CN107943861A - 一种基于时间序列的缺失数据补充方法与系统 - Google Patents

一种基于时间序列的缺失数据补充方法与系统 Download PDF

Info

Publication number
CN107943861A
CN107943861A CN201711095376.5A CN201711095376A CN107943861A CN 107943861 A CN107943861 A CN 107943861A CN 201711095376 A CN201711095376 A CN 201711095376A CN 107943861 A CN107943861 A CN 107943861A
Authority
CN
China
Prior art keywords
data
basic mode
mode type
row
time point
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
Application number
CN201711095376.5A
Other languages
English (en)
Inventor
许海军
戴宇超
暴筱
林小俊
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.)
Beijing Zhong Hui Information Technology Ltd By Share Ltd
Original Assignee
Beijing Zhong Hui Information Technology Ltd By Share Ltd
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 Beijing Zhong Hui Information Technology Ltd By Share Ltd filed Critical Beijing Zhong Hui Information Technology Ltd By Share Ltd
Priority to CN201711095376.5A priority Critical patent/CN107943861A/zh
Publication of CN107943861A publication Critical patent/CN107943861A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2474—Sequence data queries, e.g. querying versioned data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/21—Design, administration or maintenance of databases
    • G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
    • 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/12—Hotels or restaurants

Abstract

本发明公开了一种基于时间序列的缺失数据补充方法与系统，本方法包括：1)数据获取与处理模块获取基模型所需的历史数据，以及对所述历史数据中各时间点的历史数据进行特征提取并生成对应时间点的历史数据的数据列；所述时间点为构成时间序列的时间单元；2)基模型开发模块根据历史数据的数据列和待预测数据的数据列构建一基模型，用于对数据进行拟合进而达到回归预测；所述基模型为B(k)＝(XTX+kI)‑ 1XTY；3)利用历史数据的数据列对基模型进行训练，再用训练好的基模型对待预测数据的数据列进行预测补齐。本发明可在业务要求的精度范围内对所需数据进行自动补齐，进而达到提前预测的目的。

Description

一种基于时间序列的缺失数据补充方法与系统
技术领域
本发明属于一种基于时间序列的酒店缺失数据补充方法与系统，属于计算机软件技术领域。
背景技术
在现有技术方案中，用于酒店预测的数据通常要求是一个完整的时间序列，中间不能有延迟、缺失，以保证预测结果的准确性。而事实上，由于数据处理技术(数据的存储、收集、加工、转换)、数据传输、数据交接(企业间或部门间)等众多因素的限制使得数据挖掘人员获取的数据多多少少会存在一定程度的延迟或缺失。例如，由于某种原因A酒店可用于生产的数据比模型所需的数据少了一天。而如果直接利用这些不完整数据来建模，对于模型本身来说，造成的影响可能是模型不稳定或精度不高，而对于酒店来讲，这种影响可能是灾难性的，因为错误的模型预测结果对于酒店的经营策略反馈和酒店的实际经营数据对于模型的反馈之间会存在一个恶性循环的结果，从而给酒店带来不必要的的经济损失。
然而对于缺少数据的补充，目前并没有一个比较好的解决方法。
发明内容
针对酒店不能提供全部历史数据或有数据延迟的的技术问题，本发明的目的在于提供一种基于时间序列的缺失数据补充方法与系统，以辅助酒店决策。
本发明是通过下述技术方案来解决上述问题的：
一种基于时间序列的缺失数据补充方法，其步骤包括：
1)数据获取与处理模块获取基模型所需的历史数据，以及对所述历史数据中各时间点的历史数据进行特征提取并生成对应时间点的历史数据的数据列；所述时间点为构成时间序列的时间单元；
2)基模型开发模块根据历史数据的数据列和待预测数据的数据列构建一基模型，用于对数据进行拟合进而达到回归预测；所述基模型为B(k)＝(XTX+kI)-1XTY；其中，X为一时间点对应的历史数据的数据列，Y为待预测数据的数据列；k为惩罚系数，I为单位矩阵，B(k)为数据列X的特征所对应的回归系数；
3)利用历史数据的数据列对基模型进行训练，再用训练好的基模型对待预测数据的数据列进行预测补齐。
进一步的，所述步骤3)中，对训练好的基模型的预测精度进行评估，评估指标为平均绝对误差MAPE；如果基模型的预测精度达不到设定条件，则查找基模型中数据对应的各日期对应的历史同期数据，将这些历史同期数据对应的数据列作为训练数据再次训练基模型。
进一步的，利用公式进行评估；其中，Mean为求均值函数，abs为求绝对值函数，true_value为真实值，pred_value为预测值。
进一步的，利用公式找到基模型中数据对应的各日期的历史同期；其中，k代表基模型中数据对应的一日期的浮动天数，y代表年，m代表月，d代表天。
进一步的，所述特征为所述时间点的不同提前预定天数。
进一步的，所述时间点为以年月日表示的日期。
一种基于时间序列的缺失数据补充系统，其特征在于，包括基模型开发模块、数据获取与处理模块、模型训练及评价模块；其中，
所述数据获取与处理模块，用于获取基模型所需的历史数据，以及对所述历史数据中各时间点的历史数据进行特征提取并生成对应时间点的历史数据的数据列；所述时间点为构成时间序列的时间单元；
所述基模型开发模块，用于根据历史数据的数据列和待预测数据的数据列构建一基模型；所述基模型为B(k)＝(XTX+kI)-1XTY，用于对数据进行拟合进而达到回归预测；其中，X为一时间点对应的历史数据的数据列，Y为待预测数据的数据列；k为惩罚系数，I为单位矩阵，B(k)为数据列X的特征所对应的回归系数；
所述模型训练及评价模块，用于利用历史数据的数据列对基模型进行训练，再用训练好的基模型对待预测数据的数据列进行预测补齐。
进一步的，系统还包括一模型优化模块，用于对训练好的基模型的预测精度进行评估，评估指标为平均绝对误差MAPE；如果基模型的预测精度达不到设定条件，则查找基模型中数据对应的各日期对应的历史同期数据，将这些历史同期数据对应的数据列作为训练数据再次训练基模型。
进一步的，利用公式进行评估；其中，Mean为求均值函数，abs为求绝对值函数，true_value为真实值，pred_value为预测值；利用公式找到基模型中数据对应的各日期的历史同期；其中，k代表基模型中数据对应的一日期的浮动天数，y代表年，m代表月，d代表天。
进一步的，所述特征为所述时间点的不同提前预定天数；所述时间点为以年月日表示的日期。
本发明提供了一种基于时间序列的缺失数据补充方法与系统，其特点在于，在酒店不能提供全部历史数据或有数据延时的情况下，对模型预测所需的数据进行自动补齐，并且可以在保证预测精度的况下为酒店为酒店的业务决策提供推荐。本技术方案主要有四部分组成：基模型开发模块、数据获取与处理模块、模型训练及评价模块、模型优化模块。(注：本发明中基模型的定义为——能够实初步现发明结果但尚有优化和改进空间，可作为后续实验作参考和对比的基本模型)。
基模型开发模块：本发明的核心思想是通过最小二乘对多维空间中的点，基模型中不同特征feature所对应的某一日期中的数据进行拟合进而达到回归预测的目的，其所依据的公式如下：
B(k)＝(XTX+kI)-1XTY
公式中，X和Y分别表已存在的数据列和待预测的数据列(即延时的数据列)，k为惩罚系数，通常是一个很接近于0的小数，I为单位矩阵，B(k)为X所在数据列的特征feature所对应的回归系数。
数据获取与处理模块用于获取基模型所需的酒店历史数据、并对数据做必要的处理，如数据筛选、特征提取(每个日期的不同提前预定天数对应的间夜量所在的列作为特征featuure)、数据归一化(利用Minmax归一化)等等。本发明的基模型图如图1所示：图中横轴Tn代表提前天数，纵轴代表间夜量rns；本发明的目标是用Tn及其之后t天Tn+1,…,Tn+t的数据预测Tn-1的值，比如要预测提前1天的间夜量，基模型中的Y为待预测T1对应的rns构成的数据列，X为历史数据T2～Tn对应的rns构成的数据列。
模型训练及预测模块：利用历史数据对基模型训练(即将上述X输入模型得到Y，对模型进行训练)，再用训练好的基模型对延时数据进行预测补齐。同时对基模型的预测精度进行评估，评估指标为平均绝对误差MAPE，其计算公式如下：
其中Mean为求均值函数，abs为求绝对值函数，true_value为真实值，pred_value为预测值。
较佳地，如果基模型的预测精度达不到所需要求，本发明还提出了一种能够有效提高模型的精度的方法。以预测酒店间夜量例，由于酒店的历史数据为时间序列型数据，因此可以找出当前每一个日期(基模型中数据对应的日期)对应的历史同期数据，再将这些同期数据作为一个新的属性(即新的数据列)加入模型训练，本发明称之为“浮动同期”，其计算公式如下：
公式中，k代表某个日期的浮动天数，y代表年，m代表月，d代表天，如在计算2017.5.1号的“浮动同期”时，就需找到其y-1年即2016.5.1号，取左右浮动k天日期对应的rns求均值所得到的结果。理论上，这种通过给当前日期打上历史同期的标签的方法，起到了进一步对回归结果进行约束的效果，可以达到提高模型预测精度的要求，实验也证明这种方法是有效的。
与现有技术相比，本发明的积极效果为：
在酒店历史数据存在延时或缺失的情况下，本发明可在业务要求的精度范围内对所需数据进行自动补齐，进而达到提前预测的目的。
附图说明
图1为模型为部分缺失时间序列数据；
图2为本发明预测方法的流程图；
图3为模型优化对比图。
具体实施方式
下面通过实施例的方式进一步说明本发明，但并不因此将本发明限制在所述的实施例范围之中。
本发明方法流程如图2所示，首先数据获取与处理模块获取基模型所需的历史数据，以及对所述历史数据中各时间点的历史数据进行特征提取并生成对应时间点的历史数据的数据列；所述时间点为构成时间序列的时间单元；然后基模型开发模块根据历史数据的数据列和待预测数据的数据列构建一基模型，用于对数据进行拟合进而达到回归预测；所述基模型为B(k)＝(XTX+kI)-1XTY；其中，X为一时间点对应的历史数据的数据列，Y为待预测数据的数据列；k为惩罚系数，I为单位矩阵，B(k)为数据列X的特征所对应的回归系数；然后利用历史数据的数据列对基模型进行训练，再用训练好的基模型对待预测数据的数据列进行预测补齐。
由于某种原因，只能获取酒店在提前T～T+n天的预定数据，而缺少/延时提前T-1天的数据，本发明的目标也就是用已知的提前T～T+n天的数据来预测缺失的提前T-1天的数据，以达到对数据补齐的目的。例如酒店的目标是预测提前0天(即当天)的酒店间夜量，而实际上酒店只能提供历史提前2到n天的数据在线预测数据，提前1天(即前一天)的历史数据缺少/延时，这时就需借助我们的方法预测T-1对缺少/延时数据进行补齐。
利用基模型训练数据，并给出预测结果，同时对模型预测的精度进行评估。
较佳地，通过添加‘浮动同期’这一作为新的feature，可以进一步提升模型的预测精度。
模型具体实施举例如下，本发明获得了以下入住日期(部分截取)的酒店预订数据，如表1所示‘col_label’为每列数据对应的列标签，“live_dt”为每个入住日期序列对应的行标签：
表1为待补齐的酒店预订数据
表2补齐后的酒店预订数据
其中，如表1所示2015-06-16～2015-06-17为酒店可提供完整历史数据的时间序列，而日期2015-06-18为缺少/延迟提前1天数据(即表1中“待补齐”的地方)的待预测序列，即本发明的目标是通过完整时间序列的数据(训练数据列)对模型进行训练，利用缺失/延迟序列的部分数据rns_002～rns_006(对应图1中的T2～Tn)的历史数据，对该序列的rns_001(对应图1中的T1)进行补齐，进而进一步得到酒店提前0天，即最终酒店的需求数据(“rns_000”)，最终预测结果如表2所示。同时为了进一步提高模型的精度，在原训练数据列中的基础上添加一列“浮动同期rns”(即图中对应的“dates_rns”这列)重新训练模型，进而对结果调优，调优后的对比图如图3所示，通过“浮动rns”优化后的模型较原模型的预测效果更好。
虽然以上描述了本发明的具体实施方式，但是本领域的技术人员应当理解，这些仅是举例说明，本发明的保护范围是由所附权利要求书限定的。本领域的技术人员在不背离本发明的原理和实质的前提下，可以对这些实施方式做出多种变更或修改，但这些变更和修改均落入本发明的保护范围。

Claims (10)

1.一种基于时间序列的缺失数据补充方法，其步骤包括：
1)数据获取与处理模块获取基模型所需的历史数据，以及对所述历史数据中各时间点的历史数据进行特征提取并生成对应时间点的历史数据的数据列；所述时间点为构成时间序列的时间单元；
2)基模型开发模块根据历史数据的数据列和待预测数据的数据列构建一基模型，用于对数据进行拟合进而达到回归预测；所述基模型为B(k)＝(XTX+kI)-1XTY；其中，X为一时间点对应的历史数据的数据列，Y为待预测数据的数据列；k为惩罚系数，I为单位矩阵，B(k)为数据列X的特征所对应的回归系数；
3)利用历史数据的数据列对基模型进行训练，再用训练好的基模型对待预测数据的数据列进行预测补齐。
2.如权利要求1所述的方法，其特征在于，所述步骤3)中，对训练好的基模型的预测精度进行评估，评估指标为平均绝对误差MAPE；如果基模型的预测精度达不到设定条件，则查找基模型中数据对应的各日期对应的历史同期数据，将这些历史同期数据对应的数据列作为训练数据再次训练基模型。
3.如权利要求2所述的方法，其特征在于，利用公式进行评估；其中，Mean为求均值函数，abs为求绝对值函数，true_value为真实值，pred_value为预测值。
4.如权利要求2所述的方法，其特征在于，利用公式找到基模型中数据对应的各日期的历史同期；其中，k代表基模型中数据对应的一日期的浮动天数，y代表年，m代表月，d代表天。
5.如权利要求1所述的方法，其特征在于，所述特征为所述时间点的不同提前预定天数。
6.如权利要求1或5所述的方法，其特征在于，所述时间点为以年月日表示的日期。
7.一种基于时间序列的缺失数据补充系统，其特征在于，包括基模型开发模块、数据获取与处理模块、模型训练及评价模块；其中，
所述数据获取与处理模块，用于获取基模型所需的历史数据，以及对所述历史数据中各时间点的历史数据进行特征提取并生成对应时间点的历史数据的数据列；所述时间点为构成时间序列的时间单元；
所述基模型开发模块，用于根据历史数据的数据列和待预测数据的数据列构建一基模型；所述基模型为B(k)＝(XTX+kI)-1XTY，用于对数据进行拟合进而达到回归预测；其中，X为一时间点对应的历史数据的数据列，Y为待预测数据的数据列；k为惩罚系数，I为单位矩阵，B(k)为数据列X的特征所对应的回归系数；
所述模型训练及评价模块，用于利用历史数据的数据列对基模型进行训练，再用训练好的基模型对待预测数据的数据列进行预测补齐。
8.如权利要求7所述的系统，其特征在于，还包括一模型优化模块，用于对训练好的基模型的预测精度进行评估，评估指标为平均绝对误差MAPE；如果基模型的预测精度达不到设定条件，则查找基模型中数据对应的各日期对应的历史同期数据，将这些历史同期数据对应的数据列作为训练数据再次训练基模型。
9.如权利要求8所述的系统，其特征在于，利用公式进行评估；其中，Mean为求均值函数，abs为求绝对值函数，true_value为真实值，pred_value为预测值；利用公式找到基模型中数据对应的各日期的历史同期；其中，k代表基模型中数据对应的一日期的浮动天数，y代表年，m代表月，d代表天。
10.如权利要求7所述的系统，其特征在于，所述特征为所述时间点的不同提前预定天数；所述时间点为以年月日表示的日期。
CN201711095376.5A 2017-11-09 2017-11-09 一种基于时间序列的缺失数据补充方法与系统 Pending CN107943861A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711095376.5A CN107943861A (zh) 2017-11-09 2017-11-09 一种基于时间序列的缺失数据补充方法与系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711095376.5A CN107943861A (zh) 2017-11-09 2017-11-09 一种基于时间序列的缺失数据补充方法与系统

Publications (1)

Publication Number Publication Date
CN107943861A true CN107943861A (zh) 2018-04-20

Family

ID=61934505

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711095376.5A Pending CN107943861A (zh) 2017-11-09 2017-11-09 一种基于时间序列的缺失数据补充方法与系统

Country Status (1)

Country Link
CN (1) CN107943861A (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109460398A (zh) * 2018-10-12 2019-03-12 深圳绿米联创科技有限公司 时间序列数据的补全方法、装置及电子设备
CN109905271A (zh) * 2018-05-18 2019-06-18 华为技术有限公司 一种预测方法、训练方法、装置及计算机存储介质
CN109902859A (zh) * 2019-01-26 2019-06-18 美味不用等（上海）信息科技股份有限公司 基于大数据和机器学习算法的排队高峰时段预估方法
CN111046027A (zh) * 2019-11-25 2020-04-21 北京百度网讯科技有限公司 时间序列数据的缺失值填充方法和装置
CN111240282A (zh) * 2019-12-31 2020-06-05 联想(北京)有限公司 一种工艺优化方法、装置、设备及计算机可读存储介质
CN113570453A (zh) * 2021-09-24 2021-10-29 中国光大银行股份有限公司 一种异常行为识别方法及装置
CN116452369A (zh) * 2023-06-19 2023-07-18 深圳市峰和数智科技有限公司 一种光伏电站实时数据补齐方法、装置及相关设备

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120030137A1 (en) * 2010-07-30 2012-02-02 Technische Universitat Berlin Method and device for valuation of a traded commodity
CN102855584A (zh) * 2011-12-16 2013-01-02 淮阴工学院 一种基于线性插补与自适应滑动窗口的商品价格预测方法
EP2690401A1 (en) * 2011-03-25 2014-01-29 Sony Corporation Information processing device, information processing method, and program
CN104464291A (zh) * 2014-12-08 2015-03-25 杭州智诚惠通科技有限公司 一种交通流量预测方法和系统
US20170185902A1 (en) * 2015-12-29 2017-06-29 Tata Consultancy Services Limited System and method for predicting response time of an enterprise system

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120030137A1 (en) * 2010-07-30 2012-02-02 Technische Universitat Berlin Method and device for valuation of a traded commodity
EP2690401A1 (en) * 2011-03-25 2014-01-29 Sony Corporation Information processing device, information processing method, and program
CN102855584A (zh) * 2011-12-16 2013-01-02 淮阴工学院 一种基于线性插补与自适应滑动窗口的商品价格预测方法
CN104464291A (zh) * 2014-12-08 2015-03-25 杭州智诚惠通科技有限公司 一种交通流量预测方法和系统
US20170185902A1 (en) * 2015-12-29 2017-06-29 Tata Consultancy Services Limited System and method for predicting response time of an enterprise system

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109905271A (zh) * 2018-05-18 2019-06-18 华为技术有限公司 一种预测方法、训练方法、装置及计算机存储介质
WO2019219052A1 (zh) * 2018-05-18 2019-11-21 华为技术有限公司 一种预测方法、训练方法、装置及计算机存储介质
CN109905271B (zh) * 2018-05-18 2021-01-12 华为技术有限公司 一种预测方法、训练方法、装置及计算机存储介质
CN109460398A (zh) * 2018-10-12 2019-03-12 深圳绿米联创科技有限公司 时间序列数据的补全方法、装置及电子设备
CN109902859A (zh) * 2019-01-26 2019-06-18 美味不用等（上海）信息科技股份有限公司 基于大数据和机器学习算法的排队高峰时段预估方法
CN109902859B (zh) * 2019-01-26 2023-03-24 美味不用等（上海）信息科技股份有限公司 基于大数据和机器学习算法的排队高峰时段预估方法
CN111046027A (zh) * 2019-11-25 2020-04-21 北京百度网讯科技有限公司 时间序列数据的缺失值填充方法和装置
CN111240282A (zh) * 2019-12-31 2020-06-05 联想(北京)有限公司 一种工艺优化方法、装置、设备及计算机可读存储介质
CN111240282B (zh) * 2019-12-31 2021-12-24 联想(北京)有限公司 一种工艺优化方法、装置、设备及计算机可读存储介质
CN113570453A (zh) * 2021-09-24 2021-10-29 中国光大银行股份有限公司 一种异常行为识别方法及装置
CN116452369A (zh) * 2023-06-19 2023-07-18 深圳市峰和数智科技有限公司 一种光伏电站实时数据补齐方法、装置及相关设备
CN116452369B (zh) * 2023-06-19 2023-08-29 深圳市峰和数智科技有限公司 一种光伏电站实时数据补齐方法、装置及相关设备

Similar Documents

Publication Publication Date Title
CN107943861A (zh) 一种基于时间序列的缺失数据补充方法与系统
CN101551884B (zh) 面向大规模样本的cvr电力负荷快速预测方法
Suryani et al. Air passenger demand forecasting and passenger terminal capacity expansion: A system dynamics framework
Bańbura et al. A look into the factor model black box: publication lags and the role of hard and soft data in forecasting GDP
Thorne et al. A practical procedure for evolving heavy flavour structure functions
Norouzi et al. Black gold falls, black plague arise-An Opec crude oil price forecast using a gray prediction model
CN109615226A (zh) 一种运营指标异常监测方法
Arnoštová et al. Short-term forecasting of Czech quarterly GDP using monthly indicators
CN103984998A (zh) 基于云服务平台大数据挖掘的销售预测方法
CN108804577B (zh) 一种资讯标签兴趣度的预估方法
CN105678414A (zh) 对资源消耗量进行预测的数据处理方法
CN103853939A (zh) 一种基于社会经济因素影响的电力系统月度负荷的组合预测方法
Wong Productivity and trade openness in Ecuador's manufacturing industries
Guan et al. Forecasting tourism growth with state-dependent models
Zhu et al. Earlier recognition of scientific excellence enhances future achievements and promotes persistence
Mauritzen The effect of oil prices on field production: Evidence from the Norwegian Continental Shelf
CN116341753A (zh) 一种使用机器学习对区域二氧化碳排放预测的方法
CN109800912A (zh) 信息确定方法及装置
Huang et al. Price information evaluation and prediction for broiler using adapted case-based reasoning approach
Lotfi et al. A decision support system for OPEC oil production level based on game theory and ANN
CN107704723A (zh) 一种基于斜率关联度的显著变量选择方法
CN105912724A (zh) 一种面向微博检索的基于时间的微博文档扩展方法
JPH11126102A (ja) ガス需要量の予測方法
Li et al. Application of artificial intelligence technology in single well production and water cut prediction
CN107527122A (zh) 一种火电厂发电日耗煤炭量的预测方法

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20180420