BP神经网络和ARMA模型在中纬度TEC短期预测中的对比分析

在充分考虑TEC序列非平稳、非线性、高噪声特性前提下, 以IGS提供的2017年电离层TEC格网数据为基准,运用BP神经网络和ARMA两种模型分别进行TEC 3 d预测,重点分析两种模型在不同季节时段、不同电离层活跃强度及不同样本长度下的TEC预测性能及精度。结果表明,在不同时段,两种模型均能很好地反映TEC的变化特性,其中ARMA模型在春、冬时段及整体预测精度上略优于BP神经网络。在平静期,两种模型的平均相对预测精度分别为87.3%和87.5%,预测效果相差较小;在活跃期,两种模型的平均相对预测精度分别为78.5%和75.5%,BP神经网络的精度比ARMA模型高3%。随着样本长度的增加,BP神经网络在21 d样本处预测效果最佳,ARMA模型的预测精度随样本长度的增加呈降低趋势。     

基于WPA-WOA-BP神经网络的PM2.5浓度预测

针对传统BP神经网络存在的学习速度慢、易陷入局部极值等问题,利用鲸鱼优化算法(WOA)以及狼群算法(WPA)混合优化BP神经网络的权值和阈值,构建WPA-WOA-BP神经网络模型,并对PM2.5浓度进行预测.实验结果证明,WPA-WOA-BP神经网络模型预测稳定性高,可用于PM2.5浓度的预测,且预测精度优于BP神经网...     

基于KF-LSTM组合模型的短期电离层TEC预测

针对电离层总电子含量(TEC)时间序列非线性、非平稳性等特点,提出以卡尔曼滤波对电离层TEC数据进行预处理为基础,融合长短期记忆神经网络模型,构建KF-LSTM短期电离层组合模型预测TEC的方法,并利用该模型预测2016年和2018年4个时段的高、中、低纬度及赤道地区36个格网点提前1 d的电离层TEC。结果表明,KF-LSTM组合模型预测效果优于传统BP神经网络模型和单纯的LSTM模型。在赤道地区,其预测效果与C1PG模型相当;在15°～75°N地区,其预测效果优于C1PG模型。     

顾及地理-语义动态的城市热点预测框架

城市热点时空预测是城市管理和智慧城市建设的一项长期而富有挑战性的任务。准确地进行城市热点时空预测可以提高城市规划、调度和安全保障能力并降低资源消耗。现有的区域级深度时空预测方法主要利用基于地理网格的图像、给定的网络结构或额外的数据来获取时空动态。通过从原始数据中挖掘出潜在的自语义信息,并将其与基于地理空间的网格图像融合,也可以提高时空预测的性能,基于此,本文提出了一种新的深度学习方法地理语义集成神经网络(GSEN),将地理预测神经网络和语义预测神经网络相叠加。GSEN模型综合了预测递归神经网络（PredRNN）、图卷积预测递归神经网络（GC-PredRNN）和集成层的结构,从不同的角度捕捉时空动态。并且该模型还可以与现实世界中一些潜在的高层动态进行关联,而不需要任何额外的数据。最终在3个不同领域的实际数据集上对本文提出的模型进行了评估,均取得了很好的预测效果,实验结果表明GSEN模型在不同城市热点时空预测任务中的推广性和有效性,利用该模型可以更好地进行城市热点时空预测,解决一系列如犯罪、火灾、网约车预订等等现代城市发展中亟需解决的相关问题。     

基于微波数据与光学数据集成的机器学习技术在作物产量估算中的应用

各类光学植被指数已成功地应用于各种植被监测与作物产量估算中,但这些指数易受大气状况的影响。由星载微波辐射计得到的植被光学厚度数据（VOD）与植被密度、含水量密切相关,数据可全天候获得,在农业遥感监测中呈现着巨大的潜力。作为来自不同传感器的遥感数据,微波遥感数据与光学遥感数据可以提供不同波长范围内的植被信息。为了更准确地进行作物产量估算,本研究提出将微波遥感数据与光学遥感数据共同应用于冬小麦单产估算中。研究选择L波段微波辐射计SMAP卫星的VOD数据与MODIS的标准归一化植被指数NDVI、增强型植被指数EVI、叶面积指数LAI、光合有效辐射分量FPAR数据作为研究变量,分别使用BP神经网络、GA-BP神经网络和PSO-BP神经网络建立冬小麦产量估算模型。结果表明： 3种神经网络回归模型的P值均小于0.001,通过了显著性检验。GA-BP神经网络回归模型的估算值与真实值在3种神经网络回归模型中表现了最高的相关性（R=0.755）与最低的均方根误差（RMSE=529.145 kg/hm²）,平均绝对误差(MAE=425.168 kg/hm²)和平均相对误差（MRE=6.530%）。为了分析多源遥感数据的结合在作物产量估算中的优势,研究同时构建了仅使用NDVI和LAI,使用NDVI、EVI、LAI、FPAR等光学数据进行冬小麦产量估算的3种GA-BP神经网络回归模型作为对比。结果表明,使用微波遥感数据与光学遥感数建立的GA-BP神经网络回归模型较上述3种作为对比的GA-BP神经网络回归模型的相关系数R值分别提高了0.163,0.229与0.056,均方根误差RMSE分别降低了122.334、158.462和46.923 kg/hm²,使用多源遥感数据的组合可以很好地提高作物产量估算的准确性。     

基于时空关联度加权的LSTM短时交通速度预测

提出一种基于时空关联度加权的长短期记忆网络(Long Short-Term Memory,LSTM)短时交通速度预测模型。该模型结合综合动态时间规整(Summation Dynamic Time Warping,SDTW)和拓扑邻接关系设计了一种路段速度序列之间时空关联程度的度量方法,然后基于该度量值对路段速度历史观测值进行加权,进而使用LSTM从加权观测序列中提取路段速度的时空变化特征,实现对短时交通速度的预测。实验表明,交通速度预测模型预测结果相比传统的ARIMA模型、SVR模型以及LSTM模型均有提升,实现了更高精度的速度预测。     

改进哈里斯鹰优化算法与BP神经网络组合的滑坡位移高精度预测模型

开展滑坡位移高精度预测研究对于滑坡灾害的防灾预警具有重要意义。针对哈里斯鹰优化算法(HHO)搜索精度低且会陷入局部最优的问题,对其进行改进并进一步与BP神经网络组合,同时有效兼顾滑坡外部影响因子,发展了一种改进哈里斯鹰优化算法(IHHO)与BP神经网络组合(IHHO-BP)的滑坡位移高精度预测模型。结合我国典型黄土滑坡——甘肃黑方台党川滑坡HF08、HF05和HF09等3个监测点的北斗/GNSS实测数据,验证了IHHO-BP模型在3个实测数据集中的位移预测精度均优于单一BP神经网络模型,以及哈里斯鹰优化算法、麻雀搜索算法(SSA)、粒子群算法(PSO)、遗传算法(GA)与BP神经网络组合的预测模型。结果表明：引入Levy变异、局部增强和随机化Halton序列种群初始化策略的改进哈里斯鹰优化算法,可有效解决哈里斯鹰优化算法搜索精度低且会陷入局部最优的问题;IHHO-BP模型具有更好的泛化能力,可有效提升滑坡位移的预测精度,该组合预测模型具有更好的推广应用价值。     

融合混沌残差的BP强预测器的地表下沉预测模型

为提高地下开采引起地表下沉预测结果的精度,提出融合混沌残差的BP强预测器（BP-Adaboost）的地表下沉预测模型。以顾北矿1312（1）实测值为例,分别用融合混沌残差的BP-Adaboost模型、BP神经网络模型和BP-Adaboost模型对最大下沉值点进行稳定期和活跃期的单步预测和多步预测,结果表明,融合混沌残差的BP-Adaboost模型无论是在单步预测还是在多步预测上的精度均最高,尤其在单步预测上有显著的提高。     

多模型融合的矿区地表沉降预测方法及适用性

为消除BP神经网络模型对矿区地表沉降预测精度有限且不够稳定的问题,以某矿区为例,选定弹性模量、泊松比、内聚力等9种影响矿区地表沉降的因素和最大下沉值作为初始样本数据,使用卡尔曼滤波(KF)优化BP神经网络,再将构建的KF-BP模型视作自适应增强(AdaBoost)算法中的弱预测器,通过最终权重分布将各弱预测器加权组合成强预测器。运用MATLAB建立BP神经网络模型、KF-BP模型、AdaBoost-BP模型和AdaBoost-KF-BP模型分别对矿区实际沉降监测数据进行训练和预测,结果表明,AdaBoost-KF-BP模型的稳定性最高,其精度相较于其他模型有明显提升。     

基于神经网络的话务量预测

话务量具有高度的非线性和时变特性,由于神经网络具有较强的非线性映射等特性,将其运用于非线性的话务量短期预测是非常合适的。以青白江2005年10月的话务量作为预测对象,提出基于BP神经网络和基于Elman神经网络的话务量预测模型,仿真实验表明两种模型对于话务量的短期预测均是可行有效的。经过比较,Elman神经网络训练速度比BP神经网络快很多,更适用于实际应用。     

基于麻雀搜索算法优化的BP神经网络卫星钟差预报

使用麻雀搜索算法(sparrow search algorithm,SSA)对BP神经网络的初始权值和阈值进行优化和调整,以提高神经网络模型短期预报的精度和稳定性.采用IGS产品中的卫星钟差数据,对SSA-BP神经网络模型、PSO-BP神经网络模型、传统BP神经网络模型及传统二次多项式模型(QP模型)进行实验对比,结果...     

基于MVO优化神经网络的GNSS高程异常拟合方法

针对普通神经网络的梯度消失和易陷入局部极值的问题,提出一种基于多元宇宙优化算法(multi-verse optimizer, MVO)的BP神经网络优化方法(MVO-BP),利用MVO全局寻优的特性求取BP神经网络各层之间可靠的神经元阈值与连接权,从而使神经网络预测模型具备更高的预测精度。建立基于MVO-BP算法的GNSS高程异常拟合预测模型,并采用实际工程中少量高程异常数据进行算法可行性检验。结果表明,相较于常规的BP神经网络法及多面函数法,MVO-BP法精度更高、适用性更强,可为实际工程测量中正常高的求取提供参考。     

基于GA-BP神经网络的地基干涉雷达监测效能分析

针对地基干涉雷达露天矿矿区边坡地面灾害监测中影响因素众多且关系复杂的特点,将GA-BP算法应用于GB-SAR形变监测效能分析中。将GB-SAR扫描坡度、扫描坡向以及雷达回波强度3个因子作为神经网络的输入,边坡监测区域实测获取的单位面积上具有形变信息的点个数作为输出,并利用皮尔逊相关系数法分析各影响因素同监测效能的相关性质和相关程度。结果表明,该算法适用于地基干涉雷达的监测效能分析,且具有一定的有效性和优越性。     

人工神经网络和决策树模型在滑坡易发性分析中的性能对比

机器学习模型广泛应用于区域性滑坡易发性分析。模型的选择关系到评价结果的可信度、准确率和稳定性。现有滑坡易发性分析模型对比研究侧重模型的预测精度。模型的稳定性和数据量敏感性对机器学习模型的性能评估同样非常重要。本文以福建省南平市蔡源流域为研究区,以四川省绵阳市北川县为验证区,从预测精度、稳定性和数据量敏感性3个方面深入对比BP（Back Propagation）人工神经网络模型和CART（Classification and Regression Tree）决策树模型在滑坡易发性分析中的效果,主要结论如下:① 在逐渐增加一定数量训练样本的过程中,BP人工神经网络模型预测精度的增长率更高。在蔡源流域内,当训练样本数量增加10 000时,BP人工神经网络模型的预测精度上升5.22%,CART决策树模型的预测精度上升2.11%。② BP人工神经网络的预测精度高于CART决策树模型,且较为稳定。在100组数据集上,BP人工神经网络模型验证集预测精度的均值和验证集滑坡样本预测精度的均值分别为81.60%和84.86%,高于CART决策树模型的72.97%和76.59%。与此同时,BP人工神经网络模型对应预测精度的标准差分别是0.32%和0.37%,小于CART决策树模型的0.35%和0.67%。③ BP人工神经网络模型分析的滑坡易发区相比CART决策树模型,更接近实际滑坡的空间分布。最后,北川县的验证实验也出现了相同的现象。     

基于SSA-Elman神经网络的电离层TEC短期预报模型

针对基于神经网络的电离层TEC短期预报存在精度较低、易陷入局部最优的问题,利用CODE中心提供的TEC数据及地磁活动指数,建立基于麻雀搜索算法(SSA)改进Elman神经网络的电离层TEC短期预报模型,并通过BP模型、Elman模型及SSA-Elman组合模型分别对电离层平静期和扰动期中低纬度TEC进行5 d连续预报....     

基于深度全连接神经网络的大坝变形预测研究

将深度全连接神经网络引入大坝变形预测领域,结合大坝多源监测数据的训练样本,建立基于深度全连接神经网络的大坝变形预测模型。利用几种常见的深度优化学习算法对模型进行优化训练,通过对比各损失函数的变化曲线选取最优学习算法,进一步构建基于最优学习算法的深度全连接神经网络大坝变形预测模型;最后结合大坝多源监测数据的测试样本对模型进行检验分析,并将预测结果和传统BP神经网络的预测结果进行对比。研究结果表明,本文的深度全连接神经网络模型预测精度高、实用性强,可为大坝安全监控提供参考。     

贝叶斯正则化的Elman神经网络电离层TEC预报模型

利用2017年中低纬电离层总电子含量、地磁活动指数、年积日等参数,首次建立基于贝叶斯正则化(Bayesian regularization)的Elman回归神经网络(BR-Elman)的电离层TEC预报模型。同时,根据地磁活动指数的变化特征,分别进行平静电离层和扰动电离层预报建模。实验结果表明,该方法在平静期5 d预测值的均方根误差为1.19 TECu,残差为1.03 TECu,相关系数为0.93;在扰动期5 d预测值均方根误差为1.34 TECu,残差为1.01 TECu,相关系数为0.91。贝叶斯正则化的BP神经网络模型以及传统BP神经网络模型在平静期与扰动期5 d的预测上,均方根误差最小为1.87 TECu,残差最小为1.50 TECu,相关系数最优为0.87。通过对比分析,该模型较其他2个模型的预报效果有明显改善。