CN113571136A - 一种多环芳烃预测方法、装置、介质及设备 - Google Patents

一种多环芳烃预测方法、装置、介质及设备 Download PDF

Info

Publication number
CN113571136A
CN113571136A CN202110637008.9A CN202110637008A CN113571136A CN 113571136 A CN113571136 A CN 113571136A CN 202110637008 A CN202110637008 A CN 202110637008A CN 113571136 A CN113571136 A CN 113571136A
Authority
CN
China
Prior art keywords
decomposition
aromatic hydrocarbon
polycyclic aromatic
modal
prediction
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
CN202110637008.9A
Other languages
English (en)
Inventor
梅沈斌
董良
张晋
李雪
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.)
Jinan University
University of Jinan
Guangzhou Metro Design and Research Institute Co Ltd
Original Assignee
Jinan University
Guangzhou Metro Design and Research Institute Co Ltd
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 Jinan University, Guangzhou Metro Design and Research Institute Co Ltd filed Critical Jinan University
Priority to CN202110637008.9A priority Critical patent/CN113571136A/zh
Publication of CN113571136A publication Critical patent/CN113571136A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/10—Analysis or design of chemical reactions, syntheses or processes
    • 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
    • G06N3/048—Activation functions
    • 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
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/70—Machine learning, data mining or chemometrics

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Analytical Chemistry (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Organic Low-Molecular-Weight Compounds And Preparation Thereof (AREA)

Abstract

本发明公开了一种多环芳烃预测方法、装置、介质及设备，多环芳烃预测方法包括步骤：S1、获取基础数据，并对基础数据进行预处理；S2、对经过预处理后的基础数据进行第一次分解，得到内涵模态分量和剩余分量；S3、对内涵模态分量进行第二次分解；S4、对第一次分解、第二次分解得到的内涵模态分量实施归一化；S5、在matlab中搭建长短期记忆网络，并对每一个归一化内涵模态分量构建相应的预测网络；S6、将所有长短期记忆网络的预测结果进行合并，得到多环芳烃预测结果。采用本发明的多环芳烃预测方法，可实现多环芳烃的准确预测。

Description

一种多环芳烃预测方法、装置、介质及设备
技术领域
本发明属于多环芳烃测量技术领域，具体涉及一种多环芳烃预测方法、装置、介质及设备。
背景技术
地表水在人类日常生活中具有十分重要的意义。然而，随着经济的发展，地表水质量继续受到损害和恶化，对人类健康构成威胁。多环芳烃(PAHs)是有毒的有机污染物，大多数研究均揭示其致癌性，致畸性和致突变性。从城市来源释放的PAHs可以通过大气干/湿沉积和地表径流运送到城市溪流、河流和湖泊，导致中国水生环境的PAHs污染日益加剧，并成为人们非常关注的话题。水质预测是廉价有效的水质管理手段，但目前研究均集中于常规水质指标(pH、DO、COD等)，对PAHs预测模型研究缺乏。
水质模型是常用的水质预测手段。水质模型通过一组数学方程量化了生态学、生物化学和物理学的已知原理、理论和经验知识。理想的水质模型可以准确的预测任何指定的一组污染物在任意地点和任意的时间的浓度情况，还可以分析污染的来源情况。物化过程之间的相互作用、动率参数值的不确定性以及三维水动力学模拟的复杂性阻碍了水质模型的有效应用。因此利用水质模型进行预测分析是比较复杂和耗时的，同时预测值与观察值之间误差较大。
故现出现了采用传统神经网络对多环芳烃进行预测，但大多数传统神经网络不是专门为时间系列模型设计的。它们大多忽略了污染物存在的复杂时间相关性，无法充分利用输入时间步骤提供的信息，从而妨碍了它对时间系列问题的进一步更好的预测性能。因此面对动态和非线性时间系列数据，准确性仍不尽如人意。循环神经网络可以递归构建每个输入步骤之间的依赖关系，从而存储以前隐藏状态的信息，并将其与当前输入一起应用到输出中。然而，传统的循环神经网络存在梯度消失和爆炸的问题，因此难以捕获污染物时间系列的长期依赖性。
同时由于PAHs的成因有人类活动排放，还受到地理位置，季节变换，政治经济等诸多复杂因素的影响，PAHs数据在不同地区具有不同的多尺度周期性和随机性。事实上，污染物多尺度周期的相互作用使得其动态时间特征复杂性增加，影响模型对污染物时间序列特性的捕捉及仿真，使得模型的预测精度降低。同时，研究表明单一模型能力有限，并不能完全捕捉污染物序列中多尺度特征。但以往对污染物预测的研究很少把污染物的多尺度周期作为考虑对象，研究人员往往忽视了时间系列预测中尺度周期混合的影响。
发明内容
为了克服上述技术缺陷，本发明第一个方面提供了一种多环芳烃预测方法，包括步骤：
S1、获取基础数据，并对基础数据进行预处理；
S2、对经过预处理后的基础数据进行第一次分解，得到内涵模态分量和剩余分量；
S3、对内涵模态分量进行第二次分解；
S4、对第一次分解、第二次分解得到的内涵模态分量实施归一化；
S5、在matlab中搭建长短期记忆网络，并对每一个归一化内涵模态分量构建相应的预测网络；
S6、将所有长短期记忆网络的预测结果进行合并，得到多环芳烃预测结果。
作为本发明的进一步改进，所述步骤S1包括如下步骤：
S11、将当地多环芳烃时间序列进行缺失值识别并均值替补。
作为本发明的进一步改进，所述步骤S2包括如下步骤：
S21、在当地多环芳烃时间序列中加入白噪声，生成一组加噪序列；
S22、对每个噪声信号进行经验模态分解并平均，得到第一个内涵模态分量；
S23、根据第一个内涵模态分量计算第一阶残余信号；
S24、第一阶残余信号加上第一阶分量，组成新的待分解信号，获得第二个内涵模态分量；
S25、计算第j个剩余分量的残余信号；
S26、对第j个剩余分量进行分解得到(j+1)阶内涵模态分量；
S27、重复所述步骤S25和所述步骤S26，直到残差信号的极值点个数不超过两个。
作为本发明的进一步改进，所述对内涵模态分量进行第二次分解为：采用变分模态分解，对第一个内涵模态分量进行二次分解。
作为本发明的进一步改进，所述采用变分模态分解，对第一个内涵模态分量进行二次分解的步骤，包括如下步骤：
S31、构建约束变分模型；
S32、引入二次罚项和拉格朗日乘子，将约束变分模型转化为无约束变分模型；
S33、根据所述无约束变分模型得到K个变分模态和对应的中心频率。
作为本发明的进一步改进，所述长短期记忆网络的数学模型为：
ft＝σ(Wfxt+Ufht-1+bf)
it＝σ(Wixt+Uiht-1+bi)
Figure RE-GDA0003268054220000031
ot＝σ(Woxt+Uoht-1+bo)
Figure RE-GDA0003268054220000032
其中，xt是t时刻的输入，ct是t时刻的单元状态，ht是t时刻长短期记忆网络的输出， ft,it和ot表示t时刻的遗忘门、输入门和输出门，W是每个门的权重矩阵，b是偏置向量。
本发明的第二个方面，提供了一种多环芳烃预测装置，包括：
数据处理单元，用于获取基础数据，并对基础数据进行预处理；
第一分解单元，用于对经过预处理后的基础数据进行第一次分解，得到内涵模态分量和剩余分量；
第二分解单元，用于对内涵模态分量进行第二次分解；
归一化处理单元，用于对第一次分解、第二次分解得到的内涵模态分量实施归一化；
预测网络构建单元，用于在matlab中搭建长短期记忆网络，并对每一个归一化内涵模态分量构建相应的预测网络；
结果预测单元，用于将所有长短期记忆网络的预测结果进行合并，得到多环芳烃预测结果。
本发明的第三个方面，提供了一种计算机可读存储介质，所述可读存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、至少一段程序、代码集或指令集由处理器加载并执行以实现上所述的多环芳烃预测方法。
本发明的第四个方面，提供了一种计算机设备，所述计算机设备包括处理器和存储器，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、至少一段程序、代码集或指令集由所述处理器加载并执行以实现上述的多环芳烃预测方法。
与现有技术相比，本发明具有以下有益效果：本发明首先对基础数据进行二次分解，能提高原始序列的不稳定性，充分提取出隐藏在区域水体污染物数据中的基础信息，提高预测精度和通用性，实现多环芳烃的准确预测，其次，本发明从时间序列的角度，采用深度学习框架，构建长短期记忆网络，进一步实现区域精细化多环芳烃预测。
附图说明
下面结合附图对本发明的具体实施方式作进一步详细的说明，其中：
图1为实施例1所述多环芳烃预测方法的流程图；
图2为实施例1所述多环芳烃预测结果图；
图3为实施例2所述多环芳烃预测装置的结构示意图；
图4为实施例3所述计算机设备的结构示意图。
标记说明：1、数据处理单元；2、第一分解单元；3、第二分解单元；4、归一化处理单元；5、预测网络构建单元；6、结果预测单元。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
实施例1
本实施例公开了一种多环芳烃预测方法，如图1所示，包括步骤：
S1、获取基础数据，并对基础数据进行预处理。
具体的，步骤S1包括如下步骤：
S11、将当地多环芳烃时间序列进行缺失值识别并均值替补，即以两个记录或前一个记录(如果没有后来的记录)的平均值进行替换。
S2、对经过预处理后的基础数据进行第一次分解，得到内涵模态分量和剩余分量，该步骤可以采用自适应白噪声的完整经验模态分解技术(CEEMDAN技术)实现。
在上述实施例中，步骤S2包括如下步骤：
S21、在当地多环芳烃时间序列中加入白噪声，生成一组加噪序列：
Si(t)＝S(t)+ε0ωi(t),i＝1,2,...,I
其中Si(t)表示第i个噪声信号；S(t)表示原始PAHs信号；ε表示噪声标准差；ωi(t)表示白噪声序列；I表示添加了白噪声的序列数。
S22、对每个噪声信号Si(t)进行经验模态分解并平均，得到第一个内涵模态分量IMF1：
Figure RE-GDA0003268054220000041
其中，
Figure RE-GDA0003268054220000042
表示第j个模式组件。
S23、根据第一个内涵模态分量计算第一阶残余信号r1(t)：
Figure RE-GDA0003268054220000043
S24、第一阶残余信号加上第一阶分量
Figure RE-GDA0003268054220000044
组成新的待分解信号
Figure RE-GDA0003268054220000045
获得第二个内涵模态分量
Figure RE-GDA0003268054220000051
Figure RE-GDA0003268054220000052
S25、计算第j(j＝2，3，…，j)个剩余分量的残余信号：
Figure RE-GDA0003268054220000053
S26、对第j个剩余分量进行分解得到(j+1)阶内涵模态分量；
Figure RE-GDA0003268054220000054
S27、重复步骤S25和步骤S26，直到残差信号的极值点个数不超过两个。
S3、对内涵模态分量进行第二次分解，具体为：采用变分模态分解技术(VMD技术)，对第一个内涵模态分量进行二次分解。
在上述实施例中，步骤S3包括如下步骤：
S31、变分模态分解能够将一维时间序列分解成K个有限带宽的变分模态分量，为了确定变分模态分解的每一组模态分量，首先需要构建约束变分模型：
Figure RE-GDA0003268054220000055
s.t.∑kuk＝f
其中K表示要分解的模式数；ωk表示第k个分解模式uk的对应中心频率；f表示原始信号。
S32、引入二次罚项和拉格朗日乘子α，将约束变分模型转化为无约束变分模型：
Figure RE-GDA0003268054220000056
S33、根据无约束变分模型得到K个变分模态和对应的中心频率，即用交替方向乘子算法更新uk，ωk和λ来寻找增广拉格朗日函数的鞍点。最后得到K个变分模态和对应的中心频率，其中时域中的模态可以通过傅里叶等距变换转化至频域。具体步骤如下：
Figure RE-GDA0003268054220000057
Figure RE-GDA0003268054220000061
Figure RE-GDA0003268054220000062
其中，τ表示拉格朗日乘的更新系数；
Figure RE-GDA0003268054220000063
和
Figure RE-GDA0003268054220000064
分别代表
Figure RE-GDA0003268054220000065
uk(t),f(t)及λ(t)的傅里叶变换。
变分模态分解需要提前确定变分模态的个数K，过度分解及分解不足均影响预测模型精度。本实施例采用衡量分解重构信号r与原信号s之间差异的归一化距离计算预设分解数量 K。预设分解数量为K时，归一化距离接近0并开始趋于稳定，代表原始信号得到充分分解并避免了过度分解，K为合适的预设分解数量。归一化距离计算公式如下：
Figure RE-GDA0003268054220000066
S4、对第一次分解、第二次分解得到的内涵模态分量实施归一化，将数值转换为[0， 1]区间内。具体计算如下：
Figure RE-GDA0003268054220000067
S5、在matlab中搭建长短期记忆网络，并对每一个归一化内涵模态分量构建相应的预测网络，每个神经网络输入为归一化t-1时刻的分量，输出为归一化t时刻分量；长短期记忆网络的数学模型为：
ft＝σ(Wfxt+Ufht-1+bf)
it＝σ(Wixt+Uiht-1+bi)
Figure RE-GDA0003268054220000068
ot＝σ(Woxt+Uoht-1+bo)
Figure RE-GDA0003268054220000069
其中，xt是t时刻的输入，ct是t时刻的单元状态，ht是t时刻长短期记忆网络的输出， ft,it和ot表示t时刻的遗忘门、输入门和输出门，W是每个门的权重矩阵，b是偏置向量。
S6、将所有长短期记忆网络的预测结果进行合并，得到多环芳烃预测结果，如图2所示。
综上所述，本发明具有以下技术效果：
1、引入长短期记忆网络是能有效克服循环神经网络网络中不能有效建模长距离依存关系的问题。与传统循环神经网络不同，长短期记忆网络在循环隐藏层中加入记忆单元及三个控制门(输入门，输出门和一个遗忘门)，以控制时间序列历史数据的输入、遗忘及输出，从而使得长短期记忆网络模型可以精确地学习到输入输出的时序关系，缓解了传统循环神经网络中由于在多层网络中根据链式法则进行梯度连乘导致的梯度消失问题。由于长短期记忆网络具备强大的历史信息记忆能力，善于处理时序数据的预测问题，并解决了循环神经网络的梯度消失问题。
2、多环芳烃时间序列数据受长期趋势、周期以及季节变动等因素的影响，在数据上表现出了多尺度周期变化的特点。在实际运用中，为了提取出不同维度的信息以及测定出不同因子对时间序列的影响状况，本实施例采用基于二次分解技术将多尺度特征信号进行自适应分解，使得网络有更强的泛化能力。具体而言，基于二次分解方法，对地区的多环芳烃浓度的数据进行分解，把原始多环芳烃数据分解为规律的尺度信号，包括线型部分(趋势成分) 和非线型部分(周期成分及波动成分)。预测模型把从二次分解技术中提取的时空特征输入至长短期记忆网络网络，以此来挖掘空气质量数据每个尺度信号的长期依赖的特征关系并得到目标地区多环芳烃浓度的预测结果。
实施例2
本实施例提供了一种多环芳烃预测装置，如图3所示，包括：数据处理单元1、第一分解单元2、第二分解单元3、归一化处理单元4、预测网络构建单元5和结果预测单元6，其中，数据处理单元用于获取基础数据，并对基础数据进行预处理；第一分解单元用于对经过预处理后的基础数据进行第一次分解，得到内涵模态分量和剩余分量；第二分解单元用于对内涵模态分量进行第二次分解；归一化处理单元用于对第一次分解、第二次分解得到的内涵模态分量实施归一化；预测网络构建单元用于在matlab中搭建长短期记忆网络，并对每一个归一化内涵模态分量构建相应的预测网络；结果预测单元用于将所有长短期记忆网络的预测结果进行合并，得到多环芳烃预测结果。
在本实施例中，应该理解到，所揭露的装置，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。
实施例3
本实施例提供了一种计算机设备，如图4所示，包括处理器和储存器，储存器中储存有程序代码，处理器执行程序代码以执行实施例1的多环芳烃预测方法。
本领域技术人员应该可以意识到，在上述一个或多个示例中，本申请实施例所描述的功能可以用硬件、软件、固件或它们的任意组合来实现。当使用软件实现时，可以将这些功能存储在计算机可读介质中或者作为计算机可读介质上的一个或多个指令或代码进行传输。计算机可读介质包括计算机存储介质和通信介质，其中通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。存储介质可以是通用或专用计算机能够存取的任何可用介质。
以上仅为本申请的较佳实施例，并不用以限制本申请，凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
实施例4
本实施例提供了一种计算机可读存储介质，可读存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，至少一条指令、至少一段程序、代码集或指令集由处理器加载并执行以实现实施例1的多环芳烃预测方法。
可选地，该计算机可读存储介质可以包括：只读存储器(ROM，Read Only Memory)、随机存取记忆体(RAM，Random Access Memory)、固态硬盘(SSD，Solid State Drives)或光盘等。其中，随机存取记忆体可以包括电阻式随机存取记忆体(ReRAM,ResistanceRandomAccess Memory)和动态随机存取存储器(DRAM，Dynamic Random Access Memory)。

Claims (9)

1.一种多环芳烃预测方法，其特征在于，包括步骤：
S1、获取基础数据，并对基础数据进行预处理；
S2、对经过预处理后的基础数据进行第一次分解，得到内涵模态分量和剩余分量；
S3、对内涵模态分量进行第二次分解；
S4、对第一次分解、第二次分解得到的内涵模态分量实施归一化；
S5、在matlab中搭建长短期记忆网络，并对每一个归一化内涵模态分量构建相应的预测网络；
S6、将所有长短期记忆网络的预测结果进行合并，得到多环芳烃预测结果。
2.根据权利要求1所述的多环芳烃预测方法，其特征在于，所述步骤S1包括如下步骤：
S11、将当地多环芳烃时间序列进行缺失值识别并均值替补。
3.根据权利要求2所述的多环芳烃预测方法，其特征在于，所述步骤S2包括如下步骤：
S21、在当地多环芳烃时间序列中加入白噪声，生成一组加噪序列；
S22、对每个噪声信号进行经验模态分解并平均，得到第一个内涵模态分量；
S23、根据第一个内涵模态分量计算第一阶残余信号；
S24、第一阶残余信号加上第一阶分量，组成新的待分解信号，获得第二个内涵模态分量；
S25、计算第j个剩余分量的残余信号；
S26、对第j个剩余分量进行分解得到(j+1)阶内涵模态分量；
S27、重复所述步骤S25和所述步骤S26，直到残差信号的极值点个数不超过两个。
4.根据权利要求3所述的多环芳烃预测方法，其特征在于，所述对内涵模态分量进行第二次分解为：采用变分模态分解，对第一个内涵模态分量进行二次分解。
5.根据权利要求4所述的多环芳烃预测方法，其特征在于，所述采用变分模态分解，对第一个内涵模态分量进行二次分解的步骤，包括如下步骤：
S31、构建约束变分模型；
S32、引入二次罚项和拉格朗日乘子，将约束变分模型转化为无约束变分模型；
S33、根据所述无约束变分模型得到K个变分模态和对应的中心频率。
6.根据权利要求21所述的多环芳烃预测方法，其特征在于，所述长短期记忆网络的数学模型为：
ft＝σ(Wfxt+Ufht-1+bf)
it＝σ(Wixt+Uiht-1+bi)
Figure FDA0003105580160000021
ot＝σ(Woxt+Uoht-1+bo)
Figure FDA0003105580160000022
其中，xt是t时刻的输入，ct是t时刻的单元状态，ht是t时刻长短期记忆网络的输出，ft,it和ot表示t时刻的遗忘门、输入门和输出门，W是每个门的权重矩阵，b是偏置向量。
7.一种多环芳烃预测装置，其特征在于，包括：
数据处理单元，用于获取基础数据，并对基础数据进行预处理；
第一分解单元，用于对经过预处理后的基础数据进行第一次分解，得到内涵模态分量和剩余分量；
第二分解单元，用于对内涵模态分量进行第二次分解；
归一化处理单元，用于对第一次分解、第二次分解得到的内涵模态分量实施归一化；
预测网络构建单元，用于在matlab中搭建长短期记忆网络，并对每一个归一化内涵模态分量构建相应的预测网络；
结果预测单元，用于将所有长短期记忆网络的预测结果进行合并，得到多环芳烃预测结果。
8.一种计算机可读存储介质，其特征在于，所述可读存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、至少一段程序、代码集或指令集由处理器加载并执行以实现如权利要求1至6任一所述的多环芳烃预测方法。
9.一种计算机设备，其特征在于，所述计算机设备包括处理器和存储器，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、至少一段程序、代码集或指令集由所述处理器加载并执行以实现如权利要求1至6任一所述的多环芳烃预测方法。
CN202110637008.9A 2021-06-08 2021-06-08 一种多环芳烃预测方法、装置、介质及设备 Pending CN113571136A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110637008.9A CN113571136A (zh) 2021-06-08 2021-06-08 一种多环芳烃预测方法、装置、介质及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110637008.9A CN113571136A (zh) 2021-06-08 2021-06-08 一种多环芳烃预测方法、装置、介质及设备

Publications (1)

Publication Number Publication Date
CN113571136A true CN113571136A (zh) 2021-10-29

Family

ID=78161763

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110637008.9A Pending CN113571136A (zh) 2021-06-08 2021-06-08 一种多环芳烃预测方法、装置、介质及设备

Country Status (1)

Country Link
CN (1) CN113571136A (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106407659A (zh) * 2016-08-31 2017-02-15 中国地质大学（武汉） 一种空气质量指数预测方法和装置
CN109299430A (zh) * 2018-09-30 2019-02-01 淮阴工学院 基于两阶段分解与极限学习机的短期风速预测方法
CN110987494A (zh) * 2019-12-02 2020-04-10 吉林松江河水力发电有限责任公司 一种基于声发射对水轮机空化状态监测的方法
CN111193256A (zh) * 2020-01-07 2020-05-22 上海电力大学 基于变分模态分解和门控循环单元的电力负荷预测方法
CN111277434A (zh) * 2020-01-16 2020-06-12 北京工业大学 一种基于vmd和lstm的网络流量多步预测方法
CN111428418A (zh) * 2020-02-28 2020-07-17 贵州大学 一种轴承故障的诊断方法、装置、计算机设备和存储介质
CN111553513A (zh) * 2020-04-14 2020-08-18 太原理工大学 一种基于二次分解与回声状态网络的中长期径流预测方法
CN111553510A (zh) * 2020-04-08 2020-08-18 东华大学 一种短期风速预测方法
CN111950759A (zh) * 2020-05-18 2020-11-17 武汉科技大学 一种基于两级分解、lstm和at的短期风速预测方法
CN112434888A (zh) * 2020-12-17 2021-03-02 中国计量大学上虞高等研究院有限公司 一种基于深度学习的双向长短期记忆网络的pm2.5预测方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106407659A (zh) * 2016-08-31 2017-02-15 中国地质大学（武汉） 一种空气质量指数预测方法和装置
CN109299430A (zh) * 2018-09-30 2019-02-01 淮阴工学院 基于两阶段分解与极限学习机的短期风速预测方法
CN110987494A (zh) * 2019-12-02 2020-04-10 吉林松江河水力发电有限责任公司 一种基于声发射对水轮机空化状态监测的方法
CN111193256A (zh) * 2020-01-07 2020-05-22 上海电力大学 基于变分模态分解和门控循环单元的电力负荷预测方法
CN111277434A (zh) * 2020-01-16 2020-06-12 北京工业大学 一种基于vmd和lstm的网络流量多步预测方法
CN111428418A (zh) * 2020-02-28 2020-07-17 贵州大学 一种轴承故障的诊断方法、装置、计算机设备和存储介质
CN111553510A (zh) * 2020-04-08 2020-08-18 东华大学 一种短期风速预测方法
CN111553513A (zh) * 2020-04-14 2020-08-18 太原理工大学 一种基于二次分解与回声状态网络的中长期径流预测方法
CN111950759A (zh) * 2020-05-18 2020-11-17 武汉科技大学 一种基于两级分解、lstm和at的短期风速预测方法
CN112434888A (zh) * 2020-12-17 2021-03-02 中国计量大学上虞高等研究院有限公司 一种基于深度学习的双向长短期记忆网络的pm2.5预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
罗宏远 等: "基于二层分解技术和改进极限学习机模型的PM2.5浓度预测研究", 《系统工程理论与实践》, vol. 38, no. 4, pages 1 *

Similar Documents

Publication Publication Date Title
Chattopadhyay et al. Data-driven predictions of a multiscale Lorenz 96 chaotic system using machine-learning methods: reservoir computing, artificial neural network, and long short-term memory network
Kratzert et al. Towards learning universal, regional, and local hydrological behaviors via machine learning applied to large-sample datasets
Malekzadeh et al. A novel approach for prediction of monthly ground water level using a hybrid wavelet and non-tuned self-adaptive machine learning model
Okkan Wavelet neural network model for reservoir inflow prediction
Varadharajan et al. Can machine learning accelerate process understanding and decision‐relevant predictions of river water quality?
Zhou et al. Soft-sensing of effluent total phosphorus using adaptive recurrent fuzzy neural network with Gustafson-Kessel clustering
Shiri et al. Estimation of daily suspended sediment load by using wavelet conjunction models
Huang et al. A Hybrid Fuzzy Wavelet Neural Network Model with Self‐Adapted Fuzzy c‐Means Clustering and Genetic Algorithm for Water Quality Prediction in Rivers
Seifi et al. GLUE uncertainty analysis of hybrid models for predicting hourly soil temperature and application wavelet coherence analysis for correlation with meteorological variables
Howard et al. Multifidelity deep operator networks for data-driven and physics-informed problems
Contractor et al. Efficacy of Feedforward and LSTM Neural Networks at predicting and gap filling coastal ocean timeseries: Oxygen, nutrients, and temperature
Wu et al. Learning soft sensors using time difference–based multi-kernel relevance vector machine with applications for quality-relevant monitoring in wastewater treatment
Feigl et al. Automatic regionalization of model parameters for hydrological models
Li et al. Decomposition-ANN methods for long-term discharge prediction based on Fisher’s ordered clustering with MESA
Wu et al. Numerical solutions of wavelet neural networks for fractional differential equations
Liu et al. Effluent quality prediction of papermaking wastewater treatment processes using stacking ensemble learning
Liu et al. Investigating the effects of local weather, streamflow lag, and global climate information on 1-month-ahead streamflow forecasting by using XGBoost and SHAP: Two case studies involving the contiguous USA
Lu et al. Quality-relevant feature extraction method based on teacher-student uncertainty autoencoder and its application to soft sensors
Sangiorgio et al. Deep learning in multi-step prediction of chaotic dynamics: from deterministic models to real-world systems
Jaipuria et al. A study on behaviour of bullwhip effect in (R, S) inventory control system considering DWT-MGGP demand forecasting model
Makumbura et al. Advancing water quality assessment and prediction using machine learning models, coupled with explainable artificial intelligence (XAI) techniques like shapley additive explanations (SHAP) for interpreting the black-box nature
Fan et al. Predicting displacement of bridge based on CEEMDAN-KELM model using GNSS monitoring data
Sonnenschein et al. Probabilistic intraday wastewater treatment plant inflow forecast utilizing rain forecast data and sewer network sensor data
Xiong et al. An evolutionary robust soft measurement technique via enhanced atom search optimization and outlier robust extreme learning machine for wastewater treatment process
CN116628442A (zh) 一种基于人工神经网络的地下水储量变化空间降尺度方法

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