CN112765257B - 一种基于时序序列预测温度的环境采集系统设计的方法 - Google Patents

一种基于时序序列预测温度的环境采集系统设计的方法 Download PDF

Info

Publication number
CN112765257B
CN112765257B CN202011634164.1A CN202011634164A CN112765257B CN 112765257 B CN112765257 B CN 112765257B CN 202011634164 A CN202011634164 A CN 202011634164A CN 112765257 B CN112765257 B CN 112765257B
Authority
CN
China
Prior art keywords
data
time
input
gate
server
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
CN202011634164.1A
Other languages
English (en)
Other versions
CN112765257A (zh
Inventor
陈孙胜
戚伟
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.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
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 Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN202011634164.1A priority Critical patent/CN112765257B/zh
Publication of CN112765257A publication Critical patent/CN112765257A/zh
Application granted granted Critical
Publication of CN112765257B publication Critical patent/CN112765257B/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
    • 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
    • G06F16/26—Visual data mining; Browsing structured data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • 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
    • 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"

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Remote Sensing (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种基于时序序列预测温度的环境采集系统设计的方法，包括步骤：S1、终端设备采集需要的环境数据，并传送数据到服务器；S2、服务器为了接受数据并可视化显示，需要为每个设备建立资产，当服务器接收到终端设备发送的数据后，将数据保存到数据库中；S3、服务器将实时数据发送到网页前端进行可视化显示；S4、服务器对异常数据进行报警处理；S5、基于RNN‑LSTM模型从数据库中挖掘特征数据之间的联系，预测下一时刻的温度。本发明的有益效果是：改进了传统环境监测系统显示数据不够可视化的问题，并且根据算法可以对采集到的数据进行温度预测，使得环境监测系统的数据显示的直观性和隐患的预见性得到了提高。

Description

一种基于时序序列预测温度的环境采集系统设计的方法
技术领域
本发明属于环境监测系统领域，具体涉及一种预测温度的环境采集系统设计的方法。
背景技术
随着现代化的进程，城市里高层建筑和大空间建筑随处可见。这些建筑通常人口密集，财产密集，一旦发生火灾，容易造成巨大的财产和生命损失。因此加强环境监测管理，时刻监测可能存在的隐患，降低火灾发生的频率，从而确保人民的生命财产安全，具有重要的研究意义和应用价值。但是目前大多数环境监测系统监测不够直观，并且多数没有对采集到的数据进行分析利用。
因此，提出一种对采集到的数据进行分析预测下一时刻的温度，能发现隐藏的危险的环境采集系统，就显得尤为重要。
发明内容
本发明的目的是克服现有技术中的不足，提供一种基于时序序列预测温度的环境采集系统设计的方法。
这种基于时序序列预测温度的环境采集系统设计的方法，包括以下步骤：
S1、终端设备采集需要的环境数据，并传送数据到基于ThingsBoard框架开发的服务器；
S2、服务器为了接受数据并可视化显示，需要为每个设备建立资产，当服务器接收到终端设备发送的数据后，将数据保存到数据库中；
S2.1、在ThingsBoard服务器中建立终端设备资产，每个建立资产的设备得到一个唯一的访问令牌，终端设备必须根据该类型的访问令牌才可以通过相应的协议将数据传送到ThingsBoard服务器对应的设备资产中；
S2.2、为方便对设备进行管理，还需要建立实体资产，然后在每个实体资产中关联相应的终端设备，为了将实体在地图上可视化显示，对每个实体添加相应属性；
S3、服务器将实时数据发送到网页前端进行可视化显示；
S3.1、进行地图可视化：首先注册地图软件(腾讯地图)的服务账号，申请地图密钥,ThingsBoard在地图部件中导入密钥，建立仪表盘，导入地图；在地图上可视化显示终端设备的分布情况；
S3.2、进行图表可视化：在建立的仪表盘中，导入需要的图表，如数据表，折线图等；然后在图表中导入数据库中需要显示的终端数据；
S4、服务器对异常数据进行报警处理；
S5、训练RNN-LSTM模型，基于RNN-LSTM模型从数据库中挖掘特征数据之间的联系，预测下一时刻的温度；
S5.1、选择数据输入变量的数据类型；
S5.2、由于各个数据的数量级差别各异，首先得对数据进行归一化处理，将各个数据输入变量设定在(0,1)范围，可以提高精度，增加寻找最优解的速率；
S5.3、为解决传统RNN方法在训练长距离时间序列时存在的梯度爆炸和梯度消失问题，RNN-LSTM模型中LSTM将RNN中隐藏节点改进为存储单元，存储单元分成遗忘门、输入门和输出门；计算当前输入单元状态和当前时刻单元状态，由输出门和单元状态决定输出结果，最后将结果传到下一级；
S5.4、数据还原：训练完RNN-LSTM模型后，对预测数据和真实数据进行比对，将预测的归一化原始数据还原；
S5.5、计算实验的误差loss。
作为优选，步骤S1中终端设备搭载温湿度传感器、二氧化碳传感器、气强传感器、烟雾传感器、风速传感器来采集环境数据；终端设备搭载WiFi通信模块，WiFi通信模块根据服务器的IP地址将采集到的数据传输到服务器。
作为优选，步骤S1中终端设备选用STM32F103VET6单片机，WiFi通信模块为ESP8266。
作为优选，步骤S2中实体的属性包括经度、维度和地名。
作为优选，步骤S4中服务器为每种环境数据设定正常阈值，当采集到的环境数据超出阈值后，系统发出预警，并进行邮件预警等措施。
作为优选，步骤S5.1中数据输入变量的数据类型包括温度值、风速大小、风向、湿度值和气压值。
作为优选，步骤S5.2中对数据进行归一化处理的函数为：
Figure BDA0002875803900000021
上式中，x为原始数据，min(x)和max(x)分别为原始数据中的最小值和最大值；x'为归一化处理后的数据。
作为优选，步骤S5.4中采用以下转换函数进行原始数据还原：
x＝x'*(max(x)-min(x))+min(x)
上式中，x为原始数据，min(x)和max(x)分别为原始数据中的最小值和最大值，x'为归一化处理后的数据。
作为优选，步骤S5.3中：
遗忘门的计算公式为：
ft＝σ(Wf[ht-1,xt]+bf)
上式中，ft为t时刻遗忘门的值，δ是sigmoid函数，Wf是遗忘门的权重矩阵，ht-1是t-1时刻的输出，xt为t时刻的输入，bf是遗忘门的偏置向量；遗忘门用来记忆上个单元中有用的信息，丢弃没用的信息；
输入门的计算公式为：
it＝σ(Wi[ht-1,xt]+bi)
上式中，it为t时刻的输入门值，δ是sigmoid函数，Wi是输入门的权重矩阵，ht-1是t-1时刻的输出，xt为t时刻的输入，bi是输入门的偏置向量；输入门用于将输入信息选择性地记录在记忆单元中，传向下一级；
当前输入单元状态的计算公式为：
Figure BDA0002875803900000031
上式中，
Figure BDA0002875803900000032
为t时刻输入单元状态的值，Wc是输入单元的权重矩阵，ht-1是t-1时刻的输出，xt为t时刻的输入，bc是输入单元的偏置向量；
当前时刻单元状态的计算公式为：
Figure BDA0002875803900000033
上式中，ct为t时刻的单元状态，由上一时刻t-1的单元状态按元素乘以遗忘门，再由当前输入的单元状态按元素乘以输入门，再将两个积加和产生；
输出门的计算公式为：
ot＝σ(Wo[ht-1,xt]+bo)
上式中，ot为t时刻输出门的值，δ是sigmoid函数，Wo是输出门的权重矩阵，ht-1是t-1时刻的输出，xt为t时刻的输入，bo是输出门的偏置向量；
计算RNN-LSTM模型最终输出的公式为：
ht＝ot*tanh(ct)
上式中，ot为t时刻输出门的值，ct为t时刻的单元状态。
作为优选，步骤S5.4中采用下式计算实验的误差loss：
Figure BDA0002875803900000041
上式中，n为正整数，其取值从1递增至m，m为数据总量，
Figure BDA0002875803900000042
表示第n个数据的真实值，
Figure BDA0002875803900000043
表示第n个数据的预测值。
本发明的有益效果是：本发明改进了传统环境监测系统显示数据不够可视化的问题，并且根据算法可以对采集到的数据进行温度预测，使得环境监测系统的数据显示的直观性和隐患的预见性得到了提高。
附图说明
图1为基于时序序列预测温度的环境采集系统的框架图；
图2为基于时序序列预测温度的环境采集系统的主界面示意图；
图3为本发明的固定区域监测图；
图4为本发明的RNN-LSTM存储单元图；
图5为本发明的算法流程图；
图6为本发明的算法的预测效果图。
附图标记说明：终端节点1、服务器2、数据库3、浏览器4、数据5、算法模型6。
具体实施方式
下面结合实施例对本发明做进一步描述。下述实施例的说明只是用于帮助理解本发明。应当指出，对于本技术领域的普通人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干修饰，这些改进和修饰也落入本发明权利要求的保护范围内。
本发明设计的系统既可以对采集得到的数据进行可视化直观展示，也可以对采集到的数据进行分析预测下一时刻的温度，能发现隐藏的危险，能够提前为管理人员发出警告，争取更多的时间。
作为一种实施例，如图5所示，基于时序序列预测温度的环境采集系统设计的方法，包括以下步骤：
步骤1：现场部署终端节点，采集现场环境中温度，湿度，风向，风速，气压值，分别用x1，x2，x3，x4，x5来表示，采样周期设置为5s。如图1所示系统框架图，其中终端模块的主控模块使用STM32F103VET6单片机，搭载WiFi模块ESP8266，将数据传递到服务器中。
步骤2：建立设备资产。根据采集节点的类型，服务器需要分别创建5类设备资产，分别对应温度设备，湿度设备，风向设备，风速设备和气压设备。每个设备都会得到一个唯一的访问令牌，终端节点必须根据该类型的访问令牌才可以通过相应协议将数据传送到服务器中对应的设备资产。服务器会将数据存储到数据库中。
建立实体资产。将上述5类设备资产关联到实体资产中，并在实体中添加经度，维度，地名等相应属性。
步骤3:如图2所示，进行数据可视化。本系统数据可视化包括终端节点分布可视化、节点数据可视化、地图可视化。首先注册腾讯地图服务账号，申请地图密钥,在系统地图部件中导入密钥，建立仪表盘，导入地图，地图上可视化显示实体的分布情况，点击实体会显示终端节点的可视化分布情况。
如图3所示，数据可视化。在建立的仪表盘中，导入需要的图表，如数据表，折线图等，然后在图标中导入数据库中需要显示的终端数据即可。
步骤4：异常报警。系统中在规则链中为每种数据设定阈值，并设置邮件预警规则。
注册一个邮箱(比如163邮箱)，开启SMTP服务，然后在邮件规则中需要设置报警的邮件格式(发送的目的地和内容格式)以及将163邮箱作为邮件的发送方。
当采集到的数据超出阈值后，系统会发出预警，并通过SMTP服务器进行邮件预警等措施。
步骤5：数据获取。从系统数据库中导出数据，并按照8:2划分训练集和测验集
步骤6：数据预处理。对数据进行归一化处理并得到数据矩阵，这样一来，可以提高精度，增加寻找最优解的速率。其中采用的归一化函数如下所示：
Figure BDA0002875803900000061
其中，min(x)，max(x)为原始数据中的最小值和最大值，x'为归一化处理后的数据。
步骤7：参数设置。设置模型的learning，window_size,batch_size,epoch的数值。
如图4所示，根据数据对RNN-LSTM模型建模，建模公式主要包括以下六个公式：
遗忘门的计算公式ft＝σ(Wf[ht-1,xt]+bf)，其中，Wf是遗忘门的权重矩阵，bf是遗忘门的偏置向量。遗忘门主要用来记忆上个单元中有用的信息，丢弃没用的信息。
输入门的计算公式it＝σ(Wi[ht-1,xt]+bi)，其中，Wi是输入门的权重矩阵，bi是输入门的偏置向量。输入门主要将输入信息选择性地记录在记忆单元中，传向下一级。
当前输入单元状态的计算公式
Figure BDA0002875803900000062
当前时刻单元状态的计算公式
Figure BDA0002875803900000063
其中，*表示元素相乘。
输出门的计算公式ot＝σ(Wo[ht-1,xt]+bo)，其中，Wo是输出门的权重矩阵，bo是输出门的偏置向量。
RNN-LSTM的最终输出的计算公式ht＝ot*tanh(ct),其中，输出结果由输出门和单元状态决定，最后将结果传到下一级。
步骤8：数据还原。模型训练完后，进行预测数据和真实数据比对时，需要将预测的归一化原始数据还原
数据还原公式x＝x'*(max(x)-min(x))+min(x)，其中，min(x)，max(x)为原始数据中的最小值和最大值，x'为归一化处理后的数据。x为还原后的数据。
步骤9：损失函数计算。本系统损失函数公式如下所示：
Figure BDA0002875803900000064
其中，m为数据总量，
Figure BDA0002875803900000065
表示第n个数据的真实值，
Figure BDA0002875803900000066
表示第n个数据的预测值。
最终训练好模型后，将测试数据作为RNN-LSTM模型的输入数据，最终输出未来时刻的温度值和实际值比较，loss值为1.0826452005477178。如图6所示，本实施例不仅可以可视化直观展示数据，还可以通过模型预测未来时刻温度，并且具有较好的预测效果。

Claims (10)

1.一种基于时序序列预测温度的环境采集系统设计的方法，其特征在于，包括以下步骤：
S1、终端设备采集环境数据，并传送数据到服务器；
S2、服务器为每个设备建立资产，当服务器接收到终端设备发送的数据后，将数据保存到数据库中；
S2.1、在服务器中建立终端设备资产，每个建立资产的设备得到访问令牌，终端设备根据该类型的访问令牌通过相应的协议将数据传送到服务器对应的设备资产中；
S2.2、建立实体资产，然后在每个实体资产中关联相应的终端设备，对每个实体添加相应属性；
S3、服务器将数据发送到网页前端进行可视化显示；
S3.1、进行地图可视化：首先注册地图软件的服务账号，申请地图密钥,在地图部件中导入密钥，建立仪表盘，导入地图；在地图上显示终端设备的分布情况；
S3.2、进行图表可视化：在建立的仪表盘中，导入图表；然后在图表中导入数据库中的终端数据；
S4、服务器对异常数据进行报警处理；
S5、训练RNN-LSTM模型，基于RNN-LSTM模型从数据库中挖掘特征数据之间的联系，预测下一时刻的温度；
S5.1、选择数据输入变量的数据类型；
S5.2、对数据进行归一化处理，将各个数据输入变量设定在(0,1)范围；
S5.3、RNN-LSTM模型中LSTM将RNN中隐藏节点改进为存储单元，存储单元分成遗忘门、输入门和输出门；计算当前输入单元状态和当前时刻单元状态，由输出门和单元状态决定输出结果，最后将结果传到下一级；
S5.4、数据还原：训练完RNN-LSTM模型后，对预测数据和真实数据进行比对，将预测的归一化原始数据还原；
S5.5、计算实验的误差loss。
2.根据权利要求1所述基于时序序列预测温度的环境采集系统设计的方法，其特征在于：步骤S1中终端设备搭载温湿度传感器、二氧化碳传感器、气强传感器、烟雾传感器、风速传感器来采集环境数据；终端设备搭载WiFi通信模块，WiFi通信模块根据服务器的IP地址将采集到的数据传输到服务器。
3.根据权利要求1所述基于时序序列预测温度的环境采集系统设计的方法，其特征在于：步骤S1中终端设备选用STM32F103VET6单片机，WiFi通信模块为ESP8266。
4.根据权利要求1所述基于时序序列预测温度的环境采集系统设计的方法，其特征在于：步骤S2中实体的属性包括经度、维度和地名。
5.根据权利要求1所述基于时序序列预测温度的环境采集系统设计的方法，其特征在于：步骤S4中服务器为每种环境数据设定正常阈值，当采集到的环境数据超出阈值后，系统发出预警，并进行邮件预警。
6.根据权利要求1所述基于时序序列预测温度的环境采集系统设计的方法，其特征在于：步骤S5.1中数据输入变量的数据类型包括温度值、风速大小、风向、湿度值和气压值。
7.根据权利要求1所述基于时序序列预测温度的环境采集系统设计的方法，其特征在于：步骤S5.2中对数据进行归一化处理的函数为：
Figure FDA0002875803890000021
上式中，x为原始数据，min(x)和max(x)分别为原始数据中的最小值和最大值；x'为归一化处理后的数据。
8.根据权利要求1所述基于时序序列预测温度的环境采集系统设计的方法，其特征在于：步骤S5.4中采用以下转换函数进行原始数据还原：
x＝x'*(max(x)-min(x))+min(x)
上式中，x为原始数据，min(x)和max(x)分别为原始数据中的最小值和最大值，x'为归一化处理后的数据。
9.根据权利要求1所述基于时序序列预测温度的环境采集系统设计的方法，其特征在于：步骤S5.3中：
遗忘门的计算公式为：
ft＝σ(Wf[ht-1,xt]+bf)
上式中，ft为t时刻遗忘门的值，δ是sigmoid函数，Wf是遗忘门的权重矩阵，ht-1是t-1时刻的输出，xt为t时刻的输入，bf是遗忘门的偏置向量；遗忘门用来记忆上个单元中有用的信息，丢弃没用的信息；
输入门的计算公式为：
it＝σ(Wi[ht-1,xt]+bi)
上式中，it为t时刻的输入门值，δ是sigmoid函数，Wi是输入门的权重矩阵，ht-1是t-1时刻的输出，xt为t时刻的输入，bi是输入门的偏置向量；输入门用于将输入信息选择性地记录在记忆单元中，传向下一级；
当前输入单元状态的计算公式为：
Figure FDA0002875803890000031
上式中，
Figure FDA0002875803890000032
为t时刻输入单元状态的值，Wc是输入单元的权重矩阵，ht-1是t-1时刻的输出，xt为t时刻的输入，bc是输入单元的偏置向量；
当前时刻单元状态的计算公式为：
Figure FDA0002875803890000033
上式中，ct为t时刻的单元状态，由上一时刻t-1的单元状态按元素乘以遗忘门，再由当前输入的单元状态按元素乘以输入门，再将两个积加和产生；
输出门的计算公式为：
ot＝σ(Wo[ht-1,xt]+bo)
上式中，ot为t时刻输出门的值，δ是sigmoid函数，Wo是输出门的权重矩阵，ht-1是t-1时刻的输出，xt为t时刻的输入，bo是输出门的偏置向量；
计算RNN-LSTM模型最终输出的公式为：
ht＝ot*tanh(ct)
上式中，ot为t时刻输出门的值，ct为t时刻的单元状态。
10.根据权利要求1所述基于时序序列预测温度的环境采集系统设计的方法，其特征在于：步骤S5.4中采用下式计算实验的误差loss：
Figure FDA0002875803890000034
上式中，n为正整数，其取值从1递增至m，m为数据总量，
Figure FDA0002875803890000035
表示第n个数据的真实值，
Figure FDA0002875803890000036
表示第n个数据的预测值。
CN202011634164.1A 2020-12-31 2020-12-31 一种基于时序序列预测温度的环境采集系统设计的方法 Active CN112765257B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011634164.1A CN112765257B (zh) 2020-12-31 2020-12-31 一种基于时序序列预测温度的环境采集系统设计的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011634164.1A CN112765257B (zh) 2020-12-31 2020-12-31 一种基于时序序列预测温度的环境采集系统设计的方法

Publications (2)

Publication Number Publication Date
CN112765257A CN112765257A (zh) 2021-05-07
CN112765257B true CN112765257B (zh) 2022-07-12

Family

ID=75697979

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011634164.1A Active CN112765257B (zh) 2020-12-31 2020-12-31 一种基于时序序列预测温度的环境采集系统设计的方法

Country Status (1)

Country Link
CN (1) CN112765257B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11125556B2 (en) * 2017-12-21 2021-09-21 Bce Inc. Method and system for monitoring and assessing road conditions
CN113796228B (zh) * 2021-09-26 2022-08-23 南京邮电大学 一种基于数字孪生的植物培育系统及方法
CN116307190B (zh) * 2023-03-21 2024-03-26 信通院(江西)科技创新研究院有限公司 一种基于蓝牙mesh网络的果园环境对产量的预测方法
CN116384979B (zh) * 2023-04-27 2023-09-26 圣麦克思智能科技(江苏)有限公司 一种idc运维服务支持系统及其方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107272532A (zh) * 2017-07-05 2017-10-20 广东电网有限责任公司佛山供电局 一种电力自助服务终端可视化监控方法及平台
CN108985965A (zh) * 2018-06-22 2018-12-11 华北电力大学 一种结合神经网络和参数估计的光伏功率区间预测方法
CN110210174A (zh) * 2019-06-21 2019-09-06 西南交通大学 一种基于多层lstm的动车组轴箱轴承温度预测方法
CN110659770A (zh) * 2019-09-03 2020-01-07 新奥数能科技有限公司 基于lstm模型的温度预测方法及装置
CN112116147A (zh) * 2020-09-16 2020-12-22 南京大学 一种基于lstm深度学习的河流水温预测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190138887A1 (en) * 2017-11-01 2019-05-09 Board Of Trustees Of Michigan State University Systems, methods, and media for gated recurrent neural networks with reduced parameter gating signals and/or memory-cell units

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107272532A (zh) * 2017-07-05 2017-10-20 广东电网有限责任公司佛山供电局 一种电力自助服务终端可视化监控方法及平台
CN108985965A (zh) * 2018-06-22 2018-12-11 华北电力大学 一种结合神经网络和参数估计的光伏功率区间预测方法
CN110210174A (zh) * 2019-06-21 2019-09-06 西南交通大学 一种基于多层lstm的动车组轴箱轴承温度预测方法
CN110659770A (zh) * 2019-09-03 2020-01-07 新奥数能科技有限公司 基于lstm模型的温度预测方法及装置
CN112116147A (zh) * 2020-09-16 2020-12-22 南京大学 一种基于lstm深度学习的河流水温预测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
传感器网络环境监测时间序列数据的高斯过程建模与多步预测;陈艳等;《通信学报》;20151025;第36卷(第10期);全文 *
基于GIS的农田小气候环境可视监测系统;林兰芬等;《农业机械学报》;20141209;第46卷(第3期);全文 *
基于预测模型的环境数据采集与监测系统的设计与实现;张皓;《中国优秀博硕士学位论文全文数据库(硕士) 工程科技Ⅰ辑》;20200615;全文 *

Also Published As

Publication number Publication date
CN112765257A (zh) 2021-05-07

Similar Documents

Publication Publication Date Title
CN112765257B (zh) 一种基于时序序列预测温度的环境采集系统设计的方法
CN112904220B (zh) 一种基于数字孪生和机器学习的ups健康预测方法、系统、电子设备及可存储介质
CN104750768B (zh) 用于从社交媒体中识别、监控和排名事件的方法和系统
CN111475804A (zh) 一种告警预测方法及系统
CN104933841B (zh) 一种基于自组织神经网络的火灾预测方法
CN108320040A (zh) 基于贝叶斯网络优化算法的采集终端故障预测方法及系统
CN108418841A (zh) 基于ai的下一代关键信息基础设施网络安全态势感知系统
CN107786369A (zh) 基于irt层次分析和lstm的电力通信网络安全态势感知和预测方法
Sohn et al. Statistical damage classification using sequential probability ratio tests
CN109858140B (zh) 一种基于信息熵离散型贝叶斯网络冷水机组故障诊断方法
CN111797918B (zh) 大气污染源识别方法、装置、计算机设备及存储介质
CN106779215B (zh) 一种基于机器学习的电网全局延时态势感知方法
US20240142063A1 (en) Method for troubleshooting potential safety hazards of compressor in smart gas pipeline network and internet of things system thereof
CN106874671A (zh) 一种用于煤矿自燃火灾大数据平台的数据驱动的算法
CN116070802B (zh) 一种基于数据孪生的智能监控运维方法和系统
CN116823227A (zh) 一种基于物联网的智能设备管理系统及方法
CN113053063A (zh) 基于移动端的灾害在线处置流程实现方法
CN112884199A (zh) 水电站设备故障预测方法、装置、计算机设备和存储介质
CN112085621A (zh) 一种基于K-Means-HMM模型的分布式光伏电站故障预警算法
Johnson et al. Improved situational awareness in emergency management through automated data analysis and modeling
CN116112283A (zh) 一种基于cnn-lstm的电力系统网络安全态势预测方法及系统
CN113612625A (zh) 一种网络故障定位方法及装置
Yu et al. MAG: A novel approach for effective anomaly detection in spacecraft telemetry data
CN109831345A (zh) 一种基于信息网络关系预测的安全监控防御方法及系统
CN116756505B (zh) 一种基于大数据的光伏设备智能管理系统及方法

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