CN113887816A - 一种家用电器社会保有量的智能预测方法、装置及设备 - Google Patents
一种家用电器社会保有量的智能预测方法、装置及设备 Download PDFInfo
- Publication number
- CN113887816A CN113887816A CN202111217335.5A CN202111217335A CN113887816A CN 113887816 A CN113887816 A CN 113887816A CN 202111217335 A CN202111217335 A CN 202111217335A CN 113887816 A CN113887816 A CN 113887816A
- Authority
- CN
- China
- Prior art keywords
- training set
- social
- model
- gray
- annual
- 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
- 238000000034 method Methods 0.000 title claims abstract description 70
- 238000012549 training Methods 0.000 claims abstract description 139
- 230000007246 mechanism Effects 0.000 claims abstract description 101
- 238000012216 screening Methods 0.000 claims abstract description 22
- 230000014759 maintenance of location Effects 0.000 claims description 49
- 238000013528 artificial neural network Methods 0.000 claims description 26
- 238000012545 processing Methods 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 14
- 238000003860 storage Methods 0.000 claims description 9
- 238000009825 accumulation Methods 0.000 claims description 6
- 238000004519 manufacturing process Methods 0.000 claims description 5
- 239000000126 substance Substances 0.000 claims description 5
- 238000011161 development Methods 0.000 claims description 4
- 238000012360 testing method Methods 0.000 description 17
- 238000010586 diagram Methods 0.000 description 10
- 239000010793 electronic waste Substances 0.000 description 8
- 239000002699 waste material Substances 0.000 description 7
- 210000002569 neuron Anatomy 0.000 description 5
- 230000008859 change Effects 0.000 description 3
- 238000011084 recovery Methods 0.000 description 3
- 238000004064 recycling Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 108010014173 Factor X Proteins 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 238000004883 computer application Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000005406 washing 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
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06N3/042—Knowledge-based neural networks; Logical representations of neural 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Tourism & Hospitality (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- General Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- Marketing (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Development Economics (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种家用电器社会保有量的智能预测方法,包括:获取并利用家用电器社会保有量的年度历史训练集和影响因素年度历史训练集,筛选出影响因素的年度历史目标训练集,利用筛选出的影响因素的年度历史目标训练集,建立单变量灰色模型;利用单变量灰色模型的输出预测序列和家用电器社会保有量的年度历史训练集,建立多元灰色机理模型;利用智能学习方法对多元灰色机理模型的输出预测序列进行误差补偿,得到家用电器社会保有量的目标预测结果。本发明所述的方法,提高了家用电器社会保有量的预测精度和模型的通用性,使家用电器社会保有量的预测具有自主学习与自适应的能力。
Description
技术领域
本发明涉及计算机应用技术领域,尤其是指一种家用电器社会保有量的智能预测方法、装置、设备及计算机可读存储介质。
背景技术
随着经济的发展和技术的快速性变革,家用电子电器产品更新换代的速度越来越快。我国作为全球最大的家用电子电器产品生产和消费大国,将面临家用电子电器废弃物激增的严峻问题。作为电子废弃物的重要组成部分,废弃家电兼具环境性与资源性,其资源化利用对我国的环境效益和经济效益具有重要的意义。然而,目前80%的电子废弃物仍流向非正规回收部门,正规企业实际回收处理量不到设计能力的50%,企业产能过剩,电子废弃物规范回收处理率偏低。这种电子废弃物资源化回收利用问题很大程度上是由于缺少对回收体系的统筹规划、无法对不同的资源进行规范化分类管理造成的,因此提高各地家电废弃量的预测精度是亟待解决的问题。
国内外有关及家电废弃量的预测方法众多,各方法具有不同的建模机理、数据基础、模型复杂度。其主要技术路线主要分为三种:基于销售量的市场供给模型、基于保有量的保有量系数模型和基于社会经济指标的计量统计模型。其中保有量系数法在我国具有非常好的数据可得性。由于国家统计局在全国和省市持续开展定期的典型家用电子电器产品社会保有量调查,这一数据对系统追踪产品消费的实际空间分布提供了非常好的支持。因此,保有量系数法通常被用来对未来长时间段废弃量的预测,而在进行废弃量预测之前,需要对保有量的未来值进行预测。现有针对家用电器社会保有量的预测大多都是以单一时间序列进行预测,随着家电保有量系统的复杂化和越来越多的非线性因素出现,只考虑单一变量的预测并非是最客观的,而且相同的影响因素对不同品类的家用电器社会保有量影响程度是不同的,因此,需要设计一种家用电器社会保有量的智能预测方法。
发明内容
为此,本发明所要解决的技术问题在于克服现有技术中家用电器社会保有量的预测采用单一时间序列进行预测,未考虑到家用电器社会保有量系统的复杂化和越来越多非线性因素的出现。
为解决上述技术问题,本发明提供了一种家用电器社会保有量的智能预测方法,包括:
获取并利用待测试地区家用电器社会保有量的年度历史训练集和影响因素年度历史训练集,建立灰色关联度模型,根据所述灰色关联度模型,筛选出影响因素的年度历史目标训练集;
根据所述影响因素的年度历史目标训练集,建立单变量灰色模型,并对所述单变量灰色模型进行求解,得到所述单变量灰色模型的输出预测序列;
利用所述单变量灰色模型的输出预测序列和所述待测试地区家用电器社会保有量的年度历史训练集,建立多元灰色机理模型,并对所述多元灰色机理模型进行求解,得到所述多元灰色机理模型的输出预测序列;
利用智能学习方法对所述多元灰色机理模型的输出预测序列和所述待测试地区家用电器社会保有量的年度历史训练集之间的误差进行智能补偿,将误差补偿序列与所述多元灰色机理模型的输出预测序列相加,得到所述待测试地区家用电器社会保有量的目标预测结果。
在本发明的一个实施例中,所述影响因素年度历史训练集包括:待测试地区生产总值的年度历史训练集、待测试地区居民消费的年度历史训练集、待测试地区年平均人口的年度历史训练集和待测试地区人均可支配收入的年度历史训练集。
在本发明的一个实施例中,所述获取并利用待测试地区家用电器社会保有量的年度历史训练集和影响因素年度历史训练集,建立灰色关联度模型,根据所述灰色关联度模型,筛选出影响因素的年度历史目标训练集包括:
对所述待测试地区家用电器社会保有量的年度历史训练集和影响因素年度历史训练集进行无量纲化处理;
计算完成无量纲化处理后的所述待测试地区家用电器社会保有量的年度历史训练集和影响因素年度历史训练集之间的灰色关联系数;
根据所述灰色关联系数,计算所述待测试地区家用电器社会保有量的年度历史训练集和影响因素年度历史训练集之间的灰色关联度,根据所述灰色关联度的等级,筛选出所述影响因素的年度历史目标训练集。
在本发明的一个实施例中,所述根据所述影响因素的年度历史目标训练集,建立单变量灰色模型,并对所述单变量灰色模型进行求解,得到所述单变量灰色模型的输出预测序列包括:
在本发明的一个实施例中,所述利用所述单变量灰色模型的输出预测序列和所述待测试地区家用电器社会保有量的年度历史训练集,建立多元灰色机理模型,并对所述多元灰色机理模型进行求解,得到所述多元灰色机理模型的输出预测序列包括:
对所述多元灰色机理模型的离散化公式进行一阶累减,得到所述多元灰色机理模型的输出预测序列YG (0)(t)=TG (1)(t)-YG (1)(t-1)。
在本发明的一个实施例中,所述利用智能学习方法对所述多元灰色机理模型的输出预测序列和所述待测试地区家用电器社会保有量的年度历史训练集之间的误差进行智能补偿,将误差补偿序列与所述多元灰色机理模型的输出预测序列相加,得到所述待测试地区家用电器社会保有量的目标预测结果包括:
计算所述多元灰色机理模型的输出预测序列与所述待测试地区家用电器社会保有量的年度历史训练集与之间的误差序列σ(0);
将所述多元灰色机理模型的输出预测序列YG(0)(t)输入到初始BP神经网络中,通过所述初始BP神经网络输入层到输出层的正向处理后,得到所述初始BP神经网络的输出序列;
判断误差函数的值是否达到最小值,若所述误差函数的值未达到最小值,则将所述误差序列反向传播,通过所述初始BP神经网络输出层到输入层的反向处理,不断调整所述初始BP神经网络的连接权系数和阈值的大小,直到所述误差函数的值最小,完成对所述初始BP神经网络的训练;
本发明提供了一种家用电器社会保有量的智能预测装置,包括:
筛选模块,用于获取并利用待测试地区家用电器社会保有量的年度历史训练集和影响因素年度历史训练集,建立灰色关联度模型,根据所述灰色关联度模型,筛选出影响因素的年度历史目标训练集;
第一预测模块,用于根据所述影响因素的年度历史目标训练集,建立单变量灰色模型,并对所述单变量灰色模型进行求解,得到所述单变量灰色模型的输出预测序列;
第二预测模块,用于利用所述单变量灰色模型的输出预测序列和所述待测试地区家用电器社会保有量的年度历史训练集,建立多元灰色机理模型,并对所述多元灰色机理模型进行求解,得到所述多元灰色机理模型的输出预测序列;
智能补偿模块,用于利用智能学习方法对所述多元灰色机理模型的输出预测序列和所述待测试地区家用电器社会保有量的年度历史训练集之间的误差进行智能补偿,将误差补偿序列与所述多元灰色机理模型的输出预测序列相加,得到所述待测试地区家用电器社会保有量的目标预测结果。
在本发明的一个实施例中,所述筛选模块包括:
处理单元,用于对所述待测试地区家用电器社会保有量的年度历史训练集和影响因素年度历史训练集进行无量纲化处理;
第一计算单元,用于计算完成无量纲化处理后的所述待测试地区家用电器社会保有量的年度历史训练集和影响因素年度历史训练集之间的灰色关联系数;
第二计算单元,用于根据所述灰色关联系数,计算所述待测试地区家用电器社会保有量的年度历史训练集和影响因素年度历史训练集之间的灰色关联度,根据所述灰色关联度的等级,筛选出所述影响因素的年度历史目标训练集。
本发明提供了一种家用电器社会保有量的智能预测设备,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如权利要求1至6任一项所述一种家用电器社会保有量的智能预测方法的步骤。
本发明提供了一种计算机可读存储介质,所述计算机可读存储介质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如权利要求1至6任一项所述一种家用电器社会保有量的智能预测方法的步骤。
本发明的上述技术方案相比现有技术具有以下优点:
本发明所述的家用电器社会保有量的智能预测方法,首先利用获取到的待测试地区家用电器社会保有量的年度历史训练集和影响因素年度历史训练集,建立灰色关联度模型,并筛选出影响因素的年度历史目标训练集,其次根据影响因素的年度历史目标训练集,建立单变量灰色模型,并对单变量灰色模型进行求解,得到单变量灰色模型的输出预测序列,然后利用单变量灰色模型的输出预测序列和待测试地区家用电器社会保有量的年度历史训练集,建立多元灰色机理模型,并对多元灰色机理模型进行求解,得到多元灰色机理模型的输出预测序列,最后利用智能学习方法对多元灰色机理模型的输出预测序列和待测试地区家用电器社会保有量的年度历史训练集之间的误差进行智能补偿,将误差补偿序列与多元灰色机理模型的输出预测序列相加,得到家用电器社会保有量的目标预测结果。本发明所述的方法,利用灰色关联度模型分析各类家用电器社会保有量变化的影响因素,并筛选出最主要的影响因素,利用单变量灰色模型,得到筛选出来的影响因素的预测序列,利用多元灰色机理模型预测家用电器的社会保有量,提高了家用电器社会保有量的预测精度和模型的通用性,促进了废弃电子电器产品的资源化利用,为电子废弃物的预测提供了基础数据,为管理者回收电子废弃物提供了依据,同时通过智能学习方法补偿家用电器社会保有量预测结果的误差,不仅提高了家用电器社会保有量的预测精度,也使得家用电器社会保有量的预测具有自主学习与自适应的能力。
附图说明
为了使本发明的内容更容易被清楚的理解,下面根据本发明的具体实施例并结合附图,对本发明作进一步详细的说明,其中:
图1为本发明所提供的家用电器社会保有量的智能预测方法的第一种具体实施例的流程图;
图2为本发明所提供的家用电器社会保有量的智能预测方法的第二种具体实施例的流程图;
图3a为待测试地区洗衣机的社会保有量预测值与实际值的对比图;
图3b为待测试地区冰箱的社会保有量预测值与实际值的对比图;
图3c为待测试地区电视的社会保有量预测值与实际值的对比图;
图3d为待测试地区空调的社会保有量预测值与实际值的对比图;
图4为本发明实施例提供的一种家用电器社会保有量的智能预测方法的结构框图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明,以使本领域的技术人员可以更好地理解本发明并能予以实施,但所举实施例不作为对本发明的限定。
参照图1所示,图1为本发明所提供的家用电器社会保有量的智能预测方法的第一种具体实施例的流程图;具体操作步骤如下:
步骤S101:获取并利用待测试地区家用电器社会保有量的年度历史训练集和影响因素年度历史训练集,建立灰色关联度模型,根据所述灰色关联度模型,筛选出影响因素的年度历史目标训练集;
步骤S102:根据所述影响因素的年度历史目标训练集,建立单变量灰色模型,并对所述单变量灰色模型进行求解,得到所述单变量灰色模型的输出预测序列;
步骤S103:利用所述单变量灰色模型的输出预测序列和所述待测试地区家用电器社会保有量的年度历史训练集,建立多元灰色机理模型,并对所述多元灰色机理模型进行求解,得到所述多元灰色机理模型的输出预测序列;
步骤S104:利用智能学习方法对所述多元灰色机理模型的输出预测序列和所述待测试地区家用电器社会保有量的年度历史训练集之间的误差进行智能补偿,将误差补偿序列与所述多元灰色机理模型的输出预测序列相加,得到所述待测试地区家用电器社会保有量的目标预测结果。
本实施例所提供的方法,通过灰色关联度模型分析各类家用电器社会保有量变化的影响因素,筛选出最主要的影响因素,并以此建立单变量灰色模型,得到筛选出来的影响因素的预测序列,利用筛选出来的影响因素的预测序列与待测试地区家用电器社会保有量的年度历史训练集共同构建多元灰色机理模型,得到家用电器社会保有量的预测序列,同时利用智能学习方法补偿家用电器社会保有量预测结果的误差,得到家用电器社会保有量的目标预测结果。通过家用电器社会保有量的智能预测方法,提高了家用电器社会保有量的预测精度,使得家用电器社会保有量的预测具有自主学习与自适应的能力,可以为电子废弃物的预测提供基础数据,同时可以促进废弃电子电器产品的资源化利用,协助管理者完善电子废弃物的回收利用。
基于上述实施例,本实施例采用测试集对家用电器社会保有量的智能预测方法进行性能评估;请参考图2所示,图2为本发明所提供的家用电器社会保有量的智能预测方法的第二种具体实施例的流程图;具体操作步骤如下:
步骤S201:将与待测试地区家用电器社会保有量相关的历史数据随机划分为训练集与测试集;其中,所述训练集包括待测试地区家用电器社会保有量的年度历史训练集和影响因素年度历史训练集,所述测试集包括待测试地区家用电器社会保有量的年度历史测试集和影响因素年度历史测试集;
所述训练集为{(Xi (0),Y(0)),i=1,2,3,4},其中,Xi (0)={Xi (0)(1),Xi (0)(2),…,Xi (0)(r)}为所述待测试地区家用电器社会保有量的影响因素年度历史训练集,i=1,2,3,4分别为待测试地区的生产总值、居民消费、年平均人口和人均可支配收入,Y(0)={Y(0)(1),Y(0)(2),…,Y(0)(r)}为所述待测试地区家用电器社会保有量的年度历史训练集,r为训练集时序数;所述测试集为{(Xi ′(0),Y′(0)),i=1,2,3,4},其中,Xi ′(0)={Xi (0)(r+1),Xi (0)(r+2),…,Xi (0)(r+h)}为所述待测试地区家用电器社会保有量的影响因素年度历史测试集,Y′(0)={Y(0)(r+1),Y(0)(r+2),…,Y(0)(r+h)}为所述待测试地区家用电器社会保有量的年度历史测试集,h为测试集时序数。
步骤S202:对所述待测试地区家用电器社会保有量的年度历史训练集和影响因素年度历史训练集进行无量纲化处理;
步骤S203:计算完成无量纲化处理后的所述待测试地区家用电器社会保有量的年度历史训练集和影响因素年度历史训练集之间的灰色关联系数;
步骤S204:根据所述灰色关联系数,计算所述待测试地区家用电器社会保有量的年度历史训练集和影响因素年度历史训练集之间的灰色关联度,根据所述灰色关联度的等级,筛选出所述影响因素的年度历史目标训练集;
所述待测试地区家用电器社会保有量的年度历史训练集和影响因素年度历史训练集之间的灰色关联系数为:
其中,t表示时序数,ρ表示分辨系数,一般令ρ=0.5。
所述待测试地区家用电器社会保有量的年度历史训练集和影响因素年度历史训练集之间的灰色关联度为:所述灰色关联度的等级越高,所述待测试地区家用电器社会保有量的年度历史训练集和影响因素年度历史训练集之间的相关性越强,由此筛选出关系等级最高的影响因素X(0)={X(0)(1),X(0)(2),…,X(0)(r)}。
步骤S205:根据所述影响因素的年度历史目标训练集,建立单变量灰色模型,并对所述单变量灰色模型进行求解,得到所述单变量灰色模型的输出预测序列;
利用最小二乘法对所述单变量灰色模型的参数a和u进行辨识:
步骤S206:利用所述单变量灰色模型的输出预测序列和所述待测试地区家用电器社会保有量的年度历史训练集,建立多元灰色机理模型,并对所述多元灰色机理模型进行求解,得到所述多元灰色机理模型的输出预测序列;
利用所述单变量灰色模型的输出预测序列和所述待测试地区家用电器社会保有量的年度历史训练集,建立所述多元灰色机理模型 其中,a为第二发展系数,b为影响因素系数,u第二为灰作用量,为所述多元灰色机理模型输出预测序列的一次累加结果;
利用最小二乘法对所述多元灰色机理模型的参数a、b和u进行辨识:
对所述多元灰色机理模型的离散化公式进行一阶累减,得到所述多元灰色机理模型的输出预测序列YG (0)(t)=TG (1)(t)-YG (1)(t-1)。
步骤S207:利用智能学习方法对所述多元灰色机理模型的输出预测序列和所述待测试地区家用电器社会保有量的年度历史训练集之间的误差进行智能补偿,将误差补偿序列与所述多元灰色机理模型的输出预测序列相加,得到所述待测试地区家用电器社会保有量的目标预测结果;
所述智能学习方法包括神经网络、支持向量机、专家系统、模糊系统、深度学习和强化学习等。在本发明的实施例中以BP神经网络学习方法为例对所述多元灰色机理模型的输出预测序列和所述待测试地区家用电器社会保有量的年度历史训练集之间的误差进行智能补偿,其步骤如下:
计算所述多元灰色机理模型的输出预测序列TG (0)(t)与所述待测试地区家用电器社会保有量的年度历史训练集Y(0)与之间的误差序列:
σ(0)=Y(0)-YG (0)(t);
其中,YG (0)(t)={YG (0)(1),YG (0)(2),…,YG (0)(r)},
σ(0)={σ(0)(1),σ(0)(2),…,σ(0)(r)};
将所述多元灰色机理模型的输出预测序列TG (0)(t)作为所述初始BP神经网络的输入,预测误差作为所述初始BP神经网络的输出,以所述误差函数的值最小为目标,对所述初始BP神经网络模型进行训练。其训练过程主要分为两个阶段,第一阶段是信号的前向传播:按从输入到输出的方向进行误差计算;第二阶段是误差的反向传播:从输出层到输入层的方向对各单元的权值和阈值进行调节。
设隐含层神经元个数为m,v1,v2,…,vi,…,vm为输入层与第i个隐含层神经元之间的连接权系数,w1,w2,…,wi,…,wm为第i个隐含层神经元与输出层之间的连接权系数,z1,z2,…,zi,…zm为第i个隐含层神经元的输出,所述隐含层和所述输出层的阈值分别设为bi (1),bi (2),Vi=[bi (1),vi],W=[bi (2),w1,w2,…,wm],YG=[1,YG (0)(t)]T,Z=[1,z1,z2,…,zm]T,隐含层以及输出层传递函数选用常见的激励函数:
则每个隐含神经元的输出zi=f(Vi*TG),输出层神经元的输出值及所述初始BP神经网络的预测值最终以所述误差函数作为目标函数,进行所述初始BP神经网络的反向传播,不断调整所述初始BP神经网络的连接权系数和阈值的大小,直至所述误差函数的值最小,完成对所述初始BP神经网络的训练。
以所述多元灰色机理模型的输出预测序列TG (0)(t)作为输入信号,利用已经训练完成的BP神经网络进行预测,得到最终的误差序列预测值将所述最终的误差序列与所述多元灰色机理模型的输出预测序列YG (0)(t)相加,得到所述待测试地区家用电器社会保有量的目标预测结果
步骤S208:利用所述测试集对家用电器社会保有量的智能预测方法进行测试,得到所述测试集的家用电器社会保有量的预测序列;
步骤S209:将所述测试集的家用电器社会保有量的预测序列与所述待测试地区家用电器社会保有量的年度历史测试集进行对比,评估所述家用电器社会保有量的智能预测方法的性能。
待测试地区各个家用电器社会保有量的预测值与实际值的对比图如图3所示,所述家用电器社会保有量智能预测方法的性能评估可以采用均方误差、均方根误差、平均绝对误差、平均绝对百分比误差、均方误差对数和中位绝对误差等。在本发明的实施例中采用均方根误差对所述家用电器社会保有量智能预测方法的性能进行评估:
其中,Y(0)(r+i)为所述待测试地区家用电器社会保有量的年度历史测试集,YH (0)(r+i)为所述测试集的家用电器社会保有量的预测序列,h为测试集时序数。
本实施例提供的方法,首先利用灰色关联度模型,筛选出影响因素的年度历史目标训练集,其次利用单变量灰色模型,得到单变量灰色模型的输出预测序列,然后利用单变量灰色模型的输出预测序列和待测试地区家用电器社会保有量的年度历史训练集建立多元灰色机理模型,利用多元灰色机理模型对家用电器社会保有量进行预测,提高家用电器社会保有量的预测精度,最后利用BP神经网络对多元灰色机理模型的输出预测序列进行智能补偿,在提高家用电器社会保有量预测精度的同时,使得家用电器社会保有量的预测具有自主学习与自适应能力。
请参考图4,图4为本发明实施例提供的一种家用电器社会保有量的智能预测方法的结构框图;具体装置可以包括:
筛选模块100,用于获取并利用待测试地区家用电器社会保有量的年度历史训练集和影响因素年度历史训练集,建立灰色关联度模型,根据所述灰色关联度模型,筛选出影响因素的年度历史目标训练集;
第一预测模块200,用于根据所述影响因素的年度历史目标训练集,建立单变量灰色模型,并对所述单变量灰色模型进行求解,得到所述单变量灰色模型的输出预测序列;
第二预测模块300,用于利用所述单变量灰色模型的输出预测序列和所述待测试地区家用电器社会保有量的年度历史训练集,建立多元灰色机理模型,并对所述多元灰色机理模型进行求解,得到所述多元灰色机理模型的输出预测序列;
智能补偿模块400,用于利用智能学习方法对所述多元灰色机理模型的输出预测序列和所述待测试地区家用电器社会保有量的年度历史训练集之间的误差进行智能补偿,将误差补偿序列与所述多元灰色机理模型的输出预测序列相加,得到所述待测试地区家用电器社会保有量的目标预测结果。
本实施例的家用电器社会保有量的智能预测装置用于实现前述的家用电器社会保有量的智能预测方法,因此家用电器社会保有量的智能预测装置中的具体实施方式可见前文中的家用电器社会保有量的智能预测方法的实施例部分,例如,筛选模块100,第一预测模块200,第二预测模块300,智能补偿模块400,分别用于实现上述家用电器社会保有量的智能预测方法中步骤S101,S102,S103和S104,所以,其具体实施方式可以参照相应的各个部分实施例的描述,在此不再赘述。
本发明具体实施例还提供了一种家用电器社会保有量的智能预测设备,包括:存储器,用于存储计算机程序;处理器,用于执行所述计算机程序时实现上述一种家用电器社会保有量的智能预测方法的步骤。
本发明具体实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质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一种家用电器社会保有量的智能预测方法的步骤。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然,上述实施例仅仅是为清楚地说明所作的举例,并非对实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (10)
1.一种家用电器社会保有量的智能预测方法,其特征在于,包括:
获取并利用待测试地区家用电器社会保有量的年度历史训练集和影响因素年度历史训练集,建立灰色关联度模型,根据所述灰色关联度模型,筛选出影响因素的年度历史目标训练集;
根据所述影响因素的年度历史目标训练集,建立单变量灰色模型,并对所述单变量灰色模型进行求解,得到所述单变量灰色模型的输出预测序列;
利用所述单变量灰色模型的输出预测序列和所述待测试地区家用电器社会保有量的年度历史训练集,建立多元灰色机理模型,并对所述多元灰色机理模型进行求解,得到所述多元灰色机理模型的输出预测序列;
利用智能学习方法对所述多元灰色机理模型的输出预测序列和所述待测试地区家用电器社会保有量的年度历史训练集之间的误差进行智能补偿,将误差补偿序列与所述多元灰色机理模型的输出预测序列相加,得到所述待测试地区家用电器社会保有量的目标预测结果。
2.根据权利要求1所述的方法,其特征在于,所述影响因素年度历史训练集包括:待测试地区生产总值的年度历史训练集、待测试地区居民消费的年度历史训练集、待测试地区年平均人口的年度历史训练集和待测试地区人均可支配收入的年度历史训练集。
3.根据权利要求1所述的方法,其特征在于,所述获取并利用待测试地区家用电器社会保有量的年度历史训练集和影响因素年度历史训练集,建立灰色关联度模型,根据所述灰色关联度模型,筛选出影响因素的年度历史目标训练集包括:
对所述待测试地区家用电器社会保有量的年度历史训练集和影响因素年度历史训练集进行无量纲化处理;
计算完成无量纲化处理后的所述待测试地区家用电器社会保有量的年度历史训练集和影响因素年度历史训练集之间的灰色关联系数;
根据所述灰色关联系数,计算所述待测试地区家用电器社会保有量的年度历史训练集和影响因素年度历史训练集之间的灰色关联度,根据所述灰色关联度的等级,筛选出所述影响因素的年度历史目标训练集。
5.根据权利要求4所述的方法,其特征在于,所述利用所述单变量灰色模型的输出预测序列和所述待测试地区家用电器社会保有量的年度历史训练集,建立多元灰色机理模型,并对所述多元灰色机理模型进行求解,得到所述多元灰色机理模型的输出预测序列包括:
对所述多元灰色机理模型的离散化公式进行一阶累减,得到所述多元灰色机理模型的输出预测序列YG (0)(t)=YG (1)(t)-YG (1)(t-1)。
6.根据权利要求5所述的方法,其特征在于,所述利用智能学习方法对所述多元灰色机理模型的输出预测序列和所述待测试地区家用电器社会保有量的年度历史训练集之间的误差进行智能补偿,将误差补偿序列与所述多元灰色机理模型的输出预测序列相加,得到所述待测试地区家用电器社会保有量的目标预测结果包括:
计算所述多元灰色机理模型的输出预测序列与所述待测试地区家用电器社会保有量的年度历史训练集与之间的误差序列σ(0);
将所述多元灰色机理模型的输出预测序列YG (0)(t)输入到初始BP神经网络中,通过所述初始BP神经网络输入层到输出层的正向处理后,得到所述初始BP神经网络的输出序列;
判断误差函数的值是否达到最小值,若所述误差函数的值未达到最小值,则将所述误差序列反向传播,通过所述初始BP神经网络输出层到输入层的反向处理,不断调整所述初始BP神经网络的连接权系数和阈值的大小,直到所述误差函数的值最小,完成对所述初始BP神经网络的训练;
7.一种家用电器社会保有量的智能预测装置,其特征在于,包括:
筛选模块,用于获取并利用待测试地区家用电器社会保有量的年度历史训练集和影响因素年度历史训练集,建立灰色关联度模型,根据所述灰色关联度模型,筛选出影响因素的年度历史目标训练集;
第一预测模块,用于根据所述影响因素的年度历史目标训练集,建立单变量灰色模型,并对所述单变量灰色模型进行求解,得到所述单变量灰色模型的输出预测序列;
第二预测模块,用于利用所述单变量灰色模型的输出预测序列和所述待测试地区家用电器社会保有量的年度历史训练集,建立多元灰色机理模型,并对所述多元灰色机理模型进行求解,得到所述多元灰色机理模型的输出预测序列;
智能补偿模块,用于利用智能学习方法对所述多元灰色机理模型的输出预测序列和所述待测试地区家用电器社会保有量的年度历史训练集之间的误差进行智能补偿,将误差补偿序列与所述多元灰色机理模型的输出预测序列相加,得到所述待测试地区家用电器社会保有量的目标预测结果。
8.根据权利要求7所述的装置,其特征在于,所述筛选模块包括:
处理单元,用于对所述待测试地区家用电器社会保有量的年度历史训练集和影响因素年度历史训练集进行无量纲化处理;
第一计算单元,用于计算完成无量纲化处理后的所述待测试地区家用电器社会保有量的年度历史训练集和影响因素年度历史训练集之间的灰色关联系数;
第二计算单元,用于根据所述灰色关联系数,计算所述待测试地区家用电器社会保有量的年度历史训练集和影响因素年度历史训练集之间的灰色关联度,根据所述灰色关联度的等级,筛选出所述影响因素的年度历史目标训练集。
9.一种家用电器社会保有量的智能预测设备,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如权利要求1至6任一项所述一种家用电器社会保有量的智能预测方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质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如权利要求1至6任一项所述一种家用电器社会保有量的智能预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111217335.5A CN113887816A (zh) | 2021-10-19 | 2021-10-19 | 一种家用电器社会保有量的智能预测方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111217335.5A CN113887816A (zh) | 2021-10-19 | 2021-10-19 | 一种家用电器社会保有量的智能预测方法、装置及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113887816A true CN113887816A (zh) | 2022-01-04 |
Family
ID=79003662
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111217335.5A Pending CN113887816A (zh) | 2021-10-19 | 2021-10-19 | 一种家用电器社会保有量的智能预测方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113887816A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116050725A (zh) * | 2022-11-08 | 2023-05-02 | 华北电力大学 | 一种综合能源系统运行调度的区块链共识机制构建方法 |
-
2021
- 2021-10-19 CN CN202111217335.5A patent/CN113887816A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116050725A (zh) * | 2022-11-08 | 2023-05-02 | 华北电力大学 | 一种综合能源系统运行调度的区块链共识机制构建方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109117566B (zh) | 一种基于产品寿命预测模型的混合维修规划方法 | |
Xiao et al. | Impacts of data preprocessing and selection on energy consumption prediction model of HVAC systems based on deep learning | |
CN111079989B (zh) | 一种基于dwt-pca-lstm的供水公司供水量预测装置 | |
Wang et al. | Predicting public housing prices using delayed neural networks | |
Azadeh et al. | Artificial immune simulation for improved forecasting of electricity consumption with random variations | |
CN116562514B (zh) | 基于神经网络的企业生产状况即时分析方法及系统 | |
CN110837934B (zh) | 一种基于深度学习的智能电网短期住宅负荷预测方法 | |
CN105894111B (zh) | 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 | |
Oshodi et al. | Comparing univariate techniques for tender price index forecasting: Box-Jenkins and neural network model | |
CN105488598A (zh) | 一种基于模糊聚类的中长期电力负荷预测方法 | |
CN113887816A (zh) | 一种家用电器社会保有量的智能预测方法、装置及设备 | |
Chusyairi et al. | Optimization of exponential smoothing method using genetic algorithm to predict e-report service | |
CN113033898A (zh) | 基于k均值聚类与bi-lstm神经网络的电负荷预测方法及系统 | |
CN115619028A (zh) | 一种基于聚类算法融合的电力负荷精准预测方法 | |
Rodrigues et al. | Neural networks applied to short term load forecasting: A case study | |
Betts | Minimizing inventory costs for capacity-constrained production using a hybrid simulation model | |
Kotenko et al. | Formation of Indicators for Assessing Technical Reliability of Information Security Systems | |
Viana et al. | Load forecasting benchmark for smart meter data | |
CN111143774B (zh) | 一种基于影响因素多状态模型的电力负荷预测方法和装置 | |
Owda et al. | Using artificial neural network techniques for prediction of electric energy consumption | |
CN112667394A (zh) | 一种计算机资源利用率优化方法 | |
Musa | A Hybrid Modern and Classical Algorithm for Indonesian Electricity Demand Forecasting | |
van Hezewijk et al. | A new discrete non-stationary demand process with applications in inventory control | |
Li et al. | A Novel Multi-variable Grey Prediction Model with the Inequality Constraints. | |
CN112801388B (zh) | 一种基于非线性时间序列算法的电力负荷预测方法及系统 |
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 |