CN117609792A - 一种水质预测模型训练方法 - Google Patents
一种水质预测模型训练方法 Download PDFInfo
- Publication number
- CN117609792A CN117609792A CN202410074370.3A CN202410074370A CN117609792A CN 117609792 A CN117609792 A CN 117609792A CN 202410074370 A CN202410074370 A CN 202410074370A CN 117609792 A CN117609792 A CN 117609792A
- Authority
- CN
- China
- Prior art keywords
- data
- time sequence
- offset
- point
- water quality
- 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
Links
- 238000012549 training Methods 0.000 title claims abstract description 59
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 45
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000011144 upstream manufacturing Methods 0.000 claims description 16
- 238000000354 decomposition reaction Methods 0.000 claims description 13
- 238000007781 pre-processing Methods 0.000 claims description 7
- 230000001186 cumulative effect Effects 0.000 claims description 6
- 238000005315 distribution function Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 5
- 241000039077 Copula Species 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 2
- 230000008569 process Effects 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 2
- 229910052760 oxygen Inorganic materials 0.000 description 2
- 239000001301 oxygen Substances 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- XKMRRTOUMJRJIA-UHFFFAOYSA-N ammonia nh3 Chemical compound N.N XKMRRTOUMJRJIA-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 229910052698 phosphorus Inorganic materials 0.000 description 1
- 239000011574 phosphorus Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000002759 z-score normalization Methods 0.000 description 1
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- 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
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A20/00—Water conservation; Efficient water supply; Efficient water use
- Y02A20/152—Water filtration
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Mathematical Analysis (AREA)
- Software Systems (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Pure & Applied Mathematics (AREA)
- Algebra (AREA)
- Probability & Statistics with Applications (AREA)
- Databases & Information Systems (AREA)
- Operations Research (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种水质预测模型训练方法，属于水质预测技术领域，解决了现有技术中无法动态更新训练模型，且模型准确率不高的技术问题。水质预测模型训练方法包括：获取第一点位的水质历史时序数据和第一真实时序数据；将所述历史时序数据输入到训练模型中训练，得到预测模型以及预测时序数据；根据所述预测时序数据与所述第一真实时序数据计算各时间点的偏移量，将所述偏移量大于预设偏移量阈值的所述预测时序数据中的时间点标记为偏移数据点；计算所述偏移数据段与所述第二真实时序数据中的对照数据段的相关性值；若所述相关性值大于预设相关性阈值，则将所述偏移数据点设为待校正数据点；将所述待校正数据点输入所述训练模型形成反馈网络。
Description
技术领域
本发明属于水质预测技术领域，具体而言涉及一种水质预测模型训练方法。
背景技术
水资源管理是社会经济发展的重要基础，涉及到水质、流量等多个方面的数据监测和分析。但是由于环境、人为因素的影响，导致水质数据存在波动性大、预测困难、难以及时发现和治理等局限。
现有的水质预测模型训练技术中，主要利用机器学习和神经网络算法进行时序数据的预测，再由人工进行审核发现异常数据，然后手动调整参数或重新训练模型，容易出现错误和遗漏，存在无法动态更新训练模型，且模型准确率不高的问题。
发明内容
鉴于上述的分析，本发明实施例旨在提供一种水质预测模型训练方法，用以解决现有的水质预测模型训练方法存在无法动态更新训练模型，且模型准确率不高的技术问题。
本发明的目的是这样实现的：
一方面，提供一种水质预测模型训练方法，包括：
获取第一点位的水质历史时序数据和第一真实时序数据；
将所述水质历史时序数据输入到训练模型中进行训练，得到预测模型；根据所述预测模型获得预测时序数据；
根据所述预测时序数据与所述第一真实时序数据计算各时间点的偏移量，将所述偏移量大于预设偏移量阈值的所述预测时序数据中的时间点标记为偏移数据点；
获取所述第一点位的上游点位的第二真实时序数据以及获取所述第一真实时序数据中的偏移数据段；
计算所述偏移数据段与所述第二真实时序数据中的对照数据段的相关性值；
若所述相关性值大于预设相关性阈值，则将所述偏移数据点设为待校正数据点；将所述待校正数据点输入所述训练模型形成反馈网络，以修正所述预测模型。
进一步地，若所述相关性小于预设相关性阈值，则将所述偏移数据点设为异常数据点。
进一步地，所述偏移数据段为以所述偏移数据点为中心，特定时间步长的所述第一真实时序数据中的数据段。
进一步地，所述对照数据段的时间步长表示如下：
其中，表示偏移数据段的时间步长，/>表示第一点位与上游点位之间的距离，/>表示河流的平均流速。
进一步地，所述偏移量表示如下：
其中，表示第一真实时序数据，/>表示预测时序数据。
进一步地，所述偏移数据段与所述第二真实时序数据中的对照数据段的相关性值表示如下：
其中，表示Copula密度函数，/>表示所述偏移数据段的边缘分布的累积分布函数，/>表示所述对照数据段的边缘分布的累积分布函数。
进一步地，通过一个距离衰减因子修正所述相关性值，以减弱所述第一点位与所述上游点位之间的距离对所述相关性值的影响，修正后的相关性值表示如下：
其中，表示距离衰减因子。
进一步地，所述水质历史时序数据输入所述训练模型之前还包括预处理，所述预处理包括归一化、异常值剔除和缺失值填充。
进一步地，所述训练模型包括编码器，所述编码器包括一个自相关模块、一个前馈模块和两个第一时间序列分解模块。
进一步地，所述训练模型还包括解码器，所述解码器包括两个自相关模块、一个前馈模块和三个第二时间序列分解模块。
与现有技术相比，本发明至少可实现如下有益效果之一：
通过训练模型训练历史时序数据得到预测时序数据，根据计算预测时序数据和真实时序数据的偏移量得到偏移数据点，进一步通过计算偏移数据段与上游点位的对照数据段的相关性值，得到待校正数据点，将待校正数据点输入到训练模型形成反馈网络进行新一轮预测模型的训练，实现了动态更新预测模型，并使得预测模型更加准确。
附图说明
为了更清楚地说明本说明书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说明书实施例中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。
图1为本发明提供的水质预测模型训练方法的流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明一部分实施例，而不是全部的实施例。需要说明的是，在不冲突的情况下，本公开中的实施方式及实施方式中的特征可以相互组合、分离、互换和/或重新布置。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。
实施例1
本发明的一个具体实施例，如图1所示，公开了一种水质预测模型训练方法，包括：
获取第一点位的水质历史时序数据和第一真实时序数据；
将所述水质历史时序数据输入到训练模型中进行训练，得到预测模型；根据所述预测模型获得预测时序数据；
根据所述预测时序数据与所述第一真实时序数据计算各时间点的偏移量，将所述偏移量大于预设偏移量阈值的所述预测时序数据中的时间点标记为偏移数据点；
获取所述第一点位的上游点位的第二真实时序数据以及获取所述第一真实时序数据中的偏移数据段；
计算所述偏移数据段与所述第二真实时序数据中的对照数据段的相关性值；
若所述相关性值大于预设相关性阈值，则将所述偏移数据点设为待校正数据点；将所述待校正数据点输入所述训练模型形成反馈网络，以修正所述预测模型。
实施时，先获取第一点位的水质历史时序数据和第一真实时序数据；将所述水质历史时序数据输入到训练模型中训练，得到预测模型和预测时序数据；其次通过计算所述预测时序数据和所述第一真实时序数据中各时间点的偏移量，将所述偏移量超过预设偏移量阈值的时间点标记为偏移数据点；然后计算偏移数据点对应的偏移数据段和上游点位的第二真实时序数据中的对照数据段的相关性值，以进一步处理所述偏移数据点；其中，所述第一真实时序数据为实时监测的所述第一点位的水质时序数据，且所述第一真实时序数据的时间段与所述预测时序数据的时间段相同；所述第二真实时序数据为实时监测的所述第一点位的上游点位的水质时序数据，且所述第二真实时序数据的时间步长与所述第一真实时序数据的时间步长相等。
具体而言，若所述相关性值大于预设相关性阈值，则表明所述偏移数据点的本质为合理数据，将所述偏移数据点设为待校正数据点；将所述待校正数据点输入到训练模型形成反馈网络，以修正所述预测模型；若相关性值小于预设相关性阈值，则将所述偏移数据点设为异常数据点，表明水质发生了突变。
与现有技术相比，本实施例提供的水质预测模型训练方法，通过训练模型训练历史时序数据得到预测时序数据，根据计算预测时序数据和真实时序数据的偏移量得到偏移数据点，进一步通过计算偏移数据段与上游点位的对照数据段的相关性值，得到待校正数据点，将待校正数据点输入到训练模型形成反馈网络进行新一轮预测模型的训练，实现了动态更新预测模型，并使得预测模型更加准确。
示例性的，所述第一点位的所述水质历史时序数据包括PH值、溶解氧、电导率、浊度、氨氮、化学需氧量、总磷、总氮等；所述训练模型包括能够进行时间序列预测的网络模型，例如ARIMA、RNN、Transformer和LSTM等。
本实施例中，所述偏移数据段为以所述偏移数据点为中心，特定时间步长的所述第一真实时序数据中的数据段。
具体而言，确定所述偏移数据点之后，根据所述偏移数据点在所述预测时序数据中的位置，截取所述第一真实时序数据中以所述偏移点为中心，以时间步长的数据段作为偏移数据段，表示如下：
其中，表示偏移数据点的时间，/>和/>分别表示第一真实时序数据的时间前后端点，/>为根据/>和/>之间时间间隔的长短人为设置的大于1的数，用于防止/>超过/>和/>。
本实施例中，所述对照数据段的时间步长表示如下：
其中，表示偏移数据段的时间步长，/>表示第一点位与上游点位之间的距离，/>表示河流的平均流速。
具体而言，由于所述上游点位和所述第一点位存在时间滞后性，为了使预测模型更准确可靠，因此所述对照数据段需要进行时间校准，所述时间滞后性主要受所述第一点位与所述上游点位之间的距离，以及河流的平均流速影响；通过截取第二真实时序数据中时间步长的数据段作为所述对照数据段，以配合所述偏移数据段计算两者的相关性值。
本实施例中，所述偏移量表示如下：
其中，表示第一真实时序数据，/>表示预测时序数据。
具体而言，计算得到所述偏移量后，将所述偏移量/>与预设偏移量阈值/>相比较，将所述偏移量/>小于所述预设偏移量阈值/>的时间点的数据标记为合理数据点，将所述偏移量/>大于所述预设偏移量阈值/>的时间点的数据标记为偏移数据点，所述预设阈值/>由人为根据实际环境设置。
本实施例中，所述偏移数据段与所述对照数据段的相关性值表示如下：
其中，表示Copula密度函数，/>表示所述偏移数据段的边缘分布的累积分布函数，/>表示所述对照数据段的边缘分布的累积分布函数。
具体而言，计算得到所述相关性值后，将所述相关性值/>与预设相关性阈值相比较；若/>大于/>，则将所述偏移数据点设为待校正数据点，所述待校正数据点的本质为合理数据点，可能因为所述预测模型的质量导致所述偏移量/>大于所述预设偏移量阈值/>；若/>小于/>，将所述偏移数据点设为异常数据点，表明此时所述第一点位的水质发生了突变。
本实施例中，考虑所述第一点位与所述上游点位之间的距离对所述相关性值的影响，通过在所述相关性值的计算过程中添加一个距离衰减因子以修正所述相关性值，从而减弱所述第一点位与所述上游点位之间的距离对所述相关性值的影响，修正后的相关性值表示如下：
其中，表示距离衰减因子。
本实施例中，所述水质历史时序数据输入所述训练模型之前还包括预处理，以将所述水质历史时序数据处理为标准时序数据，所述预处理包括归一化、异常值剔除和缺失值填充。
示例性的，所述归一化包括MinMax归一化或Z-score标准化，用于防止数据差异较大导致模型训练不稳定；所述异常值剔除包括基于统计学或箱线图的方法，用于剔除超过设定阈值的异常值；所述缺失值填充包括均值法、中位数法或插值法，用于根据已知数据推断缺失值；所述预处理还包括数据清洗和平滑处理，有助于降低噪声影响。
优选的，本实施例选用Autoformer网络作为训练模型，Autoformer相较于RNN、Transformer等传统神经网络，能够并行处理输入的序列，因此具有更快的训练速度，更适合用来处理较长的时序数据，提高了数据的利用率。
本实施例中，所述训练模型包括编码器，所述编码器包括一个自相关模块、一个前馈模块和两个第一时间序列分解模块。
具体而言，所述自相关模块通过计算离散时间序列的自相关系数，以发现其周期依赖关系，再通过时间延迟聚合做相似子序列的聚合；所述前馈模块用于对输入数据进行特征提取和非线性映射，以使网络能够深入理解输入数据的结构和信息；所述第一时间序列分解模块用于提取输入其中的数据的周期项，并消除趋势项。
本实施例中，所述编码器具有层结构，第一层所述编码器的初始输入为经过所述预处理的所述第一点位的水质历史时序数据，第/>层所述编码器的输出表示为：
其中，
表示第/>层编码器中的第/>个第一时间序列分解模块的输出的周期项，/>表示自相关模块的输出，/>表示前馈模块的输出，/>表示第一时间序列分解模块的输出。
本实施例中，所述训练模型还包括解码器，所述解码器包括两个自相关模块、一个前馈模块和三个第二时间序列分解模块。
具体而言，所述解码器中的自相关模块和前馈模块的作用与所述编码器中的自相关模块和前馈模块相同；所述第二时间序列分解模块用于将输入数据分解为周期项与趋势项两部分。
本实施例中，所述解码器具有层结构，输出表示为：/>
其中，
、/>和/>分别表示第/>层解码器中的第/>个第二时间序列分解模块输出的周期项、趋势项和趋势项相应的权重。
本实施例中，所述预测模型的输出为，其中/>表示所述解码器的输出的权重。
具体而言，所述第一点位的规范化的时间序列数据经过外部时间序列分解模块分解为周期项、趋势项和噪声项，所述周期项和所述趋势项经过初始化后，输入到第一层所述解码器中。
示例性的，所述周期项的初始化策略为所述周期项的后半部分拼接0值至指定长度，所述趋势项的初始化策略为所述趋势项的后半部分拼接所述第一点位的规范化的时间序列数据的平均值至指定长度。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种水质预测模型训练方法，其特征在于，包括：
获取第一点位的水质历史时序数据和第一真实时序数据；
将所述水质历史时序数据输入到训练模型中进行训练，得到预测模型以及预测时序数据；
根据所述预测时序数据与所述第一真实时序数据计算各时间点的偏移量，将所述偏移量大于预设偏移量阈值的所述预测时序数据中的时间点标记为偏移数据点；
获取所述第一点位的上游点位的第二真实时序数据以及获取所述第一真实时序数据中的偏移数据段；
计算所述偏移数据段与所述第二真实时序数据中的对照数据段的相关性值；
若所述相关性值大于预设相关性阈值，则将所述偏移数据点设为待校正数据点；将所述待校正数据点输入所述训练模型形成反馈网络，以修正所述预测模型。
2.根据权利要求1所述的水质预测模型训练方法，其特征在于，若所述相关性小于预设相关性阈值，则将所述偏移数据点设为异常数据点。
3.根据权利要求1所述的水质预测模型训练方法，其特征在于，所述偏移数据段为以所述偏移数据点为中心，特定时间步长的所述第一真实时序数据中的数据段。
4.根据权利要求3所述的水质预测模型训练方法，其特征在于，所述对照数据段的时间步长表示如下：
；
其中，表示偏移数据段的时间步长，/>表示第一点位与上游点位之间的距离，/>表示河流的平均流速。
5.根据权利要求1所述的水质预测模型训练方法，其特征在于，所述偏移量表示如下：
；
其中，表示第一真实时序数据，/>表示预测时序数据。
6.根据权利要求1所述的水质预测模型训练方法，其特征在于，所述偏移数据段与所述对照数据段的相关性值表示如下：
；
其中，表示Copula密度函数，/>表示所述偏移数据段的边缘分布的累积分布函数，表示所述对照数据段的边缘分布的累积分布函数。
7.根据权利要求6所述的水质预测模型训练方法，其特征在于，通过一个距离衰减因子修正所述相关性值，以减弱所述第一点位与所述上游点位之间的距离对所述相关性值的影响，修正后的相关性值表示如下：
；
其中，表示距离衰减因子。
8.根据权利要求1所述的水质预测模型训练方法，其特征在于，所述水质历史时序数据输入所述训练模型之前还包括预处理，所述预处理包括归一化、异常值剔除和缺失值填充。
9.根据权利要求1所述的水质预测模型训练方法，其特征在于，所述训练模型包括编码器，所述编码器包括一个自相关模块、一个前馈模块和两个第一时间序列分解模块。
10.根据权利要求9所述的水质预测模型训练方法，其特征在于，所述训练模型还包括解码器，所述解码器包括两个自相关模块、一个前馈模块和三个第二时间序列分解模块。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410074370.3A CN117609792B (zh) | 2024-01-18 | 一种水质预测模型训练方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410074370.3A CN117609792B (zh) | 2024-01-18 | 一种水质预测模型训练方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117609792A true CN117609792A (zh) | 2024-02-27 |
| CN117609792B CN117609792B (zh) | 2024-06-11 |
Family
ID=
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110348701A (zh) * | 2019-06-21 | 2019-10-18 | 华中科技大学 | 一种水库群防洪调度风险传递规律分析方法 |
| CN112801423A (zh) * | 2021-03-29 | 2021-05-14 | 北京英视睿达科技有限公司 | 空气质量监测数据的异常识别方法及装置、存储介质 |
| JP2021182189A (ja) * | 2020-05-18 | 2021-11-25 | 株式会社オリエンタルコンサルタンツ | 事故予測方法、コンピュータプログラム、事故予測装置及び学習モデル生成方法 |
| CN114662791A (zh) * | 2022-04-22 | 2022-06-24 | 重庆邮电大学 | 一种基于时空注意力的长时序pm2.5预测方法及系统 |
| CN114817851A (zh) * | 2021-01-27 | 2022-07-29 | 力合科技（湖南）股份有限公司 | 水质监测方法及设备 |
| CA3177620A1 (en) * | 2021-05-06 | 2022-11-06 | Strong Force Iot Portfolio 2016, Llc | Quantum, biological, computer vision, and neural network systems for industrial internet of things |
| CN115829120A (zh) * | 2022-11-29 | 2023-03-21 | 中国环境科学研究院 | 基于机器学习方法的水质预测预警系统 |
| CN116050571A (zh) * | 2022-11-18 | 2023-05-02 | 东莞理工学院 | 基于Transformer稀疏注意力机制的水质预测方法 |
| CN116128039A (zh) * | 2023-01-04 | 2023-05-16 | 上海威派格智慧水务股份有限公司 | 一种地表水体水质预测模型的构建方法和预测方法 |
| CN116151411A (zh) * | 2022-10-24 | 2023-05-23 | 杭州数澜科技有限公司 | 一种基于AutoFormer多特征时空融合的水位预测方法 |
| CN116434564A (zh) * | 2023-04-18 | 2023-07-14 | 阿里云计算有限公司 | 速度预测方法、设备及存储介质 |
| CN117390387A (zh) * | 2023-10-13 | 2024-01-12 | 宁波送变电建设有限公司荣耀物业分公司 | 一种基于lstm模型的河道水位预测方法及系统 |
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110348701A (zh) * | 2019-06-21 | 2019-10-18 | 华中科技大学 | 一种水库群防洪调度风险传递规律分析方法 |
| JP2021182189A (ja) * | 2020-05-18 | 2021-11-25 | 株式会社オリエンタルコンサルタンツ | 事故予測方法、コンピュータプログラム、事故予測装置及び学習モデル生成方法 |
| CN114817851A (zh) * | 2021-01-27 | 2022-07-29 | 力合科技（湖南）股份有限公司 | 水质监测方法及设备 |
| CN112801423A (zh) * | 2021-03-29 | 2021-05-14 | 北京英视睿达科技有限公司 | 空气质量监测数据的异常识别方法及装置、存储介质 |
| CA3177620A1 (en) * | 2021-05-06 | 2022-11-06 | Strong Force Iot Portfolio 2016, Llc | Quantum, biological, computer vision, and neural network systems for industrial internet of things |
| CN114662791A (zh) * | 2022-04-22 | 2022-06-24 | 重庆邮电大学 | 一种基于时空注意力的长时序pm2.5预测方法及系统 |
| CN116151411A (zh) * | 2022-10-24 | 2023-05-23 | 杭州数澜科技有限公司 | 一种基于AutoFormer多特征时空融合的水位预测方法 |
| CN116050571A (zh) * | 2022-11-18 | 2023-05-02 | 东莞理工学院 | 基于Transformer稀疏注意力机制的水质预测方法 |
| CN115829120A (zh) * | 2022-11-29 | 2023-03-21 | 中国环境科学研究院 | 基于机器学习方法的水质预测预警系统 |
| CN116128039A (zh) * | 2023-01-04 | 2023-05-16 | 上海威派格智慧水务股份有限公司 | 一种地表水体水质预测模型的构建方法和预测方法 |
| CN116434564A (zh) * | 2023-04-18 | 2023-07-14 | 阿里云计算有限公司 | 速度预测方法、设备及存储介质 |
| CN117390387A (zh) * | 2023-10-13 | 2024-01-12 | 宁波送变电建设有限公司荣耀物业分公司 | 一种基于lstm模型的河道水位预测方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| YINGYI CHEN 等: "A review of the artificial neural network models for water quality prediction", 《APPLIED SCIENCES》, vol. 102, 20 August 2020 (2020-08-20) * |
| 王鑫 等: "灌河口海域水生动物群落结构及分布特征", 《江苏海洋大学学报(自然科学版)》, vol. 32, no. 4, 15 December 2023 (2023-12-15) * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111967688B (zh) | 一种基于卡尔曼滤波器与卷积神经网络的电力负荷预测方法 | |
| CN112288193A (zh) | 基于注意力机制的gru深度学习的海洋站表层盐度预测方法 | |
| CN111461463B (zh) | 一种基于tcn-bp的短期负荷预测方法、系统及设备 | |
| CN112132333A (zh) | 一种基于深度学习的短期水质水量预测方法及系统 | |
| CN104573876A (zh) | 基于时序长记忆模型的风电场短期风速预测方法 | |
| CN111275255A (zh) | 一种混凝土坝变形监测预报模型的构建方法 | |
| CN111401573B (zh) | 一种工况状态建模与修正模型方法 | |
| CN112365029A (zh) | 用于空调负荷预测的缺失值处理方法及空调负荷预测系统 | |
| CN109615124B (zh) | 一种基于深度学习的scada主站负荷预测方法 | |
| CN106099932B (zh) | 一种考虑不确定性的时空相关性的日前计划潮流分析方法 | |
| CN111258984B (zh) | 工业大数据环境下的产品质量端-边-云协同预报方法 | |
| CN111079989A (zh) | 一种基于dwt-pca-lstm的供水公司供水量预测装置 | |
| CN104070083A (zh) | 一种基于集成pca-elm穿孔机导盘转速测量方法 | |
| CN115062272A (zh) | 一种水质监测数据异常识别及预警方法 | |
| Zheng et al. | Short-term load forecasting of power system based on neural network intelligent algorithm | |
| CN115145901A (zh) | 一种基于多尺度的时间序列预测方法及系统 | |
| CN115204035A (zh) | 基于多尺度时序数据融合模型的发电机组运行参数预测方法、装置及存储介质 | |
| Li et al. | Application of ARIMA and LSTM in relative humidity prediction | |
| CN116827350A (zh) | 基于云边协同的灵活用工平台智能监管方法及系统 | |
| CN111612242A (zh) | 一种基于lstm深度学习模型的电机状态参数预测方法 | |
| CN117609792B (zh) | 一种水质预测模型训练方法 | |
| CN117609792A (zh) | 一种水质预测模型训练方法 | |
| CN112700050A (zh) | 一种光伏电站超短期第1点功率预测方法及系统 | |
| CN115034422A (zh) | 基于波动识别和误差修正的风电短期功率预测方法和系统 | |
| CN112736902A (zh) | 一种基于stl分解的时间序列短期电力负荷预测方法 |
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 |