基于贝叶斯预测密度的弱匹配追踪频谱检测

针对在低信噪比、观测点数较少情况下稀疏度的欠估计问题,提出了一种基于贝叶斯预测密度的弱匹配追踪频谱检测算法。该算法利用贝叶斯预测密度理论推导出罚函数,然后引入弱匹配策略于Co Sa MP算法,提高频谱支撑集估计性能,且减弱受稀疏度估计准确度的影响。仿真结果表明,当信噪比高于3 d B时,利用400个观测样本该算法就能获得90%以上的频谱检测概率,宽带频谱感知性能优于已有算法。

基于PNN神经网络的多属性预测密度曲线方法

地震反演中密度曲线是必不可少的测井曲线之一,密度曲线受井壁垮塌的影响严重失真,或井本身缺少密度测井,这对后续的地震反演造成了很大的不利影响"。步聪递归优选属性,神经网络提高准确率"方法,通过对与密度曲线相关的测井曲线和地震数据体进行相关对比,优选最佳匹配属性集,在初步计算密度曲线的基础上,运用PNN神经网络方法进一步提高曲线预测的准确性。从预测结果看,预测结果吻合率达到了93%,为后续的地震反演提供了高质量的密度曲线。

基于模型平均的中国产出增长和通货膨胀密度预测

产出增长和通货膨胀是政府宏观调控关注的最重要的两个指标,对二者进行准确预测有利于精准施策.传统预测往往基于点预测,即对经济变量的条件均值展开预测,无法准确刻画预测结果的不确定性,而密度预测提供了未来条件概率分布的预测,有效弥补了点预测的缺陷.本文基于自回归分布滞后(ADL)模型,利用17个预测指标构建了中国产出增长和通货膨胀的密度预测模型,并采用多种检验方法评估不同模型的可适性.结果发现,基于单个预测变量的自回归分布滞后(ADL)模型大多存在模型误设的问题,而对多个ADL模型进行加权平均得到的组合预测能显著降低模型误设的风险.样本外预测进一步表明,基于OLS参数估计的贝叶斯模型平均(BMA⁃OLS)方法能较准确地预测中国产出增长和通货膨胀的未来分布.

基于深度学习和时空特征融合的海洋渔船密度预测方法

为了从海量渔船轨迹数据中挖掘隐含的信息和知识,进而为渔业行政主管部门的决策提供科学依据,本研究以AIS渔船轨迹数据为研究对象,提出了一种基于深度学习和面向时空特征融合的海洋渔船密度预测方法:首先,利用渔船轨迹数据集对渔船行驶区域进行网格划分;其次,筛选出渔船高密度区域进行研究,避免数据稀疏性问题;再次,根据渔船轨迹数据的时空分析,构建三维时空融合矩阵;最后,通过卷积循环神经网络模型捕获渔船分布的时间和空间特征,并利用卷积神经网络的堆叠加强对空间特征的学习。实验通过东海海域渔船真实轨迹数据进行具体测试,结果表明渔船密度预测值与真实值非常接近,平均绝对误差为4×10^(-4),模型较好地拟合了渔船密度分布特征,有效地提高了渔船捕捞热点预测的准确性和鲁棒性。

基于EMD-QRF的温度因素下中期电力负荷概率密度预测

中期电力负荷受到温度因素影响,其波动性与随机性强,导致负荷概率密度预测精度低。为此,提出了基于EMD-QRF的温度因素下中期电力负荷概率密度预测方法。采用EMD分解温度因素下中期电力负荷概率密度特征,提取波形平均周期和振幅。构建QRF概率密度预测模型,结合神经网络,避免预测过程陷入过度拟合。通过对参数离散化处理,构建中期电力负荷概率密度预测函数,实现不同波形周期和振幅下的中期电力负荷概率密度预测。实验结果可知,该方法在夏季概率密度值与实际值存在0.01 kW/km^(2)的误差,在冬季密度值与实际值一致,能够有效提高中期电力负荷概率密度预测精度。

融合FCN-ViT的语义分割与密度预测应用研究

针对河岸植被分布复杂性及密度多样性带来的监测难题,提出了一个语义分割与密度预测双重网络SEGDEN-Net,实现并行植被高精度分割和密度预测。首先,采用无人机获取三峡库区香溪河河道的航拍图像,构建了一个包含语义标签和密度标签的数据集。其次,融合全卷积神经网络(fully convolutional network,FCN)和Vi T(vision transformer)各自优势,捕捉多尺度的局部与全局信息。最后,增设了一个密度预测分支,达到并行预测,以减少时间与计算成本。实验结果表明,与其他经典网络相比,所提出的模型在mIoU、准确率和Kappa系数等指标上均有提升,密度预测任务的预测结果达到了比人工标记更高的精度。两任务的结合及并行预测降低了各方面的成本,可进一步应用于重金属污染估计,为环境保护提供新的技术手段。

基于需求密度预测的网约车集约化调度方法

为提升网约车接单率和利润率、实现全局供需平衡,提出一种基于需求密度预测的网约车集约化调度方法。首先,根据历史数据设计基于多层混合感知野的深度时空残差感知网络结构,该网络基于需求频度划分历史时空数据,并通过卷积指数线性网络及残差单元对不同时空数据进行差异化处理。结合基于门控机制的融合及求和融合方法动态聚合时间、空间和外部特征,实现了对需求密度的准确预测,从而预估网约车需求密度集群效益。其次,基于网约车经济效益和需求密度集群效益,建立调度数学模型,设计传感邻域限制调度范围,提升搜索效率。将遗传算法与匈牙利算法相结合,提高算法寻优能力,避免基因缺失,通过改进选择和变异算子,增强遗传算法的局部随机搜索能力,规避早熟风险,从而得到网约车与乘客的最佳匹配结果,保证了全局供需平衡和总体盈利能力。最后,基于大规模真实数据集对预测模型的性能和调度算法的有效性进行验证,实验结果表明,预测模型精度可达到97%,调度算法的求解质量可达最优解的99%,可为网约车平台提供调度策略,保障交通系统稳定。

基于生成对抗网络动态建模的人群密度预测方法

为预测未来时刻人群密度图,对人群聚集提前预警,提出一种基于生成对抗网络动态建模的人群密度预测方法。采用生成对抗网络结构,生成器采用加入扩张卷积的U-Net网络捕捉人群空间分布信息,利用光流估计模型FlowNet提取人群运动信息,联合4项损失函数对人群空间和时序两方面约束。实验结果表明,Mall数据集上均方误差、峰值信噪比和结构相似性分别为30.97、24.26 dB和0.671,Airport数据集上分别为8.36、34.58 dB和0.931,较现有方法具有更好的性能,验证了该方法的有效性。

基于EMD-BiLSTM-ANFIS的负荷区间预测

考虑到新型电力负荷随机性增强,传统的准确预测方法已无法满足要求,提出一种EMD-BiLSTM-ANFIS(Empirical Mode Decomposition-Bi-directional Long Short-Term Memory-Adaptive Network-based Fuzzy Inference System)分位数预测负荷概率密度的方法,使用负荷预测区间取代点预测的准确数值,能为电力系统分析与决策提供更多数据,增强预测的可靠性。首先将原始负荷序列通过EMD(Empirical Mode Decomposition)分解成若干分量,并通过计算样本熵分为3类分量。然后将重构后的3类分量与由相关性筛选的外界因素特征采用BiLSTM、ANFIS模型进行训练和分位数回归(QR:Quantile Regression),并将分量的预测区间结果累加得到最终负荷的预测区间。最后利用核密度估计输出任意时刻用户负荷概率密度预测结果。通过与CNN-BiLSTM(Convolutional Neural Network-Bidirectional Long Short-Term Memory)、LSTM(Long Short-Term Memory)模型对比点预测及区间预测结果,证明了该方法的有效性。

地层原油密度预测方法在莱州湾凹陷X构造中的应用

针对莱州湾凹陷X构造新近系稠油原油密度大、地层取样难度大,原油性质横向、纵向变化大的特点,以储集岩地化热解数据与实测原油化验分析数据为基础,运用多元线性回归分析模型,建立了适用于研究区地层原油密度预测的方法。应用结果表明,地层原油密度预测结果与实测原油密度绝对误差均小于0.01 g/cm^(3),原油密度预测结果精准有效。该方法对稠油层取样、测试工艺优选以及产能的释放具有一定指导意义和较好推广应用前景。

基于改进PSO-RBF的炸药药柱密度预测研究

针对炸药药柱密度检测效率低的问题,提出一种密度预测方法。通过非线性动态调整粒子群优化算法(particle swarm optimization,PSO)的惯性权重,以优化径向基(radial basis function,RBF)网络参数,构建IPSO-RBF网络模型,利用压制工艺参数实现药柱密度预测。实验表明,改进的PSO算法能快速寻出RBF网络参数,同时具有PSO算法和RBF模型的优点,具有较好的收敛速度和预测精度。与传统的RBF网络或未改进惯性权重的PSO-RBF相比,IPSO-RBF的RMSE分别下降了38.6%、42.4%,模型的预测识别精度有较大提高,实现了炸药药柱密度的有效预测。

基于融合技术的中长期电力负荷预测方法

当前电力负荷预测模型在数据复杂性高、数据稀缺、模型泛化和动态社会经济因素适应性方面存在局限,影响了其在复杂电网规划中的应用。为满足电网或者大型风、光、火、储、网、荷能源基地项目的规划调度需求,提出了一种融合技术,将灰色预测、空间负荷密度预测和变分自编码器与深度因果卷积神经网络相结合,以实现中长期负荷预测。通过引入有序加权平均微分算子,融合不同预测方法,提升结果的准确性。实验结果表明,本方法相较于传统方法展现更高的准确性和鲁棒性,特别是在进行电力负荷远景预测时,所提方法能够有效提升预测的可靠性和适用性。该技术有效克服传统方法固有的数据复杂性、数据稀缺性和模型泛化问题,同时适应社会经济条件的动态变化。该方法为电网、大型源网荷储多能互补类项目的规划和发展提供有力的决策支持。

基于最小二乘支持向量机的绝缘子等值附盐密度预测

等值附盐密度是确定污秽等级和绘制电网污区分布图的主要依据,而绝缘子污秽在线监测系统主要监测绝缘子表面泄漏电流和环境参数。研究表明,泄漏电流除了和绝缘子表面的污秽状况有关外,还受温度、湿度等环境因素的影响,并且和各因素之间存在着复杂的非线性关系。文中在实验室模拟试验和现场实测数据基础上,利用最小二乘支持向量机,建立了以泄漏电流有效值、泄漏电流脉冲峰值、泄漏电流脉冲频度、环境湿度、温度等五个变量作为输入参数,等值附盐密度作为输出参数的智能预测模型。并通过部分实验数据验证了该方法的可行性。

考虑温度因素的中期电力负荷概率密度预测方法

针对温度因素对中期电力负荷的影响,在现有的神经网络预测、区间预测和概率密度预测方法的基础上,研究在不同分位点上温度和历史负荷对电力系统中期负荷分布规律的影响,提出基于神经网络分位数回归的中期电力负荷概率密度预测方法。根据连续的条件分位数函数预测中期负荷在某天的概率密度,获得更多关于中期负荷预测信息。同时,通过比较在考虑温度因素下和不考虑温度因素下的条件概率密度预测曲线以及峰值对应的点预测值,可以得出,预测当天温度对中期负荷预测有较重要的影响,这为降低中期电力负荷预测的不确定因素提供了更多的决策信息和预测结果。

含能晶体密度预测的研究进展

密度是决定含能材料爆轰性能的重要参数。为评估现有CHON类含能材料密度的计算方法,对等电子密度面法、分子表面静电势法、基团加和法、晶体堆积法、定量构效关系法、经验公式法等进行分析和归类。结果表明,基于分子体积预测方法的精度取决于分子间和分子内相互作用对密度影响描述的准确度。其中,准确描述氢键和van der Waals作用充满了挑战性。基于晶体体积计算密度的核心在于晶体结构的准确预测,结构搜索要面对巨大的状态空间和高度复杂的能量曲面的困难,预测效率是亟待解决的问题。体积加和法和经验公式法存在无法区分同分异构体和晶型的缺点,且对新发现的具有特殊结构的分子由于缺乏实验数据难以获得准确的经验参数,计算结果偏差较大。引入人工神经网络、遗传算法以及支持向量机等机器学习算法后,定量构效关系法在含能化合物性能与结构关系研究中取得很大成就,模型精度进一步提高将为基于材料基因组模式的含能材料设计研发奠定基础,这也是今后密度预测方法发展的主要方向。

基于实时电价与支持向量分位数回归的短期电力负荷概率密度预测方法

智能电网环境下,实时电价对用户用电模式的影响较大,为了提高考虑实时电价的短期电力负荷预测精度,更好地反映电力负荷的不确定性。提出了支持向量分位数回归方法,通过引入松弛变量构造Lagrange函数,得出不同分位点下的未来一天任意时刻电力负荷的预测结果。同时采用Epanechnikov核函数,将SVQR与核密度估计相结合,进行短期电力负荷概率密度预测,可得到未来负荷准确的波动范围。以新加坡的历史负荷和实时电价数据为例,进行短期电力负荷概率密度预测,结果表明该方法能够较好地解决考虑实时电价的短期电力负荷概率密度预测问题。

风电场输出功率的多时段联合概率密度预测

风电场输出功率波动性较强,难以精确预测,掌握其输出功率的分布规律对含有风电场的电力系统的运行决策具有重要意义。文中在分析风电场有功功率输出特性的基础上,提出了风电场输出功率多时段联合概率密度预测,利用风电场输出功率在时段间较强的相关性,估计其波动的幅度与速度特征,为系统运行提供更全面的决策信息。结合多元回归估计常条件相关—多元广义自回归条件异方差(CCC-MGARCH)模型与稀疏贝叶斯学习方法,给出了一种基于数值天气预报信息的风电场输出功率短期多时段联合概率密度预测方法。该方法依据CCC-MGARCH模型思想,将未来多个时段内风电场输出功率的联合概率密度预测问题分解为:风电场在各个时段内独立的输出功率概率密度预测子问题和时段间关联的输出功率预测误差相关系数矩阵估计子问题,利用稀疏贝叶斯学习方法在概率密度预测问题上的优势,形成预测效果好、计算效率高的风电场输出功率多时段联合概率密度预测方法。应用实例与分析说明了该方法的有效性。

基于Epanechnikov核与最优窗宽组合的中期电力负荷概率密度预测方法

利用神经网络分位数回归获得预测当天在不同分位点上的电力负荷预测值,将Epanechnikov核函数与不同的最优窗宽选择方法相组合,得到中期电力负荷概率密度估计函数以及在所有分位点上连续的概率密度曲线图。此外,通过选取概率密度曲线峰值处的点预测值,比较不同窗宽组合方法。相对于传统高斯核密度估计方法的组合方式,Epanechnikov核函数的组合方式较优。最后将获得的最优方法与现有的预测方法进行对比,结果表明通过选取最优窗宽可以提高预测精度,更好地反映中期电力负荷的波动性。

多风电场短期输出功率的联合概率密度预测方法

提出一种多风电场短期输出功率的联合概率密度预测方法。首先利用支持向量机对每座风电场的输出功率进行单点值预测,对预测误差建立稀疏贝叶斯学习模型进行误差的概率密度预测,得到单一风电场输出功率的边际概率密度函数预测结果;对多风场输出功率预测误差特性进行统计分析,发现同一区域内,风电场输出功率预测误差之间存在线性时空关联特性,进而运用动态条件相关回归模型求得相关系数矩阵,定量描述多风电场短期输出功率预测误差之间的动态时空相关关系;最后,综合单一风电场输出功率边际概率密度预测结果和相关系数矩阵得到多风电场输出功率的联合概率密度函数,并借助多元随机变量抽样技术形成包含动态时空关联特性的多维场景。通过实例分析,表明了所提出方法的有效性。

采用混合语言信息群决策的电力负荷密度预测法

传统城市空间负荷密度预测法在实际预测过程中其结果的可信度依赖于大量有效的样本数据,而在实际中收集到较齐全的可行样本数据存在很大的难度。为此提出了一种将混合语言信息群决策方法和BP神经网络相结合的城市电力负荷密度预测法。该方法采用基于混合语言信息的群决策方法,通过各决策者的评价,计算城市各小区相应的经济、人口、地理环境的综合评分值,并利用BP神经网络,训练各指标综合评分值与相应的小区负荷密度,利用训练后的网络结构和待定小区的各指标综合评分结果,预测城市该小区的负荷密度。通过对城市若干小区的负荷密度及各指标综合评分值做比较分析,预测了部分小区的负荷密度值。结果表明预测计算过程摆脱了需要大量收集特定指标定量数据的问题,并且预测结果具有较高的可信度。