CN110020737B - 粮食温度预测方法与装置 - Google Patents
粮食温度预测方法与装置 Download PDFInfo
- Publication number
- CN110020737B CN110020737B CN201810002535.0A CN201810002535A CN110020737B CN 110020737 B CN110020737 B CN 110020737B CN 201810002535 A CN201810002535 A CN 201810002535A CN 110020737 B CN110020737 B CN 110020737B
- Authority
- CN
- China
- Prior art keywords
- grain
- data
- grain temperature
- temperature
- historical
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/25—Integrating or interfacing systems involving database management systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- 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"
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Strategic Management (AREA)
- Molecular Biology (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- General Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Development Economics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例提供了一种粮食温度预测方法与装置,其中,该方法利用机器学习GBRT算法对历史粮温数据和历史气象数据进行训练,得到各粮食温度层的预测结果;再利用深度学习CNN算法,捕捉各粮食温度层的测温点温度之间的空间关系,预测各粮食温度层的各测温点的温度值,建立预测模型;将当前粮情信息和当前气象数据作为所述预测模型的输入,输出预测的粮食温度。本发明能提高粮食温度预测的精准度。
Description
技术领域
本申请涉及机器学习方法应用领域,尤其涉及一种粮食温度预测方法与装置。
背景技术
我国是粮食和人口大国,2016年全国粮食总产量6.16亿吨,粮食的存储安全影响到国民生计,对于经济健康发展具有重大意义,然而我国每年在存储过程损失掉的粮食超过3500万吨,因此如何在粮食存储安全的条件下,减少存储过程中的粮食损耗,是一个非常有价值的研究问题。
为了保障粮食的品质安全,避免因发热导致粮食损坏变质,就需要进行通风,而通风导致的粮食水分损失就是粮食仓储主要的损失。由于粮食发热的原因复杂,和粮食品种、水分、杂质、虫害都有关联;常规手段比如根据其中某个因素进行单一分析容易遗漏重要的影响因素,得出的结论单薄且片面,导致预测不准;与此同时,如果等待粮食发热时再去进行通风处理,不仅需要耗费更多的人力物力,通风后造成的水分损失也更大;更糟糕的情况是,由于通风不利或者使用了不当的通风手段,造成有害通风,不仅会加大水分损耗,更可能会损坏粮食,减少储粮数量,给企业和国家带来巨大的损失。
因此,需要提出有效的一种粮食温度预测方法与装置。
发明内容
有鉴于此,本发明实施例所解决的技术问题之一在于提供一种粮食温度预测方法与装置,用以克服现有技术中不能准确预测粮食温度的情况。
本申请实施例提供了一种粮食温度预测方法,包括:
利用机器学习GBRT算法对历史粮温数据和历史气象数据进行训练,得到各粮食温度层的预测结果;
再利用深度学习CNN算法,捕捉各粮食温度层的测温点温度之间的空间关系,预测各粮食温度层的各测温点的温度值,建立预测模型;
将当前粮情信息和当前气象数据作为所述预测模型的输入,输出预测的粮食温度。
进一步地,所述粮食温度层包括四个。
进一步地,所述利用机器学习GBRT算法对历史粮温数据和历史气象数据进行训练的步骤之前包括:
对历史粮温数据和历史气象数据进行清洗处理。
进一步地,所述将当前粮情信息和当前气象数据作为所述预测模型的输入的步骤之前包括:
将当前粮情信息和当前气象数据进行清洗处理。
本申请实施例提供了一种粮食温度预测装置,包括:
模型学习模块,用于利用机器学习GBRT算法对历史粮温数据和历史气象数据进行训练,得到各粮食温度层的预测结果;再利用深度学习CNN算法,捕捉各粮食温度层的测温点温度之间的空间关系,预测各粮食温度层的各测温点的温度值,建立预测模型;
预测模块,用于将当前粮情信息和当前气象数据作为所述预测模型的输入,输出预测的粮食温度。
进一步地,所述粮食温度层包括四个。
进一步地,所述的粮食温度预测装置还包括数据预处理模块,用于在所述模型学习模块利用机器学习GBRT算法对历史粮温数据和历史气象数据进行训练之前,对历史粮温数据和历史气象数据进行清洗处理。
进一步地,所述数据预处理模块还用于在所述预测模块将当前粮情信息和当前气象数据作为所述预测模型的输入之前,将当前粮情信息和当前气象数据进行清洗处理。
本申请实施例提供了一种计算机可读存储介质,所述存储介质上存储有计算机程序,所述程序被处理器执行时实现任意一项所述方法的步骤。
本申请实施例提供了一种计算机设备,其特征在于,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述程序时实现任意一项所述方法的步骤。
本申请实施例的粮食温度预测方法与装置,由于利用机器学习算法GBRT和深度学习算法CNN,对历史粮食温度数据和历史气象气温数据进行数据分析和建模,能达到根据当前粮食温度和气象数据来对未来粮食温度预测的目的,提高粮食温度预测的精准度。
附图说明
后文将参照附图以示例性而非限制性的方式详细描述本申请实施例的一些具体实施例。附图中相同的附图标记标示了相同或类似的部件或部分。本领域技术人员应该理解,这些附图未必是按比例绘制的。附图中:
图1是根据本申请实施例一个实施例的粮食温度预测方法的流程图;
图2是根据本申请实施例另一个实施例的粮食温度预测方法的流程图;
图3是根据本申请实施例又一个实施例的粮食温度预测方法的流程图;
图4是根据本申请实施例应用场景中,粮仓的廒间里粮食温度的分层情况示意图;
图5是根据本申请实施例一个实施例的粮食温度预测装置的结构框图。
具体实施方式
实施本发明实施例的任一技术方案必不一定需要同时达到以上的所有优点。
为了使本领域的人员更好地理解本发明实施例中的技术方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本发明实施例一部分实施例,而不是全部的实施例。基于本发明实施例中的实施例,本领域普通技术人员所获得的所有其他实施例,都应当属于本发明实施例保护的范围。
下面结合本发明实施例附图进一步说明本发明实施例具体实现。
实施例一
图1及图2是根据本申请实施例两个实施例的粮食温度预测方法的流程图;如图1及图2所示,粮食温度预测方法可包括:
第1步:利用机器学习GBRT算法对历史粮温数据和历史气象数据进行训练,得到各粮食温度层的预测结果;
对于,机器学习算法渐进梯度回归树GBRT(Gradient Boosting RegressionTree):关于数值预测问题,常见的包括简易平均法(几何平均法、算术平均法及加权平均法)、移动平均法(简单移动平均法和加权移动平均法)、指数平滑法(一次指数平滑法和二次指数平滑法,三次指数平滑法)、线性回归法等。
其中决策树算法往往是机器学习中用来解决这类问题的经典算法。决策树算法有很多良好的特性,例如训练时间复杂度较低,预测的过程比较快速,模型容易展示;同时也有其弊端,容易过拟合,尤其结合已有的数据来看,由于数据缺少等原因,我们发现在一些时间点上拟合误差过大;因此采用模型组合的方式(比如我们采用的Boosting)能很好地解决过拟合的问题。
同时基于已有的历史数据,无论是粮食温度数据还是气象数据,我们发现数据缺失、数据异常、数据重复的情况比较严重;鉴于GBRT在输出空间对于异常值的鲁棒性比较强,故我们使用组合算法梯度提升回归树(GBRT)来训练历史数据。采用Boosting算法,不断使用弱学习器学习上一次学习误差较大的数据点,再集成所有弱学习器的结果,达到整体误差较小的相对满意结果。相比其他机器学习算法,GBRT在粮食层温预测上有比较好的效果。
第2步,再利用深度学习CNN算法,捕捉各粮食温度层的测温点温度之间的空间关系,预测各粮食温度层的各测温点的温度值,建立预测模型;
第3步,将当前粮情信息和当前气象数据作为所述预测模型的输入,输出预测的粮食温度。
对于深度学习算法CNN(Convolutional Neural Network):卷积神经网络(CNN)是神经网络中的一种,本质上是一个多层感知机,它所采用的局部连接和共享权值的方式,这种权值共享网络结构使之更类似于生物神经网络,降低了网络模型的复杂度,减少了权值的数量。降低了过拟合的风险。
对于粮食温度数据来说,它的分布可以看作是二维的,整仓可以由从上到下的四层温度层组成,而每层温度层又是由多个温度点组成的温度面。CNN是一类特别设计用来处理二维数据的多层神经网络,被认为是第一个真正成功的采用多层层次结构网络的具有鲁棒性的深度学习方法。因为我们想利用CNN来挖掘数据中的空间上的相关性,来减少网络中的可训练参数的数量,达到改进前向传播网络的反向传播算法效率。
由于CNN本身可以采用不同的神经元和学习规则的组合形式,具有一些传统技术所没有的优点:良好的容错能力、并行处理能力和自学习能力,可处理环境信息复杂,背景知识不清楚,推理规则不明确情况下的问题,允许样品有较大的缺损、畸变,运行速度快,自适应性能好,具有较高的分辨率;这一点恰好能解决我们面临训练数据缺损、畸变的问题。在CNN中,图像中的小块区域(也叫做“局部感知区域”)被当做层次结构中的底层的输入数据,信息通过前向传播经过网络中的各个层,在每一层中都由过滤器构成,以便能够获得观测数据的一些显著特征。这种方法能够提供一定程度对位移、拉伸和旋转的相对不变性。
因此我们考虑到粮仓测温点之间存在天然的空间位置关系,故选用CNN来捕捉测温点温度之间的空间关系,从而有效的预测粮食层温甚至具体测温点的温度。
一般而言,一年中正常粮温随气及仓温的变化情况具体如下:
粮堆中热的来源包括内热源和外热源。内热源即温季节入库粮的积热和储粮中的微生物、仓虫、粮食联合作用产生的生物生理热。外热源即高温季节,太阳辐射和热空气传导、对流辐射传导热。仓外量传入仓内,以屋面导入为主,占传入总热量的75%以上,进入粮堆的热量也主要来源于粮堆顶部,为四周墙壁传热的16倍。故影响粮食温度的主要因素是外界空气温度。
气温影响仓温,仓温影响粮温。年变振幅是:气温>仓温,仓温>粮温,即仓温滞后于气温,粮温滞后于仓温。上层平均粮温受气温影响最大,中下层最小;各层平均粮温受气温响大小为:上层>中上层>下层>中下层。因此在预测的时候可以粮食温度层设置为四个,具体如图4所示,但不应做限定性理解。
优选地,历史数据一开始作为原始数据需要进行数据清洗,从干净的数据中抽取特征并选择合适的机器学习算法进行训练,得到的模型结果再输入当前数据,就能得到预测的结果,并对结果进行整体评估。其具体流程图如图3所示。即:在利用机器学习GBRT算法对历史粮温数据和历史气象数据进行训练的步骤之前包括:对历史粮温数据和历史气象数据进行清洗处理。以及将当前粮情信息和当前气象数据作为所述预测模型的输入的步骤之前包括:将当前粮情信息和当前气象数据进行清洗处理。
本实施例利用某地历史气象数据和历史粮情数据,通过GBRT算法和CNN算法,得到由历史数据训练的模型,再将当地气象预报数据和当前的粮情数据输入到模型当中,输出粮食温度层和温度点的预测结果;通过本粮温预测方法,能够得出不同粮食温度层的变化,以及潜在异常发热的问题点,能够提前为粮食发热做好准备,将发热范围控制到局部范围内,达到防范于未然的目的。
实施例二
图5是根据本申请实施例一个实施例的粮食温度预测装置的结构框图;图1-图4所示实施例是本实施例对应的执行动作流程及方法,其解释说明可以适用本实施例。如图5所示,粮食温度预测装置可包括:
模型学习模块,用于利用机器学习GBRT算法对历史粮温数据和历史气象数据进行训练,得到各粮食温度层的预测结果;再利用深度学习CNN算法,捕捉各粮食温度层的测温点温度之间的空间关系,预测各粮食温度层的各测温点的温度值,建立预测模型;
预测模块,用于将当前粮情信息和当前气象数据作为所述预测模型的输入,输出预测的粮食温度。
具体地,所述粮食温度层可以包括四个。
优选地,粮食温度预测装置还包括数据预处理模块,用于在所述模型学习模块利用机器学习GBRT算法对历史粮温数据和历史气象数据进行训练之前,对历史粮温数据和历史气象数据进行清洗处理。
具体地,所述数据预处理模块还用于在所述预测模块将当前粮情信息和当前气象数据作为所述预测模型的输入之前,将当前粮情信息和当前气象数据进行清洗处理数据预处理模块采用pandas和numpy等开源工具模型,学习模块采用sk-learn和tensorflow等机器学习开源工具,预测模块分别由BS架构和Web Service架构提供预测服务,其构成分别为Struts2和Axis2。
本实施例通过利用深度学习算法来进行粮温预测,对某粮库的历史粮情数据和当地历史气象数据进行建模,挖掘其隐藏关联,得到影响函数,再将当前粮情信息和气象数据作为输入,最后系统输出预测的粮食温度。通过这套粮情预测技术方案,使得在粮食存储的时候,能够预测粮食发热情况,提前做好相关准备工作,减少人力物力的消耗,同时减少仓储损失,提高粮库经济效益;具有组件的模块化、灵活性、重用性、易访问、易调整以及易管理等特点。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理模块,即可以位于一个地方,或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,所述计算机可读记录介质包括用于以计算机(例如计算机)可读的形式存储或传送信息的任何机制。例如,机器可读介质包括只读存储器(ROM)、随机存取存储器(RAM)、磁盘存储介质、光存储介质、闪速存储介质、电、光、声或其他形式的传播信号(例如,载波、红外信号、数字信号等)等,该计算机软件产品包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本申请实施例的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
本领域的技术人员应明白,本发明实施例的实施例可提供为方法、装置(设备)、或计算机程序产品。因此,本发明实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明实施例是参照根据本发明实施例的方法、装置(设备)和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
Claims (10)
1.一种粮食温度预测方法,其特征在于,包括:
利用机器学习GBRT算法对历史粮温数据和历史气象数据进行训练,得到各粮食温度层的预测结果;
再利用深度学习CNN算法,捕捉各粮食温度层的测温点温度之间的空间关系,预测各粮食温度层的各测温点的温度值,建立预测模型;
将当前粮情信息和当前气象数据作为所述预测模型的输入,输出预测的粮食温度;
其中,利用机器学习GBRT算法对历史粮温数据和历史气象数据进行训练,得到各粮食温度层的预测结果,包括:使用组合算法梯度提升GBRT对历史粮温数据和历史气象数据进行训练,采用Boosting算法,通过弱学习器学习粮食温数据和历史气象数据中误差大于预设值的数据,集成所有弱学习器的结果,得到各粮食温度层的预测结果。
2.如权利要求1所述的粮食温度预测方法,其特征在于,所述粮食温度层包括四个。
3.如权利要求1或2所述的粮食温度预测方法,其特征在于,所述利用机器学习GBRT算法对历史粮温数据和历史气象数据进行训练的步骤之前包括:
对历史粮温数据和历史气象数据进行清洗处理。
4.如权利要求3所述的粮食温度预测方法,其特征在于,所述将当前粮情信息和当前气象数据作为所述预测模型的输入的步骤之前包括:
将当前粮情信息和当前气象数据进行清洗处理。
5.一种粮食温度预测装置,其特征在于,包括:
模型学习模块,用于利用机器学习GBRT算法对历史粮温数据和历史气象数据进行训练,得到各粮食温度层的预测结果;再利用深度学习CNN算法,捕捉各粮食温度层的测温点温度之间的空间关系,预测各粮食温度层的各测温点的温度值,建立预测模型;具体地,利用机器学习GBRT算法对历史粮温数据和历史气象数据进行训练,得到各粮食温度层的预测结果,包括:使用组合算法梯度提升GBRT对历史粮温数据和历史气象数据进行训练,采用Boosting算法,通过弱学习器学习粮食温数据和历史气象数据中误差大于预设值的数据,集成所有弱学习器的结果,得到各粮食温度层的预测结果;
预测模块,用于将当前粮情信息和当前气象数据作为所述预测模型的输入,输出预测的粮食温度。
6.如权利要求5所述的粮食温度预测装置,其特征在于,所述粮食温度层包括四个。
7.如权利要求5或6所述的粮食温度预测装置,其特征在于,还包括数据预处理模块,用于在所述模型学习模块利用机器学习GBRT算法对历史粮温数据和历史气象数据进行训练之前,对历史粮温数据和历史气象数据进行清洗处理。
8.如权利要求7所述的粮食温度预测装置,其特征在于,所述数据预处理模块还用于在所述预测模块将当前粮情信息和当前气象数据作为所述预测模型的输入之前,将当前粮情信息和当前气象数据进行清洗处理。
9.一种计算机可读存储介质,其特征在于,所述存储介质上存储有计算机程序,所述程序被处理器执行时实现权利要求1至4中任意一项所述方法的步骤。
10.一种计算机设备,其特征在于,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述程序时实现权利要求1至4中任意一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810002535.0A CN110020737B (zh) | 2018-01-02 | 2018-01-02 | 粮食温度预测方法与装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810002535.0A CN110020737B (zh) | 2018-01-02 | 2018-01-02 | 粮食温度预测方法与装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110020737A CN110020737A (zh) | 2019-07-16 |
CN110020737B true CN110020737B (zh) | 2021-09-10 |
Family
ID=67187288
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810002535.0A Active CN110020737B (zh) | 2018-01-02 | 2018-01-02 | 粮食温度预测方法与装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110020737B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110850043A (zh) * | 2019-10-24 | 2020-02-28 | 江苏周髀云算数据技术有限公司 | 一种基于gra-bpnn的粮食温湿度预测方法 |
CN111190110A (zh) * | 2020-01-13 | 2020-05-22 | 南京邮电大学 | 综合考虑内外影响因素的锂离子电池soc在线估算方法 |
CN111396266A (zh) * | 2020-03-05 | 2020-07-10 | 浙江运达风电股份有限公司 | 一种基于gbrt的风电机组发电机轴承故障预警方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102156007B (zh) * | 2011-02-14 | 2013-02-20 | 国家粮食局科学研究院 | 粮情预测系统、粮情控制系统及粮堆安全状态判别方法 |
CN102779320A (zh) * | 2012-06-28 | 2012-11-14 | 郑州华粮科技股份有限公司 | 标准化的粮食存储温湿度报警的数学模型系统 |
US9087312B1 (en) * | 2015-01-23 | 2015-07-21 | Iteris, Inc. | Modeling of costs associated with in-field and fuel-based drying of an agricultural commodity requiring sufficiently low moisture levels for stable long-term crop storage using field-level analysis and forecasting of weather conditions, grain dry-down model, facility metadata, and observations and user input of harvest condition states |
CN107527124A (zh) * | 2017-10-13 | 2017-12-29 | 众安信息技术服务有限公司 | 生成行业基本面组合预测模型的方法和装置 |
-
2018
- 2018-01-02 CN CN201810002535.0A patent/CN110020737B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110020737A (zh) | 2019-07-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ibrahim et al. | A novel hybrid model for hourly global solar radiation prediction using random forests technique and firefly algorithm | |
Thai-Nghe et al. | Deep learning approach for forecasting water quality in IoT systems | |
Ibrahim et al. | Machine learning schemes for anomaly detection in solar power plants | |
Liu et al. | A hybrid WA–CPSO-LSSVR model for dissolved oxygen content prediction in crab culture | |
CN110020737B (zh) | 粮食温度预测方法与装置 | |
CN107169598A (zh) | 一种基于深度学习的天气预测方法及系统 | |
Adam et al. | Forecasting of peak electricity demand in Mauritius using the non-homogeneous Gompertz diffusion process | |
Kalinin et al. | Detection of threats in cyberphysical systems based on deep learning methods using multidimensional time series | |
CN114757307B (zh) | 一种人工智能自动训练方法、系统、装置及存储介质 | |
Xu et al. | Prediction of water temperature in prawn cultures based on a mechanism model optimized by an improved artificial bee colony | |
Arai | Intelligent Systems and Applications: Proceedings of the 2022 Intelligent Systems Conference (IntelliSys) Volume 2 | |
Hanifi et al. | Offshore wind power forecasting—A new hyperparameter optimisation algorithm for deep learning models | |
CN107145968A (zh) | 基于bp神经网络的光伏设备生命周期费用预测方法及系统 | |
CN116799796A (zh) | 一种光伏发电功率预测方法、装置、设备及介质 | |
Assareh et al. | The integration of artificial neural networks and particle swarm optimization to forecast world green energy consumption | |
Lin et al. | Dynamic risk assessment of food safety based on an improved hidden Markov model integrating cuckoo search algorithm: A sterilized milk study | |
Belhaj Salah et al. | A greenhouse modeling and control using deep neural networks | |
Mu et al. | An intelligent moisture prediction method for tobacco drying process using a multi-hierarchical convolutional neural network | |
Pachot et al. | Towards sustainable artificial intelligence: an overview of environmental protection uses and issues | |
CN110598947A (zh) | 一种基于改进布谷鸟-神经网络算法的负荷预测方法 | |
Jackman et al. | Application of wireless technologies to forward predict crop yields in the poultry production chain | |
Hu et al. | An edge intelligence-based generative data augmentation system for iot image recognition tasks | |
Zhang et al. | Degradation mechanism detection in photovoltaic backsheets by fully convolutional neural network | |
Xu et al. | A composite quantile regression long short-term memory network with group lasso for wind turbine anomaly detection | |
Rodríguez-López et al. | Methodology for detecting malfunctions and evaluating the maintenance effectiveness in wind turbine generator bearings using generic versus specific models from SCADA data |
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 |