CN112084230A - 一种地表水水质预测方法 - Google Patents
一种地表水水质预测方法 Download PDFInfo
- Publication number
- CN112084230A CN112084230A CN202010750178.3A CN202010750178A CN112084230A CN 112084230 A CN112084230 A CN 112084230A CN 202010750178 A CN202010750178 A CN 202010750178A CN 112084230 A CN112084230 A CN 112084230A
- Authority
- CN
- China
- Prior art keywords
- data
- water quality
- surface water
- time
- dnn
- 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
- 239000002352 surface water Substances 0.000 title claims abstract description 75
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000012544 monitoring process Methods 0.000 claims abstract description 27
- 238000012549 training Methods 0.000 claims abstract description 24
- 238000013528 artificial neural network Methods 0.000 claims abstract description 20
- 238000012795 verification Methods 0.000 claims abstract description 9
- 238000003062 neural network model Methods 0.000 claims abstract description 6
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims abstract description 5
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 230000006870 function Effects 0.000 claims description 8
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 5
- 238000011156 evaluation Methods 0.000 claims description 5
- 210000002569 neuron Anatomy 0.000 claims description 5
- 230000001502 supplementing effect Effects 0.000 claims description 4
- 230000009193 crawling Effects 0.000 claims description 3
- 238000013480 data collection Methods 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 abstract description 14
- 238000007726 management method Methods 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 150000001875 compounds Chemical class 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 208000025174 PANDAS Diseases 0.000 description 1
- 208000021155 Paediatric autoimmune neuropsychiatric disorders associated with streptococcal infection Diseases 0.000 description 1
- 240000000220 Panda oleosa Species 0.000 description 1
- 235000016496 Panda oleosa Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000003911 water pollution Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2474—Sequence data queries, e.g. querying versioned data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/951—Indexing; Web crawling techniques
-
- 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
-
- 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
- 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
- G06Q50/26—Government or public services
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Economics (AREA)
- Computational Linguistics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Computing Systems (AREA)
- Primary Health Care (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Educational Administration (AREA)
- Fuzzy Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种地表水水质预测方法,通过Python网络爬虫技术获取相应站点的实时地表水水质数据;采用深度神经网络作为地表水水质预测模型,包括:通过Python爬虫技术从站点自动获取足够训练深度神经网络模型DNN的地表水水质时间序列数据;对获取到的数据进行预处理;将数据按时间顺序分为训练数据集和验证数据集,由训练数据集训练DNN,采用Adam算法优化模型参数;通过网格搜索方法获取模型超参数取值,将地表水水质数据爬虫系统新获得的时间序列数据输入优化后的DNN,从而预测下一个时间步的地表水水质数据。本发明结合网络爬虫技术及深度神经网络,能够实时获取最新监测数据,输入DNN模型预测得到下一个时间步的地表水水质数据,为水环境管理提供在线决策支持。
Description
技术领域
本发明属于地表水水质预测技术领域,涉及基于网络爬虫技术及深度学习的地表水水质预测方法。
背景技术
地表水水质预测是水环境规划和管理工作的基础环节,借助水质预测模型能够预判水体的污染程度及其变化趋势,是水质预警系统等水污染防治工具的核心技术,能够为治理者提供及时有效的决策支持。水质预测模型按照建立方法分为机理模型及数据驱动模型。目前应用更为广泛的机理模型,存在着边界条件及模型参数难以设置、模型求解需要耗费较多时间和计算资源等问题。
随着遥感技术、信息集成技术的发展,积累了大量地表水水质监测历史数据,为构建数据驱动的地表水水质预测模型提供了必要条件。但是,对于部分研究人员或管理者而言,购置成套的地表水水质在线监测设备、建立完整的数据传输系统,由此收集并积累构建数据驱动模型所需的地表水水质数据,还存在相当的难度。
发明内容
本发明的目的就是为了克服上述现有地表水水质预测中存在的缺陷而提供一种基于网络爬虫技术及深度神经网络的地表水水质预测方法。
本发明的目的可以通过以下技术方案来实现:
国家地表水水质自动监测实时数据发布系统由中国环境监测总站管理,监测点位覆盖中国重要河流、湖体、库体,总数达到100余个。通过定期校准、更换电极保证监测数据的有效性。通过Python网络爬虫技术,能够获取相应站点的实时地表水水质数据,为研究者提供便捷的数据获取途径。
在众多数据驱动的地表水水质预测模型中,深度神经网络在预测精度方面显著优于传统时序模型,因为本质上传统时序模型是在预测时间点水资源变量和历史变量之间建立线性回归关系,而深度神经网络能够学习到系统内复杂的非线性映射。此外,由于水质监测受外界环境影响较大,存在一定程度的数据噪声,而深度神经网络对于数据噪声表现出更高的稳健性。
一种基于爬虫技术及深度神经网络的地表水水质预测方法,包括如下步骤:
步骤S1:通过Python爬虫技术从“国家地表水水质自动监测实时数据发布系统”自动获取足够训练深度神经网络模型(DNN)的地表水水质时间序列数据;
步骤S2:对获取到的数据进行预处理,包括:时间序列补齐、缺失值补齐、异常值剔除、数据标准化;
步骤S3:将数据按时间顺序分为训练数据集和验证数据集,由训练数据集训练DNN,采用Adam算法优化模型参数;通过网格搜索方法获取模型超参数取值,包括:时间序列滑动窗口尺寸、深度神经网络隐藏层层数、神经元个数、激活函数、学习率、训练批次大小,在验证数据集上计算评价指标值MSE和R,选取预测精度及稳健性最高的DNN作为最优模型;
步骤S4:将地表水水质数据爬虫系统新获得的时间序列数据输入优化后的DNN,从而预测下一个时间步的地表水水质数据。
所述步骤S1具体包括:
步骤S11:基于爬虫技术,在Python环境中实现从国家地表水水质自动监测实时数据发布系统自动获取地表水水质数据的功能;
步骤S12:将该地表水水质数据爬虫系统封装为可执行程序(.exe文件),在Windows系统下设置定时自动运行该程序的任务,按照固定的时间间隔进行数据收集;
步骤S13:挂载该爬虫程序一段时间,获取足够训练深度神经网络模型(DNN)的地表水水质时间序列数据;优选的,所述一段时间为三个月以上。
所述步骤S4具体为:通过步骤S1中封装的网络爬虫程序爬取到最新地表水水质数据,经过标准化处理后作为输入,经由训练好的DNN得到输出值,经过反标准化后得到预测的下一个时间步的地表水水质数据。
与现有技术相比,本发明具有以下有益效果:
1)通过网络爬虫技术实现了从环境监测总站实时获取地表水水质数据,解决了广泛存在的地表水水质数据获取难的问题。
2)实现了多站点地表水水质数据实时自动抓取及保存到本地。
3)通过网格搜索方法,能够对深度神经网络的多项超参数进行优化选取,获取精度及稳健性较高的DNN。
4)在地表水水质实时预测任务中,通过结合上述网络爬虫技术及深度神经网络,能够实时获取最新监测数据,输入已优化好的DNN模型中,迅速得到下一个时间步的地表水水质预测数据,为水环境管理提供在线决策支持。
附图说明
图1为本发明的流程示意图。
图2为本发明的结构示意图。
具体实施方式
本发明一种基于爬虫技术及深度神经网络的地表水水质预测方法,首先,通过爬虫技术从国家地表水水质自动监测实时数据发布系统自动获取足够训练深度神经网络模型(DNN)的地表水水质时间序列数据,并对获取到的数据进行时间序列补齐、缺失值补齐、异常值剔除、数据标准化等预处理。然后,将数据按时间顺序分为训练数据集和验证数据集,由训练数据集训练DNN,采用Adam算法优化模型参数。通过网格搜索方法获取包括时间序列滑动窗口尺寸、深度神经网络隐藏层层数、神经元个数、激活函数、学习率、训练批次大小等模型超参数取值,在验证数据集上计算MSE、R等评价指标值,选取预测精度及稳健性最高的DNN作为最优模型。最后,将地表水水质数据爬虫系统新获得的时间序列数据输入优化后的DNN,从而预测下一个时间步的地表水水质数据。与现有技术相比,本发明结合网络爬虫技术及深度神经网络,能够实时获取最新监测数据,输入DNN模型预测得到下一个时间步的地表水水质数据,为水环境管理提供在线决策支持。
下面结合本发明的流程图和实例对本发明作具体说明。
参照图1及图2来描述根据本发明实施例的一种基于爬虫技术及深度神经网络的地表水水质预测方法的具体实施步骤如下:
步骤S1:
步骤S11:基于爬虫技术在Python环境中运用requests包中的post方法,实现从国家地表水水质自动监测实时数据发布系统自动获取地表水水质数据,并运用pandas包中的to_excel方法,实现将爬取到的数据保存到本地的功能。
国家地表水水质自动监测实时数据发布系统(http://123.127.175.45:8082/ index.html)由中国环境监测总站负责运维,实时公布国家地表水水质自动监测数据,监测点位覆盖中国重要河流、湖体、库体,总数达到100余个。所有监测点位数据均由中国环境监测总站集中管理,通过定期校准、更换电极保证监测数据的有效性。
步骤S12:运用Python库中的pyinstaller包,将该地表水水质数据爬虫系统封装为可执行程序(.exe文件),在Windows系统下设置定时自动运行该程序的任务,按照4小时的固定时间间隔进行数据收集(每日收集时间点为:0时、4时、8时、12时、16时、20时6个整点)。每运行一次,爬取到的数据会自动保存为一个Excel表格。
步骤S13:挂载该爬虫程序满三个月时,获取到所有监测点位的地表水水质时间序列长度为540个(3*30*6),数据时间间隔为4小时,认为足够训练深度神经网络模型(DNN)。
步骤S2:本实施例从步骤S13获取的所有数据中选取了设置于巢湖的监测点位A的数据作为举例。对站点A的监测数据进行预处理,包括:时间序列补齐、缺失值补齐、异常值剔除、数据标准化。具体操作方式如下:站点A存在部分时刻故障、无返回数据的情况。因此首先对收集到的时间序列数据进行时间索引的补齐,补齐为每日0时、4时、8时、12时、16时、20时6个整点。
接下来,对于负值、极大值等异常值数据进行剔除,并对缺失值进行补齐,本实施例中采用序列均值进行补齐。
最后对数据进行Zscore标准化,保证深度神经网络的训练效率。如下为Zscore标准化公式:
步骤S3:将数据按时间顺序分为训练数据集(60%)和验证数据集(40%),由训练数据集训练DNN,采用Adam算法优化模型参数,算法公式如下:
式中,vt和st分别是对梯度的一阶矩和二阶矩的有偏估计。
通过网格搜索方法获取包括时间序列滑动窗口尺寸、深度神经网络隐藏层层数、神经元个数、激活函数、学习率、训练批次大小在内的模型超参数取值,在验证数据集上计算评价指标值MSE、R:
式中,n表示预测的序列长度,yp(tk)和y(tk)表示在tk时刻的预测值与真实值,MSE和R反应模型计算得到的序列与真实值的序列之间的接近程度,MSE约接近0,R越接近1说明预测越准确。
根据评价指标值,选取预测精度及稳健性最高的DNN作为最优模型。
步骤S4:步骤S1中的网络爬虫持续挂载运行,爬取到最新地表水水质数据,经过步骤S2中的标准化处理后作为步骤S3中DNN模型的输入,经由训练好的DNN得到输出值,经过反标准化后得到预测的下一个时间步的地表水水质数据。如下为反标准化公式:
上述实施例中训练得到的DNN模型超参数为:时间序列滑动窗口尺寸为4,深度神经网络隐藏层层数为4,隐藏层神经元个数为12、激活函数选取ReLU、学习率为0.01、训练批次大小为64。该DNN在后续的应用中,表现出了较高的预测精确度及稳健性,该水质预测模型能够对地表水环境管理提供一定的决策支持。
上述的对实施例的描述是为便于该技术领域的普通技术人员能理解和使用发明。熟悉本领域技术的人员显然可以容易地对这些实施例做出各种修改,并把在此说明的一般原理应用到其它实施例中而不必经过创造性的劳动。因此,本发明不限于上述实施例,本领域技术人员根据本发明的揭示,不脱离本发明范畴所做出的改进和修改都应该在本发明的保护范围之内。
Claims (6)
1.一种地表水水质预测方法,其特征在于,通过Python网络爬虫技术获取相应站点的实时地表水水质数据;采用深度神经网络作为地表水水质预测模型。
2.根据权利要求1所述的地表水水质预测方法,其特征在于,包括如下步骤:
步骤S1:通过Python爬虫技术从站点自动获取足够训练深度神经网络模型DNN的地表水水质时间序列数据;
步骤S2:对获取到的数据进行预处理,包括:时间序列补齐、缺失值补齐、异常值剔除、数据标准化;
步骤S3:将数据按时间顺序分为训练数据集和验证数据集,由训练数据集训练DNN,采用Adam算法优化模型参数;通过网格搜索方法获取模型超参数取值,包括:时间序列滑动窗口尺寸、深度神经网络隐藏层层数、神经元个数、激活函数、学习率、训练批次大小,在验证数据集上计算评价指标值MSE和R,选取预测精度及稳健性最高的DNN作为最优模型;
步骤S4:将地表水水质数据爬虫系统新获得的时间序列数据输入优化后的DNN,从而预测下一个时间步的地表水水质数据。
3.根据权利要求2所述的地表水水质预测方法,其特征在于,所述步骤S1包括:
步骤S11:基于爬虫技术,运用Python语言实现从站点自动获取地表水水质数据的功能;
步骤S12:将该地表水水质数据爬虫系统封装为可执行程序,在Windows系统下设置定时自动运行该程序的任务,按照固定的时间间隔进行数据收集;
步骤S13:挂载该爬虫程序三个月以上,获取足够训练深度神经网络模型DNN的地表水水质时间序列数据。
4.根据权利要求1所述的地表水水质预测方法,其特征在于,对于训练DNN的地表水质时间序列数据,需要进行数据预处理,包括:时间序列补齐、缺失值补齐、异常值剔除、数据标准化。
5.根据权利要求1所述的地表水水质预测方法,其特征在于,所述步骤S4为:通过步骤S1中封装的网络爬虫程序爬取到最新地表水水质数据,经过标准化处理后作为输入,经由训练好的DNN得到输出值,经过反标准化后得到预测的下一个时间步的地表水水质数据。
6.根据权利要求1所述的地表水水质预测方法,其特征在于,所述站点是“国家地表水水质自动监测实时数据发布系统”。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010750178.3A CN112084230A (zh) | 2020-07-30 | 2020-07-30 | 一种地表水水质预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010750178.3A CN112084230A (zh) | 2020-07-30 | 2020-07-30 | 一种地表水水质预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112084230A true CN112084230A (zh) | 2020-12-15 |
Family
ID=73735965
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010750178.3A Pending CN112084230A (zh) | 2020-07-30 | 2020-07-30 | 一种地表水水质预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112084230A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113239957A (zh) * | 2021-04-08 | 2021-08-10 | 同济大学 | 一种突发水污染事件在线识别方法 |
CN113688973A (zh) * | 2021-07-13 | 2021-11-23 | 同济大学 | 一种基于深度神经网络的供水泵站调度方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108152468A (zh) * | 2018-01-26 | 2018-06-12 | 中冶华天工程技术有限公司 | 一种基于大数据的水质健康评估方法和装置 |
CN109886477A (zh) * | 2019-01-25 | 2019-06-14 | 平安科技(深圳)有限公司 | 水污染的预测方法、装置及电子设备 |
CN110070144A (zh) * | 2019-04-30 | 2019-07-30 | 云南师范大学 | 一种湖泊水质预测方法及系统 |
CN111291937A (zh) * | 2020-02-25 | 2020-06-16 | 合肥学院 | 基于支持向量分类与gru神经网络联合的处理污水水质预测方法 |
-
2020
- 2020-07-30 CN CN202010750178.3A patent/CN112084230A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108152468A (zh) * | 2018-01-26 | 2018-06-12 | 中冶华天工程技术有限公司 | 一种基于大数据的水质健康评估方法和装置 |
CN109886477A (zh) * | 2019-01-25 | 2019-06-14 | 平安科技(深圳)有限公司 | 水污染的预测方法、装置及电子设备 |
CN110070144A (zh) * | 2019-04-30 | 2019-07-30 | 云南师范大学 | 一种湖泊水质预测方法及系统 |
CN111291937A (zh) * | 2020-02-25 | 2020-06-16 | 合肥学院 | 基于支持向量分类与gru神经网络联合的处理污水水质预测方法 |
Non-Patent Citations (1)
Title |
---|
静哥哥: "《https://www.cnblogs.com/endlesscoding/p/10304350.html》", 22 January 2019 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113239957A (zh) * | 2021-04-08 | 2021-08-10 | 同济大学 | 一种突发水污染事件在线识别方法 |
CN113688973A (zh) * | 2021-07-13 | 2021-11-23 | 同济大学 | 一种基于深度神经网络的供水泵站调度方法 |
CN113688973B (zh) * | 2021-07-13 | 2024-04-26 | 同济大学 | 一种基于深度神经网络的供水泵站调度方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110148285B (zh) | 一种基于大数据技术的油井参数智能预警系统及其预警方法 | |
US20230213895A1 (en) | Method for Predicting Benchmark Value of Unit Equipment Based on XGBoost Algorithm and System thereof | |
CN112084230A (zh) | 一种地表水水质预测方法 | |
CN111275255A (zh) | 一种混凝土坝变形监测预报模型的构建方法 | |
CN112132394B (zh) | 一种电厂循环水泵预测性状态评估方法及系统 | |
CN110555551A (zh) | 一种智慧城市的空气质量大数据管理方法及系统 | |
CN113036913B (zh) | 一种综合能源设备状态监测方法及装置 | |
CN114169638A (zh) | 一种水质预测方法及装置 | |
CN115860286B (zh) | 一种基于时序门机制的空气质量预测方法及系统 | |
CN114519923A (zh) | 一种电厂智能诊断预警方法和系统 | |
CN115545473A (zh) | 一种基于lstm的生活垃圾投放趋势智能预测方法 | |
CN116167585A (zh) | 应用于垃圾运收的数据处理方法、装置、设备及调度系统 | |
CN114757365A (zh) | 一种基于深度学习的高速铁路路基沉降预测及预警方法 | |
CN116821610A (zh) | 一种利用大数据优化风力发电效率的方法 | |
CN108345996B (zh) | 一种降低风电功率考核电量的系统及方法 | |
CN115982555A (zh) | 一种基于模糊信息粒化和动态神经网络的沉降预测方法 | |
CN115659778A (zh) | 风力发电机轴承故障诊断模型在线构建方法及在线更新设备 | |
CN113688973A (zh) | 一种基于深度神经网络的供水泵站调度方法 | |
CN112531679A (zh) | 一种测负荷特征大数据监测设备及监测方法 | |
CN111368257A (zh) | 煤改电负荷特性的分析预测方法及装置 | |
CN117423238A (zh) | 基于卷积交换网络的交通流量一体式预测装置及预测方法 | |
CN117595231B (zh) | 一种智能电网配网管理系统及其方法 | |
CN117076260B (zh) | 一种参数及设备异常检测方法及装置 | |
CN115663790A (zh) | 一种用于数字孪生电网的防过拟合电力预测方法 | |
CN111832832B (zh) | 一种基于物联网的小区自巡检系统 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20201215 |