CN117610423A - 一种基于非平稳时间序列的污水流量自演化预测方法 - Google Patents
一种基于非平稳时间序列的污水流量自演化预测方法 Download PDFInfo
- Publication number
- CN117610423A CN117610423A CN202311632033.3A CN202311632033A CN117610423A CN 117610423 A CN117610423 A CN 117610423A CN 202311632033 A CN202311632033 A CN 202311632033A CN 117610423 A CN117610423 A CN 117610423A
- Authority
- CN
- China
- Prior art keywords
- model
- sewage flow
- data
- time
- constructing
- 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
- 239000010865 sewage Substances 0.000 title claims abstract description 99
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 29
- 238000012549 training Methods 0.000 claims abstract description 19
- 230000007613 environmental effect Effects 0.000 claims abstract description 7
- 230000006870 function Effects 0.000 claims description 21
- 230000008569 process Effects 0.000 claims description 12
- 238000011176 pooling Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000011156 evaluation Methods 0.000 claims description 6
- 230000007246 mechanism Effects 0.000 claims description 6
- 238000013135 deep learning Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 5
- 238000004140 cleaning Methods 0.000 claims description 4
- 238000009826 distribution Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 238000013075 data extraction Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 description 5
- 230000004913 activation Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013179 statistical model Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 238000011423 initialization method Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 239000002351 wastewater 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
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种基于非平稳时间序列的污水流量自演化预测方法,包括以下步骤:步骤S1、收集历史污水流量数据;步骤S2、基于历史污水流量数据和相关环境因素数据,构建一个多变量模型;步骤S3、根据历史污水流量数据具有非平稳的特性,计算每个时间点污水流量的时变权重;步骤S4、构建卷积神经网络模型并进行训练,以多变量模型和时变权重为输入;步骤S5、利用步骤4经过训练的TV‑CNN模型预测未来污水流量;步骤S6、预测结果的反馈调整:将实际污水流量和预测污水流量进行对比,分析预测误差;通过反馈调整,根据实际情况对模型进行微调;通过构建多变量模型,计算时变权重和训练CNN模型,对污水流量进行了有效预测。
Description
技术领域
本发明涉及污水处理技术领域,具体涉及一种基于非平稳时间序列的污水流量自演化预测方法。
背景技术
污水处理和环境保护在全球范围内已经成为一个重大的挑战,而工业化和城镇化正在迅速推进。城市污水的排放对水体质量和生态系统造成严重影响,因此,预测和控制污水流量及其水质成为环境保护的重要任务。
随着信息技术、传感器技术、大数据分析和人工智能等技术的飞速发展,污水预测得到了更先进的技术支持和工具。传感器和数据采集设备的普及使得实时监测和数据收集成为可能,而大数据分析和机器学习技术的应用为污水预测提供了更准确和可靠的方法。
智慧城市的概念提出了将信息技术和互联网应用于城市管理和服务的新模式。通常以统计模型为基础来预测污水。这种方法使用历史数据来构建统计模型,例如回归模型、时间序列模型等,以预测未来的污水流量。该模型通过分析历史数据的趋势,以达到预测的效果。然而,这种方法的准确性受限于历史数据的质量和可用性,以及模型对未来变化的适应能力。
也有以物理模型为基础,模拟污水流动过程,运用物理方程及流体力学原理,并加以预测的。通过建模和模拟污水管网、雨水系统等,可对今后污水流量进行估算。物理模型的优点是,需要输入准确的参数和复杂的计算,但可以考虑雨水、管道特性等多种因素。
现有的污水流量预测方法主要依赖于历史数据进行预测,但是这些方法往往忽视了污水流量数据的非平稳性和多变量性,因此预测精度有限。而且,大数据处理时,存在计算效率低下,无法实现实时预测。
发明内容
本发明的目的在于针对现有技术的不足之处,提供一种基于非平稳时间序列的污水流量自演化预测方法,是一种准确性高、实用性强的预测方法,对于污水处理设备的运行管理。
本发明解决上述问题的技术方案为:一种基于非平稳时间序列的污水流量自演化预测方法,包括以下步骤:
步骤S1、收集历史污水流量数据;
步骤S2、构建多变量模型:基于历史污水流量数据和相关环境因素数据,先构建一个多变量模型;将影响因素纳入模型,影响因素包括降雨量、温度、人口密度;
步骤S3、计算时变权重:根据历史污水流量数据具有非平稳的特性,计算每个时间点污水流量的时变权重,以反映自演化过程中的动态变化;
步骤S4、训练TV-CNN模型:构建卷积神经网络模型并进行训练,以多变量模型和时变权重为输入;
步骤S5、污水流量预测:利用步骤4经过训练的TV-CNN模型预测未来污水流量;
步骤S6、预测结果的反馈调整:将实际污水流量和预测污水流量进行对比,分析预测误差;通过反馈调整,根据实际情况对模型进行微调。
进一步的,步骤S2具体步骤为:
步骤S2.1、数据预处理,将步骤S1收集的历史污水流量数据进行数据预处理,数据预处理包括数据清洗、遗漏值处理、数据标准化;
步骤S2.2、特征工程的构建,以时序特征捕捉时间序列数据的趋势和时序的滞后性污水流量值;
步骤S2.3、注意力机制模型构建,使用现有的深度学习框架来构建模型,查询、键和值的计算方式需要定义在构建注意力机制模型时;
步骤S2.4、模型训练与优化,通过随机梯度下降或它的变种来对模型进行优化;
步骤S2.5、模型评估与预测,在模型评估阶段,计算预测值和真实值之间的MSE,以评估模型的性能。
进一步的,步骤S3具体步骤包括:
步骤S3.1、确定衰减系数:根据污水资料不平滑时间序列的特性,综合分析污水资料,确定衰减系数;
步骤S3.2、计算每个时间点的未归一化权重:越近期的数据对于预测未来的重要性越大;因此,需要为每个数据点分配一个权重;
步骤S3.3、计算未归一化权数在所有时间点上的和:权数为概率分布,即权数为1;通过计算所有时间点的未归一化权重之和,并以其归一的方式进行处理;
步骤S3.4、计算每个时间点的时变权重。
进一步的,步骤S4具体过程为:
步骤S4.1、构建CNN模型输入层,采用多变量模型和时变权重作为输入;
步骤S4.2、设置多个污水流量数据提取特征的卷积层、池化层;
步骤S4.3、设置一个全连接层,用于输出预测的污水流量。
进一步的,所述步骤S4中,训练TV-CNN模型可以使用以下公式表示:
其中,表示时间点t的污水流量预测值,fCNN是CNN模型的函数,Xt,Xt-1,...,Xt-p是多变量模型中的历史污水流量数据,Wt是时间点t的时变权重。
进一步的,步骤6中,微调包括调整模型参数,更新数据集。
本发明具有有益效果:
本发明提供了一种基于非平稳时间序列的污水流量自演化预测方法,通过构建多变量模型,计算时变权重和训练CNN模型,对污水流量进行了有效预测;由于污水流量是非平稳时间序列,因此,这种预测方法通过时变权重的计算,克服了非平稳性给预测带来的困扰,提高了预测的准确性;此外,这种预测方法还考虑到了污水流量与多种环境因素的关系,使得预测结果更加符合实际情况。而且,这种预测方法还采用了CNN模型,利用了深度学习的优点,使得预测结果更加准确。
附图说明
图1为本发明的流程图。
具体实施方式
在本发明的描述中,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”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;可以是机械连接,也可以是电连接;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,可以通过具体情况理解上述术语在本发明中的具体含义。
如图1所示,一种基于非平稳时间序列的污水流量自演化预测方法,包括以下步骤:
步骤S1、收集历史污水流量数据,历史污水流量数据代表了不同时间点的污水流量情况;将这些数据视为一个非平稳时间序列X=X1,X2,...,Xn,其中X1表示第1个时间点的污水流量,X2表示第2个时间点的污水流量,以此类推,Xn表示第n个时间点的污水流量。
步骤S2、构建多变量模型:基于历史污水流量数据和相关环境因素数据,先构建一个多变量模型,作为后续自演化预测污水流量的输入;将影响因素纳入模型,例如降雨量、温度、人口密度等,可以更准确地预测未来的污水流量,并实现自演化的预测能力。具体步骤为:
步骤S2.1、数据预处理,将步骤S1收集的历史污水流量数据进行数据预处理,数据预处理包括数据清洗、遗漏值处理、数据标准化。
数据清洗:在实际操作中,对于那些明显错误的数据,如负雨量、负气温等,首先要排除。此外,对于明显离群的数据,也需要进行处理,首先定义了一个自编码器模型,然后使用均方误差(MSE)作为损失函数对其进行训练;经过训练,我们通过计算自编码器重构的数据与原数据之间的重构误差来检测异常值,通过计算自编码器重构后的数据与原数据之间我们设定了一个门槛,当某个数据点的重构误差超过这个门槛时,我们认为这是一个异常值。
遗漏值处理:可用插值或预测法填平遗漏值的数据。例如,在近邻K的基础上,以线性插值的方式进行预测。
数据标准化:使用Z-SCORE标准化,根据标准差将每个特征的值转化为其与平均值的差值。
步骤S2.2、特征工程的构建,以时序特征捕捉时间序列数据的趋势和时序的滞后性污水流量值。
计算过去一段时间内的平均污水流量、最大污水流量、最小污水流量等统计量作为统计特征。
时间序列数据通过傅立叶变换转换到频域,然后作为频域特征提取一些频域特征,例如主频率,能量谱密度等。根据以上几个特点进行特征项目的处理。
步骤S2.3、注意力机制模型构建,使用现有的深度学习框架来构建模型,深度学习框架采用TensorFlow或Pytorch。查询、键和值的计算方式需要定义在构建注意力机制模型时。
在构建模型时,还需要考虑其他细节,如选择适当的激活函数(如ReLU或tanh)、初始化方法等。具体的方法为:
假设有一组输入数据X={X1,X2,...,Xn},其中n是输入序列的长度。
首先,通过一层线性变换来计算查询(Query)、键(Key)和值(Value):
Q=X*Wq
K=X*Wk
V=X*Wv
其中Wq、Wk、Wv是需要学习的权重矩阵,*表示矩阵乘法。
然后,计算注意力分数。查询和键之间的点积,然后去掉一个平方根的缩放因子,一般是键的维度。计算公式如下:
scores=Q*KT/sqrt(dk)
其中dk是键的维度,KT表示矩阵转置,sqrt是平方根函数。
接着,计算注意力权重W。通过softmax函数处理注意力分数,softmax函数可以将任意实数转化为概率分布:softmax(z)i=exp(zi)/Σ(exp(zj))。
权重W的计算公式为:
W=softmax(scores)
其中,scores为注意力分数。
最后,输出是注意力权重和值的点积:
output=W*V
通常还会引入激活函数来引入非线性,例如ReLU或tanh,它们的公式分别为:
ReLU(x)=max(0,x)
tanh(x)=(exp(x)-exp(-x))/(exp(x)+exp(-x))
这些激活函数会应用到模型的每一层输出上。
步骤S2.4、模型训练与优化,通过随机梯度下降或它的变种来对模型进行优化。在训练过程中,需要设定适合自己的学习率,设定一个批次的大小。对于过拟合问题,通过在损失函数中增加一项来惩罚模型的复杂度,例如权重衰减,用正则化的方法来解决。此惩罚项一般为模型权重的平方与乘以正常数(此常数常被称为权重衰减系数)。这样,模型在最小化原始损失的同时,也会尽量保持权重小,从而降低模型的复杂度,避免过拟合。权重衰减的损失函数为:
其中,λ是权重衰减系数,wi是模型的权重,是所有权重的平方和。
步骤S2.5、模型评估与预测,在模型评估阶段,计算预测值和真实值之间的MSE,以评估模型的性能。
其中MSE的数学表达式为:
其中,Yi是第i个真实观察值,是第i个预测值,n是观察值的总数。均方误差的值越小,说明模型的预测效果越好。
步骤S3、计算时变权重:由于历史污水流量数据具有非平稳的特性,不同时间点的数据对于预测的重要性可能存在差异。所以计算每个时间点污水流量的时变权重,以反映自演化过程中的动态变化。具体步骤包括:
步骤S3.1、确定衰减系数:根据污水资料不平滑时间序列的特性,综合分析污水资料,确定衰减系数。其中,衰减系数α的取值对预测模型的性能有着显著的影响。首先,以经验为基础,设定一个可供查找的范围,一般情况下会在0.001到0.1之间取值。然后,确定一个衡量预测模型性能的损失函数。随后,在其搜寻区域内开展拉网式搜寻。对于每一个值,都计算时变权重,然后将这些时变权重带入模型预测检测集,分别计算其损失函数值,并在最后计算时选择使其损失函数值最小的值作为变权重的衰减系数。
步骤S3.2、计算每个时间点的未归一化权重:越近期的数据对于预测未来的重要性越大。因此,需要为每个数据点分配一个权重,这个权重能够反映出数据点在时间序列中的位置,即数据点的新旧程度。对于每个观测时间点t,t从1到n,我们计算其对应的未归一化权重,即exp(-α·t)。这个权重反映了随着时间的推移,每个观测点的重要性如何衰减。
步骤S3.3、计算未归一化权数在所有时间点上的和:权数为概率分布,即权数为1。这样,每个权重可以被解释为对应数据点的重要性或者贡献度。通过计算所有时间点的未归一化权重之和,并以其归一的方式进行处理,为保证为1。将所有未归一化权的时间节点相加,即计算
步骤S3.4、计算每个时间点的时变权重:对于每个观测时间点t,其时变权重Wt等于该时间点的未归一化权重除以所有时间点的未归一化权重之和,即 这个步骤完成了权重的归一化处理,保证所有时变权重之和为1。
步骤S4、训练TV-CNN模型:构建卷积神经网络模型并进行训练,以多变量模型和时变权重为输入;通过TV-CNN模型的训练,我们能够捕捉到自演化过程中的时序特征,并学习污水流量的自动演化规律。具体过程为:
步骤S4.1、构建CNN模型输入层,采用多变量模型和时变权重作为输入;
步骤S4.2、设置多个污水流量数据提取特征的卷积层、池化层;
步骤S4.3、设置一个全连接层,用于输出预测的污水流量。
上述方案中,所述步骤S4中,训练TV-CNN模型可以使用以下公式表示:
其中,表示时间点t的污水流量预测值,fCNN是CNN模型的函数,Xt,Xt-1,...,Xt-p是多变量模型中的历史污水流量数据,Wt是时间点t的时变权重。
该模型的主要在于处理时间序列数据时,考虑到污水时序数据中的非平稳和多变量性,考虑在多变量模型的基础上运用时变权重的概念,以更好地捕捉非平稳时间序列数据的动态特征。
在TV-CNN模型中,在每个时间点t,输入向量为Xt,元素包括该时间点的多变量数据xt∈及对应的时变权重/>多变量数据xt可以包括各种与预测目标相关的因素,比如降雨量、人口密度、节假日等,而时变权重wt表示这些因素随时间的变化情况。
利用卷积层和池化层,TV-CNN模型对时间序列数据进行特征提取。具体地说,设卷积层的输出为hi,则有hi=f(Wi*hi-1+bi),其中Wi和bi是表示卷积操作的层的权重和偏置,f是ReLU函数等非线性激活函数。接着,卷积层的输出会通过池化层进行降维处理,设第i个池化层的输出为pi,则有pi=g(hi),其中g是池化操作,如最大池化或平均池化。
TV-CNN模式的训练使用了一个损失函数,这个函数包含了时间的变权重量。设模型在时间点t的预测值为真实值为yt,则可以将损失函数写成
其中W是模型的参数。参数W的优化采用梯度递减为基础的优化算法。设在时间点t的参数为Wt,学习率为ηt,则参数的更新公式为
其中是损失函数L在Wt处的梯度。
为防止模型过拟合并提高其泛化能力,损失函数L中添加了正则化项R(W),其中R(W)可以是L1正则化|W|1或L2正则化|W|22。故目标函数变为minWL(W)+λR(W),其中λ是正则化系数。
步骤S5、污水流量预测:利用步骤4经过训练的TV-CNN模型预测未来污水流量。具体步骤包括:
步骤S5.1、将未来时间点的多变量模型和时变权重作为输入,输入到训练好的TV-CNN模型中;
步骤S5.2、通过TV-CNN模型计算出未来时间点的污水流量。
步骤S6、预测结果的反馈调整:将实际污水流量和预测污水流量进行对比,分析预测误差;通过反馈调整,根据实际情况对模型进行微调,包括调整模型参数,更新数据集等,保证模型预测的精度和实际应用的适应性。
以上所述,仅是本发明的较佳实施例而已,并非是对本发明作其它形式的限制,任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例应用于其它领域,但是凡是未脱离本发明技术方案内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型,仍属于本发明技术方案的保护范围。
Claims (6)
1.一种基于非平稳时间序列的污水流量自演化预测方法,其特征在于:包括以下步骤:
步骤S1、收集历史污水流量数据;
步骤S2、构建多变量模型:基于历史污水流量数据和相关环境因素数据,先构建一个多变量模型;将影响因素纳入模型,影响因素包括降雨量、温度、人口密度;
步骤S3、计算时变权重:根据历史污水流量数据具有非平稳的特性,计算每个时间点污水流量的时变权重,以反映自演化过程中的动态变化;
步骤S4、训练TV-CNN模型:构建卷积神经网络模型并进行训练,以多变量模型和时变权重为输入;
步骤S5、污水流量预测:利用步骤4经过训练的TV-CNN模型预测未来污水流量;
步骤S6、预测结果的反馈调整:将实际污水流量和预测污水流量进行对比,分析预测误差;通过反馈调整,根据实际情况对模型进行微调。
2.如权利要求1所述的一种基于非平稳时间序列的污水流量自演化预测方法,其特征在于:步骤S2具体步骤为:
步骤S2.1、数据预处理,将步骤S1收集的历史污水流量数据进行数据预处理,数据预处理包括数据清洗、遗漏值处理、数据标准化;
步骤S2.2、特征工程的构建,以时序特征捕捉时间序列数据的趋势和时序的滞后性污水流量值;
步骤S2.3、注意力机制模型构建,使用现有的深度学习框架来构建模型,查询、键和值的计算方式需要定义在构建注意力机制模型时;
步骤S2.4、模型训练与优化,通过随机梯度下降或它的变种来对模型进行优化;
步骤S2.5、模型评估与预测,在模型评估阶段,计算预测值和真实值之间的MSE,以评估模型的性能。
3.如权利要求1所述的一种基于非平稳时间序列的污水流量自演化预测方法,其特征在于:步骤S3具体步骤包括:
步骤S3.1、确定衰减系数:根据污水资料不平滑时间序列的特性,综合分析污水资料,确定衰减系数;
步骤S3.2、计算每个时间点的未归一化权重:越近期的数据对于预测未来的重要性越大;因此,需要为每个数据点分配一个权重;
步骤S3.3、计算未归一化权数在所有时间点上的和:权数为概率分布,即权数为1;通过计算所有时间点的未归一化权重之和,并以其归一的方式进行处理;
步骤S3.4、计算每个时间点的时变权重。
4.如权利要求1所述的一种基于非平稳时间序列的污水流量自演化预测方法,其特征在于:步骤S4具体过程为:
步骤S4.1、构建CNN模型输入层,采用多变量模型和时变权重作为输入;
步骤S4.2、设置多个污水流量数据提取特征的卷积层、池化层;
步骤S4.3、设置一个全连接层,用于输出预测的污水流量。
5.如权利要求4所述的一种基于非平稳时间序列的污水流量自演化预测方法,其特征在于:所述步骤S4中,训练TV-CNN模型可以使用以下公式表示:
其中,表示时间点t的污水流量预测值,fCNN是CNN模型的函数,Xt,Xt-1,...,Xt-p是多变量模型中的历史污水流量数据,Wt是时间点t的时变权重。
6.如权利要求1所述的一种基于非平稳时间序列的污水流量自演化预测方法,其特征在于:步骤6中,微调包括调整模型参数,更新数据集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311632033.3A CN117610423A (zh) | 2023-11-30 | 2023-11-30 | 一种基于非平稳时间序列的污水流量自演化预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311632033.3A CN117610423A (zh) | 2023-11-30 | 2023-11-30 | 一种基于非平稳时间序列的污水流量自演化预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117610423A true CN117610423A (zh) | 2024-02-27 |
Family
ID=89955907
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311632033.3A Pending CN117610423A (zh) | 2023-11-30 | 2023-11-30 | 一种基于非平稳时间序列的污水流量自演化预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117610423A (zh) |
-
2023
- 2023-11-30 CN CN202311632033.3A patent/CN117610423A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109492822B (zh) | 空气污染物浓度时空域关联预测方法 | |
CN111563706A (zh) | 一种基于lstm网络的多变量物流货运量预测方法 | |
CN108445752B (zh) | 一种自适应选择深度特征的随机权神经网络集成建模方法 | |
CN112434848B (zh) | 基于深度信念网络的非线性加权组合风电功率预测方法 | |
CN113705877A (zh) | 基于深度学习模型的实时月径流预报方法 | |
CN114218872B (zh) | 基于dbn-lstm半监督联合模型的剩余使用寿命预测方法 | |
CN113325721B (zh) | 一种工业系统无模型自适应控制方法及系统 | |
CN112668775A (zh) | 一种基于时序卷积网络算法的空气质量预测方法 | |
Nourani et al. | A new hybrid algorithm for rainfall–runoff process modeling based on the wavelet transform and genetic fuzzy system | |
CN113486303A (zh) | 一种基于修饰模型集成的长时间序列预测方法 | |
CN113449919B (zh) | 一种基于特征和趋势感知的用电量预测方法及系统 | |
CN114252879A (zh) | 基于InSAR反演与多影响因子的大范围滑坡形变预测方法 | |
CN112766603A (zh) | 一种交通流量预测方法、系统、计算机设备及存储介质 | |
CN115310536A (zh) | 基于神经网络和gcn深度学习模型的水库水位预测预警方法 | |
CN115542429A (zh) | 一种基于XGBoost的臭氧质量预测方法及系统 | |
CN112784479A (zh) | 一种洪水流量预测的方法 | |
CN115128978A (zh) | 物联网环境大数据检测与智能监控系统 | |
CN114298134A (zh) | 风电功率预测方法及装置、电子设备 | |
CN116525135B (zh) | 基于气象因素的时空模型对疫情发展态势进行预测的方法 | |
Sari et al. | Daily rainfall prediction using one dimensional convolutional neural networks | |
CN113128666A (zh) | 基于Mo-S-LSTMs模型的时间序列多步预测方法 | |
CN116341391B (zh) | 基于STPM-XGBoost模型的降水预测方法 | |
CN116578858A (zh) | 基于图神经网络的空压机故障预测与健康度评价方法及系统 | |
CN116739168A (zh) | 一种基于灰色理论与编解码器的径流量预测方法 | |
CN116303786A (zh) | 一种基于多维数据融合算法的区块链金融大数据管理系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |