CN112036737B - 区域电量偏差的计算方法及装置 - Google Patents

区域电量偏差的计算方法及装置 Download PDF

Info

Publication number
CN112036737B
CN112036737B CN202010884550.XA CN202010884550A CN112036737B CN 112036737 B CN112036737 B CN 112036737B CN 202010884550 A CN202010884550 A CN 202010884550A CN 112036737 B CN112036737 B CN 112036737B
Authority
CN
China
Prior art keywords
data
model
historical
target
preset
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.)
Active
Application number
CN202010884550.XA
Other languages
English (en)
Other versions
CN112036737A (zh
Inventor
徐辉
赵钧陶
杨培环
韩晓艳
王艳姣
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.)
BOE Technology Group Co Ltd
Original Assignee
BOE Technology Group 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 BOE Technology Group Co Ltd filed Critical BOE Technology Group Co Ltd
Priority to CN202010884550.XA priority Critical patent/CN112036737B/zh
Publication of CN112036737A publication Critical patent/CN112036737A/zh
Application granted granted Critical
Publication of CN112036737B publication Critical patent/CN112036737B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
    • 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)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Mathematical Physics (AREA)
  • Strategic Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Operations Research (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Marketing (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Educational Administration (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Development Economics (AREA)
  • Algebra (AREA)
  • Artificial Intelligence (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)

Abstract

本发明公开了一种区域电量偏差的计算方法及装置，涉及电力领域，本发明的方法主要包括：根据目标区域的用电量历史数据，确定对应所述目标区域的用电量预测的目标模型，目标模型是通过候选模型按照权重系数融合后得到的，候选模型包括基于随机森林模型、梯度提升树模型以及极端随机森林模型，权重系数是根据关联参数确定的，关联参数包括所述目标区域的区域位置及日照强度；根据输入数据及目标模型预测目标区域的用电量的预测结果，所述预测结果包括用电量的区域预测数据及个体预测数据；根据目标区域的用电量的预测结果、申报的交易数据以及预设区域电量偏差计算公式计算区域电量偏差，并当符合预设数据输出规则时，将所述区域电量偏差输出。

Description

区域电量偏差的计算方法及装置
技术领域
本发明涉及电力领域，特别是涉及一种区域电量偏差的计算方法及装置。
背景技术
随着技术发展，用电量的预测准确性的要求也逐步提高。其中，由于用电情况是多变的，预测的结果必然与实际用电情况存在偏差，而偏差预测考核的准确与否将直接影响用电情况评估的效果。准确把握偏差考核，这不仅是售电公司生存的基础，也是能让电力用户享受国家电力体制改革红利的保证。
目前，在进行电量偏差计算的过程，现有技术往往通过一些已有的模型进行预测，并基于预测结果进行偏差值的计算，但在实际计算过程中，预测结果的准确性往往受制于预测模型的准确性，而不同的区域在不同的条件下用电情况是不同的，这就使得现有的偏差计算过程中，常常由于模型预测准确性不足导致最终偏差值计算的准确性较差。
发明内容
有鉴于此，本发明提供的区域电量偏差的计算方法及装置，其目的在于解决现有的区域电量偏差的计算出的结果准确性较差的问题。
本发明的目的是采用以下技术方案来实现的：
第一方面，本发明提供了一种区域电量偏差的计算方法，所述方法包括：
根据目标区域的用电量历史数据，确定对应所述目标区域的用电量预测的目标模型，所述目标模型是通过候选模型按照权重系数融合后得到的，所述候选模型包括基于随机森林模型、梯度提升树模型以及极端随机森林模型，所述权重系数是根据关联参数确定的，所述关联参数包括所述目标区域的区域位置及日照强度；
根据输入数据及所述目标模型预测目标区域的用电量的预测结果，所述预测结果包括用电量的区域预测数据及个体预测数据，所述输入数据包括各发电端历史个体用户用电数据、历史区域用电数据、历史申报数据、历史个体用户偏差数据、历史区域用户偏差数据以及历史工作日平均用电数据；
根据所述目标区域的用电量的预测结果、申报的交易数据以及预设区域电量偏差计算公式计算区域电量偏差，并当符合预设数据输出规则时，将所述区域电量偏差输出，其中，所述预设数据输出规则中包含有不同的模型训练的样本数据时长以及对应的预测准确率阈值。
可选的，在所述根据目标区域的用电量历史数据，确定对应所述目标区域的用电量预测的目标模型之前，所述方法还包括：
根据用电量历史样本数据分别训练出随机森林模型、梯度提升树模型以及极端随机森林模型；
根据预设权重分配关系以及条件系数，分别确定随机森林模型、梯度提升树模型以及极端随机森林模型的权重系数，其中所述预设权重分配关系中包含有每种条件系数下对应的每种候选模型的权重系数；
根据所述随机森林模型、梯度提升树模型、极端随机森林模型以及每种模型对应的权重系数融合，确定所述目标模型。
可选的，在所述根据预设权重分配关系，分别确定随机森林模型、梯度提升树模型以及极端随机森林模型的权重系数之前，所述方法还包括：
获取条件系数参数的实际值，并按照预设规则确定条件系数参数的分值，所述条件系数参数包括区域位置、高温天数、用户规模以及产业类型，所述预设规则中包含有每种条件参数的实际值所对应的分值；
根据预设条件系数公式以及条件系数参数的分值，计算所述条件系数。
可选的，所述预设条件系数公式包括：
其中，S为条件系数。
可选的，所述预设区域电量偏差计算公式，包括：
其中，Yi为个体预测结果，Si为申报的交易数据，Ti为每个区域里个体用户的预测结果，Si为每个区域里个体用户的申报的交易数据。
第二方面，本发明提供了一种区域电量偏差的计算装置，所述装置包括：
确定单元，用于根据目标区域的用电量历史数据，确定对应所述目标区域的用电量预测的目标模型，所述目标模型是通过候选模型按照权重系数融合后得到的，所述候选模型包括基于随机森林模型、梯度提升树模型以及极端随机森林模型，所述权重系数是根据关联参数确定的，所述关联参数包括所述目标区域的区域位置及日照强度；
预测单元，用于根据输入数据及所述目标模型预测目标区域的用电量的预测结果，所述预测结果包括用电量的区域预测数据及个体预测数据，所述输入数据包括各发电端历史个体用户用电数据、历史区域用电数据、历史申报数据、历史个体用户偏差数据、历史区域用户偏差数据以及历史工作日平均用电数据；
计算单元，用于根据所述目标区域的用电量的预测结果、申报的交易数据以及预设区域电量偏差计算公式计算区域电量偏差，并当符合预设数据输出规则时，将所述区域电量偏差输出，其中，所述预设数据输出规则中包含有不同的模型训练的样本数据时长以及对应的预测准确率阈值。
可选的，所述确定单元包括：
训练模块，用于从所述目标区域的用电量历史数据中获取用电量历史样本数据，并根据用电量历史样本数据分别训练出随机森林模型、梯度提升树模型以及极端随机森林模型；
确定模块，用于根据预设权重分配关系以及条件系数，分别确定随机森林模型、梯度提升树模型以及极端随机森林模型的权重系数，其中所述预设权重分配关系中包含有每种条件系数下对应的每种候选模型的权重系数；
融合模块，用于根据所述随机森林模型、梯度提升树模型、极端随机森林模型以及每种模型对应的权重系数融合，确定所述目标模型。
可选的，所述确定单元还包括：
第一计算模块，用于获取条件系数参数的实际值，并按照预设规则确定条件系数参数的分值，所述条件系数参数包括区域位置、高温天数、用户规模以及产业类型，所述预设规则中包含有每种条件参数的实际值所对应的分值；
第二计算模块，用于根据预设条件系数公式以及条件系数参数的分值，计算所述条件系数。
可选的，所述预设条件系数公式包括：
其中，S为条件系数。
可选的，所述预设区域电量偏差计算公式，包括：
其中，Qy为区域电量偏差值，Yi为用电量的个体预测结果，Si为申报的用电量交易数据，Ti为每个区域里个体用户的用电量预测结果，Si为每个区域里个体用户的用电量申报的交易数据。
第三方面，本发明提供了非瞬态计算机可读存储介质，所述存储介质存储有至少一条指令，所述至少一条指令被配置为由处理器加载并执行如第一方面所述的区域电量偏差的计算方法。
第四方面，本发明提供了一种电子设备，所述电子设备包括存储介质和处理器；
所述处理器，被配置为执行指令；
所述存储介质，被配置为存储至少一条指令；
所述至少一条指令适于由所述处理器加载并执行如第一方面所述的区域电量偏差的计算方法。
借由上述技术方案，本发明提供的区域电量偏差的计算方法及装置，与目前的区域电量偏差的计算方式相比，本发明能够通过目标区域的用电量历史数据，确定对应所述目标区域的用电量预测的目标模型，所述目标模型是通过候选模型按照权重系数融合后得到的，所述候选模型包括基于随机森林模型、梯度提升树模型以及极端随机森林模型，所述权重系数是根据关联参数确定的，所述关联参数包括所述目标区域的区域位置及日照强度；然后，根据输入数据及所述目标模型预测目标区域的用电量的预测结果，所述预测结果包括用电量的区域预测数据及个体预测数据，所述输入数据包括各发电端历史个体用户用电数据、历史区域用电数据、历史申报数据、历史个体用户偏差数据、历史区域用户偏差数据以及历史工作日平均用电数据；最后，根据所述目标区域的用电量的预测结果、申报的交易数据以及预设区域电量偏差计算公式计算区域电量偏差，并当符合预设数据输出规则时，将所述区域电量偏差输出，其中，所述预设数据输出规则中包含有不同的模型训练的样本数据时长以及对应的预测准确率阈值，从而得到目标区域的区域电量偏差，由于所述目标区域模型是基于多种候选模型按照权重系数融合后得到的，而权重系数与关联参数相关，从而确保得到的目标模型能够适应位置和光照等关联参数的影响，从而使得得到的预测结果能够适应不同区域和光照等情况，使预测结果更为准确，继而使得最后得到的偏差值结果的准确性。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1示出了本发明实施例提供的一种区域电量偏差的计算方法的流程图；
图2示出了本发明实施例提供的另一种区域电量偏差的计算方法的流程图；
图3示出了本发明实施例提供的一种区域电量偏差的计算装置的组成框图；
图4示出了本发明实施例提供的另一种区域电量偏差的计算装置的组成框图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
本发明实施例提供了一种区域电量偏差的计算方法，如图1所示，所述方法主要包括：
101、根据目标区域的用电量历史数据，确定对应所述目标区域的用电量预测的目标模型。
其中，所述目标模型是通过候选模型按照权重系数融合后得到的，所述候选模型包括基于随机森林模型、梯度提升树模型以及极端随机森林模型，所述权重系数是根据关联参数确定的，所述关联参数包括所述目标区域的区域位置及日照强度。
一般来说，不同的地理位置的用电量会因为地理气候、区域情况、产业结构等多种因素有关，因此，在对区域的用电量预测的过程中，实际上需要考虑这些因素的影响。在本发明实施例中，可以通过目标区域的用电量历史数据训练用于预测用电量的目标模型。其中，在训练模型的过程中基于不同的候选模型的对不同关联参数影响的区域的预测准确性是不同的，这样在训练得到多种模型后，可以通过关联参数确定每种候选模型的权重系数并融合，从而可以确保融合后得到的目标模型可以受到关联参数的影响，能够提高最后预测结果的准确性。
需要说明的是，在本发明实施例中，通过历史数据训练各种候选模型的过程中可以参照现有的模型训练过程进行，其方式与现有技术并无区别。
102、根据输入数据及所述目标模型预测目标区域的用电量的预测结果。
其中，所述预测结果包括用电量的区域预测数据及个体预测数据，所述输入数据包括各发电端历史个体用户用电数据、历史区域用电数据、历史申报数据、历史个体用户偏差数据、历史区域用户偏差数据以及历史工作日平均用电数据。
当前述步骤确定了目标模型后，则可以通过该模型执行预测任务，由于实际应用的过程中，对于用电量情况分为个体用户的预测和区域整体的预测，因此，在本步骤中需要输入不同的输入数据，得到对应的预测结果。例如，当需要得到个体用户的个体预测数据时，则需要输入个体预测数据相关的输入数据，反之，当需要得到区域整体的区域预测数据时，则需要输入区域整体相关的输入数据。
103、根据所述目标区域的用电量的预测结果、申报的交易数据以及预设区域电量偏差计算公式计算区域电量偏差，并当符合预设数据输出规则时，将所述区域电量偏差输出。
其中，所述预设数据输出规则中包含有不同的模型训练的样本数据时长以及对应的预测准确率阈值由于在实际应用中，用电量的预测结果和实际情况核能存在偏差，因此，在本领域中往往会基于预测结果进行用电量偏差情况的判断。具体的其计算过程是基于预测结果、申报的交易数据通过区域电量偏差计算共计进行计算后得到的。例如，该公式可以为:
其中，Yi为个体预测结果，Si为申报的交易数据，Ti为每个区域里个体用户的预测结果，Si为每个区域里个体用户的申报的交易数据。例外，在计算出区域用电量偏差后，还可以基于输入数据的时限以及对应的预测准确率阈值确定当前计算出的区域用电量偏差是否符合要求，即通过预设数据输出规则确定是否能够输出该计算出的区域电量输出偏差，例如，可选择模型的训练时样本的时长为16个月，当超过16个月时，说明模型样本数量够多，则需要满足达到预测准确率阈值100％,，反之当未超过16个月时，说明样本数量较少，仅需要满足达到预测准确率阈值85％,即可，这样，当计算出区域电量偏差后，需要确定其输入数据的时限，当超过16个月且预测准确率达到100％时，则说明预测时的模型是符合要求的，因此最后计算出的区域用电偏差是可以输出的，反之则说明模型还存在修正的必要，则需要重新建立目标模型。
本发明实施例提供的区域电量偏差的计算方法，与目前的区域电量偏差的计算方式相比，本发明能够通过目标区域的用电量历史数据，确定对应所述目标区域的用电量预测的目标模型，所述目标模型是通过候选模型按照权重系数融合后得到的，所述候选模型包括基于随机森林模型、梯度提升树模型以及极端随机森林模型，所述权重系数是根据关联参数确定的，所述关联参数包括所述目标区域的区域位置及日照强度；然后，根据输入数据及所述目标模型预测目标区域的用电量的预测结果，所述预测结果包括用电量的区域预测数据及个体预测数据，所述输入数据包括各发电端历史个体用户用电数据、历史区域用电数据、历史申报数据、历史个体用户偏差数据、历史区域用户偏差数据以及历史工作日平均用电数据；最后，根据所述目标区域的用电量的预测结果、申报的交易数据以及预设区域电量偏差计算公式计算区域电量偏差并当符合预设数据输出规则时，将所述区域电量偏差输出，其中，所述预设数据输出规则中包含有不同的模型训练的样本数据时长以及对应的预测准确率阈值，从而得到目标区域的区域电量偏差，由于所述目标区域模型是基于多种候选模型按照权重系数融合后得到的，而权重系数与关联参数相关，从而确保得到的目标模型能够适应位置和光照等关联参数的影响，从而使得得到的预测结果能够适应不同区域和光照等情况，使预测结果更为准确，继而使得最后得到的偏差值结果的准确性。
进一步的，依据图1所示的方法，本发明的另一个实施例还提供了另一种区域电量偏差的计算方法，如图2所示，所述方法主要包括：
201、根据目标区域的用电量历史数据，确定对应所述目标区域的用电量预测的目标模型。
其中，所述目标模型是通过候选模型按照权重系数融合后得到的，所述候选模型包括基于随机森林模型、梯度提升树模型以及极端随机森林模型，所述权重系数是根据关联参数确定的，所述关联参数包括所述目标区域的区域位置及日照强度。
所述随机森林模型、梯度提升决策树模型以及极端随机森林模型，均为预测模型中的常见模型，这三种模型的原理可由下述内容分析：
1)随机森林模型
RF，即随机林模型，使用了CART决策树作为弱学习器，这让我们想到梯度提升树GBDT，其中CART决策树为常见基于特征进行分类的分类器模型。
其次，在使用决策树的基础上，RF对决策树的建立做了改进，对于普通的决策树，我们会在节点上所有的n个样本特征中选择一个最优的特征来做决策树的左右子树划分，但是RF通过的随机选择节点上的一部分样本特征，这个数字小于n，假设为nsub(低于n)，然后在这些随机选择的nsub(小于n)个样本特征中，选择一个最优的特征来做决策树的左右子树划分。这样进一步增强了模型的泛化能力。
除了上面两点，RF和普通的bagging算法没什么不同，下面简单总结下RF的算法。
输入为样本集，弱分类器迭代次数T。
输出为最终的强分类器f(x)
其一，对于t＝1,2,3,...,T；
对训练集进行第t次采样，共采集m次，得到包含m个样本的采样集Dt。
用采样集Dt训练第t个决策树模型Gt(x)，在训练决策树模型的节点的时候，在节点上所有的样本特征中选择一部分样本特征，在这些随机选择的部分样本特征中选择一个最优的特征来做决策树的左右子树划分，最优选取是算法在决策树模型经过的时候先算出feature importances并得出每个特征在模型中的重要程度的占比。
其二，如果是分类算法预测，则T个弱学习器投出最多票数的类别或者类别之一为最终类别。如果是回归算法，T个弱学习器得到的回归结果进行算术平均得到的值为最终的模型输出。
2)梯度提升树模型
梯度提升树(GBRT)是基于CART回归树的迭代学习模型。我们是利用前一轮迭代弱学习器的误差率来更新训练集的权重，这样一轮轮的迭代下去。GBDT也是迭代，使用了前向分布算法，但是弱学习器限定了只能使用CART回归树模型，同时迭代思路和Adaboost也有所不同。
在GBDT的迭代中，假设我们前一轮迭代得到的强学习器是ft-1(x),损失函数是L(y,ft-1(x)),我们本轮迭代的目标是找到一个CART回归树模型的弱学习器ht(x)，让本轮的损失函数L(y,ft(x)＝L(y,ft-1(x)+ht(x))最小。也就是说，本轮迭代找到决策树，要让样本的损失尽量变得更小。
3)极端随机森林模型
Extremely randomized trees算法与随机森林算法十分相似都是由许多决策树构成。极限树与随机森林的主要区别：
1、randomForest应用的是Bagging模型,extraTree使用的所有的样本，只是特征是随机选取的，因为分裂是随机的，所以在某种程度上比随机森林得到的结果更加好；2、随机森林是在一个随机子集内得到最佳分叉属性，而ET是完全随机的得到分叉值，从而实现对决策树进行分叉的。
对于第2点的不同，我们仅以二叉树为例，当特征属性是类别的形式时，随机选择具有某些类别的样本为左分支，而把具有其他类别的样本作为右分支；当特征属性是数值的形式时，随机选择一个处于该特征属性的最大值和最小值之间的任意数，当样本的该特征属性值大于该值时，作为左分支，当小于该值时，作为右分支。这样就实现了在该特征属性下把样本随机分配到两个分支上的目的。然后计算此时的分叉值(如果特征属性是类别的形式，可以应用基尼指数；如果特征属性是数值的形式，可以应用均方误差)。遍历节点内的所有特征属性，按上述方法得到所有特征属性的分叉值，我们选择分叉值最大的那种形式实现对该节点的分叉。从上面的介绍可以看出，这种方法比随机森林的随机性更强。
基于上述分析可见，这三种模型由于其原理上的差异，其预测结果的准确性也是不同的，在此，为了提高目标模型预测结果的准确性，本发明实施例通过下述方式对上述三种模型进行融合训练得到目标模型，其步骤具体可以包括：
1、从所述目标区域的用电量历史数据中获取用电量历史样本数据，并根据用电量历史样本数据分别训练出随机森林模型、梯度提升树模型以及极端随机森林模型。
2、根据预设权重分配关系以及条件系数，分别确定随机森林模型、梯度提升树模型以及极端随机森林模型的权重系数，其中所述预设权重分配关系中包含有每种条件系数下对应的每种候选模型的权重系数。
3、根据所述随机森林模型、梯度提升树模型、极端随机森林模型以及每种模型对应的权重系数融合，确定所述目标模型。
例如，其融合后的模型示意形式可以如下：
W＝AiQi+AjQj+AuQu
W是模型融合后最后预测的偏差值，Qi，Qj，Qu分别为每个候选模型的预测值，Ai，Aj，Au分别为对应每种模型的权重系数。
通过上述步骤中可以看出，在得到目标模型的过程中，目标模型预测结果的准确性受到权重系数的影响，而权重系数是与条件系数有关，因此，如何确定出条件系数对于目标模型的准确性是毋庸置疑的，进一步的，在所述根据预设权重分配关系以及条件系数，分别确定随机森林模型、梯度提升树模型以及极端随机森林模型的权重系数之前，本发明实施例的方法还可以包括计算条件系数的过程，具体为：
首先，获取条件系数参数的实际值，并按照预设规则确定条件系数参数的分值，所述条件系数参数包括区域位置、高温天数、用户规模以及产业类型，所述预设规则中包含有每种条件参数的实际值所对应的分值；然后，根据预设条件系数公式以及条件系数参数的分值，计算所述条件系数。
作为一个实施例，在此，可根据下述表1来计算每种地区的各种参数的分值。其中省份/市的参数可根据实际进行设置。
表1
其中，所述预设条件系数公式包括：
其中，S为条件系数。
当确定了条件系数后，则可以根据下述表2为每个模型分配权重系数。这样目标模型得到的预测结果实际上等于随机森林模型的预测结果、极端随机森林模型的预测结果、梯度提升树模型的预测结果分别与其对应的权重系数相乘后累加，作为目标模型的预测结果。
这样，通过包含有高温天气、用户规模、产业类型以及地理位置的关联参数计算出条件系数，能够确保条件系数与上述几种关联参数之间的对应关系，从而使目标模型的准确性提高。
202、根据输入数据及所述目标模型预测目标区域的用电量的预测结果。
其中，所述预测结果包括用电量的区域预测数据及个体预测数据。
由于实际应用的过程中，对于用电量情况分为个体用户的预测和区域整体的预测，这样，在本步骤中需要根据想到的预测结果，分别输入不同的输入数据。
一方面，当需要得到区域整体的区域预测数据时，则需要输入区域整体相关的输入数据；而另一方面，当需要得到个体用户的个体预测数据时，则需要输入个体预测数据相关的输入数据。另外，本发明实施例中的输入数据可以根据实际情况选取，例如本步骤中输入数据可以包括各发电端历史个体用户用电数据、历史区域用电数据、历史申报数据、历史个体用户偏差数据、历史区域用户偏差数据以及历史工作日平均用电数据。
203、根据所述目标区域的用电量的预测结果、申报的交易数据以及预设区域电量偏差计算公式计算区域电量偏差并当符合预设数据输出规则时，将所述区域电量偏差输出。
其中，所述预设数据输出规则中包含有不同的模型训练的样本数据时长以及对应的预测准确率阈值。
其中，所述预设区域电量偏差计算公式，包括：
其中，Qy为区域电量偏差值，Yi为用电量的个体预测结果，Si为申报的用电量交易数据，Ti为每个区域里个体用户的用电量预测结果，Si为每个区域里个体用户的用电量申报的交易数据。
进一步的，依据上述方法实施例，本发明的另一个实施例还提供了一种区域电量偏差的计算装置，如图3所示，所述装置主要包括：
确定单元31，可以用于根据目标区域的用电量历史数据，确定对应所述目标区域的用电量预测的目标模型，所述目标模型是通过候选模型按照权重系数融合后得到的，所述候选模型包括基于随机森林模型、梯度提升树模型以及极端随机森林模型，所述权重系数是根据关联参数确定的，所述关联参数包括所述目标区域的区域位置及日照强度；
预测单元32，可以用于根据输入数据及所述确定单元31确定的目标模型预测目标区域的用电量的预测结果，所述预测结果包括用电量的区域预测数据及个体预测数据，所述输入数据包括各发电端历史个体用户用电数据、历史区域用电数据、历史申报数据、历史个体用户偏差数据、历史区域用户偏差数据以及历史工作日平均用电数据；
计算单元33，可以用于根据所述预测单元32得到的目标区域的用电量的预测结果、申报的交易数据以及预设区域电量偏差计算公式计算区域电量偏差并当符合预设数据输出规则时，将所述区域电量偏差输出，其中，所述预设数据输出规则中包含有不同的模型训练的样本数据时长以及对应的预测准确率阈值。
可选的，如图4所示，所述确定单元31包括：
训练模块311，可以用于从所述目标区域的用电量历史数据中获取用电量历史样本数据，并根据用电量历史样本数据分别训练出随机森林模型、梯度提升树模型以及极端随机森林模型；
确定模块312，可以用于根据预设权重分配关系以及条件系数，分别确定随机森林模型、梯度提升树模型以及极端随机森林模型的权重系数，其中所述预设权重分配关系中包含有每种条件系数下对应的每种候选模型的权重系数；
融合模块313，用于根据所述训练模块311训练得到的随机森林模型、梯度提升树模型、极端随机森林模型以及确定模块312确定出的每种模型对应的权重系数融合，确定所述目标模型。
可选的，如图4所示，所述确定单元还包括：
第一计算模块314，可以用于获取条件系数参数的实际值，并按照预设规则确定条件系数参数的分值，所述条件系数参数包括区域位置、高温天数、用户规模以及产业类型，所述预设规则中包含有每种条件参数的实际值所对应的分值；
第二计算模块315，可以用于根据预设条件系数公式以及第一计算模块314计算出的条件系数参数分值，计算所述条件系数，以便确定模块312能够基于该条件系数确定每种模型的权重系数。
可选的，如图4所示，所述预设条件系数公式包括：
其中，S为条件系数。
可选的，如图4所示，所述预设区域电量偏差计算公式，包括：
其中，Qy为区域电量偏差值，Yi为用电量的个体预测结果，Si为申报的用电量交易数据，Ti为每个区域里个体用户的用电量预测结果，Si为每个区域里个体用户的用电量申报的交易数据。
借由上述实施例所述的方案，本发明实施例提供了一种区域电量偏差的计算方法及装置，与目前的区域电量偏差的计算方式相比，本发明能够通过目标区域的用电量历史数据，确定对应所述目标区域的用电量预测的目标模型，所述目标模型是通过候选模型按照权重系数融合后得到的，所述候选模型包括基于随机森林模型、梯度提升树模型以及极端随机森林模型，所述权重系数是根据关联参数确定的，所述关联参数包括所述目标区域的区域位置及日照强度；然后，根据输入数据及所述目标模型预测目标区域的用电量的预测结果，所述预测结果包括用电量的区域预测数据及个体预测数据，所述输入数据包括各发电端历史个体用户用电数据、历史区域用电数据、历史申报数据、历史个体用户偏差数据、历史区域用户偏差数据以及历史工作日平均用电数据；最后，根据所述目标区域的用电量的预测结果、申报的交易数据以及预设区域电量偏差计算公式计算区域电量偏差，并当符合预设数据输出规则时，将所述区域电量偏差输出，其中，所述预设数据输出规则中包含有不同的模型训练的样本数据时长以及对应的预测准确率阈值，从而得到目标区域的区域电量偏差，由于所述目标区域模型是基于多种候选模型按照权重系数融合后得到的，而权重系数与关联参数相关，从而确保得到的目标模型能够适应位置和光照等关联参数的影响，从而使得得到的预测结果能够适应不同区域和光照等情况，使预测结果更为准确，继而使得最后得到的偏差值结果的准确性。
进一步的，依据上述方法实施例，本发明的另一个实施例还提供了一种存储介质，所述存储介质存储有多条指令，所述指令适用于由处理器加载并执行如上所述的区域电量偏差的计算方法。
本发明实施例提供的区域电量偏差的计算存储介质中的指令，该指令能够通过目标区域的用电量历史数据，确定对应所述目标区域的用电量预测的目标模型，所述目标模型是通过候选模型按照权重系数融合后得到的，所述候选模型包括基于随机森林模型、梯度提升树模型以及极端随机森林模型，所述权重系数是根据关联参数确定的，所述关联参数包括所述目标区域的区域位置及日照强度；然后，根据输入数据及所述目标模型预测目标区域的用电量的预测结果，所述预测结果包括用电量的区域预测数据及个体预测数据，所述输入数据包括各发电端历史个体用户用电数据、历史区域用电数据、历史申报数据、历史个体用户偏差数据、历史区域用户偏差数据以及历史工作日平均用电数据；最后，根据所述目标区域的用电量的预测结果、申报的交易数据以及预设区域电量偏差计算公式计算区域电量偏差，并当符合预设数据输出规则时，将所述区域电量偏差输出，其中，所述预设数据输出规则中包含有不同的模型训练的样本数据时长以及对应的预测准确率阈值，从而得到目标区域的区域电量偏差，由于所述目标区域模型是基于多种候选模型按照权重系数融合后得到的，而权重系数与关联参数相关，从而确保得到的目标模型能够适应位置和光照等关联参数的影响，从而使得得到的预测结果能够适应不同区域和光照等情况，使预测结果更为准确，继而使得最后得到的偏差值结果的准确性。
进一步的，依据上述方法实施例，本发明的另一个实施例还提供了一种电子设备，所述电子设备包括存储介质和处理器；
所述处理器，适于实现各指令；
所述存储介质，适于存储多条指令；
所述指令适于由所述处理器加载并执行如上所述的区域电量偏差的计算方法。
本发明实施例提供的区域电量偏差的计算电子设备，能够通过目标区域的用电量历史数据，确定对应所述目标区域的用电量预测的目标模型，所述目标模型是通过候选模型按照权重系数融合后得到的，所述候选模型包括基于随机森林模型、梯度提升树模型以及极端随机森林模型，所述权重系数是根据关联参数确定的，所述关联参数包括所述目标区域的区域位置及日照强度；然后，根据输入数据及所述目标模型预测目标区域的用电量的预测结果，所述预测结果包括用电量的区域预测数据及个体预测数据，所述输入数据包括各发电端历史个体用户用电数据、历史区域用电数据、历史申报数据、历史个体用户偏差数据、历史区域用户偏差数据以及历史工作日平均用电数据；最后，根据所述目标区域的用电量的预测结果、申报的交易数据以及预设区域电量偏差计算公式计算区域电量偏差，并当符合预设数据输出规则时，将所述区域电量偏差输出，其中，所述预设数据输出规则中包含有不同的模型训练的样本数据时长以及对应的预测准确率阈值，从而得到目标区域的区域电量偏差，由于所述目标区域模型是基于多种候选模型按照权重系数融合后得到的，而权重系数与关联参数相关，从而确保得到的目标模型能够适应位置和光照等关联参数的影响，从而使得得到的预测结果能够适应不同区域和光照等情况，使预测结果更为准确，继而使得最后得到的偏差值结果的准确性。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的区域电量偏差的计算方法及装置中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。词汇“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的词汇“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。词汇第一、第二、以及第三等的使用不表示任何顺序。可将这些词汇解释为名称。

Claims (12)

1.一种区域电量偏差的计算方法，其特征在于，包括：
根据目标区域的用电量历史数据，确定对应所述目标区域的用电量预测的目标模型；其中所述目标模型是通过候选模型按照权重系数融合后得到的，所述候选模型包括基于随机森林模型、梯度提升树模型以及极端随机森林模型，所述权重系数是根据关联参数确定的，所述关联参数包括所述目标区域的区域位置及日照强度；
根据输入数据及所述目标模型预测目标区域的用电量的预测结果，所述预测结果包括用电量的区域预测数据及个体预测数据，所述输入数据包括各发电端历史个体用户用电数据、历史区域用电数据、历史申报数据、历史个体用户偏差数据、历史区域用户偏差数据以及历史工作日平均用电数据；
根据所述目标区域的用电量的预测结果、申报的交易数据以及预设区域电量偏差计算公式计算区域电量偏差，并当符合预设数据输出规则时，将所述区域电量偏差输出，其中，所述预设数据输出规则中包含有不同的模型训练的样本数据时长以及对应的预测准确率阈值。
2.根据权利要求1所述的方法，其特征在于，所述根据目标区域的用电量历史数据，确定对应所述目标区域的用电量预测的目标模型包括：
从所述目标区域的用电量历史数据中获取用电量历史样本数据，并根据所述用电量历史样本数据分别训练出随机森林模型、梯度提升树模型以及极端随机森林模型；
根据预设权重分配关系以及条件系数，分别确定随机森林模型、梯度提升树模型以及极端随机森林模型的权重系数，其中所述预设权重分配关系中包含有每种条件系数下对应的每种候选模型的权重系数；
根据所述随机森林模型、梯度提升树模型、极端随机森林模型以及每种模型对应的权重系数融合，确定所述目标模型。
3.根据权利要求2所述的方法，其特征在于，在所述根据预设权重分配关系以及条件系数，分别确定随机森林模型、梯度提升树模型以及极端随机森林模型的权重系数之前，所述方法还包括：
获取条件系数参数的实际值，并按照预设规则确定条件系数参数的分值，所述条件系数参数包括区域位置、高温天数、用户规模以及产业类型，所述预设规则中包含有每种条件参数的实际值所对应的分值；
根据预设条件系数公式以及条件系数参数的分值，计算所述条件系数。
4.根据权利要求3所述的方法，其特征在于，所述预设条件系数公式包括：
其中，S为条件系数。
5.根据权利要求1-4中任一项所述的方法，其特征在于，所述预设区域电量偏差计算公式，包括：
其中，Qy为区域电量偏差值，Yi为用电量的个体预测结果，Si为申报的用电量交易数据，Ti为每个区域里个体用户的用电量预测结果，Si为每个区域里个体用户的用电量申报的交易数据。
6.一种区域电量偏差的计算装置，其特征在于，所述装置包括：
确定单元，用于根据目标区域的用电量历史数据，确定对应所述目标区域的用电量预测的目标模型，所述目标模型是通过候选模型按照权重系数融合后得到的，所述候选模型包括基于随机森林模型、梯度提升树模型以及极端随机森林模型，所述权重系数是根据关联参数确定的，所述关联参数包括所述目标区域的区域位置及日照强度；
预测单元，用于根据输入数据及所述目标模型预测目标区域的用电量的预测结果，所述预测结果包括用电量的区域预测数据及个体预测数据，所述输入数据包括各发电端历史个体用户用电数据、历史区域用电数据、历史申报数据、历史个体用户偏差数据、历史区域用户偏差数据以及历史工作日平均用电数据；
计算单元，用于根据所述目标区域的用电量的预测结果、申报的交易数据以及预设区域电量偏差计算公式计算区域电量偏差，并当符合预设数据输出规则时，将所述区域电量偏差输出，其中，所述预设数据输出规则中包含有不同的模型训练的样本数据时长以及对应的预测准确率阈值。
7.根据权利要求6所述的装置，其特征在于，所述确定单元包括：
训练模块，用于从所述目标区域的用电量历史数据中获取用电量历史样本数据，并根据用电量历史样本数据分别训练出随机森林模型、梯度提升树模型以及极端随机森林模型；
确定模块，用于根据预设权重分配关系以及条件系数，分别确定随机森林模型、梯度提升树模型以及极端随机森林模型的权重系数，其中所述预设权重分配关系中包含有每种条件系数下对应的每种候选模型的权重系数；
融合模块，用于根据所述随机森林模型、梯度提升树模型、极端随机森林模型以及每种模型对应的权重系数融合，确定所述目标模型。
8.根据权利要求7所述的装置，其特征在于，所述确定单元还包括：
第一计算模块，用于获取条件系数参数的实际值，并按照预设规则确定条件系数参数的分值，所述条件系数参数包括区域位置、高温天数、用户规模以及产业类型，所述预设规则中包含有每种条件参数的实际值所对应的分值；
第二计算模块，用于根据预设条件系数公式以及条件系数参数的分值，计算所述条件系数。
9.根据权利要求8所述的装置，其特征在于，所述预设条件系数公式包括：
其中，S为条件系数。
10.根据权利要求6-9中任一项所述的装置，其特征在于，所述预设区域电量偏差计算公式，包括：
其中，Qy为区域电量偏差值，Yi为用电量的个体预测结果，Si为申报的用电量交易数据，Ti为每个区域里个体用户的用电量预测结果，Si为每个区域里个体用户的用电量申报的交易数据。
11.一种非瞬态计算机可读存储介质，其特征在于，所述存储介质存储有至少一条指令，所述至少一条指令被配置为由处理器加载并执行如权利要求1-5中任一项所述的区域电量偏差的计算方法。
12.一种电子设备，其特征在于，所述电子设备包括存储介质和处理器；
所述处理器，被配置为执行指令；
所述存储介质，被配置为存储至少一条指令；
所述至少一条指令适于由所述处理器加载并执行如权利要求1-5中任一项所述的区域电量偏差的计算方法。
CN202010884550.XA 2020-08-28 2020-08-28 区域电量偏差的计算方法及装置 Active CN112036737B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010884550.XA CN112036737B (zh) 2020-08-28 2020-08-28 区域电量偏差的计算方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010884550.XA CN112036737B (zh) 2020-08-28 2020-08-28 区域电量偏差的计算方法及装置

Publications (2)

Publication Number Publication Date
CN112036737A CN112036737A (zh) 2020-12-04
CN112036737B true CN112036737B (zh) 2024-01-09

Family

ID=73587365

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010884550.XA Active CN112036737B (zh) 2020-08-28 2020-08-28 区域电量偏差的计算方法及装置

Country Status (1)

Country Link
CN (1) CN112036737B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112529301B (zh) * 2020-12-14 2023-11-14 南京中兴力维软件有限公司 用电量预测方法、设备及存储介质
CN113088359A (zh) * 2021-03-30 2021-07-09 重庆大学 一种工艺参数驱动的三甘醇脱水装置三甘醇损耗量在线预测方法
CN113128867B (zh) * 2021-04-20 2021-11-02 四川瑞康智慧能源有限公司 一种售电偏差管理系统及其方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2017121133A (ja) * 2015-12-28 2017-07-06 株式会社東芝 電力需要予測装置および電力需要予測プログラム
CN107292455A (zh) * 2017-07-31 2017-10-24 华自科技股份有限公司 用电量预测方法、装置、可读存储介质和计算机设备
CN108694478A (zh) * 2018-07-09 2018-10-23 广西电网有限责任公司电力科学研究院 一种考虑电量预测偏差的售电风险指标计算方法
CN109685277A (zh) * 2018-12-28 2019-04-26 国网冀北电力有限公司经济技术研究院 用电量预测方法及装置
CN110309971A (zh) * 2019-06-28 2019-10-08 广州市准诚市场咨询有限公司 一种具有自动超参检索的月度用电量预测方法及系统
CN111539841A (zh) * 2019-12-31 2020-08-14 远景智能国际私人投资有限公司 电量预测方法、装置、设备及可读存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2017121133A (ja) * 2015-12-28 2017-07-06 株式会社東芝 電力需要予測装置および電力需要予測プログラム
CN107292455A (zh) * 2017-07-31 2017-10-24 华自科技股份有限公司 用电量预测方法、装置、可读存储介质和计算机设备
CN108694478A (zh) * 2018-07-09 2018-10-23 广西电网有限责任公司电力科学研究院 一种考虑电量预测偏差的售电风险指标计算方法
CN109685277A (zh) * 2018-12-28 2019-04-26 国网冀北电力有限公司经济技术研究院 用电量预测方法及装置
CN110309971A (zh) * 2019-06-28 2019-10-08 广州市准诚市场咨询有限公司 一种具有自动超参检索的月度用电量预测方法及系统
CN111539841A (zh) * 2019-12-31 2020-08-14 远景智能国际私人投资有限公司 电量预测方法、装置、设备及可读存储介质

Also Published As

Publication number Publication date
CN112036737A (zh) 2020-12-04

Similar Documents

Publication Publication Date Title
CN112036737B (zh) 区域电量偏差的计算方法及装置
Moonchai et al. Short-term forecasting of renewable energy consumption: Augmentation of a modified grey model with a Kalman filter
Palmer et al. Designing an artificial neural network for forecasting tourism time series
Cruz-Reyes et al. Incorporation of implicit decision-maker preferences in multi-objective evolutionary optimization using a multi-criteria classification method
CN112667877A (zh) 一种基于旅游知识图谱的景点推荐方法及设备
CN106960017A (zh) 电子书分类及其训练方法、装置和设备
Kangas et al. Applying stochastic multicriteria acceptability analysis to forest ecosystem management with both cardinal and ordinal criteria
CN107918657A (zh) 一种数据源的匹配方法和装置
CN109871809A (zh) 一种基于语义网的机器学习流程智能组装方法
Prasanna et al. An analysis on stock market prediction using data mining techniques
Milea et al. Prediction of the msci euro index based on fuzzy grammar fragments extracted from european central bank statements
Popovic et al. Multiple criteria approach in the ranking of the sustainable indicators for cultural heritage sites
Räty et al. Fusing diameter distributions predicted by an area-based approach and individual-tree detection in coniferous-dominated forests
CN113762795A (zh) 一种基于层次分析的产业链诊断方法及系统
Yolcu et al. An enhanced fuzzy time series forecasting method based on artificial bee colony
Waheeb et al. Forecasting the behavior of gas furnace multivariate time series using ridge polynomial based neural network models
CN111950852A (zh) 一种用户行为分析与指导方法、装置、电子设备和可读存储装置
Kotyrba et al. Methodology for Elliott waves pattern recognition
Siekmann et al. Information fusion in the context of stock index prediction
CN115330167A (zh) 船舶航行安全评估方法、装置、电子设备及介质
JP7492407B2 (ja) 業務支援システム
M John et al. Predicting House Prices using Machine Learning and LightGBM.
Pedregal Direct numerical algorithm for constrained variational problems
Cadenas et al. A More Realistic K-Nearest Neighbors Method and Its Possible Applications to Everyday Problems
Sutrisno et al. The Implementation of C4. 5 Algorithm for Determining the Department of Vocational High School

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
GR01 Patent grant
GR01 Patent grant