中心城工业区更新演变的时序性特征及其治理思考——基于上海杨树浦地区的分析

产业结构调整背景下中心城工业区较大的转型幅度决定了其更新是一个需在较长时间里逐步推进的过程。基于社会经济活动的基本规律,工业区中不同位置地块的更新通常呈现出较明确的时序性,且整体来看,现实时序的确立主要取决于待转型区域与城市既有建成环境的关系;在上海杨树浦地区既往30年的更新实践中,这样的规律也得到了较好的印证。同时,立足于更新治理的视角,大规模城市区域更新中的时序性特征也对土地储备管理等工作提出了要求,指向使待更新地块使用状态的变化与其在各阶段中的再开发可行性形成更为准确的对应。在当前的土地储备和治理实践较少考虑与周边建成环境的关系的背景下,这也成为空间治理中可能进一步优化的内容。

语义网络技术在电子病历中的应用探讨

以肺癌病理案例和语义网络技术为基础,结合了统一医学语言系统(UMLS),研究探讨了语义网络技术在电子病历中的实际应用,并最终实现了加入时序性特征的病理案例语义网络的表示。

基于灾害过程分析的舰船损管指挥评估方法

损管指挥工作难以进行量化评估是舰船损管训练工作中的主要难点,战术执行工作与指挥工作之间的关联关系不清晰是问题所在,利用事件树方法分析了舰船灾害发展过程特征,在此基础上解析了战术执行与指挥之间的关联要素,同时给出了灾害危险程度的判定方法,并以机舱起火为例说明了指挥评估模型的建立方法,为今后对舰船损管指挥决策水平进行量化评估提供了途径。

基于电力数据挖掘的涉污企业用电量预测方法研究

为对工业涉污企业进行准确管控,提出一种基于用电特性聚类与ConvLSTM神经网络算法结合的涉污企业用电量预测方法。对于企业用电数据中的数据异常与缺失的问题,采用局部离群因子算法(LOF)筛选异常值后输入至灰色模型中进行校正;通过K⁃means算法对修正后的企业历史用电数据进行特征提取并分析其用电特征,考虑影响用电量的因素不仅包括日期特性、节日特性,还提取了重污染天气下政府对涉污企业的管控特性;构建ConvLSTM模型,充分挖掘企业数据时序性特征,有效提高涉污企业短期用电量预测精度。选择四川省成都市涉污企业的用电数据验证模型算法的有效性。验证结果表明,所提方法对于不同企业、不同类型日期均更有效,能更精确地预测企业未来用电的趋势。

基于Seq2Seq技术的电力系统暂态稳定评估方法

电力系统暂态稳定的评估识别有助于电网运营商制定系统扰动和故障后的纠正控制措施。引入深度学习思想,提出了一种基于Seq2Seq技术的电力系统暂态稳定评估方法。首先,梳理电力系统暂态稳定评估指标;然后以GRU为神经元,引入注意力机制,建立暂态稳定评估模型。算例验证表明:所提方法能够深入学习到样本数据中的时序性依赖特征,有效抓取特征细节,从而显著提升评估准确率。