以旅游大数据为基础,考虑长时间范围内的滞后效应以及不同搜索强度指数(Search Intensity Index,SII)之间的多任务影响,提出一种基于大数据的多任务旅游信息分析(Multi-tasking Tourism Information Analysis Based on Big Data,MTIABD...以旅游大数据为基础,考虑长时间范围内的滞后效应以及不同搜索强度指数(Search Intensity Index,SII)之间的多任务影响,提出一种基于大数据的多任务旅游信息分析(Multi-tasking Tourism Information Analysis Based on Big Data,MTIABD)框架。使用融合信息重排序技术预测旅游需求,具体根据图引导结构模拟历史变量对未来变量的滞后影响。每个变量通过时间维度上的卷积神经网络(Convolutional Neural Network,CNN)进行独立编码,利用二分图动态建模滞后效应,通过图聚合进行挖掘,实现对旅游需求的精准预测。基于上述技术,构建旅游需求预测系统,旅游者能够根据需求检索不同景点的信息。在真实数据集上进行大量实验,结果表明所提出的MTIABD框架在一步和多步预测方面均优于现有方法。在平均绝对百分比误差(Mean Absolute Percentage Error,MAPE)指标下,相较于基于实例的多变量时间序列图预测框架(Instance-wise Graph-rased Framework for Multivariate Time Series Forecasting,IGMTF),MTIABD在HK-2021数据集上的性能提高了16.75%,在MO-2021数据集上的性能提高了19.79%。展开更多
植被总初级生产力(Gross Primary Productivity,GPP)是陆地生态系统碳汇的重要组成部分。深入理解干旱对植被GPP影响的累积效应和滞后效应,揭示植被响应机制,对云南省生态安全具有重要意义。然而,关于植被GPP干旱响应机制的时空异质性...植被总初级生产力(Gross Primary Productivity,GPP)是陆地生态系统碳汇的重要组成部分。深入理解干旱对植被GPP影响的累积效应和滞后效应,揭示植被响应机制,对云南省生态安全具有重要意义。然而,关于植被GPP干旱响应机制的时空异质性和影响因子的研究仍较为匮乏。研究基于2001—2023年植被GPP和标准化降水蒸散发指数数据,采用时间序列分析方法和最大相关系数法,分析了云南省气象干旱和植被GPP的时空变化特征,量化并探讨了干旱对植被GPP的累积效应与滞后效应,及其受长期干湿状况和海拔的影响。结果表明:(1)近23年以来,云南省总体上表现为不显著干旱化趋势。干旱的高发区域主要分布在西北部、西部和中东部,高发时段为春季和秋季。植被GPP多年均值为1600.2 g C/m^(2),年际变化表现为极显著上升趋势(6.8 g C m^(-2) a^(-1),P<0.001),但年际波动较为明显。(2)植被GPP对干旱的响应具有明显的时空异质性,以秋季和春季响应最为显著,空间上干热河谷地区最易受干旱影响,响应强烈且迅速。(3)全省52.0%和54.9%的区域植被GPP显著受干旱累积效应和滞后效应的影响。累积效应时间尺度以中短期(4—6个月)和长期(10—12个月)为主,滞后时间以长期(10—12个月)为主。相较灌木和森林,农田和草地对干旱的响应更强烈、时间尺度更短。滞后时间在不同植被类型间的差异较小。(4)长期干湿状况和海拔是影响干旱累积效应和滞后效应的重要因素。随着环境从干燥转为湿润或是海拔升高,干旱影响强度会逐渐降低,累积效应时间尺度延长,而滞后时间则缩短。海拔对干旱影响强度的作用大于干湿状况,而累积效应时间尺度和滞后时间受干湿状况的影响则更显著。研究结果可以为干旱风险缓解与应对管理策略的制定提供科学依据。展开更多
文摘以旅游大数据为基础,考虑长时间范围内的滞后效应以及不同搜索强度指数(Search Intensity Index,SII)之间的多任务影响,提出一种基于大数据的多任务旅游信息分析(Multi-tasking Tourism Information Analysis Based on Big Data,MTIABD)框架。使用融合信息重排序技术预测旅游需求,具体根据图引导结构模拟历史变量对未来变量的滞后影响。每个变量通过时间维度上的卷积神经网络(Convolutional Neural Network,CNN)进行独立编码,利用二分图动态建模滞后效应,通过图聚合进行挖掘,实现对旅游需求的精准预测。基于上述技术,构建旅游需求预测系统,旅游者能够根据需求检索不同景点的信息。在真实数据集上进行大量实验,结果表明所提出的MTIABD框架在一步和多步预测方面均优于现有方法。在平均绝对百分比误差(Mean Absolute Percentage Error,MAPE)指标下,相较于基于实例的多变量时间序列图预测框架(Instance-wise Graph-rased Framework for Multivariate Time Series Forecasting,IGMTF),MTIABD在HK-2021数据集上的性能提高了16.75%,在MO-2021数据集上的性能提高了19.79%。
文摘植被总初级生产力(Gross Primary Productivity,GPP)是陆地生态系统碳汇的重要组成部分。深入理解干旱对植被GPP影响的累积效应和滞后效应,揭示植被响应机制,对云南省生态安全具有重要意义。然而,关于植被GPP干旱响应机制的时空异质性和影响因子的研究仍较为匮乏。研究基于2001—2023年植被GPP和标准化降水蒸散发指数数据,采用时间序列分析方法和最大相关系数法,分析了云南省气象干旱和植被GPP的时空变化特征,量化并探讨了干旱对植被GPP的累积效应与滞后效应,及其受长期干湿状况和海拔的影响。结果表明:(1)近23年以来,云南省总体上表现为不显著干旱化趋势。干旱的高发区域主要分布在西北部、西部和中东部,高发时段为春季和秋季。植被GPP多年均值为1600.2 g C/m^(2),年际变化表现为极显著上升趋势(6.8 g C m^(-2) a^(-1),P<0.001),但年际波动较为明显。(2)植被GPP对干旱的响应具有明显的时空异质性,以秋季和春季响应最为显著,空间上干热河谷地区最易受干旱影响,响应强烈且迅速。(3)全省52.0%和54.9%的区域植被GPP显著受干旱累积效应和滞后效应的影响。累积效应时间尺度以中短期(4—6个月)和长期(10—12个月)为主,滞后时间以长期(10—12个月)为主。相较灌木和森林,农田和草地对干旱的响应更强烈、时间尺度更短。滞后时间在不同植被类型间的差异较小。(4)长期干湿状况和海拔是影响干旱累积效应和滞后效应的重要因素。随着环境从干燥转为湿润或是海拔升高,干旱影响强度会逐渐降低,累积效应时间尺度延长,而滞后时间则缩短。海拔对干旱影响强度的作用大于干湿状况,而累积效应时间尺度和滞后时间受干湿状况的影响则更显著。研究结果可以为干旱风险缓解与应对管理策略的制定提供科学依据。
