CN113570159A - 一种径流预测方法、系统及计算机存储介质 - Google Patents

一种径流预测方法、系统及计算机存储介质 Download PDF

Info

Publication number
CN113570159A
CN113570159A CN202110989223.5A CN202110989223A CN113570159A CN 113570159 A CN113570159 A CN 113570159A CN 202110989223 A CN202110989223 A CN 202110989223A CN 113570159 A CN113570159 A CN 113570159A
Authority
CN
China
Prior art keywords
runoff
neural network
data
prediction
network model
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
Application number
CN202110989223.5A
Other languages
English (en)
Inventor
张晓�
杨心语
罗军刚
解建仓
石文涛
马苇
张旭
刘士慧
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.)
Xian University of Technology
Original Assignee
Xian University 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 Xian University of Technology filed Critical Xian University of Technology
Priority to CN202110989223.5A priority Critical patent/CN113570159A/zh
Publication of CN113570159A publication Critical patent/CN113570159A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Business, Economics & Management (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Development Economics (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)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种径流预测方法、系统及计算机存储介质，方法包括：获取历史径流数据；对历史径流数据进行信息粒化处理，获得相应的径流变化序列；将径流变化序列输入神经网络模型，获得相应的径流预测结果，其中径流预测结果为区间值。本发明考虑了径流过程受气候变化和人类活动的影响，呈现高度的非线性和不确定性的特征，采用区间预测结果代替确定性的点值预测结果，在反映径流过程的随机性和不确定性的基础上，也提高了径流预测的精度，更好地为决策者提供决策依据。

Description

一种径流预测方法、系统及计算机存储介质
技术领域
本发明涉及水文预测技术领域，特别涉及一种径流预测方法、系统及计算机存储介质。
背景技术
径流预测是指根据前期或现时已出现的水文、气象等信息，运用水文学、气象学、水力学、统计学等相关学科的原理与方法，对河流、水库、湖泊等水体未来一段时间以内的径流情势作出定量或定性的预测。目前我国径流预测最常用的方法是数理统计法，常用的模型包括时间序列分析模型、回归分析模型、人工神经网络模型以及组合预测模型等，虽然径流预测的模型方法很多，但目前还没有一种模型适用于所有的水文序列。特别对于中长期径流预测而言，由于中长期径流预测时间跨度较长，现有的预测方法对于径流序列不确定性的预测较差，导致预测结果精度不高，难以应用于实际。
现有的中长期径流预测模型大致可以归为两类，一类为确定性预测模型，这类模型又可以分为单一预测模型和组合预测模型，此类预测模型的预测结果为一个确定值，无法反映径流过程中的随机性与不确定性。另外一类是概率预测模型，此类模型以概率分布的形式定量描述了径流预测的不确定性，但需要的参数较多，数据收集困难，复杂性高，实际应用较困难。
并且，目前通常把大量的工作集中在校对模型参数上，效率低，且适应性不强。因此，如何能够根据河流水文情势变化对径流的非线性和不确定性做出预测并且提高预测的精度已成为一个亟待解决的问题。
发明内容
本发明实施例提供了一种径流预测方法、系统及计算机存储介质，用以解决现有技术中径流预测的不确定性预测较差且精度不高的问题。
一方面，本发明实施例提供了一种径流预测方法，包括：
获取历史径流数据；
对历史径流数据进行信息粒化处理，获得相应的径流变化序列；
将径流变化序列输入神经网络模型，获得相应的径流预测结果，其中径流预测结果为区间值。
在一种可能的实现方式中，对历史径流数据进行信息粒化处理，获得相应的径流变化序列，可以包括：将历史径流数据划分为多个窗口；对每个窗口均进行模糊化处理；采用隶属度函数对模糊处理后的窗口进行处理，获得径流变化序列。
在一种可能的实现方式中，隶属度函数为三角形隶属度函数。
在一种可能的实现方式中，将径流变化序列输入神经网络模型，获得相应的径流预测结果，可以包括：对径流变化序列进行归一化处理；对神经网络模型进行初始化；训练初始化后的神经网络模型；将归一化处理后的径流变化序列输入训练好的神经网络模型，得到径流预测结果。
在一种可能的实现方式中，径流变化序列包括最小值序列、平均值序列和最大值序列。
在一种可能的实现方式中，神经网络模型为BP神经网络模型。
另一方面，本发明实施例还提供了一种径流预测系统，包括：
数据获取模块，用于获取历史径流数据；
粒化处理模块，用于对历史径流数据进行信息粒化处理，获得相应的径流变化序列；
径流预测模块，用于将径流变化序列输入神经网络模型，获得相应的径流预测结果，其中径流预测结果为区间值。
另一方面，本发明实施例还提供了一种电子设备，包括：
至少一个处理器；以及
与至少一个处理器通信连接的存储器；其中
存储器存储有可被至少一个处理器执行的计算机指令，计算机指令被至少一个处理器执行，以使至少一个处理器执行上述的方法。
另一方面，本发明实施例还提供了一种计算机可读存储介质，计算机可读存储介质中存储有多条计算机指令，多条计算机指令用于使计算机执行上述的方法。
另一方面，本发明实施例还提供了一种计算机程序产品，计算机程序被处理器执行时实现上述的方法。
本发明中的一种径流预测方法、系统及计算机存储介质，具有以下优点：
考虑了径流过程受气候变化和人类活动的影响，呈现高度的非线性和不确定性的特征，采用区间预测结果代替确定性的点值预测结果，在反映径流过程的随机性和不确定性的基础上，也提高了径流预测的精度，更好地为决策者提供决策依据。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的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他的附图。
图1为本发明实施例提供的一种径流预测方法的流程图；
图2为本发明实施例提供的一种径流预测系统的功能模块图。
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。
图1为本发明实施例提供的一种径流预测方法的流程图。本发明实施例提供了一种径流预测方法，包括：
S100、获取历史径流数据。
示例性地，历史径流数据中的一部分作为原始数据，用于后续的预测，另一部分则作为与预测结果进行对比的验证数据。本发明实施例中选用渭河流域上林家村和魏家堡水文站1950年至2018年的月径流数据作为历史径流数据。
S110、对历史径流数据进行信息粒化处理，获得相应的径流变化序列。
示例性地，由于径流数据具有时间属性，因此具有强烈的波动性、不稳定性和随机性，故预测在未来一段时间的径流范围比预测一个特定的值更优。而信息粒化正好可以满足这一要求，信息粒化可以分为基于模糊集的模型、基于粗糙集的模型和基于商空间的模型3种。其中基于模糊集的信息粒化模型可以更好的反映径流数据的变化特征，所以本发明实施例选用基于模糊集的信息粒化模型对选作历史径流数据进行处理，具体步骤如下：
(1)窗口分割：对历史径流数据进行分割，获得多个窗口。本发明实施例以季度为单位，即每3个月的历史径流数据作为一个信息粒化窗口，确定好窗口的大小后，将历史径流数据按照设计要求分别划分成多个窗口，每一个窗口用W来表示。
得到划分后的窗口后，对已经分割好的每一个窗口都进行模糊化处理。具体模糊化处理的方式为在窗口上方建立一个模糊粒子g，该模糊粒子可以合理地描述模糊集合G。模糊粒子g与模糊集合G的关系如下：
Figure RE-GDA0003274461860000041
式中：x是历史径流数据中的元素。
(2)信息粒化：确定历史径流数据所需的粒度规则，选取合适的隶属度函数，采用选取的隶属度函数对模糊处理后的窗口进行处理，生成能够反映径流变化规律的径流变化序列。在本发明的实施例中，上述径流变化序列包括最小值(Low)序列、平均值(R)序列和最大值(Up)序列。常见的窗口隶属度函数根据其类型可以分为三角型、高斯型、抛物线型和阶梯型，由于窗口中的径流数据具有强烈的波动性、不稳定性，在设计时需要通过预测各种径流变化范围，即需要得到信息粒化后的最大值和最小值，因此本发明实施例选取三角型隶属度函数，其表达式如下：
Figure RE-GDA0003274461860000051
式中：m、b和a分别表示窗口中信息粒化处理后的平均值、最大值和最小值。多个窗口的最小值、平均值和最大值分别组成上述最小值序列、平均值序列和最大值序列。
S120、将径流变化序列输入神经网络模型，获得相应的径流预测结果，其中径流预测结果为区间值。
示例性地，本发明实施例中采用的神经网络模型为BP(BackPropagation，前馈)神经网络模型，当然也可以采用其他神经网络模型。
下面以BP神经网络模型为例进行说明。BP神经网络作为一种具有前向信息的传播和误差逆向传播功能的多层前馈神经网络，它的主要优点之一就在于它可以以任何所期望的精度来学习连续函数方面的通用逼近能力，以及概念清晰、非线性映射能力强的特征。基本BP神经网络包括信号的前向传播和误差的反向传播两个过程。即计算误差输出时按从输入到输出的方向进行，而调整权值和阈值则从输出到输入的方向进行。前向传播时，输入信号通过隐含层作用于输出节点，经过非线性变换，产生输出信号，若实际输出与期望输出不相符，则转入误差的反向传播过程。误差反向传播是将输出误差通过隐含层向输入层逐层反向传播，并将误差分摊给各层的所有节点，以从各层获得的误差信号作为调整各节点权值的依据。BP神经网络一般来说包括总共有3层：输入层、中间层(或者说是隐含层)和输出层。
BP神经网络的设计步骤可以简单分为以下几步：
(1)径流变化序列的归一化。将一组径流变化序列分为输入数据与目标数据，为了避免过拟合，提高收敛程度和计算速度，提高仿真精度，在训练神经网络之前，需要对径流变化序列进行归一化处理，将输入数据的值限定在[0,1] 之间，归一化的公式为：
Figure RE-GDA0003274461860000061
(2)BP神经网络初始化。为连接权值ω1、ω2以及隐含层阈值α、输出层阈值β在[-1,1]内随机赋予较小的值，建立隐含层。然后采用输入层、隐含层和输出层的层数分别为3、7、1的结构，隐含层、输出层的传递函数分别选用S型传输函数logsig、双曲正切S型传输函数tansig，确定BP神经网络的训练次数和目标误差。
(3)BP神经网络训练。初步拟定权值和阈值，设置好输入数据与目标数据后开始训练，进行正向迭代计算，计算出预测输出值。其中隐含层输出值为:
Figure RE-GDA0003274461860000062
式中，f为隐含层激励函数。
(4)根据BP神经网络的输出值与目标数据之间的差，即误差修正权值和阈值。根据预测输出值与目标数据的误差，采用梯度下降法，通过反向传播不断调整权值和阈值，使预测输出值和目标数据的误差达到最小。在本发明的实施例中，使用学习指标函数来表示上述误差，学习指标函数的表达式为：
Figure RE-GDA0003274461860000063
式中，yi(σ)为目标数据，
Figure RE-GDA0003274461860000064
为预测输出值。
(5)如果误差大小满足所需的目标误差的要求，停止训练，保存训练好的 BP神经网络模型。
将归一化处理后的径流变化序列输入训练好的BP神经网络模型，得到预测结果，其中最小值序列对应的预测结果表示径流预测结果的区间下界，最大值序列对应的预测结果表示径流预测结果的区间上界，平均值序列对应的预测结果可以用来作为径流预测结果的确定值使用。
在本发明的实施例中，完成上述径流预测后，还可以对预测结果进行验证与评定。根据径流实测资料，利用模型评价指标对比预测结果与验证数据，对模型进行评价。为了更加准确地通过观察和数据分析判断基于信息粒化和BP神经网络的预测结果，本发明选择了预测区间覆盖率FICP(Forecasting Interval Coverage Percentage)、预测区间宽度FIAW(Forecasting Interval Average Width) 作为评价指标，验证该模型的预测精度。
(1)预测区间覆盖率FICP
FICP表示落在预测区间内的径流验证数据的数量。FICP值越大，表示落入预测区间的实际径流验证数据的值越多，预测效果越好。FICP计算公式如下：
Figure RE-GDA0003274461860000071
式中，N是径流预测的数据总量，i＝1,2,…,N，Ai为特征函数，定义如下：
Figure RE-GDA0003274461860000072
式中，V i、
Figure RE-GDA0003274461860000073
表示预测区间的上界和下界，Vi表示径流的验证数据。
(2)预测区间平均宽度FIAW
FIAW能够弥补因单一追求可靠性而出现预测带宽没有界限的问题，如一个很大的FICP(甚至接近100％)可以很容易地通过非常宽的预测区间达到，但这样的预测结果是没有意义的，因此引入FIAW一起评价模型的有效性。FIAW 值越小，预测区间越窄，这意味着预测区间更接近实际值，预测效果更好。FIAW 计算公式如下：
Figure RE-GDA0003274461860000081
为了便于比较，本发明采用预测区间归一化平均宽度FINAW(ForecastingInterval normalized Average Width)作为评价指标，FINAW计算公式如下：
Figure RE-GDA0003274461860000082
式中，R表示预测区间宽度的范围。
本发明实施例还提供了一种径流预测系统，如图2所示，系统包括：
数据获取模块200，用于获取历史径流数据；
粒化处理模块210，用于对历史径流数据进行信息粒化处理，获得相应的径流变化序列；
径流预测模块220，用于将径流变化序列输入神经网络模型，获得相应的径流预测结果，其中径流预测结果为区间值。
本发明实施例还提供了一种电子设备，包括：
至少一个处理器；以及
与至少一个处理器通信连接的存储器；其中
存储器存储有可被至少一个处理器执行的计算机指令，计算机指令被至少一个处理器执行，以使至少一个处理器执行上述的方法。
本发明实施例还提供了一种计算机可读存储介质，计算机可读存储介质中存储有多条计算机指令，多条计算机指令用于使计算机执行上述的方法。
本发明实施例还提供了一种计算机程序产品，计算机程序被处理器执行时实现上述的方法。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (10)

1.一种径流预测方法，其特征在于，包括：
获取历史径流数据；
对所述历史径流数据进行信息粒化处理，获得相应的径流变化序列；
将所述径流变化序列输入神经网络模型，获得相应的径流预测结果，其中所述径流预测结果为区间值。
2.根据权利要求1所述的一种径流预测方法，其特征在于，所述对所述历史径流数据进行信息粒化处理，获得相应的径流变化序列，包括：
将所述历史径流数据划分为多个窗口；
对每个所述窗口均进行模糊化处理；
采用隶属度函数对模糊处理后的窗口进行处理，获得所述径流变化序列。
3.根据权利要求2所述的一种径流预测方法，其特征在于，所述隶属度函数为三角形隶属度函数。
4.根据权利要求1所述的一种径流预测方法，其特征在于，所述将所述径流变化序列输入神经网络模型，获得相应的径流预测结果，包括：
对所述径流变化序列进行归一化处理；
对所述神经网络模型进行初始化；
训练初始化后的所述神经网络模型；
将归一化处理后的所述径流变化序列输入训练好的所述神经网络模型，得到所述径流预测结果。
5.根据权利要求1所述的一种径流预测方法，其特征在于，所述径流变化序列包括最小值序列、平均值序列和最大值序列。
6.根据权利要求1所述的一种径流预测方法，其特征在于，所述神经网络模型为BP神经网络模型。
7.应用权利要求1-6任一项所述的一种径流预测方法的系统，其特征在于，包括：
数据获取模块，用于获取历史径流数据；
粒化处理模块，用于对所述历史径流数据进行信息粒化处理，获得相应的径流变化序列；
径流预测模块，用于将所述径流变化序列输入神经网络模型，获得相应的径流预测结果，其中所述径流预测结果为区间值。
8.一种电子设备，其特征在于，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中
所述存储器存储有可被所述至少一个处理器执行的计算机指令，所述计算机指令被所述至少一个处理器执行，以使所述至少一个处理器执行权利要求1-6中任一项所述的方法。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有多条计算机指令，所述多条计算机指令用于使计算机执行权利要求1-6任一项所述的方法。
10.一种计算机程序产品，其特征在于，所述计算机程序被处理器执行时实现权利要求1-6任一项所述的方法。
CN202110989223.5A 2021-08-26 2021-08-26 一种径流预测方法、系统及计算机存储介质 Pending CN113570159A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110989223.5A CN113570159A (zh) 2021-08-26 2021-08-26 一种径流预测方法、系统及计算机存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110989223.5A CN113570159A (zh) 2021-08-26 2021-08-26 一种径流预测方法、系统及计算机存储介质

Publications (1)

Publication Number Publication Date
CN113570159A true CN113570159A (zh) 2021-10-29

Family

ID=78172800

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110989223.5A Pending CN113570159A (zh) 2021-08-26 2021-08-26 一种径流预测方法、系统及计算机存储介质

Country Status (1)

Country Link
CN (1) CN113570159A (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107506871A (zh) * 2017-09-08 2017-12-22 广东工业大学 一种区间预测的方法及系统
CN109447333A (zh) * 2018-10-18 2019-03-08 山东师范大学 一种基于不定长模糊信息粒的时间序列预测方法和装置
CN113256005A (zh) * 2021-05-28 2021-08-13 国能大渡河沙坪发电有限公司 一种基于神经网络模型的电站水位过程预测方法及设备

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107506871A (zh) * 2017-09-08 2017-12-22 广东工业大学 一种区间预测的方法及系统
CN109447333A (zh) * 2018-10-18 2019-03-08 山东师范大学 一种基于不定长模糊信息粒的时间序列预测方法和装置
CN113256005A (zh) * 2021-05-28 2021-08-13 国能大渡河沙坪发电有限公司 一种基于神经网络模型的电站水位过程预测方法及设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
严煜东: "基于模糊信息粒化与支持向量分位数回归的风光水概率密度预测方法", 《中国优秀硕士学位论文全文数据库》 *

Similar Documents

Publication Publication Date Title
CN109858647B (zh) 一种耦合gis和gbdt算法的区域洪涝灾害风险评价与预估方法
Liu et al. Coupling the k-nearest neighbor procedure with the Kalman filter for real-time updating of the hydraulic model in flood forecasting
Martin et al. Structural inference for uncertain networks
Onyari et al. Application of MLP neural network and M5P model tree in predicting streamflow: A case study of Luvuvhu catchment, South Africa
CN111767517B (zh) 一种应用于洪水预测的BiGRU多步预测方法、系统及存储介质
CN111665575B (zh) 一种基于统计动力的中长期降雨分级耦合预报方法及系统
CN113221342B (zh) 一种小流域洪水自适应智能组网预报方法
CN113822499B (zh) 一种基于模型融合的列车备件损耗预测方法
Kaushik et al. A simple neural network approach to software cost estimation
CN114723188A (zh) 水质预测方法、装置、计算机设备和存储介质
JP2007095046A (ja) リカレントニューラルネットワークを用いた不規則時系列データの学習・予測方法及び装置並びに気象予測方法
CN115587666A (zh) 基于季节趋势分解和混合神经网络的负荷预测方法及系统
CN115542427A (zh) 一种基于改进的神经网络模型的降雨预测方法及系统
CN111428866A (zh) 一种增量学习方法、装置、存储介质及电子设备
CN114860715A (zh) 一种流量实时预测的Lanczos时空网络方法
Schmidinger et al. Validation of uncertainty predictions in digital soil mapping
Curceac et al. Adjusting for conditional bias in process model simulations of hydrological extremes: An experiment using the North Wyke Farm Platform
Robati et al. Inflation rate modeling: adaptive neuro-fuzzy inference system approach and particle swarm optimization algorithm (ANFIS-PSO)
CN113379156A (zh) 速度预测方法、装置、设备及存储介质
CN117636183A (zh) 一种基于自监督预训练的小样本遥感图像分类方法
Laqrichi et al. Integrating uncertainty in software effort estimation using Bootstrap based Neural Networks
CN117114190A (zh) 一种基于混合深度学习的河道径流预测方法及设备
CN113570159A (zh) 一种径流预测方法、系统及计算机存储介质
CN113487069B (zh) 一种基于grace日降尺度和新型dwsdi指数的区域洪涝灾害风险评估方法
CN112446550B (zh) 一种短期建筑负荷概率密度预测方法

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