GM-AR模型在城市地面沉降预测中的应用

随着城市的现代化进程,地面沉降已广泛发生在世界各地,给人民生活和社会发展造成极大损失.GM(1,1)模型作为经典的地面沉降预测方法,不适用于随机型数据预测.将AR模型与GM(1,1)组合成GM-AR模型对城市地面沉降数据进行预测,预测值残差小于GM(1,1)模型,未来2、3期预测值小于1 mm,且趋势线更贴近实测值,效果优于传统的GM(1,1)模型.     

River temperature forecasting: case study for Little Southwest Miramichi River (New Brunswick,Canada)

River temperature models play an increasingly important role in the management of fisheries and aquatic resources. Among river temperature models, forecasting models remain relatively unused compared to water temperature simulation models. However, water temperature forecasting is extremely important for in-season management of fisheries, especially when short-term forecasts (a few days) are required. In this study, forecast and simulation models were applied to the Little Southwest Miramichi River (New Brunswick, Canada), where water temperatures can regularly exceed 25–29°C during summer, necessitating associated fisheries closures. Second- and third-order autoregressive models (AR2, AR3) were calibrated and validated using air temperature as the exogenous variable to predict minimum, mean and maximum daily water temperatures. These models were then used to predict river temperatures in forecast mode (1-, 2- and 3-day forecasts using real-time data) and in simulation mode (using only air temperature as input). The results showed that the models performed better when used to forecast rather than simulate water temperatures. The AR3 model slightly outperformed the AR2 in the forecasting mode, with root mean square errors (RMSE) generally between 0.87°C and 1.58°C. However, in the simulation mode, the AR2 slightly outperformed the AR3 model (1.25°C < RMSE < 1.90°C). One-day forecast models performed the best (RMSE ~ 1°C) and model performance decreased as time lag increased (RMSE close to 1.5°C after 3 days). The study showed that marked improvement in the modelling can be accomplished using forecasting models compared to water temperature simulations, especially for short-term forecasts.

EDITOR M.C. Acreman ASSOCIATE EDITOR S. Huang     

基于AR模型的相干函数有效频段范围的确定

目前人们在进行地震动相干函数模型参数的拟合时,选取的频段范围存在很大差异,而确定有效的频段范围对相干函数模型拟合结果的合理性很重要。本文利用AR模型(Autoregressive Model,自回归模型)计算地震动的功率谱,提出了根据功率谱"信噪比(SNR)"确定相干函数有效频段范围的方法。本文的信噪比中的"噪",专指AR模型中的激励白噪声,用于衡量AR模型中某一频率地震动功率谱与激励白噪声功率谱之间的比例。定义信噪比SNR=0时对应的频率为有效频段的最高频率,大于最高频率的频率成分,被当作是地震波中的随机成分,可以不考虑地震动的相关性。采用这一方法,对SMART-1第45次地震记录的不同台站间距下的地震波进行了功率谱估计,根据信噪比确定出了有效频段范围,并计算了相应的相干函数,结果表明此方法是可行的。     

城市轨道交通通勤与职住平衡状况的关系研究——基于大数据方法的北京实证分析

城市轨道交通网络的发展在提高居民通勤效率的同时也对其职住平衡状况产生了一定影响。论文以北京市206个轨道站点为例,基于高斯混合模型(Gaussian mixture model, GMM)和一卡通刷卡数据将轨道站点按职住功能进行分类,利用腾讯“宜出行”定位数据考察轨道站点周边的动态人口分布并计算就业居住比。研究发现：① 中心城区的职住状况明显优于中心城区以外区域;② 轨道交通线网末端区域的职住平衡程度较差,仅有少数成规模的高端服务产业集中分布的轨道站点周边形成了区域性就业中心;③ 部分就业-居住较为均衡的城郊地区仍存在一定的职住不匹配现象。随后,通过计算一卡通出进站比和“宜出行”职住比得到出进站均衡度和职住平衡度,利用广义自回归条件异方差(generalized autoregressive conditional heteroskedasticity, GARCH)模型对轨道交通通勤和职住平衡程度进行相关性分析,研究结果表明：① 出进站均衡度与职住平衡度具有非常显著的正向关系,即站点进出站人数越接近,站点周边区域的职住状况越好;② 典型就业地站点与站点周边区域的职住平衡程度显著正相关,而典型居住地站点与站点周边区域的职住状况存在显著的负相关性。这表明,人口稠密的聚居区无法带动同样数量就业岗位的产生,而完善的就业中心能够吸引一定数量的人口在附近居住;③ 轨道站点的区位条件与职住平衡状况存在一定正向关系;④ GMM能够对属性复杂模糊的轨道站点进行有效的聚类分析;⑤ 具有实时性强、精确度高、覆盖度广、获取难度低等优点的“宜出行”数据能够在微观空间尺度下弥补其他捕捉和分析实时人口时空分布特征方法的局限性。     

辽宁地区时变重力场源变化特征分析

地震重力分析通过研究时变重力场变化获取地球内部介质物性变化信息.采用贝叶斯重力网平差方法对辽宁地区2011-2014年共计四年7期的流动重力观测资料进行处理,对研究区重力观测网总体监测能力做出分析,选用欧拉反褶积对研究区的重力变化场源深度及空间分布特征进行反演和解释.通过反演计算发现,在2013年灯塔Ms5.1地震前沈...     

用复数自回归模式预报月平均气温

在复数域最小二乘法的基础上, 建立了复数自回归模式。数学推导和实例应用表明:这一复数自回归模式不同于将复数序列中的实部和虚部分开来计算的结果, 将实部和虚部分开来计算的方法不是真正意义的最小二乘法。应用包括一个任意给定的复数序列和全国160个基本气象台站上历年7月月平均气温。采用距平相关系数和均方根误差两种检验标准, 对独立预报结果进行检验, 并与其他3种常用统计模型作比较。结果显示:该复数自回归模式确实具有较好的预报效果。     

基于小波分解的沙尘天气发生日数预测组合模型研究——以2008—2016年策勒沙漠绿洲过渡带沙尘天气发生时序为例

新疆南疆地区是扬沙浮尘的主要高发区,风沙对当地生产生活影响严重。为揭示当地风沙天气变化特征并预测未来变化趋势,通过小波分解方法,将塔克拉玛干沙漠南缘的策勒沙漠 绿洲过渡带2008—2016年沙尘天气发生时序分解为平稳性波动项和非线性趋势项,根据两项数据的特性,针对性选取自回归(AR)模型和最小二乘支持向量机(LSSVM)进行变化趋势预测,最后利用加法原则重构实现沙尘天气发生日数时序预测。结果表明：研究区沙尘天气发生属于典型的春夏型,主要集中在3—9月,峰值出现在5月。组合模型预测值与实测值基本吻合,具有较高的预测精度（绝对误差为4.00 d, 均方根误差为3.76 d）,同时,其结果与AR模型、LSSVM模型预测结果相比较也显示出一定的优越性（组合模型相关系数相比AR、LSSVM分别提高了0.12、0.31）,具有较好的应用前景,可为研究区预防风沙灾害及指导实际生产生活提供科学依据。     

基于高阶累积量ARMA模型线性非线性结合的地震子波提取方法研究

在地震子波非因果、混合相位的假设下,本文应用自回归滑动平均(ARMA)模型对地震子波进行参数化建模,并提出利用线性(矩阵方程法)和非线性(ARMA拟合方法)相结合的参数估计方式对该模型进行参数估计.在利用矩阵方程法确定模型参数范围的基础上,利用累积量拟合法精确估计参数.理论分析和仿真结果表明,该方式有较好的适应性：一方面提高了子波估计精度,避免单独使用矩阵方程法在短数据地震记录情况下可能带来的估计误差;另一方面提高了子波提取运算效率,降低了ARMA模型拟合方法参数范围确定的复杂性,避免了单纯使用滑动平均（MA）模型拟合法估计过多参数所导致的运算规模过大问题.初步应用结果表明该方法是有效可行的.     

3种指数函数模型的比较与分析

讨论了3种模型（灰色模型、指数函数模型和自回归模型）对具有指数函数特征的时间序列的建模过程,比较与分析了其特点。通过3个数例对3种模型的长期预测结果进行计算与分析,结果表明：3种模型都可以用于具有指数函数特征的序列建模,并可以相互验证。     

小波分解AR-BP网络模型在大坝垂直位移预测中的应用

针对大坝内部垂直位移数据序列不仅具有周期性、平稳性,且在频域上存在高、低频,显著的多尺度等特性,本实验利用多尺度小波分析的原理与方法对数据序列进行分解,对低频序列和高频序列分别建立AR模型和BP神经网络模型并进行预测,最后叠加各个序列的预测值,得到数据序列的预测结果。该方法适用于大坝垂直位移的预测,结果与自回归模型及单BP神经网络模型相比,该模型具有更高预测精度。