水质预测模型

最新推荐文章于 2024-05-29 07:44:38 发布
最新推荐文章于 2024-05-29 07:44:38 发布
阅读量3.4k 收藏 47
点赞数 13
文章标签： python
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/abrabbit/article/details/129655624
版权

水质预测模型构建

1.水质数据介绍

1.1数据介绍

本文将水质分为可以用和不可饮用两种，以区分其水质好坏。水质数据来自于开源竞赛网络，具体包括pH value（pH值）、Hardness（硬度）、Solids（总溶解固体-TDS）、Chloramines（氯胺）、Conductivity（电导率）、Organic_carbon（有机碳）、Trihalomethanes（三卤甲烷类）、Turbidity（浊度）、Potability（可饮用性），以下是数据概念介绍。

  • 1.pH value（pH值）
  • PH是评估水的酸碱平衡的一个重要参数。它也是水状态的酸性或碱性条件的指示器。世界卫生组织建议pH值的最大允许限值为6.5至8.5。目前的调查范围为6.52-6.83，属于世界卫生组织标准范围。
  • 2.Hardness（硬度）
  • 硬度主要由钙盐和镁盐引起。这些盐是从水通过的地质沉积物中溶解出来的。水与产生硬度的材料接触的时间长度有助于确定原水中的硬度。硬度最初被定义为由钙和镁引起的水沉淀肥皂的能力。
  • 3.Solids（总溶解固体-TDS）
  • 水能够溶解各种无机和一些有机矿物或盐，如钾、钙、钠、碳酸氢盐、氯化物、镁、硫酸盐等。这些矿物在水的外观上会产生不想要的味道和稀释的颜色。这是用水的重要参数。TDS值高的水表明水具有高度矿化。TDS的理想限值为500mg/l，最大限值为1000mg/l，用于饮用。
  • 4.Chloramines（氯胺）
  • 氯和氯胺是公共供水系统中使用的主要消毒剂。氯胺最常见的形成是在氯中加入氨来处理饮用水。氯含量高达每升4毫克（mg/L或百万分之四（ppm））被认为是安全的饮用水中。
  • 5.Sulfate（硫酸盐）
  • 硫酸盐是天然存在的物质，存在于矿物、土壤和岩石中。它们存在于环境空气、地下水、植物和食物中。硫酸盐的主要商业用途是在化学工业中。海水中的硫酸盐浓度约为2700毫克/升（mg/L）。在大多数淡水供应中，它的浓度在3至30mg/L之间，尽管在一些地理位置发现的浓度要高得多（1000mg/L）。
  • 6.Conductivity（电导率）
  • 纯水不是电流的良好导体，而是一种良好的绝缘体。离子浓度的增加增强了水的导电性。通常，水中溶解固体的量决定了电导率。电导率（EC）实际上是测量溶液的离子过程，使其能够传输电流。根据世界卫生组织标准，EC值不应超过400μS/cm。
  • 7.Organic_carbon（有机碳）
  • 源水中的总有机碳（TOC）来自腐烂的天然有机物（NOM）和合成来源。TOC是衡量纯水中有机化合物中碳总量的指标。根据美国环保局的规定，经处理/饮用水中的总有机碳含量<2mg/L，用于处理的水源水中的总含量<4mg/L。
  • 8.Trihalomethanes（三卤甲烷类）
  • THM是一种化学物质，可能存在于经过氯处理的水中。饮用水中THM的浓度根据水中有机物质的水平、处理水所需的氯的量以及被处理水的温度而变化。高达80ppm的THM在饮用水中被认为是安全的。
  • 9.Turbidity（浊度）
  • 水的浊度取决于悬浮状态下存在的固体物质的数量。这是对水的发光财产的测量，该测试用于指示与胶体物质有关的废物排放质量。WondoGenet校园的平均浊度值（0.98NTU）低于世界卫生组织建议的5.00NTU。
  • 10.Potability（可饮用性）
  • 表示水对人类消费是否安全，其中1表示可饮用，0表示不可饮用。
import numpy as np
import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt
%matplotlib inline
import plotly.express as px
import warnings
warnings.filterwarnings('ignore')

# It is always consider as a good practice to make a copy of original dataset.

main_df = pd.read_csv("/kaggle/input/water-potability/water_potability.csv")
df = main_df.copy()

# 前5行数据
# Getting top 5 row of the dataset
df.head()
phHardnessSolidsChloraminesSulfateConductivityOrganic_carbonTrihalomethanesTurbidityPotability
0NaN204.89045520791.3189817.300212368.516441564.30865410.37978386.9909702.9631350
13.716080129.42292118630.0578586.635246NaN592.88535915.18001356.3290764.5006560
28.099124224.23625919909.5417329.275884NaN418.60621316.86863766.4200933.0559340
38.316766214.37339422018.4174418.059332356.886136363.26651618.436524100.3416744.6287710
49.092223181.10150917978.9863396.546600310.135738398.41081311.55827931.9979934.0750750

Following are the list of algorithms that are used in this notebook.

Algorithm
Logistic Regression
Decision Tree
Random Forest
XGBoost
KNeighbours
SVM
AdaBoost
print(df.shape)

(3276, 10)

print(df.columns)

Index(['ph', 'Hardness', 'Solids', 'Chloramines', 'Sulfate', 'Conductivity',
       'Organic_carbon', 'Trihalomethanes', 'Turbidity', 'Potability'],
      dtype='object')

1.2描述性统计

  • 各个数据的数量、平均值、标准差、最小最大值等如下表所示。
df.describe()
phHardnessSolidsChloraminesSulfateConductivityOrganic_carbonTrihalomethanesTurbidityPotability
count2785.0000003276.0000003276.0000003276.0000002495.0000003276.0000003276.0000003114.0000003276.0000003276.000000
mean7.080795196.36949622014.0925267.122277333.775777426.20511114.28497066.3962933.9667860.390110
std1.59432032.8797618768.5708281.58308541.41684080.8240643.30816216.1750080.7803820.487849
min0.00000047.432000320.9426110.352000129.000000181.4837542.2000000.7380001.4500000.000000
25%6.093092176.85053815666.6902976.127421307.699498365.73441412.06580155.8445363.4397110.000000
50%7.036752196.96762720927.8336077.130299333.073546421.88496814.21833866.6224853.9550280.000000
75%8.062066216.66745627332.7621278.114887359.950170481.79230416.55765277.3374734.5003201.000000
max14.000000323.12400061227.19600813.127000481.030642753.34262028.300000124.0000006.7390001.000000
df.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 3276 entries, 0 to 3275
Data columns (total 10 columns):
 #   Column           Non-Null Count  Dtype  
---  ------           --------------  -----  
 0   ph               2785 non-null   float64
 1   Hardness         3276 non-null   float64
 2   Solids           3276 non-null   float64
 3   Chloramines      3276 non-null   float64
 4   Sulfate          2495 non-null   float64
 5   Conductivity     3276 non-null   float64
 6   Organic_carbon   3276 non-null   float64
 7   Trihalomethanes  3114 non-null   float64
 8   Turbidity        3276 non-null   float64
 9   Potability       3276 non-null   int64  
dtypes: float64(9), int64(1)
memory usage: 256.1 KB

#数量

print(df.nunique())

ph                 2785
Hardness           3276
Solids             3276
Chloramines        3276
Sulfate            2495
Conductivity       3276
Organic_carbon     3276
Trihalomethanes    3114
Turbidity          3276
Potability            2
dtype: int64

# 唯一值数量
print(df.isnull().sum())

ph                 491
Hardness             0
Solids               0
Chloramines          0
Sulfate            781
Conductivity         0
Organic_carbon       0
Trihalomethanes    162
Turbidity            0
Potability           0
dtype: int64

#定义各指标数据类型

df.dtypes

ph                 float64
Hardness           float64
Solids             float64
Chloramines        float64
Sulfate            float64
Conductivity       float64
Organic_carbon     float64
Trihalomethanes    float64
Turbidity          float64
Potability           int64
dtype: object

sns.heatmap(df.isnull())

<AxesSubplot:>

在这里插入图片描述

#各指标关联矩阵

plt.figure(figsize=(10, 8))
sns.heatmap(df.corr(), annot= True, cmap='coolwarm')

<AxesSubplot:>

在这里插入图片描述

#拆解关联矩阵来更直观的查看指标间的关联性

# Unstacking the correlation matrix to see the values more clearly.
corr = df.corr()
c1 = corr.abs().unstack()
c1.sort_values(ascending = False)[12:24:2]

Hardness  Sulfate           0.106923
ph        Solids            0.089288
Hardness  ph                0.082096
Solids    Chloramines       0.070148
Hardness  Solids            0.046899
ph        Organic_carbon    0.043503
dtype: float64

#可饮用数据与不可饮用数据柱状图

ax = sns.countplot(x = "Potability",data= df, saturation=0.8)
plt.xticks(ticks=[0, 1], labels = ["Not Potable", "Potable"])
plt.show()






    



```python
#可饮数据与不可饮用数据

x = df.Potability.value_counts()
labels = [0,1]
print(x)

0    1998
1    1278
Name: Potability, dtype: int64

#PH值和可饮用性的小提琴图

sns.violinplot(x='Potability', y='ph', data=df, palette='rocket')

<AxesSubplot:xlabel='Potability', ylabel='ph'>

在这里插入图片描述

#用箱线图可视化数据并检查异常值

# Visualizing dataset and also checking for outliers 

fig, ax = plt.subplots(ncols = 5, nrows = 2, figsize = (20, 10))
index = 0
ax = ax.flatten()

for col, value in df.items():
    sns.boxplot(y=col, data=df, ax=ax[index])
    index += 1
plt.tight_layout(pad = 0.5, w_pad=0.7, h_pad=5.0)

在这里插入图片描述

#用柱状图可视化数据

plt.rcParams['figure.figsize'] = [20,10]
df.hist()
plt.show()

在这里插入图片描述

#根据可饮用性进行分类

sns.pairplot(df, hue="Potability")

<seaborn.axisgrid.PairGrid at 0x7f0b09306b10>

在这里插入图片描述

#可饮用性（x轴）和密度（y轴）的关系

plt.rcParams['figure.figsize'] = [7,5]
sns.distplot(df['Potability'])

<AxesSubplot:xlabel='Potability', ylabel='Density'>

在这里插入图片描述

#PH值与可饮用性的关系

df.hist(column='ph', by='Potability')

array([<AxesSubplot:title={'center':'0'}>,
       <AxesSubplot:title={'center':'1'}>], dtype=object)

在这里插入图片描述

#水质硬度与可饮用性的关系

df.hist(column='Hardness', by='Potability')

array([<AxesSubplot:title={'center':'0'}>,
       <AxesSubplot:title={'center':'1'}>], dtype=object)

在这里插入图片描述

#各指标的独立箱线图

# Individual box plot for each feature
def Box(df):
    plt.title("Box Plot")
    sns.boxplot(df)
    plt.show()
Box(df['ph'])

在这里插入图片描述

#水质硬化不同程度的数量

sns.histplot(x = "Hardness", data=df)

<AxesSubplot:xlabel='Hardness', ylabel='Count'>

在这里插入图片描述

#获取唯一值

df.nunique()

ph                 2785
Hardness           3276
Solids             3276
Chloramines        3276
Sulfate            2495
Conductivity       3276
Organic_carbon     3276
Trihalomethanes    3114
Turbidity          3276
Potability            2
dtype: int64

#对各指标的影响程度按降序排列

skew_val = df.skew().sort_values(ascending=False)
skew_val

Solids             0.621634
Potability         0.450784
Conductivity       0.264490
ph                 0.025630
Organic_carbon     0.025533
Turbidity         -0.007817
Chloramines       -0.012098
Sulfate           -0.035947
Hardness          -0.039342
Trihalomethanes   -0.083031
dtype: float64
  • Using pandas skew function to check the correlation between the values.
  • Values between 0.5 to -0.5 will be considered as the normal distribution else will be skewed depending upon the skewness value.
#各指标缺失数据的百分比

df.isnull().mean().plot.bar(figsize=(10,6)) 
plt.ylabel('Percentage of missing values') 
plt.xlabel('Features') 
plt.title('Missing Data in Percentages');

在这里插入图片描述

df['ph'] = df['ph'].fillna(df['ph'].mean())
df['Sulfate'] = df['Sulfate'].fillna(df['Sulfate'].mean())
df['Trihalomethanes'] = df['Trihalomethanes'].fillna(df['Trihalomethanes'].mean())

df.head()
phHardnessSolidsChloraminesSulfateConductivityOrganic_carbonTrihalomethanesTurbidityPotability
07.080795204.89045520791.3189817.300212368.516441564.30865410.37978386.9909702.9631350
13.716080129.42292118630.0578586.635246333.775777592.88535915.18001356.3290764.5006560
28.099124224.23625919909.5417329.275884333.775777418.60621316.86863766.4200933.0559340
38.316766214.37339422018.4174418.059332356.886136363.26651618.436524100.3416744.6287710
49.092223181.10150917978.9863396.546600310.135738398.41081311.55827931.9979934.0750750
#各数据的热力图

sns.heatmap(df.isnull())

<AxesSubplot:>

在这里插入图片描述

df.isnull().sum()

ph                 0
Hardness           0
Solids             0
Chloramines        0
Sulfate            0
Conductivity       0
Organic_carbon     0
Trihalomethanes    0
Turbidity          0
Potability         0
dtype: int64

X = df.drop('Potability', axis=1)
y = df['Potability']

X.shape, y.shape

((3276, 9), (3276,))

# import StandardScaler to perform scaling
from sklearn.preprocessing import StandardScaler 
scaler = StandardScaler()

X = scaler.fit_transform(X)
X

array([[-1.02733269e-14,  2.59194711e-01, -1.39470871e-01, ...,
        -1.18065057e+00,  1.30614943e+00, -1.28629758e+00],
       [-2.28933938e+00, -2.03641367e+00, -3.85986650e-01, ...,
         2.70597240e-01, -6.38479983e-01,  6.84217891e-01],
       [ 6.92867789e-01,  8.47664833e-01, -2.40047337e-01, ...,
         7.81116857e-01,  1.50940884e-03, -1.16736546e+00],
       ...,
       [ 1.59125368e+00, -6.26829230e-01,  1.27080989e+00, ...,
        -9.81329234e-01,  2.18748247e-01, -8.56006782e-01],
       [-1.32951593e+00,  1.04135450e+00, -1.14405809e+00, ...,
        -9.42063817e-01,  7.03468419e-01,  9.50797383e-01],
       [ 5.40150905e-01, -3.85462310e-02, -5.25811937e-01, ...,
         5.60940070e-01,  7.80223466e-01, -2.12445866e+00]])

# import train-test split 
from sklearn.model_selection import train_test_split

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.33, random_state=42)

2.水质模型构建

2.1逻辑回归模型构建

这几个水质模型构建效果分析（结合各模型图表、指标）

from sklearn.linear_model import LogisticRegression
from sklearn.metrics import confusion_matrix, accuracy_score, classification_report

# Creating model object
model_lg = LogisticRegression(max_iter=120,random_state=0, n_jobs=20)

# Training Model
model_lg.fit(X_train, y_train)

LogisticRegression(max_iter=120, n_jobs=20, random_state=0)

# Making Prediction
pred_lg = model_lg.predict(X_test)

# Calculating Accuracy Score
lg = accuracy_score(y_test, pred_lg)
print(lg)

0.6284658040665434
  • 逻辑回归的预测精确度为0.6284658040665434
print(classification_report(y_test,pred_lg))

              precision    recall  f1-score   support

           0       0.63      1.00      0.77       680
           1       0.00      0.00      0.00       402

    accuracy                           0.63      1082
   macro avg       0.31      0.50      0.39      1082
weighted avg       0.39      0.63      0.49      1082
  • 逻辑回归的召回率、f1分数如上图所示。
# confusion Maxtrix
cm1 = confusion_matrix(y_test, pred_lg)
sns.heatmap(cm1/np.sum(cm1), annot = True, fmt=  '0.2%', cmap = 'Reds')

<AxesSubplot:>

在这里插入图片描述

2.2决策树模型构建

from sklearn.tree import DecisionTreeClassifier

# Creating model object
model_dt = DecisionTreeClassifier( max_depth=4, random_state=42)

# Training Model
model_dt.fit(X_train,y_train)

DecisionTreeClassifier(max_depth=4, random_state=42)

# Making Prediction
pred_dt = model_dt.predict(X_test)

# Calculating Accuracy Score
dt = accuracy_score(y_test, pred_dt)
print(dt)

0.6451016635859519
  • 可见，决策树模型的精确度是0.6451016635859519
print(classification_report(y_test,pred_dt))

              precision    recall  f1-score   support

           0       0.66      0.90      0.76       680
           1       0.56      0.22      0.32       402

    accuracy                           0.65      1082
   macro avg       0.61      0.56      0.54      1082
weighted avg       0.62      0.65      0.60      1082
  • 决策树模型的召回率、f1分数如上图所示。
# confusion Maxtrix
cm2 = confusion_matrix(y_test, pred_dt)
sns.heatmap(cm2/np.sum(cm2), annot = True, fmt=  '0.2%', cmap = 'Reds')

<AxesSubplot:>

在这里插入图片描述

2.3随机森林模型构建

from sklearn.ensemble import RandomForestClassifier

# Creating model object
model_rf = RandomForestClassifier(n_estimators=300,min_samples_leaf=0.16, random_state=42)

# Training Model
model_rf.fit(X_train, y_train)

RandomForestClassifier(min_samples_leaf=0.16, n_estimators=300, random_state=42)

# Making Prediction
pred_rf = model_rf.predict(X_test)

# Calculating Accuracy Score
rf = accuracy_score(y_test, pred_rf)
print(rf)

0.6284658040665434

随机森林模型的准确度是0.6284658040665434

print(classification_report(y_test,pred_rf))

              precision    recall  f1-score   support

           0       0.63      1.00      0.77       680
           1       0.00      0.00      0.00       402

    accuracy                           0.63      1082
   macro avg       0.31      0.50      0.39      1082
weighted avg       0.39      0.63      0.49      1082
  • 随机森林模型的召回率、f1分数如上图所示。
# confusion Maxtrix
cm3 = confusion_matrix(y_test, pred_rf)
sns.heatmap(cm3/np.sum(cm3), annot = True, fmt=  '0.2%', cmap = 'Reds')

<AxesSubplot:>

在这里插入图片描述

2.4XGBoost模型构建

from xgboost import XGBClassifier

# Creating model object
model_xgb = XGBClassifier(max_depth= 8, n_estimators= 125, random_state= 0,  learning_rate= 0.03, n_jobs=5)

# Training Model
model_xgb.fit(X_train, y_train)

[01:40:53] WARNING: ../src/learner.cc:1095: Starting in XGBoost 1.3.0, the default evaluation metric used with the objective 'binary:logistic' was changed from 'error' to 'logloss'. Explicitly set eval_metric if you'd like to restore the old behavior.





XGBClassifier(base_score=0.5, booster='gbtree', colsample_bylevel=1,
              colsample_bynode=1, colsample_bytree=1, gamma=0, gpu_id=-1,
              importance_type='gain', interaction_constraints='',
              learning_rate=0.03, max_delta_step=0, max_depth=8,
              min_child_weight=1, missing=nan, monotone_constraints='()',
              n_estimators=125, n_jobs=5, num_parallel_tree=1, random_state=0,
              reg_alpha=0, reg_lambda=1, scale_pos_weight=1, subsample=1,
              tree_method='exact', validate_parameters=1, verbosity=None)

# Making Prediction
pred_xgb = model_xgb.predict(X_test)

# Calculating Accuracy Score
xgb = accuracy_score(y_test, pred_xgb)
print(xgb)

0.6709796672828097
  • XGBoost模型的准确度是0.6709796672828097
print(classification_report(y_test,pred_xgb))

              precision    recall  f1-score   support

           0       0.68      0.89      0.77       680
           1       0.61      0.31      0.41       402

    accuracy                           0.67      1082
   macro avg       0.65      0.60      0.59      1082
weighted avg       0.66      0.67      0.64      1082
  • XGBoost模型的召回率、F1分数指标如上图所示。
# confusion Maxtrix
cm4 = confusion_matrix(y_test, pred_xgb)
sns.heatmap(cm4/np.sum(cm4), annot = True, fmt=  '0.2%', cmap = 'Reds')

<AxesSubplot:>

在这里插入图片描述

2.5KNN模型构建

from sklearn.neighbors import KNeighborsClassifier

# Creating model object
model_kn = KNeighborsClassifier(n_neighbors=9, leaf_size=20)

# Training Model
model_kn.fit(X_train, y_train)

KNeighborsClassifier(leaf_size=20, n_neighbors=9)

# Making Prediction
pred_kn = model_kn.predict(X_test)

# Calculating Accuracy Score
kn = accuracy_score(y_test, pred_kn)
print(kn)

0.6534195933456562
  • KNN模型的准确度是0.6534195933456562
print(classification_report(y_test,pred_kn))

              precision    recall  f1-score   support

           0       0.69      0.82      0.75       680
           1       0.55      0.37      0.44       402

    accuracy                           0.65      1082
   macro avg       0.62      0.60      0.59      1082
weighted avg       0.64      0.65      0.63      1082
  • KNN模型的召回率、f1分数如上图所示。
# confusion Maxtrix
cm5 = confusion_matrix(y_test, pred_kn)
sns.heatmap(cm5/np.sum(cm5), annot = True, fmt=  '0.2%', cmap = 'Reds')

<AxesSubplot:>

在这里插入图片描述

2.6支持向量机模型构建

from sklearn.svm import SVC, LinearSVC

model_svm = SVC(kernel='rbf', random_state = 42)

model_svm.fit(X_train, y_train)

SVC(random_state=42)

# Making Prediction
pred_svm = model_svm.predict(X_test)

# Calculating Accuracy Score
sv = accuracy_score(y_test, pred_svm)
print(sv)

0.6885397412199631

print(classification_report(y_test,pred_kn))

# confusion Maxtrix
cm6 = confusion_matrix(y_test, pred_svm)
sns.heatmap(cm6/np.sum(cm6), annot = True, fmt=  '0.2%', cmap = 'Reds')

<AxesSubplot:>

在这里插入图片描述

## Using AdaBoost Classifier

from sklearn.ensemble import AdaBoostClassifier

model_ada = AdaBoostClassifier(learning_rate= 0.002,n_estimators= 205,random_state=42)

model_ada.fit(X_train, y_train)

AdaBoostClassifier(learning_rate=0.002, n_estimators=205, random_state=42)

# Making Prediction
pred_ada = model_ada.predict(X_test)

# Calculating Accuracy Score
ada = accuracy_score(y_test, pred_ada)
print(ada)

0.634011090573013
  • 可见，SVM模型准确率是0.634011090573013
print(classification_report(y_test,pred_ada))

              precision    recall  f1-score   support

           0       0.63      0.99      0.77       680
           1       0.62      0.04      0.07       402

    accuracy                           0.63      1082
   macro avg       0.62      0.51      0.42      1082
weighted avg       0.63      0.63      0.51      1082
  • SVM模型的召回率、F1分数如上图所示。
# confusion Maxtrix
cm7 = confusion_matrix(y_test, pred_ada)
sns.heatmap(cm7/np.sum(cm7), annot = True, fmt=  '0.2%', cmap = 'Reds')

<AxesSubplot:>

在这里插入图片描述

3.各模型效果比较

models = pd.DataFrame({
    'Model':['Logistic Regression', 'Decision Tree', 'Random Forest', 'XGBoost', 'KNeighbours', 'SVM', 'AdaBoost'],
    'Accuracy_score' :[lg, dt, rf, xgb, kn, sv, ada]
})
models
sns.barplot(x='Accuracy_score', y='Model', data=models)

models.sort_values(by='Accuracy_score', ascending=False)
ModelAccuracy_score
5SVM0.688540
3XGBoost0.670980
4KNeighbours0.653420
1Decision Tree0.645102
6AdaBoost0.634011
0Logistic Regression0.628466
2Random Forest0.628466

在这里插入图片描述

比较了各个模型的预测精度后发现，SVM模型有着更高的精准度。
abrabbit
关注
  • 13
    点赞
  • 踩
  • 47
    收藏
    觉得还不错? 一键收藏
  • 2
    评论
模糊神经网络的预测算法-水质评价
08-19
本代码主要利用MATLAB工具进行模糊神经网络的预测算法的仿真，实现水质评价的模拟
【Python案例实战】水质安全分析及建模预测
xnxqwzy的博客
01-31 1576
水是生命之源，是人类生存和发展的基础。它是生态系统中不可或缺的组成部分，对于维系地球上的生命、农业、工业、城市发展等方面都具有至关重要的作用。
ARIMA模型在河流水质预测中的应用_含代码
weixin_42984235的博客
05-10 1389
时间序列是研究数据随时间变化而变化的一种算法，是一种预测性分析算法。它的基本出发点就是事物发展都有连续性，按照它本身固有的规律进行。ARIMA(p,d,q)模型全称为差分自回归移动平均模型 (Autoregressive Integrated Moving Average Model,简记 ARIMA). 是比较成熟且简单的时间预测模型之一。其中 AR 为自回归, I 为差分, MA 为移动平均。p：趋势自回归阶数。d：趋势差分阶数。q：趋势移动平均阶数。
水质预测模型精度评估实例
最新发布
weixin_42984235的博客
05-29 1460
本研究采用基于一维水质的机理模型，通过实时监测数据动态调整降解系数与污染物迁移速度，实现了单次对高锰酸盐指数、总磷、氨氮、氟化物长达20天以上的高适应性预测，尤其擅长捕捉水质突变事件。
水环境水质模型预测软件，一维模型、二维模型
04-11
水环境预测软件，水质预测模型，包含河流、湖库的一维水质模型、二维水质模型。内置各种模型公式和解释。针对环境影响评价、环评预测、饮用水水源保护区划分预测具有很好的帮助。
水文模型有哪些？SWAT模型、VIC模型、HEC模型、HSPF模型、HYPE模型、SWMM模型、FVCOM模型、Delft3D模型等应用
weixin_46747075的博客
03-07 7715
熟练掌握各模型的特点和使用方法，以及实际案例的应用。
基于python的数据分析
Oops的博客
03-03 3084
XBoot 练习 1.1 后端创建学生实体类 相关代码 public class XbootGenerator { /** * 实体类名 * 建议仅需修改 */ private static final String CLASS_NAME = "Student"; 1.2 数据库中创建学生表 相关代码 @ApiModelProperty(value = "登录名") @Column(unique = true, nullable = false) pri
【水质预测】基于matlab模糊神经网络FNN水质预测【含Matlab源码 1923期】
订阅付费专栏（初级版），可赠送该付费专栏任意代码1份；
07-03 3139
模糊神经网络FNN水质预测 完整代码和数据，数据可直接替换，适合小白！可提供运行操作视频！
基于小波分解的LSTM水质预测模型
05-06
水是人类和其它生命体所依赖的不可缺少的资源, 建立水质预测模型预测水质状况具有重要的社会经济和生态环保价值. 本文建立了基于小波分解的长短期记忆网络(LSTM)时间序列预测模型(W-LSTM), 运用Daubechies5 (db5)小...
基于深度学习的水质预测模型研究.pdf
08-18
基于深度学习的水质预测模型研究 本研究论文提出了一种基于深度学习的水质预测模型，旨在解决传统水质预测模型预测精度和鲁棒性不高的问题。该模型使用了门控型循环神经网络（GRU），通过探究循环神经网络的最佳...
二维随机水质预测模型及其应用 (2001年)
05-09
在分析香溪河流域污染特点的基础上，建立了一个二维随机水质数学模型，该水质模型把一维水质随机降解模型和二维迁移扩散模型相结合，同时考虑了各水质参数K1，K2，K3和河道横向扩散系数Dy的随机性影响，该模型适用于较复杂水力条件和排污范围大的水体，对于平面二维的任一个计算点，它都能给出该点水质浓度随机变化的概率分布，用该模型对三峡建库后的香溪河库湾水质进行预测，其成果可为三峡库区水环境保护及规划治理提供设计数据．
水资源需求预测研究
02-01
水资源需求预测研究，周声波，张少杰，水资源的可持续利用至关重要，水资源的合理配置是实现水资源可持续利用的前提，而需水量预测是水资源配置过程中十分重要的基础工
基于小波分解的LSTM水质预测模型.7z
07-27
在本项目"基于小波分解的LSTM水质预测模型"中，开发者利用了小波分析和长短期记忆网络（LSTM）相结合的方法来构建预测模型。以下将详细阐述这两个关键知识点。 **小波分解** 小波分析是一种多分辨率分析方法，能够...
基于python长短记忆型递归神经网络的水质预测模型源码+数据.zip
10-16
基于python长短记忆型递归神经网络的水质预测模型源码+数据.zip基于python长短记忆型递归神经网络的水质预测模型源码+数据.zip基于python长短记忆型递归神经网络的水质预测模型源码+数据.zip基于python长短记忆型...
K-Means聚类实验报告实例
小汤圆的博客
11-25 1万+
1.实验背景与问题提出 聚类（clustering）是无监督学习（unsuperviserd learning）中研究和应用最多的一类学习算法，目的是将样本划分成若干个“簇”（cluster），每个“簇”之间尽量相异，每个簇之内的样本尽量相似。K-Means假设聚类结构能够通过一组原型（点）刻画，K-Means中的原型是指每个“簇”的质心，这个原型可以使得“簇”内的平方误差的加和达到最小，公式如下： K-Means算法的目标是最小化聚类后“类”内的平方误差和，因.........
Kaggle时序建模案例：预测水资源可用性
AI蜗牛车
09-21 247
Acea Smart Water Analytics您能否预测水资源未来的的可用性？每个数据集代表一种不同类型的水体。由于每个水体彼此不同，相关特征也不同。我们会注意到它的特征与湖泊的特征不同。这些差异是根据每个水体的独特行为和特征预期的。步骤1：数据集读取首先读取数据，并找到对应的日期列，fromdatetimeimportdatetime,date df['date']=pd.t...
水环境模型与大数据技术融合研究
weixin_45585364的博客
01-12 2836
点击上方蓝字关注我们水环境模型与大数据技术融合研究马金锋1,饶凯锋1,李若男1,2,张京1,郑华1,21中国科学院生态环境研究中心城市与区域生态国家重点实验室，北京 100085...
python项目分享 - 基于大数据的水质情况实时监测预警可视化
switch_mooood的博客
01-17 562
大数据大屏可视化系列：基于大数据的水质情况实时监测预警可视化可搭载任意自己想用的数据，动态效果不错。
Python操作CSV格式文件
热门推荐
凯耐的博客
01-16 8万+
(一)CSV格式文件 1.说明 CSV是一种以逗号分隔数值的文件类型，在数据库或电子表格中，常见的导入导出文件格式就是CSV格式，CSV格式存储数据通常以纯文本的方式存数数据表。 (二)CSV库操作csv格式文本 操作一下表格数据： 1.读取表头的2中方式 #方式一 import csv with open("D:\\test.csv") as f: read
水质监测可视化平台的关键业务
06-13
水质监测可视化平台的关键业务包括以下几个方面： 1. 水质数据采集和处理：平台需要采集和处理来自各种水源的水质数据，包括水温、PH值、溶解氧、总磷、总氮等指标，以便为客户提供准确、及时的水质信息。 2. 可视化数据展示和分析：平台需要将采集到的水质数据进行可视化展示和分析，通过图表、地图等方式呈现出水质状况的变化趋势和空间分布，帮助客户更好地了解和管理水质。 3. 报警和预警功能：平台需要具备报警和预警功能，当水质数据异常或超过预设的阈值时，能够及时向客户发送警报信息，提醒客户进行相应的处理和管理。 4. 客户自定义设置：平台需要支持客户自定义设置，包括水质指标、报警阈值、数据展示方式等方面，以便满足不同客户的需求和要求。 5. 数据安全和隐私保护：平台需要保证水质数据的安全和隐私，采用严格的数据加密和权限管理措施，确保客户数据不被泄露或滥用。 6. 专业服务和支持：平台需要提供专业的水质监测服务和技术支持，为客户提供解决方案和技术指导，满足客户的需求和期望。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 2
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值