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(GCPredRNN)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。     

有限区域细网格模式产品在江汉平原暴雨预报中的应用

利用湖北省提供的有限区域细网格模式数值预报产品及降水实况资料，用逐步回归法拟合出江汉平原等区域暴雨方程。方程的拟合效果比较理想，此方程尚有待台站业务考核及改进。     

地质钻探垂钻定向纠偏控制的工程实现与实验分析

理论提出的纠偏方法需反复进行实验验证方可应用于实际工程,然而垂钻纠偏控制过程复杂,操作难度大,所需时间长、资金庞大,直接将所提方法放置现场调试是不可取的,而仅采用计算机仿真对算法进行验证也有一定局限性,因此发展和研究纠偏控制工程实现方法十分必要。本文以地质钻探钻进过程定向纠偏控制的工程实现为导向,首先分析并给出实际纠偏工艺过程以及纠偏控制的特点与目标;然后总结基于模型预测控制的纠偏控制问题与优化目标,结合笔者早期的一些纠偏控制理论研究,分别阐述不同纠偏工况下的纠偏控制方法;其次开发定向纠偏控制系统,用于集成纠偏控制算法,使得算法能够应用于实际工程;最后设计纠偏控制实验,以验证纠偏控制算法的工程适用性。实验表明,所提纠偏控制方法能够有效应用于实际纠偏过程,并应对和完成多种纠偏任务。     

新疆地震综合预报判据和指标的研究

本文在地震综合预报清理攻关及有关震例研究的基础上,根据地震孕育的阶段性,分四个时段提取了新疆地震预报实践中常用方法、手段的单项异常预报判据和指标,定性和定量地研讨了综合预报方法。提出地震综合预报的集成预测概率方法。     

西昌发射场区旱季高空最大风的分析预报

根据天气学原理，对西昌发射场区旱季高空最大风环流背景和天气系统间的关系进行了分析。在此基础上，对西昌发射场区旱季高空最大风的预测进行了探讨，提出了利用常规天气图制作场区旱季高空风预报的思路和方法，找到了预报场区旱季高空最大风的部分指标。     

一种基于方差分量估计的异常定位数据实时检测方法

在分析海道测量定位数据实时处理要求和异常定位数据特点的基础上,提出了异常定位数据的一种实时检测和修复方法。该方法基于Helmert方差分量估计原理和位置预测信息构建自适应因子。实例计算表明,该方法能够在实时检测异常数据的同时有效修复动力学模型偏差,并且其效果优于采用整体预测信息构建自适应因子的检测方法和采用速度不符值构造自适应因子的检测方法。该方法更适用于海道测量中的异常定位数据的实时处理。     

大间距地震数据重建方法研究

介绍了一种基于稀疏约束最小二乘方法的大间距地震道数据重建方法,通过对大间距地震数据空间加滑动窗口,对每个窗口的数据结果采用预测误差算子计算加权系数进行加权叠加处理而得到空道的结果,通过试验表明,该方法能够用来进行大间距地震道数据的重建.     

四川盆地内部少震与弱震区MS≥4.5地震预测意义分析

自2008年汶川MS8.0地震发生以来,四川盆地内部及盆地边缘发生了一系列MS≥4.5地震,部分地震发生之后,四川及邻区又发生了MS≥6.0强震。2019年6月17日四川长宁MS6.0地震后,对四川盆地内部及盆地边缘MS≥4.5地震的预测意义进行了研究和疏理。通过给定不同的预测规则,对上述MS≥4.5地震的预测效能进行了统计检验,结果表明:仅四川盆地内部,以三台、梓潼等区域为代表的历史少震与弱震区MS≥4.5地震对四川及邻区未来半年内发生MS≥6.5地震具有显著的预测意义。     

犯罪时空预测方法研究综述与展望

犯罪时空预测作为预测警务的核心支撑技术,自2000年左右至今得到了快速的发展.本文介绍了犯罪时空预测的实践背景和理论基础,将犯罪时空预测解构为利用历史案件的时空位置、时空环境和个体行为等要素,结合相应的算法模型预测未来案件时空分布的过程.然后,从输入要素的视角对当前的犯罪时空预测方法进行了总结和归纳,将其划分为基于案件...     

Application of a data‐based mechanistic modelling (DBM) approach for predicting runoff generation in semi‐arid regions

This paper addresses the application of a data‐based mechanistic (DBM) modelling approach using transfer function models (TFMs) with non‐linear rainfall filtering to predict runoff generation from a semi‐arid catchment (795 km²) in Tanzania. With DBM modelling, time series of rainfall and streamflow were allowed to suggest an appropriate model structure compatible with the data available. The model structures were evaluated by looking at how well the model fitted the data, and how well the parameters of the model were estimated. The results indicated that a parallel model structure is appropriate with a proportion of the runoff being routed through a fast flow pathway and the remainder through a slow flow pathway. Finally, the study employed a Generalized Likelihood Uncertainty Estimation (GLUE) methodology to evaluate the parameter sensitivity and predictive uncertainty based on the feasible parameter ranges chosen from the initial analysis of recession curves and calibration of the TFM. Results showed that parameters that control the slow flow pathway are relatively more sensitive than those that control the fast flow pathway of the hydrograph. Within the GLUE framework, it was found that multiple acceptable parameter sets give a range of predictions. This was found to be an advantage, since it allows the possibility of assessing the uncertainty in predictions as conditioned on the calibration data and then using that uncertainty as part of the decision‐making process arising from any rainfall‐runoff modelling project. Copyright © 2001 John Wiley & Sons, Ltd.