CN111651935A - 一种非平稳时间序列数据的多维度扩充预测方法与装置 - Google Patents

一种非平稳时间序列数据的多维度扩充预测方法与装置 Download PDF

Info

Publication number
CN111651935A
CN111651935A CN202010451278.6A CN202010451278A CN111651935A CN 111651935 A CN111651935 A CN 111651935A CN 202010451278 A CN202010451278 A CN 202010451278A CN 111651935 A CN111651935 A CN 111651935A
Authority
CN
China
Prior art keywords
data
meter reading
model
sequence
rnn
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.)
Granted
Application number
CN202010451278.6A
Other languages
English (en)
Other versions
CN111651935B (zh
Inventor
常关羽
赵勇
张彬
胡芸华
朱炼
牛富增
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chengdu Qianjia Technology Co Ltd
Original Assignee
Chengdu Qianjia Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chengdu Qianjia Technology Co Ltd filed Critical Chengdu Qianjia Technology Co Ltd
Priority to CN202010451278.6A priority Critical patent/CN111651935B/zh
Publication of CN111651935A publication Critical patent/CN111651935A/zh
Application granted granted Critical
Publication of CN111651935B publication Critical patent/CN111651935B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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"

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Computer Hardware Design (AREA)
  • Game Theory and Decision Science (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Geometry (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种非平稳时间序列数据的多维度扩充预测方法与装置，包括以下步骤：收集原始抄表数据，对原始抄表数据进行加工，扩展数据维度构造抄表数据集；构建不同序列依赖长度的RNN序列表达模型，采用全量数据进行模型训练，依据模型性能表现确定最优化依赖长度；以最佳序列依赖长度建立RNN序列模型，以抄表数据集为基础，进行模型训练，获得优化后的RNN序列模型参数；使用所述优化后的RNN序列模型参数对各个表具的最新远传数据进行预测；将预测的远传数据值与实际远传数据值进行对比，依据策略得到校正值，并将校正值记录入库。本发明能够对非平稳时间序列进行建模，同时能融合差异性时间步长的信息维度，使得时间序列模型具备更强的表达能力。

Description

一种非平稳时间序列数据的多维度扩充预测方法与装置
技术领域
本发明涉及时间序列数据预测技术领域，特别涉及一种非平稳时间序列数据的多维度扩充预测方法与装置。
背景技术
现有对时间序列数据相关的回归分析方法中，多以固定时间间隔为基础进行平稳性时间序列数据处理与预测，无法对数据中时间间隔不规则的情形进行处理。同时，经典时间序列模型建模维度主要集中在时间绝对刻度和采样值维度，缺乏对不规则时间间隔差异性等其他信息维度的建模，模型在特征提取过程中层次与深度不足，模型表达能力具备一定限制，不能胜任复杂条件下的时间序列预测任务。
发明内容
本发明的目的在于改善现有技术中所存在的不足，提供一种非平稳时间序列数据的多维度扩充预测方法与装置，能够对非平稳时间序列进行建模，同时能融合差异性时间步长的信息维度，具备更强表达能力的时间序列处理模型。
为了实现上述发明目的，本发明实施例提供了以下技术方案：
一种非平稳时间序列数据的多维度扩充预测方法，包括以下步骤：
步骤S1：收集原始抄表数据，对原始抄表数据进行加工，扩展数据维度构造抄表数据集；
步骤S2：构建不同序列依赖长度的RNN序列表达模型，采用全量数据进行模型训练，依据模型性能表现确定最优化依赖长度；
步骤S3：以最佳序列依赖长度建立RNN序列模型，以抄表数据集为基础，进行模型训练，获得优化后的RNN序列模型参数；
步骤S4：使用所述优化后的RNN序列模型参数对各个表具的最新远传数据进行预测；
步骤S5：将预测的远传数据值与实际远传数据值进行对比，依据策略得到校正值，并将校正值记录入库。
更进一步地，为了详细说明收集原始抄表数据，对原始抄表数据进行加工，扩展数据维度构造抄表数据集的步骤，所述步骤S1具体包括以下步骤：
步骤S1-1：收集表具的远传数据和人工抄表数据作为原始抄表数据，并扩展所述原始抄表数据的维度；所述扩展后的原始抄表数据的维度包括表号、抄表时间、抄表读数；
步骤S1-2：对原始抄表数据的抄表时间进行粒度处理，将远传数据和人工抄表数据在时间粒度上对齐，并扩展所述抄表时间的维度，所述抄表时间的维度包括季节、节假日；
步骤S1-3：将所述在时间粒度上对齐的原始抄表数据进行一阶差分，获得用气量数据，构成抄表数据集。
更进一步地，为了详细说明所述抄表数据集的作用，所述抄表数据集包括全表数据集、单表数据集；所述全表数据集用于进行预测模型选择、超参数调整的训练任务；所述单表数据集用于在预测模型选择的基础上对表具进行定向参数优化。
更进一步地，为了详细说明构建不同序列依赖长度的RNN序列表达模型，采用全量数据进行模型训练，依据模型性能表现确定最优化依赖长度的步骤，所述步骤S2具体包括以下步骤：
步骤S2-1：构建RNN序列表达模型，利用GRU单元和RNN结构减缓RNN序列表达模型的梯度消失，使用注意力机制调整预测输出所依赖的序列数据之间的动态权重关系；
步骤S2-2：依据所述全表数据集确定RNN序列表达模型的依赖长度，选择综合误差最小的依赖长度作为最终的依赖长度。
更进一步地，所述步骤S3具体包括以下步骤：依据所述最终依赖长度为超参数，为个表具建立RNN序列模型，以个表具的单表数据集训练模型，获得优化后的RNN序列模型及参数。
一种非平稳时间序列数据的多维度扩充预测装置，包括：
数据整合与预处理组件，用于收集原始抄表数据，对原始抄表数据进行加工，扩展数据维度构成抄表数据集供离线模型设计选型组件和半在线模型训练组件使用；
离线模型设计选型组件，用于构建不同序列依赖长度的RNN序列表达模型，采用全量数据进行模型训练，依据模型性能表现确定最优化依赖长度；
半在线模型训练组件，用于以最佳序列依赖长度建立RNN序列模型，以所述单表数据集为基础，进行模型训练，获得各个表具优化后的RNN序列模型参数；
在线预测组件，用于使用优化后的RNN序列模型参数对各个表具的最新远传数据进行预测；
数据对比与校正组件，用于将预测的远传数据值与实际远传数据值进行对比，依据策略得到校正值，并将校正值记录入库。
与现有技术相比，本发明的有益效果：
本发明能够对非平稳时间序列进行建模，同时能融合差异性时间步长的信息维度，使得时间序列处理模型具备更强的表达能力。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本发明预测方法流程图；
图2为本发明预测装置模块示意图。
具体实施方式
下面将结合本发明实施例中附图，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。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的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。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本发明的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性，或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
实施例1：
本发明通过下述技术方案实现，如图1所示，一种非平稳时间序列数据的多维度扩充预测方法，包括以下步骤：
步骤S1：收集原始抄表数据，对原始抄表数据进行加工，扩展数据维度构造抄表数据集。
收集表具的原始抄表数据由表具的远传数据和人工抄表数据两部分组成，该原始抄表数据具有时间步长上的差异性，属于非平稳的时间序列。将原始抄表数据的维度进行扩展，所述扩展后的原始抄表数据的维度包括表号、抄表时间、抄表读数。
对扩展后的原始抄表数据的抄表时间进行粒度处理，将远传数据和人工抄表数据在时间粒度上对齐，并扩展所述抄表时间的维度，所述扩展后的抄表时间的维度包括季节、节假日。
将所述在时间粒度上对齐的原始抄表数据进行一阶差分，获得用气量数据，这些用气量数据构成了抄表数据集。需要说明的是，该抄表数据集包括全表数据集、单表数据集，所述全表数据集用于后续进行预测模型选择、超参数调整等的训练任务，所述单表数据集用于在预测模型选择的基础上对表具进行定向参数优化。
步骤S2：构建不同序列依赖长度的RNN序列表达模型，采用全量数据进行模型训练，依据模型性能表现确定最优化依赖长度。
在构建RNN序列表达模型时，利用GRU单元和RNN结构可以减缓RNN序列表达模型的梯度消失，使用注意力机制调整预测输出所依赖的序列数据之间的动态权重关系。
RNN序列表达模型的依赖长度是模型一个超参数，超参数的选择通过K折交叉验证方法实现，选择一个交叉验证后综合误差最小的模型作为目标模型，目标模型通过全表数据集进行评估确定，再依据模型性能表现确定最优化依赖长度。
详细来说，所述RNN序列表达模型的依赖长度可以根据实际应用场景进行一定的经验估计，预先确定一个候选依赖长度的集合，假设该依赖长度候选集合为P＝{7,10,15,30}，对于集合中的每一个候选依赖长度，通过全表数据集构造依赖长度的训练数据格式为{x1,x2,...,xt,yt}t∈P，其中xt为远传抄表数据，yt为xt对应的人工抄表数据。对于集合P中的每一个候选依赖长度，构造RNN序列表达模型，采用MSE(最小平方误差)作为该模型的损失函数，通过全表数据集对模型进行训练，选择综合误差最小的模型所使用的候选依赖长度作为最终的依赖长度。
使用全表数据集对模型进行训练的过程分为前向传播和时间反向传播，即使用注意力机制调整预测输出所依赖的序列数据之间的动态权重关系，所述前向传播的过程可采用以下公式描述：
Rt＝σ(XtWxr+Ht-1Whr+br)
Zt＝σ(XtWxz+Ht-1Whz+bz)
Figure BDA0002507645610000071
Figure BDA0002507645610000072
w＝(F(Ht*H1),F(Ht*H2),...,F(Ht*Ht))
Figure BDA0002507645610000073
Figure BDA0002507645610000074
其中，Rt表示前向传播的重置门函数，Zt表示前向传播的更新门函数，Xt表示t时刻的输入，Ht-1表示t-1时刻的隐含状态，W为权重参数，b为偏置参数，F为注意力权重计算函数。
损失函数MSE定义为：
Figure BDA0002507645610000075
其中，m为训练的样本批量大小。
所述时间反向传播即是通过梯度下降算法，优化损失函数MSE的过程。
步骤S3：以最佳序列依赖长度建立RNN序列模型，以抄表数据集的单表数据集为基础，进行模型训练，获得各个表具优化后的RNN序列模型参数。
假设本实施例步骤S2中得到的最终依赖长度t为7，以t＝7为超参数，为各表具建立相应的RNN序列预测模型，使用各表具对应的单表数据集对模型进行训练，进行多次的前向、反向迭代，当损失函数MSE达到最小时，获得各个表具的RNN序列模型的优化参数。
步骤S4：使用所述优化后的RNN序列模型参数对各个表具的最新远传数据进行预测。
采用优化参数后的RNN序列模型，将RNN序列模型的前向传播计算过程实现为一个在线服务，通过每次远传的新数据到达时，启动前向传播计算过程，获取该条数据的预测值。
步骤S5：将预测的远传数据值与实际远传数据值进行对比，依据策略得到校正值，并将校正值记录入库。
本实施例设置10％的用气增量为最大用气量预测波动阈值，当实际远传数据在最大用气量预测波动阈值内时，采用实际抄表数据为最终记录值，如果不在预测波动阈值内时，则认为实际抄表数据发生错误，以预测数据作为最终记录值。
基于上述预测方法，本发明还提出一种非平稳时间序列数据的多维度扩充预测装置，如图2所示，包括数据整合与预处理组件、离线模型设计选型组件、半在线模型训练组件、在线预测组件、数据对比与校正组件，组件的离线、半在线、在线的属性，代表该组件使用频率的高低，离线属性的组件使用频率最低。其中：
数据整合与预处理组件，依据离线模型设计选型组件和半在线模型训练组件的需求，对数据进行获取、整合、处理，具体用于收集原始抄表数据，对原始抄表数据进行加工，扩展数据维度构成抄表数据集供离线模型设计选型组件和半在线模型训练组件使用。
离线模型设计选型组件，通过数据整合与预处理组件得到的抄表数据集确定最优的模型依赖长度，以及对模型进行训练和评价，具体用于构建不同序列依赖长度的RNN序列表达模型，采用全量数据进行模型训练，依据模型性能表现确定最优化依赖长度。
半在线模型训练组件，实现周期性的模型参数更新和优化，即当用户用气行为发生改变后，重新计算模型参数，比如周期性参数可设定为天数、月度或季度等，具体用于以最佳序列依赖长度建立RNN序列模型，以单表数据集为基础，进行模型训练，获得优化后的RNN序列模型参数。
在线预测组件，依据最新的模型参数，对各个表具的远传数据进行预测。
数据对比与校正组件，将预测的远传数据值与实际远传数据值进行对比，依据策略得到校正值，并将校正值记录入库。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

Claims (6)

1.一种非平稳时间序列数据的多维度扩充预测方法，其特征在于：包括以下步骤：
步骤S1：收集原始抄表数据，对原始抄表数据进行加工，扩展数据维度构造抄表数据集；
步骤S2：构建不同序列依赖长度的RNN序列表达模型，采用全量数据进行模型训练，依据模型性能表现确定最优化依赖长度；
步骤S3：以最佳序列依赖长度建立RNN序列模型，以抄表数据集为基础，进行模型训练，获得优化后的RNN序列模型参数；
步骤S4：使用所述优化后的RNN序列模型参数对各个表具的最新远传数据进行预测；
步骤S5：将预测的远传数据值与实际远传数据值进行对比，依据策略得到校正值，并将校正值记录入库。
2.根据权利要求1所述的一种非平稳时间序列数据的多维度扩充预测方法，其特征在于：所述步骤S1具体包括以下步骤：
步骤S1-1：收集表具的远传数据和人工抄表数据作为原始抄表数据，并扩展所述原始抄表数据的维度；所述扩展后的原始抄表数据的维度包括表号、抄表时间、抄表读数；
步骤S1-2：对原始抄表数据的抄表时间进行粒度处理，将远传数据和人工抄表数据在时间粒度上对齐，并扩展所述抄表时间的维度，所述抄表时间的维度包括季节、节假日；
步骤S1-3：将所述在时间粒度上对齐的原始抄表数据进行一阶差分，获得用气量数据，构成抄表数据集。
3.根据权利要求2所述的一种非平稳时间序列数据的多维度扩充预测方法，其特征在于：所述抄表数据集包括全表数据集、单表数据集；所述全表数据集用于进行预测模型选择、超参数调整的训练任务；所述单表数据集用于在预测模型选择的基础上对表具进行定向参数优化。
4.根据权利要求3所述的一种非平稳时间序列数据的多维度扩充预测方法，其特征在于：所述步骤S2具体包括以下步骤：
步骤S2-1：构建RNN序列表达模型，利用GRU单元和RNN结构减缓RNN序列表达模型的梯度消失，使用注意力机制调整预测输出所依赖的序列数据之间的动态权重关系；
步骤S2-2：依据所述全表数据集确定RNN序列表达模型的依赖长度，选择综合误差最小的依赖长度作为最终的依赖长度。
5.根据权利要求4所述的一种非平稳时间序列数据的多维度扩充预测方法，其特征在于：所述步骤S3具体包括以下步骤：
依据所述最终的依赖长度为超参数，为各个表具建立RNN序列模型，以各表具的单表数据集训练模型，获得优化后的RNN序列模型及参数。
6.一种非平稳时间序列数据的多维度扩充预测装置，其特征在于：包括：
数据整合与预处理组件，用于收集原始抄表数据，对原始抄表数据进行加工，扩展数据维度构成抄表数据集供离线模型设计选型组件和半在线模型训练组件使用；
离线模型设计选型组件，用于构建不同序列依赖长度的RNN序列表达模型，采用全量数据进行模型训练，依据模型性能表现确定最优化依赖长度；
半在线模型训练组件，用于以最佳序列依赖长度建立RNN序列模型，以所述单表数据集为基础，进行模型训练，获得各个表具优化后的RNN序列模型参数；
在线预测组件，用于使用优化后的RNN序列模型参数对各个表具的最新远传数据进行预测；
数据对比与校正组件，用于将预测的远传数据值与实际远传数据值进行对比，依据策略得到校正值，并将校正值记录入库。
CN202010451278.6A 2020-05-25 2020-05-25 一种非平稳时间序列数据的多维度扩充预测方法与装置 Active CN111651935B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010451278.6A CN111651935B (zh) 2020-05-25 2020-05-25 一种非平稳时间序列数据的多维度扩充预测方法与装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010451278.6A CN111651935B (zh) 2020-05-25 2020-05-25 一种非平稳时间序列数据的多维度扩充预测方法与装置

Publications (2)

Publication Number Publication Date
CN111651935A true CN111651935A (zh) 2020-09-11
CN111651935B CN111651935B (zh) 2023-04-18

Family

ID=72349650

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010451278.6A Active CN111651935B (zh) 2020-05-25 2020-05-25 一种非平稳时间序列数据的多维度扩充预测方法与装置

Country Status (1)

Country Link
CN (1) CN111651935B (zh)

Citations (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030041042A1 (en) * 2001-08-22 2003-02-27 Insyst Ltd Method and apparatus for knowledge-driven data mining used for predictions
CN107578124A (zh) * 2017-08-28 2018-01-12 国网山东省电力公司电力科学研究院 基于多层改进gru神经网络的短期电力负荷预测方法
CN107977748A (zh) * 2017-12-05 2018-05-01 中国人民解放军国防科技大学 一种多变量扭曲时间序列预测方法
CN108090558A (zh) * 2018-01-03 2018-05-29 华南理工大学 一种基于长短期记忆网络的时间序列缺失值自动填补方法
CN108764460A (zh) * 2018-05-16 2018-11-06 华中科技大学 一种基于时间卷积和lstm的时间序列预测方法
CN108875916A (zh) * 2018-06-27 2018-11-23 北京工业大学 一种基于gru神经网络的广告点击率预测方法
CN109583571A (zh) * 2018-12-05 2019-04-05 南京工业大学 一种基于lstm网络的移动机器人软地面通过性预测方法
US20190138887A1 (en) * 2017-11-01 2019-05-09 Board Of Trustees Of Michigan State University Systems, methods, and media for gated recurrent neural networks with reduced parameter gating signals and/or memory-cell units
US10318874B1 (en) * 2015-03-18 2019-06-11 Amazon Technologies, Inc. Selecting forecasting models for time series using state space representations
JP2019101924A (ja) * 2017-12-06 2019-06-24 株式会社豊田中央研究所 学習装置、電磁波反射特性推定装置、学習プログラム、および電磁波反射特性推定プログラム
CN109961143A (zh) * 2019-03-25 2019-07-02 北京理工大学 Rnn模型的逐点损失估计优化方法
CN110070172A (zh) * 2019-03-13 2019-07-30 西安理工大学 基于双向独立循环神经网络的序列预测模型的建立方法
CN110108328A (zh) * 2019-04-03 2019-08-09 同济大学 一种供水管网漏损区域漏水量的获取方法
CN110222149A (zh) * 2019-05-17 2019-09-10 华中科技大学 一种基于新闻舆情的时间序列预测方法
CN110287924A (zh) * 2019-06-28 2019-09-27 电子科技大学 一种基于gru-rnn模型的土壤参数分类方法
CN110390342A (zh) * 2018-04-16 2019-10-29 北京京东尚科信息技术有限公司 时间序列预测方法和装置
US20190354836A1 (en) * 2018-05-17 2019-11-21 International Business Machines Corporation Dynamic discovery of dependencies among time series data using neural networks
CN110647980A (zh) * 2019-09-18 2020-01-03 成都理工大学 一种基于gru神经网络的时间序列预测方法
CN110728698A (zh) * 2019-09-30 2020-01-24 天津大学 一种基于复合循环神经网络系统的多目标跟踪模型
CN110727910A (zh) * 2019-09-25 2020-01-24 深圳供电局有限公司 一种抄核收风险预测及业务联动的实现方法和系统
CN110874374A (zh) * 2019-11-01 2020-03-10 山东师范大学 基于粒度直觉模糊认知图的在线时间序列预测方法及系统
CN110929547A (zh) * 2018-09-19 2020-03-27 上海仪电（集团）有限公司中央研究院 一种基于人工智能的图片式抄表方法、装置及系统
CN111047094A (zh) * 2019-12-12 2020-04-21 国网浙江省电力有限公司 一种基于深度学习算法的抄表数据异常分析方法

Patent Citations (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030041042A1 (en) * 2001-08-22 2003-02-27 Insyst Ltd Method and apparatus for knowledge-driven data mining used for predictions
US10318874B1 (en) * 2015-03-18 2019-06-11 Amazon Technologies, Inc. Selecting forecasting models for time series using state space representations
CN107578124A (zh) * 2017-08-28 2018-01-12 国网山东省电力公司电力科学研究院 基于多层改进gru神经网络的短期电力负荷预测方法
US20190138887A1 (en) * 2017-11-01 2019-05-09 Board Of Trustees Of Michigan State University Systems, methods, and media for gated recurrent neural networks with reduced parameter gating signals and/or memory-cell units
CN107977748A (zh) * 2017-12-05 2018-05-01 中国人民解放军国防科技大学 一种多变量扭曲时间序列预测方法
JP2019101924A (ja) * 2017-12-06 2019-06-24 株式会社豊田中央研究所 学習装置、電磁波反射特性推定装置、学習プログラム、および電磁波反射特性推定プログラム
CN108090558A (zh) * 2018-01-03 2018-05-29 华南理工大学 一种基于长短期记忆网络的时间序列缺失值自动填补方法
CN110390342A (zh) * 2018-04-16 2019-10-29 北京京东尚科信息技术有限公司 时间序列预测方法和装置
CN108764460A (zh) * 2018-05-16 2018-11-06 华中科技大学 一种基于时间卷积和lstm的时间序列预测方法
US20190354836A1 (en) * 2018-05-17 2019-11-21 International Business Machines Corporation Dynamic discovery of dependencies among time series data using neural networks
CN108875916A (zh) * 2018-06-27 2018-11-23 北京工业大学 一种基于gru神经网络的广告点击率预测方法
CN110929547A (zh) * 2018-09-19 2020-03-27 上海仪电（集团）有限公司中央研究院 一种基于人工智能的图片式抄表方法、装置及系统
CN109583571A (zh) * 2018-12-05 2019-04-05 南京工业大学 一种基于lstm网络的移动机器人软地面通过性预测方法
CN110070172A (zh) * 2019-03-13 2019-07-30 西安理工大学 基于双向独立循环神经网络的序列预测模型的建立方法
CN109961143A (zh) * 2019-03-25 2019-07-02 北京理工大学 Rnn模型的逐点损失估计优化方法
CN110108328A (zh) * 2019-04-03 2019-08-09 同济大学 一种供水管网漏损区域漏水量的获取方法
CN110222149A (zh) * 2019-05-17 2019-09-10 华中科技大学 一种基于新闻舆情的时间序列预测方法
CN110287924A (zh) * 2019-06-28 2019-09-27 电子科技大学 一种基于gru-rnn模型的土壤参数分类方法
CN110647980A (zh) * 2019-09-18 2020-01-03 成都理工大学 一种基于gru神经网络的时间序列预测方法
CN110727910A (zh) * 2019-09-25 2020-01-24 深圳供电局有限公司 一种抄核收风险预测及业务联动的实现方法和系统
CN110728698A (zh) * 2019-09-30 2020-01-24 天津大学 一种基于复合循环神经网络系统的多目标跟踪模型
CN110874374A (zh) * 2019-11-01 2020-03-10 山东师范大学 基于粒度直觉模糊认知图的在线时间序列预测方法及系统
CN111047094A (zh) * 2019-12-12 2020-04-21 国网浙江省电力有限公司 一种基于深度学习算法的抄表数据异常分析方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
SHIYANG LI ET AL.: "Enhancing the Locality and Breaking the Memory Bottleneck of Transformer on Time Series Forecasting" *
牛富增 等: "基于光学燃气报警器的户内燃气安全管理服务系统" *

Also Published As

Publication number Publication date
CN111651935B (zh) 2023-04-18

Similar Documents

Publication Publication Date Title
Li et al. An improved grey-based approach for early manufacturing data forecasting
Chen et al. A hybrid SARIMA and support vector machines in forecasting the production values of the machinery industry in Taiwan
Hung et al. A novel virtual metrology scheme for predicting CVD thickness in semiconductor manufacturing
Sindelar et al. Input selection for nonlinear regression models
US7769561B2 (en) Robust sensor correlation analysis for machine condition monitoring
US8180664B2 (en) Methods and systems for forecasting with model-based PDF estimates
CN111260138B (zh) 加权和自适应并行关联规则的火电机组能耗动态优化方法
CN114428803B (zh) 空压站运行优化方法、系统、存储介质及终端
Siliverstovs et al. Forecasting industrial production with linear, nonlinear, and structural change models
Kleijnen Sensitivity analysis of simulation models
CN111651935B (zh) 一种非平稳时间序列数据的多维度扩充预测方法与装置
US20210248293A1 (en) Optimization device and optimization method
Muqtadir et al. The Implementation of Grey Forecasting Model for Forecast Result’s Food Crop Agricultural
Grichi et al. Optimization of obsolescence forecasting using new hybrid approach based on the RF method and the meta-heuristic genetic algorithm
Most et al. Robust Design Optimization in industrial virtual product development
CN110222840B (zh) 一种基于注意力机制的集群资源预测方法和装置
Lin et al. A sequential exploratory experimental design method: development of appropriate empirical models in design
US20220374732A1 (en) Automated control of a manufacturing process
CN113392378A (zh) 一种基于时间序列的围岩变形多点突变识别方法及系统
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
Dodson et al. Iterative approximation of statistical distributions and relation to information geometry
Yapur Controlled-variable selection based on chaos theory for the Tennessee Eastman plant
CN116011657B (zh) 基于微型pmu的配电网负荷预测模型优选方法、装置及系统
Schaarschmidt Multiple time–scale dynamics of stage structured populations and derivative–free optimization
Vilanova Rubau Artificial intelligence applied to demand forecasting

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
CB02 Change of applicant information
CB02 Change of applicant information

Address after: No. 536, Section 1, airport 1st Road, Southwest Airport, Shuangliu District, Chengdu, Sichuan 610211

Applicant after: Chengdu Qianjia Technology Co.,Ltd.

Address before: No. 536, Section 1, airport 1st Road, Southwest Airport, Shuangliu District, Chengdu, Sichuan 610211

Applicant before: Chengdu Qianjia Technology Co.,Ltd.

GR01 Patent grant
GR01 Patent grant