CN113743680A - 氢能源需求量预测方法、装置和存储介质 - Google Patents
氢能源需求量预测方法、装置和存储介质 Download PDFInfo
- Publication number
- CN113743680A CN113743680A CN202111290649.8A CN202111290649A CN113743680A CN 113743680 A CN113743680 A CN 113743680A CN 202111290649 A CN202111290649 A CN 202111290649A CN 113743680 A CN113743680 A CN 113743680A
- Authority
- CN
- China
- Prior art keywords
- demand
- determining
- transaction record
- hydrogen energy
- record set
- 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
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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
Abstract
本申请涉及一种氢能源需求量预测方法、装置和存储介质,方法包括:获取预测模型输出的针对目标区域内的加氢站的第一需求量,确定预设时段内该目标区域内的氢能源车辆的成交记录集,根据第一需求量和成交记录集,确定实际需求量。将实际需求量发送至制氢厂,使得制氢厂根据实际需求量制备氢能源,避免过多制备或者过少制备。
Description
技术领域
本申请涉及新能源技术领域,特别是涉及一种氢能源需求量预测方法、装置和存储介质。
背景技术
我国正面临能源产业结构调整的艰巨任务,发展氢能产业,是优化能源消费结构、实现电网和气网互联互通的重要途径。发展氢能产业还能够有效带动新材料、新能源汽车以及氢储存与运输等高端装备制造业发展,对于我国加快产业结构调整、实现高质量发展具有重要意义。新能源汽车和大数据的融合是大势所趋,也是工业化和信息化深度融合的典范,基于大数据的智能新能源汽车将是我国汽车产业转型升级的重点方向。
但是研究发现,现有的氢能源需求量预测方法,主要是根据各加氢站点上报的需求量以及经验进行预测,存在着无法准确预测氢能源需求量的问题。
发明内容
基于此,有必要针对上述技术问题,提供一种能够准确预测出氢能源需求量的氢能源需求量预测方法、装置和存储介质。
一种氢能源需求量预测方法,所述方法包括:
获取预测模型输出的针对目标区域内的加氢站的第一需求量;
确定预设时段内所述目标区域内的氢能源车辆的成交记录集;
根据所述第一需求量和所述成交记录集,确定实际需求量。
在其中一个实施例中,所述根据所述第一需求量和所述成交记录集,确定实际需求量,包括:
根据所述成交记录集确定第二需求量;
根据所述第一需求量和所述第二需求量,确定所述实际需求量。
在其中一个实施例中,所述成交记录集中的每一条成交记录中包含用户标识;
所述根据所述成交记录集确定第二需求量,包括:
获取每个用户标识的日均里程数;
根据每个用户标识的日均里程数,确定所述第二需求量。
在其中一个实施例中,所述方法还包括:
获取每个用户标识的常住地址;
判断每个用户标识的常住地址和所述目标区域是否匹配;
若不匹配,则将不匹配的用户标识对应的成交记录从所述成交记录集中删除。
在其中一个实施例中,所述实际需求量为第一时刻至第二时刻的实际需求量;
所述方法还包括:
获取所述目标区域内的加氢站在所述第一时刻的氢能源存量;
根据所述实际需求量和所述氢能源存量,确定待制备量。
一种氢能源需求量预测装置,所述装置包括:
第一需求量获取模块,用于获取预测模型输出的针对目标区域内的加氢站的需求量;
成交记录确定模块,用于确定预设时段内所述目标区域内的氢能源车辆的成交记录集;
实际需求量确定模块,用于根据所述第一需求量和所述成交记录集,确定实际需求量。
在其中一个实施例中,所述实际需求量确定模块,用于:
根据所述成交记录集确定第二需求量;
根据所述第一需求量和所述第二需求量,确定所述实际需求量。
在其中一个实施例中,所述成交记录集中的每一条成交记录中包含用户标识;
所述实际需求量确定模块,用于:
获取每个用户标识的日均里程数;
根据每个用户标识的日均里程数,确定所述第二需求量。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述的方法的步骤。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述的方法的步骤。
上述的氢能源需求量预测方法、装置、计算机设备和存储介质,方法包括:获取预测模型输出的针对目标区域内的加氢站的第一需求量,确定预设时段内该目标区域内的氢能源车辆的成交记录集,根据第一需求量和成交记录集,确定实际需求量。其中,确定预设时段内该目标区域内的氢能源车辆的成交记录集,从该成交记录集可以知道该目标区域增加了多少氢能源车辆,从而知道将会增加多少氢能源需求量,根据增加的氢能源需求量和预测模型输出的第一需求量,能够准确预测出实际需求量,将实际需求量发送至制氢厂,使得制氢厂根据实际需求量制备氢能源,避免过多制备或者过少制备。
附图说明
图1为一个实施例中氢能源需求量预测方法的流程示意图;
图2为一个实施例中氢能源需求量预测装置的结构框图;
图3为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
在一个实施例中,如图1所示,提供了一种氢能源需求量预测方法,包括以下步骤:
步骤S101:获取预测模型输出的针对目标区域内的加氢站的第一需求量;
其中,预测模型是在采用定量预测法进行预测时,最重要的工作是建立预测数学模型。预测模型是指用于预测的,用数学语言或公式所描述的事物间的数量关系。它在一定程度上揭示了事物间的内在规律性,预测时把它作为计算预测值的直接依据。预测模型是预先训练好的模型,该模型的训练参数包括春夏秋冬、下雨、下雪等各种环境下的当日每个加氢站的加氢量。
在本发明实施例中,先采集信息,包括采集每一天目标区域的所有加氢站的加氢量,天气信息,地理环境信息等信息。对上述采集到的信息进行采样。确定循环神经网络模型具体结构,包括隐层数目与每层神经元个数,并搭建好初始循环神经网络模型。使用搭建好的初始循环神经网络模型进行需求量预测,为训练样本数据贴上标签。通过使用贴上标签后的训练样本数据输入循环神经网络模型对循环神经网络模型进行训练,使循环神经网络模型自动调整模型参数,将训练完成后的循环神经网络模型作为预测模型。其中,模型训练的过程和现有的模型训练过程相同,此处不再加以赘述。
其中,预测模型可以根据需求输出目标区域内的每周、每个月、每季度等的氢能源的需求量。其中,今天是2021年10月21日(周四),则预测模型输出的每周可以是2021年10月22日~2021年10月28日(本周五~下周四),预测模型输出的每周也可以是2021年10月25日~2021年10月31日(下周一~下周天)。具体可以根据实际情况进行设置和修改。
其中,第一需求量可以是目标区域内的每周,或每个月,或每季度的氢能源的需求量。
其中,目标区域是一个地区,可以为一个城市,或者一个区县。具体是城市还是区县可根据实际情况设定。
步骤S102,确定预设时段内所述目标区域内的氢能源车辆的成交记录集;
在本发明实施例中,预设时段可以是一天,或一周,或一个月。具体根据实际情况进行设定。其中,若预测模型输出的是每周的需求量,则预测时间为每天。
其中,成交记录集表示目标区域内的成交记录的集合。例如,目标区域是一个城市A,这个城市A包括氢能源车辆售卖处1、售卖处2和售卖处3共3个售卖处,则成交记录集是3个售卖处的卖车的记录的集合。
步骤S103,根据所述第一需求量和所述成交记录集,确定实际需求量。
其中,确定预设时段内该目标区域内的氢能源车辆的成交记录集,从该成交记录集可以知道该目标区域增加了多少氢能源车辆,从而知道将会增加多少氢能源需求量。在确定增加的氢能源需求量后,将增加的氢能源需求量加上第一需求量,记为实际需求量。
为了便于理解,此处举例说明,假设预测模型输出的针对目标区域内的加氢站的下一周的第一需求量,预设时段内目标区域内的氢能源车辆的成交记录集为本周从周一开始到今天的成交记录的集合。假设今天是2021年10月21日(本周四),预测模型输出2021年10月25日~2021年10月31日(下周一~下周天)。预设时段内目标区域内的氢能源车辆的成交记录集为2021年10月18日~2021年10月21日(本周一~本周四)的成交记录的集合。确定本周一~本周四内该目标区域内的氢能源车辆的成交记录集,从该成交记录集可以知道该目标区域在本周增加了多少氢能源车辆,从而知道将会增加多少氢能源需求量。在确定增加的氢能源需求量后,将增加的氢能源需求量加上第一需求量,记为实际需求量。
上述氢能源需求量预测方法,获取预测模型输出的针对目标区域内的加氢站的第一需求量,确定预设时段内该目标区域内的氢能源车辆的成交记录集,根据第一需求量和成交记录集,确定实际需求量。其中,确定预设时段内该目标区域内的氢能源车辆的成交记录集,从该成交记录集可以知道该目标区域增加了多少氢能源车辆,从而知道将会增加多少氢能源需求量,根据增加的氢能源需求量和预测模型输出的第一需求量,能够准确预测出实际需求量,将实际需求量发送至制氢厂,使得制氢厂根据实际需求量制备氢能源,避免过多制备或者过少制备。
可选地,所述根据所述第一需求量和所述成交记录集,确定实际需求量,包括:
根据所述成交记录集确定第二需求量;
根据所述第一需求量和所述第二需求量,确定所述实际需求量。
在本发明实施例中,1个成交记录对应着1辆车,根据成交记录可以确定这些车增加的第二需求量。将第一需求量和第二需求量,能够准确预测出实际需求量,将实际需求量发送至制氢厂,使得制氢厂根据实际需求量制备氢能源,避免过多制备或者过少制备。
可选地,所述成交记录集中的每一条成交记录中包含用户标识;
所述根据所述成交记录集确定第二需求量,包括:
获取每个用户标识的日均里程数;
根据每个用户标识的日均里程数,确定所述第二需求量。
在本发明实施例中,每一条成交记录中包含用户标识,用户标识为用户唯一的身份ID,相同的身份ID,就会被当作是相同的一个用户。例如,用户标识可以为身份证号码或者一个不重复的数字组合。
在本发明实施例中,获取每个用户标识的历史轨迹,根据历史轨迹进行大数据挖掘分析,确定每个用户标识的工作地、居住地、开车频率、打车频率等等,从而根据上述数据确定日均里程数。其中,通过对历史轨迹进行分析确定日均里程数,属于大数据挖掘分析的常用技术,属于现有技术,此处不加以详细赘述。
在确定每个用户标识的日均里程数后,将所有用户标识的日均里程数乘以7得到该用户下一周需要的氢能源需求量。然后将所有用户标识的下一周需要的氢能源需求量相加,便可得到第二需求量。
可选地,所述方法还包括:
获取每个用户标识的常住地址;
判断每个用户标识的常住地址和所述目标区域是否匹配;
若不匹配,则将不匹配的用户标识对应的成交记录从所述成交记录集中删除。
在本发明实施例中,获取每个用户标识的历史轨迹,根据历史轨迹进行大数据挖掘分析,确定每个用户标识的常住地址。其中,通过对历史轨迹进行分析确定常住地址,属于大数据挖掘分析的常用技术,属于现有技术,此处不加以详细赘述。
在本发明实施例中,判断每个用户标识的常住地址和目标区域是否匹配,若匹配,则表明该用户将会在该目标区域行车以及加氢。则将该用户标识对应的成交记录保留在成交记录集中,后续进行第二需求量的确定。若用户标识的常住地址和目标区域不匹配,则表明该用户不会在目标区域行车以及加氢。例如,目标区域为B城市。用户在A城市上班,即常住地址为A城市,用户老家在B城市,用户想回老家B城市买车,即成交记录在B城市。虽然成交记录属于目标区域,但是用户标识的常住地址和目标区域不匹配,即后续用户不会在目标区域行车以及加氢,将不匹配的用户标识对应的成交记录从成交记录集中删除。后续进行第二需求量的确定的时候不包含该不匹配的用户标识对应的成交记录。
可选地,所述实际需求量为第一时刻至第二时刻的实际需求量;
所述方法还包括:
获取所述目标区域内的加氢站在所述第一时刻的氢能源存量;
根据所述实际需求量和所述氢能源存量,确定待制备量。
在本发明实施例中,假设今天是2021年10月21日(本周四),第一时刻为2021年10月25日(下周一),第二时刻为2021年10月31日(下周天),则预测出目标区域内的加氢站在下周一的氢能源存量,优选为下周一的零点的氢能源存量,则根据实际需求量和氢能源存量,确定待制备量。可以将实际需求量减去氢能源存量,得到待制备量。
其中,预测出目标区域内的加氢站在下周一的氢能源存量,属于预测模型的常用预测方法,预测模型也属于本领域的惯用技术手段,此处不加以详细赘述。
在本发明实施例中,根据实际需求量和氢能源存量,能够准确确定待制备量,将待制备量发送至制氢厂,使得制氢厂根据待制备量制备氢能源,避免过多制备或者过少制备。
应该理解的是,虽然图1的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图1中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图2所示,提供了一种氢能源需求量预测装置,包括:
第一需求量获取模块,用于获取预测模型输出的针对目标区域内的加氢站的需求量;
成交记录确定模块,用于确定预设时段内所述目标区域内的氢能源车辆的成交记录集;
实际需求量确定模块,用于根据所述第一需求量和所述成交记录集,确定实际需求量。
在其中一个可选的实施例中,所述实际需求量确定模块,用于:
根据所述成交记录集确定第二需求量;
根据所述第一需求量和所述第二需求量,确定所述实际需求量。
在其中一个可选的实施例中,所述成交记录集中的每一条成交记录中包含用户标识;
所述实际需求量确定模块,用于:
获取每个用户标识的日均里程数;
根据每个用户标识的日均里程数,确定所述第二需求量。
在其中一个可选的实施例中,氢能源需求量预测装置还包括:
常住地址获取模块,用于获取每个用户标识的常住地址;
匹配模块,用于判断每个用户标识的常住地址和所述目标区域是否匹配;
删除模块,用于若不匹配,则将不匹配的用户标识对应的成交记录从所述成交记录集中删除。
在其中一个可选的实施例中,所述实际需求量为第一时刻至第二时刻的实际需求量;
氢能源需求量预测装置还包括:
氢能源存量获取模块,用于获取所述目标区域内的加氢站在所述第一时刻的氢能源存量;
待制备量确定模块,用于根据所述实际需求量和所述氢能源存量,确定待制备量。
关于氢能源需求量预测装置的具体限定可以参见上文中对于氢能源需求量预测方法的限定,在此不再赘述。上述氢能源需求量预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图3所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储货运车辆相关数据、加氢站相关数据以及中间站点、道路相关的数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种氢能源需求量预测方法。
本领域技术人员可以理解,图3中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现以下步骤:
获取预测模型输出的针对目标区域内的加氢站的第一需求量;
确定预设时段内所述目标区域内的氢能源车辆的成交记录集;
根据所述第一需求量和所述成交记录集,确定实际需求量。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
根据所述成交记录集确定第二需求量;
根据所述第一需求量和所述第二需求量,确定所述实际需求量。
在一个实施例中,所述成交记录集中的每一条成交记录中包含用户标识,处理器执行计算机程序时还实现以下步骤:
获取每个用户标识的日均里程数;
根据每个用户标识的日均里程数,确定所述第二需求量。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
获取每个用户标识的常住地址;
判断每个用户标识的常住地址和所述目标区域是否匹配;
若不匹配,则将不匹配的用户标识对应的成交记录从所述成交记录集中删除。
在一个实施例中,所述实际需求量为第一时刻至第二时刻的实际需求量,处理器执行计算机程序时还实现以下步骤:
获取所述目标区域内的加氢站在所述第一时刻的氢能源存量;
根据所述实际需求量和所述氢能源存量,确定待制备量。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取预测模型输出的针对目标区域内的加氢站的第一需求量;
确定预设时段内所述目标区域内的氢能源车辆的成交记录集;
根据所述第一需求量和所述成交记录集,确定实际需求量。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
根据所述成交记录集确定第二需求量;
根据所述第一需求量和所述第二需求量,确定所述实际需求量。
在一个实施例中,所述成交记录集中的每一条成交记录中包含用户标识,计算机程序被处理器执行时还实现以下步骤:
获取每个用户标识的日均里程数;
根据每个用户标识的日均里程数,确定所述第二需求量。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
获取每个用户标识的常住地址;
判断每个用户标识的常住地址和所述目标区域是否匹配;
若不匹配,则将不匹配的用户标识对应的成交记录从所述成交记录集中删除。
在一个实施例中,所述实际需求量为第一时刻至第二时刻的实际需求量,计算机程序被处理器执行时还实现以下步骤:
获取所述目标区域内的加氢站在所述第一时刻的氢能源存量;
根据所述实际需求量和所述氢能源存量,确定待制备量。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory,ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic Random Access Memory,DRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种氢能源需求量预测方法,其特征在于,所述方法包括:
获取预测模型输出的针对目标区域内的加氢站的第一需求量;
确定预设时段内所述目标区域内的氢能源车辆的成交记录集;
根据所述第一需求量和所述成交记录集,确定实际需求量。
2.根据权利要求1所述的氢能源需求量预测方法,其特征在于,所述根据所述第一需求量和所述成交记录集,确定实际需求量,包括:
根据所述成交记录集确定第二需求量;
根据所述第一需求量和所述第二需求量,确定所述实际需求量。
3.根据权利要求2所述的氢能源需求量预测方法,其特征在于,所述成交记录集中的每一条成交记录中包含用户标识;
所述根据所述成交记录集确定第二需求量,包括:
获取每个用户标识的日均里程数;
根据每个用户标识的日均里程数,确定所述第二需求量。
4.根据权利要求3所述的氢能源需求量预测方法,其特征在于,所述方法还包括:
获取每个用户标识的常住地址;
判断每个用户标识的常住地址和所述目标区域是否匹配;
若不匹配,则将不匹配的用户标识对应的成交记录从所述成交记录集中删除。
5.根据权利要求1所述的氢能源需求量预测方法,其特征在于,所述实际需求量为第一时刻至第二时刻的实际需求量;
所述方法还包括:
获取所述目标区域内的加氢站在所述第一时刻的氢能源存量;
根据所述实际需求量和所述氢能源存量,确定待制备量。
6.一种氢能源需求量预测装置,其特征在于,所述装置包括:
第一需求量获取模块,用于获取预测模型输出的针对目标区域内的加氢站的需求量;
成交记录确定模块,用于确定预设时段内所述目标区域内的氢能源车辆的成交记录集;
实际需求量确定模块,用于根据所述第一需求量和所述成交记录集,确定实际需求量。
7.根据权利要求6所述的氢能源需求量预测装置,其特征在于,所述实际需求量确定模块,用于:
根据所述成交记录集确定第二需求量;
根据所述第一需求量和所述第二需求量,确定所述实际需求量。
8.根据权利要求7所述的氢能源需求量预测装置,其特征在于,所述成交记录集中的每一条成交记录中包含用户标识;
所述实际需求量确定模块,用于:
获取每个用户标识的日均里程数;
根据每个用户标识的日均里程数,确定所述第二需求量。
9.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至5中任一项所述的方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至5中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111290649.8A CN113743680B (zh) | 2021-11-02 | 2021-11-02 | 氢能源需求量预测方法、装置和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111290649.8A CN113743680B (zh) | 2021-11-02 | 2021-11-02 | 氢能源需求量预测方法、装置和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113743680A true CN113743680A (zh) | 2021-12-03 |
CN113743680B CN113743680B (zh) | 2022-04-01 |
Family
ID=78727267
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111290649.8A Active CN113743680B (zh) | 2021-11-02 | 2021-11-02 | 氢能源需求量预测方法、装置和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113743680B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105205566A (zh) * | 2015-10-08 | 2015-12-30 | 中国南方电网有限责任公司电网技术研究中心 | 能源消耗量预测方法和系统 |
CN105894111A (zh) * | 2016-03-30 | 2016-08-24 | 天鸿泰(北京)科技有限公司 | 一种基于互补型模糊神经网络的能源用量预测方法和装置 |
JP2016170594A (ja) * | 2015-03-12 | 2016-09-23 | 株式会社東芝 | 需要予測装置、需要予測方法、需要予測プログラム及び需要管理システム |
CN108153222A (zh) * | 2017-11-24 | 2018-06-12 | 北京算云联科科技有限公司 | 一种能源控制方法及装置 |
CN113222387A (zh) * | 2021-04-30 | 2021-08-06 | 北京理工新源信息科技有限公司 | 面向氢燃料车辆的多目标调度与协同优化方法 |
CN113420382A (zh) * | 2021-07-06 | 2021-09-21 | 北理新源(佛山)信息科技有限公司 | 基于大数据的制氢运氢和加氢调度系统 |
-
2021
- 2021-11-02 CN CN202111290649.8A patent/CN113743680B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2016170594A (ja) * | 2015-03-12 | 2016-09-23 | 株式会社東芝 | 需要予測装置、需要予測方法、需要予測プログラム及び需要管理システム |
CN105205566A (zh) * | 2015-10-08 | 2015-12-30 | 中国南方电网有限责任公司电网技术研究中心 | 能源消耗量预测方法和系统 |
CN105894111A (zh) * | 2016-03-30 | 2016-08-24 | 天鸿泰(北京)科技有限公司 | 一种基于互补型模糊神经网络的能源用量预测方法和装置 |
CN108153222A (zh) * | 2017-11-24 | 2018-06-12 | 北京算云联科科技有限公司 | 一种能源控制方法及装置 |
CN113222387A (zh) * | 2021-04-30 | 2021-08-06 | 北京理工新源信息科技有限公司 | 面向氢燃料车辆的多目标调度与协同优化方法 |
CN113420382A (zh) * | 2021-07-06 | 2021-09-21 | 北理新源(佛山)信息科技有限公司 | 基于大数据的制氢运氢和加氢调度系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113743680B (zh) | 2022-04-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chen et al. | Managing truck arrivals with time windows to alleviate gate congestion at container terminals | |
WO2019237522A1 (zh) | 车辆租赁方法、装置、计算机设备和存储介质 | |
Karbassi et al. | Vehicle route prediction and time of arrival estimation techniques for improved transportation system management | |
CN110599767A (zh) | 一种基于网约车出行需求的长短期预测方法 | |
CN110807921A (zh) | 车辆调度方法、装置、设备和存储介质 | |
CN111967698B (zh) | 基于移动充电桩调度的电动汽车充电系统及装置 | |
Comi et al. | Bus travel time variability: some experimental evidences | |
US20220410750A1 (en) | System and method for smart charging management of electric vehicle fleets | |
WO2021115320A1 (zh) | 交通评估方法和系统 | |
CN109741626A (zh) | 停车场停车情况预测方法、调度方法和系统 | |
CN112016771B (zh) | 基于电动汽车需求预测的移动充电桩调度方法及系统 | |
CN113538067B (zh) | 一种基于机器学习的城际网约车需求预测方法及系统 | |
CN114493038A (zh) | 一种全天时全路网的交通流量估计方法 | |
Goebel et al. | Forecasting driving behavior to enable efficient grid integration of plug-in electric vehicles | |
CN113821547B (zh) | 快速高效的停车场占有率短时预测方法、系统及存储介质 | |
CN113743680B (zh) | 氢能源需求量预测方法、装置和存储介质 | |
Kim et al. | Data-driven parking decisions: Proposal of parking availability prediction model | |
CN111383055B (zh) | 租车中心仓选品方法、装置、设备及计算机可读存储介质 | |
Rix et al. | Why taxi tracking trumps tracking passengers with apps in planning for the electrification of Africa’s paratransit | |
Buroni et al. | A tutorial on network-wide multi-horizon traffic forecasting with deep learning. | |
CN113793078B (zh) | 节假日氢能源需求量确定方法、装置和存储介质 | |
CN113627695B (zh) | 氢能源待制备量的确定方法、装置和存储介质 | |
CN114407661B (zh) | 基于数据驱动的电动车能耗预测方法、系统、设备及介质 | |
CN115994787A (zh) | 一种基于神经网络的拼车需求预测匹配方法 | |
CN115759347A (zh) | 一种基于特征数据的电动公交车行程能耗快速预测方法 |
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 |