金融危机前后BDI指数与CBFI指数的多重分形研究

针对BDI指数和CBFI指数收益时间序列的相关性特征，运用多重分形去趋势波动分析法（MF-DFA）和多重分形去趋势交叉相关分析法（MF-DCCA），对2004-01-01到2008-09-15（危机前）和2008-09-16到2013-12-31（危机后）BDI指数和CBFI指数自相关的多重分形性以及二者交互相关的多重分形特征进行分析。首先，基于MF-DFA方法分析BDI和CBFI指数收益序列的自相关性，发现金融危机前后，BDI指数和CBFI指数收益序列演变呈现出非平稳性、自相关的多重分形特征，危机后自相关性的多重分形强度大于危机前。其次，基于MF-DCCA方法分析BDI和CBFI指数收益序列的交叉相关性，结果表明两者交叉相关关系具有很强的多重分形特征，呈现出时间序列的长程相关性，危机后互相关的多重分形强度大于危机前。同时也证实多重性归因于时间序列波动的持续性和胖尾分布。     

香港港口PM2.5和PM10的多重分形特征

颗粒物是港口地区的主要污染物之一,利用多重分形理论分析港口地区PM2.5和PM10浓度的多重分形特征。首先,运用多重分形消除趋势波动分析方法(Multifractal detrended fluctuation analysis, MF-DFA)分析PM2.5和PM10自身的多重分形特征,结果显示PM2.5和PM10浓度的演化过程表现出非线性、复杂性的多重分形特征,且PM10浓度的多重分形特征较PM2.5强。其次,利用多重分形消除趋势交叉波动分析方法 (Multifractal detrended cross-correlation analysis, MF-DCCA)研究港口地区PM2.5和PM10的交叉相关性,结果表明两者之间不仅存在具有长期记忆性的多重分形特征,而且其互相关性多重分形特征具有明显的季节变化特征。港口地区PM2.5和PM10的多重分形特征在春季最强,夏季次之, 秋季最弱。这些结论对港口地区PM2.5和PM10的联合控制具有一定的参考价值。     

罐式危化品多式联运调度模型研究

随着我国危化品需求的快速增长,危化品运输事故也越频繁。为了降低危化品运输风险,保障运输安全,本文尝试将以罐式集装箱为载体的危化品调度问题与多式联运结合起来,建立了带时间约束的成本和风险最小的多目标规划模型。在此基础上,利用二维欧氏距离客观赋值的模糊算法求解模型。结合算例验证,将多式联运应用到危化品调度问题有利于降低风险,确保调度的安全性。同时,该方法能在风险可控的范围内,实现调度成本的最小化。     

基于SVR-LUR模型的城市道路PM10空间浓度分布模拟

针对传统土地利用回归模型(Land use regression, LUR)未考虑影响因子与大气污染物之间非线性复杂关系 和易出现多重共线性的问题。以PM10为例,采用支持向量回归机(Support vector machine regression, SVR) 改进土地利用回归模型的建模方法构建SVR-LUR模型,对上海市南浦大桥周边区域PM10空 间分布进行模拟。研究结果表明: 1)研究区域PM10浓度与100 m缓冲区内的空地面积, 150 m缓冲区内的建筑工地面积、 空地面积、河流面积, 200 m缓冲区内的绿地面积和河流面积,以及湿度、交通流量和背景浓度相关性较高。 2) SVR-LUR模型可较好地对研究区PM10浓度进行空间分布预测。SVR-LUR模型与LUR模型相比, SVR-LUR模型预测精 度较高,其测试集比LUR模型测试集的平均绝对误差(Mean absolute error, MAE)及均方根误差(Root mean squares error, RMSE)分别减小了22.92\%、33.51\%,拟合指数(Index of agreement, IA)值增加了13.20\%。 相较于普通克里金插值模型所得到的单一梯度空间分布预测结果, SVR-LUR 模型能够更有效揭示小范围内的空间差异。 3)研究区PM10浓度空间分布呈现出西高东低的总格局,在建筑物和路网密集的地方浓度较高,而在靠近江面和空地 的区域浓度相对较低。模拟结果与实际情况相符。     

基于MF-DFA的交通流量多重分形研究

针对交通流时间序列的波动性变化特征,采用多重分形消除趋势波动分析法（Multi-Fractal Detrended Fluctuation Analysis,MF-DFA）,对上海内环高架吴中路上匝道和下匝道的交通流量时间序列进行研究。结果表明,上匝道和下匝道的交通流量都具有长程相关性和多重分形特性。通过对比上匝道和下匝道的多重分形特性,发现下匝道交通流量的多重分形特征明显强于上匝道,表明下匝道的交通流量具有更显著的波动特性。这些研究成果为城市交通流时间序列的非线性研究提供了重要的理论依据。     

基于气象因素的PM10浓度预测

为建立准确高效的空气质量预报系统,建立以污染物、气象因素、污染物混合气象因素的三种预测因子模式,并将该三种预测因子模式作为支持向量机回归 (Support vector machine regression, SVR)的输入变量进行PM10浓度的每日预测,寻找最优预测因子模式。并使用灰狼优化算法 (Grey wolf optimization, GWO)对支持向量机回归模型进行优化,形成GWO-SVR模型。实验结果表明,污染物混合气象因素作为输入变量为最优预测因子模式, SVR和GWO-SVR模型测试集确定系数分别达到$R^2$=0.79和$R^2$=0.81,预测精度较高,经比较发现GWO-SVR模型预测性能较好。之后,依据风向条件对数据进行分类,使用较优的GWO-SVR进行PM10浓度预测,预测结果显示盛行西南风时, 预测集评测指标为$R$=0.91、$M_{\rm SE}$=47.15,优于盛行东北风时的$R$=0.87、$M_{\rm SE}$=125.80和所有数据下的$R$=0.90、$M_{\rm SE}$=107.94。