-
公开(公告)号：CN114936664A
公开(公告)日：2022-08-23
申请号：CN202210269761.1
申请日：2022-03-18
Applicant: 桂林电子科技大学
Abstract: 本申请公开了一种基于混合深度学习模型的流域非点源污染预测方法。基于混合深度学习模型的流域非点源污染预测方法包括：获取预定流域在预定时间段的流域空间图像、水文气象数据以及污染物数据，通过图像处理模型对流域空间图像处理，得到关于流域空间图像的空间特征值，图像处理模型由卷积神经网络训练得到，对空间特征值、水文气象数据和污染物数据拼接处理，以得到数据集，通过误差预测模型对数据集处理以得到目标站点在目标时间段内的目标污染物误差，误差预测模型由循环神经网络训练得到，根据目标污染物误差与污染物数据进行预测，得到目标站点在目标时间段的预测结果。如此，有效克服了偏离数据的极值问题，提升了非点源污染的预测效果。
-
公开(公告)号：CN113960284A
公开(公告)日：2022-01-21
申请号：CN202111060473.7
申请日：2021-09-10
Applicant: 桂林电子科技大学
Abstract: 本发明属于生态环境管理领域，具体的说是一种基于地理信息技术的生态环境管理方法，遥感测量，区域划分，初步取样测量，检验分析，投料改良，定期取样测量检测，通过数据库内处理模块汇总制图、分析，对比判定，制定养护办法，能够通过实现对区域的细化分区，能够对单独小区域的环境进行了解，通过检测，能够根据小区域的环境进行改善整理，能够更加准确的改良，达到更好的维护、管理效果，通过对小区域的地理环境的检测，能够更加细化的应用，提高小区域的利用率，能够更好的优化管理方案和措施；通过设置取样装置，实现对土壤或者水样的取样，能够随机转换，实现地区的取样，取样作业更加方便，操作更加简便。
-
公开(公告)号：CN114819289A
公开(公告)日：2022-07-29
申请号：CN202210348989.X
申请日：2022-04-01
Applicant: 桂林电子科技大学
Abstract: 本申请公开了一种空气质量的预测方法、空气质量的预测装置、训练方法、电子设备以及存储介质。空气质量的预测方法包括：获取预定区域内的多个监测点在预定时间段的污染物数据和气象数据；对污染物数据和气象数据预处理，以生成污染物时序数据和气象时序数据；通过空气质量预测模型对污染物时序数据和气象时序数据进行处理，以得到目标监测点在目标时间段的预测结果；空气质量预测模型包括克里金插值模型和深度学习模型。如此，得到的空气质量预测结果较为准确。
-
公开(公告)号：CN112529240A
公开(公告)日：2021-03-19
申请号：CN202010960767.4
申请日：2020-09-14
Applicant: 桂林电子科技大学
Abstract: 本发明公开了一种大气环境数据的预测方法、系统及装置及存储介质。该方法包括以下步骤：获取目标污染物的误差时间序列及影响因素；将所述误差时间序列和所述影响因素输入至误差修正模型中，得到所述目标污染物浓度的误差预测结果；利用所述误差预测结果和所述目标污染物浓度的估算值计算所述目标污染物浓度的真实值。本发明通过误差修正模型来获取输入的误差时间序列和影响因素对于目标污染物浓度的误差预测结果的影响，从而使得误差预测结果更加准确、贴近实际情况，再利用误差预测结果以及目标污染物浓度的估算值，从而获得目标污染物浓度的真实值，最终达到修复缺失数据的目的。本发明可广泛应用于大气环境监测技术领域。
-
公开(公告)号：CN119963367A
公开(公告)日：2025-05-09
申请号：CN202411968008.7
申请日：2024-12-30
Applicant: 桂林电子科技大学
IPC: G06Q50/06 , G06Q10/04 , G06N3/042 , G06N3/0455 , G06N3/0442 , G06N3/0464
Abstract: 本发明提供一种基于图神经网络的深度学习模型GCN‑GRU的水质预测方法，将监测站的分布与监测站之间的邻接关系视为图的节点与边以构建图结构，利用图结构保留流域内监测站点的原始空间分布，能够更准确地模拟污染物的传输过程，并显著提高模型的解释能力；通过引入图卷积网络和门控循环单元，以有效捕捉非网格结构数据中的空间信息和时间信息，接着，采用自注意力机制和全连接网络，有效融合水质时间序列数据中的长期时空特征，其结合了GCN在空间建模方面的优势和GRU在时序建模方面的能力，实现对空间关联和时间依赖关系的全面捕捉，进而提高了水质预测结果的可靠性，为环境保护和污染防治提供了重要工具。
-
Patent Agency Ranking
公开(公告)号：CN119887482A
公开(公告)日：2025-04-25
申请号：CN202411969107.7
申请日：2024-12-30
Applicant: 桂林电子科技大学
IPC: G06Q50/26 , G06Q10/04 , G06N3/042 , G06N3/0464 , G06N3/0455 , G06N3/0442
Abstract: 本发明提供一种基于小波变换的图卷积神经网络复合模型的大气污染预测方法，采用小波变换数据时频域分解技术对划分后的数据集进行时频域分解，解决了长时间数据的纠缠问题，构建的能够有效关联污染物的时间和空间信息，并考虑了多个站点间的传输，提升了模型的说服力，进而能够提升大气污染的预测精准度。该方法适用于城市大气污染预测，有助于模拟和预测大气环境变化，对空气污染防治、挖掘污染物传播规律具有借鉴意义。
-
公开(公告)号：CN117194954A
公开(公告)日：2023-12-08
申请号：CN202311263956.6
申请日：2023-09-27
Applicant: 桂林电子科技大学
IPC: G06F18/213 , G06Q50/06 , G06N3/0442
Abstract: 本发明涉及数据处理技术领域，其具体公开了一种基于时频特征提取的混合深度学习水质预测方法，包括以下步骤：步骤S1、对水质污染物、水文和气象小时数据进行采集；步骤S2、使用时离散平稳小波变换将数据分解为具有统一长度不同频域的子信号序列，同时将季节、日期这些时间特征融入序列，形成时序深度学习模型输入数据集；步骤S3、构建Informer Encoder做序列特征增强编码；步骤S4、通过逐级递减堆叠双向LSTM加强减半级联序列的局部特征相关性；步骤S5、将RMSE、MAE和MAPE作为评估参数；步骤S6、将深度学习模型学习到的相关性矩阵进行分析。本发明的一种基于时频特征提取的混合深度学习水质预测方法，能够降低成本，提高预测精度。
-
公开(公告)号：CN119886442A
公开(公告)日：2025-04-25
申请号：CN202411968885.4
申请日：2024-12-30
Applicant: 桂林电子科技大学
IPC: G06Q10/04 , G06N3/042 , G06N3/0464 , G06N3/0455 , G06N3/0442 , G06Q50/26
Abstract: 本发明提供一种能够增强对大气污染物传播过程时空特征捕捉能力的方法，采用时间‑空间注意力机制能够同时提取时间特征和空间特征的注意力权重，优化了对复杂数据的处理能力，并通过为输入数据分配不同的时间和空间权重，增强了对大气数据时空关系的捕捉能力，进而提高了对全局以及局部特征的捕捉能力，将SoftMax激活函数代替为值域为(‑1,1)的Tanh，避免混淆负相关和弱相关关系，进而实现了更精准的大气污染物传播过程的时空特征提取。
-
公开(公告)号：CN112529240B
公开(公告)日：2024-05-07
申请号：CN202010960767.4
申请日：2020-09-14
Applicant: 桂林电子科技大学
Abstract: 本发明公开了一种大气环境数据的预测方法、系统及装置及存储介质。该方法包括以下步骤：获取目标污染物的误差时间序列及影响因素；将所述误差时间序列和所述影响因素输入至误差修正模型中，得到所述目标污染物浓度的误差预测结果；利用所述误差预测结果和所述目标污染物浓度的估算值计算所述目标污染物浓度的真实值。本发明通过误差修正模型来获取输入的误差时间序列和影响因素对于目标污染物浓度的误差预测结果的影响，从而使得误差预测结果更加准确、贴近实际情况，再利用误差预测结果以及目标污染物浓度的估算值，从而获得目标污染物浓度的真实值，最终达到修复缺失数据的目的。本发明可广泛应用于大气环境监测技术领域。
-
公开(公告)号：CN119622242A
公开(公告)日：2025-03-14
申请号：CN202411682811.4
申请日：2024-11-22
Applicant: 桂林电子科技大学
IPC: G06F18/20 , G06F18/2131 , G06N3/0455 , G06N3/0442 , G06N3/0464 , G06N3/049 , G06N3/084 , G01W1/10 , G06F123/02
Abstract: 本发明公开了一种基于时频域分解和时空信息提取的深度学习大气预测方法，包括1）采集多个站点的大气污染物、气象变量的小时数据；2）采用平稳小波变换SWT将数据分解成不同频域下同等长度的子信号序列，同时将日期、季节时间因素融入序列，初步形成模型需要的数据集；3）将步骤2）中的数据集，根据监测站点的地理位置构建拓扑结构的图数据集；4）构建基于时间‑空间注意力机制的编码器，增强数据的时空信息权重；5）GCN、LSTM和FC构建的解码器提取数据的时间特征和空间信息，形成预测输出；6）将RMSE、MAE、MAPE作为评估参数。这种方法能挖掘大气中污染物的传播规律、提高大气预测精度。
-
-
-
-
-
-
-
-
-
Search Results
18
records
(took 0.042 seconds)
