CN111027716A - 一种负荷预测的方法及装置 - Google Patents
一种负荷预测的方法及装置 Download PDFInfo
- Publication number
- CN111027716A CN111027716A CN201911218717.2A CN201911218717A CN111027716A CN 111027716 A CN111027716 A CN 111027716A CN 201911218717 A CN201911218717 A CN 201911218717A CN 111027716 A CN111027716 A CN 111027716A
- Authority
- CN
- China
- Prior art keywords
- data
- training
- support vector
- vector regression
- regression machine
- 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 46
- 238000012549 training Methods 0.000 claims abstract description 73
- 230000009467 reduction Effects 0.000 claims abstract description 31
- 238000012360 testing method Methods 0.000 claims description 18
- 238000000605 extraction Methods 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 6
- 230000008901 benefit Effects 0.000 abstract description 4
- 238000013526 transfer learning Methods 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 18
- 238000010586 diagram Methods 0.000 description 14
- 239000010410 layer Substances 0.000 description 14
- 238000004590 computer program Methods 0.000 description 12
- 238000012545 processing Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 239000002356 single layer Substances 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000005012 migration Effects 0.000 description 2
- 238000013508 migration Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000011022 operating instruction Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种负荷预测的方法及装置,所述方法包括:获取训练数据集;基于所述训练数据集训练多层降噪自编码器,以得到特征数据;根据所述特征数据训练支持向量回归机;将待预测数据输入所述支持向量回归机,得到预测结果。用了自编码器来增强数据的特征表达,更好的理解数据的特征,并将自编码器和支持向量回归机结合起来,结合两者各自的优点得到更好的数据预测,同时,并将迁移学习的思想应用到其中,解决小数据量数据训练模型困难的问题。
Description
技术领域
本发明涉及智慧能源技术领域,尤其涉及一种负荷预测的方法及装置。
背景技术
在智慧能源系统中,要实现能源系统的智能化,就需要获取能源系统中的多种负荷数据,进而对这些负荷数据进行数据建模、分析和运用,以能够实现能源系统的负荷预测。在负荷预测中,使用大规模样本学习存在学习速度慢、性能较差等问题,而较小的样本学习准确率又可能较低,而影响预测结果的精准度。而提高学习速度、保障性能仍期望采用小样本学习和预测,然而目前没有相关算法在采用小样本学习情况下仍能保障预测结果的准确性。
发明内容
本发明提供一种负荷预测的方法及装置,结合降噪自编码器和支持向量回归机的优点得到更好的数据预测。
第一方面,本发明提供了负荷预测的方法,所述方法包括:
获取训练数据集;
基于所述训练数据集训练多层降噪自编码器,以得到特征数据;
根据所述特征数据训练支持向量回归机;
将预测数据输入所述支持向量回归机,得到预测结果。
第二方面,本发明提供了一种负荷预测的装置,所述装置包括:
获取模块,用于获取训练数据集;
第一训练模块,用于基于所述训练数据集训练多层降噪自编码器,以得到特征数据;
第二训练模块,用于根据所述特征数据训练支持向量回归机;
第一预测模块,用于将预测数据输入所述支持向量回归机,得到预测结果。
本发明提供了一种负荷预测的方法及装置,用了自编码器来增强数据的特征表达,更好的理解数据的特征,并将自编码器和支持向量回归机结合起来,结合两者各自的优点得到更好的数据预测,同时,并将迁移学习的思想应用到其中,解决小数据量数据训练模型困难的问题。
附图说明
为了更清楚地说明本说明书实施例或现有的技术方案,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说明书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性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一实施例提供的一种负荷预测的方法的流程示意图;
图2为本发明一实施例提供的一种负荷预测的方法的单层自编码器原理图;
图3为本发明一实施例提供的一种负荷预测的方法的两层自编码器原理图;
图4为本发明一实施例提供的一种负荷预测的方法的多层自编码器提取特征中神经网络图;
图5为本发明一实施例提供的一种负荷预测的方法的测试结果获取图;
图6为本发明一实施例提供的一种负荷预测的装置的结构示意图。
具体实施方式
为使本说明书的目的、技术方案和优点更加清楚,下面将结合具体实施例及相应的附图对本说明书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说明书一部分实施例,而不是全部的实施例。基于本说明书中的实施例,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,都属于本说明书保护的范围。
智慧能源系统中,针对同一领域的相似任务,可以用迁移学习的思想来解决问题。比如在对光伏电量的时间序列做负荷预测时,两个时间序列数据可能属于同一领域的相似任务。再有,应用迁移学习可以解决小数据量的问题。
图1为本发明一实施例提供的一种负荷预测的方法的流程示意图。
如图1所示,本发明实施例提供的一种负荷预测的方法,可以包括如下步骤:
步骤102,获取训练数据集。
本发明实施例中,训练数据集例如可以为光伏强度、辐射强度、风速、风向、温度、湿度等等。可以将数据集例如分为源域数据和目标域数据。
步骤104,基于训练数据集训练多层降噪自编码器,以得到特征数据。
示例性地,基于所述源域数据和所述目标域数据训练多层降噪自编码器,分别得到第一特征数据和第二特征数据。
其中,第一特征数据用于作为支持向量回归机的训练样本数据,第二特征数据用于作为调节支持向量回归机的调试样本数据。
将源域数据输入多层降噪自编码器,经过多层降噪自编码器后得到对应的第一特征数据;以及将目标域数据输入多层降噪自编码器,经过多层降噪自编码器后得到对应的第二特征数据。
多层降噪自编码器(MDAE)是由若干个去噪自编码(DAE)组成。其中,单层去噪自编码(DAE)原理可以参考如图2。如图2所示,单层去噪自编码器先对网络输入的数据x进行某种干扰操作(比如加入高斯噪音)得到扰动数据在通过映射函数f对变换得到隐含表示特征y,然后在通过解码映射函数 g去重构输出向量z,本发明的目标是的输入x和输出z尽量相同。因此,最小化目标函数L(x,z)=(x-z)2来训练多层降噪自编码器,得到映射函数f来对输入的特征数据进行特征隐藏表达。
其中,x:输入的数据;p:对x进行的扰动操作,比如高斯噪音的加入,p操作之后得到的数据;f:特征提取表达函数;g:解码器函数;z:g 操作之后得到的数据。此处,x例如对应目标域数据或者目标域数据,而z例如对应第一特征数据或者第二特征数据。
以此类推,如图3为两层DAE,多层DAE原理与两层DAE原理相同。图3中的f(2):特征提取表达函数;p(2):对数据的扰动操作;其他与图2所示的一致。经过对多层DAE神经网络的训练,我们可以得到多个特征提取函数 f,f(2),f(3)···f(n),利用这些特征提取函数来对数据进行隐含特征表达,神经网络如下图4所示。其中,y(n):经过f操作得到的隐含表达特征;f(n):特征提取表达函数。
步骤106,根据特征数据训练支持向量回归机。
可以实现为:基于所述第一特征数据训练支持向量回归机,得到第一支持向量回归机;以及,基于所述第二特征数据调节所述第一支持向量回归机,得到第二支持向量回归机。
在本步骤的基础上,本发明还可以包括如下步骤:通过所述训练得到的多层降噪自编码器提取所述待预测数据的特征数据;所述将待预测数据输入所述支持向量回归机,得到预测结果包括:将待预测数据的特征数据输入所述第二支持向量回归机,得到预测结果。
步骤108,将预测数据输入支持向量回归机,得到预测结果。
示例性地,预测的时间序列数据,取其对应的特征数据,并通过MDAE 得到特征数据更抽象的特征表达形式,将抽象特征输入到调节后的得到的第二支持向量回归机中得到输出的预测结果。
本发明还可以包括如下步骤:通过所述训练得到的多层降噪自编码器提取测试数据集的特征数据;将所述测试数据集的特征数据输入所述第二支持向量回归机,得到预测结果;通过标准误差度量指标对所述预测结果进行测试度量,以确定所述第二支持向量回归机的预测精度。示例性地,5)取目标域测试数据,通过MDAE得到数据的特征表达形式,将特征输入到步骤4微调后的支持向量回归机中得到输出的预测结果,用rmse度量指标对支持向量回归机进行度量:
下面再结合图5对本发明进行详细说明。如图5所示,通过源域数据(源域大样本训练集)设置训练初始权重来训练多层降噪自编码器和回归支持向量机(支持向量回归机)得到目标域混合预测模型(第二支持向量回归机),再通过目标域数据(目标域小样本训练集)对目标域混合预测模型(第二支持向量回归机)进行微调,满足度量指标。进而用测试样本输入该模型,最终得到测试结果。
本发明提供了一种负荷预测的方法,用多层降噪自编码器提取数据的特征表达,更精准的理解数据的特征,并且自编码器有降噪的功能,而支持向量回归机具有较强的小样本,非线性,高维预测性能,但是对大规模样本学习存在学习速度慢,性能较差的问题,迁移学习针对的是小数据量的问题,而支持向量机很适合解决小数据量的问题,因此,将降噪自编码器,支持向量回归机,迁移学习三者综合起来进行时间序列的负荷预测。
图6为本发明一实施例提供的一种负荷预测的装置的结构示意图。
如图6所示,本发明的一种负荷预测的装置,可以包括获取模块61、第一训练模块62、第二训练模块63和第一预测模块64。
获取模块61,用于获取训练数据集;
第一训练模块62,用于基于所述训练数据集训练多层降噪自编码器,以得到特征数据;
第二训练模块63,用于根据所述特征数据训练支持向量回归机;
第一预测模块64,用于将待预测数据输入所述支持向量回归机,得到预测结果。
进一步地,所述训练数据集包括源域数据和所述目标域数据,所述第一训练模块62包括:第一训练单元,用于基于所述源域数据和所述目标域数据训练多层降噪自编码器,分别得到第一特征数据和第二特征数据。
所述第二训练模块63包括:第二训练单元,用于基于所述第一特征数据训练支持向量回归机,得到第一支持向量回归机;调节单元,用于基于所述第二特征数据调节所述第一支持向量回归机,得到第二支持向量回归机。
一些实施例中,本发明装置还可以包括所述装置还包括:第一特征提取模块(未示出),用于通过所述训练得到的多层降噪自编码器提取所述待预测数据的特征数据;所述预测模块包括:第一预测单元,用于将待预测数据的特征数据输入所述第二支持向量回归机,得到预测结果。
在另一些实施例中,所述装置还包括:第二特征提取模块(未示出),用于通过所述训练得到的多层降噪自编码器提取测试数据集的特征数据;输入模块,用于将所述测试数据集的特征数据输入所述第二支持向量回归机,得到预测结果;测试模块(未示出),用于通过标准误差度量指标对所述预测结果进行测试度量,以确定所述第二支持向量回归机的预测精度。
本发明提供了一种负荷预测的装置,用多层降噪自编码器提取数据的特征表达,更精准的理解数据的特征,并且自编码器有降噪的功能,而支持向量回归机具有较强的小样本,非线性,高维预测性能,但是对大规模样本学习存在学习速度慢,性能较差的问题,迁移学习针对的是小数据量的问题,而支持向量机很适合解决小数据量的问题,因此,将降噪自编码器,支持向量回归机,迁移学习三者综合起来进行时间序列的负荷预测。
本发明一个实施例还提供一种电子设备。在硬件层面,该电子设备包括处理器,可选地还包括内部总线、网络接口、存储器。其中,存储器可能包含内存,例如高速随机存取存储器(Random-Access Memory,RAM),也可能还包括非易失性存储器(non-volatilememory),例如至少1个磁盘存储器等。当然,该电子设备还可能包括其他业务所需要的硬件。
处理器、网络接口和存储器可以通过内部总线相互连接,该内部总线可以是ISA(Industry StandardArchitecture,工业标准体系结构)总线、PCI(Peripheral ComponentInterconnect,外设部件互连标准)总线或EISA(Extended IndustryStandardArchitecture,扩展工业标准结构)总线等。所述总线可以分为地址总线、数据总线、控制总线等。
存储器,用于存放程序。具体地,程序可以包括程序代码,所述程序代码包括计算机操作指令。存储器可以包括内存和非易失性存储器,并向处理器提供指令和数据。
在一种可能实现的方式中,处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行,也可从其它设备上获取相应的计算机程序,以在逻辑层面上形成一种负荷预测的方法。处理器,执行存储器所存放的程序,以通过执行的程序实现本发明任一实施例中提供的一种负荷预测的方法。
上述如本说明书图1所示实施例提供的一种负荷预测的方法执行的方法可以应用于处理器中,或者由处理器实现。处理器可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器,包括中央处理器(Central ProcessingUnit,CPU)、网络处理器(Network Processor, NP)等;还可以是数字信号处理器(DigitalSignal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field -Programmable GateArray,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本说明书实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
结合本说明书实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器,处理器读取存储器中的信息,结合其硬件完成上述方法的步骤。
本说明书实施例还提出了一种计算机可读存储介质,该计算机可读存储介质存储一个或多个程序,该一个或多个程序包括指令,该指令当被包括多个应用程序的电子设备执行时,能够使该电子设备执行本发明任一实施例中提供的一种负荷预测的方法,并具体用于执行如图1所示的方法。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元或模块分别描述。当然,在实施本说明书时可以把各单元或模块的功能在同一个或多个软件和/ 或硬件中实现。
本领域内的技术人员应明白,本说明书的实施例可提供为方法、系统、或计算机程序产品。因此,本说明书可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书是参照根据本说明书实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器 (RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本说明书的实施例可提供为方法、系统或计算机程序产品。因此,本说明书可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、 CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本说明书的实施例而已,并不用于限制本说明书。对于本领域技术人员来说,本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本说明书的权利要求范围之内。
Claims (10)
1.一种负荷预测的方法,其特征在于,所述方法包括:
获取训练数据集;
基于所述训练数据集训练多层降噪自编码器,以得到特征数据;
根据所述特征数据训练支持向量回归机;
将预测数据输入所述支持向量回归机,得到预测结果。
2.根据权利要求1所述的方法,其特征在于,所述训练数据集包括源域数据和目标域数据,
基于所述训练数据集训练多层降噪自编码器,以得到特征数据包括:
基于所述源域数据和所述目标域数据训练多层降噪自编码器,分别得到第一特征数据和第二特征数据,其中,所述第一特征数据用于作为所述支持向量回归机的训练样本数据,所述第二特征数据用于作为调节所述支持向量回归机的调试样本数据。
3.根据权利要求2所述的方法,其特征在于,根据所述特征数据训练支持向量回归机包括:
基于所述第一特征数据训练支持向量回归机,得到第一支持向量回归机;
以及,基于所述第二特征数据调节所述第一支持向量回归机,得到第二支持向量回归机。
4.根据权利要求3所述的方法,其特征在于,所述方法还包括:
通过所述训练得到的多层降噪自编码器提取所述待预测数据的特征数据;
所述将待预测数据输入所述支持向量回归机,得到预测结果包括:
将待预测数据的特征数据输入所述第二支持向量回归机,得到预测结果。
5.根据权利要求1至4中任一所述的方法,其特征在于,所述方法还包括:
通过所述训练得到的多层降噪自编码器提取测试数据集的特征数据;
将所述测试数据集的特征数据输入所述第二支持向量回归机,得到预测结果;
通过标准误差度量指标对所述预测结果进行测试度量,以确定所述第二支持向量回归机的预测精度。
6.一种负荷预测的装置,其特征在于,所述装置包括:
获取模块,用于获取训练数据集;
第一训练模块,用于基于所述训练数据集训练多层降噪自编码器,以得到特征数据;
第二训练模块,用于根据所述特征数据训练支持向量回归机;
第一预测模块,用于将预测数据输入所述支持向量回归机,得到预测结果。
7.根据权利要求6所述的装置,其特征在于,所述训练数据集包括源域数据和所述目标域数据,
所述第一训练模块包括:
第一训练单元,用于基于所述源域数据和所述目标域数据训练多层降噪自编码器,分别得到第一特征数据和第二特征数据,
其中,所述第一特征数据用于作为所述支持向量回归机的训练样本数据,所述第二特征数据用于作为调节所述支持向量回归机的调试样本数据。
8.根据权利要求7所述的装置,其特征在于,所述第二训练模块包括:
第二训练单元,用于基于所述第一特征数据训练支持向量回归机,得到第一支持向量回归机;
调节单元,用于基于所述第二特征数据调节所述第一支持向量回归机,得到第二支持向量回归机。
9.根据权利要求8所述的装置,其特征在于,所述装置还包括:
第一特征提取模块,用于通过所述训练得到的多层降噪自编码器提取所述待预测数据的特征数据;
所述预测模块包括:
第一预测单元,用于将待预测数据的特征数据输入所述第二支持向量回归机,得到预测结果。
10.根据权利要求6至9中任一所述的装置,其特征在于,所述装置还包括:
第二特征提取模块,用于通过所述训练得到的多层降噪自编码器提取测试数据集的特征数据;
输入模块,用于将所述测试数据集的特征数据输入所述第二支持向量回归机,得到预测结果;
测试模块,用于通过标准误差度量指标对所述预测结果进行测试度量,以确定所述第二支持向量回归机的预测精度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911218717.2A CN111027716A (zh) | 2019-12-03 | 2019-12-03 | 一种负荷预测的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911218717.2A CN111027716A (zh) | 2019-12-03 | 2019-12-03 | 一种负荷预测的方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111027716A true CN111027716A (zh) | 2020-04-17 |
Family
ID=70204008
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911218717.2A Pending CN111027716A (zh) | 2019-12-03 | 2019-12-03 | 一种负荷预测的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111027716A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111523683A (zh) * | 2020-07-06 | 2020-08-11 | 北京天泽智云科技有限公司 | 烟草加工中工艺参数预测方法及系统 |
CN112365098A (zh) * | 2020-12-07 | 2021-02-12 | 国网冀北电力有限公司承德供电公司 | 电力负荷的预测方法、装置、设备和存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107316061A (zh) * | 2017-06-22 | 2017-11-03 | 华南理工大学 | 一种深度迁移学习的不平衡分类集成方法 |
CN109360227A (zh) * | 2018-10-25 | 2019-02-19 | 武汉拓睿传奇科技有限公司 | 一种基于深度学习的人工智能目标跟踪方法 |
CN109670648A (zh) * | 2018-12-24 | 2019-04-23 | 新奥数能科技有限公司 | 能源数据预测模型的训练、能源数据的预测方法及装置 |
CN109948796A (zh) * | 2019-03-13 | 2019-06-28 | 腾讯科技(深圳)有限公司 | 自编码器学习方法、装置、计算机设备及存储介质 |
-
2019
- 2019-12-03 CN CN201911218717.2A patent/CN111027716A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107316061A (zh) * | 2017-06-22 | 2017-11-03 | 华南理工大学 | 一种深度迁移学习的不平衡分类集成方法 |
CN109360227A (zh) * | 2018-10-25 | 2019-02-19 | 武汉拓睿传奇科技有限公司 | 一种基于深度学习的人工智能目标跟踪方法 |
CN109670648A (zh) * | 2018-12-24 | 2019-04-23 | 新奥数能科技有限公司 | 能源数据预测模型的训练、能源数据的预测方法及装置 |
CN109948796A (zh) * | 2019-03-13 | 2019-06-28 | 腾讯科技(深圳)有限公司 | 自编码器学习方法、装置、计算机设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
任俊等: "基于SDA与SVR混合模型的迁移学习预测算法" * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111523683A (zh) * | 2020-07-06 | 2020-08-11 | 北京天泽智云科技有限公司 | 烟草加工中工艺参数预测方法及系统 |
CN112365098A (zh) * | 2020-12-07 | 2021-02-12 | 国网冀北电力有限公司承德供电公司 | 电力负荷的预测方法、装置、设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yuan et al. | A comprehensive review of binary neural network | |
CN108305158B (zh) | 一种训练风控模型和风控的方法、装置及设备 | |
CN109961107B (zh) | 目标检测模型的训练方法、装置、电子设备及存储介质 | |
TW201942826A (zh) | 支付方式推薦方法、裝置及設備 | |
CN108921566B (zh) | 一种基于图结构模型的虚假交易识别方法和装置 | |
CN109034183B (zh) | 一种目标检测方法、装置及设备 | |
CN109598414B (zh) | 风险评估模型训练、风险评估方法、装置及电子设备 | |
CN110956275A (zh) | 风险预测和风险预测模型的训练方法、装置及电子设备 | |
CN110175184B (zh) | 一种数据维度的下钻方法、系统及电子设备 | |
CN109214193B (zh) | 数据加密、机器学习模型训练方法、装置以及电子设备 | |
JP2019512126A (ja) | 機械学習システムをトレーニングする方法及びシステム | |
CN111027716A (zh) | 一种负荷预测的方法及装置 | |
CN110119860A (zh) | 一种垃圾账号检测方法、装置以及设备 | |
CN114936085A (zh) | 基于深度学习算法的etl调度方法及装置 | |
CN115238826B (zh) | 一种模型训练的方法、装置、存储介质及电子设备 | |
CN114548744A (zh) | 一种业务风险管理方法、装置及设备 | |
CN111458030B (zh) | 一种红外人体测温的校准方法以及装置 | |
CN109612900B (zh) | 一种储层岩石渗透率预测方法、装置及存储介质 | |
CN113743618A (zh) | 时间序列数据处理方法、装置、可读介质及电子设备 | |
CN111581586B (zh) | 基于套合模型的湖库水质各向异性插值方法和装置 | |
WO2021120845A1 (zh) | 一种同质风险单位特征集合生成方法、装置、设备及介质 | |
CN116976432A (zh) | 一种支持任务并行处理的芯片模拟方法、装置和芯片模拟器 | |
CN111798263A (zh) | 一种交易趋势的预测方法和装置 | |
CN116912923A (zh) | 一种图像识别模型训练方法和装置 | |
CN109598478B (zh) | 一种风测结果描述文案的生成方法、装置及电子设备 |
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: 20200417 |