加入制度变量的货币需求函数协整分析

从目前中国货币需求现状出发，修正了1978年以来中国的货币需求函数及加入货币化进程这一制度变量，并运用协整分析对相关变量的年度数据（1978—2004）进行实证分析，得出以下结论：在长期内，实际M1余额、实际GDP、一年期定期存款利率和货币化进程指数间存在协整关系；实际M2余额、实际GDP、商品零售物价指数和货币化指数间存在协整关系。     

地理信息系统在滑坡预测预报中的应用

以滑坡监测数据为基础，采用地理信息系统技术，建立实用的滑坡预测预报软件系统。     

基于SMOTE算法和逻辑回归模型算法的江苏短时强降水潜势预报

短时强降水是导致城市内涝和山洪、滑坡等灾害的重要原因,其突发性强,局地性明显,预报难度大,是强对流天气业务预报的重点和难点之一。本研究利用2011-2018年的江苏省国家气象观测的逐小时降水资料对江苏省短时强降水时空分布特征进行分析,江苏短时强降水频次分布为典型的南多北少,主要降水出现在早晨04-10时和午后15-19时,前半夜出现降水的概率则较低。基于ERA5再分析资料,选取了对于短时强降水有较强判断能力的气象要素,合成少数类过取样算法（SMOTE）和逻辑回归（LR）方法,构建短时强降水的预报模型,利用2019年的,欧洲中期天气预报中心（ECMWF）预报产品基于该模型进行短时强降水的确定性预报和概率预报,并使用同期实况数据进行系统性检验和天气过程检验。结果表明该模型总体性能较好,对短时强降水出现与否有较好的判别能力和预报指示意义。未来24h以内的6h时效预报,TS评分在0.23以上,未来60h以内的6h时效预报TS评分均在0.2以上,但也存在着一定程度的空报和漏报。基于SMOTE+LR短时强降水预报模型对短时强降水的潜势预报具有较好的指示作用,对气象防灾减灾具有重要意义。     

WRF3.0参数化敏感性及集合预报试验

为了研究WRF模式中的参数化方案对暴雨数值模拟的影响及物理过程集合预报在WRF降水集合预报中的适用性,利用中尺度WRF3.0数值模式,将模式中的物理过程参数化方案进行组合,构造了20个集合预报成员,对2003年7月8、9日发生在江淮地区的一次降水过程进行了集合预报试验。得到:集合成员之间存在一定的不确定性,不确定性随降水量级增大而增大,最终维持在一个较高的水平;通过定量比较发现,对于0.1 mm量级降水和25 mm以上量级降水,积云对流参数化方案对降水的影响要大于行星边界层方案对降水的影响;而对于10 mm量级降水,行星边界层方案对降水的影响要大于积云参数化方案对降水的影响。对20个预报成员进行了集合平均及降水概率预报试验,结果表明,集合平均的结果要比各个成员的稳定、可靠;概率预报能够提供一些有利于降水预报的信息。     

高层建筑物沉降监测数据综合分析的几种方法

目的探求桩基基础与灰土地基基础高层建筑物沉降监测数据分析的较优方法。方法应用线性回归模型、时间序列模型、灰色系统模型对桩基基础与灰土地基基础的高层建筑物沉降实测数据进行分析。结果3种方法对桩基基础高层建筑物的数据分析均取得了良好效果,而对灰土地基基础高层建筑物沉降监测数据分析中,时间系列模型要优于线性回归模型、灰色系统模型。结论桩基基础高层建筑物的监测数据分析可以采用线性回归模型、时间序列模型、灰色系统模型,而灰土地基基础高层建筑物监测数据分析更适合选用时间序列模型。     

基于VAR模型的广西消费、投资和经济增长关系的实证研究

文章通过建立消费、投资和GDP的向量自回归(VAR)模型,利用格兰杰非因果性检验、脉冲响应和预测方差分解的方法对广西经济系统中消费、投资与经济增长的关系进行实证分析,研究结果表明:消费对于广西的经济增长有着重要的作用,因此,通过适当刺激消费,促进消费结构升级,能够更快更好地促进广西的经济发展.     

下穿已有隧道泥水盾构施工的预测分析

基于2010年上海世博会重大配套工程——打浦路隧道复线工程,结合具体实际地质条件及施工参数,利用Abaqus有限元分析软件,建立三维非线性有限元模型,模拟泥水盾构沿弧线斜下穿已有隧道的施工过程.计算并分析在泥水盾构施工过程中,已有隧道发生的变形、产生的应力以及地表发生的沉降,预测泥水盾构施工对已有隧道和地表的影响,并与实测数据进行比较,说明分析预测的可信性.所得结果不仅对该工程具有积极的指导意义,而且对其他类似工程的分析也具有重要的借鉴作用.     

考虑航班计划的机场短时停车需求预测

为克服现有短时停车需求模型无法直接利用于机场停车需求预测这一问题,利用停车数据、航班计划和气象信息,建立了面向机场停车场的短时停车需求预测模型。首先使用机场停车数据分析了停车场短时车辆到达与离去特性,然后考虑到航班计划对机场停车场短时停车需求的影响,将其与气象状况同时引入短时停车需求影响因素中,建立了基于Conv1D-长短期记忆(long short-term memory, LSTM)神经网络结构的机场短时停车需求模型。以上海虹桥机场停车场为实例,Conv1D-LSTM模型实验结果的平均绝对误差和均方根误差分别为12.057辆和14.237辆;对比多个其他模型实验结果,所构建的Conv1D-LSTM模型预测效果更优,能有效应用于机场停车场短时停车需求预测。     

人工神经网络在电力系统中的应用

概述了人工神经网络在电力系统暂态稳定性评估、继电保护、负荷预测以及谐波分析／测量中的应用。     

基于小波分析法与神经网络法的非平稳风速信号短期预测优化算法

为提高传统神经网络对非平稳风速的预测精度,提出一种基于小波分析法与神经网络法混合建模的优化算法。该优化方法引入小波分析法对实测非平稳风速信号进行分解,将非平稳性原始风速序列转化为多层较平稳分解风速序列,再利用BP神经网络对各分解层风速序列建立预测模型,最终加权各层预测结果获得风速超前多步预测结果。仿真结果表明:该优化算法实现了风速的高精度短期多步预测,将传统神经网络法对应超前步数的平均绝对相对误差分别提高了55.56%,32.43%和34.58%,其超前1步、3步和5步预测的风速平均相对误差分别为0.48%,1.50%和2.97%。优化网络具备信号分解与自学习能力。