CN115982534A - 一种江河水文监测数据的处理方法 - Google Patents
一种江河水文监测数据的处理方法 Download PDFInfo
- Publication number
- CN115982534A CN115982534A CN202310263950.2A CN202310263950A CN115982534A CN 115982534 A CN115982534 A CN 115982534A CN 202310263950 A CN202310263950 A CN 202310263950A CN 115982534 A CN115982534 A CN 115982534A
- Authority
- CN
- China
- Prior art keywords
- neural network
- output
- lstm
- input
- 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.)
- Granted
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 19
- 238000003672 processing method Methods 0.000 title claims abstract description 9
- 238000013528 artificial neural network Methods 0.000 claims abstract description 59
- 238000003062 neural network model Methods 0.000 claims abstract description 42
- 238000012549 training Methods 0.000 claims abstract description 36
- 230000001617 migratory effect Effects 0.000 claims abstract description 20
- 238000012545 processing Methods 0.000 claims abstract description 16
- 238000000034 method Methods 0.000 claims abstract description 15
- 239000011159 matrix material Substances 0.000 claims description 30
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 15
- 241000195649 Chlorella <Chlorellales> Species 0.000 claims description 3
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 229910052760 oxygen Inorganic materials 0.000 claims description 3
- 239000001301 oxygen Substances 0.000 claims description 3
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 claims 1
- 235000013601 eggs Nutrition 0.000 claims 1
- 229910052698 phosphorus Inorganic materials 0.000 claims 1
- 239000011574 phosphorus Substances 0.000 claims 1
- 238000012216 screening Methods 0.000 claims 1
- 238000013135 deep learning Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 9
- 230000017448 oviposition Effects 0.000 description 2
- DJFBJKSMACBYBD-UHFFFAOYSA-N phosphane;hydrate Chemical compound O.P DJFBJKSMACBYBD-UHFFFAOYSA-N 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
Images
Classifications
-
- 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
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及水文数据处理技术领域，公开了一种江河水文监测数据的处理方法，包括：步骤101，生成第一训练集；步骤102，通过第一训练集对第一神经网络模型进行训练；步骤103，生成第二训练集；步骤104，通过第二训练集对LSTM神经网络进行训练；步骤105，将步骤102训练完成的第一神经网络模型与LSTM神经网络获得异构神经网络；步骤106，将待预测样本的数据输入异构神经网络，基于异构神经网络输出预测待预测样本对应的江河区域预测时间之后的候鸟数量；本发明通过预先训练的异构的两类神经网络进行组合获得异构神经网络，通过决策层来对最终进行预测的LSTM神经网络部分的输入池进行处理，基于深度学习的手段来实现对于内陆江河候鸟数量的准确预测。
Description
技术领域
本发明涉及水文数据处理技术领域，更具体地说，它涉及一种江河水文监测数据的处理方法。
背景技术
现有技术中通过历史数据的曲线拟合来对未来的候鸟数量进行预测，只能进行较为粗略的估计，综合水文数据对结果进行校正一般是通过经验性的方式，在水域水文状态变化不大的情况下对预测结果的校正程度是比较小的，水文数据部分来源于人工采样获得的数据，内陆江河水域环境相较于海洋水域更为复杂，而且江河水域可能跨越多个行政区域，这些因素都会导致内陆江河水文监测数据相较于海洋水文数据来说掺杂的人为因素更多。
发明内容
本发明提供一种江河水文监测数据的处理方法，解决相关技术中对内陆江河水域候鸟数量预测准确度低的技术问题。
本发明提供了一种江河水文监测数据的处理方法，包括以下步骤：
步骤101，生成第一训练集，第一训练集的样本的数据包括水文数据和候鸟数据，样本的标签类型包括数据正常和数据错误；
步骤102，通过第一训练集对第一神经网络模型进行训练，第一神经网络模型的输出分类空间与第一训练集的样本的标签类型对应；
步骤103，生成第二训练集，第二训练集的样本的数据包括水文数据和候鸟数据，样本的标签类型包括离散化的单位面积的候鸟数量；
步骤104，通过第二训练集对LSTM（长短期记忆网络，Long Short-Term Memory）神经网络进行训练，LSTM神经网络的输出分类空间与第一训练集的样本的标签类型对应；
步骤105，将步骤102训练完成的第一神经网络模型与LSTM神经网络获得异构神经网络，LSTM神经网络的每个输入连接一个输入特征池，每个输入特征池通过第一决策节点连接一个第一神经网络模型的输入；
第一决策节点的输入连接第一神经网络模型的输出；
步骤106，将待预测样本的数据输入异构神经网络，基于异构神经网络输出预测待预测样本对应的江河区域预测时间之后的候鸟数量。
进一步地，候鸟数据包括各类候鸟的平均体重、单位体重的食量、雌鸟平均产卵数量。
进一步地，水文数据包括单位水体含氧量、单位水体球藻含量、单位水体含磷量、水体平均温度、滩涂面积占比。
进一步地，第一决策节点的决策公式为：，
其中表示第i个第一决策节点的决策值，表示第i个第一决策节点输入的第一神经网络模型的输出值，如果第一神经网络模型输出的标签为数据正常，则赋值为1，否则赋值为-0.8；表示第i个第一神经网络模型的输入被更新的次数。
进一步地，待预测样本的数据需要进行序列化处理，序列化处理之后的每个序列单元分别输入到对应的第一神经网络模型的输入；LSTM神经网络包括N个LSTM单元和一个分类层，N与待预测样本的数据序列化处理后的序列单元的数量相同。
进一步地，待预测样本的数据输入到异构神经网络的第一神经网络模型，第一决策节点决策值为正值则将第一神经网络模型当前的输入放入输入特征池内，如果第一决策节点的决策值为负值，则第一神经网络模型通过反向传播更新当前的输入，并将更新后的输入重新输入到第一神经网络模型。
进一步地，每个LSTM单元的输出状态的计算公式如下：
，
其中，输出门，
表示输入传递到对应的权重矩阵，表示上个LSTM单元的输出状态传递到对应的权重矩阵，表示偏置项，表示sigmoid函数；
其中，输出状态，
表示遗忘门和上一LSTM单元的输出状态做逐点相乘，；表示输出入门和中间状态进行逐点相乘；
其中，遗忘门，
表示输入传递到对应的权重矩阵，表示上一LSTM单元状态传递到对应的权重矩阵，表示偏置项，表示sigmoid函数；
其中，输入门，
表示输入传递到对应的权重矩阵，表示上一LSTM单元状态传递到对应的权重矩阵，表示偏置项，表示sigmoid函数。
其中，中间状态，
表示输入传递到对应的权重矩阵，表示上一LSTM单元状态传递到对应的权重矩阵，表示偏置项，表示双曲正切函数。
进一步地，LSTM神经网络的最后一个LSTM单元的输出状态输入到分类层。
进一步地，分类层对最后一个LSTM单元的输出状态进行向量化，然后与输出权重矩阵相乘获得M个输出值，M等于输出分类空间内的类别标签的数量；
输出权重矩阵的大小为L*M，其中L为最后一个LSTM单元的输出状态进行向量化之后的维数。
进一步地，LSTM神经网络的输出连接概率分类层，概率分类层对LSTM的输出值进行概率化；
概率分类层的概率化的公式为：
，
其中为LSTM神经网络的第j个输出值对应的概率值，为LSTM神经网络的第j个输出值，为LSTM神经网络的第k个输出值，为LSTM神经网络的输出项的集合。
本发明的有益效果在于：
本发明通过预先训练的异构的两类神经网络进行组合获得异构神经网络，通过决策层来对最终进行预测的LSTM神经网络部分的输入池进行处理，降低了内陆江河水文数据掺杂的人为因素的影响，考虑了输入特征的连续性，基于深度学习的手段来实现对于内陆江河候鸟数量的准确预测。
附图说明
图1是本发明的一种江河水文监测数据的处理方法的流程图。
具体实施方式
现在将参考示例实施方式讨论本文描述的主题。应该理解，讨论这些实施方式只是为了使得本领域技术人员能够更好地理解从而实现本文描述的主题，可以在不脱离本说明书内容的保护范围的情况下，对所讨论的元素的功能和排列进行改变。各个示例可以根据需要，省略、替代或者添加各种过程或组件。另外，相对一些示例所描述的特征在其他例子中也可以进行组合。
如图1所示，一种江河水文监测数据的处理方法，包括以下步骤：
步骤101，生成第一训练集，第一训练集的样本的数据包括水文数据和候鸟数据，样本的标签类型包括数据正常和数据错误；
步骤102，通过第一训练集对第一神经网络模型进行训练，第一神经网络模型的输出分类空间与第一训练集的样本的标签类型对应；
在本发明的一个实施例中，第一神经网络模型为DenseNet（Dense ConvolutionalNetwork）、BP（back propagation）神经网络等。
步骤103，生成第二训练集，第二训练集的样本的数据包括水文数据和候鸟数据，样本的标签类型包括离散化的单位面积的候鸟数量；
在本发明的一个实施例中，水文数据包括单位水体含氧量、单位水体球藻含量、单位水体含磷量、水体平均温度、滩涂面积占比等；
候鸟数据包括各类候鸟的平均体重、单位体重的食量、雌鸟平均产卵数量等；
在本发明的一个实施例中，将单位面积的候鸟数量进行均分离散化，例如单位面积的候鸟数量的值域为0-4W，如果均等离散化为11个标签，则各个标签对应的单位面积的候鸟数量的值分别为0W、0.4W、0.8W、1.2W、1.6W、2.0W、2.4W、2.8W、3.2W、3.6W、4.0W；
当然也可以采用其他非均等离散化的方式。
步骤104，通过第二训练集对LSTM神经网络进行训练，LSTM神经网络的输出分类空间与第一训练集的样本的标签类型对应；
步骤105，将步骤102训练完成的第一神经网络模型与LSTM神经网络获得异构神经网络，LSTM神经网络的每个输入连接一个输入特征池，每个输入特征池通过第一决策节点连接一个第一神经网络模型的输入；
第一决策节点的输入连接第一神经网络模型的输出；
第一决策节点的决策公式为：
，
其中表示第i个第一决策节点的决策值，表示第i个第一决策节点输入的第一神经网络模型的输出值，如果第一神经网络模型输出的标签为数据正常，则赋值为1，否则赋值为-0.8；表示第i个第一神经网络模型的输入被更新的次数；
步骤106，将待预测样本的数据输入异构神经网络，基于异构神经网络输出预测待预测样本对应的江河区域预测时间之后的候鸟数量。
由于异构神经网络中结合了LSTM神经网络，因此待预测样本的数据需要进行序列化处理，序列化处理之后的每个序列单元分别输入到对应的第一神经网络模型的输入；
对于每一个第一神经网络模型都设置了一个第一决策节点，待预测样本的数据输入到异构神经网络的第一神经网络模型，第一决策节点决策值为正值则将第一神经网络模型当前的输入放入输入特征池内，如果第一决策节点的决策值为负值，则第一神经网络模型通过反向传播更新当前的输入，并将更新后的输入重新输入到第一神经网络模型。
LSTM神经网络包括N个LSTM单元和一个分类层，N与待预测样本的数据序列化处理后的序列单元的数量相同。
每个LSTM单元的输出状态的计算公式如下：
，
其中，输出门，
表示输入传递到对应的权重矩阵，表示上个LSTM单元的输出状态传递到对应的权重矩阵，表示偏置项，表示sigmoid函数；
其中，输出状态，
表示遗忘门和上一LSTM单元的输出状态做逐点相乘，；表示输出入门和中间状态进行逐点相乘；
其中，遗忘门，
表示输入传递到对应的权重矩阵，表示上一LSTM单元状态传递到对应的权重矩阵，表示偏置项，表示sigmoid函数；
其中，输入门，
表示输入传递到对应的权重矩阵，表示上一LSTM单元状态传递到对应的权重矩阵，表示偏置项，表示sigmoid函数。
其中，中间状态，
表示输入传递到对应的权重矩阵，表示上一LSTM单元状态传递到对应的权重矩阵，表示偏置项，表示双曲正切函数；
LSTM神经网络的最后一个LSTM单元的输出状态输入到分类层；
分类层对最后一个LSTM单元的输出状态进行向量化，然后与输出权重矩阵相乘获得M个输出值，M等于输出分类空间内的类别标签的数量；
输出权重矩阵的大小为L*M，其中L为最后一个LSTM单元的输出状态进行向量化之后的维数；
在本发明的一个实施例中，LSTM神经网络的输出连接概率分类层，概率分类层对LSTM的输出值进行概率化；
概率分类层的概率化的公式为：
，
其中为LSTM神经网络的第j个输出值对应的概率值，为LSTM神经网络的第j个输出值，为LSTM神经网络的第k个输出值，为LSTM神经网络的输出项的集合。
上面对本实施例的实施例进行了描述，但是本实施例并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本实施例的启示下，还可做出很多形式，均属于本实施例的保护之内。
Claims (10)
1.一种江河水文监测数据的处理方法，其特征在于，包括以下步骤：
步骤101，生成第一训练集，第一训练集的样本的数据包括水文数据和候鸟数据，样本的标签类型包括数据正常和数据错误；
步骤102，通过第一训练集对第一神经网络模型进行训练，第一神经网络模型的输出分类空间与第一训练集的样本的标签类型对应；
步骤103，生成第二训练集，第二训练集的样本的数据包括水文数据和候鸟数据，样本的标签类型包括离散化的单位面积的候鸟数量；
步骤104，通过第二训练集对LSTM神经网络进行训练，LSTM神经网络的输出分类空间与第一训练集的样本的标签类型对应；
步骤105，将步骤102训练完成的第一神经网络模型与LSTM神经网络获得异构神经网络，LSTM神经网络的每个输入连接一个输入特征池，每个输入特征池通过第一决策节点连接一个第一神经网络模型的输入；
第一决策节点的输入连接第一神经网络模型的输出；
步骤106，将待预测样本的数据输入异构神经网络，基于异构神经网络输出预测待预测样本对应的江河区域预测时间之后的候鸟数量。
2.根据权利要求1所述的一种江河水文监测数据的处理方法，其特征在于，候鸟数据包括各类候鸟的平均体重、单位体重的食量、雌鸟平均产卵数量。
3.根据权利要求1所述的一种江河水文监测数据的处理方法，其特征在于，水文数据包括单位水体含氧量、单位水体球藻含量、单位水体含磷量、水体平均温度、滩涂面积占比。
4.根据权利要求1所述的一种江河水文监测数据的处理方法，其特征在于，第一决策节点的决策公式为：，
其中表示第i个第一决策节点的决策值，表示第i个第一决策节点输入的第一神经网络模型的输出值，如果第一神经网络模型输出的标签为数据正常，则赋值为1，否则赋值为-0.8；表示第i个第一神经网络模型的输入被更新的次数。
5.根据权利要求1所述的一种江河水文监测数据的处理方法，其特征在于，待预测样本的数据需要进行序列化处理，序列化处理之后的每个序列单元分别输入到对应的第一神经网络模型的输入；LSTM神经网络包括N个LSTM单元和一个分类层，N与待预测样本的数据序列化处理后的序列单元的数量相同。
6.根据权利要求4所述的一种江河水文监测数据的处理方法，其特征在于，待预测样本的数据输入到异构神经网络的第一神经网络模型，第一决策节点决策值为正值则将第一神经网络模型当前的输入放入输入特征池内，如果第一决策节点的决策值为负值，则第一神经网络模型通过反向传播更新当前的输入，并将更新后的输入重新输入到第一神经网络模型。
7.根据权利要求1所述的一种江河水文监测数据的处理方法，其特征在于，每个LSTM单元的输出状态的计算公式如下：，
其中，输出门，
表示输入传递到对应的权重矩阵，表示上个LSTM单元的输出状态传递到对应的权重矩阵，表示偏置项，表示sigmoid函数；
其中，输出状态，
表示遗忘门和上一LSTM单元的输出状态做逐点相乘，；表示输出入门和中间状态进行逐点相乘；
其中，遗忘门，
表示输入传递到对应的权重矩阵，表示上一LSTM单元状态传递到对应的权重矩阵，表示偏置项，表示sigmoid函数；
其中，输入门，
表示输入传递到对应的权重矩阵，表示上一LSTM单元状态传递到对应的权重矩阵，表示偏置项，表示sigmoid函数；
其中，中间状态，
表示输入传递到对应的权重矩阵，表示上一LSTM单元状态传递到对应的权重矩阵，表示偏置项，表示双曲正切函数。
8.根据权利要求1所述的一种江河水文监测数据的处理方法，其特征在于，LSTM神经网络的最后一个LSTM单元的输出状态输入到分类层。
9.根据权利要求8所述的一种江河水文监测数据的处理方法，其特征在于，分类层对最后一个LSTM单元的输出状态进行向量化，然后与输出权重矩阵相乘获得M个输出值，M等于输出分类空间内的类别标签的数量；
输出权重矩阵的大小为L*M，其中L为最后一个LSTM单元的输出状态进行向量化之后的维数。
10.根据权利要求1或8或9所述的一种江河水文监测数据的处理方法，其特征在于，LSTM神经网络的输出连接概率分类层，概率分类层对LSTM的输出值进行概率化；
概率分类层的概率化的公式为：，
其中为LSTM神经网络的第j个输出值对应的概率值，为LSTM神经网络的第j个输出值，为LSTM神经网络的第k个输出值，为LSTM神经网络的输出项的集合。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310263950.2A CN115982534B (zh) | 2023-03-18 | 2023-03-18 | 一种江河水文监测数据的处理方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310263950.2A CN115982534B (zh) | 2023-03-18 | 2023-03-18 | 一种江河水文监测数据的处理方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115982534A true CN115982534A (zh) | 2023-04-18 |
| CN115982534B CN115982534B (zh) | 2023-05-26 |
Family
ID=85968497
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310263950.2A Active CN115982534B (zh) | 2023-03-18 | 2023-03-18 | 一种江河水文监测数据的处理方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115982534B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116091779A (zh) * | 2023-04-07 | 2023-05-09 | 湖北一方科技发展有限责任公司 | 一种基于水文数据进行预测的方法及系统 |
| CN117092149A (zh) * | 2023-10-19 | 2023-11-21 | 大连高佳化工有限公司 | 一种溶析结晶在线监测系统 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140304600A1 (en) * | 2011-10-19 | 2014-10-09 | Cornell University | Systems and methods for identifying objects |
| CN106777879A (zh) * | 2016-11-16 | 2017-05-31 | 北京大学深圳研究生院 | 基于生物指标的红树林水环境健康状况评估方法 |
| CN110363349A (zh) * | 2019-07-15 | 2019-10-22 | 河海大学 | 一种基于ascs的lstm神经网络水文预测方法及系统 |
| CN110598726A (zh) * | 2019-07-16 | 2019-12-20 | 广东工业大学 | 一种基于随机森林的输电杆塔鸟害风险预测方法 |
| CN110837768A (zh) * | 2018-08-16 | 2020-02-25 | 武汉大学 | 一种面向珍稀动物保护的在线检测与识别方法 |
| CN114067368A (zh) * | 2022-01-17 | 2022-02-18 | 国网江西省电力有限公司电力科学研究院 | 基于深度卷积特征的电网危害鸟种分类识别方法 |
| CN114724184A (zh) * | 2022-04-11 | 2022-07-08 | 中国民航大学 | 一种基于对比层级相关性传播理论的鸟类分类方法 |
| CN115272797A (zh) * | 2022-07-29 | 2022-11-01 | 腾讯科技（深圳）有限公司 | 分类器的训练方法、使用方法、装置、设备及存储介质 |
-
2023
- 2023-03-18 CN CN202310263950.2A patent/CN115982534B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140304600A1 (en) * | 2011-10-19 | 2014-10-09 | Cornell University | Systems and methods for identifying objects |
| CN106777879A (zh) * | 2016-11-16 | 2017-05-31 | 北京大学深圳研究生院 | 基于生物指标的红树林水环境健康状况评估方法 |
| CN110837768A (zh) * | 2018-08-16 | 2020-02-25 | 武汉大学 | 一种面向珍稀动物保护的在线检测与识别方法 |
| CN110363349A (zh) * | 2019-07-15 | 2019-10-22 | 河海大学 | 一种基于ascs的lstm神经网络水文预测方法及系统 |
| CN110598726A (zh) * | 2019-07-16 | 2019-12-20 | 广东工业大学 | 一种基于随机森林的输电杆塔鸟害风险预测方法 |
| CN114067368A (zh) * | 2022-01-17 | 2022-02-18 | 国网江西省电力有限公司电力科学研究院 | 基于深度卷积特征的电网危害鸟种分类识别方法 |
| CN114724184A (zh) * | 2022-04-11 | 2022-07-08 | 中国民航大学 | 一种基于对比层级相关性传播理论的鸟类分类方法 |
| CN115272797A (zh) * | 2022-07-29 | 2022-11-01 | 腾讯科技（深圳）有限公司 | 分类器的训练方法、使用方法、装置、设备及存储介质 |
Non-Patent Citations (4)
| Title |
|---|
| KYLEN SOLVIK: "Predicting Playa Inundation Using a Long Short-Term Memory Neural Network", 《WATER RESOURCES RESEARCH》 * |
| 姚简: "菜子湖越冬水鸟多样性及其与环境因子的关系研究", 《中国优秀硕士学位论文全文数据库：基础科学辑》 * |
| 苏锦河: "基于卷积神经网络的候鸟潜在分布预测", 《计算机系统应用》 * |
| 郑利林,徐金英,王晓龙: "随机森林算法在湿地研究中的应用", 《湿地科学》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116091779A (zh) * | 2023-04-07 | 2023-05-09 | 湖北一方科技发展有限责任公司 | 一种基于水文数据进行预测的方法及系统 |
| CN116091779B (zh) * | 2023-04-07 | 2023-06-27 | 湖北一方科技发展有限责任公司 | 一种基于水文数据进行预测的方法及系统 |
| CN117092149A (zh) * | 2023-10-19 | 2023-11-21 | 大连高佳化工有限公司 | 一种溶析结晶在线监测系统 |
| CN117092149B (zh) * | 2023-10-19 | 2024-01-09 | 大连高佳化工有限公司 | 一种溶析结晶在线监测系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115982534B (zh) | 2023-05-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115982534A (zh) | 一种江河水文监测数据的处理方法 | |
| CN107688871B (zh) | 一种水质预测方法和装置 | |
| US8645304B2 (en) | Change point detection in causal modeling | |
| CN111814956B (zh) | 一种基于多维度二次特征提取的多任务学习的空气质量预测方法 | |
| CN109583565A (zh) | 基于注意力模型长短时记忆网络的洪水预测方法 | |
| CN112598180A (zh) | 一种分布式区域风电功率预测方法 | |
| KR20200052806A (ko) | 딥러닝 기반 기후 변화 예측 시스템의 동작 방법 | |
| CN113807562A (zh) | 海洋表面温度的预测方法 | |
| Lee et al. | Detecting anomalies in meteorological data using support vector regression | |
| Lee et al. | Deep learning for hydrometeorology and environmental science | |
| Malakouti | Babysitting hyperparameter optimization and 10-fold-cross-validation to enhance the performance of ML methods in Predicting Wind Speed and Energy Generation | |
| Schreiber et al. | Model selection, adaptation, and combination for transfer learning in wind and photovoltaic power forecasts | |
| CN115374789A (zh) | 基于预训练模型bert的多粒度融合方面级情感分析方法 | |
| Cui et al. | A VMD-MSMA-LSTM-ARIMA model for precipitation prediction | |
| CN116109945B (zh) | 基于有序持续学习的遥感影像解译方法 | |
| CN109447843B (zh) | 一种光伏出力预测方法及装置 | |
| CN116960962A (zh) | 一种跨区域数据融合的中长期区域负荷预测方法 | |
| CN113449914B (zh) | 一种电力系统监测方法及系统 | |
| Ravi et al. | Design of Deep Learning Model for Predicting Rainfall | |
| EP1847856A1 (en) | Method and system for forecasting an ambient variable | |
| CN113344290B (zh) | 基于U-Net网络的次季节降水气象预报订正方法 | |
| CN112015894B (zh) | 一种基于深度学习的文本单类分类方法及系统 | |
| CN115271242A (zh) | 光伏发电功率预测模型的训练方法、预测方法、装置 | |
| Chaouche et al. | Statistical inference for the generalized Pareto distribution: Maximum likelihood revisited | |
| CN114880991A (zh) | 知识图谱问答问句实体链接方法、装置、设备及介质 |
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 |