CN111768047A - 一种基于多特征数据、多模型的水流速度预测方法 - Google Patents
一种基于多特征数据、多模型的水流速度预测方法 Download PDFInfo
- Publication number
- CN111768047A CN111768047A CN202010633288.1A CN202010633288A CN111768047A CN 111768047 A CN111768047 A CN 111768047A CN 202010633288 A CN202010633288 A CN 202010633288A CN 111768047 A CN111768047 A CN 111768047A
- Authority
- CN
- China
- Prior art keywords
- feature
- characteristic
- model
- water flow
- flow velocity
- 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
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
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Measuring Volume Flow (AREA)
Abstract
本发明公开了一种基于多特征数据、多模型的水流速度预测方法,包括:步骤1,采集河床床面粗糙程度、水面坡降大小、断面形状规则程度、水流含沙量大小、测点离开床面的距离作为第一特征;步骤2,采集河道级别的变化处作为第二特征;步骤3,计算不同的两条河道轨迹的对应特征点的欧几里得距离;步骤4,为第一特征、第二特征和第三特征分配相应的权重,且第二特征的权重值大于第一特征和第三特征的权重值;步骤5,将第一特征、第二特征、第三特征及其相应的权重值输入流速预测模型,输出水流速度。本发明充分考虑河道级别的变化以及河道之间的间接作用对水流流速的影响,综合考虑了多种维度的特征数据,并将不同的数据输入至对应的最优算法进行计算,提高了流速预测模型的精度和准确度。
Description
技术领域
本发明涉及流体速度预测领域,具体涉及一种基于多特征数据、多模型的水流速度预测方法。
背景技术
传统的水流速度预测方法,多是通过采集河道当前的河床床面粗糙程度、水面坡降大小、断面形状规则程度、水流含沙量大小、测点离开床面的距离等少量数据存入数据库MySQL中,之后利用训练好的单一一种模型,统计分析这些数据来实现水流速度预测。但是这种方法的数据来源单一,使用模型单一,且并没有考虑河道级别的变化以及河道之间的间接作用对水流流速的影响,因此现有的模型预测精度较低,准确度不高。
发明内容
发明目的:本发明的目的是为了解决现有技术中的不足,提供一种基于多特征数据、多模型的水流速度预测方法,该预测方法,模型多样化,考虑到河道级别的变化以及河道之间的间接作用对水流流速的影响,因此具有预测精度高等优点。
技术方案:本发明所述的一种基于多特征数据、多模型的水流速度预测方法,包括如下步骤:
步骤1,采集河床床面粗糙程度、水面坡降大小、断面形状规则程度、水流含沙量大小、测点离开床面的距离作为第一特征;
步骤2,采集河道级别的变化处作为第二特征;
式中,pi和qi分别表示不同的两条河道轨迹的第i个对应特征点,n为总的特征点数量,i=1,2,…,n;
若所述欧几里得距离小于设定阈值,则将所述欧几里得距离作为第三特征;
步骤4,为第一特征、第二特征和第三特征分配相应的权重,且第二特征的权重大于第一特征和第三特征的权重;
步骤5,将第一特征、第二特征、第三特征及其相应的权重输入流速预测模型,输出水流速度。
进一步的,还包括:
所述流速预测模型包括人工神经网络模型、深度学习模型、朴素贝叶斯模型。
进一步的,还包括:
将第一特征输入人工神经网络模型;
将第二特征输入深度学习模型;
将第三特征输入朴素贝叶斯模型;
为计算出的三种结果分配权重值,得到最终的水流速度。
本发明还公开了一种基于多特征数据、多模型的水流速度预测***,所述***包括:
第一特征确定单元,用于采集河床床面粗糙程度、水面坡降大小、断面形状规则程度、水流含沙量大小、测点离开床面的距离作为第一特征;
第二特征确定单元,用于采集河道级别的变化处作为第二特征;
式中,pi和qi分别表示不同的两条河道轨迹的第i个对应特征点,n为总的特征点数量,i=1,2,…,n;
若所述欧几里得距离小于设定阈值,则将所述欧几里得距离作为第三特征;
权重分配单元,用于为第一特征、第二特征和第三特征分配相应的权重,且第二特征的权重大于第一特征和第三特征的权重;
输出单元,用于将第一特征、第二特征、第三特征及其相应的权重输入流速预测模型,输出水流速度。
进一步的,还包括:
所述流速预测模型包括人工神经网络模型、深度学习模型、朴素贝叶斯模型。
进一步的,还包括:
第一输入单元,用于将第一特征输入人工神经网络模型;
第二输入单元,用于将第二特征输入深度学习模型;
第三输入单元,用于将第三特征输入朴素贝叶斯模型;
最终预测单元,用于为计算出的三种结果分配权重值,得到最终的水流速度。
一种电子设备,所述电子设备包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现所述的方法。
一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现所述的方法。
有益效果:本发明充分考虑河道级别的变化以及河道之间的间接作用对水流流速的影响,综合考虑了多种维度的特征数据,并将不同的数据输入至对应的最优算法进行计算,提高了流速预测模型的精度和准确度。
附图说明
图1为本发明实施例的水流速度预测方法整体流程;
图2为本发明实施例的水流速度模型预测流程。
具体实施方式
下面详细描述本发明的实施方式,所述实施方式的示例在附图中示出。下面通过参考附图描述的实施方式是示例性的,仅用于解释本发明,而不能解释为对本发明的限制。
如图1所示,本发明的一种基于神经网络的水流速度预测方法,包括如下步骤:
一种基于多特征数据、多模型的水流速度预测方法,包括如下步骤:
步骤1,采集河床床面粗糙程度、水面坡降大小、断面形状规则程度、水流含沙量大小、测点离开床面的距离作为第一特征;
步骤2,采集河道级别的变化处作为第二特征;
式中,pi和qi分别表示不同的两条河道轨迹的第i个对应特征点,n为总的特征点数量,i=1,2,…,n;
若所述欧几里得距离小于设定阈值,则将所述欧几里得距离作为第三特征;
步骤4,为第一特征、第二特征和第三特征分配相应的权重,且第二特征的权重大于第一特征和第三特征的权重;
步骤5,将第一特征、第二特征、第三特征及其相应的权重输入流速预测模型,输出水流速度。
本实施例中优选地,上述方法还包括:其中流速预测模型包括人工神经网络模型、深度学习模型、朴素贝叶斯模型。
具体的如图2所示,上述方法还包括:
将第一特征输入人工神经网络模型;
将第二特征输入深度学习模型;
将第三特征输入朴素贝叶斯模型;
为计算出的三种结果分配权重值,得到最终的水流速度。本发明的预测模型中结合了人工神经网络模型、深度学习模型以及朴素贝叶斯模型,从而提高了预测准确度。
本实施例中,一种基于多特征数据、多模型的水流速度预测***,所述***包括:
第一特征确定单元,用于采集河床床面粗糙程度、水面坡降大小、断面形状规则程度、水流含沙量大小、测点离开床面的距离作为第一特征;
第二特征确定单元,用于采集河道级别的变化处作为第二特征;
式中,pi和qi分别表示不同的两条河道轨迹的第i个对应特征点,n为总的特征点数量,i=1,2,…,n;
若所述欧几里得距离小于设定阈值,则将所述欧几里得距离作为第三特征;
权重分配单元,用于为第一特征、第二特征和第三特征分配相应的权重,且第二特征的权重大于第一特征和第三特征的权重;
输出单元,用于将第一特征、第二特征、第三特征及其相应的权重输入流速预测模型,输出水流速度。
本实施例中,上述***还包括:
所述流速预测模型包括人工神经网络模型、深度学习模型、朴素贝叶斯模型。
进一步的,还包括:
第一输入单元,用于将第一特征输入人工神经网络模型;
第二输入单元,用于将第二特征输入深度学习模型;
第三输入单元,用于将第三特征输入朴素贝叶斯模型;
最终预测单元,用于为计算出的三种结果分配权重值,得到最终的水流速度。
另外,本实施例中还公开了一种电子设备,所述电子设备包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现上述的预测方法。
另外,一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述的预测方法。
本发明充分考虑河道级别的变化以及河道之间的间接作用对水流流速的影响,综合考虑了多种维度的特征数据,并将不同的数据输入至对应的最优算法进行计算,提高了流速预测模型的精度和准确度。
以上所述,仅是本发明的较佳实施例而已,并非对本发明作任何形式上的限制,虽然本发明已以较佳实施例揭露如上,然而并非用以限定本发明,任何熟悉本专业的技术人员,在不脱离本发明技术方案范围内,当可利用上述揭示的技术内容作出些许更动或修饰为等同变化的等效实施例,但凡是未脱离本发明技术方案的内容,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、等同变化与修饰,均仍属于本发明技术方案的范围内。
Claims (8)
1.一种基于多特征数据、多模型的水流速度预测方法,其特征在于:包括如下步骤:
步骤1,采集河床床面粗糙程度、水面坡降大小、断面形状规则程度、水流含沙量大小、测点离开床面的距离作为第一特征;
步骤2,采集河道级别的变化处作为第二特征;
式中,pi和qi分别表示不同的两条河道轨迹的第i个对应特征点,n为总的特征点数量,i=1,2,…,n;
若所述欧几里得距离小于设定阈值,则将所述欧几里得距离作为第三特征;
步骤4,为第一特征、第二特征和第三特征分配相应的权重,且第二特征的权重大于第一特征和第三特征的权重;
步骤5,将第一特征、第二特征、第三特征及其相应的权重输入流速预测模型,输出水流速度。
2.根据权利要求1所述的一种基于多特征数据、多模型的水流速度预测方法,其特征在于,还包括:
所述流速预测模型包括人工神经网络模型、深度学习模型、朴素贝叶斯模型。
3.根据权利要求2所述的一种基于多特征数据、多模型的水流速度预测方法,其特征在于,还包括:
将第一特征输入人工神经网络模型;
将第二特征输入深度学习模型;
将第三特征输入朴素贝叶斯模型;
为计算出的三种结果分配权重值,得到最终的水流速度。
4.一种基于多特征数据、多模型的水流速度预测***,其特征在于,所述***包括:
第一特征确定单元,用于采集河床床面粗糙程度、水面坡降大小、断面形状规则程度、水流含沙量大小、测点离开床面的距离作为第一特征;
第二特征确定单元,用于采集河道级别的变化处作为第二特征;
式中,pi和qi分别表示不同的两条河道轨迹的第i个对应特征点,n为总的特征点数量,i=1,2,…,n;
若所述欧几里得距离小于设定阈值,则将所述欧几里得距离作为第三特征;
权重分配单元,用于为第一特征、第二特征和第三特征分配相应的权重,且第二特征的权重大于第一特征和第三特征的权重;
输出单元,用于将第一特征、第二特征、第三特征及其相应的权重输入流速预测模型,输出水流速度。
5.根据权利要求4所述的一种基于多特征数据、多模型的水流速度预测***,其特征在于,还包括:
所述流速预测模型包括人工神经网络模型、深度学习模型、朴素贝叶斯模型。
6.根据权利要求4所述的一种基于多特征数据、多模型的水流速度预测***,其特征在于,还包括:
第一输入单元,用于将第一特征输入人工神经网络模型;
第二输入单元,用于将第二特征输入深度学习模型;
第三输入单元,用于将第三特征输入朴素贝叶斯模型;
最终预测单元,用于为计算出的三种结果分配权重值,得到最终的水流速度。
7.一种电子设备,其特征在于,所述电子设备包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如权利要求1-3中任一所述的方法。
8.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-3中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010633288.1A CN111768047B (zh) | 2020-07-04 | 2020-07-04 | 一种基于多特征数据、多模型的水流速度预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010633288.1A CN111768047B (zh) | 2020-07-04 | 2020-07-04 | 一种基于多特征数据、多模型的水流速度预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111768047A true CN111768047A (zh) | 2020-10-13 |
CN111768047B CN111768047B (zh) | 2022-05-27 |
Family
ID=72724030
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010633288.1A Active CN111768047B (zh) | 2020-07-04 | 2020-07-04 | 一种基于多特征数据、多模型的水流速度预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111768047B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113781528A (zh) * | 2021-08-26 | 2021-12-10 | 山东新一代信息产业技术研究院有限公司 | 一种基于光流计算的河流表面流速测算方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110378518A (zh) * | 2019-06-24 | 2019-10-25 | 浙江大学 | 一种采用lstm-narx混合模型的水下潮流预测方法 |
CN110672875A (zh) * | 2019-10-21 | 2020-01-10 | 中国科学院电子学研究所 | 基于Chirp-Z变换的表面水流速度检测方法 |
WO2020020088A1 (zh) * | 2018-07-23 | 2020-01-30 | 第四范式(北京)技术有限公司 | 神经网络模型的训练方法和***以及预测方法和*** |
CN111288973A (zh) * | 2020-01-23 | 2020-06-16 | 中山大学 | 海表流速获取方法、装置、计算机设备和存储介质 |
-
2020
- 2020-07-04 CN CN202010633288.1A patent/CN111768047B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020020088A1 (zh) * | 2018-07-23 | 2020-01-30 | 第四范式(北京)技术有限公司 | 神经网络模型的训练方法和***以及预测方法和*** |
CN110378518A (zh) * | 2019-06-24 | 2019-10-25 | 浙江大学 | 一种采用lstm-narx混合模型的水下潮流预测方法 |
CN110672875A (zh) * | 2019-10-21 | 2020-01-10 | 中国科学院电子学研究所 | 基于Chirp-Z变换的表面水流速度检测方法 |
CN111288973A (zh) * | 2020-01-23 | 2020-06-16 | 中山大学 | 海表流速获取方法、装置、计算机设备和存储介质 |
Non-Patent Citations (1)
Title |
---|
冯全 等: "基于机器视觉的河水表面流速估计", 《农业工程学报》, 31 October 2018 (2018-10-31) * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113781528A (zh) * | 2021-08-26 | 2021-12-10 | 山东新一代信息产业技术研究院有限公司 | 一种基于光流计算的河流表面流速测算方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111768047B (zh) | 2022-05-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108986470B (zh) | 粒子群算法优化lstm神经网络的行程时间预测方法 | |
TWI711983B (zh) | 一種商圈判定方法和裝置 | |
CN112435363B (zh) | 一种刀具磨损状态实时监测方法 | |
CN105046321B (zh) | 一种基于相似性搜索的组合模型预测水位的方法 | |
CN111310833B (zh) | 一种基于贝叶斯神经网络的出行方式识别方法 | |
CN109270927A (zh) | 道路数据的生成方法及装置 | |
CN103729550A (zh) | 基于传播时间聚类分析的多模型集成洪水预报方法 | |
CN111768047B (zh) | 一种基于多特征数据、多模型的水流速度预测方法 | |
CN103699678A (zh) | 一种基于多阶段分层采样的层次聚类方法和*** | |
CN114417852A (zh) | 基于Wasserstein自编码器和高斯混合分布作为先验的主题建模方法 | |
CN111709454A (zh) | 一种基于最优copula模型的多风电场出力聚类评估方法 | |
CN116187835A (zh) | 一种基于数据驱动的台区理论线损区间估算方法及*** | |
CN116933946A (zh) | 一种基于客流去向结构的轨道交通od客流预测方法及*** | |
CN110135114B (zh) | 河流设计最低通航水位的确定方法和装置 | |
CN106320257A (zh) | 基于水文观测的湖库槽蓄曲线确定方法 | |
CN106529075B (zh) | 一种考虑分时段的非线性模拟风速方法 | |
CN110751400B (zh) | 一种风险评估方法及装置 | |
CN111768046B (zh) | 一种基于神经网络的水流速度预测方法、***及电子设备 | |
CN106991817A (zh) | 多级路网路段交通容量确定方法 | |
CN111476402A (zh) | 耦合气象信息与emd技术的风电发电能力预测方法 | |
CN116308579A (zh) | 基于粒子群-svm的工程造价确定方法、***及产品 | |
CN108874974A (zh) | 基于频繁词集的并行化话题跟踪方法 | |
CN110991637B (zh) | 一种公司形象提升***的社交网络数据提取方法及*** | |
CN112016956B (zh) | 基于bp神经网络的矿石品位估值方法及装置 | |
CN113139692A (zh) | 基于dpso-anfis的弃渣坝变形预测方法 |
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 | ||
GR01 | Patent grant |