-
公开(公告)号：CN118885761A
公开(公告)日：2024-11-01
申请号：CN202411074968.9
申请日：2024-08-07
Applicant: 中国地质大学(武汉)
IPC: G06F18/20 , G06F18/10 , G06F18/2321 , G06N5/01 , G06N20/20
Abstract: 本发明涉及资源测算领域，提供了一种大规模土壤水分预测方法、设备及存储介质，方法为：获取观测站多源数据，并进行时空配准和数据清洗，得到配准后的数据；将配准后的数据采用聚类算法进行分区，从而将完整的研究区数据分成多个子区域数据；构建表层土壤水分反演模型，并预训练；所述反演模型包括广义折射混合介电模型和极度随机树模型；以多个子区域数据作为输入数据输入至反演模型，得到反演模型结果；将反演结果进行加权平均，得到最终水分预测结果。本发明相较于以往的基于机器学习方法的土壤水分反演具有更高的预测精度,解决小区域模型过拟合问题，使得模型具有更强的鲁棒性，预测结果具有更强的可解释性。
-
公开(公告)号：CN111860974B
公开(公告)日：2022-11-01
申请号：CN202010613418.5
申请日：2020-06-30
Applicant: 中国地质大学(武汉)
Abstract: 本发明提供了一种基于状态空间和联合分布的干旱多级预测方法，包括：首先提取干旱指数SPI时间序列，利用一阶状态空间模型解译干旱指数SPI时间序列的状态转移矩阵，并计算待预测时段的干旱状态概率矩阵；然后提取待预测时段前一时段的相关因子，构建每种干旱状态下的相关因子和干旱指数SPI时间序列的联合概率分布，推求相关因子给定情况下的干旱指数的条件概率模型；最后，计算待预测区域在待预测时段T的干旱指数的全状态分布；基于所述干旱指数的全状态分布，计算得到干旱指数的均值和90％概率区间。本发明的有益效果是：状态空间方法能反映干旱不确定性本质；通过多重预测和分类别引入影响因子能提高干旱预测的精度；过程考虑更加全面和精细化。
-
Patent Agency Ranking
公开(公告)号：CN116756498A
公开(公告)日：2023-09-15
申请号：CN202310394278.0
申请日：2023-04-13
Applicant: 中国长江电力股份有限公司 , 中国地质大学(武汉)
IPC: G06F18/20 , G06N3/0442 , G06N3/08 , G06Q50/26
Abstract: 本发明公开了一种基于LSTM和分位数回归的径流概率预测算法，它包括以下步骤：步骤1：数据预处理；步骤2：特征提取；步骤3：基于多任务学习的概率预测；步骤4：基于误差序列的预测值校正。本发明提出的模型由长短时记忆网络、分位数回归模块和实时误差校正模块组成。其中长短时记忆网络可以挖掘径流数据潜在的时序特征，分位数回归可以实现在没有先验假设的前提下获取概率预测结果，实时误差校正模块可以进一步提高预测精度，缩小预测区间。三者结合提升了模型的准确度并使概率预测更加接近真实分布。
-
公开(公告)号：CN111275253B
公开(公告)日：2022-09-20
申请号：CN202010045809.1
申请日：2020-01-15
Applicant: 中国地质大学(武汉)
Abstract: 本发明公开了一种融合深度学习和误差校正的径流概率性预测方法及系统，本发明提供的基于深度学习和高斯混合模型的径流概率性预测方法，能提供相比传统机器学习更高的径流预测精度。本发明提供的基于深度学习和高斯混合模型的径流概率性预测方法，能在深度学习基础上，提供概率性的预测结果。
-
公开(公告)号：CN111860974A
公开(公告)日：2020-10-30
申请号：CN202010613418.5
申请日：2020-06-30
Applicant: 中国地质大学(武汉)
Abstract: 本发明提供了一种基于状态空间和联合分布的干旱多级预测方法，包括：首先提取干旱指数SPI时间序列，利用一阶状态空间模型解译干旱指数SPI时间序列的状态转移矩阵，并计算待预测时段的干旱状态概率矩阵；然后提取待预测时段前一时段的相关因子，构建每种干旱状态下的相关因子和干旱指数SPI时间序列的联合概率分布，推求相关因子给定情况下的干旱指数的条件概率模型；最后，计算待预测区域在待预测时段T的干旱指数的全状态分布；基于所述干旱指数的全状态分布，计算得到干旱指数的均值和90％概率区间。本发明的有益效果是：状态空间方法能反映干旱不确定性本质；通过多重预测和分类别引入影响因子能提高干旱预测的精度；过程考虑更加全面和精细化。
-
公开(公告)号：CN111311026A
公开(公告)日：2020-06-19
申请号：CN202010198248.9
申请日：2020-03-19
Applicant: 中国地质大学(武汉)
Abstract: 本发明提供一种顾及数据特征、模型和校正的径流非线性预测方法，采用前向-后向特征选择算法，选择人工神经网络作为驱动模型，优选影响因子；采用季节与趋势分解法将非线性和非平稳的优选影响因子和历史月平均径流序列分解为平稳的季节项、高频项和随机扰动项；采用非线性人工神经网络建立预测模型；最后构建自回归预测校正模型对人工神经网络预测结果进一步修正，获得最终预测结果。本发明的有益效果：与已有的月径流预测方法相比，提出的框架更加系统、全面，特别是数据前处理和后处理技术的使用，能有效提升预测精度；对水库运行优化，水资源优化管理等有重要意义，适合推广。
-
公开(公告)号：CN111275253A
公开(公告)日：2020-06-12
申请号：CN202010045809.1
申请日：2020-01-15
Applicant: 中国地质大学(武汉)
Abstract: 本发明公开了一种融合深度学习和误差校正的径流概率性预测方法及系统，本发明提供的基于深度学习和高斯混合模型的径流概率性预测方法，能提供相比传统机器学习更高的径流预测精度。本发明提供的基于深度学习和高斯混合模型的径流概率性预测方法，能在深度学习基础上，提供概率性的预测结果。
-
-
-
-
-
-
Search Results
7
records
(took 0.025 seconds)
