全局时空特征耦合的多景深三维形貌重建

针对现有三维形貌重建模型无法有效融合全局时空信息的问题,设计深度聚焦体积(DFV)模块保留聚焦和离焦的过渡信息,并在此基础上提出全局时空特征耦合(GSTFC)模型提取多景深图像序列的局部与全局的时空特征信息。首先,在收缩路径中穿插3D-ConvNeXt模块和3D卷积层,捕捉多尺度局部时空特征,同时,在瓶颈模块中添加3D-SwinTransformer模块捕捉多景深图像序列局部时序特征的全局关联关系;然后,通过自适应参数层将局部时空特征和全局关联关系融合为全局时空特征,并输入扩张路径引导生成聚焦体积;最后,聚焦体积通过DFV提取序列权重信息,并保留聚焦与离焦的过渡信息,得到最终深度图。实验结果表明,GSTFC在FoD500数据集上的均方根误差(RMSE)相较于最先进的全聚焦深度网络(AiFDepthNet)下降了12.5%,并且比传统的鲁棒聚焦体积正则化的聚焦形貌恢复(RFVR-SFF)模型保留了更多的景深过渡关系。

基于优化PSO-BP算法的耦合时空特征下地铁客流预测

为提高地铁客流预测的准确性,以西安地铁1号线为例,分析了地铁客流的耦合时空特征,提取了影响地铁客流变化的5个主要因素,包括节日、非节日、时间段、站点和天气,构建了反向传播(BP)神经网络,预测了地铁客流;利用引入自适应变异与均衡惯性权重的粒子群优化(PSO)算法,优化了BP神经网络,形成了考虑复杂因素影响的地铁客流预测系统;选取了换乘站、非换乘站的首站与中间站,引入天气、节日、非节日因素,对比了不同时间段下的BP神经网络模型,优化了PSO-BP神经网络模型的预测误差。研究结果表明:考虑天气、节日、非节日因素,换乘站点分时段优化PSO-BP神经网络模型预测的平均绝对误差、均方根误差和平均绝对百分比误差,较不分时段的优化PSO-BP神经网络模型分别平均下降了40.13%、31.46%和23.89%,较分时段的BP神经网络模型分别平均下降了17.50%、17.86%和17.32%;非换乘站点分时段优化PSO-BP神经网络模型预测的平均绝对误差、均方根误差和平均绝对百分比误差,较不分时段的优化PSO-BP神经网络模型分别平均下降了16.50%、20.99%和32.59%,较分时段的BP神经网络模型分别平均下降了11.48%、12.10%和17.73%;各站点分时段优化PSO-BP神经网络模型预测的平均绝对误差、均方根误差、平均绝对百分比误差,较不分时段的优化PSO-BP神经网络模型分别平均下降了24.37%、24.48%和29.69%,较分时段的BP神经网络模型分别平均下降了13.49%、14.02%和17.59%,因此,利用考虑多影响因素的优化PSO-BP神经网络模型能提高地铁客流预测的准确性。

基于时空超图卷积模型的城市轨道站点客流预测

城市轨道客流预测是智能交通系统的重要环节,准确的短时客流量预测有助于缓解城市轨道运营压力并提升地铁系统的服务质量。为挖掘交通系统中的时空交互特性并实现客流的精确预测,提出一种基于时空超图卷积模型(Spatio-Temporal Hypergraph Convolutional,ST-HConv)的短时进站客流预测方法。门控卷积层用于提取客流的时间特征,双层超图卷积用于获取站点间的近邻性和路网中的全局性,实现空间特征的提取;时空交互模块由时间门控卷积和空间超图卷积组成,将时空特征融合进而获取时空交互信息。以杭州地铁自动检票系统(AFC)采集的乘客刷卡数据为例,对模型的有效性进行检验。研究结果表明,与传统机器学习模型、传统深度学习模型和图网络模型相比,ST-HConv模型同时考虑时间特征和空间特征,并实现了时空特征的有效融合,使得ST-HConv模型的平均绝对误差和均方根误差都低于其他模型。在图结构性能方面,与时空图卷积模型(Spatio-Temporal Graph Convolutional,ST-GConv)相比,ST-HConv模型中的超图卷积层获得了路网中的局部特征和全局特征,有效地降低了预测误差。在不同的时间间隔(15 min/30 min/45 min/60 min)下,ST-HConv相较于ST-GConv,平均绝对误差分别降低了1.3,1.05,1.51和2.29,均方根误差分别降低了2,1.44,2.48和2.89。由此可见,ST-HConv模型综合考虑了时空交互信息,能够提高客流预测的准确性。

城镇化与物流业发展的时空耦合研究——以中国大陆31个省市区为例

基于2006—2016年省级层面的相关统计数据,构建城镇化与物流业发展水平的评价指标体系,采用熵值法对两者的发展水平进行动态评估,利用耦合协调度模型定量测度城镇化与物流业发展的耦合协调水平。结果表明:(1)2006—2016年,我国城镇化发展水平提升了12.8%,物流业发展水平提高了10.6%,呈现出东高西低的梯度型发展格局。(2)城镇化发展起点较高地区的发展速率相对缓慢,城镇化发展水平较低地区则经历了起点低和速度快的发展历程,物流业发展水平较高和较低地区具有较大的发展潜力。(3)城镇化与物流业发展的耦合协调度逐渐提高,初级协调水平以上的省市区占比提高了约16%,耦合协调水平的空间收敛效应显著,空间关联性不断增强。

中国体育产业与经济发展耦合协调的时空特征

体育产业与经济发展之间的良性互动对推动体育产业成为国民经济支柱性产业具有重要意义。该研究以中国31个省份为研究单元,采用熵值法、耦合协调度模型和探索性空间数据分析法,探讨了2009—2021年体育产业与经济发展的时空耦合格局及空间相关性的动态演进规律。结果表明:(1)体育产业发展呈现区域差异显著且波动上升的总体特征,中部地区增长快且潜力大,西部地区和东北地区低于全国平均水平;经济发展的区域不均衡特征较为突出,东北地区呈下滑趋势,其他地区保持增长态势。(2)从时间上看,体育产业与经济发展的耦合协调度缓慢上升,但未发生等级跃迁;从空间上看,体育产业与经济发展的耦合协调度呈现出固化和动态变化并存的格局,东部地区以优良协调和较好协调为主,西部和东北地区则主要处于严重失调状态。(3)体育产业与经济发展的耦合协调度呈现显著的空间自相关性,高—高型集聚区多集中于东部地区,低—低型集聚区主要位于西部地区,空间关联格局相对稳定。在此基础上,从遵循协调发展理念、把握空间分异规律、加强制度供给等方面提出了针对性建议。

基于CMIP6的珠江流域未来干旱时空变化

干旱是一种严重且长期持续性的自然灾害,对人们的生产和生活具有显著影响。目前的大部分干旱研究将干旱的时间和空间特征进行单独分析,往往忽略了干旱的时空耦合关系。同时,南方湿润区的干旱灾害近年呈现上升趋势,探究气候变化背景下的干旱演变规律成为亟需解决的问题。因此,该研究首先利用CMIP6计算了珠江流域2015—2100年的标准化降水指数(Standardized Precipitation Index,SPI),应用游程理论提取干旱特征,并利用旋转经验正交函数(Rotational Empirical Orthogonal Functions,REOF)对珠江流域干湿区进行划分,再分别利用Sen's斜率、Hurst指数方法和完备总体经验模态分解(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN)方法对气象干旱指数和干旱特征进行时空耦合特征分析。结果表明:1)根据SPI未来变化趋势,珠江流域未来将呈现更为湿润的状态,不同干湿分区的变化具有一致性且沿海分区的湿润状态更为明显。2)分析不同气候模式下CEEMDAN结果,辐射强迫的增加导致未来珠江流域干旱更为严重,未来珠江流域车旱历时处千0.5~1.8个月,干旱频率处于5.6%~13.9%之间。3)结合干旱特征的CEEMDAN分析结果,珠江流域干旱历时和干旱频率以1.04~1.31 a为主要周期,沿海分区的短周期特征更显著。该研究通过对干旱指数和干旱特征的时空耦合分析,探寻干旱的未来发展规律,为干旱研究提供了一个新的时空耦合分析视角,对干旱监测、预测预报和管理具有重要的现实意义。

广东省区域开发强度与资源环境承载力耦合分析

解决区域开发强度与资源环境承载力发展不协调、不平衡的矛盾,已成为统筹推进区域协调发展战略的重要内容。该文以广东省为研究对象,引入综合指数测度模型、耦合协调度模型探究区域开发强度与资源环境承载力时空耦合特征及其演化规律,并借助地理探测器模型对其耦合协调时空演变的影响因素进行分析。结果表明:(1)2008-2018年广东省区域开发强度在不断增强,总体呈空间非均衡性分布,区域开发强度最高的依次为深圳、东莞、珠海三市;(2)2008-2018年广东省资源环境承载力状况整体不容乐观,且有所下降,空间分异明显,其中广州、深圳的资源环境承载力水平最高;(3)区域开发强度与资源环境承载力的耦合协调发展关系呈总体向好发展态势,处于拮抗耦合类型,失调阶段类型占比较大,深圳、东莞耦合协调度最高,河源最低;(4)区域开发强度与资源环境承载力的交互影响效应显著,经济、产业因素对二者耦合协调交互影响作用程度有所弱化,而区域投资效率、资源利用效率的作用强度在不断增强。

基于深度学习的聚光太阳能电站热功率预测研究

由于太阳能具有不确定性和随机性,使得对聚光太阳能电站的热功率进行准确预测难度较大。该文提出了一种基于深度学习的热功率预测方法。首先建立标准贯入实验装置的机理模型,识别主要气象因素,避免模型输入选择的主观性;其次利用卷积神经网络和长短期记忆网络对识别出的主要气象因子进行特征提取,充分挖掘气象因子之间的时空耦合特征;最后,由完全连接的层输出得到热功率。仿真结果表明,该文提出的深度学习预测法能够得到更优的热功率预测结果。