CN107688871A - 一种水质预测方法和装置 - Google Patents
一种水质预测方法和装置 Download PDFInfo
- Publication number
- CN107688871A CN107688871A CN201710712632.4A CN201710712632A CN107688871A CN 107688871 A CN107688871 A CN 107688871A CN 201710712632 A CN201710712632 A CN 201710712632A CN 107688871 A CN107688871 A CN 107688871A
- Authority
- CN
- China
- Prior art keywords
- water quality
- model
- quality prediction
- prediction
- 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.)
- Granted
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 258
- 238000000034 method Methods 0.000 title claims abstract description 42
- 230000015654 memory Effects 0.000 claims abstract description 46
- 238000012549 training Methods 0.000 claims abstract description 35
- 238000012360 testing method Methods 0.000 claims description 42
- 238000004590 computer program Methods 0.000 claims description 21
- 230000008859 change Effects 0.000 claims description 12
- 238000003860 storage Methods 0.000 claims description 12
- 230000001052 transient effect Effects 0.000 claims description 8
- 238000005192 partition Methods 0.000 claims 1
- 241001269238 Data Species 0.000 abstract description 9
- 230000000694 effects Effects 0.000 abstract description 4
- 239000010410 layer Substances 0.000 description 15
- 230000006870 function Effects 0.000 description 9
- 230000001537 neural effect Effects 0.000 description 6
- 210000002569 neuron Anatomy 0.000 description 5
- XKMRRTOUMJRJIA-UHFFFAOYSA-N ammonia nh3 Chemical compound N.N XKMRRTOUMJRJIA-UHFFFAOYSA-N 0.000 description 4
- 230000007935 neutral effect Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 239000001301 oxygen Substances 0.000 description 3
- 229910052760 oxygen Inorganic materials 0.000 description 3
- 230000006403 short-term memory Effects 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 238000003911 water pollution Methods 0.000 description 3
- 241000208340 Araliaceae Species 0.000 description 2
- 229910002651 NO3 Inorganic materials 0.000 description 2
- NHNBFGGVMKEFGY-UHFFFAOYSA-N Nitrate Chemical compound [O-][N+]([O-])=O NHNBFGGVMKEFGY-UHFFFAOYSA-N 0.000 description 2
- IOVCWXUNBOPUCH-UHFFFAOYSA-M Nitrite anion Chemical compound [O-]N=O IOVCWXUNBOPUCH-UHFFFAOYSA-M 0.000 description 2
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 2
- 235000003140 Panax quinquefolius Nutrition 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 210000004027 cell Anatomy 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 210000003608 fece Anatomy 0.000 description 2
- 235000008434 ginseng Nutrition 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000004060 metabolic process Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- -1 pH value Chemical compound 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 1
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 239000011229 interlayer Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 229910052698 phosphorus Inorganic materials 0.000 description 1
- 239000011574 phosphorus Substances 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 238000003892 spreading Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
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
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A20/00—Water conservation; Efficient water supply; Efficient water use
- Y02A20/152—Water filtration
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种水质预测方法，包括：基于深度信念网络和长短时记忆网络构建水质预测模型；基于历史的水质时间序列数据和天气数据，训练水质预测模型；基于水质预测模型预测水质；本发明还提供一种水质预测装置，包括：构建模块、训练模块和预测模块。本发明提供的水质预测方法和装置，将深度信念网络和长短时记忆网络引入到水质预测模型中，利用深度信念网络对大量水质时间序列数据和天气数据进行处理，挖掘各因子之间的关系，为难以实现多变量非线性水质参数数据的高精度预测做铺垫；基于深度信念网络对大量水质时间序列数据和天气数据处理的结果，利用长短时记忆网络学习水体质量与时间序列的长期关系，并据此进行预测，获得最优预测效果。
Description
技术领域
本发明涉及水质预测领域，更具体地，涉及一种水质预测方法和装置。
背景技术
经济的发展使水质污染也日趋严重，全国水质恶化的加剧，水环境管理已经成为解决水资源短缺与水污染加剧的重要措施，水质预测及预警是水环境问题的重要研究内容之一。影响水质的因素有很多，如：空气温度、湿度、降雨量、太阳辐射、风速、风向等外部环境，人工施药、水生生物自身生陈代谢、排泄物、微生物变化等，都会影响水质的质量。水质参数的检测参数主要包括温度、溶解氧、pH值、氨氮、亚硝酸盐、硝酸盐等，各种因子之间相互联系、相互影响，共同决定水体质量。
由于各因子之间既相互影响又相互作用，是一个多变量非线性问题，要求采用适宜的预测方法阐明水体多参数之间的相互作用，揭示水质因子变化的关键规律，对于多变量非线性水质参数数据的预测，是水质预测的难点之一；采集的与水质参数相关的数据是时间序列数据，针对大量的时间序列水质参数数据、气象数据，挖掘其中数据特征，对水质预测结果是否精确有直接的影响，数据挖掘就是从大量的、不完全的、有噪声的、模糊的、随机的数据中，提取隐含在其中的、人们事先不知道的但又是潜在有用的信息和知识的过程，采用合适的方法去挖掘大量的时间序列水质参数数据特征，也是难点之一。
现有专利文献CN102737288A公开了一种基于RBF神经网络参数自优化的水质多步预测方法，首先通过在线水质监测仪器的远程传输，将各个监测站的数据存到本地服务器的数据库中，然后对水质样本序列进行归一化处理，计算自相关系数确定RBF神经网络的输入变量，将样本数据转化为RBF神经网络训练预测的标准动态序列数据格式，再以误差标准差作为目标函数，利用微分进化算法搜索确定RBF神经网络扩展系数spread的最优值，得到最优的预测模型，最后实时采样水质数据,用得到的最优预测模型，采用单点迭代的方法实现多步预测，并评价水质预测结果。该水质预测方法中，RBF神经网络用于非线性系统建模需要解决的关键问题是样本数据的选择，难以对多变量非线性水质参数数据做出精确的预测，更重要的是，RBF神经网络无法挖掘大量的时间序列水质参数数据特征。
发明内容
为了克服上述问题或者至少部分地解决上述问题，本发明提供一种水质预测方法和装置。
根据本发明的一个方面，提供一种水质预测方法，包括：基于深度信念网络和长短时记忆网络构建水质预测模型；基于历史的水质时间序列数据和天气数据，训练水质预测模型；基于水质预测模型预测水质。
其中，基于深度信念网络和长短时记忆网络构建水质预测模型，包括：建立深度信念网络模型和长短时记忆网络模型；连接深度信念网络模型和长短时记忆网络模型，将深度信念网络模型的输出作为长短时记忆网络模型的输入，以构成水质预测模型。
其中，基于历史的水质时间序列数据和天气数据，训练水质预测模型，包括：获取目标区域的水质时间序列数据和天气数据，作为历史数据；预处理历史数据，并对预处理后的历史数据归一化处理；将归一化处理后的历史数据按预设比例划分为训练集和测试集，根据训练集的历史数据训练水质预测模型，以获得水质预测模型的参数。
其中，将归一化处理后的历史数据按预设比例划分为训练集和测试集，根据训练集的历史数据训练水质预测模型，以获得水质预测模型的参数之后，还包括：根据测试集的历史数据测试并优化水质预测模型。
其中，根据测试集的历史数据测试并优化水质预测模型，包括：测试水质预测模型，根据水质预测模型测试结果，调整水质预测模型中长短时记忆网络模型的层数；测试经调整的水质预测模型，优化水质预测模型的参数。
其中，基于水质预测模型预测水质之前，还包括：改变预设比例，重新将归一化处理后的历史数据按改变后的预设比例划分为训练集和测试集；根据重新划分的训练集的历史数据训练水质预测模型，微调水质预测模型；根据重新划分的测试集的历史数据测试水质预测模型，优化水质预测模型的参数；重复上述步骤，直到获得水质预测模型的最优化参数。
其中，基于水质预测模型预测水质，包括：获取目标区域当前和当前时刻之前预设时间段内的水质时间序列数据和天气数据；归一化处理目标区域当前和当前时刻之前预设时间段内的水质时间序列数据和天气数据，将归一化处理后的数据输入到水质预测模型；反归一化处理水质预测模型的输出数据，获得目标区域的水质预测数据。
本发明的另一方面，提供一种水质预测装置，包括：构建模块，用于基于深度信念网络和长短时记忆网络构建水质预测模型；训练模块，用于基于历史的水质时间序列数据和天气数据，训练水质预测模型；预测模块，用于基于水质预测模型预测水质。
本发明的又一方面，提供一种计算机程序产品，该计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，该计算机程序包括程序指令，当该程序指令被计算机执行时，使计算机执行上述的方法。
本发明的又一方面，提供一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储计算机程序，该计算机程序使计算机执行上述的方法。
本发明提供的水质预测方法和装置，通过基于深度信念网络和长短时记忆网络构建水质预测模型，基于历史的水质时间序列数据和天气数据，训练水质预测模型，基于水质预测模型预测水质。从而将深度信念网络和长短时记忆网络引入到水质预测模型中，利用深度信念网络对大量水质时间序列数据和天气数据进行处理，挖掘各因子之间的相互关系，为难以实现多变量非线性水质参数数据的高精度预测做铺垫；基于深度信念网络对大量水质时间序列数据和天气数据进行处理的结果，利用长短时记忆网络学习水体质量与时间序列的长期关系，并据此进行预测，获得最优预测效果。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为根据本发明实施例的水质预测方法的流程图；
图2为长短时记忆网络的示意图；
图3为根据本发明实施例的水质预测模型的示意图；
图4为根据本发明实施例的对水质预测模型训练的流程图；
图5为根据本发明实施例的水质预测装置的示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
在本发明的一个实施例中，参考图1，提供一种水质预测方法，包括：S11，基于深度信念网络和长短时记忆网络构建水质预测模型；S12，基于历史的水质时间序列数据和天气数据，训练水质预测模型；S13，基于水质预测模型预测水质。
具体的，影响水质的因素有很多，如：空气温度、湿度、降雨量、太阳辐射、风速、风向等外部环境，人工施药、水生生物自身生陈代谢、排泄物、微生物变化等，都会影响水质的质量。水质参数的检测参数主要包括温度、溶解氧、pH值、氨氮、亚硝酸盐、硝酸盐等，各种因子之间相互联系、相互影响，共同决定水体质量。
深度信念网络(Deep Belief Network,简称为DBN)是是一个概率生成模型，与传统的判别模型的神经网络相对，生成模型是建立一个观察数据和标签之间的联合分布。DBN在靠近可视层的部分使用贝叶斯信念网络，由多个限制玻尔兹曼机(RestrictedBoltzmann Machines)层组成，这些网络被“限制”为一个可视层和一个隐层，层间存在连接，但层内的单元间不存在连接。隐层单元被训练去捕捉在可视层表现出来的高阶数据的相关性。
长短时记忆网络(Long Short-Term Memory，简称为LSTM)是建立在循环神经网络(Recurrent Neural Networks，简称为RNN)上的一种新型深度机器学习神经网络，在输入、反馈与防止梯度爆发之间建立了一个长时间的时滞。其在特殊记忆单元中的内部状态保持一个持续误差流，这样一来梯度既不会爆发也不会消失。LSTM的单元中包含一个尝试将信息存储较久的记忆单元，这个记忆单元的入口被一些特殊的门控制，被控制的功能包括保存、写入和读取操作；这些门都是逻辑单元，它们不会将自己的行为作为输入值发送给其他神经元，而是负责在神经网络的其他部分与记忆单元连接的边缘设定权值。这个记忆单元是一个线型的神经元，有自体内部连接，具体来说就是其在每一个神经元内部加入了三个门，分别是输入门、输出门和忘记门，用来选择性记忆反馈的误差函数随梯度下降的修正参数。当忘记门被打开时，其连接权值为1，记忆单元将内容写入自身；当忘记门输出为0时，记忆单元会清除之前的内容。输出门允许在输出值为1的时候，神经网络的其他部分将内容记入记忆单元，而输入门则允许在输出值为1的时候，神经网络的其他部分读取记忆单元。
LSTM网络结构如图2所示，其中，Cell就是神经元状态的记忆，负责记录参数状态；Input Gate与Output Gate分别为输入门与输出门，用来接收以及输出参数和修正参数；Forget Gate为忘记门，将上一次神经元的状态选择性遗忘修正参数。
在该网络结构中，对于每个存储单元，三套权重从输入训练而得，包括先前时间步中完整的隐藏状态，一个带入到输入节点，一个带入到忘记门，另一个带入到输出门。其中，每个黑色节点与一个激活函数相关联，典型的激活函数为S型函数，单元中最中央的节点即内部状态，并且以数量1为权重来跨越时间步，再反馈到本身，内部状态的自连接边，被称为恒定误差传送带或Constant Error Carousel(CEC)。
对于各因子之间既相互影响又相互作用，是一个多变量非线性问题，要求采用适宜的预测方法阐明水体多参数之间的相互作用，揭示水质因子变化的关键规律，对于多变量非线性水质参数数据的预测，本实施例的水质预测模型采用深度信念网络，对大量水质时间序列数据和天气数据进行处理，挖掘各因子之间的相互关系，为难以实现多变量非线性水质参数数据的高精度预测做铺垫；而对于深度信念网络对大量水质时间序列数据和天气数据进行处理的结果，本实施例的水质预测模型利用长短时记忆网络学习水体质量与时间序列的长期关系。
本实施例中，基于深度信念网络和长短时记忆网络构建水质预测模型；通过历史的水质时间序列数据和天气数据对水质预测模型进行训练；基于水质预测模型预测水质。
本实施例将深度信念网络和长短时记忆网络引入到水质预测模型中，利用深度信念网络对大量水质时间序列数据和天气数据进行处理，挖掘各因子之间的相互关系，为难以实现多变量非线性水质参数数据的高精度预测做铺垫；基于深度信念网络对大量水质时间序列数据和天气数据进行处理的结果，利用长短时记忆网络学习水体质量与时间序列的长期关系，并据此进行预测，获得最优预测效果。
基于以上实施例，基于深度信念网络和长短时记忆网络构建水质预测模型，包括：建立深度信念网络模型和长短时记忆网络模型；连接深度信念网络模型和长短时记忆网络模型，将深度信念网络模型的输出作为长短时记忆网络模型的输入，以构成水质预测模型。
具体的，建立深度信念网络模型，使用DBN主要目的是提取水质数据和天气数据的主要特征，挖掘水质数据与多维天气因素之间的相互关系，提取隐含在各种因素之中的潜在的低维数据关联特征，对每一类水质时序数据进行降维，然后利用低维特征训练数据的LSTM时序模型。深度信念网络模型的建立包含两个过程：一步是非监督贪心逐层RBM预训练；第二步是微调模型的权值。其中，确定DBN网络隐含层和节点是十分重要的，需要在多次试验中找到最合适的隐含层数和节点数。DBN网络中参数优化，可以采用其他基于公开的网络模型进行网络权重微调。
建立长短时记忆网络模型，长短时记忆网络模型网络结构为输入层、隐含层和输出层，其主要内容是确定隐含层数和节点数，优化参数。该模型可采用双层隐含层或单层。优化RNN参数过拟合，保证数据量的充足，或者使用正则化的方法包括L1、L2和丢弃法等。对于LSTM模型中的函数，其隐含层采用tanh函数，输出层采用softmax函数，优选的，可使用softsign函数替代tanh函数，使LSTM模型更快且更不容易出现饱和(约0梯度)，在训练过程中采用BPTT(Back Propagation Through Time)时间反向传播算法计算长短时记忆网络模型的网络参数。
水质预测模型的结构参考图3，该水质预测模型包括深度信念网络模型和长短时记忆网络模型，连接深度信念网络模型和长短时记忆网络模型，将深度信念网络模型的输出作为长短时记忆网络模型的输入，构成水质预测模型。
本实施例通过连接深度信念网络模型和长短时记忆网络模型，将深度信念网络模型的输出作为长短时记忆网络模型的输入，构成水质预测模型；该水质预测模型利用深度信念网络模型对大量水质时间序列数据和天气数据进行处理，挖掘各因子之间的相互关系，基于深度信念网络对大量水质时间序列数据和天气数据进行处理的结果，利用长短时记忆网络学习水体质量与时间序列的长期关系，并据此进行预测，获得最优预测效果。
基于以上实施例，基于历史的水质时间序列数据和天气数据，训练水质预测模型，包括：获取目标区域的水质时间序列数据和天气数据，作为历史数据；预处理历史数据，并对预处理后的历史数据归一化处理；将归一化处理后的历史数据按预设比例划分为训练集和测试集，根据训练集的历史数据训练水质预测模型，以获得水质预测模型的参数。
具体的，参考图4，将目标区域的水质时间序列数据和天气数据，进行删除空缺值、无效值，降噪等预处理，由于这些数据作为水质预测模型的输入数据，需要将所有数据归一化到[0,1]之间，对任一样本数据x归一化为x*的公式如下：
其中，x为任一样本数据，μ为所有与x同类型样本数据的均值，σ为所有x同类型样本数据的标准差。
由于天气因素对水质存在一定影响，如雷雨天气使水质氨氮含量升高，水质预测模型还包括挖掘天气因素对水质变化的作用规律，包括气压、气温、湿度、风向、风速、降水量对水质变化的作用规律等等。将水质时间序列数据和天气因素数据按预设比例划分成训练集和测试集，然后把训练集数据输入到水质预测模型，对水质预测模型训练，获得水质预测模型的参数。
基于以上实施例，将归一化处理后的历史数据按预设比例划分为训练集和测试集，根据训练集的历史数据训练水质预测模型，以获得水质预测模型的参数之后，还包括：根据测试集的历史数据测试并优化水质预测模型。其中，根据测试集的历史数据测试并优化水质预测模型，包括：测试水质预测模型，根据水质预测模型测试结果，调整水质预测模型中长短时记忆网络模型的层数；测试经调整的水质预测模型，优化水质预测模型的参数。
具体的，参考图4，选取测试集的历史数据，对水质预测模型进行测试，根据测试的结果，调整水质预测模型的设置，例如调整DBN的设置或者LSTM的层数，并基于对水质预测模型的调整，结合对经调整的水质预测模型的测试，微调水质预测模型的参数，尽可能使水质预测模型达到最优状态。
基于上述实施例，基于水质预测模型预测水质之前，还包括：改变预设比例，重新将归一化处理后的历史数据按改变后的预设比例划分为训练集和测试集；根据重新划分的训练集的历史数据训练水质预测模型，微调水质预测模型；根据重新划分的测试集的历史数据测试水质预测模型，优化水质预测模型的参数；重复上述步骤，直到获得水质预测模型的最优化参数。
具体的，将大量水质参数时间序列数据和天气数据作为历史数据，划分为测试机和样本集，在对获得的水质预测模型的参数为达到最优化之前，可调整预设比例重新划分训练集和测试集，重复的分别使用样本集和测试集对水质预测模型进行训练和测试，例如，分别取历史数据的前1/10、1/8、1/5或1/3作为测试集，对应的，将剩余部分的9/10、7/8、4/5或2/3作为样本集，分别使用样本集和对应的测试集对水质预测模型进行训练和测试，调整水质预测模型的参数直到最优化状态。
本实施例通过调整预设比例重新划分训练集和测试集，并使用重新划分的训练集和测试集的历史数据对水质预测模型进行多次训练与测试，有利于避免对水质预测模型的过拟合，提高水质预测模型的鲁棒性和预测的准确性。
基于以上实施例，基于水质预测模型预测水质，包括：获取目标区域当前和当前时刻之前预设时间段内的水质时间序列数据和天气数据；归一化处理目标区域当前和当前时刻之前预设时间段内的水质时间序列数据和天气数据，将归一化处理后的数据输入到水质预测模型；反归一化处理水质预测模型的输出数据，获得目标区域的水质预测数据。
该水质预测模型可应用于河流不同流域的PH值、溶解氧(DO)、电导率(EC)、浊度(TU)、氨氮(NH3-N)、化学需氧量(COD)、总磷(TP)、总氮(TN)、高锰酸盐指数等水质参数的预测，实现相关水质数据的精确预测，便于多水源监管、水质预警、水污染治理。
作为本发明的又一个实施例，参考图5，提供一种水质预测装置，包括：构建模块51、训练模块52和预测模块53，其中：
构建模块51用于基于深度信念网络和长短时记忆网络构建水质预测模型；
训练模块52用于基于历史的水质时间序列数据和天气数据，训练水质预测模型；
预测模块53用于基于水质预测模型预测水质。
上述装置与上述方法的一实施例是对应的，本发明不再对上述装置进行详细说明。
作为本发明的又一个实施例，提供一种计算机程序产品，该计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，该计算机程序包括程序指令，当程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的方法，例如包括：基于深度信念网络和长短时记忆网络构建水质预测模型；基于历史的水质时间序列数据和天气数据，训练水质预测模型；基于水质预测模型预测水质。
作为本发明的又一个实施例，提供一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储计算机程序，该计算机程序使该计算机执行上述各方法实施例所提供的方法，例如包括：基于深度信念网络和长短时记忆网络构建水质预测模型；基于历史的水质时间序列数据和天气数据，训练水质预测模型；基于水质预测模型预测水质。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过计算机程序指令相关的硬件来完成，前述的计算机程序可以存储于一计算机可读取存储介质中，该计算机程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种水质预测方法，其特征在于，包括：
基于深度信念网络和长短时记忆网络构建水质预测模型；
基于历史的水质时间序列数据和天气数据，训练所述水质预测模型；
基于所述水质预测模型预测水质。
2.根据权利要求1所述的方法，其特征在于，所述基于深度信念网络和长短时记忆网络构建水质预测模型，包括：
建立深度信念网络模型和长短时记忆网络模型；
连接所述深度信念网络模型和所述长短时记忆网络模型，将所述深度信念网络模型的输出作为所述长短时记忆网络模型的输入，以构成所述水质预测模型。
3.根据权利要求1所述的方法，其特征在于，所述基于历史的水质时间序列数据和天气数据，训练所述水质预测模型，包括：
获取目标区域的水质时间序列数据和天气数据，作为历史数据；
预处理所述历史数据，并对预处理后的所述历史数据归一化处理；
将归一化处理后的所述历史数据按预设比例划分为训练集和测试集，根据所述训练集的历史数据训练所述水质预测模型，以获得所述水质预测模型的参数。
4.根据权利要求3所述的方法，其特征在于，所述将归一化处理后的所述历史数据按预设比例划分为训练集和测试集，根据所述训练集的历史数据训练所述水质预测模型，以获得所述水质预测模型的参数之后，还包括：
根据所述测试集的历史数据测试并优化所述水质预测模型。
5.根据权利要求4所述的方法，其特征在于，所述根据所述测试集的历史数据测试并优化所述水质预测模型，包括：
测试所述水质预测模型，根据所述水质预测模型测试结果，调整所述水质预测模型中长短时记忆网络模型的层数；
测试经调整的所述水质预测模型，优化所述水质预测模型的参数。
6.根据权利要求3所述的方法，其特征在于，所述基于所述水质预测模型预测水质之前，还包括：
S61，改变所述预设比例，重新将归一化处理后的所述历史数据按改变后的所述预设比例划分为训练集和测试集；
S62，根据重新划分的训练集的历史数据训练所述水质预测模型，微调所述水质预测模型；
S63，根据重新划分的测试集的历史数据测试所述水质预测模型，优化所述水质预测模型的参数；
S64，重复所述S61-所述S63，直到获得所述水质预测模型的最优化参数。
7.根据权利要求3所述的方法，其特征在于，所述基于所述水质预测模型预测水质，包括：
获取所述目标区域当前和当前时刻之前预设时间段内的水质时间序列数据和天气数据；
归一化处理所述目标区域当前和当前时刻之前预设时间段内的水质时间序列数据和天气数据，将归一化处理后的数据输入到所述水质预测模型；
反归一化处理所述水质预测模型的输出数据，获得所述目标区域的水质预测数据。
8.一种水质预测装置，其特征在于，包括：
构建模块，用于基于深度信念网络和长短时记忆网络构建水质预测模型；
训练模块，用于基于历史的水质时间序列数据和天气数据，训练所述水质预测模型；
预测模块，用于基于所述水质预测模型预测水质。
9.一种计算机程序产品，其特征在于，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，使所述计算机执行如权利要求1至7任一所述的方法。
10.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储计算机程序，所述计算机程序使所述计算机执行如权利要求1至7任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710712632.4A CN107688871B (zh) | 2017-08-18 | 2017-08-18 | 一种水质预测方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710712632.4A CN107688871B (zh) | 2017-08-18 | 2017-08-18 | 一种水质预测方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107688871A true CN107688871A (zh) | 2018-02-13 |
| CN107688871B CN107688871B (zh) | 2020-08-21 |
Family
ID=61153460
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710712632.4A Active CN107688871B (zh) | 2017-08-18 | 2017-08-18 | 一种水质预测方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107688871B (zh) |
Cited By (33)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108416478A (zh) * | 2018-03-19 | 2018-08-17 | 国通广达（北京）技术有限公司 | 一种综合管廊内部燃气浓度lstm预测方法及系统 |
| CN108460492A (zh) * | 2018-03-19 | 2018-08-28 | 国通广达（北京）技术有限公司 | 一种综合管廊内部氧气浓度lstm预测方法及系统 |
| CN108665100A (zh) * | 2018-05-09 | 2018-10-16 | 中国农业大学 | 一种水体水质预测方法、系统及装置 |
| CN108665106A (zh) * | 2018-05-15 | 2018-10-16 | 中国农业大学 | 一种水产养殖溶解氧预测方法及装置 |
| CN108846423A (zh) * | 2018-05-29 | 2018-11-20 | 中国农业大学 | 水质预测方法和系统 |
| CN108960525A (zh) * | 2018-07-20 | 2018-12-07 | 郑州轻工业学院 | 基于移动计算机和神经网络的污染监测方法及装置 |
| CN109165798A (zh) * | 2018-10-19 | 2019-01-08 | 燕山大学 | 一种水泥熟料游离氧化钙含量在线预测方法及系统 |
| CN109165247A (zh) * | 2018-09-30 | 2019-01-08 | 中冶华天工程技术有限公司 | 污水测量数据智能预处理方法 |
| CN109190550A (zh) * | 2018-08-29 | 2019-01-11 | 沈阳康泰电子科技股份有限公司 | 联合微表情多输入信息的深度神经网络多源数据融合方法 |
| CN109408772A (zh) * | 2018-10-11 | 2019-03-01 | 四川长虹电器股份有限公司 | 对连续性数据中的异常数据的恢复方法 |
| CN109472321A (zh) * | 2018-12-03 | 2019-03-15 | 北京工业大学 | 一种面向时间序列型地表水质大数据的预测与评估模型构建方法 |
| CN109840587A (zh) * | 2019-01-04 | 2019-06-04 | 长江勘测规划设计研究有限责任公司 | 基于深度学习的水库入库流量预测方法 |
| CN110174690A (zh) * | 2019-05-30 | 2019-08-27 | 杭州中科微电子有限公司 | 一种基于长短期记忆网络辅助的卫星定位方法 |
| CN110197704A (zh) * | 2019-04-18 | 2019-09-03 | 北京工业大学 | 一种基于受限玻尔兹曼机的自组织bp神经网络出水总磷预测方法 |
| CN110597934A (zh) * | 2019-08-05 | 2019-12-20 | 深圳市水务科技有限公司 | 生成水质信息地图的方法及装置 |
| CN110619418A (zh) * | 2019-07-26 | 2019-12-27 | 重庆大学 | 一种基于混合模型组合算法的多特征水质预测方法 |
| CN110824914A (zh) * | 2019-09-30 | 2020-02-21 | 华南师范大学 | 一种基于pca-lstm网络的废水处理智能监控方法 |
| CN111652425A (zh) * | 2020-05-29 | 2020-09-11 | 重庆工商大学 | 一种基于粗糙集和长短期记忆网络的河流水质预测方法 |
| CN111882138A (zh) * | 2020-08-07 | 2020-11-03 | 中国农业大学 | 基于时空融合的水质预测方法、装置、设备及存储介质 |
| CN112101789A (zh) * | 2020-09-16 | 2020-12-18 | 清华大学合肥公共安全研究院 | 一种基于人工智能的水污染报警等级识别方法 |
| CN112215421A (zh) * | 2020-10-13 | 2021-01-12 | 北京工业大学 | 一种基于生成对抗网络的深度学习水质指标预测方法 |
| CN112262791A (zh) * | 2020-11-03 | 2021-01-26 | 泰安九章信息科技有限公司 | 追随水产养殖方法及系统 |
| CN112529296A (zh) * | 2020-12-11 | 2021-03-19 | 联通(浙江)产业互联网有限公司 | 水质预测方法、装置及服务器 |
| CN112529234A (zh) * | 2019-09-18 | 2021-03-19 | 上海交通大学 | 基于深度学习的地表水质预测方法 |
| CN112684130A (zh) * | 2020-11-23 | 2021-04-20 | 深圳市水务科技有限公司 | 流域水质预测方法和装置、计算机可读存储介质 |
| CN112862138A (zh) * | 2019-11-27 | 2021-05-28 | 新奥数能科技有限公司 | 一种热负荷预测方法、装置、可读介质及电子设备 |
| CN112949882A (zh) * | 2019-11-26 | 2021-06-11 | 新奥数能科技有限公司 | 一种负荷预测的方法、装置及电子设备 |
| CN113807522A (zh) * | 2021-03-03 | 2021-12-17 | 京东科技控股股份有限公司 | 贝叶斯网络结构的生成方法、装置、电子设备和存储介质 |
| CN114417740A (zh) * | 2022-03-30 | 2022-04-29 | 青岛杰瑞工控技术有限公司 | 一种深海养殖态势感知方法 |
| TWI783360B (zh) * | 2021-01-19 | 2022-11-11 | 中強光電股份有限公司 | 異常偵測裝置和異常偵測方法 |
| CN117350601A (zh) * | 2023-12-06 | 2024-01-05 | 北京英视睿达科技股份有限公司 | 水质预测方法、装置、电子设备及存储介质 |
| CN117830031A (zh) * | 2024-03-05 | 2024-04-05 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) | 一种供水管网末梢水质浊度预测方法及相关设备 |
| CN118446385A (zh) * | 2024-07-08 | 2024-08-06 | 国网山东省电力公司梁山县供电公司 | 一种基于气象相似日的特殊日电力负荷预测方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102737288A (zh) * | 2012-06-20 | 2012-10-17 | 浙江大学 | 一种基于rbf神经网络参数自优化的水质多步预测方法 |
| CN103942457A (zh) * | 2014-05-09 | 2014-07-23 | 浙江师范大学 | 基于关联向量机回归的水质参数时间序列预测方法 |
| CN104318325A (zh) * | 2014-10-14 | 2015-01-28 | 广东省环境监测中心 | 多流域实时智能水质预测方法及系统 |
| CN106198909A (zh) * | 2016-06-30 | 2016-12-07 | 中南大学 | 一种基于深度学习的水产养殖水质预测方法 |
| CN107014970A (zh) * | 2017-04-11 | 2017-08-04 | 盐城工学院 | 污水处理水质预测方法及服务器 |
-
2017
- 2017-08-18 CN CN201710712632.4A patent/CN107688871B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102737288A (zh) * | 2012-06-20 | 2012-10-17 | 浙江大学 | 一种基于rbf神经网络参数自优化的水质多步预测方法 |
| CN103942457A (zh) * | 2014-05-09 | 2014-07-23 | 浙江师范大学 | 基于关联向量机回归的水质参数时间序列预测方法 |
| CN104318325A (zh) * | 2014-10-14 | 2015-01-28 | 广东省环境监测中心 | 多流域实时智能水质预测方法及系统 |
| CN106198909A (zh) * | 2016-06-30 | 2016-12-07 | 中南大学 | 一种基于深度学习的水产养殖水质预测方法 |
| CN107014970A (zh) * | 2017-04-11 | 2017-08-04 | 盐城工学院 | 污水处理水质预测方法及服务器 |
Non-Patent Citations (1)
| Title |
|---|
| ARCHANA SOLANKI 等: "Predictive Analysis of Water Quality Parameters using Deep Learning", 《INTERNATIONAL JOURNAL OF COMPUTER APPLICATIONS》 * |
Cited By (45)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108416478A (zh) * | 2018-03-19 | 2018-08-17 | 国通广达（北京）技术有限公司 | 一种综合管廊内部燃气浓度lstm预测方法及系统 |
| CN108460492A (zh) * | 2018-03-19 | 2018-08-28 | 国通广达（北京）技术有限公司 | 一种综合管廊内部氧气浓度lstm预测方法及系统 |
| CN108665100A (zh) * | 2018-05-09 | 2018-10-16 | 中国农业大学 | 一种水体水质预测方法、系统及装置 |
| CN108665106A (zh) * | 2018-05-15 | 2018-10-16 | 中国农业大学 | 一种水产养殖溶解氧预测方法及装置 |
| CN108846423A (zh) * | 2018-05-29 | 2018-11-20 | 中国农业大学 | 水质预测方法和系统 |
| CN108960525A (zh) * | 2018-07-20 | 2018-12-07 | 郑州轻工业学院 | 基于移动计算机和神经网络的污染监测方法及装置 |
| CN108960525B (zh) * | 2018-07-20 | 2021-11-16 | 郑州轻工业学院 | 基于移动计算机和神经网络的污染监测方法及装置 |
| CN109190550A (zh) * | 2018-08-29 | 2019-01-11 | 沈阳康泰电子科技股份有限公司 | 联合微表情多输入信息的深度神经网络多源数据融合方法 |
| CN109165247A (zh) * | 2018-09-30 | 2019-01-08 | 中冶华天工程技术有限公司 | 污水测量数据智能预处理方法 |
| CN109165247B (zh) * | 2018-09-30 | 2021-07-23 | 中冶华天工程技术有限公司 | 污水测量数据智能预处理方法 |
| CN109408772A (zh) * | 2018-10-11 | 2019-03-01 | 四川长虹电器股份有限公司 | 对连续性数据中的异常数据的恢复方法 |
| CN109165798A (zh) * | 2018-10-19 | 2019-01-08 | 燕山大学 | 一种水泥熟料游离氧化钙含量在线预测方法及系统 |
| CN109472321A (zh) * | 2018-12-03 | 2019-03-15 | 北京工业大学 | 一种面向时间序列型地表水质大数据的预测与评估模型构建方法 |
| CN109472321B (zh) * | 2018-12-03 | 2023-01-31 | 北京工业大学 | 一种面向时间序列型地表水质大数据的预测与评估模型构建方法 |
| CN109840587B (zh) * | 2019-01-04 | 2022-07-05 | 长江勘测规划设计研究有限责任公司 | 基于深度学习的水库入库流量预测方法 |
| CN109840587A (zh) * | 2019-01-04 | 2019-06-04 | 长江勘测规划设计研究有限责任公司 | 基于深度学习的水库入库流量预测方法 |
| CN110197704A (zh) * | 2019-04-18 | 2019-09-03 | 北京工业大学 | 一种基于受限玻尔兹曼机的自组织bp神经网络出水总磷预测方法 |
| CN110197704B (zh) * | 2019-04-18 | 2021-06-04 | 北京工业大学 | 一种基于受限玻尔兹曼机的自组织bp神经网络出水总磷预测方法 |
| CN110174690A (zh) * | 2019-05-30 | 2019-08-27 | 杭州中科微电子有限公司 | 一种基于长短期记忆网络辅助的卫星定位方法 |
| CN110619418A (zh) * | 2019-07-26 | 2019-12-27 | 重庆大学 | 一种基于混合模型组合算法的多特征水质预测方法 |
| CN110597934A (zh) * | 2019-08-05 | 2019-12-20 | 深圳市水务科技有限公司 | 生成水质信息地图的方法及装置 |
| CN112529234A (zh) * | 2019-09-18 | 2021-03-19 | 上海交通大学 | 基于深度学习的地表水质预测方法 |
| CN110824914B (zh) * | 2019-09-30 | 2022-07-12 | 华南师范大学 | 一种基于pca-lstm网络的废水处理智能监控方法 |
| CN110824914A (zh) * | 2019-09-30 | 2020-02-21 | 华南师范大学 | 一种基于pca-lstm网络的废水处理智能监控方法 |
| CN112949882A (zh) * | 2019-11-26 | 2021-06-11 | 新奥数能科技有限公司 | 一种负荷预测的方法、装置及电子设备 |
| CN112862138A (zh) * | 2019-11-27 | 2021-05-28 | 新奥数能科技有限公司 | 一种热负荷预测方法、装置、可读介质及电子设备 |
| CN111652425A (zh) * | 2020-05-29 | 2020-09-11 | 重庆工商大学 | 一种基于粗糙集和长短期记忆网络的河流水质预测方法 |
| CN111652425B (zh) * | 2020-05-29 | 2024-03-22 | 重庆工商大学 | 一种基于粗糙集和长短期记忆网络的河流水质预测方法 |
| CN111882138B (zh) * | 2020-08-07 | 2024-02-23 | 中国农业大学 | 基于时空融合的水质预测方法、装置、设备及存储介质 |
| CN111882138A (zh) * | 2020-08-07 | 2020-11-03 | 中国农业大学 | 基于时空融合的水质预测方法、装置、设备及存储介质 |
| CN112101789A (zh) * | 2020-09-16 | 2020-12-18 | 清华大学合肥公共安全研究院 | 一种基于人工智能的水污染报警等级识别方法 |
| CN112215421A (zh) * | 2020-10-13 | 2021-01-12 | 北京工业大学 | 一种基于生成对抗网络的深度学习水质指标预测方法 |
| CN112262791A (zh) * | 2020-11-03 | 2021-01-26 | 泰安九章信息科技有限公司 | 追随水产养殖方法及系统 |
| CN112684130A (zh) * | 2020-11-23 | 2021-04-20 | 深圳市水务科技有限公司 | 流域水质预测方法和装置、计算机可读存储介质 |
| CN112529296B (zh) * | 2020-12-11 | 2023-01-31 | 联通(浙江)产业互联网有限公司 | 水质预测方法、装置及服务器 |
| CN112529296A (zh) * | 2020-12-11 | 2021-03-19 | 联通(浙江)产业互联网有限公司 | 水质预测方法、装置及服务器 |
| TWI783360B (zh) * | 2021-01-19 | 2022-11-11 | 中強光電股份有限公司 | 異常偵測裝置和異常偵測方法 |
| CN113807522B (zh) * | 2021-03-03 | 2024-07-23 | 京东科技控股股份有限公司 | 贝叶斯网络结构的生成方法、装置、电子设备和存储介质 |
| CN113807522A (zh) * | 2021-03-03 | 2021-12-17 | 京东科技控股股份有限公司 | 贝叶斯网络结构的生成方法、装置、电子设备和存储介质 |
| CN114417740A (zh) * | 2022-03-30 | 2022-04-29 | 青岛杰瑞工控技术有限公司 | 一种深海养殖态势感知方法 |
| CN117350601A (zh) * | 2023-12-06 | 2024-01-05 | 北京英视睿达科技股份有限公司 | 水质预测方法、装置、电子设备及存储介质 |
| CN117350601B (zh) * | 2023-12-06 | 2024-04-16 | 北京英视睿达科技股份有限公司 | 水质预测方法、装置、电子设备及存储介质 |
| CN117830031B (zh) * | 2024-03-05 | 2024-06-14 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) | 一种供水管网末梢水质浊度预测方法及相关设备 |
| CN117830031A (zh) * | 2024-03-05 | 2024-04-05 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) | 一种供水管网末梢水质浊度预测方法及相关设备 |
| CN118446385A (zh) * | 2024-07-08 | 2024-08-06 | 国网山东省电力公司梁山县供电公司 | 一种基于气象相似日的特殊日电力负荷预测方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107688871B (zh) | 2020-08-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107688871A (zh) | 一种水质预测方法和装置 | |
| CN109615011A (zh) | 一种基于lstm的中小河流短期洪水预报方法 | |
| CN110751318B (zh) | 一种基于ipso-lstm的超短期电力负荷预测方法 | |
| CN109829543A (zh) | 一种基于集成学习的数据流在线异常检测方法 | |
| CN112488415A (zh) | 基于经验模态分解和长短时记忆网络的电力负荷预测方法 | |
| CN106709820A (zh) | 一种基于深度置信网络的电力系统负荷预测方法及装置 | |
| CN110414788A (zh) | 一种基于相似日和改进lstm的电能质量预测方法 | |
| CN115688579A (zh) | 一种基于生成对抗网络的流域多点水位预测预警方法 | |
| CN108921359A (zh) | 一种分布式瓦斯浓度预测方法及装置 | |
| CN108595803A (zh) | 基于递归神经网络的页岩气井生产压力预测方法 | |
| CN115526382B (zh) | 一种路网级交通流预测模型可解释性分析方法 | |
| CN112766603A (zh) | 一种交通流量预测方法、系统、计算机设备及存储介质 | |
| CN111524349B (zh) | 一种语境特征注入的多尺度交通流预测模型建立方法及使用方法 | |
| CN116989749A (zh) | 基于人工智能水文模型的流域洪水预测方法 | |
| CN115310532A (zh) | 一种基于时空关联混合深度学习模型的流域多点预测预警方法 | |
| CN113762591B (zh) | 一种基于gru和多核svm对抗学习的短期电量预测方法及系统 | |
| Tan et al. | Dissolved Oxygen Prediction Based on PCA-LSTM | |
| CN113033898A (zh) | 基于k均值聚类与bi-lstm神经网络的电负荷预测方法及系统 | |
| CN117313201A (zh) | 考虑堆石坝多测点复杂关联性时空融合的变形预测方法及系统 | |
| CN112215421A (zh) | 一种基于生成对抗网络的深度学习水质指标预测方法 | |
| Vogt et al. | Multi-task distribution learning approach to anomaly detection of operational states of wind turbines | |
| He et al. | Oil Production Rate Forecasting by SA-LSTM Model in Tight Reservoirs | |
| CN114841416A (zh) | 基于长短期记忆网络的酱油发酵过程氨基酸态氮预测方法 | |
| CN112232557B (zh) | 基于长短期记忆网络的转辙机健康度短期预测方法 | |
| CN114492174A (zh) | 一种全生命周期盾构掘进参数预测方法及装置 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |