关键词： InSAR   深度学习   滑坡预测   N-BEATS网络模型  

摘要： 滑坡通常发生突然,破坏力巨大,经常造成重大生命安全事故和财产损失。高可靠性、高精度及具有抗差性能的滑坡形变监测预测手段和方法对于国家防灾减灾需求具有切实意义。InSAR技术是一种能够全天时和全天候观测获取高空间分辨率和宽覆盖率影像,高灵敏性捕捉时空维动态变化的监测手段,然而目前应用InSAR时序影像对滑坡区进行滑坡预测的工作仅是凤毛麟角。基于时序InSAR观测结果,本文提出了一种能够有效解决中短期滑坡预测问题的深度学习滑坡预测方法。在三峡新铺滑坡区应用N-BEATS网络模型和Sentinel-1 SAR数据进行形变预测,以均方根误差1.1 mm的预测精度完成了滑坡预测工作,并对预测结果进行了数据结构影响的规律性分析、传统方法效果对比、抗差性评估及置信区间估计等多方位的剖析,结果显示出了其高精度、高可靠性及具有一定抗差能力的突出优势。

关键词： 极限学习机   建筑工程   成本预测   粒子群算法   全局搜索  

摘要： 建筑工程成本影响因素之间存在复杂的非线性关系,传统建筑工程成本预测方法存在精度低的问题,为此提出基于极限学习机的建筑工程成本预测方法。收集建筑工程成本的历史数据,采用极限学习机对历史数据进行拟合和挖掘,建立建筑工程成本预测模型,并引入粒子群算法搜索极限学习机方法的输入权值和偏置值,进行建筑工程成本预测的实例分析。实验结果表明,极限学习可以描述建筑工程成本变化特点,预测误差很低,获得理想的建筑工程成本预测结果。

关键词： 滑坡   图卷积网络   时序预测   门控循环单元   空间相关性  

摘要： 滑坡变形监测数据是认识滑坡变形演化规律的直接依据,对该数据深度挖掘是实现滑坡灾害预警预报的有力保障。现有的滑坡位移预测模型多局限于单个监测点的时序预测,且未考虑监测点间的空间相关性。针对上述问题,本文提出了一种基于深度学习的滑坡位移时空预测模型:首先,构建表达所有点间空间相关性的加权邻接矩阵;其次,引入外界影响因素加强属性特征矩阵,以构建图结构数据;最后,采用集合图卷积网络(GCN)和门控循环单元(GRU)的深度学习模型,并通过多组试验寻找最优超参数,实现滑坡位移的时空预测。本文模型结果的均方根误差为4.429 mm,与对比模型相比至少降低了47.3%。而消融试验结果也显示,引入外界影响因素的属性增强可进一步提高模型的预测性能,均方根误差相对于未属性增强结果减少了28.4%。结果表明,该方法可用于滑坡位移或其他地质灾害中同样具有时空关联属性的观测量的时空预测。

关键词： 滑坡   易发性预测   全球尺度   自动机器学习   灾害评估与管理  

摘要： 基于机器学习的滑坡灾害易发性预测模型由于其固有缺陷,难以获得更为可靠的评价结果。自动机器学习作为新兴的智能学习方法,拥有自动选择特征、模型和参数的优良性能,并最大程度减少模型选择和训练成本,因此在滑坡灾害易发性预测方面具有广阔前景。为了深入研究该技术在全球尺度滑坡灾害易发性预测中的可行性,利用Auto-PyTorch自动机器学习模型构建全球尺度滑坡易发性预测处理框架,并与经典机器学习模型——随机森林(RF)模型和朴素贝叶斯(NB)模型进行性能对比。在此基础上,以全球60°N-60°S纬度范围作为研究区,进行全球尺度滑坡灾害易发性制图。实验结果表明,相较于经典机器学习方法,基于自动机器学习的滑坡易发性分析能够获得性能更鲁棒、精度更优越的预测结果,可以为全球性地质灾害风险评估和管理提供坚实的科学依据。

关键词： 输水管网   暗漏   极限学习机   预测   神经网络  

摘要： 针对输水管网暗漏难以预测的问题,提出一种基于极限学习机(Extreme Learning Machine, ELM)的输水管网暗漏预测方法。方法通过分析某校园老医务室楼用水量数据,选取用水量数据平稳的五月、六月夜间用水量数据作为数据集,建立BP神经网络、RBF神经网络、ELM神经网络预测模型,预测结果表明,ELM神经网络具有最优的预测效果,RBF神经网络预测效果相对较好,BP神经网络预测效果较差。ELM能够很好的预测输水管网的暗漏,为输水管网暗漏检测及预测提供借鉴和参考。

关键词： 供热管网系统   粒子群算法   极限学习机算法   热负荷预测  

摘要： 以供热管网系统为研究对象,采用粒子群算法优化极限学习机对该系统的热负荷预测方法进行研究。利用极限学习机快速学习能力和良好的泛化性能,构建了基于极限学习机的供热系统热负荷预测模型,为确保模型在面对不同样本数据能够有较好的准确性,通过使用粒子群算法对预先设定的极限学习机的随机变量进行了多次修改,从而改善了模型在特定场景下的拟合能力。通过某集中供热系统的实际运行情况数据进行预测,提出的预测方法和和对比的预测在选择的四种误差评价指标上均有明显下降。

关键词： 皮尔逊相关系数法   ELM模型   遗传算法   GA-ELM预测模型   误差评价指标  

摘要： 提升光伏发电预测的准确性有助于电网的调度管理和经济运行,其关键在于建立高效适用的预测模型。首先采用皮尔逊(Person)相关系数法对影响光伏出力的主要因素进行筛选,确立预测模型的输入特征向量;提出了一种融合Person相关系数法与遗传算法(GA)优化的ELM混合预测模型,并对预测模型中随机生成的参数进行了优化;以某一光伏电站的历史数据为研究对象,采用GA-ELM预测模型对预处理后的数据进行训练和测试,基于模型开展了四个季节典型日的光伏发电功率预测。结果表明:混合预测模型比单一的ELM预测模型和Person相关系数与ELM混合的预测模型的预估偏差率分别降低了19.2%和4.3%,验证了本文模型具有更高的准确性和稳定性。

关键词： tri-training   极限学习机   投票   迁移学习   伪标签  

摘要： 信任预测常用于推荐系统及交易平台,大多数学者研究基于某一个网络的信任预测,目前由于大多数网络缺乏标签,所以通过某一网络预测另一个网络的社会关系很有必要.利用BP神经网络结合非对称tri-training构建模型的方法存在2个问题:(1)BP神经网络反向传播调整误差需要时间长;(2)该模型只有2个分类器产生伪标签,这需要设置专家阈值.针对该模型存在的结构和速度问题,提出了改进的基于tri-training和极限学习机的跨领域信任预测模型,结合tri-training模型和非对称tri-training模型进行类似迁移学习的方法对网络进行预测,采用速度更快的极限学习机分类器,根据“少数服从多数”的投票机制,利用tri-training模型产生伪标签.实验测试特殊特征加入的影响,且在6个数据集上与其他已有算法进行对比,实验表明模型在召回率和稳定性方面优于其他算法.

关键词： ELM算法   舰船   安全性预测  

摘要： 舰船在航行过程中受到自然因素、自身因素和水域因素影响易发生安全事故,造成严重程度不同的人员伤亡、直接经济损失和海洋环境污染损失。为保证舰船航行的安全性,采用极限学习机算法对安全性进行预测,借助极限学习机算法泛化性能好、学习速度快等优势,准确得出最优解,提高航行安全性影响因素识别的准确率。本文概述改进极限学习机算法与网络训练流程,提出改进极限学习机算法在舰船安全性预测中的预测流程与模型构建。仿真实验表明,本文提出的算法能够提高舰船安全性识别的准确性和时效性。

关键词： 缺失数据预测   深度极限学习机   麻雀搜索算法   混沌映射   变异策略  

摘要： 数据缺失降低了数据的可利用性,因此如何预测缺失数据变得尤为重要。针对缺失数据问题,提出一种改进麻雀搜索算法优化深度极限学习机的预测算法。首先,将Singer混沌映射、柯西-高斯变异策略和余弦权重因子与麻雀搜索算法结合;其次利用改进后的麻雀搜索算法优化深度极限学习机中的各极限学习机中自动编码器的输入权重与偏置,进行缺失数据预测。实验表明,在小数据量,低缺失率下时,改进麻雀搜索算法优化深度极限学习机相较于麻雀搜索算法优化深度极限学习机、粒子群优化深度极限学习机、深度极限学习机,其稳定性强,预测精度最高;在均方根误差、平均绝对误差等评价指标上改进麻雀搜索算法优化深度极限学习机优于对比算法。