CN111898247B - 滑坡位移预测方法、设备及存储介质 - Google Patents

滑坡位移预测方法、设备及存储介质 Download PDF

Info

Publication number
CN111898247B
CN111898247B CN202010626310.XA CN202010626310A CN111898247B CN 111898247 B CN111898247 B CN 111898247B CN 202010626310 A CN202010626310 A CN 202010626310A CN 111898247 B CN111898247 B CN 111898247B
Authority
CN
China
Prior art keywords
prediction
landslide displacement
landslide
quantile
displacement
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
Application number
CN202010626310.XA
Other languages
English (en)
Other versions
CN111898247A (zh
Inventor
马俊伟
牛晓旭
张俊荣
刘晓
邹宗兴
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.)
China University of Geosciences
Original Assignee
China University of Geosciences
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 China University of Geosciences filed Critical China University of Geosciences
Priority to CN202010626310.XA priority Critical patent/CN111898247B/zh
Publication of CN111898247A publication Critical patent/CN111898247A/zh
Application granted granted Critical
Publication of CN111898247B publication Critical patent/CN111898247B/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
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • 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"

Abstract

本发明提供一种滑坡位移预测方法、设备及存储介质，滑坡位移预测方法包括以下步骤：获取预设时间内滑坡变形诱发因素和滑坡位移的历史监测数据作为样本；建立神经网络分位数回归模型，得到m个神经网络分位数回归基学习器的滑坡位移预测结果y；利用核密度估计法得到滑坡位移预测结果的概率分布函数；以概率分布函数作为权重，通过加权平均得到滑坡位移的最终组合预测值。本发明提出的技术方案的有益效果是：利用条件分位数，通过核密度估计方法得到各滑坡位移的概率密度函数，通过加权平均得到滑坡位移的最终组合预测值，可多个预测模型进行加权组合，组合预测模型能够消除单一预测模型产生的较大偏差，显著提高滑坡位移预测的可靠度和精度。

Description

滑坡位移预测方法、设备及存储介质
技术领域
本发明涉及滑坡位移预测技术领域，尤其涉及一种滑坡位移预测方法、设备及存储介质。
背景技术
滑坡是一种破坏力极强的地质灾害，在全世界范围内广泛分布，现阶段滑坡灾害已经成为频度最高、造成损失最大的地质灾害类型之一。滑坡位移预测能够对滑坡变形的未来发展趋势展开预测，对于防灾减灾具有重要意义，是滑坡灾害防治的基础性工作之一。
1965年日本学者斋藤迪孝基于室内试验资料，提出了经典的基于应变速率的滑坡时间预测预报理论，此后滑坡预测引起了国内外学者的广泛关注，涌现出一大批滑坡位移预测模型，如灰色理论模型、统计数学模型、回归模型、突变理论模型、时间序列模型、BP神经网络模型、RBF神经网络模型、SVM支持向量机模型、ELM极限学习机模型等。上述模型有其各自的特点和适用范围，但总体均属于单一预测模型，预测精度总体不高。
发明内容
有鉴于此，本发明的实施例提供了一种滑坡位移预测方法、设备及存储介质，能够显著提高滑坡位移预测的精度和可靠性。
本发明的实施例提供一种滑坡位移预测方法，包括以下步骤：
S1获取预设时间内滑坡变形诱发因素和滑坡位移的历史监测数据作为样本；
S2在(0，1)区间上间隔取m个分位数τ，根据样本建立m个神经网络分位数回归基学习器，建立神经网络分位数回归模型，将滑坡变形诱发因素的取值代入，得到m个神经网络分位数回归基学习器的滑坡位移预测结果y；
S3对各分位点处的条件分位数预测结果利用核密度估计法进行密度估计，得到滑坡位移预测结果的概率分布函数p(y)；
S4以所述概率分布函数p(y)作为权重，通过加权平均得到所述滑坡位移的最终组合预测值，表达式为：
Figure BDA0002566636070000021
式中：m为分位点的个数，yi为第i个分位数样本点对应的预测结果，pi为第i个分位数样本点对应的预测结果的概率分布值。
进一步地，步骤S2中，建立神经网络分位数回归模型包括以下步骤：
S21考虑包含一个有J个节点的隐含层的三层神经网络，以滑坡变形诱发因素作为输入，以滑坡位移的分位数预测作为输出，建立神经网络分位数回归模型，在第τ分位点处，计算隐含层第j个节点值，表达式为：
Figure BDA0002566636070000022
式中，Wij为第τ分位点处隐含层权重向量，bj为第τ分位点处隐含层偏移向量，h为隐含层转换函数；
S22计算输出层节点值，表达式为：
Figure BDA0002566636070000023
式中，Wj为第τ分位点处输出层权重向量，b(O)为第τ分位点出输出层偏移向量，f为输出层转换函数。
进一步地，步骤S3中，在得到条件分位数预测结果之后，利用Epanechnikov核密度估计法得到m个基学习器的预测结果对应的概率分布值，Epanechnikov核函数表达式为：
Figure BDA0002566636070000031
式中：h为带宽，y为各个神经网络分位数对应的预测结果，i为取第i个分位数样本点，yi为第i个分位数样本点对应的预测结果。
进一步地，在步骤S1之后，还包括：
对所述样本进行数据预处理。
进一步地，所述数据预处理包括异常数据判别与剔除、缺失数据补充、数据等时距处理中的一种或多种。
进一步地，所述滑坡变形诱发因素包括前一个月的降雨强度、前两个月的降雨强度、当月平均库水位和当月库水位变化，前一个月的位移、前两个月的位移，和前三个月的位移中的一种或多种。
此外，本发明的实施例还提供一种滑坡位移预测设备，所述滑坡位移预测设备包括：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滑坡位移预测程序，所述滑坡位移预测程序被所述处理器执行时实现如上任一项所述的滑坡位移预测方法的步骤。
此外，本发明的实施例还提供一种存储介质，所述存储介质上存储有滑坡位移预测程序，所述滑坡位移预测程序被处理器执行时实现如上任一项所述的滑坡位移预测方法的步骤。
本发明的实施例提供的技术方案带来的有益效果是：综合利用多个预测模型，通过对多个预测模型的结果取加权平均以改进预测效果，相较于单一预测模型，组合预测确实能提供比单一模型更稳定、更可靠的预测结果。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的滑坡位移预测设备的结构示意图；
图2是本发明提供的滑坡位移预测方法一实施例的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地描述。
参照图1，图1为本发明实施例方案涉及的硬件运行环境的滑坡位移预测设备结构示意图。
如图1所示，该滑坡位移预测设备可以包括：处理器1001，例如中央处理器(Central Processing Unit，CPU)，通信总线1002、客户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。客户接口1003可以包括显示屏(Display)，可选客户接口1003还可以包括标准的有线接口、无线接口，对于客户接口1003的有线接口在本发明中可为USB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(如无线保真(WIreless-FIdelity，WI-FI)接口)。存储器1005可以是高速的随机存取存储器(Random Access Memory，RAM)存储器，也可以是稳定的存储器(Non-volatileMemory，NVM)，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中示出的结构并不构成对滑坡位移预测设备的限定，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，认定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、客户接口模块以及滑坡位移预测方法程序。
在图1所示的滑坡位移预测设备中，网络接口1004主要用于连接后台服务器，与所述后台服务器进行数据通信；客户接口1003主要用于连接所述客户端；所述滑坡位移预测设备通过处理器1001调用存储器1005中存储的滑坡位移预测的方法的程序，并执行本发明实施例提供的滑坡位移预测的方法的步骤。
基于上述硬件结构，提出本发明滑坡位移预测的方法的实施例。
请参见图2，图2为本发明滑坡位移预测方法一实施例的流程示意图。本发明的实施例提供一种滑坡位移预测方法，包括：
S1获取预设时间内滑坡变形诱发因素和滑坡位移的历史监测数据作为样本。
所述滑坡变形诱发因素包括前一个月的降雨强度、前两个月的降雨强度、当月平均库水位和当月库水位变化，前一个月的位移、前两个月的位移，和前三个月的位移中的一种或多种。
在获取样本之后，对所述样本进行数据预处理，所述数据预处理包括异常数据判别与剔除、缺失数据补充、数据等时距处理中的一种或多种。
S2以神经网络分位数回归作为基学习器，在(0，1)区间上间隔取m个分位数τ，根据样本建立m个神经网络分位数回归基学习器，建立神经网络分位数回归模型，将滑坡变形诱发因素的取值代入，得到m个基学习器的滑坡位移预测结果y1、y2...ym。
分位数回归依据滑坡位移的条件分位数对滑坡变形诱发因素进行回归，得到各分位数对应的回归模型，可更细致地反应出滑坡变形诱发因素对滑坡位移的影响。
建立神经网络分位数回归模型包括以下步骤：
S21考虑包含一个有J个节点的隐含层的三层神经网络，以滑坡变形诱发因素作为输入，以滑坡位移的分位数预测作为输出，建立神经网络分位数回归模型。在第τ分位点处，计算隐含层第j个节点值，表达式为：
Figure BDA0002566636070000061
式中，Wij为第τ分位点处隐含层权重向量，bj为第τ分位点处隐含层偏移向量，h为隐含层转换函数。
S22计算输出层节点值，表达式为：
Figure BDA0002566636070000062
式中，Wj为第τ分位点处输出层权重向量，b(O)为第τ分位点出输出层偏移向量，f为输出层转换函数。
由式(1)和式(2)就组成了滑坡位移神经网络分位数回归模型，在建立的滑坡位移神经网络分位数回归模型基础上，将滑坡变形诱发因素作为输入，即可得到滑坡位移在各个分位点的条件分位数预测结果。
S3对各分位点处的条件分位数预测结果利用核密度估计法进行密度估计，得到滑坡位移预测结果的概率分布函数p(y)。
在得到条件分位数预测结果之后，利用Epanechnikov核密度估计法得到m个基学习器的预测结果y1、y2...ym对应的概率分布值，Epanechnikov核函数表达式为：
Figure BDA0002566636070000063
式中：h为带宽；y为各个神经网络分位数对应的预测结果；i为取第i个分位数样本点；yi为第i个分位数样本点对应的预测结果。
根据概率分布函数p(y)，可求得各个分位点的条件分位数预测结果y对应的概率分布值。
S4以所述概率分布函数p(y)作为权重，通过加权平均得到所述滑坡位移的最终组合预测值，表达式为：
Figure BDA0002566636070000071
式中：m为分位点的个数，yi为第i个分位数样本点对应的预测结果，pi为第i个分位数样本点对应的预测结果的概率分布值。
本实施例中，样本数据取自三峡库区范家坪滑坡ZG291监测点2006年10月至2018年10月的历史监测数据。经异常数据判别与剔除、缺失数据补充、数据等时距处理等数据预处理操作后，形成滑坡变形诱发因素和滑坡位移的历时时间序列数据集。诱发因素包括下列7个变量：前一个月的降雨强度、前两个月的降雨强度、当月平均库水位和当月库水位变化，前一个月的位移、前两个月的位移，和前三个月的位移。
以神经网络分位数回归作为基学习器，将分位数在区间(0，1)上按0.01间隔取值(τ＝0.01，0.02…0.98，0.99)，建立99个神经网络分位数回归基学习器，建立神经网络分位数回归模型，将滑坡变形诱发因素的取值代入，得到99个分位数神经网络基学习器的滑坡位移预测结果y1、y2...y99。
在得到条件分位数预测结果之后，对各分位点处的条件分位数预测结果利用Epanechnikov核密度估计法进行密度估计，得到滑坡位移预测结果的概率分布函数p(y)，表达式为：
Figure BDA0002566636070000072
式中：h为带宽；y为各个神经网络分位数对应的预测结果；i为取第i个分位数样本点；yi为第i个分位数样本点对应的预测结果。
根据概率分布函数p(y)，可求得各个分位点的条件分位数预测结果y对应的概率分布值。以所述概率分布函数p(y)作为权重，通过加权平均得到所述滑坡位移的最终组合预测值，表达式为：
Figure BDA0002566636070000073
式中：yi为第i个分位数样本点对应的预测结果，pi为第i个分位数样本点对应的预测结果的概率分布值。
本实施例预测成果显示，本发明提供的滑坡位移组合预测方法得到的预测值与观测值高度重合，相关系数高达0.99997。
为进一步说明本发明提供的技术方案的优势，对比研究了本发明提供的技术方案和传统BP神经网络模型、RBF神经网络模型、ELM极限学习机模型和SVM支持向量机模型预测方法。
选取相关系数(R)、均方误差(Mean squared error,MSE)、均方根误差(Root meansquare error,RMSE)、归一化的均方根误差(Normalized root mean square error,RMSE)和平均绝对百分比误差(Mean absolute percentage error,MAPE)作为预测模型性能评价指标。本发明和传统BP、RBF、ELM、和SVM模型预测性能评价指标如下表所示。
Figure BDA0002566636070000081
上述实例结果显示：与传统BP神经网络模型、RBF神经网络模型、ELM极限学习机模型和SVM支持向量机模型预测方法相比，本发明提供的滑坡位移预测方法得出的预测结果与观测值之间的相关系数最高，均方误差、均方根误差、归一化的均方根误差、平均绝对百分比误差最小。各预测评价指标均显示本发明提供的位移预测精度明显高于传统的BP、RBF、ELM和SVM预测方法。
本发明提供的技术方案，利用神经网络极其强大的非线性自适应能力，以及分位数回归对解释变量更加精细刻画的优点，通过将神经网络与分位数方式结合，可获得滑坡位移的若干分位数。利用这些条件分位数，通过核密度估计方法得到各滑坡位移的概率密度函数，以各滑坡位移的概率密度函数为权重，通过加权平均得到所述滑坡位移的最终组合预测值，可多个预测模型进行加权组合，组合预测模型能够消除单一预测模型产生的较大偏差，显著提高滑坡位移预测的可靠度和精度。
此外，本发明还提供一种存储介质，该存储介质上存储有滑坡位移预测程序，所述滑坡位移预测程序被处理器执行时实现如上任一项所述的滑坡位移预测方法的步骤。
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。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。词语第一、第二、以及第三等的使用不表示任何顺序，可将这些词语解释为名称。
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一个存储介质(如只读存储器镜像(Read Only Memory image，ROM)/随机存取存储器(Random AccessMemory，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，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种滑坡位移预测方法，其特征在于，包括以下步骤：
S1获取预设时间内滑坡变形诱发因素和滑坡位移的历史监测数据作为样本；
S2在(0，1)区间上间隔取m个分位数τ，根据样本建立m个神经网络分位数回归基学习器，建立神经网络分位数回归模型，将滑坡变形诱发因素的取值代入，得到m个神经网络分位数回归基学习器的滑坡位移预测结果y；
S3对各分位点处的条件分位数预测结果利用核密度估计法进行密度估计，得到滑坡位移预测结果的概率分布函数p(y)；
S4以所述概率分布函数p(y)作为权重，通过加权平均得到所述滑坡位移的最终组合预测值，表达式为：
Figure FDA0004111708980000011
式中：m为分位点的个数，yi为第i个分位数样本点对应的预测结果，pi为第i个分位数样本点对应的预测结果的概率分布值；
步骤S2中，建立神经网络分位数回归模型包括以下步骤：
S21考虑包含一个有J个节点的隐含层的三层神经网络，以滑坡变形诱发因素作为输入，以滑坡位移的分位数预测作为输出，建立神经网络分位数回归模型，在第τ分位点处，计算隐含层第j个节点值，表达式为：
Figure FDA0004111708980000012
式中，Wij为第τ分位点处隐含层权重向量，bj为第τ分位点处隐含层偏移向量，h为隐含层转换函数；
S22计算输出层节点值，表达式为：
Figure FDA0004111708980000013
式中，Wj为第τ分位点处输出层权重向量，b(O)为第τ分位点出输出层偏移向量，f为输出层转换函数。
2.如权利要求1所述的滑坡位移预测方法，其特征在于，步骤S3中，在得到条件分位数预测结果之后，利用Epanechnikov核密度估计法得到m个基学习器的预测结果对应的概率分布值，Epanechnikov核函数表达式为：
Figure FDA0004111708980000014
式中：h为带宽，y为各个神经网络分位数对应的预测结果，i为取第i个分位数样本点，yi为第i个分位数样本点对应的预测结果。
3.如权利要求1所述的滑坡位移预测方法，其特征在于，在步骤S1之后，还包括：
对所述样本进行数据预处理。
4.如权利要求3所述的滑坡位移预测方法，其特征在于，所述数据预处理包括异常数据判别与剔除、缺失数据补充、数据等时距处理中的一种或多种。
5.如权利要求1所述的滑坡位移预测方法，其特征在于，所述滑坡变形诱发因素包括前一个月的降雨强度、前两个月的降雨强度、当月平均库水位和当月库水位变化，前一个月的位移、前两个月的位移，和前三个月的位移中的一种或多种。
6.一种滑坡位移预测设备，其特征在于，所述滑坡位移预测设备包括：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滑坡位移预测程序，所述滑坡位移预测程序被所述处理器执行时实现如权利要求1至5中任一项所述的滑坡位移预测方法的步骤。
7.一种存储介质，其特征在于，所述存储介质上存储有滑坡位移预测程序，所述滑坡位移预测程序被处理器执行时实现如权利要求1至5中任一项所述的滑坡位移预测方法的步骤。
CN202010626310.XA 2020-07-02 2020-07-02 滑坡位移预测方法、设备及存储介质 Active CN111898247B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010626310.XA CN111898247B (zh) 2020-07-02 2020-07-02 滑坡位移预测方法、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010626310.XA CN111898247B (zh) 2020-07-02 2020-07-02 滑坡位移预测方法、设备及存储介质

Publications (2)

Publication Number Publication Date
CN111898247A CN111898247A (zh) 2020-11-06
CN111898247B true CN111898247B (zh) 2023-05-26

Family

ID=73192867

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010626310.XA Active CN111898247B (zh) 2020-07-02 2020-07-02 滑坡位移预测方法、设备及存储介质

Country Status (1)

Country Link
CN (1) CN111898247B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112149285B (zh) * 2020-08-31 2022-11-18 中国地质大学（武汉） 一种基于优化参数选择的滑坡预测方法
CN113065702B (zh) * 2021-03-31 2023-08-08 中国地质大学（武汉） 基于st-seep分段法和时空arma模型的滑坡位移多线性预测方法
CN115083118B (zh) * 2022-08-23 2022-12-16 云南省交通规划设计研究院有限公司 一种局部地区滑坡多级预警方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004347339A (ja) * 2003-05-20 2004-12-09 Yokohama Tlo Co Ltd 崖崩壊予測装置及び崖崩壊予測用コンピュータプログラム
CN104217258A (zh) * 2014-09-15 2014-12-17 国家电网公司 一种电力负荷条件密度预测方法
CN107798210A (zh) * 2017-08-15 2018-03-13 中南大学 一种多模型滑坡位移预测方法及其系统
CN110555566A (zh) * 2019-09-10 2019-12-10 合肥工业大学 一种基于b样条分位数回归的光电概率密度预测方法
CN111199313A (zh) * 2019-12-26 2020-05-26 航天信息股份有限公司 基于神经网络对滑坡累积位移趋势进行预测的方法及系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004347339A (ja) * 2003-05-20 2004-12-09 Yokohama Tlo Co Ltd 崖崩壊予測装置及び崖崩壊予測用コンピュータプログラム
CN104217258A (zh) * 2014-09-15 2014-12-17 国家电网公司 一种电力负荷条件密度预测方法
CN107798210A (zh) * 2017-08-15 2018-03-13 中南大学 一种多模型滑坡位移预测方法及其系统
CN110555566A (zh) * 2019-09-10 2019-12-10 合肥工业大学 一种基于b样条分位数回归的光电概率密度预测方法
CN111199313A (zh) * 2019-12-26 2020-05-26 航天信息股份有限公司 基于神经网络对滑坡累积位移趋势进行预测的方法及系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Junwei Ma.et al.Displacement Prediction of a Complex Landslide in the Three Gorges Reservoir Area (China) Using a Hybrid Computational Intelligence Approach.《Complexity》.2020,第1-15页. *
何耀耀 ; 闻才喜 ; 许启发 ; .基于Epanechnikov核与最优窗宽组合的中期电力负荷概率密度预测方法.《电力自动化设备》.2016,第36卷(第11期),第120-125页. *
李麟玮 ; 吴益平 ; 苗发盛 ; 张龙飞 ; 薛阳 ; .基于不同Bootstrap方法和KELM-BPNN模型的滑坡位移区间预测.《岩石力学与工程学报》.2019,第38卷(第5期),第912-924页. *

Also Published As

Publication number Publication date
CN111898247A (zh) 2020-11-06

Similar Documents

Publication Publication Date Title
CN111898247B (zh) 滑坡位移预测方法、设备及存储介质
CN114265979B (zh) 确定融合参数的方法、信息推荐方法和模型训练方法
JP4661250B2 (ja) 予測方法、予測装置および予測プログラム
CN110647696B (zh) 一种业务对象的排序方法及装置
Moschen et al. A ground motion record selection approach based on multiobjective optimization
Saghir et al. Monitoring process variation using modified EWMA
CN111695024A (zh) 对象评估值的预测方法及系统、推荐方法及系统
CN112966189A (zh) 一种基金产品推荐系统
CN110263973B (zh) 预测用户行为的方法及装置
CN114118570A (zh) 业务数据预测方法及装置、电子设备和存储介质
CN109657725B (zh) 一种基于复杂时空情境感知的服务质量预测方法及系统
CN116977091A (zh) 个股投资组合的确定方法、装置、电子设备及可读存储介质
CN114565196A (zh) 基于政务热线的多事件趋势预判方法、装置、设备及介质
CN111177657B (zh) 需求确定方法、系统、电子设备及存储介质
CN112256768A (zh) 模型离线训练评估方法、装置、介质和电子设备
CN113094584A (zh) 推荐学习资源的确定方法和装置
CN112231299A (zh) 一种特征库动态调整的方法和装置
KR102567137B1 (ko) 과거 일별 판매량 추정 및 미래 판매량 예측 모델 생성 방법
US20230316210A1 (en) Policy decision support apparatus and policy decision support method
CN108846743B (zh) 用于生成信息的方法和装置
Li et al. Research on load forecasting of integrated energy system based on multi-dimensional factor uncertainty
CN116029447A (zh) 预测模型训练方法和装置、介质和计算机设备
Chang et al. Autocorrelated unreplicated linear functional relationship model for multivariate time series data
CN116581883A (zh) 一种基于神经网络的配电网线损评估方法及装置
CN116744325A (zh) 一种基站流量预测方法及相关设备

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