CN116307038A - 一种灌溉用水量预测方法、系统及计算机存储介质 - Google Patents

一种灌溉用水量预测方法、系统及计算机存储介质 Download PDF

Info

Publication number
CN116307038A
CN116307038A CN202211558833.0A CN202211558833A CN116307038A CN 116307038 A CN116307038 A CN 116307038A CN 202211558833 A CN202211558833 A CN 202211558833A CN 116307038 A CN116307038 A CN 116307038A
Authority
CN
China
Prior art keywords
irrigation
water consumption
instance
data
rainfall
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
Application number
CN202211558833.0A
Other languages
English (en)
Inventor
孙小梅
张扬
李娟�
彭飚
王健
陈田庆
叶胜兰
王博
何靖
武丹
张露
杨亮彦
孔辉
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.)
Shaanxi Land Engineering Technology Research Institute Co Ltd
Original Assignee
Shaanxi Land Engineering Technology Research Institute Co Ltd
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 Shaanxi Land Engineering Technology Research Institute Co Ltd filed Critical Shaanxi Land Engineering Technology Research Institute Co Ltd
Priority to CN202211558833.0A priority Critical patent/CN116307038A/zh
Publication of CN116307038A publication Critical patent/CN116307038A/zh
Pending legal-status Critical Current

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
    • G06N3/08—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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/02—Agriculture; Fishing; Forestry; Mining
    • 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

Landscapes

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

Abstract

本申请公开了一种灌溉用水量预测方法、系统及计算机存储介质，方法包括：获取历史灌溉数据，建立灌区用水量事例库；获取历史降雨数据；建立降雨预报模型，采用历史降雨数据中的训练数据对降雨预报模型进行训练；采用训练后的降雨预报模型预报未来降雨数据；获取当前灌区数据；将当前灌区数据和未来降水数据组成目标事例，确定目标事例与灌区用水量事例库中各灌区用水量事例的相似度；根据相似度确定与目标事例匹配的灌区用水量事例，将匹配的灌区用水量事例中的灌溉用水量作为预测得到的灌溉用水量。本申请采用统一的标准进行降雨预报，基于预报的降雨量确定灌溉用水量，使灌区有限的水资源能够得到有效利用，可以进行大规模推广使用。

Description

一种灌溉用水量预测方法、系统及计算机存储介质
技术领域
本申请涉及农业水资源管理技术领域，特别涉及一种灌溉用水量预测方法、系统及计算机存储介质。
背景技术
水资源的有效利用、合理配置和科学规划管理是灌区的重要任务。灌溉用水量是灌区经营管理的一个主要经济指标，对灌溉用水量进行预测可以使有限的水资源发挥最大的效益，同时，在合理利用水资源的情况下，可以使作物产量增加，对于预算当年经济收入、安排工程项目等灌区管理工作以及指导农业生产具有重要的指导意义，特别是在干旱年份，灌溉用水量的预测可以为灌区内部灌溉用水量的合理分配提供科学依据。
在实际管理过程中，灌溉用水量由于受降水量、蒸发量、气温、相对湿度、灌溉管理水平、灌区作物种类及种植面积、灌溉制度、水源的情况以及水费政策的调整等因素的影响，表现出一定的不确定性，尤其降雨对灌溉用水量的影响很大，因此目前主要还是采用经验预测的方式来确定未来的灌溉用水量。而这种方式极度依赖预测人员的经验，而且预测的标准不统一，得到的预测结果不但没有科学的依据，而且无法大规模推广应用。
发明内容
本申请实施例提供了一种灌溉用水量预测方法、系统及计算机存储介质，用以解决现有技术中采用经验预测的方式存在的问题。
一方面，本申请实施例提供了一种灌溉用水量预测方法，包括：
获取历史灌溉数据，建立灌区用水量事例库；
获取历史降雨数据；
建立降雨预报模型，采用历史降雨数据中的训练数据对降雨预报模型进行训练；
采用训练后的降雨预报模型预报未来降雨数据；
获取当前灌区数据；
将当前灌区数据和未来降水数据组成目标事例，确定目标事例与灌区用水量事例库中各灌区用水量事例的相似度；
根据相似度确定与目标事例匹配的灌区用水量事例，将匹配的灌区用水量事例中的灌溉用水量作为预测得到的灌溉用水量。
另一方面，本申请实施例还提供了一种灌溉用水量预测系统，包括：
事例库建立模块，用于获取历史灌溉数据，建立灌区用水量事例库；
降雨数据获取模块，用于获取历史降雨数据；
预报模型建立模块，用于建立降雨预报模型，采用历史降雨数据中的训练数据对降雨预报模型进行训练；
降雨预报模块，用于采用训练后的降雨预报模型预报未来降雨数据；
灌区数据获取模块，用于获取当前灌区数据；
相似度确定模块，用于将当前灌区数据和未来降水数据组成目标事例，确定目标事例与灌区用水量事例库中各灌区用水量事例的相似度；
事例匹配模块，用于根据相似度确定与目标事例匹配的灌区用水量事例，将匹配的灌区用水量事例中的灌溉用水量作为预测得到的灌溉用水量。
另一方面，本申请实施例还提供了一种计算机存储介质，该计算机存储介质中存储有多条计算机指令，该多条计算机指令用于使计算机执行上述的方法。
本申请中的一种灌溉用水量预测方法、系统及计算机存储介质，具有以下优点：
采用科学、统一的标准进行降雨量预报，并基于预报得到的降雨量科学合理的确定灌溉用水量，使灌区有限的水资源能够得到有效利用，可以进行大规模推广使用。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种灌溉用水量预测方法的流程图；
图2为本申请实施例提供的BP算法的流程图；
图3为本申请实施例提供的CBR方法的流程图。
具体实施方式
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，所描述的实施例仅仅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，都属于本申请保护的范围。
图1为本申请实施例提供的一种灌溉用水量预测方法的流程图。本申请实施例提供了一种灌溉用水量预测方法，包括以下步骤：
S100，获取历史灌溉数据，建立灌区用水量事例库。
示例性地，每个历史灌溉数据都可以作为一个灌区用水量事例，每个灌区用水量事例包括事例描述和对应的灌溉用水量，本申请采用数据库存储灌区用水量事例，具体的灌区用水量事例如表1所示。在表1中，水文年特征、水量特征和灌溉特征属于事例描述，表1中的事例描述和灌溉用水量组成了一个灌区用水量事例，而多个已经发生的灌区用水量事例则组成了灌区用水量事例库。
表1灌区用水量事例
Figure BDA0003983729560000041
S110，获取历史降雨数据。
示例性地，可以通过人工记录或网络数据查询的方式获取历史降雨数据。
S120，建立降雨预报模型，采用历史降雨数据中的训练数据对降雨预报模型进行训练。
示例性地，降雨预报模型采用误差逆向传播神经网络(Back-Propagation NeuralNetwork，BPNN)建立。误差逆向传播神经网络是非常著名的人工神经网络，应用十分广泛，具有强大的非线性映射能力。
上述神经网络的工作过程包括两个阶段，一是学习阶段，如图2所示，首先给定一个特定的输入，经过神经网络的计算，得到输出结果，然后神经网络比较输出结果与目标的差异E(q)，如果差异大于设定的值ε，则算法调整网络参数，直到神经网络的输出值和目标值匹配。二是预测阶段，网络在经过第一阶段的学习训练后，达到稳定状态，此时直接输入，网络经过计算，得到输出结果。
进一步地，可以将历史降雨数据按比例随机划分为训练数据和测试数据，通过训练数据可以使神经网络更加贴合降雨预报的需要，以提高预报的准确度。训练完成后再将测试数据输入降雨预报模型，如果输出结果和目标值的差异小于设定的精度阈值，则说明训练效果较好，达到了预期的目标，如果输出结果和目标值的差异超过了精度阈值，则需要对降雨预报模型继续进行训练。
S130，采用训练后的降雨预报模型预报未来降雨数据。
示例性地，当降雨预报模型训练达到要求的精度后，即可将预报所需的数据，例如当前的温度、湿度等数据输入降雨预报模型，输出的结果即为未来的降雨数据。
S140，获取当前灌区数据。
示例性地，当前灌区数据包括时间特征、水文年特征、经济特征、水量特征中的地下水量和灌溉特征中的需水强度以及灌溉面积，而需要确定的数据为灌溉特征中的灌溉用水量。结合表1中灌区用水量事例的组成可知，当前灌区数据和一个完整的灌区用水量事例的差别仅在于不具有降雨量和灌溉用水量这两个特征属性。
S150，将当前灌区数据和未来降水数据组成目标事例，确定目标事例与灌区用水量事例库中各灌区用水量事例的相似度。
示例性地，将当前灌区数据和未来降水数据组成目标事例后，目标事例和一个完整的灌区用水量事例的差别仅在于不具有灌溉用水量，而这正是本申请需要预测的。
由于灌区的灌溉用水量具有复杂性和不确定性，单纯利用模型或者经验进行灌区用水量的确定在实际应用中往往存在一些问题，为了使理论研究尽可能与实际应用相结合，本申请基于降雨预报，将人工智能中的基于事例推理(CBR)技术引入到灌溉用水量预测中，将以往的灌溉用水的事例作为历史事例形成事例库后，对于新的灌溉用水量预测问题，可以从事例库中寻找相似的事例，并根据该相似事例的灌溉用水量方案，确定新问题的解决方案，如图3所示。
基于CBR的灌溉用水量预测将基于降雨预报的目标事例与事例库中的事例进行匹配，选择出与目标事例相同或相似的灌区用水量事例，利用该事例中的灌溉用水量方案来解决当前的灌区用水问题。
具体地，由于灌区用水量事例包括事例描述和对应的灌溉用水量，因此在确定目标事例与灌区用水量事例库中各灌区用水量事例的相似度时，需要确定目标事例与每个灌区用水量事例库中事例描述的相似度。进一步地，确定目标事例与每个灌区用水量事例库中事例描述的相似度的方法，包括：
将目标事例的各个特征属性与每个灌区用水量事例的相应特征属性进行比较，确定特征属性相似度矩阵，如下式所示：
Figure BDA0003983729560000061
上式中，i＝1,2,…,m代表第i个目标事例或灌区用水量事例的编号，j＝1,2,…,n代表第j个特征属性的编号，aij为目标事例中的第j个特征属性和与第i个灌区用水量事例中第j个特征属性的相似度。
根据特征属性相似度矩阵和预先确定的特征属性权向量确定目标事例与每个灌区用水量事例的相似度，获得事例相似度矩阵。确定特征属性相似度矩阵后，将其与特征属性权向量(ω1,ω2,…,ωj,…,ωn)T相乘(ωj为第j个特征属性的权值)，可得到(a1,a2,…,am)T，即为目标事例分别与m个灌区用水量事例的相似度，如下式所示：
Figure BDA0003983729560000062
对事例相似度矩阵按照相似度的大小进行排序，将相似度最高的灌区用水量事例作为匹配的灌区用水量事例。
从表1可以看出，事例描述中的特征属性具有数值型和枚举型两种类型。假设目标事例为C，而第i个灌区用水量事例为Ci，相应的第j个特征属性分别为Cj和Cij，其值分别为Vj和Vij，则对于数值型特征属性来说，需要先将Vj和Vij分别进行归一化处理，使Vj∈[0,1]，Vij∈[0,1]，然后再确定特征属性的相似度：
Similarity(Cj,Cij)＝1-D(Cj,Cij)＝1-|Vj-Vij|
上式中，D(Cj,Cij)表示特征属性Cj和Cij绝对值距。
对于枚举型特征属性来说，特征属性Cj和Cij的相似度为：
Figure BDA0003983729560000063
S160，根据相似度确定与目标事例匹配的灌区用水量事例，将匹配的灌区用水量事例中的灌溉用水量作为预测得到的灌溉用水量。
示例性地，一般情况下，基于CBR检索匹配出来的灌区用水量事例中的灌溉用水量可以直接应用于当前的灌溉用水预测问题，但由于匹配出来的灌区用水量事例在水量特征方面可能还存在差异，或者相似度不是很高时，需要对检索出来的灌区用水量事例的用水方案进行修正，来适应当前的灌溉用水问题。对于用水方案的修正可以采用灌溉人员或专家干预的办法。
灌溉用水预测问题得到解决后，就会产生新的灌区用水量事例，可以将预测得到灌溉用水量加入目标事例，然后将新的目标事例加入灌区用水量事例库中，以便丰富数据库，提高灌区用水匹配度，充分体现了CBR具有知识积累的特点。
本申请实施例还提供了一种灌溉用水量预测系统，该系统包括：
事例库建立模块，用于获取历史灌溉数据，建立灌区用水量事例库；
降雨数据获取模块，用于获取历史降雨数据；
预报模型建立模块，用于建立降雨预报模型，采用历史降雨数据中的训练数据对降雨预报模型进行训练；
降雨预报模块，用于采用训练后的降雨预报模型预报未来降雨数据；
灌区数据获取模块，用于获取当前灌区数据；
相似度确定模块，用于将当前灌区数据和未来降水数据组成目标事例，确定目标事例与灌区用水量事例库中各灌区用水量事例的相似度；
事例匹配模块，用于根据相似度确定与目标事例匹配的灌区用水量事例，将匹配的灌区用水量事例中的灌溉用水量作为预测得到的灌溉用水量。
本申请实施例还提供了一种计算机存储介质，该计算机存储介质中存储有多条计算机指令，该多条计算机指令用于使计算机执行上述的方法。
实施例
针对上述预测方法、系统及计算机存储介质的描述，本实施例以宁夏回族自治区引黄灌区用水量为例。
步骤1：建立目标事例与源事例矩阵。将当前事例与事例库中事例逐个进行比较，建立目标事例与源事例的特征属性矩阵。首先获取灌区历史降雨数据，数据在中国气象网上获取，采用历史降雨数据中的训练数据对降雨预报模型进行训练，以2021年数据为例，预测出2022年的降雨数据，利用CBR推求适用的用水量模型和用水量方案。通过分析，其特征可描述为：
C0＝{丰水年，75.22，212.20，1490.32，52.68，120.03}
根据历史来水以及灌区用水资料，灌区用水量事例的表示及存储结构见表2。
表2灌区用水量事例的表示及存储结构
Figure BDA0003983729560000081
通过初步检索，从事例库中得到一组与当前目标相匹配的事例，为了便于下面计算时表示，将初步检索出事例编号用Ci的形式表示，如表3所示。
表3检索出的事例与新问题
Figure BDA0003983729560000082
Figure BDA0003983729560000091
其中，C1～C5为从事例库中检索出来的用水量事例，C0为新问题,用水量方案是事例库检索到的事例匹配的用水量方案。
步骤2：确定各特征属性的权重。权重的确定方法很多，本申请采用粗糙集理论中属性重要性度量方法计算。通过粗糙集理论计算出各特征属性的权重如表4所示。
表4事例各特征属性的权重
Figure BDA0003983729560000092
步骤3：事例特征属性值归一化处理。采用线性函数归一化法对事例的各特征属性值进行归一化处理，如表5所示。
Figure BDA0003983729560000093
可得C0与其他事例的各特征属性相似度。
表5事例特征属性值归一化处理表
Figure BDA0003983729560000094
Figure BDA0003983729560000101
步骤4：计算事例相似度。有了事例各特征属性的相似度后，就可以通过公式来计算事例的相似度，如表6所示。
表6 事例各特征属性的相似度
Figure BDA0003983729560000102
步骤5：计算事例的整体相似度。计算出事例各特征属性的相似度后，可通过公式来计算事例的整体相似度，计算结果如下：
C1、C2、C3、C4、C5分别为：0.627、0.845、0.471、0.625、0.680
步骤6：事例相似度排序与优选。由上述计算结果可知，事例相似度排序结果为：C2>C5>C1>C3>C4，即事例C2和目标C0的整体相似度最高，而且相似度达到0.845，表明此次事件和事例库中的C2事件情况接近，因此，本次用水量方案编制可采用或借鉴事例C2的用水量方案。
尽管已描述了本申请的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。

Claims (8)

1.一种灌溉用水量预测方法，其特征在于，包括：
获取历史灌溉数据，建立灌区用水量事例库；
获取历史降雨数据；
建立降雨预报模型，采用所述历史降雨数据中的训练数据对所述降雨预报模型进行训练；
采用训练后的所述降雨预报模型预报未来降雨数据；
获取当前灌区数据；
将所述当前灌区数据和未来降水数据组成目标事例，确定所述目标事例与所述灌区用水量事例库中各灌区用水量事例的相似度；
根据所述相似度确定与所述目标事例匹配的灌区用水量事例，将匹配的灌区用水量事例中的灌溉用水量作为预测得到的灌溉用水量。
2.根据权利要求1所述的一种灌溉用水量预测方法，其特征在于，所述降雨预报模型采用误差逆向传播神经网络建立。
3.根据权利要求1所述的一种灌溉用水量预测方法，其特征在于，所述灌区用水量事例包括事例描述和对应的灌溉用水量，所述确定所述目标事例与所述灌区用水量事例库中各灌区用水量事例的相似度，包括：
确定所述目标事例与每个所述灌区用水量事例库中事例描述的相似度。
4.根据权利要求3所述的一种灌溉用水量预测方法，其特征在于，所述确定所述目标事例与每个所述灌区用水量事例库中事例描述的相似度，包括：
将所述目标事例的各个特征属性与每个所述灌区用水量事例的相应特征属性进行比较，确定特征属性相似度矩阵；
根据所述特征属性相似度矩阵和预先确定的特征属性权向量确定所述目标事例与每个所述灌区用水量事例的相似度，获得事例相似度矩阵；
对所述事例相似度矩阵按照相似度的大小进行排序，将相似度最高的灌区用水量事例作为匹配的灌区用水量事例。
5.根据权利要求3所述的一种灌溉用水量预测方法，其特征在于，所述事例描述包括枚举型特征属性和数值型特征属性，在对所述目标事例中的数值型特征属性与所述灌区用水量事例中相应的数值型特征属性进行比较以确定相似度之前，将所述目标事例中的数值型特征属性与所述灌区用水量事例中的数值型特征属性分别进行归一化处理，然后再确定相似度。
6.根据权利要求1所述的一种灌溉用水量预测方法，其特征在于，在预测得到灌溉用水量后，还将预测得到灌溉用水量加入所述目标事例，然后将新的目标事例加入所述灌区用水量事例库中。
7.一种灌溉用水量预测系统，其特征在于，包括：
事例库建立模块，用于获取历史灌溉数据，建立灌区用水量事例库；
降雨数据获取模块，用于获取历史降雨数据；
预报模型建立模块，用于建立降雨预报模型，采用所述历史降雨数据中的训练数据对所述降雨预报模型进行训练；
降雨预报模块，用于采用训练后的所述降雨预报模型预报未来降雨数据；
灌区数据获取模块，用于获取当前灌区数据；
相似度确定模块，用于将所述当前灌区数据和未来降水数据组成目标事例，确定所述目标事例与所述灌区用水量事例库中各灌区用水量事例的相似度；
事例匹配模块，用于根据所述相似度确定与所述目标事例匹配的灌区用水量事例，将匹配的灌区用水量事例中的灌溉用水量作为预测得到的灌溉用水量。
8.一种计算机存储介质，其特征在于，所述计算机存储介质中存储有多条计算机指令，所述多条计算机指令用于使计算机执行权利要求1-6任一项所述的方法。
CN202211558833.0A 2022-12-06 2022-12-06 一种灌溉用水量预测方法、系统及计算机存储介质 Pending CN116307038A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211558833.0A CN116307038A (zh) 2022-12-06 2022-12-06 一种灌溉用水量预测方法、系统及计算机存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211558833.0A CN116307038A (zh) 2022-12-06 2022-12-06 一种灌溉用水量预测方法、系统及计算机存储介质

Publications (1)

Publication Number Publication Date
CN116307038A true CN116307038A (zh) 2023-06-23

Family

ID=86783978

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211558833.0A Pending CN116307038A (zh) 2022-12-06 2022-12-06 一种灌溉用水量预测方法、系统及计算机存储介质

Country Status (1)

Country Link
CN (1) CN116307038A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117114450A (zh) * 2023-10-19 2023-11-24 江西农业大学 一种灌溉用水决策方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117114450A (zh) * 2023-10-19 2023-11-24 江西农业大学 一种灌溉用水决策方法及系统
CN117114450B (zh) * 2023-10-19 2024-02-02 江西农业大学 一种灌溉用水决策方法及系统

Similar Documents

Publication Publication Date Title
CN109934386B (zh) 热电联供系统热负荷预测方法
CN112734135B (zh) 一种电力负荷预测方法、智能终端及计算机可读存储介质
CN110689190A (zh) 一种电网负荷预测方法、装置及相关设备
CN111079989A (zh) 一种基于dwt-pca-lstm的供水公司供水量预测装置
CN110781595B (zh) 能源使用效率pue的预测方法、装置、终端及介质
CN116562514B (zh) 基于神经网络的企业生产状况即时分析方法及系统
CN113361785A (zh) 配电网短期负荷预测方法、装置、终端及存储介质
CN116307038A (zh) 一种灌溉用水量预测方法、系统及计算机存储介质
Jie RETRACTED ARTICLE: Precision and intelligent agricultural decision support system based on big data analysis
CN113610328A (zh) 一种发电负荷预测方法
Sang et al. Ensembles of gradient boosting recurrent neural network for time series data prediction
CN113128666A (zh) 基于Mo-S-LSTMs模型的时间序列多步预测方法
Zhai et al. Combining PSO-SVR and Random Forest Based Feature Selection for Day-ahead Peak Load Forecasting.
CN108596405B (zh) 灰库产量的预测方法及系统
CN114444399A (zh) 一种基于XGBoost的温室滴灌番茄腾发量计算方法
CN114444763A (zh) 基于afsa-gnn的风电功率预测方法
CN109190830B (zh) 基于经验分解和组合预测的能源需求预测方法
Niu et al. Daily load forecasting using support vector machine and case-based reasoning
Nagashima et al. Method for selecting a data imputation model based on programming by example for data analysts
Wang et al. Research on House Price Forecast Based on Hyper Parameter Optimization Gradient Boosting Regression Model
Aladag et al. A novel membership value based performance measure
Septiarini et al. Adaptive Neuro Fuzzy Inference System (ANFIS) for Predicting the Hourly Temperature in Pattani, Thailand
CN113642834B (zh) 基于任务属性优先级映射的任务重要性评价方法和系统
CN116204778A (zh) 用户的评分确定方法及装置
Lujing et al. Evaluation on big data industry development level of prefecture-level cities in Guizhou based on the hesitant fuzzy linguistic TOPSIS method

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