主动推送模式下的情报需求预测模型

针对主动推送模式下的情报需求预测问题,提出了基于案例推理的解决方案。设计了进行情报需求预测案例分析的工作流程,建立了案例属性描述模型;应用最近邻法进行案例的相似度评价,并通过信息增益的计算确定每个属性的权值,获得相似案例(集);提出了方案调整和推理策略。     

基于全信息新陈代谢的GM（1，1）电力预测

传统的灰色预测模型所需的样本容量较少,仅4个数据就可以建立灰色预测模型。虽然传统的灰预测建模较为简单,但是忽略了对预测较为确利的新信息,容易产生预测模型老化的现象,预测精度不高。全信息新陈代谢的GM（1,1）灰色预测模型更为合理、科学,全信息建模避免了局部信息建模的局限性,每预测一个结果去除原始数列的最老数据的新陈代谢处理保证了预测数列的实效性,并用Matlab实现改进GM（1,1）模型的编程计算,应用于双流县电力需求量的预测,预测精度好。     

基于时空图卷积网络的多变量时间序列预测方法

为了扩大时空图卷积网络的预测范围,将它应用在关联关系未知场景下的多变量时间序列预测问题,提出一种附加图学习层的时空图卷积网络预测方法（GLB-STGCN）。图学习层借助余弦相似度从时间序列中学习图邻接矩阵,通过图卷积网络捕捉多变量之间的相互影响,最后通过多核时间卷积网络捕捉时间序列的周期性特征,实现对多变量的精准预测。为验证GLB-STGCN的有效性,使用天文、电力、交通和经济四个领域的公共数据集和一个工业场景生产数据集进行预测实验,结果表明GLB-STGCN优于对比方法,在天文数据集上的表现尤为出色,预测误差分别降低了6.02%、8.01%、6.72%和5.31%。实验结果证明GLB-STGCN适用范围更广,预测效果更好,尤其适合自然周期明显的时间序列预测问题。     

SCS模型在山区小流域山洪灾害预报预警中的适用性分析

预报预警是山洪灾害防治中重要的非工程措施,是防灾减灾救灾的关键环节。选取分别代表秦巴山地水资源保护区、西南地震作用区、喀斯特地区、黄土高原超渗产流区、东南沿海台风影响区的湖北省丹江口官山河流域、四川省都江堰白沙河流域、贵州省望谟县望谟河流域、陕西省子洲县岔巴沟流域、广东省高州市马贵河流域这5个典型流域,通过构建改进的SCS模型进行历史山洪模拟,探讨该模型在小流域暴雨山洪预报预警中的广泛适用性。结果表明:基于SCS模型构建的小流域暴雨山洪预报方案中官山河、白沙河、望谟河、马贵河方案均为乙级方案,可用于正式发布预报;岔巴沟为丙级方案,可用于参考性预报。SCS模型在5个典型示范区的洪峰流量预报精度普遍在80%左右,高于我国山洪灾害洪峰流量预报平均水平(40%)。总体来说,SCS模型对各类典型流域的山洪模拟效果较好,能够用于山洪灾害预报预警业务。SCS模型结构简单,参数少,特别适用于无资料地区推广应用。     

旱情预报技术进展与展望

受全球气候变化影响和人类活动的加剧,干旱灾害发生频次增加且强度增大,严重威胁着我国的粮食安全和水安全。准确及时的旱情预报,对于制定科学有效的干旱应对策略、减少灾害造成的损失具有重大意义。从基于数理统计模型的预报技术和基于物理机制模型的预报技术两方面入手,梳理回顾了国内外研究进展,揭示了当前预报技术所存在的问题,并提出针对性的解决方案。未来研究应注重提高干旱监测数据的质量、突破核心关键技术、构建全国旱情预报业务化系统,为抗旱减灾事业提供强有力的科技支撑。     

Intelligent tool wear monitoring based on parallel residual and stacked bidirectional long short-term memory network

Effective tool wear monitoring (TWM) is essential for accurately assessing the degree of tool wear and for timely preventive maintenance. Existing data-driven monitoring methods mainly rely on complex feature engineering, which reduces the monitoring efficiency. This paper proposes a novel TWM model based on a parallel residual and stacked bidirectional long short-term memory (PRes–SBiLSTM) network. First, a parallel residual network (PResNet) is used to extract the multi-scale local features of sensor signals adaptively. Subsequently, a stacked bidirectional long short-term memory (SBiLSTM) network is used to obtain the time-series features related to the tool wear characteristics. Finally, the predicted tool wear value is outputted through a fully connected network. A smoothing correction method is applied to improve the prediction accuracy. The proposed model is experimentally verified to have a high prediction accuracy without sacrificing its generalization ability. A TWM system framework based on the PRes–SBiLSTM network is proposed, which has a certain reference value for TWM in actual industrial environments.     

赛博空间态势感知技术研究

文章从赛博空间的概念和态势感知的流程出发,构建赛博空间态势感知框架,以安全栓测和安全事件分析技术为支撑,提出多层次多角度的态势评估模型,在此基础上使用时间序列分析方法预测安全态势的发展趋势。     

基于径向基的瓦斯涌出量灰色预测模型

为了进一步预防煤层瓦斯突出,实现准确、快速预测煤矿瓦斯涌出量的大小,首先采用1-AGO对样本数据进行处理,建立灰色(GM)预测模型,再利用径向基(RBF)神经网络对灰色预测模型结果进行预测,以作为其最终的预测值;采用阜新煤矿某工作面瓦斯涌出量的历史数据进行建模,实验结果表明,GM-RBF组合模型在预测精度及训练误差方面均优于单一的GM模型和RBF神经网络预测模型;算法计算简便,减弱了数据的随机性及模型误差,煤矿瓦斯涌出量的预测平均误差减小到1.57%。     

组合模型在降雨量预测中的应用

研究降雨量准确预测问题,降水量的变化既受大气环流、地形、气压、气候带等各种环境因子的影响,降水量的动态特征呈现复杂非线性和各种干扰因素,预测不可能准确。传统预测模型难以对其进行准确预测,预测精度低。为提高降雨量的预测精度,提出一种组合模型的降雨量预测模型。首先采用小波分析将降雨量数据进行分解成线性和非线性部分,然后分别采用ARIMA和RBF神经网络模型对其进行预测,最后采用小波重构线性和非线性预测结果,得到降雨量最终预测结果。仿真结果表明,相对于传统预测模型,组合模型提高了降雨量预测精度,预测结果可以帮助农业、水利部门提高防治旱涝灾害的科学依据。     

基于相似样本和多模型动态最优组合的光伏功率预测

针对传统单一预测方法存在的局限性,引入了考虑特征加权的模糊聚类方法,进行关于天气类型的划分以得到相似样本;提出多模型动态最优组合预测方法,根据各窗口期预测误差的波动情况,设置合适的临近历史样本窗口宽度,利用窗口期中的数据和构建的最优赋权模型进行组合权重的求解,在避免单一预测方法片面性的同时,提高了对各种天气的适应性。通过算例验证分析表明,所提出的组合预测方法在各种天气类型下的预测效果都优于理论预测、BP预测和LSSVM预测等单一预测方法,能够有效提高预测的有效性和准确性,具有较高的工程实用价值。