基于时空认知膨胀卷积网络与多源影响因素的PM_(2.5)细粒度预测模型

为实现精确化、细粒度的PM_(2.5)浓度预测,提出了基于时空认知膨胀卷积网络(spatial-temporal cognitive dilated convolution network,ST-C-DCN)的PM_(2.5)浓度预测模型ST-C-DCN。该模型将时空因素、气象因素运用于PM_(2.5)浓度预测,基于因果卷积网络提取时空特征,并采用时空注意力机制优化了时空特征的提取。基于海口市空气污染数据的实验测试表明:对于单个监测站,基线模型相比,ST-C-DCN的均方根误差(root mean square error,RMSE)平均下降24.7%,平均绝对误差(mean absolute error,MAE)平均下降9.93%,拟合优度(R-squared,R^(2))平均上升3.35%。对于全部监测站点的预测,ST-C-DCN在win-tie-loss(包括MSE、RMSE、MAE、R^(2))实验中,均获得了最多的获胜次数,分别为68,68、63和64。通过不同数据抽样条件下的Friedman检验,证明了ST-C-DCN对比基准有显著的性能提升。ST-C-DCN为细粒度PM_(2.5)预测提供了一个具有潜力的方向。

基于变权重和D-S证据理论的桥梁安全评估

桥梁结构的安全评估受环境侵蚀、材料老化、外部荷载等多源因素的影响,采用单一指标评价桥梁的安全性容易产生误判.因此,提出一种基于信息融合的多因素桥梁安全评估方法.该方法首先确定每种因素的变化区间,通过多工况数值计算提取典型的力学指标,利用信息熵和模糊层次分析法确定指标的变权重及单指标的等级划分原则并转化为基本概率指派函数.采用Dempster组合规则确定融合后的安全等级,从而建立桥梁的安全评估先验数据库.将该方法应用于预应力连续梁桥的安全评估中,结果表明该评估方法客观、合理,具有一定的工程实用性.

一种面向细粒度空气质量分指数(IAQI)预测的时空因果卷积模型

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。