结合变种残差模型和Transformer的城市公路短时交通流预测

城市公路交通流的预测受到历史交通流量和相邻车道交通流量的影响,蕴含了复杂的时空特征。针对传统交通流预测模型卷积长短时记忆(ConvLSTM)网络进行交通流预测时,未将时空特征分开提取而造成的特征提取不充分、特征信息混淆和特征信息缺失等问题,对ConvLSTM模型作出改进。首先,提取每个采样时刻的交通流数据的短期时间特征和空间特征,并在特定的维度下将交通流的短期时空特征融合;其次,进行残差映射;最后,将映射后的短期时空特征交由Transformer模型捕捉交通流数据长期的时空特征,并根据所捕捉的长期特征对未来时刻每个采样点交通流进行预测。使用加州城市快速路数据对模型进行验证,以平均绝对误差(MAE)作为模型评价指标时,所提模型相较于Conv-Transformer模型,预测精度提高了18%,验证了所提模型的有效性。

基于优化变分模态分解的大坝变形组合预测模型:以丰满水电站为例

大坝的变形通常受到多种因素的影响,监测数据表现出一定的非平稳性和随机性,为提高大坝变形预测的精度,提出了基于优化变分模态分解的大坝变形组合预测模型。该模型首先采用粒子群优化算法(particle swarm optimization,PSO)寻找变分模态分解(variational mode decomposition,VMD)的最优超参数,然后将大坝变形分解为趋势项、周期项和随机项分量。针对分解后各分量的时序特点,采用时域卷积网络(temporal convolutional network,TCN)和长短时记忆网络(long short-term memory,LSTM)进行组合预测,对各分量预测值重构加成得到最终预测值。以实际工程数据为例,采用平均绝对误差(mean absolute error,MAE),均方误差(mean square error,MSE)和平均绝对百分比误差(mean absolute percentage error,MAPE)等指标对模型量化评估,并与单一的预测模型进行比较。结果表明:本文提出的基于优化变分模态分解的大坝变形组合预测模型精度更高,可以有效提取大坝变形数据中隐含的信息特征,降低大坝变形时序数据的非平稳性,具有较高推广应用价值,为精准预测大坝变形提供了借鉴和指导。

CNN-LSTM组合模型在隧道衬砌变形预测中的应用

下穿隧道施工对邻近既有隧道的影响不容忽视,加之传统的预测模型难以捕捉隧道变形数据包含的复杂时空特征,导致拟合效果较差。为解决上述问题,以巫山隧道下穿岳家岭隧道为研究对象,采用CNN (convolutional neural network)-LSTM(long short-term memory)组合优化模型开展了隧道衬砌变形预测研究,并引入多个统计学指标对模型的预测精度进行了验证。结果表明:CNN-LSTM组合模型不仅可以处理包含空间和时间依赖的复杂任务,而且在拟合震荡数据方面具有较强的优势,能较好地捕捉输入数据中的重要局部特征,增强对峰值和峰谷的识别能力。合理的架构设计和优化策略能够充分发挥CNN与LSTM模型的优势,提高预测模型的准确性和鲁棒性。

考虑时间相关性的风储系统多模式协调优化策略

基于考虑风电预测误差时间相关性的不确定性场景,将能量型储能同时应用于削峰填谷和计划跟踪两种模式,提出了风储联合系统多模式协调优化模型。同时,针对风储联合运行的大规模混合整数规划问题,提出储能调峰容量系数的概念,用于构造两层迭代优化算法,对模型进行快速求解,并可对储能在不同模式的容量分配进行量化评估。基于实际数据进行了计算机仿真验证,仿真结果表明,风储联合系统的最优运行模式受上网电价、惩罚价格以及风电随机特性等因素的影响;而所提出的模型可实现储能有限容量在不同模式间的合理分配和高效利用,为研究风储联合系统运行特性、与电网进行协调调度提供了重要的参考信息。

光伏集群有功功率分层预测控制策略

针对光伏集群有功功率的波动性和随机性会显著影响电力系统安全稳定运行的问题,基于大系统分层递阶控制理论,提出光伏集群有功功率分层预测控制策略。该策略在空间尺度上分为3个层级:在日前集群跟踪层以跟踪日前调度计划为目标,建立光伏集群调度计划跟踪模型,并将优化后的调度计划值下发给子集群层;在子集群层中建立协调优化分配模型,同时将集群下发的控制指令合理分配给各子集群,并给出子集群内部电站的优化出力值;在实时电站控制层建立电站有功控制模型,该模型根据运行工况及所接收的优化出力值,自适应采取最大出力模式或跟随模式工作。最后,仿真结果表明所提方法在保证系统安全稳定前提下,能够提高目标区域内光伏消纳,且使得各个光伏电站有功出力更加平稳。

基于多模型融合Stacking集成学习的油田产量预测

基于机器学习前沿理论,提出一种基于多模型融合Stacking集成学习方式的组合预测方法,以国内某特高含水油田区块中多口水驱产油井历年生产历史数据为试验样本,预测其动态产油量。依据不同算法的训练原理,选取极限梯度提升树算法、长短记忆网络(LSTM)、时域卷积网络(TCN)等作为模型的基学习器,采用多元线性回归作为模型的元学习器。结果表明:融合后的Stacking模型充分发挥了各基学习器的优势,相比单一模型,融合后的Stacking模型预测平均误差较小,预测鲁棒性较好。该模型的提出对融合模型在特高含水油藏开发方面具有重要的应用意义。

基于IAPSO-Holt-TCN的时序瓦斯浓度预测模型

为了提升时序瓦斯浓度预测精度,提出1种基于特征组合(FCIH)-时间卷积网络(TCN)的预测模型。首先,基于粒子群(PSO)算法重构惯性权重和加速因子,设计自适应粒子群(IAPSO)寻优算法;然后,利用IAPSO优化霍尔特指数平滑(Holt)相关超参数,应用Holt生成时序瓦斯浓度的水平、趋势分量,并与时序瓦斯浓度历史数据构成特征组合,以此获取具有高度预测性的特征;接着,基于构建的特征组合,搭建FCIH-TCN时序瓦斯浓度预测框架;最后,采用多个模型进行对比实验。研究结果表明:使用IAPSO后,Holt预测模型的平均绝对误差下降0.019;FCIH作为模型输入有效提高LSTM、GRU及TCN模型的预测精度;FCIH-TCN的RMSE为0.05,MAE为0.035,其预测精度优于其他对比模型。研究结果可为矿井瓦斯灾害防治提供参考。

中国农牧业碳排放时空变化及预测

基于主要粮食作物、农资投入和牲畜数据,对中国31个省市自治区1997—2016年农牧业碳排放进行测算;采用变动指数、重心模型和标准差椭圆分析其时空变化特征;以趋势外推、灰色预测和差分整合移动平均自回归(ARIMA)模型为基础,利用标准差优选组合模型预测2017—2022年农牧业碳排放状况。结果表明:1997—2016年农业大环境向好,多省碳排放增加,重心向西北移动,主体区域在胡焕庸线右侧。但多省牧业碳排放降低,重心在河南境内摆动,主体区域扩大并向东南—西北扭转;农业碳排放高值区向东北三省和黄淮海转移,牧业碳排放高值区集中于传统区域和中部地区;组合模型预测优于单一模型,到2022年农业碳排放延续历史趋势但年均增速降低,牧业碳排放达到1.13×10 8 t,年均增速提高。

融合时空特征的PCA-PSO-SVM臭氧(O_(3))预测方法研究

针对目前臭氧预测方法未能考虑臭氧污染的区域性和在时间周期内的强自相关性的问题,提出一种融合时空特征的PCA-PSO-SVM臭氧组合预测模型.利用小波分析和系统聚类提取臭氧时间序列波动特征和站点空间分布相似性特征,并通过主成分分析和粒子群算法优化的支持向量机组合模型(PCA-PSO-SVM)对臭氧日最大8h平均浓度进行预测,以2016~2018年杭州市大气污染物观测数据和气象数据进行实验验证.结果表明:融合时空特征的PCA-PSO-SVM模型预测精度有较大提升,与未融合时空特征的PCA-PSO-SVM模型相比,精度提升19%.气象因素中温度对臭氧预测效果影响最大,在气象预报数据存在一定误差的情况下,提出的模型仍得到较高精度的预测效果,具备较好的鲁棒性.

基于改进时空残差卷积神经网络的城市路网短时交通流预测

城市路网交通流预测受到历史交通流和相邻路口交通流的影响,具有复杂的时空关联性。针对传统时空残差模型缺乏对交通流数据进行相关性分析、捕获微小变化而容易忽略长期时间特征等问题,提出一种基于改进时空残差卷积神经网络(CNN)的城市路网短时交通流预测模型。该模型将原始交通流数据转化成交通栅格数据,利用皮尔逊相关系数(PCC)对交通栅格数据进行相关性分析,确定相关性高的周期序列和邻近序列;同时,建立周期序列模型和邻近序列模型,并引入长短时记忆(LSTM)网络作为混合模型提取时间特征以及捕获两种序列的长期时间特征。利用成都市出租车数据集对模型进行验证,结果表明该模型预测结果优于LSTM、CNN和传统残差模型等基准模型,以均方根误差(RMSE)为评价指标时,所提模型将测试集中交通路网的平均预测精度分别提高了25.6%、13.3%和3.2%。

三维视频深度图像处理及其ASIC实现

基于自适应色度分割方法,采用专用集成电路(ASIC)完成深度图像的处理及优化。系统级仿真验证结果表明,该深度图像处理方法具有实时性、兼容性、实用性等特点,适用于实时自由视点3D视频的处理。

顾及空间约束的犯罪时空关联分析组合算法

犯罪时空数据关联分析结果有助于相关部门在关键时段和关键区域进行警力重点配置。提出一种基于空间约束的lightGBM/Apriori组合算法,对犯罪数据中的时空属性特征进行简约处理,通过对犯罪类别的预测分析,识别时空关联特征较为显著的犯罪类型及关键影响要素,寻找热点细化研究区域,抽取犯罪时空关键特征,建立犯罪强关联规则挖掘模型。以美国费城2015年犯罪数据集为例,利用提出的组合算法进行了犯罪类别预测、时空分布模式分析和关联规则挖掘,将挖掘结果与真实发生的犯罪进行对比,盗窃犯罪事件在每天4个时段的预测准确率为64.29%~90.20%。

基于回归-卡尔曼滤波组合模型的航道整治区域船舶交通流时空预测

为分析及预测工程不同阶段航道整治区域船舶交通流量变化,通过确立研究断面,获取交通流数据,对研究断面处的船舶交通流时空特性进行分析.基于现有数据,将回归模型预测值替代卡尔曼滤波模型中的状态转移值,建立回归-卡尔曼滤波组合模型,在卡尔曼滤波模型预测具有实时性的基础上,提高预测精度,并利用历史数据进行了预测.预测结果与实际数据对比验证了回归-卡尔曼滤波组合模型在航道整治区域船舶交通流时空预测方面的有效性与可靠性.