营口市气温预报方法研究

地面气温与大气低层温度存在明显的正相关,本文利用NCEP/NCAR 850 hPa和925 hPa的温度资料与营口市的日最高和最低气温分季建立预报回归方程,并分析了风向、风速、低云量和降水对日最高和最低气温变化的影响程度并建立预报指标,对预报回归方程进行订正。本文对预报方程结果进行了预报检验,结果表明：日最高气温预报误差小于2℃的预报准确率,春季为57.6%,夏季为82.2%,秋季为83.3%,冬季为78.3%;日最低气温预报误差小于2℃的预报准确率,春季为64.1%,夏季为82.6%,秋季为70%,冬季为60%。     

基于ICSO-SVM模型的物流吞吐量研究

研究融合支持向量机与改进的鸡群优化算法构建新的物流吞吐量预测模型,并对其进行验证。研究结果表明,模型中算法达到最佳平均适应度值0.0632仅需20次左右,训练拟合效果良好,最高可达100%。模型误差在对比算法与模型中最低,平均绝对误差为762.2,平均绝对百分比误差为1.05%,均方根误差为814.7。在对物流吞吐量的预测中,模型得出高速发展年均增长率为1.2%,基准发展年均增长率为0.8%,低速发展年均增长率为0.5%的结论。     

3种机器学习方法预报风电功率的对比

根据甘肃省华家岭风力发电场的风场变化特征,利用风电场2017年8月-2018年7月的风电功率监测数据及同期欧洲中期天气预报中心的数值模式预报资料,用随机森林(RF)算法分析和筛选出主要的预报因子,分别选择RF、极限学习机和支持向量机3种机器学习方法建立预报模型,通过对比预报效果,得出适合的预报方法和模型.结果表明, RF算法的平均预报均方根误差为15.6%,预报效果优于极限学习机和支持向量机(预报均方根误差分别为16.8%和17.2%). RF算法在风电功率的短期预报方面取得了更好的效果,预报值与实际监测值更加接近;基于3种机器学习算法建立的风电功率预报模型的预报结果误差值都会随着风速的增大而增大,随着风速的减小而减小.     

基于DEM的广东省平均气温空间插值Ⅱ——研究结果

以广东省为研究区域,利用广东省及周边的60个气象站点多年月平均气温数据,根据气温垂直递减规律引人数字高程模型对气温的空间插值结果进行修正。结果表明。基于数字高程模型的插值修正方法可以提高气温空间插值的精度．其中Spline方法的平均绝对误差由0．49降到了0．32．均方根误差由0．57降到了0．36;反距离权重法法的平均绝对误差由0．47降到了0．31．均方根误差由0．56降到了0．35;OK方法的平均绝对误差由0．48降到了0．33,均方根误差由0．58降到了0．38。在6种插值方法中,考虑了数字高程模型影响的反距离权重法误差最小．用于广东省气温的空间插值效果最好。     

3种机器学习方法对空气污染预报效果的对比

以中国西北5个省会城市为研究区域,利用2015年1月1日-2020年7月21日空气质量监测资料与气象数据构建基于多元逐步回归(MSR)、随机森林(RF)与支持向量机(SVM)的空气污染预报模型,以平均绝对误差、均方根误差及拟合度指数IA为评判指标,对模型的模拟精度进行对比分析.结果表明,针对5个城市构建空气污染预报模型时, RF重要性评估法比Spearman相关系数法更适用于筛选预报因子. MSR、 RF与SVM模型的预报性能由强至弱依次为MSR>RF>SVM. 3种模型预报结果均IA>0.8,预报值与实际观测值之间的相关程度较高.     

基于自回归求和移动平均的冬季路温短临预测

挖掘冬季路面温度在其他外部变量影响下未来短时间内的波动规律,建立冬季路面温度短临预测模型.基于交通气象监测站的冬季历史监测数据,利用统计学方法确定路面温度的主要影响因素,应用自回归求和移动平均(ARIMA)模型建模分析,对未来短时间内的路面温度进行预测.结果表明:允许误差在±0.5℃和±1.0℃范围内,未来3 h的平均预测准确率分别达到81.25%和99.65%,对应的平均绝对误差为0.21℃和0.26℃;允许误差在±0.5℃范围内,未来第1 h的平均预测准确率最高,平均绝对误差最低,分别达到92.50%和0.15℃.     

基于布谷鸟搜索的XGBoost算法优化及应用研究

为提高XGBoost算法预测精度，采用布谷鸟搜索算法全局优化XGBoost的超参数包括学习率、输出结点分裂的最小损失、树模型的最大深度和弱学习器的数量，构建CS-XGBoost模型训练数据集。实验结果表明，基于CS-XGBoost的收入分类模型的准确率、精确率、F1分数和AUC等指标分别为95.67%、97.17%、95.56%和97.96%,均优于Logistic回归、支持向量机、随机森林、XGBoost算法和基于网格搜索的XGBoost算法；基于CS-XGBoost的房价预测模型的决定系数、均方根误差及平均绝对误差分别为0.905 5、2.943 5及2.165 4,预测精度较XGBoost算法得到显著提升。     

木聚糖酶氨基酸组成与最适温度的模型

运用基于均匀设计(UD)的神经网络(NNs)构造法,构建F／10家族木聚糖酶氨基酸组成和最适温度的数学模型．当学习速率为0．1、动态参数为0．6、Sigmoid参数为0．9,隐含层结点数为7时,该模型对最适温度的拟合和预测的平均绝对百分比误差分别为6．61％和1．78％,均方根误差分别为5．43℃和2．00℃,平均绝对误差分别为4．13℃和1．46℃．     

基于多分类支持向量机的网络流量预测方法

 针对支持向量机网络流量预测误差较大的问题,提出一种基于多分类支持向量机的网络流量预测方法。该方法在网络流量数据训练阶段通过数据编码,使多分类支持向量机的输出逼近编码值,在预测阶段通过数据解码,将多分类支持向量机的输出转换为实际的网络流量预测结果,从而有效地降低了预测误差。实验结果显示,该方法的预测结果与实际采集的网络流量数据具有相同的变化趋势;在同等实验条件下,该方法预测结果的均方根误差为0.487,而单一支持向量机方法、BP 神经网络方法预测结果的均方根误差分别为1.0954 和2.3642,表明基于多分类支持向量机的网络流量预测方法具有更高的准确性。     

基于灰狼优化算法的孪生支持向量回归机

为了解决孪生支持向量回归机的参数寻优问题,提出了一种基于灰狼优化算法的孪生支持向量回归机。该算法将均方根误差和平均绝对误差作为灰狼优化算法的适应度函数,借助灰狼优化算法的全局寻优能力,以目标范围内生成狼群的位置代表不同的孪生支持向量回归机参数取值,通过有限次数迭代和灰狼优化算法的位置更新机制得到孪生支持向量回归机的最优参数。实验结果表明,该算法能够找到合适的参数;与现有算法相比,该算法的预测性能更佳,寻优时间显著缩短。     

相关向量机模型在边坡稳定性预测中的应用

近年来,边坡稳定性预测得到了广泛的研究,及时、准确的预测可以有效的预防边坡破坏灾害的发生。本文提出了一种基于相关向量机(RVM)的边坡稳定性预测模型,结合京-新高速公路高堑边坡工程实例,通过对比支持向量机（RVM）模型、RBF神经网络模型和支持向量机(SVM)模型的拟合及预测结果来分析其可行性。结果表明:相较于SVM模型和RBF神经网络模型,RVM模型的三种预测指标值均是最小的。其中,平均绝对误差（MAE）分别降低了86.02%和22.11%,均方根误差（RMSE）分别降低了72.05%和1.09%,相对均方误差（RRMSE）也分别降低了75.89%和21.13%,表明RVM是一种预测边坡稳定性的稳健工具,该方法能较为准确地预测出不同指标下的边坡安全系数。     

沥青生产过程中软化点的SVR预测

根据30组不同电阻和温度下的沥青软化点的实测数据集,应用基于粒子群算法(PSO)寻优的支持向量回归(SVR)方法,并结合留一交叉验证(LOOCV)法对沥青软化点进行了建模和预测研究,将其预测结果与多元线性回归(MLR)模型的计算结果进行了比较。SVR-LOOCV预测的最大误差为2.1 ℃, 远比MLR模型计算的最大误差7.9 ℃要小得多。统计结果表明：基于SVR-LOOCV预测结果的均方根误差(RMSE=0.75 ℃)、平均绝对误差(MAE=0.32 ℃)和平均绝对百分误差(MAPE=0.28%)相应也比MLR回归模型的预测结果(RMSE=3.3 ℃,MAE=2.6 ℃和MAPE=2.34%)要小。因此,应用SVR实时预测沥青产品的软化点,可为生产优质沥青提供准确的科学指导。     

PCA-SVM模型在几丁质酶最适温度建模中的应用

采用主成分分析法(PCA)对样本数据集进行预处理,将得到的新样本数据集输入支持向量机(SVM),籍助均匀设计(UD),构建几丁质酶氨基酸组成和最适温度的数学模型.当径向基核函数的3个参数,惩罚系数C为10,ε为0.5,γ为5时,模型对温度拟合的平均绝对百分比误差为5.06%,预测的平均绝对误差为1.83 ℃,说明具有良好的预测效果且优于神经网络的预测结果.     

基于遗传算法-深度神经网络的分布式光纤监测工作面矿压预测

为了准确掌握工作面矿压显现规律并对来压位置进行准确预测,搭建了相似材料物理模拟试验,并引入分布式光纤监测煤层采动过程中上覆岩石变形。结合光纤测点频移值的统计特征及工作面开采位置等矿压影响因素,利用门控循环单元深度神经网络(Gated Recurrent Neural Networks ,GRU),并采用遗传算法(Genetic Algorithm,GA)对GRU网络中的超参数寻优,建立了GA-GRU-BP的工作面来压位置预测模型。采用相关性系数(R2)、平均绝对误差(MAE)和均方根误差(RMSE)作为预测模型的性能评价指标,并与随机森林(RF)、GA-支持向量机(SVM)、GA-GRU进行算法性能比较。实验结果表明, GA-GRU-BP预测模型的预测精度R2达到了98.7%,MAE、RMSE分别为1.224cm,1.769cm, 远低于对比方法的评价指标,表明GA-GRU-BP预测模型具有较高的准确率和鲁棒性,为工作面矿压来压位置预测提供了新的方法。     

基于江西省站点资料对智能网格实况分析产品的检验评估

利用江西省2019年3月～2020年2月气象站观测资料,在小时尺度上,对中国气象局下发的智能网格实况的2 m气温、湿度、风速、降水等多个气象要素产品进行检验评估.研究分析各类产品的数据误差及其时空变化规律,验证该产品在研究区的适用性.研究结果表明:2 m气温、相对湿度产品与站点观测较为一致,其相关系数均可达0.9以上,2 m气温均方根误差在1.0 ℃左右,准确率可达80%以上,相对湿度均方根误差小于10%,准确率可达90%以上.风速产品的数据精度较低,相比站点观测风速明显偏弱,70%站点的风向准确率小于50%,风向准确率仅为40%左右.降水产品能准确反映年内逐小时变化趋势,但存在一定程度低估,相关系数基本在0.8以上,平均误差为-0.1～0.1 mm·h^-1,平均绝对误差小于0.2 mm·h^-1.与站点观测相比,降水产品对强降水明显偏弱.地形对实况网格产品准确性有较大影响,产品误差在地形复杂山区中比在平原地区中明显偏大.总体上,2 m气温、相对湿度产品质量较高,基本可满足业务服务需求.风速产品及降水产品在大降水量级下的误差较大,与业务服务需求有一定差距.     

ECMWF细网格2 m温度在抚州市预报能力检验

基于2015-2017年3 a的ECMWF细网格模式2 m温度预报产品,采用格点映射站点法、天气学检验方法和逐步回归拟合订正方法,对该模式在不同季节、不同天气时的抚州市温度预报能力进行检验。结果表明:ECMWF细网格模式2 m温度预报的02:00和14:00可代表日最低、最高温度。冬半年的逐季最高气温预报准确率高出夏半年9.7%～27.4%。夏半年的逐季最低气温预报准确率高出冬半年7.0%～24.7%。A、B、C格点02:00预报的气温很好地代表临川区、资溪县、广昌县全年的日最低气温预报。拟合的ECMWF模式2 m最高温度预报订正方程适用于日最高温度预报,对24 h内的最高温度和最低温度预报提供参考依据。     

基于改进ABC-LSSVM的浆体管道临界淤积流速预测

针对浆体管道的临界淤积流速存在预测难度高且计算较为复杂的问题,本文引入改进的人工蜂群算法(ABC)优化最小二乘支持向量机的方法对其做出了预测.为平衡算法的局部搜索和全局搜索性能,改进后的算法中的蜜蜂参考了雇佣蜂全局当前最优解和个体当前最优解的搜寻方式来展开寻优.通过实验仿真,结果表明:利用所提出的方法相比常规预测方法得到的预测效果更加精确,其均方根误差、平均相对误差以及平均绝对误差值仅分别为3.05%、1.00%和2.06%.同时,优于传统的临界淤积流速经验计算公式.     

基于MA-SVM算法的冷轧轧制力预测模型

针对传统轧制力预测模型计算误差大、泛化性能差的问题，提出了一种基于蜉蝣算法优化支持向量机的冷轧轧制力预测模型。该模型在支持向量机的基础上，引入蜉蝣算法对支持向量机的参数进行优化，解决了手动调参不确定性大且耗费时间的问题。本文采用某五机架冷连轧机组生产现场数据对轧制力进行测试，结果表明：本文所选模型轧制力预测值与实际值误差在±5%的准确率为98.5%,模型误差小，具有较好的泛化性能，具有广阔的应用前景。     

福建沿海多模式风速预报的检验

选取2019年福建沿海5个浮标站的实测风速,对FJ-WRF、EC-thin、华东区域模式三种模式的风速预报结果进行检验,通过平均绝对误差、均方根误差等检验指标对比,得到三种模式对沿海风的预报性能.结果表明,风速的模拟效果显示预报效果最好的是EC模式,平均绝对误差为2～2.5m/s,其次是上海区域模式,WRF模式的平均绝...     

新安江模型和支持向量机模型实时洪水预报应用比较

选择新安江模型和支持向量机模型分别在浙江省、陕西省的4个流域进行实时洪水预报,并使用K-最近邻实时校正法对新安江模型预报结果实时校正,比较2种模型在不同流域的应用效果,其中选择确定性系数、峰现时间误差、洪峰相对误差和均方误差作为模型预报评价指标。进一步改变预报预见期并分析2种模型在不同预见期内的预报精度。研究结果表明,新安江模型和支持向量机模型在不同流域洪水预报中各有优势,支持向量机模型预报精度受降雨精度影响较大。当预报预见期较长时,新安江模型预报结果更好;随着预见期缩短,支持向量机模型预报精度显著提高,在短预见期实时预报中支持向量机模型优势更明显。在预报难度较大的半湿润半干旱流域,新安江模型和支持向量机模型在率定期和实时预报过程中均具有较高精度。