基于XGBoost模型的降雨诱发阶跃型滑坡位移预测

滑坡位移预测一直是滑坡研究的热点之一。近年来,随着计算机科学的发展,越来越多的人工智能技术模型被用于滑坡位移的预测。相较于常用的如LSTM神经网络等机器学习模型,集成算法中的XGBoost模型在滑坡位移预测领域尚不多见。由于其在滑坡位移预测中具有预测精度更高、运行速度更快等优点,目前在学术界已成为研究的热点领域。文中以泉州市安溪县尧山村滑坡地灾点监测数据为例,运用Python搭建XGBoost模型,并通过最大信息系数的比较来选定与位移高度相关的特征,输入至模型中对滑坡位移进行预测。结果表明,XGBoost模型因其在目标函数中引入正则项来控制模型过拟合、模型数据集划分采用前向验证方式等优点,相较于大多数机器学习模型,能更加准确地预测降雨诱发阶跃型滑坡位移。该模型对此类滑坡的位移预测及早期监测预警具有重要参考意义。     

银川地区配电网负荷特性分析及预测

针对银川城市建设快速发展的需求,在分析了银川配电网历史负荷特性的基础上,运用数学模型、借助专业软件,对银川地区“十二五”期间配电网负荷、电量进行了预测,并对未来电力市场发展方向做出判断。分析结果表明:“十二五”期间,银川地区电力负荷呈现快速发展趋势,峰谷差逐年增加,最大负荷出现在冬季的特征在较长一段时间内不会改变。     

不同曝气方式对人工湿地细菌多样性、代谢活性及功能的影响

细菌在人工湿地去除污染物过程中起着非常关键的作用.基于DNA和RNA高通量测序技术探讨了不同曝气强化方式影响下的人工湿地单元内细菌多样性、代谢活性和功能.结果发现:①养殖废水和人工湿地处理组共检测到细菌4 042个操作分类单元(OTUs),其中α-变形菌、γ-变形菌和拟杆菌为多样性最高的类群,且人工湿地曝气强化方式会在...     

企事业单位震害预测 人—机对话辅助决策系统QSDWZHYC—1

本文简要地介绍了QSDWZHYC—1智能辅助决策系统结构、功能以及所采用的技术途径。应用QSDWZHYC—1系统可预测企事业单位现有房屋的震害,评估经济损失和人员伤亡,优化抗震加固方案,识别高危害房屋类别,找出单位建(构)筑物地震危害的薄弱环节。为企事业单位抗震减灾对策进行辅助决策。     

东北玉米热量指数预测方法研究(Ⅲ)——GM(1,1)预测方法

GM(1,1)是开展时间序列环境要素变化趋势预测的有效方法之一。通过对东北地区玉米热量指数的分析,建立了热量指数时间变化趋势的GM(1,1)预测模型,各模型的平均预测精度虽低于逐步回归统计模型,但也都达91%以上,可以应用该模型的预测结果指导农业生产。     

滑坡灾害风险区划与预测研究综述

对前人关于滑坡灾害风险区划与预测研究的成果进行了分析概括,同时,也指出了存在5个方面的问题。根据我国国土在地形地貌上存在"南北分区,东西分带,交叉成网",及今后随着社会经济不断向地质环境条件恶劣的山区与海岸带发展、滑坡灾害的威胁和可能受到滑坡灾害威胁的地区将进一步增加的特点,指出面对严峻的滑坡灾害,传统的以单个滑坡机理研究和整治为目的的方法和手段在减轻滑坡灾害方面已显得力不从心,区域性的、超前性的预测研究已迫在眉睫。     

低矮开洞建筑风致内压试验研究

由于建筑物门窗破坏等原因导致开洞,外部气流沿开洞传播,风致内压急剧增大,使得内外风压共同作用成为导致建筑结构破坏甚至倒塌的重要原因.通过一系列不同条件下的单个常开洞低矮建筑刚性模型风洞测压试验,分析了内压的脉动特性以及脉动来源,同时利用稳态理论与非定常理论预测内压系数,并与试验值进行比较.     

滑坡灾害空间预测结果的评价方法

介绍了目前对滑坡灾害空间预测结果进行定量评价的3种方法,并对每种方法进行了分析和比较。基于将预测结果与历史滑坡相对比的评价思路,引入了"滑坡比"的概念,定义其为:相应易滑度指标值的邻域所包含的预测单元中,曾发生滑坡的单元所占比例;并指出,好的预测结果应满足:易滑度指标值越大,滑坡比越大,且指标值相对较大时,相应滑坡比应较接近于1。在此基础上,提出采用预测率函数曲线所围面积之比,即"面积比"评价指标来对预测结果进行评价,并通过理论分析和实例,证明了该评价方法较现有方法确有改进。     

隔震:保证建筑物地震安全的最佳选择

<正>几十年地震预报实践说明,地震预报尚未成熟,远未达到实用化,目前仍属于摸索探索阶段。有些地震虽然说可能作预测预报,但即使预报了,对一个大城市而言也不会轻易疏散、停工停产,而且地震发生了城市的物质文明建设照样会遭到严重破坏。换个方式去思维去实践,即把城乡建筑的抗震性能提高了,尤其是住宅建筑和重     

基于CEEMDAN和改进的混合时间序列模型工作面涌水量预测研究

为提高采煤工作面涌水量预测准确度,收集大量工作面涌水量观测数据进行整理、统计、分析,将涌水量稳定性、周期性和季节性特征考虑在内,提出1种基于数据驱动的完全自适应模态分解算法(CEEMDAN)和改进的混合时间序列模型工作面涌水量预测方法。该方法利用CEEMDAN处理涌水量数据,构建麻雀搜索算法(SSA)优化的长短期记忆网络(LSTM)和自回归移动平均模型(ARIMA)并行级联而成的混合时间序列模型对工作面涌水量进行预测。研究结果表明：该模型预测结果与真实数据相差更小,平均绝对误差为6.36 m³/h,均方根误差为10.6 m³/h,模型拟合系数为0.95,更适用于工作面涌水量预测。研究结果可为矿井工作面涌水量预测及防控提供参考。