CN108921323A - 用于生成信息的方法和装置 - Google Patents
用于生成信息的方法和装置 Download PDFInfo
- Publication number
- CN108921323A CN108921323A CN201810563838.XA CN201810563838A CN108921323A CN 108921323 A CN108921323 A CN 108921323A CN 201810563838 A CN201810563838 A CN 201810563838A CN 108921323 A CN108921323 A CN 108921323A
- Authority
- CN
- China
- Prior art keywords
- electricity consumption
- time section
- historical time
- target user
- influence factor
- 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
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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
Abstract
本申请实施例公开了用于生成信息的方法和装置。该方法的一具体实施方式包括:获取待预测时间段,以及确定与待预测时间段相邻的在前历史时间段;确定目标用户在在前历史时间段的用电量影响因素;将用电量影响因素输入至针对目标用户预先训练的循环神经网络,生成目标用户在待预测时间段的预测用电量信息,其中,循环神经网络用于表征用电量影响因素与用电量信息之间的对应关系。该实施方式提高了对用户的用电量进行预测的灵活性,有助于提高用电量预测的准确性。
Description
技术领域
本申请实施例涉及计算机技术领域,具体涉及用于生成信息的方法和装置。
背景技术
用电量预测是电网规划中的一个重要内容,对城市中长期用电量进行预测关系到一个城市的发展,关系到供电企业对电力的输送、调度等问题。
在电力需求关系不断改变的情况下,考虑影响用电量的相关因素,对于提高用电量预测精度十分必要。用电量是企业经营状况的重要指标。随着电力体制改革的推进,售电公司所面临的一个关键问题就是预测在后历史时间段的用电量(例如某企业在未来一个月的用电量)。
发明内容
本申请实施例提出了用于生成信息的方法和装置。
第一方面,本申请实施例提供了一种用于生成信息的方法,该方法包括:获取待预测时间段,以及确定与待预测时间段相邻的在前历史时间段;确定目标用户在在前历史时间段的用电量影响因素;将用电量影响因素输入至针对目标用户预先训练的循环神经网络,生成目标用户在待预测时间段的预测用电量信息,其中,循环神经网络用于表征用电量影响因素与用电量信息之间的对应关系。
在一些实施例中,在获取待预测时间段,以及确定与待预测时间段相邻的在前历史时间段之前,该方法还包括:基于预先训练的分类模型,确定目标用户所属的类别,其中,分类模型用于对用户进行分类;基于类别,确定循环神经网络的训练样本集合;以及预先训练的循环神经网络是基于训练样本集合训练得到的。
在一些实施例中,分类模型包括逻辑回归模型;以及基于预先训练的分类模型,确定目标用户所属的类别,包括:获取目标用户在目标历史时间段的用电量影响因素,以及目标用户在与目标历史时间段相邻的在后历史时间段的实际用电量信息;将用电量影响因素输入至逻辑回归模型,得到目标用户在在后历史时间段的预测用电量信息,其中,逻辑回归模型用于表征用电量影响因素与用电量信息之间的对应关系;基于实际用电量信息和所得到的预测用电量信息,确定目标用户所属的类别。
在一些实施例中,训练样本包括用电量影响因素;以及基于类别,确定循环神经网络的训练样本集合,包括:响应于类别表征目标用户属于第一类用户,确定训练样本包括的用电量影响因素包括以下至少一项:在前历史时间段所属的月份、在前历史时间段所属的月份所包括的天数、在前历史时间段所属的月份所包括的工作日天数、在前历史时间段所属的月份所包括的节假日天数。响应于类别表征目标用户属于第二类用户,确定训练样本包括的用电量影响因素包括以下至少一项:在前历史时间段所属的月份、在前历史时间段所属的月份所包括的天数、在前历史时间段所属的月份所包括的工作日天数、在前历史时间段所属的月份所包括的节假日天数、在前历史时间段所属的季节、在在前历史时间段的计划产能、在在前历史时间段实施的限产信息。
在一些实施例中,训练样本还包括对应用电量影响因素的实际用电量信息;以及预先训练的循环神经网络是通过如下步骤得到的:利用机器学习算法,将训练样本包括的用电量影响因素作为输入,将与输入的用电量影响因素对应的实际用电量信息作为期望输出,训练得到循环神经网络。
第二方面,本申请实施例提供了一种用于生成信息的装置,该装置包括:获取单元,被配置成获取待预测时间段,以及确定与待预测时间段相邻的在前历史时间段;第一确定单元,被配置成确定目标用户在在前历史时间段的用电量影响因素;输入单元,被配置成将用电量影响因素输入至针对目标用户预先训练的循环神经网络,生成目标用户在待预测时间段的预测用电量信息,其中,循环神经网络用于表征用电量影响因素与用电量信息之间的对应关系。
在一些实施例中,该装置还包括:第二确定单元,被配置成基于预先训练的分类模型,确定目标用户所属的类别,其中,分类模型用于对用户进行分类;第三确定单元,被配置成基于类别,确定循环神经网络的训练样本集合;以及预先训练的循环神经网络是基于训练样本集合训练得到的。
在一些实施例中,分类模型包括逻辑回归模型;以及第二确定单元,进一步被配置成:获取目标用户在目标历史时间段的用电量影响因素,以及目标用户在与目标历史时间段相邻的在后历史时间段的实际用电量信息;将用电量影响因素输入至逻辑回归模型,得到目标用户在在后历史时间段的预测用电量信息,其中,逻辑回归模型用于表征用电量影响因素与用电量信息之间的对应关系;基于实际用电量信息和所得到的预测用电量信息,确定目标用户所属的类别。
在一些实施例中,训练样本包括用电量影响因素;以及第三确定单元,进一步被配置成:响应于类别表征目标用户属于第一类用户,确定训练样本包括的用电量影响因素包括以下至少一项:在前历史时间段所属的月份、在前历史时间段所属的月份所包括的天数、在前历史时间段所属的月份所包括的工作日天数、在前历史时间段所属的月份所包括的节假日天数。响应于类别表征目标用户属于第二类用户,确定训练样本包括的用电量影响因素包括以下至少一项:在前历史时间段所属的月份、在前历史时间段所属的月份所包括的天数、在前历史时间段所属的月份所包括的工作日天数、在前历史时间段所属的月份所包括的节假日天数、在前历史时间段所属的季节、在在前历史时间段的计划产能、在在前历史时间段实施的限产信息。
在一些实施例中,训练样本还包括对应用电量影响因素的实际用电量信息;以及预先训练的循环神经网络是通过如下步骤得到的:利用机器学习算法,将训练样本包括的用电量影响因素作为输入,将与输入的用电量影响因素对应的实际用电量信息作为期望输出,训练得到循环神经网络。
第三方面,本申请实施例提供了一种用于生成信息的电子设备,包括:一个或多个处理器;存储装置,其上存储有一个或多个程序,当上述一个或多个程序被上述一个或多个处理器执行,使得该一个或多个处理器实现如上述用于生成信息的方法中任一实施例的方法。
第四方面,本申请实施例提供了一种用于生成信息的计算机可读介质,其上存储有计算机程序,该程序被处理器执行时实现如上述用于生成信息的方法中任一实施例的方法。
本申请实施例提供的用于生成信息的方法和装置,通过获取待预测时间段,以及确定与待预测时间段相邻的在前历史时间段,然后,确定目标用户在在前历史时间段的用电量影响因素,最后,将用电量影响因素输入至针对目标用户预先训练的循环神经网络,生成目标用户在待预测时间段的预测用电量信息,从而提高了对用户的用电量进行预测的灵活性,有助于提高用电量预测的准确性。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1是本申请的一个实施例可以应用于其中的示例性系统架构图;
图2是根据本申请的用于生成信息的方法的一个实施例的流程图;
图3A-图3B是根据本申请的用于生成信息的方法的一个应用场景的示意图;
图4是根据本申请的用于生成信息的方法的又一个实施例的流程图;
图5是根据本申请的用于生成信息的装置的一个实施例的结构示意图;
图6是适于用来实现本申请实施例的电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了可以应用本申请实施例的用于生成信息的方法或用于生成信息的装置的实施例的示例性系统架构100。
如图1所示,系统架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以获取或发送消息等。终端设备101、102、103上可以安装有各种客户端应用,例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102、103可以是硬件,也可以是软件。当终端设备101、102、103为硬件时,可以是具有信息接收和/或发送功能的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时,可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务的软件或软件模块),也可以实现成单个软件或软件模块。在此不做具体限定。
服务器105可以是提供各种服务的服务器,例如对终端设备101、102、103发送的数据(例如待预测时间段)提供支持的后台数据处理服务器。后台数据处理服务器可以对接收到的待预测时间段等数据进行分析等处理,并将处理结果(例如预测用电量信息)反馈给终端设备。
需要说明的是,本申请实施例所提供的用于生成信息的方法可以由服务器105执行,相应地,用于生成信息的装置可以设置于服务器105中,此外,本申请实施例所提供的用于生成信息的方法也可以由终端设备101、102、103执行,相应地,用于生成信息的装置也可以设置于终端设备101、102、103中。
需要说明的是,服务器可以是硬件,也可以是软件。当服务器为硬件时,可以实现成多个服务器组成的分布式服务器集群,也可以实现成单个服务器。当服务器为软件时,可以实现成多个软件或软件模块(例如用来提供分布式服务的软件或软件模块),也可以实现成单个软件或软件模块。在此不做具体限定。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。当信息处理方法运行于其上的电子设备不需要与其他电子设备进行数据传输时,该系统架构可以不包括网络。
继续参考图2,示出了根据本申请的用于生成信息的方法的一个实施例的流程200。该用于生成信息的方法,包括以下步骤:
步骤201,获取待预测时间段,以及确定与待预测时间段相邻的在前历史时间段。
在本实施例中,用于生成信息的方法的执行主体(例如图1所示的服务器或终端设备)可以通过有线连接方式或者无线连接方式从其他电子设备或者本地,获取待预测时间段,然后,确定与待预测时间段相邻的在前历史时间段。其中,上述待预测时间段可以是未到来的时间段,也可以是已经过的时间段。该待预测时间段的时长可以是任意时长,例如,该待预测时间段的时长可以是一天、一周、一个月等等。在一些使用情况下,该待预测时间段可以是由用户(例如上述执行主体的使用者)输入或者设置的时间段。上述在前历史时间段可以是与待预测时间段相邻的,并且在待预测时间段之前的历史时间段。例如,上述在前历史时间段可以是以待预测时间段的起始时间为终止时间的时间段,也可以是根据实际需求设置的时间段。例如,当某企业在每天24:00至次日6:00断电时,待预测时间段可以是2018年1月1日6:00至2018年1月31日24:00,此时,与待预测时间段相邻的在前历史时间段可以是2017年1月1日6:00至2017年12月31日24:00。
实践中,如果用户想预测六月份的用电量,那么,待预测时间段可以是6月1日至6月30日;如果用户想查看一月份的预测用电量与一月份的实际用电量之间的差异,那么,待预测时间段可以是1月1日至1月31日。
步骤202,确定目标用户在在前历史时间段的用电量影响因素。
在本实施例中,基于步骤201中得到的在前历史时间段,上述执行主体可以确定目标用户在在前历史时间段的用电量影响因素。其中,上述目标用户可以是想要预测或者想要查看其预测的用电量的用户。例如,如果想对甲家庭的用电量进行预测,那么,上述目标用户可以为甲家庭;如果想对乙企业的用电量进行预测,那么,上述目标用户可以为乙企业。上述用电量影响因素可以是对用电量具有影响的各种信息。
在这里,上述用电量影响因素可以包括但不限于以下至少一项:在上述在前历史时间段的温度信息、在上述在前历史时间段的企业的员工数量、在上述在前历史时间段的国内生产总值、在上述在前历史时间段的电力价格、在前历史时间段(当在前历史时间段属于某个月时)所属的月份、在前历史时间段(当在前历史时间段属于某个月时)所属的月份所包括的天数、在前历史时间段(当在前历史时间段属于某个月时)所属的月份所包括的工作日天数、在前历史时间段(当在前历史时间段属于某个月时)所属的月份所包括的节假日天数(例如周六、周日)、在前历史时间段所属的季节、在在前历史时间段的计划产能、在在前历史时间段实施的限产信息。
步骤203,将用电量影响因素输入至针对目标用户预先训练的循环神经网络,生成目标用户在待预测时间段的预测用电量信息。
在本实施例中,上述执行主体可以将步骤202得到的用电量影响因素输入至针对目标用户预先训练的循环神经网络,生成目标用户在待预测时间段的预测用电量信息。其中,循环神经网络用于表征用电量影响因素与用电量信息之间的对应关系。其中,上述预测用电量信息可以是用于表征上述执行主体通过循环神经网络预测得到的用电量的信息。
实践中,技术人员可以针对每个用户训练循环神经网络(recursive neuralnetwork,RNN)。其中,循环神经网络是一种适合处理时间序列数据的分类与预测问题的模型。序列数据(sequential data)是一种前后之间具有关联性的数据,即不独立的(nonindependent)数据。对于用电量的预测而言,某一时间段的用电量,通常会影响到下一时间段的用电量。因此,基于循环神经网络,实现用电量的预测有助于提高用电量预测的准确性。
在本实施例的一些可选的实现方式中,上述循环神经网络可以是按照如下步骤训练得到的:
第一步骤,上述执行主体或者其他电子设备可以获取训练样本集合。其中,每个训练样本可以包括输入数据和对应输入数据的输出数据。每个输入数据可以包括在前历史时间段的用电量影响因素。每个输出数据可以包括与在前历史时间段相邻的在后历史时间段的预测用电量信息。需要说明的是,在前历史时间段中的“在前”与在后历史时间段中的“在后”是相对而言的。在前历史时间段可以是与在后历史时间段相邻的时间段。
作为示例,如果训练样本包括的用电量影响因素包括:在前历史时间段所属的月份、在前历史时间段所属的月份所包括的天数、在前历史时间段所属的月份所包括的工作日天数、在前历史时间段所属的月份所包括的节假日天数。那么,当输入数据包括2017年1月至2017年5月的用电量影响因素,并且,对应该输入数据的输出数据为2017年6月的用电量信息时,上述输入数据可以表征为:((1,31,22,3),(2,28,18,7),(3,31,22,0),(4,30,22,3),(5,31,22,3))。对应该输入数据的输出数据可以表征为:20000。包括该输入数据和对应该输入数据的输出数据可以表征为:(((1,31,22,3),(2,28,18,7),(3,31,22,0),(2,30,22,3),(5,31,22,3)),20000)。可以理解,在训练时,可以将2017年6月的实际用电量作为输出数据,由此可以提高所得到的循环神经网络的预测准确度。
需要说明的是,技术人员可以根据需要自行设定输入数据和输出数据的表征形式,本申请实施例在此不作具体限定。
第二步骤,上述执行主体或者其他电子设备可以针对训练样本集合中的每个训练样本,将该训练样本包括的输入数据作为初始循环神经网络的输入,将该训练样本包括的输出数据作为初始循环神经网络的期望输出,利用机器学习算法,训练得到循环神经网络。其中,上述初始循环神经网络可以是未经训练,或者训练未达预期(例如准确度未达到预设的准确度阈值)的循环神经网络。
在本实施例的一些可选的实现方式中,上述循环神经网络也可以是按照如下步骤训练得到的:
第一步骤,上述执行主体或者其他电子设备可以确定训练样本集合和测试样本集合。其中,每个训练样本可以包括输入数据和对应输入数据的输出数据。每个训练样本包括的输入数据可以包括在前历史时间段的用电量影响因素。该练样本包括的输出数据可以包括与该训练样本包括的在前历史时间段相邻的在后历史时间段的用电量信息。每个测试样本可以包括输入数据和对应输入数据的输出数据。每个测试样本包括的输入数据可以包括在前历史时间段的用电量影响因素。该测试样本包括的输出数据可以包括与该练样本包括的在前历史时间段相邻的在后历史时间段的用电量信息。
在这里,技术人员可以按照各种方式(例如,随机采样或非随机采样的方式)得到训练样本集合和测试样本集合。
在一些可选的实现方式中,技术人员可以通过非随机采样的方式得到训练样本集合和测试样本集合。例如,技术人员可以依照时间先后,将前面一定比例的数据作为训练样本,后面数据作为测试样本。由此可以训练得到具有更高预测准确性的循环神经网络。
在一些使用情况下,上述训练样本和测试样本中的输入数据和输出数据还可以是经过标准化处理(例如0-1标准化处理)的数据。可以理解,将输入数据和输出数据映射到某个区间内,可以加速模型训练时的迭代速度。其中,上述标准化算法包括但不限于:min-max标准化(Min-max normalization),log函数转换,atan函数转换,z-score标准化(zero-mena normalization)。
在一些使用情况下,上述训练样本和测试样本中的输入数据和输出数据还可以是经过数据清洗处理的数据。其中,数据清洗是指发现并纠正数据中可识别的错误的一道程序,包括检查数据一致性,处理无效值和缺失值等。
第二步骤,上述执行主体或者其他电子设备可以针对训练样本集合中的每个训练样本,将该训练样本包括的输入数据作为初始循环神经网络的输入,将该训练样本包括的输出数据作为初始循环神经网络的期望输出,利用机器学习算法,训练得到待测试循环神经网络。其中,上述初始循环神经网络可以是未经训练,或者训练未达预期(例如准确度未达到预设的准确度阈值)的循环神经网络。
第三步骤,上述执行主体或者其他电子设备可以将测试样本集合中的每个测试样本输入至上述待测试循环神经网络,得到待测试循环神经网络的实际输出数据,基于实际输出数据、该测试样本包括的输出数据和预先确定的损失函数,确定是否停止训练,如果停止训练,则将停止训练后的待测试循环神经网络作为上述步骤203中的预先训练的循环神经网络;如果不停止训练,则调整循环神经网络的参数,继续执行本示例中的第二步骤和第三步骤。
在本实施例的一些可选的实现方式中,在获取待预测时间段,以及与待预测时间段相邻的在前历史时间段之前,该方法还包括:基于预先训练的分类模型,确定目标用户所属的类别,其中,分类模型用于对用户进行分类,然后,基于类别,确定循环神经网络的训练样本集合。由此,上述预先训练的循环神经网络可以是基于训练样本集合训练得到的。
在这里,上述分类模型可以是技术人员基于大量的统计分析,而确定的表格,用以记录用户和该用户所属的类别(例如可以包括稳定型用户或非稳定型用户)。上述训练样本集合可以是技术人员预先确定的用于训练循环神经网络的数据。
示例性的,上述执行主体可以根据企业人数的多少,对企业进行分类。例如,可以将人数多于预设的人数阈值(例如500人)的企业,确定为第一类企业。将人数少于或等于预设的人数阈值(例如500人)的企业,确定为第二类企业。可选的,上述执行主体也可以根据企业的实际用电量(例如过去的一年中的每个月的实际用电量)的分布情况,将企业分为稳定型企业和非稳定型企业。
可以理解,针对不同类别的用户设置不同的训练样本,可以更具针对性的对不同类别的用户进行循环神经网络的训练,由此,可以得到适用于不同类型的用户的循环神经网络,从而提高了用电量预测的准确性。
继续参见图3A和图3B,图3A和图3B是根据本申请的用于生成信息的方法的一个应用场景的示意图。在图3A的应用场景中,用户(例如售电公司的员工)向终端设备(即上述执行主体)输入了待预测时间段(图示中为6月份)。然后,上述终端设备获取到了待预测时间段。随后,上述终端设备确定与待预测时间段相邻的在前历史时间段,以及确定目标用户(图示中为XX企业)在在前历史时间段的用电量影响因素(例如2017年4月至2018年5月中的每个月所属的月份、每个月所属的月份所包括的天数、每个月所属的月份所包括的工作日天数、每个月所属的月份所包括的节假日天数)。最后,上述终端设备将用电量影响因素输入至针对目标用户(即XX企业)预先训练的循环神经网络,生成目标用户(即XX企业)在待预测时间段(即6月份)的预测用电量信息“20000度”(请参考图3B)。
本申请的上述实施例提供的方法,通过获取待预测时间段,以及确定与待预测时间段相邻的在前历史时间段,然后,确定目标用户在在前历史时间段的用电量影响因素,最后,将用电量影响因素输入至针对目标用户预先训练的循环神经网络,生成目标用户在待预测时间段的预测用电量信息,从而提高了对用户的用电量进行预测的灵活性,有助于提高用电量预测的准确性。
进一步参考图4,其示出了用于生成信息的方法的又一个实施例的流程400。该用于生成信息的方法的流程400,包括以下步骤:
步骤401,获取目标用户在目标历史时间段的用电量影响因素,以及目标用户在与目标历史时间段相邻的在后历史时间段的实际用电量信息。
在本实施例中,用于生成信息的方法的执行主体(例如图1所示的服务器或终端设备)可以通过有线连接方式或者无线连接方式从其他电子设备或者本地,获取目标用户在目标历史时间段的用电量影响因素,以及目标用户在与目标历史时间段相邻的在后历史时间段的实际用电量信息。其中,目标用户可以是想要预测或者想要查看其预测的用电量,并且想要确定其类别的用户。例如,如果想对甲家庭的用电量进行预测,并且想要确定甲家庭的类别,那么,上述目标用户可以为甲家庭;如果想对乙企业的用电量进行预测,并且想要确定乙企业的类别,那么,上述目标用户可以为乙企业。上述目标历史时间段可以是技术人员或者用户设置的历史时间段。上述目标历史时间段可以用于确定目标用户所述的类别。例如,通过目标历史时间段的用电量影响因素,上述执行主体可以确定出目标用户所述的类别。上述在后历史时间段可以是与目标历史时间段相邻,并且在目标历史时间段之后的历史时间段。
作为示例,当目标历史时间段为2017年1月1日至2017年12月31日时,在后历史时间段可以是2018年1月1日至2018年1月31日。
在这里,用电量影响因素可以包括但不限于以下至少一项:目标历史时间段所属的月份、目标历史时间段所属的月份所包括的天数、目标历史时间段所属的月份所包括的工作日天数、目标历史时间段所属的月份所包括的节假日天数。实际用电量信息可以是上述目标用户在在后历史时间段实际使用的用电量的信息。例如,实际用电量信息可以是电表或者其他形式所记录的、目标用户在在后历史时间段实际使用的用电量。
步骤402,将用电量影响因素输入至逻辑回归模型,得到目标用户在在后历史时间段的预测用电量信息。
在本实施例中,上述执行主体可以将用电量影响因素输入至逻辑回归模型,得到目标用户在在后历史时间段的预测用电量信息。其中,逻辑回归模型用于表征用电量影响因素与用电量信息之间的对应关系。预测用电量信息可以是逻辑回归模型输出的用电量的信息。用电量影响因素可以通过数值、向量或矩阵等形式表征。预测用电量信息可以通过数值、向量或矩阵等形式表征。
作为示例,上述逻辑回归模型可以是如下公式:
hθ(X)=θTX
其中,hθ(X)为预测用电量信息(例如预测用电量),θ为待拟合的参数,通常θ可以通过向量或矩阵的形式进行表征,θT用以表征θ的转置。X为用电量影响因素。示例性的,当目标历史时间段为2017年1月1日至2017年1月31日,该目标历史时间段的用电量影响因素包括目标历史时间段所属的月份、目标历史时间段所属的月份所包括的天数、目标历史时间段所属的月份所包括的工作日天数、目标历史时间段所属的月份所包括的节假日天数时,X可以为(1,31,22,3)。
实践中,上述执行主体可以通过曲线拟合的方式训练得到逻辑回归模型(即确定待拟合的参数θ)。可选的,经过拟合得到的逻辑回归模型还可以进一步进行测试,以确定所得到的逻辑回归模型的输出的准确度是否达到预设的准确度阈值。若达到预设的准确度阈值,则可以将所得到的逻辑回归模型用于该步骤402的使用,若未达到预设的准确度阈值,则可以采用更多的数据对逻辑回归模型进行拟合。
步骤403,基于实际用电量信息和所得到的预测用电量信息,确定目标用户所属的类别。
在本实施例中,上述执行主体可以基于实际用电量信息和所得到的预测用电量信息,确定目标用户所属的类别。
在本实施例的一些可选的实现方式中,该步骤403可以如下执行:
首先,上述执行主体可以获取预先确定的误差函数,示例性的,上述误差函数可以是:
E=|P–U|
其中,E为误差,P为所得到的预测用电量信息,U为实际用电量信息。
然后,上述执行主体可以将实际用电量信息和所得到的预测用电量信息输入上述误差函数,以得到误差(即E)。
之后,上述执行主体可以确定所得到的误差是否小于预先确定的误差阈值,若是,则上述执行主体可以确定目标用户属于某一类别用户(例如稳定用电类用户);若否,则上述执行主体可以确定目标用户属于另一类别用户(例如非稳定用电类用户)。
可以理解,上述误差函数还可以是技术人员设置的其他函数,例如:
E=|P–U|/U
其中,E为误差,P为所得到的预测用电量信息,U为实际用电量信息。
可选的,上述执行主体还可以将实际用电量大于预测用电量信息的目标用户,确定为某一类别用户;将实际用电量小于或等于预测用电量信息的目标用户,确定为另一类别用户。
步骤404,该步骤404包括步骤4041或4042。
其中,步骤4041为:响应于类别表征目标用户属于第一类用户,确定训练样本包括的用电量影响因素包括以下至少一项:在前历史时间段所属的月份、在前历史时间段所属的月份所包括的天数、在前历史时间段所属的月份所包括的工作日天数、在前历史时间段所属的月份所包括的节假日天数。
在本实施例中,在上述类别表征目标用户属于第一类用户的情况下,上述执行主体可以确定训练样本包括的用电量影响因素包括以下至少一项:在前历史时间段所属的月份、在前历史时间段所属的月份所包括的天数、在前历史时间段所属的月份所包括的工作日天数、在前历史时间段所属的月份所包括的节假日天数。
作为示例,当用电量影响因素表征2017年1月至2017年5月的信息,并且,该用电量影响因素包括在在前历史时间段所属的月份、在前历史时间段所属的月份所包括的天数、在前历史时间段所属的月份所包括的工作日天数、在前历史时间段所属的月份所包括的节假日天数时,上述用电量影响因素可以表征为:((1,31,22,3),(2,28,18,7),(3,31,22,0),(4,30,22,3),(5,31,22,3))。可选的,在经过0-1标准化处理后,上述用电量影响因素也可以表征为:((0,1,1,0.43),(0.25,0,0,1),(0.5,1,1,0),(0.75,0.33,1,0.43),(1,1,1,0.43))。
在本实施例的一些可选的实现方式中,响应于所述类别表征所述目标用户属于第一类用户,确定训练样本包括的用电量影响因素包括:在前历史时间段所属的月份、在前历史时间段所属的月份所包括的天数、在前历史时间段所属的月份所包括的工作日天数、在前历史时间段所属的月份所包括的节假日天数。
步骤4042为:响应于类别表征目标用户属于第二类用户,确定训练样本包括的用电量影响因素包括以下至少一项:在前历史时间段所属的月份、在前历史时间段所属的月份所包括的天数、在前历史时间段所属的月份所包括的工作日天数、在前历史时间段所属的月份所包括的节假日天数、在前历史时间段所属的季节、在在前历史时间段的计划产能、在在前历史时间段实施的限产信息。
需要说明的是,技术人员可以根据需要自行设定用电量影响因素的表征形式,本申请实施例在此不作具体限定。
在本实施例中,在上述类别表征目标用户属于第二类用户的情况下,上述执行主体可以确定训练样本包括的用电量影响因素包括以下至少一项:在前历史时间段所属的月份、在前历史时间段所属的月份所包括的天数、在前历史时间段所属的月份所包括的工作日天数、在前历史时间段所属的月份所包括的节假日天数、在前历史时间段所属的季节、在在前历史时间段的计划产能、在在前历史时间段实施的限产信息。
在一些使用情况下,上述在前历史时间段所属的季节可以采用三位互斥特征表示(例如,用100表示春季,010表示夏季,001表示秋季,000表示冬季),也可以采用其他方式表示(例如,用1表示春季,2表示夏季,3表示秋季,4表示冬季)。当企业计划在在前历史时间段生产500件产品时,上述在在前历史时间段的计划产能可以为500;当企业计划在在前历史时间段生产500件产品,平均每月生成400件产品时,上述在在前历史时间段的计划产能可以为1.25。在在前历史时间段实施的限产信息可以量化为产能系数,例如,产能系数(即在在前历史时间段的计划产能)可以默认为1,如果要求该月减产50%,则产能系数(即在在前历史时间段的计划产能)可以为0.5。
在一些使用情况下,在上述类别表征目标用户属于第二类用户的情况下,上述训练样本包括的用电量影响因素还可以包括:特殊节假日(例如,春节、国庆等)天数。
在本实施例的一些可选的实现方式中,响应于所述类别表征所述目标用户属于第二类用户,确定训练样本包括的用电量影响因素包括:在前历史时间段所属的月份、在前历史时间段所属的月份所包括的天数、在前历史时间段所属的月份所包括的工作日天数、在前历史时间段所属的月份所包括的节假日天数、在前历史时间段所属的季节、在在前历史时间段的计划产能、在在前历史时间段实施的限产信息。
需要说明的是,技术人员可以根据需要自行设定用电量影响因素的表征形式,本申请实施例在此不作具体限定。
可以理解,当第一类用户表征处于稳定型用电的用户,第二类用户表征处于非稳定型用电的用户时,通过为两类用户确定不同的电量影响因素,可以更具针对性的为不同类别的用户训练循环神经网络,从而有助于实现更准确的用电量预测。
步骤405,获取待预测时间段,以及确定与待预测时间段相邻的在前历史时间段。
在本实施例中,步骤405与图2对应实施例中的步骤201基本一致,这里不再赘述。
步骤406,确定目标用户在在前历史时间段的用电量影响因素。
在本实施例中,步骤406与图2对应实施例中的步骤202基本一致,这里不再赘述。
步骤407,将用电量影响因素输入至针对目标用户预先训练的循环神经网络,生成目标用户在待预测时间段的预测用电量信息。
在本实施例中,步骤407与图2对应实施例中的步骤203基本一致,这里不再赘述。
需要说明的是,步骤407中的目标用户可以与步骤401中的目标用户为同一用户。
实践中,可以首先对用户进行分类,以确定该用户属于第一类用户还是第二类用户,然后将每个用户的类别进行存储,以及训练得到每个用户的循环神经网络。当需要对某一用户的电量进行预测时,再执行上述步骤405至步骤407。可选的,当经过预设时长(例如3年)之后,可以对用户进行再次分类(此时可能存在类别变换为另一类别的用户),以及将每个用户的类别进行重新存储,之后重新训练得到每个用户的循环神经网络。当存在新的用户加入时,可以将该用户的类别默认为某一类别(例如非稳定企业),以及使用该类别的训练样本训练得到的循环神经网络对该新加入的用户的用电量进行预测。
从图4中可以看出,与图2对应的实施例相比,本实施例中的用于生成信息的方法的流程400突出了基于逻辑回归模型对用户进行分类的步骤。由此,本实施例描述的方案可以引入更多的分类方式,从而更准确的对用户进行分类,以便更具针对性的对不同类别的用户进行循环神经网络的训练,有助于进一步提高用电量预测的准确性。
进一步参考图5,作为对上述各图所示方法的实现,本申请提供了一种用于生成信息的装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,除下面所记载的特征外,该装置实施例还可以包括与图2所示的方法实施例相同或相应的特征。该装置具体可以应用于各种电子设备中。
如图5所示,本实施例的用于生成信息的装置500包括:获取单元501、第一确定单元502和输入单元503。其中,获取单元501被配置成获取待预测时间段,以及与待预测时间段相邻的在前历史时间段;第一确定单元502被配置成确定目标用户在在前历史时间段的用电量影响因素;输入单元503被配置成将用电量影响因素输入至针对目标用户预先训练的循环神经网络,生成目标用户在待预测时间段的预测用电量信息,其中,循环神经网络用于表征用电量影响因素与用电量信息之间的对应关系。
在本实施例中,用于生成信息的装置500的获取单元501可以通过有线连接方式或者无线连接方式从其他电子设备或者本地,获取待预测时间段,然后,确定与待预测时间段相邻的在前历史时间段。其中,上述待预测时间段可以是未到来的时间段,也可以是已经过的时间段。该待预测时间段的时长可以是任意时长,例如,该待预测时间段的时长可以是一天、一周、一个月等等。可以理解,该待预测时间段可以是由用户(例如上述执行主体的使用者)输入或者设置的时间段。上述与待预测时间段相邻的在前历史时间段可以是与待预测时间段相邻的,并且在待预测时间段之前的历史时间段。例如,上述在前历史时间段可以是以待预测时间段的起始时间为终止时间的时间段,也可以是根据实际需求设置的时间段。例如,当某企业在每天24:00至次日6:00断电时,待预测时间段可以是2018年1月1日6:00至2018年1月31日24:00,此时,与待预测时间段相邻的历史时间段可以是2017年1月1日6:00至2017年12月31日24:00。
在本实施例中,基于获取单元501得到的在前历史时间段,上述第一确定单元502可以确定目标用户在在前历史时间段的用电量影响因素。其中,上述目标用户可以是想要预测或者想要查看其预测的用电量的用户。例如,如果想对甲家庭的用电量进行预测,那么,上述目标用户可以为甲家庭;如果想对乙企业的用电量进行预测,那么,上述目标用户可以为乙企业。上述用电量影响因素可以是对用电量具有影响的各种参数的信息。
在本实施例中,上述输入单元503可以将第一确定单元502得到的用电量影响因素输入至针对目标用户预先训练的循环神经网络,生成目标用户在待预测时间段的预测用电量信息。其中,循环神经网络用于表征用电量影响因素与用电量信息之间的对应关系。其中,上述预测用电量信息可以是用于表征上述执行主体通过循环神经网络预测得到的用电量的信息。
在本实施例的一些可选的实现方式中,该装置还包括:第二确定单元(图中未示出)被配置成基于预先训练的分类模型,确定目标用户所属的类别,其中,分类模型用于对用户进行分类。第三确定单元(图中未示出)被配置成基于类别,确定循环神经网络的训练样本集合。基于此,上述预先训练的循环神经网络可以是基于该训练样本集合训练得到的。
在本实施例的一些可选的实现方式中,分类模型包括逻辑回归模型。基于此,第二确定单元(图中未示出)进一步被配置成:获取目标用户在目标历史时间段的用电量影响因素,以及目标用户在与目标历史时间段相邻的在后历史时间段的实际用电量信息,将用电量影响因素输入至逻辑回归模型,得到目标用户在在后历史时间段的预测用电量信息,其中,逻辑回归模型用于表征用电量影响因素与用电量信息之间的对应关系,基于实际用电量信息和所得到的预测用电量信息,确定目标用户所属的类别。
在这里,上述分类模型可以是技术人员基于大量的统计分析,而确定的表格,用以记录用户和该用户所属的类别(例如可以包括第一类用户或第二类用户)。上述训练样本集合可以是技术人员预先确定的用于训练循环神经网络的数据。
在本实施例的一些可选的实现方式中,训练样本包括用电量影响因素。基于此,第三确定单元(图中未示出)进一步被配置成:响应于类别表征目标用户属于第一类用户,确定训练样本包括的用电量影响因素包括以下至少一项:在前历史时间段所属的月份、在前历史时间段所属的月份所包括的天数、在前历史时间段所属的月份所包括的工作日天数、在前历史时间段所属的月份所包括的节假日天数。响应于类别表征目标用户属于第二类用户,确定训练样本包括的用电量影响因素包括以下至少一项:在前历史时间段所属的月份、在前历史时间段所属的月份所包括的天数、在前历史时间段所属的月份所包括的工作日天数、在前历史时间段所属的月份所包括的节假日天数、在前历史时间段所属的季节、在在前历史时间段的计划产能、在在前历史时间段实施的限产信息。
在本实施例的一些可选的实现方式中,训练样本还包括对应用电量影响因素的实际用电量信息;以及预先训练的循环神经网络是通过如下步骤得到的:利用机器学习算法,将训练样本包括的用电量影响因素作为输入,将与输入的用电量影响因素对应的实际用电量信息作为期望输出,训练得到循环神经网络。
本申请的上述实施例提供的装置,通过获取单元501获取获取待预测时间段,以及确定与待预测时间段相邻的在前历史时间段,然后第一确定单元502确定目标用户在在前历史时间段的用电量影响因素,最后输入单元503将用电量影响因素输入至针对目标用户预先训练的循环神经网络,生成目标用户在待预测时间段的预测用电量信息,从而提高了对用户的用电量进行预测的灵活性,有助于提高用电量预测的准确性。
下面参考图6,其示出了适于用来实现本申请实施例的电子设备的计算机系统600的结构示意图。图6示出的电子设备仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图6所示,计算机系统600包括中央处理单元(CPU)601,其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中,还存储有系统600操作所需的各种程序和数据。CPU 601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
以下部件连接至I/O接口605:包括键盘、鼠标等的输入部分606;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分607;包括硬盘等的存储部分608;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器610上,以便于从其上读出的计算机程序根据需要被安装入存储部分608。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分609从网络上被下载和安装,和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元(CPU)601执行时,执行本申请的方法中限定的上述功能。
需要说明的是,本申请所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括获取单元、第一确定单元和输入单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,获取单元还可以被描述为“获取待预测时间段,以及确定与待预测时间段相邻的在前历史时间段的单元”。
作为另一方面,本申请还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:获取待预测时间段,以及确定与待预测时间段相邻的在前历史时间段;确定目标用户在在前历史时间段的用电量影响因素;将用电量影响因素输入至针对目标用户预先训练的循环神经网络,生成目标用户在待预测时间段的预测用电量信息,其中,循环神经网络用于表征用电量影响因素与用电量信息之间的对应关系。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本申请中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (12)
1.一种用于生成信息的方法,包括:
获取待预测时间段,以及确定与所述待预测时间段相邻的在前历史时间段;
确定目标用户在所述在前历史时间段的用电量影响因素;
将所述用电量影响因素输入至针对所述目标用户预先训练的循环神经网络,生成所述目标用户在所述待预测时间段的预测用电量信息,其中,所述循环神经网络用于表征用电量影响因素与用电量信息之间的对应关系。
2.根据权利要求1所述的方法,其中,在所述获取待预测时间段,以及确定与所述待预测时间段相邻的在前历史时间段之前,所述方法还包括:
基于预先训练的分类模型,确定目标用户所属的类别,其中,所述分类模型用于对用户进行分类;
基于所述类别,确定循环神经网络的训练样本集合;以及
所述预先训练的循环神经网络是基于所述训练样本集合训练得到的。
3.根据权利要求2所述的方法,其中,所述分类模型包括逻辑回归模型;以及
所述基于预先训练的分类模型,确定目标用户所属的类别,包括:
获取目标用户在目标历史时间段的用电量影响因素,以及所述目标用户在与所述目标历史时间段相邻的在后历史时间段的实际用电量信息;
将所述用电量影响因素输入至所述逻辑回归模型,得到所述目标用户在所述在后历史时间段的预测用电量信息,其中,所述逻辑回归模型用于表征用电量影响因素与用电量信息之间的对应关系;
基于所述实际用电量信息和所得到的预测用电量信息,确定所述目标用户所属的类别。
4.根据权利要求2或3所述的方法,其中,训练样本包括用电量影响因素;以及
所述基于所述类别,确定循环神经网络的训练样本集合,包括:
响应于所述类别表征所述目标用户属于第一类用户,确定训练样本包括的用电量影响因素包括以下至少一项:在前历史时间段所属的月份、在前历史时间段所属的月份所包括的天数、在前历史时间段所属的月份所包括的工作日天数、在前历史时间段所属的月份所包括的节假日天数。
响应于所述类别表征所述目标用户属于第二类用户,确定训练样本包括的用电量影响因素包括以下至少一项:在前历史时间段所属的月份、在前历史时间段所属的月份所包括的天数、在前历史时间段所属的月份所包括的工作日天数、在前历史时间段所属的月份所包括的节假日天数、在前历史时间段所属的季节、在在前历史时间段的计划产能、在在前历史时间段实施的限产信息。
5.根据权利要求4所述的方法,其中,训练样本还包括对应用电量影响因素的实际用电量信息;以及所述预先训练的循环神经网络是通过如下步骤得到的:
利用机器学习算法,将训练样本包括的用电量影响因素作为输入,将与输入的用电量影响因素对应的实际用电量信息作为期望输出,训练得到循环神经网络。
6.一种用于生成信息的装置,包括:
获取单元,被配置成获取待预测时间段,以及确定与所述待预测时间段相邻的在前历史时间段;
第一确定单元,被配置成确定目标用户在所述在前历史时间段的用电量影响因素;
输入单元,被配置成将所述用电量影响因素输入至针对所述目标用户预先训练的循环神经网络,生成所述目标用户在所述待预测时间段的预测用电量信息,其中,所述循环神经网络用于表征用电量影响因素与用电量信息之间的对应关系。
7.根据权利要求6所述的装置,其中,所述装置还包括:
第二确定单元,被配置成基于预先训练的分类模型,确定目标用户所属的类别,其中,所述分类模型用于对用户进行分类;
第三确定单元,被配置成基于所述类别,确定循环神经网络的训练样本集合;以及
所述预先训练的循环神经网络是基于所述训练样本集合训练得到的。
8.根据权利要求7所述的装置,其中,所述分类模型包括逻辑回归模型;以及
所述第二确定单元,进一步被配置成:
获取目标用户在目标历史时间段的用电量影响因素,以及所述目标用户在与所述目标历史时间段相邻的在后历史时间段的实际用电量信息;
将所述用电量影响因素输入至所述逻辑回归模型,得到所述目标用户在所述在后历史时间段的预测用电量信息,其中,所述逻辑回归模型用于表征用电量影响因素与用电量信息之间的对应关系;
基于所述实际用电量信息和所得到的预测用电量信息,确定所述目标用户所属的类别。
9.根据权利要求7或8所述的装置,其中,训练样本包括用电量影响因素;以及
所述第三确定单元,进一步被配置成:
响应于所述类别表征所述目标用户属于第一类用户,确定训练样本包括的用电量影响因素包括以下至少一项:在前历史时间段所属的月份、在前历史时间段所属的月份所包括的天数、在前历史时间段所属的月份所包括的工作日天数、在前历史时间段所属的月份所包括的节假日天数。
响应于所述类别表征所述目标用户属于第二类用户,确定训练样本包括的用电量影响因素包括以下至少一项:在前历史时间段所属的月份、在前历史时间段所属的月份所包括的天数、在前历史时间段所属的月份所包括的工作日天数、在前历史时间段所属的月份所包括的节假日天数、在前历史时间段所属的季节、在在前历史时间段的计划产能、在在前历史时间段实施的限产信息。
10.根据权利要求9所述的装置,其中,训练样本还包括对应用电量影响因素的实际用电量信息;以及所述预先训练的循环神经网络是通过如下步骤得到的:
利用机器学习算法,将训练样本包括的用电量影响因素作为输入,将与输入的用电量影响因素对应的实际用电量信息作为期望输出,训练得到循环神经网络。
11.一种电子设备,包括:
一个或多个处理器;
存储装置,其上存储有一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-5中任一所述的方法。
12.一种计算机可读介质,其上存储有计算机程序,其中,所述程序被处理器执行时实现如权利要求1-5中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810563838.XA CN108921323A (zh) | 2018-06-04 | 2018-06-04 | 用于生成信息的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810563838.XA CN108921323A (zh) | 2018-06-04 | 2018-06-04 | 用于生成信息的方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108921323A true CN108921323A (zh) | 2018-11-30 |
Family
ID=64420092
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810563838.XA Pending CN108921323A (zh) | 2018-06-04 | 2018-06-04 | 用于生成信息的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108921323A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110149238A (zh) * | 2019-06-18 | 2019-08-20 | 北京百度网讯科技有限公司 | 用于预测流量的方法和装置 |
CN110968628A (zh) * | 2019-11-18 | 2020-04-07 | 广东卓维网络有限公司 | 一种用于给移动终端提供电量数据的后台管理系统 |
CN111369029A (zh) * | 2018-12-06 | 2020-07-03 | 北京嘀嘀无限科技发展有限公司 | 服务选择预测方法、装置、电子设备及存储介质 |
CN112506134A (zh) * | 2019-09-16 | 2021-03-16 | 阿里巴巴集团控股有限公司 | 一种控制变量值的确定方法、装置及设备 |
CN113222403A (zh) * | 2021-05-10 | 2021-08-06 | 湖南省计量检测研究院 | 基于大数据的电力调节方法、装置、存储介质及电子设备 |
WO2023005635A1 (zh) * | 2021-07-26 | 2023-02-02 | 北京沃东天骏信息技术有限公司 | 生成信息的方法和装置 |
CN115809942A (zh) * | 2023-02-06 | 2023-03-17 | 四川智源能诚售电有限公司 | 用电量数据预测方法、装置及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103745280A (zh) * | 2014-01-26 | 2014-04-23 | 北京中电普华信息技术有限公司 | 用电量预测方法、装置及处理器 |
CN107292420A (zh) * | 2017-05-24 | 2017-10-24 | 国网北京市电力公司 | 数据处理方法和装置 |
CN107357874A (zh) * | 2017-07-04 | 2017-11-17 | 北京京东尚科信息技术有限公司 | 用户分类方法及装置、电子设备、存储介质 |
CN107357764A (zh) * | 2017-06-23 | 2017-11-17 | 联想(北京)有限公司 | 数据分析方法、电子设备及计算机存储介质 |
CN108009224A (zh) * | 2017-11-24 | 2018-05-08 | 国网北京市电力公司 | 电力客户的分类方法和装置 |
-
2018
- 2018-06-04 CN CN201810563838.XA patent/CN108921323A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103745280A (zh) * | 2014-01-26 | 2014-04-23 | 北京中电普华信息技术有限公司 | 用电量预测方法、装置及处理器 |
CN107292420A (zh) * | 2017-05-24 | 2017-10-24 | 国网北京市电力公司 | 数据处理方法和装置 |
CN107357764A (zh) * | 2017-06-23 | 2017-11-17 | 联想(北京)有限公司 | 数据分析方法、电子设备及计算机存储介质 |
CN107357874A (zh) * | 2017-07-04 | 2017-11-17 | 北京京东尚科信息技术有限公司 | 用户分类方法及装置、电子设备、存储介质 |
CN108009224A (zh) * | 2017-11-24 | 2018-05-08 | 国网北京市电力公司 | 电力客户的分类方法和装置 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111369029A (zh) * | 2018-12-06 | 2020-07-03 | 北京嘀嘀无限科技发展有限公司 | 服务选择预测方法、装置、电子设备及存储介质 |
CN110149238A (zh) * | 2019-06-18 | 2019-08-20 | 北京百度网讯科技有限公司 | 用于预测流量的方法和装置 |
CN112506134A (zh) * | 2019-09-16 | 2021-03-16 | 阿里巴巴集团控股有限公司 | 一种控制变量值的确定方法、装置及设备 |
CN110968628A (zh) * | 2019-11-18 | 2020-04-07 | 广东卓维网络有限公司 | 一种用于给移动终端提供电量数据的后台管理系统 |
CN113222403A (zh) * | 2021-05-10 | 2021-08-06 | 湖南省计量检测研究院 | 基于大数据的电力调节方法、装置、存储介质及电子设备 |
CN113222403B (zh) * | 2021-05-10 | 2023-10-27 | 湖南省计量检测研究院 | 基于大数据的电力调节方法、装置、存储介质及电子设备 |
WO2023005635A1 (zh) * | 2021-07-26 | 2023-02-02 | 北京沃东天骏信息技术有限公司 | 生成信息的方法和装置 |
CN115809942A (zh) * | 2023-02-06 | 2023-03-17 | 四川智源能诚售电有限公司 | 用电量数据预测方法、装置及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108921323A (zh) | 用于生成信息的方法和装置 | |
CN108776808A (zh) | 一种用于检测钢包溶蚀缺陷的方法和装置 | |
CN108520324A (zh) | 用于生成信息的方法和装置 | |
CN109919684A (zh) | 用于生成信息预测模型的方法、电子设备和计算机可读存储介质 | |
CN109976997A (zh) | 测试方法和装置 | |
CN108228463A (zh) | 用于检测首屏时间的方法和装置 | |
CN109471783A (zh) | 预测任务运行参数的方法和装置 | |
CN109634833A (zh) | 一种软件缺陷预测方法和装置 | |
CN108388563A (zh) | 信息输出方法和装置 | |
CN107274209A (zh) | 预测促销活动销售数据的方法和装置 | |
CN110149238A (zh) | 用于预测流量的方法和装置 | |
CN110009229A (zh) | 基于区块链的供应链管理方法、装置、存储介质与设备 | |
CN109544076A (zh) | 用于生成信息的方法和装置 | |
CN109961198A (zh) | 关联信息生成方法和装置 | |
CN110097302A (zh) | 分配订单的方法和装置 | |
CN110378546A (zh) | 用于生成信息的方法和装置 | |
CN115237724A (zh) | 基于人工智能的数据监控方法、装置、设备及存储介质 | |
CN108399401A (zh) | 用于检测人脸图像的方法和装置 | |
CN109961328A (zh) | 确定订单冷静期的方法和装置 | |
CN110675176B (zh) | 用于生成属性预测模型的方法和装置 | |
CN109948773A (zh) | 生成信息的方法和装置 | |
CN108629355A (zh) | 用于生成工作量信息的方法和装置 | |
CN113506023A (zh) | 工作行为数据分析方法、装置、设备及存储介质 | |
CN110619400A (zh) | 用于生成订单信息的方法和装置 | |
CN112860672A (zh) | 标签权重的确定方法和装置 |
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 |
Application publication date: 20181130 |
|
RJ01 | Rejection of invention patent application after publication |