CN114638411A - 二氧化碳浓度预测方法、装置、设备及介质 - Google Patents
二氧化碳浓度预测方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN114638411A CN114638411A CN202210237353.8A CN202210237353A CN114638411A CN 114638411 A CN114638411 A CN 114638411A CN 202210237353 A CN202210237353 A CN 202210237353A CN 114638411 A CN114638411 A CN 114638411A
- Authority
- CN
- China
- Prior art keywords
- carbon emission
- carbon
- carbon dioxide
- dioxide concentration
- data
- 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
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 title claims abstract description 330
- 229910002092 carbon dioxide Inorganic materials 0.000 title claims abstract description 165
- 239000001569 carbon dioxide Substances 0.000 title claims abstract description 165
- 238000000034 method Methods 0.000 title claims abstract description 61
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims abstract description 293
- 229910052799 carbon Inorganic materials 0.000 claims abstract description 293
- 238000012937 correction Methods 0.000 claims abstract description 80
- 238000012549 training Methods 0.000 claims abstract description 79
- 238000005457 optimization Methods 0.000 claims abstract description 75
- 230000009466 transformation Effects 0.000 claims abstract description 19
- 239000011159 matrix material Substances 0.000 claims description 35
- 239000013598 vector Substances 0.000 claims description 21
- 239000003245 coal Substances 0.000 claims description 18
- 238000005070 sampling Methods 0.000 claims description 8
- 238000000354 decomposition reaction Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims 1
- 238000013507 mapping Methods 0.000 description 14
- 230000008569 process Effects 0.000 description 14
- 238000004590 computer program Methods 0.000 description 13
- 230000009286 beneficial effect Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 241000699670 Mus sp. Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000006386 neutralization reaction Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 239000004065 semiconductor Substances 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
- 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
- G01N33/0004—Gaseous mixtures, e.g. polluted air
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0027—General constructional details of gas analysers, e.g. portable test equipment concerning the detector
- G01N33/0036—General constructional details of gas analysers, e.g. portable test equipment concerning the detector specially adapted to detect a particular component
- G01N33/004—CO or CO2
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Game Theory and Decision Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Combustion & Propulsion (AREA)
- Evolutionary Biology (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了二氧化碳浓度预测方法、装置、设备及介质，所述方法包括：获取第一型号锅炉对应的第一碳排放数据和第二型号锅炉对应的第二碳排放数据；分别对第一碳排放数据和第二碳排放数据进行特征变换，得到第一碳排放样本集和第二碳排放样本集；计算第一碳排放样本集和第二碳排放样本集之间的校正优化参数；依据第一碳排放设备对应的训练数据集和校正优化参数，构建二氧化碳浓度预测模型；根据第二碳排放设备对应的待预测数据集、校正优化参数和二氧化碳浓度预测模型，预测第二碳排放设备排放的二氧化碳浓度。本申请解决了现有技术中由于碳排放设备的型号差异而导致二氧化碳浓度预测准确度低的技术问题。
Description
技术领域
本申请涉及机器学习技术领域，尤其涉及一种二氧化碳浓度预测方法、装置、设备及介质。
背景技术
碳中和的一个有效途径是碳交易，而碳交易的前提是准确的碳监测。对于没有安装碳监测设备的碳排放设备，可以利用已有数据进行预测碳排放设备向外排出的二氧化碳浓度，因此需要准确建立预测模型来预测二氧化碳浓度。但是对于不同型号的碳排放设备，碳排放数据的数据分布可能会发生很大变化，所以根据随机采集的训练样本直接构建的二氧化碳浓度预测模型的泛化性较差，从而将导致训练过程中采用的训练样本集与预测过程中的预测样本集在数据分布上存在较大差异，影响二氧化碳浓度预测的准确度。
发明内容
本申请的主要目的在于提供一种二氧化碳浓度预测方法、装置、设备及介质，旨在解决由于碳排放设备的型号差异而导致二氧化碳浓度预测准确度低的技术问题。
为实现上述目的，本申请提供一种二氧化碳浓度预测方法，所述二氧化碳浓度预测方法包括：
获取第一碳排放设备对应的第一碳排放数据和第二碳排放设备对应的第二碳排放数据，其中，所述第一碳排放设备和所述第二碳排放设备的型号不同；
分别对所述第一碳排放数据和所述第二碳排放数据进行特征变换，得到所述第一碳排放数据对应的第一碳排放样本集和所述第二碳排放数据对应的第二碳排放样本集；
计算所述第一碳排放样本集和所述第二碳排放样本集之间的校正优化参数，其中，所述校正优化参数用于将所述第一碳排放设备产生的碳排放数据的数据分布和所述第二碳排放设备产生碳排放数据的数据分布校正至一致；
获取所述第一碳排放设备对应的训练数据集，根据所述训练数据集和所述校正优化参数，构建二氧化碳浓度预测模型；
获取所述第二碳排放设备对应的待预测数据集，根据所述待预测数据集、所述校正优化参数和所述二氧化碳浓度预测模型，预测所述第二碳排放设备排放的二氧化碳浓度，得到二氧化碳浓度预测结果。
本申请还提供一种二氧化碳浓度预测装置，所述二氧化碳浓度预测装置包括：
获取模块，用于获取第一碳排放设备对应的第一碳排放数据和第二碳排放设备对应的第二碳排放数据，其中，所述第一碳排放设备和所述第二碳排放设备的型号不同；
分别对所述第一碳排放数据和所述第二碳排放数据进行特征变换，得到所述第一碳排放数据对应的第一碳排放样本集和所述第二碳排放数据对应的第二碳排放样本集；
校正参数确定模块，用于计算所述第一碳排放样本集和所述第二碳排放样本集之间的校正优化参数；
模型构建模块，用于获取所述第一碳排放设备对应的训练数据集，根据所述训练数据集和所述校正优化参数，构建二氧化碳浓度预测模型；
预测模块，用于获取所述第二碳排放设备对应的待预测数据集，根据所述待预测数据集、所述校正优化参数和所述二氧化碳浓度预测模型，预测所述第二碳排放设备排放的二氧化碳浓度，得到二氧化碳浓度预测结果。
本申请还提供一种电子设备，所述电子设备包括：存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的所述二氧化碳浓度预测方法的程序，所述二氧化碳浓度预测方法的程序被处理器执行时可实现如上述的二氧化碳浓度预测方法的步骤。
本申请还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有实现二氧化碳浓度预测方法的程序，所述二氧化碳浓度预测方法的程序被处理器执行时实现如上述的二氧化碳浓度预测方法的步骤。
本申请还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述的二氧化碳浓度预测方法的步骤。
本申请提供了一种二氧化碳浓度预测方法、装置、设备及介质，相比于现有技术中采用的根据随机采集的训练样本直接构建的二氧化碳浓度预测模型来进行二氧化碳浓度预测的技术手段，本申请首先获取第一碳排放设备对应的第一碳排放数据和第二碳排放设备对应的第二碳排放数据，其中，所述第一碳排放设备和所述第二碳排放设备的型号不同；分别对所述第一碳排放数据和所述第二碳排放数据进行特征变换，得到所述第一碳排放数据对应的第一碳排放样本集和所述第二碳排放数据对应的第二碳排放样本集；计算所述第一碳排放样本集和所述第二碳排放样本集之间的校正优化参数，其中，所述校正优化参数用于将所述第一碳排放设备产生的碳排放数据的数据分布和所述第二碳排放设备产生碳排放数据的数据分布校正至一致；获取所述第一碳排放设备对应的训练数据集，根据所述训练数据集和所述校正优化参数，构建二氧化碳浓度预测模型，也即根据校正优化参数，将训练数据集校正至预设数据分布后，再构建对应的二氧化碳浓度预测模型；获取所述第二碳排放设备对应的待预测数据集，根据所述待预测数据集、所述校正优化参数和所述二氧化碳浓度预测模型，预测所述第二碳排放设备排放的二氧化碳浓度，得到二氧化碳浓度预测结果，也即将待预测数据集校正至预设数据分布后，再输入二氧化碳浓度预测模型中进行预测，从而使得在训练过程中的训练样本集以及在预测过程中的预测样本集在数据分布一致或者类似，所以避免了对于不同型号的碳排放设备，碳排放数据的数据分布可能会发生很大变化，所以根据随机采集的训练样本直接构建的二氧化碳浓度预测模型的泛化性较差，从而将导致训练过程中采用的训练样本集与预测过程中的预测样本集在数据分布上存在较大差异，影响二氧化碳浓度预测的准确度的技术缺陷，提升了二氧化碳浓度预测的准确度。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。
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，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本申请二氧化碳浓度预测方法第一实施例的流程示意图；
图2为本申请实施例中二氧化碳浓度预测方法涉及的硬件运行环境的设备结构示意图。
本申请目的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
为使本申请的上述目的、特征和优点能够更加明显易懂，下面将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，所描述的实施例仅仅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，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其它实施例，均属于本申请保护的范围。
本申请实施例提供一种二氧化碳浓度预测方法，应用于联邦参与方，在本申请二氧化碳浓度预测方法的第一实施例中，参照图1，所述二氧化碳浓度预测方法包括：
步骤S10，获取第一碳排放设备对应的第一碳排放数据和第二碳排放设备对应的第二碳排放数据，其中，所述第一碳排放设备和所述第二碳排放设备的型号不同；
步骤S20，分别对所述第一碳排放数据和所述第二碳排放数据进行特征变换，得到所述第一碳排放数据对应的第一碳排放样本集和所述第二碳排放数据对应的第二碳排放样本集；
步骤S30，计算所述第一碳排放样本集和所述第二碳排放样本集之间的校正优化参数，其中，所述校正优化参数用于将所述第一碳排放设备产生的碳排放数据的数据分布和所述第二碳排放设备产生碳排放数据的数据分布校正至一致；
步骤S40，获取所述第一碳排放设备对应的训练数据集，根据所述训练数据集和所述校正优化参数，构建二氧化碳浓度预测模型；
步骤S50，获取所述第二碳排放设备对应的待预测数据集，根据所述待预测数据集、所述校正优化参数和所述二氧化碳浓度预测模型，预测所述第二碳排放设备排放的二氧化碳浓度，得到二氧化碳浓度预测结果。
在本实施例中，需要说明的是，第一碳排放设备和第二碳排放设备可以电厂的锅炉，也即第一碳排放设备可以为第一型号锅炉，第二碳排放设备可以为第二型号锅炉，第一型号锅炉和第二型号锅炉的型号不同，从而第一型号锅炉产生的第一碳排放数据和第二型号锅炉产生的第二碳排放数据之间的数据分布存在较大差异。第一碳排放数据和第二碳排放数据均可以为锅炉的温度数据、湿度数据和用煤量数据等，第一碳排放数据或者第二碳排放数据对应存在的标签可以为标量，用于标识二氧化碳的浓度。
作为一种示例，步骤S10至步骤S50包括：获取第一型号锅炉的温度数据、湿度数据以及用煤量数据共同作为第一碳排放数据，获取第二型号锅炉的温度数据、湿度数据以及用煤量数据共同作为第二碳排放数据，其中，所述第一型号锅炉与所述第二型号锅炉的型号不同；分别对所述第一碳排放数据和所述第二碳排放数据进行特征变换，以分别将第一碳排放数据中样本和第二碳排放数据中样本映射至预设样本维度，得到所述第一碳排放数据对应的第一碳排放样本集和所述第二碳排放数据对应的第二碳排放样本集，其中，特征变换的方式可以为极限学习机的随机映射；计算所述第一碳排放样本集和所述第二碳排放样本集之间的校正优化参数，其中，所述校正优化参数用于将所述第一碳排放设备产生的碳排放数据的数据分布和所述第二碳排放设备产生碳排放数据的数据分布校正至一致；获取所述第一碳排放设备对应的训练数据集，利用校正优化参数对训练数据集进行校正优化，利用校正优化后的训练数据集和对应的数据标签构建二氧化碳浓度预测模型；获取所述第二碳排放数据对应的待预测数据集，利用所述校正优化参数对所述待预测数据集进行校准优化，将校正优化后的待预测数据集输入二氧化碳浓度预测模型，预测所述第二碳排放设备排放的二氧化碳浓度，得到二氧化碳浓度预测值，也即为二氧化碳浓度预测结果。
其中，所述第一碳排放设备包括第一型号锅炉，所述获取第一碳排放设备对应的第一碳排放数据的步骤包括：
步骤S11，获取所述第一型号锅炉在预设采样时间的温度、湿度、用煤量以及二氧化碳浓度；
步骤S12，将所述温度、湿度和所述用煤量组合为碳排放样本特征向量，根据所述二氧化碳浓度生成对应的碳排放样本标签；
步骤S13，将所述碳排放样本特征向量、所述碳排放样本标签以及所述第一型号锅炉的型号标签共同作为所述第一碳排放数据。
在本实施例中，需要说明的是，可以设置每间隔一个时间周期对锅炉采样一次，所述用煤量为2个采样时间点间隔的时间周期内锅炉消耗的煤量，所述第一碳排放数据可以由碳排放样本特征向量、碳排放样本标签以及第一型号锅炉的型号标签组成。
作为一种示例，步骤S11至步骤S13包括：获取所述第一型号锅炉在预设采样时间的温度、湿度、用煤量以及二氧化碳浓度；将温度、湿度和用煤量作为特征值拼接为向量，得到碳排放样本特征向量；根据所述二氧化碳浓度的大小，生成对应的碳排放样本标签；将所述碳排放样本特征向量、所述碳排放样本标签以及所述第一型号锅炉的型号标签共同作为所述第一碳排放数据。
类似地，作为一种示例，第二碳排放数据的获取方式如下：
获取所述第二型号锅炉在预设采样时间的温度、湿度、用煤量以及二氧化碳浓度；将所述第二型号锅炉的温度、湿度和用煤量作为特征值拼接为向量，得到第二碳排放样本特征向量；根据所述第二型号锅炉对应的二氧化碳浓度的大小，生成对应的第二碳排放样本标签；将所述第二碳排放样本特征向量、所述第二碳排放样本标签以及所述第二型号锅炉的型号标签共同作为所述第二碳排放数据。
其中，所述计算所述第一碳排放样本集和所述第二碳排放样本集之间的校正优化参数，包括：
步骤S31，将所述第一碳排放样本集和所述第二碳排放样本集进行合并，得到合并样本集；
步骤S32，通过构建所述合并样本集对应的预设优化问题，计算所述校正优化参数。
作为一种示例，步骤S31至步骤S32包括：
将所述第一碳排放样本集和所述第二碳排放样本集进行拼接，得到合并样本集，利用以下公式，构建所述合并样本集对应的预设优化问题：
s.t.βTβ＝I
其中，A＝HTH+λ1HTLH+λ0I，L是由两个锅炉样本集合计算得到的拉普拉斯矩阵，I是单位矩阵，β为权重矩阵，H为所述合并样本集，λ0和λ1为平衡系数，为大于0的常数；通过对所述预设优化问题进行特征值分解，获取所述拉普拉斯矩阵对应的各特征值；根据各所述特征值确定目标权重矩阵，将所述目标权重矩阵作为所述校正优化参数，其中，所述合并样本集可以为矩阵，所述目标权重矩阵的矩阵大小和所述合并样本集对应的矩阵大小一致。
作为一种示例，所述根据各所述特征值确定目标权重矩阵的步骤包括：
在各所述特征值中选取最大的预设数量的目标特征值；将各所述目标特征值对应的特征向量拼接为矩阵，得到所述目标权重矩阵。
其中，所述根据所述训练数据集和所述校正优化参数，构建二氧化碳浓度预测模型的步骤包括：
步骤S41，对所述训练数据集进行特征变换，得到训练样本集；
步骤S42，根据所述校正优化参数，对所述训练样本集进行校正优化，得到校正训练样本集；
步骤S43，根据所述校正训练样本集和所述训练样本集对应的样本标签，构建所述二氧化碳浓度预测模型。
在本实施例中，需要说明的是，特征变化的方式可以为极限学习机的随机映射。
作为一种示例，步骤S41至步骤S43包括：对所述训练数据集中各训练样本进行随机映射，以将各训练样本映射至预设样本维度，得到训练样本集；根据所述校正优化参数，对所述训练样本集进行校正优化，以将所述训练样本集中各训练样本转换至预设数据分布，得到校正训练样本集；从所述校正训练样本集中选取校正训练样本，将所述校正训练样本输入初始化二氧化碳浓度预测模型，预测所述校正训练样本对应的输出二氧化碳浓度；根据所述输出二氧化碳浓度和所述校正训练样本对应的样本标签，计算模型损失；判断模型训练是否收敛，若模型损失收敛，则判定迭代训练完毕，将所述初始化二氧化碳浓度预测模型作为所述二氧化碳浓度预测模型，若模型损失未收敛，则判定迭代训练未完毕，依据所述模型损失计算的梯度，反向传播更新初始化二氧化碳浓度预测模型，并返回执行步骤：从所述校正训练样本集中选取校正训练样本，直至计算得到的模型损失收敛。
其中，所述根据所述待预测数据集、所述校正优化参数和所述二氧化碳浓度预测模型，预测所述第二碳排放设备排放的二氧化碳浓度，得到二氧化碳浓度预测结果的步骤包括：
步骤S51，对所述待预测数据集进行特征变换，得到待预测样本；
步骤S52，根据所述校正优化参数，对所述待预测样本进行校正优化，得到校正预测样本；
步骤S53，通过将所述校正预测样本输入所述二氧化碳浓度预测模型，预测所述第二碳排放设备排放的二氧化碳浓度，得到二氧化碳浓度预测结果。
在本实施例中，需要说明的是，所述待预测数据集为无标签的数据集。
作为一种示例，需要说明的是，所述待预测数据集包括一个或者多个样本，步骤S51至步骤S53包括：对所述待预测数据集中各样本进行随机映射，以将所述待预测数据集中各样本映射至预设样本维度，得到待预测样本；根据所述校正优化参数，对所述待预测样本进行校正优化，以将所述待预测样本转换至预设数据分布，也即使得所述待预测样本归属于预设数据分布，得到校正预测样本；通过将所述校正预测样本输入所述二氧化碳浓度预测模型，预测所述第二碳排放设备排放的二氧化碳浓度，得到二氧化碳浓度预测值，也即为二氧化碳浓度预测结果。从而实现了在第二型号锅炉的碳排放数据无标签的情况下，利用第一型号锅炉的有标签数据构建的二氧化碳浓度预测模型准确进行二氧化碳浓度的目的，且在考虑锅炉型号的不同对二氧化碳浓度预测的影响的情况下，准确地进行二氧化碳浓度预测。
作为一种示例，本申请实施例中二氧化碳浓度预测方法的实现过程如下：
步骤一、碳排放数据采集
采集电厂的碳排放数据集，某个采样时间的温度、湿度、用煤量等数据组成特征向量，这里的用煤量是前后两个采样时间间隔用煤总量；
一个特征向量即为一个样本x，x为d维的横向量，y是标量，也即为样本对应的标签，表示二氧化碳浓度，通过一段时间的数据收集，可以得到标注样本集合{(xi，yi)，i＝1，...，n}，对不同型号的锅炉进行区分，可以得到对应到每个型号锅炉的标注样本集合。
步骤二、碳排放数据预处理
将标注样本集合中的样本进行随机映射，该随机映射可采用极限学习机中由输入层到隐藏层的随机映射方法，一个d维的样本经过随机映射后为m维，用横向量h表示。
步骤三、碳排放数据校正
设锅炉1有ns个样本，锅炉2有nt个样本，则锅炉1的数据经过步骤2后得到的随机映射矩阵为Hs，该矩阵是ns×m维的，其一行表示一个样本随机映射生成的横向量；相应地，锅炉2的数据的随机映射矩阵为Ht，该矩阵是nt×m维的；
将Hs和Ht进行合并得到H＝[Hs；Ht]，H是n×m的矩阵；
定义如下优化问题：
s.t.βTβ＝I
其中，A＝HTH+λ1HTLH+λ0I，L是由两个锅炉样本集合计算得到的拉普拉斯矩阵，I是单位矩阵，β为m×c权重矩阵，λ0和λ1为平衡系数，为大于0的常数；
求解上述优化问题：首先通过特征值分解得到A的特征值并找出这些特征值中最大的c个特征值所对应的特征向量a1，...，ac，这些特征向量都是列向量，最终得到优化的β＝[a1，...，ac]。
步骤4、训练碳排放预测模型
利用极限学习中的随机映射将锅炉1的数据{xi，i＝1，...，ns}投影到高维空间进行特征变换，使其线性可分，得到{hi，i＝1，...，ns}，进而得到校正后的样本集合{hiβ，i＝1，...，ns}，为这些样本打上标签，并训练一个回归模型f，可以是支持向量回归(SVR)等模型；
将锅炉2的数据
进行随机映射得到
进而得到校正后的样本集合
带入到f中，
即为锅炉2的排放的二氧化碳浓度预测值。
本申请实施例提供了一种二氧化碳浓度预测方法、装置、设备及介质，相比于现有技术中采用的根据随机采集的训练样本直接构建的二氧化碳浓度预测模型来进行二氧化碳浓度预测的技术手段，本申请实施例首先获取第一碳排放设备对应的第一碳排放数据和第二碳排放设备对应的第二碳排放数据，其中，所述第一碳排放设备和所述第二碳排放设备的型号不同；分别对所述第一碳排放数据和所述第二碳排放数据进行特征变换，得到所述第一碳排放数据对应的第一碳排放样本集和所述第二碳排放数据对应的第二碳排放样本集；计算所述第一碳排放样本集和所述第二碳排放样本集之间的校正优化参数，其中，所述校正优化参数用于将所述第一碳排放设备产生的碳排放数据的数据分布和所述第二碳排放设备产生碳排放数据的数据分布校正至一致；获取所述第一碳排放设备对应的训练数据集，根据所述训练数据集和所述校正优化参数，构建二氧化碳浓度预测模型，也即根据校正优化参数，将训练数据集校正至预设数据分布后，再构建对应的二氧化碳浓度预测模型；获取所述第二碳排放设备对应的待预测数据集，根据所述待预测数据集、所述校正优化参数和所述二氧化碳浓度预测模型，预测所述第二碳排放设备排放的二氧化碳浓度，得到二氧化碳浓度预测结果，也即将待预测数据集校正至预设数据分布后，再输入二氧化碳浓度预测模型中进行预测，从而使得在训练过程中的训练样本集以及在预测过程中的预测样本集在数据分布一致或者类似，所以避免了对于不同型号的碳排放设备，碳排放数据的数据分布可能会发生很大变化，所以根据随机采集的训练样本直接构建的二氧化碳浓度预测模型的泛化性较差，从而将导致训练过程中采用的训练样本集与预测过程中的预测样本集在数据分布上存在较大差异，影响二氧化碳浓度预测的准确度的技术缺陷，提升了二氧化碳浓度预测的准确度。
本申请实施例还提供一种二氧化碳浓度预测装置，所述二氧化碳浓度预测装置包括：
获取模块，用于获取第一碳排放设备对应的第一碳排放数据和第二碳排放设备对应的第二碳排放数据，其中，所述第一碳排放设备和所述第二碳排放设备的型号不同；
分别对所述第一碳排放数据和所述第二碳排放数据进行特征变换，得到所述第一碳排放数据对应的第一碳排放样本集和所述第二碳排放数据对应的第二碳排放样本集；
校正参数确定模块，用于计算所述第一碳排放样本集和所述第二碳排放样本集之间的校正优化参数；
模型构建模块，用于获取所述第一碳排放设备对应的训练数据集，根据所述训练数据集和所述校正优化参数，构建二氧化碳浓度预测模型；
预测模块，用于获取所述第二碳排放设备对应的待预测数据集，根据所述待预测数据集、所述校正优化参数和所述二氧化碳浓度预测模型，预测所述第二碳排放设备排放的二氧化碳浓度，得到二氧化碳浓度预测结果。
可选地，所述校正参数确定模块还用于：
将所述第一碳排放样本集和所述第二碳排放样本集进行合并，得到合并样本集；
通过构建所述合并样本集对应的预设优化问题，计算所述校正优化参数。
可选地，所述校正参数确定模块还用于：
利用以下公式，构建所述合并样本集对应的预设优化问题：
s.t.βTβ＝I
其中，A＝HTH+λ1HTLH+λ0I，L是由两个锅炉样本集合计算得到的拉普拉斯矩阵，I是单位矩阵，β为权重矩阵，H为所述合并样本集，λ0和λ1为平衡系数，为大于0的常数；
通过对所述预设优化问题进行特征值分解，获取所述拉普拉斯矩阵对应的各特征值；
根据各所述特征值确定目标权重矩阵，将所述目标权重矩阵作为所述校正优化参数。
可选地，所述校正参数确定模块还用于：
在各所述特征值中选取最大的预设数量的目标特征值；
将各所述目标特征值对应的特征向量组合为所述目标权重矩阵。
可选地，所述模型构建模块还用于：
对所述训练数据集进行特征变换，得到训练样本集；
根据所述校正优化参数，对所述训练样本集进行校正优化，得到校正训练样本集；
根据所述校正训练样本集和所述训练样本集对应的样本标签，构建所述二氧化碳浓度预测模型。
可选地，所述预测模块还用于：
对所述待预测数据集进行特征变换，得到待预测样本；
根据所述校正优化参数，对所述待预测样本进行校正优化，得到校正预测样本；
通过将所述校正预测样本输入所述二氧化碳浓度预测模型，预测所述第二碳排放设备排放的二氧化碳浓度，得到二氧化碳浓度预测结果。
可选地，所述第一碳排放设备包括第一型号锅炉，所述获取模块还用于：
获取所述第一型号锅炉在预设采样时间的温度、湿度、用煤量以及二氧化碳浓度；
将所述温度、湿度和所述用煤量组合为碳排放样本特征向量，根据所述二氧化碳浓度生成对应的碳排放样本标签；
将所述碳排放样本特征向量、所述碳排放样本标签以及所述第一型号锅炉的型号标签共同作为所述第一碳排放数据。
本申请提供的二氧化碳浓度预测装置，采用上述实施例中的二氧化碳浓度预测方法，解决了由于碳排放设备的型号差异而导致二氧化碳浓度预测准确度低的技术问题。与现有技术相比，本申请实施例提供的二氧化碳浓度预测装置的有益效果与上述实施例提供的二氧化碳浓度预测方法的有益效果相同，且该二氧化碳浓度预测装置中的其他技术特征与上述实施例方法公开的特征相同，在此不做赘述。
本申请实施例提供一种电子设备，电子设备包括：至少一个处理器；以及，与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行上述实施例一中的二氧化碳浓度预测方法。
下面参考图2，其示出了适于用来实现本公开实施例的电子设备的结构示意图。本公开实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图2示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图2所示，电子设备可以包括处理装置(例如中央处理器、图形处理器等)，其可以根据存储在只读存储器(ROM)中的程序或者从存储装置加载到随机访问存储器(RAM)中的程序而执行各种适当的动作和处理。在RAM中，还存储有电子设备操作所需的各种程序和数据。处理装置、ROM以及RAM通过总线彼此训练。输入/输出(I/O)接口也连接至总线。
通常，以下系统可以连接至I/O接口：包括例如触摸屏、触摸板、键盘、鼠标、图像传感器、麦克风、加速度计、陀螺仪等的输入装置；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置；包括例如磁带、硬盘等的存储装置；以及通信装置。通信装置可以允许电子设备与其他设备进行无线或有线通信以交换数据。虽然图中示出了具有各种系统的电子设备，但是应理解的是，并不要求实施或具备所有示出的系统。可以替代地实施或具备更多或更少的系统。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置从网络上被下载和安装，或者从存储装置被安装，或者从ROM被安装。在该计算机程序被处理装置执行时，执行本公开实施例的方法中限定的上述功能。
本申请提供的电子设备，采用上述实施例中的二氧化碳浓度预测方法，解决了由于碳排放设备的型号差异而导致二氧化碳浓度预测准确度低的技术问题。与现有技术相比，本申请实施例提供的电子设备的有益效果与上述实施例提供的二氧化碳浓度预测方法的有益效果相同，且该电子设备中的其他技术特征与上述实施例方法公开的特征相同，在此不做赘述。
应当理解，本公开的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式的描述中，具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。
本实施例提供一种计算机可读存储介质，具有存储在其上的计算机可读程序指令，计算机可读程序指令用于执行上述实施例一中的基于多模态极限学习的预测的方法。
本申请实施例提供的计算机可读存储介质例如可以是U盘，但不限于电、磁、光、电磁、红外线、或半导体的系统、系统或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、系统或者器件使用或者与其结合使用。计算机可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
上述计算机可读存储介质可以是电子设备中所包含的；也可以是单独存在，而未装配入电子设备中。
上述计算机可读存储介质承载有一个或者多个程序，当上述一个或者多个程序被电子设备执行时，使得电子设备：获取第一碳排放设备对应的第一碳排放数据和第二碳排放设备对应的第二碳排放数据，其中，所述第一碳排放设备和所述第二碳排放设备的型号不同；分别对所述第一碳排放数据和所述第二碳排放数据进行特征变换，得到所述第一碳排放数据对应的第一碳排放样本集和所述第二碳排放数据对应的第二碳排放样本集；计算所述第一碳排放样本集和所述第二碳排放样本集之间的校正优化参数，其中，所述校正优化参数用于将所述第一碳排放设备产生的碳排放数据的数据分布和所述第二碳排放设备产生碳排放数据的数据分布校正至一致；获取所述第一碳排放设备对应的训练数据集，根据所述训练数据集和所述校正优化参数，构建二氧化碳浓度预测模型；获取所述第二碳排放设备对应的待预测数据集，根据所述待预测数据集、所述校正优化参数和所述二氧化碳浓度预测模型，预测所述第二碳排放设备排放的二氧化碳浓度，得到二氧化碳浓度预测结果。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，模块的名称在某种情况下并不构成对该单元本身的限定。
本申请提供的计算机可读存储介质，存储有用于执行上述二氧化碳浓度预测方法的计算机可读程序指令，解决了由于碳排放设备的型号差异而导致二氧化碳浓度预测准确度低的技术问题。与现有技术相比，本申请实施例提供的计算机可读存储介质的有益效果与上述实施例提供的二氧化碳浓度预测方法的有益效果相同，在此不做赘述。
本申请还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述的二氧化碳浓度预测方法的步骤。
本申请提供的计算机程序产品解决了由于碳排放设备的型号差异而导致二氧化碳浓度预测准确度低的技术问题。与现有技术相比，本申请实施例提供的计算机程序产品的有益效果与上述实施例提供的二氧化碳浓度预测方法的有益效果相同，在此不做赘述。
以上仅为本申请的优选实施例，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利处理范围。
Claims (10)
1.一种二氧化碳浓度预测方法，其特征在于，所述二氧化碳浓度预测方法包括：
获取第一碳排放设备对应的第一碳排放数据和第二碳排放设备对应的第二碳排放数据，其中，所述第一碳排放设备和所述第二碳排放设备的型号不同；
分别对所述第一碳排放数据和所述第二碳排放数据进行特征变换，得到所述第一碳排放数据对应的第一碳排放样本集和所述第二碳排放数据对应的第二碳排放样本集；
计算所述第一碳排放样本集和所述第二碳排放样本集之间的校正优化参数，其中，所述校正优化参数用于将所述第一碳排放设备产生的碳排放数据的数据分布和所述第二碳排放设备产生碳排放数据的数据分布校正至一致；
获取所述第一碳排放设备对应的训练数据集，根据所述训练数据集和所述校正优化参数，构建二氧化碳浓度预测模型；
获取所述第二碳排放设备对应的待预测数据集，根据所述待预测数据集、所述校正优化参数和所述二氧化碳浓度预测模型，预测所述第二碳排放设备排放的二氧化碳浓度，得到二氧化碳浓度预测结果。
2.如权利要求1所述二氧化碳浓度预测方法，其特征在于，所述计算所述第一碳排放样本集和所述第二碳排放样本集之间的校正优化参数，包括：
将所述第一碳排放样本集和所述第二碳排放样本集进行合并，得到合并样本集；
通过构建所述合并样本集对应的预设优化问题，计算所述校正优化参数。
3.如权利要求2所述二氧化碳浓度预测方法，其特征在于，利用以下公式，构建所述合并样本集对应的预设优化问题：
s.t.βTβ＝I
其中，A＝HTH+λ1HTLH+λ0I，L是由两个锅炉样本集合计算得到的拉普拉斯矩阵，I是单位矩阵，β为权重矩阵，H为所述合并样本集，λ0和λ1为平衡系数，为大于0的常数；
通过对所述预设优化问题进行特征值分解，获取所述拉普拉斯矩阵对应的各特征值；
根据各所述特征值确定目标权重矩阵，将所述目标权重矩阵作为所述校正优化参数。
4.如权利要求3所述二氧化碳浓度预测方法，其特征在于，所述根据各所述特征值确定目标权重矩阵的步骤包括：
在各所述特征值中选取最大的预设数量的目标特征值；
将各所述目标特征值对应的特征向量组合为所述目标权重矩阵。
5.如权利要求1所述二氧化碳浓度预测方法，其特征在于，所述根据所述训练数据集和所述校正优化参数，构建二氧化碳浓度预测模型的步骤包括：
对所述训练数据集进行特征变换，得到训练样本集；
根据所述校正优化参数，对所述训练样本集进行校正优化，得到校正训练样本集；
根据所述校正训练样本集和所述训练样本集对应的样本标签，构建所述二氧化碳浓度预测模型。
6.如权利要求1所述二氧化碳浓度预测方法，其特征在于，所述根据所述待预测数据集、所述校正优化参数和所述二氧化碳浓度预测模型，预测所述第二碳排放设备排放的二氧化碳浓度，得到二氧化碳浓度预测结果的步骤包括：
对所述待预测数据集进行特征变换，得到待预测样本；
根据所述校正优化参数，对所述待预测样本进行校正优化，得到校正预测样本；
通过将所述校正预测样本输入所述二氧化碳浓度预测模型，预测所述第二碳排放设备排放的二氧化碳浓度，得到二氧化碳浓度预测结果。
7.如权利要求1所述二氧化碳浓度预测方法，其特征在于，所述第一碳排放设备包括第一型号锅炉，所述获取第一碳排放设备对应的第一碳排放数据的步骤包括：
获取所述第一型号锅炉在预设采样时间的温度、湿度、用煤量以及二氧化碳浓度；
将所述温度、湿度和所述用煤量组合为碳排放样本特征向量，根据所述二氧化碳浓度生成对应的碳排放样本标签；
将所述碳排放样本特征向量、所述碳排放样本标签以及所述第一型号锅炉的型号标签共同作为所述第一碳排放数据。
8.一种二氧化碳浓度预测装置，其特征在于，所述二氧化碳浓度预测装置包括：
获取模块，用于获取第一碳排放设备对应的第一碳排放数据和第二碳排放设备对应的第二碳排放数据，其中，所述第一碳排放设备和所述第二碳排放设备的型号不同；
分别对所述第一碳排放数据和所述第二碳排放数据进行特征变换，得到所述第一碳排放数据对应的第一碳排放样本集和所述第二碳排放数据对应的第二碳排放样本集；
校正参数确定模块，用于计算所述第一碳排放样本集和所述第二碳排放样本集之间的校正优化参数；
模型构建模块，用于获取所述第一碳排放设备对应的训练数据集，根据所述训练数据集和所述校正优化参数，构建二氧化碳浓度预测模型；
预测模块，用于获取所述第二碳排放设备对应的待预测数据集，根据所述待预测数据集、所述校正优化参数和所述二氧化碳浓度预测模型，预测所述第二碳排放设备排放的二氧化碳浓度，得到二氧化碳浓度预测结果。
9.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1至7中任一项所述的二氧化碳浓度预测方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有实现二氧化碳浓度预测方法的程序，所述实现二氧化碳浓度预测方法的程序被处理器执行以实现如权利要求1至7中任一项所述二氧化碳浓度预测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210237353.8A CN114638411A (zh) | 2022-03-10 | 2022-03-10 | 二氧化碳浓度预测方法、装置、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210237353.8A CN114638411A (zh) | 2022-03-10 | 2022-03-10 | 二氧化碳浓度预测方法、装置、设备及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114638411A true CN114638411A (zh) | 2022-06-17 |
Family
ID=81947645
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210237353.8A Pending CN114638411A (zh) | 2022-03-10 | 2022-03-10 | 二氧化碳浓度预测方法、装置、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114638411A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115732041A (zh) * | 2022-12-07 | 2023-03-03 | 中国石油大学(北京) | 二氧化碳捕获量预测模型构建方法、智能预测方法及装置 |
| CN116127729A (zh) * | 2022-12-28 | 2023-05-16 | 青芥一合碳汇(武汉)科技有限公司 | 基于线性动态模型的二氧化碳捕集精准预测方法及系统 |
-
2022
- 2022-03-10 CN CN202210237353.8A patent/CN114638411A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115732041A (zh) * | 2022-12-07 | 2023-03-03 | 中国石油大学(北京) | 二氧化碳捕获量预测模型构建方法、智能预测方法及装置 |
| CN115732041B (zh) * | 2022-12-07 | 2023-10-13 | 中国石油大学(北京) | 二氧化碳捕获量预测模型构建方法、智能预测方法及装置 |
| CN116127729A (zh) * | 2022-12-28 | 2023-05-16 | 青芥一合碳汇(武汉)科技有限公司 | 基于线性动态模型的二氧化碳捕集精准预测方法及系统 |
| CN116127729B (zh) * | 2022-12-28 | 2023-08-15 | 青芥一合碳汇(武汉)科技有限公司 | 基于线性动态模型的二氧化碳捕集精准预测方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11169911B2 (en) | Method and apparatus for performing a fitting calculation on test data and generating data fluctuation values | |
| Langfelder et al. | Fast R functions for robust correlations and hierarchical clustering | |
| US20190147361A1 (en) | Learned model provision method and learned model provision device | |
| CN114638411A (zh) | 二氧化碳浓度预测方法、装置、设备及介质 | |
| US20210255156A1 (en) | Learning model generation support apparatus, learning model generation support method, and computer-readable recording medium | |
| CN112182067A (zh) | 个体身高预测方法、装置、电子设备及存储介质 | |
| CN114579933A (zh) | 误差测量优化方法、装置、电子设备及可读存储介质 | |
| CN111625291B (zh) | 数据处理模型自动迭代方法、装置及电子设备 | |
| CN108875901B (zh) | 神经网络训练方法以及通用物体检测方法、装置和系统 | |
| CN115543638B (zh) | 基于不确定性的边缘计算数据收集分析方法、系统及设备 | |
| CN116563007A (zh) | 授信信用风险预测方法、电子设备及可读存储介质 | |
| CN114548254A (zh) | 设备故障分类方法、装置、设备及介质 | |
| CN115293889A (zh) | 信用风险预测模型训练方法、电子设备及可读存储介质 | |
| CN110717315A (zh) | 系统数据批量修改方法、装置、存储介质及电子设备 | |
| CN115431302A (zh) | 机器人关节空程测量方法、装置、电子设备及存储介质 | |
| CN113255819B (zh) | 用于识别信息的方法和装置 | |
| CN116228132A (zh) | Rm系统的数据管理方法、装置、电子设备及介质 | |
| CN111310896B (zh) | 用于训练神经网络的方法和装置 | |
| US20230022253A1 (en) | Fast and accurate prediction methods and systems based on analytical models | |
| CN110084298B (zh) | 用于检测图像相似度的方法及装置 | |
| CN114647721B (zh) | 教育智能机器人控制方法、设备及介质 | |
| CN111124862A (zh) | 智能设备性能测试方法、装置及智能设备 | |
| CN113971183A (zh) | 实体打标模型训练的方法、装置及电子设备 | |
| CN115577569B (zh) | 测井解释基准模型构建方法、装置、设备及介质 | |
| CN116401597B (zh) | 地震解释模型构建方法、电子设备及可读存储介质 |
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 |