CN111582583A - 一种基于历史数据周期性描述列表的电费收入预测方法 - Google Patents
一种基于历史数据周期性描述列表的电费收入预测方法 Download PDFInfo
- Publication number
- CN111582583A CN111582583A CN202010384679.4A CN202010384679A CN111582583A CN 111582583 A CN111582583 A CN 111582583A CN 202010384679 A CN202010384679 A CN 202010384679A CN 111582583 A CN111582583 A CN 111582583A
- Authority
- CN
- China
- Prior art keywords
- awindows
- array
- value
- inputting
- elements
- 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
- 230000005611 electricity Effects 0.000 title claims abstract description 34
- 230000000737 periodic effect Effects 0.000 title claims abstract description 32
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000004364 calculation method Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 8
- 238000003491 array Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 abstract description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000005286 illumination Methods 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
- 238000012544 monitoring process Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0283—Price estimation or determination
-
- 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)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- Finance (AREA)
- Entrepreneurship & Innovation (AREA)
- Accounting & Taxation (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Quality & Reliability (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
本发明提供一种基于历史数据周期性描述列表的电费收入预测方法,通过构建历史数据周期性描述列表并建立匹配机制,找到电费收入对应时间段在历史数据上的近似的规律性,进而实现电费收入的预测;通过本发明方法可以分时段的发现电费收入的规律性,并达到利用较少属性数据预测电费收入的目标。
Description
技术领域
本发明涉及一种收入数据的预测方法,具体涉及一种基于历史数据周期性描述列表的电费收入预测方法,属于电网电费管理技术领域。
背景技术
对于电网管理企业的现金流,如果能够较为准确的知道一定财务周期范围内电费收入而产生的现金流入,对于维护一个电网管理企业形成良好的财务监控状况,决定经营和决策的步伐十分重要。因此进行电费收入预测具有十分重要的意义。
对于现金流与收入的预测,当前技术主要采用的手段是:一、直接凭管理和经营经验,制定现金流入的列表来预测现金流;该方式对于收入来源稳定、较强规律性的企业较为有效(如:会在固定时段获得其他企业或政府的打款),而对于需要交纳电费的客户,由于其数量众多,并且特征和行为存在多样化所以难以形成较强规律性,使得此方法难以实施。二、使用传统的时间序列模型(如:马尔科夫模型)来预测时间序列的变化,这种方式在较为简单的场景下可以取得成功;但是该方式假定产生时间序列背后的原因可以通过现有的属性数据进行预测或存在较强关联(如:通过湿度和光照变化来预测降雨的可能性),而对于交纳电费的众多客户,一方面不同客户可能与不同的属性相关联,而大量例举所有可能的属性对于电网企业来说难以实现(很多属性如:婚姻状况、健康状况等内容电网企业难以收集到);另一方面,同一客户缴费相距时间较大(绝大多数客户不会连续多日进行缴费),客户交纳费用的周期还有较大差异(如:普通本地居民、工矿企业、一般商户缴费的周期是不一样的),运用统一的模型难于进行有效的预测,需要分时段的进行分析。
对于电网管理企业最易于获得的是电费收入的历史数据,较好的利用这一数据的内在规律可以对电费收入进行有效的预测,因此非常有必要利用现金流的历史规律性来进行电费收入预测。
发明内容:
本发明公开一种基于历史数据周期性描述列表的电费收入预测方法,通过构建历史数据周期性描述列表并建立匹配机制,找到电费收入对应时间段在历史数据上的近似的规律性,进而实现电费收入的预测。
本发明所述的一种基于历史数据周期性描述列表的电费收入预测方法,其特征在于包括以下步骤:
S1,输入电费收入历史数据AHistory,历史统计窗口值AWindows;获得历史数据量AHistoryNum,窗口最大值AMax,窗口最小值AMin,窗口跨度值SSpan;
S101,输入电费收入历史数据AHistory,AHistory为一个数组其中的每一个元素对应一天电费收入量;
S102,输入历史统计窗口值AWindows,AWindows为一个整数默认值为15;
S103,电费收入历史数据的元素个数变量AHistoryNum=AHistory的元素个数;AMax=0;AMin=0;SSpan=0;
S104,电费收入历史数据计数器ACounter=AWindows;计算均值变量APrevAVG=0;
S105,暂存计算均值变量ATempAVG=计算AHistory中位置为第ACounter-AWindows+1到第ACounter的所有元素的均值;
S106,如果ATempAVG大于AMax则AMax=ATempAVG;
S107,如果ATempAVG小于AMin则AMin=ATempAVG;
S108,SSpan=SSpan+ABS(ATempAVG-APrevAVG);其中ABS为计算绝对值;
S109,APrevAVG=ATempAVG;
S110,计算ACounter=ACounter+1;如果ACounter大于AHistoryNum则转到S111,否则转到S105;
S111,SSpan=SSpan/(AHistoryNum-AWindows);
S112,该步骤计算过程结束;
S2,构建窗口特征描述算子BFeatureOpt,输入为一个AWindows个元素构成的特征描述算子输入数组BInput,输出为一个AWindows个元素构成的特征描述算子输出数组BResult;
S201,构建窗口特征描述算子BFeatureOpt,输入为一个AWindows个元素构成的特征描述算子输入数组BInput;
S202,特征描述算子输入计数器BCounter=1;特征描述算子输出数组BResult=构建一个AWindows个元素的数组;特征描述算子输入数组均值变量BAvg=BInput的均值;
S203,计算位置变化度量BTao,其计算公式为:
S204,计算均值变化度量BSita,其计算公式为:
S205,BResult[BCounter]=(BTao+BSita)/2;
S206,BCounter=BCounter+1,如果BCounter大于AWindows则转到S207,否则转到S203;
S207,BCounter=2;
S208,BResult[BCounter]=BResult[BCounter]-BResult[BCounter-1];
S209,BCounter=BCounter+1,如果BCounter大于AWindows则转到S210,否则转到S208;
S210,输出BResult的值;
S3,基于BFeatureOpt和历史数据AHistory构建历史数据周期性描述列表CFeatureBase;
S301,建立CFeatureBase为一个空的列表;
S302,用于构建周期性构建描述列表的计数器CCounter=1;
S303,用于特征描述的暂存数组CTempFeature=建立一个包含AWindows个元素的数组,所有元素初始值为0;
S304,如果CCounter小于AWindows则转到S307,否则转到S305,
S305,用于输入的暂存数组CTempInput=取出AHistory中位置为CCounter-AWindows+1到第CCounter的元素;
S306,利用BFeatureOpt进行处理,BFeatureOpt的输入BInput=CTempInput,获得的结果BResult存储到CTempFeature中;
S307,将CTempFeature加入到CFeatureBase之中;
S308,计算CCounter=CCounter+1,如果CCounter大于AHistoryNum则转到S309,否则转到S303;
S309,计算过程结束;
S4,建立周期近似性描述算子DLikeOpt,输入为两个AWindows个元素构成的数组DInput1和DInput2,输出为一个周期近似性结果DResult;
S401,建立周期近似性描述算子DLikeOpt,输入为两个AWindows个元素构成的数组DInput1和DInput2;
S401,周期近似性描述算子的计数器DCounter=1,周期近似性描述算子的求和结果变量DSum=0;
S402,DSum=DSum+ABS(DInput1[DCounter]-DInput2[DCounter]);其中ABS为计算绝对值;
S403,DCounter=DCounter+1;如果DCounter大于AWindows则转到S404,否则转到S402;
S404,DResult=DSum×DSum;
S406,输出DResult的值;
S5,输入AWindows天以前到当前日期的电费收入数组ECurrent,基于周期近似性描述算子DLikeOpt和周期性构建描述列表CFeatureBase,计算未来一天的电费收入预测结果EResult;
S501,输入AWindows天以前到当前日期的电费收入数组ECurrent,ECurrent是一个AWindows个元素的数组;
S502,利用BFeatureOpt进行处理,BFeatureOpt的输入BInput=ECurrent,获得的结果BResult存储到当前周期性特征变量EFeature中;
S503,预测计数器ECounter=AWindows,预测最小距离变量EMinv=100000,预测最小距离在数组中的位置变量EPos=AWindows;
S504,预测过程待比对特征变量ECompare=CFeatureBase[ECounter];
S505,利用DLikeOpt进行计算,其输入DInput1=EFeature,DInput2=ECompare;输出为DResult;
S506,如果DResult小于EMinv,则EMinv=DResult并且EPos=ECounter;
S507,计算ECounter=ECounter+1,如果ECounter大于AHistoryNum-1则转到S508,否则转到S504;
S508,历史数据中的近似位置收入值MostLike1=AHistory[EPos];历史数据中的近似位置的下一天收入值MostLike2=AHistory[EPos+1];
S509,EResult=ECurrent[AWindows]/MostLike1×MostLike2;
S510,输出EResult的值。
本发明的积极效果在于:通过构建历史数据周期性描述列表并建立匹配机制,找到电费收入对应时间段在历史数据上的近似的规律性,进而实现电费收入的预测;通过本发明,可以分时段的发现电费收入的规律性,并达到利用较少属性数据预测电费收入的目标。
具体实施方式
通过以下实施例进一步举例描述本发明,并不以任何方式限制本发明,在不背离本发明的技术解决方案的前提下,对本发明所作的本领域普通技术人员容易实现的任何改动或改变都将落入本发明的权利要求范围之内。
实施例1
S1,输入电费收入历史数据AHistory,历史统计窗口值AWindows;获得历史数据量AHistoryNum,窗口最大值AMax,窗口最小值AMin,窗口跨度值SSpan;
S101,输入电费收入历史数据AHistory,AHistory为一个数组其中的每一个元素对应一天电费收入量;
S102,输入历史统计窗口值AWindows,AWindows为一个整数默认值为15;
S103,电费收入历史数据的元素个数变量AHistoryNum=AHistory的元素个数;AMax=0;AMin=0;SSpan=0;
S104,电费收入历史数据计数器ACounter=AWindows;计算均值变量APrevAVG=0;
S105,暂存计算均值变量ATempAVG=计算AHistory中位置为第ACounter-AWindows+1到第ACounter的所有元素的均值;
S106,如果ATempAVG大于AMax则AMax=ATempAVG;
S107,如果ATempAVG小于AMin则AMin=ATempAVG;
S108,SSpan=SSpan+ABS(ATempAVG-APrevAVG);其中ABS为计算绝对值;
S109,APrevAVG=ATempAVG;
S110,计算ACounter=ACounter+1;如果ACounter大于AHistoryNum则转到S111,否则转到S105;
S111,SSpan=SSpan/(AHistoryNum-AWindows)
S112,该步骤计算过程结束。
输入吉林省某区域在2017和2018两年的电网用户缴费的日缴费数据,形成AHistory:
310 | 201 | 0 | 0 | 120 | 300 | 235 | … | 211 |
输入AWindows=15;计算获得AHistoryNum=730;计算获得AMax=290;计算获得AMin=130;计算获得SSpan=27。
S2,构建窗口特征描述算子BFeatureOpt,输入为一个AWindows个元素构成的特征描述算子输入数组BInput,输出为一个AWindows个元素构成的特征描述算子输出数组BResult;
S201,构建窗口特征描述算子BFeatureOpt,输入为一个AWindows个元素构成的特征描述算子输入数组BInput;
S202,特征描述算子输入计数器BCounter=1;特征描述算子输出数组BResult=构建一个AWindows个元素的数组;特征描述算子输入数组均值变量BAvg=BInput的均值;
S203,计算位置变化度量BTao,其计算公式为:
S204,计算均值变化度量BSita,其计算公式为:
S205,BResult[BCounter]=(BTao+BSita)/2;
S206,BCounter=BCounter+1,如果BCounter大于AWindows则转到S207,否则转到S203;
S207,BCounter=2;
S208,BResult[BCounter]=BResult[BCounter]-BResult[BCounter-1];
S209,BCounter=BCounter+1,如果BCounter大于AWindows则转到S210,否则转到S208;
S210,输出BResult的值;
S3,基于BFeatureOpt和历史数据AHistory构建历史数据周期性描述列表CFeatureBase;
S301,建立CFeatureBase为一个空的列表;
S302,用于构建周期性构建描述列表的计数器CCounter=1;
S303,用于特征描述的暂存数组CTempFeature=建立一个包含AWindows个元素的数组,所有元素初始值为0;
S304,如果CCounter小于AWindows则转到S307,否则转到S305;
S305,用于输入的暂存数组CTempInput=取出AHistory中位置为CCounter-AWindows+1到第CCounter的元素;
S306,利用BFeatureOpt进行处理,BFeatureOpt的输入BInput=CTempInput,获得的结果BResult存储到CTempFeature中;
S307,将CTempFeature加入到CFeatureBase之中;
S308,计算CCounter=CCounter+1,如果CCounter大于AHistoryNum则转到S309,否则转到S303;
S309,计算过程结束;
获得CFeatureBase为一730个元素的列表,每个列表的表项为15个元素的数组,CFeatureBase的前14项中存储的数组为0:
S4,建立周期近似性描述算子DLikeOpt,输入为两个AWindows个元素构成的数组DInput1和DInput2,输出为一个浮点型数DResult;
S401,建立周期近似性描述算子DLikeOpt,输入为两个AWindows个元素构成的数组DInput1和DInput2;
S401,周期近似性描述算子的计数器DCounter=1,周期近似性描述算子的求和结果变量DSum=0;
S402,DSum=DSum+ABS(DInput1[DCounter]-DInput2[DCounter]);其中ABS为计算绝对值;
S403,DCounter=DCounter+1;如果DCounter大于AWindows则转到S404,否则转到S402;
S404,DResult=DSum×DSum;
S406,输出DResult的值;
S5,输入AWindows天以前到当前日期的电费收入数组ECurrent,基于周期近似性描述算子DLikeOpt和周期性构建描述列表CFeatureBase,计算未来一天的电费收入预测结果EResult;
S501,输入AWindows天以前到当前日期的电费收入数组ECurrent,ECurrent是一个AWindows个元素的数组;
输入ECurrent,ECurrent为一个15个元素的数组
231 | 216 | 231 | 218 | 192 |
150 | 146 | 150 | 180 | 120 |
262 | 130 | 223 | 254 | 170 |
S502,利用BFeatureOpt进行处理,BFeatureOpt的输入BInput=ECurrent,获得的结果BResult存储到当前周期性特征变量EFeature中;
S503,预测计数器ECounter=AWindows,预测最小距离变量EMinv=100000,预测最小距离在数组中的位置变量EPos=AWindows;
S504,预测过程待比对特征变量ECompare=CFeatureBase[ECounter];
S505,利用DLikeOpt进行计算,其输入DInput1=EFeature,DInput2=ECompare;输出为DResult;
S506,如果DResult小于EMinv,则EMinv=DResult并且EPos=ECounter;
S507,计算ECounter=ECounter+1,如果ECounter大于AHistoryNum-1则转到S508,否则转到S504;
S508,历史数据中的近似位置收入值MostLike1=AHistory[EPos];历史数据中的近似位置的下一天收入值MostLike2=AHistory[EPos+1];
此时MostLike1=167,MostLike2=175
S509,EResult=ECurrent[AWindows]/MostLike1×MostLike2
S510,输出EResult的值为178.14。
实施例2
以吉林省某地区2017和2018两年的电费收入数据作为输入电费收入历史数据AHistory,历史统计窗口值AWindows=15;以2019年1月至12月数据作为测试数据,通过本发明提供的方法进行预测,并与马尔科夫方法的预测结果进行比对。
可以看到,在仅有历史数据的条件下,本发明方法预测的精度明显由于传统的马尔科夫方法,说明本发明较有实际应用价值。
Claims (1)
1.一种基于历史数据周期性描述列表的电费收入预测方法,其特征在于包括以下步骤:
S1,输入电费收入历史数据AHistory,历史统计窗口值AWindows;获得历史数据量AHistoryNum,窗口最大值AMax,窗口最小值AMin,窗口跨度值SSpan;
S101,输入电费收入历史数据AHistory,AHistory为一个数组其中的每一个元素对应一天电费收入量;
S102,输入历史统计窗口值AWindows,AWindows为一个整数默认值为15;
S103,电费收入历史数据的元素个数变量AHistoryNum=AHistory的元素个数;AMax=0;AMin=0;SSpan=0;
S104,电费收入历史数据计数器ACounter=AWindows;计算均值变量APrevAVG=0;
S105,暂存计算均值变量ATempAVG=计算AHistory中位置为第ACounter-AWindows+1到第ACounter的所有元素的均值;
S106,如果ATempAVG大于AMax则AMax=ATempAVG;
S107,如果ATempAVG小于AMin则AMin=ATempAVG;
S108,SSpan=SSpan+ABS(ATempAVG-APrevAVG);其中ABS为计算绝对值;
S109,APrevAVG=ATempAVG;
S110,计算ACounter=ACounter+1;如果ACounter大于AHistoryNum则转到S111,否则转到S105;
S111,SSpan=SSpan/(AHistoryNum-AWindows);
S112,该步骤计算过程结束;
S2,构建窗口特征描述算子BFeatureOpt,输入为一个AWindows个元素构成的特征描述算子输入数组BInput,输出为一个AWindows个元素构成的特征描述算子输出数组BResult;
S201,构建窗口特征描述算子BFeatureOpt,输入为一个AWindows个元素构成的特征描述算子输入数组BInput;
S202,特征描述算子输入计数器BCounter=1;特征描述算子输出数组BResult=构建一个AWindows个元素的数组;特征描述算子输入数组均值变量BAvg=BInput的均值;
S203,计算位置变化度量BTao,其计算公式为:
S204,计算均值变化度量BSita,其计算公式为:
S205,BResult[BCounter]=(BTao+BSita)/2;
S206,BCounter=BCounter+1,如果BCounter大于AWindows则转到S207,否则转到S203;
S207,BCounter=2;
S208,BResult[BCounter]=BResult[BCounter]-BResult[BCounter-1];
S209,BCounter=BCounter+1,如果BCounter大于AWindows则转到S210,否则转到S208;
S210,输出BResult的值;
S3,基于BFeatureOpt和历史数据AHistory构建历史数据周期性描述列表CFeatureBase;
S301,建立CFeatureBase为一个空的列表;
S302,用于构建周期性构建描述列表的计数器CCounter=1;
S303,用于特征描述的暂存数组CTempFeature=建立一个包含AWindows个元素的数组,所有元素初始值为0;
S304,如果CCounter小于AWindows则转到S307,否则转到S305,
S305,用于输入的暂存数组CTempInput=取出AHistory中位置为CCounter-AWindows+1到第CCounter的元素;
S306,利用BFeatureOpt进行处理,BFeatureOpt的输入BInput=CTempInput,获得的结果BResult存储到CTempFeature中;
S307,将CTempFeature加入到CFeatureBase之中;
S308,计算CCounter=CCounter+1,如果CCounter大于AHistoryNum则转到S309,否则转到S303;
S309,计算过程结束;
S4,建立周期近似性描述算子DLikeOpt,输入为两个AWindows个元素构成的数组DInput1和DInput2,输出为一个周期近似性结果DResult;
S401,建立周期近似性描述算子DLikeOpt,输入为两个AWindows个元素构成的数组DInput1和DInput2;
S401,周期近似性描述算子的计数器DCounter=1,周期近似性描述算子的求和结果变量DSum=0;
S402,DSum=DSum+ABS(DInput1[DCounter]-DInput2[DCounter]);其中ABS为计算绝对值;
S403,DCounter=DCounter+1;如果DCounter大于AWindows则转到S404,否则转到S402;
S404,DResult=DSum×DSum;
S406,输出DResult的值;
S5,输入AWindows天以前到当前日期的电费收入数组ECurrent,基于周期近似性描述算子DLikeOpt和周期性构建描述列表CFeatureBase,计算未来一天的电费收入预测结果EResult;
S501,输入AWindows天以前到当前日期的电费收入数组ECurrent,ECurrent是一个AWindows个元素的数组;
S502,利用BFeatureOpt进行处理,BFeatureOpt的输入BInput=ECurrent,获得的结果BResult存储到当前周期性特征变量EFeature中;
S503,预测计数器ECounter=AWindows,预测最小距离变量EMinv=100000,预测最小距离在数组中的位置变量EPos=AWindows;
S504,预测过程待比对特征变量ECompare=CFeatureBase[ECounter];
S505,利用DLikeOpt进行计算,其输入DInput1=EFeature,DInput2=ECompare;输出为DResult;
S506,如果DResult小于EMinv,则EMinv=DResult并且EPos=ECounter;
S507,计算ECounter=ECounter+1,如果ECounter大于AHistoryNum-1则转到S508,否则转到S504;
S508,历史数据中的近似位置收入值MostLike1=AHistory[EPos];历史数据中的近似位置的下一天收入值MostLike2=AHistory[EPos+1];
S509,EResult=ECurrent[AWindows]/MostLike1×MostLike2;
S510,输出EResult的值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010384679.4A CN111582583A (zh) | 2020-05-08 | 2020-05-08 | 一种基于历史数据周期性描述列表的电费收入预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010384679.4A CN111582583A (zh) | 2020-05-08 | 2020-05-08 | 一种基于历史数据周期性描述列表的电费收入预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111582583A true CN111582583A (zh) | 2020-08-25 |
Family
ID=72112550
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010384679.4A Pending CN111582583A (zh) | 2020-05-08 | 2020-05-08 | 一种基于历史数据周期性描述列表的电费收入预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111582583A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112488421A (zh) * | 2020-12-15 | 2021-03-12 | 国网雄安金融科技集团有限公司 | 一种电费应收账款的跟踪预测方法及装置 |
-
2020
- 2020-05-08 CN CN202010384679.4A patent/CN111582583A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112488421A (zh) * | 2020-12-15 | 2021-03-12 | 国网雄安金融科技集团有限公司 | 一种电费应收账款的跟踪预测方法及装置 |
CN112488421B (zh) * | 2020-12-15 | 2023-04-28 | 国网雄安金融科技集团有限公司 | 一种电费应收账款的跟踪预测方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108593990B (zh) | 一种基于电能用户用电行为模式的窃电检测方法和应用 | |
Schumacher | A comparison of MIDAS and bridge equations | |
Pinson et al. | Non‐parametric probabilistic forecasts of wind power: required properties and evaluation | |
Deller et al. | Instrumental variables approach to rural water service demand | |
CN105260803A (zh) | 一种系统用电量预测方法 | |
He et al. | Uncertainty analysis of hydrological multi-model ensembles based on CBP-BMA method | |
Porteiro et al. | Electricity demand forecasting in industrial and residential facilities using ensemble machine learning | |
CN112330077B (zh) | 电力负荷预测方法、装置、计算机设备和存储介质 | |
McLeod et al. | Algorithms for linear time series analysis: With R package | |
CN111582583A (zh) | 一种基于历史数据周期性描述列表的电费收入预测方法 | |
Cheng et al. | Forecasting monthly energy production of small hydropower plants in ungauged basins using grey model and improved seasonal index | |
CN116611862A (zh) | 一种供电公司月度市场化采购电量的预测方法 | |
Barassi et al. | Combination forecasting of energy demand in the UK | |
Zhou et al. | Estimating treatment effects of a residential demand response program using non-experimental data | |
CN101324939A (zh) | 基于数据挖掘的新业务市场预测系统及其方法 | |
Lork et al. | How many watts: A data driven approach to aggregated residential air-conditioning load forecasting | |
Mihai et al. | Use of load profile curves for the energy market | |
Raman et al. | Demand baseline estimation using similarity‐based technique for tropical and wet climates | |
Botman et al. | A scalable method for probabilistic short-term forecasting of individual households consumption in low voltage grids | |
CN114549095B (zh) | 一种基于时间序列的滑动窗口式售电量预测方法 | |
CN114925053A (zh) | 一种供热数据的预处理方法及装置 | |
Kojury-Naftchali et al. | Change detection in electricity consumption patterns utilizing adaptive information theoretic algorithms | |
Li et al. | Forecast of regional water demand based on NSGAII-FORAGM | |
Sotiropoulos et al. | Modeling of electricity load for forward contract pricing | |
Reade et al. | Modelling household electricity consumption in eThekwini municipality |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200825 |