犯罪时间序列的混沌特征分析与短期预测

现有犯罪时间序列预测方法侧重于捕捉序列自相关性来构建预测模型,但缺少对犯罪时间序列所反映的社会治安系统非线性和复杂性特征的考虑。 针对这一不足,提出了一种基于混沌分析的长短期记忆(long short-term memory, LSTM)LSTM 预测方法(Chaos-LSTM)。 首先将犯罪时间序列进行相空间重构得到其重构参数以及高维特征,然后计算犯罪时间序列的 Lyapunov 指数判断其混沌特性,最后对符合混沌特征的犯罪时间序列利用重构参数进行序列重建,输入 LSTM 模型进行时序预测。 以北方某特大城市 2007—2014 年的抢劫、入室盗窃、抢夺、诈骗类犯罪的日序列数据进行了实验验证,结果表明:4类案件的时序数据均表现出明显的混沌特征。 Chaos-LSTM 模型在预测精度上较 LSTM 模型有明显提升,平均绝对百分误差(mean absolute percentage error, MAPE)提 升 度 最 高 可 达 19. 7% ,百 分 比 均 方 根 误 差 (percentage root mean square error,PRMSE)提升度最高为 4. 19% ,其中对稀疏性数据序列的提升效果更为明显,显示出该方法对稀疏犯罪时间序列具有更好的适应性。     

基于主成分分析和长短期记忆网络的滑坡地表位移监测数据缺失插补算法

在滑坡地表位移监测过程中,由于设备工作异常或恶劣气候的干扰,原始数据会随机出现长时间序列的缺失,这类数据对滑坡的预警和预测有很大的影响。针对上述问题,提出了一种基于主成分分析(principal component analysis, PCA)和长短期记忆网络(long-short term memory, LSTM)的数据插补方法。首先利用PCA实现滑坡监测数据的降维和特征提取,消除数据间的相关性,然后建立基于LSTM的地表位移监测数据插补模型,对缺失数据进行插补。实验结果表明：该模型与BP(back propagation)神经网络等其他几种机器学习插补模型相比,平均绝对误差、均方根误差和平均绝对百分比误差分别为0.523、1.233和0.009,均优于其他几种模型;该模型能够较好地解决地表位移长时间序列数据缺失的问题。     

Non-linear forecasting of financial time series: An overview and some new models

We provide an overview of the papers contained in this Special Issue of the Journal of Forecasting and also discuss some new models for analysing financial time series that have recently been proposed. These are illustrated by empirical examples using 60 years of daily data on the London Stock Exchange's FT30 index.     

长输管道故障树及可靠性增长对策

天然气大部分通过远距离运输和销售,管道运行的可靠性对天然气市场具有重要的影响。分析讨论了影响道运行可靠性的主要因素,并据此提出提高管道运行可靠性的对策与措施,供管道运行管理者参考。     

长距离测温SWJ型数字温度计的研制

采用随温度呈线性变化的 HTS电流源器件及高精度可调恒流源电路 ,设计并研制了适用于长距离测温的 SWJ型数字温度计 ,测定了有关性能指标 ,给出了若干应用实例     

基于改进LSTM模型的航空安全预测方法研究

精确的航空安全预测是科学开展安全预警的前提.航空事故不仅致因机理复杂,还存在迟滞效应,给安全样本时序信息的深度挖掘加大了难度.基于此,提出一种基于改进长短期记忆(long short-term memory,LSTM)模型的航空安全预测新方法.首先基于相关系数热图优选致因指标,再以步进搜索和Adam算法相结合的方式优化...     

具退化性的一类非线性扩散方程的正则化解

研究具退化性的一类非线性扩散方程的初边值问题. 基于弱解存在性的证明和消失粘性法, 引入了正则化解的概念, 优点是能够确保正则化解的惟一性, 而且在某些条件下又有存在性. 证明了正则化解的一个重要性质, 即解的支集关于时间的不变性; 并对此问题的一个特殊情形, 构造出其显示的正则化解. 最后, 应用能量估计方法, 研究了正则化解的长时间行为.     

基于注意力机制的堆叠LSTM网络雷达HRRP序列目标识别方法

传统的雷达高分辨距离像(high resolution range profile, HRRP)序列识别方法依赖于人工特征提取, 并且现有的深度学习方法存在梯度消失问题, 导致收敛速度慢, 识别精度低。针对上述问题, 提出一种基于注意力机制的堆叠长短时记忆(attention-based stacked long short-term memory, Attention-SLSTM)网络模型, 该模型通过堆叠多个长短时记忆(long short-term memory, LSTM)网络层, 实现了HRRP序列更深层次抽象特征的提取; 通过替换模型的激活函数, 减缓了堆叠LSTM(stacked LSTM, SLSTM)模型梯度消失问题; 引入注意力机制计算特征序列的分配权重并用于分类识别步骤, 增强了隐藏层特征的非线性表达能力。模型在雷达目标识别标准数据集MSTAR上多种不同目的的实验结果表明, 所提方法具有更快的收敛速度和更好的识别性能, 与多种现有方法对比具有更高的识别率, 证明了所提方法的正确性和有效性。     

Long‐term streamflow forecasting using artificial neural network based on preprocessing technique

Artificial neural network (ANN) combined with signal decomposing methods is effective for long‐term streamflow time series forecasting. ANN is a kind of machine learning method utilized widely for streamflow time series, and which performs well in forecasting nonstationary time series without the need of physical analysis for complex and dynamic hydrological processes. Most studies take multiple factors determining the streamflow as inputs such as rainfall. In this study, a long‐term streamflow forecasting model depending only on the historical streamflow data is proposed. Various preprocessing techniques, including empirical mode decomposition (EMD), ensemble empirical mode decomposition (EEMD) and discrete wavelet transform (DWT), are first used to decompose the streamflow time series into simple components with different timescale characteristics, and the relation between these components and the original streamflow at the next time step is analyzed by ANN. Hybrid models EMD‐ANN, EEMD‐ANN and DWT‐ANN are developed in this study for long‐term daily streamflow forecasting, and performance measures root mean square error (RMSE), mean absolute percentage error (MAPE) and Nash–Sutcliffe efficiency (NSE) indicate that the proposed EEMD‐ANN method performs better than EMD‐ANN and DWT‐ANN models, especially in high flow forecasting.     

基于动态数据表的实时高分辨率雷达回波显示

对高分辨率雷达信号的光栅扫描显示不仅需要高速信号处理,而且需要高速图形显示。提出并构建了"动态数据表"及基于该数据表的"完全相对查表法"显示算法,从而实现了高分辨率(1024*1024)雷达回波的实时处理、显示。此方法适用于在光栅扫描显示器上实现雷达回波的全屏、长余辉消隐.在PC计算机上模拟雷达回波显示,此方法的优点更加突出。