基于ConvLSTM的飞机发动机喷流时空预测

为探究起飞飞机发动机喷流对后侧穿越飞机的影响程度,提出一种基于卷积长短时记忆网络(ConvLSTM)的飞机发动机喷流预测模型,旨在预测未来某一时段的流场数据。通过激光测风雷达采集飞机发动机喷流数据并进行预处理。分别采用时间子网和空间子网捕捉飞机发动机喷流的时间和空间结构特征。通过融合时空特征,使用全连接层输出未来流场数据,以此构建卷积长短时记忆网络面向飞机发动机复杂喷流数据的未来帧预测。结果表明:ConvLSTM模型能够准确地预测出飞机发动机喷流的时空分布,取得RMSE12.28和MAE9.26的实验结果,较传统神经网络模型预测结果拥有更稳定的RMSE值及预测精度,有效提高了喷流时空预测的质量和精度,为研究飞机发动机喷流影响范围提供支撑。

二氧化氮浓度时空预测:一种区间二型直觉模糊神经网络方法

空气中二氧化氮浓度的高低对环境保护和公共健康具有重要影响。目前二氧化氮浓度预测方法在表征时空关联性方面存在不足。鉴于此,提出了新的使用区间二型直觉模糊神经网络时空预测二氧化氮浓度的方法。首先,阐述了该区间二型直觉模糊神经网络框架,引入可变系数加权其隶属部分和非隶属部分的输出,并采用随机向量泛函链接神经网络作为规则后件;然后,为确定网络结构和参数,采用分层聚类算法得到模糊规则库,并通过最小二乘法优化网络后件的输出权值;最后,使用2018年1月至3月采集的北京市二氧化氮浓度真实数据进行数值验证。实验结果表明,与现有方法相比,该方法在短期和长期时空预测方面均取得了较高的预测精度和效率。

瞬态多相流场图神经网络时空预测方法研究

为实现对大型能源化工装备(如循环流化床)内瞬态多相流场的快速时空建模和预测,本文采用基于网格图神经网络的深度学习模型,针对循环流化床非结构化时变数值仿真数据,建立离散相体积分数的时空耦合预测器。该模型有效捕捉了反应器的时空多尺度特性,能高效地进行多相流场时空耦合动态预测,结果表明:速度远超传统数值仿真,加速比可接近500。

基于原型校正时空网络的多步海表面高度时空预测

海表面高度作为一项重要的海洋观测指标,对海洋生态系统和气候变化研究具有重要影响。传统基于循环神经网络(recurrent neural network,RNN)的时空序列预测模型在更新记忆状态时,存在一个关键问题:旧的记忆状态会被立即刷新,模型无法有效地保留时间序列的长期依赖关系和变化趋势。这导致在多步海洋预测中,模型无法充分挖掘时间域的重要特征,从而使预测误差随着预测步长的增加而严重累积。为解决这个问题,设计一种原型校正时空网络(prototype corrected spatiotemporal network,PCST-Net)来实现准确的端到端多步海表面高度时空预测。PCST-Net采用基于RNN的网络结构,并设计记忆状态更新(memory state update,MSU)单元作为模型的核心构建单元。MSU单元利用原型校正模块(prototype correction module,PCM)来学习海表面高度样本的原型特征,从而提取时间域中的关键信息,并校正当前时间步的海表面高度高维特征,有效缓解多步预测中的严重误差累积问题。此外,提出一种多步信息输入策略,使模型能够从更广泛的时间步长中获得更全面准确的上下文信息,进而提高预测性能。通过对热带太平洋日平均海表面高度异常(sea surface height anomaly,SSHA)数据的多步时空预测验证了所提出的模型。结果表明:PCST-Net模型对未来5 d多步SSHA时空预测的平均均方根误差、平均绝对误差和皮尔逊相关系数分别为0.634 cm、0.488 cm和0.995。研究表明,PCST-Net模型可以准确地预测SSHA的时空变化趋势,这为多步海表面高度时空预测模型提供了一种可行性方法。

基于图过程神经网络的城市道路拥堵时空预测

随着全球城市化范围的推进,城市规模不断扩张,城市人口数量不断攀升,交通拥堵问题日益显著,已经成为制约多个城市可持续发展的“大城市病”。近年来,人工智能,尤其是深度技术的快速发展,对城市交通预测研究产生巨大的推动,图神经网络、循环神经网络和注意力机制等深度学习模型已经在交通数据缺失补全、交通拥堵预测等问题中展示了巨大的潜力。

ENSOMIM:一种新型ENSO时空预测模型

为了提高厄尔尼诺南方涛动(El Ni?o-southern oscillation,ENSO)预测的准确性,解决卷积核难以捕获ENSO的长距离前兆的问题,将ENSO预测视为一个时空序列预测问题,并提出一种基于注意力机制和循环神经网络的ENSO非稳态时空预测深度学习模型,称为ENSOMIM。该模型通过提出的新型注意力机制BGAM来局部和全局交互地学习空间特征,并使用高阶非线性时空网络对长期的时间序列特征进行编码。由于ENSO观测数据集样本数量少,为了更充分地训练模型,采用迁移学习的方法,使用历史模式模拟数据进行预训练再利用观测数据校正模型。实验结果表明,ENSOMIM更适合于大区域和长期的预测。在1984-2014年验证期间,ENSOMIM的Ni?o3.4指数的全季节相关性技巧比经典的卷积神经网络提高16%,均方误差降低17%,它可以为长达18个月的提前期提供有效预测,并且在23个月的提前期内相关技巧达到0.45。因此,ENSOMIM可以作为预测ENSO事件的有力工具。

基于随机森林方法的京津冀地区臭氧精细时空预测

京津冀地区是我国目前臭氧污染较为严重的区域,对其进行臭氧时空预测能够帮助了解臭氧的变化规律和主要影响因素;目前已有研究的空间分辨率普遍较低。因此,本文选取随机森林方法,对京津冀地区2021年臭氧最大8 h浓度进行1 km尺度的精细时空预测,分析影响臭氧浓度的主要因素及季节特征,评估京津冀地区臭氧浓度的人口暴露水平;并与已有相关研究进行比较评价。结果表明:①相较于已有研究,本方法在空间分辨率和建模精度方面得到了较好结果,空间分辨率达1 km,R^(2)值在0.83以上。②影响臭氧浓度的主要气象因素为气温和太阳辐射,其中,冬季受风速影响较大。③臭氧浓度在季节时间上呈现波动特征,从高到低分别是夏季、春季、秋季、冬季;且在空间分布上存在明显季节特征,春、夏、秋三季呈现东南高、西北低的特点,而冬季则完全相反。④臭氧超标天数高值区集中于东部和南部;保定市、北京市、石家庄市、张家口市等城市有较多人口集中在臭氧浓度较高的区域,廊坊市有较多人口集中在臭氧浓度较低的区域。研究成果有助于大幅降低臭氧监测成本,可为臭氧污染防治提供科学依据。

基于深度学习的山洪时空预测代理模型

山洪是全球范围内最危险的自然灾害之一,具有突发性强、成灾快和破坏力大并且难以短时临近预测的特点。传统山洪预报预警方法主要依赖于基于物理机制的水文-水动力山洪过程模拟,然而这种方法计算复杂耗时较长,难以满足山洪的短时临近预测需求。以浙江临安仁里村为例,在水文-水动力物理模拟所产生的8378条降雨时序和对应山洪淹没时空序列数据集的基础上,以基于卷积门控循环单元(convolutional gated recurrent unit convGRU)的深度神经网络作为核心,构建山洪时空序列预测代理模型。该模型通过输入过去24小时降雨观测时序和未来6小时的降雨预报时序,可实现未来6小时山洪淹没时空演变过程的快速预测。代理模型在测试集中能可靠地预测未来逐小时的山洪淹没范围、最大淹没深度以及淹没位置,未来6小时预测的可决系数均值为0.96,且预测速度平均比物理模拟快15625倍。这表明该代理模型能够捕捉物理模拟中降雨到山洪的复杂映射关系,实现目标区域山洪的快速预测,为山洪预警及应急响应决策制定提供有力的模型基础。

微震多维信息识别与冲击矿压时空预测——以河南义马跃进煤矿为例

随着煤炭开采深度和强度的增大,冲击矿压已成为煤矿普遍的安全问题.具体针对煤矿冲击矿压的时空预测难题,进一步发展了微震多维信息的时空预测方法:首先,构建微震多维信息识别指标体系,包括优选的频次指标和新提出的震源集中程度、最大应力和总应力当量指标;其次,基于归一化方法、异常分级判别准则和时空统计滑移模型,分别获得各指标的时序曲线和空间云图;然后,采用R值评分法评估和检验各指标的预测效能,并依此赋予各指标权重;最后,应用综合异常指数方法,实时定量分析监测区域的冲击险状态、具体危险区域及等级.预测实例表明,该方法综合考虑了微震时、空、强要素,预测效能较高,并能从时序上定量描述监测区域的冲击危险状态,空间上定量反映监测时段内的冲击危险区域及等级,现场中指导实施防冲措施,在一定程度上解决了现场防冲措施实施的盲目性,从而进一步发展了煤矿冲击矿压的时空监测预报方法.

复杂条件下岩石工程安全性的智能分析评估和时空预测系统

采用人工智能、系统科学、岩石力学与工程地质学等多学科交叉,提出复杂条件下岩石工程安全性的智能分析评估和时空预测系统的新思路和新方法,包括赋存环境的认识、工程结构特征需求分析与施工约束条件识别、岩石工程稳定性(安全性)综合集成智能分析评估、岩石工程智能反馈分析方法、岩体模型和参数动态更新的岩石工程稳定性时空演化的综合集成智能分析方法、岩石工程安全性的分区自适应调控方法、岩石工程稳定性多元信息与多任务智能反馈分析集成系统。该系统在龙滩、八尺门、水布垭、拉西瓦等多个大型工程的边坡和地下厂房中的成功应用,显示了其科学性和先进性。

区域交通流的时空预测与分析

论述了短时交通流预测模型的分类、特点和适用条件。通过历史交通流量记录运用最优抽样间隔数据分析发现,在城市道路网络中,路口自身和近邻路口的交通流数据之间存在紧密的时空关系。利用时空自回归移动平均模型来建立路口间交通流的时空关联关系,用于区域交通流的短时预测和时空分析,并详细介绍了该模型的数学描述和建模过程。采用长安街及其沿线路口的区域交通流量作为试验数据,验证了该模型在交通流的短时预测和时空分析中的可行性。该模型在考虑预测值所在位置时间序列的同时,也考虑到了空间上相邻位置的时间序列,大大提高了短时交通流预测的准确性。

采水地面沉降时空预测模型研究

地下水开采引起的地面沉降对地面建(构)筑物的正常使用和结构安全构成了严重威胁,深入研究采水地面沉降预测理论对于沉降灾害防治具有重要意义。针对本构模型和土体参数确定上的困难,采用力学推理和数学统计相结合的方法,建立了新的采水地面沉降时空预测模型。首先,利用太沙基固结微分方程,建立了反映地面沉降时间效应的半经验计算模型;其次,在分析采水地面沉降空间分布规律的基础上,利用随机介质理论研究了采水地面沉降空间分布特征;再次,综合考虑采水地面沉降的时间效应和空间分布形态,建立了采水地面沉降的时空预测模型。利用该模型计算地面沉降共需4个计算参数,介绍了参数求解方法。最后,利用时空计算模型预测了某地单井采水引起地面沉降的时空规律。研究表明,所建立的采水地面沉降预测模型能准确地反映采水地面沉降的时空规律,能方便、快捷地预测地下水开采引起的地面沉降。

高心墙堆石坝施工期变形时空预测模型研究

针对高心墙堆石坝变形监测断面有限,传统的单点变形预测模型难以有效反映坝体整体变形趋势的特点,通过采用分离型时空模型的构建方式,以及基于物理成因分析的单点变形拟合和空间拓展的思路构建施工期变形时空预测模型,能够克服单点序列模型的某些缺点。基于现有的粗粒土变形计算理论,推导并建立坝体垂直、水平变形单点物理成因模型,在单点物理成因模型的基础上采用克里金空间插值技术进行空间拓展,构建高心墙堆石坝变形时空预测模型。经瀑布沟高心墙堆石坝坝体原观变形资料分析表明,垂直、水平位移物理成因模型和空间插值模型能较好地模拟和反映测点变形趋势,精度较高。模型实现了基于监测序列的高心墙堆石坝整体变形的3维预测,较好地描述了大坝3维变形趋势,对相关工程具有一定的应用和推广价值。

基于时空预测的H.264快速帧内预测模式选择算法

提出了一种基于时空预测的H.264快速帧内预测模式选择算法,算法充分利用视频序列中的空域和时域上的相关性,通过构建空域和时域的最佳帧内模式概率直方图来改进Pan等人提出的基于边缘方向直方图的帧内快速模式选择算法。实验结果表明,基于时空预测的H.264快速帧内预测模式选择算法在保持基本相同的编码图像质量和输出码率的同时,可显著减少编码时间,显著提升H.264的编码性能。

时空预测技术在森林防火中的应用研究

构建了一个随机的时间序列模型获得每一个空间上相互独立部分的时间预测,然后建立动态回归神经网络(DRNN)发现隐藏的空间关系,最后用统计回归方法把单个时间和空间预测整合起来产生最终预测。实验结果表明,提出的方法能对森林火灾面积进行准确有效的预测。通过对时空预测结果的准确性和训练精度进行讨论,分析了时空预测方法在林火预测中的可行性,证明时空变化预测方法在林火预测中的应用价值。

基于HadCM3模式的我国主要气候区划界线时空预测研究

气候区域分异规律及其时空演变研究是气候变化研究的核心内容之一。以1951-2014年中国气象数据和基于Had CM3模式的1950-2059年气象模拟数据为数据源来分析中国主要气候区划界线的时空变化趋势。结果表明:我国寒温带界线北移,且速度呈加快趋势;中温带和暖温带的北部界线向北移动,且东段界线的移动趋势较明显;亚热带北部界线已越过秦岭-淮河一线,且其东段北移趋势较明显;热带范围逐渐向北扩张。东北地区由湿润转干燥,达到干湿并存的状态;河西走廊、青藏高原和新疆地区总体上呈转湿趋势,虽北方半干旱区有部分区域转换为干旱区,但未出现明显的移动;华北平原等地区的湿润—半湿润界线和干湿区分界线均向西北方向移动;南方湿润区的干湿状况未发生显著变化。

降雨滑坡的时空预测新方法

本文以宝成铁路南段和成昆铁路北段滑坡动态为研究对象，通过映射分析说明降水是滑坡发育的主控因素，进而提出了降雨滑坡的降水不均匀系数预测法及中长期动态预报法，为铁路沿线滑坡的防治提供了依据。

基于深度学习的人群活动流量时空预测模型

传统的时空预测方法缺乏对复杂时空非线性关系的描述,且难以顾及空间多尺度特征对于预测结果的影响。针对这一问题,本文提出了一种融合空间多尺度特征的时空网络模型(MST-Net),将流量预测的回归问题转换为具有时空特性的判别模型。首先,通过并联卷积提取空间多尺度特征;然后,通过引入注意力机制的门控循环单元提取时间特征;最后,利用全连接层得到预测结果。本文将该模型用于人群活动流量的预测,分别在两组真实的社交媒体签到数据集上进行试验。试验结果表明:本文采用的卷积层连接方式和特征融合方法,相比于单层卷积层提取空间特征、其他连接方式和融合方法以及传统的时空预测模型,在均方根误差(RMSE)和平均绝对百分比误差(MAPE)两个预测结果评价指标上均有不同程度的提高,说明本文方法具有较高的预测精度,能够较好地拟合时空问题的非线性关系,实现人群活动流量的预测。

基于图卷积STG-LSTM的京杭运河水质时空预测研究

快速精准预测河流水质是城市水管理战略的重要任务,而河流水质因子具有时序性、不稳定性和非线性等特点且受多种因素影响,会造成时空维度上分布差异。针对现有水质因子预测方法大多是单监测站点的时间序列预测,无法描述河流水质因子的空间分布,提出一种基于时空图卷积融合长短记忆神经网络的河流水质时空预测模型(STG-LSTM)。以各监测站点地理位置和水质因子历史观测值为依据,构建时空图来表征各监测站点间的时空相关性。将时空图输入到STG-LSTM模型中,采用图卷积(GCN)提取河流水质数据空间依赖关系,并融合长短时记忆神经网络(LSTM)来获取水质因子数据的时空关联性,实现对未来一段时间运河河段不同位置水质状态的时空预测。用京杭运河常州段上8个监测站点4种不同水质因子数据集进行验证,从预测精度和训练时间两方面,将模型和其他6种预测模型进行比较,并对模型进行可靠性测试。实验结果表明,STG-LSTM模型能以较短的训练时间得到较高的预测精度,实现了对河流不同位置水质的快速精准预测,为城市水管理提供技术支撑。

城市机动车污染排放的时空预测与分布

鉴于中国城市机动车排放的NOx,CO和PM类尾气对城市大气造成的污染日趋严重,通过监测道路低空机动车排放数据,对机动车污染排放随交通参数变化的规律进行剖析。针对不同车型,提出机动车污染排放因子模型。对模型进行标定和试验验证。所得结果能有效反映路段车辆的真实排放情况。该方法为实时掌握机动车污染排放的时空分布规律与特征,制定科学的、精细化的交通污染防治措施提供依据。