CN113240162B - 一种基于EEMD-Prophet算法的医院能耗预测方法 - Google Patents

一种基于EEMD-Prophet算法的医院能耗预测方法 Download PDF

Info

Publication number
CN113240162B
CN113240162B CN202110468707.5A CN202110468707A CN113240162B CN 113240162 B CN113240162 B CN 113240162B CN 202110468707 A CN202110468707 A CN 202110468707A CN 113240162 B CN113240162 B CN 113240162B
Authority
CN
China
Prior art keywords
energy consumption
temp
service
hospital
historical
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
CN202110468707.5A
Other languages
English (en)
Other versions
CN113240162A (zh
Inventor
张军锋
陈高祥
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.)
Nanjing Tiansu Automation Control System Co ltd
Original Assignee
Nanjing Tiansu Automation Control System 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 Nanjing Tiansu Automation Control System Co ltd filed Critical Nanjing Tiansu Automation Control System Co ltd
Priority to CN202110468707.5A priority Critical patent/CN113240162B/zh
Publication of CN113240162A publication Critical patent/CN113240162A/zh
Application granted granted Critical
Publication of CN113240162B publication Critical patent/CN113240162B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/20—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the management or administration of healthcare resources or facilities, e.g. managing hospital staff or surgery rooms

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • General Business, Economics & Management (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Game Theory and Decision Science (AREA)
  • Marketing (AREA)
  • Public Health (AREA)
  • Development Economics (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Epidemiology (AREA)
  • Biomedical Technology (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Primary Health Care (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本发明涉及一种基于EEMD‑Prophet算法的医院能耗预测方法，采用全新设计思路，考虑医院内部能耗因素的同时，提出行业特征模式利用，加入医院的业务量因素与医院所在地区的气温因素的考虑，再应用EEMD去除噪音处理、数据跨域补充、能耗点位特征分类，通过获得医院各点位分别对应目标时间节点的能耗预测结果，进而获得目标医院对应目标时间节点的能耗预测结果，高效实现目标医院对应目标时间节点的能耗预测。

Description

一种基于EEMD-Prophet算法的医院能耗预测方法
技术领域
本发明涉及一种基于EEMD-Prophet算法的医院能耗预测方法，属于能耗预测技术领域。
背景技术
医院的能耗支出占据了医院后勤成本的很大比例，为了响应国家节能减排号召、降低医院运营成本，同时也为了提升医院能耗监测的准确性和有效性，整体提升医院运行安全性，必须实现对医院能耗的高精度分析预测。
医院能耗受所处地理位置、气候特征、当地社会经济发展水平、建筑节能参数、医院规模类型、医院业务量等诸多因素影响，因此医院能耗是一个多维度非线性模型，目前在学术界和工业界都没有研究出准确可靠的医院能耗预测模型，也没有发展出稳定可靠的预测方法。
传统的能耗预测方法包括两大类，一类是基于确定性模型的方法，另一类是基于机器学习的方法。基于确定性模型的方法，通常需要将影响医院能耗的各种因素进行总结归纳和量化表达，然后以这些变量作为基础，从物理和数学两方面入手找到与能耗的解析表达式，最后利用表达式对未来能耗进行预测。基于机器学习的方法则不关心变量和预测量的准确关系，寄希望于从大量观测数据中自动学习能耗与各影响因素之间的复杂联系，然后通过这种黑箱模型进行预测。
传统方式建立的模型是非线形、强耦合、多变量、不确定的复杂动态系统模型，因此出现了建模困难、计算复杂度高、计算精度低、预测准确度低等问题。
根据国家政策的要求，以及物联网技术、大数据技术的发展，很多大中型医院逐步建立了能耗采集系统。通过在医院大量部署能耗采集传感器，全方位实时采集目标区域的能耗数据，并实现对采集数据的存储、统计、分析和展示。这些能耗采集系统可根据不同点位区域、不同目的、不同时间尺度(连续采样、周期性采样(秒、分、时、日))进行灵活配置。随着时间的积累，采集系统即可形成规模庞大的时间序列数据库，这为基于时间序列的高精度医院能耗预测提供了基础和可能。
时间序列预测已被广泛研究，但放之四海而皆准的方法却几乎没有，但凡所谓的通用模型，其精度往往达不到要求。近年来PROPHET算法因在时间序列预测上的可靠性而广受关注。
Prophet算法是一种针对时间序列进行分解分析的方法，它把时间序列y(t)分解成四大项，即y(t)＝g(t)+s(t)+h(t)+ε(t)，其中，g(t)为趋势项，表示的是时间序列在非周期上的变化趋势；s(t)为周期项或，一般是以周或者年为单位；h(t)为节假日因素，表示在当天是否存在节假日；ε(t)为误差项或者剩余项。
其中，g(t)的计算方式位：
Figure GDA0003464441090000021
g(t)是一个逻辑回归函数，C表示曲线的最大渐进值，k表示曲线增长率，m表示曲线中点，在现实环境中，这三个参数不是常数，而是随时间变化的变量，因此用于C(t)、k(t)、m(t)表示，这三个参数的确定，将极大影响最终趋势项的预测准确性。
s(t)的计算方式为：
Figure GDA0003464441090000022
s(t)是傅立叶级数，用它来模拟时间序列的周期性，
Figure GDA0003464441090000023
为对应余弦波和正弦波对应的频率，an和bn分别为对应频率余弦波和正弦波的幅度值，这些参数最终影响周期项的预测准确性。
Prophet算法对于具有明显时间依赖性的量有高精度的预测结果，因此它的局限性和缺陷也非常明显：
1)算法只考虑了时间特征，而缺乏明确的特征工程，这种特征可能决定了预测的结果。比如对医院能耗来说，影响它的核心因素主要包括能耗类型、时间分布和空间分布、业务分布等，而Prophet方法则忽略了这些。
2)Prophet直接处理原始数据使得问题的复杂度增加、预测精度降低。一方面是因为原始数据中包含噪音、误差、数据缺失等不利因素；同时，原始观测数据是各种复杂因素的综合结果，直接反演的难度是很大的。
3)Prophet算法要求原始数据有比较明确的周期性，这对于想要研究以年和季度作为周期的能耗特性而言，就必须要求有多年的观测数据，从而体现出长周期性，否则方法将失败。而实际中，医院能耗采集系统建立的时间大概是三年左右，无法提供有效数据。
4)能耗分析预测时没有考虑不同能耗采集点的能源消耗构成，例如暖通空调、生活热水、医疗设备、机电设备等不同类型在不同点位中有不同的占比。不同类型的点位按照物理位置混杂在一起，导致估算时各因素干扰，分析预测不够准确。
发明内容
本发明所要解决的技术问题是提供一种基于EEMD-Prophet算法的医院能耗预测方法，综合考虑医院内部能耗因素、以及医院所处环境因素，能够高效实现医院能耗的准确预测。
本发明为了解决上述技术问题采用以下技术方案：本发明设计了一种基于EEMD-Prophet算法的医院能耗预测方法，用于针对目标医院对应目标时间节点T的能耗进行预测，包括如下步骤：
步骤A.根据目标医院内各预设点位中各用能类型分别对应指定时间节点t所检测的能耗占比，按相同用能类型的分析，实现各个点位的区位划分，然后进入步骤B；
步骤B.分别针对目标医院内各区位中的各点位，针对点位中各用能类型对应于指定时间节点t所检测总能耗的历史能耗时间序列，执行数据清洗操作，获得该点位对应于指定时间节点t的待处理历史能耗时间序列，即获得各点位分别对应于指定时间节点t的待处理历史能耗时间序列，然后进入步骤C；
步骤C.获得目标医院所在地区对应于指定时间节点t所统计的历史气温时间序列ytemp(t)，以及获得目标医院内各区位中各点位分别对应于指定时间节点t所统计的历史业务量时间序列yep.j.service(t)，然后进入步骤D；
步骤D.分别针对历史气温时间序列ytemp(t)、历史业务量时间序列yep.j.service(t)，按如下公式：
ytemp(t)＝gtemp(t)+stemp(t)+htemp(t)+εtemp(t)
yep.j.service(t)＝gep.j.service(t)+sep.j.service(t)+hep.j.service(t)+εep.j.service(t)
执行Prophet分解，获得历史气温时间序列ytemp(t)所对应的趋势项gtemp(t)、周期项stemp(t)、节假日因素项htemp(t)、误差项或者剩余项εtemp(t)，以及历史业务量时间序列yep.j.service(t)所对应的趋势项gep.j.service(t)、周期项sep.j.service(t)、节假日因素项hep.j.service(t)、误差项或者剩余项εep.j.service(t)，然后进入步骤E；
步骤E.针对趋势项gtemp(t)、周期项stemp(t)、趋势项gep.j.service(t)、周期项sep.j.service(t)，根据如下公式：
Figure GDA0003464441090000031
Figure GDA0003464441090000032
分解获得Ctemp(t)、ktemp(t)、mtemp(t)、atemp.n、btemp.n、Ptemp，以及目标医院内各区位中各点位分别对应的Cep.j.service(t)、kep.j.service(t)、mep.j.service(t)、aep.j.service.n、bep.j.service.n、Pep.j.service，然后进入步骤F；其中，1≤n≤N，N表示步骤D中执行Prophet分解所获得最大分解项；
步骤F.分别针对目标医院内各区位中的各点位，根据Ctemp(t)、ktemp(t)、mtemp(t)、atemp.n、btemp.n、Ptemp，目标医院内各区位中各点位分别对应于指定时间节点t的待处理历史能耗时间序列，以及各点位分别所对应的Cep.j.service(t)、kep.j.service(t)、mep.j.service(t)、aep.j.service.n、bep.j.service.n、Pep.j.service，获得目标医院内各区位中各点位分别所对应能耗预测模型，然后进入步骤G；
步骤G.根据目标医院内各区位中各点位分别所对应能耗预测模型，预测获得各点位分别对应目标时间节点T的能耗预测结果y'ep.j(t)，然后按如下公式：
Figure GDA0003464441090000041
获得目标医院对应目标时间节点T的能耗预测结果E(t)，即实现目标医院对应目标时间节点T的能耗进行预测，其中，1≤ep≤EP，EP表示目标医院内各点位所划分区位的数量；1≤j≤Jep，Jep表示目标医院内所划分第ep个区位中点位的数量。
作为本发明的一种优选技术方案：所述步骤A包括如下步骤A1至步骤A3；
步骤A1.分别针对目标医院中各个预设的点位，获得点位所在区域中各用能类型分别对应指定时间节点t所检测的能耗占比，并按能耗占比由高至低的顺序，针对各用能类型进行排序，然后进入步骤A2；
步骤A2.分别针对目标医院中各个预设的点位，基于点位所在区域中各用能类型的排序，由第一个用能类型起，依次累加各用能类型的能耗占比，直至所累加能耗占比达到预设累加能耗阈值时，获得此时所累加的各个用能类型，作为该点位所对应的各待比对用能类型；即获得各点位分别所对应的各待比对用能类型，然后进入步骤A3；
步骤A3.根据各点位分别所对应的各待比对用能类型，将彼此之间所对应各待比对用能类型、以及各待比对用能类型排序均相同的各个点位归为同一个区位，即实现各个点位的区位划分，然后进入步骤B。
作为本发明的一种优选技术方案：所述步骤B中，分别针对目标医院内各区位中的各点位，执行如下步骤B1至步骤B3，获得各点位分别对应于指定时间节点t的待处理历史能耗时间序列，然后进入步骤C；
步骤B1.针对点位中各用能类型对应于指定时间节点t所检测总能耗的历史能耗时间序列，执行EEMD分解，获得该历史能耗时间序列所对应的各个分量历史能耗时间序列，然后进入步骤B2；
步骤B2.按分量历史能耗时间序列所对应权重由大至小的顺序，针对各个分量历史能耗时间序列进行排序，并由第一个分量历史能耗时间序列起，依次累加各分量历史能耗时间序列的权重，直至所累加权重达到该点位所对应的预设累加权重阈值时，获得此时所累加的各个分量历史能耗时间序列，作为该点位所对应的各待组合分量历史能耗时间序列，然后进入步骤B3；
步骤B3.根据该点位所对应的各待组合分量历史能耗时间序列，按如下公式：
Figure GDA0003464441090000051
获得该点位对应于指定时间节点t的待处理历史能耗时间序列y'ep.j(t)，然后进入步骤C；其中，1≤ep≤EP，EP表示目标医院内各点位所划分区位的数量；1≤j≤Jep，Jep表示目标医院内所划分第ep个区位中点位的数量；y'ep.j(t)表示目标医院内所划分第ep个区位中第j个点位对应于指定时间节点t的待处理历史能耗时间序列；1≤q≤Qep.j，Qep.j表示目标医院内所划分第ep个区位中第j个点位所对应待组合分量历史能耗时间序列的数量，IMFq.ep.j(t)表示目标医院内所划分第ep个区位中第j个点位所对应第q个待组合分量历史能耗时间序列。
作为本发明的一种优选技术方案：所述步骤F中，分别针对目标医院内各区位中的各点位，执行如下步骤F1至步骤F4，获得点位所对应的能耗预测模型，进而获得目标医院内各区位中各点位分别所对应能耗预测模型，然后进入步骤G；
步骤F1.针对点位对应于指定时间节点t的待处理历史能耗时间序列y'ep.j(t)，按如下公式：
y'ep.j(t)＝gep.j(t)+sep.j(t)+hep.j(t)+εep.j(t)
执行Prophet分解，然后进入步骤F2；
步骤F2.将如下关于gep.j(t)、sep.j(t)的分解模型：
gep.j(t)＝gep.j.service(t)*sep.j+gtemp(t)*tep.j
sep.j(t)＝sep.j.service(t)*sep.j+stemp(t)*tep.j
加入该点位所对应待处理历史能耗时间序列y'ep.j(t)的公式中，并应用Ctemp(t)、ktemp(t)、mtemp(t)、atemp.n、btemp.n、Ptemp、Cep.j.service(t)、kep.j.service(t)、mep.j.service(t)、aep.j.service.n、bep.j.service.n、Pep.j.service替换gep.j.service(t)、gtemp(t)、sep.j.service(t)、stemp(t)中相应各个参数，更新该点位所对应的待处理历史能耗时间序列y'ep.j(t)公式，然后进入步骤F3；
步骤F3.针对该点位所对应待处理历史能耗时间序列y'ep.j(t)公式中的加权系数sep.j、tep.j，结合sep.j+tep.j＝1，按预设地增量，定义sep.j与tep.j分别所对应数值的各数值组合，然后进入步骤F4；
步骤F4.分别针对sep.j与tep.j所对应数值的各数值组合，根据sep.j与tep.j的数值组合，该点位所对应待处理历史能耗时间序列y'ep.j(t)公式中的趋势项、周期项、节假日因素项、误差项，以及Prophet分解的逆运算，计算获得该点位分别对应预设各指定历史时间节点的能耗预测，并结合该点位分别对应该各指定历史时间节点的实际能耗，进一步获得该各指定历史时间节点分别对应的预测误差，且计算获得该各预测误差的方差，即获得该点位在该sep.j与tep.j数值组合下所对应的方差；然后进入步骤F4；
步骤F4.针对该点位分别在sep.j与tep.j的各数值组合下所对应的方差，获得最小方差所对应的sep.j与tep.j数值组合，并应用此sep.j与tep.j分别所对应的数值，更新该点位所对应待处理历史能耗时间序列y'ep.j(t)的公式，作为该点位所对应能耗预测模型。
本发明所述一种基于EEMD-Prophet算法的医院能耗预测方法，采用以上技术方案与现有技术相比，具有以下技术效果：
本发明所设计一种基于EEMD-Prophet算法的医院能耗预测方法，采用全新设计思路，考虑医院内部能耗因素的同时，提出行业特征模式利用，加入医院的业务量因素与医院所在地区的气温因素的考虑，再应用EEMD去除噪音处理、数据跨域补充、能耗点位特征分类，通过获得医院各点位分别对应目标时间节点的能耗预测结果，进而获得目标医院对应目标时间节点的能耗预测结果，高效实现目标医院对应目标时间节点的能耗预测。
附图说明
图1是本发明所设计基于EEMD-Prophet算法的医院能耗预测方法的流程示意图；
图2是本发明应用实施例中不同能耗区位中的能耗占比示意图；
图3是本发明应用实施例中医院某区位中各点位的能耗时间序列分解示意图；
图4是本发明应用实施例中医院能耗周期时间规律示意图；
图5a是本发明应用实施例中基于图4所示的能耗周变化示意；
图5b是本发明应用实施例中基于图4所示的能耗年变化示意；
图6是本发明应用实施例中医院所在地区10年温度的趋势项gtemp(t)示意；
图7是本发明应用实施例中医院所在地区10年温度的周期项stemp(t)示意。
具体实施方式
下面结合说明书附图对本发明的具体实施方式作进一步详细的说明。
基于对现有技术的分析，本发明针对Prophet算法在医院能耗预测上不足，提出了以下改进措施：
1)行业特征模式利用。通过分析医院用能模式，发现影响医院能耗的核心因素为：环境温度波动、业务量波动。通过对这两个因素进行Prophet分解，将其中趋势项g(t)和周期项s(t)参数引入能耗的预测中，充分利用其与医院能耗强相关的特征，从而提高模型的准确性和合理性。
2)EEMD去除噪音。对原始数据利用EEMD(Ensemble Empirical ModeDecomposition集合经验模态分解)方法，进行IMF(Intrinsic Mode Functions)提取，将原始数据分解为高低频的不同模态数据。根据任务特征和预测目标对不同模态数据进行筛选，短期变化选高频模式，长期趋势选低频模式。利用Prophet方法对选中的不同模态数据进行处理，得到各自结果，最后再将结果合并，从而提高处理精度。并且将低频IMF成分作为Prophet的初始总趋势，既可以作为趋势项，也可以作为Prophet得到的趋势项的校正项，从而避免直接利用Prophet趋势项带来的误差。
3)数据跨域补充。目前医院能耗数据采集的历史积累不足(3年左右)，医院所在地区环境温度的时间序列数据和医院的业务时间序列数据有着大量、准确的积累(超过十年)。这类数据在趋势性预测和周期性预测方面，相比本身的能耗数据，能够提供更加精准的预测，补充了能耗数据在数据量方面的不足。
4)能耗点位特征分类。引入“能耗区域点位”的概念，点位不在根据所在物理位置进行分类，而是根据该点位所采集的能耗的构成类型和占比。建立能耗区位点位数据库，对不同类型的点位，为了防止不同用能因素的相互干扰分，别进行计算和预测，建立不同的模型，然后再相加，提高预测准确性。
通过对采集数据进行分析发现，医院能耗呈现出三个主要的特征：
第一，从用能类别来看，能耗主要包括电能消耗和燃气消耗，有着明显和稳定的特征。例如某三甲医院，电能消耗中，空调和采暖系统占比最大，接近55％左右；电梯和医疗设备等占比在15％左右；照明8％；办公10％；厨房占3％；其他10％左右。燃气消耗中生活热水和工艺用量占比最大，为54％；供暖用量占42％，食堂用量4％。这些特征和医院这个行业的用能方式密切相关。
第二，从时间分布来看，因为暖通空调在能耗中占比很高，所以医院的能耗呈现出了很强的季节趋势性。通过对某大型医院建筑进行分析发现，全年的电能消耗和温度强相关，在8、9月份大道最高值。而燃气消耗则在冬季的12月到次年3月之间，达到最高值。当然，处于不同地理位置的医院具体情况有所不同，当总体的趋势规律是一致的。
第三，从空间分布看，医院各部门能耗因其承担的职能不同，具有不同的能耗系统和设备，导致能耗的规律也有着明显的区位特征。以门急诊楼和住院楼进行对比分析，门急诊楼的主要功能是接待就诊病人，通过医疗手段对病人进行诊断，因此，门诊楼的主要用能系统或者设备为：暖通空调系统、照明系统和医疗设备。而住院楼的主要功能是为需要留院治疗的病人提供场所，因此，住院楼的主要耗能系统或者设备为：暖通空调系统、照明系统、生活热水系统、餐饮炊事等。
基于上述设计，本发明具体设计了一种基于EEMD-Prophet算法的医院能耗预测方法，用于针对目标医院对应目标时间节点T的能耗进行预测，实际应用当中，按图1所示，具体执行如下步骤A至步骤G。
因为传统的能耗点位的数据的合并是通过行政区划或者物理区位划分的，但是这将使得影响能耗的不同因素混在一起，导致能耗的评估预测不准确，本发明提出“能耗区位”的概念,根据区位能耗的主要类型划分区位，占比分布相同的，将被划分到同类区位中，即执行如下步骤A。
步骤A.根据目标医院内各预设点位中各用能类型分别对应指定时间节点t所检测的能耗占比，按相同用能类型的分析，实现各个点位的区位划分，然后进入步骤B。
实际应用当中，上述步骤A具体执行如下步骤A1至步骤A3。
步骤A1.分别针对目标医院中各个预设的点位，获得点位所在区域中各用能类型分别对应指定时间节点t所检测的能耗占比，并按能耗占比由高至低的顺序，针对各用能类型进行排序，然后进入步骤A2。
步骤A2.分别针对目标医院中各个预设的点位，基于点位所在区域中各用能类型的排序，由第一个用能类型起，依次累加各用能类型的能耗占比，直至所累加能耗占比达到预设累加能耗阈值时，获得此时所累加的各个用能类型，作为该点位所对应的各待比对用能类型；即获得各点位分别所对应的各待比对用能类型，然后进入步骤A3。
步骤A3.根据各点位分别所对应的各待比对用能类型，将彼此之间所对应各待比对用能类型、以及各待比对用能类型排序均相同的各个点位归为同一个区位，即实现各个点位的区位划分，然后进入步骤B。
具体实施例应用中，医院各点位各用能类型的能耗占比、以及所划分区位如下表1示所示。
表1
Figure GDA0003464441090000091
基于表1所示，将各点位的用能类型按照占比由大到小排序，用能类型占比相同的，被归类到相同的能耗区位类型。比如其中急诊室、手术室、分娩室对应的点位D001、D002和D003被归为能耗区位EP1，因为他们的用能类型占比相同，如图2所示。
因为物联网传感器在能耗值传输过程中偶尔会出现数据通讯故障导致的数据积压，最终在采集侧呈现出数据的缺失或者陡增的异常。或者观测系统用能出现偶尔的异常情况。如果直接利用Prophet进行分解预测，会对趋势和周期预测的准确度产生较大的干扰，因此本提案提出通过EEMD算法对原始采集的数据进行IMF(内涵模态分量分解)。
EEMD是一种对信号进行时频域处理的方法。点位的能耗时间序列数据中蕴含着复杂的物理过程或经济过程，以及各类干扰信息。EEMD能够通过自动将能耗数据的不同特征尺度的信号分散到不同的IMF分量中，EEMD分解得到的前几个本征模态分量,通常集中了原信号中最显著、最重要的信息。通过对获取到的IMF分量，按照在信号中的占比权重进行排序、抽取，获得最重要的IMF分量信号，去掉占权重低的模态并且和预测尺度的频率差别较大的分量，然后重新合成新的能耗信号，作为Prophet算法的能耗输入，即执行如下步骤B。
步骤B.分别针对目标医院内各区位中的各点位，针对点位中各用能类型对应于指定时间节点t所检测总能耗的历史能耗时间序列，执行数据清洗操作，获得该点位对应于指定时间节点t的待处理历史能耗时间序列，即获得各点位分别对应于指定时间节点t的待处理历史能耗时间序列，然后进入步骤C。
实际应用当中，上述步骤B中，分别针对目标医院内各区位中的各点位，执行如下步骤B1至步骤B3，获得各点位分别对应于指定时间节点t的待处理历史能耗时间序列，然后进入步骤C。
步骤B1.针对点位中各用能类型对应于指定时间节点t所检测总能耗的历史能耗时间序列，执行EEMD分解，获得该历史能耗时间序列所对应的各个分量历史能耗时间序列，然后进入步骤B2。这里在具体实施例的应用中，诸如将某医院某区位中各点位的能耗时间序列进行分解，获得如图3所示。
步骤B2.按分量历史能耗时间序列所对应权重由大至小的顺序，针对各个分量历史能耗时间序列进行排序，并由第一个分量历史能耗时间序列起，依次累加各分量历史能耗时间序列的权重，直至所累加权重达到该点位所对应的预设累加权重阈值时，获得此时所累加的各个分量历史能耗时间序列，作为该点位所对应的各待组合分量历史能耗时间序列，然后进入步骤B3。
步骤B3.根据该点位所对应的各待组合分量历史能耗时间序列，按如下公式：
Figure GDA0003464441090000101
获得该点位对应于指定时间节点t的待处理历史能耗时间序列y'ep.j(t)，然后进入步骤C；其中，1≤ep≤EP，EP表示目标医院内各点位所划分区位的数量；1≤j≤Jep，Jep表示目标医院内所划分第ep个区位中点位的数量；y'ep.j(t)表示目标医院内所划分第ep个区位中第j个点位对应于指定时间节点t的待处理历史能耗时间序列；1≤q≤Qep.j，Qep.j表示目标医院内所划分第ep个区位中第j个点位所对应待组合分量历史能耗时间序列的数量，IMFq.ep.j(t)表示目标医院内所划分第ep个区位中第j个点位所对应第q个待组合分量历史能耗时间序列。
步骤C.获得目标医院所在地区对应于指定时间节点t所统计的历史气温时间序列ytemp(t)，以及获得目标医院内各区位中各点位分别对应于指定时间节点t所统计的历史业务量时间序列yep.j.service(t)，然后进入步骤D。
对某医院的某区域的能耗采集点位的数据进行季节性(按照月份)和周期性(每周)进行可视化分析，出现如图4所示特征，其中，横坐标表示不同的月份，纵坐标表示周，气泡的大小表示在在某月周几的能耗大小，进一步对能耗分布按照横坐标和纵坐标进行分解，获得如图5a和图5b所示，并据此获得如下两个规律。
规律1:如图5a所示为能耗沿纵向的周期规律，该点位能耗在纵向(自然周周期)也呈现明显的抛物线形状，和该区域的医院功能部门的业务波动强相关。医院的照明、医疗设备、餐饮等主要是围绕医疗活动的需要而工作，因此医院电耗也具有周变化规律。周二到周四，医院的医疗业务量达到顶峰，耗能量出现峰值，在周六，因为业务量的减少，耗能量也出现降低。
规律2:如图5b所示为能耗沿横向的变化规律，该点位能耗在横向(季节维度)和该医院所在城市的温度变化强相关，当环境温度和舒适温度差异越大时，能耗越大；环境温度和舒适温度差异越小时，能耗越小。12月到次年3月之间，医院所在地区气温较低，因此取暖耗能量很大；在9月，因为气温升高，达到了顶峰，空调耗电量出现了峰值。
分析可见，气温的变化以及医院业务的周期波动，与医院能耗有着非常强的相关性。气温的变化数据和医院业务数据，有大量的、准确的数据积累，通过引入这些数据，在能耗Prophet预测中增加这些特征信息，对其中的参数进行确定和校正，提高预测的准确性。
医院所在地区的历史温度时间序列信息比较详细、准确和丰富，跨度可以超过10年以上；医院各部门的业务时间序列数据同样也比较详细、准确和丰富，可以根据需要获取。这就从根本上解决了能耗点位数据积累不够长，在趋势性预测和季度周期性预测方面的问题。同时通过这两种数据的加入，给能耗预测提供了专业、准确的系统特征信息，解决了Prophet算法没有特征工程的缺陷，即执行接下来的步骤D。
步骤D.分别针对历史气温时间序列ytemp(t)、历史业务量时间序列yep.j.service(t)，按如下公式：
ytemp(t)＝gtemp(t)+stemp(t)+htemp(t)+εtemp(t)
yep.j.service(t)＝gep.j.service(t)+sep.j.service(t)+hep.j.service(t)+εep.j.service(t)
执行Prophet分解，获得历史气温时间序列ytemp(t)所对应的趋势项gtemp(t)、周期项stemp(t)、节假日因素项htemp(t)、误差项或者剩余项εtemp(t)，以及历史业务量时间序列yep.j.service(t)所对应的趋势项gep.j.service(t)、周期项sep.j.service(t)、节假日因素项hep.j.service(t)、误差项或者剩余项εep.j.service(t)，然后进入步骤E。
在实际的实施例应用中，其中关于温度，诸如获得图6所示是实施例中医院所在地区10年温度的趋势项gtemp(t)示意；以及图7所示是实施例中医院所在地区10年温度的周期项stemp(t)示意。
步骤E.针对趋势项gtemp(t)、周期项stemp(t)、趋势项gep.j.service(t)、周期项sep.j.service(t)，根据如下公式：
Figure GDA0003464441090000121
Figure GDA0003464441090000122
分解获得Ctemp(t)、ktemp(t)、mtemp(t)、atemp.n、btemp.n、Ptemp，以及目标医院内各区位中各点位分别对应的Cep.j.service(t)、kep.j.service(t)、mep.j.service(t)、aep.j.service.n、bep.j.service.n、Pep.j.service，然后进入步骤F；其中，1≤n≤N，N表示步骤D中执行Prophet分解所获得最大分解项。
步骤F.分别针对目标医院内各区位中的各点位，根据Ctemp(t)、ktemp(t)、mtemp(t)、atemp.n、btemp.n、Ptemp，目标医院内各区位中各点位分别对应于指定时间节点t的待处理历史能耗时间序列，以及各点位分别所对应的Cep.j.service(t)、kep.j.service(t)、mep.j.service(t)、aep.j.service.n、bep.j.service.n、Pep.j.service，获得目标医院内各区位中各点位分别所对应能耗预测模型，然后进入步骤G。
实际应用中，步骤F中，分别针对目标医院内各区位中的各点位，执行如下步骤F1至步骤F4，获得点位所对应的能耗预测模型，进而获得目标医院内各区位中各点位分别所对应能耗预测模型，然后进入步骤G。
步骤F1.针对点位对应于指定时间节点t的待处理历史能耗时间序列y'ep.j(t)，按如下公式：
y'ep.j(t)＝gep.j(t)+sep.j(t)+hep.j(t)+εep.j(t)
执行Prophet分解，然后进入步骤F2。
步骤F2.将如下关于gep.j(t)、sep.j(t)的分解模型：
gep.j(t)＝gep.j.service(t)*sep.j+gtemp(t)*tep.j
sep.j(t)＝sep.j.service(t)*sep.j+stemp(t)*tep.j
加入该点位所对应待处理历史能耗时间序列y'ep.j(t)的公式中，并应用Ctemp(t)、ktemp(t)、mtemp(t)、atemp.n、btemp.n、Ptemp、Cep.j.service(t)、kep.j.service(t)、mep.j.service(t)、aep.j.service.n、bep.j.service.n、Pep.j.service替换gep.j.service(t)、gtemp(t)、sep.j.service(t)、stemp(t)中相应各个参数，更新该点位所对应的待处理历史能耗时间序列y'ep.j(t)公式，然后进入步骤F3。
步骤F3.针对该点位所对应待处理历史能耗时间序列y'ep.j(t)公式中的加权系数sep.j、tep.j，结合sep.j+tep.j＝1，按预设地增量，定义sep.j与tep.j分别所对应数值的各数值组合，然后进入步骤F4。
步骤F4.分别针对sep.j与tep.j所对应数值的各数值组合，根据sep.j与tep.j的数值组合，该点位所对应待处理历史能耗时间序列y'ep.j(t)公式中的趋势项、周期项、节假日因素项、误差项，以及Prophet分解的逆运算，计算获得该点位分别对应预设各指定历史时间节点的能耗预测，并结合该点位分别对应该各指定历史时间节点的实际能耗，进一步获得该各指定历史时间节点分别对应的预测误差，且计算获得该各预测误差的方差，即获得该点位在该sep.j与tep.j数值组合下所对应的方差；然后进入步骤F4。
步骤F4.针对该点位分别在sep.j与tep.j的各数值组合下所对应的方差，获得最小方差所对应的sep.j与tep.j数值组合，并应用此sep.j与tep.j分别所对应的数值，更新该点位所对应待处理历史能耗时间序列y'ep.j(t)的公式，作为该点位所对应能耗预测模型。
步骤G.根据目标医院内各区位中各点位分别所对应能耗预测模型，预测获得各点位分别对应目标时间节点T的能耗预测结果y'ep.j(t)，然后按如下公式：
Figure GDA0003464441090000141
获得目标医院对应目标时间节点T的能耗预测结果E(t)，即实现目标医院对应目标时间节点T的能耗进行预测。
上述技术方案所设计一种基于EEMD-Prophet算法的医院能耗预测方法，采用全新设计思路，考虑医院内部能耗因素的同时，提出行业特征模式利用，加入医院的业务量因素与医院所在地区的气温因素的考虑，再应用EEMD去除噪音处理、数据跨域补充、能耗点位特征分类，通过获得医院各点位分别对应目标时间节点的能耗预测结果，进而获得目标医院对应目标时间节点的能耗预测结果，高效实现目标医院对应目标时间节点的能耗预测。
上面结合附图对本发明的实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化。

Claims (4)

1.一种基于EEMD-Prophet算法的医院能耗预测方法，用于针对目标医院对应目标时间节点T的能耗进行预测，其特征在于，包括如下步骤：
步骤A.根据目标医院内各预设点位中各用能类型分别对应指定时间节点t所检测的能耗占比，按相同用能类型的分析，实现各个点位的区位划分，然后进入步骤B；
步骤B.分别针对目标医院内各区位中的各点位，针对点位中各用能类型对应于指定时间节点t所检测总能耗的历史能耗时间序列，执行数据清洗操作，获得该点位对应于指定时间节点t的待处理历史能耗时间序列，即获得各点位分别对应于指定时间节点t的待处理历史能耗时间序列，然后进入步骤C；
步骤C.获得目标医院所在地区对应于指定时间节点t所统计的历史气温时间序列ytemp(t)，以及获得目标医院内各区位中各点位分别对应于指定时间节点t所统计的历史业务量时间序列yep.j.service(t)，然后进入步骤D；
步骤D.分别针对历史气温时间序列ytemp(t)、历史业务量时间序列yep.j.service(t)，按如下公式：
ytemp(t)＝gtemp(t)+stemp(t)+htemp(t)+εtemp(t)
yep.j.service(t)＝gep.j.service(t)+sep.j.service(t)+hep.j.service(t)+εep.j.service(t)
执行Prophet分解，获得历史气温时间序列ytemp(t)所对应的趋势项gtemp(t)、周期项stemp(t)、节假日因素项htemp(t)、误差项或者剩余项εtemp(t)，以及历史业务量时间序列yep.j.service(t)所对应的趋势项gep.j.service(t)、周期项sep.j.service(t)、节假日因素项hep.j.service(t)、误差项或者剩余项εep.j.service(t)，然后进入步骤E；
步骤E.针对趋势项gtemp(t)、周期项stemp(t)、趋势项gep.j.service(t)、周期项sep.j.service(t)，根据如下公式：
Figure FDA0003464441080000011
Figure FDA0003464441080000012
分解获得Ctemp(t)、ktemp(t)、mtemp(t)、atemp.n、btemp.n、Ptemp，以及目标医院内各区位中各点位分别对应的Cep.j.service(t)、kep.j.service(t)、mep.j.service(t)、aep.j.service.n、bep.j.service.n、Pep.j.service，然后进入步骤F；其中，1≤n≤N，N表示步骤D中执行Prophet分解所获得最大分解项；
步骤F.分别针对目标医院内各区位中的各点位，根据Ctemp(t)、ktemp(t)、mtemp(t)、atemp.n、btemp.n、Ptemp，目标医院内各区位中各点位分别对应于指定时间节点t的待处理历史能耗时间序列，以及各点位分别所对应的Cep.j.service(t)、kep.j.service(t)、mep.j.service(t)、aep.j.service.n、bep.j.service.n、Pep.j.service，获得目标医院内各区位中各点位分别所对应能耗预测模型，然后进入步骤G；
步骤G.根据目标医院内各区位中各点位分别所对应能耗预测模型，预测获得各点位分别对应目标时间节点T的能耗预测结果y'ep.j(t)，然后按如下公式：
Figure FDA0003464441080000021
获得目标医院对应目标时间节点T的能耗预测结果E(t)，即实现目标医院对应目标时间节点T的能耗进行预测，其中，1≤ep≤EP，EP表示目标医院内各点位所划分区位的数量；1≤j≤Jep，Jep表示目标医院内所划分第ep个区位中点位的数量。
2.根据权利要求1所述一种基于EEMD-Prophet算法的医院能耗预测方法，其特征在于：
所述步骤A包括如下步骤A1至步骤A3；
步骤A1.分别针对目标医院中各个预设的点位，获得点位所在区域中各用能类型分别对应指定时间节点t所检测的能耗占比，并按能耗占比由高至低的顺序，针对各用能类型进行排序，然后进入步骤A2；
步骤A2.分别针对目标医院中各个预设的点位，基于点位所在区域中各用能类型的排序，由第一个用能类型起，依次累加各用能类型的能耗占比，直至所累加能耗占比达到预设累加能耗阈值时，获得此时所累加的各个用能类型，作为该点位所对应的各待比对用能类型；即获得各点位分别所对应的各待比对用能类型，然后进入步骤A3；
步骤A3.根据各点位分别所对应的各待比对用能类型，将彼此之间所对应各待比对用能类型、以及各待比对用能类型排序均相同的各个点位归为同一个区位，即实现各个点位的区位划分，然后进入步骤B。
3.根据权利要求1所述一种基于EEMD-Prophet算法的医院能耗预测方法，其特征在于：所述步骤B中，分别针对目标医院内各区位中的各点位，执行如下步骤B1至步骤B3，获得各点位分别对应于指定时间节点t的待处理历史能耗时间序列，然后进入步骤C；
步骤B1.针对点位中各用能类型对应于指定时间节点t所检测总能耗的历史能耗时间序列，执行EEMD分解，获得该历史能耗时间序列所对应的各个分量历史能耗时间序列，然后进入步骤B2；
步骤B2.按分量历史能耗时间序列所对应权重由大至小的顺序，针对各个分量历史能耗时间序列进行排序，并由第一个分量历史能耗时间序列起，依次累加各分量历史能耗时间序列的权重，直至所累加权重达到该点位所对应的预设累加权重阈值时，获得此时所累加的各个分量历史能耗时间序列，作为该点位所对应的各待组合分量历史能耗时间序列，然后进入步骤B3；
步骤B3.根据该点位所对应的各待组合分量历史能耗时间序列，按如下公式：
Figure FDA0003464441080000031
获得该点位对应于指定时间节点t的待处理历史能耗时间序列y'ep.j(t)，然后进入步骤C；其中，1≤ep≤EP，EP表示目标医院内各点位所划分区位的数量；1≤j≤Jep，Jep表示目标医院内所划分第ep个区位中点位的数量；y'ep.j(t)表示目标医院内所划分第ep个区位中第j个点位对应于指定时间节点t的待处理历史能耗时间序列；1≤q≤Qep.j，Qep.j表示目标医院内所划分第ep个区位中第j个点位所对应待组合分量历史能耗时间序列的数量，IMFq.ep.j(t)表示目标医院内所划分第ep个区位中第j个点位所对应第q个待组合分量历史能耗时间序列。
4.根据权利要求3所述一种基于EEMD-Prophet算法的医院能耗预测方法，其特征在于：所述步骤F中，分别针对目标医院内各区位中的各点位，执行如下步骤F1至步骤F4，获得点位所对应的能耗预测模型，进而获得目标医院内各区位中各点位分别所对应能耗预测模型，然后进入步骤G；
步骤F1.针对点位对应于指定时间节点t的待处理历史能耗时间序列y'ep.j(t)，按如下公式：
y'ep.j(t)＝gep.j(t)+sep.j(t)+hep.j(t)+εep.j(t)
执行Prophet分解，然后进入步骤F2；
步骤F2.将如下关于gep.j(t)、sep.j(t)的分解模型：
gep.j(t)＝gep.j.service(t)*sep.j+gtemp(t)*tep.j
sep.j(t)＝sep.j.service(t)*sep.j+stemp(t)*tep.j
加入该点位所对应待处理历史能耗时间序列y'ep.j(t)的公式中，并应用Ctemp(t)、ktemp(t)、mtemp(t)、atemp.n、btemp.n、Ptemp、Cep.j.service(t)、kep.j.service(t)、mep.j.service(t)、aep.j.service.n、bep.j.service.n、Pep.j.service替换gep.j.service(t)、gtemp(t)、sep.j.service(t)、stemp(t)中相应各个参数，更新该点位所对应的待处理历史能耗时间序列y'ep.j(t)公式，然后进入步骤F3；
步骤F3.针对该点位所对应待处理历史能耗时间序列y'ep.j(t)公式中的加权系数sep.j、tep.j，结合sep.j+tep.j＝1，按预设地增量，定义sep.j与tep.j分别所对应数值的各数值组合，然后进入步骤F4；
步骤F4.分别针对sep.j与tep.j所对应数值的各数值组合，根据sep.j与tep.j的数值组合，该点位所对应待处理历史能耗时间序列y'ep.j(t)公式中的趋势项、周期项、节假日因素项、误差项，以及Prophet分解的逆运算，计算获得该点位分别对应预设各指定历史时间节点的能耗预测，并结合该点位分别对应该各指定历史时间节点的实际能耗，进一步获得该各指定历史时间节点分别对应的预测误差，且计算获得该各预测误差的方差，即获得该点位在该sep.j与tep.j数值组合下所对应的方差；然后进入步骤F4；
步骤F4.针对该点位分别在sep.j与tep.j的各数值组合下所对应的方差，获得最小方差所对应的sep.j与tep.j数值组合，并应用此sep.j与tep.j分别所对应的数值，更新该点位所对应待处理历史能耗时间序列y'ep.j(t)的公式，作为该点位所对应能耗预测模型。
CN202110468707.5A 2021-04-28 2021-04-28 一种基于EEMD-Prophet算法的医院能耗预测方法 Active CN113240162B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110468707.5A CN113240162B (zh) 2021-04-28 2021-04-28 一种基于EEMD-Prophet算法的医院能耗预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110468707.5A CN113240162B (zh) 2021-04-28 2021-04-28 一种基于EEMD-Prophet算法的医院能耗预测方法

Publications (2)

Publication Number Publication Date
CN113240162A CN113240162A (zh) 2021-08-10
CN113240162B true CN113240162B (zh) 2022-03-01

Family

ID=77131316

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110468707.5A Active CN113240162B (zh) 2021-04-28 2021-04-28 一种基于EEMD-Prophet算法的医院能耗预测方法

Country Status (1)

Country Link
CN (1) CN113240162B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109002904A (zh) * 2018-06-21 2018-12-14 中南大学 一种基于Prophet-ARMA的医院门诊就诊量预测方法
CN112288021A (zh) * 2020-11-02 2021-01-29 广东柯内特环境科技有限公司 一种医疗废水监测数据质控方法、装置及系统
WO2021024171A1 (en) * 2019-08-07 2021-02-11 Vivek Tiwari System and method for inventory management in hospital

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU2009202874B2 (en) * 2009-07-16 2012-08-16 Commonwealth Scientific And Industrial Research Organisation System and Method for Prediction of Patient Admission Rates

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109002904A (zh) * 2018-06-21 2018-12-14 中南大学 一种基于Prophet-ARMA的医院门诊就诊量预测方法
WO2021024171A1 (en) * 2019-08-07 2021-02-11 Vivek Tiwari System and method for inventory management in hospital
CN112288021A (zh) * 2020-11-02 2021-01-29 广东柯内特环境科技有限公司 一种医疗废水监测数据质控方法、装置及系统

Also Published As

Publication number Publication date
CN113240162A (zh) 2021-08-10

Similar Documents

Publication Publication Date Title
Miller et al. Automated daily pattern filtering of measured building performance data
Asadi et al. Wastewater treatment aeration process optimization: A data mining approach
Liu et al. Multi-objective optimization of indoor air quality control and energy consumption minimization in a subway ventilation system
Schulze et al. Cooling tower management in manufacturing companies: A cyber-physical system approach
Yalcintas An energy benchmarking model based on artificial neural network method with a case example for tropical climates
Huang et al. A fast predicting neural fuzzy model for on-line estimation of nutrient dynamics in an anoxic/oxic process
Yel et al. Prediction of primary treatment effluent parameters by Fuzzy Inference System (FIS) approach
JP2007229550A (ja) 下水処理場運転支援装置
Sardinha-Lourenço et al. Increased performance in the short-term water demand forecasting through the use of a parallel adaptive weighting strategy
Shrowti et al. Type-II critical values for a steady-state identifier
O’Neill et al. HVAC control loop performance assessment: A critical review (1587-RP)
Lv et al. Non-iterative T–S fuzzy modeling with random hidden-layer structure for BFG pipeline pressure prediction
Kozlovskyi et al. Economic-mathematical modeling and forecasting of competitiveness level of agricultural sector of Ukraine by means of theory of fuzzy sets under conditions of integration into European market
Aamir et al. Improving forecasting accuracy of crude oil prices using decomposition ensemble model with reconstruction of IMFs based on ARIMA model
Tomperi et al. Modelling effluent quality based on a real-time optical monitoring of the wastewater treatment process
Fisher et al. Data-driven modelling for resource recovery: Data volume, variability, and visualisation for an industrial bioprocess
CN113240162B (zh) 一种基于EEMD-Prophet算法的医院能耗预测方法
CN105550492B (zh) 用于预测废水处理过程的参数的系统和方法
Shadkam Using SARIMAX to forecast electricity demand and consumption in university buildings
Majumder et al. Integrating trapezoidal fuzzy best–worst method and single-valued neutrosophic fuzzy MARCOS for efficiency analysis of surface water treatment plants
CN116108961A (zh) 一种基于arima-svm模型的干旱预测方法及系统
Ren et al. Short-term demand forecasting for distributed water supply networks: A multi-scale approach
Najjaran et al. A fuzzy expert system for deterioration modeling of buried metallic pipes
Geldermann et al. Multi-criteria decision support for integrated technique assessment
Zhang et al. A Multi-Model Prediction Method for Coal Mine Gas Concentration with Hierarchical Structure

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