CN110175696A - 一种基于多元回归的渔港船舶进出港动态预测方法及系统 - Google Patents
一种基于多元回归的渔港船舶进出港动态预测方法及系统 Download PDFInfo
- Publication number
- CN110175696A CN110175696A CN201910325183.7A CN201910325183A CN110175696A CN 110175696 A CN110175696 A CN 110175696A CN 201910325183 A CN201910325183 A CN 201910325183A CN 110175696 A CN110175696 A CN 110175696A
- Authority
- CN
- China
- Prior art keywords
- data
- port
- entering
- ship
- fishing
- 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 38
- 230000007613 environmental effect Effects 0.000 claims abstract description 23
- 230000001419 dependent effect Effects 0.000 claims abstract description 11
- 230000002159 abnormal effect Effects 0.000 claims abstract description 7
- 238000005457 optimization Methods 0.000 claims abstract description 6
- 238000013480 data collection Methods 0.000 claims description 9
- 230000010354 integration Effects 0.000 claims description 8
- 238000009826 distribution Methods 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 5
- 238000004220 aggregation Methods 0.000 claims description 4
- 230000002776 aggregation Effects 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 3
- 238000012856 packing Methods 0.000 claims description 3
- 230000005856 abnormality Effects 0.000 claims description 2
- 238000012795 verification Methods 0.000 claims description 2
- 238000006243 chemical reaction Methods 0.000 abstract description 3
- 238000012216 screening Methods 0.000 abstract description 2
- 238000004458 analytical method Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 2
- 238000009412 basement excavation Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Agronomy & Crop Science (AREA)
- General Health & Medical Sciences (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Husbandry (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)
- Complex Calculations (AREA)
Abstract
本发明公开了一种基于多元回归的渔港船舶进出港动态预测方法及系统,所述方法包括:信息采集集成步骤,采集预测所需的数据集,包括实际船舶进出渔港流量和影响停泊的外部环境因素;数据预处理步骤,对采集的数据集进行初步处理、清除异常数据,规范文本格式表达形式和取值范围;多元回归拟合步骤,输入自变量环境数据和因变量船舶进出港数量,计算多元回归函数系数,并进行验证优化,生成预测函数。本发明使用了外部的环境因素作为自变量,并通过筛选转化,降低了模型的复杂程度和计算的时间复杂度,预测出未来一段时间内的渔港进出船舶的数量,为渔港管理提供了更准确的依据。
Description
技术领域
本发明涉及一种计算机数据挖掘领域,尤其是涉及影响渔船进出港口的外部环境因素,包括温度、风速、天气、日期、现有停泊船只数量、历史数据等,并转换成更加直观的函数关系,增强数据的应用性。
背景技术
面对突发的极端天气或者事件,对渔船进出港管理提出了挑战,目前还没有关于渔船进出港预测模型的分析研究。在分析过程中,一个准确有效的预测系统能够帮助渔港管理人员对未来一段时间进出渔港的船舶数量进行直观的认识,以辅助其进一步的管理。
通常,船舶进出港数量缺乏定量的描述,管理人员凭借历史数据对未来一段时间进行定性的分析。一些渔港管理系统提供了常见的历史数据分析和统计,然而对于未来某段时间内进出流量信息不能提供准确的预测。通常采用记录的同期历史管理数据展开分析,形成定性的、模糊的结果,忽略了其他影响渔船停泊的因素,使得结果不够准确。
发明内容
本发明的目的是通过以下技术方案实现的。
在本发明中,开展对渔港渔船出入数据集的研究,确定影响渔船出入港口的因素,提取数据集特征,结合已有的温度、风速、天气、日期、历史数据,进行数据处理,拟合出符合渔船进出港数量分布的模型。
根据本发明的第一个方面,提供了一种基于多元回归的渔港船舶进出港动态预测方法,包括:
信息采集集成步骤,采集预测所需的数据集,包括实际船舶进出渔港流量和影响停泊的外部环境因素;
数据预处理步骤,对采集的数据集进行初步处理、清除异常数据,规范文本格式表达形式和取值范围;
多元回归拟合步骤,输入自变量环境数据和因变量船舶进出港数量,计算多元回归函数系数,并进行验证优化,生成预测函数。
根据本发明的第二个方面,还提供了一种基于多元回归的渔港船舶进出港动态预测系统,包括:
信息采集集成模块,用于采集预测所需的数据集,包括实际船舶进出渔港流量和影响停泊的外部环境因素;
数据预处理模块,用于对采集的数据集进行初步处理、清除异常数据,规范文本格式表达形式和取值范围;
多元数据回归拟合模块,用于输入自变量环境数据和因变量船舶进出港数量,计算多元回归函数系数,并进行验证优化,生成预测函数。
本发明的优点在于:本发明使用了外部的环境因素作为自变量,并通过筛选转化,降低了模型的复杂程度和计算的时间复杂度,预测出未来一段时间内的渔港进出船舶的数量,为渔港管理提供了更准确的依据。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
附图1示出了根据本发明实施例的多元回归渔港船舶进出港动态预测系统示例图;
附图2示出了根据本发明实施例的多元回归渔港船舶进出港动态预测方法流程框图;
附图3示出了根据本发明实施例的多元回归渔港船舶进出港动态预测方法中的信息采集集成步骤的流程框图;
附图4示出了根据本发明实施例的多元回归渔港船舶进出港动态预测方法中的数据预处理步骤的流程框图;
附图5示出了根据本发明实施例的多元回归渔港船舶进出港动态预测方法中的多元数据回归拟合步骤的流程框图;
附图6示出了根据本发明实施例的多元回归渔港船舶进出港动态预测方法的详细流程图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施方式。虽然附图中显示了本公开的示例性实施方式,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施方式所限制。相反,提供这些实施方式是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
如图1所示,本发明公开一种多元回归的渔港船舶进出港动态预测系统,包括:
信息采集集成模块:负责确定采集数据的信息源,并且使用网络爬虫的方式抓取数据,整合成影响渔船进出港的外部因素数据集。
数据预处理模块:负责对采集的数据进行初步处理,包括清除数据集中的异常数据,把天气等文本格式的数据转换成数值形式,并且进行归一化处理。
多元数据回归拟合模块:根据数据集维度,生成回归函数,并且由数据集解析出函数系数。使用预期结果与实际结果的差的平方和作为误差值进行验证,误差较大时继续优化。
如图1所示,如上所述的多元回归渔港船舶进出港动态预测系统中,所述信息采集集成模块包括:数据采集模块:采集系统需要的数据集;数据集成模块:对采集的信息进行处理,去除不相关的部分,提取关键数据,整合成带有映射关系的数据集。
如图1所示,如上所述的多元回归渔港船舶进出港动态预测系统中,所述数据预处理模块包括:数据清洗模块:对采集到的数据集进一步处理,使其符合系统使用需求;数据密度判断模块:对清洗之后的数据进行分布密度分析,按照密度大小,分为高密度数据集和低密度数据集。对高密度的数据进行下一步的数据聚集处理;数据聚集模块:对高密度的数据集分布进行聚类,取中心点作为代表,降低数据密度。
如图1所示,如上所述的多元回归渔港船舶进出港动态预测系统中,所述多元数据回归拟合模块包括:输入模块:根据输入数据的维度,建立对应的多元回归模型;系数解析模块:计算函数预测结果与实际结果的误差平方和,计算出最小值的系数;输出验证模块:对获得的回归函数,使用不同的输入进行验证,如果预测结果与实际结果误差较大,对函数系数进行优化。
如图2所示,以上述系统实现的多元回归渔港船舶进出港动态预测方法包括步骤:
A1.信息采集集成步骤:用于采集系统预测所需的数据集,包括实际船舶进出渔港流量和影响停泊的外部环境因素;
A2.数据预处理步骤:用于对采集的数据集进行初步处理、清除异常数据,规范文本格式表达形式和取值范围;
A3.多元回归拟合步骤:用于输入自变量环境数据和因变量船舶进出港数量,计算多元回归函数系数,并进行验证优化,生成预测准确的函数。
优选的,如上所述的多元回归渔港船舶进出港动态预测方法中,所述信息采集集成步骤如图3所示,包括:
C1.目标数据源确定步骤:用于确定需要采集的数据,天气、风速、温度、日期、历史停泊渔船数量、实际进出渔港船舶数量等;
C2.数据采集步骤:用爬虫的方式从网络上采集需要的数据;
C3.数据集成步骤:对采集的带有特殊格式的数据进行一定处理,提取关键信息,整合成带有映射关系的数据集。
优选的,如上所述的多元回归渔港船舶进出港动态预测方法,所述数据预处理步骤如图4所示,包括:
D1.数据清洗步骤:对数据集所有的数据对象进行处理,包括异常状态的数据识别和清除,天气等文本描述格式的数据转成数值格式,统一不同对象的取值范围;
D2.数据密度判断步骤:根据数据分布的密度进行分类,把数据集分为低密度数据集和高密度数据集;
D3.数据聚集步骤:对高密度的数据集进行聚类,每一类的中心点就是这个类的属性;
D4.数据输出步骤:对两种数据集进行整理,形成新的数据集。
优选的,如上所述的多元回归渔港船舶进出港动态预测方法,所述多元回归拟合步骤如图5所示,包括:
E1.数据输入步骤:根据环境数量,设置对应的多元函数,每一个环境因素代表一个自变量。把数据集转换成空间向量形式。将数据集中的自变量和因变量输入到系统中;
E2.系数解析步骤:对于输入的数据,以函数预测的结果与实际结果的差的平方和作为误差函数,计算误差函数的最小值,取得合适的函数系数。
E3.输出验证步骤:将用来测试的数据输入到生成的多元函数中,计算出预测的渔船进出港数量,与实际的结果进行对比,计算方差。对比方差与期望值,当方差较大时,重新对系数进行解析,并用新的函数验证。
优选的,如上所述的多元回归渔港船舶进出港动态预测方法中,所述D3中的数据处理采用了聚类的方法,E2的系数解析采用了天气、温度等外部环境因素进行分析。
图6示出了根据本发明实施例的多元回归渔港船舶进出港动态预测方法的详细流程图,包括:
B1.确定需要采集的数据源位置,包括天气、温度、风速、历史停泊渔船数量等数据所在的网页地址信息;
B2.使用爬虫的方式从数据源采集数据,并且提取关键信息,把相同日期的数据作为一组,形成完整的数据集;
B3.对数据集进行初步分析,根据局部异常因子的方法,找出数据集中与其他数据比较疏远的点,从数据中删除;
B4.对天气、日期等数据的格式进行转变,定性的文本描述改成合适的定量描述;
B5.通过归一化的方法,统一各个对象的取值范围;
B6.用分类的方法,判断数据集属于高密度数据集还是低密度数据集,对于低密度数据集,步骤跳转到B8,高密度数据集步骤跳转到B7;
B7.对数据集进行聚类,把数据分成多个簇,提取每个簇的中心点作为簇的代表,形成新的数据集;B7的详细过程包括:D={d1,d2,···dm}表示数据集,C={c1,c2…ck}表示k个簇。则
sij=||di-cj||2
其中,sij代表数据di与中心点cj的距离,把di放入到距离最近的中心点的集合。然后重新计算中心点。
其中,Cj是中心点cj的集合。重复这两个步骤,直到集合不再发生变化。
B8.根据不同环境因素作为自变量,进出港流量作为因变量,构建一个多元函数,把数据集中的数据输入到函数中;B8的详细过程包括:Xij表示第i组数据中第j个环境自变量,αi是这个变量的系数,yi是这组环境变量下的预测进出港船舶数量。
y=Xα
其中y是预测的进出港船舶数量,X是环境自变量输入矩阵,α是系数矩阵。
B9.通过函数预测流量结果与实际结果的差平方和作为误差函数,计算出误差函数取最小值时的系数;B9的详细过程包括:是实际进出港船舶数量,则σ2是误差函数:
σ2取最小值时,对每个αi的偏导数都为0,即σ2=0。
R10.对生成的回归函数进行测试,输入测试的因变量数据,获得预测的进出港船舶数量,通过与实际结果对比,若误差较大,转到步骤B9,否则转到R11;
R11.结束。
通过本发明的方法,对外在的环境因素进行分析,获得关于船舶进出港数量的预测模型。该模型反应了数据集整体的分布以及渔港每日进出港船舶数量的分布,为渔港提供渔船未来进出港动态预测信息,为渔港渔船管理提供多维度的数据支持。
以上所述,仅为本发明较佳的具体实施方式,但本发明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发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种基于多元回归的渔港船舶进出港动态预测方法,其特征在于,包括:
信息采集集成步骤,采集预测所需的数据集,包括实际船舶进出渔港流量和影响停泊的外部环境因素;
数据预处理步骤,对采集的数据集进行初步处理、清除异常数据,规范文本格式表达形式和取值范围;
多元回归拟合步骤,输入自变量环境数据和因变量船舶进出港数量,计算多元回归函数系数,并进行验证优化,生成预测函数。
2.如权利要求1所述的渔港船舶进出港动态预测方法,其特征在于,所述信息采集集成步骤包括:
目标数据源确定步骤,确定需要采集的数据,包括天气、风速、温度、日期、历史停泊渔船数量、实际进出渔港船舶数量;
数据采集步骤,采用爬虫的方式从网络上采集需要的数据;
数据集成步骤,对采集的数据进行处理,提取关键信息,整合得到带有映射关系的数据集。
3.如权利要求1或2所述的渔港船舶进出港动态预测方法,其特征在于,所述的数据预处理步骤包括:
数据清洗步骤,对数据集所有的数据对象进行处理,包括异常状态的数据识别和清除,文本描述格式的数据转成数值格式,统一不同对象的取值范围;
数据密度判断步骤,根据数据分布的密度进行分类,把数据集分为低密度数据集和高密度数据集;
数据聚集步骤,对高密度的数据集进行聚类,取每一类的中心点作为该类的属性;
数据输出步骤,对低密度数据集和高密度数据集进行整理,形成新的数据集。
4.如权利要求3所述的渔港船舶进出港动态预测方法,其特征在于,所述多元回归拟合步骤包括:
数据输入步骤,根据环境因素数量,设置对应的多元函数,每一个环境因素代表一个自变量,把数据集转换成空间向量形式,输入数据集中的自变量和因变量;
系数解析步骤,对于输入的数据,以函数预测的结果与实际结果的差的平方和作为误差函数,计算误差函数的最小值,取得对应的函数系数;
输出验证步骤,将用来测试的数据输入到生成的多元函数中,计算出预测的渔船进出港数量。
5.如权利要求3所述的渔港船舶进出港动态预测方法,其特征在于,所述数据清洗步骤包括:根据局部异常因子的方法,找出数据集中与其他数据疏远的点,从数据中删除。
6.如权利要求3所述的渔港船舶进出港动态预测方法,其特征在于,
所述数据聚集步骤,包括;
设D={d1,d2,···dm}表示数据集,C={c1,c2…ck}表示k个簇,则
sij=||di-cj||2
其中,sij代表数据di与中心点cj的距离,把di放入到距离最近的中心点的集合,然后重新计算中心点;
其中,Cj是中心点cj的集合。
7.如权利要求4所述的渔港船舶进出港动态预测方法,其特征在于,
所述数据输入步骤包括:设Xij表示第i组数据中第j个环境自变量,αi是该变量的系数,yi是这组环境变量下的预测进出港船舶数量,则
y=Xα
其中y是预测的进出港船舶数量,X是环境自变量输入矩阵,α是系数矩阵。
8.如权利要求7所述的渔港船舶进出港动态预测方法,其特征在于,
所述系数解析步骤包括:设是实际进出港船舶数量,σ2是误差函数:
σ2取最小值时,对每个αi的偏导数都为0,即σ′2=0。
9.一种基于多元回归的渔港船舶进出港动态预测系统,其特征在于,包括:
信息采集集成模块,用于采集预测所需的数据集,包括实际船舶进出渔港流量和影响停泊的外部环境因素;
数据预处理模块,用于对采集的数据集进行初步处理、清除异常数据,规范文本格式表达形式和取值范围;
多元数据回归拟合模块,用于输入自变量环境数据和因变量船舶进出港数量,计算多元回归函数系数,并进行验证优化,生成预测函数。
10.如权利要求9所述的渔港船舶进出港动态预测系统,其特征在于,所述多元数据回归拟合模块包括:
输入模块,用于根据环境因素数量,设置对应的多元函数,每一个环境因素代表一个自变量,把数据集转换成空间向量形式,输入数据集中的自变量和因变量;
系数解析模块,对于输入的数据,以函数预测的结果与实际结果的差的平方和作为误差函数,计算误差函数的最小值,取得对应的函数系数;
输出验证模块:用于将用来测试的数据输入到生成的多元函数中,计算出预测的渔船进出港数量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910325183.7A CN110175696B (zh) | 2019-04-22 | 2019-04-22 | 一种基于多元回归的渔港船舶进出港动态预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910325183.7A CN110175696B (zh) | 2019-04-22 | 2019-04-22 | 一种基于多元回归的渔港船舶进出港动态预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110175696A true CN110175696A (zh) | 2019-08-27 |
CN110175696B CN110175696B (zh) | 2020-03-27 |
Family
ID=67689766
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910325183.7A Expired - Fee Related CN110175696B (zh) | 2019-04-22 | 2019-04-22 | 一种基于多元回归的渔港船舶进出港动态预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110175696B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111307199A (zh) * | 2019-12-05 | 2020-06-19 | 北京普源精电科技有限公司 | 一种具有预测装置的电子测量仪及电子测量仪的预测方法 |
CN114066303A (zh) * | 2021-11-25 | 2022-02-18 | 交通运输部规划研究院 | 一种基于ais的港口规划适应性分析方法及系统 |
CN117273199A (zh) * | 2023-08-29 | 2023-12-22 | 长江水上交通监测与应急处置中心 | 一种航运信息动态监测及超前预报方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101329696A (zh) * | 2007-11-16 | 2008-12-24 | 武汉理工大学 | 进港航道通过能力计算模型及预测仿真方法 |
CN101344937A (zh) * | 2007-11-16 | 2009-01-14 | 武汉理工大学 | 基于地理信息系统的水上交通风险评价及预测方法 |
US20170325427A1 (en) * | 2016-05-13 | 2017-11-16 | Farmpod, Llc | Automated, modular, self-contained, aquaponics growing system and method |
CN109146179A (zh) * | 2018-08-23 | 2019-01-04 | 交通运输部天津水运工程科学研究所 | 沿海港口船舶作业条件监测预警方法 |
KR101949237B1 (ko) * | 2018-02-07 | 2019-02-18 | 최용호 | 해묘의 배수구를 조절하는 장치 |
-
2019
- 2019-04-22 CN CN201910325183.7A patent/CN110175696B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101329696A (zh) * | 2007-11-16 | 2008-12-24 | 武汉理工大学 | 进港航道通过能力计算模型及预测仿真方法 |
CN101344937A (zh) * | 2007-11-16 | 2009-01-14 | 武汉理工大学 | 基于地理信息系统的水上交通风险评价及预测方法 |
US20170325427A1 (en) * | 2016-05-13 | 2017-11-16 | Farmpod, Llc | Automated, modular, self-contained, aquaponics growing system and method |
KR101949237B1 (ko) * | 2018-02-07 | 2019-02-18 | 최용호 | 해묘의 배수구를 조절하는 장치 |
CN109146179A (zh) * | 2018-08-23 | 2019-01-04 | 交通运输部天津水运工程科学研究所 | 沿海港口船舶作业条件监测预警方法 |
Non-Patent Citations (4)
Title |
---|
B PLANQUE: "Quantile regression models for fish recruitment-environment relationships:four case studies", 《MARINE ECOLOGY PROGRESS SERIES》 * |
刘敬贤: "基于广义回归神经网络的船舶交通量预测模型", 《中国航海》 * |
王东: "基于影响因素分析的船舶交通流量预测多元线性回归模型", 《船海工程》 * |
蒋庆朝: "基于地理位置的跨领域渔业科学数据推荐算法研究", 《渔业现代化》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111307199A (zh) * | 2019-12-05 | 2020-06-19 | 北京普源精电科技有限公司 | 一种具有预测装置的电子测量仪及电子测量仪的预测方法 |
CN114066303A (zh) * | 2021-11-25 | 2022-02-18 | 交通运输部规划研究院 | 一种基于ais的港口规划适应性分析方法及系统 |
CN114066303B (zh) * | 2021-11-25 | 2022-07-19 | 交通运输部规划研究院 | 一种基于ais的港口规划适应性分析方法及系统 |
CN117273199A (zh) * | 2023-08-29 | 2023-12-22 | 长江水上交通监测与应急处置中心 | 一种航运信息动态监测及超前预报方法及系统 |
CN117273199B (zh) * | 2023-08-29 | 2024-04-02 | 长江水上交通监测与应急处置中心 | 一种航运信息动态监测及超前预报方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110175696B (zh) | 2020-03-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8868985B2 (en) | Supervised fault learning using rule-generated samples for machine condition monitoring | |
CN109657947B (zh) | 一种面向企业行业分类的异常检测方法 | |
CN110175696A (zh) | 一种基于多元回归的渔港船舶进出港动态预测方法及系统 | |
CN112115331B (zh) | 基于分布式网络爬虫与nlp的资本市场舆情监测方法 | |
Xu et al. | A data-driven approach for constructing the component-failure mode matrix for FMEA | |
CN105518656A (zh) | 用于多传感器数据融合的认知神经语言学行为辨识系统 | |
CN116894152B (zh) | 一种多源数据调研与实时分析方法 | |
CN109981625A (zh) | 一种基于在线层次聚类的日志模板抽取方法 | |
CN111709554A (zh) | 一种配电网净负荷联合预测的方法及系统 | |
CN111368911A (zh) | 一种图像分类方法、装置和计算机可读存储介质 | |
Xie et al. | Logm: Log analysis for multiple components of hadoop platform | |
CN112308230A (zh) | 一种资产管理全生命周期知识库的构建及应用方法 | |
CN116976318A (zh) | 基于深度学习和模型推理的电网倒闸操作票智能审核系统 | |
Tang et al. | Self-supervised anomaly pattern detection for large scale industrial data | |
CN111125186A (zh) | 一种基于调查问卷的数据处理方法及系统 | |
CN113807704A (zh) | 一种城市轨道交通数据的智能算法平台构建方法 | |
Naqvi et al. | Generating semantic matches between maintenance work orders for diagnostic decision support | |
Bull et al. | A sampling-based approach for information-theoretic inspection management | |
Liu et al. | [Retracted] An Accurate Method of Determining Attribute Weights in Distance‐Based Classification Algorithms | |
CN113377746B (zh) | 一种试验报告数据库构建和智能诊断分析系统 | |
CN115831339B (zh) | 基于深度学习的医疗系统风险管控事前预测方法、系统 | |
CN117976198B (zh) | 基于数据筛选和对抗网络的医学跨域辅助诊断方法及装置 | |
CN113378560B (zh) | 一种基于自然语言处理的试验报告智能诊断分析方法 | |
Vicentin et al. | Comparative case study of finite mixture and T 2-Hotelling control charts for multiple stream monitoring | |
Wang et al. | A distributed expectation maximization-principal component analysis monitoring scheme for the large-scale industrial process with incomplete information |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200327 Termination date: 20210422 |