基于大数据技术的雾霾天气预测模型研究

雾霾天气成因复杂,预测较为困难。经深入分析相关技术和文献资料,在大数据技术支持下,将时空维度中已知空气质量数据与气象数据动态集成,构建了一种基于深度神经网络技术在时间维度和空间维度相融合的空气质量预测模型——基于深度神经网络的空气质量预测模型。经实验证实,此模型可预测目标站点未来的空气质量状况,且预测结果更加准确,可为环境治理提供理论参考。     

中国城市空气污染区域差异及社会经济影响因素分析——基于两种空气质量指数的比较研究

大都市圈的环境质量对城市居民的公共健康和日常生活有重大影响。因此,研究更为科学有效的大气污染物浓度的度量指标和方法受到政府和学界的广泛关注。基于对空气质量汇集指数（AAQI）与空气质量指数（AQI）的对比分析,阐述中国113个环保重点城市的空气质量状况及其空间分异特征,并基于面板数据模型,分析影响样本城市空气质量变化的主要社会经济因素。结果表明,在2014-2016年期间,中国的城市空气质量呈现出转好的趋势;城市空气质量的区域差异显著,华北地区在AAQI和AQI两种指数分析中均为中国空气质量较差的区域。回归模型的结果表明,城市空气质量受地理位置、城市化水平、产业结构和环境规制等因素的影响。建议加强开发和完善评估城市空气质量的综合指数,并从工业化和城市化角度探索改善城市空气质量的新途径。     

中央环保督察与城市空气质量改善

2015年建立的中央环保督察制度,是中国环境治理领域的重大制度创新,已在全国范围展开两轮督察.将中国284个地级及以上城市2015年1月至2019年12月的日度空气质量指数和6项单项污染物浓度数据与中央环保督察信息相匹配,使用时间断点回归方法分析中央环保督察对城市空气质量的影响.研究发现:中央环保督察期间各城市空气质量...     

基于改进粒子群的BP神经网络WSN数据融合算法

针对无线传感器网络（WSN）数据融合算法中传统反向传播（BP）神经网络收敛速度慢、对初值敏感和易陷入局部最优解的问题,提出基于改进粒子群的BP神经网络WSN数据融合算法（BSO-BP）。用天牛须搜索（BAS）算法对粒子群算法进行改进,利用改进后的粒子群算法优化BP神经网络权值和阈值,引入WSN数据融合中,簇首节点通过优化训练后的BP神经网络对采集数据进行特征提取,将融合后的数据发送至汇聚节点。仿真实验表明,BSO-BP算法能有效地提高融合精度和收敛速度,减少冗余数据传输,延长网络生命周期。相较于传统BP数据融合算法和PSO-BP算法,BSO-BP算法减少了至少11%的平均相对误差和13.89%的均方根误差。     

超声挤压轴类零件表面粗糙度预测模型分析

为实现对超声挤压轴类零件表面粗糙度的合理预测,采用多元回归法、MLP神经网络法以及支持向量机回归法进行预测分析研究。将模型预估时所得数值与实际检测值进行比较分析,结果表明：相比于其他学者借助径向基神经网络构建的模型,其预测的相对误差为5.2%;借助多元回归法构建的模型具有更高的预测准确度,其预测的平均相对误差最小,最小值为4.92%。该预测模型可以进行不同参数下零件表面粗糙度的预测。     

基于改进思维进化算法的神经网络负荷预测

为了提高短期电力负荷预测精度文章提出了IMEA-NN预测模型。本文使用改进的思维进化算法对神经网络进行优化。建立了结合思维进化算法的神经网络短期负荷预测模型,该优化算法改善了思维进化算法的缺陷,改善了神经网络的泛化能力,从而明显提高了模型的预测精度,预测负荷的平均误差可以控制在1.5%以内。证明此算法对于电网短期负荷预测是实用的和有效的。     

基于LSTM循环神经网络的电池SOC预测方法

针对锂离子电池荷电状态(state of charge, SOC)预测问题,利用长短期记忆（long short term memory, LSTM）循环神经网络建立电池SOC预测模型。在恒阻放电情况下,将电池输出电流、输出电压和电池表面温度作为模型的主要输入,使用训练样本对神经网络进行训练,使用验证样本进行验证。结果表明,用该方法进行电池SOC预测时可使最大绝对误差仅为1.96%,均方根误差为0.986%,可行性被验证。分析神经网络隐含层中不同的神经元个数对预测结果的影响,对比不同批大小情况下训练出的神经网络的预测误差。将隐含层分别设置为1至3个LSTM细胞核,得到不同条件下神经网络的预测误差。结果为电池SOC预测的神经网络模型的隐含层神经元个数、批大小和LSTM细胞核个数的设定提供参考。     

基于PSO的BP神经网络-Markov船舶交通流量预测模型

为对船舶交通流量进行准确预测,结合BP神经网络和Markov算法,构建BP神经网络-Markov预测模型。引入粒子群优化(particle swarm optimization,PSO)算法对模型进行优化,克服利用Markov模型选取白化系数的不足。用该模型预测武汉长江大桥船舶交通流量的月度数据,结果表明:与BP神经网络的预测精度82.439 0%相比,基于PSO的BP神经网络-Markov预测模型的预测精度提高到91.050 8%,该模型的合理性和准确性得到验证。     

利用灰色关联极限学习机预报日长变化

针对日长变化难以用精确模型进行预报的问题,将一种新型人工神经网络--极限学习机(extreme learning machine, ELM)用于日长变化预报中.首先针对时间序列预测问题中存在的嵌入维数选取和网络结构设计问题,提出一种基于灰色关联分析(grey relational analysis, GRA)的ELM算法(GRA-ELM),该算法将灰色关联分析输入节点选取嵌入到ELM网络的训练过程中,同时完成嵌入维数和隐层节点规模的确定.然后根据日长变化数据的特点对其进行预处理,建立一种能够高精度、近实时预报日长变化的GRA-ELM预报模型.最后将GRA-ELM模型的预报结果同标准ELM、反向传播神经网络、广义回归神经网络和地球定向参数预报比较竞赛的结果进行比较.结果表明,通过本方法得到的日长变化较其他方法在精度上有较大改善.     

城市空气质量数值预报试验研究

为开展城市空气质量业务预报,新近发展了一新的城市尺度气象和空气质量耦合数值预报模式系统,用该系统对重庆、天津、广州和济南市的24小时空气质量作了大量实际预报试验.预报与野外实测的浓度-气象场之间比较表明:预报与实测浓度(SO₂、NO₂和PM₁₀)和风速比值总体平均为1.02±0.36和1.08±0.38;预报与实测的风向差在67.5°以内的概率可超过80%;预报与实测温度差在1.0℃以内的概率可超过75%;24小时降水量的预报准确率大于80%;日均API的预报准确率可达80%以上;预报与实测浓度-气象场之间有好的一致性.     

Actor-critic框架下的二次指派问题求解方法

二次指派问题(QAP)属于NP-hard组合优化问题,在现实生活中有着广泛应用。目前相对成熟的启发式算法通常以问题为导向来设计定制化算法,缺乏迁移泛化能力。为提供一个统一的QAP求解策略,将QAP问题的流量矩阵及距离矩阵抽象成两个无向完全图并构造相应的关联图,从而将设施和地点的指派任务转化为关联图上的节点选择任务,基于actor-critic框架,提出一种全新的求解算法ACQAP。首先,利用多头注意力机制构造策略网络,处理来自图卷积神经网络的节点表征向量;然后,通过actor-critic算法预测每个节点被作为最优节点输出的概率;最后,依据该概率在可行时间内输出满足目标奖励函数的动作决策序列。该算法摆脱人工设计,且适用于不同规模的输入,更加灵活可靠。实验结果表明,在QAPLIB实例上,本算法在精度媲美传统启发式算法的前提下,迁移泛化能力更强;同时相对于NGM等基于学习的算法,求解的指派费用与最优解之间的偏差最小,且在大部分实例中,偏差均小于20%。     

基于BP神经网络的城市汽车保有量预测

汽车保有量预测对城市交通的发展方向有直接的参考意义,通过分析影响城市汽车保有量的因素,找出了城市人口、GDP、公共交通服务水平等九个主要的因素,并对这些因素进行分析。同时建立了预测城市汽车保有量的BP神经网络模型。为了保证模型的收敛,在进行实例分析的时候引入主成分分析法将九个因素减少为五个因素,并进行了预测,预测精度比较高。     

人工神经网络在经济预测中的应用

研究人工神经网络在经济预测中的应用问题,探讨人工神经网络的时间序列预测方法.该方法采用多层前馈神经网络及BP算法,其仿真实现是以MATLAB下神经网络工具箱作为开发工具,提出一种基于BP网络时序预测通用方法,并通过实例验证了该方法的预测精度明显高于灰色系统预测方法.为了消除单一神经网络预测模型的系统偏差,探讨组合神经网络时序预测方法,用实例验证了组合神经网络比单一神经网络的预测精度高.     

基于BFGS法的BP神经网络算法研究

在把ＢＦＧＳ（Ｂｒｏｙｄｅｎ－ Ｆｌｅｔｃｈｅｒ－ Ｇｏｌｄｆａｒｂ－ Ｓｈａｎｎｏ） 法运用于ＢＰ神经网络权的训练中,通过基于不同算法的神经网络对实际问题进行学习,并根据学习后获取的非线性机理结合预测的实例进行对比分析,表明基于ＢＦＧＳ法的ＢＰ神经网络算法对加快网络训练速度、提高网络预测能力方面是有效的。     

2015年田径锦标赛和大阅兵活动期间北京市NOx浓度特征

利用北京市大气污染物及气象监测数据,综合分析2015年北京市田径锦标赛和大阅兵活动期间北京市空气质量与气象条件变化,初步评估减排措施对氮氧化物浓度的影响.结果表明：2015年8月20日至9月3日“两大活动”期间,北京市NO、NO₂和PM_2.5平均浓度分别为2.0、22.7和17.8 μg·m^-3,同比下降58.3%、52.1%和73.2%,空气质量被誉为“阅兵蓝”.保障措施实施后,交通站NO日变化的峰值浓度降低约43%;而城市环境站NO峰值浓度降低约45%;NO₂早高峰和夜间的浓度积累速度明显放缓.北京市作为区域NO₂浓度高值区中心明显消失,PM_2.5浓度梯度分布特征消失.受局地的弱北风影响,APEC期间早高峰NO₂峰值浓度明显消失;而大阅兵期间,早高峰NO₂峰值浓度明显高于晚高峰.测算结果显示“两大活动”期间区域空气质量保障措施实现的污染物减排比例及环境污染物浓度改善比例略高于去年APEC空气质量保障.     

乌鲁木齐市空气质量与旅游生态建设互动研究

2004～2007年．乌鲁木齐市主要污染物为可吸入颗粒物及二氧化硫．重度污染和轻微污染基本集中于冬季采暖期,其他时间空气质量多数可达二级水平。经过分区调查：市区的环境质量最差,文化区及自然景区则呈渐好的趋势;乌鲁木齐市自然旅游区的生态环境优化可以对其他二区空气质量改善起到积极作用,而市区与文化旅游区可以通过改善空气环境质量为旅游事业的发展创造条件。     

基于改进RBF神经网络的银行个人信用评级

研究RBF神经网络在个人信用评级中的应用.针对传统的RBF神经网络无法处理非数值型数据和对初始中心的选取及异常值十分敏感等问题,提出一种基于模糊K-Prototypes算法的RBF神经网络,提高了处理分类型数据及混合型数据的能力,并且改进的模糊K-Prototypes算法有助于降低模型对初始中心选取和异常值的敏感性.将改进前后的模型分别应用于商业银行的个人信贷评级中,结果表明,改进后的模型预测精度和稳健性都优于传统的RBF模型.     

基于PCA和SAPSO的船舶风压差神经网络预测模型

为提高船舶风压差的预测精度,使船舶能够更快稳定在计划航线上以保障航行安全,提出一种基于主成分分析(principal component analysis, PCA)法和自适应粒子群优化(self-adaptive particle swarm optimization, SAPSO)算法的船舶风压差神经网络预测模型。该方法采用PCA法对航行数据进行预处理,然后将数据输入由SAPSO算法优化的BP神经网络中,改变以往通过复杂的数学建模计算风压差的方法,提高预测的时效性和准确性。利用实船数据对模型进行船舶风压差的实时预测仿真,结果验证了该预测模型具有较高的可靠性。     

重庆“江南万亿工业走廊”城市节点等级分布研究

根据点轴开发理论,借助多元统计分析方法,对"江南万亿工业走廊"城市节点的等级空间分布进行分析,得到该城市群的节点等级体系:一级节点(发达型城市)为万州区和涪陵区,二级节点(中等型城市)为巴南区和长寿区,三级节点(发展型城市)包括忠县、丰都、奉节、云阳、石柱和巫山。应在此基础上科学规划空间布局,构建网络化基础设施体系,加快集群工业发展,加速资源要素集聚,加强区域间协同合作,实现有效的点轴系统开发。     

基于BP神经网络的城市货运生成预测模型

针对传统的货运生成模型处理非线性影响因素能力差的问题,运用BP神经网络建立城市货运生成多变量非线性预测模型。在对城市货运生成量影响因素进行分析的基础上,选取就业人数、地区GDP和消费品零售总额3个指标作为输入变量,以城市公路货运量和城市货运总量为输出变量,构建BP神经网络预测模型。该模型能揭示货运量与相关变量之间的非线性映射关系,在实证研究中取得了较理想的结果。通过实际货运量与BP神经网络预测结果的对比,验证了该模型在货运量预测方面的可行性。