共查询到19条相似文献，搜索用时 254 毫秒
1.
短时交通流量预测是交通控制和诱导涉及的关键技术问题,由于短时交通流量存在不确定性和时变性,其预测难度较大,是相关研究领域与工程实践中亟待解决的难题。为提高短时交通流量预测的准确性,本文设计与实现了基于相似数据聚合和变K值KNN(KNN-SDA)的短时交通流量预测算法。该算法首先采用互信息法在经过预处理的交通流量数据集提取交通流量序列最佳延迟时间信息,生成状态向量,并构建交通流量历史数据库;然后以本文所提出的相似数据聚合方法完成历史数据的聚合与清洗得到训练数据集;最后通过交叉验证确定每个时刻的最优K近邻数,完成算法实现。实验结果表明,本文提出的变K值KNN-SDA算法在保证执行效率的同时能明显提高短时交通流量的预测精度。 相似文献
2.
以中国典型黄土滑坡域甘肃黑方台党川6#滑坡体为例,基于滑坡体北斗和位移计时序监测数据,首先利用深度学习框架Tensorflow分别构建3种循环神经网络滑坡位移预测模型：简单循环神经网络(simple recurrent neural network,SimpleRNN)、长短期记忆网络(long short-term memory,LSTM)和门控循环单元(gated recurrent unit,GRU),并进一步针对循环神经网络在参数设置时多采用经验手动调参或采用网格搜索法,易造成人为主观影响较大和计算效率低下的突出问题,引入遗传算法（genetic algorithm,GA）优化循环神经网络参数的自动最佳化选取,分别构建3种基于遗传算法改进的循环神经网络滑坡位移高精度预测模型：GA-SimpleRNN、GA-LSTM、GA-GRU。研究结果表明,改进参数自动寻优后的3种循环神经网络预测模型具有更优的预测性能,特别是GA-GRU模型预测精度最高,更适用于滑坡体长时序位移的高精度预测。 相似文献
3.
为了削弱PPP参数估计中动力学模型异常对Kalman滤波解的影响,针对PPP状态向量中各类参数不符值对动力学模型异常描述特性的不同,以位置相关为条件对参数进行分类,构建分类因子自适应Kalman滤波用于PPP参数估计。选取6个IGS站点3 d的数据,使用标准Kalman滤波与构建的自适应Kalman滤波进行PPP解算分析。结果表明,相较于标准Kalman滤波,自适应Kalman滤波能通过自适应因子调节状态预测协方差,加速PPP收敛。静态模式下,平均收敛时间从28.2 min缩减到19.4 min,N、E、U方向的平均精度为1.50 cm、3.34 cm、5.55 cm,分别提高7%、14%、19%;动态模式下,构建的自适应Kalman滤波解N、E、U方向偏差的RMS值为2.7 cm、3.6 cm、6.3 cm,较标准Kalman滤波分别提高13%、28%、43%。 相似文献
4.
各类光学植被指数已成功地应用于各种植被监测与作物产量估算中,但这些指数易受大气状况的影响。由星载微波辐射计得到的植被光学厚度数据（VOD）与植被密度、含水量密切相关,数据可全天候获得,在农业遥感监测中呈现着巨大的潜力。作为来自不同传感器的遥感数据,微波遥感数据与光学遥感数据可以提供不同波长范围内的植被信息。为了更准确地进行作物产量估算,本研究提出将微波遥感数据与光学遥感数据共同应用于冬小麦单产估算中。研究选择L波段微波辐射计SMAP卫星的VOD数据与MODIS的标准归一化植被指数NDVI、增强型植被指数EVI、叶面积指数LAI、光合有效辐射分量FPAR数据作为研究变量,分别使用BP神经网络、GA-BP神经网络和PSO-BP神经网络建立冬小麦产量估算模型。结果表明： 3种神经网络回归模型的P值均小于0.001,通过了显著性检验。GA-BP神经网络回归模型的估算值与真实值在3种神经网络回归模型中表现了最高的相关性（R=0.755）与最低的均方根误差（RMSE=529.145 kg/hm2）,平均绝对误差(MAE=425.168 kg/hm2)和平均相对误差（MRE=6.530%）。为了分析多源遥感数据的结合在作物产量估算中的优势,研究同时构建了仅使用NDVI和LAI,使用NDVI、EVI、LAI、FPAR等光学数据进行冬小麦产量估算的3种GA-BP神经网络回归模型作为对比。结果表明,使用微波遥感数据与光学遥感数建立的GA-BP神经网络回归模型较上述3种作为对比的GA-BP神经网络回归模型的相关系数R值分别提高了0.163,0.229与0.056,均方根误差RMSE分别降低了122.334、158.462和46.923 kg/hm2,使用多源遥感数据的组合可以很好地提高作物产量估算的准确性。 相似文献
5.
建立一种考虑了影响系数的优势周期均生函数主分量时序须测模型。该方法对时间序列的均生函数进行主分量分析，用主分量作自变量。根据变量后期值受前期值的影响引入影响系数Ｋ（ｔ），并应用方差分析法确定Ｋ（ｔ）的优势周期，进而求出预测时刻的Ｋ（Ｎ＋１），由变量的前期值和Ｋ（Ｎ＋１）就能计写出变量的预测值（Ｎ＋１），该方法用于四川省２０个地区丰季和全年降水预测，并将试报结果与均生函数建模法试报结果进行了比较，效果尚好。 相似文献
6.
一种适用于精密单点定位的抗差自适应滤波 总被引：1，自引：0，他引：1
分析了卫星星座PDOP值与卫星数的关系以及伪距和载波相位观测值残差量级的大小,结合精密单点定位各参数的特性,提出一种适用于精密单点定位的分类因子抗差自适应滤波法。该方法在等价权函数的选取上兼顾PDOP值的检验,并对不同观测量分别进行抗差等价权替换。根据不同参数的特性,建立分类自适应因子,利用预测残差求取各类参数的自适应因子。实验表明,该方法不仅能检测和控制异常观测量对定位解算的影响,而且能提高PPP定位的精度及可靠性。 相似文献
7.
针对最小二乘支持向量回归机（LSSVR）中惩罚参数c和核函数参数σ难以确定，以及标准人工蜂群算法（ABC）易陷入局部最优、收敛速度慢等问题，提出一种改进的人工蜂群算法（IABC）来优化LSSVR的参数并进行变形预测研究。首先，IABC算法利用反向学习策略生成正反2个种群来增加初始群体的多样性，一次迭代后对双种群的当前最优食物源进行信息交换以实现优中选优，并设计食物源自适应权重函数及适应度自适应选择函数平衡ABC的勘探和开发能力；其次，以LSSVR的预测精度为目标函数，并将其转化为IABC的适应度函数，以此构建出基于IABC优化LSSVR的预测模型；最后，以基坑监测数据为例，将IABC优化的LSSVR模型、ABC优化的LSSVR模型以及基于PSO的组合模型进行预测对比分析。结果表明，IABC增加了种群的多样性，提高了收敛精度，基于IABC优化的LSSVR模型预测的变形趋势更符合实际，预测精度高于对比模型。 相似文献
8.
精确、细粒度空气质量分指数（Individual Air Quality Index, IAQI）预测是空气质量指数（Air Quality Index, AQI）的基础,对于空气质量防治和保护人类身心健康均具有重要意义。目前传统时序建模、循环神经网络（Recurrent Neural Network, RNN）、图卷积网络（Graph Convolutional Network, GCN）等方法难以有效融合时空因素和气象因素,稳定提取监测站点间动态边缘关系。本文提出了基于时空因果卷积网络（Spatial-Temporal Causal Convolution Networks, ST-CCN）的空气质量分指数预测模型ST-CCN-IAQI。首先采用空间注意力机制分析多源空气污染物和气象因素的空间效应;其次利用堆叠膨胀卷积和时间注意力机制提取特征矩阵的时间依赖性特征;最后采用贝叶斯调优方法对膨胀卷积的多种参数进行了调优。本文采用上海市空气监测站空气质量分指数（IAQI-PM2.5）数据展开实验,并采用一系列基线模型（AR、MA、ARMA、ANN、SVR、GRU、LSTM和ST-GCN）与ST-CCN-IAQI效果进行对比。实验结果显示：① 在单测站测试中,ST-CCN-IAQI的RMSE和MAE值分别为9.873、7.469,相比基线模型平均下降了24.95%和16.87%;R2值为0.917,相比基线平均提升了5.69%;② 对全部站点的IAQI-PM2.5、IAQI-PM10和IAQI-NO2的预测,证明了ST-CCN-IAQI具有较强的泛化能力和稳定性。③ 采用Shapley分析方法论证了IAQI-PM10、湿度、IAQI-NO2对IAQI-PM2.5的预测具有较大程度的影响;通过不同数据抽样条件下的Friedman检验,证明了ST-CCN-IAQI对比基线模型有显著的性能提升。ST-CCN-IAQI方法为细粒度IAQI精准预测提供了一种鲁棒可行的解决方案。 相似文献
9.
为解决多输出边坡变形预测问题,提高预测模型的精度及计算效率,提出基于多输出相关向量机（MRVM）的边坡变形预测新模型。通过将标准RVM的单输出功能拓展到多维输出功能的方式建立MRVM,并利用PSO算法优化其参数。以某大型干坞边坡变形为例,基于MRVM建立边坡坡顶水平变形与沉降变形预测模型,并对其精度及计算效率进行分析。实验结果表明,MRVM的精度高于BP 神经网络、支持向量机（SVM）、RVM,证实拓展RVM所采用的方法可行,并具有较好的边坡预测精度;MRVM的计算时间远小于BP 神经网络、支持向量机（SVM）、RVM,具有较高的计算效率,并简化了建模程序,实现了对边坡的多个变形量进行同时预测。 相似文献
10.
船舶行为特征挖掘与预测是水上智能交通系统的重要研究内容,也是交通运输工程领域的关键科学问题。为系统研究基于船舶自动识别系统（Automatic Identification System, AIS）数据的船舶行为特征挖掘与预测的研究现状与发展趋势,本文首先针对Web of Science(WOS)和中国知网（China National Knowledge Infrastructure, CNKI）收录的文献,用知识图谱分析软件VOSviewer对文献关键词进行处理,从文献计量学的角度生成高频关键词的聚类图谱和趋势演化。然后对基于AIS数据的水上交通要素挖掘、船舶行为聚类和船舶行为预测3个主题的研究内容、方法、存在问题进行了系统分析和展望,研究结果表明：① 在基于AIS的水上交通要素挖掘方面,主要集中在对AIS数据中表征船舶行为空间特征和交通流的时间特征单独挖掘分析,缺乏对AIS数据的时间、空间以及环境因素特征的关联挖掘,对于如何进行交通要素的关联融合挖掘研究还有待深入探索;② 在船舶行为聚类方面,研究主要是运用无监督聚类方法研究船舶航迹点和航迹段聚类,得到船舶航行行为模式的时空分布和船舶操纵意图辨识模型,然而融合多维特征的船舶轨迹的相似性计算方法、聚类参数的自适应选取以及船舶行为的语义特征建模有待进一步研究;③ 在船舶行为预测方面,主要集中在基于动力学方程、传统智能算法和深度循环神经网络的船舶行为预测研究,考虑船舶行为的随机性、多样性和耦合性的特点,运用混合神经网络模型以及神经网络与向量机、注意力机制相结合的模型实现多维的船舶航行行为特征的实时预测将是新的研究方向。最后提出了基于语义模型的船舶行为特征挖掘、基于深度卷积神经网络的船舶行为的预测和基于知识图谱的船舶行为特征挖掘和预测结果可视化等有待进一步研究的方向。 相似文献
11.
WANGXie-kang HUANGEr CUIPeng 《中国地理科学(英文版)》2003,13(3):262-266
Debris flow is one of the most destructive phenomena of natural hazards. Recently, major natural haz-ard, claiming human lives and assets, is due to debris flow in the world. Several practical methods for forecasting de-bris flow have been proposed, however, the accuracy of these methods is not high enough for practical use because of the stochastic and non-linear characteristics of debris flow. Artificial neural network has proven to be feasible and use-fill in developing models for nonlinear systems. On the other hand, predicting the future behavior based on a time se-ries of collected historical data is also an important tool in many scientific applications. In this study we present a three-layer feed-forward neural network model to forecast surge of debris flow according to the time series data collect-ed in the Jiangjia Ravine, situated in north part of Yunnan Province of China. The simulation and prediction of debris flow using the proposed approach shows this model is feasible, however, further studies are needed. 相似文献
12.
手机用户上网时段研究与预测对手机用户行为与模式分析、网络服务内容设计、网络黏性与心理、移动互联商业智能等具有重要意义。本文结合Markov模型和关联规则模型,提出一种手机用户上网时段的混合Markov预测方法——Lift-Markov（LM）方法,并采用中国某城市4G手机用户流量上网产生的流量收费数据进行实验验证与分析。研究发现：该实验区域37.66%的手机用户个体存在明显的以天为周期的周期性特性;本文所提出的LM方法在10、20、30、40、50、60 min间隔时的平均预测准确率都优于Markov模型和Mostvalue模型,其中在60 min间隔时能达到79.75%的平均准确率,优于Markov模型（74.64%）和Mostvalue模型（64.44%）;LM方法的预测准确率分布相比于其他2种模型都要窄,而且密度分布峰值最高、标准差最小,说明本文方法对人群的上网时段预测准确率较为集中与稳定,具有较好的预测性能。 相似文献
13.
大地测量数据往往包含许多不确定性，可能导致所建立的函数模型产生病态，影响参数估计的准确性和可靠性。通过研究边坡变形非线性时变系统的力学原理，利用多项式拟合方法改进原模型，在参数解算过程中，考虑到测量数据的不确定性给解算结果带来消极影响，通过限制不确定度，利用min-max准则，提高参数解算的准确性，并将预测变形结果与实测边坡位移数据对比。结果表明，带不确定性的平差算法（least-square with uncertainty，ULS）与最小二乘平差（least-squares，LS）和整体最小二乘平差（total least-square，TLS）相比，其预测结果更接近实际测量数据，证明了改进的边坡变形非线性时变系统预测变形的有效性。 相似文献
14.
在遥感图像分类过程中,进行合理的特征优选操作,将有助于提高分类器的分类效率及精度。本文以淮南地区资源三号卫星多光谱遥感影像数据为例,采用二值离散化、直方图法及F统计法3种计算方法实现mRMR（minimal-Redundancy-Maximal-Relevance）算法特征优选过程。根据3种方法所得到的特征优选结果及全部特征信息,分别采用C5.0决策树和K近邻2种分类器进行图像分类实验,并利用目视解译方法对不同方法组合的影像分类结果进行精度验证。实验结果表明,利用3种计算方法实现mRMR特征优选算法对不同分类器的影响程度不同：在分类效率方面,C5.0决策树分类器可提高36.84%,而K近邻分类器可提高72.05%;在分类精度方面,C5.0决策树分类器能保证分类精度大致不变,总体分类精度可提高0.60%,Kappa系数可提高0.80%,而K近邻分类器总体分类精度可提高4.34%,Kappa系数可提高7.90%。 相似文献
15.
使用麻雀搜索算法(sparrow search algorithm,SSA)对BP神经网络的初始权值和阈值进行优化和调整,以提高神经网络模型短期预报的精度和稳定性.采用IGS产品中的卫星钟差数据,对SSA-BP神经网络模型、PSO-BP神经网络模型、传统BP神经网络模型及传统二次多项式模型(QP模型)进行实验对比,结果... 相似文献
16.
���ڽؾ�������GM��1��1��ģ���ڼ���Ԥ���е�Ӧ�� 总被引：1，自引：1，他引：0
徐君毅 《大地测量与地球动力学》2010,30(1):88-91
????GM??1??1???????????????ж????????????????????????????????????????????μ????????????????????????????????????????????????????GM??1??1???????????????????????????????Ч??????????? 相似文献
17.
??????μ???????????????????????????????????????????????????????????????з????????????????????????????????????????????????????￡?????????????????????????????????????????????????????????????????????Ч?????б???????????????????????????????????????????????????? 相似文献
18.
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
19.
According to the characteristics of Chinese marginal seas, the Marginal Sea Model of China (MSMC) has been developed independently in China. Because the model requires long simulation time, as a routine forecasting model, the parallelism of MSMC becomes necessary to be introduced to improve the performance of it. However, some methods used in MSMC, such as Successive Over Relaxation (SOR) algorithm, are not suitable for parallelism. In this paper, methods are developedto solve the parallel problem of the SOR algorithm following the steps as below. First, based on a 3D computing grid system, an automatic data partition method is implemented to dynamically divide the computing grid according to computing resources. Next, based on the characteristics of the numerical forecasting model, a parallel method is designed to solve the parallel problem of the SOR algorithm. Lastly, a communication optimization method is provided to avoid the cost of communication. In the communication optimization method, the non-blocking communication of Message Passing Interface (MPI) is used to implement the parallelism of MSMC with complex physical equations, and the process of communication is overlapped with the computations for improving the performance of parallel MSMC. The experiments show that the parallel MSMC runs 97.2 times faster than the serial MSMC, and root mean square error between the parallel MSMC and the serial MSMC is less than 0.01 for a 30-day simulation (172800 time steps), which meets the requirements of timeliness and accuracy for numerical ocean forecasting products. 相似文献