CN113255207A - 基于迭代多输出-马尔科夫链的空分系统氩馏分变量多步预测方法 - Google Patents
基于迭代多输出-马尔科夫链的空分系统氩馏分变量多步预测方法 Download PDFInfo
- Publication number
- CN113255207A CN113255207A CN202110400811.0A CN202110400811A CN113255207A CN 113255207 A CN113255207 A CN 113255207A CN 202110400811 A CN202110400811 A CN 202110400811A CN 113255207 A CN113255207 A CN 113255207A
- Authority
- CN
- China
- Prior art keywords
- output
- state
- error
- markov chain
- iterative
- 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
- 238000000034 method Methods 0.000 title claims abstract description 58
- XKRFYHLGVUSROY-UHFFFAOYSA-N Argon Chemical compound [Ar] XKRFYHLGVUSROY-UHFFFAOYSA-N 0.000 title claims abstract description 46
- 238000000926 separation method Methods 0.000 title claims abstract description 24
- 229910052786 argon Inorganic materials 0.000 title claims abstract description 23
- 238000012937 correction Methods 0.000 claims abstract description 27
- 238000012549 training Methods 0.000 claims abstract description 13
- 238000012360 testing method Methods 0.000 claims abstract description 6
- 238000012795 verification Methods 0.000 claims abstract description 6
- 238000010606 normalization Methods 0.000 claims abstract description 3
- 238000012545 processing Methods 0.000 claims abstract description 3
- 239000011159 matrix material Substances 0.000 claims description 20
- 238000012546 transfer Methods 0.000 claims description 17
- 230000007704 transition Effects 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 12
- 239000013598 vector Substances 0.000 claims description 12
- 238000013528 artificial neural network Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 5
- 238000011156 evaluation Methods 0.000 claims description 5
- 238000009826 distribution Methods 0.000 claims description 4
- 238000005192 partition Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 abstract description 3
- 238000009825 accumulation Methods 0.000 abstract description 2
- 238000004519 manufacturing process Methods 0.000 description 8
- 230000007246 mechanism Effects 0.000 description 4
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000009776 industrial production Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010924 continuous production Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 239000013067 intermediate product Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Mathematical Analysis (AREA)
- Data Mining & Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Geometry (AREA)
- Algebra (AREA)
- Computer Hardware Design (AREA)
- Databases & Information Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了基于迭代多输出‑马尔科夫链的空分系统氩馏分变量多步预测方法,包括以下步骤:S1:采集数据,构建数据集,将数据集进行归一化处理,并划分为训练集、验证集和测试集;S2:构建迭代多输出预测模型;S3:采用马尔科夫链进行误差校正;本发明将迭代多输出法与马尔科夫链结合,一方面通过参数寻优的方式确定预测模型的最佳输入输出维度,有效减少模型的迭代误差累积,增强模型的适用性与灵活性;另一方面,马尔科夫链能够通过计算预测值的误差状态确定其校正范围和方向,使预测值与真实值的偏离程度更小,预测精度更高,本发明对于空分系统的变量时间序列多步预测具有较好的适用性。
Description
技术领域
本发明涉及自动化技术领域,尤其涉及一种基于迭代多输出-马尔科夫链的空分系统氩馏分变量多步预测方法。
背景技术
空气分离是指通过膨胀、精馏等物理或化学反应,在低温条件下将空气分离为氮气、氧气和氩气的过程。空气分离过程是一种流程工业,生产过程连续进行且机理复杂,其中的一些关键指标变量数据是设备和工艺工况的重要体现。工业现场人员通常依据关键指标的变化趋势调节相关设备的运行,从而保障生产过程安全平稳运行。然而在实际的生产现场,一些重要指标难以实时检测或全面检测,使整体的工况调节和计划调度受到负面影响。如果能够通过数学建模方法对关键指标变量进行实时预测并预知其未来的变化趋势,将会为工业生产的正常运作与实时调度提供十分重要的信息,因此建立精确稳定的生产过程变量短期预测模型是必要且有意义的。传统的生产过程主要依据能量守恒定律、热力学定律及动力学方程等机理分析建立指标预测模型,但是空分生产过程涉及到多种物理化学反应,过程复杂、时变性强,预测变量的机理建模难度较大、可靠性低,并且建模方法的泛化能力一般。现代化工业生产现场的控制系统能够采集大量包含生产信息的数据,基于数据驱动的预测建模方法通过建立输入与输出变量的关系模型达到预测的目的,而无需对系统的机理信息过多关注,因此成为了实现生产过程指标变量预测的有效途径。变量的短期预测通常根据预测步长分为单步预测和多步预测。相较于单步预测,多步预测能够实现更长时间的指标趋势预测,提供更多的有效信息,但同时也伴随着更多的不确定性和随机性。
例如,中国专利CN95116365.5公开了空气分离系统的模型预测控制方法。该申请对于空气分离采用中间产物预测,但是其预测结果依然存在较大的不确定性和随机性。
发明内容
本发明主要解决现有的技术中空气分离对于预测结果存在较大的不确定性和随机性的问题;提供基于迭代多输出-马尔科夫链的空分系统氩馏分变量多步预测方法,降低预测结果的随机性,提高预测精度,具有较好的适用性。
本发明的上述技术问题主要是通过下述技术方案得以解决的:基于迭代多输出-马尔科夫链的空分系统氩馏分变量多步预测方法,包括以下步骤:
S1:采集数据,构建数据集,将数据集进行归一化处理,并划分为训练集、验证集和测试集;
S2:构建迭代多输出预测模型;
S3:采用马尔科夫链进行误差校正。从空分工业现场的监控与数据采集系统中获取氩馏分指标变量一段连续的时间序列数据,将数据集进行归一化,并划分为训练集、验证集和测试集,将训练集用于预测模型的训练,将测试集用于验证预测模型的效果,验证集用于评估训练模型,经过多输出预测模型和误差校正后提高空气分离结果的预测精度。
作为优选,步骤S2中构建迭代多输出预测模型具体包括以下步骤:
S21:建立迭代多输出神经网络预测模型;
S22:确定迭代多输出预测模型的最优参数。
作为优选,步骤S21中建立迭代多输出神经网络预测模型的具体方法为:采用具有较强的非线性拟合能力的人工神经网络作为指标变量的迭代多输出预测模型,设定模型的输入维度为m,隐含层节点数为p,输出维度为s,训练模型表示为:
[yt+s,…,yt+1]=F(yt,…,yt-m+1)+w,t∈{m,…,N-s}
其中q∈{1,…,n},ceil(X)表示X向上取整,[y1,…,yN]表示多个历史实际值的变量时间序列,[yN+1,…,yN+H]表示预测数值,N代表时间序列的历史数值的数量,H(H>1)代表预测总步长。
预测过程中,预测模型在已有的真实输入数据基础上,进行一次输出步长为s的多步预测,模型的多个输出值将成为下次预测的输入变量。从第二次预测开始,模型的输入变量包含了预测数据,以此展开迭代直到完成H步的数据预测。
作为优选,步骤S22中确定迭代多输出预测模型的最优参数的具体方法为:确定隐含层节点数:
在不同输入维度m、隐含层节点数p、输出维度s的参数组合下,根据平均绝对误差(Mean Absolute Error,MAE)、均方根误差(Root Mean Square Error,RMSE)和平均绝对百分比误差(Mean Absolute Percentage Error,MAPE)进行误差评价,得到最小误差,获得最优网络结构参数,其具体计算式为:
作为优选,步骤S3中采用马尔科夫链进行误差校正的具体方法包括以下步骤:
S31:建立转态转移矩阵;
S32:预测值校正。
作为优选,步骤S31中将预测值与真实值的相对误差根据其分布密度划分为n个状态区间,记为S1,S2,…,Sn,S1,S2,…,Sn通常按照区间分割点的数值从小到大排列,表示预测值被划分到不同区间时,处于从相对低估到相对高估的不同状态,每个相对误差数据都有其对应的误差状态,统计相对误差状态转移的概率时,用表示状态Si经过m时步转移到状态Sj的概率:
式中,Mij(m)表示间隔时步为m时Si转移到Sj的次数,Mi表示误差状态为Si的数据个数,i,j∈{1,2,…,n},Mi的统计过程中末位时序的变化状态是未知的,在统计时需要将最后的m个状态移除,由此得出第m时步的状态转移矩阵P(m):
作为优选,步骤S32中从预测数据点的相邻实测点开始,连续取N个实际值,N的取值与状态区间的个数相同(N=n),根据实测点距离预测点的时步间隔,将转移步数设定为i=1,2,…n,转移步数i对应的实测点的起始状态为Sk,k=1,2,…n;每个转移步数都有各自的起始状态和状态转移矩阵,按转移步数从小到大递增的规则,依次取步数i对应转移矩阵P(i)中的第k行向量组成新的矩阵,并对该矩阵的列向量求和,其中和最大的列数即是预测值与所对应真实值的相对误差所处的状态区间数,相对误差状态区间能够描述预测值的校正范围和校正方向,取预测值对应状态区间的中点作为校正系数定义预测校正值F(x)的表达式为:
式中,f(x)表示预测模型的预测值;ΔU和ΔD分别表示预测值对应的误差状态区间的上限和下限。
本发明的有益效果是:本发明将迭代多输出法与马尔科夫链结合,一方面通过参数寻优的方式确定预测模型的最佳输入输出维度,有效减少模型的迭代误差累积,增强模型的适用性与灵活性;另一方面,马尔科夫链能够通过计算预测值的误差状态确定其校正范围和方向,使预测值与真实值的偏离程度更小,预测精度更高,本发明对于空分系统的变量时间序列多步预测具有较好的适用性。
附图说明
图1是本发明实施例的多步预测方法的流程图。
图2是本发明实施例的输出维度s=3时不同网络结构的均方根误差示意图。
具体实施方式
下面通过实施例,并结合附图,对本发明的技术方案作进一步具体的说明。
实施例:A省某大型空分制氩系统配备的分布式控制系统(Distributed ControlSystem,DCS)采集、存储了监测指标变量的数据。现以该系统的氩馏分变量的时间序列数据为实例,说明本发明方法。
一种基于迭代多输出-马尔科夫链的空分系统氩馏分变量多步预测方法,如图1所示,包括以下步骤:
步骤S1:构建数据集。选取2020年某10天氩馏分变量的连续生产数据,此指标变量的数值变化范围为9%~11%,数据采样周期为1分钟。将数据集进行归一化,其中前8天的数据作为训练集进行预测模型的训练建模,第9天的数据作为验证集评估训练模型,第10天的数据作为测试集用于验证预测模型效果。
步骤S2:构建迭代多输出预测模型。
2.1建立迭代多输出神经网络预测模型。采用具有较强的非线性拟合能力的人工神经网络作为指标变量的迭代多输出预测模型,设定模型的输入维度为m,隐含层节点数为p,输出维度为s,训练模型表示为:
[yt+s,…,yt+1]=F(yt,…,yt-m+1)+w,t∈{m,…,N-s}
其中q∈{1,…,n},ceil(X)表示X向上取整,[y1,…,yN]表示多个历史实际值的变量时间序列,[yN+1,…,yN+H]表示预测数值,N代表时间序列的历史数值的数量,H(H>1)代表预测总步长;选用人工神经网络作为氩馏分变量的迭代多输出预测模型,设定氩馏分变量的最大预测步长H=12步(12分钟)。
2.2确定迭代多输出预测模型的最优参数。为了获得性能良好的迭代多输出预测模型,需要对输出维度及其对应的输入维度和隐含层单元数进行参数寻优。确定隐含层节点数:
在不同输入维度m、隐含层节点数p、输出维度s的参数组合下,根据平均绝对误差(Mean Absolute Error,MAE)、均方根误差(Root Mean Square Error,RMSE)和平均绝对百分比误差(Mean Absolute Percentage Error,MAPE)进行误差评价,得到最小误差,获得最优网络结构参数,其具体计算式为:
使用后验法进行迭代多输出法的模型结构参数寻优:在不同输入维度m、隐含层节点数p、输出维度s的参数组合下,预测模型达到最小误差时对应的参数组合即是模型的最优网络结构参数。不同输出维度s对应的最小预测误差指标如下表所示。
表1不同输出维度s对应的最小预测误差指标
输出维度s=3时,三种误差指标均达到了最小值,表明该输出维度的预测模型能较好地描述多步预测过程中变量相邻数据的关联性。图2展现了s=3时不同网络结构的均方根误差(RMSE),其最优参数的输入维度m=3,隐含层节点数p=13。
步骤S3:采用马尔科夫链进行误差校正;3.1建立转态转移矩阵。将预测值与真实值的相对误差根据其分布密度划分为n个状态区间,记为S1,S2,…,Sn,S1,S2,…,Sn通常按照区间分割点的数值从小到大排列,表示预测值被划分到不同区间时,处于从相对低估到相对高估的不同状态,每个相对误差数据都有其对应的误差状态,统计相对误差状态转移的概率时,用表示状态Si经过m时步转移到状态Sj的概率:
式中,Mij(m)表示间隔时步为m时Si转移到Sj的次数,Mi表示误差状态为Si的数据个数,i,j∈{1,2,…,n},Mi的统计过程中末位时序的变化状态是未知的,在统计时需要将最后的m个状态移除,由此得出第m时步的状态转移矩阵P(m):
对最优参数的神经网络完成训练之后,需要确定预测值的误差状态区间,进而确定预测值的误差校正方向。选取最新预测点的前30个样本点进行状态区间划分,根据30个样本点的预测值与真实值的相对误差范围和分布情况,将误差区间划分为3个区间,分别为S1=(-0.5%,-0.2%],S2=(-0.2%,0.1%],S3=(0.1%,0.6%],这些样本点的预测值、真实值以及它们的相对误差及状态如下表所示。
表2样本点的相对误差及状态
在3个误差区间中,S1代表预测值处于相对低估状态,需要进行上调校正;S2代表预测值处于正常状态,只需进行微调;S3代表相对高估状态,需要下调校正预测值。接下来根据上表计算3步状态转移矩阵:
3.2预测值校正。从预测数据点的相邻实测点开始,连续取N个实际值,N的取值与状态区间的个数相同(N=n),根据实测点距离预测点的时步间隔,将转移步数设定为i=1,2,…n,转移步数i对应的实测点的起始状态为Sk,k=1,2,…n;每个转移步数都有各自的起始状态和状态转移矩阵,按转移步数从小到大递增的规则,依次取步数i对应转移矩阵P(i)中的第k行向量组成新的矩阵,并对该矩阵的列向量求和,其中和最大的列数即是预测值与所对应真实值的相对误差所处的状态区间数,相对误差状态区间能够描述预测值的校正范围和校正方向,取预测值对应状态区间的中点作为校正系数定义预测校正值F(x)的表达式为:
式中,f(x)表示预测模型的预测值;ΔU和ΔD分别表示预测值对应的误差状态区间的上限和下限;状态转移矩阵将被用于校正预测模型得到的预测值,使之更贴近真实值。此实例中,在误差状态区间个数为3的情况下,对于最新的预测值,应该选择离预测时步最近的3个数据点,即用第30、29、28时步的误差状态指引第31时步预测值的误差校正方向。第31时步相对于第30、29、28时步的转移步数分别为1、2、3,即分别对应状态转移矩阵P(1)、P(2)和P(3)。经过计算得出第31时步的相对误差状态最可能为S1,预测表如下所示。
表3第31时步的相对误差状态预测表
已知第31时步的实际值和预测值分别为10.3700和10.3427,得到校正后的预测值为:
在基于迭代多输出-马尔科夫链的预测模型中,神经网络多维输出的第一个预测值被校正的同时,也获得了此数据点的误差状态,因此能够继续对后续时刻的预测值进行校正。对于第32和33时步的预测值校正结果如下表所示。
表4氩馏分变量第31-33时步的预测值比较
由表4可知基于迭代多输出-马尔科夫链的空分系统氩馏分变量多步预测方法相较于没有进行误差校正的迭代多输出法而言,预测值与真实值的相对误差更小,预测值更加接近实际值,误差校正的优势明显。
以上所述的实施例只是本发明的一种较佳的方案,并非对本发明作任何形式上的限制,在不超出权利要求所记载的技术方案的前提下还有其它的变体及改型。
Claims (7)
1.基于迭代多输出-马尔科夫链的空分系统氩馏分变量多步预测方法,其特征在于,包括以下步骤:
S1:采集数据,构建数据集,将数据集进行归一化处理,并划分为训练集、验证集和测试集;
S2:构建迭代多输出预测模型;
S3:采用马尔科夫链进行误差校正。
2.根据权利要求1所述的基于迭代多输出-马尔科夫链的空分系统氩馏分变量多步预测方法,其特征在于,
步骤S2中构建迭代多输出预测模型具体包括以下步骤:
S21:建立迭代多输出神经网络预测模型;
S22:确定迭代多输出预测模型的最优参数。
3.根据权利要求2所述的基于迭代多输出-马尔科夫链的空分系统氩馏分变量多步预测方法,其特征在于,
步骤S21中建立迭代多输出神经网络预测模型的具体方法为:采用具有较强的非线性拟合能力的人工神经网络作为指标变量的迭代多输出预测模型,设定模型的输入维度为m,隐含层节点数为p,输出维度为s,训练模型表示为:
[yt+s,…,yt+1]=F(yt,…,yt-m+1)+w,t∈{m,…,N-s}
其中q∈{1,…,n},ceil(X)表示X向上取整,[y1,…,yN]表示多个历史实际值的变量时间序列,[yN+1,…,yN+H]表示预测数值,N代表时间序列的历史数值的数量,H(H>1)代表预测总步长。
5.根据权利要求1或2或3或4所述的基于迭代多输出-马尔科夫链的空分系统氩馏分变量多步预测方法,其特征在于,
步骤S3中采用马尔科夫链进行误差校正的具体方法包括以下步骤:
S31:建立转态转移矩阵;
S32:预测值校正。
6.根据权利要求5所述的基于迭代多输出-马尔科夫链的空分系统氩馏分变量多步预测方法,其特征在于,
步骤S31中将预测值与真实值的相对误差根据其分布密度划分为n个状态区间,记为S1,S2,…,Sn,S1,S2,…,Sn通常按照区间分割点的数值从小到大排列,表示预测值被划分到不同区间时,处于从相对低估到相对高估的不同状态,每个相对误差数据都有其对应的误差状态,统计相对误差状态转移的概率时,用表示状态Si经过m时步转移到状态Sj的概率:
式中,Mij(m)表示间隔时步为m时Si转移到Sj的次数,Mi表示误差状态为Si的数据个数,i,j∈{1,2,…,n},Mi的统计过程中末位时序的变化状态是未知的,在统计时需要将最后的m个状态移除,由此得出第m时步的状态转移矩阵P(m):
7.根据权利要求5所述的基于迭代多输出-马尔科夫链的空分系统氩馏分变量多步预测方法,其特征在于,
步骤S32中从预测数据点的相邻实测点开始,连续取N个实际值,N的取值与状态区间的个数相同(N=n),根据实测点距离预测点的时步间隔,将转移步数设定为i=1,2,…n,转移步数i对应的实测点的起始状态为Sk,k=1,2,…n;每个转移步数都有各自的起始状态和状态转移矩阵,按转移步数从小到大递增的规则,依次取步数i对应转移矩阵P(i)中的第k行向量组成新的矩阵,并对该矩阵的列向量求和,其中和最大的列数即是预测值与所对应真实值的相对误差所处的状态区间数,相对误差状态区间能够描述预测值的校正范围和校正方向,取预测值对应状态区间的中点作为校正系数定义预测校正值F(x)的表达式为:
式中,f(x)表示预测模型的预测值;ΔU和ΔD分别表示预测值对应的误差状态区间的上限和下限。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110400811.0A CN113255207A (zh) | 2021-04-14 | 2021-04-14 | 基于迭代多输出-马尔科夫链的空分系统氩馏分变量多步预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110400811.0A CN113255207A (zh) | 2021-04-14 | 2021-04-14 | 基于迭代多输出-马尔科夫链的空分系统氩馏分变量多步预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113255207A true CN113255207A (zh) | 2021-08-13 |
Family
ID=77220981
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110400811.0A Pending CN113255207A (zh) | 2021-04-14 | 2021-04-14 | 基于迭代多输出-马尔科夫链的空分系统氩馏分变量多步预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113255207A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116910664A (zh) * | 2023-07-12 | 2023-10-20 | 南京航空航天大学 | 基于级联模型的航班地面保障动态预测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1126307A (zh) * | 1994-08-15 | 1996-07-10 | 普拉塞尔技术有限公司 | 空气分离系统的模型预测控制方法 |
CN106548254A (zh) * | 2016-11-16 | 2017-03-29 | 上海理工大学 | 一种有效停车泊位的预测方法 |
-
2021
- 2021-04-14 CN CN202110400811.0A patent/CN113255207A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1126307A (zh) * | 1994-08-15 | 1996-07-10 | 普拉塞尔技术有限公司 | 空气分离系统的模型预测控制方法 |
CN106548254A (zh) * | 2016-11-16 | 2017-03-29 | 上海理工大学 | 一种有效停车泊位的预测方法 |
Non-Patent Citations (4)
Title |
---|
刁莹: "用数学建模方法评价存储系统性能", 《中国博士学位论文全文数据库信息科技辑》, pages 82 - 87 * |
卢斌彰 等: "空分过程变量预测的多变量时间序列分析方法", 《计算机与应用化学》, no. 10, pages 1341 - 1344 * |
陈晓实: "基于小波变换的有效停车泊位多步预测模型", 《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》, pages 1 - 4 * |
龙浩 等: "基于BP神经网络-马尔科夫链模型的隧道围岩位移预测", 《长江科学院院报》, no. 03 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116910664A (zh) * | 2023-07-12 | 2023-10-20 | 南京航空航天大学 | 基于级联模型的航班地面保障动态预测方法 |
CN116910664B (zh) * | 2023-07-12 | 2024-04-19 | 南京航空航天大学 | 基于级联模型的航班地面保障动态预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107992976B (zh) | 热点话题早期发展趋势预测系统及预测方法 | |
CN109408774B (zh) | 基于随机森林和梯度提升树的预测污水出水指标的方法 | |
CN109299430A (zh) | 基于两阶段分解与极限学习机的短期风速预测方法 | |
CN111639823B (zh) | 一种基于特征集构建的建筑冷热负荷预测方法 | |
CN112364560B (zh) | 矿山凿岩装备作业工时智能预测方法 | |
CN110265996B (zh) | 一种适于光伏/风电功率预测的时间特征尺度建模方法 | |
CN112749840B (zh) | 一种火电机组能效特征指标基准值的获取方法 | |
CN115495991A (zh) | 一种基于时间卷积网络的降水区间预测方法 | |
CN110633859A (zh) | 一种两阶段分解集成的水文序列预测方法 | |
CN114169434A (zh) | 一种负荷预测方法 | |
CN114936504A (zh) | 基于贝叶斯多源数据融合的设备剩余寿命预测方法及系统 | |
CN113255207A (zh) | 基于迭代多输出-马尔科夫链的空分系统氩馏分变量多步预测方法 | |
CN111709454A (zh) | 一种基于最优copula模型的多风电场出力聚类评估方法 | |
CN109523077B (zh) | 一种风电功率预测方法 | |
CN114819178A (zh) | 一种铁路施工进度指标预测和在线更新方法 | |
CN110807508A (zh) | 计及复杂气象影响的母线峰值负荷预测方法 | |
CN112767692A (zh) | 基于SARIMA-GA-Elman组合模型的短时交通流量预测系统 | |
CN109447512B (zh) | 基于均匀设计的大电网可靠性评估方法 | |
CN116306832A (zh) | 一种用于多维序列数据的多模生成对抗神经网络建模方法及装置 | |
CN112581311B (zh) | 一种多风电场聚合后出力长期波动特性预测方法及系统 | |
CN115496264A (zh) | 一种风电机组发电功率的预测方法 | |
CN114692507A (zh) | 基于堆叠泊松自编码器网络的计数数据软测量建模方法 | |
CN109884893B (zh) | 一种多工序变量间动态时滞估计方法 | |
CN114707684A (zh) | 一种基于改进lstm的原烟堆垛内部温度预测算法 | |
CN112685933B (zh) | 一种滚轮丝杠副剩余使用寿命预测方法 |
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 |