CN116611556A - 一种基于混合神经网络的致密气井单井产量预测方法 - Google Patents
一种基于混合神经网络的致密气井单井产量预测方法 Download PDFInfo
- Publication number
- CN116611556A CN116611556A CN202310557543.2A CN202310557543A CN116611556A CN 116611556 A CN116611556 A CN 116611556A CN 202310557543 A CN202310557543 A CN 202310557543A CN 116611556 A CN116611556 A CN 116611556A
- Authority
- CN
- China
- Prior art keywords
- model
- lstm
- neural network
- prediction
- sparrow
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 32
- 238000000034 method Methods 0.000 title claims abstract description 23
- 241000287127 Passeridae Species 0.000 claims abstract description 37
- 238000012549 training Methods 0.000 claims abstract description 19
- 238000012216 screening Methods 0.000 claims abstract description 7
- 238000004519 manufacturing process Methods 0.000 claims description 31
- 238000005457 optimization Methods 0.000 claims description 19
- 238000012360 testing method Methods 0.000 claims description 9
- 239000007788 liquid Substances 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 238000004140 cleaning Methods 0.000 claims 1
- 238000010606 normalization Methods 0.000 claims 1
- 238000012545 processing Methods 0.000 claims 1
- 238000010845 search algorithm Methods 0.000 abstract description 14
- 230000000694 effects Effects 0.000 description 8
- 238000002474 experimental method Methods 0.000 description 5
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 3
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
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
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- G06N3/0985—Hyperparameter optimisation; Meta-learning; Learning-to-learn
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于混合神经网络的致密气井单井产量预测方法,通过麻雀搜索算法初始化麻雀种群并迭代筛选获取运算结果;基于麻雀搜索算法运算结果初始化LSTM神经网络超参数,得到麻雀搜索算法优化后的LSTM模型;对该模型进行训练生成预测模型;向预测模型中输入预测数据并获取结果。本发明利用麻雀搜索算法来优化LSTM神经网络超参数,采用麻雀搜索算法优化的LSTM能够加速模型的收敛,提高模型的预测精度,从而解决现有技术预测精度不够的问题。
Description
技术领域
本发明属于人工智能深度学习领域,具体涉及一种混合神经网络的致密气井单井产量预测方法。
背景技术
长短时记忆神经网络(LSTM)是基于循环神经网络(RNN)改进得到的一种可以有效解决数据之间长期依赖问题的时间循环神经网络。LSTM记忆单元拥有遗忘门、输入门、输出门共计三个特殊的门结构。基于这几种结构,LSTM神经网络对传统循环神经网络经常存在的梯度消失和梯度爆炸的问题有着较强的解决能力,它可以通过构建较深的神经网络层,并且基于复杂的非线性单元对时间序列数据进行非线性建模与预测。
麻雀搜索算法(Sparrow Search Algorithm,SSA)是一种受麻雀的捕食和反捕食行为启发的优化算法。麻雀搜索算法具有原理简单、鲁棒性强、收敛速度快、需调整参数少、搜索能力强、效果好等明显优势,该算法在连续优化问题中具有良好的性能。
对油气田产量进行科学可靠的预测,是石油企业各项工作的科学安排部署和工作量的合理匹配,制定合理的生产计划、避免盲目投资、实现可持续开发的重要条件。目前现有模型的预测精度不够,无法满足实际需要且手动设置最优超参数工作量较大费时较长。因此需要设计出一种精度更好、工作量更少、预测效果更好的预测模型。
发明内容
本发明的目的在于提供一种基于混合神经网络的致密气井单井产量预测方法,旨在解决现有技术预测精度不够的问题。
为实现上述目的,本发明提供了一种基于混合神经网络的致密气井单井产量预测方法,包括初始化麻雀种群并迭代筛选获取运算结果;
基于运算结果初始化LSTM神经网络超参数,得到经过SSA优化的LSTM模型;
对优化后的LSTM进行训练生成预测模型;
向预测模型中输入预测数据,并对预测数据添加油压、日产液量、套压、流压、每天生产时间作为约束条件,输出参数为单井日产气量;获取结果。
其中,所诉初始化麻雀种群并迭代筛选获取运算结果的具体步骤是:
S2.1麻雀种群初始化,设置迭代次数和误差阈值;
S2.2计算个体适应度,评估所有麻雀当前位置的适应度并排序;
S2.3发现者、追随者的位置更新及示警麻雀位置更新;
S2.4基于适应度选择个体;并更新全局最优适应度值;
S2.5检测迭代次数或者误差是否满足要求,若不满足则继续迭代回到S2.2,若满足则保留运算结果。
其中,对优化后的LSTM模型进行训练生成预测模型的具体步骤是:
S3.1将单井日产气量序列划分为训练集和测试集;
S3.2基于训练集使用SSA优化后的LSTM模型学习;
S3.3生成预测模型。
其中,所属向预测模型中输入预测数据并获取结果中,所属预测数据为测试集。
本发明的一种基于混合神经网络的致密气井单井产量预测方法,包括初始化麻雀种群并迭代筛选获取运算结果;基于运算结果初始化LSTM神经网络超参数,得到经过SSA优化的LSTM模型;对优化后的LSTM模型进行训练生成预测模型;向预测模型中输入预测数据添加油压、日产液量、套压、流压、每天生产时间作为约束条件,输出参数为单井日产气量;获取结果。考虑到LSTM擅长对时间序列数据建模的特性,建立产量预测模型,旨在实现对致密气井单井产量进行动态预测。利用麻雀搜索算法来优化LSTM神经网络超参数。因为人工主观选取网络参数容易导致模型过拟合或者欠拟合,采用SSA优化的LSTM能够加速模型的收敛,提高模型的预测精度。
附图说明
为了更清楚地说明本发明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中描述中所需要使用的附图做简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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是归一化后的致密气井单井产量图;
图2是麻雀搜索算法优化LSTM超参数图;
图3是本发明的Loss值比较图;
图4是本发明的不同方法预测曲线对比图;
图5是本发明的定量指标不同方法对比图;
图6是本发明的R2_score对比图;
图7是本发明的初始化麻雀种群并迭代筛选获取运算结果的流程图;
图8是本发明的对SSA优化后的LSTM模型进行训练生成预测模型的流程图;
图9是本发明的SSA-LSTM预测模型流程图
具体实施方式
下面详细描述本发明的实施例,所属实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的原件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
请参阅图1~图8,本发明提供一种基于混合神经网络的致密气井单井产量预测方法,包括:
S1.1初始化麻雀种群并迭代筛选获取运算结果;
麻雀搜索算法为Sparrow Search Algorithm,英文简称SSA。
具体步骤是:
S2.1麻雀种群初始化,设置迭代次数和误差阈值;
S2.2计算个体适应度,评估所有麻雀当前位置的适应度并排序;
S2.3发现者、追随者的位置更新及示警麻雀位置更新;
S2.4基于适应度选择个体;并更新全局最优适应度值;
S2.5检测迭代次数或者误差是否满足要求,若不满足则继续迭代回到S2.2,若满足则保留运算结果。
S1.2基于运算结果初始化LSTM神经网络超参数,得到SSA优化后的LSTM模型;
S1.3对SSA优化后的LSTM模型进行训练生成预测模型;
具体步骤是:
S3.1将致密气井单井产量序列划分为训练集和测试集;
S3.2基于训练集使用SSA优化后的LSTM模型学习;
S3.3生成预测模型。
S1.4向预测模型中输入预测数据添加油压、日产液量、套压、流压、每天生产时间作为约束条件;获取结果。
所述向预测模型中输入预测数据并获取结果中,所属预测数据为测试集。
为了清楚地对本发明进行说明,下面提供一种具体实施例。实验采用的是某油田X1井产量数据集。该数据集使用的是2017年3月9日至2021年1月1日的数据。本实验采用的是X1.excel数据,该文件共1028条数据。为了方便将原始数据量化计算,实验采用他人所提的评估方法对原始数据进行处理,最后得到993条数据。为了提高收敛效率,加快网络学习速度,将其进行归一化处理后如图1所示。
利用时间序列法对实验数据格式进行划分,按顺序每次选取当前时刻以及前n-1个时刻的日产气量值作为预测模型的输入数据,将n+1时刻作为预测模型的输出。具体如表1所示。
表1实验数据输入输出表,如下所示
其中,x1,x2,…xN为样本数量为N的输入数据,例如第二行,表示选取连续m个日产气量值来预测m+1的值。以此类推,最终N个日产气量值可以构建N-m个样本。本发明的日产气量值样本总数为993个,设置滑动窗口值m=6,则此时日产气量预测的样本总数为987个,本发明选取前687个样本构成模型的训练集,剩下的300个样本用作测试数据。
麻雀搜索算法的算法公式如下:
(1)发现者位置更新公式为:
(2)加入者位置更新公式为:
(3)意识到危险的麻雀位置:
本实验需要优化的参数为:学习率(rete)和两层隐藏层节点数(h1,h2),对进行编码,将要优化的三个参数作为每个麻雀对应的解。SSA优化LSTM的流程如下所示。
输入:数据集D,迭代次数T
输出:最优解(学习率(rete)和两层隐藏层节点数(h1,h2))
1.构建LSTM神经网络预测模型初始网络结构
2.初始化麻雀搜索算法,进行适应度计算并排序
3.依次更新发现者、追随者位置
4.获取当前更新位置,若新位置优于旧位置则更新旧位置
5.检查迭代结束条件
6.输出最佳适应度值和麻雀个体
7.将输出的超参数代入LSTM神经网络预测模型中更新设定值并训练,同时以油压、日产液量、套压、流压、每天生产时间作为约束条件
8.最终输出日产气量预测结果
获得SSA优化LSTM神经网络的超参数;学习率为0.0084,第一隐藏层节点数为89,第二隐藏层节点数为39,如图2
SSA优化LSTM完成后,将得到的最优解作为神经网络的初始参数。然后利用日产气量值来许小年连模型,最后输出预测结果。
为了评估SSA-LSTM预测模型的性能,本章采取了以下几个指标来进行综合评估:
(1)平均绝对百分比误差(MAPE),其取值范围是[0,+∞)。
(2)平均绝对误差(MAE),其取值范围是[0,+∞)。
(3)均方误差(MSE),其取值范围是[0,+∞)。
(4)均方根误差(RMSE),其取值范围是[0,+∞)。
(5)决定系数(R2_score),根据R2_score的取值来判断模型的好坏,其取值范围为[0,1]。取值越接近1,说明模型拟合效果越好。
其中,yi指的是实际的日产气量值,是模型预测的日产气量值,/>是实际日产气量均值。以上五个指标,MAPE、MAE、MSE和RMSE均是越小模型拟合效果越好,而R2_score则是越大模型的拟合效果越好。
为了验证SSA优化后的LSTM预测模型的收敛性,本发明通过模型训练的LOSS值来对LSTM神经网络模型和SSA-LSTM模型进行对比试验,其收敛曲线如图3。
由图2可以看出SSA优化后的LSTM模型的Loss值相较于LSTM小得多,说明SSA明显加速了LSTM模型的收敛速度,提高了模型的预测精度。
利用测试集数据对SSA优化后LSTM模型进行验证,抽取其中50个样本进行展示,得到如表2所示的实际值与预测值的对比。从表中可以看出预测值与实际值相差较小,说明模型预测效果是不错的。
表2预测值与实际值对比,如下所示:
为了使本发明所提预测方法更具有说服力,采用多层感知机(MLP)、LSTM神经网络、RNN神经网络以及SSA-LSTM神经网络作为对比实验。图4表示的是不同模型的预测结果与实际值的对比曲线,可以从图中看出,MLP、LSTM和RNN基本与真实曲线相近,在波峰和波谷时预测效果不好;而SSA-LSTM模型预测效果远优于MLP、LSTM和RNN。
为了更加客观的评价本发明所提方法的可靠性,采用定量指标MAPE、MAE、MSE和RMSE来对以上几个模型进行更加全面的分析对比,具体结果如图5所示。可以看出,SSA优化后的LSTM方法的各项指标都优于其他几个方法。这明显突出SSA优化LSTM参数,从而有效提高了模型的预测精度。
为进一步验证模型的拟合效果,利用R2_socre值来进行评估。该值介于0~1之间,越接近1,说明模型拟合效果越好;反之,则说明模型拟合效果差。从图6可知,相比于其他几种模型,SSA优化后的LSTM模型得到的R2_score有0.99914,这充分说明了本发明所提方法是有效的。
以上所揭露的仅为本发明一种较佳实施例而已,当然不能以此来限定本发明之权力范围,本领域普通技术人员可以理解实现上述实施例的全部或部分流程,并依本发明权利要求所作的等同变化,仍属于发明所涵盖范围。
Claims (4)
1.一种基于混合神经网络的致密气井单井产量预测方法,其特征在于,
步骤1包括对1028条致密气井单井日产气量数据进行数据清洗及归一化处理;
构建LSTM神经网络网络结构
对麻雀种群初始化并获得最优超参数;
将最优超参数代入LSTM模型并训练得到经过SSA优化的LSTM模型;
对优化后的LSTM模型进行训练生成预测模型;
向预测模型中输入致密气井单井日产气量数据,并对预测数据添加油压、日产液量、套压、流压、每天生产时间作为约束条件,输出参数为单井日产气量;获取结果。
2.如权利要求1所述的一种基于混合神经网络的致密气井单井产量预测方法,其特征在于,所述初始化麻雀种群并迭代筛选获取运算结果的具体步骤是:
S2.1麻雀种群初始化,设置迭代次数和误差阈值;
S2.2计算个体适应度,评估所有麻雀当前位置的适应度并排序;
S2.3发现者、追随者的位置更新及示警麻雀位置更新;
S2.4根据适应度值的大小选择个体,获得最优适应度值和麻雀个体;
S2.5判断是否满足停止条件,如果不满足则继续迭代回到S2.2,若满足则保留运算结果。S2.6从计算结果中获得LSTM模型的超参数,并确定麻雀搜索优化算法优化后的LSTM模型。
3.如权利要求2所述的一种基于混合神经网络的致密气井单井产量预测方法,其特征在于,所述对优化后的LSTM模型进行训练生成预测模型的具体步骤是:
将单井日产气量序列划分为训练集和测试集;
基于训练集使用SSA优化后的LSTM模型学习训练;
生成预测模型。
4.如权利要求3所述的一种基于混合神经网络的致密气井单井产量预测方法,其特征在于,输入用于训练的致密气井单井日产气量数据和作为结果的预测数据,形成已知样本集对所构建的SSA-LSTM预测模型进行训练,其中预测数据为测试集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310557543.2A CN116611556A (zh) | 2023-05-17 | 2023-05-17 | 一种基于混合神经网络的致密气井单井产量预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310557543.2A CN116611556A (zh) | 2023-05-17 | 2023-05-17 | 一种基于混合神经网络的致密气井单井产量预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116611556A true CN116611556A (zh) | 2023-08-18 |
Family
ID=87679366
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310557543.2A Pending CN116611556A (zh) | 2023-05-17 | 2023-05-17 | 一种基于混合神经网络的致密气井单井产量预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116611556A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117172136A (zh) * | 2023-11-02 | 2023-12-05 | 成都理工大学 | 基于ssa-lstm算法的风车桥系统振动响应预测方法 |
CN117391551A (zh) * | 2023-12-12 | 2024-01-12 | 天津朔程科技有限公司 | 一种气井排水采气评价方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113259325A (zh) * | 2021-04-21 | 2021-08-13 | 桂林电子科技大学 | 基于麻雀搜索算法优化Bi-LSTM的网络安全态势预测方法 |
CN114048932A (zh) * | 2022-01-13 | 2022-02-15 | 西南石油大学 | 一种基于lstm的煤层气井产气量预测方法 |
CN114117787A (zh) * | 2021-11-25 | 2022-03-01 | 上海电机学院 | 基于ssa优化bp神经网络的短期风功率预测方法 |
CN115099519A (zh) * | 2022-07-13 | 2022-09-23 | 西南石油大学 | 一种基于多机器学习模型融合的油井产量预测方法 |
CN115860280A (zh) * | 2023-02-27 | 2023-03-28 | 中国石油大学(华东) | 一种页岩气产量预测方法、装置、设备及存储介质 |
-
2023
- 2023-05-17 CN CN202310557543.2A patent/CN116611556A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113259325A (zh) * | 2021-04-21 | 2021-08-13 | 桂林电子科技大学 | 基于麻雀搜索算法优化Bi-LSTM的网络安全态势预测方法 |
CN114117787A (zh) * | 2021-11-25 | 2022-03-01 | 上海电机学院 | 基于ssa优化bp神经网络的短期风功率预测方法 |
CN114048932A (zh) * | 2022-01-13 | 2022-02-15 | 西南石油大学 | 一种基于lstm的煤层气井产气量预测方法 |
CN115099519A (zh) * | 2022-07-13 | 2022-09-23 | 西南石油大学 | 一种基于多机器学习模型融合的油井产量预测方法 |
CN115860280A (zh) * | 2023-02-27 | 2023-03-28 | 中国石油大学(华东) | 一种页岩气产量预测方法、装置、设备及存储介质 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117172136A (zh) * | 2023-11-02 | 2023-12-05 | 成都理工大学 | 基于ssa-lstm算法的风车桥系统振动响应预测方法 |
CN117172136B (zh) * | 2023-11-02 | 2024-01-05 | 成都理工大学 | 基于ssa-lstm算法的风车桥系统振动响应预测方法 |
CN117391551A (zh) * | 2023-12-12 | 2024-01-12 | 天津朔程科技有限公司 | 一种气井排水采气评价方法 |
CN117391551B (zh) * | 2023-12-12 | 2024-03-22 | 天津朔程科技有限公司 | 一种气井排水采气评价方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111144542B (zh) | 油井产能预测方法、装置和设备 | |
CN116611556A (zh) | 一种基于混合神经网络的致密气井单井产量预测方法 | |
CN112990556A (zh) | 一种基于Prophet-LSTM模型的用户用电能耗预测方法 | |
CN107544904B (zh) | 一种基于深度cg-lstm神经网络的软件可靠性预测方法 | |
CN107992968B (zh) | 基于集成时间序列分析技术的电能表计量误差预测方法 | |
CN111680786B (zh) | 一种基于改进权重门控单元的时序预测方法 | |
CN114218872B (zh) | 基于dbn-lstm半监督联合模型的剩余使用寿命预测方法 | |
CN114282443B (zh) | 基于mlp-lstm有监督联合模型的剩余使用寿命预测方法 | |
CN113298288A (zh) | 一种融合时间序列和神经网络的供电所运维成本预测方法 | |
CN111058840A (zh) | 一种基于高阶神经网络的有机碳含量(toc)评价方法 | |
CN114358435A (zh) | 双阶段时空注意力机制的污染源-水质预测模型权重影响计算方法 | |
CN114266201B (zh) | 一种基于深度学习的自注意力电梯困人预测方法 | |
CN115982141A (zh) | 一种针对时序数据预测的特征优化方法 | |
CN115221793A (zh) | 一种隧道围岩变形预测方法及装置 | |
CN114723003A (zh) | 一种基于时序卷积和关系建模的事件序列预测方法 | |
Lu et al. | Quality-relevant feature extraction method based on teacher-student uncertainty autoencoder and its application to soft sensors | |
CN115217152B (zh) | 一种沉管隧道管节接头张合变形的预测方法及装置 | |
CN114401135B (zh) | 基于LSTM-Attention用户和实体行为分析技术的内部威胁检测方法 | |
CN113887049A (zh) | 一种基于机器学习的石油钻井的钻速预测方法及系统 | |
Carpenter | Transformer-Based Models Aid Prediction of Transient Production of Oil Wells | |
CN113159395A (zh) | 一种基于深度学习的污水处理厂进水流量预测方法及系统 | |
CN111859798A (zh) | 基于双向长短时神经网络的流程工业故障诊断方法 | |
CN114741948B (zh) | 一种基于序列重构的残差堆叠卷积网络的航空发动机退化趋势预测方法 | |
CN116579505B (zh) | 一种无全寿命周期样本的机电设备跨域剩余寿命预测方法及系统 | |
Qiu et al. | Development and Application of Dual Attention-based Short-term Forecasting Intelligent Model for Industrial Electricity Consumption |
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 |