关键词： 头颈癌   机器学习   预测模型  

摘要： 背景:头颈部鳞状细胞癌(HNSCC)远处转移风险的正确评估对于制定个性化治疗方案和预后评估有重要意义。本研究的目的是探寻影响头颈部鳞状细胞癌远处转移的危险因素并利用机器学习方法建立预测模型。材料和方法:我们设计了一项回顾性横断面研究,研究队列来自SEER(隶属于美国国立癌症研究所)数据库。通过我们的纳入标准,共31060个头颈癌病例纳入本研究。我们分别构建了决策树(DT)、XGBoost(XGB)、随机森林(RF)、神经网络(NN)四个机器学习模型预测HNSCC患者远处转移风险,并比较了四种模型的性能。本研究使用精确度、准确率、召回率和F1值评价模型的效能。使用曲线下面积(AUC)和受试者工作特征(ROC)曲线对比验证了模型的鉴定能力及临床实用性。结果:***单因素分析结果显示:年龄、种族、发病部位、肿瘤分级、放射性治疗、化学治疗、手术治疗、T分期、区域淋巴结受累等因素都是HNSCC患者远处转移的影响因素(P值均<0.05);2.l o g i s t i c多因素分析结果显示:年龄大于7 0岁、黑人、原发部位为口咽、下咽和鼻咽的肿瘤、肿瘤临床分期为II级～III级、化学治疗、晚期T分类、区域淋巴结受累等因素容易造成头颈部鳞癌患者的远处转移;3.所有算法的平均正确率为7 7%,其中N N的正确率最高,为8 1.3 0 8。四种模型中,XGB、NN模型的准确度和正确率均较好,DT模型准确度较低。在4个模型中,XGB模型的AUC值最高,为0.851;DT模型的AUC值最低,为0.681。4种模型的受试者工作特征曲线(AUC)下面积在0.6 8 1～0.8 5 1之间。X G B o o s t的预测效果最好(A U C=0.8 5 1)。模型的召回率在0.7以上,其中XGB模型的准确率最高,为0.858,DT的召回率最低,为0.7 3 5。在F 1值方面,X G B模型的表现也最好。结论:XGBoost算法的分类准确率最高,此类机器学习方法具有预测远处转移的能力。机器学习算法的应用可以对头颈癌患者进行分层,有利于制定个体化治疗计划。

关键词： 区域滑坡易发性制图   机器学习   集成学习   卷积神经网络  

摘要： 滑坡作为我国发生最频繁的灾害之一,对国家的经济发展、社会和谐稳定和人民的生命财产安全都造成了严重威胁。随着整个社会对滑坡灾害的日益重视,十分有必要分析区域滑坡分布规律,从而预测滑坡空间分布特征,进而采取有效的预防措施。区域滑坡易发性制图作为近年来评价滑坡最主要的手段之一,能够有效地进行区域滑坡易发性分区,对于滑坡防灾减灾及城镇规划等工作具有重要意义。 近些年,机器学习方法被广泛应用于滑坡易发性制图研究,主要因为这类方法具有省时省力、客观性强等特点,能有效解决许多传统野外调查、专家知识方法所无法解决的问题。但是传统机器学习方法在滑坡易发性建模中还存在许多不足与局限性,如逻辑回归容易欠拟合,不能很好的处理滑坡这样的非线性数据;支持向量机处理大样本很耗时,且不能很好处理多分类问题。与之相比,基于多种机器学习的集成方法,在区域滑坡易发性制图中具有适用范围广、分类精度高的优点,表现出更好的拟合效果。 针对传统机器学习方法在区域滑坡易发性制图中的不足,本文以达州市为研究区,首先选取适合研究区的致灾因子,并对因子进行易发性分析,再制作出研究区滑坡样本集;然后将传统机器学习方法与集成方法进行集成,构建出新的集成模型;最后将上述模型用于区域滑坡易发性制图,并分别对模型效果与易发性结果进行分析与比较,以研究集成机器学习方法的合理性与有效性。具体研究工作和结果如下: (1)采用成因分析、相关研究等方法,选取研究区适合的滑坡致灾因子。为了探究滑坡与周围地理环境因素的关系,选取了研究区合适的滑坡致灾因子,在分析研究区地理环境因素、调研相关研究、参考数据可获取性的基础上,从地形地质、土地覆盖、气象水文、人为活动四个方面选取了12个滑坡致灾因子。最后对12个因子进行共线性分析,结果证明12个因子不存在多重共线性,都能被用到后续研究。 (2)量化致灾因子评价指标,从而对滑坡致灾因子进行易发性分析,进而制作滑坡样本集。为了分析致灾因子与滑坡空间分布关系,首先利用自然间断法将每个因子划分为不同评价等级,再采用确定性系数法量化因子评价指标,然后对因子易发性进行评价。评价结果显示,滑坡空间分布为西南区域多,东北区域少;且滑坡主要分布在低海拔的山地、丘陵地区,缓坡,直线坡,坡向为西,离断层较远的区域;植被覆盖度适中、草地等区域也易发生滑坡;滑坡在离河流较近,水体指数适中,TWI值较小,年降雨量1100mm左右的区域分布较多;同时距离道路较近的区域也是滑坡主要分布区域。最后通过将滑坡点和非滑坡点与致灾因子专题图进行叠加,制作研究区滑坡样本集。 (3)将机器学习方法与集成方法进行集成,构建新的集成模型,再将其应用于区域滑坡易发性制图,最后分别对易发性建模效果和易发性评价结果进行分析与比较。首先采用将支持向量机(SVM)、决策树(DT)、逻辑回归(LR)分别替代Ada Boost算法(AB)、旋转森林算法(ROF)的基分类器,以及利用卷积神经网络(CNN)提取特征用于SVM、DT、LR分类的方式,构建出九种新的集成方法。再将上述集成模型用于区域滑坡易发性制图,并利用查准率、查全率、准确率、Kappa系数、AUC值等评价指标对建模效果进行定量分析。 研究结果表明,集成方法能有效提升传统机器学习在区域滑坡易发性制图中的效果,其中ROF-SVM的效果最好(AUC=0.7118)。SVM与集成之后相比,ROF-SVM、CNN-SVM的AUC值分别上升了0.0125和0.0071,但是AB-SVM的AUC值下降了0.0261;在对DT的集成模型中,与AB、ROF、CNN集成后的AUC值分别上升了0.0423、0.0453、0.035。在对LR的集成模型中,AB、ROF、CNN集成后的AUC值分别上升了0.0114、0.0074、0.0159。利用上述九个模型制作研究区滑坡易发性地图,并将该区域划分为极高、高、中、低、极低风险区五类,结合对滑坡灾害实际发育情况的分析,除了AB-SVM,其他模型生成的易发性地图都比较合理,其中ROF-SVM为最适合达州市的滑坡易发性制图模型。

关键词： 碳交易市场   波动率预测   经济政策不确定性   机器学习方法  

摘要： 经济的发展离不开工业生产,然而工业生产过程中排放的温室气体对全球生存环境带来了各种严峻的挑战。特别是近年来,经济的快速发展更是加快了全球温室气体的排放,造成了全球气候变暖和各种极端天气,人类赖以生存的环境遭受前所未有的威胁。因此,为减缓当前极端变化的气候环境,从低碳角度促进可持续发展,碳交易市场应运而生。在此背景下,碳市场价格波动受到高度关注。同时,价格波动率预测研究作为把握市场动向、优化资产配置以及完善风险管理的重要手段,在完善碳金融体系、促进企业节能减排、进一步实现绿色低碳发展中扮演着极为重要的角色。因此,如何提高碳交易市场价格波动率的预测精度迫在眉睫。 2005年,随着欧盟碳排放权交易体系(European Union Emissions Trading Scheme,EU ETS)的推出和欧盟排放权配额(European Union Allowance,EUA)期货的上市,全球各国碳排放权交易体系逐渐建立和快速发展,且这种新兴的交易体系正在世界范围内受到持续不断的关注。目前看来,全球最大且最成熟的碳排放交易市场在欧洲,EU ETS显然具有示范作用。因此,本文选取EUA期货市场作为研究对象,开展一系列关于碳价格波动率建模的预测与应用研究工作。本文将重点回答以下几个问题:首先,考虑到EUA期货市场自身的历史波动特征,利用其短期和长期跳跃、非对称性以及极端观察值是否有助于预测其未来波动率?其次,考虑到外生冲击对EUA期货市场的潜在影响,利用商品、债券、股指和不确定性这四类外生因素是否可以提升对EUA期货市场价格波动率的预测性能?同时,哪类因子的预测能力更强?第三,在上一步研究发现不确定性这类因子具备最高预测能力的基础上,能否综合考虑不同国家的经济政策不确定性(Economic Policy Uncertainty,EPU)信息提高EUA期货市场价格波动率的预测精度?第四,在目前人工智能技术高速发展的背景下,能否结合机器学习方法进一步提取不同类别的EPU指数中所包含的预测信息来提高预测精度?最后,前文的理论研究是否对资产配置和风险管理等工作有应用价值?本文的研究内容如下: 第1章绪论介绍了研究背景、研究内容、研究意义和研究创新性。 第2章首先梳理了碳交易市场的发展历史、现状以及前景,并讨论了影响碳交易市场价格波动的潜在因素,包括自身因素和外生因素。同时也介绍了本文预测研究中的三个基础模型和四种样本外检验方法。 第3章通过结合EUA期货市场自身历史波动特征中的短期和长期跳跃、非对称性以及极端观察值构建了多种扩展模型,探讨了这些因素对其未来价格波动率的预测性能。研究发现,在非对称性方面,同时考虑短期非对称、长期非对称和长期杠杆的扩展模型具有更好的预测效果;在极端值方面,只关注短期极端值的扩展模型具有更好的预测性能;在跳跃信息方面,只关注短期跳跃成分的扩展模型和同时关注短期和长期跳跃成分的扩展模型表现较好。然而,以上扩展模型的优势主要体现在EUA价格波动的低波动时期。 第4章通过考虑外生因素,包括债券、商品、股指和不确定性,对预测EUA波动率的工作进行深入研究。首先,研究发现在考虑的预测因子中,能够成功预测EUA价格波动率的单个因子较少。随后,为了提高预测能力,本文在基准模型的基础上进一步结合了组合预测方法、扩散指数方法以及机器学习方法。研究发现扩散指数方法和组合预测方法均难以提高预测EUA波动率的准确性,然而,机器学习方法对EUA波动的预测效果较好。更重要地是,实证结果表明:在多数情况下,不确定性这类因素对EUA期货市场价格波动率的预测效果要优于其他类型的外生因素。 第5章在上一章结论的基础上进一步探究了不确定性这类指标中的EPU对EUA市场价格波动率的预测能力。主要是针对国别的EPU信息讨论其对EUA期货价格波动率的差异化影响,并对EUA期货波动率进行了中长期预测研究。研究证实不同国家的EPU对EUA期货市场价格波动率具有差异化的长期预测能力。此外,本章还进一步讨论了如何整合国别的EPU信息提升预测效果。结果发现采用扩散指数模型和组合预测方法都可以产生可观的长期样本外预测效果且对低波动时期的EUA波动率预测更加有效。 第6章综合考虑了按不同政策类别分类的EPU指标,进一步讨论了不同类型的EPU信息对EUA期货市场价格波动率的影响。研究发现不同类型的EPU对EUA期货波动率具有差异化的可预测性,且单个分类EPU的预测能力不够稳健。同时,结果显示采用基于马尔可夫机制转换技术的机器学习方法更有助于从多个分类EPU指数中获取有效信息,提高对EUA期货波动率的预测精度。本章还进行补充分析并发现MIDAS回归框架下的机器学习方法在预测EUA市场波动率方面优于传统的AR回归框架下的机器学习模型。 第7章以第6章的实证结果为例,考察了波动率预测

关键词： 机器学习   密度泛函理论   非平衡格林函数   过渡金属硫化物   钙钛矿材料  

摘要： 由于高性能、环境友好型材料能够缓解当今社会面临的环境污染和能源短缺问题,因此受到各国研究人员的广泛关注。目前探寻新材料的途径主要是实验和理论计算,但这两者都属于试错型方法,很大程度上依赖于研究人员的经验,因此存在实验周期长、试错成本高的问题。而最近兴起的机器学习方法对快速探索材料性质表现出了巨大的潜力。它能够利用已知的材料数据集,通过各种算法快速地对未知材料进行预测和分析,并提供不依赖于直觉和经验的数据结果。鉴于此,机器学习方法已逐渐成为材料开发中一种强有力的辅助手段。本论文借助机器学习结合第一性原理计算的方法探索了新材料的物理性质。论文的研究内容如下: （1）带隙是材料非常重要的属性,如今大量材料的带隙值已通过密度泛函理论计算并收录进材料数据库中。然而在这类计算中往往采用Perdew-BurkeErnzerhof（PBE）方法处理其中的交换关联函数,因此带隙常常被低估。相比于PBE方法,杂化泛函方法（HSE）是一种更加准确的方法,但需要大量的计算资源。为了克服这一问题,本章节借助机器学习方法精确预测了材料的带隙值。首先构建一个分类模型挑选出数据集中的非金属材料,接着基于不同的描述符矢量,建立三种机器学习模型来预测非金属材料的带隙值。对于模型I,描述符只包含了材料的组份信息;对于模型II,只使用了PBE计算的带隙值作为输入变量;而在模型III中,输入变量同时包括材料的PBE带隙和组份信息,预测精度可与HSE方法对标。最后,利用这一模型,成功预测了Materials Project数据库中126 324个无机材料的带隙值,并建立了相应的数据库。 （2）二维过渡金属硫族化合物异质结的电子性质和它们的层数有着密切的关系。我们基于密度泛函理论与机器学习技术相结合的方法,有效地预测了由单层或多层Mo S2、WS2、Mo Se2、WSe2、Mo Te2、WTe2两两组成的N层原子层构成的异质结的电子特性（其中N=2～10）。结果显示,组成元素种类对异质结的电子性质有着决定性的影响。在层数较少的情况下,层数对电子性质的影响较大,特别是当异质结的层数从双层增加到三层时,其带隙值和能带排列类型会发生较大的改变。而当层数增加到一定厚度时,层数对异质结电子性质的影响逐渐降低,材料的电子性质变化逐渐减小,趋于三维块体性质。 （3）构建了Janus-Mo SO单层及Janus-MoSO/MoS2异质结,并系统地研究了它们的光学性质和接触电阻。当Mo S2单层转变成Janus-Mo SO单层时,由于S和O原子之间的电负性差异,产生了一个本征电场。当氧化发生在双层Mo S2表面时,则构成了一个非对称的Janus-Mo SO/Mo S2异质结。结果表明它具有一个Type-II型的能带排列,并且激子结合能很小,这些都有利于提升材料中电子和空穴的分离效率。接着,进一步研究了双层Mo S2和Janus-Mo SO/Mo S2异质结的接触性质。当金电极与双层Mo S2接触时会产生一个肖特基势垒,而当Janus-Mo SO/Mo S2异质结与金电极接触时,表现出了欧姆接触的性质。这一特性有利于器件中的电荷注入。 （4）通过掺杂对材料进行改性,是材料领域常用的研究手段。本章节使用基于高通量计算和机器学习的方法来探索杂化A3B2X9的光催化性能,首先通过等价替换A3B2X9钙钛矿材料中的原子,构造了340万个掺杂结构。接着构建了机器学习模型来预测340万个钙钛矿结构的带隙值,并经过高通量筛选将光催化候选材料的数量减少到30万种,最后对这些候选材料进行能量转换效率的计算。计算结果表明,掺杂原子的种类和掺杂位点对催化性能有着重要的影响。为了获得更高的催化性能,对于X位原子来说,Br和I原子共存是一个比较好的选择;而对于B位原子来说,更倾向于选择大周期的重原子。此工作也为探索掺杂系统提供了一个有效的研究途径。

关键词： 蛋白质耐热性   蛋白质最适温度   机器学习   PCA   Boruta   数据库  

摘要： 有效区分蛋白质的热稳定性差异,探索影响蛋白质的耐热性的因素,一直是生物科学研究人员的重要研究课题之一。在这项研究中,使用不同的机器学习方法,结合了蛋白质的自身特征以及来源微生物的生长温度特征,进行蛋白质耐热性的分类以及蛋白质最适温度的预测,并对蛋白质耐热性的机制进行了研究。主要内容如下:(1)在具有72条蛋白质序列的小数据集上,基于Boruta和主成分分析PCA降维方法的结合,第一次建立了BOCA算法。该算法不仅可以获得所有影响蛋白质耐热性的重要特征,还可以对特征进行降维,去除重要特征间的相关性,减少特征间的冗余。将BOCA算法结合不同的机器学习模型,实现了耐热和非耐热蛋白质的分类模型。使用BOCA算法最终将434维特征向量缩减为新的18维特征向量。结果表明,BOCA特征筛选算法与以径向基为核函数的支持向量机模型SVM相结合在耐热蛋白质和非耐热蛋白质的分类中具有良好的性能。在训练集和测试集上分别达到了97.78%和96.92%的准确度。通过筛选出的特征发现耐热蛋白质含有更多带电和极性氨基酸以及分子间氢键,还证明了二肽对蛋白质耐热性的重要性。带电以及具有极性的体积较大的氨基酸的含量、二肽组成以及分子间氢键的数量是影响蛋白质耐热性的关键因素。(2)为了使BOCA+SVM模型更具有可信性,使用该模型对四种耐热程度的4000个蛋白质以及六种耐热程度的3000个蛋白质进行分类。在训练集和测试集上对四种耐热程度的蛋白质的分类准确度分别达到了95.65%和96.40%。在训练集和测试集上对六种耐热程度的蛋白质的分类准确度分别达到了69%和70%(3)另外,结合了蛋白质的生理特征,理化特征和序列特征,应用回归模型对蛋白质的最适温度进行预测。最后在20个单个氨基酸含量与来源微生物的生长温度共21维特征组合上的随机森林模型达到了决定系数R为0.57的预测效果。(4)构建了综合信息数据库Uni Mine,相比于现有的其他蛋白质信息数据库,Uni Mine不仅集成了已经被人工注释的蛋白质的基本信息数据以及网页数据库链接,例如PDB数据库、STRING数据库等。并且还将代谢反应相关的蛋白质化合物活性数据库Chembl30和Bindingdb2022进行了集成。将这些蛋白质化合物的结构、Uniprot id、参与反应的活性值IC50、Ki、Kd本地化。另外在Uni Mine数据库中还加入了蛋白质耐热性分类、蛋白质最适温度的预测模型以及蛋白质序列比对程序。从Uni Mine中可以快速的获取蛋白质的一些功能与性质。

关键词： Early design   Machine learning   Energy consumption  

摘要： Researchers have leveraged machine learning technologies and physics-based simulation in predicting daylight and other factors relevant to building energy consumption. However, this is still an emerging research area with comparatively less literature volume than its respectable fields. The less common expertise in building physics and machine learning is one of the significant attributes of the comparable smaller field. Moreover, there is no generalized method outlining the thought process behind integrating simulation and machine learning methods or cost-benefit analysis of choosing to implement simulation, machine learning, or both in the current literature. This thesis proposes a framework that identifies the considerations researchers should ask step-by-step in the simulation and machine learning workflow and analyzes these methods' advantages and drawbacks. The proposed framework is demonstrated with two proof of concept case studies. The first case study used daylight simulation with Climate Studio and Grasshopper to generate synthetic data automatically to train pix2pix, a conditional generative adversarial network (cGAN). The model was hosted on a web interface using *** that allows users to create their building designs and provide design feedback simultaneously. The second case study is a thought experiment that employs pedestrian wind comfort with Eddy3D and an artificial neural network (ANN) model in Python.

关键词： 位点识别   不平衡样本   二分类   序列结构信息  

摘要： 准确预测蛋白质结合位点对于药物结构和蛋白质功能注释的研究至关重要,数以千计的蛋白质结构复合物已通过实验方法存放在蛋白质数据库中。然而,该实验方法耗时且昂贵,考虑到蛋白质-残基相互作用的重要性和实验方法的缺陷,利用序列或结构信息开发一种有效的计算方法来识别蛋白质-残基相互作用是非常紧迫的。蛋白质结合位点的研究是典型的样本不平衡问题,少数类(结合残基)远小于多数类(非结合残基),传统的机器学习算法对这类研究并不通用,结果会严重偏向多数类。因此,开发一个基于机器学习的预测方法,设计出准确、方便、高效的预测模型是非常必要的。蛋白质-核糖核酸(Ribonucleic Acid,RNA)结合位点识别的研究中,本文通过构建自己的数据集,提取蛋白质的序列特征以及结构特征,然后考虑到相邻残基对目标残基的影响,引入滑动窗口以及六面体对特征进行编码组合。在此基础上,考虑到不平衡数据集,提取基于欠采样的粒度多核支持向量机(Granular Multiple Kernel Support Vector Machine with Repetitive Under-sampling,GMKSVM-RU)。为了评估模型性能,对比不同的特征组合、不同的核函数以及前人的方法。对比结果表明,本文提出的方法在训练集以及独立测试集其马修斯相关系数(Mattew’s Correalation Coefficient,MCC)提升至少1%。蛋白质-配体结合位点识别的研究中,本文利用离散余弦变换(Discrete Cosine Transform,DCT)对位置特定评分矩阵(Position-Specific Score Matrix,PSSM)进行压缩。另外在K近邻(K-nearest Neighbor,KNN)的基础上引入图正则项以及核学习,提出基于图正则化的局部超平面k近邻(Graph Regularized k-local Hyperplane Distance Nearest Neighbor,GHKNN)算法,将特征空间从低维映射到高维。为了评估模型性能,对比单个分类器、集成分类器以及前人的方法。对比结果表明,本文提出的方法在大多数数据集上其MCC提升2%以上。本文研究成果可以说明,蛋白质的特征比较丰富,但是结构特征比序列特征会有更高的精度。其次,GMKSVM-RU通过多次欠采样可以有效解决样本不平衡的问题。最后,图正则项以及核学习的引入,可以成功将特征从低维映射到高维,增加特征之间的相关性,更好的过滤噪声点。

关键词： 机器学习   病毒-药物关联   lncRNA-蛋白质关联   分子对接  

摘要： 非编码RNA与多种生物机制过程密切相关,其突变和失调会诱导包括癌症在内各种疾病的发生。机器学习方法不仅可以减少资源消耗,还可以加速药物发现,因此,从机器学习角度分析RNA分子,有助于研究RNA的生物机制和功能。本论文主要以病毒-药物关联、lncRNA-蛋白质相互作用为研究对象,从以下几个方面提出机器学习模型和算法,从而为相关疾病的诊断与治疗提供有效线索。首先,基于正则化方法提出最小二乘法模型VDA-RLSBN,识别病毒-药物相互作用。本模型首先整合病毒的全基因组序列、药物的化学结构,分别使用MAFFT和RDKit计算病毒和药物的相似性。然后,结合二部图思想和邻居信息提出的正则化最小二乘法,预测新冠肺炎关联药物。实验结果表明,与五种代表性方法相比,VDA-RLSBN获得最高的AUC和AUPR值。最后,本模型对预测与新冠肺炎关联得分最高的几种药物与S蛋白/ACE2进行分子对接。分子对接结果表明,利巴韦林和瑞德西韦可能具有抗新冠肺炎的作用。其次,基于核融合思想提出逻辑斯蒂矩阵因子化方法VDAKLMF,为新冠肺炎筛选潜在药物。本模型先整合病毒和药物的信息以构建病毒与药物的相似核。然后,根据已知的病毒-药物关联数据和最近邻居信息,建立病毒和药物的高斯核,并融合高斯核和相似核。最后,基于核融合方法提出逻辑斯蒂矩阵因子化模型以识别可能的抗新冠病毒药物,并对推断出的抗病毒药物与S蛋白/ACE2的结合域进行分子对接,分子对接结果表明,瑞德西韦和利巴韦林可能具有抗新冠肺炎的作用。最后,基于深度学习理论提出深度森林模型LPIDF,识别lncRNA-蛋白质相互作用。本模型先整理五个数据集,分别基于四核苷酸组成和Bio Seq2vec提取lncRNA和蛋白质的序列特征。最后,建立具有级联森林结构的深度森林模型以预测lncRNA-蛋白质相互作用。实验结果表明,LPIDF具有很高的AUC和AUPR值。

关键词： 流体仿真   机器学习   动理学方法   连续尺度  

摘要： 流体仿真技术被大量应用于各个领域，但是如何快速得到高分辨率流体的仿真结果，一直是研究的难点和痛点。由于流体的运动会产生不同尺度的涡流以及复杂的细小结构，因此，流体的准确模拟，不仅需要复杂的非耗散数值求解器，而且需要高分辨率的计算网格，这会带来巨大的计算资源和时间开销。虽然一些自适应网格的方法可以进一步提升效率，但是还是很难快速的模拟大规模复杂流体场景。近些年，动理学方法，即基于格子玻尔兹曼方程的方法，因其具有良好的局部并行特性备受关注，被认为是求解不可压缩的纳维-斯托克斯方程的一种有吸引力的替代方法。然而，由于在复杂流体模拟中存在精度不高和稳定性不足的问题，这种方法尚未在计算机图形学领域中广泛采用。因此，针对高分辨率流体仿真效率低的问题。本文首先提出连续尺度的动理学方法，提高求解器的精度和稳定性，实现湍流的高效模拟。进而，结合字典学习，搭建了时空一体的上采样机器学习框架，实现了高分辨率流场的高效仿真。本文的主要创新点包括:　　(1)构造连续尺度的高效动理学流体模拟方法。为了实现准确和稳定的流体模拟，引入非正交中心矩弛豫模型，同时提出了白适应的弛豫方法。另外，通过构建一种创新的连续尺度公式，使得任意分辨率的网格能够以更连续和松散的几何约束轻松地相互通信，从而更好地模拟流体运动中的连续物理尺度。此外，方法对于任意几何边界的湍流仿真也有着很好的适用性，为基于数据驱动的流体仿真方法奠定了坚实的基础。　　(2)搭建空间的流场上采样机器学习框架。即使有了相对高效的流体仿真求解器，对于高分辨率的流体仿真来说，效率还是很低。本文提出了一种多尺度字典神经网络的空间上采样机器学习框架，可以加速高分辨率流体的仿真过程。虽然流体的整体结构看起来很复杂，但是局部的流体补丁结构相对简单。因此，方法基于“局部”的思想，将高分辨率流场补丁，通过字典以及相应的稀疏系数进行线性表示。给定任意的低分辨率流场补丁作为输入，基于多尺度字典神经网络，能够快速的预测流场的高频字典以及相应的稀疏系数，从而高效的合成高分辨流场结果。　　(3)搭建时空一体的流场上采样机器学习框架。在流体仿真过程中，考虑到数值解法的稳定性和时间计算资源的开销，往往设置较大的时间步长。因此会丢失流体仿真中相邻两帧的流体变化信息，实际应用中需要研究两帧之间流体的“慢镜头”变化，但是目前研究流体的时间上采样工作很少。在流场的空间上采样机器学习框架基础上，使用了显式和自适应的滤波器，同时构建了网络的统一输入类型，从而进一步提高了模型预测的精度和泛化能力。基于时空一体的上采样机器学习框架，可以解决流场的空间上采样、空间超分辨率、时间超分辨率、压缩等问题，即使在非常小的简单数据集上训练，也能够迁移到复杂的流体仿真场景。通过一系列的实验和对比，展示了方法的高效性和适应性。与现有的方法相比，无论是视觉效果、合成效率、还是精度方面，都突出了算法的优势。