CN111415192A - 基于大数据的用户用水性质预测方法 - Google Patents
基于大数据的用户用水性质预测方法 Download PDFInfo
- Publication number
- CN111415192A CN111415192A CN202010126095.7A CN202010126095A CN111415192A CN 111415192 A CN111415192 A CN 111415192A CN 202010126095 A CN202010126095 A CN 202010126095A CN 111415192 A CN111415192 A CN 111415192A
- Authority
- CN
- China
- Prior art keywords
- water consumption
- users
- data
- water
- periodic
- 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
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 145
- 238000000034 method Methods 0.000 title claims abstract description 26
- 230000000737 periodic effect Effects 0.000 claims abstract description 33
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 19
- 238000012360 testing method Methods 0.000 claims abstract description 10
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 238000012545 processing Methods 0.000 claims description 15
- 230000002159 abnormal effect Effects 0.000 claims description 13
- 238000010606 normalization Methods 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000003064 k means clustering Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000007635 classification algorithm Methods 0.000 claims description 2
- 230000008859 change Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000008399 tap water Substances 0.000 description 2
- 235000020679 tap water Nutrition 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 1
- 239000008235 industrial water Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003442 weekly effect Effects 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Public Health (AREA)
- Tourism & Hospitality (AREA)
- Primary Health Care (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Water Supply & Treatment (AREA)
- Probability & Statistics with Applications (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及大数据应用技术领域,公开了一种基于大数据的用户用水性质预测方法,包括步骤:S1:对用户的历史用水量数据进行预处理;S2:对预处理后的历史用水量数据进行时间序列分解,以得到不同用户的用水周期特性;S3:采用对用户的用水周期特性聚类的方式将用户划分类别,再求出每一类别用户用水的中心周期特性,以得到每一类用水性质的标准周期特性;S4:以被预测用户的周期特性作为测试元组,将测试元组的用户的用水周期特性与不同的用水性质的标准周期特性进行相似性比较,从而预测用户的用水性质。本发明实现了对用户用水性质的较准确地预测。
Description
技术领域
本发明涉及大数据应用技术领域,特别涉及一种基于大数据的用户用水性质预测方法。
背景技术
用户用水性质的预测对自来水公司的生产规划,收入来源都有着重要影响,但现阶段却并没有太多的关于用水性质预测的相关研究,目前通过计算机技术进行预测还是一片空白。用水性质是根据用户用水的实际用途和用户本身类别定义的,例如:家庭生活用水的用水性质就是居民用水,而商贸服务企业的用水性质为商业用水,而工矿企业的用水性质为工业用水。然而一开始建立的用水性质,随着用户的实际用水状况发生变化,可能不能正确反映用水性质,比如:在居民楼中办公,使原先的居民用水转换为商业用水,也有因为各种原因一开始就错录的情况。总之正确的用水性质要正确的反映用户的实际用水用途。
在实际生产中,自来水公司一般都采用的是根据用水量大小或用户的类别(比如:商贸服务的用水和居民用水等)来直接判定用水性质,但这样的判定方式并不准确,例如:小型的商贸服务的用水量可能和居民用水量并没有太大差异。相同用水性质的用户,由于自身规模(例如:用水人数或需要用水的设备)大小的不同,用水量大小的差异可能大于不同用水性质的差异。因此,在实际用水过程中往往无法准确地预测用户用水性质。
发明内容
本发明提出一种基于大数据的用户用水性质预测方法,解决现有技术中无法准确地预测用户用水性质的问题。
本发明的一种基于大数据的用户用水性质预测方法,包括步骤:
S1:对用户的历史用水量数据进行预处理;
S2:对预处理后的历史用水量数据进行时间序列分解,以得到不同用户的用水周期特性;
S3:采用对用户的用水周期特性聚类的方式将用户划分类别,再求出每一类别用户用水的中心周期特性,以得到每一类用水性质的标准周期特性;
S4:以被预测用户的周期特性作为测试元组,将测试元组的用户的用水周期特性与不同的用水性质的标准周期特性进行相似性比较,从而预测用户的用水性质。
其中,所述步骤S1包括:
样本筛选:选取历史用水量数据大于等于24期的用户;
缺失值的处理:对于每n月抄表的用户,数据按该n个月份抄表数求平均值,并将平均值填入相应的月份;
重复的数据处理:针对一个月多抄的重复数据,按月求和;
归一化处理:对用户的用水量按第90百分位数和第10百分位数为基准对历史数据中的用水量进行缩放;
异常值处理:直接删除归一化处理后用水量异常的历史数据;
剩余缺失值处理:剩余缺失值用0填充。
其中,所述步骤S2中,将用户的历史用水量数据时间序列{y(t)}分解为趋势性因素、周期性因素和偶然性因素的乘积,则写成y(t)=S(t)*T(t)*R(t),其中S(t)、T(t)、R(t)分别是周期成分、趋势成分和残差成分,采用m阶移动平均算法进行时间序列分解,该步骤包括:
S21:如果m为偶数,则用2-m-MA来计算序列的趋势成分T(t),如果m为奇数,则用m-MA来计算序列的趋势成分T(t),计算公式如下:
S22:计算去掉趋势成分的时间序列:D(t)=y(t)/T(t);
S23:为了估计周期成分,只需要对同一周期的数据取均值即可,调整周期性成分以使得它们的和为0,对周期性成分复制到D(t)的长度,即得到D(t)的所有周期性成分,记作S(t)。
其中,所述步骤S3中采用K_Means聚类算法对不同用户的用水周期特性进行聚类。
其中,所述步骤S4中采用K_NN最邻近分类算法对测试元组的用户的用水周期特性与不同的用水性质的标准周期特性进行相似性比较。
本发明根据用户用水的自然特性将用户用水量按时间序列周期分解与聚类算法结合,其优势是通过时间序列分解提取了用户用水规律的关键性因素,即用水周期特性,排除了用户在用水期间的趋势性的规模变动和偶然异常性因素的干扰,因此,在实际用水过程中,实现了对用户用水性质的较准确地预测。
附图说明
为了更清楚地说明本发明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发明的一些实施例,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为本发明实施例的一种的基于大数据的用户用水性质预测方法流程图;
图2为本发明实施例提供的标准周期特性实例图;
图3为本发明实施例提供的用户用水性质类别判断实例图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本实施例的基于大数据的用户用水性质预测方法,包括:
步骤S1,对用户的历史用水量数据进行预处理。
步骤S2,对预处理后的历史用水量数据进行时间序列分解,以得到不同用户的用水周期特性。其中,用水量可以是日用水量、周用水量或月用水量。
步骤S3,采用对用户的用水周期特性聚类的方式将用户划分类别,再求出每一类别用户用水的中心周期特性,以得到每一类用水性质的标准周期特性。
步骤S4,以被预测用户的周期特性作为测试元组,将测试元组的用户的用水周期特性与不同的用水性质的标准周期特性进行相似性比较,从而预测用户的用水性质。
本实施例根据用户用水的自然特性将用户用水量按时间序列周期分解与聚类算法结合,其优势是通过时间序列分解提取了用户用水规律的关键性因素,即用水周期特性,排除了用户在用水期间的趋势性的规模变动和偶然异常性因素的干扰,因此,在实际用水过程中,实现了对用户用水性质的较准确地预测。
本实施例中,步骤S1具体包括:
(1)样本筛选:原始数据中很多用户的历史用水量数据不全,缺失较多,要排除这样的用户,选取历史用水量数据大于24期的用户,以便能获取其周期特性。
(2)缺失值的处理:首先处理非一月一抄的用户,很多用户的抄表数据不是一月抄一次,而是单月抄或双月抄(间隔一个月抄一次表),将这样的数据按抄表间隔月份平均,并将其填入,例如:每n个月抄一次表,这n个月中每个月的数据为:y1,y2,…,yn=y/n,y为总抄表值,其它的缺失值占不处理,防止它影响后面的计算。
(3)重复的数据处理:针对一月多抄的重复数据,按月求和。
(4)归一化处理:采用robust_scale进行归一化处理。首先求出每一个用户用水量的第90百分位数和第10百分位数,以此为基准对用水数据进行缩放。公式为:
P1为用户用水量的第10百分位数,P2为用户用水量的第90百分位数,X为用户用水量序列,Xscaled为归一化后的用户用水量序列,本步骤能排除相同用水性质用户规模化影响。
(5)异常值处理:直接删除归一化处理后用水量异常的历史数据,具体地,直接删除历史数据中用水量大于2的数据,归一化处理后的用水量大于2说明用户的用水量的最大值比用户用水量的90分位数大一倍多,这样的用水是较为异常的,所以删掉,该步骤可以对所有异常数据进行筛选并删除。因历史数据量较大,删除少量异常值,对预测结果影响不大,而且去除了偶然异常性因素的干扰,(例如:用户水管爆管后,用水量相对于正常用水量大大增加)。
(6)剩余缺失值处理:剩余缺失值一律用0填充。
针对于趋势性规模变动和偶然异常因素的干扰问题,本实施例采用了时间序列分解的方式将趋势变动和偶然性因素导致的序列变化剔除了,只保留了周期性变动规律来做比较,预测结果更准确。
本实施例中,步骤S2采用经典的时间序列分解法,对于用户的历史用水量数据时间序列{y(t)},设其是乘法性模型,用户的用水量时间序列可以分解为趋势性因素、周期性因素和偶然性因素的乘积,则可以写成y(t)=S(t)*T(t)*R(t),其中S(t)、T(t)、R(t)分别是周期成分(seasonal component)、趋势成分(trend-cycle component)、残差成分(remainder component)。时间序列分解法主要用到了移动平均的概念:m-MA(意指m阶移动平均)是指:
其中m=2k+1,即时刻t(天、周或月)的移动平均的值为向前k个值和向后k个值的均值,步骤S2具体步骤如下:
(1)若m为偶数,则用2-m-MA(所谓2-m-MA,意思是对时间序列先进行m-MA,然后对移动平均之后的序列,计算其2-MA。这样当m为偶数的时候,可以消除m-MA的不对称性)来计算序列的趋势成分T(t),如果m为奇数,则用m-MA来计算序列的趋势成分T(t),T(t)按上述公式计算。
(2)计算去掉趋势成分的时间序列:D(t)=y(t)/T(t)。
(3)为了估计周期成分(即用户的用水周期特性),只需要对同一周期的数据取均值即可。例如现有的月度用水数据,用户的用水量的周期为一年,所以对所有D(t)中的12月份的数据进行求均值即可。周期性成分会被调整(加上一个偏置)以使得它们的和为0。对周期性成分复制到D(t)的长度,即得到D(t)的所有周期性成分,记作S(t),此时,残差成分R(t)=y(t)/(T(t)*S(t))。
步骤S2中,也可以采用X11分解法(X11 decomposition)、SEATS分解(SEATSdecomposition)、STL分解(STL decomposition)等时间序列分解法。
步骤S3中采用K_Means聚类,具体包括:
如图2所示,对步骤S2得出的周期成分S(t)进行聚类,对用户的用水规律进行分类,不同的用水规律对应不同的用水性质,再分别求出每一类别的用水周期特性的中心,即对每一类别的用水周期特性求平均,得出每一类用水性质的标准周期特性。当然,也可以采用DBSCAN(Density-Based Spatial Clustering of Applications with Noise)或OPTICS(Ordering points to identify the clustering structure)等聚类方法进行分类。
步骤S4中,相似性比较的方式为K_NN最邻近分类方式,K_NN方法的思路是:如果一个样本在特征空间中的k个最相似(即特征空间中最邻近)的样本中的大多数属于某一个类别,则该样本也属于这个类别,本实施例中,一个用户有一个用水周期特性,即样本空间中只有一个样本,只需比较被预测用户用水周期特性与每一类用水性质的标准周期特性的相似性,对预测用户的用水性质进行预测并归类。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于大数据的用户用水性质预测方法,其特征在于,包括步骤:
S1:对用户的历史用水量数据进行预处理;
S2:对预处理后的历史用水量数据进行时间序列分解,以得到不同用户的用水周期特性;
S3:采用对用户的用水周期特性聚类的方式将用户划分类别,再求出每一类别用户用水的中心周期特性,以得到每一类用水性质的标准周期特性;
S4:以被预测用户的周期特性作为测试元组,将测试元组的用户的用水周期特性与不同的用水性质的标准周期特性进行相似性比较,从而预测用户的用水性质。
2.如权利要求1所述的基于大数据的用户用水性质预测方法,其特征在于,所述步骤S1包括:
样本筛选:选取历史用水量数据大于等于24期的用户;
缺失值的处理:对于每n月抄表的用户,数据按该n个月份抄表数求平均值,并将平均值填入相应的月份;
重复的数据处理:针对一个月多抄的重复数据,按月求和;
归一化处理:对用户的用水量按第90百分位数和第10百分位数为基准对历史数据中的用水量进行缩放;
异常值处理:直接删除归一化处理后用水量异常的历史数据;
剩余缺失值处理:剩余缺失值用0填充。
3.如权利要求1所述的基于大数据的用户用水性质预测方法,其特征在于,所述步骤S2中,将用户的历史用水量数据时间序列{y(t)}分解为趋势性因素、周期性因素和偶然性因素的乘积,则写成y(t)=S(t)*T(t)*R(t),其中S(t)、T(t)、R(t)分别是周期成分、趋势成分和残差成分,采用m阶移动平均算法进行时间序列分解,该步骤包括:
S21:如果m为偶数,则用2-m-MA来计算序列的趋势成分T(t),如果m为奇数,则用m-MA来计算序列的趋势成分T(t),计算公式如下:
S22:计算去掉趋势成分的时间序列:D(t)=y(t)/T(t);
S23:为了估计周期成分,只需要对同一周期的数据取均值即可,调整周期性成分以使得它们的和为0,对周期性成分复制到D(t)的长度,即得到D(t)的所有周期性成分,记作S(t)。
4.如权利要求1~3中任一项所述的基于大数据的用户用水性质预测方法,其特征在于,所述步骤S3中采用K_Means聚类算法对不同用户的用水周期特性进行聚类。
5.如权利要求4所述的基于大数据的用户用水性质预测方法,其特征在于,所述步骤S4中采用K_NN最邻近分类算法对测试元组的用户的用水周期特性与不同的用水性质的标准周期特性进行相似性比较。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010126095.7A CN111415192A (zh) | 2020-02-27 | 2020-02-27 | 基于大数据的用户用水性质预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010126095.7A CN111415192A (zh) | 2020-02-27 | 2020-02-27 | 基于大数据的用户用水性质预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111415192A true CN111415192A (zh) | 2020-07-14 |
Family
ID=71492748
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010126095.7A Pending CN111415192A (zh) | 2020-02-27 | 2020-02-27 | 基于大数据的用户用水性质预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111415192A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112434021A (zh) * | 2020-12-10 | 2021-03-02 | 浙江大学 | 一种基于时间序列用水数据的用户特征构造方法 |
CN113205368A (zh) * | 2021-05-25 | 2021-08-03 | 合肥供水集团有限公司 | 一种基于时序用水数据的工商户聚类方法 |
CN113469428A (zh) * | 2021-06-24 | 2021-10-01 | 珠海卓邦科技有限公司 | 用水性质异常识别方法及装置、计算机装置及存储介质 |
CN113551296A (zh) * | 2021-06-21 | 2021-10-26 | 顺德职业技术学院 | 基于周期变化的日用水量调节方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140129291A1 (en) * | 2011-05-18 | 2014-05-08 | Onzo Limited | Identifying an event associated with consumption of a utility |
CN104537048A (zh) * | 2014-12-25 | 2015-04-22 | 重庆森鑫炬科技有限公司 | 一体式供水管网数字化数据生产和转换技术方法 |
CN105678414A (zh) * | 2015-12-31 | 2016-06-15 | 远光软件股份有限公司 | 对资源消耗量进行预测的数据处理方法 |
CN106651200A (zh) * | 2016-12-29 | 2017-05-10 | 中国西电电气股份有限公司 | 一种工业企业聚合用户电力负荷管理方法和系统 |
CN109063885A (zh) * | 2018-05-29 | 2018-12-21 | 国网天津市电力公司 | 一种变电站异常量测数据预测方法 |
CN109711865A (zh) * | 2018-12-07 | 2019-05-03 | 恒安嘉新(北京)科技股份公司 | 一种基于用户行为挖掘的移动通信网流量精细化预测的方法 |
CN110288209A (zh) * | 2019-06-11 | 2019-09-27 | 北京师范大学 | 水资源配置方法、装置、电子设备及存储介质 |
CN110751416A (zh) * | 2019-10-29 | 2020-02-04 | 杭州鲁尔物联科技有限公司 | 一种用水量的预测方法、装置及设备 |
-
2020
- 2020-02-27 CN CN202010126095.7A patent/CN111415192A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140129291A1 (en) * | 2011-05-18 | 2014-05-08 | Onzo Limited | Identifying an event associated with consumption of a utility |
CN104537048A (zh) * | 2014-12-25 | 2015-04-22 | 重庆森鑫炬科技有限公司 | 一体式供水管网数字化数据生产和转换技术方法 |
CN105678414A (zh) * | 2015-12-31 | 2016-06-15 | 远光软件股份有限公司 | 对资源消耗量进行预测的数据处理方法 |
CN106651200A (zh) * | 2016-12-29 | 2017-05-10 | 中国西电电气股份有限公司 | 一种工业企业聚合用户电力负荷管理方法和系统 |
CN109063885A (zh) * | 2018-05-29 | 2018-12-21 | 国网天津市电力公司 | 一种变电站异常量测数据预测方法 |
CN109711865A (zh) * | 2018-12-07 | 2019-05-03 | 恒安嘉新(北京)科技股份公司 | 一种基于用户行为挖掘的移动通信网流量精细化预测的方法 |
CN110288209A (zh) * | 2019-06-11 | 2019-09-27 | 北京师范大学 | 水资源配置方法、装置、电子设备及存储介质 |
CN110751416A (zh) * | 2019-10-29 | 2020-02-04 | 杭州鲁尔物联科技有限公司 | 一种用水量的预测方法、装置及设备 |
Non-Patent Citations (5)
Title |
---|
刘小花等: "水资源利用随机预测模型研究", 《中国农村水利水电》 * |
南瓜派三蔬: "时间系列分解算法-简述", 《博客》 * |
孙平等: "基于时间序列模型ARMA的水厂逐日需水量过程预测方法", 《中国农村水利水电》 * |
杨旭: "城市用水量变化影响因素及其预测方法", 《黑龙江科技信息》 * |
王煜明: "《供水管网水力模型建模工程实施与管理》", 31 December 2019, 同济大学出版社 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112434021A (zh) * | 2020-12-10 | 2021-03-02 | 浙江大学 | 一种基于时间序列用水数据的用户特征构造方法 |
CN113205368A (zh) * | 2021-05-25 | 2021-08-03 | 合肥供水集团有限公司 | 一种基于时序用水数据的工商户聚类方法 |
CN113205368B (zh) * | 2021-05-25 | 2022-11-29 | 合肥供水集团有限公司 | 一种基于时序用水数据的工商户聚类方法 |
CN113551296A (zh) * | 2021-06-21 | 2021-10-26 | 顺德职业技术学院 | 基于周期变化的日用水量调节方法 |
CN113551296B (zh) * | 2021-06-21 | 2022-06-07 | 顺德职业技术学院 | 基于周期变化的日用水量调节方法 |
CN113469428A (zh) * | 2021-06-24 | 2021-10-01 | 珠海卓邦科技有限公司 | 用水性质异常识别方法及装置、计算机装置及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111415192A (zh) | 基于大数据的用户用水性质预测方法 | |
Rico-Juan et al. | Machine learning with explainability or spatial hedonics tools? An analysis of the asking prices in the housing market in Alicante, Spain | |
US7830382B2 (en) | Method and apparatus for automated graphing of trends in massive, real-world databases | |
WO2008086194A2 (en) | Price indexing | |
Laha et al. | A hybrid unsupervised learning and multi-criteria decision making approach for performance evaluation of Indian banks | |
CN113256020B (zh) | 一种考虑多尺度时间序列的供电系统成本预测方法 | |
Yıldırım et al. | Robust Mahalanobis distance based TOPSIS to evaluate the economic development of provinces | |
CN116468536A (zh) | 一种自动化风险控制规则生成的方法 | |
Horváth et al. | Detecting common breaks in the means of high dimensional cross-dependent panels | |
CN114037138A (zh) | 基于双层分解和深度学习的地铁短时进站客流预测系统及实施方法 | |
CN116401601B (zh) | 基于逻辑回归模型的停电敏感用户处置方法 | |
Giacalone | Optimal forecasting accuracy using Lp-norm combination | |
Xu et al. | Profit-and risk-driven credit scoring under parameter uncertainty: a multiobjective approach | |
Goldmann et al. | A new ordinal mixed-data sampling model with an application to corporate credit rating levels | |
WO2024036727A1 (zh) | 数据异常检测方法、装置、设备、介质及程序产品 | |
KR102614595B1 (ko) | 실시간 거시지표 예측 기반 주가 예측 시스템 | |
WO2022183019A1 (en) | Methods for mitigation of algorithmic bias discrimination, proxy discrimination and disparate impact | |
KR101484761B1 (ko) | 위기 경보 신호를 이용하여 산업 위기를 예측하는 방법 및 그 장치 | |
Yalaman et al. | Analysing emerging market returns with high-frequency data during the global financial crisis of 2007–2009 | |
CN110580494A (zh) | 一种基于分位数逻辑回归的数据分析方法 | |
CN113723775B (zh) | 一种基于电力大数据的企业及行业运营风险的评估方法 | |
Sparks et al. | Comparative performance of arima and arch/garch models on time series of daily equity prices for large companies | |
Orito et al. | Evaluating the Efficiency of Index Fund Selections Over the Fund’s Future Period | |
Jiao et al. | Interpretable factors of firm characteristics | |
Hatyan et al. | Experimental Study of Information Technology for Detecting the Electronic Mass Media PR-effect based on Statistical Analysis. |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200714 |