CN116894153A - 基于奇异谱分析和arima-lstm组合模型的滑坡位移预测方法 - Google Patents
基于奇异谱分析和arima-lstm组合模型的滑坡位移预测方法 Download PDFInfo
- Publication number
- CN116894153A CN116894153A CN202310749381.2A CN202310749381A CN116894153A CN 116894153 A CN116894153 A CN 116894153A CN 202310749381 A CN202310749381 A CN 202310749381A CN 116894153 A CN116894153 A CN 116894153A
- Authority
- CN
- China
- Prior art keywords
- model
- sequence
- arima
- landslide
- displacement
- 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
- 238000006073 displacement reaction Methods 0.000 title claims abstract description 70
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000010183 spectrum analysis Methods 0.000 title claims abstract description 28
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 claims abstract description 21
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 12
- 238000012544 monitoring process Methods 0.000 claims abstract description 12
- 238000012549 training Methods 0.000 claims description 23
- 230000002068 genetic effect Effects 0.000 claims description 8
- 238000013112 stability test Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 6
- 238000010845 search algorithm Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 5
- 230000035772 mutation Effects 0.000 claims description 3
- 230000000737 periodic effect Effects 0.000 claims description 3
- 230000004927 fusion Effects 0.000 abstract description 2
- 238000007781 pre-processing Methods 0.000 abstract description 2
- 238000011160 research Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000001186 cumulative effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 1
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000001373 regressive effect Effects 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000000489 vacuum metal deposition Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
- G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明涉及滑坡位移预测技术领域,具体涉及一种基于奇异谱分析和ARIMA‑LSTM组合模型的滑坡位移预测方法,通过Python程序控制预测流程,实现滑坡预测的自动化。该方法以滑坡位移历史监测数据为研究对象,首先基于奇异谱分析的“分解‑去噪‑重构”的滑坡数据预处理方法达到对滑坡位移数据降噪的目的。其次,构建LSTM模型和ARIMA模型分别对重构后的非平稳序列和平稳序列进行预测,最后将预测结果等权相加得到融合累计位移预测序列。与现有技术相比,基于奇异谱分析的“分解‑去噪‑重构”方法有效的剔除了原始位移序列中的噪声,提升了滑坡预测的精度,且SSA‑SE‑ARIMA‑LSTM模型在单变量预测上的准确性和可靠性优于单一模型。
Description
技术领域
本发明涉及滑坡位移预测技术领域,具体涉及一种基于奇异谱分析和ARIMA-LSTM组合模型的滑坡位移预测方法。
背景技术
滑坡是一种常见的、危害性大的地质类灾害。滑坡的发生,不仅威胁人们的生命财产安全,同时对生态环境也造成了破坏。既可靠又准确的预测滑坡体运动状态,是降低滑坡灾害所带来破坏和损失的关键手段。
滑坡的演变是由多种影响因素叠加的复杂的非线性过程,直接使用原始位移序列进行预测,其准确性无法得到保证,且原始数据存在大量噪声干扰。因此将位移序列分解为受外界因素影响的周期项和滑坡体自身力学因素控制的趋势项分别预测。目前分解滑坡位移序列的方法有:经典分解法及其改进方法X-11分解法;将时间序列分解为局部趋势、季节性和残差三个部分的STL分解法;将时间序列分解为多个本征模态函数(IMF)和一个残差项的经验模态分解(EMD)及其改进方法EEMD、CEEMD等;以及同样可以将时间序列分解成多个IMF的变分模态分解(VMD);奇异谱分析(SSA)可将时间序列分解为趋势、周期、噪声等,同时对原始序列中的噪声进行剔除。
一些非线性时序预测方法被广泛应用于分量序列的预测,如多元非线性回归分析、人工神经网络等。罗袆沅等,使用VMD分解原始位移,将GRU递归神经网络应用于分量位移的预测。安北等采用VMD方法将原始位移分解,使用灰色关联分析确定周期项的影响因素,通过BP神经网络进行周期项预测,二次指数平滑预测趋势项。尚敏等使用指数平滑法将滑坡原始位移分解,将影响因子作为输入,使用模拟退火优化的SVR模型输出周期项预测值,使用三次多项式对趋势项进行预测。
上述模型的共同点在于,预测模型中均加入降雨、库水位等影响因子,在一定程度上提升模型的预测精度。但是多数情况下,降雨等滑坡影响因子的数据往往难以获取,仅使用滑坡位移数据预测的精度又不能达到预期,因此,建立了一套具有实际物理意义的滑坡位移单变量预测模型至关重要。
发明内容
本发明的目的在于提供一种基于奇异谱分析和ARIMA-LSTM组合模型的滑坡位移预测方法,旨在对于拥有单一位移监测数据的滑坡进行自动预测,同时提高预测准确性和预测效率。
为实现上述目的,本发明提供了一种基于奇异谱分析和ARIMA-LSTM组合模型的滑坡位移预测方法,包括下列步骤:
步骤1:从数据库获取滑坡累计位移历史监测数据;
步骤2:基于奇异谱分析和样本熵对所述滑坡累计位移历史监测数据进行“分解-去噪-重构”,得到位移分量序列;
步骤3:对获取的所述位移分量序列进行平稳性检验,并分别划分数据集和归一化处理;
步骤4:根据平稳性检验结果,建立并训练ARIMA-LSTM模型;
步骤5:将最优模型和最优参数分别保存到文件;
步骤6:调用保存的最优模型文件和最优参数文件对分量序列进行预测;
步骤7:将各分量序列预测结果反归一化,各分量等权相加即得到滑坡累计位移预测序列。
可选的,进行“分解-去噪-重构”的过程,包括下列步骤:
使用SSA分解原始滑坡累计位移为周期序列、趋势序列和噪声序列,计算各分量序列的贡献率并剔除噪声成分,保留有效位移序列;
对每一个有效位移序列进行样本熵重构,根据样本熵值的大小,将熵值相近的序列进行重构,形成高频序列、中频序列和低频序列;
对分量序列进行平稳性检验,区分平稳序列和非平稳序列,并按7:3的比例划分训练集和测试集,并进行数据归一化。
可选的,进行样本熵重构的过程中,模式维数m取2,相似容限阈值r取0.2。
可选的,在建立并训练ARIMA-LSTM模型的过程中,平稳序列通过构建ARIMA模型进行训练,构建LSTM模型对非平稳序列进行训练;ARIMA模型参数通过网格搜索算法寻优,将训练最优参数组合和最优模型保存至文件;LSTM模型参数使用遗传算法寻优,获得最优模型和最优参数。
可选的,在ARIMA模型参数通过网格搜索算法寻优的过程中,ARIMA模型的参数区间设置为:自回归项数p取值区间为[0,6],差分阶数d取值区间为[0,5],滑动平均项数q取值区间为[0,5],步长设置为1,决定系数R2为适应度函数。
可选的,在LSTM模型参数使用遗传算法寻优的过程中,进化代数为30,种群数为20,交叉率为0.6,变异率为0.1,决定系数R2为适应度函数。
本发明提供了一种基于奇异谱分析和ARIMA-LSTM组合模型的滑坡位移预测方法,通过Python程序控制预测流程,实现滑坡预测的自动化。该方法以滑坡位移历史监测数据为研究对象,首先基于奇异谱分析的“分解-去噪-重构”的滑坡数据预处理方法达到对滑坡位移数据降噪的目的。其次,构建LSTM模型和ARIMA模型分别对重构后的非平稳序列和平稳序列进行预测,最后将预测结果等权相加得到融合累计位移预测序列。与现有技术相比,基于奇异谱分析的“分解-去噪-重构”方法有效的剔除了原始位移序列中的噪声,提升了滑坡预测的精度,且SSA-SE-ARIMA-LSTM模型在单变量预测上的准确性和可靠性优于单一模型。Python程序对模型的运行过程进行控制,自动处理中间数据,使得模型各个组成部分之间高效有序的运行。
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是本发明的一种基于奇异谱分析和ARIMA-LSTM组合模型的滑坡位移预测方法的位移预测流程示意图。
图2是本发明的奇异谱分析结果示意图。
图3是本发明的预测模型结构及流程示意图。
图4是本发明的ARIMA模型预测平稳序列结果图。
图5是本发明的LSTM模型预测非平稳序列结果图。
图6是本发明的累计位移预测结果示意图。
具体实施方式
下面详细描述本发明的实施例,所述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元件。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。
本发明中使用的部分英文缩写术语释义如下:
ARIMA:Auto Regressive IntegratedMovingAverage model,差分整合移动平均自回归模型;
LSTM:Long ShortTermMemory,长短期记忆递归神经网络;
SSA:SingularSpectrumAnalysis,奇异谱分析;
GA:GeneticAlgorithm,遗传算法;
R2:R-Square,决定系数;
RMSE:RootMean Square Error,均方根误差;
MAPE:MeanAbsolute Percentage Error,平均绝对百分比误差;
本发明提供了一种基于奇异谱分析和ARIMA-LSTM组合模型的滑坡位移预测方法,包括下列步骤:
S1:从数据库获取滑坡累计位移历史监测数据;
S2:基于奇异谱分析和样本熵对所述滑坡累计位移历史监测数据进行“分解-去噪-重构”,得到位移分量序列;
S3:对获取的所述位移分量序列进行平稳性检验,并分别划分数据集和归一化处理;
S4:根据平稳性检验结果,建立并训练ARIMA-LSTM模型;
S5:将最优模型和最优参数分别保存到文件;
S6:调用保存的最优模型文件和最优参数文件对分量序列进行预测;
S7:将各分量序列预测结果反归一化,各分量等权相加即得到滑坡累计位移预测序列。
具体的实施步骤可以分为三个部分,实施流程图如图1所示:
第一步,数据集获取及处理(包括上述的步骤S1和S2)。
(1)数据集获取。
数据集使用接收机设备产生的实时位移监测数据和历史监测数据,数据获取过程由Python程序完成。首先从数据库获取历史位移数据,数据的时间长度和时间步长通过配置文件进行配置。该过程通过多进程的方式实现。
(2)数据的“分解-去噪-重构”。
考虑到原始位移监测数据中存在噪声,为了提高模型的鲁棒性和预测精度,对训练数据进行“分解-去噪-重构”处理。本申请提出基于奇异谱分析和样本熵重构的“分解-去噪-重构”方法,步骤如下:
a)分解:使用奇异谱分析(SSA)分解滑坡累计位移为周期序列、趋势序列和噪声序列,包括嵌入、奇异值分解、分组、对角平均化四个步骤,由对角公式将分组得到的矩阵分别转换成长度为N的新序列Z,即为分量序列,令L为窗口长度,嵌入维度为K,L*=min(L,K),K*=max(L,K)对角公式如下,奇异谱分析结果请参阅图2。
b)去噪:由步骤a)得到的一系列分量包含了有效位移分量和噪声,计算每个分量的贡献率,再计算累计贡献率,在累计贡献率曲线趋于平稳的节点之后对应的序列即为噪声,可进行剔除,贡献率β计算公式如下,其中λi为D=XXT的特征值,X为原始位移时间序列,d=L*。
c)重构:取模式维数m为2,相似容限阈值r取0.2,计算每个分量的样本熵,此时将位移分量序列的样本熵值降序排列,将样本熵值按照0.1的变化步长进行分类,分量序列依次重构为高频序列、中频序列、低频序列共三类,此时模型预测结果最优,样本熵计算公式如下。
d)分类:由步骤c)得到的重构序列具有不同的平稳特性,通过进行平稳性检验对这些分量进行区分,之后使用ARIMA模型进行平稳序列预测,使用LSTM模型进行非平稳序列预测。
根据以上步骤,对原始位移数据进行提取和预处理,最终将原始序列分类为平稳序列和非平稳序列,由于其特性不同,使用不同模型进行预测。
第二步,模型训练与预测(步骤S3至S6)。
对所有的平稳序列和非平稳序列分别进行数据集划分并归一化,其中70%为训练集,30%为测试集,使用训练集进行模型训练,预测模型结构及流程请参阅图3。
(1)使用平稳序列训练ARIMA模型。ARIMA模型的原理公式如下:
ARIMA(p,d,q)=AR(p)+DIFF(d)+MA(q)
其中参数p,d,q通过网格搜索算法查找,自回归项数p取值区间为[0,6],差分阶数d取值区间为[0,5],滑动平均项数q取值区间为[0,5],AR(p)为p阶自回归模型,DIFF(d)为d阶差分模型,MA(q)为q阶移动平均模型。其训练过程通过Python程序控制,步骤如下:
步骤1、初始化网格搜索算法参数,对可能的参数进行枚举,由Python程序对所有可能的参数组合进行计算,进而将所有的参数分别带入模型进行模型训练,该过程以多线程方式运行,模型输入数据为训练集的前80%的数据;
步骤2、构建ARIMA模型,以决定系数R2作为模型的适应度函数,将训练集的后20%的数据作为验证集输入,计算每次训练模型的适应度,在达到设定的迭代次数之后对每个参数组合的模型的R2进行比较,R2最接近1的参数组合即为最优参数组合;
步骤3、将该组合保存至参数文件,其对应的模型保存至模型文件。至此得到ARIMA模型的最优参数和最优模型。
(2)使用非平稳序列训练LSTM模型。设置LSTM模型的超参数:神经元个数以及学习率由遗传算法(GA)寻参得到,包含以下步骤:
步骤1、遗传算法参数设置如下:进化代数为30,种群数为20,交叉率为0.6,变异率为0.1,模型输入数据为训练集的前80%的数据;
步骤2、构建LSTM模型,决定系数R2作为适应度函数,将训练集的后20%的数据作为验证集输入,计算每次训练模型的适应度,在达到设定的迭代次数之后对每个参数组合的模型的R2进行比较,R2最接近1的参数组合即为最优参数组合;
步骤3、将该组合保存至参数文件,其对应的模型保存至模型文件。至此得到LSTM模型的最优参数和最优模型。
(3)上述过程(1)和(2)将ARIMA模型和LSTM模型的最优模型和最优参数保存至文件,预测程序调用ARIMA和LSTM的模型文件和参数文件分别对测试集数据进行预处理和预测,预测结果请参阅图4、图5。
上述模型训练和预测分别进行,模型每10分钟训练一次,更新模型文件和参数文件,模型预测则每秒调用最新的模型文件和参数文件进行预测,其过程相互独立,即保证了预测的准确度,又提高了预测效率。
第三步,预测数据的融合处理(步骤S7)。
ARIMA和LSTM预测模型分别得到平稳序列和非平稳序列的预测结果,将预测结果进行等权相加即得到最终的累计位移预测值,其中原始累计位移与预测累计位移的R2为0.985,RMSE为6.727mm,MAPE为0.221%,证明本发明具有较高的预测精度和较低的预测误差,累计位移预测结果请参阅图6。
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利范围,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,仍属于发明所涵盖的范围。
Claims (6)
1.一种基于奇异谱分析和ARIMA-LSTM组合模型的滑坡位移预测方法,其特征在于,包括下列步骤:
步骤1:从数据库获取滑坡累计位移历史监测数据;
步骤2:基于奇异谱分析和样本熵对所述滑坡累计位移历史监测数据进行“分解-去噪-重构”,得到位移分量序列;
步骤3:对获取的所述位移分量序列进行平稳性检验,并分别划分数据集和归一化处理;
步骤4:根据平稳性检验结果,建立并训练ARIMA-LSTM模型;
步骤5:将最优模型和最优参数分别保存到文件;
步骤6:调用保存的最优模型文件和最优参数文件对分量序列进行预测;
步骤7:将各分量序列预测结果反归一化,各分量等权相加即得到滑坡累计位移预测序列。
2.如权利要求1所述的基于奇异谱分析和ARIMA-LSTM组合模型的滑坡位移预测方法,其特征在于,
进行“分解-去噪-重构”的过程,包括下列步骤:
使用SSA分解原始滑坡累计位移为周期序列、趋势序列和噪声序列,计算各分量序列的贡献率并剔除噪声成分,保留有效位移序列;
对每一个有效位移序列进行样本熵重构,根据样本熵值的大小,将熵值相近的序列进行重构,形成高频序列、中频序列和低频序列;
对分量序列进行平稳性检验,区分平稳序列和非平稳序列,并按7:3的比例划分训练集和测试集,并进行数据归一化。
3.如权利要求2所述的基于奇异谱分析和ARIMA-LSTM组合模型的滑坡位移预测方法,其特征在于,
进行样本熵重构的过程中,模式维数m取2,相似容限阈值r取0.2。
4.如权利要求3所述的基于奇异谱分析和ARIMA-LSTM组合模型的滑坡位移预测方法,其特征在于,
在建立并训练ARIMA-LSTM模型的过程中,平稳序列通过构建ARIMA模型进行训练,构建LSTM模型对非平稳序列进行训练;ARIMA模型的参数通过网格搜索算法寻优,将训练得到的最优参数组合和最优模型保存至文件;LSTM模型的参数使用遗传算法寻优,获得最优模型和最优参数。
5.如权利要求4所述的基于奇异谱分析和ARIMA-LSTM组合模型的滑坡位移预测方法,其特征在于,
在ARIMA模型参数通过网格搜索算法寻优的过程中,ARIMA模型的参数区间设置为:自回归项数p取值区间为[0,6],差分阶数d取值区间为[0,5],滑动平均项数q取值区间为[0,5],步长设置为1,决定系数R2为适应度函数。
6.如权利要求5所述的基于奇异谱分析和ARIMA-LSTM组合模型的滑坡位移预测方法,其特征在于,
在LSTM模型参数使用遗传算法寻优的过程中,进化代数为30,种群数为20,交叉率为0.6,变异率为0.1,决定系数R2为适应度函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310749381.2A CN116894153A (zh) | 2023-06-25 | 2023-06-25 | 基于奇异谱分析和arima-lstm组合模型的滑坡位移预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310749381.2A CN116894153A (zh) | 2023-06-25 | 2023-06-25 | 基于奇异谱分析和arima-lstm组合模型的滑坡位移预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116894153A true CN116894153A (zh) | 2023-10-17 |
Family
ID=88314226
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310749381.2A Pending CN116894153A (zh) | 2023-06-25 | 2023-06-25 | 基于奇异谱分析和arima-lstm组合模型的滑坡位移预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116894153A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118072493A (zh) * | 2024-04-18 | 2024-05-24 | 华能澜沧江水电股份有限公司 | 基于深度学习的施工期边坡开挖实时监测预警方法及系统 |
CN118134539A (zh) * | 2024-05-06 | 2024-06-04 | 山东传奇新力科技有限公司 | 基于智慧厨房多源数据融合的用户行为预测方法 |
-
2023
- 2023-06-25 CN CN202310749381.2A patent/CN116894153A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118072493A (zh) * | 2024-04-18 | 2024-05-24 | 华能澜沧江水电股份有限公司 | 基于深度学习的施工期边坡开挖实时监测预警方法及系统 |
CN118134539A (zh) * | 2024-05-06 | 2024-06-04 | 山东传奇新力科技有限公司 | 基于智慧厨房多源数据融合的用户行为预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111191841B (zh) | 一种电力负荷预测方法、装置、计算机设备及存储介质 | |
CN116894153A (zh) | 基于奇异谱分析和arima-lstm组合模型的滑坡位移预测方法 | |
CN110232203B (zh) | 知识蒸馏优化rnn短期停电预测方法、存储介质及设备 | |
CN112990556A (zh) | 一种基于Prophet-LSTM模型的用户用电能耗预测方法 | |
CN110852515B (zh) | 基于混合长短时记忆神经网络的水质指标预测方法 | |
CN111079989B (zh) | 一种基于dwt-pca-lstm的供水公司供水量预测装置 | |
CN112364975A (zh) | 基于图神经网络的终端运行状态预测方法及系统 | |
CN109992608B (zh) | 一种基于频域的多模型融合预测方法和系统 | |
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 | |
CN110909928B (zh) | 能源负荷短期预测方法、装置、计算机设备及存储介质 | |
CN112396234A (zh) | 一种基于时域卷积神经网络的用户侧负荷概率预测方法 | |
CN116316599A (zh) | 一种智能用电负荷预测方法 | |
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 | |
CN111325403A (zh) | 一种公路隧道机电设备剩余寿命预测方法 | |
CN110619427A (zh) | 基于序列到序列学习模型的交通指数预测方法和装置 | |
CN114862032B (zh) | 一种基于XGBoost-LSTM的电网负荷预测方法及装置 | |
CN114218872A (zh) | 基于dbn-lstm半监督联合模型的剩余使用寿命预测方法 | |
CN115409066A (zh) | 时间序列数据的异常检测方法、装置及计算机存储介质 | |
CN112803398A (zh) | 基于经验模态分解和深度神经网络的负荷预测方法及系统 | |
CN114897248A (zh) | 一种基于人工智能的电网负荷预测方法 | |
CN116995668A (zh) | 基于改进季节性arima模型的中长期电力负荷预测方法和系统 | |
CN115905818A (zh) | 一种基于数据挖掘的滑坡预警方法 | |
CN114154583B (zh) | 一种小波分析耦合lstm神经网络的水质预测方法 | |
CN115343784A (zh) | 一种基于seq2seq-attention模型的局部气温预测方法 | |
CN112767692A (zh) | 基于SARIMA-GA-Elman组合模型的短时交通流量预测系统 |
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 |