CN113850439A - 轨道交通站点设备能耗预测方法、装置、设备和存储介质 - Google Patents
轨道交通站点设备能耗预测方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN113850439A CN113850439A CN202111154384.9A CN202111154384A CN113850439A CN 113850439 A CN113850439 A CN 113850439A CN 202111154384 A CN202111154384 A CN 202111154384A CN 113850439 A CN113850439 A CN 113850439A
- Authority
- CN
- China
- Prior art keywords
- energy consumption
- equipment
- station
- data
- consumption prediction
- 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.)
- Pending
Links
- 238000005265 energy consumption Methods 0.000 title claims abstract description 368
- 238000000034 method Methods 0.000 title claims abstract description 67
- 238000012549 training Methods 0.000 claims abstract description 72
- 239000013598 vector Substances 0.000 claims abstract description 72
- 238000003062 neural network model Methods 0.000 claims abstract description 20
- 239000011159 matrix material Substances 0.000 claims description 56
- 230000008569 process Effects 0.000 claims description 22
- 238000004364 calculation method Methods 0.000 description 9
- 238000006243 chemical reaction Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 230000009471 action Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005457 optimization 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
- 238000004458 analytical method Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer 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
- G06Q10/04—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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06N3/08—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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- 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
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Marketing (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Primary Health Care (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Development Economics (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Evolutionary Biology (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Educational Administration (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种轨道交通站点设备能耗预测方法、装置、设备和存储介质,包括:获取每个站点的特征向量数据以及设备历史能耗数据;根据特征向量数据计算目标站点与其他站点的相似度,根据相似度确定目标站点的相似站点;根据设备历史能耗数据对神经网络模型进行训练,得到每个站点所对应的设备能耗预测模型;结合目标站点的设备能耗预测模型以及相似站点的设备能耗预测模型,计算目标站点的最终设备能耗预测值。本发明考虑了站点与站点之间的联系与影响,通过结合目标站点的设备能耗预测模型以及相似站点的设备能耗预测模型来计算目标站点的最终设备能耗预测值,解决了目前对轨道交通站点的设备能耗进行预测的方法,存在着预测准确率低的问题。
Description
技术领域
本申请实施例涉及轨道交通领域,尤其涉及一种轨道交通站点设备能耗预测方法、装置、设备和存储介质。
背景技术
随着我国经济与科学技术的不断发展,许多城市开始大力推进轨道交通的建设,轨道交通给人们的生活带来便利的同时,也促进了城市的经济发展。然而,轨道交通在运行的过程中,会带来巨大的能耗,如何利用轨道交通站点内的能耗指标,进行能耗分析、预测、预警、诊断以及节能管理等,从而促使轨道交通的科学、合理、安全的用能,提高能源管理水平以及经济效益,成为目前亟需考虑的问题。
当前,对轨道交通站点的设备能耗进行预测的技术主要有以下两种方法:
1.时间序列方法预测:利用节点的AR模型(Autoregressive model,自回归模型)、MA模型(moving average model,滑动平均模型)、ARMA模型(Autoregressive movingaverage model,自回归滑动平均模型)等时间序列对轨道交通站点的设备能耗进行预测。
2.机器学习和深度学习算法进行预测:通常利用线性回归法、XGBOOST回归法或神经网络算法(RNN循环神经网络、LSTM长短期记忆网络)等,通过构造一系列建模的特征对模型进行训练拟合出一个训练好的模型,从而对轨道交通站点的设备能耗进行预测。
然而,上述方法存在以下缺点:
(1)仅仅从站点、设备自身历史能耗等特征序列数据进行预测建模,无法解决新线路新站点没有设备历史能耗数据的预测模型冷启动问题。
(2)仅仅基于本站的设备历史能耗数据进行建模,忽略站点与站点之间的联系与影响,如相似站点、临近站点等。
综上所述,现有技术中对轨道交通站点的设备能耗进行预测的方法,存在着预测准确率低的技术问题。
发明内容
本发明实施例提供了一种轨道交通站点设备能耗预测方法、装置、设备和存储介质,解决了现有技术中对轨道交通站点的设备能耗进行预测的方法,存在着预测准确率低的技术问题。
本发明实施例提供了一种轨道交通站点设备能耗预测方法,包括以下步骤:
获取每个站点的特征向量数据以及设备历史能耗数据;
根据所述特征向量数据计算目标站点与其他站点的相似度,根据所述相似度确定所述目标站点的相似站点;
根据所述设备历史能耗数据对神经网络模型进行训练,得到每个站点所对应的设备能耗预测模型;
结合所述目标站点的设备能耗预测模型以及所述相似站点的设备能耗预测模型,计算所述目标站点的最终设备能耗预测值。
优选的,所述根据所述特征向量数据计算目标站点与其他站点的相似度,根据所述相似度确定所述目标站点的相似站点的具体过程为:
根据所述每个站点的特征向量数据,生成特征向量矩阵;
标准化所述特征向量矩阵,得到第一特征向量矩阵;
根据所述第一特征向量矩阵,计算所述目标站点与所述其他站点的相似度;
根据所述相似度确定所述目标站点的相似站点。
优选的,根据所述第一特征向量矩阵,计算目标站点与其他站点的相似度的具体过程为:
根据所述第一特征向量矩阵,计算所述目标站点与所述其他站点的欧式距离,将所述欧式距离作为所述目标站点与所述其他站点的相似度。
优选的,根据所述设备历史能耗数据对神经网络模型进行训练,得到每个站点所对应的设备能耗预测模型的具体过程为:
根据所述设备历史能耗数据,建立设备历史能耗序列向量矩阵;
从所述设备历史能耗序列向量矩阵中提取出每个站点的历史能耗序列,将所述历史能耗序列转换为每个站点的训练标签序列集;
使用所述训练标签序列集训练LSTM模型,得到每个站点所对应的设备能耗预测模型。
优选的,所述将所述历史能耗序列转换为每个站点的训练标签序列集的具体过程为:
设定训练集特征序列长度;
根据所述训练集特征序列长度,将所述历史能耗序列转换为每个站点的训练标签序列集。
优选的,结合所述目标站点的设备能耗预测模型以及所述相似站点的设备能耗预测模型,计算所述目标站点的最终设备能耗预测值的具体过程为:
将所述目标站点的设备历史能耗数据输入至所述目标站点的设备能耗预测模型中,得到所述目标站点的第一能耗预测值;
将所述相似站点的设备历史能耗数据输入至所述相似站点的设备能耗预测模型中,得到所述相似站点的第二能耗预测值;
根据所述相似站点的数量计算所述第二能耗预测值的平均值;
分别为所述第一能耗预测值以及所述第二能耗预测值的平均值分配权重;
根据所述权重、所述第一能耗预测值以及所述第二能耗预测值的平均值,计算所述目标站点的最终设备能耗预测值。
优选的,获取每个站点的设备历史能耗数据的具体过程为:
获取每个站点在历史T个时间节点的能耗数据,其中,T根据能耗预测粒度以及训练数据长度确定。
第二方面,本发明实施例还提供了一种轨道交通站点设备能耗预测装置,包括
数据获取模块,用于获取每个站点的特征向量数据以及设备历史能耗数据;
相似站点确定模块,用于根据所述特征向量数据计算目标站点与其他站点的相似度,根据所述相似度确定所述目标站点的相似站点;
神经网络模型训练模块,用于根据所述设备历史能耗数据对神经网络模型进行训练,得到每个站点所对应的设备能耗预测模型;
设备能耗预测模块,用于结合所述目标站点的设备能耗预测模型以及所述相似站点的设备能耗预测模型,计算所述目标站点的最终设备能耗预测值。
优选的,相似站点确定模块包括:
特征向量矩阵子模块,用于根据所述每个站点的特征向量数据,生成特征向量矩阵;
标准化子模块,用于标准化所述特征向量矩阵,得到第一特征向量矩阵;
相似度计算子模块,用于根据所述第一特征向量矩阵,计算所述目标站点与所述其他站点的相似度;
确定子模块,用于根据所述相似度确定所述目标站点的相似站点。
优选的,相似度计算子模块具体用于根据所述第一特征向量矩阵,计算所述目标站点与所述其他站点的欧式距离,将所述欧式距离作为所述目标站点与所述其他站点的相似度。
优选的,神经网络模型训练模块包括:
能耗序列向量矩阵子模块,用于根据所述设备历史能耗数据,建立设备历史能耗序列向量矩阵;
转换子模块,用于从所述设备历史能耗序列向量矩阵中提取出每个站点的历史能耗序列,将所述历史能耗序列转换为每个站点的训练标签序列集;
训练子模块,用于使用所述训练标签序列集训练LSTM模型,得到每个站点所对应的设备能耗预测模型。
优选的,转换子模块用于将历史能耗序列转换为每个站点的训练标签序列集的具体过程为:转换子模块用于设定训练集特征序列长度;根据所述训练集特征序列长度,将所述历史能耗序列转换为每个站点的训练标签序列集。
优选的,设备能耗预测模块包括:
第一能耗预测值计算子模块,用于将所述目标站点的设备历史能耗数据输入至所述目标站点的设备能耗预测模型中,得到所述目标站点的第一能耗预测值;
第二能耗预测值计算子模块,用于将所述相似站点的设备历史能耗数据输入至所述相似站点的设备能耗预测模型中,得到所述相似站点的第二能耗预测值;
平均值计算子模块,用于根据所述相似站点的数量计算所述第二能耗预测值的平均值;
权重分配子模块,用于分别为所述第一能耗预测值以及所述第二能耗预测值的平均值分配权重;
预测值计算子模块,用于根据所述权重、所述第一能耗预测值以及所述第二能耗预测值的平均值,计算所述目标站点的最终设备能耗预测值。
优选的,数据获取模块具体用于,获取每个站点在历史T个时间节点的能耗数据,其中,T根据能耗预测粒度以及训练数据长度确定。
第三方面,本发明实施例还提供了一种轨道交通站点设备能耗预测设备,所述设备包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如第一方面所述的轨道交通站点设备能耗预测方法。
第四方面,一种存储计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行如第一方面所述的轨道交通站点设备能耗预测方法。
上述,本发明实施例通过获取每个站点的特征向量数据以及设备历史能耗数据;根据特征向量数据计算目标站点与其他站点的相似度,根据相似度确定目标站点的相似站点;根据设备历史能耗数据对神经网络模型进行训练,得到每个站点所对应的设备能耗预测模型;结合目标站点的设备能耗预测模型以及相似站点的设备能耗预测模型,计算目标站点的最终设备能耗预测值。本发明实施例考虑了站点与站点之间的联系与影响,在计算目标站点的最终设备能耗预测值时,利用了相似站点的设备能耗预测模型,通过结合目标站点的设备能耗预测模型以及相似站点的设备能耗预测模型来计算目标站点的最终设备能耗预测值,从而避免了由于目标站点短期能耗波动导致最终设备能耗预测值误差较大,准确率低的不足,提高了预测的准确性;并且当目标站点为新站点时,基于相似站点的设备能耗预测模型也能够计算出目标站点的最终设备能耗预测值,即使新站点在没有设备历史能耗数据的情况下设备能耗预测模型也能够进行冷启动,提高了对新站点的进行设备能耗预测的准确性,解决了现有技术中对轨道交通站点的设备能耗进行预测的方法,存在着预测准确率低的技术问题。
附图说明
图1为本发明实施例提供的一种轨道交通站点设备能耗预测方法的流程图。
图2为本发明实施例提供的另一种轨道交通站点设备能耗预测方法的流程图。
图3为本发明实施例提供的一种轨道交通站点设备能耗预测装置的结构示意图。
图4为本发明实施例提供的一种轨道交通站点设备能耗预测设备的结构示意图。
具体实施方式
以下描述和附图充分地示出本申请的具体实施方案,以使本领域的技术人员能够实践它们。实施例仅代表可能的变化。除非明确要求,否则单独的部件和功能是可选的,并且操作的顺序可以变化。一些实施方案的部分和特征可以被包括在或替换其他实施方案的部分和特征。本申请的实施方案的范围包括权利要求书的整个范围,以及权利要求书的所有可获得的等同物。在本文中,各实施方案可以被单独地或总地用术语“发明”来表示,这仅仅是为了方便,并且如果事实上公开了超过一个的发明,不是要自动地限制该应用的范围为任何单个发明或发明构思。本文中,诸如第一和第二等之类的关系术语仅仅用于将一个实体或者操作与另一个实体或操作区分开来,而不要求或者暗示这些实体或操作之间存在任何实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素。本文中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的结构、产品等而言,由于其与实施例公开的部分相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
实施例一
图1为本发明实施例提供的一种轨道交通站点设备能耗预测方法的流程图。本发明实施例提供的轨道交通站点设备能耗预测方法可以由轨道交通站点设备能耗预测设备执行,该轨道交通站点设备能耗预测设备可以通过软件和/或硬件的方式实现,该轨道交通站点设备能耗预测设备可以是两个或多个物理实体构成,也可以由一个物理实体构成。例如轨道交通站点设备能耗预测设备可以是电脑、手机、平板或智能交互平板等数据处理设备。
步骤101、获取每个站点的特征向量数据以及设备历史能耗数据。
在本实施例中,首先需要获取每个站点的特征向量数据以及设备历史能耗数据,从而为后续进行计算目标站点的最终设备能耗预测值做好准备。特征向量数据为能够反应每个站点的设备特征的数据,设备历史能耗数据为站点历史上每个设备的能耗数据。特征向量数据可根据实际的需要进行设置,在本实施例中,特征向量数据由7个特征向量组成,如表1所示。
表1
步骤102、根据特征向量数据计算目标站点与其他站点的相似度,根据相似度确定目标站点的相似站点。
在得到每个站点的特征向量数据后,即可根据特征向量数据,计算出目标站点与其他站点之间的相似度。在一个实施例中,可以通过计算每个站点的特征向量数据之间的欧式距离,将欧式距离作为两个站点之间的相似度。在计算出目标站点和其他站点的欧式距离之后,根据欧式距离的数值,从小到大对其他站点进行排序,从序列中选取出前K个其他站点作为目标站点的相似站点。
步骤103、根据设备历史能耗数据对神经网络模型进行训练,得到每个站点所对应的设备能耗预测模型。
在得到每个站点的设备历史能耗数据后,将设备历史能耗数据输入至设定的神经网络模型中进行训练,得到与每个站点对应的训练好的神经网络模型,将每个训练好的神经网络模型作为每个相应站点的设备能耗预测模型。在一个实施例中,神经网络模型选择LSTM模型,LSTM是一种时间递归神经网络,在本实施例中,利用开源的pytorch框架,对LSTM模型进行构建训练。具体为:预先设置pytorch LSTM模型的网络参数,其中网络隐含层数量hidden_layer_size=100,训练轮次epochs=50,损失函数loss_function=nn.MSELoss()设置为交叉熵损失,优化方法设置成adam优化方法。之后,将每个站点的设备历史能耗数据输入到不同的LSTM模型中进行训练,最终得到每个站点所对应的设备能耗预测模型。
步骤104、结合目标站点的设备能耗预测模型以及相似站点的设备能耗预测模型,计算目标站点的最终设备能耗预测值。
在得到每个站点所对应的设备能耗预测模型后,选取出目标站点的设备能耗预测模型以及相似站点的设备能耗预测模型,结合目标站点的设备能耗预测模型以及相似站点的设备能耗预测模型,来计算目标站点的最终设备能耗预测值。在一个实施例中,获取t时刻之前的目标站点的设备历史能耗数据和相似站点的设备历史能耗数据并输入到相应的设备能耗预测模型中,使得目标站点对应的设备能耗预测模型输出t时刻之后的第一能耗预测值,各个相似站点所对应的设备能耗预测模型输出t时刻之后的第二能耗预测值,计算各个第二能耗预测值的平均值,之后,分别为第一能耗预测值和第二能耗预测值的平均值分配权重并进行加权求和,即可得到目标站点t时刻之后的最终设备能耗预测值。
上述,本发明实施例通过结合目标站点的设备能耗预测模型以及相似站点的设备能耗预测模型来计算目标站点的最终设备能耗预测值,从而避免了由于目标站点短期能耗波动导致最终设备能耗预测值误差较大,预测准确率低的不足,提高了预测的准确性;并且当目标站点为新站点时,基于相似站点的设备能耗预测模型也能够计算出目标站点的最终设备能耗预测值,使得新站点在没有设备历史能耗数据下设备能耗预测模型也能够进行冷启动,提高了对新站点进行设备能耗预测的准确性,解决了现有技术中对轨道交通站点的设备能耗进行预测的方法,存在着预测准确率低的技术问题。
实施例二
图2为本发明另一个实施例提供的一种轨道交通站点设备能耗预测方法的流程图,该轨道交通站点设备能耗预测方法是在上述实施例的基础上进行具体化。如图2所示,轨道交通站点设备能耗预测方法包括:
步骤201、获取每个站点的特征向量数据以及设备历史能耗数据。
在一个实施例中,获取每个站点的设备历史能耗数据的具体过程为:获取每个站点在历史T个时间节点的能耗数据,其中,T根据能耗预测粒度以及训练数据长度确定。
示例性的,将能耗预测粒度设置为15分钟,将训练数据的长度设置为2020-01-01~2020-01-31。对于轨道交通线路上的某个站点,获取该站点在2020-01-01~2020-01-31内的每15分钟的能耗数据,则时间节点的个数T=31*72=2232。
步骤202、根据每个站点的特征向量数据,生成特征向量矩阵。
本实施例中,在得到每一个站点的特征向量数据后,对每一个站点的特征向量数据进行预处理,之后整理得到一个特征向量矩阵。示例性的,若每个站点的特征向量数据的特征向量如表1所示,对每个站点的特征向量数据进行整理后得到N行7列的特征向量矩阵X∈RN×7,其中N表示站点的数量,7表示特征向量数据的7个特征向量,特征向量矩阵中的元素xij表示第i个站点的第j个特征向量,其中,N≧i>0,7≧j>0,x1j为目标站点的特征向量数据,xpj为其他站点的特征向量数据,其中N≧p>1。
步骤203、标准化特征向量矩阵,得到第一特征向量矩阵。
由于特征向量数据中每个特征向量的单位不一致,因此,需要对特征向量矩阵进行标准化。在本实施例中,采用z-score标准差标准化方法对特征向量矩阵进行标准化,具体过程为:计算特征向量矩阵X中所有特征向量的均值μ,之后,根据均值μ计算标准差σ,得到标准化转换函数,标准化转换函数x’ij=(xij-μ)/σ,转化后得到的特征矩阵其中x’ij表示标准化后的第i个站点的第j个特征向量,其中,N≧i>0,7≧j>0,x’1j为目标站点标准化后的特征向量数据,x’pj为其他站点标准化后的特征向量数据,其中N≧p>1。
步骤204、根据第一特征向量矩阵,计算目标站点与其他站点的相似度。
在得到第一特征向量矩阵后,即可根据第一特征向量矩阵中标准化后的特征向量,计算目标站点和其他站点之间的相似度。在一个实施例中,根据第一特征向量矩阵,计算目标站点与其他站点的相似度的具体过程为:
根据第一特征向量矩阵,计算目标站点与其他站点的欧式距离,将欧式距离作为目标站点与其他站点的相似度。
示例性的,对于目标站点,计算其与其他站点之间的欧式距离,具体公式为:
步骤205、根据相似度确定目标站点的相似站点。
在通过计算目标站点与N-1个其他站点的欧式距离后,即可得到N-1个距离序列d=(d2,d3,......,dN),根据欧式距离的数值大小,从距离序列d选取出数值最小的K个相似站点,记为Sk=(s1,s2,.....,sk),其中sq为K个相似站点的编号,其中K≧q>0。
步骤206、根据设备历史能耗数据,建立设备历史能耗序列向量矩阵。
本实施例中,在得到设备历史能耗数据后,根据设备历史能耗数据,建立每个站点的设备历史能耗序列向量矩阵。示例性的,对于N个站点,获取每个站点在历史T个时间节点的能耗数据,进行整理后得到设备历史能耗序列向量矩阵E∈RN×T,其中N表示站点的数量,T表示该站点某能耗设备在t时间节点的设备历史能耗数据,其中,T≧t>0,设备历史能耗序列向量矩阵E中的元素eit表示第i个站点在第t个时间节点的设备历史能耗数据,其中,N≧i>0,T≧t>0,e1t为目标站点在第t个时间节点的设备历史能耗数据,ept为其他站点在第t个时间节点的设备历史能耗数据,其中N≧p>1。
步骤207、从设备历史能耗序列向量矩阵中提取出每个站点的历史能耗序列,将历史能耗序列转换为每个站点的训练标签序列集。
本实施例中,为了对后续的LSTM模型进行训练,在设备历史能耗序列向量矩阵E中,可提取出每一个站点的历史能耗序列Se=(ei1,ei2,........,eiT)∈E,之后,将每一个站点的历史能耗序列Se转化为训练标签序列集。
在一个实施例中,将历史能耗序列转换为每个站点的训练标签序列集的具体过程为:
步骤2071、设定训练集特征序列长度。
首先需要设定训练集特征序列长度,训练集特征序列长度可根据历史能耗序列的总长度以及实际情况进行设置,在本实施例中,设置训练集特征序列长度train_window=30。
步骤2072、根据训练集特征序列长度,将历史能耗序列转换为每个站点的训练标签序列集。
在设定了训练集特征序列长度,在设备历史能耗序列向量矩阵E中提取出每一个站点的历史能耗序列Se=(ei1,ei2,........,eiT),根据训练集特征序列长度将历史能耗序列转换为训练标签序列集,具体如下:
x1=(ei1,ei2,.....,ei30),y1=(ei31)
x2=(ei2,ei3,.....,ei31),y2=(ei32)
.......
xl=(eil,eil+1,.....,eil+29),yl=(eil+30)
其中,xl为能耗序列特征,yl为能耗序列结果标签,xl以及yl构成了训练标签序列集。
步骤208、使用训练标签序列集训练LSTM模型,得到每个站点所对应的设备能耗预测模型。
在得到每一个站点对应的训练标签序列集后,将每一个站点的训练标签序列集输入到LSTM模型中,使用反向传播算法或梯度下降法的对LSTM模型进行训练,判断LSTM模型的损失函数的误差损失是否小于预设阈值或LSTM模型的训练次数达到预设次数,若是,则停止训练,得到训练好的设备能耗预测模型。
步骤209、结合目标站点的设备能耗预测模型以及相似站点的设备能耗预测模型,计算目标站点的最终设备能耗预测值。
在一个实施例中,结合目标站点的设备能耗预测模型以及相似站点的设备能耗预测模型,计算目标站点的最终设备能耗预测值的具体由步骤2091-步骤209过程为:
步骤2091、将目标站点的设备历史能耗数据输入至目标站点的设备能耗预测模型中,得到目标站点的第一能耗预测值;
步骤2092、将相似站点的设备历史能耗数据输入至相似站点的设备能耗预测模型中,得到相似站点的第二能耗预测值。
同理,获取K个相似站点在t时刻前30个时间节点的设备历史能耗数据其中,K≧q≧1。将K个相似站点的设备历史能耗数据输入到对应的设备能耗预测模型中,从而得到K个相似站点在t时刻后一个时间节点的第二能耗预测值。
步骤2093、根据相似站点的数量计算第二能耗预测值的平均值。
在得到K个相似站点的第二能耗预测值后,将K个相似站点的第二能耗预测值相加后的和除以K,得到第二能耗预测值的平均值。
步骤2094、分别为第一能耗预测值以及第二能耗预测值的平均值分配权重。
在本实施例中,分别为第一能耗预测值以及第二能耗预测值的平均值分配权重,其中,权重通过进行调优测试得到,可理解,在本实施例中,不对第一能耗预测值以及第二能耗预测值的平均值的权重进行具体限定。
步骤2095、根据权重、第一能耗预测值以及第二能耗预测值的平均值,计算目标站点的最终设备能耗预测值。
分别将第一能耗预测值以及第二能耗预测值的平均值乘以各自的权重,之后进行求和,从而得到目标站点在t时刻后一个时间节点的最终设备能耗预测值,具体公式如下:
其中,es(t+1)为目标站点在t时刻后一个时间节点的最终设备能耗预测值,α、β为权重,models为目标站点的设备能耗预测模型,modelk为相似站点的设备能耗预测模型。当目标站点为新站点时,由于缺少目标站点的设备历史能耗数据,因此无法对目标站点的设备能耗预测模型进行训练,α=0、β=1,此时,根据相似站点的设备能耗预测模型即可计算出目标站点的t时刻后一个时间节点的最终设备能耗预测值。
上述,本发明实施例通过结合目标站点的设备能耗预测模型以及相似站点的设备能耗预测模型来计算目标站点的最终设备能耗预测值,从而避免了由于目标站点短期能耗波动导致最终设备能耗预测值误差较大,准确率低的不足,提高了预测的准确性;并且当目标站点为新站点时,基于相似站点的设备能耗预测模型也能够计算出目标站点的最终设备能耗预测值,使得新站点在没有设备历史能耗数据的预测模型也能够进行冷启动,提高了对新站点进行设备能耗预测的准确性,解决了现有技术中对轨道交通站点的设备能耗进行预测的方法,存在着预测准确率低的技术问题。
实施例三
图3为本发明实施例提供的一种轨道交通站点设备能耗预测装置,其特征在于,包括
数据获取模块301,用于获取每个站点的特征向量数据以及设备历史能耗数据;
相似站点确定模块302,用于根据特征向量数据计算目标站点与其他站点的相似度,根据相似度确定目标站点的相似站点;
神经网络模型训练模块303,用于根据设备历史能耗数据对神经网络模型进行训练,得到每个站点所对应的设备能耗预测模型;
设备能耗预测模块304,用于结合目标站点的设备能耗预测模型以及相似站点的设备能耗预测模型,计算目标站点的最终设备能耗预测值。
在上述实施例的基础上,相似站点确定模块302包括:
特征向量矩阵子模块,用于根据每个站点的特征向量数据,生成特征向量矩阵;
标准化子模块,用于标准化特征向量矩阵,得到第一特征向量矩阵;
相似度计算子模块,用于根据第一特征向量矩阵,计算目标站点与其他站点的相似度;
确定子模块,用于根据相似度确定目标站点的相似站点。
在上述实施例的基础上,相似度计算子模块具体用于根据第一特征向量矩阵,计算目标站点与其他站点的欧式距离,将欧式距离作为目标站点与其他站点的相似度。
在上述实施例的基础上,神经网络模型训练模块303包括:
能耗序列向量矩阵子模块,用于根据设备历史能耗数据,建立设备历史能耗序列向量矩阵;
转换子模块,用于从设备历史能耗序列向量矩阵中提取出每个站点的历史能耗序列,将历史能耗序列转换为每个站点的训练标签序列集;
训练子模块,用于使用训练标签序列集训练LSTM模型,得到每个站点所对应的设备能耗预测模型。
在上述实施例的基础上,转换子模块用于将历史能耗序列转换为每个站点的训练标签序列集的具体过程为:转换子模块用于设定训练集特征序列长度;根据训练集特征序列长度,将历史能耗序列转换为每个站点的训练标签序列集。
在上述实施例的基础上,设备能耗预测模块304包括:
第一能耗预测值计算子模块,用于将目标站点的设备历史能耗数据输入至目标站点的设备能耗预测模型中,得到目标站点的第一能耗预测值;
第二能耗预测值计算子模块,用于将相似站点的设备历史能耗数据输入至相似站点的设备能耗预测模型中,得到相似站点的第二能耗预测值;
平均值计算子模块,用于根据相似站点的数量计算第二能耗预测值的平均值;
权重分配子模块,用于分别为第一能耗预测值以及第二能耗预测值的平均值分配权重;
预测值计算子模块,用于根据权重、第一能耗预测值以及第二能耗预测值的平均值,计算目标站点的最终设备能耗预测值。
在上述实施例的基础上,数据获取模块301具体用于,获取每个站点在历史T个时间节点的能耗数据,其中,T根据能耗预测粒度以及训练数据长度确定。
实施例四
本实施例还提供了一种轨道交通站点设备能耗预测设备,如图4所示,一种轨道交通站点设备能耗预测设备,设备包括处理器400以及存储器401;
存储器401用于存储计算机程序402,并将计算机程序402传输给处理器;
处理器400用于根据计算机程序402中的指令执行上述的一种轨道交通站点设备能耗预测方法实施例中的步骤。
示例性的,计算机程序402可以被分割成一个或多个模块/单元,一个或者多个模块/单元被存储在存储器401中,并由处理器400执行,以完成本申请。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述计算机程序402在轨道交通站点设备能耗预测设备中的执行过程。
轨道交通站点设备能耗预测设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。轨道交通站点设备能耗预测设备可包括,但不仅限于,处理器400、存储器401。本领域技术人员可以理解,图4仅仅是轨道交通站点设备能耗预测设备的示例,并不构成对轨道交通站点设备能耗预测设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如轨道交通站点设备能耗预测设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器400可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable GateArray,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器401可以是轨道交通站点设备能耗预测设备的内部存储单元,例如轨道交通站点设备能耗预测设备的硬盘或内存。存储器401也可以是轨道交通站点设备能耗预测设备的外部存储设备,例如轨道交通站点设备能耗预测设备上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,存储器401还可以既包括轨道交通站点设备能耗预测设备的内部存储单元也包括外部存储设备。存储器401用于存储计算机程序以及轨道交通站点设备能耗预测设备所需的其他程序和数据。存储器401还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和设备的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,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,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
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。
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,可以存储在一个计算机可读取存储介质中。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一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,RandomAccess Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
实施例五
本发明实施例还提供一种包含计算机可执行指令的存储介质,计算机可执行指令在由计算机处理器执行时用于执行一种轨道交通站点设备能耗预测方法,该方法包括以下步骤:
获取每个站点的特征向量数据以及设备历史能耗数据;
根据特征向量数据计算目标站点与其他站点的相似度,根据相似度确定目标站点的相似站点;
根据设备历史能耗数据对神经网络模型进行训练,得到每个站点所对应的设备能耗预测模型;
结合目标站点的设备能耗预测模型以及相似站点的设备能耗预测模型,计算目标站点的最终设备能耗预测值。
注意,上述仅为本发明实施例的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明实施例不限于这里的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明实施例的保护范围。因此,虽然通过以上实施例对本发明实施例进行了较为详细的说明,但是本发明实施例不仅仅限于以上实施例,在不脱离本发明实施例构思的情况下,还可以包括更多其他等效实施例,而本发明实施例的范围由所附的权利要求范围决定。
Claims (10)
1.一种轨道交通站点设备能耗预测方法,其特征在于,包括以下步骤:
获取每个站点的特征向量数据以及设备历史能耗数据;
根据所述特征向量数据计算目标站点与其他站点的相似度,根据所述相似度确定所述目标站点的相似站点;
根据所述设备历史能耗数据对神经网络模型进行训练,得到每个站点所对应的设备能耗预测模型;
结合所述目标站点的设备能耗预测模型以及所述相似站点的设备能耗预测模型,计算所述目标站点的最终设备能耗预测值。
2.根据权利要求1所述的一种轨道交通站点设备能耗预测方法,其特征在于,所述根据所述特征向量数据计算目标站点与其他站点的相似度,根据所述相似度确定所述目标站点的相似站点的具体过程为:
根据所述每个站点的特征向量数据,生成特征向量矩阵;
标准化所述特征向量矩阵,得到第一特征向量矩阵;
根据所述第一特征向量矩阵,计算所述目标站点与所述其他站点的相似度;
根据所述相似度确定所述目标站点的相似站点。
3.根据权利要求2所述的一种轨道交通站点设备能耗预测方法,其特征在于,根据所述第一特征向量矩阵,计算所述目标站点与所述其他站点的相似度的具体过程为:
根据所述第一特征向量矩阵,计算所述目标站点与所述其他站点的欧式距离,将所述欧式距离作为所述目标站点与所述其他站点的相似度。
4.根据权利要求1所述的一种轨道交通站点设备能耗预测方法,其特征在于,根据所述设备历史能耗数据对神经网络模型进行训练,得到每个站点所对应的设备能耗预测模型的具体过程为:
根据所述设备历史能耗数据,建立设备历史能耗序列向量矩阵;
从所述设备历史能耗序列向量矩阵中提取出每个站点的历史能耗序列,将所述历史能耗序列转换为每个站点的训练标签序列集;
使用所述训练标签序列集训练LSTM模型,得到每个站点所对应的设备能耗预测模型。
5.根据权利要求4所述的一种轨道交通站点设备能耗预测方法,其特征在于,所述将所述历史能耗序列转换为每个站点的训练标签序列集的具体过程为:
设定训练集特征序列长度;
根据所述训练集特征序列长度,将所述历史能耗序列转换为每个站点的训练标签序列集。
6.根据权利要求1所述的一种轨道交通站点设备能耗预测方法,其特征在于,结合所述目标站点的设备能耗预测模型以及所述相似站点的设备能耗预测模型,计算所述目标站点的最终设备能耗预测值的具体过程为:
将所述目标站点的设备历史能耗数据输入至所述目标站点的设备能耗预测模型中,得到所述目标站点的第一能耗预测值;
将所述相似站点的设备历史能耗数据输入至所述相似站点的设备能耗预测模型中,得到所述相似站点的第二能耗预测值;
根据所述相似站点的数量计算所述第二能耗预测值的平均值;
分别为所述第一能耗预测值以及所述第二能耗预测值的平均值分配权重;
根据所述权重、所述第一能耗预测值以及所述第二能耗预测值的平均值,计算所述目标站点的最终设备能耗预测值。
7.根据权利要求1至权利要求6任一项所述的一种轨道交通站点设备能耗预测方法,其特征在于,获取每个站点的设备历史能耗数据的具体过程为:
获取每个站点在历史T个时间节点的能耗数据,其中,T根据能耗预测粒度以及训练数据长度确定。
8.一种轨道交通站点设备能耗预测装置,其特征在于,包括
数据获取模块,用于获取每个站点的特征向量数据以及设备历史能耗数据;
相似站点确定模块,用于根据所述特征向量数据计算目标站点与其他站点的相似度,根据所述相似度确定所述目标站点的相似站点;
神经网络模型训练模块,用于根据所述设备历史能耗数据对神经网络模型进行训练,得到每个站点所对应的设备能耗预测模型;
设备能耗预测模块,用于结合所述目标站点的设备能耗预测模型以及所述相似站点的设备能耗预测模型,计算所述目标站点的最终设备能耗预测值。
9.一种轨道交通站点设备能耗预测设备,所述设备包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-7中任一项所述的轨道交通站点设备能耗预测方法。
10.一种存储计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-7中任一项所述的轨道交通站点设备能耗预测方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111154384.9A CN113850439A (zh) | 2021-09-29 | 2021-09-29 | 轨道交通站点设备能耗预测方法、装置、设备和存储介质 |
PCT/CN2021/129193 WO2023050534A1 (zh) | 2021-09-29 | 2021-11-08 | 轨道交通站点设备能耗预测方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111154384.9A CN113850439A (zh) | 2021-09-29 | 2021-09-29 | 轨道交通站点设备能耗预测方法、装置、设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113850439A true CN113850439A (zh) | 2021-12-28 |
Family
ID=78977208
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111154384.9A Pending CN113850439A (zh) | 2021-09-29 | 2021-09-29 | 轨道交通站点设备能耗预测方法、装置、设备和存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN113850439A (zh) |
WO (1) | WO2023050534A1 (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116128674A (zh) * | 2023-04-14 | 2023-05-16 | 广州云硕科技发展有限公司 | 一种基于智能交通的能源数据处理方法及装置 |
CN116754828A (zh) * | 2023-08-21 | 2023-09-15 | 济南瑞源智能城市开发有限公司 | 一种智慧隧道的能耗监测方法、设备及介质 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118014318A (zh) * | 2024-04-09 | 2024-05-10 | 国网浙江省电力有限公司宁波供电公司 | 一种基于多能系统的电力能源需求动态管理方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104268424A (zh) * | 2014-10-12 | 2015-01-07 | 刘岩 | 一种基于时间序列的地铁能耗综合预测方法 |
CN107606745A (zh) * | 2017-09-27 | 2018-01-19 | 南京中灿科技有限公司 | 地铁空调季逐时环控能耗预测方法 |
CN108022020A (zh) * | 2017-12-15 | 2018-05-11 | 东软集团股份有限公司 | 设备故障管理方法、装置、存储介质和电子设备 |
CN113111578A (zh) * | 2021-04-01 | 2021-07-13 | 上海晨翘智能科技有限公司 | 电力负荷预测方法、装置、计算机设备及存储介质 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104442825B (zh) * | 2014-11-28 | 2017-10-17 | 上海交通大学 | 一种电动汽车剩余行驶里程的预测方法和系统 |
CN108564227B (zh) * | 2018-04-26 | 2021-08-06 | 重庆大学 | 一种基于时空特征的轨道交通客流量预测方法 |
CN110019420B (zh) * | 2018-05-10 | 2021-03-30 | 华为技术有限公司 | 一种数据序列预测方法及计算设备 |
CN110008974A (zh) * | 2018-11-23 | 2019-07-12 | 阿里巴巴集团控股有限公司 | 行为数据预测方法、装置、电子设备及计算机存储介质 |
CN112686428B (zh) * | 2020-12-15 | 2022-07-19 | 广州新科佳都科技有限公司 | 基于地铁线网站点相似性的地铁客流预测方法及装置 |
CN113159408B (zh) * | 2021-04-14 | 2023-11-21 | 交控科技股份有限公司 | 轨道交通站点客流预测方法及装置 |
-
2021
- 2021-09-29 CN CN202111154384.9A patent/CN113850439A/zh active Pending
- 2021-11-08 WO PCT/CN2021/129193 patent/WO2023050534A1/zh unknown
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104268424A (zh) * | 2014-10-12 | 2015-01-07 | 刘岩 | 一种基于时间序列的地铁能耗综合预测方法 |
CN107606745A (zh) * | 2017-09-27 | 2018-01-19 | 南京中灿科技有限公司 | 地铁空调季逐时环控能耗预测方法 |
CN108022020A (zh) * | 2017-12-15 | 2018-05-11 | 东软集团股份有限公司 | 设备故障管理方法、装置、存储介质和电子设备 |
CN113111578A (zh) * | 2021-04-01 | 2021-07-13 | 上海晨翘智能科技有限公司 | 电力负荷预测方法、装置、计算机设备及存储介质 |
Non-Patent Citations (2)
Title |
---|
刘家学 等: ""基于 LSTM 的航空公司能耗序列预测"" * |
王慧文: ""城市轨道交通车站能耗预测及定额标准研究"" * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116128674A (zh) * | 2023-04-14 | 2023-05-16 | 广州云硕科技发展有限公司 | 一种基于智能交通的能源数据处理方法及装置 |
CN116754828A (zh) * | 2023-08-21 | 2023-09-15 | 济南瑞源智能城市开发有限公司 | 一种智慧隧道的能耗监测方法、设备及介质 |
CN116754828B (zh) * | 2023-08-21 | 2023-12-01 | 济南瑞源智能城市开发有限公司 | 一种智慧隧道的能耗监测方法、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
WO2023050534A1 (zh) | 2023-04-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113850439A (zh) | 轨道交通站点设备能耗预测方法、装置、设备和存储介质 | |
CN110888857A (zh) | 基于神经网络的数据标签生成方法、装置、终端及介质 | |
Kuchansky et al. | Development of adaptive combined models for predicting time series based on similarity identification | |
CN111950738A (zh) | 机器学习模型优化效果评估方法、装置、终端及存储介质 | |
CN113592019A (zh) | 基于多模型融合的故障检测方法、装置、设备及介质 | |
WO2019214455A1 (zh) | 一种数据序列预测方法及计算设备 | |
CN112862546B (zh) | 用户流失预测方法、装置、计算机设备及存储介质 | |
Niu et al. | Optimization of support vector machine power load forecasting model based on data mining and Lyapunov exponents | |
CN113537850A (zh) | 仓储优化方法、装置、计算机设备和存储介质 | |
CN111738778B (zh) | 用户画像生成方法、装置、计算机设备及存储介质 | |
CN114880449B (zh) | 智能问答的答复生成方法、装置、电子设备及存储介质 | |
CN112950344A (zh) | 数据评估方法、装置、电子设备及存储介质 | |
CN112102011A (zh) | 基于人工智能的用户等级预测方法、装置、终端及介质 | |
CN116684330A (zh) | 基于人工智能的流量预测方法、装置、设备及存储介质 | |
CN115034315A (zh) | 基于人工智能的业务处理方法、装置、计算机设备及介质 | |
CN112818028B (zh) | 数据指标筛选方法、装置、计算机设备及存储介质 | |
Liang et al. | A Poisson-based distribution learning framework for short-term prediction of food delivery demand ranges | |
CN116843483A (zh) | 一种车险理赔方法、装置、计算机设备及存储介质 | |
CN111984514A (zh) | 基于Prophet-bLSTM-DTW的日志异常检测方法 | |
CN111652282A (zh) | 基于大数据的用户偏好分析方法、装置及电子设备 | |
CN113420847B (zh) | 基于人工智能的目标对象匹配方法及相关设备 | |
CN114881313A (zh) | 基于人工智能的行为预测方法、装置及相关设备 | |
CN112801144B (zh) | 资源分配方法、装置、计算机设备及存储介质 | |
CN112801372B (zh) | 数据处理方法、装置、电子设备和可读存储介质 | |
CN113657971B (zh) | 物品推荐方法、装置及电子设备 |
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 | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40058081 Country of ref document: HK |
|
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20211228 |