CN107169598A - 一种基于深度学习的天气预测方法及系统 - Google Patents
一种基于深度学习的天气预测方法及系统 Download PDFInfo
- Publication number
- CN107169598A CN107169598A CN201710311822.5A CN201710311822A CN107169598A CN 107169598 A CN107169598 A CN 107169598A CN 201710311822 A CN201710311822 A CN 201710311822A CN 107169598 A CN107169598 A CN 107169598A
- Authority
- CN
- China
- Prior art keywords
- deep learning
- data
- weather
- real
- weather data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Withdrawn
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
- G06N5/025—Extracting rules from data
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Computing Systems (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Game Theory and Decision Science (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种基于深度学习的天气预测方法及系统,用以解决现有技术是利用先验知识通过人为数据筛选进行天气预测的问题。该方法包括:S1、保存收集到的历史天气数据及实时天气数据;S2、根据所述天气数据建立逐层深度学习模型并不断修正所述深度学习模型;S3、同步收集到的实时天气数据至所述深度学习模型中;S4、根据导入所述实时天气数据后的所述深度学习模型得到输出结果。采用本发明,能够将数据存储在不同的数据库中,通过构建不同的深度学习模型得到不同需求的输出结果,并且通过深度学习预测天气能得到预测率较高的模型。
Description
技术领域
本发明涉及天气预测领域,尤其涉及一种基于深度学习的天气预测方法及系统。
背景技术
天气预测是我们生活中非常重要的一部分,一个良好的预测系统不仅有利于我们的出行,更会减少由于自然灾害对国家、人民造成的损失。
通常,在对天气情况进行预测时,可以根据卫星、雷达等大型设备采集到的天气数据进行预测,还可以根据专业采集人员实地采集到的天气数据进行预测。
由卫星、雷达等大型设备采集到的天气数据为宏观范围的天气数据,颗粒度很大,无法准确地采集局部地区的天气数据,且大型设备反馈天气数据较慢,时效性差,无法做到实时地天气预测,同时这种方法还需要大量的初期投入,维护费用很高,耗费了大量人力。而由专业采集人员实地采集信息,耗费了大量人力,且依赖于专业采集人员的专业性,很难实现宏观范围内天气数据的采集,覆盖率低。
现有专家系统一般通过应用知识进行逻辑推理,通过计算机编制程序模拟人们分析、解决问题的逻辑思维过程。现有专家系统做的更多的是替代人类的计算、建模过程,此种方法在利用先验知识通过人为数据筛选之后进行预测。
公开号为CN102622515A的专利提供了一种天气预测方法,该方法为,通过提供气温信息值,将气温信息值归一化,建立训练样本的输入输出矩阵,基于所述输出矩阵,利用神经网络进行天气预测等步骤实现天气预测。使用的改进算法可自动判别原始训练数据模式,并对其进行样本建立和归一化。该方法可适用于多种复杂情境,灵活性高,不需要提供辅助数据完成预测,预测结果可恢复至与原始训练数据相对应的数值范围。该发明是利用神经网络替代人类计算来预测天气,需要建模,通过人为数据筛选进行预测,预测准确率不高。
发明内容
本发明要解决的技术问题目的在于提供一种基于深度学习的天气预测方法及系统,用以解决现有技术是利用先验知识通过人为数据筛选进行天气预测的问题。
为了实现上述目的,本发明采用的技术方案为:
一种基于深度学习的天气预测方法,包括步骤:
S1、保存收集到的历史天气数据及实时天气数据;
S2、根据所述天气数据建立逐层深度学习模型并不断修正所述深度学习模型;
S3、同步收集到的实时天气数据至所述深度学习模型中;
S4、根据导入所述实时天气数据后的所述深度学习模型得到输出结果。
进一步地,所述历史天气数据通过手动导入法保存,所述实时天气数据通过自动导入法保存。
进一步地,所述天气数据根据数据时间及数据地点分别存储在不同的数据库中。
进一步地,步骤S2具体包括:
采用降噪自动编码器构建所述深度学习模型;
采用支持向量机分类调整修正所述深度学习模型。
进一步地,步骤S4中,根据数据地域、时间跨度、类型、规模的不同构建出不同的深度学习模型以得到不同需求的输出结果。
一种基于深度学习的天气预测系统,包括:
数据库模块,用于保存收集到的历史天气数据及实时天气数据;
模型训练模块,用于根据所述天气数据建立逐层深度学习模型并不断修正所述深度学习模型;
信息实时采集模块,用于同步收集到的实时天气数据至所述深度学习模型中;
结果输出模块,用于根据导入所述实时天气数据后的所述深度学习模型得到输出结果。
进一步地,所述数据库模块包括:
手动导入单元,用于通过手动导入法获取历史天气数据;
自动导入单元,用于通过自动导入法获取实时天气数据。
进一步地,所述数据库模块还包括:
分类存储单元,用于将所述天气数据根据数据时间及数据地点分别存储在不同的数据库中。
进一步地,所述模型训练模块包括:
无监督学习单元,用于采用降噪自动编码器构建所述深度学习模型;
监督学习单元,用于采用支持向量机分类调整修正所述深度学习模型。
进一步地,所述结果输出模块包括:
分类输出单元,用于根据数据地域、时间跨度、类型、规模的不同构建出不同的深度学习模型以得到不同需求的输出结果。
本发明与传统的技术相比,有如下优点:
采用本发明,能够将数据存储在不同的数据库中,通过构建不同的深度学习模型得到不同需求的输出结果,并且通过深度学习预测天气能得到预测率较高的模型。
附图说明
图1是实施例一提供的一种基于深度学习的天气预测方法流程图;
图2是实施例二提供的一种基于深度学习的天气预测方法流程图;
图3是本发明实施例提供的一种基于深度学习的天气预测系统结构图;
图4是实施例二提供的深度学习模型训练示意图;
图5是本发明实施例提供的深度学习模型结构图。
具体实施方式
以下是本发明的具体实施例并结合附图,对本发明的技术方案作进一步的描述,但本发明并不限于这些实施例。
实施例一
本实施例提供了一种基于深度学习的天气预测方法,如图1所示,包括步骤:
S11:保存收集到的历史天气数据及实时天气数据;
S12:根据所述天气数据建立逐层深度学习模型并不断修正所述深度学习模型;
S13:同步收集到的实时天气数据至所述深度学习模型中;
S14:根据导入所述实时天气数据后的深度学习模型得到输出结果。
关于气象的先验知识是天气预测非常重要的一部分,是以往专家系统的核心,关系到预测效果的好坏。而此类只是一大部分是经验知识,通过气象学家不断学习、摸索出来。在海量数据中找寻规律、方法是深度学习所擅长的一方面,有着人类不可比拟的优势。因此,基于深度学习进行天气预测可以为天气播报和暴雨、干旱等提供一些参考价值,是未来的一种发展趋势。
深度学习概念源于人工神经网络的研究。含多隐层的多层感知器就是一种深度学习结构。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征,以发现数据的分布式特征表示。
深度学习是机器学习研究中的一个新的领域,其动机在于建立、模拟人脑进行分析学习的神经网络,它模仿人脑的机制来解释数据,例如图像,声音和文本。
本实施例采用一种基于深度学习的方法进行天气预测,利用专用预报信息库中的数据,构建一个深度学习系统。提取出一层一层的特征,不断地优化、迭代、堆叠成多个层,通过逐层特征变换,使得分类和预测变得更加容易,得到预测率高的系统模型。
本实施例中,步骤S11为保存收集到的历史天气数据及实时天气数据。
气象数据是反映天气的一组数据,气象数据可分为气候资料和天气资料。
历史天气数据,即年代久远的数据。保存收集到的历史天气数据并存入数据库中。
实时天气数据,即实时采集到的数据。
所述历史天气数据通过手动导入法在数据库中,实时天气数据通过自动导入法保存在数据库中。
其中,手动导入法是指将历史数据通过硬盘等工具传输到电脑里面,再导入数据库中。
自动导入法是指通过信息实时采集模块获取气象站的实时数据,再自动导入对应的数据库中。
在保存历史天气数据及实时天气数据时,根据数据时间及数据地点分别存储在不同的数据库中。
将数据存储在不同的数据库中以便模型训练模块进行训练,分析。
本实施例中,步骤S12为根据所述天气数据建立逐层深度学习模型并不断修正所述深度学习模型。
利用手机到的天气预报特征参数、天气实况、历史天气档案库中的内容,建立逐层深度学习模型。利用已知结果不断修正模型,改变权值,得到较为理想的结果。
深度学习模型图如图5所示,包括输入层,隐层和输出层。
所谓深度学习就是具有很多隐层的神经网络。人工神经网络的基本特点,是试图模仿大脑的神经元之间传递,处理信息的模式。
本实施例中,步骤S13为同步收集到的实时天气数据至深度学习模型中。
天气数据是一直在不断变化的,从个气象站实时将数据同步到采集中心,或者将天气报文中的数据自动采集进数据库。才能使数据库中的数据更加完整。
依靠所获取的历史数据可以构建深度学习模型,然而对天气和一些气象进行预测则需要实时数据。
数据主要来源于各气象站和太空卫星等获取到的卫星云图,利用网络传输功能将这些数据同步到采集中心,或者从世界各地气象网站上利用爬虫技术将其爬取出来。
其中,所述爬虫技术,又被称为网页蜘蛛,网络机器人,在FOAF社区中间,更经常的称为网页追逐者,是一种按照一定的规则,自动地抓取万维网信息的程序或者脚本。
深度学习模型不仅需要历史天气数据也需要实时天气数据。
本实施例中,步骤S14为根据导入实时天气数据后的深度学习模型得到输出结果。
其中,步骤S14根据不同搞得输入检测指标和参数得到不同的输出结果。
根据步骤S12训练得到的模型,将步骤S13采集到的实时数据作为输入传入模型之中,经过运算之后便可以得到分析结果。
并且,步骤S14根据输入数据地域、时间跨度、类型、规模等不同可以构建不同的深度学习模型,得到不同需求的输出结构。
步骤S11是分类存储在数据库中,不同类型的数据对应不同的深度学习模型,有利于研究人员提取需要的天气信息。
本实施例还提供了一种基于深度学习的天气预测系统,如图3所示,包括:
数据库模块31,用于保存收集到的历史天气数据及实时天气数据;
模型训练模块32,用于根据所述天气数据建立逐层深度学习模型并不断修正所述深度学习模型;
信息实时采集模块33,用于同步收集到的实时天气数据至所述深度学习模型中;
结果输出模块34,用于根据导入所述实时天气数据后的所述深度学习模型得到输出结果。
本实施例中,数据库模块31包括:
手动导入单元,用于通过手动导入法获取历史天气数据;
自动导入单元,用于通过自动导入法获取天气数据。
数据库模块31对于年代有源的数据可以通过手动导入单元保存在数据库中,对于实时采集到的数据通过自动导入单元保存在数据库中。
本实施例中,数据库模块31还包括:
分类存储单元,用于将所述天气数据根据数据时间及数据地点分别存储在不同的数据库中。
在保存历史天气数据及实时天气数据时,根据数据时间及数据地点分别存储在不同的数据库中。
将数据存储在不同的数据库中以便模型训练模块进行训练,分析。
本实施例中,模型训练模块32具体用于利用手机到的天气预报特征参数、天气实况、历史天气档案库中的内容,建立逐层深度学习模型。利用已知结果不断修正模型,改变权值,得到较为理想的结果。
深度学习模型图如图5所示,包括输入层,隐层和输出层。
本实施例中,信息实时采集模块33用于同步收集到的实时天气数据至深度学习模型中。
模型训练模块32依靠所获取的历史天气数据可以构建深度学习模型,然而对天气和一些气象进行预测则需要实时天气数据。
实时天气数据主要来源于各气象站和太空卫星等获取到的卫星云图,利用网络传输功能将这些数据同步到采集中心,或者从世界各地气象网站上利用爬虫技术将其爬取出来。
本实施例中,结果输出模块34包括:
分类输出单元,用于根据数据地域、时间跨度、类型、规模的不同构建出不同的深度学习模型以得到不同需求的输出结果。
根据模型训练模块32训练得到的模型,将信息实时采集模块33采集到的实时数据作为输入传入模型之中,经过运算之后便可以得到分析结果。
根据数据库的分类建立不同的深度学习模型以得到不同需求的输出结果,方便研究人员根据实际需求提取相关的数据。并且深度学习模型能够提高天气预测的准确率。
实施例二
本实施例提供了一种基于深度学习的天气预测方法,如图2所示,包括步骤:
S21:保存收集到的历史天气数据及实时天气数据;
S22:采用降噪自动编码器构建深度学习模型;
S23:采用支持向量机分类调整修正深度学习模型;
S24:同步收集到的实时天气数据至所述深度学习模型中;
S25:根据导入所述实时天气数据后的深度学习模型得到输出结果。
与实施例一不同之处在于,实施例一中,步骤S12具体包括步骤S22及步骤S23。
模式训练分为两个过程,分别是自下而上的无监督学习和自上而下的监督学习方法。
如图4所示,由于本发明采用未经处理过的原始数据进行分析,考虑到数据中存在着较大的噪声,因此在无监督学习阶段采用Denoising AutoEncoders降噪自动编码器进行噪声去除,使得输入信号鲁棒性更强。在监督学习阶段,采用支持向量机的方法进行分类,通过多层神经网络取进行训练。
所谓“鲁棒性”,是指控制系统在一定(结构,大小)的参数摄动下,维持其它某些性能的特性。
本实施例中,步骤S22为采用降噪自动编码器构建深度学习模型。
步骤S22为无监督学习方法。根据采集得到的监测数据,将其作为训练第一层,训练时先学习第一层的参数,由于稀疏性约束,使得模型学习到数据的结构,从而得到比初始数据更具表征能力的特征。每次将前一层作为输入,得到各层的参数。
本实施例中,步骤S23为采用支持向量机分类调整修正深度学习模型。
在机器学习领域,支持向量机SVM(Support Vector Machine)是一个有监督的学习模型,通常用来进行模式识别、分类以及回归分析。
步骤S23为监督学习方法。利用带有结果的历史数据去训练模型,对网络进行微调。根据步骤S22得到的模型给出输入、输出去验证模型的准确性,不断地修改参数,直到达到一种相对最优解。
本实施例还提供了一种基于深度学习的天气预测系统,如图3所示,包括:
数据库模块31,用于保存收集到的历史天气数据及实时天气数据;
模型训练模块32,用于根据所述天气数据建立逐层深度学习模型并不断修正所述深度学习模型;
信息实时采集模块33,用于同步收集到的实时天气数据至所述深度学习模型中;
结果输出模块34,用于根据导入所述实时天气数据后的所述深度学习模型得到输出结果。
与实施例一不同之处在于,模型训练模块32包括:
无监督学习单元,用于采用降噪自动编码器构建深度学习模型;
监督学习单元,用于采用支持向量机分类调整修正深度学习模型。
无监督学习单元具体用于根据采集得到的监测数据,将其作为训练第一层,训练时先学习第一层的参数,由于稀疏性约束,使得模型学习到数据的结构,从而得到比初始数据更具表征能力的特征。每次将前一层作为输入,得到各层的参数。
监督学习单元具体用于利用带有结果的历史数据去训练模型,对网络进行微调。根据无监督学习单元得到的模型给出输入、输出去验证模型的准确性,不断地修改参数,直到达到一种相对最优解。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (10)
1.一种基于深度学习的天气预测方法,其特征在于,包括步骤:
S1、保存收集到的历史天气数据及实时天气数据;
S2、根据所述天气数据建立逐层深度学习模型并不断修正所述深度学习模型;
S3、同步收集到的实时天气数据至所述深度学习模型中;
S4、根据导入所述实时天气数据后的所述深度学习模型得到输出结果。
2.根据权利要求1所述的一种基于深度学习的天气预测方法,其特征在于,所述历史天气数据通过手动导入法保存,所述实时天气数据通过自动导入法保存。
3.根据权利要求1所述的一种基于深度学习的天气预测方法,其特征在于,步骤S1中,所述天气数据根据数据时间及数据地点分别存储在不同的数据库中。
4.根据权利要求1所述的一种基于深度学习的天气预测方法,其特征在于,步骤S2具体包括:
采用降噪自动编码器构建所述深度学习模型;
采用支持向量机分类调整修正所述深度学习模型。
5.根据权利要求1所述的一种基于深度学习的天气预测方法,其特征在于,步骤S4中,根据数据地域、时间跨度、类型、规模的不同构建出不同的深度学习模型以得到不同需求的输出结果。
6.一种基于深度学习的天气预测系统,其特征在于,包括:
数据库模块,用于保存收集到的历史天气数据及实时天气数据;
模型训练模块,用于根据所述天气数据建立逐层深度学习模型并不断修正所述深度学习模型;
信息实时采集模块,用于同步收集到的实时天气数据至所述深度学习模型中;
结果输出模块,用于根据导入所述实时天气数据后的所述深度学习模型得到输出结果。
7.根据权利要求6所述的一种基于深度学习的天气预测系统,其特征在于,所述数据库模块包括:
手动导入单元,用于通过手动导入法获取历史天气数据;
自动导入单元,用于通过自动导入法获取实时天气数据。
8.根据权利要求6所述的一种基于深度学习的天气预测系统,其特征在于,所述数据库模块还包括:
分类存储单元,用于将所述天气数据根据数据时间及数据地点分别存储在不同的数据库中。
9.根据权利要求6所述的一种基于深度学习的天气预测系统,其特征在于,所述模型训练模块包括:
无监督学习单元,用于采用降噪自动编码器构建所述深度学习模型;
监督学习单元,用于采用支持向量机分类调整修正所述深度学习模型。
10.根据权利要求6所述的一种基于深度学习的天气预测系统,其特征在于,所述结果输出模块包括:
分类输出单元,用于根据数据地域、时间跨度、类型、规模的不同构建出不同的深度学习模型以得到不同需求的输出结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710311822.5A CN107169598A (zh) | 2017-05-05 | 2017-05-05 | 一种基于深度学习的天气预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710311822.5A CN107169598A (zh) | 2017-05-05 | 2017-05-05 | 一种基于深度学习的天气预测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107169598A true CN107169598A (zh) | 2017-09-15 |
Family
ID=59812541
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710311822.5A Withdrawn CN107169598A (zh) | 2017-05-05 | 2017-05-05 | 一种基于深度学习的天气预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107169598A (zh) |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107991722A (zh) * | 2017-12-25 | 2018-05-04 | 北京墨迹风云科技股份有限公司 | 天气预测模型的建立方法、预测方法和预测装置 |
CN108364098A (zh) * | 2018-02-08 | 2018-08-03 | 重庆邮电大学 | 一种天气特征对用户签到影响的度量方法 |
CN108399469A (zh) * | 2018-01-31 | 2018-08-14 | 中国人民解放军空军研究院战场环境研究所 | 一种基于深度学习和数值天气预报的天气现象预报方法 |
CN108764550A (zh) * | 2018-05-18 | 2018-11-06 | 云南电网有限责任公司电力科学研究院 | 基于输电线路信息数据的雷电预警方法及系统 |
CN109235793A (zh) * | 2018-10-17 | 2019-01-18 | 杭州电子科技大学 | 一种基于深度学习的智能雨棚系统及其控制方法 |
CN109256773A (zh) * | 2018-10-19 | 2019-01-22 | 东北大学 | 降噪自编码和深度支持向量机的电力系统状态估计方法 |
CN109726719A (zh) * | 2017-10-31 | 2019-05-07 | 比亚迪股份有限公司 | 基于自动编码器的文字识别方法、装置及计算机设备 |
CN109919423A (zh) * | 2019-01-23 | 2019-06-21 | 特斯联(北京)科技有限公司 | 一种基于深度学习的智慧水务管理方法及系统 |
CN109959820A (zh) * | 2017-12-24 | 2019-07-02 | 广州奈英科技有限公司 | 监测铁塔实时状态的智能化检测系统及其方法 |
CN109977974A (zh) * | 2017-12-28 | 2019-07-05 | 同方威视科技江苏有限公司 | 图像检测的在线体验平台及使用其的图像检测方法 |
CN110059082A (zh) * | 2019-04-17 | 2019-07-26 | 东南大学 | 一种基于1D-CNN与Bi-LSTM的天气预测方法 |
CN110203128A (zh) * | 2019-06-18 | 2019-09-06 | 东风小康汽车有限公司重庆分公司 | 转向灯辅助模型的构建方法、转向灯自动控制方法及系统 |
CN110322097A (zh) * | 2019-03-18 | 2019-10-11 | 特斯联(北京)科技有限公司 | 一种基于深度学习的城市防汛方法及系统 |
CN111026337A (zh) * | 2019-12-30 | 2020-04-17 | 中科星图股份有限公司 | 一种基于机器学习和ceph思想的分布式储存方法 |
CN111626568A (zh) * | 2020-05-06 | 2020-09-04 | 厦门理工学院 | 知识库构建方法、装置和知识搜索方法、系统 |
WO2021017607A1 (zh) * | 2019-07-31 | 2021-02-04 | 平安科技(深圳)有限公司 | 灾害风险预警方法、装置、计算机设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104268627A (zh) * | 2014-09-10 | 2015-01-07 | 天津大学 | 一种基于深度神经网络迁移模型的短期风速预报方法 |
CN104751242A (zh) * | 2015-03-27 | 2015-07-01 | 北京奇虎科技有限公司 | 预测空气质量指数的方法与装置 |
CN104794534A (zh) * | 2015-04-16 | 2015-07-22 | 国网山东省电力公司临沂供电公司 | 一种基于改进深度学习模型的电网安全态势预测方法 |
CN105160866A (zh) * | 2015-08-07 | 2015-12-16 | 浙江高速信息工程技术有限公司 | 一种基于深度学习神经网络结构的交通流预测方法 |
CN105930955A (zh) * | 2016-04-07 | 2016-09-07 | 浙江万马新能源有限公司 | 基于深度学习的充电网络运行态势分析方法及装置 |
-
2017
- 2017-05-05 CN CN201710311822.5A patent/CN107169598A/zh not_active Withdrawn
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104268627A (zh) * | 2014-09-10 | 2015-01-07 | 天津大学 | 一种基于深度神经网络迁移模型的短期风速预报方法 |
CN104751242A (zh) * | 2015-03-27 | 2015-07-01 | 北京奇虎科技有限公司 | 预测空气质量指数的方法与装置 |
CN104794534A (zh) * | 2015-04-16 | 2015-07-22 | 国网山东省电力公司临沂供电公司 | 一种基于改进深度学习模型的电网安全态势预测方法 |
CN105160866A (zh) * | 2015-08-07 | 2015-12-16 | 浙江高速信息工程技术有限公司 | 一种基于深度学习神经网络结构的交通流预测方法 |
CN105930955A (zh) * | 2016-04-07 | 2016-09-07 | 浙江万马新能源有限公司 | 基于深度学习的充电网络运行态势分析方法及装置 |
Non-Patent Citations (1)
Title |
---|
刘鑫达: ""基于深度学习的气象温度预测研究",", 《中国优秀硕士学位论文全文数据库 基础科技辑》 * |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109726719A (zh) * | 2017-10-31 | 2019-05-07 | 比亚迪股份有限公司 | 基于自动编码器的文字识别方法、装置及计算机设备 |
CN109959820A (zh) * | 2017-12-24 | 2019-07-02 | 广州奈英科技有限公司 | 监测铁塔实时状态的智能化检测系统及其方法 |
CN107991722A (zh) * | 2017-12-25 | 2018-05-04 | 北京墨迹风云科技股份有限公司 | 天气预测模型的建立方法、预测方法和预测装置 |
CN109977974A (zh) * | 2017-12-28 | 2019-07-05 | 同方威视科技江苏有限公司 | 图像检测的在线体验平台及使用其的图像检测方法 |
CN108399469A (zh) * | 2018-01-31 | 2018-08-14 | 中国人民解放军空军研究院战场环境研究所 | 一种基于深度学习和数值天气预报的天气现象预报方法 |
CN108364098A (zh) * | 2018-02-08 | 2018-08-03 | 重庆邮电大学 | 一种天气特征对用户签到影响的度量方法 |
CN108364098B (zh) * | 2018-02-08 | 2020-11-20 | 重庆邮电大学 | 一种天气特征对用户签到影响的度量方法 |
CN108764550A (zh) * | 2018-05-18 | 2018-11-06 | 云南电网有限责任公司电力科学研究院 | 基于输电线路信息数据的雷电预警方法及系统 |
CN109235793A (zh) * | 2018-10-17 | 2019-01-18 | 杭州电子科技大学 | 一种基于深度学习的智能雨棚系统及其控制方法 |
CN109256773A (zh) * | 2018-10-19 | 2019-01-22 | 东北大学 | 降噪自编码和深度支持向量机的电力系统状态估计方法 |
CN109256773B (zh) * | 2018-10-19 | 2021-01-26 | 东北大学 | 降噪自编码和深度支持向量机的电力系统状态估计方法 |
CN109919423A (zh) * | 2019-01-23 | 2019-06-21 | 特斯联(北京)科技有限公司 | 一种基于深度学习的智慧水务管理方法及系统 |
CN110322097A (zh) * | 2019-03-18 | 2019-10-11 | 特斯联(北京)科技有限公司 | 一种基于深度学习的城市防汛方法及系统 |
CN110059082A (zh) * | 2019-04-17 | 2019-07-26 | 东南大学 | 一种基于1D-CNN与Bi-LSTM的天气预测方法 |
CN110203128A (zh) * | 2019-06-18 | 2019-09-06 | 东风小康汽车有限公司重庆分公司 | 转向灯辅助模型的构建方法、转向灯自动控制方法及系统 |
WO2021017607A1 (zh) * | 2019-07-31 | 2021-02-04 | 平安科技(深圳)有限公司 | 灾害风险预警方法、装置、计算机设备及存储介质 |
CN111026337A (zh) * | 2019-12-30 | 2020-04-17 | 中科星图股份有限公司 | 一种基于机器学习和ceph思想的分布式储存方法 |
CN111626568A (zh) * | 2020-05-06 | 2020-09-04 | 厦门理工学院 | 知识库构建方法、装置和知识搜索方法、系统 |
CN111626568B (zh) * | 2020-05-06 | 2024-02-20 | 厦门理工学院 | 自然灾害领域知识库构建方法以及知识搜索方法、系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107169598A (zh) | 一种基于深度学习的天气预测方法及系统 | |
CN108448610B (zh) | 一种基于深度学习的短期风功率预测方法 | |
CN110070183A (zh) | 一种弱标注数据的神经网络模型训练方法及装置 | |
CN109508360B (zh) | 一种基于元胞自动机的地理多元流数据时空自相关分析方法 | |
CN110766212B (zh) | 用于历史数据缺失电场的超短期光伏功率预测方法 | |
CN107392901A (zh) | 一种用于输电线路部件智能自动识别的方法 | |
Fang et al. | A general multi-source ensemble transfer learning framework integrate of LSTM-DANN and similarity metric for building energy prediction | |
CN110751318B (zh) | 一种基于ipso-lstm的超短期电力负荷预测方法 | |
CN107730006A (zh) | 一种基于可再生能源大数据深度学习的建筑近零能耗控制器 | |
CN106022614A (zh) | 一种基于最近邻聚类的神经网络数据挖掘方法 | |
CN107194600A (zh) | 一种电力负荷季节特性分类方法 | |
CN114757307B (zh) | 一种人工智能自动训练方法、系统、装置及存储介质 | |
CN110222592A (zh) | 一种基于互补时序行为提案生成的时序行为检测网络模型的构建方法 | |
CN105844334B (zh) | 一种基于径向基神经网络的温度插值方法 | |
CN107038450A (zh) | 基于深度学习的无人机警察系统 | |
CN113268370A (zh) | 一种根因告警分析方法、系统、设备及存储介质 | |
CN116720057A (zh) | 基于特征筛选与权值分配的江河水质预测方法及系统 | |
Zhang et al. | Intelligent flood forecasting and warning: A survey | |
CN115456093A (zh) | 一种基于注意力图神经网络的高性能图聚类方法 | |
CN114861792A (zh) | 一种基于深度强化学习的复杂电网关键节点识别方法 | |
CN107679478A (zh) | 输电线路空间负荷状态的提取方法和系统 | |
CN115293249A (zh) | 一种基于动态时序预测的电力系统典型场景概率预测方法 | |
Fan et al. | Construction of a neural network and its application on target classification | |
CN113283638A (zh) | 一种基于融合模型的负荷极值曲线预测方法及系统 | |
Zhang et al. | A Hybrid Neural Network-Based Intelligent Forecasting Approach for Capacity of Photovoltaic Electricity Generation |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20201102 Address after: No. 2-3167, zone a, Nonggang City, No. 2388, Donghuan Avenue, Hongjia street, Jiaojiang District, Taizhou City, Zhejiang Province Applicant after: Taizhou Jiji Intellectual Property Operation Co.,Ltd. Address before: 201616 Shanghai city Songjiang District Sixian Road No. 3666 Applicant before: Phicomm (Shanghai) Co.,Ltd. |
|
TA01 | Transfer of patent application right | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20170915 |
|
WW01 | Invention patent application withdrawn after publication |