CN110991734A - 一种基于多目标优化和svr的地铁客流预测方法 - Google Patents
一种基于多目标优化和svr的地铁客流预测方法 Download PDFInfo
- Publication number
- CN110991734A CN110991734A CN201911198249.7A CN201911198249A CN110991734A CN 110991734 A CN110991734 A CN 110991734A CN 201911198249 A CN201911198249 A CN 201911198249A CN 110991734 A CN110991734 A CN 110991734A
- Authority
- CN
- China
- Prior art keywords
- svr
- passenger flow
- label
- data
- subway passenger
- 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 abstract description 27
- 238000005457 optimization Methods 0.000 title claims abstract description 26
- 238000012549 training Methods 0.000 claims abstract description 39
- 230000002068 genetic effect Effects 0.000 claims abstract description 12
- 238000012706 support-vector machine Methods 0.000 claims abstract description 6
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 210000000349 chromosome Anatomy 0.000 claims description 12
- 108090000623 proteins and genes Proteins 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000035772 mutation Effects 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 101150017816 40 gene Proteins 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 4
- 238000013507 mapping Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000013101 initial test 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Biophysics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Biology (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Bioinformatics & Computational Biology (AREA)
- Marketing (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Data Mining & Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Quality & Reliability (AREA)
- Evolutionary Computation (AREA)
- Development Economics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于多目标优化和SVR的地铁客流预测方法,具体按照以下步骤实施:步骤1、选取某地一年内350天的地铁客流数据,以及当天是否是节假日、是否有突发事故、天气情况、具体日期,周几,组成350*6的样本数据,对样本数据进行预处理和逆运算;步骤2、利用遗传算法对支持向量回归机的输入空间进行特征选择,以此优化训练集;步骤3、利用遗传算法寻找最优的支持向量机参数;步骤4、使用所选择的训练集和参数C,γ,ε来训练SVR,得到满足要求的训练误差MSE,终止迭代得到预测地铁客流量的SVR。通过本发明的方法预测地铁客流量数据误差在0.01范围内,误差小,预测结果准确率高。
Description
技术领域
本发明属于人工智能技术领域,涉及一种基于多目标优化和SVR的地铁客流预测方法。
背景技术
随着城市人口的日益增多和城市功能的日益强大,城市交通量与地铁运营之间的矛盾日益突出,直接制约了城市经济的进一步发展,因此,客流预测影响整个规划过程,是城市轨道交通规划的基础之一。目前我国城市轨道交通客流预测中普遍存在着规划阶段的预测结果,与运营之后的实际客流有较大差异。
支持向量回归机(SVR)算法是运用于回归和预测领域的一种方法,它的基本思想是:假设训练集T{(xi,yi),i=1,2,...,Z},xi∈Rn,yi∈R,其中Z为训练的样本数,SVR期望寻找到一个从输入到输出的非线性映射,将数据映射到高维特征空间中,并在此特征空间用回归方程f(x)进行回归处理。
在使用支持向量机进行预测时,选择合适的参数是一个很重要的问题。但是,在现有的研究中,对其参数的确定往往依靠经验获取,存在很大的问题。因此,如何优化支持向量回归参数,将是本发明主要的研究内容之一。
发明内容
本发明的目的是提供一种基于多目标优化和SVR的地铁客流预测方法,解决了现有技术中存在的地铁客流在规划阶段的预测结果与运营之后的实际客流有较大差异的问题。
本发明所采用的技术方案是,一种基于多目标优化和SVR的地铁客流预测方法,具体按照以下步骤实施:
步骤1、选取某地一年内350天的地铁客流数据,以及当天是否是节假日、是否有突发事故、天气情况、具体日期,周几,组成350*6的样本数据,对样本数据进行预处理和逆运算;
步骤2、利用遗传算法对支持向量回归机的输入空间进行特征选择,以此优化训练集;
步骤3、利用遗传算法寻找最优的支持向量机参数,即对惩罚参数C,核参数γ,不敏感损失参数ε进行优化选择;
步骤4、使用所选择的训练集和参数C,γ,ε来训练SVR,得到满足要求的训练误差MSE,终止迭代得到预测地铁客流量的SVR。。
本发明的特点还在于:
步骤1中预处理具体为:使用MATLAB的imread函数读入大小为350*6的样本数据,并通过使用mapminmax函数对数据进行归一化处理,归一化的计算公式:
式中,归一化到区间[ymin,ymax],本文定义区间为[0,1],yt表示原始数据,ymin,ymax是每一列的最值,y表示归一化后的数据。
步骤1中样本数据中第一列为当天的客流量,第二列中节假日标记为1,非节假日标记为0,第三列有突发事故标记为1,正常情况标记为0,第四列晴天标记为-2,多云标记为-1,阴天标记为0,雨天标记为1,雪天标记为2,第五列用1-31标记当天是某个月的几号,第六列用1-7标记当天为一周的周几。
步骤2包括以下步骤:
步骤2.1、定义种群目标数M=2,种群目标分别表示所选特征数据的个数和预测值的错误率;决策变量D=470,其中样本染色体长度D1=350,参数染色体长度D2=120;决策变量的上下界设置为[1,470],设置编码形式为二进制编码;
步骤2.2、在二进制染色体空间进行交叉、变异的遗传操作,然后通过解码还原结果,并进行适应度的计算;
步骤2.3、采用多目标优化算法NSGAⅡ生成大小为N=100的初始种群,每一代种群都是由0和1随机组成的长度为470的染色体构成,其中前350个基因对应原始数据集中的每一个数据,选取其中决策变量为1的个体所对应的数据组成训练集,决策变量为0的个体所对应的数据组成测试集;后120个基因对应将要生成的C,γ,ε参数,其中每一个参数对应40个基因位。
步骤3具体为:定义参数C,γ,ε的取值范围分别为:[1,18000],[0.00001,100],[0.00001,100],然后利用decoding函数对参数C,γ,ε的120位基因进行解码,将参数C,γ,ε由二进制数转换为具体的实数值。
步骤4具体包括以下步骤:
步骤4.1、将训练集的特征数目作为第一个目标,将MSE作为第二个目标,可以得到N个种群的第一个个体目标值;
步骤4.2、返回步骤3重复执行,得到第一代种群N个个体的目标值;
步骤4.3、使用所选择的训练集和参数C,γ,ε来训练SVR,当MSE大于0.01或训练集个数大于150时,返回步骤2进行循环迭代;当MSE小于等于0.01,且训练集个数小于等于150时,迭代终止。
本发明的有益效果是:本发明一种基于多目标优化和SVR的地铁客流预测方法通过遗传算法对支持向量机的训练集和参数进行优化,使得得到的SVR对地铁客流预测的误差率达到0.01以下,准确性很高。
附图说明
图1是本发明一种基于多目标优化和SVR的地铁客流预测方法的基于NSGAⅡ和SVR的客流预测图;
图2是本发明一种基于多目标优化和SVR的地铁客流预测方法的基于KnEA和SVR的客流预测图;
图3是本发明一种基于多目标优化和SVR的地铁客流预测方法的基于SPEA2和SVR的客流预测图;
图4是本发明一种基于多目标优化和SVR的地铁客流预测方法的基于NSGAⅢ和SVR的客流预测测图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明一种基于多目标优化和SVR的地铁客流预测方法,具体按照以下步骤实施:
步骤1、选取某地一年内350天的地铁客流数据,以及当天是否是节假日、是否有突发事故、天气情况、具体日期,周几,组成350*6的样本数据,对样本数据进行预处理和逆运算;
样本数据中第一列为当天的客流量,第二列中节假日标记为1,非节假日标记为0,第三列有突发事故标记为1,正常情况标记为0,第四列晴天标记为-2,多云标记为-1,阴天标记为0,雨天标记为1,雪天标记为2,第五列用1-31标记当天是某个月的几号,第六列用1-7标记当天为一周的周几;
预处理具体为:使用MATLAB的imread函数读入大小为350*6的样本数据,并通过使用mapminmax函数对数据进行归一化处理,归一化的计算公式:
式中,归一化到区间[ymin,ymax],本文定义区间为[0,1],yt表示原始数据,ymin,ymax是每一列的最值,y表示归一化后的数据;
步骤2、利用遗传算法对支持向量回归机的输入空间进行特征选择,以此优化训练集;
步骤2.1、定义种群目标数M=2,种群目标分别表示所选特征数据的个数和预测值的错误率;决策变量D=470,其中样本染色体长度D1=350,参数染色体长度D2=120;决策变量的上下界设置为[1,470],设置编码形式为二进制编码;
步骤2.2、在二进制染色体空间进行交叉、变异的遗传操作,然后通过解码还原结果,并进行适应度的计算;
步骤2.3、采用多目标优化算法NSGAⅡ生成大小为N=100的初始种群,每一代种群都是由0和1随机组成的长度为470的染色体构成,其中前350个基因对应原始数据集中的每一个数据,选取其中决策变量为1的个体所对应的数据组成训练集,决策变量为0的个体所对应的数据组成测试集;后120个基因对应将要生成的C,γ,ε参数,其中每一个参数对应40个基因位
步骤3、利用遗传算法寻找最优的支持向量机参数,即对惩罚参数C,核参数γ,不敏感损失参数ε进行优化选择;
步骤3具体为:定义参数C,γ,ε的取值范围分别为:[1,18000],[0.00001,100],[0.00001,100],然后利用decoding函数对参数C,γ,ε的120位基因进行解码,将参数C,γ,ε由二进制数转换为具体的实数值;
步骤4、使用所选择的训练集和参数C,γ,ε来训练SVR,得到满足要求的训练误差MSE,终止迭代得到预测地铁客流量的SVR;
具体包括以下步骤:
步骤4.1、将训练集的特征数目作为第一个目标,将MSE作为第二个目标,可以得到N个种群的第一个个体目标值;
步骤4.2、返回步骤3重复执行,得到第一代种群N个个体的目标值;
步骤4.3、使用所选择的训练集和参数C,γ,ε来训练SVR,当MSE大于0.01或训练集个数大于150时,返回步骤2进行循环迭代;当MSE小于等于0.01,且训练集个数小于等于150时,迭代终止。
实施例
下面通过郑州市某年的地铁客流数据作为实例来说明一种基于多目标优化和SVR的地铁客流预测方法的实现过程。
首先,在MATLAB R2016b的环境下,借助LIBSVR工具箱,使用imread函数读入数据,部分原始数据如表1所示,其中,数据第1列表示每日的客流量值,第二列中节假日标记为1,非节假日标记为0,第三列有突发事故标记为1,正常情况标记为0,第四列晴天标记为-2,多云标记为-1,阴天标记为0,雨天标记为1,雪天标记为2,第五列用1-31标记当天是某个月的几号,第六列用1-7标记当天为一周的周几,对数据进行归一化处理,将数据映射到[0,1]区间内,使得数据较容易进行处理比较,部分归一化后的数据如表2所示;
表1部分原始数据
表2归一化后的数据
其次,采用多目标优化算法NSGAⅡ初始化生成一个大小为100的种群,每个种群都包括470个决策变量,如表3所示,其中横轴代表470个决策变量,纵轴代表100个种群,初试种群如表4所示,其中横轴代表每一个个体的目标值,纵轴第1列表示第一个目标值,即所选特征的个数;第二列表示预测的误差值;
表3初始决策值
表4初始种群
然后,对初始种群执行特征选择以及参数解码操作,并将得到的训练集和参数用来训练并预测SVR,得到预测的误差率,将特征数作为第一目标,误差率作为第二目标,经过以此迭代之后,可以得到N个种群的部分目标值如表5所示;
表5种群目标值
最后,重复执行直到达到最大迭代次数,即当MSE小于等于0.01,且训练集个数小于等于150时,迭代终止,在几种典型的多目标优化算法框架(NSGAⅡ,KnEA,SPEA2,NSGAⅢ)中执行该优化过程,得到最终的预测效果,如图1,图2,图3,图4所示。
由图1,图2,图3,图4可以看出,通过本发明的一种基于多目标优化和SVR的地铁客流预测方法进行客流预测的运行误差率都在0.01以下,准确性很高。
Claims (6)
1.一种基于多目标优化和SVR的地铁客流预测方法,其特征在于,具体按照以下步骤实施:
步骤1、选取某地一年内350天的地铁客流数据,以及当天是否是节假日、是否有突发事故、天气情况、具体日期,周几,组成350*6的样本数据,对样本数据进行预处理和逆运算;
步骤2、利用遗传算法对支持向量回归机的输入空间进行特征选择,以此优化训练集;
步骤3、利用遗传算法寻找最优的支持向量机参数,即对惩罚参数C,核参数γ,不敏感损失参数ε进行优化选择;
步骤4、使用所选择的训练集和参数C,γ,ε来训练SVR,得到满足要求的训练误差MSE,终止迭代得到预测地铁客流量的SVR。
3.根据权利要求1所述的一种基于多目标优化和SVR的地铁客流预测方法,其特征在于,所述步骤1中样本数据中第一列为当天的客流量,第二列中节假日标记为1,非节假日标记为0,第三列有突发事故标记为1,正常情况标记为0,第四列晴天标记为-2,多云标记为-1,阴天标记为0,雨天标记为1,雪天标记为2,第五列用1-31标记当天是某个月的几号,第六列用1-7标记当天为一周的周几。
4.根据权利要求1所述的一种基于多目标优化和SVR的地铁客流预测方法,其特征在于,所述步骤2包括以下步骤:
步骤2.1、定义种群目标数M=2,种群目标分别表示所选特征数据的个数和预测值的错误率;决策变量D=470,其中样本染色体长度D1=350,参数染色体长度D2=120;决策变量的上下界设置为[1,470],设置编码形式为二进制编码;
步骤2.2、在二进制染色体空间进行交叉、变异的遗传操作,然后通过解码还原结果,并进行适应度的计算;
步骤2.3、采用多目标优化算法NSGAⅡ生成大小为N=100的初始种群,每一代种群都是由0和1随机组成的长度为470的染色体构成,其中前350个基因对应原始数据集中的每一个数据,选取其中决策变量为1的个体所对应的数据组成训练集,决策变量为0的个体所对应的数据组成测试集;后120个基因对应将要生成的C,γ,ε参数,其中每一个参数对应40个基因位。
5.根据权利要求1所述的一种基于多目标优化和SVR的地铁客流预测方法,其特征在于,所述步骤3具体为:定义参数C,γ,ε的取值范围分别为:[1,18000],[0.00001,100],[0.00001,100],然后利用decoding函数对参数C,γ,ε的120位基因进行解码,将参数C,γ,ε由二进制数转换为具体的实数值。
6.根据权利要求1所述的一种基于多目标优化和SVR的地铁客流预测方法,其特征在于,所述步骤4具体包括以下步骤:
步骤4.1、将训练集的特征数目作为第一个目标,将MSE作为第二个目标,可以得到N个种群的第一个个体目标值;
步骤4.2、返回步骤3重复执行,得到第一代种群N个个体的目标值;
步骤4.3、使用所选择的训练集和参数C,γ,ε来训练SVR,当MSE大于0.01或训练集个数大于150时,返回步骤2进行循环迭代;当MSE小于等于0.01,且训练集个数小于等于150时,迭代终止。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911198249.7A CN110991734A (zh) | 2019-11-29 | 2019-11-29 | 一种基于多目标优化和svr的地铁客流预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911198249.7A CN110991734A (zh) | 2019-11-29 | 2019-11-29 | 一种基于多目标优化和svr的地铁客流预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110991734A true CN110991734A (zh) | 2020-04-10 |
Family
ID=70088200
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911198249.7A Pending CN110991734A (zh) | 2019-11-29 | 2019-11-29 | 一种基于多目标优化和svr的地铁客流预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110991734A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112232607A (zh) * | 2020-12-16 | 2021-01-15 | 成都四方伟业软件股份有限公司 | 一种地铁客流量预测方法及装置 |
CN112731373A (zh) * | 2020-12-24 | 2021-04-30 | 西安理工大学 | 基于三维数据关联的外辐射源雷达多目标跟踪方法 |
CN112926664A (zh) * | 2021-03-01 | 2021-06-08 | 南京信息工程大学 | 基于进化算法的特征选择与cart森林的短时强降水预报方法 |
CN114792073A (zh) * | 2022-05-25 | 2022-07-26 | 河北工业大学 | 一种基于支持向量机的超级电容器剩余寿命预测新方法 |
CN116029395A (zh) * | 2023-03-24 | 2023-04-28 | 深圳市明源云科技有限公司 | 商业区域的人流预警方法、装置、电子设备及存储介质 |
-
2019
- 2019-11-29 CN CN201911198249.7A patent/CN110991734A/zh active Pending
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112232607A (zh) * | 2020-12-16 | 2021-01-15 | 成都四方伟业软件股份有限公司 | 一种地铁客流量预测方法及装置 |
CN112731373A (zh) * | 2020-12-24 | 2021-04-30 | 西安理工大学 | 基于三维数据关联的外辐射源雷达多目标跟踪方法 |
CN112731373B (zh) * | 2020-12-24 | 2023-09-22 | 西安理工大学 | 基于三维数据关联的外辐射源雷达多目标跟踪方法 |
CN112926664A (zh) * | 2021-03-01 | 2021-06-08 | 南京信息工程大学 | 基于进化算法的特征选择与cart森林的短时强降水预报方法 |
CN112926664B (zh) * | 2021-03-01 | 2023-11-24 | 南京信息工程大学 | 基于进化算法的特征选择与cart森林的短时强降水预报方法 |
CN114792073A (zh) * | 2022-05-25 | 2022-07-26 | 河北工业大学 | 一种基于支持向量机的超级电容器剩余寿命预测新方法 |
CN116029395A (zh) * | 2023-03-24 | 2023-04-28 | 深圳市明源云科技有限公司 | 商业区域的人流预警方法、装置、电子设备及存储介质 |
CN116029395B (zh) * | 2023-03-24 | 2023-08-04 | 深圳市明源云科技有限公司 | 商业区域的人流预警方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110991734A (zh) | 一种基于多目标优化和svr的地铁客流预测方法 | |
CN110232476B (zh) | 一种基于深度学习的微电网负荷预测方法 | |
CN111639111A (zh) | 面向调水工程的多源监测数据深度挖掘和智能分析方法 | |
CN116128150B (zh) | 一种基于两级优化的光伏智能出力预测方法 | |
CN109787821B (zh) | 一种大规模移动客户流量消费智能预测方法 | |
CN117154690A (zh) | 一种基于神经网络的光伏发电功率预测方法及系统 | |
CN111832839B (zh) | 基于充分增量学习的能耗预测方法 | |
CN114239718A (zh) | 基于多元时序数据分析的高精度长期时间序列预测方法 | |
CN114496069A (zh) | 一种基于Transformer架构的CIRSPRCas9系统脱靶预测方法 | |
CN112508286A (zh) | 一种基于Kmeans-BiLSTM-DMD模型的短期负荷预测方法 | |
CN110570042B (zh) | 一种短期电动汽车充电负荷预测方法及系统 | |
CN113205223A (zh) | 一种电量预测系统及其预测方法 | |
CN117994986B (zh) | 一种基于智能优化算法的交通车流量预测优化方法 | |
CN112052985B (zh) | 一种基于lightgbm的中短期低电压预测方法 | |
CN109214610A (zh) | 一种基于长短期记忆神经网络的饱和电力负荷预测方法 | |
CN116561327B (zh) | 基于聚类算法的政务数据管理方法 | |
CN108134687B (zh) | 一种基于马尔可夫链的灰色模型局域网峰值流量预测方法 | |
CN110309968A (zh) | 一种基于桩群预测充电量的动态定价系统及方法 | |
CN115358473A (zh) | 基于深度学习的电力负荷预测方法及预测系统 | |
CN114926075A (zh) | 基于工时预测的机械零件生产调度方法 | |
CN112348275A (zh) | 一种基于在线增量学习的区域生态环境变化预测方法 | |
CN112801356A (zh) | 一种基于ma-lssvm的电力负荷预测方法 | |
CN113850443A (zh) | 一种基于非参数Bootstrap误差抽样的短期电力负荷区间预测方法 | |
CN111276229A (zh) | 一种基于深度置信网络的门诊量预测方法及系统 | |
CN114037006A (zh) | 电力系统典型日负荷曲线生成方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200410 |
|
RJ01 | Rejection of invention patent application after publication |