-
题名一种组合模型的电离层总电子含量预报方法
被引量：2
- 1
-
-
作者
王建敏
徐迟
祁向前
黄佳鹏
-
机构
辽宁工程技术大学测绘与地理科学学院
龙岩学院资源工程学院
-
出处
《导航定位学报》
CSCD
2023年第2期166-175,共10页
-
基金
国家自然科学基金项目(41474020)。
-
文摘
针对电离层总电子含量(TEC)的非线性、非平稳等多种因素影响会导致全球导航定位服务数据的高噪声问题,提出一种小波分解、长短期记忆(LSTM)网络模型、埃尔曼(Elman)神经网络模型组合的方法:采用国际全球卫星导航系统服务组织(IGS)中心提供的不同纬度、不同时间段的TEC格网点数据,利用db4小波分解对前20 d的TEC样本序列进行分解得到高频信息与低频信息;再分别利用LSTM模型和Elman模型对高频信息和低频信息进行预报;然后将2种模型的预报值进行重构;最后利用滑动窗口预测连续多个2 d数据进行分析研究。实验结果表明,组合模型在春、夏、秋、冬不同季节的电离层预报的均方根误差分别为0.85、0.68、0.84和0.84个总电子含量单位(TECu),平均绝对值残差分别为0.66、0.55、0.60和0.69个TECu,平均相对精度分别为97.1%、97.1%、96.7%、95.9%,与2种单一模型相比可有大幅度提升。
-
关键词
小波分解
长短期记忆(lstm)网络模型
埃尔曼(Elman)神经网络模型
滑动窗口
电离层总电子含量单位(TECu)
-
Keywords
wavelet decomposition
long-short term(lstm)memory network model
Elman neural network model
sliding window
ionosphere total electron content unit(TECu)
-
分类号
P228
[天文地球—大地测量学与测量工程]
-
-
题名高速公路收费站出入口交通流量分析及预测
- 2
-
-
作者
陈建雄
徐延军
-
机构
上海船舶运输科学研究所有限公司
中远海运科技股份有限公司
-
出处
《上海船舶运输科学研究所学报》
2023年第1期42-48,共7页
-
文摘
为充分掌握高速公路收费站的交通流特征,助力智慧高速公路建设,以宁夏回族自治区银川南收费站为研究对象,分别采用图像观测法和科学计算法对其出入口交通流量进行相关性分析,得到二者的相关系数和显著性水平,表明出口流量与入口流量具有极强的相关性。通过傅里叶变换得到收费站交通流量的周期性特征,并运用自相关系数对周期性进行检验。将周期性特征加入长短期记忆(Long Short-Term Memory,LSTM)网络模型中,并基于整年的收费数据和跨年度的收费数据对收费站出入口交通流量进行预测,验证该模型的有效性。结果表明该基于周期性特征的交通流量预测模型能取得良好的预测效果。
-
关键词
车流量相关性
周期性
交通量预测
傅里叶变换
长短期记忆(lstm)网络模型
-
Keywords
traffic flow correlation
periodicity
traffic volume forecast
fourier transform
lstm(Long Short-Term Memory)network model
-
分类号
U491.14
[交通运输工程—交通运输规划与管理]
-
-
题名一种空气污染物浓度预测深度学习平台
被引量：2
- 3
-
-
作者
卢淑怡
张波
张旱文
俞豪
高浩然
刘波
-
机构
上海师范大学信息与机电工程学院
上海超算科技有限公司
-
出处
《上海师范大学学报（自然科学版）》
2020年第1期102-108,共7页
-
基金
国家自然科学基金(61802258)
上海市自然科学基金(18ZR1428300)
+1 种基金
上海市科委创新项目(17070502800)
上海市教委项目(C160049)。
-
文摘
在空气污染大数据预处理的基础上,提出了一个基于深度学习的空气污染物浓度预测平台.该平台架构分为数据采集层、模型层和可视化界面层3个层次,分别实现了数据采集与处理,基于长短期记忆(LSTM)网络模型的污染物浓度预测,以及预测结果可视化的功能,通过对用户个性化模型参数的设置,实现不同时间段污染物浓度时间序列的预测.
-
关键词
深度学习
空气污染预测
长短期记忆(lstm)网络模型
大数据
-
Keywords
deep learning
air pollution prediction
long short-term memory(lstm)network model
big data
-
分类号
TP301
[自动化与计算机技术—计算机系统结构]
-
-
题名耦合人工神经网络模型在径流预测中的应用综述
- 4
-
-
作者
王语浠
曹青
SHAO Quanxi
-
机构
南京信息工程大学龙山书院
南京信息工程大学水文与水资源工程学院
南京信息工程大学水利部水文气象灾害机理与预警重点实验室
联邦科学与工业研究组织
-
出处
《海洋气象学报》
2024年第3期152-161,共10页
-
基金
国家自然科学基金青年科学基金项目(42201025)
高端外国专家引进计划项目(G2023014051L)
+1 种基金
宁夏回族自治区重点研发计划项目(2023BEG02054)
水利部水文气象灾害机理与预警重点实验室开放基金项目(HYMED202210,HYMED202301)。
-
文摘
人工神经网络(artificial neural network,ANN)模型耦合其他模型或优化算法在径流预测中的应用逐渐增多。从人工神经网络模型与物理模型的耦合、多人工神经网络模型的耦合、分解技术与机器学习方法的耦合、人工神经网络模型与智能优化算法的耦合4个方面进行系统梳理和总结,阐述提高预测精度的原因及各方法的优势。同时,提出当前研究中存在的问题并进行展望,可为径流预测和水资源管理提供支持。
-
关键词
径流预测
反向传播(BP)神经网络模型
循环神经网络(RNN)模型
长短期记忆(lstm)神经网络模型
门控循环单元(GRU)神经网络模型
卷积神经网络(CNN)模型
-
Keywords
runoff prediction
back propagation(BP)neural network model
recurrent neural network(RNN)model
long-short term memory(lstm)neural network model
gated recurrent unit(GRU)neural network model
convolutional neural network(CNN)model
-
分类号
TV11
[水利工程—水文学及水资源]
TP183
[自动化与计算机技术—控制理论与控制工程]
-
-
题名小波-LSTM神经网络在地铁沿线沉降预测中的应用
- 5
-
-
作者
孙宇超
魏长寿
李志进
张明刚
刘玉针
-
机构
山东科技大学测绘与空间信息学院
内蒙古科技大学矿业与煤炭学院
-
出处
《北京测绘》
2022年第5期664-669,共6页
-
文摘
为缓解城市交通压力,地铁工程的修建日益加快,但其施工、运营都会造成沿线地表沉降,为有效预防地表沉降引起的地质灾害。本文基于51景升轨Sentinel-1A卫星影像,应用差分干涉测量短基线集时序分析(SBAS-InSAR)技术获取青岛地铁三号线沿线地表形变信息,分析地铁沿线主要沉降区域的成因,并对沉降区域内的特征点使用小波分解、重构,对降噪后的形变时间序列进行了模拟和预测。发现了4个主要的沉降区域,其中青岛北站周边沉降最为严重,沉降速率为-10.42 mm/a。优化后的长短期记忆(LSTM)神经网络模型对形变时间进行预测,其精度比传统LSTM、多层前馈BP神经网络模型更优,证明该模型在城市地铁沿线的地质灾害预防中具有广泛应用价值。
-
关键词
差分干涉测量短基线集时序分析(SBAS-InSAR)技术
小波降噪
长短期记忆(lstm)神经网络模型
形变预测
-
Keywords
small baseline subset-interferometric synthetic aperture radar(SBAS-InSAR)
wavelet noise reduction
long short-term memory(lstm)neural network model
deformation prediction
-
分类号
P237
[天文地球—摄影测量与遥感]
-
