CN111062524A - 基于优化遗传算法的景区短期客流量的预测方法及系统 - Google Patents
基于优化遗传算法的景区短期客流量的预测方法及系统 Download PDFInfo
- Publication number
- CN111062524A CN111062524A CN201911229110.4A CN201911229110A CN111062524A CN 111062524 A CN111062524 A CN 111062524A CN 201911229110 A CN201911229110 A CN 201911229110A CN 111062524 A CN111062524 A CN 111062524A
- Authority
- CN
- China
- Prior art keywords
- lstm
- cnn
- prediction method
- fitness
- neurons
- 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
- 238000000034 method Methods 0.000 title claims abstract description 32
- 230000002068 genetic effect Effects 0.000 title claims abstract description 16
- 238000011176 pooling Methods 0.000 claims abstract description 23
- 210000002569 neuron Anatomy 0.000 claims abstract description 22
- 238000012216 screening Methods 0.000 claims abstract description 3
- 238000012360 testing method Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 4
- 238000007418 data mining Methods 0.000 abstract description 2
- 238000013527 convolutional neural network Methods 0.000 description 25
- 238000013528 artificial neural network Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008094 contradictory effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000015654 memory Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000012706 support-vector machine 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
- G06Q50/10—Services
- G06Q50/14—Travel agencies
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Tourism & Hospitality (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Business, Economics & Management (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Development Economics (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)
Abstract
本发明实施方式提供一种基于优化遗传算法的景区短期客流量的预测方法及系统,属于数据的挖掘技术领域。所述预测方法包括:获取与景区短期客流量相关的影响因素的历史数据;根据影响因素的种类确定CNN‑LSTM模型中的CNN模型的卷积层、池化层的数量以及LSTM网络的层数;对卷积层和池化层执行批量标准化操作;确定CNN模型和LSTM网络的每个卷积层和池化层的神经元的数量的取值范围;随机生成每个卷积层和池化层的神经元的多个数量值以形成初始的种群;根据公式(1)计算种群的每个个体的适应度;判断迭代次数是否大于或等于预设的次数阈值;在判断迭代次数小于次数阈值的情况下,按照适应度从高到低的顺序从种群中筛选出预定比例的数量的个体。
Description
技术领域
本发明涉及数据的挖掘技术领域,具体地涉及一种基于优化遗传算法的景区短期客流量的预测方法及系统。
背景技术
风景区的智能管理系统是当前管理风景区的重要辅助工具之一,而基于历史数据对该风景区未来的客流量作出预测则是该管理系统的一项至关重要的功能。
在现有技术中,实现该功能的方式主要是通过采用神经网络例如传统时间序列模型、计量经济模型、支持向量机、BP神经网络模型、LSTM神经网络等来进行预测。但是这些神经网络由于自身的特性,在实际预测时均存在各种问题。例如有的神经网络存在对于长期的时间序列处理能力弱而导致预测结果生成速度慢的问题,而有些则存在对源数据的质量要求过高,对于非线性数据无法处理的问题。
发明内容
本发明实施方式的目的是提供一种基于优化遗传算法的景区短期客流量的预测方法及系统。该预测方法及系统能够克服现有技术中存在的缺陷,提高对景区短期客流量的预测精度。
为了实现上述目的,本发明实施方式提供一种基于优化遗传算法的景区短期客流量的预测方法,所述预测方法包括:
获取与所述景区短期客流量相关的影响因素的历史数据;
根据所述影响因素的种类确定CNN-LSTM模型中的CNN模型的卷积层、池化层的数量以及LSTM网络的层数;
对所述卷积层和池化层执行批量标准化操作;
确定所述CNN模型和所述LSTM网络的每个卷积层和池化层的神经元的数量的取值范围;
随机生成每个所述卷积层和所述池化层的所述神经元的多个数量值以形成初始的种群;
根据公式(1)计算所述种群的每个个体的适应度,
其中,F为所述适应度,E为测试所述CNN(Convolutional Neural Networks,卷积神经网络)模型和所述LSTM(Long Short-Term Memory,长短期记忆)网络的误差,α为预设的所述卷积层的神经元的数量对预测结果的影响系数,nconv为当前的个体的所述CNN模型中的神经元的数量,nlstm为当前的个体的所述LSTM网络的神经元的数量,nall为当前的个体的所述CNN模型和所述LSTM网络的神经元的总数量;
判断迭代次数是否大于或等于预设的次数阈值;
在判断所述迭代次数小于所述次数阈值的情况下,按照所述适应度从高到低的顺序从所述种群中筛选出预定比例的数量的个体;
对筛选出的所述个体按照所述适应度从高到低的顺序依次执行变异和交叉操作;
将执行完交叉操作的所述个体分别输入所述CNN-LSTM模型中,并采用测试集测试所述CNN-LSTM模型以得到对应的所述误差;
更新迭代次数并再次采用公式(1)计算所述种群的每个个体的适应度;
在判断所述迭代次数大于或等于所述次数阈值的情况下,输出所述适应度最高的所述个体以作为最优解;
将所述最优解输入所述CNN模型和LSTM网络,并采用所述CNN模型和所述LSTM网络预测所述景区短期客流量。
可选地,所述影响因素包括每日客流量、天气指数、门票数量以及百度指数中的至少一者。
可选地,对所述卷积层和池化层执行批量标准化操作具体包括:
对所述卷积层和所述池化层执行归一化操作。
可选地,所述误差的初始值为1。
另一方面,本发明还提供一种基于优化遗传算法的景区短期客流量的预测系统,其特征在于,所述预测系统包括处理器,所述处理器用于执行如上述任一所述的预测方法。
再一方面,本发明还提供一种存储介质,所述存储介质存储有指令,所述指令用于被机器读取以使得所述机器执行如上述任一所述的预测方法。
通过上述技术方案,本发明提供的基于优化遗传算法的景区短期客流量的预测方法及系统通过将CNN模型和LSTM网络结合在一起,再进一步采用改进的遗传算法对CNN模型和LSTM网络的参数进行优化,克服了CNN模型和LSTM网络在单独预测景区客流量时存在的技术问题,提高了景区短期客流量的预测精度。
本发明实施方式的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本发明实施方式的进一步理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本发明实施方式,但并不构成对本发明实施方式的限制。在附图中:
图1是根据本发明的一个实施方式的基于优化遗传算法的景区短期客流量的预测方法的流程图。
具体实施方式
以下结合附图对本发明实施方式的具体实施方式进行详细说明。应当理解的是,此处所描述的具体实施方式仅用于说明和解释本发明实施方式,并不用于限制本发明实施方式。
在本发明实施方式中,在未作相反说明的情况下,使用的方位词如“上、下、顶、底”通常是针对附图所示的方向而言的或者是针对竖直、垂直或重力方向上而言的各部件相互位置关系描述用词。
另外,若本发明实施方式中有涉及“第一”、“第二”等的描述,则该“第一”、“第二”等的描述仅用于描述目的,而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外,各个实施方式之间的技术方案可以相互结合,但是必须是以本领域普通技术人员能够实现为基础,当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在,也不在本发明要求的保护范围之内。
如图1所示是根据本发明的一个实施方式的基于优化遗传算法的景区短期客流量的预测方法的流程图。在图1中,该预测方法可以包括:
在步骤S10中,获取与景区短期客流量相关的影响因素的历史数据。对于该影响因素,可以是例如包括该景区历史的每日客流量、天气指数、门票数量以及百度指数中的至少一者。其中,该天气指数可以是进一步包括天气类型、温度、湿度等的指数数值。
在步骤S11中,根据影响因素的种类确定CNN-LSTM模型中的CNN模型的卷积层、池化层的数量以及LSTM网络的层数。
在步骤S12中,对卷积层和池化层执行批量标准化操作,即对该卷积层和池化层执行归一化操作。
在步骤S13中,确定CNN模型和LSTM网络的每个卷积层和池化层的神经元的数量的取值范围。对于确定该取值范围的具体方式,可以是本领域人员所知的CNN模型和LSTM网络的固有的方式。
在步骤S14中,随机生成每个卷积层和池化层的神经元的多个数量值以形成初始的种群。在本发明的一个示例中,以卷积层的层数为2,池化层的层数为1,且数量值的数量为4为例。那么,生成的种群中的每个个体则包括每个卷积层和池化层对应的一个数值。例如(x1 1,x2 1,x3 1)、(x1 2,x2 2,x3 2)和(x1 3,x2 3,x3 3)。其中,x1 1为第一个个体中第一个卷积层对应的神经元的数量值。对于其余的参数例如x2 1、x3 1等,其对应的含义与x1 1类似,因此此处不再赘述。
在步骤S15中,根据公式(1)计算种群的每个个体的适应度,
其中,F为适应度,E为测试CNN模型和LSTM网络的误差(其中,该误差的初始值可以为1,即100%),α为预设的卷积层的神经元的数量对预测结果的影响系数,nconv为当前的个体的CNN模型中的神经元的数量,nlstm为当前的个体的LSTM网络的神经元的数量,nall为当前的个体的CNN模型和LSTM网络的神经元的总数量;
在步骤S16中,判断迭代次数是否大于或等于预设的次数阈值。
在步骤S17中,在判断迭代次数小于次数阈值的情况下,按照适应度从高到低的顺序从种群中筛选出预定比例的数量的个体。
在步骤S18中,对筛选出的个体按照适应度从高到低的顺序依次执行变异和交叉操作。
在步骤S19中,将执行完交叉操作的个体分别输入CNN-LSTM模型中,并采用测试集测试CNN-LSTM模型以得到对应的误差。
在步骤S20中,更新迭代次数并再次采用公式(1)计算种群的每个个体的适应度。
在步骤S21中,在判断迭代次数大于或等于次数阈值的情况下,输出适应度最高的个体以作为最优解。
在步骤S22中,将最优解输入CNN模型和LSTM网络,并采用CNN模型和LSTM网络预测景区短期客流量。
另一方面,本发明还提供一种基于优化遗传算法的景区短期客流量的预测系统,该预测系统可以包括处理器,该处理器可以用于执行如上述任一所述的预测方法。
再一方面,本发明还提供一种存储介质,该存储介质可以存储有指令,该指令可以用于被机器读取以使得机器执行如上述任一所述的预测方法。
为了进一步验证本发明提供的预测方法的技术效果,在本发明的一个示例中,以同样的景区的包括多种影响因素的历史数据作为源数据,分别多次采用本发明提供的方法、LSTM网络、CNN模型以及BP神经网络进行预测。
其预测结果如表1所示,
表1(平均百分比误差%)
GA-CNN-LSTM | LSTM | CNN | BP | |
1 | 20.73 | 24.92 | 29.81 | 28.36 |
2 | 20.50 | 23.96 | 29.81 | 28.56 |
3 | 20.86 | 24.64 | 29.80 | 28.33 |
4 | 20.79 | 24.54 | 29.81 | 29.02 |
5 | 20.96 | 24.56 | 29.81 | 27.18 |
平均值 | 20.77 | 24.92 | 29.81 | 28.29 |
其中,GA-CNN-STM为本发明提供的预测方法(模型),CNN为现有技术的卷积神经网络,LSTM为现有技术的长短时记忆网络,BP为反向传播神经网络。
从表1中可以看出,在同样的源数据的情况下,本发明提供的预测方法的预测结果的平均百分比误差明显小于现有技术中的其他的方法。因此,本发明提供的预测方法能够更加准确地预测景区的短期客流量。
通过上述技术方案,本发明提供的基于优化遗传算法的景区短期客流量的预测方法及系统通过将CNN模型和LSTM网络结合在一起,再进一步采用改进的遗传算法对CNN模型和LSTM网络的参数进行优化,克服了CNN模型和LSTM网络在单独预测景区客流量时存在的技术问题,提高了景区短期客流量的预测精度。
以上结合附图详细描述了本发明例的可选实施方式,但是,本发明实施方式并不限于上述实施方式中的具体细节,在本发明实施方式的技术构思范围内,可以对本发明实施方式的技术方案进行多种简单变型,这些简单变型均属于本发明实施方式的保护范围。
另外需要说明的是,在上述具体实施方式中所描述的各个具体技术特征,在不矛盾的情况下,可以通过任何合适的方式进行组合。为了避免不必要的重复,本发明实施方式对各种可能的组合方式不再另行说明。
本领域技术人员可以理解实现上述实施方式方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序存储在一个存储介质中,包括若干指令用以使得一个(可以是单片机,芯片等)或处理器(processor)执行本申请各个实施方式所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
此外,本发明实施方式的各种不同的实施方式之间也可以进行任意组合,只要其不违背本发明实施方式的思想,其同样应当视为本发明实施方式所公开的内容。
Claims (6)
1.一种基于优化遗传算法的景区短期客流量的预测方法,其特征在于,所述方法包括:
获取与所述景区短期客流量相关的影响因素的历史数据;
根据所述影响因素的种类确定CNN-LSTM模型中的CNN模型的卷积层、池化层的数量以及LSTM网络的层数;
对所述卷积层和池化层执行批量标准化操作;
确定所述CNN模型和所述LSTM网络的每个卷积层和池化层的神经元的数量的取值范围;
随机生成每个所述卷积层和所述池化层的所述神经元的多个数量值以形成初始的种群;
根据公式(1)计算所述种群的每个个体的适应度,
其中,F为所述适应度,E为测试所述CNN模型和所述LSTM网络的误差,α为预设的所述卷积层的神经元的数量对预测结果的影响系数,nconv为当前的个体的所述CNN模型中的神经元的数量,nlstm为当前的个体的所述LSTM网络的神经元的数量,nall为当前的个体的所述CNN模型和所述LSTM网络的神经元的总数量;
判断迭代次数是否大于或等于预设的次数阈值;
在判断所述迭代次数小于所述次数阈值的情况下,按照所述适应度从高到低的顺序从所述种群中筛选出预定比例的数量的个体;
对筛选出的所述个体按照所述适应度从高到低的顺序依次执行变异和交叉操作;
将执行完交叉操作的所述个体分别输入所述CNN-LSTM模型中,并采用测试集测试所述CNN-LSTM模型以得到对应的所述误差;
更新迭代次数并再次采用公式(1)计算所述种群的每个个体的适应度;
在判断所述迭代次数大于或等于所述次数阈值的情况下,输出所述适应度最高的所述个体以作为最优解;
将所述最优解输入所述CNN模型和LSTM网络,并采用所述CNN模型和所述LSTM网络预测所述景区短期客流量。
2.根据权利要求1所述的预测方法,其特征在于,所述影响因素包括每日客流量、天气指数、门票数量以及百度指数中的至少一者。
3.根据权利要求1所述的预测方法,其特征在于,对所述卷积层和池化层执行批量标准化操作具体包括:
对所述卷积层和所述池化层执行归一化操作。
4.根据权利要求1所述的预测方法,其特征在于,所述误差的初始值为1。
5.一种基于优化遗传算法的景区短期客流量的预测系统,其特征在于,所述预测系统包括处理器,所述处理器用于执行如权利要求1至4任一所述的预测方法。
6.一种存储介质,其特征在于,所述存储介质存储有指令,所述指令用于被机器读取以使得所述机器执行如权利要求1至4任一所述的预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911229110.4A CN111062524A (zh) | 2019-12-04 | 2019-12-04 | 基于优化遗传算法的景区短期客流量的预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911229110.4A CN111062524A (zh) | 2019-12-04 | 2019-12-04 | 基于优化遗传算法的景区短期客流量的预测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111062524A true CN111062524A (zh) | 2020-04-24 |
Family
ID=70299792
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911229110.4A Pending CN111062524A (zh) | 2019-12-04 | 2019-12-04 | 基于优化遗传算法的景区短期客流量的预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111062524A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111860939A (zh) * | 2020-06-02 | 2020-10-30 | 合肥工业大学 | 基于注意力机制和rclstm网络的客流量预测方法及系统 |
CN113051474A (zh) * | 2021-03-24 | 2021-06-29 | 武汉大学 | 一种融合多平台多终端搜索指数的客流预测方法及系统 |
CN116502765A (zh) * | 2023-05-16 | 2023-07-28 | 江苏慧眼数据科技股份有限公司 | 一种基于lstm模型的滞留人数预测方法 |
-
2019
- 2019-12-04 CN CN201911229110.4A patent/CN111062524A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111860939A (zh) * | 2020-06-02 | 2020-10-30 | 合肥工业大学 | 基于注意力机制和rclstm网络的客流量预测方法及系统 |
CN111860939B (zh) * | 2020-06-02 | 2022-04-08 | 合肥工业大学 | 基于注意力机制和rclstm网络的客流量预测方法及系统 |
CN113051474A (zh) * | 2021-03-24 | 2021-06-29 | 武汉大学 | 一种融合多平台多终端搜索指数的客流预测方法及系统 |
CN113051474B (zh) * | 2021-03-24 | 2023-09-15 | 武汉大学 | 一种融合多平台多终端搜索指数的客流预测方法及系统 |
CN116502765A (zh) * | 2023-05-16 | 2023-07-28 | 江苏慧眼数据科技股份有限公司 | 一种基于lstm模型的滞留人数预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111062524A (zh) | 基于优化遗传算法的景区短期客流量的预测方法及系统 | |
CN110991724A (zh) | 用于预测风景区客流量的方法、系统及存储介质 | |
Uyar et al. | A new population based adaptive domination change mechanism for diploid genetic algorithms in dynamic environments | |
CN112966114A (zh) | 基于对称图卷积神经网络的文献分类方法和装置 | |
CN111860939B (zh) | 基于注意力机制和rclstm网络的客流量预测方法及系统 | |
CN112990420A (zh) | 一种用于卷积神经网络模型的剪枝方法 | |
CN114168318A (zh) | 存储释放模型的训练方法、存储释放方法及设备 | |
CN112801231A (zh) | 用于业务对象分类的决策模型训练方法和装置 | |
CN110471854A (zh) | 一种基于高维数据混合约简的缺陷报告指派方法 | |
CN113821975B (zh) | 一种燃料电池性能衰减预测方法及系统 | |
CN115856694A (zh) | 电池寿命预测方法、装置、计算机设备和存储介质 | |
CN111026661B (zh) | 一种软件易用性全面测试方法及系统 | |
CN113656707A (zh) | 一种理财产品推荐方法、系统、存储介质及设备 | |
CN112884028A (zh) | 一种系统资源调整方法、装置及设备 | |
CN111178416A (zh) | 参数调整方法和装置 | |
CN117253238B (zh) | 训练样本的确定、神经网络训练、版图优化方法及装置 | |
CN115543226B (zh) | 一种闪存数据存储处理方法及系统 | |
CN112242157B (zh) | 数据读电压的确定方法、参数确定方法、装置及设备 | |
CN117689011B (zh) | 一种模型调整方法、装置、设备及存储介质 | |
Ramos et al. | Adaptive local false discovery rate procedures for highly spiky data and their application RNA sequencing data of yeast SET4 deletion mutants | |
WO2022044301A1 (en) | Information processing apparatus, information processing method, and computer readable medium | |
CN115600121B (zh) | 数据分层分类方法及装置、电子设备、存储介质 | |
JP7314723B2 (ja) | 画像処理システム、及び画像処理プログラム | |
Majid et al. | Optimization of warranty cost using genetic algorithm: a case study in fleet vehicle | |
Pourbahman et al. | Reducing the computational cost in multi-objective evolutionary algorithms by filtering worthless individuals |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200424 |