CN108629144B - 一种桥梁健康评估方法 - Google Patents
一种桥梁健康评估方法 Download PDFInfo
- Publication number
- CN108629144B CN108629144B CN201810596394.XA CN201810596394A CN108629144B CN 108629144 B CN108629144 B CN 108629144B CN 201810596394 A CN201810596394 A CN 201810596394A CN 108629144 B CN108629144 B CN 108629144B
- Authority
- CN
- China
- Prior art keywords
- bridge health
- neural network
- training
- bridge
- network model
- 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.)
- Active
Links
Images
Classifications
-
- 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
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
- G16Z99/00—Subject matter not provided for in other main groups of this subclass
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种桥梁健康评估方法,涉及桥梁技术领域。桥梁健康评估方法包括以下步骤:从桥梁健康评估系统中获取基于时序的桥梁健康监测数据,并基于预先划分的桥梁健康状态级别生成训练样本集;使用训练样本集训练得到神经网络模型;将新采集的桥梁健康监测数据输入神经网络模型,输出预测的桥梁健康状态级别。本发明将新采集的桥梁健康监测数据输入神经网络模型,输出预测的桥梁健康状态级别,实现对桥梁健康状态的有效评估和预测。
Description
技术领域
本发明涉及桥梁技术领域,具体是涉及一种桥梁健康评估方法。
背景技术
桥梁是交通基础设施的生命线节点工程,随着我国桥梁建设的深入,如何在运营期通过有效的管理和养护工作,有效保障桥梁的服役安全和使用性能是21世纪桥梁的重要挑战。传统的桥梁评估是通过简单的人工手段进行桥梁监测和监测,然后给出相关的加固和维护建议,这种方法在数据采集、系统分析和优化管理方面还存在明显的不足和缺陷,不仅难以有效地防范突发事件的发生,达到目前桥梁养护的要求,而且不能很好地满足高效化、智能化的需求。
近年来,我国的桥梁健康监测技术也有了很大发展,大部分大跨度桥梁都建立了健康评估系统。为了对健康评估系统产生的大量数据进行分析与处理,需要通过数据中心对不同桥梁的健康评估系统集中管理,提供决策支持,因此,迫切需要通过大量数据的分析与处理,对桥梁健康状态进行综合性评估预测的有效方法。
发明内容
针对现有技术中存在的缺陷,本发明的目的在于提供一种桥梁健康评估方法,将新采集的桥梁健康监测数据输入神经网络模型,输出预测的桥梁健康状态级别,实现对桥梁健康状态的有效评估和预测。
本发明提供一种桥梁健康评估方法,其包括以下步骤:
从桥梁健康评估系统中获取基于时序的桥梁健康监测数据,并基于预先划分的桥梁健康状态级别生成训练样本集;
使用训练样本集训练得到神经网络模型;
将新采集的桥梁健康监测数据输入神经网络模型,输出预测的桥梁健康状态级别。
在上述技术方案的基础上,所述训练样本集包括多个基于时序的训练样本,每个训练样本包括一组所述桥梁健康监测数据以及对应的所述桥梁健康状态级别。
在上述技术方案的基础上,所述神经网络模型的训练过程包括:
将所述训练样本中的所述桥梁健康监测数据作为输入,对应的所述桥梁健康状态级别作为输出,对初始化的所述神经网络模型进行训练,计算所述神经网络模型的损失函数并更新参数矩阵,直到预测误差满足终止条件。
在上述技术方案的基础上,所述训练样本集为其中,表示tk时刻的所述训练样本,为n+1维特征向量, x0=1,x1,…,xn为所述桥梁健康监测数据,n≥1,是所对应的所述桥梁健康状态级别,所述桥梁健康状态级别的集合为y∈{a1,a2,…,aN},a1,a2,…,aN均为不同的数值,N≥2。
在上述技术方案的基础上,所述神经网络模型是基于时序的门控循环单元GRU网络模型。
在上述技术方案的基础上,所述神经网络模型为基于注意力机制的门控循环单元GRU网络。
在上述技术方案的基础上,所述方法还包括:在所述门控循环单元GRU网络中,每层神经网络层的输入向量都进行归一化处理。
在上述技术方案的基础上,所述神经网络模型的训练过程包括:
初始化GRU网络;
生成注意力Attention模型,对上下文信息进行评分;
使用所述训练样本对每层神经元进行归一化处理;
计算损失函数,更新GRU网络的参数矩阵;
判断预测误差是否满足终止条件,若否,回转执行生成注意力模型;若是,更新所述参数矩阵;
训练结束,得到所述神经网络模型。
在上述技术方案的基础上,初始化GRU网络包括:
定义n层的门控循环单元GRU网络{l1,l2,…,ln},t时刻的输入包括ht-1和输入向量xt,输出为激活单元ht,ht-1为t-1时刻的激活单元,t=t1,t2,…,tk,…,tm,1≤k≤m,当t=tk时,t-1=tk-1,
第i层神经网络层的输出函数表示为Oi(x)=g(θixi),其中,g表示非线性激活函数,不同神经网络层的激活函数相同或者不同,xi表示第i层每个神经元的输入向量,θi表示权重矩阵,即输入向量xi的权重参数,1≤i≤n,当i=1时,即输入层l1的输入向量x1为x1=xt;
初始化更新门zt和重置门rt。
在上述技术方案的基础上,生成注意力Attention模型,对上下文信息进行评分包括:
在t时刻,所述输入向量xt通过编码器后生成结构化的表示h(*)={h(1),h(2),h(3),...,h(m)},其中,h(k)与所述GRU网络中t-1时刻的所述激活单元ht-1进行匹配,计算每个h(k)与ht-1的相似度ct′;
对所有ct′的集合c′={c′1,c′2,...,c′m}进行softmax归一化处理后,得到t时刻的h(k)与ht-1之间的相关程度,即注意力Attention值以及所述输入向量xt与ht-1相关性的权重 并计算得到t时刻的输入为
在上述技术方案的基础上,使用所述训练样本对每层神经元进行归一化处理包括:
在上述技术方案的基础上,计算损失函数,更新GRU网络的参数矩阵包括:
在t时刻,所述更新门和重置门分别设为rt=σ(Wr[ht-1,xt])和zt=σ(Wz[ht-1,xt]),候选单元为输入单元为其中,[ ]表示两个向量相连接,*表示矩阵元素相乘,Wr、Wz、和Wo为参数矩阵;
与现有技术相比,本发明的优点如下:
(1)将新采集的桥梁健康监测数据输入神经网络模型,输出预测的桥梁健康状态级别,实现了对桥梁健康状态的有效评估和预测。
(2)基于Attention机制及GRU网络的桥梁健康评估方法,使用LN(Layernormalization)对输入向量进行归一化处理,有效避免了传统RNN(Recurrent neuralNetwork)中梯度消失或梯度爆炸等问题,并且打破了传统编码器-解码器结构在编解码时都依赖于内部一个固定长度向量的限制,缓解了深度神经网络中训练速度过慢的问题。
附图说明
图1是本发明实施例桥梁健康评估方法流程图;
图2是本发明实施例桥梁健康评估方法流程图;
图3是GRU网络模型示意图。
具体实施方式
下面结合附图及具体实施例对本发明作进一步的详细描述。
本发明实施例提供一种桥梁健康评估方法,其包括以下步骤:
S1.从桥梁健康评估系统中获取基于时序的桥梁健康监测数据,并基于预先划分的桥梁健康状态级别生成训练样本集。
训练样本集包括多个基于时序的训练样本,每个训练样本包括一组桥梁健康监测数据以及对应的桥梁健康状态级别。
具体的,训练样本集为其中,表示tk时刻的训练样本,为n+1维特征向量,x0=1,x1,…,xn为桥梁健康监测数据,n≥1,是所对应的桥梁健康状态级别,桥梁健康状态级别的集合为y∈{a1,a2,…,aN},a1,a2,…,aN均为不同的数值,N≥2。
以为例,其中的x1,…,xn基于不同特征进行分类,包括检测装置如传感器等在t=tk时刻检测到的压力、温度、应变及挠度等桥梁健康监测数据或者数据的组合。t=t1,t2,…,tk,…,tm,1≤k≤m,当t=tk时,t-1=tk-1,不同时刻的n+1维特征向量通常据桥梁的使用情况和维修情况而随时间变化,而且x1,…,xn中的一些参数可能存在相互依赖关系。
预先划分的桥梁健康状态级别依据健康状态对桥梁进行状态分级并用数值表示,例如分为四级:健康[0]良好[1],不健康[2]和危急[4],用数据表示分别为y∈{0,1,2,3},此处健康状态分级视为样例,具体健康状态应针对具体桥梁及相关标准而定。
S2.使用训练样本集训练得到神经网络模型。
由于桥梁健康监测数据是基于时序的,神经网络模型是基于时序的门控循环单元GRU网络模型。
在步骤S2中,神经网络模型的训练过程包括:
将训练样本中的桥梁健康监测数据作为输入,对应的桥梁健康状态级别作为输出,对初始化的神经网络模型进行训练,计算神经网络模型的损失函数并更新参数矩阵,直到预测误差满足终止条件。
具体的,神经网络模型为基于注意力Attention机制的门控循环单元GRU网络。在门控循环单元GRU网络中,每层神经网络层的输入向量都进行归一化处理。
Attention机制结合GRU网络模型,融合Layer Normalization技术,有效避免了传统RNN(Recurrent neural Network)梯度消失或梯度爆炸等问题,并且打破了传统编码器-解码器结构在编解码时都依赖于内部一个固定长度向量的限制,同时缓解了深度神经网络中训练速度过慢的问题,可以有效应用于桥梁健康的评估与预测。
S3.将新采集的桥梁健康监测数据输入神经网络模型,输出预测的桥梁健康状态级别。
本发明实施例以深度学习为技术支撑,将新采集的桥梁健康监测数据输入神经网络模型,输出预测的桥梁健康状态级别,应用于桥梁健康的评估和预测,实现了对桥梁健康状态的有效评估和预测,有效提高了桥梁健康的监测质量,弥补了传统桥梁健康评估方法中的不足,同时对系统产生的大量数据进行分析与处理,为桥梁养护提供了决策支持。
参见图2所示,以下对神经网络模型的训练过程进行具体说明,其步骤包括:
S210初始化GRU网络。具体包括以下步骤:
S211定义n层的门控循环单元GRU网络{l1,l2,…,ln},t时刻的输入包括ht-1和输入向量xt,输出为激活单元ht,ht-1为t-1时刻的激活单元,t=t1,t2,…,tk,…,tm,1≤k≤m,当t=tk时,t-1=tk-1,
S212第i层神经网络层的输出函数表示为Oi(x)=g(θixi),其中,g表示非线性激活函数,不同神经网络层的激活函数相同或者不同,xi表示第i层每个神经元的输入向量,θi表示权重矩阵,即输入向量xi的权重参数,1≤i≤n,当i=1时,即输入层l1的输入向量x1为x1=xt;
S213初始化更新门zt和重置门rt。其中zt更新门用于控制前一时刻的桥梁状态信息被带入到当前状态中的程度,更新门的值越大说明前一时刻的桥梁状态信息带入越多。重置门rt用于控制忽略前一时刻的桥梁状态信息的程度,重置门的值越小说明忽略得越多。桥梁状态信息即桥梁健康监测数据。
S220生成注意力Attention模型,对上下文(context)信息进行评分。
具体包括以下步骤:
S221在t时刻,输入向量xt通过编码器后生成结构化的表示h(*)={h(1),h(2),h(3),...,h(m)},其中,h(k)与GRU网络中t-1时刻的激活单元ht-1进行匹配,计算每个h(k)与ht-1的相似度ct′。
S222对所有ct′的集合c′={c′1,c′2,...,c′m}进行softmax归一化处理后,得到t时刻的h(k)与ht-1之间的相关程度,即注意力Attention值以及输入向量xt与ht-1相关性的权重 并计算得到t时刻的输入为
上下文表示当前输出与上一个输出的相关性,即得到t时刻的h(k)与ht-1之间的相关程度。
S230使用训练样本对每层神经元进行归一化处理。
S240计算损失函数,更新GRU网络的参数矩阵。
在t时刻,更新门和重置门分别设为rt=σ(Wr[ht-1,xt])和zt=σ(Wz[ht-1,xt]),候选单元为输入单元为其中,[ ]表示两个向量相连接,*表示矩阵元素相乘,Wr、Wz、和Wo为参数矩阵;
S250判断预测误差是否满足终止条件,若否,进入步骤S220;若是,进入步骤S260。
允许范围是人为设定,例如设置预测正确率需达到90%以上认为神经网络模型可以达到预测要求。即根据训练样本中桥梁健康监测数据以及对应的桥梁健康状态级别,得到的预测正确结果超过90%正确,认为可以接受,如果低于90%,认为神经网络模型还需继续训练,以上的训练过程主要是为了更新各种参数矩阵和学习参数,直到找到预测误差是否满足终止条件的参数矩阵和学习参数为止。
S260更新参数矩阵和学习参数,训练结束,得到神经网络模型。
本发明不局限于上述实施方式,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围之内。本说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。
Claims (5)
1.一种桥梁健康评估方法,其特征在于,其包括以下步骤:
从桥梁健康评估系统中获取基于时序的桥梁健康监测数据,并基于预先划分的桥梁健康状态级别生成训练样本集;
使用训练样本集训练得到神经网络模型;
将新采集的桥梁健康监测数据输入神经网络模型,输出预测的桥梁健康状态级别;
所述训练样本集包括多个基于时序的训练样本,每个训练样本包括一组所述桥梁健康监测数据以及对应的所述桥梁健康状态级别;
所述神经网络模型是基于时序的门控循环单元GRU网络模型;
所述神经网络模型为基于注意力机制的门控循环单元GRU网络;
所述神经网络模型的训练过程包括:
初始化GRU网络;
生成注意力Attention模型,对上下文信息进行评分;
使用所述训练样本对每层神经元进行归一化处理;
计算损失函数,更新GRU网络的参数矩阵;
判断预测误差是否满足终止条件,若否,回转执行生成注意力模型;若是,更新所述参数矩阵,训练结束,得到所述神经网络模型;
生成注意力Attention模型,对上下文信息进行评分包括:
使用所述训练样本对每层神经元进行归一化处理包括:
2.如权利要求1所述的桥梁健康评估方法,其特征在于,所述神经网络模型的训练过程包括:
将所述训练样本中的所述桥梁健康监测数据作为输入,对应的所述桥梁健康状态级别作为输出,对初始化的所述神经网络模型进行训练,计算所述神经网络模型的损失函数并更新参数矩阵,直到预测误差满足终止条件。
3.如权利要求1所述的桥梁健康评估方法,其特征在于,所述方法还包括:在所述门控循环单元GRU网络中,每层神经网络层的输入向量都进行归一化处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810596394.XA CN108629144B (zh) | 2018-06-11 | 2018-06-11 | 一种桥梁健康评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810596394.XA CN108629144B (zh) | 2018-06-11 | 2018-06-11 | 一种桥梁健康评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108629144A CN108629144A (zh) | 2018-10-09 |
CN108629144B true CN108629144B (zh) | 2022-06-17 |
Family
ID=63691588
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810596394.XA Active CN108629144B (zh) | 2018-06-11 | 2018-06-11 | 一种桥梁健康评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108629144B (zh) |
Families Citing this family (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109522600B (zh) * | 2018-10-16 | 2020-10-16 | 浙江大学 | 基于组合深度神经网络的复杂装备剩余使用寿命预测方法 |
CN109556897A (zh) * | 2018-11-16 | 2019-04-02 | 王玉波 | 一种桥梁工程领域的桥梁施工系统 |
CN109583570B (zh) * | 2018-11-30 | 2022-11-29 | 重庆大学 | 基于深度学习确定桥梁健康监测系统异常数据来源的方法 |
CN109902344B (zh) * | 2019-01-23 | 2023-06-27 | 同济大学 | 中小跨径桥梁群结构性能预测装置及系统 |
CN109902752B (zh) * | 2019-03-04 | 2022-11-15 | 长沙理工大学 | 基于病害信息大数据的桥梁定检分类方法、装置及设备 |
CN110852610A (zh) * | 2019-11-08 | 2020-02-28 | 上海市城市建设设计研究总院(集团)有限公司 | 基于马尔科夫模型的路桥隧健康状态与养护费用测算方法 |
CN110956148B (zh) * | 2019-12-05 | 2024-01-23 | 上海舵敏智能科技有限公司 | 无人车的自主避障方法及装置、电子设备、可读存储介质 |
CN111143932A (zh) * | 2019-12-26 | 2020-05-12 | 杭州鲁尔物联科技有限公司 | 一种桥梁健康状态的评估方法、装置、系统和设备 |
CN111222798B (zh) * | 2020-01-13 | 2023-04-07 | 湖南师范大学 | 一种复杂工业过程关键性指标软测量方法 |
CN111637956B (zh) * | 2020-05-25 | 2021-11-16 | 湖北交投智能检测股份有限公司 | 基于偏振光的桥跨的监测系统及监测方法 |
CN111667203B (zh) * | 2020-07-17 | 2023-08-29 | 冯星星 | 基于深度神经网络的城市桥况等级实时划分方法及装置 |
CN112613224A (zh) * | 2020-11-25 | 2021-04-06 | 西人马联合测控(泉州)科技有限公司 | 桥梁结构检测模型的训练方法、检测方法、装置、设备 |
CN113011763A (zh) * | 2021-03-29 | 2021-06-22 | 华南理工大学 | 一种基于时空图卷积注意力的桥梁损伤识别方法 |
CN113570111B (zh) * | 2021-06-29 | 2023-08-29 | 中北大学 | 基于轻量化网络的桥梁健康状态片上监测方法 |
CN114036258B (zh) * | 2021-10-19 | 2022-06-24 | 东南大学 | 一种基于自然语言处理的桥梁技术状况等级快速识别方法 |
CN114357594B (zh) * | 2022-03-08 | 2022-08-23 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种基于sca-gru的桥梁异常监测方法、系统、设备及存储介质 |
CN114775457A (zh) * | 2022-03-16 | 2022-07-22 | 浙江广厦建设职业技术大学 | 一种古建桥梁修复用检测装置及其检测方法 |
CN114757395B (zh) * | 2022-03-22 | 2023-06-16 | 欧亚高科数字技术有限公司 | 一种基于智能物联网的危房监测方法 |
CN115063040B (zh) * | 2022-07-28 | 2022-11-08 | 湖南工商大学 | 一种用于房屋建筑结构健康协同评估与预测的方法及系统 |
CN117216701B (zh) * | 2023-09-13 | 2024-03-15 | 华夏安信物联网技术有限公司 | 智慧桥梁监测预警方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107871161A (zh) * | 2017-11-07 | 2018-04-03 | 中国铁道科学研究院铁道建筑研究所 | 一种基于神经网络的桥梁整体损伤预警方法 |
CN107909421A (zh) * | 2017-09-29 | 2018-04-13 | 中国船舶重工集团公司第七0九研究所 | 一种基于用户空间的多gru层神经网络的隐含反馈推荐方法及系统 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8572009B2 (en) * | 2011-08-16 | 2013-10-29 | The Boeing Company | Evaluating the health status of a system using groups of vibration data including images of the vibrations of the system |
CN102663264B (zh) * | 2012-04-28 | 2015-02-25 | 北京工商大学 | 桥梁结构健康监测静态参数的半监督协同评估方法 |
CN106529145A (zh) * | 2016-10-27 | 2017-03-22 | 浙江工业大学 | 一种基于arima‑bp神经网络的桥梁监测数据预测方法 |
CN108133070A (zh) * | 2017-09-19 | 2018-06-08 | 广州市建筑科学研究院有限公司 | 一种基于径向基函数神经网络的桥梁健康状况的评估方法和系统 |
CN108021616B (zh) * | 2017-11-06 | 2020-08-14 | 大连理工大学 | 一种基于循环神经网络的社区问答专家推荐方法 |
CN108108449A (zh) * | 2017-12-27 | 2018-06-01 | 哈尔滨福满科技有限责任公司 | 一种面向医疗领域的基于多源异构数据问答系统及该系统的实现方法 |
-
2018
- 2018-06-11 CN CN201810596394.XA patent/CN108629144B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107909421A (zh) * | 2017-09-29 | 2018-04-13 | 中国船舶重工集团公司第七0九研究所 | 一种基于用户空间的多gru层神经网络的隐含反馈推荐方法及系统 |
CN107871161A (zh) * | 2017-11-07 | 2018-04-03 | 中国铁道科学研究院铁道建筑研究所 | 一种基于神经网络的桥梁整体损伤预警方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108629144A (zh) | 2018-10-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108629144B (zh) | 一种桥梁健康评估方法 | |
CN110580496A (zh) | 一种基于熵最小化的深度迁移学习系统及方法 | |
CN109101584B (zh) | 一种将深度学习与数学分析相结合的句子分类改进方法 | |
CN109472088B (zh) | 一种页岩气调产井生产压力动态预测方法 | |
CN112270355B (zh) | 基于大数据技术与sae-gru的主动安全预测方法 | |
CN110571792A (zh) | 一种电网调控系统运行状态的分析评估方法及系统 | |
CN111553535B (zh) | 一种基于ae-lstm-bo车流量预测的导航参考方法 | |
CN112000015A (zh) | 一种基于lstm和生物激励神经网络的重型燃机控制系统控制器模块智能bit设计方法 | |
CN113420509A (zh) | 一种风电机组状态评价方法、装置及存储介质 | |
CN111917785A (zh) | 一种基于de-gwo-svr的工业互联网安全态势预测方法 | |
Suryo et al. | Improved time series prediction using LSTM neural network for smart agriculture application | |
CN115329799A (zh) | 桥梁安全状态监测方法、装置、计算机设备和存储介质 | |
CN112766603A (zh) | 一种交通流量预测方法、系统、计算机设备及存储介质 | |
CN113095443A (zh) | 基于lstm-dnn网络模型的实时天气预测算法 | |
Bi et al. | An improved attention-based LSTM for multi-step dissolved oxygen prediction in water environment | |
CN115759461A (zh) | 一种面向物联网的多元时间序列预测方法及系统 | |
CN112329974A (zh) | 基于lstm-rnn的民航安保事件行为主体识别与预测方法及系统 | |
CN116665483A (zh) | 一种新的预测剩余停车位的方法 | |
CN114596726A (zh) | 基于可解释时空注意力机制的停车泊位预测方法 | |
CN107480786B (zh) | 基于输出状态限制的循环神经网络轨迹似然概率计算方法 | |
CN112765894A (zh) | 一种基于k-lstm的铝电解槽状态预测方法 | |
CN112927507A (zh) | 一种基于LSTM-Attention的交通流量预测方法 | |
CN111066562A (zh) | 一种葡萄霜霉病预测方法及系统 | |
CN116070508A (zh) | 一种桥梁健康状态预测预警方法 | |
CN115496384A (zh) | 工业设备的监控管理方法、装置和计算机设备 |
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 | ||
CB03 | Change of inventor or designer information | ||
CB03 | Change of inventor or designer information |
Inventor after: Lin Jie Inventor after: Guo Aiping Inventor after: Jiang Ajuan Inventor after: Wan Hean Inventor before: Guo Aiping Inventor before: Jiang Ajuan Inventor before: Lin Jie Inventor before: Wan Hean |
|
GR01 | Patent grant | ||
GR01 | Patent grant |