CN110956318A - 一种基于预先构建的预测模型进行预测的方法及装置 - Google Patents
一种基于预先构建的预测模型进行预测的方法及装置 Download PDFInfo
- Publication number
- CN110956318A CN110956318A CN201911157228.0A CN201911157228A CN110956318A CN 110956318 A CN110956318 A CN 110956318A CN 201911157228 A CN201911157228 A CN 201911157228A CN 110956318 A CN110956318 A CN 110956318A
- Authority
- CN
- China
- Prior art keywords
- event
- time
- index
- model
- predicted
- 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
- 238000000034 method Methods 0.000 title claims description 88
- 230000000737 periodic effect Effects 0.000 claims description 41
- 230000001932 seasonal effect Effects 0.000 claims description 33
- 230000007774 longterm Effects 0.000 claims description 25
- 230000008569 process Effects 0.000 claims description 25
- 230000008859 change Effects 0.000 claims description 23
- 238000004590 computer program Methods 0.000 claims description 11
- 238000011478 gradient descent method Methods 0.000 claims description 10
- 238000003860 storage Methods 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 7
- 238000012937 correction Methods 0.000 description 14
- 238000000354 decomposition reaction Methods 0.000 description 6
- 230000005611 electricity Effects 0.000 description 6
- 230000001419 dependent effect Effects 0.000 description 5
- 230000010354 integration Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 230000003247 decreasing effect Effects 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000003534 oscillatory effect Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 206010035148 Plague Diseases 0.000 description 1
- 241000607479 Yersinia pestis Species 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012545 processing 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
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种基于预先构建的预测模型进行预测的方法及装置,在获取到待预测时间和该待预测时间下的事件数量和事件属性中的一者之后,先将待预测时间输入预先构建的预测模型,得到该预测模型输出的待预测时间下的事件特征变量值,再将事件特征变量值和待预测时间下的事件数量和事件属性中的一者输入预先构建的事件特征模型,得到该事件特征模型输出的事件数量和事件属性中的另一者,作为待预测时间下的事件数量和事件属性中的另一者。因预测模型能够准确地预测出任一时刻下的事件特征变量值,且事件特征模型能够准确地预测出任一时刻下事件数量或事件属性,提高了事件数量或事件属性预测准确性(例如,提高了电力负荷预测的准确性)。
Description
技术领域
本申请涉及数据处理技术领域,尤其涉及一种基于预先构建的预测模型进行预测的方法及装置。
背景技术
电力市场需求预测工作是国家能源主管部门和电网企业的一项重要基础性工作,为国家能源监测与管理、电网企业生产计划与经营管理提供重要的支撑依据。其中,电力负荷预测一直是困扰电力供应的难题。然而,如何准确地预测需求(例如,电力负荷等需求)是一个亟待解决的技术问题。
发明内容
为了解决现有技术中存在的以上技术问题,本申请提供一种租金预测方法及装置,能够准确地预测电力市场需求(例如,供电量和/或电价)。
为了实现上述目的,本申请实施例提供的技术方案如下:
本申请实施例提供一种基于预先构建的预测模型进行预测的方法,包括:
获取待预测时间和所述待预测时间下的事件数量和事件属性中的一者;
将所述待预测时间输入预先构建的预测模型,得到所述预测模型输出的待预测时间下的事件特征变量值;其中,所述预测模型是根据历史时间和所述历史时间下的事件特征变量值构建的;
将所述事件特征变量值和所述待预测时间下的所述事件数量和事件属性中的一者输入预先构建的事件特征模型,得到所述事件特征模型输出的所述事件数量和事件属性中的另一者,作为待预测时间下的所述事件数量和事件属性中的另一者;其中,所述事件特征模型是根据所述历史时间下的事件数量和所述历史时间下的事件属性构建的。
可选的,所述事件特征模型为:
Z=xm×yn
式中,Z为事件特征变量;x为事件数量;y为事件属性;m为事件数量指数;n为事件属性指数。
可选的,所述m和所述n的获取过程,包括:
将事件数量指数初始值作为当前事件数量指数,并将事件属性指数初始值作为当前事件属性指数;
根据所述当前事件数量指数和当前事件属性指数,生成当前事件特征模型;
根据所述历史时间下的事件数量和所述历史时间下的事件属性,确定所述当前事件特征模型对应的线性相关系数;其中,所述当前事件特征模型对应的线性相关系数包括:事件特征变量与事件数量的线性相关系数、以及所述事件特征变量与事件属性的线性相关系数;
更新所述当前事件数量指数和所述当前事件属性指数,并继续执行所述根据所述当前事件数量指数和当前事件属性指数,生成当前事件特征模型以及后续步骤,直至达到预设条件时,将当前事件数量指数作为m,并将当前事件属性指数作为n。
可选的,所述更新所述当前事件数量指数和所述当前事件属性指数,包括:利用梯度下降法,更新所述当前事件数量指数和所述当前事件属性指数。
可选的,所述预测模型为差分整合移动平均自回归模型。
可选的,所述预测模型的构建过程,包括:
获取所述历史时间和所述历史时间下的事件特征变量值;
根据所述历史时间和所述历史时间下的事件特征变量值,确定事件特征变量的目标变化趋势;
根据所述事件特征变量的目标变化趋势,构建预测模型。
可选的,所述事件特征变量的目标变化趋势包括:事件特征变量的长期变化趋势、事件特征变量的季节性周期变化趋势、事件特征变量的周期性变化趋势和事件特征变量的随机性变化趋势中的至少一个。
本申请实施例还提供一种基于预先构建的预测模型进行预测的装置,包括:
获取单元,用于获取待预测时间和所述待预测时间下的事件数量和事件属性中的一者;
预测单元,用于将所述待预测时间输入预先构建的预测模型,得到所述预测模型输出的待预测时间下的事件特征变量值;其中,所述预测模型是根据历史时间和所述历史时间下的事件特征变量值构建的;
确定单元,用于将所述事件特征变量值和所述待预测时间下的所述事件数量和事件属性中的一者输入预先构建的事件特征模型,得到所述事件特征模型输出的所述事件数量和事件属性中的另一者,作为待预测时间下的所述事件数量和事件属性中的另一者;其中,所述事件特征模型是根据所述历史时间下的事件数量和所述历史时间下的事件属性构建的。
本申请实施例还提供了一种设备,所述设备包括处理器以及存储器:
所述存储器用于存储计算机程序;
所述处理器用于根据所述计算机程序执行本申请实施例提供的基于预先构建的预测模型进行预测的方法的任一实施方式。
本申请实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质用于存储计算机程序,所述计算机程序用于执行本申请实施例提供的基于预先构建的预测模型进行预测的方法的任一实施方式。
与现有技术相比,本申请实施例至少具有以下优点:
本申请实施例提供的基于预先构建的预测模型进行预测的方法中,在获取到待预测时间和该待预测时间下的事件数量和事件属性中的一者之后,先将待预测时间输入预先构建的预测模型,得到该预测模型输出的待预测时间下的事件特征变量值,再将事件特征变量值和待预测时间下的事件数量和事件属性中的一者输入预先构建的事件特征模型,得到该事件特征模型输出的事件数量和事件属性中的另一者,作为待预测时间下的事件数量和事件属性中的另一者。其中,因预测模型是根据历史时间和该历史时间下的事件特征变量值构建的,使得该预测模型能够准确地预测出任一时刻下的事件特征变量值,提高了事件特征变量值的预测准确率,从而提高了事件数量和事件属性中的另一者预测准确性。另外,因事件特征模型是根据历史时间下的事件数量和历史时间下的事件属性构建的,使得该事件特征模型能够准确地预测出任一时刻下事件数量或事件属性,提高了事件数量或事件属性的预测准确性(例如,提高了电力负荷预测的准确性)。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它的附图。
图1为本申请实施例提供的租金和出租量随着时间的变化趋势示意图;
图2为本申请实施例提供的基于预先构建的预测模型进行预测的方法的流程图;
图3为本申请实施例提供的一种应用于租金预测的基于预先构建的预测模型进行预测的方法的流程图;
图4为本申请实施例提供的一种预测模型的构建过程的流程图;
图5为本申请实施例提供的当m=-2.5且n=2.5时量价结合变量的长期变化趋势示意图;
图6为本申请实施例提供的一种m和n的获取过程的流程图;
图7为本申请实施例提供的当前量价关系模型中两个变量之间的线性相关程度示意图;
图8为本申请实施例提供的当前出租量指数和当前租金指数的更新过程流程图;
图9为本申请实施例提供的历史日期下的出租量的示意图;
图10为本申请实施例提供的一种应用于电价预测的基于预先构建的预测模型进行预测的方法的流程图;
图11为本申请实施例提供的一种基于预先构建的预测模型进行预测的装置的结构示意图。
具体实施方式
为了解决背景技术部分的技术问题,发明人经过研究发现:(1)电力需求中供电量或电价之间所具有的关系,类似于出租量与租金之间所具有的关系。(2)租金与出租量呈反向相关性,即,高租金会降低出租量、低租金会提高出租量。(3)租金和出租量随着时间的呈曲线变化(例如,如图1所示,月平均出租量随着年份呈现周期性波动,且月平均租金随着年份稳步上涨)。(4)租金与出租量之间存在定量关系,而且租金与出租量之间的定量关系与时间相关,与租金无关,且与出租量也无关。(5)租金与出租量之间的定量关系呈周期性变化。
基于上述内容,本申请实施例提供了一种租金预测方法,该方法包括:获取待预测时间和所述待预测时间下的事件数量和事件属性中的一者;将所述待预测时间输入预先构建的预测模型,得到所述预测模型输出的待预测时间下的事件特征变量值;其中,所述预测模型是根据历史时间和所述历史时间下的事件特征变量值构建的;将所述事件特征变量值和所述待预测时间下的所述事件数量和事件属性中的一者输入预先构建的事件特征模型,得到所述事件特征模型输出的所述事件数量和事件属性中的另一者,作为待预测时间下的所述事件数量和事件属性中的另一者;其中,所述事件特征模型是根据所述历史时间下的事件数量和所述历史时间下的事件属性构建的。
本申请实施例提供的租金预测方法中,在获取到待预测时间和该待预测时间下的事件数量和事件属性中的一者之后,先将待预测时间输入预先构建的预测模型,得到该预测模型输出的待预测时间下的事件特征变量值,再将事件特征变量值和待预测时间下的事件数量和事件属性中的一者输入预先构建的事件特征模型,得到该事件特征模型输出的事件数量和事件属性中的另一者,作为待预测时间下的事件数量和事件属性中的另一者。其中,因预测模型是根据历史时间和该历史时间下的事件特征变量值构建的,使得该预测模型能够准确地预测出任一时刻下的事件特征变量值,提高了事件特征变量值的预测准确率,从而提高了事件数量和事件属性中的另一者预测准确性。另外,因事件特征模型是根据历史时间下的事件数量和历史时间下的事件属性构建的,使得该事件特征模型能够准确地预测出任一时刻下事件数量或事件属性,提高了事件数量或事件属性的预测准确性(例如,提高了电力负荷预测的准确性)。
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
方法实施例一
参见图2,该图为本申请实施例提供的基于预先构建的预测模型进行预测的方法的流程图。
本申请实施例提供的基于预先构建的预测模型进行预测的方法,包括S201-S203:
S201:获取待预测时间和待预测时间下的事件数量和事件属性中的一者。
待预测时间是指需要预测事件数量或事件属性的日期,而且,待预测时间可以包括年、月和日中的至少一个。例如,待预测时间可以为2025年。
事件数量用于表征在应用场景下参与预测的事件的数量值。例如,当应用场景为电力市场需求预测时,则事件数量可以为供电量;或者,当应用场景为租房市场需求预测时,则事件数量可以为出租量。
事件属性用于表征在应用场景下参与预测的事件的属性信息。例如,应用场景为电力市场需求预测时,则事件属性可以为电价;或者,当应用场景为租房市场需求预测时,则事件属性可以为租金。
另外,待预测时间下的事件数量与待预测时间下的事件属性是一一对应的,而且待预测时间下的事件数量与待预测时间下的事件属性之间具有定量关系。
基于上述内容可知,在本申请实施例中,可以根据待预测时间和待预测时间下的事件数量,预测得到待预测时间下的事件属性;或者,也可以根据待预测时间和待预测时间下的事件属性,预测得到待预测时间下的事件数量。
S202:将待预测时间输入预先构建的预测模型,得到该预测模型输出的待预测时间下的事件特征变量值。
事件特征变量用于描述事件数量与事件属性之间的定量关系,而且事件特征变量只与时间相关,与事件数量无关,且与事件属性无关。需要说明的是,事件特征变量的相关内容将在下文S203中进行详细说明。基于此可知,事件特征变量值用于表征事件数量与事件属性之间的定量关系值。
预测模型用于根据输入的待预测时间预测该待预测时间下的事件特征变量值;而且,预测模型可以是根据历史时间和该历史时间下的事件特征变量值构建的。
另外,预测模型可以是任一种时间序列模型,尤其可以是差分整合移动平均自回归模型。
此外,本申请实施例还提供了一种预测模型的构建过程,该构建过程具体可以包括以下三步:
第一步:获取历史时间和该历史时间下的事件特征变量值。
其中,历史时间是指当前时刻之前的时间。
历史时间下的事件特征变量值可以是根据历史时间下的事件数量和历史时间下的事件属性确定,具体为:将历史时间下的事件数量和历史时间下的事件属性输入到事件特征模型,得到该事件特征模型输出的历史时间下的事件特征变量值。需要说明的是,事件特征模型的技术详情请见下文S203。
第二步:根据历史时间和该历史时间下的事件特征变量值,确定事件特征变量的目标变化趋势。
事件特征变量的目标变化趋势可以包括:事件特征变量的长期变化趋势、事件特征变量的季节性周期变化趋势、事件特征变量的非季节性周期性变化趋势和事件特征变量的随机性变化趋势中的至少一个。
事件特征变量的长期变化趋势用于表征事件特征变量值受一些因素的影响随时间变化表现为一种确定倾向,而且该确定倾向可以是按照某种规则稳步地增长或下降。另外,事件特征变量的长期变化趋势可以是线性或非线性的,而且通常可以采用移动平均法、指数平滑法等进行提取。
事件特征变量的季节性周期变化趋势用于表征事件特征变量值受季节性因素的影响随时间呈现为以年为周期进行规则性循环变化。另外,事件特征变量的季节性周期变化趋势可以采用时间序列分解法进行提取。
事件特征变量的非季节性周期性变化趋势用于表征事件特征变量值受非季节性因素的影响随时间呈现为以年为围绕长期趋势的一种波浪形或振荡式波动变化。另外,事件特征变量的非季节性周期性变化趋势可以采用时间序列分解法进行提取。
事件特征变量的随机性变化趋势用于表征事件特征变量值受偶然因素的影响随时间呈现为除去趋势、周期性和季节性波动后的偶然性波动变化。另外,事件特征变量的随机性变化趋势可以采用时间序列分解法进行提取。
需要说明的是,本申请实施例不限定事件特征变量的长期变化趋势、事件特征变量的季节性周期变化趋势、事件特征变量的非季节性周期性变化趋势和事件特征变量的随机性变化趋势的确定方法,可以采用现有的或未来出现的方法进行趋势提取,例如,可以采用统计方法进行趋势提取。
第三步:根据事件特征变量的目标变化趋势,构建预测模型。
在本申请实施例中,在获取到事件特征变量的目标变化趋势之后,可以基于该事件特征变量的目标变化趋势构建预测模型,具体为:可以基于事件特征变量的长期变化趋势、事件特征变量的季节性周期变化趋势、事件特征变量的非季节性周期性变化趋势和事件特征变量的随机性变化趋势中的至少一个,构建预测模型。
例如,当事件特征变量的目标变化趋势包括事件特征变量的长期变化趋势、事件特征变量的季节性周期变化趋势、事件特征变量的非季节性周期性变化趋势和事件特征变量的随机性变化趋势时,可以利用公式(1),构建预测模型。
f(z)t=Tt+St+Ct+Rt (1)
式中,f(z)t表示预测模型;Tt表示事件特征变量的长期变化趋势;St事件特征变量的季节性周期变化趋势;Ct事件特征变量的周期性变化趋势;Rt事件特征变量的随机性变化趋势。
需要说明的是,预测模型、事件特征变量的长期变化趋势、事件特征变量的季节性周期变化趋势、事件特征变量的周期性变化趋势和事件特征变量的随机性变化趋势均是基于时间序列进行变化的。
以上为预测模型的相关内容。
S203:将事件特征变量值和待预测时间下的事件数量和事件属性中的一者输入预先构建的事件特征模型,得到事件特征模型输出的该事件数量和事件属性中的另一者,作为待预测时间下的该事件数量和事件属性中的另一者。
事件特征模型是根据历史时间下的事件数量和历史时间下的事件属性构建的。
另外,事件特征模型能够根据事件特征变量、事件数量和事件属性三个变量中的任意两个变量值确定另外一个变量值;而且,事件特征模型为:
Z=xm×yn (2)
式中,Z为事件特征变量;x为事件数量;y为事件属性;m为事件数量指数;n为事件属性指数。
需要说明的是,m和n可以预先设定,尤其可以根据不同应用场景下设定不同的m和n,使得在基于该m和n构建的事件特征模型中事件特征变量与时间相关性较高,事件特征变量与事件数量相关性较低(甚至完全不相关),且事件特征变量与事件属性相关性较低(甚至完全不相关)。另外,m和n还可以根据历史日期下的事件数量和历史日期下的事件属性确定。
基于此,本申请实施例提供了一种m和n的获取过程,而且该m和n获取过程可以包括以下六步:
第一步:将事件数量指数初始值作为当前事件数量指数,并将事件属性指数初始值作为当前事件属性指数。
本申请实施例不限定事件数量指数初始值和事件属性指数初始值的获取方式,例如,可以由用户通过预设设备(例如,输入设备)提供,也可以从其他服务器或终端设备中获取(或接收),还可以从预设存储空间中读取。另外,事件数量指数初始值可以预先设定,而且,事件属性指数初始值可以预先设定。
第二步:根据当前事件数量指数和当前事件属性指数,生成当前事件特征模型。
本申请实施例中,在获取到当前事件数量指数和当前事件属性指数之后,可以直接将当前事件数量指数和当前事件属性指数代入到上述公式(2)中,得到当前事件特征模型。
第三步:根据历史时间下的事件数量和历史时间下的事件属性,确定当前事件特征模型对应的线性相关系数。
当前事件特征模型对应的线性相关系数用于描述当前事件特征模型中事件特征变量与与其他变量(例如,事件数量、事件属性、事件数量指数或事件属性指数)之间的线性相关程度
当前事件特征模型对应的线性相关系数包括:事件特征变量与事件数量的线性相关系数、以及事件特征变量与事件属性的线性相关系数。
另外,线性相关系数是用于衡量两个变量之间线性相关度的值;而且,线性相关系数的计算公式可以为:
式中,r(X,Y)表示变量X与变量Y之间的线性相关系数;X表示一个变量;Y表示另一个变量;Cov(X,Y)表示变量X与变量Y之间的协方差;Var[X]表示变量X的方差;Var[Y]表示变量Y的方差。
第四步:判断是否达到预设条件,若是,则执行第六步;若否,则执行第五步。
预设条件可以预先设定,尤其可以根据应用场景设定。
另外,因事件特征变量只与时间因素相关,与事件属性无关,且与事件数量无关,使得事件特征变量与事件数量之间应该不存在线性相关性,且事件特征变量与事件属性之间应该不存在线性相关性,从而使得性能较优的事件特征模型具有事件特征变量与事件数量的线性相关系数较低、且事件特征变量与事件属性的线性相关系数较低的特点。基于此可知,预设条件可以包括事件特征变量与事件数量的线性相关系数低于第一阈值、以及事件特征变量与事件属性的线性相关系数低于第二阈值。
此外,预设条件可以包括事件特征变量与事件数量的线性相关系数的变化率低于第三阈值、以及事件特征变量与事件属性的线性相关系数的变化率低于第四阈值。还有,预设条件还可以包括当前事件数量指数和当前事件属性指数的更新次数达到第五阈值。
第五步:更新当前事件数量指数和当前事件属性指数,并返回执行第二步。
本申请实施例中,在确定未达到预设条件时,可以根据利用梯度下降法更新当前事件数量指数和当前事件属性指数,其具体可以为:先利用梯度下降法,确定事件数量指数校正值和事件属性指数校正值,再将当前事件数量指数与事件数量指数校正值的加和作为更新后的当前事件数量指数,并将当前事件属性指数与事件属性指数校正值的加和作为更新后的当前事件属性指数。
其中,梯度下降法(gradient descent)是一个最优化算法,常用于机器学习和人工智能当中用来递归性地逼近最小偏差模型。另外,梯度下降法的计算过程就是沿梯度下降的方向求解极小值(或,沿梯度上升方向求解极大值)。
需要说明的是,本申请实施例不限定更新当前事件数量指数和当前事件属性指数时所使用的优化方法,可以采用现有的或未来出现的任一种能够更新当前事件数量指数和当前事件属性指数的优化算法。
第六步:将当前事件数量指数作为m,并将当前事件属性指数作为n。
在本申请实施例中,在确定达到预设条件之后,可以确定当前事件数量指数和当前事件属性指数能够使得事件特征模型中的事件特征变量可以达到只与时间因素相关,与事件属性无关,且与事件数量无关的目的,此时可以将当前事件数量指数作为m,并将当前事件属性指数作为n,以便能够将m和n代入到公式(2)中得到构建好的事件特征模型。
以上为本申请实施例提供的事件特征模型的构建过程。
以上为本申请实施例提供的基于预先构建的预测模型进行预测的方法的具体实施方式,在该实施方式中,在获取到待预测时间和该待预测时间下的事件数量和事件属性中的一者之后,先将待预测时间输入预先构建的预测模型,得到该预测模型输出的待预测时间下的事件特征变量值,再将事件特征变量值和待预测时间下的事件数量和事件属性中的一者输入预先构建的事件特征模型,得到该事件特征模型输出的事件数量和事件属性中的另一者,作为待预测时间下的事件数量和事件属性中的另一者。其中,因预测模型是根据历史时间和该历史时间下的事件特征变量值构建的,使得该预测模型能够准确地预测出任一时刻下的事件特征变量值,提高了事件特征变量值的预测准确率,从而提高了事件数量和事件属性中的另一者预测准确性。另外,因事件特征模型是根据历史时间下的事件数量和历史时间下的事件属性构建的,使得该事件特征模型能够准确地预测出任一时刻下事件数量或事件属性,提高了事件数量或事件属性的预测准确性。
为了便于理解和解释,下面方法实施例二将以租房市场需求预测为示例进行说明。在该示例中,“时间”具体为“日期”,“事件数量”具体为“出租量”,“事件属性”具体为“租金”,“事件特征变量”具体为“量价结合变量”,“事件特征模型”具体为“量价关系模型”。另外,在该示例中,仅以预测租金的过程为例进行说明。
方法实施例二
参见图3,该图为本申请实施例提供的一种应用于租金预测的基于预先构建的预测模型进行预测的方法的流程图。
本申请实施例提供的租金预测方法,包括S301-S303:
S301:获取待预测日期和待预测日期下的出租量。
待预测日期是指需要预测租金的日期,而且,待预测日期可以包括年、月和日中的至少一个。例如,待预测日期可以为2025年。
需要说明的是,在本申请实施例中,若待预测日期为年(例如,2025年)时,则待预测日期下的出租量可以为月平均出租量(或,日平均出租量),且后续需要预测的可以是月平均租金(或,日平均租金);若待预测日期为月份(例如,2025年10月)时,则待预测日期下的出租量可以为为该月份下的出租量(或,日平均出租量),且后续需要预测的可以是该月份下的租金(或,日平均租金)。
待预测日期下的出租量是指在待预测日期下能够出租出去的房屋或门店数量。例如,待预测日期下的出租量可以为3000间。另外,待预测日期下的出租量可以根据待预测日期下的待出租总量(例如,3万间)和待预测日期下的出租率(例如,10%)确定。
需要说明的是,本申请实施例不限定待预测日期和待预测日期下的出租量的获取方式,可以由用户通过预设设备(例如,输入设备)提供,也可以从其他服务器或终端设备中获取(或接收),还可以从预设存储空间中读取。
S302:将待预测日期输入预先构建的预测模型,得到该预测模型输出的待预测日期下的量价结合变量值。
量价结合变量用于描述租金与出租量之间的定量关系,而且量价结合变量只与时间相关,与租金无关,且与出租量无关。需要说明的是,量价结合变量的相关内容将在下文S303中进行详细说明。基于此可知,量价结合变量值用于表征租金与出租量之间的定量关系值。
预测模型用于根据输入的待预测日期预测该待预测日期下的量价结合变量值;而且预测模型可以是根据历史日期和该历史日期下的量价结合变量值构建的。
另外,预测模型可以是任一种时间序列模型,尤其可以是差分整合移动平均自回归模型。
此外,本申请实施例还提供了一种预测模型的构建过程,如图4所示,该构建过程具体可以包括S401-S403:
S401:获取历史日期和该历史日期下的量价结合变量值。
历史日期是指在当前时刻之前的日期。
历史日期下的量价结合变量值可以是根据历史日期下的租金和历史日期下的出租量确定,具体为:将历史日期下的租金和历史日期下的出租量输入到量价关系模型,得到该量价关系模型输出的历史日期下的量价结合变量值。需要说明的是,量价关系模型的技术详情请见下文S303。
S402:根据历史日期和该历史日期下的量价结合变量值,确定量价结合变量的长期变化趋势、量价结合变量的季节性周期变化趋势、量价结合变量的周期性变化趋势和量价结合变量的随机性变化趋势。
量价结合变量的长期变化趋势是指量价结合变量值受一些因素(例如,居民消费价格指数(consumer price index,CPI)等因素)的影响随时间变化表现为一种确定倾向,而且该确定倾向可以是按照某种规则稳步地增长或下降(例如,如图5所示,量价结合变量值随着时间呈长期下降趋势)。另外,量价结合变量的长期变化趋势可以是线性或非线性的,而且通常可以采用移动平均法、指数平滑法等进行提取量价结合变量的长期变化趋势。
量价结合变量的季节性周期变化趋势是指量价结合变量值受一些因素(例如,淡旺季等因素)的影响随时间呈现为以年为周期进行规则性循环变化(如毕业旺季、春节淡季等)。另外,量价结合变量的季节性周期变化趋势可以采用时间序列分解法进行提取。
量价结合变量的非季节性周期性变化趋势是指量价结合变量值受一些因素(例如,经济环境变化等因素)的影响随时间呈现为围绕长期趋势的一种波浪形或振荡式波动变化。另外,量价结合变量的非季节性周期性变化趋势可以采用时间序列分解法进行提取。
量价结合变量的随机性变化趋势是指量价结合变量受一些偶然因素的影响随时间呈现为除去趋势、周期性和季节性波动后的偶然性波动变化。另外,量价结合变量的随机性变化趋势可以采用时间序列分解法进行提取。
需要说明的是,本申请实施例不限定量价结合变量的长期变化趋势、量价结合变量的季节性周期变化趋势、量价结合变量的周期性变化趋势和量价结合变量的随机性变化趋势的确定方法,可以采用现有的或未来出现的方法进行趋势提取,例如,可以采用统计方法进行趋势提取。
S403:根据量价结合变量的长期变化趋势、量价结合变量的季节性周期变化趋势、量价结合变量的周期性变化趋势和量价结合变量的随机性变化趋势,构建预测模型。
在本申请实施例中,在获取到量价结合变量的长期变化趋势、量价结合变量的季节性周期变化趋势、量价结合变量的周期性变化趋势和量价结合变量的随机性变化趋势之后,可以将这些趋势进行综合处理得到预测模型。基于此,S403具体可以为:根据量价结合变量的长期变化趋势、量价结合变量的季节性周期变化趋势、量价结合变量的周期性变化趋势和量价结合变量的随机性变化趋势,利用公式(1),构建预测模型。
以上为预测模型的相关内容。
基于上述内容可知,在本申请实施例中,在获取到待预测日期之后,可以将该待预测日期输入预先构建的预测模型,使得该预测模型能够根据量价结合变量随着时间序列的变化趋势,预测出该待预测日期下的量价结合变量值。其中,因量价结合变量只受时间因素的影响,使得基于历史日期和所述历史日期下的量价结合变量值构建的预测模型能够准确地表征出量价结合变量随着时间序列的变化趋势,从而使得该预测模型能够准确地预测出该待预测日期下的量价结合变量值,提高了量价结合变量值的预测准确率,从而提高了租金与出租量之间定量关系的预测准确率,进而提高了租金的预测准确率。
S303:将量价结合变量值和待预测日期下的出租量输入预先构建的量价关系模型,得到该量价关系模型输出的租金,作为待预测日期下的租金。
量价关系模型是根据历史日期下的出租量和历史日期下的租金构建的。
另外,量价关系模型能够根据量价结合变量、出租量和租金这三个变量中的任意两个变量值确定另外一个变量值;而且,量价关系模型可以为上述公式(2)
需要说明的是,在上述公式(2)中,m和n可以预先设定,尤其可以根据不同应用场景下设定不同的m和n,使得在基于该m和n构建的量价关系模型中量价结合变量与时间相关性较高,量价结合变量与出租量相关性较低(甚至完全不相关),且量价结合变量与租金相关性较低(甚至完全不相关)。另外,m和n还可以根据历史日期下的出租量和历史日期下的租金确定。
基于此,本申请实施例提供了一种m和n的获取过程,如图6所示,该m和n获取过程可以包括S601-S606:
S601:将出租量指数初始值作为当前出租量指数,并将租金指数初始值作为当前租金指数。
出租量指数初始值可以预先设定,也可以根据出租量指数区间确定。例如,当出租量指数区间为[-10,10]时,则出租量指数初始值可以为-10。
租金指数初始值可以预先设定,也可以根据租金指数区间确定。例如,当租金指数区间为[-10,10]时,则租金指数初始值可以为-10。
本申请实施例不限定出租量指数初始值和租金指数初始值的获取方式,例如,可以由用户通过预设设备(例如,输入设备)提供,也可以从其他服务器或终端设备中获取(或接收),还可以从预设存储空间中读取。
S602:根据当前出租量指数和当前租金指数,生成当前量价关系模型。
本申请实施例中,在获取到当前出租量指数和当前租金指数,可以将当前出租量指数和当前租金指数代入到上述公式(2)中,得到当前量价关系模型,以便后续能够利用历史日期下的出租量和历史日期下的租金来确定该当前量价关系模型是否符合预设条件。
S603:根据历史日期下的出租量和历史日期下的租金,确定当前量价关系模型对应的线性相关系数。
当前量价关系模型对应的线性相关系数用于描述当前量价关系模型中量价结合变量与其他变量(例如,出租量、租金、出租量指数或租金指数)之间的线性相关程度(如图7所示);而且,当前量价关系模型对应的线性相关系数可以包括:量价结合变量与出租量的线性相关系数、以及量价结合变量与租金的线性相关系数。
基于上述公式(3)可知,当X为量价结合变量且Y为出租量时,则可以利用公式(3)确定量价结合变量与出租量的线性相关系数;而且,当X为量价结合变量且Y为租金时,则可以利用公式(3)确定量价结合变量与租金的线性相关系数。
基于上述内容可知,本申请实施例中,在获取到当前量价关系模型之后,可以根据历史日期下的出租量和历史日期下的租金,确定当前量价关系模型对应的线性相关系数,以便后续能够基于该当前量价关系模型对应的线性相关系数来确定当前量价关系模型的性能优劣性。
S604:判断是否达到预设条件,若是,则执行S606;若否,则执行S605。
预设条件可以预先设定,尤其可以根据应用场景设定。
另外,因量价结合变量只与时间因素相关,与租金无关,且与出租量无关,使得量价结合变量与出租量之间应该不存在线性相关性,且量价结合变量与租金之间应该不存在线性相关性,从而使得性能较优的量价关系模型具有量价结合变量与出租量的线性相关系数较低、且量价结合变量与租金的线性相关系数较低低的特点。基于此可知,预设条件可以包括量价结合变量与出租量的线性相关系数低于第一阈值、以及量价结合变量与租金的线性相关系数低于第二阈值。
此外,预设条件可以包括量价结合变量与出租量的线性相关系数的变化率低于第三阈值、以及量价结合变量与租金的线性相关系数的变化率低于第四阈值。还有,预设条件还可以包括当前出租量指数和当前租金指数的更新次数达到第五阈值。
S605:更新当前出租量指数和当前租金指数,并继续执行S602。
本申请实施例中,在确定未达到预设条件时,则可以更新当前出租量指数和当前租金指数,而且,如图8所示,该更新过程具体可以包括S6051-S6052:
S6051:利用梯度下降法,确定出租量指数校正值和租金指数校正值。
步骤S6051具体可以为:将当前出租量指数和当前租金指数作为θn,利用公式(4),可以计算得到步长值α,该步长值α就是租量指数校正值和租金指数校正值。
S6052:根据出租量指数校正值和租金指数校正值,更新当前出租量指数和当前租金指数。
本申请实施例中,在确定了出租量指数校正值和租金指数校正值之后,可以将出租量指数校正值和当前出租量指数的加和作为更新后的当前出租量指数,并将租金指数校正值和当前租金指数的加和作为更新后的当前租金指数,如此能够实现当前出租量指数和当前租金指数的更新。
S606:将当前出租量指数作为m,并将当前租金指数作为n。
本申请实施例中,在确定达到预设条件之后,可以确定当前出租量指数和当前租金指数能够使得量价关系模型中的量价结合变量可以达到只与时间因素相关,与租金无关,且与出租量无关的目的,此时可以将当前出租量指数作为m,并将当前租金指数作为n,以便能够将m和n代入到公式(2)中得到构建好的量价关系模型。
以上为本申请实施例提供的量价关系模型的构建过程。
另外,在本申请实施例中,历史日期、该历史日期下的量价结合变量值、该历史日期下的出租量以及该历史日期下的租金可以直接根据采集的原始数据生成;而且,历史日期、该历史日期下的量价结合变量值、该历史日期下的出租量以及该历史日期下的租金也可以在将采集的原始数据进行预处理之后,根据预处理后的数据生成。其中,预处理可以包括删除异常数据(例如,如图9所示,因2015年自2月开始数据出现异常状态,此时可以将2015年数据删除)、数据格式统一、数据归一化、缺失数据的推理及填充等至少一种处理手段。
基于上述内容可知,本申请实施例中,在获取到量价结合变量值和待预测日期下的出租量之后,可以将该量价结合变量值和待预测日期下的出租量输入预先构建的量价关系模型,以便该量价关系模型能够基于量价结合变量、出租量和租金之间的关系,确定出该量价结合变量值对应的待预测日期下的租金。其中,因量价关系模型是根据历史日期下的出租量和历史日期下的租金构建的,使得该量价关系模型能够准确地预测出任一时刻下出租量对应的租金,提高了租金预测准确性。
以上为本申请实施例提供的应用于租金预测的基于预先构建的预测模型进行预测的方法的具体实施方式,在该实施方式中,在获取到待预测日期和该待预测日期下的出租量之后,先将待预测日期输入预先构建的预测模型,得到该预测模型输出的待预测日期下的量价结合变量值,再将量价结合变量值和待预测日期下的出租量输入预先构建的量价关系模型,得到该量价关系模型输出的租金,作为待预测日期下的租金。其中,因预测模型是根据历史日期和该历史日期下的量价结合变量值构建的,使得该预测模型能够准确地预测出任一时刻下的量价结合变量值,提高了量价结合变量值的预测准确率,从而提高了租金预测准确性。另外,因量价关系模型是根据所述历史日期下的出租量和所述历史日期下的租金构建的,使得该量价关系模型能够准确地预测出任一时刻下出租量对应的租金,提高了租金预测准确性。
为了便于理解和解释,下面方法实施例三将以电力市场需求预测为示例进行说明。在该示例中,“时间”具体为“日期”,“事件数量”具体为“供电量”,“事件属性”具体为“电价”,“事件特征变量”具体为“量价结合变量”,“事件特征模型”具体为“量价关系模型”。另外,在该示例中,仅以预测电价的过程为例进行说明。
方法实施例三
参见图10,该图为本申请实施例提供的一种应用于电价预测的基于预先构建的预测模型进行预测的方法的流程图。
本申请实施例提供的电价预测方法,可以包括S1001-S1003:
S1001:获取待预测日期和待预测日期下的供电量。
S1002:将待预测日期输入预先构建的预测模型,得到预测模型输出的待预测日期下的量价结合变量值。
S1003:将量价结合变量值和待预测日期下的供电量输入预先构建的量价关系模型,得到量价关系模型输出的电价,作为待预测日期下的电价。
需要说明的是,因本申请实施例提供的电价预测方法与申请实施例提供的租金预测方法类似,为了简要起见,S1001可以采用上述方法实施例二中S301的具体实施方式、S1002可以采用上述方法实施例二中S302的具体实施方式、以及S1003可以采用上述方法实施例二中S303的具体实施方式,只需将“出租量”替换为“供电量”,“租金”替换为“电价”即可。
还需要说明的是,本申请实施例提供的基于预先构建的预测模型进行预测的方法不仅可以应用于租房市场需求预测场景或电力市场需求预测场景,还可以应用于其他应用场景。
基于上述方法实施例提供的基于预先构建的预测模型进行预测的方法,本申请实施例还提供了一种基于预先构建的预测模型进行预测的装置,下面结合附图进行解释和说明。
装置实施例
装置实施例提供的租金预测装置的技术详情请参照上述方法实施例。
参见图11,该图为本申请实施例提供的一种基于预先构建的预测模型进行预测的装置的结构示意图。
本申请实施例提供的基于预先构建的预测模型进行预测的装置1100,包括:
获取单元1101,用于获取待预测时间和所述待预测时间下的事件数量和事件属性中的一者;
预测单元1102,用于将所述待预测时间输入预先构建的预测模型,得到所述预测模型输出的待预测时间下的事件特征变量值;其中,所述预测模型是根据历史时间和所述历史时间下的事件特征变量值构建的;
确定单元1103,用于将所述事件特征变量值和所述待预测时间下的所述事件数量和事件属性中的一者输入预先构建的事件特征模型,得到所述事件特征模型输出的所述事件数量和事件属性中的另一者,作为待预测时间下的所述事件数量和事件属性中的另一者;其中,所述事件特征模型是根据所述历史时间下的事件数量和所述历史时间下的事件属性构建的。
作为一种实施方式,为了提高预测准确性,所述事件特征模型为:
Z=xm×yn
式中,Z为事件特征变量;x为事件数量;y为事件属性;m为事件数量指数;n为事件属性指数。
作为一种实施方式,为了提高预测准确性,所述m和所述n的获取过程,包括:
将事件数量指数初始值作为当前事件数量指数,并将事件属性指数初始值作为当前事件属性指数;
根据所述当前事件数量指数和当前事件属性指数,生成当前事件特征模型;
根据所述历史时间下的事件数量和所述历史时间下的事件属性,确定所述当前事件特征模型对应的线性相关系数;其中,所述当前事件特征模型对应的线性相关系数包括:事件特征变量与事件数量的线性相关系数、以及所述事件特征变量与事件属性的线性相关系数;
更新所述当前事件数量指数和所述当前事件属性指数,并继续执行所述根据所述当前事件数量指数和当前事件属性指数,生成当前事件特征模型以及后续步骤,直至达到预设条件时,将当前事件数量指数作为m,并将当前事件属性指数作为n。
作为一种实施方式,为了提高预测准确性,所述更新所述当前事件数量指数和所述当前事件属性指数,包括:利用梯度下降法,更新所述当前事件数量指数和所述当前事件属性指数。
作为一种实施方式,为了提高预测准确性,所述预测模型为差分整合移动平均自回归模型。
作为一种实施方式,为了提高预测准确性,所述预测模型的构建过程,包括:
获取所述历史时间和所述历史时间下的事件特征变量值;
根据所述历史时间和所述历史时间下的事件特征变量值,确定事件特征变量的目标变化趋势;
根据所述事件特征变量的目标变化趋势,构建预测模型。
作为一种实施方式,为了提高预测准确性,所述事件特征变量的目标变化趋势包括:事件特征变量的长期变化趋势、事件特征变量的季节性周期变化趋势、事件特征变量的非季节性周期性变化趋势和事件特征变量的随机性变化趋势中的至少一个。
以上为本申请实施例提供的基于预先构建的预测模型进行预测的装置的具体实施方式,在该实施方式中,在获取到待预测时间和该待预测时间下的事件数量和事件属性中的一者之后,先将待预测时间输入预先构建的预测模型,得到该预测模型输出的待预测时间下的事件特征变量值,再将事件特征变量值和待预测时间下的事件数量和事件属性中的一者输入预先构建的事件特征模型,得到该事件特征模型输出的事件数量和事件属性中的另一者,作为待预测时间下的事件数量和事件属性中的另一者。其中,因预测模型是根据历史时间和该历史时间下的事件特征变量值构建的,使得该预测模型能够准确地预测出任一时刻下的事件特征变量值,提高了事件特征变量值的预测准确率,从而提高了事件数量和事件属性中的另一者预测准确性。另外,因事件特征模型是根据历史时间下的事件数量和历史时间下的事件属性构建的,使得该事件特征模型能够准确地预测出任一时刻下事件数量或事件属性,提高了事件数量或事件属性的预测准确性。
另外,本申请实施例还提供了一种设备,所述设备包括处理器以及存储器:
所述存储器用于存储计算机程序;
所述处理器用于根据所述计算机程序执行上述方法实施例提供的基于预先构建的预测模型进行预测的方法的任一实施方式,其具体可以用于执行以下步骤:
获取待预测时间和所述待预测时间下的事件数量和事件属性中的一者;
将所述待预测时间输入预先构建的预测模型,得到所述预测模型输出的待预测时间下的事件特征变量值;其中,所述预测模型是根据历史时间和所述历史时间下的事件特征变量值构建的;
将所述事件特征变量值和所述待预测时间下的所述事件数量和事件属性中的一者输入预先构建的事件特征模型,得到所述事件特征模型输出的所述事件数量和事件属性中的另一者,作为待预测时间下的所述事件数量和事件属性中的另一者;其中,所述事件特征模型是根据所述历史时间下的事件数量和所述历史时间下的事件属性构建的。
可选的,所述事件特征模型为:
Z=xm×yn
式中,Z为事件特征变量;x为事件数量;y为事件属性;m为事件数量指数;n为事件属性指数。
可选的,所述m和所述n的获取过程,包括:
将事件数量指数初始值作为当前事件数量指数,并将事件属性指数初始值作为当前事件属性指数;
根据所述当前事件数量指数和当前事件属性指数,生成当前事件特征模型;
根据所述历史时间下的事件数量和所述历史时间下的事件属性,确定所述当前事件特征模型对应的线性相关系数;其中,所述当前事件特征模型对应的线性相关系数包括:事件特征变量与事件数量的线性相关系数、以及所述事件特征变量与事件属性的线性相关系数;
更新所述当前事件数量指数和所述当前事件属性指数,并继续执行所述根据所述当前事件数量指数和当前事件属性指数,生成当前事件特征模型以及后续步骤,直至达到预设条件时,将当前事件数量指数作为m,并将当前事件属性指数作为n。
可选的,所述更新所述当前事件数量指数和所述当前事件属性指数,包括:利用梯度下降法,更新所述当前事件数量指数和所述当前事件属性指数。
可选的,所述预测模型为差分整合移动平均自回归模型。
可选的,所述预测模型的构建过程,包括:
获取所述历史时间和所述历史时间下的事件特征变量值;
根据所述历史时间和所述历史时间下的事件特征变量值,确定事件特征变量的目标变化趋势;
根据所述事件特征变量的目标变化趋势,构建预测模型。
可选的,所述事件特征变量的目标变化趋势包括:事件特征变量的长期变化趋势、事件特征变量的季节性周期变化趋势、事件特征变量的周期性变化趋势和事件特征变量的随机性变化趋势中的至少一个。
此外,本申请实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质用于存储计算机程序,所述计算机程序用于执行上述方法实施例提供的基于预先构建的预测模型进行预测的方法的任一实施方式,其具体可以用于执行以下步骤:
获取待预测时间和所述待预测时间下的事件数量和事件属性中的一者;
将所述待预测时间输入预先构建的预测模型,得到所述预测模型输出的待预测时间下的事件特征变量值;其中,所述预测模型是根据历史时间和所述历史时间下的事件特征变量值构建的;
将所述事件特征变量值和所述待预测时间下的所述事件数量和事件属性中的一者输入预先构建的事件特征模型,得到所述事件特征模型输出的所述事件数量和事件属性中的另一者,作为待预测时间下的所述事件数量和事件属性中的另一者;其中,所述事件特征模型是根据所述历史时间下的事件数量和所述历史时间下的事件属性构建的。
可选的,所述事件特征模型为:
Z=xm×yn
式中,Z为事件特征变量;x为事件数量;y为事件属性;m为事件数量指数;n为事件属性指数。
可选的,所述m和所述n的获取过程,包括:
将事件数量指数初始值作为当前事件数量指数,并将事件属性指数初始值作为当前事件属性指数;
根据所述当前事件数量指数和当前事件属性指数,生成当前事件特征模型;
根据所述历史时间下的事件数量和所述历史时间下的事件属性,确定所述当前事件特征模型对应的线性相关系数;其中,所述当前事件特征模型对应的线性相关系数包括:事件特征变量与事件数量的线性相关系数、以及所述事件特征变量与事件属性的线性相关系数;
更新所述当前事件数量指数和所述当前事件属性指数,并继续执行所述根据所述当前事件数量指数和当前事件属性指数,生成当前事件特征模型以及后续步骤,直至达到预设条件时,将当前事件数量指数作为m,并将当前事件属性指数作为n。
可选的,所述更新所述当前事件数量指数和所述当前事件属性指数,包括:利用梯度下降法,更新所述当前事件数量指数和所述当前事件属性指数。
可选的,所述预测模型为差分整合移动平均自回归模型。
可选的,所述预测模型的构建过程,包括:
获取所述历史时间和所述历史时间下的事件特征变量值;
根据所述历史时间和所述历史时间下的事件特征变量值,确定事件特征变量的目标变化趋势;
根据所述事件特征变量的目标变化趋势,构建预测模型。
可选的,所述事件特征变量的目标变化趋势包括:事件特征变量的长期变化趋势、事件特征变量的季节性周期变化趋势、事件特征变量的周期性变化趋势和事件特征变量的随机性变化趋势中的至少一个。
应当理解,在本申请中,“至少一个(项)”是指一个或者多个,“多个”是指两个或两个以上。“和/或”,用于描述关联对象的关联关系,表示可以存在三种关系,例如,“A和/或B”可以表示:只存在A,只存在B以及同时存在A和B三种情况,其中A,B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达,是指这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,a,b或c中的至少一项(个),可以表示:a,b,c,“a和b”,“a和c”,“b和c”,或“a和b和c”,其中a,b,c可以是单个,也可以是多个。
以上所述,仅是本发明的较佳实施例而已,并非对本发明作任何形式上的限制。虽然本发明已以较佳实施例揭露如上,然而并非用以限定本发明。任何熟悉本领域的技术人员,在不脱离本发明技术方案范围情况下,都可利用上述揭示的方法和技术内容对本发明技术方案做出许多可能的变动和修饰,或修改为等同变化的等效实施例。因此,凡是未脱离本发明技术方案的内容,依据本发明的技术实质对以上实施例所做的任何简单修改、等同变化及修饰,均仍属于本发明技术方案保护的范围内。
Claims (10)
1.一种基于预先构建的预测模型进行预测的方法,其特征在于,包括:
获取待预测时间和所述待预测时间下的事件数量和事件属性中的一者;
将所述待预测时间输入预先构建的预测模型,得到所述预测模型输出的待预测时间下的事件特征变量值;其中,所述预测模型是根据历史时间和所述历史时间下的事件特征变量值构建的;
将所述事件特征变量值和所述待预测时间下的所述事件数量和事件属性中的一者输入预先构建的事件特征模型,得到所述事件特征模型输出的所述事件数量和事件属性中的另一者,作为待预测时间下的所述事件数量和事件属性中的另一者;其中,所述事件特征模型是根据所述历史时间下的事件数量和所述历史时间下的事件属性构建的。
2.根据权利要求1所述的方法,其特征在于,所述事件特征模型为:
Z=xm×yn
式中,Z为事件特征变量;x为事件数量;y为事件属性;m为事件数量指数;n为事件属性指数。
3.根据权利要求2所述的方法,其特征在于,所述m和所述n的获取过程,包括:
将事件数量指数初始值作为当前事件数量指数,并将事件属性指数初始值作为当前事件属性指数;
根据所述当前事件数量指数和当前事件属性指数,生成当前事件特征模型;
根据所述历史时间下的事件数量和所述历史时间下的事件属性,确定所述当前事件特征模型对应的线性相关系数;其中,所述当前事件特征模型对应的线性相关系数包括:事件特征变量与事件数量的线性相关系数、以及所述事件特征变量与事件属性的线性相关系数;
更新所述当前事件数量指数和所述当前事件属性指数,并继续执行所述根据所述当前事件数量指数和当前事件属性指数,生成当前事件特征模型以及后续步骤,直至达到预设条件时,将当前事件数量指数作为m,并将当前事件属性指数作为n。
4.根据权利要求3所述的方法,其特征在于,所述更新所述当前事件数量指数和所述当前事件属性指数,包括:利用梯度下降法,更新所述当前事件数量指数和所述当前事件属性指数。
5.根据权利要求1所述的方法,其特征在于,所述预测模型为差分整合移动平均自回归模型。
6.根据权利要求5所述的方法,其特征在于,所述预测模型的构建过程,包括:
获取所述历史时间和所述历史时间下的事件特征变量值;
根据所述历史时间和所述历史时间下的事件特征变量值,确定事件特征变量的目标变化趋势;
根据所述事件特征变量的目标变化趋势,构建预测模型。
7.根据权利要求6所述的方法,其特征在于,所述事件特征变量的目标变化趋势包括:事件特征变量的长期变化趋势、事件特征变量的季节性周期变化趋势、事件特征变量的非季节性周期性变化趋势和事件特征变量的随机性变化趋势中的至少一个。
8.一种基于预先构建的预测模型进行预测的装置,其特征在于,包括:
获取单元,用于获取待预测时间和所述待预测时间下的事件数量和事件属性中的一者;
预测单元,用于将所述待预测时间输入预先构建的预测模型,得到所述预测模型输出的待预测时间下的事件特征变量值;其中,所述预测模型是根据历史时间和所述历史时间下的事件特征变量值构建的;
确定单元,用于将所述事件特征变量值和所述待预测时间下的所述事件数量和事件属性中的一者输入预先构建的事件特征模型,得到所述事件特征模型输出的所述事件数量和事件属性中的另一者,作为待预测时间下的所述事件数量和事件属性中的另一者;其中,所述事件特征模型是根据所述历史时间下的事件数量和所述历史时间下的事件属性构建的。
9.一种设备,其特征在于,所述设备包括处理器以及存储器:
所述存储器用于存储计算机程序;
所述处理器用于根据所述计算机程序执行权利要求1-7中任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质用于存储计算机程序,所述计算机程序用于执行权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911157228.0A CN110956318A (zh) | 2019-11-22 | 2019-11-22 | 一种基于预先构建的预测模型进行预测的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911157228.0A CN110956318A (zh) | 2019-11-22 | 2019-11-22 | 一种基于预先构建的预测模型进行预测的方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110956318A true CN110956318A (zh) | 2020-04-03 |
Family
ID=69978148
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911157228.0A Pending CN110956318A (zh) | 2019-11-22 | 2019-11-22 | 一种基于预先构建的预测模型进行预测的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110956318A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111915082A (zh) * | 2020-08-03 | 2020-11-10 | 深圳集智数字科技有限公司 | 一种预测方法、装置、存储介质及设备 |
CN117726195A (zh) * | 2024-02-07 | 2024-03-19 | 创意信息技术股份有限公司 | 城市管理事件数量变化预测方法、装置、设备及存储介质 |
-
2019
- 2019-11-22 CN CN201911157228.0A patent/CN110956318A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111915082A (zh) * | 2020-08-03 | 2020-11-10 | 深圳集智数字科技有限公司 | 一种预测方法、装置、存储介质及设备 |
CN111915082B (zh) * | 2020-08-03 | 2024-03-29 | 深圳集智数字科技有限公司 | 一种预测方法、装置、存储介质及设备 |
CN117726195A (zh) * | 2024-02-07 | 2024-03-19 | 创意信息技术股份有限公司 | 城市管理事件数量变化预测方法、装置、设备及存储介质 |
CN117726195B (zh) * | 2024-02-07 | 2024-05-07 | 创意信息技术股份有限公司 | 城市管理事件数量变化预测方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11699198B2 (en) | Methods and systems for machine-learning for prediction of grid carbon emissions | |
US11876374B2 (en) | System and method for optimal control of energy storage system | |
EP3043447B1 (en) | Distribution transformer heavy loading and overloading mid-term and short-term pre-warning analytics model | |
US10248528B2 (en) | System monitoring method and apparatus | |
US8706599B1 (en) | System and method of generating investment criteria for an investment vehicle that includes a pool of escrow deposits from a plurality of merger and acquisition transactions | |
CN107506868B (zh) | 一种短时电力负荷预测的方法及装置 | |
Kim | Modeling special-day effects for forecasting intraday electricity demand | |
JP4896084B2 (ja) | 発電機運用計画作成方法 | |
JP2017142781A (ja) | 確率的価格及び急変予測 | |
CN105678414A (zh) | 对资源消耗量进行预测的数据处理方法 | |
CN110956318A (zh) | 一种基于预先构建的预测模型进行预测的方法及装置 | |
Ding et al. | Forecasting natural gas consumption with multiple seasonal patterns | |
CN116091118A (zh) | 电价预测方法、装置、设备、介质及产品 | |
CN111861000A (zh) | 基于历史数据的日收入预测方法、系统、设备及存储介质 | |
CN101364229A (zh) | 一种基于时间容量分析的数据仓库主机资源预测方法 | |
CN117237085A (zh) | 一种信息处理方法、设备及计算机可读存储介质 | |
WO2021207780A1 (en) | Systems, computer-implemented methods and computer programs for capital management | |
Raman et al. | Demand baseline estimation using similarity‐based technique for tropical and wet climates | |
JP2016001950A (ja) | 電力需要予測装置、プログラム | |
CN114169802A (zh) | 电网用户需求响应潜力分析方法、系统及存储介质 | |
Pang et al. | Short-term power load forecasting based on gray relational analysis and support vector machine optimized by artificial bee colony algorithm | |
CN112669093A (zh) | 海洋经济预测方法、系统、电子设备及存储介质 | |
CN113837782A (zh) | 时间序列模型的周期项参数优化方法、装置、计算机设备 | |
CN117764638B (zh) | 一种供电企业售电数据预测方法、系统、设备及存储介质 | |
Mogliani et al. | New Estimate of the MIBA Forecasting Model. Modeling First-Release GDP Using the Banque De France's Monthly Business Survey and the'Blocking'Approach |
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 |