CN106991437A - 基于随机森林预测污水水质数据的方法及*** - Google Patents
基于随机森林预测污水水质数据的方法及*** Download PDFInfo
- Publication number
- CN106991437A CN106991437A CN201710163948.2A CN201710163948A CN106991437A CN 106991437 A CN106991437 A CN 106991437A CN 201710163948 A CN201710163948 A CN 201710163948A CN 106991437 A CN106991437 A CN 106991437A
- Authority
- CN
- China
- Prior art keywords
- sample
- random forest
- data
- quality data
- sewage 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/18—Water
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Food Science & Technology (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Medicinal Chemistry (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于随机森林预测污水水质数据的方法及***,包括以下步骤:在原始训练集中有放回地随机抽取样本,构建若干样本集;根据样本集的样本以及每个样本所属的污水指标属性选择***属性,依据***属性对样本集进行训练形成决策树;根据建立的多个决策树整合构建随机森林;获取待分类数据放入随机森林进行分类,根据环境因素变量采用投票方式得出未来一段时间的污水水质数据的预测结果。本发明提供一种基于随机森林预测污水水质数据的方法及***,目的在于建立融入了环境数据与污水水质数据的关系模型,根据实时监测所得的环境数据采用投票方式准确地预测出未来一段时间内的污水水质指标数据。
Description
技术领域
本发明涉及污水处理技术领域,特别涉及一种基于随机森林预测污水水质数据的方法及***。
背景技术
环境大数据可以说是错综复杂,地域不同、时间不同、风俗习惯的差异或政治经济方面的突发状况都有可能造成环境大数据的变化。所以,环境大数据其主要特点为:1)类别多而广,比如可按地域分类,按时间序列分析,还要考虑人文差异对当地环境指标的影响;2)数据量大,拿实时监控的城市污水数据来举例,其数据流动态增长,长度可能无限;3)不确定性高,不论是自然环境中指标的不确定性还是由于人类活动对环境的影响,都有一定的不确定性。
面对具有类别多,数据量大,不确定性等特点的环境实时数据以及污水水质数据。如何分析这两类实时数据的关系以及如何通过这些保存的历史数据来预测污水水质指标的数据一直是个难题。因为这些实时数据过于多而杂,如果简单的将所有的数据放在一起分析,不但很难建立模型结构来进行较为精准的预测,而且使得以后再利用根据预测出的污水水质情况来进行智能污水处理时的效率会大打折扣。
发明内容
本发明提供一种基于随机森林预测污水水质数据的方法及***,目的在于建立融入了环境数据与污水水质数据的关系模型,根据实时监测所得的环境数据采用投票方式准确地预测出未来一段时间内的污水水质指标数据,
为解决上述问题,本发明实施例提供一种基于随机森林预测污水水质数据的方法,包括以下步骤:
在原始训练集中有放回地随机抽取样本,构建若干样本集;
根据样本集的样本以及每个样本所属的污水指标属性选择***属性,依据***属性对样本集进行训练形成决策树;
根据建立的多个决策树整合构建随机森林;
获取待分类数据放入随机森林进行分类,根据环境因素变量采用投票方式得出未来一段时间的污水水质数据的预测结果。
作为一种实施方式,所述根据样本集的样本以及每个样本所属的污水指标属性选择***属性,包括以下步骤:
选择样本属性中信息增益最大的属性为***属性。
作为一种实施方式,所述选择样本属性中信息增益最大的属性为***属性,具体包括以下步骤:
获取样本集中任意样本分类的期望信息和按特定属性划分的子集的熵;
根据获取的信息求得该特定属性的信息增益;
获取样本集中其他属性的信息增益;
选择信息增益最大的属性作为样本集的***属性。
作为一种实施方式,所述获取样本集中任意样本分类的期望信息的计算公式为:
I(s1,s2,……,sm)=ΣPilog2(pi)(i=1,……,m),
其中,I(s1,s2,……,sm)为期望信息,S为当前选中的样本集,m为S的分类数目,Pi≈|Si/|S|,Ci为某分类标号,Pi为任意样本属于类Ci的概率,Si为分类Ci上的样本数;
所述获取按特定属性划分的子集的熵的计算公式为:
E(A)=Σ(s1j+……+sij)/s*I(s1j,……,sij),
其中,E(A)为按属性A划分的子集的熵,A为当前选定的特定属性,sij为样本集S按属性A划分为j个子集s1,s2,……,sj中子集sj的类Ci的样本数;
信息增益的计算公式为:Gain(A)=I(S1,S2,……,Sm)E(A)。
作为一种实施方式,所述获取待分类数据放入随机森林进行分类,根据环境因素变量采用投票方式得出未来一段时间的污水水质数据的预测结果,包括以下步骤:
根据随机森林采用投票方式得出分类结果,其中,每个决策树根据输入环境因素变量的分类结果计算公式为:
其中,H(x)表示随机森林分类结果,hi(x)是单个决策树分类结果,Y表示分类目标,I(·)为示性函数,x为输入的环境因素变量。
作为一种实施方式,还包括以下步骤:
根据原始训练集中有放回地随机抽取样本构建分类树,其随机向量序列为{θk,k=1,2,…,K},K为抽取样本的数量;
将每次未被抽到样本组成与分类树数量相同的袋外数据。
作为一种实施方式,所述获取待分类数据放入随机森林进行分类,根据环境因素变量采用投票方式得出未来一段时间的污水水质数据的预测结果,还包括以下步骤:
根据袋外数据,采用RF分类模型对投票方式得出的分类结果进行检验并完成最终的预测结果。
作为一种实施方式,所述根据样本集的样本以及每个样本所属的污水指标属性选择***属性也基于基尼指数、最小长度描述以及特征加权算法。
本发明还提供了一种基于随机森林预测污水水质数据的***,包括样本集构建模块、训练模块、随机森林构建模块以及预测模块;
所述样本集构建模块,用于在原始训练集中有放回地随机抽取样本,构建若干样本集;
所述训练模块,用于根据样本集的样本以及每个样本所属的污水指标属性选择***属性,依据***属性对样本集进行训练形成决策树;
所述随机森林构建模块,用于根据建立的多个决策树整合构建随机森林;
所述预测模块,用于获取待分类数据放入随机森林进行分类,根据环境因素变量采用投票方式得出未来一段时间的污水水质数据的预测结果。
本发明相比于现有技术的有益效果在于:在污水的处理环节中融入诸如季节、天气、气温等环境数据,消除环境数据对污水水质指标数的定性和定量的影响;对多个决策树的分类结果采用投票方式获取预测结果,并且通过RF分类模块对其进行检验并获得最终的预测结果;建立融入了环境数据与污水水质数据的关系模型,再加上实时监测所得的环境数据就可以很方便且较为准确地预测出未来一段时间内的污水水质指标数据,从而企业可以根据实时监测的环境和污水数据对未来一段时间内污水水质指标的数据进行预测,这样的话,企业就可以根据预测的水质数据,做到基于预测模型的泵站流量控制,以及确定污水处理时投放微生物、药剂的量和时间点,克服了传统的污水处理时凭经验判断泵站流量和添加药剂的人工操作,为污水的智能处理提供了强大的助力。
附图说明
图1为本发明的基于随机森林预测污水水质数据的方法的流程图;
图2为本发明的基于随机森林预测污水水质数据的方法的步骤S101的流程图;
图3为本发明的基于随机森林预测污水水质数据的方法的步骤S103的流程图。
具体实施方式
以下结合附图,对本发明上述的和另外的技术特征和优点进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明的部分实施例,而不是全部实施例。
如图1所示,一种基于随机森林预测污水水质数据的方法,其特征在于,包括以下步骤:
S100:在原始训练集中有放回地随机抽取样本,构建若干样本集;
S101:根据样本集的样本以及每个样本所属的污水指标属性选择***属性,依据***属性对样本集进行训练形成决策树,污水指标属性为污水中总磷、氨氮的含量以及污水的PH、COD(Chemical Oxygen Demand,化学需氧量)、BOD(Biochemical Oxygen Demand,生化需氧量)和SS(suspended solids,悬浮在水中的固体物质)等;
S102:根据建立的多个决策树整合构建随机森林;
S103:获取待分类数据放入随机森林进行分类,根据环境因素变量采用投票方式得出未来一段时间的污水水质数据的预测结果,环境因素变量包括季节、天气、气温等。
步骤S100还包括以下步骤:根据原始训练集中有放回地随机抽取样本构建分类树,其随机向量序列为{θk,k=1,2,…,K},K为抽取样本的数量;将每次未被抽到样本组成与分类树数量相同的袋外数据。
如图2所示,步骤S101具体包括以下步骤:
S200:获取样本集中任意样本分类的期望信息和按特定属性划分的子集的熵,其中,样本集中任意样本分类的期望信息的计算公式为:
I(s1,s2,……,sm)=ΣPilog2(pi)(i=1,……,m),
其中,I(s1,s2,……,sm)为期望信息,S为当前选中的样本集,m为S的分类数目,Pi≈|Si/|S|,Ci为某分类标号,Pi为任意样本属于类Ci的概率,Si为分类Ci上的样本数;
获取按特定属性划分的子集的熵的计算公式为:
E(A)=Σ(s1j+……+sij)/s*I(s1j,……,sij),
其中,E(A)为按属性A划分的子集的熵,A为当前选定的特定属性,sij为样本集S按属性A划分为j个子集s1,s2,……,sj中子集sj的类Ci的样本数;
S201:根据获取的期望信息和按特定属性划分的子集的熵求得该特定属性的信息增益,信息增益的计算公式为:Gain(A)=I(S1,S2,……,Sm)E(A);
S202:获取样本集中其他属性的信息增益;
S203:选择信息增益最大的属性作为样本集的***属性。
除上述方法外,步骤S101还包括通过基尼指数、最小长度描述以及特征加权算法选择***属性。
如图3所示,步骤103具体包括以下步骤:
S300:根据随机森林采用投票方式得出分类结果,其中,每个决策树根据输入环境因素变量的分类结果计算公式为:
其中,H(x)表示随机森林分类结果,hi(x)是单个决策树分类结果,Y表示分类目标,I(·)为示性函数,x为输入的环境因素变量;
S301:根据袋外数据,采用RF分类模型对投票方式得出的分类结果进行检验并完成最终的预测结果。其中,袋外数据为步骤S100中每次在原始训练集中有放回地随机抽取样本时未被抽到样本。
本发明一种基于随机森林预测污水水质数据的***,包括样本集构建模块、训练模块、随机森林构建模块以及预测模块;样本集构建模块用于在原始训练集中有放回地随机抽取样本,构建若干样本集;训练模块,用于根据样本集的样本以及每个样本所属的污水指标属性选择***属性,依据***属性对样本集进行训练形成决策树;随机森林构建模块用于根据建立的多个决策树整合构建随机森林;预测模块,用于获取待分类数据放入随机森林进行分类,根据环境因素变量采用投票方式得出未来一段时间的污水水质数据的预测结果。
本发明在污水的处理环节中融入诸如季节、天气、气温等环境数据,消除环境数据对污水水质指标数的定性和定量的影响;对多个决策树的分类结果采用投票方式获取预测结果,并且通过RF分类模块对其进行检验并获得最终的预测结果;建立融入了环境数据与污水水质数据的关系模型,再加上实时监测所得的环境数据就可以很方便且较为准确地预测出未来一段时间内的污水水质指标数据,从而企业可以根据实时监测的环境和污水数据对未来一段时间内污水水质指标的数据进行预测,这样的话,企业就可以根据预测的水质数据,做到基于预测模型的泵站流量控制,以及确定污水处理时投放微生物、药剂的量和时间点,克服了传统的污水处理时凭经验判断泵站流量和添加药剂的人工操作,为污水的智能处理提供了强大的助力。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步的详细说明,应当理解,以上所述仅为本发明的具体实施例而已,并不用于限定本发明的保护范围。特别指出,对于本领域技术人员来说,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 (9)
1.一种基于随机森林预测污水水质数据的方法,其特征在于,包括以下步骤:
在原始训练集中有放回地随机抽取样本,构建若干样本集;
根据样本集的样本以及每个样本所属的污水指标属性选择***属性,依据***属性对样本集进行训练形成决策树;
根据建立的多个决策树整合构建随机森林;
获取待分类数据放入随机森林进行分类,根据环境因素变量采用投票方式得出未来一段时间的污水水质数据的预测结果。
2.根据权利要求1中所述的基于随机森林预测污水水质数据的方法,其特征在于,所述根据样本集的样本以及每个样本所属的污水指标属性选择***属性,包括以下步骤:
选择样本属性中信息增益最大的属性为***属性。
3.根据权利要求2中所述的基于随机森林预测污水水质数据的方法,其特征在于,所述选择样本属性中信息增益最大的属性为***属性,具体包括以下步骤:
获取样本集中任意样本分类的期望信息和按特定属性划分的子集的熵;
根据获取的信息求得该特定属性的信息增益;
获取样本集中其他属性的信息增益;
选择信息增益最大的属性作为样本集的***属性。
4.根据权利要求3中所述的基于随机森林预测污水水质数据的方法,其特征在于,所述获取样本集中任意样本分类的期望信息的计算公式为:
I(s1,s2,……,sm)=∑Pilog2(pi)(i=1,……,m),
其中,I(s1,s2,……,sm)为期望信息,S为当前选中的样本集,m为S的分类数目,Pi≈|Si/S|,Ci为某分类标号,Pi为任意样本属于类Ci的概率,Si为分类Ci上的样本数;
所述获取按特定属性划分的子集的熵的计算公式为:
E(A)=∑(s1j+……+sij)/s*I(s1j,……,sij),
其中,E(A)为按属性A划分的子集的熵,A为当前选定的特定属性,sij为样本集S按属性A划分为j个子集s1,s2,……,sj中子集sj的类Ci的样本数;
信息增益的计算公式为:Gain(A)=I(S1,S2,……,Sm)E(A)。
5.根据权利要求1中所述的基于随机森林预测污水水质数据的方法,其特征在于,所述获取待分类数据放入随机森林进行分类,根据环境因素变量采用投票方式得出未来一段时间的污水水质数据的预测结果,包括以下步骤:
根据随机森林采用投票方式得出分类结果,其中,每个决策树根据输入环境因素变量的分类结果计算公式为:
其中,H(x)表示随机森林分类结果,hi(x)是单个决策树分类结果,Y表示分类目标,I(·)为示性函数,x为输入的环境因素变量。
6.根据权利要求5中所述的基于随机森林预测污水水质数据的方法,其特征在于,还包括以下步骤:
根据原始训练集中有放回地随机抽取样本构建分类树,其随机向量序列为{θk,k=1,2,…,K},K为抽取样本的数量;
将每次未被抽到样本组成与分类树数量相同的袋外数据。
7.根据权利要求6中所述的基于随机森林预测污水水质数据的方法,其特征在于,所述获取待分类数据放入随机森林进行分类,根据环境因素变量采用投票方式得出未来一段时间的污水水质数据的预测结果,还包括以下步骤:
根据袋外数据,采用RF分类模型对投票方式得出的分类结果进行检验并完成最终的预测结果。
8.根据权利要求2中所述的基于随机森林预测污水水质数据的方法,其特征在于,所述根据样本集的样本以及每个样本所属的污水指标属性选择***属性也基于基尼指数、最小长度描述以及特征加权算法。
9.一种基于随机森林预测污水水质数据的***,其特征在于,包括样本集构建模块、训练模块、随机森林构建模块以及预测模块;
所述样本集构建模块,用于在原始训练集中有放回地随机抽取样本,构建若干样本集;
所述训练模块,用于根据样本集的样本以及每个样本所属的污水指标属性选择***属性,依据***属性对样本集进行训练形成决策树;
所述随机森林构建模块,用于根据建立的多个决策树整合构建随机森林;
所述预测模块,用于获取待分类数据放入随机森林进行分类,根据环境因素变量采用投票方式得出未来一段时间的污水水质数据的预测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710163948.2A CN106991437A (zh) | 2017-03-20 | 2017-03-20 | 基于随机森林预测污水水质数据的方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710163948.2A CN106991437A (zh) | 2017-03-20 | 2017-03-20 | 基于随机森林预测污水水质数据的方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106991437A true CN106991437A (zh) | 2017-07-28 |
Family
ID=59412430
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710163948.2A Pending CN106991437A (zh) | 2017-03-20 | 2017-03-20 | 基于随机森林预测污水水质数据的方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106991437A (zh) |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108846259A (zh) * | 2018-04-26 | 2018-11-20 | 河南师范大学 | 一种基于聚类和随机森林算法的基因分类方法及*** |
CN109242203A (zh) * | 2018-09-30 | 2019-01-18 | 中冶华天南京工程技术有限公司 | 一种河流水质预测及水质影响因素评估方法 |
CN109408774A (zh) * | 2018-11-07 | 2019-03-01 | 上海海事大学 | 基于随机森林和梯度提升树的预测污水出水指标的方法 |
CN109492936A (zh) * | 2018-11-30 | 2019-03-19 | 中国联合网络通信集团有限公司 | 一种预测方法和装置 |
CN109711590A (zh) * | 2017-10-26 | 2019-05-03 | 中国电信股份有限公司 | 渔业水质分析监测方法、装置和*** |
CN109949863A (zh) * | 2019-02-18 | 2019-06-28 | 贵州茅台酒股份有限公司 | 一种基于随机森林模型鉴别大曲质量的方法 |
CN109961165A (zh) * | 2017-12-25 | 2019-07-02 | 顺丰科技有限公司 | 件量预测方法、装置、设备及其存储介质 |
CN110308255A (zh) * | 2019-05-08 | 2019-10-08 | 宁波大学 | 一种基于污染指示菌群对近海水体污染程度定量预测方法 |
CN110308705A (zh) * | 2019-06-19 | 2019-10-08 | 上海华高汇元工程服务有限公司 | 一种基于大数据和人工智能水质预测的设备控制方法 |
CN110751176A (zh) * | 2019-09-16 | 2020-02-04 | 中国水利水电科学研究院 | 一种基于决策树算法的湖泊水质预测方法 |
WO2020220823A1 (zh) * | 2019-04-30 | 2020-11-05 | 京东城市(南京)科技有限公司 | 用于构建决策树的方法和装置 |
CN112101789A (zh) * | 2020-09-16 | 2020-12-18 | 清华大学合肥公共安全研究院 | 一种基于人工智能的水污染报警等级识别方法 |
CN112819244A (zh) * | 2021-02-23 | 2021-05-18 | 浙江大学 | 一种基于气象因子的rf-hw水质指标混合预测方法 |
CN112949943A (zh) * | 2021-04-12 | 2021-06-11 | 重庆工商大学 | 一种基于***数据关联分析的污水处理进水水质预测方法 |
CN112995155A (zh) * | 2021-02-09 | 2021-06-18 | 中国工商银行股份有限公司 | 金融异常报文识别方法及装置 |
CN113344130A (zh) * | 2021-06-30 | 2021-09-03 | 广州市河涌监测中心 | 差异化巡河策略的生成方法及装置 |
CN114783547A (zh) * | 2022-04-02 | 2022-07-22 | 湖南水之源环保科技工程有限公司 | 一种精准污水分类处理方法 |
CN116343946A (zh) * | 2023-03-30 | 2023-06-27 | 重庆大学 | 基于神经网络的水污染决策方法及*** |
CN116542343A (zh) * | 2023-05-29 | 2023-08-04 | 苏州硕亚环保科技有限公司 | 一种用于水生态治理的微生物生长状况监测管理方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102183621A (zh) * | 2011-02-28 | 2011-09-14 | 中国农业大学 | 水产养殖溶解氧浓度在线预测方法及*** |
CN202002923U (zh) * | 2011-02-10 | 2011-10-05 | 中国农业大学 | 水质在线预测*** |
-
2017
- 2017-03-20 CN CN201710163948.2A patent/CN106991437A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN202002923U (zh) * | 2011-02-10 | 2011-10-05 | 中国农业大学 | 水质在线预测*** |
CN102183621A (zh) * | 2011-02-28 | 2011-09-14 | 中国农业大学 | 水产养殖溶解氧浓度在线预测方法及*** |
Non-Patent Citations (5)
Title |
---|
孙殿阁等: "《信息安全管理学》", 30 September 2014, 上海交通大学出版社 * |
张颖等: "基于随机森林分类算法的巢湖水质评价", 《环境工程学报》 * |
朱小栋等: "《数据挖掘原理与商务应用》", 31 March 2013, 立信会计出版社 * |
李慧: "一种改进的随机森林并行分类方法在运营商大数据的应用", 《中国优秀硕士学位论文全文数据库-信息科技辑》 * |
王海波等: "地表水水质影响因素研究进展", 《绿色科技》 * |
Cited By (29)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109711590A (zh) * | 2017-10-26 | 2019-05-03 | 中国电信股份有限公司 | 渔业水质分析监测方法、装置和*** |
CN109711590B (zh) * | 2017-10-26 | 2021-06-18 | 中国电信股份有限公司 | 渔业水质分析监测方法、装置和*** |
CN109961165B (zh) * | 2017-12-25 | 2023-11-28 | 顺丰科技有限公司 | 件量预测方法、装置、设备及其存储介质 |
CN109961165A (zh) * | 2017-12-25 | 2019-07-02 | 顺丰科技有限公司 | 件量预测方法、装置、设备及其存储介质 |
CN108846259B (zh) * | 2018-04-26 | 2020-10-23 | 河南师范大学 | 一种基于聚类和随机森林算法的基因分类方法及*** |
CN108846259A (zh) * | 2018-04-26 | 2018-11-20 | 河南师范大学 | 一种基于聚类和随机森林算法的基因分类方法及*** |
CN109242203A (zh) * | 2018-09-30 | 2019-01-18 | 中冶华天南京工程技术有限公司 | 一种河流水质预测及水质影响因素评估方法 |
CN109408774B (zh) * | 2018-11-07 | 2022-11-08 | 上海海事大学 | 基于随机森林和梯度提升树的预测污水出水指标的方法 |
CN109408774A (zh) * | 2018-11-07 | 2019-03-01 | 上海海事大学 | 基于随机森林和梯度提升树的预测污水出水指标的方法 |
CN109492936A (zh) * | 2018-11-30 | 2019-03-19 | 中国联合网络通信集团有限公司 | 一种预测方法和装置 |
CN109949863A (zh) * | 2019-02-18 | 2019-06-28 | 贵州茅台酒股份有限公司 | 一种基于随机森林模型鉴别大曲质量的方法 |
CN109949863B (zh) * | 2019-02-18 | 2023-05-26 | 贵州茅台酒股份有限公司 | 一种基于随机森林模型鉴别大曲质量的方法 |
WO2020220823A1 (zh) * | 2019-04-30 | 2020-11-05 | 京东城市(南京)科技有限公司 | 用于构建决策树的方法和装置 |
CN110308255A (zh) * | 2019-05-08 | 2019-10-08 | 宁波大学 | 一种基于污染指示菌群对近海水体污染程度定量预测方法 |
CN110308255B (zh) * | 2019-05-08 | 2021-11-02 | 宁波大学 | 一种基于污染指示菌群对近海水体污染程度定量预测方法 |
CN110308705A (zh) * | 2019-06-19 | 2019-10-08 | 上海华高汇元工程服务有限公司 | 一种基于大数据和人工智能水质预测的设备控制方法 |
CN110751176A (zh) * | 2019-09-16 | 2020-02-04 | 中国水利水电科学研究院 | 一种基于决策树算法的湖泊水质预测方法 |
CN112101789A (zh) * | 2020-09-16 | 2020-12-18 | 清华大学合肥公共安全研究院 | 一种基于人工智能的水污染报警等级识别方法 |
CN112995155A (zh) * | 2021-02-09 | 2021-06-18 | 中国工商银行股份有限公司 | 金融异常报文识别方法及装置 |
CN112995155B (zh) * | 2021-02-09 | 2023-04-07 | 中国工商银行股份有限公司 | 金融异常报文识别方法及装置 |
CN112819244A (zh) * | 2021-02-23 | 2021-05-18 | 浙江大学 | 一种基于气象因子的rf-hw水质指标混合预测方法 |
CN112819244B (zh) * | 2021-02-23 | 2022-06-21 | 浙江大学 | 一种基于气象因子的rf-hw水质指标混合预测方法 |
CN112949943A (zh) * | 2021-04-12 | 2021-06-11 | 重庆工商大学 | 一种基于***数据关联分析的污水处理进水水质预测方法 |
CN113344130B (zh) * | 2021-06-30 | 2022-01-11 | 广州市河涌监测中心 | 差异化巡河策略的生成方法及装置 |
CN113344130A (zh) * | 2021-06-30 | 2021-09-03 | 广州市河涌监测中心 | 差异化巡河策略的生成方法及装置 |
CN114783547A (zh) * | 2022-04-02 | 2022-07-22 | 湖南水之源环保科技工程有限公司 | 一种精准污水分类处理方法 |
CN116343946A (zh) * | 2023-03-30 | 2023-06-27 | 重庆大学 | 基于神经网络的水污染决策方法及*** |
CN116542343A (zh) * | 2023-05-29 | 2023-08-04 | 苏州硕亚环保科技有限公司 | 一种用于水生态治理的微生物生长状况监测管理方法 |
CN116542343B (zh) * | 2023-05-29 | 2023-11-10 | 苏州硕亚环保科技有限公司 | 一种用于水生态治理的微生物生长状况监测管理方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106991437A (zh) | 基于随机森林预测污水水质数据的方法及*** | |
Bagherzadeh et al. | Prediction of energy consumption and evaluation of affecting factors in a full-scale WWTP using a machine learning approach | |
Kumar et al. | Evaluating different machine learning models for runoff and suspended sediment simulation | |
Khishtandar | Simulation based evolutionary algorithms for fuzzy chance-constrained biogas supply chain design | |
Li et al. | Application of feature selection and regression models for chlorophyll-a prediction in a shallow lake | |
Dang et al. | Application of a hybrid neural-fuzzy inference system for mapping crop suitability areas and predicting rice yields | |
Anaokar et al. | Evaluation of a performance index for municipal wastewater treatment plants using MCDM–TOPSIS | |
Nhita | A rainfall forecasting using fuzzy system based on genetic algorithm | |
CN113159456A (zh) | 水质预测方法、装置、电子设备及存储介质 | |
CN116957838A (zh) | 一种基于知识图表示学习的农作物生长环境监测方法 | |
Al-Janabi et al. | Intelligent multi-level analytics of soft computing approach to predict water quality index (IM12CP-WQI) | |
Kim et al. | Assessment of the total organic carbon employing the different nature-inspired approaches in the Nakdong River, South Korea | |
CN113793645A (zh) | 一种基于机器学习模型的堆肥腐熟度预测方法 | |
Mirzaei et al. | Examining energy use efficiency and conducting an environmental life cycle assessment through the application of artificial intelligence: A case study on the production of cumin and fennel | |
Li et al. | Urban trip generation forecasting based on gradient boosting algorithm | |
Qi et al. | Prediction model and demonstration of regional agricultural carbon emissions based on Isomap–ACO–ET: a case study of Guangdong Province, China | |
Putro et al. | Modeling methane emission of wastewater Anaerobic pond at Palm oil mill using radial basis function neural network | |
Hasan et al. | An Artificial Intelligence-based Framework to Achieve the Sustainable Development Goals in the Context of Bangladesh | |
Nhita et al. | Implementation of Moving Average and Soft Computing algorithm to support planting season calendar forecasting system on mobile device | |
Hosseini-Moghari et al. | Application of statistical, fuzzy and perceptron neural networks in drought forecasting (case study: Gonbad-e Kavous Station) | |
Rubia et al. | Predictive Soil Analytics Using Data Mining Techniques | |
Naghdi et al. | Time prediction models of grapple skidder HSM 904 using multiple linear regressions (MLR) and adaptive neuro-fuzzy inference system (ANFIS) | |
Kapoor et al. | Water Treatment and Crop Recommendation Model Using Artificial Intelligence | |
Mirzania et al. | Prediction of monthly groundwater level using a new hybrid intelligent approach in the Tabriz plain, Iran | |
Olatunji et al. | Evolutionary optimization of biogas production from food, fruit, and vegetable (FFV) waste |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170728 |
|
RJ01 | Rejection of invention patent application after publication |