CN113780356A - 基于集成学习模型的水质预测方法及系统 - Google Patents

基于集成学习模型的水质预测方法及系统 Download PDF

Info

Publication number
CN113780356A
CN113780356A CN202110923923.4A CN202110923923A CN113780356A CN 113780356 A CN113780356 A CN 113780356A CN 202110923923 A CN202110923923 A CN 202110923923A CN 113780356 A CN113780356 A CN 113780356A
Authority
CN
China
Prior art keywords
water quality
data set
model
quality index
prediction result
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
Application number
CN202110923923.4A
Other languages
English (en)
Other versions
CN113780356B (zh
Inventor
安新国
王正
邹志强
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.)
Beijing Jinshui Yongli Technology Co ltd
Original Assignee
Beijing Jinshui Yongli Technology 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 Beijing Jinshui Yongli Technology Co ltd filed Critical Beijing Jinshui Yongli Technology Co ltd
Priority to CN202110923923.4A priority Critical patent/CN113780356B/zh
Publication of CN113780356A publication Critical patent/CN113780356A/zh
Application granted granted Critical
Publication of CN113780356B publication Critical patent/CN113780356B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/18—Water
    • 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
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • Y02A20/00—Water conservation; Efficient water supply; Efficient water use
    • Y02A20/152—Water filtration

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Chemical & Material Sciences (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Quality & Reliability (AREA)
  • Biochemistry (AREA)
  • Development Economics (AREA)
  • Analytical Chemistry (AREA)
  • Game Theory and Decision Science (AREA)
  • Medicinal Chemistry (AREA)
  • Food Science & Technology (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Pathology (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)

Abstract

本申请提供一种基于集成学习模型的水质预测方法及系统，该方法包括如下步骤：获取水质指标历史数据；提取水质指标历史数据中的训练数据集，针对训练数据集分别构建自回归积分滑动平均模型和时间序列预测模型，获取水质指标综合预测结果数据集；提取水质指标综合预测结果数据集中的结果训练集，并将结果训练集输入到多层神经网络模型中，获取第三模型水质指标预测结果数据集；根据水质指标综合预测结果数据集和第三模型水质指标预测结果数据集，计算水质指标预测结果。本申请实现了提高水质预测的精准度和水质预测效果，适用于所有站点的水质预测。

Description

基于集成学习模型的水质预测方法及系统
技术领域
本申请涉及水质监测技术领域，尤其涉及一种基于集成学习模型的水质预测方法及系统。
背景技术
水质预测对水环境管理具有重要的指导作用。目前有很多方法进行水质的预测，例如利用过去时刻的滑动均值或者过去同一时期的数据作为预测值。除此之外，水质监测数据作为一种具有时间序列属性的数据，也可利用基于统计的时间序列模型和基于机器学习的模型进行预测。
考虑到影响水环境的因素较多，单一模型无法精准学习到水质监测数据本身的规律，也就无法做到精准的预测。而基于神经网络的深度学习模型，因为其可以模拟较复杂的数据之间的非线性关系，容易发生过拟合，泛化能力较差，也无法进行精准的预测。再者就是水质站点较多，单一的模型架构并不能很好的在所有站点应用。
发明内容
本申请的目的在于提供一种基于集成学习模型的水质预测方法及系统，实现了提高水质预测的精准度和水质预测效果，适用于所有站点的水质预测。
为达到上述目的，本申请提供一种基于集成学习模型的水质预测方法，该方法包括如下步骤：获取水质指标历史数据；提取水质指标历史数据中的训练数据集，针对训练数据集分别构建自回归积分滑动平均模型和时间序列预测模型，获取两个模型的水质指标综合预测结果数据集；提取水质指标综合预测结果数据集中的结果训练集，并将结果训练集输入到多层神经网络模型中，获取第三模型水质指标预测结果数据集；对水质指标综合预测结果数据集和第三模型水质指标预测结果数据集进行融合，计算水质指标预测结果。
如上的，其中，获取两个模型的水质指标综合预测结果数据集的方法包括如下子步骤：提取水质指标历史数据中的训练数据集；针对训练数据集构建自回归积分滑动平均模型，得到第一模型水质指标预测结果数据集；针对训练数据集构建时间序列预测模型，得到第二模型水质指标预测结果数据集；将第一模型水质指标预测结果数据集和第二模型水质指标预测结果数据集组合成水质指标综合预测结果数据集。
如上的，其中，第二模型水质指标预测结果数据集包括最大值预测结果数据集Pfm、最小值预测结果数据集Pfn以及预测结果数据集Pf。
如上的，其中，提取水质指标历史数据中的训练数据集的方法为：将水质指标历史数据按照不同比例划分为训练数据集，验证数据集和测试数据集，提取水质指标历史数据划分后的训练数据集。
如上的，其中，提取水质指标综合预测结果数据集中的结果训练数据集的方法包括：将水质指标综合预测结果数据集按照不同比例划分为结果训练数据集、结果验证数据集和结果测试数据集；提取划分后的结果训练数据集。
如上的，其中，对水质指标综合预测结果数据集和第三模型水质指标预测结果数据集进行融合，计算水质指标预测结果的方法包括：根据水质指标综合预测结果数据集和第三模型水质指标预测结果数据集和水质指标真实结果序列，计算自回归积分滑动平均模型、时间序列预测模型和多层神经网络模型的误差值；根据计算的模型的误差值，水质指标综合预测结果数据集和第三模型水质指标预测结果数据集，计算水质指标预测结果。
如上的，其中，水质指标预测结果的计算公式如下：
Figure BDA0003208467760000031
Figure BDA0003208467760000032
其中，R表示水质指标预测结果；F()表示函数的符号；MA表示自回归积分滑动平均模型的输出预测结果；Mf表示时间序列预测模型的输出预测结果；Mn表示多层神经网络模型的输出预测结果；εA表示自回归积分滑动平均模型的误差值；εf表示时间序列预测模型的误差值；εn表示多层神经网络模型的误差值；w1表示自回归积分滑动平均模型的输出预测结果的权重参数；w2表示时间序列预测模型的输出预测结果的权重参数；w3表示多层神经网络模型的输出预测结果的权重参数；G表示参数。
如上的，其中，预先根据最小二乘法，计算自回归积分滑动平均模型、时间序列预测模型和多层神经网络模型的输出预测结果的权重参数。
如上的，其中，计算自回归积分滑动平均模型、时间序列预测模型和多层神经网络模型的误差值的方法包括：根据水质指标综合预测结果数据集，计算自回归积分滑动平均模型和时间序列预测模型的误差值；根据第三模型水质指标预测结果数据集，计算多层神经网络模型的误差值。
一种集成学习模型的水质预测系统，该系统包括:第一获取模块，用于获取水质指标历史数据；第二获取模块，用于提取水质指标历史数据中的训练数据集，针对训练数据集分别构建自回归积分滑动平均模型和时间序列预测模型，获取两个模型的水质指标综合预测结果数据集；第三获取模块，用于提取水质指标综合预测结果数据集中的结果训练集，并将结果训练集输入到多层神经网络模型中，获取第三模型水质指标预测结果数据集；水质指标预测模块，用于对水质指标综合预测结果数据集和第三模型水质指标预测结果数据集进行融合，计算水质指标预测结果。
本申请实现的有益效果如下：
(1)本申请提高了水质预测的精准度和水质预测效果，预测结果误差明显小于单一模型，适用于所有站点的水质预测。
(2)本申请融合了多个不同原理的模型，具有很强的鲁棒性，增加了模型的适用性，可以很好的应用于多断面多指标的数值预测，便于不同流域的断面推广。
附图说明
为了更清楚地说明本申请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申请中记载的一些实施例，对于本领域技术人员来讲，还可以根据这些附图获得其他的附图。
图1为本申请实施例的一种基于集成学习模型的水质预测方法的流程图。
图2为本申请实施例的获得第一水质指标预测结果数据集的方法流程图。
图3为本申请实施例的计算水质指标预测结果的方法流程图。
图4为本申请实施例的一种基于集成学习模型的水质预测系统的结构示意图。
附图标记：10-第一获取模块；20-第二获取模块；30-第三获取模块；40-水质指标预测模块；100-水质预测系统。
具体实施方式
下面结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域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，都属于本申请保护的范围。
实施例一
如图1所示，本申请提供一种基于集成学习模型的水质预测方法，用于预测未来时刻数为m的水质情况，该方法包括如下步骤：
步骤S1，获取水质指标历史数据。
具体的，将断面H的水质指标历史数据定义为Bk，k＝1，…n，n表示水质指标数据的总个数。
步骤S2，提取水质指标历史数据中的训练数据集，针对训练数据集分别构建自回归积分滑动平均模型和时间序列预测模型，获得水质指标综合预测结果数据集。
如图2所示，步骤S2包括如下子步骤：
步骤S210，将水质指标历史数据按照7:2:1的比例划分为训练数据集，验证数据集和测试数据集。
步骤S220，提取划分后的训练数据集。
步骤S230，针对训练数据集构建自回归积分滑动平均模型，得到第一模型水质指标预测结果数据集。
具体的，针对训练数据集构建ARIMA模型(自回归积分滑动平均模型)，得到第一模型水质指标预测结果数据集PA。
ARIMA模型针对非平稳时间序列建模，对训练数据集进行差分整合后用自回归加移动平均来拟合,并据其对时间序列的过去值及未来值进行预测的方法。
步骤S240，针对训练数据集构建时间序列预测模型，得到第二模型水质指标预测结果数据集。
具体的，对训练数据集建立fbProphet模型(时间序列预测模型)，得到第二模型水质指标预测结果数据集，第二模型水质指标预测结果数据集包括：最大值预测结果数据集Pfm、最小值预测结果数据集Pfn以及预测结果数据集Pf。
步骤S250，将第一模型水质指标预测结果数据集和第二模型水质指标预测结果数据集组合成两个模型的水质指标综合预测结果数据集。
其中，水质指标综合预测结果数据集包括第一模型水质指标预测结果数据集和第二模型水质指标预测结果数据集。
具体的，将第一模型水质指标预测结果数据集PA、第二模型水质指标预测结果数据集中的：最大值预测结果数据集Pfm、最小值预测结果数据集Pfn以及预测结果数据集Pf合成为水质指标综合预测结果数据集。
步骤S3，提取水质指标综合预测结果数据集中的结果训练集，并将结果训练集输入到多层神经网络模型中，获得第三模型水质指标预测结果数据集。
多层神经网络模型包括输入层、隐藏层和输出层等，为现有的神经网络模型。
步骤S3包括如下子步骤：
步骤S310，提取水质指标综合预测结果数据集中的结果训练数据集。
具体的，将水质指标综合预测结果数据集按照7:2:1的比例划分为结果训练数据集、结果验证数据集和结果测试数据集。
其中，结果训练数据集、结果验证数据集和结果测试数据集中均包括有：第一模型水质指标预测结果数据集PA、以及第二模型水质指标预测结果数据集中的：最大值预测结果数据集Pfm、最小值预测结果数据集Pfn以及预测结果数据集Pf。
步骤S320，将结果训练数据集输入到多层神经网络模型，得到第三模型水质指标预测结果数据集Pn。
步骤S4，对水质指标综合预测结果数据集和第三模型水质指标预测结果数据集进行融合，计算水质指标预测结果。
具体的，基于带有误差权重的最小二乘法，对水质指标综合预测结果数据集和第三模型水质指标预测结果数据集进行融合，计算水质指标预测结果。
如图3所示，步骤S4包括如下子步骤：
步骤S410，根据水质指标综合预测结果数据集和第三模型水质指标预测结果数据集和水质指标真实结果序列，计算自回归积分滑动平均模型、时间序列预测模型和多层神经网络模型的误差值。
具体的，根据水质指标综合预测结果数据集和水质指标真实结果序列，计算自回归积分滑动平均模型和时间序列预测模型的误差值；根据第三模型水质指标预测结果数据集和水质指标真实结果序列，计算多层神经网络模型的误差值。
其中，误差值的计算公式为：
Figure BDA0003208467760000081
其中，εM表示模型的误差值；O表示模型的输出预测结果序列的总个数；Mi表示模型的第i个输出预测结果序列；Ri表示第i个输出预测结果序列对应的水质指标真实结果序列。
其中，计算自回归积分滑动平均模型、时间序列预测模型的误差值使用的水质指标真实结果序列根据水质指标历史数据中的验证数据集获取；计算多层神经网络模型的误差值使用的水质指标真实结果序列根据水质指标综合预测结果数据集中的结果验证数据集获取。
步骤S420，预先根据最小二乘法，计算自回归积分滑动平均模型、时间序列预测模型和多层神经网络模型的输出预测结果的权重参数。
具体的，步骤S420包括如下子步骤：
步骤S421，获取自回归积分滑动平均模型、时间序列预测模型和多层神经网络模型的误差值及模型的水质指标预测结果数据集，以及水质指标真实结果。
步骤S422，将获取的自回归积分滑动平均模型、时间序列预测模型和多层神经网络模型的误差值及模型的水质指标预测结果数据集代入到水质指标预测结果的计算公式(2)中，计算水质指标预测结果与已知水质指标真实结果之间的误差为最小情况下的自回归积分滑动平均模型、时间序列预测模型和多层神经网络模型的输出预测结果的权重参数。
步骤S430，根据计算的模型的误差值、输出预测结果的权重参数、水质指标综合预测结果数据集和第三模型水质指标预测结果数据集，计算水质指标预测结果。
其中，水质指标预测结果的计算公式如下：
Figure BDA0003208467760000091
Figure BDA0003208467760000092
其中，R表示水质指标预测结果；F()表示函数的符号；MA表示自回归积分滑动平均模型的输出预测结果；Mf表示时间序列预测模型的输出预测结果；Mn表示多层神经网络模型的输出预测结果；εA表示自回归积分滑动平均模型的误差值；εf表示时间序列预测模型的误差值；εn表示多层神经网络模型的误差值；w1表示自回归积分滑动平均模型的输出预测结果的权重参数；w2表示时间序列预测模型的输出预测结果的权重参数；w3表示多层神经网络模型的输出预测结果的权重参数；G表示参数。
实施例二
如图4所示，本申请提供一种集成学习模型的水质预测系统100，该系统包括:
第一获取模块10，用于获取水质指标历史数据。
第二获取模块20，用于提取水质指标历史数据中的训练数据集，针对训练数据集分别构建自回归积分滑动平均模型和时间序列预测模型，获取两个模型的水质指标综合预测结果数据集。水质指标综合预测结果数据集包括第一模型水质指标预测结果数据集和第二模型水质指标预测结果数据集。
第三获取模块30，用于提取水质指标综合预测结果数据集中的结果训练集，并将结果训练集输入到多层神经网络模型中，获取第三模型水质指标预测结果数据集。
水质指标预测模块40，用于对水质指标综合预测结果数据集和第三模型水质指标预测结果数据集进行融合，计算水质指标预测结果。
本申请实现的有益效果如下：
(1)本申请提高了水质预测的精准度和水质预测效果，预测结果误差明显小于单一模型，适用于所有站点的水质预测。
(2)本申请融合了多个不同原理的模型，具有很强的鲁棒性，增加了模型的适用性，可以很好的应用于多断面多指标的数值预测，便于不同流域的断面推广。
上所述仅为本发明的实施方式而已，并不用于限制本发明。对于本领域技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原理的内所做的任何修改、等同替换、改进等，均应包括在本发明的权利要求范围之内。

Claims (10)

1.一种基于集成学习模型的水质预测方法，其特征在于，该方法包括如下步骤：
获取水质指标历史数据；
提取水质指标历史数据中的训练数据集，针对训练数据集分别构建自回归积分滑动平均模型和时间序列预测模型，获取两个模型的水质指标综合预测结果数据集；
提取水质指标综合预测结果数据集中的结果训练集，并将结果训练集输入到多层神经网络模型中，获取第三模型水质指标预测结果数据集；
对水质指标综合预测结果数据集和第三模型水质指标预测结果数据集进行融合，计算水质指标预测结果。
2.根据权利要求1所述的集成学习模型的水质预测方法，其特征在于，获取两个模型的水质指标综合预测结果数据集的方法包括如下子步骤：
提取水质指标历史数据中的训练数据集；
针对训练数据集构建自回归积分滑动平均模型，得到第一模型水质指标预测结果数据集；
针对训练数据集构建时间序列预测模型，得到第二模型水质指标预测结果数据集；
将第一模型水质指标预测结果数据集和第二模型水质指标预测结果数据集组合成水质指标综合预测结果数据集。
3.根据权利要求2所述的集成学习模型的水质预测方法，其特征在于，第二模型水质指标预测结果数据集包括最大值预测结果数据集Pf襸、最小值预测结果数据集Pfn以及预测结果数据集Pf。
4.根据权利要求2所述的集成学习模型的水质预测方法，其特征在于，提取水质指标历史数据中的训练数据集的方法为：将水质指标历史数据按照不同比例划分为训练数据集，验证数据集和测试数据集，提取水质指标历史数据划分后的训练数据集。
5.根据权利要求1所述的集成学习模型的水质预测方法，其特征在于，提取水质指标综合预测结果数据集中的结果训练数据集的方法包括：将水质指标综合预测结果数据集按照不同比例划分为结果训练数据集、结果验证数据集和结果测试数据集；提取划分后的结果训练数据集。
6.根据权利要求1所述的集成学习模型的水质预测方法，其特征在于，对水质指标综合预测结果数据集和第三模型水质指标预测结果数据集进行融合，计算水质指标预测结果的方法包括：
根据水质指标综合预测结果数据集和第三模型水质指标预测结果数据集和水质指标真实结果序列，计算自回归积分滑动平均模型、时间序列预测模型和多层神经网络模型的误差值；
根据计算的模型的误差值，水质指标综合预测结果数据集和第三模型水质指标预测结果数据集，计算水质指标预测结果。
7.根据权利要求6所述的集成学习模型的水质预测方法，其特征在于，水质指标预测结果的计算公式如下：
Figure FDA0003208467750000021
Figure FDA0003208467750000022
其中，R表示水质指标预测结果；F()表示函数的符号；MA表示自回归积分滑动平均模型的输出预测结果；Mf表示时间序列预测模型的输出预测结果；Mn表示多层神经网络模型的输出预测结果；εA表示自回归积分滑动平均模型的误差值；εf表示时间序列预测模型的误差值；εn表示多层神经网络模型的误差值；w1表示自回归积分滑动平均模型的输出预测结果的权重参数；w2表示时间序列预测模型的输出预测结果的权重参数；w3表示多层神经网络模型的输出预测结果的权重参数；G表示参数。
8.根据权利要求7所述的集成学习模型的水质预测方法，其特征在于，预先根据最小二乘法，计算自回归积分滑动平均模型、时间序列预测模型和多层神经网络模型的输出预测结果的权重参数。
9.根据权利要求6所述的集成学习模型的水质预测方法，其特征在于，计算自回归积分滑动平均模型、时间序列预测模型和多层神经网络模型的误差值的方法包括：
根据水质指标综合预测结果数据集，计算自回归积分滑动平均模型和时间序列预测模型的误差值；
根据第三模型水质指标预测结果数据集，计算多层神经网络模型的误差值。
10.一种集成学习模型的水质预测系统，其特征在于，该系统包括:
第一获取模块，用于获取水质指标历史数据；
第二获取模块，用于提取水质指标历史数据中的训练数据集，针对训练数据集分别构建自回归积分滑动平均模型和时间序列预测模型，获取两个模型的水质指标综合预测结果数据集；
第三获取模块，用于提取水质指标综合预测结果数据集中的结果训练集，并将结果训练集输入到多层神经网络模型中，获取第三模型水质指标预测结果数据集；
水质指标预测模块，用于对水质指标综合预测结果数据集和第三模型水质指标预测结果数据集进行融合，计算水质指标预测结果。
CN202110923923.4A 2021-08-12 2021-08-12 基于集成学习模型的水质预测方法及系统 Active CN113780356B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110923923.4A CN113780356B (zh) 2021-08-12 2021-08-12 基于集成学习模型的水质预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110923923.4A CN113780356B (zh) 2021-08-12 2021-08-12 基于集成学习模型的水质预测方法及系统

Publications (2)

Publication Number Publication Date
CN113780356A true CN113780356A (zh) 2021-12-10
CN113780356B CN113780356B (zh) 2023-08-08

Family

ID=78837445

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110923923.4A Active CN113780356B (zh) 2021-08-12 2021-08-12 基于集成学习模型的水质预测方法及系统

Country Status (1)

Country Link
CN (1) CN113780356B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115060666A (zh) * 2022-08-17 2022-09-16 北京英视睿达科技股份有限公司 水质参数传感器的校准方法及水质参数的测量方法和装置

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120179373A1 (en) * 2011-01-11 2012-07-12 University Of Seoul Industry Cooperation Foundation Method for measuring total phosphorus using multi-parameter water quality data
CN107153874A (zh) * 2017-04-11 2017-09-12 中国农业大学 水质预测方法及系统
CN108053054A (zh) * 2017-11-22 2018-05-18 中国农业大学 一种河流水质预测方法
WO2019165753A1 (zh) * 2018-02-28 2019-09-06 北京金风科创风电设备有限公司 风力发电机组的载荷预测方法和装置
US20200331772A1 (en) * 2017-12-20 2020-10-22 Intellitect Water Ltd. A water network monitor, monitoring system and method
WO2020228370A1 (zh) * 2019-05-10 2020-11-19 创新先进技术有限公司 计算机执行的从图片中识别损伤的方法及装置
WO2020253935A1 (en) * 2019-06-17 2020-12-24 Wärtsilä Netherlands B.V. Apparatus and computer implemented method for detecting anomaly in marine vessel data system using sensor data and operational data
CN112926264A (zh) * 2021-02-23 2021-06-08 大连理工大学 可用泊位数的集成预测方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120179373A1 (en) * 2011-01-11 2012-07-12 University Of Seoul Industry Cooperation Foundation Method for measuring total phosphorus using multi-parameter water quality data
CN107153874A (zh) * 2017-04-11 2017-09-12 中国农业大学 水质预测方法及系统
CN108053054A (zh) * 2017-11-22 2018-05-18 中国农业大学 一种河流水质预测方法
US20200331772A1 (en) * 2017-12-20 2020-10-22 Intellitect Water Ltd. A water network monitor, monitoring system and method
WO2019165753A1 (zh) * 2018-02-28 2019-09-06 北京金风科创风电设备有限公司 风力发电机组的载荷预测方法和装置
WO2020228370A1 (zh) * 2019-05-10 2020-11-19 创新先进技术有限公司 计算机执行的从图片中识别损伤的方法及装置
WO2020253935A1 (en) * 2019-06-17 2020-12-24 Wärtsilä Netherlands B.V. Apparatus and computer implemented method for detecting anomaly in marine vessel data system using sensor data and operational data
CN112926264A (zh) * 2021-02-23 2021-06-08 大连理工大学 可用泊位数的集成预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
王晓: "基于时间序列的铁路客流量预测研究", 中国优秀硕士学位论文全文数据库 工程科技II辑, no. 6, pages 033 - 368 *
赵英，翟源伟，陈骏君，滕建: "基于LSTM-Prophet非线性组合的时间序列预测模型", 计算机与现代化, no. 9, pages 6 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115060666A (zh) * 2022-08-17 2022-09-16 北京英视睿达科技股份有限公司 水质参数传感器的校准方法及水质参数的测量方法和装置
CN115060666B (zh) * 2022-08-17 2022-11-15 北京英视睿达科技股份有限公司 水质参数传感器的校准方法及水质参数的测量方法和装置

Also Published As

Publication number Publication date
CN113780356B (zh) 2023-08-08

Similar Documents

Publication Publication Date Title
CN109587713B (zh) 一种基于arima模型的网络指标预测方法、装置及存储介质
Li et al. DCT-GAN: dilated convolutional transformer-based GAN for time series anomaly detection
CN111178585A (zh) 基于多算法模型融合的故障接报量预测方法
CN113449919B (zh) 一种基于特征和趋势感知的用电量预测方法及系统
CN108628164A (zh) 一种基于循环神经网络模型的工业过程半监督软测量方法
CN110956309A (zh) 基于crf和lstm的流程活动预测方法
CN112735541A (zh) 一种基于简单循环单元神经网络的污水处理水质预测方法
CN107402859A (zh) 软件功能验证系统及其验证方法
CN105488335A (zh) 一种基于李雅普诺夫指数的电力系统负荷预测方法及装置
CN109242165A (zh) 一种模型训练及基于模型训练的预测方法及装置
CN116028315A (zh) 作业运行预警方法、装置、介质及电子设备
CN112633556A (zh) 一种基于混合模型的短期电力负荷预测方法
CN113780356A (zh) 基于集成学习模型的水质预测方法及系统
CN113904915A (zh) 一种基于物联网的电力通信智能故障分析方法及系统
CN116932523B (zh) 一种整合和监管第三方环境检测机构的平台
CN114363004B (zh) 风险评估方法、装置、计算机设备和存储介质
WO2022222230A1 (zh) 基于机器学习的指标预测方法、装置、设备及存储介质
CN111027680B (zh) 基于变分自编码器的监控量不确定性预测方法及系统
CN114186646A (zh) 区块链异常交易识别方法及装置、存储介质及电子设备
Zhang et al. A combinational QoS-prediction approach based on RBF neural network
CN114510469A (zh) 电力系统不良数据辨识方法、装置、设备及介质
CN108614547B (zh) 一种基于削减因子的工业控制协议安全评估方法
Wang et al. The forecast of gold price based on the GM (1, 1) and Markov chain
CN111832942A (zh) 一种基于机器学习的罪犯改造质量评估系统
CN109947728A (zh) 一种日志文件的处理方法及装置

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