排序方式： 共有20条查询结果，搜索用时 234 毫秒
1.
针对Aqua和Terra MODIS AOD数据利用线性回归算法拟合结果不够精确的问题,本文提出了二次多项式回归算法对其进行拟合,二次多项式是指这个多项式的项数超过1,且最高次方数为2。采用二次多项式回归和线性回归算法分别对2015年随机选择的一天和4-6月的AOD数据进行拟合,并将两种方法拟合的结果进行对比分析。研究结果显示,针对同一组Aqua和Terra MODIS AOD数据的拟合,二次多项式回归方法拟合得到的RMSE、MAE、R值比线性回归拟合方法得到的值精度都要高很多,说明二次多项式回归拟合方法在Aqua和Terra MODIS AOD数据的拟合方面优于线性回归方法的拟合,证明了二次多项式回归拟合方法适用于此方面的研究,而且能够提升Aqua和Terra MODIS AOD数据拟合结果的精度。 相似文献
2.
时空地理加权回归方法本质上是一种局部回归,容易放大局部的时空效应,而减小或者忽略了影响因素全局上的重要程度,造成估计偏差.为了解决这个问题,该文提出一种社会经济权重约束下的时空地理加权回归方法,在计算时空权重矩阵的同时,采用客观赋值法,利用各社会经济因素间的对比强度和冲突性,从全局角度计算各社会经济因素的权重,再基于各因素权重估算相对应的回归系数.以京津冀地区生产性服务业影响因素分析为例,进行实验验证.结果 表明,新方法的RMSE和SSE比传统GTWR的分别提升了75.08％、93.9％,R2提升了13.4％,有效弥补了GTWR放大时空非平稳特征、忽略社会经济因素重要程度的不足,提升模型拟合效果. 相似文献
3.
针对地理加权回归参数估计采用最小二乘方法,最小二乘估计易受离群值影响,导致地理加权回归模型并不稳健的问题,该文提出基于稳健度量选权迭代的地理加权回归分析方法,核心思想是通过标准化残差构造权重函数,通过迭代加权降低离群值对回归模型参数估计的影响。利用模拟数据与真实数据进行试验,分别与GWR、RGWR进行对比分析,以MSE、MAE为指标进行性能评价。模拟数据试验中,RMIWGWR模型比RGWR模型的MSE、MAE指标分别提升9.29%和8.34%;真实数据试验中,RMIWGWR模型比RGWR模型的MSE、MAE指标分别提升63.88%和38.45%。试验表明:该方法可改善粗差存在环境下地理加权回归模型参数估计精度,提升模型拟合效果。 相似文献
4.
针对现有空间离群点挖掘算法无法适应大规模空间数据挖掘的需求,该文提出了一种分布式条件下的空间离群点挖掘算法。首先,该文针对集群上分布式计算和存储的特点提出使用空间填充曲线来划分数据集,加速寻找目标点的近似空间最近邻居。其次,使用信息熵的理论来定义空间离群系数,考虑到多维数据中不同属性对离群系数的影响具有差异性,该算法能够自动根据数据原有特点,计算各属性的权重;同时使用反距离权定义空间因素对离群系数的影响。最后,实验结果表明该算法在大规模的空间数据集中挖掘离群点的效率远高于传统算法,离群点的挖掘精度在90%以上。 相似文献
5.
一种协同时空地理加权回归PM2.5浓度估算方法 总被引：2，自引：1，他引：1
针对PM2.5浓度估算中时空特征考虑不足和样本量较少的问题,该文将协同训练和时空地理加权回归相结合,提出了协同时空地理加权回归。采用两个不同参数的时空地理加权回归模型作为回归器,利用一个回归器训练另一个回归器的未标注样本,选择最优结果作为标注样本加入标注样本,通过不断学习扩大标注样本量提升模型的回归性能。以京津冀地区2015年3-7月的PM2.5浓度数据为实验数据,利用气溶胶光学厚度产品、温度、风速和相对湿度进行建模,采用不同核函数的时空地理加权回归作为对比方法进行实验。结果显示,协同时空地理加权回归性能比基于Gauss核函数时空地理加权回归提升了10%,比基于bi-square核函数时空地理加权回归提升了6.25%,证明该文方法能够提升时空样本数量不足时的PM2.5浓度估算精度。 相似文献
6.
针对驱动力对人口城镇化的空间变异特征分析不足的问题,该文以长江经济带市域为基本单元,借助社会经济数据,引入自然环境数据,建立了经济、社会、环境和土地因子的测度指标体系。运用探索性空间数据分析和地理加权回归模型,定量分析人口城镇化的空间格局、动力因子以及空间分异性。结果表明:人口城镇化水平区域间差异显著,呈现明显的空间集聚性,形成了"圈层集中-东西对立-中心联动-梯度明显"的分布格局。动力因子对各地区人口城镇化的影响呈现明显的空间异质性,环境因子和经济因子是长江经济带人口城镇化发展的主要影响因素,动力因子的影响程度和变化趋势能够客观的反映出区域经济发展、环境状况、社会发展和土地现状对城镇化发展在空间上的影响。 相似文献
7.
8.
一种基于主成分分析的协同克里金插值方法 总被引：1，自引：0，他引：1
针对协同克里金插值方法在插值时,辅助变量较多造成计算复杂度增加,而辅助变量较少引起插值精度降低这一问题,提出了一种基于主成分分析的协同克里金插值方法（PCA-CoKriging）。该方法首先使用主成分分析对插值相关变量进行将维,得到较少几个综合指标,然后里利用这几个综合指标作为辅助变量进行协同克里金插值。为验证该方法的有效性和数据分布对该方法的影响,本文选取了2016年北京市范围内4个季节中PM2.5浓度满足正态分布效果不同的4组数据,分别使用PCA-CoKriging和普通克里金插值方法、常规协同克里金插值方法,进行了插值试验。结果表明,本文方法与普通克里金插值方法、常规协同克里金插值法在4组试验中的平均绝对误差分别为4.91、6.04、5.61,平均均方根误差分别为6.65、8.76、7.57。综合比较,本文方法比常规协同克里金插值的平均绝对误差与均方根误差分别提升了10.73%、12.56%,比普通克里金插值法的平均绝对误差与均方根误差分别提升了18.71%、24.09%。 相似文献
9.
地理加权回归方法在小样本数据下回归分析精度往往不高。半监督学习是一种利用未标记样本参与训练的机器学习方法,可以有效地提升少量有标记样本的学习性能。基于此本文提出了一种基于半监督学习的地理加权回归方法,其核心思想是利用有标记样本建立回归模型来训练未标记样本,再选择置信度高的结果扩充有标记样本,不断训练,以提高回归性能。本文采用模拟数据和真实数据进行试验,以均方误差提升百分比作为性能评价指标,将SSLGWR与GWR、COREG对比分析。模拟数据试验中,SSLGWR在3种不同配置下性能分别提升了39.66%、11.92%和0.94%。真实数据试验中,SSLGWR在3种不同配置下性能分别提升了8.94%、3.36%和5.87%。SSLGWR结果均显著优于GWR和COGWR。试验证明,半监督学习方法能利用未标记数据提升地理加权回归模型的性能,特别是在有标记样本数量较少时作用显著。 相似文献
10.
针对采用地理加权回归模型（GWR）进行预测时输入变量较多导致计算复杂度高,而输入变量较少引起预测精度降低这一问题,提出了一种基于主成分分析的地理加权回归方法（PCA-GWR）。首先,该方法检验了气溶胶光学厚度（AOD）影响因素之间的共线性;然后,通过非线性主成分分析法（NLPCA）对影响AOD值的若干相关变量进行处理,既消除了相关变量彼此之间的多重共线性,又可以起到降维的作用;最后,利用非线性主成分分析得到较少的几个综合指标,通过地理加权回归模型对AOD值进行分析预测。为验证该方法的有效性,采用京津冀地区的AOD、高程、风速、气温、湿度、气压、坡度、坡向数据,利用Pearson相关系数法选取与AOD浓度具有较高相关性的影响因素作为常规的GWR模型的输入变量,在变量个数相同的前提下,与本文方法进行对比。研究结果表明：应用非线性主成分分析法对相关变量进行预处理后,有效地解决了变量之间的共线性,保留了原始影响因素主要信息,提高了运算效率,且该方法所得的MAE、RMSE、AIC及其拟合优度R2均优于常规的GWR模型。 相似文献