CN114881074A - 一种基于聚类-深度学习的工程结构变形预测方法 - Google Patents

一种基于聚类-深度学习的工程结构变形预测方法 Download PDF

Info

Publication number
CN114881074A
CN114881074A CN202210453654.4A CN202210453654A CN114881074A CN 114881074 A CN114881074 A CN 114881074A CN 202210453654 A CN202210453654 A CN 202210453654A CN 114881074 A CN114881074 A CN 114881074A
Authority
CN
China
Prior art keywords
data
monitoring
clustering
component
prediction
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
Application number
CN202210453654.4A
Other languages
English (en)
Other versions
CN114881074B (zh
Inventor
单伽锃
张茜
刘钰汶
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.)
Tongji University
Original Assignee
Tongji University
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 Tongji University filed Critical Tongji University
Priority to CN202210453654.4A priority Critical patent/CN114881074B/zh
Publication of CN114881074A publication Critical patent/CN114881074A/zh
Application granted granted Critical
Publication of CN114881074B publication Critical patent/CN114881074B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • G06N3/04—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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Signal Processing (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种基于聚类‑深度学习的工程结构变形预测方法，包括以下步骤：S1、实时采集实际工程中各监测项目中不同监测点的变形时序数据；S2、对采集到的变形时序数据进行预处理，包括异常点检测、数据重采样以及监测点聚类；S3、对预处理后的数据进行EMD分解，得到多个IMF分量和一个剩余分量；S4、将每个IMF分量和剩余分量分别输入对应的预测模型进行训练，通过训练后的预测模型获取对应的未来预测值，将各分量对应的未来预测值进行求和，得到最终该监测项目的变形预测值。与现有技术相比，本发明具有预测效果好，能够有效应对实际工程中各种不同监测变形数据，对实际工程应用具有参考价值，预测精确、改善预测滞后现象、降低计算量等优点。

Description

一种基于聚类-深度学习的工程结构变形预测方法
技术领域
本发明涉及工程结构变形预测领域，尤其是涉及一种基于聚类-深度学习的工程结构变形预测方法。
背景技术
随着社会经济的快速发展，大型建筑在人们的生活中占据的地位越来越高，当这些建筑在施工或服役阶段出现事故时，不仅会造成巨大的经济损失，阻碍城市的发展，还会带来人员伤亡。因此，在结构施工和运维过程中，对关键部位进行自动监测已成为不可缺少的内容，对监测数据进行分析，可以对结构的安全状态进行预测和评价，基于结构实测数据来建立科学的预测模型，能够及时、准确地掌握结构的变形发展趋势，有效地减少安全事故，对降低生命财产损失、保障结构安全性具有重要的意义。
国内外学者对变形预测模型做了大量研究工作，近年来，神经网络及其改进算法例如RNN、LSTM等在结构变形预测中得到充分应用。虽然LSTM预测模型能够充分利用历史信息，获得长时间的序列记忆，在一定程度上提高模型的预测性能，但是时间序列的预测结果准确性往往由输入数据的质量决定，实际工程中的物理量、监测点数量众多，空间分布较广，且数据大多存在非线性、非平稳的特征，对于这类复杂度较高的数据，LSTM很难通过调整超参数等方法来进一步提升模型的预测效果。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于聚类-深度学习的工程结构变形预测方法。
本发明的目的可以通过以下技术方案来实现：
一种基于聚类-深度学习的工程结构变形预测方法，包括以下步骤：
S1、实时采集实际工程中各监测项目中不同监测点的变形时序数据；
S2、对采集到的变形时序数据进行预处理，包括异常点检测、数据重采样以及监测点聚类；
S3、对预处理后的数据进行EMD分解，得到多个IMF分量和一个剩余分量；
S4、将每个IMF分量和剩余分量分别输入对应的预测模型进行训练，通过训练后的预测模型获取对应的未来预测值，将各分量对应的未来预测值进行求和，得到最终该监测项目的变形预测值。
所述的步骤S1中，实际工程包括地铁站基坑工程，监测项目包括墙顶水平位移、墙顶竖向位移、墙体变形、土体侧向变形、支撑立柱沉降、地面沉降、周边建(构)筑物沉降、倾斜以及裂缝，每个监测项目包括多个监测点。
所述的步骤S2中，异常点检测具体为：
采用滑动窗口的绝对中位差方法，对采集到的变形时序数据进行异常点检测和替换，即对每一个数据点，选取其前后设定长度范围内的数据作为当前监测点的异常值判断依据，对于检测到的异常值，采用异常值前后两个值的均值代替，达到数据清洗的效果。
所述的步骤S2中，数据重采样具体为：
为使预测模型所需数据采用统一的频率，对清洗后的数据进行重采样，根据实际需要，将清洗后的数据重采样为每天一次，具体地，将一天监测多次的数据进行下采样，以当天多次监测数据的均值作为当天的监测数值，将多天监测一次的数据进行上采样为成每天一次的频率，对于当天缺失部分的数值，采用三次样条插值的方式，填充当天的缺失值。
所述的步骤S2中，监测点聚类具体为：
对于监测点大于预设数量的监测项目，采用K-means聚类方法，对监测项目内部进行监测点的分类，以便对属于同一类别的监测点数据采用相同的预测模型进行训练。
所述的步骤S3具体包括以下步骤：
步骤S3.1：获取预处理后的原始数据X(t)中所有的极大值点和极小值点，并采用三次样条插值分别绘制极大值点的上包络线u0(t)和极小值点的下包络线l0(t)；
步骤S3.2：求取上包络线u0(t)和下包络线l0(t)的均值m0(t)；
步骤S3.3：将原始数据X(t)减去均值m0(t)得到分量d1(t)；
步骤S3.4：判断分量d1(t)是否满足EMD分解条件，若是，则将分量d1(t)作为第一个IMF分量imf1，若否，则将分量d1(t)作为新的待分解数据，重复步骤S3.1-3.3，直到获得的第k个分量dk(t)满足EMD分解条件或者满足停止标准SD，则将此时的分量dk(t)作为第一个IMF分量imf1；
步骤S3.5：将剩余分量r1＝X(t)-imf1作为新的待分解数据重复步骤S3.1-3.4，直到分解出n个IMF分量，或剩余分量rn小于设定值，或剩余分量rn变成单调函数，则最终EMD分解表示为：
Figure BDA0003617946340000031
其中，imfi为第i个IMF分量。
所述的步骤S3中，对预处理后的数据进行EMD分解，得到3个IMF分量和1个剩余分量。
所述的步骤S4中，预测模型具体为LSTM预测模型，具体结构包括一个全连接层、两个LSTM层和另一个全连接层，将个分量数据按比例划分数据集，并进行线性归一化处理后输入LSTM预测模型分别训练。
该方法还包括以下步骤：
步骤S5、选取评价指标，根据预测模型输出定性评价不同监测点数据的预测效果。
所述的步骤S5中，评价指标包括均方根误差RMSE、归一化的均方根误差NRMSE和均方根尺度误差RMSSE。
与现有技术相比，本发明具有以下优点：
本发明采用多种数据处理方法，考虑了实际工程监测项目在时间和空间分布上的相关性，移除了异常数据对后续分析的不利影响，全方位提高了原始时序数据的质量；此外，实际工程中的时间序列数据大多存在非线性、非平稳的特征，虽然直接采用深度学***稳的信号序列，具有很高的信噪比和良好的时频聚焦性，本发明采用经验模态分解算法，根据时序数据自身的特征，将其分解为不同尺度的平稳波动项(IMF分量)以及一个残差趋势项(剩余分量)，将这些分量分别代入LSTM模型进行预测，得到更精确的预测结果，预测滞后现象明显改善，另外采用监测点数据聚类使其在训练时使用同一个预测模型能够大大降低计算量，本发明具有较好的泛化能力，对实际工程应用有一定的参考价值。
附图说明
图1为本发明基于聚类-深度学习的工程结构变形预测方法的流程图。
图2为实施例中LSTM预测模型的结构示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。
实施例
如图1所示，本发明提供一种基于聚类-深度学习的工程结构变形预测方法，具体实施步骤如下：
步骤S1：实时采集并整理实际工程中不同测点的变形时序数据；
具体地，本发明采集并整理了某城市地铁站基坑工程的结构变形数据，监测项目包括墙顶水平位移、墙顶竖向位移、墙体变形、土体侧向变形、支撑立柱沉降、地面沉降、周边建(构)筑物沉降、倾斜以及裂缝，每个监测项目包括不同数量的监测点，不同监测点采集起始时间各异，同一监测点在不同施工进度阶段的监测频率也不同；
步骤S2：对采集到的变形时序数据进行预处理，包括异常点检测、数据重采样以及监测点聚类；
具体地，在利用监测仪器提取结构变形监测数据中不可避免会引入误差，这些误差的存在会导致后期数据分析失真，因此需要对监测和记录的变形值进行数据清洗，才能继续开展数据分析；此外，由于实际工程中，不同监测点的监测周期不同，同一监测点在不同施工阶段监测频率也会有变化，因此，本实施例中，选定一个监测项目后，对该项目所有测点原始数据分别进行异常点检测和替换、数据重采样以及监测点聚类；
步骤S3：对预处理后的数据进行EMD分解，分解成多个IMF分量和一个Residual残差项分量；
在本实施例中，为了控制输入数据的统一性，同时考虑分解的时效性和适用性，通过EMD分解将各监测点的数据分解为3个IMF分量和1个Residual残差项分量；
步骤S4：将EMD分解后所得到的分量分别送入各自的LSTM预测模型进行训练，之后利用训练好的模型，分别预测对应分量的未来值，最后将全部分量预测结果进行求和，最终得到实际的变形预测输出；
步骤S5：选取评价指标，根据模型输出定性评价不同监测点数据的预测效果。
在一种实施方式中，步骤S2具体包括：
步骤S2.1：采用滑动窗口的绝对中位差方法，对采集到的监测数据进行异常点检测和替换，即对每一个数据点，选取其前后固定长度的数据作为当前监测点的异常值判断依据，对于检测到的异常值，采用异常值前后两个值的均值代替，以此达到数据清洗的效果；
步骤S2.2：为了让预测模型所需数据采用统一的频率，对清洗后的数据进行重采样，根据实际需要，把原始的工程监测数据重采样为每天一次，具体地，将一天监测多次的数据进行下采样，按照当天数据的均值作为当天的监测数值，同时将多天监测一次的数据进行上采样，同样采样成每天监测一次的频率，对于当天缺失部分的数值，采用三次样条插值的方式，填充当天的缺失值；
步骤S2.3：对于监测点较多(大于预设数量)的监测项目，利用数据聚类的方式(本实施例中采用K-means聚类的方法)，在监测项目内部进行监测点的分类，对属于属于同一类别的监测点数据在步骤S4中采用相同的预测模型进行训练，以降低计算量；
在一种实施方式中，步骤S3中EMD分解的具体流程包括：
步骤S3中EMD分解的具体流程包括以下步骤：
步骤S3.1：对于预处理后的原始数据X(t)，确定其所有的极大值和极小值点，使用三次样条插值分别绘制极大值点的包络线u0(t)和极小值点的包络线l0(t)；
步骤S3.2：求出上下包络线均值m0(t)；
步骤S3.3：将原始数据X(t)减去均值m0(t)得到分量d1(t)＝X(t)-m0(t)；
步骤S3.4：判断d1(t)是否满足EMD分解的两个基本条件，如果满足，则作为第一个IMF分量；否则，将d1(t)作为新的数据X(t)，反复进行步骤S3.1-3.3，直到dk(t)满足EMD分解的两个基本条件或者满足停止标准SD(一般取值0.2-0.3)，则将dk(t)作为第一个IMF分量imf1；
步骤S3.5：将剩余分量r1＝X(t)-imf1作为新的待分解数据重复步骤S3.1-3.4，直到分解出n个分量或剩余分量rn小于预定值或者剩余分量变成单调函数则结束，最终EMD分解可以表示为：
Figure BDA0003617946340000061
在具体的实施过程中，原始数据最终通过EMD分解得到了3个IMF分量和1个Residual残差项分量；
在一种实施方式中，步骤S4中LSTM模型预测包括：
步骤S4.1：在LSTM细胞结构中，对于t时刻，通过元素值域在[0,1]的输入门It、遗忘门Ft、输出门Ot来控制隐藏状态中信息的流动：
It＝σ(XtWxi+Ht-1Whi+bi)
Ft＝σ(XtWxf+Ht-1Whf+bf)
Ot＝σ(XtWxo+Ht-1Who+bo)
步骤S4.2：根据确定被保存到长期记忆状态中的新信息，计算候选记忆细胞：
Figure BDA0003617946340000062
步骤S4.3：利用输入门、遗忘门、候选记忆细胞来更新当前状态：
Figure BDA0003617946340000063
步骤S4.4：利用输出门来控制从记忆细胞到隐藏状态的信息流动：
Ht＝Ot⊙tanh(Ct)
步骤S4.5：在上述神经单元结构的基础上搭建LSTM模型，如图2所示，构造由浅入深分别为一个全连接层(Dense Layer)、两个LSTM层(LSTM1 Layer、LSTM2 Layer)、一个全连接层(Dense Layer)，将EMD分解后的数据按比例划分数据集，并进行线性归一化处理，然后代入LSTM模型分别训练和预测，得到变形预测结果。
在一种实施方式中，步骤S5中预测效果评价指标包括：
评价指标包括均方根误差(Root Mean Square Error,RMSE)、归一化的均方根误差(Normalized Root Mean Square Error,NRMSE)、均方根尺度误差(Root Mean SquaredScaled Error,RMSSE)，具体表达式为：
(1)均方根误差(Root Mean Square Error,RMSE)：
Figure BDA0003617946340000064
(2)归一化的均方根误差(Normalized Root Mean Square Error,NRMSE)：
Figure BDA0003617946340000071
(3)均方根尺度误差(Root Mean Squared Scaled Error,RMSSE)：
Figure BDA0003617946340000072
上述三个式子中，m为待预测时间序列总长度，yi为第i个时间点的真实值，
Figure BDA0003617946340000073
为第i个时间点的预测值；norm_scaler为归一化尺度，本研究中norm_scaler为时间序列y的最大值与最小值之差。
具体地，在本实施例中，用RMSE来反映预测值和真实值之间的实际误差；用归一化RMSE即NRMSE来比较不同物理量之间的预测好坏差异；在此基础上，采用RMSSE来判断各自监测点内部预测结果的优劣，综合上述三个指标，即可从多个角度对预测结果进行客观评价，实施例结果证明，模型的预测效果较好。
本发明中所描述的具体实施例仅为本发明的优选实例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述实施例做各种修改或补充或采用类似的方式替代。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于聚类-深度学习的工程结构变形预测方法，其特征在于，包括以下步骤：
S1、实时采集实际工程中各监测项目中不同监测点的变形时序数据；
S2、对采集到的变形时序数据进行预处理，包括异常点检测、数据重采样以及监测点聚类；
S3、对预处理后的数据进行EMD分解，得到多个IMF分量和一个剩余分量；
S4、将每个IMF分量和剩余分量分别输入对应的预测模型进行训练，通过训练后的预测模型获取对应的未来预测值，将各分量对应的未来预测值进行求和，得到最终该监测项目的变形预测值。
2.根据权利要求1所述的一种基于聚类-深度学***位移、墙顶竖向位移、墙体变形、土体侧向变形、支撑立柱沉降、地面沉降、周边建(构)筑物沉降、倾斜以及裂缝，每个监测项目包括多个监测点。
3.根据权利要求1所述的一种基于聚类-深度学习的工程结构变形预测方法，其特征在于，所述的步骤S2中，异常点检测具体为：
采用滑动窗口的绝对中位差方法，对采集到的变形时序数据进行异常点检测和替换，即对每一个数据点，选取其前后设定长度范围内的数据作为当前监测点的异常值判断依据，对于检测到的异常值，采用异常值前后两个值的均值代替，达到数据清洗的效果。
4.根据权利要求3所述的一种基于聚类-深度学习的工程结构变形预测方法，其特征在于，所述的步骤S2中，数据重采样具体为：
为使预测模型所需数据采用统一的频率，对清洗后的数据进行重采样，根据实际需要，将清洗后的数据重采样为每天一次，具体地，将一天监测多次的数据进行下采样，以当天多次监测数据的均值作为当天的监测数值，将多天监测一次的数据进行上采样为成每天一次的频率，对于当天缺失部分的数值，采用三次样条插值的方式，填充当天的缺失值。
5.根据权利要求4所述的一种基于聚类-深度学习的工程结构变形预测方法，其特征在于，所述的步骤S2中，监测点聚类具体为：
对于监测点大于预设数量的监测项目，采用K-means聚类方法，对监测项目内部进行监测点的分类，以便对属于同一类别的监测点数据采用相同的预测模型进行训练。
6.根据权利要求1所述的一种基于聚类-深度学习的工程结构变形预测方法，其特征在于，所述的步骤S3具体包括以下步骤：
步骤S3.1：获取预处理后的原始数据X(t)中所有的极大值点和极小值点，并采用三次样条插值分别绘制极大值点的上包络线u0(t)和极小值点的下包络线l0(t)；
步骤S3.2：求取上包络线u0(t)和下包络线l0(t)的均值m0(t)；
步骤S3.3：将原始数据X(t)减去均值m0(t)得到分量d1(t)；
步骤S3.4：判断分量d1(t)是否满足EMD分解条件，若是，则将分量d1(t)作为第一个IMF分量imf1，若否，则将分量d1(t)作为新的待分解数据，重复步骤S3.1-3.3，直到获得的第k个分量dk(t)满足EMD分解条件或者满足停止标准SD，则将此时的分量dk(t)作为第一个IMF分量imf1；
步骤S3.5：将剩余分量r1＝X(t)-imf1作为新的待分解数据重复步骤S3.1-3.4，直到分解出n个IMF分量，或剩余分量rn小于设定值，或剩余分量rn变成单调函数，则最终EMD分解表示为：
Figure FDA0003617946330000021
其中，imfi为第i个IMF分量。
7.根据权利要求6所述的一种基于聚类-深度学习的工程结构变形预测方法，其特征在于，所述的步骤S3中，对预处理后的数据进行EMD分解，得到3个IMF分量和1个剩余分量。
8.根据权利要求1所述的一种基于聚类-深度学习的工程结构变形预测方法，其特征在于，所述的步骤S4中，预测模型具体为LSTM预测模型，具体结构包括一个全连接层、两个LSTM层和另一个全连接层，将个分量数据按比例划分数据集，并进行线性归一化处理后输入LSTM预测模型分别训练。
9.根据权利要求1所述的一种基于聚类-深度学习的工程结构变形预测方法，其特征在于，该方法还包括以下步骤：
步骤S5、选取评价指标，根据预测模型输出定性评价不同监测点数据的预测效果。
10.根据权利要求9所述的一种基于聚类-深度学习的工程结构变形预测方法，其特征在于，所述的步骤S5中，评价指标包括均方根误差RMSE、归一化的均方根误差NRMSE和均方根尺度误差RMSSE。
CN202210453654.4A 2022-04-24 2022-04-24 一种基于聚类-深度学习的工程结构变形预测方法 Active CN114881074B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210453654.4A CN114881074B (zh) 2022-04-24 2022-04-24 一种基于聚类-深度学习的工程结构变形预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210453654.4A CN114881074B (zh) 2022-04-24 2022-04-24 一种基于聚类-深度学习的工程结构变形预测方法

Publications (2)

Publication Number Publication Date
CN114881074A true CN114881074A (zh) 2022-08-09
CN114881074B CN114881074B (zh) 2023-08-08

Family

ID=82672828

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210453654.4A Active CN114881074B (zh) 2022-04-24 2022-04-24 一种基于聚类-深度学习的工程结构变形预测方法

Country Status (1)

Country Link
CN (1) CN114881074B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118092364A (zh) * 2024-04-22 2024-05-28 青岛海湾中水有限公司 一种基于a2o生物池工艺的数学模型辅助控制方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015184611A1 (zh) * 2014-06-05 2015-12-10 华为技术有限公司 网络设备、网络业务预测装置和方法
CN107153843A (zh) * 2017-05-03 2017-09-12 西安电子科技大学 基于支持向量机的地面沉降预测***和方法
CN107480341A (zh) * 2017-07-21 2017-12-15 河海大学 一种基于深度学习的大坝安全综合评判方法
CN110263846A (zh) * 2019-06-18 2019-09-20 华北电力大学 基于故障数据深度挖掘及学习的故障诊断方法
CN110322364A (zh) * 2019-06-19 2019-10-11 山东大学 一种短期光伏发电预测方法及***

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015184611A1 (zh) * 2014-06-05 2015-12-10 华为技术有限公司 网络设备、网络业务预测装置和方法
CN107153843A (zh) * 2017-05-03 2017-09-12 西安电子科技大学 基于支持向量机的地面沉降预测***和方法
CN107480341A (zh) * 2017-07-21 2017-12-15 河海大学 一种基于深度学习的大坝安全综合评判方法
CN110263846A (zh) * 2019-06-18 2019-09-20 华北电力大学 基于故障数据深度挖掘及学习的故障诊断方法
CN110322364A (zh) * 2019-06-19 2019-10-11 山东大学 一种短期光伏发电预测方法及***

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
YUCONG RAO等: "Time Series Anomaly Detection Based on CEEMDAN and LSTM", 《EEE INTERNATIONAL CONFERENCE ON NETWORKING, SENSING AND CONTROL (ICNSC)》, pages 1 - 6 *
王景春等: "基于EMD-PSO-ELM的基坑变形时变序列预测研究", vol. 64, no. 64, pages 1 - 3 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118092364A (zh) * 2024-04-22 2024-05-28 青岛海湾中水有限公司 一种基于a2o生物池工艺的数学模型辅助控制方法
CN118092364B (zh) * 2024-04-22 2024-07-05 青岛海湾中水有限公司 一种基于a2o生物池工艺的数学模型辅助控制方法

Also Published As

Publication number Publication date
CN114881074B (zh) 2023-08-08

Similar Documents

Publication Publication Date Title
CN110263866B (zh) 一种基于深度学习的电力用户负荷区间预测方法
CN113807570B (zh) 基于XGBoost的水库大坝风险等级评估方法及***
CN112529275B (zh) 基于特征提取和深度学习的风电爬坡事件预测方法
CN112949945A (zh) 一种改进双向长短期记忆网络的风电功率超短期预测方法
CN113298297B (zh) 一种基于孤立森林与wgan网络的风电输出功率预测方法
CN112712209B (zh) 水库入库流量预测方法、装置、计算机设备及存储介质
CN110569566B (zh) 一种板带力学性能预测方法
CN113723010A (zh) 一种基于lstm温度-位移相关模型的桥梁损伤预警方法
CN115293197A (zh) 一种基于长短期记忆网络的钻孔应变数据异常检测方法
CN117726181B (zh) 一种煤矿典型灾害风险异构信息协同融合与分级预测方法
CN115730684A (zh) 一种基于lstm-cnn模型的空气质量检测***
CN113987908A (zh) 基于机器学习方法的天然气管网泄漏预警方法
CN114548482A (zh) 一种基于蠕变型滑坡动能变化率临滑预警方法
CN114881074B (zh) 一种基于聚类-深度学习的工程结构变形预测方法
CN112836789A (zh) 一种基于复合神经网络算法的地连墙变形动态预测方法
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***
CN115343784A (zh) 一种基于seq2seq-attention模型的局部气温预测方法
CN115438897A (zh) 一种基于blstm神经网络的工业过程产品质量预测方法
CN113408190B (zh) 基于Bayes-LSTM模型的公路隧道施工期围岩变形预测方法
CN114548494A (zh) 一种可视化造价数据预测智能分析***
CN116522286A (zh) 一种逻辑回归优化的svr-lstm滑坡位移预测方法及***
CN116561569A (zh) 一种基于EO特征选择结合AdaBoost算法的工业电力负荷辨识方法
CN116188266A (zh) 一种基于模糊理论与集成学习对地质勘查的空间插值方法
CN110648023A (zh) 基于二次指数平滑改进gm(1,1)的数据预测模型的建立方法
CN111210147B (zh) 基于时序特征提取的烧结过程运行性能评价方法及***

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