-
公开(公告)号:CN112394137A
公开(公告)日:2021-02-23
申请号:CN201910747028.4
申请日:2019-08-14
申请人: 中国科学院沈阳计算技术研究所有限公司
摘要: 本发明涉及一种环境空气质量监测智能校准方法。该方法主要是根据当前空气环境监测的网格化要求,针对当前微型监测仪器传感器精度不高而导致的监测数据偏差问题,对微型监测仪器监测的数据进行校准。将国家标准站的标准数据作为目标学习值。将微型监测仪器放置国家标准站周围在同环境下进行学习规则的训练。经过训练微型监测仪器会学习到接近国家标准站规则的学习方法,利用这套新学习的规则可以提高微型监测仪器监测数据的准确度。本文主要针对空气质量六项污染物之一的SO2数据为例进行说明。
-
公开(公告)号:CN110532538A
公开(公告)日:2019-12-03
申请号:CN201810508011.9
申请日:2018-05-24
申请人: 中国科学院沈阳计算技术研究所有限公司
IPC分类号: G06F17/27
摘要: 本发明涉及财产纠纷裁判文书关键实体抽取算法。该方法首先将用户输入的裁判文书筛去停用词并进行分句、分词、分字处理,然后将词序列集、字序列集分别与句序列集相关联。通过词序列集和预先选取的特征集进行比对,将对应的句子转换成特征向量并输入SVM中筛选出包含关键实体的句子。针对这类句子,将对应的字序列集转换成定长字向量序列集输入到BiLSTM-CRF网络抽取出关键实体并将结果返回给用户。本发明方法通过相关实验验证了方法的准确性。
-
公开(公告)号:CN105675448B
公开(公告)日:2018-07-03
申请号:CN201410653274.0
申请日:2014-11-17
申请人: 中国科学院沈阳计算技术研究所有限公司
CPC分类号: Y02A20/16
摘要: 本发明涉及一种面向水环境质量监测的动态模拟污染物扩散的方法,包括以下步骤:建立河流模型;然后按连续稳定排放模型或者瞬时排放模型计算某区段中测定点的当前污染物浓度;将当前污染物浓度与环保标准相对比,确定水质等级,并用颜色渲染河流模型中的该区段。本发明不受时间、地域限制,更重要的是不会真正造成水体污染,而且可随时模拟污染物扩散情况,从而对于找到规划工厂选址和城市发展的最佳方案提供强大的信息参考;可根据不同要求,设定众多参数,模拟不同情况下,污染物的扩散情况,从而满足不同的需求。
-
公开(公告)号:CN116205118A
公开(公告)日:2023-06-02
申请号:CN202111429160.4
申请日:2021-11-29
申请人: 中国科学院沈阳计算技术研究所有限公司
IPC分类号: G06F30/27 , G06F18/214 , G06F119/02
摘要: 本发明属于人工智能和环境科学领域,具体的说是一种基于注意力机制的PM2.5浓度预测的方法,该方法首先将空气污染物(PM2.5、PM10、SO2等)进行预处理,通过阈值判定、K‑means算法对异常点进行检测,通过均值插值去替换异常值。再将数据集分为训练集,测试集,对训练集进行标准化处理,然后将处理后的数据输入Attention‑LSTM神经网络进行训练,得到训练模型,对未来PM2.5污染物浓度进行预测。本发明弥补了传统方法在时间序列数据方面的缺陷,提高了训练速度以及模型的准确率。
-
公开(公告)号:CN110532538B
公开(公告)日:2022-11-29
申请号:CN201810508011.9
申请日:2018-05-24
申请人: 中国科学院沈阳计算技术研究所有限公司
IPC分类号: G06F40/295
摘要: 本发明涉及财产纠纷裁判文书关键实体抽取算法。该方法首先将用户输入的裁判文书筛去停用词并进行分句、分词、分字处理,然后将词序列集、字序列集分别与句序列集相关联。通过词序列集和预先选取的特征集进行比对,将对应的句子转换成特征向量并输入SVM中筛选出包含关键实体的句子。针对这类句子,将对应的字序列集转换成定长字向量序列集输入到BiLSTM‑CRF网络抽取出关键实体并将结果返回给用户。本发明方法通过相关实验验证了方法的准确性。
-
公开(公告)号:CN117973583A
公开(公告)日:2024-05-03
申请号:CN202211344659.X
申请日:2022-10-31
申请人: 中国科学院沈阳计算技术研究所有限公司
IPC分类号: G06Q10/04 , G06Q10/0639 , G06Q50/26 , G06N3/04 , G06N3/08 , G06N3/006 , G06F18/2451
摘要: 本发明涉及一种基于深度置信网络的区域空气质量预测方法。该方法首先对监测点位空气质量监测数据即6种空气污染物小时浓度数据进行清洗,填充缺失并归一化,生成训练集和测试集,然后将数据输入到IPSO‑DBN模型中进行特征提取,使用Attention机制将不同点位监测数据提取出的特征进行加权融合,将融合后的特征向量作为SVR模型的输入进行模型的训练,最后使用训练好的模型进行6种空气污染物小时浓度的预测。该方法融合了DBN模型强大的特征提取能力和SVR模型的回归预测能力以及Attention机制解决空气质量空间相关性,提高模型的预测准确性和鲁棒性。
-
公开(公告)号:CN117217548A
公开(公告)日:2023-12-12
申请号:CN202210608917.4
申请日:2022-05-31
申请人: 中国科学院沈阳计算技术研究所有限公司
IPC分类号: G06Q10/0637 , G06Q50/26 , G06N3/0442 , G06N3/048 , G06N3/084
摘要: 本发明涉及一种基于CEEMDAN‑LSTM的水质预测方法。该方法利用自适应噪声的完整集合经验模态分解算法对水质指标数据进行分解,分离出数据中的高频、低频信号和趋势项,从而获取数据在不同时间尺度上的特征,保证局部特征的完整性。对分解出的每个分量构建堆叠式LSTM神经网络预测模型,多模型可以学习到更多的特征,但仅对模型预测结果求和会造成误差叠加现象。由于每个分量具有不同的重要性,因此为每个模型设置权重,采取加权求和方式,以减缓误差叠加现象。人为设置权重不能体现出特征之间的关系,引入线性回归进行多模型权重自学习,充分考虑特征之间的关系,从而提高模型预测精度。
-
公开(公告)号:CN116187150A
公开(公告)日:2023-05-30
申请号:CN202111419495.8
申请日:2021-11-26
申请人: 中国科学院沈阳计算技术研究所有限公司
IPC分类号: G06F30/27 , G06N3/006 , G06N3/126 , G06Q50/26 , G06F113/08
摘要: 本发明公开了一种基于改进型蚁群算法的空气污染源反演方法,主要包括:根据气体扩散规律建立气体扩散模型,并以此为基础建立空气污染源反演模型;其次对于模型的求解,采用改进的蚁群算法进行求解,从蚁群算法的容易陷入局部极值和收敛速度两个方面进行改进,结合遗传算法的交叉思想以及更新蚁群算法的信息素更新机制,从而加强蚁群算法的全局搜索能力和加快收敛速度,从而达到快速精准反演出空气污染源的相关参数信息,达到污染源的快速定位,进行靶向治理。同时本发明提出的基于改进型蚁群算法的空气污染源反演方法还可适用于水污染、土壤污染等源反演问题。
-
公开(公告)号:CN117521870A
公开(公告)日:2024-02-06
申请号:CN202210876271.8
申请日:2022-07-25
申请人: 中国科学院沈阳计算技术研究所有限公司
IPC分类号: G06Q10/04 , G06N20/20 , G06F18/25 , G06V20/10 , G06V10/80 , G06V10/82 , G06N3/084 , G06N3/086 , G06Q50/06 , G06N3/006
摘要: 本发明涉及一种基于XGBoost的碳排放预测方法,该方法首先对夜间灯光数据、温度数据、行政边界矢量数据以及能源排放数据进行预处理,重点是对两种时间上不连续的夜间灯光数据的亮度值(DN)进行校正处理,将校正好的夜间灯光数据输入PSO‑BP神经网络模型,通过PSO‑BP神经网络模型得到一个长时间序列的夜间灯光数据集,并融合温度、经纬度等辅助数据,作为XGBoost模型的输入,最后使用训练好的模型进行区域碳排放的核算与预测。该方法充分融合了BP神经网络和XGBoost的优点,提高了模型的准确率和泛化能力,可以实现不同区域长时间序列上的碳排放核算与预测,具有一定的通用性。
-
公开(公告)号:CN116028831A
公开(公告)日:2023-04-28
申请号:CN202111239419.9
申请日:2021-10-25
申请人: 中国科学院沈阳计算技术研究所有限公司
IPC分类号: G06F18/2321 , G06F18/15 , G06N3/045 , G06N3/0442 , G06N3/084
摘要: 本发明涉及一种基于BiLSTM改进聚类的空气质量点位优化方法,该方法包括:将空气质量监测数据进行预处理,对数据进行标准化、归一化处理,然后输入Masking层过滤缺失时间步,最后将处理后的数据输入BiLSTM神经网络进行训练,通过BiLSTM神经网络对缺失样本进行补充,得到补充后的完整数据样本。对新样本进行聚类分析,通过聚类分析筛选出合适的空气质量监测点位。本发明通过BiLSTM神经网络优化系统聚类方法,相比于单独使用系统聚类方法,解决了空气质量监测点位数据缺失问题,降低了点位选择的误差,将点位选择的准确率大大提升,同时减少了选择的点位,为空气质量监测点位优化提供了一种新方法。
-
-
-
-
-
-
-
-
-