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。     

点吸收式波浪能俘获装置结构优化方法研究

根据布设海域波浪能资源特征,对点吸收式波浪能装置结构进行优化,可有效提高装置的能量俘获效率。本文以威海褚岛北部海域为装置布设目标海域,在对该海域波浪资源特征进行统计分析的基础上,计算得到装置的直径,同时利用数值软件计算出多组工况下点吸收装置吃水深度和装置固有周期的对应关系,并利用统计学方法得出装置固有周期随吃水深度的变化规律,进而分析得出装置在该海域的最佳设计吃水深度,为点吸收波浪能装置结构优化设计提供了新的思路。该方法对于其他技术类型波浪能装置的结构优化设计同样具有借鉴意义。     

淹没植物对河道糙率的影响

基于河道水动力及植物柔性变形分析,建立淹没状态下的植物河道糙率计算的理论关系,同时,利用试验资料及理论分析成果,进一步获得了植物河道糙率的附加值,借此可以分析与评价河道植物对水流阻力的影响程度.     

羌塘盆地中央隆起带的重磁场证据及其构造意义

对于羌塘盆地是否存在横贯东西的中央隆起带,目前学术界仍有分歧.本文提供的最新高精度航空重、磁资料证实存在呈东西向贯通羌塘盆地的中央隆起带,并对该带的构造特征进行了精细刻画.隆起带受南北两侧深大断裂控制,其空间跨度（宽度）由西向东逐渐收敛,并被一组近南北向的隐伏断裂系切割、左滑错动.重、磁场资料还显示中央隆起带在双湖东、西两侧存在明显差异：西段基底大规模隆起,基岩深度一般在3~5 km以内,明显浅于南北羌塘坳陷7~15 km的基底埋深;东段基底隆起幅度明显降低,主要表现为潜伏的低隆起,其中双湖—雅曲段基底埋深5~7 km,雅曲—岗尼段基底埋深7~9 km;即中央隆起带基底自西向东"台阶状"降低,隆起的幅度和分布范围受到近南北向断裂控制.构造分层表明,与南羌塘地块相比,北羌塘地块的基底隆起幅度小、稳定性更好.南北羌塘基底地球物理属性的显著差异说明羌塘盆地并不存在统一的前寒武系变质基底,中央隆起带的形成应该与古特提斯洋关闭时形成的混杂岩带有关.     

2018年12月16日兴文5.7级地震序列定位

Gong Yue;Zhao Min;LongFeng;Fu Ying(Sichuan Earthquake Agency,Sichuan Chengdu 610041,China)     

基于深度学习的城市酒店双因素体验特征及其差异机制分析

当前“双循环”新发展格局下,酒店业迎来发展新机遇。本研究选取夫子庙（历史人文街区）和新街口（城市商业中心）2个环境差异明显的地区作为案例地,以携程旅行网上12家酒店文本作为数据来源,建构CNN-BiLSTM-ATT相结合的深度学习模型,探究游客酒店双因素体验特征,并对其差异机制进行分析。结果表明：(1) CNN-BiLSTM-ATT相结合的深度学习方法为酒店体验研究提供了一个系统的理论框架,可以深入挖掘游客酒店体验特征及其差异机制;(2)不同环境差异下的游客酒店双因素体验具有较大差异。游客夫子庙酒店激励体验涉及区位地标、餐饮体验等要素;游客新街口酒店激励体验涉及娱乐体验、酒店氛围等要素。游客夫子庙酒店保健体验涉及停车设施、客房面积等要素;游客新街口酒店保健体验涉及电梯设施、停车设施等要素;(3)游客酒店双因素体验机制存在差异。游客酒店激励体验多与区位地标、娱乐体验等外部要素有关,保健体验多与客房面积、客房隔音等内部要素有关。本研究拓展了深度学习在游客体验研究中的应用,为酒店韧性建设与高质量发展提供参考。     

结合注意力机制的卫星遥感影像立体匹配

采用立体匹配技术对多视卫星遥感影像进行三维场景重建一直是摄影测量与遥感领域的核心问题。基于卷积神经网络的深度学习方法极大地促进了立体匹配技术的发展,然而其中涉及匹配困难和误匹配问题的相关研究仍然不足。为了提升卫星遥感影像不适定区域中视差估计的精度,本研究提出了一种结合注意力机制的立体匹配深度学习网络,在特征提取模块中加入注意力机制,分别从通道和空间两个维度捕获全局信息,对特征进行优化;在代价体的构建模块中构建新的代价体积,并重新设置视差的回归范围。为了验证本文方法的有效性,在US3D、WHU-Stereo两个数据集上分别与已有方法 Stereo-Net、PSM-Net进行了比较分析。结果表明,本文方法在EPE(endpointerror)和D₁两个指标上均能达到最优,取得了较好的性能,提高了立体匹配的精度,尤其在无纹理、重复纹理、遮挡及视差不连续区域表现出良好的鲁棒性。     

基于LSTM与Transformer的地面沉降智能预测方法研究——以上海市为例

受地面沉降严重威胁到生命财产安全的人口已达19%,开展地面沉降模拟预测对防灾减灾具有非常重要的现实意义。针对现有地面沉降预测在模型参数难以获取、单一深度学习方法在预测精度低等方面的局限性,本文提出了集成大模型核心技术的地面沉降预测方法。首先,从地面沉降模拟预测的顶层设计,提出了基于深度学习的地面沉降预测包括算力层、数据层、模型层、评估层与应用层的总体架构;其次,基于LSTM与Transformer提出了地面沉降预测的实用方法;最后,利用上海的地面沉降数据进行了实验研究。结果表明：深度学习技术可以在地面沉降模拟预测中取得较好的结果,多模型法对地面沉降变化不大、回弹、变化较大均可进行预测,iTransformer模型对地面沉降变化较小的情况预测效果较好;在微量地面沉降时代,利用大模型的核心技术Transformer可以取得较高的精度。     

北京市出租车OD流多尺度空间预测深度重力模型及其可解释性研究

准确预测城市内部OD流对于优化城市交通运行效率、提高资源利用率以及促进城市可持续性发展具有重要作用。现有研究大多基于单一尺度利用地理位置之间大量的历史流量来预测未来的流量,尚未有研究充分探究不同空间尺度下OD流预测可能存在的重要特征或建模精度差异等问题。本研究以北京市出租车轨迹为例,采用深度重力模型（Deep Gravity）对不同空间尺度下的轨迹OD流进行预测。同时,引入SHAP值（SHapley Additive exPlanations）揭示不同尺度下影响OD流预测建模的重要特征。结果表明：(1)相比于重力模型和辐射模型,街道尺度下深度重力模型的OD流预测精度最高（CPC值高达0.83）,且成功捕捉到了北京市早晚高峰时段的OD流网络整体结构,呈现出“环形散射状”特征;(2)在本研究所选各空间尺度下,对OD流预测精度影响最大的4个特征均为O、D点之间的出行距离,O、D点周围公司企业数量、餐饮服务数量以及购物服务数量;(3)同一特征对OD流预测模型的局部影响不同于全局,如科教文化和体育休闲类POI在全局尺度下对模型影响较小,但在局部尺度下却表现出极大的影响。