CN113256695B - 一种基于随机森林的硫酸钾生产盐池地形预测模型方法 - Google Patents

一种基于随机森林的硫酸钾生产盐池地形预测模型方法 Download PDF

Info

Publication number
CN113256695B
CN113256695B CN202110694746.7A CN202110694746A CN113256695B CN 113256695 B CN113256695 B CN 113256695B CN 202110694746 A CN202110694746 A CN 202110694746A CN 113256695 B CN113256695 B CN 113256695B
Authority
CN
China
Prior art keywords
prediction model
training
model
data
random forest
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
CN202110694746.7A
Other languages
English (en)
Other versions
CN113256695A (zh
Inventor
刘军
黄日边
张美娟
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.)
SDIC XINJIANG LUOBUPO POTASH CO Ltd
Original Assignee
Wuhan Institute of Technology
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 Wuhan Institute of Technology filed Critical Wuhan Institute of Technology
Priority to CN202110694746.7A priority Critical patent/CN113256695B/zh
Publication of CN113256695A publication Critical patent/CN113256695A/zh
Application granted granted Critical
Publication of CN113256695B publication Critical patent/CN113256695B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/50—Depth or shape recovery
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/02—Agriculture; Fishing; Mining
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10028—Range image; Depth image; 3D point clouds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20024—Filtering details

Abstract

本发明涉及一种基于随机森林的硫酸钾生产盐池地形预测模型方法，基于随机森林的硫酸钾生产盐池地形预测模型方法，包括获取无人船采集的盐池地形点云数据，对采集的数据进行预处理，得到可以用于训练模型的数据；将的训练模型的数据制作成数据集，并基于随机森林回归分析的方法，得到数据集训练模型；将得到的数据集训练模型进行参数调优和验证，得到最终的盐池地形预测模型；将得到的盐池地形预测模型对待预测区域的点云数据进行预测，得到预测结果。有益效果：能代替无人船无法采集的点云数据，自动对无法采集的区域进行智能预测，得到更精确的盐池地形三维模型，从而对工业生产中硫酸钾生产盐池的矿量做出更准确的预估。

Description

一种基于随机森林的硫酸钾生产盐池地形预测模型方法
技术领域
本发明属于人工智能和矿物化工技术领域，具体涉及一种基于随机森林的硫酸钾生产盐池地形预测模型方法。
背景技术
罗布泊盐湖是我国迄今为止发现的最大的硫酸镁亚型含钾卤水矿床，钾盐储量近期为1亿吨，远景储量为2．5亿吨。依托于新疆罗布泊独特的钾盐资源，国投罗钾公司建立了年产120万吨规模硫酸钾生产线，公司一直专注于我国硫酸钾事业的发展，是目前世界最大的硫酸钾生产基地。基于国投罗钾生产工艺路径，研究和掌握该公司盐田二次成矿规律，清晰掌握盐田矿量赋存状态，将经验上升为理论，并以此指导盐田生产实际，成为制约国投罗钾公司扩大产能、提升硫酸钾质量的关键性技术问题。研究盐田卤水品位分布规律，建立盐田品位分布数学模型和盐田矿量分布模型，采用盐田开采可视化智能配矿，实现盐田生产的定量管理，对合理开发利用盐湖资源，提高企业经济效益和可持续发展将具有重要意义。
发明内容
本发明为了解决上述技术问题提供基于随机森林的硫酸钾生产盐池地形预测模型方法，能代替无人船无法采集的点云数据，自动对无法采集的区域进行智能预测，得到更精确的盐池地形三维模型，从而对工业生产中硫酸钾生产盐池的矿量做出更准确的预估。
本发明解决上述技术问题的技术方案如下：本基于随机森林的硫酸钾生产盐池地形预测模型方法包括
S1：获取无人船采集的盐池地形点云数据，对采集的数据进行预处理，得到可以用于训练模型的数据；
S2：将步骤S1得到的训练模型的数据制作成数据集，并基于随机森林回归分析的方法，得到数据集训练模型；
S3：将步骤S2得到的数据集训练模型进行参数调优和验证，得到最终的盐池地形预测模型；
S4：将步骤S3得到的盐池地形预测模型对待预测区域的点云数据进行预测，得到预测结果。
有益效果：将获取的原始盐池点云数据进行预处理，可以筛除不合法的点和异常点的数据，还可以分析出更多有用信息的数据以及对预测影响更大的信息，便于根据得到的盐池点云数据制作数据集，从而便于获得预测准确率更高的分类模型；其中，随机森林算法是一种逼近离散函数值的方法，它是一种典型的分类方法，首先对数据进行处理，利用归纳算法生成可读的规则和随机森林，然后使用决策对新数据进行分析，随机森林算法的优点分类精度高，生成的模式简单且对噪声数据有很好的健壮性。因而是目前应用最为广泛的归纳推理算法之一，在数据挖掘中受到研究者的广泛关注；因此，基于随机森林回归的方法得到的预测模型，能有效提高盐池点云数据重建出模型的精确度，再通过对预测模型的参数调优和验证，获得最终的盐池地形预测模型，从而对工业生产中硫酸钾生产盐池的矿量做出更准确的预估。
进一步，步骤S1中，所述点云数据包括经度、纬度和深度。
进一步，步骤S1中，所述预处理包括均值滤波，中值滤波去除超出水面的点云数据和不合理的点云数据，然后对预处理的点云数据采用PCA数据降维处理。
进一步，步骤S2的具体步骤包括：
步骤2.1：将所有盐池点云数据制作成数据集，并将所述数据集随机分成训练集、测试集和验证集；
步骤2.2：基于所述随机森林回归分析的方法，利用随机森林的构建训练模型，并按照预设的迭代训练次数，利用所述训练集对所述训练模型进行训练，得到第一预测模型；
步骤2.3：将所述测试集输入所述第一预测模型中进行预测，获取所述第一预测模型的第一准确率，判断所述第一准确率是否达到预期值，若是，则将所述第一预测模型确定为所述预测模型，若否，则执行步骤2.4；
步骤2.4：按照预设的所述迭代训练次数，利用所述测试集对所述训练模型进行训练，得到第二预测模型；
步骤2.5：将所述训练集输入所述第二预测模型中进行预测，获取所述第二预测模型的第二准确率；
步骤2.6：判断所述第二准确率是否达到所述预期值，若是，则将所述第二预测模型确定为所述预测模型，若否，则返回所述步骤2.1，将所述数据集再次随机分成新的训练集、测试集和验证集，重复所述步骤2.2至所述步骤2.5，直至所述第一准确率或所述第二准确率达到所述预期值，并将达到所述预期值的所述第一准确率对应的所述第一预测模型确定为所述预测模型，或者，将达到所述预期值的所述第二准确率对应的所述第二预测模型确定为所述预测模型。
进一步，步骤S2.2中，构建所述训练模型的具体步骤包括：
S2.2.1：基于所述随机森林方法，构建随机森林网络结构；
S2.2.2：将所述训练集和所述测试集均输入步骤S2.2.1中的所述随机森林网络结构中，利用所述随机森林结构中的每棵随机森林对所述训练集和所述测试集进行预测，得到所述训练模型。
附图说明
图1为本发明实施例的流程示意图；
具体实施方式
以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。
实施例一、如图1所示，一种基于随机森林回归的硫酸钾生产盐池地形预测模型的方法，包括以下步骤：
S1：获取无人船采集的盐池地形点云数据，对采集的数据进行预处理，得到可以用于训练模型的数据；
S2：将步骤S1得到的训练模型的数据制作成数据集，并基于随机森林回归分析的方法，得到数据集训练模型；
S3：将步骤S2得到的数据集训练模型进行参数调优和验证，得到最终的盐池地形预测模型；
S4：将步骤S3得到的盐池地形预测模型对待预测区域的点云数据进行预测，得到预测结果。
将获取的原始盐池点云数据进行预处理，可以筛除不合法的点和异常点的数据，还可以分析出更多有用信息的数据以及对预测影响更大的信息，便于根据得到的盐池点云数据制作数据集，从而便于获得预测准确率更高的分类模型；其中，随机森林算法是一种逼近离散函数值的方法。它是一种典型的分类方法，首先对数据进行处理，利用归纳算法生成可读的规则和随机森林，然后使用决策对新数据进行分析。随机森林算法的优点分类精度高，生成的模式简单且对噪声数据有很好的健壮性。因而是目前应用最为广泛的归纳推理算法之一，在数据挖掘中受到研究者的广泛关注。因此，基于随机森林回归的方法得到的预测模型，能有效提高盐池点云数据重建出模型的精确度，再通过对预测模型的参数调优和验证，获得最终的盐池地形预测模型，从而对工业生产中硫酸钾生产盐池的矿量做出更准确的预估。
优选地，步骤S1中，所述点云数据包括经度、纬度和深度。
优选地，步骤S1中，所述预处理包括均值滤波，中值滤波去除超出水面的点云数据和不合理的点云数据，这里不合理的点云数据例如在盐池地的某处有凸点，然后对预处理的点云数据采用PCA数据降维处理。
通过数据预处理，可以筛除不合法的点云（超出水面）、异常的点云的数据，得到质量更好的盐池点云数据；通过PCA（主成分分析）方法进行数据降维，后续随机森林只需要较少的训练点云数据即可得到较高的准确率；
主成分分析也称主分量分析，旨在利用降维的思想，把多指标转化为少数几个综合指标（即主成分），其中每个主成分都能够反映原始变量的大部分信息，且所含信息互不重复。这种方法在引进多方面变量的同时将复杂因素归结为几个主成分，使问题简单化，同时得到的结果更加科学有效的数据信息。在实际问题研究中，为了全面、系统地分析问题，我们必须考虑众多影响因素。这些涉及的因素一般称为指标，在多元统计分析中也称为变量。因为每个变量都在不同程度上反映了所研究问题的某些信息，并且指标之间彼此有一定的相关性，因而所得的统计数据反映的信息在一定程度上有重叠。主要方法有特征值分解，SVD，NMF等。
优选地，S2的具体步骤包括：
S2的具体步骤包括：
S2.1：将所有盐池点云数据制作成数据集，并将所述数据集随机分成训练集、测试集和验证集；
S2.2：基于所述随机森林回归分析的方法，利用随机森林的构建训练模型，并按照预设的迭代训练次数，利用所述训练集对所述训练模型进行训练，得到第一预测模型；
S2.3：将所述测试集输入所述第一预测模型中进行预测，获取所述第一预测模型的第一准确率，判断所述第一准确率是否达到预期值，若是，则将所述第一预测模型确定为所述预测模型，若否，则执行步骤2.4；
S2.4：按照预设的所述迭代训练次数，利用所述测试集对所述训练模型进行训练，得到第二预测模型；
S2.5：将所述训练集输入所述第二预测模型中进行预测，获取所述第二预测模型的第二准确率；
S2.6：判断所述第二准确率是否达到所述预期值，若是，则将所述第二预测模型确定为所述预测模型，若否，则返回所述步骤2.1，将所述数据集再次随机分成新的训练集、测试集和验证集，重复所述步骤2.2至所述步骤2.5，直至所述第一准确率或所述第二准确率达到所述预期值，并将达到所述预期值的所述第一准确率对应的所述第一预测模型确定为所述预测模型，或者，将达到所述预期值的所述第二准确率对应的所述第二预测模型确定为所述预测模型。
数据随机分成训练集、测试集和验证集，能保证数据的客观性，减少人为因素，有效提高后续预测模型的准确率；同时，基于随机森林方法得到的第一预测模型和第二预测模型，能保证较高的分类准确率，得到符合预期的预测模型；其中，当第一预测模型的第一准确率未达到预期值时，对测试集进行训练，得到第二预测模型，并利用训练集来预测得到第二准确率，相当于交换训练集和测试集，能进一步能保证得到符合预期的预测模型；其中，当第二准确率也未达到预期值时，将数据集再次随机分成新的训练集、测试集和验证集，重复预测第一准确率和第二准确率，直至第一准确率或第二准确率达到预期值，能使得达到预期值对应的预测模型来检测待预测区域的点云数据的准确率一直保持在较高水平。
优选地，在S2.2中，构建所述训练模型的具体步骤包括：
S2.2.1：基于所述随机森林方法，构建随机森林网络结构；
S2.2.2：将所述训练集和所述测试集均输入步骤S2.2.1中的所述随机森林网络结构中，利用所述随机森林结构中的每棵随机森林对所述训练集和所述测试集进行预测，得到所述训练模型。
利用网格搜索调参方法进行参数调优，能保证得到预测模型对应的最优参数；利用验证集对优化预测模型进行验证，将验证通过的优化预测模型确定为最终预测模型，能进一步确保最终预测模型对待预测区域点云数据的准确率，其中，网格搜索方法的具体操作步骤为现有技术，具体不再赘述。
需要说明的是，本实施例是对达到预期值的第一准确率所对应的预测模型进行参数调优和验证，或者对达到预期值的第二准确率所对应的预测模型进行参数调优和验证；当为前者时，利用达到预期值的第一准确率所对应的训练集和测试集进行参数调优，并利用对应的验证集进行验证；当为后者时，利用达到预期值的第二准确率所对应的训练集和测试集进行参数调优，并利用对应的验证集进行验证。
在本发明的描述中，需要理解的是，术语“中心”、“长度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“内”、“外”、“周侧”、“周向”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的系统或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系，除非另有明确的限定。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、 “示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
以上仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.一种基于随机森林的硫酸钾生产盐池地形预测模型方法，其特征在于，包括以下步骤：
S1：获取无人船采集的盐池地形点云数据，对采集的数据进行预处理，得到可以用于训练模型的数据；
S2：
具体步骤包括：
S2.1：将所有盐池点云数据制作成数据集，并将所述数据集随机分成训练集、测试集和验证集；
S2.2：基于所述随机森林回归分析的方法，利用随机森林的构建训练模型，并按照预设的迭代训练次数，利用所述训练集对所述训练模型进行训练，得到第一预测模型；
S2.3：将所述测试集输入所述第一预测模型中进行预测，获取所述第一预测模型的第一准确率，判断所述第一准确率是否达到预期值，若是，则将所述第一预测模型确定为所述预测模型，若否，则执行S2.4；
S2.4：按照预设的所述迭代训练次数，利用所述测试集对所述训练模型进行训练，得到第二预测模型；
S2.5：将所述训练集输入所述第二预测模型中进行预测，获取所述第二预测模型的第二准确率；
S2.6：判断所述第二准确率是否达到所述预期值，若是，则将所述第二预测模型确定为所述预测模型，若否，则返回所述S2.1，将所述数据集再次随机分成新的训练集、测试集和验证集，重复所述S2.2至所述S2.5，直至所述第一准确率或所述第二准确率达到所述预期值，并将达到所述预期值的所述第一准确率对应的所述第一预测模型确定为所述预测模型，或者，将达到所述预期值的所述第二准确率对应的所述第二预测模型确定为所述预测模型；
S3：将步骤S2得到的数据集训练模型进行参数调优和验证，得到最终的盐池地形预测模型；
S4：将步骤S3得到的盐池地形预测模型对待预测区域的点云数据进行预测，得到预测结果。
2.根据权利要求 1 所述的基于随机森林的硫酸钾生产盐池地形预测模型方法，其特征在于，步骤S1中，所述点云数据包括经度、纬度和深度。
3.根据权利要求 1 所述的基于随机森林的硫酸钾生产盐池地形预测模型方法，其特征在于，步骤S1中，所述预处理包括均值滤波，中值滤波去除超出水面的点云数据和不合理的点云数据，然后对预处理的点云数据采用PCA数据降维处理。
4.根据权利要求 1 所述的基于随机森林的硫酸钾生产盐池地形预测模型方法，其特征在于，步骤S2.2中，构建所述训练模型的具体步骤包括：
S2.2.1：基于所述随机森林方法，构建随机森林网络结构；
S2.2.2：将所述训练集和所述测试集均输入步骤S2.2.1中的所述随机森林网络结构中，利用所述随机森林结构中的每棵随机森林对所述训练集和所述测试集进行预测，得到所述训练模型。
CN202110694746.7A 2021-06-23 2021-06-23 一种基于随机森林的硫酸钾生产盐池地形预测模型方法 Active CN113256695B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110694746.7A CN113256695B (zh) 2021-06-23 2021-06-23 一种基于随机森林的硫酸钾生产盐池地形预测模型方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110694746.7A CN113256695B (zh) 2021-06-23 2021-06-23 一种基于随机森林的硫酸钾生产盐池地形预测模型方法

Publications (2)

Publication Number Publication Date
CN113256695A CN113256695A (zh) 2021-08-13
CN113256695B true CN113256695B (zh) 2021-10-08

Family

ID=77189267

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110694746.7A Active CN113256695B (zh) 2021-06-23 2021-06-23 一种基于随机森林的硫酸钾生产盐池地形预测模型方法

Country Status (1)

Country Link
CN (1) CN113256695B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7730063B2 (en) * 2002-12-10 2010-06-01 Asset Trust, Inc. Personalized medicine service
CN109840535A (zh) * 2017-11-29 2019-06-04 北京京东尚科信息技术有限公司 实现地形分类的方法和装置
CN111178633A (zh) * 2019-12-31 2020-05-19 上饶市中科院云计算中心大数据研究院 基于随机森林算法预测景区客流量的方法和装置
CN111189430A (zh) * 2019-12-22 2020-05-22 同济大学 一种基于随机森林分类器的星载激光足印高程提取方法
CN112470032A (zh) * 2019-11-04 2021-03-09 深圳市大疆创新科技有限公司 起伏地面的地形预测方法、装置、雷达、无人机和作业控制方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108846517B (zh) * 2018-06-12 2021-03-16 清华大学 一种分位数概率性短期电力负荷预测集成方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7730063B2 (en) * 2002-12-10 2010-06-01 Asset Trust, Inc. Personalized medicine service
CN109840535A (zh) * 2017-11-29 2019-06-04 北京京东尚科信息技术有限公司 实现地形分类的方法和装置
CN112470032A (zh) * 2019-11-04 2021-03-09 深圳市大疆创新科技有限公司 起伏地面的地形预测方法、装置、雷达、无人机和作业控制方法
CN111189430A (zh) * 2019-12-22 2020-05-22 同济大学 一种基于随机森林分类器的星载激光足印高程提取方法
CN111178633A (zh) * 2019-12-31 2020-05-19 上饶市中科院云计算中心大数据研究院 基于随机森林算法预测景区客流量的方法和装置

Also Published As

Publication number Publication date
CN113256695A (zh) 2021-08-13

Similar Documents

Publication Publication Date Title
Meza et al. Predictive analysis of urban waste generation for the city of Bogotá, Colombia, through the implementation of decision trees-based machine learning, support vector machines and artificial neural networks
CN109150564B (zh) 一种用于小区故障告警的预测方法及装置
CN107341497A (zh) 结合选择性升采样的不均衡数据流加权集成分类预测方法
CN103985055A (zh) 一种基于网络分析和多模型融合的股市投资决策方法
CN114580706A (zh) 基于gru-lstm神经网络的电力金融业务风控方法及系统
CN103024762A (zh) 基于业务特征的通信业务预测方法
CN104182474A (zh) 一种预流失用户的识别方法
Zaefferer et al. A case study on multi-criteria optimization of an event detection software under limited budgets
CN108921352A (zh) 一种具有区间不确定性的湿法冶金浸出过程优化方法
CN113065771B (zh) 基于指标权值优化的化工企业事故风险评估方法及系统
Xu et al. Multivariate time series forecasting based on causal inference with transfer entropy and graph neural network
CN112987666A (zh) 电厂机组运行优化调控方法及系统
Cao 1.17 Spatial optimization for sustainable land use planning
Tam et al. ELECTRE III in evaluating performance of construction plants: case study on concrete vibrators
Wang et al. Ordered visibility graph weighted averaging aggregation operator: A methodology based on network analysis
Junta et al. Predictive Analysis of Urban Planning for through the Operation of Artificial Cloud Network
Goumatianos et al. Stock selection system: building long/short portfolios using intraday patterns
CN113256695B (zh) 一种基于随机森林的硫酸钾生产盐池地形预测模型方法
CN117236788B (zh) 基于人工智能的水资源调度优化方法及系统
CN112183887A (zh) 一种水环境承载力预警指标阈值及分级标准确定方法
CN110855519A (zh) 一种网络流量预测方法
Mallat et al. Study, evaluation and classification of decision-making methods for evaluating the QoS in the GPRS network
Wakiru A decision tree-based classification framework for used oil analysis applying random forest feature selection
CN114078070A (zh) 一种多源数据融合的文旅安全监测及溯源分析方法及系统
Biswal et al. Multi-choice multi-objective linear programming problem

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
TR01 Transfer of patent right

Effective date of registration: 20220622

Address after: No. 68, Jianshe West Road, Yizhou District, Hami City, Xinjiang Uygur Autonomous Region

Patentee after: SDIC XINJIANG LUOBUPO POTASH Co.,Ltd.

Address before: 430000 No.206 Guanggu 1st Road, Donghu New Technology Development Zone, Wuhan, Hubei Province

Patentee before: WUHAN INSTITUTE OF TECHNOLOGY

TR01 Transfer of patent right