基于STARMA模型的济宁城市内涝模拟分析

从济宁市内涝监控的角度,对系统中的内涝模拟和风险分析模块进行分析。该模型对济宁市城市内涝模拟效果较好,有助于洪涝灾害的防控,可有效提高城市的信息预警能力。

基于STARMA模型的感病松林内松墨天牛成虫发生量预测

利用浙江省临海市2007~2015年3个感病松林试验点内松墨天牛成虫的连续诱捕数据,根据每架诱捕器每年5~9月每月所诱松墨天牛成虫数量的时间相关性、空间相关性以及诱集数量的序列相关性,构建了松墨天牛成虫诱集数量的时空自相关移动平均模型(STARMA),对松墨天牛成虫数量进行了预测。结果表明:该模型对松墨天牛成虫诱集数量拟合效果较好,预测3个试验点未参与建模的2014~2015年每年5~9月的松墨天牛成虫诱集数量,平均成功率为70%。

基于STARMA模型的城市暴雨积水点积水短时预测

近年来城市暴雨出现突发和多发态势,导致城市内涝灾害频繁发生,威胁着城市居民的生命和财产安全。随着城市降雨积水监测网的建立,获得分钟尺度的降雨和积水时序监测数据成为可能,实现了城市内涝的实时监控。但目前对监测数据的利用仍显不足,缺乏对其深度分析挖掘,造成监测系统"只监不控"的局面。本文基于城市降雨积水监测网的监测数据,根据积水时间相关性、降雨空间相关性以及降雨积水序列相关性,构建降雨积水的时空自相关移动平均模型(STARMA),对城市暴雨积水点积水过程进行短时预测。STARMA模型已被广泛应用于交通预测、环境变量预测以及社会经济领域,特别是在时空过程机理不清楚、多因素时空变量影响的情况下效果较好。本文首次将该模型应用到降水积水过程拟合和积水短时预测上,同时在方法上改进了传统单变量的STARMA模型,建立降雨和积水双变量的STARMA模型模拟降雨积水过程。并以北京市2012年"7.21"事件降雨积水过程为研究对象,以丰北桥、花乡桥、马家楼桥和六里桥4个积水监测点为例,建立降雨积水的STARMA模型,以5 min为步长作积水5、10、15 min三步预测。验证结果表明,该模型在降雨积水过程中拟合效果较好,模型短时预测精度较高。该项研究能够有效地利用监测数据,提高信息预警和应急指挥能力,为市政防汛或交通等部门提供决策支持。

STARMA网络时空序列预测模型研究

针对传统方法建立的空间权矩阵难于真实、准确地反映空间邻近变量之间相互影响的不足,提出一种基于样本数据驱动的空间权矩阵建立方法,将建立空间权矩阵转换为求解未知系数线性方程;针对STARMA模型只具有线性形式而无法捕获时空序列中非线性模式的不足,提出STARMA网络模型,采用网络结构,以非线性函数代替线性组合。通过实验分析验证了基于样本数据驱动的空间权矩阵建立方法和STARMA网络的有效性。

时空序列模型在沉降监测中的应用

在工程建(构)筑物的变形分析中,主要考虑的是针对各个测点的时序分析,进而实现变形体的预测预报,但这样会造成模型的冗余。实际上,很多变形体作为一个整体结构,测点间在时间和空间上均存在一定的相关性,即时空相关性。时空序列模型(STARMA)则是根据时空序列的时间相关性和空间相关性对序列进行分析的一种建模方法,从理论上来讲能够更好地反映出变形体的形变规律。本文以某建筑物的沉降监测作为研究对象,建立STARMA模型,结果表明,该模型具有较好的实际应用效果。

基于时空序列混合模型的犯罪情报预测分析

[目的/意义]犯罪行为的分布和发生在时间上和空间上具有一定的规律性。犯罪情报预测分析对于获取未来的犯罪变化动态具有重要意义。传统的犯罪情报预测分析,要求熟悉政治、人文、经济、地理等多方面因素和社会犯罪动态变化规律,具有一定的局限性。因此需要探究新方法。[方法/过程]针对犯罪数据构建了神经网络和STARM A(时空自相关移动平均模型)的时空序列混合模型,根据历史犯罪数据预测未来发生犯罪的数量变化。首先利用神经网络提取犯罪数据中非线性特征,然后对残差建立STARMA模型,整合出最终的预测结果。[结果/结论]既弥补了传统STARMA模型无法挖掘非线性关系的不足,又满足了模型所需数据的平稳性的要求。通过实验验证了该方法可减小预测误差,在犯罪情报预测方面更加准确。

基于神经网络与时空序列的混合模型在变形监测中的应用

在变形数据分析与建模中,同时考虑变形体测点之间的时间相关性以及空间相关性的时空序列模型(STARMA)能够更好地反映出变形体的形变规律,但STARMA模型是建立在线性平稳模型基础上的,且大多数观测数据序列是非平稳过程,这给时空序列模型的应用带来了局限性.由于BP神经网络具有很强的非线性映射能力,基于此,结合这两种模型的特点,构造ANN+SRATMA混合模型来处理非平稳序列.通过对建筑物的沉降观测进行分析研究,结果表明了混合模型要优于单一模型,具有很好的实用性.

时空序列模型在地下管线沉降监测中的应用

变形分析与预报是工程建(构)物在施工与运营期间的重要内容,目前应用较为广泛的是针对变形体各测点建立时间序列模型(ARMA),这种建模方法考虑的是各测点位移在时间变化上的关联性,而时空序列模型(STARMA)则同时考虑测点在时间以及空间上的相关性,从理论上来讲,能够更好的解释变形体的形变规律。本文以某地下管线沉降监测为研究对象,分别建立ARMA模型以及STARMA模型,通过计算各测点预测RSE、NMSE、RMSE、MAE四个误差指标值并进行比较,验证了STARMA模型在预测精度上好于ARMA模型,对于管线沉降监测具有一定的应用价值。

基于时空数据挖掘的案事件时空分析研究

近年来,随着地理信息技术的提升和公安信息化工程的进一步发展,有大量的案事件信息堆积在公安部门。但是,面对复杂的违法犯罪形势及日积月累的案事件数据,知识贫乏的问题成为打击预防犯罪道路上的“绊脚石”。为解决这一问题,本研究引入时空自相关移动平均模型(Spatio-Temporal Autoregressive Integrated Moving Average,STARMA)对案事件进行时空预测分析,最后通过实证验证方法的有效性。

基于SVD和ARIMA的时空序列分解与预测

针对传统时空序列建模过程中估计空间权重矩阵时难度较高的问题,提出一种基于奇异值分解(SVD)的时空序列分解模型ST-SVD。对原始时空序列矩阵进行平稳性检测并中心化为零均值平稳时空序列,在假设时间和空间没有交互作用的前提下,利用SVD技术将时空序列分解为空间模式、时间模式以及模式强度的乘积,通过ARIMA模型对平稳的时间模式进行建模并得到其预测结果,在此基础上,将时间模式的预测结果与分解得到的空间模式相结合,利用SVD技术对真实的时空序列进行重建,得到各个空间点的最终预测结果。实验结果表明,与ARIMA、Lasso-VAR、LSTM和STARMA模型相比,ST-SVD模型的训练时间成本降低50%以上,预测精度提升10%以上,其在实际工程应用中能够有效完成时空序列预测任务。