轨道交通站点的功能综合反映了城市土地利用状况和城市空间活力。轨道交通站点与城市用地的和谐发展,对于优化城市交通、提升土地使用效率具有显著的正面影响。首先运用信息熵测算站点功能多样性,进一步运用优势度与均匀度探究站点功能...轨道交通站点的功能综合反映了城市土地利用状况和城市空间活力。轨道交通站点与城市用地的和谐发展,对于优化城市交通、提升土地使用效率具有显著的正面影响。首先运用信息熵测算站点功能多样性,进一步运用优势度与均匀度探究站点功能演变的空间分布特征和结构特征,最后使用XGBoost-SHAP机器学习模型探讨了其驱动因素以及它们之间的交互效应。研究表明:从时间维度上看,2012—2023年间站点功能信息熵总体呈现波动下降趋势。从空间维度上看,二环内变化型站点居多,二环至五环相对稳定,五环至六环站点变化明显,整体站点功能动态不稳定,变化型站点占比高达76%。从结构维度上看,站点功能构成经历了明显的变化,商服型和交通型站点增长,居住型、产业型及公共型站点减少或波动下降。从驱动因素上看,站点范围内的POI(point of interest)数量、路网密度和生产总值等是影响北京地铁站点功能混合度水平的主导因素,且各个主导因素之间存在交互效应。本文研究结果对于改善地铁站点周边土地的使用效率和增强站点的活力具有重要意义。展开更多
超短期电力负荷预测作为电力系统的基本组成,能为生产调度计划的制定提供重要依据。然而,电力负荷具有非线性、时变性和不确定性,充分挖掘其潜在特征并分别预测,是提升预测准确性的关键。提出一种基于自适应局部迭代滤波(adaptive local...超短期电力负荷预测作为电力系统的基本组成,能为生产调度计划的制定提供重要依据。然而,电力负荷具有非线性、时变性和不确定性,充分挖掘其潜在特征并分别预测,是提升预测准确性的关键。提出一种基于自适应局部迭代滤波(adaptive local iterative filtering,ALIF)的BiGRU-Attention-XGBoost电力负荷组合预测模型。该模型基于ALIF-SE实现将历史负荷序列分解重组为周期序列、波动序列和趋势序列;通过Attention机制对BiGRU模型进行改进,并结合XGBoost模型构建基于时变权重组合的电力负荷预测模型。实验分析表明,输入模型数据经过ALIF-SE处理后预测精度有明显提升;所提组合模型在工作日和节假日均具有较好的预测效果,预测误差大部分在5%以下;通过在不同负荷数据集下进行实验对比,验证了所提预测方法的可迁移性。实验结果证明,所提模型具有有效性、准确性和可行性。展开更多
文摘轨道交通站点的功能综合反映了城市土地利用状况和城市空间活力。轨道交通站点与城市用地的和谐发展,对于优化城市交通、提升土地使用效率具有显著的正面影响。首先运用信息熵测算站点功能多样性,进一步运用优势度与均匀度探究站点功能演变的空间分布特征和结构特征,最后使用XGBoost-SHAP机器学习模型探讨了其驱动因素以及它们之间的交互效应。研究表明:从时间维度上看,2012—2023年间站点功能信息熵总体呈现波动下降趋势。从空间维度上看,二环内变化型站点居多,二环至五环相对稳定,五环至六环站点变化明显,整体站点功能动态不稳定,变化型站点占比高达76%。从结构维度上看,站点功能构成经历了明显的变化,商服型和交通型站点增长,居住型、产业型及公共型站点减少或波动下降。从驱动因素上看,站点范围内的POI(point of interest)数量、路网密度和生产总值等是影响北京地铁站点功能混合度水平的主导因素,且各个主导因素之间存在交互效应。本文研究结果对于改善地铁站点周边土地的使用效率和增强站点的活力具有重要意义。
文摘超短期电力负荷预测作为电力系统的基本组成,能为生产调度计划的制定提供重要依据。然而,电力负荷具有非线性、时变性和不确定性,充分挖掘其潜在特征并分别预测,是提升预测准确性的关键。提出一种基于自适应局部迭代滤波(adaptive local iterative filtering,ALIF)的BiGRU-Attention-XGBoost电力负荷组合预测模型。该模型基于ALIF-SE实现将历史负荷序列分解重组为周期序列、波动序列和趋势序列;通过Attention机制对BiGRU模型进行改进,并结合XGBoost模型构建基于时变权重组合的电力负荷预测模型。实验分析表明,输入模型数据经过ALIF-SE处理后预测精度有明显提升;所提组合模型在工作日和节假日均具有较好的预测效果,预测误差大部分在5%以下;通过在不同负荷数据集下进行实验对比,验证了所提预测方法的可迁移性。实验结果证明,所提模型具有有效性、准确性和可行性。
