CN113505877A - 一种基于多任务学习的回归预测方法及应用 - Google Patents

一种基于多任务学习的回归预测方法及应用 Download PDF

Info

Publication number
CN113505877A
CN113505877A CN202110774315.1A CN202110774315A CN113505877A CN 113505877 A CN113505877 A CN 113505877A CN 202110774315 A CN202110774315 A CN 202110774315A CN 113505877 A CN113505877 A CN 113505877A
Authority
CN
China
Prior art keywords
data
layer
regression
model
convolution
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.)
Withdrawn
Application number
CN202110774315.1A
Other languages
English (en)
Inventor
殷波
魏志强
吴剑
孙雁
倪金
孙鲁宁
王俏俏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ocean University of China
Qingdao Haier Innovation Technology Co Ltd
Original Assignee
Ocean University of China
Qingdao Haier Innovation Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Ocean University of China, Qingdao Haier Innovation Technology Co Ltd filed Critical Ocean University of China
Priority to CN202110774315.1A priority Critical patent/CN113505877A/zh
Publication of CN113505877A publication Critical patent/CN113505877A/zh
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
    • G06F17/141—Discrete Fourier transforms
    • 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
    • G06N3/048—Activation functions
    • 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
    • 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"

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Mathematical Optimization (AREA)
  • Economics (AREA)
  • Mathematical Analysis (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Discrete Mathematics (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于多任务学***滑算法、多元散射校正以及中心化处理方法对原始数据进行预处理，转换成稳定的序列数据；还将原始数据通过短时傅里叶变换转换为二维频谱图；然后将预处理后的数据分两路输入到搭建的多任务卷积神经网络回归模型，分别将序列数据输入到模型的一维卷积中，将频谱图输入到模型的二维卷积中进行处理，实现在单一模型预测输出多属性值。

Description

一种基于多任务学习的回归预测方法及应用
技术领域
本发明属于深度学习技术领域，特别涉及一种基于多任务学习的回归预测方法及应用。
背景技术
回归预测在很多的方面得到应用，比如疾病预测，天气预测，市场预测，股价预测，实时业务预报等方面。它从实际出发，提取数据特征，构建概率统计模型进行数据的分析与预测。
回归问题实际上是函数空间的优化问题，目的是求出因变量关于自变量的函数，使损失函数的期望最小。回归问题按照自变量和因变量的关系，通常分为线性回归分析和非线性回归分析。在许多实际的问题中，其回归函数大多数是比较复杂的非线性函数。早期的研究中提出了多种多元线性回归方法，比如：Chang的主成分回归(PCR)、McCarty的偏最小二乘回归(PLSR)方法以及FrideMan的梯度提升回归树等。之后随着机器学习的发展，决策树、支持向量回归、遗传算法和Cubist等方法也被用来提升模型预测能力。但相对于传统的数学建模和机器学习方式，深度学习方法具备更高的计算效率和更强大的建模能力，能够自主地提取特征进行学习，挖掘复杂数据中的本质信息，从而提高了预测的准确性。但是，只是单一的使用模型预测无法提高学习效率。
现有的回归预测方法大多都是基于一种模型进行一种任务预测，对于现在大多都是进行的多种任务来说，难免耗时长、效率低，使我们无法同时得到预测多种属性。多任务学习是一种利用每个任务之间的相关性来训练和预测的学习框架，传统的STL方法一次只能学习一项特定的任务，这种方式训练出来的模型虽然总体性能不错，但是如果要地预测多种任务，每一个模型都需要重复的对数据进行特征提取、训练等操作，这样可能会造成耗时长并且在某些类别上预测准确性很低的情况。
发明内容
针对现有技术存在的不足，本发明提供一种基于多任务学习的回归预测方法及应用，搭建卷积神经网络回归模型实现多任务学习，实现在单一模型预测输出多属性值。
为了解决上述技术问题，本发明采用的技术方案是：
一种基于多任务学习的回归预测方法，包括：
步骤1、数据预处理：结合S-G卷积平滑算法、多元散射校正以及中心化处理方法对原始数据进行预处理，转换成稳定的序列数据；另外，将原始数据通过短时傅里叶变换转换为二维频谱图；
步骤2、搭建模型：将预处理后的数据分两路输入到搭建的多任务卷积神经网络回归模型，分别将序列数据输入到模型的一维卷积中，将频谱图输入到模型的二维卷积中进行处理；
步骤3、网络评估：从模型的回归拟合度和预测精度两个方面评估模型性能，采用决定系数(R2)、建模均方根误差(RMSEC)、预测均方根误差(RMSEP)和预测相对分析误差(RPD)来作为统一、客观的评价标准。
进一步的，原始数据通过预处理之后，作为模型的输入进入隐含层形成更为抽象的深层表示，经过卷积层、池化层提取并学习数据的内部特征，同时获取局部抽象特征映射，最后经过全连接层的信息整合，分别输出预测值。
进一步的，所述的多任务卷积神经网络回归模型的网络结构中，前面的卷积层和池化层为所有预测任务之间共享的隐藏层，用于每个任务学习数据中的共享特征；之后通过不同的全连接层分支进行特定的任务预测，分别如下：
序列数据首先通过第一路输入到网络中进行训练，第一层为具有64个滤波器的一维卷积层，之后添加最大池化层进行下采样操作，第三层为具有128滤波器的卷积层；之后构建残差模块，其中包括两层扩张系数分别为2和4的扩张卷积层以及参数完全相同的一维卷积层，并在残差模块内的每个扩张卷积层后使用Dropout正则化参数；接着采用全连接层将上一层的所有输出连接到下一层的所有输入，进行信息整合；
网络的第二路通过将频谱图作为输入，采用三层二维卷积层进行训练，并在卷积层中间添加池化层，来降低参数维度，防止网络过拟合；之后又通过Flatten层转换两路CNN提取的特征数据类型使其相加，最后三个任务独立训练，使用三个分支的全连接层来对应不同的任务预测输出。
进一步的，步骤1中所述的S-G卷积平滑算法公式如下：
Figure BDA0003153976120000031
式中，yk为波长k处理后得到的值，hi为平滑系数，H为归一化系数；在公式中使用平滑系数hi是为了在去除噪声峰值的同时减少操作对获取的有效信息的干扰，保留有用的数据信息；
所述的多元散射校正的计算过程包括如下步骤：
首先计算所有样本数据的平均值：
Figure BDA0003153976120000032
之后用
Figure BDA0003153976120000033
和Ai,j分别作为自变量和因变量进行一元线性回归操作，得到每个样本的线性平移量li和倾斜偏移量xi；
Figure BDA0003153976120000034
最后对每个样本数据进行校正：
Figure BDA0003153976120000035
上述各式中，A为建模集矩阵，n为样本数量，Ai是第i个样本的数据信息，xi和li是Ai与平均
Figure BDA0003153976120000036
之间的线性回归参数，可以对样本建模集的数据线性回归得出；多元散射校正(MSC)方法通过设置回归参数xi和li的数值大小，降低线性散射带来的影响；
所述的中心化处理方法计算过程公式(5)所示，
x﹡＝x-μσ (5)
其中x代表原始数据信息，μ为总体均值，σ为方差。
进一步的，步骤1中所述的短时傅里叶变换的计算公式如下所示：
Figure BDA0003153976120000037
其中，STFT(t,f)是t时刻的频谱，f(t+τ)为分析窗函数；STFT算法通过使用滑动窗口计算信号每个加窗部分的局部频谱来提供时频表示，从而可以很好地揭示信号的基本信息。
本发明还提供一种基于多任务学***稳的时间序列信号，通过短时傅里叶变换转换为二维频谱图，然后结合S-G卷积平滑算法、多元散射校正以及中心化处理方法对土壤光谱数据进行预处理，转换成稳定的序列数据；最后将预处理后的数据分两路输入到搭建的多任务卷积神经网络回归模型，同一网络模型中同时预测多种土壤养分属性。
与现有技术相比，本发明优点在于：
(1)根据建模性能的优劣反过来选择预处理方法，这样能够确定选择最优的方法处理数据。本发明结合卷积平滑、多元散射校正以及尺度缩放中心化用于数据预处理，去除了无关干扰因素，减少对分析结果的影响，使预测的结果更为准确。
(2)本发明提出提出将原始数据转换成频谱图的预处理方式，将非平稳的时间序列信号数据通过短时傅里叶变换转换为二维频谱图，从而更详细地表示数据特征，提高预测模型的精度。
(3)本发明在原来一种模型预测一种任务的基础上，挖掘数据特征之间的相关性，搭建多输入多输出的网络，通过输入经预处理后构建的稳定序列数据和频谱图，实现多种任务的同时预测。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例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他的附图。
图1为本发明的多任务卷积神经网络结构图。
具体实施方式
下面结合附图及具体实施例对本发明作进一步的说明。
一种基于多任务学习的回归预测方法，包括：
步骤1、数据预处理：结合S-G卷积平滑算法、多元散射校正以及中心化处理方法对原始数据进行预处理，转换成稳定的序列数据；另外，将原始数据通过短时傅里叶变换转换为二维频谱图。
下面分别介绍预处理方法。
(1)S-G卷积平滑算法
卷积平滑算法是对平滑窗口内的数据经过最小二乘拟合运算后得到样本的平滑点数据，它以加权的方式减少信息在平滑中的损失，强调中心点的中心作用，消除数据噪声。公式如下：
Figure BDA0003153976120000051
式中，yk为波长k处理后得到的值，hi为平滑系数，H为归一化系数；在公式中使用平滑系数hi是为了在去除噪声峰值的同时尽可能减少操作对获取的有效信息的干扰，保留有用的数据信息。
(2)多元散射校正(MSC)
目的是增加数据之间的相关性，计算过程包括如下步骤：
首先计算所有样本数据的平均值：
Figure BDA0003153976120000052
之后用
Figure BDA0003153976120000053
和Ai,j分别作为自变量和因变量进行一元线性回归操作，得到每个样本的线性平移量li和倾斜偏移量xi；
Figure BDA0003153976120000054
最后对每个样本数据进行校正：
Figure BDA0003153976120000055
上述各式中，A为建模集矩阵，n为样本数量，Ai是第i个样本的数据信息，xi和li是Ai与平均
Figure BDA0003153976120000056
之间的线性回归参数，可以对样本建模集的数据线性回归得出；MSC方法通过设置回归参数xi和li的数值大小，可有效降低线性散射带来的影响。
(3)均值中心化处理
为了消除标准之间的量纲和和取值范围差异的影响，在回归问题以及训练神经网络的过程中通常需要对原始数据进行中心化处理处理，可以消除尺度差异过大带来的不良影响。均值中心化处理可以消除由于数据尺度差异大而带来的干扰影响。其计算过程公式(5)所示，
x﹡＝x-μσ (5)
其中x代表原始数据信息，μ为总体均值，σ为方差。
因此，本发明首先经过S-G卷积平滑算法、多元散射校正以及中心化处理三种方式结合构建稳定的数据序列。
(4)短时傅里叶变换(STFT)算法
本方法就是在截取非平稳信号的局部平稳信号后，再采用傅里叶变换进行频域分析，计算公式如下所示：
Figure BDA0003153976120000061
其中，STFT(t,f)是t时刻的频谱，f(t+τ)为分析窗函数；STFT算法通过使用滑动窗口计算信号每个加窗部分的局部频谱来提供时频表示，从而可以很好地揭示信号的基本信息。
步骤2、搭建模型：将预处理后的数据分两路输入到搭建的多任务卷积神经网络回归模型，分别将序列数据输入到模型的一维卷积中，将频谱图输入到模型的二维卷积中进行处理。
本发明搭建多任务卷积神经网络回归模型用于回归预测。原始数据通过预处理之后，作为模型的输入进入隐含层形成更为抽象的深层表示，经过卷积层、池化层提取并学习数据的内部特征，同时获取更加有效和细致的局部抽象特征映射，最后经过全连接层的信息整合，分别输出预测值。
结合图1所示的多任务卷积神经网络结构，其中前面的卷积层和池化层为所有预测任务之间共享的隐藏层，这样使每个任务学习数据中的共享特征；之后通过不同的全连接层分支进行特定的任务预测，分别如下：
序列数据首先通过第一路输入到网络中进行训练，第一层为具有64个滤波器的一维卷积层，之后添加最大池化层进行下采样操作，第三层为具有128滤波器的卷积层；之后构建残差模块，其中包括两层扩张系数分别为2和4的扩张卷积层以及参数完全相同的一维卷积层，并在残差模块内的每个扩张卷积层后使用Dropout正则化参数；接着采用全连接层将上一层的所有输出连接到下一层的所有输入，进行信息整合。
网络的第二路通过将频谱图作为输入，采用三层二维卷积层进行训练，并在卷积层中间添加池化层，来降低参数维度，防止网络过拟合；之后又通过Flatten层转换两路CNN提取的特征数据类型使其相加，最后三个任务独立训练，使用三个分支的全连接层来对应不同的任务预测输出。并根据模型调优的结果，确定每个分支不同的神经元个数，从而更好地学习每个任务的独有特征。此外，网络采用ReLU作为激活函数并进行卷积核权重归一化，这样可以更稳定地训练网络。
步骤3、网络评估：从模型的回归拟合度和预测精度两个方面评估模型性能，采用决定系数(R2)、建模均方根误差(RMSEC)、预测均方根误差(RMSEP)和预测相对分析误差(RPD)来作为统一、客观的评价标准。具体方法可参考现有技术的网络模型评估方法，非本发明的创新点，此处不再赘述。
作为本发明另一实施例，还提供一种基于多任务学***稳的时间序列信号，通过短时傅里叶变换转换为二维频谱图，从而更详细地表示光谱特征。然后结合S-G卷积平滑算法、多元散射校正以及中心化处理方法对土壤光谱数据进行预处理，转换成稳定的序列数据，去除散射现象、基线漂移等无关干扰因素。最后将预处理后的数据分两路输入到搭建的多任务卷积神经网络回归模型，在原来一种模型预测一种养分的基础上，挖掘数据特征之间的相关性，实现同一网络模型中同时预测多种土壤养分属性。
综上所述，本发明采用多重预处理技术对数据进行预处理,去除了无关干扰因素的影响，可以减少对分析结果的干扰，使提出的特征更为精确，从而建立更加准确的预测模型。此外，本发明设计的多任务卷积网络模型，从模型的训练时间以及训练参数等方面，对比单属性预测效果较好，克服了单属性预测模型耗时长、效率低的局限性。
当然，上述说明并非是对本发明的限制，本发明也并不限于上述举例，本技术领域的普通技术人员，在本发明的实质范围内，做出的变化、改型、添加或替换，都应属于本发明的保护范围。

Claims (6)

1.一种基于多任务学习的回归预测方法，其特征在于，包括：
步骤1、数据预处理：结合S-G卷积平滑算法、多元散射校正以及中心化处理方法对原始数据进行预处理，转换成稳定的序列数据；另外，将原始数据通过短时傅里叶变换转换为二维频谱图；
步骤2、搭建模型：将预处理后的数据分两路输入到搭建的多任务卷积神经网络回归模型，分别将序列数据输入到模型的一维卷积中，将频谱图输入到模型的二维卷积中进行处理；
步骤3、网络评估：从模型的回归拟合度和预测精度两个方面评估模型性能，采用决定系数R2、建模均方根误差RMSEC、预测均方根误差RMSEP和预测相对分析误差RPD来作为评价标准。
2.根据权利要求1所述的基于多任务学习的回归预测方法，其特征在于，步骤2中，原始数据通过预处理之后，作为模型的输入进入隐含层形成更为抽象的深层表示，经过卷积层、池化层提取并学习数据的内部特征，同时获取局部抽象特征映射，最后经过全连接层的信息整合，分别输出预测值。
3.根据权利要求2所述的基于多任务学习的回归预测方法，其特征在于，步骤2中，所述的多任务卷积神经网络回归模型的网络结构中，前面的卷积层和池化层为所有预测任务之间共享的隐藏层，用于每个任务学习数据中的共享特征；之后通过不同的全连接层分支进行特定的任务预测，分别如下：
序列数据首先通过第一路输入到网络中进行训练，第一层为具有64个滤波器的一维卷积层，之后添加最大池化层进行下采样操作，第三层为具有128滤波器的卷积层；之后构建残差模块，其中包括两层扩张系数分别为2和4的扩张卷积层以及参数完全相同的一维卷积层，并在残差模块内的每个扩张卷积层后使用Dropout正则化参数；接着采用全连接层将上一层的所有输出连接到下一层的所有输入，进行信息整合；
网络的第二路通过将频谱图作为输入，采用三层二维卷积层进行训练，并在卷积层中间添加池化层，来降低参数维度，防止网络过拟合；之后又通过Flatten层转换两路CNN提取的特征数据类型使其相加，最后三个任务独立训练，使用三个分支的全连接层来对应不同的任务预测输出。
4.根据权利要求1-3任一项所述的基于多任务学***滑算法公式如下：
Figure FDA0003153976110000021
式中，yk为波长k处理后得到的值，hi为平滑系数，H为归一化系数；在公式中使用平滑系数hi是为了在去除噪声峰值的同时减少操作对获取的有效信息的干扰，保留有用的数据信息；
所述的多元散射校正的计算过程包括如下步骤：
首先计算所有样本数据的平均值：
Figure FDA0003153976110000022
之后用
Figure FDA0003153976110000023
和Ai,j分别作为自变量和因变量进行一元线性回归操作，得到每个样本的线性平移量li和倾斜偏移量xi；
Figure FDA0003153976110000024
最后对每个样本数据进行校正：
Figure FDA0003153976110000025
上述各式中，A为建模集矩阵，n为样本数量，Ai是第i个样本的数据信息，xi和li是Ai与平均
Figure FDA0003153976110000026
之间的线性回归参数，可以对样本建模集的数据线性回归得出；多元散射校正方法通过设置回归参数xi和li的数值大小，降低线性散射带来的影响；
所述的中心化处理方法计算过程公式(5)所示，
x﹡＝x-μσ (5)
其中x代表原始数据信息，μ为总体均值，σ为方差。
5.根据权利要求4所述的基于多任务学习的回归预测方法，其特征在于，步骤1中所述的短时傅里叶变换的计算公式如下所示：
Figure FDA0003153976110000027
其中，STFT(t,f)是t时刻的频谱，f(t+τ)为分析窗函数；STFT算法通过使用滑动窗口计算信号每个加窗部分的局部频谱来提供时频表示。
6.权利要求5所述的基于多任务学***稳的时间序列信号，通过短时傅里叶变换转换为二维频谱图，然后结合S-G卷积平滑算法、多元散射校正以及中心化处理方法对土壤光谱数据进行预处理，转换成稳定的序列数据；最后将预处理后的数据分两路输入到搭建的多任务卷积神经网络回归模型，同一网络模型中同时预测多种土壤养分属性。
CN202110774315.1A 2021-07-08 2021-07-08 一种基于多任务学习的回归预测方法及应用 Withdrawn CN113505877A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110774315.1A CN113505877A (zh) 2021-07-08 2021-07-08 一种基于多任务学习的回归预测方法及应用

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110774315.1A CN113505877A (zh) 2021-07-08 2021-07-08 一种基于多任务学习的回归预测方法及应用

Publications (1)

Publication Number Publication Date
CN113505877A true CN113505877A (zh) 2021-10-15

Family

ID=78012173

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110774315.1A Withdrawn CN113505877A (zh) 2021-07-08 2021-07-08 一种基于多任务学习的回归预测方法及应用

Country Status (1)

Country Link
CN (1) CN113505877A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114648152A (zh) * 2022-01-28 2022-06-21 江苏鼋博群智能技术有限公司 基于状态约束和时频特征的建筑能耗预测方法及***
CN115101149A (zh) * 2022-06-30 2022-09-23 曲阜师范大学 材料微观结构总能量预测方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110210644A (zh) * 2019-04-17 2019-09-06 浙江大学 基于深度神经网络集成的交通流量预测方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110210644A (zh) * 2019-04-17 2019-09-06 浙江大学 基于深度神经网络集成的交通流量预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
RUIXUE LI ET AL.: "Simultaneous Prediction of Soil Properties Using Multi_CNN Model", 《SENSORS 2020》, pages 1 - 18 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114648152A (zh) * 2022-01-28 2022-06-21 江苏鼋博群智能技术有限公司 基于状态约束和时频特征的建筑能耗预测方法及***
CN114648152B (zh) * 2022-01-28 2024-02-02 江苏鼋博群智能技术有限公司 基于状态约束和时频特征的建筑能耗预测方法及***
CN115101149A (zh) * 2022-06-30 2022-09-23 曲阜师范大学 材料微观结构总能量预测方法
CN115101149B (zh) * 2022-06-30 2024-05-24 曲阜师范大学 材料微观结构总能量预测方法

Similar Documents

Publication Publication Date Title
CN109493287B (zh) 一种基于深度学习的定量光谱数据分析处理方法
CN108900346B (zh) 基于lstm网络的无线网络流量预测方法
CN111862093A (zh) 一种基于图像识别的腐蚀等级信息处理方法及***
CN113505877A (zh) 一种基于多任务学习的回归预测方法及应用
CN107491784A (zh) 基于深度学习算法的烟叶近红外光谱定量建模方法及应用
CN110909928B (zh) 能源负荷短期预测方法、装置、计算机设备及存储介质
CN113313198B (zh) 一种基于多尺度卷积神经网络的刀具磨损预测方法
CN109284662B (zh) 一种基于迁移学习的水下声音信号分类方法
CN117114160A (zh) 一种短期光伏功率预测方法
CN114065996A (zh) 基于变分自编码学习的交通流预测方法
CN115800245A (zh) 基于sarima-随机森林组合模型的短期负荷预测方法
CN108228978B (zh) 结合互补集合经验模态分解的Xgboost时间序列预测方法
CN113408616B (zh) 基于pca-uve-elm的光谱分类方法
CN117688362A (zh) 基于多元数据特征增强的光伏功率区间预测方法及装置
CN116975535A (zh) 一种基于土壤环境监测数据的多参数数据分析方法
CN116663745A (zh) 一种基于pca_ dwt的lstm流域水流量预测方法
CN113723707A (zh) 一种基于深度学习模型的中长期径流趋势预测方法
CN114004147A (zh) 一种土壤湿润状态下同时预测多种土壤属性的方法
CN112465054A (zh) 一种基于fcn的多变量时间序列数据分类方法
Jadhav Wheat and Jowar Crop Yield Prediction Model using Ensemble Technique
CN114444752B (zh) 一种单变量多尺度预测方法
CN117648646B (zh) 基于特征选择和堆叠异构集成学习的钻采成本预测方法
CN116976490A (zh) 一种基于最大化互信息熵改进的多变量时序预测方法
CN117134330A (zh) 一种短期光伏发电功率预测方法
CN114462476A (zh) 一种基于进化算法和lstm的时间序列特征生成方法及装置

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
WW01 Invention patent application withdrawn after publication

Application publication date: 20211015

WW01 Invention patent application withdrawn after publication