为捋清沿黄九省（区）水资源利用效率（water resource utilization efficiency,WRUE）的现状，明晰水资源利用效率的影响因素，助力该地区水资源的高效利用，基于全局超效率模型（global super efficiency slack based model,SBM）、...
详细信息
为捋清沿黄九省（区）水资源利用效率（water resource utilization efficiency,WRUE）的现状，明晰水资源利用效率的影响因素，助力该地区水资源的高效利用，基于全局超效率模型（global super efficiency slack based model,SBM）、层次分析法（analytical hierarchy process,AHP）和Tobit模型，从农业、工业、生活、生态和综合5个方面对水资源利用效率的变化情况和影响因素进行分析，结果表明：沿黄九省（区）农业、工业、生活、生态和综合水资源利用效率在2003-2022年的均值分别为0.417、0.511、0.635、0.465和0.506，总体均呈上升趋势。黄河中下游省（区）的农业、工业、生活和综合水资源利用效率高于上游省（区），黄河上游省（区）的生态水资源利用效率略高于中下游省（区）。人均GDP、第三产业产值占比、R&D经费投入强度与综合水资源利用效率呈正相关，人均水资源量、人口城镇化率、农业工业用水占比与其呈负相关。对沿黄九省（区）提出如下发展建议：优化产业结构和用水结构；加强水资源禀赋较好地区和城镇化水平较高地区的节水管控；沿黄西部省（区）加强与节水相关的科技创新。
交通出行在日益繁忙的工作生活中愈发显得重要,如何解决道路拥挤,减少交通事故发生率,已经成为世界各国亟待解决的复杂难题。短时交通流的预测作为应对上述问题的方案,因为其具有实时准确等特点,已经被当作智能交通系统(Intelligent Transport Systems,ITS)的主要组成部分。本文首先介绍了K-均值聚类算法的基本理论,它的特点是简单快速,同时应用广泛。在处理密集样本的时候,同时样本中的类彼此线性可分,那么运用K-均值聚类算法所得到的聚类效果就会很出色。在RBF神经网络的支持下,对短时交通流进行预测,得到了比较理想的数据。支持向量机(Support Vector Machine,SVM)作为机器学习方法中的佼佼者,它能够出色的解决许多算法中的实际问题,比如K-均值聚类算法很容易陷入局部极小值。通过引入支持向量机,我们能够在短时交通流的预测上,得到更加精确的结果。实验结果说明,利用基于支持向量机的K-均值聚类算法,RBF神经网络能够有效的预测短时交通流,证明该模型是有效的。
暂无评论