CN114743072A - 一种短期时间序列预测模型的训练方法 - Google Patents

一种短期时间序列预测模型的训练方法 Download PDF

Info

Publication number
CN114743072A
CN114743072A CN202210571113.1A CN202210571113A CN114743072A CN 114743072 A CN114743072 A CN 114743072A CN 202210571113 A CN202210571113 A CN 202210571113A CN 114743072 A CN114743072 A CN 114743072A
Authority
CN
China
Prior art keywords
data
historical
image data
prediction
time
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.)
Granted
Application number
CN202210571113.1A
Other languages
English (en)
Other versions
CN114743072B (zh
Inventor
王珏
王子鉴
操海州
姚铁锤
王彦棡
王晓光
万萌
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.)
Computer Network Information Center of CAS
Original Assignee
Computer Network Information Center of CAS
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 Computer Network Information Center of CAS filed Critical Computer Network Information Center of CAS
Priority to CN202210571113.1A priority Critical patent/CN114743072B/zh
Publication of CN114743072A publication Critical patent/CN114743072A/zh
Application granted granted Critical
Publication of CN114743072B publication Critical patent/CN114743072B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种短期时间序列预测模型的训练方法，方法包括：输入具有不同特征的带有时间属性的历史图像数据；使用双流时空运动特性识别方法对所述图像数据进行特征提取，得到不同图像数据的特征；将不同图像数据的特征进行张量拼接，得到多种因子图像特征矩阵；将历史目标实测数据、历史理想外源辅助数据与历史实际外源辅助数据的差值、以及多种因子图像特征矩阵进行拼接，得到第一样本数据；以未来目标实测数据作为第一标签数据，使用Transformer预测出第一预测数据，将所述第一预测数据与所述第一标签数据使用损失函数计算第一预测损失，并向使所述第一预测损失减小的方向进行迭代训练，得到训练完成的模型。

Description

一种短期时间序列预测模型的训练方法
技术领域
本发明涉及机器学习领域，尤其涉及一种短期时间序列预测模型的训练方法。
背景技术
随着人工智能技术的发展和诸如气象、交通、海洋等专业领域对有效预测未来时序数据的需要，构建具有高准确性的预测模型显得尤为重要。然而，上述专业领域中所涉及的待时间序列往往具有一定的间歇性和不稳定性，因此，需要采用结合多源多种数据对时间序列预测的方法。
发明内容
本发明的目的是提供一种短期时间序列预测模型的训练方法，以解决现有技术中的不足，以图像数据信息结合序列数据作为输入，从而预测未来短期时间序列。通过对具有时间属性的图像数据同时进行时间和空间维度特征提取，有效提升了模型对时间序列预测任务的性能。
第一方面，提供了一种短期时间序列预测模型的训练方法，方法包括：
输入具有不同特征的带有时间属性的历史图像数据；
使用双流时空运动特性识别方法对所述图像数据进行特征提取，得到不同图像数据的特征；
将所述不同图像数据的特征进行张量拼接，得到多种因子图像特征矩阵；
将历史目标实测数据、历史理想外源辅助数据与历史实际外源辅助数据的差值、以及所述多种因子图像特征矩阵进行拼接，得到第一样本数据；
以未来目标实测数据作为第一标签数据，使用Transformer预测出第一预测数据，将所述第一预测数据与所述第一标签数据使用损失函数计算第一预测损失，并向使所述第一预测损失减小的方向进行迭代训练，得到训练完成的模型，其中，Transformer的编码器中输入所述第一样本数据，Transformer的解码器中输入所述编码器的输出数据以及未来理想外源辅助数据,所述带有时间属性的历史图像数据是在科学层面上与所述第一预测数据存在一定相关性的图像数据，所述历史实际外源辅助数据是在科学层面上被证实与第一预测数据存在线性关系的数据。
在一种可能的实施方式中，所述双流时空运动特性识别方法，还包括：
针对某一时刻的运动，使用ResNet18网络针对该时刻的图像数据进行空间维度的特征提取；
将该时刻与上一个时刻运动变化所得的X、Y方向光流图按通道融合，得到融合光流图；
使用ResNet18网络针对融合光流图进行时间维度的特征提取；
将所得空间维度与时间维度的图像数据特征进行融合，得到该运动在时间空间上的特性。
进一步地，所述ResNet18网络由四个Res-block和一个全连接层组成，包含17个卷积层。
进一步地，所述融合光流图，包括：
对该时刻与上一个时刻的图像数据，使用Farneback稠密光流法计算，得到X、Y方向的光流图；
将X、Y方向的光流图按通道融合，得到融合光流图。
在一种可能的实施方式中，所述带有时间属性的历史图像数据、历史目标实测数据、历史理想外源辅助数据、历史实际外源辅助数据的步长均为第一步长，所述第一步长为历史时间步长，所述未来目标实测数据、第一预测数据、未来理想外源辅助数据的步长均为第二步长，所述第二步长为预测时间步长。
在一种可能的实施方式中，所述步长为第一步长的历史理想外源辅助数据以及步长为第二步长的未来理想外源辅助数据，是根据科学模型推断出来的。
在一种可能的实施方式中，所述损失函数为均方误差函数。
第二方面，提供了一种计算设备，包括存储器和处理器，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，实现第一方面的方法。
本发明提出的一种短期时间序列预测模型的训练方法，融合了双流时空运动特性识别方法，相比于其他模型，使用本发明中所述方法训练完成的模型具有更高的时间序列预测性能。同时，双流时空运动特性识别方法在自身有效的同时，能够成功地提取到带有时间属性的图像数据的时间和空间维度的特征。
附图说明
图1为本发明实施例公开的一种短期时间序列预测模型的训练方法的流程图；
图2为本发明实施例公开的双流时空运动特性识别方法的流程图；
图3为本发明实施例公开的X、Y通道融合光流图的示意图；
图4为本发明的一个具体实施例中的使用本发明所述训练方法训练好的模型在测试集上的预测效果图。
具体实施方式
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
图1为本发明实施例公开的一种短期时间序列预测模型的训练方法的流程图。
在步骤S101，输入具有不同特征的带有时间属性的历史图像数据，它们的步长均为第一步长，第一步长为历史时间步长，记为d。
在步骤S102，使用双流时空运动特性识别方法对所述图像数据进行特征提取，得到不同图像数据的特征。
在步骤S103，将所述不同图像数据的特征进行张量拼接，得到多种因子图像特征矩阵
Figure BDA0003660320750000041
其中，i为时间步中的第i个点，D为图像特征维数。
在步骤S104，
Figure BDA0003660320750000042
是步长为d的历史目标实测数据，
Figure BDA0003660320750000043
是步长为d的历史实际外源辅助数据，
Figure BDA0003660320750000044
是步长为d的根据现有科学模型推断出来的历史理想外源辅助数据。
Figure BDA0003660320750000045
是历史理想外源辅助数据与历史实际外源辅助数据的差值，计算公式如(1)所示：
Figure BDA0003660320750000046
将
Figure BDA0003660320750000047
和
Figure BDA0003660320750000048
进行拼接，得到第一样本数据
Figure BDA0003660320750000049
Figure BDA00036603207500000410
其中，M为总特征维数，M＝D+3。
在步骤S105，
Figure BDA00036603207500000411
是根据现有科学模型推断出来的步长为第二步长的未来理想外源辅助数据，第二步长为预测时间步长，记为L。
Figure BDA00036603207500000412
是步长为L的未来目标实测数据。
将
Figure BDA00036603207500000413
输入Transformer的编码器encoder，将编码器encoder的输出以及
Figure BDA00036603207500000414
输入Transformer的解码器decoder，使用Transformer预测出第一预测数据
Figure BDA00036603207500000415
以
Figure BDA00036603207500000416
作为第一标签数据，将
Figure BDA00036603207500000417
与
Figure BDA00036603207500000418
使用损失函数计算第一预测损失Loss，并向使Loss减小的方向进行迭代训练，得到训练完成的模型。
上述带有时间属性的历史图像数据，是在科学层面上与所述第一预测数据存在一定相关性的图像数据，历史实际外源辅助数据，是在科学层面上被证实与第一预测数据存在线性关系的数据。
图2为本发明实施例公开的双流时空运动特性识别方法的流程图。
在步骤S201，针对某一时刻的运动，本发明使用ResNet18网络针对该时刻的图像数据进行空间维度的特征提取。ResNet18网络由四个Res-block和一个全连接层组成，共包含17个卷积层。
在步骤S202，将该时刻与上一个时刻运动变化所得的X、Y方向光流图按通道融合，得到融合光流图。
具体地，在计算该时刻与上一个时刻运动变化所得的X、Y方向光流图时，假定图像的亮度恒定不变的，即同一目标在不同图像帧之间运动时，其亮度不会发生改变。
对于一个像素点(x,y,t)，它的光强度为I(x,y,t)，其中，x，y分别为像素点所处的横纵坐标，t为像素点所处的时间维度。在dt时间后，像素点在图像上移动了(dx,dy)距离，它的光强度为I(x+dx,y+dy,t+dt)。由于是同一像素点，根据假设，其光强度不变，可表达为如公式(2)所示：
I(x,y,t)＝I(x+dx,y+dy,t+dt) (2)
将(2)式右侧泰勒展开，结果如公式(3)所示：
Figure BDA0003660320750000051
其中，ε为二阶无穷小量，可以忽略不计。将等式两边同时除以dt，得到公式(4)：
Figure BDA0003660320750000052
设u，v分别为光流沿X轴和Y轴的速度矢量，即
Figure BDA0003660320750000053
设
Figure BDA0003660320750000054
Figure BDA0003660320750000055
则公式(4)可以写成如公式(5)所示：
Ixy+Iy2+It＝0 (5)
其中，Ix,Iy,It均可由图像数据求得。
使用公式(5)结合Farneback稠密光流法，即可求出该时刻与上一个时刻运动变化所得的X、Y方向光流图(u，v)。
在得到X、Y方向光流图后，将二者按通道融合成混合光流图，用于之后进行时间维度的特征捕捉，如图3所示。
在步骤S203，使用ResNet18网络针对融合光流图进行时间维度的特征提取。
在步骤S204，将所得空间维度与时间维度的图像数据特征进行融合，得到该运动在时间空间上的特性。
在一个具体的实施例中，使用本发明所述的短期时间序列预测模型的训练方法，用于针对分布式/集中式发电站的光伏发电功率时间序列进行训练与预测。所使用的数据集为基于北纬36-39°，东经113-117°范围内某电站的数据。该数据集记录了含有经纬度、时间、辐照度、实测功率、气象云图、温度、风等特征，时间分辨率为30分钟，本实施例选取其中的发电功率进行预测。
在对数据集进行初步的预处理后，按照时间顺序以8:2的比例将数据集划分为训练集和测试集。对训练集进行归一化，以消除数据中各属性的数量级差异，便于模型训练与收敛。设置模型相关的超参数，确定Adam为优化算法、选取均方误差(MSE)作为损失函数、训练时输入的批处理大小为8、模型编码器层数为2、模型解码器层数为2。
训练时，输入长度为历史5小时(10个时间点)的数据，模型基于给出的未来8个时间点的真实数据与自身的预测结果进行误差计算，并回传误差以对自身的参数进行优化。训练过程中，选择最优的模型参数。训练完成后，在测试集上分析模型在该任务场景下的预测性能，并对结果进行绘图，如图4所示。其中，横轴为时间，纵轴为光伏发电功率，虚线为真实值，实线为预测值。从图4中可以看出，使用本发明所述的训练方法训练出来的模型，具有良好的时间序列预测性能。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种短期时间序列预测模型的训练方法，其特征在于，所述方法包括：
输入具有不同特征的带有时间属性的历史图像数据；
使用双流时空运动特性识别方法对所述图像数据进行特征提取，得到不同图像数据的特征；
将所述不同图像数据的特征进行张量拼接，得到多种因子图像特征矩阵；
将历史目标实测数据、历史理想外源辅助数据与历史实际外源辅助数据的差值、以及所述多种因子图像特征矩阵进行拼接，得到第一样本数据；
以未来目标实测数据作为第一标签数据，使用Transformer预测出第一预测数据，将所述第一预测数据与所述第一标签数据使用损失函数计算第一预测损失，并向使所述第一预测损失减小的方向进行迭代训练，得到训练完成的模型，其中，Transformer的编码器中输入所述第一样本数据，Transformer的解码器中输入所述编码器的输出数据以及未来理想外源辅助数据,所述带有时间属性的历史图像数据是在科学层面上与所述第一预测数据存在一定相关性的图像数据，所述历史实际外源辅助数据是在科学层面上被证实与第一预测数据存在线性关系的数据。
2.根据权利要求1所述的方法，其特征在于，所述双流时空运动特性识别方法，还包括：
针对某一时刻的运动，使用ResNet18网络针对该时刻的图像数据进行空间维度的特征提取；
将该时刻与上一个时刻运动变化所得的X、Y方向光流图按通道融合，得到融合光流图；
使用ResNet18网络针对融合光流图进行时间维度的特征提取；
将所得空间维度与时间维度的图像数据特征进行融合，得到该运动在时间空间上的特性。
3.根据权利要求2所述的方法，其特征在于，所述ResNet18网络由四个Res-block和一个全连接层组成，包含17个卷积层。
4.根据权利要求2所述的方法，其特征在于，所述融合光流图，包括：
对该时刻与上一个时刻的图像数据，使用Farneback稠密光流法计算，得到X、Y方向的光流图；
将X、Y方向的光流图按通道融合，得到融合光流图。
5.根据权利要求1中所述的方法，其特征在于，所述带有时间属性的历史图像数据、历史目标实测数据、历史理想外源辅助数据、历史实际外源辅助数据的步长均为第一步长，所述第一步长为历史时间步长，所述未来目标实测数据、第一预测数据、未来理想外源辅助数据的步长均为第二步长，所述第二步长为预测时间步长。
6.根据权利要求1中所述的方法，其特征在于，所述历史理想外源辅助数据以及未来理想外源辅助数据，是根据现有科学模型推断出来的。
7.根据权利要求1中所述的方法，其特征在于，所述损失函数为均方误差函数。
8.一种计算设备，包括存储器和处理器，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，实现权利要求1-7中任一项的所述的方法。
CN202210571113.1A 2022-05-24 2022-05-24 一种短期时间序列预测模型的训练方法 Active CN114743072B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210571113.1A CN114743072B (zh) 2022-05-24 2022-05-24 一种短期时间序列预测模型的训练方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210571113.1A CN114743072B (zh) 2022-05-24 2022-05-24 一种短期时间序列预测模型的训练方法

Publications (2)

Publication Number Publication Date
CN114743072A true CN114743072A (zh) 2022-07-12
CN114743072B CN114743072B (zh) 2023-01-31

Family

ID=82286892

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210571113.1A Active CN114743072B (zh) 2022-05-24 2022-05-24 一种短期时间序列预测模型的训练方法

Country Status (1)

Country Link
CN (1) CN114743072B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117574148A (zh) * 2023-11-20 2024-02-20 国网冀北电力有限公司信息通信分公司 智能预测模型的训练方法、预测方法及相关设备

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109685290A (zh) * 2019-02-11 2019-04-26 南方电网科学研究院有限责任公司 一种基于深度学习的用电量预测方法、装置及设备
US20200074274A1 (en) * 2018-08-28 2020-03-05 Beijing Jingdong Shangke Information Technology Co., Ltd. System and method for multi-horizon time series forecasting with dynamic temporal context learning
CN111651504A (zh) * 2020-06-03 2020-09-11 湖南大学 基于深度学习的多元时间序列多层时空依赖建模方法
US20200371230A1 (en) * 2019-05-24 2020-11-26 Beijing Baidu Netcom Science And Technology Co., Ltd. Method and apparatus for predicting severe convection weather
CN112132353A (zh) * 2020-09-28 2020-12-25 清华大学深圳国际研究生院 一种基于时空两阶段注意力的非线性外源序列预测方法
CN112132264A (zh) * 2020-09-11 2020-12-25 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) 基于时空残差感知网络的区域尾气排放预测方法及系统
AU2020104000A4 (en) * 2020-12-10 2021-02-18 Guangxi University Short-term Load Forecasting Method Based on TCN and IPSO-LSSVM Combined Model
CN112529282A (zh) * 2020-12-03 2021-03-19 清华大学 基于时空图卷积神经网络的风电场集群短期功率预测方法
CN112766568A (zh) * 2021-01-18 2021-05-07 中国科学院计算机网络信息中心 一种基于卫星云图的超短期分布式光伏功率预测方法
CN113191559A (zh) * 2021-05-08 2021-07-30 苏州瑞城电力科技有限公司 一种基于自回归选择的改进神经网短期居民负荷预测方法
CN113688204A (zh) * 2021-08-16 2021-11-23 南京信息工程大学 一种利用相似场景及混合注意力的多人会话情感预测方法
CN113919231A (zh) * 2021-10-25 2022-01-11 北京航天创智科技有限公司 基于时空图神经网络的pm2.5浓度时空变化预测方法及系统
CN114330671A (zh) * 2022-01-06 2022-04-12 重庆大学 一种基于Transformer时空图卷积网络的交通流预测方法

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200074274A1 (en) * 2018-08-28 2020-03-05 Beijing Jingdong Shangke Information Technology Co., Ltd. System and method for multi-horizon time series forecasting with dynamic temporal context learning
CN109685290A (zh) * 2019-02-11 2019-04-26 南方电网科学研究院有限责任公司 一种基于深度学习的用电量预测方法、装置及设备
US20200371230A1 (en) * 2019-05-24 2020-11-26 Beijing Baidu Netcom Science And Technology Co., Ltd. Method and apparatus for predicting severe convection weather
CN111651504A (zh) * 2020-06-03 2020-09-11 湖南大学 基于深度学习的多元时间序列多层时空依赖建模方法
CN112132264A (zh) * 2020-09-11 2020-12-25 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) 基于时空残差感知网络的区域尾气排放预测方法及系统
CN112132353A (zh) * 2020-09-28 2020-12-25 清华大学深圳国际研究生院 一种基于时空两阶段注意力的非线性外源序列预测方法
CN112529282A (zh) * 2020-12-03 2021-03-19 清华大学 基于时空图卷积神经网络的风电场集群短期功率预测方法
AU2020104000A4 (en) * 2020-12-10 2021-02-18 Guangxi University Short-term Load Forecasting Method Based on TCN and IPSO-LSSVM Combined Model
CN112766568A (zh) * 2021-01-18 2021-05-07 中国科学院计算机网络信息中心 一种基于卫星云图的超短期分布式光伏功率预测方法
CN113191559A (zh) * 2021-05-08 2021-07-30 苏州瑞城电力科技有限公司 一种基于自回归选择的改进神经网短期居民负荷预测方法
CN113688204A (zh) * 2021-08-16 2021-11-23 南京信息工程大学 一种利用相似场景及混合注意力的多人会话情感预测方法
CN113919231A (zh) * 2021-10-25 2022-01-11 北京航天创智科技有限公司 基于时空图神经网络的pm2.5浓度时空变化预测方法及系统
CN114330671A (zh) * 2022-01-06 2022-04-12 重庆大学 一种基于Transformer时空图卷积网络的交通流预测方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
KEN CHEN等: "Dynamic Spatio-Temporal Graph-Based CNNs for Traffic Flow Prediction", 《 IEEE ACCESS》 *
TIECHUI YAO等: "Intra-Hour Photovoltaic Generation Forecasting Based on Multi-Source Data and Deep Learning Methods", 《 IEEE TRANSACTIONS ON SUSTAINABLE ENERGY 》 *
王涛等: "基于Seq2Seq模型的港口进出口货物量预测", 《计算机系统应用》 *
肖婷: "基于神经网络的多变量时间序列短时预报模型研究", 《中国硕士学位论文全文数据库》 *
谢林枫等: "基于一种新技术的风电功率短期预测", 《计算机仿真》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117574148A (zh) * 2023-11-20 2024-02-20 国网冀北电力有限公司信息通信分公司 智能预测模型的训练方法、预测方法及相关设备

Also Published As

Publication number Publication date
CN114743072B (zh) 2023-01-31

Similar Documents

Publication Publication Date Title
CN114241282B (zh) 一种基于知识蒸馏的边缘设备场景识别方法及装置
CN113657388B (zh) 一种融合图像超分辨率重建的图像语义分割方法
CN113673425B (zh) 一种基于Transformer的多视角目标检测方法及系统
CN110826549A (zh) 基于计算机视觉的巡检机器人仪表图像识别方法及系统
CN111950453A (zh) 一种基于选择性注意力机制的任意形状文本识别方法
CN111598942A (zh) 一种用于对电力设施仪表进行自动定位的方法及系统
CN111325116A (zh) 一种基于线下训练-线上学习深度可演化的遥感影像目标检测方法
CN114743072B (zh) 一种短期时间序列预测模型的训练方法
CN110825829A (zh) 一种基于自然语言和语义地图实现机器人自主导航的方法
CN110705397A (zh) 一种适用于现场样本量少的YOLOv3剪枝识别绝缘子缺陷方法
Sampath et al. Estimation of rooftop solar energy generation using Satellite Image Segmentation
CN111104850B (zh) 一种基于残差网络的遥感影像建筑物自动提取方法和系统
CN116720156A (zh) 基于图神经网络多模态气象数据融合的气象要素预报方法
CN114820668A (zh) 一种端到端的基于同心环卷积的建筑物规则轮廓自动提取方法
CN117496426A (zh) 基于互学习的预制梁工序识别方法及装置
CN110826810B (zh) 一种空间推理与机器学习相结合的区域降雨预测方法
CN113052103A (zh) 一种基于神经网络的电气设备缺陷检测方法及装置
CN116310293B (zh) 一种基于弱监督学习的生成高质量候选框目标检测方法
CN115219492B (zh) 一种三维物体的外观图像采集方法及装置
CN113256678B (zh) 基于自注意力变换网络的目标跟踪方法
CN114663751A (zh) 一种基于增量学习技术的输电线路缺陷识别方法和系统
CN113962432A (zh) 一种融合三维卷积与轻量卷积门限单元的风电预测方法及系统
CN113763447A (zh) 深度图的补全方法、电子设备及存储介质
CN112464989A (zh) 一种基于目标检测网络的闭环检测方法
Lin et al. Measurement Optimization of Power Tower Based on Tilt Photography and Laser Scanning under Extreme Lighting Conditions

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
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Wang Jue

Inventor after: Wang Zijian

Inventor after: Cao Haizhou

Inventor after: Yao Tiechui

Inventor after: Wang Yangang

Inventor after: Wang Xiaoguang

Inventor after: Wan Meng

Inventor before: Wang Jue

Inventor before: Wang Zijian

Inventor before: Cao Haizhou

Inventor before: Yao Tiechui

Inventor before: Wang Yangang

Inventor before: Wang Xiaoguang

Inventor before: Wan Meng