一种基于百度指数的城市日游客规模预测方法

百度指数数据为预测游客规模提供了新思路。以杭州市为例,首先研究新浪微博签到数据与统计年鉴中实际游客量的关系,用新浪微博签到人数模拟实际旅游人数,建立杭州市日游客规模自回归移动平均（auto regressive moving average,ARMA）模型,并进行预测;然后结合计量经济学中的协整检验和格兰杰因果关系检验,分析百度指数与微博签到人数之间的关系,利用百度指数空间分布特征及主成分分析后提取的3个解释变量构建向量自回归（vector auto regression,VAR）模型;最后比较了2个模型的预测精度。结果显示,百度指数存在地理空间属性,且与新浪微博签到人数互为格兰杰因果关系,存在1~23 d的滞后期。此外,相比ARMA模型,考虑了百度指数地理属性的VAR模型在样本期内的预测精度提高了13.1%,在样本期外的预测精度提高了27.9%。研究表明,百度指数的时间和空间属性对游客规模预测有重要意义和价值。     

一种基于闭环优化的新型鲁棒预测控制方法

针对带约束的凸多面体线性不确定模型，提出了一种新型鲁棒预测控制方法，它采用离散化的不确定模型构造最小－最大优化控制问题，并在其中直接引入状态反馈机制，与其他最小－最大预测控制方法相比，这种方法等效于增加了控制序列的长度，为优化问题增加了更多的自由度，从而扩大了可行域，作为最小化目标的是离散化不确定系统在整个预测时域上二次型成本函数的最大值，而不是各预测阶段应成本项的上界之和，从而减少了与最小－最大优化相关的方程个数，有利于降低计算复杂性，文中进一步证明了不确定系统的闭环稳定性取决于优化问题在初始时刻的可行性，并将优化问题转化为线性矩阵不等式形式。最后，以数值仿赵例子验证了方法的有效性。     

一种基于遗传算法的Job Shop作业排序方法

用遗传算法对ＪｏｂＳｈｏｐ零件排序问题进行优化搜索，并在算法中引Ａ了一些新的思想，以有利于降低种群的规模，提高计算速度，改善优化结果。     

一种基于模型检查的入侵检测方法

在分析系统行为以及其动作序列的语义的基础上，利用时序逻辑公式描述攻击特征，提出了一种基于模型检查的入侵检测方法，该方法解决了检测中的重复验证等问题，通过增加推理链的长度约束，引入时序算子处理统计攻击，从而优化了入侵检测过程。     

一种基于移动预测的无线传感器网络动态拓扑管理机制

拓扑管理是节省无线传感器网络能量消耗的主要方法之一.通常采用的拓扑管理是静态的.即在整个网络范围内通过定期让冗余节点休眠来节能.但在诸如移动目标定位跟踪的应用场景中.静态拓扑管理会造成较大的能量消耗的浪费.提出一种动态拓扑管理机制,利用移动预测技术在移动目标的附近动态构造拓扑管理区域,并只在该区域内实施拓扑管理,而让区域之外的大部分节点休眠.分析了动态拓扑管理的性能并通过仿真比较了动态拓扑管理与其他相关机制的能量消耗.     

基于最小二乘法赋权的ARIMA-LSTM模型预测入境旅游人数——以上海市为例

为降低新冠病毒感染疫情大流行对旅游业的二次冲击,对疫情防控期间入境旅游市场的需求进行准确预测可为后期旅游业复苏提供科学依据。以上海市为研究区域,选取入境旅游人数、主要客源国、谷歌搜索指数、新增确诊病例数等数据,定量分析疫情前后入境旅游人数的空间变化特征及时间变化趋势,并用基于最小二乘法赋权的ARIMA-LSTM模型预测疫情后的入境旅游人数。结果表明：(1)疫情发生前后,亚洲客源市场一直占据入境旅游市场的核心地位,且传统入境游客与非传统入境游客的比例约为9∶1;(2)入境旅游人数与谷歌搜索指数存在长期正相关及格兰杰因果关系,与确诊病例数无明显相关性;(3)通过对比模型评价指标发现,当ARIMA-LSTM模型的R²大于0.8时,拟合较好,预测误差较单一模型小,预测精度较单一模型高,适用于疫情前、中、后期的旅游人数恢复预测;(4)对2021—2024年入境旅游人数进行恢复预测,发现该期间入境旅游人数呈明显的U形曲线。自2022年12月疫情全面放开后,旅游业逐步恢复,预计入境旅游人数在2024年12月恢复至疫情前水平,即需1.5 a的恢复期。     

一种基于O-RGPS领域建模框架的按需模型选择方法

在O-RGPS(Ontology annotated Domain Role/Goal/Process/Service Model Repository)领域建模框架的指导下.提出了一种支持按需模型选择的方法.该方法利用领域本体和领域模型之间的基于本体标注的语义关联,在语素相似度计算和目标相似度计算的基础上,提出了期望目标需求自动建模算法,达到按需模型选择的目的,通过一个城市交通领域实例验证了此方法的有效性.     

一种基于步态的身份识别新方法

步态识别是通过人走路的姿态进行身份识别的新兴生物特征识别技术.算法利用步态的动态特征和形状信息进行步态识别.首先,对某个人的一个步态序列利用动态Viterbi算法得到一个样本姿态序列,对其多个步态样本姿态序列的对应姿态取平均得到这个人的特征姿态序列,然后对特征姿态采用主成分分析法处理特征空间,最后用最近邻法进行识别.利用USF/NIST数据库对本文方法进行了验证,取得了较高的识别率.并对体形变化具有较强的鲁棒性.     

基于因素分析的出租车运力规模预测

随着网约车的兴起和城市公共交通建设的不断完善, 传统出租车行业面临的竞争不断加剧, 可能出现出租车运力规模过剩的问题. 通过影响因素分析, 筛选8个主要因素, 构建了基于多元回归的出租车运力规模关系模型, 利用宁波市客管局实测数据进行模型标定, 并引入网约车修正系数, 预测未来年的出租车运力规模. 结果表明: 2017年宁波市出租车运力需求为增长态势, 而巡游出租车运力规模因网约车的冲击仍将减少.     

基于神经网络集合预报的台风路径预报优化

针对目前台风路径预报研究中存在的预报精度不高、预报时次高耦合等缺陷,提出了一种基于神经网络集合预报的台风路径预报优化模型。运用混合模式集合预报思想和反向传播的多层前馈训练机制,充分挖掘数据特征,解决了单集合预报的固化性问题和单神经网络预报模型的随机性问题,为现有台风数值预报方法和人工智能技术的结合提供了新思路。以2018年活动在西北太平洋、南海地区的台风为样本进行对比实验,结果表明,60 h内的预报精度均得到了提高,一定程度上反映了该模型的实际应用价值。     

基于缩尺试验的联络通道机械法施工监测研究

机械法联络通道作为一种新兴的地下结构施工方法,开展监测技术研究对其安全施工具有重要的意义.针对目前工程中监测目标集成度不够、信息化程度不高的问题,以宁波地铁机械法联络通道项目为基础,提出了一套完整的联络通道施工安全在线智能监测系统.该系统分为应用层、传输层、感知层三个部分,并且具有采样、存储、传输、数据处理和预警功能.通过开展缩尺模型试验,测试了联络通道掘进过程中的变形及应力发展规律,并检验了监测系统的可靠性.试验结果表明该系统可实现实时监测、无线传输等目标,满足实际工程的监测需求,可进一步推广至实际工程.     

基于Copula GARCH模型的上证地产股与金融股的相关性研究

利用Copula GARCH模型,研究上证地产股指数和金融股指数收益率的相关性.利用边缘函数推断法（IFM）建立2个股指对数收益率的时间序列的GARCH(1,1)-t模型.对边缘分布概率积分变化后的2个服从均匀分布的序列,分别建立常相关的二元Copula模型,包括正态Copula函数、Clayton Copula函数、Gumbel Copula函数、t-Copula函数、SJC Copula函数和时变相关的二元Copula模型.对2007年12月10日至2012年3月30日上证交易所地产股票指数和金融180股票指数进行实证分析,讨论2个行业的股票和行业本身的相关性.     

基于指数加权移动平均模型的沪深300协整跨期套利策略

沪深300已在国内上市1年多,现有的相关研究文献表明基于协整的跨期套利模型能够发现跨期套利机会并获得一定收益,然而固定样本期往往无法有效的反应最新数据的信息。为解决这个问题,建立了基于协整的跨期套利的EWMA模型,并运用沪深300股指期货合约的真实交易数据进行了实证研究。结果表明,该模型能够套利成功并获取可观的收益,因此该模型是有效的。     

基于HBase与静态多级格网索引的地表覆盖数据高效检索方法

地表覆盖是地理国情监测的重要对象,为地理国情分析评价模型提供了可靠的数据源.高效的地表覆盖数据检索方法是挖掘地表覆盖数据潜在价值的前提.由于地表覆盖数据体量庞大、更新频繁,要素分布密集且不均匀,传统的空间检索方法出现了扩展困难、检索能力不足等问题.提出了一种基于HBase与静态多级格网索引的地表覆盖数据空间检索方法,针对地表覆盖数据特征设计了基于HBase的静态多级格网索引,利用MapReduce实现索引并行构建,通过多级过滤的方式,提高了地表覆盖空间范围的查询效率.实验表明,该方法能快速完成大规模、密集分布的地表覆盖数据的空间索引构建,提升空间检索性能,并具有良好的扩展性,可为其他海量空间矢量数据的检索提供借鉴.     

基于CRBM算法的时间序列预测模型研究

针对受限玻尔兹曼机（restricted Boltzmann machines,RBM）算法对时序数据预测存在抽取抽象特征向量能力较差和梯度下降能力有限的问题,基于CRBM（conditional restricted Boltzmann machines）算法以及信念网络（deep belief network,DBN）模型,构建了一种非线性的CRBM-DBN深度学习模型,并采用高斯分布处理输入特征值和对比散度抽样,用于预测时序数据.实验以浙江省近岸海域赤潮时序数据作为输入特征值,讨论该模型的深度及参数选取,并与经典的深度学习模型RBM、DAE和浅层学习中的BP神经网络进行对比,实验验证CRBM对于赤潮时序数据的预测拟合度要明显优于其他3种模型,该模型可有效用于赤潮类时序数据的趋势性预测.     

基于图像深度预测的景深视频分类算法

景深视频因高清、美观广受大众喜爱。然而,要从海量视频中检出此类视频十分困难。已有较多研究基于景深图像成像原理,开展景深像素分割算法研究,但难以直接应用于实际视频分类场景。本文针对景深视频类型,设计了可预测视频类型的深度网络。根据景深成像原理,各语义物体之间相对相机的景深深度存在一定的逻辑关系。为此提出以图像深度为指导,利用深度预测模块预测图像的景深深度信息,将其合并后输入至分类网络进行训练检测,以降低景深视频误检率,提升网络模型的性能。此外,针对现实需求中该领域有标数据较少,而不同数据集分布会降低性能的问题,设计了迭代式景深视频数据集收集方法,以较低的劳动成本快速收集所需要的视频数据,具有一定的实际应用价值。本文算法在快手线上的景深视频数据集中识别准确率达85.7%。     

我国地理可照时数空间分布模拟中尺度效应研究

不同空间分辨率的DEM会对地理可照时数模拟结果产生显著影响。为了分析DEM尺度效应对我国不同区域地理可照时数的影响,选取小兴安岭、太行山区、秦岭、青藏高原弧形山区、横断山区和东南丘陵6个实验区,基于3种空间分辨率的DEM和地理可照时数分布式模型,利用GIS的多层面复合分析功能,模拟了典型月份不同空间尺度的地理可照时数,定量分析了典型地形因子与模拟结果的关系,并探讨了DEM尺度效应的影响。研究结果表明：（1）我国地理可照时数差异明显,1月、7月及其差异主要受剖面曲率、海拔、纬度、地形阴影和地形起伏度等因子的影响;（2）我国地理可照时数与典型地理和地形因子之间极显著相关,复相关系数在0.610 0～0.804 3,正相关因子为海拔高度和水平曲率,负相关因子为坡度、地形起伏度、剖面曲率和地表粗糙度;（3）不同地形因子的空间尺度效应存在差异,平面曲率和剖面曲率均非常敏感,坡度和地形起伏度次之,海拔、地表粗糙度和地形阴影相对较弱;（4）地理可照时数模拟结果随空间分辨率的减小而增大,1月增幅在8.2%～38.9%,7月增幅在5.9%～17.6%,标准差和冬夏季节差异值均随空间分辨率的减小而减小,空间异质性明显降低。