基于时序特征的黄河三角洲土地覆盖动态及驱动力分析

综合不同土地利用类型的Landsat影像时序特征和面向对象分割方法,分析1985-2018年现代黄河三角洲土地覆盖时空特征,探讨土地覆盖变化的驱动机制。结果表明:1985-2018年间研究区天然湿地面积大幅减少,共减少9.9847×104 hm²,其中沼泽和草甸湿地面积减少尤为明显,而人工湿地面积则逐年增加,年平均增加率达54.66%,主要是盐田养殖场和水稻种植面积的增大;社会经济因素对研究区土地覆盖的影响程度高于水文因素;输沙量是影响研究区土地覆盖变化的主要水文因素,实测径流量的减少进一步导致天然湿地向旱地类型转化;人口和GDP变化对人工湿地面积增加的正相关作用比较显著,而天然湿地面积的减少则与该两个指标的负相关关系比较明显。     

融合内容特征和时序信息的深度注意力视频流行度预测模型

针对视频流行度动态变化过程中的时序信息难以捕捉的问题,提出一种融合内容特征和时序信息的深度注意力视频流行度预测模型（DAFCT）。首先,根据用户的反馈信息,构建基于注意力机制的长短期记忆网络（Attention-LSTM）模型来捕捉流行趋势并挖掘时序信息;然后,采用神经网络因子分解机（NFM）处理多模态的内容特征,并采用嵌入技术对稀疏的高维特征进行降维处理,从而降低模型的计算复杂性;最后,采用concatenate方法融合时序信息和内容特征,并设计了一种深度注意力视频流行度预测（DAVPP）算法来求解DAFCT。实验结果表明,与Attention-LSTM模型和NFM模型相比,DAFCT的召回率分别提高了10.82和3.31个百分点,F1分数分别提高了9.80和3.07个百分点。     

基于时序AR补偿RBF模型的滑坡位移预测

为了提高复杂态势下滑坡位移预测的准确性,构建了基于时序AR补偿RBF神经网络的滑坡位移预测模型。首先采用RBF(Radial Basis Function)神经网络对滑坡位移整体趋势进行逼近,获取预测残差;然后基于时序AR构建预测残差补偿器;最终将AR预测残差值与RBF逼近值进行叠加,从而实现滑坡位移预测。以隔河岩水电站进水口滑坡38期监测数据为例,采用AR补偿RBF模型进行预测。预测结果表明:相较于单一RBF神经网络,AR补偿RBF模型的预测平均相对误差由12.718%降低至4.703%,均方误差由0.232降低到了0.032;AR补偿RBF模型对滑坡位移拐点、突变点的逼近更符合实际,且具有较高的外推预测能力。     

环境星NDVI时间序列重构方法研究

利用目前时间序列曲线重构中较为常用的非对称高斯函数拟合、Double-Logistic曲线拟合、S-G滤波和时间序列谐波分析法对环境星NDVI时间序列进行重构处理。分析了上述4种植被指数时间序列重构方法对环境星数据的适用性。实验结果表明,对于环境星数据,在4种方法中非对称高斯函数拟合、Double-Logistic曲线拟合法更适用于对植被地物的时间序列进行重构,对照参考数据,其重构曲线对植被物候的表达有较高的一致性;而时间序列谐波分析法对原始数据的扰动最小,适用于非植被地物的时间序列重构;S-G滤波在4种方法中的重构效果最差。     

基于多元索引后继树的时间序列数据流挖掘

本文以地电前兆观测数据流为研究对象,提出了一种新颖的基于多元索引后继树的时间序列数据流挖掘模型。该模型的主要特点是使用一种新颖的位置索引方法,通过一遍扫描创建描述一个序列的所有元素的绝对位置的多元索引后继树,使用索引匹配方法以模式增长的方式生成频繁模式。理论分析与实验表明,该方法简单、高效,具有很好的实用价值。同时,通过对大量持续的地电前兆观测数据流进行分析处理,挖掘隐藏在其中的反映地电参数正常变化规律及趋势的频繁模式,为发现地电前兆异常识别提供依据,从而辅助进行地震预报。     

基于商拓扑结构的序列构成和预测

对多变量时间序列进行分析有利于更好地了解各时间序列的特性。根据相关性的时间序列在商空间模型中,可依据信息相关性,该文综合利用多个相关序列提供的信息对其中一个序列进行了预测,通过商空间理论的分解和合成法减小信息不完备产生的影响,从而获得更多准确信息和规则。     

基于构造性神经网络的时间序列混合预测模型 *

针对传统时间序列预测模型不适应非线性预测而适应非线性预测的 BP算法存在收敛速度慢 ,且容易陷入局部极小等问题 ,提出一种基于构造性神经网络的时间序列混合预测模型。采用构造性神经网络模型 (覆盖算法 )得出的类别值对统计时间序列模型的预测值进行修正 ,建立一种同时考虑时间序列自身周期变化和外生变量因子对时间序列未来变化趋势影响的混合预测模型 ,涵盖了实际问题的线性和非线性两方面 ,提高了预测精度。将该模型应用到粮食产量的预测中 ,取得了较好的预测效果。     

源-荷应用场景下储热式电锅炉投资经济性分析

储热式电锅炉是一种电-热转换设备,可应用在电力系统的源、荷两侧,提升系统灵活性。为分析储热式电锅炉投资经济性,首先,基于储热式电锅炉在源-荷场景下运行模式的差异,构建不同场景下储热式电锅炉运行约束模型,分析不同模式下投资主体经济效益和社会综合效益构成;其次,基于时序生产模拟,以年度经济效益最大为目标,建立储热式电锅炉投资主体经济效益优化模型;最后,基于净现值法分析评估储热式电采暖投资主体的投资经济性,并以“三北”地区某省级电网开展实例分析,依据东北电力辅助服务市场运营规则测算,结果表明：不同应用模式均具有明显社会综合效益,热电厂投资模式的盈利能力最强,风电场投资模式和荷侧独立主体投资模式经济上不可持续,需要调整相应的市场运营策略。     

计及UPFC的主动配电网日前-实时优化策略

针对统一潮流控制器使优化策略模型非线性化,实时阶段计及模型时序耦合特性增加了智能算法求解维度,不利于优化的问题,提出了日前-实时优化策略。日前优化为不考虑统一潮流控制器的线性模型,确定实时优化的微型燃气轮机调节幅度上、下限,以保证模型收敛;针对统一潮流控制器使网损下降及新能源出力、负荷预测偏差,在实时阶段调整日前优化策略,通过消除时序耦合实现计及统一潮流控制器的单时段优化以降低求解维度。最后,通过算例分析验证了所提模型的有效性。     

Generating Time-Series Data Using Generative Adversarial Networks for Mobility Demand Prediction

The increasing penetration rate of electric kickboard vehicles has been popularized and promoted primarily because of its clean and efficient features. Electric kickboards are gradually growing in popularity in tourist and education-centric localities. In the upcoming arrival of electric kickboard vehicles, deploying a customer rental service is essential. Due to its free-floating nature, the shared electric kickboard is a common and practical means of transportation. Relocation plans for shared electric kickboards are required to increase the quality of service, and forecasting demand for their use in a specific region is crucial. Predicting demand accurately with small data is troublesome. Extensive data is necessary for training machine learning algorithms for effective prediction. Data generation is a method for expanding the amount of data that will be further accessible for training. In this work, we proposed a model that takes time-series customers’ electric kickboard demand data as input, pre-processes it, and generates synthetic data according to the original data distribution using generative adversarial networks (GAN). The electric kickboard mobility demand prediction error was reduced when we combined synthetic data with the original data. We proposed Tabular-GAN-Modified-WGAN-GP for generating synthetic data for better prediction results. We modified The Wasserstein GAN-gradient penalty (GP) with the RMSprop optimizer and then employed Spectral Normalization (SN) to improve training stability and faster convergence. Finally, we applied a regression-based blending ensemble technique that can help us to improve performance of demand prediction. We used various evaluation criteria and visual representations to compare our proposed model’s performance. Synthetic data generated by our suggested GAN model is also evaluated. The TGAN-Modified-WGAN-GP model mitigates the overfitting and mode collapse problem, and it also converges faster than previous GAN models for synthetic data creation. The presented model’s performance is compared to existing ensemble and baseline models. The experimental findings imply that combining synthetic and actual data can significantly reduce prediction error rates in the mean absolute percentage error (MAPE) of 4.476 and increase prediction accuracy.