动态目标点（共7篇）
动态目标点 篇1
1 引言
最短路径问题或最优路径问题是交通网络分析中的一个重要问题, 它是资源分配、路线设计及分析等优化问题的基础。最优路径算法在车辆导航、 城市应急系统、 交通查询、 车辆调度系统等有广泛的应用。近年来, 随智能交通系统的发展, 最优路径算法的研究获得了越来越多的学者的关注, 根据路网的属性的不同, 最优路径算法一般可分为静态最优路径和动态最优路径算法两类, 其中静态最优路径算法又是动态最优路径算法的基础, 有许多动态路径算法是静态最优路径算法的扩展。目前在静态最优算法中应用最为广泛的主要有两类:①Dijkstra算法;②启发式A*算法。但目前静态最优路径算法研究的主要问题在于难以解决算法的实时性和精确性的平衡[1]。另一方面, 由于从严格意义讲, 实际的路网都属于动态路网, 因此动态最优算法的研究比静态最优算法研究更具有实用性, 但目前动态最优算法主要集中研究网络中权重动态变化的情况[2]。由于在确定最优路径时, 往往需要知道目标点的精确位置, 但在实际系统应用中, 对目标点的精确位置往往不是一开始就能确定的, 通常有一个从模糊到清晰的过程, 即刚发生时通常只能知道目标点的一个大概范围, 随时间的推移以及目标点信息的增多, 最后才能确定目标点的精确位置, 即存在目标点动态变化的情况。而且在实际应用过程中, 由于任务的需要和时间的紧迫, 不能等到获得了精确的目标点信息后, 才进行最优路径的规划, 往往是一接到目标点的信息, 就需进行最优路径的搜索。这类问题可归结为目标点动态变化的最优路径搜索问题。目前国内外对这类问题的研究较少。本文重点对这类问题展开研究, 提出一种改进的启发式最优路径算法:算法在结合启发式A*算法的基础上, 采用直线型椭圆排除法减少搜索的节点数以提高搜索速度; 最后采用实际路网数据进行了仿真实验, 与不考虑目标点动态变化的Dijkstra算法和静态启发式A*算法进行了性能对比, 结果表明提出的方法在算法的运行时间和总的路径长度都具有较好表现。
2 最短路径问题及优化算法
最短路径问题作为图论中的经典问题, 对它的研究已超过40年[3], 产生了许多最短路径算法。标号算法又是绝大多数最短路径算法的核心部分。按照不同的标识节点处理策略, 标号算法又可分为标号设定和标号改正两大体系[1], 其中应用最为广泛的为标号设定算法中的Dijkstra算法和启发式A*算法。
在最短路径问题研究中, 一般将网络定义为图论中的有向图G= (N, E) , N表示网络的节点集, 共有n个节点, E⊆N×N, 表示网络的边, 共有m条边。为了描述方便, 首先定义:S表示起始点, D为目标结点; W (i) 表示从起始点S到节点i的实际距离;DR (i, j) 为节点i到节点j的直线距离;C (i, j) 为节点i到节点j的实际距离; Q表示可选的临时节点集合;P (j) 表示结点j的状态, 分为未标记 (un reached) 、临时标记 (temporarily labeled) 和永久标记 (permanently labeled) 三种。
这样, 求解起始节点S到目标结点D的最短路径的Dijkstra算法可描述如下:
Step1:初始化:
Set i=S, W (i) =0;W (j) =∞∨j≠i; P (i) =NULL; Q=N
Step2:节点选择:
从Q中取出W值最小的结点k, W (k) =min[W (j) , j∈Q];Q (k) =permanently labeled;
Step3:节点扩展:
对于和k相连的每个结点j, j∈Q
如果W (j) >W (k) +C (k, j) , 则W (j) ←W (k) +C (k, j) ;
Q (j) =temporarily labeled; Q←Q-{k}
Step4:停止判断:
如果k=D, 则算法结束;否则, 转Step2。
基本的Dijkstra算法最早是由荷兰数学家Dijkstra于1959年提出的, 是研究得最深入、 应用也最广泛的LS算法, 而且由于存储结构的不同以及节点选择策略的不同, 产生了多种不同实现方式的Dijkstra算法。在Dijkstra算法中, 每搜索一个结点需要重新比较和修改所有Q中的节点, 其本质是用图的遍历方法搜索最短路径, 浪费了大量的时间, 尤其在分析复杂网络时存在效率低下的问题。
启发式A*算法:
借助于人工智能等理论, 利用起始点和目标点、 网络结构、 属性等相关的先验知识, 减少搜索空间提高算法效率的启发式最短路径算法获得广泛的注意。其中A*算法就是一种很重要的启发式最短路径算法[3]。如果将Dijkstra算法中的W (i) 理解为节点选择的评价函数F (i) 的话, 那么, 在A*算法中, F (i) =W (i) +DR (i, D) ;其中就增加了DR (i, D) 一项, 表示当前结点到目标结点的直线距离, 定义为启发函数。它与Dijkstra算法这类盲目搜索方法最大的不同, 就在于从当前结点往下选择下一步结点时, 可以通过启发函数来进行选择, 大大减少了搜索空间, 从而提高了效率。A*算法描述上与Dijkstra算法主要是在Step2、Step3的不同:
改为
Step2: 从Q中取出F值最小的结点k, F (k) =min[F (j) , j∈Q]; Q (k) =permanently labeled;
Step3:
对于和k相连的每个结点j, j∈Q
如果F (j) >F (k) +C (k, j) , 则F (j) ←F (k) +C (k, j) ;
W (j) ←W (k) + C (k, j) ;
Q (j) =temporarily labeled; Q←Q-{k}
启发式A*算法可提高搜索的效率, 但是它不能保证获得最优解, 往往只能得到次优解, 而且算法的运行时间还需进一步提高, 才能满足实时系统的要求。
3 问题描述及改进算法的提出
本文要解决的主要问题是目标点变化时的最短路径搜索问题, 为简化问题的求解, 假设路网为静态路网, 即网络的边长不随时间而改变, 动态变化的是目标节点。
目标点变化时的最短路径搜索问题可描述如下 (如图1所示) :
定义li表示在收到第i次目标点时车辆的地理位置, 首先根据起始点和目标点的信息, 采用最优路径算法, 可得到一条最短路径, 车辆根据此最短路径行驶。到达目标点Di-1后, 车辆行驶在从Di-1到Di的最短路径过程中, 在li+1处收到了第i+1次目标信号。如果此时不改变计划, 继续走到上一次的目的点Di然后, 转向新的目标点Di+1, 即沿着途中的虚线行走, 往往会走很多弯路, 延长到最终目的地的时间。若及时调整路线, 重新寻找最优路线li+1Di+1将大大降低行程时间, 及时到达目的地。
因此, 本文研究的主要问题就是在接收到目标点信号改变时的所在地li (即收到第i次目标信号时车辆的地理位置) , 如何实时调整路径, 保证车辆从li到终点Di (表示第i次目标点) 路径最短。
为高效实现这一目的, 本文提出一种改进的启发式最优路径算法。算法流程图如图2所示。
提出的算法为提高算法的运行速度, 除考虑采用A*算法外, 更融入了直线型椭圆排除法以进一步减少搜索的节点数。
直线型椭圆排除法的基本思想是充分利用目标点改变以前的搜索结果, 预测目标节点改变后的后续路径长度, 并利用这一预测值来减少网络搜索时的网络节点数, 从而大大减少算法的运行时间。
直线型椭圆排除法包括两个部分:①预测后续路径长度;②删除距离大的节点。这两部分操作增加在改进的最优路径算法的初始化步骤中。
预测后续路径长度:
在目标节点改变以前, 由于已采用最优路径算法进行了搜索, 因此可获得从起始点到原目标节点的路径, 总的行驶长度, 以及车辆目前的位置以及已实际行驶的距离。为此, 定义Hi为起点到目标点Di的最优路径长度; Ti为接受目标点改变 (Di变到Di+1) 时刻车辆已行驶的实际距离;DDii+1表示目标节点Di到新的目标节点Di+1的最短路径。这样, 从接受目标点改变 (Di变到Di+1) 时刻开始, 车辆行驶到新的目标节点Di+1的预测后续路径长度Li:
删除距离大的节点:收到目标点改变 (Di变到Di+1) 信号后, 利用上一步得到的后续路径长度Li, 可在网络节点集Q中排除那些直线距离都大于Li的节点。删除操作可描述为:
If Q is not empty,
do,
Q←Q-{y}; (删去距离大的节点, 不用搜索)
其中:
在实际应用时, 由于目标点的变化一般发生在某一集中的区域, 即目标节点Di到新的目标节点Di+1的距离远小于整个图的搜索范围, 如采用A*算法计算DDii+1, 其计算时间也是非常小的, 还可采用经验估值的方法, 即假设以目标节点Di到新的目标节点Di+1的直线距离为直径的圆内存在其他节点, 这在实际系统中往往是成立的, 那么, 根据几何知识圆内任意两点距离小于圆周长有DDii+1=π·DR (Di, Di+1) , 在下面仿真实验即采用此方法求取。另外, 采用GPS定位技术, 确定车辆当前行驶的实时位置li也是易于实现的。
总之, 在提出的方法中, 为减少算法的运行时间, 提高搜索精度, 采用了两方面的措施:一是采用A*算法, 利用车辆当前位置到目标节点的直线距离的预测, 在节点扩展这个步骤中, 利用先验知识对节点选择进行了优化, 减少了搜索的节点数;二是针对目标点动态变化的情况, 采用实时调整最优路径的策略, 即接收到目标点变化的信息, 就采用改进的最优路径算法进行重新搜索。在改进的最优路径算法中, 充分利用目标节点改变前的搜索结果, 提出了采用直线型椭圆排除法对于网络节点集中距离大的节点予以删除, 提高搜索速度。
4 仿真实验及结果讨论
仿真试验选取Dijkstra算法 (记为dijkstra) 、静态启发式A*算法 (记为astar-s) 与本文方法 (记为astar-d) 进行对比, 实验的主要目的是比较考虑目标点动态变化的本文算法与不考虑目标点动态变化的Dijkstra算法和静态启发式A*算法在性能方面的优劣, 性能对比主要从总的路径长度和算法的运行时间两方面进行。
仿 真实验在Matlab 7.0平台下进行, 实验网络选用某城市的一段实际路网作为例子, 共有55个节点, 90个边。在Dijkstra算法、静态启发式A*算法中不考虑目标点的动态变化, 只考虑目标点的静态变化即目标点的变化只发生最优路径的终点。为简化实验, 假设目标点变化在搜索起始阶段共产生三次, 即第一次目标点d1为节点32;第二次目标点d2为节点27;第三次目标点d3为节点28;而且从起始节点开始每经过一个节点目标点的变化一次。对于Dijkstra算法和静态启发式A*算法, 目标点变化发生二次, 第一次目标点d1为节点32, 第二次目标点d2为节点28, 发生在第一次搜索得到的最优路径终点处, 因为在实际应用过程中, 当车辆行驶到第一次路径的终点处时, 最新的目标点已更新为结点28, 因此中间的目标节点27可以不予考虑;另外, 目标节点选择为节点32, 27, 28, 比较集中在某一区域, 这也是为模拟实际情况, 因为实际系统中, 目标点由模糊到清 晰的动态过程一般也是集中在一定的区域中。
实验网络的相关数据如下:
节点的横坐标netXloc和纵坐标netYloc如下:
netXloc=[12561684, 12561229, 12560926, 12560963, 12560907, 12563011, 12562802, 12562840, 12562878, 12562935, 12562746, 12564092, 12564073, 12564111, 12563807, 12565627, 12565627, 12566253, 12566499, 12566348, 12566215, 12568869, 12567789, 12567751, 12567675, 12570898, 12572092, 12571675, 12571391, 12571239, 12569969, 12573893, 12573855, 12573780, 12561625, 12562955, 12561474, 12562867, 12560935, 12563005, 12560960, 12562867, 12564034, 12564034, 12565189, 12565390, 12565578, 12565515, 12565452, 12566410, 12567782, 12571296, 12573872, 12567511, 12565565];
netYloc = [3139063, 3136674, 3135593, 3134835, 3133849, 3139215, 3136503, 3135954, 3135518, 3134532, 3133034, 3135783, 3135518, 3134513, 3132693, 3135821, 3135442, 3139840, 3135916, 3134418, 3132712, 3139897, 3135764, 3134361, 3132731, 3139461, 3139537, 3138703, 3136124, 3135044, 3132617, 3139518, 3138153, 3136636, 3138709, 3138697, 3137718, 3137567, 3135208, 3135045, 3134443, 3134129, 3135070, 3133866, 3139513, 3136827, 3135033, 3133331, 3132766, 3135213, 3135096, 3135414, 3138811, 3137071, 3134443];
边长数据如下:
matrix (1, 35) =417;matrix (1, 6) =1305;
matrix (2, 3) =1102; matrix (2, 7) =1391;
matrix (2, 37) =1116; matrix (3, 39) =399;
matrix (3, ) =1709;matrix (4, 41) =397;
matrix (4, 39) =451;matrix (4, 10) =1799;
matrix (5, 41) =652; matrix (5, 11) =1958;
matrix (6, 36) =666; matrix (6, 5) =2026;
matrix (7, 46) =2409; matrix (7, 38) =568;
matrix (7, 8) =680; matrix (8, 9) =404;
matrix (8, 12) =1156; matrix (9, 40) =578;
matrix (9, 13) =1090; matrix (10, 42) =435;
matrix (10, 40) =586; matrix (10, 4) =1074;
matrix (11, 42) =1223; matrix (11, 15) =1038;
matrix (12, 13) =277;matrix (12, 16) =1389;
matrix (13, 43) =469; matrix (13, 17) =1375;
matrix (14, 55) =1366; matrix (14, 44) =704;
matrix (14, 43) =469; matsix (15, 49) =1555;
matrix (15, 44) =1198;matrix (16, 46) =1026;
matrix (16, 17) =378; matrix (16, 19) =861;
matrix (17, 47) =419;matrix (18, 54) =2825;
matrix (18, 45) =1120;matrix (18, 22) =2343;
matrix (19, 54) =1137;matrix (19, 50) =774;
matrix (19, 23) =1147;matrix (20, 55) =712;
matrix (20, 50) =701;matrix (20, 21) =1629;
matrix (20, 24) =1206;matrix (21, 49) =725;
matrix (21, 25) =1389;matrix (22, 23) =4492;
matrix (22, 26) =1835;matrix (23, 51) =685;
matrix (23, 29) =3269;matrix (24, 51) =818;
matrix (24, 25) =1645;matrix (24, 30) =3388;
matrix (25, 31) =1994;matrix (26, 27) =1054;
matrix (26, 28) =1102;matrix (27, 28) =833;
matrix (27, 32) =1585;matrix (28, 53) =1941;
matrix (28, 29) =3721;matrix (28, 33) =2661;
matrix (29, 52) =611;matrix (29, 34) =2290;
matrix (30, 52) =434;matrix (30, 31) =2646;
matrix (30, 34) =3303;matrix (32, 53) =752;
matrix (33, 53) =721;matrix (33, 34) =1495;
matrix (35, 36) =1288; matrix (35, 37) =1046;
matrix (36, 38) =1194;matrix (37, 38) =1306;
matrix (39, 40) =1739;matrix (40, 43) =918;
matrix (41, 42) =1758;matrix (42, 44) =1070;
matrix (43, 47) =1364;matrix (44, 48) =1444;
matrix (45, 46) =2884;matrix (46, 54) =1009;
matrix (47, 55) =635;matrix (48, 49) =655;
matrix (48, 55) =1175;matrix (50, 51) =1185;
matrix (51, 52) =3130;
其余的边长都设为∞. martrax (i, j) 表示节点i到节点j之间的距离。
试验结果:
采用Dijkstra算法得到的最短路径为:4-39-3-2-7-38-36-6-45-18-22-26-27-32-27-28, 总行驶长度为18152米, 运行时间:0.094s.
采用启发式A*算法得到的最短路径为:4-39-40-43-13-12-16-19-23-29-34-33-53-32-27-28, 总行驶长度为18196米, 运行时间:0.078s.
采用本文的算法得到的最优路径为: 4-39-3-9-13-12-16-19-23-29-28, 总的行驶长度为14313米, 运行时间:0.057s.
5 结论
本文对目标点动态变化的最优路径问题展开探讨, 研究表明:根据目标点的变化信息动态调整最优路径, 对提高搜索精度具有较大影响;为减少搜索算法的运行时间, 保证算法的实时性, 结合A*算法和直线型椭圆排除法, 提出了一种改进的启发式最优路径算法, 通过减少搜索节点, 大大提高了算法的效率。最后通过仿真实验验证了算法的有效性和实用性。
参考文献
[1]陆锋.最短路径算法:分类体系与研究进展[J].测绘学报, 2001, 30 (3) :269~275.
[2]Huang B, et al.A shortest path algorithm with novelheuristics for dynamic transportation networks[J].International Journal of Geographical InformationScience, 2007, 21 (6) :625~644.
[3]Fu L, et al.Heuristic shortest path algorithms fortransportation applications:state of the art[J].Computers&Operations Research, 2006, 33:3324~3343.
动态武器目标分配优化 篇2
数据链技术发展, 防空导弹及发射平台之间实现实时信息交互, 该技术将来可能应用多个制导武器的协同制导规划。当前防空导弹武器系统的应用通常采用一对一的交战模式, 不同武器系统间不能够实时进行信息交互, 由其分配规则可能导致对目标齐射过度杀伤或对目标的遗漏。因而, 对编队武器的协同制导提出了强烈需求。协同制导的其中一个关键因素是武器目标分配, 而武器—目标分配的主要任务是确保敌方目标到达我方之前全部被拦截。
武器—目标分配的难点之一是目标的机动是不可预测的。敌方目标通常在飞行初始段进行佯攻一个目标, 而在末端改变攻击航路, 以达到诱骗防空系统的目的。本文根据武器—目标间的几何关系提出最早拦截结合和安全区的概念。最早拦截几何应用敌方目标能够攻击的边界, 在该区域内的防御资源可能遭到攻击。安全区可定义为拦截区域和防御对象最小距离的边缘。安全边界随着分配策略和防空系统的性能而改变。因而, 武器—目标分配则是试图找到优化分配策略产生最大的安全边界。由于最早拦截几何和安全边界是在目标能够瞬间改变方向的假设条件下得到, 武器目标分配能够处理目标机动的不确定性。
1 动态武器—目标分配的定义
武器—目标分配是指挥控制辅助决策系统所研究的重要课题。多武器、多目标战场环境中, 可能由多种武器—目标分配方案, 武器—目标分配方案属于非确定性多项式完全问题[1], 其研究的主要目的是针对多个威胁目标有效分配防空武器系统, 最大限度拦截来袭目标。武器目标分配分为两类, 一类是静态武器—目标分配, 一类是动态武器目标分配。这两类问题中, 期望目标要么是使目标生存概率最小, 要么是防御对象整体生存概率最大。静态武器目标分配的主要特征是基于某一时段, 考虑分配时刻所有提供的信息, 对有限资源分配问题。动态武器目标分配问题, 考虑时空的约束, 是一个多阶段的分配问题, 对每个阶段的结果进行评估, 然后用新空中态势对下一阶段进行分配[2]。动态武器目标分配也可表述为连续的静态武器目标分配, 由于实现过程如同贪婪优化过程, 因而不能保证整体优化。
本文动态武器—目标分配的研究不同于一般文献定义的动态武器目标分配[3], 而是基于几何概念进行优化, 采用的分配模型是适合飞行中导弹武器的目标分配问题。
2 最早拦截几何
由于空袭目标航路是不知道的, 其航向角可能随时改变, 且目标飞行加速度很难预测, 因而目标拦截点是不确定的。为了全面描述所有可能的拦截点, 考虑来袭目标所有可能航向, 推导可能拦截点的集合。为了推导最早拦截点集合, 假定防空导弹和目标航向和速度保持不变。导弹—目标拦截三角形如图1所示。M点表示导弹发射位置, T为目标起始位置, I为拦截点, 坐标为 (x, y) 。
拦截点I随着目标航路角的变化而变化。根据图1中三角形MIN和三角形TIN可得:
速度比定义为:
式 (2) 代入 (1) 可得
整理为:
则方程 (4) 为所有拦截点的轨迹, 即最找拦截几何, 用于评估制导策略。
速度比是求解最早拦截几何的重要参数。为了简化, 我们只考虑导弹的速度大于目标的速度。
上述最早拦截几何可推广应用多导弹、多目标交战场景。图3给出两枚导弹交战两批目标的一种拦截几何示意图[4]。
由图3可知, 防空武器系统的任务是在防空安全区域之外拦截来袭目标。因而, 武器—目标分配的策略就是确保所有的交战资源在该区域之外。
3 武器目标优化分配建模
根据上述分析, 所有防御资源应当在最早拦截几何之外, 而最早拦截几何及拦截几何和防御资源之间的距离与武器目标分配方案的变化而改变, 拦截几何与防御对象的距离定义为安全距离d。显然, 安全距离越大, 所采用的制导算法的性能越好。为了充分发挥导弹的拦截性能, 提高拦截目标的命中率, 最优武器目标分配方案为使得安全边界最大化。武器—目标分配模型表述如下:
其中, p表示防御对象的个数, q表示所有可能的分配方案个数, m表示目标的个数, n表示导弹的个数。dijk表示第k个分配方案的资源i与第j个拦截几何之间的距离。p i表示第i个防御资源的位置矢量, cjk表示第j个目标的位置矢量。
4结语
空袭战术的快速性、灵活性, 使得防空系统的反应速度很难与之相匹配, 打乱了指挥决策周期。采用基于最早拦截几何的武器—目标分配方式, 考虑目标的机动性, 在防空导弹飞行过程实时进行目标分配, 将更能有效发挥防空导弹的作战效能。后续工作将根据所建立的模型, 研究合适的优化算法对其进行仿真验证。
参考文献
[1]Lloyd S P, Witsenhausen H S.Weapon Allocation is NP—Complete[C].Proc.1986 Summer Comput.Simulation Conference, 1986.
[2]王士同, 刘征.动态武器目标分配问题的DWTA—GA算法[J].华东船舶工业学院学报, 1999, 13 (5) :17—22.
[3]刘传波, 邱志明, 吴玲, 等.动态武器目标分配问题的研究现状与展望[J].电光与控制, 2010, 17 (11) :43—48.
房地产项目目标成本动态管理分析 篇3
1 房地产项目目标成本的编制
目标成本是指企业在特定时期内为实现预期利润或管理目标设定的一种预计成本。目标成本的编制形成需要进行详细的推演测算, 才能使之与成本管理相匹配, 成为项目的控制线。否则, 就可能项目管理“拍脑袋”作决策, 最终导致项目成本失控。因此, 高效、准确编制房地产目标成本必须遵循两大原则:
(1) 明确专业分工, 营销、设计、成本等多部门分工基础上协同整合。营销部提供楼盘项目可售面积、售价等测算数据;设计部提供规划指标;成本管理部负责测算开发开发成本等数据。形成部门联动与设计牵头、营销主导、成本监督为一体的成本编制体系, 保证成本目标可执行。
(2) 明确编制依据, 固化成果指标。房地产项目目标成本的编制要固化和统一面积比、户数等基础指标, 明确项目开发各阶段规划指标, 以指导阶段性目标成本的编制。
2 动态控制的关键点分析
房地产项目周期长, 涉及成本科目多, 成本动态控制的重点集中于关键因素和代表性科目, 应从立项决策阶段开始, 整体把握设计、实施、后评估阶段的成本管控, 确保期初收益目标顺利实现。
2.1 决策阶段
重策划, 强调货值最大化。项目市场定位、规划经济技术指标、工程进度以及销售预期等是影响投资决策的主要影响因素, 决策阶段测算净利润应大于或等于1.1倍土地成本。该阶段的目标成本测算关键在于产品组合、路网规划、停车布置、场地标高等方案的管控。限额控制指标与成本的编制依据包括以下几点:1项目地块周边情况、规划经济技术要点等;2项目面向的客户特征、规划类型、面积指标、预期销售等;3相近项目的造价构成及数据;4项目设计主题、风格与重大技术解决方案;5成本配置规划。
2.2 设计阶段
限额设计与修订目标成本是关键。设计阶段可分为规划设计、初步扩大设计阶段, 该阶段成本控制的效果约15%~20%。设计阶段目标成本应满足设计指标不高于限额指标。
(1) 规划设计阶段成本控制:限额设计。本阶段目标成本编制的关键是限额设计, 其管控要点是对规划地块建筑安装、功能分区、结构、软硬景布局、节能等方案完成标准化管控。其编制依据包括决策阶段目标成本测算表;工程详勘报告;规划地块设计方案及经济指标;房地产业收费标准以及行政区域内相近项目造价指标等。依据上述指标合理拆分和确定成本项目单价指标、含量指标表、百分比指标等, 比如普通多层住宅及公寓墙体含钢量限额指标为0.14~0.16kg/m2, 中高层建筑 (60~80m) 限额指标为0.18~0.20kg/m2。
(2) 扩大初步设计阶段成本控制:优化与修订目标成本。扩初阶段设计任务书应纳入限额指标及责任成本费用控制额度, 在目标成本总量控制的基础上优化平衡总成本在采购、设备、现场等各子模块中的二次分配, 以此为依据, 分解为合约规划分配额度值, 在施工阶段实时反馈造价与目标成本限值间的差值, 以此指导成本的动态控制。
2.3 实施阶段
分解合约规划与优化采买管理。合理分解合约规划以指导招采计划、合同管理, 依据预留比例进行造价控制预警, 严格设计变更和签证审批, 保障动态成本不失真是实施阶段成本管理的关键。
(1) 分解合约规划。“合约规划”是指造价控制目标分解转化成为合同管控, 进而实现“项目动态成本”管理的过程。合约范围的界定对后续工程变更以及成本控制有重要影响, 尤其是要明确总分包之间的工作界面规定, 以防止招投标、施工时出现范围不清的问题。比如:设计合同以下的二级合同应包括规划设计、景观设计、精装修设计与专项设计合同等, 而专项设计合同以下又可以进一步细分为样本房建安设计、人防设计和水土保持合同等。通过合约规划细分, 可以更精准地实现分项工程成本控制。
(2) 优化采买管理。规范化管控采招业务主要是抓好以下两项敏感管控点。1优化项目整体招标采购计划, 应参考合约规划对项目招标采购计划 (如括采购需求、编号、内容、金额等) 进行有预见性的安排, 以合理安排建材、机械设备进场时间, 减轻资金调度和现场施工压力;2多向分析和评标, 应依照合约规划中的限额指标合理编制标底, 以此为标准判断标底价格、中标价格是否合理可行, 对预期价格与采购单价存在较大偏差的, 应及时调整, 将项目开发的成本控制风险降至最低。
2.4 后评估阶段
建立成本数据库要建立沉淀科目与成本测算模型相一致的成本数据库, 以构建完整的管理循环。通过总结房地产项目经验教训, 形成丰富的知识库, 对项目开发进行剖析评估, 进而为项目成本测算奠定可靠基础。
3 结束语
综上所述, 推行环节成本控制为基础的目标成本动态管理, 可以有效实现造价控制预期目标, 对于探寻房地产业的利润缝隙, 更好地实现企业经济效益具有重要意义。
参考文献
[1]闫飞.现代房地产及建筑工程目标成本管理[J].中华建设, 2015 (11) .
[2]王守平.浅谈房地产行业的目标成本管理[J].上海会计, 2003 (7) .
[3]任国强, 黄建瓯.设项目成本管理理论研究综述[J].西安建筑科技大学学报 (社会科学版) , 2008, (3) :64-69.
[4]祝雪锋.项目成本管理及挣值法成本监控研究[D].重庆大学, 2005.
[5]蔡进.项目成本管理中存在问题的探讨[J].甘肃水利水电技术, 2005 (4) .
动态目标点 篇4
关键词：背景差分法,帧间差分法,运动目标检测
运动目标检测[1,2]是智能视频监控的第一步, 运动检测的目的是自动分离出视频图像序列中的运动像素点和静止像素点, 将变化区域从背景图像中提取出来。视频监控系统通过对检测到的运动像素点进行自动分析, 运用形态学的操作来确定前景对象, 最终根据前景对象的运动决定是否有意外情况发生并报警。运动目标的准确检测和分割对于目标分类、跟踪和行为理解等后期处理非常重要, 因为以后的处理工作主要是在运动区域上进行的。
1 运动检测常用方法
通常意义上讲, 视频监控系统中获取的视频图像包括前景和背景两部分, 它们在不同的问题中有不同的涵义。在本文设计的运动目标检测方法中, 摄像机是静止的, 并且前景主要是指人或者车辆, 背景主要是俯视角度下的街道马路等背景变化不迅速的场景, 这种场景基本上属于静止背景, 即使是变化也是缓慢的变化。而静止背景下的运动目标检测方法主要有光流法、帧间差分法、背景差分法等, 下面主要介绍应用最广泛的后两种方法的原理和特点[3]。
1.1 帧间差分法
相邻帧间差分法[4]的运动目标检测的原理是:当监控场景中出现异常物体运动时, 帧与帧之间会出现较为明显的差别, 相邻两帧图像相减, 得到两帧图像亮度差的绝对值, 判断它是否大于阈值来确定图像序列中有无物体运动, 并报警。这种方法的优点是因两幅图像之间的时间间隔较短, 对光线等场景变化不太敏感, 能够适应各种动态环境, 检测有效而稳定。不足之处是不能检测出物体的准确位子。采用这种方法时, 需要考虑如何选择合适的时间间隔, 这一般依赖于所监视的物体的运动速度[5]。对快速运动的物体, 需要选择较小的时间差, 而如果选择得不合适, 最坏情况下物体在前后两帧中没有重叠, 造成被检测为两个分开的物体;而对慢速运动的物体, 应该选择较大的时间差, 而如果选择得不适当, 最坏情况下物体在前后两帧中几乎完全重叠, 根本检测不到物体。
1.2 背景差分法
背景图像差分法[6]是利用当前图像与背景图像的差分来检测运动区域的一种技术。它将当前每一帧图像与事先存储或者实时得到的背景图像 (不存在任何运动物体) 相减, 一般情况下, 由于运动物体在灰度上与背景灰度存在着很明显的差异, 这样作差分后的差值图像只是在运动物体处有较大的灰度值。选取适当的阈值, 差值图像的灰度值大于阈值, 则判定被监视场景中有运动物体, 从而得到运动目标。这种方法的优点是:1) 检测出的运动目标位置精确, 且速度快, 因为它只需获取当前的一幅图像;2) 经根据实际情况确定阈值进行处理后, 所得结果直接反映了运动目标的位置、大小、形状等信息。不足之处是受环境光线变化的影响非常敏感, 容易产生误报警。
由此可以看出, 背景图像差分法成功与否依赖于背景图像。背景图像的核心问题在于如何处理环境中随时间推移引起的光线变化, 背景物体移入和移出等造成的背景变化, 为了使背景适应这种变化, 需要对背景进行更新, 即背景更新问题。对于不同的应用场合, 需要对背景更新问题做特定的考虑。本算法的场景主要是在室内, 且摄像机固定, 会遇到的一些背景更新问题有:1) 背景的扰动:背景中可以含有轻微扰动的对象, 如随风摆动的窗帘不应该被看作是运动目标;2) 外界光照条件的变化:一天中不同时间段光线、天气等的变化对检测结果的影响;3) 背景中固定对象的移动:背景里的固定对象可能移动, 如场景中的一把椅子移走, 对象移走后的区域在一段内可能被误认为是运动目标, 但不应该永远被看作是运动目标。
2 动态背景更新运动检测算法
在了解背景图像差分法和相邻帧间差分法的基本原理后, 若将背景图像差分法和相邻帧间差分法结合起来, 使它们优势互补克服各自的弱点, 可以设计出一种改进的运动目标检测算法。
2.1 背景图像的提取与更新
背景图像是基于多帧平均法取得的。在程序开始视频预览后, 首先根据连续采集的n帧图像求平均值获取原始背景图像Bo,
使用一阶递归滤波器对背景图像进行动态更新
其中, Ik (x, y) 表示当前帧图像, Bk (x, y) 表示当前背景图像, Bk-1 (x, y) 表示上一帧背景图像。递归系数α决定各帧在背景图像中的贡献度, α越大, 当前帧和较近的帧对背景图像的贡献越大, 反之, 则当前帧和较近的帧对背景图像的贡献较小。所以, 当α较大时, 动态背景差分法的性能更接近于帧间差分法, 对背景的变化适应较快;而当α较小时, 动态背景差分法的性能更接近于传统的背景差分法, 更适合探测运动速度较慢的物体。
2.2 背景差分法实现运动检测
当图像中出现运动目标时, 由于目标会对背景产生遮挡, 造成当前帧图像和背景图像之间的帧间差别, 判断这种差别的大小就可以判断图像中是否有运动目标。
其中T为灰度阈值, 灰度阈值的大小决定运动探测的灵敏程度。式 (3) 所示的判断方法对于噪声影响和整体光照比较敏感, 容易产生误报。为此, 加入抑制整体光照变化和噪声的附加阈值Text, 调整运动判断条件为
其中:
式 (4) 的意义是统计每帧图像的帧差绝对值超过附加阈值Text的像素数, 如果超过附加阈值的像素总数大于像素数阈值T, 则判断为有运动目标。视频采集程序能够随时改变视频图像的分辨率, 所以像素数阈值T由程序根据图像大小以指定的固定比例动态确定。附加阈值Text有抑制整体光照和噪声两种功能, 因此Text需要考虑这两个因素。
噪声是每个系统 (包括摄像头、采集卡等) 都有的, 对于一个系统, 其噪声 (噪声点的平均数量和幅度) 通常有一个正常的水平, 可以根据使用的经验总结出抑制其系统噪声的阈值Tnoise的大小。光照阈值Tlumi需要通过当前帧图像与背景图像计算得到
N为检测区域内的像素总数, λ为调节系数。当仅有光照对图像产生影响时, 当前帧和背景图像之间的亮度变化在整体上比较均匀, 一般帧间差能超过Tlumi的像素点数无法超过像素数阈值T, 这样就有效地抑制了光照变化所产生的影响。当有运动目标时, 则当前帧和背景图像之间的亮度变化不均匀, 超过Tlumi的像素点数增多, 可以被判定为有运动目标。
综合考虑光照变化和噪声的影响, 附加阈值Text选为Tnoise和Tlumi中较大的一个。
3 结论
本文提出的动态背景差分法, 结合了背景差分法和帧间差分法的优点, 通过附加阈值的设定, 有效解决了背景噪声法对整体光照和噪声敏感的问题。实验结果表明, 此运动检测方法在静止背景的情况下能够有效地检测运动目标。
参考文献
[1]林洪文, 涂丹, 李国辉.基于统计背景模型的运动目标检测方法[J].计算机工程, 2003, 29 (16) :97-99.
[2]张文杰, 戚飞虎, 江卓军.实时视频监控系统中运动目标检测和跟踪的一种实用方法[J].上海交通大学学报, 2002, 36 (12) :1837-1840.
[3]谭铁牛.智能视觉监控研究进展[C].第二届全国智能视觉监控学术会议论文集[M].北京:科学出版社, 2003.
[4]Foresti G L.Object recognition and tracking for remote video surveillance.IEEE Transaction Circuits and Systems for Video Technology, 1999, 9 (7) :1045-1062.
[5]艾海舟, 乐秀宇.面向视觉监视实时跟踪的动态背景更新方法[J].计算机工程与应用, 2001, 37 (19) :104-106.
动态目标点 篇5
石油石化是一个高风险、技术密集型的行业, 在全球经济一体化不断发展、市场竞争日益加剧的新形势下, 企业为降低运营成本、提高生产效率, 必须从粗放经营转向精耕细作, 通过信息技术助推产业升级, 最终实现向管理要效益的目标。中石油作为国有特大型能源企业, 实现对所辖人、物、车辆、船舶等动态目标的精细化管理, 对提高企业决策科学化和管理现代化水平至关重要。
一、国内外研究情况
自2007年起, 针对基于油田通信系统的动态目标提供空间位置等综合信息服务涉及的相关关键技术以及国内外目前已公开发表的解决方案分别进行了广泛的技术跟踪。通过调研发现, 国际上关于油田及相关的远程通信监控系统研究和开发的公开研究成果很少, 大多数是针对无线传感器网络和物联网络基础设施进行的研究, 涉及基础的传感器制造技术、海底有线网络应急系统的建设以及采用基于Web业务的方法提供远程监控等方面, 具有借鉴和参考价值的科研成果非常有限;国内针对油田进行远程管理的公开发表技术文献主要出现在2005年之后的一些期刊和学位论文中, 涉及的主要研发技术领域主要集中在监控系统平台的实现技术及其相关协议设计、相关导航技术在油田车辆等领域的应用、基于油田进行监控时采用的通信技术以及油田服务支撑平台优化实现等方面, 研究成果具有以下特点:
首先, 针对油田研发领域的研究成果大多关注的是针对固定设备进行数据采集、数据传送及其监控平台的相关技术实现, 基本上未涉及基于动态一体化目标的空间位置等信息管理;
其次, 大多数研究成果实现的成果功能比较单一, 尚未发现基于大型企业、针对动态目标的定位、测距、信息采集、数据传输以及实时监控平台进行精细化管理进行实现的全部关键技术及其系统性研究成果;
第三, 对动态目标管理时采用的通信方式大多只是采用了现有的无线传输技术, 没有进一步研究和探讨前瞻性的先进无线网络传输和组网技术, 导致系统通信带宽有限, 将难以满足未来网络中油田大数据采集和多种形式的实时数据传输需求;
第四, 在系统设计和实现方面, 多数方案仅以实现功能为主, 难以具备系统与未来物联网架构、无线传感器网络、大数据处理技术以及通用业务设的可演进性和可扩展性, 实现系统功能的可持续升级研发等目标。
二、主要研究内容
一是创新并实现了基于动态目标一体化的大型石油企业可扩展业务管理架构SSMA-GMO, 首创开发了支持GPS/北斗两种定位模式的动态目标空间位置信息服务基础平台, 拓展了物联网在石油行业提供新业务的内涵, 从根本上解决了平台和架构难以灵活提供新业务和不断扩展各层面功能的问题, 实现了位置信息服务基础平台最大规模10万用户, 支持同时在线终端个数不少于5万个的技术指标。
二是创新性地基于地球物理勘探前炮工序、后炮工序、民爆物品储运管控、管线综合巡检、海上石油勘探五大石油行业应用场景下的四种典型业务设计开发, 即危爆定位测距与警示、特殊物品全程精细监管、海上石油勘探船舶定位监控以及管线综合巡检, 研制了炮点定位器、挂机数据采集/监控装置、民爆物资全程监控装置三项自主创新产品, 在国内首次实现并填补了海上石油勘探船舶作业、民爆物品全生命周期可视化追踪管理的技术空白。
三是针对石油行业空间位置信息服务动态目标组网效率低、稳定性安全性差等问题, 通过基于中继、异构无线网络协同传输组网和短距离协同定位等技术的创新应用, 解决了在生产场景下复杂网络的优化传输和组网以及组织网络节点协同定位等问题, 提高了动态目标的移动无线组网性能, 填补了国际上中继网络优化决策机制的空白, 达到了国际领先水平。
三、应用情况
截至目前, 已在中国石油华北油田公司、冀东油田、渤海钻探、渤海装备、北京销售、海洋工程公司、第七建设公司等多家单位得到了广泛的应用, 入网动态目标节点有近2万个, 大幅度地提高了石油行业生产管理水平以及生产效率, 有效地杜绝、减少了安全事故的发生, 降低了安全成本。
摘要：人类80%的生产生活与空间位置信息息息相关, 大型企业所辖动态目标的管控是企业安全生产监控的重点, 以车辆空间位置信息服务为切入点, 基于SSMA-GMO架构和SFMDET方法, 实现了五大应用场景四种典型应用于一体的动态目标空间位置信息服务平台。
关键词：动态目标,GPS,北斗,石油勘探
参考文献
[1]李海军.北斗导航系统与全球定位导航 (GPS) 的比较及优势分析[J].信息系统工程, 2014.
动态目标点 篇6
由于RCS的动态测量数据主要由目标姿态决定,其在雷达观测视线方向上的姿态由目标/轨道运动和微动共同确定,所以通过对RCS动态测量中由于目标姿态引起的不确定度的仿真分析,可以在一定程度上解释RCS动态测量中数据的强烈起伏现象[2]。
1 目标姿态模型的建立
对空间目标进行监视的一项关键技术,是对目标的姿态角进行精确的估计,如果能够估计出目标的姿态角,就可以得到目标RCS随姿态变化的曲线,即RCS反射图。有了RCS反射图就可以对目标的旋转周期性进行判定和提取从而得到对空间目标分类的又一个重要依据。因此,分析研究动态RCS测量数据中姿态变化的影响,建立准确的动态RCS测量数据随姿态变化的反射图,具有一定的研究价值。
对于动态RCS仿真,可根据各个时刻对应的姿态查找相应的RCS值,即可生成动态RCS序列[3]。依据这种方法产生动态RCS仿真数据,就必须知道采样点各个时刻对应的目标姿态,而在动态RCS测量系统中各个时刻对应的目标姿态可以根据目标轨迹和坐标转换得到。此外,与各个时刻的姿态相对应的RCS值通过静态计算得到。
因此,目标姿态模型的架构可以根据动态RCS仿真数据的产生过程将其分为4部分,如图1所示[4]。
模型各部分数据的产生和具体操作流程如下:
(1)目标静态RCS计算模型的建立。目标模型是通过图形电磁学算法(GraphicalElectromagnetic Computing,GRECO)来计算目标的全方位RCS。图型电磁学算法是一种基于三维图形工作站并应用参数曲面等各种拟合技术来实现计算复杂目标RCS的方法,在用软件接口初始化之后的屏幕上,生成目标的光照模型,并自动由计算机显卡完成目标的遮挡和消隐计算工作,因此,CPU只需完成电磁部分的计算。GRECO通过射线追踪也可以分析多次反射的散射机理,它虽然不能分析带有腔体及缝隙的复杂目标综合散射,但在众多新兴计算方法中成为比较流行的高频RCS预估方法,而且在不断地改进。
(2)目标姿态轨迹数据的生成。首先,根据动态测量系统中目标和雷达之间可能的位置、相对速度等关系,计算出目标姿态在测量过程中可能的一些变化速率;其次,选定目标姿态的起始位置和仿真中用到的采样点数;最后,结合目标姿态的起始位置、采样点数和目标姿态可能的变化速率来产生仿真中目标的姿态轨迹。
(3)目标动态RCS仿真数据的合成。结合目标的姿态轨迹和静态全方位RCS的计算结果合成出仿真中所需要的模拟动态RCS测量结果的动态RCS仿真数据。
(4)动态RCS仿真数据的分析。通过计算各个轨迹下得到的动态RCS仿真数据的不确定度,来描述不同的姿态轨迹下把目标姿态作为一种不确定性因素考虑时对动态RCS测量数据的影响,其中不确定度是根据GJB 3756-99即测量不确定度的表示及评定中的计算方法得到的。
2 仿真结果
依据上述模型的建立及仿真方法,对国产某机型飞机进行建模仿真并选取X波段为工作波段。如图2所示为对目标建模后用图形电磁学算法得到的结果,方位角和俯仰角的步进约为0.1°。
仿真中所具体采用的目标姿态轨迹是根据目标在雷达坐标系中一些实际中可能的运动轨迹,经过坐标转换后得到目标的姿态轨迹数据,在这里选取了5条不同的姿态轨迹数据来完成下一步的计算如图所示为仿真中所生成的目标姿态轨迹一的视向角分布及其对应的RCS动态仿真数据,由于选取了比较多的采样点,所以方位角和俯仰角存在多个周期的变化[5]。
为描述姿态变化对测量数据的影响,将姿态的变化看作是一种测量过程中的不确定性因素,计算5条轨迹下动态RCS仿真数据的不确定度,其中表1为用平均值作为测量结果时的计算结果,表2为用单次测量值作为测量结果时的计算结果,表3为用单次测量值作为测量结果时的计算值。
选取平均值、中值作为测量结果,是因为在对RCS测量数据进行处理时一般用均值和中值平滑数据,而选取机头值是因为在实际应用中,通常机头方向对准雷达的概率相比较大。
由表1～表3和图2的计算结果可以看出,若单纯考虑目标姿态所导致的不确定度,它基本包含了图2中计算结果的大多数,也就是说目标姿态是导致动态RCS测量数据剧烈起伏的最重要的因素。姿态角是空间目标的一个非常关键的特征量,姿态角的精确估计可以为空间目标的正确识别提供有利信息,所以可以通过动态测量过程得到大量的关于某些特定目标的RCS随姿态变化的曲线,即RCS反射图,继而建立这些特定目标的RCS反射图数据库,在实际测量过程中将测量数据与模板库中的反射图对照,必将可以对目标的正确识别做出巨大贡献。
3 结束语
将目标姿态看作为一种目标RCS动态测量过程中的不确定性因素,通过计算仅受到目标姿态影响的动态仿真数据的不确定度来描述不同目标姿态变化的轨迹对动态RCS测量数据的影响,从而对动态测量过程中如何选取目标运动轨迹来减少由目标姿态导致的测量结果的剧烈抖动。
摘要：在测量动态目标RCS时,其测量数据存在着剧烈的波动,导致这一现象的主要原因是运动目标快速变化的姿态。文中利用动态目标的模型,模拟目标姿态变化对动态RCS测量数据的影响,最终通过计算仿真数据的不确定度对这一影响作定量化的分析。
关键词：RCS动态测量,目标姿态,不确定度
参考文献
[1]姜卫东,曹敏,聂镭,等.空间目标动态电磁测量数据仿真方法研究[J].系统工程与电子技术,2009,26(5):2042-2045.
[2]中国人民解放军总装备部.测量不确定度的表示及评定G JB3756-99[S].北京:电子信息标准出版发行中心,1999.
[3]林晓焕,林刚,马训鸣.RCS动态测量结果的不确定度分析[J].微电子学与计算机,2009,25(3):163-171.
[4]刘先康,高梅国,傅雄军.空间目标姿态角估计与RCS反射图生成[J].航天电子对抗,2007,23(1):16-17.
[5]李民权,吴先良.飞行目标的抖动及雷达散射截面计算[J].合肥工业大学学报,2003,31(9):1021-1024.
动态目标点 篇7
在节能工作中, 单位地区生产总值能耗是衡量一个地区能耗水平的综合指标, 用于反映经济结构和能源利用效率的变化程度, 是通过地区生产总值和能源消费总量两个主要指标计算得到的。但按照现有的统计制度, 地区生产总值和能源消费总量都是季度指标, 因此, 统计部门只有在每个季度过后才计算一次单位地区生产总值能耗及其下降率, 且必须经过国家有关部门审核通过后才能正式公布。因此, 现行的发布制度决定了节能指标发布的时间跨度较大, 不能满足节能降耗工作的要求。
1.1 不能满足节能目标监测跟踪的需要
为加快转变经济发展方式、提高经济运行质量、改善生活环境, 国家在编制国民经济发展五年规划时, 明确提出单位地区生产总值能耗降低目标, 并纳入约束性目标予以考核。同时, 该目标会逐级分解落实到各省、市、县, 并根据各地实际情况细化出年度节能目标。各级节能主管部门将按照5年规划目标和年度目标统筹指导推进节能降耗工作, 落实目标责任考核。但由于单位地区生产总值能耗1年只公布4次, 各地区只有在每季度末才可了解自身的节能降耗进展情况, 这就给如何制定适度的节能降耗措施提出了很大挑战。另外, 由于指标数据公布时间间隔较长, 对于完成节能目标形势严峻的地区, 一旦发现单位地区生产总值能耗指标超出预警范围, 可采取应对措施的时间非常有限。
1.2 对项目投资决策的参考作用大幅减弱
单位地区生产总值能耗可以反映该地区的经济发展对能源的依赖程度、产业结构状况、设备技术装备水平、能源利用效率等多方面内容, 因此已经成为各地区加快转变经济发展方式和调整经济结构工作的重要抓手。随着固定资产投资项目节能评估和审查制度的实施, 以及能源消费总量控制的逐步推行, 节能降耗工作在经济发展中的重要性逐渐增强。各级地方政府在选择新上项目或技改项目, 以及控制高耗能项目和淘汰落后产能等方面, 特别重视把握好推进这些项目的节奏和力度, 以做到节能和项目进展双向推进。而在目前的能源统计制度下, 项目和行业的单位能耗难以实现动态监测, 这就无法适时地权衡这些项目对完成单位地区生产总值能耗目标的影响程度, 为项目投资决策提供参考依据。
1.3 不利于全社会主动参与节能降耗工作
当前, 各地方政府对节能目标完成情况严格实施行政问责制, 使得单位地区生产总值能耗指标较为敏感, 社会上一般很难获知具体数据, 这也意味着, 单耗指标无法与年初公布的节能目标形成比较, 企业和居民就不能及时了解节能目标的完成情况, 在一定程度上不利于培养社会的节能意识和自主参与节约能源的行为。同时, 也减弱了社会通过单位地区生产总值能耗指标对地方政府经济行为的监督作用。
2 实现动态监测的方法
2.1 动态监测模型的构建思路
在计算单位地区生产总值能耗增长率时, 一般采用当期的能源消费总量与地区生产总值的比值计算能耗值, 进而与上年同期相比得到当期增速。但由于存在价格因素, 且不发布月度单位生产总值能耗指标等因素, 在进行同期比较时较为困难, 故可采用如下公式计算:
IN= (1+IE) / (1+IGDP) -1
式中:IN—单位地区生产总值能耗增长率;IE—全社会能源消费总量增长率;IGDP—地区生产总值增长率。
由此可见, 单位生产总值能耗增长率可以直接通过地区生产总值增长率和能源消费总量增长率计算得到, 但从统计角度看, 这两个指标都是季度指标, 因而需要通过建立数学模型预测有关指标数据。下面以西部地区省份为例, 分析构建模型及预测的思路。
一般来讲, 西部地区多数省份的重化工业特征明显, 工业增加值占地区生产总值的比重都在40%以上, 工业能耗占全社会能源消费总量的比重达80%左右, 在这种经济结构特征下, 工业增加值与地区生产总值、工业能耗与全社会能源消费总量之间存在较大相关性。因此, 在这两个指标的回归模型建立时, 可选取相应的指标体系, 如图1所示。
通过选择拟合效果优的指标进行回归, 建立回归模型, 就通过统计部门每月发布的上述指标数据, 预测出该地区生产总值增长率 (月累计) 和全社会能源消费总量增长率 (月累计) , 进而计算出单位地区生产总值能耗增长率 (月累计) , 实现节能目标的月度动态监测。
2.2 回归模型的建立
通过比较模型拟合效果可以发现, 与西部地区重化工结构相对应的工业和固定资产投资对地区生产总值贡献明显, 以其增长率指标作为自变量时, 回归模型的拟合效果最好, 通常选择拟合较好的线性模型即可。
地区生产总值增长率的回归模型为:
IGDP=α0+α1P1+α2P2+α3P3
式中:P1—规模以上增加值增长率;P2—固定资产投资增长率;P3—工业增加值增长率;α0—常数;α1、α2、α3—系数。
全社会能源消费总量增长率回归模型为:
IE=λ0+λ1Q1+λ2Q2+λ3Q3
式中:Q1—规模以上工业用电量增长率;Q2—全社会用电量增长率;Q3—规模以上工业能源消费总量增长率;λ0—常数;λ1、λ2、λ3—系数。
从拟合效果看, 由于是西部地区的模型, 各系数均会通过检验。但在模型的检验时, 由于模型中采用的指标存在经济意义上的交叉, 一般会存在多重共线性的现象, 其中VIF值会超过10, 这表明自变量对因变量的贡献度被重复考虑, 会造成模型的不稳定。对此, 可采用几种方法加以处理:
1) 通过增加样本容量解决, 节能数据统计较晚, 一般是从2008年以后才开始, 可根据各地区实际情况, 紧密联系统计部门获得历史数据, 增加模型的稳定性;
2) 根据经济意义判断指标的交叉, 将不必要的解释变量剔除, 保留重要的指标;
3) 通过逐步回归、岭回归、主成分分析等方法进行处理;
4) 如果共线性不严重, 可通过判断统计量值的大小, 如果显著大 (一般大于2) , 则可以直接运用模型, 不需要加以处理, 精度能满足实际工作的需要。
从实际应用效果看, 仅依靠模型预测, 通常会存在一定程度的误差, 还需要根据宏观经济运行情况、宏观调控政策变化等因素做出相应调整, 并采用灰色系统预测、博克斯—詹金斯等预测方法进行检验修正, 同时征求有关专家意见, 综合上述研判最后确定单位地区生产总值能耗增长率。
2.3 注意事项
2.3.1 指标选取的特殊性
在指标选取时, 不一定仅限于规模以上工业或固定资产投资上, 要根据各地区的具体情况选取多个指标, 并经过反复测算验证确定最终指标变量。比如对工业占比相对较小、或者规模以下企业较多的地区, 选择第三产业增加值或者全部工业增加值为自变量来预测地区生产总值增长率, 拟合效果会更好。
2.3.2 异常数据的处理
在数据处理时, 通常会存在一些由于经济大幅波动或者政府宏观调控造成的异常值, 可能对模型预测效果产生较大影响, 应给予适当的剔除。如2010年一季度, 由于广西、贵州、云南遭遇了秋冬春三季连旱, 中小企业受到的影响比大型企业要大, 考虑到这个因素, 如果继续用规模以上工业增加值预测单位地区生产总值的误差会比较大, 因此必须认真分析加以处理。
2.3.3 模型选择的多样性
在模型构建时, 除了一次线性模型外, 还可以采用二次线性、三次线性、对数回归、对数平方、对数正态等方法构建模型, 比较模型的拟合效果, 以得到各地区实际情况的预测模型。另外, 在部分经济发展波动较大或者用能波动较大的地区, 可以计算多个模型的平均值作为指标预测值, 尽可能减少模型预测指标的误差。同时, 也可采用比重法, 即通过分析某个分项指标反推总量指标, 比如用工业耗能占比预测全社会能耗总量, 对模型预测结果进行验证。
2.3.4 修正完善模型
该模型是根据季度指标预测月度指标, 无法完全体现宏观调控政策变化、新上重大项目等对地区经济的影响, 必须对模型预测的数据做进一步修正:一是在模型建立时, 需要根据宏观经济运行走势, 结合有关专家的意见, 加以主观判断对预测结果进行修正;二是在统计数据发布后, 根据各项指标的实际值来检验模型的可靠性, 并做出适当的修正完善。
3 建议
3.1 定期发布节能目标完成情况晴雨表
2010年下半年, 面对严峻的节能降耗形势, 国家发展改革委采取了每月发布各省区市的节能目标完成情况晴雨表的措施, 以此督促指导各地开展节能降耗工作。该晴雨表根据各地区“十一五”节能任务量和完成的进度, 设置4个预警等级, 分别用红色、橙色、黄色、绿色的预警信号灯表示, 取得很好的效果。“十二五”期间应继续坚持并完善有关制度, 因为晴雨表实现了月度监控节能目标完成情况, 提供节能主管部门决策参考, 增强了节能目标监测的频次和力度。
3.2 加快建设节能数据库系统
实现节能目标完成情况的月度动态监测, 需要大量与节能有关的宏观经济统计指标, 以及影响节能降耗工作的政策措施等信息, 而这些信息可能涉及到统计、发改、工信、电网公司等多个部门, 因此, 应尽快建立节能数据库系统, 通过该系统整合、共享各部门有关节能数据与信息, 提高数据的时效性和全面性, 为开展节能降耗监测预警工作提供数据信息支撑平台。
3.3 完善分地区、分行业的监测模型
各省、市、县的节能目标完成情况监测预警模型需要根据本地区的实际分别建立, 并通过加强模型与实际的修正, 不断完善模型的拟合效果, 逐步提高模型监测预测的准确性和可用性。另外, 在建立各地区节能监测预警模型后, 应加快研究建立工业、建筑、交通运输、公共机构等节能重点领域的监测模型, 指导重点用能领域开展监测预警工作, 实现全方位、多角度动态监测。
3.4 探索开展能源消费总量控制指标监测预警
在以往的节能降耗工作中, 主要强调能源消耗的强度, 因而仍然存在“两高一资”项目频繁上马的现象。“十二五”期间, 我国可能会增加能源消费总量控制目标, 加快实施节能降耗“双约束”考核, 既要降低单位生产总值的能源消耗强度, 也要控制能源消费总量, 双重约束双管齐下。为此, 需要加快研究建立能源消费总量控制指标监测模型。
摘要：在讨论现行节能指标统计监测方法局限性的基础上, 通过对月度公布的统计指标与单位地区生产总值能耗指标之间关系的研究, 分析建立回归模型对单位地区生产总值能耗指标进行月度动态监测的方法, 同时讨论结合各地产业结构差异和经济波动情况对模型进行修正的方法。实际监测表明, 通过月度统计指标对单位地区生产总值能耗进行预测监测是可行的, 对节能工作具有重要的现实意义。