CN114118630B - 一种基于气象事件的需求量预测方法和系统 - Google Patents

一种基于气象事件的需求量预测方法和系统 Download PDF

Info

Publication number
CN114118630B
CN114118630B CN202210076332.2A CN202210076332A CN114118630B CN 114118630 B CN114118630 B CN 114118630B CN 202210076332 A CN202210076332 A CN 202210076332A CN 114118630 B CN114118630 B CN 114118630B
Authority
CN
China
Prior art keywords
meteorological
historical
demand
periods
comprehensive influence
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
CN202210076332.2A
Other languages
English (en)
Other versions
CN114118630A (zh
Inventor
申玲彩
惠怡静
马政宇
张中泽
李茂莹
单泽萌
尹月华
肖夏
李宁宁
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.)
Automotive Data of China Tianjin Co Ltd
Original Assignee
Automotive Data of China Tianjin 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 Automotive Data of China Tianjin Co Ltd filed Critical Automotive Data of China Tianjin Co Ltd
Priority to CN202210076332.2A priority Critical patent/CN114118630B/zh
Publication of CN114118630A publication Critical patent/CN114118630A/zh
Application granted granted Critical
Publication of CN114118630B publication Critical patent/CN114118630B/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
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Educational Administration (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明实施例公开了一种基于气象事件的需求量预测方法和系统，涉及数学建模技术领域。系统包括：天气采集模块，用于采集后续时段的气象事件以及每个气象事件出现的次数；数据库，用于存储多个气象事件中每个气象事件对目标物的需求量的影响权重，历史需求量，气象事件出现的次数；预测模块用于得到每个历史时段的气象综合影响权重和后续时段的气象综合影响权重；将多个历史时段的气象综合影响权重、历史需求量和后续时段的气象综合影响权重输入至训练好的预测模型，得到需求量预测值。本实施例引入气象事件对需求量的影响权重，通过预测模型预测未来需求量，提高预测准确性。

Description

一种基于气象事件的需求量预测方法和系统
技术领域
本发明实施例涉及数学建模技术，尤其涉及一种基于气象事件的需求量预测方法和系统。
背景技术
很多物资的需求量会受天气事件的影响，例如雨雪天气会使汽车备件、防汛物资等的需求量上升。对于供应商来说，准备充足的物资直接影响到消费者的满意度甚至是社会的正常运转。
目前，供应商一般是收听天气预报后，凭借以往经验储备一定数量的物资，但是人为经验的准确性太低。尤其是突发的气象事件，可能会造成某些品类汽车备件需求在短时间内的激增，如果供应商无法满足该激增的需求，会极大延缓客户的维修需求，从而导致客户满意度下降。因此，急需要一种可以根据未来气象事件进行需求量预测的方案。
发明内容
本发明实施例提供一种基于气象事件的需求量预测方法和系统，引入气象事件对需求量的影响权重，通过预测模型预测未来需求量，提高预测准确性。
第一方面，本发明实施例提供了一种基于气象事件的需求量预测系统，包括：
天气采集模块，用于采集后续时段的气象事件以及每个气象事件出现的次数；
数据库，用于存储多个气象事件中每个气象事件对目标物的需求量的影响权重，以及多个历史时段的历史需求量，每个历史时段每个气象事件出现的次数；
预测模块存储有预测模型，所述预测模块用于根据每个气象事件对所述需求量的影响权重和每个历史时段每个气象事件出现的次数，得到每个历史时段的气象综合影响权重；根据每个气象事件对所述需求量的影响权重和后续时段每个气象出现的次数，得到后续时段的气象综合影响权重；
所述预测模块还用于将多个历史时段的气象综合影响权重、历史需求量和后续时段的气象综合影响权重输入至训练好的预测模型，得到所述预测模型输出的后续时段需求量预测值。
第二方面，本发明实施例还提供了一种基于气象事件的需求量预测方法，包括：
采集后续时段的气象事件以及每个气象事件出现的次数；
根据每个气象事件对所述需求量的影响权重和每个历史时段每个气象事件出现的次数，得到每个历史时段的气象综合影响权重；
根据每个气象事件对所述需求量的影响权重和后续时段每个气象出现的次数，得到后续时段的气象综合影响权重；
将多个历史时段的气象综合影响权重、历史需求量和后续时段的气象综合影响权重输入至训练好的预测模型，得到所述预测模型输出的后续时段需求量预测值。
本发明实施例提供的系统通过历史时段/后续时段气象事件出现的次数并结合影响权重，得到各历史时段的气象综合影响权重，以及后续时段的气象综合影响权重，即得到了多个气象事件在整个时间段内对需求量的综合影响；本实施例将气象综合影响权重和历史需求量共同作为输入，以便学习到气象对需求量的影响；将后续时段的气象综合影响权重也作为输入，以便得到在后续时段气象影响下的需求量预测值。本实施例通过后续时段的气象综合影响权重，解析对未来需求的实际影响，有效提高预测的准确性。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种基于气象事件的需求量预测系统的结构示意图；
图2是本发明实施例提供的另一种基于气象事件的需求量预测系统的结构示意图；
图3是本发明实施例提供的模型的输入输出示意图；
图4是本发明实施例提供的transformer模型的内部结构图；
图5是本发明实施例提供的一种基于气象事件的需求量预测方法的流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将对本发明的技术方案进行清楚、完整的描述。显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施例，都属于本发明所保护的范围。
在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
在本发明的描述中，还需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
本发明实施例提供一种基于气象事件的需求量预测系统，结构图如图1所示，包括相互连接的天气采集模块，数据库和预测模块。预测模块存储有预测模型。
天气采集模块用于采集后续时段的气象事件以及每个气象事件出现的次数。
本实施例中的气象事件是对目标物的需求量有影响的事件。以汽车备件为例，根据业务调研，大雨，大雪，冰雹，沙尘，雾霾，台风以及极端气温等气象事件对于汽车的部分零部件影响较大，因此将其他常规天气，如晴天、小雨、多云等天气统一处理为常规。综上，将全部天气划分为八大类。进一步的，根据极端气象事项的等级，将中-大程度的气象事件归纳整理至相应类别，使用one-hot编码技术对这八类离散的气象时间进行数学表达。
除了气象事件本身，气象事件出现的次数（或者持续的时长）也对需求量有重要影响。示例性的，时段为月份，后续时段包括4个月，则采集每月各气象事件出现的次数。
数据库，用于存储多个气象事件中每个气象事件对目标物的需求量的影响权重，以及多个历史时段的历史需求量，每个历史时段每个气象事件出现的次数；
不同气象事件对需求量的影响程度不同，例如大雨、大雪和冰雹等天气会对车辆造成较大程度的损坏，影响程度较大，而雾天对车辆的损坏程度较小，影响程度也就较小。因此可以设置每个气象事件对需求量的影响权重，可以通过人为设置或者模型学习，本实施例在此不作限定。示例性的，历史时段可以是历史4个月。
预测模块用于根据每个气象事件对所述需求量的影响权重和每个历史时段每个气象事件出现的次数，得到每个历史时段的气象综合影响权重；根据每个气象事件对所述需求量的影响权重和后续时段每个气象出现的次数，得到后续时段的气象综合影响权重。
具体的，本实施例将多个气象事件的影响权重作为行向量{w1,w2,w3,w4,w5,w6,w7,w8}，各气象事件作为行，历史/后续时段数（例如4个月）作为列构建矩阵
Figure 392910DEST_PATH_IMAGE001
，该矩阵中的元素表示每个时段每个气象事件出现的次数。将影响权重的行向量与矩阵相乘，得到历史4个月的气象综合影响权重[WI1,WI2,WI3,WI4]，后续4个月的气象综合影响权重[WY1,WY2,WY3,WY4]。
预测模块还用于将多个历史时段的气象综合影响权重、历史需求量和后续时段的气象综合影响权重输入至训练好的预测模型，得到所述预测模型输出的后续时段需求量预测值。
预测模型用于根据多个历史时段的气象综合影响权重、历史需求量和后续时段的气象综合影响权重，预测得到后续时段的气象综合影响权重影响下的后续时段需求量预测值
可选的，预测模型为transformer模型，利用transformer模型的核心原理：Attention机制，不仅可以提取需求量中的周期性、趋势性特征，还可以通过后续时段的气象综合影响权重，解析对未来需求的实际影响。
本发明实施例提供的系统通过历史时段/后续时段气象事件出现的次数并结合影响权重，得到各历史时段的气象综合影响权重，以及后续时段的气象综合影响权重，即得到了多个气象事件在整个时间段内对需求量的综合影响；本实施例将气象综合影响权重和历史需求量共同作为输入，以便学习到气象对需求量的影响；将后续时段的气象综合影响权重也作为输入，以便得到在后续时段气象影响下的需求量预测值。本实施例通过后续时段的气象综合影响权重，解析对未来需求的实际影响，有效提高预测的准确性。
图2是本发明实施例提供的另一种基于气象事件的需求量预测系统的结构示意图，该系统集成在供应商内部系统中，还包括预警模块，用于如果所述后续时段的气象事件包括极端气象事件，基于所述需求量预测值进行预警。极端气象事件可以是大雪，冰雹等人为确定的事件。在出现极端气象事件时，需求量会有大幅变化，有必要进行预警。
在一具体实施方式中，预警模块与供应商客户端的人机交互界面通信连接；预警模块用于将预警信息和弹窗指令发送至人机交互界面，以供所述人机交互界面显示弹窗并在弹窗中显示预警信息；其中，所述预警信息至少包括极端气象事件、目标物和需求量预测值。进一步的，将模型分析出的预警信息同时通过弹窗推送至各终端服务网点、分销商以及管理端。
在上述实施例和下述实施例中，对transformer模型的结构和各部分的操作进行细化。本实施例对现有的transformer模型进行改进，参见图3，仅包括Embedding环节，与所述Embedding环节的输出连接的Decode环节，与所述Decode环节的输出连接的线性层Linear，线性层输出需求量预测值。
可选的，预测模块在将多个历史时段的气象综合影响权重、历史需求量和后续时段的气象综合影响权重输入至训练好的预测模型，得到所述预测模型输出的后续时段需求量预测值时，具体用于：将多个历史时段的气象综合影响权重进行升维处理，将所述多个历史时段的历史需求量进行升维处理，将后续时段的气象综合影响权重进行升维处理；将升维处理后的多个历史时段的气象综合影响矩阵和历史需求量矩阵，以及多个历史时段的气象综合影响矩阵中各元素的位置矩阵进行对应元素相加；将相加后的矩阵输入至transformer模型的Embedding环节；将升维处理后的后续时段的气象综合影响矩阵输入至transformer模型的Decode环节；所述线性层输出后续时段需求量预测值。
具体而言，为了学习到特征之间的关联，首先需要进行升维处理。例如添加交互式特征。示例性的，将历史4个月的气象综合影响权重[WI1,WI2,WI3,WI4]升维到
Figure 106788DEST_PATH_IMAGE002
，其中，n为大于等于2的整数。将4个月的历史需求量[a1,a2,a3,a4]升维到
Figure 214422DEST_PATH_IMAGE003
，将后续时段的气象综合影响权重[WY1,WY2,WY3,WY4]升维到
Figure 999844DEST_PATH_IMAGE004
。这里需要说明的是，在目标物为汽车备件，时段为月份的应用场景中，由于现实生活中后续1个月内的气象事件比较可信，且仅需要预测后续1个月的汽车备件需求量，则保留升维处理后的后续时段的气象综合影响矩阵中对应下一时段（即后续1个月）的数据；将后续其它时段的数据设置为极小值，例如0，从而屏蔽掉后续其它时段的数据，同时可以根据后续天气情况，得到不同天气对于需求量的影响。此外，transformer模型还需要输入多个历史时段的气象综合影响矩阵中各元素的位置矩阵
Figure 142112DEST_PATH_IMAGE005
。
然后，将升维处理后的多个历史时段的气象综合影响矩阵和历史需求量矩阵，以及多个历史时段的气象综合影响矩阵中各元素的位置矩阵进行对应元素相加；将相加后的矩阵输入至transformer模型的Embedding环节；将升维处理后的后续时段的气象综合影响矩阵输入至transformer模型的Decode环节。线性层输出后续时段需求量预测值。
本实施例通过编码器部分（Embedding环节）输入的历史需求量，以及历史时段的气候综合影响矩阵，学习到历史需求量与气象事件之间存在的相关性，并将其通过编码器映射到更高的维度，得到了多个历史时段的需求量和气象事件的表示向量。通过解码器部分（Decode环节）输入后续时段的气象综合影响矩阵，与编码器输出的历史时段的需求量和气象事件的表示向量相结合，得到后续时段的需求量预测值。
图4是本发明实施例提供的transformer模型的内部结构图，本实施例具体介绍Embedding环节和Decode环节。
Embedding环节包括相互连接的多头注意力层Multi_Head Attention、前馈神经网络层Feed-forward networks和相加归一化层Add&Norm。
所述将相加后的矩阵输入至transformer模型的Embedding环节，包括：将相加后的矩阵进行行分解和列分解，并将每行的多个向量输入至多头注意力层的每个self-attention单元，得到每个历史时段的全部信息在不同空间的映射；所述全部信息包括气象综合影响权重、历史需求量和气象综合影响矩阵中各元素的位置；根据每个历史时段的全部信息在不同空间的映射，计算每个历史时段与其它历史时段的相关性；以及，根据每个历史时段与其它历史时段的相关性，计算每个历史时段与其它历史时段的注意力；采用所述相加归一化层对多头注意力层、前馈神经网络层的输出进行相加和归一化处理；采用所述前馈神经网络层对相加和归一化处理后的注意力进行非线性处理。
相加后的矩阵每行代表一个历史时段，每个元素包括气象综合影响权重、历史需求量和气象综合影响矩阵中各元素的位置。可选的，x1和x2是第一行的2个向量，输入至一self-attention单元。而Wq、Wk、Wv分别代表3个权重矩阵，且W∈Rdmodel×V（代表参数向量的长度)。这3个矩阵最开始就是随机初始的，然后通过训练不断优化矩阵，最后得到模型所需的权重矩阵。而Self-attention与其他注意力机制不一样的地方就在于他的q、k、v向量都是同一个输入在不同空间的映射，数学表达就是：
Figure 26892DEST_PATH_IMAGE006
由以上公式得到了同一向量不同空间的映射q、k、v。使用3个不同空间的线性映射，来计算每个历史时段与其它历史时段的相关性eij，序号i表示每行进行列分解得到的向量序号，j表示行向量的序号。
Figure 356242DEST_PATH_IMAGE007
上式中表达的含义是每个历史时段的q向量跟其它历史时段的k向量做点乘，结果除以参数向量长度dmodel的开方，这样做的原因是随着参数向量长度的增加，历史时段之间的相关性会呈现一种指数性下降，做几何开方减少某一极端数值对模型的影响。特别是归一化时要进行幂指操作，现在较小的差距将会在后面的计算中不断扩大。为减少异常值对模型的影响，对每个历史时段的相关性分数做归一化：
Figure 883038DEST_PATH_IMAGE008
T为历史时段的数量，这一步选择使用Softmax函数对相关性分数做归一化，使所有数值均为正数。接着就是计算注意力得分：
Figure 614234DEST_PATH_IMAGE009
上式的含义是将每个历史时段的相关性分数与其它任一历史时段的v向量点乘，然后加起来得到最终这个历史时段关于其它历史时段注意力得分。至于为什么要乘v向量，是尽量保证想要关注的时段的值保持不变，而掩盖掉其中可能存在的很小的数值。
在图4中可以看到，每次进行Attention、前馈神经网络之后都会连接相加归一化层用于进行残差连接，做残差连接加速收敛的同时又可以保持信息不会因此而丢失。
加入前馈神经网络FFN可以使得模型有更好的效果，主要是进行对数据进行非线性，选择的激活函数是ReLU。前馈神经网络层的输出将作为Decode环节的输入。
继续参见图4，Decode环节包括相互连接的多头注意力层Multi_Head Attention、编码器-解码器注意力机制层En-De Attention、前馈神经网络层Feed-forward networks和相加归一化层Add&Norm。
将升维处理后的后续时段的气象综合影响矩阵输入至transformer模型的Decode环节，包括：将升维处理后的后续时段的气象综合影响矩阵进行行分解和列分解，并将每行的多个向量输入至多头注意力层的每个self-attention单元，得到后续每个时段的气象综合影响权重在不同空间的映射；根据后续每个时段的气象综合影响权重在不同空间的映射，计算后续每个时段与其它时段的相关性；以及，根据后续每个时段与其它时段的相关性，计算后续每个时段与其它时段的注意力；采用所述相加归一化层对多头注意力层、编码器-解码器注意力机制层、前馈神经网络层的输出进行相加和归一化处理；采用编码器-解码器注意力机制层对Embedding环节的输出以及相加和归一化处理后的多头注意力层的输出进行运算；采用所述前馈神经网络层对相加和归一化处理后的多头注意力层的输出进行非线性处理。
Decode环节与Encode环节相差不大，区别在于Encoder-Decoder attention层。Encoder-Decoder attention层与前文所述的注意力机制其实并无二异，只是与矩阵WQ相乘的向量来自于编码器的输出，而与WK,WV相乘的向量则是来自于解码器的Multi_HeadAttention。
在上述实施例和下述实施例中，参见图2，系统还包括权重确定模块，存储有梯度提升树XGBoost模型。
权重确定模块用于从所述数据库读取多个历史时段的历史需求量，以及与各历史需求量时空一致的气象事件；将所述多个历史时段的历史需求量和多个气象事件输入至所述XGBoost模型，得到每个气象事件对需求量的影响权重；将所述影响权重存储至所述数据库。
继续参见图2，系统还包括数据处理模块，用于采集多个历史时段的历史需求量和各历史时段的气象事件；按照时段一致且空间临近原则，确定时空一致的历史需求量和气象事件；将所述时空一致的历史需求量和气象事件存储至所述数据库。
具体的，数据处理模块采用网络爬虫技术，自动从气象网站上采集主要城市各时段的气象事件。从供应商的销售数据中获取目标物在各时段的需求量。整理同时段的气象事件和历史需求量，如果使用城市作为统计单位，会存在气象事件中包含的城市数多于历史需求量包含的城市数这一情况，对于这种情况，根据空间临近原则，将气象事件中包含但历史需求量中不包含的城市数据归类到临近主要城市即可。通过这一步的操作，实现了气象事件与历史需求量的时空一致，进而将所述时空一致的历史需求量和气象事件存储至所述数据库。
权重确定模块使用XGBoost梯度提升树模型对天气事件对需求量的影响进行量化分析。XGBoost模型的输入/训练样本包括：步长内（人工设置）各个历史时段的需求量、气象事件以及当月月份，模型的输出/标签为下一时段的需求量预测值。根据XGBoost模型的计算原理，会根据样本输入的所有特征，循环计算出各个特征的收益，也就是对结果的影响。据此，可以得到全部气象事件对目标物的影响权重。通过对气象事件的影响分析，可以得出对某一个或者是某一类目标物而言，哪些气象事件的影响是巨大的，根据其重要程度，进行量化分析。通过XGBoost模型最终得到，各天气事件对于目标物的影响权重序列，该权重序列会加入到后续的预测模型的训练中。通过该步骤的影响权重量化分析，可以有效提升后续预测模型的准确度。需要说明的是，在XGBoost模型的训练过程中得到影响权重，因此，需要获知下一时段需求量真实值。例如当前是6月，则历史时段为1~4月，下一时段是5月，采用1~4月的需求量作为训练样本，5月的真实需求量为标签训练XGBoost模型。影响权重一旦确定，可不必再更新。预测模型（例如transformer模型）训练时采用的训练样本可以与XGBoost模型相同。预测模型（例如transformer模型）训练好后，输入数据中：历史时段可以是2~5月，下一时段是6月，6月没有需求量真实值，只有需求量预测值。
图5是本发明实施例提供的一种基于气象事件的需求量预测方法的流程图，包括以下步骤：
S510、采集后续时段的气象事件以及每个气象事件出现的次数。
S520、根据每个气象事件对所述需求量的影响权重和每个历史时段每个气象事件出现的次数，得到每个历史时段的气象综合影响权重。
S530、根据每个气象事件对所述需求量的影响权重和后续时段每个气象出现的次数，得到后续时段的气象综合影响权重。
S540、将多个历史时段的气象综合影响权重、历史需求量和后续时段的气象综合影响权重输入至训练好的预测模型，得到所述预测模型输出的后续时段需求量预测值。
可选的，在将多个历史时段的气象综合影响权重、历史需求量和后续时段的气象综合影响权重输入至训练好的预测模型，得到所述预测模型输出的后续时段需求量预测值之后，还包括：如果所述后续时段的气象事件包括极端气象事件，基于所述需求量预测值进行预警。
本实施例提供的方法适用于上述基于气象事件的需求量预测系统，具备相应的技术特征和效果，此次不再赘述。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案。

Claims (7)

1.一种基于气象事件的需求量预测系统，其特征在于，包括：
天气采集模块，用于采集后续时段的气象事件以及每个气象事件出现的次数；
数据库，用于存储多个气象事件中每个气象事件对目标物的需求量的影响权重，以及多个历史时段的历史需求量，每个历史时段每个气象事件出现的次数；
预测模块存储有预测模型，所述预测模块用于根据每个气象事件对所述需求量的影响权重和每个历史时段每个气象事件出现的次数，得到每个历史时段的气象综合影响权重；根据每个气象事件对所述需求量的影响权重和后续时段每个气象出现的次数，得到后续时段的气象综合影响权重；
所述预测模块还用于将多个历史时段的气象综合影响权重、历史需求量和后续时段的气象综合影响权重输入至训练好的预测模型，得到所述预测模型输出的后续时段需求量预测值；
所述预测模型为transformer模型；
所述transformer模型包括Embedding环节，与所述Embedding环节的输出连接的Decode环节，与所述Decode环节的输出连接的线性层；
所述预测模块在将多个历史时段的气象综合影响权重、历史需求量和后续时段的气象综合影响权重输入至训练好的预测模型，得到所述预测模型输出的后续时段需求量预测值时，具体用于：
将多个历史时段的气象综合影响权重进行升维处理，将所述多个历史时段的历史需求量进行升维处理，将后续时段的气象综合影响权重进行升维处理；
将升维处理后的多个历史时段的气象综合影响矩阵和历史需求量矩阵，以及多个历史时段的气象综合影响矩阵中各元素的位置矩阵进行对应元素相加；
将相加后的矩阵输入至transformer模型的Embedding环节；
将升维处理后的后续时段的气象综合影响矩阵输入至transformer模型的Decode环节；
所述线性层输出后续时段需求量预测值；
所述目标物为汽车备件，所述时段为月份；
所述预测模块还用于：
在所述将升维处理后的后续时段的气象综合影响矩阵输入至transformer模型的Decode环节之前，保留升维处理后的后续时段的气象综合影响矩阵中对应下一时段的数据；将后续其它时段的数据设置为极小值；
所述将相加后的矩阵输入至transformer模型的Embedding环节，包括：将相加后的矩阵进行行分解和列分解，并将每行的多个向量输入至多头注意力层的每个self-attention单元，得到每个历史时段的全部信息在不同空间的映射；所述全部信息包括气象综合影响权重、历史需求量和气象综合影响矩阵中各元素的位置；根据每个历史时段的全部信息在不同空间的映射，计算每个历史时段与其它历史时段的相关性；以及，根据每个历史时段与其它历史时段的相关性，计算每个历史时段与其它历史时段的注意力；采用所述相加归一化层对多头注意力层、前馈神经网络层的输出进行相加和归一化处理；采用所述前馈神经网络层对相加和归一化处理后的注意力进行非线性处理；
Decode环节包括相互连接的多头注意力层Multi_Head Attention、编码器-解码器注意力机制层En-De Attention、前馈神经网络层Feed-forward networks和相加归一化层Add&Norm；
将升维处理后的后续时段的气象综合影响矩阵输入至transformer模型的Decode环节，包括：将升维处理后的后续时段的气象综合影响矩阵进行行分解和列分解，并将每行的多个向量输入至多头注意力层的每个self-attention单元，得到后续每个时段的气象综合影响权重在不同空间的映射；根据后续每个时段的气象综合影响权重在不同空间的映射，计算后续每个时段与其它时段的相关性；以及，根据后续每个时段与其它时段的相关性，计算后续每个时段与其它时段的注意力；采用所述相加归一化层对多头注意力层、编码器-解码器注意力机制层、前馈神经网络层的输出进行相加和归一化处理；采用编码器-解码器注意力机制层对Embedding环节的输出以及相加和归一化处理后的多头注意力层的输出进行运算；采用所述前馈神经网络层对相加和归一化处理后的多头注意力层的输出进行非线性处理。
2.根据权利要求1所述的系统，其特征在于，还包括：
预警模块，用于如果所述后续时段的气象事件包括极端气象事件，基于所述需求量预测值进行预警。
3.根据权利要求2所述的系统，其特征在于，所述预警模块与供应商客户端的人机交互界面通信连接；
所述预警模块用于将预警信息和弹窗指令发送至人机交互界面，以供所述人机交互界面显示弹窗并在弹窗中显示预警信息；
其中，所述预警信息至少包括极端气象事件、目标物和需求量预测值。
4.根据权利要求1-3任一项所述的系统，其特征在于，还包括：权重确定模块，存储有梯度提升树XGBoost模型；
所述权重确定模块用于从所述数据库读取多个历史时段的历史需求量，以及与各历史需求量时空一致的气象事件；将所述多个历史时段的历史需求量和多个气象事件输入至所述XGBoost模型，得到每个气象事件对需求量的影响权重；将所述影响权重存储至所述数据库。
5.根据权利要求4所述的系统，其特征在于，还包括：
数据处理模块，用于采集多个历史时段的历史需求量和各历史时段的气象事件；按照时段一致且空间临近原则，确定时空一致的历史需求量和气象事件；将所述时空一致的历史需求量和气象事件存储至所述数据库。
6.一种基于气象事件的需求量预测方法，其特征在于，包括：
采集后续时段的气象事件以及每个气象事件出现的次数；
根据每个气象事件对所述需求量的影响权重和每个历史时段每个气象事件出现的次数，得到每个历史时段的气象综合影响权重；
根据每个气象事件对所述需求量的影响权重和后续时段每个气象出现的次数，得到后续时段的气象综合影响权重；
将多个历史时段的气象综合影响权重、历史需求量和后续时段的气象综合影响权重输入至训练好的预测模型，得到所述预测模型输出的后续时段需求量预测值；
所述预测模型为transformer模型；
所述transformer模型包括Embedding环节，与所述Embedding环节的输出连接的Decode环节，与所述Decode环节的输出连接的线性层；
将多个历史时段的气象综合影响权重、历史需求量和后续时段的气象综合影响权重输入至训练好的预测模型，得到所述预测模型输出的后续时段需求量预测值，包括：
将多个历史时段的气象综合影响权重进行升维处理，将所述多个历史时段的历史需求量进行升维处理，将后续时段的气象综合影响权重进行升维处理；
将升维处理后的多个历史时段的气象综合影响矩阵和历史需求量矩阵，以及多个历史时段的气象综合影响矩阵中各元素的位置矩阵进行对应元素相加；
将相加后的矩阵输入至transformer模型的Embedding环节；
将升维处理后的后续时段的气象综合影响矩阵输入至transformer模型的Decode环节；
所述线性层输出后续时段需求量预测值；
所述目标物为汽车备件，所述时段为月份；
在所述将升维处理后的后续时段的气象综合影响矩阵输入至transformer模型的Decode环节之前，保留升维处理后的后续时段的气象综合影响矩阵中对应下一时段的数据；将后续其它时段的数据设置为极小值；
所述将相加后的矩阵输入至transformer模型的Embedding环节，包括：将相加后的矩阵进行行分解和列分解，并将每行的多个向量输入至多头注意力层的每个self-attention单元，得到每个历史时段的全部信息在不同空间的映射；所述全部信息包括气象综合影响权重、历史需求量和气象综合影响矩阵中各元素的位置；根据每个历史时段的全部信息在不同空间的映射，计算每个历史时段与其它历史时段的相关性；以及，根据每个历史时段与其它历史时段的相关性，计算每个历史时段与其它历史时段的注意力；采用所述相加归一化层对多头注意力层、前馈神经网络层的输出进行相加和归一化处理；采用所述前馈神经网络层对相加和归一化处理后的注意力进行非线性处理；
Decode环节包括相互连接的多头注意力层Multi_Head Attention、编码器-解码器注意力机制层En-De Attention、前馈神经网络层Feed-forward networks和相加归一化层Add&Norm；
将升维处理后的后续时段的气象综合影响矩阵输入至transformer模型的Decode环节，包括：将升维处理后的后续时段的气象综合影响矩阵进行行分解和列分解，并将每行的多个向量输入至多头注意力层的每个self-attention单元，得到后续每个时段的气象综合影响权重在不同空间的映射；根据后续每个时段的气象综合影响权重在不同空间的映射，计算后续每个时段与其它时段的相关性；以及，根据后续每个时段与其它时段的相关性，计算后续每个时段与其它时段的注意力；采用所述相加归一化层对多头注意力层、编码器-解码器注意力机制层、前馈神经网络层的输出进行相加和归一化处理；采用编码器-解码器注意力机制层对Embedding环节的输出以及相加和归一化处理后的多头注意力层的输出进行运算；采用所述前馈神经网络层对相加和归一化处理后的多头注意力层的输出进行非线性处理。
7.根据权利要求6所述的方法，其特征在于，在将多个历史时段的气象综合影响权重、历史需求量和后续时段的气象综合影响权重输入至训练好的预测模型，得到所述预测模型输出的后续时段需求量预测值之后，还包括：
如果所述后续时段的气象事件包括极端气象事件，基于所述需求量预测值进行预警。
CN202210076332.2A 2022-01-24 2022-01-24 一种基于气象事件的需求量预测方法和系统 Active CN114118630B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210076332.2A CN114118630B (zh) 2022-01-24 2022-01-24 一种基于气象事件的需求量预测方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210076332.2A CN114118630B (zh) 2022-01-24 2022-01-24 一种基于气象事件的需求量预测方法和系统

Publications (2)

Publication Number Publication Date
CN114118630A CN114118630A (zh) 2022-03-01
CN114118630B true CN114118630B (zh) 2022-05-17

Family

ID=80361140

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210076332.2A Active CN114118630B (zh) 2022-01-24 2022-01-24 一种基于气象事件的需求量预测方法和系统

Country Status (1)

Country Link
CN (1) CN114118630B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101793907A (zh) * 2010-02-05 2010-08-04 浙江大学 一种风电场短期风速预测方法
CN107369049A (zh) * 2017-07-28 2017-11-21 国信优易数据有限公司 一种商品价格预测方法以及装置
CN112182373A (zh) * 2020-09-25 2021-01-05 中国人民大学 一种基于上下文表示学习的性化搜索方法
CN112330215A (zh) * 2020-11-26 2021-02-05 长沙理工大学 一种城市用车需求量预测方法、设备及存储介质
CN113316163A (zh) * 2021-06-18 2021-08-27 东南大学 基于深度学习的长期网络流量预测方法
CN113627982A (zh) * 2021-08-10 2021-11-09 谌如意 基于自适应加权的电商平台销量预测方法
CN113887845A (zh) * 2021-12-07 2022-01-04 中国南方电网有限责任公司超高压输电公司广州局 极端事件预测方法、装置、设备、介质和计算机程序产品

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101793907A (zh) * 2010-02-05 2010-08-04 浙江大学 一种风电场短期风速预测方法
CN107369049A (zh) * 2017-07-28 2017-11-21 国信优易数据有限公司 一种商品价格预测方法以及装置
CN112182373A (zh) * 2020-09-25 2021-01-05 中国人民大学 一种基于上下文表示学习的性化搜索方法
CN112330215A (zh) * 2020-11-26 2021-02-05 长沙理工大学 一种城市用车需求量预测方法、设备及存储介质
CN113316163A (zh) * 2021-06-18 2021-08-27 东南大学 基于深度学习的长期网络流量预测方法
CN113627982A (zh) * 2021-08-10 2021-11-09 谌如意 基于自适应加权的电商平台销量预测方法
CN113887845A (zh) * 2021-12-07 2022-01-04 中国南方电网有限责任公司超高压输电公司广州局 极端事件预测方法、装置、设备、介质和计算机程序产品

Also Published As

Publication number Publication date
CN114118630A (zh) 2022-03-01

Similar Documents

Publication Publication Date Title
Jaech et al. Real-time prediction of the duration of distribution system outages
CN112365040B (zh) 一种基于多通道卷积神经网络和时间卷积网络的短期风电功率预测方法
CN113962364B (zh) 一种基于深度学习的多因素用电负荷预测方法
Serrano-Guerrero et al. A new interval prediction methodology for short-term electric load forecasting based on pattern recognition
CN114091361B (zh) 基于气象事件的transformer模型构建方法
CN111160626B (zh) 一种基于分解融合的电力负荷时间序列控制方法
CN113988477A (zh) 基于机器学习的光伏功率短期预测方法、装置及存储介质
CN114707772B (zh) 基于多特征分解与融合的电力负荷预测方法及系统
CN114792156A (zh) 基于曲线特征指标聚类的光伏输出功率预测方法和系统
Mokarram et al. Net-load forecasting of renewable energy systems using multi-input LSTM fuzzy and discrete wavelet transform
CN112396231A (zh) 针对时空数据的建模方法、装置、电子设备及可读介质
CN113592165A (zh) 基于旬倾向和物理模态建模的次季节气候预测方法与系统
CN111340536A (zh) 模型训练方法、客座率进度预测方法、系统、设备及介质
CN110751317A (zh) 一种电力负荷预测系统及预测方法
CN114118630B (zh) 一种基于气象事件的需求量预测方法和系统
Wang et al. A Transformer-based multi-entity load forecasting method for integrated energy systems
CN113537607B (zh) 停电预测方法
CN113344290B (zh) 基于U-Net网络的次季节降水气象预报订正方法
Wu et al. Short-Term Prediction of Wind Power Considering the Fusion of Multiple Spatial and Temporal Correlation Features
CN111753097A (zh) 基于深度学习的电力现货交易出清的数据分析方法及装置
Rahman et al. A Hybrid Deep Neural Network Model to Forecast Day-Ahead Electricity Prices in the USA Energy Market
CN117495109B (zh) 一种基于神经网络的窃电用户识别系统
Roberts et al. A Big Data Framework to Address Building Sum Insured Misestimation
CN117407681B (zh) 一种基于向量聚类的时序数据预测模型建立方法
CN113269368B (zh) 一种基于数据驱动的民机安全趋势预测方法

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