城市化进程提升促使城市环境污染加剧、能源消耗激增、人口密度过大等问题的深层次原因在于城市代谢失调。为精准预测北京市城市代谢变化趋势,论文通过能源消费量及人类活动时间指标测算了1980—2016年北京市体外能代谢率,表征城市代谢程度。据此运用长短期记忆神经网络模型(LSTM)预测了2017—2022年北京各部门体外能代谢率。结果表明:①基于长短期记忆神经网络的城市代谢预测模型精度较高,能够对北京各部门体外能代谢率进行更为精准的预测;②2017—2022年间,北京第一产业和总体外能代谢率呈下降趋势,其中第一产业在2017年达到峰值,第二、第三产业及生活部门体外能代谢率将呈现增长趋势。③除第一、第三产业和总体外能代谢率外,历史变化的时间扰动幅度先小后大。④对各部门体外能代谢率EMRT的影响贡献度最大的因子为第二产业体外能代谢率EMR2,最小的为第一产业体外能代谢率EMR1。论文研究结果可为政策制定者优化城市管理方案、提升城市综合实力提供理论依据和决策支持。

【目的】木材密度不仅与木材的各种材性密切相关，而且是衡量木材质量与价值的重要指标。采用近红外光谱（Near infrared spectroscopy, NIRS）分析技术能够快速、高效地预测木材密度，避免了传统试验中繁琐的检测步骤。长短期记忆网络(Long short-term memory network, LSTM)作为循环神经网络(Recurrent neural network, RNN)的变体，不仅可以学习序列数据之间的高阶特征信息，而且克服了RNN中的长距离依赖、梯度爆炸与梯度消失等问题。将LSTM与NIRS结合，提出一种能够准确预测樟子松木材气干密度的无损检测技术，为提高NIRS模型预测木材气干密度精度提供理论依据。【方法】该研究以樟子松木材样本为研究对象，用近红外光谱仪获得106个樟子松样本的光谱数据，并在恒温（20±2℃）恒湿（65%±3%）的环境下测定样本的气干密度。通过对比多组预处理方法和特征选择方法，采用Savitzky-Golay卷积平滑（Savitzky-Golay smoothing,SGS）等方法进行预处理，采用竞争性自适应加权算法（Competitive adaptive reweighted sampling, CARS）进行波段选择，剔除NIRS数据中的高频噪声与冗余信息，提升光谱数据质量、建模速度与精度。为验证LSTM模型预测能力，将其与偏最小二乘回归(Partial least squares regression, PSLR)、卷积神经网络(Convolution neural network, CNN)等建模算法对比分析。上述3种算法被分别应用于建立樟子松木材气干密度近红外预测模型。【结果】基于上述3种建模方法建立的NIRS模型均可实现樟子松气干密度的有效预测。且LSTM模型的预测精度与回归拟合度均优于PLSR与CNN模型。其中SGS+CARS处理后的LSTM模型的预测精度最高、泛化性能最强、拟合效果最好（R2=0.959,RMSEP=0.005,RPD=5.033）。【结论】通过对樟子松木材光谱数据与气干密度的采集，建立了一种新型的基于NIRS分析技术与LSTM的木材气干密度检测方法。LSTM预测模型相较于传统的回归模型，模型的预测精度更高，回归效果更好，鲁棒性更强。该检测方法既可保证木材的完整性，又可以提高气干密度的预测精度，实现了对樟子松木材气干密度的快速无损检测，为木材近红外光谱分析提供了可参考的模型与理论依据。

煤自燃是煤矿的主要自然灾害之一。煤自燃的物理化学过程十分复杂,且影响因素众多,给煤自燃危险性的预测带来很大的挑战。利用深度学习理论与方法加强对煤自燃危险性预测技术的研究,有助于提升煤矿安全生产智能化管控水平。该研究运用循环神经网络(RNN)、长短期记忆(LSTM)网络和门控循环单元(GRU) 3种算法,建立了采空区CO动态序列预测模型。对数据集进行特征变量分布检验以及数据归一化处理,降低了变量依赖性。在模型构建过程中,添加了全连接层和Dropout类以避免模型出现过拟合,通过均方误差确定模型的选代次数,引入了平均绝对误差、均方根误差和确定系数3个模型性能检验指标,分析优化了模型的参数,检验了模型性能。研究结果表明:RNN、 LSTM和GRU模型均能实现对CO体积分数的动态预测,且误差小于1%;在同一序列数据下, LSTM模型预测精度最高,其次是RNN模型和GRU模型。

网民负面情感在网络舆情情感分析中具有重要意义,但已有研究缺乏自动化识别海量短文本中网民负面情感的多分类方法。本文利用词嵌入技术学习词语的特征表示,通过增加文本的情感特征生成具有情感意义的词向量,并训练双向长短期记忆模型得到网民负面情感识别模型,在判断网民情感极性的基础上,识别网民的愤怒、悲伤和恐惧三种负面情感,并结合案例数据与SVM、LSTM和CNN等模型进行对比分析。实验表明,具有情感语义的词向量比词向量更适合情感分析任务;利用双向长短期记忆模型可以得到较好的情感识别效果;判断网民情感极性基础上识别网民负面情感的分类方式优于直接判断网民的负面情感的方式。

本文针对互联网财经新闻中对于股票市场涨跌的舆论观点，进行文本分析和建模，建立了股票市场领域情感词典，用于对互联网财经新闻文本数据进行积极、消极与中立情绪的情感分析。在情感分析过程中考虑否定副词和转义词，随后建立情感特征并采用时间卷积长短时记忆神经网络对沪深300股票指数进行预测。本文利用Word2Vec方法对大量互联网财经新闻进行训练，以半监督的方式构建互联网新闻语境股票市场领域中文情感词典，该词典能够有效地对股票市场相关新闻中所蕴含的股市涨跌观点和情绪进行识别。为充分利用文本和时序特征，本研究提出了时间卷积与长短时记忆网络相结合的模型TCN-LSTM。经过实证分析对比发现，TCN-LSTM模型的方向预测和短期数值预测效果优于其他深度学习模型。本研究提出了面向特定舆情主题的情感词典构建方法，建立了用于股市预测的互联网新闻情感词典。同时，也发展了利用深度学习方法进行金融时间序列预测的新方法。时间卷积和长短时记忆机制的集成解决了特征提取时局部和长期的权衡问题，对深度学习在金融预测领域应用效果的提高有较为重要的意义。

本文对以量化宽松为代表（Ｑｕａｎｔｉｔａｔｉｖｅ ｅａｓｉｎｇ，Ｑｅ）的美国扩张性货币政策对中国通胀水平的影响进行了研究。在分析影响我国通胀水平因素的基础上，采用深度长短期记忆神经网络模型（Ｄｅｅｐ ＬｓｔＭ）对Ｑｅ影响我国通胀的传导渠道进行建模，并利用１９９２年１月到２０１５年６月的数据对深度ＬｓｔＭ的模型参数进行估计。基于深度ＬｓｔＭ的建模结果分析表明美国量化宽松政策通过大宗商品价格和外汇储备变动两方面造成我国通货膨胀水平的提高，其中量化宽松导致的外汇储备变化对我国通胀水平影响较大。此外对深度ＬｓｔＭ网络和ｖａＲ两类模型进行了对比分析，分析表明深度ＬｓｔＭ网络在建模精度方面要高于ｖａＲ模型．．．

企业是市场的主体和产业的载体,目前阶段企业数的增长是衡量地区创新活力的重要标志。基于1988～2008年深圳企业数据,运用Logistic生长曲线、ARIMA模型和动态神经网络对2009～2011年深圳企业数进行短期预测,论证了企业数短期预测的可行性,并在预测结果的基础上分析了三种预测方法的优缺点。企业数短期预测的实现可以为相关政策的制定提供参考。

证券市场中存在大量的非线性及混沌现象使得许多基于证券投资理论建议的各种线性模型在对其发展进行预测时往往得不到很好的结果。利用两种非线性预测模型并充分考虑各技术指标之间的序列相关性 ,在灰色GM (1 ,1 )预测模型的基础上提出了组合灰色神经网络预测模型。通过对近期深证成指及首钢股份进行短期预测和检验 ,结果表明了该方法具有很高的精确度及广泛的应用前景。

电力市场环境下短期电价预测面临全新挑战，其预测结果的准确性对市场主体报价决策具有重大意义。对此，本文提出一种基于样本权重的深度神经网络（Deep Neural Network,DNN）短期电价预测方法，通过对样本进行筛选并为不同训练样本赋予相应的权重，有效提升DNN模型的电价预测精度。样本权重赋值方法的两个重要步骤为：（1）通过计算样本数据间的欧式距离衡量样本间的相关程度，并以此为依据挑选训练样本；（2）根据各训练样本数据与预测日数据之间的欧式距离为训练样本赋予不同权重，使得DNN能有选择、有重点地对训练样本进行学习。模型构建后，对2020年1月美国PJM实际电价数据进行虚拟预测，结果表明：所提方法能有效提升电价预测的准确性和可靠性，可为市场环境下市场主体提供可靠的决策依据。

将小波神经网络应用于 S&P5 0 0短期走势预测 ,应用从 1 998年 3月 2 0日至 1 999年 4月 2 6日 S&P5 0 0的每周数据 ,建立小波神经网络预测模型。训练后的小波神经网络不仅能准确地拟合 S&P5 0 0的历史数据 ,而且能较精确地预测未来的短期走势。结果表明 S&P5 0 0的小波神经网络预测模型比神经网络模型更为优越

数据会因属性不同而被分别记录，但是这些数据具有时空上的相关性，因此他们可以被归为同一种类进行分析，文章在长短时记忆网络(LSTM)的基础上，提出多维LSTM预测模型对同一类型不同属性的数据进行同步预测。和传统的一维数据预测方法相比，多维LSTM预测模型的优势在于其在预测的同时能够反映不同种类数据之间的关联性。货运量数据（铁路、公路和民航）实验的结果表明，多维LSTM的预测结果优于向量自回归模型。

首先建立基于遗传BP神经网络的滚装运输市场货运量预测模型,然后采用川江滚装运输年度数据进行神经网络训练与预测。结果表明,遗传BP神经网络算法在预测的精度与收敛速度上均优于传统预测算法。预测结果为川江滚装运输企业战略规划和滚装运输竞争力的提高提供了决策支持。

物流外包量受到经济、政策、区域多种因素影响,其变化具有周期性和随机性,传统单一模型难以对其进行准确预测。为了提高物流外包量的预测准确率,提出了一种优化神经网络的物流外包预测模型。首先采用灰色预测模型对物流外包的周期性变化规律进行预测,然后采用神经网络模型对随机性规律进行预测,最后用灰色预测模型对神经网络进行优化,得到物流外包量最终预测结果,提高了预测准确率。结果表明,优化神经网络模型可以很好对物流外包量变化规律进行刻画,提高了物流外包量的预测准确率。

为了提高降水量预测的精度,采用BP神经网络与灰色模型相结合干旱预测的理论方法,研究数据的灰色建模与预测,再对模拟值与真值残差进行BP网络建模,利用残差模拟值修正总体降水量预测值,并对朝阳地区降水量进行预测。研究结果表明:BP神经网络与灰色模型预测相结合降水量平均预测误差为0.0799,比单纯用灰色模型预测误差降低0.1311,说明BP神经网络与灰色模型相结合的预测方法适合朝阳地区降水量的预测。

基于驱动力—压力—状态—影响—响应(DPSIR)模型，论文对2010—2020年北京16个区的城市生态韧性进行测度及时空演化特征分析。结果发现：(1)2010—2020年，北京城市生态韧性的总体水平由较低升至中等。城市生态韧性评价指数的最高值一直在海淀区，城市生态韧性的热点区也一直以海淀区为中心，空间集聚特征明显。(2)中心城区是城市生态韧性的热点区，其城市生态韧性水平要高于非中心城区，城市扩展情况、建设用地面积、财政支出总额、人均地区生产总值、城市道路里程等因素是北京城市生态韧性的主要影响因素。(3)2030年，城市生态韧性评价指数的最高值和城市生态韧性的热点区延续了自2010年以来形成的“高者恒高”“热点恒热”局面。论文深入探究北京城市韧性的演化特征，对于厘清首都城市韧性发展规律、促进首都高质量发展具有重要理论意义和现实意义。