Multiple Linear Regression Application on the Inter-Network Settlement of Internet

This paper develops an analytical framework to explain the lnternet interconnection settlement issues. The paper shows that multiple linear regression can be used in assessing the network value of lnternet Backbone Providers （ IBPs）. By using the exchange rate of each network, we can define a rate of network value, which reflects the contribution of each network to interconnection and the interconnected network resource usage by each of the network.

基于多域物理信息神经网络的复合地层隧道掘进地表沉降预测

复合地层中盾构掘进诱发地表沉降的准确预测是隧道工程安全建设与施工决策的关键问题。基于隧道施工诱发地层变形机制构建隧道收敛变形与掘进位置的联系,并将其耦合至深度神经网络(deep neural network,简称DNN)框架,建立了预测盾构掘进诱发地层变形的物理信息神经网络(physics-informed neural network,简称PINN)模型。针对隧道上覆多个地层的地质特征,提出了多域物理信息神经网络(multi-physics-informed neural network,简称MPINN)模型,实现了在统一的框架内对不同地层的物理信息分区域表达。结果表明:MPINN模型高度还原了有限差分法的计算结果,可以准确预测复合地层中隧道开挖诱发的地表沉降;由于融入了物理机制,MPINN模型对隧道施工诱发地表沉降的问题具有普适性,可应用于不同地质和几何条件下隧道诱发地表沉降的预测;基于工程实测数据,提出的MPINN模型准确预测了监测断面的地表沉降曲线,可为复合地层下盾构掘进过程中地表沉降的预测预警提供参考。

基于多输入卷积神经网络隔震支座沉降识别

为了避免地基不均匀沉降导致隔震支座沉降以及对上部结构造成的隐性损伤,针对隔震支座沉降识别方法进行研究,提出一种基于多输入卷积神经网络(multi-input convolutional neural network,MI-CNN)的隔震支座振动信号识别模型。首先,采集隔震支座水平方向加速度和位移信号,采用归一化预处理和数据增强方法扩充样本;然后,将样本输入到所建立的网络模型中并进行训练;最后,利用完成训练的网络模型进行沉降识别。结果表明:相较于传统单输入卷积神经网络(Convolutional neural network,CNN)模型,MI-CNN模型易于训练,可最大程度地发挥CNN对沉降信号特征的提取能力,且具有更好的沉降位置识别准确率和更小的沉降程度识别误差,以及针对不均衡数据集更稳定的识别效果。研究结果可为隔震支座沉降识别提供新思路。

高铁桥墩沉降的通用渐进分解长期预测网络模型

高铁桥墩不均匀沉降是导致轨道不平顺的潜在原因之一,准确预测桥墩沉降对于确保铁路建设和运营的可靠性和安全性具有重要意义。目前,常规时间序列领域的多数预测模型仅在预处理良好且没有缺失的数据集上进行测试,而在高铁桥墩沉降的真实场景中,沉降数据相较于其他领域存在观测频次少且不等时距,以及沉降规律复杂多变的问题,造成长期预测困难。为此,本文提出一种高铁桥墩沉降的通用渐进分解长期预测网络(GPDLPnet),摒弃传统的预处理思想,将预处理过程嵌入网络结构,在网络训练过程中实现渐进预处理。首先,GPDLPnet在每轮迭代中利用改进对角掩码自注意力模块分析沉降数据中的缺失模式。然后,通过改进完全自适应噪声集合经验模态分解模块将沉降数据分解并重构为高频、低频和趋势子分量,将子分量作为BiLSTM-RSA-Resnet预测模块的特征输入。最后,输出递归预测结果,从而实现高铁桥墩沉降的长期预测。结合实际工程数据,将数据划分为高频观测和低频观测两类典型的观测模式进行试验,在3~4个月的预测中GPDLPnet均表现出良好的预测性能,并在精度指标上优于其他7种模型。

城市群流动人口居留意愿网络特征分析及空间模式划分

基于2017年CMDS数据,运用社会网络分析、地理空间分析方法,解析中国京津冀、长三角、珠三角、成渝、长江中游及哈长城市群的流动人口居留意愿网络空间结构差异,划分其空间模式。研究发现,城市群居留网络整体上呈不同等级的“圈层”结构,距离衰减效应显著。居留网络结构特征迥异,沿海城市群流动人口来源腹地广,京津冀和长三角集聚效应明显,流动人口居留意愿更高;珠三角城市群居留强度低,结构松散。内陆城市群吸引范围有限,居留意愿低,成渝城市群居留联系弱,内外部流动相对均衡,长江中游城市群呈现弱集聚与轻均衡特征,哈长城市群内部结构紧凑,外部联系松散。不同区位、不同规模、不同发展阶段的城市群其居留意愿网络空间格局差异明显,流动人口居留选择具有明晰的地域指向。沿海城市群应加大区域低中心性城市发展,创造更多的就业机会,以吸引人口流入;内陆城市群应优化产业结构布局,平衡人口流出与流入,避免区域人口过度流失。

基于SSA-BP的深基坑地表变形预测研究

文中采用麻雀搜索算法优化BP神经网络,对深圳市某在建地铁车站深基坑周围地表沉降监测点进行变形预测。通过对基坑地表变形监测点DBC16-4的118期监测数据进行训练学习,并与粒子群算法优化BP神经网络、遗传算法优化BP神经网络和标准BP神经网络横向对比,验证了训练效果。结果表明,麻雀搜索算法对BP神经网络权重寻优速度较快,收敛精度更高,麻雀搜索算法优化BP神经网络模型预测平均相对误差仅为1.72%,拟合精度较其他算法更高,预测效果良好。

基于GIS-Network Analyst的重庆城市公园绿地可达性分析

依据大型城市公园绿地斑块、道路网和居民聚居点分布数据,结合航片解译的绿地覆盖数据,利用Arc GIS9.3的Network Analyst工具,分析了重庆市主城中心城区在30min步行距离内街道居民到达城市公园绿地斑块的可达性以及城市公园绿地斑块的服务指数.结果表明:重庆市主城中心城区规划范围分别有78.8%,55.8%和34.6%的街道居民在步行30min,20min和10min距离内能够到达大型城市公园绿地斑块;从街道居民点的行政归属看,以渝中区、渝北区、江北区和南岸区的居民可达性最好,大渡口区和沙坪坝区的居民区可达性较差.

传统聚落社会网络演变特征及其空间关联机制研究

针对传统聚落出现的空心化、商业化现象,本文通过构建典型传统聚落社会网络模型揭示其近四十年的社会网络演变特征,探究社会运行逻辑与空间关联机制。研究显示:空心化传统聚落血缘关系由大家庭演变为隔代家庭以至空巢家庭结构,地缘关系由独户转向邻里到同乡结构,血缘地缘结构瓦解在一定程度上加速空间的衰败。商业化传统聚落血缘关系由大家庭演变为核心家庭以及混合家庭,业缘关系由同业关系转向合作及竞争结构,血缘结构瓦解与业缘结构复合过程中,传统聚落活动主体的社会经济活动发生改变,导致传统聚落的空间需求也相应改变,进而促成新的社会结构的形成与扩展。最后,尝试通过空心化、商业化传统聚落作用规律对比,为传统聚落物质空间与社会结构互动的保护找到切入口。

乡村聚落边界形态生成方法研究

聚落的边界由建筑部分的实边界与建筑之间空隙部分的虚边界连接而成。文章基于建筑外部空间理论与凸包原理,提出了一种求取聚落边界的新方法。首先利用Delaunay三角网求取聚落建筑之间的影响距离,继而绘制建筑节点网络图,以此求取聚落内两两之间具有直接可视空间关联的建筑之间的凸包,并叠加得出该聚落的公共空间,其外轮廓即为聚落的虚边界。综合实、虚两部分边界,得到完整的聚落边界图形。文章提出的新方法充分考虑了聚落内部建筑的疏密程度对聚落边界设定的影响,其结果更符合真实的空间感受,也更具科学性与合理性。

基于遗传算法的BP神经网络在轻质路基沉降预测中的应用

为更好地掌握轻质路基施工过程中的沉降变形情况,选取宁芜保通线部分轻质路基沉降监测数据,在BP(back propagation)神经网络模型的基础上,采用遗传算法对其进行优化,并将优化后的模型应用于轻质路基沉降预测。结果表明:遗传算法优化的BP神经网络在全局搜索能力和收敛能力方面具有明显优势;在轻质路基沉降预测任务中,多数预测结果的相对误差集中在更低的范围内,监测点1和监测点2预测结果的模型评价指标MAE、RMSE、MAPE分别为0.017 mm、0.021 mm、0.679%和0.013 mm、0.016 mm、1.395%,预测结果拟合程度高,误差小,模型泛化能力强。因此,遗传算法优化的BP神经网络的沉降预测模型具有可靠的预测效果与预测精度,在实际工程中可行性较高,可作为轻质路基沉降预测和预警的一种辅助手段。

基于深度学习的盾构隧道施工地表沉降预测方法

针对现有盾构隧道施工引发地表沉降预测方法中存在的难以同时挖掘数据之间的非线性特征关系和双向时序信息的问题,通过融合卷积神经网络(CNN)、双向长短期记忆(BiLSTM)与自注意力机制(SA)提出一种基于深度学习的地表最大沉降预测方法(CNN-BiLSTM-SA)。该方法首先利用CNN提取网络输入数据之间的非线性特征关系,利用BiLSTM网络提取输入数据的双向时序信息,然后引入SA机制为CNN提取的特征分配相应的权重,有效捕获时间序列中的关键信息,最后通过全连接层输出最终地表沉降预测结果。以湖南万家丽路电力盾构隧道工程为依托构建地表沉降数据集,并选用ANN、RNN、LSTM、BiLSTM模型开展对比分析。研究结果表明:评估指标CNN-BiLSTM-SA的平均绝对误差(MAE)、均方根(RMSE)、决定系数(R2)、平均绝对百分误差(MAPE)均为最优,具有更好的地表沉降预测性能。

SBAS-InSAR技术融合CNN-LSTM模型的矿区开采沉陷监测与预测

针对传统矿区开采沉陷监测方法耗费人力财力和预测预警模型较少的问题,研究提出一种基于短基线集合成孔径雷达干涉测量(Small Baseline Subset-Interferometry Synthetic Aperture Radar,SBAS-InSAR)技术和卷积神经网络(Convolutional Neural Networks,CNN)与长短期记忆网络(Long Short-Term Memory,LSTM)相结合的矿区开采沉陷监测预测方法。首先,利用SBAS-InSAR技术对建新煤矿进行矿区开采沉陷监测,获取了该矿区的年平均沉降速率和累计沉降值。用GNSS监测数据与SBAS-InSAR结果进行对比验证,其拟合效果较好。其次,在此基础上利用CNN-LSTM模型预测后6期沉降数据,其结果与CNN和LSTM预测结果进行对比。研究显示,CNN-LSTM模型的平均绝对误差(S_(MAE))和均方根误差(S_(RMSE))比单一的CNN和LSTM分别至少降低了44.8%和40.6%,其决定系数均高于98%。最后,进一步预测前6期和中6期沉降数据,验证了CNN-LSTM预测模型在时间上的一致性。因此,SBAS-InSAR融合CNN-LSTM模型在类似矿山开采沉陷监测和预测中有较好的应用前景。

Socio-economic vulnerability level in the Jeneberang watershed in Gowa Regency,South Sulawesi Province,Indonesia

Jeneberang watershed is vital,particularly for people living in Gowa Regency(South Sulawesi Province,Indonesia),who benefit from its many advantages.Landslides and floods occur every year in the Jeneberang watershed,so it is imperative to understand the socio-economic vulnerability of this region.This research aims to identify the vulnerability level of the Jeneberang watershed so that the government can prioritize areas with high vulnerability level and formulate effective strategies to reduce these the vulnerability.Specifically,this study was conducted in 12 districts located in the Jeneberang watershed.The primary data were collected from questionnaires completed by community members,community leaders,and various stakeholders,and the secondary data were from the Landsat satellite imagery in 2020,the Badan Push Statistic of Gowa Regency,and some governmental agencies.The socio-economic vulnerability variables were determined using the Multiple Criteria Decision Analysis(MCDA)method,and each variable was weighted and analyzed using the Geographical Information System(GIS).The study reveals that the levels of socio-economic vulnerability are affected by variables such as population density,vulnerable groups(disabled people,elderly people,and young people),road network and settlement,percentage of poor people,and productive land area in the Jeneberang watershed.Moreover,all of the 12 districts in the Jeneberang watershed are included in the medium vulnerability level,with the mean percentage of socio-economic vulnerability around 50.92%.The socio-economic vulnerability of Bajeng,Pallangga,and Somba Opu districts is categorized at high level,the socio-economic vulnerability of Bungaya,Parangloe,and Tombolo Pao districts is classified as medium level,and the remaining 6 districts(Barombong,Bontolempangan,Bontomarannu,Manuju,Parigi,and Tinggimoncong)are ranked as low socio-economic vulnerability.This study can help policy-makers to formulate strategy that contributes to the protection of biodiversity and sustainable development of the Jeneberang watershed,while improving disaster resilience and preparedness of the watershed.

传统家族型聚落社会空间关联性研究——以东莞塘尾村为例

以广东省东莞市传统家族型聚落塘尾村为例,引入空间句法并以户为空间基本单元,定量描述空间的集聚效应、观察空间单元的结构性特征。弥补既有研究对空间的单元、界域、中心界定较模糊等问题。从社会网络和空间结构关联视角,探讨地域文化和宗族架构与空间的关联,族群内权力等级差异、职能调整和角色转变等对社会空间的影响以及外部社会事件和人物个性对空间的作用等。结合相关性分析,总结和推演以塘尾村为例的东莞地区传统家族型聚落社会空间转换模式及其影响机理,为更好地延续和振兴地方传统聚落提供新思路和新方法。

基于“敖包—聚落”空间网络构建的草原牧区聚落空间布局优化研究

敖包在草原聚落形成过程中发挥了标志聚落、引导方向的中介作用。草原牧区聚落分散特征明显,其聚落空间结构与其他地区有较大差异,因此空间网络结构的构建有助于探索适宜于草原牧区聚落空间布局优化的方法。研究首先构建敖包与聚落间的空间网络体系;其次进行网络特征分析,挖掘二者作用机制;最终确定空间类型和布局优化方向。结果表明:1)草原牧区空间离散性特征明显,敖包节点的介入有效提升了聚落空间网络结构的完整性。2)在“敖包—聚落”空间网络系统中,部分节点中心作用不明显,存在显著的空间差异;敖包与聚落间的作用机制在空间网络中呈现出集聚和融合2种空间功能聚类。3)基于敖包、聚落作用机制转译的可视化系统,探索出“集聚提升类”和“融合带动类”2种空间类型并细分出4个二级分类。以期为离散型聚落提供空间布局优化的适宜方式。

桥梁顶推施工对既有线高铁桥墩变位影响及沉降预测分析

随着桥梁顶推施工在新建线路跨越既有线施工中的广泛应用,关于桥梁顶推施工对既有高铁桥墩变位影响的研究亟待深入。为研究桥梁顶推全过程施工对邻近既有高铁桥墩变位的影响,以郑济铁路ZJTLSG-1标跨京沪高铁特大桥工程为依托,基于监测数据,分析顶推施工关键施工工况对邻近既有高铁桥墩变位及沉降的影响;然后,采用先进的BP神经网络技术对相邻高铁线路工后沉降进行预测。结果表明:(1)既有高铁桥墩在顶推全过程施工完成后发生沉降且既有高铁桥墩水平移动方向与顶推方向相反;(2)既有桥墩的水平位移及竖向位移均从近施工侧到远离施工侧呈递减规律;(3)采用BP神经网络对既有桥墩进行沉降预测,预测值与实测值基本吻合,预测可靠。

明清新安江流域地域社会网络与聚落景观的建构——以姜氏孝子大民公派为中心的考察

新安江位处安徽南部、浙江西部的山区地带,流域内的河谷作为天然的孔道,成为沟通皖浙以及江南等地区的重要通道,历来是人口流动、定居的频发区域。宋元以来,姜氏孝子大民公派在此区域内迁徙、分居,其聚居点跨皖浙两省三县,各支族协力撰修族谱,强化了以血缘为纽带的宗族组织,建立起超越行政区划和山川阻隔的宗族社会网络。这一社会关系网络对姜氏孝子大民公派聚居地的地理环境和公共空间产生了重要影响,由其营造的“八景”景观展示了和谐安详的人地关系和社会氛围。正是明清时期新安江流域民众的这种聚族行为及相关活动,既成为宗族社会结构形成的重要因素,也引得人口和聚落、人群与自然的关系发生改变,从而形塑了新安江流域独具特色的地域社会和聚落景观。

基于灰色神经网络组合模型的城区沉降预测应用研究

为了提高城区沉降量的预测精度,本文基于灰色预测模型(Grey Model,GM)和反向传播(Back-Propagation, BP)神经网络预测模型,构建了灰色神经网络组合预测模型(Gery Neural Networks Model,GNNM)。以SBAS-InSAR技术获取上海特征区的平均沉降量作为3种预测模型的原始序列,进行预测计算,对比分析组合预测模型预测结果与灰色模型、BP神经网络模型的预测结果。实验结果表明:相比单一的GM(1,1)和神经网络预测模型,GNNM(1,1)组合预测模型的预测精度和稳定性更高,且越接近中心城区,预测效果越好。

不均匀沉降作用下混凝土管涵沉降预测及可靠度分析

基础不均匀沉降是影响高填土混凝土管涵力学性态的主要因素之一。因此,为了保障管涵的安全运行,合理、准确地评估混凝土管涵的运行状态十分关键。针对高填土混凝土管涵,采用ABAQUS软件建立了土体-混凝土管涵一体化模型,并进行有限元分析,得到了多组混凝土管涵的响应值。基于卷积神经网络建立混凝土管涵响应预测模型,准确率可达到90%以上。在此基础上,采用Monte-Carlo法(MCS)进行随机变量抽样,分析了考虑基础不均匀沉降作用与不考虑基础不均匀沉降作用下混凝土管涵竖向位移的可靠度。结果表明,相比不考虑基础不均匀沉降作用下混凝土管涵竖向位移,考虑基础不均匀沉降作用下混凝土管涵竖向位移更大。基础的不均匀沉降严重危害混凝土管涵的使用安全性,对其长期运行的稳定性有重要的影响。研究结果为促进埋地管涵可靠性分析方法的发展、深入开展埋地管涵安全评价提供了新的理论依据和技术支撑。

改进粒子群优化LSTM神经网络的基坑地表沉降预测

长短期记忆网络(LSTM)拥有较强的非线性拟合能力,近年来被较多用于基坑变形或沉降预测分析中.针对LSTM存在重要参数确定比较困难的问题,提出采用改进的粒子群算法(IPSO)对LSTM神经网络中的迭代次数、批处理大小、隐含层神经元数量进行寻优.改进的粒子群算法通过引入遗传算法中的变异机制,避免了粒子群算法(PSO)在前期寻优时陷入局部最优,同时利用非线性变化权重和改进学习因子的方法提高了PSO的寻优效率.利用提出的PSO-LSTM方法对实际基坑沉降进行预测分析,并将预测结果与PSO-LSTM、LSTM的预测结果进行对比,发现PSO-LSTM较LSTM、PSO-LSTM的平均百分比误差相对降低了56.47%、11.92%.验证了IPSO-LSTM对基坑地表沉降预测的准确性.