利用主成分分析法及地理加权回归模型分析AOD数据

针对采用地理加权回归模型（GWR）进行预测时输入变量较多导致计算复杂度高,而输入变量较少引起预测精度降低这一问题,提出了一种基于主成分分析的地理加权回归方法（PCA-GWR）。首先,该方法检验了气溶胶光学厚度（AOD）影响因素之间的共线性;然后,通过非线性主成分分析法（NLPCA）对影响AOD值的若干相关变量进行处理,既消除了相关变量彼此之间的多重共线性,又可以起到降维的作用;最后,利用非线性主成分分析得到较少的几个综合指标,通过地理加权回归模型对AOD值进行分析预测。为验证该方法的有效性,采用京津冀地区的AOD、高程、风速、气温、湿度、气压、坡度、坡向数据,利用Pearson相关系数法选取与AOD浓度具有较高相关性的影响因素作为常规的GWR模型的输入变量,在变量个数相同的前提下,与本文方法进行对比。研究结果表明：应用非线性主成分分析法对相关变量进行预处理后,有效地解决了变量之间的共线性,保留了原始影响因素主要信息,提高了运算效率,且该方法所得的MAE、RMSE、AIC及其拟合优度R²均优于常规的GWR模型。     

一种协同时空地理加权回归PM2.5浓度估算方法

针对PM2.5浓度估算中时空特征考虑不足和样本量较少的问题,该文将协同训练和时空地理加权回归相结合,提出了协同时空地理加权回归。采用两个不同参数的时空地理加权回归模型作为回归器,利用一个回归器训练另一个回归器的未标注样本,选择最优结果作为标注样本加入标注样本,通过不断学习扩大标注样本量提升模型的回归性能。以京津冀地区2015年3-7月的PM2.5浓度数据为实验数据,利用气溶胶光学厚度产品、温度、风速和相对湿度进行建模,采用不同核函数的时空地理加权回归作为对比方法进行实验。结果显示,协同时空地理加权回归性能比基于Gauss核函数时空地理加权回归提升了10%,比基于bi-square核函数时空地理加权回归提升了6.25%,证明该文方法能够提升时空样本数量不足时的PM2.5浓度估算精度。     

一种局部多项式时空地理加权回归方法

基于加权最小二乘估计的时空地理加权回归方法,在随机项方差相同且最小的假设条件下估计回归参数和拟合值,由于没有考虑时空分析中异方差影响而导致估计结果存在一定偏差。局部多项式估计是一种消除异方差影响的非参数估计方法。本文在局部多项式估计原理基础上,提出了局部多项式时空地理加权回归方法。它是采用三元一阶泰勒级数展开式重构时空回归系数和自变量矩阵,进而建立满足高斯-马尔可夫独立同分布假定要求的新模型,利用新模型回归系数估计值、拟合值以及新模型与原模型的关系,可得到原模型回归系数估计值和拟合值。本文采用模拟数据和真实数据进行试验,以GTWR与局部线性地理加权回归作为对比方法,从方法适用性、整体估计效果、回归系数估计偏差和拟合优度、整体估计偏差等方面分析了LPGTWR方法性能,有效证明了LPGTWR方法能消除异方差影响提升估计精度。     

一种基于主成分分析的协同克里金插值方法

针对协同克里金插值方法在插值时,辅助变量较多造成计算复杂度增加,而辅助变量较少引起插值精度降低这一问题,提出了一种基于主成分分析的协同克里金插值方法（PCA-CoKriging）。该方法首先使用主成分分析对插值相关变量进行将维,得到较少几个综合指标,然后里利用这几个综合指标作为辅助变量进行协同克里金插值。为验证该方法的有效性和数据分布对该方法的影响,本文选取了2016年北京市范围内4个季节中PM_2.5浓度满足正态分布效果不同的4组数据,分别使用PCA-CoKriging和普通克里金插值方法、常规协同克里金插值方法,进行了插值试验。结果表明,本文方法与普通克里金插值方法、常规协同克里金插值法在4组试验中的平均绝对误差分别为4.91、6.04、5.61,平均均方根误差分别为6.65、8.76、7.57。综合比较,本文方法比常规协同克里金插值的平均绝对误差与均方根误差分别提升了10.73%、12.56%,比普通克里金插值法的平均绝对误差与均方根误差分别提升了18.71%、24.09%。     

社会经济权重约束下的时空地理加权回归方法

时空地理加权回归方法本质上是一种局部回归,容易放大局部的时空效应,而减小或者忽略了影响因素全局上的重要程度,造成估计偏差.为了解决这个问题,该文提出一种社会经济权重约束下的时空地理加权回归方法,在计算时空权重矩阵的同时,采用客观赋值法,利用各社会经济因素间的对比强度和冲突性,从全局角度计算各社会经济因素的权重,再基于各因素权重估算相对应的回归系数.以京津冀地区生产性服务业影响因素分析为例,进行实验验证.结果 表明,新方法的RMSE和SSE比传统GTWR的分别提升了75.08％、93.9％,R2提升了13.4％,有效弥补了GTWR放大时空非平稳特征、忽略社会经济因素重要程度的不足,提升模型拟合效果.     

混合地理加权回归模型算法研究

以迭代算法为基础，推导出混合地理加权回归模型的常系数（全局参数）和变系数（局域参数）的计算方法，并以上海市住宅小区楼盘销售平均价格为例进行验证。结果表明，混合地理加权回归模型的计算量略大于地理加权回归模型，但对样本数据的拟合更好，局域参数估计更稳健。     

一种基于半监督学习的地理加权回归方法

地理加权回归方法在小样本数据下回归分析精度往往不高。半监督学习是一种利用未标记样本参与训练的机器学习方法,可以有效地提升少量有标记样本的学习性能。基于此本文提出了一种基于半监督学习的地理加权回归方法,其核心思想是利用有标记样本建立回归模型来训练未标记样本,再选择置信度高的结果扩充有标记样本,不断训练,以提高回归性能。本文采用模拟数据和真实数据进行试验,以均方误差提升百分比作为性能评价指标,将SSLGWR与GWR、COREG对比分析。模拟数据试验中,SSLGWR在3种不同配置下性能分别提升了39.66%、11.92%和0.94%。真实数据试验中,SSLGWR在3种不同配置下性能分别提升了8.94%、3.36%和5.87%。SSLGWR结果均显著优于GWR和COGWR。试验证明,半监督学习方法能利用未标记数据提升地理加权回归模型的性能,特别是在有标记样本数量较少时作用显著。     

地理加权回归的城市道路时空运行态势空间网格计算方法

随着城市化加速发展,交通拥堵已成为全球大城市面临的共同难题。高效、准确地分析与发现交通状态与影响因素的空间变化关系是优化道路交通要素配置的重要基础。提出了城市道路交通空间地理加权（road grid geographically weighted regression,RG-GWR）模型,首先以两种尺寸网格嵌套的九宫格计算区域路网承载力比率,识别出路网配置不均衡区域;然后结合实况交通态势,以地理加权回归模型计算单元网格的交通时空运行态势影响异质性参数及其回归关系,得到基于网格的邻近区域路网交通要素配置配比,实现以九宫格为单元的路网要素优化配置。以成都市核心区为例,构建了3种尺寸的空间网格,形成多级叠加的九宫格模型,计算提取了两种级别九宫格模型区域承载力参数,结果与高德实际路况匹配度分别达到62.5%与87.5%;RG-GWR模型在不同时段交通态势拟合度达到80%以上。结果表明,从空间角度分析道路交通均衡配置高效、可行,具有服务于智能化平台的广阔前景。     

一种基于CUDA的大数据量地理加权回归并行加速算法

针对传统地理加权回归(GWR)在大数据量计算中存在的计算效率低、内存占用大、数据规模受限等问题,本文提出了快速并行地理加权回归(FPGWR)算法,基于英伟达CUDA架构实现了GWR的并行加速,将串行过程分解为并行的独立回归计算模块,同时优化了内存使用模型,提高了算法的运行速度。对比FPGWR和传统GWR在不同数量级模拟数据上和真实数据上的运行速度,结果显示,FPGWR能够支持更大规模的样本量计算并有效提升运行效率,数据量越大加速效果越显著。     

SuperMap GIS地理加权回归模型研究与实现

地理加权回归分析是对普通线性回归模型的扩展,将空间数据的地理位置嵌入线性回归参数之中,以此来研究空间关系的空间异质性或空间非平稳性,属于局部空间分析模型.通过地理加权回归分析可以确定两种或两种以上变量间相互依赖的定量关系,局部区域的参数估计可以得到地理空间存在的不同空间关系,核函数的选取规则和带宽参数的验证方法也是本文研究的内容.     

基于最小二乘拟合模型和PCA变换的影像融合

针对传统的PCA变换融合法,利用高空间分辨率影像与多光谱影像的线性相关特性,提出了一种基于最小二乘模型和PCA变换的影像融合方法,采用偏差指数、相关系数和信息熵三个指标,对融合结果进行了定量评价。试验结果表明,在提高了多光谱影像空间分辨率的同时,更好地保留了多光谱影像的光谱信息。     

采用主成分分析的面状居民地匹配指标简化方法

现有多源居民地匹配中存在众多的面要素度量指标,若全部进行考虑,则增加了匹配的复杂性;若只考虑部分指标,则可能造成匹配信息的缺失,影响匹配结果。针对这一问题,本文提出一种采用主成分分析方法的面状居民地匹配方法。借鉴主成分分析法中降维的思想,对居民地各项度量指标进行定性定量分析,通过科学计算确定面要素匹配综合指标,用较少的新指标代替原来较多的相似性指标,进而根据获得的整体相似性评价指标进行居民地匹配。实验分析表明,本文方法简化了匹配过程中众多的相似性指标,降低了匹配复杂性和不确定性,避免了各相似权值确定较为随意的问题,有效提高了匹配效率和正确率。     

主成分判别分析分类方法在地理国情普查样本解译中的应用

提出了一种主成分判别分析分类方法。通过在地理国情普查样本解译中的应用实验证明,主成分判别分析分类方法能够利用少量的样本实现更优的分类精度。     

主成分分析模型及在变形监测中的应用

随机误差和多径效应作为GPS变形监测中的主要误差源,严重影响着GPS测量精度。针对这一问题,本文将主成分分析(Principal Component Analysis,PCA)模型引入GPS变形监测领域,首先利用传统PCA方法将测量数据转换至特征空间,通过剔除小特征值对应的特征向量实现对高斯分布随机噪声的抑制,然后将多径噪声作为色噪声进行分析,提出一种广义PCA方法利用多径噪声的时间相关性对其进行滤除,基于实际工程测试数据的实验结果表明,相对于传统的小波噪声抑制方法,所提方法可以获得更好的噪声抑制性能。     

基于主成分分析的赣江流域水资源承载力评价

沿海的产业梯度的转移,带来了赣江流域产业的迅速崛起,同时水资源问题也日显突出。水资源承载力评价是实现水资源可持续发展的重要手段,本文以主成分分析法为基础,在赣江流域内按上、中、下流域段分别选取赣州市、吉安市和南昌市3个主要城市作为水资源承载力评价对象,得出赣江流域上中游的水资源承载力明显高于下游,上中游的水资源开发潜力还很大,而下游的水资源利用应在可持续发展的原则下采取保护措施。     

主成分分析模型在数据处理中的应用

主成分分析模型是一种将原始多个指标转化为少数几个相互独立的包含原始指标绝大部分信息的综合指标的统计学方法.利用MATLAB软件探索了利用主成分分析模型对专题数据进行处理的方法,并利用科学可视化方法对处理结果进行分析评价.实验表明,主成分分析模型能够有效简化原始变量,挖掘原始数据中的隐藏信息.     

主成分分析模型在数据处理中的应用

主成分分析模型是一种将原始多个指标转化为少数几个相互独立的包含原始指标绝大部分信息的综合指标的统计学方法。利用MATLAB软件探索了利用主成分分析模型对专题数据进行处理的方法,并利用科学可视化方法对处理结果进行分析评价。实验表明,主成分分析模型能够有效简化原始变量,挖掘原始数据中的隐藏信息。