为提高采煤工作面涌水量预测准确度,收集大量工作面涌水量观测数据进行整理、统计、分析,将涌水量稳定性、周期性和季节性特征考虑在内,提出1种基于数据驱动的完全自适应模态分解算法(CEEMDAN)和改进的混合时间序列模型工作面涌水量预...为提高采煤工作面涌水量预测准确度,收集大量工作面涌水量观测数据进行整理、统计、分析,将涌水量稳定性、周期性和季节性特征考虑在内,提出1种基于数据驱动的完全自适应模态分解算法(CEEMDAN)和改进的混合时间序列模型工作面涌水量预测方法。该方法利用CEEMDAN处理涌水量数据,构建麻雀搜索算法(SSA)优化的长短期记忆网络(LSTM)和自回归移动平均模型(ARIMA)并行级联而成的混合时间序列模型对工作面涌水量进行预测。研究结果表明:该模型预测结果与真实数据相差更小,平均绝对误差为6.36 m 3/h,均方根误差为10.6 m 3/h,模型拟合系数为0.95,更适用于工作面涌水量预测。研究结果可为矿井工作面涌水量预测及防控提供参考。展开更多
地心运动会影响地球参考框架原点的准确性,是地球参考框架进行非线性维持必须考虑的因素之一,因此提出对地心运动进行多尺度的建模和预测,以实现毫米级地球参考框架的建立和维持。采用网平移法计算的地心运动、全球地球物理流体中心(glo...地心运动会影响地球参考框架原点的准确性,是地球参考框架进行非线性维持必须考虑的因素之一,因此提出对地心运动进行多尺度的建模和预测,以实现毫米级地球参考框架的建立和维持。采用网平移法计算的地心运动、全球地球物理流体中心(global geophysical fluids center,GGFC)和国际GNSS服务(international gnss service,IGS)第三次重处理(IGSR03)提供的3组地心运动数据,首先对其一致性和差异进行了分析,然后分别利用谐波模型和Diff-LSTM模型对地心运动进行了长期和短期的建模与预测,结果显示,GGFC地心运动的预测精度优于1.5 mm,而Diff-LSTM模型的地心运动预测结果在短期内优于谐波模型,当预测步长为17时,GGFC和IGSR03的地心运动预测精度均能达到甚至优于1 mm。表明地心运动的预测精度能够满足基于地球质量中心(center of mass of the total earth system,CM)的瞬时地球参考框架的建立与维持。展开更多
地理传感器时间序列具有复杂动态的语义时空相关性和地理时空相关性。尽管已经开发了各种深度学习模型用于时间序列预测,但很少有模型能专注于捕捉地理传感器时间序列内的多类型时空相关性。此外,同时预测多个传感器在未来某一时间步的...地理传感器时间序列具有复杂动态的语义时空相关性和地理时空相关性。尽管已经开发了各种深度学习模型用于时间序列预测,但很少有模型能专注于捕捉地理传感器时间序列内的多类型时空相关性。此外,同时预测多个传感器在未来某一时间步的值非常具有挑战性。为了解决上述问题,提出了一种自回归模型与深度神经网络的联合模型(Joint model of Autoregression and Deep Neural Network,J-ARDNN),用于处理地理传感器时间序列的多目标预测任务。在该模型中,空间模块用于捕捉不同序列间多类型空间的相关性,时间模块采用时间卷积网络来提取单个序列内的时间依赖关系。此外,还引入自回归模型来提高预测模型的鲁棒性。为了验证J-ARDNN模型的有效性和优越性,在不同领域的真实时间序列数据集上进行了充分的实验,结果表明,J-ARDNN模型的预测性能优于对比方法。展开更多
文摘为提高采煤工作面涌水量预测准确度,收集大量工作面涌水量观测数据进行整理、统计、分析,将涌水量稳定性、周期性和季节性特征考虑在内,提出1种基于数据驱动的完全自适应模态分解算法(CEEMDAN)和改进的混合时间序列模型工作面涌水量预测方法。该方法利用CEEMDAN处理涌水量数据,构建麻雀搜索算法(SSA)优化的长短期记忆网络(LSTM)和自回归移动平均模型(ARIMA)并行级联而成的混合时间序列模型对工作面涌水量进行预测。研究结果表明:该模型预测结果与真实数据相差更小,平均绝对误差为6.36 m 3/h,均方根误差为10.6 m 3/h,模型拟合系数为0.95,更适用于工作面涌水量预测。研究结果可为矿井工作面涌水量预测及防控提供参考。
文摘地心运动会影响地球参考框架原点的准确性,是地球参考框架进行非线性维持必须考虑的因素之一,因此提出对地心运动进行多尺度的建模和预测,以实现毫米级地球参考框架的建立和维持。采用网平移法计算的地心运动、全球地球物理流体中心(global geophysical fluids center,GGFC)和国际GNSS服务(international gnss service,IGS)第三次重处理(IGSR03)提供的3组地心运动数据,首先对其一致性和差异进行了分析,然后分别利用谐波模型和Diff-LSTM模型对地心运动进行了长期和短期的建模与预测,结果显示,GGFC地心运动的预测精度优于1.5 mm,而Diff-LSTM模型的地心运动预测结果在短期内优于谐波模型,当预测步长为17时,GGFC和IGSR03的地心运动预测精度均能达到甚至优于1 mm。表明地心运动的预测精度能够满足基于地球质量中心(center of mass of the total earth system,CM)的瞬时地球参考框架的建立与维持。
文摘地理传感器时间序列具有复杂动态的语义时空相关性和地理时空相关性。尽管已经开发了各种深度学习模型用于时间序列预测,但很少有模型能专注于捕捉地理传感器时间序列内的多类型时空相关性。此外,同时预测多个传感器在未来某一时间步的值非常具有挑战性。为了解决上述问题,提出了一种自回归模型与深度神经网络的联合模型(Joint model of Autoregression and Deep Neural Network,J-ARDNN),用于处理地理传感器时间序列的多目标预测任务。在该模型中,空间模块用于捕捉不同序列间多类型空间的相关性,时间模块采用时间卷积网络来提取单个序列内的时间依赖关系。此外,还引入自回归模型来提高预测模型的鲁棒性。为了验证J-ARDNN模型的有效性和优越性,在不同领域的真实时间序列数据集上进行了充分的实验,结果表明,J-ARDNN模型的预测性能优于对比方法。