CN109409561B - 多时间尺度时间序列协同预测模型的构建方法 - Google Patents
多时间尺度时间序列协同预测模型的构建方法 Download PDFInfo
- Publication number
- CN109409561B CN109409561B CN201810958160.5A CN201810958160A CN109409561B CN 109409561 B CN109409561 B CN 109409561B CN 201810958160 A CN201810958160 A CN 201810958160A CN 109409561 B CN109409561 B CN 109409561B
- Authority
- CN
- China
- Prior art keywords
- time
- sequence
- data
- scale
- change
- 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.)
- Active
Links
- 238000010276 construction Methods 0.000 title claims description 12
- 230000005611 electricity Effects 0.000 claims abstract description 47
- 239000011159 matrix material Substances 0.000 claims abstract description 47
- 238000000034 method Methods 0.000 claims abstract description 27
- 230000004927 fusion Effects 0.000 claims abstract description 9
- 230000007774 longterm Effects 0.000 claims description 14
- 230000000737 periodic effect Effects 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 4
- 230000002354 daily effect Effects 0.000 claims description 3
- 230000001419 dependent effect Effects 0.000 claims description 3
- 230000003203 everyday effect Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000036962 time dependent Effects 0.000 claims description 2
- 230000000875 corresponding effect Effects 0.000 description 11
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 241000283690 Bos taurus Species 0.000 description 1
- 101100024093 Danio rerio paqr7b gene Proteins 0.000 description 1
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 1
- 101100350989 Mus musculus Paqr7 gene Proteins 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000015654 memory Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- General Business, Economics & Management (AREA)
- Biomedical Technology (AREA)
- Tourism & Hospitality (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种多时间尺度时间序列协同预测模型的构建方法，包括：步骤1)，输入用户用电情况随着时间的变化而产生的记录数据，根据所述记录数据构建相关的时序表示；步骤2)，基于步骤1)得到的时序表示，对所有用电数据进行分析，捕获不同的特征并分析其相对应的变化规律，并以此来构建时间尺度矩阵序列；步骤3)，根据步骤1)和步骤2)的输出，构建用电数据时间序列的预测模型，所述时间序列的预测模型为多尺度RNN模型；步骤4)，根据步骤1)、步骤2)和步骤3)的输出，以及外部因素的输出进行加权融合求解，得到多时间尺度用电时序数据协同预测模型。本发明的方法使得用户用电情况预测的准确率得到提升。
Description
技术领域
本发明涉及一种多时间尺度用电时序数据协同预测模型的构建方法。
背景技术
随着电力系统相关技术的快速发展和大量应用，海量的电力用户相关的用电信息大量产生，这些随着时间的推移而产生的时间数据中包含着用户的行为特性以及发展规律，对这些数据进行精准的分析和预测，对电网规划和经济部门的管理决策具有重要的指导意义。目前用于用电量预测的方法分为两大类，主要包括传统的预测方法和基于人工智能的预测方法。
传统的预测方法主要包括基于概率盒论的方法、随机森林算法、自回归(Autoregressive model，简称AR模型)和自回归综合移动平均(AutoregressiveIntegrated Moving Average Model,简称ARIMA)等。例如，刘洋均等人(刘洋均,王清心,丁家满.电网规划指标的相关性分析及融合算法[J].计算机工程与应用,2017,53(6):241-245.)提出的基于概率盒理论的方法；赵腾等人(赵腾,王林童,张焰,等.采用互信息与随机森林算法的用户用电关联因素辨识及用电量预测方法[J].中国电机工程学报,2016,36(3):604-614.)和李婉华等人(李婉华,陈宏,郭昆,等.基于随机森林算法的用电负荷预测研究[J].计算机工程与应用,2016,52(23):236-243.)都以随机森林算法建立预测模型；Pappas等人(Pappas S S,Ekonomou L,Karamousantas D C,et al.Electricity demandloads modeling using AutoRegressive Moving Average(ARMA)models[J].Energy,2008,33(9):1353-1360.)、Erkan(Erdogdu E.Electricity demand analysisusingcointegration and ARIMA modelling:A case study of Turkey[J].Mpra Paper,2007,35(2):1129-1146.)以及Wang等人(Wang Y,Wang J,Zhao G,et al.Application ofresidual modification approach in seasonal ARIMA for electricity demandforecasting:A case study of China[J].Energy Policy,2012,48(3):284-294.)通过ARIMA模型预测电力需求。传统的预测方法模型相对简单，但只能对少量影响因素及样本数据进行处理，对原始的时间序列平稳性要较高。
基于人工智能的预测方法主要包括灰色预测法、支持向量机(Support VectorMachine，简称SVM)和人工神经网络(Artificial Neural Network，简称ANN)等，其中支持向量机和人工神经网络方法被广泛使用。例如，陈洁等人(陈洁,蒋雪松.基于灰色预测模型的淮安市居民生活用电消费研究[J].企业经济,2015(2):162-165.)选择灰色模型对居民生活用电进行了预测；陈高波(陈高波.年用电量预测的PLS-LSSVM模型[J].计算机工程与应用,2010,46(25):223-225.)使用支持向量机方法构建PLS-LSSVM模型对年用电量进行预测估计；覃泓皓等人(覃泓皓,牛东晓,钱望月,等.考虑季节特性的改进小波包-RBF用电量预测方法[J].电力科学与技术学报,2016,31(2):37-44.)使用基于径向基函数(RadialBasis Function，简称RBF)神经网络模型预测用电量；徐尧强等人(徐尧强,方乐恒,赵冬华,等.基于LSTM神经网络的用电量预测[J].电力大数据,2017(8):25-29.)改进引入温度因素的LSTM(Long Short-Term Memory)神经网络模型；冯雪静(冯雪静.基于径向神经网络的某个区用电量预测模型研究[J].工程技术:全文版,2016(7):00151-00151.)提出了在人工蜂群算法优化BP(back propagation)神经网络的区域用电量的预测和分析模型。该类方法能够较好地解决传统算法中存在的非线性、高纬数等问题，但是大多数模型都只是在单一的时间尺度上进行研究，较少的考虑到不同时序用电量之间的依赖关系。
发明内容
本发明的目的是提供一种多时间尺度、预测准确率较高的用电时序数据协同预测模型的构建方法。
为此，本发明的技术方案如下：
一种多时间尺度时间序列协同预测模型的构建方法，包括下列步骤：
步骤1)，输入用户用电情况随着时间的变化而产生的记录数据，根据所述记录数据构建相关的时序表示；
步骤2)，基于步骤1)得到的时序表示，对所有用电数据进行分析，捕获不同的特征并分析其相对应的变化规律，并以此来构建时间尺度矩阵序列；
步骤3)，根据步骤1)和步骤2)的输出，构建用电数据时间序列的预测模型，所述时间序列的预测模型为多尺度RNN模型；
步骤4)，根据步骤1)、步骤2)和步骤3)的输出，以及外部因素的输出进行加权融合求解，得到多时间尺度用电时序数据协同预测模型。
上述步骤1)中所述的时序表示为每天所有用户的用电情况随着时间的变化而产生的记录数据构成的特征矩阵序列。
在上述的步骤1)中，输入用户随着时间的变化而产生的记录数据，第t天用户用电时序记录数据被构建为特征矩阵：
Xt∈RN×M
其中t表示相关时序数据对应的天数，N表示特征矩阵中相应用户的个数，RN×M表示N行M列的非负实数矩阵。矩阵中的元素
表示第t天用户i的第j的相关用电数据特征。
最终，步骤1)输出的所有特征矩阵为：
X1,X2,…，XT∈RN×M，
其中T为：时间序列的长度，单位是天或小时。
在上述的步骤2)中，所述变化规律包括短期变化规律、周期变化规律和长期变化规律。
在上述的步骤2)中，所述的时间尺度矩阵构建方法包括以下步骤：
步骤2.1)，分析特征矩阵序列在时间上的短期性：通过计算用户的用电数据在相邻的不同时间间隔下流量的比值，分析是否对短期时间有依赖，即：相邻时间的历史流量情况对未来时间段的预测是否有影响；
步骤2.2)，分析特征矩阵序列在时间上的周期性：将用户随时间变化产生的记录数据进行单位化处理，分析数据的波动是否有周期性依赖关系；
步骤2.3)，分析特征矩阵序列在时间上的长期性：通过计算每个月固定时间的日平均用户用电数据，对其长期性依赖关系进行分析，即：随着时间的推移，用电记录整体上是否具有较为明显的变化趋势；
步骤2.4)，基于分析的依赖关系，捕获不同的特征，根据其不同的变化规律构建多时间尺度矩阵序列，并输出该多时间尺度矩阵序列。
在上述的步骤3)中，构建用电时序数据的预测模型前，先基于时间尺度进行建模，是对时间序列预测的基础。
在上述的步骤3)中，所述多尺度RNN模型由3个部分组成，分别对应于短期性依赖、周期性依赖和长期性依赖的建模。在每一所述部分中，使用可以能够捕获时间依赖的RNN模型对不同时间用电情况进行协同拟合，使用Sigmoid函数作为激活函数。
在上述的步骤4)中，将步骤3)中多个时间尺度对应部分的输出结果进行加权融合，并在此基础上，引入包含天气，节假日等外部因素的矩阵，通过全连接网络对外部因素进行建模，将其结果与以上各部分结果融合，得到多时间尺度用电时序数据协同预测模型。
发明具有以下有益效果：
本发明基于用电时序数据的预测,选择能够捕获时间序列特征的基于后向传播算法的循环神经网络(RNN)模型,同时考虑到该时间数据具有其独特的周期性和趋势性,因此根据数据的不同时间尺度进行建模,对长期性特征、短期性特征以及周期性特征分别进行捕获，使不同变化规律的相关数据进行协同训练，并引入外部因素，得到多时间尺度用电时序数据协同预测模型的最终结果，使得用户用电情况预测的准确率得到提升。
附图说明
图1是本发明的多时间尺度用电时序数据协同预测模型构建方法的流程示意图；
图2是本发明的多时间尺度用电时序数据协同预测模型构建方法的模型架构图。
具体实施方式
用电时序数据是在不同时间点上的用户用电数据集合，在各种生产生活领域中广泛出现的数据类型，它反映了用户用电情况或行为随着时间的推移而产生的状态变化和发展规律。由于用电时序数据在人们的生活中是普遍存在的，因此对用电数据的预测也是很多研究工作的重点问题。用电时序数据预测即根据已知的用电序列所反映出的发展过程和规律，通过特定的预测模型进行拟合，从而预测其未来的变化趋势的方法。构建准确的用电时序数据预测模型有助于资源调度与管理，社会安全保障以及避免资源浪费等，在现实生活中有着重大的意义。
下面结合附图和具体实施例对本发明的多时间尺度用电时序数据协同预测模型的构建方法进行详细说明。
本发明主要采用数据挖掘理论和方法对用电时序数据进行分析，为了保证系统的正常运行，在具体实施时，要求所使用的计算机平台配备不低于8G的内存，CPU核心数不低于4个且主频不低2.6GHz、Windows 7及以上版本的64位操作系统，并安装Oracle数据库、python2.7版本等必备软件环境。
参见图1和图2，首先从电力数据库中提取用户的用电记录数据，然后构建时间序列的表示矩阵，并且根据不同的时间尺度的时间依赖特性构建用电数据的多时间尺度矩阵序列，在多个时间尺度上分别建立RNN预测模型，并将多尺度的模型进行加权融合计算损失。
本发明涉及到的用户数据主要包括用户随着时间推移而产生的用电数据记录。
记录数据包括ID、日期、用户用电数据等属性以及天气、节假日等外部因素。根据数据的日期变化，将每天所有用户的用电时序数据记录构建成相关的特征矩阵序列，将天气等数据构建成外部因素矩阵。
用电时序数据预测根据连续若干时间段内的相关数据记录，并根据数据的时序特点，对用电数据记录的长期性特征、短期性特征以及周期性特征这三部分用多尺度RNN进行建模，构建时间序列预测模型，并预测在未来特定时间内的用电情况。在每一部分中，使用可以捕获时序依赖的RNN模型对数据变化情况进行拟合，Sigmoid函数为激活函数，最后将多个时间尺度对应部分的输出结果进行加权融合，使不同变化规律的用电时间序列数据协同训练，得到多时间尺度用电时序数据协同预测模型的最终结果。
本发明的多时间尺度用电时序数据协同预测模型的构建方法包括下列步骤：
步骤1)输入用户用电情况随着时间的变化而产生的记录数据，构建时间序列的表示：
根据时间变换的记录数据构建相关的时序表示；时序的表示包含特征矩阵序列的构建，主要是将每天所有用户随着时间的变化而产生的记录数据构成特征矩阵序列。
步骤2)基于步骤1)中的输出，对所有用电数据进行分析，捕获不同的特征并分析其相对应的变化规律(如短期，周期，长期等关系)，并以此来构建时间尺度矩阵序列：
步骤3)根据步骤1)和步骤2)中的输出，构建用电数据时间序列的预测模型，主要由三个RNN模型组成。
步骤4)根据步骤1)、步骤2)和步骤3)中的输出，进行加权融合求解，得到最后模型。
在步骤1)中：输入用户的用电情况随着时间的变化而产生的记录数据，第t天用户用电时序记录数据被构建为特征矩阵：
Xt∈RN×M
其中t表示相关时序数据对应的天数，N表示特征矩阵中相应用户的个数，RN×M表示N行M列的非负实数矩阵。矩阵中的元素
表示第t天用户i的第j的用电数据特征。
最终，步骤1)输出的所有特征矩阵：
X1,X2,…，XT∈RN×M。
在步骤2)中，所述的时间尺度矩阵序列构建如下：
步骤2.1)，分析特征矩阵序列在时间上的短期性：
通过计算用户的用电数据在相邻的不同时间间隔下流量的比值，分析是否对短期时间有依赖，即：相邻时间的历史流量情况对未来时间段的预测是否有影响。
步骤2.2)，分析特征矩阵序列在时间上的周期性：
将用户随时间变化产生的记录数据进行单位化处理，分析数据的波动是否有周期性依赖关系；
步骤2.3)，分析特征矩阵序列在时间上的长期性：
通过计算每个月固定时间的日平均用户用电数据，对其长期性依赖关系进行分析，即：随着时间的推移，用电记录整体上是否具有较为明显的变化趋势。
步骤2.4)，基于分析的依赖关系，捕获不同的特征，根据其不同的变化规律构建多时间尺度矩阵序列：
输出多时间尺度矩阵序列，本步骤至此结束。
在步骤3)中，构建用电时序数据的预测模型，先基于时间尺度进行建模，是对时间序列预测的基础。
多尺度RNN模型主要由3个部分组成，对应于短期性依赖，周期性依赖和长期性依赖的建模。在每一部分中，使用可以捕获时间依赖的RNN模型对不同时间用电情况进行协同拟合，使用Sigmoid函数作为激活函数。
在步骤4)中，将步骤3)中多个时间尺度对应部分的输出结果进行加权融合，并在此基础上，引入包含天气，节假日等外部因素的矩阵，通过全连接网络对外部因素进行建模，将其结果与以上各部分结果融合，得到多时间尺度用电时序数据协同预测模型的最终结果。
需要强调的是，本发明所述的实施例是说明性的，而不是限定性的，因此本发明并不限于具体实施方式中所述的实施例，凡是由本领域技术人员根据本发明的技术方案得出的其他实施方式，同样属于本发明保护的范围。
Claims (6)
1.一种多时间尺度用电时序数据协同预测模型的构建方法，其特征在于包括下列步骤：
步骤1)，输入用户用电情况随着时间的变化而产生的记录数据，根据所述记录数据构建相关的时序表示，所述的时序表示为每天所有用户用电情况随着时间的变化而产生的记录数据构成的特征矩阵序列，其中，第t天用户用电时序记录数据被构建为特征矩阵：
Xt∈RN×M
其中，t表示相关时序数据对应的天数，N表示特征矩阵中相应用户的个数，RN×M表示N行M列的非负实数矩阵； 矩阵中的元素
表示第t天用户i的第j个用电数据特征，
最终，步骤1)输出的所有特征矩阵为：
X1,X2,…，XT∈RN×M，
其中T为：时间序列的长度，单位是天或小时；
步骤2)，基于步骤1)得到的时序表示，对所有时间数据进行分析，捕获不同的特征并分析其相对应的变化规律，并以此来构建时间尺度矩阵序列；
步骤3)，基于时间尺度进行建模，根据步骤1)得到的时序表示和步骤2)得到的时间尺度矩阵序列，构建用电时间序列的预测模型，所述时间序列的预测模型为多尺度RNN模型；
步骤4)，根据步骤1)得到的时序表示、步骤2)得到的时间尺度矩阵序列和步骤3)得到的多尺度RNN模型，以及外部因素的输出进行加权融合求解，得到多时间尺度用电时序数据协同预测模型，
其中：在步骤2)中，所述的时间尺度矩阵构建方法包括以下步骤：
步骤2.1)，分析特征矩阵序列在时间上的短期性：
通过计算用户的用电数据在相邻的不同时间间隔下流量的比值，分析是否对短期时间有依赖，即：相邻时间的历史流量情况对未来时间段的预测是否有影响；
步骤2.2)，分析特征矩阵序列在时间上的周期性：
将用户随时间变化产生的记录数据进行单位化处理，分析数据的波动是否有周期性依赖关系；
步骤2.3)，分析特征矩阵序列在时间上的长期性：
通过计算每个月固定时间的日平均用户用电数据，对其长期性依赖关系进行分析，即：随着时间的推移，用电记录整体上是否具有较为明显的变化趋势；
步骤2.4)，基于分析的依赖关系，捕获不同的特征，根据其不同的变化规律构建多时间尺度矩阵序列，并输出该多时间尺度矩阵序列。
2.根据权利要求1所述的构建方法，其特征在于：在步骤2)中，所述变化规律包括短期变化规律，周期变化规律和长期变化规律。
3.根据权利要求1所述的构建方法，其特征在于：在步骤3)中，所述多尺度RNN模型由3个部分组成，分别对应于短期性依赖、周期性依赖和长期性依赖的建模。
4.根据权利要求3 所述的构建方法，其特征在于：在每一所述部分中，使用能够捕获时间依赖的RNN模型对不同时间用电情况进行协同拟合，使用Sigmoid函数作为激活函数。
5.根据权利要求1所述的构建方法，其特征在于：在步骤4)中，将步骤3)中多个时间尺度对应部分的输出结果进行加权融合，并在此基础上引入包含外部因素的矩阵，通过全连接网络对外部因素进行建模，将其结果与以上各部分结果融合，得到多时间尺度用电时序数据协同预测模型。
6.根据权利要求5所述的构建方法，其特征在于：所述外部因素包括天气和节假日。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810958160.5A CN109409561B (zh) | 2018-08-22 | 2018-08-22 | 多时间尺度时间序列协同预测模型的构建方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810958160.5A CN109409561B (zh) | 2018-08-22 | 2018-08-22 | 多时间尺度时间序列协同预测模型的构建方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109409561A CN109409561A (zh) | 2019-03-01 |
| CN109409561B true CN109409561B (zh) | 2022-04-19 |
Family
ID=65463662
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810958160.5A Active CN109409561B (zh) | 2018-08-22 | 2018-08-22 | 多时间尺度时间序列协同预测模型的构建方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109409561B (zh) |
Families Citing this family (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110321240B (zh) * | 2019-06-28 | 2023-06-09 | 创新先进技术有限公司 | 一种基于时序预测的业务影响评估方法和装置 |
| CN110930258B (zh) * | 2019-11-15 | 2023-08-25 | 安徽海汇金融投资集团有限公司 | 一种应收账款融资变现规模预测方法及系统 |
| CN111415050B (zh) * | 2020-04-27 | 2023-12-05 | 新奥新智科技有限公司 | 短期负荷预测方法、短期负荷预测模型训练方法及装置 |
| CN112329974B (zh) * | 2020-09-03 | 2024-02-27 | 中国人民公安大学 | 基于lstm-rnn的民航安保事件行为主体识别与预测方法及系统 |
| CN112308318B (zh) * | 2020-11-02 | 2024-05-28 | 沈阳民航东北凯亚有限公司 | 一种排队时间预测方法、装置、设备及存储介质 |
| CN112712695B (zh) * | 2020-12-30 | 2021-11-26 | 桂林电子科技大学 | 一种交通流预测方法、装置及存储介质 |
| CN114707739B (zh) * | 2022-04-14 | 2024-09-20 | 华北电力大学 | 基于大数据的风光出力预测与市场风险管控方法和系统 |
| CN118568673A (zh) * | 2024-07-31 | 2024-08-30 | 阿里云飞天(杭州)云计算技术有限公司 | 时序预测系统、方法、设备、存储介质及程序产品 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8898278B2 (en) * | 2006-08-10 | 2014-11-25 | Gridpoint, Inc. | Connection locator in a power aggregation system for distributed electric resources |
| CN105701559A (zh) * | 2015-12-31 | 2016-06-22 | 国网上海市电力公司 | 一种基于时间序列的短期负荷预测方法 |
| CN107622329A (zh) * | 2017-09-22 | 2018-01-23 | 深圳市景程信息科技有限公司 | 基于多时间尺度长短时记忆神经网络的电力负荷预测方法 |
| CN107703564B (zh) * | 2017-10-13 | 2020-04-14 | 中国科学院深圳先进技术研究院 | 一种降雨预测方法、系统及电子设备 |
-
2018
- 2018-08-22 CN CN201810958160.5A patent/CN109409561B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN109409561A (zh) | 2019-03-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109409561B (zh) | 多时间尺度时间序列协同预测模型的构建方法 | |
| Qiao et al. | Towards developing a systematic knowledge trend for building energy consumption prediction | |
| Bassamzadeh et al. | Multiscale stochastic prediction of electricity demand in smart grids using Bayesian networks | |
| Hong et al. | Probabilistic electric load forecasting: A tutorial review | |
| Ford et al. | Smart grid energy fraud detection using artificial neural networks | |
| Sørensen et al. | Recent developments in multivariate wind and solar power forecasting | |
| Lin et al. | Predictive analytics for building power demand: Day-ahead forecasting and anomaly prediction | |
| Tariq et al. | Employing deep learning and time series analysis to tackle the accuracy and robustness of the forecasting problem | |
| Aghimien et al. | A review of the application of data mining for sustainable construction in Nigeria | |
| Salman et al. | Hybrid deep learning models for time series forecasting of solar power | |
| CN116628534A (zh) | 基于电力大数据的园区用能动态画像划分方法 | |
| Li et al. | Impact of the pre-simulation process of occupant behaviour modelling for residential energy demand simulations | |
| Stødle et al. | Data‐driven predictive modeling in risk assessment: Challenges and directions for proper uncertainty representation | |
| Wang et al. | A transformer-based multi-entity load forecasting method for integrated energy systems | |
| Qiao et al. | Developing a machine learning based building energy consumption prediction approach using limited data: Boruta feature selection and empirical mode decomposition | |
| Hou et al. | Big data and artificial intelligence application in energy field: a bibliometric analysis | |
| Wang | Enhancing energy efficiency with smart grid technology: a fusion of TCN, BiGRU, and attention mechanism | |
| Yu et al. | Forecasting digital economy of China using an Adaptive Lasso and grey model optimized by particle swarm optimization algorithm | |
| Hu et al. | Probabilistic net load forecasting based on transformer network and Gaussian process-enabled residual modeling learning method | |
| Xu et al. | Interpretable transformer-based model for probabilistic short-term forecasting of residential net load | |
| Yang | Research on strategies of promoting mental health of higher vocational college students based on data mining | |
| Hu et al. | An attention-mechanism-based traffic flow prediction scheme for smart city | |
| Jiang et al. | Power load forecasting based on spatial–temporal fusion graph convolution network | |
| Siddiqui et al. | Addressing an uncertain future using scenario analysis | |
| Shen | The performance evaluation model of hotel green human resources based on internet of things and fuzzy theory |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |