CN114861980A - 一种基于bp-lstm模型的碳预测方法 - Google Patents
一种基于bp-lstm模型的碳预测方法 Download PDFInfo
- Publication number
- CN114861980A CN114861980A CN202210351635.0A CN202210351635A CN114861980A CN 114861980 A CN114861980 A CN 114861980A CN 202210351635 A CN202210351635 A CN 202210351635A CN 114861980 A CN114861980 A CN 114861980A
- Authority
- CN
- China
- Prior art keywords
- data
- lstm
- prediction
- bpnn
- network
- 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
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
- 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
- G06N3/04—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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/80—Management or planning
- Y02P90/84—Greenhouse gas [GHG] management systems
- Y02P90/845—Inventory and reporting systems for greenhouse gases [GHG]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及碳预测技术领域,且公开了一种基于BP‑LSTM模型的碳预测方法,包括以下步骤:S1、原始数据引入时序因素:基于历史碳排放数据匹配相应的时序数据,经过对数据的清洗和数据归一化处理,得到增强数据集,作为模型的输入数据;S2、BPNN预测:拆分输入数据,形成BPNN模型的训练数据和测试数据,确定BPNN网络结构和权值、阈值参数,训练网络,对测试数据进行预测,计算预测误差;本发明提出一种引入时序因素的BPNN_LSTM组合预测模型,综合考虑对碳排放具有重要影响的日期和时间因素,采用LSTM对BPNN的预测残差进行修正,对不同时间维度的碳排放数据进行预测,从而在对碳预测上具有更高的精度和稳定性。
Description
技术领域
本发明涉及碳预测技术领域,具体为一种基于BP-LSTM模型的碳预测方法。
背景技术
随着人类的日常活动以及各种工厂企业的日常生产,都会出现碳排放的现象,碳大量的排放会造成温室效应的产生,造成地球升温,从而威胁人类的生存。针对这一情况,为了更好的控制碳排放,会根据以往的碳排放数据进行碳预测,从而预测出后续碳排放的数据,便于人们可以及时的制定出措施,避免碳排放过量。但当前的碳预测精度较低,难以准确把握历史数据时序特征,为人们的后续制定策略或者措施带来了一定的干扰。
发明内容
(一)解决的技术问题
针对现有技术的不足,本发明提供了一种基于BP-LSTM模型的碳预测方法,解决了上述背景技术中所存在的问题。
(二)技术方案
为实现上述目的,本发明提供如下技术方案:一种基于BP-LSTM模型的碳预测方法,包括以下步骤:
S1、原始数据引入时序因素:基于历史碳排放数据匹配相应的时序数据,经过对数据的清洗和数据归一化处理,得到增强数据集,作为模型的输入数据;
S2、BPNN预测:拆分输入数据,形成BPNN模型的训练数据和测试数据,确定BPNN网络结构和权值、阈值参数,训练网络,对测试数据进行预测,计算预测误差;
S3、LSTM预测:基于BPNN误差,再次匹配时序数据,并进行归一化处理,作为LSTM网络的输入数据,确定LSTM网络结构和权值、阈值参数,进行训练和预测,得到BPNN残差预测值;
S4、加总BPNN预测结果和LSTM残差预测结果,得到最终的碳预测结果。
优选的,所述步骤S1具体为:以xi,i∈(1,n+k)表示第i个时间节点的历史碳排放数据,以x1,x2,...,xn构建第1个时间节点到第n个时间节点的历史数据,以x2,x3,...,xn+1构建第2个时间节点到第n+1个时间节点的历史数据,依次类推,构建历史碳排放数据矩阵XOriginal,
基于历史碳排放数据的时序特征,引入时序因素的日期属性Di,i∈(1,n+k)和时间属性Ti,i∈(1,n+k),匹配历史碳排放数据矩阵,构建数据集X和待预测数据集Y,
经过数据清洗和归一化处理后得到增强数据集(X,Y),作为模型的输入数据。
优选的,所述步骤S2具体为:BP神经网络包括输入层、隐含层和输出层,每层都由人工神经元联结进行计算,采用梯度下降的方式修正各神经元的权值,使得误差信号最小;
拆分输入数据(X,Y)为训练数据集(Xtrain,Ytrain)和测试数据集(Xtest,Ytest),构建输入层、第一隐含层、第二隐含层、输出层的四层网络结构,采用随机函数生成的方式初始化权值和阈值参数,选取sigmoid函数为BPNN神经网络的激活函数,函数表达方式如下:
对训练数据集进行正向预测,设置比对预测结果Ypredict和实际碳排放数据Ytest的损失函数为均方误差平方根函数MSE,如下:
依据梯度下降规则调整权值,将输出层的反传误差信号经第二隐含层、第一隐含层传递计算,最终传至输出层,通过误差的反向传播,修正各个节点之间的连接权值,实现网络优化,网络训练完成后,带入测试数据集Xtest,计算BPNN预测结果YBP与实际碳排放数据Ytest的残差E,并将其传向LSTM网络。
优选的,所述步骤S3具体为:相比于BPNN,LSTM的隐含层不再是普通的神经元,而是用于增加或删除细胞状态中的信息的三重门结构;
LSTM的前向计算过程中,每个记忆细胞的运算均由输入门、遗忘门、输出门控制,每个门分别对当前输入数据进行运算,依据激活函数的判断逻辑决定是否将运算结果向下传递,当前状态下,记忆细胞接收输入向量xt和上一时刻细胞的隐藏状态ht-1,输入门it点乘新生成的信息后与遗忘门ft处理过后的细胞状态ft·Ct-1叠加,生成细胞状态Ct,经输出门运算和控制,生成当前细胞状态的保留信息ot和隐藏状态的输出ht,LSTM的反向误差传播程与BPNN类似,通过计算每个细胞误差,按照时间和网络层级两个方向反向传播,更新权值梯度,优化联结权值,提升网络精度;
基于BPNN预测残差E,再次匹配时序数据Di和Ti,经过归一化处理,作为LSTM网络的输入数据,输入数据经输入门、遗忘门、输出门的运算,生成当前细胞状态保留信息ot和隐藏状态的输出ht,并将输出数据向下一时刻传递,最终得到残差预测结果E’;
最终预测结果YBP_LSTM为BPNN预测结果和LSTM残差预测结果之和,如下:
YBP_LSTM=YBP+E’
采用平均绝对百分比误差(MAPE)评价模型预测结果,函数表达如下:
(三)有益效果
本发明提供了一种基于BP-LSTM模型的碳预测方法,具备以下有益效果:
本发明提出一种引入时序因素的BPNN_LSTM组合预测模型,综合考虑对碳排放具有重要影响的日期和时间因素,采用LSTM对BPNN的预测残差进行修正,对不同时间维度的碳排放数据进行预测,从而在对碳预测上具有更高的精度和稳定性。
附图说明
图1为本发明的流程示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明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发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,本发明提供一种技术方案:一种基于BP-LSTM模型的碳预测方法,包括以下步骤:
S1、原始数据引入时序因素:基于历史碳排放数据匹配相应的时序数据,经过对数据的清洗和数据归一化处理,得到增强数据集,作为模型的输入数据,具体为:以xi,i∈(1,n+k)表示第i个时间节点的历史碳排放数据,以x1,x2,...,xn构建第1个时间节点到第n个时间节点的历史数据,以x2,x3,...,xn+1构建第2个时间节点到第n+1个时间节点的历史数据,依次类推,构建历史碳排放数据矩阵XOriginal,
基于历史碳排放数据的时序特征,引入时序因素的日期属性Di,i∈(1,n+k)和时间属性Ti,i∈(1,n+k),匹配历史碳排放数据矩阵,构建数据集X和待预测数据集Y,
经过数据清洗和归一化处理后得到增强数据集(X,Y),作为模型的输入数据;
S2、BPNN预测:拆分输入数据,形成BPNN模型的训练数据和测试数据,确定BPNN网络结构和权值、阈值参数,训练网络,对测试数据进行预测,计算预测误差,具体为:BP神经网络包括输入层、隐含层和输出层,每层都由人工神经元联结进行计算,采用梯度下降的方式修正各神经元的权值,使得误差信号最小;
拆分输入数据(X,Y)为训练数据集(Xtrain,Ytrain)和测试数据集(Xtest,Ytest),构建输入层、第一隐含层、第二隐含层、输出层的四层网络结构,采用随机函数生成的方式初始化权值和阈值参数,选取sigmoid函数为BPNN神经网络的激活函数,函数表达方式如下:
对训练数据集进行正向预测,设置比对预测结果Ypredict和实际碳排放数据Ytest的损失函数为均方误差平方根函数MSE,如下:
依据梯度下降规则调整权值,将输出层的反传误差信号经第二隐含层、第一隐含层传递计算,最终传至输出层,通过误差的反向传播,修正各个节点之间的连接权值,实现网络优化,网络训练完成后,带入测试数据集Xtest,计算BPNN预测结果YBP与实际碳排放数据Ytest的残差E,并将其传向LSTM网络;
S3、LSTM预测:基于BPNN误差,再次匹配时序数据,并进行归一化处理,作为LSTM网络的输入数据,确定LSTM网络结构和权值、阈值参数,进行训练和预测,得到BPNN残差预测值,具体为:相比于BPNN,LSTM的隐含层不再是普通的神经元,而是用于增加或删除细胞状态中的信息的三重门结构;
LSTM的前向计算过程中,每个记忆细胞的运算均由输入门、遗忘门、输出门控制,每个门分别对当前输入数据进行运算,依据激活函数的判断逻辑决定是否将运算结果向下传递,当前状态下,记忆细胞接收输入向量xt和上一时刻细胞的隐藏状态ht-1,输入门it点乘新生成的信息后与遗忘门ft处理过后的细胞状态ft·Ct-1叠加,生成细胞状态Ct,经输出门运算和控制,生成当前细胞状态的保留信息ot和隐藏状态的输出ht,LSTM的反向误差传播程与BPNN类似,通过计算每个细胞误差,按照时间和网络层级两个方向反向传播,更新权值梯度,优化联结权值,提升网络精度;
基于BPNN预测残差E,再次匹配时序数据Di和Ti,经过归一化处理,作为LSTM网络的输入数据,输入数据经输入门、遗忘门、输出门的运算,生成当前细胞状态保留信息ot和隐藏状态的输出ht,并将输出数据向下一时刻传递,最终得到残差预测结果E’;
最终预测结果YBP_LSTM为BPNN预测结果和LSTM残差预测结果之和,如下:
YBP_LSTM=YBP+E’
采用平均绝对百分比误差(MAPE)评价模型预测结果,函数表达如下:
S4、加总BPNN预测结果和LSTM残差预测结果,得到最终的碳预测结果。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (4)
1.一种基于BP-LSTM模型的碳预测方法,其特征在于,包括以下步骤:
S1、原始数据引入时序因素:基于历史碳排放数据匹配相应的时序数据,经过对数据的清洗和数据归一化处理,得到增强数据集,作为模型的输入数据;
S2、BPNN预测:拆分输入数据,形成BPNN模型的训练数据和测试数据,确定BPNN网络结构和权值、阈值参数,训练网络,对测试数据进行预测,计算预测误差;
S3、LSTM预测:基于BPNN误差,再次匹配时序数据,并进行归一化处理,作为LSTM网络的输入数据,确定LSTM网络结构和权值、阈值参数,进行训练和预测,得到BPNN残差预测值;
S4、加总BPNN预测结果和LSTM残差预测结果,得到最终的碳预测结果。
2.根据权利要求1所述的一种基于BP-LSTM模型的碳预测方法,其特征在于:所述步骤S1具体为:以xi,i∈(1,n+k)表示第i个时间节点的历史碳排放数据,以x1,x2,...,xn构建第1个时间节点到第n个时间节点的历史数据,以x2,x3,...,xn+1构建第2个时间节点到第n+1个时间节点的历史数据,依次类推,构建历史碳排放数据矩阵XOriginal,
基于历史碳排放数据的时序特征,引入时序因素的日期属性Di,i∈(1,n+k)和时间属性Ti,i∈(1,n+k),匹配历史碳排放数据矩阵,构建数据集X和待预测数据集Y,
经过数据清洗和归一化处理后得到增强数据集(X,Y),作为模型的输入数据。
3.根据权利要求2所述的一种基于BP-LSTM模型的碳预测方法,其特征在于:所述步骤S2具体为:BP神经网络包括输入层、隐含层和输出层,每层都由人工神经元联结进行计算,采用梯度下降的方式修正各神经元的权值,使得误差信号最小;
拆分输入数据(X,Y)为训练数据集(Xtrain,Ytrain)和测试数据集(Xtest,Ytest),构建输入层、第一隐含层、第二隐含层、输出层的四层网络结构,采用随机函数生成的方式初始化权值和阈值参数,选取sigmoid函数为BPNN神经网络的激活函数,函数表达方式如下:
对训练数据集进行正向预测,设置比对预测结果Ypredict和实际碳排放数据Ytest的损失函数为均方误差平方根函数MSE,如下:
依据梯度下降规则调整权值,将输出层的反传误差信号经第二隐含层、第一隐含层传递计算,最终传至输出层,通过误差的反向传播,修正各个节点之间的连接权值,实现网络优化,网络训练完成后,带入测试数据集Xtest,计算BPNN预测结果YBP与实际碳排放数据Ytest的残差E,并将其传向LSTM网络。
4.根据权利要求1所述的一种基于BP-LSTM模型的碳预测方法,其特征在于:所述步骤S3具体为:相比于BPNN,LSTM的隐含层不再是普通的神经元,而是用于增加或删除细胞状态中的信息的三重门结构;
LSTM的前向计算过程中,每个记忆细胞的运算均由输入门、遗忘门、输出门控制,每个门分别对当前输入数据进行运算,依据激活函数的判断逻辑决定是否将运算结果向下传递,当前状态下,记忆细胞接收输入向量xt和上一时刻细胞的隐藏状态ht-1,输入门it点乘新生成的信息后与遗忘门ft处理过后的细胞状态ft·Ct-1叠加,生成细胞状态Ct,经输出门运算和控制,生成当前细胞状态的保留信息ot和隐藏状态的输出ht,LSTM的反向误差传播程与BPNN类似,通过计算每个细胞误差,按照时间和网络层级两个方向反向传播,更新权值梯度,优化联结权值,提升网络精度;
基于BPNN预测残差E,再次匹配时序数据Di和Ti,经过归一化处理,作为LSTM网络的输入数据,输入数据经输入门、遗忘门、输出门的运算,生成当前细胞状态保留信息ot和隐藏状态的输出ht,并将输出数据向下一时刻传递,最终得到残差预测结果E’;
最终预测结果YBP_LSTM为BPNN预测结果和LSTM残差预测结果之和,如下:
YBP_LSTM=YBP+E’
采用平均绝对百分比误差(MAPE)评价模型预测结果,函数表达如下:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210351635.0A CN114861980A (zh) | 2022-04-02 | 2022-04-02 | 一种基于bp-lstm模型的碳预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210351635.0A CN114861980A (zh) | 2022-04-02 | 2022-04-02 | 一种基于bp-lstm模型的碳预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114861980A true CN114861980A (zh) | 2022-08-05 |
Family
ID=82630114
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210351635.0A Pending CN114861980A (zh) | 2022-04-02 | 2022-04-02 | 一种基于bp-lstm模型的碳预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114861980A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115564106A (zh) * | 2022-09-29 | 2023-01-03 | 中国能源建设集团广东省电力设计研究院有限公司 | 一种基于电力数据的碳排放测算方法 |
CN116187584A (zh) * | 2023-04-19 | 2023-05-30 | 深圳大学 | 一种基于梯度下降算法的建筑碳足迹预测方法及系统 |
CN118037078A (zh) * | 2024-04-12 | 2024-05-14 | 国网浙江省电力有限公司湖州供电公司 | 一种变电站碳排放计算数据迁移方法 |
-
2022
- 2022-04-02 CN CN202210351635.0A patent/CN114861980A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115564106A (zh) * | 2022-09-29 | 2023-01-03 | 中国能源建设集团广东省电力设计研究院有限公司 | 一种基于电力数据的碳排放测算方法 |
CN115564106B (zh) * | 2022-09-29 | 2023-10-17 | 中国能源建设集团广东省电力设计研究院有限公司 | 一种基于电力数据的碳排放测算方法 |
CN116187584A (zh) * | 2023-04-19 | 2023-05-30 | 深圳大学 | 一种基于梯度下降算法的建筑碳足迹预测方法及系统 |
CN116187584B (zh) * | 2023-04-19 | 2023-09-05 | 深圳大学 | 一种基于梯度下降算法的建筑碳足迹预测方法及系统 |
CN118037078A (zh) * | 2024-04-12 | 2024-05-14 | 国网浙江省电力有限公司湖州供电公司 | 一种变电站碳排放计算数据迁移方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114861980A (zh) | 一种基于bp-lstm模型的碳预测方法 | |
CN108900346B (zh) | 基于lstm网络的无线网络流量预测方法 | |
CN108764540B (zh) | 基于并行lstm串联dnn的供水管网压力预测方法 | |
CN113905391B (zh) | 集成学习网络流量预测方法、系统、设备、终端、介质 | |
CN107301864A (zh) | 一种基于Maxout神经元的深度双向LSTM声学模型 | |
CN109002942A (zh) | 一种基于随机神经网络的短期负荷预测方法 | |
CN111182564B (zh) | 一种基于lstm神经网络的无线链路质量预测方法 | |
CN102622418B (zh) | 一种基于bp神经网络的预测装置及设备 | |
CN109146156B (zh) | 一种用于预测充电桩系统充电量的方法 | |
CN106529820A (zh) | 一种运营指标的预测方法及系统 | |
CN111461463B (zh) | 一种基于tcn-bp的短期负荷预测方法、系统及设备 | |
JP2006522376A (ja) | 自動的な経験料率の設定、及び/又は、損失積立のためのシステム、及び、方法 | |
CN112488452B (zh) | 一种基于深度强化学习的能源系统管理多时间尺度最优决策方法 | |
CN106920014A (zh) | 一种短时负荷预测方法及装置 | |
CN114118375A (zh) | 一种基于时序图Transformer的连续动态网络表征学习方法 | |
CN109034500A (zh) | 一种多时序协同的中期电力负荷预测方法 | |
CN112257847A (zh) | 一种基于CNN和LSTM预测地磁Kp指数的方法 | |
CN113393034A (zh) | 一种在线自适应oselm-garch模型的电量预测方法 | |
Lei et al. | A novel time-delay neural grey model and its applications | |
CN111369075A (zh) | 运量预测方法 | |
CN111524348A (zh) | 一种长短期交通流预测模型及方法 | |
CN116562454A (zh) | 一种应用于bim的长短时注意力机制网络的造价预测方法 | |
CN116341752A (zh) | 一种基于图神经网络的协同供应链预测方法 | |
CN111415051A (zh) | 一种基于bp神经网络的电力物资需求计划预测方法 | |
CN116822722A (zh) | 水位预测方法、系统、装置、电子设备及介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |