基于GIS与ANN的土地转化模型在城市空间扩展研究中的应——以北京市为例

结合GIS强大的空间分析功能与人工神经网络(ANN)处理非线性适应性信息的独特能力建立一种土地转化模型(land transformation model,LTM),用以定量分析城市土地扩展与社会、政策、环境等因子之间关系,并基于此对城市空间扩展的动态进行模拟与预测.LTM模型的运行主要分为3步:因子选取与数据预处理;建立人工神经网络并输入数据对其进行训练与仿真;应用PID法对人工神经网络的输出进行分析,同时在GIS平台上模拟出城市扩展的动态分布.选取相应的影响因子并运用该模型对北京市的城市扩展进行实证模拟检验与预测,结果表明此LTM模型确实提供了一种定量分析和预测城市空间扩展的方法,能够为城市规划与城市发展政策的制定提供重要的科学参考.     

元胞自动机时空数据模型与预测方法

对标准元胞自动机(cellular automata,CA)模型进行扩展以满足具体行业地理信息系统(GIS)平台上时空动态模拟和预测应用要求。然后以电力行业配电网空间负荷预测为具体应用,建立起了土地利用演化动态模型与电力负荷空间预测之间关系,解决了时空数据管理中空间数据离散如何与属性数据进行交互问题。模拟出城市土地利用动态发展变化过程,预测出规划区域中的各划分小区土地的未来使用类型,建立起配电网空间负荷预测时空数据模型,突破了传统时空分离电力预测的预测方法的局限。最后通过一个配电网空间负荷预测实例验证了该方法有效性。     

基于GIS和人工神经网络预测土地利用变化

土地利用变化预测是土地管理工作中的重要课题。随着社会的发展与进步，土地资源的合理和有效利用变得越来越重要。进行土地利用变化预测时，数据采集和综合分析是重要的工作。介绍了基于地理信息系统(Geographic Information Systems，GIS)技术建立的土地转换模型(LandTransformation Model，LTM)在经过人工神经网络(Artificial Neural Netwoks，ANNs)技术的分析后对土地利用变化预测的基本原理。这种方法充分结合了GIS的空间分析功能和ANNs的信息处理功能，在综合分析影响土地利用变化因素后可以得出较为准确的结论。利用GIS和ANNs技术进行土地利用变化预测不但可以充分利用原有的历史数据，得到清楚的预报因子，还可以综合相关因素分析后得出新的空间数据层作为ANNs的输入数据，通过ANNs的近似人脑的分析能力很好的预测未来土地利用的发展趋势，有利于土地管理和城市规划部门合理安置和有效利用土地资源。     

营口城市用地扩展模拟预测研究

基于CA原理,结合GIS与RS技术,在ArcGIS平台中进行二次开发,构建了GIS-CA模型系统.以营口市为研究区域,对其城市用地扩展进行了模拟和预测.研究表明:GIS与CA集成,增强了GIS的时空动态建模功能,CA模型和GIS耦合是研究城市扩展动态模拟与预测的较为可行的研究方法;利用GIS-CA模型模拟和预测了营口城市用地变化趋势,对营口城市用地扩展模拟的结果比较合理,模拟的精度达到70％以上.     

基于GIS与人工神经网络的广州森林景观生态规划

应用GIS空间分析构建各景观要素的专题图层,建立了森林景观生态模拟的人工神经网络(ANN)模型,并应用分维数、破碎化指数、多样性指数和聚集度指数进行了系统分析,对广州市森林景观进行规划和评价.结果表明:人工神经网络模型泛化能力强,对于研究自然、社会驱动因素与城市森林景观结构变化的非线性对应关系提供了一条有效的途径,是森林景观格局预测、模拟分析及景观规划的新方法.     

沈阳市城市扩展动态模拟与预测

基于遥感和GIS,采用SLEUTH模型对沈阳市辖区1988.2004年间的城市扩展过程进行动态模拟,对未来(2005.2030年)两种预案条件下的城市发展格局进行预测,即目前趋势预案和区域开发政策与城市规划预案.结果表明:到2030年,两种预案条件下,城市面积分别增加306.0 km2和172.7 km2,占土地总面积的百分比达到22.1%和18.3%.目前趋势预案条件下的未来城市发展格局比较分散:而区域开发政策与规划预案条件下,城市扩展格局将更加紧凑,充分体现了区域开发与保护政策、城市规划对城市扩展的约束和引导作用.     

邻域因子对城市土地开发强度模拟效果的影响分析———基于BP人工神经网络模拟的结果对比

城市土地开发强度是衡量城市宜居以及可持续发展的重要指标.首先,以重庆市主城9区为例,以建设物投影面积占各街区土地面积的比例为土地开发强度的表征指标,在构建样本区域建筑密度及其影响因子空间数据库(ARCGIS)的基础上,采用BP神经网络构建了基于数据驱动的城市土地开发强度模拟模型;其次,通过邻域因子的选择与否检测邻域因子对开发强度仿真结果的影响;最后,利用训练好的BP神经网络对全局数据(重庆市主城9区)进行仿真,预测城市土地开发强度的时空变化.结果显示:1)BP人工神经网络方法能够较好地模拟城市土地开发强度的空间分布趋势;2)通过不同方案对比,发现当增加邻域驱动因子后,平均误差、标准差和误差精度都得到明显改善.研究表明:合理的驱动因子选择对BP人工神经网络方法仿真结果至关重要;尽管BP人工神经网络方法不能显性地反映城市集中连片区域土地开发强度与其影响因子之间的相互关系,但在数据充分的情况下,基于数据自适应的人工神经网络方法不失为土地开发强度评估的一种较好的方法.     

基于元胞自动机的城市扩展研究

在传统的元胞自动机模型的基础上,结合GIS技术、城市扩展原理建立了研究区的GIS-CA城市扩展模型,模型综合运用灰色局势决策、层次分析法与CA模型确定元胞转变规则。在VS2010平台上,使用VB.NET语言,基于ArcGIS Engine组件开发了研究区城市扩展模拟系统,可模拟与预测研究区的城市扩展情况。使用研究区长春市的实际数据进行了验证,采用1993年、2005年遥感影像作为基础数据,应用GIS-CA城市扩展模型预测了研究区2005年城市用地情况,并进行了对比分析。实验结果显示,采用元胞自动机原理结合GIS技术研究城市扩展情况具有合理性、可行性。     

SLEUTH模型支持下的重庆市主城区城市扩展模拟

选取城市化速度较快和生态环境压力突出的重庆市主城区为研究对象,对该区域城区扩展进行模拟与预测.以研究区1988年、1993年、2000年、2007年4期遥感影像及城市规划图等为数据源,结合RS和GIS技术对数据进行处理作为模型输入数据,对SLEUTH模型进行校正获取适合研究区的最佳参数组合,进而对研究区1988～2007年间的城区扩展进行历史重构,并对该区域未来10年城区扩展情况进行预测.研究结果表明:首次将该模型应用到重庆地区,模型对研究区域的城区扩展模拟精度较高,未来10年该区域城市化速度有逐渐加快趋势,这与目前的土地规划决策、道路建设、经济结构及政策等因素密不可分.     

漳州城市建设用地扩张空间分布模拟

首先利用遥感影像分类获取2000～2005年城市建设用地变化图,选取漳州市2005年度DEM、人口密度、城市规划等影响因子数据,通过空间随机采样方式,建立起2000年至2005年城市建设用地扩张空间分布概率多元Logistic回归模型.运用该模型,结合GIS技术和2009年相关影响力因子数据,模拟出2005年至2009年漳州市区城市建设用地空间分布,并与该地区2005年和2009年两个时期扩张实际变化的城市建设用地空间分布进行验证,结果表明模拟较为理想,城市建设用地扩张模拟灵敏度为0.6952.     

空间异质模型在城市扩展模拟中的应用与评估

以南京江宁区为例，基于遥感影像及其他数据，利用空间扩展模型和地理加权逻辑回归模型对研究区1999-2010年间的城镇用地扩展的影响因素进行有效检验与分析，探索其空间异质性特征.结果表明：1) 空间扩展模型与地理加权逻辑模型分别可解释研究区历史时期57%和64%的城镇用地转变，二者的解释能力在logistic模型基础上 (51%) 得到显著提升，有力地辩驳了全局回归模型的系数稳定性假设；2) 较之于空间扩展模型，地理加权逻辑回归模型更能有效刻画城市增长影响因素的空间非平稳性特征，更能够适用于研究区的城镇用地扩展模拟研究；3) 邻近变量中的DIS2INDU，DIS2ORD及DIS2CENT，邻域变量中的DENURBAN以及政策变量中的DENLANDP是研究区城镇用地扩展的关键驱动因素.     

人工神经网络在煤氧化性预测方面的应用

提出利用人工神经网络技术进行煤氧化速率定量预测的新方法。根据对煤自燃的实际特点和基本规律的综合考虑，研究了影响因素的选取、煤氧化速率预测模型的建立等问题。采用BP神经网络算法对煤氧化速率进行了建模。结果表明，用神经网络模型对煤氧化速率进行模拟预测，具有理论上的可行性和现实意义，说明人工神经网络技术在煤氧化速率预计领域中具有实用价值。     

基于运营系统的出租车出行需求短时预测模型

出租车系统作为城市交通运输系统的重要组成部分,其宏观规划和调度管理的合理性决定了出租车服务质量.本文主要研究出租车乘客出行需求估计及预测,为出租车规划和实时调度提供数据支持.首先,分析了出租车定位系统和计费系统,改进了传统出租车需求网格划分方法,考虑了地形、建筑群和道路网络特征,保持了网格自身出行特性的完整性.其次,根据实时收集的出租车数据,建立了易于计算的出行需求估计方法.最后,以实际数据为基础,对影响短时出行量的主要变量进行了相关性分析,提出了基于人工神经网络的短时需求预测模型,根据相关性分析确定了模型结构.以实际获取的出租车数据为例,验证了提出的需求估计和预测模型.结果证明:相比于传统自回归滑动平均模型,提出的人工神经网络模型其平均绝对误差百分比提高了32%.此外,人工神经网络模型的绝对误差百分比超过50%的概率低于10%,而自回归滑动平均模型高达23%.     

基于人工神经网络的崩岸预测模型研究

针对崩岸影响因素众多、难以定量评价等问题,采用一种基于人工神经网络的崩岸预测方法,介绍了其基本原理.在研究崩岸诸多影响因素的基础上,选取11种主要影响因素建立崩岸预测模型.以随机构造的20个岸坡模型为训练样本,以5个随机岸坡模型为检验样本,实现了岸坡稳定性的人工神经网络预测.初步结果表明,神经网络方法可以应用于崩岸的预测.     

基于深度学习的城市区域短时交通拥堵预测算法

城市的交通拥堵已经成为了各个城市中的普遍现象，严重影响了城市日常交通以及人们的出行。针对城市区域交通流的研究与分析，本文为了准确的对城市交通状态进行预测，通过网格划分的方法，把城市区域划分为多个区域，根据城市交通数据流的时空特征，提出了一种基于深度学习的城市交通拥堵预测模型（CS-Transformer）。该模型通过使用卷积神经网络(CNN)提取基于网格划分的城市区域交通数据的空间特征，然后采用全连接神经网络增强模型的表达能力，再通过相似性位置编码机制(SPEM)把位置信息加入交通数据中，最后运用Transformer网络捕捉交通数据的时间依赖特征。用成都市出租车GPS数据对模型进行验证，结果表明该模型预测结果优于卷积神经网络（CNN）、Transformer和CNN-Transformer等模型，以均方误差（MSE）为评价指标，将测试集中交通路网的平均预测精度分别提高了 19.6%、26.3%和10%。     

基于建设用地适宜性评价的城市增长边界划定

城市增长边界作为一种控制城市蔓延的技术手段和政策工具,成为管控城市空间扩展的首选措施.本文首先基于建设用地适宜性评价确定土地开发建设的空间格局,然后叠加土地利用总体规划确定的允许建设区范围,利用基于CA-Markov土地利用变化模拟预测的建设用地扩展区域,最终确定城市增长边界.研究结果表明:建设用地适宜性高值区位于西南部区域,多集中在新城建设区内.低值区分布在生态、水源敏感性较强的湿地保护区、河流沿岸和东北部山区;根据建设用地适宜性初步划定城市增长刚性边界和弹性边界,其中弹性增长边界与研究区土地开发建设实际情况相符;在弹性边界基础上确定的城市增长边界表现为城镇开发建设范围局限于中部、西南部区域.未来可以依据城市增长边界所确定的空间范围指导顺义区城市建设,促使城镇建设在合理的掌控范围内.     

支持向量机在城市用水量短期预测中的应用

为解决现有的城市用水量短期预测人工神经网络法的过学习与局部极小点等问题,通过对城市时用水量数据特征的分析,在统计学习理论和结构风险最小化准则的基础上,建立了基于支持向量机(SVM)理论的城市用水量短期预测数学模型.在算例分析中与误差逆传播(BP)神经网络预测法进行对比,发现该方法的平均预测精度提高了2%,且具有收敛速度快、泛化能力强等优点,在用水量短期预测中非常有效.     

High-precision orbit prediction and error control techniques for COMPASS navigation satellite

A new satellite orbit prediction method based on artificial neural network （ANN） model is proposed to improve the precision of orbit prediction. In order to avoid the difficulty of amending the dynamical model, it is attempted to use ANN model to learn the variation of orbit prediction error, and then the prediction result of ANN model is used to compensate the predicted orbit based on dynamic model to form a final predicted orbit. The experiment results showed that the orbit prediction error based on ANN model was less than that based on dynamical model, and the ent satellites and different improvement effects for differtime were different. The maximum rates of improvement of predicting 8, 15, 30 d were respectively 80 %, 77.77 %, 85 %. The orbit prediction error control technique based on the method of back overlap arc compare was brought forward to avoid the risk that the precision of predicted orbit is even worse after it is compensated by ANN model. The phenomena of failure were basically eliminated based on this technique, and the rate of failure was reduced from 30 % to 5 %. This technique could ensure that the engineering application of ANN model could come true.     

人工神经网络在热舒适实验研究中的应用

使用人工神经网络(ANN)方法处理影响人体热舒适的多种环境因素和人体的热反应之间的关系,以探讨用于各类环境热舒适性预测的可行性.针对稳定热环境和非稳定热环境下的热舒适实验,建立了BP神经网络模型,利用实验数据对网络进行训练和测试,检验其预测的准确性.评测结果表明,对稳态环境,该模型较传统的线性回归方法有更高的预测精度;对非稳态环境,避免采用回归方法遇到的非线性关系处理问题,能合理地预测非稳态条件下热反应的变化.因此,合理建立各类热环境的ANN模型,用已有的热反应数据训练该模型,实现对环境热舒适性的预测是可行的.     

带钢卷取温度高精度预报模型的研究与开发

针对传统卷取温度模型的固有缺陷，为了提高卷取温度的控制精度，提出一种将人工神经网络和数学模型相结合的新方法，用于热轧带钢卷取温度的预报。离线仿真表明，采用本文所述的方法，能够较准确地预报带钢的卷取温度。