CN113469441A - 一种基于组合深度学习的防汛物资需求预测方法 - Google Patents
一种基于组合深度学习的防汛物资需求预测方法 Download PDFInfo
- Publication number
- CN113469441A CN113469441A CN202110751697.6A CN202110751697A CN113469441A CN 113469441 A CN113469441 A CN 113469441A CN 202110751697 A CN202110751697 A CN 202110751697A CN 113469441 A CN113469441 A CN 113469441A
- Authority
- CN
- China
- Prior art keywords
- data
- water level
- flood prevention
- prediction
- prevention material
- 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.)
- Granted
Links
- 239000000463 material Substances 0.000 title claims abstract description 183
- 230000002265 prevention Effects 0.000 title claims abstract description 168
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000013135 deep learning Methods 0.000 title claims abstract description 30
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 160
- 238000010219 correlation analysis Methods 0.000 claims abstract description 14
- 238000012549 training Methods 0.000 claims description 96
- 238000012545 processing Methods 0.000 claims description 36
- 230000006870 function Effects 0.000 claims description 27
- 238000010606 normalization Methods 0.000 claims description 21
- 230000015654 memory Effects 0.000 claims description 17
- 239000000126 substance Substances 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 10
- 238000001556 precipitation Methods 0.000 claims description 7
- 230000005540 biological transmission Effects 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000002441 reversible effect Effects 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 5
- 239000013598 vector Substances 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000013136 deep learning model Methods 0.000 claims description 3
- 230000009191 jumping Effects 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 238000010200 validation analysis Methods 0.000 claims description 3
- 238000012098 association analyses Methods 0.000 claims 1
- 238000004422 calculation algorithm Methods 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000013277 forecasting method Methods 0.000 description 6
- 238000007637 random forest analysis Methods 0.000 description 4
- 238000012706 support-vector machine Methods 0.000 description 4
- 238000007726 management method Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000012546 transfer Methods 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/951—Indexing; Web crawling techniques
-
- 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
- G06N3/08—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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- 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
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Computing Systems (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Databases & Information Systems (AREA)
- Mathematical Physics (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于组合深度学习的防汛物资需求预测方法,涉及深度学习领域,将预测方法拆解成2个部分:一是基于水库水位数据预测未来时间段的水库水位状况;二是基于水库水位预测结果、天气预测结果等数据拟合防汛物资的需求情况,从而实现防汛物资需求的精准预测,通过灰色关联分析,利用基于LSTM网络模型的水库水位预测方法对水库水位进行时间序列预测,提出基于BiGRU网络模型的防汛物资需求预测方法实现防汛物资库存需求的预测,降低模型复杂度,减少过拟合情况,从而有效提取水库水位数据和防汛物资需求的特征,保证防汛物资需求预测的精度。
Description
技术领域
本发明涉及人工智能领域,尤其涉及一种基于组合深度学习的防汛物资需求预测方法。
背景技术
我国地域辽阔,降水在地区上呈现东多西少走势,在时间维度上主要集中在夏季,特别是东南部地区几乎每年都会受夏季风严重影响,造成洪涝、台风等灾难发生,群众受灾以及严重的经济损失,如2020年台风等主要灾害共造成全国1.38亿人次受灾,589.1万人次紧急转移安置,10万间房屋倒塌,145.7万间一般损坏,造成直接经济损失3701.5亿元。而浙江省内河流排涝能力有限,一旦发生洪涝灾害,如果不能进行有效的防洪抢险工作,会对群众造成十分严重的经济和生命损失,影响浙江省经济社会发展,因此防洪抢险是关系人民生命安全、关系社会长远发展的重要基础。在防汛抢险工作中,防汛物资保障是其一项重要工作。但是目前没有统一的购入防汛物资的科学策略,大部分仓库都是根据国家统一标准或依据经验采购防汛物资,每年都存在大量物资因过期而报废,需要定期搬运清理,浪费了大量人力物力,甚至某些区域因为物资过期或储备不足,需要从其他仓库调运,对高效救灾造成了一定影响。因此对防汛物资需求进行快速、精准的动态预测是防汛救灾中极其重要的一环,且直接影响到下一步调度算法的有效性。
目前常规预测方法主要为随机森林树、线性回归、支持向量机回归、神经网络、深度学习等机器学习方法,例如P.Boutselis等人采用基于贝叶斯网络对条件需求进行预测,其效果优于逻辑回归模型。W.Chen等人使用逻辑回归树,随机森林和分类回归树进行了定量预测,对比得出随机森林具有更高的预测准确性。胡忠君等人采用基于灰色系统理论对物资进行关联分析,根据小样本数据、少量历史数据构建灰度预测模型,并结合现行安全库存管理方法对灾后需要的多种应急物资分别进行了需求预测。但是上述学者提出的随机森林树、线性回归等方法对非线性复杂问题的预测精度较差。赵一兵等人采用基于支持向量机回归算法和库存管理模型对应急物资进行定性估算。Q.Zhao等人采用基于支持向量机方法对其模型进行预测,并融入一种新的特征向量选择,减少训练数量,并且提高模型预测的准确性和训练效率。但是上述的支持向量机回归会出现过拟合问题。M.Sonmez等人采用基于历史数据采用蜂群算法对线性问题的资源需求进行预测,但是其较难预测非线性问题。刘芳等人采用提出一种改进蚁群优化多层前馈网络神经网络智能算法,以受灾转移人数为预测对象,选取降雨量、降雨等级、降雨时长等指标为研究因素,构建算法预测模型,结合库存管理系统预测救援物资需求量。H.Lee等人采用引入广义神经网络,通过简化的数据输入、隐藏层和输出层,建立风暴潮高度预测模型,其方法具有较强的学习能力。但是上述的神经网络方法在权值和阈值选取具有随机性,导致预测结果不稳定。高峰等人采用基于深度学习优化的预测算法引入改进差分时域特征,使数据之间建立更深层次的属性关联,并通过长短期记忆网络的良好记忆回溯能力。顾逸等人采用基于长短期记忆循环深度网络及其结构约减变体对中长期径流预报进行研究,研究分析不同时间步长对GRU(Gatedrecurrent unit)径流预报精度和计算效率的影响。但是高峰和顾逸等人提出的方法需要大量的训练样本。
由于防汛物资存在数量大、种类繁多、较难找到内部物资潜在联系、样本数量小、受环境的影响较大等特点,上述方法较难直接应用到防汛物资需求的预测上。目前相关历史数据集合主要由水库水位、降水量等环境状况和调度物资记录组成,基于该历史数据集合的单个预测模型其复杂度较高,预测精度较低的问题。
发明内容
为了解决上述技术问题,针对以上问题点,本发明公开了一种基于组合深度学习的防汛物资需求预测方法,解决现有技术中由于防汛物资存在数量大、种类繁多、较难找到内部物资潜在联系、样本数量小、受环境的影响较大等特点,现有技术中的多种的预测算法较难直接应用到防汛物资需求的预测上,相关历史数据集合主要由水库水位、降水量等环境状况和调度物资记录组成,基于该历史数据集合的单个预测模型其复杂度较高,预测精度较低,无法精准预测等问题。
为了达到上述发明目的,本发明提供一种基于组合深度学习的防汛物资需求预测方法,所述方法包括:
选择当前工作模式,所述工作模式包括:训练模式和预测模式;
若当前工作模式为训练模式,则读取数据训练集,进行初始化设置,所述训练数据集包括:水库水位数据、天气预测数据、以及防汛物资数据;
对所述水库水位数据进行数据处理形成水位数据帧,并进行归一化处理;
训练水库水位预测模型,获得和保存水库水位预测模型;
对所述天气预测数据进行数据处理形成天气预测数据帧,并进行归一化处理;
读取所述水位预测数据帧和天气预测数据帧,通过灰色关联分析依据预设关联度选择大于预设阈值的防汛物资种类;
排列所述天气预测数据帧、水位预测数据帧、防汛物资种类,形成组合数据帧;
若当前工作模式为预测模式,则将所述组合数据帧输入进网络模型BiGRU进行模型训练,获得和保存BiGRU网络模型;
读取已训练好的水库水位预测模型、BiGRU网络模型和待预测的水库水位数据、防汛物资数据;
对所述水库水位数据进行数据处理形成水位数据帧,并进行归一化处理;
将所述水位数据帧输入已训练好的水库水位预测模型进行预测,得到水位预测数据帧;
对所述天气预测数据进行数据处理形成天气预测数据帧,并进行归一化处理;
读取所述水位预测数据帧和天气预测数据帧,通过灰色关联分析依据预设关联度选择大于预设阈值的防汛物资种类;
排列所述天气预测数据帧、水位预测数据帧、防汛物资种类,形成组合数据帧;
将组合数据帧输入已训练好的BiGRU网络模型进行预测,获得防汛物资所需预测数量;
判断是否完成防汛物资需求预测,若是,则输出所有防汛物资需求预测;若否则继续执行上述方法进行防汛物资需求预测。
在一个实施例中,所述读取数据训练集,进行初始化设置,包括:
读取水库水位数据,通过网站爬虫获取降水量、水汽压、风力天气预测数据,构建水库水位数据、天气预测数据和防汛物资数据的训练集,初始化LSTM深度学习模型参数,每次训练的批量数,水库水位预测模型最大迭代训练次数、BiGRU网络模型最大迭代训练次数、当前迭代次数为I1=I2=1、水库水位预测模型的损失函数均方根误差阈值V1,BiGRU网络模型的损失函数均方根误差阈值V2、当前划定验证集的比例。
在一个实施例中,所述对所述水库水位数据进行数据处理形成水位数据帧,并进行归一化处理;包括:
确定选取水库水位数据的时间窗长度tn,通过当前时刻的前tn时刻,当前时刻和后tm时刻组合,整体排成一行,从而将水库水位数据集形成一个包含时间序列的水位数据帧,然后进行归一化处理。
在一个实施例中,所述训练水库水位预测模型,获得和保存水库水位预测模型;包括:
输入归一化后的水位数据帧,训练采用长短期记忆网络LSTM构建水库水位预测模型,获得和保存水库水位预测模型。所述水库水位预测模型训练过程包括如下步骤:
4.1)初始化时刻t为1时的旧细胞状态C1、预测结果输出ht等参数,令当前时刻t=2;
4.2)输入t-1时刻的水库水位数据xt-1,经过如公式(1)所描述的遗忘门,得到时刻t下遗忘门的输出ft:
ft=sigmoid(Wfxt-1+UfCt-1+bf) (1)
其中,sigmoid()表示sigmoid激活函数,Wf表示遗忘门的训练输入权值,Uf表示遗忘门的细胞状态权值、bf表示遗忘门的偏移量,Ct-1表示时刻t-1下的旧细胞状态;在遗忘门中,将t-1时刻的输入xt-1和细胞状态Ct-1作为sigmoid()的输入,在[0,1]范围之内输出遗忘后的信息ft,从而确定需要被删除的信息;
4.3)数据xt-1经过公式(2)所描述的输入门,得到时刻t下输入门的输出it:
it=sigmoid(Wixt-1+UiCt-1+bi) (2)
其中,Wi表示输入门的训练输入权值,Ui表示输入门的细胞状态权值,bi表示输入门的偏移量;
其中,Wc表示候选训练输入权值,Uc表示候选细胞状态权值,bc表示候选偏移量;
4.5)通过公式(4)将上一个状态值Ct-1乘以ft,以此来决定忘记的部分,同时加上新增加的部分,获得时刻t的细胞状态Ct;
4.6)利用公式(5)计算t时刻输出门输出ot,并采用公式(6)计算t时刻水库水位预测结果ht:
ot=sigmoid(Woxt-1+UoCt-1+bo) (5)
ht=ot·tanh(Ct) (6)
其中,Wo表示输出门的训练输入权值,Uo表示输出门的细胞状态权值,bo表示输出门的偏移量,tanh()表示tanh激活函数;
4.7)判断是否已完成训练集中所有时刻的水库水位数据的训练,若否,则t=t+1,并返回步骤4.2),反之则跳到步骤4.8);
4.8)计算当前迭代次数下水库水位预测模型的损失函数均方根误差,将误差通过反向传输的方式进行反馈运算,对每个节点之间的权重进行修改。若则判断当前损失函数均方根误差是否小于阈值V1,若是则获得和保存水库水位预测模型,否则I1=I1+1,t=2;返回步骤4.1);若则获得和保存水库水位预测模型。
在一个实施例中,所述通过灰色关联分析依据预设关联度选择大于预设阈值的防汛物资种类,包括:
6.1)将训练集中的下一个时刻的水位数据作为当前水位数据的预测数据,将天气预测数据和水位预测数据作为参考序列,读取天气预测数据帧和水位预测数据,将天气预测数据帧和水位预测数据记为X0={X0(k)|k=1,2,3...,n},其中k为时间序列编号;读取防汛物资数据,将防汛物资数据作为比较序列,记为Xi={Xi(k)|k=1,2,3...,n},i=1,2,...,n,其中i为防汛物资种类编号,n表示样本长度;
6.2)由于各类防汛物资数据衡量单位不同,其各种类数值大小偏差较大,易对分析结果造成重大影响,故对防汛物资数据、天气预测数据和水位预测数据进行均值标准化;所述均值标准化处理式如下:
x0(k)=X0(k)/X0(1) (7)
xi(k)=Xi(k)/Xi(1) (8)
其中,x0(k)和xi(k)分别为参考序列和比较序列标准化处理后的数据序列;
6.3)采用公式(9)依次计算所有种类的防汛物资数据与天气预测数据和水位预测数据,并取绝对值,得到绝对值矩阵σ0i(k);
6.4)找出绝对值矩阵中的最大值σmax;
6.5)通过公式(10),计算所有种类的防汛物资数据与天气预测数据和水位预测数据的关联系数ω0i(k):
其中,η为分辨系数;
6.6)计算第i种防汛物资数据的灰色关联度Pi,公式如下:
6.7)根据灰色关联度将防汛物资种类进行降序排序,选择关联度大于阈值的防汛物资种类,组合成需要BiGRU网络模型预测集合;选择关联度不大于阈值的防汛物资种类,判断该类防汛物资的库存数据是否小于预警阈值,若是,则直接认定该类防汛物资需求不足,发出报警,提醒管理员进行该类防汛物资的采购,否则认定该类防汛物资库存数量充足。
在一个实施例中,所述将所述组合数据帧输入进网络模型BiGRU进行模型训练,包括:
8.10)通过公式(20)计算获得t时刻防汛物资需求gt:
8.11)判断是否已完成训练集中所有时刻的防汛物资需求量数据的训练。若否,则t=t+1,并返回步骤8.2),反之则跳到步骤8.12);
8.12)计算当前迭代次数下BiGRU网络模型的损失函数均方根误差,将误差通过反向传输的方式进行反馈运算,对每个节点之间的权重进行修改。若则判断当前迭代次数下BiGRU网络模型的损失函数均方根误差是否小于阈值V2,若是则保存并输出BiGRU网络模型,否则,I2=I2+1,t=2,返回步骤8.1),若则保存并输出BiGRU网络模型。
在一个实施例中,所述排列所述天气预测数据帧、水位预测数据帧、防汛物资种类,形成组合数据帧,还包括:对物资缺失数据进行置0填补。
在一个实施例中,所述将组合数据帧输入已训练好的BiGRU网络模型进行预测,获得防汛物资所需预测数量,还包括:将防汛物资所需预测数量与当前各个仓库的防汛物资储备进行比较,对不足的物资进行需求提醒。
实施本发明实施例,具有如下有益效果:
本发明实施例提出一种基于组合深度学习的防汛物资需求预测方法,通过灰色关联分析提取与水库水位、天气信息相关性较强的物资数据,快速获得能影响物资需求的因素,提升两组非线性数据之间的关联度,利用基于LSTM网络模型的水库水位预测方法对水库水位进行时间序列预测,可提高水库水位的预测精度,基于水库水位预测结果和天气数据的预测结果,提出基于BiGRU网络模型的防汛物资需求预测方法,即依据不同区域,不同环境下发生汛情对应的防汛物资消耗历史数据,采用循环神经网络进行预测,实现防汛物资库存需求的预测,可提高防汛物资需求的预测精度,通过问题拆解再进行求解,可以降低模型复杂度,减少过拟合情况,从而有效提取水库水位数据和防汛物资需求的特征,保证防汛物资需求预测的精度和稳定性。
附图说明
为了更清楚地说明本发明所述的一种基于组合深度学习的防汛物资需求预测方法,附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它附图。
图1为本发明实施例提供的一种基于组合深度学习的防汛物资需求预测方法流程图;
图2为本发明实施例提供的一种基于组合深度学习的防汛物资需求预测方法中水库水位预测模型训练流程图;
图3为本发明实施例提供的一种基于组合深度学习的防汛物资需求预测方法中灰色关联分析流程图;
图4为本发明实施例提供的一种基于组合深度学习的防汛物资需求预测方法的组合数据示意图;
图5为本发明实施例提供的一种基于组合深度学习的防汛物资需求预测方法BiGRU网络模型训练流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或服务器不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
请参阅图1,图1示出了可用于实施本发明实施例方案的一种基于组合深度学习的防汛物资需求预测方法,所述方法包括:
选择当前工作模式,所述工作模式包括:训练模式和预测模式;
若当前工作模式为训练模式,则读取数据训练集,进行初始化设置,所述训练数据集包括:水库水位数据、天气预测数据、以及防汛物资数据;
对所述水库水位数据进行数据处理形成水位数据帧,并进行归一化处理;
训练水库水位预测模型,获得和保存水库水位预测模型;
对所述天气预测数据进行数据处理形成天气预测数据帧,并进行归一化处理;
读取所述水位预测数据帧和天气预测数据帧,通过灰色关联分析依据预设关联度选择大于预设阈值的防汛物资种类;
排列所述天气预测数据帧、水位预测数据帧、防汛物资种类,形成组合数据帧;
若当前工作模式切换为预测模式,则将所述组合数据帧输入进网络模型BiGRU进行模型训练,获得和保存BiGRU网络模型;
读取已训练好的水库水位预测模型、BiGRU网络模型和待预测的水库水位数据、防汛物资数据;
对所述水库水位数据进行数据处理形成水位数据帧,并进行归一化处理;
将所述水位数据帧输入已训练好的水库水位预测模型进行预测,得到水位预测数据帧;
对所述天气预测数据进行数据处理形成天气预测数据帧,并进行归一化处理;
读取所述水位预测数据帧和天气预测数据帧,通过灰色关联分析依据预设关联度选择大于预设阈值的防汛物资种类;
排列所述天气预测数据帧、水位预测数据帧、防汛物资种类,形成组合数据帧;
将组合数据帧输入已训练好的BiGRU网络模型进行预测,获得防汛物资所需预测数量;
判断是否完成防汛物资需求预测,若是,则输出所有防汛物资需求预测;若否则继续执行上述方法进行防汛物资需求预测。
在一个实施例中,所述读取数据训练集,进行初始化设置,包括:
读取水库水位数据,通过网站爬虫获取降水量、水汽压、风力天气预测数据,构建水库水位数据、天气预测数据和防汛物资数据的训练集,初始化LSTM深度学习模型参数,每次训练的批量数,水库水位预测模型最大迭代训练次数、BiGRU网络模型最大迭代训练次数、当前迭代次数为I1=I2=1、水库水位预测模型的损失函数均方根误差阈值V1,BiGRU网络模型的损失函数均方根误差阈值V2、当前划定验证集的比例。
在一个实施例中,所述对所述水库水位数据进行数据处理形成水位数据帧,并进行归一化处理;包括:
确定选取水库水位数据的时间窗长度tn,通过当前时刻的前tn时刻,当前时刻和后tm时刻组合,整体排成一行,从而将水库水位数据集形成一个包含时间序列的水位数据帧,然后进行归一化处理。
如图2所示,图2为本发明实施例提供的一种基于组合深度学习的防汛物资需求预测方法中水库水位预测模型训练流程图;
在一个实施例中,所述训练水库水位预测模型,获得和保存水库水位预测模型;包括:
输入归一化后的水位数据帧,训练采用长短期记忆网络LSTM构建水库水位预测模型,获得和保存水库水位预测模型。所述水库水位预测模型训练过程包括如下步骤:
4.1)初始化时刻t为1时的旧细胞状态C1、预测结果输出ht等参数,令当前时刻t=2;
4.2)输入t-1时刻的水库水位数据xt-1,经过如公式(1)所描述的遗忘门,得到时刻t下遗忘门的输出ft:
ft=sigmoid(Wfxt-1+UfCt-1+bf) (1)
其中,sigmoid()表示sigmoid激活函数,Wf表示遗忘门的训练输入权值,Uf表示遗忘门的细胞状态权值、bf表示遗忘门的偏移量,Ct-1表示时刻t-1下的旧细胞状态;在遗忘门中,将t-1时刻的输入xt-1和细胞状态Ct-1作为sigmoid()的输入,在[0,1]范围之内输出遗忘后的信息ft,从而确定需要被删除的信息;
4.3)数据xt-1经过公式(2)所描述的输入门,得到时刻t下输入门的输出it:
it=sigmoid(Wixt-1+UiCt-1+bi) (2)
其中,Wi表示输入门的训练输入权值,Ui表示输入门的细胞状态权值,bi表示输入门的偏移量;
其中,Wc表示候选训练输入权值,Uc表示候选细胞状态权值,bc表示候选偏移量;
4.5)通过公式(4)将上一个状态值Ct-1乘以ft,以此来决定忘记的部分,同时加上新增加的部分,获得时刻t的细胞状态Ct;
4.6)利用公式(5)计算t时刻输出门输出ot,并采用公式(6)计算t时刻水库水位预测结果ht:
ot=sigmoid(Woxt-1+UoCt-1+bo) (5)
ht=ot·tanh(Ct) (6)
其中,Wo表示输出门的训练输入权值,Uo表示输出门的细胞状态权值,bo表示输出门的偏移量,tanh()表示tanh激活函数;
4.7)判断是否已完成训练集中所有时刻的水库水位数据的训练,若否,则t=t+1,并返回步骤4.2),反之则跳到步骤4.8);
4.8)计算当前迭代次数下水库水位预测模型的损失函数均方根误差,将误差通过反向传输的方式进行反馈运算,对每个节点之间的权重进行修改。若则判断当前损失函数均方根误差是否小于阈值V1,若是则获得和保存水库水位预测模型,否则I1=I1+1,t=2;返回步骤4.1);若则获得和保存水库水位预测模型。
如图3所示,图3为本发明实施例提供的一种基于组合深度学习的防汛物资需求预测方法中灰色关联分析流程图;
在一个实施例中,所述通过灰色关联分析依据预设关联度选择大于预设阈值的防汛物资种类,包括:
6.1)将训练集中的下一个时刻的水位数据作为当前水位数据的预测数据,将天气预测数据和水位预测数据作为参考序列,读取天气预测数据帧和水位预测数据,将天气预测数据帧和水位预测数据记为X0={X0(k)|k=1,2,3...,n},其中k为时间序列编号;读取防汛物资数据,将防汛物资数据作为比较序列,记为Xi={Xi(k)|k=1,2,3...,n},i=1,2,...,n,其中i为防汛物资种类编号,n表示样本长度;
6.2)由于各类防汛物资数据衡量单位不同,其各种类数值大小偏差较大,易对分析结果造成重大影响,故对防汛物资数据、天气预测数据和水位预测数据进行均值标准化;所述均值标准化处理式如下:
x0(k)=X0(k)/X0(1) (7)
xi(k)=Xi(k)/Xi(1) (8)
其中,x0(k)和xi(k)分别为参考序列和比较序列标准化处理后的数据序列;
6.3)采用公式(9)依次计算所有种类的防汛物资数据与天气预测数据和水位预测数据,并取绝对值,得到绝对值矩阵σ0i(k);
6.4)找出绝对值矩阵中的最大值σmax;
6.5)通过公式(10),计算所有种类的防汛物资数据与天气预测数据和水位预测数据的关联系数ω0i(k):
其中,η为分辨系数;
6.6)计算第i种防汛物资数据的灰色关联度Pi,公式如下:
6.7)根据灰色关联度将防汛物资种类进行降序排序,选择关联度大于阈值的防汛物资种类,组合成需要BiGRU网络模型预测集合;选择关联度不大于阈值的防汛物资种类,判断该类防汛物资的库存数据是否小于预警阈值,若是,则直接认定该类防汛物资需求不足,发出报警,提醒管理员进行该类防汛物资的采购,否则认定该类防汛物资库存数量充足。
如图5所示,图5为本发明实施例提供的一种基于组合深度学习的防汛物资需求预测方法BiGRU网络模型训练流程图。
在一个实施例中,所述将所述组合数据帧输入进网络模型BiGRU进行模型训练,包括:
8.10)通过公式(20)计算获得t时刻防汛物资需求gt:
8.11)判断是否已完成训练集中所有时刻的防汛物资需求量数据的训练。若否,则t=t+1,并返回步骤8.2),反之则跳到步骤8.12);
8.12)计算当前迭代次数下BiGRU网络模型的损失函数均方根误差,将误差通过反向传输的方式进行反馈运算,对每个节点之间的权重进行修改。若则判断当前迭代次数下BiGRU网络模型的损失函数均方根误差是否小于阈值V2,若是则保存并输出BiGRU网络模型,否则,I2=I2+1,t=2,返回步骤8.1),若则保存并输出BiGRU网络模型。
如图4所示,图4为本发明实施例提供的一种基于组合深度学习的防汛物资需求预测方法的组合数据示意图;
在一个实施例中,所述排列所述天气预测数据帧、水位预测数据帧、防汛物资种类,形成组合数据帧,还包括:对物资缺失数据进行置0填补。
在一个实施例中,所述将组合数据帧输入已训练好的BiGRU网络模型进行预测,获得防汛物资所需预测数量,还包括:将防汛物资所需预测数量与当前各个仓库的防汛物资储备进行比较,对不足的物资进行需求提醒。
本发明实施例提出一种基于组合深度学习的防汛物资需求预测方法,通过灰色关联分析提取与水库水位、天气信息相关性较强的物资数据,快速获得能影响物资需求的因素,提升两组非线性数据之间的关联度,利用基于LSTM网络模型的水库水位预测方法对水库水位进行时间序列预测,可提高水库水位的预测精度,基于水库水位预测结果和降水量、水汽压、风力值等天气数据的预测结果,提出基于BiGRU网络模型的防汛物资需求预测方法,即依据不同区域,不同环境下发生汛情对应的防汛物资消耗历史数据,采用循环神经网络进行预测,实现防汛物资库存需求的预测,可提高防汛物资需求的预测精度,通过问题拆解再进行求解,可以降低模型复杂度,减少过拟合情况,从而有效提取水库水位数据和防汛物资需求的特征,保证防汛物资需求预测的精度和稳定性。
在此说明书中,本发明已参照其特定的实施例作了描述。但是,很显然仍可以作出各种修改和变换而不背离本发明的精神和范围。因此,说明书和附图应被认为是说明性的而非限制性的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处,相关之处参见方法实施例的部分说明即可。
以上所揭露的仅为本发明一种较佳实施例而已,当然不能以此来限定本发明之权利范围,因此依本发明权利要求所作的等同变化,仍属本发明所涵盖的范围。
Claims (8)
1.一种基于组合深度学习的防汛物资需求预测方法,其特征在于,所述方法包括:
选择当前工作模式,所述工作模式包括:训练模式和预测模式;
若当前工作模式为训练模式,则读取数据训练集,进行初始化设置,所述训练数据集包括:水库水位数据、天气预测数据、以及防汛物资数据;
对所述水库水位数据进行数据处理形成水位数据帧,并进行归一化处理;
训练水库水位预测模型,获得和保存水库水位预测模型;
对所述天气预测数据进行数据处理形成天气预测数据帧,并进行归一化处理;
读取所述水位预测数据帧和天气预测数据帧,通过灰色关联分析依据预设关联度选择大于预设阈值的防汛物资种类;
排列所述天气预测数据帧、水位预测数据帧、防汛物资种类,形成组合数据帧;
若当前工作模式为预测模式,则将所述组合数据帧输入进网络模型BiGRU进行模型训练,获得和保存BiGRU网络模型;
读取已训练好的水库水位预测模型、BiGRU网络模型和待预测的水库水位数据、防汛物资数据;
对所述水库水位数据进行数据处理形成水位数据帧,并进行归一化处理;
将所述水位数据帧输入已训练好的水库水位预测模型进行预测,得到水位预测数据帧;
对所述天气预测数据进行数据处理形成天气预测数据帧,并进行归一化处理;
读取所述水位预测数据帧和天气预测数据帧,通过灰色关联分析依据预设关联度选择大于预设阈值的防汛物资种类;
排列所述天气预测数据帧、水位预测数据帧、防汛物资种类,形成组合数据帧;
将组合数据帧输入已训练好的BiGRU网络模型进行预测,获得防汛物资所需预测数量;
判断是否完成防汛物资需求预测,若是,则输出所有防汛物资需求预测;若否则继续执行上述方法,进行防汛物资需求预测。
2.根据权利要求1所述的基于组合深度学习的防汛物资需求预测方法,其特征在于,所述读取数据训练集,进行初始化设置,包括:
读取水库水位数据,通过网站爬虫获取降水量、水汽压、风力天气预测数据,构建水库水位数据、天气预测数据和防汛物资数据的训练集,初始化LSTM深度学习模型参数,每次训练的批量数,水库水位预测模型最大迭代训练次数、BiGRU网络模型最大迭代训练次数、当前迭代次数为I1=I2=1、水库水位预测模型的损失函数均方根误差阈值V1,BiGRU网络模型的损失函数均方根误差阈值V2、当前划定验证集的比例。
3.根据权利要求2所述的基于组合深度学习的防汛物资需求预测方法,其特征在于,所述对所述水库水位数据进行数据处理形成水位数据帧,并进行归一化处理,包括:
确定选取水库水位数据的时间窗长度tn,通过当前时刻的前tn时刻,当前时刻和后tm时刻组合,整体排成一行,从而将水库水位数据集形成一个包含时间序列的水位数据帧,然后进行归一化处理。
4.根据权利要求3基于组合深度学习的防汛物资需求预测方法,其特征在于,训练水库水位预测模型,获得和保存水库水位预测模型;包括:
输入归一化后的水位数据帧,训练采用长短期记忆网络LSTM构建水库水位预测模型,获得和保存水库水位预测模型,所述水库水位预测模型训练过程包括如下步骤:
4.1)初始化时刻t为1时的旧细胞状态C1、预测结果输出ht等参数,令当前时刻t=2;
4.2)输入t-1时刻的水库水位数据xt-1,经过如公式(1)所描述的遗忘门,得到时刻t下遗忘门的输出ft:
ft=sigmoid(Wfxt-1+UfCt-1+bf) (1)
其中,sigmoid()表示sigmoid激活函数,Wf表示遗忘门的训练输入权值,Uf表示遗忘门的细胞状态权值、bf表示遗忘门的偏移量,Ct-1表示时刻t-1下的旧细胞状态;在遗忘门中,将t-1时刻的输入xt-1和细胞状态Ct-1作为sigmoid()的输入,在[0,1]范围之内输出遗忘后的信息ft,从而确定需要被删除的信息;
4.3)数据xt-1经过公式(2)所描述的输入门,得到时刻t下输入门的输出it:
it=sigmoid(Wixt-1+UiCt-1+bi) (2)
其中,Wi表示输入门的训练输入权值,Ui表示输入门的细胞状态权值,bi表示输入门的偏移量;
其中,Wc表示候选训练输入权值,Uc表示候选细胞状态权值,bc表示候选偏移量;
4.5)通过公式(4)将上一个状态值Ct-1乘以ft,以此来决定忘记的部分,同时加上新增加的部分,获得时刻t的细胞状态Ct;
4.6)利用公式(5)计算t时刻输出门输出ot,并采用公式(6)计算t时刻水库水位预测结果ht:
ot=sigmoid(Woxt-1+UoCt-1+bo) (5)
ht=ot·tanh(Ct) (6)
其中,Wo表示输出门的训练输入权值,Uo表示输出门的细胞状态权值,bo表示输出门的偏移量,tanh()表示tanh激活函数;
4.7)判断是否已完成训练集中所有时刻的水库水位数据的训练,若否,则t=t+1,并返回步骤4.2),反之则跳到步骤4.8);
5.根据权利要求4所述的基于组合深度学习的防汛物资需求预测方法,其特征在于,所述通过灰色关联分析依据预设关联度选择大于预设阈值的防汛物资种类,包括:
6.1)将训练集中的下一个时刻的水位数据作为当前水位数据的预测数据,将天气预测数据和水位预测数据作为参考序列,读取天气预测数据帧和水位预测数据,将天气预测数据帧和水位预测数据记为X0={X0(k)|k=1,2,3...,n},其中k为时间序列编号;读取防汛物资数据,将防汛物资数据作为比较序列,记为Xi={Xi(k)|k=1,2,3...,n},i=1,2,...,n,其中i为防汛物资种类编号,n表示样本长度;
6.2)由于各类防汛物资数据衡量单位不同,其各种类数值大小偏差较大,易对分析结果造成重大影响,故对防汛物资数据、天气预测数据和水位预测数据进行均值标准化;所述均值标准化处理式如下:
x0(k)=X0(k)/X0(1) (7)
xi(k)=Xi(k)/Xi(1) (8)
其中,x0(k)和xi(k)分别为参考序列和比较序列标准化处理后的数据序列;
6.3)采用公式(9)依次计算所有种类的防汛物资数据与天气预测数据和水位预测数据,并取绝对值,得到绝对值矩阵σ0i(k);
6.4)找出绝对值矩阵中的最大值σmax;
6.5)通过公式(10),计算所有种类的防汛物资数据与天气预测数据和水位预测数据的关联系数ω0i(k):
其中,η为分辨系数;
6.6)计算第i种防汛物资数据的灰色关联度Pi,公式如下:
6.7)根据灰色关联度将防汛物资种类进行降序排序,选择关联度大于阈值的防汛物资种类,组合成需要BiGRU网络模型预测集合;选择关联度不大于阈值的防汛物资种类,判断该类防汛物资的库存数据是否小于预警阈值,若是,则直接认定该类防汛物资需求不足,发出报警,提醒管理员进行该类防汛物资的采购,否则认定该类防汛物资库存数量充足。
6.根据权利要求5所述的基于组合深度学习的防汛物资需求预测方法,其特征在于,所述将所述组合数据帧输入进网络模型BiGRU进行模型训练,包括:
8.1)初始化时刻t=1时的BiGRU网络模型输出数据h1 B参数,令当前时刻t=2;
8.10)通过公式(20)计算获得t时刻防汛物资需求gt:
8.11)判断是否已完成训练集中所有时刻的防汛物资需求量数据的训练。若否,则t=t+1,并返回步骤8.2),反之则跳到步骤8.12);
7.根据权利要求6所述的基于组合深度学习的防汛物资需求预测方法,其特征在于,所述排列所述天气预测数据帧、水位预测数据帧、防汛物资种类,形成组合数据帧,还包括:对物资缺失数据进行置0填补。
8.根据权利要求7所述的基于组合深度学习的防汛物资需求预测方法,其特征在于,所述将组合数据帧输入已训练好的BiGRU网络模型进行预测,获得防汛物资所需预测数量,还包括:将防汛物资所需预测数量与当前各个仓库的防汛物资储备进行比较,对不足的物资进行需求提醒。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110751697.6A CN113469441B (zh) | 2021-07-02 | 2021-07-02 | 一种基于组合深度学习的防汛物资需求预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110751697.6A CN113469441B (zh) | 2021-07-02 | 2021-07-02 | 一种基于组合深度学习的防汛物资需求预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113469441A true CN113469441A (zh) | 2021-10-01 |
CN113469441B CN113469441B (zh) | 2023-12-08 |
Family
ID=77877684
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110751697.6A Active CN113469441B (zh) | 2021-07-02 | 2021-07-02 | 一种基于组合深度学习的防汛物资需求预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113469441B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106844531A (zh) * | 2016-12-29 | 2017-06-13 | 福建四创软件有限公司 | 一种基于网格的防汛指挥研判系统 |
CN108320462A (zh) * | 2018-03-02 | 2018-07-24 | 中山市爱科应用科技有限公司 | 城市防汛预警预报系统 |
CN110322097A (zh) * | 2019-03-18 | 2019-10-11 | 特斯联(北京)科技有限公司 | 一种基于深度学习的城市防汛方法及系统 |
CN110378510A (zh) * | 2019-05-30 | 2019-10-25 | 国网浙江绍兴市上虞区供电有限公司 | 一种基于时间序列和层次聚合的配网物资需求预测方法 |
CN110598946A (zh) * | 2019-09-20 | 2019-12-20 | 浙江树人学院(浙江树人大学) | 一种基于非支配人工蜂群的防汛物资救援分配方法 |
CN111583587A (zh) * | 2020-04-20 | 2020-08-25 | 成都万江港利科技股份有限公司 | 一种小流域预测预报系统 |
US20210089900A1 (en) * | 2019-09-20 | 2021-03-25 | Wuhan University | Transformer dga data prediction method based on multi-dimensional time sequence frame convolution lstm |
-
2021
- 2021-07-02 CN CN202110751697.6A patent/CN113469441B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106844531A (zh) * | 2016-12-29 | 2017-06-13 | 福建四创软件有限公司 | 一种基于网格的防汛指挥研判系统 |
CN108320462A (zh) * | 2018-03-02 | 2018-07-24 | 中山市爱科应用科技有限公司 | 城市防汛预警预报系统 |
CN110322097A (zh) * | 2019-03-18 | 2019-10-11 | 特斯联(北京)科技有限公司 | 一种基于深度学习的城市防汛方法及系统 |
CN110378510A (zh) * | 2019-05-30 | 2019-10-25 | 国网浙江绍兴市上虞区供电有限公司 | 一种基于时间序列和层次聚合的配网物资需求预测方法 |
CN110598946A (zh) * | 2019-09-20 | 2019-12-20 | 浙江树人学院(浙江树人大学) | 一种基于非支配人工蜂群的防汛物资救援分配方法 |
US20210089900A1 (en) * | 2019-09-20 | 2021-03-25 | Wuhan University | Transformer dga data prediction method based on multi-dimensional time sequence frame convolution lstm |
CN111583587A (zh) * | 2020-04-20 | 2020-08-25 | 成都万江港利科技股份有限公司 | 一种小流域预测预报系统 |
Non-Patent Citations (2)
Title |
---|
吴浩;常春慧;昝军;刘毅;李珍;: "基于百度大数据的城市洪涝应急物资需求估算方法及应用", 安全与环境学报, no. 05, pages 218 - 224 * |
郝敬全;杨建民;杨晶晶;付高健;刘加波;宋西军;孔令坤;石子哲;柳宇刚;孟凡文;刘瑞明;张光斌;: "海绵城市建设防汛应急监测预警与应急处置系统平台", 建设科技, no. 10, pages 53 - 56 * |
Also Published As
Publication number | Publication date |
---|---|
CN113469441B (zh) | 2023-12-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ye et al. | Predicting electricity consumption in a building using an optimized back-propagation and Levenberg–Marquardt back-propagation neural network: Case study of a shopping mall in China | |
Yuan et al. | Monthly runoff forecasting based on LSTM–ALO model | |
Kisi et al. | Precipitation forecasting using wavelet-genetic programming and wavelet-neuro-fuzzy conjunction models | |
Wu et al. | Evolving RBF neural networks for rainfall prediction using hybrid particle swarm optimization and genetic algorithm | |
CN109583565B (zh) | 基于注意力模型长短时记忆网络的洪水预测方法 | |
CN108009674A (zh) | 基于cnn和lstm融合神经网络的空气pm2.5浓度预测方法 | |
CN113554466B (zh) | 一种短期用电量预测模型构建方法、预测方法和装置 | |
Nwulu et al. | Modelling and predicting electricity consumption using artificial neural networks | |
CN112733997A (zh) | 基于woa-lstm-mc的水文时间序列预测优化方法 | |
CN111882157A (zh) | 一种基于深度时空神经网络的需求预测方法、系统及计算机可读存储介质 | |
CN112329990A (zh) | 一种基于lstm-bp神经网络的用户用电负荷预测方法 | |
Yan et al. | Small watershed stream-flow forecasting based on LSTM | |
Barton et al. | An evolution of statistical pipe failure models for drinking water networks: A targeted review | |
CN112766603A (zh) | 一种交通流量预测方法、系统、计算机设备及存储介质 | |
Chen et al. | Assessing different roles of baseflow and surface runoff for long-term streamflow forecasting in southeastern China | |
CN116169670A (zh) | 一种基于改进神经网络的短期非居民负荷预测方法及系统 | |
Vasanthkumar et al. | Improving energy consumption prediction for residential buildings using Modified Wild Horse Optimization with Deep Learning model | |
Rath et al. | Hierarchical neurofuzzy model for real-time flood forecasting | |
CN113469441A (zh) | 一种基于组合深度学习的防汛物资需求预测方法 | |
CN114254828B (zh) | 一种基于混合卷积特征提取器和gru的电力负荷预测方法 | |
CN113837486B (zh) | 一种基于rnn-rbm的配网馈线长期负荷预测方法 | |
CN112446550B (zh) | 一种短期建筑负荷概率密度预测方法 | |
CN115689758A (zh) | 一种股票预测模型构建方法、系统及其应用 | |
Hasan et al. | Model for predicting rainfall by fuzzy set theory using USDA scan data | |
CN111143774B (zh) | 一种基于影响因素多状态模型的电力负荷预测方法和装置 |
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 |