CN112330079B - 地表信息预测方法及装置 - Google Patents
地表信息预测方法及装置 Download PDFInfo
- Publication number
- CN112330079B CN112330079B CN202110015577.XA CN202110015577A CN112330079B CN 112330079 B CN112330079 B CN 112330079B CN 202110015577 A CN202110015577 A CN 202110015577A CN 112330079 B CN112330079 B CN 112330079B
- Authority
- CN
- China
- Prior art keywords
- information
- prediction model
- surface information
- earth surface
- matrix
- 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
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Software Systems (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Game Theory and Decision Science (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供的地表信息预测方法及装置,涉及地表预测技术领域。在本申请中,首先,基于图神经网络和循环神经网络构建地表信息预测模型。其次,基于获得的多个样本信息集合对地表信息预测模型进行更新处理,得到更新后的地表信息预测模型,其中,多个样本信息集合在多个历史时间下对目标区域进行信息采集形成。然后,基于更新后的地表信息预测模型对目标地表信息进行预测处理,得到预测地表信息。基于上述方法,可以改善现有地表预测技术中存在的预测结果可靠度较低的问题。
Description
技术领域
本申请涉及地表预测技术领域,具体而言,涉及一种地表信息预测方法及装置。
背景技术
地面沉降指的是,在自然因素(如降雨、地震和山体滑坡等)影响下,地面标高降低的一种局部下降运动。其中,该局部下降运动容易导致大量生命、财产的损失,因此,这类灾害的防控成为了一些研究的关注对象。
在传统的技术中,最简单的防控手段是专业人员定时巡查,但是,巡查范围广、耗费时间长、人员雇佣成本高等问题,导致大部分的潜在危险区域都没有受到足够的关注。其中,随着传感器和计算机技术的发展,越来越多的防控手段得到了运用。例如,通过建立监测站,用各种相关仪器进行雨量监测、地下水位监测、应力监测、土壤含水量监测等,在有关专家的分析下得出结论,从而进行相应的防控。
上述方法存在的弊端是,需要经验丰富、知识面极广的专家负责,并且得到信息后需要加以分析,使得无法快速做出判断。基于此,现有技术中,随着机器学习(尤其是深度学习)的发展,各种模型被应用到了地质监控领域,包括贝叶斯模型(Bayes networks)、决策树(Decision Trees,DT)、支持向量机(Support Vector Machine,SVM)等。
但是,经发明人研究发现,在上述现有技术中,仍然存在着对地表信息进行预测的预测结果可靠度较低的问题。
发明内容
有鉴于此,本申请的目的在于提供一种地表信息预测方法及装置,以改善现有地表预测技术中存在的预测结果可靠度较低的问题。
为实现上述目的,本申请实施例采用如下技术方案:
一种地表信息预测方法,包括:
基于图神经网络和循环神经网络构建地表信息预测模型;
基于获得的多个样本信息集合对所述地表信息预测模型进行更新处理,得到更新后的地表信息预测模型,其中,该多个样本信息集合在多个历史时间下对目标区域进行信息采集形成,且每一个样本信息集合包括该目标区域中多个位置的历史高度变化信息;
基于所述更新后的地表信息预测模型对目标地表信息进行预测处理,得到预测地表信息,其中,该目标地表信息包括所述目标区域中至少一个位置在目标时间的目标高度变化信息,且该预测地表信息包括该至少一个位置的预测高度变化信息。
在本申请实施例较佳的选择中,在地表信息预测方法中,所述基于获得的多个样本信息集合对所述地表信息预测模型进行更新处理,得到更新后的地表信息预测模型的步骤,包括:
基于获得的多个样本信息集合分别形成多个训练信息集合和多个测试信息集合,其中,任意一个所述训练信息集合对应的历史时间早于任意一个所述测试信息集合对应的历史时间;
基于所述训练信息集合包括的历史高度变化信息对所述地表信息预测模型进行更新处理,得到第一地表信息预测模型;
基于所述测试信息集合包括的历史高度变化信息对所述第一地表信息预测模型进行测试处理,并在得到的测试结果满足预设条件时,将该第一地表信息预测模型作为更新后的地表信息预测模型。
在本申请实施例较佳的选择中,在地表信息预测方法中,所述基于所述训练信息集合包括的历史高度变化信息对所述地表信息预测模型进行更新处理,得到第一地表信息预测模型的步骤,包括:
针对每一个所述训练信息集合,基于该训练信息集合包括的多个位置的历史高度变化信息,构建邻接矩阵;
针对每一个所述邻接矩阵,对该邻接矩阵中的边和/或对角线的权重系数进行赋值处理,得到更新后的邻接矩阵;
分别基于每一个所述更新后的邻接矩阵得到对应的度矩阵,其中,该度矩阵为对角矩阵,该对角矩阵在对角线上的每一个元素为该更新后的邻接矩阵中每一个顶点的邻接顶点的数量,且该更新后的邻接矩阵中的每一个顶点对应所述目标区域中的一个位置;
基于每一个所述度矩阵和该度矩阵对应的更新后的邻接矩阵,对所述地表信息预测模型进行更新处理,得到第一地表信息预测模型。
在本申请实施例较佳的选择中,在地表信息预测方法中,所述针对每一个所述邻接矩阵,对该邻接矩阵中的边和/或对角线的权重系数进行赋值处理,得到更新后的邻接矩阵的步骤,包括:
针对每一个所述邻接矩阵中的每一条边,计算该条边连接的两个顶点的欧式距离,并将该欧式距离作为该条边的权重系数;
针对每一个所述邻接矩阵中的每一条边,基于该条边连接的两个顶点对应的两个位置的历史地理位置信息,计算得到地理距离信息;
减小每一条目标边的权重系数,其中,该目标边连接的两个顶点对应的两个位置的地理距离信息大于预设距离信息。
在本申请实施例较佳的选择中,在地表信息预测方法中,所述减小每一条目标边的权重系数的步骤,包括:
将每一条目标边的权重系数更新为0。
在本申请实施例较佳的选择中,在地表信息预测方法中,所述针对每一个所述邻接矩阵,对该邻接矩阵中的边和/或对角线的权重系数进行赋值处理,得到更新后的邻接矩阵的步骤,包括:
确定目标权重值,其中,该目标权重值大于预设值;
将每一个所述邻接矩阵的对角线的权重系数赋值为所述目标权重值。
本申请实施例还提供了一种地表信息预测装置,包括:
预测模型构建模块,用于基于图神经网络和循环神经网络构建地表信息预测模型;
预测模型更新模块,用于基于获得的多个样本信息集合对所述地表信息预测模型进行更新处理,得到更新后的地表信息预测模型,其中,该多个样本信息集合在多个历史时间下对目标区域进行信息采集形成,且每一个样本信息集合包括该目标区域中多个位置的历史高度变化信息;
地表信息预测模块,用于基于所述更新后的地表信息预测模型对目标地表信息进行预测处理,得到预测地表信息,其中,该目标地表信息包括所述目标区域中至少一个位置在目标时间的目标高度变化信息,且该预测地表信息包括该至少一个位置的预测高度变化信息。
在本申请实施例较佳的选择中,在地表信息预测装置中,所述预测模型更新模块包括:
信息集合处理子模块,用于基于获得的多个样本信息集合分别形成多个训练信息集合和多个测试信息集合,其中,任意一个所述训练信息集合对应的历史时间早于任意一个所述测试信息集合对应的历史时间;
预测模型更新子模块,用于基于所述训练信息集合包括的历史高度变化信息对地表信息预测模型进行更新处理,得到第一地表信息预测模型;
预测模型确定子模块,用于基于所述测试信息集合包括的历史高度变化信息对第一地表信息预测模型进行测试处理,并在得到的测试结果满足预设条件时,将该第一地表信息预测模型作为更新后的地表信息预测模型。
在本申请实施例较佳的选择中,在地表信息预测装置中,所述预测模型更新子模块包括:
邻接矩阵构建单元,用于针对每一个所述训练信息集合,基于该训练信息集合包括的多个位置的历史高度变化信息,构建邻接矩阵;
邻接矩阵更新单元,用于针对每一个所述邻接矩阵,对该邻接矩阵中的边和/或对角线的权重系数进行赋值处理,得到更新后的邻接矩阵;
度矩阵获得单元,用于分别基于每一个所述更新后的邻接矩阵得到对应的度矩阵,其中,该度矩阵为对角矩阵,该对角矩阵在对角线上的每一个元素为该更新后的邻接矩阵中每一个顶点的邻接顶点的数量,且该更新后的邻接矩阵中的每一个顶点对应所述目标区域中的一个位置;
预测模型更新单元,用于基于每一个所述度矩阵和该度矩阵对应的更新后的邻接矩阵,对所述地表信息预测模型进行更新处理,得到第一地表信息预测模型。
在本申请实施例较佳的选择中,在地表信息预测装置中,所述邻接矩阵更新单元具体用于:
针对每一个所述邻接矩阵中的每一条边,计算该条边连接的两个顶点的欧式距离,并将该欧式距离作为该条边的权重系数;
针对每一个所述邻接矩阵中的每一条边,基于该条边连接的两个顶点对应的两个位置的历史地理位置信息,计算得到地理距离信息;
减小每一条目标边的权重系数,其中,该目标边连接的两个顶点对应的两个位置的地理距离信息大于预设距离信息。
本申请提供的地表信息预测方法及装置,通过构建包括图神经网络和循环神经网络的地表信息预测模型,并基于历史信息对该地表信息预测模型进行更新处理,使得可以基于更新后的地表信息预测模型进行预测处理,得到预测地表信息,从而实现对目标区域的地表信息进行预测的目的。如此,在更新处理的过程中,一方面可以基于图神经网络对历史地表信息进行聚合(即利用历史地表信息之间在空间上的关联关系),使得历史地表信息的丰富度更高;另一方面通过循环神经网络可以有效利用历史地表信息在时间维度上的关联关系。也就是说,在更新处理的过程中,可以同时考虑历史地表信息之间在空间和时间上的关联关系,从而提高更新后的地表信息预测模型的预测精度,进而改善现有地表预测技术中存在的预测结果可靠度较低的问题,使得具有较高的实用价值。
为使本申请的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
图1为本申请实施例提供的电子设备的结构框图。
图2为本申请实施例提供的地表信息预测方法的流程示意图。
图3为图2中步骤S120包括的子步骤的流程示意图。
图4为本申请实施例提供的地表信息预测装置的方框示意图。
图标:10-电子设备;12-存储器;14-处理器;100-地表信息预测装置;110-预测模型构建模块;120-预测模型更新模块;130-地表信息预测模块。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例只是本申请的一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
如图1所示,本申请实施例提供了一种电子设备10,可以包括存储器12、处理器14和地表信息预测装置100。
其中,所述存储器12和处理器14之间直接或间接地电性连接,以实现信息的传输或交互。例如,相互之间可通过一条或多条通讯总线或信号线实现电性连接。所述地表信息预测装置100包括至少一个可以软件或固件(firmware)的形式存储于所述存储器12中的软件功能模块。所述处理器14用于执行所述存储器12中存储的可执行的计算机程序,例如,所述地表信息预测装置100所包括的软件功能模块及计算机程序等,以实现本申请实施例提供的地表信息预测方法。
可选地,所述存储器12可以是,但不限于,随机存取存储器(Random AccessMemory,RAM),只读存储器(Read Only Memory,ROM),可编程只读存储器(ProgrammableRead-Only Memory,PROM),可擦除只读存储器(Erasable Programmable Read-OnlyMemory,EPROM),电可擦除只读存储器(Electric Erasable Programmable Read-OnlyMemory,EEPROM)等。
并且,所述处理器14可以是一种通用处理器,包括中央处理器(CentralProcessing Unit,CPU)、网络处理器(Network Processor,NP)、片上系统(System onChip,SoC)等;还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
可以理解,图1所示的结构仅为示意,所述电子设备10还可包括比图1中所示更多或者更少的组件,或者具有与图1所示不同的配置,例如,还可以包括用于与其它设备(如后台服务器)进行信息交互的通信单元。
结合图2,本申请实施例还提供一种可应用于上述电子设备10的地表信息预测方法。其中,所述地表信息预测方法有关的流程所定义的方法步骤可以由所述电子设备10实现。
下面将对图2所示的具体流程,进行详细阐述。
步骤S110,基于图神经网络和循环神经网络构建地表信息预测模型。
在本实施例中,所述电子设备可以基于图神经网络(Graph Neural Networks,GNN)和循环神经网络(Recurrent Neural Networks,RNN),构建形成地表信息预测模型。也就是说,该地表信息预测模型可以包括图神经网络和循环神经网络。
步骤S120,基于获得的多个样本信息集合对地表信息预测模型进行更新处理,得到更新后的地表信息预测模型。
在本实施例中,在基于步骤S110构建形成所述地表信息预测模型之后,所述电子设备可以基于获得的多个样本信息集合对所述地表信息预测模型进行更新处理(如模型训练),得到更新后的地表信息预测模型。
其中,所述多个样本信息集合可以在多个历史时间下分别对目标区域进行信息采集形成,且每一个样本信息集合可以包括该目标区域中多个位置的历史高度变化信息。
步骤S130,基于所述更新后的地表信息预测模型对目标地表信息进行预测处理,得到预测地表信息。
在本实施例中,在基于步骤S120得到所述更新后的地表信息预测模型之后,所述电子设备可以基于该更新后的地表信息预测模型对目标地表信息进行预测处理,得到预测地表信息。
其中,所述目标地表信息可以包括所述目标区域中至少一个位置在目标时间的目标高度变化信息,且所述预测地表信息可以包括该至少一个位置的预测高度变化信息。
基于上述方法,在更新处理的过程中,一方面可以基于图神经网络对历史地表信息进行聚合(即利用历史地表信息之间在空间上的关联关系),使得历史地表信息的丰富度更高;另一方面通过循环神经网络可以有效利用历史地表信息在时间维度上的关联关系。也就是说,在更新处理的过程中,可以同时考虑历史地表信息之间在空间和时间上的关联关系,从而提高更新后的地表信息预测模型的预测精度,进而改善现有地表预测技术中存在的预测结果可靠度较低的问题。
第一方面,对于步骤S110需要说明的是,所述图神经网络的具体构成不受限制,可以根据实际应用需求进行选择。
例如,在一种可以替代的示例中,所述图神经网络可以为不具有自环的图神经网络,可以包括:
其中,X(b+1)为图神经网络(该图神经网络总共包括B层)中第b层的输出,X(b)为图神经网络中第b层的输入,D为度矩阵,A为邻接矩阵,Φ(b)为第b层的可学习参数(如可训练的filter参数)。并且,X(0)为节点特征矩阵,维度为n*d,n为节点数量,即所述目标区域中多个位置的数量,d为每一个节点包括的特征的维度。
又例如,在另一种可以替代的示例中,所述图神经网络可以为具有自环的图神经网络,可以包括:
其中,λ为自环的权重系数,I为一个单位矩阵(单位矩阵是一个方阵,从左上角到右下角的对角线,即主对角线上的元素均为1,主对角线上以外的元素全都为0),其它参数可以参照前述示例中的解释说明,在此不再一一赘述。
再例如,在另一种可以替代的示例中,所述图神经网络可以为具有自环和非线性变换单元的图神经网络,可以包括:
其中,σ为一个非线性变换单元,用于增加网络的非线性性,其它参数可以参照前述示例中的解释说明,在此不再一一赘述。
可选地,在一种可以替代的示例中,上述示例中的非线性变换单元可以是一种激活函数,如ReLU(x)=max(0,x)。
在上述示例的基础上,对于步骤S110还需要说明的是,所述循环神经网络的具体构成不受限制,可以根据实际应用需求进行选择。
例如,在一种可以替代的示例中,所述循环神经网络可以包括:
其中,tanh x为双曲正切函数,sigmoid(x)=1/(1+e-x),是一种激活函数,ut为更新门在当前时刻t的输出结果,rt为重置门在当前时刻t的输出结果,ct为候选记忆单元在当前时刻t的输出结果,ht为当前时刻记忆单元在当前时刻t的输出结果,称为隐藏状态(hiddenstate),ht-1为当前时刻记忆单元在上一时刻t-1的输出结果,h0表示初始状态,t表示时序,Wu、bu、Wr、br、Wc、bc分别为对应门或单元中的权重值,rt表示节点特征矩阵,表示rt经过所述图神经网络的聚合后形成的节点特征矩阵。
第二方面,对于步骤S120需要说明的是,进行更新处理的具体方式不受限制,可以根据实际应用需求进行选择。
例如,在一种可以替代的示例中,可以将获得的全部样本信息集合(在一种可以替代的示例中,可以基于干涉合成孔径雷达技术采集形成该样本信息集合,其中,该技术使用两幅或多幅合成孔径雷达影像图,根据卫星或飞机接收到的回波的相位差来生成数字高程模型或者地表形变图)用于对所述地表预测模型进行更新处理。
又例如,在另一种可以替代的示例中,为了保障更新后的地表信息预测模型具有较高的预测精度,结合图3,步骤S120可以包括步骤S121、步骤S122和步骤S123,具体内容如下所述。
步骤S121,基于获得的多个样本信息集合分别形成多个训练信息集合和多个测试信息集合。
在本实施例中,在获得多个样本信息集合之后,可以对该多个样本信息集合进行拆分,如此,可以分别形成多个训练信息集合和多个测试信息集合。也就是说,该多个样本信息集合中一部分作为训练信息集合、另一部分作为测试信息集合。
其中,任意一个所述训练信息集合对应的历史时间早于任意一个所述测试信息集合对应的历史时间。
步骤S122,基于训练信息集合包括的历史高度变化信息对地表信息预测模型进行更新处理,得到第一地表信息预测模型。
在本实施例中,在基于步骤S121得到所述训练信息集合之后,可以基于该训练信息集合包括的历史高度变化信息对地表信息预测模型进行更新处理,如此,可以得到第一地表信息预测模型。
步骤S123,基于测试信息集合包括的历史高度变化信息对第一地表信息预测模型进行测试处理,并在得到的测试结果满足预设条件时,将该第一地表信息预测模型作为更新后的地表信息预测模型。
在本实施例中,在基于步骤S122得到所述第一地表信息预测模型之后,可以基于在步骤S121中形成的测试信息集合包括的历史高度变化信息对第一地表信息预测模型进行测试处理。然后,在得到的测试结果满足预设条件时(例如,基于该测试信息集合进行预测得到的信息和真实信息之间的测试误差,与基于所述训练信息集合进行测试得到的信息和真实信息之间的训练误差之间的差值,小于一个阈值,可以认为满足预设条件,其中,该阈值可以基于实际需求进行配置,如对精度需求越高,该阈值可以越小;反之,若对精度需求一般,该阈值可以较大),可以将该第一地表信息预测模型作为更新后的地表信息预测模型。如此,可以保障更新后的地表高度预测模型的泛化能力。
可选地,在上述示例中,基于步骤S121分别形成所述训练信息集合和所述测试信息集合的具体方式不受限制,可以根据实际应用需求进行选择。
例如,在一种可以替代的示例中,可以基于所述样本信息集合的形成时间(如采集时间),将形成时间在前的80%的样本信息集合作为训练信息集合、将形成时间在后的20%的样本信息集合作为测试信息集合。
可选地,在上述示例中,基于步骤S122以进行更新处理的具体方式不受限制,可以根据实际应用需求进行选择。
例如,在一种可以替代的示例中,为了使得进一步提高得到的预测模型的预测精度,步骤S122可以包括以下四步,具体内容如下所述。
第一步,针对每一个所述训练信息集合,基于该训练信息集合包括的多个位置的历史高度变化信息,构建邻接矩阵。
在本实施例中,在基于步骤S121得到多个所述训练信息集合之后,可以针对每一个训练信息集合,基于该训练信息集合包括的多个位置的历史高度变化信息(如海拔沉降信息,可以理解的是,在该训练信息集合中,还可以包括其它信息,如该多个位置的地理位置信息,该地理位置信息可以包括经纬度信息和海拔高度信息),构建邻接矩阵。如此,针对多个训练信息集合,可以得到对应的多个邻接矩阵。
第二步,针对每一个所述邻接矩阵,对该邻接矩阵中的边和/或对角线的权重系数进行赋值处理,得到更新后的邻接矩阵。
在本实施例中,在基于前述的第一步得到多个邻接矩阵之后,可以针对每一个邻接矩阵,对该邻接矩阵中的边和/或对角线的权重系数进行赋值处理,得到更新后的邻接矩阵。如此,可以得到多个更新后的邻接矩阵。
第三步,分别基于每一个所述更新后的邻接矩阵得到对应的度矩阵。
在本实施例中,在基于前述的第二步得到多个更新后的邻接矩阵之后,可以针对每一个更新后的邻接矩阵,基于该更新后的邻接矩阵得到对应的度矩阵。如此,可以得到多个度矩阵。
其中,所述度矩阵为对角矩阵,该对角矩阵在对角线上的每一个元素为所述更新后的邻接矩阵中每一个顶点的邻接顶点的数量,且该更新后的邻接矩阵中的每一个顶点对应所述目标区域中的一个位置。也就是说,邻接矩阵中顶点的数量等于该目标区域中监测的位置的数量。
第四步,基于每一个所述度矩阵和该度矩阵对应的更新后的邻接矩阵,对所述地表信息预测模型进行更新处理,得到第一地表信息预测模型。
在本实施例中,在基于前述的第三步得到多个度矩阵之后,可以基于每一个所述度矩阵和该度矩阵对应的更新后的邻接矩阵,对所述地表信息预测模型进行更新处理(其中,该度矩阵和该更新后的邻接矩阵的具体应用方式,可以参照前文中对图神经网络和循环神经网络的相关解释说明),得到第一地表信息预测模型。
也就是说,每一个所述度矩阵和该度矩阵对应的更新后的邻接矩阵,可以作为一组训练矩阵集合,用于对所述地表信息预测模型进行更新处理。
可以理解的是,在上述示例中,基于第二步以对权重系数进行赋值处理的具体方式不受限制,可以根据实际应用需求进行选择。
例如,在一种可以替代的示例中,为了避免距离较远的两个顶点(位置)之间产生干扰而导致训练得到的预测模型精度下降的问题,可以基于以下步骤以对权重系数进行赋值处理:
首先,针对每一个所述邻接矩阵中的每一条边,计算该条边连接的两个顶点的欧式距离,并将该欧式距离作为该条边的权重系数;其次,针对每一个所述邻接矩阵中的每一条边,基于该条边连接的两个顶点对应的两个位置的历史地理位置信息,计算得到地理距离信息;然后,减小每一条目标边的权重系数。
其中,所述欧式距离也称为欧几里得度量,所述地理距离信息是指两个位置在所述目标区域中的真实距离,所述目标边连接的两个顶点对应的两个位置的地理距离信息大于预设距离信息,该预设距离信息可以基于用户的配置操作生成,且在精度需求较高时,该预设距离信息可以较小。
也就是说,针对真实距离较大的两个位置,为了避免相互产生干扰,可以降低这两个位置对应的两个顶点之间的边的权重系数。
并且,在一种可能的应用示例中,为了充分避免真实距离较大的两个位置在建立空间关联关系后对预测模型的更新产生的干扰,在减小每一条目标边的权重系数时,可以将每一条目标边的权重系数更新为0。
又例如,在另一种可以替代的示例中,为了在对预测模型的更新过程中充分利用历史地表信息的特性以提高得到的预测模型的精度,可以基于以下步骤以对权重系数进行赋值处理:
首先,确定目标权重值;其次,将每一个所述邻接矩阵的对角线的权重系数赋值为所述目标权重值。
其中,所述目标权重值大于预设值,所述邻接矩阵的对角线的权重系数也可以称为自环权重。也就是说,可以通过设定一个较大的权重值,以强调历史地表信息自身的重要性。
可以理解的是,在上述示例中,基于第四步以进行更新处理得到第一地表信息预测模型的具体方式不受限制,可以根据实际应用需求进行选择。
例如,在一种可以替代的示例中,可以基于梯度下降算法对所述地表信息预测模型进行更新处理。并且,在所述训练信息集合的信息量较大时,可以采用小批次(Mini-Batch)信息进行学习。
其中,在学习过程中,可以基于均方根误差(Root Mean Square Error,RMSE)计算预测模型的输出值与真实值之间的损失(Loss)。在计算得到损失之后,为了使得损失最小,可以基于该损失对预测模型的参数进行更新处理,其中,记该参数为θ,则更新方式可以如下:
其中,L表示在参数θ的基础上基于训练信息R得到的预测信息与真实信息R’之间的损失值,argmin表示计算损失值达到最小值时变量的取值。并且,在学习过程中,学习率(即每次参数更新的幅度)可以为表示为:
其中,α为学习率,▽是微积分中的一个微分算子,叫Hamilton算子,用来表示梯度和散度。
基于此,在学习的过程中,经过一定次数的更新之后,损失值可以保持在一定的小范围内波动,表示预测模型的损失已经收敛,即更新完成,得到所述第一地表信息预测模型。
可选地,在上述示例中,基于步骤S123以对所述第一地表信息预测模型进行测试处理之后,若得到的测试结果不满足预设条件,具体的处理方式不受限制,可以根据实际应用需求进行选择。
例如,在一种可以替代的示例中,若得到的测试结果不满足预设条件,可以选择采集更多的历史地表信息对构建的地表信息预测模型进行训练,从而得到满足预设条件的第一地表信息预测模型。
又例如,在另一种可以替代的示例中,若得到的测试结果不满足预设条件,可以直接对所述第一地表信息预测模型进行参数更新和调整处理,使得该第一地表信息预测模型的测试结果可以满足该预设条件。
为了对上述示例进行进一步的解释说明,本申请实施例还提高一种具体的应用示例。其中,在该应用示例中,样本信息集合可以是利用InSAR(Interferometric SyntheticAperture Radar,干涉合成孔径雷达)技术对一个位于XXX省XXX县XXX河的大规模的水坝东西两边山体进行监测得到,信息每隔12天进行一次记录,从2019年1月1日到2019年8月31日持续8个月,对两边山体上共计6733个点(即前述示例中的多个位置)进行观测。详细地,西边4569个观测点,东边2164个观测点。每一次的沉降量观测的形式是一个数值,西边从-27.58mm到28.03mm,东边从-29.06mm到30.5mm,负数代表这个观测点的海拔位置相对上次的观测信息有下降,正数代表这个观测点的海拔位置相对上次的观测信息有上升。
在得到上述多个样本信息集合(每一个样本信息集合包括6733点的观测信息)之后,可以按照信息的生成时间先后顺序,将多个样本信息集合中的前80%作为训练信息集合、后20%作为测试信息集合,然后,针对训练信息集合,可以将连续的每三次训练信息集合作为预测的输入,用于预测下一次的地表信息。
并且,为了说明本申请实施例提供的地表信息预测方法具有较高的预测精度,可以将所述更新后的地表信息预测模型(即后文中的LandGNN)与五种基线方法(HA,SVR,ARIMA,LSTM以及GRU)进行对比分析。
其中,在上述测试信息集合的基础上,进行预测的预测结果如下表所示。对于预测结果,可以通过五种不同的评价指标来衡量预测的结果,分别是RMSE(Root Mean SquareError,均方根误差)、MAE(Mean Absolute Error,平均绝对误差)、ACC(Accuracy,准确率)、R2(R-square score,R2分数,也称为决定系数)和EVS(Explained Variance Score,解释回归模型的方差得分),前两种指标越低表示模型的预测精度越高,后三种指标越高表示模型的预测精度越高。
其中,HA的全称为Historical Average,是利用历史的平均值作为未来的预测。SVR的全称为Support Vector Regression,是SVM(支持向量机)在回归问题上的重要应用。ARIMA是指差分整合移动平均自回归模型,是常用的时间序列建模方法,只需要借助内生变量就能实现预测。LSTM(Long Short-Term Memory,长短期记忆网络)是利用了三个门控单元实现了对时间序列信息的特征学习。GRU相对于LSTM减少了一个门控单元,基本保留原有的效果,并提高了学习速度。
从上表的预测结果可以看出,本申请实施例提供的基于图神经网络和循环神经网络的地表信息预测模型可以提高对地表沉降量的预测准确性,在五个评价指标上都高于其它的基线方法。
结合图4,本申请实施例还提供一种可应用于上述电子设备10的地表信息预测装置100。其中,所述地表信息预测装置100可以包括预测模型构建模块110、预测模型更新模块120和地表信息预测模块130。
所述预测模型构建模块110,可以用于基于图神经网络和循环神经网络构建地表信息预测模型。在本实施例中,所述预测模型构建模块110可用于执行图2所示的步骤S110,关于所述预测模型构建模块110的相关内容可以参照前文对步骤S110的描述。
所述预测模型更新模块120,用于基于获得的多个样本信息集合对所述地表信息预测模型进行更新处理得到更新后的地表信息预测模型,其中,多个样本信息集合在多个历史时间下对目标区域进行信息采集形成,每一个样本信息集合包括目标区域中多个位置的历史高度变化信息。在本实施例中,所述预测模型更新模块120可用于执行图2所示的步骤S120,关于所述预测模型更新模块120的相关内容可以参照前文对步骤S120的描述。
所述地表信息预测模块130,用于基于所述更新后的地表信息预测模型对目标地表信息进行预测处理,得到预测地表信息,其中,该目标地表信息包括所述目标区域中至少一个位置在目标时间的目标高度变化信息,且该预测地表信息包括该至少一个位置的预测高度变化信息。在本实施例中,所述地表信息预测模块130可用于执行图2所示的步骤S130,关于所述地表信息预测模块130的相关内容可以参照前文对步骤S130的描述。
在上述示例的基础上,在一种可以替代的示例中,所述预测模型更新模块120可以包括信息集合处理子模块、预测模型更新子模块和预测模型确定子模块。
其中,所述信息集合处理子模块,用于基于获得的多个样本信息集合分别形成多个训练信息集合和多个测试信息集合,其中,任意一个所述训练信息集合对应的历史时间早于任意一个所述测试信息集合对应的历史时间。所述预测模型更新子模块,用于基于所述训练信息集合包括的历史高度变化信息对所述地表信息预测模型进行更新处理,得到第一地表信息预测模型。所述预测模型确定子模块,用于基于所述测试信息集合包括的历史高度变化信息对所述第一地表信息预测模型进行测试处理,并在得到的测试结果满足预设条件时,将该第一地表信息预测模型作为更新后的地表信息预测模型。
在上述示例的基础上,在一种可以替代的示例中,所述预测模型更新子模块可以包括邻接矩阵构建单元、邻接矩阵更新单元、度矩阵获得单元和预测模型更新单元。
其中,所述邻接矩阵构建单元,用于针对每一个所述训练信息集合,基于该训练信息集合包括的多个位置的历史高度变化信息,构建邻接矩阵。所述邻接矩阵更新单元,用于针对每一个所述邻接矩阵,对该邻接矩阵中的边和/或对角线的权重系数进行赋值处理,得到更新后的邻接矩阵。所述度矩阵获得单元,用于分别基于每一个所述更新后的邻接矩阵得到对应的度矩阵,其中,该度矩阵为对角矩阵,该对角矩阵在对角线上的每一个元素为该更新后的邻接矩阵中每一个顶点的邻接顶点的数量,且该更新后的邻接矩阵中的每一个顶点对应所述目标区域中的一个位置。所述预测模型更新单元,用于基于每一个所述度矩阵和该度矩阵对应的更新后的邻接矩阵,对所述地表信息预测模型进行更新处理,得到第一地表信息预测模型。
在上述示例的基础上,在一种可以替代的示例中,所述邻接矩阵更新单元具体可以用于:针对每一个所述邻接矩阵中的每一条边,计算该条边连接的两个顶点的欧式距离,并将该欧式距离作为该条边的权重系数;针对每一个所述邻接矩阵中的每一条边,基于该条边连接的两个顶点对应的两个位置的历史地理位置信息,计算得到地理距离信息;减小每一条目标边的权重系数,其中,该目标边连接的两个顶点对应的两个位置的地理距离信息大于预设距离信息。
在本申请实施例中,对应于上述的应用于所述电子设备10的地表信息预测方法,还提供了一种计算机可读存储介质,该计算机可读存储介质中存储有计算机程序,该计算机程序运行时执行地表信息预测的各个步骤。
其中,前述计算机程序运行时执行的各步骤,在此不再一一赘述,可参考前文对所述充放电信息处理方法的解释说明。
综上所述,本申请提供的地表信息预测方法及装置,通过构建包括图神经网络和循环神经网络的地表信息预测模型,并基于历史信息对该地表信息预测模型进行更新处理,使得可以基于更新后的地表信息预测模型进行预测处理,得到预测地表信息,从而实现对目标区域的地表信息进行预测的目的。如此,在更新处理的过程中,一方面可以基于图神经网络对历史地表信息进行聚合(即利用历史地表信息之间在空间上的关联关系),使得历史地表信息的丰富度更高;另一方面通过循环神经网络可以有效利用历史地表信息在时间维度上的关联关系。也就是说,在更新处理的过程中,可以同时考虑历史地表信息之间在空间和时间上的关联关系,从而提高更新后的地表信息预测模型的预测精度,进而改善现有地表预测技术中存在的预测结果可靠度较低的问题,使得具有较高的实用价值。
在本申请实施例所提供的几个实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置和方法实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案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中,包括若干指令用以使得一台计算机设备(可以是个人计算机,电子设备,或者网络设备等)执行本申请各个实施例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-Only Memory)、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。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、物品或者设备不仅包括那些要素,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、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (8)
1.一种地表信息预测方法,其特征在于,包括:
基于图神经网络和循环神经网络构建地表信息预测模型;
基于获得的多个样本信息集合对所述地表信息预测模型进行更新处理,得到更新后的地表信息预测模型,其中,该多个样本信息集合在多个历史时间下对目标区域进行信息采集形成,且每一个样本信息集合包括该目标区域中多个位置的历史高度变化信息;
基于所述更新后的地表信息预测模型对目标地表信息进行预测处理,得到预测地表信息,其中,该目标地表信息包括所述目标区域中至少一个位置在目标时间的目标高度变化信息,且该预测地表信息包括该至少一个位置的预测高度变化信息;
其中,所述基于获得的多个样本信息集合对所述地表信息预测模型进行更新处理,得到更新后的地表信息预测模型的步骤,包括:
基于获得的多个样本信息集合分别形成多个训练信息集合和多个测试信息集合,其中,任意一个所述训练信息集合对应的历史时间早于任意一个所述测试信息集合对应的历史时间;
基于所述训练信息集合包括的历史高度变化信息对所述地表信息预测模型进行更新处理,得到第一地表信息预测模型;
基于所述测试信息集合包括的历史高度变化信息对所述第一地表信息预测模型进行测试处理,并在得到的测试结果满足预设条件时,将该第一地表信息预测模型作为更新后的地表信息预测模型。
2.根根据权利要求1所述的地表信息预测方法,其特征在于,所述基于所述训练信息集合包括的历史高度变化信息对所述地表信息预测模型进行更新处理,得到第一地表信息预测模型的步骤,包括:
针对每一个所述训练信息集合,基于该训练信息集合包括的多个位置的历史高度变化信息,构建邻接矩阵;
针对每一个所述邻接矩阵,对该邻接矩阵中的边和/或对角线的权重系数进行赋值处理,得到更新后的邻接矩阵;
分别基于每一个所述更新后的邻接矩阵得到对应的度矩阵,其中,该度矩阵为对角矩阵,该对角矩阵在对角线上的每一个元素为该更新后的邻接矩阵中每一个顶点的邻接顶点的数量,且该更新后的邻接矩阵中的每一个顶点对应所述目标区域中的一个位置;
基于每一个所述度矩阵和该度矩阵对应的更新后的邻接矩阵,对所述地表信息预测模型进行更新处理,得到第一地表信息预测模型。
3.根据权利要求2所述的地表信息预测方法,其特征在于,所述针对每一个所述邻接矩阵,对该邻接矩阵中的边和/或对角线的权重系数进行赋值处理,得到更新后的邻接矩阵的步骤,包括:
针对每一个所述邻接矩阵中的每一条边,计算该条边连接的两个顶点的欧式距离,并将该欧式距离作为该条边的权重系数;
针对每一个所述邻接矩阵中的每一条边,基于该条边连接的两个顶点对应的两个位置的历史地理位置信息,计算得到地理距离信息;
减小每一条目标边的权重系数,其中,该目标边连接的两个顶点对应的两个位置的地理距离信息大于预设距离信息。
4.根据权利要求3所述的地表信息预测方法,其特征在于,所述减小每一条目标边的权重系数的步骤,包括:
将每一条目标边的权重系数更新为0。
5.根据权利要求2所述的地表信息预测方法,其特征在于,所述针对每一个所述邻接矩阵,对该邻接矩阵中的边和/或对角线的权重系数进行赋值处理,得到更新后的邻接矩阵的步骤,包括:
确定目标权重值,其中,该目标权重值大于预设值;
将每一个所述邻接矩阵的对角线的权重系数赋值为所述目标权重值。
6.一种地表信息预测装置,其特征在于,包括:
预测模型构建模块,用于基于图神经网络和循环神经网络构建地表信息预测模型;
预测模型更新模块,用于基于获得的多个样本信息集合对所述地表信息预测模型进行更新处理,得到更新后的地表信息预测模型,其中,该多个样本信息集合在多个历史时间下对目标区域进行信息采集形成,且每一个样本信息集合包括该目标区域中多个位置的历史高度变化信息;
地表信息预测模块,用于基于所述更新后的地表信息预测模型对目标地表信息进行预测处理,得到预测地表信息,其中,该目标地表信息包括所述目标区域中至少一个位置在目标时间的目标高度变化信息,且该预测地表信息包括该至少一个位置的预测高度变化信息;
其中,所述预测模型更新模块包括:
信息集合处理子模块,用于基于获得的多个样本信息集合分别形成多个训练信息集合和多个测试信息集合,其中,任意一个所述训练信息集合对应的历史时间早于任意一个所述测试信息集合对应的历史时间;
预测模型更新子模块,用于基于所述训练信息集合包括的历史高度变化信息对地表信息预测模型进行更新处理,得到第一地表信息预测模型;
预测模型确定子模块,用于基于所述测试信息集合包括的历史高度变化信息对第一地表信息预测模型进行测试处理,并在得到的测试结果满足预设条件时,将该第一地表信息预测模型作为更新后的地表信息预测模型。
7.根根据权利要求6所述的地表信息预测装置,其特征在于,所述预测模型更新子模块包括:
邻接矩阵构建单元,用于针对每一个所述训练信息集合,基于该训练信息集合包括的多个位置的历史高度变化信息,构建邻接矩阵;
邻接矩阵更新单元,用于针对每一个所述邻接矩阵,对该邻接矩阵中的边和/或对角线的权重系数进行赋值处理,得到更新后的邻接矩阵;
度矩阵获得单元,用于分别基于每一个所述更新后的邻接矩阵得到对应的度矩阵,其中,该度矩阵为对角矩阵,该对角矩阵在对角线上的每一个元素为该更新后的邻接矩阵中每一个顶点的邻接顶点的数量,且该更新后的邻接矩阵中的每一个顶点对应所述目标区域中的一个位置;
预测模型更新单元,用于基于每一个所述度矩阵和该度矩阵对应的更新后的邻接矩阵,对所述地表信息预测模型进行更新处理,得到第一地表信息预测模型。
8.根据权利要求7所述的地表信息预测装置,其特征在于,所述邻接矩阵更新单元具体用于:
针对每一个所述邻接矩阵中的每一条边,计算该条边连接的两个顶点的欧式距离,并将该欧式距离作为该条边的权重系数;
针对每一个所述邻接矩阵中的每一条边,基于该条边连接的两个顶点对应的两个位置的历史地理位置信息,计算得到地理距离信息;
减小每一条目标边的权重系数,其中,该目标边连接的两个顶点对应的两个位置的地理距离信息大于预设距离信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110015577.XA CN112330079B (zh) | 2021-01-07 | 2021-01-07 | 地表信息预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110015577.XA CN112330079B (zh) | 2021-01-07 | 2021-01-07 | 地表信息预测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112330079A CN112330079A (zh) | 2021-02-05 |
CN112330079B true CN112330079B (zh) | 2021-03-26 |
Family
ID=74301492
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110015577.XA Active CN112330079B (zh) | 2021-01-07 | 2021-01-07 | 地表信息预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112330079B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114812491B (zh) * | 2022-01-19 | 2023-10-20 | 国网甘肃省电力公司经济技术研究院 | 基于长时间序列分析的输电线路地表形变预警方法及装置 |
CN114757365A (zh) * | 2022-06-13 | 2022-07-15 | 西南交通大学 | 一种基于深度学习的高速铁路路基沉降预测及预警方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108985514A (zh) * | 2018-07-17 | 2018-12-11 | 广东工业大学 | 基于eemd和lstm的负荷预测方法、装置及设备 |
CN111160621A (zh) * | 2019-12-06 | 2020-05-15 | 江苏方天电力技术有限公司 | 一种融合多源信息的短期风电功率预测方法 |
CN112163703A (zh) * | 2020-09-25 | 2021-01-01 | 中国水利水电科学研究院 | 考虑气象因子不确定性的农田参考作物蒸散量预测方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050216200A1 (en) * | 2004-03-29 | 2005-09-29 | The Govt. of U.S.A. Represented by the Secretary, Department of Health and Human Services | Neural network pattern recognition for predicting pharmacodynamics using patient characteristics |
US20170039480A1 (en) * | 2015-08-06 | 2017-02-09 | Microsoft Technology Licensing, Llc | Workout Pattern Detection |
US10022614B1 (en) * | 2016-05-02 | 2018-07-17 | Bao Tran | Smart device |
CN110954971B (zh) * | 2018-09-26 | 2022-04-12 | 中国石油化工股份有限公司 | 一种建立含有浅地表信息的数字模型的方法及系统 |
CN110717148A (zh) * | 2019-09-24 | 2020-01-21 | 创新奇智(广州)科技有限公司 | 一种融合经验的数据驱动回归预测算法 |
CN111079931A (zh) * | 2019-12-27 | 2020-04-28 | 浙江大学 | 一种基于图神经网络的状态空间概率性多时间序列预测方法 |
CN111737651B (zh) * | 2020-06-22 | 2024-02-20 | 黄河勘测规划设计研究院有限公司 | 基于多源数据的空间网格化干旱灾情风险评估方法及系统 |
-
2021
- 2021-01-07 CN CN202110015577.XA patent/CN112330079B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108985514A (zh) * | 2018-07-17 | 2018-12-11 | 广东工业大学 | 基于eemd和lstm的负荷预测方法、装置及设备 |
CN111160621A (zh) * | 2019-12-06 | 2020-05-15 | 江苏方天电力技术有限公司 | 一种融合多源信息的短期风电功率预测方法 |
CN112163703A (zh) * | 2020-09-25 | 2021-01-01 | 中国水利水电科学研究院 | 考虑气象因子不确定性的农田参考作物蒸散量预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112330079A (zh) | 2021-02-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lu et al. | Bayesian Regularized Neural Network Model Development for Predicting Daily Rainfall from Sea Level Pressure Data: Investigation on Solving Complex Hydrology Problem | |
Kumar et al. | Convcast: An embedded convolutional LSTM based architecture for precipitation nowcasting using satellite data | |
Dong et al. | A novel hybrid approach based on self-organizing maps, support vector regression and particle swarm optimization to forecast solar irradiance | |
Abbasi et al. | A hybrid of Random Forest and Deep Auto-Encoder with support vector regression methods for accuracy improvement and uncertainty reduction of long-term streamflow prediction | |
Ceci et al. | Spatial autocorrelation and entropy for renewable energy forecasting | |
Ghaemi et al. | LaSVM-based big data learning system for dynamic prediction of air pollution in Tehran | |
Marofi et al. | Predicting spatial distribution of snow water equivalent using multivariate non-linear regression and computational intelligence methods | |
CN112330079B (zh) | 地表信息预测方法及装置 | |
CN110232471B (zh) | 一种降水传感网节点布局优化方法及装置 | |
Behmanesh et al. | Estimation of soil temperature using gene expression programming and artificial neural networks in a semiarid region | |
JP4719893B2 (ja) | 制御装置、制御方法、及びそのプログラム | |
Huang et al. | Fuzzy neural network and LLE algorithm for forecasting precipitation in tropical cyclones: Comparisons with interpolation method by ECMWF and stepwise regression method | |
Suparta et al. | Modeling of zenith path delay over Antarctica using an adaptive neuro fuzzy inference system technique | |
Lopes et al. | Artificial neural networks approaches for predicting the potential for hydropower generation: a case study for Amazon region | |
Ahmadi et al. | Assessment of climate change impacts on rainfall using large scale climate variables and downscaling models–A case study | |
Ramseyer et al. | Atmospheric controls on Puerto Rico precipitation using artificial neural networks | |
Kajbaf et al. | Temporal downscaling of precipitation from climate model projections using machine learning | |
Shirali et al. | Evaluation of WRF and artificial intelligence models in short-term rainfall, temperature and flood forecast (case study) | |
González‐Abad et al. | Using explainability to inform statistical downscaling based on deep learning beyond standard validation approaches | |
Sertel et al. | Estimating daily mean sea level heights using artificial neural networks | |
Reinhardt et al. | Comparison of different wind data interpolation methods for a region with complex terrain in Central Asia | |
CN113591608A (zh) | 一种基于深度学习的高分辨率遥感影像不透水面提取方法 | |
Khouider et al. | A novel method for interpolating daily station rainfall data using a stochastic lattice model | |
Andraos et al. | Multi-model approach for reducing uncertainties in rainfall-runoff models | |
CN114994800B (zh) | 一种大气细颗粒物的反演方法及装置 |
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 | ||
CP01 | Change in the name or title of a patent holder | ||
CP01 | Change in the name or title of a patent holder |
Address after: No.7 Tianyun Road, high tech Zone, Chengdu, Sichuan 610000 Patentee after: Guoneng Daduhe Big Data Service Co.,Ltd. Address before: No.7 Tianyun Road, high tech Zone, Chengdu, Sichuan 610000 Patentee before: Sichuan Dahui Big Data Service Co.,Ltd. |