CN114429189B - 一种高泛用性滑坡位移速率预警方法 - Google Patents
一种高泛用性滑坡位移速率预警方法 Download PDFInfo
- Publication number
- CN114429189B CN114429189B CN202210100710.6A CN202210100710A CN114429189B CN 114429189 B CN114429189 B CN 114429189B CN 202210100710 A CN202210100710 A CN 202210100710A CN 114429189 B CN114429189 B CN 114429189B
- Authority
- CN
- China
- Prior art keywords
- landslide
- data
- network model
- neural network
- historical
- 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.)
- Active
Links
Images
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- 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
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
- Y02A50/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE in human health protection, e.g. against extreme weather
Abstract
本发明公开了一种高泛用性滑坡位移速率预警方法,包括步骤:S100:采集不同已滑坡地域在滑坡前后的历史滑坡数据,对历史滑坡数据进行预处理;S200:采用历史滑坡数据训练大型神经网络模型,对已训练的大型神经网络模型进行知识蒸馏,得到小型神经网络模型;S300:将滑坡风险区域划分为多个易滑坡点,采集已发生滑坡的各易滑坡点的历史滑坡数据,对历史滑坡数据进行预处理,采用历史滑坡数据对小型神经网络模型进行训练和微调,获得滑坡风险区域对应的小型神经网络模型;S400:将滑坡风险区域内各易滑坡点的实时滑坡数据进行预处理后,输入小型神经网络模型进行预警。本发明在降低预警复杂度的同时提高了精度,泛用性极强。
Description
技术领域
本发明涉及滑坡预警领域,具体而言,涉及一种高泛用性滑坡位移速率预警方法。
背景技术
我国是一个多山的国家,山区面积占到全国陆地面积的2/3,山区地质构造复杂,生态环境脆弱,山地灾害频繁爆发,山地灾害每年所造成的损失占各类自然灾害所造成总损失的四分之一。滑坡作为常见地质灾害,其监测预警是灾害防治工作的核心任务。所以通过相应监测技术,提前预测滑坡发生的时间具有极大的现实意义。
目前,常用的滑坡预警主要通过单个或多个特征进行,比如通过位移量、位移速率设置阈值预警,这类方法误判率较高。还有通过对位移速率进行拟合,以进行预警,但目前该方法精度不高。现有的深度学习方法的预测效果往往十分强大,但仍然存在不足:一方面深度学习模型需要大量的数据进行训练,而一个区域的数据普遍不足;另一方面深度学习模型的复杂度高,训练和预测时间较长。
发明内容
为了深度学习方法存在的问题,本发明提供了一种高泛用性滑坡位移速率预警方法。
本发明的技术方案如下:
一种高泛用性滑坡位移速率预警方法,包括步骤:
S100:采集不同已滑坡地域在滑坡前后的历史滑坡数据,包括滑坡体的位移量、位移变形速率及滑坡发生时间,对历史滑坡数据进行预处理;
S200:采用预处理后的历史滑坡数据训练大型神经网络模型,对已训练的大型神经网络模型进行知识蒸馏,得到小型神经网络模型;
S300:将滑坡风险区域划分为多个易滑坡点,采集已发生滑坡的各易滑坡点的历史滑坡数据,对历史滑坡数据进行预处理,采用预处理后各易滑坡点的历史滑坡数据对小型神经网络模型进行训练和微调,获得滑坡风险区域对应的小型神经网络模型;
S400:将滑坡风险区域内各易滑坡点的实时滑坡数据进行预处理后,输入已训练的小型神经网络模型,即对对应的易滑坡点进行预警;所述实时滑坡数据包括滑坡体的位移量、位移变形速率及当前时间;
步骤S100、S300、S400中的预处理包括对滑坡数据中的位移量和位移变形速率进行滤波,之后对滤波后的位移变形速率求倒数。
在一些具体实施方式中,步骤S100中,历史滑坡数据包括各不同运动形式下已滑坡地域在滑坡前后的历史滑坡数据,不同运动形式包括直线型、波动型、渐进型和瞬间型。
在一些具体实施方式中,大型神经网络模型和所述小型神经网络模型采用长短期记忆网络模型(LSTM)、门控循环单元网络模型(GRU)或Transformer模型中的一种。
在一些具体实施方式中,滤波采用卡尔曼滤波。
在一些具体实施方式中,步骤S400中所述预警为易滑坡点的位移变形速率预测和/或滑坡阶段分类。
和现有技术相比,本发明具备以下有益效果:
(1)采用神经网络结构使得预测效果相比传统预测方法更精准,通过大量滑坡历史数据训练出的大型神经网络模型进行蒸馏得到小型神经网络模型,再通过特定区域的历史数据对小型神经网络模型进行训练和微调,使得对各个区域均可采用神经网络进行预警,防止了训练数据不足的情况,并且在降低复杂度的同时提高了精度,泛用性极强,且易更新与维护。
(2)对于滑坡而言,位移变形速率本身与时间为非线性的,但大多数情况下,速度倒数却和时间存在一定的线性关系,这样的话当神经网络预测出位移变形速率的倒数后,将位移变形速率与时间做成坐标图,并结合滑坡阶段分类图进行,更容易找到关联性。
附图说明
图1为本发明方法的流程图;
图2为实施例获得的位移变形速率倒数-时间差图;
图3为实施例获得的位移变形速率-时间差图;
图4为滑坡阶段分类图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图对本发明具体实施方式做进一步详细说明。应当理解,此处所描述的具体实施方式仅用以解释本发明,并不用于限定本发明。
实施例1
本实施例中高泛用性滑坡位移预警速率方法的具体步骤如下:
S100:采集不同已滑坡地域在滑坡前后的历史滑坡数据,包括滑坡体的位移量、位移变形速率及滑坡发生时间,对历史滑坡数据进行预处理。
根据国内外滑坡失稳前加速破坏阶段的时序曲线分析可知,滑坡进入加速阶段后呈现出4种不同的运动形式:直线型、波动型、渐进型和瞬间型。本步骤采集的历史滑坡数据包括4种不同运动形式下已滑坡地域在滑坡前后的滑坡数据。本发明中预处理包括:对历史滑坡数据中的位移量和位移变形速率进行滤波,使数据更为平滑;之后对滤波后的位移变形速率求倒数。本实施例中滤波采用卡尔曼滤波。
S200:采用步骤S100预处理后的历史滑坡数据训练大型神经网络模型,对已训练的大型神经网络模型进行知识蒸馏,得到小型神经网络模型。
由于特定区域内的滑坡数据样本普遍不够,如果只采集特定区域的历史滑坡数据对神经网络模型进行训练,会因样本量不足导致欠拟合。因此本发明先采集不同已滑坡地域的历史滑坡数据样本,采用历史滑坡数据对大型神经网络模型进行总训练,以保证训练拟合。
由于神经网络具有参数较多、深度较深同时具有多种模块结构,因此其具有较强的准确性和泛化性,其性能远远要优于简单模型。本实施例中构造了含有全连接、卷积、解码器-编码器的Self-Attention结构(自注意力机制)、softmax层的网络,12个layer,参数量约3百万个。本实施例中历史滑坡数据采用网上开源的滑坡数据,如新滩滑坡数据、八字门滑坡数据等,以及申请人单位所监测收集到的滑坡数据,共约35万条。
尽管所构造的大型神经网络模型平衡了各模型的缺点,性能出色,但如果直接将已训练的大型神经网络模型用于预警,一方面模型复杂度较高,引起计算量过大、参数众多,预警所花费时间较多,无法将其部署到实时生产环境中,并在合理的时间范围能获得预测值。另一方面对滑坡预警而言,各不同区域实际上存在不少出入,单个神经网络模型难以完全适用。因此采用知识蒸馏的方式得到小型神经网络模型,再通过特定区域内的滑坡数据样本对小型神经网络模型进行特定训练和微调,保证小型神经网络模型能够完全适用特定区域,降低复杂度的同时反而可提升特定区域的预警效果,泛用性极强。
知识蒸馏是一种模型压缩的方法,可使用大型模型的预测训练出一个较小的、可实时预测的模型,并且结果也更为准确。在知识蒸馏中,将大型神经网络模型利用所有数据计算出的预测,通过对softmax函数增加名为T的超参数获得soft-target,通常将T设置为大于1的数,这样便可以学习到原来大型神经网络的结果,同时能够压缩模型。
一个地区多次滑坡后由于其地形等整体发生变化,原模型中的参数需要进行更新,如果每次拿到新数据后各个地区都从头训练,由于模型本身的复杂度较高会导致训练成本增加,因此只需要对单个的大型神经网络模型保持一定频率的更新,同时随时提供小型神经网络模型进行微调即可,大幅降低了训练成本,易维护与更新。
S300:将滑坡风险区域划分为多个易滑坡点,采集已发生滑坡的各易滑坡点的历史滑坡数据,对历史滑坡数据进行预处理,采用预处理后各易滑坡点的历史滑坡数据对小型神经网络模型进行训练和微调,获得滑坡风险区域对应的小型神经网络模型。
由于滑坡数据均为时序数据,因此大型神经网络模型和小型神经网络模型分别采用LSTM、GRU或Transformer中的一种。滑坡风险区域划分通过遥感信息、水文特征、岩土结构进行,可采用人工方式进行,也可通过额外的神经网络模型进行分类。滑坡风险区域本身范围较大,易滑坡点本身较小,一个滑坡风险区域内通常包含多个易滑坡点,因此需要在滑坡风险区域内划分出多个易滑坡点。易滑坡点的一种划分方法为:依据滑坡风险区域内的地质灾害具体资料及历史地灾数据,采用GIS空间分析技术,具体而言,建立GIS灾害数据库,并采集海拔、坡度、坡向、水文特征、岩土结构等多个特征作为诱发因子,通过统计方法对诱发因子进行权重分析,再结合遥感信息,将具有高加权的点作为易滑坡点,并标注在遥感地图上。
S400:在滑坡风险区域内各易滑坡点内放置监测器,用于实时监测滑坡风险区域内的实时滑坡数据,包括滑坡体的位移量、位移变形速率、当前时间,对实时滑坡数据进行预处理,将处理后的实时滑坡数据放入已训练的小型神经网络模型,即可对对应的易滑坡点进行预警。
实施例2
本实施例中,步骤S400中的预警包括易滑坡点的位移变形速率预测和滑坡阶段分类。
对滑坡而言,位移变形速率本身与时间为非线性关系,但大多数情况下,速度倒数却和时间存在一定的线性关系,这样当神经网络预测出位移变形速率的倒数后,将位移变形速率与时间做成坐标图,并结合滑坡阶段分类图进行,更容易找到关联性。
为进一步说明所用速度倒数对比直接使用速度的优势,本实施例采用重庆某滑坡多发地监测的相关数据进行说明,通过图2所示的位移变形速率倒数-时间差图与图3所示的位移变形速率-时间差图作对比,其中时间差为每两个观测数据之间的时间间隔,单位:min。从图中可以看出,在如图4的位移-时间差图所示的滑坡阶段分类图中的匀速变形BC阶段,位移变形速率倒数-时间差图所对应部分对比更加清晰明显,而在后续的CD阶段,位移变形速率倒数-时间差图所对应部分的变化则趋势相对均匀,更易进行阶段划分。
由于需要进行阶段划分,所以需要更好地找准图4中C点,而从匀速变形BC阶段到CD的界限实际上相对模糊,所以如果阶段过渡趋势相对均匀,则更容易判断。但由于位移变形速率倒数-时间差图在匀速变形阶段各点之间的对比度较大,此时可能在临近C点处存在一到两个点的预测不精准,会对阶段划分判断造成极大的延误,传统的回归拟合方式精度不够,因此需要更加精准的神经网络预测位移速率,以减少判断延误。
见图4所示,滑坡阶段可简单划分为4个阶段BC、CD、DE、EF,对于这四个阶段可以做4种预案。通过位移变形速率来找到易滑坡点的当前滑坡阶段,并预测下一滑坡阶段的到来时间。相比目前简单地划分为未滑坡和已滑坡两个阶段,本发明滑坡阶段预警更为准确,有利于精准展开救援。
单点预警具有意外性,比如动植物或人为活动等因素造成的个别监测器所监测数据异常,从而导致对滑坡的误判,浪费救援资源;而阶段划分则为滑坡趋势预测,能减少因意外导致的误判,同时不同阶段可实施的救援方案并不相同,阶段划分也可直接对后续的救援方式具有指导意义。
图2和图3分别为重庆某滑坡多发地监测数据得到的位移变形速率-时间差图和位移变形速率倒数-时间差图。从图2-3可以看出,在没有较大噪音的情况下,两图对C点的评判比较准确,与初始观测时间相差约为8分钟。但在预测方面,位移变形速率-时间差图预测的时间差为14分钟,而位移变形速率倒数-时间差图预测的时间差为10分钟,后者比前者快了4分钟;通过对比可以发现,两者在没有噪音干扰的情况下对阶段的分割都比较精准,但位移速率倒数的预测相比位移速率更快,这样能够得到的反应时间更长。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
需要说明的是,不同实施例可能产生的有益效果不同,在不同的实施例里,可能产生的有益效果可以是以上任意一种或几种的组合,也可以是其他任何可能获得的有益效果。
上文已对基本概念做了描述,显然,对于本领域技术人员来说,上述详细披露仅仅作为示例,而并不构成对本说明书的限定。虽然此处并没有明确说明,本领域技术人员可能会对本说明书进行各种修改、改进和修正。该类修改、改进和修正在本说明书中被建议,所以该类修改、改进、修正仍属于本说明书示范实施例的精神和范围。
Claims (5)
1.一种高泛用性滑坡位移速率预警方法,其特征是,包括步骤:
S100:采集不同已滑坡地域在滑坡前后的历史滑坡数据,包括滑坡体的位移量、位移变形速率及滑坡发生时间,对历史滑坡数据进行预处理;
S200:采用预处理后的历史滑坡数据训练大型神经网络模型,对已训练的大型神经网络模型进行知识蒸馏,得到小型神经网络模型;
S300:将滑坡风险区域划分为多个易滑坡点,采集已发生滑坡的各易滑坡点的历史滑坡数据,对历史滑坡数据进行预处理,采用预处理后各易滑坡点的历史滑坡数据对小型神经网络模型进行训练和微调,获得滑坡风险区域对应的小型神经网络模型;
S400:将滑坡风险区域内各易滑坡点的实时滑坡数据进行预处理后,输入已训练的小型神经网络模型,即对对应的易滑坡点进行预警;所述实时滑坡数据包括滑坡体的位移量、位移变形速率及当前时间;
步骤S100、S300、S400中的预处理包括对滑坡数据中的位移量和位移变形速率进行滤波,之后对滤波后的位移变形速率求倒数。
2.如权利要求1所述的高泛用性滑坡位移速率预警方法,其特征是:
步骤S100中,历史滑坡数据包括各不同运动形式下已滑坡地域在滑坡前后的历史滑坡数据,不同运动形式包括直线型、波动型、渐进型和瞬间型。
3.如权利要求1所述的高泛用性滑坡位移速率预警方法,其特征是:
所述大型神经网络模型和所述小型神经网络模型采用长短期记忆网络模型(LSTM)、门控循环单元网络模型(GRU)或Transformer模型中的一种。
4.如权利要求1所述的高泛用性滑坡位移速率预警方法,其特征是:
所述滤波采用卡尔曼滤波。
5.如权利要求1所述的高泛用性滑坡位移速率预警方法,其特征是:
步骤S400中所述预警为易滑坡点的位移变形速率预测和/或滑坡阶段分类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210100710.6A CN114429189B (zh) | 2022-01-27 | 2022-01-27 | 一种高泛用性滑坡位移速率预警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210100710.6A CN114429189B (zh) | 2022-01-27 | 2022-01-27 | 一种高泛用性滑坡位移速率预警方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114429189A CN114429189A (zh) | 2022-05-03 |
CN114429189B true CN114429189B (zh) | 2023-06-27 |
Family
ID=81313626
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210100710.6A Active CN114429189B (zh) | 2022-01-27 | 2022-01-27 | 一种高泛用性滑坡位移速率预警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114429189B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115510578B (zh) * | 2022-09-26 | 2023-07-14 | 成都理工大学 | 基于InSAR近实时监测的滑坡失稳时间概率预测方法及产品 |
CN117132907A (zh) * | 2023-05-10 | 2023-11-28 | 淮南师范学院 | 一种基于深度学习的滑坡检测系统 |
CN117592000B (zh) * | 2024-01-16 | 2024-04-05 | 四川省华地建设工程有限责任公司 | 一种滑坡深部位移监测方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111199313A (zh) * | 2019-12-26 | 2020-05-26 | 航天信息股份有限公司 | 基于神经网络对滑坡累积位移趋势进行预测的方法及系统 |
CN112364719A (zh) * | 2020-10-23 | 2021-02-12 | 西安科锐盛创新科技有限公司 | 一种遥感图像目标快速检测方法 |
CN112417765A (zh) * | 2020-12-02 | 2021-02-26 | 华东理工大学 | 一种基于改进师生网络模型的污水处理过程故障检测方法 |
CN112488070A (zh) * | 2020-12-21 | 2021-03-12 | 上海交通大学 | 一种面向遥感图像目标检测的神经网络压缩方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180268292A1 (en) * | 2017-03-17 | 2018-09-20 | Nec Laboratories America, Inc. | Learning efficient object detection models with knowledge distillation |
-
2022
- 2022-01-27 CN CN202210100710.6A patent/CN114429189B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111199313A (zh) * | 2019-12-26 | 2020-05-26 | 航天信息股份有限公司 | 基于神经网络对滑坡累积位移趋势进行预测的方法及系统 |
CN112364719A (zh) * | 2020-10-23 | 2021-02-12 | 西安科锐盛创新科技有限公司 | 一种遥感图像目标快速检测方法 |
CN112417765A (zh) * | 2020-12-02 | 2021-02-26 | 华东理工大学 | 一种基于改进师生网络模型的污水处理过程故障检测方法 |
CN112488070A (zh) * | 2020-12-21 | 2021-03-12 | 上海交通大学 | 一种面向遥感图像目标检测的神经网络压缩方法 |
Non-Patent Citations (3)
Title |
---|
Wei Chen 等.Landslide susceptibility modeling based on ANFIS with teaching-learning-based optimization and Satin bowerbird optimizer.《Geoscience Frontiers》.2021,93-107. * |
李英 等.基于自组织特征映射神经网络的边坡稳定性评价.《水利水电技术》.2006,第37卷(第9期),20-22. * |
蹇宜霖.基于渐进式破坏的滑坡稳定性分析.《中国优秀硕士学位论文全文数据库 基础科学辑》.2019,(第01期),A011-28. * |
Also Published As
Publication number | Publication date |
---|---|
CN114429189A (zh) | 2022-05-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114429189B (zh) | 一种高泛用性滑坡位移速率预警方法 | |
CN110779746B (zh) | 改进深度稀疏自编码器网络旋转机械复合故障的诊断方法 | |
CN110633855A (zh) | 一种桥梁健康状态检测与管养决策系统及方法 | |
CN110442666B (zh) | 一种基于神经网络模型的矿产资源预测方法及系统 | |
CN109993100B (zh) | 基于深层特征聚类的人脸表情识别的实现方法 | |
CN112270355B (zh) | 基于大数据技术与sae-gru的主动安全预测方法 | |
CN112906858A (zh) | 一种船舶运动轨迹实时预测方法 | |
George et al. | Traffic prediction using multifaceted techniques: A survey | |
CN108831153A (zh) | 一种利用时空分布特性的交通流预测方法及装置 | |
CN109241227A (zh) | 基于stacking集成学习算法的时空数据预测建模方法 | |
CN110737267A (zh) | 一种无人船多目标优化方法及无人船智能综合管控系统 | |
Wang et al. | A light weight multisensory fusion model for induction motor fault diagnosis | |
CN115329853B (zh) | 一种基于多源域迁移的装备参数预测与知识转移方法 | |
de Freitas et al. | Using deep learning for trajectory classification | |
Woo et al. | Understanding the long-term emergence of autonomous vehicles technologies | |
CN115129030A (zh) | 一种基于模型与神经网络组合的无人机故障诊断系统 | |
Borz et al. | Classifying operational events in cable yarding by a machine learning application to GNSS-collected data: a case study on gravity-assisted downhill yarding. | |
Ayus et al. | Comparison of machine learning and deep learning techniques for the prediction of air pollution: a case study from China | |
CN115688952A (zh) | 一种基于大数据的校园拥堵区域预测方法 | |
CN113379135A (zh) | 基于云边协同计算的智能生产线产品质量低延迟集成预测方法和系统 | |
CN107146027A (zh) | 一种工厂智能预警系统 | |
Chen et al. | Travel time prediction on urban networks based on combining rough set with support vector machine | |
CN115270882A (zh) | 基于神经常微分方程的轻量化智能故障诊断方法及系统 | |
Priyadarshini et al. | Depleting Commuter Traffic: Significant Solution With Machine Learning Algorithms | |
Li et al. | HDSTF: A Hybrid Deep Spatio-Temporal Framework for Traffic Prediction |
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 |