CN115238969A - 一种白蚁预防的趋势预测方法、装置、电子设备及介质 - Google Patents
一种白蚁预防的趋势预测方法、装置、电子设备及介质 Download PDFInfo
- Publication number
- CN115238969A CN115238969A CN202210764705.5A CN202210764705A CN115238969A CN 115238969 A CN115238969 A CN 115238969A CN 202210764705 A CN202210764705 A CN 202210764705A CN 115238969 A CN115238969 A CN 115238969A
- Authority
- CN
- China
- Prior art keywords
- termite
- data
- matrix
- building
- matrix 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
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
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/08—Construction
Abstract
本申请涉及白蚁预防的领域,尤其是涉及一种白蚁预防的趋势预测方法、装置、电子设备及介质。其方法包括:获取过去预设时间段内的白蚁危害信息,确定白蚁危害信息中每个建筑组合对应的时间序列长度,并对白蚁危害信息进行无监督时间序列数据整理,得到第一白蚁矩阵数据,然后将第一白蚁矩阵数据输入至虫害预测模型进行向量特征提取,得到白蚁特征维度数量,并将得到的白蚁特征维度数量与第一白蚁矩阵数据进行数据结合处理,生成第二白蚁矩阵数据,然后对第二白蚁矩阵数据进行数据处理,得到白蚁危害数据,将白蚁危害数据输入至预设算法模型中,生成建筑组合数量中每个建筑组合在未来预设时间段内的白蚁量,本申请具有提高白蚁预测准确度的效果。
Description
技术领域
本申请涉及白蚁预防的领域,尤其是涉及一种白蚁预防的趋势预测方法、装置、电子设备及介质。
背景技术
白蚁是破坏性极大的世界性害虫,其危害几乎涉及到国民经济的各个领域。我省的亚热带区域,由于温湿度适应,使白蚁更易生存,从而对我国国民经济造成严重危害。
白蚁预防指的是在白蚁产生危害前就采取一些措施预防白蚁造成损坏。但是白蚁的活动隐蔽,通常在造成巨大破坏之后才被人们发现,因此白蚁监测成为白蚁预防中一个关键的问题。现有的监测白蚁方法大多基于放置饵料在固定的监测节点之中,然后通过监测饵料的变化来推测白蚁的活动情况,然而饵料的引诱效果受温度、湿度等环境因素影响过大,白蚁侵蚀饵料的过程相对缓慢,白蚁活动信息无法及时更新,且这些方法需要定期检查饵料,耗费大量人力物力,从宏观角度来说,存在降低白蚁预测准确度的缺陷。
发明内容
为了提高白蚁预测准确度,本申请提供一种白蚁预防的趋势预测方法、装置、电子设备及介质。
第一方面,本申请提供一种白蚁预防的趋势预测方法,采用如下的技术方案:
一种白蚁预防的趋势预测方法,包括:
获取过去预设时间段内的白蚁危害信息,所述白蚁危害信息为不同区域对应的不同房屋建筑类型所发生过的白蚁信息;
对所述白蚁危害信息进行分析,确定所述白蚁危害信息中不同房屋建筑类型的建筑组合数量以及所述建筑组合数量中每个建筑组合对应的时间序列长度,并基于所述时间序列长度以及所述建筑组合数量对所述白蚁危害信息进行无监督时间序列数据整理,得到第一白蚁矩阵数据;
将所述第一白蚁矩阵数据输入至训练好的虫害预测模型进行向量特征提取,得到白蚁特征维度数量,并将得到的所述白蚁特征维度数量与所述第一白蚁矩阵数据进行数据结合处理,生成第二白蚁矩阵数据;
对所述第二白蚁矩阵数据中所包含的数据进行数据处理,得到白蚁危害数据,并将得到的所述白蚁危害数据输入至预设算法模型中进行数据推算,生成所述建筑组合数量中每个建筑组合在未来预设时间段内的白蚁量。
通过采用上述技术方案,在对白蚁预防的趋势进行预测时,通过对不同区域对应的不同房屋建筑类型所发生过的白蚁数量信息进行采集,得到白蚁危害信息,然后对白蚁危害信息进行分析,获取白蚁危害信息中的不同房屋建筑类型的建筑组合数量以及时间序列长度,其中,时间序列长度与建筑组合数量是一一对应的关系,然后根据时间序列长度以及建筑组合数量对白蚁危害信息进行无监督时间序列数据整理,得到第一白蚁矩阵数据,然后将第一白蚁矩阵数据输入至训练好的虫害预测模型进行向量特征提取,得到白蚁特征维度数量,并将得到的白蚁特征维度数量与第一白蚁矩阵数据进行数据结合处理,生成第二白蚁矩阵数据,然后对第二白蚁矩阵数据中所包含的数据进行一一处理,得到白蚁危害数据,将白蚁危害数据输入至预设算法模型中进行数据推算,生成建筑组合数量中每个建筑组合在未来预设时间段内的白蚁量,工作人员根据实际需求设置过去预设时间段以及未来预设时间段,以获取在未来预设时间段内的不同建筑的白蚁量,从而达到了提高白蚁预测准确度的效果。
在另一种可能实现的方式中,对所述白蚁危害信息进行分析,确定所述白蚁危害信息中不同房屋建筑类型的建筑组合数量以及所述建筑组合数量中每个建筑组合对应的时间序列长度,包括:
基于所述白蚁危害信息确定至少一组白蚁处理数据;
分别对所述至少一组白蚁处理数据进行标签获取,得到每组白蚁处理数据中的建筑数据以及白蚁处理时间数据;
根据所述白蚁处理时间数据确定所述白蚁处理数据是否处理完结,若未处理完结,则将所述白蚁处理数据进行数据瓦解,若处理完结,则将所述建筑数据与所述白蚁处理时间数据进行对应绑定,得到白蚁绑定数据;
对所述白蚁绑定数据进行建筑组合类型筛选,得到所述白蚁危害信息中不同房屋建筑类型的建筑组合数量以及所述建筑组合数量中每个建筑组合对应的时间序列长度。
通过上述技术方案,在对白蚁危害信息进行分析时,获取白蚁危害信息中的至少一组白蚁处理数据,然后分别对每组白蚁处理数据进行标签获取,得到每组白蚁处理数据中的建筑数据以及白蚁处理时间数据,判断白蚁处理时间数据是否处理完结,即截止到目前为止,当前的白蚁处理数据的处理状态是否仍在处理中,若未处理完结,则将白蚁处理数据进行数据瓦解,不将该白蚁处理数据计入到白蚁危害信息中,若处理完结,则将建筑数据与白蚁处理时间数据进行对应绑定,得到白蚁绑定数据,随后对白蚁绑定数据进行建筑组合类型筛选,以得到建筑组合数量以及时间序列长度,通过将未处理完结的白蚁处理数据进行瓦解,提高了白蚁危害信息的准确性。
在另一种可能实现的方式中,将所述第一白蚁矩阵数据输入至训练好的虫害预测模型进行向量特征提取,得到白蚁特征维度数量,包括:
基于所述第一白蚁矩阵数据确定所述白蚁危害信息中每个危害事件的事件名称、事件时间以及事件区域;
分别将所述事件名称、所述事件时间以及所述事件区域输入至所述虫害预测模型进行向量提取,得到与所述事件名称对应的文本特征向量、与所述事件时间对应的时间特征向量以及与所述事件区域对应的区域特征向量;
对所述文本特征向量、所述时间特征向量以及所述区域特征向量进行数量统计,得到所述白蚁特征维度数量。
通过上述技术方案,在对白蚁特征维度数量进行获取时,根据第一白蚁矩阵数据确定白蚁危害信息中每个危害事件的事件名称、事件时间以及事件区域,然后分别将事件名称、事件时间以及事件区域输入至虫害预测模型中进行向量提取,得到与事件名称对应的文本特征向量、与事件时间对应的时间特征向量以及与事件区域对应的区域特征向量,然后通过对文本特征向量、时间特征向量以及区域特征向量进行数量统计,得到白蚁特征维度数量,分别对白蚁危害信息中每个危害事件的特征维度进行统计,达到了提高白蚁特征维度数量的准确度的效果。
在另一种可能实现的方式中,所述将得到的所述白蚁特征维度数量与所述第一白蚁矩阵数据进行数据结合处理,生成第二白蚁矩阵数据,包括:
将所述白蚁特征维度数量与所述第一白蚁矩阵数据进行整合,生成白蚁维度矩阵数据;
对所述白蚁维度矩阵数据进行基本数据分布探查,获取所述白蚁危害信息中危害事件发生的相对周期性规律,并基于所述相对周期性规律确定时间周期长度;
基于所述时间周期长度对所述白蚁维度矩阵数据进行有监督时间序列数据整理,得到白蚁预测矩阵数据;
基于所述白蚁预测矩阵数据对未来预设时间段内的白蚁量趋势进行预测,生成第二白蚁矩阵数据。
通过上述技术方案,在生成第二白蚁矩阵数据时,将白蚁特征维度数量与第一白蚁矩阵数据进行整合,得到白蚁维度矩阵数据,然后对白蚁维度矩阵数据进行基本数据分布探查,获取白蚁危害信息中危害事件发生的相对周期性规律,并根据相对周期性规律确定时间周期长度,然后基于时间周期长度对白蚁维度矩阵数据进行有监督时间序列数据整理,得到白蚁预测矩阵数据,然后根据白蚁预测矩阵数据与未来预设时间段内的白蚁量趋势进行预判,生成第二白蚁矩阵数据,达到了对第一白蚁矩阵数据进行时间序列监督的效果。
在另一种可能实现的方式中,所述对所述第二白蚁矩阵数据中所包含的数据进行数据处理,得到白蚁危害数据,包括:
判断所述数据是否在所述3范围之外,若所述数据在所述3范围之外,则确定所述数据所在所述第二白蚁矩阵数据的第一矩阵序列,根据所述第一矩阵序列计算序列平均值,用所述序列平均值对所述数据进行替换,得到替换后的第二矩阵序列,并对所述第二矩阵序列进行缺失值处理;
对所述第二白蚁矩阵数据中的第二矩阵序列进行序列的归一化处理,得到白蚁危害数据。
通过上述技术方案,在获取白蚁危害数据时,通过计算第二白蚁矩阵数据中所包含的数据的正态分布均值以及正态分布方差确定第二白蚁矩阵数据的3范围,确定当前数据是否在3范围之外,若是,则将数据进行剔除,同时将序列平均值添加到数据所在第一矩阵序列位置处,得到第二矩阵序列,然后对第二矩阵序列进行缺失值处理,以保证矩阵序列的完整性,然后将第二白蚁矩阵数据中的第二矩阵序列进行序列的归一化处理,得到白蚁危害数据,以便后续对白蚁危害数据进行数据处理。
在另一种可能实现的方式中,所述将得到的所述白蚁危害数据输入至预设算法模型中进行数据推算,生成所述建筑组合数量中每个建筑组合在未来预设时间段内的白蚁量,之后还包括:
获取所述建筑组合数量中每个建筑组合在未来预设时间段内的实际白蚁量;
基于所述实际白蚁量对所述白蚁量进行反归一处理,将所述白蚁量恢复到所述实际白蚁量。
通过上述技术方案,在对未来预设时间段内的白蚁量预测完成后,确定在未来预设时间段内发生的实际白蚁量,然后通过实际白蚁量对白蚁量进行反归一处理,将实际白蚁量对白蚁量进行覆盖,从而达到了对白蚁量进行数据更新的效果。
在另一种可能实现的方式中,所述将所述第一白蚁矩阵数据输入至训练好的虫害预测模型进行向量特征提取,之后还包括:
基于所述实际白蚁量以及所述白蚁量确定白蚁量均方根误差;
根据所述白蚁量均方根误差对所述虫害预测模型中的epoch训练模型中的参数进行设置,并对设置后的epoch训练模型进行反向迭代,得到所述虫害预测模型中每一轮的验证集;
对所述验证集进行计算评估,生成所述验证集的损失值以及评价指标。
通过上述技术方案,在提取完第一白蚁矩阵数据的向量特征后,根据实际白蚁量与白蚁量确定出白蚁量均方根误差,然后根据白蚁量均方根误差对虫害预测模型中的epoch训练模型进行参数设置,紧接着对epoch训练模型进行反向迭代,以获取虫害预测模型中每一轮的验证集,然后对验证集进行计算评估,生成验证集的损失值以及评价指标,工作人员通过损失值以及评价指标的直观数据,对当前向量特征提取效果进行监测。
第二方面,本申请提供一种白蚁预防的趋势预测装置,采用如下的技术方案:
一种白蚁预防的趋势预测装置,包括:
信息获取模块,用于获取过去预设时间段内的白蚁危害信息,所述白蚁危害信息为不同区域对应的不同房屋建筑类型所发生过的白蚁信息;
第一矩阵生成模块,用于对所述白蚁危害信息进行分析,确定所述白蚁危害信息中不同房屋建筑类型的建筑组合数量以及所述建筑组合数量中每个建筑组合对应的时间序列长度,并基于所述时间序列长度以及所述建筑组合数量对所述白蚁危害信息进行无监督时间序列数据整理,得到第一白蚁矩阵数据;
第二矩阵生成模块,用于将所述第一白蚁矩阵数据输入至训练好的虫害预测模型进行向量特征提取,得到白蚁特征维度数量,并将得到的所述白蚁特征维度数量与所述第一白蚁矩阵数据进行数据结合处理,生成第二白蚁矩阵数据;
数量预测模块,用于对所述第二白蚁矩阵数据中所包含的数据进行数据处理,得到白蚁危害数据,并将得到的所述白蚁危害数据输入至预设算法模型中进行数据推算,生成所述建筑组合数量中每个建筑组合在未来预设时间段内的白蚁量。
通过采用上述技术方案,在对白蚁预防的趋势进行预测时,通过对不同区域对应的不同房屋建筑类型所发生过的白蚁数量信息进行采集,得到白蚁危害信息,然后对白蚁危害信息进行分析,获取白蚁危害信息中的不同房屋建筑类型的建筑组合数量以及时间序列长度,其中,时间序列长度与建筑组合数量是一一对应的关系,然后根据时间序列长度以及建筑组合数量对白蚁危害信息进行无监督时间序列数据整理,得到第一白蚁矩阵数据,然后将第一白蚁矩阵数据输入至训练好的虫害预测模型进行向量特征提取,得到白蚁特征维度数量,并将得到的白蚁特征维度数量与第一白蚁矩阵数据进行数据结合处理,生成第二白蚁矩阵数据,然后对第二白蚁矩阵数据中所包含的数据进行一一处理,得到白蚁危害数据,将白蚁危害数据输入至预设算法模型中进行数据推算,生成建筑组合数量中每个建筑组合在未来预设时间段内的白蚁量,工作人员根据实际需求设置过去预设时间段以及未来预设时间段,以获取在未来预设时间段内的不同建筑的白蚁量,从而达到了提高白蚁预测准确度的效果。
在一种可能的实现方式中,所述第一矩阵生成模块在对所述白蚁危害信息进行分析,确定所述白蚁危害信息中不同房屋建筑类型的建筑组合数量以及所述建筑组合数量中每个建筑组合对应的时间序列长度时,具体用于:
基于所述白蚁危害信息确定至少一组白蚁处理数据;
分别对所述至少一组白蚁处理数据进行标签获取,得到每组白蚁处理数据中的建筑数据以及白蚁处理时间数据;
根据所述白蚁处理时间数据确定所述白蚁处理数据是否处理完结,若未处理完结,则将所述白蚁处理数据进行数据瓦解,若处理完结,则将所述建筑数据与所述白蚁处理时间数据进行对应绑定,得到白蚁绑定数据;
对所述白蚁绑定数据进行建筑组合类型筛选,得到所述白蚁危害信息中不同房屋建筑类型的建筑组合数量以及所述建筑组合数量中每个建筑组合对应的时间序列长度。
在另一种可能的实现方式中,所述第二矩阵生成模块在将所述第一白蚁矩阵数据输入至训练好的虫害预测模型进行向量特征提取,得到白蚁特征维度数量时,具体用于:
基于所述第一白蚁矩阵数据确定所述白蚁危害信息中每个危害事件的事件名称、事件时间以及事件区域;
分别将所述事件名称、所述事件时间以及所述事件区域输入至所述虫害预测模型进行向量提取,得到与所述事件名称对应的文本特征向量、与所述事件时间对应的时间特征向量以及与所述事件区域对应的区域特征向量;
对所述文本特征向量、所述时间特征向量以及所述区域特征向量进行数量统计,得到所述白蚁特征维度数量。
在另一种可能的实现方式中,所述第二矩阵生成模块在将得到的所述白蚁特征维度数量与所述第一白蚁矩阵数据进行数据结合处理,生成第二白蚁矩阵数据时,具体用于:
将所述白蚁特征维度数量与所述第一白蚁矩阵数据进行整合,生成白蚁维度矩阵数据;
对所述白蚁维度矩阵数据进行基本数据分布探查,获取所述白蚁危害信息中危害事件发生的相对周期性规律,并基于所述相对周期性规律确定时间周期长度;
基于所述时间周期长度对所述白蚁维度矩阵数据进行有监督时间序列数据整理,得到白蚁预测矩阵数据;
基于所述白蚁预测矩阵数据对未来预设时间段内的白蚁量趋势进行预测,生成第二白蚁矩阵数据。
在另一种可能的实现方式中,所述数量预测模块在对所述第二白蚁矩阵数据中所包含的数据进行数据处理,得到白蚁危害数据时,具体用于:
判断所述数据是否在所述3范围之外,若所述数据在所述3范围之外,则确定所述数据所在所述第二白蚁矩阵数据的第一矩阵序列,根据所述第一矩阵序列计算序列平均值,用所述序列平均值对所述数据进行替换,得到替换后的第二矩阵序列,并对所述第二矩阵序列进行缺失值处理;
对所述第二白蚁矩阵数据中的第二矩阵序列进行序列的归一化处理,得到白蚁危害数据。
在另一种可能的实现方式中,所述装置还包括:数量获取模块以及数量校准模块,其中,
所述数量获取模块,用于获取所述建筑组合数量中每个建筑组合在未来预设时间段内的实际白蚁量;
所述数量校准模块,用于基于所述实际白蚁量对所述白蚁量进行反归一处理,将所述白蚁量恢复到所述实际白蚁量。
在另一种可能的实现方式中,所述装置还包括:误差确定模块、反向迭代模块以及计算评估模块,其中,
所述误差确定模块,用于基于所述实际白蚁量以及所述白蚁量确定白蚁量均方根误差;
所述反向迭代模块,用于根据所述白蚁量均方根误差对所述虫害预测模型中的epoch训练模型中的参数进行设置,并对设置后的epoch训练模型进行反向迭代,得到所述虫害预测模型中每一轮的验证集;
所述计算评估模块,用于对所述验证集进行计算评估,生成所述验证集的损失值以及评价指标。
第三方面,本申请提供一种电子设备,采用如下的技术方案:
一种电子设备,该电子设备包括:
至少一个处理器;
存储器;
至少一个应用程序,其中至少一个应用程序被存储在存储器中并被配置为由至少一个处理器执行,所述至少一个应用程序配置用于:执行上述白蚁预防的趋势预测方法。
第四方面,本申请提供一种计算机可读存储介质,采用如下的技术方案:
一种计算机可读存储介质,包括:存储有能够被处理器加载并执行上述白蚁预防的趋势预测方法的计算机程序。
综上所述,本申请包括以下有益技术效果:
1、在对白蚁预防的趋势进行预测时,通过对不同区域对应的不同房屋建筑类型所发生过的白蚁数量信息进行采集,得到白蚁危害信息,然后对白蚁危害信息进行分析,获取白蚁危害信息中的不同房屋建筑类型的建筑组合数量以及时间序列长度,其中,时间序列长度与建筑组合数量是一一对应的关系,然后根据时间序列长度以及建筑组合数量对白蚁危害信息进行无监督时间序列数据整理,得到第一白蚁矩阵数据,然后将第一白蚁矩阵数据输入至训练好的虫害预测模型进行向量特征提取,得到白蚁特征维度数量,并将得到的白蚁特征维度数量与第一白蚁矩阵数据进行数据结合处理,生成第二白蚁矩阵数据,然后对第二白蚁矩阵数据中所包含的数据进行一一处理,得到白蚁危害数据,将白蚁危害数据输入至预设算法模型中进行数据推算,生成建筑组合数量中每个建筑组合在未来预设时间段内的白蚁量,工作人员根据实际需求设置过去预设时间段以及未来预设时间段,以获取在未来预设时间段内的不同建筑的白蚁量,从而达到了提高白蚁预测准确度的效果;
附图说明
图1是本申请实施例一种白蚁预防的趋势预测方法的流程示意图;
图2是本申请实施例一种白蚁预防的趋势预测方法的方框示意图;
图3是本申请实施例电子设备的示意图。
具体实施方式
以下结合附图1-3对本申请作进一步详细说明。
领域技术人员在阅读完本说明书后可以根据需要对本实施例做出没有创造性贡献的修改,但只要在本申请的权利要求范围内都受到专利法的保护。
为使本申请实施例的目的、技术方案和优点更加清楚,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前提下所获得的所有其他实施例,都属于本申请保护的范围。
另外,本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,一种白蚁预防的趋势预测方法、装置、电子设备及介质和/或B,可以表示:单独存在一种白蚁预防的趋势预测方法、装置、电子设备及介质,同时存在一种白蚁预防的趋势预测方法、装置、电子设备及介质和B,单独存在B这三种情况。另外,本文中字符“/”,如无特殊说明,一般表示前后关联对象是一种“或”的关系。
下面结合说明书附图对本申请实施例作进一步详细描述。
本申请实施例提供了一种白蚁预防的趋势预测方法,由电子设备执行,该电子设备可以为服务器也可以为终端设备,其中,该服务器可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式系统,还可以是提供云计算服务的云服务器。终端设备可以是智能手机、平板电脑、笔记本电脑、台式计算机等,但并不局限于此,该终端设备以及服务器可以通过有线或无线通信方式进行直接或间接地连接,本申请实施例在此不做限制,如图1所示,该方法包括:
步骤S10,获取过去预设时间段内的白蚁危害信息。
其中,白蚁危害信息为不同区域对应的不同房屋建筑类型所发生过的白蚁信息。
对于本申请实施例来说,过去预设时间段为工作人员通过指定终端设备进行输入的,指定终端设备包括平板、手机以及电脑等。
具体地,工作人员在指定终端设备中输入过去预设时间段(例如:2020年1月1号—2021年10月3号),然后指定终端设备将过去预设时间段发送至电子设备进行处理,在电子设备接收到过去预设时间段后,获取过去预设时间段中不同区域对应的不同房屋建筑类型所发生过的白蚁数量信息。
具体地,获取白蚁危害信息的一种可实施方式为大数据获取方式,通过大数据技术对所有白蚁危害信息进行获取,然后再根据过去预设时间段对所有白蚁危害信息进行筛选,得到该过去预设时间段内的白蚁危害信息。
步骤S11,对白蚁危害信息进行分析,确定白蚁危害信息中不同房屋建筑类型的建筑组合数量以及建筑组合数量中每个建筑组合对应的时间序列长度,并基于时间序列长度以及建筑组合数量对白蚁危害信息进行无监督时间序列数据整理,得到第一白蚁矩阵数据。
具体地,白蚁危害信息是在过去预设时间段中不同房屋建筑类型所发生的白蚁信息,白蚁危害信息中包括:白蚁危害发生的具体位置以及起始时间等,例如:某起白蚁危害为****年*月*号在**省**市**区**村庄的砖木建筑发生了白蚁房屋破坏事故,此次事故白蚁数量预估为1.8万个,该事故已处理完毕。电子设备获取白蚁危害信息后,对信息内容中的具体位置进行提取,从而确定不同白蚁危害信息的建筑组合(建筑组合数量中的其中一种建筑组合为**省**市**区**村庄的砖木建筑),然后对建筑组合的数量进行统计得到建筑组合数量。
具体地,时间序列是按照时间排序的一组随机变量,它通常是在相等间隔的时间段内依照给定的采样率对某种潜在过程进行观测的结果。时间序列数据本质上反映的是某个或者某些随机变量随时间不断变化的趋势,而时间序列预测方法的核心就是从数据中挖掘出这种规律,并利用其对将来的数据做出估计。
在本申请实施例中,时间序列长度表示的是白蚁危害信息随时间不断变化的长度。
根据时间序列长度以及建筑组合数量对白蚁危害信息进行无监督时间序列数据整理,得到以下第一白蚁矩阵数据:
其中,m为建筑组合数量,n为时间序列长度。
步骤S12,将第一白蚁矩阵数据输入至训练好的虫害预测模型进行向量特征提取,得到白蚁特征维度数量,并将得到的白蚁特征维度数量与第一白蚁矩阵数据进行数据结合处理,生成第二白蚁矩阵数据。
具体地,在将第一白蚁矩阵数据输入至虫害预测模型中进行向量特征提取,需要预先获取矩阵数据样本,矩阵数据样本包括过往所有白蚁危害信息所形成的第一白蚁矩阵数据以及第一白蚁矩阵数据中的向量特征,然后创建虫害预测模型,并基于矩阵数据样本对虫害预测模型进行训练,得到训练好的虫害预测模型。
具体地,预研模型为预先训练好的神经网络模型,神经网络(Neural Networks,NN)是由大量的、简单的处理单元(称为神经元)广泛地互相连接而形成的复杂网络系统,它反映了人脑功能的许多基本特征,是一个高度复杂的非线性动力学习系统。神经网络具有大规模并行、分布式存储和处理、自组织、自适应和自学能力,特别适合处理需要同时考虑许多因素和条件的、不精确和模糊的信息处理问题。神经网络的发展与神经科学、数理科学、认知科学、计算机科学、人工智能、信息科学、控制论、机器人学、微电子学、心理学、光计算、分子生物学等有关。
具体地,将第一虫害矩阵数据输入至预研模型中进行向量特征提取,并将提取到的向量特征进行统计,得到特征维度数量,其中,向量特征包括白蚁危害信息中的事件文本向量特征、时间向量特征以及建筑组合向量特征等,然后将特征维度数量与第一白蚁矩阵数据进行数据结合,得到第二白蚁矩阵数据。
步骤S13,对第二白蚁矩阵数据中所包含的数据进行数据处理,得到白蚁危害数据,并将得到的白蚁危害数据输入至预设算法模型中进行数据推算,生成建筑组合数量中每个建筑组合在未来预设时间段内的白蚁量。
对于本申请实施例来说,采用双向LSTM模型为预设算法模型进行举例说明,包括但不仅限于双向LSTM模型。
具体地,预设算法模型构建,模型主体采用双向LSTM作为趋势预测模型,LSTM主要有遗忘门,输入门,输出门构成;
经过遗忘门和输入门的信息过滤后,将历史的记忆和当前阶段的记忆内容合并,生成的值为:
在上面描述的LSTM之后,在反向接入一层LSTM网络层,通过该过程可以得到BI-LSTM层,由于是若干组建筑组合共同训练;添加建筑空间特征联合学习层,初始化关联向量矩阵大小为M*V*K,取LSTM最后一层的输出向量,转置乘关联向量参数矩阵,最终连接回归损失函数,完成预设算法模型的构建。
本申请实施例提供了一种白蚁预防的趋势预测方法,在对白蚁预防的趋势进行预测时,通过对不同区域对应的不同房屋建筑类型所发生过的白蚁数量信息进行采集,得到白蚁危害信息,然后对白蚁危害信息进行分析,获取白蚁危害信息中的不同房屋建筑类型的建筑组合数量以及时间序列长度,其中,时间序列长度与建筑组合数量是一一对应的关系,然后根据时间序列长度以及建筑组合数量对白蚁危害信息进行无监督时间序列数据整理,得到第一白蚁矩阵数据,然后将第一白蚁矩阵数据输入至训练好的虫害预测模型进行向量特征提取,得到白蚁特征维度数量,并将得到的白蚁特征维度数量与第一白蚁矩阵数据进行数据结合处理,生成第二白蚁矩阵数据,然后对第二白蚁矩阵数据中所包含的数据进行一一处理,得到白蚁危害数据,将白蚁危害数据输入至预设算法模型中进行数据推算,生成建筑组合数量中每个建筑组合在未来预设时间段内的白蚁量,工作人员根据实际需求设置过去预设时间段以及未来预设时间段,以获取在未来预设时间段内的不同建筑的白蚁量,从而达到了提高白蚁预测准确度的效果。
本申请实施例的一种可能的实现方式,步骤S11具体包括步骤S111(图中未示出)、步骤S112(图中未示出)、步骤S113(图中未示出)以及步骤S114(图中未示出),其中,
步骤S111,基于白蚁危害信息确定至少一组白蚁处理数据。
具体地,白蚁危害信息中所包含的白蚁处理数据是由热心市民以及建筑用户等人员向报道人员进行白蚁危害信息诉说,然后信息报道人员将诉说的信息进行记录填写登记,白蚁处理数据包括白蚁危害发生地点、白蚁危害详情、白蚁危害程度、白蚁危害发生时间以及白蚁危害解决时间等。
步骤S112,分别对至少一组白蚁处理数据进行标签获取,得到每组白蚁处理数据中的建筑数据以及白蚁处理时间数据。
具体地,根据至少一组白蚁处理数据中的数据标签进行标签获取,获取到指定的标签内容,即通过获取白蚁危害发生地点、白蚁危害详情、白蚁危害程度、白蚁危害发生时间以及白蚁危害解决时间等。
步骤S113,根据白蚁处理时间数据确定白蚁处理数据是否处理完结,若未处理完结,则将白蚁处理数据进行数据瓦解,若处理完结,则将建筑数据与白蚁处理时间数据进行对应绑定,得到白蚁绑定数据。
具体地,通过获取到的白蚁危害解决时间标签所对应的信息,确定当前白蚁处理数据是否处理完结,若白蚁危害解决时间标签并无对应时间信息,即表明白蚁处理数据仍在处理过程中,因此将白蚁处理数据进行数据瓦解,若热白蚁危害解决时间标签中存在对应的时间信息,则建筑数据与白蚁处理时间数据进行对应绑定。
步骤S114,对白蚁绑定数据进行建筑组合类型筛选,得到白蚁危害信息中不同房屋建筑类型的建筑组合数量以及建筑组合数量中每个建筑组合对应的时间序列长度。
本申请实施例的一种可能的实现方式,步骤S12具体包括步骤S121(图中未示出)、步骤S122(图中未示出)以及步骤S123(图中未示出),其中,
步骤S121,基于第一白蚁矩阵数据确定白蚁危害信息中每个危害事件的事件名称、事件时间以及事件区域。
具体地,根据第一白蚁矩阵数据中x确定危害事件对应的事件名称,根据第一白蚁矩阵数据中n确定危害事件对应的事件时间,根据第一白蚁矩阵数据中m确定危害事件对应事件区域。
步骤S122,分别将事件名称、事件时间以及事件区域输入至虫害预测模型进行向量提取,得到与事件名称对应的文本特征向量、与事件时间对应的时间特征向量以及与事件区域对应的区域特征向量。
步骤S123,对文本特征向量、时间特征向量以及区域特征向量进行数量统计,得到白蚁特征维度数量。
具体地,一个矩阵的特征向量的总数计算方法:个数=n-特征矩阵的秩,个数=n-r(λE-A)其中n是阶数,而不是每个矩阵都能相似对角化的。如果一个矩阵,它的特征值各不相同,那么一定可以对角化。特征向量在基向量上的投影(即坐标),这里假设向量空间为h维。由此,可以直接以坐标向量表示。利用基向量,线性变换也可以用一个简单的矩阵乘法表示。
本申请实施例的一种可能的实现方式,步骤S12具体包括步骤S124(图中未示出)、步骤S125(图中未示出)、步骤S126(图中未示出)以及步骤S127(图中未示出),其中,
步骤S124,将白蚁特征维度数量与第一白蚁矩阵数据进行整合,生成白蚁维度矩阵数据。
具体地,将白蚁特征维度数量作为维度与第一白蚁矩阵数据进行整合,本申请实施例采用pytorch技术进行举例说明,包括但不局限于pytorch技术一种可实现方式。
通过pytorch中的指令“out.unsqueeze(-1)”将白蚁特征维度数量以维度的方式添加到第一白蚁矩阵数据中,实现维度整合。
具体地,PyTorch是一个基于Torch的Python开源机器学习库,用于自然语言处理等应用程序。它主要由Facebookd的人工智能小组开发,不仅能够实现强大的GPU加速,同时还支持动态神经网络,这一点是现在很多主流框架如TensorFlow都不支持的。PyTorch提供了两个高级功能:1.具有强大的GPU加速的张量计算(如Numpy);2.包含自动求导系统的深度神经网络除了Facebook之外,Twitter、GMU和Salesforce等机构都采用了PyTorch。
将白蚁特征维度数量与第一白蚁矩阵数据进行整合完毕后,得到以下白蚁维度矩阵数据:
其中,v表示白蚁特征维度数量。
步骤S125,对白蚁维度矩阵数据进行基本数据分布探查,获取白蚁危害信息中危害事件发生的相对周期性规律,并基于相对周期性规律确定时间周期长度。
具体地,将白蚁维度矩阵数据导入到Excel表格中,并且配置Python集成jupyter环境,针对蚁维度矩阵数据中n时间序列做基本数据分布探查,主要目的在于找到对应序列的的相对周期性规律,然后根据相周期性规律确定时间周期长度。
步骤S126,基于时间周期长度对白蚁维度矩阵数据进行有监督时间序列数据整理,得到白蚁预测矩阵数据。
具体地,用t来代替时间周期性长度,并将白蚁维度矩阵数据中的n替换为t,得到新的白蚁预测矩阵数据:
步骤S127,基于白蚁预测矩阵数据对未来预设时间段内的白蚁量趋势进行预测,生成第二白蚁矩阵数据。
具体地,假设预设未来预设时间段为k,即移动步长为k步预测,得到第二白蚁矩阵数据:
本申请实施例的一种可能的实现方式,步骤S13具体包括步骤S131(图中未示出)、步骤S132(图中未示出)以及步骤S133(图中未示出),其中,
具体地,
步骤S132,判断数据是否在3范围之外,若数据在3范围之外,则确定数据所在第二白蚁矩阵数据的第一矩阵序列,根据第一矩阵序列计算序列平均值,用序列平均值对数据进行替换,得到替换后的第二矩阵序列,并对第二矩阵序列进行缺失值处理。
具体地,3范围是建立在正态分布的等精度重复测量基础上而造成奇异数据的干扰或噪声难以满足正态分布。如果一组测量数据中某个测量值的残余误差的绝对值νi>3,则该测量值为坏值,应剔除。通常把等于±3的误差作为极限误差,对于正态分布的随机误差,落在±3以外的概率只有0.27%,它在有限次测量中发生的可能性很小,故存在3准则。3准则是最常用也是最简单的粗大误差判别准则,它一般应用于测量次数充分多(n≥30)或当n>10做粗略判别时的情况。
具体地,缺失值是指第二矩阵序列中由于缺少信息而造成的数据聚类、分组、删失或截断,对于缺失值的处理,从总体上来说分为删除存在缺失值的个案和缺失值插补,本申请实施例采用删除存在缺失值的个案对第二矩阵序列进行处理,删除存在缺失值的个案主要有简单删除法和权重法。简单删除法是对缺失值进行处理的最原始方法。它将存在缺失值的个案删除。如果数据缺失问题可以通过简单的删除小部分样本来达到目标,那么这个方法是最有效的。当缺失值的类型为非完全随机缺失的时候,可以通过对完整的数据加权来减小偏差。把数据不完全的个案标记后,将完整的数据个案赋予不同的权重,个案的权重可以通过logistic或probit回归求得。
步骤S133,对第二白蚁矩阵数据中的第二矩阵序列进行序列的归一化处理,得到白蚁危害数据。
具体地,归一化方法有两种形式,一种是把数变为(0,1)之间的小数,一种是把有量纲表达式变为无量纲表达式。主要是为了数据处理方便提出来的,把数据映射到0~1范围之内处理,更加便捷快速。
本申请实施例的一种可能的实现方式,步骤S13之后还包括:步骤Sa(图中未示出)以及步骤Sb(图中未示出),其中,
步骤Sa,获取建筑组合数量中每个建筑组合在未来预设时间段内的实际白蚁量。
具体地,获取未来预设时间段内的实际白蚁量,例如:未来预设时间段为一个月,那么在过一个月后,获取建筑组合数量中每个建筑组合的实际白蚁量。
步骤Sb,基于实际白蚁量对白蚁量进行反归一处理,将白蚁量恢复到实际白蚁量。
具体地,将白蚁量进行反归一处理,使得白蚁量恢复到归一化处理之前的数据,然后将实际白蚁量对白蚁量进行覆盖。
本申请实施例的一种可能的实现方式,步骤S12之后还包括:步骤Sd(图中未示出)、步骤Se(图中未示出)以及步骤Sf(图中未示出),其中,
步骤Sd,基于实际白蚁量以及白蚁量确定白蚁量均方根误差。
具体地,均方根误差,它是观测值与真值偏差的平方和观测次数n比值的平方根,均方根误差计算公式:Re=√[∑di^2/n],式中n为测量次数,di为一组实际白蚁量以及白蚁量的偏差。
步骤Se,根据白蚁量均方根误差对虫害预测模型中的epoch训练模型中的参数进行设置,并对设置后的epoch训练模型进行反向迭代,得到虫害预测模型中每一轮的验证集。
具体地,当一个完整的数据集通过了神经网络一次并且返回了一次,这个过程称为一次epoch训练模型。一个epoch指代所有的数据送入网络中完成一次前向计算及反向传播的过程。由于一个epoch常常太大,计算机无法负荷,我们会将它分成几个较小的batches。在训练时,将所有数据迭代训练一次是不够的,需要反复多次才能拟合收敛。在实际训练时,我们将所有数据分成几个batch,每次送入一部分数据,梯度下降本身就是一个迭代过程。根据白蚁量均方根误差对epoch训练模型中的参数进行设置,已得到虫害预测模型中每一轮的验证集,即白蚁量验证集合。
步骤Sf,对验证集进行计算评估,生成验证集的损失值以及评价指标。
具体地,对验证集的计算评估包括一下步骤:
将验证集与虫害预测模型的训练集进行百分比计算,得到损失值;
将损失值与标准损失值表进行对照,得到评价指标。
例如:当前损失值为50%,标准损失值表对应的50%为2级指标。
上述实施例从方法流程的角度介绍一种白蚁预防的趋势预测方法,下述实施例从虚拟模块或者虚拟单元的角度介绍了一种白蚁预防的趋势预测装置,具体详见下述实施例。
本申请实施例提供一种白蚁预防的趋势预测装置,如图2所示,该白蚁预防的趋势预测装置20具体可以包括:信息获取模块21、第一矩阵生成模块22、第二矩阵生成模块23以及数量预测模块24,其中,
信息获取模块21,用于获取过去预设时间段内的白蚁危害信息,白蚁危害信息为不同区域对应的不同房屋建筑类型所发生过的白蚁数量信息;
第一矩阵生成模块22,用于对白蚁危害信息进行分析,确定白蚁危害信息中不同房屋建筑类型的建筑组合数量以及建筑组合数量中每个建筑组合对应的时间序列长度,并基于时间序列长度以及建筑组合数量对白蚁危害信息进行无监督时间序列数据整理,得到第一白蚁矩阵数据;
第二矩阵生成模块23,用于将第一白蚁矩阵数据输入至训练好的虫害预测模型进行向量特征提取,得到白蚁特征维度数量,并将得到的白蚁特征维度数量与第一白蚁矩阵数据进行数据结合处理,生成第二白蚁矩阵数据;
数量预测模块24,用于对第二白蚁矩阵数据中所包含的数据进行数据处理,得到白蚁危害数据,并将得到的白蚁危害数据输入至预设算法模型中进行数据推算,生成建筑组合数量中每个建筑组合在未来预设时间段内的白蚁量。
本申请实施例的一种可能的实现方式,第一矩阵生成模块22在对白蚁危害信息进行分析,确定白蚁危害信息中不同房屋建筑类型的建筑组合数量以及建筑组合数量中每个建筑组合对应的时间序列长度时,具体用于:
基于白蚁危害信息确定至少一组白蚁处理数据;
分别对至少一组白蚁处理数据进行标签获取,得到每组白蚁处理数据中的建筑数据以及白蚁处理时间数据;
根据白蚁处理时间数据确定白蚁处理数据是否处理完结,若未处理完结,则将白蚁处理数据进行数据瓦解,若处理完结,则将建筑数据与白蚁处理时间数据进行对应绑定,得到白蚁绑定数据;
对白蚁绑定数据进行建筑组合类型筛选,得到白蚁危害信息中不同房屋建筑类型的建筑组合数量以及建筑组合数量中每个建筑组合对应的时间序列长度。
本申请实施例的另一种可能的实现方式,第二矩阵生成模块23在将第一白蚁矩阵数据输入至训练好的虫害预测模型进行向量特征提取,得到白蚁特征维度数量时,具体用于:
基于第一白蚁矩阵数据确定白蚁危害信息中每个危害事件的事件名称、事件时间以及事件区域;
分别将事件名称、事件时间以及事件区域输入至虫害预测模型进行向量提取,得到与事件名称对应的文本特征向量、与事件时间对应的时间特征向量以及与事件区域对应的区域特征向量;
对文本特征向量、时间特征向量以及区域特征向量进行数量统计,得到白蚁特征维度数量。
本申请实施例的另一种可能的实现方式,第二矩阵生成模块23在将得到的白蚁特征维度数量与第一白蚁矩阵数据进行数据结合处理,生成第二白蚁矩阵数据时,具体用于:
将白蚁特征维度数量与第一白蚁矩阵数据进行整合,生成白蚁维度矩阵数据;
对白蚁维度矩阵数据进行基本数据分布探查,获取白蚁危害信息中危害事件发生的相对周期性规律,并基于相对周期性规律确定时间周期长度;
基于时间周期长度对白蚁维度矩阵数据进行有监督时间序列数据整理,得到白蚁预测矩阵数据;
基于白蚁预测矩阵数据对未来预设时间段内的白蚁量趋势进行预测,生成第二白蚁矩阵数据。
本申请实施例的另一种可能的实现方式,数量预测模块24在对第二白蚁矩阵数据中所包含的数据进行数据处理,得到白蚁危害数据时,具体用于:
判断数据是否在3范围之外,若数据在3范围之外,则确定数据所在第二白蚁矩阵数据的第一矩阵序列,根据第一矩阵序列计算序列平均值,用序列平均值对数据进行替换,得到替换后的第二矩阵序列,并对第二矩阵序列进行缺失值处理;
对第二白蚁矩阵数据中的第二矩阵序列进行序列的归一化处理,得到白蚁危害数据。
本申请实施例的另一种可能的实现方式,装置20还包括:数量获取模块以及数量校准模块,其中,
数量获取模块,用于获取建筑组合数量中每个建筑组合在未来预设时间段内的实际白蚁量;
数量校准模块,用于基于实际白蚁量对白蚁量进行反归一处理,将白蚁量恢复到实际白蚁量。
本申请实施例的另一种可能的实现方式,装置20还包括:误差确定模块、反向迭代模块以及计算评估模块,其中,
误差确定模块,用于基于实际白蚁量以及白蚁量确定白蚁量均方根误差;
反向迭代模块,用于根据白蚁量均方根误差对虫害预测模型中的epoch训练模型中的参数进行设置,并对设置后的epoch训练模型进行反向迭代,得到虫害预测模型中每一轮的验证集;
计算评估模块,用于对验证集进行计算评估,生成验证集的损失值以及评价指标。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
本申请实施例还从实体装置的角度介绍了一种电子设备,如图3所示,图3所示的电子设备300除常规配置装置外包括:处理器301和存储器303。其中,处理器301和存储器303相连,如通过总线302相连。可选地,电子设备300还可以包括收发器304。需要说明的是,实际应用中收发器304不限于一个,该电子设备300的结构并不构成对本申请实施例的限定。
处理器301可以是CPU(Central Processing Unit,中央处理器),通用处理器,DSP(Digital Signal Processor,数据信号处理器),ASIC(Application SpecificIntegrated Circuit,专用集成电路),FPGA(Field Programmable Gate Array,现场可编程门阵列)或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框,模块和电路。处理器301也可以是实现计算功能的组合,例如包含一个或多个微处理器组合,DSP和微处理器的组合等。
总线302可包括一通路,在上述组件之间传送信息。总线302可以是PCI(Peripheral Component Interconnect,外设部件互连标准)总线或EISA(ExtendedIndustry Standard Architecture,扩展工业标准结构)总线等。总线302可以分为地址总线、数据总线、控制总线等。为便于表示,图3中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
存储器303可以是ROM(Read Only Memory,只读存储器)或可存储静态信息和指令的其他类型的静态存储设备,RAM(Random Access Memory,随机存取存储器)或者可存储信息和指令的其他类型的动态存储设备,也可以是EEPROM(Electrically ErasableProgrammable Read Only Memory,电可擦可编程只读存储器)、CD-ROM(Compact DiscRead Only Memory,只读光盘)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。
存储器303用于存储执行本申请方案的应用程序代码,并由处理器301来控制执行。处理器301用于执行存储器303中存储的应用程序代码,以实现前述方法实施例所示的内容。
其中,电子设备包括但不限于: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。还可以为服务器等。图3示出的电子设备仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
应该理解的是,虽然附图的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,其可以以其他的顺序执行。而且,附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,其执行顺序也不必然是依次进行,而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
以上仅是本申请的部分实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本申请的保护范围。
Claims (10)
1.一种白蚁预防的趋势预测方法,其特征在于,包括
获取过去预设时间段内的白蚁危害信息,所述白蚁危害信息为不同区域对应的不同房屋建筑类型所发生过的白蚁信息;
对所述白蚁危害信息进行分析,确定所述白蚁危害信息中不同房屋建筑类型的建筑组合数量以及所述建筑组合数量中每个建筑组合对应的时间序列长度,并基于所述时间序列长度以及所述建筑组合数量对所述白蚁危害信息进行无监督时间序列数据整理,得到第一白蚁矩阵数据;
将所述第一白蚁矩阵数据输入至训练好的虫害预测模型进行向量特征提取,得到白蚁特征维度数量,并将得到的所述白蚁特征维度数量与所述第一白蚁矩阵数据进行数据结合处理,生成第二白蚁矩阵数据;
对所述第二白蚁矩阵数据中所包含的数据进行数据处理,得到白蚁危害数据,并将得到的所述白蚁危害数据输入至预设算法模型中进行数据推算,生成所述建筑组合数量中每个建筑组合在未来预设时间段内的白蚁量。
2.根据权利要求1所述的方法,其特征在于,对所述白蚁危害信息进行分析,确定所述白蚁危害信息中不同房屋建筑类型的建筑组合数量以及所述建筑组合数量中每个建筑组合对应的时间序列长度,包括:
基于所述白蚁危害信息确定至少一组白蚁处理数据;
分别对所述至少一组白蚁处理数据进行标签获取,得到每组白蚁处理数据中的建筑数据以及白蚁处理时间数据;
根据所述白蚁处理时间数据确定所述白蚁处理数据是否处理完结,若未处理完结,则将所述白蚁处理数据进行数据瓦解,若处理完结,则将所述建筑数据与所述白蚁处理时间数据进行对应绑定,得到白蚁绑定数据;
对所述白蚁绑定数据进行建筑组合类型筛选,得到所述白蚁危害信息中不同房屋建筑类型的建筑组合数量以及所述建筑组合数量中每个建筑组合对应的时间序列长度。
3.根据权利要求1所述的方法,其特征在于,将所述第一白蚁矩阵数据输入至训练好的虫害预测模型进行向量特征提取,得到白蚁特征维度数量,包括:
基于所述第一白蚁矩阵数据确定所述白蚁危害信息中每个危害事件的事件名称、事件时间以及事件区域;
分别将所述事件名称、所述事件时间以及所述事件区域输入至所述虫害预测模型进行向量提取,得到与所述事件名称对应的文本特征向量、与所述事件时间对应的时间特征向量以及与所述事件区域对应的区域特征向量;
对所述文本特征向量、所述时间特征向量以及所述区域特征向量进行数量统计,得到所述白蚁特征维度数量。
4.根据权利要求1所述的方法,其特征在于,所述将得到的所述白蚁特征维度数量与所述第一白蚁矩阵数据进行数据结合处理,生成第二白蚁矩阵数据,包括:
将所述白蚁特征维度数量与所述第一白蚁矩阵数据进行整合,生成白蚁维度矩阵数据;
对所述白蚁维度矩阵数据进行基本数据分布探查,获取所述白蚁危害信息中危害事件发生的相对周期性规律,并基于所述相对周期性规律确定时间周期长度;
基于所述时间周期长度对所述白蚁维度矩阵数据进行有监督时间序列数据整理,得到白蚁预测矩阵数据;
基于所述白蚁预测矩阵数据对未来预设时间段内的白蚁量趋势进行预测,生成第二白蚁矩阵数据。
5.根据权利要求1所述的方法,其特征在于,所述对所述第二白蚁矩阵数据中所包含的数据进行数据处理,得到白蚁危害数据,包括:
判断所述数据是否在所述3范围之外,若所述数据在所述3范围之外,则确定所述数据所在所述第二白蚁矩阵数据的第一矩阵序列,根据所述第一矩阵序列计算序列平均值,用所述序列平均值对所述数据进行替换,得到替换后的第二矩阵序列,并对所述第二矩阵序列进行缺失值处理;
对所述第二白蚁矩阵数据中的第二矩阵序列进行序列的归一化处理,得到白蚁危害数据。
6.根据权利要求1所述的方法,其特征在于,所述将得到的所述白蚁危害数据输入至预设算法模型中进行数据推算,生成所述建筑组合数量中每个建筑组合在未来预设时间段内的白蚁量,之后还包括:
获取所述建筑组合数量中每个建筑组合在未来预设时间段内的实际白蚁量;
基于所述实际白蚁量对所述白蚁量进行反归一处理,将所述白蚁量恢复到所述实际白蚁量。
7.根据权利要求6所述的方法,其特征在于,所述将所述第一白蚁矩阵数据输入至训练好的虫害预测模型进行向量特征提取,之后还包括:
基于所述实际白蚁量以及所述白蚁量确定白蚁量均方根误差;
根据所述白蚁量均方根误差对所述虫害预测模型中的epoch训练模型中的参数进行设置,并对设置后的epoch训练模型进行反向迭代,得到所述虫害预测模型中每一轮的验证集;
对所述验证集进行计算评估,生成所述验证集的损失值以及评价指标。
8.一种白蚁预防的趋势预测装置,其特征在于,包括:
信息获取模块,用于获取过去预设时间段内的白蚁危害信息,所述白蚁危害信息为不同区域对应的不同房屋建筑类型所发生过的白蚁信息;
第一矩阵生成模块,用于对所述白蚁危害信息进行分析,确定所述白蚁危害信息中不同房屋建筑类型的建筑组合数量以及所述建筑组合数量中每个建筑组合对应的时间序列长度,并基于所述时间序列长度以及所述建筑组合数量对所述白蚁危害信息进行无监督时间序列数据整理,得到第一白蚁矩阵数据;
第二矩阵生成模块,用于将所述第一白蚁矩阵数据输入至训练好的虫害预测模型进行向量特征提取,得到白蚁特征维度数量,并将得到的所述白蚁特征维度数量与所述第一白蚁矩阵数据进行数据结合处理,生成第二白蚁矩阵数据;
数量预测模块,用于对所述第二白蚁矩阵数据中所包含的数据进行数据处理,得到白蚁危害数据,并将得到的所述白蚁危害数据输入至预设算法模型中进行数据推算,生成所述建筑组合数量中每个建筑组合在未来预设时间段内的白蚁量。
9.一种电子设备,其特征在于,该电子设备包括:
至少一个处理器;
存储器;
至少一个应用程序,其中至少一个应用程序被存储在存储器中并被配置为由至少一个处理器执行,所述至少一个应用程序配置用于:执行权利要求1~7任一项所述的白蚁预防的趋势预测方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,当所述计算机程序在计算机中执行时,令所述计算机执行权利要求1~7任一项所述的白蚁预防的趋势预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210764705.5A CN115238969A (zh) | 2022-06-30 | 2022-06-30 | 一种白蚁预防的趋势预测方法、装置、电子设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210764705.5A CN115238969A (zh) | 2022-06-30 | 2022-06-30 | 一种白蚁预防的趋势预测方法、装置、电子设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115238969A true CN115238969A (zh) | 2022-10-25 |
Family
ID=83672261
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210764705.5A Pending CN115238969A (zh) | 2022-06-30 | 2022-06-30 | 一种白蚁预防的趋势预测方法、装置、电子设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115238969A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116934354A (zh) * | 2023-07-21 | 2023-10-24 | 浙江远图技术股份有限公司 | 一种药品计量称的监管方法、装置、电子设备及介质 |
CN117610973A (zh) * | 2024-01-24 | 2024-02-27 | 南京市江宁区白蚁防治所 | 一种基于白蚁分布趋势的规划方法、系统及装置 |
CN117610973B (zh) * | 2024-01-24 | 2024-05-03 | 南京市江宁区白蚁防治所 | 一种基于白蚁分布趋势的规划方法、系统及装置 |
-
2022
- 2022-06-30 CN CN202210764705.5A patent/CN115238969A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116934354A (zh) * | 2023-07-21 | 2023-10-24 | 浙江远图技术股份有限公司 | 一种药品计量称的监管方法、装置、电子设备及介质 |
CN116934354B (zh) * | 2023-07-21 | 2024-04-05 | 浙江远图技术股份有限公司 | 一种药品计量称的监管方法、装置、电子设备及介质 |
CN117610973A (zh) * | 2024-01-24 | 2024-02-27 | 南京市江宁区白蚁防治所 | 一种基于白蚁分布趋势的规划方法、系统及装置 |
CN117610973B (zh) * | 2024-01-24 | 2024-05-03 | 南京市江宁区白蚁防治所 | 一种基于白蚁分布趋势的规划方法、系统及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sahu et al. | Soft computing approach for prediction of software reliability | |
CN107341716B (zh) | 一种恶意订单识别的方法、装置及电子设备 | |
CN108427708B (zh) | 数据处理方法、装置、存储介质和电子装置 | |
CN111080360B (zh) | 行为预测方法、模型训练方法、装置、服务器及存储介质 | |
EP3888007A1 (en) | Computer architecture for artificial image generation using auto-encoder | |
EP3888016A1 (en) | Dynamic reconfiguration training computer architecture | |
Wang et al. | Predicting public housing prices using delayed neural networks | |
CN113554175B (zh) | 一种知识图谱构建方法、装置、可读存储介质及终端设备 | |
CN111368656A (zh) | 一种视频内容描述方法和视频内容描述装置 | |
Tomar et al. | Active learning method for risk assessment of distributed infrastructure systems | |
CN115964668A (zh) | 一种基于大数据的供热监控分析方法、装置、设备及介质 | |
CN115238969A (zh) | 一种白蚁预防的趋势预测方法、装置、电子设备及介质 | |
CN115545334A (zh) | 土地利用类型预测方法、装置、电子设备及存储介质 | |
CN114565196B (zh) | 基于政务热线的多事件趋势预判方法、装置、设备及介质 | |
CN113253336B (zh) | 一种基于深度学习的地震预测方法和系统 | |
Nadimi-Shahraki et al. | Discrete improved grey wolf optimizer for community detection | |
Cen et al. | Enhanced simulation metamodeling via graph and generative neural networks | |
CN116703466A (zh) | 基于改进灰狼算法的系统访问量预测方法及其相关设备 | |
Shah et al. | A neoteric technique using ARIMA-LSTM for time series analysis on stock market forecasting | |
CN112308282A (zh) | 数据处理方法、装置、电子设备和计算机存储介质 | |
CN116954627A (zh) | 游戏产品的参数预测方法、装置、设备、介质及程序产品 | |
CN113779116B (zh) | 对象排序方法、相关设备及介质 | |
CN115471260A (zh) | 基于神经网络的销售预测方法、装置、设备及介质 | |
CN115954109A (zh) | 一种提高疫情防控精度的方法、装置、电子设备及介质 | |
Sapkota et al. | Application of evolving self-organizing maps for analysis of human adverse events in the context of complex socioeconomic infrastructure interactions |
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 | ||
CB02 | Change of applicant information |
Address after: 310002 room 410, No. 341 (Jinjun building), Shuixiang Road, Shangcheng District, Hangzhou City, Zhejiang Province Applicant after: Zhejiang Weikang Xingyao Environmental Engineering Co.,Ltd. Address before: 310002 room 410, No. 341 (Jinjun building), Shuixiang Road, Shangcheng District, Hangzhou City, Zhejiang Province Applicant before: Hangzhou Weikang Pest Control Co.,Ltd. |
|
CB02 | Change of applicant information |