基于缓冲区重采样的LSTM林火预测模型*

为提高林火风险预测精度,挖掘地图上隐含的空间信息、时间序列上隐含的长期趋势和循环波动,提出1种基于缓冲区重采样的长短期记忆（LSTM）林火预测模型,选取15个与林火相关的影响因素,以方差膨胀因子为评价指标对其进行多重共线性检验,方差膨胀因子大于10的因素具有共线性,并采用信息增益率验证筛选结果的合理性。考虑到火灾的空间聚集特性,采用缓冲区分析与过采样相结合方法减少样本不均衡现象的影响,最终得到176 732条样本。对12个影响因素和研究时间段的火点建立LSTM预测模型,对森林火灾发生风险进行预测。研究结果表明:基于缓冲区重采样的LSTM林火预测模型有效考虑时空上隐含的信息,预测模型准确率为87.06%,特异性为97.99%,敏感度为76.12%,阳性预测率为97.43%,阴性预测率为80.41%,ROC曲线与AUC值均优于随机森林（RF）和支持向量机（SVM）这2种基准算法。维尔克松秩和检验发现,本文提出的模型与基准算法结果具有显著性差异。研究结果可为提高林火风险预测精度提供参考。     

基于机器学习算法的新冠疫情管控对河南省空气质量影响的模拟分析

全国各地为了减少新冠疫情对社会和人民生活的影响,采取了必要的防疫防控措施,这些措施对空气质量的变化产生了重要的影响,此外空气质量的变化与气象条件也存在很大的关系.通过对河南省疫情前（1月1~26日）和疫情管控期（1月27日~2月29日）这两阶段的空气质量分析对比发现,整个河南省除了O₃浓度上升了69.64%外,PM_2.5、PM₁₀、SO₂、CO和NO₂分别降低了36.89%、34.18%、19.43%、29.85%和58.51%;通过机器学习算法中的长短期记忆型网络（LSTM）模拟显示,气象条件引起污染物浓度的降幅大部分在15%~30%之间;人为排放减少引起的污染物浓度的降幅大部分在6%~40%之间.O₃在疫情期间上升过程中,气象条件和人为排放两种因素分别占了34.84%和34.81%.结果表明,疫情管控期间,河南省空气质量总体上有所改善,但是也有重污染发生,其中O₃的浓度对于疫情管控减排的影响不明显,呈负相关,需要进一步探索引起臭氧浓度上升的原因,以此帮助政府合理控制臭氧等前体污染物的减排比例.     

基于LSTM-GCN的PM2.5浓度预测模型

应用机器学习算法开展空气质量预测已成为当前研究热点之一,空气质量监测数据具有显著的时空特征,即具有时间维度时序特征和空间维度传输演化特征。面向空气质量监测数据,联合LSTM提取的时间特征和GCN提取的空间特征,提出预测PM_2.5浓度的LSTM-GCN组合模型。以北京市35个空气质量监测站2018—2020年监测数据进行仿真实验,并将LSTM-GCN模型与LSTM模型、GCN模型以及时空地理加权回归模型(GTWR)进行对比,结果显示:LSTM-GCN模型相较于LSTM模型均方根误差(RMSE)、平均绝对误差(MAE)分别降低了11.68%、7.34%;相较于GCN模型RMSE、MAE分别降低了40.22%、36.37%;相较于GTWR模型RMSE、MAE分别降低了17.52%、23.69%,表明所提出LSTM-GCN模型在准确率上有所提升。用LSTM-GCN模型预测2021年1—7月PM_2.5浓度,结果显示预测效果较好。     

基于深度学习和物联网技术的智慧污水管控系统

在智慧城市建设中,水资源的智慧化管理是其不可或缺的一环,智慧水务对促进城市的长期健康发展意义重大.以青岛市某精细化工厂为例,将人工智能技术与物联网技术相结合并运用于该化工厂智慧污水管控系统中,通过一系列传感器采集动态数据,实现对水质质量的实时监测.该智慧污水管控系统应用深度学习中的长短期记忆(Long Short-Te...     

XGBoost-LSTM变权组合模型支持下短期PM2.5浓度预测——以上海为例

为进一步提高PM_2.5浓度预测的精度,基于XGBoost和LSTM进行改进得到变权组合模型XGBoost-LSTM（Variable）.过对预测因子进行相关性分析,得到其它大气污染物和气象因素对PM_2.5浓度的影响,确定最优PM_2.5浓度预测因子,再将预处理后数据集输入LSTM模型和XGBoost模型分别进行预测,采用基于残差改进的自适应变权组合方法得到最终预测结果.结果表明,污染物变量的相对重要性高于气象因子变量,其中当前PM_2.5和CO浓度的相对重要性较高,而平均风速和相对湿度重要性较低.XGBoost-LSTM（Variable）模型的RMSE、MAE和MAPE值为1.75、1.12和6.06,优于LSTM、XGBoost、SVR、XGBoost-LSTM（Equal）和XGBoost-LSTM（Residual）模型.分季节预测结果表明,XGBoost-LSTM（Variable）模型在春季预测精度最好,而夏季预测精度较差.模型预测精度高的原因在于其不仅考虑了数据的时间序列特征,又兼顾了数据的非线性特征.     

基于复合LSTM模型的PM2.5浓度预测

在对淄博市19个空气质量监测站点监测数据进行分析后,提出了一种基于机器学习的复合模型——灰色关联度分析(GRA)-改进的完备总体经验模态分解(ICEEMD)-长短期记忆网络(LSTM)模型。通过分析淄博市2019年大气污染物和气象数据,选用LSTM模型预测PM_2.5浓度。由于传统单一模块机器学习模型具有训练时间较长和预测精度较低的问题,提出了复合LSTM模型。该模型由3部分组成：GRA,用于PM_2.5浓度影响因素变量筛选;ICEEMD,用于PM_2.5分解、分量筛选和原始大气污染物及气象数据处理;LSTM,用于PM_2.5浓度预测。预测结果表明：淄博市中部丘陵地带PM_2.5浓度高于南部山区和北部平原,东部高于西部;淄博市逐月PM_2.5浓度呈“U”形分布,1月最高,8月最低;淄博市PM_2.5浓度受PM₁₀和CO影响较大,受湿度和温度影响较小。对比单一LSTM模型和GRA-LSTM模型,GRA-ICEEMD-LSTM模型...     

基于人工智能的深潜耐压球壳应力场映射

目的 针对深潜耐压球壳在真实下潜过程中全局应力场难以直接获取的问题,提出一种基于人工智能的深潜耐压球壳应力场映射算法。方法 构建深潜耐压球壳有限元模型,并开展仿真分析。提出深潜耐压球壳监测布点方案,进而利用长短时记忆神经网络(Long-short Term Memory Network,LSTM),将测点应力信息作为输入,将全局应力场信息作为输出,构建深潜耐压球壳应力场映射模型。最后,对不同测点下的映射结果进行分析。结果 与模型试验结果相比,仿真误差小于2%。与DNN模型及BP模型相比,映射误差分别下降94.92%与97.76%。结论 所提映射算法可在部分测点失效的情况下仍可以保持较高精度。     

兰州市CMAQ近地面臭氧模拟结果的订正方法——基于机器学习方法

为能更加准确地模拟出兰州市近地面臭氧浓度,在CMAQ(社区多尺度空气质量建模系统)的基础上,利用机器学习方法中的XGBoost(极限梯度提升)模型及LSTM(长短期记忆)神经网络模型建立近地面臭氧模拟结果的订正模型,并以两种方法为基础,利用误差变权倒数组合方法构建LSTM-XGBoost组合模型,以期进一步提高订正效果.本文选取兰州市4个国控站点(兰炼宾馆,铁路设计院,榆中校区,生物制品所)2019年7、8月环境空气质量监测数据及兰州市气象站同期气象数据,对CMAQ模拟的同时段兰州市近地面臭氧浓度进行订正.结果表明,CMAQ能够模拟出兰州市近地面臭氧浓度的空间及时间分布特征,但整体上对浓度有所低估.利用上述方法构建的订正模型中,LSTM-XGBoost组合模型的订正效果最好,臭氧相关性由CMAQ模拟的0.61～0.76提升至0.89～0.95,臭氧8h平均相关性由0.65～0.79提升至0.81～0.88,臭氧RMSE由44.83～70.17μg/m³提升至15.21～26.53μg/m³,臭氧8h平均RMSE由40.07～67.57μg/m...     

基于EEMD-LSTM模型的尾矿库风险预测模型研究

为了提高尾矿库风险预警能力,针对尾矿库稳定性受多种风险因素影响,以及风险变化的非线性,提出1种融合集合经验模态分解(EEMD)和长短期记忆(LSTM)的尾矿库风险预测模型。首先,采用皮尔逊相关系数分析尾矿库风险因素之间的相关性;然后,使用EEMD方法分解非线性的位移序列;最后,构建LSTM网络模型预测位移变化。以某尾矿库为例,将EEMD-LSTM模型与EEMD-BP模型、LSTM模型对比分析,评估模型的有效性。研究结果表明：EEMD-LSTM模型对尾矿库风险的预测精度明显提高,对防范化解尾矿库安全风险具有重要意义。     

融合SSAE深度特征学习和LSTM网络的PM2.5小时浓度预测

精准的PM_2.5小时浓度短期预测,可以有效地提高空气污染的预报预警能力.针对传统的PM_2.5预测模型中存在的影响因素考虑不全面且影响因素选择方法适用性不强等问题,本文提出一种融合栈式稀疏自编码器（Stack Sparse Auto-Encoder,SSAE）和长短期记忆神经网络（Long-Short Term Memory,LSTM）的PM_2.5小时浓度预测模型.SSAE-LSTM模型综合考虑了时间因素、空间因素、气象因素和空气污染物因素等多种因素对PM_2.5的影响,采用SSAE以无监督方式自动提取PM_2.5抽象影响特征,实现特征的压缩和降维;然后以提取的抽象特征作为LSTM模型的输入,建立PM_2.5时间序列预测模型,挖掘PM_2.5历史序列中的长期依赖特征.为了验证方法的有效性,本文基于2016—2018年京津冀城市群71个空气监测站点的空气数据和气象数据,建立SSAE-LSTM模型对各个站点的PM_2.5浓度进行离线训练和预测实验.预测结果表明,SSAE-LSTM模型预测精度高于其它预测模型,在所有测试集上的一致性指数（IA）高达0.99,均方根误差RMSE与平均绝对误差MAE降到了13.98和7.90.此外,分析了SSAE-LSTM模型在不同季节的适用性,71个空气监测站点在春、夏、秋、冬4个季节测试集的预测值和实测值均有很好的线性关系,决定系数分别是0.86、0.92、0.96、0.93.对北京市万寿西宫站点的预测结果表明,SSAE-LSTM模型可以用于不同空气质量情况下的PM_2.5小时浓度预报,且具有应用上的可行性和可靠性.