CN111709578A - 一种短时船舶交通流预测方法、装置及存储介质 - Google Patents
一种短时船舶交通流预测方法、装置及存储介质 Download PDFInfo
- Publication number
- CN111709578A CN111709578A CN202010553824.7A CN202010553824A CN111709578A CN 111709578 A CN111709578 A CN 111709578A CN 202010553824 A CN202010553824 A CN 202010553824A CN 111709578 A CN111709578 A CN 111709578A
- Authority
- CN
- China
- Prior art keywords
- particle
- particles
- particle swarm
- population
- short
- 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
- 238000000034 method Methods 0.000 title claims abstract description 26
- 239000002245 particle Substances 0.000 claims abstract description 142
- 230000003044 adaptive effect Effects 0.000 claims abstract description 5
- 230000006870 function Effects 0.000 claims description 15
- 230000014509 gene expression Effects 0.000 claims description 7
- 230000007613 environmental effect Effects 0.000 claims description 6
- 230000001133 acceleration Effects 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims description 3
- 230000007547 defect Effects 0.000 abstract description 5
- 238000012706 support-vector machine Methods 0.000 description 6
- 238000005457 optimization Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000002860 competitive effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 239000003643 water by type Substances 0.000 description 1
Images
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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G3/00—Traffic control systems for marine craft
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Ocean & Marine Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Evolutionary Computation (AREA)
- Development Economics (AREA)
- Artificial Intelligence (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种短时船舶交通流预测方法,(1)采集船舶交通流数据,对群密度粒子群算法的参数进行初始化;(2)随机产生粒子群中的粒子位置及速度;(3)设置粒子群的适应度函数(4)计算粒子的增长量,正值时随机产生相同数目的粒子加入粒子群;否则计算各个粒子的适应值,删除适应度最小的相应数目的粒子;(5)采用PSO算法进行粒子群位置和速度的更新,并且更新个体最优点和全局最优点;(6)获取最优的SVR参数组合;(7)基于最优的SVR参数组合对短时船舶流量进行预测。因此能够克服传统的粒子群算法在进化后期收敛速度明显变慢,以及算法收敛到一定精度时,算法无法继续优化的缺点,可以有效的提高预测的精度。
Description
技术领域
本发明涉及船舶流量预测技术领域,尤其涉及一种短时船舶交通流预测方法、装置及存储介质。
背景技术
近些年来,随着经济的发展和对外贸易的进一步发展,通航水域的船舶数量也在大幅度的增加,所以船舶流量也在逐步增加。但是这也给管理者带来了巨大的挑战。因此,为了提高管理水平和避免航道的堵塞,对船舶流量进行科学、准确的预测是非常的重要,并且有着巨大的现实意义。
目前,在船舶交通流量预测方面用到的方法主要有线性回归分析法、神经网络、自回归积分移动平均模型(ARIMA)、卡尔曼滤波模型等。这些方法对于交通数据的处理能力很强,而且预测的精度也很高,得到了广泛的应用。但是,神经网络虽然可以近似于任何程度的复杂性,而且不需要事先了解问题的解决,但是却需要大量的样本数据,并且会陷入局部最优解,当要研究短时船舶流量,而且泛化能力较差。时间序列预测模型不能反映预测序列的其他相关因素,得到的预测系列容易受到相关因素的影响。卡尔曼滤波模型随着滤波步数的增加,预测精度会出现下降的情况。
在针对小样本的学***面,使得样本点与超平面的总偏差达到最小。在一个SVR 模型中,对精度影响最大的三个参数为:损失系数ε、惩罚系数C和核函数中σ2。所以想要建立预测最高的SVR模型,获得最优的参数组合就变得十分关键。
通常,SVR模型的参数选择还是凭着经验来选取,因此,得到的结果往往不是最优解。除此之外,常用的方法还有基于穷举思想的网格搜索法,这种方法的缺点是十分的耗时,因此这两种方法都无法得到最优的参数组合。
使用群智能优化算法可以有效地解决最优化问题,而且也得到了广泛的应用。粒子群算法在SVR模型的寻优方面也得到了广泛的应用,但是传统的粒子群算法存在着固有的缺点:在进化后期收敛速度明显变慢,以及算法收敛到一定精度时,算法无法继续优化。
发明内容
本发明的目的在于克服现有技术之缺陷,提供了一种短时船舶交通流预测方法、装置及存储介质,旨在能够克服传统的粒子群算法在进化后期收敛速度明显变慢,以及算法收敛到一定精度时,算法无法继续优化的缺点,可以有效的提高预测的精度。
本发明是这样实现的:
本发明提供一种短时船舶交通流预测方法,所述方法包括:
(1)采集船舶交通流数据集并进行处理,并且对群密度粒子群算法的参数进行初始化;
(2)随机产生粒子群中的粒子位置及速度;
(3)设置粒子群的适应度函数,以及对个体最优点和全局最优点进行初始化;
(4)计算粒子的增长量,如果为正值,则随机产生相同数目的粒子加入粒子群;如果为负值,计算各个粒子的适应值,并且删除适应度最小的相应数目的粒子;
(5)采用PSO算法进行粒子群位置和速度的更新,并且更新个体最优点和全局最优点,当更新的次数等于预先设置的迭代次数时,停止对粒子群的位置和速度进行更新;
(6)在预先设置的迭代次数时得到目标SVR参数组合即为最优的SVR参数组合;
(7)基于最优的SVR参数组合对短时船舶流量进行预测。
一种实现方式中,所述对群密度粒子群算法的参数进行初始化的步骤,包括:
对产生粒子的种群的个数k,每一个种群中的粒子数目Nk,加速系数ci,随机系数ri,惯性权重w,环境负荷量Qk以及种群的个体增长率m进行初始化。
一种实现方式中,在所述随机产生粒子群中的粒子位置及速度的步骤中,粒子位置的表达为:
粒子速度的表达为:
其中,其中ranij的取值范围是[0,1],i表示为一个粒子群中的粒子数目, j代表该粒子群的维度。
一种实现方式中,所述计算适应度的函数具体表达为:
一种实现方式中,所述计算粒子的增长量所采用的具体公式表达为:
其中,k表示种群的总个数,i和j分别表示种群Pi和种群Pj,Qi和Ni分别表示种群i的环境负荷量和种群数目,Nj表示种群j的种群数据, ai,j称为竞争系数,mi表示种群Pi的个体增长率;其中ai,j称为竞争系数,是种群Pj对于种群Pi的竞争作用。
一种实现方式中,所述采用PSO算法进行粒子群位置和速度的更新,并且更新个体最优点和全局最优点的具体公式表达为:
其中,j表示粒子,i表示粒子的特征维度,表示粒子j的第i个特征维度在t时刻的速度,表示粒子j的第i个特征维度在t时刻的位置,表示粒子j的第i个特征维度在t+1时刻的速度,表示粒子j的第i个特征维度在t+1时刻的位置,c1、c2均表示加速系数,r1、r2 均表示随机系数,w是惯性权重,表示粒子j在t时刻第i个特征的个体最优值的位置,该粒子群在t时刻第i个特征的全局最优值的位置,该粒子群的个数为k。
此外本发明还公开了一种短时船舶交通流预测装置,所述装置包括处理器、以及通过通信总线与所述处理器连接的存储器;其中,
所述存储器,用于存储短时船舶交通流预测程序;
所述处理器,用于执行所述短时船舶交通流预测程序,以实现任一项所述的短时船舶交通流预测步骤。
以及,公开了一种计算机存储介质,所述计算机存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以使所述一个或者多个处理器执行任一项所述的短时船舶交通流预测步骤。
应用本发明的短时船舶交通流预测方法,具有以下有益效果:本发明中所述的设置一定的迭代次数,得到最优的SVR参数组合,进行短时船舶流量的预测。具体的内容是:经过固定的迭代次数进行迭代后,输出的全局最优值即为最优的SVR参数值,进行短时的船舶交通流量预测。
附图说明
为了更清楚地说明本发明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发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它的附图。
图1为本发明实施例提供的短时船舶交通流预测方法的一种流程示意图;
图2为本发明实施例提供的短时船舶交通流预测方法一种具体应用示意图。
图3为本发明实施例提供的短时船舶交通流预测方法的另一种具体应用示意图。
图4为本发明实施例提供的短时船舶交通流预测方法的再一种具体应用示意图。
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它实施例,都属于本发明保护的范围。
参见图1和图2,本发明实施例提供本发明的目的是解决粒子群算法在进化后期收敛速度明显变慢,以及算法收敛到一定精度时,算法无法继续优化,从而不能得到最优的SVR参数的缺点。针对上述缺点,提出了一种基于种群密度的粒子群算法优化支持向量机回归,得到最优的参数组合来提高对短时船舶流量的预测精度。
(1)采集船舶交通流数据集并进行处理,并且对群密度粒子群算法的参数进行初始化;
(2)随机产生粒子群中的粒子位置及速度,设置适应度函数,以及对个体最优点和全局最优点进行初始化。
(3)计算粒子的增长量,如果为正值,则随机产生相同数目的粒子加入粒子群;如果为负值,计算各个粒子的适应值,并且删除适应度最小的相应数目的粒子;
(4)采用PSO算法进行粒子群位置和速度的更新,并且更新个体最优点和全局最优点。
(5)采用PSO算法进行粒子群位置和速度的更新,并且更新个体最优点和全局最优点,当更新的次数等于预先设置的迭代次数时,停止对粒子群的位置和速度进行更新;
(6)在预先设置的迭代次数时得到目标SVR参数组合即为最优的SVR参数组合;
(7)基于最优的SVR参数组合对短时船舶流量进行预测。
本发明中所述的对群密度粒子群算法的参数进行初始化,具体的内容为设置以下参数值:产生粒子的种群的个数k,每一个种群中的粒子数目Nk,加速系数ci,随机系数ri,惯性权重w。环境负荷量Qk,种群的个体增长率m。
本发明中所述的随机产生粒子群中的粒子位置及速度,设置适应度函数,以及对个体最优点和全局最优点进行初始化的具体的表达式为:
其中randij的取值范围是[0,1],粒子的位置X用一个三维数组来表示,i 表示为一个粒子群中的粒子数目,j代表该粒子群的维度,具体到SVR参数中,粒子群的每一维度分别为SVR中的三个参数,损失系数ε、惩罚系数G 和核函数中的σ2。粒子群的速度V也用一个三维数组来表示。适应度函数为 f(x),x即为粒子群中粒子的位置。将个体最优值和全局最优值初始化为0。
其中,适应度函数的具体表达为:
本发明中所述计算粒子的增长量,如果为正值,则随机产生相同数目的粒子加入粒子群;如果为负值,计算各个粒子的适应值,并且删除适应度最小的相应数目的粒子。具体的表达式为:
其中ai,j称为竞争系数,是种群Pj对于种群Pi的竞争作用。
本发明中所述采用PSO算法进行粒子群位置和速度的更新,并且更新个体最优点和全局最优点具体的表达式:
其中,j表示粒子,i表示粒子的特征维度,表示粒子j的第i个特征维度在t时刻的速度,表示粒子j的第i个特征维度在t时刻的位置,表示粒子j的第i个特征维度在t+1时刻的速度,表示粒子j的第i个特征维度在t+1时刻的位置,c1、c2均表示加速系数,r1、r2 均表示随机系数,w是惯性权重,表示粒子j在t时刻第i个特征的个体最优值的位置,该粒子群在t时刻第i个特征的全局最优值的位置,该粒子群的个数为k。
本发明中所述的设置一定的迭代次数,得到最优的SVR参数组合,进行短时船舶流量的预测。具体的内容是:经过固定的迭代次数进行迭代后,输出的全局最优值即为最优的SVR参数值,进行短时的船舶交通流量预测。
以下通过特定的实例说明本发明的实施方式,如图3和图4,本领域技术人员可由本说明书所叙述的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。
实例以某段航道断面的交通流量作为实验数据,选取一天24小时的船舶流量作为实验的数据集,选取2018-07-06、2018-07-11、2018-07-16、 2018-07-21、2018-07-23、2018-07-24、2018-07-25、2018-07-26的24×8 个小时的船舶流量共192个数据点作为训练样本,利用历史的船舶流量来预测未来的3天的船舶流量,以2018-07-28到2018-07-30三天的船舶流量作为测试样本。对下一时刻的流量qi(t+1)进行预测,首先要选择前当前时刻qi(t)和之前的同时刻的流量,作为模型的输入,即以 {qi(t),qi(t-1),qi(t-2)...qi(t-n)}作为训练集。适应度函数选择的是R2(决定系数),该值越大,说明模型的拟合优度越大,更能反映数据的变化,越可靠。
实例中的初始参数值如表1和表2所示,基于种群密度的PSO的参数值与PSO的参数值相同。
表1 SVR初始参数值
参数 | 初始值 |
惩罚系数C | [1,100] |
损失系数ε | [0.001,0.1] |
核函数系数σ<sup>2</sup> | [0.0001,0.1] |
表2基于种群密度的PSO初始参数值
参数 | 初始值 |
粒子群个数K | 3 |
单个粒子群粒子数N<sub>I</sub> | 30 |
增长率r<sub>i</sub> | 0.2 |
惯性权重w | 0.8 |
加速系数c<sub>1</sub>,c<sub>2</sub> | 2 |
环境负荷量Q<sub>i</sub> | 40 |
竞争系数a<sub>i,j</sub> | 各粒子群平均适应度比值 |
最大迭代次数max_iter | 50 |
为了比较3个模型(基于网格搜寻的SVR预测模型、基于PSO的SVR预测模型和基于种群密度的PSO-SVR预测模型)的预测结果,选取的评价指标是MSE(均方误差)和MAE(平均绝对误差)。计算公式分别是:
表3
从表2中可以得到,基于种群密度的PSO-SVR预测模型与基于PSO-SVR 预测模型的预测精度虽然相差不大,但是还是有所提高。明显优于基于网格搜寻的SVR模型,证明了基于种群密度的PSO-SVR的短时船舶流量预测方法的可行性与科学性。
此外本发明还公开了一种短时船舶交通流预测装置,所述装置包括处理器、以及通过通信总线与所述处理器连接的存储器;其中,
所述存储器,用于存储短时船舶交通流预测程序;
所述处理器,用于执行所述短时船舶交通流预测程序,以实现任一项所述的短时船舶交通流预测步骤。
以及,公开了一种计算机存储介质,所述计算机存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以使所述一个或者多个处理器执行任一项所述的短时船舶交通流预测步骤。
上述实施例仅例示性说明发明的原理及其功效,而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下,对上述实施例进行修饰或改变。因此,举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变,仍应由本发明的权利要求所涵盖。
Claims (8)
1.一种短时船舶交通流预测方法,其特征在于,所述方法包括:
(1)采集船舶交通流数据集并进行处理,并且对群密度粒子群算法的参数进行初始化;
(2)随机产生粒子群中的粒子位置及速度;
(3)设置粒子群的适应度函数,以及对个体最优点和全局最优点进行初始化;
(4)计算粒子的增长量,如果为正值,则随机产生相同数目的粒子加入粒子群;如果为负值,计算各个粒子的适应值,并且删除适应度最小的相应数目的粒子;
(5)采用PSO算法进行粒子群位置和速度的更新,并且更新个体最优点和全局最优点,当更新的次数等于预先设置的迭代次数时,停止对粒子群的位置和速度进行更新;
(6)在预先设置的迭代次数时得到目标SVR参数组合即为最优的SVR参数组合;
(7)基于最优的SVR参数组合对短时船舶流量进行预测。
2.根据权利要求1所述的方法,其特征在于,所述对群密度粒子群算法的参数进行初始化的步骤,包括:
对产生粒子的种群的个数,每一个种群中的粒子数目,加速系数,随机系数,惯性权重,环境负荷量以及种群的个体增长率进行初始化。
7.一种短时船舶交通流预测装置,其特征在于,所述装置包括处理器、以及通过通信总线与所述处理器连接的存储器;其中,
所述存储器,用于存储短时船舶交通流预测程序;
所述处理器,用于执行所述短时船舶交通流预测程序,以实现如权利要求1至6中任一项所述的短时船舶交通流预测步骤。
8.一种计算机存储介质,其特征在于,所述计算机存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以使所述一个或者多个处理器执行如权利要求1至6中任一项所述的短时船舶交通流预测步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010553824.7A CN111709578A (zh) | 2020-06-17 | 2020-06-17 | 一种短时船舶交通流预测方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010553824.7A CN111709578A (zh) | 2020-06-17 | 2020-06-17 | 一种短时船舶交通流预测方法、装置及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111709578A true CN111709578A (zh) | 2020-09-25 |
Family
ID=72540872
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010553824.7A Pending CN111709578A (zh) | 2020-06-17 | 2020-06-17 | 一种短时船舶交通流预测方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111709578A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113435056A (zh) * | 2021-07-08 | 2021-09-24 | 上海交通大学 | 基于svr与pso的盾构利用率预测与操作参数优化方法及*** |
-
2020
- 2020-06-17 CN CN202010553824.7A patent/CN111709578A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113435056A (zh) * | 2021-07-08 | 2021-09-24 | 上海交通大学 | 基于svr与pso的盾构利用率预测与操作参数优化方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103164742B (zh) | 一种基于粒子群优化神经网络的服务器性能预测方法 | |
CN112329934A (zh) | 一种基于改进麻雀搜索算法的rbf神经网络优化算法 | |
CN111709524A (zh) | 一种基于改进gwo算法的rbf神经网络优化方法 | |
CN107944648B (zh) | 一种大型船舶航速油耗率预测方法 | |
CN112232493A (zh) | 一种基于改进鲸鱼算法的rbf神经网络优化方法 | |
CN113722980A (zh) | 海洋浪高预测方法、***、计算机设备、存储介质、终端 | |
CN113240068A (zh) | 一种基于改进蚁狮算法的rbf神经网络优化方法 | |
CN111768028B (zh) | 一种基于深度强化学习的gwlf模型参数调节方法 | |
CN113469426A (zh) | 基于改进bp神经网络的光伏输出功率预测方法及*** | |
CN115511177A (zh) | 基于ingo-swgmn混合模型的超短期风速预测方法 | |
CN113361785A (zh) | 配电网短期负荷预测方法、装置、终端及存储介质 | |
CN110322075A (zh) | 一种基于混合优化rbf神经网络的景区客流量预测方法及*** | |
CN108983180A (zh) | 一种群智能高精度的雷达海杂波预报*** | |
CN112215412B (zh) | 溶解氧预测方法及装置 | |
CN116454863A (zh) | 一种基于改进天鹰优化算法的风电功率组合预测模型的最优权重确定方法 | |
Li et al. | Wind power prediction based on PSO-Kalman | |
CN115344927A (zh) | 基于工程历史数据的高拱坝施工仿真参数动态更新方法 | |
CN114708479A (zh) | 一种基于图结构和特征的自适应防御方法 | |
CN111709578A (zh) | 一种短时船舶交通流预测方法、装置及存储介质 | |
CN113341696A (zh) | 一种运载火箭姿态控制参数智能整定方法 | |
CN113128666A (zh) | 基于Mo-S-LSTMs模型的时间序列多步预测方法 | |
CN115994481A (zh) | 基于多组合的船舶运动姿态预测方法 | |
CN115496133A (zh) | 基于自适应在线学习的密度数据流聚类方法 | |
CN115034159A (zh) | 一种海上风电场的功率预测方法、装置、存储介质及*** | |
Liu et al. | A review of learning algorithm for radius basis function neural network |
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: 20200925 |
|
RJ01 | Rejection of invention patent application after publication |