云南省交通事故数据的分析研究

通过对云南省1981—2003年的交通事故统计数据的分析研究,给出了交通事故死亡人数的预测模型。通过与发达国家类似的交通事故历史数据的对比分析,给出以时间和机动车拥有量为自变量、交通事故死亡人数为因变量的简单预测模型,该模型对2004年的交通事故死亡人数的预测是准确的;同时采用该模型预测了云南省交通事故死亡人数的峰值及其年份。结论指出:基于目前的人、车、路和管理水平及发展趋势,云南省的交通事故死亡人数在2013—2018年之间将达到高峰,高峰时的交通事故死亡人数在5528～7369人之间。     

中国火灾最佳灰色回归组合预测模型

火灾现象具有随机性、模糊性,是个复杂的灰色系统行为。研究火灾发生的规律及发展趋势,具有实用价值。笔者给出最小二乘估计意义下的最佳组合预测模型的定义,并求得其权的公式和证明权的惟一性;用回归分析方法建立多个回归模型,并按3条标准即①回归指数大、②系统误差小、③模型精度高,选定最佳非线性回归模型;用灰色理论建立多个灰色模型,并按3条标准即①后验差比值小、②小误差概率大、③预测关联度大,选定最佳灰色模型;再将最佳回归模型与最佳灰色模型有机地结合起来建立中国火灾最佳灰色回归组合预测模型。组合预测模型综合利用前两者提供的不同的有用信息,改善了单一模型的局限性,提高了预测精度,减少了预测误差。组合模型预测中国年火灾起数处于动态增长过程。     

以摩托车为主的道路交通噪声预测模型

将摩托车流单独处理,通过理论推导和实测数据回归建立摩托车为主的道路交通噪声预测模型.模型对居住区的交通噪声(Leq)预测精度在 2.5dBA 以内,道路两侧 Leq预测精度更高,大部分测点误差在 1dBA 以内.     

基于混合改变惯性因子PSO-BP的短期电力负荷预测

针对短期电力负荷预测的精度和网络的收敛问题,通过分析BP、PSO固有缺点,采用周期改变惯性因子(PCW )和动态改变惯性因子(DCW)的双策略,同时对传统的流程增加了额外BP局部寻优,编制了基于MATLAB的混合改变惯性因子PSO-BP神经网络算法(PDPSO-BP),并对广东某城市短期负荷进行预测。结果表明,PDPSO-BP有效地改善了BP的泛化能力,PSO的搜索能力,整体加快了网络的收敛速度,提高了预测的精度,保持误差在3%以下,具有良好的预测效果,满足负荷预测的要求。     

基于BP神经网络的藻类水华预测模型研究

以宁波大学校内池塘2009年3—10月间30周的监测数据为基础,运用BP人工神经网络方法构建预测模型,探求颤藻生物量与总氮、总磷、透明度等6项环境因子之间的关系,选出最佳预测模型,并对模型进行敏感度分析。结果显示:①BP神经网络模型对颤藻生物量预测值与实测值之间拟合程度良好,相关系数达到了0.984,说明BP神经网络模型可以用于水体中藻类水华的短期预测。②通过对构建的BP神经网络模型进行敏感度分析,阐明了宁波大学校内池塘藻类水华的主要驱动因素,并指出控制水体的pH是宁波大学校内池塘藻类水华防治工作的重点。     

基于人工神经网络的半连续式混合厌氧消化产气量预测

研究采用BP神经网络和模糊神经网络(FNN)模型对逐步提高有机负荷的半连续式餐厨垃圾和猪粪混合厌氧消化试验进行日产气量预测.结果表明,BP神经网络模型的预测准确率为77.63％,FNN模型为82.33％,2种模型均可用于产气预测,但FNN模型在传统神经网络模型基础上加入了模糊控制,可提高其准确率,更适用于混合厌氧消化产气量预测.     

水上事故溢油漂移轨迹预测模型研究与应用

近年来,国内外海上溢油事故频发,不仅造成巨额的经济损失,同时也对海洋及近岸海域生态系统造成了巨大危害,构建科学、可靠的海洋溢油模型对于溢油事故的处置应对、预警预报都具有十分重要的科学和现实意义。基于EFDC（Environmental Fluid Dynamic Code）、＂油粒子＂溢油轨迹和风化模型,构建了海上事故溢油漂移轨迹预测模型。通过对实际溢油事故的模拟对比证明,相对于基于对流扩散方程的传统溢油模型,＂油粒子＂算法更直观,模拟的油膜轨迹、形态更贴近实际过程。     

基于FHWA八车道交通噪声预测模型的选取分析

本文对公路交通噪声预测模型进行了分析,基于FHWA公路交通噪声预测模型,提出了公路交通噪声八车道的噪声预测模型,探讨FHWA的噪声预测模式与八车道噪声预测模式的差异性及影响因素。并得出了等效成两个线声源更适合八车道高速公路噪声预测这一结论。     

基于多模态支持向量回归的PM_(2.5)浓度预测

为更好地掌握日均PM_(2.5)浓度的变化规律,提出了一种基于多模态支持向量回归(MSVR)的混合预测模型。利用集成经验模态分解将日均PM_(2.5)数据分解成不同频段的分量序列,以降低数据的非平稳性。然后根据每组分量自身特点构建不同的支持向量回归(SVR)模型,并通过相关分析确定各分量输入变量。最后,将各分量预测值进行叠加得到最终预测结果。以浙江省玉环市的PM_(2.5)浓度进行验证。结果表明:与单一SVR模型相比,MSVR模型具有更好的预测效果,精度评价指标MAE、MAPE和RMSE分别下降了26.98%、23.04%、34.08%,这为大气污染预控提供了有效的技术支持。     

基于wavelet-SVM的PM10浓度时序数据预测

太原是以煤炭为主要能源的重工业城市,PM_(10)(particulate matter)是太原市的主要大气污染物,因此研究其变化趋势,并给出污染物浓度预测结果,为相关部门进行大气污染防治,为突发污染事件应急提供理论支持是一项非常重要的工作.支持向量机(support vector machine,SVM)应用于PM_(10)污染物浓度时序数据预测时,表现出良好的泛化能力.在预测模型建立过程中通常选择历史数据作为学习模型的输入特征,然而这样的数据表示形式,结构单一,信息表达不完备,在很大程度上将影响预测模型的泛化能力.本文以山西省太原市城区4个监测站点的PM_(10)日浓度数据为研究数据,通过小波变换(wavelet transform)将一维输入数据转化为由低频信息和高频信息构成的高维数据,并以该数据为输入数据建立wavelet-SVM预测模型.结果表明,相较于传统SVM模型预测,wavelet-SVM模型预测结果具有更高的精度,尤其能更加准确捕捉到PM_(10)浓度突变点,为大气污染预警提供有效信息支持,并且wavelet-SVM模型对于PM_(10)浓度时序数据变化趋势的预测精度有明显提升,能更好地预测PM_(10)浓度变化趋势,揭示PM_(10)浓度时序数据内在规律.