CN111047085A - 一种基于元学习的混合动力车辆工况预测方法 - Google Patents
一种基于元学习的混合动力车辆工况预测方法 Download PDFInfo
- Publication number
- CN111047085A CN111047085A CN201911239316.5A CN201911239316A CN111047085A CN 111047085 A CN111047085 A CN 111047085A CN 201911239316 A CN201911239316 A CN 201911239316A CN 111047085 A CN111047085 A CN 111047085A
- Authority
- CN
- China
- Prior art keywords
- vehicle speed
- data
- training
- model
- prediction
- 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
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
- G06N3/045—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
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/80—Technologies aiming to reduce greenhouse gasses emissions common to all road transportation technologies
- Y02T10/84—Data processing systems or methods, management, administration
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Feedback Control In General (AREA)
- Traffic Control Systems (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
本发明提供了一种基于元的方式,模型训练过程被划分为两个部分:离线执行的预训练与在线执行的微调训练。预训练针对多种工况进行并行训练,以获得泛化性能较好的基模型。微调学习的混合动力车辆工况预测方法,其在深度神经网络的基础上结合了多任务训练训练在基模型基础上针对特定工况进行训练,时间成本低,可以应用于模型的在线修正环节。此外,基于上述流程,还进一步给出了一种由离线训练、在线训练和实时预测三部分组成的车速预测模型在线应用框架,可应用于实际交通条件下的工况预测任务。
Description
技术领域
本发明涉及车辆工况预测技术领域,尤其涉及一种适用于混合动力车辆的基于元学习实现的工况预测技术。
背景技术
混合动力车辆相较于传统燃油车,其燃油经济性的提升常需要通过整车能量管理策略来实现。目前,模型预测能量管理策略被普遍认为是一种可以同时兼顾在线应用及优化控制效果的混合动力能量管理策略,得到了广泛研究。在模型预测控制框架下,一个精准的预测模型对于求解最优控制序列具有重要意义。虽然驾驶行为本身具有很大的不确定性和随机性,但在驾驶过程中仍存在一些隐藏规则,这些规律反映在由相似的历史速度序列所对应的不同的未来速度序列在概率上也是相似的。因此,如果能够有效地利用上述规律,则对于提升混合动力电动汽车的燃油经济性能这一技术问题,可提供新型的实现途径。
发明内容
针对现有技术中存在的技术问题,本发明提供了一种基于元学习的混合动力车辆工况预测方法,具体包括以下步骤:
步骤一、建立基于深度神经网络的车速初始预测模型,分别以历史车速序列与将预测的未来车速序作为所述模型的输入与输出,序列元素个数分别与输入层和输出层的神经元个数对应;
步骤二、利用不同交通条件下采集的实测工况数据,对所述车速初始预测模型进行离线预训练,用于对模型参数进行重复更新,以得到经预训练后稳定的车速预测基模型;
步骤三、利用特定的循环工况或实测工况数据对所述车速预测基模型进行在线微调训练,使所述基模型满足精度校验要求,以得到经微调训练的车速预测微调模型;
步骤四、基于满足精度校验要求的车速预测微调模型,利用实时采集的车辆行驶数据对未来车速进行预测。
进一步地,所述步骤一具体包括:
将历史车速序列作为输入参数,将预测的未来车速序列作为输出参数,车速初始预测模型可以由以下公式表示:
[Vt+1,Vt+2,...,Vt+ΔP]=F(Vt-ΔH,...Vt-1,Vt)
其中,F(*)表示由历史车速序列到未来车速序列的映射关系函数;V(t±*)表示每一秒的车速信息;ΔH和ΔP表示神经网络输入层和输出层的神经元个数;
车速预测的精度由以下公式定义:
进一步地,所述步骤二具体包括:
2.1、初始化模型网络参数为:θk,k=1,2,3,4...;
2.2、对于参与训练的每一组工况,都定义一个与之对应的数据池,并将其命名为:
Pooli,i=1,2,3,...,n
每个训练数据池中的每一组数据都具有如下的格式:
其中,输入数据序列为:
标签数据序列为:
输入数据和标签数据的维度依次为:nH和nP;
2.3、对于每一组训练数据集,均执行一次如下的流程:
2.3.1、通过随机采样,从训练数据池中选择一个批次的数据,然后将数据划分为两组:一组被命名为支持集(support set),另一组被命名为查询集(query set);
2.3.3、基于更新后的参数,通过初始预测模型和由查询集提供的训练数据来计算对应的损失函数Li。
2.4、按照如下公式计算整体损失函数:
其中,Ltask为整体损失函数,ε是一个参考系数,用以确定查询集的数据是否稳定;
通过如下公式更新车速初始预测模型参数。
其中,ηmeta表示元学习过程的学习率,是一个很小的正数;
2.5、令θk=θk+1并重复步骤2.2-2.4,直至训练得到一个稳定的车速预测基模型。
进一步地,所述步骤三具体包括:
利用所述车速预测基模型参数,并依次执行:
3.1、利用特定的循环工况或实测工况对应的行驶数据定义训练数据池,其格式与预训练时的训练池数据格式相同;
3.2、通过随机采样,从训练数据池中抽取一定批次的数据,然后将数据划分为若干组(超过2组);将其中一组数据被定义为支持集(support set),另外的其他所有组数据均被定义为查询集(query set);
3.3、通过支持集的数据,执行一次梯度下降,将模型参数从θk更新至θk+1;
3.4、基于更新后的参数,通过基模型来计算每一组查询集中数据对应的损失函数值,并通过如下公式计算平均预测误差:
其中,n表示查询集的个数;
3.5、令θk=θk+1,并重复执行步骤3.2-3.4直到如下公式被满足:
其中,ΔLoss表示允许的损失误差。
上述方法在执行过程中,可首先建立车速预测初始模型并依次执行后续的离线预训练与在线微调训练步骤,最后用于实测。也可在预训练与微调训练时分别建立相同行驶的初始预测模型,并在实测环节中融合预训练及微调的结果对最终的未来车速预测过程进行调整。
上述方法在执行过程中,通过预训练得到稳定的预测模型参数,以及通过微调训练使预测精度达到预定要求,均可采用包括但不限于上述所提到的详细步骤,对于本领域技术人员基于本发明的发明构思所能够想到的具体多种实现方式,同样落入本发明独立权利要求的保护范围。
本发明所提供的基于元学习的混合动力车辆工况预测方法,在深度神经网络的基础上结合了多任务训练的方式,模型训练过程被划分为两个部分:离线执行的预训练与在线执行的微调训练。预训练针对多种工况进行并行训练,以获得泛化性能较好的基模型。微调训练在基模型基础上针对特定工况进行训练,时间成本低,可以应用于模型的在线修正环节。此外,基于上述流程,还进一步给出了一种由离线训练、在线训练和实时预测三部分组成的车速预测模型在线应用框架,可应用于实际交通条件下的工况预测任务。
附图说明
图1是本发明所基于的深度神经网络构架;
图2是本发明的方法中的预训练基本流程示意图;
图3是本发明的方法中的微调训练基本流程示意图;
图4是本发明的一实例所对应的在线应用框架。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明所提供的一种基于元学习的混合动力车辆工况预测方法,具体包括以下步骤:
步骤一、建立基于深度神经网络的车速初始预测模型,分别以历史车速序列与将预测的未来车速序作为所述模型的输入与输出,序列元素个数分别与输入层和输出层的神经元个数对应;所述深度神经网络架构如图1所示。
步骤二、利用不同交通条件下采集的实测工况数据,对所述车速初始预测模型进行离线预训练,用于对模型参数进行重复更新,以得到经预训练后稳定的车速预测基模型;
步骤三、利用特定的循环工况或实测工况数据对所述车速预测基模型进行在线微调训练,使所述基模型满足精度校验要求,以得到经微调训练的车速预测微调模型;
步骤四、基于满足精度校验要求的车速预测微调模型,利用实时采集的车辆行驶数据对未来车速进行预测。
在本发明的一优选实施例中,所述步骤一具体包括:
将历史车速序列作为输入参数,将预测的未来车速序列作为输出参数,车速初始预测模型可以由以下公式表示:
[Vt+1,Vt+2,...,Vt+ΔP]=F(Vt-ΔH,...Vt-1,Vt)
其中,F(*)表示由历史车速序列到未来车速序列的映射关系函数;V(t±*)表示每一秒的车速信息;ΔH和ΔP表示神经网络输入层和输出层的神经元个数;
车速预测的精度由以下公式定义:
在本发明的一优选实施例中,如图2所示,所述步骤二具体包括:
2.1、初始化模型网络参数为:θk,k=1,2,3,4...;
2.2、对于参与训练的每一组工况,都定义一个与之对应的数据池,并将其命名为:
Pooli,i=1,2,3,...,n
每个训练数据池中的每一组数据都具有如下的格式:
其中,输入数据序列为:
标签数据序列为:
输入数据和标签数据的维度依次为:nH和nP;
2.3、对于每一组训练数据集,均执行一次如下的流程:
2.3.1、通过随机采样,从训练数据池中选择一个批次的数据,然后将数据划分为两组:一组被命名为支持集(support set),另一组被命名为查询集(query set);
2.3.3、基于更新后的参数,通过初始预测模型和由查询集提供的训练数据来计算对应的损失函数Li。
2.4、按照如下公式计算整体损失函数:
其中,Ltask为整体损失函数,ε是一个参考系数,用以确定查询集的数据是否稳定;
通过如下公式更新车速初始预测模型参数。
其中,ηmeta表示元学习过程的学习率,是一个很小的正数;
2.5、令θk=θk+1并重复步骤2.2-2.4,直至训练得到一个稳定的车速预测基模型。
在本发明的一优选实施例中,如图3所示,所述步骤三具体包括:
利用所述车速预测基模型参数,并依次执行:
3.1、利用特定的循环工况或实测工况对应的行驶数据定义训练数据池,其格式与预训练时的训练池数据格式相同;
3.2、通过随机采样,从训练数据池中抽取一定批次的数据,然后将数据划分为若干组(超过2组);将其中一组数据被定义为支持集(support set),另外的其他所有组数据均被定义为查询集(query set);
3.3、通过支持集的数据,执行一次梯度下降,将模型参数从θk更新至θk+1;
3.4、基于更新后的参数,通过基模型来计算每一组查询集中数据对应的损失函数值,并通过如下公式计算平均预测误差:
其中,n表示查询集的个数;
3.5、令θk=θk+1,并重复执行步骤3.2-3.4直到如下公式被满足:
其中,ΔLoss表示允许的损失误差。
图4示出了本发明的一优选实施方式,方法在执行过程中,可首先建立车速预测初始模型并依次执行后续的离线预训练与在线微调训练步骤,最后用于实测。也可在预训练与微调训练时分别建立相同行驶的初始预测模型,并在实测环节中融合预训练及微调的结果对最终的未来车速预测过程进行调整。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (4)
1.一种基于元学习的混合动力车辆工况预测方法,其特征在于:具体包括以下步骤:
步骤一、建立基于深度神经网络的车速初始预测模型,分别以历史车速序列与将预测的未来车速序作为所述模型的输入与输出,序列元素个数分别与输入层和输出层的神经元个数对应;
步骤二、利用不同交通条件下采集的实测工况数据,对所述车速初始预测模型进行离线预训练,用于对模型参数进行重复更新,以得到经预训练后稳定的车速预测基模型;
步骤三、利用特定的循环工况或实测工况数据对所述车速预测基模型进行在线微调训练,使所述基模型满足精度校验要求,以得到经微调训练的车速预测微调模型;
步骤四、基于满足精度校验要求的车速预测微调模型,利用实时采集的车辆行驶数据对未来车速进行预测。
3.如权利要求2所述的方法,其特征在于:所述步骤二具体包括:
2.1、初始化模型网络参数为:θk,k=1,2,3,4...;
2.2、对于参与训练的每一组工况,都定义一个与之对应的数据池,并将其定义为:
Pooli,i=1,2,3,...,n
每个训练数据池中的每一组数据都具有如下的格式:
其中,输入数据序列为:
标签数据序列为:
输入数据和标签数据的维度依次为:nH和nP;
2.3、对于每一组训练数据集,均执行一次如下的流程:
2.3.1、通过随机采样,从训练数据池中选择一个批次的数据,然后将数据划分为两组:一组定义为支持集,另一组定义为查询集;
2.3.3、基于更新后的参数,通过初始预测模型和由查询集提供的训练数据来计算对应的损失函数Li;
2.4、按照如下公式计算整体损失函数:
其中,Ltask为整体损失函数,ε是一个参考系数,用以确定查询集的数据是否稳定;
通过如下公式更新车速初始预测模型参数:
其中,ηmeta表示元学习过程的学习率,是一个很小的正数;
2.5、令θk=θk+1并重复步骤2.2-2.4,直至训练得到一个稳定的车速预测基模型。
4.如权利要求2所述的方法,其特征在于:所述步骤三具体包括:
利用所述车速预测基模型参数,并依次执行:
3.1、利用特定的循环工况或实测工况对应的行驶数据定义训练数据池,其格式与预训练时的训练池数据格式相同;
3.2、通过随机采样,从训练数据池中抽取一定批次的数据,然后将数据划分为若干组;将其中一组数据定义为支持集,另外的其他所有组数据均定义为查询集;
3.3、通过支持集的数据,执行一次梯度下降,将模型网络参数从θk更新至θk+1;
3.4、基于更新后的参数,通过基模型来计算每一组查询集中数据对应的损失函数值,并通过如下公式计算平均预测误差:
其中,Li为损失函数,n表示查询集的个数;
3.5、令θk=θk+1,并重复执行步骤3.2-3.4直到如下公式被满足:
其中,ΔLoss表示允许的损失误差。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911239316.5A CN111047085B (zh) | 2019-12-06 | 2019-12-06 | 一种基于元学习的混合动力车辆工况预测方法 |
PCT/CN2020/112611 WO2021109644A1 (zh) | 2019-12-06 | 2020-08-31 | 一种基于元学习的混合动力车辆工况预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911239316.5A CN111047085B (zh) | 2019-12-06 | 2019-12-06 | 一种基于元学习的混合动力车辆工况预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111047085A true CN111047085A (zh) | 2020-04-21 |
CN111047085B CN111047085B (zh) | 2022-09-06 |
Family
ID=70235038
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911239316.5A Active CN111047085B (zh) | 2019-12-06 | 2019-12-06 | 一种基于元学习的混合动力车辆工况预测方法 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN111047085B (zh) |
WO (1) | WO2021109644A1 (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112182962A (zh) * | 2020-09-24 | 2021-01-05 | 青岛大学 | 一种混合动力汽车行驶车速预测方法 |
CN112180726A (zh) * | 2020-09-29 | 2021-01-05 | 北京航空航天大学 | 一种基于元学习的航天器相对运动轨迹规划方法 |
CN112269930A (zh) * | 2020-10-26 | 2021-01-26 | 北京百度网讯科技有限公司 | 建立区域热度预测模型、区域热度预测的方法及装置 |
CN112529104A (zh) * | 2020-12-23 | 2021-03-19 | 东软睿驰汽车技术(沈阳)有限公司 | 一种车辆故障预测模型生成方法、故障预测方法及装置 |
WO2021109644A1 (zh) * | 2019-12-06 | 2021-06-10 | 北京理工大学 | 一种基于元学习的混合动力车辆工况预测方法 |
CN115204417A (zh) * | 2022-09-13 | 2022-10-18 | 鱼快创领智能科技(南京)有限公司 | 基于集成学习的车辆重量预测方法、系统及存储介质 |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113223705B (zh) * | 2021-05-22 | 2023-08-29 | 杭州医康慧联科技股份有限公司 | 适用于隐私计算平台的离线预测方法 |
CN117474928B (zh) * | 2023-12-28 | 2024-03-19 | 东北大学 | 一种基于元学习模型的陶瓷封装基板表面缺陷检测方法 |
CN117744504A (zh) * | 2024-02-20 | 2024-03-22 | 成都理工大学 | 一种泄洪雾化雨强度分析模型建立方法和装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109159785A (zh) * | 2018-07-19 | 2019-01-08 | 重庆科技学院 | 一种基于马尔可夫链与神经网络的汽车行驶工况预测方法 |
CN109829577A (zh) * | 2019-01-17 | 2019-05-31 | 北京交通大学 | 基于深度神经网络结构模型的轨道列车运行状态预测方法 |
JP2019137269A (ja) * | 2018-02-13 | 2019-08-22 | 株式会社豊田中央研究所 | 駆動力予測装置及び制御装置 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107284452B (zh) * | 2017-07-18 | 2018-04-10 | 吉林大学 | 融合智能通讯信息的混合动力汽车未来工况预测系统 |
CN107463992B (zh) * | 2017-08-01 | 2021-03-23 | 北京理工大学 | 一种混合动力车辆行驶工况基于片段波形训练的工况预测方法 |
CN108346293B (zh) * | 2018-04-18 | 2020-12-18 | 湖南大学 | 一种实时交通流短时预测方法 |
CN111047085B (zh) * | 2019-12-06 | 2022-09-06 | 北京理工大学 | 一种基于元学习的混合动力车辆工况预测方法 |
-
2019
- 2019-12-06 CN CN201911239316.5A patent/CN111047085B/zh active Active
-
2020
- 2020-08-31 WO PCT/CN2020/112611 patent/WO2021109644A1/zh active Application Filing
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2019137269A (ja) * | 2018-02-13 | 2019-08-22 | 株式会社豊田中央研究所 | 駆動力予測装置及び制御装置 |
CN109159785A (zh) * | 2018-07-19 | 2019-01-08 | 重庆科技学院 | 一种基于马尔可夫链与神经网络的汽车行驶工况预测方法 |
CN109829577A (zh) * | 2019-01-17 | 2019-05-31 | 北京交通大学 | 基于深度神经网络结构模型的轨道列车运行状态预测方法 |
Non-Patent Citations (1)
Title |
---|
刘新磊等: "分布式驱动电动汽车电机容错控制策略的研究", 《计算机仿真》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021109644A1 (zh) * | 2019-12-06 | 2021-06-10 | 北京理工大学 | 一种基于元学习的混合动力车辆工况预测方法 |
CN112182962A (zh) * | 2020-09-24 | 2021-01-05 | 青岛大学 | 一种混合动力汽车行驶车速预测方法 |
CN112180726A (zh) * | 2020-09-29 | 2021-01-05 | 北京航空航天大学 | 一种基于元学习的航天器相对运动轨迹规划方法 |
CN112269930A (zh) * | 2020-10-26 | 2021-01-26 | 北京百度网讯科技有限公司 | 建立区域热度预测模型、区域热度预测的方法及装置 |
CN112269930B (zh) * | 2020-10-26 | 2023-10-24 | 北京百度网讯科技有限公司 | 建立区域热度预测模型、区域热度预测的方法及装置 |
CN112529104A (zh) * | 2020-12-23 | 2021-03-19 | 东软睿驰汽车技术(沈阳)有限公司 | 一种车辆故障预测模型生成方法、故障预测方法及装置 |
CN115204417A (zh) * | 2022-09-13 | 2022-10-18 | 鱼快创领智能科技(南京)有限公司 | 基于集成学习的车辆重量预测方法、系统及存储介质 |
CN115204417B (zh) * | 2022-09-13 | 2022-12-27 | 鱼快创领智能科技(南京)有限公司 | 基于集成学习的车辆重量预测方法、系统及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
WO2021109644A1 (zh) | 2021-06-10 |
CN111047085B (zh) | 2022-09-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111047085B (zh) | 一种基于元学习的混合动力车辆工况预测方法 | |
CN110341690B (zh) | 一种基于确定性策略梯度学习的phev能量管理方法 | |
CN110472778A (zh) | 一种基于Blending集成学习的短期负荷预测方法 | |
CN103049792B (zh) | 深层神经网络的辨别预训练 | |
CN106448151B (zh) | 一种短时交通流预测方法 | |
CN106022521B (zh) | 基于Hadoop架构的分布式BP神经网络的短期负荷预测方法 | |
CN108520155B (zh) | 基于神经网络的车辆行为模拟方法 | |
CN111241952A (zh) | 一种离散制造场景中的强化学习奖励自学习方法 | |
CN112631717B (zh) | 基于异步强化学习的网络服务功能链动态部署系统及方法 | |
CN108764568B (zh) | 一种基于lstm网络的数据预测模型调优方法及装置 | |
CN110059867B (zh) | 一种swlstm结合gpr的风速预测方法 | |
CN109840595B (zh) | 一种基于群体学习行为特征的知识追踪方法 | |
CN110866640A (zh) | 一种基于深度神经网络的电力负荷预测方法 | |
CN111488946A (zh) | 基于信息融合的雷达伺服系统故障诊断方法 | |
CN106021990A (zh) | 一种将生物基因以特定的性状进行分类与自我识别的方法 | |
CN110674965A (zh) | 基于动态特征选取的多时间步长风功率预测方法 | |
CN110083167A (zh) | 一种移动机器人的路径跟踪方法及装置 | |
CN104616072A (zh) | 一种基于区间优化的提高谷氨酸发酵产物浓度的方法 | |
CN116227716A (zh) | 一种基于Stacking的多因素能源需求预测方法及系统 | |
CN109408896B (zh) | 一种污水厌氧处理产气量多元智能实时监控方法 | |
CN111192158A (zh) | 一种基于深度学习的变电站日负荷曲线相似度匹配方法 | |
CN115062528A (zh) | 一种针对工业过程时序数据的预测方法 | |
CN109146131A (zh) | 一种日前风力发电预测方法 | |
CN111507499B (zh) | 预测用模型的构建方法、测试方法、装置及系统 | |
CN116911459A (zh) | 适应于虚拟电厂的多输入多输出超短期电力负荷预测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |