CN112949943A - 一种基于外围数据关联分析的污水处理进水水质预测方法 - Google Patents
一种基于外围数据关联分析的污水处理进水水质预测方法 Download PDFInfo
- Publication number
- CN112949943A CN112949943A CN202110389991.7A CN202110389991A CN112949943A CN 112949943 A CN112949943 A CN 112949943A CN 202110389991 A CN202110389991 A CN 202110389991A CN 112949943 A CN112949943 A CN 112949943A
- Authority
- CN
- China
- Prior art keywords
- data
- prediction
- sewage treatment
- urban
- inlet water
- 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
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 67
- 239000010865 sewage Substances 0.000 title claims abstract description 63
- 238000000034 method Methods 0.000 title claims abstract description 21
- 238000010219 correlation analysis Methods 0.000 title claims abstract description 15
- 230000002093 peripheral effect Effects 0.000 title claims abstract description 12
- 235000013305 food Nutrition 0.000 claims description 18
- 239000011159 matrix material Substances 0.000 claims description 12
- 150000001875 compounds Chemical class 0.000 claims description 9
- 230000008676 import Effects 0.000 claims description 6
- 238000009776 industrial production Methods 0.000 claims description 6
- 238000004519 manufacturing process Methods 0.000 claims description 6
- 235000014101 wine Nutrition 0.000 claims description 6
- 238000004065 wastewater treatment Methods 0.000 claims description 3
- 230000000391 smoking effect Effects 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 4
- 230000008859 change Effects 0.000 description 8
- 235000005911 diet Nutrition 0.000 description 7
- 230000000378 dietary effect Effects 0.000 description 6
- 239000003344 environmental pollutant Substances 0.000 description 4
- 239000010842 industrial wastewater Substances 0.000 description 4
- 231100000719 pollutant Toxicity 0.000 description 4
- 241000208125 Nicotiana Species 0.000 description 3
- 235000002637 Nicotiana tabacum Nutrition 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000005406 washing Methods 0.000 description 3
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- 229910052757 nitrogen Inorganic materials 0.000 description 2
- 229910052698 phosphorus Inorganic materials 0.000 description 2
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 1
- 238000003287 bathing Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000037213 diet Effects 0.000 description 1
- 238000010790 dilution Methods 0.000 description 1
- 239000012895 dilution Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 239000011574 phosphorus Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 210000004243 sweat Anatomy 0.000 description 1
- 239000002351 wastewater Substances 0.000 description 1
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
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Activated Sludge Processes (AREA)
Abstract
本发明公开了一种基于外围数据关联分析的污水处理进水水质预测方法,包括:获取预测用数据;将预测用数据输入污水处理进水水质预测模型;输出进水水质预测结果。与现有技术相比,本发明能够根据天气及经济数据对污水处理厂进水水质进行预测,使得工作人员可以根据预测的进水水质指导污水处理厂做好相应应对措施,从而达到更好的污水处理效果。
Description
技术领域
本发明涉及污水处理技术领域,具体涉及一种基于外围数据关联分析的污水处理进水水质预测方法。
背景技术
污水处理厂进水水质变化规律对污水处理厂的运行管理有着极其重要的意义。
现有技术中,污水处理厂在进行污水处理前会对进水水质进行监测,根据进水水质的变化,采取相应的措施来适应进水水质的变化。但这种实时监测的反馈结果只对污水处理厂当前运行管理的调控具有一定的指导意义,并且从反馈结果到采取措施具有一定的滞后性。
因此,本发明提供了一种基于外围数据关联分析的污水处理进水水质预测方法,能够根据天气及经济数据对污水处理厂进水水质进行预测,使得工作人员可以根据预测的进水水质指导污水处理厂做好相应应对措施,从而达到更好的污水处理效果。
发明内容
针对上述现有技术的不足,本发明实际解决的问题是:对污水处理厂进水水质进行预测。
为了解决上述技术问题,本发明采用了如下的技术方案:
一种基于外围数据关联分析的污水处理进水水质预测方法,包括:
S1、获取预测用数据;
S2、将预测用数据输入污水处理进水水质预测模型;
S3、输出进水水质预测结果。
优选地,预测用数据包括气象数据及经济数据。
优选地,气象数据包括降雨量数据/或气温数据。
优选地,经济数据包括城市生产总值、进出口总额、社会消费品零售总额、工业销售产值、工业总产值、城市居民消费价格指数、食品城市居民消费价格指数、非食品城市居民消费价格指数、消费品城市居民消费价格指数、食品烟酒类城市居民消费价格指数、规模以上工业总产值、教育文化娱乐类城市居民消费价格指数及商品房销售面积中的任意一项或多项。
优选地,步骤2中,将预测用数据输入污水处理进水水质预测模型前还包括:
按下式利用预测用数据生成数据矩阵:
按下式确定参考数据序列:
按下式对数据矩阵进行转换,构建无量纲数据矩阵:
按下式计算相关系数:
式中,δα(k)表示预测用数据与对应的参考数据的相关系数,ε为判别系数,ε∈(0,1),将相关系数小于0.7的数据过滤掉。
综上所述,本发明提供了一种基于外围数据关联分析的污水处理进水水质预测方法,能够根据天气及经济数据对污水处理厂进水水质进行预测,使得工作人员可以根据预测的进水水质指导污水处理厂做好相应应对措施,从而达到更好的污水处理效果。
附图说明
为了使发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步的详细描述,其中:
图1为本发明公开的一种基于外围数据关联分析的污水处理进水水质预测方法的流程图;
图2为本发明中对数据进行清洗及模型训练的原理图;
图3为某污水处理厂的相关数据图;
图4至图7为采用本发明中的方法对图3对应的污水处理厂进行进水SS、进水TP、进水NH4 +-N、进水TN预测的结果图。
具体实施方式
下面结合附图对本发明作进一步的详细说明。
如图1所示,本发明公开了一种基于外围数据关联分析的污水处理进水水质预测方法,包括:
S1、获取预测用数据;
S2、将预测用数据输入污水处理进水水质预测模型;
S3、输出进水水质预测结果。
如图2所示,本发明中,污水处理进水水质预测模型的建立及训练方法如下:首先建立神经网络框架,定义模型的必要变量和函数;其次,描述神经网络的权值,分别表示输入层和隐含层共享权的权值矩阵、隐含层和输出层共享权的权值矩阵和神经网络层的权值矩阵。第三,引入sigmoid函数。然后,对模型进行反复训练,进行前向传播算法,计算所有预测值的平均误差,捕获损失值。最后,采用反向传播算法更新权值。对建立的模型的参数进行调整,使模型更好地拟合数据,并对模型进行多次运行,得到预测值。
具体实施时,预测用数据包括气象数据及经济数据。
本发明中,采用气象数据及经济数据作为预测用数据。
具体实施时,气象数据包括降雨量数据/或气温数据。
在气象方面,对污水处理厂进水水质有显著影响的因素主要为降雨因素和气温因素。
降雨因素对污水处理厂进水水质的影响主要体现为降雨过程雨水对城市污水的稀释作用。由于城市雨污分流不彻底等原因,雨水混入城市污水管网系统中,从而稀释了管网中污水的浓度,导致污水处理厂进水水质发生变化。其变化幅度与降水量直接相关,降雨量越大,进水水质变化幅度越大。
气温因素对污水处理厂进水水质的影响主要体现为随着天气温度的改变,城市居民的饮食结构及用水结构也会随之发生改变,不同的饮食结构和用水结构决定了城市生活污水的污染物含量及污染物种类,从而决定了污水处理厂的进水水质。例如一般而言在气温较高时,城市居民的日常饮食会比较清淡,因此城市生活污水中的BOD含量会比较低。并且天气炎热时,人们更爱出汗,城市居民洗澡、洗衣服等需求增加,从而导致城市居民日常生活用水结构中洗漱用水比例会增大。洗漱用水的特点为含富营养元素成分高,从而决定了城市生活污水中N、P元素含量相对较高。
基于上述情况,本发明可通过访问国家气象局官网,查询中国地面累年值日值数据集,得到历史降雨、气温等气象情况的日值数据,并以此建立气象数据库。分别将气象数据库中的地区历史降雨数据和气温数据与该地区污水处理厂历史进水水质数据进行关联性分析,得到地区降雨量、地区温度与该地区污水处理厂进水水质的相关关系,再获得未来该地区的降雨情况和温度情况,以此进行污水处理厂进水水质的预测。
具体实施时,经济数据包括城市生产总值、进出口总额、社会消费品零售总额、工业销售产值、工业总产值、城市居民消费价格指数、食品城市居民消费价格指数、非食品城市居民消费价格指数、消费品城市居民消费价格指数、食品烟酒类城市居民消费价格指数、规模以上工业总产值、教育文化娱乐类城市居民消费价格指数及商品房销售面积中的任意一项或多项。
城市经济决定了城市居民的生活方式、饮食结构等,同时也反应了城市的产业结构,这些都是污水处理厂进水水质的显著影响因素。城市居民的生活方式及饮食结构决定了城市生活污水的水质情况,城市的产业结构决定了城市工业废水的水质情况。
一般而言城市经济在短期内变化幅度不大,故城市居民的日常生活方式及饮食结构相对稳定,城市生活污水水质也相对稳定。但在特殊节假日期间,如春节、国庆节、劳动节等,由于受旅游业及城市居民消费需求增加的影响,城市的经济水平会有一个较大幅度的变化,该变化必然会造成城市整体生活方式及饮食结构的改变,从而造成城市生活污水水质的变化。
城市产业结构决定了城市工业废水水质的特性,即城市工业废水中的污染物含量及污染物种类。而城市产业结构与城市生产总值、进出口总额、社会消费品零售总额、工业销售产值、工业总产值、城市居民消费价格指数、食品城市居民消费价格指数、非食品城市居民消费价格指数、消费品城市居民消费价格指数、食品烟酒类城市居民消费价格指数、规定以上工业总产值、教育文化娱乐类城市居民消费价格指数、商品房销售面积等经济指标显著相关。
基于上述情况,本发明通过访问当地省旅游局网、当地省统计信息网和国家统计信息网查询城市旅游经济、生产总值、进出口总额、社会消费品零售总额、工业销售产值、工业总产值、城市居民消费价格指数、食品城市居民消费价格指数、非食品城市居民消费价格指数、消费品城市居民消费价格指数、食品烟酒类城市居民消费价格指数、规定以上工业总产值、教育文化娱乐类城市居民消费价格指数、商品房销售面积等经济指标,并以此建立经济数据库。
本发明通过经济数据库中城市历年各特殊节日的经济情况与相对应时期污水处理厂历史进水水质进行关联性分析,得出各特殊节日期间城市经济情况与污水处理厂进水水质的关系。再根据经济数据库预测出今年各特殊节日的城市经济情况。最后根据所预测的经济情况对污水处理厂进水水质进行预测。
对于城市工业废水,本发明将经济数据库中的城市生产总值、进出口总额、社会消费品零售总额、工业销售产值、工业总产值、城市居民消费价格指数、食品城市居民消费价格指数、非食品城市居民消费价格指数、消费品城市居民消费价格指数、食品烟酒类城市居民消费价格指数、规定以上工业总产值、教育文化娱乐类城市居民消费价格指数、商品房销售面积等经济指标与污水处理厂历史进水水质情况进行关联性分析,得出各经济指标与污水处理厂进水水质的关系,再根据城市前一季度的各经济指标,预测出城市下一季度的经济情况。有了经济与污水处理厂进水水质的关系以及城市下一季度的经济情况,便可对污水处理厂下一季度的进水水质进行预测。
具体实施时,步骤2中,将预测用数据输入污水处理进水水质预测模型前还包括:
按下式利用预测用数据生成数据矩阵:
按下式确定参考数据序列:
按下式对数据矩阵进行转换,构建无量纲数据矩阵:
按下式计算相关系数:
式中,δα(k)表示预测用数据与对应的参考数据的相关系数,ε为判别系数,ε∈(0,1),将相关系数小于0.7的数据过滤掉。
本发明中,在将数据输入预测模型进行预测前,还可以对数据进行清洗,去除掉对预测结果影响不明显的数据,进而减小计算量,提高预测效率。
以某市某污水处理厂为例,用本发明对其进水水质进行预测。预测结果显示进水SS(固体悬浮物)预测准确率为91.64%,TP(总磷量)预测准确率为91.93%,NH4+-N预测准确率为91.20%,TN(总氮量)预测准确率为80.99%。
该污水处理厂相关数据见附图3,进水SS预测结果见附图4,进水TP预测结果见附图5,进水NH4+-N预测结果见附图6,进水TN预测结果见附图7.
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管通过参照本发明的优选实施例已经对本发明进行了描述,但本领域的普通技术人员应当理解,可以在形式上和细节上对其作出各种各样的改变,而不偏离所附权利要求书所限定的本发明的精神和范围。
Claims (5)
1.一种基于外围数据关联分析的污水处理进水水质预测方法,其特征在于,包括:
S1、获取预测用数据;
S2、将预测用数据输入污水处理进水水质预测模型;
S3、输出进水水质预测结果。
2.如权利要求1所述的基于外围数据关联分析的污水处理进水水质预测方法,其特征在于,预测用数据包括气象数据及经济数据。
3.如权利要求2所述的基于外围数据关联分析的污水处理进水水质预测方法,其特征在于,气象数据包括降雨量数据/或气温数据。
4.如权利要求2所述的基于外围数据关联分析的污水处理进水水质预测方法,其特征在于,经济数据包括城市生产总值、进出口总额、社会消费品零售总额、工业销售产值、工业总产值、城市居民消费价格指数、食品城市居民消费价格指数、非食品城市居民消费价格指数、消费品城市居民消费价格指数、食品烟酒类城市居民消费价格指数、规模以上工业总产值、教育文化娱乐类城市居民消费价格指数及商品房销售面积中的任意一项或多项。
5.如权利要求1至4任一项所述的基于外围数据关联分析的污水处理进水水质预测方法,其特征在于,步骤2中,将预测用数据输入污水处理进水水质预测模型前还包括:
按下式利用预测用数据生成数据矩阵:
按下式确定参考数据序列:
按下式对数据矩阵进行转换,构建无量纲数据矩阵:
按下式计算相关系数:
式中,δα(k)表示预测用数据与对应的参考数据的相关系数,ε为判别系数,ε∈(0,1),将相关系数小于0.7的数据过滤掉。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110389991.7A CN112949943A (zh) | 2021-04-12 | 2021-04-12 | 一种基于外围数据关联分析的污水处理进水水质预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110389991.7A CN112949943A (zh) | 2021-04-12 | 2021-04-12 | 一种基于外围数据关联分析的污水处理进水水质预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112949943A true CN112949943A (zh) | 2021-06-11 |
Family
ID=76231892
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110389991.7A Pending CN112949943A (zh) | 2021-04-12 | 2021-04-12 | 一种基于外围数据关联分析的污水处理进水水质预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112949943A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106094517A (zh) * | 2016-06-17 | 2016-11-09 | 上海环保工程成套有限公司 | 一种变工况污水处理过程的多模型预测控制方法 |
CN106991437A (zh) * | 2017-03-20 | 2017-07-28 | 浙江工商大学 | 基于随机森林预测污水水质数据的方法及系统 |
CN108009963A (zh) * | 2017-07-19 | 2018-05-08 | 国家电网公司西南分部 | 基于灰色理论的经济转型发展与能源需求关联性评估系统 |
CN110287652A (zh) * | 2019-07-24 | 2019-09-27 | 浙江师范大学 | 基于径向神经网络和灰色关联度分析建模预测供水系统中三卤甲烷浓度的方法 |
CN111592107A (zh) * | 2020-06-04 | 2020-08-28 | 中冶华天工程技术有限公司 | 一种农村污水处理站控制方法 |
-
2021
- 2021-04-12 CN CN202110389991.7A patent/CN112949943A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106094517A (zh) * | 2016-06-17 | 2016-11-09 | 上海环保工程成套有限公司 | 一种变工况污水处理过程的多模型预测控制方法 |
CN106991437A (zh) * | 2017-03-20 | 2017-07-28 | 浙江工商大学 | 基于随机森林预测污水水质数据的方法及系统 |
CN108009963A (zh) * | 2017-07-19 | 2018-05-08 | 国家电网公司西南分部 | 基于灰色理论的经济转型发展与能源需求关联性评估系统 |
CN110287652A (zh) * | 2019-07-24 | 2019-09-27 | 浙江师范大学 | 基于径向神经网络和灰色关联度分析建模预测供水系统中三卤甲烷浓度的方法 |
CN111592107A (zh) * | 2020-06-04 | 2020-08-28 | 中冶华天工程技术有限公司 | 一种农村污水处理站控制方法 |
Non-Patent Citations (2)
Title |
---|
李茜茜: "沁河流域晋城段水质评价及影响因素分析", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅰ辑》 * |
梁华银: "基于多元线性回归与灰色关联分析模型的污水排放预测", 《现代营销(学苑版)》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113962364A (zh) | 一种基于深度学习的多因素用电负荷预测方法 | |
CN103295075B (zh) | 一种超短期电力负荷预测与预警方法 | |
CN111079989B (zh) | 一种基于dwt-pca-lstm的供水公司供水量预测装置 | |
CN110222888A (zh) | 一种基于bp神经网络的日平均电力负荷预测方法 | |
CN104715292A (zh) | 基于最小二乘支持向量机模型的城市短期用水量预测方法 | |
Song et al. | Estimate the daily consumption of natural gas in district heating system based on a hybrid seasonal decomposition and temporal convolutional network model | |
Wang et al. | A full-view management method based on artificial neural networks for energy and material-savings in wastewater treatment plants | |
CN114169574A (zh) | 一种通过工业运行电力指数进行大气污染预测的方法 | |
CN111191193A (zh) | 一种基于自回归滑动平均模型的长期土壤温湿度高精度预测方法 | |
CN113554466A (zh) | 一种短期用电量预测模型构建方法、预测方法和装置 | |
Wang et al. | Reliable model of reservoir water quality prediction based on improved ARIMA method | |
CN114862032B (zh) | 一种基于XGBoost-LSTM的电网负荷预测方法及装置 | |
CN115222106A (zh) | 一种自适应模型的用户日前负荷预测方法 | |
CN110163444A (zh) | 一种基于gasa-svr的需水预测方法 | |
CN114595861A (zh) | 基于mstl和lstm模型的中长期电力负荷预测方法 | |
CN112132334A (zh) | 一种用于城市生活垃圾产量的预测方法 | |
Guan et al. | Ultra-short-term wind power prediction method based on FTI-VACA-XGB model | |
CN114757416A (zh) | 一种基于定额法的需水预测方法及系统 | |
CN114091776A (zh) | 一种基于K-means的多分支AGCNN短期电力负荷预测方法 | |
CN113570414A (zh) | 基于改进Adam算法优化深度神经网络的电价预测方法 | |
CN112949943A (zh) | 一种基于外围数据关联分析的污水处理进水水质预测方法 | |
CN116826745A (zh) | 一种电力系统背景下的分层分区短期负荷预测方法及系统 | |
Atabay et al. | Multivariate time series forecasting using arimax, sarimax, and rnn-based deep learning models on electricity consumption | |
CN116108961A (zh) | 一种基于arima-svm模型的干旱预测方法及系统 | |
Du et al. | Research on logistics demand forecast based on the combination of grey GM (1, 1) and BP neural network |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210611 |