CN105678414A - 对资源消耗量进行预测的数据处理方法 - Google Patents
对资源消耗量进行预测的数据处理方法 Download PDFInfo
- Publication number
- CN105678414A CN105678414A CN201511034480.4A CN201511034480A CN105678414A CN 105678414 A CN105678414 A CN 105678414A CN 201511034480 A CN201511034480 A CN 201511034480A CN 105678414 A CN105678414 A CN 105678414A
- Authority
- CN
- China
- Prior art keywords
- data
- sequence
- data processing
- predicted
- consumed resource
- 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.)
- Pending
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 25
- 238000000034 method Methods 0.000 claims abstract description 18
- 238000012545 processing Methods 0.000 claims abstract description 18
- 238000004458 analytical method Methods 0.000 claims abstract description 11
- 230000008447 perception Effects 0.000 claims abstract description 9
- 230000006870 function Effects 0.000 claims description 25
- 230000000737 periodic effect Effects 0.000 claims description 11
- 238000009499 grossing Methods 0.000 claims description 8
- 238000007689 inspection Methods 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 6
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000013112 stability test Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000013519 translation Methods 0.000 claims description 3
- 238000007405 data analysis Methods 0.000 abstract description 3
- 238000011161 development Methods 0.000 abstract description 3
- 238000000605 extraction Methods 0.000 abstract description 3
- 238000005065 mining Methods 0.000 abstract 1
- 230000005611 electricity Effects 0.000 description 14
- 238000007726 management method Methods 0.000 description 7
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 4
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 4
- 238000002203 pretreatment Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000003345 natural gas Substances 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 235000009508 confectionery Nutrition 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种对资源消耗量进行预测的数据处理方法，该方法对海量资源消耗历史数据进行特征提取和感知分析，挖掘用户对资源消耗的发展规律和特点，针对特征感知结果进行相应的数据处理，选择合适的算法和模型，综合搭建资源消耗数据处理的预测模型。本发明有效地为资源管理部门提供必须的资源消耗预测数据，实际提升了资源消耗预测的精准度，为资源管理部门的数据分析打下基础。
Description
技术领域
本发明涉及电子信息及数据处理技术领域，具体涉及一种对资源消耗量进行预测的数据处理方法。
背景技术
电力、水资源、天然气等资源的配置关系到国计民生，进行资源消耗量的预测，对于社会生产经营及人们日常生活有着重要的指导意义，以下以用电量为例进行说明：
电力财务管控系统中汇集了电力营销、生产、调度等信息系统所产生的海量信息数据。例如某省3000万用户用电数据，从营销同步过来达到16GB左右，在财务管控系统中，需要按照行业、用电类别等多维度统计及存储约35GB，累计十年就达到42TB。对如此海量的数据信息进行分析处理，从中获取有用信息，挖掘潜在的价值，是电力行业对用电数据管控工作所面临的挑战和机遇。
月用电量数据作为一种基础指标数据，其预测工作涉及到财务管控的账务、报表、资金管理、预算管理等多个业务领域。月用电量预测性，将直接影响到预算等管理在电力业务中引导作用的发挥。在实际应用中，通常会遇到两个主要问题：
第一、用电结构不稳定。月用电量在财务管理中应用时，会需要根据不同的业务区域、用电行业、以及电价等级来分别考虑。财务管控系统中，实际操作中电价处会参考历史同期用电结构人为硬性分摊到各用户类别，由于不同用户类别售电单价存在差异较大，而按此方法分摊势必会影响到各类售电收入预测以及售电收入总额预测的准确性，尤其是当售电结构不稳定时，这种预测方法对售电收入的影响和误差将会继续扩大。其准确不高将会影响到年度、月度损益预算以及先进流预算的准确性，进而影响整个电力融资预算的准确性；
第二、用电量预测通常需要和业务决策目标相互关联。在财务管控系统中的用于决策的月用电量预测，较多的办法是通过月用电统计数据，结合采用回归分析、趋势分析等直接定量预测的方法，并辅之以经验判断验证，直接针对决策目标进行预测。这种方法基于粗粒度的统计口径，利用某一时间序列基本方法来推断月用电量整体发展趋势，势必丢失了很多用户的用电特征的感知，使得用电业务和业务决策分离，也实际需求偏差较大。
发明内容
本发明旨在提供一种对资源消耗量进行预测的数据处理方法，该方法对海量历史数据进行特征提取和感知分析，挖掘用户对资源消耗的发展规律和特点，针对特征感知结果进行相应的数据处理，选择合适的算法和模型，综合搭建资源消耗量数据处理的预测模型。
为了实现上述目的，本发明采取如下的技术方案：
一种对资源消耗量进行预测的数据处理方法，其特征在于，包括如下步骤：
(1)从数据库中抽取以用户为单位连续时段的资源消耗量基础数据，将资源消耗量基础数据导入大数据平台的文件系统，得到基础分析数据；
(2)读取所述基础分析数据，统计数据不完整和资源消耗为0的时间序列分布；
(3)对步骤(2)输出序列进行数据特征的感知，包括：判断序列是否具有周期特征、记录序列波动中的奇异点位置、检验序列是否稳定；
(4)基于步骤(3)特征感知的结果，做如下处理：针对序列波动中的奇异点进行平滑处理；对检验不稳定的序列进行差分处理，每差分一次，再次检验序列是否稳定，如果不合要求，再进行差分，找到差分稳定序列类型或者差分不超过d次；
(5)根据步骤(4)输出结果，选择合适的预测算法模型进行预测；具体操作如下：
(5-1)具有周期且波动较小的特征序列，使用ARIMA算法模型进行预测；
(5-2)具有周期性但数据不稳定的特征序列，使用HoltWinters指数平滑算法模型进行预测；
(5-3)周期性不明确，且数据不稳定的特征序列，使用灰色算法模型进行预测。
作为具体的技术方案：所述步骤(2)中，读取所述基础分析数据，统计数据不完整和资源消耗为0的时间序列分布，具体方法包括：
(2-1)以大比例空值结尾的时间序列，做销户序列，该类序列直接删除；
(2-2)以大比例空值开始的时间序列，做新增用户序列，该类序列直接加和；
(2-3)间隔出现少量空值的时间序列，空值前，连续拥有大于等于5个数时，采用GM算法预测填充空值；
(2-4)间隔出现少量空值的时间序列，空值前，连续数值小于5时，采用平移办法填充空值。
作为具体的技术方案：所述步骤(3)中判断序列是否具有周期特征的方法为：使用傅里叶变换获得数据的周期特征，调用R语言中的傅里叶变换函数，获得频域数据结果，得到极大值点的位置e，该序列的周期为f＝|n/(e-1)|，式中n为该序列长度；当f结果为1时，该序列无周期特征。
作为具体的技术方案：所述步骤(3)中记录序列波动中的奇异点位置的方法为：根据公式：V＝SD/E，V为变异系数、SD为标准差、E为均值，计算该序列的变异系数，并存储结果；判断序列值di/E>＝m或者di/E<＝1/m，m为设定常数，记录序列中的奇异点位置i。
作为具体的技术方案：所述步骤(3)中检验序列是否稳定的方法为：调用R语言中的单位根检验函数adf.test()计算获得序列的p值，如果p<0.01认为该序列稳定。
作为具体的技术方案：所述步骤(4)中，采用滤波算法进行奇异点的平滑处理，滤波算法为用整体序列的均值或者异常点前后3个正常值的均值进行替换，dk为奇异点，dk＝(dk-2+dk-1+dk+1)/3，dk-2、dk-1、dk+1为dk的三个相邻值。
作为具体的技术方案：所述步骤(4)中，采用R语言中的diff()函数对检验不稳定的序列进行差分处理。
作为具体的技术方案：所述步骤(5-1)具体为：将满足要求的序列数据分别放入R语言中的自相关函数acf()和片自相关函数pacf()中，根据规则训练出参数p和q，在根据稳定性检验的差分次数d，将参数放入函数arima(q,d,p)中，进行计算获得预测结果。
作为具体的技术方案：所述步骤(5-2)具体为：将满足要求的序列数据放入R语言中的指数平滑函数HoltWinters(data,beta＝FALSE,gamma＝TRUE)中进行计算获得预测结果。
作为具体的技术方案：所述步骤(5-3)具体为：将满足要求的序列数据放入R语言中的灰色预测函数GM(data)中进行计算获得预测结果。
作为进一步的技术方案：所述对资源消耗量进行预测的数据处理方法还包括步骤(6)：对所述步骤(5)的预测结果，综合外部影响属性进行预测结果的修正，并评估预测结果。
作为进一步的技术方案：所述对资源消耗量进行预测的数据处理方法还包括步骤(7)：根据所述步骤(6)修正后的预测数据和真实资源消耗数据计算残差。
作为具体的技术方案：所述外部影响属性包括：节假日基数、温度基数、资源消耗相关业务基数。
本发明实现了在海量用户的资源消耗量数据基础上，基于资源消耗量特征感知的资源消耗量预测方法，有效地为资源管理部门提供必须的资源消耗量预测数据，实际提升了资源消耗量预测的精准度，为资源管理部门的数据分析业务打下基础。
附图说明
图1为本发明提供的对资源消耗量进行预测的数据处理方法的流程图。
具体实施方式
下面以用电量为例，结合附图和具体实施方式详细说明本发明。
如图1所示，本实施例提供的对用电量进行预测的数据处理方法包括以下步骤：
一、基础用户数据的收集和统计，并导入大数据平台。
根据给定的汇总统计语法，从某网省数据库中获得一个区域所有用户，从2013年1月到2014年8月的每月用电量数据，总计有效用户数据为402520条。将此数据导入大数据平台的HDFS文件系统中，作为基础分析数据。
二、对数据完整性进行数据筛选和预处理。
利用SparkR读取HDFS中用户月用电量基础数据，统计数据不完整和用电为0的时间序列分布，筛选和处理工作主要包含以下几项：
1、以大比例空值结尾的时间序列，做销户序列，该类序列直接删除；
2、以大比例空值开始的时间序列，做新增用户序列，该类序列直接加和；
3、间隔出现少量空值的时间序列，空值前，连续拥有大于等于5个数时，采用GM算法预测填充空值；
4、间隔出现少量空值的时间序列，空值前，连续数值小于5时，采用整体平移办法去掉空值。
三、输出序列提取数据特征。
对步骤二中的每一条数据进行数据特征的提取，主要特征和方法如下：
1、周期特征，使用傅里叶变换获得数据的周期特征，调用R语言中的傅里叶变换函数fft()，获得频域数据结果，并计算得到频域数据结果的极大值点的位置e，该序列的周期为f＝n/(e-1)，式中n为该序列长度。当f结果为1时，该序列无周期特征。
2、波动性，分为离散程度分析和奇异点分析。根据公式：V(变异系数)＝SD(标准差)/E(均值)，计算该序列的变异系数，并存储结果；判断序列值di/E>＝m或者di/E<＝1/m(m为设定常数)，记录序列中的奇异点位置i。
3、稳定检验。使用单位根检验，根据p值进行判断。调用R语言中的单位根检验函数adf.test()计算获得序列的p值，如果p<0.01认为该序列稳定。
四、针对特征进行数据处理。
根据步骤三中的数据特征对数据进行二次预处理，具体操作如下：
1、针对奇异点的预处理，可选用合适的滤波算法进行奇异点的平滑处理。这里采用的滤波算法为用整体序列的均值或者异常点前后3个正常值的均值进行替换，假设dk为奇异点，dk＝(dk-2+dk-1+dk+1)/3，当然这三个相邻值的选取根据实际情况发生变化。
2、针对非稳定数据的预处理，使用差分对数据进行处理。采用R语言中的diff()函数进行差分处理，每差分一次还要对差分结果进程adf.test检验，如果还不合要求，再进行差分，注意差分不得超过两次。
五、根据数据特征选择合适的预测算法进行预测。
1、具有周期且波动较小的特征序列，使用ARIMA预测算法。将满足要求的序列数据分别放入R语言中的自相关函数acf()和片自相关函数pacf()中，根据规则训练出参数p和q，在根据稳定性检验的差分次数d，将参数放入函数arima(q,d,p)中，进行计算获得预测结果。
2、具有周期性但数据不稳定的特征序列，使用HoltWinters指数平滑算法。将满足要求的序列数据放入R中的指数平滑函数HoltWinters(data,beta＝FALSE,gamma＝TRUE)中进行计算获得预测结果；
3、周期性不明确，且数据不稳定的特征序列，使用灰色预测算法。将满足要求的序列数据放入R中的灰色预测函数GM(data)中进行计算获得预测结果。
根据2013年1到12月数据滚动预测14年1到8月数据，结果如下表：
| 2014年月份 | 真实值 | 预测值 | 残差 |
| 1月 | 1.16E+09 | 1.18E+09 | 1.435942 |
| 2月 | 8.31E+08 | 1.17E+09 | 41.37972 |
| 3月 | 1.05E+09 | 1.2E+09 | 14.15527 |
| 4月 | 1.15E+09 | 1.16E+09 | 0.690399 |
| 5月 | 1.13E+09 | 1.17E+09 | 3.947141 |
| 6月 | 1.14E+09 | 1.16E+09 | 2.152017 |
| 7月 | 1.17E+09 | 1.16E+09 | -0.57968 |
| 8月 | 1.19E+09 | 1.18E+09 | -1.19894 |
六、导入外部因素进行预测结果的修正。
往往造成数据具有较大波动的都是外部原因，比如有重大的政策变化、自然灾害、大的节假日等等。这里主要采用节假日作为外部影响源，按照历史数据分析，按照比例放缩对应的节假日数据。
七、根据所述步骤(6)修正后的预测数据和真实用电数据计算残差。
如上述步骤5中预测结果，2月份残差最大，同时2月份为过年，一招历史数据比较，这里相应乘以系数0.7，使2月份预测数据减少为822170514.2，相应残差变为-1.034196728。
以上实施例用以充分公开本发明的技术方案而非对其限制，所属领域的普通技术人员可以理解，依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的揭露范围之内，例如，对于用水量、天然气使用量等类似资源的消耗量，采用上述实施例公开的方法，同样可以进行相应预测的数据处理，得到相应的数据处理结果。
Claims (13)
1.一种对资源消耗量进行预测的数据处理方法，其特征在于，包括如下步骤：
(1)从数据库中抽取以用户为单位连续时段的资源消耗量基础数据，将资源消耗量基础数据导入大数据平台的文件系统，得到基础分析数据；
(2)读取所述基础分析数据，统计数据不完整和资源消耗为0的时间序列分布；
(3)对步骤(2)输出序列进行数据特征的感知，包括：判断序列是否具有周期特征、记录序列波动中的奇异点位置、检验序列是否稳定；
(4)基于步骤(3)特征感知的结果，做如下处理：针对序列波动中的奇异点进行平滑处理；对检验不稳定的序列进行差分处理，每差分一次，再次检验序列是否稳定，如果不合要求，再进行差分，找到差分稳定序列类型或者差分不超过d次；
(5)根据步骤(4)输出结果，选择合适的预测算法模型进行预测；具体操作如下：
(5-1)具有周期且波动较小的特征序列，使用ARIMA算法模型进行预测；
(5-2)具有周期性但数据不稳定的特征序列，使用HoltWinters指数平滑算法模型进行预测；
(5-3)周期性不明确，且数据不稳定的特征序列，使用灰色算法模型进行预测。
2.根据权利要求1所述的对资源消耗量进行预测的数据处理方法，其特征在于：
所述步骤(2)中，读取所述基础分析数据，统计数据不完整和资源消耗为0的时间序列分布，具体方法包括：
(2-1)以大比例空值结尾的时间序列，做销户序列，该类序列直接删除；
(2-2)以大比例空值开始的时间序列，做新增用户序列，该类序列直接加和；
(2-3)间隔出现少量空值的时间序列，空值前，连续拥有大于等于5个数时，采用GM算法预测填充空值；
(2-4)间隔出现少量空值的时间序列，空值前，连续数值小于5时，采用平移办法填充空值。
3.根据权利要求1或2所述的对资源消耗量进行预测的数据处理方法，其特征在于：所述步骤(3)中判断序列是否具有周期特征的方法为：使用傅里叶变换获得数据的周期特征，调用R语言中的傅里叶变换函数，获得频域数据结果，得到极大值点的位置e，该序列的周期为f＝|n/(e-1)|，式中n为该序列长度；当f结果为1时，该序列无周期特征。
4.根据权利要求1或2所述的对资源消耗量进行预测的数据处理方法，其特征在于：所述步骤(3)中记录序列波动中的奇异点位置的方法为：根据公式：V＝SD/E，V为变异系数、SD为标准差、E为均值，计算该序列的变异系数，并存储结果；判断序列值di/E>＝m或者di/E<＝1/m，m为设定常数，记录序列中的奇异点位置i。
5.根据权利要求1或2所述的对资源消耗量进行预测的数据处理方法，其特征在于：所述步骤(3)中检验序列是否稳定的方法为：调用R语言中的单位根检验函数adf.test()计算获得序列的p值，如果p<0.01认为该序列稳定。
6.根据权利要求4所述的对资源消耗量进行预测的数据处理方法，其特征在于：所述步骤(4)中，采用滤波算法进行奇异点的平滑处理，滤波算法为用整体序列的均值或者异常点前后3个正常值的均值进行替换，dk为奇异点，dk＝(dk-2+dk-1+dk+1)/3，dk-2、dk-1、dk+1为dk的三个相邻值。
7.根据权利要求5所述的对资源消耗量进行预测的数据处理方法，其特征在于：所述步骤(4)中，采用R语言中的diff()函数对检验不稳定的序列进行差分处理。
8.根据权利要求1所述的对资源消耗量进行预测的数据处理方法，其特征在于：所述步骤(5-1)具体为：将满足要求的序列数据分别放入R语言中的自相关函数acf()和片自相关函数pacf()中，根据规则训练出参数p和q，在根据稳定性检验的差分次数d，将参数放入函数arima(q,d,p)中，进行计算获得预测结果。
9.根根据权利要求1所述的对资源消耗量进行预测的数据处理方法，其特征在于：所述步骤(5-2)具体为：将满足要求的序列数据放入R语言中的指数平滑函数HoltWinters(data,beta＝FALSE,gamma＝TRUE)中进行计算获得预测结果。
10.根据权利要求1所述的对资源消耗量进行预测的数据处理方法，其特征在于：所述步骤(5-3)具体为：将满足要求的序列数据放入R语言中的灰色预测函数GM(data)中进行计算获得预测结果。
11.根据权利要求1所述的对资源消耗量进行预测的数据处理方法，其特征在于：所述对资源消耗量进行预测的数据处理方法还包括步骤(6)：对所述步骤(5)的预测结果，综合外部影响属性进行预测结果的修正，并评估预测结果。
12.根据权利要求11所述的对资源消耗量进行预测的数据处理方法，其特征在于：所述对资源消耗量进行预测的数据处理方法还包括步骤(7)：根据所述步骤(6)修正后的预测数据和真实资源消耗数据计算残差。
13.根据权利要求11或12所述的对资源消耗量进行预测的数据处理方法，其特征在于：所述外部影响属性包括：节假日基数、温度基数、资源消耗相关业务基数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201511034480.4A CN105678414A (zh) | 2015-12-31 | 2015-12-31 | 对资源消耗量进行预测的数据处理方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201511034480.4A CN105678414A (zh) | 2015-12-31 | 2015-12-31 | 对资源消耗量进行预测的数据处理方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN105678414A true CN105678414A (zh) | 2016-06-15 |
Family
ID=56190050
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201511034480.4A Pending CN105678414A (zh) | 2015-12-31 | 2015-12-31 | 对资源消耗量进行预测的数据处理方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105678414A (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106991145A (zh) * | 2017-03-23 | 2017-07-28 | 中国银联股份有限公司 | 一种监测数据的方法及装置 |
| CN107993033A (zh) * | 2017-11-14 | 2018-05-04 | 广东电网有限责任公司物流服务中心 | 一种电力物资预测方法 |
| CN110378510A (zh) * | 2019-05-30 | 2019-10-25 | 国网浙江绍兴市上虞区供电有限公司 | 一种基于时间序列和层次聚合的配网物资需求预测方法 |
| CN110955513A (zh) * | 2018-09-27 | 2020-04-03 | 阿里巴巴集团控股有限公司 | 一种服务资源的调度方法及系统 |
| WO2020118586A1 (zh) * | 2018-12-12 | 2020-06-18 | 华北电力大学扬中智能电气研究中心 | 一种能源消耗预测方法及装置 |
| CN111415192A (zh) * | 2020-02-27 | 2020-07-14 | 重庆森鑫炬科技有限公司 | 基于大数据的用户用水性质预测方法 |
| CN111582530A (zh) * | 2019-02-18 | 2020-08-25 | 北京京东尚科信息技术有限公司 | 一种云产品资源的消耗预测方法和装置 |
| CN111861016A (zh) * | 2020-07-24 | 2020-10-30 | 北京合众伟奇科技有限公司 | 电网预测售电量的汇总分析管理方法及管理系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103514259A (zh) * | 2013-08-13 | 2014-01-15 | 江苏华大天益电力科技有限公司 | 一种基于数值关联性模型的异常数据探测及修正方法 |
| CN103617466A (zh) * | 2013-12-13 | 2014-03-05 | 李敬泉 | 一种商品需求预测模型的综合评价方法 |
| CN104992239A (zh) * | 2015-06-24 | 2015-10-21 | 国网山东省电力公司电力科学研究院 | 一种基于相关系数的行业用电量规律预测方法 |
-
2015
- 2015-12-31 CN CN201511034480.4A patent/CN105678414A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103514259A (zh) * | 2013-08-13 | 2014-01-15 | 江苏华大天益电力科技有限公司 | 一种基于数值关联性模型的异常数据探测及修正方法 |
| CN103617466A (zh) * | 2013-12-13 | 2014-03-05 | 李敬泉 | 一种商品需求预测模型的综合评价方法 |
| CN104992239A (zh) * | 2015-06-24 | 2015-10-21 | 国网山东省电力公司电力科学研究院 | 一种基于相关系数的行业用电量规律预测方法 |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106991145A (zh) * | 2017-03-23 | 2017-07-28 | 中国银联股份有限公司 | 一种监测数据的方法及装置 |
| CN107993033A (zh) * | 2017-11-14 | 2018-05-04 | 广东电网有限责任公司物流服务中心 | 一种电力物资预测方法 |
| CN110955513A (zh) * | 2018-09-27 | 2020-04-03 | 阿里巴巴集团控股有限公司 | 一种服务资源的调度方法及系统 |
| CN110955513B (zh) * | 2018-09-27 | 2023-04-25 | 阿里云计算有限公司 | 一种服务资源的调度方法及系统 |
| WO2020118586A1 (zh) * | 2018-12-12 | 2020-06-18 | 华北电力大学扬中智能电气研究中心 | 一种能源消耗预测方法及装置 |
| CN111582530A (zh) * | 2019-02-18 | 2020-08-25 | 北京京东尚科信息技术有限公司 | 一种云产品资源的消耗预测方法和装置 |
| CN110378510A (zh) * | 2019-05-30 | 2019-10-25 | 国网浙江绍兴市上虞区供电有限公司 | 一种基于时间序列和层次聚合的配网物资需求预测方法 |
| CN110378510B (zh) * | 2019-05-30 | 2023-08-18 | 国网浙江绍兴市上虞区供电有限公司 | 一种基于时间序列和层次聚合的配网物资需求预测方法 |
| CN111415192A (zh) * | 2020-02-27 | 2020-07-14 | 重庆森鑫炬科技有限公司 | 基于大数据的用户用水性质预测方法 |
| CN111861016A (zh) * | 2020-07-24 | 2020-10-30 | 北京合众伟奇科技有限公司 | 电网预测售电量的汇总分析管理方法及管理系统 |
| CN111861016B (zh) * | 2020-07-24 | 2024-03-29 | 北京合众伟奇科技股份有限公司 | 电网预测售电量的汇总分析管理方法及管理系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105678414A (zh) | 对资源消耗量进行预测的数据处理方法 | |
| JP6079215B2 (ja) | 電力需要予測装置、プログラム | |
| CN104424598A (zh) | 现金需求量预测装置与方法 | |
| Weng et al. | Probabilistic baseline estimation based on load patterns for better residential customer rewards | |
| CN103685347B (zh) | 一种网络资源的配置方法和装置 | |
| CN112712203B (zh) | 一种配电网日最高负荷预测方法和系统 | |
| Tang et al. | GM (1, 1) based improved seasonal index model for monthly electricity consumption forecasting | |
| CN104252652A (zh) | 电力系统中空间负荷预测方法 | |
| CN111738505A (zh) | 银行网点工作量预测方法和装置、电子设备及存储介质 | |
| Latunde et al. | Parameter estimation and sensitivity analysis of an optimal control model for capital asset management | |
| CN113744089A (zh) | 一种台区户变关系辨识方法及设备 | |
| CN116091118A (zh) | 电价预测方法、装置、设备、介质及产品 | |
| CN111738507A (zh) | 银行清算头寸资金备付量预测方法和装置、设备及介质 | |
| Nguyen et al. | Acquisition of new technology information for maintenance and replacement policies | |
| CN112508260B (zh) | 基于对比学习的配电变压器中长期负荷预测方法及装置 | |
| Priolkar et al. | Analysis of price based demand response program using load clustering approach | |
| CN101364229A (zh) | 一种基于时间容量分析的数据仓库主机资源预测方法 | |
| Shnorr | Integral assessment of retail digitalization | |
| Şişman | A comparison of ARIMA and grey models for electricity consumption demand forecasting: The case of Turkey | |
| CN110956318A (zh) | 一种基于预先构建的预测模型进行预测的方法及装置 | |
| CN113822517A (zh) | 基于能力匹配的分案方法、装置 | |
| CN112348352A (zh) | 基于大数据分析的电力预算建议方案自动生成方法 | |
| Lo et al. | Cost impact of float loss on a project with adjustable activity durations | |
| Xiao et al. | Improving robustness of case-based reasoning for early-stage construction cost estimation | |
| CN115330219A (zh) | 一种资源调度的方法及装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160615 |