MODIS-EVI时间序列重庆夏季干旱研究

选取重庆市2000～2009年MODIS EVI时间序列数据,采用BISE去云处理方法,首先进行EVI时间序列的变化矢量分析,研究了EVI对干旱的响应情况;再选取4个典型区域,研究了2006年在干旱严重发生时EVI与气温、降水之间的关系;最后基于时间序列植被状态指数(VCI)和降水距平百分率研究了2006年重庆大旱的时空分布规律。结果表明:2006年重庆夏季EVI明显低于其他年份相应时间EVI的平均值;重庆市夏季旱情发生期间主要以高温少雨天气为主;除东南部外,其他大部分区域均处于严重干旱状态下。

MODIS-EVI时间序列重庆夏季干旱研究(英文)

选取重庆市2000～2009年MODIS EVI时间序列数据,采用BLSE去云处理方法,首先进行EVI时间序列的变化矢量分析,研究EVI对干旱的响应情况;再选取4个典型区域,研究2006年在干旱严重发生时EVI与气温、降水之间的关系;最后基于时间序列植被状态指数(VCI)和降水距平百分率研究2006年重庆大旱的时空分布规律。结果表明:2006年重庆夏季EVI明显低于其他年份相应时间EVI的平均值;重庆市夏季旱情发生期间主要以高温少雨的天气为主;除了东南部外,其他大部分区域均处于严重干旱的状态下。

一种基于线性模糊信息粒的时间序列预测算法

[目的]由于经济、金融、环境和生态等多个领域中时间序列数据规模的持续增长,对其进行预测变得日益复杂,为了提高大规模时间序列的长期预测效率,探索构建模糊信息粒的创新方法,以准确反映数据集大小和趋势信息.[方法]首先,根据模糊拓展原理,研究各种模糊信息粒,包括区间型、三角型和高斯型模糊信息粒的距离定义.随后,结合时间序列片段的中心线段和离散程度信息,引入一类新颖的模糊信息粒.这些粒子可以有效捕捉指定时间范围内时间序列的趋势信息和离散程度,进一步地提出高斯型模糊信息粒距离的函数表达式和几何解释.为了将这些粒子用于时间序列预测,设计一类模糊推理预测系统,该系统可以利用历史数据构造模糊信息粒,并从高斯型模糊信息粒序列中提取模糊推理规则.[结果]高斯型模糊信息粒距离的函数表达式具有简洁的数学表示,可以合理地反映两个高斯模糊信息粒的中心线和离散程度的差异.模糊推理预测系统可以从高斯型模糊信息粒序列中提取有效的规则,实现时间序列的长期预测.实验结果表明,结合线性高斯模糊信息粒与模糊推理系统的预测方法在均方根误差和平均绝对百分比误差方面优于其他数值预测算法和其他模糊信息粒推理方法,包括自回归模型、自回归神经网络和回归向量机等.[结论]结合线性模糊信息粒和模糊推理系统的方法可以提高时间序列长期预测的效率.基于对数据集特征的合理抽象提出了一种新颖的线性模糊信息粒,并简洁地推导出了它们的距离定义.时间序列预测的成功表明,通过巧妙地设计信息粒,能够准确捕捉数据集中的关键特征,从而提高其他数据挖掘任务的效率,例如更快的计算速度和更准确的结果.

海底节点同步源高效混叠采集随机延迟时间序列分布原则研究

近年来,海底节点(OBN)同步震源高效采集方法的研究成为地震勘探领域的热点之一。陆地可控震源数据分离激发参数的选择有时间延迟、相位、扫描长度等3种编码方式。但是,由于海上空气枪激发的特点,相位和扫描长度编码适用性差。只能采用时间延迟编码方式。海上混叠采集时间延迟序列的编码是影响数据分离效果的最关键因素之一。提出了一种基于正态分布约束的均匀随机时间分布定量编码准则,通过目标函数约束构建最优时间序列,并对比分析了实际自然随机激发时间和其它2种理论模拟的随机时间分布方式在共检波点域的分布特征。利用频率波数波数(FKK)域迭代反演方法进行混叠数据分离,单炮模拟测试结果表明,构建的最优时间序列比其它3种分布方式更能有效地分离混叠地震数据。海上三维工区高效混叠采集试验结果表明,根据最优准则构建的延迟时间序列,能够取得较好的数据分离效果。该研究结果为后续野外混叠采集的延迟激发时间设计提供了技术支持。

增强局部注意力的时间序列分类方法

现有时间序列分类方法普遍基于一种循环网络结构解决时间序列点值耦合问题,无法并行计算,导致计算资源浪费,因此提出一种增强局部注意力的时间序列分类方法。该方法拟合混合距离信息以增加时间序列位置感知能力,将混合距离信息融入自注意矩阵计算中,从而扩展自注意力机制;构造多尺度卷积注意力获取多尺度局部前向信息,以解决标准自注意力机制基于点值计算存在注意力混淆的问题;使用改进后的自注意力机制构造时序自注意分类模块,并行计算处理时间序列分类任务。实验结果表明,与现有时间序列分类方法相比,基于局部注意力增强的时间序列分类方法能够加速收敛,有效提高时序序列分类效果。

基于坐标时间序列的地心运动分析与预测

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。

长时间序列生态系统服务权衡与协同驱动因素——以芜湖市生态系统服务功能极重要区为例

人类对生态系统的管理和干预促使生态系统服务权衡向协同转化,有助于生态系统服务综合效益提升。但当前缺乏对长时间序列分析背景下生态系统服务权衡协同驱动因素及其非线性影响的理解与把握。以芜湖市“生态系统服务功能极重要区”为研究案例,考虑生境质量、碳固定和土壤保持三种关键生态系统服务,基于多源数据,运用逐像元趋势叠加分析法评估1990—2020年间研究区生态系统服务变化趋势及其权衡协同空间分布规律,采用随机森林模型探索该区域生态系统服务权衡协同形成的关键驱动因素及其非线性影响效应。研究结果表明:(1)31年间芜湖市域生境质量显著下降区域面积约为提升面积的两倍,存在进一步衰退的风险。同时,城市扩张导致市郊边缘地带碳固定、土壤保持显著下降。(2)研究区生态系统服务供给能力受权衡协同影响显著,受影响区域总面积占比达64.48%。受权衡影响区域与协同影响区域存在显著空间差异。(3)土地利用强度是管理生态系统服务权衡向协同转化的主导因素。土地利用强度对权衡协同的影响表现出非线性特征并且存在影响阈值。当强度等级介于弱与中且偏向弱强度时对不同服务协同增益具有积极作用。

城市空气质量指数的时间序列分析和预测--以扬州市为例

城市空气质量指数是反映城市环境宜居水平的重要指标,预测城市空气质量指数可以为政策制定提供重要的参考依据。选取扬州市2014-2022年的空气质量指数(AQI)进行时间序列分析,采用的时间序列模型有自回归积分滑动平均模型(ARIMA)、先知模型(Prophet)以及人工智能领域的长短期记忆模型(LSTM)。通过这些模型分析扬州市空气质量指数的周期性、季节性和趋势特征,并对空气质量指数进行预测。结果显示,基于人工智能的长短期记忆模型具有很强的预测能力。

一种改进聚类算法的时间序列异常检测方法

时间序列异常检测被广泛应用于民航领域,对飞机快速存取记录器收集的时间序列数据进行异常检测为识别降低安全裕度的事件提供了有力手段。为了提高时间序列异常检测的准确率,提出一种基于改进聚类算法的时间序列异常检测方法。将K-Medoids聚类算法的欧氏距离度量方法替换为动态时间规整距离度量方法,根据样本点与中心点之间的距离判定异常,研究通过飞机飞行参数超限检测测试时间序列异常检测方法的有效性。实验结果表明,与传统聚类算法相比该方法的异常检测准确率和F1分数更高。聚类算法使用动态时间规整度量距离优化了时间序列相似性度量的精度,可以对形态特点相似的时间序列数据更好地聚类,提高了聚类算法的准确性。

基于异构特征融合的多维时间序列分类算法

随着大数据时代的到来和传感器的发展,多维时间序列分类问题成为数据挖掘领域的重要问题。多维时间序列存在维度高、维度间关系复杂、数据形态多变的特点,从而生成巨大的特征空间。现有方法难以选取有区分力的特征,导致方法的准确度普遍较低。另一方面,现有方法的分类结果的可解释性较差。针对上述问题,提出了一种基于异构特征融合的多维时间序列分类算法。该算法融合了时域、频域和区间统计值这3种特征并对特征进行聚类,从而找到最有代表性的特征。首先为每个维度提取不同类型的代表性特征,再通过多维度特征转换的方法融合所有维度的不同类型的特征,形成特征向量,并基于此训练分类模型。为了提高分类结果的可解释性,算法基于树结构生成不同类型的候选特征集合,然后通过聚合消除冗余和相似的特征,最终获得少量代表性特征。为了验证所提算法的有效性,在公开的UEA数据集上进行了大量实验。实验结果显示,所提算法的准确性、特征融合的合理性,以及分类结果的可解释性均优于现有方法。

基于CEEMDAN和改进的混合时间序列模型工作面涌水量预测研究

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。

基于上下文生成对抗网络的时间序列异常检测方法

时间序列的异常检测是网络服务保障、数据安全检测、系统监控分析等应用中所依赖的一项关键技术。为解决在实际场景的时间序列异常检测中由于时间序列上下文的模糊性、数据分布的复杂性以及异常检测模型的不确定性所带来的异常检测结果的有效性、合理性、稳定性等不足的问题,本文提出了一种新的基于上下文生成对抗网络的时间序列异常检测方法AdcGAN。首先,通过处理历史数据,提取用于生成时序数据的条件上下文;然后,采用条件生成对抗网络的设计策略,使用条件上下文,构建上下文生成对抗网络,实现对任意时刻数据的条件分布预测,同时AdcGAN采用Dropout近似模型不确定性,使用概率分布代替点估计作为预测结果;接着,从观测的差异(用期望偏差表示)和模型的不确定性(用预测方差表示)两个方面来衡量异常;最后,提出基于数据统计信息的异常阈值自动设置方法,减少手动调节的参数量。实验结果表明,与同类基准算法进行对比,在NAB数据集中的47个真实时序数据上,本文提出的AdcGAN可以有效地检测出时序数据中的异常,在大多数评价指标上都优于其他基准方法,并且具有更好的稳定性。

基于间断时间序列分析的医院DRG付费改革成效评价研究

目的:分析DRG付费改革对天津市某三级医疗机构运行的影响。方法:收集2020年1月~2022年12月改革试点医疗机构医疗服务能力、医疗服务效率、医疗服务质量3个维度的月度数据,采用间断时间序列数据模型分析改革前后各类指标趋势的变化。结果:试点医院医疗服务能力提升效果显著,医疗服务效率存在较大提升空间,改革对于医疗服务质量影响甚微。结论:在当前诊疗能力稳步提升的情况下、医保支付改革所倡导的降本增效要求下以及“以治疗为中心”转向“以健康为中心”的医疗服务发展模式下,应完善DRG付费改革促进医疗服务能力、医疗服务效率和医疗服务质量提升的关键机制,多措并举实现公立医院高质量发展。

贵州喀斯特地貌地区GNSS站坐标时间序列特性研究

使用GAMIT/GLOBK10.71软件解算贵州省北斗卫星导航定位基准站网(GZCORS)25个基准站数据,获得各站单天解坐标时间序列。利用主成分分析法提取站坐标共模误差,利用谱分析法分析共模误差基本特性,采用极大似然估计法确定站点最优噪声模型及其运动速度。结果表明,GZCORS坐标序列共模误差中包含有周期项,N方向最大振幅周期分别出现在0.2周/a、1.2周/a、3.2周/a和4.2周/a;GZCORS站点最优噪声模型以WN+FN和WN+GM为主,剔除共模误差后,36%的测站分量噪声特性发生变化;剔除共模误差后,坐标时间序列噪声水平明显降低,各坐标分量速度参数的估计精度均有明显提升,其中N、E、U分量分别提高52%、56%和50%。

基于Transformer的矿井内因火灾时间序列预测方法

传统的基于机器学习的矿井内因火灾预测方法尽管具备一定的预测能力,然而在处理复杂的多变量数据时不能有效捕捉数据间的全局依赖关系,导致预测精度较低。针对上述问题,提出了一种基于Transformer的矿井内因火灾时间序列预测方法。首先,采用Hampel滤波器和拉格朗日插值法对数据进行异常值检测和缺失值填补。然后,利用Transformer的自注意力机制对时间序列数据进行特征提取及趋势预测。最后,通过调节滑动窗口的大小与步长,在不同的时间步长和预测长度下对模型进行不同时间维度的训练。结合气体分析法将矿井火灾产生的标志性气体(CO,O_(2),N_(2),CO_(2),C_(2)H_(2),C_(2)H4,C_(2)H_(6))作为模型输入变量,其中CO作为模型输出的目标变量,O_(2),N_(2),CO_(2),C_(2)H_(2),C_(2)H4,C_(2)H_(6)作为模型输入的协变量。选取陕煤集团柠条塔煤矿S1206回风隅角火灾预警的束管数据进行实验验证,结果表明:①对CO进行单变量预测和多变量预测,多变量预测相比单变量预测有着更高的预测精度,说明多变量预测能通过捕捉序列间的相关性提高模型的预测精度。②当时间步长固定时,基于Transformer的矿井内因火灾预测模型的预测精度随着预测长度的增加而下降。当预测长度固定时,模型的预测精度随时间步长增加而提高。③Transformer算法的预测精度较长短时记忆(LSTM)算法和循环神经网络(RNN)算法分别提高了7.1%~12.6%和20.9%~24.9%。

基于双通道回声状态网络的时间序列补全及单步预测

随着物联网的发展,众多传感器采集到大量具有丰富数据相关性的时间序列,为各种数据挖掘应用提供强大的数据支持。然而,一些客观或主观原因(如设备故障、稀疏感知等)往往会造成采集到的数据出现不同程度的缺失。虽然已有很多方法被提出用于解决这一问题,但这些方法在数据相关性方面或考虑不够全面,或计算成本过高。而且,现有方法仅关注对缺失值的补全,未能兼顾下游应用。针对上述不足,设计了一种兼顾补全与预测任务的双通道回声状态网络。两个通道的网络虽共用输入层,但具有各自的储备池和输出层。两者最大的区别是左/右通道的输出层分别表示输入层前/后一个时刻对应的目标值或预补值。最后将两个通道的估计值进行融合,充分利用来自缺失时刻之前和之后的数据相关性以进一步提升性能。两种缺失现象下(随机缺失和分段缺失)不同缺失率的实验结果表明,所提模型无论是在补全精度还是预测精度上都优于目前流行的各类方法。

基于全局-局部散度的多元时间序列无监督降维方法

针对传统降维方法不能直接应用于多元时间序列,现有的多元时间序列降维方法难以在保证降维有效性的同时大幅降低数据维度的问题,提出一种基于全局-局部散度的多元时间序列无监督降维方法。首先,提出一种特征序列提取方法,提取多元时间序列协方差矩阵的上三角元素,将其组合为特征序列。然后,以“局部散度最小、全局散度最大”为基本思想,提出一种无监督降维模型,在保持局部近邻关系的同时,尽可能保留全局信息。将特征序列作为输入,最小化所有样本点邻域方差之和,最大化邻域中心点方差。求解模型得到的投影矩阵能够实现多元时间序列的降维。最后,在20组公开数据集上,对所提方法进行了实验验证。结果表明,所提方法能够在保证降维有效性的同时,较大幅度地降低多元时间序列的维度。

基于变分模态分解的GNSS高程时间序列时变信号提取

针对GNSS坐标时间序列中的时变信号难以由现有最小二乘、最大似然估计(MLE)等参数化方法准确提取的问题,本文采用变分模态分解(VMD)方法将中国内地构造环境监测网络(CMONOC)测站的高程时间序列分解为一系列本征模态函数(IMF),进而重构出测站位置时间序列中含有的时变信号。结果表明,相对于MLE方法,VMD方法在97.9%的测站上均方根误差(RMSE)改进率为正值,因此该方法有助于绝大多数测站精确提取出时变信号,减弱高程时间序列中的非线性形变。另外,从相关系数和信噪比的角度来看,VMD方法得到的重构序列与原始序列之间的相关系数更高,信噪比也更大,表明降噪效果较好。通过特定测站的分析表明,VMD方法能有效探测出GNSS高程时间序列预处理中包含遗漏的阶跃信号的测站,表现为较大的RMSE改进率,这在大批量测站的阶跃信号探测中具有一定的实用价值。VMD方法相对于小波分解(WD)经验模态分解(EMD)具有更好的自适应性,但IMF分量个数仍然需要针对具体测站进行逐一确定,当分解个数和重构分量选取恰当时,VMD方法在GNSS高程时间序列中的应用效果可进一步提高。

基于LSTM-WGAN的时间序列数据异常检测

在时序数据中发现隐藏的异常行为或事件,可以保障生产安全,具有重要意义。目前的异常检测模型存在训练不稳定、容易产生梯度消失的问题,影响异常检测效果,针对该问题,提出一种LSTM-WGAN模型,WGAN负责捕获变量之间的潜在关联,进一步提升了LSTM的检测能力。同时,以Wasserstein距离代替交叉熵损失训练判别器和生成器,结合重构损失以及判别损失实现异常检测。在NAB公开数据集上的实验结果表明LSTM-WGAN相较于基准模型在准确率、召回率以及F1得分上都有较大幅度的提升。

拟稳平差法在GNSS时间序列修复中的研究与应用

针对CORS坐标时间序列的缺失问题提出一种基于GNSS网拟稳平差的时间序列插值方法。在区域内选择相对稳定的测站构建基线网,根据稳定测站的趋势变化对缺失序列进行修复。模拟实验对比分析证明,拟稳平差法的修复效果最好,平均误差在5 mm以内,并保留了原始数据的运动趋势。使用拟稳平差法对待求点365 d的坐标序列进行仿真处理,并与真实序列进行对比分析。结果表明,仿真序列与真实序列变化趋势基本一致,E、N方向上的平均误差在5 mm以内,U方向上的平均误差在10 mm以内。