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。

区域变化时空预测模型的构建——以江苏省人口发展为例

综合回归分析和时间序列分析的思想,以江苏省人口发展为例设计和建立了对区域变化进行模拟和预测的交错滚动时空回归预测模型,其基本方法是用一年或连续两年或更多年的数据作为自变量,选下一年或相隔一年或相隔多年的数据作为因变量,建立回归方程.然后用所建立的回归方程往前滚动一年或多年进行预测.建立的江苏省人口变化时空模型得出的预测值与实际值相比较,准确率在96%以上.

基于随机介质理论的抽水地表变形时空耦合预测模型

抽取地下水引起的地表变形对地面建(构)筑物的正常使用和结构安全构成了严重威胁。深入研究抽水地表变形预测理论对于沉降灾害防治具有重要意义。由于土体模型选择和土工参数测定上的困难,基于比奥固结理论的数值求解方法在计算抽水地表变形上尚未取得理想效果。文章将随机介质理论与一维固结理论结合,建立了新的抽水地表变形时空预测模型。首先,利用一维固结微分方程,建立反映地面沉降时间效应的半经验计算模型;其次,在分析抽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抽水地面沉降空间分布特征;再次,综合考虑抽水地面沉降的时间效应和空间分布形态,建立抽水地面沉降的时空耦合预测模型及抽水地表倾斜、水平移动、水平变形、曲率的时空计算模型。利用这些模型计算地表变形共需5个计算参数,介绍了参数求解方法。最后,利用上述时空耦合计算模型预测某地单井抽水引起地表变形的时空规律。研究表明,所建立的抽水地表变形预测模型能准确地反映抽水地表变形的时空规律,能方便、快捷地预测地下水开采引起的地表变形。

GWR与STARMA结合的WMS响应时间时空预测模型

响应时间作为一项非功能性属性,是网络服务性能的重要度量指标。它直接影响了用户的服务体验,并在服务资源选择中扮演重要的角色。响应时间不仅受制于服务自身的软硬件性能,同时还受到用户访问时空分布差异性的影响,具有显著的不确定性,因此如何可靠地预测响应时间是一个难点。选取OGC WMS（web map service）为研究对象,通过全球多地分布式部署的监测系统获取服务响应时间,在分析WMS响应时间与时空因素的关联关系及其变化规律基础上,提出地理加权回归（geographical weighted regression,GWR）与时空自相关移动平均（spatial-temporal auto regressive and moving average,STARMA）相结合的WMS响应时间时空预测模型。该模型综合考虑了用户访问时空分异特征对WMS响应时间的影响,其中GWR部分描述服务响应时间的时空趋势,STARMA部分拟合时空序列局部随机扰动。通过将多个地区监测点不同时刻WMS响应时间的实测数据与模型预测值对比,验证了模型的有效性。实验表明,该模型的预测精度相比经典的平均值法AVG有较大的提升,同时较GWR模型和STARMA模型的精度有一定程度的改善。

基于GCN-LSTM的钱塘江南源水质预测研究

流域水质数据存在时间和空间上的双重依赖性,针对现有水质预测模型大多建立在时间维度上,不能有效利用水质空间相关性问题,提出了基于图卷积神经网络GCN和长短时记忆网络LSTM的水质预测模型。首先建立流域监测点间的拓扑结构,并将监测点沿河道的距离作为权重表征监测点间连接的强弱;然后采用图卷积神经网络GCN捕获每个输入时刻监测点间的空间关系,再通过LSTM捕获其时间上水质变化特征;最后通过多层感知器MLP得到水质预测结果。将钱塘江南源作为研究对象,对流域内15个监测点的pH值、溶解氧DO、高锰酸盐指数CODMn进行预测,结果表明:相较于LSTM,GCN-LSTM模型水质预测结果平均百分比误差MAPE分别下降15.29%、11.77%、9.8%;监测点间的连接具有差异性,通过距离来表示监测点间连接强弱可以使水质预测结果更为精确。

基于多种模型的流量预测研究

6G是下一代无线通信网络的发展方向,6G网络要求更高的峰值数据速率、移动性和更无处不在的智能连接。由于不同的场景和业务需要不同的网络切片(Network Slicing)承载,网络的性能指标各异,对各种资源的需求量也不尽相同,因此需要对网络流量在时间和空间上进行预测。对时空流量建模,并提出了3种以深度学习为基础的流量预测方法:基于深度学习的时空数据预测模型(DeepST)、残差网络(ResNet)模型和卷积长短期记忆网络模型(ConvLSTM),针对每种模型的应用场景和优劣予以研究陈述,在此基础上完成模型的有效性验证和比较;最后,仿真验证。仿真结果表明,基于ResNet的流量预测模型预测效果更佳。

基于毫米波雷达感知的CNN⁃ConvLSTM多时刻阻塞预测方法

针对当前毫米波雷达辅助无线通信单时刻阻塞预测无法适应高移动复杂场景的问题,提出一种结合卷积神经网络(CNN)和时空序列预测模型(ConvLSTM)的多时刻持续阻塞预测方法。该方法通过构造时间分布层存储CNN提取的热图特征,解决了卷积神经网络单次处理多张雷达热图可能存在的特征缺失问题,实现了连续热图特征的多帧分组。进而,利用ConvLSTM对输入多帧时空序列进行处理实现多时刻阻塞预测。利用DeepSense 6G真实场景数据的实验结果表明,该方法的多时刻预测结果均能达到90%的准确率和80%以上的F1-score,具备多时刻精确阻塞预测能力。本文方法在复杂动态环境下高频段通信的高可靠、低时延QoS保障方面具有重要的理论和应用价值。

交通流速度时空二维预测方法

从时间和空间2个维度分析了交通流速度的自相关和互相关特性,提出了交通流速度的时空二维预测模型,可对未来交通流进行多步预测。该模型包含曲线拟合加权预测模型和递推时空二维自回归预测模型,动态模型参数可由递推最小二乘法实时识别,静态模型参数通过离线优化得到。将预测的交通流速度应用于车辆宏观运动规划方法中,可将车辆的燃油经济性进一步提高,在上下班高峰路段,油耗可进一步降低近10%。

基于卷积神经网络的城市人群时空分布预测模型——以南京为例

人群时空分布模型的建构方法是城市规划学科的长期研究议题,通信技术的发展为通过建构人群时空分布模型研究城市复杂系统提供了重要的数据来源和技术支撑。本文以500 m×500 m的矩形栅格为空间分析单元,利用手机信令数据建构24小时人群密度分布特征数据集;集成32个建成环境因子形成指标库,建构建成环境特征数据集。基于卷积神经网络建构南京市人群时空分布预测模型,以城市建成环境特征为自变量、人群多时段密度分布情况为因变量,学习两者间的非线性关系,实现了对南京市人群分布情况的模拟。基于平均百分比误差值的空间分布,该模型呈现较高的拟合度。结果发现,模拟结果误差较小的空间分析单元位于南京市中心区域和远郊未集中建设区域,误差较大的空间分析单元位于城市拓展区和正在建设中的地区等人群活动不稳定的区域。

基于ODCG的网约车需求预测模型

为提高网约车需求预测的准确率,提出结合卷积神经网络(convolutional neural network,CNN)和卷积门控循环单元(convolutional gate recurrent unit,ConvGRU)的出发地-目的地需求预测分析(origin-destination demand prediction with CNN and ConvGRU,ODCG)模型。ODCG模型的网络结构分为局部空间特征(local spatial feature,LSF)提取模块、时间演化特征(time evolution feature,TEF)提取模块、全局关联模块(global association module,GCM)和输出层。LSF提取模块利用CNN分别处理出发地视图和目的地视图,得到网约车需求的局部空间依赖性;TEF提取模块将网约车需求的局部空间信息、天气信息和订单序列关联度信息整合到ConvGRU中,分析网约车的需求;GCM模块整合所有区域之间的相关性,通过将所有区域特征加权求和得到全局相关性,并将相应区域之间的相似度定义为权重。试验结果表明,ODCG模型在网约车需求预测中优于其他基线模型,同时提高了网约车需求预测的准确率。

纳污场引起的土壤次生盐碱化及其预测

本文在对黄淮海平原地区的土壤盐碱化机制进行研究的基础上 ,结合某矿泉水基地纳污场土壤盐碱化的评价 ,提出了土壤次生盐碱化的时空预测模型和防治土壤次生盐碱化的措施。