CN109978230B - 一种基于深度卷积神经网络的电力销售金额智能预测方法 - Google Patents
一种基于深度卷积神经网络的电力销售金额智能预测方法 Download PDFInfo
- Publication number
- CN109978230B CN109978230B CN201910117873.3A CN201910117873A CN109978230B CN 109978230 B CN109978230 B CN 109978230B CN 201910117873 A CN201910117873 A CN 201910117873A CN 109978230 B CN109978230 B CN 109978230B
- Authority
- CN
- China
- Prior art keywords
- payment
- neural network
- date
- user
- data
- 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
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 28
- 230000005611 electricity Effects 0.000 claims abstract description 26
- 238000012549 training Methods 0.000 claims abstract description 13
- 238000005065 mining Methods 0.000 claims abstract description 9
- 238000003062 neural network model Methods 0.000 claims abstract description 8
- 238000013528 artificial neural network Methods 0.000 claims abstract description 6
- 238000011056 performance test Methods 0.000 claims abstract description 4
- 230000000737 periodic effect Effects 0.000 claims abstract description 4
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 238000012360 testing method Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 5
- 230000008520 organization Effects 0.000 claims description 5
- 238000002474 experimental method Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000006641 stabilisation Effects 0.000 claims description 3
- 238000011105 stabilization Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 4
- 239000000284 extract Substances 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
Images
Classifications
-
- 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
- G06N3/045—Combinations of networks
-
- 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
-
- 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
- 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)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- Biophysics (AREA)
- General Business, Economics & Management (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及大数据处理，旨在提供一种基于深度卷积神经网络的电力销售金额智能预测方法。包括：读取电力部门销售流水和用电量的历史数据，预处理后进行信息挖掘和分析，评估金额到账时间与用户支付时间的关系，得出每天缴费用户的分布信息，并按照设定数据结构进行数据组织；对历史数据结构进行组织；进行交叉检验，利用深度卷积神经网络进行未来定期金额预测的回归训练，并将剩下的一组作为检验集，对模型进行性能测试；采用网格法得到神经网络的最佳超参数，最终确定深度卷积神经网络模型，并利用其进行电力销售金额的预测。本发明预测更加准确、合理，准确度有所提升；可以较少的人工干预，结果更加鲁棒，更适应大数据，并可以自动学习。
Description
技术领域
本发明涉及大数据处理，特别涉及一种基于深度卷积神经网络的电力销售金额智能预测方法。
背景技术
销售金额预测是指对未来特定时间内，全部产品或特定产品的销售数量与销售金额的估计。销售预测旨在充分考虑未来各种影响因素的基础上，通过一定的分析方法提出切实可行的销售目标，以及帮助企业做好财务预算，其结果对企业的发展规划、战略部署有着十分重要的意义。
尽管如此，进行高质量消费预测绝非易事。目前可用于现金流预测的数据挖掘工具主要是一些统计分析方法，如时间序列分析、线性/非线性回归模型、灰色系统模型、最大熵马尔可夫模型等。虽然已有众多的成熟模型，而且这些模型已被广泛应用于经济预测领域，但是从以下两方面原因导致了预测的不准确性，也就限制了它们的实际应用。一方面电网销售金额数据名目众多、数量庞大，有必要先将这些数据按照一定的方式组织在一起，筛选出对现金流预测有帮助的信息，进而提供一种系统有效的，综合多模态、多时期、多用户，以及结合数据分布特征的数据组织结构。传统方法要么是选取其中少量数据维度，要么忽略已有数据之间的总体关联性质，这都导致了数据的信息缺失，使得进一步的建模受到先验限制；另一方面，基于能获取的所有数据维度，传统方法无法有效提取出其中利于预测的高维的、相互作用的有效特征。因此对大数据处理和挖掘的需求也应运而生，其中代表性的方法就是神经网络。到目前为止，还很少有人研究神经网络在电网销售金额预测方面的运用。
发明内容
本发明要解决的技术问题是，克服现有技术中的不足，提出一种基于深度卷积神经网络的电力销售金额智能预测方法。
为解决技术问题，本发明的解决方案是：
提供一种基于深度卷积神经网络的电力销售金额智能预测方法，包括以下步骤：
(1)读取电力部门销售流水和用电量的历史数据，进行数据去噪和时间序列平稳化的预处理；
(2)对预处理后的历史数据进行信息挖掘和分析，评估金额到账时间与用户支付时间的关系，得出每天缴费用户的缴费金额到账情况、区域、用电量和具体金额的分布信息，并按照设定数据结构进行数据组织；
(3)对历史数据结构进行组织，按时间序列均分为k个时间段，每个时间段包含多天数据；
(4)进行k次交叉检验：每次取步骤(3)中的k-1组作为训练集，利用深度卷积神经网络进行未来定期金额预测的回归训练，并将剩下的一组作为检验集，对模型进行性能测试；
(5)重复步骤(4)，采用网格法得到神经网络的最佳超参数，最终确定深度卷积神经网络模型，并利用其进行电力销售金额的预测。
本发明中，所述步骤(1)中，所述电力部门销售流水的历史数据包括：用户行业、识别码、预计到账区间、实际缴费日期、缴费方式和缴费金额；所述用电量的历史数据是指每位用户的每月实际用电量。
本发明中，所述步骤(2)中对历史数据进行信息挖掘和分析，具体包括以下步骤：
(3.1)统计历年所有用户的用电量水平，根据用电量样本的1/4、1/2、3/4分位数划分初步用电量区间；将使用电量超过设定值的用户作为最后1/4分位，对其用电量等级再进行细分，最后按用电量将所有用户分成M个等级；
(3.2)对最小到账日当天的用户组T中的用户缴费金额进行加总，构成输入特征的一个维度；
(3.3)设定用户缴费到账日期的区间，将缴费日期归类为小于最小到账日、处于到账区间内或大于最大到账日；通过缴费时间与到账区间的关系，评估用户所缴纳金额对最小到账日现金流的影响；
(3.4)取最小到账日和最大到账日中间的日期作为估计的实际到账日，并记作预计到账日，将该日期下的用户组记为S；在这个日期下：
(3.41)对当日缴费用户的行业分布进行划分；
(3.42)统计缴费用户的上月用电量水平在M个等级中的分布，若上月用电量数据缺省，说明该用户是隔月或者当月缴费，另计入第M+1等级；
(3.43)对往年所有用户的日缴费金额进行分析，先用1/4分位数进行等级粗分，对缴费金额大于设定值的再进行细分，最后形成M+1个每日用户缴费金额的等级；实际到账日当天的不同缴费用户的缴费金额在这M+1个等级下均有分布，作为数据结构的M+1个维度；
(3.44)因节假日、工作日的信息会影响到到账情况，故将最小到账日的公历月、公历日、星期天数、以及农历月、农历日的信息作为数据结构的五个附加维度。
本发明中，所述步骤(3)中，按照天为单位，对数据进行整理排布，每日数据均有多维特征，涵盖总缴费金额、到账评估的分布，预计在当天到账的缴费用户行业分布、用电量分布以及缴费金额分布，以及当日的日期信息；。
本发明中，所述步骤(4)中，所述利用深度卷积神经网络的回归训练包括：按照设定的数据结构对数据进行组织，取线性变换归一化后的31天数据作为输入，使用多层卷积神经网络学习高维特征，最后利用全连接层输出对第31天的现金流的预测，进行回归训练；其中，卷积层的层数、全连接层的层数以及每层的卷积核尺寸都是超参数。
本发明中，所述步骤(5)中，用网格法对深度卷积神经网络模型的超参数进行遍历，多次实验后记录最佳的超参数，构建最终用于金额预测的深度卷积神经网络模型。
本发明的原理描述：
为了辅助电力部门统计每日全市销售金额并对未来收费趋势及金额范围做预测，本发明针对电力部门销售数据的特点，提取了往期的用户信息、时间序列特征、支付时间的到账评估、行业信息、用电量信息、销售金额分布的特征，将其作为输入的数据结构，输入深度卷积神经网络模型，以此提取高维的、相互作用的有效特征，从而得到根据往期数据预测未来销售金额的模型。该技术的提出能够解决多渠道信息的整合与归纳，解决传统统计分析模型中模型复杂度不足很难拟合多因素相互作用、不适合处理大数据的问题。
与现有技术相比，本发明的有益效果是：
1、本发明基于电力部门用户的数据，综合用电量与销售金额的信息，构建了联合这些信息的新的数据结构，能够刻画日现金流来源。
2、本发明的预测方法相比简单的基于销售金额曲线趋势预测更加准确、合理，准确度有所提升；
3、通过本发明构建的深度卷积神经网络模型相比传统统计模型可以较少的人工干预，结果更加鲁棒，更适应大数据，并可以自动学习出、提取出有价值的特征组合，有利于找到销售市场的规律。
附图说明
图1为本发明构造数据组织结构的流程图。
图2为本发明预测技术的流程图。
具体实施方式
下面结合附图与具体实施方式对本发明作进一步详细描述：
基于深度卷积神经网络的电力销售金额智能预测方法，包括以下步骤：
(1)读取电力部门销售流水和用电量的历史数据，进行数据去噪和时间序列平稳化的预处理；其中，电力部门销售流水的历史数据至少可以包括：用户行业、识别码、预计到账区间、实际缴费日期、缴费方式和缴费金额；所述用电量的历史数据是指每位用户的每月实际用电量。多种综合信息可以有效的帮助用户分类，增加了每日消费数据的特征。
(2)对预处理后的历史数据进行信息挖掘和分析，评估金额到账时间与用户支付时间的关系，得出每天缴费用户的缴费金额到账情况、区域、用电量和具体金额的分布信息，并按照设定数据结构进行数据组织；
其中，对历史数据进行信息挖掘和分析，具体包括以下步骤：
(2.1)统计历年所有用户的用电量水平，根据用电量样本的1/4、1/2、3/4分位数划分初步用电量区间；将使用电量超过设定值的用户作为最后1/4分位，对其用电量等级再进行细分，最后按用电量将所有用户分成M个等级(例如九个等级)；
(2.2)对最小到账日当天的用户组T中的用户缴费金额进行加总，构成输入特征的一个维度；
(2.3)因用户的缴费时间不一定落在预计到账区间内，而本发明预测的是最小到账日当天的现金流。设定用户缴费到账日期的区间，将缴费日期归类为小于最小到账日、处于到账区间内或大于最大到账日；通过缴费时间与到账区间的关系，评估用户所缴纳金额对最小到账日现金流的影响；
(2.4)取最小到账日和最大到账日中间的日期作为估计的实际到账日，并记作预计到账日，将该日期下的用户组记为S；在这个日期下：
(2.41)对当日缴费用户的行业分布进行划分(例如分为九大行业)；
(2.42)统计缴费用户的上月用电量水平在M个等级中的分布，若上月用电量数据缺省，说明该用户是隔月或者当月缴费，另计入第M+1等级(如第九级)；
(2.43)对往年所有用户的日缴费金额进行分析，先用1/4分位数进行等级粗分，对缴费金额大于设定值的再进行细分，最后形成M+1个每日用户缴费金额的等级(如十级)；实际到账日当天的不同缴费用户的缴费金额在这M+1个等级(例如八个等级)下均有分布，作为数据结构的M+1个维度(例如八个维度)；
(2.44)因节假日、工作日的信息会影响到到账情况，故将最小到账日的公历月、公历日、星期天数、以及农历月、农历日的信息作为数据结构的五个附加维度。
(3)对历史数据结构进行组织，按时间序列均分为k个时间段，每个时间段包含多天数据；
(4)进行k次交叉检验：每次取步骤(3)中的k-1组作为训练集，利用深度卷积神经网络进行未来定期金额预测的回归训练，并将剩下的一组作为检验集，对模型进行性能测试；
(5)重复步骤(4)，采用网格法得到神经网络的最佳超参数，最终确定深度卷积神经网络模型，并利用其进行电力销售金额的预测。
本发明中，所述步骤(3)中，按照天为单位，对数据进行整理排布，每日数据均有多维特征，涵盖总缴费金额、到账评估的分布，预计在当天到账的缴费用户行业分布、用电量分布以及缴费金额分布，以及当日的日期信息；(这些初步特征能有效整合现有数据，作为一个新的数据结构，它有效地刻画了现金流的来源情况，对于未来的现金流能更好地预测)。
本发明中，所述步骤(4)中，所述利用深度卷积神经网络的回归训练包括：按照设定的数据结构对数据进行组织，取线性变换归一化后的31天数据作为输入，使用多层卷积神经网络(CNNs)学习高维特征，最后利用全连接层输出对第31天的现金流的预测进行回归训练；其中，卷积层的层数、全连接层的层数以及每层的卷积核尺寸都是超参数。
本发明中，所述步骤(5)中，用网格法对深度卷积神经网络模型的超参数(例如卷积层的层数、卷积核尺寸、全连接层的层数、学习率等)进行遍历，多次实验后记录最佳的超参数，构建最终用于金额预测的深度卷积神经网络模型。
下表1展示了本发明中根据历史数据进行用户挖掘所设计的联合了用电量与销售金额等信息的数据结构。
表1
图2展示了在深度卷积神经网络模型搭建完成后，如何利用此模型进行未来期销售金额等级预测。其中深度卷积神经网络模型的输入是将往期数据按照步骤(2)中挖掘得到的数据结构进行组织。
最后，需要注意的是，以上列举的仅是本发明的具体实施例。显然，本发明不限于以上实施例，还可以有很多变形。本领域的普通技术人员能从本发明公开的内容中直接导出或联想到的所有变形，均应认为是本发明的保护范围。
Claims (5)
1.一种基于深度卷积神经网络的电力销售金额智能预测方法，其特征在于，包括以下步骤：
（1）读取电力部门销售流水和用电量的历史数据，进行数据去噪和时间序列平稳化的预处理；
（2）对预处理后的历史数据进行信息挖掘和分析，评估金额到账时间与用户支付时间的关系，得出每天缴费用户的缴费金额到账情况、区域、用电量和具体金额的分布信息，并按照设定数据结构进行数据组织；
所述对历史数据进行信息挖掘和分析，具体包括以下步骤：
（3.1）统计历年所有用户的用电量水平，根据用电量样本的1/4、1/2、3/4分位数划分初步用电量区间；将使用电量超过设定值的用户作为最后1/4分位，对其用电量等级再进行细分，最后按用电量将所有用户分成M个等级；
（3.2）对最小到账日当天的用户组T中的用户缴费金额进行加总，构成输入特征的一个维度；
（3.3）设定用户缴费到账日期的区间，将缴费日期归类为小于最小到账日、处于到账区间内或大于最大到账日；通过缴费时间与到账区间的关系，评估用户所缴纳金额对最小到账日现金流的影响；
（3.4）取最小到账日和最大到账日中间的日期作为估计的实际到账日，并记作预计到账日，将该日期下的用户组记为S；在这个日期下：
（3.41）对当日缴费用户的行业分布进行划分；
（3.42）统计缴费用户的上月用电量水平在M个等级中的分布，若上月用电量数据缺省，说明该用户是隔月或者当月缴费，另计入第M+1等级；
（3.43）对往年所有用户的日缴费金额进行分析，先用1/4分位数进行等级粗分，对缴费金额大于设定值的再进行细分，最后形成M+1个每日用户缴费金额的等级；实际到账日当天的不同缴费用户的缴费金额在这M+1个等级下均有分布，作为数据结构的M+1个维度；
（3.44）因节假日、工作日的信息会影响到到账情况，故将最小到账日的公历月、公历日、星期天数、以及农历月、农历日的信息作为数据结构的五个附加维度；
（3）对历史数据结构进行组织，按时间序列均分为k个时间段，每个时间段包含多天数据；
（4）进行k次交叉检验：每次取步骤（3）中的k-1组作为训练集，利用深度卷积神经网络进行未来定期金额预测的回归训练，并将剩下的一组作为检验集，对模型进行性能测试；
（5）重复步骤（4），采用网格法得到神经网络的最佳超参数，最终确定深度卷积神经网络模型，并利用其进行电力销售金额的预测。
2.根据权利要求1所述的方法，其特征在于，所述步骤（1）中，所述电力部门销售流水的历史数据包括：用户行业、识别码、预计到账区间、实际缴费日期、缴费方式和缴费金额；所述用电量的历史数据是指每位用户的每月实际用电量。
3.根据权利要求1所述的方法，其特征在于，所述步骤（3）中，按照天为单位，对数据进行整理排布，每日数据均有多维特征，涵盖总缴费金额、到账评估的分布，预计在当天到账的缴费用户行业分布、用电量分布以及缴费金额分布，以及当日的日期信息。
4.根据权利要求1所述的方法，其特征在于，所述步骤（4）中，所述利用深度卷积神经网络的回归训练包括：按照设定的数据结构对数据进行组织，取线性变换归一化后的31天数据作为输入，使用多层卷积神经网络学习高维特征，最后利用全连接层输出对第31天的现金流的预测，进行回归训练；其中，卷积层的层数、全连接层的层数以及每层的卷积核尺寸都是超参数。
5.根据权利要求1所述的方法，其特征在于，所述步骤（5）中，用网格法对深度卷积神经网络模型的超参数进行遍历，多次实验后记录最佳的超参数，构建最终用于金额预测的深度卷积神经网络模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910117873.3A CN109978230B (zh) | 2019-02-15 | 2019-02-15 | 一种基于深度卷积神经网络的电力销售金额智能预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910117873.3A CN109978230B (zh) | 2019-02-15 | 2019-02-15 | 一种基于深度卷积神经网络的电力销售金额智能预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109978230A CN109978230A (zh) | 2019-07-05 |
| CN109978230B true CN109978230B (zh) | 2021-08-10 |
Family
ID=67077029
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910117873.3A Active CN109978230B (zh) | 2019-02-15 | 2019-02-15 | 一种基于深度卷积神经网络的电力销售金额智能预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109978230B (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110264251B (zh) * | 2019-05-31 | 2021-08-10 | 杭州博钊科技有限公司 | 表征现金流的数据组织形式与基于多任务学习的预测方法 |
| CN110782045A (zh) * | 2019-10-17 | 2020-02-11 | 成都四方伟业软件股份有限公司 | 一种运维告警系统动态阈值的生成方法及装置 |
| CN110910241B (zh) * | 2019-11-28 | 2023-01-17 | 中国建设银行股份有限公司 | 现金流评估方法、装置、服务器设备及存储介质 |
| CN111260156B (zh) * | 2020-02-18 | 2023-07-28 | 中国农业银行股份有限公司 | 现金流预测模型的构建方法及现金流预测方法及装置 |
| CN112861064B (zh) * | 2021-01-20 | 2023-02-03 | 重庆第二师范学院 | 一种社会信用评价源数据处理方法、系统、终端及介质 |
| CN113065950A (zh) * | 2021-04-22 | 2021-07-02 | 中国工商银行股份有限公司 | 信用卡额度评估方法及装置 |
| CN116342151B (zh) * | 2023-04-12 | 2024-02-02 | 西安你左我右网络科技有限公司 | 金融支付装置金额篡改检测系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107918639A (zh) * | 2017-10-19 | 2018-04-17 | 广东电网有限责任公司云浮供电局 | 基于电力大数据主变高峰负荷预测方法及数据仓库系统 |
| CN108647834A (zh) * | 2018-05-24 | 2018-10-12 | 浙江工业大学 | 一种基于卷积神经网络结构的交通流预测方法 |
| CN108832619A (zh) * | 2018-05-29 | 2018-11-16 | 北京交通大学 | 基于卷积神经网络的电力系统暂态稳定评估方法 |
| CN109255506A (zh) * | 2018-11-22 | 2019-01-22 | 重庆邮电大学 | 一种基于大数据的互联网金融用户贷款逾期预测方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8606681B2 (en) * | 2011-03-04 | 2013-12-10 | Ultratick, Inc. | Predicting the performance of a financial instrument |
| CN104850893A (zh) * | 2014-12-01 | 2015-08-19 | 厦门易联创质检技术服务有限公司 | 基于三维评价与时域追溯的质量感知信息管理方法和系统 |
-
2019
- 2019-02-15 CN CN201910117873.3A patent/CN109978230B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107918639A (zh) * | 2017-10-19 | 2018-04-17 | 广东电网有限责任公司云浮供电局 | 基于电力大数据主变高峰负荷预测方法及数据仓库系统 |
| CN108647834A (zh) * | 2018-05-24 | 2018-10-12 | 浙江工业大学 | 一种基于卷积神经网络结构的交通流预测方法 |
| CN108832619A (zh) * | 2018-05-29 | 2018-11-16 | 北京交通大学 | 基于卷积神经网络的电力系统暂态稳定评估方法 |
| CN109255506A (zh) * | 2018-11-22 | 2019-01-22 | 重庆邮电大学 | 一种基于大数据的互联网金融用户贷款逾期预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109978230A (zh) | 2019-07-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109978230B (zh) | 一种基于深度卷积神经网络的电力销售金额智能预测方法 | |
| Angelini et al. | Short‐term forecasts of euro area GDP growth | |
| WO2003096237A2 (en) | Electronic data processing system and method of using an electronic data processing system for automatically determining a risk indicator value | |
| WO2015094545A1 (en) | System and method for modeling and quantifying regulatory capital, key risk indicators, probability of default, exposure at default, loss given default, liquidity ratios, and value at risk, within the areas of asset liability management, credit risk, market risk, operational risk, and liquidity risk for banks | |
| CN108388974A (zh) | 基于随机森林和决策树的优质客户优化识别方法及装置 | |
| Lin et al. | Tourism demand forecasting: Econometric model based on multivariate adaptive regression splines, artificial neural network and support vector regression | |
| CN107578277A (zh) | 用于电力营销的出租房客户定位方法 | |
| CN110009427B (zh) | 一种基于深度循环神经网络的电力销售金额智能预测方法 | |
| CN110889092A (zh) | 一种基于轨道交易数据的短时大型活动周边轨道站点客流量预测方法 | |
| CN112614004A (zh) | 用电信息的处理方法及装置 | |
| CN117196695B (zh) | 一种目标产品的销量数据的预测方法及装置 | |
| Mey et al. | Prediction of energy consumption for variable customer portfolios including aleatoric uncertainty estimation | |
| CN112801410A (zh) | 基于大数据技术的电费流入预测分析方法 | |
| CN110264251B (zh) | 表征现金流的数据组织形式与基于多任务学习的预测方法 | |
| CN112417286A (zh) | 区域性文化产业集聚的影响因素分析方法和系统 | |
| CN112348281A (zh) | 电力数据的处理方法和装置 | |
| WO2016187504A1 (en) | Crowd-based sentiment indices | |
| CN113421154B (zh) | 基于控制图的信贷风险评估方法及系统 | |
| KR102614595B1 (ko) | 실시간 거시지표 예측 기반 주가 예측 시스템 | |
| Niknya et al. | Financial distress prediction of Tehran Stock Exchange companies using support vector machine | |
| CN114612239A (zh) | 基于算法、大数据、人工智能的股票舆情监测和风控系统 | |
| CN114418450A (zh) | 一种数据处理方法及装置 | |
| CN107704723A (zh) | 一种基于斜率关联度的显著变量选择方法 | |
| CN114626940A (zh) | 数据分析方法、装置及电子设备 | |
| CN113723842A (zh) | 一种研发经费投入规模及强度预测方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |