基于多源数据特征驱动和多尺度分析的PM2.5混合预测研究

精准把握PM_2.5污染的动态演变规律对政府和企业的大气污染防治决策至关重要.因此,文章提出了基于多源数据特征驱动及多尺度分析的混合预测建模框架,以提高PM_2.5预测精度.预测建模框架分为:1)多源数据分析,有效融合与PM_2.5污染相关的气象、污染、舆情等多源数据;2)多尺度分析,通过多元经验模态分解技术(MEMD)将多源数据分解成不同模态下的预测特征;3)混合预测分析,有序结合计量和机器学习模型,集成各模态预测值为最终结果.文章以北京市PM_2.5为研究案例结果表明:1)文章提出的混合模型的预测精度优于所有的基准模型;2)微博个数和情感能够叠加提升PM_2.5预测精度,且优于单因素预测结果;3)引入MEMD分解的模型精度显著高于基准模型.     

Logistic模型的改进——双S形曲线模型的研究

在Logistic模型的基础上,对一类空间饱和容量会随着时间发生变化的问题进行了讨论,指出了Lo-gistic模型应用在这类问题上的局限性,建立了解决该类问题的双S形曲线模型.对一组实际数据进行了拟合,结果表明双S形曲线模型能够更好地刻画实际问题,相对准确地预测未来的发展趋势.     

基于新风险度量方式的危险品车辆路径双目标优化模型

针对危险品车辆路径问题中车辆访问多个需求点的特性,在风险度量方式上考虑了运输过程中车辆载重量变化,建立了最小化总运输距离以及最小化总运输风险的双目标优化模型.采用改进的蚁群算法对模型进行求解并获得优化问题的非支配解,数值实验说明改进的风险度量方式更适合于危险化学品车辆路径问题,改进的蚁群算法能够有效率地对模型进行求解.