共查询到20条相似文献，搜索用时 31 毫秒
1.
总结了网格化城市管理新模式由数字城管向智慧城管发展、城市管理范围由建成区向城乡结合部延伸所需解决的问题及对卫星技术应用的迫切需求,结合国家在卫星遥感和卫星导航方面的技术进展,探讨了网格化城市管理卫星技术综合应用服务平台的总体架构设计和主要子系统划分,并对人员和车辆精细化管理、车载视频快速上报城市管理案件、高精度移动测量技术、基于高分辨率遥感影像的城乡结合部基础数据提取技术、基于定位实景融合技术的城管业务动态监管、实景影像动态数据更新技术等关键技术进行了具体阐述。本文的部分研究成果已经在宁波市智慧城管和杭州市实景影像系统建设中进行了示范应用,取得了良好效果。 相似文献
2.
提出一种基于时空关联度加权的长短期记忆网络(Long Short-Term Memory,LSTM)短时交通速度预测模型。该模型结合综合动态时间规整(Summation Dynamic Time Warping,SDTW)和拓扑邻接关系设计了一种路段速度序列之间时空关联程度的度量方法,然后基于该度量值对路段速度历史观测值进行加权,进而使用LSTM从加权观测序列中提取路段速度的时空变化特征,实现对短时交通速度的预测。实验表明,交通速度预测模型预测结果相比传统的ARIMA模型、SVR模型以及LSTM模型均有提升,实现了更高精度的速度预测。 相似文献
3.
在空气污染日益严重的情况下进行空气污染物的预测工作是十分必要的。针对城市的空气污染物预测,提出了一种基于神经网络的混合模型方法:通过全连接神经网络方法,结合长短期记忆网络(Long Short-Term Memory,LSTM)方法,将历史空气污染物数据与大气数据进行空间与时间上的挖掘分析。运用全连接和LSTM两种神经网络方法混合的形式,与传统的单一模型方法相比,不仅能摆脱单一模型特征空间的局限性,还能提高预测的精度,具有更大的应用性和操作性。最后,以武汉市为例通过实验证明该混合模型较单一模型在空气污染物预测上具有更高的精度。 相似文献
4.
利用2002-04~2017-06 GRACE月时变重力场信息,反演得到三峡水库区域、长江流域和亚马逊流域的等效水高及地表垂直、水平形变时间序列。在LSTM(long short-term memory)网络基础上,通过堆叠LSTM结构以及在输出层中添加线性连接层来增加网络层数,构成深度LSTM神经网络对时间序列进行预测。引入注意力机制以提高模型对于序列长期特征的提取能力,并使用遗传算法筛选最佳网络层数和优化部分网络超参数。结果表明,在动态预测模式下,纳什系数NSE(Nash-Sutcliffe efficiency coefficient)最差为0.907 9,最好可达0.977 7,标准化的均方根误差R*(scaled root mean square error)最小为0.146 5,最大为0.297 5;在静态预测模式下,评价指标R*均低于0.062 2,NSE均大于0.99,表明模型性能优异。 相似文献
5.
6.
熊思亦熊永良 《大地测量与地球动力学》2023,(9):899-903
为提高海平面变化预测精度,将自适应噪声完备集合经验模态分解(CEEMDAN)与长短期记忆网络(LSTM)相结合,采用“分解-预测-重组”思路,提出一种海平面变化预测组合方法CEEMDAN-LSTM。结果表明,相对于直接使用LSTM神经网络进行预测(MAE=16.87 mm, RMSE=21.51 mm),以及已有的EEMD-BP神经网络组合方法(MAE=10.4 mm, RMSE=15.44 mm),CEEMDAN-LSTM组合方法预测表现最优(MAE=8.89 mm, RMSE=11.34 mm),具有最低的预测误差。 相似文献
7.
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
8.
FLUS-UGB多情景模拟的珠江三角洲城市增长边界划定 总被引：2，自引：0，他引：2
城市增长边界（UGBs）能够控制城市空间的无序蔓延并引导城市合理增长,多发展情景下的UGBs是对不同规划条件下城市未来发展空间范围进行界定的常用方法。元胞自动机（CA）模型能对未来城市发展进行动态的预测,并已广泛的应用于UGBs的划定中。然而,目前的方法和模型大多只针对单一的城市发展情景进行UGBs的划定,较少能对未来多种发展情景下的UGBs进行准确划定。因此,针对这个问题本文提出了一种基于未来用地模拟（FLUS）模型和膨胀与腐蚀的算法的多情景UGBs划定模型（FLUS-UGB）。本文选取珠江三角洲地区为研究区,在对2000-2013年珠江三角洲地区城市土地利用进行模拟和验证的基础上（Kappa系数为0.715,总体精度为94.539%）,预测了2013-2050年基准、耕地保护及生态控制3种情景下珠江三角洲地区的城市扩张,并根据预测结果对该地区UGBs进行划定。结果显示,该方法能够针对不同的城市发展情景进行相应UGBs的划定,具有较好的可靠性及适用性。 相似文献
9.
青藏高原的降水量预测不仅为该地区水资源合理规划利用提供依据,同时对中国及周边国家气候变化研究有着重要的意义。论文利用1990—2016年青藏高原降水量数据,采用长短期记忆神经网络（LSTM）对青藏高原月降水量进行预测,主要包括：① 使用青藏高原86个测站1990—2013年的月降水资料,预测各个测站2014—2016年的月降水量,并与传统的RNN、NAR、SSA和ARIMA预测模型相比,平均决定系数R2分别提高了0.07、0.15、0.13和0.36,均方根误差（RMSE）和平均绝对误差（MAE）表现更低;② 分析了降水量预测精度的空间分布特征,将各模型的R2在青藏高原地区内插值,分析R2的空间分布特征,发现所有模型降雨稀少的干旱地区和降雨多的湿润地区R2较低,在气候稳定、降水规律性明显的地区R2较高,且LSTM模型R2≥0.6的空间范围远大于传统模型;③ 分析了不同预测长度对各模型预测精度的影响,发现所有模型会随着预测长度增加而预测精度降低,但在不同的预测长度下LSTM预测的RMSE值都低于其他模型。 相似文献
10.
为了提高暴雨预测准确率和降低城市暴雨造成的危害和损失。使用大气探空和自动气象站1次份钟的观测资料,以“信息确定性”和“时间不占有物质维”的观点,采用非规则信息数字化分析方法,对城市暴雨预测进行实用性分析。结合2004年6月29日至30日成都地区的暴雨实例,通过将复杂的数量信息转化为方位角的相空间结构信息,对暴雨发生前后的风速、风向、温度、湿度分别进行相空间分析,结果表明相空间图配合V-30结构图能够对城市暴雨进行细化预测。 相似文献
11.
针对电离层总电子含量(TEC)时间序列非线性、非平稳性等特点,提出以卡尔曼滤波对电离层TEC数据进行预处理为基础,融合长短期记忆神经网络模型,构建KF-LSTM短期电离层组合模型预测TEC的方法,并利用该模型预测2016年和2018年4个时段的高、中、低纬度及赤道地区36个格网点提前1 d的电离层TEC。结果表明,KF-LSTM组合模型预测效果优于传统BP神经网络模型和单纯的LSTM模型。在赤道地区,其预测效果与C1PG模型相当;在15°～75°N地区,其预测效果优于C1PG模型。 相似文献
12.
准确预测城市内部OD流对于优化城市交通运行效率、提高资源利用率以及促进城市可持续性发展具有重要作用。现有研究大多基于单一尺度利用地理位置之间大量的历史流量来预测未来的流量,尚未有研究充分探究不同空间尺度下OD流预测可能存在的重要特征或建模精度差异等问题。本研究以北京市出租车轨迹为例,采用深度重力模型（Deep Gravity）对不同空间尺度下的轨迹OD流进行预测。同时,引入SHAP值（SHapley Additive exPlanations）揭示不同尺度下影响OD流预测建模的重要特征。结果表明：(1)相比于重力模型和辐射模型,街道尺度下深度重力模型的OD流预测精度最高（CPC值高达0.83）,且成功捕捉到了北京市早晚高峰时段的OD流网络整体结构,呈现出“环形散射状”特征;(2)在本研究所选各空间尺度下,对OD流预测精度影响最大的4个特征均为O、D点之间的出行距离,O、D点周围公司企业数量、餐饮服务数量以及购物服务数量;(3)同一特征对OD流预测模型的局部影响不同于全局,如科教文化和体育休闲类POI在全局尺度下对模型影响较小,但在局部尺度下却表现出极大的影响。 相似文献
13.
受地面沉降严重威胁到生命财产安全的人口已达19%,开展地面沉降模拟预测对防灾减灾具有非常重要的现实意义。针对现有地面沉降预测在模型参数难以获取、单一深度学习方法在预测精度低等方面的局限性,本文提出了集成大模型核心技术的地面沉降预测方法。首先,从地面沉降模拟预测的顶层设计,提出了基于深度学习的地面沉降预测包括算力层、数据层、模型层、评估层与应用层的总体架构;其次,基于LSTM与Transformer提出了地面沉降预测的实用方法;最后,利用上海的地面沉降数据进行了实验研究。结果表明：深度学习技术可以在地面沉降模拟预测中取得较好的结果,多模型法对地面沉降变化不大、回弹、变化较大均可进行预测,iTransformer模型对地面沉降变化较小的情况预测效果较好;在微量地面沉降时代,利用大模型的核心技术Transformer可以取得较高的精度。 相似文献
14.
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
15.
交通预测对于交通智能管控具有重要的作用,实时准确的交通速度预测是相关研究领域中亟待解决的问题。传统预测方法难以应对日益复杂的交通数据,深度学习作为一种以数据为导向的新技术,在交通预测领域得到了广泛应用。综合利用城市道路交通的时空关联特征,搭建基于长短期记忆(LSTM)的城市道路交通速度预测模型,模型在时间特征上考虑了近历史时刻和远历史时刻的速度信息,以及待预测时刻的时刻值;在空间特征上集成了目标路段的上下游路段速度信息。基于武汉市出租车GPS数据和高德开放交通数据,开展数据处理与路段速度预测实验,分析预测模型参数与特征对预测结果的影响,并通过与传统方法的对比验证模型的有效性。 相似文献
16.
在快速城市化进程中,有效地保护耕地数量和质量是一个重要的科学命题。本文以广东省东莞市为例,通过构建Logistic-CA城市扩张模型,试图探明城市快速扩张主导下的耕地演化特征和机制,对耕地演化进行模拟与预测,为城市的可持续发展规划和耕地保护提供科学的参考依据。首先,分析了1998-2013年东莞市各用地类型间的转换关系,对城市扩张与耕地演化的机制进行了探究;其次,综合考虑地理、经济与政策因子,通过对地理因子模拟和地理与经济结合模拟2种结果的比较分析,选取最优因子组合定义了CA转换规则,构建Logistic-CA模型;最后,基于该模型,依据2006-2020年东莞市土地利用总体规划图,对耕地演化进行预测,并进行数量、质量和空间形态上的分析。模拟结果表明,在耕地演化机制上,东莞市在2003-2008年和2008-2013年2个时段中新增城市用地分别有71.96%和80.86%直接或间接来源于耕地,且相应时段内的耕地补给量远小于耕地流失量;在空间形态上,呈现大块耕地边缘破碎化,细碎耕地逐步消亡的空间演化模式。模型的预测结果表明,至2020年耕地将会减少8205.4 hm2,且优等耕地和高等耕地的减少比重分别达到5.16%和5.27%。 相似文献
17.
引入变分模态分解(VMD)和双向长短期记忆(BiLSTM)神经网络进行大坝变形预测研究。首先采用VMD降低大坝原始数据非线性和非平稳性对预测结果的影响;其次使用猎食者算法(HPO)对BiLSTM进行参数优化,构建基于VMD-HPO-BiLSTM的大坝变形预测模型;最后以某水电站大坝为例,将该模型预测结果与LSTM、BiLSTM和VMD-BiLSTM模型的预测结果进行对比分析。实验结果表明,VMD-HPO-BiLSTM模型的RMSE、MAE和MAPE分别为0.446 mm、0.264 mm、18.593%,均优于其他3种模型,预测精度最高。 相似文献
18.
城市基础设施的全方位描述与信息化管理是建设新型智慧城市的重要基础。目前在城市基础设施建模与管理方面,以地图为模板的空间数据模型、传统的面向对象空间数据模型以及实时GIS数据模型不支持对时空对象组成结构、行为能力等要素的描述,无法全面、精细地表达设施对象信息,而计算机、物联网和地理信息系统（Geographic Information System,GIS）领域已有的城市基础设施管理方案忽略了对设施自身信息的管理,无法较好地支持设施对象及其产生数据的一体化管理。针对上述问题,首先通过扩展GBT30428.2-2013标准,完成了城市基础设施的分类与编码;然后基于多粒度时空对象数据模型（Multi-granularity Spatiotemporal Object Data Model, MGSTODM）,提出了一种城市基础设施对象化描述模型,支持对城市基础设施信息的全方位描述与表达;在此基础上,提出一种城市基础设施对象化管理方法,设计了相应的技术架构,并研制了基于云存储的百万级城市基础设施对象化管理原型系统。试验结果表明,所提出的城市基础设施对象化描述模型与管理方法具备可行性、有效性和高效性。 相似文献
19.
利用终端位置时空转移概率预测通讯基站服务用户规模 总被引：1，自引：0，他引：1
基站服务用户数的预测对通信基站的空间位置选取、通讯服务带宽的配置优化等有重要作用,并为城市公共安全管理方面中的人群聚集预警与群体事件预防提供辅助决策支持。本文利用海量手机轨迹数据,运用时空转移概率定量化描述城市内不同区域间人群流动的时空特性,结合马尔可夫链和贝叶斯定理,构建手机用户群体在基站间的时空转移概率模型,并以此提出一种城市区域尺度上的基站服务用户数预测方法。利用湖北省某城市长达30 d的手机轨迹数据进行模型训练与预测方法验证,实验结果表明：在时间粒度为60 min时,本文提出的方法对8-22时各时段基站服务用户数预测准确率都大于94.8%;在不同时间粒度下对比本文方法、Castro模型、移动平均法,发现在时间粒度大于20 min时,本文方法预测准确率高于另外两种方法。 相似文献
20.
为提高PM2.5浓度预测的时效和精度,本文综合大气污染物、GNSS水汽和风速等观测要素,利用FFT与LSTM神经网络方法构建PM2.5浓度预测模型,开展未来24 h的PM2.5浓度预测研究。首先对大气污染物、GNSS水汽和风速等观测要素进行快速傅里叶变换,提取各类要素的公共变化周期,获得最佳公共周期为216 h;然后选取最佳公共周期长度的各类要素作为模型输入,24 h序列的PM2.5浓度作为模型输出,分别以PM2.5单要素的RBF神经网络和融合大气污染物、风速、GNSS水汽的LSTM神经网络构建PM2.5浓度预测模型;最后利用实测PM2.5浓度序列分别对2种模型开展外部可靠性检验,将RMSE和IA作为评价指标进行模型精度评价。研究结果表明,基于FFT-LSTM的PM2.5浓度预测模型的RMSE和IA分别为16.22 μg/m3和84.36%,模型预测精度较好,可有效预测未来24 h的PM2.5浓度,该模型可为大气污染防治部门空气质量预测提供参考。 相似文献