CN114418187A - 河道水文信息预测方法、系统、终端设备及存储介质 - Google Patents
河道水文信息预测方法、系统、终端设备及存储介质 Download PDFInfo
- Publication number
- CN114418187A CN114418187A CN202111575149.9A CN202111575149A CN114418187A CN 114418187 A CN114418187 A CN 114418187A CN 202111575149 A CN202111575149 A CN 202111575149A CN 114418187 A CN114418187 A CN 114418187A
- Authority
- CN
- China
- Prior art keywords
- hydrological
- upstream
- historical
- data
- downstream
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 78
- 238000011144 upstream manufacturing Methods 0.000 claims abstract description 157
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 71
- 230000015654 memory Effects 0.000 claims description 52
- 230000006870 function Effects 0.000 claims description 42
- 238000012549 training Methods 0.000 claims description 29
- 238000004590 computer program Methods 0.000 claims description 19
- 238000010606 normalization Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 13
- 230000007774 longterm Effects 0.000 abstract description 12
- 238000004883 computer application Methods 0.000 abstract description 2
- 238000012544 monitoring process Methods 0.000 description 15
- 230000008569 process Effects 0.000 description 13
- 238000012795 verification Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000006403 short-term memory Effects 0.000 description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007787 long-term memory Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000006467 substitution reaction 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
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06Q10/067—Enterprise or organisation modelling
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Educational Administration (AREA)
- Life Sciences & Earth Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Molecular Biology (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Primary Health Care (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请适用于计算机应用技术领域,提供了一种河道水文信息预测方法、河道水文信息预测系统、终端设备及计算机可读存储介质,包括:调用第一时序模型根据上游历史水文数据预测当月上游水文信息;调用第二时序模型根据下游历史水文数据和所述当月上游水文信息,预测当月下游水文信息,通过时序模型基于历史上游水文数据对当月上游水文信息进行预测,再基于历史下游水文数据和预测得到的当月上游水文信息对当月下游水文信息进行预测,既能引入过往月份水文特性又能针对当月的水文特征预测出河道下游的水文信息,有效提高河道下游水文信息的预测精度,实现河道水文信息的长期预测。
Description
技术领域
本申请属于计算机应用技术领域,尤其涉及一种河道水文信息预测方法、系统、终端设备及计算机可读存储介质。
背景技术
河道水文信息的长期预测是水资源管理和水文监测中的一项重要内容,对于水利工程建设、水资源合理调度、洪涝与干旱等自然灾害的规避和航运规划调度等方面均具有重要的指导参考意义。上述水文信息主要包括河道的流量和水位等信息。
通常在河道的上下游设置有梯级水文站,梯级水文站能够观测河道上下游的流量和水位等信息。通过可以根据对往年与当年已观测的月均流量和水位记录数据对河道水文信息进行长期预测。由于河道下游的流量和水位与河道上游的流量和水位的观测情况高度相关,若上游水文站的流量和水位预测出现误差,则会造成下游的流量和水位的预测误差持续增大,错误预估河道水文信息极有可能会引发严重的安全事故,因此准确预测河道水文信息是水资源安全的关键。
目前,对于河道水文信息的预测有基于水文模型和数据统计的传统预测方法,然而基于水文模型和统计数据的传统预测方法存在模型构建复杂和拟合效果不理想的问题。近年来随着人工智能和深度学习技术的迅速发展,目前也可以基于神经网络模型的河道流量水位预测模型来预测河道水文信息。例如基于小波神经网络根据上游水文站的月均流量和水位预测下游水文站的月均流量和水位。然而该方法仅进行单独月份数据的建模,对于存在异常流量水位时的情况的预测容易出现误差。
综上,目前对于河道水文信息的长期预测存在预测容易存在误差,预测准确度低的问题。
发明内容
本申请实施例提供了一种河道水文信息预测方法、系统、终端设备及计算机可读存储介质,解决了目前对于河道水文信息的长期预测存在预测容易存在误差,预测准确度低的问题。
第一方面,本申请实施例提供了一种河道水文信息预测方法,包括:
调用第一时序模型根据上游历史水文数据预测当月上游水文信息;
调用第二时序模型根据下游历史水文数据和所述当月上游水文信息,预测当月下游水文信息。
在第一方面的一种实现方式中,在调用第一时序模型根据上游历史水文数据预测当月上游水文信息之前,包括:
利用长短记忆网络时序模型对年初到待观测月份的上游历史水文数据进行时序建模,得到第一时序模型。
在第一方面的一种实现方式中,所述利用长短记忆网络时序模型对年初到待观测月份的上游历史水文数据进行时序建模,得到第一时序模型之后,还包括:
基于训练数据对构建的第一时序模型的长短记忆网络时序模型和第一全连接层进行训练,以确定出第一时序模型的长短记忆网络时序模型和第一全连接层的网络参数。
在第一方面的一种实现方式中,在所述调用第二时序模型根据下游历史水文数据和所述当月上游水文信息,预测当月下游水文信息之前,还包括:
利用长短记忆网络时序模型对年初到待观测月份的下游历史水文数据进行全局建模,得到第二时序模型;
在第二时序模型中添加嵌入函数,并将预测得到的当月上游水文信息作为嵌入函数的输入,对下游水文信息进行局部建模。
在第一方面的一种实现方式中,在第二时序模型中添加嵌入函数,并将预测得到的当月上游水文信息作为嵌入函数的输入,对下游水文信息进行局部建模之后,还包括:
基于训练数据对构建的第二时序模型的长短记忆网络时序模型、嵌入函数和第二全连接层进行训练,以确定出第二时序模型的长短记忆网络时序模型、嵌入函数、第二全连接层的网络参数。
在第一方面的一种实现方式中,所述上游历史水文数据包括上游历史流量数据和上游历史水位数据,在调用第一时序模型根据上游历史水文数据预测当月上游水文信息之前,还包括:
获取上游历史流量数据和上游历史水位数据;
对上游历史流量数据和上游历史水位数据进行归一化处理。
在第一方面的一种实现方式中,所述下游历史水文数据包括下游历史流量数据和下游历史水位数据,在调用第二时序模型根据下游历史水文数据和所述当月上游水文信息,预测当月下游水文信息之前,还包括:
获取下游历史流量数据和下游历史水位数据;
对下游历史流量数据和下游历史水位数据进行归一化处理。
第二方面,本申请实施例提供了一种河道水文信息预测系统,包括:
上游预测单元,用于调用第一时序模型根据上游历史水文数据预测当月上游水文信息;
下游预测单元,用于调用第二时序模型根据下游历史水文数据和所述当月上游水文信息,预测当月下游水文信息。
第三方面,本申请实施例提供了一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,上述处理器执行所述计算机程序时实现如上述第一方面中任一项所述的河道水文信息预测方法的步骤。
第四方面,本申请实施例提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如上述第一方面中任一项所述的河道水文信息预测方法的步骤。
第五方面,本申请实施例提供了一种计算机程序产品,当计算机程序产品在终端设备上运行时,使得终端设备可执行上述第一方面中任一项所述的河道水文信息预测方法。
本申请实施例与现有技术相比存在的有益效果是:
本申请实施例提供的一种河道水文信息预测方法,通过时序模型基于历史上游水文数据对当月上游水文信息进行预测,再基于历史下游水文数据和预测得到的当月上游水文信息对当月下游水文信息进行预测,既能引入过往月份水文特性又能针对当月的水文特征预测出河道下游的水文信息,有效提高河道下游水文信息的预测精度,实现河道水文信息的长期预测。
附图说明
为了更清楚地说明本申请实施例中的技术方案,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是本申请一实施例提供的河道水文信息预测方法的应用场景示意图;
图2是本申请一实施例提供的一种河道水文信息预测方法的实现流程示意图;
图3示出本申请一实施例提供的另一种河道水文信息预测的实现流程示意图;
图4示出本申请一实施例提供的又一种河道水文信息预测方法的实现流程示意图;
图5示出本申请一实施例提供的河道水文信息预测系统的结构示意图;
图6是本申请一实施例提供的终端设备的结构示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本申请实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。
应当理解,当在本申请说明书和所附权利要求书中使用时,术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
如在本申请说明书和所附权利要求书中所使用的那样,术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地,短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外,在本申请说明书和所附权利要求书的描述中,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此,在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例,而是意味着“一个或多个但不是所有的实施例”,除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”,除非是以其他方式另外特别强调。
目前基于小波神经网络根据上游水文站的月均流量和水位预测下游水文站的月均流量和水位,然而该方法仅进行单独月份数据的建模,对于存在异常流量水位时的情况的预测容易出现误差,另外,对每个月河道的流量和水位单独局部建模,容易导致模型不知道处于哪个月份,缺乏对不同季节流量和水位规律的学习,容易造成预测误差。
基于此,本申请实施例提供了一种河道水文信息预测方法、系统、终端设备及计算机可读存储介质,主要应用于对河道水文信息,包括河道流量和水流等信息的预测,具体是根据梯级水文站监测到的上下游历史水文信息并基于时序模型进行预测,既能引入过往月份水文特性又能针对当月的水文特征预测出河道下游的水文信息,有效提高河道下游水文信息的预测精度。
以下将结合附图对本申请实施例提供的河道水文信息预测方法进行示例性说明:
请参阅图1,图1是本申请一实施例提供的河道水文信息预测方法的实现场景示意图。如图1所示,河道水文信息预测方法的执行主体可以是图1中的河道水文信息预测系统10,上述河道水文信息预测系统10可以与水文站20通信连接。
在本申请一实施例中,上述水文站20可以是梯级水文站20,即包括上游水文站21和下游水文站22。
河道水文信息预测系统10可以获取到水文站20的监测到的河道的水文信息,上述水文信息具体包括过往月均河道流量和水位等历史水文数据,例如可以是年初到待观测月份的历史水文数据。
上述年初到待观测月份的历史水文数据具体包括年初到待观测月份的上游历史水文数据和下游历史水文数据。
在本申请实施例中,上述河道水文信息预测系统10可以是终端设备或服务器,上述终端设备可以是电脑、手机、平板电脑、台式电脑、智能可穿戴设备等电子设备,上述服务器可以是传统服务器,也可以是云服务器,在此不作具体限定。
需要说明的是,上述的应用场景仅为方便理解所作的示例,可以理解的是,本申请实施例不仅局限于上述应用场景。
下面将对本申请实施例提供的河道水文信息预测方法进行详细说明,在本申请实施例中上述河道水文信息预测方法的执行主体可以上述河道水文信息预测系统。
请参阅图2,图2示出了本申请实施例提供的一种河道水文信息预测方法的实现流程示意图。如图2所示,本申请一实施例提供的河道水文信息预测方法可以包括S11~S12,详述如下:
S11:调用第一时序模型根据上游历史水文数据预测当月上游水文信息。
在本申请实施例中,上述第一时序模型是已经完成训练和验证的长短记忆网络时序模型(Long short-term memory,LSTM)。
在具体实现中,上述第一时序模型能够根据输入的上游历史水文数据预测出当月上游水文信息。
需要说明的是,上述上游历史水文数据可以由上游水文站采集得到。
在本申请一实施例中,上述上游历史水文数据包括上游历史流量数据和上游历史水位数据。预测得到的当月上游水文信息可以包括当月上游流量信息和当月上游水位信息。
在本申请一实施例中,在S11之前,还可以包括以下步骤:
获取上游历史流量数据和上游历史水位数据;
对上游历史流量数据和上游历史水位数据进行归一化处理。
在本申请实施例中,由于流量和水位具有不同的量纲,为了避免量纲对模型的影响,需要先对获取到的上游历史流量数据和上游历史水位数据进行归一化处理,使得所有数据的取值都处于[0,1]之间。
在具体实现中,可以使用最大值-最小值归一化方法对上述上游历史流量数据和上游历史水位数据进行归一化处理。
对于上游历史流量数据,先确定出最大值和最小值,然后使用以下归一化公式进行归一化处理:
x/=(x-xmin)/(xmax-xmin);
其中,x/为归一化后的上游历史流量数据,x为上游历史流量数据,xmax为上游历史流量数据中的最大值,xmin为上游历史流量数据中的最小值。
对于上游历史水位数据,同样先确定出最大值和最小值,然后使用以下归一化公式进行归一化处理:
y/=(y-ymin)/(ymax-ymin);
其中,y/为归一化后的上游历史水位数据,y为上游历史水位数据,ymax为上游历史水位数据中的最大值,ymin为上游历史水位数据中的最小值。
在本申请实施例中,上述第一时序模型是已经完成训练和验证的模型,上述训练和验证完成的第一时序模型可以预先配置在河道水位信息预测系统中,当获取到上述上游历史水文数据后,河道水位信息预测系统就能够调用该第一时序模型对上游历史水文数据进行处理,并预测出当月上游水文信息。
在本申请实施例中,为了能够建立历史数据之间的长期依赖,有效提高水文信息长期预测的准确性,可以使用长短记忆网络时序模型对历史上游水文信息进行建模,并得到对应的第一时序模型。
请参阅图3,图3示出了本申请一实施例提供的河道水位预测方法的实现流程示意图,如图3所示,在本申请一实施例中,在S11之前,还包括以下步骤:
S31:利用长短记忆网络时序模型对年初到待观测月份的上游历史水文数据进行时序建模,得到第一时序模型。
在本申请实施例中,假设在第T月,给定年初到该月之前的上游历史流量数据和上游历史水位数据。
在具体实现中,由于训练时长短记忆网络时序模型的输入时刻的个数要求是固定的,且最大时刻为11(即长短记忆网络时序模型的输入序列为11项),当T<12,即需要预测的是1月到11月中某一个月的流量/水位,此时年初到该月前的上游历史水文数据不足11个,在输入长短记忆网络时序模型时就需要在输入序列前补零,直至输入序列个数满足11项。
将1月到待观测月份(第T月)的上游历史水文数据进行补零后输入到长短记忆网络时序模型中,即将序列输入到长短记忆网络时序模型中,并令该序列中的每个上游历史流量数据依次表示为mt(t=1,2,…,11,该序列中每个上游历史水位数据依次表示为ntt=1,2,…,11。即长短记忆网络时序模型每个时刻t的输入为(mt,nt)、将上一时刻的隐含状态表示为ht-1、上一时刻的细胞状态表示为ct-1,每个时刻t的输出即为下一时刻的隐含状态ht和细胞状态ct。因此,上述LSMT模型可以表示为表示为:
LSTM:[(mt,nt),ht-1,ct-1]→[ht,ct];
在具体实现中,上述长短记忆网络时序模型内部采用门控机制来根据输入计算下一隐含状态和细胞状态的值,计算方法如下:
ct=f⊙ct-1+i⊙g;
ht=o⊙tanh(ct);
其中D为向量的维度,M4D,D+2指使用一个4D×(D+2)的矩阵,sigmoid为非线性的网络激活函数,tanh表示另一个非线性的网络激活函数,i为输入门、f为遗忘门、o为输出门和g为记忆门,⊙表示向量点乘。
在具体应用中,通过上述长短记忆网络时序模型就能够对历史上游水文数据的时序依赖进行建模,当最后时刻的建模进行完毕时,得到最后时刻的隐含状态hT∈RD和细胞状态cT∈RD(T=11),取hT输入一个全连接层(第一全连接层),第一全连接层表示为F∈R2×D中,就能够预测输出当月上游流量和当月上游水位(mT+1,nT+1)。上述全连接层F表示为:
F:hT→(mT+1,nT+1)。
在本申请实施例中,上述河道水位信息预测方法还包括基于大量训练数据对构建的第一时序模型的长短记忆网络时序模型和上述第一全连接层F进行训练,以确定出上述第一时序模型的长短记忆网络时序模型和上述第一全连接层的网络参数。
在具体实现中,可以先构造上述第一时序模型的损失函数,具体可以使用第一时序模型输出的预测值与真实值的L1范数来构建上述第一时序模型的损失函数。
第一时序模型的损失函数可以表示为:
需要说明的是,上述训练数据可以基于大量历史水文监测数据来获取,上述训练数据包括作为输入的历史上游水文监测数据和预测对象对应的真实上游水文监测数据。即上述大量历史水文监测数据可以是往年的历史上游水文监测数据,例如将往年前T个月的历史上游水文监测数据作为输入,通过待训练的第一时序模型预测出第T+1个月的上游水文信息,然后基于往年的历史水文监测数据中第T+1个月监测到的真实上游水文信息来确定上述损失函数的损失值。
在具体实现中,可以通过Adam优化器对第一时序模型进行训练。
在本申请实施例中,在训练完第一时序模型后,还需要对完成训练的第一时序模型进行验证,以确保第一时序模型的预测准确性和鲁棒性。
在本申请实施例中,可以使用验证数据集并采用平均绝对误差(mean absoluteerror,MAE)的百分比P作为模型的验证指标。
其中,k指验证数据集中验证数据的个数。
在具体实现中,可以分别对河道流量和河道水位进行验证。若平均绝对误差百分比P低于预设阈值,则确定第一时序模型验证通过,可以应用于S11中,对真实场景下的当月上游水文信息进行预测;若平均绝对误差百分比P高于预设阈值,则需要人工检查训练数据中是否存在异常数据,即因水文站记录出错而产生的跟往年趋势以及当年趋势完全不符的数据,找到异常数据后,需要将其从训练数据中剔除,然后对待训练的第一时序模型进行重新训练。
需要说明的是,上述预设阈值可以根据模型预测精度需求进行设置,例如可以设置为10%,本申请在此不作限制。
S12:调用第二时序模型根据下游历史水文数据和所述当月上游水文信息,预测当月下游水文信息。
在具体实现中,上述第二时序模型能够根据输入的下游历史水文数据和当月上游水文信息预测出当月下游水文信息。
在具体应用中,是将上述下游历史水文数据作为第二时序模型的输入,将上述当月上游水文信息是作为嵌入函数的输入,输入到第二时序模型中进行处理,以预测出当月下游水文信息。
需要说明的是,上述下游历史水文数据可以由下游水文站采集得到。
在本申请一实施例中,上述下游历史水文数据包括下游历史流量数据和下游历史水位数据。预测得到的当月下游水文信息可以包括当月下游流量信息和当月下游水文信息。
在本申请一实施例中,在S12之前,还可以包括以下步骤:
获取下游历史流量数据和下游历史水位数据;
对下游历史流量数据和下游历史水位数据进行归一化处理。
在本申请实施例中,由于流量和水位具有不同的量纲,为了避免量纲对模型的影响,需要先对获取到的下游历史流量数据和下游历史水位数据进行归一化处理,使得所有数据的取值都处于[0,1]之间。需要说明的是,上述对获取到的下游历史流量数据和下游历史水位数据进行归一化处理的过程可以参见S11中关于对获取到的上游历史流量数据和上游历史水位数据进行归一化的相关描述,本申请在此不加以赘述。
在本申请实施例中,上述第二时序模型是已经完成训练和验证的模型,上述训练和验证完成的第二时序模型同样可以预先配置在河道水位信息预测系统中,当获取到上述下游历史水文数据和预测出当月上游水文信息后,河道水位信息预测系统就能够调用该第二时序模型根据下游历史水文数据和当月上游水文信息预测出当月下游水文信息。
在本申请实施例中,为了能够建立历史数据之间的长期依赖,有效提高水文信息长期预测的准确性,可以使用长短记忆网络时序模型对历史下游水文信息进行全局建模,由于下游的流量和水位与上游的流量和水位具有较高的相关性,所以在对下游水文信息进行预测时还需要引入上游水文信息的预测结果进行综合建模,由于当月上游水文信息(mT+1,nT+1)∈R2仅表示低维度的流量和水位信息,对其直接建模存在特征信息不足的问题,会导致建模难度加大。因此本申请使用标记化方法将预测得到的当月上游水文信息对下游水文信息进行局部建模,以扩充当月上游流量和当月上游水位的特征信息,提升当月上游水
′
文信息与全局特征hT(即上述使用长短记忆网络时序模型对历史下游水文信息进行全局建模的隐含状态)的兼容程度。
请参阅图4,图4示出了本申请实施例提供的河道水文信息预测方法的实现流程示意图。如图4所示,在本申请实施例中,在S12之前,还包括以下步骤:
S41:利用长短记忆网络时序模型对年初到待观测月份的下游历史水文数据进行全局建模,得到第二时序模型;
S42:在第二时序模型中添加嵌入函数,并将预测得到的当月上游水文信息作为所述嵌入函数的输入,对下游水文信息进行局部建模。
在具体应用中,通过上述长短记忆网络时序模型对年初到待观测月份的下游历史水文数据进行全局建模,得到第二时序模型的过程可以参见S31中关于基于长短记忆网络时序模型对年初到待观测月份的上游历史水文数据进行建模,得到第一时序模型的相关描述,两者的建模过程是相同的。对于每个下游历史流量数据依次表示为m′t(t=1,2,…,11),每个下游历史水位数据依次表示为n′t(t=1,2,…,11)。即长短记忆网络时序模型的每个时刻t的输入是(m′t,n′t),上一时刻的隐含状态h′t-1和上一时刻的细胞状态c′t-1作为LSTM网络输入,计算得到最后时刻的隐含状态h′T∈RD(T=11)和细胞状态c′T∈RD,此隐含状态属于全局特征,所以LSTM′可以表示为:
LSTM′:[(m′t,n′t},h′t-1,c′t-1]→[h′t,c′t]。
对于嵌入函数E,给定S11中预测得到的当月上游水文信息(mT+1,nT+1)作为输入,使用嵌入函数表示为:E(·):R2→RD,将(mT+1,nT+1)转化为一个D维的特征向量z∈RD,该特征向量属于局部特征,使用标记化方法的嵌入函数E建模过程为:
E:(mT+1,nT+1)→z。
在需要进行当月下游水文信息预测时,就需要综合全局特征h′T和局部特征z进行混合建模,即将全局特征h′T和局部特征z进行拼接后输入到第二全连接层F′∈R2×2D中,预测出当月下游水文信息。上述第二全连接层F′可以表示为:
F′:(h′T,z)→(m′T+1,n′T+1)。
在本申请实施例中,上述河道水位信息预测方法还包括基于大量训练数据对构建的第二时序模型的长短记忆网络时序模型、嵌入函数E和上述第二全连接层F′进行训练,以确定出上述第二时序模型的长短记忆网络时序模型、嵌入函数、上述第二全连接层的网络参数。
在具体实现中,可以先构造上述第二时序模型的损失函数,具体可以使用第二时序模型输出的预测值与真实值的L1范数来构建上述第二时序模型的损失函数。
第二时序模型的损失函数可以表示为:
需要说明的是,上述训练数据可以基于大量历史水文监测数据来获取,上述训练数据包括作为输入的历史下游水文监测数据和预测对象对应的真实下游水文监测数据。即上述大量历史水文监测数据可以是往年的历史下游水文监测数据,例如将往年前T个月的历史下游水文监测数据作为输入,通过待训练的第二时序模型预测出第T+1个月的下游水文信息,然后基于往年的历史水文监测数据中第T+1个月监测到的真实下游水文信息来确定上述损失函数的损失值。
在得到损失函数后,需计算对应的梯度,由于上游的流量/水位仅与上游观测量有关,而与下游预测无关,而下游的流量/水位需要根据上游的预测量有关,为避免下游的损失函数计算对上游损失函数计算带来梯度反向传播,影响第一时序模型的参数更新带来影响,需要在训练过程中阻断嵌入函数对第一时序模型训练的梯度传播。
在具体实现中,可以通过Adam优化器对第二时序模型进行训练。
在本申请实施例中,在训练完第二时序模型后,还需要对完成训练的第二时序模型进行验证,以确保第二时序模型的预测准确性和鲁棒性。
在本申请实施例中,可以使用验证数据集并采用平均绝对误差(mean absoluteerror,MAE)的百分比P作为模型的验证指标。
具体的验证过程可以参见对训练完成的第一时序模型的验证过程,本申请在此不加以赘述。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
以上可以看出,本申请实施例提供的河道水文信息预测方法,通过时序模型基于历史上游水文数据对当月上游水文信息进行预测,再基于历史下游水文数据和预测得到的当月上游水文信息对当月下游水文信息进行预测,既能引入过往月份水文特性又能针对当月的水文特征预测出河道下游的水文信息,有效提高河道下游水文信息的预测精度,实现河道水文信息的长期预测。
对应于上文实施例所述的一种河道水文信息预测方法,图5示出了本申请一实施例提供的河道水文信息预测系统的结构框图,为了便于说明,仅示出了与本申请实施例相关的部分。参照图5,该河道水文信息预测系统50包括:上游预测单元51和下游预测单元52。其中:
上游预测单元61用于调用第一时序模型根据上游历史水文数据预测当月上游水文信息。
下游预测单元62用于调用第二时序模型根据下游历史水文数据和所述当月上游水文信息,预测当月下游水文信息。
在本申请一个实施例中,上述河道水文信息预测系统50还包括第一建模单元。
上述第一建模单元用于利用长短记忆网络时序模型对年初到待观测月份的上游历史水文数据进行时序建模,得到第一时序模型。
在本申请一个实施例中,上述河道水文信息预测系统50还包括第一训练单元单元。
上述第一训练单元用于基于训练数据对构建的第一时序模型的长短记忆网络时序模型和第一全连接层进行训练,以确定出第一时序模型的长短记忆网络时序模型和第一全连接层的网络参数。
在本申请一个实施例中,河道水文信息预测系统50还包括第二建模单元和第三建模单元。
上述第二建模单元用于利用长短记忆网络时序模型对年初到待观测月份的下游历史水文数据进行全局建模,得到第二时序模型。
上述第三建模单元用于在第二时序模型中添加嵌入函数,并将预测得到的当月上游水文信息作为嵌入函数的输入,对下游水文信息进行局部建模。
在本申请一个实施例中,上述河道水文信息预测系统50还包括第二训练单元。
第二训练单元用于基于训练数据对构建的第二时序模型的长短记忆网络时序模型、嵌入函数和第二全连接层进行训练,以确定出第二时序模型的长短记忆网络时序模型、嵌入函数、第二全连接层的网络参数。
在本申请一个实施例中,上述河道水文信息预测系统50还包括第一获取单元和第一归一化单元。其中:
第一获取单元用于获取上游历史流量数据和上游历史水位数据。
第一归一化单元用于对上游历史流量数据和上游历史水位数据进行归一化处理。
在本申请一个实施例中,上述河道水文信息预测系统50还包括第二获取单元和第二归一化单元。其中:
第二获取单元用于获取下游历史流量数据和下游历史水位数据。
第二归一化单元用于对下游历史流量数据和下游历史水位数据进行归一化处理。
以上可以看出,本申请实施例提供的一种河道水文信息预测系统,同样能够通过时序模型基于历史上游水文数据对当月上游水文信息进行预测,再基于历史下游水文数据和预测得到的当月上游水文信息对当月下游水文信息进行预测,既能引入过往月份水文特性又能针对当月的水文特征预测出河道下游的水文信息,有效提高河道下游水文信息的预测精度,实现河道水文信息的长期预测。
图6为本申请一实施例提供的终端设备的结构示意图。如图6所示,该实施例的终端设备6包括:至少一个处理器60(图6中仅示出一个)处理器、存储器61以及存储在所述存储器61中并可在所述至少一个处理器60上运行的计算机程序62,所述处理器60执行所述计算机程序62时实现上述任意一种河道水文信息预测方法实施例中的步骤。
本领域技术人员可以理解,图6仅仅是终端设备6的举例,并不构成对终端设备6的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如还可以包括输入输出设备、网络接入设备等。
所称处理器60可以是中央第一处理单元(Central Processing Unit,CPU),该处理器60还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器61在一些实施例中可以是所述终端设备6的内部存储单元,例如终端设备6的硬盘或内存。所述存储器61在另一些实施例中也可以是所述终端设备6的外部存储设备,例如所述终端设备6上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器61还可以既包括所述终端设备6的内部存储单元也包括外部存储设备。所述存储器61用于存储操作系统、应用程序、引导装载程序(BootLoader)、数据以及其他程序等,例如所述计算机程序的程序代码等。所述存储器61还可以用于暂时地存储已经输出或者将要输出的数据。
本申请实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时可实现上述任意一种河道水文信息预测方法实施例中的步骤。
本申请实施例提供了一种计算机程序产品,当计算机程序产品在终端设备上运行时,使得终端设备执行时可实现上述任意一种河道水文信息预测方法实施例中的步骤。
需要说明的是,上述装置/单元之间的信息交互、执行过程等内容,由于与本申请方法实施例基于同一构思,其具体功能及带来的技术效果,具体可参见方法实施例部分,此处不再赘述。
本申请实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时可实现上述任意一种河道水文信息预测方法实施例中的步骤。
本申请实施例提供了一种计算机程序产品,当计算机程序产品在终端设备上运行时,使得终端设备执行时实现可实现上述任意一种河道水文信息预测方法实施例中的步骤。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个第一处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中,应该理解到,所揭露的河道水文信息预测系统和方法,可以通过其它的方式实现。例如,以上所描述的装置/终端设备实施例仅仅是示意性的,例如,所述模块或单元的划分,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。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (10)
1.一种河道水文信息预测方法,其特征在于,包括:
调用第一时序模型根据上游历史水文数据预测当月上游水文信息;
调用第二时序模型根据下游历史水文数据和所述当月上游水文信息,预测当月下游水文信息。
2.如权利要求1所述的河道水文信息预测方法,其特征在于,在调用第一时序模型根据上游历史水文数据预测当月上游水文信息之前,包括:
利用长短记忆网络时序模型对年初到待观测月份的上游历史水文数据进行时序建模,得到第一时序模型。
3.如权利要求2所述的河道水文信息预测方法,其特征在于,所述利用长短记忆网络时序模型对年初到待观测月份的上游历史水文数据进行时序建模,得到第一时序模型之后,还包括:
基于训练数据对构建的第一时序模型的长短记忆网络时序模型和第一全连接层进行训练,以确定出第一时序模型的长短记忆网络时序模型和第一全连接层的网络参数。
4.如权利要求1所述的河道水文信息预测方法,其特征在于,在所述调用第二时序模型根据下游历史水文数据和所述当月上游水文信息,预测当月下游水文信息之前,还包括:
利用长短记忆网络时序模型对年初到待观测月份的下游历史水文数据进行全局建模,得到第二时序模型;
在第二时序模型中添加嵌入函数,并将预测得到的当月上游水文信息作为嵌入函数的输入,对下游水文信息进行局部建模。
5.如权利要求4所述的河道水文信息预测方法,其特征在于,在第二时序模型中添加嵌入函数,并将预测得到的当月上游水文信息作为嵌入函数的输入,对下游水文信息进行局部建模之后,还包括:
基于训练数据对构建的第二时序模型的长短记忆网络时序模型、嵌入函数和第二全连接层进行训练,以确定出第二时序模型的长短记忆网络时序模型、嵌入函数、第二全连接层的网络参数。
6.如权利要求1所述的河道水文信息预测方法,其特征在于,所述上游历史水文数据包括上游历史流量数据和上游历史水位数据,在调用第一时序模型根据上游历史水文数据预测当月上游水文信息之前,还包括:
获取上游历史流量数据和上游历史水位数据;
对上游历史流量数据和上游历史水位数据进行归一化处理。
7.如权利要求1所述的河道水文信息预测方法,其特征在于,所述下游历史水文数据包括下游历史流量数据和下游历史水位数据,在调用第二时序模型根据下游历史水文数据和所述当月上游水文信息,预测当月下游水文信息之前,还包括:
获取下游历史流量数据和下游历史水位数据;
对下游历史流量数据和下游历史水位数据进行归一化处理。
8.一种河道水文信息预测系统,其特征在于,包括:
上游预测单元,用于调用第一时序模型根据上游历史水文数据预测当月上游水文信息;
下游预测单元,用于调用第二时序模型根据下游历史水文数据和所述当月上游水文信息,预测当月下游水文信息。
9.一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的河道水文信息预测方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的河道水文信息预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111575149.9A CN114418187A (zh) | 2021-12-21 | 2021-12-21 | 河道水文信息预测方法、系统、终端设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111575149.9A CN114418187A (zh) | 2021-12-21 | 2021-12-21 | 河道水文信息预测方法、系统、终端设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114418187A true CN114418187A (zh) | 2022-04-29 |
Family
ID=81267784
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111575149.9A Pending CN114418187A (zh) | 2021-12-21 | 2021-12-21 | 河道水文信息预测方法、系统、终端设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114418187A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114781766A (zh) * | 2022-06-22 | 2022-07-22 | 长江水利委员会长江科学院 | 水文站点的水文信息预测方法、装置、设备及存储介质 |
CN115861012A (zh) * | 2023-02-22 | 2023-03-28 | 北京国信华源科技有限公司 | 一种多源数据融合预警发布方法、装置、电子设备及介质 |
CN118013232A (zh) * | 2024-04-07 | 2024-05-10 | 山东齐鸿工程建设有限公司 | 基于人工智能的大型水利工程水位监测方法及系统 |
-
2021
- 2021-12-21 CN CN202111575149.9A patent/CN114418187A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114781766A (zh) * | 2022-06-22 | 2022-07-22 | 长江水利委员会长江科学院 | 水文站点的水文信息预测方法、装置、设备及存储介质 |
CN114781766B (zh) * | 2022-06-22 | 2022-09-13 | 长江水利委员会长江科学院 | 水文站点的水文信息预测方法、装置、设备及存储介质 |
CN115861012A (zh) * | 2023-02-22 | 2023-03-28 | 北京国信华源科技有限公司 | 一种多源数据融合预警发布方法、装置、电子设备及介质 |
CN118013232A (zh) * | 2024-04-07 | 2024-05-10 | 山东齐鸿工程建设有限公司 | 基于人工智能的大型水利工程水位监测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI788529B (zh) | 基於lstm模型的信用風險預測方法及裝置 | |
CN114418187A (zh) | 河道水文信息预测方法、系统、终端设备及存储介质 | |
CN110264270B (zh) | 一种行为预测方法、装置、设备和存储介质 | |
CN112256886B (zh) | 图谱中的概率计算方法、装置、计算机设备及存储介质 | |
WO2019214455A1 (zh) | 一种数据序列预测方法及计算设备 | |
CN112988840A (zh) | 一种时间序列预测方法、装置、设备和存储介质 | |
CN113283936A (zh) | 一种销量预测方法、销量预测装置及电子设备 | |
CN111611390B (zh) | 一种数据处理方法及装置 | |
CN113962874A (zh) | 母线负荷模型的训练方法、装置、设备及存储介质 | |
CN110213239B (zh) | 可疑交易报文生成方法、装置及服务器 | |
CN116362894A (zh) | 多目标学习方法、装置、电子设备及计算机可读存储介质 | |
CN114757700A (zh) | 物品销量预测模型训练方法、物品销量预测方法及装置 | |
CN114298825A (zh) | 还款积极度评估方法及装置 | |
CN113129127A (zh) | 预警方法和装置 | |
CN110348190A (zh) | 基于用户操作行为的用户设备归属判断方法及装置 | |
CN113837183B (zh) | 基于实时挖掘的多阶段凭证智能生成方法、系统及介质 | |
CN112199953B (zh) | 一种电话通话中信息提取方法、装置及计算机设备 | |
CN118094444A (zh) | 异常账户检测模型训练方法、装置、电子设备及存储介质 | |
CN116307159A (zh) | 一种负荷预测方法、装置、电子设备和存储介质 | |
CN116402615A (zh) | 一种账户类型的识别方法、装置、电子设备及存储介质 | |
CN118133214A (zh) | 账号分类方法、装置、设备及程序产品 | |
CN115374861A (zh) | 基于人工智能的异常预测方法、装置、设备及存储介质 | |
CN116797380A (zh) | 金融数据处理方法及其相关设备 | |
CN116911431A (zh) | 数据流动预测模型训练方法、装置、存储介质及设备 | |
CN116994018A (zh) | 模型训练方法、分类预测方法以及装置 |
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 |