CN114819260A - 一种水文时间序列预测模型动态生成方法 - Google Patents

一种水文时间序列预测模型动态生成方法 Download PDF

Info

Publication number
CN114819260A
CN114819260A CN202210243703.1A CN202210243703A CN114819260A CN 114819260 A CN114819260 A CN 114819260A CN 202210243703 A CN202210243703 A CN 202210243703A CN 114819260 A CN114819260 A CN 114819260A
Authority
CN
China
Prior art keywords
sequence
data
time series
prediction model
hydrological
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
CN202210243703.1A
Other languages
English (en)
Inventor
聂青青
万定生
余宇峰
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.)
Hohai University HHU
Original Assignee
Hohai University HHU
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 Hohai University HHU filed Critical Hohai University HHU
Priority to CN202210243703.1A priority Critical patent/CN114819260A/zh
Publication of CN114819260A publication Critical patent/CN114819260A/zh
Pending legal-status Critical Current

Links

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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • G06N3/08—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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • 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
    • G06Q50/06—Energy or water supply

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Development Economics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Quality & Reliability (AREA)
  • Educational Administration (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Primary Health Care (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开一种水文时间序列预测模型动态生成方法，采集对应水文站水位数据，组织成水文时间序列数据集并预处理；结合改进的符号距离UMD与DBSCAN聚类对分割并符号化的序列进行聚类；针对每条待匹配序列动态形成其相似序列集并构建、训练模型，首先衡量代表序列与待匹配符号化序列的距离选取相似类别组成候选集，其次采用改进的DTW算法对相似序列候选集进行筛选，构建相似序列集，最后对TCN模型参数进行优化，利用相似序列集对模型进行训练，得到基于相似性搜索水文时间序列预测模型；对所述水文时间序列预测模型动态生成方法得到的模型进行水位预测，准确度更高。

Description

一种水文时间序列预测模型动态生成方法
技术领域
本发明属于水文预测技术，具体涉及一种水文时间序列预测模型动态生成方法。
背景技术
时序数据广泛存在于社会和生活的各个领域，以离散形式记录着随时间变化的水文现象的水文数据属于典型的时间序列数据。水文时序数据大多具有数据量大、噪声多、不稳定、更新快和复杂性高等特点，如水位、流量、降雨量等信息。在当今的社会生活中，水利信息化突显出越来越重要的作用，其主要工作包含信息采集、挖掘和分析等，如何从繁杂的水文数据中获取有效的特征与知识从而服务于水文预报与调度工作是现在急需解决的难题。
数据挖掘技术的发展为水文信息管理、水利现代化研究以及水文预报等提供了有力的技术支持。水文时间序列数据挖掘是将时序数据挖掘技术应用在水文现象中，旨在从数据量大、数据维度高以及稳定性较低的水文数据中，提取事先未知的、隐含的和潜在的有用信息，比如洪水频率、水文情势突变等，为水文预报、防洪减灾工作服务。有效的水文时序数据挖掘对于把握未来水文过程的变化规律、提高预报水平、预防水文灾害具有重要的现实意义。
水文时间序列相似性分析是水文规律研究、聚类、模体挖掘以及异常检测等问题的基础。水情变化由于受多种因素的影响，如水文规律、人类活动、气候因素、地理环境等，通常会呈现出周期性特点。水文过程表现出的年际间周期变化可定义为年际间的相似性，同样，不同的洪水场次由于受到降雨过程的影响都呈现出由上升到峰值最后消退的趋势，即存在相似性，这些相似的过程中必然包含了大量的信息，能够反映很多有用的规律。近年来我国一些流域频发暴雨、洪水事件，容易引发山体滑坡、泥石流等严重灾害，导致人员伤亡、经济受损，因此水文预测工作的重要性日益凸显。有效的水文预测在防洪减灾工程中能够发挥巨大的社会作用，随着经济的不断发展，预测工作的效益也日益显著。为了适应新时期水利信息化的发展，需要有效利用水文过程间相似性服务于水文预测工作，为防洪预警工作提供决策支持，最大限度地降低经济损失。
发明内容
发明目的：本发明的目的在于解决现有技术存在的不足，提供一种水文时间序列预测模型动态生成方法，通过数据挖掘的相关技术，对水文时间序列进行相似性分析和预测研究。
技术方案：本发明的一种水文时间序列预测模型动态生成方法，包括以下步骤：
步骤S1、采集一水系流域水文站一定时间段内的历史水位数据，组织成水文时间序列数据集。对水位样本数据进行预处理；
步骤S2、采用改进的符号距离UMD结合DBSCAN聚类的方法对滑动窗口分割并符号聚合近似表示(SAX)的序列进行聚类。再针对每条待匹配序列动态形成其相似序列集，即将各类代表序列与待匹配序列的符号表示进行距离衡量选取相似类别组成相似序列候选集，采用改进的DTW算法相似序列候选集进行筛选，构建相似序列集；
步骤S3、对TCN模型的卷积核数量num、批尺寸大小batch_size、学习率lr等进行参数寻优，同时利用相似序列集对TCN模型进行训练，最终得到基于相似性搜索的水文时间序列预测模型；
步骤S4、对所述水文时间序列预测模型动态生成方法得到的模型进行水文预测。
所述步骤S1用于获取数据集和相应的标签信息并对数据集中的数据进一步处理，所述步骤S1进一步为：对数据集中的水位数据样本进行预处理，其中包括对缺失数据进行填补、对错误数据进行修正、数据标准化。
标准化公式如下：
Figure BSA0000268467230000021
其中x表示原始数据，x′表示标准化后的数据，mean(x)表示x的均值，σ表示标准差。
对历史水位数据进行相似性分析，挖掘的有效信息可进一步应用于水文预测以提高预测结果的精度。所述步骤S2用于构建待匹配序列的相似序列集，具体包括：
步骤S2.1、将经过预处理的水文数据进行滑动窗口分割得到序列段数据集，对每个序列段进行分段聚合近似(PAA)表示并采用SAX符号化，再对符号化后的数据集进行基于UMD-DBSCAN聚类算法操作，得到聚类结果；
PAA计算公式如下：
Figure BSA0000268467230000022
其中m表示时间序列的长度，ω表示PAA序列的长度，
Figure BSA0000268467230000023
代表PAA序列
Figure BSA0000268467230000024
中的第i个元素；
符号序列
Figure BSA0000268467230000031
与
Figure BSA0000268467230000032
间的UMD距离度量公式如下：
Figure BSA0000268467230000033
其中，
Figure BSA0000268467230000034
与
Figure BSA0000268467230000035
表示字符序列
Figure BSA0000268467230000036
与
Figure BSA0000268467230000037
的第i个序列段的符号表示，
Figure BSA0000268467230000038
表示两个序列段(字符)之间的距离，可以由更新后的距离表查找得到；
步骤S2.2、根据所述步骤S2.1的聚类结果，采用UMD的最小距离方差法对每一类数据计算出一条中心序列作为该类的代表序列。将待匹配符号序列与各类的代表序列进行距离度量，根据阈值选择相应的类别，得到相似序列的候选集；
步骤S2.3、依据待匹配序列对相似序列候选集再次筛选。使用改进的DTW算法对序列间的相似度进行度量，选取相似度在合适范围内的序列构成预测模型所用的数据集。
TCN模型中存在一些重要的参数，选择更优的参数能够有效提高序列预测的精度，因此对TCN模型的卷积核数量num、批尺寸大小batch_size、学习率lr等参数进行寻优，所述步骤S3具体包括：
步骤S3.1、将所述步骤S2中得到的相似序列集划分为训练集与验证集，为了降低数据本身的不稳定性和数据间量级差别的影响对数据进行归一化；
归一化公式如下：
Figure BSA0000268467230000039
其中trnorm为归一化后的数值，tr为原始水位值，trmax、trmin为原始水位中的最大、最小值；
步骤S3.2、初始化TCN模型卷积核数量num、批尺寸大小batch_size、学习率lr等参数的取值范围，设置优化算法的迭代次数N_iteration及相关参数；
步骤S3.3、采用均方根误差(RMSE)作为个体适应度，训练TCN模型并测试，根据适应度值更新优化算法中的个体；
步骤S3.4、以最大迭代次数N_iteration作为优化算法结束条件，达到最大迭代次数时的最优个体即为最优参数组合，进一步得到基于相似性搜索的水文时间序列预测模型。
所述步骤4中使用的TCN模型由于存在因果卷积和膨胀卷积可以与时间序列有效的历史记忆相结合，在处理时序问题方面具有一定的优势。TCN预测模型主要由以下几个部分组成：(1)输入层：以目标水文站的历史水位值作为输入特征；(2)网络层：用于时间序列数据特征的搜索和模型计算参数的传递，通过网络层的训练可以找到能够反映输入特征与预测结果间最佳映射关系的一组计算参数。(3)输出层：包括对预测得到水位值进行反归一化处理，输出最终的模型预测结果。
有益效果：与现有技术相比，本发明的优点在于：
(1)本发明采用时间序列相似性搜索方法获得待匹配序列的相似序列集，有效的减少了用于模型训练的数据量、缩短了模型的训练时间。
(2)在获得的相似序列集的基础上对TCN模型的参数进行搜索，利用最优参数进行模型的构建与水文预测，预测结果精度更高，并且能够在保证预测效果的情况下提高水文预测的效率。
附图说明
图1为本发明的整体结构示意图。
图2为本发明的相似性分析模块的工作流程图。
图3为本发明一实施例中预测工作流程图。
图4为实施例中未来24h模型预测误差对比图。
具体实施方式
下面对本发明技术方案进行详细说明，但是本发明的保护范围不局限于所述实施例。
如图1所示，本实施例的一种水文时间序列预测模型动态生成方法，包括以下步骤：
步骤S1、选取长江中游地区莲花塘水文站的历史水位信息，时间从2014年2月26日8时至2018年2月28日14时共计35119条小时水位数据，将其组织成水文时间序列数据集。该水位样本数据中存在数据缺失、数据错误等情况因此进行预处理，其中包括对缺失数据进行填补、对错误数据进行修正、数据标准化；
标准化公式如下：
Figure BSA0000268467230000041
其中x表示原始数据，x′表示标准化后的数据，mean(x)表示x的均值，σ表示标准差；
步骤S2、采用改进的符号距离UMD结合DBSCAN聚类的方法对滑动窗口分割并符号聚合近似表示(SAX)的序列进行聚类。再针对每条待匹配序列动态形成其相似序列集，即将各类代表序列与待匹配序列的符号表示进行距离衡量选取相似类别组成相似序列候选集，采用改进的DTW算法相似序列候选集进行筛选，构建相似序列集；
步骤S2.1、将2014年2月26日8时至2018年2月28日14时的历史水位数据采用滑动窗口的方法进行分割得到初始时间序列数据集，滑动窗口的窗口大小为120，移动步长为1，分割后共得到35000条子序列；对每条序列进行分段聚合近似(PAA)表示，得到每条长为20的PAA序列；设置字母表中字符个数a为6并采用SAX符号化，再对符号化后的数据集进行基于UMD-DBSCAN聚类算法操作，得到聚类结果；
PAA计算公式如下：
Figure BSA0000268467230000051
其中m表示时间序列的长度，ω表示PAA序列的长度，
Figure BSA0000268467230000052
代表PAA序列
Figure BSA0000268467230000053
中的第i个元素；
符号序列
Figure BSA0000268467230000054
与
Figure BSA0000268467230000055
间的UMD距离度量公式如下：
Figure BSA0000268467230000056
其中，
Figure BSA0000268467230000057
与
Figure BSA0000268467230000058
表示字符序列
Figure BSA0000268467230000059
与
Figure BSA00002684672300000510
的第i个序列段的符号表示，
Figure BSA00002684672300000511
表示两个序列段(字符)之间的距离，可以由更新后的距离表查找得到；
步骤S2.2、根据所述步骤S2.1，莲花塘站字符化后的序列数据被划分为31类，采用UMD的最小距离方差法对每一类数据计算出一条中心序列作为该类的代表序列；选取莲花塘站2018/2/23 16：00：00-2018/2/28 15：00：00的数据作为待匹配序列，将其符号化序列与各类的代表序列进行距离度量，选择相应的类别组成相似序列的候选集；
步骤S2.3、依据待匹配序列对相似序列候选集再次筛选。使用改进的DTW算法对序列间的相似度进行度量，选取相似度前50％的序列构成预测模型所用的相似序列数据集；
步骤S3、对TCN模型的卷积核数量num、批尺寸大小batch_size、学习率lr等进行参数寻优，同时利用相似序列集对TCN模型进行训练，最终得到基于相似性搜索的水文时间序列预测模型；
步骤S3.1、将所述步骤S2得到的相似序列集前80％的数据作为训练集，余下的20％数据作为验证集，为了降低数据本身的不稳定性和数据间量级差别的影响对数据进行归一化；
归一化公式如下：
Figure BSA0000268467230000061
其中trnorm为归一化后的数值，tr为原始水位值，trmax、trmin为原始水位中的最大、最小值；
步骤S3.2、初始化TCN模型卷积核数量num、批尺寸大小batch_size、学习率lr等参数的取值范围，设置num范围是(8，256)，batch_size范围是(16，512)，lr范围是(0.001，0.01)。设置优化算法的迭代次数N_iteration为30次；
步骤S3.3、采用均方根误差(RMSE)作为个体适应度，训练TCN模型并测试，根据适应度值更新优化算法中的个体；
步骤S3.4、以最大迭代次数N_iteration作为优化算法结束条件，达到最大迭代次数时的最优个体即为最优参数组合，进一步得到基于相似性搜索的水文时间序列预测模型。
步骤S4、对所述水文时间序列预测模型动态生成方法得到的模型进行水文预测
使用所述基于相似性搜索的水文时间序列预测模型对莲花塘的水位数据进行预测，采用SVM模型、CNN模型、LSTM模型、TCN模型进行对比，2018/7/3 10：00未来24个小时的预测结果如图4所示，对预测结果的评价指标采用RMSE、MAE、SMAPE三种，计算公式如下：
Figure BSA0000268467230000062
Figure BSA0000268467230000063
Figure BSA0000268467230000064
式中yreal表示水位的观测值，ypre表示模型预测的水位值，m为测试集中的样本数。
表1为本实施例中的相关对比。
表1
Figure BSA0000268467230000071
通过表1数据对比不难看出，实施例中的其他四个模型在莲花塘水文站表现并不是很好，其误差值(RMSE、MAE、SMAPE)均比较大，而本发明技术方案的水文时间序列预测误差相对较小，从整体上看，本发明的预测准确率更高。

Claims (4)

1.一种水文时间序列预测模型动态生成方法，其特征在于：包括以下步骤：
步骤S1、采集一水系流域水文站一定时间段内的历史水位数据，组织成水文时间序列数据集，对水位样本数据进行预处理；
步骤S2、采用改进的符号距离UMD结合DBSCAN聚类的方法对滑动窗口分割并符号聚合近似表示(SAX)的序列进行聚类。再针对每条待匹配序列动态形成其相似序列集，即将各类代表序列与待匹配序列的符号表示进行距离衡量选取相似类别组成相似序列候选集，采用改进的DTW算法相似序列候选集进行筛选，构建相似序列集；
步骤S2.1、将经过预处理的水文数据进行滑动窗口分割得到序列段数据集，对每个序列段进行分段聚合近似(PAA)表示并采用SAX符号化，再对符号化后的数据集进行基于UMD-DBSCAN聚类算法操作，得到聚类结果；
步骤S2.2、根据所述步骤S2.1的聚类结果，采用UMD的最小距离方差法对每一类数据计算出一条中心序列作为该类的代表序列。将待匹配符号序列与各类的代表序列进行距离度量，根据阈值选择相应的类别，得到相似序列的候选集；
步骤S2.3、依据待匹配序列对相似序列候选集再次筛选。使用改进的DTW算法对序列间的相似度进行度量，选取相似度在合适范围内的序列构成预测模型所用的数据集。
步骤S3、对TCN模型的卷积核数量num、批尺寸大小batch_size、学习率lr等进行参数寻优，同时利用相似序列集对TCN模型进行训练，最终得到基于相似性搜索的水文时间序列预测模型；
步骤S3.1、将所述步骤S2中得到的相似序列集划分为训练集与验证集，为了降低数据本身的不稳定性和数据间量级差别的影响对数据进行归一化；
步骤S3.2、初始化TCN模型卷积核数量num、批尺寸大小batch_size、学习率lr等参数的取值范围，设置优化算法的迭代次数N_iteration及相关参数；
步骤S3.3、采用均方根误差(RMSE)作为个体适应度，训练TCN模型并测试，根据适应度值更新优化算法中的个体；
步骤S3.4、以最大迭代次数N_iteration作为优化算法结束条件，达到最大迭代次数时的最优个体即为最优参数组合，进一步得到基于相似性搜索的水文时间序列预测模型。
步骤S4、对所述水文时间序列预测模型动态生成方法得到的模型进行水文预测。
2.根据权利要求1所述的一种水文时间序列预测模型动态生成方法，其特征在于：所述步骤S1中对数据集中的水位数据样本进行预处理，其中包括对缺失数据进行填补、对错误数据进行修正、数据标准化。
标准化公式如下：
Figure FSA0000268467220000021
其中x表示原始数据，x′表示标准化后的数据，mean(x)表示x的均值，σ表示标准差。
3.根据权利要求1所述的一种水文时间序列预测模型动态生成方法，其特征在于：所述步骤S2.1中PAA计算公式为：
Figure FSA0000268467220000022
其中m表示时间序列的长度，ω表示PAA序列的长度，
Figure FSA0000268467220000023
代表PAA序列
Figure FSA0000268467220000024
中的第i个元素；
符号序列
Figure FSA0000268467220000025
与
Figure FSA0000268467220000026
间的UMD距离度量公式为：
Figure FSA0000268467220000027
其中，
Figure FSA0000268467220000028
与
Figure FSA0000268467220000029
表示字符序列
Figure FSA00002684672200000210
与
Figure FSA00002684672200000211
的第i个序列段的符号表示，
Figure FSA00002684672200000212
表示两个序列段(字符)之间的距离，可以由更新后的距离表查找得到。
4.根据权利要求1所述的一种水文时间序列预测模型动态生成方法，其特征在于：所述步骤S3.1中归一化计算公式为：
Figure FSA00002684672200000213
其中trnorm为归一化后的数值，tr为原始水位值，trmax、trmin为原始水位中的最大、最小值。
CN202210243703.1A 2022-03-11 2022-03-11 一种水文时间序列预测模型动态生成方法 Pending CN114819260A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210243703.1A CN114819260A (zh) 2022-03-11 2022-03-11 一种水文时间序列预测模型动态生成方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210243703.1A CN114819260A (zh) 2022-03-11 2022-03-11 一种水文时间序列预测模型动态生成方法

Publications (1)

Publication Number Publication Date
CN114819260A true CN114819260A (zh) 2022-07-29

Family

ID=82529426

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210243703.1A Pending CN114819260A (zh) 2022-03-11 2022-03-11 一种水文时间序列预测模型动态生成方法

Country Status (1)

Country Link
CN (1) CN114819260A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116975545A (zh) * 2023-07-31 2023-10-31 长沙穗城轨道交通有限公司 一种站台门异常检测方法、装置、电子设备及存储介质
CN118410924A (zh) * 2024-07-03 2024-07-30 江西省水利科学院(江西省大坝安全管理中心、江西省水资源管理中心) 一种耦合多通道聚类模块的水库水位预测方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116975545A (zh) * 2023-07-31 2023-10-31 长沙穗城轨道交通有限公司 一种站台门异常检测方法、装置、电子设备及存储介质
CN118410924A (zh) * 2024-07-03 2024-07-30 江西省水利科学院(江西省大坝安全管理中心、江西省水资源管理中心) 一种耦合多通道聚类模块的水库水位预测方法

Similar Documents

Publication Publication Date Title
CN110263866B (zh) 一种基于深度学习的电力用户负荷区间预测方法
CN111401599B (zh) 一种基于相似性搜索和lstm神经网络的水位预测方法
CN111091233A (zh) 一种基于小波分析和多模型AdaBoost深度网络的风电场短期风电预测建模方法
CN114819260A (zh) 一种水文时间序列预测模型动态生成方法
CN112036042B (zh) 一种基于变分模态分解的动力设备异常检测方法及系统
CN112668775A (zh) 一种基于时序卷积网络算法的空气质量预测方法
CN110210660B (zh) 一种超短期风速预测方法
Cai et al. Anomaly detection of earthquake precursor data using long short-term memory networks
CN110888186A (zh) 基于gbdt+lr模型的冰雹和短时强降水预报方法
CN109740044B (zh) 一种基于时间序列智能预测的企业异动预警方法
Kao et al. Anomaly detection for univariate time series with statistics and deep learning
CN112507479B (zh) 一种基于流形学习和softmax的石油钻机健康状态评估方法
CN114997313B (zh) 一种海洋在线监测数据的异常检测方法
CN114819315A (zh) 基于多参数融合健康因子和时间卷积神经网络的轴承退化趋势预测方法
CN114818579A (zh) 基于一维卷积长短期记忆网络的模拟电路故障诊断方法
CN113670616A (zh) 一种轴承性能退化状态检测方法及系统
CN110516792A (zh) 基于小波分解和浅层神经网络的非平稳时间序列预测方法
CN113987910A (zh) 一种耦合神经网络与动态时间规划的居民负荷辨识方法及装置
CN117154704A (zh) 一种基于多尺度时空图注意力卷积网络的光伏功率预测方法
CN111737993A (zh) 一种配电网设备的故障缺陷文本提取设备健康状态方法
CN116561569A (zh) 一种基于EO特征选择结合AdaBoost算法的工业电力负荷辨识方法
CN115018007A (zh) 一种基于改进id3决策树的敏感数据分类方法
CN114691918A (zh) 基于人工智能的雷达图像检索方法、装置以及电子设备
CN113051809A (zh) 一种基于改进受限玻尔兹曼机的虚拟健康因子构建方法
CN110265151B (zh) 一种基于ehr中异构时态数据的学习方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
DD01 Delivery of document by public notice

Addressee: Nie Qingqing

Document name: Notice of Publication of Patent Application for Invention

Addressee: Nie Qingqing

Document name: Notification on Qualification of Preliminary Examination of Invention Patent Application

DD01 Delivery of document by public notice