人工神经网络在空气污染预报中的研究进展

人工神经网络是20世纪80年代迅速兴起的一门非线性科学,特别适用于对具有多因素性、不确定性、随机性、非线性等特点的对象进行研究,而空气污染预报正是这样的一类问题。简单介绍了人工神经网络的基本概念,详细地回顾了国内外人工神经网络在空气污染预报领域的研究应用情况,最后讨论了人工神经网络在空气污染预报领域中的研究方向和发展趋势。     

基于LSTM的弹道导弹主动段轨迹预报

弹道导弹主动段长周期轨迹预报能够为导弹防御系统提供早期预警信息。传统的轨迹预报方法大多集中在导弹的自由段与再入段,通过解析法、数值积分法或函数逼近法推断未来时刻目标的状态。由于弹道导弹在主动段会受到多个未知作用力的影响,其轨迹预报相比自由段与再入段更具挑战性。为此,本文提出了一种基于长短时记忆(long short-term memeory, LSTM)网络的弹道导弹主动段轨迹预报方法。首先,根据导弹主动段动力学模型与弹道参数典型取值生成用于网络训练的大规模轨迹样本;其次,设计了基于深度LSTM网络的弹道导弹主动段轨迹递归预报方法;最后,与基于数值积分法、多项式拟合及反向传播神经网络的轨迹预报方法的实验对比,表明了所提方法在主动段轨迹预报上的优越性。     

基于CEEMD-BiLSTM-RFR的短期光伏功率预测

由于短期光伏预测中气象因素的时间尺度不同,直接分析其对光伏功率的相关性,易忽略时间尺度的影响,进而导致预测模型误差。为提高光伏功率预测精度,构建了预测模型。首先,利用互补集合经验模态分解(complementary empirical mode decomposition, CEEMD)将光伏序列进行分解,得到在不同时间尺度上的光伏分量;然后,通过Pearson相关系数分析各光伏分量与空气温度、太阳辐射度、风速、风向和空气湿度的关系,对于强相关分量建立关于气象因素的随机森林回归(random forest regression, RFR)预测模型,弱相关分量直接通过双向长短期记忆网络(bidirectional long short-term memory neural network, BiLSTM)进行预测;并将预测求和输出。通过安徽省蚌埠市光伏电站7月实测数据进行验证,实验结果表明,所提预测模型CEEMD-BiLSTM-RFR相比传统预测模型有较好的预测精度。     

PCA-BP模型下皖北城市群PM2.5浓度分析

为探究皖北城市群大气污染物在不同地域、不同时间下的分布规律以及影响空气中PM2.5浓度的相关变量,结合2018-2021年安徽省生态环境厅统计数据及相关地域资料,采用主成分分析(PCA)法按时间段长短及季节性变化分别选取月度数据与年度数据对空气质量的影响因子做相关性分析,对比分析不同季节下空气污染物PM2.5、PM10的浓度及其它空气污染物的变化,构建基于PCA算法的反向传播神经网络 (BP),建立PCA-BP模型并采用交叉-验证法提高模型精度,对大气中的污染物PM2.5浓度做短期预测。实验结果表明:PM2.5浓度的主要影响因子为PM10、CO、NO2、SO2;皖北地区PM2.5含量整体在冬季偏高;预测模型的精度在夏季与秋季较高,冬季较低,四季的预测精度R2分别达到0.924、0.958、0.935、0.794。     

基于时间函数的高寒矿区地表动态下沉规律研究

高寒地区因为其冻土的特殊性质导致其经历开采后随着季节变化易导致上覆岩层破坏,因此,为准确预测高寒地区矿区上覆岩层的动态沉降的发展趋势,本文选取高寒矿区地表富水区作为研究对象,基于Weibull时间函数与分段函数的思路,结合矿区地表InSAR监测数据建立高寒矿区地表动态沉降模型,讨论了该函数模型的适用性。结果表明:高寒矿区冻胀地表沉降的三个阶段沉降量与时间的关系曲线与Weibull时间函数模型对应曲线相符;对Weibull时间函数的双参数取值进行探讨并优化,最终确定当初始、加速阶段的λ取值2.5,η取值0.068,稳定阶段λ取值2.3,η取值0.048时误差处于限差范围内,能较为准确地模拟预测地表的动态沉降过程,该研究可为高寒矿区的防灾减灾及治理工程提供参考。     

一种基于支持向量机的CFG桩复合地基承载力预测方法

提出一种基于SVM的CFG桩复合地基承载力预测方法并建立相应预测模型.为获得模型参数,对18组CFG桩复合地基试验资料进行训练,训练值与实测值符合较好.用建立的SVM模型对4组CFG桩复合地基试验数据进行预测,预测结果与实测值相差较小.理论分析和实例结果验证表明:基于SVM的CFG桩复合地基承载力预测方法具有较高的预测精度和可靠性.     

基于图Transformer网络的城市路网短时交通流预测模型

针对城市路网短时交通流预测问题,在考虑路网交通状态时空相关性基础上,提出一种基于图Transformer（graph transformer,Graformer）的预测方法。该方法将多条路段的交通状态预测问题转化为图节点状态预测问题,针对区分相同结构的空间路网结构图,本文将带有边的图同构网络（graph isomorphism network with edges,GINE）和Transformer网络相结合,对交通状态在路网层面的时空相关性进行建模,从而实现城市路网短时交通流预测。具体来说,Graformer模型首先利用长短期记忆网络（long short-term memory,LSTM）对交通数据的时序信息进行预处理,接着采用基于GINE与Transformer的全局注意力机制提取交通数据的空间特征,最后实现路网各路段交通流的同步预测。通过使用PeMS数据集进行实验验证,结果表明提出的Graformer模型在各项性能指标上均优于对比模型,证明了其作为一种可靠且高效的路网短时交通流预测方法的有效性。     

基于多机场终端区交通态势的航班延误预测

为了针对性地制定后续优化措施,以降低多机场终端区内航班延误所带来的不利影响,并提高多机场系统内各机场的运营效率,进行多机场终端区航班延误的预测研究。首先,考虑多机场终端区交通态势对航班延误的影响,在对多机场终端区交通态势进行分析的基础上,建立了6个描述终端区交通态势的指标。接着,构建反向传播（back propagation,BP）神经网络航班延误预测模型,将终端区交通态势指标、航班信息和天气环境数据等作为输入,航班延误时间作为输出,并利用粒子群优化算法（particle swarm optimization,PSO）优化BP神经网络进行训练。通过实例验证和分析,基于多机场终端区交通态势的航班延误预测能够有效提高预测准确率,同时,通过粒子群优化BP神经网络的预测模型预测准确率均高于一般的考虑交通态势的BP和遗传算法优化的BP神经网络模型（genetic algorithm and back propagation,GA-BP）。     

基于长短时记忆神经网络的抽油机井故障智能预警

准确预测抽油机井故障对油田生产具有重要意义。针对新疆油田某区块抽油机井故障情况,统计了500口油井的生产数据,明确了结垢、结蜡、杆管腐蚀、杆管疲劳、杆管偏磨5种引发抽油机井故障的主要因素;基于长短时记忆神经网络(long short-term memory networks, LSTM),构建了油井故障智能预警模型;筛选出影响油井故障的14种特征参数进行小波降噪处理,借助自适应矩估计算法对模型进行训练与测试。研究结果表明,模型预测准确率为96.81%,能够为油田提供较为准确的抽油机井故障预警信息。     

变系数的强反射分离技术及应用

基于地震多子波分解的强反射识别与分离技术已广泛应用于地震解释性处理环节中,该技术能够去除强屏蔽影响,提高隐蔽储层的识别精度。针对多子波分解技术在分解效率和分解精度上的问题,引入地震信号的瞬时特性作为初始值,根据小波参数之间的关系减少局部扫描参数,提出了一种三参数快速子波分解技术提高了子波分解精度和效率。通过模型正演分析了地层厚度与强屏蔽能量的关系,建立了地层厚度与分离系数的关系,探索了一种变系数的强反射分离应用思路。将新技术和新思路应用于实际地震数据,分离结果削弱了强屏蔽的影响,突出了隐蔽储层的有效信号,提高了储层预测精度;由于强反射分离过程充分考虑了不同厚度的煤层与分离系数的关系,分离结果更加符合实际地质情况。