CN109190800A - 一种基于spark框架的海面温度预测方法 - Google Patents
一种基于spark框架的海面温度预测方法 Download PDFInfo
- Publication number
- CN109190800A CN109190800A CN201810898056.1A CN201810898056A CN109190800A CN 109190800 A CN109190800 A CN 109190800A CN 201810898056 A CN201810898056 A CN 201810898056A CN 109190800 A CN109190800 A CN 109190800A
- Authority
- CN
- China
- Prior art keywords
- surface temperature
- sea surface
- spark
- analogy
- prediction
- 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
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000007596 consolidation process Methods 0.000 claims abstract description 18
- 238000012549 training Methods 0.000 claims abstract description 14
- 238000012545 processing Methods 0.000 claims abstract description 7
- 238000010606 normalization Methods 0.000 claims abstract description 4
- 238000013528 artificial neural network Methods 0.000 claims description 13
- 238000012360 testing method Methods 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000005192 partition Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 241000208340 Araliaceae Species 0.000 claims description 2
- 238000012935 Averaging Methods 0.000 claims description 2
- 241001269238 Data Species 0.000 claims description 2
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims description 2
- 235000003140 Panax quinquefolius Nutrition 0.000 claims description 2
- 230000009471 action Effects 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000013500 data storage Methods 0.000 claims description 2
- 239000000284 extract Substances 0.000 claims description 2
- 235000008434 ginseng Nutrition 0.000 claims description 2
- 238000011478 gradient descent method Methods 0.000 claims description 2
- 230000011218 segmentation Effects 0.000 claims description 2
- 210000002569 neuron Anatomy 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000000714 time series forecasting Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000011524 similarity measure Methods 0.000 description 1
- 238000010189 synthetic method Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于spark框架的海面温度预测方法，包括如下步骤：在spark框架下启动动态时间归整DTW算法，并从分布式文件系统中将数据载入到Spark集群，完成数据的预处理；将完成预处理的数据collect到本地生成类比模式和参考模式；在Spark框架下，调用Spark的工作集群，计算类比模式与参考模式的动态时间归整距离DTW；按动态时间归整DTW距离的大小排序后，取出前k个类比模式作为训练集，训练一个具有预测能力的模型；将参考模式作为预测模型的输入得到输出结果，再对输出结果进行反归一化处理得到最终预测结果。本发明通过历史海面温度时间序列数据预测出未来五天内的海面温度，有效克服了现有海面温度预报中预报效率和预报精度不高的问题。
Description
技术领域
本发明涉及海面温度预测领域，具体地说，特别涉及到一种基于spark框架的海面温度预测方法。
背景技术
海面温度是研究海洋环境、全球水循环、气候的监测和预测中一个极其重要的参数。海表面单个记录点的历史温度数据，是典型的长时间序列数据，而且全球范围内的海表面温度数据量太过庞大，用传统的方法同时对全球的海表面温度进行预测时，处理数据的时效性无法保障，在一定程度上对预报效率有影响。因此如何使用大数据处理平台和新的处理技术来分析、预测并实时处理海面温数据，是一个亟待解决的问题。
时间序列相似性度量是数据挖掘中的关键技术，其主要任务是从模式数据库中寻找到与给定时间序列模式相似的时间序列模式。在海洋领域中，海面温度变化有一定的变化周期，通过时间序列相似性度量可以计算出海面温度时间序列模式之间的相似性，能够有效的发现其变化规律，并用于海温预报，具有广泛的应用价值。
近年来，海面温预报的研究方法总体上可概括为统计预报法、数值预报法和经验预报法。时间序列预测方法可分为线性预测方法和非线性预测方法两类，由于海面温具有非线性、非平稳的特性，因此人们逐渐将许多非线性时间序列的预测方法应用到海温预报中。Zhaojun Dong等人提出了基于相空间重构与模糊神经网络耦合的海温预测模型，在海温预报中引入混沌理论，挖掘出了海面温变化的空间信息，预测精度较高。Jiakang Li等人提出了基于改进EMD算法和BP神经网络的SST预测研究，有效解决了非平稳非线性序列预测的问题并提高了预测精度。Augo widodo等人提出了基于时间序列相似性的预测方法，有效的挖掘出了时间序列的潜在信息，在预测方面取得了较好的成果，但目前并未应用于海温预测中。Jianle Sun等人在对时间序列相似性度量方法和类比合成法的研究基础上，设计出了适用性较强的时间序列趋势预测模型，并以真实股票价格数据进行实验，取得了好的效果。
虽然许多非线性预测方法已经被广泛应用于海面温预测，但是这些方法依然存在以下三个问题：(1)如何高效的处理海量的海面温时间序列数据是一个巨大的挑战；(2)在长期预测中，预测的效果就不太理想，提高预报时长也是海温预报中的重点问题；(3)在区域预测中，部分地区差异性较大时，预测结果就不太好，因此预测方法的适用性有待提高。
发明内容
本发明的目的在于针对现有技术中的不足，提供一种基于spark框架的海面温度预测方法，其属于经验预报法，针对海面温自身变化的相似性，做出定量预报。在预测中分析自身变化的规律，而实质上是对影响海面温变化的各个要素作用后的结果进行分析，挖掘出海面温时间序列的潜在趋势，对海温预测具有重大意义。
本发明所解决的技术问题可以采用以下技术方案来实现：
本发明通过历史海面温度时间序列数据预测出未来五天内的海面温度，有效克服了现有海面温度预报中存在的数据量大导致预报效率不高、以及未充分利用挖掘出的海面温度时间序列的潜在趋势而使得预报精度不高的问题。
与现有技术相比，本发明的有益效果在于：
(1)将DTW算法设计在spark框架下运行，有效的提高了效率。
(2)通过DTW算法有效挖掘出时间序列潜在的信息，应用在海面温预测中提高了精度。
(3)将DTW算法与BP神经网络相结合，进行多任务时间序列预测，使得挖掘出的信息能够互补，提高了预测的精度。
附图说明
图1为本发明所述的基于spark框架的海面温度预测方法的流程示意图。
图2为本发明所述的步骤(3)中spark框架下并行化计算DTW距离示意图。
具体实施方式
为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体实施方式，进一步阐述本发明。
参见图1和图2，本发明所述的一种基于spark框架的海面温度预测方法，其特征在于，包括如下步骤：
(1)在spark框架下启动动态时间归整DTW算法，并从分布式文件系统中将数据载入到Spark集群，完成数据的预处理；
(2)将完成预处理的数据collect到本地生成类比模式和参考模式；
(3)在Spark框架下，调用Spark的工作集群，计算类比模式与参考模式的动态时间归整距离DTW；
(4)按动态时间归整DTW距离的大小排序后，取出前k个类比模式作为训练集，训练一个具有预测能力的模型；
(5)将参考模式作为预测模型的输入得到输出结果，再对输出结果进行反归一化处理得到最终预测结果。
所述步骤(1)的实现方法如下：
(1-1)从分布式文件系统中载入数据到Spark集群；
所述数据存储在分布式文件系统上，启动spark集群，从分布式文件系统中分布式读取文件到Spark集群；
(1-2)数据预处理
读取数据后，需要对数据进行预处理，提取实验所需要的海面温度时间序列数据，去除冗余的信息。
所述步骤(2)的实现方法如下：
(2-1)collect到本地
collect将分布式的RDD返回为一个单机的Array数组；
(2-2)生成参考模式和类比模式
先取数组的后二十天的海面温度时间序列数据，将二十天中的前十五天的数据作为参考模式，后五天作为测试集，用以检验模型的精准度；类比模式将从去掉后二十天的海面温度时间序列数据中生成，以十五天为模式长度，从海面温度时间序列的第一个元素开始，依次间隔三天生成类比模式，并将各个模式的第一天在原序列中的位置t与类比模式、参考模式一起保存，便于后续在原序列中找到匹配出的类比模式的后五天的海面温度，便于预测模型的训练。
所述步骤(3)的实现方法如下：
(3-1)在Spark框架下，调用Spark集群
调用SparkContext的parallelize()，创建一个并行集合，对于数据集分割后的partition数目，spark集群会为每个partition运行一个task，以达到并行计算的目的；
(3-2)计算类比模式与参考模式的DTW距离
通过map操作，调用函数get_udf_distance()并行计算类比模式和参考模式的动态时间归整DTW距离；
在计算序列之间的动态时间归整DTW距离时，分两步进行：一是求出匹配距离矩阵即构建一个n×m矩阵，二是寻找最佳路径，即在矩阵网络中找到一条长度为K的最短路径，L＝(w1,w2,…,wk),其中max(n,m)≤K≤n+m-1；
最短路径选择需要满足以下约束条件：
1)边界条件
序列两点要对齐，确定了路径的起点为(A1，C1)，终点为(An，Cn)；
2)连续性
对于路径上的任意一点每次只能沿矩阵相邻元素移动；即如果w1＝(A1，C1)那么对于路径的下一个点w2＝(A，C)要满足(A-A1)≤1和(C-C1)≤1；
3)单调性
对于路径上的任意一点每次只能沿着时间轴单向移动；即如果w1＝(A1，C1)那么对于路径的下一个点w2＝(A，C)要满足(A-A1)≥0和(C-C1)≥0；
满足上述约束条件且对应路径距离最短的就是动距离，其用式(1)表示为
其中动态时间归整DTW距离刻画了参考模式和类比模式的相似程度，动态时间归整DTW距离越小，表明两种模式越相似，反之，则越不相似；类比模式表示为A＝A1，A2，···，An-1，An其中n代表类比模式的长度；参考模式表示为C＝C1，C2，···，Cm-1，Cm其中m是参考模式的长度。
所述步骤(4)的实现方法如下：
(4-1)按动态时间归整DTW距离大小进行排序并取出前k个类比模式；
Spark框架的action类操作算子中的takeOrder函数，可以从小到大进行排序并返回最前面的指定个数的元素；通过各个类比模式的第一天在原序列中的位置t可以定位到类比模式的后五天海面温度数据，求平均值后作为五天的海面温预测结果；
(4-2)训练预测模型；
选择BP神经网络进行后期的预测，将上述的k个类比模式作为BP神经网络的输入，通过各个类比模式的第一天在原序列中的位置t可以定位到类比模式的后五天，将其作为BP神经网络的输出，通过梯度下降法对模型进行训练，从而得到一个具有预测能力的模型。
归一化处理
在模型训练之前需要对数据集进行归一化处理，公式如下：
Xi＝(xi-μ)/σ (2)
式(2)表示的是模型的输入x经过归一化处理后得到X，其中μ代表的是数据集的均值，σ代表的是标准差。
网络设计
本发明的BP神经网络设计为三层结构：输入层、隐层和输出层，除此之外还需要考虑激活函数以及学习效率。
隐层神经元个数
在采用单隐层的情况下，为了提升训练的精度可以调整神经元的个数来实现，该方法比增加隐层数量实现更简单。当隐层神经元数量偏少时，在训练过程中，神经网络并不能很好的去学习，会造成欠拟合的现象，导致训练的精度不高；与此同时，若是隐层神经元数量偏多时，虽然网络可以更好的去学习，精度也会更高，但是训练的次数便随之增大，甚至有可能会出现过拟合的情况。在此基础上，我们需要选择合适的隐层神经元个数在确保训练精度的情况下，尽可能的减少训练的次数。
学习率
在通常情况下，学习率的选择一般时0.01～0.8之间。在训练过程中，采用自适应的学习效率，使得神经网络能够在不同的情况下自适应调整学习率。
激活函数
本发明选择修正线性单元(Rectified linear unit，Relu)函数作为神经元的激活函数。对于非线性函数，Relu在非负区间的梯度是常数，有效避免了梯度消失问题(Vanishing Gradient Problem)，使得模型可以有效收敛。
所述步骤(5)的实现方法如下：
(5-1)模型输出结果
将归一化处理后的测试集作为BP神经网络的输入，通过该模型得到输出结果；该结果是归一化处理后的结果，并不能作为最终预测结果；
(5-2)预测结果
进行反归一化处理，得到预测的五天内的海面温，与真实值求差后的绝对值即为每日的海面温度偏差，通过每日的海面温度偏差来评估模型的预测精度。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (6)
1.一种基于spark框架的海面温度预测方法，其特征在于，包括如下步骤：
(1)在spark框架下启动动态时间归整DTW算法，并从分布式文件系统中将数据载入到Spark集群，完成数据的预处理；
(2)将完成预处理的数据collect到本地生成类比模式和参考模式；
(3)在Spark框架下，调用Spark的工作集群，计算类比模式与参考模式的动态时间归整距离DTW；
(4)按动态时间归整DTW距离的大小排序后，取出前k个类比模式作为训练集，训练一个具有预测能力的模型；
(5)将参考模式作为预测模型的输入得到输出结果，再对输出结果进行反归一化处理得到最终预测结果。
2.根据权利要求1所述的基于spark框架的海面温度预测方法，其特征在于，所述步骤(1)的实现方法如下：
(1-1)从分布式文件系统中载入数据到Spark集群；
所述数据存储在分布式文件系统上，启动spark集群，从分布式文件系统中分布式读取文件到Spark集群；
(1-2)数据预处理
读取数据后，需要对数据进行预处理，提取实验所需要的海面温度时间序列数据，去除冗余的信息。
3.根据权利要求1所述的基于spark框架的海面温度预测方法，其特征在于，所述步骤(2)的实现方法如下：
(2-1)collect到本地
collect将分布式的RDD返回为一个单机的Array数组；
(2-2)生成参考模式和类比模式
先取数组的后二十天的海面温度时间序列数据，将二十天中的前十五天的数据作为参考模式，后五天作为测试集，用以检验模型的精准度；类比模式将从去掉后二十天的海面温度时间序列数据中生成，以十五天为模式长度，从海面温度时间序列的第一个元素开始，依次间隔三天生成类比模式，并将各个模式的第一天在原序列中的位置t与类比模式、参考模式一起保存，便于后续在原序列中找到匹配出的类比模式的后五天的海面温度，便于预测模型的训练。
4.根据权利要求1所述的基于spark框架的海面温度预测方法，其特征在于，所述步骤(3)的实现方法如下：
(3-1)在Spark框架下，调用Spark集群
调用SparkContext的parallelize()，创建一个并行集合，对于数据集分割后的partition数目，spark集群会为每个partition运行一个task，以达到并行计算的目的；
(3-2)计算类比模式与参考模式的DTW距离
通过map操作，调用函数get_udf_distance()并行计算类比模式和参考模式的动态时间归整DTW距离；
在计算序列之间的动态时间归整DTW距离时，分两步进行：一是求出匹配距离矩阵即构建一个n×m矩阵，二是寻找最佳路径，即在矩阵网络中找到一条长度为K的最短路径，L＝(w1,w2,…,wk),其中max(n,m)≤K≤n+m-1；
最短路径选择需要满足以下约束条件：
1)边界条件
序列两点要对齐，确定了路径的起点为(A1，C1)，终点为(An，Cn)；
2)连续性
对于路径上的任意一点每次只能沿矩阵相邻元素移动；即如果w1＝(A1，C1)那么对于路径的下一个点w2＝(A，C)要满足(A-A1)≤1和(C-C1)≤1；
3)单调性
对于路径上的任意一点每次只能沿着时间轴单向移动；即如果w1＝(A1，C1)那么对于路径的下一个点w2＝(A，C)要满足(A-A1)≥0和(C-C1)≥0；
满足上述约束条件且对应路径距离最短的就是动距离，其用式(1)表示为
其中动态时间归整DTW距离刻画了参考模式和类比模式的相似程度，动态时间归整DTW距离越小，表明两种模式越相似，反之，则越不相似；类比模式表示为A＝A1，A2，···，An-1，An其中n代表类比模式的长度；参考模式表示为C＝C1，C2，···，Cm-1，Cm其中m是参考模式的长度。
5.根据权利要求1所述的基于spark框架的海面温度预测方法，其特征在于，所述步骤(4)的实现方法如下：
(4-1)按动态时间归整DTW距离大小进行排序并取出前k个类比模式；
Spark框架的action类操作算子中的takeOrder函数，可以从小到大进行排序并返回最前面的指定个数的元素；通过各个类比模式的第一天在原序列中的位置t可以定位到类比模式的后五天海面温度数据，求平均值后作为五天的海面温预测结果；
(4-2)训练预测模型；
选择BP神经网络进行后期的预测，将上述的k个类比模式作为BP神经网络的输入，通过各个类比模式的第一天在原序列中的位置t可以定位到类比模式的后五天，将其作为BP神经网络的输出，通过梯度下降法对模型进行训练，从而得到一个具有预测能力的模型。
6.根据权利要求1所述的基于spark框架的海面温度预测方法，其特征在于，所述步骤(5)的实现方法如下：
(5-1)模型输出结果
将归一化处理后的测试集作为BP神经网络的输入，通过该模型得到输出结果；该结果是归一化处理后的结果，并不能作为最终预测结果；
(5-2)预测结果
进行反归一化处理，得到预测的五天内的海面温，与真实值求差后的绝对值即为每日的海面温度偏差，通过每日的海面温度偏差来评估模型的预测精度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810898056.1A CN109190800B (zh) | 2018-08-08 | 2018-08-08 | 一种基于spark框架的海面温度预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810898056.1A CN109190800B (zh) | 2018-08-08 | 2018-08-08 | 一种基于spark框架的海面温度预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109190800A true CN109190800A (zh) | 2019-01-11 |
| CN109190800B CN109190800B (zh) | 2021-12-10 |
Family
ID=64920675
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810898056.1A Active CN109190800B (zh) | 2018-08-08 | 2018-08-08 | 一种基于spark框架的海面温度预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109190800B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111144666A (zh) * | 2020-01-02 | 2020-05-12 | 吉林大学 | 一种基于深度时空残差网络的海洋温跃层预测方法 |
| CN111324638A (zh) * | 2020-02-10 | 2020-06-23 | 上海海洋大学 | 基于AR_TSM的时间序列motif关联规则挖掘方法 |
| CN112446170A (zh) * | 2020-11-06 | 2021-03-05 | 山东大学 | 一种区域海洋底温热红外遥感监测预报模型的建立方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100698740B1 (ko) * | 2005-12-23 | 2007-03-23 | 재단법인 포항산업과학연구원 | 벽체온도 모델링 방법 |
| CN103617316A (zh) * | 2013-11-21 | 2014-03-05 | 北京工业大学 | 一种基于多核支持向量机的发酵过程动态预测方法 |
| 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 |
| CN106446209A (zh) * | 2016-09-30 | 2017-02-22 | 浙江大学 | 一种海洋环境监测要素短期预测方法 |
| US20170091615A1 (en) * | 2015-09-28 | 2017-03-30 | Siemens Aktiengesellschaft | System and method for predicting power plant operational parameters utilizing artificial neural network deep learning methodologies |
| US20180045855A1 (en) * | 2016-08-15 | 2018-02-15 | International Business Machines Corporation | Correcting computer model weather forecasts using a hybrid analog method with dynamic time warping |
-
2018
- 2018-08-08 CN CN201810898056.1A patent/CN109190800B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100698740B1 (ko) * | 2005-12-23 | 2007-03-23 | 재단법인 포항산업과학연구원 | 벽체온도 모델링 방법 |
| CN103617316A (zh) * | 2013-11-21 | 2014-03-05 | 北京工业大学 | 一种基于多核支持向量机的发酵过程动态预测方法 |
| 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 |
| US20170091615A1 (en) * | 2015-09-28 | 2017-03-30 | Siemens Aktiengesellschaft | System and method for predicting power plant operational parameters utilizing artificial neural network deep learning methodologies |
| US20180045855A1 (en) * | 2016-08-15 | 2018-02-15 | International Business Machines Corporation | Correcting computer model weather forecasts using a hybrid analog method with dynamic time warping |
| CN106446209A (zh) * | 2016-09-30 | 2017-02-22 | 浙江大学 | 一种海洋环境监测要素短期预测方法 |
Non-Patent Citations (3)
| Title |
|---|
| ISIS DIDIER LINS等: "Prediction of sea surface temperature in the tropical Atlantic by support vector machines", 《COMPUTATIONAL STATISTICS & DATA ANALYSIS》 * |
| RICARDO M. MARCACINI等: "On combining Websensors and DTW distance for kNN Time Series Forecasting", 《2016 23RD INTERNATIONAL CONFERENCE ON PATTERN RECOGNITION (ICPR)》 * |
| 高学金等: "相似样本选择方法在SVM发酵建模中的应用", 《仪器仪表学报》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111144666A (zh) * | 2020-01-02 | 2020-05-12 | 吉林大学 | 一种基于深度时空残差网络的海洋温跃层预测方法 |
| CN111324638A (zh) * | 2020-02-10 | 2020-06-23 | 上海海洋大学 | 基于AR_TSM的时间序列motif关联规则挖掘方法 |
| CN111324638B (zh) * | 2020-02-10 | 2023-03-28 | 上海海洋大学 | 基于AR_TSM的时间序列motif关联规则挖掘方法 |
| CN112446170A (zh) * | 2020-11-06 | 2021-03-05 | 山东大学 | 一种区域海洋底温热红外遥感监测预报模型的建立方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109190800B (zh) | 2021-12-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113962364B (zh) | 一种基于深度学习的多因素用电负荷预测方法 | |
| Rafi et al. | A short-term load forecasting method using integrated CNN and LSTM network | |
| Hu et al. | Forecasting energy consumption and wind power generation using deep echo state network | |
| Tian et al. | Data driven parallel prediction of building energy consumption using generative adversarial nets | |
| Wu et al. | Evolving RBF neural networks for rainfall prediction using hybrid particle swarm optimization and genetic algorithm | |
| Yu et al. | Prediction of highway tunnel pavement performance based on digital twin and multiple time series stacking | |
| Lin et al. | Multidimensional KNN algorithm based on EEMD and complexity measures in financial time series forecasting | |
| CN111325976B (zh) | 一种短时交通流预测方法及系统 | |
| Azadeh et al. | A hybrid simulation-adaptive network based fuzzy inference system for improvement of electricity consumption estimation | |
| CN108763377B (zh) | 基于卫星故障诊断多源遥测大数据特征提取预处理方法 | |
| Niu | Walmart sales forecasting using xgboost algorithm and feature engineering | |
| CN111127246A (zh) | 一种输电线路工程造价的智能预测方法 | |
| Cao et al. | Multi-step wind power forecasting model using LSTM networks, similar time series and LightGBM | |
| Bai et al. | A forecasting method of forest pests based on the rough set and PSO-BP neural network | |
| CN109919188A (zh) | 基于稀疏局部注意力机制和卷积回声状态网络的时序分类方法 | |
| CN109190800A (zh) | 一种基于spark框架的海面温度预测方法 | |
| CN103186575B (zh) | 一种传感数据的聚类分析方法和系统 | |
| Liu et al. | Heating load forecasting for combined heat and power plants via strand-based LSTM | |
| Li et al. | A k-nearest neighbor locally weighted regression method for short-term traffic flow forecasting | |
| CN103413038A (zh) | 基于矢量量化的长期直觉模糊时间序列预测方法 | |
| Li et al. | Deep spatio-temporal wind power forecasting | |
| Zhou et al. | A novel grey seasonal model based on cycle accumulation generation for forecasting energy consumption in China | |
| Yao et al. | Wave height forecast method with multi-step training set extension LSTM neural network | |
| CN116108984A (zh) | 基于流量-poi因果关系推理的城市流量预测方法 | |
| Xue et al. | Expressway project cost estimation with a convolutional neural network model |
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 |