CN109920489A - 一种基于Lasso-CCF-CNN的加氢裂化模型及建立方法 - Google Patents
一种基于Lasso-CCF-CNN的加氢裂化模型及建立方法 Download PDFInfo
- Publication number
- CN109920489A CN109920489A CN201910039551.1A CN201910039551A CN109920489A CN 109920489 A CN109920489 A CN 109920489A CN 201910039551 A CN201910039551 A CN 201910039551A CN 109920489 A CN109920489 A CN 109920489A
- Authority
- CN
- China
- Prior art keywords
- model
- lasso
- ccf
- cnn
- hydrocracked
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 47
- 238000012549 training Methods 0.000 claims abstract description 20
- 238000010606 normalization Methods 0.000 claims abstract description 6
- 238000007689 inspection Methods 0.000 claims abstract description 3
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 12
- 230000003252 repetitive effect Effects 0.000 claims description 8
- 238000012937 correction Methods 0.000 claims description 7
- 230000004044 response Effects 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 4
- 238000002790 cross-validation Methods 0.000 claims description 3
- 230000000717 retained effect Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims 1
- 239000000284 extract Substances 0.000 abstract description 3
- 238000004517 catalytic hydrocracking Methods 0.000 description 15
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 14
- 229910052739 hydrogen Inorganic materials 0.000 description 14
- 239000001257 hydrogen Substances 0.000 description 14
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000012417 linear regression Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000000306 recurrent effect Effects 0.000 description 3
- 230000007812 deficiency Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000012850 discrimination method Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000005984 hydrogenation reaction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003455 independent Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Landscapes
- Feedback Control In General (AREA)
Abstract
本发明提供一种基于Lasso‑CCF‑CNN的加氢裂化模型及建立方法，包括：利用三倍标准差检验法剔除原始数据中的异常值及使用minmax标准化对数据进行归一化处理以消除不同量纲带来的影响；使用Lasso法建立回归模型筛选出最重要的变量；利用CCF对已筛选出的变量计算其时滞及相关系数；按CCF计算出的相关系数对数据进行重新排列，并且以时滞大小作为时间窗长度，将一个时间窗内的数据当成一组输入数据；用以上处理好的输入数据训练卷积神经网络，加入批标准化层和dropout方法进行优化训练，获得最终的基于Lasso‑CCF‑CNN的加氢裂化模型。本发明所提供的建立方法能够高效地选出最重要的变量，克服变量选择的主观性问题，尽可能多地提取变量间的时序信息，显著地提高模型的精度与鲁棒性。
Description
技术领域
本发明涉及加氢裂化技术领域，尤其是涉及一种基于Lasso-CCF-CNN的加氢裂化模型及建立方法。
背景技术
加氢裂化装置是石油炼化一体化企业中承上启下的核心装置，也是产品油品质量升级的核心装置，重质馏分油深度加工的重要工艺。氢气是加氢裂化反应过程中的重要原料，而且加氢裂化装置氢气的消耗也是所有加氢装置中最多的，因此对加氢裂化装置建立其动态模型对氢气管网的氢气调度，供氢装置的调节以及产氢装置的调节具有重大的指导意义。
目前，关于加氢裂化装置建模方法的研究，主要的建模方法有：基于机理的集总模型、多元线性回归、BP人工神经网络和循环神经网络等。集总模型的局限性在于其机理分析总是基于简化和假设，使得建立的模型与实际存在一定误差。多元线性回归由多个自变量的最优组合来共同预测因变量，但作为一种线性建模方法，其建立的模型存在一定的非线性误差；BP人工神经是近年来研究最多、发展最快、应用范围最为广泛的一种模型化技术，但是该方法容易过拟合，模型的鲁棒性低；循环神经网络作为一种常用的处理时间序列数据的方法，但是其包含的结构参数数量多，且容易发生梯度消失问题难以训练。上述现有方法的局限性，影响了模型的精度和鲁棒性。
发明内容
本发明的第一个目的在于，针对现有技术中存在的不足，提供一种基于Lasso-CCF-CNN的加氢裂化模型的建立方法，以提高加氢裂化装置内新氢流量预测建模的精度和鲁棒性。
为此，本发明的上述目的通过以下技术方案来实现：
一种基于Lasso-CCF-CNN的加氢裂化模型的建立方法，所述基于Lasso-CCF-CNN的加氢裂化模型的建立方法包括：利用三倍标准差检验法剔除原始数据中的异常值及使用minmax标准化对数据进行归一化处理以消除不同量纲带来的影响；使用Lasso法建立回归模型筛选出最重要的变量；利用CCF对已筛选出的变量计算其时滞及相关系数；按CCF计算出的相关系数对数据进行重新排列，并且以时滞大小作为时间窗长度，将一个时间窗内的数据当成一组输入数据；用以上处理好的输入数据训练卷积神经网络，加入批标准化层和dropout方法进行优化训练，获得最终的基于Lasso-CCF-CNN的加氢裂化模型，具体包括以下步骤：
步骤(1)，对于样本个数为m、自变量个数为s、响应变量个数为1的样本集，将样本集表示为{输入矩阵X(m×s)，输出矩阵Y(m×1)}；定义全部变量集合为{x_1,x_2,…,x_s}；定义λ为Lasso法的惩罚系数；设定相关系数的阈值为H，设定时滞的修正系数为k，设定CNN模型的卷积核尺寸为n×n，设定dropout的概率为p，设定CNN模型迭代训练次数为T，设定建模过程中批处理样本数为K；
步骤(2)，对步骤(1)所述的样本集进行计算得到其均值为μ及标准差为σ，然后剔除样本集中所有不在区间[μ-3σ,μ+3σ]的样本；同时，将样本集划分为训练集及测试集；
步骤(3)，基于步骤(2)中划分的训练集和测试集选用min-max标准化的方法分别对其进行归一化处理；
步骤(4)，对归一化后的训练集建立Lasso回归模型，并且使用10折交叉验证的方法来选出模型最小均方根误差对应的最优惩罚系数λbest；
步骤(5)，以找出的最优惩罚系数λbest建立的Lasso回归模型作为基础，通过回归模型的系数来判断每个变量对建立模型的重要程度，系数为0的变量对模型的回归预测几乎没有作用，将这些变量全部剔除，得到最终保留的变量集合{x_1,x_2,…,x_q}，其中：q≤s；
步骤(6)，对最终筛选出的变量集合{x_1,x_2,…,x_q}进行CCF计算，得到每个变量相对于响应变量Y的时滞及相关系数，找出相关系数大于设定的相关系数阈值H的变量，并以这些变量的最大时滞作为整体的时滞，再乘以修正系数k得到最终时滞t；
步骤(7)，选定步骤(6)计算得到的时滞t作为时间窗长度WL，考虑利用卷积神经网络算法对局部特征提取的特性，将时间窗长度WL范围内的所有样本进行补零处理作为一个输入样本，得到新样本集{X_new，Y_new}；
步骤(8)，将步骤(7)中所得新输入矩阵X_new作为输入变量，对应的输出矩阵Y_new作为目标变量，选定卷积核尺寸，确立网络结构，在网络中的所有卷积层后加入批标准化层，最后在全连接层使用dropout方法；
步骤(9)，将K个样本作为模型批处理的训练样本进行网络训练，迭代训练共T次后得到最终的基于Lasso-CCF-CNN的加氢裂化模型。
在采用上述技术方案的同时，本发明还可以采用或者组合采用以下进一步的技术方案：
优选地，所述步骤(6)中的相关系数阈值H的取值范围优选0.1到0.5之间。
优选地，所述步骤(6)中的修正系数k的取值范围优选1.1到1.3之间。
优选地，所述步骤(8)中的CNN的卷积核尺寸n×n的取值范围优选2×2到5×5之间。
优选地，所述步骤(9)中的批处理样本数K取值范围优选100到200之间。
优选地，所述步骤(9)中的迭代训练次数T取值范围优选500到2000之间。
本发明的第二个目的在于，针对现有技术中存在的不足，提供提供一种基于Lasso-CCF-CNN的加氢裂化模型，以提高加氢裂化装置内新氢流量预测建模的精度和鲁棒性。
为此，本发明的上述目的通过以下技术方案来实现：
一种基于Lasso-CCF-CNN的加氢裂化模型，所述基于Lasso-CCF-CNN的加氢裂化模型由前文所述的基于Lasso-CCF-CNN的加氢裂化模型的建立方法所建立。
本发明提供一种基于Lasso-CCF-CNN的加氢裂化模型及建立方法，具有如下优点：
(1)采用三倍标准差甄别法来剔除异常值样本，减小噪声对所建立的基于Lasso-CCF-CNN的加氢裂化模型的影响；
(2)选择minmax标准化对数据进行归一化处理，能够消除不同量纲带来的影响；
(3)采用Lasso法来筛选变量，能够最大化地甄别出重要变量；
(4)对经过Lasso法所筛选出的变量进行CCF计算，能够实现时序匹配，减少因时滞所造成的模型误差；
(5)选择卷积神经网络算法作为建模方法，能够最大化地利用变量间隐含的时序信息；
(6)本发明所提供的建立方法能够高效地选出最重要的变量，克服变量选择的主观性问题，尽可能多地提取变量间的时序信息，显著地提高模型的精度与鲁棒性。
附图说明
图1为加氢裂化装置内Lasso-CCF-CNN的加氢裂化模型以新氢流量作为输入的预测值与真实值的比较图。
图2为加氢裂化装置内Lasso-CCF-CNN的加氢裂化模型以新氢流量作为输入的预测误差百分比图。
具体实施方式
参照附图和具体实施例对本发明作进一步详细地描述。
在本实施例中，采用加氢裂化装置的生产数据样本来验证本发明。所采集的生产数据样本包含1297条测量数据，采样间隔为10分钟一次，包含50个关联变量及要预测的新氢流量。
针对加氢裂化装置的生产数据样本，实施本发明提出的基于Lasso-CCF-CNN的加氢裂化模型的建立方法，包括如下步骤：
步骤(1)，对于样本个数为1297、变量个数为50、响应变量个数为1的加氢裂化装置生产数据样本集，将样本集表示为{输入矩阵X(1297×50)，输出矩阵Y(1297×1)}；定义全部变量集合为{x_1,x_2,…,x_50}；定义Lasso法的惩罚系数为λ；相关系数的阈值H决定着选择的变量与目标变量间的相关性大小，其取值范围为0.2到0.5之间，在本实施例中设定H＝0.2；时滞的修正系数k取值范围优选在1到1.5之间，k太大则可能导致时滞估计的修正过度，太小则可能无法补全时滞估计的遗漏信息，在本实施例中设定k＝1.1；CNN模型的卷积核尺寸决定着CNN对于局部信息的采集窗口大小，尺寸过大则参数数目较多，提取的特征更为抽象，尺寸过小则需要更多的非线性层，在本实施例中设定n×n＝2×2；dropout的概率p取值范围在0到1之间，它决定了神经元节点消失的比例，在本实施例中设定p＝0.5；此外，在本实施例中，设定模型迭代训练次数T＝1000，设定建模过程中批处理样本数K＝100；
步骤(2)，对步骤(1)所述的样本集进行计算得到其均值为μ及标准差为σ，然后剔除样本集中所有不在区间[μ-3σ,μ+3σ]的样本；同时，将原始的加氢裂化装置的生产数据样本集划分为包含900条训练集样本及397条测试集样本；
步骤(3)，基于步骤(2)中划分的训练集和测试集选用min-max标准化的方法分别对其进行归一化处理，该方法的数学表达式如下；
其中x*表示标准化后的样本数据，max表示样本数据中的最大值，min表示样本数据中的最小值。
步骤(4)，对归一化后的训练集建立Lasso回归模型，Lasso回归模型的具体定义如下：
其中xij是标准化后的观察数据中的第i个样本的第j个特征向量值，yi表示的是第个样本的待预测响应变量的真实值，βj表示第j个特征向量的回归系数，λ表示的是惩罚系数。
接下来使用10折交叉验证的方法来选出模型最小均方根误差对应的最优惩罚系数λbest＝0.486；
步骤(5)，以找出的最优惩罚系数λbest建立的Lasso回归模型作为基础，通过回归模型的系数来判断每个变量对建立模型的重要程度，系数为0的变量对模型的回归预测几乎没有作用，将这些变量全部剔除，得到最终保留的变量集合{x_1,x_2,…,x_6}；
步骤(6)，对最终筛选出的变量集合{x_1,x_2,…,x_6}进行CCF计算，CCF的数学表达式如下：
式中，表示的是时滞为k时x和y之间的相关系数，x和y分别是具有n个观测值的特征变量和响应变量，μx和μy为其对应的期望，σx和σy为其对应方差。
然后可以得到每个变量对应相应变量Y的时滞大小及相关系数，找出相关系数大于设定的相关系数阈值H的变量，并以这些变量的最大时滞为23作为整体的时滞，再乘以修正系数k得到最终时滞t＝25；
步骤(7)，选定步骤(6)计算得到的时滞t作为时间窗长度WL，考虑利用卷积神经网络对局部特征提取的特性，将时间窗长度WL范围内的所有样本进行补零处理作为一个输入样本，得到新样本集{X_new，Y_new}；
步骤(8)，将步骤(7)中所得新输入矩阵X_new作为输入变量，对应的输出矩阵Y_new作为目标变量，选定卷积核尺寸，确立网络结构，在网络中的所有卷积层后加入批标准化层，最后在全连接层使用dropout方法。
步骤(9)，将100个样本作为模型批处理的训练样本进行网络训练，迭代训练共1000次后得到最终的基于Lasso-CCF-CNN的加氢裂化模型。
结果验证：采用上述基于Lasso-CCF-CNN的加氢裂化模型建立新氢流量预测模型。图1为预测模型的预测值与真实值关系，图2为预测模型的误差百分比图。从图中及下面计算的评价指标可知Lasso-CCF-CNN模型对新氢流量的预测精度较高，鲁棒性较佳。
表1中比较了本发明所提供的模型与多元线性回归模型(MLR)、BP人工神经网络模型(BPNN)、循环神经网络模型(RNN)等常用模型，结果表明：本发明所提供的模型采用了较少的变量个数，并获得了均方根误差(RMSE)和平均绝对百分比误差(MAPE)均为最小的理想结果。
表1的结果充分说明：本发明所提供的模型能够高效地选出最重要的变量，提取变量间的时序信息，显著地提高模型的精度与鲁棒性。
表1
本发明在上述具体实施方式中所涉及的装置为加氢裂化装置，仅为优选实施例，具体实施时，本发明所提供的基于Lasso-CCF-CNN的加氢裂化模型也可以用于化工生产、经济市场等时序数据的预测建模。
上述具体实施方式用来解释说明本发明，仅为本发明的优选实施例而已，而不是对本发明进行限制，在本发明的精神和权利要求的保护范围内，对本发明作出的任何修改、等同替换、改进等，都落入本发明的保护范围。
Claims (7)
1.一种基于Lasso-CCF-CNN的加氢裂化模型的建立方法，其特征在于，所述基于Lasso-CCF-CNN的加氢裂化模型的建立方法包括：利用三倍标准差检验法剔除原始数据中的异常值及使用minmax标准化对数据进行归一化处理以消除不同量纲带来的影响；使用Lasso法建立回归模型筛选出最重要的变量；利用CCF对已筛选出的变量计算其时滞及相关系数；按CCF计算出的相关系数对数据进行重新排列，并且以时滞大小作为时间窗长度，将一个时间窗内的数据当成一组输入数据；用以上处理好的输入数据训练卷积神经网络，加入批标准化层和dropout方法进行优化训练，获得最终的基于Lasso-CCF-CNN的加氢裂化模型，具体包括以下步骤：
步骤(1)，对于样本个数为m、自变量个数为s、响应变量个数为1的样本集，将样本集表示为{输入矩阵X(m×s)，输出矩阵Y(m×1)}；定义全部变量集合为{x_1,x_2,…,x_s}；定义λ为Lasso法的惩罚系数；设定相关系数的阈值为H，设定时滞的修正系数为k，设定CNN模型的卷积核尺寸为n×n，设定dropout的概率为p，设定CNN模型迭代训练次数为T，设定建模过程中批处理样本数为K；
步骤(2)，对步骤(1)所述的样本集进行计算得到其均值为μ及标准差为σ，然后剔除样本集中所有不在区间[μ-3σ,μ+3σ]的样本；同时，将样本集划分为训练集及测试集；
步骤(3)，基于步骤(2)中划分的训练集和测试集选用min-max标准化的方法分别对其进行归一化处理；
步骤(4)，对归一化后的训练集建立Lasso回归模型，并且使用10折交叉验证的方法来选出模型最小均方根误差对应的最优惩罚系数λbest；
步骤(5)，以找出的最优惩罚系数λbest建立的Lasso回归模型作为基础，通过回归模型的系数来判断每个变量对建立模型的重要程度，系数为0的变量对模型的回归预测几乎没有作用，将这些变量全部剔除，得到最终保留的变量集合{x_1,x_2,…,x_q}，其中：q≤s；
步骤(6)，对最终筛选出的变量集合{x_1,x_2,…,x_q}进行CCF计算，得到每个变量相对于响应变量Y的时滞及相关系数，找出相关系数大于设定的相关系数阈值H的变量，并以这些变量的最大时滞作为整体的时滞，再乘以修正系数k得到最终时滞t；
步骤(7)，选定步骤(6)计算得到的时滞t作为时间窗长度WL，考虑利用卷积神经网络算法对局部特征提取的特性，将时间窗长度WL范围内的所有样本进行补零处理作为一个输入样本，得到新样本集{X_new，Y_new}；
步骤(8)，将步骤(7)中所得新输入矩阵X_new作为输入变量，对应的输出矩阵Y_new作为目标变量，选定卷积核尺寸，确立网络结构，在网络中的所有卷积层后加入批标准化层，最后在全连接层使用dropout方法；
步骤(9)，将K个样本作为模型批处理的训练样本进行网络训练，迭代训练共T次后得到最终的基于Lasso-CCF-CNN的加氢裂化模型。
2.根据权利要求1所述的基于Lasso-CCF-CNN的加氢裂化模型的建立方法，其特征在于，所述步骤(6)中的相关系数阈值H的取值范围优选0.1到0.5之间。
3.根据权利要求1所述的基于Lasso-CCF-CNN的加氢裂化模型的建立方法，其特征在于，所述步骤(6)中的修正系数k的取值范围优选1.1到1.3之间。
4.根据权利要求1所述的基于Lasso-CCF-CNN的加氢裂化模型的建立方法，其特征在于，所述步骤(8)中的CNN的卷积核尺寸n×n的取值范围优选2×2到5×5之间。
5.根据权利要求1所述的基于Lasso-CCF-CNN的加氢裂化模型的建立方法，其特征在于，所述步骤(9)中的批处理样本数K取值范围优选100到200之间。
6.根据权利要求1所述的基于Lasso-CCF-CNN的加氢裂化模型的建立方法，其特征在于，所述步骤(9)中的迭代训练次数T取值范围优选500到2000之间。
7.一种基于Lasso-CCF-CNN的加氢裂化模型，其特征在于，所述基于Lasso-CCF-CNN的加氢裂化模型由权利要求1-6中任意一项所述的基于Lasso-CCF-CNN的加氢裂化模型的建立方法所建立。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910039551.1A CN109920489A (zh) | 2019-01-16 | 2019-01-16 | 一种基于Lasso-CCF-CNN的加氢裂化模型及建立方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910039551.1A CN109920489A (zh) | 2019-01-16 | 2019-01-16 | 一种基于Lasso-CCF-CNN的加氢裂化模型及建立方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109920489A true CN109920489A (zh) | 2019-06-21 |
Family
ID=66960369
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910039551.1A Pending CN109920489A (zh) | 2019-01-16 | 2019-01-16 | 一种基于Lasso-CCF-CNN的加氢裂化模型及建立方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109920489A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111027193A (zh) * | 2019-12-02 | 2020-04-17 | 浙江工业大学 | 一种基于回归模型的短期水位预测方法 |
| CN111429980A (zh) * | 2020-04-14 | 2020-07-17 | 北京迈高材云科技有限公司 | 一种材料晶体结构特征的自动化获取方法 |
| CN112596391A (zh) * | 2020-12-24 | 2021-04-02 | 中国兵器装备集团自动化研究所 | 一种基于数据驱动的深度神经网络大时滞系统动态建模方法 |
-
2019
- 2019-01-16 CN CN201910039551.1A patent/CN109920489A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111027193A (zh) * | 2019-12-02 | 2020-04-17 | 浙江工业大学 | 一种基于回归模型的短期水位预测方法 |
| CN111429980A (zh) * | 2020-04-14 | 2020-07-17 | 北京迈高材云科技有限公司 | 一种材料晶体结构特征的自动化获取方法 |
| CN112596391A (zh) * | 2020-12-24 | 2021-04-02 | 中国兵器装备集团自动化研究所 | 一种基于数据驱动的深度神经网络大时滞系统动态建模方法 |
| CN112596391B (zh) * | 2020-12-24 | 2022-08-02 | 中国兵器装备集团自动化研究所 | 一种基于数据驱动的深度神经网络大时滞系统动态建模方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110070713B (zh) | 一种基于双向嵌套lstm神经网络的交通流预测方法 | |
| CN112101480B (zh) | 一种多变量聚类与融合的时间序列组合预测方法 | |
| CN109242140A (zh) | 一种基于LSTM_Attention网络的交通流预测方法 | |
| CN110543616B (zh) | 基于工业大数据的smt锡膏印刷体积预测方法 | |
| CN108399248A (zh) | 一种时序数据预测方法、装置及设备 | |
| CN106886846A (zh) | 一种基于长短期记忆循环神经网络的银行网点备付金预测方法 | |
| CN107832897A (zh) | 一种基于深度学习的股票市场预测方法 | |
| CN110739031B (zh) | 一种冶金烧结过程的有监督预测方法、装置及存储介质 | |
| CN109920489A (zh) | 一种基于Lasso-CCF-CNN的加氢裂化模型及建立方法 | |
| CN112232561B (zh) | 基于约束并行lstm分位数回归的电力负荷概率预测方法 | |
| CN113901977A (zh) | 一种基于深度学习的电力用户窃电识别方法及系统 | |
| CN107463993A (zh) | 基于互信息‑核主成分分析‑Elman网络的中长期径流预报方法 | |
| CN113393057A (zh) | 一种基于深度融合机器学习模型的小麦产量集成预测方法 | |
| CN105868164A (zh) | 一种基于有监督的线性动态系统模型的软测量建模方法 | |
| CN111191823A (zh) | 一种基于深度学习的生产物流预测方法 | |
| CN114015825A (zh) | 基于注意力机制的高炉热负荷异常状态监测方法 | |
| CN116187835A (zh) | 一种基于数据驱动的台区理论线损区间估算方法及系统 | |
| CN114548494B (zh) | 一种可视化造价数据预测智能分析系统 | |
| CN115482877A (zh) | 一种基于时序图网络的发酵过程软测量建模方法 | |
| CN115096357A (zh) | 一种基于ceemdan-pca-lstm的室内环境质量预测方法 | |
| CN105354644A (zh) | 一种基于集成经验模态分解和1-范数支持向量机分位数回归的金融时间序列预测方法 | |
| CN117592856A (zh) | 基于石化企业产出量预测的算法流程 | |
| CN116826745A (zh) | 一种电力系统背景下的分层分区短期负荷预测方法及系统 | |
| CN109886316B (zh) | 基于云系相似度权重分配的变压器状态参量组合预测方法 | |
| Müller et al. | Prediction of the load-displacement and local buckling behavior of hollow structural sections using Deep Neural Networks (DNN) |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190621 |
|
| RJ01 | Rejection of invention patent application after publication |