西南某机场跑道沉降预测模型

机场道面沉降,严重影响机场安全运行。准确预测跑道工后沉降,对机场的建设与运行极为重要。以西南某机场跑道沉降变形的观测数据为依据,分别用双曲线模型、对数模型、指数模型以及灰色预测模型,对跑道沉降进行预测和对比分析,解决了小样本数下曲线预测精度较低及灰色模型对非线性预测准确度差等问题,提高了预测的精度;同时通过BP神经网络对组合预测模型的残差进行修正,最大限度地提高模型预测的精度和效果,为地基沉降预测提供借鉴。

基于融合注意力机制LSTM网络的地下水位自适应鲁棒预测

地下水水位是旱天污水管网地下水入渗量的重要影响因素,快速精准地预测地下水水位能有效提升旱天污水管网地下水入渗量估算准确度,辅助优化管网病害治理与维护策略。针对目前城市复杂水文预测存在的准确度低、灵敏度低、泛化能力弱等问题,本文提出了一种新的鲁棒自适应水位预测算法。首先,对水文数据进行预处理,解决了数据时间跨度大、噪声多、缺失及异常、非平稳等问题。其次,针对不同输入特征对预测指标的影响,在模型训练阶段提出一种新的空间变量注意机制,可快速识别与水位关联的关键变量,并对输入特征赋予不同的影响权重。然后,针对不同序列长度对预测效果的影响,还设计了自适应时间注意力机制,帮助网络自适应地找出与不同时间序列长度预测指标相关的编码器隐藏状态,以更好地捕捉时间上的依赖关系。在此基础上,以上下文向量作为输入,提出一种融合注意力机制的长短时记忆网络水文预测算法。最后,通过意大利Petrignano水文数据验证了所提算法的有效性,并与GRU、Elman、LSTM、VA–LSTM和S–LSTM等方法进行预测性能比较。结果表明,基于融合注意力机制的LSTM网络在面临大规模、噪点多的复杂数据时有优于其它几种算法的预测效果,表明该算法具有强自适应性和鲁棒性。本文研究结果可以为市政排水策略合理调整、及时控制提供参考。

对我国入境旅游人数的趋势分析以及预测

改革开放以来,我国的旅游产业极大地推动了旅游市场的迅猛发展,入境旅游逐渐崭露头角,成为国民经济不可或缺的重要支柱。为了深入剖析中国入境游客的增长趋势,本文以入境游客为研究对象,综合运用多种方法进行模型的拟合,包括定性分析方法——情景预测法及定量分析方法——OLS预测模型、ARIMA预测模型、灰色预测模型等对入境游进行分析。根据分析结果可以得出结论:我国的旅游业总体呈增长趋势,这一趋势的背后是经济持续增长、对外开放程度不断提高及旅游产业的不断创新多重因素的共同作用。然而,在新冠疫情期间,入境游客数量受到一定程度的冲击,2020—2022年增长缓慢,随着新冠疫情逐步得到控制,2023年入境旅游市场逐步回暖,展现出强劲的增长势头。根据预测模型的分析可以清晰地看到,未来我国入境游客数量将继续保持增长趋势,且增速有望进一步加快。据此,本文提出针对性的旅游业发展建议,以期促进我国入境旅游事业更好地发展。

基于深度自回归神经网络的多井产量概率预测

传统产量预测方法易受到单井生产历史和模型假设条件的限制,预测结果无法量化不确定性,难以考虑区块其他生产井开发规律对目标井的指导作用,无法充分利用大量相关的生产历史数据。为此,提出一种以深度自回归神经网络为基础,多井产量数据驱动的概率预测新模型。考虑生产时间、油/套压等动态协变量数据,结合贝叶斯推断,利用梯度下降算法和极大似然估计方法,得到多井共有的广义历史—未来产量概率演化模式,实现基于数据驱动的多井产量概率预测。利用鄂尔多斯盆地某两个区块943口致密气井的数据,研究了深度自回归神经网络模型在单井预测、分类预测和总体区块产量预测上的性能。研究结果表明:相比传统深度学习模型(LSTM),新模型利用学习得到的广义产量概率演化模式与目标井的特定产量历史数据相结合,形成“广义+特定”的产量概率预测方法,平均意义上较LSTM模型相对误差降低了45%。分类模型较全局模型相对误差降低了24%,实现了在全局模型的基础上,进一步降低了概率预测的不确定性,提高了特定精细分类井的预测精度。经过实际数据验证,新模型预测精度更好,鲁棒性更强,可以用于油气藏多井产量预测分析。

震后趋势判定技术系统CAAFs震后余震预测效果评价

自2019年正式运行以来,震后趋势判定技术系统CAAFs为震后应急与趋势研判及时提供数据和技术支撑。本文梳理总结CAAFs系统持续4.5年产出的数据,从全国和不同地区两个方面评价系统产出的震后余震预测结果,得到以下三点认识:①震级上限预测(发生某震级以上地震的可能性不大)的正确率大多为90%及以上,显著优于震级区间预测(存在发生同等大小地震的可能或存在发生某震级左右地震的可能),各分区预测情况差异不大;②震级区间预测震级普遍比地震实况偏高,实际7日内发生的最大余震震级与预测震级的差值(震级偏差)落入[-0.5,0.5]区间的地震比例约为44%,落入[-1,1]区间的地震比例约为69%,越靠近[-0.5,0.5]区间,地震的比例越高;③震级区间预测中,各分区有一定差异,西南地区优于西北、华南和华北东北三个地区,总的来看4~5级地震预测情况不如其他震级区间,可能与该震级区间内地震的最大余震震级变化范围较大有关。

永磁同步电机动态模型预测控制设计

为了提升传统模型预测控制(MPC)电压矢量的利用率、减少计算量、降低时间消耗,提出了动态MPC策略。动态MCP由简化MPC和传统MPC分时使用组成。简化MPC备选电压矢量少、计算量小。但当系统处于动态变化状态时,较少的备选电压矢量使得转速超调量高、跟踪速度慢。在此基础上,采用I_(d)=0的控制方法,并以d轴电流偏差为参考,提出了简化电流变化的动态切换控制策略。当电流偏差在电流变化系数范围内时,使用简化MPC,并只提供3个备选电压矢量;在范围外时,使用传统MPC,并使用全部7个电压矢量。试验结果表明,动态MPC策略保留了两者的优点,既有较好的动态响应,又缩短了计算周期。该设计可有效应用于低成本、算力不强的电机应用场景。

日本近年来关于地震预测研究的科学计划和科学理念

尽管日本国土面积只占世界陆地的1%,但发生的地震却占全球地震总数的10%左右。尤其是致灾型大地震的发生率很高。为应对这一问题,日本政府自1965年开始推进地震预测研究计划,并经历了多个阶段的计划和修订。近年来,随着信息科学领域的快速发展,日本政府将信息科学引入到了地震科学研究,开展了《利用信息科学的地震研究》计划,旨在促进面向新地震预测科学的创新性研究。目前,日本地震调查本部对地震预测的总体观点“一定程度上可预测板间地震的发生时间,但现有研究仍无法预测未来地震,当前工作的重点是预测未来地震的震动规模”。地震预测的科学研究理念正从原先的“灾害发生的预测”向“灾害发展过程的预测”转变。

基于自适应时序表征和多级注意力的超短期风电功率预测

针对风电功率数据包含的多尺度时间信息难以描述、现有方法未充分考虑气象因素对于风电功率动态耦合的影响而导致的预测性能下降等问题,提出了一种基于自适应时序表征和多级注意力的超短期风电功率预测方法。采用时序嵌入层对风电功率序列进行表征以获取其周期、非周期模式,并引入自注意力捕捉高维风电功率序列的自相关性;利用交叉注意力重构风电功率与气象因素,形成包含两者耦合关系的多维特征序列;利用一维卷积神经网络沿时间、特征方向分别挖掘多维特征序列的时间相关性和空间相关性,进而利用长短期记忆网络提取相应的时序特征,并将所得时序特征经全局注意力去噪和门控机制融合后输入全连接层,分别进行点预测和区间预测。实验结果表明,所提方法能够获得准确的点预测值和可靠的预测区间。

基于特征变量扩展的含气饱和度随机森林预测方法

采用数据驱动的方式,提出了一种基于随机森林机器学习算法训练出含气饱和度地震预测方法,并将该方法应用于中国西部复杂天然气藏中,分别对单井资料和二维地震资料进行了含气饱和度预测与分析。研究结果表明:(1)抽取井旁道纵波速度、横波速度和密度3个弹性参数叠前地震反演结果作为基本特征变量样本,引入边界合成少数类过采样技术对基本特征变量样本和对应的含气饱和度样本进行平衡化处理;利用扩展弹性阻抗结合数学变换自动生成一系列的扩展变量;再利用随机森林对特征变量进行含气饱和度预测重要性排名,并优选重要性较高的特征变量进行含气饱和度随机森林训练。(2)该方法大幅减少了特征变量提取和优选的人工工作量,且有效减少了信息冗余以及因含气饱和度样本不平衡导致的训练偏倚问题,有效增强了随机森林算法在含气饱和度地震预测方面的能力。(3)实际单井应用中预测的含气饱和度与测井解释的含气饱和度的相关系数可达0.9855;在二维地震资料应用中,该方法比基于常规未平衡化的11个弹性参数作为随机森林输入预测出的含气饱和度精度更高。

三维成矿预测关键问题

三维成矿预测是当前深部找矿预测和勘查的重要方法和手段,其方法体系和实践应用均已取得大量成果,但同时存在若干关键科学技术问题,导致其进一步发展受到制约。本文从多尺度三维成矿预测方法体系不完善、不确定性分析与优化研究薄弱、三维成矿预测要素挖掘存在瓶颈、缺少针对三维成矿预测的三维深度学习模型和方法等关键问题出发,对目前三维成矿预测领域相关方面的研究进展进行综合分析,并提出针对上述关键问题可能的解决方案和研究方向。预期未来三维成矿预测领域的研究工作将创新发展出多种方法,实现对三维预测信息的深度挖掘;构建形成适用的三维深度学习模型和训练方法,有效增强三维成矿预测结果的预测能力;通过系统性地开展三维成矿预测不确定性研究,进一步优化预测过程和结果,有效提高三维成矿预测方法的可靠性和准确性;形成面向多尺度三维成矿预测的方法体系,更有效地指导矿集区-矿田-勘查区块(矿床)等不同级别的深部矿产资源找矿勘查工作。相关关键问题的解决将进一步深化和完善三维成矿预测理论和方法体系,促进三维成矿预测理论方法的实践应用,显著提升深部找矿预测和勘查工作的效率与水平,助力深部找矿突破。

基于混合特征双重衍生和误差修正的风电功率超短期预测

随着风电渗透率的不断提高,对风电功率进行精准、可靠的预测是提升风电消纳水平的有效措施。针对功率预测时风电数据种类不足和特征数量稀缺的问题,提出基于混合特征双重衍生和误差修正的风电功率超短期预测模型。首先,在原始功率特征中施加混沌噪声,构造出多条混沌扰动特征,改善原始功率特征分布过于单一的状况。其次,提出基于免疫算法的特征衍生算法,挖掘风电功率数据的潜在信息,增加优质特征数量,进而构建误差预测模型,通过预测风电功率预测误差修正风电功率预测结果,进一步提升预测准确率。最后,基于比利时风电场实际运行数据进行算例分析。所提模型预测效果较好,且相较其他传统预测模型精确度更高,验证了所提模型的有效性。

基于CNN-LSTM的大坝变形组合预测模型研究

为了提高大坝变形预测模型精度和泛化能力,建立了一种基于卷积神经网络(Convolutional neural networks,CNN)与深度学习长短期记忆(Long short-term memory,LSTM)神经网络的组合预测模型CNN-LSTM。该模型先利用CNN提取大坝变形监测时间序列的特征,再利用LSTM生成特征描述,该模型精度高、泛化能力强。以柏叶口水库混凝土面板堆石坝为例,经过CNN-LSTM模型计算,将模型变形预测值与原型监测资料进行对比,再与LSTM模型及CNN模型的预测结果进行对比。结果表明,CNN-LSTM模型预测值最接近监测资料实测结果。

基于地质三维建模的矿床蚀变带深部资源预测方法

随着矿产资源需求的持续增加,加之浅表矿产资源的逐渐匮乏,如何有效开发深部矿产资源成为国家重点研究课题之一。以往二维矿床信息无法确定精准的深部资源储量,阻碍矿产资源的开发进度,本文提出基于地质三维建模的矿床蚀变带深部资源预测方法研究。应用地质三维建模软件(GOCAD)与计算机技术,构建矿床蚀变带深部地质三维模型,以此为基础,确定最佳单元尺度,划分矿床蚀变带深部地质统计单元,提取矿床蚀变带深部地质变量,计算地质变量权重数值,探究深部地质统计单元之间的联系度,基于三维证据权法预测矿床蚀变带深部资源。实验数据显示:应用该方法获得的矿床蚀变带深部资源预测误差最小值为1.01%,充分证实了该方法的深部资源预测精度更高。

短路电流预测方法综述

随着用电负荷与新型电力系统容量的不断增大,短路保护如何与之适配的技术难题日渐突出。系统发生短路故障时,可对短路电流发展进行预测,并根据该规律制定最佳保护与控制方案,力求安全前提下,使得短路造成的停电范围、设施损害最小。因此,短路电流预测方法被广泛研究。首先对短路电流进行了数学分析,得出其主要特征与影响因素;其次,以不同短路电流预测应用场景为分类依据,将国内外主要相关贡献归纳为节点预测、零点预测和峰值预测共三种研究类型,并总结了各类型预测方法的优缺点;最后,对短路电流预测方法进一步的研究方向和趋势进行了展望。

山东省2023-2032年物流需求预测分析——基于山东省2002-2022年经验数据

物流业已成为我国第三产业的重要组成部分,高质量的物流业发展对促进经济高效循环、扩大内需等具有重大意义。为了提高物流需求预测的精确度,提出一种基于组合模型预测物流需求的方法:以山东省为例,将灰色预测、二次指数平滑预测及线性回归组合模型应用于物流需求的预测,选取山东省国民经济指标和货运量作为主要影响因素构建指标体系,基于山东省2002—2022年实际历史数据建立模型,将三种模型的优势进行创新性组合,构建科学的组合预测模型以预测山东省未来十年的物流需求量。物流需求的准确预测对山东省的宏观经济有着重要指导作用,可以使山东省物流产业规划与发展及制造业的经验决策更加切实有效,为山东省物流发展提供科学依据。

民居建筑室内空间热环境多点能耗精准预测

在民居建筑室内热环境多点能耗预测时,若不能有效确定热环境下室内当前状态下舒适程度,会直接影响能耗预测精度。因此,提出考虑舒适度的民居建筑室内空间热环境多点能耗预测方法。根据室内状态建立民居建筑内热环境模型,采用主元分析法获取能耗评价指标,构建热环境下室内能耗指标评价体系,并利用指标建立评价模型,从而确定室内当前热环境能耗;将确定指标作为模型输入向量,利用RBF神经网络构建室内能耗多点预测模型;通过建立的模型实现对民居建筑室内空间多点能耗的精准预测。实验结果表明,所提方法开展室内能耗多点预测时,预测精度高、效果好。

基于无差拍预测算法的双向隔离型AC-DC矩阵变换器高动态电流控制策略

针对双向隔离型AC-DC矩阵变换器采用传统双闭环控制策略存在的控制参数多、整定困难等问题,提出了一种基于无差拍预测算法的高动态电流控制策略,通过引入无差拍预测算法对网侧电流进行控制,以减少控制器参数,消除数字控制时延。考虑到算法中电压电流检测量众多,故采用输入电压观测器以降低检测成本,减小采样误差的影响。变换器采用后级单重移相的调制方法来协调配合无差拍预测算法,其中参考输入电流指令与移相角为双射函数关系,简单易实现。仿真和实验结果表明:采用所提控制策略可以实现网侧电流正弦,功率因数接近于1;直流侧电压稳定,电流纹波率小于1%;直流电流在参考值突变时,跟踪快速且无超调、无振荡;同时,在变换器功率正向传输、反向传输以及正反向切换过程中,采用所提控制策略相比于传统的双闭环控制策略,电流动态调节时间分别缩短了69%、85%、67%。由此证明所提控制策略可以保证变换器良好的输入输出性能,并且相比于传统的双闭环控制策略在切换过程中动态性能得到显著提升。

基于双层优化VMD-LSTM的农村超短期电力负荷预测

稳定的供电是农村发展建设的有力保障,而电力负荷水平是建设效果的重要衡量标准,因此建立精确的负荷预测模型可以更准确直观显现电力负荷情况,为供电公司制定决策提供有力支撑。由于LSTM负荷预测模型在数据预测方面存在收敛性差、预测精度不高等问题,为提高模型的预测精度,提出一种基于双层优化VMD-LSTM的超短期电力负荷预测方法。首先提出麻雀算法优化变分模态分解(sparrow variational mode decomposition,SVMD),通过SVMD将原始数据转化为模态分量(intrinsic mode functions,IMF);其次采用改进樽海鞘群算法(association salp swarm algorithm,ASSSA)优化LSTM模型。通过引入4种策略增强标准樽海鞘算法优化能力;最后将各模态分量分别代入到新模型并进行叠加预测。选取辽宁省某市某乡村10kV变压器真实历史负荷数据,以均方根误差(RMSE)、平均绝对误差(MAE)、平均绝对百分比误差(MAPE)、拟合度(R^(2))作为评价指标,并与其他基础预测模型进行对比,结果表明,改进后的算法在计算精度、稳定性方面均优于其他基础预测模型。

数智型预测情报研究:预测情报研究的新范式

预测情报研究是情报研究的核心要义。本文从可预测与不可预测的辨析、预测情报研究特色理念等角度,梳理了预测情报的实践缘起与研究演进,立足数智时代特征,提出了数智型预测情报研究这一新兴研究范式。本文认为,数智型预测情报研究范式具有大数据支撑、智能技术运用、主动式干预、工程化分析、多尺度描绘和高精度导向等显著新特征,其本质上是“机器经验”崛起带来的预测情报认识论变革。新范式可进一步推动预测情报研究在理念上实现“关口前移”、在内容上实现纵深化挖掘、在应用上向“真实世界”乃至“多重交织世界”迈进。当然,数智型预测情报研究范式的未来发展仍然需要在基础保障、系统性平衡、可解释性、伦理与风险以及人类智慧支持等方面予以高度关切。

基于CNN-BiGRU-Attention的短期电力负荷预测

针对目前电力负荷数据随机性强,影响因素复杂,传统单一预测模型精度低的问题,结合卷积神经网络(Convolutional neural network,CNN)、双向门控循环单元(Bi-directional gated recurrent unit,BiGRU)以及注意力机制(Attention)在短期电力负荷预测上的不同优点,提出一种基于CNN-BiGRU-Attention的混合预测模型。该方法首先通过CNN对历史负荷和气象数据进行初步特征提取,然后利用BiGRU进一步挖掘特征数据间时序关联,再引入注意力机制,对BiGRU输出状态给与不同权重,强化关键特征,最后完成负荷预测。试验结果表明,该模型的平均绝对百分比误差(Mean absolute percentage error,MAPE)、均方根误差(Root mean square error,RMSE)、判定系数(R-square,R~2)分别为0.167%、0.057%、0.993,三项指标明显优于其他模型,具有更高的预测精度和稳定性,验证了模型在短期负荷预测中的优势。