CN109242142A - 一种面向基础设施网的时空预测模型参数优化方法 - Google Patents
一种面向基础设施网的时空预测模型参数优化方法 Download PDFInfo
- Publication number
- CN109242142A CN109242142A CN201810826562.XA CN201810826562A CN109242142A CN 109242142 A CN109242142 A CN 109242142A CN 201810826562 A CN201810826562 A CN 201810826562A CN 109242142 A CN109242142 A CN 109242142A
- Authority
- CN
- China
- Prior art keywords
- spatio
- time
- temporal segmentation
- space
- lstm
- 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
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Computational Linguistics (AREA)
- Development Economics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (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
本发明公开了一种面向基础设施网的时空预测模型参数优化方法,包括:(1)将时空预测模型的超参数组成n维超参数组,并确定每个维度的超参范围;(2)根据维度的超参范围,随机生成m个n维超参数组作为初始种群;(3)根据初始种群或当前子代种群构建对应的空间预测模型,对时空预测模型训练后,对测试样本进行预测,计算预测准确度和时间复杂度后,并计算时空预测模型的适应度;(4)采用轮盘选择法,选择适应度最好的两个超参数组作为父代后,对父代进行交叉、变异,迭代此步骤直到获得预设当前子代种群个数为止;(5)迭代执行步骤(3)~(4),达到迭代收敛条件后,将最后一次迭代获得子代种群作为最优超参数组。
Description
技术领域
本发明涉及基础设施网络领域,具体涉及一种面向基础设施网的时空预测模型参数优化方法。
背景技术
在如今的现代社会生活中,人们无时无刻不需要现代化基础设施的服务。而国家的安全,经济繁荣和民族福祉也取决于一组高度相互依赖的关键基础设施,例如:国家电网、通信、供水、银行、石油、交通以及天然气系统等。鉴于基础设施的特殊地位和其安全运营的重要性,关键基础设施往往成为战争中首先被敌对双方攻击的目标。因此了解基础设施在受到压力或者受到攻击时的行为有及其重要的意义。
在对基础设施进行异常检测时,可以根据历史数据对下一时刻数据进行预测,然后通过对比异常数据和预测数据的差值来判断设施是否异常。然而目前的方法大多数只是利用历史数据和下一时刻的时间关联性,并没有考虑同一时刻数据之间的关系。因此我们可以通过修改连续某一个或某几个数据来实现对基础设施的攻击。为了使得基础设施有更好的鲁棒性,相对于普通的预测,本文采用了面向基础设施网的时空预测模型。该方法不仅考虑了历史数据,同时也考虑了数据之间的相互关系,通过构建网络使得同一时刻的数据相互关联,并获得更加准确的预测结果。
然而无论是普通的预测模型还是面向基础设施的空间网络模型,都有着较多的参数需要调节。在普通情况下,都是通过往常经验以及多次实验时候获得最佳的参数。然而这种情况比较浪费时间和经历,并且受设置参数人的经验和主观影响,不一定会获得最佳的参数。因此我们需要提出一种参数自适应的方法,使得算法可以自动调节参数收敛到一个全局最优的参数,让模型可以快速并准确的预测下一时刻的数据或判断基础设施是否受到了攻击。
遗传算法借鉴了生物界自然选择和自然遗传中的复制、交叉、变异等现象进行了模拟,是一种自适应概率随机迭代算法。该算法由于其具有高度的并行性、随机和自适应性,常用于各种参数调节问题,并在各个领域取得了良好的实验结果,如:流浆箱总压控制的PID参数优化、SVM参数优化、支持向量机参数优化等。受此类文章启发,本文将遗传算法应用到了基础设置网的时空预测模型的参数优化中。
综上所述,将遗传算法用于基础设施网的时空预测模型的参数调节问题,具有极其重要的理论与实践意义。
发明内容
本发明的目的是提供一种面向基础设施网的时空预测模型参数优化方法,该方法将建立的时空预测模型的超参数调节问题转换为7维数组的优化问题,并用遗传算法对超参数进行优化,以确定最优的时空预测模型,进而增加时空数据的预测准确率,减少预测时间,增加时空预测模型的实际应用价值。
为实现上述发明目的,提供以下技术方案:
一种面向基础设施网的时空预测模型参数优化方法,包括以下步骤:
(1)将由深度学习网络构建的时空预测模型的超参数组成n维超参数组,并确定每个维度的超参范围;
(2)根据维度的超参范围,随机生成m个n维超参数组作为初始种群;
(3)根据初始种群或当前子代种群构建与种群个数相等的空间预测模型,利用训练样本训练所述时空预测模型后,并利用训练好的时空预测模型对测试样本进行预测,计算预测准确度和时间复杂度后,根据所述预测准确度和时间复杂度计算所述时空预测模型的适应度;
(4)采用轮盘选择法,选择适应度最好的两个时空预测模型对应的超参数组作为父代后,对父代进行交叉、变异,迭代此步骤直到获得预设当前子代种群个数为止;
(5)迭代执行步骤(3)~步骤(4),直到迭代次数达到设定次数或者连续若干代子代种群不再变化为止,将最后一次迭代获得子代种群作为最优超参数组。
优选地,所述时空预测模型包括GCN(Graph Convolutional Network,图卷积网络)和LSTM(Long Short-Term Memory,长短期记忆网络),具体地,将当前时刻t的时空数据Xt,LSTM上一单元格状态Ct-1,LSTM前一个输出Ht-1输入到GCN中重新提取空间特征,分别获得新空间特征X't,C't-1和H't-1,然后将X't,C't-1和H't-1输入到LSTM中,预测下一时刻的时空数据Xt+1。
其中,所述超参数包括深度学习网络的层数、学习率、LSTM优化器选择、梯度裁剪率、Dropout率等,具体地,针对由GCN和LSTM组成的时空预测模型,所述超参数包括GCN层数、LSTM学习率、优化器选择、梯度裁剪率、LSTM隐藏单元数、LSTM层数以及Dropout率7个超参数,步骤(1)中将超参数转化数组,其中数组的维度与超参数个数相等,巧妙地将超参数优化的问题转为了数组优化的问题,后面直接采用遗传算法优化数组即可以获得最优的超参数,应用时根据最优的超参数建立时空预测模型,这样该时空预测模型能够更准确地预测下一时刻的时空数据。
步骤(3)中,利用公式(1)和公式(2)分别计算时空网络模型的预测准确率和时间复杂度:
其中,Pi表示第i个时空网络模型的预测准确率,yi(j)表示用第i个时空网络模型对第j组时空数据的预测结果,y0(j)表示第j组时空数据的实际结果,k表示时空数据的总组数;
其中,Tci表示第i个时空网络模型预测一组时空数据所需要的平均时间,ci(j)表示第i个时空网络模型对第j组时空数据进行预测的时间。
步骤(3)中,通过公式(3)计算时空预测模型的适应度:
其中,φi为第i个时空网络模型的适应度,α为时间复杂度的比例系数,用于调节准确率和时间复杂度的比例,当α较小时,在参数优化过程中,更加注重预测准确率,当α较大时,更加注重时间复杂度,较少预测过程中的时间。
步骤(4)中,将遗传算法应用到超参调节问题,获得最佳的模型超参数,使得时空网路模型可以更好的预测时空数据,主要实现过程为:
(a)轮盘选择:利用公式(4)计算每个父代被选择的概率后,再根据公式(5)和(6)计算第i个时空网路模型被选择轮盘区间[Cli,Cri],然后在[0,1]范围内生成一个随机数,根据落入的轮盘区间,选择对应的父代进行下一步操作;
(b)以Pc概率对两个父代进行单点交叉:即在[0,1]范围内生成一个随机数,若该随机数小于Pc则交换父代数组第x维之后的数据,其中1<x<7;
(c)以Pm概率进行变异:即在[0,1]范围内生成一个随机数,若该随机数小于Pm,则随机选择一维数据,并替换成维超参范围内的任意数。
其中,所述迭代收敛条件为迭代次数达到设定次数,或连续若干代子代种群不再变化。
本发明的有益效果主要表现在:将时空网络多个超参数调节问题转换成优化问题,自动对超参进行优化,实现了参数自适应。适应度函数不仅考虑了模型的准确率,还考虑了时间复杂度,可通过调节α减少数据的预测时间,增加算法的在基础设施网实际情况的实用性。用遗传算法对其进行优化,获得性能更好的时空预测模型,增加了预测准确率,并在一定程度上缩短了预测时间。
附图说明
为了更清楚地说明本发明实施例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做简单地介绍,显而易见地,下面描述中的附图仅仅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前提下,还可以根据这些附图获得其他附图。
图1是本发明提供的时空预测模型的框图;
图2是面向基础设施网的时空预测模型参数优化方法框图;
图3是优化前天然气管道时空预测模型的预测实验结果图;
图4是优化后天然气管道时空预测模型的预测实验结果图;
图5是天然气管道时空预测模型优化前后的测量值的累计偏差。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例对本发明进行进一步的详细说明。应当理解,此处所描述的具体实施方式仅仅用以解释本发明,并不限定本发明的保护范围。
如图2所示,本实施例提供的面向基础设施网的时空预测模型参数优化方法,包括以下步骤:
S101,将实现基础设施网络预测的深度模型分为:GCN模型和LSTM模型,其中需要调节GCN层数、LSTM学习率、优化器选择、梯度裁剪率、LSTM隐藏单元数、LSTM层数、Dropout率等超参组成一个7维数组,并限制每个维度的超参范围,即每个维度所有数的最小值的0.9倍作为该唯独的下限,最大值的1.1倍作为上限;
S102,在超参数指定范围内随机生成50个7维数组,产生初始种群;
S103,根据样本中7维数组中的超参,构建对应的GCN和LSTM组成的时空网络模型,并用基础设施网络获得的传感器状态值作为训练数据,训练GCN和LSTM组成的时空网络模型;该模型结构如图1所示;
S104,并用训练得到的GCN和LSTM组成的时空网络模型对基础设施网络的传感器状态数据进行k次预测,计算预测准确率,时间复杂度和适应度;
S1041,计算预测准确率和时间复杂度:
其中,Pi表示第i个模型的预测准确率,表示用第i个模型对第j组天然气管道进行预测的结果,y0(j)表第示第j组传感器网络状态的实际结果。
其中,Tci为第i个模型预测一组基础设施网络的传感数据所需要的平均时间,tci(j)为第i个模型对第j组基础设施网络的传感数据进行预测的时间。
S1042,计算模型的适应度:
其中,α为时间复杂度的比例系数,用于调节准确率和时间复杂度的比例。当α较小时,在参数优化过程中,更加注重预测准确率,当α较大时,更加注重时间复杂度,较少预测过程中的时间,使得基础设施网络有更多的时间进行下一步处理。
S105,用遗传算法对超参数组进行优化,如图2所示
S1051,轮盘选择
根据公式(4)计算每个父代被选择的概率,然后根据公式(5)和(6)计算第i个模型被选择轮盘区间[Cli,Cri]。最后在[0,1]范围内生成一个随机数,根据落入的轮盘区间,选择对应的父代进行下一步操作。
S1052,交叉
以Pc概率对两个父代进行单点交叉:即在[0,1]范围内生成一个随机数,若小于Pc则交换父代数组第x维之后的数据,其中1<x<7。
S1053,变异
并以Pm概率进行变异:即在[0,1]范围内生成一个随机数,若小于Pm则随机选择一维数据,并替换成维超参范围内的任意数。
S106,迭代执行S105,直到获得t个子代为止;
S107,迭代执行S103~S106直到迭代次数达到设定次数或者连续若干代最优超参数不再变化;此时的最优超参数组则为最终的优化结果。
本实施例中,采用Gas Pipeline Dataset天然气管道数据集作为技术设施网络的实例数据集。Gas Pipeline Dataset是从瓦斯气体管道网络流量日志中每隔2秒提取的传感器测量值和控制命令,传感器测量值是压力测量值,控制命令包括PID控制参数、泵的开关等。总共收集了68803的时间数据序列。
在实验中,令初始解为50个随机生成的7维数组,用遗传算法对其进行优化。在计算适应度时,将80%的Gas Pipeline Dataset数据作为训练数据集训练模型,然后剩下的20%作为模型预测的测试数据集,并计算其运行时间。根据预测准确率和运行时间获得不同模型的适应度,用于模型优化。
图3显示了优化前天然气管道时空预测模型的预测实验结果图。其中灰色的线表示天然气实际的测量值,黑色的线表示未经优化的,人工选择参数的预测模型的预测结果。图4表示优化后天然气管道时空预测模型的预测实验结果。灰色表示实际测量值,黑色表示优化后的预测结果。图5为测量值的累计偏差,灰色表示未经优化的,人工选择参数的预测模型的预测结果累计偏差,黑色为优化后的累计偏差。从图3~5中可以发现,参数优化后的测量值比人工选择的参数有更加准确的测量值。
以上所述的具体实施方式对本发明的技术方案和有益效果进行了详细说明,应理解的是以上所述仅为本发明的最优选实施例,并不用于限制本发明,凡在本发明的原则范围内所做的任何修改、补充和等同替换等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种面向基础设施网的时空预测模型参数优化方法,包括以下步骤:
(1)将由深度学习网络构建的时空预测模型的超参数组成n维超参数组,并确定每个维度的超参范围;
(2)根据维度的超参范围,随机生成m个n维超参数组作为初始种群;
(3)根据初始种群或当前子代种群构建与种群个数相等的空间预测模型,利用训练样本训练所述时空预测模型后,并利用训练好的时空预测模型对测试样本进行预测,计算预测准确度和时间复杂度后,根据所述预测准确度和时间复杂度计算所述时空预测模型的适应度;
(4)采用轮盘选择法,选择适应度最好的两个时空预测模型对应的超参数组作为父代后,对父代进行交叉、变异,迭代此步骤直到获得预设当前子代种群个数为止;
(5)迭代执行步骤(3)~步骤(4),达到迭代收敛条件后,将最后一次迭代获得子代种群作为最优超参数组。
2.如权利要求1所述的面向基础设施网的时空预测模型参数优化方法,其特征在于,所述时空预测模型包括GCN和LSTM,具体地,将当前时刻t的时空数据Xt,LSTM上一单元格状态Ct-1,LSTM前一个输出Ht-1输入到GCN中重新提取空间特征,分别获得新空间特征X't,C't-1和H't-1,然后将X't,C't-1和H't-1输入到LSTM中,预测下一时刻的时空数据Xt+1。
3.如权利要求1所述的面向基础设施网的时空预测模型参数优化方法,其特征在于,所述超参数包括深度学习网络的层数、学习率、LSTM优化器选择、梯度裁剪率、Dropout率等。
4.如权利要求2所述的面向基础设施网的时空预测模型参数优化方法,其特征在于,针对由GCN和LSTM组成的时空预测模型,所述超参数包括GCN层数、LSTM学习率、优化器选择、梯度裁剪率、LSTM隐藏单元数、LSTM层数以及Dropout率7个超参数。
5.如权利要求1所述的面向基础设施网的时空预测模型参数优化方法,其特征在于,步骤(3)中,利用公式(1)和公式(2)分别计算时空网络模型的预测准确率和时间复杂度:
其中,Pi表示第i个时空网络模型的预测准确率,yi(j)表示用第i个时空网络模型对第j组时空数据的预测结果,y0(j)表示第j组时空数据的实际结果,k表示时空数据的总组数;
其中,Tci表示第i个时空网络模型预测一组时空数据所需要的平均时间,ci(j)表示第i个时空网络模型对第j组时空数据进行预测的时间。
6.如权利要求1或5所述的面向基础设施网的时空预测模型参数优化方法,其特征在于,步骤(3)中,通过公式(3)计算时空预测模型的适应度:
其中,φi为第i个时空网络模型的适应度,α为时间复杂度的比例系数。
7.如权利要求1或5所述的面向基础设施网的时空预测模型参数优化方法,其特征在于,步骤(4)的具体步骤为:
(a)轮盘选择:利用公式(4)计算每个父代被选择的概率后,再根据公式(5)和(6)计算第i个时空网路模型被选择轮盘区间[Cli,Cri],然后在[0,1]范围内生成一个随机数,根据落入的轮盘区间,选择对应的父代进行下一步操作;
(b)以Pc概率对两个父代进行单点交叉:即在[0,1]范围内生成一个随机数,若该随机数小于Pc则交换父代数组第x维之后的数据,其中1<x<7;
(c)以Pm概率进行变异:即在[0,1]范围内生成一个随机数,若该随机数小于Pm,则随机选择一维数据,并替换成维超参范围内的任意数。
8.如权利要求1或5所述的面向基础设施网的时空预测模型参数优化方法,其特征在于,所述迭代收敛条件为迭代次数达到设定次数,或连续若干代子代种群不再变化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810826562.XA CN109242142B (zh) | 2018-07-25 | 2018-07-25 | 一种面向基础设施网的时空预测模型参数优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810826562.XA CN109242142B (zh) | 2018-07-25 | 2018-07-25 | 一种面向基础设施网的时空预测模型参数优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109242142A true CN109242142A (zh) | 2019-01-18 |
CN109242142B CN109242142B (zh) | 2020-06-26 |
Family
ID=65072342
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810826562.XA Active CN109242142B (zh) | 2018-07-25 | 2018-07-25 | 一种面向基础设施网的时空预测模型参数优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109242142B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110334733A (zh) * | 2019-05-29 | 2019-10-15 | 中国石油大学(华东) | 一种基于ConvLSTM的地下空间管道腐蚀程度预警方法 |
CN112580198A (zh) * | 2020-12-03 | 2021-03-30 | 国网山西省电力公司晋城供电公司 | 一种用于变压器状态评估的改进优化分类方法 |
CN113610227A (zh) * | 2021-07-23 | 2021-11-05 | 人工智能与数字经济广东省实验室(广州) | 一种高效的深度卷积神经网络剪枝方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106709640A (zh) * | 2016-12-15 | 2017-05-24 | 华南理工大学 | 基于深度学习与支持向量回归的船舶能耗预测方法 |
CN106951983A (zh) * | 2017-02-27 | 2017-07-14 | 浙江工业大学 | 基于采用多父代遗传算法的人工神经网络的喷射器性能预测方法 |
CN108268935A (zh) * | 2018-01-11 | 2018-07-10 | 浙江工业大学 | 一种基于时序循环神经网络的pm2.5浓度值预测方法及系统 |
-
2018
- 2018-07-25 CN CN201810826562.XA patent/CN109242142B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106709640A (zh) * | 2016-12-15 | 2017-05-24 | 华南理工大学 | 基于深度学习与支持向量回归的船舶能耗预测方法 |
CN106951983A (zh) * | 2017-02-27 | 2017-07-14 | 浙江工业大学 | 基于采用多父代遗传算法的人工神经网络的喷射器性能预测方法 |
CN108268935A (zh) * | 2018-01-11 | 2018-07-10 | 浙江工业大学 | 一种基于时序循环神经网络的pm2.5浓度值预测方法及系统 |
Non-Patent Citations (3)
Title |
---|
WENJUN JING等: "《The time-space prediction model of surface settlement for above underground gas storage cavern in salt rock based on Gaussian function》", 《JOURNAL OF NATURAL GAS SCIENCE AND ENGINEERING》 * |
张仲荣: "《基于混合模型的地下水埋深时空预测方法研究》", 《中国博士学位论文全文数据库 基础科学辑》 * |
秦阳 等: "《3D CNNs与LSTMs在行为识别中的组合及其应用》", 《测控技术》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110334733A (zh) * | 2019-05-29 | 2019-10-15 | 中国石油大学(华东) | 一种基于ConvLSTM的地下空间管道腐蚀程度预警方法 |
CN112580198A (zh) * | 2020-12-03 | 2021-03-30 | 国网山西省电力公司晋城供电公司 | 一种用于变压器状态评估的改进优化分类方法 |
CN113610227A (zh) * | 2021-07-23 | 2021-11-05 | 人工智能与数字经济广东省实验室(广州) | 一种高效的深度卷积神经网络剪枝方法 |
CN113610227B (zh) * | 2021-07-23 | 2023-11-21 | 人工智能与数字经济广东省实验室(广州) | 一种用于图像分类的深度卷积神经网络剪枝方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109242142B (zh) | 2020-06-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106453293B (zh) | 一种基于改进bpnn的网络安全态势预测方法 | |
CN109242142A (zh) | 一种面向基础设施网的时空预测模型参数优化方法 | |
CN109547431A (zh) | 一种基于cs和改进bp神经网络的网络安全态势评估方法 | |
CN109376913A (zh) | 降水量的预测方法及装置 | |
CN108027594A (zh) | 用于检测配水系统中的异常的方法 | |
CN105302848A (zh) | 一种设备智能预警系统的评估值校准方法 | |
CN110326008A (zh) | 将机器学习集成到控制系统中 | |
CN106569030B (zh) | 一种电能计量异常诊断中的告警阈值寻优方法及装置 | |
CN110943983A (zh) | 基于安全性态势感知与风险评估的网络安全预防方法 | |
CN105452598B (zh) | 选择和优化用于产量平台的油田控制的方法 | |
CN104699890B (zh) | 一种城网配变重过载短期预警模型的建模方法 | |
CN110941902B (zh) | 一种输电线路雷击故障预警方法和系统 | |
CN104539601B (zh) | 动态网络攻击过程可靠性分析方法及系统 | |
CN108805346A (zh) | 一种基于多隐层极限学习机的热连轧轧制力预报方法 | |
CN110363349A (zh) | 一种基于ascs的lstm神经网络水文预测方法及系统 | |
CN109307159A (zh) | 一种基于用水量优化预测模型的管网漏损报警方法 | |
CN109800884A (zh) | 模型参数的处理方法、装置、设备和计算机存储介质 | |
CN109902741A (zh) | 一种制冷系统故障诊断方法 | |
KR101191944B1 (ko) | 이안류 경보 발생방법 | |
CN111366291B (zh) | 基于熵和人工神经网络的供水管道压力预测和粗糙度校准方法 | |
CN104993966B (zh) | 一种电力综合业务网流量预测方法 | |
CN112180739A (zh) | 一种针对过热汽温控制系统的参数优化方法 | |
CN104732067A (zh) | 一种面向流程对象的工业过程建模预测方法 | |
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 | |
CN109961160A (zh) | 一种基于潮流参数的电网未来运行趋势预估方法及系统 |
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 |