CN111737640A - 水位预测方法、装置及计算机可读存储介质 - Google Patents

水位预测方法、装置及计算机可读存储介质 Download PDF

Info

Publication number
CN111737640A
CN111737640A CN202010823023.8A CN202010823023A CN111737640A CN 111737640 A CN111737640 A CN 111737640A CN 202010823023 A CN202010823023 A CN 202010823023A CN 111737640 A CN111737640 A CN 111737640A
Authority
CN
China
Prior art keywords
water level
information
task
series data
trained
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
Application number
CN202010823023.8A
Other languages
English (en)
Other versions
CN111737640B (zh
Inventor
庞海天
王尧
杨洋
陈哲
张聪
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Jianghang Lianjia Intelligent Technology Co ltd
Original Assignee
Shenzhen Jianghang Lianjia Intelligent Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Jianghang Lianjia Intelligent Technology Co ltd filed Critical Shenzhen Jianghang Lianjia Intelligent Technology Co ltd
Priority to CN202010823023.8A priority Critical patent/CN111737640B/zh
Publication of CN111737640A publication Critical patent/CN111737640A/zh
Application granted granted Critical
Publication of CN111737640B publication Critical patent/CN111737640B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
    • G06F17/148—Wavelet transforms
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C13/00—Surveying specially adapted to open water, e.g. sea, lake, river or canal
    • G01C13/008—Surveying specially adapted to open water, e.g. sea, lake, river or canal measuring depth of open water
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01F—MEASURING VOLUME, VOLUME FLOW, MASS FLOW OR LIQUID LEVEL; METERING BY VOLUME
    • G01F23/00—Indicating or measuring liquid level or level of fluent solid material, e.g. indicating in terms of volume or indicating by means of an alarm
    • G01F23/80—Arrangements for signal processing
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Fluid Mechanics (AREA)
  • Hydrology & Water Resources (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Signal Processing (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种水位预测方法、装置及计算机可读存储介质，所述水位预测方法包括：获取时间序列数据，其中，所述时间序列数据由水位信息的时间序列数据以及降水量信息的时间序列数据组成；获取多任务预测模型，根据所述多任务预测模型对所述时间序列数据进行预测，确定水位预测结果，其中，所述多任务预测模型包括主任务和相关任务，所述主任务基于所述水位信息的时间序列数据进行预测，所述相关任务基于所述降水量信息的时间序列数据进行预测；输出所述水位预测结果。由于多任务预测模型中的主任务在预测水位时，还通过相关任务预测降水量，主任务可以通过相关任务提升泛化效果，因此降低了水位预测结果与实际水位情况的误差。

Description

水位预测方法、装置及计算机可读存储介质
技术领域
本发明涉及水位预测技术领域，尤其涉及一种水位预测方法、装置及计算机可读存储介质。
背景技术
水库的水位情况对水库周边的环境有着重要影响，不同的水位情况会影响到洪涝、干旱等气象灾害的发生情况，为了及时监测洪涝、干旱等气象灾害并准备预防措施，需要提前对未来的水库的水位情况进行预测以得到水位预测结果，传统的预测水位的方法一般是通过单任务学习技术构建预测模型，并通过该预测模型得到水位预测结果，然而，采用这种方法得到的水位预测结果与实际的水位情况的误差较大。
上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供水位预测方法、装置及计算机可读存储介质，旨在解决现有技术中预测水库水位时得到的水位预测结果与实际水位情况误差较大的问题。
为实现上述目的，本发明提供一种水位预测方法，所述水位预测方法包括：
获取时间序列数据，其中，所述时间序列数据由水位信息的时间序列数据以及降水量信息的时间序列数据组成；
获取多任务预测模型，根据所述多任务预测模型对所述时间序列数据进行预测，确定水位预测结果，其中，所述多任务预测模型包括主任务和相关任务，所述主任务基于所述水位信息的时间序列数据进行预测，所述相关任务基于所述降水量信息的时间序列数据进行预测；
输出所述水位预测结果。
可选地，所述确定水位预测结果的步骤，之后还包括：
对所述水位预测结果进行小波分解，以得到小波分解后的所述水位预测结果；
对小波分解后的所述水位预测结果进行小波重构；
所述输出所述水位预测结果的步骤包括：
输出所述小波重构后的所述水位预测结果。
可选地，所述主任务包括第一长短期记忆网络以及第一全连接层，所述相关任务包括第二长短期记忆网络以及第二全连接层，所述多任务预测模型还包括参数共享层，所述根据所述多任务预测模型对所述时间序列数据进行预测，确定水位预测结果的步骤包括：
将所述水位信息的时间序列数据输入所述第一长短期记忆网络，以得到第一输出信息，将所述降水量信息的时间序列数据输入第二长短期记忆网络，以得到第二输出信息；
将所述第一输出信息输入所述第一全连接层，以得到第三输出信息，将所述第二输出信息输入所述第二全连接层，以得到第四输出信息；
将所述第三输出信息以及所述第四输出信息输入所述参数共享层，以得到所述参数共享层的输出信息；
根据所述参数共享层的输出信息确定所述水位预测结果。
可选地，所述根据所述参数共享层的输出信息确定所述水位预测结果的步骤包括：
根据预设的非线性激活函数对所述参数共享层的输出信息进行处理，以得到所述水位预测结果。
可选地，所述获取时间序列数据的步骤包括：
获取所述水位信息以及所述降水量信息，筛选所述水位信息以及所述降水量信息中的异常信息以生成目标样本数据；
将所述目标样本数据按照预设时间间隔进行分割；
根据分割后的所述目标样本数据生成所述时间序列数据。
可选地，所述根据分割后的目标样本数据生成所述时间序列数据的步骤包括：
将所述分割后的目标样本数据转化为三阶张量数据，其中，所述三阶张量数据包括所述水位信息或所述降水量信息的样本以及所述预设时间间隔，还包括所述水位信息或所述降水量信息的特征；
将所述三阶张量数据作为所述时间序列数据。
可选地，所述水位预测方法还包括：
获取待训练时间序列数据，其中，所述待训练时间序列数据由水位信息的待训练时间序列数据以及降水量信息的待训练时间序列数据组成；
获取待训练多任务预测模型，将所述待训练时间序列数据输入至所述待训练多任务预测模型中，以确定损失函数，其中，所述待训练多任务预测模型包括主训练任务和相关训练任务，所述主训练任务对所述水位信息的待训练时间序列数据进行训练，所述相关训练任务对所述降水量信息的时间序列数据进行训练；
在所述损失函数的值大于或等于预设阈值时，根据所述损失函数调整所述待训练多任务预测模型中的权重参数，以更新所述待训练多任务预测模型；
在所述待训练多任务预测模型更新完成后，返回执行所述将所述待训练时间序列数据输入待训练多任务预测模型的步骤；
在所述损失函数的值小于所述预设阈值时，将所述待训练多任务预测模型确定为所述多任务预测模型，保存所述多任务预测模型。
可选地，所述主训练任务包括第一长短期记忆网络以及第一全连接层，所述相关训练任务包括第二长短期记忆网络以及第二全连接层，所述待训练多任务预测模型还包括参数共享层，所述将所述待训练时间序列数据输入至所述待训练多任务预测模型中，以确定损失函数的步骤包括：
将所述水位信息的待训练时间序列数据输入所述第一长短期记忆网络，以得到第一输出信息，将所述降水量信息的待训练时间序列数据输入至所述第二长短期记忆网络，以得到第二输出信息；
将所述第一输出信息输入至所述第一全连接层，以得到第三输出信息，将所述第二输出信息输入至所述第二全连接层，以得到第四输出信息；
将所述第三输出信息以及所述第四输出信息输入至所述参数共享层，以得到所述参数共享层的输出信息；
根据所述参数共享层的输出信息，确定所述主训练任务的主损失函数以及所述相关训练任务的相关损失函数；
根据所述主损失函数以及所述相关损失函数，确定所述损失函数。
此外，为实现上述目的，本发明还提供一种水位预测装置，所述水位预测装置包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的水位预测程序，所述水位预测程序被所述处理器执行时实现上述任一项所述的水位预测方法的步骤。
此外，为实现上述目的，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有水位预测程序，所述水位预测程序被处理器执行时还实现上述任一项所述的水位预测方法的步骤。
本发明提出的一种水位预测方法、装置及计算机可读存储介质，通过多任务预测模型对水位信息的时间序列数据以及降水量信息的时间序列数据进行预测，得到了水位预测结果并将水位预测结果输出，由于多任务预测模型中的主任务在根据水位信息的时间序列数据进行预测时，还通过相关任务对降水量信息的时间序列数据进行预测，考虑了水位与降水量的相关性，相较于单一任务的水位预测，本申请的水位预测结果与实际水位情况的误差较小。
附图说明
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
图1是本发明实施例方案涉及的硬件运行环境的装置结构示意图；
图2是本发明水位预测方法实施例一的流程示意图；
图3是本发明水位预测方法实施例二的流程示意图；
图4是本发明水位预测方法实施例三的流程示意图；
图5是本发明水位预测方法实施例四的流程示意图；
图6是本发明水位预测方法实施例五的流程示意图；
图7是本发明水位预测方法实施例六的流程示意图；
图8是本发明水位预测方法实施例七的流程示意图；
图9是本发明水位预测方法实施例八的流程示意图。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
如图1所示，图1是本发明实施例方案涉及的硬件运行环境的装置结构示意图。如图1所示，该装置可以包括：处理器1001，例如CPU，网络接口1004，用户接口1003，存储器1005，通信总线1002。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏（Display）、输入单元比如键盘（Keyboard），可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口（如WI-FI接口）。存储器1005可以是高速RAM存储器，也可以是稳定的存储器（non-volatilememory），例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解，图1中示出的装置结构并不构成对装置的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1所示，作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及水位预测程序。
在图1所示的终端中，网络接口1004主要用于连接后台服务器，与后台服务器进行数据通信；用户接口1003主要用于连接客户端（用户端），与客户端进行数据通信；
而处理器1001可以用于调用存储器1005中存储的水位预测程序，并执行以下操作：
获取时间序列数据，其中，所述时间序列数据由水位信息的时间序列数据以及降水量信息的时间序列数据组成；
获取多任务预测模型，根据所述多任务预测模型对所述时间序列数据进行预测，确定水位预测结果，其中，所述多任务预测模型包括主任务和相关任务，所述主任务基于所述水位信息的时间序列数据进行预测，所述相关任务基于所述降水量信息的时间序列数据进行预测；
输出所述水位预测结果。
进一步地，处理器1001可以调用存储器1005中存储的水位预测程序，还执行以下操作：
对所述水位预测结果进行小波分解，以得到小波分解后的所述水位预测结果；
对小波分解后的所述水位预测结果进行小波重构；
输出所述小波重构后的所述水位预测结果。
进一步地，处理器1001可以调用存储器1005中存储的水位预测程序，还执行以下操作：
将所述水位信息的时间序列数据输入所述第一长短期记忆网络，以得到第一输出信息，将所述降水量信息的时间序列数据输入第二长短期记忆网络，以得到第二输出信息；
将所述第一输出信息输入所述第一全连接层，以得到第三输出信息，将所述第二输出信息输入所述第二全连接层，以得到第四输出信息；
将所述第三输出信息以及所述第四输出信息输入所述参数共享层，以得到所述参数共享层的输出信息；
根据所述参数共享层的输出信息确定所述水位预测结果。
进一步地，处理器1001可以调用存储器1005中存储的水位预测程序，还执行以下操作：
根据预设的非线性激活函数对所述参数共享层的输出信息进行处理，以得到所述水位预测结果。
进一步地，处理器1001可以调用存储器1005中存储的水位预测程序，还执行以下操作：
获取所述水位信息以及所述降水量信息，筛选所述水位信息以及所述降水量信息中的异常信息以生成目标样本数据；
将所述目标样本数据按照预设时间间隔进行分割；
根据分割后的所述目标样本数据生成所述时间序列数据。
进一步地，处理器1001可以调用存储器1005中存储的水位预测程序，还执行以下操作：
将所述分割后的目标样本数据转化为三阶张量数据，其中，所述三阶张量数据包括所述水位信息或所述降水量信息的样本以及所述预设时间间隔，还包括所述水位信息或所述降水量信息的特征；
将所述三阶张量数据作为所述时间序列数据。
进一步地，处理器1001可以调用存储器1005中存储的水位预测程序，还执行以下操作：
获取待训练时间序列数据，其中，所述待训练时间序列数据由水位信息的待训练时间序列数据以及降水量信息的待训练时间序列数据组成；
获取待训练多任务预测模型，将所述待训练时间序列数据输入至所述待训练多任务预测模型中，以确定损失函数，其中，所述待训练多任务预测模型包括主训练任务和相关训练任务，所述主训练任务对所述水位信息的待训练时间序列数据进行训练，所述相关训练任务对所述降水量信息的时间序列数据进行训练；
在所述损失函数的值大于或等于预设阈值时，根据所述损失函数调整所述待训练多任务预测模型中的权重参数，以更新所述待训练多任务预测模型；
在所述待训练多任务预测模型更新完成后，返回执行所述将所述待训练时间序列数据输入待训练多任务预测模型的步骤；
在所述损失函数的值小于所述预设阈值时，将所述待训练多任务预测模型确定为所述多任务预测模型，保存所述多任务预测模型。
进一步地，处理器1001可以调用存储器1005中存储的水位预测程序，还执行以下操作：
将所述水位信息的待训练时间序列数据输入所述第一长短期记忆网络，以得到第一输出信息，将所述降水量信息的待训练时间序列数据输入至所述第二长短期记忆网络，以得到第二输出信息；
将所述第一输出信息输入至所述第一全连接层，以得到第三输出信息，将所述第二输出信息输入至所述第二全连接层，以得到第四输出信息；
将所述第三输出信息以及所述第四输出信息输入至所述参数共享层，以得到所述参数共享层的输出信息；
根据所述参数共享层的输出信息，确定所述主训练任务的主损失函数以及所述相关训练任务的相关损失函数；
根据所述主损失函数以及所述相关损失函数，确定所述损失函数。
参照图2，本发明实施例一提供一种水位预测方法，所述水位预测方法包括：
步骤S10，获取时间序列数据，其中，所述时间序列数据由水位信息的时间序列数据以及降水量信息的时间序列数据组成；
时间序列数据是一种按照时间先后顺序对数据进行排列形成的数据点序列，时间序列数据包括水位信息的时间序列数据及降水量信息的时间序列数据，水位信息的时间序列数据指将水位信息按照时间先后顺序进行排列得到的数据点序列，水库的水位存在时序性，即水位与时间存在相关性，也就是说某一日的水位与该日前的水位有相关性，因此可以将水位信息保存在带有时间轴的三阶张量中，基于时间来预测水位，每个水位信息可以被编码为一个向量序列，并进一步在该向量序列的基础上生成时间序列数据，降水量同样存在时序性，即降水量与时间存在相关性，降水量信息的时间序列数据指将降水量信息按照时间先后顺序进行排列形成的数据点序列，时间序列数据可以是从其他设备接收的数据，也可以是此前已经保存在存储器中的数据。
步骤S20，获取多任务预测模型，根据所述多任务预测模型对所述时间序列数据进行预测，确定水位预测结果，其中，所述多任务预测模型包括主任务和相关任务，所述主任务基于所述水位信息的时间序列数据进行预测，所述相关任务基于所述降水量信息的时间序列数据进行预测；
多任务预测模型是基于多任务学习技术训练完成后得到的预测模型，该预测模型可保存在装置上，或从其他终端获取，多任务预测模型的具体结构不限，只要其能进行主任务以及相关任务的预测即可，多任务预测模型包括主任务和相关任务，主任务可以通过相关任务提升预测的泛化效果，主任务以水位信息的时间序列数据作为输入进行预测，相关任务以降水量信息的时间序列数据作为输入进行预测，根据主任务和相关任务的预测情况进一步得到水位预测结果，水位预测结果指通过多任务预测模型预测得到的某一时刻的水位情况，多任务预测模型在预测过程完成之后会得到水位预测结果和降水量预测结果，通过处理以提取其中的水位预测结果，水位预测结果中还包含水位信息对应的时间。
步骤S30，输出所述水位预测结果。
在得到水位预测结果之后，可以将水位预测结果输出到输出设备上，输出设备的具体形式不限，其可以是显示设备，也可以是其他终端设备，在输出水位预测结果时可以对水位预测结果中的水位预测信息和时间信息进行变换输出到输出设备上，例如，可以将当前预测到的水位预测结果与此前保存在存储器中的历史水位信息进行对比，将对比结果输出在显示设备上，或发送至其他设备进行显示，也可以将水位预测结果以数值、数组或其他形式的数据发送至其他设备以完成输出的过程。
在本实施例中，通过多任务预测模型对水位信息的时间序列数据以及降水量信息的时间序列数据进行预测得到了水位预测结果，由于考虑了水位与降水量的相关性，主任务在预测时还通过相关任务来提升自身的泛化效果，相较于单一任务的水位预测，本申请的水位预测结果与实际水位情况的误差较小。
参照图3，基于实施例一提出实施例二，在本实施例中，实施例1中的步骤S20之后还包括：
步骤S40，对所述水位预测结果进行小波分解，以得到小波分解后的所述水位预测结果；
对水位预测结果进行小波分解，通过小波滤波器先将水位预测结果分解成低频近似与高频细节两个部分，再将低频近似的部分分解成低频近似与高频细节部分，不断重复上述过程，逐次分解，直至分解到每个部分只有一个元素，以得到小波分解后的水位预测结果，其中，将系数较小的小波系数置为0，较大的小波系数保留或者削弱。
在进行小波分解时，小波基函数可以选取Daubechies16小波（多贝西小波），分解后得到小波信号，阈值可以设定为一预设参数与小波系数最大值的乘积，将小于该阈值的小波系数置为0、将大于该阈值的系数减该阈值，从而进一步得到分解后的水位预测结果。
步骤S50，对小波分解后的所述水位预测结果进行小波重构；
小波重构是小波分解的逆过程，在已知小波滤波器的值即小波分解后的水位预测结果的情况下，可以推算上一级的低通近似值与高通细节值，逐级向上递推实现重构，从而得到重构后的水位预测结果。
步骤S30包括：
步骤S31，输出所述小波重构后的所述水位预测结果。
将小波重构后的水位预测结果输出到输出设备上，输出设备可以是显示器，也可以是其他终端设备，在此不做限定。
在本实施例中，通过对水位预测结果进行小波分解和小波重构，得到了小波重构后的水位预测结果，进一步减小了水位预测结果与实际水位情况的误差。
参照图4，基于实施例一提出实施例三，在本实施例中，实施例一中的步骤S20包括：
步骤S21，将所述水位信息的时间序列数据输入所述第一长短期记忆网络，以得到第一输出信息，将所述降水量信息的时间序列数据输入第二长短期记忆网络，以得到第二输出信息；
第一长短期记忆网络是主任务在进行预测时所采用的长短期记忆网络，长短期记忆（LSTM，Long Short-Term Memory）网络是具有长期记忆能力的一种时间递归神经网络，第一输出信息是第一长短期记忆网络的输出信息，第二长短期记忆网络是相关任务在进行预测时所采用的长短期记忆网络，第二输出信息是第二长短期记忆网络的输出信息。
步骤S22，将所述第一输出信息输入所述第一全连接层，以得到第三输出信息，将所述第二输出信息输入所述第二全连接层，以得到第四输出信息；
全连接层用于将学到的分布式特征表示映射到样本标记空间，第一全连接层是主任务在进行预测时所采用的全连接层，第一全连接层由至少一个全连接层构成，第三输出信息是第一全连接层的输出信息，第二全连接层是相关任务在进行预测时所采用的全连接层，第二全连接层由至少一个全连接层构成，第四输出信息是第二全连接层的输出信息。
步骤S23，将所述第三输出信息以及所述第四输出信息输入所述参数共享层，以得到所述参数共享层的输出信息；
参数共享层本质上也是一种全连接层，参数共享层用于将第三输出信息与第四输出信息进行矩阵拼合，并得到输出信息，以进行此后的预测过程，矩阵拼合的过程例如，第三输出信息是 ([[ 8 , 5], [1, 6]])，第四输出信息是
([[ 1 , 9], [8, 5]])，经过矩阵拼合可得到([[ 8, 5, 1, 9], [1, 6, 8, 5]])，此外，矩阵拼合可以在行或列上进行拼合。
步骤S24，根据所述参数共享层的输出信息确定所述水位预测结果。
在得到参数共享层的输出信息之后，进一步根据将该输出通过激活函数进行计算，以得到水位预测结果。
在本实施例中，通过将时间序列样本输入至长短期记忆网络中，并将其输出输入至全连接层，进一步在全连接层得到了主任务以及相关任务的拼合后的数据，从而根据拼合后的数据进一步得到了水位预测结果，相较于单一任务的预测方式，本申请的水位预测结果与实际水位情况的误差较小。
参照图5，基于实施例三提出实施例四，在本实施例中，实施例三中的步骤S24包括：
S241，根据预设的非线性激活函数对所述参数共享层的输出信息进行处理，以得到所述水位预测结果。
预设的非线性激活函数是预先保存在存储器中的非线性激活函数，非线性激活函数提供了模拟复杂非线性数据所必须的非线性特性，该函数取所有输入的加权和，进而生成一个输出信号，非线性激活函数可以采用Relu激活函数（线性整流函数，可以输出非线性结果，是一种非线性激活函数），也可以采用其他非线性激活函数，在此不做限定。
在本实施例中，通过非线性激活函数对参数共享层的输出信息进行计算得到了水位预测结果，减小了水位预测结果与实际水位情况的误差。
参照图6，基于实施例一提出实施例五，在本实施例中，实施例一中的步骤S10包括：
步骤S11，获取所述水位信息以及所述降水量信息，筛选所述水位信息以及所述降水量信息中的异常信息以生成目标样本数据；
水位信息指用以描述水位情况的数据，降水量信息指用以描述降水量情况的数据，筛选指将水位信息以及降水量信息中的异常值删除，异常值指偏离实际情况或不适用于水位预测过程的值，例如负数，过大的值或过小的值，目标样本数据指筛选了异常值后的水位信息和降水量信息构成的样本数据。
步骤S12，将所述目标样本数据按照预设时间间隔进行分割；
预设时间间隔是用以对水位信息以及降水量信息划分的时间单位，该时间单位例如7日、30日等，在此不做限定。
步骤S13，根据分割后的所述目标样本数据生成所述时间序列数据。
在完成分割后，将目标样本数据转化为三阶张量数据，以得到时间序列数据，该时间序列数据用于输入至多任务预测模型中进行预测。
在本实施例中，通过筛选水位信息及降水量信息中的异常值得到了目标样本数据，并按照预设时间间隔对目标样本数据进行划分，从而得到了用于预测的时间序列数据，由于筛选了异常值，使得在预测时的水位预测结果误差更小。
参照图7，基于实施例五提出实施例六，在本实施例中，实施例五中的步骤S13包括：
步骤S131，将所述分割后的目标样本数据转化为三阶张量数据，其中，所述三阶张量数据包括所述水位信息或所述降水量信息的样本以及所述预设时间间隔，还包括所述水位信息或所述降水量信息的特征；
张量包括三个关键属性，分别是阶、形状以及数据类型，其中，阶也称轴的个数，三阶张量有三个轴，一般而言，在将目标样本转化为三阶张量数据时，将水位信息的样本存储在第一个轴中，将预设时间间隔存储在第二个轴中，将水位信息的特征存储在第三个轴中，从而构成水位信息的三阶张量数据，将降水量信息的样本存储在第一个轴中，将预设时间间隔存储在第二个轴中，将降水量信息的特征存储在第三个轴中，从而构成降水量信息的三阶张量数据。
步骤S132，将所述三阶张量数据作为所述时间序列数据。
在得到水位信息的三阶张量数据作为水位信息的时间序列数据，在得到降水量信息的三阶张量数据作为降水量信息的时间序列数据。
在本实施中，通过将目标样本数据转化为三阶张量数据得到了时间序列数据，从而能够该时间序列数据继续预测得到水位预测结果，由于考虑了水位信息及降水量信息的时序性，从而减小了水位预测结果的误差。
参照图8，基于实施例一提出实施例七，在本实施例中，所述水位预测方法还包括：
步骤S60，获取待训练时间序列数据，其中，所述待训练时间序列数据由水位信息的待训练时间序列数据以及降水量信息的待训练时间序列数据组成；
待训练时间序列数据是用于训练的时间序列数据，获取待训练时间序列数据可以从其他设备获取，也可以从此前保存在存储器中的数据中获取，例如，可以获取某市的A水库的水位信息降水量信息，并将其保存在存储器中，其中，水位信息和降水量信息的单位都是万立方英尺，其包括了A水库连续15年间每日的水位信息与降水量信息，在得到水位信息的时间序列数据以及降水量信息之后还可以对其中的异常值进行筛选，并将其转化为三阶张量数据，以得到水位信息的待训练时间序列数据以及降水量信息的待训练时间序列数据。
步骤S70，获取待训练多任务预测模型，将所述待训练时间序列数据输入至所述待训练多任务预测模型中，以确定损失函数，其中，所述待训练多任务预测模型包括主训练任务和相关训练任务，所述主训练任务对所述水位信息的待训练时间序列数据进行训练，所述相关训练任务对所述降水量信息的时间序列数据进行训练；
待训练多任务预测模型是用于训练的多任务学习模型，通过将待训练时间序列数据输入该待训练多任务预测模型中进行训练，以确定损失函数，主训练任务是对水位信息进行预测的任务，相关训练任务是对降水量进行训练的任务。
步骤S80，在所述损失函数的值大于或等于预设阈值时，根据所述损失函数调整所述待训练多任务预测模型中的权重参数，以更新所述待训练多任务预测模型；
损失函数用于估量待训练多任务预测模型的预测值与实际值的不一致程度，预设阈值是用以衡量损失函数的值与预设标准的关系，预设标准指示了损失函数是否达到理想的收敛状态，基于损失函数进行反向传播和梯度更新可以实现对多任务预测模型的更新，在得到损失函数后，根据损失函数调节待训练多任务预测模型中的权重参数，对待训练多任务预测模型的参数进行更新，此外，在更新多任务预测模型的参数时还可对其中的超参数进行调整。
步骤S90，在所述待训练多任务预测模型更新完成后，返回执行所述将所述待训练时间序列数据输入待训练多任务预测模型的步骤；
在损失函数大于或等于预设阈值的情况下，重复执行将所述待训练时间序列数据输入待训练多任务预测模型的步骤及后续步骤，从而不断调整权重参数，每调整完成一次权重并重新进行训练，直至损失函数小于预设阈值，才停止训练过程。
步骤S100，在所述损失函数的值小于所述预设阈值时，将所述待训练多任务预测模型确定为所述多任务预测模型，保存所述多任务预测模型。
在损失函数小于预设阈值时，对待训练多任务预测模型的训练过程完成，此时将待训练多任务预测模型确定为多任务预测模型，并保存在存储器中。
在本实施例中，通过水位信息的待训练时间序列数据以及降水量信息的待训练时间序列数据训练了待训练水位预测模型，并通过调整权重参数得到了最终的多任务水位预测模型，以使在进行预测时能够调用该多任务预测模型并得到水位预测结果，相较于单一任务训练并得到预测模型的方案，本申请的多任务预测模型预测得到的水位预测结果与实际水位情况的误差更小。
参照图9，基于实施例一提出实施例八，在本实施例中，实施例七中的步骤S70还包括：
步骤S71，将所述水位信息的待训练时间序列数据输入所述第一长短期记忆网络，以得到第一输出信息，将所述降水量信息的待训练时间序列数据输入至所述第二长短期记忆网络，以得到第二输出信息；
第一长短期记忆网络是主训练任务进行训练时所采用的长短期记忆网络，第一输出信息是第一长短期记忆网络的输出信息，第二长短期记忆网络是相关训练任务在进行训练时所采用的长短期记忆网络，第二输出信息是第二长短期记忆网络的输出信息。
步骤S72，将所述第一输出信息输入至所述第一全连接层，以得到第三输出信息，将所述第二输出信息输入至所述第二全连接层，以得到第四输出信息；
第一全连接层是主训练任务的全连接层，第三输出信息是第一全连接层的输出信息，第二全连接层是相关训练任务的全连接层，第四输出信息是第二全连接层的输出信息。
步骤S73，将所述第三输出信息以及所述第四输出信息输入至所述参数共享层，以得到所述参数共享层的输出信息；
将第三输出信息以及第四输出信息在参数共享层进行矩阵拼合，以得到矩阵拼合后的输出信息。
步骤S74，根据所述参数共享层的输出信息，确定所述主训练任务的主损失函数以及所述相关训练任务的相关损失函数；
根据参数共享层的输出信息确定主损失函数以及相关损失函数，主损失函数用以指示主训练任务的预测值与实际值的偏离程度，相关损失函数用以指示相关训练任务的预测值与实际值的偏离程度。
步骤S75，根据所述主损失函数以及所述相关损失函数，确定所述损失函数。
通过主损失函数以及相关损失函数分别乘以对应的系数并进行求和，以计算损失函数，例如，可以将主损失函数的系数设置为1，将相关损失函数的系数设置为0.2，则Loss=1*main loss+0.2*sub loss，其中，Loss指损失函数，main loss指主损失函数，sub loss指相关损失函数。
在本实施例中，通过将待训练时间序列数据输入长短期记忆网络，将长短期记忆网络的数据输入全连接层，并在参数共享层拼合全连接层的输出信息，并进一步根据参数共享层的输出信息得到了主损失函数以及相关损失函数，最终得到了损失函数，通过该损失函数可以对待训练多任务预测模型的权重进行调整，在权重调节完成后得到多任务预测模型，相较于单一任务训练，本申请的水位预测结果与实际水位情况的误差更小。
此外，为实现上述目的，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有水位预测程序，所述水位预测程序被处理器执行时还实现上述任一项实施例所述的水位预测方法的步骤。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种水位预测方法，其特征在于，所述水位预测方法包括：
获取时间序列数据，其中，所述时间序列数据由水位信息的时间序列数据以及降水量信息的时间序列数据组成；
获取多任务预测模型，根据所述多任务预测模型对所述时间序列数据进行预测，确定水位预测结果，其中，所述多任务预测模型包括主任务和相关任务，所述主任务基于所述水位信息的时间序列数据进行预测，所述相关任务基于所述降水量信息的时间序列数据进行预测；
输出所述水位预测结果。
2.如权利要求1所述的水位预测方法，其特征在于，所述确定水位预测结果的步骤，之后还包括：
对所述水位预测结果进行小波分解，以得到小波分解后的所述水位预测结果；
对小波分解后的所述水位预测结果进行小波重构；
所述输出所述水位预测结果的步骤包括：
输出所述小波重构后的所述水位预测结果。
3.如权利要求1所述的水位预测方法，其特征在于，所述主任务包括第一长短期记忆网络以及第一全连接层，所述相关任务包括第二长短期记忆网络以及第二全连接层，所述多任务预测模型还包括参数共享层，所述根据所述多任务预测模型对所述时间序列数据进行预测，确定水位预测结果的步骤包括：
将所述水位信息的时间序列数据输入所述第一长短期记忆网络，以得到第一输出信息，将所述降水量信息的时间序列数据输入第二长短期记忆网络，以得到第二输出信息；
将所述第一输出信息输入所述第一全连接层，以得到第三输出信息，将所述第二输出信息输入所述第二全连接层，以得到第四输出信息；
将所述第三输出信息以及所述第四输出信息输入所述参数共享层，以得到所述参数共享层的输出信息；
根据所述参数共享层的输出信息确定所述水位预测结果。
4.如权利要求3所述的水位预测方法，其特征在于，所述根据所述参数共享层的输出信息确定所述水位预测结果的步骤包括：
根据预设的非线性激活函数对所述参数共享层的输出信息进行处理，以得到所述水位预测结果。
5.如权利要求1所述的水位预测方法，其特征在于，所述获取时间序列数据的步骤包括：
获取所述水位信息以及所述降水量信息，筛选所述水位信息以及所述降水量信息中的异常信息以生成目标样本数据；
将所述目标样本数据按照预设时间间隔进行分割；
根据分割后的所述目标样本数据生成所述时间序列数据。
6.如权利要求5所述的水位预测方法，其特征在于，所述根据分割后的目标样本数据生成所述时间序列数据的步骤包括：
将所述分割后的目标样本数据转化为三阶张量数据，其中，所述三阶张量数据包括所述水位信息或所述降水量信息的样本以及所述预设时间间隔，还包括所述水位信息或所述降水量信息的特征；
将所述三阶张量数据作为所述时间序列数据。
7.如权利要求1所述的水位预测方法，其特征在于，所述水位预测方法还包括：
获取待训练时间序列数据，其中，所述待训练时间序列数据由水位信息的待训练时间序列数据以及降水量信息的待训练时间序列数据组成；
获取待训练多任务预测模型，将所述待训练时间序列数据输入至所述待训练多任务预测模型中，以确定损失函数，其中，所述待训练多任务预测模型包括主训练任务和相关训练任务，所述主训练任务对所述水位信息的待训练时间序列数据进行训练，所述相关训练任务对所述降水量信息的时间序列数据进行训练；
在所述损失函数的值大于或等于预设阈值时，根据所述损失函数调整所述待训练多任务预测模型中的权重参数，以更新所述待训练多任务预测模型；
在所述待训练多任务预测模型更新完成后，返回执行所述将所述待训练时间序列数据输入待训练多任务预测模型的步骤；
在所述损失函数的值小于所述预设阈值时，将所述待训练多任务预测模型确定为所述多任务预测模型，保存所述多任务预测模型。
8.如权利要求7所述的水位预测方法，其特征在于，所述主训练任务包括第一长短期记忆网络以及第一全连接层，所述相关训练任务包括第二长短期记忆网络以及第二全连接层，所述待训练多任务预测模型还包括参数共享层，所述将所述待训练时间序列数据输入至所述待训练多任务预测模型中，以确定损失函数的步骤包括：
将所述水位信息的待训练时间序列数据输入所述第一长短期记忆网络，以得到第一输出信息，将所述降水量信息的待训练时间序列数据输入至所述第二长短期记忆网络，以得到第二输出信息；
将所述第一输出信息输入至所述第一全连接层，以得到第三输出信息，将所述第二输出信息输入至所述第二全连接层，以得到第四输出信息；
将所述第三输出信息以及所述第四输出信息输入至所述参数共享层，以得到所述参数共享层的输出信息；
根据所述参数共享层的输出信息，确定所述主训练任务的主损失函数以及所述相关训练任务的相关损失函数；
根据所述主损失函数以及所述相关损失函数，确定所述损失函数。
9.一种水位预测装置，其特征在于，所述水位预测装置包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的水位预测程序，所述水位预测程序被所述处理器执行时实现如权利要求1至8中任一项所述的水位预测方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有水位预测程序，所述水位预测程序被处理器执行时还实现如权利要求1至8中任一项所述的水位预测方法的步骤。
CN202010823023.8A 2020-08-17 2020-08-17 水位预测方法、装置及计算机可读存储介质 Active CN111737640B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010823023.8A CN111737640B (zh) 2020-08-17 2020-08-17 水位预测方法、装置及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010823023.8A CN111737640B (zh) 2020-08-17 2020-08-17 水位预测方法、装置及计算机可读存储介质

Publications (2)

Publication Number Publication Date
CN111737640A true CN111737640A (zh) 2020-10-02
CN111737640B CN111737640B (zh) 2021-08-27

Family

ID=72658554

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010823023.8A Active CN111737640B (zh) 2020-08-17 2020-08-17 水位预测方法、装置及计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN111737640B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112712209A (zh) * 2020-12-31 2021-04-27 润联智慧科技(西安)有限公司 水库入库流量预测方法、装置、计算机设备及存储介质
CN113566929A (zh) * 2021-09-27 2021-10-29 山东西王食品有限公司 基于lstm的油罐液面超声测量方法、系统、终端及存储介质
CN113850418A (zh) * 2021-09-02 2021-12-28 支付宝(杭州)信息技术有限公司 时间序列中异常数据的检测方法和装置
CN115265707A (zh) * 2022-05-20 2022-11-01 中核武汉核电运行技术股份有限公司 一种核电大修水位图构建方法
CN116485003A (zh) * 2023-03-03 2023-07-25 大连海事大学 基于回声算法的多步航道水位预测方法、装置及存储介质
CN117309079A (zh) * 2023-11-28 2023-12-29 中国空气动力研究与发展中心计算空气动力研究所 基于时差法的超声飞渡时间测量方法、装置、设备及介质

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107885951A (zh) * 2017-11-27 2018-04-06 河海大学 一种基于组合模型的水文时间序列预测方法
CN109767027A (zh) * 2018-11-30 2019-05-17 深圳春沐源控股有限公司 水库渗水量预测方法及装置
CN109764931A (zh) * 2019-01-21 2019-05-17 常德天马电器股份有限公司 一种海绵城市河道水位预测预警方法
CN109885671A (zh) * 2019-02-28 2019-06-14 重庆邮电大学 基于多任务学习的问答方法
CN111222698A (zh) * 2020-01-06 2020-06-02 重庆邮电大学 面向物联网的基于长短时记忆网络的积水水位预测方法
CN111242344A (zh) * 2019-12-11 2020-06-05 大连海事大学 一种基于循环神经网络和卷积神经网络的智能水位预测方法
CN111310968A (zh) * 2019-12-20 2020-06-19 西安电子科技大学 一种基于互信息的lstm神经网络循环水文预报方法
CN111340284A (zh) * 2020-02-24 2020-06-26 成都大汇物联科技有限公司 一种基于长短时记忆网络的水车室水位智能预测方法
CN111353541A (zh) * 2020-03-03 2020-06-30 浙江新再灵科技股份有限公司 一种多任务模型的训练方法
CN111382350A (zh) * 2020-01-15 2020-07-07 浙江传媒学院 融合用户点击行为和用户兴趣偏好的多任务电视节目推荐方法
CN111401599A (zh) * 2019-08-01 2020-07-10 河海大学 一种基于相似性搜索和lstm神经网络的水位预测方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107885951A (zh) * 2017-11-27 2018-04-06 河海大学 一种基于组合模型的水文时间序列预测方法
CN109767027A (zh) * 2018-11-30 2019-05-17 深圳春沐源控股有限公司 水库渗水量预测方法及装置
CN109764931A (zh) * 2019-01-21 2019-05-17 常德天马电器股份有限公司 一种海绵城市河道水位预测预警方法
CN109885671A (zh) * 2019-02-28 2019-06-14 重庆邮电大学 基于多任务学习的问答方法
CN111401599A (zh) * 2019-08-01 2020-07-10 河海大学 一种基于相似性搜索和lstm神经网络的水位预测方法
CN111242344A (zh) * 2019-12-11 2020-06-05 大连海事大学 一种基于循环神经网络和卷积神经网络的智能水位预测方法
CN111310968A (zh) * 2019-12-20 2020-06-19 西安电子科技大学 一种基于互信息的lstm神经网络循环水文预报方法
CN111222698A (zh) * 2020-01-06 2020-06-02 重庆邮电大学 面向物联网的基于长短时记忆网络的积水水位预测方法
CN111382350A (zh) * 2020-01-15 2020-07-07 浙江传媒学院 融合用户点击行为和用户兴趣偏好的多任务电视节目推荐方法
CN111340284A (zh) * 2020-02-24 2020-06-26 成都大汇物联科技有限公司 一种基于长短时记忆网络的水车室水位智能预测方法
CN111353541A (zh) * 2020-03-03 2020-06-30 浙江新再灵科技股份有限公司 一种多任务模型的训练方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
张善文等: "《MATLAB在时间序列分析中的应用》", 30 April 2007, 西安电子科技大学出版社 *
秦晨光等: "基于多任务学习的方言语种识别", 《计算机研究与发展》 *
郭燕等: "基于长短时记忆神经网络的鄱阳湖水位预测", 《湖泊科学》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112712209A (zh) * 2020-12-31 2021-04-27 润联智慧科技(西安)有限公司 水库入库流量预测方法、装置、计算机设备及存储介质
CN113850418A (zh) * 2021-09-02 2021-12-28 支付宝(杭州)信息技术有限公司 时间序列中异常数据的检测方法和装置
CN113566929A (zh) * 2021-09-27 2021-10-29 山东西王食品有限公司 基于lstm的油罐液面超声测量方法、系统、终端及存储介质
CN115265707A (zh) * 2022-05-20 2022-11-01 中核武汉核电运行技术股份有限公司 一种核电大修水位图构建方法
CN116485003A (zh) * 2023-03-03 2023-07-25 大连海事大学 基于回声算法的多步航道水位预测方法、装置及存储介质
CN117309079A (zh) * 2023-11-28 2023-12-29 中国空气动力研究与发展中心计算空气动力研究所 基于时差法的超声飞渡时间测量方法、装置、设备及介质
CN117309079B (zh) * 2023-11-28 2024-03-12 中国空气动力研究与发展中心计算空气动力研究所 基于时差法的超声飞渡时间测量方法、装置、设备及介质

Also Published As

Publication number Publication date
CN111737640B (zh) 2021-08-27

Similar Documents

Publication Publication Date Title
CN111737640B (zh) 水位预测方法、装置及计算机可读存储介质
CN110929869A (zh) 注意力模型的训练方法、装置、设备及存储介质
CN110705592B (zh) 分类模型训练方法、装置、设备及计算机可读存储介质
CN111726243B (zh) 预测节点状态的方法和装置
CN111967679A (zh) 基于tcn模型的电离层总电子含量预报方法
CN113392971A (zh) 策略网络训练方法、装置、设备及可读存储介质
CN116449462B (zh) 海浪有效波高时空序列预测方法、系统、存储介质及设备
CN115587666A (zh) 基于季节趋势分解和混合神经网络的负荷预测方法及系统
CN116451514A (zh) 桥梁结构状态评估方法、装置以及电子设备
CN113253336B (zh) 一种基于深度学习的地震预测方法和系统
CN110378727A (zh) 产品潜在用户确定方法、装置、计算机设备和存储介质
CN114510870A (zh) 一种城市轨道交通地下结构的剩余寿命预测方法及装置
CN110955765A (zh) 智能助理的语料构建方法、装置、计算机设备和存储介质
CN113825165B (zh) 基于时间图网络的5g切片网络拥塞预警方法及装置
CN113194493A (zh) 基于图神经网络的无线网络数据缺失属性恢复方法及装置
CN111475496A (zh) 基于多条件约束的时间序列数据生成方法、装置及介质
CN116307185A (zh) 风速预测值的获取方法、装置、终端设备及计算机介质
CN113934863B (zh) 食品安全风险预测方法、装置、电子设备及介质
CN115952920A (zh) 高速公路od和路径流量预测方法、电子设备及存储介质
CN115859048A (zh) 一种局放信号的噪声处理方法及装置
CN114528992A (zh) 一种基于区块链的电子商务业务分析模型的训练方法
JP2021144659A (ja) 計算機、計算方法及びプログラム
CN114492905A (zh) 基于多模型融合的客诉率预测方法、装置和计算机设备
JP3181018B2 (ja) 気象予測装置
CN113642741B (zh) 模型、数据生成方法、装置、电子设备及存储介质

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