CN116050583A - 一种耦合时空上下文信息的水环境质量深度学习预测方法 - Google Patents

一种耦合时空上下文信息的水环境质量深度学习预测方法 Download PDF

Info

Publication number
CN116050583A
CN116050583A CN202211618547.9A CN202211618547A CN116050583A CN 116050583 A CN116050583 A CN 116050583A CN 202211618547 A CN202211618547 A CN 202211618547A CN 116050583 A CN116050583 A CN 116050583A
Authority
CN
China
Prior art keywords
water environment
environment quality
data
input
prediction
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
Application number
CN202211618547.9A
Other languages
English (en)
Other versions
CN116050583B (zh
Inventor
魏祖帅
宋巍巍
李泰儒
潘翠红
梁旻轩
李琪
庄子槺
谢冠武
方嘉炜
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.)
Guangdong Huihangwei Technology Co ltd
South China Institute of Environmental Science of Ministry of Ecology and Environment
Original Assignee
Guangdong Huihangwei Technology Co ltd
South China Institute of Environmental Science of Ministry of Ecology and Environment
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 Guangdong Huihangwei Technology Co ltd, South China Institute of Environmental Science of Ministry of Ecology and Environment filed Critical Guangdong Huihangwei Technology Co ltd
Priority to CN202211618547.9A priority Critical patent/CN116050583B/zh
Publication of CN116050583A publication Critical patent/CN116050583A/zh
Application granted granted Critical
Publication of CN116050583B publication Critical patent/CN116050583B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • 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
    • 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
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • 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
    • Y02A20/00—Water conservation; Efficient water supply; Efficient water use
    • Y02A20/152—Water filtration

Landscapes

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

Abstract

本发明涉及水环境保护与监测技术领域，尤其为一种耦合时空上下文信息的水环境质量深度学习预测方法，包括如下步骤：S1.1：采集待预测水环境输入数据；S1.2：对采集的数据集进行预处理；S1.3：构建水环境质量预测模型，并对水环境质量进行预测输出。本发明通过改进的LSTM——门控循环神经网络对水环境质量数据进行深度学习，结构更加简单，参数更少，运行速度更快，提高了水环境质量预测的效率；并通过权重参数学习后的输出特征值融入自注意力机制，能够及时对特征值进行调整，聚焦关键信息，使最后的输出结果更符合预测需求，从而提高水环境质量数据预测的准确性。

Description

一种耦合时空上下文信息的水环境质量深度学习预测方法
技术领域
本发明涉及水环境保护与监测技术领域，尤其是一种耦合时空上下文信息的水环境质量深度学习预测方法。
背景技术
目前国内对于水质量预测的方法主要有时间序列预测法、回归分析预测法、灰色系统预测法、梳理统计预测法、人工神经网络预测法等，相对于其他四种方法，人工神经网络预测法凭借其可以摒弃可观因素的影响，只根据样本水质水量自身特点进行分析学习的优点在水质水量预测领域得到了广泛应用，目前常人的人工神经网络预测方法包括BP神经网络、径向基函数神经网络、广义神经网络等。
河流水质水量变化具有渐变性、非线性、不稳定性以及复杂性等特点，目前运用于水质水量预测的神经网络模型，例如BP神经网络、径向基函数神经网络、广义神经网络在进行复杂时间序列预测时容易陷入局部最优，同时由于水质水量序列表现出的强非线性特征和弱线性特征，单一的预测模型对水质水量的弱线性特征难以充分处理，需要结合其他线性算法，步骤冗杂且不利于水环境质量的预测。
公开号为CN112132333A的发明专利申请公开了一种基于长短期记忆神经网络对自然水环境进行短期水质水量预测的方法，其通过构建LSTM神经网络和ARMA模型分别对待预测时刻的水质水量和预测误差进行计算，这种方法仅能适用于时间序列的水环境质量预测，且LSTM神经网络结构较为复杂，参数较为繁杂，运行速度较慢，消耗时间较长，保证了水质量预测的稳定性，但不能保证预测的高效性。
发明内容
本发明的目的是通过提出一种耦合时空上下文信息的水环境质量深度学习预测方法，以解决上述背景技术中提出的缺陷。
本发明采用的技术方案如下：
提供一种耦合时空上下文信息的水环境质量深度学习预测方法，包括如下步骤：
S1.1：采集待预测水环境输入数据；
S1.2：对采集的数据集进行预处理；
S1.3：构建水环境质量预测模型，并对水环境质量进行预测输出。
作为本发明的一种优选技术方案：所述S1.1中输入数据包括常规水质指标、金属含量、无机物含量、有机物含量、有害物质含量、微生物含量、辐射量、水位、液位、流量、流速。
作为本发明的一种优选技术方案：所述S1.2中预处理包括数据缺失处理、数据集成、数据标准化。
作为本发明的一种优选技术方案：所述S1.3中的水环境质量预测模型通过加入自注意力机制的门控循环神经网路对输入的水环境质量数据进行学习预测。
作为本发明的一种优选技术方案：所述水环境质量预测模型中，设x1,x2,…,xt表示对于第t时刻输入数据xt为采集的水环境质量时间数据，x1,x2,…,xm表示对于第m立方米输入数据Xm为采集的水环境质量空间数据，引入查询向量q，经过打分函数计算出模型输入X和查询向量q之间的关联，并输入分数结果；将这组分数结果输入至softmax函数进行归一化映射处理，处理后得到查询向量q在输入数据上向对应的注意力分布a＝[a1,a2,…,at]；通过注意力分布对模型的输入进行注意力选择，并进行不断地迭代学习，通过门控循环神经网络进行深度学习，预测水环境质量。
作为本发明的一种优选技术方案：所述打分函数S(x,q)为：
S(x,q)＝xTWq
其中，x为输入的水环境质量时间数据或水环境质量空间数据，xT为输入的水环境质量数据的转置矩阵，W为学习参数。
作为本发明的一种优选技术方案：所述注意力分布函数a如下：
Figure BDA0004001149530000021
其中，q′为softmax函数映射的查询向量。
作为本发明的一种优选技术方案：所述迭代学习如下：
Figure BDA0004001149530000022
其中，X为迭代输出的水环境质量时间数据或水环境质量空间数据，ai为第i个注意力分布，xi为输入的第i个水环境质量时间数据或水环境质量空间数据。
作为本发明的一种优选技术方案：所述将加入自注意力分布的水环境质量时间数据与水环境质量空间数据输入至门控循环神经网络，门控循环神经网络对输入的水环境质量数据在时间维度或空间维度上进行学习，对水环境质量时间数据及水环境质量空间数据进行耦合输出预测结果，所述门控循环神经网络如下：
Figure BDA0004001149530000031
Figure BDA0004001149530000032
Figure BDA0004001149530000033
Figure BDA0004001149530000034
其中，zt为更新门系数，rt为重置门系数，σ为激活函数，ht-1为上一时刻的输出，wz、wr分别表示更新门、重置门对上一时刻输出的权重矩阵，uz、ur分别表示更新门、重置门输入信息的权重矩阵，
Figure BDA0004001149530000035
为耦合时间、空间信息的水环境质量数据，
Figure BDA0004001149530000036
为t时刻候选的输出，ht为t时刻的输出，bz、br为偏置向量。
作为本发明的一种优选技术方案：所述迭代训练完成后输出预测结果；
Ht＝∫att(ht)+ht
yr＝σ(W0Ht)
其中，att为融合时间数据与空间数据的耦合函数，Ht为耦合加权后的输出，W0为预测输出值权重矩阵，yt为预测值输出。
本发明提供的耦合时空上下文信息的水环境质量深度学习预测方法，与现有技术相比，其有益效果有：
本发明通过改进的LSTM——门控循环神经网络对水环境质量数据进行深度学习，结构更加简单，参数更少，运行速度更快，提高了水环境质量预测的效率；并通过权重参数学习后的输出特征值融入自注意力机制，能够及时对特征值进行调整，聚焦关键信息，使最后的输出结果更符合预测需求，从而提高水环境质量数据预测的准确性。
附图说明
图1为本发明优选实施例的方法流程图。
具体实施方式
需要说明的是，在不冲突的情况下，本实施例中的实施例及实施例中的特征可以相互组合，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。
参照图1，本发明优选实施例提供了一种耦合时空上下文信息的水环境质量深度学习预测方法，包括如下步骤：
S1.1：采集待预测水环境输入数据；
S1.2：对采集的数据集进行预处理；
S1.3：构建水环境质量预测模型，并对水环境质量进行预测输出。
所述S1.1中输入数据包括常规水质指标、金属含量、无机物含量、有机物含量、有害物质含量、微生物含量、辐射量、水位、液位、流量、流速。
所述S1.2中预处理包括数据缺失处理、数据集成、数据标准化。
所述S1.3中的水环境质量预测模型通过加入自注意力机制的门控循环神经网路对输入的水环境质量数据进行学习预测。
所述水环境质量预测模型中，设x1,x2,…,xt表示对于第t时刻输入数据xt为采集的水环境质量时间数据，x1,x2,…,xm表示对于第m立方米输入数据Xm为采集的水环境质量空间数据，引入查询向量q，经过打分函数计算出模型输入X和查询向量q之间的关联，并输入分数结果；将这组分数结果输入至softmax函数进行归一化映射处理，处理后得到查询向量q在输入数据上向对应的注意力分布a＝[a1,a2,…,at]；通过注意力分布对模型的输入进行注意力选择，并进行不断地迭代学习，通过门控循环神经网络进行深度学习，预测水环境质量。
所述打分函数S(x,q)为：
S(x,q)＝xTWq
其中，x为输入的水环境质量时间数据或水环境质量空间数据，xT为输入的水环境质量数据的转置矩阵，W为学习参数。
所述注意力分布函数a如下：
Figure BDA0004001149530000041
其中，q′为softmax函数映射的查询向量。
所述迭代学习如下：
Figure BDA0004001149530000042
其中，X为迭代输出的水环境质量时间数据或水环境质量空间数据，ai为第i个注意力分布，xi为输入的第i个水环境质量时间数据或水环境质量空间数据。
将加入自注意力分布的水环境质量时间数据与水环境质量空间数据输入至门控循环神经网络，门控循环神经网络对输入的水环境质量数据在时间维度或空间维度上进行学习，对水环境质量时间数据及水环境质量空间数据进行耦合输出预测结果，所述门控循环神经网络如下：
Figure BDA0004001149530000051
Figure BDA0004001149530000052
Figure BDA0004001149530000053
Figure BDA0004001149530000054
其中，zt为更新门系数，rt为重置门系数，σ为激活函数，ht-1为上一时刻的输出，wz、wr分别表示更新门、重置门对上一时刻输出的权重矩阵，uz、ur分别表示更新门、重置门输入信息的权重矩阵，
Figure BDA0004001149530000055
为耦合时间、空间信息的水环境质量数据，
Figure BDA0004001149530000056
为t时刻候选的输出，ht为t时刻的输出，bz、br为偏置向量。
所述迭代训练完成后输出预测结果；
Ht＝∫att(ht)+ht
yt＝σ(W0Ht)
其中，att为融合时间数据与空间数据的耦合函数，Ht为耦合加权后的输出，W0为预测输出值权重矩阵，yt为预测值输出。
本实施例中，输入待预测的水环境输入数据，如输入二十立方米水环境的微生物含量数据，每小时测量每立方米的微生物含量平均数据并记录，可整合成每小时二十立方米水环境每立方米的微生物含量数据和每立方米每小时的微生物含量数据，可单独输入具有时间特征的水环境质量数据或单独输入具有空间特征的水环境质量数据，单独对具有时间特征的水环境质量数据进行预测，或单独对具有空间特征的水环境质量数据进行预测，引入查询向量q，经过打分函数：
S(x,q)＝xTWq
其中，x为输入的水环境质量时间数据或水环境质量空间数据，xT为输入的水环境质量数据的转置矩阵，W为学习参数。
计算出模型输入X和查询向q之间的关联，并输入分数结果；将这组分数结果输入至softmax函数进行归一化映射处理，处理后得到查询向量q在输入数据上向对应的注意力分布a＝[a1,a2,…,at]；
Figure BDA0004001149530000061
其中，q′为softmax函数映射的查询向量。
通过注意力分布对模型的输入进行注意力选择，将重要的信息分配较高的权重，给不重要的信息分配较低的权值，并进行不断地迭代学习，
Figure BDA0004001149530000062
其中，X为迭代输出的水环境质量时间数据或水环境质量空间数据，ai为第i个注意力分布，xi为输入的第i个水环境质量时间数据或水环境质量空间数据。
融入自注意力机制能够专注于学习输入的水环境质量数据，在计算资源有限的前提下，提高深度学习网络的计算效率和预测结果。
由于门控循环神经网络在参数少、训练速度快的前提下，仍能保持较好的预测性能，故将加入自注意力分布的水环境质量时间数据与水环境质量空间数据输入至门控循环神经网络，门控循环神经网络对输入的水环境质量数据在时间维度或空间维度上进行学习，对水环境质量时间数据及水环境质量空间数据进行耦合输出预测结果，
Figure BDA0004001149530000063
Figure BDA0004001149530000064
Figure BDA0004001149530000065
Figure BDA0004001149530000066
其中，zt为更新门系数，rt为重置门系数，σ为激活函数，ht-1为上一时刻的输出，wz、wr分别表示更新门、重置门对上一时刻输出的权重矩阵，uz、ur分别表示更新门、重置门输入信息的权重矩阵，
Figure BDA0004001149530000067
为耦合时间、空间信息的水环境质量数据，
Figure BDA0004001149530000068
为t时刻候选的输出，ht为t时刻的输出，bz、br为偏置向量。
输出预测结果；
Ht＝∫att(ht)+ht
yt＝σ(W0Ht)
其中，att为融合时间数据与空间数据的耦合函数，Ht为耦合加权后的输出，W0为预测输出值权重矩阵，yt为预测值输出。
将水环境质量数据输入到门控循环神经网络中后，门控循环神经网络会对输入的水环境质量数据进行学习，并通过权重参数学习后的输出特征值融入自注意力机制，能够及时对特征值进行调整，聚焦关键信息，使最后的输出结果更符合预测需求，从而提高水环境质量数据预测的准确性。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。

Claims (6)

1.一种耦合时空上下文信息的水环境质量深度学习预测方法，其特征在于：包括如下步骤：
S1.1：采集待预测水环境输入数据；
S1.2：对采集的数据集进行预处理；
S1.3：构建水环境质量预测模型，并对水环境质量进行预测输出；
所述S1.3中的水环境质量预测模型通过加入自注意力机制的门控循环神经网路对输入的水环境质量数据进行学习预测；所述水环境质量预测模型中，设x1,x2,…,xt表示对于第t时刻输入数据xt为采集的水环境质量时间数据，x1,x2,…,xm表示对于第m立方米输入数据Xm为采集的水环境质量空间数据，引入查询向量q，经过打分函数计算出模型输入X和查询向量q之间的关联，并输入分数结果；将这组分数结果输入至softmax函数进行归一化映射处理，处理后得到查询向量q在输入数据上向对应的注意力分布a＝[a1,a2,…,at]；通过注意力分布对模型的输入进行注意力选择，并进行不断地迭代学习，通过门控循环神经网络进行深度学习，预测水环境质量；
所述打分函数S(x,q)为：
S(x,q)＝xTWq
其中，x为输入的水环境质量时间数据或水环境质量空间数据，xT为输入的水环境质量数据的转置矩阵，W为学习参数；所述注意力分布函数a如下：
Figure FDA0004001149520000011
其中，q′为softmax函数映射的查询向量。
2.根据权利要求1所述的耦合时空上下文信息的水环境质量深度学习预测方法，其特征在于：所述S1.1中输入数据包括常规水质指标、金属含量、无机物含量、有机物含量、有害物质含量、微生物含量、辐射量、水位、液位、流量、流速。
3.根据权利要求1所述的耦合时空上下文信息的水环境质量深度学习预测方法，其特征在于：所述S1.2中预处理包括数据缺失处理、数据集成、数据标准化。
4.根据权利要求1所述的耦合时空上下文信息的水环境质量深度学习预测方法，其特征在于：所述迭代学习如下：
Figure FDA0004001149520000012
其中，X为迭代输出的水环境质量时间数据或水环境质量空间数据，ai为第i个注意力分布，xi为输入的第i个水环境质量时间数据或水环境质量空间数据。
5.根据权利要求4所述的耦合时空上下文信息的水环境质量深度学习预测方法，其特征在于：将加入自注意力分布的水环境质量时间数据与水环境质量空间数据输入至门控循环神经网络，门控循环神经网络对输入的水环境质量数据在时间维度或空间维度上进行学习，对水环境质量时间数据及水环境质量空间数据进行耦合输出预测结果，所述门控循环神经网络如下：
Figure FDA0004001149520000021
Figure FDA0004001149520000022
Figure FDA0004001149520000023
Figure FDA0004001149520000024
其中，zt为更新门系数，rt为重置门系数，σ为激活函数，ht-1为上一时刻的输出，wz、wr分别表示更新门、重置门对上一时刻输出的权重矩阵，uz、ur分别表示更新门、重置门输入信息的权重矩阵，
Figure FDA0004001149520000025
为耦合时间、空间信息的水环境质量数据，
Figure FDA0004001149520000026
为t时刻候选的输出，ht为t时刻的输出，bz、br为偏置向量。
6.根据权利要求5所述的耦合时空上下文信息的水环境质量深度学习预测方法，其特征在于：所述迭代训练完成后输出预测结果；
Figure FDA0004001149520000027
yt＝σ(W0Ht)
其中，att为融合时间数据与空间数据的耦合函数，Ht为耦合加权后的输出，W0为预测输出值权重矩阵，yt为预测值输出。
CN202211618547.9A 2022-12-15 2022-12-15 一种耦合时空上下文信息的水环境质量深度学习预测方法 Active CN116050583B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211618547.9A CN116050583B (zh) 2022-12-15 2022-12-15 一种耦合时空上下文信息的水环境质量深度学习预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211618547.9A CN116050583B (zh) 2022-12-15 2022-12-15 一种耦合时空上下文信息的水环境质量深度学习预测方法

Publications (2)

Publication Number Publication Date
CN116050583A true CN116050583A (zh) 2023-05-02
CN116050583B CN116050583B (zh) 2024-05-28

Family

ID=86124556

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211618547.9A Active CN116050583B (zh) 2022-12-15 2022-12-15 一种耦合时空上下文信息的水环境质量深度学习预测方法

Country Status (1)

Country Link
CN (1) CN116050583B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015030606A2 (en) * 2013-08-26 2015-03-05 Auckland University Of Technology Improved method and system for predicting outcomes based on spatio / spectro-temporal data
CN110827543A (zh) * 2019-11-11 2020-02-21 重庆邮电大学 一种基于深度学习和时空数据融合的短时交通流控制方法
CN111062476A (zh) * 2019-12-06 2020-04-24 重庆大学 基于门控循环单元网络集成的水质预测方法
CN111210633A (zh) * 2020-02-09 2020-05-29 北京工业大学 一种基于深度学习的短时交通流预测方法
CN112085163A (zh) * 2020-08-26 2020-12-15 哈尔滨工程大学 一种基于注意力增强图卷积神经网络agc和门控循环单元gru的空气质量预测方法
CN112766603A (zh) * 2021-02-01 2021-05-07 湖南大学 一种交通流量预测方法、系统、计算机设备及存储介质
CN114495507A (zh) * 2022-02-25 2022-05-13 南京工业大学 融合时空注意力神经网络和交通模型的交通流预测方法
CN114970946A (zh) * 2022-03-30 2022-08-30 大连理工大学 基于深度学习模型与经验模态分解耦合的pm2.5污染浓度长时空预测方法
CN115293415A (zh) * 2022-07-28 2022-11-04 三峡大学 计及时间演变和空间相关的多风电场短期功率预测方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015030606A2 (en) * 2013-08-26 2015-03-05 Auckland University Of Technology Improved method and system for predicting outcomes based on spatio / spectro-temporal data
CN110827543A (zh) * 2019-11-11 2020-02-21 重庆邮电大学 一种基于深度学习和时空数据融合的短时交通流控制方法
CN111062476A (zh) * 2019-12-06 2020-04-24 重庆大学 基于门控循环单元网络集成的水质预测方法
CN111210633A (zh) * 2020-02-09 2020-05-29 北京工业大学 一种基于深度学习的短时交通流预测方法
CN112085163A (zh) * 2020-08-26 2020-12-15 哈尔滨工程大学 一种基于注意力增强图卷积神经网络agc和门控循环单元gru的空气质量预测方法
CN112766603A (zh) * 2021-02-01 2021-05-07 湖南大学 一种交通流量预测方法、系统、计算机设备及存储介质
CN114495507A (zh) * 2022-02-25 2022-05-13 南京工业大学 融合时空注意力神经网络和交通模型的交通流预测方法
CN114970946A (zh) * 2022-03-30 2022-08-30 大连理工大学 基于深度学习模型与经验模态分解耦合的pm2.5污染浓度长时空预测方法
CN115293415A (zh) * 2022-07-28 2022-11-04 三峡大学 计及时间演变和空间相关的多风电场短期功率预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
ICY HUNTER: "深度学习中一些注意力机制的介绍以及pytorch代码实现", pages 1 - 4, Retrieved from the Internet <URL:https://blog.csdn.net/qq_52785473/article/details/125804579> *

Also Published As

Publication number Publication date
CN116050583B (zh) 2024-05-28

Similar Documents

Publication Publication Date Title
CN109214592B (zh) 一种多模型融合的深度学习的空气质量预测方法
Gao et al. Interpretable deep learning model for building energy consumption prediction based on attention mechanism
CN106650767B (zh) 基于聚类分析和实时校正的洪水预报方法
CN110619420B (zh) 一种基于Attention-GRU的短期住宅负荷预测方法
CN111798051A (zh) 基于长短期记忆神经网络的空气质量时空预测方法
CN110490385A (zh) 一种综合能源系统中电负荷和热负荷的联合预测方法
CN113554466B (zh) 一种短期用电量预测模型构建方法、预测方法和装置
CN111160620B (zh) 一种基于端到端记忆网络的短期风电功率预测方法
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
CN112884056A (zh) 基于优化的lstm神经网络的污水水质预测方法
CN114777192B (zh) 基于数据关联和深度学习的二级网供热自主优化调控方法
CN116187835A (zh) 一种基于数据驱动的台区理论线损区间估算方法及系统
CN114417740B (zh) 一种深海养殖态势感知方法
CN116503118A (zh) 一种基于分类选择强化预测模型的废旧家电价值评估系统
CN114596726B (zh) 基于可解释时空注意力机制的停车泊位预测方法
CN112836876B (zh) 一种基于深度学习的配电网线路负荷预测方法
CN116050583B (zh) 一种耦合时空上下文信息的水环境质量深度学习预测方法
CN116663744A (zh) 一种用于近零能耗建筑的能耗预测方法及系统
CN114722721A (zh) 基于深度编解码卷积网络的电力变压器健康状态评估方法
CN112348275A (zh) 一种基于在线增量学习的区域生态环境变化预测方法
CN112418502B (zh) 一种基于组合模型的光伏发电预测方法
CN117993624B (zh) 一种流域水生态环境承载力评估系统及方法
CN117635218B (zh) 基于六度分离理论和图注意网络的商圈流量预测方法
CN115456142A (zh) 基于对比学习的变化点检测方法
CN116863239A (zh) 一种基于特征扩散模型的图像分类方法及装置

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
CB03 Change of inventor or designer information

Inventor after: Song Weiwei

Inventor after: Li Tairu

Inventor after: Pan Cuihong

Inventor after: Liang Minxuan

Inventor after: Wei Zushuai

Inventor after: Li Qi

Inventor after: Zhuang Zikang

Inventor after: Xie Guanwu

Inventor after: Fang Jiawei

Inventor before: Wei Zushuai

Inventor before: Song Weiwei

Inventor before: Li Tairu

Inventor before: Pan Cuihong

Inventor before: Liang Minxuan

Inventor before: Li Qi

Inventor before: Zhuang Zikang

Inventor before: Xie Guanwu

Inventor before: Fang Jiawei

CB03 Change of inventor or designer information
GR01 Patent grant
GR01 Patent grant