一、卡尔曼滤波模型在森林资源动态发展预测中的应用(论文文献综述)
檀成伟[1](2021)在《两类改进的MGM(1,m)模型及其在雾霾中的应用研究》文中研究说明多变量灰色MGM(1,m)模型作为灰色系统理论经典的预测模型之一,一直以来备受学者关注,被广泛地应用于诸多领域。本文在已有的MGM(1,m)模型研究基础上,分别对模型的计算方法和适用范围提出改进,进一步提高了模型的准确性和实用性。本文的具体研究内容可概括如下:首先,针对多变量灰色MGM(1,m)模型在建立时,各系统因素之间需要存在较强的相关性,这使得模型在离散化后,运用普通最小二乘法进行参数求解时,协方差矩阵可能因接近奇异导致模型的参数辨识出现病态特征。本文的第一部分研究由此引入带有惩罚项约束的最小二乘法,赋予模型单一的罚参数值,以消除协方差矩阵的病态性,并通过粒子群算法确定相对最优的罚参数,使模型的预测效果达到最佳。通过理论证明,该算法虽然散失了普通最小二乘法的无偏性,但解决了因求解矩阵的奇异性导致参数估计值的均方误差过大问题,有效地提高了模型的稳定性和准确性。其次,由于带有单一罚参数约束的最小二乘法其实质是在求解矩阵的对角元素上统一增加了一个罚参数值,从而解决了矩阵奇异的问题,因此缺乏对各分量的细节分析,对于一些复杂的问题具有一定的局限性。在此基础上,本文的第二部分研究对其算法加以改进,通过对参数中各分量的均方误差进行分析,赋予各分量不同的罚参数值。虽然相比单一罚参数的最小二乘法,失去了原有计算的简便性,但更进一步解决了复杂的病态性问题,使得模型的参数估计更加合理,预测精度也得到了显着提升。最后,考虑到MGM(1,m)模型在对具有季节性变化的波动数据进行模拟时,只能掌握数据整体的发展趋势,不能反映数据具体的变化信息,从而出现局部值模拟存在偏差较大的问题,即模型的应用范围存在局限性。本文的第三部分研究在MGM(1,m)模型建模的基础上,引入多维平稳序列自回归AR(p)模型,对具体值与MGM(1,m)模型拟合趋势之间产生的偏差做出分析。并结合各自的拟合值,得到最终组合模型的模拟预测结果。该组合模型有效地拓宽了MGM(1,m)模型的适用范围。为验证本文模型优化的有效性和准确性,将改进的模型应用于雾霾问题的研究中,针对模型各自的特点,选取不同的建模指标及其数据类型进行建模,并根据应用结果对模型做出评价。结果表明:当变量之间存在较强相关性时,模型的参数在基于惩罚项的最小二乘法下的估计值,较普通最小二乘法下的估计值更加合理;当数据类型呈季节性变化且具有一定的发展趋势时,组合模型相较单一MGM(1,m)模型,模拟预测结果更加精确。综上考虑,本文模型优化的价值及意义得到合理验证。
郭义戎[2](2021)在《基于城市道路交通数据的交通流短时预测与诱导方法研究》文中研究说明智能交通系统(Intelligent Transportation System,ITS)是指将先进的信息技术、数据通讯传输技术、电子传感技术及计算机技术等有效地集成运用于整个地面交通管理系统而建立的一种在大范围内实时、准确、高效的综合交通运输管理系统。随着当今社会信息的快速传递,智能交通系统中数据获取和处理的数量呈指数增长,如何从高速增长的数字信息中分析掌握可靠的交通信息对交通管理有着深远的意义。因此,为了充分挖掘和利用交通数据中蕴含的丰富交通信息,进一步提高交通状态预测和识别的精确度,有必要研究和探索交通状态预测的新方法。有必要研究和探索用于交通状态预测的新方法,以充分挖掘交通数据所蕴含的丰富交通信息,进一步提升交通状态判别与预测的准确性和可靠性。论文结合现代信息技术中不同的信息处理方法,从数据预处理、交通预测、交通诱导等角度逐步探讨了城市道路交通数据的一些可靠分析方法,解决交通数据中个别样本缺失、交通预测准确率低、诱导信息利用效率不高等问题。具体工作内容如下:(1)基于低秩矩阵的交通数据插补方法为了从交通大数据中分析及掌握可靠的交通信息,结合现代信息技术,探讨了城市道路交通数据的特性及故障数据产生的原因,由于交通数据的缺失将严重影响交通信息系统的性能,有必要对交通数据插补进行研究。首先,介绍了基于核范最小化的低秩矩阵插补模型;其次,在传统的低秩矩阵插补方法中将奇异值部分和最小化范数代替核范数对低秩矩阵交通数据进行恢复;最后,提出了一种将有序约束项引入到奇异值部分和最小化的改进方法。通过真实的两类交通数据验证了对缺失交通数据的恢复,证明了提出的方法优于传统方法。(2)基于多交通参数融合的城市道路交通流短时预测方法针对交通系统的混沌现象,为了更全面的反映交通状况的变化特征,采用多交通参数从不同的侧面为短时交通预测提供更加完整的交通状态变化特征。首先,由于一维的时间序列结构单一且包含的信息量很少,并不能够展现高维复杂系统的运动规律。因此根据交通参数的混沌特性,短时交通流预测模型需要引入相空间重构并依据相空间重构后所展现的客观规律进行预测;其次,研究基于贝叶斯估计理论的多参数时间序列在高维相空间中的相点融合问题;再次,介绍了基于传统最大Lyapunov指数的多交通参数交通状态预测模型;最后,应用广义回归神经网络改进了基于最大Lyapunov指数的多交通参数交通状态预测模型,并利用城市道路交通数据对改进的预测方法与传统的基于Lyapunov指数的预测方法的精确性进行了对比验证。结果表明,改进的基于广义回归神经网络多交通参数交通状态预测方法具有较高的预测精度和效率。(3)基于多神经网络融合的城市道路交通流短时预测方法基于广义回归神经网络的多交通参数融合交通流短时预测方法在复杂路网情况下容易陷入局部极小状态,通过神经网络算法良好的识别复杂非线性系统的特性及多种神经网络模型的相互补充,提出了一种循环神经网络、误差反向传播神经网络、广义回归神经网络优势的城市道路交通数据短时交通状态预测模型。通过多种神经网络模型优缺点的互补,验证了融合后的预测结果能够更好的提升城市道路交通数据短时预测精确度。(4)基于诱导信息效用最大化的VMS(Variable Message Sign,VMS)优化布设新方法在现有诱导效用最大化模型的基础上,提出了一种新的基于实际诱导效用最大化的可变信息板优化布设方法。该方法主要是对原有的效用最大化模型进行改进,通过对可变信息板诱导效用的复杂性进行分析,增加了重复诱导的效用与浪费的效用参与实际效用的计算,并对诱导覆盖率和诱导重复率进行重新定义,最后设计了基于贪婪算法的信息板优化布设的函数求解方法。通过36个路段的网络实例,验证了该方法简单有效,可以通过分析交通流的复杂状况对信息板进行优化配置,在区域道路复杂状况和交通需求点相对确定的条件下,提高整个系统的诱导效率,因而更符合实际交通流诱导的需要。(5)基于双层规划模型的VMS诱导信息发布方法为了合理地对城市交通流进行诱导,减少因VMS引起的不恰当的交通诱导,需要从使用者和管理者的博弈中进行优化,提出了基于双层规划模型的VMS诱导信息发布方法。首先,分析了交通系统管理者和使用者之间的博弈过程;其次,依靠双层规划模型建立了VMS诱导信息发布策略优化模型;最后,依据遗传算法实现了优化模型的求解方法。通过城市道路交通数据验证了VMS诱导策略优化过程的有效性,提高了路网的整体运行效率,为其进一步应用提供支持。
张塽旖[3](2021)在《噪声免疫CatBoost与卡尔曼滤波短期交通流预测研究》文中研究指明短期交通流预测作为交通诱导和交通管理的关键技术,是智能交通系统中至关重要的一部分。准确及时的交通流信息直接影响到智能交通系统的成功部署。然而,由于交通流内在的随机性和外部噪声,交通流数据呈现较强的不确定性、非线性等特性,经常变现为上下波动的趋势及断断续续的振荡,预测模型需要分辨哪些是噪声,哪些是反映交通流突变的细微线索,因此找到既稳健又准确的预测算法仍然是一项具有挑战性的任务。本文的研究工作主要围绕噪声对短期交通流预测的影响展开:目标是在滤除噪声的同时,最大程度地保留原始数据的突变细节,从而更准确的反映真实的交通流状况。为了更好地区分原始数据中的噪声和突变细节,本文通过小波变换对原始嘈杂数据进行预处理,并基于交通流数据自身特性提出了两种有效应对异常值的预测模型,最后通过一个基准数据和14个经典模型,以MAPE、RMSE等性能评价指标为依据,进行对比实验分析,证明了本文提出的预测模型的有效性。主要工作如下:(1)融合时序特征的噪声免疫Cat Boost短期交通流预测模型(Ni Cat Boost):首先通过小波阈值去噪对原始信号进行去噪增强;然后基于Cat Boost进行模型训练,相比单一模型,Cat Boost提高了预测方法的泛化能力和预测精度;相比其他改进GBDT的集成学习框架,Cat Boost通过新的选择树结构的策略,有效应对异常值导致的预测偏移;本文还通过融合时序特征进一步提高Cat Boost对短期交通流预测问题的预测性能。(2)噪声免疫卡尔曼滤波的短期交通流预测模型(Ni KF):传统的卡尔曼滤波应用于短期交通流预测问题中会出现“过冲”现象,本文通过离散小波变换将原始数据分解重构成保持原始交通流数据基础模式的低频近似部分和包含了突变细节和噪声的高频细节部分一起作为模型的输入,并利用一个新的代价函数重新构造了传统的卡尔曼滤波,提出了一种新颖有效的预测模型,能在高效噪声过滤的同时获得高质量有效信号,并利用交通流的周期时序相关性对预测结果作进一步修正。
王永生[4](2021)在《基于深度学习的短期风电输出功率预测研究》文中指出风能作为重要的可再生能源,适合大面积开发利用,但由于风能的随机性、波动性等特点,风力发电输出功率具有不稳定性,电网中大比例接入风电会严重威胁电力系统的安全运行。风电输出功率预测技术为解决这一问题提供了可能,这一技术可预测未来一段时间内风电厂输出功率,为制定合理的调度、检修计划提供依据,对提高风电利用率及风能利用水平有十分重要的意义。为提高风电输出功率的预测准确率,本文基于深度学习技术,研究风电短期输出功率预测,融合多源数据,使用机器学习及深度学习技术进行数据清洗,设计算法构造预测模型输入数据集,构建TLW-LSTM和LW-CLSTM两种深度学习模型,开展风电输出功率预测实验,并与决策树、随机森林、支持向量机等传统机器学习模型的预测效果进行对比,验证了本文基于深度学习构建的风电输出功率预测模型的有效性,提高了预测准确率。本文主要研究内容如下:(1)实现了基于机器学习的风电非平稳态时间序列数据清洗。首先对风电历史功率数据、历史气象数据及风机状态数据进行多元数据融合,提出使用孤立森林算法进行异常值检测并标记为缺失值,使用GRUI网络结构构建WGAN对抗神经网络模型进行缺失值填补,完成了风电数据的清洗,最大限度地保存了原有数据的特征,在实验中得到了比传统的均值填充、前后值填充更好的数据清洗效果,之后通过对融合数据进行降维、离散化、归一化和独热编码等一系列处理,实现了符合深度学习需求的数据预处理;(2)提出了基于时间滑动窗口的深度学习输入数据集构造算法。风电输出功率具有一定的周期性,本文提出用时间滑动窗口构建风电时序数据集,在扩展原始数据集、提高数据利用率充分挖掘数据特征的同时,有效提取了风电输出功率的时间周期特性,为使用深度神经网络实现风电输出功率的多变量非线性拟合创造了条件;(3)构建了基于深度学习的TLW-LSTM风电输出功率预测模型。使用时间滑动窗口算法构造数据集作为深度学习输入数据集,使用LSTM长短时记忆网络构建TLW-LSTM深度学习模型,模型使用两层全联接层作为输入和输出层、三层多节点LSTM层作为隐藏层,采用Nadam优化器、Droupout及正则化技术改进模型性能,实现了比传统机器学习模型更优良的预测效果,d_MAE预测准确率达92.7%;(4)构建了基于CNN网络结构的LW-CLSTM深度学习预测模型。针对TLW-LSTM风电输出功率预测模型运算时间长、网络收敛慢的不足,使用CNN网络结构对TLW-LSTM模型进行优化,构建了LW-CLSTM深度学习模型。该模型利用了CNN出色的特征提取能力和LSTM的时间序列处理能力,在不降低预测准确率的前提下,有效提高了模型运算效率,在相同数据集上明显减小了计算时间达66%,为模型投入生产应用奠定了基础;(5)完成了传统机器学习模型与TLW-LSTM和LW-CLSTM两种深度学习模型的预测准确率及误差对比分析。为符合风电行业应用的预测评价,研究设计了最大相对误差统计分布法和MAE平均差值法两种准确率评价指标,应用到对比实验中。构建决策树、随机森林和支持向量机三种传统机器学习预测模型,使用相同的输入数据集进行模型训练和预测,与本文构建的TLW-LSTM和LW-CLSTM深度学习模型的预测结果进行对比,并分析预测误差及预测准确率,证实了本文构建的深度学习模型在预测准确率方面有明显优势。
兰良[5](2021)在《基于广西高速公路收费数据的行程时间预测及其应用》文中进行了进一步梳理随着我国社会经济迅速发展,汽车保有量持续增加,公众跨区域出行需求日益增强,对高速公路的需求远远超过其建设速度,使得高速公路承担的通行压力越来越大,从而导致道路拥堵、交通事故频频发生,高速公路整体服务水平大大降低。为了缓解经济发展带来的交通运输压力,使资源最优化,我国加大对智能交通系统(ITS)的研究与建设力度。高速公路行程时间预测是智能交通系统建设的重要内容之一。本文以广西高速公路收费数据为基础,提出一种适用于广西高速公路的行程时间预测方法。主要完成的工作包括以下三点:(1)提出一种针对广西高速公路收费数据特点的数据清洗方法,提高数据集质量。首先利用出口原始收费数据表中的出口时间和入口时间字段计算各车辆行程时间,接着根据规则剔除异常数据、使用正态分布的“3σ”原则筛选有效数据,最后化简数据表,仅保留研究所需字段。(2)提出一种适用于广西高速公路的行程时间预测方法。首先构建行程时间的特征工程,以预测时间段的前3期时间区间的平均行程时间、车型、车类、周天、小时作为特征变量,用最大最小标准化方法对数值型特征归一化处理,用one-hot编码对分类型特征进行处理;然后分别使用随机森林算法和BP神经网络建立高速公路行程时间预测模型,最后以广西高速公路六景至南宁东段的数据为研究对象,对模型进行训练以及对预测结果进行验证、评价。结果表明,BP神经网络比随机森林算法更适合用于搭建高速公路行程时间预测模型。基于BP神经网络的预测模型泛化能力更好,平均绝对百分比误差(MAPE)和均绝对误差(MAE)分别为6.23%和116秒,为可接受的误差范围。(3)将行程时间预测模型应用于已建成的“智慧高速一体化平台”系统中。基于python语言和pytorch框架搭建行程时间预测模型,通过socket实现“智慧高速一体化平台”系统后台与预测模块跨语言、跨平台的通信连接,使用Spring调用python进程提供的服务实现预测功能。将本论文的研究成果应用于实际生产中,让管理部门及时了解高速公路交通变化趋势,做好交通诱导和管控工作;出行者可根据预测时间提前规划行车路线,有效避开拥堵路段,节约出行成本,降低车辆能源消耗,减少尾气排放和噪音污染,具有良好的社会效益。
赵亮[6](2021)在《基于智能行程时间预测的露天煤矿卡车调度随机优化方法研究》文中提出随着人工智能和无人采矿技术的发展,露天矿自动卡车调度系统将迎来新的变革。定位系统、集成传感器的应用,为卡车调度系统带来最新的监测工具;深度学习方法、GPS/BDS定位和导航技术、物联云和边缘计算等技术的充分利用,也将引发从业人员和车辆终端之间操控联系的变革。在车辆GPS/BDS定位、车速变化和姿态等大数据的基础上,利用深度学习、统计学等数据分析和智能处理的理论和方法,可以进一步优化露天矿卡车调度策略,降低运输成本,促进智能化露天矿山建设。在借鉴和改进前人的露天矿调度系统建模方案的基础上,本文在物联云框架下构建露天煤矿车辆状态数据传输系统,基于车辆行程的大数据,对车辆派遣的行程时间预测,形成了深度神经网络预测卡车行程时间的方法;基于概率统计和深度学习理论,对露天煤矿短期计划中卡车调度进行建模和分析,对车辆下一个阶段的车铲预分配方案进行优化,建立了露天煤矿短期计划的卡车调度系统随机优化模型及其效能评估方法。本文取得主要研究成果如下:(1)由于露天煤矿运输具备特殊的往返特性,可以利用深度学习方法,对露天煤矿车辆运行的行程时间进行预测。为此,用矿区规划图获得的露天煤矿运输路径,对卡车行程数据进行了分析,结果表明:在一个运输往返过程中,采装、运输、卸载等不同行为的耗费时间的概率分布可存在正态和对数正态两种不同的分布;行程时间受司机和采装耗时的影响很大。结合GPS/BDS模块差分定位记录的位置和车辆状态数据,开发了对矿山车辆状态数据进行采集的智能边缘设备,实现了矿山车辆行驶行为的数据采集,收集了增强的卡车行驶行为的数据集。(2)为了解决露天煤矿车辆行程时间预测问题,对所采集的车辆怠速等车辆状态数据,利用改进的1D-CNN(one-dimension convolutional neural network)网络进行数据分类,区分车辆等待和行驶的行为、坡路和水平行驶行为,提取了车辆行驶在不同路段上的行为特征,解决了矿山卡车行为特征识别问题。进一步基于LSTM(long short-term memory)和CNN建立了两种不同的深度神经网络预测模型,根据司机、不同路段等数据特征构造二维输入向量,利用2D深度网络学习行程时间数据,提升了矿山卡车行程时间预测的准确率。结果表明:在卡车特征识别上,用inception结构的1D-CNN网络对卡车状态识别率可以达到98%以上;对卡车行程时间预测结果上,所设计的CNN网络的学习效果在误差允许范围内,准确率约90%。两个模型对差异较大的不同卡车运输路径的泛化能力较弱。(3)为解决露天煤矿卡车调度优化和可行性评估问题,建立了露天煤矿短期计划中的卡车调度随机优化方法。由于传统的卡车调度较少考虑矿山运输中的随机性,因此,本文对基于最小成本的优化目标进行转换,将目标中的行驶路径等变量简化和转换为行程时间等时间变量;对传统优化模型引入随机变量表征行程时间等随机性,提出并建立了多染色体遗传算法,解决了车铲调度的随机优化问题。结果表明:优化方法减少了矿山设备空闲时间,可以提高矿山车辆利用率约3%,降低了运输成本,可以减少重车上坡台阶数约7%。综上所述,本文设计的露天矿卡车调度随机优化模型能够在行程时间预测的基础上,对下一个短期计划阶段的车辆调度进行预测和优化,并检验预测结果的可行性,从而提高矿山的生产效率。论文有图46幅,表18张,参考文献152篇。
王勇[7](2021)在《松嫩平原北部农作物土壤水分有效性模拟及干旱评估研究》文中指出干旱是我国农业生产所面临的最主要气象灾害,准确地评估农作物干旱发生的时空分布和严重程度,对农作物生长和粮食产量的改善具有重要意义。目前国内外学者针对农业干旱的评估,提出了多种干旱指数,可以归纳为根据站点气象数据和遥感监测数据的两大类干旱指数。但是,现阶段的农业干旱指数仍局限于通过站点降水、植被指数或单一的土壤水分等数据来评估。鉴于此,本研究以全球三大黑土区和中国的主要粮食产地松嫩平原北部作为研究区,系统分析了不同农作物类型、不同生长发育期,以及不同土壤质地、降水和气候条件下土壤水分有效性的阈值范围,在此基础上,结合表层和深层土壤湿度数据,提出了农作物水分盈亏量(Crop Loss and Surplus Water,CLSW)干旱指数,对研究区农作物干旱的时空分布和严重程度进行了定量分析,构建了区域范围农作物干旱情况的定量评估模式。本文的主要研究内容和结论如下:(1)表层土壤湿度数据的尺度转换方法研究,基于随机森林(Random Forest,RF)回归算法,利用MODIS光学遥感数据对SMAP微波遥感数据进行尺度转换,构建了针对微波遥感表层土壤湿度数据的尺度转换流程和方法,获得了高空间和时间分辨率的表层土壤湿度数据。研究结果表明,该转换方法不仅能获得高时空分辨率的表层土壤湿度数据,同时还能对表层土壤湿度数据的精度进行提升。(2)基于多特征参数集合的农作物分类方法研究,在传统的时序植被指数和农作物物候特征的参数集合的基础上,增加了时序的表层土壤湿度数据,构建了新的农作物分类特征参数集合。基于随机森林(RF)分类算法,分别将传统的和新构建的两个特征参数集合作为模型输入参数,分别提取了农作物种植区域。研究结果表明,新构建的农作物分类特征参数集合,提高农作物的分类精度,特别是水稻种植区域的提取精度。(3)基于数据同化的深层土壤湿度反演方法研究,根据陆面数据同化框架,构建了基于集合卡尔曼滤波算法(Ensemble Kalman Filter,En KF)和通用陆面过程模型(Community Land Model,CLM)的数据同化系统,对表层土壤湿度数据和实测站点不同深度的土壤湿度数据进行了同化,获得了0~200cm的土壤湿度数据。研究结果表明,同化高精度的表层土壤湿度数据和实则站点数据,可以进一步提高不同深度的土壤湿度数据精度。(4)基于土壤水分运移的农作物干旱评估方法研究,基于Hydrus-1D模型对玉米和大豆整个生长发育周期的根系吸收速率和土壤水分运移情况进行了模拟,获得了玉米和大豆不同生长阶段的土壤水分有效性阈值,再结合0~200cm深度土壤湿度数据,提出了新的农业干旱指数——农作物水分盈亏量(CLSW),并对研究区的玉米和大豆的干旱时空分布和干旱程度进行了分析。研究结果表明,提出的农作物水分盈亏量(CLSW)具有较好的相关性和较高的精度,能够满足于区域农作物干旱评估。综上所述,本文在表层土壤湿度数据尺度转换、农作物种植区域提取、不同深度土壤湿度同化和土壤水分运移等模型和方法研究的基础上,提出了与农作物生长周期、土壤质地、降水等气候条件相结合的农业干旱指数——农作物水分盈亏量(CLSW),构建了区域农作物生长阶段的干旱评估模式。对区域农作物生长和农业用水具有一定的指导作用,保障了粮食生产和粮食安全。同时,也推动了地理学研究理论和方法与水文和气象等多学科领域的交叉应用。
郎欣宇[8](2021)在《甘河加格达奇以上流域洪水预报实时校正方法研究》文中提出与分布式水文模型相比,集总式水文模型在参数数量以及建模所需资料精度等方面的要求较低,是目前流域洪水预报的重要手段,尤其在资料相对短缺地区已得到广泛应用。然而,受预报模型的不确定性以及预报员经验不足等因素的影响,需要通过实时校正来提高预报的准确性及时效性。洪水预报实时校正可以根据实时的水文气象资料结合实时校正技术,在预报时逐时段加入观测信息更新原有模型的参数或预报结果,从而提高预报精度。因此提高实时洪水预报精度的关键不仅在于获取准确可靠的实时观测信息,还依赖于能够准确反应研究流域的水文过程的模型以及有效的实时校正方法。因此本文以集总式模型为背景,将新安江模型与集合卡尔曼滤波方法相耦合构建基于集合卡尔曼滤波方法(EnKF)的洪水预报实时校正模型,分析现有观测条件下模型的不确定性,以及未来在洪水预报实时校正中如何充分利用多元/源观测数据。本文的主要研究内容及结论如下:(1)本文总结了洪水预报实时校正的研究现状及存在问题,将新安江模型与EnKF算法相耦合构建了基于EnKF的洪水预报实时校正模型,并分析了模型的预报校正效果,模型可以将洪峰预报精度提高30%以上、Nash系数提高至0.9以上。(2)本文考虑现有观测条件,分析了模型在加入流量观测时不同土层土壤含水量校正效果、初始条件及降雨扰动误差三个方面的不确定性。分析表明:加入流量观测时,上层土壤含水量的校正效果好于下层和深层;初始条件与实际偏差较大时,实时校正模型比新安江模型的洪峰预报精度最高可提高80%以上,可以有效降低对初始条件的依赖;降雨扰动误差对模型预报精度有很大影响,尤其是在降雨量较大的情况,更容易高估流量,在模型应用中应关注降雨扰动误差的设置。(3)本文选取了地面观测蒸发和GLEAM产品蒸发及表层土壤含水量数据、GLDAS产品表层土壤含水量数据3种卫星遥感产品,并对这3种遥感产品进行了可利用性评估和校正。将校正后的水面蒸发、表层土壤含水量数据与流量三种观测进行组合,设置了9组算例对比分析加入不同来源、不同类型观测时,流量及不同土层土壤含水量校正的效果。结果表明:采用不同来源观测数据时流量校正结果基本一致,说明基于EnKF的洪水预报实时校正模型具有较强的包容性及鲁棒性;联合加入流量、表层土壤含水量和蒸发观测时校正时,预报精度均满足要求,比仅采用流量观测时最高可提高10%。
陈煜亮[9](2021)在《登革热传播动力学模型与卡尔曼滤波耦合算法研究及应用》文中研究表明背景和目的随着城市化的发展,密集的城市人口成为了传染病传播流行的有利条件。传染病一旦在城区暴发,会给社会造成巨大的经济损失和医疗负担。由此,对传染病的预警显得十分重要。近年来,动力学模型、统计模型和机器学习模型广泛应用于传染病传播和流行的预测。其中,以仓室模型-数据同化算法为代表的方法表现尤为突出。然而,对于蚊媒介导的登革热来说,其具有传播路径复杂、影响因素多、暴发具有明显的季节性、年际暴发强度差异大等特点,使得构建一种预测准确性高的模型充满挑战。因此,我们需要综合考虑登革热的季节性以及暴发强度变异性大等特征,改进仓室模型-数据同化耦合算法,为实现登革热暴发近似实时预测奠定方法学基础。本研究旨在基于季节性登革热的“易感-感染-恢复”(Susceptible Infected Recovered,SIR)模型(登革热传播动态仓室模型)和集合校正卡尔曼滤波(Ensemble Adjustment Kalman Filter,EAKF)(一种数据同化技术),构建一种适用于我国南方地区登革热流行和暴发预测的SIR-EAKF耦合算法,使其能够模拟登革热疫情的季节性变化规律,并进一步预测登革热发生和发展的随时间变化趋势,实现登革热流行和暴发的准确预报。材料与方法本研究利用蚊媒密度与环境空气温度等构建蚊媒介导传播的季节性登革热SIR模型。该方法将随机初始状态参数的300个SIR模型集合,与EAKF算法进行耦合设计形成SIR-EAKF预测模型,以登革热每周新发例数作为观测数据,实现观测数据的同化并校正其他未观测的状态变量和模型参数,以此迭代更新登革热SIR模型的状态参数,从而提高登革热流行和暴发预测的准确性。为了解决模型受限于传染病年际流行和暴发强度差异大导致预测不准的问题,本研究提出了一种基于动态调整和迭代更新估计的方法计算仓室模型的有效人口参数,并采用登革热的历史观测病例数据及当前流行季度累计观测病例数据,可以估计出传染病动力学仓室模型所需的有效人口参数,以确保由总人口参数决定的易感者人数充足,从而支持仓室模型对登革热暴发的预测。本研究将有效人口参数动态调整方法与SIR-EAKF结合,构建SIR-EAKF改进模型,为适应年际流行和暴发尺度变化大的传染病预测奠定方法学基础。结果通过对2011-2012至2017-2018的7个登革热流行季度的回顾性预测,SIR-EAKF改进模型比SIR-EAKF传统模型预测准确率提高了20%。SIR-EAKF改进模型在登革热流行或暴发曲线的实际高峰前6周以上即可准确预测到峰值时间,且准确率达85.7%。此外,该模型对峰值强度和总发病例数的预测性能较好,在峰值前一周的预测准确率能够达到71.4%和57.1%。同时,我们观测到SIR-EAKF改进模型在仿真实验、稳定性分析及模型比较中,均有较好的表现。结论在SIR-EAKF传统模型的基础上,我们通过设计一种动态调整和估计有效人口参数的方法,同时结合数据同化算法同化登革热实际观测数据流并优化仓室模型集合,允许仓室模型更灵活地调整状态参数,从而提升了SIR-EAKF模型对年际流行和暴发尺度差异大的传染病的预测能力。通过广州市登革热历史监测数据的验证和分析,我们发现本研究提出的SIR-EAKF改进模型具有良好的预测能力,主要体现:1、该方法能准确模拟登革热季节性流行特征;2、该方法能有效地预测登革热暴发趋势(病例峰值数和病例达到峰值的时间)。总体上,本研究提出的SIR-EAKF改进模型能够对其他传染病的预测提供有益的思路。
刘庆芳[10](2021)在《基于Stacking模型融合的短时交通流预测》文中认为对短时间内的交通流进行实时精准的预测,是智能交通系统的核心组成部分,更是顺利完成智慧交通城市建设的重要技术基础。交通流的时空相关性、随机性性及突变性在短时间内十分突出,路网中某个路段一旦发生异常交通情况,对上下游路段的交通都会造成影响。传统的短时交通流预测方法因对交通流影响因素考虑过少或所使用的算法自身具有局限性等无法在交通流波动较大时进行准确的预测,没有办法充分满足日益增长的实时交通预测需求。本文在对已有短时交通流预测模型进行研究的基础上,利用机器学习的热门策略Stacking,构建基于Stacking模型融合的短时交通流预测模型,实现对短时交通流更加精准、稳定的预测。论文主要内容如下:(1)对断面交通数据的常用采集方法进行了总结归纳,详细阐述了断面交通数据的处理流程及相关方法,引入孤立森林算法来对异常的交通检测器数据进行识别。对采集到的SCATS断面交通数据进行质量分析,指出原始数据处理的必要性,并进行了对应的实例分析。(2)结合所采集的云南省玉溪市的城市交通资料,采集时间从2020年4月6日至2020年6月28日,对城市道路交通流量的主要特性和时空相关性进行了分析。从时空相关性、时间、天气以及道路信息四个方面来构造预测模型的输入特征,并利用最大信息系数法(MIC)对输入特征的相关性进行了分析和选择。(3)在以往研究的基础上,选择预测性能较好的SVM、随机森林、BP神经网络、XGBoost、GBDT及Light GBM分别建立了单一预测模型,并进行了结果对比分析。在对单一模型预测结果进行对比分析后,基于“好而不同”的选择原则,选择其中合适的模型作为初级学习器,次级学习器均采用LASSO回归,构建出三种不同的两层结构Stacking预测模型对短时交通流进行预测,并对实验结果进行对比分析。实验结果表明,本文所提出的三种Stacking模型预测性能都很好,在各项结果评价指标上都优于传统单一模型。其中,以BP神经网络、随机森林、XGBoost及Light GBM作为初级学习器,以LASSO回归作为次级学习器所构建出的两层结构Stacking预测模型表现最为优异,可以为智能交通系统发展提供稳定可靠的技术支持。
二、卡尔曼滤波模型在森林资源动态发展预测中的应用(论文开题报告)
(1)论文研究背景及目的
此处内容要求:
首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。
写法范例:
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
(2)本文研究方法
调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。
实证研究法:依据现有的科学理论和实践的需要提出设计。
定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。
定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。
跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。
模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、卡尔曼滤波模型在森林资源动态发展预测中的应用(论文提纲范文)
(1)两类改进的MGM(1,m)模型及其在雾霾中的应用研究(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 背景及意义 |
1.2 国内外研究现状及发展趋势 |
1.2.1 灰色MGM(1,m)模型 |
1.2.2 组合模型 |
1.2.3 雾霾的相关研究 |
1.3 研究内容 |
1.4 研究思路与技术路线 |
第二章 基于单一罚参数的MGM(1,m)模型 |
2.1 MGM(1,m)模型的建模机理 |
2.1.1 MGM(1,m)模型的构建 |
2.1.2 基于传统算法的MGM(1,m)模型的参数估计 |
2.2 基于单一罚参数的MGM(1,m)模型的建模机理 |
2.2.1 基于单一罚参数的MGM(1,m)模型的参数估计 |
2.2.2 带单一罚参数约束的最小二乘法的性质 |
2.2.3 粒子群算法下的罚参数确定 |
2.2.4 模型的精度检验 |
2.3 实例分析 |
2.4 本章小结 |
第三章 基于罚向量的MGM(1,m)模型 |
3.1 基于罚向量的MGM(1,m)模型的建模机理 |
3.1.1 基于罚向量的MGM(1,m)模型的构建 |
3.1.2 罚向量的确定 |
3.2 罚向量估计的具体实施 |
3.2.1 罚向量模长的约束条件 |
3.2.2 罚向量估计的步骤 |
3.3 案例分析 |
3.4 本章小结 |
第四章 基于卡尔曼滤波的MGM-多维AR(p)组合模型 |
4.1 多维AR(p)模型 |
4.1.1 多维AR(p)模型的构建 |
4.1.2 多维AR(p)模型参数估计的最小二乘法 |
4.1.3 多维AR(p)模型的定阶 |
4.2 基于卡尔曼滤波的MGM-多维AR(p)组合模型的建模机理 |
4.2.1 离散线性系统的卡尔曼滤波 |
4.2.2 基于卡尔曼滤波的MGM(1,m)模型的构建 |
4.2.3 基于卡尔曼滤波的MGM-多维AR(p)组合模型的构建 |
4.2.4 组合模型的建模流程 |
4.3 案例分析 |
4.3.1 基于卡尔曼滤波的MGM-多维AR(p)模型对杭州市雾霾数据的建模 |
4.3.2 结果分析 |
4.4 本章小结 |
第五章 总结与展望 |
5.1 全文总结 |
5.2 研究展望 |
参考文献 |
附表1:第二章结果 |
附表2:第三章结果 |
致谢 |
作者简介 |
(2)基于城市道路交通数据的交通流短时预测与诱导方法研究(论文提纲范文)
摘要 |
Abstract |
缩略语说明 |
第1章 绪论 |
1.1 课题的研究背景与意义 |
1.1.1 研究背景 |
1.1.2 研究意义 |
1.2 信息处理技术在智能交通中的国内外研究现状 |
1.2.1 交通数据预处理现状 |
1.2.2 交通状态预测现状 |
1.2.3 交通诱导信息处理现状 |
1.3 现有研究存在的问题与分析 |
1.4 论文的主要研究内容与创新点 |
1.5 论文的组织结构与安排 |
第2章 基于低秩矩阵的交通数据预处理方法 |
2.1 引言 |
2.1.1 城市道路交通数据特性分析 |
2.1.2 交通流参数数据检测技术 |
2.1.3 交通故障数据产生的原因 |
2.2 基于低秩矩阵的交通数据插补模型介绍 |
2.2.1 基于低秩矩阵的交通数据插补方法应用实例 |
2.2.2 基于核范数最小化的低秩矩阵插补模型 |
2.3 一种改进的低秩矩阵交通数据插补方法 |
2.3.1 基于稳健主成分分析矩阵插补方法研究 |
2.3.2 基于PSSV的交通数据插补方法 |
2.3.3 基于OPSSV的交通数据插补方法 |
2.3.4 实验验证与分析 |
2.4 本章小结 |
第3章 基于多交通参数融合的城市道路交通流短时预测方法 |
3.1 引言 |
3.2 交通参数的混沌特性 |
3.3 多参数时间序列相空间重构 |
3.4 多交通参数融合方法 |
3.4.1 常用数据融合方法比较分析 |
3.4.2 基于贝叶斯估计的交通参数融合方法 |
3.4.3 多交通流参数时间序列高维相空间融合方法 |
3.5 基于Lyapunov指数的多交通参数交通状态预测模型 |
3.6 基于GRNN的多交通参数交通状态预测模型 |
3.7 算例验证与分析 |
3.7.1 实验数据准备 |
3.7.2 实验验证与分析 |
3.8 本章小结 |
第4章 基于多神经网络融合的城市道路交通流短时预测方法 |
4.1 引言 |
4.2 城市道路交通流神经网络融合预测模型 |
4.2.1 交通流参数神经网络预测理论 |
4.2.2 城市道路交通流状态融合预测方法 |
4.2.3 基于多神经网络融合城市道路交通状态预测原理 |
4.2.4 基于多神经网络融合城市道路交通状态预测流程 |
4.3 算例验证与分析 |
4.3.1 实验数据准备 |
4.3.2 实验验证与分析 |
4.4 本章小结 |
第5章 基于VMS布设及诱导信息发布方法 |
5.1 引言 |
5.2 基于诱导信息效用最大化的VMS优化布设方法 |
5.2.1 问题分析 |
5.2.2 优化模型的建立 |
5.2.3 贪婪算法的优化步骤 |
5.2.4 评价指标的建立 |
5.2.5 实验验证与分析 |
5.3 基于VMS的诱导信息发布策略方法 |
5.3.1 VMS诱导信息发布策略博弈优化模型 |
5.3.2 VMS诱导信息发布策略博弈优化模型的算法 |
5.3.3 实验验证与分析 |
5.4 本章小结 |
总结和展望 |
参考文献 |
致谢 |
附录 A 攻读博士学位期间发表的学术论文 |
附录 B 攻读博士学位期间参与的科研项目 |
(3)噪声免疫CatBoost与卡尔曼滤波短期交通流预测研究(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 研究背景及意义 |
1.2 短期交通流预测概述 |
1.2.1 交通流的基本概念和特征参数 |
1.2.2 交通流的特性及其关注点 |
1.2.3 预测模型的性能评价指标 |
1.3 国内外研究现状 |
1.3.1 参数模型 |
1.3.2 非参数模型 |
1.4 本文研究内容及论文结构 |
第二章 相关研究 |
2.1 小波变换对交通流数据的预处理 |
2.1.1 傅里叶变换和小波变换的对比分析 |
2.1.2 小波变换和反变换的定义 |
2.1.3 连续小波变换的离散化 |
2.1.4 常用的几种小波函数 |
2.1.5 离散小波的分解与重构 |
2.2 CatBoost对过拟合问题的处理 |
2.2.1 集成学习概述 |
2.2.2 梯度提升算法 |
2.2.3 CatBoost对异常值的处理 |
2.3 最优状态估计 |
2.3.1 常量估计 |
2.3.2 加权最小二乘估计 |
2.3.3 递推最小二乘估计 |
2.4 本章小结 |
第三章 融合时序特征的噪声免疫CatBoost短期交通流预测 |
3.1 引言 |
3.2 融合时序特征的噪声免疫CatBoost短期交通流预测模型 |
3.2.1 实验数据说明及预处理 |
3.2.2 小波阈值去噪 |
3.2.3 增加时序特征 |
3.3 实验及分析 |
3.3.1 实验环境及参数设置 |
3.3.2 实验结果与分析 |
3.4 本章小结 |
第四章 噪声免疫卡尔曼滤波的短期交通流预测 |
4.1 引言 |
4.2 卡尔曼滤波在交通流预测中的应用 |
4.2.1 卡尔曼滤波更新过程 |
4.2.2 卡尔曼滤波短期交通流预测模型 |
4.3 噪声免疫的卡尔曼滤波短期交通流预测模型 |
4.3.1 噪声免疫的卡尔曼滤波预测更新过程 |
4.3.2 噪声免疫的卡尔曼滤波修正过程 |
4.4 实验及分析 |
4.4.1 实验环境及参数设置 |
4.4.2 实验结果及分析 |
4.5 本章小结 |
第五章 总结与展望 |
5.1 论文工作总结 |
5.2 后续研究工作展望 |
参考文献 |
致谢辞 |
攻读硕士学位期间的科研成果 |
附录 |
(4)基于深度学习的短期风电输出功率预测研究(论文提纲范文)
摘要 |
abstract |
1 绪论 |
1.1 研究背景 |
1.1.1 风电发展现状 |
1.1.2 风电发展面临的主要问题 |
1.1.3 风电输出功率预测的意义 |
1.2 国内外风电输出功率预测研究现状 |
1.2.1 风电输出功率预测方法分类 |
1.2.2 风电输出功率预测方法 |
1.2.3 风电功率预测研究现状 |
1.2.4 研究现状总结 |
1.3 论文主要研究内容及组织结构 |
2 风电功率预测相关理论及技术 |
2.1 风电基础理论概述 |
2.1.1 风能原理 |
2.1.2 风力发电原理 |
2.1.3 风电功率影响因素的分析 |
2.1.4 风速、风向和风功率的关系 |
2.2 风电数据处理技术 |
2.2.1 数据清洗技术 |
2.2.2 数据预处理技术 |
2.3 风电预测模型原理 |
2.3.1 物理模型理论 |
2.3.2 传统统计模型 |
2.3.3 机器学习理论 |
2.3.4 深度学习理论 |
2.3.5 深度学习优化技术 |
2.4 风电输出功率预测流程 |
2.5 本章小结 |
3 机器学习支持下的多源数据融合及分析清洗研究 |
3.1 风电大数据特点 |
3.2 风电场概况及数据来源 |
3.3 风电数据质量控制 |
3.3.1 测风塔数据的质量控制 |
3.3.2 风电场监控数据的质量控制 |
3.4 实验数据融合 |
3.5 传统的数据清洗 |
3.5.1 异常值检测方法 |
3.5.2 缺失值填补方法 |
3.6 基于孤立森林的异常值检测算法 |
3.7 基于深度学习的缺失值填补 |
3.7.1 GAN结构及原理 |
3.7.2 WGAN网络填充缺失值 |
3.8 数据清洗实验设计 |
3.8.1 实验数据集 |
3.8.2 实验环境配置 |
3.8.3 实验方案 |
3.8.4 孤立森林算法进行异常值检测 |
3.8.5 WGAN网络进行缺失值填充 |
3.8.6 比较方法与评价指标 |
3.8.7 实验过程 |
3.8.8 实验结论 |
3.9 本章小结 |
4 基于LSTM构建风电输出功率预测模型 |
4.1 风电输出功率预测方法总体框架 |
4.2 数据融合与清洗 |
4.3 数据预处理 |
4.3.1 数据降维 |
4.3.2 数据标准化 |
4.3.3 数据离散化和one-hot编码 |
4.4 深度学习输入样本集构建 |
4.4.1 深度学习特征选择 |
4.4.2 基于时间滑动窗口的深度学习数据集构建 |
4.5 深度学习模型构造 |
4.5.1 风速和风功率相关性分析 |
4.5.2 TLW-LSTM深度学习模型构建 |
4.5.3 TLW-LSTM模型的回归准确率评价指标 |
4.6 实验验证及分析 |
4.6.1 实验数据集 |
4.6.2 时间滑动窗口构建输入数据集 |
4.6.3 实验设计 |
4.6.4 预测模型的实验结果 |
4.6.5 实验对比分析 |
4.7 本章小结 |
5 基于CNN改良风电输出功率预测模型 |
5.1 风电厂输出功率预测方法总体框架 |
5.2 基于CNN和 LSTM结构构建时间序列深度神经网络模型 |
5.2.1 CNN卷积神经网络 |
5.2.2 CNN卷积网络快速提取特征 |
5.2.3 CNN和 LSTM构建LW-CLSTM组合神经网络模型 |
5.2.4 LW-CLSTM模型回归准确率评价指标设计 |
5.3 实验验证及分析 |
5.3.1 实验设计 |
5.3.2 LW-CLSTM与 TLW-LSTM模型实验分析 |
5.3.3 实验对比分析 |
5.4 本章小结 |
6 结论与展望 |
6.1 全文总结 |
6.2 工作展望 |
致谢 |
参考文献 |
作者简介 |
(5)基于广西高速公路收费数据的行程时间预测及其应用(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 研究背景 |
1.2 国内外研究现状 |
1.3 研究目的与意义 |
1.4 研究内容与章节安排 |
1.4.1 研究内容 |
1.4.2 章节安排 |
第二章 高速公路联网收费数据的采集与处理 |
2.1 数据来源与数据结构 |
2.2 研究对象 |
2.3 数据预处理 |
2.4 收费数据预处理实例 |
2.5 本章小结 |
第三章 高速公路行程时间预测 |
3.1 行程时间预测方法选择 |
3.2 构建特征向量 |
3.2.1 特征选择 |
3.2.2 特征处理 |
3.2.3 特征确定 |
3.3 基于BP神经网络的行程时间预测 |
3.3.1 BP神经网络概述 |
3.3.2 基于BP神经网络的行程时间预测模型构建 |
3.3.3 BP神经网络模型预测流程 |
3.4 基于随机森林的行程时间预测 |
3.4.1 随机森林概述 |
3.4.2 基于随机森林的行程时间预测模型构建 |
3.4.3 随机森林模型预测流程 |
3.5 预测模型实例分析与对比 |
3.5.1 交通数据准备 |
3.5.2 实验设计主要过程 |
3.5.3 实验结果分析与对比 |
3.6 本章小结 |
第四章 行程时间预测子模块设计与实现 |
4.1 行程时间预测子模块框架 |
4.1.1 子模块需求分析 |
4.1.2 子模块总体框架 |
4.2 行程时间子模块设计 |
4.3 行程时间子模块实现 |
4.4 行程时间预测模块界面 |
4.5 本章小结 |
第五章 总结与展望 |
5.1 总结 |
5.2 不足之处与研究展望 |
参考文献 |
致谢 |
攻读学位期间发表论文情况 |
(6)基于智能行程时间预测的露天煤矿卡车调度随机优化方法研究(论文提纲范文)
致谢 |
摘要 |
abstract |
变量注释表 |
1 绪论 |
1.1 研究背景与意义 |
1.2 国内外研究现状 |
1.3 论文的研究内容与创新点 |
1.4 研究路线与论文结构 |
2 露天煤矿卡车调度基础概念与数据 |
2.1 卡车调度数据随机性特征提取 |
2.2 卡车调度的调度目标及优化分析理论 |
2.3 本章小结 |
3 卡车状态数据采集的建模与实现 |
3.1 边缘计算的概念 |
3.2 卡车智能调度采集服务云建模 |
3.3 基于边缘计算的卡车状态采集设计与实现 |
3.4 本章小结 |
4 卡车状态大数据的智能学习与行程时间预测 |
4.1 车辆状态数据的分析方法选择 |
4.2 卡车状态数据的样本特征分析与预处理 |
4.3 卡车状态数据分析与预测的深度学习建模 |
4.4 利用深度网络模型对卡车行程数据的预测与结果分析 |
4.5 本章小结 |
5 基于行程时间预测的短期计划卡车调度随机优化 |
5.1 短期计划卡车调度的二进制整数规划模型建立 |
5.2 基于行程时间预测的卡车调度的随机优化模型建立 |
5.3 多染色体混合遗传算法求解TSA&DP方法的建立 |
5.4 卡车调度随机优化的短期计划应用 |
5.5 卡车调度随机优化模型的适应性讨论 |
5.6 本章小结 |
6 结论与展望 |
6.1 主要结论 |
6.2 展望 |
参考文献 |
附录 |
作者简历 |
学位论文数据集 |
(7)松嫩平原北部农作物土壤水分有效性模拟及干旱评估研究(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 研究背景与意义 |
1.2 国内外研究现状综述 |
1.2.1 表层土壤湿度尺度转换研究现状 |
1.2.2 农作物种植区域提取研究现状 |
1.2.3 深层土壤湿度数据反演研究现状 |
1.2.4 农作物对土壤水分响应机制研究现状 |
1.2.5 农作物干旱评估研究现状 |
1.3 研究目标与研究内容 |
1.3.1 研究目标 |
1.3.2 研究内容 |
1.4 技术路线 |
1.5 论文组织结构 |
第2章 研究区域与数据准备 |
2.1 引言 |
2.2 研究区概况 |
2.3 数据收集 |
2.4 数据预处理 |
2.4.1 MODIS数据预处理 |
2.4.2 SMAP数据预处理 |
2.4.3 MODIS植被指数计算 |
2.5 小结 |
第3章 表层土壤湿度数据尺度转换 |
3.1 引言 |
3.2 表层土壤湿度数据尺度转换理论与方法 |
3.2.1 随机森林算法 |
3.2.2 基于全局回归的土壤湿度关系模型 |
3.2.3 表层土壤湿度数据尺度转换最优特征参数提取方法 |
3.2.4 SMAP表层土壤湿度数据尺度转换方法 |
3.3 实验结果精度对比分析 |
3.3.1 表层土壤湿度尺度转换结果 |
3.3.2 表层土壤湿度尺度转换前后精度对比 |
3.4 讨论 |
3.5 小结 |
第4章 基于多特征参数集合的农作物分类 |
4.1 引言 |
4.2 基于多特征参数集合的农作物分类理论与方法 |
4.2.1 非对称高斯函数拟合方法 |
4.2.2 农作物物候特征参数提取 |
4.2.3 农作物特征参数差异性分析 |
4.2.4 基于多特征参数集合的农作物分类与调优方法 |
4.3 实验结果精度对比分析 |
4.4 讨论 |
4.5 小结 |
第5章 基于数据同化的深层土壤湿度反演 |
5.1 引言 |
5.2 基于数据同化的深层土壤湿度反演理论与方法 |
5.2.1 CLM陆面过程模型 |
5.2.2 集合卡尔曼滤波(En KF)算法 |
5.2.3 基于En KF和 CLM的数据同化系统 |
5.2.4 制备地表参数输入 |
5.2.5 CLDAS大气驱动数据输入 |
5.3 实验结果精度与对比分析 |
5.4 讨论 |
5.5 小结 |
第6章 基于土壤水分运移的农作物干旱评估 |
6.1 引言 |
6.2 基于土壤水分运移模型的农作物干旱评估理论与方法 |
6.2.1 土壤水分运移理论 |
6.2.2 农作物亏盈水量(CLSW)干旱指数计算方法 |
6.2.3 基于Hydrus-1D的农作物土壤水分有效性阈值计算方法 |
6.2.4 Hydrus-1D土壤水分运移模型验证与模拟过程 |
6.3 实验结果精度与对比分析 |
6.3.1 农作物土壤水分有效性阈值计算结果 |
6.3.2 农作物水分盈亏量(CLSW)精度验证与对比 |
6.3.3 干旱发生频率分析 |
6.3.4 生长周期农作物水分盈亏量变化情况分析 |
6.3.5 农作物站点干旱情况分析 |
6.4 讨论 |
6.5 小结 |
第7章 总结与展望 |
7.1 总结 |
7.2 创新点 |
7.3 展望 |
参考文献 |
附录 |
攻读博士学位期间发表的学术论文 |
攻读博士学位期间参加的科研项目 |
致谢 |
(8)甘河加格达奇以上流域洪水预报实时校正方法研究(论文提纲范文)
摘要 |
Abstract |
1 绪论 |
1.1 研究背景及意义 |
1.1.1 研究背景 |
1.1.2 研究意义 |
1.2 国内外研究现状与进展综述 |
1.2.1 水文模型研究进展 |
1.2.2 实时校正技术研究进展 |
1.2.3 集合卡尔曼滤波方法研究进展 |
1.2.4 洪水预报实时校正研究现状及存在问题 |
1.3 本文主要研究内容 |
2 研究流域及资料处理 |
2.1 研究流域概况 |
2.2 资料分析处理 |
2.2.1 流域测站信息 |
2.2.2 资料分析处理 |
2.3 小结 |
3 基于EnKF的洪水预报实时校正方法 |
3.1 引言 |
3.2 新安江模型原理 |
3.3 彭曼公式 |
3.4 NSGA-Ⅱ算法 |
3.5 集合卡尔曼滤波原理 |
3.5.1 卡尔曼滤波原理 |
3.5.2 集合卡尔曼滤波原理 |
3.6 洪水预报实时校正模型构建 |
3.7 模型计算结果与分析 |
3.8 小结 |
4 模型的不确定性分析 |
4.1 引言 |
4.2 土壤含水量不确定性分析 |
4.3 初始条件不确定性分析 |
4.4 降雨扰动误差不确定性分析 |
4.5 小结 |
5 多元/源观测洪水预报实时校正研究 |
5.1 引言 |
5.2 数据产品介绍 |
5.2.1 地面观测蒸发数据 |
5.2.2 GLEAM蒸发及土壤水产品 |
5.2.3 GLDAS土壤水分产品 |
5.3 卫星遥感产品评估及校正 |
5.3.1 卫星遥感产品评估 |
5.3.2 遥感产品偏差校正 |
5.4 算例设置 |
5.5 结果与分析 |
5.5.1 多源产品对比 |
5.5.2 流量校正 |
5.5.3 土壤水校正 |
5.6 应用结果与分析 |
5.7 小结 |
6 结论及展望 |
6.1 结论 |
6.2 展望 |
参考文献 |
攻读硕士学位期间发表学术论文情况 |
致谢 |
(9)登革热传播动力学模型与卡尔曼滤波耦合算法研究及应用(论文提纲范文)
中文摘要 |
ABSTRACT |
英文缩略词汇表 |
第一章 前言 |
1.1 登革热预警的必要性 |
1.2 传染病预测模型研究现状 |
1.3 集合校正卡尔曼滤波(EAKF)与仓室模型的耦合 |
第二章 登革热流行和暴发动态实时预测方法建立 |
2.1 登革热传播动力学模型的构建 |
2.2 EAKF算法的原理 |
2.3 仓室模型-EAKF耦合算法的原理 |
2.4 SIR-EAKF模型的改进算法 |
2.5 小结 |
第三章 SIR-EAKF改进算法应用于登革热流行和暴发预测 |
3.1 本文的研究实例数据 |
3.2 仿真实验确定初始参数范围及验证SIR-EAKF改进算法 |
3.3 基于SIR-EAKF改进算法的稳定性验证 |
3.4 基于SIR-EAKF改进模型的实例数据验证 |
3.5 小结 |
第四章 总结与展望 |
4.1 研究的意义和总结 |
4.2 本研究的创新性与特色 |
4.3 本研究的不足与展望 |
参考文献 |
附录 |
附录一 附图和附表 |
附录二 综述 传染病预测模型研究进展 |
参考文献 |
附录三 攻读学位期间发表的文章 |
附录四 参数汇表 |
附录五 个人简历 |
致谢 |
(10)基于Stacking模型融合的短时交通流预测(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 研究背景 |
1.2 研究意义 |
1.3 国内外研究现状 |
1.4 研究内容和技术路线 |
1.4.1 研究内容 |
1.4.2 技术路线 |
1.5 本章小结 |
第二章 交通流数据的采集及预处理 |
2.1 断面检测数据的采集 |
2.2 断面检测数据的预处理 |
2.2.1 缺失数据检测与修复 |
2.2.2 道路交通状态判别 |
2.2.3 异常数据检测与处理 |
2.2.4 构建固定采集时间间隔的交通流量数据 |
2.2.5 数据归一化 |
2.3 断面检测数据质量分析 |
2.4 断面检测数据预处理实例分析 |
2.5 本章小结 |
第三章 交通流量的特性分析及特征工程 |
3.1 数据来源 |
3.2 交通流量的特性分析 |
3.2.1 交通流量的主要特性 |
3.2.2 交通流量序列的时空相关性分析 |
3.3 构建交通流量样本数据集 |
3.4 预测模型输入特征 |
3.4.1 特征构建 |
3.4.2 特征编码 |
3.4.3 特征相关性分析及选择 |
3.5 本章小结 |
第四章 基于Stacking模型融合的短时交通流预测模型设计 |
4.1 实验所需的环境 |
4.1.1 操作系统 |
4.1.2 软件环境 |
4.2 基于单一模型的短时交通流预测实验设计 |
4.2.1 SVM |
4.2.2 BP神经网络 |
4.2.3 随机森林 |
4.2.4 GBDT模型 |
4.2.5 XGBoost模型 |
4.2.6 Light GBM模型 |
4.2.7 线性回归模型 |
4.3 基于Stacking模型融合的短时交通流预测实验设计 |
4.3.1 模型融合 |
4.3.2 实验流程设计 |
4.4 预测模型评价标准 |
4.5 本章小结 |
第五章 实验与分析 |
5.1 基于单一模型的短时交通流预测 |
5.1.1 基于SVM的短时交通流预测 |
5.1.2 基于BP神经网络的短时交通流预测 |
5.1.3 基于随机森林的短时交通流预测 |
5.1.4 基于GBDT的短时交通流预测 |
5.1.5 基于XGBoost的短时交通流预测 |
5.1.6 基于Light GBM的短时交通流预测 |
5.1.7 单一模型预测结果对比分析 |
5.2 基于Stacking模型融合的短时交通流预测 |
5.2.1 构建基于Stacking模型融合的短时交通流预测模型 |
5.2.2 实验结果与讨论 |
5.3 本章小结 |
第六章 结论与展望 |
6.1 主要结论及成果 |
6.2 论文的不足及未来研究方向 |
致谢 |
参考文献 |
附录 A 攻读硕士期间发表的论文 |
四、卡尔曼滤波模型在森林资源动态发展预测中的应用(论文参考文献)
- [1]两类改进的MGM(1,m)模型及其在雾霾中的应用研究[D]. 檀成伟. 南京信息工程大学, 2021(01)
- [2]基于城市道路交通数据的交通流短时预测与诱导方法研究[D]. 郭义戎. 兰州理工大学, 2021(01)
- [3]噪声免疫CatBoost与卡尔曼滤波短期交通流预测研究[D]. 张塽旖. 汕头大学, 2021
- [4]基于深度学习的短期风电输出功率预测研究[D]. 王永生. 内蒙古农业大学, 2021(01)
- [5]基于广西高速公路收费数据的行程时间预测及其应用[D]. 兰良. 广西大学, 2021(12)
- [6]基于智能行程时间预测的露天煤矿卡车调度随机优化方法研究[D]. 赵亮. 中国矿业大学, 2021
- [7]松嫩平原北部农作物土壤水分有效性模拟及干旱评估研究[D]. 王勇. 哈尔滨师范大学, 2021(09)
- [8]甘河加格达奇以上流域洪水预报实时校正方法研究[D]. 郎欣宇. 大连理工大学, 2021(01)
- [9]登革热传播动力学模型与卡尔曼滤波耦合算法研究及应用[D]. 陈煜亮. 汕头大学, 2021(02)
- [10]基于Stacking模型融合的短时交通流预测[D]. 刘庆芳. 昆明理工大学, 2021(01)