CN110852515B - 基于混合长短时记忆神经网络的水质指标预测方法 - Google Patents
基于混合长短时记忆神经网络的水质指标预测方法 Download PDFInfo
- Publication number
- CN110852515B CN110852515B CN201911116695.9A CN201911116695A CN110852515B CN 110852515 B CN110852515 B CN 110852515B CN 201911116695 A CN201911116695 A CN 201911116695A CN 110852515 B CN110852515 B CN 110852515B
- Authority
- CN
- China
- Prior art keywords
- water quality
- data
- time
- quality index
- lstm
- 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
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 76
- 230000015654 memory Effects 0.000 title claims abstract description 18
- 238000000034 method Methods 0.000 title claims abstract description 16
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 11
- 238000010606 normalization Methods 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims abstract description 5
- 238000012549 training Methods 0.000 claims description 17
- 238000001914 filtration Methods 0.000 claims description 13
- 238000012360 testing method Methods 0.000 claims description 9
- 238000009499 grossing Methods 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 4
- 239000000284 extract Substances 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000009795 derivation Methods 0.000 claims description 2
- 238000003062 neural network model Methods 0.000 abstract 1
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 3
- 238000006467 substitution reaction Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000002352 surface water Substances 0.000 description 2
- 238000003911 water pollution Methods 0.000 description 2
- XKMRRTOUMJRJIA-UHFFFAOYSA-N ammonia nh3 Chemical compound N.N XKMRRTOUMJRJIA-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
Images
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
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- G06Q50/06—Energy 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)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Tourism & Hospitality (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种基于混合长短时记忆神经网络的水质指标预测方法,首先,将获取到的水质指标历史数据依照时间序列进行排序,并对该水质历史数据采用SG滤波平滑预处理。然后,再进行水质数据的归一化处理,将水质时间序列数据按照预设的滑动窗口大小划分为多个子序列作为特征序列,也就是转为有监督的数据后,输入基于编码‑解码器的长短时记忆ED‑LSTM神经网络模型,预测未来多个时间点的水质指标值,最终获取精准度较高的水质指标预测结果。
Description
技术领域
本发明属于水质指标预测技术领域,尤其涉及一种基于混合长短时记忆神经网络的水质指标预测方法。
背景技术
水质指标可以作为判断水污染程度的具体衡量尺度。通过地表水水质自动监测站实时采集获取水质指标数据。由于获取到的数据随时间动态变化,对其历史数据进行时间序列分析与预测,可知水质的变化趋势,进而为水资源的管理与决策提供支撑。水环境指标受物理、化学、生物学等诸多复杂因素的影响,有较强的非线性特征,没有特定的周期性和稳定性。传统的水质指标预测方法普遍采用线性模型对水质指标进行预测,线性模型限制了预测的精确度,缺乏对水环境非线性特征的分析,另一方面,由于复杂的水体环境,水质指标时间序列有较大的噪声,导致传统模型在水体复杂环境条件下难以对水环境指标进行有效地预测。
近年来随着数据量的增多,深度学习越来越成为时间序列预测的主流算法,广泛应用于水环境中。目前大多数水质指标数据属于长相关时间序列,即序列中可能存在间隔或延迟相对较长,但对下一时刻值影响较大的重要事件,传统神经网络很难捕捉到这种跨度很长的关键信息,导致预测的精度不足。
发明内容
针对以上现有技术的不足,本发明提供一种基于SG(Savitzky–Golay)滤波与编码-解码器的长短时记忆(Encoder-Decoder Long Short Term Memory,ED-LSTM)神经网络的水质指标预测方法,包括:基于SG滤波的水质时间序列预处理方案;基于Encoder-Decoder框架的ED-LSTM模型实现水质指标多步是预测。
本发明的目的通过以下技术方案来实现:
一种基于混合长短时记忆神经网络的水质指标预测方法,包括如下步骤:
步骤1、获取一条河流过去一段时间监测到的水质指标组成的时间序列数据;
步骤2、对该数据进行SG(Savitzky–Golay)滤波平滑降噪预处理;
步骤3、将处理后的数据进行归一化处理,再按预设的滑动窗口宽度划分为多个子序列,作为特征序列数据,并划分训练集和测试集;
步骤4、根据训练集的历史数据训练水质预测模型,将训练集的特征序列数据输入ED-LSTM模型中,对ED-LSTM模型的产生的结果进行反归一化,得到水质指标的未来一段时间的多个输出值,将模型的输出值与真实值进行对比,算出损失率,利用反向传播训练水质预测模型的参数;再根据测试集的历史数据测试并优化水质预测模型的超参数,最终得到训练好的水质预测模型;
步骤5、将所述特征序列数据输入训练好的水质预测模型,从而获得未来的水质指标预测值,最终获取精准度较高的水质指标预测结果。
作为优选,步骤4中水质预测模型的超参数包括:长短时记忆网络模型隐层的大小、学习率、时序输入长度。
附图说明
图1一种基于混合长短时记忆神经网络的水质指标预测方法组成示意图;
图2 SG滤波流程图;
图3 ED-LSTM结构图。
具体实施方式
下面将详细描述本发明各个方面的特征和示例性实施例。下面的描述涵盖了许多具体细节,以便提供对本发明的全面理解。但是,对于本领域技术人员来说显而易见的是,本发明可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本发明的示例来提供对本发明更清楚的理解。本发明绝不限于下面所提出的任何具体配置和算法,而是在不脱离本发明的精神的前提下覆盖了相关元素、部件和算法的任何修改、替换和改进。
下面将参照附图1来描述根据本发明实施例的一种基于SG滤波与ED-LSTM的水质指标预测方法的具体步骤如下:
第一步,获取一条河过去一段时间的监测的由水质指标组成的时间序列数据
由于水质自动监测系统实际的监测频次通常为每4小时监测一次,在数据预处理阶段,对水质参数数据筛选,统一调整为4小时等间隔的数据。
对于缺失数据,用插值法补齐数据。
第二步,将水质指标时间序列数据用SG滤波预处理
由于数据中可能存在噪声点,往往会导致非线性模型的过拟合出现,通过使用SG方法对原始数据进行平滑滤波,降低噪声的干扰,可以有效的抑制非线性模型过拟合的出现。图2为SG滤波的实施方法流程图。SG滤波的原理如下:
SG平滑滤波算法是移动平滑算法的改进。在保持原有数据的形状和长度不变的情况下使用SG平滑滤波,会提高时间序列的平滑性,并降低噪音的干扰。
在进行卷积的过程中,SG平滑滤波对低次多项式用最小二乘法拟合相邻的数据点的连续子集,其中,相邻的多项式数据点的个数称为滤波窗口宽度。如下公式是多项式。
公式中,水环境时间序列数据由n个xj水质指标组成(j=1,...,n),滤波窗口宽度为m,用一组m个卷积系数Ci对窗口的水质指标xi+j使用最小二乘法进行拟合。SG平滑滤波的效果,随着选取窗口不同而不同。卷积系数Ci估计位于每个滤波窗口中心点的平滑数据
卷积系数Ci的推导:
假设数据由一组n个点(zj,xj)(j=1,...n)构成,其中zj是水质指标的相对时序位置,xj是j时间点的水质指标。多项式将通过线型最小二乘拟合到一组m(奇数)相邻数据点,设滤波窗口宽度为m,采用k次多项式对窗口的数据点进行拟合。
x=a0+a1z+a2z2+…+ak-1zk-1
形成n个方程,构成k元线性方程组,并通过最小二乘法拟合确定参数A,用矩阵表示为:
Xm×1=Zm×k·Ak×1
表达式中的X的系数C被称为卷积系数,得到的卷积系数C是一个矩阵:
C=(XT·X)-1·XT
第三步,归一化处理,并通过滑动窗口划分特征序列数据
滤波后的数据要做以下滑动窗口处理,以便模型输入。
1)、对上一步处理后的数据进行归一化。具体的公式如下:
其中,x*表示归一化后的目标值,x表示需要归一化的数据,xmin代表数据中的最小值,xmax代表数据中的最大值。
2)、滑动窗口宽度设定为输入时序长度,使用滑动窗口截取输入值,将其转化为有监督数据,并划分训练集和测试集。
第四步,ED-LSTM模型预测
本发明使用一种编码-解码器的长短时记忆模型(LSTM)来分析水环境相关指标,数据经过上一步处理后,设定输入序列通过LSTM来构建编码器与解码器,通过编码器来处理任意长度的输入的时序数据,从中提取特征后,再利用解码器进行未来时序数据的预测。
根据训练集的历史数据训练水质预测模型,将训练集的特征序列数据输入ED-LSTM模型中,对ED-LSTM模型的产生的结果进行反归一化,得到水质指标的未来一段时间的多个输出值,将模型的输出值与真实值进行对比,算出损失率,利用反向传播训练水质预测模型的参数。再根据测试集的历史数据测试并优化水质预测模型的超参数,比如长短时记忆网络模型隐层的大小、学习率、时序输入长度,最终得到训练好的水质预测模型;将所述特征序列数据输入训练好的水质预测模型,从而获得未来的水质指标预测值。
简单的RNN模型在构建最后输出和前几步数据之间的联系时常常会有一定的限制,这是因为步数之间多次乘法会导致较远步数之间建立关联关系非常困难,基于这个原因,LSTM是一个合适的模型用以建立较长时间的关联,一个LSTM单元存在一个长时记忆(Cell)和三个门(输入、输出和遗忘门),通过三个门来对记忆进行修改,具体可以用以下几个公式描述:
ft=σ(Wf[ht-1,xt]+bf
it=σ(Wi[ht-1,xt]+bi)
ot=σ(Wo[ht-1,xt]+bo)
ht=ot⊙tanh(ct)
将⊙代表点乘,Wi,Wf,Wo和Wc矩阵代表各种门和Cell的参数,σ(·)和tanh(·)是Sigmoid函数和Tanh函数。
LSTM提取特征的同时,依据自身的多个门的机制,还可以解决由于多层神经网络的参数传播所导致的梯度消失和梯度爆炸问题。
如图3所示,ED-LSTM模型主要由编码器和解码器组成,编码器用以编码输入序列,解码器用以对编码后的输入序列进行解码。以一个LSTM作为编码器,将长度为T的输入序列逐一输入进行编码,编码器输出的记忆单元cT是这整个输入序列的记忆,也就是从输入序列中提取的特征信息。解码器是由另一个LSTM模型构成,其目的是为了通过解码器的输出信息来生成状态向量dt′,而dt′由编码器输出的记忆单元cT和上一步的状态向量dt′-1计算而来。当解码器为下一个时间步生成预测时,状态向量dt′+1将被更新。因此,解码器t′+1时刻的状态向量通过下式计算,其中f1指LSTM的计算公式:
dt′+1=f1(dt′,cT)
接受充足的训练后,LSTM可提取复杂的时间序列信息特征。基于这些有效的特征,最后的全连接层(FC)能够将其解码为预测值。
该水质预测模型可应用于地表水不同河流的pH值、溶解氧(DO)、氨氮(NH3-N)、高锰酸盐指数(CODMN)等水质指标的预测,实现相关水质数据的精确预测,便于水质预警、水污染治理。
本发明对上面提出的一种基于混合长短时记忆神经网络的水质指标预测方法。应当理解,以上借助优选实施例对本发明的技术方案进行的详细说明是示意性的而非限制性的。本领域的普通技术人员在阅读本发明说明书的基础上可以对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,然而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (2)
1.一种基于混合长短时记忆神经网络的水质指标预测方法,其特征在于,包括如下步骤:
步骤1、获取一条河流过去一段时间监测到的水质指标组成的时间序列数据;
步骤2、对该数据进行SG(Savitzky-Golay)滤波平滑降噪预处理;
步骤3、将处理后的数据进行归一化处理,再按预设的滑动窗口宽度划分为多个子序列,作为特征序列数据,并划分训练集和测试集;
步骤4、根据训练集的历史数据训练水质预测模型,将训练集的特征序列数据输入ED-LSTM模型中,对ED-LSTM模型的产生的结果进行反归一化,得到水质指标的未来一段时间的多个输出值,将模型的输出值与真实值进行对比,算出损失率,利用反向传播训练水质预测模型的参数;再根据测试集的历史数据测试并优化水质预测模型的超参数,最终得到训练好的水质预测模型;
步骤5、将所述特征序列数据输入训练好的水质预测模型,从而获得未来的水质指标预测值;
步骤2中,在进行卷积的过程中,SG平滑滤波对低次多项式用最小二乘法拟合相邻的数据点的连续子集,其中,相邻的多项式数据点的个数称为滤波窗口宽度,如下公式是多项式,
其中,水环境时间序列数据由n个xj水质指标组成(j=1,...,n),滤波窗口宽度为m,用一组m个卷积系数Ci对窗口的水质指标xi+j使用最小二乘法进行拟合,卷积系数Ci估计位于每个滤波窗口中心点的平滑数据
卷积系数Ci的推导:
假设数据由一组n个点(zj,xj)(j=1,...n)构成,其中zj是水质指标的相对时序位置,xj是j时间点的水质指标;多项式将通过线性最小二乘拟合到一组m相邻数据点,m为奇数,设滤波窗口宽度为m,采用k次多项式对窗口的数据点进行拟合;
x=a0+a1z+a2z2+…+ak-1zk-1
形成n个方程,构成k元线性方程组,并通过最小二乘法拟合确定参数A,用矩阵表示为:
Xm×1=Zm×k·Ak×1
表达式中的X的系数C被称为卷积系数,得到的卷积系数C是一个矩阵:
C=(XT·X)-1·XT
所述ED-LSTM模型由编码器和解码器组成,编码器用以编码输入序列,解码器用以对编码后的输入序列进行解码;以一个LSTM作为编码器,将长度为T的输入序列逐一输入进行编码,编码器输出的记忆单元cT是这整个输入序列的记忆,也就是从输入序列中提取的特征信息;解码器是由另一个LSTM模型构成,其目的是为了通过解码器的输出信息来生成状态向量dt′,而dt′由编码器输出的记忆单元cT和上一步的状态向量dt′-1计算而来;当解码器为下一个时间步生成预测时,状态向量dt′+1将被更新;因此,解码器t′+1时刻的状态向量通过下式计算,其中f1指LSTM的计算公式:
dt′+1=f1(dt′,cT)
接受充足的训练后,LSTM可提取复杂的时间序列信息特征,基于这些有效的特征,最后的全连接层能够将其解码为预测值,即
2.根据权利要求1所述的方法,其特征在于,步骤4中水质预测模型的超参数包括:长短时记忆网络模型隐层的大小、学习率、时序输入长度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911116695.9A CN110852515B (zh) | 2019-11-15 | 2019-11-15 | 基于混合长短时记忆神经网络的水质指标预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911116695.9A CN110852515B (zh) | 2019-11-15 | 2019-11-15 | 基于混合长短时记忆神经网络的水质指标预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110852515A CN110852515A (zh) | 2020-02-28 |
CN110852515B true CN110852515B (zh) | 2022-05-06 |
Family
ID=69600831
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911116695.9A Active CN110852515B (zh) | 2019-11-15 | 2019-11-15 | 基于混合长短时记忆神经网络的水质指标预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110852515B (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111652425B (zh) * | 2020-05-29 | 2024-03-22 | 重庆工商大学 | 一种基于粗糙集和长短期记忆网络的河流水质预测方法 |
CN111783947A (zh) * | 2020-06-24 | 2020-10-16 | 上海凯营新能源技术有限公司 | 一种基于lstm神经网络的能耗预测方法 |
CN111882138B (zh) * | 2020-08-07 | 2024-02-23 | 中国农业大学 | 基于时空融合的水质预测方法、装置、设备及存储介质 |
CN112215422A (zh) * | 2020-10-13 | 2021-01-12 | 北京工业大学 | 基于季节性分解的长短时记忆网络水质动态预警方法 |
CN112418623A (zh) * | 2020-11-12 | 2021-02-26 | 国网河南省电力公司郑州供电公司 | 基于双向长短时记忆网络和滑动窗输入的反窃电识别方法 |
CN112651665B (zh) * | 2021-01-14 | 2022-12-20 | 浙江鸿程计算机系统有限公司 | 一种基于图神经网络的地表水水质指标预测方法和装置 |
CN113313316A (zh) * | 2021-06-11 | 2021-08-27 | 北京明略昭辉科技有限公司 | 预测数据的输出方法及装置、存储介质、电子设备 |
CN113569473A (zh) * | 2021-07-19 | 2021-10-29 | 浙江大学 | 基于多项式特征lstm粒度计算的空分管网氧气长期预测方法 |
CN113675947A (zh) * | 2021-07-27 | 2021-11-19 | 北京智芯微电子科技有限公司 | 输电网关的输电侧设备状态监测方法、及输电网关 |
CN114118565A (zh) * | 2021-11-23 | 2022-03-01 | 南京信息工程大学 | 一种基于双向长短时记忆耦合模型的日径流预报方法 |
CN114386658A (zh) * | 2021-12-03 | 2022-04-22 | 天健创新(北京)监测仪表股份有限公司 | 湖库水质监测预警方法、装置、存储介质及电子设备 |
CN117192063B (zh) * | 2023-11-06 | 2024-03-15 | 山东大学 | 基于耦合卡尔曼滤波数据同化的水质预测方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102737288A (zh) * | 2012-06-20 | 2012-10-17 | 浙江大学 | 一种基于rbf神经网络参数自优化的水质多步预测方法 |
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 |
CN110428082A (zh) * | 2019-05-31 | 2019-11-08 | 南京邮电大学 | 基于注意力神经网络的水质预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10771488B2 (en) * | 2018-04-10 | 2020-09-08 | Cisco Technology, Inc. | Spatio-temporal anomaly detection in computer networks using graph convolutional recurrent neural networks (GCRNNs) |
-
2019
- 2019-11-15 CN CN201911116695.9A patent/CN110852515B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102737288A (zh) * | 2012-06-20 | 2012-10-17 | 浙江大学 | 一种基于rbf神经网络参数自优化的水质多步预测方法 |
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 |
CN110428082A (zh) * | 2019-05-31 | 2019-11-08 | 南京邮电大学 | 基于注意力神经网络的水质预测方法 |
Non-Patent Citations (1)
Title |
---|
"Water quality prediction method based on LSTM neural network";Yuanyuan Wang 等;《2017 12th International Conference on Intelligent Systems and Knowledge Engineering (ISKE)》;IEEE;20180115;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110852515A (zh) | 2020-02-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110852515B (zh) | 基于混合长短时记忆神经网络的水质指标预测方法 | |
CN111967688B (zh) | 一种基于卡尔曼滤波器与卷积神经网络的电力负荷预测方法 | |
CN112215422A (zh) | 基于季节性分解的长短时记忆网络水质动态预警方法 | |
CN112468326B (zh) | 基于时间卷积神经网络的访问流量预测方法 | |
CN111310981B (zh) | 一种基于时间序列的水库水位趋势预测方法 | |
CN114358435A (zh) | 双阶段时空注意力机制的污染源-水质预测模型权重影响计算方法 | |
Dong et al. | An integrated deep neural network approach for large-scale water quality time series prediction | |
CN114363195B (zh) | 面向时间和频谱残差卷积网络的网络流量预测预警方法 | |
CN111931983B (zh) | 一种降水量预测方法及系统 | |
CN111030889B (zh) | 一种基于gru模型的网络流量预测方法 | |
CN113723007A (zh) | 基于DRSN和麻雀搜索优化BiLSTM的机械设备剩余寿命预测方法 | |
CN115687322A (zh) | 基于编码器-解码器和自回归生成对抗网络的水质时间序列缺失数据补全方法 | |
CN112086100B (zh) | 基于量化误差熵的多层随机神经网络的城市噪音识别方法 | |
CN115185937A (zh) | 一种基于sa-gan架构的时间序列异常检测方法 | |
CN111310963A (zh) | 电站的发电数据预测方法、装置、计算机设备和存储介质 | |
CN115456245A (zh) | 一种感潮河网区溶解氧预测方法 | |
CN112215495B (zh) | 一种基于长短时记忆神经网络的污染源贡献度计算方法 | |
CN115982141A (zh) | 一种针对时序数据预测的特征优化方法 | |
CN113988210A (zh) | 结构监测传感网失真数据修复方法、装置及存储介质 | |
CN113887119B (zh) | 一种基于sarima-lstm的河流水质预测方法 | |
CN113159395A (zh) | 一种基于深度学习的污水处理厂进水流量预测方法及系统 | |
CN115689014A (zh) | 基于双向长短时记忆神经网络和时间注意力机制的水质指标预测方法 | |
CN112215421A (zh) | 一种基于生成对抗网络的深度学习水质指标预测方法 | |
CN116955947A (zh) | 一种降雨诱发的输电线路边坡位移非线性预测方法及系统 | |
CN116070508A (zh) | 一种桥梁健康状态预测预警方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |