CN109902801A - 一种基于变分推理贝叶斯神经网络的洪水集合预报方法 - Google Patents
一种基于变分推理贝叶斯神经网络的洪水集合预报方法 Download PDFInfo
- Publication number
- CN109902801A CN109902801A CN201910058334.7A CN201910058334A CN109902801A CN 109902801 A CN109902801 A CN 109902801A CN 201910058334 A CN201910058334 A CN 201910058334A CN 109902801 A CN109902801 A CN 109902801A
- Authority
- CN
- China
- Prior art keywords
- neural network
- variation
- flood
- probability distribution
- bnn
- 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
- 238000013531 bayesian neural network Methods 0.000 title claims abstract description 46
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000012549 training Methods 0.000 claims abstract description 15
- 238000013528 artificial neural network Methods 0.000 claims description 17
- 238000013277 forecasting method Methods 0.000 claims description 17
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000012614 Monte-Carlo sampling Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 230000008878 coupling Effects 0.000 abstract 1
- 238000010168 coupling process Methods 0.000 abstract 1
- 238000005859 coupling reaction Methods 0.000 abstract 1
- 230000006870 function Effects 0.000 description 19
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 5
- 238000005457 optimization Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
Classifications
-
- 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
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Complex Calculations (AREA)
Abstract
本发明公开了一种基于变分推理贝叶斯神经网络的洪水集合预报方法,包括:设置贝叶斯神经网络各层维度;选定贝叶斯神经网络的权重参数的先验概率分布,通过变分参数对贝叶斯神经网络的权重参数进行参数化,来近似贝叶斯神经网络的权重参数的后验概率分布;计算先验概率分布与变分后验概率分布的相对熵,并根据训练数据集计算期望对数似然函数;根据相对熵和期望对数似然函数,构建目标函数;最大化目标函数,训练变分推理参数;使用训练好的变分推理贝叶斯神经网络,对未知洪水进行集合预报。本发明将变分推理与BNN模型结合,通过变分分布近似贝叶斯网络模型权重参数的后验概率,简化了计算过程,定量描述洪水预报的不确定性,提高准确度。
Description
技术领域
本发明属于水文水资源领域,更具体地,涉及一种基于变分推理贝叶斯神经网络的洪水集合预报方法。
背景技术
准确可靠的洪水预报,能为流域梯级水库防洪调度决策提供科学依据,对流域防洪安全和洪水资源合理利用具有重大意义。滑动平均自回归、支持向量机回归以及深度学习方法在水文预报中展现了其优秀的性能。预报的不确定性在防洪调度中同样十分重要,然而这类确定性预报方法只能预报一个值,无法量化预报中的不确定性。因此,构建考虑预报不确定性的集合预报模型是亟需解决的理论和实际工程问题。
为了定量估计预报的不确定性,Krzysztofwicz等人提出一种基于贝叶斯概率的水文预报方法,其通过贝叶斯理论来预测模型的不确定性。虽然该方法能够定量估计预报的不确定性,但是其后验参数的推导过程需要大量的计算成本。Yarin Gal等人提出一种变分贝叶斯网络结构,其利用Dropout方法来估计预报的不确定性。然而,该方法采用伯努利分布作为变分分布,具有多个超参数,需要大量的重复试验才能得到最优的超参数。
发明内容
针对现有技术的缺陷,本发明的目的在于解决现有技术洪水集合预报计算成本高、超参数多导致优化复杂的技术问题。
为实现上述目的,第一方面,本发明实施例提供了一种基于变分推理贝叶斯神经网络的洪水集合预报方法,所述方法包括以下步骤:
步骤S1.设置贝叶斯神经网络各层维度;
步骤S2.选定贝叶斯神经网络的权重参数的先验概率分布,通过变分参数对贝叶斯神经网络的权重参数进行参数化,来近似贝叶斯神经网络的权重参数的后验概率分布;
步骤S3.计算贝叶斯神经网络的权重参数的先验概率分布与变分后验概率分布的相对熵,并根据训练数据集计算期望对数似然函数;
步骤S4.根据相对熵和期望对数似然函数,构建目标函数;
步骤S5.最大化目标函数,训练变分推理参数;
步骤S6.使用训练好的变分推理贝叶斯神经网络,对未知洪水进行集合预报。
具体地,步骤S2中选定BNN权重参数w的先验概率分布为标准正态分布p(wij)~N(0,1),其中,wij为BNN第i层第j个维度的权重参数。
具体地,步骤S2中采用以θij为均值、以σij为标准差的高斯分布,作为变分后验分布的分布,其分布可表述如下:
其中,θij为BNN第i层第j个维度的权重参数wij的均值,σij为BNN第i层第j个维度的权重参数wij的方差。
具体地,贝叶斯神经网络的权重参数的先验概率分布p(w)与变分后验概率分布的相对熵计算公式如下:
其中,θij为BNN第i层第j个维度的权重参数wij的均值;σij为BNN第i层第j个维度的权重参数wij的方差。
具体地,期望对数似然按照下式来近似:
其中,X表示预报因子x的集合,Y表示预报对象y的集合,(xm,ym)表示从所有数据集(X,Y)中随机选取的第m个不同的数据点,m=1,2,…M,M为随机选取的数据点总个数,N为训练集的数据个数,表示采样得到的第i层网络的第j个维度的权重参数,表示变分参数,∈ij为一个服从标准正态分布N(0,1)的随机数,表示参数化函数。
具体地,目标函数其中,为期望对数似然,为贝叶斯神经网络的权重参数的先验概率分布p(w)与变分后验概率分布的相对熵。
具体地,步骤S5具体为:采用前向传播算法得到目标函数的值,然后利用反向传播对变分参数求偏导,最后通过随机梯度下降法或者Adam方法更新优化变分参数后,便可以使用变分分布作为近似的BNN参数的后验分布p(w|X,Y)。
具体地,步骤S6具体为:采用蒙特卡罗采样BNN权重参数w,生成S个预报值,作为集合预报:
[y1,y2,...,yS]=BNN(x*,[w1,w2,...,wS])
∈~N(0,1)
其中,S为蒙特卡罗采样的个数,BNN(x,w)表示根据给定的预报因子x以及BNN的参数w通过前向传播算法得到预报值y=[y1,y2,...,yS]。
具体地,对于数据点x*,其预报值y*的概率分布可按下式得到:
其中,为变分后验概率分布。
第二方面,本发明实施例提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器执行时实现上述第一方面所述的洪水集合预报方法。
总体而言,通过本发明所构思的以上技术方案与现有技术相比,具有以下有益效果:
1.本发明通过变分贝叶斯神经网络模型进行洪水集合预报,将变分推理的理论与贝叶斯神经网络模型结合,通过变分分布近似贝叶斯网络模型权重的后验参数,有效地简化了传统贝叶斯网络模型集合预报复杂的计算过程,并能够定量描述洪水预报的不确定性,从而为防洪调度提供来水不确定性的信息,减少防洪调度风险。
2.本发明通过高斯分布的参数化方法,对变分分布进行参数化,用变分参数代替贝叶斯神经网络的权重参数,在模型训练的过程中动态优化变分参数,其方法利用蒙特卡罗模拟对变分参数进行随机参数化,与以伯努利分布作为变分分布的Dropout方法相比,避免了预先设定大量的超参数,减少了模型优化选择的复杂问题。
附图说明
图1为本发明实施例提供的一种基于变分推理贝叶斯神经网络的洪水集合预报方法流程图;
图2为本发明实施例提供的宜昌站汛期洪水集合预报概率积分转换(PIT)统计图;
图3为本发明实施例提供的宜昌站汛期洪水集合预报“径流大于历史同期中位数值”事件的预报概率和观测概率图;
图4为本发明实施例提供的宜昌站汛期洪水集合预报不确定性分析图。
具体实施方式
为了使本发明的目的、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详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
如图1所示,一种基于变分推理贝叶斯神经网络的洪水集合预报方法,所述方法包括以下步骤:
步骤S1.设置贝叶斯神经网络各层维度;
步骤S2.选定贝叶斯神经网络的权重参数的先验概率分布,通过变分参数对贝叶斯神经网络的权重参数进行参数化,来近似贝叶斯神经网络的权重参数的后验概率分布;
步骤S3.计算贝叶斯神经网络的权重参数的先验概率分布与变分后验概率分布的相对熵,并根据训练数据集计算期望对数似然函数;
步骤S4.根据相对熵和期望对数似然函数,构建目标函数;
步骤S5.最大化目标函数,训练变分推理参数;
步骤S6.使用训练好的变分推理贝叶斯神经网络,对未知洪水进行集合预报。
步骤S1.设置贝叶斯神经网络各层维度。
本发明实施例中构建的贝叶斯神经网络(BAYESIAN NEURAL NETWORK,BNN)结构如下:输入层维度为7,三层隐含层每层维度为40,输出层维度为1。
步骤S2.选定贝叶斯神经网络的权重参数的先验概率分布,通过变分参数对贝叶斯神经网络的权重参数进行参数化,来近似贝叶斯神经网络的权重参数的后验概率分布。
BNN的权重参数w首先按照先验概率分布p(w)设置。本发明实施例选定BNN权重参数w的先验概率分布为标准正态分布p(wij)~N(0,1),其中,wij为BNN第i层第j个维度的权重参数。
本发明采用变分推理来近似BNN权重参数w的后验概率分布p(w|X,Y),X表示预报因子(前期来水)x的集合,Y表示预报对象(实测来水)y的集合。其核心思想是通过一个变分分布来近似后验概率分布。为了对变分后验分布进行参数化,本发明采用以θij为均值、以σij为标准差的高斯分布,作为变分后验分布的分布,其分布可表述如下:
其中,θij为BNN第i层第j个维度的权重参数wij的均值;σij为BNN第i层第j个维度的权重参数wij的方差。
步骤S3.计算贝叶斯神经网络的权重参数的先验概率分布与变分后验概率分布的相对熵,并根据训练数据集计算期望对数似然函数。
贝叶斯神经网络的权重参数的先验概率分布p(w)与变分后验概率分布的相对熵计算公式如下:
本发明使用随机梯度变分贝叶斯,计算期望对数似然函数该函数表示以变分后验概率分布为随机变量的对数似然函数的期望,值越大,代表数据的拟合度越高。
本发明实施例以长江上游水文站点为研究对象,数据采用1952年到2008年宜昌站的汛期(6月~9月)实测来水为预报对象y,以宜昌站、屏山站、高场站、李家湾站和北碚站的前期来水为预报因子x,其中1952年到1990年数据作为训练集,1991年到2008年数据作为测试集。
期望对数似然通过累加的方式得到,计算公式如下:
其中,N为训练集的数据个数。
通过蒙特卡罗采样得到:
其中,表示采样得到的第i层网络的第j个维度的权重参数,表示变分参数,∈ij为一个服从标准正态分布N(0,1)的随机数,表示参数化函数。
期望对数似然实际可按照下式来近似:
其中,(xm,ym)表示从所有数据集(X,Y)中随机选取的第m个不同的数据点,m=1,2,…M。
步骤S4.根据相对熵和期望对数似然函数,构建目标函数。
目标函数实际上为BNN似然函数的变分下限值(VLB)。第一项为期望对数似然,最大化这一项代表数据的拟合度越高;第二项为先验分布与近似后验分布的相对熵最小化这一项能够防止模型过拟合。
步骤S5.最大化目标函数,训练变分推理参数。
采用前向传播算法得到目标函数的值,然后利用反向传播对变分参数求偏导,最后通过随机梯度下降法或者Adam方法更新优化变分参数后,便可以使用变分分布作为近似的BNN参数的后验分布p(w|X,Y)。
步骤S6.使用训练好的变分推理贝叶斯神经网络,对未知洪水进行集合预报。
给定一个新的数据点x*,其预报值y*的概率分布可按下式得到:
为了得到集合预报,采用蒙特卡罗采样BNN权重参数w,生成S个预报值,作为集合预报:
[y1,y2,...,yS]=BNN(x*,[w1,w2,...,wS])
∈~N(0,1)
其中,S为蒙特卡罗采样的个数,BNN(x,w)表示根据给定的预报因子x以及BNN的参数w通过前向传播算法得到预报值y。多个不同的参数由蒙特卡罗采样得到,从而得到多个不同预报值[y1,y2,...,yS]。
从预报精度及其预报可靠性两个方面评估集合预报方法的性能,并分析洪水集合预报的不确定性。
表1给出提出的变分贝叶斯神经网络VBNN以及基于Dropout方法的贝叶斯神经网络(BDO-0.1、BDO-0.05)模型在测试集的洪水集合预报的评价指标值。其中,表1中CRPS表示连续分级概率评分,RMSE表示均方根误差,NSE表示纳什系数。CRPS同时考虑了预报的偏差以及概率预报的范围,是一种集合预报常用的评价指标,指标值越小越好。RMSE通常为点预报的预报评价指标,这里采用集合预报均值作为点预报值来计算RMSE指标,指标值越小越好。NSE是一个相对值,其范围在负无穷到1之间,越接近于1,代表预报值与实测径流值越接近。从表1可以看出,采用VBNN的集合预报的方法能够得到较高的预报精度。
表1洪水集合预报的评价指标值表
在预报精度评价的基础上,进一步对预报可靠性进行分析。本发明选用预报概率积分转换(PIT)值和可靠性图来分析可靠性,其中,当PIT值整体成均匀分布时以及可靠性图中预报概率和观测概率相似度高时,认为预报的可靠性高。
如图2所示,概率积分转换PIT整体上呈现均匀分布的特征。这一结果说明:观测值基本上可以看作来自对应概率预报的随机采样,代表此预报具有较高的可靠性。
如图3所示,“径流大于历史同期中位数值”事件的预报概率和观测概率三点基本分布在一比一线附近,说明预报概率和观测概率温和较好,预报可靠性较高。
图4以集合预报均值为横轴,给出了集合预报80%和95%的置信区间。如图4所示,置信区间随着预报均值的增加变得更宽,这说明变分贝叶斯神经网络集合预报方法较好地描述了预报不确定性异方差的特性。图4中的点表示预报均值对应的观测值,整体上,观测值与集合预报的均值以及置信区间有良好的对应关系,其大都分布在置信区间以内,少数点分布在置信区间边界附近。
以上,仅为本申请较佳的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应该以权利要求的保护范围为准。
Claims (10)
1.一种基于变分推理贝叶斯神经网络的洪水集合预报方法,其特征在于,所述方法包括以下步骤:
步骤S1.设置贝叶斯神经网络各层维度;
步骤S2.选定贝叶斯神经网络的权重参数的先验概率分布,通过变分参数对贝叶斯神经网络的权重参数进行参数化,来近似贝叶斯神经网络的权重参数的后验概率分布;
步骤S3.计算贝叶斯神经网络的权重参数的先验概率分布与变分后验概率分布的相对熵,并根据训练数据集计算期望对数似然函数;
步骤S4.根据相对熵和期望对数似然函数,构建目标函数;
步骤S5.最大化目标函数,训练变分推理参数;
步骤S6.使用训练好的变分推理贝叶斯神经网络,对未知洪水进行集合预报。
2.如权利要求1所述的洪水集合预报方法,其特征在于,步骤S2中选定BNN权重参数w的先验概率分布为标准正态分布p(wij)~N(0,1),其中,wij为BNN第i层第j个维度的权重参数。
3.如权利要求1所述的洪水集合预报方法,其特征在于,步骤S2中采用以θij为均值、以σij为标准差的高斯分布,作为变分后验分布的分布,其分布可表述如下:
其中,θij为BNN第i层第j个维度的权重参数wij的均值,σij为BNN第i层第j个维度的权重参数wij的方差。
4.如权利要求1所述的洪水集合预报方法,其特征在于,贝叶斯神经网络的权重参数的先验概率分布p(w)与变分后验概率分布的相对熵计算公式如下:
其中,θij为BNN第i层第j个维度的权重参数wij的均值;σij为BNN第i层第j个维度的权重参数wij的方差。
5.如权利要求1所述的洪水集合预报方法,其特征在于,期望对数似然按照下式来近似:
其中,X表示预报因子x的集合,Y表示预报对象y的集合,(xm,ym)表示从所有数据集(X,Y)中随机选取的第m个不同的数据点,m=1,2,…M,M为随机选取的数据点总个数,N为训练集的数据个数,表示采样得到的第i层网络的第j个维度的权重参数,表示变分参数,∈ij为一个服从标准正态分布N(0,1)的随机数,表示参数化函数。
6.如权利要求1所述的洪水集合预报方法,其特征在于,目标函数其中,为期望对数似然,为贝叶斯神经网络的权重参数的先验概率分布p(w)与变分后验概率分布的相对熵。
7.如权利要求1所述的洪水集合预报方法,其特征在于,步骤S5具体为:采用前向传播算法得到目标函数的值,然后利用反向传播对变分参数求偏导,最后通过随机梯度下降法或者Adam方法更新优化变分参数后,便可以使用变分分布作为近似的BNN参数的后验分布p(w|X,Y)。
8.如权利要求1所述的洪水集合预报方法,其特征在于,步骤S6具体为:采用蒙特卡罗采样BNN权重参数w,生成S个预报值,作为集合预报:
[y1,y2,...,yS]=BNN(x*,[w1,w2,...,wS])
∈~N(0,1)
其中,S为蒙特卡罗采样的个数,BNN(x,w)表示根据给定的预报因子x以及BNN的参数w通过前向传播算法得到预报值y=[y1,y2,...,yS]。
9.如权利要求8所述的洪水集合预报方法,其特征在于,对于数据点x*,其预报值y*的概率分布可按下式得到:
其中,为变分后验概率分布。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至9任一项所述的洪水集合预报方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910058334.7A CN109902801B (zh) | 2019-01-22 | 2019-01-22 | 一种基于变分推理贝叶斯神经网络的洪水集合预报方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910058334.7A CN109902801B (zh) | 2019-01-22 | 2019-01-22 | 一种基于变分推理贝叶斯神经网络的洪水集合预报方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109902801A true CN109902801A (zh) | 2019-06-18 |
CN109902801B CN109902801B (zh) | 2020-11-17 |
Family
ID=66943977
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910058334.7A Active CN109902801B (zh) | 2019-01-22 | 2019-01-22 | 一种基于变分推理贝叶斯神经网络的洪水集合预报方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109902801B (zh) |
Cited By (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110738242A (zh) * | 2019-09-25 | 2020-01-31 | 清华大学 | 一种深度神经网络的贝叶斯结构学习方法及装置 |
CN110910004A (zh) * | 2019-11-18 | 2020-03-24 | 国电湖南巫水水电开发有限公司 | 一种多重不确定性的水库调度规则提取方法及系统 |
CN110970050A (zh) * | 2019-12-20 | 2020-04-07 | 北京声智科技有限公司 | 语音降噪方法、装置、设备及介质 |
CN111242355A (zh) * | 2020-01-06 | 2020-06-05 | 中国电力科学研究院有限公司 | 一种基于贝叶斯神经网络的光伏概率预测方法及系统 |
CN111553505A (zh) * | 2019-11-26 | 2020-08-18 | 国网浙江省电力有限公司 | 一种电力物资入库数量预测方法 |
CN112633390A (zh) * | 2020-12-29 | 2021-04-09 | 重庆科技学院 | 一种基于贝叶斯概率优化的青蒿素提净度分析方法 |
WO2021114859A1 (zh) * | 2019-12-09 | 2021-06-17 | 清华大学 | 利用忆阻器本征噪声实现贝叶斯神经网络的方法及装置 |
CN113221342A (zh) * | 2021-04-30 | 2021-08-06 | 天津大学 | 一种小流域洪水自适应智能组网预报方法 |
CN113240025A (zh) * | 2021-05-19 | 2021-08-10 | 电子科技大学 | 一种基于贝叶斯神经网络权重约束的图像分类方法 |
CN113361087A (zh) * | 2021-05-31 | 2021-09-07 | 西安交通大学 | 一种水下航行器侧线探测传感器位置布局优化方法和系统 |
CN113469932A (zh) * | 2020-03-31 | 2021-10-01 | 日本电气株式会社 | 信息处理的方法、电子设备和介质 |
CN113506247A (zh) * | 2021-06-16 | 2021-10-15 | 国网湖北省电力有限公司孝感供电公司 | 一种基于变分贝叶斯推断的输电线路巡检缺陷检测方法 |
CN113627602A (zh) * | 2020-05-06 | 2021-11-09 | 罗伯特·博世有限公司 | 预测计算机控制实体的状态 |
CN113657182A (zh) * | 2021-07-26 | 2021-11-16 | 西北工业大学 | 一种基于变权理论的动态贝叶斯网络的目标意图识别方法 |
CN113780537A (zh) * | 2021-11-12 | 2021-12-10 | 国网浙江省电力有限公司电力科学研究院 | 一种质子交换膜燃料电池发电系统的故障诊断方法及装置 |
CN113837475A (zh) * | 2021-09-27 | 2021-12-24 | 中水珠江规划勘测设计有限公司 | 有向图深度神经网络径流概率预报方法、系统、设备及终端 |
CN114065807A (zh) * | 2021-10-28 | 2022-02-18 | 河北工程大学 | 基于变分模态分解和贝叶斯神经网络的月径流预测方法 |
CN114445692A (zh) * | 2021-12-31 | 2022-05-06 | 北京瑞莱智慧科技有限公司 | 图像识别模型构建方法、装置、计算机设备及存储介质 |
CN114444272A (zh) * | 2021-12-31 | 2022-05-06 | 华中科技大学 | 一种基于贝叶斯层次模型的食品污染物暴露与健康危害的剂量反应关系模型建立方法 |
CN114741987A (zh) * | 2022-04-18 | 2022-07-12 | 浙江省水利河口研究院(浙江省海洋规划设计研究院) | 考虑洪水预报模型绝对误差拟合残差分布的洪水概率预报模型 |
CN115952577A (zh) * | 2022-12-06 | 2023-04-11 | 中国水利水电科学研究院 | 一种梯级水库群溃决风险分析方法 |
WO2023217017A1 (zh) * | 2022-05-09 | 2023-11-16 | 清华大学 | 基于忆阻器阵列的贝叶斯神经网络的变分推理方法和装置 |
CN117540173A (zh) * | 2024-01-09 | 2024-02-09 | 长江水利委员会水文局 | 基于贝叶斯联合概率模型的洪水模拟不确定性分析方法 |
CN117786605A (zh) * | 2024-02-27 | 2024-03-29 | 浙江省水利水电勘测设计院有限责任公司 | 基于改进高斯混合模型的多集合成员预报融合校正方法 |
CN118153163A (zh) * | 2024-03-13 | 2024-06-07 | 长沙理工大学 | 一种桥梁支座静位移超限预警模型校准方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009080852A (ja) * | 2002-09-17 | 2009-04-16 | Toshiba Corp | 水防支援装置及びプログラム並びに水防支援方法 |
CN102955863A (zh) * | 2011-08-17 | 2013-03-06 | 长江水利委员会长江科学院 | 一种基于分布式水文模拟的旱情评估和预报模型方法 |
CN105740969A (zh) * | 2016-01-21 | 2016-07-06 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种基于数据驱动的小流域洪水实时预报方法 |
CN107563567A (zh) * | 2017-09-18 | 2018-01-09 | 河海大学 | 基于稀疏自编码的核极限学习机洪水预报方法 |
CN108491974A (zh) * | 2018-03-23 | 2018-09-04 | 河海大学 | 一种基于集合卡尔曼滤波的洪水预报方法 |
CN108564196A (zh) * | 2018-03-06 | 2018-09-21 | 中国水利水电科学研究院 | 预报洪水的方法和装置 |
-
2019
- 2019-01-22 CN CN201910058334.7A patent/CN109902801B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009080852A (ja) * | 2002-09-17 | 2009-04-16 | Toshiba Corp | 水防支援装置及びプログラム並びに水防支援方法 |
CN102955863A (zh) * | 2011-08-17 | 2013-03-06 | 长江水利委员会长江科学院 | 一种基于分布式水文模拟的旱情评估和预报模型方法 |
CN105740969A (zh) * | 2016-01-21 | 2016-07-06 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种基于数据驱动的小流域洪水实时预报方法 |
CN107563567A (zh) * | 2017-09-18 | 2018-01-09 | 河海大学 | 基于稀疏自编码的核极限学习机洪水预报方法 |
CN108564196A (zh) * | 2018-03-06 | 2018-09-21 | 中国水利水电科学研究院 | 预报洪水的方法和装置 |
CN108491974A (zh) * | 2018-03-23 | 2018-09-04 | 河海大学 | 一种基于集合卡尔曼滤波的洪水预报方法 |
Non-Patent Citations (2)
Title |
---|
KONDA THIRUMALAIAH等: "Real-Time Flood Forecasting Using Neural Networks", 《COMPUTER-AIDED CIVIL AND INFRASTRUCTURE ENGINEERING》 * |
李向阳等: "基于BP神经网络的贝叶斯概率水文预报模型", 《水利学报》 * |
Cited By (33)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110738242A (zh) * | 2019-09-25 | 2020-01-31 | 清华大学 | 一种深度神经网络的贝叶斯结构学习方法及装置 |
CN110910004A (zh) * | 2019-11-18 | 2020-03-24 | 国电湖南巫水水电开发有限公司 | 一种多重不确定性的水库调度规则提取方法及系统 |
CN111553505A (zh) * | 2019-11-26 | 2020-08-18 | 国网浙江省电力有限公司 | 一种电力物资入库数量预测方法 |
WO2021114859A1 (zh) * | 2019-12-09 | 2021-06-17 | 清华大学 | 利用忆阻器本征噪声实现贝叶斯神经网络的方法及装置 |
CN110970050A (zh) * | 2019-12-20 | 2020-04-07 | 北京声智科技有限公司 | 语音降噪方法、装置、设备及介质 |
CN111242355A (zh) * | 2020-01-06 | 2020-06-05 | 中国电力科学研究院有限公司 | 一种基于贝叶斯神经网络的光伏概率预测方法及系统 |
CN113469932A (zh) * | 2020-03-31 | 2021-10-01 | 日本电气株式会社 | 信息处理的方法、电子设备和介质 |
CN113627602A (zh) * | 2020-05-06 | 2021-11-09 | 罗伯特·博世有限公司 | 预测计算机控制实体的状态 |
CN113627602B (zh) * | 2020-05-06 | 2024-07-26 | 罗伯特·博世有限公司 | 预测计算机控制实体的状态 |
CN112633390A (zh) * | 2020-12-29 | 2021-04-09 | 重庆科技学院 | 一种基于贝叶斯概率优化的青蒿素提净度分析方法 |
CN113221342A (zh) * | 2021-04-30 | 2021-08-06 | 天津大学 | 一种小流域洪水自适应智能组网预报方法 |
CN113221342B (zh) * | 2021-04-30 | 2022-05-17 | 天津大学 | 一种小流域洪水自适应智能组网预报方法 |
CN113240025A (zh) * | 2021-05-19 | 2021-08-10 | 电子科技大学 | 一种基于贝叶斯神经网络权重约束的图像分类方法 |
CN113240025B (zh) * | 2021-05-19 | 2022-08-12 | 电子科技大学 | 一种基于贝叶斯神经网络权重约束的图像分类方法 |
CN113361087A (zh) * | 2021-05-31 | 2021-09-07 | 西安交通大学 | 一种水下航行器侧线探测传感器位置布局优化方法和系统 |
CN113506247A (zh) * | 2021-06-16 | 2021-10-15 | 国网湖北省电力有限公司孝感供电公司 | 一种基于变分贝叶斯推断的输电线路巡检缺陷检测方法 |
CN113657182A (zh) * | 2021-07-26 | 2021-11-16 | 西北工业大学 | 一种基于变权理论的动态贝叶斯网络的目标意图识别方法 |
CN113837475A (zh) * | 2021-09-27 | 2021-12-24 | 中水珠江规划勘测设计有限公司 | 有向图深度神经网络径流概率预报方法、系统、设备及终端 |
CN113837475B (zh) * | 2021-09-27 | 2024-04-05 | 中水珠江规划勘测设计有限公司 | 有向图深度神经网络径流概率预报方法、系统、设备及终端 |
CN114065807A (zh) * | 2021-10-28 | 2022-02-18 | 河北工程大学 | 基于变分模态分解和贝叶斯神经网络的月径流预测方法 |
CN113780537A (zh) * | 2021-11-12 | 2021-12-10 | 国网浙江省电力有限公司电力科学研究院 | 一种质子交换膜燃料电池发电系统的故障诊断方法及装置 |
CN114445692A (zh) * | 2021-12-31 | 2022-05-06 | 北京瑞莱智慧科技有限公司 | 图像识别模型构建方法、装置、计算机设备及存储介质 |
CN114444272A (zh) * | 2021-12-31 | 2022-05-06 | 华中科技大学 | 一种基于贝叶斯层次模型的食品污染物暴露与健康危害的剂量反应关系模型建立方法 |
CN114444272B (zh) * | 2021-12-31 | 2024-04-12 | 华中科技大学 | 一种基于贝叶斯层次模型的食品污染物暴露与健康危害的剂量反应关系模型建立方法 |
CN114741987B (zh) * | 2022-04-18 | 2024-04-26 | 浙江省水利河口研究院(浙江省海洋规划设计研究院) | 考虑洪水预报模型绝对误差拟合残差分布的洪水概率预报模型 |
CN114741987A (zh) * | 2022-04-18 | 2022-07-12 | 浙江省水利河口研究院(浙江省海洋规划设计研究院) | 考虑洪水预报模型绝对误差拟合残差分布的洪水概率预报模型 |
WO2023217017A1 (zh) * | 2022-05-09 | 2023-11-16 | 清华大学 | 基于忆阻器阵列的贝叶斯神经网络的变分推理方法和装置 |
CN115952577A (zh) * | 2022-12-06 | 2023-04-11 | 中国水利水电科学研究院 | 一种梯级水库群溃决风险分析方法 |
CN117540173A (zh) * | 2024-01-09 | 2024-02-09 | 长江水利委员会水文局 | 基于贝叶斯联合概率模型的洪水模拟不确定性分析方法 |
CN117540173B (zh) * | 2024-01-09 | 2024-04-19 | 长江水利委员会水文局 | 基于贝叶斯联合概率模型的洪水模拟不确定性分析方法 |
CN117786605A (zh) * | 2024-02-27 | 2024-03-29 | 浙江省水利水电勘测设计院有限责任公司 | 基于改进高斯混合模型的多集合成员预报融合校正方法 |
CN117786605B (zh) * | 2024-02-27 | 2024-05-14 | 浙江省水利水电勘测设计院有限责任公司 | 基于改进高斯混合模型的多集合成员预报融合校正方法 |
CN118153163A (zh) * | 2024-03-13 | 2024-06-07 | 长沙理工大学 | 一种桥梁支座静位移超限预警模型校准方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109902801B (zh) | 2020-11-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109902801B (zh) | 一种基于变分推理贝叶斯神经网络的洪水集合预报方法 | |
Sun et al. | Using Bayesian deep learning to capture uncertainty for residential net load forecasting | |
Zhang et al. | Wind speed forecasting based on quantile regression minimal gated memory network and kernel density estimation | |
Tian | Modes decomposition forecasting approach for ultra-short-term wind speed | |
Zhang et al. | Wind speed prediction method using shared weight long short-term memory network and Gaussian process regression | |
Zheng et al. | Composite quantile regression extreme learning machine with feature selection for short-term wind speed forecasting: A new approach | |
Wang et al. | Wind speed forecasting based on multi-objective grey wolf optimisation algorithm, weighted information criterion, and wind energy conversion system: A case study in Eastern China | |
Wang et al. | A hybrid forecasting model based on outlier detection and fuzzy time series–A case study on Hainan wind farm of China | |
CN110910004A (zh) | 一种多重不确定性的水库调度规则提取方法及系统 | |
CN110059867B (zh) | 一种swlstm结合gpr的风速预测方法 | |
CN107886160B (zh) | 一种bp神经网络区间需水预测方法 | |
CN116595394A (zh) | 风速修正模型的训练方法及风速预测方法、设备和介质 | |
Zhang et al. | A multi-layer extreme learning machine refined by sparrow search algorithm and weighted mean filter for short-term multi-step wind speed forecasting | |
CN112434848A (zh) | 基于深度信念网络的非线性加权组合风电功率预测方法 | |
Zhang et al. | Interval prediction of ultra-short-term photovoltaic power based on a hybrid model | |
CN116307215A (zh) | 一种电力系统的负荷预测方法、装置、设备及存储介质 | |
Dong et al. | Ensemble wind speed forecasting system based on optimal model adaptive selection strategy: Case study in China | |
CN111985719A (zh) | 一种基于改进的长短期记忆网络的电力负荷预测方法 | |
Sun et al. | A novel Day-ahead electricity price forecasting using multi-modal combined integration via stacked pruning sparse denoising auto encoder | |
Wang et al. | Design and research of hybrid forecasting system for wind speed point forecasting and fuzzy interval forecasting | |
Li et al. | Short-term probabilistic load forecasting method based on uncertainty estimation and deep learning model considering meteorological factors | |
CN117408171B (zh) | 一种Copula多模型条件处理器的水文集合预报方法 | |
CN117332896A (zh) | 多层集成学习的新能源小时间尺度功率预测方法及系统 | |
Wen et al. | Short-term load forecasting with bidirectional LSTM-attention based on the sparrow search optimisation algorithm | |
CN116859255A (zh) | 一种储能电池健康状态的预测方法、装置、设备及介质 |
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 |