CN117592769A - 一种碳小屋站点管理方法及系统 - Google Patents

一种碳小屋站点管理方法及系统 Download PDF

Info

Publication number
CN117592769A
CN117592769A CN202410079740.2A CN202410079740A CN117592769A CN 117592769 A CN117592769 A CN 117592769A CN 202410079740 A CN202410079740 A CN 202410079740A CN 117592769 A CN117592769 A CN 117592769A
Authority
CN
China
Prior art keywords
historical data
predicted value
prediction
weight matrix
time
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
CN202410079740.2A
Other languages
English (en)
Other versions
CN117592769B (zh
Inventor
连希蕊
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.)
Sichuan Mung Bean Sprout Information Technology Co ltd
Original Assignee
Sichuan Mung Bean Sprout Information Technology 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 Sichuan Mung Bean Sprout Information Technology Co ltd filed Critical Sichuan Mung Bean Sprout Information Technology Co ltd
Priority to CN202410079740.2A priority Critical patent/CN117592769B/zh
Publication of CN117592769A publication Critical patent/CN117592769A/zh
Application granted granted Critical
Publication of CN117592769B publication Critical patent/CN117592769B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06315—Needs-based resource requirements planning or analysis
    • 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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
    • G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
    • 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
    • G06Q10/10—Office automation; Time management
    • G06Q10/109—Time management, e.g. calendars, reminders, meetings or time accounting
    • G06Q10/1093—Calendar-based scheduling for persons or groups
    • 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
    • G06Q10/30—Administration of product recycling or disposal
    • 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

Landscapes

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

Abstract

本发明涉及识别技术领域，具体涉及一种碳小屋站点管理方法及系统，碳小屋站点管理方法通过获取历史数据，结合预设的时序预测模型和预设的几何布朗运动模型进行预测，输出所在区域人口数量预测值，实现了对目标站点所在区域的人口数量的预测，即对目标站点所在区域的居民流动性的预测；同时，根据历史数据，采用时序预测模型预测得到垃圾回收量预测值、员工数量预测值和设备需求数量预测值，并结合上述预测值，按照预设规则对目标站点进行管理，实现了综合考虑包括区域人口数量、垃圾回收量、员工数量和设备需求数量的碳小屋站点管理，能够应对居民流动性带来的不确定的变化，提升了管理效果和鲁棒性。

Description

一种碳小屋站点管理方法及系统
技术领域
本发明涉及计算机技术领域，尤其是一种碳小屋站点管理方法及系统。
背景技术
随着人类活动导致的温室气体排放不断增加，全球温度上升、极端天气事件增多等气候问题已经引起了广泛关注。为了应对这一挑战，国际社会采取了多种措施，其中之一就是碳中和。碳中和指的是国家、企业、产品、活动或个人将自身的温室气体排放量减到最低，并通过吸收和储存二氧化碳等温室气体来抵消剩余排放量。在碳中和的流程中，废品或垃圾的回收是极其重要的一步。碳小屋是一种新兴的碳中和站点，可以实现废品和垃圾的分类回收，同时计算相应的碳指标。然而碳小屋站点具有数量多、分布分散的特点，如何对碳小屋站点进行管理关乎整个碳小屋系统的运行效率。
现有的碳小屋站点管理方法一般是通过统计一年中每个时间段的历史数据，通过历史数据平均值对站点进行管理（人员配置，设备数量等），这种管理方法鲁棒性较差，只能满足基本的管控需求。此外，垃圾和废品的回收情况会随着附近居民的流动发生变化，而且居民流动性变换具有极度的不确定性，现有的碳小屋站点管理方法无法应对这种不确定的变化，管理效果较差。
发明内容
为解决上述现有技术问题，本发明提供碳小屋站点管理方法及系统，实现了能够应对居民流动性的碳小屋站点管理。
为了达到上述技术目的，本发明所采取的技术方案包括：
第一方面，本发明提供了一种碳小屋站点管理方法，包括：
获取目标站点的历史数据，历史数据包括垃圾回收量历史数据、员工数量历史数据、设备需求数量历史数据和所在区域人口数量历史数据；
根据历史数据，结合预设的时序预测模型和预设的几何布朗运动模型进行预测，输出所在区域人口数量预测值；
根据历史数据，采用时序预测模型进行预测，输出垃圾回收量预测值、员工数量预测值和设备需求数量预测值；
根据所在区域人口数量预测值、垃圾回收量预测值、员工数量预测值和设备需求数量预测值，按照预设规则对目标站点进行管理。
另外，本发明的一种碳小屋站点管理方法，还可以具有以下附加的技术特征：
进一步地，本发明的一种碳小屋站点管理方法中，时序预测模型包括空间注意力模块、时间注意力模块、第一时间卷积网络、第二时间卷积网络、第一稠密层和第二稠密层；
根据所述历史数据，结合预设的时序预测模型和预设的几何布朗运动模型进行预测，输出所在区域人口数量预测值包括：
将历史数据输入空间注意力模块，生成空间权重矩阵；
将历史数据输入时间注意力模块，生成时间权重矩阵；
将空间权重矩阵输入第一时间卷积网络，输出第一预测结果；
将时间权重矩阵输入第二时间卷积网络，输出第二预测结果；
将空间权重矩阵和时间权重矩阵相加后输入几何布朗运动模型，输出第三预测结果；
将第一预测结果与第三预测结果相加后输入第一稠密层，得到第四预测结果；
将第二预测结果与第三预测结果相加后输入第二稠密层，得到第五预测结果；
将第四预测结果和第五预测结果相加，得到所在区域人口数量预测值。
进一步地，在本发明中，时序预测模型包括空间注意力模块、时间注意力模块、第一时间卷积网络、第二时间卷积网络、第一稠密层和第二稠密层；
根据所述历史数据，采用时序预测模型进行预测，输出垃圾回收量预测值、员工数量预测值和设备需求数量预测值包括：
将历史数据输入空间注意力模块，生成空间权重矩阵；
将历史数据输入时间注意力模块，生成时间权重矩阵；
将空间权重矩阵输入第一时间卷积网络，输出第一预测结果；
将时间权重矩阵输入第二时间卷积网络，输出第二预测结果；
将第一预测结果与空间权重矩阵相加后输入第一稠密层，得到第六预测结果；
将第二预测结果与时间权重矩阵相加后输入第二稠密层，得到第七预测结果；
将第六预测结果和第七预测结果相加，得到垃圾回收量预测值、员工数量预测值和设备需求数量预测值。
进一步地，在本发明中，将历史数据输入空间注意力模块，生成空间权重矩阵包括：
提取历史数据的空间权重，得到各历史数据对应的空间权重向量；
对各空间权重向量进行归一化后与对应的历史数据相乘，生成各历史数据对应的空间权重矩阵。
进一步地，在本发明中，将历史数据输入时间注意力模块，生成时间权重矩阵包括：
提取历史数据的时间权重，得到各历史数据对应的时间权重向量；
对各时间权重向量进行归一化后与对应的历史数据相乘，生成各历史数据对应的时间权重矩阵。
进一步地，在本发明中，在将历史数据输入空间注意力模块，生成空间权重矩阵之前，管理方法还包括：
按时间步长分别对各历史数据进行划分。
进一步地，在本发明中，将空间权重矩阵和时间权重矩阵相加后输入几何布朗运动模型，输出第三预测结果包括：
将空间权重矩阵和时间权重矩阵相加，得到初始值；
根据初始值、预设的波动方程和预设变量进行计算，得到第三预测结果。
进一步地，在本发明中，根据所在区域人口数量预测值、垃圾回收量预测值、员工数量预测值和设备需求数量预测值，按照预设规则对目标站点进行管理包括：
根据所在区域人口数量预测值、垃圾回收量预测值、员工数量预测值、设备需求数量预测值和预设规则进行匹配，得到目标管理方式；
根据目标管理方式对目标站点进行管理。
进一步地，在本发明中，根据目标管理方式对目标站点进行管理包括：
根据目标管理方式对目标站点的垃圾进行分类；
根据目标管理方式对目标站点的员工进行排班。
第二方面，本发明提出了一种碳小屋站点管理系统，包括：
获取模块，用于获取目标站点的历史数据，历史数据包括垃圾回收量历史数据、员工数量历史数据、设备需求数量历史数据和所在区域人口数量历史数据；
第一预测模块，用于根据历史数据，结合预设的时序预测模型和预设的几何布朗运动模型进行预测，输出所在区域人口数量预测值；
第二预测模块，用于根据历史数据，采用时序预测模型进行预测，输出垃圾回收量预测值、员工数量预测值和设备需求数量预测值；
管理模块，用于根据所在区域人口数量预测值、垃圾回收量预测值、员工数量预测值和设备需求数量预测值，按照预设规则对目标站点进行管理。
本发明的有益效果体现在，通过获取目标站点的垃圾回收量历史数据、员工数量历史数据、设备需求数量历史数据和所在区域人口数量历史数据，根据历史数据，结合预设的时序预测模型和预设的几何布朗运动模型进行预测，输出所在区域人口数量预测值，实现了对目标站点所在区域的人口数量的预测，即对目标站点所在区域的居民流动性的预测；同时，根据历史数据，采用时序预测模型预测得到垃圾回收量预测值、员工数量预测值和设备需求数量预测值，并结合上述预测值，按照预设规则对目标站点进行管理，实现了综合考虑包括区域人口数量、垃圾回收量、员工数量和设备需求数量的碳小屋站点管理，能够应对居民流动性带来的不确定的变化，提升了管理效果和鲁棒性。
附图说明
图1为本发明所提供的一种碳小屋站点管理方法具体实施例的流程示意图；
图2为本发明所提供的一种碳小屋站点管理方法具体实施例的时序预测模型和几何布朗运动模型的结构示意图；
图3为本发明所提供的一种碳小屋站点管理方法具体实施例的时序预测模型的结构示意图；
图4为本发明所提供的一种碳小屋站点管理系统具体实施例的结构示意图。
具体实施方式
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，本发明实施例中的一种碳小屋站点管理方法，包括：
S101、获取目标站点的历史数据。
其中，历史数据包括垃圾回收量历史数据、员工数量历史数据、设备需求数量历史数据和所在区域人口数量历史数据。目标站点为本发明实施例进行管理的碳小屋站点。
可选地，在一些实施例中，首先确定目标站点的历史数据的数据来源，如企业内部数据库、相关政府机构的公共数据、行业协会的统计数据等；然后向所确定的数据来源提交数据请求，获取目标站点的历史数据。
可以理解的是，垃圾回收量历史数据、员工数量历史数据、设备需求数量历史数据和所在区域人口数量历史数据具有时间相关性。本发明实施例基于历史数据进行目标站点的垃圾回收量、员工数量、设备需求数量和所在区域人口数量的预测是一种多元预测问题（四个要素），并且各个要素之间存在正负相关性，其中所在区域人口数量与其他三个要素呈正相关，且由于居民存在流动性，所在区域人口数量的预测具有更多的不确定性。本发明实施例以表示目标站点的垃圾回收量，以/>表示目标站点的员工数量，以/>表示目标站点的设备需求数量，以/>表示目标站点所在区域人口数量。
S102、根据历史数据，结合预设的时序预测模型和预设的几何布朗运动模型进行预测，输出所在区域人口数量预测值。
可以理解的是，几何布朗运动，也称为指数布朗运动，是连续时间情况下的随机过程，其中随机变量的对数遵循布朗运动。在本发明的实施例中，几何布朗运动的随机过程为居民流动性，即所在区域人口数量的变化。本发明实施例采用几何布朗运动模型预测所在区域人口数量的波动，用作时序预测模型的波动填补，从而根据历史数据，结合时序预测模型和几何布朗运动模型实现对所在区域人口数量的预测，输出准确的所在区域人口数量预测值。
可以理解的是，现有的碳小屋站点管理方法通过计算历史数据平均值对碳小屋站点进行管理，无法应对居民流动性带来的不确定变化，从而管理效果也较差。为此，本发明实施例在历史数据的基础上，结合预设的时序预测模型和预设的几何布朗运动模型对所在区域人口数量进行预测，得到所在区域人口数量预测值，实现了对目标站点所在区域的居民流动性的预测，提升了后续基于区域人口数量预测值的管理方式的管理效果。
可选地，在一些实施例中，按时间步长t分别对各历史数据进行划分，其中，垃圾回收量历史数据为，员工数量历史数据为/>，设备需求数量历史数据为/>，所在区域人口数量历史数据为/>。
参照图2，可选地，在一些实施例中，时序预测模型包括空间注意力模块、时间注意力模块、第一时间卷积网络、第二时间卷积网络、第一稠密层和第二稠密层，步骤S102可以进一步划分为以下步骤：
步骤S1021、将历史数据输入空间注意力模块，生成空间权重矩阵。
可选地，在一些实施例中，将步骤S101获取的历史数据转换为相应的特征表示，并对目标站点的位置信息进行空间编码，得到目标站点与其他站点的空间关系，然后根据特征表示和空间关系生成空间权重矩阵。
可选地，在一些实施例中，步骤S1021具体包括：
1）提取历史数据的空间权重，得到各历史数据对应的空间权重向量；
2）对各空间权重向量进行归一化后与对应的历史数据相乘，生成各历史数据对应的空间权重矩阵。
具体地，步骤S101所获取的历史数据通过一个线性层后，各历史数据的空间权重会被提取，并得到垃圾回收量历史数据对应的空间权重向量、员工数量历史数据对应的空间权重向量/>、设备需求数量历史数据对应的空间权重向量/>，以及所在区域人口数量历史数据对应的空间权重向量/>。其中：
其中，W表示权重，n表示偏置。
可以理解的是，在一些实施例中，由于按时间步长t分别对各历史数据进行划分，所提取的各历史数据对应的空间权重向量均为多个，数量与对应的历史数据的划分后的子数据数量相等。
本发明实施例在得到各历史数据对应的若干个空间权重向量后，对各个空间权重向量进行归一化处理。
可选地，在一些实施例中，将各空间权重向量输入Softmax进行归一化处理，分别输出：
并将各个归一化结果与相应的历史数据（的子数据）相乘，如各个与垃圾回收量历史数据/>中对应的子数据相乘，生成垃圾回收量历史数据/>、员工数量历史数据/>、设备需求数量历史数据/>以及所在区域人口数量历史数据/>对应的空间权重矩阵。
步骤S1022、将历史数据输入时间注意力模块，生成时间权重矩阵。
值得注意的是，考虑到本发明实施例为多元预测，且各要素之间存在相关性，本发明实施例的步骤S1022与步骤S1021并行执行。
可选地，在一些实施例中，步骤S1022具体包括：
1）提取历史数据的时间权重，得到各历史数据对应的时间权重向量；
2）对各时间权重向量进行归一化后与对应的历史数据相乘，生成各历史数据对应的时间权重矩阵。
具体地，步骤S101所获取的历史数据通过一个线性层后，各历史数据的时间权重会被提取，并得到垃圾回收量历史数据对应的时间权重向量、员工数量历史数据对应的时间权重向量/>、设备需求数量历史数据对应的时间权重向量/>，以及所在区域人口数量历史数据对应的时间权重向量/>。
可以理解的是，在一些实施例中，由于按时间步长t分别对各历史数据进行划分，所提取的各历史数据对应的时间权重向量均为多个，数量与对应的历史数据的划分后的子数据数量相等。
本发明实施例在得到各历史数据对应的若干个时间权重向量后，对各个时间权重向量进行归一化处理，并将各个归一化结果与相应的历史数据（的子数据）相乘，如各个与垃圾回收量历史数据/>中对应的子数据相乘，生成垃圾回收量历史数据、员工数量历史数据/>、设备需求数量历史数据/>以及所在区域人口数量历史数据/>对应的时间权重矩阵。
可选地，在一些实施例中，将各时间权重向量输入Softmax进行归一化处理。
步骤S1023、将空间权重矩阵输入第一时间卷积网络，输出第一预测结果。
具体地，将步骤S1021得到的空间权重矩阵输入第一时间卷积网络，第一时间卷积网络利用空间权重矩阵和历史数据进行特征提取的卷积操作，其中卷积操作可以通过滑动窗口的方式在空间维度上移动以提取不同站点的特征，捕捉空间相关性；完成卷积操作后，第一时间卷积网络对卷积结果进行特征融合和降维操作，输出第一预测结果。
步骤S1024、将时间权重矩阵输入第二时间卷积网络，输出第二预测结果。
具体地，将步骤S1022得到的时间权重矩阵输入第一时间卷积网络，第一时间卷积网络利用时间权重矩阵和历史数据进行特征提取的卷积操作，其中卷积操作可以通过滑动窗口的方式在空间维度上移动以提取不同站点的特征，捕捉空间相关性；完成卷积操作后，第一时间卷积网络对卷积结果进行特征融合和降维操作，输出第二预测结果。
步骤S1025、将空间权重矩阵和时间权重矩阵相加后输入几何布朗运动模型，输出第三预测结果。
可以理解的是，参照图2，本发明实施例采用几何布朗运动模型预测目标站点所在区域人口数量的波动，用作时序预测模型（第一时间卷积网络和第二时间卷积网络）的波动填补，实现对所在区域人口数量的预测，输出准确的所在区域人口数量预测值的同时，第一时间卷积网络和第二时间卷积网络无需使用残差，降低了时序预测模型的结构复杂度。
可选地，在一些实施例中，步骤S1025具体包括：
1）将空间权重矩阵和时间权重矩阵相加，得到初始值；
2）根据初始值、预设的波动方程和预设变量进行计算，得到第三预测结果。
具体地，在一些实施例中，预设的波动方程为：
其中，表示所在区域人口数量在t时刻的变化，/>为漂移量，/>为波动率，/>为维纳过程（布朗运动），/>和/>为系数。
预设变量U满足：
其中，, />, />
令，得到t时刻的第三预测结果：
其中，，/>为初始值，即空间权重矩阵和时间权重矩阵的和。
步骤S1026、将第一预测结果与第三预测结果相加后输入第一稠密层，得到第四预测结果。
可以理解的是，稠密层即全连接层，稠密层由其中的每一个节点都与特征节点相连构成。稠密层用于分类，根据每一个特征节点的权重决定第一预测结果与第三预测结果之和所属的分类，得到第四预测结果。
步骤S1027、将第二预测结果与第三预测结果相加后输入第二稠密层，得到第五预测结果。
步骤S1028、将第四预测结果和第五预测结果相加，得到所在区域人口数量预测值。
S103、根据历史数据，采用时序预测模型进行预测，输出垃圾回收量预测值、员工数量预测值和设备需求数量预测值。
可以理解的是，本发明实施例在对目标站点的垃圾回收量、员工数量和设备需求数量进行预测时，为了提高预测结果的准确性，需要输入尽可能长的序列，即按时间步长划分的历史数据应尽量多。然而，现有的预测方法在时序预测模型的输入为长序列时会出现梯度爆炸，导致预测结果可靠性和准确性较差。为此，本发明实施例将长序列的历史数据输入时序预测模型，并采用残差防止梯度爆炸，从而输出准确可靠的垃圾回收量预测值、员工数量预测值和设备需求数量预测值。
可选地，在一些实施例中，按时间步长t分别对各历史数据进行划分，其中，垃圾回收量历史数据为，员工数量历史数据为/>，设备需求数量历史数据为/>，所在区域人口数量历史数据为/>。
参照图3，可选地，在一些实施例中，步骤S103具体包括：
步骤S1031、将历史数据输入空间注意力模块，生成空间权重矩阵。
具体地，步骤S1031的具体内容与步骤S1021的具体内容相同，此处不再赘述。
步骤S1032、将历史数据输入时间注意力模块，生成时间权重矩阵。
具体地，步骤S1032的具体内容与步骤S1022的具体内容相同，此处不再赘述。
步骤S1033、将空间权重矩阵输入第一时间卷积网络，输出第一预测结果。
具体地，将步骤S1031得到的空间权重矩阵输入第一时间卷积网络，第一时间卷积网络利用空间权重矩阵和历史数据进行特征提取的卷积操作，其中卷积操作可以通过滑动窗口的方式在空间维度上移动以提取不同站点的特征，捕捉空间相关性；完成卷积操作后，第一时间卷积网络对卷积结果进行特征融合和降维操作，输出第一预测结果.
步骤S1034、将时间权重矩阵输入第二时间卷积网络，输出第二预测结果。
具体地，将步骤S1032得到的时间权重矩阵输入第一时间卷积网络，第一时间卷积网络利用时间权重矩阵和历史数据进行特征提取的卷积操作，其中卷积操作可以通过滑动窗口的方式在空间维度上移动以提取不同站点的特征，捕捉空间相关性；完成卷积操作后，第一时间卷积网络对卷积结果进行特征融合和降维操作，输出第二预测结果。
步骤S1035、将第一预测结果与空间权重矩阵相加后输入第一稠密层，得到第六预测结果。
具体地，将第一预测结果与空间权重矩阵相加，即将第一时间卷积网络的输入和输出相加，然后输入第一稠密层进行分类，得到第六预测结果。
可选地，在一些实施例中，将第一预测结果与空间权重矩阵相加具体为：将第一预测结果与空间权重矩阵融合，融合结果为：
其中，为该实施例下的融合结果，/>表示空间权重矩阵，/>表示第一预测结果，/>为激活函数，用于融合第一预测结果与空间权重矩阵。
步骤S1036、将第二预测结果与时间权重矩阵相加后输入第二稠密层，得到第七预测结果。
具体地，将第二预测结果与时间权重矩阵相加，即将第二时间卷积网络的输入和输出相加，然后输入第二稠密层进行分类，得到第七预测结果。
可选地，在一些实施例中，将第二预测结果与时间权重矩阵相加具体为：将第二预测结果与时间权重矩阵融合，融合结果为：
其中，为该实施例下的融合结果，/>表示时间权重矩阵，/>表示第二预测结果，/>为激活函数，用于融合第二预测结果与时间权重矩阵。
步骤S1037、将第六预测结果和第七预测结果相加，得到垃圾回收量预测值、员工数量预测值和设备需求数量预测值。
S104、根据所在区域人口数量预测值、垃圾回收量预测值、员工数量预测值和设备需求数量预测值，按照预设规则对目标站点进行管理。
具体地，按照预设规则匹配所在区域人口数量预测值、垃圾回收量预测值、员工数量预测值和设备需求数量预测值所在数量区间的管理方式，并根据该管理方式对目标站点的设备和人员进行管理。
可选地，在一些实施例中，步骤S104具体包括：
步骤S1041、根据所在区域人口数量预测值、垃圾回收量预测值、员工数量预测值、设备需求数量预测值和预设规则进行匹配，得到目标管理方式。
其中，预设规则可以包括：
1）人口密度规则：若所在区域的人口密度高于设定的人口密度阈值，则采取增加员工数量和设备需求的管理方式；若人口密度低于该人口密度阈值，则采取减少人员和设备投入的管理方式；
2）垃圾回收规则：若垃圾回收量预测值高于设定的垃圾回收量阈值，则增加垃圾收集员工和设备数量以应对高负荷；若垃圾回收量低于该垃圾回收量阈值，则减少垃圾收集员工和设备投入；
3）员工数量规则：根据人口数量预测值和垃圾回收量预测值来调整员工数量。若人口数量和垃圾回收量都高于设定的阈值，则增加员工数量；若两者都低于对应的阈值，则减少员工数量；
4）设备需求规则：若人口数量预测值和垃圾回收量预测值都高于设定的阈值，则增加设备数量以应对增加的工作负载；若两者都低于对应的阈值，则减少设备投入。
可以理解的是，本发明根据所在区域人口数量预测值、垃圾回收量预测值、员工数量预测值、设备需求数量预测值，综合上述规则得到目标管理方式。
步骤S1042、根据目标管理方式对目标站点进行管理。
具体地，在一些实施例中，步骤S1042包括：
1）根据目标管理方式对目标站点的垃圾进行分类；
2）根据目标管理方式对目标站点的员工进行排班。
可选地，在一些实施例中，根据目标管理方式对目标站点的垃圾进行分类，生成分类结果，提供给员工进行校验。
可选地，在一些实施例中，根据目标管理方式对目标站点的垃圾进行分类后，计算分类后的垃圾的碳指标。
现有的碳小屋站点管理方法鲁棒性较差，且无法应对居民流动性这种不确定的变化，管理效果较差。为此，本发明实施例采用上述步骤S101-S104的碳小屋站点管理方法，通过获取目标站点的垃圾回收量历史数据、员工数量历史数据、设备需求数量历史数据和所在区域人口数量历史数据，根据历史数据，结合预设的时序预测模型和预设的几何布朗运动模型进行预测，输出所在区域人口数量预测值，实现了对目标站点所在区域的人口数量的预测，即对目标站点所在区域的居民流动性的预测；同时，根据历史数据，采用时序预测模型预测得到垃圾回收量预测值、员工数量预测值和设备需求数量预测值，并结合上述预测值，按照预设规则对目标站点进行管理，实现了综合考虑包括区域人口数量、垃圾回收量、员工数量和设备需求数量的碳小屋站点管理，能够应对居民流动性带来的不确定的变化，提升了管理效果和鲁棒性。
其次，参照附图描述根据本发明实施例提出的一种碳小屋站点管理系统。
图4是本发明一个实施例的一种碳小屋站点管理系统结构示意图。
系统具体包括：
获取模块401，用于获取目标站点的历史数据，历史数据包括垃圾回收量历史数据、员工数量历史数据、设备需求数量历史数据和所在区域人口数量历史数据；
第一预测模块402，用于根据历史数据，结合预设的时序预测模型和预设的几何布朗运动模型进行预测，输出所在区域人口数量预测值；
第二预测模块403，用于根据历史数据，采用时序预测模型进行预测，输出垃圾回收量预测值、员工数量预测值和设备需求数量预测值；
管理模块404，用于根据所在区域人口数量预测值、垃圾回收量预测值、员工数量预测值和设备需求数量预测值，按照预设规则对目标站点进行管理。
可见，上述方法实施例中的内容均适用于本系统实施例中，本系统实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
在一些可选择的实施例中，在方框图中提到的功能/操作可以不按照操作示图提到的顺序发生。例如，取决于所涉及的功能/操作，连续示出的两个方框实际上可以被大体上同时地执行或所述方框有时能以相反顺序被执行。此外，在本发明的流程图中所呈现和描述的实施例以示例的方式被提供，目的在于提供对技术更全面的理解。所公开的方法不限于本文所呈现的操作和逻辑流程。可选择的实施例是可预期的，其中各种操作的顺序被改变以及其中被描述为较大操作的一部分的子操作被独立地执行。
此外，虽然在功能性模块的背景下描述了本发明，但应当理解的是，除非另有相反说明，功能和/或特征中的一个或多个可以被集成在单个物理装置和/或软件模块中，或者一个或多个功能和/或特征可以在单独的物理装置或软件模块中被实现。还可以理解的是，有关每个模块的实际实现的详细讨论对于理解本发明是不必要的。更确切地说，考虑到在本文中公开的装置中各种功能模块的属性、功能和内部关系的情况下，在工程师的常规技术内将会了解该模块的实际实现。因此，本领域技术人员运用普通技术就能够在无需过度试验的情况下实现在权利要求书中所阐明的本发明。还可以理解的是，所公开的特定概念仅仅是说明性的，并不意在限制本发明的范围，本发明的范围由所附权利要求书及其等同方案的全部范围来决定。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的程序执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列（PGA），现场可编程门阵列（FPGA）等。
在本发明的实施例的描述中，需要理解的是，术语“上”、“下”、“前”、“后”、“左”、“右”、“坚直”、“水平”、“中心”、“顶”、“底”、“顶部”、“底部”、“内”、“外”、“内侧”、“外侧”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。其中，“里侧”是指内部或围起来的区域或空间。“外围”是指某特定部件或特定区域的周围的区域。
在本发明的实施例的描述中，术语“第一”、“第二”、“第三”、“第四”仅用以描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”、“第三”、“第四”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
在本发明的实施例的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“组装”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
在本发明的实施例的描述中，具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
在本发明的实施例的描述中，需要理解的是，“-”和“~”表示的是两个数值之同的范围，并且该范围包括端点。例如：“A-B”表示大于或等于A，且小于或等于B的范围。“A~B”表示大于或等于A，且小于或等于B的范围。
在本发明的实施例的描述中，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (10)

1.一种碳小屋站点管理方法，其特征在于，包括：
获取目标站点的历史数据，所述历史数据包括垃圾回收量历史数据、员工数量历史数据、设备需求数量历史数据和所在区域人口数量历史数据；
根据所述历史数据，结合预设的时序预测模型和预设的几何布朗运动模型进行预测，输出所在区域人口数量预测值；
根据所述历史数据，采用所述时序预测模型进行预测，输出垃圾回收量预测值、员工数量预测值和设备需求数量预测值；
根据所述所在区域人口数量预测值、所述垃圾回收量预测值、所述员工数量预测值和所述设备需求数量预测值，按照预设规则对所述目标站点进行管理。
2.根据权利要求1所述的一种碳小屋站点管理方法，其特征在于，所述时序预测模型包括空间注意力模块、时间注意力模块、第一时间卷积网络、第二时间卷积网络、第一稠密层和第二稠密层；
所述根据所述历史数据，结合预设的时序预测模型和预设的几何布朗运动模型进行预测，输出所在区域人口数量预测值包括：
将所述历史数据输入所述空间注意力模块，生成空间权重矩阵；
将所述历史数据输入所述时间注意力模块，生成时间权重矩阵；
将所述空间权重矩阵输入所述第一时间卷积网络，输出第一预测结果；
将所述时间权重矩阵输入所述第二时间卷积网络，输出第二预测结果；
将所述空间权重矩阵和所述时间权重矩阵相加后输入所述几何布朗运动模型，输出第三预测结果；
将所述第一预测结果与所述第三预测结果相加后输入所述第一稠密层，得到第四预测结果；
将所述第二预测结果与所述第三预测结果相加后输入所述第二稠密层，得到第五预测结果；
将所述第四预测结果和所述第五预测结果相加，得到所述所在区域人口数量预测值。
3.根据权利要求1所述的一种碳小屋站点管理方法，其特征在于，所述时序预测模型包括空间注意力模块、时间注意力模块、第一时间卷积网络、第二时间卷积网络、第一稠密层和第二稠密层；
所述根据所述历史数据，采用所述时序预测模型进行预测，输出垃圾回收量预测值、员工数量预测值和设备需求数量预测值包括：
将所述历史数据输入所述空间注意力模块，生成空间权重矩阵；
将所述历史数据输入所述时间注意力模块，生成时间权重矩阵；
将所述空间权重矩阵输入所述第一时间卷积网络，输出第一预测结果；
将所述时间权重矩阵输入所述第二时间卷积网络，输出第二预测结果；
将所述第一预测结果与所述空间权重矩阵相加后输入所述第一稠密层，得到第六预测结果；
将所述第二预测结果与所述时间权重矩阵相加后输入所述第二稠密层，得到第七预测结果；
将所述第六预测结果和所述第七预测结果相加，得到所述垃圾回收量预测值、所述员工数量预测值和所述设备需求数量预测值。
4.根据权利要求2或3任一项所述的一种碳小屋站点管理方法，其特征在于，所述将所述历史数据输入所述空间注意力模块，生成空间权重矩阵包括：
提取所述历史数据的空间权重，得到各所述历史数据对应的空间权重向量；
对各所述空间权重向量进行归一化后与对应的所述历史数据相乘，生成各所述历史数据对应的所述空间权重矩阵。
5.根据权利要求2或3任一项所述的一种碳小屋站点管理方法，其特征在于，所述将所述历史数据输入所述时间注意力模块，生成时间权重矩阵包括：
提取所述历史数据的时间权重，得到各所述历史数据对应的时间权重向量；
对各所述时间权重向量进行归一化后与对应的所述历史数据相乘，生成各所述历史数据对应的所述时间权重矩阵。
6.根据权利要求2或3任一项所述的一种碳小屋站点管理方法，其特征在于，在所述将所述历史数据输入所述空间注意力模块，生成空间权重矩阵之前，所述碳小屋站点管理方法还包括：
按时间步长分别对各所述历史数据进行划分。
7.根据权利要求2所述的一种碳小屋站点管理方法，其特征在于，所述将所述空间权重矩阵和所述时间权重矩阵相加后输入所述几何布朗运动模型，输出第三预测结果包括：
将所述空间权重矩阵和所述时间权重矩阵相加，得到初始值；
根据所述初始值、预设的波动方程和预设变量进行计算，得到所述第三预测结果。
8.根据权利要求1所述的一种碳小屋站点管理方法，其特征在于，所述根据所述所在区域人口数量预测值、所述垃圾回收量预测值、所述员工数量预测值和所述设备需求数量预测值，按照预设规则对所述目标站点进行管理包括：
根据所述所在区域人口数量预测值、所述垃圾回收量预测值、所述员工数量预测值、所述设备需求数量预测值和所述预设规则进行匹配，得到目标管理方式；
根据所述目标管理方式对所述目标站点进行管理。
9.根据权利要求8所述的一种碳小屋站点管理方法，其特征在于，所述根据所述目标管理方式对所述目标站点进行管理包括：
根据所述目标管理方式对所述目标站点的垃圾进行分类；
根据所述目标管理方式对所述目标站点的员工进行排班。
10.一种碳小屋站点管理系统，其特征在于，包括：
获取模块，用于获取目标站点的历史数据，所述历史数据包括垃圾回收量历史数据、员工数量历史数据、设备需求数量历史数据和所在区域人口数量历史数据；
第一预测模块，用于根据所述历史数据，结合预设的时序预测模型和预设的几何布朗运动模型进行预测，输出所在区域人口数量预测值；
第二预测模块，用于根据所述历史数据，采用所述时序预测模型进行预测，输出垃圾回收量预测值、员工数量预测值和设备需求数量预测值；
管理模块，用于根据所述所在区域人口数量预测值、所述垃圾回收量预测值、所述员工数量预测值和所述设备需求数量预测值，按照预设规则对所述目标站点进行管理。
CN202410079740.2A 2024-01-19 2024-01-19 一种碳小屋站点管理方法及系统 Active CN117592769B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410079740.2A CN117592769B (zh) 2024-01-19 2024-01-19 一种碳小屋站点管理方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410079740.2A CN117592769B (zh) 2024-01-19 2024-01-19 一种碳小屋站点管理方法及系统

Publications (2)

Publication Number Publication Date
CN117592769A true CN117592769A (zh) 2024-02-23
CN117592769B CN117592769B (zh) 2024-04-05

Family

ID=89910284

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410079740.2A Active CN117592769B (zh) 2024-01-19 2024-01-19 一种碳小屋站点管理方法及系统

Country Status (1)

Country Link
CN (1) CN117592769B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106931453A (zh) * 2017-02-27 2017-07-07 浙江大学 循环流化床生活垃圾焚烧锅炉NOx排放的预测系统及方法
CN108282586A (zh) * 2017-07-26 2018-07-13 平安科技（深圳）有限公司 基于业务线的预测方法、装置、存储介质及终端
CN112905560A (zh) * 2021-02-02 2021-06-04 中国科学院地理科学与资源研究所 一种多源时空大数据深度融合的空气污染预测方法
CN113191672A (zh) * 2021-05-20 2021-07-30 哈尔滨工业大学 基于空间数据和vrptw的村镇垃圾分类转运规划方法及系统
CN113935539A (zh) * 2021-10-27 2022-01-14 南京邮电大学 一种垃圾用地部署的区域划分和路径规划的方法
CN114037189A (zh) * 2022-01-06 2022-02-11 武汉新城美洁环保技术服务有限公司 通过垃圾转运量以人口聚集密度确定垃圾车辆分配系统
CN114066077A (zh) * 2021-11-22 2022-02-18 哈尔滨工业大学 基于应急事件空间警兆分析的环卫风险预测方法
CN115660217A (zh) * 2022-11-14 2023-01-31 成都秦川物联网科技股份有限公司 一种智慧城市垃圾清扫量预测方法和物联网系统
CN116385164A (zh) * 2023-04-06 2023-07-04 沈阳工业大学 一种基于区块链的碳资产交易系统及方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106931453A (zh) * 2017-02-27 2017-07-07 浙江大学 循环流化床生活垃圾焚烧锅炉NOx排放的预测系统及方法
CN108282586A (zh) * 2017-07-26 2018-07-13 平安科技（深圳）有限公司 基于业务线的预测方法、装置、存储介质及终端
CN112905560A (zh) * 2021-02-02 2021-06-04 中国科学院地理科学与资源研究所 一种多源时空大数据深度融合的空气污染预测方法
CN113191672A (zh) * 2021-05-20 2021-07-30 哈尔滨工业大学 基于空间数据和vrptw的村镇垃圾分类转运规划方法及系统
CN113935539A (zh) * 2021-10-27 2022-01-14 南京邮电大学 一种垃圾用地部署的区域划分和路径规划的方法
CN114066077A (zh) * 2021-11-22 2022-02-18 哈尔滨工业大学 基于应急事件空间警兆分析的环卫风险预测方法
CN114037189A (zh) * 2022-01-06 2022-02-11 武汉新城美洁环保技术服务有限公司 通过垃圾转运量以人口聚集密度确定垃圾车辆分配系统
CN115660217A (zh) * 2022-11-14 2023-01-31 成都秦川物联网科技股份有限公司 一种智慧城市垃圾清扫量预测方法和物联网系统
CN116385164A (zh) * 2023-04-06 2023-07-04 沈阳工业大学 一种基于区块链的碳资产交易系统及方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
张厚美等: ""走进‘低碳城市’, 感受绿色生活"", 《环境教育》, 25 September 2017 (2017-09-25), pages 70 - 72 *
陈思勤: ""生活垃圾处置温室气体排放特征及减排潜能研究——以上海为例"", 《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》, 15 September 2022 (2022-09-15), pages 027 - 480 *

Also Published As

Publication number Publication date
CN117592769B (zh) 2024-04-05

Similar Documents

Publication Publication Date Title
Fan et al. A review on data preprocessing techniques toward efficient and reliable knowledge discovery from building operational data
Arief-Ang et al. Da-hoc: semi-supervised domain adaptation for room occupancy prediction using co2 sensor data
Arief-Ang et al. A scalable room occupancy prediction with transferable time series decomposition of CO2 sensor data
Mitrovic et al. Low-dimensional models for compressed sensing and prediction of large-scale traffic data
CN109063939B (zh) 一种基于邻域门长短期记忆网络的风速预测方法及系统
CN104518905A (zh) 一种故障定位方法及装置
CN104797958A (zh) 利用统计方法表征地质系统的系统和方法
Aldor-Noiman et al. Spatio-temporal low count processes with application to violent crime events
CN110990718A (zh) 一种公司形象提升系统的社会网络模型构建模块
CN103995828B (zh) 一种云存储日志数据分析方法
Jin et al. Crime-GAN: A context-based sequence generative network for crime forecasting with adversarial loss
CN111078512A (zh) 告警记录生成方法、装置、告警设备及存储介质
Ho et al. Amic: An adaptive information theoretic method to identify multi-scale temporal correlations in big time series data
CN113205223A (zh) 一种电量预测系统及其预测方法
Shin Analysis of subway passenger flow for a smarter city: knowledge extraction from Seoul metro’s ‘Untraceable’big data
CN104217088A (zh) 运营商移动业务资源的优化方法与系统
KR101703972B1 (ko) 공간정보를 이용한 지하수 부존 지역 예측시스템 및 지하수 부존 지역 예측방법
CN106355537A (zh) 一种智能串并案分析方法及系统
CN117592769B (zh) 一种碳小屋站点管理方法及系统
Bhardwaj et al. Pattern‐Similarity‐Based Model for Time Series Prediction
Ahani et al. A feature weighting and selection method for improving the homogeneity of regions in regionalization of watersheds
Patel et al. Intellectual and enhance digital solution for police station
CN202533993U (zh) 一种旅游经济数据挖掘分析预测系统
CN115310355A (zh) 考虑多能耦合的综合能源系统多元负荷预测方法及系统
CN113919729A (zh) 一种区域三生空间影响与协作水平评估方法及系统

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