CN115359857A - 一种基于cart模型和优化rvflnn模型预测pm2.5浓度的方法 - Google Patents
一种基于cart模型和优化rvflnn模型预测pm2.5浓度的方法 Download PDFInfo
- Publication number
- CN115359857A CN115359857A CN202211004941.3A CN202211004941A CN115359857A CN 115359857 A CN115359857 A CN 115359857A CN 202211004941 A CN202211004941 A CN 202211004941A CN 115359857 A CN115359857 A CN 115359857A
- Authority
- CN
- China
- Prior art keywords
- model
- data
- training
- optimized
- rvflnn
- 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
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000012549 training Methods 0.000 claims abstract description 62
- 230000000694 effects Effects 0.000 claims abstract description 18
- 238000012795 verification Methods 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 11
- 238000003915 air pollution Methods 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000005192 partition Methods 0.000 claims description 2
- 238000010200 validation analysis Methods 0.000 claims description 2
- 238000003066 decision tree Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000001932 seasonal effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000002790 cross-validation Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 208000024172 Cardiovascular disease Diseases 0.000 description 1
- 206010058467 Lung neoplasm malignant Diseases 0.000 description 1
- 239000000809 air pollutant Substances 0.000 description 1
- 231100001243 air pollutant Toxicity 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 206010012601 diabetes mellitus Diseases 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 201000005202 lung cancer Diseases 0.000 description 1
- 208000020816 lung neoplasm Diseases 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 208000023504 respiratory system disease Diseases 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/70—Machine learning, data mining or chemometrics
-
- 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
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/20—Identification of molecular entities, parts thereof or of chemical compositions
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Crystallography & Structural Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于CART模型和优化RVFLNN模型预测PM2.5浓度的方法,包括构建数据集,采用CART模型构造一棵浅层回归树,将整个数据集按层次方式划分为多个具有不同属性的子集;将划分好后数据集训练优化后的RVFLNN网络的全局模型和局部模型;从全局模型和局部模型中选择最优的模型作为最终的预测模型,提高预测效果,同时,有效的减少了网络的深度,从而达到减少网络复杂性的作用,并且有效的提高了预测效果,节省了训练的时间。
Description
技术领域
本发明涉及PM2.5浓度预测技术领域,具体为一种基于CART模型和优化RVFLNN模型预测PM2.5浓度的方法。
背景技术
空气中的PM2.5会对生物体和人体健康造成危害,如糖尿病、肺癌、呼吸系统疾病和心血管疾病等;其中,对于PM2.5浓度的预测,国内外学者做了大量的研究工作,提出了一系列模型。Zhai等人采用了多元线性回归模型建立了PM2.5浓度的空间分布估算的模型。Habibi等人提出了使用无监督的聚类方法来预测一片区域内的PM2.5浓度。Cobourn提出了一种基于非线性回归模型与后向轨迹浓度的方法来预测一片区域PM2.5的日均最大值。Deters等人采取提升树模型和支持向量机模型对PM2.5浓度进行预测。Zhang等人通过调整BP人工神经网络模型的隐藏神经元个数来改进优化神经网络模型。Chen等人建立了灰度预测模型对PM2.5的小时浓度进行预测。Zhang等人也建立了一种自回归积分滑动平均模型去预测PM2.5浓度。以上方法在某些特定的场景下具有良好的预测效果,但是有些模型采集的数据较少,训练时间过长并且模型特征依赖于人工选择,导致模型泛化能力较差,急需一种基于CART模型和优化RVFLNN模型预测PM2.5浓度的方法来解决上述问题。
发明内容
本发明提供一种能提高预测精度和减少训练时间的基于CART和优化RVFLNN模型预测PM2.5浓度的方法,来解决上述现有技术中存在的问题。
为实现上述目的,本发明提供如下技术方案:一种基于CART模型和优化RVFLNN模型预测PM2.5浓度的方法,包括如下步骤:
S1、构建数据集,包括空气污染数据和气象数据;
S2、采用CART模型构造一棵浅层回归树,将整个数据集按层次方式划分为多个具有不同属性的子集;
S3、将划分好后数据集训练优化后的RVFLNN网络的全局模型和局部模型;
S4、从全局模型和局部模型中选择最优的模型作为最终的预测模型。
优选的,在步骤S1中,空气污染数据包括CO、SO2、NO2、O3、PM10、PM2.5;气象数据包括温度、露点温度、气压、风向和风速。
优选的,在步骤S1中,对数据集中的所有数据进行预处理,具体包括:
对数据集中单个时间点的缺失值,用该因子其相邻时间节点的上下值的平均值作为该时间点的补充数据;
对数据集中某段时间的数据缺失,采用多变量插补的方法去填充缺失的数据信息;
优选的,在步骤S2中,将预处理后的数据集的80%作为训练集,20%最为测试集,并以PM2.5作为输入特征,通过训练CART模型,得出PM2.5的划分结果。
优选的,在步骤S3中,训练具体为:
以根节点数据作为训练集,叶子节点数据作为验证集训练全局模型;
以中间节点数据为训练集,以该节点为根节点的叶子节点,并作为验证集训练局部模型;
仅在叶子节点上时,将该节点数据集80%作为训练集,20%作为验证集训练局部模型。
优选的,在步骤S3中,优化后的RVFLNN网络包括特征映射部分和增强节点部分,其中,在训练过程中,选择最小的验证误差,并且读取此验证误差对应的迭代窗口数。
与现有技术相比,本发明的有益效果:本发明中,采用CART模型对数据集进行分割,并使用划分好的样本数据训练优化后的RVFLNN网络,其中,优化后的RVFLNN网络中增加了增强节点部分,增强网络的稳定性,提高预测效果,同时,有效的减少了网络的深度,从而达到减少网络复杂性的作用,并且有效的提高了预测效果,节省了训练的时间,其中,在训练过程中,通过最小的验证误差,利用数据集中的气象数据和各种空气污染物的浓度,评估了模型处理数据的能力。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。
在附图中:
图1是本发明基于CART和优化后的RVFLNN预测模型流程图;
图2是本发明优化前后的RVFLNN原理图;
图3是本发明CART训练结果图;
图4是本发明全局模型训练结果图;
图5是本发明局部模型训练结果图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
实施例:参考图1所示,一种基于CART模型和优化RVFLNN模型预测PM2.5浓度的方法,包括如下步骤:
S1、构建数据集,包括空气污染数据和气象数据;
其中,通过获取某市某个监测站的空气污染数据以及气象数据,构建模型所用的数据集;空气污染数据包括CO、SO2、NO2、O3、PM10、PM2.5;气象数据包括温度、露点温度、气压、风向、风速等;
其中,对数据集进行预处理,包括数据标准化、缺失值处理、异常值处理等;由于采集的数据是按一小时为间隔采集的,所以会存在一部分缺失值。对于单个时间点的缺失值,用该因子其相邻时间节点的上下值的平均值作为该时间点的补充数据;对于某段时间的数据缺失,采用多变量插补的方法去填充缺失的数据信息;由于人为原因以及系统故障等不可控因素会导致处理时会出现异常数据,对于异常数据的处理方法同样采用缺失值的方法处理;由于样本特征的量级和单位不统一,数据存在不平衡性;为降低由于数据不平衡性带来的干扰,需对数据进行规范化处理;选取最大-最小标准化对数据进行规范化处理,处理之后的数据被映射到[0,1]之间;规范化处理公式为:其中,X为原始数据,Xmin、Xmax分别为原始数据中的最大最小值。
S2、采用CART模型构造一棵浅层回归树,将整个数据集按层次方式划分为多个具有不同属性的子集;
具体为:将处理好的特征作为输入特征训练RF模型;通过RF模型,得出各个特征的重要性程度,选择重要性最高的特征PM2.5作为训练模型的输入;将处理后的数据集作为模型的总数据集;将该数据集的80%作为训练集,20%最为测试集;以PM2.5作为输入特征,通过训练CART模型,得出PM2.5的划分结果;
其中,输入特征的选择包括以下步骤:步骤1:计算和评估每个输入变量的重要性,并按降序排序;为了最小化采样效果,在训练集上运行多个RF,并将每个输入变量的重要性得分作为RF模型的平均值;检测随机抽样过程中RF模型的OOB错误,以检测模型的泛化能力;步骤2:在开始时调用最重要的输入变量,并根据其重要性从高到低输入其他输入变量;使用RF模型的交叉验证误差评估输入变量候选的不同组合,并选择误差最小的组合;步骤3:返回步骤1,直到不再拒绝更多输入变量;在使用RF的5折交叉验证之后,选取重要性最高的PM2.5作为输入特征;
对于回归树而言,分割数据集的目的是为了两个子集的期望和方差最小化;公式为:其中,SL={ixij≤c,i=1,2,...,m},SR={ixij>c,i=1,2,...,m},其中,SL是指左子树节点的训练索引集,SR是指右子树节点的训练索引集;和是左右子集中的样本输出的平均值;j∈{i=1,2,...,n},通过在n个输入维数和m个样本上进行离散搜索,最优的j和c可以很容易确定下来;在划分根节点之后,将得到的子节点继续按照相同的划分规则进行划分,直到满足停止条件;在这个过程中,树中较深的分支可能会受到异常值的影响,模型树中太深的分支也可能会导致数据拟合过度;因此,构建一个浅层回归树来捕获PM2.5变化模式;
S3、将划分好后数据集训练优化后的RVFLNN网络的全局模型和局部模型;
参考图2所示,其中,图2中,左图为优化前的RVFLNN原理图,右图为优化后的RVFLNN原理图,优化后的随机向量函数链接神经(RVFLNN)网络包含两部分,一部分是特征映射部分(线性),一部分是增强节点部分(非线性),增强网络的稳定性,提高预测效果,其中,新增加的增强节点有效的减少了网络的深度;并通过扩宽网络的宽度,从而达到减少网络复杂性的作用,并且有效的提高了预测效果,节省了训练的时间;
训练具体为:
以根节点数据作为训练集,叶子节点数据作为验证集训练全局模型;
以中间节点数据为训练集,以该节点为根节点的叶子节点,并作为验证集训练局部模型;
仅在叶子节点上时,将该节点数据集80%作为训练集,20%作为验证集训练局部模型;
其中,在训练过程中选择最小的验证误差,并且读取此验证误差对应的迭代窗口数;
S4、从全局模型和局部模型中选择最优的模型作为最终的预测模型。
在一具体实施例中:
获取来自于中国空气质量历史数据,构建数据集;数据集数据的范围为2015年1月1日至2021年12月31日,其中为了使采集的数据具有连续性,我们每隔一小时采集一次数据;在任何数据处理过程中,经常会出现缺失值,尤其是对大量数据进行统计分析时;因为实际的数据采集系统往往存在漏洞,导致一些有价值的信息丢失;对于在某个时间点或时段生成的缺失值(监测站未记录的数据),使用python语言编写代码来清理空气污染物浓度数据和气象数据;对于单个时间点的缺失值,将因子及其相邻时间节点的上下值的平均值用作该时间点的补充数;
使用RF算法对数据集中的特征进行重要性评价,选取评分最高的特征作为输入特征。特征变量见下表所示:
算法从根节点开始,用训练集递归的方法建立决策树;构建一个浅层回归树来捕获PM2.5变化模式,并设置最小样本数的最小值为2000,以确保每个叶片都有足够的训练样本用于局部模型训练;此外,考虑到低数据值的输出样本可能会占用大部分数据集,需要设置树的最大深度值来生成浅层决策树,在本实施例中设置树的最大深度为4;
参考图3所示,将总的训练样本分为训练集和测试集,然后构建CART树,然后使用CART树对训练样本进行分段,每个节点都有对应的训练样本和测试样本。
使用相关样本对优化后的RVFLNN网络进行训练
其中,在对RVFLNN训练之前,首先将CART划分好的每个节点上的数据分类整理,对其进行归一化处理,其次使用这些节点样本对RVFLNN进行训练调参;使用根节点的数据样本对模型进行全局训练,根节点数据作为训练集数据,每个叶子节点上的数据作为验证数据去分别确定模型参数;使用决策树的内部节点数据样本对RVFLNN进行局部模型训练;使用内部节点数据作为训练数据,以内部节点为根节点的叶子节点数据为验证数据;在每个叶子节点上使用自身的数据样本进行训练局部模型;
参考图3所示,节点0为根节点,最下面的节点为叶子节点,图中的每个节点都有自己的数据集,RVFLNN的迭代窗口数从{5,6,…,40}中选择;使用验证集去调整网络的参数,选择验证误差最小的模型;根节点有11片叶子,为了显示不同叶子的选择过程,绘制了全局模型和局部模型的训练结果;以节点#4为例,其训练结果图见附图4所示;对于4号节点而言,最佳的窗口数为12;那么其余10片叶子的最佳窗口数从图中看出,分别为7,36,36,36,13,17,29,29,40,40;
在CART决策树中,每个内部节点都有自己的数据样本;在内部节点上,以每个内部节点的数据作为训练集,以该节点为根节点的子节点数据作为不同的验证集,分别确定局部模型的参数和验证误差;以内部节点#3为例,训练结果见附图5所示;将此节点看作根节点,那么节点#4,#5为它的子节点;从图中我们可以看出最佳的窗口数分别为23和37。
对于决策树上的每一个节点,比较从根节点到叶子节点这一条路径上的全局和几个局部模型,选择路径上验证误差最小的模型;
对比全局模型RF和V-SVR模型,以及基于季节性的BLS,测试误差如下表:
由上表我们可以看出,在节点#5、#7、#8、#10、#13、#16和#17上,CART-BLS的RMSE最小;因此在这些节点上模型的准确率达到了最高;从整体上看RF模型比V-SVR模型效果较好;当然,在节点#4、#19和#20上时,RF模型的预测效果要比其余几个效果较好;通过查看数据集数据可得,PM2.5具有季节性;因此,进行局部季节性模型测试;在节点#5、#8和#10上和本实施例中所用的模型效果基本相同整体来看CART-BLS具有较好的预测效果。
最后应说明的是:以上所述仅为本发明的优选实例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于CART模型和优化RVFLNN模型预测PM2.5浓度的方法,其特征在于,包括如下步骤:
S1、构建数据集,包括空气污染数据和气象数据;
S2、采用CART模型构造一棵浅层回归树,将整个数据集按层次方式划分为多个具有不同属性的子集;
S3、将划分好后数据集训练优化后的RVFLNN网络的全局模型和局部模型;
S4、从全局模型和局部模型中选择最优的模型作为最终的预测模型。
2.根据权利要求1所述的一种基于CART模型和优化RVFLNN模型预测PM2.5浓度的方法,其特征在于:在步骤S1中,空气污染数据包括CO、SO2、NO2、O3、PM10、PM2.5;气象数据包括温度、露点温度、气压、风向和风速。
4.根据权利要求3所述的一种基于CART模型和优化RVFLNN模型预测PM2.5浓度的方法,其特征在于:在步骤S2中,将预处理后的数据集的80%作为训练集,20%最为测试集,并以PM2.5作为输入特征,通过训练CART模型,得出PM2.5的划分结果。
5.根据权利要求4所述的一种基于CART模型和优化RVFLNN模型预测PM2.5浓度的方法,其特征在于:在步骤S3中,训练具体为:
以根节点数据作为训练集,叶子节点数据作为验证集训练全局模型;
以中间节点数据为训练集,以该节点为根节点的叶子节点,并作为验证集训练局部模型;
仅在叶子节点上时,将该节点数据集80%作为训练集,20%作为验证集训练局部模型。
6.根据权利要求5所述的一种基于CART模型和优化RVFLNN模型预测PM2.5浓度的方法,其特征在于:在步骤S3中,优化后的RVFLNN网络包括特征映射部分和增强节点部分,其中,在训练过程中,选择最小的验证误差,并且读取此验证误差对应的迭代窗口数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211004941.3A CN115359857A (zh) | 2022-08-22 | 2022-08-22 | 一种基于cart模型和优化rvflnn模型预测pm2.5浓度的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211004941.3A CN115359857A (zh) | 2022-08-22 | 2022-08-22 | 一种基于cart模型和优化rvflnn模型预测pm2.5浓度的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115359857A true CN115359857A (zh) | 2022-11-18 |
Family
ID=84003017
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211004941.3A Pending CN115359857A (zh) | 2022-08-22 | 2022-08-22 | 一种基于cart模型和优化rvflnn模型预测pm2.5浓度的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115359857A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116307212A (zh) * | 2023-03-24 | 2023-06-23 | 淮阴工学院 | 一种新型空气质量预测方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110363347A (zh) * | 2019-07-12 | 2019-10-22 | 江苏天长环保科技有限公司 | 基于决策树索引的神经网络预测空气质量的方法 |
CN114529035A (zh) * | 2021-12-29 | 2022-05-24 | 上海中楠水电配套工程有限公司 | 一种基于cart的多模式集成模型的风速预报方法 |
US20220188648A1 (en) * | 2020-12-10 | 2022-06-16 | Southwest Petroleum University | Method for predicting and optimizing penetration rate in oil and gas drilling based on cart algorithm |
-
2022
- 2022-08-22 CN CN202211004941.3A patent/CN115359857A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110363347A (zh) * | 2019-07-12 | 2019-10-22 | 江苏天长环保科技有限公司 | 基于决策树索引的神经网络预测空气质量的方法 |
US20220188648A1 (en) * | 2020-12-10 | 2022-06-16 | Southwest Petroleum University | Method for predicting and optimizing penetration rate in oil and gas drilling based on cart algorithm |
CN114529035A (zh) * | 2021-12-29 | 2022-05-24 | 上海中楠水电配套工程有限公司 | 一种基于cart的多模式集成模型的风速预报方法 |
Non-Patent Citations (2)
Title |
---|
CHRIS_TANG021: "随机向量函数链神经网络(RVFLNN)简介——附测试代码", pages 1 - 8, Retrieved from the Internet <URL:https://blog.csdn.net/weixin_44517742/article/details/107587264> * |
ZHIGEN SHANG ET AL.: "A novel model for hourly PM2.5 concentration prediction based on CART and EELM", SCIENCE OF THE TOTAL ENVIRONMENT, pages 3043 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116307212A (zh) * | 2023-03-24 | 2023-06-23 | 淮阴工学院 | 一种新型空气质量预测方法及系统 |
CN116307212B (zh) * | 2023-03-24 | 2023-12-19 | 淮阴工学院 | 一种空气质量预测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110929847A (zh) | 一种基于深度卷积神经网络的换流变压器故障诊断方法 | |
CN112270129B (zh) | 一种基于大数据分析的植物长势预测方法 | |
CN110335168B (zh) | 基于gru优化用电信息采集终端故障预测模型的方法及系统 | |
CN112651167A (zh) | 一种基于图神经网络的半监督滚动轴承故障诊断方法 | |
CN112756759B (zh) | 点焊机器人工作站故障判定方法 | |
CN111161814A (zh) | 一种基于卷积神经网络的DRGs自动分组方法 | |
CN108399434B (zh) | 基于特征提取的高维时间序列数据的分析预测方法 | |
CN111144440A (zh) | 一种专变用户日电力负荷特征的分析方法及装置 | |
CN115495991A (zh) | 一种基于时间卷积网络的降水区间预测方法 | |
CN115660291B (zh) | 一种植物病害发生与潜在发生的识别评估方法及系统 | |
CN111222992A (zh) | 一种基于注意力机制的长短期记忆神经网络的股票价格预测方法 | |
CN112836809A (zh) | 一种基于差分特征融合的卷积神经网络的设备特性提取方法以及故障预测的方法 | |
CN113807900A (zh) | 一种基于贝叶斯优化的rf订单需求预测方法 | |
CN116308963B (zh) | 一种政务数据分析方法及系统 | |
CN115359857A (zh) | 一种基于cart模型和优化rvflnn模型预测pm2.5浓度的方法 | |
CN116245227A (zh) | 逐日气象干旱预测方法、装置、存储介质和设备 | |
CN115659195A (zh) | 一种大气污染在线识别方法 | |
CN116448161A (zh) | 一种基于人工智能的环境监测设备故障诊断方法 | |
CN117010942B (zh) | 基于神经网络和线性模型的农产品销售预测方法和系统 | |
CN113657726B (zh) | 基于随机森林的人员的危险性分析方法 | |
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 | |
CN114820074A (zh) | 基于机器学习的目标用户群体预测模型构建方法 | |
CN114819260A (zh) | 一种水文时间序列预测模型动态生成方法 | |
CN112365992A (zh) | 一种基于nrs-lda的医疗体检数据识别分析方法 | |
CN117575745B (zh) | 基于ai大数据的课程教学资源个性推荐方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20221118 |