时间序列模型水质预测领域的新思路
时间: 2023-10-29 19:04:34 浏览: 42
在时间序列模型水质预测领域,有一项新的思路是基于迁移学习的LSTM策略来填补大规模连续缺失数据,并将其应用于水质预测系统中\[3\]。这种方法利用长短期记忆网络(LSTM)来学习时间序列数据的模式,并通过迁移学习的方式将已有的知识应用于新的水质预测任务中。通过这种方式,可以有效地填补缺失数据,并提高水质预测的准确性。这项研究为解决水质预测中的数据缺失问题提供了一种新的思路和方法。
#### 引用[.reference_title]
- *1* *2* [水环境模型与大数据技术融合研究](https://blog.csdn.net/weixin_45585364/article/details/122465608)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^insert_down1,239^v3^insert_chatgpt"}} ] [.reference_item]
- *3* [文献阅读(基于TrAdaBoost- LSTM算法对大规模连续水质缺失值)与TradaBoost算法的学习](https://blog.csdn.net/weixin_44790306/article/details/121191343)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^insert_down1,239^v3^insert_chatgpt"}} ] [.reference_item]
[ .reference_list ]