CN110619418A - 一种基于混合模型组合算法的多特征水质预测方法 - Google Patents
一种基于混合模型组合算法的多特征水质预测方法 Download PDFInfo
- Publication number
- CN110619418A CN110619418A CN201910681939.1A CN201910681939A CN110619418A CN 110619418 A CN110619418 A CN 110619418A CN 201910681939 A CN201910681939 A CN 201910681939A CN 110619418 A CN110619418 A CN 110619418A
- Authority
- CN
- China
- Prior art keywords
- water quality
- prediction
- data
- algorithm
- model
- 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
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 92
- 238000000034 method Methods 0.000 title claims abstract description 62
- 241000728173 Sarima Species 0.000 claims abstract description 28
- 238000010606 normalization Methods 0.000 claims abstract description 9
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 238000012549 training Methods 0.000 claims description 13
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 7
- 239000001301 oxygen Substances 0.000 claims description 7
- 229910052760 oxygen Inorganic materials 0.000 claims description 7
- XKMRRTOUMJRJIA-UHFFFAOYSA-N ammonia nh3 Chemical compound N.N XKMRRTOUMJRJIA-UHFFFAOYSA-N 0.000 claims description 3
- 238000004090 dissolution Methods 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 2
- GPRLSGONYQIRFK-UHFFFAOYSA-N hydron Chemical compound [H+] GPRLSGONYQIRFK-UHFFFAOYSA-N 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 8
- 238000005259 measurement Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000011161 development Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000007418 data mining Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012851 eutrophication Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 229930002868 chlorophyll a Natural products 0.000 description 1
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000002779 inactivation Effects 0.000 description 1
- 230000003211 malignant effect Effects 0.000 description 1
- 244000005700 microbiome Species 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 239000013535 sea water Substances 0.000 description 1
- 239000002352 surface water Substances 0.000 description 1
- 238000003911 water pollution Methods 0.000 description 1
Classifications
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
-
- 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
- Y02A20/00—Water conservation; Efficient water supply; Efficient water use
- Y02A20/152—Water filtration
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Tourism & Hospitality (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Public Health (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及水质环境测量领域，本发明提出的一种基于混合模型组合算法的多特征水质预测方法，包括：S1、建立水质预测数据集；S2、对数据集进行预处理，包括去噪、缺失值填充和数据归一化操作；S3、基于SARIMA和LSTM组合多特征预测方法构建水质预测模型；S4、使用上述水质预测模型预测未来一段时间内水质变化趋势。该方法将序列分为两部分来处理，其中SARIMA算法处理目标序列线性信息，LSTM算法结合水质和天气影响因素来处理目标序列复杂多变的非线性部分信息，最后对两部分信息做融合得到完整预测值。
Description
技术领域
本发明涉及水质环境测量领域，具体涉及一种基于SARIMA和LSTM组合算法的多特征水质预测方法。
背景技术
现代科技的进步发展是以自然资源的不断消耗为代价的，水质环境保护在当代社会显得越来越重要。在实际工作中，水质监测主要还是依靠人工判断，缺乏有效的预警体系，且监察不当容易导致环境的恶性发展，因此，环境保护工作中发展更敏捷、更智能的监测手段也变得越来越有必要。
目前智能检测方法使用技术主要分为了传统时间序列预测方法、机器学习方法、深度学习方法及各类组合方法。传统时间序列预测方法能够利用数据间的线性关系，很好地捕捉其线性动态发展趋势，因其简单、易操作的特性，此类模型在时间序列预测领域应用非常广泛，但是，对于复杂非线性特征，它无法捕捉到不稳定数据间的规律，因此传统时序模型还是存在不足。例如，单独的SARIMA 算法擅长于线性预测，不能很好地处理数据中非线性信息，而LSTM算法虽然具有强大的数据挖掘能力，但模型训练复杂度高，且因数据量大小限制，容易造成模型过度拟合。
由于水环境生态系统组成成分复杂，水质影响因素通常会表现为某一个特征内具有较强时间依赖性，特征之间又有相互作用、相互反映的特性。但目前的水质预测方法中，包括传统时间序列预测方法、机器学习方法以及深度学习方法，都只针对水质中某一个因素做预测，而忽略了与其紧密关联的其他影响因素。
发明内容
本发明的目的是提供一种基于混合模型组合算法的多特征水质预测方法，其避免了LSTM算法需要大量数据样本的局限性，同时，既可以利用好SARIMA算法的线性部分处理优势，得到一个可解释性线性预测结果，又能够在此基础上，通过LSTM算法融合目标预测特征的相关天气、水质影响因素，抓取在SARIMA算法中被忽视的非线性信息，对数据非线性部分做单独处理，在两部分信息都被充分挖掘的情况下，得到一个更精确的预测值。
本发明提出的一种基于混合模型组合算法的多特征水质预测方法，包括：
S1、建立水质预测数据集；
S2、对数据集进行预处理，包括去噪、缺失值填充和数据归一化操作；
S3、基于SARIMA和LSTM组合多特征预测方法构建水质预测模型；
S4、使用上述水质预测模型预测未来一段时间内水质变化趋势。
本发明一种基于混合模型组合算法的多特征水质预测方法的有益效果：该方法将序列分为两部分来处理，其中SARIMA算法处理目标序列线性信息，LSTM算法结合水质和天气影响因素来处理目标序列复杂多变的非线性部分信息，最后对两部分信息做融合得到完整预测值。这样选择是由于SARIMA算法擅长于线性预测，不能很好地处理数据中非线性信息，而LSTM算法虽然具有强大的数据挖掘能力，但模型训练复杂度高，且因数据量大小限制，容易造成模型过拟合。故选择引入LSTM算法辅助SARIMA算法提高其预测精度，该混合算法从理论上来说，首先避免了LSTM算法需要大量数据样本的局限性，同时，既可以利用好SARIMA 算法的线性部分处理优势，得到一个可解释性线性预测结果，又能够在此基础上，通过LSTM算法抓取在SARIMA算法中被忽视的非线性信息，对数据非线性部分做单独处理，在两部分信息都被充分挖掘的情况下，得到一个更精确的预测值。因此，该方法能够使训练出的模型具有更优的拟合效果，在实际水质预测过程中取得更好的精度。
附图说明
图1为本发明一种基于混合模型组合算法的多特征水质预测方法的 SARIMA-LSTM多特征预测模型框架图；
图2为本发明一种基于混合模型组合算法的多特征水质预测方法的SARIMA 建模过程图；
图3为本发明一种基于混合模型组合算法的多特征水质预测方法的LSTM网络结构；
图4为本发明一种基于混合模型组合算法的多特征水质预测方法的多特征SARIMA-LSTM预测结果图；
图5为本发明一种基于混合模型组合算法的多特征水质预测方法的单特征SARIMA模型预测结果图；
图6为本发明一种基于混合模型组合算法的多特征水质预测方法的多特征 LSTM模型预测结果图；
图7为本发明一种基于混合模型组合算法的多特征水质预测方法的单特征SARIMA-LSTM模型预测结果图。
具体实施方式
下面结合附图和具体实施例对本发明的一种基于混合模型组合算法的多特征水质预测方法作进一步的说明。
一种基于混合模型组合算法的多特征水质预测方法，包括：
S1、建立水质预测数据集；
a)收集n年内目标区域水质数据和区域天气数据。
b)确定训练集中的有效特征。在水质预测模型中，水质数据集有效特征包括氢离子浓度指数(pH)、氧溶解量(DO)、高锰酸盐指数(CODMn)和氨氮含量 (NH3-N)等水质相关指标，天气数据集有效特征包括大气温度(T)、海平面大气压(P)、风速(F)、降雨量(R)等天气相关指标。
c)将n年内水质数据中的某项指标(该指标应与水质污染情况呈较强正负相关性，如高锰酸盐指数)作为目标预测数据列，标记为数据序列Y；将其他水质、天气数据按时间一一对应整合为数据集X。
S2、对数据进行预处理，包括去噪、缺失值填充和数据归一化操作；
数据去噪：数据在建模前，可能存在大量噪声，需要采用去噪算法对原始数据进行去噪处理；常见的去噪方法有：三标准差去噪，分箱去噪，dbscan去噪，孤立森林等。
缺失值填充：数据集在建模前，可能存在部分值的缺失，需要采用填充缺失值的方式对原始数据进行缺失值填充处理；常见的缺失值填充方法有：使用属性的中心度量(如均值或中位数)填充缺失值：对于正常的(对称的)数据分布而言，可以使用均值，而倾斜数据分布应该使用中位数，还可以用回归、贝叶斯形式化方法的基于推理的工具或决策树归纳确定。
数据归一化：将数据经过处理之后限定到一定的范围内，一般都会将数据限定到[0,1]。数据归一化的目的，就是将数据的所有特征都映射到同一尺度上，这样可以避免由于量纲的不同使数据的某些特征形成主导作用。数据归一化的方法主要有两种：最值归一化和均值方差归一化。
S3、基于SARIMA和LSTM组合多特征预测方法构建水质预测模型；(模型主要分为三个部分，如图1)
d)令时间序列表示为T＝{t1,…,tn}，训练特征(包括水质、天气相关影响特征)表示为F＝{f1,…,fm}，则数据集X可以表示为
数据集Y可以表示为
e)首先利用SARIMA算法对步骤a中数据集Y做l步预测，得到初始预测序列同时，获得序列训练残差r＝{r1,…,rn}，此部分即为模型线性预测部分。(训练过程如图2)
f)然后针对加入残差序列的新训练数据集用LSTM算法对r做l步预测得到残差预测序列LSTM算法中将构造一个含有两个隐含层的LSTM网络，并在第一层中应用dropout技术，第二层为一个全连接层此部分即为模型非线性预测部分，这里加入了“多特征”因素帮助模型提高预测精度。(LSTM网络结构如图3)dropout：“随机失活(dropout)是对具有深度结构的人工神经网络进行优化的方法，在学习过程中通过将隐含层的部分权重或输出随机归零，降低节点间的相互依赖性从而实现神经网络的正则化，降低其结构风险”。
对步骤b和步骤c中得到的预测值相加，得到最终的水质特征预测值此部分即为模型数据融合部分。
S4、使用上述水质预测模型预测未来一段时间内水质变化趋势。(具体应用) 根据目标预测特征浓度值与水质级别间的关系(这里列出几个典型特征如表1、表2)，由特征浓度值变化情况判断水质变化趋势。
表1：海水水质标准(单位：mg/L)
表2：地表水环境质量标准(单位：mg/L)
本专利提出了一种结合天气因素的多特征水质预测方法。由于天气变化、气象灾害等都会对当地水域水质产生影响，如空气温度与水温、水体pH、化学需氧量、叶绿素a浓度等水质重要指标都关系密切；气温升高会影响水体表面张力，改变水温分布，加速水中化学反应等过程，容易导致水质变坏、加剧水体富营养化；气压不仅与空气湿度息息相关，影响区域降水，还和水中氧溶解量一定程度上呈正相关性，气压越低，水中氧气含量也会减少；水中各类特征间又表现为特征内具有强时间依赖性以及特征间互相作用、互相反映的特性，如NH3-N含量过高即表示水中微生物大量繁殖，水体质量趋向恶化，呈富营养化状态，此时水中化学需氧量升高，气温升高导致水温升高，使氧溶解量相对增大。同时，由于水环境生态系统的自我调节、自我修复能力，每种特征都随时间发生一定的变化。所以，本专利所提出的方法能够有效地利用特征间的相互关系，为目标特征序列的预测提供数据支持。
本专利提出了一种基于SARIMA和LSTM组合多特征水质预测方法。该方法将序列分为两部分来处理，其中SARIMA算法处理目标序列线性部分信息，LSTM算法结合水质和天气影响因素来处理目标序列复杂多变的非线性部分信息，最后对两部分信息做融合得到完整预测值。这样选择是由于SARIMA算法擅长于线性预测，不能很好地处理数据中非线性信息，而LSTM算法虽然具有强大的数据挖掘能力，但模型训练复杂度高，且因数据量大小限制，容易造成模型过拟合。故选择引入LSTM算法辅助SARIMA算法提高其预测精度，该混合算法从理论上来说，首先避免了LSTM算法需要大量数据样本的局限性，同时，既可以利用好SARIMA算法的线性处理优势，得到一个可解释性线性部分预测结果，又能够在此基础上，通过LSTM算法抓取在SARIMA算法中被忽视的非线性信息，对数据非线性部分做单独处理，在两部分信息都被充分挖掘的情况下，得到一个更精确的预测值。因此，该方法能够使训练出的模型具有更优的拟合效果，在实际水质预测过程中取得更好的精度。
基于SARIMA和LSTM组合算法的多特征水质预测模型预测结果如图4所示，其对照实验如图5-7所示，其中，图5表示单特征SARIMA模型，图6表示多特征LSTM模型，图7表示单特征SARIMA-LSTM模型。以北仑河口水质预测为例，画出两个预测指标(左：高锰酸盐指数CODMn，右：氨氮含量NH3-N)用不同预测方法得到的预测结果图。综上可以看出，单特征SARIMA模型存在比较大的预测误差，并且难以学习到天气等突然的变化带来的影响，预测效果极不稳定；LSTM 模型虽为孤立模型，但由于多特征的补充增强效应，使其在预测误差测定中略微优于混合单特征SARIMA-LSTM模型；而本专利所提出的多特征SARIMA-LSTM组合模型在加入其它相关影响因素后，有了更多的训练特征，LSTM模型的训练能力被明显加强，预测效果得到了很大提升，相较于其他几个实验中的结果，它不仅能够精确地预测出序列的发展趋势，也更加减小了预测误差，总体表现良好。
Claims (4)
1.一种基于混合模型组合算法的多特征水质预测方法，其特征在于，包括：
S1、建立水质预测数据集；
S2、对数据集进行预处理，包括去噪、缺失值填充和数据归一化操作；
S3、基于SARIMA和LSTM组合多特征预测方法构建水质预测模型；
S4、使用上述水质预测模型预测未来一段时间内水质变化趋势。
2.如权利要求1所述的一种基于混合模型组合算法的多特征水质预测方法，其特征在于，S1包括：
S01、收集n年内目标区域水质数据和区域天气数据；
S02、确定训练集中的有效特征；在水质预测模型中，水质数据集有效特征包括氢离子浓度指数、氧溶解量、高锰酸盐指数和氨氮含量指标，天气数据集有效特征包括大气温度、海平面大气压、风速、降雨量指标；
S03、将n年内水质数据中的某项指标作为目标预测数据列，标记为数据序列Y；将其他水质、天气数据按时间一一对应整合为数据集X。
3.如权利要求1所述的一种基于混合模型组合算法的多特征水质预测方法，其特征在于，S3包括：
a)令时间序列表示为T＝{t1,…,tn}，水质、天气相关影响特征表示为F＝{f1,…,fm}，则数据集X表示为
数据集Y表示为
b)首先利用SARIMA算法对步骤a中数据集Y做l步预测，得到初始预测序列同时，获得序列训练残差r＝{r1,…,rn}，此部分即为模型线性预测部分。
c)然后针对加入残差序列的新训练数据集用LSTM算法对r做l步预测得到残差预测序列LSTM算法中将构造一个含有两个隐含层的LSTM网络，并在第一层中应用dropout技术，第二层为一个全连接层。
对步骤b和步骤c中得到的预测值相加，得到最终的水质特征预测值此部分即为模型数据融合部分。
4.如权利要求1或3所述的一种基于混合模型组合算法的多特征水质预测方法，其特征在于，S4包括：
根据目标预测特征值与水质类别之间的关系，由特征值变化情况判断水质变化趋势。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910681939.1A CN110619418A (zh) | 2019-07-26 | 2019-07-26 | 一种基于混合模型组合算法的多特征水质预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910681939.1A CN110619418A (zh) | 2019-07-26 | 2019-07-26 | 一种基于混合模型组合算法的多特征水质预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110619418A true CN110619418A (zh) | 2019-12-27 |
Family
ID=68921569
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910681939.1A Pending CN110619418A (zh) | 2019-07-26 | 2019-07-26 | 一种基于混合模型组合算法的多特征水质预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110619418A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111693667A (zh) * | 2020-05-06 | 2020-09-22 | 杭州电子科技大学 | 一种基于门控递归阵列水质检测系统及方法 |
| CN113484257A (zh) * | 2021-06-24 | 2021-10-08 | 北京市生态环境监测中心 | 基于神经网络和全光谱吸光度的水质浓度计算系统及方法 |
| CN113887119A (zh) * | 2020-07-03 | 2022-01-04 | 中国科学院沈阳计算技术研究所有限公司 | 一种基于sarima-lstm的河流水质预测方法 |
| CN116842444A (zh) * | 2023-07-03 | 2023-10-03 | 海南大学 | 一种基于eemd-ceemdan结合lstm的混合时间序列数据预测方法 |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105023071A (zh) * | 2015-08-14 | 2015-11-04 | 中国科学院重庆绿色智能技术研究院 | 一种基于高斯云变换和模糊时间序列的水质预测方法 |
| CN107292383A (zh) * | 2017-07-06 | 2017-10-24 | 郑保宁 | 基于深度学习算法与混合整数线性规划相结合的水质波动区间预测方法 |
| CN107688871A (zh) * | 2017-08-18 | 2018-02-13 | 中国农业大学 | 一种水质预测方法和装置 |
| CN108304355A (zh) * | 2018-02-08 | 2018-07-20 | 北京工业大学 | 一种基于sarima-wnn模型预测弹性云计算资源的方法 |
| CN108665100A (zh) * | 2018-05-09 | 2018-10-16 | 中国农业大学 | 一种水体水质预测方法、系统及装置 |
| CN108665106A (zh) * | 2018-05-15 | 2018-10-16 | 中国农业大学 | 一种水产养殖溶解氧预测方法及装置 |
| CN108764520A (zh) * | 2018-04-11 | 2018-11-06 | 杭州电子科技大学 | 一种基于多层循环神经网络和d-s证据理论的水质参数预测方法 |
| CN108921279A (zh) * | 2018-03-26 | 2018-11-30 | 西安电子科技大学 | 水库日入水量预测方法 |
| CN109002917A (zh) * | 2018-07-13 | 2018-12-14 | 山东省农业信息中心 | 基于lstm神经网络的粮食总产量多维时间序列预测方法 |
| US20190001960A1 (en) * | 2017-06-30 | 2019-01-03 | Hyundai Motor Company | Hybrid vehicle and method of performing temperature control therefor |
| CN109145499A (zh) * | 2018-09-13 | 2019-01-04 | 江苏卓易信息科技股份有限公司 | 基于河道多态计算及Arima模型的权重组合水质预测方法 |
| US20190050515A1 (en) * | 2018-06-27 | 2019-02-14 | Intel Corporation | Analog functional safety with anomaly detection |
| CN109684310A (zh) * | 2018-11-22 | 2019-04-26 | 安徽继远软件有限公司 | 一种基于大数据分析的信息系统性能态势感知方法 |
| CN109785003A (zh) * | 2019-01-17 | 2019-05-21 | 四川骏逸富顿科技有限公司 | 一种药品零售行业药品销售预测系统及方法 |
-
2019
- 2019-07-26 CN CN201910681939.1A patent/CN110619418A/zh active Pending
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105023071A (zh) * | 2015-08-14 | 2015-11-04 | 中国科学院重庆绿色智能技术研究院 | 一种基于高斯云变换和模糊时间序列的水质预测方法 |
| US20190001960A1 (en) * | 2017-06-30 | 2019-01-03 | Hyundai Motor Company | Hybrid vehicle and method of performing temperature control therefor |
| CN107292383A (zh) * | 2017-07-06 | 2017-10-24 | 郑保宁 | 基于深度学习算法与混合整数线性规划相结合的水质波动区间预测方法 |
| CN107688871A (zh) * | 2017-08-18 | 2018-02-13 | 中国农业大学 | 一种水质预测方法和装置 |
| CN108304355A (zh) * | 2018-02-08 | 2018-07-20 | 北京工业大学 | 一种基于sarima-wnn模型预测弹性云计算资源的方法 |
| CN108921279A (zh) * | 2018-03-26 | 2018-11-30 | 西安电子科技大学 | 水库日入水量预测方法 |
| CN108764520A (zh) * | 2018-04-11 | 2018-11-06 | 杭州电子科技大学 | 一种基于多层循环神经网络和d-s证据理论的水质参数预测方法 |
| CN108665100A (zh) * | 2018-05-09 | 2018-10-16 | 中国农业大学 | 一种水体水质预测方法、系统及装置 |
| CN108665106A (zh) * | 2018-05-15 | 2018-10-16 | 中国农业大学 | 一种水产养殖溶解氧预测方法及装置 |
| US20190050515A1 (en) * | 2018-06-27 | 2019-02-14 | Intel Corporation | Analog functional safety with anomaly detection |
| CN109002917A (zh) * | 2018-07-13 | 2018-12-14 | 山东省农业信息中心 | 基于lstm神经网络的粮食总产量多维时间序列预测方法 |
| CN109145499A (zh) * | 2018-09-13 | 2019-01-04 | 江苏卓易信息科技股份有限公司 | 基于河道多态计算及Arima模型的权重组合水质预测方法 |
| CN109684310A (zh) * | 2018-11-22 | 2019-04-26 | 安徽继远软件有限公司 | 一种基于大数据分析的信息系统性能态势感知方法 |
| CN109785003A (zh) * | 2019-01-17 | 2019-05-21 | 四川骏逸富顿科技有限公司 | 一种药品零售行业药品销售预测系统及方法 |
Non-Patent Citations (2)
| Title |
|---|
| 宋建忠: "闽江流域水质自动监测预警预报平台功能开发应用", 《绿色科技》 * |
| 陈英义等: "主成分分析和长短时记忆神经网络预测水产养殖水体溶解氧", 《农业工程学报》 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111693667A (zh) * | 2020-05-06 | 2020-09-22 | 杭州电子科技大学 | 一种基于门控递归阵列水质检测系统及方法 |
| CN113887119A (zh) * | 2020-07-03 | 2022-01-04 | 中国科学院沈阳计算技术研究所有限公司 | 一种基于sarima-lstm的河流水质预测方法 |
| CN113887119B (zh) * | 2020-07-03 | 2024-04-12 | 中国科学院沈阳计算技术研究所有限公司 | 一种基于sarima-lstm的河流水质预测方法 |
| CN113484257A (zh) * | 2021-06-24 | 2021-10-08 | 北京市生态环境监测中心 | 基于神经网络和全光谱吸光度的水质浓度计算系统及方法 |
| CN113484257B (zh) * | 2021-06-24 | 2023-11-14 | 北京市生态环境监测中心 | 基于神经网络和全光谱吸光度的水质浓度计算系统及方法 |
| CN116842444A (zh) * | 2023-07-03 | 2023-10-03 | 海南大学 | 一种基于eemd-ceemdan结合lstm的混合时间序列数据预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110619418A (zh) | 一种基于混合模型组合算法的多特征水质预测方法 | |
| CN111291937A (zh) | 基于支持向量分类与gru神经网络联合的处理污水水质预测方法 | |
| CN109919934A (zh) | 一种基于多源域深度迁移学习的液晶面板缺陷检测方法 | |
| CN111832615A (zh) | 一种基于前景背景特征融合的样本扩充方法及系统 | |
| CN102902985A (zh) | 基于二类支持向量机和粒子群算法的近海水质评价方法 | |
| CN113554621B (zh) | 基于小波尺度图和深度迁移学习的刀具磨损状态识别系统及识别方法 | |
| CN106405030B (zh) | 一种基于rbf神经网络的出水总磷检测装置及检测方法 | |
| CN112561876A (zh) | 基于图像的池塘和水库的水质检测方法及系统 | |
| CN116699096B (zh) | 一种基于深度学习的水质检测方法和系统 | |
| CN112395382A (zh) | 基于变分自编码器的船舶异常航迹数据检测方法和装置 | |
| CN113240199A (zh) | 基于dilate_tlstm的港口船舶轨迹预测方法 | |
| CN110889196B (zh) | 基于水质模型的水环境承载力评估方法、装置及存储介质 | |
| CN112199862A (zh) | 纳米粒子运移的预测方法、其影响因子分析方法及系统 | |
| Wenxiang et al. | Optimization of deep learning model for coastal chlorophyll a dynamic forecast | |
| CN113486806B (zh) | 基于一维残差神经网络的悬沙监测方法 | |
| Hrnjica et al. | Application of deep learning neural networks for nitrate prediction in the Klokot River, Bosnia and Herzegovina | |
| CN113850516A (zh) | 基于t-s模糊神经网络的水质评价方法 | |
| CN112819087A (zh) | 一种基于模块化神经网络的出水bod传感器异常检测方法 | |
| CN113051828A (zh) | 一种工艺参数驱动的天然气水露点在线预测方法 | |
| CN116823047A (zh) | 基于蒙特卡洛-可变模糊集的湖泊富营养化评价方法 | |
| CN111204867A (zh) | 膜生物反应器-mbr膜污染智能决策方法 | |
| CN116611580A (zh) | 一种基于多源数据与深度学习的海洋赤潮预测方法 | |
| CN116913047A (zh) | 一种流域农业面源污染物溯源方法和预警系统 | |
| CN115019476B (zh) | 一种基于多源信息融合的滑坡时空信息监测预警方法 | |
| CN115330088A (zh) | 一种小型水库的防洪精细化预测方法 |
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: 20191227 |
|
| RJ01 | Rejection of invention patent application after publication |