[go: up one dir, main page]

CN118469157B - 基于大数据分析的河流综合管理系统 - Google Patents

基于大数据分析的河流综合管理系统 Download PDF

Info

Publication number
CN118469157B
CN118469157B CN202410927866.0A CN202410927866A CN118469157B CN 118469157 B CN118469157 B CN 118469157B CN 202410927866 A CN202410927866 A CN 202410927866A CN 118469157 B CN118469157 B CN 118469157B
Authority
CN
China
Prior art keywords
data
river
management
ecological
analysis
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.)
Active
Application number
CN202410927866.0A
Other languages
English (en)
Other versions
CN118469157A (zh
Inventor
许尚杰
程素珍
杜滨
王飞
葛晓云
王锦龙
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.)
Water Resources Research Institute of Shandong Province
Original Assignee
Water Resources Research Institute of Shandong Province
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 Water Resources Research Institute of Shandong Province filed Critical Water Resources Research Institute of Shandong Province
Priority to CN202410927866.0A priority Critical patent/CN118469157B/zh
Publication of CN118469157A publication Critical patent/CN118469157A/zh
Application granted granted Critical
Publication of CN118469157B publication Critical patent/CN118469157B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/211—Selection of the most significant subset of features
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06Q10/10—Office automation; Time management
    • G06Q10/103—Workflow collaboration or project management
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A20/00—Water conservation; Efficient water supply; Efficient water use
    • Y02A20/152—Water filtration

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • Tourism & Hospitality (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Biology (AREA)
  • Computing Systems (AREA)
  • Educational Administration (AREA)
  • Primary Health Care (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Game Theory and Decision Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及河流管理技术领域，具体涉及基于大数据分析的河流综合管理系统，包括以下模块：河流数据采集模块，部署于河流沿线和相关区域的多种传感器，用于实时采集包括水质、流量、降雨量、土壤湿度、生态指标数据；数据预处理模块；数据分析模块，基于大数据分析技术对预处理后的数据进行多维度分析，包括水质分析、流量预测、生态环境评估，提取对多目标优化控制有影响的数据特征；多目标优化控制模块，包括多目标优化模型构建、协同控制策略整合；情景模拟分析模块，评估不同策略的有效性，评估不同管理策略的优劣，选择最佳的优化方案。本发明，基于多目标优化模型的构建和协同控制策略的整合，确保了河流管理策略的科学性和有效性。

Description

基于大数据分析的河流综合管理系统
技术领域
本发明涉及河流管理技术领域，尤其涉及基于大数据分析的河流综合管理系统。
背景技术
随着全球环境保护意识的不断增强和大数据技术的快速发展，河流综合管理系统逐渐成为环境治理的重要手段，现有的河流管理系统主要依赖于传统的数据采集和监控手段，存在数据收集不全面、分析处理能力有限、预测精准度不足等问题，难以满足现代化河流管理的需求。具体而言，现有技术在以下几个方面存在不足：
数据采集不全面：传统的河流管理系统通常仅依赖于少量监测点的数据，覆盖范围有限，无法全面反映河流的实际状况，尤其是在面对突发事件（如洪水、污染事件）时，数据不足以支撑快速反应和决策。
分析处理能力有限：现有系统缺乏对多源异构数据的高效整合和分析能力，无法充分利用大数据技术对河流数据进行多维度分析，难以提供全面准确的水质、流量和生态环境评估。
预测和优化能力不足：现有多采用简单的预测和优化方法，无法有效解决河流管理中的多目标优化问题，难以兼顾防洪、供水、生态保护和污染控制等多方面的需求，导致管理策略的科学性和有效性不足。
为了解决上述问题，亟需一种基于大数据分析的河流综合管理系统，通过全面的数据采集、精准的多目标优化和动态的情景模拟评估，实现对河流的高效、科学管理。
发明内容
基于上述目的，本发明提供了基于大数据分析的河流综合管理系统。
基于大数据分析的河流综合管理系统，包括以下模块：
河流数据采集模块，部署于河流沿线和相关区域的多种传感器，用于实时采集包括水质、流量、降雨量、土壤湿度、生态指标数据，所述传感器类型包括：水质传感器（如溶解氧、pH值、氨氮、总磷、总氮传感器）、流量传感器、气象传感器、土壤湿度传感器、生态监测传感器（如植被健康传感器）；
数据预处理模块，对采集的数据进行清洗、去重、格式化处理；
数据分析模块，基于大数据分析技术对预处理后的数据进行多维度分析，包括水质分析、流量预测、生态环境评估，使用特征选择和特征工程技术，提取对多目标优化控制有影响的数据特征；
多目标优化控制模块，包括：
多目标优化模型构建：综合考虑河流管理中的多个优化目标，建立多目标优化模型，定义每个目标的目标函数和约束条件，基于优化算法生成多个初步管理策略，优化目标包括防洪、供水、生态保护、污染控制；
协同控制策略整合：在生成初步管理策略时，综合考虑上下游区域、左右岸生态系统和跨区域流域管理的需求，对初步策略进行调整和优化，生成协同控制策略；
情景模拟分析模块，构建多种情景模拟模型，通过模拟不同的环境和管理场景，评估不同策略的有效性，基于情景模拟分析的结果，评估不同管理策略的优劣，选择最佳的优化方案。
进一步的，所述河流数据采集模块与数据预处理模块之间还包括：
数据传输模块：采用无线通信技术将采集的数据传输至中央服务器，确保数据传输的实时性和稳定性；
数据存储模块：使用分布式数据库系统（如Hadoop、HBase）存储河流数据，以保证数据的高效存储和快速访问。
进一步的，所述水质分析包括利用回归分析方法和支持向量机对水质数据进行分 析，评估河流水质的变化趋势和潜在污染源，所述回归分析包括建立水质指标（如溶解氧、 pH值、氨氮、总磷、总氮）与时间因素之间的回归模型，设为水质指标，为时间因素，则回 归模型表示为：
，其中，为截距，为回归系数， 为误差项；
所述支持向量机对水质数据进行分类和回归分析，使用线性或非线性核函数将数 据映射到高维空间，支持向量机的优化问题表示为：，在约束 条件下：
，其中，为权重向量，为偏 置，为松弛变量，为惩罚参数，为核函数；
所述流量预测包括应用深度学习模型对历史流量数据进行训练，建立流量预测模型，预测未来一段时间内河流的流量变化，结合气象数据和降雨量数据，使用随机森林提高流量预测的准确性，所述深度学习模型基于长短期记忆网络，捕捉长时间依赖关系，长短期记忆网络包括记忆单元的更新，表示为：
，其中，是遗忘门，是输入门，是候选记忆单元，表示元素级别的乘法；输出表示为：，其中，是输出门，是当前 时间步的隐状态；所述随机森林由多棵决策树构成集成模型，通过投票或平均来提高预测 性能，随机森林的预测公式为：
，其中，为决策树的数量，为第棵树的预测结果；
所述生态环境评估使用主成分分析对生态监测数据进行综合评估，确定生态系统健康状况。
进一步的，所述特征选择和特征工程技术具体包括：
递归特征消除：通过递归地训练模型、删除末尾（最不重要的）特征来选择最优特征子集，递归特征消除损失函数表示为：
，其中，为损失函数，为模型，为特征权重；
特征工程：对选定数据特征进行处理和转换，以提高模型的预测能力；
特征缩放：对数值特征进行标准化或归一化处理，标准化公式为：，其中，为均值，为标准差；
特征组合：构建新的二次项特征，公式为：。
进一步的，所述定义每个目标的目标函数和约束条件具体包括：
防洪目标：
目标函数：最小化河流水位超出安全范围的概率：
,其中，为第时刻的河流水位， 为安全水位；
约束条件：保持河流水位在安全范围内：；
供水目标：
目标函数：最大化河流的供水能力：，其中，为第时刻的河 流流量；
约束条件：供水量满足用户需求且不影响生态保护：；
生态保护目标：
目标函数：最大化生态系统的健康指数：，其中，为第时刻 的生态健康指数；
约束条件：维持生物多样性和生态系统稳定：；
污染控制目标：
目标函数：最小化河流水质污染程度：，其中，为第时刻的 污染物浓度；
约束条件：污染物浓度低于法定标准：。
进一步的，所述基于优化算法生成多个初步管理策略具体包括：
初始化：生成初始解的种群，种群中的每个个体代表一个管理策略；
适应度评估：根据定义的目标函数评估每个个体的适应度；
选择：根据适应度选择最优的个体进行交叉和变异操作；
交叉和变异：通过交叉和变异操作生成新的个体，增加种群的多样性；
更新：根据适应度更新种群，保留较优的个体；
迭代：重复适应度评估、选择、交叉和变异、更新步骤，直至达到预设的迭代次数或收敛条件；
输出：生成满足多目标优化要求的多个初步管理策略，每个策略在防洪、供水、生态保护、污染控制方面有不同的权衡。
进一步的，所述协同控制策略整合具体包括：
收集和整合上下游区域、左右岸生态以及跨区域流域管理的需求和限制条件，所述数据包括水文数据、生态数据、用水需求数据和管理政策数据，基于整合数据确定各区域和生态系统的需求和限制，包括上游区域的水资源需求、下游区域的防洪需求、左右岸的生态保护需求以及跨区域的水质管理需求；
在生成的初步管理策略基础上，结合各区域和生态系统的需求，对管理策略进行调整，调整步骤包括：
上下游协调：确保上游的水资源分配满足下游的需求，同时控制上游的水污染不影响下游水质：
，其中，为下游流量 需求，为上游流量，为上游各个用水点的用水量；
左右岸协调：评估左右岸的生态需求，确保管理策略不破坏生态平衡，使用生态健 康指数作为评估标准，左右岸的生态健康指数应满足：
；
跨区域协调：确保跨区域的流域管理政策和策略一致，减少政策冲突和资源浪费，基 于多区域协同优化，综合各区域的目标函数，进行整体优化，表示为：， 其中，为区域数，为区域的目标函数，为区域的协同成本，和为权重；
采用迭代优化法对调整后的策略进行优化，确保各区域和生态系统的需求得到最优满足。
进一步的，所述采用迭代优化法对调整后的策略进行优化具体包括：
初始化：设定初始管理策略和协同约束；
迭代更新：在第次迭代中，更新各区域策略和协同约束；
策略更新：，其中，为区域的策略，为第次迭代中的协同约束；
约束更新：，其中，为学习率， 为区域的目标协同成本；
收敛判定:检查收敛条件，若满足则终止迭代，否则进入下一次迭代；
收敛条件：，其中，为预设的收敛阈值。
进一步的，所述情景模拟分析模块具体包括：
构建多种情景模拟模型：
根据历史数据和预测数据，构建多个情景模拟模型，用于模拟不同的环境和管理场景，包括：
正常运行情景：模拟河流在正常气象条件和用水需求下的运行情况；
极端天气情景：模拟在极端气象条件下的河流运行情况；
突发污染事件情景：模拟在突发污染事件发生时，河流的污染扩散和治理效果；
生态保护强化情景：模拟在加大生态保护力度的情况下，河流生态系统的恢复和发展情况；
模拟模型的构建公式如下：
ScenarioSimModel(HistData,PredData,EnvVars)，其中，Scenario表示第 个情景模拟模型，SimModel表示模拟模型，HistData为历史数据，PredData为预测数据， EnvVars为第个情景的环境变量；
模拟不同的环境和管理场景：通过运行构建的情景模拟模型，模拟不同的环境和管理场景，生成模拟结果，模拟结果包括水质、流量、生态健康指数指标在不同情景下的变化情况，模拟表示如下：
水质模拟：，其中，表示第时刻的水质指标， 为初始值，为回归系数，为第个环境变量在第时刻的值，为误差项；
流量模拟：，其中，表示第时刻的流量，为初 始流量，为回归系数，为第个环境变量在第时刻的值，为误差项；
生态健康指数模拟：，其中，表示第时刻的生态 健康指数，为初始值，为回归系数，为第个环境变量在第时刻的值，为误差项。
进一步的，所述评估不同管理策略中的评估指标包括：
水质指标：如污染物浓度、溶解氧；
流量指标：如流量稳定性、供水量；
生态健康指数：如生物多样性、生态系统恢复情况等。
评估公式如下：
；
其中，表示在第个情景下评估第个策略的结果，分别为第时刻在第个情景下应用第个策略的水质、流量、生态健康指 数,为对应指标的权重；
基于情景模拟分析的结果，评估不同管理策略的优劣，综合各个情景下的评估结果，对每种管理策略的整体表现进行评估，采用加权评分法对不同情景下的评估结果进行加权汇总：
，其中，表示第个策略的总体评估结果，为第个 情景的权重，为情景总数；
根据综合评估结果，选择总体评分最高的管理策略作为最佳优化方案。
本发明的有益效果：
本发明，基于大数据分析技术对预处理后的数据进行多维度分析，提取对多目标优化控制有重要影响的关键数据特征，并构建多目标优化模型，优化目标包括防洪、供水、生态保护和污染控制，通过综合考虑各个目标的需求和约束，系统采用多目标优化算法生成多个初步管理策略，并结合上下游区域、左右岸生态系统和跨区域流域管理的需求进行策略调整，生成协同控制策略。基于多目标优化模型的构建和协同控制策略的整合，确保了河流管理策略的科学性和有效性。
本发明，构建多种情景模拟模型，通过模拟不同的环境和管理场景，评估不同管理策略的有效性，综合评估不同情景下的管理策略表现，采用加权评分法选择最佳优化方案，情景模拟与策略评估模块能够动态模拟不同环境下的河流运行情况，并对不同策略进行全面评估，从而选择最优的管理策略。该方法有效提升了河流管理的科学性和灵活性，能够在不同环境和突发事件下提供可靠的管理决策。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术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，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为本发明实施例的管理系统功能模块示意图；
图2为本发明实施例的多目标优化控制模块示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，对本发明进一步详细说明。
需要说明的是，除非另外定义，本发明使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。本发明中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也可能相应地改变。
如图1-图2所示，基于大数据分析的河流综合管理系统，包括以下模块：
河流数据采集模块，部署于河流沿线和相关区域的多种传感器，用于实时采集包括水质、流量、降雨量、土壤湿度、生态指标数据，传感器类型包括：水质传感器（如溶解氧、pH值、氨氮、总磷、总氮传感器）、流量传感器、气象传感器、土壤湿度传感器、生态监测传感器（如植被健康传感器）；
数据预处理模块，对采集的数据进行清洗、去重、格式化处理，以保证数据的准确性和一致性；
数据分析模块，基于大数据分析技术对预处理后的数据进行多维度分析，包括水质分析、流量预测、生态环境评估，使用特征选择和特征工程技术，提取对多目标优化控制有影响的数据特征；
提取出的关键数据特征将在多目标优化模型中作为输入变量，这些关键特征帮助优化模型更准确地反映河流管理中的实际情况，并提高模型的预测和优化能力。具体如下：
输入优化模型：将提取出的数据特征作为多目标优化模型的输入变量，特征代表了对各个优化目标（如防洪、供水、生态保护等）有重要影响的因素。
改进目标函数：利用这些关键特征构建或改进多目标优化模型的目标函数，使优化模型更精确地衡量各个目标的实现程度。
多目标优化控制模块，包括：
多目标优化模型构建：综合考虑河流管理中的多个优化目标，建立多目标优化模型，定义每个目标的目标函数和约束条件，基于优化算法生成多个初步管理策略，优化目标包括防洪、供水、生态保护、污染控制；
协同控制策略整合：在生成初步管理策略时，综合考虑上下游区域、左右岸生态系统和跨区域流域管理的需求，对初步策略进行调整和优化，生成协同控制策略；
情景模拟分析模块，构建多种情景模拟模型，通过模拟不同的环境和管理场景，评估不同策略的有效性，基于情景模拟分析的结果，评估不同管理策略的优劣，选择最佳的优化方案。
河流数据采集模块与数据预处理模块之间还包括：
数据传输模块：采用无线通信技术将采集的数据传输至中央服务器，确保数据传输的实时性和稳定性；
数据存储模块：使用分布式数据库系统（如Hadoop、HBase）存储河流数据，以保证数据的高效存储和快速访问。
数据预处理模块具体包括：
识别并删除或修正传感器数据中的异常值和缺失值，保证数据的完整性和准确性，对噪声数据进行处理，减少测量误差的影响，检测并删除重复的传感器数据，确保数据集中没有冗余记录，使用时间戳和传感器标识符进行数据匹配，识别并去除重复数据，将来自不同类型传感器的数据转换为统一的格式，便于后续的存储和分析，对时间序列数据进行标准化处理，确保数据在时间维度上的一致性。
水质分析包括利用回归分析方法和支持向量机对水质数据进行分析，评估河流水 质的变化趋势和潜在污染源，回归分析包括建立水质指标（如溶解氧、pH值、氨氮、总磷、总 氮）与时间因素之间的回归模型，设为水质指标，为时间因素，则回归模型表示为：
，其中，为截距，为回归系数， 为误差项；
支持向量机对水质数据进行分类和回归分析，使用线性或非线性核函数将数据映 射到高维空间，支持向量机的优化问题表示为：，在约束条件 下：
，其中，为权重向量，为偏 置，为松弛变量，为惩罚参数，为核函数；
流量预测包括应用深度学习模型对历史流量数据进行训练，建立流量预测模型，预测未来一段时间内河流的流量变化，结合气象数据和降雨量数据，使用随机森林提高流量预测的准确性，深度学习模型基于长短期记忆网络，捕捉长时间依赖关系，长短期记忆网络包括记忆单元的更新，表示为：
，其中，是遗忘门，是输入门，是候选记忆单元，表示元素级别的乘法；输出表示为：，其中，是输出门，是当前 时间步的隐状态；随机森林由多棵决策树构成集成模型，通过投票或平均来提高预测性能， 随机森林的预测公式为：
，其中，为决策树的数量，为第棵树的预测结果；
生态环境评估使用主成分分析对生态监测数据进行综合评估，确定生态系统健康状况，具体如下：
计算协方差矩阵：，其中，是第个样本的标 准化数据，是样本均值向量，是协方差矩阵；
特征值分解：对协方差矩阵进行特征值分解，得到特征值和特征向量：，其中，为特征向量矩阵，为对角特征值矩阵；
计算主成分：将标准化后的数据投影到特征向量上，得到主成分：，其 中，为标准化后的数据矩阵，为特征向量矩阵，为主成分矩阵；
选择主要成分：选择累积方差解释率达到一定阈值的前几个主成分，进行后续分析；
生态环境评估:使用主要成分构建生态环境综合评分模型，评估各个监测点的生 态环境状况：，其中，为主成分的权重，为第个样本在第个 主成分上的得分，为第个样本的综合评分。
特征选择和特征工程技术具体包括：
递归特征消除：通过递归地训练模型、删除末尾（最不重要的）特征来选择最优特征子集，递归特征消除损失函数表示为：
，其中，为损失函数，为模型，为特征权重；
特征工程：对选定数据特征进行处理和转换，以提高模型的预测能力；
特征缩放：对数值特征进行标准化或归一化处理，标准化公式为：，其中，为均值，为标准差；
特征组合：构建新的二次项特征，公式为：。
定义每个目标的目标函数和约束条件具体包括：
防洪目标：
目标函数：最小化河流水位超出安全范围的概率：
,其中，为第时刻的河流水位， 为安全水位；
约束条件：保持河流水位在安全范围内：；
供水目标：
目标函数：最大化河流的供水能力：，其中，为第时刻的河 流流量；
约束条件：供水量满足用户需求且不影响生态保护：；
生态保护目标：
目标函数：最大化生态系统的健康指数：，其中，为第时刻 的生态健康指数；
约束条件：维持生物多样性和生态系统稳定：；
污染控制目标：
目标函数：最小化河流水质污染程度：，其中，为第时刻的 污染物浓度；
约束条件：污染物浓度低于法定标准：。
基于优化算法生成多个初步管理策略具体包括：
初始化：生成初始解的种群，种群中的每个个体代表一个管理策略；
适应度评估：根据定义的目标函数评估每个个体的适应度,对于多目标优化，使用帕累托最优解的概念来评估个体的优劣：
,其中,为第个个体，为 第个目标函数对个体的评估值；
选择：根据适应度选择最优的个体进行交叉和变异操作；
交叉和变异：通过交叉和变异操作生成新的个体，增加种群的多样性；
更新：根据适应度更新种群，保留较优的个体；
迭代：重复适应度评估、选择、交叉和变异、更新步骤，直至达到预设的迭代次数或收敛条件；
输出：生成满足多目标优化要求的多个初步管理策略，每个策略在防洪、供水、生态保护、污染控制方面有不同的权衡；
通过上述步骤，多目标优化控制模块能够综合考虑河流管理中的多个优化目标，利用前面提取的关键数据特征，建立多目标优化模型，定义每个目标的目标函数和约束条件，并基于优化算法生成多个初步管理策略，为河流综合管理提供科学依据。
协同控制策略整合具体包括：
收集和整合上下游区域、左右岸生态以及跨区域流域管理的需求和限制条件，数据包括水文数据、生态数据、用水需求数据和管理政策数据，基于整合数据确定各区域和生态系统的需求和限制，包括上游区域的水资源需求、下游区域的防洪需求、左右岸的生态保护需求以及跨区域的水质管理需求；
在生成的初步管理策略基础上，结合各区域和生态系统的需求，对管理策略进行调整，调整步骤包括：
上下游协调：确保上游的水资源分配满足下游的需求，同时控制上游的水污染不影响下游水质：
，其中，为下游流量 需求，为上游流量，为上游各个用水点的用水量；
左右岸协调：评估左右岸的生态需求，确保管理策略不破坏生态平衡，使用生态健 康指数作为评估标准，左右岸的生态健康指数应满足：
；
跨区域协调：确保跨区域的流域管理政策和策略一致，减少政策冲突和资源浪费，基 于多区域协同优化，综合各区域的目标函数，进行整体优化，表示为： ，其中，为区域数，为区域的目标函数，为区域的协同成本，和为权重；
采用迭代优化法对调整后的策略进行优化，确保各区域和生态系统的需求得到最优满足。
采用迭代优化法对调整后的策略进行优化具体包括：
初始化：设定初始管理策略和协同约束；
迭代更新：在第次迭代中，更新各区域策略和协同约束；
策略更新：，其中，为区域的策略，为第次迭代中的协同约束；
约束更新：，其中，为学习率， 为区域的目标协同成本；
收敛判定:检查收敛条件，若满足则终止迭代，否则进入下一次迭代；
收敛条件：，其中，为预设的收敛阈值。
情景模拟分析模块具体包括：
构建多种情景模拟模型：
根据历史数据和预测数据，构建多个情景模拟模型，用于模拟不同的环境和管理场景，包括：
正常运行情景：模拟河流在正常气象条件和用水需求下的运行情况；
极端天气情景：模拟在极端气象条件（如洪水、干旱）下的河流运行情况；
突发污染事件情景：模拟在突发污染事件发生时，河流的污染扩散和治理效果；
生态保护强化情景：模拟在加大生态保护力度的情况下，河流生态系统的恢复和发展情况；
模拟模型的构建公式如下：
ScenarioSimModel(HistData,PredData,EnvVars)，其中，Scenario表示第 个情景模拟模型，SimModel表示模拟模型，HistData为历史数据，PredData为预测数据， EnvVars为第个情景的环境变量；
模拟不同的环境和管理场景：通过运行构建的情景模拟模型，模拟不同的环境和管理场景，生成模拟结果，模拟结果包括水质、流量、生态健康指数指标在不同情景下的变化情况，模拟表示如下：
水质模拟：，其中，表示第时刻的水质指标（如 溶解氧、氨氮），为初始值，为回归系数，为第个环境变量在第时刻的值，为误 差项；
流量模拟：，其中，表示第时刻的流量，为初 始流量，为回归系数，为第个环境变量在第时刻的值，为误差项；
生态健康指数模拟：，其中，表示第时刻的生态 健康指数，为初始值，为回归系数，为第个环境变量在第时刻的值，为误差项。
评估不同管理策略中的评估指标包括：
水质指标：如污染物浓度、溶解氧；
流量指标：如流量稳定性、供水量；
生态健康指数：如生物多样性、生态系统恢复情况等。
评估公式如下：
；
其中，表示在第个情景下评估第个策略的结果，分别为第时刻在第个情景下应用第个策略的水质、流量、生态健康指 数,为对应指标的权重；
基于情景模拟分析的结果，评估不同管理策略的优劣，综合各个情景下的评估结果，对每种管理策略的整体表现进行评估，采用加权评分法对不同情景下的评估结果进行加权汇总：
， 其中，表示第个策略的总体评估结果，为第个情 景的权重，为情景总数；
根据综合评估结果，选择总体评分最高的管理策略作为最佳优化方案，表示为：
。
通过上述步骤，情景模拟与策略评估模块能够构建多种情景模拟模型，通过模拟不同的环境和管理场景，评估不同策略的有效性，并基于情景模拟分析的结果，综合评估不同管理策略的优劣，最终选择最佳的优化方案，为河流综合管理提供科学依据。
所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本发明的范围被限于这些例子；在本发明的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本发明的不同方面的许多其它变化，为了简明它们没有在细节中提供。

Claims (7)

1.基于大数据分析的河流综合管理系统，其特征在于，包括以下模块：
河流数据采集模块，部署于河流沿线和相关区域的多种传感器，用于实时采集包括水质、流量、降雨量、土壤湿度、生态指标数据，所述传感器类型包括：水质传感器、流量传感器、气象传感器、土壤湿度传感器、生态监测传感器；
数据预处理模块，对采集的数据进行清洗、去重、格式化处理；
数据分析模块，基于大数据分析技术对预处理后的数据进行多维度分析，包括水质分析、流量预测、生态环境评估，使用特征选择和特征工程技术，提取对多目标优化控制有影响的数据特征；
多目标优化控制模块，包括：
多目标优化模型构建：综合考虑河流管理中的多个优化目标，建立多目标优化模型，定义每个目标的目标函数和约束条件，基于优化算法生成多个初步管理策略，优化目标包括防洪、供水、生态保护、污染控制；
协同控制策略整合：在生成初步管理策略时，综合考虑上下游区域、左右岸生态系统和跨区域流域管理的需求，对初步策略进行调整和优化，生成协同控制策略；
情景模拟分析模块，构建多种情景模拟模型，通过模拟不同的环境和管理场景，评估不同策略的有效性，基于情景模拟分析的结果，评估不同管理策略的优劣，选择最佳的优化方案；
所述水质分析包括利用回归分析方法和支持向量机对水质数据进行分析，评估河流水质的变化趋势和潜在污染源，所述回归分析包括建立水质指标与时间因素之间的回归模型，设y为水质指标，x为时间因素，则回归模型表示为：
y＝β0+β1x1+β2x2+…+βnxn+∈，
其中，β0为截距，βi为回归系数，∈为误差项；
所述支持向量机对水质数据进行分类和回归分析，使用线性或非线性核函数将数据映射到高维空间，支持向量机的优化问题表示为：在约束条件下：
其中，w为权重向量，b为偏置，ξi为松弛变量，C为惩罚参数，为核函数；
所述流量预测包括应用深度学习模型对历史流量数据进行训练，建立流量预测模型，预测未来一段时间内河流的流量变化，结合气象数据和降雨量数据，使用随机森林提高流量预测的准确性，所述深度学习模型基于长短期记忆网络，捕捉长时间依赖关系，长短期记忆网络包括记忆单元的更新，表示为：
ct＝ft⊙ct-1+it⊙gt，
其中，ft是遗忘门，it是输入门，gt是候选记忆单元，⊙表示元素级别的乘法；
输出表示为：ht＝ot⊙tanh(ct)，其中，Ot是输出门，ht是当前时间步的隐状态；
所述随机森林由多棵决策树构成集成模型，通过投票或平均来提高预测性能，随机森林的预测公式为：
其中，T为决策树的数量，ht(x)为第t棵树的预测结果；
所述生态环境评估使用主成分分析对生态监测数据进行综合评估，确定生态系统健康状况；
所述特征选择和特征工程技术具体包括：
递归特征消除：通过递归地训练模型、删除末尾特征来选择最优特征子集，递归特征消除损失函数表示为：
其中，l为损失函数，f为模型，W为特征权重；
特征工程：对选定数据特征进行处理和转换，以提高模型的预测能力；
特征缩放：对数值特征进行标准化或归一化处理；
特征组合：构建新的二次项特征，公式为：xnew＝x1·x2；
所述定义每个目标的目标函数和约束条件具体包括：
防洪目标：
目标函数：最小化河流水位超出安全范围的概率：
其中，Ht为第t时刻的河流水位，Hsafe为安全水位；
约束条件：保持河流水位在安全范围内：
供水目标：
目标函数：最大化河流的供水能力：其中，Qt为第t时刻的河流流量；
约束条件：供水量满足用户需求且不影响生态保护：
生态保护目标：
目标函数：最大化生态系统的健康指数：其中，Et为第t时刻的生态健康指数；
约束条件：维持生物多样性和生态系统稳定：
污染控制目标：
目标函数：最小化河流水质污染程度：其中，Pt为第t时刻的污染物浓度；
约束条件：污染物浓度低于法定标准：
2.根据权利要求1所述的基于大数据分析的河流综合管理系统，其特征在于，所述河流数据采集模块与数据预处理模块之间还包括：
数据传输模块：采用无线通信技术将采集的数据传输至中央服务器，确保数据传输的实时性和稳定性；
数据存储模块：使用分布式数据库系统存储河流数据，以保证数据的高效存储和快速访问。
3.根据权利要求1所述的基于大数据分析的河流综合管理系统，其特征在于，所述基于优化算法生成多个初步管理策略具体包括：
初始化：生成初始解的种群，种群中的每个个体代表一个管理策略；
适应度评估：根据定义的目标函数评估每个个体的适应度；
选择：根据适应度选择最优的个体进行交叉和变异操作；
交叉和变异：通过交叉和变异操作生成新的个体，增加种群的多样性；
更新：根据适应度更新种群，保留较优的个体；
迭代：重复适应度评估、选择、交叉和变异、更新步骤，直至达到预设的迭代次数或收敛条件；
输出：生成满足多目标优化要求的多个初步管理策略，每个策略在防洪、供水、生态保护、污染控制方面有不同的权衡。
4.根据权利要求3所述的基于大数据分析的河流综合管理系统，其特征在于，所述协同控制策略整合具体包括：
收集和整合上下游区域、左右岸生态以及跨区域流域管理的需求和限制条件，所述数据包括水文数据、生态数据、用水需求数据和管理政策数据，基于整合数据确定各区域和生态系统的需求和限制，包括上游区域的水资源需求、下游区域的防洪需求、左右岸的生态保护需求以及跨区域的水质管理需求；
在生成的初步管理策略基础上，结合各区域和生态系统的需求，对管理策略进行调整，调整步骤包括：上下游协调：确保上游的水资源分配满足下游的需求，同时控制上游的水污染不影响下游水质：
其中，Qdownstream为下游流量需求，Qupstream为上游流量，Qusage，i为上游各个用水点的用水量；
左右岸协调：评估左右岸的生态需求，确保管理策略不破坏生态平衡，使用生态健康指数Et作为评估标准，左右岸的生态健康指数应满足：
跨区域协调：确保跨区域的流域管理政策和策略一致，减少政策冲突和资源浪费，基于多区域协同优化，综合各区域的目标函数，进行整体优化，表示为：其中，R为区域数，Fr为区域r的目标函数，Cr为区域r的协同成本，αr和βr为权重；
采用迭代优化法对调整后的策略进行优化，确保各区域和生态系统的需求得到最优满足。
5.根据权利要求4所述的基于大数据分析的河流综合管理系统，其特征在于，所述采用迭代优化法对调整后的策略进行优化具体包括：
初始化：设定初始管理策略x0和协同约束λ0；
迭代更新：在第k次迭代中，更新各区域策略xk+1和协同约束λk+1；
策略更新：其中，xr为区域r的策略，为第k次迭代中的协同约束；
约束更新：其中，α为学习率，Ctarget，r为区域r的目标协同成本；
收敛判定：检查收敛条件，若满足则终止迭代，否则进入下一次迭代；
收敛条件：||xk+1-xk||＜∈且其中，∈为预设的收敛阈值。
6.根据权利要求1所述的基于大数据分析的河流综合管理系统，其特征在于，所述情景模拟分析模块具体包括：
构建多种情景模拟模型：
根据历史数据和预测数据，构建多个情景模拟模型，用于模拟不同的环境和管理场景，包括：
正常运行情景：模拟河流在正常气象条件和用水需求下的运行情况；
极端天气情景：模拟在极端气象条件下的河流运行情况；
突发污染事件情景：模拟在突发污染事件发生时，河流的污染扩散和治理效果；
生态保护强化情景：模拟在加大生态保护力度的情况下，河流生态系统的恢复和发展情况；
模拟模型的构建公式如下：
Scenarioi＝SimModel(HistData，PredData，EnvVarsi)，其中，Scenarioi表示第i个情景模拟模型，SimModel表示模拟模型，HistData为历史数据，PredData为预测数据，EnvVarsi为第i个情景的环境变量；
模拟不同的环境和管理场景：通过运行构建的情景模拟模型，模拟不同的环境和管理场景，生成模拟结果，模拟结果包括水质、流量、生态健康指数指标在不同情景下的变化情况，模拟表示如下：
水质模拟：其中，Qt表示第t时刻的水质指标，Q0为初始值，βj为回归系数，Xj，t为第j个环境变量在第t时刻的值，∈t为误差项；
流量模拟：其中，Ft表示第t时刻的流量，F0为初始流量，γk为回归系数，Yk，t为第k个环境变量在第t时刻的值，ηt为误差项；
生态健康指数模拟：其中，Et表示第t时刻的生态健康指数，E0为初始值，δl为回归系数，Zl，t为第2个环境变量在第t时刻的值，ξt为误差项。
7.根据权利要求6所述的基于大数据分析的河流综合管理系统，其特征在于，所述评估不同管理策略中的评估指标包括水质指标、流量指标、生态健康指数；
还包括评估公式，具体如下：
其中，Evaluationi(Strategyj)表示在第i个情景下评估第j个策略的结果，Qi,j，tFi，j，t，Ei，j，t分别为第t时刻在第i个情景下应用第j个策略的水质、流量、生态健康指数，wq，wf，we为对应指标的权重；
基于情景模拟分析的结果，评估不同管理策略的优劣，综合各个情景下的评估结果，对每种管理策略的整体表现进行评估，采用加权评分法对不同情景下的评估结果进行加权汇总：
其中，OverallEvaluation(Strategyj)表示第j个策略的总体评估结果，Wi为第i个情景的权重，n为情景总数；
根据综合评估结果，选择总体评分最高的管理策略作为最佳优化方案。
CN202410927866.0A 2024-07-11 2024-07-11 基于大数据分析的河流综合管理系统 Active CN118469157B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410927866.0A CN118469157B (zh) 2024-07-11 2024-07-11 基于大数据分析的河流综合管理系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410927866.0A CN118469157B (zh) 2024-07-11 2024-07-11 基于大数据分析的河流综合管理系统

Publications (2)

Publication Number Publication Date
CN118469157A CN118469157A (zh) 2024-08-09
CN118469157B true CN118469157B (zh) 2024-10-18

Family

ID=92156459

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410927866.0A Active CN118469157B (zh) 2024-07-11 2024-07-11 基于大数据分析的河流综合管理系统

Country Status (1)

Country Link
CN (1) CN118469157B (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118690145A (zh) * 2024-08-27 2024-09-24 武汉轻工大学 基于物联网技术的地下水污染预警方法及系统
CN118690670A (zh) * 2024-08-29 2024-09-24 聊城黄河河务局东阿黄河河务局 基于机器学习的河流水质预测方法及系统
CN119168413B (zh) * 2024-09-02 2025-04-08 黄河水利委员会黄河水利科学研究院 一种二级悬河稳定性评价方法
CN119515646A (zh) * 2025-01-21 2025-02-25 山西省城市群投资建设集团有限公司 河流防治工程的测量方案生成方法和系统
CN119647705B (zh) * 2025-02-18 2025-04-18 江西师范大学 一种结合江豚栖息地模拟的河域环境优化方法及系统
CN119831454B (zh) * 2025-03-19 2025-06-27 水利部交通运输部国家能源局南京水利科学研究院 一种水生态环境健康状态评估与预测方法及系统
CN119941059B (zh) * 2025-04-09 2025-08-15 山东省水利科学研究院 基于水系连通条件下的水利工程控制方法及系统
CN120146322B (zh) * 2025-05-14 2025-08-26 浙江颐川科技有限公司 一种基于物联网的河道综合管控数据协同优化方法及系统
CN120525213B (zh) * 2025-07-25 2025-09-12 生态环境部华南环境科学研究所(生态环境部生态环境应急研究所) 基于深度学习的流域协同发展与保护的评价方法及系统

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116862132A (zh) * 2023-04-20 2023-10-10 南京田加心电子商务有限公司 基于大数据的资源调度方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2003036330A2 (en) * 2001-10-22 2003-05-01 Coppola Emery A Jr Neural network based predication and optimization for groundwater / surface water system
CN102096867A (zh) * 2011-02-15 2011-06-15 上海海事大学 基于无线传感器网络技术的内河管理信息系统设计方法
CN103533648B (zh) * 2013-10-24 2016-06-01 哈尔滨工业大学 基于支持向量机的无线异构网络移动用户位置预测方法
KR101864342B1 (ko) * 2018-02-07 2018-06-04 서울시립대학교 산학협력단 정수지 소독능을 고려한 단기 물 수요예측 기반 송수펌프 최적운영방법
CN116070886B (zh) * 2023-04-04 2023-06-20 水利部交通运输部国家能源局南京水利科学研究院 水资源系统多维适应性调控方法及系统
CN116485584B (zh) * 2023-06-21 2023-08-29 水利部交通运输部国家能源局南京水利科学研究院 高寒区大底坡河流wee协同调控方法及系统

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116862132A (zh) * 2023-04-20 2023-10-10 南京田加心电子商务有限公司 基于大数据的资源调度方法

Also Published As

Publication number Publication date
CN118469157A (zh) 2024-08-09

Similar Documents

Publication Publication Date Title
CN118469157B (zh) 基于大数据分析的河流综合管理系统
Dong et al. Hourly energy consumption prediction of an office building based on ensemble learning and energy consumption pattern classification
Bacanli et al. Adaptive neuro-fuzzy inference system for drought forecasting
CN111275571B (zh) 考虑微气象与用户模式的居民负荷概率预测深度学习方法
CN113705877A (zh) 基于深度学习模型的实时月径流预报方法
CN110276700A (zh) 水资源优化配置方法、装置、设备及存储介质
CN118410720B (zh) 基于多时间尺度深度学习网络的降雨径流模拟方法
CN117993624B (zh) 一种流域水生态环境承载力评估系统及方法
CN114357670A (zh) 一种基于bls和自编码器的配电网用电数据异常预警方法
CN119377809A (zh) 基于多元数据融合的电力系统负荷预测方法
CN119476653B (zh) 一种基于动态变分模态分解的多变量多步径流预测方法
CN119379018A (zh) 一种海平面上升影响风险评估方法、介质及系统
CN118734258A (zh) 中长期径流预测方法、装置及介质
CN118349839A (zh) 一种基于数据动态特征挖掘的水环境时序预测模型构建方法
CN118468239A (zh) 一种基于高维变量筛选的迹回归模型族用于河流水位的预测方法
Zhu et al. Climate change scenario simulations for urban flood resilience with system dynamics approach: A case study of smart city shanghai in Yangtze River Delta region
CN118017482A (zh) 基于预测误差特征提取的灵活性爬坡容量需求分析方法
Chen et al. A spatial transfer-based hybrid model for wind speed forecasting
Tang et al. Causality-Guided Deep learning for streamflow predicting in a mountainous region
Chen et al. Spatial–temporal information model-based load current interval prediction for transmission lines
CN111260121A (zh) 一种基于深度瓶颈残差网络的城市范围的人流量预测方法
Yan et al. A Multi-Factor Combination Model for Medium to Long-Term Runoff Prediction Based on Improved BP Neural Network.
Efendi et al. Precipitation and water discharge for internet of things based flood disaster prediction improvement.
CN115358587A (zh) 区域多部门协同的基础设施规划方法及系统
CN120180048B (zh) 基于多元数据与特征选择的电力系统电流波动预测方法

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