A hybrid integrated deep learning model for the prediction of citywide spatio-temporal flow volumes     

Yibin Ren  Huanfa Chen  Tao Cheng  Yang Zhang  Ge Chen 《International journal of geographical information science》2020,34(4):802-823

ABSTRACT

The spatio-temporal residual network (ST-ResNet) leverages the power of deep learning (DL) for predicting the volume of citywide spatio-temporal flows. However, this model, neglects the dynamic dependency of the input flows in the temporal dimension, which affects what spatio-temporal features may be captured in the result. This study introduces a long short-term memory (LSTM) neural network into the ST-ResNet to form a hybrid integrated-DL model to predict the volumes of citywide spatio-temporal flows (called HIDLST). The new model can dynamically learn the temporal dependency among flows via the feedback connection in the LSTM to improve accurate captures of spatio-temporal features in the flows. We test the HIDLST model by predicting the volumes of citywide taxi flows in Beijing, China. We tune the hyperparameters of the HIDLST model to optimize the prediction accuracy. A comparative study shows that the proposed model consistently outperforms ST-ResNet and several other typical DL-based models on prediction accuracy. Furthermore, we discuss the distribution of prediction errors and the contributions of the different spatio-temporal patterns.  相似文献   

室内用户语义位置预测研究     

王培晓  王海波  傅梦颖  吴升 《地球信息科学学报》2018,20(12):1689-1698

位置预测技术可以提前预知用户下一时刻的位置,在基于位置的服务（Location-based Service,LBS）领域中发挥着极其重要的作用。现有的位置预测技术大多仅使用用户的地理轨迹,仅使用地理轨迹挖掘出来的用户移动模式易受地理特性的限制缺乏深层次的语义信息。本文基于某商场群体用户的室内轨迹数据和语义信息预测用户下一个时刻语义位置。语义位置预测包括停留区域识别、停留区域语义匹配、语义位置建模。在停留区域识别阶段,为减少室内停留时间不固定对停留区域识别的影响,本研究提出了一种新型的时空凝聚层次聚类算法（Spatial-Temporal Agglomerative Nesting, ST-AGNES),该算法具有思想简单、超参数少、自动生成聚类个数等优点。在语义匹配阶段,引入了吸引度规则,充分利用停留区域所有轨迹点与室内高密度的商铺名称信息做匹配。最后,采用长短型记忆神经网络模型（Long Short-Term Memory,LSTM）挖掘群体用户的语义位置模式并预测用户未来的语义位置,实验预测正确率达到61.3%。  相似文献   

长短期记忆神经网络(LSTM)模型在低能见度预报中的应用     

方楠  谢国权  阮小建  任晨平  姜舒婕  张玮玮 《气象与环境学报》2022,38(5):34-41

利用浙江省义乌市2015—2019年逐小时气象观测数据(相对湿度、风速、地气温差、能见度)和空气质量指数(Air Quality Index, AQI)数据, 分析了义乌地区低能见度天气(观测能见度lt; 10 km)的分布特征和气象要素条件。利用长短期记忆神经网络(Long Short Term Memory Neural Network, LSTM)模型对逐小时能见度进行模拟, 分别对比了观测能见度作为输入变量与否的模拟效果; 根据义乌地区低能见度天气条件的特征, 将模拟时段分为三个时期(11月至翌年2月, 3—6月, 7—10月), 对比了分时期模拟的效果; 以及评估了模型的预报步长。结果表明: 高湿、高污染、气温高于地温和低风速是义乌地区低能见度天气的主要特征。LSTM模型对单站能见度有较好的模拟效果, 当输入参数中加入历史观测能见度时, 能大幅提高模拟准确度, 日均能见度模拟结果均方根误差RMSE=0.63 km, 平均绝对误差MAE=0.51 km, 拟合优度R²=0.99;分时期进行模拟能得到更精准的模拟结果。本研究中选用的输入要素在冬季(11月至翌年2月)模拟效果最好, RMSE=2.35 km, MAE=1.46 km, 低能见度均方根误差RMSE_10 km=1.81 km, 低能见度平均绝对误差MAE_10 km=1.13 km, R²=0.83; 3—6月的模拟中, 输入变量中不加AQI模拟效果更好, 这意味着3—6月义乌地区的低能见度天气以雾天气为主导, 加入过多变量并不一定能提高模型准确度; 随着预报步长增大, 模型预报效果变差, 预测步长等于3 h, R²=0.71, 预测结果已不具备实际应用意义。  相似文献   

基于LSTM的海洋表面短期风速预测研究     

李亚蒙  孙宝楠  丁军航  官晟 《海洋科学》2022,46(11):55-66

为实现对海面风速精确的短期预测,提出了一种基于长短期记忆(LSTM,long short-term memory)神经网络的短期风速预测模型,选取OceanSITES数据库中单个浮标站点采集的风速历史数据作为模型输入,经过训练设置最佳参数等步骤,实现了以LSTM方法,对该站点所在海区海面风速在各季节性代表月份海面风速的24h短期预测。同时通过不同预测时长的实验以及与BP(back propagation)神经网络神经网络和径向基函数神经网络(radial basis function neural network,RBF)的预测效果对比实验,证明了LSTM预测方法相比上述两种神经网络预测方法,在海表面风速预测应用中的优越性。最后通过多个海域对应的站点风速数据预测实验,证明了LSTM神经网络模型的普遍适用性,由相关系数和预测误差的分析可知该方法具备应对急剧变化数据的预测稳定性,可以作为海洋表面风速短期预测的一种可靠方法。  相似文献   

基于LSTM神经网络的青藏高原月降水量预测     

刘新  赵宁  郭金运  郭斌 《地球信息科学学报》2020,22(8):1617-1629

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   

深度学习预测GPS时间序列在探索门源M_S6.4地震前兆中的应用     

陈善鹏  尹玲  梁诗明  胡向阳  余小燕 《大地测量与地球动力学》2020,40(12):1248-1253

以2016-01-21门源M_S6.4地震为例,提出用深度学习预测的GPS时间序列研究地震前兆。用震中附近门源台（QHME）、民乐台（GSML）及古浪台（GSGL）无震时的GPS时间序列训练LSTM神经网络,得到高精度的GPS时间序列预测模型,再分别对该地区无震时和地震前一段时间的GPS时间序列进行回溯性预测。对比预测时间序列与真实时间序列发现,震前2条时间序列大部分的相似性指标比无震时低,说明震前预测时间序列与真实时间序列差异明显,同时考虑震前时间序列的趋势异常,认为出现了异常时段;3个台站分别在E、N、U方向出现多个异常日期,且不同台站具有相同的异常日期,说明探索到了地震前兆。  相似文献   

Multi-step ahead short-term predictions of storm surge level using CNN and LSTM network     

Bao Wang  Shichao Liu  Bin Wang  Wenzhou Wu  Jiechen Wang  Dingtao Shen 《海洋学报(英文版)》2021,40(11):104-118

Storm surges pose significant danger and havoc to the coastal residents' safety, property, and lives, particularly at offshore locations with shallow water levels. Predictions of storm surges with hours of warning time are important for evacuation measures in low-lying regions and coastal management plans. In addition to experienced predictions and numerical models, artificial intelligence (AI) techniques are also being used widely for short-term storm surge prediction owing to their merits in good level of prediction accuracy and rapid computations. Convolutional neural network (CNN) and long short-term memory (LSTM) are two of the most important models among AI techniques. However, they have been scarcely utilised for surge level (SL) forecasting, and combinations of the two models are even rarer. This study applied CNN and LSTM both individually and in combination towards multi-step ahead short-term storm surge level prediction using observed SL and wind information. The architectures of the CNN, LSTM, and two sequential techniques of combining the models (LSTM–CNN and CNN–LSTM) were constructed via a trial-and-error approach and knowledge obtained from previous studies. As a case study, 11 a of hourly observed SL and wind data of the Xiuying Station, Hainan Province, China, were organised as inputs for training to verify the feasibility and superiority of the proposed models. The results show that CNN and LSTM had evident advantages over support vector regression (SVR) and multilayer perceptron (MLP), and the combined models outperformed the individual models (CNN and LSTM), mostly by 4％–6％. However, on comparing the model computed predictions during two severe typhoons that resulted in extreme storm surges, the accuracy was found to improve by over 10％ at all forecasting steps.  相似文献   

融合空间和时序遥感信息的深度学习水稻提取     

周佳玮  涂理林  陈洪建  江挺  林佳佳 《地理空间信息》2022,20(2):39-44

为了得到更加精细的水稻提取结果,提出一种结合高分辨率和多时序遥感影像的深度学习水稻提取方法.构建全卷积网络(FCN)对BJ-2高分辨率遥感影像进行分类,并利用长短期记忆网络(LSTM)和随机森林(RF)分类器对Sentinel-2多时序遥感影像进行分类,再通过面向对象的分割和投票对3种方法的分类结果进行融合,得到最终提...  相似文献   

基于长短时记忆神经网络的台风路径临近预报模型   总被引：3，自引：0，他引：3  

高松  赵鹏  潘斌  李亚汝  周敏  徐江玲  钟山  史振威 《海洋学报(英文版)》2018,37(5):8-12

It is of vital importance to reduce injuries and economic losses by accurate forecasts of typhoon tracks. A huge amount of typhoon observations have been accumulated by the meteorological department, however, they are yet to be adequately utilized. It is an effective method to employ machine learning to perform forecasts. A long short term memory(LSTM) neural network is trained based on the typhoon observations during 1949–2011 in China's Mainland, combined with big data and data mining technologies, and a forecast model based on machine learning for the prediction of typhoon tracks is developed. The results show that the employed algorithm produces desirable 6–24 h nowcasting of typhoon tracks with an improved precision.  相似文献   

基于ARIMA与LSTM的海岸带地面沉降预测方法          下载免费PDF全文

朱宝  罗孝文  吴自银 《海洋学研究》2022,40(2):53-61

快速的地面沉降是一种地质灾害,它关系到社会的可持续发展,甚至威胁人类的生命财产安全。InSAR技术可以获取地表长时间、大范围的形变数据,可用于分析潜在的地面沉降问题,为预防地质灾害提供了一种可靠手段。如何基于InSAR数据对地面沉降进行预测,一直是研究人员关注的重点方向和难题。为此,本文在前人对地面沉降预测研究的基础上,提出了一种将差分移动平均自回归(ARIMA)模型与深度学习中的长短期记忆单元(LSTM)模型相结合的地面沉降预测方法,即利用InSAR得到的形变量数据与ARIMA模型预测结果作差,然后利用LSTM对该差值进行训练与预测。以杭州湾2017—2019年InSAR监测数据为例验证了该方法,结果表明,与传统的单一预测算法相比,本文方法的均方根误差至少减小了2.23 mm,平均绝对误差至少减小了0.98 mm,平均预测精度至少提升了15.19%,验证结果证实了本文方法的可行性,为地面沉降预警工作提供了新的思路和方法。  相似文献