RU2010140576A - Способ прогнозирования времени наступления и уровня паводков - Google Patents
Способ прогнозирования времени наступления и уровня паводков Download PDFInfo
- Publication number
- RU2010140576A RU2010140576A RU2010140576/08A RU2010140576A RU2010140576A RU 2010140576 A RU2010140576 A RU 2010140576A RU 2010140576/08 A RU2010140576/08 A RU 2010140576/08A RU 2010140576 A RU2010140576 A RU 2010140576A RU 2010140576 A RU2010140576 A RU 2010140576A
- Authority
- RU
- Russia
- Prior art keywords
- values
- point
- temperature field
- regional
- forecast
- Prior art date
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
1. Способ прогнозирования времени наступления и уровня паводков путем введения информации о предшествующих значениях хода ежесуточных признаков синоптической ситуации и уровня воды, включая предпрогнозные значения параметров и получения прогноза уровня воды, отличается тем, что ! в качестве предиктора используется вычисляемое значение в точке прогнозирования регионального градиента поля температуры, ! реализация способа осуществляется математической моделью нейронной сети, представляющей гибридную сеть с каскадным подключением слоя Кохонена и двухслойной персептронной сети, ! прогнозные значения параметров получаются путем сопоставления текущих значений с каким-либо кластером слоя Кохонена и последующей аппроксимацией прогнозных значений. ! 2. Способ по п.1, отличающийся тем, что в качестве предиктора используется значение в точке прогнозирования регионального градиента поля температуры, вычисляемого в плоской Декартовой системе координат. ! 3. Способ по п.1, отличающийся тем, что в качестве предиктора используется значение в точке прогнозирования регионального градиента поля температуры, вычисляемого в локальной области поля температуры, заданной граничными пунктами (граничными точками) наблюдений с известными значениями температур. ! 4. Способ по п.1, отличающийся тем, что в качестве предиктора используется значение регионального градиента поля температуры в точке прогнозирования gradTi0, вычисляемое как сумма градиентов температуры в точке прогнозирования относительно граничных точек gradTi0,j, выраженные через координаты векторов xj, yj ! . ! 5. Способ по п.1, отличающийся тем, что реализация способ�
Claims (10)
1. Способ прогнозирования времени наступления и уровня паводков путем введения информации о предшествующих значениях хода ежесуточных признаков синоптической ситуации и уровня воды, включая предпрогнозные значения параметров и получения прогноза уровня воды, отличается тем, что
в качестве предиктора используется вычисляемое значение в точке прогнозирования регионального градиента поля температуры,
реализация способа осуществляется математической моделью нейронной сети, представляющей гибридную сеть с каскадным подключением слоя Кохонена и двухслойной персептронной сети,
прогнозные значения параметров получаются путем сопоставления текущих значений с каким-либо кластером слоя Кохонена и последующей аппроксимацией прогнозных значений.
2. Способ по п.1, отличающийся тем, что в качестве предиктора используется значение в точке прогнозирования регионального градиента поля температуры, вычисляемого в плоской Декартовой системе координат.
3. Способ по п.1, отличающийся тем, что в качестве предиктора используется значение в точке прогнозирования регионального градиента поля температуры, вычисляемого в локальной области поля температуры, заданной граничными пунктами (граничными точками) наблюдений с известными значениями температур.
4. Способ по п.1, отличающийся тем, что в качестве предиктора используется значение регионального градиента поля температуры в точке прогнозирования gradTi0, вычисляемое как сумма градиентов температуры в точке прогнозирования относительно граничных точек gradTi0,j, выраженные через координаты векторов xj, yj
5. Способ по п.1, отличающийся тем, что реализация способа осуществляется математической моделью нейронной сети, входным вектором которой являются ход ежесуточных признаков синоптической ситуации, состоящий из значения регионального градиента поля температур, выраженного координатами, и соответствующего значения уровня воды за предшествующие восемь дней в точке прогнозирования.
6. Способ по п.1, отличающийся тем, что реализация способа осуществляется математической моделью нейронной сети, представляющей гибридную сеть с каскадным подключением слоя Кохонена и двухслойной персептронной сети, обученными на ежесуточных 20-ти летних данных по уровням воды и значениям регионального градиента поля температуры в точке прогнозирования, представляющих период естественного изменения климатической системы.
7. Способ по п.1, отличающийся тем, что реализация способа осуществляется математической моделью нейронной сети, распределяющим слоем которой является слой Кохонена, в процессе обучения накапливающий информацию о классах признаков хода синоптической ситуации, а именно уровня воды и значений регионального градиента поля температуры, в точке прогнозирования путем выделения кластеров значений соответствующих наблюденным синоптическим ситуациям.
8. Способ по п.1, отличающийся тем, что реализация способа осуществляется математической моделью нейронной сети, прогнозирующим слоем которой является двухслойная персептронная сеть.
9. Способ по п.1, отличающийся тем, что реализация способа осуществляется математической моделью нейронной сети, включающей слой Кохонена на выходе которого формируется вектор значений, соответствующий определенному классу признаков хода синоптической ситуации.
10. Способ по п.1, отличающийся тем, что реализация способа осуществляется математической моделью нейронной сети, первый персептронный слой которой на входе получает вектор значений, соответствующий определенному кластеру признаков хода синоптической ситуации, и на основе аппроксимации сложной нелинейной зависимости между значениями регионального градиента поля температуры в точке прогнозирования и уровнем воды вычисляют прогнозные значения регионального градиента поля температуры и уровня воды.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
RU2010140576/08A RU2480825C2 (ru) | 2010-10-04 | 2010-10-04 | Способ прогнозирования времени наступления и уровня паводков |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
RU2010140576/08A RU2480825C2 (ru) | 2010-10-04 | 2010-10-04 | Способ прогнозирования времени наступления и уровня паводков |
Publications (2)
Publication Number | Publication Date |
---|---|
RU2010140576A true RU2010140576A (ru) | 2012-04-10 |
RU2480825C2 RU2480825C2 (ru) | 2013-04-27 |
Family
ID=46031443
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
RU2010140576/08A RU2480825C2 (ru) | 2010-10-04 | 2010-10-04 | Способ прогнозирования времени наступления и уровня паводков |
Country Status (1)
Country | Link |
---|---|
RU (1) | RU2480825C2 (ru) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115440317A (zh) * | 2022-07-20 | 2022-12-06 | 中南大学 | 一种浸出铀浓度的预测方法及装置、电子设备、存储介质 |
CN115755219A (zh) * | 2022-10-18 | 2023-03-07 | 长江水利委员会水文局 | 基于stgcn的洪水预报误差实时校正方法及系统 |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2571470C2 (ru) * | 2013-10-24 | 2015-12-20 | Общество с ограниченной ответственностью "ТатАСУ" | Способ нейросетевого анализа данных телеметрии по фонду скважин |
US10510012B2 (en) | 2014-04-28 | 2019-12-17 | Microsoft Technology Licensing Llc | Real time interactive prediction |
RU169425U1 (ru) * | 2016-11-18 | 2017-03-16 | Федеральное государственное бюджетное образовательное учреждение высшего образования "Омский государственный технический университет" | Устройство прогнозирования электропотребления на основе многослойной нейронной сети |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2279699C2 (ru) * | 2002-11-28 | 2006-07-10 | Удмуртский государственный университет | Способ прогнозирования погоды |
WO2006002687A2 (en) * | 2004-06-30 | 2006-01-12 | Swiss Reinsurance Company | Method and system for automated location-dependent recognition of flood risks |
CN101634721B (zh) * | 2009-04-15 | 2011-08-31 | 华东师范大学第二附属中学 | 一种基于历史数据的台风水灾智能预警系统 |
-
2010
- 2010-10-04 RU RU2010140576/08A patent/RU2480825C2/ru active
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115440317A (zh) * | 2022-07-20 | 2022-12-06 | 中南大学 | 一种浸出铀浓度的预测方法及装置、电子设备、存储介质 |
CN115755219A (zh) * | 2022-10-18 | 2023-03-07 | 长江水利委员会水文局 | 基于stgcn的洪水预报误差实时校正方法及系统 |
CN115755219B (zh) * | 2022-10-18 | 2024-04-02 | 长江水利委员会水文局 | 基于stgcn的洪水预报误差实时校正方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
RU2480825C2 (ru) | 2013-04-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Jordehi | Enhanced leader particle swarm optimisation (ELPSO): An efficient algorithm for parameter estimation of photovoltaic (PV) cells and modules | |
Xiao et al. | An improved combination approach based on Adaboost algorithm for wind speed time series forecasting | |
Ghaderi et al. | Deep forecast: Deep learning-based spatio-temporal forecasting | |
Kani et al. | Very short-term wind speed prediction: A new artificial neural network–Markov chain model | |
Fei et al. | Wind speed prediction using the hybrid model of wavelet decomposition and artificial bee colony algorithm-based relevance vector machine | |
Vafaeipour et al. | Application of sliding window technique for prediction of wind velocity time series | |
KR101703981B1 (ko) | 강우예측을 이용한 하수처리시설의 제어방법 | |
CN105139264A (zh) | 一种基于粒子群算法小波神经网络的光伏发电量的预测方法 | |
CN104537891B (zh) | 一种船舶轨迹实时预测方法 | |
CN103164742A (zh) | 一种基于粒子群优化神经网络的服务器性能预测方法 | |
CN104217258B (zh) | 一种电力负荷条件密度预测方法 | |
RU2010140576A (ru) | Способ прогнозирования времени наступления и уровня паводков | |
Sun et al. | Staged icing forecasting of power transmission lines based on icing cycle and improved extreme learning machine | |
CN112907970B (zh) | 一种基于车辆排队长度变化率的可变车道转向控制方法 | |
Aslan et al. | Realization of Turkey’s energy demand forecast with the improved arithmetic optimization algorithm | |
Tian et al. | A network traffic hybrid prediction model optimized by improved harmony search algorithm | |
CN110837915A (zh) | 一种基于混合集成深度学习的电力系统低压负荷点预测及概率预测方法 | |
CN116050628A (zh) | 一种基于数字孪生的考虑预报不确定性的水库防洪优化调度方法 | |
CN107330538B (zh) | 一种气候变化条件下水库适应性调度规则编制的方法 | |
Billert et al. | A method of developing quantile convolutional neural networks for electric vehicle battery temperature prediction trained on cross-domain data | |
CN107301478A (zh) | 一种电缆线路短时负荷预测方法 | |
Badyalina et al. | Streamflow estimation at ungauged basin using modified group method of data handling | |
Gao et al. | The study of GRNN for wind speed forecasting based on Markov Chain | |
CN115907000A (zh) | 一种用于电力系统最优潮流预测的小样本学习方法 | |
KR101859109B1 (ko) | 강우예측을 이용한 저영향개발시설의 제어방법 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PD4A | Correction of name of patent owner |