污水生物处理建模水质数据误差来源分析与影响评价

为进一步提高国内基础建模数据质量,降低建模实践中的数据清洗难度,本研究以北京龙庆再生水厂生物建模过程中的实际数据问题为例,基于数理统计理论及国内污水水质特征分别构建误差来源分析方法与误差影响评价方法.通过设计补充采样与实验排查方案,成功识别数据误差来源并实现不同类型误差对数据准确性的影响量化评价.研究结果表明,污水处理厂日常的取样与化验过程中产生的随机误差不可忽视,特别是当大量随机误差存在时,对数据总体造成的波动影响无法通过数据量的积累而消除;而不同的采样位置与不当的样品保存方式则会引起水质发生变化,由此产生的系统误差将导致测量结果长期偏高/偏低.因此,在依赖人工测量数据进行建模的国内实践中,应首先对历史数据进行误差检验,再进行必要的建模补充采样,以避免补充数据质量受相同误差影响,减少非必要的人力、物力浪费.     

事故致因模型体系及建模一般方法与发展趋势

为完善事故致因建模的基础理论体系,从微观、中观与宏观3个层面归纳国内外现有的50余种事故致因模型,并以“点-线-面-体”为主线论述事故致因模型的立体网状结构体系。基于此,从方法学的视角论述事故致因建模的理论基础,并提炼相似比较法、概率统计法等5种一般建模方法。最后分析新形势下事故致因模型及其建模方法的发展趋势。研究结果系统的梳理与归纳了现有事故致因模型及其结构体系,完善了事故致因建模的方法论,可为事故致因建模的研究与实践提供基础理论指导。     

联合Transformer注意力机制的PM2.5浓度预测网络研究

应用深度学习技术进行PM_2.5浓度预测方法的研究，提出联合Transformer注意力机制的循环预测网络。模型的核心是多头注意力-长短期记忆网络(MH-LSTM),通过构建统一记忆单元捕捉时空特征关联。MH-LSTM单元使用LSTM联合Transformer注意力机制对时间变化和全局空间特征统一建模形成记忆信息。记忆信息“之”字流向跨越堆叠的MH-LSTM模块，高层记忆信息辅助下一时刻低层记忆信息的获取。应用该模型结合河北省生态环境监测中心提供的PM_2.5浓度数据开展预报试验，结果表明，相对于卷积LSTM网络(ConvLSTM)、预测循环神经网络(PredRNN)、双重记忆网络(MIM),该模型预测的平均绝对误差分别减小了18.13%、10.23%、9.62%,实现了同时捕捉PM_2.5浓度的时空相关性，具有更优预测性能。     

基于HHM-RFRM理论的智能船舶航行风险识别与筛选

针对智能船舶航行过程中航行关键风险因素的有效识别和筛选问题，提出了基于等级全息建模(Hierarchical Holographic Modeling, HHM)框架和风险过滤、评级与管理(Risk Filter, Ranking and Management, RFRM)思想的智能船舶航行风险识别与筛选理论。首先，构建智能船舶航行风险识别HHM模型，以全面而准确地选取和反映智能船舶航行风险来源；其次，通过RFRM模型对风险因素进行过滤、排序和筛选，结合贝叶斯方法的多判据评估模型，识别出智能船舶航行过程中可能存在的关键风险因素。结果可以为相关海事机构和船舶公司进行动态管理提供理论依据，同时为保障智能船舶航行安全提供一种手段。