CN112613642B - 应急物资需求预测方法和装置、存储介质及电子设备 - Google Patents
应急物资需求预测方法和装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN112613642B CN112613642B CN202011419128.3A CN202011419128A CN112613642B CN 112613642 B CN112613642 B CN 112613642B CN 202011419128 A CN202011419128 A CN 202011419128A CN 112613642 B CN112613642 B CN 112613642B
- Authority
- CN
- China
- Prior art keywords
- data
- time period
- target
- prediction
- current time
- 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
Links
- 239000000463 material Substances 0.000 title claims abstract description 141
- 238000000034 method Methods 0.000 title claims abstract description 53
- 239000013077 target material Substances 0.000 claims abstract description 61
- 239000010410 layer Substances 0.000 claims description 97
- 230000015654 memory Effects 0.000 claims description 23
- 238000004590 computer program Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 7
- 239000002355 dual-layer Substances 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 5
- 239000000758 substrate Substances 0.000 claims 1
- 230000008569 process Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 239000002699 waste material Substances 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
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/04—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
-
- 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
- G06Q10/06—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
- 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
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Entrepreneurship & Innovation (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Educational Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种应急物资需求预测方法和装置、存储介质及电子设备。该方法包括：获取目标区域在当前时间段之前产生的历史数据；将历史物资使用数据输入双层预测模型，第一层预测模型用于根据当前时间段所在时间周期内的多个连续时间段的物资使用数据，预测当前时间段的物资需求数据；第二层预测模型用于根据多个时间周期内与当前时间段对应的同期时间段的物资使用数据，预测当前时间段的物资需求数据；获取第一层预测模型输出的第一预测数据，及第二层预测模型输出的第二预测数据；根据第一预测数据和第二预测数据，获取在当前时间段内为目标区域预测的目标物资的目标需求数据。本发明解决了对于物资需求量预测不准确的技术问题。
Description
技术领域
本发明涉及数据预测领域，具体而言，涉及一种应急物资需求预测方法和装置、存储介质及电子设备。
背景技术
我国夏季雷雨灾害发生频繁，导致电网经常被破坏，特别是在电网中使用的避雷器的损耗非常严重，这给电网安全稳定运行带来了巨大挑战。为及时抢修电网，恢复用户正常供电，保障电网稳定运行，需要提前准确充足的与避雷器一样的应急物资，因此应急物资需求量的准确预测至关重要。
当前，针对应急抢修类物资需求量预测的研究主要利用多元线性回归、遗传算法、支持向量机等方法进行物资需求量的预测。在不同类型灾害下各类应急物资需求量所受的影响程度是不一样的，但目前的预测方法大都是对整个应急物资大类进行统一的预测。对于具体灾害类型，例如雷雨灾害下受主要影响的具体物资，例如避雷器，需求量的预测研究并没有涉及。但在实际应用场景中，统一的预测方法对于具体物资的预测精度低，从而导致具体物资的储备量与当前状态并不匹配，在急需具体物资的时间内，会因预测不准确造成的物资紧缺而导致破坏无法被修复，在物资空闲的时间段内，还有可能造成该类物资的库存积压和物资浪费。
针对上述的问题，目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种应急物资需求预测方法和装置、存储介质及电子设备，以至少解决对于物资需求量预测不准确的技术问题。
根据本发明实施例的一个方面，提供了一种应急物资需求预测方法，包括：获取目标区域在当前时间段之前产生的历史数据，其中，上述历史数据包括目标物资的历史使用数据和历史天气数据；将上述历史物资使用数据输入双层预测模型，其中，上述双层预测模型中第一层预测模型用于根据上述当前时间段所在时间周期内的多个连续时间段的物资使用数据，预测上述当前时间段的物资需求数据，上述多个连续时间段位于上述当前时间段之前；上述双层预测模型中第二层预测模型用于根据多个时间周期内与上述当前时间段对应的同期时间段的物资使用数据，预测上述当前时间段的物资需求数据；获取上述第一层预测模型输出的第一预测数据，及上述第二层预测模型输出的第二预测数据，其中，上述第一预测数据用于指示在上述当前时间段内为上述目标区域预测的第一物资需求量；上述第二预测数据用于指示在上述当前时间段内为上述目标区域预测的第二物资需求量；根据上述第一预测数据和上述第二预测数据，获取在上述当前时间段内为上述目标区域预测的上述目标物资的目标需求数据。
根据本发明实施例的另一方面，还提供了一种应急物资需求预测装置，包括：第一获取模块，用于获取目标区域在当前时间段之前产生的历史数据，其中，上述历史数据包括目标物资的历史使用数据和历史天气数据；输入模块，用于将上述历史物资使用数据输入双层预测模型，其中，上述双层预测模型中第一层预测模型用于根据上述当前时间段所在时间周期内的多个连续时间段的物资使用数据，预测上述当前时间段的物资需求数据，上述多个连续时间段位于上述当前时间段之前；上述双层预测模型中第二层预测模型用于根据多个时间周期内与上述当前时间段对应的同期时间段的物资使用数据，预测上述当前时间段的物资需求数据；第二获取模块，用于获取上述第一层预测模型输出的第一预测数据，及上述第二层预测模型输出的第二预测数据，其中，上述第一预测数据用于指示在上述当前时间段内为上述目标区域预测的第一物资需求量；上述第二预测数据用于指示在上述当前时间段内为上述目标区域预测的第二物资需求量；第三获取模块，用于根据上述第一预测数据和上述第二预测数据，获取在上述当前时间段内为上述目标区域预测的上述目标物资的目标需求数据。
根据本发明实施例的又一方面，还提供了一种计算机可读的存储介质，该计算机可读的存储介质中存储有计算机程序，其中，该计算机程序被设置为运行时执行上述应急物资需求预测方法。
根据本发明实施例的又一方面，还提供了一种电子设备，包括存储器和处理器，上述存储器中存储有计算机程序，上述处理器被设置为通过所述计算机程序执行上述的应急物资需求预测方法。
在本发明实施例中，采用将目标区域内目标物资的历史使用数据和历史天气数据，输入双层预测模型的方式，通过利用第一层预测模型根据同一时间周期内的物资使用数据和对应的天气数据，预测获得第一预测数据，利用第二层预测模型根据多个时间周期内同期时间段的物资使用数据和对应的天气数据，预测获取第二预测数据，根据第一预测数据结合第二预测数据得到为目标物资预测的目标需求数据，达到了结合天气数据、同一周期内之前各时间段的使用数量和不同周期内同一时间段的使用数量预测当前时间段的物资需求数量，从而提高物资需求数量预测准确性的目的，从而实现了提高物资需求数量准确性，从而使物资与需求达到匹配的技术效果，进而解决了对于物资需求量预测不准确的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是根据本发明实施例的一种可选的应急物资需求预测方法的应用环境的示意图；
图2是根据本发明实施例的一种可选的应急物资需求预测方法的流程示意图；
图3是根据本发明实施例的一种可选的第一层预测模型单元的结构示意图；
图4是根据本发明实施例的一种可选的第一层预测模型的结构示意图；
图5是根据本发明实施例的又一种可选的应急物资需求预测方法的流程示意图；
图6是根据本发明实施例的一种可选的双层预测模型的结构示意图；
图7是根据本发明实施例的一种可选的应急物资需求预测装置的结构示意图；
图8是根据本发明实施例的一种可选的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，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的实施例，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做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
根据本发明实施例的一个方面，提供了一种应急物资需求预测方法，可选地，上述应急物资需求预测方法可以但不限于应用于如图1所示的环境中。终端设备102通过网络110与服务器112进行数据交互。
终端设备102将获取到的目标区域内，各个已经发生的时间段的历史数据通过网络110发送给服务器112。其中，历史数据包括目标物资在各个时间段的使用数据和各个时间段的天气数据。服务器112通过网络110接收到历史数据后，将其存储在数据库114中。并利用处理引擎116中的双层预测模型，根据历史数据对当前时间段的目标物资的需求数据进行预测。双层预测模型中的第一层预测模型根据当前时间段所在时间周期内的多个连续时间段的物资使用数据，获取当前时间段的第一预测数据。双层预测模型中的第二层预测模型根据多个时间周期内与当前时间段对应的同期时间段的物资使用数据，获取挡圈时间段的第二预测数据。在获取到第一预测数据和第二预测数据的情况下，根据第一预测数据和第二预测数据得到当前时间段内为目标区域预测的目标物资的预测需求数据。服务器112将目标需求数据通过网络110发送给终端设备102，以通过终端设备102提示对于目标物资的预测需求量，从而依据预测需求量调整目标物资的库存数量。
可选地，在本实施例中，上述终端设备102可以包括但不限于以下至少之一：手机(如Android手机、iOS手机等)、笔记本电脑、平板电脑、掌上电脑、MID(Mobile InternetDevices，移动互联网设备)、PAD、台式电脑、智能电视等。上述网络110可以包括但不限于：有线网络，无线网络，其中，该有线网络包括：局域网、城域网和广域网，该无线网络包括：蓝牙、WIFI及其他实现无线通信的网络。上述服务器112可以是单一服务器，也可以是由多个服务器组成的服务器集群，或者是云服务器。上述仅是一种示例，本实施例中对此不作任何限定。
作为一种可选的实施方式，如图2所示，上述应急物资需求预测方法包括：
S202，获取目标区域在当前时间段之前产生的历史数据，其中，历史数据包括目标物资的历史使用数据和历史天气数据；
S204，将历史物资使用数据输入双层预测模型，其中，双层预测模型中第一层预测模型用于根据当前时间段所在时间周期内的多个连续时间段的物资使用数据，预测当前时间段的物资需求数据，多个连续时间段位于当前时间段之前；双层预测模型中第二层预测模型用于根据多个时间周期内与当前时间段对应的同期时间段的物资使用数据，预测当前时间段的物资需求数据；
S206，获取第一层预测模型输出的第一预测数据，及第二层预测模型输出的第二预测数据，其中，第一预测数据用于指示在当前时间段内为目标区域预测的第一物资需求量；第二预测数据用于指示在当前时间段内为目标区域预测的第二物资需求量；
S208，根据第一预测数据和第二预测数据，获取在当前时间段内为目标区域预测的目标物资的目标需求数据。
可选地，目标区域是限定的区域范围，可以但不限于根据行政区域、街道、面积、类型等依据进行划分的区域范围，以根据划定的区域进行应急物资需求的预测。
可选地，目标物资是指需要进行需求量预测的物资，在此对于物资的种类、使用类型、使用方法不做任何限定。需要说明的是，一次预测只针对一种具体的物资。
可选地，时间段可以但不限于是依据设定的时间间隔对时间进行划分的时间区间。当前时间段是指当前时间所位于的时间间隔对应的时间段。对于时间段设定的时间间隔可以但不限于是以天为单位、以月为单位、以年为单位。
可选地，时间段所属的时间周期可以但不限于是根据时间段划分的时间间隔确定对应的时间周期所包含的时间段。各个时间周期内包含的时间段的数量相同，但是时间周期内具体包含的时间段数量在此不做限定。为使时间周期具备周期参考价值，通常一个时间周期至少包括三个时间段。例如，时间段设定的时间间隔是十天，对应的时间周期可以但不限于是一个月、一百天、半年。时间段设定的时间间隔是一个月，对应的时间周期可以但不限于是三个月、半年、一年。
可选地，在时间周期是连续的多个时间周期的情况下，当前时间段所在的时间周期的多个连续时间段可以但不限于是处于不同时间周期内的连续时间段。也就是说，第一层预测模型根据是当前时间段之前相邻的多个连续时间段，多个连续时间段可以是处于连续多个时间周期内、与当前时间段相邻的连续时间段。
可选地，历史使用数据可以但不限于是在目标区域内，已经发生的目标物资的使用数量和对应的使用时间。根据目标物资的使用时间将其划分至对应时间段内。当时间段设定的时间间隔不同时，目标物资的使用数量所属的时间段和所属的时间周期会随时间段进行相应归属。
可选地，历史天气数据可以但不限于是在目标区域内，已经过去的时间的原始天气数据。原始天气数据可以但不限于包括：环境温度、环境湿度、风速、天气类型。天气类型可以但不限于包括：晴、阴、风、多云、雨、雷电、雪、雾、霾。
可选地，历史天气数据可以但不限于是基于原始天气数据匹配到时间段内的天气统计数据。天气统计数据可以但不限于包括在时间段内的平均温度、平均湿度、平均风速、总降雨量、平均降雨量、各天气类型发生的概率。其中，各天气类型发生的概率可以但不限于是对应的天气类型的天数与时间段内总天数的比值。
可选地，双层预测模型可以但不限于是在模型中设置两个结构层，其中，两个结构层在结构上保持一致，但两个结构层对于数据的运算处理相互独立，且输入数据与输出数据不做关联关系限定。
可选地，已经发生的目标物资的使用数量和对应的使用时间作为输入数据，输入双层预测模型，则按照设定的时间间隔划分时间段和对应的时间周期，并将使用数量划分至使用时间对应的时间段中。
可选地，第一层预测模型是在全部输入数据中筛选出和当前时间段处于同一时间周期内的全部时间段的物资使用数据，并根据当前时间周期内的物资使用数据预测得出用于指示当前时间段内目标物资第一需求量的第一预测数据。
可选地，第二层预测模型是在全部输入数据中筛选出各个时间周期内与当前时间段处于同期时间段的物质使用数据，并根据多个同期时间段的物资使用数据预测得出用于指示当前时间段内目标物资第二需求量的第二预测数据。
可选地，目标需求数据作为双层预测模型的输出数据。
在本申请实施例中，采用将目标区域内目标物资的历史使用数据和历史天气数据，输入双层预测模型的方式，通过利用第一层预测模型根据同一时间周期内的物资使用数据和对应的天气数据，预测获得第一预测数据，利用第二层预测模型根据多个时间周期内同期时间段的物资使用数据和对应的天气数据，预测获取第二预测数据，根据第一预测数据结合第二预测数据得到为目标物资预测的目标需求数据，达到了结合天气数据、同一周期内之前各时间段的使用数量和不同周期内同一时间段的使用数量预测当前时间段的物资需求数量，从而提高物资需求数量预测准确性的目的，从而实现了提高物资需求数量准确性，使得物资与需求达到匹配，进而解决了对于物资需求量预测不准确的技术问题。
作为一种可选的实施方式，在将历史数据输入双层预测模型之前，还包括：对历史数据进行归一化处理；
在获取在当前时间段内为目标区域预测的目标物资的目标需求数据之后，对目标需求数据进行归一化处理。
可选地，归一化处理可以但不限于是按照时间序列进行归一化处理。归一化处理可以但不限于包括最大最小值归一化处理。
在本申请实施例中，由于历史数据中包括的历史使用数据和历史天气数据在数据结构上并不相同，在数值表现和取值范围也不相同，充分考虑到每一种输入数据对于目标物资的需求预测数据的影响，对输入和输出数据均进行归一化处理，以便于双层预测模型基于输入的历史数据得到输出的目标需求数据。
作为一种可选的实施方式，在获取目标区域在当前时间段之前产生的目标物资的历史物资使用数据之前，还包括：
获取样本数据，其中，样本数据包括多个时间周期内包含的多个连续时间段的物资使用量和与多个连续时间段各自对应的天气数据；
基于样本数据对初始预测模型进行模型训练，得到双层预测模型。
可选地，样本数据可以但不限于是在当前时间之前发生的全部历史数据。样本数据中的时间周期中的连续时间段至少是具备同期时间段的多个时间段。时间周期可以但不限于包括连续的时间周期。
可选地，初始预测模型可以但不限于未经训练的初始神经网络模型。对初始预测模型进行模型训练可以但不限于包括确定模型结构、确定各个部分的应用参数。
可选地，初始预测模型可以但不限于选用长短期记忆(Long short-term memory，LSTM)网络预测模型。
可选地，初始的长短期记忆网络预测模型包括如图3所示的单元结构。初始的LSTM模型是基于单元结构通过神经网络层和逐点相乘的计算方式实现数据预测。
可选地，经过模型训练后获得的双层LSTM预测模型中的第一层预测模型即第一LSTM模型的结构如图4所示。以时间段设定为自然月，时间周期设定为自然年，目标物资为避雷器为例，进行第一LSTM模型的示例说明。
首先，将当前月份前T个月历史避雷器使用数据和对应的天气数据作为第一LSTM模型的输入序列{x1，x2，…，xT}，其中xt＝{xt，1，xt，2，…，xt，k}∈Rk表示在第t时间步下的k维向量数据。
第一LSTM模型中单元内部更新过程如下：
遗忘门ft用于遗忘上层记忆单元状态ct-1信息，计算方式如下：
ft＝σ(Wfxt+Ufht-1+bf) (1)
其中，Wf是遗忘门的权重矩阵，bf是遗忘门偏置量，σ一般为Sigmoid函数。
记忆单元的候选状态均计算如公式(2)所示，决定当前单元的候选状态中被保留的信息的输入门it的计算如公式(3)所示。
it＝σ(Wixt+Uiht-1+bi) (3)
其中，Wi，Wc分别表示输入门it和候选状态的权重矩阵，bi，bc是对应的偏置量。
通过it和ft结合上一时刻记忆状态ct-1和当前时刻候选记忆状态来更新当前时刻的记忆单元状态ct：
其中，⊙表示按元素相乘。
输出门ot主要用来控制记忆单元状态值的输出。
ot＝σ(Woxt+Uoht-1+bo) (5)
其中，Wo是输出门ot的权值矩阵，bo是输出门的偏置量。
隐藏层输出值ht通过非线性计算得到。
ht＝ot⊙tanh(ct) (6)
任意t时刻的确定性预测值可由ht生成。
其中，Wy，t是权值矩阵。
可选地，经过模型训练后获得的双层LSTM预测模型中的第二层预测模型即第二LSTM模型的结构与第一LSTM模型结构一致。
作为一种可选的实施方式，如图5所示，根据第一预测数据和第二预测数据，获取在当前时间段内为目标区域预测的目标物资的目标需求数据包括：
S502，获取第一预测数据对应的第一加权数据和第二预测数据对应的第二加权数据；
S504，根据第一加权数据和第二加权数据对第一预测数据和第二预测数据进行线性加权计算，得到目标需求数据。
可选地，如图6所示，以时间段设定为自然月，时间周期设定为自然年，目标物资为避雷器为例进行说明。
第一LSTM模型的输入是当前月份的前T-1个月的避雷器使用数据和天气数据构成的序列：{x1，x2，…，xT}。第二LSTM模型的输入是前M年与当前月份相同月份的避雷器使用数据和天气数据构成的序列：{x′1，x′2…，x′T}。当前月份的避雷器目标需求数据由第一LSTM模型输出的预测值/>和第二LSTM模型输出的预测值/>做线性加权处理获得。目标需求数据/>的计算方法如公式(8)所示。
其中，为避雷器的目标需求数据；/>和/>分别为第一LSTM模型输出的第一预测数据和第二LSTM模型输出的第二预测数据；a和b分别为第一加权数据和第二加权数据。
在本申请实施例中，通过结合当前时间段之前的多个时间段的数据预测得到的第一预测数据，结合多个时间周期内同期时间段的数据共同得到最终的目标需求数据，不但考虑到前多个时间段数据对当前需求数据的影响，还参考了多个同期数据对于当前时间段的影响，从而提高当前时间段需求预测的准确性。
作为一种可选的实施方式，在获取在当前时间段内为目标区域预测的目标物资的目标需求数据之后，还包括：
在当前时间段结束的情况下，获取当前时间段内生成的目标物资的目标使用数据；
根据目标需求数据和目标使用数据获取当前时间段的预测偏差数据，其中，预测偏差数据用于指示根据双层预测模型预测得到的目标需求数据和在当前时间段内实际使用产生的目标使用数据之间的数据偏差；
根据预测偏差数据对双层预测模型中的参数进行更新。
可选地，目标使用数据可以但不限于是在当前时间段结束后的某个时间段，获取到的在当前时间段内目标物资实际的使用数量。
可选地，获取预测偏差数据可以但不限于利用函数计算的方式。
可选地，采用均方误差(Mean Squared Error，MSE)作为预测偏差数据的计算函数。
可选地，预测偏差数据的均方误差计算函数的计算公式如下：
其中，Pfi为双层预测模型输出的目标物资在当前时间段的目标需求值，Pi为目标物资在当前时间段实际使用的目标使用值，N为样本数目。
可选地，使用自适应动量估计(Adaptive Moment Estimation，Adam)优化器与沿时间轴的反向传播算法(Back Propagation throng Time，BPTT)相结合的方式对双层预测模型中的参数进行更新。
在本申请实施例中，通过利用预测需求数据与实际使用数据之前的预测误差数据对双层预测模型中的参数进行调整更新，在双层预测模型的每一次预测后进行误差分析和参数调整，以提高双层预测模型输出的预测需求数据的准确性。
作为一种可选的实施方式，在获取在当前时间段内为目标区域预测的目标物资的目标需求数据之后，还包括：
根据目标需求数据调整目标物资的库存数量。
作为一种可选的实施方式，根据目标需求数据调整目标物资的库存数据包括：
将目标需求数据作为目标物资的应备库存数量，通过调整使目标物资的现有存储数量达到应备库存数量，其中，调整包括与相邻区域进行物资调配和物资购入。
可选地，相邻区域可以但不限于是在地理位置上与目标区域相邻的区域，与目标区域相近的区域，能够进行物资调配的区域。
可选地，区域之间物资调配的调整优先级大于物资购入。在区域之间的物资调配后，现有库存数量仍旧无法满足应备库存数量的情况下，进行物资的购入。
在本申请实施例中，根据双侧预测模型输出的预测数据进行物资的库存调整，实现了针对具体物资进行物资预测以提高物资预测准确性，从而根据预测数量准备物资，实现了物资与需求匹配的技术效果。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本发明所必须的。
根据本发明实施例的另一个方面，还提供了一种用于实施上述应急物资需求预测方法的应急物资需求预测装置。如图7所示，该装置包括：
第一获取模块702，用于获取目标区域在当前时间段之前产生的历史数据，其中，历史数据包括目标物资的历史使用数据和历史天气数据；
输入模块704，用于将历史物资使用数据输入双层预测模型，其中，双层预测模型中第一层预测模型用于根据当前时间段所在时间周期内的多个连续时间段的物资使用数据，预测当前时间段的物资需求数据，多个连续时间段位于当前时间段之前；双层预测模型中第二层预测模型用于根据多个时间周期内与当前时间段对应的同期时间段的物资使用数据，预测当前时间段的物资需求数据；
第二获取模块706，用于获取第一层预测模型输出的第一预测数据，及第二层预测模型输出的第二预测数据，其中，第一预测数据用于指示在当前时间段内为目标区域预测的第一物资需求量；第二预测数据用于指示在当前时间段内为目标区域预测的第二物资需求量；
第三获取模块708，用于根据第一预测数据和第二预测数据，获取在当前时间段内为目标区域预测的目标物资的目标需求数据。
采用将目标区域内目标物资的历史使用数据和历史天气数据，输入双层预测模型的方式，通过利用第一层预测模型根据同一时间周期内的物资使用数据和对应的天气数据，预测获得第一预测数据，利用第二层预测模型根据多个时间周期内同期时间段的物资使用数据和对应的天气数据，预测获取第二预测数据，根据第一预测数据结合第二预测数据得到为目标物资预测的目标需求数据，达到了结合天气数据、同一周期内之前各时间段的使用数量和不同周期内同一时间段的使用数量预测当前时间段的物资需求数量，从而提高物资需求数量预测准确性的目的，从而实现了提高物资需求数量准确性，从而使物资与需求达到匹配的技术效果，进而解决了对于物资需求量预测不准确的技术问题。
根据本发明实施例的又一个方面，还提供了一种用于实施上述应急物资需求预测方法的电子设备，该电子设备可以是图1所示的终端设备或服务器。本实施例以该电子设备为服务器为例来说明。如图8所示，该电子设备包括存储器802和处理器804，该存储器802中存储有计算机程序，该处理器804被设置为通过计算机程序执行上述任一项方法实施例中的步骤。
可选地，在本实施例中，上述电子设备可以位于计算机网络的多个网络设备中的至少一个网络设备。
可选地，在本实施例中，上述处理器可以被设置为通过计算机程序执行以下步骤：
S1，获取目标区域在当前时间段之前产生的历史数据，其中，历史数据包括目标物资的历史使用数据和历史天气数据；
S2，将历史物资使用数据输入双层预测模型，其中，双层预测模型中第一层预测模型用于根据当前时间段所在时间周期内的多个连续时间段的物资使用数据，预测当前时间段的物资需求数据，多个连续时间段位于当前时间段之前；双层预测模型中第二层预测模型用于根据多个时间周期内与当前时间段对应的同期时间段的物资使用数据，预测当前时间段的物资需求数据；
S3，获取第一层预测模型输出的第一预测数据，及第二层预测模型输出的第二预测数据，其中，第一预测数据用于指示在当前时间段内为目标区域预测的第一物资需求量；第二预测数据用于指示在当前时间段内为目标区域预测的第二物资需求量；
S4，根据第一预测数据和第二预测数据，获取在当前时间段内为目标区域预测的目标物资的目标需求数据。
可选地，本领域普通技术人员可以理解，图8所示的结构仅为示意，电子设备也可以是智能手机(如Android手机、iOS手机等)、平板电脑、掌上电脑以及移动互联网设备(Mobile Internet Devices，MID)、PAD等终端设备。图8其并不对上述电子设备的结构造成限定。例如，电子设备还可包括比图8中所示更多或者更少的组件(如网络接口等)，或者具有与图8所示不同的配置。
其中，存储器802可用于存储软件程序以及模块，如本发明实施例中的应急物资需求预测方法和装置对应的程序指令/模块，处理器804通过运行存储在存储器802内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的应急物资需求预测方法。存储器802可包括高速随机存储器，还可以包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器802可进一步包括相对于处理器804远程设置的存储器，这些远程存储器可以通过网络连接至终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。其中，存储器802具体可以但不限于用于存储物品的样本特征与目标虚拟资源账号等信息。作为一种示例，如图8所示，上述存储器802中可以但不限于包括上述应急物资需求预测装置中的第一获取模块702，输入模块704，第二获取模块706以及第三获取模块708。此外，还可以包括但不限于上述应急物资需求预测装置中的其他模块单元，本示例中不再赘述。
可选地，上述的传输装置806用于经由一个网络接收或者发送数据。上述的网络具体实例可包括有线网络及无线网络。在一个实例中，传输装置806包括一个网络适配器(Network Interface Controller，NIC)，其可通过网线与其他网络设备与路由器相连从而可与互联网或局域网进行通讯。在一个实例中，传输装置806为射频(Radio Frequency，RF)模块，其用于通过无线方式与互联网进行通讯。
此外，上述电子设备还包括：显示器808，用于显示上述待处理的订单信息；和连接总线810，用于连接上述电子设备中的各个模块部件。
在其他实施例中，上述终端设备或者服务器可以是一个分布式系统中的一个节点，其中，该分布式系统可以为区块链系统，该区块链系统可以是由该多个节点通过网络通信的形式连接形成的分布式系统。其中，节点之间可以组成点对点(P2P，Peer To Peer)网络，任意形式的计算设备，比如服务器、终端等电子设备都可以通过加入该点对点网络而成为该区块链系统中的一个节点。
根据本申请的又一个方面，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述应急物资需求预测方面的各种可选实现方式中提供的方法。其中，该计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
可选地，在本实施例中，上述计算机可读的存储介质可以被设置为存储用于执行以下步骤的计算机程序：
S1，获取目标区域在当前时间段之前产生的历史数据，其中，历史数据包括目标物资的历史使用数据和历史天气数据；
S2，将历史物资使用数据输入双层预测模型，其中，双层预测模型中第一层预测模型用于根据当前时间段所在时间周期内的多个连续时间段的物资使用数据，预测当前时间段的物资需求数据，多个连续时间段位于当前时间段之前；双层预测模型中第二层预测模型用于根据多个时间周期内与当前时间段对应的同期时间段的物资使用数据，预测当前时间段的物资需求数据；
S3，获取第一层预测模型输出的第一预测数据，及第二层预测模型输出的第二预测数据，其中，第一预测数据用于指示在当前时间段内为目标区域预测的第一物资需求量；第二预测数据用于指示在当前时间段内为目标区域预测的第二物资需求量；
S4，根据第一预测数据和第二预测数据，获取在当前时间段内为目标区域预测的目标物资的目标需求数据。
可选地，在本实施例中，本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令终端设备相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：闪存盘、只读存储器(Read-Only Memory，ROM)、随机存取器(Random Access Memory，RAM)、磁盘或光盘等。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
上述实施例中的集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在上述计算机可读取的存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在存储介质中，包括若干指令用以使得一台或多台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。
在本发明的上述实施例中，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。
在本申请所提供的几个实施例中，应该理解到，所揭露的客户端，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种应急物资需求预测方法，其特征在于，包括：
获取目标区域在当前时间段之前产生的历史数据，其中，所述历史数据包括目标物资的历史使用数据和历史天气数据；
将所述历史数据输入双层预测模型，其中，所述双层预测模型中第一层预测模型用于根据所述当前时间段所在时间周期内的多个连续时间段的物资使用数据，预测所述当前时间段的物资需求数据，所述多个连续时间段位于所述当前时间段之前；所述双层预测模型中第二层预测模型用于根据多个时间周期内与所述当前时间段对应的同期时间段的物资使用数据，预测所述当前时间段的物资需求数据；
获取所述第一层预测模型输出的第一预测数据，及所述第二层预测模型输出的第二预测数据，其中，所述第一预测数据用于指示在所述当前时间段内为所述目标区域预测的第一物资需求量；所述第二预测数据用于指示在所述当前时间段内为所述目标区域预测的第二物资需求量；
根据所述第一预测数据和所述第二预测数据，获取在所述当前时间段内为所述目标区域预测的所述目标物资的目标需求数据。
2.根据权利要求1所述的方法，其特征在于，在所述获取目标区域在当前时间段之前产生的历史数据之前，还包括：
获取样本数据，其中，所述样本数据包括多个时间周期内包含的多个连续时间段的物资使用量和与所述多个连续时间段各自对应的天气数据；
基于所述样本数据对初始预测模型进行模型训练，得到所述双层预测模型。
3.根据权利要求1所述的方法，其特征在于，所述根据所述第一预测数据和所述第二预测数据，获取在所述当前时间段内为所述目标区域预测的所述目标物资的目标需求数据包括：
获取所述第一预测数据对应的第一加权数据和所述第二预测数据对应的第二加权数据；
根据所述第一加权数据和所述第二加权数据对所述第一预测数据和所述第二预测数据进行线性加权计算，得到所述目标需求数据。
4.根据权利要求1所述的方法，其特征在于，
在将所述历史数据输入双层预测模型之前，还包括：对所述历史数据进行归一化处理；
在获取在所述当前时间段内为所述目标区域预测的所述目标物资的目标需求数据之后，对所述目标需求数据进行归一化处理。
5.根据权利要求1所述的方法，其特征在于，在所述获取在所述当前时间段内为所述目标区域预测的所述目标物资的目标需求数据之后，还包括：
在所述当前时间段结束的情况下，获取所述当前时间段内生成的所述目标物资的目标使用数据；
根据所述目标需求数据和所述目标使用数据获取所述当前时间段的预测偏差数据，其中，所述预测偏差数据用于指示根据所述双层预测模型预测得到的所述目标需求数据和在所述当前时间段内实际使用产生的所述目标使用数据之间的数据偏差；
根据所述预测偏差数据对所述双层预测模型中的参数进行更新。
6.根据权利要求1所述的方法，其特征在于，在所述获取在所述当前时间段内为所述目标区域预测的所述目标物资的目标需求数据之后，还包括：
根据所述目标需求数据调整所述目标物资的库存数量。
7.根据权利要求6所述的方法，其特征在于，根据所述目标需求数据调整所述目标物资的库存数据包括：
将所述目标需求数据作为所述目标物资的应备库存数量，通过调整使所述目标物资的现有存储数量达到所述应备库存数量，其中，所述调整包括与相邻区域进行物资调配和物资购入。
8.一种应急物资需求预测装置，其特征在于，包括：
第一获取模块，用于获取目标区域在当前时间段之前产生的历史数据，其中，所述历史数据包括目标物资的历史使用数据和历史天气数据；
输入模块，用于将所述历史物资使用数据输入双层预测模型，其中，所述双层预测模型中第一层预测模型用于根据所述当前时间段所在时间周期内的多个连续时间段的物资使用数据，预测所述当前时间段的物资需求数据，所述多个连续时间段位于所述当前时间段之前；所述双层预测模型中第二层预测模型用于根据多个时间周期内与所述当前时间段对应的同期时间段的物资使用数据，预测所述当前时间段的物资需求数据；
第二获取模块，用于获取所述第一层预测模型输出的第一预测数据，及所述第二层预测模型输出的第二预测数据，其中，所述第一预测数据用于指示在所述当前时间段内为所述目标区域预测的第一物资需求量；所述第二预测数据用于指示在所述当前时间段内为所述目标区域预测的第二物资需求量；
第三获取模块，用于根据所述第一预测数据和所述第二预测数据，获取在所述当前时间段内为所述目标区域预测的所述目标物资的目标需求数据。
9.一种计算机可读的存储介质，其特征在于，所述计算机可读的存储介质包括存储的程序，其中，所述程序运行时执行所述权利要求1至7任一项中所述的方法。
10.一种电子设备，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为通过所述计算机程序执行所述权利要求1至7任一项中所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011419128.3A CN112613642B (zh) | 2020-12-07 | 2020-12-07 | 应急物资需求预测方法和装置、存储介质及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011419128.3A CN112613642B (zh) | 2020-12-07 | 2020-12-07 | 应急物资需求预测方法和装置、存储介质及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112613642A CN112613642A (zh) | 2021-04-06 |
| CN112613642B true CN112613642B (zh) | 2024-03-15 |
Family
ID=75229111
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011419128.3A Active CN112613642B (zh) | 2020-12-07 | 2020-12-07 | 应急物资需求预测方法和装置、存储介质及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112613642B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113657791A (zh) * | 2021-08-24 | 2021-11-16 | 北京来也网络科技有限公司 | 基于rpa及ai的险情应急处理方法、装置、设备及介质 |
| CN114399057A (zh) * | 2022-01-28 | 2022-04-26 | 青岛海尔科技有限公司 | 权重的调整方法和装置、存储介质及电子装置 |
| CN115049321B (zh) * | 2022-08-15 | 2022-11-11 | 国网浙江省电力有限公司信息通信分公司 | 基于地理信息的物资调配数据处理方法及系统 |
| CN116090666B (zh) * | 2023-03-11 | 2023-06-13 | 北斗天下卫星导航有限公司 | 基于环境和时序的物资需求预测方法、装置、设备和介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106600032A (zh) * | 2016-10-28 | 2017-04-26 | 北京国电通网络技术有限公司 | 一种库存物资需求预测方法及装置 |
| CN109272268A (zh) * | 2018-08-16 | 2019-01-25 | 国家电网有限公司 | 电力物资出库量测算方法及系统 |
| CN109376924A (zh) * | 2018-10-18 | 2019-02-22 | 广东电网有限责任公司 | 一种物资需求预测的方法、装置、设备及可读存储介质 |
| CN110443413A (zh) * | 2019-07-23 | 2019-11-12 | 华南理工大学 | 电力物资需求预测系统及电力物资需求模型的构建方法 |
| CN111639815A (zh) * | 2020-06-02 | 2020-09-08 | 贵州电网有限责任公司 | 一种多模型融合预测电网缺陷物资的方法及系统 |
-
2020
- 2020-12-07 CN CN202011419128.3A patent/CN112613642B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106600032A (zh) * | 2016-10-28 | 2017-04-26 | 北京国电通网络技术有限公司 | 一种库存物资需求预测方法及装置 |
| CN109272268A (zh) * | 2018-08-16 | 2019-01-25 | 国家电网有限公司 | 电力物资出库量测算方法及系统 |
| CN109376924A (zh) * | 2018-10-18 | 2019-02-22 | 广东电网有限责任公司 | 一种物资需求预测的方法、装置、设备及可读存储介质 |
| CN110443413A (zh) * | 2019-07-23 | 2019-11-12 | 华南理工大学 | 电力物资需求预测系统及电力物资需求模型的构建方法 |
| CN111639815A (zh) * | 2020-06-02 | 2020-09-08 | 贵州电网有限责任公司 | 一种多模型融合预测电网缺陷物资的方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 基于混合模型的水果需求量预测应用研究;严晨;《中国优秀硕士学位论文全文数据库经济与管理科学辑》;20190115(第1期);J149-728 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112613642A (zh) | 2021-04-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112613642B (zh) | 应急物资需求预测方法和装置、存储介质及电子设备 | |
| Sharma et al. | Forecasting daily global solar irradiance generation using machine learning | |
| Xie et al. | Relative humidity for load forecasting models | |
| Nguyen et al. | A new method for forecasting energy output of a large-scale solar power plant based on long short-term memory networks a case study in Vietnam | |
| Dehwah et al. | UD-WCMA: An energy estimation and forecast scheme for solar powered wireless sensor networks | |
| CN111680841B (zh) | 基于主成分分析的短期负荷预测方法、系统及终端设备 | |
| JP2014021555A (ja) | 自然エネルギー量予測装置 | |
| US20170148114A1 (en) | Identification of peak days | |
| US9189766B2 (en) | Real time provisional evaluation of utility program performance | |
| KR101860457B1 (ko) | 기상 영향 분석 방법 및 이를 수행하기 위한 장치 | |
| Kumar et al. | Power consumption forecast model using ensemble learning for smart grid | |
| JP2023016742A (ja) | 気象発生予測を生成するためのコンピュータ実装の方法、コンピュータプログラム、コンピュータサーバ（気象シナリオのシミュレーションおよび極端な気象の予測） | |
| CN114266602A (zh) | 电力物联网多源数据融合的深度学习电价预测方法和装置 | |
| Liu et al. | An optimized short-term wind power interval prediction method considering NWP accuracy | |
| Xu et al. | Federated learning for interpretable short-term residential load forecasting in edge computing network | |
| Zhao et al. | An objective prediction model for typhoon rainstorm using particle swarm optimization: neural network ensemble | |
| CN117791618A (zh) | 电力调度方法、装置、计算机设备和存储介质 | |
| Zarnani et al. | Clustering numerical weather forecasts to obtain statistical prediction intervals | |
| CN108710966A (zh) | 一种基于多簇esn神经网络的光伏发电功率预测方法 | |
| Khatib et al. | Estimating ambient temperature for Malaysia using generalized regression neural network | |
| CN115952921A (zh) | 一种光伏能源功率预测方法、装置、电子设备及存储介质 | |
| KR102266494B1 (ko) | 수요반응을 위한 딥러닝 기반 고객 분류 장치 및 방법 | |
| Das et al. | Energy efficient data prediction model for the sensor cloud environment | |
| Desportes et al. | Short-term temperature forecasting on a several hours horizon | |
| Nowak et al. | Artificial neural networks in proglacial discharge simulation: application and efficiency analysis in comparison to the multivariate regression; a case study of Waldemar River (Svalbard) |
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 |