CN112036758A - 基于成分数据的灰色qrnn修正的能耗结构预测方法 - Google Patents
基于成分数据的灰色qrnn修正的能耗结构预测方法 Download PDFInfo
- Publication number
- CN112036758A CN112036758A CN202010915883.4A CN202010915883A CN112036758A CN 112036758 A CN112036758 A CN 112036758A CN 202010915883 A CN202010915883 A CN 202010915883A CN 112036758 A CN112036758 A CN 112036758A
- Authority
- CN
- China
- Prior art keywords
- energy consumption
- data
- representing
- matrix
- consumption structure
- 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
Links
- 238000005265 energy consumption Methods 0.000 title claims abstract description 97
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000012937 correction Methods 0.000 title abstract description 10
- 230000009466 transformation Effects 0.000 claims abstract description 13
- 238000012545 processing Methods 0.000 claims abstract description 8
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 claims description 64
- 239000011159 matrix material Substances 0.000 claims description 63
- 239000003245 coal Substances 0.000 claims description 32
- 239000003345 natural gas Substances 0.000 claims description 32
- 238000005096 rolling process Methods 0.000 claims description 27
- 238000012360 testing method Methods 0.000 claims description 21
- 239000000203 mixture Substances 0.000 claims description 18
- 239000003208 petroleum Substances 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 12
- 239000003921 oil Substances 0.000 claims description 10
- 239000000126 substance Substances 0.000 claims description 9
- 239000011541 reaction mixture Substances 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 3
- 230000004069 differentiation Effects 0.000 claims description 3
- 238000011161 development Methods 0.000 abstract description 6
- 238000013528 artificial neural network Methods 0.000 abstract description 4
- 230000000694 effects Effects 0.000 abstract description 4
- 230000002349 favourable effect Effects 0.000 abstract description 2
- 238000011160 research Methods 0.000 description 12
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000000547 structure data Methods 0.000 description 2
- 238000011426 transformation method Methods 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 238000012706 support-vector machine Methods 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
- 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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- 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
- 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)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- Educational Administration (AREA)
- Computational Linguistics (AREA)
- Game Theory and Decision Science (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Compression, Expansion, Code Conversion, And Decoders (AREA)
Abstract
本发明公开了一种基于成分数据的灰色QRNN修正的能耗结构预测方法,包括:1提取任意地区能源消耗结构成分数据,并进行对称对数比变换的数据预处理;2运用灰色GM(1,1)模型对预处理后的数据进行初步预测,计算其残差;3针对残差序列建立分位数回归神经网络预测模型,得到不同分位点下的条件分位数;4将不同分位点下的条件分位数作为Epanechnikov核函数的输入变量进行概率密度预测,得到残差预测值;5结合灰色模型预测值与残差预测值,得到能耗结构处理后数据的修正数据;经反变换后得到最终的能耗结构成分数据预测值。本发明能得到预测效果精确的能耗结构预测模型,从而能为能源的合理配置和有效开发提供有利帮助。
Description
技术领域
本发明属于能耗结构预测领域,具体的说是一种基于成分数据的灰色QRNN修正的能耗结构预测方法。
背景技术
能源是人类经济发展、社会文明进步不可缺少的重要资源,在现代化建设中至关重要。能源消耗系统是能源、环境及社会系统的重要组成部分。随着社会的不断发展,能源的需求量不断增长,能源供需矛盾日益显著。科学的对能源消耗进行预测,关系到社会进步、经济发展和宏观政策的制定等,有着重要的意义。
国内外许多学者在能源消耗预测领域进行了大量研究,大致可分为统计方法、人工智能方法和灰色模型。统计方法主要包括回归分析法、指数平滑法、ARIMA预测法等;人工智能方法主要包括人工神经网络、支持向量机和遗传算法等,它们在求解非线性问题方面能力突出;灰色模型的优点为预测时不需要大量样本、样本不需要规律性分布,在能源消耗预测领域效果显著。然而,单一的预测方法很难在所有情况下都取得优异的预测效果。并且在现有研究中,许多学者侧重于对能源消耗绝对量的研究,对能源消耗结构的研究较少。在当前的技术背景下,急需提出一种针对能源消耗结构的特殊预测方法,深入研究能源消耗结构,增加研究的深度与广度,拓宽能源消耗预测领域的研究边界。研究能源消耗结构对于认识与把握能源经济的变化趋势、发展规律等关键问题也有重要的理论意义。
发明内容
本发明是为了解决上述现有技术存在的不足之处,提出一种基于成分数据的灰色QRNN修正的能耗结构预测方法,以期能得到预测效果精确的能耗结构预测模型,从而能为能源的合理配置和有效开发提供有利帮助。
本发明为达到上述发明目的,采用如下技术方案:
本发明一种基于成分数据的灰色QRNN修正的能耗结构预测方法的特点是按如下步骤进行:
步骤1:提取任意地区能源消耗数据并进行成分化处理,得到按时间顺序t=1,2,...,T排列的煤炭、石油、天然气、一次电力的能耗结构矩阵,其中,第t个时刻点的能耗结构矩阵记为令第t个时刻点的第j组能耗结构成分数据为且其中,表示第t个时刻点的煤炭的能耗结构成分数据;表示第t个时刻点的石油的能耗结构成分数据;表示第t个时刻点的天然气的能耗结构成分数据;表示第t个时刻点的一次电力的能耗结构成分数据;
使用对称对数比变换对能耗结构矩阵At进行数据预处理,得到第t个时刻点的预处理后的矩阵分别表示第t个时刻点的煤炭、石油、天然气、一次电力的处理后的数据序列,令第t个时刻点的第j组处理后的数据序列记为且满足
步骤3:从T个时刻点的残差矩阵{Et,t=1,2,…,T}中分别选取煤炭、石油、天然气、一次电力的前P个时刻点的残差数据,用于预测P+1时刻的残差数据,从而利用滚动预测法得到四个滚动矩阵{(Xj,Yj),j=1,2,3,4},其中,Xj为第j个滚动矩阵的解释变量,Yj为第j个滚动矩阵的被解释变量,(X1,Y1)表示处理后煤炭残差数据的滚动矩阵,(X2,Y2)表示处理后石油残差数据的滚动矩阵,(X3,Y3)表示处理后天然气残差数据的滚动矩阵,(X4,Y4)表示处理后一次电力残差数据的滚动矩阵;将第j个滚动矩阵(Xj,Yj)划分为第j个训练集和第j个测试集其中,第j个测试集的被解释变量的数据量个数为l;
式(1)中,τm是第m个分位点,是第j组成分数据第t个时刻点的连接输入层与隐含层之间的权重矩阵,其中,表示第j组成分数据第t个时刻点的第q个输入层节点与第i个隐含层节点之间的连接权重;表示第j组成分数据第t个时刻点的隐含层与输出层之间的连接权重向量,表示第j组成分数据第t个时刻点的的第i个隐含层节点与输出层节点的连接权重,g1是隐含层的激活函数,g2是输出层函数;是被解释变量在解释变量的第m个分位点τm的条件分位数;
从第j个测试集的被解释变量的任意k点处的概率密度分布中提取出第j组处理后能耗结构成分数据的残差的S个离散点所对应的概率值从而利用式(3)得到第j种处理后的能耗结构成分数据在测试集中任意k点处的残差预测值得到第j组处理后能耗结构成分数据的残差预测序列进而得到处理后能耗结构成分数据残差预测矩阵为
步骤6:对所述最终预测值进行反变换,分别得到煤炭、石油、天然气、一次电力的最终能源消耗结构预测值 从而构成能耗结构预测矩阵其中,表示第t个时刻点的能耗结构预测矩阵,且分别表示第t个时刻点煤炭、石油、天然气、一次电力的最终能源消耗结构预测值。
与现有技术相比,本发明的有益效果在于:
1.现有研究多是基于能耗绝对量的研究,现有对能耗结构进行建模分析受到的关注较少,而本发明使用成分数据分析能耗结构是对现有研究成果的修正和补充,从而使得能耗预测领域更加全面成熟。
2.本发明基于成分数据的研究方法,使用对称对数比变换对成分数据进行数据预处理,克服了成分数据的定和约束,处理后数据与原始成分数据一一对应,很好地反映了各组能耗成分数据的特点。
3.本发明使用GM(1,1)模型对处理后成分数据预测后,引入误差修正的思想,对所得误差值使用QRNN模型进行预测,从而对GM(1,1)模型预测值进行误差修正,改进了GM(1,1)模型,减少了GM(1,1)模型在预测不完全光滑数据的局限性,得到可靠的预测结果。
4.本发明使用QRNN的预测方法,将神经网络与分位数回归的优点组合起来,不仅能揭示被解释变量的整体条件分布,而且能处理复杂的非线性问题,在预测上有很强的优越性,从而能得到较为准确的残差预测值。
附图说明
图1为本发明的整体流程图。
具体实施方式
本实施例中,一种基于成分数据的灰色QRNN修正的能耗结构预测方法,是根据能耗结构数据的特点选取反映成分数据特征的对称对数变换法方法以及一种结合GM(1,1)模型与QRNN模型的混合预测方法,首先是提取任意地区能源消耗结构成分数据,对该成分数据进行对称对数比变换的数据预处理,得到煤炭、石油、天然气、一次电力的能源消耗成分数据;运用灰色GM(1,1)模型分别对预处理后的煤炭、石油、天然气、一次电力的能源消耗成分数据进行初步预测,计算其残差;针对残差序列建立4个分位数回归神经网络(QRNN)预测模型,得到不同分位点下的条件分位数;将不同分位点下的条件分位数作为Epanechnikov核函数的输入变量进行概率密度预测;结合灰色模型预测值与残差预测值,得到处理后能耗结构数据的残差修正数据;经反变换后得到最终的能耗结构成分数据预测值。具体的说,如图1所示,是按如下步骤进行:
步骤1:提取任意地区能源消耗数据并进行成分化处理,得到按时间顺序t=1,2,...,T排列的煤炭、石油、天然气、一次电力的能耗结构成分数据矩阵,其中,第t个时刻点的能耗结构矩阵记为令第t个时刻点的第j组能耗结构成分数据为且j=1,2,3,4,其中,表示第t个时刻点的煤炭的能耗结构成分数据;表示第t个时刻点的石油的能耗结构成分数据;表示第t个时刻点的天然气的能耗结构成分数据;表示第t个时刻点的一次电力的能耗结构成分数据;
使用对称对数比变换对能耗结构矩阵At进行数据预处理,得到第t个时刻点的预处理后的矩阵分别表示第t个时刻点的煤炭、石油、天然气、一次电力的处理后的数据序列,令第t个时刻点的第j组处理后的数据序列记为且满足对称对数比变换实现方法如式(1)所示:
使用对称对数比变换,消除了成分数据的定和约束,处理后的数据取值范围为R,后续选取预测模型建模会更加便利。
步骤2:使用GM(1,1)模型对煤炭、石油、天然气、一次电力的处理后的数据序列分别进行预测,得到由煤炭、石油、天然气、一次电力的灰色模型预测值所构成的第t个时刻点的预测矩阵GM(1,1)的一阶微分方程表达式为:
解得预测值为:
步骤3:从T个时刻点的残差矩阵{Et,t=1,2,…,T}中分别选取煤炭、石油、天然气、一次电力的前P个时刻点的残差数据,用于预测P+1时刻的残差数据,从而利用滚动预测法得到四个滚动矩阵{(Xj,Yj),j=1,2,3,4},其中,Xj为第j个滚动矩阵的解释变量,Yj为第j个滚动矩阵的被解释变量,(X1,Y1)表示处理后煤炭残差数据的滚动矩阵,(X2,Y2)表示处理后石油残差数据的滚动矩阵,(X3,Y3)表示处理后天然气残差数据的滚动矩阵,(X4,Y4)表示处理后一次电力残差数据的滚动矩阵;将第j个滚动矩阵(Xj,Yj)划分为第j个训练集和第j个测试集其中,第j个测试集的被解释变量的数据量个数为l;
式(1)中,τm是第m个分位点,是第j组成分数据第t个时刻点的连接输入层与隐含层之间的权重矩阵,其中,表示第j组成分数据第t个时刻点的第q个输入层节点与第i个隐含层节点之间的连接权重;表示第j组成分数据第t个时刻点的隐含层与输出层之间的连接权重向量,表示第j组成分数据第t个时刻点的的第i个隐含层节点与输出层节点的连接权重,g1是隐含层的激活函数,g2是输出层函数;是被解释变量在解释变量的第m个分位点τm的条件分位数;
从第j个测试集的被解释变量的任意k点处的概率密度分布中提取出第j组处理后能耗结构成分数据残差的S个离散点所对应的概率值从而利用式(3)得到第j种处理后的能耗结构成分数据在测试集中任意k点处的残差预测值得到第j组处理后能耗结构成分数据的残差预测序列进而得到处理后能耗结构成分数据残差预测矩阵为
Claims (1)
1.一种基于成分数据的灰色QRNN修正的能耗结构预测方法,其特征是按如下步骤进行:
步骤1:提取任意地区能源消耗数据并进行成分化处理,得到按时间顺序t=1,2,...,T排列的煤炭、石油、天然气、一次电力的能耗结构矩阵,其中,第t个时刻点的能耗结构矩阵记为令第t个时刻点的第j组能耗结构成分数据为且其中,表示第t个时刻点的煤炭的能耗结构成分数据;表示第t个时刻点的石油的能耗结构成分数据;表示第t个时刻点的天然气的能耗结构成分数据;表示第t个时刻点的一次电力的能耗结构成分数据;
使用对称对数比变换对能耗结构矩阵At进行数据预处理,得到第t个时刻点的预处理后的矩阵 分别表示第t个时刻点的煤炭、石油、天然气、一次电力的处理后的数据序列,令第t个时刻点的第j组处理后的数据序列记为且满足
步骤3:从T个时刻点的残差矩阵{Et,t=1,2,…,T}中分别选取煤炭、石油、天然气、一次电力的前P个时刻点的残差数据,用于预测P+1时刻的残差数据,从而利用滚动预测法得到四个滚动矩阵{(Xj,Yj),j=1,2,3,4},其中,Xj为第j个滚动矩阵的解释变量,Yj为第j个滚动矩阵的被解释变量,(X1,Y1)表示处理后煤炭残差数据的滚动矩阵,(X2,Y2)表示处理后石油残差数据的滚动矩阵,(X3,Y3)表示处理后天然气残差数据的滚动矩阵,(X4,Y4)表示处理后一次电力残差数据的滚动矩阵;将第j个滚动矩阵(Xj,Yj)划分为第j个训练集和第j个测试集其中,第j个测试集的被解释变量的数据量个数为l;
式(1)中,τm是第m个分位点,是第j组成分数据第t个时刻点的连接输入层与隐含层之间的权重矩阵,其中,表示第j组成分数据第t个时刻点的第q个输入层节点与第i个隐含层节点之间的连接权重;表示第j组成分数据第t个时刻点的隐含层与输出层之间的连接权重向量,表示第j组成分数据第t个时刻点的的第i个隐含层节点与输出层节点的连接权重,g1是隐含层的激活函数,g2是输出层函数;是被解释变量在解释变量的第m个分位点τm的条件分位数;
从第j个测试集的被解释变量的任意k点处的概率密度分布中提取出第j组处理后能耗结构成分数据的残差的S个离散点所对应的概率值从而利用式(3)得到第j种处理后的能耗结构成分数据在测试集中任意k点处的残差预测值得到第j组处理后能耗结构成分数据的残差预测序列进而得到处理后能耗结构成分数据残差预测矩阵为
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010915883.4A CN112036758B (zh) | 2020-09-03 | 2020-09-03 | 基于成分数据的灰色qrnn修正的能耗结构预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010915883.4A CN112036758B (zh) | 2020-09-03 | 2020-09-03 | 基于成分数据的灰色qrnn修正的能耗结构预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112036758A true CN112036758A (zh) | 2020-12-04 |
CN112036758B CN112036758B (zh) | 2022-09-13 |
Family
ID=73592357
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010915883.4A Active CN112036758B (zh) | 2020-09-03 | 2020-09-03 | 基于成分数据的灰色qrnn修正的能耗结构预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112036758B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015172560A1 (zh) * | 2014-05-16 | 2015-11-19 | 华南理工大学 | 基于bp神经网络的中央空调冷负荷的预测方法 |
CN107358318A (zh) * | 2017-06-29 | 2017-11-17 | 上海电力学院 | 基于GM(1,1)模型和灰色Verhulst模型的城市用电量预测方法 |
CN109598375A (zh) * | 2018-11-23 | 2019-04-09 | 国网山东省电力公司经济技术研究院 | 一种基于能源需求总量改进的能源需求结构预测方法 |
CN109637196A (zh) * | 2019-01-10 | 2019-04-16 | 南京航空航天大学 | 航路扇区交通概率密度预测方法 |
CN110489783A (zh) * | 2019-07-05 | 2019-11-22 | 江苏方天电力技术有限公司 | 一种基于qrnn的低压台区线损率合理范围估计方法 |
CN110555566A (zh) * | 2019-09-10 | 2019-12-10 | 合肥工业大学 | 一种基于b样条分位数回归的光电概率密度预测方法 |
CN110807554A (zh) * | 2019-10-31 | 2020-02-18 | 合肥工业大学 | 基于风电/光伏经典场景集的生成方法及系统 |
CN111581832A (zh) * | 2020-05-12 | 2020-08-25 | 哈尔滨工程大学 | 一种基于ARMA模型修正的改进灰色Elman神经网络气垫船运动预报方法 |
-
2020
- 2020-09-03 CN CN202010915883.4A patent/CN112036758B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015172560A1 (zh) * | 2014-05-16 | 2015-11-19 | 华南理工大学 | 基于bp神经网络的中央空调冷负荷的预测方法 |
CN107358318A (zh) * | 2017-06-29 | 2017-11-17 | 上海电力学院 | 基于GM(1,1)模型和灰色Verhulst模型的城市用电量预测方法 |
CN109598375A (zh) * | 2018-11-23 | 2019-04-09 | 国网山东省电力公司经济技术研究院 | 一种基于能源需求总量改进的能源需求结构预测方法 |
CN109637196A (zh) * | 2019-01-10 | 2019-04-16 | 南京航空航天大学 | 航路扇区交通概率密度预测方法 |
CN110489783A (zh) * | 2019-07-05 | 2019-11-22 | 江苏方天电力技术有限公司 | 一种基于qrnn的低压台区线损率合理范围估计方法 |
CN110555566A (zh) * | 2019-09-10 | 2019-12-10 | 合肥工业大学 | 一种基于b样条分位数回归的光电概率密度预测方法 |
CN110807554A (zh) * | 2019-10-31 | 2020-02-18 | 合肥工业大学 | 基于风电/光伏经典场景集的生成方法及系统 |
CN111581832A (zh) * | 2020-05-12 | 2020-08-25 | 哈尔滨工程大学 | 一种基于ARMA模型修正的改进灰色Elman神经网络气垫船运动预报方法 |
Non-Patent Citations (2)
Title |
---|
YAOYAO HE: "Forecasting energy consumption in Anhui province of China through two Box-Cox transformation quantile regression probability density methods", 《MEASUREMENT》 * |
李玉鹏等: "基于顾客满意度感知要素的需求预测模型", 《计算机集成制造系统》 * |
Also Published As
Publication number | Publication date |
---|---|
CN112036758B (zh) | 2022-09-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Optimal forecast combination based on neural networks for time series forecasting | |
CN112990556A (zh) | 一种基于Prophet-LSTM模型的用户用电能耗预测方法 | |
CN108009667A (zh) | 一种能源需求总量及结构预测系统 | |
CN110619419B (zh) | 城市轨道交通的客流预测方法 | |
CN111784057A (zh) | 一种基于快照反馈机制的短期电力负荷预测组合方法 | |
CN112289391A (zh) | 一种基于机器学习的阳极铝箔性能预测系统 | |
CN114707712A (zh) | 一种发电机组备件需求的预测方法 | |
CN113506121A (zh) | 价格影响因素的分析方法及装置 | |
CN110807490A (zh) | 一种基于单基塔的输电线路工程造价智能预测方法 | |
CN110533249B (zh) | 一种基于集成长短期记忆网络的冶金企业能耗预测方法 | |
CN117114160A (zh) | 一种短期光伏功率预测方法 | |
CN114897224A (zh) | 基于数学模型的城市碳排放预测方法 | |
CN1327376C (zh) | 基于支持向量机的软测量仪表建模方法 | |
CN112036758B (zh) | 基于成分数据的灰色qrnn修正的能耗结构预测方法 | |
CN112232570A (zh) | 一种正向有功总电量预测方法、装置及可读存储介质 | |
CN116843012A (zh) | 一种融合个性化上下文和时域动态特征的时序预测方法 | |
CN112183848B (zh) | 基于dwt-svqr集成的电力负荷概率预测方法 | |
CN113835964B (zh) | 基于小样本学习的云数据中心服务器能耗预测方法 | |
CN111476408B (zh) | 一种电力通信设备状态预测方法及系统 | |
CN114638421A (zh) | 一种发电机组备件需求的预测方法 | |
CN114330485A (zh) | 基于pls-svm-ga算法的电网投资能力预测方法 | |
CN111680846A (zh) | 一种基于l1和l2范数的简化宽度学习系统 | |
Wen et al. | CosNAS: Enhancing estimation on cosmological parameters via neural architecture search | |
Zhang et al. | Twin support vector regression model based on heteroscedastic Gaussian noise and its application | |
CN116667326B (zh) | 一种电动汽车充电负荷预测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |