CN116843080B - 一种基于机器学习的尿素生产碳元素足迹预测方法及系统 - Google Patents
一种基于机器学习的尿素生产碳元素足迹预测方法及系统 Download PDFInfo
- Publication number
- CN116843080B CN116843080B CN202310853707.6A CN202310853707A CN116843080B CN 116843080 B CN116843080 B CN 116843080B CN 202310853707 A CN202310853707 A CN 202310853707A CN 116843080 B CN116843080 B CN 116843080B
- Authority
- CN
- China
- Prior art keywords
- machine learning
- model
- data
- carbon
- footprint
- 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.)
- Active
Links
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 113
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 113
- 238000010801 machine learning Methods 0.000 title claims abstract description 86
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 53
- 238000000034 method Methods 0.000 title claims abstract description 46
- XSQUKJJJFZCRTK-UHFFFAOYSA-N Urea Chemical compound NC(N)=O XSQUKJJJFZCRTK-UHFFFAOYSA-N 0.000 title claims abstract description 43
- 239000004202 carbamide Substances 0.000 title claims abstract description 43
- 238000012544 monitoring process Methods 0.000 claims abstract description 41
- 238000012549 training Methods 0.000 claims abstract description 40
- 238000005457 optimization Methods 0.000 claims abstract description 29
- 238000004364 calculation method Methods 0.000 claims abstract description 21
- 238000005265 energy consumption Methods 0.000 claims abstract description 17
- 238000007781 pre-processing Methods 0.000 claims abstract description 17
- 238000007405 data analysis Methods 0.000 claims abstract description 12
- 238000012545 processing Methods 0.000 claims abstract description 9
- 230000008569 process Effects 0.000 claims description 20
- 230000006870 function Effects 0.000 claims description 18
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 238000003860 storage Methods 0.000 claims description 9
- 238000012795 verification Methods 0.000 claims description 8
- 238000012417 linear regression Methods 0.000 claims description 7
- 238000004140 cleaning Methods 0.000 claims description 4
- 239000002994 raw material Substances 0.000 claims description 4
- 238000003066 decision tree Methods 0.000 claims description 2
- 238000007477 logistic regression Methods 0.000 claims description 2
- 238000007637 random forest analysis Methods 0.000 claims description 2
- 239000002699 waste material Substances 0.000 claims description 2
- 238000010276 construction Methods 0.000 claims 1
- 238000013450 outlier detection Methods 0.000 claims 1
- 230000001934 delay Effects 0.000 abstract description 2
- 238000001514 detection method Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012800 visualization Methods 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
- G06N20/00—Machine learning
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Abstract
本发明涉及碳足迹预测技术领域，尤其是涉及一种基于机器学习的尿素生产碳元素足迹预测方法及系统。所述方法，包括获取监测数据，包括能耗数据和排放数据；对获取的监测数据进行数据预处理；构建机器学习模型，并对机器学习模型进行预训练；利用预训练好的机器学习模型处理监测数据，得到预测的碳足迹；根据预测的碳足迹，利用机器学习模型找出碳足迹较高的环节，通过数据分析，得出优化建议。本发明通过实时采集数据，避免了人工统计的误差和延迟，提高了碳足迹计算的准确性，通过数据预处理，可以保证输入到模型中的数据是准确、完整和一致的，从而提高模型的性能和稳定性。
Description
技术领域
本发明涉及碳足迹预测技术领域，尤其是涉及一种基于机器学习的尿素生产碳元素足迹预测方法及系统。
背景技术
尿素生产过程中产生的碳足迹对环境会产生不利影响。
然而，当前的碳足迹计算方法通常依赖于人工数据收集和统计，既耗时又容易出错。因此，亟需一种能够实时、准确地计算尿素生产碳足迹的方法和系统，
发明内容
为了解决上述提到的问题，本发明提供一种基于机器学习的尿素生产碳元素足迹预测方法及系统，以提高碳足迹计算的准确性和效率。
第一方面，本发明提供的一种基于机器学习的尿素生产碳元素足迹预测方法，采用如下的技术方案：
一种基于机器学习的尿素生产碳元素足迹预测方法，包括：
获取监测数据，包括能耗数据和排放数据；
对获取的监测数据进行数据预处理；
构建机器学习模型，并对机器学习模型进行预训练；
利用预训练好的机器学习模型处理监测数据，得到预测的碳足迹；
根据预测的碳足迹，利用机器学习模型找出碳足迹较高的环节，通过数据分析，得出优化建议。
进一步地，所述对获取的监测数据进行数据预处理，包括数据清洗、缺失值处理和异常值检测。
进一步地，所述构建机器学习模型，包括构建回归模型，利用回归模型建立碳元素足迹与尿素生产过程中的监测数据之间的关系。
进一步地，所述对机器学习模型进行预训练，包括将监测数据分为训练集和验证集，利用训练集训练机器学习模型，利用验证集对机器学习模型的泛化性能进行验证。
进一步地，所述对机器学习模型进行预训练，还包括设置回归模型的初始参数值；定义回归模型的损失函数，包括定义回归模型的均方误差和交叉熵；通过迭代优化的方式，更新回归模。
进一步地，所述利用预训练好的机器学习模型处理监测数据，得到预测的碳足迹，包括将获取的监测数据输入至机器学习模型中，通过回归模型预测碳足迹，得到碳元素的足迹预测值。
进一步地，所述根据预测的碳足迹，利用机器学习模型找出碳足迹较高的环节，通过数据分析得出优化建议。
第二方面，一种基于机器学习的尿素生产碳元素足迹预测系统，包括：
数据获取模块，被配置为，获取监测数据，包括能耗数据和排放数据；
预处理模块，被配置为，对获取的监测数据进行数据预处理；
训练模块，被配置为，构建机器学习模型，并对机器学习模型进行预训练；
计算模块，被配置为，利用预训练好的机器学习模型处理监测数据，得到预测的碳足迹；
优化建议模块，被配置为，根据预测的碳足迹，利用机器学习模型找出碳足迹较高的环节，通过数据分析，得出优化建议。
第三方面，本发明提供一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行所述的一种基于机器学习的尿素生产碳元素足迹预测方法。
第四方面，本发明提供一种终端设备，包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行所述的一种基于机器学习的尿素生产碳元素足迹预测方法。
综上所述，本发明具有如下的有益技术效果：
本发明通过实时采集数据，避免了人工统计的误差和延迟，提高了碳足迹计算的准确性，通过数据预处理，可以保证输入到模型中的数据是准确、完整和一致的，从而提高模型的性能和稳定性。
本发明通过采用机器学习算法，自动调整模型参数以适应生产过程的变化，进一步提高了碳足迹计算的精度。通过机器学习模型可以实现准确、实时的碳足迹计算和预测。同时，通过定期更新模型，可以确保模型始终能够适应尿素生产过程的变化，保持高效的性能。
本发明通过可视化和报告模块使得生产管理人员能够实时了解碳足迹的情况，便于及时调整生产策略以降低碳足迹。
本发明通过优化建议模块为降低碳足迹提供了有针对性的建议，有助于实现更环保的尿素生产。
附图说明
图1是本发明实施例1的一种基于机器学习的尿素生产碳元素足迹预测方法的示意图。
具体实施方式
以下结合附图对本发明作进一步详细说明。
实施例1
参照图1，本实施例的一种基于机器学习的尿素生产碳元素足迹预测方法，包括：
获取监测数据，包括能耗数据和排放数据；
对获取的监测数据进行数据预处理；
构建机器学习模型，并对机器学习模型进行预训练；
利用预训练好的机器学习模型处理监测数据，得到预测的碳足迹；
根据预测的碳足迹，利用机器学习模型找出碳足迹较高的环节，通过数据分析，得出优化建议。所述对获取的监测数据进行数据预处理，包括数据清洗、缺失值处理和异常值检测。所述构建机器学习模型，包括构建回归模型，利用回归模型建立碳元素足迹与尿素生产过程中的监测数据之间的关系。所述对机器学习模型进行预训练，包括将监测数据分为训练集和验证集，利用训练集训练机器学习模型，利用验证集对机器学习模型的泛化性能进行验证。所述对机器学习模型进行预训练，还包括设置回归模型的初始参数值；定义回归模型的损失函数，包括定义回归模型的均方误差和交叉熵；通过迭代优化的方式，更新回归模。所述利用预训练好的机器学习模型处理监测数据，得到预测的碳足迹，包括将获取的监测数据输入至机器学习模型中，通过回归模型预测碳足迹，得到碳元素的足迹预测值。所述根据预测的碳足迹，利用机器学习模型找出碳足迹较高的环节，通过数据分析得出优化建议。
具体地，包括以下步骤：
S1.获取监测数据，包括能耗数据和排放数据；
其中，收集尿素生产过程中的相关数据，包括每个生产阶段的能源消耗、原料使用量、废弃物排放等数据。这些数据可以通过传感器、监测设备等进行实时采集或定期记录。
S2.对获取的监测数据进行数据预处理；
其中，对收集到的数据进行预处理，包括数据清洗、数据归一化等操作，以确保数据的准确性和一致性。
S3.构建机器学习模型，并对机器学习模型进行预训练；
构建机器学习模型是为了预测尿素生产过程中的碳元素足迹。具体而言，构建的机器学习模型可以是回归模型，用于建立碳元素足迹与尿素生产过程中的关键因素之间的关系。初始化模型参数是指设置模型的初始参数值，以便开始模型的训练过程。通常情况下，模型的参数会被初始化为一些随机的初始值，以使模型能够从这些初始值开始学习数据的模式和关系。定义损失函数是为了衡量模型预测结果与真实值之间的差异，即模型的预测误差。损失函数的选择取决于具体的问题和模型类型。损失函数包括均方误差（MeanSquare Error, MSE）、交叉熵（Cross Entropy），用于回归和分类问题。
模型的具体内容包括模型的输入、输出和内部结构。模型的输入包括尿素生产过程中的相关数据，如原料使用量、能源消耗、反应条件等。模型的输出是预测的碳元素足迹值。模型的内部结构可以采用不同的机器学习算法，如线性回归、决策树、随机森林等。
从预处理后的监测数据中提取与碳排放相关的特征。例如，可以提取每个生产环节的能源消耗量、CO2排放量、产量等特征。
使用回归模型，将特征作为输入，训练模型以预测碳足迹。模型的训练过程使用监督学习方法，通过输入特征和对应的碳足迹数据进行训练。通过反向传播算法计算模型参数对损失函数的梯度，即每个参数对于损失函数的影响程度。根据梯度信息，更新模型参数以降低损失函数的值。使用优化算法（如梯度下降）根据计算得到的梯度信息，更新模型的参数值，使损失函数不断减小。
训练过程中，将数据集划分为训练集和验证集，使用训练集对模型进行参数估计和优化，通过验证集评估模型的性能和泛化能力。
对训练好的模型进行评估，包括计算模型的预测误差、确定模型的可靠性和稳定性等。根据评估结果，进行模型的调优和优化。
S4.利用预训练好的机器学习模型处理监测数据，得到预测的碳足迹；
将新的监测数据输入训练好的模型中，通过模型的预测能力，计算得到碳足迹的预测值。可以根据模型的设计和需要，得到不同阶段或整个尿素生产过程的碳足迹预测结果。
以下是一个具体的碳元素计算过程，
选择机器学习算法，以回归模型为例。
定义损失函数，常用的损失函数包括均方误差（MSE）和交叉熵（Cross-Entropy）。
使用训练数据集进行模型训练，通过调整模型参数来最小化损失函数。
将实时采集并经过预处理的数据输入到训练好的模型中。
模型根据输入数据进行预测，得到碳元素的预测值。
以下示例，分别展示了基于均方误差和交叉熵的计算过程。
1、基于均方误差的碳元素计算过程：
假设模型采用线性回归算法，并使用均方误差作为损失函数。
模型预测：
假设模型的预测结果为 y_pred，其中 y_pred 是一个实数。
真实值获取：
假设尿素生产过程中的真实碳元素值为 y_true，其中 y_true 是一个实数。
均方误差计算：
使用以下公式计算均方误差（MSE）：
MSE = (y_pred - y_true)^2
2、基于交叉熵的碳元素计算过程
假设模型采用逻辑回归算法，并使用交叉熵作为损失函数。
模型预测：
假设模型的预测结果为 y_pred，其中 y_pred 是一个介于 0 和 1 之间的概率值。
真实值获取：
假设尿素生产过程中的真实碳元素值为 y_true，其中 y_true 是一个二元标签（0 或 1）。
交叉熵计算：
使用以下公式计算交叉熵（Cross-Entropy）：
Cross-Entropy = - (y_true * log(y_pred) + (1 - y_true) * log(1 - y_pred))
在本实施例中，对于尿素生产碳足迹的计算，均方误差（MSE）和交叉熵具有以下作用：
模型选择：通过比较不同机器学习模型在训练数据集上的MSE和交叉熵，可以选择最合适的模型。较低的MSE和交叉熵值表示模型的预测结果与实际观测值或标签更接近，因此选择MSE和交叉熵较低的模型可以提高碳足迹计算的准确性。
模型优化：在训练过程中，可以通过优化算法和参数调整来最小化MSE和交叉熵的值。优化算法将根据这些评估指标的反馈信号，更新模型的参数以使其更好地拟合训练数据和更准确地预测碳足迹。通过迭代优化过程，可以提高模型的性能和预测精度。
过拟合检测：MSE和交叉熵还可以用于检测模型是否过拟合训练数据。如果模型在训练数据上的MSE和交叉熵非常低，但在测试数据上表现较差，可能表明模型过拟合了。过拟合意味着模型过度适应了训练数据中的噪声和特定模式，而未能泛化到新数据。通过监测MSE和交叉熵的差异，可以采取相应的措施，如正则化或早停策略，以避免过拟合问题。
总之，MSE和交叉熵作为评估指标在本案例中具有重要作用。它们用于模型选择、优化和过拟合检测，帮助提高碳足迹计算的准确性和精度，并确保模型在处理新数据时能够泛化和预测准确。
在训练过程中，通过最小化损失函数来调整模型的参数，使得模型能够更准确地拟合训练数据。
一旦模型训练完成并根据数据进行了调整，我们可以使用该模型对新的输入数据进行预测。预测的过程是将新的输入数据输入到经过训练调整的模型中，然后根据模型的预测能力得到输出结果。
在碳足迹计算中，一种常见的方法是使用回归模型进行预测。回归模型可以根据输入的特征数据，预测尿素生产过程中的碳元素足迹。这个过程涉及特征的提取、数据预处理、模型输入、模型预测和结果输出等步骤。
具体的预测过程如下：
将预处理后的输入特征数据输入到模型的输入层。对于线性回归模型，输入层只有两个节点，分别对应能耗和排放。 b. 模型的计算过程为：
输入层的能耗节点为 [100, 150, 200, 250, 300]。
输入层的排放节点为 [10, 15, 20, 25, 30]。
假设模型的参数为：权重 w = 0.1 和偏置 b = 0.5。
根据线性回归的计算公式，可以得到预测的碳足迹值（y_pred）的计算过程为： y_pred = w * 能耗 + b = 0.1 * [100, 150, 200, 250, 300] + 0.5 = [10.5, 16,21.5, 27, 32.5]
计算结果预测：根据线性回归模型的计算结果，得到了预测的碳足迹值为 [10.5,16, 21.5, 27, 32.5]。这些值表示模型根据输入的能耗和排放预测的尿素生产过程中的碳足迹。
S5.根据预测的碳足迹，利用机器学习模型找出碳足迹较高的环节，通过数据分析，得出优化建议。
比较不同生产环节的碳足迹预测值，找出碳足迹较高的环节。可以根据预测值的大小排序，或者设置一个阈值来确定碳足迹较高的环节。
通过对数据进行分析，结合碳足迹较高的环节，提出相应的优化建议。可以根据具体情况给出不同的建议，例如改进生产工艺、优化能源利用、增加节能设备等，以减少碳排放并提高生产效率。
通过以上步骤，利用机器学习模型找出碳足迹较高的环节，并通过数据分析得出优化建议。这个过程可以帮助企业识别碳排放重点领域，制定针对性的改进方案，从而实现碳减排和提高生产效率的目标。
实施例2
本实施例提供一种基于机器学习的尿素生产碳元素足迹预测系统，包括：
数据获取模块，被配置为，获取监测数据，包括能耗数据和排放数据；
预处理模块，被配置为，对获取的监测数据进行数据预处理；
训练模块，被配置为，构建机器学习模型，并对机器学习模型进行预训练；
计算模块，被配置为，利用预训练好的机器学习模型处理监测数据，得到预测的碳足迹；
优化建议模块，被配置为，根据预测的碳足迹，利用机器学习模型找出碳足迹较高的环节，通过数据分析，得出优化建议。
一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行所述的一种基于机器学习的尿素生产碳元素足迹预测方法。
一种终端设备，包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行所述的一种基于机器学习的尿素生产碳元素足迹预测方法。
以上均为本发明的较佳实施例，并非依此限制本发明的保护范围，故：凡依本发明的结构、形状、原理所做的等效变化，均应涵盖于本发明的保护范围之内。
Claims (7)
1.一种基于机器学习的尿素生产碳元素足迹预测方法，其特征在于，包括：
获取监测数据，包括能耗数据和排放数据；
对获取的监测数据进行数据预处理；
构建机器学习模型，并对机器学习模型进行预训练；
利用预训练好的机器学习模型处理监测数据，得到预测的碳足迹；
根据预测的碳足迹，利用机器学习模型找出碳足迹高的环节，通过数据分析，得出优化建议；
所述构建机器学习模型，包括构建回归模型，利用回归模型建立碳元素足迹与尿素生产过程中的监测数据之间的关系；
所述对机器学习模型进行预训练，包括将监测数据分为训练集和验证集，利用训练集训练机器学习模型，利用验证集对机器学习模型的泛化性能进行验证；设置回归模型的初始参数值；定义回归模型的损失函数，包括定义回归模型的均方误差和交叉熵；通过迭代优化的方式，更新回归模型；
其中，基于均方误差的碳元素计算过程：
采用线性回归算法，使用均方误差作为损失函数，其中，
模型预测：设模型的预测结果为 y_pred，其中 y_pred 是一个实数；
真实值获取：设尿素生产过程中的真实碳元素值为 y_true，其中 y_true 是一个实数；
均方误差计算：通过公式计算均方误差MSE，公式为：MSE = (y_pred - y_true)^2；
基于交叉熵的碳元素计算过程：采用逻辑回归算法，使用交叉熵作为损失函数；
模型预测：设模型的预测结果为 y_pred，其中 y_pred 是一个介于 0 和 1 之间的概率值；
真实值获取：设尿素生产过程中的真实碳元素值为 y_true，其中 y_true 是一个二元标签，为0或1；
交叉熵计算：通过公式计算交叉熵Cross-Entropy，公式为：
Cross-Entropy = - (y_true * log(y_pred) + (1 - y_true) * log(1 - y_pred))；
所述获取监测数据，包括收集尿素生产过程中的相关数据，其中包括每个生产阶段的能源消耗、原料使用量和废弃物排放数据；
所述模型的具体内容包括模型的输入、输出和内部结构，所述模型的输入包括尿素生产过程中的相关数据，具体包括原料使用量、能源消耗和反应条件；所述模型的输出是预测的碳元素足迹值，所述模型的内部结构采用机器学习算法，包括线性回归、决策树和随机森林。
2.根据权利要求1所述的一种基于机器学习的尿素生产碳元素足迹预测方法，其特征在于，所述对获取的监测数据进行数据预处理，包括数据清洗、缺失值处理和异常值检测。
3.根据权利要求2所述的一种基于机器学习的尿素生产碳元素足迹预测方法，其特征在于，所述利用预训练好的机器学习模型处理监测数据，得到预测的碳足迹，包括将获取的监测数据输入至机器学习模型中，通过回归模型预测碳足迹，得到碳元素的足迹预测值。
4.根据权利要求3所述的一种基于机器学习的尿素生产碳元素足迹预测方法，其特征在于，所述根据预测的碳足迹，利用机器学习模型找出碳足迹高的环节，通过数据分析得出优化建议。
5.一种基于机器学习的尿素生产碳元素足迹预测系统，基于如权利要求1-4任意一项所述的预测方法，包括：
数据获取模块，被配置为，获取监测数据，包括能耗数据和排放数据；
预处理模块，被配置为，对获取的监测数据进行数据预处理；
训练模块，被配置为，构建机器学习模型，并对机器学习模型进行预训练；
计算模块，被配置为，利用预训练好的机器学习模型处理监测数据，得到预测的碳足迹；
优化建议模块，被配置为，根据预测的碳足迹，利用机器学习模型找出碳足迹高的环节，通过数据分析，得出优化建议。
6.一种计算机可读存储介质，其中存储有多条指令，其特征在于，所述指令适于由终端设备的处理器加载并执行如权利要求1所述的一种基于机器学习的尿素生产碳元素足迹预测方法。
7.一种终端设备，包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，其特征在于，所述指令适于由处理器加载并执行如权利要求1所述的一种基于机器学习的尿素生产碳元素足迹预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310853707.6A CN116843080B (zh) | 2023-07-12 | 2023-07-12 | 一种基于机器学习的尿素生产碳元素足迹预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310853707.6A CN116843080B (zh) | 2023-07-12 | 2023-07-12 | 一种基于机器学习的尿素生产碳元素足迹预测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116843080A CN116843080A (zh) | 2023-10-03 |
| CN116843080B true CN116843080B (zh) | 2024-03-19 |
Family
ID=88166887
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310853707.6A Active CN116843080B (zh) | 2023-07-12 | 2023-07-12 | 一种基于机器学习的尿素生产碳元素足迹预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116843080B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TWI747290B (zh) * | 2020-05-20 | 2021-11-21 | 中國信託商業銀行股份有限公司 | 客戶分群服務客製化行銷方法及系統 |
| CN115423215A (zh) * | 2022-10-13 | 2022-12-02 | 北京恒华龙信数据科技有限公司 | 一种基于混合机器学习的碳排放预测方法及系统 |
| CN115688989A (zh) * | 2022-10-20 | 2023-02-03 | 国网福建省电力有限公司经济技术研究院 | 一种基于Stacking集成学习的碳足迹预测方法及终端 |
| CN116187584A (zh) * | 2023-04-19 | 2023-05-30 | 深圳大学 | 一种基于梯度下降算法的建筑碳足迹预测方法及系统 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11398000B2 (en) * | 2019-05-20 | 2022-07-26 | Singularity Energy, Inc. | Methods and systems for machine-learning for prediction of grid carbon emissions |
| WO2020247273A1 (en) * | 2019-06-03 | 2020-12-10 | Sanford Burnham Prebys Medical Discovery Institute | Machine-learning system for diagnosing disorders and diseases and determining drug responsiveness |
| JP7399269B2 (ja) * | 2019-09-18 | 2023-12-15 | ハートフォード スチーム ボイラー インスペクション アンド インシュアランス カンパニー | 機械学習モデルにおいて動的外れ値偏り低減を実装するように構成されるコンピュータベースシステム、コンピュータコンポーネント及びコンピュータオブジェクト |
| WO2023034386A1 (en) * | 2021-08-31 | 2023-03-09 | Indigo Ag, Inc. | Systems and methods for ecosystem credit recommendations |
-
2023
- 2023-07-12 CN CN202310853707.6A patent/CN116843080B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TWI747290B (zh) * | 2020-05-20 | 2021-11-21 | 中國信託商業銀行股份有限公司 | 客戶分群服務客製化行銷方法及系統 |
| CN115423215A (zh) * | 2022-10-13 | 2022-12-02 | 北京恒华龙信数据科技有限公司 | 一种基于混合机器学习的碳排放预测方法及系统 |
| CN115688989A (zh) * | 2022-10-20 | 2023-02-03 | 国网福建省电力有限公司经济技术研究院 | 一种基于Stacking集成学习的碳足迹预测方法及终端 |
| CN116187584A (zh) * | 2023-04-19 | 2023-05-30 | 深圳大学 | 一种基于梯度下降算法的建筑碳足迹预测方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| CO_2-DMC产业链碳足迹分析;于涵;蒋庆哲;宋昭峥;袁波;;现代化工;20170320(03);全文 * |
| 基于国际碳足迹标准的中国人造板产业碳减排路径研究;王珊珊;杨红强;;中国人口・资源与环境;20190415(04);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116843080A (zh) | 2023-10-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11507049B2 (en) | Method for detecting abnormity in unsupervised industrial system based on deep transfer learning | |
| CN111460728B (zh) | 一种工业设备剩余寿命预测方法、装置、存储介质及设备 | |
| CN116757534B (zh) | 一种基于神经训练网络的智能冰箱可靠性分析方法 | |
| Mo et al. | Multi-head CNN-LSTM with prediction error analysis for remaining useful life prediction | |
| CN114547974A (zh) | 基于输入变量选择与lstm神经网络的动态软测量建模方法 | |
| CN114282443B (zh) | 基于mlp-lstm有监督联合模型的剩余使用寿命预测方法 | |
| CN117390536B (zh) | 基于人工智能的运维管理方法及系统 | |
| CN113866455A (zh) | 基于深度学习的桥梁加速度监测数据异常检测方法、系统和装置 | |
| CN112464996A (zh) | 基于LSTM-XGBoost的智能电网入侵检测方法 | |
| CN110580213A (zh) | 一种基于循环标记时间点过程的数据库异常检测方法 | |
| CN116451142A (zh) | 一种基于机器学习算法的水质传感器故障检测方法 | |
| Ye et al. | A deep learning-based method for automatic abnormal data detection: Case study for bridge structural health monitoring | |
| CN116562514A (zh) | 基于神经网络的企业生产状况即时分析方法及系统 | |
| Liao et al. | A novel semi-supervised classification approach for evolving data streams | |
| Zhou et al. | Multi-expert attention network for long-term dam displacement prediction | |
| CN113408659A (zh) | 一种基于数据挖掘的建筑能耗集成分析方法 | |
| CN116843080B (zh) | 一种基于机器学习的尿素生产碳元素足迹预测方法及系统 | |
| CN116796275A (zh) | 一种工业设备多模态时序异常检测方法 | |
| CN116341929A (zh) | 一种基于聚类和自适应梯度提升决策树的预测方法 | |
| Bhoomika et al. | Time Series Forecasting and Point Anomaly Detection of Sensor Signals Using LSTM Neural Network Architectures | |
| CN116910526A (zh) | 模型训练方法、装置、通信设备及可读存储介质 | |
| CN115616408A (zh) | 电池热管理数据处理方法及系统 | |
| CN115145899A (zh) | 一种基于制造企业数据空间的时空数据异常检测方法 | |
| CN114676887A (zh) | 一种基于图卷积stg-lstm的河流水质预测方法 | |
| CN117574308B (zh) | 基于人工智能的计量芯片异常检测方法及系统 |
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 |