用深度学习方法探讨建筑物屋顶分割,由于卷积运算对形变、旋转、光照条件的不敏感,设计了一种用于建筑物屋顶提取的深度卷积神经网络,提出的网络为级联式全卷积神经网络,在深度卷积神经网络的设计中使用了特征复用和特征增强,实现建筑物的自动精确提取。以美国马萨诸塞州建筑物数据集为基础的实验结果表明,本文提出的网络结构取得了92.3%的总体预测精度,和其他方法相比,本文提出的方法具有更高的精度 相似文献
17.
在高分辨率遥感影像中提取建筑物轮廓是地区基础建设信息统计的一项重要任务。适应性较强的深度学习方法已在建筑物提取研究中取得较大进展,受网络模型对影像特征表达的局限性,存在局部建筑轮廓边缘模糊的问题。本研究提出一种基于注意力的U型特征金字塔网络（AFP-Net）可以聚焦高分遥感影像中不同形态的建筑物结构,实现建筑物轮廓的高效提取。AFP-Net模型通过基于网格的注意力阀门Attention Gates模块抑制输入影像中的无关区域,凸出影像中建筑物的显性特征;通过特征金字塔注意力Feature Pyramid Attention模块增加高维特征图的感受野,减少采样中的细节损失。基于WHU建筑物数据集训练优化AFP-Net模型,测试结果表明AFP-Net模型能够较清晰地识别出建筑物轮廓,在预测性能上有更好的目视效果,在测试结果的总体精度和交并比上较U-Net模型分别提高0.67%和1.34%。结果表明,AFP-Net模型实现了高分遥感影像中建筑物提取的结果精度及预测性能的有效提升。 相似文献
18.
针对空间数据划分方法无法自适应选择问题,本文提出了基于CNN的数据自适应划分算法（Adaptive Partition Algorithm for Space Vector Data- Convolutional Neural Networks,SVDAP-CNN）。该算法首先基于应用场景和其他相关资源实现特征描述和表达;其次基于层次聚类设计特征矩阵表达算法,体现特征间的局部相关性以减少方法选择时间和提高选择精度;最后通过CNN模型实现空间数据自适应划分。本文选取南海区域真实数据和模拟数据进行验证,与已有的数据划分方法选择算法进行比较。结果显示：针对真实数据,SVDAP-CNN算法的精度和时间效率分别提高了24.18%和25.67%;针对特征和特征间关系表达欠完备的模拟数据,SVDAP-CNN算法的精度和时间效率分别提高了27.02%和26.80%;针对选择结果易出错的数据切分方法,SVDAP-CNN算法的精度提高了19.92%,证明了该算法有较好的普适性;另外,本文结合南海区的实际应用证明了该算法的应用可行性。SVDAP-CNN算法的提出可为大数据量、多变的自动化空间应用分析提供技术支撑。 相似文献
19.
为探究InSAR和GPS形变数据对断层深部滑动的敏感性,分别模拟走滑断层、正断层和逆冲断层在不同深度的滑动分布模型,并基于不同精度的InSAR和GPS形变数据反演了3类断层在不同深度位置的滑移分布。对3类断层的结果进行对比分析发现,实验得到的结论具有较好的一致性。结果表明,在相同深度时,基于高精度InSAR和GPS形变数据反演的深部滑动残差较小,而基于常规精度InSAR数据反演结果的残差较大;随着深度的增加,反演深部滑动的探测性呈逐步下降的趋势,其中基于高精度InSAR和GPS数据的滑动探测性高于基于常规精度InSAR的滑动探测性。当InSAR和GPS数据精度相同时,维度对断层深部滑动的探测性有一定影响。 相似文献
20.
利用贝叶斯三角帽法将多个GRACE/GRACE-FO重构模型进行融合,提升基于深度学习的地表质量变化重构模型的精度,为高精度填补及重构GRACE/GRACE-FO数据提供参考。实验表明,组合模型估算的全球陆地水储量变化的不确定性最低,其结果在多数流域与参考模型的一致性更佳;较最优的重构模型,组合模型全球及流域的不确定性降低约15%,纳什效率系数(NSE)提升约5%,尤其在半干旱、半湿润及湿润区域,其精度提升更明显。 相似文献