CN110009427B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN110009427B CN110009427B CN201910282579.8A CN201910282579A CN110009427B CN 110009427 B CN110009427 B CN 110009427B CN 201910282579 A CN201910282579 A CN 201910282579A CN 110009427 B CN110009427 B CN 110009427B
- Authority
- CN
- China
- Prior art keywords
- payment
- user
- neural network
- data
- historical 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 29
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 23
- 238000005065 mining Methods 0.000 claims abstract description 10
- 230000005611 electricity Effects 0.000 claims abstract description 8
- 238000003062 neural network model Methods 0.000 claims abstract description 7
- 238000002474 experimental method Methods 0.000 claims abstract description 4
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 6
- 230000006641 stabilisation Effects 0.000 claims description 3
- 238000011105 stabilization Methods 0.000 claims description 3
- 230000000306 recurrent effect Effects 0.000 abstract description 8
- 238000012545 processing Methods 0.000 abstract description 3
- 238000010606 normalization Methods 0.000 abstract 1
- 125000004122 cyclic group Chemical group 0.000 description 4
- 238000007418 data mining Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 238000007619 statistical method Methods 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
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- 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)
- Strategic Management (AREA)
- Finance (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Water Supply & Treatment (AREA)
- Data Mining & Analysis (AREA)
- Public Health (AREA)
- Human Resources & Organizations (AREA)
- Primary Health Care (AREA)
- Game Theory and Decision Science (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循环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,得出分布信息;对历史数据结构进行组织,取归一化后的n天数据作为输入,使用多层循环神经网络(GRU)学习高维特征,并将高维特征输入softmax判别器进行未来某时期销售金额等级分类;用网格法对深度循环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,构建最终的金额预测的深度循环神经网络模型,并利用其进行电力销售金额的智能预测。本发明更加准确、合理,较少人工干预,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循环神经网络的电力销售金额智能预测方法。
背景技术
销售预测是指根据以往的销售情况和对未来的形式分析,在充分考虑各种影响因素的基础上,通过数学建模获得销售预测模型,实现对未来特定时间内,全部产品或特定产品的销售数量与销售金额的估计。销售预测对于企业的发展规划、战略部署、生产管理,进、出口以及供应链的各个环节的有效控制,都是至关重要的。影响销售预测的因素很多,包括市场需求、相关企业的发展状况、政策变化以及季节变化等等。在这众多的因素中,电力系统的日销售金额是与众多个人和企业的缴费行为联系在一起的(仅浙江省就有2600万用户),个人的缴费习惯、相关企业的运营收入、资金预算、投资决策等都会影响电力系统的日销售金额,造成电力部门销售数据波动大,数据短期无连续性,进行高质量日销售金额消费预测绝非易事。
目前可用于销售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,但是:尽管这些模型已被广泛应用于经济预测领域,但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。一方面数据量很大,构建有效的输入数据结构来刻画相应销售金额非常有必要,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。为此,我们对电力部门销售数据的特征进行数据挖掘,并与神经网络技术相结合,设计出一种特定的深度循环神经网络模型,以此提取电力销售数据的内部特征、挖掘不同数据间的内在关系,进而精确预测未来一定时间内的销售金额。事实上,将深度循环神经网络技术应用于电力系统的日销售额预测也是一件困难的事情,主要原因是用于预测的历史数据只有单一的销售金额和销售日期两个特征,特征维数太少使得模型过拟合见到的数据分布不能很好的预测未知的数据。
为此,本发明通过对历史数据进行信息挖掘和分析、增加特征维度等方法,提出了基于深度循环神经网络的电力销售金额智能预测方法。
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,提供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。
为解决技术问题,本发明的解决方案是:
提供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,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;
(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)取归一化后的n天数据作为输入,使用多层循环神经网络(GRU)学习高维特征,并将高维特征输入softmax判别器进行未来某时期销售金额等级分类;
(5)重复步骤(4),用网格法对深度循环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,构建最终的金额预测的深度循环神经网络模型,并利用其进行电力销售金额的智能预测。
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)综合每次缴费信息,按照设定的缴费金额区间将用户分为四类;
(3.2)综合每月用电量信息,按照设定的用电量区间将用户分为四类;
(3.3)按照用户实际缴费时间与通知缴费周期的匹配程度进行分类,得到稳定缴费用户和非稳定缴费用户;
(3.4)按照用户实际缴费时间间隔进行分类,得到高频缴费用户和低频缴费用户。
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,所述利用深度循环神经网络的回归训练包括:取归一化后的30天数据作为输入,使用多层循环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,循环神经网络的层数、全连接层的层数以及每层的循环核尺寸都是超参数。
本发明中,所述步骤(5)中,深度循环网络模型的超参数包括:往期天数n、网络层数、学习率、迭代算法和迭代次数。
本发明的原理描述:
本发明提取了往期的用户信息、时间序列特征、销售金额特征,将其作为输入,充分利用深度学习能够自学习提取信息的内部特征的优点,对输入复杂特征进行高层次提取,再挖掘它与未来销售金额之间的联系,从而得到根据往期数据预测未来销售金额的模型。
与现有技术相比,本发明的有益效果是:
1、本发明构建了一套基于电力部门用户的数据挖掘模型,能够对不同用户进行分类,方便市场调查、销售计划制定。
2、本发明设计了一套关联用户挖掘的销售金额预测算法,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、本发明构建的深度学习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为本发明数据结构示意图。
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:
本发明所述基于深度循环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;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。
(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;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)综合每次缴费信息,按照设定的缴费金额区间将用户分为四类;
(2.2)综合每月用电量信息,按照设定的用电量区间将用户分为四类;
(2.3)按照用户实际缴费时间与通知缴费周期的匹配程度进行分类,得到稳定缴费用户和非稳定缴费用户;
(2.4)按照用户实际缴费时间间隔进行分类,得到高频缴费用户和低频缴费用户。
(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;具体包括: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)取归一化后的n天数据作为输入,使用多层循环神经网络(GRU)学习高维特征,并将高维特征输入softmax判别器进行未来某时期销售金额等级分类;
其中,利用深度循环神经网络的回归训练包括:取归一化后的30天数据作为输入,使用多层循环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,循环神经网络的层数、全连接层的层数以及每层的循环核尺寸都是超参数。
(5)重复步骤(4),用网格法对深度循环网络模型的超参数(包括往期天数n、网络层数、学习率、迭代算法和迭代次数)进行遍历,多次实验后记录最佳的超参数,构建最终的金额预测的深度循环神经网络模型,并利用其进行电力销售金额的智能预测。
图1展示了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。图2展示了在深度循环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。其中深度循环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 (4)
1.一种基于深度循环神经网络的电力销售金额智能预测方法,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;
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:
(2.1)综合每次缴费信息,按照设定的缴费金额区间将用户分为四类;
(2.2)综合每月用电量信息,按照设定的用电量区间将用户分为四类;
(2.3)按照用户实际缴费时间与通知缴费周期的匹配程度进行分类,得到稳定缴费用户和非稳定缴费用户;
(2.4)按照用户实际缴费时间间隔进行分类,得到高频缴费用户和低频缴费用户;
(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)取归一化后的n天数据作为输入,使用深度循环神经网络学习高维特征,并将高维特征输入softmax判别器进行未来某时期销售金额等级分类;
该步骤中,利用深度循环神经网络的回归训练以学习高维特征,具体包括:取归一化后的30天数据作为输入,使用门控循环单元(GRU)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,门控循环单元(GRU)的层数、全连接层的层数以及每层的循环核尺寸都是超参数;
(5)重复步骤(4),用网格法对深度循环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,构建最终的金额预测的深度循环神经网络模型,并利用其进行电力销售金额的智能预测。
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(5)中,深度循环网络模型的超参数包括:往期天数n、网络层数、学习率、迭代算法和迭代次数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910282579.8A CN110009427B (zh) | 2019-04-10 | 2019-04-10 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910282579.8A CN110009427B (zh) | 2019-04-10 | 2019-04-10 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110009427A CN110009427A (zh) | 2019-07-12 |
CN110009427B true CN110009427B (zh) | 2021-07-16 |
Family
ID=67170648
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910282579.8A Active CN110009427B (zh) | 2019-04-10 | 2019-04-10 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110009427B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3709271B1 (en) | 2016-09-15 | 2022-11-02 | Google LLC | Image depth prediction neural networks |
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 |
CN113902195A (zh) * | 2021-10-12 | 2022-01-07 | 杭州博钊科技有限公司 | 电力销售金额预测方法和系统 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108021897B (zh) * | 2017-12-11 | 2021-06-15 | 北京小米移动软件有限公司 | 图片问答方法及装置 |
CN108448610B (zh) * | 2018-03-12 | 2020-05-22 | 华南理工大学 | 一种基于深度学习的短期风功率预测方法 |
CN108846017A (zh) * | 2018-05-07 | 2018-11-20 | 国家计算机网络与信息安全管理中心 | 基于Bi-GRU和字向量的大规模新闻文本的端到端分类方法 |
CN108569607B (zh) * | 2018-06-22 | 2020-10-27 | 西安理工大学 | 基于双向门控循环神经网络的电梯故障预警方法 |
CN108830334B (zh) * | 2018-06-25 | 2020-08-28 | 江西师范大学 | 一种基于对抗式迁移学习的细粒度目标判别方法 |
CN109272157A (zh) * | 2018-09-12 | 2019-01-25 | 中交信息技术国家工程实验室有限公司 | 一种基于门控神经网络的高速公路交通流参数预测方法及系统 |
CN109326353B (zh) * | 2018-10-29 | 2020-11-27 | 南京医基云医疗数据研究院有限公司 | 预测疾病终点事件的方法、装置及电子设备 |
-
2019
- 2019-04-10 CN CN201910282579.8A patent/CN110009427B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110009427A (zh) | 2019-07-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Deep learning-based socio-demographic information identification from smart meter data | |
Ford et al. | Smart grid energy fraud detection using artificial neural networks | |
Cody et al. | Decision tree learning for fraud detection in consumer energy consumption | |
CN106909933B (zh) | 一种三阶段多视角特征融合的窃电分类预测方法 | |
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 | |
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 | |
CN107507076A (zh) | 基于数据挖掘的电力客户的综合评级的方法 | |
CN107506868B (zh) | 一种短时电力负荷预测的方法及装置 | |
CN111738462B (zh) | 电力计量装置故障抢修主动服务预警方法 | |
CN108280541A (zh) | 基于随机森林和决策树的客户服务策略制定方法、装置 | |
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 | |
CN102880915A (zh) | 一种基于对热点事件进行关联挖掘的电量预测方法 | |
CN114048436A (zh) | 一种预测企业财务数据模型构建方法及构建装置 | |
CN110852496A (zh) | 一种基于lstm循环神经网络的天然气负荷预测方法 | |
Kojury-Naftchali et al. | Identifying susceptible consumers for demand response and energy efficiency policies by time-series analysis and supplementary approaches | |
CN112614004A (zh) | 用电信息的处理方法及装置 | |
CN110533249B (zh) | 一种基于集成长短期记忆网络的冶金企业能耗预测方法 | |
Alonso et al. | A single scalable lstm model for short-term forecasting of disaggregated electricity loads | |
Wibawa et al. | Deep Learning Approaches with Optimum Alpha for Energy Usage Forecasting. | |
CN117010942B (zh) | 基于神经网络和线性模型的农产品销售预测方法和系统 | |
CN105741143A (zh) | 一种基于负荷特性及其聚类分析的电力商品定价模型建立方法 | |
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 | |
CN116703644A (zh) | 一种基于Attention-RNN的短期电力负荷预测方法 | |
Grudzewski | Application of dimensional analysis in economics | |
CN114154617A (zh) | 一种基于vfl的低压居民用户异常用电识别方法及系统 |
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 |