CN114549233A - 基于lgb算法与arima算法相结合的流动人口预测方法 - Google Patents

基于lgb算法与arima算法相结合的流动人口预测方法 Download PDF

Info

Publication number
CN114549233A
CN114549233A CN202210083046.9A CN202210083046A CN114549233A CN 114549233 A CN114549233 A CN 114549233A CN 202210083046 A CN202210083046 A CN 202210083046A CN 114549233 A CN114549233 A CN 114549233A
Authority
CN
China
Prior art keywords
model
algorithm
lgb
floating population
arima
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
Application number
CN202210083046.9A
Other languages
English (en)
Inventor
周洋
陈荣
李兵
陈志华
黄龙安
王晓晨
宗素洁
陈丹升
陈英俊
吴懿臻
孙然
林恺
楼鹏涛
刘江鹏
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.)
Yiwu Power Supply Co of State Grid Zhejiang Electric Power Co Ltd
Original Assignee
Yiwu Power Supply Co of State Grid Zhejiang Electric Power 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 Yiwu Power Supply Co of State Grid Zhejiang Electric Power Co Ltd filed Critical Yiwu Power Supply Co of State Grid Zhejiang Electric Power Co Ltd
Priority to CN202210083046.9A priority Critical patent/CN114549233A/zh
Publication of CN114549233A publication Critical patent/CN114549233A/zh
Pending legal-status Critical Current

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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • 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
    • G06Q10/067—Enterprise or organisation modelling
    • 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
    • G06Q50/06—Energy or water supply
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Quality & Reliability (AREA)
  • Software Systems (AREA)
  • Educational Administration (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了基于LGB算法与ARIMA算法相结合的流动人口预测方法，包括以下步骤：事先构建ARIMA模型和LGB模型；通过调整优化模型参数，得到模型精度最高的参数组合；将精度最高的参数组合带入模型中进行流动人口预测，计算最终预测结果；根据最终预测结果进行供电资源分配。本发明的实质性效果包括：模型对于预测下季度流动人口数有较好的效果，有效提高流动人口测算的鲁棒性，为供电资源分配提供依据。

Description

基于LGB算法与ARIMA算法相结合的流动人口预测方法
技术领域
本发明涉及供电保障领域，特别涉及基于LGB算法与ARIMA算法相结合的流动人口预测方法。
背景技术
现阶段，流动人口难以精确及时地测算，现有的流动人口统计监测手段也无法准确获取各个区域的流动人口规模、特征和发展规律的数据统计，且存在诸多问题，口径统计不一，数据质量参差不齐，统计周期长。这对供电企业及时部署用电存在着巨大挑战，同时对各个区域的供电能力分配、用电管理有一定的影响。
发明内容
针对现有技术人口统计及预测不准确，导致供电资源分配不合理的问题，本发明提供了基于LGB算法与ARIMA算法相结合的流动人口预测方法，提高了人口预测的准确率，进而帮助实现供电资源的合理分配，保障电力供应。
以下是本发明的技术方案。
基于LGB算法与ARIMA算法相结合的流动人口预测方法，包括以下步骤：
事先构建ARIMA模型和LGB模型；
通过调整优化模型参数，得到模型精度最高的参数组合；
将精度最高的参数组合带入模型中进行流动人口预测，计算最终预测结果；
根据最终预测结果进行供电资源分配。
作为优选，所述ARIMA模型的构建过程包括：以时间序列为输入，以每季度流动人口数据作为输出，构建ARIMA模型。
作为优选，所述LGB模型的构建过程包括：将与流动人口相关的因素变量作为输入变量，将季度流动人口数定义为LGB模型输出；定义模型学习目标函数、回归树生成参数，构造流动人口预测的LGB模型。
作为优选，所述调整优化模型参数，包括：对LGB模型和ARIMA模型各参数进行交叉验证，逐渐调整参数，直到获得模型精度最高的参数组合。
作为优选，所述最终预测结果的计算过程包括：计算两种模型预测结果的两个模型平均相对误差，根据平均相对误差的反比值对两个模型的预测结果加权求均值，得到最终预测结果。
作为优选，所述模型精度采用平均相对误差衡量，定义如下：
Figure BDA0003486687210000021
其中，yi为历史流动人口实际值，
Figure BDA0003486687210000022
为模型预测值，n为测试数据样本个数。
作为优选，所述LGB模型使用基于直方图的决策树算法，包括：把连续的浮点特征值离散化成k个整数，同时构造一个宽度为k的直方图，在遍历数据的时候，根据离散化后的值作为索引，在直方图中累积统计量，然后根据直方图的离散值，遍历寻找最优的分割点。
作为优选，所述目标函数为：
Figure BDA0003486687210000023
其中
Figure BDA0003486687210000024
是指不考虑其他因素，通过分裂得到的信息增益，GL是用来累加一阶梯度直方图的已经读取的bin的值之和，HL是用来累加二阶梯度直方图的已经读取的bin的值之和；GR是一阶梯度直方图的还未读取的bin的值之和，HR是二阶梯度直方图的还未读取的bin的值之和，λ和γ表示超参数。
本发明的实质性效果包括：模型对于预测下季度流动人口数有较好的效果，有效提高流动人口测算的鲁棒性，为供电资源分配提供依据。
附图说明
图1是本发明提供的基于LGB和ARIMA算法的季度流动人口预测方法的流程示意图；
图2是本发明提供的LGB模型分裂策略示意图；
图3是本发明提供的LGB模型基于直方图的排序算法图；
图4是本发明提供的流动人口实际值与预测值偏差情况示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合实施例，对本技术方案进行清楚、完整地描述，显然，所描述的实施例仅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前提下所获得的所有其他实施例，都属于本发明保护的范围。
应当理解，在本发明的各种实施例中，各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
应当理解，在本发明中，“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
应当理解，在本发明中，“多个”是指两个或两个以上。“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。“包含A、B和C”、“包含A、B、C”是指A、B、C三者都包含，“包含A、B或C”是指包含A、B、C三者之一，“包含A、B和/或C”是指包含A、B、C三者中任1个或任2个或3个。
取决于语境，如在此所使用的“若”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。
下面以具体的实施例对本发明的技术方案进行详细说明。实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例不再赘述。
实施例：
基于LGB算法与ARIMA算法相结合的流动人口预测方法，如图1所示，包括以下步骤：
事先构建ARIMA模型和LGB模型；
通过调整优化模型参数，得到模型精度最高的参数组合；
将精度最高的参数组合带入模型中进行流动人口预测，计算最终预测结果；
根据最终预测结果进行供电资源分配。
LightGBM(简称LGB)是一个梯度Boosting框架，使用基于决策树的学习算法，解决GBDT算法模型难以并行计算问题，实现对模型过拟合问题的有效控制。
lightGBM，它是微软出的新的boosting框架，基本原理与XGBoost一样，使用基于学习算法的决策树，如图2所示，只是在框架上做了优化(重点在模型的训练速度的优化),通过损失函数的泰勒展开式近似表达残差(包含了一阶和二阶导数信息)，另外利用正则化项控制模型的复杂度。但是LightGBM最大的特点是，通过使用leaf-wise分裂策略代替XGBoost的level-wise分裂策略，通过只选择分裂增益最大的结点进行分裂，避免了某些结点增益较小带来的开销。
另外LightGBM通过使用基于直方图的决策树算法，只保存特征离散化之后的值，代替XGBoost使用exact算法中使用的预排序算法(预排序算法既要保存原始特征的值，也要保存这个值所处的顺序索引)，减少了内存的使用，并加速的模型的训练速度。如图3所示，直方图算法基本实现：是指先把连续的浮点特征值离散化成k个整数，同时构造一个宽度为k的直方图。在遍历数据的时候，根据离散化后的值作为是索引，在直方图中累积统计量，然后根据直方图的离散值，遍历寻找最优的分割点。在XGBoost中需要遍历所有离散化的值，而LightGBM通过建立直方图只需要遍历k个直方图的值。
通过对目标函数推倒，最终的目标函数可简化为：
Figure BDA0003486687210000041
其中
Figure BDA0003486687210000042
是指不考虑其他因素，通过分裂得到的信息增益，但实际上每次引入新叶子节点，都会带来复杂的代价，就是γ。
ARIMA包含3个部分，即AR、I、MA。AR——表示auto regression，即自回归模型；I——表示integration，即单整阶数，时间序列模型必须是平稳性序列才能建立计量模型，ARIMA模型作为时间序列模型也不例外，因此首先要对时间序列进行单位根检验，如果是非平稳序列，就要通过差分来转化为平稳序列，经过几次差分转化为平稳序列，就称为几阶单整；MA——表示moving average，即移动平均模型。可见，ARIMA模型实际上是AR模型和MA模型的组合。
首先根据时间序列模型，利用该地区近10年内每个季度的流动人口数据构建ARIMA模型；
其次将选入模型的影响流动人口预测因素变量转化为稀疏矩阵，形成LGB建模数据；将季度流动人口数据定义为LGB模型输出；定义模型学习目标函数、回归树生成参数等构造流动人口预测的LGB模型。LGB可根据研究任务来确定目标函数。本文研究任务为预测季度流动人口，流动人口数属于连续属性变量，学习任务是对流动人口进行回归预测，故可选择线性模型作为目标函数。
LGB回归树的最大深度、学习率、迭代次数等参数均会影响预测精度。通过对LGB各参数进行交叉验证测试，调整优化模型参数，得到模型精度最高的参数组合。
本文使用数据为某地区近10年每季度数据及其相关影响因素指标数据。下表为2014年-2019年月该季度的流动人口数据。
Figure BDA0003486687210000043
Figure BDA0003486687210000051
表1部分年月流动人口数据
Figure BDA0003486687210000052
Figure BDA0003486687210000061
表2部分电力、GDP及移动数据
对该区近10年季度流动人口数据建模测试，其中，抽取前8年历史数据样本作为训练集，最近2年数据样本作为测试集，结合上述数据预处理和变量选取，建立流动人口预测模型。
通过结合图ACF和图PACF，针对本文所用数据设置ARMINA模型的参数：自回归项为4，差分次数为1，移动平均数为0时模型预测的效果最佳；
通过交叉验证，针对本文所用数据在设置回归树参数：最大深度为7，学习率为0.3，迭代次数为60时模型预测效果最佳。最终两个模型均采用平均相对误差来评估模型性能。定义如下：
Figure BDA0003486687210000062
其中，yi为历史流动人口实际值，
Figure BDA0003486687210000063
为模型预测值，n为测试数据样本个数。当参数设置为最佳组合时，两个模型平均相对误差分别为5.24％和3.49％。最后根据两个模型的平均相对误差的反比对模型预测结果加权求和。
如图4所示，以2020年12月为例，该地区流动人口预测值为133.14万人，实际值为134.13万人，相对误差最大值为2.3％。
从上述流动人口预测预测偏差率角度看使用LGB模型对流动人口进行预测效果较佳，可以达到使用标准。
本发明提供了基于LGB算法与ARIMA算法相结合的流动人口预测方法，包括对流动人口指标进行转换；以该地区每个季度流动人口数据作为模型的输出，以时间序列为输入构建ARIMA模型；同时选择与流动人口关联性较强的影响因素变量作为输入变量；将选入模型的影响流动人口预测因素变量转化为稀疏矩阵，形成LGB建模数据；将流动人口定义为LGB模型输出；定义模型学习目标函数、回归树生成参数等构造流动人口预测的LGB模型；对LGB各参数进行交叉验证测试，调整优化模型参数，得到模型精度最高的参数组合，基于得到的参数组合进行流动人口预测。针对浙江某地区近10年流动人口数据进行了建模和预测，经过实际验证，模型结果显示平均相对误差控制在6％以内，模型对于预测该地区下一季度流动人口数据有较好的效果，对帮助政府及时了解该地区流动人口数据，降低统计成本有一定的指导和借鉴意义。
通过以上实施方式的描述，所属领域的技术人员可以了解到，为描述的方便和简洁，仅以上述各功能模块的划分进行举例说明，实际应用中可以根据需要而将上述功能分配由不同的功能模块完成，即将具体装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。
在本申请所提供的实施例中，应该理解到，所揭露的结构和方法，可以通过其它的方式实现。例如，以上所描述的关于结构的实施例仅仅是示意性的，例如，模块或单元的划分，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结构，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，结构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一个物理单元或多个物理单元，即可以位于一个地方，或者也可以分布到多个不同地方。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，在本申请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，可以存储在一个可读取存储介质中。基于这样的理解，本申请实施例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个设备(可以是单片机，芯片等)或处理器(processor)执行本申请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(read only memory，ROM)、随机存取存储器(random access memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上内容，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。

Claims (8)

1.基于LGB算法与ARIMA算法相结合的流动人口预测方法，其特征在于，包括以下步骤：
事先构建ARIMA模型和LGB模型；
通过调整优化模型参数，得到模型精度最高的参数组合；
将精度最高的参数组合带入模型中进行流动人口预测，计算最终预测结果；
根据最终预测结果进行供电资源分配。
2.根据权利要求1所述的基于LGB算法与ARIMA算法相结合的流动人口预测方法，其特征在于，所述ARIMA模型的构建过程包括：以时间序列为输入，以每季度流动人口数据作为输出，构建ARIMA模型。
3.根据权利要求1所述的基于LGB算法与ARIMA算法相结合的流动人口预测方法，其特征在于，所述LGB模型的构建过程包括：将与流动人口相关的因素变量作为输入变量，将季度流动人口数定义为LGB模型输出；定义模型学习目标函数、回归树生成参数，构造流动人口预测的LGB模型。
4.根据权利要求1所述的基于LGB算法与ARIMA算法相结合的流动人口预测方法，其特征在于，所述调整优化模型参数，包括：对LGB模型和ARIMA模型各参数进行交叉验证，逐渐调整参数，直到获得模型精度最高的参数组合。
5.根据权利要求1所述的基于LGB算法与ARIMA算法相结合的流动人口预测方法，其特征在于，所述最终预测结果的计算过程包括：计算两种模型预测结果的两个模型平均相对误差，根据平均相对误差的反比值对两个模型的预测结果加权求均值，得到最终预测结果。
6.根据权利要求4所述的基于LGB算法与ARIMA算法相结合的流动人口预测方法，其特征在于，所述模型精度采用平均相对误差衡量，定义如下：
Figure FDA0003486687200000011
其中，yi为历史流动人口实际值，
Figure FDA0003486687200000012
为模型预测值，n为测试数据样本个数。
7.根据权利要求3所述的基于LGB算法与ARIMA算法相结合的流动人口预测方法，其特征在于，所述LGB模型使用基于直方图的决策树算法，包括：把连续的浮点特征值离散化成k个整数，同时构造一个宽度为k的直方图，在遍历数据的时候，根据离散化后的值作为索引，在直方图中累积统计量，然后根据直方图的离散值，遍历寻找最优的分割点。
8.根据权利要求7所述的基于LGB算法与ARIMA算法相结合的流动人口预测方法，其特征在于，所述目标函数为：
Figure FDA0003486687200000021
其中
Figure FDA0003486687200000022
是指不考虑其他因素，通过分裂得到的信息增益，GL是用来累加一阶梯度直方图的已经读取的bin的值之和，HL是用来累加二阶梯度直方图的已经读取的bin的值之和；GR是一阶梯度直方图的还未读取的bin的值之和，HR是二阶梯度直方图的还未读取的bin的值之和，λ和γ表示超参数。
CN202210083046.9A 2022-01-25 2022-01-25 基于lgb算法与arima算法相结合的流动人口预测方法 Pending CN114549233A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210083046.9A CN114549233A (zh) 2022-01-25 2022-01-25 基于lgb算法与arima算法相结合的流动人口预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210083046.9A CN114549233A (zh) 2022-01-25 2022-01-25 基于lgb算法与arima算法相结合的流动人口预测方法

Publications (1)

Publication Number Publication Date
CN114549233A true CN114549233A (zh) 2022-05-27

Family

ID=81672372

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210083046.9A Pending CN114549233A (zh) 2022-01-25 2022-01-25 基于lgb算法与arima算法相结合的流动人口预测方法

Country Status (1)

Country Link
CN (1) CN114549233A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117150374A (zh) * 2023-10-27 2023-12-01 国网江西省电力有限公司电力科学研究院 一种基于特征重要性排序的变压器故障辨识方法及系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117150374A (zh) * 2023-10-27 2023-12-01 国网江西省电力有限公司电力科学研究院 一种基于特征重要性排序的变压器故障辨识方法及系统

Similar Documents

Publication Publication Date Title
CN111563706A (zh) 一种基于lstm网络的多变量物流货运量预测方法
CN113537600B (zh) 一种全过程耦合机器学习的中长期降水预报建模方法
US20200372342A1 (en) Systems and methods for predictive early stopping in neural network training
US11366806B2 (en) Automated feature generation for machine learning application
CN110969290A (zh) 一种基于深度学习的径流概率预测方法及系统
CN108090788A (zh) 基于时间信息集成模型的广告转化率预估方法
CN109981749A (zh) 一种基于极限梯度提升的云工作流任务执行时间预测方法
CN114169434A (zh) 一种负荷预测方法
CN116187835A (zh) 一种基于数据驱动的台区理论线损区间估算方法及系统
CN113449257A (zh) 配电网线损的预测方法、控制装置、及存储介质
CN104932898B (zh) 一种基于改进多目标粒子群优化算法的待增组件选择方法
CN102156641A (zh) 一种软件成本置信区间预测方法及系统
CN114549233A (zh) 基于lgb算法与arima算法相结合的流动人口预测方法
CN115034473A (zh) 一种电价预测方法、系统及装置
CN111062517A (zh) 一种基于GBDT的LightGBM模型的冷、热负荷预测方法
Khadr et al. GA-based implicit stochastic optimization and RNN-based simulation for deriving multi-objective reservoir hedging rules
CN115204501A (zh) 企业评估方法、装置、计算机设备和存储介质
CN114971687A (zh) 一种基于Attention机制的LSTM-BP组合模型的销售预测方法
CN114282657A (zh) 一种市场数据长期预测模型训练方法、装置、设备及存储介质
CN114154697A (zh) 房屋维修资源的预测方法、装置、计算机设备和存储介质
CN112801415A (zh) 基于马尔科夫链分布模型的超短期负荷预测方法及系统
CN111160715A (zh) 基于bp神经网络新旧动能转换绩效评价方法和装置
CN116805202B (zh) 基于人工智能寻找替代员工的方法、装置及应用
CN117175584A (zh) 一种基于电力数据的可控负荷预测方法、装置及设备
CN116596578A (zh) 一种面向大宗商品的需求预测方法及设备

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