CN114548249A - 一种基于机器学习的小麦白粉病发生程度预测方法 - Google Patents

一种基于机器学习的小麦白粉病发生程度预测方法 Download PDF

Info

Publication number
CN114548249A
CN114548249A CN202210135885.0A CN202210135885A CN114548249A CN 114548249 A CN114548249 A CN 114548249A CN 202210135885 A CN202210135885 A CN 202210135885A CN 114548249 A CN114548249 A CN 114548249A
Authority
CN
China
Prior art keywords
data
powdery mildew
wheat powdery
machine learning
occurrence degree
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
CN202210135885.0A
Other languages
English (en)
Inventor
周益林
聂晓
范洁茹
刘伟
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.)
Institute of Plant Protection of Chinese Academy of Agricultural Sciences
Original Assignee
Institute of Plant Protection of Chinese Academy of Agricultural Sciences
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 Institute of Plant Protection of Chinese Academy of Agricultural Sciences filed Critical Institute of Plant Protection of Chinese Academy of Agricultural Sciences
Priority to CN202210135885.0A priority Critical patent/CN114548249A/zh
Publication of CN114548249A publication Critical patent/CN114548249A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • 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
    • G06F18/211—Selection of the most significant subset of features
    • G06F18/2113—Selection of the most significant subset of features by ranking or filtering the set of features, e.g. using a measure of variance or of feature cross-correlation
    • 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
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • 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
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • 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
    • G06N3/04—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
    • 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
    • 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
    • G06Q50/02—Agriculture; Fishing; Forestry; Mining
    • 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)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Primary Health Care (AREA)
  • Mining & Mineral Resources (AREA)
  • Animal Husbandry (AREA)
  • Agronomy & Crop Science (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于机器学习的小麦白粉病发生程度预测方法，该方法包含以下步骤：获取小麦白粉病病情资料和相关气象资料；将小麦白粉病病情资料划为3类，利用过拟合方法将各类数据补齐，并对数据进行标准化；通过特征工程对气象资料进行筛选，得到适合的预测因子；利用筛选后的预测因子，构建基于机器学习的小麦白粉病发生程度的分类预测模型，并对其进行验证。获得了适用范围广、准确性高的基于人工神经网络的小麦白粉病发生程度预测模型，本发明可为小麦白粉病防治提供技术支撑。

Description

一种基于机器学习的小麦白粉病发生程度预测方法
(一)技术领域
本发明“一种基于机器学习的小麦白粉病发生程度预测方法”可用于小麦白粉病发生程度的预测，属于植物病害领域。
(二)背景技术
小麦白粉病是由专性寄生真菌Blumeria graminis f.sp.tritici引起的气传性病害，在世界各小麦种植区内广泛发生。现已成为我国20多个省(直辖市)小麦生产上的常发性病害之一。近年来，每年的发生面积一直保持在600-1000万公顷。小麦白粉病发生早且重的情况下，会严重影响小麦的生长发育，造成小麦分蘖数、成穗数和穗粒数等减少，千粒重下降，导致小麦产量降低，严重流行年份产量损失可达30％以上，甚至绝产。
病害预测是病害防治的重要依据，建立准确性较高的预测模型对小麦白粉病的防控有重要意义。前人在小麦白粉病的预测预报研究方面确实做了不少工作，其方法主要包括经验法或类比法、数理统计模型、系统模拟模型、专家评估、专家系统等。但已有的这些预测方法各自均存在不同的缺点或缺陷，以小麦白粉病建模研究较多的数理统计模型为例，由于其应用受地域限制，普适性差，所以严重影响此类模型预测准确性和实用性，因此对于小麦白粉病的预测来说，急需适用范围广且准确性高的预测方法。
机器学习是一门多领域交叉学科，能通过训练并优化构建适应于样本规律的预测模型，帮助人们展示样本发生发展的基本规律，发掘各个数据间人们难以注意的隐藏关系，指导人们对样本的发展趋势做出准确高效的预测，因此机器学习在病虫害预测预报特别是小麦白粉病建模中的应用，为解决原有的预测预报方法存在问题提供了有效的工具。从已有的研究文献报道可发现，目前机器学习用于小麦白粉病的预测研究还比较少。
(三)发明内容
技术问题
本发明的目的是运用机器学习算法建立小麦白粉病发生程度的预测模型。该方法能够有效提升小麦白粉病发生程度预测模型的普适性、准确率性、实用性等，从而为小麦白粉病发生程度的预测模型在生产上大面积应用奠定基础。
本发明的目的是通过以下技术方案实现的：
步骤一：获取小麦白粉病病情资料和相关气象资料；
步骤二：将小麦白粉病病情资料划为3类，利用过拟合方法将各类数据补齐，并对数据进行标准化；
步骤三：通过特征工程中的方差过滤方法对气象资料进行筛选，得到合适的预测因子；
步骤四：利用筛选后的预测因子，构建基于机器学习的小麦白粉病发生程度分类预测模型，并对其进行验证。
本发明内容
基于人工神经网络的小麦白粉病发生程度预测方法，包括：
步骤一：获取小麦白粉病病情资料和相关气象资料
小麦白粉病病情资料：选取四川南充(1985-1995，2009-2021)、巴中(1980-1995，2009-2019)和江油(2020和2021)、河南南阳(1981-1996，2009-2019)、安阳(1991-2000，2009-2019)、唐河(2020和2021)、新乡(2020和2021)和原阳(2020和2021)，山东章丘(1982-1996，2012-2018)和淄博(2020和2021)，江苏高邮(1981-1999)、睢宁(1981-1996)、徐州(2020和2021)和扬州(2020和2021)，安徽六安(2020和2021)和庐江(2020和 2021)共172个数据。
气象数据：选取小麦扬花期初始日期为起点，以5d为一个时间段，分别选择小麦扬花期前1～5d、6～10d、11～15d、16～20d、21～25d和26～30d的平均气温(X1、X5、X9、 X13、X17、X21)、平均降水量(X2、X6、X10、X14、X18、X22)、平均相对湿度(X3、X7、 X11、X15、X19、X23)和平均日照时间(X4、X8、X12、X16、X20、X24)。
步骤二：将小麦白粉病病情资料划为3类，利用过拟合方法将各类数据补齐，并对数据进行标准化
将各地172个病情资料按发生程度分3类：0、1、2级划分为不发生或轻发生，共96个； 3级划分为中等发生，共42个；发生程度为4，5级划分为重发生，共34个。将病情资料与气象数据结合，利用过拟合方法将各类数据补齐，将每类数据均补为96，共得到288类数据。对这288类数据进行标准化，数据标准化的方法为新数据＝(原数据-所有样本均值)/标准差。
步骤三：通过特征工程对气象资料进行筛选，得到合适的预测因子。
通过特征工程中的方差过滤处理288类数据，筛选得到适合的预测因子。
步骤四：利用筛选后的预测因子，构建一种基于机器学习的小麦白粉病发生程度的分类预测模型，并对其进行验证
利用上述筛选出的两个预测因子，将病情资料和气象资料按9∶1分为训练集和测试集，通过机器学习方法(K-近邻、随机森林、支持向量机和人工神经网络等)建立小麦白粉病发生程度的分类预测模型并对其进行检验，检验方法为：准确性(％)＝测试集分类正确数/测试集总数*100％。
有效结果
本发明基于一种机器学习的小麦白粉病发生程度预测方法，即通过对四种机器学习方法筛选检验，建立了基于人工神经网络的小麦白粉病发生程度预测方法，此方法可用来预测全国各地的小麦白粉病发生程度，与国内外现有方法相比，本发明具有以下的技术优势：
1)预测因子符合流行学规律，适用性好，并易于获取。
2)预测模型适用范围广，准确性高，能够对全国各地的小麦白粉病发生程度进行预测。
具体实施方式
实施例：基于人工神经网络的小麦白粉病发生程度预测方法
步骤一：获取小麦白粉病病情资料和相关气象资料
小麦白粉病病情资料：选取四川南充(1985-1995，2009-2021)、巴中(1980-1995，2009-2019)和江油(2020和2021)、河南南阳(1981-1996，2009-2019)、安阳(1991-2000，2009-2019)、唐河(2020和2021)、新乡(2020和2021)和原阳(2020和2021)，山东章丘(1982-1996，2012-2018)和淄博(2020和2021)，江苏高邮(1981-1999)、睢宁(1981-1996)、徐州(2020和2021)和扬州(2020和2021)，安徽六安(2020和2021)和庐江(2020和 2021)共172个数据。
气象数据：选取小麦扬花期初始日期为起点，以5d为一个时间段，分别选择小麦扬花期前1～5d、6～10d、11～15d、16～20d、21～25d和26～30d的平均气温(X1、X5、X9、 X13、X17、X21)、平均降水量(X2、X6、X10、X14、X18、X22)、平均相对湿度(X3、X7、 X11、X15、X19、X23)和平均日照时间(X4、X8、X12、X16、X20、X24)。
步骤二：将小麦白粉病病情资料划为3类，利用过拟合方法将各类数据补齐，并对数据进行标准化
将各地172个病情资料按发生程度分3类：0、1、2级划分为不发生或轻发生，共96个；3级划分为中等发生，共42个；发生程度为4，5级划分为重发生，共34个。将病情资料与气象数据结合，利用过拟合方法将各类数据补齐，将每类数据均补为96，共得到288类数据。对这288类数据进行标准化，数据标准化的方法为新数据＝(原数据-所有样本均值)/标准差。
步骤三：通过特征工程对气象资料进行筛选，得到合适的预测因子；
通过特征工程中的方差过滤处理288数据，得到：抽穗期前6-10天平均相对湿度(X7)、抽穗期前11-15天平均相对湿度(X11)、抽穗期前16-20天平均相对湿度(X15)和抽穗期前 26-30天平均相对湿度(X23)这4个因子；将抽穗期前6-10天平均相对湿度(X7)、抽穗期前11-15天平均相对湿度(X11)和抽穗期前16-20天平均相对湿度(X15)进行合并，最终得到小麦抽穗期前6-20天平均相对湿度，小麦抽穗期前26-30天平均相对湿度这两个预测因子。步骤四：利用筛选后的预测因子，构建基于人工神经网络的小麦白粉病发生程度的分类预测模型，并对其进行验证
本实施方式中一种基于机器学习的小麦白粉病发生程度预测方法，所述全连接神经网络共有5层，包括一个输入层、三个隐含层和一个输出层；采用relu激活函数，优化函数为1bfgs。该全连接神经网络的输入为小麦抽穗期前6-20天平均相对湿度，小麦抽穗期前26-30天平均相对湿度这两个预测因子，输出为轻发生或不发生、中等发生和重发生3类。训练好的模型对于小麦白粉病发生程度的预测准确性可达83％。
附图说明
图1为一种基于机器学习的小麦白粉病发生程度预测方法的流程图。

Claims (5)

1.“一种基于机器学习的小麦白粉病发生程度预测方法”，具体包含以下步骤：
获取小麦白粉病病情资料和气象资料；
将小麦白粉病病情资料划为3类，并利用过拟合方法将各类数据补齐，并对数据进行标准化；
通过特征工程中的方差过滤方法对气象资料进行筛选，得到合适的预测因子；
利用筛选后的预测因子，构建基于机器学习的小麦白粉病发生程度的分类预测模型，并对其进行验证。
2.根据权利要求1所述方法，所述获取小麦白粉病病情资料包括：
小麦白粉病病情资料包括：四川南充(1985-1995，2009-2021)、巴中(1980-1995，2009-2019)和江油(2020和2021)、河南南阳(1981-1996，2009-2019)、安阳(1991-2000，2009-2019)、唐河(2020和2021)、新乡(2020和2021)和原阳(2020和2021)，山东章丘(1982-1996，2012-2018)和淄博(2020和2021)，江苏高邮(1981-1999)、睢宁(1981-1996)、徐州(2020和2021)和扬州(2020和2021)，安徽六安(2020和2021)和庐江(2020和2021)共172个数据；
相应的气象资料如气温、降水量、湿度、光照时数等来自于国家气象信息中(网站：http：//data.cma.cn/site/index.html)。
3.根据权利要求1所述方法，所述将小麦白粉病病情资料划为3类，并利用过拟合方法将各类数据补齐，并对数据进行标准化包括：
将小麦白粉病病情资料划为3类，具体为：将发生程度为0、1、2级划分为不发生或轻发生，发生程度为3级划分为中等发生，发生程度为4、5级划分为重发生；
利用机器学习中处理样本不均衡问题的过拟合方法，将数据补齐；
数据标准化的方法为新数据＝(原数据-所有样本均值)/标准差。
4.根据权利要求1所述方法，所述通过机器学习方法对气象资料进行筛选，得到合适的预测因子包括：
通过机器学习特征工程(方差过滤、卡方过滤)等方法对气象资料进行筛选，选取合适的预测因子。
5.根据权利要求1所述方法，所述利用筛选后的预测因子，构建基于机器学习的小麦白粉病发生程度的分类预测模型，并对其进行验证包括：
利用上述筛选出的两个预测因子，将病情资料和气象资料按9∶1分为训练集和测试集，通过机器学习方法(K-近邻、随机森林、支持向量机、人工神经网络等)建立小麦白粉病发生程度的分类预测模型；
构建的模型为分类模型，其准确性验证方法为：准确性(％)＝测试集分类正确数/测试集总数*100％。
CN202210135885.0A 2022-02-15 2022-02-15 一种基于机器学习的小麦白粉病发生程度预测方法 Pending CN114548249A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210135885.0A CN114548249A (zh) 2022-02-15 2022-02-15 一种基于机器学习的小麦白粉病发生程度预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210135885.0A CN114548249A (zh) 2022-02-15 2022-02-15 一种基于机器学习的小麦白粉病发生程度预测方法

Publications (1)

Publication Number Publication Date
CN114548249A true CN114548249A (zh) 2022-05-27

Family

ID=81675991

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210135885.0A Pending CN114548249A (zh) 2022-02-15 2022-02-15 一种基于机器学习的小麦白粉病发生程度预测方法

Country Status (1)

Country Link
CN (1) CN114548249A (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104408307A (zh) * 2014-11-25 2015-03-11 河南农业大学 田间小麦白粉病发病程度的快速监测方法及其监测模型的构建方法
CN106053725A (zh) * 2016-05-26 2016-10-26 南京信息工程大学 一种设施葡萄叶片白粉病潜势预报方法
CN106845544A (zh) * 2017-01-17 2017-06-13 西北农林科技大学 一种基于粒子群与支持向量机的小麦条锈病预测方法
CN108596104A (zh) * 2018-04-26 2018-09-28 安徽大学 一种带有病害特征预处理功能的小麦白粉病遥感监测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104408307A (zh) * 2014-11-25 2015-03-11 河南农业大学 田间小麦白粉病发病程度的快速监测方法及其监测模型的构建方法
CN106053725A (zh) * 2016-05-26 2016-10-26 南京信息工程大学 一种设施葡萄叶片白粉病潜势预报方法
CN106845544A (zh) * 2017-01-17 2017-06-13 西北农林科技大学 一种基于粒子群与支持向量机的小麦条锈病预测方法
CN108596104A (zh) * 2018-04-26 2018-09-28 安徽大学 一种带有病害特征预处理功能的小麦白粉病遥感监测方法

Similar Documents

Publication Publication Date Title
CN105069525B (zh) 全天候96点日负荷曲线预测及优化修正系统
WO2021174971A1 (zh) 一种水环境风险预测预警方法
Dumitru et al. Solar photovoltaic energy production forecast using neural networks
CN108417033B (zh) 基于多维因素的高速路交通事故分析预测方法
Zhu et al. Investigation of nearby monitoring station for hourly PM2. 5 forecasting using parallel multi-input 1D-CNN-biLSTM
CN111339092B (zh) 一种基于深度学习的多尺度空气质量预报方法
CN109446243B (zh) 一种基于大数据分析检测光伏电站发电异常的方法
CN117592823B (zh) 一种土木建筑污水处理方法及系统
CN108964023A (zh) 一种用于电网的母线电压态势短期预测方法及系统
CN113393028A (zh) 一种基于数据挖掘技术的负荷预测方法
CN110852496A (zh) 一种基于lstm循环神经网络的天然气负荷预测方法
Fu et al. An innovative decision making method for air quality monitoring based on big data-assisted artificial intelligence technique
Zhao et al. A review of macroscopic carbon emission prediction model based on machine learning
CN109446394A (zh) 针对网络舆情事件的基于模块化的舆情监测方法及系统
CN114548249A (zh) 一种基于机器学习的小麦白粉病发生程度预测方法
Li [Retracted] Optimization and Application of Random Forest Algorithm for Applied Mathematics Specialty
Zhou et al. A Probabilistic Copula-Based Fault Detection Method With TrAdaBoost Strategy for Industrial IoT
CN116796291A (zh) 一种基于lstm-mea-svr空气质量预报的系统
Mao et al. Naive Bayesian algorithm classification model with local attribute weighted based on KNN
Can et al. A literature review on the use of genetic algorithms in data mining
Liu et al. Time series forecasting fusion network model based on prophet and improved LSTM
Liu et al. Construction of a Nonlinear Model of Tourism Economy Forecast Based on Wireless Sensor Network from the Perspective of Digital Economy
CN112052430A (zh) 一种基于改进topsis的光伏场站相关性综合评估系统
Qian et al. Research on multi-source data fusion in the field of atmospheric environmental monitoring
Lu et al. A feature extraction method based on BSO algorithm for flight data

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