CN114611777A - 基于堆叠式长短记忆网络的汛期水库入库流量预测方法 - Google Patents
基于堆叠式长短记忆网络的汛期水库入库流量预测方法 Download PDFInfo
- Publication number
- CN114611777A CN114611777A CN202210207729.0A CN202210207729A CN114611777A CN 114611777 A CN114611777 A CN 114611777A CN 202210207729 A CN202210207729 A CN 202210207729A CN 114611777 A CN114611777 A CN 114611777A
- Authority
- CN
- China
- Prior art keywords
- reservoir
- warehousing flow
- data
- model
- short memory
- 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 31
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 28
- 238000012549 training Methods 0.000 claims abstract description 19
- 238000012360 testing method Methods 0.000 claims abstract description 16
- 238000012545 processing Methods 0.000 claims abstract description 9
- 238000011156 evaluation Methods 0.000 claims abstract description 8
- 230000006870 function Effects 0.000 claims abstract description 8
- 238000012544 monitoring process Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000009826 distribution Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 230000002265 prevention Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- 238000012271 agricultural production Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000003631 expected effect Effects 0.000 description 1
- 230000004941 influx Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005065 mining Methods 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
- 238000007619 statistical method 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
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/17—Function evaluation by approximation methods, e.g. inter- or extrapolation, smoothing, least mean square method
-
- 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
- G06N3/04—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
- 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
- G06Q50/265—Personal security, identity or safety
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Development Economics (AREA)
- Primary Health Care (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Security & Cryptography (AREA)
- Databases & Information Systems (AREA)
- Algebra (AREA)
- Evolutionary Biology (AREA)
- Educational Administration (AREA)
- Bioinformatics & Computational Biology (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
Abstract
本发明涉及一种基于堆叠式长短记忆网络的汛期水库入库流量预测方法,获取水库流域关键站点降雨及水库水情数据,处理生成天尺度的水情数据,再处理成时间序列格式数据,用时间序列格式数据进行Stacked LSTM网络模型训练,得到入库流量预测模型,利用测试集来验证模型的性能,依据评估函数计算均方根误差,优化并选择最优模型为多步入库流量预测模型,预测未来k天的入库流量。该方法不仅提高了水库入库流量多步预测的准确度,而且模型泛化能力得到提高,更具有适用性。
Description
技术领域
本发明涉及多变量时间序列信息挖掘和水库安全预警技术领域,尤其涉及一种基于堆叠式长短记忆网络的汛期水库入库流量预测方法。
背景技术
我国发生的洪灾大部分都是由于强降雨造成的,降雨直接造成河流径流量的急促增长,严重的情况下甚至会造成水库的溃堤垮坝。此外,水资源还与我们的生活用水、农业生产等各方面息息相关。如何能根据这些历史水库水情数据来预测未来水库入库流量,已经成为各级防汛部门的需求。
目前的技术水平在入库流量预报中尚未达到预期的效果,入库流量的推测大部分依赖于水利专家,费时费力。经典的时间序列模型无法捕获时序数据中的复杂信息,并且多元技术很难扩展到大规模问题。入库流量预测是一个复杂困难的任务,具有许多影响因素,例如高噪声、非线性、长记忆性、非平稳性等性质,仅通过数学模型很难对其解释,因此,对于入库流量的分析和预测一直是一项非常具有挑战性的工作。
随着深度学习算法的兴起,神经网络在时间序列处理中的作用也日益突出。现有的利用神经网络模型预测的,除了需要普通的洪水数据,还需要流域的自然地理环境数据包括冻土深度、流域面积、植被覆盖率、土壤结构和气候特征,数据要求较完备苛刻容易受限;另外在处理时间序列上,未能充分考虑到序列的前后信息,预测能力不强。
发明内容
本发明的目的是为克服上述问题而提供了一种基于堆叠式长短记忆网络的汛期水库入库流量预测方法,有效地提高了水库安全和防汛抗旱的保障能力。
本发明采取的技术方案为:
基于堆叠式长短记忆网络的汛期水库入库流量预测方法,包括步骤如下:
S1.在水库流域内提取关键雨量监测站点,获取相应降雨及水库水情数据;
S2.分析数据分布情况,基于算法模型过滤时刻数据并生成天尺度的水情数据;
S3.根据堆叠式长短记忆网络入库流量预测模型Stacked LSTM对数据进行预处理:构建训练集和测试集,分别将训练集和测试集处理成时间序列格式数据,包括数据集样本个数维度、水库水情的特征维度和水库的入库流量预测输出维度;
S4.构建初始Stacked LSTM网络模型,用时间序列格式数据对初始网络模型进行训练,得到入库流量预测模型;
S5.利用测试集来验证模型的性能,依据评估函数计算均方根误差,优化并选择最优模型为多步入库流量预测模型,预测未来k天的入库流量。
上述预测方法中,步骤S3中根据堆叠式长短记忆网络入库流量预测模型对数据进行预处理,处理成相应的时间序列格式,如下所示:
Mi={It-n,It-n-1,…,It-1,It}
Nx={M1,M2,…,Mi,…,Ms}
Fo={Ot+1,Ot+2,…,Ot+k}
其中Mi表示第i维的输入序列向量,t是当前时间,n是回溯时间长度;Nx表示多输出序列的多输入向量,s是特征维度;O表示多输出序列的向量Fo,k是预报范围。
步骤S3所述的水库水情的特征维度是指水库水位、水库库容、水势、入库流量、出库流量、降雨量。
步骤S3中,训练集和测试集优选以4:1的比例划分。
步骤S5中,评估函数如下所示:
其中RMSE表示均方根误差,yi表示真实值,prei表示预测值,k表示模型预测步数(天数)。
步骤S5中,所述的预测天数优选4-7天,进一步优选5天。
基于堆叠式长短记忆网络的汛期水库入库流量预测装置,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述计算机程序被加载至处理器时实现上述的基于堆叠式长短记忆网络的汛期水库入库流量预测方法的步骤。
本发明的有益效果为:
本发明利用堆叠式长短记忆网络(Stacked LSTM)深度学习技术,更好地提取多变量时间序列中的复杂时序信息,可以通过提取造成水库流域内河流急促增长的洪水特征,有效地挖掘水情数据背后的信息,将隐含的地理环境数据融入到训练模型中,模型泛化能力得到提高,更具有适用性;使用Stacked LSTM深度学习算法技术构建入库流量多步预测模型,不仅提高了水库入库流量多步预测的准确度,而且提高了水库安全预警机制,降低了洪涝灾害对人造成的损失。该模型在技术上更容易实现与web服务结合,实验预测结果良好,满足生产环境需求,从而也实现了为防洪防旱部门监管提供强有力的技术服务支撑。
附图说明
图1为本发明预测方法的流程图。
具体实施方式
下面结合附图和实施例对本发明方法进一步说明。
实施例1
基于堆叠式长短记忆网络的汛期水库入库流量预测方法,包括步骤如下:
S1.在水库流域内提取与水库流域的径流量关联性较强的关键雨量监测站点,获取相应降雨及水库水情数据:先根据地形分析、河流汇入等特征确定水库流域边界;分析流域内雨量监测站点,利用异常检测算法筛选出符合数据要求的站点,在此基础上提取关键的雨量监测站点(不仅能表示整体流域内的降雨情况,而且与入库流量关系紧密相关),这些关键的雨量监测站点与水库流域的径流量关联性较强,水库流域内关联性强的监测站点的选择使用技术包括地形分析、GIS平台技术、大数据分析技术。
S2.分析数据分布情况,基于算法模型过滤时刻数据并生成天尺度的水情数据;对水情数据进行统计分析,进行填充数据缺失值。
S3.根据堆叠式长短记忆网络入库流量预测模型Stacked LSTM对数据进行预处理:构建训练集和测试集,分别将训练集和测试集处理成时间序列格式数据,包括数据集样本个数维度、水库水情的特征维度和水库的入库流量预测输出维度:最终生成的数据集包含R个样本,其中样本Xr={xr1,xr2,xr3,…,xrf}表示数据集中的第r个样本,r=1,2,3,…,R,R表示所有的数据集的个数,f表示水库水情的特征数据维度,包含水库水位、水库库容、水势、出库流量、入库流量、降雨量等等特征,最后一维特征数据为水库的入库流量预测输出;将数据集以4:1 的比例切分,从而生成训练集和测试集;分别将训练集和测试集处理成时间序列格式数据,时间序列格式数据表现形式如下所示:
Mi={It-n,It-n-1,…,It-1,It}
Nx={M1,M2,…,Mi,…,Ms}
Fo={Ot+1,Ot+2,…,Ot+k}
其中Mi表示第i维的输入序列向量,t是当前时间,n是回溯时间长度;Nx表示多输出序列的多输入向量,s是特征维度;O表示多输出序列的向量Fo,k是预报范围。
S4.构建初始Stacked LSTM网络模型,用时间序列格式数据对初始网络模型进行训练,得到入库流量预测模型。
S5.利用测试集来验证模型的性能,依据评估函数计算均方根误差:样本中Nx中第x个数据是网络模型的输入数据,目标输出是与输入数据对应的Fo数据;使用训练集训练模型,利用测试集来验证模型的性能,依据评估函数(RMSE)所得值调整模型参数;
评估函数如下所示:
其中RMSE表示均方根误差,yi表示真实值,prei表示预测值,k表示模型预测步数。
根据模型训练的最优参数和模型结构,构建汛期水库入库流量预测模型,获得未来5天的入库流量,存储到数据库中,供开发人员调用并展示到web页面。
实施例2
本发明施例的预测装置是在主频1.6GHZ的CPU、内存16GB的硬件环境和Python3.6, Keras2.2.4版本和Pycharm2016的软件环境下运行的。
本施例的待测水库为太河水库,采用太河水库流域的历史水情数据,历史数据是1994-01-10至2021-02-01,经过筛选选取2000-01-01至2021-02-01作为数据集,然后依据4:1的比例切分数据集,分别作为训练集和测试集;
预测装置,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述计算机程序被加载至处理器时实现上述的基于堆叠式长短记忆网络的汛期水库入库流量预测方法步骤。基于堆叠式长短记忆网络的汛期水库入库流量预测方法步骤如实施例1。
本实施例用本发明提出的方法与下述几种模型预测方法进行比较,使用评估指标(RMSE) 来衡量模型的预测能力,比较结果如下表所示:
表1三种模型预测比较
从表1中可以看出,对于太河水库入库流量的预测,本发明方法明显比其他两模型的预测能力更加突出;实验结果分析,本发明方法较Holt-Winters模型而言,RMSE值明显降低了12.97%,从而证明在增加水库水情特征后,入库流量的预测能力得到了显著的提高。
以上仅是结合实施例对本发明进行了详细的说明,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发明的保护范围。
Claims (8)
1.基于堆叠式长短记忆网络的汛期水库入库流量预测方法,其特征是,包括步骤如下:
S1.在水库流域内提取关键雨量监测站点,获取相应降雨及水库水情数据;
S2.分析数据分布情况,基于算法模型过滤时刻数据并生成天尺度的水情数据;
S3.根据堆叠式长短记忆网络入库流量预测模型Stacked LSTM对数据进行预处理:构建训练集和测试集,分别将训练集和测试集处理成时间序列格式数据,包括数据集样本个数维度、水库水情的特征维度和水库的入库流量预测输出维度;
S4.构建初始Stacked LSTM网络模型,用时间序列格式数据对初始网络模型进行训练,得到入库流量预测模型;
S5.利用测试集来验证模型的性能,依据评估函数计算均方根误差,优化并选择最优模型为多步入库流量预测模型,预测未来k天的入库流量。
2.根据权利要求1所述的基于堆叠式长短记忆网络的汛期水库入库流量预测方法,其特征是,步骤S3中根据堆叠式长短记忆网络入库流量预测模型对数据进行预处理,处理成相应的时间序列格式,如下所示:
Mi={It-n,It-n-1,...,It-1,It}
Nx={M1,M2,…,Mi,…,Ms}
Fo={Ot+1,Ot+2,...,Ot+k}
其中Mi表示第i维的输入序列向量,t是当前时间,n是回溯时间长度;Nx表示多输出序列的多输入向量,s是特征维度;O表示多输出序列的向量Fo,k是预报范围。
3.根据权利要求1所述的基于堆叠式长短记忆网络的汛期水库入库流量预测方法,其特征是,步骤S3所述的水库水情的特征维度是指水库水位、水库库容、水势、入库流量、出库流量、降雨量。
4.根据权利要求1所述的基于堆叠式长短记忆网络的汛期水库入库流量预测方法,其特征是,步骤S3中,训练集和测试集以4:1的比例划分。
6.根据权利要求1所述的基于堆叠式长短记忆网络的汛期水库入库流量预测方法,其特征是,步骤S5中,所述的预测天数为4-7天。
7.根据权利要求6所述的基于堆叠式长短记忆网络的汛期水库入库流量预测方法,其特征是,步骤S5中,所述的预测天数为5天。
8.基于堆叠式长短记忆网络的汛期水库入库流量预测装置,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征是,所述计算机程序被加载至处理器时实现权利要求1-7所述的基于堆叠式长短记忆网络的汛期水库入库流量预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210207729.0A CN114611777A (zh) | 2022-03-04 | 2022-03-04 | 基于堆叠式长短记忆网络的汛期水库入库流量预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210207729.0A CN114611777A (zh) | 2022-03-04 | 2022-03-04 | 基于堆叠式长短记忆网络的汛期水库入库流量预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114611777A true CN114611777A (zh) | 2022-06-10 |
Family
ID=81861963
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210207729.0A Pending CN114611777A (zh) | 2022-03-04 | 2022-03-04 | 基于堆叠式长短记忆网络的汛期水库入库流量预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114611777A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116258278A (zh) * | 2023-05-10 | 2023-06-13 | 青岛研博数据信息技术有限公司 | 构建的水位库容推演方法、系统及其设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109840587A (zh) * | 2019-01-04 | 2019-06-04 | 长江勘测规划设计研究有限责任公司 | 基于深度学习的水库入库流量预测方法 |
CN111598724A (zh) * | 2020-05-19 | 2020-08-28 | 四川革什扎水电开发有限责任公司 | 一种中小水库入库流量日前预测的分时段集成方法 |
CN111736636A (zh) * | 2020-07-10 | 2020-10-02 | 国电大渡河枕头坝发电有限公司 | 一种基于知识图谱的水淹水车室预警方法及系统 |
CN113128666A (zh) * | 2021-03-31 | 2021-07-16 | 西安理工大学 | 基于Mo-S-LSTMs模型的时间序列多步预测方法 |
US20220061236A1 (en) * | 2020-08-25 | 2022-03-03 | The Board Of Trustees Of The University Of Illinois | Accessing agriculture productivity and sustainability |
-
2022
- 2022-03-04 CN CN202210207729.0A patent/CN114611777A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109840587A (zh) * | 2019-01-04 | 2019-06-04 | 长江勘测规划设计研究有限责任公司 | 基于深度学习的水库入库流量预测方法 |
CN111598724A (zh) * | 2020-05-19 | 2020-08-28 | 四川革什扎水电开发有限责任公司 | 一种中小水库入库流量日前预测的分时段集成方法 |
CN111736636A (zh) * | 2020-07-10 | 2020-10-02 | 国电大渡河枕头坝发电有限公司 | 一种基于知识图谱的水淹水车室预警方法及系统 |
US20220061236A1 (en) * | 2020-08-25 | 2022-03-03 | The Board Of Trustees Of The University Of Illinois | Accessing agriculture productivity and sustainability |
CN113128666A (zh) * | 2021-03-31 | 2021-07-16 | 西安理工大学 | 基于Mo-S-LSTMs模型的时间序列多步预测方法 |
Non-Patent Citations (1)
Title |
---|
养生的控制人: ""水电站入库流量预测Baseline"", 《知乎,链接:HTTPS://ZHUANLAN.ZHIHU.COM/P/264801614》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116258278A (zh) * | 2023-05-10 | 2023-06-13 | 青岛研博数据信息技术有限公司 | 构建的水位库容推演方法、系统及其设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kisi et al. | River suspended sediment estimation by climatic variables implication: Comparative study among soft computing techniques | |
Marofi et al. | Predicting spatial distribution of snow water equivalent using multivariate non-linear regression and computational intelligence methods | |
Darabi et al. | Urban flood risk mapping using data-driven geospatial techniques for a flood-prone case area in Iran | |
CN111915058B (zh) | 基于长短时记忆网络和迁移学习的洪水预测方法与装置 | |
CN110738355B (zh) | 一种基于神经网络的城市内涝预测方法 | |
Hoang et al. | Spatial prediction of rainfall-induced shallow landslides using gene expression programming integrated with GIS: a case study in Vietnam | |
Danandeh Mehr | Drought classification using gradient boosting decision tree | |
Brunner et al. | Extreme floods in Europe: going beyond observations using reforecast ensemble pooling | |
CN114821976B (zh) | 一种多要素岩溶塌陷的智能预报系统 | |
Mohammad-Azari et al. | State-of-art of genetic programming applications in water-resources systems analysis | |
Ng et al. | Comparisons of traditional and novel stochastic models for the generation of daily precipitation occurrences | |
Aghelpour et al. | Forecasting different types of droughts simultaneously using multivariate standardized precipitation index (MSPI), MLP neural network, and imperialistic competitive algorithm (ICA) | |
Kabir et al. | A machine learning approach for forecasting and visualising flood inundation information | |
Kolachian et al. | Hydrological drought class early warning using support vector machines and rough sets | |
Teegavarapu | Changes and trends in precipitation extremes and characteristics: Links to climate variability and change | |
CN115796376A (zh) | 基于深度学习的堰塞坝稳定性及溃决参数快速预测方法 | |
Costache et al. | Stacking state-of-the-art ensemble for flash-flood potential assessment | |
CN114611777A (zh) | 基于堆叠式长短记忆网络的汛期水库入库流量预测方法 | |
Gowtham Sethupathi et al. | Efficient rainfall prediction and analysis using machine learning techniques | |
Van Nguyen et al. | Comparison of machine learning techniques for condition assessment of sewer network | |
Zahraie et al. | SST clustering for winter precipitation prediction in southeast of Iran: Comparison between modified K-means and genetic algorithm-based clustering methods | |
Liu et al. | Rainfall estimation using measurement report data from time-division long term evolution networks | |
CN112200363A (zh) | 一种滑坡的预测方法、装置、设备和存储介质 | |
Ramli et al. | Linear regression analysis using log transformation model for rainfall data in water resources management Krueng Pase, Aceh, Indonesia | |
Aoulmi et al. | Runoff predictions in a semiarid watershed by convolutional neural networks improved with metaheuristic algorithms and forced with reanalysis and climate 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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220610 |
|
RJ01 | Rejection of invention patent application after publication |