时间序列重构改进LSTM的大坝变形预测模型

大坝变形通常具有很强的波动性,传统方法往往不能很好地捕捉这种非线性关系,进而影响预测精度。为此,提出一种基于奇异值分解(SVD)和长短期记忆神经网络(LSTM)的大坝时序变形预测框架,旨在提升大坝变形的预测精度。首先,通过汉克尔矩阵的构建将原始变形序列分解为一系列较为规律的子序列;然后针对各分量建立相应的LSTM模型;最后将各模型的输出序列进行重构,从而得到最终的变形预测值。分析表明,SVD方法能够有效降低原始序列的非线性,同时,LSTM能够有效捕捉时间序列前后的非线性关系,得到令人满意的预测结果。与传统方法相比,SVD-LSTM的预测性能最优,为大坝安全系统的构建提供了新思路。

基于粒子滤波的LAI时间序列重构算法设计与实现

遥感观测的叶面积指数(LAI)时间序列数据广泛应用于作物长势监测,但数据受大气条件等影响,存在数值偏低和时间序列数据缺失等问题。为此,本文设计了一种基于重采样粒子滤波的LAI时间序列重构算法,以LAI为同化变量,在WOFOST模型本地化的基础上,实现了遥感LAI数据和WOFOST模型模拟的LAI数据的同化,以重构LAI时间序列。算法将WOFOST作物模型简化为LAI状态随时间演变的非线性计算方程,作为重采样粒子滤波的状态转移方程;将地面实测LAI数据和遥感LAI数据建立的线性方程,作为重采样粒子滤波的观测方程,建立LAI时间序列数据同化模型。以带权重粒子表示LAI时间序列状态后验分布,并在循环迭代中对粒子重采样,以此实现单点和区域LAI时间序列重构。应用该算法,对河北省冬麦区2010年LAI时间序列进行重构,结果表明,基于重采样粒子滤波的LAI时间序列重构算法在单点和区域上得到的LAI值明显更接近冬小麦实际生长状况,且算法能够弥补遥感LAI时序数据的缺失,为进一步的作物长势监测提供基础支撑。

地表环境参数时间序列重构的方法与应用分析

卫星传感器数据提取的地表环境参数是全球变化和区域资源环境研究的重要信息源。时间序列数据的重构旨在利用多种统计和数值分析方法,模拟参数的季节/年度变化规律,从而插补缺失观测值,优化时间序列数据,为相关研究提供更加完备的基础数据。目前,数据重构主要应用在植被指数、叶面积指数、地表能量平衡参数等,重构的方法包括阈值法、滤波方法和非线性拟合等。随着卫星传感器时空、波谱分辨率的提高和研究的深入,耦合了遥感反演模型和陆面过程模型的数据同化重构方法,是今后研究和应用的重要方向。

基于条件熵的混沌时间序列的非均衡重构

提出了一种混沌时间序列的非均衡重构方法。为了保证重构向量分量的独立性和降低重构系统冗余度,采用条件熵的局部最大化原理,依次确定各重构向量分量的延迟时滞和扩大嵌入维数,直到条件熵接近于零。对两种实际的混沌序列的计算验证了提出方法的有效性,将几种混沌时序的重构向量应用到预测方法中来,并与采用均衡重构方法时的预测结果进行了比较。实验结果显示,提出的重构方法能够提高混沌预测的精度,说明新的重构相空间提供了原系统全面的信息。

基于谱分析的路段行程时间多步预测方法

路段多步行程时间预测数据是动态交通诱导系统的重要参数,但已有研究成果,大多集中于一步预测,且存在适应性不强、计算量大、基础数据需求多等不足.应用谱分析及Karhunen-Loeve(K-L)变换对历史及当前检测行程时间序列进行分解与重构,重构时以历史序列与当前检测序列的欧式距离作为相似性度量指标,优化重构时的特征向量系数,使与当前检测序列相似度高的历史序列信息在重构中占据主要地位,通过重构,实现对后续若干时段的行程时间的预测,实测数据检验显示该方法可实现多步预测,预测精度良好,较以往方法有所提高,且历史数据需求量小,计算量小.

基于时间序列MODIS LST产品的重构研究

利用遥感数据可以对地球资源环境进行大面积连续监测,得到更为精确的研究结果,MODIS LST数据因其优化的时空分辨率成为较理想和常用的数据源。同时,遥感数据由于受到云、气溶胶以及传感器角度等影响均存在不同程度的噪声污染、数据缺失等问题。针对该现象,以河南省为研究区域,以MODIS LST数据为研究对象,利用谐波分析方法对河南省2011年全年每天四个时刻的MODIS LST时间序列数据进行重构。结果表明,利用该方法重构的数据可对MODIS缺值70%以上的影像进行弥补,并且60%以上影像误差可控制在3℃以内,能得到较好的重构结果;同时重构LST数据与相应气温数据相关性大部分在0.8左右,能够较好拟合LST的变化趋势。

基于相空间的励磁涌流新特征分析

提出一种基于相空间的励磁涌流新特征。该特征利用混沌时间序列重构相空间的原理,把一维时间序列的单相电流采样信号映射到高维相空间,通过比较在相空间内形成的相轨迹来区分励磁涌流和内部故障电流。仿真实验表明:在变压器各种不同运行参数情况下,都可以重构成一个相同的相空间,并且可以清晰地看出励磁涌流与变压器内部故障电流相轨迹的区别,从而为快速识别励磁涌流提供新思路。

基于监测点相似性的变形监测预测模型与数据修复

该文利用大量监测点时间序列中存在相似性这一特点,提出基于监测点相似性的变形监测预测模型和数据修复方案。通过工程实例,说明了该文提出的方法可以有效的运用于建筑物变形监测短时间序列的修复。