基于调和分析和ARIMA-SVR的组合潮汐预测模型

为提高潮汐预测精度,解决单一调和分析预测精度不高的问题,提出一种基于调和分析和自回归综合移动平均-支持向量回归机(autoregressive integrated moving average support vector machine for regression,ARIMA-SVR)的组合潮汐预测模型。潮汐分析中,潮汐可认为是由受引潮力影响的天文潮位和受环境因素影响的非线性水位的叠加。采用小波分析对潮汐样本数据进行去噪处理,使用调和分析法计算天文潮位,以调和分析法计算产生的残差作为非线性水位样本数据,并使用ARIMA-SVR模型进行潮高计算,最后将两部分的计算结果进行线性求和得到最终的潮汐预测值。利用美国旧金山港口实测潮汐数据进行预测仿真,结果表明,该组合模型解决了调和分析忽略非线性影响的问题,提高了潮汐预测准确率,可行且高效。     

模糊线性回归分析在发病率预测中的应用

利用模糊线性回归分析的方法 ,建立了预测发病率的数学模型 ,充分考虑了确定性和不确定性两方面的因素 .实例表明该方法能较好地拟合实际数据     

城市雨灾洪涝背景下应急物资动态需求预测

为精准预测雨灾洪涝背景下应急物资需求量,考虑灾情动态演变性并结合无偏优化和等维信息处理理论,构建基于改进GM(1,1)的灾民数量动态预测方法,通过计算均方差比值、平均相对误差验证该预测方法的有效性。根据灾区人口结构特征,识别年龄、家庭结构等需求影响因素,构建基于灾民数量预测、灾民结构特征、安全库存服务水平系数和物资缺货率的物资动态需求预测模型。选择河南省“7·20”特大暴雨相关数据进行算例仿真,结果证明：改进GM(1,1)的灾民数量预测精度达96.16%,比传统GM(1,1)提升12.26%;物资需求实现人性化、针对性预测,预测精度高达88%,有效突破灾情信息局限性,解决灾情演变下物资合理动态调度难的问题。     

时间序列模型在我国年度世界冠军预测中的应用

利用文献资料和数理统计方法,收集了1985年至2004年我国获得世界冠军的数据,进行了时间序列分析,建立了我国获得世界冠军的时间序列模型(即ARIMA模型).结果显示:模型ARIMA(0,1,8)(0,1,1)能较为准确地预测我国年度获得世界冠军的数据,模型的预测值与实际观测值非常接近,说明时间序列模型在我国年度获得世界冠军状况预测中具有较好的应用价值.     

基于市场类型与古诺模型的供应商管理库存实施后的利润分配

为解决基于市场类型的寡头行为古诺模型的上下游企业合作中的价格制定问题,在供应商管理库存(Vendor Managed Inventory, VMI)能够增加供应链整体利润的基础上,通过经济学市场分类方法,用寡头行为的古诺模型对供应链中处于完全竞争市场的上游与处于寡头垄断市场的下游,在进行利润分配的谈判中对利润分配的工具,即采购价格的形成机制进行研究.指出由于双方所处的市场类型不同导致其议价能力的不同,从而采购价格的形成机制具有独特性,并对其建立定量分析模型.     

基于大数据的农产品市场监测预警研究

随着大数据的快速发展,大数据与各行业深度融合,切实推动了各行业的快速发展.利用大数据的优势,建立面向农产品市场的监测预警模型,以便对农产品市场供需进行动态监测和预测,做到及时预警.以奶产品产量预测为例进行实证分析,验证监测预警方法的有效性.农产品市场大数据监测预警模型可以有效推动农产品市场供给侧改革,并可以推广到其他领域,具有较好的应用和推广价值.     

船舶市场趋势预测的三阶段模型

为提高船舶市场趋势预测的精度,针对以往在神经网络应用时仅单纯改进隐层环节算法的局限性,综合模糊聚类方法、数据修正和插值算法,对输入环节的数据进行降维和增量处理,构建船舶市场趋势预测的三阶段模型.首先,利用模糊聚类方法对历史数据进行分类,降低数据非线性;然后,通过数据修正和插值算法,在不改变数据规律的情况下增加每类数据的数据量;最后,利用处理完毕的数据训练神经网络.实例结果证明,三阶段模型在船舶市场趋势预测方面是有效的.     

基于正弦和的GM(1,1)幂模型在港口吞吐量预测中的应用

为有效预测具有振荡性质的港口吞吐量,提出基于正弦和的GM(1,1)幂模型(称为正弦和修正模型)。首先通过原始序列建立指数优化的GM(1,1)幂模型以描述总体趋势,然后利用正弦和描述残差中包含的周期性振荡规律,建立正弦和修正模型。利用该模型对广州港吞吐量进行预测,结果表明:该模型能够较好地描述具有周期振荡特征的港口吞吐量时间序列数据,预测精度都显著优于线性回归模型、GM(1,1)和指数优化的GM(1,1)幂模型,可将该模型用于具有振荡性质的吞吐量预测中。     

基于优化灰色马尔科夫动态模型的上海港集装箱吞吐量预测

为更准确地预测港口集装箱吞吐量,以灰色马尔科夫模型为基础,建立一种优化的灰色马尔科夫动态模型。根据上海港集装箱吞吐量历史数据建立GM(1,1)预测模型。引入无偏灰色预测理论对GM(1,1)预测模型进行优化。构造等维信息模型,及时更新预测使用的数据以形成动态预测。利用马尔科夫理论对优化后的GM(1,1)预测残差值进行修正,得出上海港集装箱吞吐量的预测值。研究结果表明,与传统灰色马尔科夫模型相比,优化的灰色马尔科夫动态模型预测精度提高了37.03%,预测值拟合曲线更加贴近实际值曲线,预测结果有更高的可信度,为上海港集装箱吞吐量预测提供了一种新的方法。     

大数据时代的数据研究与应用

随着云计算、大数据、人工智能等前沿信息技术的快速发展,数据的研究越来越重要.开展大数据时代的数据研究与应用有利于人们更好地利用数据来改变工作、生活的方方面面.文章采用列举法、对比法和模型分析法,为读者详细地介绍了数据概念、数据类型和数据研究方法,并以房价预测问题为例,建立数据分析模型,介绍了数据分析技术的具体运用.     

SWAT模型多目标率定与评价——以梅川江流域为例

基于水文站径流数据的SWAT模型参数率定,尽管在站点处模拟精度较高,但率定参数在空间分布上存在不确定性,尤其当站点稀疏时,参数间补偿作用使模型深受异参同效现象的干扰。利用植被模块多目标率定SWAT模型,可提高总体建模质量。一方面,植被在水文过程中至关重要,对植被模块率定加强了对SWAT中间过程的精度控制;另一方面,植被数据属于面源数据,不同于水文站的点源数据,提高了模型在全空间模拟上的精度控制。以梅川江流域为研究区,考虑径流、作物产量、MODIS LAI等数据对SWAT开展多目标率定,并同径流单目标模拟结果对比分析。结果表明,本方法可明显减弱异参同效对模型结果的影响,降低参数的不确定性,提高模型的模拟精度和稳健性。     

基于MODIS/NDVI时序数据的土地覆盖分类

以250m分辨率的MODIS/NDVI时间序列数据为主要数据源,通过Sacizkky-Golay滤波重建高质量NDVI时间序列数据;同时融合500m分辨率的MODIS多光谱反射率数据和90m分辨率的DEM数据.将非监督分类法和决策树法相结合,进行黑龙江流域土地覆盖分类研究.对分类结果采用已有的土地覆盖数据和高分辨率遥感影像进行精度评价,评价结果表明,利用MODIS/NDVI时间序列数据获得较高精度的土地覆盖分类结果是可行的.     

基于分布式压缩感知的重轨干涉SAR形变检测方法与实验

提出一种基于分布式压缩感知(DCS)的重轨干涉SAR形变检测方法.DCS理论利用多次观测信号集的联合稀疏特性和相关性,对信号集进行联合重建.本文将DCS理论引入微波成像形变检测中,并对地基SAR复数据进行处理,利用相位数据检测场景形变,比较压缩感知(CS)算法和DCS算法在降采样条件下的重建结果.CS算法和DCS算法都具有保相性,在幅度和相位图像中可以很好地消除副瓣,成像效果比Omega-k算法好.基于DCS的稀疏微波联合观测系统可以利用多幅场景间回波数据的联合稀疏特性,进一步降低数据采集,实现准确重建和检测.     

基于不同骨架UNet++网络的建筑物提取

基于深度学习方法的建筑物自动提取具有精度高、速度快的技术特点,对城市规划、防灾减灾等的行业应用具有重要意义。针对高分辨率遥感影像建筑物自动提取,引入深度学习特征功能模块和传统遥感应用技术验证环节,形成不同骨架模块、UNet++网络和真实性检验的建筑物遥感提取功能模块嵌合的深度学习业务化应用技术体系,通过VGG、ResNet和Inception等传统卷积网络模型骨架对基础网络进行改造,提升模型运行效率,强化模型特征学习能力,通过真实性检验验证算法的有效性、适用性,展示完整的遥感应用技术链条。以Mnih公开的马萨诸塞州建筑物数据集为数据源,和传统非全卷积网络模型和全卷积网络模型等方法进行对比分析,结果表明通过增加模型深度和宽度可以有效提升模型建筑物提取效果,基于InceptionV3-UNet++骨架模型在召回率、准确度、CSI、F₁分数、Kappa系数和总精度表现最为优秀,分别达到85.14%、90.50%、0.7816、0.8774、0.8504和95.57%,并在WHU数据集上验证了它的鲁棒性。该方法在建筑物提取结果和细节上都有显著提高,特别是对复杂不规则建筑物的提取上,将极大促进真实、复杂、大场景高分辨率影像的建筑物提取遥感应用。     

基于卡尔曼滤波的PS-InSAR地表形变预测方法

PS-InSAR是用于监测大范围地表形变的微波遥感技术，可提供精确地表形变信息，但该技术无法对形变趋势进行预测。现有形变预测方法只能预测少数监测点的形变，不适用于大面积预测。针对这些问题，提出一种基于卡尔曼滤波的PS-InSAR地表形变预测方法。结合PS-InSAR方法的技术流程，从理论上推导设计卡尔曼滤波器，通过真实的多时相SAR数据对该方法进行验证。实验结果表明，该算法可充分利用PS-InSAR形变监测信息，有效预测大面积观测区域的形变趋势。     

利用面向对象分类技术的大尺度土地覆被调查方法

以HJ-CCD为实验数据,采用面向对象分类技术,对地形复杂、类型多样的湖南省进行土地覆盖类型的自动提取.着重研究在大尺度上的土地覆被调查中应用HJA/B遥感影像和面向对象技术获取土地覆被信息的一整套技术方法.将多尺度分割、邻域推移分类法以及野外调查、专家知识有机结合起来,并用野外采样点进行精度检验.湖南省土地覆被调查结果的总体精度84.99%,Kappa系数为82.79%.结果证明了以HJ-CCD影像为遥感数据源,利用面向对象技术进行大尺度的土地覆被调查的可行性和有效性.     

基于混沌理论的洪水灾害动力机制(英文)

随着全球气候的变化和人类活动的加强,洪水灾害越来越严重,严重影响了社会经济的发展。因此,研究洪水灾害的动力机制,进行有效地防灾减灾已迫在眉睫。以天山黄水沟突发性洪水为例,应用混沌理论对洪水灾害的动力机制做了深入研究。研究中,计算分析了黄水沟洪峰流量时间序列的关联分维数(D2 )、Kolomogorov熵 (K)等非线形特征。结果表明 :黄水沟突发性洪水具有混沌动力系统的一些特征,洪峰流量的时间序列分布是一个确定的低维混沌吸引子,黄水沟洪水可预报时间的平均长度约为 8天.     

基于稠密卷积神经网络的遥感图像自动色彩校正

对于单幅遥感光学图像，目前已经有很多有效的色彩校正算法，但是这些算法需要人工经验或对场景的先验知识，无法满足对快速增长的海量遥感图像进行自动化处理的需求。针对这一问题，提出一种基于稠密卷积神经网络的遥感图像自动色彩校正方法DCN（dense convolutional networks）。该模型可以预测遥感图像的RGB通道的颜色校正系数K，从而对原始图像进行自动色彩校正。DCN使用稠密模块代替部分卷积层，用更少的层数实现更多的连接。DCN模型由3 000幅GF-2号遥感图像在Tensorflow框架上训练得到，损失函数为颜色校正系数向量与真值向量之间的色偏角θ。经过测试验证，校正后的图像与原图像仅有很小的色偏角，且与真实地物颜色吻合。与传统方法相比，该方法在训练后，可直接使用生成的模型对训练集中未出现的图像进行颜色校正，无需对场景的先验知识和人工经验，也无需参考图像，可实现对海量遥感光学图像的自动化色彩校正。与传统的卷积神经网络CNN（convolutional neural networks）相比，基于DCN的模型拥有更少的参数和更好的泛化能力，而且不受输入图像大小的限制，在测试集上有更好的结果。     

敏捷SAR卫星视频成像模式的姿态机动策略

视频SAR作为一种新型微波遥感体制，可用于对热点区域动态目标的持续监视。提出一种基于大角度聚束模式的视频SAR实现方法，分析视频SAR回波数据分割机理以及基于敏捷SAR卫星视频成像模式的姿态机动策略，并通过偏航补偿实现不同视频帧成像区域的无旋转控制，最终给出三轴期望姿态与姿态角速度。通过数学仿真验证上述姿态机动策略的有效性。     

基于深度学习的多尺度导弹发射井目标检测

导弹发射井是重要的遥感目标,发射井目标检测的研究对国防事业意义重大。在数据层面,由于发射井样本数量少,目前没有可用于其目标检测的有效数据集,构建有效的数据集对相关领域研究有极大价值。在算法层面,遥感图像分辨率的不同导致发射井目标呈现多尺度的特性,这是解决发射井目标检测问题的难点之一。基于以上分析,首先利用Google Earth构建首个发射井目标检测的数据集,然后针对发射井目标检测任务设计有效的检测模型。本文的模型充分融合了目标的多尺度特征和上下文的信息,并通过级联网络多阶段检测目标,有效检测出多尺度导弹发射井目标,检测效果优于目前主流的算法。