CN111401642A - 自动调整预测值的方法、装置、设备及存储介质 - Google Patents
自动调整预测值的方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN111401642A CN111401642A CN202010194416.7A CN202010194416A CN111401642A CN 111401642 A CN111401642 A CN 111401642A CN 202010194416 A CN202010194416 A CN 202010194416A CN 111401642 A CN111401642 A CN 111401642A
- Authority
- CN
- China
- Prior art keywords
- value
- error
- target
- preset time
- time period
- 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
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
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及物流领域,公开了一种自动调整预测值的方法、装置、设备及存储介质,用于提高预测模型对业务量预测的预测结果准确性。自动调整预测值的方法包括:通过预置的多个预测模型和预置的历史业务数据对初始预设时段的业务量进行预测,得到初始预测值集合;根据第一预设时段的真实值序列和第一预设时段的预测值获取多个误差值集合,以及根据多个误差值集合确定误差均值集合;根据误差均值集合分别对目标取样时刻的预测值进行调整,得到目标取样时刻的目标调整值;计算目标调整值与目标取样时刻的真实值之间的目标误差值;若目标误差值小于目标阈值,则根据误差均值集合对第二预设时段的预测值进行调整。
Description
技术领域
本发明涉及物流领域,尤其涉及一种自动调整预测值的方法、装置、设备及存储介质。
背景技术
随着信息技术的发展以及预测需求的增大,越来越多的业务领域中应用到预测模型,例如:需要预测快件揽件在高峰期的业务量,以提前配置人员、车辆和设施等资源,从而保证高峰期的正常运转。为了应多领域的预测需求或者业务需求,出现了多种预测模型,比如灰色模型、线性回归、指数平滑算法和时间序列等预测模型。
在现有技术中,由于每种预测模型都有各自的侧重点和局限性,因而对于同一个预测事项,不同的预测模型得到的预测结果都不会相同,而且都是孤立的,会对业务需求方造成困惑,所选择预测模型的预测方案未必是最适宜的,从而,导致预测模型对业务量预测的预测结果准确性低。
发明内容
本发明的主要目的在于解决预测模型对业务量预测的预测结果准确性低的问题。
本发明第一方面提供了一种自动调整预测值的方法,包括:
获取预置的历史业务数据,通过预置的多个预测模型和所述预置的历史业务数据对初始预设时段的业务量进行预测,得到初始预测值集合,所述初始预测值集合包括每个预测模型在所述第一预设时段的预测值、第二预设时段的预测值和目标取样时刻的预测值,所述第一预设时段的结束时刻早于所述目标取样时刻,所述第二预设时段的起始时刻晚于所述目标取样时刻;
获取所述第一预设时段的真实值序列和所述目标取样时刻的真实值;
根据所述第一预设时段的真实值序列和所述第一预设时段的预测值获取多个误差值集合,以及根据所述多个误差值集合确定误差均值集合,所述误差均值集合包括多个误差均值,每个误差值集合都对应一个误差均值;
根据所述误差均值集合对所述目标取样时刻的预测值进行调整,得到所述目标取样时刻的目标调整值;
计算所述目标调整值与所述目标取样时刻的真实值之间的目标误差值;
判断所述目标误差值是否小于目标阈值,若所述目标误差值小于目标阈值,则根据所述误差均值集合对所述第二预设时段的预测值进行调整。
可选的,在本发明第一方面的第一种实现方式中,所述根据所述多个误差值集合确定误差均值集合,包括:判断每个误差值集合中的误差值是否均大于0或均小于0;若每个误差值集合中的误差值均大于0或均小于0,则计算对应所述第一预设时段的误差均值,得到第一误差均值;若每个误差值集合中的误差值非均大于0或非均小于0,则计算对应第三预设时段的误差均值,得到第二误差均值,所述第三预设时段的时长小于所述第一预设时段的时长,所述第三预设时段包含于所述第一预设时段;根据所述第一误差均值和所述第二误差均值生成误差均值集合。
可选的,在本发明第一方面的第二种实现方式中,所述根据所述误差均值集合对所述目标取样时刻的预测值进行调整,得到所述目标取样时刻的目标调整值,包括:根据所述误差均值集合中每个预测模型的误差均值分别对每个预测模型在所述目标取样时刻的预测值进行调整,得到多个初始调整值;根据所述多个预测模型的数量计算所述多个初始调整值的均值,得到所述目标取样时刻的目标调整值。
可选的,在本发明第一方面的第三种实现方式中,所述根据所述第一预设时段的真实值序列和所述第一预设时段的预测值获取多个误差值集合,包括:计算所述第一预设时段的真实值序列分别与每个预测模型在所述第一预设时段的预测值之间的误差值序列,得到多个候选误差值集合;通过预置的多元高斯分布的异常点检测算法对所述多个候选误差值集合进行异常值检测,将所述多个候选误差值集合中异常值对应的误差值去除,得到多个误差值集合。
可选的,在本发明第一方面的第四种实现方式中,所述若所述目标误差值小于目标阈值,则根据所述误差均值集合对所述第二预设时段的预测值进行调整之后,还包括:若所述目标误差值大于或等于所述目标阈值,则对所述误差均值集合进行调整,直到所述目标误差值小于所述目标阈值,得到调整后的误差均值集合;根据所述调整后的误差均值集合对所述目标取样时刻的预测值进行调整。
可选的,在本发明第一方面的第五种实现方式中,所述若所述目标误差值大于或等于所述目标阈值,则对所述误差均值集合进行调整,直到所述目标误差值小于所述目标阈值,得到调整后的误差均值集合,包括:若所述目标误差值大于或等于所述目标阈值,则按照预置比例对所述第一预设时段的预测值进行缩小,得到调整后的第一预设时段的预测值;根据所述第一预设时段的真实值序列和所述调整后的第一预设时段的预测值获取多个调整后的误差值集合,以及根据所述多个调整后的误差值集合确定调整后的候选误差均值集合,所述调整后的候选误差均值集合包括多个调整后的误差均值,每个调整后的误差值集合都对应一个调整后的误差均值;获取所述调整后的候选误差均值集合对应的目标误差值,并判断所述调整后的候选误差均值集合对应的目标误差值是否小于所述目标阈值;若所述调整后的候选误差均值集合对应的目标误差值小于所述目标阈值,则将所述调整后的候选误差均值集合确定为最终的调整后的误差均值集合。
可选的,在本发明第一方面的第六种实现方式中,所述若所述目标误差值小于目标阈值,则根据所述误差均值集合对所述第二预设时段的预测值进行调整之后,还包括:获取调整误差值序列,计算所述调整误差值序列的均值,得到目标误差均值,所述调整误差值序列包括对所述第二预设时段的预测值进行调整后对应的误差值序列和对所述目标取样时刻的预测值进行调整后对应的误差值;根据所述目标误差均值和预置的基于神经网络误差补偿的预测控制算法,对所述多个预测模型进行优化。
本发明第二方面提供了一种自动调整预测值的装置,包括:
预测模块,用于获取预置的历史业务数据,通过预置的多个预测模型和所述预置的历史业务数据对初始预设时段的业务量进行预测,得到初始预测值集合,所述初始预测值集合包括每个预测模型在所述第一预设时段的预测值、第二预设时段的预测值和目标取样时刻的预测值,所述第一预设时段的结束时刻早于所述目标取样时刻,所述第二预设时段的起始时刻晚于所述目标取样时刻;
获取模块,用于获取所述第一预设时段的真实值序列和所述目标取样时刻的真实值;
确定模块,用于根据所述第一预设时段的真实值序列和所述第一预设时段的预测值获取多个误差值集合,以及根据所述多个误差值集合确定误差均值集合,所述误差均值集合包括多个误差均值,每个误差值集合都对应一个误差均值;
第一调整模块,用于根据所述误差均值集合对所述目标取样时刻的预测值进行调整,得到所述目标取样时刻的目标调整值;
第一计算模块,用于计算所述目标调整值与所述目标取样时刻的真实值之间的目标误差值;
第二调整模块,用于判断所述目标误差值是否小于目标阈值,若所述目标误差值小于目标阈值,则根据所述误差均值集合对所述第二预设时段的预测值进行调整。
可选的,在本发明第二方面的第一种实现方式中,所述确定模块具体用于:判断每个误差值集合中的误差值是否均大于0或均小于0;若每个误差值集合中的误差值均大于0或均小于0,则计算对应所述第一预设时段的误差均值,得到第一误差均值;若每个误差值集合中的误差值非均大于0或非均小于0,则计算对应第三预设时段的误差均值,得到第二误差均值,所述第三预设时段的时长小于所述第一预设时段的时长,所述第三预设时段包含于所述第一预设时段;根据所述第一误差均值和所述第二误差均值生成误差均值集合。
可选的,在本发明第二方面的第二种实现方式中,所述第一调整模块具体用于:根据所述误差均值集合中每个预测模型的误差均值分别对每个预测模型在所述目标取样时刻的预测值进行调整,得到多个初始调整值;根据所述多个预测模型的数量计算所述多个初始调整值的均值,得到所述目标取样时刻的目标调整值。
可选的,在本发明第二方面的第三种实现方式中,所述确定模块具体用于:计算所述第一预设时段的真实值序列分别与每个预测模型在所述第一预设时段的预测值之间的误差值序列,得到多个候选误差值集合;通过预置的多元高斯分布的异常点检测算法对所述多个候选误差值集合进行异常值检测,将所述多个候选误差值集合中异常值对应的误差值去除,得到多个误差值集合。
可选的,在本发明第二方面的第四种实现方式中,所述自动调整预测值的装置还包括:第三调整模块,用于若所述目标误差值大于或等于所述目标阈值,则对所述误差均值集合进行调整,直到所述目标误差值小于所述目标阈值,得到调整后的误差均值集合;第四调整模块,用于根据所述调整后的误差均值集合对所述目标取样时刻的预测值进行调整。
可选的,在本发明第二方面的第五种实现方式中,所述第三调整模块具体用于:若所述目标误差值大于或等于所述目标阈值,则按照预置比例对所述第一预设时段的预测值进行缩小,得到调整后的第一预设时段的预测值;根据所述第一预设时段的真实值序列和所述调整后的第一预设时段的预测值获取多个调整后的误差值集合,以及根据所述多个调整后的误差值集合确定调整后的候选误差均值集合,所述调整后的候选误差均值集合包括多个调整后的误差均值,每个调整后的误差值集合都对应一个调整后的误差均值;获取所述调整后的候选误差均值集合对应的目标误差值,并判断所述调整后的候选误差均值集合对应的目标误差值是否小于所述目标阈值;若所述调整后的候选误差均值集合对应的目标误差值小于所述目标阈值,则将所述调整后的候选误差均值集合确定为最终的调整后的误差均值集合。
可选的,在本发明第二方面的第六种实现方式中,所述自动调整预测值的装置还包括:第二计算模块,用于获取调整误差值序列,计算所述调整误差值序列的均值,得到目标误差均值,所述调整误差值序列包括对所述第二预设时段的预测值进行调整后对应的误差值序列和对所述目标取样时刻的预测值进行调整后对应的误差值;优化模块,用于根据所述目标误差均值和预置的基于神经网络误差补偿的预测控制算法,对所述多个预测模型进行优化。
本发明第三方面提供了一种自动调整预测值的设备,包括:存储器和至少一个处理器,所述存储器中存储有指令,所述存储器和所述至少一个处理器通过线路互连;所述至少一个处理器调用所述存储器中的所述指令,以使得所述自动调整预测值的设备执行上述的自动调整预测值的方法。
本发明的第四方面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中存储有指令,当其在计算机上运行时,使得计算机执行上述的自动调整预测值的方法。
本发明提供的技术方案中,通过预置的多个预测模型和预置的历史业务数据对初始预设时段的业务量进行预测,得到初始预测值集合;获取第一预设时段的真实值序列和目标取样时刻的真实值;根据第一预设时段的真实值序列和第一预设时段的预测值获取多个误差值集合,以及根据多个误差值集合确定误差均值集合;根据误差均值集合分别对目标取样时刻的预测值进行调整,得到目标取样时刻的目标调整值;计算目标调整值与目标取样时刻的真实值之间的目标误差值;判断目标误差值是否小于目标阈值,若目标误差值小于目标阈值,则根据误差均值集合对第二预设时段的预测值进行调整。本发明中,通过根据预置的调整方案、真实值序列以及预测值、多个误差值集合和误差均值集合对目标取样时刻的预测值和第二预设时段的预测值进行调整,通过在多种预测方案兼备以保证预测结果准确性的情况下,对一系列的预测值进行调整,以获得唯一的接近真实值的目标调整值,提高了预测模型对业务量预测的预测结果准确性。
附图说明
图1为本发明实施例中自动调整预测值的方法的一个实施例示意图;
图2为本发明实施例中自动调整预测值的方法的另一个实施例示意图;
图3为本发明实施例中自动调整预测值的装置的一个实施例示意图;
图4为本发明实施例中自动调整预测值的装置的另一个实施例示意图;
图5为本发明实施例中自动调整预测值的设备的一个实施例示意图。
具体实施方式
本发明实施例提供了一种自动调整预测值的方法、装置、设备及存储介质,通过根据预置的调整方案、真实值序列以及预测值、多个误差值集合和误差均值集合对目标取样时刻的预测值和第二预设时段的预测值进行调整,通过在多种预测方案兼备以保证预测结果准确性的情况下,对一系列的预测值进行调整,以获得唯一的接近真实值的目标调整值,提高了预测模型对业务量预测的预测结果准确性。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外,术语“包括”或“具有”及其任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解,下面对本发明实施例的具体流程进行描述,请参阅图1,本发明实施例中自动调整预测值的方法的一个实施例包括:
101、获取预置的历史业务数据,通过预置的多个预测模型和预置的历史业务数据对初始预设时段的业务量进行预测,得到初始预测值集合,初始预测值集合包括每个预测模型在第一预设时段的预测值、第二预设时段的预测值和目标取样时刻的预测值,第一预设时段的结束时刻早于目标取样时刻,第二预设时段的起始时刻晚于目标取样时刻;
可以理解的是,本发明的执行主体可以为自动调整预测值的装置,还可以是终端或者服务器,具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。
服务器可通过预置检索引擎对预置数据库进行检索,得到业务部门关注的历史业务数据,该历史业务数据为初始预设时段前的历年的业务数据,历史业务数据可包括初始预设时段前的一个或多个历年的业务数据,例如:初始预设时段的业务量预测为2019/11/1-2019/11/20的预测快件揽件量,则历史业务数据可为2018/11/1-2018/11/20的实际快件揽件量,历史业务数据也可为2017/11/1-2017/11/20的实际快件揽件量和2018/11/1-2018/11/20的实际快件揽件量。通过预置的神经网络模型、随机森林决策树和移动平均模型等多个预测模型和预置的历史业务数据进行初始预设时段的业务量预测,得到初始预测值集合,例如:历史业务数据为2018/11/1-2018/11/20的实际快件揽件量,则通过预测模型A、预测模型B、预测模型C和预测模型D对历史业务数据进行2019/11/1-2019/11/20的业务量预测,得到所需时间段(2019/11/11-2019/11/20)内的预测值和所需时间段前10天(2019/11/1-2019/11/10)的预测值,即各模型分别对应2019/11/01-2019/11/20的预测快件揽件量(即初始预测值集合),其中,初始预设时段为2019/11/1-2019/11/20,第一预设时段为2019/11/1-2019/11/8,第二预设时段为2019/11/10-2019/11/20,目标采样时刻为2019/11/9,如表1所示。
表1:初始预测值集合
日期 | 日期 | 预测模型A | 预测模型B | 预测模型C | 预测模型D |
T0-10 | 2019/11/1 | 18070413 | 18106536 | 17527056 | 18996460 |
T0-9 | 2019/11/2 | 17048910 | 17939494 | 17188942 | 18717569 |
T0-8 | 2019/11/3 | 16759329 | 17318571 | 16292077 | 18031904 |
T0-7 | 2019/11/4 | 18793684 | 17363476 | 15660135 | 17277976 |
T0-6 | 2019/11/5 | 18844167 | 18727753 | 16416988 | 17992277 |
T0-5 | 2019/11/6 | 18884301 | 18732970 | 16098000 | 18948649 |
T0-4 | 2019/11/7 | 18425286 | 18782330 | 15844503 | 19062111 |
T0-3 | 2019/11/8 | 17708569 | 18285264 | 15303189 | 18615464 |
T0-2 | 2019/11/9 | 17267732 | 17557204 | 14839417 | 17989758 |
T0-1 | 2019/11/10 | 16063295 | 17105219 | 14729000 | 17447958 |
T0 | 2019/11/11 | 59243353 | 64247948 | 49353895 | 57519419 |
T0+1 | 2019/11/12 | 54693874 | 56955162 | 45634107 | 53690851 |
T0+2 | 2019/11/13 | 50906767 | 43821124 | 34856872 | 41043506 |
T0+3 | 2019/11/14 | 40244355 | 34658226 | 27399726 | 32683247 |
T0+4 | 2019/11/15 | 31458911 | 28256861 | 22803999 | 27522466 |
T0+5 | 2019/11/16 | 25970951 | 25516862 | 20827670 | 24984924 |
T0+6 | 2019/11/17 | 23889493 | 23584738 | 19468170 | 23193513 |
T0+7 | 2019/11/18 | 21835617 | 22219934 | 18323039 | 21675501 |
T0+8 | 2019/11/19 | 25165055 | 22972576 | 19023895 | 22323783 |
T0+9 | 2019/11/20 | 21911909 | 22576559 | 18872109 | 23132594 |
102、获取第一预设时段的真实值序列和目标取样时刻的真实值;
服务器根据第一预设时段和目标取样时刻的哈希值对已存储的实际业务量散列表进行检索,分别得到第一预设时段的真实值序列和目标取样时刻的真实值。例如:已存储的实际业务量数据为2019年每天的实际快件揽件量,则对2019年每天的实际快件揽件量进行检索,从2019年每天的实际快件揽件量中获取2019/11/1-2019/11/8(第一预设时段)的实际快件揽件量(即真实值序列),以及2019/11/9(目标取样时刻)的实际快件揽件量(即真实值)。
103、根据第一预设时段的真实值序列和第一预设时段的预测值获取多个误差值集合,以及根据多个误差值集合确定误差均值集合,误差均值集合包括多个误差均值,每个误差值集合都对应一个误差均值;
服务器在计算多个误差值集合中每个误差值集合的每个误差值时,可通过计算各个预测模型第一预设时段的预测值和第一预设时段的真实值序列之间的误差百分比或误差差值,从而得到多个误差值集合,例如:预测模型A第一预设时段的预测值为A1和A2,第一预设时段的真实值序列为B1和B2,则误差值为C1=A1-B1或C1=(A1-B1)/B1*%,C2=A2-B2或C2=(A2-B2)/B2*%,预测模型B第一预设时段的预测值为A3和A4,第一预设时段的真实值序列为B3和B4,则误差值为C3=A3-B3或C3=(A3-B3)/B3*%,C4=A4-B4或C4=(A4-B4)/B2*%,预测模型A的误差值集合为C1和C2,预测模型B的误差值集合为C3和C4,多个误差值集合为预测模型A的误差值集合和预测模型B的误差值集合。服务器根据多个误差值集合确定误差均值集合时,先按照预设判断规则对多个误差值集合中每个误差值集合的误差值序列进行判断得到判断结果,根据该判断结果以及对应的预置计算规则来计算每个预测模型的误差均值,从而获得误差均值集合。
104、根据误差均值集合对目标取样时刻的预测值进行调整,得到目标取样时刻的目标调整值;
目标取样时刻的预测值包括多个预测模型分别对应目标取样时刻的预测值,例如:目标取样时刻为2019/11/9,则目标取样时刻的预测值为预测模型A、预测模型B、预测模型C和预测模型D分别对应2019/11/9的预测快件揽件量17267732、17557204、14839417和17989758。根据预置的调整规则和误差均值集合对每个预测模型目标取样时刻的预测值进行调整,从而获得目标取样时刻的目标调整值,该目标调整值为一个数值,例如:误差均值集合为戊和己,目标取样时刻的预测值为甲1(预测模型A目标取样时刻的预测值)和乙1(预测模型B目标取样时刻的预测值),则经过调整后,得到的目标取样时刻的目标调整值为申。
105、计算目标调整值与目标取样时刻的真实值之间的目标误差值;
服务器计算目标调整值与目标取样时刻的真实值之间的误差百分比或误差差值,得到目标误差值,例如:目标取样时刻的真实值为2019/11/09的实际快件揽件量15361680,目标调整值为15733371,则目标误差值为(15733371-15361680)/15361680*100%=2.42%。
106、判断目标误差值是否小于目标阈值,若目标误差值小于目标阈值,则根据误差均值集合对第二预设时段的预测值进行调整。
服务器获得目标误差值之后,通过将目标误差值与目标阈值之间的大小进行比较,来判断目标调整值与真实值是否比较接近,若两者比较接近(小于目标阈值),则对第二预设时段的预测值进行调整;若是两者之间误差较大(大于或等于预设阈值),则进行优化,操作的方法步骤不变,仅调整第一预设时段和第四预设时段的时间窗口,该第四预设时段包含于第一预设时段,且第四预设时段的时长小于第一预设时段的时长,重新对目标取样时刻的预测值进行调整,或者通过将误差均值集合乘以预设系数,以使得目标误差值小于目标阈值,得到调整后的误差均值集合,根据调整误差均值集合对目标取样时刻的预测值进行调整。通过在多种预测方案兼备以保证预测结果准确性的情况下,对一系列的预测值进行调整,以获得唯一的接近真实值的预测值,提高了预测模型对业务量预测的预测结果准确性,从而提高了业务配置资源的合理化,保证了业务各流程操作的正常运转,避免了由于资源不足或过剩所造成的不必要的经济损失。
本发明实施例中,通过根据预置的调整方案、真实值序列以及预测值、多个误差值集合和误差均值集合对目标取样时刻的预测值和第二预设时段的预测值进行调整,通过在多种预测方案兼备以保证预测结果准确性的情况下,对一系列的预测值进行调整,以获得唯一的接近真实值的调整预测值,提高了预测模型对业务量预测的预测结果准确性。
请参阅图2,本发明实施例中自动调整预测值的方法的另一个实施例包括:
201、获取预置的历史业务数据,通过预置的多个预测模型和预置的历史业务数据对初始预设时段的业务量进行预测,得到初始预测值集合,初始预测值集合包括每个预测模型在第一预设时段的预测值、第二预设时段的预测值和目标取样时刻的预测值,第一预设时段的结束时刻早于目标取样时刻,第二预设时段的起始时刻晚于目标取样时刻;
服务器可通过预置检索引擎对预置数据库进行检索,获得业务部门关注的历史业务数据,该历史业务数据可包括初始预设时段前的一个或多个历年的业务数据,例如:初始预设时段的业务量预测为2019/11/1-2019/11/20的预测快件揽件量,则历史业务数据可为2018/11/1-2018/11/20的实际快件揽件量,历史业务数据也可为2017/11/1-2017/11/20的实际快件揽件量和2018/11/1-2018/11/20的实际快件揽件量。通过预置的神经网络模型、随机森林决策树和移动平均模型等多个预测模型和预置的历史业务数据进行初始预设时段的业务量预测,得到初始预测值集合,例如:历史业务数据为2018/11/1-2018/11/20的实际快件揽件量,多个预测模型分别为预测模型A、预测模型B、预测模型C和预测模型D,则通过预测模型A、预测模型B、预测模型C和预测模型D对历史业务数据进行2019/11/1-2019/11/20的业务量预测,得到预测模型A、预测模型B、预测模型C和预测模型D分别对应2019/11/1-2019/11/20的预测快件揽件量(即初始预测值集合),其中,初始预设时段为2019/11/1-2019/11/20,第一预设时段为2019/11/1-2019/11/8,第二预设时段为2019/11/10-2019/11/20,目标采样时刻为2019/11/9,如表1所示。
202、获取第一预设时段的真实值序列和目标取样时刻的真实值;
服务器根据第一预设时段和目标取样时刻的哈希值对已存储的实际业务量散列表进行检索,分别得到第一预设时段的真实值序列和目标取样时刻的真实值。例如:已存储的实际业务量数据为2019年每天的实际快件揽件量,则对2019年每天的实际快件揽件量进行检索,从2019年每天的实际快件揽件量中获取2019/11/1-2019/11/8(第一预设时段)的实际快件揽件量(即真实值序列),以及2019/11/9(目标取样时刻)的实际快件揽件量(即真实值)。
203、根据第一预设时段的真实值序列和第一预设时段的预测值获取多个误差值集合,以及根据多个误差值集合确定误差均值集合,误差均值集合包括多个误差均值,每个误差值集合都对应一个误差均值;
具体地,服务器根据多个误差值集合确定误差均值集合,包括:判断每个误差值集合中的误差值是否均大于0或均小于0;若每个误差值集合中的误差值均大于0或均小于0,则计算对应第一预设时段的误差均值,得到第一误差均值;若每个误差值集合中的误差值非均大于0或非均小于0,则计算对应第三预设时段的误差均值,得到第二误差均值,第三预设时段的时长小于第一预设时段的时长,第三预设时段包含于第一预设时段;根据第一误差均值和第二误差均值生成误差均值集合。
例如:如表2所示,多个误差值集合为预测模型A、预测模型B、预测模型C和预测模型D分别对应2019/11/1-2019/11/8的误差值集合,预测模型A的误差值集合中的误差值均大于0,预测模型B的误差值集合中的误差值均大于0、预测模型C的误差值集合中的误差值部分大于0和部分小于0,预测模型D的误差值集合中的误差值均大于0,预测模型A、预测模型B和预测模型D的误差均值分别为2019/11/1-2019/11/8的误差均值,预测模型C误差值集合中的误差值正负参半,则预测模型C的误差均值为2019/11/6-2019/11/8的误差均值,为[-4.79%+(-3.56%)+(-3.81%)]/3=-3.81%,其中,第一预设时段为8天,即2019/11/1-2019/11/8,第三预设时段为3天,即2019/11/6-2019/11/8。
表2:多个误差值集合
具体地,服务器根据第一预设时段的真实值序列和第一预设时段的预测值获取多个误差值集合,可以包括:计算第一预设时段的真实值序列分别与每个预测模型在第一预设时段的预测值之间的误差值序列,得到多个候选误差值集合;通过预置的多元高斯分布的异常点检测算法对多个候选误差值集合进行异常值检测,将多个候选误差值集合中异常值对应的误差值去除,得到多个误差值集合。
服务器在获得多个候选误差值集合后,通过预置的多元高斯分布的异常点检测算法计算多个候选误差值集合中每个候选误差值集合的均值向量和协方差矩阵,根据该均值向量和协方差矩阵计算概率值,根据该概率值与预设的阈值的比较,判断每个候选误差值序列中的异常值,以对多个候选误差值集合中每个候选误差值集合进行筛选,从而避免误差值的异常干扰,提高误差均值集合的准确性和保证误差均值集合的质量。
204、根据误差均值集合对目标取样时刻的预测值进行调整,得到目标取样时刻的目标调整值;
具体地,服务器根据误差均值集合对目标取样时刻的预测值进行调整,得到目标取样时刻的目标调整值,可以包括:根据误差均值集合中每个预测模型的误差均值分别对每个预测模型在目标取样时刻的预测值进行调整,得到多个初始调整值;根据多个预测模型的数量计算多个初始调整值的均值,得到目标取样时刻的目标调整值。
服务器根据每个预测模型的误差均值对目标取样时刻的预测值进行调整后,得到每个预测模型对应目标采样时刻的初始调整值(即多个初始调整值),将多个初始调整值的均值确定为目标取样时刻的目标调整值,从而实现对目标取样时刻的预测值的调整。例如:结合表1和表2,可得预测模型A的初始调整值XA=17267732/(1+10.10%)=15683680,预测模型B的初始调整值XB=17557204/(1+10.75%)=15853006,预测模型D的初始调整值XD=17989758/(1+12.65%)=15969603,预测模型C的初始调整值值XC=14839417/(1+(-3.81%))=15427193,XA、XB、XC和XD为多个初始调整值,多个预测模型的数量为4,从而得到目标采样时刻的目标调整值为Y=(XA+XB+XC+XD)/4=(15683680+15853006+15427193+15969603)/4=15733371,2019/11/9的实际快件揽件量为15361680,与调整预测值Y的误差为2.42%。通过上述操作,提高了预测模型对业务量预测的预测结果准确性。
205、计算目标调整值与目标取样时刻的真实值之间的目标误差值;
服务器计算目标调整值与目标取样时刻的真实值之间的误差百分比或误差差值,得到目标误差值,例如:目标取样时刻的真实值为2019/11/9的实际快件揽件量15361680,目标调整值为15733371,则目标误差值为(15733371-15361680)/15361680*100%=2.42%。
206、判断目标误差值是否小于目标阈值,若目标误差值小于目标阈值,则根据误差均值集合对第二预设时段的预测值进行调整;
具体地,服务器若目标误差值小于目标阈值,则根据误差均值集合对第二预设时段的预测值进行调整之后,还可以包括:若目标误差值大于或等于目标阈值,则对误差均值集合进行调整,直到目标误差值小于目标阈值,得到调整后的误差均值集合;根据调整后的误差均值集合对目标取样时刻的预测值进行调整。
例如:目标采样时刻为2019/11/9,目标阈值为|±5.01%|,则通过将多个误差值集合乘以或减去预置系数,得到多个调整后的误差值集合,将多个调整后的误差值集合均值确定为调整后的误差均值集合,以实现对误差均值集合进行调整,根据调整后的误差均值集合对目标取样时刻的预测值进行调整,得到调整值,计算该调整值与目标取样时刻的真实值的目标误差值,将该目标误差值与目标阈值之间的大小进行比较,若该目标误差值大于或等于目标阈值,则按照上述操作步骤对误差均值集合进行调整,直到目标误差值小于目标阈值。
具体地,服务器对误差均值集合进行调整,直到目标误差值小于预设阈值,得到调整后的误差均值集合,包括:若目标误差值大于或等于预设阈值,则按照预置比例对第一预设时段的预测值进行缩小,得到调整后的第一预设时段的预测值;根据第一预设时段的真实值序列和调整后的第一预设时段的预测值获取多个调整后的误差值集合,以及根据多个调整后的误差值集合确定调整后的候选误差均值集合,调整后的候选误差均值集合包括多个调整后的误差均值,每个调整后的误差值集合都对应一个调整后的误差均值;获取调整后的候选误差均值集合对应的目标误差值,并判断调整后的候选误差均值集合对应的目标误差值是否小于目标阈值;若调整后的候选误差均值集合对应的目标误差值小于目标阈值,则将调整后的候选误差均值集合确定为最终的调整后的误差均值集合。
例如:第一预设时段的预测值为预测模型A第一预设时段的预测值E和F,以及预测模型B第一预设时段的预测值G和H,第一预设时段的真实值序列为I和J,目标误差值大于目标阈值,目标误差值大于目标阈值,则按照预置比例乘以E、F、G和H,得到E1、F1、G1和H1,得到多个调整后的误差值集合为E1-I、F1-J、G1-I和H1-J,则调整后的误差均值集合为预测模型A的(误差均值E1-I+F1-J)/2和预测模型B的误差均值(G1-I+H1-J)/2,获取调整后的误差均值集合所对应的目标误差值,判断该目标误差值是否小于预设阈值,若是,则停止调整,若否,则继续按照上述操作步骤进行调整。
207、获取调整误差值序列,计算调整误差值序列的均值,得到目标误差均值,调整误差值序列包括对第二预设时段的预测值进行调整后对应的误差值序列和对目标取样时刻的预测值进行调整后对应的误差值;
服务器在根据调整后的误差均值集合对目标取样时刻的预测值进行调整后,得到对应的预测调整值,以及根据误差均值集合对第二预设时段的预测值进行调整后,得到对应的预测调整值序列,获取预测调整值对应的真实值和预测调整值序列对应的真实值序列,并根据预测调整值和预测调整值对应的真实值得到对应的误差值,根据预测调整值序列和预测调整值序列对应的真实值序列得到对应的误差值序列,从而获得调整误差值序列,如表3所示。服务器可通过按照预置的权重值比例计算调整误差值序列的加权平均值,得到目标误差均值,也可通过计算调整误差值序列的算术平均值,得到目标误差均值。
表3:调整误差值序列
日期 | 真实值 | 调整预测值 | 调整误差值序列 |
2019/11/10 | 15893280 | 15186948 | -4.44% |
2019/11/11 | 53896740 | 53884929 | -0.02% |
2019/11/12 | 51389460 | 49501391 | -3.67% |
2019/11/13 | 39578100 | 40125523 | 1.38% |
2019/11/14 | 30838800 | 31688609 | 2.76% |
208、根据目标误差均值和预置的基于神经网络误差补偿的预测控制算法,对多个预测模型进行优化。
通过预置的基于神经网络误差补偿的预测控制算法将调整误差值序列的均值(即目标误差均值)对每个预测模型的算法和权重进行调整,以及对每个预测模型的神经网络结构进行神经网络误差补偿的动态矩阵控制(即优化),以实现对多个预测模型进行优化。通过上述步骤对多个预测模型进行优化,提高每个预测模型的预测准确度,进而提高了预测模型对业务量预测的预测结果准确性。
本发明实施例中,在通过在多种预测方案兼备以保证预测结果准确性的情况下,对一系列的预测值进行调整,以获得唯一的接近真实值的目标调整值,提高了预测模型对业务量预测的预测结果准确性的基础上,通过预置的基于神经网络误差补偿的预测控制算法和目标误差均值对每个预测模型的算法和权重进行调整,以及对每个预测模型的神经网络结构进行神经网络误差补偿的动态矩阵控制,提高每个预测模型的预测准确度,进而提高了预测模型对业务量预测的预测结果准确性。
上面对本发明实施例中自动调整预测值的方法进行了描述,下面对本发明实施例中自动调整预测值的装置进行描述,请参阅图3,本发明实施例中自动调整预测值的装置一个实施例包括:
预测模块301,用于获取预置的历史业务数据,通过预置的多个预测模型和预置的历史业务数据对初始预设时段的业务量进行预测,得到初始预测值集合,初始预测值集合包括每个预测模型在第一预设时段的预测值、第二预设时段的预测值和目标取样时刻的预测值,第一预设时段的结束时刻早于目标取样时刻,第二预设时段的起始时刻晚于目标取样时刻;
获取模块302,用于获取第一预设时段的真实值序列和目标取样时刻的真实值;
确定模块303,用于根据第一预设时段的真实值序列和第一预设时段的预测值获取多个误差值集合,以及根据多个误差值集合确定误差均值集合,误差均值集合包括多个误差均值,每个误差值集合都对应一个误差均值;
第一调整模块304,用于根据误差均值集合对目标取样时刻的预测值进行调整,得到目标取样时刻的目标调整值;
第一计算模块305,用于计算目标调整值与目标取样时刻的真实值之间的目标误差值;
第二调整模块306,用于判断目标误差值是否小于目标阈值,若目标误差值小于目标阈值,则根据误差均值集合对第二预设时段的预测值进行调整。
上述自动调整预测值的装置中各个模块的功能实现与上述自动调整预测值的方法实施例中各步骤相对应,其功能和实现过程在此处不再一一赘述。
本发明实施例中,通过根据预置的调整方案、真实值序列以及预测值、多个误差值集合和误差均值集合对目标取样时刻的预测值和第二预设时段的预测值进行调整,通过在多种预测方案兼备以保证预测结果准确性的情况下,对一系列的预测值进行调整,以获得唯一的接近真实值的目标调整值,提高了预测模型对业务量预测的预测结果准确性。
请参阅图4,本发明实施例中自动调整预测值的装置的另一个实施例包括:
预测模块301,用于获取预置的历史业务数据,通过预置的多个预测模型和预置的历史业务数据对初始预设时段的业务量进行预测,得到初始预测值集合,初始预测值集合包括每个预测模型在第一预设时段的预测值、第二预设时段的预测值和目标取样时刻的预测值,第一预设时段的结束时刻早于目标取样时刻,第二预设时段的起始时刻晚于目标取样时刻;
获取模块302,用于获取第一预设时段的真实值序列和目标取样时刻的真实值;
确定模块303,用于根据第一预设时段的真实值序列和第一预设时段的预测值获取多个误差值集合,以及根据多个误差值集合确定误差均值集合,误差均值集合包括多个误差均值,每个误差值集合都对应一个误差均值;
第一调整模块304,用于根据误差均值集合对目标取样时刻的预测值进行调整,得到目标取样时刻的目标调整值;
第一计算模块305,用于计算目标调整值与目标取样时刻的真实值之间的目标误差值;
第二调整模块306,用于判断目标误差值是否小于目标阈值,若目标误差值小于目标阈值,则根据误差均值集合对第二预设时段的预测值进行调整;
第二计算模块307,用于获取调整误差值序列,计算调整误差值序列的均值,得到目标误差均值,调整误差值序列包括对第二预设时段的预测值进行调整后对应的误差值序列和对目标取样时刻的预测值进行调整后对应的误差值;
优化模块308,用于根据目标误差均值和预置的基于神经网络误差补偿的预测控制算法,对多个预测模型进行优化。
可选的,确定模块303还可以具体用于:
判断每个误差值集合中的误差值是否均大于0或均小于0;若每个误差值集合中的误差值均大于0或均小于0,则计算对应第一预设时段的误差均值,得到第一误差均值;若每个误差值集合中的误差值非均大于0或非均小于0,则计算对应第三预设时段的误差均值,得到第二误差均值,第三预设时段的时长小于第一预设时段的时长,第三预设时段包含于第一预设时段;根据第一误差均值和第二误差均值生成误差均值集合。
可选的,第一调整模块304还可以具体用于:
根据误差均值集合中每个预测模型的误差均值分别对每个预测模型在目标取样时刻的预测值进行调整,得到多个初始调整值;根据多个预测模型的数量计算多个初始调整值的均值,得到目标取样时刻的目标调整值。
可选的,确定模块303还可以具体用于:
计算第一预设时段的真实值序列分别与每个预测模型在第一预设时段的预测值之间的误差值序列,得到多个候选误差值集合;通过预置的多元高斯分布的异常点检测算法对多个候选误差值集合进行异常值检测,将多个候选误差值集合中异常值对应的误差值去除,得到多个误差值集合。
可选的,自动调整预测值的装置还包括:
第三调整模块,用于若目标误差值大于或等于目标阈值,则对误差均值集合进行调整,直到目标误差值小于目标阈值,得到调整后的误差均值集合;第四调整模块,用于根据调整后的误差均值集合对目标取样时刻的预测值进行调整。
可选的,第三调整模块还可以具体用于:
若目标误差值大于或等于目标阈值,则按照预置比例对第一预设时段的预测值进行缩小,得到调整后的第一预设时段的预测值;根据第一预设时段的真实值序列和调整后的第一预设时段的预测值获取多个调整后的误差值集合,以及根据多个调整后的误差值集合确定调整后的候选误差均值集合,调整后的候选误差均值集合包括多个调整后的误差均值,每个调整后的误差值集合都对应一个调整后的误差均值;获取调整后的候选误差均值集合对应的目标误差值,并判断调整后的候选误差均值集合对应的目标误差值是否小于目标阈值;若调整后的候选误差均值集合对应的目标误差值小于目标阈值,则将调整后的候选误差均值集合确定为最终的调整后的误差均值集合。
上述自动调整预测值的装置中各模块和各单元的功能实现与上述自动调整预测值的方法实施例中各步骤相对应,其功能和实现过程在此处不再一一赘述。
本发明实施例中,在通过在多种预测方案兼备以保证预测结果准确性的情况下,对一系列的预测值进行调整,以获得唯一的接近真实值的目标调整值,提高了预测模型对业务量预测的预测结果准确性的基础上,通过预置的基于神经网络误差补偿的预测控制算法和目标误差均值对每个预测模型的算法和权重进行调整,以及对每个预测模型的神经网络结构进行神经网络误差补偿的动态矩阵控制,以提高每个预测模型的预测准确度,进而提高了预测模型对业务量预测的预测结果准确性。
上面图3和图4从模块化功能实体的角度对本发明实施例中的自动调整预测值的装置进行详细描述,下面从硬件处理的角度对本发明实施例中自动调整预测值的设备进行详细描述。
图5是本发明实施例提供的一种自动调整预测值的设备的结构示意图,该自动调整预测值的设备500可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上处理器(central processing units,CPU)510(例如,一个或一个以上处理器)和存储器520,一个或一个以上存储应用程序533或数据532的存储介质530(例如一个或一个以上海量存储设备)。其中,存储器520和存储介质530可以是短暂存储或持久存储。存储在存储介质530的程序可以包括一个或一个以上模块(图示没标出),每个模块可以包括对自动调整预测值的设备500中的一系列指令操作。更进一步地,处理器510可以设置为与存储介质530通信,在自动调整预测值的设备500上执行存储介质530中的一系列指令操作。
自动调整预测值的设备500还可以包括一个或一个以上电源540,一个或一个以上有线或无线网络接口550,一个或一个以上输入输出接口560,和/或,一个或一个以上操作系统531,例如Windows Serve,Mac OS X,Unix,Linux,FreeBSD等等。本领域技术人员可以理解,图5示出的自动调整预测值的设备结构并不构成对自动调整预测值的设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
本发明还提供一种计算机可读存储介质,该计算机可读存储介质可以为非易失性计算机可读存储介质,该计算机可读存储介质也可以为易失性计算机可读存储介质,所述计算机可读存储介质中存储有指令,当所述指令在计算机上运行时,使得计算机执行所述自动调整预测值的方法的步骤。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(read-only memory,ROM)、随机存取存储器(random access memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种自动调整预测值的方法,其特征在于,所述自动调整预测值的方法包括:
获取预置的历史业务数据,通过预置的多个预测模型和所述预置的历史业务数据对初始预设时段的业务量进行预测,得到初始预测值集合,所述初始预测值集合包括每个预测模型在所述第一预设时段的预测值、第二预设时段的预测值和目标取样时刻的预测值,所述第一预设时段的结束时刻早于所述目标取样时刻,所述第二预设时段的起始时刻晚于所述目标取样时刻;
获取所述第一预设时段的真实值序列和所述目标取样时刻的真实值;
根据所述第一预设时段的真实值序列和所述第一预设时段的预测值获取多个误差值集合,以及根据所述多个误差值集合确定误差均值集合,所述误差均值集合包括多个误差均值,每个误差值集合都对应一个误差均值;
根据所述误差均值集合对所述目标取样时刻的预测值进行调整,得到所述目标取样时刻的目标调整值;
计算所述目标调整值与所述目标取样时刻的真实值之间的目标误差值;
判断所述目标误差值是否小于目标阈值,若所述目标误差值小于目标阈值,则根据所述误差均值集合对所述第二预设时段的预测值进行调整。
2.根据权利要求1所述的自动调整预测值的方法,其特征在于,所述根据所述多个误差值集合确定误差均值集合,包括:
判断每个误差值集合中的误差值是否均大于0或均小于0;
若每个误差值集合中的误差值均大于0或均小于0,则计算对应所述第一预设时段的误差均值,得到第一误差均值;
若每个误差值集合中的误差值非均大于0或非均小于0,则计算对应第三预设时段的误差均值,得到第二误差均值,所述第三预设时段的时长小于所述第一预设时段的时长,所述第三预设时段包含于所述第一预设时段;
根据所述第一误差均值和所述第二误差均值生成误差均值集合。
3.根据权利要求2所述的自动调整预测值的方法,其特征在于,所述根据所述误差均值集合对所述目标取样时刻的预测值进行调整,得到所述目标取样时刻的目标调整值,包括:
根据所述误差均值集合中每个预测模型的误差均值分别对每个预测模型在所述目标取样时刻的预测值进行调整,得到多个初始调整值;
根据所述多个预测模型的数量计算所述多个初始调整值的均值,得到所述目标取样时刻的目标调整值。
4.根据权利要求1所述的自动调整预测值的方法,其特征在于,所述根据所述第一预设时段的真实值序列和所述第一预设时段的预测值获取多个误差值集合,包括:
计算所述第一预设时段的真实值序列分别与每个预测模型在所述第一预设时段的预测值之间的误差值序列,得到多个候选误差值集合;
通过预置的多元高斯分布的异常点检测算法对所述多个候选误差值集合进行异常值检测,将所述多个候选误差值集合中异常值对应的误差值去除,得到多个误差值集合。
5.根据权利要求1所述的自动调整预测值的方法,其特征在于,所述若所述目标误差值小于目标阈值,则根据所述误差均值集合对所述第二预设时段的预测值进行调整之后,还包括:
若所述目标误差值大于或等于所述目标阈值,则对所述误差均值集合进行调整,直到所述目标误差值小于所述目标阈值,得到调整后的误差均值集合;
根据所述调整后的误差均值集合对所述目标取样时刻的预测值进行调整。
6.根据权利要求5所述的自动调整预测值的方法,其特征在于,所述若所述目标误差值大于或等于所述目标阈值,则对所述误差均值集合进行调整,直到所述目标误差值小于所述目标阈值,得到调整后的误差均值集合,包括:
若所述目标误差值大于或等于所述目标阈值,则按照预置比例对所述第一预设时段的预测值进行缩小,得到调整后的第一预设时段的预测值;
根据所述第一预设时段的真实值序列和所述调整后的第一预设时段的预测值获取多个调整后的误差值集合,以及根据所述多个调整后的误差值集合确定调整后的候选误差均值集合,所述调整后的候选误差均值集合包括多个调整后的误差均值,每个调整后的误差值集合都对应一个调整后的误差均值;
获取所述调整后的候选误差均值集合对应的目标误差值,并判断所述调整后的候选误差均值集合对应的目标误差值是否小于所述目标阈值;
若所述调整后的候选误差均值集合对应的目标误差值小于所述目标阈值,则将所述调整后的候选误差均值集合确定为最终的调整后的误差均值集合。
7.根据权利要求1-6中任一项所述的自动调整预测值的方法,其特征在于,所述若所述目标误差值小于目标阈值,则根据所述误差均值集合对所述第二预设时段的预测值进行调整之后,还包括:
获取调整误差值序列,计算所述调整误差值序列的均值,得到目标误差均值,所述调整误差值序列包括对所述第二预设时段的预测值进行调整后对应的误差值序列和对所述目标取样时刻的预测值进行调整后对应的误差值;
根据所述目标误差均值和预置的基于神经网络误差补偿的预测控制算法,对所述多个预测模型进行优化。
8.一种自动调整预测值的装置,其特征在于,所述自动调整预测值的装置包括:
预测模块,用于获取预置的历史业务数据,通过预置的多个预测模型和所述预置的历史业务数据对初始预设时段的业务量进行预测,得到初始预测值集合,所述初始预测值集合包括每个预测模型在所述第一预设时段的预测值、第二预设时段的预测值和目标取样时刻的预测值,所述第一预设时段的结束时刻早于所述目标取样时刻,所述第二预设时段的起始时刻晚于所述目标取样时刻;
获取模块,用于获取所述第一预设时段的真实值序列和所述目标取样时刻的真实值;
确定模块,用于根据所述第一预设时段的真实值序列和所述第一预设时段的预测值获取多个误差值集合,以及根据所述多个误差值集合确定误差均值集合,所述误差均值集合包括多个误差均值,每个误差值集合都对应一个误差均值;
第一调整模块,用于根据所述误差均值集合对所述目标取样时刻的预测值进行调整,得到所述目标取样时刻的目标调整值;
第一计算模块,用于计算所述目标调整值与所述目标取样时刻的真实值之间的目标误差值;
第二调整模块,用于判断所述目标误差值是否小于目标阈值,若所述目标误差值小于目标阈值,则根据所述误差均值集合对所述第二预设时段的预测值进行调整。
9.一种自动调整预测值的设备,其特征在于,所述自动调整预测值的设备包括:存储器和至少一个处理器,所述存储器中存储有指令,所述存储器和所述至少一个处理器通过线路互连;
所述至少一个处理器调用所述存储器中的所述指令,以使得所述自动调整预测值的设备执行如权利要求1-7中任意一项所述的自动调整预测值的方法。
10.一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-7中任一项所述自动调整预测值的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010194416.7A CN111401642A (zh) | 2020-03-19 | 2020-03-19 | 自动调整预测值的方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010194416.7A CN111401642A (zh) | 2020-03-19 | 2020-03-19 | 自动调整预测值的方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111401642A true CN111401642A (zh) | 2020-07-10 |
Family
ID=71428869
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010194416.7A Pending CN111401642A (zh) | 2020-03-19 | 2020-03-19 | 自动调整预测值的方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111401642A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112882896A (zh) * | 2021-02-23 | 2021-06-01 | 广州虎牙科技有限公司 | 数据监控方法、装置和电子设备 |
CN113514050A (zh) * | 2021-04-01 | 2021-10-19 | 中车青岛四方机车车辆股份有限公司 | 定位方法、系统、介质、设备、移动平台以及检修生产线 |
CN113916932A (zh) * | 2021-09-22 | 2022-01-11 | 安徽艺云玻璃有限公司 | 一种检测中空玻璃传热系数的方法 |
CN115825633A (zh) * | 2023-02-14 | 2023-03-21 | 深圳市首航新能源股份有限公司 | 光伏逆变器整机测试系统的评估方法、装置及上位机 |
CN118013235A (zh) * | 2024-04-08 | 2024-05-10 | 西安热工研究院有限公司 | 基于循环综合误差补偿的储能辅助黑启动的风速预测方法 |
-
2020
- 2020-03-19 CN CN202010194416.7A patent/CN111401642A/zh active Pending
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112882896A (zh) * | 2021-02-23 | 2021-06-01 | 广州虎牙科技有限公司 | 数据监控方法、装置和电子设备 |
CN113514050A (zh) * | 2021-04-01 | 2021-10-19 | 中车青岛四方机车车辆股份有限公司 | 定位方法、系统、介质、设备、移动平台以及检修生产线 |
CN113514050B (zh) * | 2021-04-01 | 2024-05-28 | 佛山中车四方轨道车辆有限公司 | 定位方法、系统、介质、设备、移动平台以及检修生产线 |
CN113916932A (zh) * | 2021-09-22 | 2022-01-11 | 安徽艺云玻璃有限公司 | 一种检测中空玻璃传热系数的方法 |
CN113916932B (zh) * | 2021-09-22 | 2024-04-16 | 安徽艺云玻璃有限公司 | 一种检测中空玻璃传热系数的方法 |
CN115825633A (zh) * | 2023-02-14 | 2023-03-21 | 深圳市首航新能源股份有限公司 | 光伏逆变器整机测试系统的评估方法、装置及上位机 |
CN118013235A (zh) * | 2024-04-08 | 2024-05-10 | 西安热工研究院有限公司 | 基于循环综合误差补偿的储能辅助黑启动的风速预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111401642A (zh) | 自动调整预测值的方法、装置、设备及存储介质 | |
CN106874581B (zh) | 一种基于bp神经网络模型的建筑空调能耗预测方法 | |
CN106651089B (zh) | 生产调度问题的分布集鲁棒模型的建模及优化求解方法 | |
CN107426026B (zh) | 一种基于eemd-arima的云计算服务器负载短期预测方法 | |
CN113468157B (zh) | 一种基于能耗分析的相似建筑挑选方法和装置 | |
CN110991739A (zh) | 一种行业电量需求预测模型的构建方法及预测方法 | |
CN110705685A (zh) | 一种神经网络量化分类方法与系统 | |
CN111275358A (zh) | 派单匹配方法、装置、设备及存储介质 | |
CN113743971A (zh) | 一种数据处理方法和装置 | |
CN114049162B (zh) | 模型训练方法、需求量预测方法、装置、设备和存储介质 | |
KR20220115357A (ko) | 어텐션 메커니즘 기반의 미래 수요 예측 데이터 생성방법 및 장치 | |
CN116739742A (zh) | 信贷风控模型的监控方法、装置、设备及存储介质 | |
CN113869642A (zh) | 企业活跃度确定方法、装置、电子设备及存储介质 | |
CN107357714B (zh) | 一种基于监控平台的故障分析方法和装置 | |
CN110348005B (zh) | 配网设备状态数据处理方法、装置、计算机设备及介质 | |
CN117113086A (zh) | 一种储能机组负荷预测方法、系统、电子设备及介质 | |
CN111177644A (zh) | 模型参数的优化方法、装置、设备及存储介质 | |
CN111026626A (zh) | Cpu消耗量预估、预估模型训练方法及装置 | |
CN116468967A (zh) | 样本图像筛选方法、装置、电子设备及存储介质 | |
CN115936184A (zh) | 一种适应多用户类型的负荷预测匹配方法 | |
CN111190800B (zh) | 预测主机的批量运行时长的方法、系统、装置及存储介质 | |
CN114862092A (zh) | 一种基于神经网络的评标方法及设备 | |
CN114416467A (zh) | 一种异常检测方法及装置 | |
CN113821419A (zh) | 一种基于svr和高斯函数的云服务器老化预测方法 | |
CN113722108A (zh) | 基于应用运行负载数据预测的容器资源弹性预伸缩方法 |
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: 20200710 |
|
RJ01 | Rejection of invention patent application after publication |