双向多尺度LSTM的短时温度预测

针对长短期记忆网络(long short-term memory,LSTM)无法有效提取温度数据的多尺度特征和反向特征的问题,该文提出了一种双向多尺度跳跃LSTM(bidirectional multi-scale skip long short-term memory,BMS-LSTM)的短时温度预测模型.该模型以LSTM为核心单元,采用双向深层网络结构提取反向特征; 根据温度数据日的周期性设置跳跃连接数提取多尺度特征,解决了指数增长的跳跃连接数后期跳跃尺度过大的问题; 最后使用全连接层进行特征融合预测.实验结果表明:BMS-LSTM成功提取了温度数据的多尺度特征和反向特征,预测均值误差仅为3.890,优于对比模型,是一种有效的短时温度预测模型.     

北海市经济贝类基本成分和碳氮生源要素含量测定分析

广西沿海贝类资源丰富，在海洋渔业和海洋生态系统中意义重大。为获取用于开展贝类增养殖容量评估，构建食物链网、生源要素和能量流动模型，以及开展北部湾海域海洋牧场建设和碳汇渔业评估的基础数据，本研究对北海市常见的14种经济贝类进行相关数据的测定与分析。实验对从北海市市场收集的14种经济贝类的壳长(SL)、壳宽(SW)或壳高(SH)、体质量(BM)、壳质量(SM)、软体部质量(MSP)进行测量，并同时对软体部的水分、粗蛋白、能量、碳和氮的含量及稳定同位素丰度等进行测定。实验结果表明，不同贝类的出肉率差别较大，贝壳较薄的大獭蛤(Lutraria maxima)和缢蛏(Sinonovacula constricta)等可超过70%。双壳贝类的软体部含水率均超过85%，腹足类的软体部含水率不超过81%。贝类的有机碳含量为39.77%-47.36%，氮含量为8.25%-11.80%。双壳贝类中尖紫蛤(Soletellina acuta)δ¹³C最低,华贵栉孔扇贝(Chalamys nobilys)的δ¹³C最高；双壳贝类中华贵栉孔扇贝的δ¹⁵N最低,等边浅蛤(Macridiscus aequilatera)的δ¹⁵N最高。软体部能量含量为16.11-20.81 kJ/g。双壳贝类软体部能量含量(E,kJ)与其壳长(SL,cm)的关系符合指数模型E=a×e^b×SL,腹足类软体部能量含量(E,kJ)与其壳高(SH,cm)的关系符合指数模型E=a×e^b×SH；软体部能量含量(E,kJ)与体质量(BM,g)的关系符合线性公式E=a×BM+b。不同种类的贝类的基本成分和生源要素的特征存在差异，与已有文献报道不同海区的同种贝类相关数据也存在较大差异。因此，在进行生态学相关研究时，数据的收集非常重要，借鉴相关物种的数据要非常谨慎。     

基于门控循环单元-支持向量回归组合模型的湖泊水位预测方法探索

为改善传统循环神经网络预测梯度消失的问题,并探讨组合模型在水位预测中的应用,提出了一种基于门控循环单元(Gated Recurrent Unit,GRU)和支持向量回归(Support Vector Regression,SVR)的组合预测模型,对猎德涌流域源头西湖水位进行预测。对GRU-SVR(多项式核、RBF核、Sigmoid核)模型进行了比选。组合模型通过GRU提取雨量与水位间时空特征,SVR增强整体的非线性预测能力。结果表明,与CNN-GRU及SVR相比,GRU-SVR(多项式核)模型在湖泊的降雨时期拥有较好的预测精度。     

基于LSTM神经网络的畸形波预测

采用长短时记忆(LSTM)神经网络预测方法对某岛礁地形模型的四个典型波浪试验数据进行预测分析,并建立了单步和多步预测模型.首先对波高时间序列数据进行归一化处理;然后建立了包括输入层、隐藏层和输出层的LSTM网络模型框架;最后对测试样本进行单步预测,将预测结果与支持向量机(SVM)模型和反向传播(BP)模型进行了对比.结果表明:LSTM神经网络预测精度有明显优势;多步预测中,提高预测时长其预测精度并无明显降低.     

含氮杂环类润滑油添加剂抗磨损性能的神经网络研究

为研究含氮杂环衍生物对三羟甲基丙烷油酸酯改性后的抗磨损性能,计算30个含氮杂环衍生物的分子结构指数. 优化筛选其中分子连接性指数⁴X和⁵X、分子形状指数K₃、电性拓扑状态指数E₇、电性距离矢量M₆和M₁₈. 对以上6种结构指数与磨损量度进行回归分析,将分子结构指数作为神经网络的输入变量,磨损量度作为输出变量,采用6∶2∶1的网络结构,建构预测磨损量度能力较强的神经网络预测模型,模型的总相关系数r_t为0.9921. 计算得到磨损量度的预测值与实验值吻合度较好,相对平均误差为0.38%. 从构建的模型可以看出,—CH₃、=CH—、—NH—等基团的数量及连接方式是影响润滑油磨损量度大小的主要因素.     

CNLSTM模型预测城市积水

物联网平台能够为积水预测提供海量的传感器时间序列数据基础.为了精准且快速地预测城市内涝点积水趋势,提出一种基于神经网络的组合时序预测模型(CNLSTM),对多变量积水时间序列数据进行建模预测.此模型利用卷积神经网络(convolutional neural network,CNN)提取多变量数据之间的空间特征,得到具有空间相关性的特征量,利用长短时记忆网络(long short-term memory,LSTM)提取特征量之间的时间相关性预测未来积水水位.仿真结果表明,所提预测模型可以很好地捕获积水点水位与各输入量之间的非线性关系,并且比CNN,LSTM以及反向传播(back propagation,BP)神经网络具有能更好拟合实际水位的效果,更高的精度和泛化能力.此模型在城市积水预测中的有效性和适用性得到了验证,能够为积水点的提前预警、准备及汛前、汛中汛后治理方案的制定提供可靠的参考依据.     

2015年秋季千里岩岛海域浮游植物群落结构特征

[目的] 为了了解千里岩岛附近海域浮游植物状况。[方法] 以2015年秋季在该海域的监测数据为基础,并结合2013年调查数据,分析该海域浮游植物的变化情况。[结果] 2015年秋季千里岩岛海域发现浮游植物37种,由硅藻和甲藻组成,平均密度为3.23×10⁵个/m³,监测区主要的优势种为圆筛藻(Coscinodiscus sp.)和虹彩圆筛藻(Coscinodiscus oculusiridis),多样性指数为2.13~3.42,平均为2.74。[结论] 与2013年调查数据比较,千里岩岛海域浮游植物种类数、密度和多样性指数有所增长,分析原因可能是由于调查季节不同。     

融合注意力机制的煤层气产量动态预测

为了提升煤层气产量的预测精度,提出融合注意力(Attention)机制并结合卷积神经网络（convolutional neural networks,CNN）和长短期记忆神经网络（long short term memory,LSTM)的煤层气产量动态预测模型。利用随机森林变量筛选方法,确定井底流压、动液面高度、套压、冲次为排采过程中影响煤层气产量的主控因素;利用CNN信息提取优势,提取煤层气排采数据的特征向量,并将特征向量作为LSTM网络的输入;再将LSTM隐含层融合注意力机制提取重要信息权重,有效解决信息长期依赖性和信息丢失。实验结果表明：融合注意力机制的CNN-LSTM煤层气产量动态预测模型各方面均表现较优。具体表现为：1. 模型预测性能较好,利用不同模型对比预测,改进后的煤层气产量预测模型精度最高,比标准的LSTM预测精度提升了3%~4%;2. 泛化性能较优,预测同一区块不同生产天数的6口煤层气井产量时,预测60天日产气量的平均相对误差均小于5%,预测200天日产气量的平均相对误差均小于8%。     

基于HDCNN-BIGRU-Attention油田措施效果预测模型

为预测油田增油控水措施效果中月产油量与含水量,提出一种基于混合空洞卷积神经网络(HDCNN:Hybrid Dilated Convolutional Neural Network)-BIGRU-Attention的措施效果预测模型。模型通过HDCNN,提取生产数据多尺度全局特征;针对措施生产数据时序性较强与波动性较大的特点,利用双向门控循环单元(BIGRU:Bidirectional Gated Recurrent Unit)充分挖掘数据间长期依赖关系,提高时序信息利用率与学习效果;引入缩放点积注意力模块(Attention),为重要信息赋予较高权重并不断调整参数使模型始终关注与预测目标相关性较大的特征。为验证模型的有效性,将LSTM(Long Short-Term Memory)、 CNN(Convolutional Neural Network)-LSTM以及LSTM-Attention作为实验对比,结果表明该模型具有更低的预测误差与更好的泛化能力。     

基于机器学习的蒸散量插补方法

以黑河流域湿地、农田、草地、柽柳、胡杨林、混合林生态系统为研究对象,结合气象因子(净辐射、温度、土壤热通量、风速、相对湿度、土壤体积含水率),分别采用多元线性回归(MLR)、决策树(CART)、随机森林(RF)、支持向量回归(SVR)、BP人工神经网络(BPANN)、深度学习(DL)等方法对蒸散量进行插补。结果表明:(a)RF、SVR、BPANN、DL在各个生态系统的蒸散量插补精度均较高(R² = 0.8~0.93,R_MSE=21.730~41.731 W/m²,M_AE=12.153~26.129 W/m²),但SVR在柽柳、混合林生态系统的结果稍差于其他3种方法(R²降低了0.01~0.02),MLR插补精度最差(R² =0.6~0.7),CART结果介于之间(R² = 0.78~0.9)。(b)加入土壤体积含水率能一定程度提升模型插补的精度(R²提高了0.01~0.06)。(c)利用建立的插补模型去插补其他年份的蒸散量,发现其精度有不同程度的下降。综合考虑模型的精度和稳定性,RF、BPANN、DL对于蒸散量的插补具有较高的精度,同时加入土壤体积含水率可以提高模型插补的精度。     

基于AM-LSTM模型的超短期风电功率预测

近年来,中国的风力发电产业高速发展。然而风力发电具有不稳定性,风电功率超短期预测结果的准确性直接影响到电网安全有效的运行。为了进一步提高风电功率超短期预测的精确度,提出了长短期记忆网络-注意力模型(AM-LSTM)风电功率预测模型,该模型将长短期记忆网络(long-term and short-term memory,LSTM)和注意力模型(attention model,AM)相结合, LSTM网络能够处理好风速、风向等时间序列变量与风电功率之间的非线性关系,注意力模型能够优化LSTM网络的权重,从而使预测结果更加准确。采用真实的风电场历史数据进行实验,结果表明:提出的AM-LSTM预测模型能够有效利用多变量时间序列数据进行风电场发电功率的超短期预测,比传统的BP神经网络和LSTM网络具有更精确的预测效果。该预测模型为风电场地电力调度提供了科学参考。     

基于LSTM-XGboost组合的超短期风电功率预测方法

受数值天气预报信息影响,风电功率变化具有较强的随机波动性,传统单一预测模型精度较低,难以满足现实预测需求。为此,提出基于LSTM-XGboost组合的超短期风电功率预测方法。首先,基于风电场的气象数据,采用皮尔逊相关系数法筛选与风电功率强相关的气象数据,建立风电功率预测模型数据集;然后,将归一化处理的数据集作为LSTM和XGboost的模型输入,分别构建LSTM和XGboost的超短期风电预测模型,在此基础上,采用误差倒数法对LSTM和XGboost的预测数据进行加权构建组合预测模型;最后,以张家口某示范工程风电场实际运行数据验证组合模型的有效性。结果表明,相较于其他四种单一预测模型,组合模型具有更高的预测精度。     

基于CNN-LSTM-lightGBM组合的超短期风电功率预测方法

近年来风电装机规模逐年增加,风电数据采集量呈现规模化增长,面对海量多维、强波动的风电数据,风电功率预测精度仍面临一定的挑战。为提高风电功率预测精度,提出了基于CNN-LSTM和lightGBM组合的超短期风电功率预测方法。首先,分别建立CNN-LSTM和lightGBM的风电功率超短期预测模型。其中,CNN-LSTM模型采用CNN对风电数据集进行特征处理,并将其作为LSTM模型的数据输入,从而建立CNN-LSTM融合的预测模型;然后,采用误差倒数法对CNN-LSTM和lightGBM的预测数据进行加权组合,建立CNN-LSTM-lightGBM组合的预测模型;最后,采用华北某风电场的风电数据集,以未来4小时风电功率为预测目标,验证了组合模型的有效性。预测结果表明,相较于其他三种单一模型,组合模型具有更高的预测精度。     

北部湾冬半年环流特征及驱动机制分析

【目的】为了给北部湾的环境保护提供科学依据,研究北部湾冬半年的环流变化特征及其驱动机制。【方法】通过POM模型构建三维斜压后报模型,模拟2006~2007年南海西北部的环流,模拟时考虑了日平均风场、日平均热通量、河流径流和潮汐等强迫场;通过无季风驱动的敏感性实验分析东北季风对北部湾冬半年流场的作用;通过洋浦港外海在2005年12月25日到2006年1月25日的一个月海流观测数据来分析冬季海南岛西北岸的海流特征。【结果】模拟结果与观测数据吻合较好,北部湾冬半年环流呈气旋式,嵌套着南部的气旋式环流,而且秋季与冬季环流存在季节性振荡特征:在秋季,南部的气旋式环流可向北侵入至19°N,比冬季深入得多;在冬季,湾西岸和海南岛西北岸的南向流比秋季要强;这种季节性变化特征可从表层直达深层。另外,海南岛西北岸流在冬季为西南向而非东北向。【结论】冬半年北部湾的北部环流为局地风驱动,南部环流是由东北季风驱动的南海陆架流侵入北部湾而形成的;这种季节性涛动受东北季风的高频振荡分量驱动,尤其风场的南北向分量贡献较大,也说明风场的时间分辨率对北部湾环流影响较大;海南岛西北岸的西南向流受琼州海峡的西向流驱动,而东北季风只起辅助作用。     

结合改进的DCGAN和Attention-LSTM的光伏功率预测

针对新建光伏发电站在光伏功率预测过程中由于缺少训练数据导致预测精度较低以及光伏发电功率的不稳定等问题,本文提出一种结合改进的深度卷积生成对抗网络（DCGAN)、 注意力机制（Attention）和LSTM网络组合的光伏功率预测方法。首先,将DCGAN中生成器的特征提取网络由二维卷积改为一维卷积,更好的学习一维时序数据,并用改进的DCGAN对光伏数据进行扩充,其次,采用Attention模块和LSTM模型相结合,先通过Attention模块提高重要特征的权重占比,生成新的输入特征,再通过LSTM模型进行功率预测。采用澳大利亚沙漠知识太阳能中心(DKASC)Alice Springs电站的数据进行验证,实验结果表明,结合深层卷积生成对抗网络与Attention-LSTM的混合预测方法能有效提升预测的精度。     

基于多机器学习模型的逐小时PM2.5浓度预测对比

【目的】比较分析XGBoost模型、LightGBM模型、随机森林模型(RF)、K最近邻模型(KNN)、长短期记忆神经网络(LSTM)、决策树模型(DT)共6个PM_2.5浓度预测模型,以准确、及时预测环境PM_2.5浓度。【方法】基于重庆市合川区2020年全年空气质量监测数据和气象数据,通过最大相关最小冗余算法(MRMR)进行数据降维选择最优特征子集,作为模型的输入,逐一进行PM_2.5浓度预测;考虑到不同季节PM_2.5浓度差异较大,故分季节预测了PM_2.5浓度;为了探究各模型预测性能,计算了各模型运行时间和内存占用,并基于PM_2.5与特征变量的相关性和特征变量的重要性探讨了模型预测性能季节性差异原因。【结果】模型总体预测精度从高到低排序为 XGBoost、RF、LightGBM、LSTM、KNN、DT模型;预测性能方面,6个模型均表现为秋冬季节预测精度高于春夏季节;LightGBM模型可在保证模型精度的情况下,大幅减少模型训练时间和内存占用;特征重要性显示PM₁₀浓度、气温和气压的重要性高,O₃浓度、风向和NO₂浓度重要性相对较弱。【结论】采取MRMR方法进行数据降维选取的最优特征子集能较好地预测PM_2.5浓度;相比较而言,XGBoost、RF、LightGBM、LSTM模型在PM_2.5浓度预测上具有较优性能,其中综合性能较好的为LightGBM模型。     

基于完全集成经验模态分解和模糊熵分频的短期风电功率预测

随着风电接入电力系统的比例日益增大,准确的风电功率预测显得愈发重要。为此,提出了一种基于模糊熵和完全集成经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)的短期风电功率预测模型。采用完全集成经验模态分解将原始风电功率序列进行分解,得到一系列不同频率的子序列。再使用模糊熵(Fuzzy Entropy,FE)算法识别各频率分量特征,将子序列分量分为高、中频分量类和趋势项。趋势项为低频分量,具有较为平稳,波动性小的特点,采用麻雀算法(sparrowSsearch algorithm,SSA)优化支持向量回归(support vector regression,SVR)进行预测；高、中频分量的波动性大且特点较为复杂,则采用SSA优化长短期记忆神经网络(Long Short-Term Memory,LSTM),同时引入注意力机制(Attention Mechanism,AM)对重要信息进行更好的权值分配。最后,经过实验结果分析表明,该模型具有更高的风电功率预测精度。     

北部湾北部潮流谱分析和余流特征研究

【目的】研究北部湾北部的潮流谱和余流特征。【方法】利用1988年10月至1989年8月的涠洲岛附近10m、20m和30m海流观测资料进行谱分析。【结果】无论频率f0或f0,全日潮谱峰都高于半日潮谱峰。其中,主要半日潮周期为12h、12.4h,主要日潮周期分别为23.9h和25.8h。在半日潮和全日潮分量中,顺时针分量是主要的。从余流前进矢量可以看出:冬半年,10m、20m和30m层平均余流矢量方向分别为302°、338°和43°。夏季,10m、20m和30m层平均余流矢量方向分别为246°、298°和292°。【结论】风对1988年10月至1989年2月余流影响明显,但是制约余流运动的主要因素是北部湾北部环流。     

基于模型耦合的北部湾风暴潮增水与风浪模拟研究

台风风暴潮引发的增水和风浪效应是造成沿海低地灾害和损失的重要因素。本文设计了区域嵌套、波-流耦合的有限元数值模拟系统,对北部湾及附近海域风浪和增水过程进行有效模拟,精度达到应用要求。结果表明北部湾在台风影响下引起明显风浪和增水效应。台风中心风浪较小,仅1 m以内;而台风臂扫过海域风浪较大,可达9 m以上。最大增水海域出现在北部湾东侧靠近琼州海峡附近,可达2.5 m。风浪与增水叠加具有非线性效应,最大增水与最大风浪出现时间如与大潮高潮位相遇易形成超高水位,将对北部湾沿岸低地造成巨大淹没风险。本研究意在突破北部湾现有模型局限性,为进一步深化科学研究和工程应用提供基础数据。     

风对北部湾入海径流扩散影响的研究

本文根据北部湾红河等入海径流的最新资料,使用FVCOM数值模式计算风场显著不同的1988年和1989年夏季径流扩散特征;使用冬季平均风场计算包括径流在内的冬季北部湾环流。得出如下结论:(1)1988年8月,强的西南风除了在北部湾西岸产生较强的北向沿岸流外,东部涠洲岛附近形成气旋式环流;相应地在北部湾中偏北部有一个弱的反气旋涡,中部出现较大的气旋式环流;(2)1989年8月的西南风非常弱,表层的红河冲淡水主要沿北部湾西岸向南流,来自琼州海峡的余流,在北部湾北部形成范围较大的气旋式环流,与此同时,海湾南部也出现一个较强的气旋式环流;(3)冬季,在冬季偏北风驱动下,北部湾基本是气旋式环流,只有西北部水域出现一个反气旋式环流。