基于ARIMA和BP神经网络的生态系统服务价值预测仿真

针对现有生态系统服务价值预测体系误差大、研究不足等问题,本文构建了面向未来生态服务价值的预测机制。该机制采用主成分分析法和Person相关系数法,建立了以GDP、人口、土地利用率、土地管理政策和城市人口密度为驱动力的生态系统服务价值关联矩阵,提出了基于ARIMA和BP神经网络的生态系统服务价值的时间序列预测机制。为验证预测机制有效性,本文选取中国主要土地利用类型代表省份的真实土地数据集进行分析,研究结果表明本文建立的预测模型平均绝对误差仅为0.023,且从预测结果来看,未来草地生态会向较好趋势发展,林地生态发展不容乐观。     

折板型弦支网架结构力学性能分析研究

折板型弦支网架结构是在折板型网架结构的基础上,引入张拉整体思想,结合了折板型网架结构和弦支网架结构的优势。河北联合大学新校区体育馆钢屋盖采用折板型弦支网架结构,结构体系新颖。对该折板型弦支网架结构进行设计,对网架结构基本动力性能以及弹性与弹塑性抗震性能等方面进行分析研究,保证结构的安全可靠与正常使用。以本工程折板型弦支网架结构为例进行结构是否考虑非线性的对比分析,结果表明,对折板型弦支网架结构进行设计分析时需要考虑非线性,线性叠加分析的结果不可靠。对结构的节点进行了设计,主要采用焊接球节点,采用ABAQUS有限元分析软件对网架关键节点进行力学性能分析,结果表明,网架节点的受力性能良好,能保证结构连接的安全有效。     

面向用户隐私保护的联邦安全树算法

针对联邦学习算法在用户行为预测中存在的准确率低和运行效率不高等问题,提出一种无损失的联邦学习安全树（FLSectree）算法。首先,通过对损失函数的推导,证明损失函数的一阶偏导数与二阶偏导数为敏感数据,采用特征索引序列的扫描和分裂来返回加密后的最佳分裂点,以保护敏感数据不被泄露;接着,通过对实例空间的更新来继续向下分裂并寻找下一个最佳分裂点,直至满足终止条件后结束训练;最后,利用训练后的结果使得各参与方得到本地算法参数。实验结果表明,FLSectree算法能够在保护数据隐私的前提下有效提高用户行为预测算法的准确率和训练效率,与联邦学习FATE（Federated AI Technology Enabler）框架中的SecureBoost算法相比,FLSectree算法在用户行为预测中的准确率提高了9.09%,运行时间降低了87.42%,训练结果与集中式Xgboost算法一致。     

面向生态系统服务价值的组合预测算法研究

针对当前生态环境服务价值体系中存在的评估单一性和预测精度不高等问题,提出了三种不同的面向生态系统服务价值的动态组合预测体系,即ARIMA-BP、PCABP-ARIMA及PCABP+ARIMA预测模型,并对西藏自治区的草地、黑龙江省的林地和河南省耕地的生态系统服务价值预测进行实证分析。实验结果表明ARIMA-BP预测模型的平均绝对误差仅为0.87%,PCABP-ARIMA和PCABP+ARIMA预测模型的平均绝对误差分别为1.98%和2.24%,其中ARIMA-BP预测性能最优,相对于传统BP神经网络预测模型误差缩小了62.67%。     

面向用户隐私保护的联邦安全树算法

针对联邦学习算法在用户行为预测中存在的准确率低和运行效率不高等问题，提出一种无损失的联邦学习安全树（FLSectree）算法。首先，通过对损失函数的推导，证明损失函数的一阶偏导数与二阶偏导数为敏感数据，采用特征索引序列的扫描和分裂来返回加密后的最佳分裂点，以保护敏感数据不被泄露；接着，通过对实例空间的更新来继续向下分裂并寻找下一个最佳分裂点，直至满足终止条件后结束训练；最后，利用训练后的结果使得各参与方得到本地算法参数。实验结果表明，FLSectree算法能够在保护数据隐私的前提下有效提高用户行为预测算法的准确率和训练效率，与联邦学习FATE（Federated AI Technology Enabler）框架中的SecureBoost算法相比，FLSectree算法在用户行为预测中的准确率提高了9.09%，运行时间降低了87.42%，训练结果与集中式Xgboost算法一致。