CN114676940A - 商业旅游区购电量预测方法、装置、电子设备及存储介质 - Google Patents
商业旅游区购电量预测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN114676940A CN114676940A CN202210588977.4A CN202210588977A CN114676940A CN 114676940 A CN114676940 A CN 114676940A CN 202210588977 A CN202210588977 A CN 202210588977A CN 114676940 A CN114676940 A CN 114676940A
- Authority
- CN
- China
- Prior art keywords
- target area
- electricity
- purchasing
- area
- power consumption
- 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
- 230000005611 electricity Effects 0.000 title claims abstract description 360
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000000605 extraction Methods 0.000 claims description 40
- 230000008451 emotion Effects 0.000 claims description 35
- 230000002093 peripheral effect Effects 0.000 claims description 35
- 230000004927 fusion Effects 0.000 claims description 27
- 238000004590 computer program Methods 0.000 claims description 13
- 230000002996 emotional effect Effects 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 13
- 238000001914 filtration Methods 0.000 claims description 8
- 238000000513 principal component analysis Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 230000000875 corresponding effect Effects 0.000 description 29
- 210000004205 output neuron Anatomy 0.000 description 24
- 239000011159 matrix material Substances 0.000 description 12
- 239000013598 vector Substances 0.000 description 10
- 230000006399 behavior Effects 0.000 description 8
- 230000008859 change Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000000873 masking effect Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 230000037213 diet Effects 0.000 description 3
- 235000005911 diet Nutrition 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000000611 regression analysis Methods 0.000 description 3
- 230000004308 accommodation Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 241001307241 Althaea Species 0.000 description 1
- 235000006576 Althaea officinalis Nutrition 0.000 description 1
- 241000158728 Meliaceae Species 0.000 description 1
- 241000233805 Phoenix Species 0.000 description 1
- 230000009193 crawling Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 229940074869 marquis Drugs 0.000 description 1
- 235000001035 marshmallow Nutrition 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- VBUNOIXRZNJNAD-UHFFFAOYSA-N ponazuril Chemical compound CC1=CC(N2C(N(C)C(=O)NC2=O)=O)=CC=C1OC1=CC=C(S(=O)(=O)C(F)(F)F)C=C1 VBUNOIXRZNJNAD-UHFFFAOYSA-N 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000007306 turnover Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- 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
- G06Q10/02—Reservations, e.g. for tickets, services or events
-
- 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
-
- 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
- G06Q50/14—Travel agencies
-
- 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)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种商业旅游区购电量预测方法、装置、电子设备及存储介质，方法包括：获取目标区域的历史用电数据，目标区域为商业旅游区；获取目标区域在下一购电时段前的线上文本信息，以及获取目标区域在下一购电时段的线下预约信息；根据线上文本信息、线下预约信息以及历史用电数据，对目标区域在下一购电时段进行用电量预测，得到目标区域在下一购电时段的用电量预测结果；基于用电量预测结果得到目标区域在下一购电时段的预测购电量。本发明通过获取目标区域的线上文本信息、线下预约信息和历史用电量数据来预测目标区域的用电量预测结果，充分考虑目标区域的线上影响力和线下影响力，提高了目标区域用电量预测的准确性。
Description
技术领域
本发明涉及电力数据处理领域，尤其涉及一种商业旅游区购电量预测方法、装置、电子设备及存储介质。
背景技术
在电力交易中，售电公司通过向电网进行购电，再面向用电终端进行售电，需要对用电终端的用电量进行估计预测，根据估计预测的结果向电网购电，准确的估计预测用电终端的用电量，可以降低购电与用电终端用电量的偏差，从而降低用电偏差带来的经济损失。对于商业旅游区来说，用电量与游客数量成正相关，目前对于商业旅游区的用电量预测方法都是在以历史游客数量来预测游客数量的基础上，估计游客的人均用电量和当地居民的人均用电量来进行的。这种预测方法仅仅只考虑历史游客数量在时序上的分布规律，随着互联网的发展，网红经济也得到快速的发展，网红经济的特点是流量大、持续时间短，对商业旅游区冲击很大，比如，某个粉丝多的网红到七月在某个商业旅游区打卡后，该个商业旅游区八月原本的游客数量预测为1万人，受网红影响，激增到10万人。因此，现有的预测方法仅仅只考虑历史游客数量在时序上的分布规律，使得游客的预测准确性较低，从而使得商业旅游区电量预测的准确性不高。
发明内容
本发明提供一种商业旅游区购电量预测方法，通过获取商业旅游区的线上文本信息、线下预约信息和历史用电量数据来预测商业旅游区的用电量预测结果，根据商业旅游区的用电量预测结果来得到商业旅游区的预测购电量，可以通过预测购电量指导售电公司向电网购电，由于结合了目标区域在线上文件信息和线下预约信息，充分考虑了商业旅游区的线上影响力和线下影响力，提高了商业旅游区用电量预测的准确性。
第一方面，本发明提供一种商业旅游区购电量预测方法，所述方法包括：
获取目标区域的历史用电数据，所述目标区域为商业旅游区；
获取所述目标区域在下一购电时段前的线上文本信息，以及获取所述目标区域在所述下一购电时段的线下预约信息；
根据所述线上文本信息、所述线下预约信息以及所述历史用电数据，对所述目标区域在所述下一购电时段进行用电量预测，得到所述目标区域在所述下一购电时段的用电量预测结果；
基于所述用电量预测结果得到所述目标区域在所述下一购电时段的预测购电量。
可选的，所述获取所述目标区域在下一购电时段前的线上文本信息的步骤包括：
获取所述目标区域的第一关键词和第二关键词，所述第一关键词通过所述目标区域的地名进行确定，所述第二关键词根据游客用电量影响因素进行确定；
根据所述第一关键词，通过线上渠道获取所述目标区域在下一购电时段前的候选文本信息；
根据所述第二关键词对所述候选文本信息进行筛选，得到所述线上文本信息。
可选的，所述第二关键词的获取步骤包括：
获取游客用电量影响因素；
对所述游客用电量影响因素进行主成分分析，得到关键影响因素；
对所述关键影响因素进行语义扩展，得到所述第二关键词。
可选的，所述根据所述线上文本信息、所述线下预约信息以及所述历史用电数据，对所述目标区域在所述下一购电时段进行用电量预测，得到所述目标区域在所述下一购电时段的用电量预测结果的步骤包括：
对所述线上文本信息进行特征提取，得到所述线上文本信息的意向人数分布特征；
对所述线下预约信息进行时序特征提取，得到预约人数分布特征；
对所述历史用电数据进行时序特征提取，得到历史用电数据分布特征，所述意向人数分布特征、所述预约人数分布特征以及所述历史用电数据分布特征具有相同的特征维度；
根据所述意向人数分布特征、所述预约人数分布特征以及所述历史用电数据分布特征，对所述目标区域在所述下一购电时段进行用电量预测，得到所述目标区域在所述下一购电时段的用电量预测结果。
可选的，所述对所述线上文本信息进行特征提取，得到所述线上文本信息的意向人数分布特征的步骤包括：
对所述线上文本信息进行情感语义特征提取，得到所述线上文本信息的情感语义特征；
对所述情感语义特征进行负向情感过滤，得到正向情感语义特征；
根据所述正向情感语义特征，得到所述意向人数分布特征。
可选的，所述根据所述意向人数分布特征、所述预约人数分布特征以及所述历史用电数据分布特征，对所述目标区域在所述下一购电时段进行用电量预测，得到所述目标区域在所述下一购电时段的用电量预测结果的步骤包括：
将所述意向人数分布特征、预约人数分布特征以及所述历史用电数据分布特征在通道层面上进行特征融合，得到融合特征；
将所述融合特征输入到训练好的预测网络中进行预测处理，得到所述目标区域的用电量预测结果。
可选的，所述基于所述用电量预测结果得到所述目标区域在所述下一购电时段的预测购电量的步骤包括：
获取所述目标区域相邻的周边区域对应的所述用电量预测结果；
根据所述周边区域的产业分布信息，计算所述周边区域对所述目标区域的旅游产业支持度；
根据所述旅游产业支持度，分别对所述目标区域以及所述周边区域对应的所述用电量预测结果进行调整，得到所述目标区域的预测购电量。
第二方面，本发明提供一种商业旅游区购电量预测装置，所述装置包括：
第一获取模块，用于获取目标区域的历史用电数据，所述目标区域为商业旅游区；
第二获取模块，用于获取所述目标区域在下一购电时段前的线上文本信息，以及获取所述目标区域在所述下一购电时段的线下预约信息；
预测模块，用于根据所述线上文本信息、线下预约信息以及所述历史用电数据，对所述目标区域在所述下一购电时段进行用电量预测，得到所述目标区域在所述下一购电时段的用电量预测结果；
处理模块，用于基于所述用电量预测结果得到所述目标区域在所述下一购电时段的预测购电量。
第三方面，本发明提供一种电子设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现本发明提供的商业旅游区购电量预测方法中的步骤。
第四方面，提供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本发明提供的商业旅游区购电量预测方法中的步骤。
本发明中，获取目标区域的历史用电数据；获取所述目标区域在下一购电时段前的线上文本信息，以及获取所述目标区域在所述下一购电时段的线下预约信息；根据所述线上文本信息、所述线下预约信息以及所述历史用电数据，对所述目标区域在所述下一购电时段进行用电量预测，得到所述目标区域在所述下一购电时段的用电量预测结果；基于所述用电量预测结果得到所述目标区域在所述下一购电时段的预测购电量。通过获取目标区域的线上文本信息、线下预约信息和历史用电量数据来预测目标区域的用电量预测结果，根据目标区域的用电量预测结果来得到目标区域的预测购电量，可以通过预测购电量指导售电公司向电网购电，由于结合了目标区域在线上文件信息和线下预约信息，充分考虑了目标区域的线上影响力和线下影响力，提高了目标区域用电量预测的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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，下面描述中的附图仅仅是本发明的一些实施例，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商业旅游区购电量预测方法的流程图；
图2是本发明实施例提供的一种商业旅游区购电量预测装置的结构示意图；
图3是本发明实施例提供的一种电子设备的结构示意图。
在图2中：201、第一获取模块，202、第二获取模块，203、预测模块，204、处理模块；
在图3中：301、处理器，302、存储器。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、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作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。
请参见图1，图1是本发明实施例提供的一种商业旅游区购电量预测方法的流程图，如图1所示，该商业旅游区购电量预测方法包括以下步骤：
S101、获取目标区域的历史用电数据。
在本发明实施例中，目标区域可以是某个商业旅游区，具体来说，目标区域中的具有吸引游客的元素，吸引游客的元素比如自然风景、人文景观、名胜古迹、非遗文化等。
目标区域的历史用电数据为一个序列数据a n ，包括用电时间和实际用电量，比如为2月12日00点00分至2月13日00点00分的实际用电量a 1，2月13日00点00分至2月14日00点00分的实际用电量a 2等。其中实际用电量a 1是在2月13日00点00分之后统计得到的，实际用电量a 2是在2月14日00点00分之后统计得到的。
可以理解的是，历史用电数据为目标区域的居民用电和游客用电综合用电情况，由于目标区域的居民数量变化幅度小，用电需求较为稳定，因此，居民用电是比较容易预测的。而对于目标区域的游客用电来说，由于游客的数量变化幅度大，用电需求也会随之产生较大的变化，因此，游客用电是比较难预测的。虽然居民数量变化幅度小，但是居民数量也是存在一定变化的，或者居民用电产业会存在一定变化，比如，居民迁出或者居民子女外出上学等会对居民数量造成一定变化，或者居民将酒吧改为书店，则居民用电产业发生了变化。
在本发明实施例中，采用的是目标区域的历史用电数据，并没有将历史用电数据区分为居民用电和游客用电，而是将居民用电和游客用电作为一个整体的用电数据，充分考虑了目标区域用电的全局性，从而可以降低居民数量变化和居民用电产业变化带来的居民用电影响。
S102、获取目标区域在下一购电时段前的线上文本信息，以及获取目标区域在下一购电时段的线下预约信息。
在本发明实施例中，售电公司可以每隔一间隔时间向电网进行购电，具体的间隔时间可以根据售电公司与电网签订的购电合同进行确定。比如，每个月向电网进行一次购电，或者每个季度向电网进行一次购电，则下一购电时段为下一个月或下一个季度。
线上文本信息可以是全网渠道上可获取到文本信息，文本信息中可以记录目标区域的相关内容，文本信息可以是文字类型的文本信息，也可以是图像类型或音频类型转换得的文本信息。线上文本信息隐含了目标区域的线上热度，具体，下一购电时段前的线上文本信息隐含了目标区域在下一购电时段的线上热度，目标区域的线上热度可以为目标区域带来游客，线上热度越高，带来的游客越多。
线上文本信息可以包括文本数量、文本语义、文本时间等信息。
线下预约信息可以是本地网络推广产生的预约信息，可以向目标区域的周边区域开放预约渠道，使得目标区域的周边区域的居民可以通过预约渠道进行预约，这样可以更准确的确定来自周边区域的游客。本地网络推广的预约渠道可以是官方网站、APP、小程序、热线电话等预约渠道。
线下预约信息可以包括预约人数、预约时间、预约偏好等信息。
S103、根据线上文本信息、线下预约信息以及历史用电数据，对目标区域在下一购电时段进行用电量预测，得到目标区域在下一购电时段的用电量预测结果。
在本发明实施例中，线上文本信息隐含了目标区域的线上热度，具体的，下一购电时段前的线上文本信息隐含了目标区域在下一购电时段的线上热度，目标区域的线上热度可以为目标区域带来游客，线上热度越高，带来的游客越多，在居民用电相对平衡的情况下，目标区域的用电量变化幅度与游客用电正相关，游客用电与游客数量正相关。线下预约信息可以准确的确定来自周边区域的游客。历史用电数据反应了目标区域在不同时间段内居民用电和游客用电的整体分布。
具体的，可以通过历史用电数据得到历史用电数据分布，通过线上文本信息得到线上热度转换的意向人数据分布，通过线下预约信息得到预约人数分布，通过提取历史用电数据分布、意向人数据分布以及预约人数分布之间的隐含关系，来进行用电量预测，从而得到目标区域在下一购电时间段的用电量预测结果。
在一种可能的实施例中，可以是通过历史用电数据进行用电量预测时，以线上文本信息和线下预约信息为游客变量，对通过历史用电数据的用电量预测进行修正，从而得到目标区域在下一购电时间段的用电量预测结果。
进一步的，线上文本信息可以是文本数量，上述线下预约信息可以是预约人数，可以将历史用电数据输入到预先训练好的时序预测模型中，通过时序预测模型输出目标区域在下一购电时段的初步预测结果，根据线上文本数量和线下预约信息对初步预测结果进行加权，得到目标区域在下一购电时段的用电量预测结果。具体的，可以通过下述式子进行计算：
其中，Q为目标区域在下一购电时段的用电量预测结果，num 1为文本数量，λ 1为文本数量与游客的转换率，num 2为预约人数，λ 2为预约人数与游客的转换率，f(a n )为初步预测结果。λ 1可以设置为100－1000之间的值，具体根据线上文本数量进行正相关设置，文本数量越多，则λ 1越大。λ 2可以设置为0.8－1.2之间的值，根据预约渠道的在周边区域的覆盖面积和周边区域的人口分布面积的比例进行确定，该比例越高，则λ 2越小。
S104、基于用电量预测结果得到目标区域在下一购电时段的预测购电量。
在本发明实施例中，用电量预测结果中包括目标区域在下一购电时段的预测用电量，可以将目标区域在下一购电时段的预测用电量直接作为目标区域在下一购电时段的预测购电量。
在一种可能的实施例中，在得到目标区域在下一购电时间段的用电量预测结果后，可以在目标区域在下一购电时段的预测用电量基础上，增加调整系数，根据调整系数对预测用电量进行调整，得到目标区域在下一购电时段的预测购电量。
售电公司可以根据预测购电量进行购电，从而向目标区域售电。
在本发明实施例中，获取目标区域的历史用电数据；获取目标区域在下一购电时段前的线上文本信息，以及获取目标区域在下一购电时段的线下预约信息；根据线上文本信息、线下预约信息以及历史用电数据，对目标区域在下一购电时段进行用电量预测，得到目标区域在下一购电时段的用电量预测结果；基于用电量预测结果得到目标区域在下一购电时段的预测购电量。通过获取目标区域的线上文本信息、线下预约信息和历史用电量数据来预测目标区域的用电量预测结果，根据目标区域的用电量预测结果来得到目标区域的预测购电量，可以通过预测购电量指导售电公司向电网购电，由于结合了目标区域在线上文件信息和线下预约信息，充分考虑了目标区域的线上影响力和线下影响力，提高了目标区域用电量预测的准确性。
可选的，在获取目标区域在下一购电时段前的线上文本信息的步骤中，可以获取目标区域的第一关键词和第二关键词，第一关键词通过目标区域的地名进行确定，第二关键词根据游客用电量影响因素进行确定；根据第一关键词，通过线上渠道获取目标区域在下一购电时段前的候选文本信息；根据第二关键词对候选文本信息进行筛选，得到线上文本信息。
在本发明实施例中，可以通过爬虫技术，以第一关键词和下一购电时段前为条件，在线上网络爬取符合条件的文本信息，得到候选文本信息。第一关键词通过目标区域的地名进行确定，则候选文本信息中包括第一关键词。
在一种可能的实施例中，还可以设置线上文本信息的获取时间范围，获取时间范围包括第一时间点和第二时间点，获取第二时间点到第一时间点之间的线上文本信息，第一时间点可以是下一购电时段的起始时间点，第二时间点可以是下一购电时段的起始时间点的任意时间点，本发明实施例中第二时间点优选为下一购电时段的起始时间点之前的两个月。比如获取下一购电时段之前的两个月内的线上文本信息，通过爬虫技术以第一关键词爬取下一购电时段之前的两个月内的文本信息，得到候选文本信息。
进一步的，目标区域的地名可以是各个时期该目标区域的地名，以及该目标区域中的特殊名称，比如目标区域为武候区，则第一关键词可以武候区，历史时期对应的第一关键词可以是蜀国地域、蜀郡、汉益州蜀郡成都县、成都府等，目标区域中的特殊名称可以是浆洗街、望江路、跳伞塔、玉林路、双楠、红牌楼等街道名称，或者武侯祠、望江楼、琴台路、清水河等景点名称。
第二关键词根据游客用电量影响因素进行确定，上述游客用电量影响因素可以是基于游客行为的用电影响因素，游客行为可以包括住宿、饮食、去酒吧、参加晚会、宵夜、钓鱼、看花等，其中，住宿、饮食、去酒吧、参加晚会、宵夜对于游客用电的影响较大，钓鱼、看花多在野外，对于游客用电的影响较小，将对用电影响较小的游客行为不作为游客用电量影响因素，将对用电影响较大的游客行为作为游客用电量影响因素，可以将游客用电量影响因素作为第二关键词。
根据第一关键词确定候选文本信息，可以得到与目标区域相关的文本信息，根据第二关键词筛选得到线上文本信息，可以得到与目标区域用电相关的文本信息。
可选的，在第二关键词的获取步骤中，可以获取游客用电量影响因素；对游客用电量影响因素进行主成分分析，得到关键影响因素；对关键影响因素进行语义扩展，得到第二关键词。
在本发明实施例中，可以根据游客行为来获取对应的游客用电量影响因素。具体的，可以根据目标区域的相关产业划分为K个游客行为，每个游客行为对应一个游客用电量影响因素，计算采样游客在每个游客用电量影响因素下的平均用电量，根据每个游客用电量影响因素下的平均用电量，计算所有游客用电量影响因素下的平均用电量分布，根据所有游客用电量影响因素下的平均用电量分布，计算所有游客用电量影响因素下的平均用电量标准差分布，从所有游客用电量影响因素下的平均用电量标准差分布选择M个最大的平均用电量标准差对应的游客用电量影响因素作为关键影响因素。具体的，上述对游客用电量影响因素进行主成分分析可以如下述式子所示：
其中，上述Y（k）为第k个游客用电量影响因素的平均用电量标准差分布，上述
为第j个采样游客在第k个游客用电量影响因素下的用电量，采样游客的总数量为J，每个游客用电量影响因素对应的采样游客的数量可以不同，因此，J k 为第k个游客用电量影响因素对应的采样游客的数量。
一个游客用电量影响因素下的平均用电量标准差越大，则表示游客用电量影响越大，选择M个最大的平均用电量标准差对应的游客用电量影响因素，可以得到正向影响游客用电量最大的M个游客用电量影响因素作为关键影响因素，从而去掉了对于结果影响小的游客用电量影响因素。比如游客用电量影响因素为酒店和钓鱼，假设酒店游客的平均用电量为一天5度电，而钓鱼游客的平均用电量为一天0.1度电，则游客用电量影响因素为酒店和钓鱼的平均用电量为一天2.55度电，酒店游客的平均用电量标准差为2.45，钓鱼的平均用电量标准差为－2.54，可以看出，酒店游客的用电量影响为正，而钓鱼游客的用电量影响为负。因此，在选择第二关键词时，可以将钓鱼进行丢弃，而将酒店和通过酒店进行扩展的词作为第二关键词，通过第二关键词从候选文本信息中筛选出对用电量具有较高影响的文本信息作为线上文本信息，这样可以得到更准确的线上文本信息，同时，降低了线上文本信息的数据量，提高了计算速度。
在一种可能的实施例中，可以根据游客行为来获取对应的游客用电量影响因素。具体的，可以根据目标区域的相关产业划分为K个游客行为，每个游客行为对应T个游客用电量影响因素，计算采样游客在每个游客用电量影响因素下的平均用电量，根据每个游客用电量影响因素下的平均用电量，构建得到第一矩阵A，在第一矩阵A中，包括K行和T列，每行表示一个游客行为，每列表示一个游客用电量影响因素，则第一矩阵A的尺寸为K*T。在得到第一矩阵A后，计算第一矩阵A的协方差矩阵；计算协方差矩阵的特征值以及特征值所对应的特征向量，一个特征向量为协方差矩阵的一列，上述特征值可以是特征向量的模长，协方差矩阵中每个矩阵单元对应一个协方差值，协方差值为标准差的平方。选择特征值最大的M个特征向量，按特征值大小对特征向量进行排序，构建得到第二矩阵B，第二矩阵B包括K行和M列，则可以将M列对应的游客用电量影响因素作为第二关键词。通过特征值来确定游客用电量影响因素的异变程度，从而可以选取到异变程度较高的游客用电量影响因素作为第二关键词，保证第二关键词筛选出的线上文本信息对于游客用电量的高影响力。同时，降低了线上文本信息的数据量，提高了计算速度。
可选的，在根据线上文本信息、线下预约信息以及历史用电数据，对目标区域在下一购电时段进行用电量预测，得到目标区域在下一购电时段的用电量预测结果的步骤中，可以对线上文本信息进行特征提取，得到线上文本信息的意向人数分布特征；对线下预约信息进行时序特征提取，得到预约人数分布特征；对历史用电数据进行时序特征提取，得到历史用电数据分布特征，意向人数分布特征、预约人数分布特征以及历史用电数据分布特征具有相同的特征维度；根据意向人数分布特征、预约人数分布特征以及历史用电数据分布特征，对目标区域在下一购电时段进行用电量预测，得到目标区域在所述下一购电时段的用电量预测结果。
在本发明实施例中，可以将线上文本信息按时序进行排序，通过预先训练好的第一特征提取模型对线上文本信息进行特征提取，得到线上文本信息的意向人数分布特征e i 。线下预约信息包括预约人数和预约时间，可以将线下预约信息通过第二特征提取模型进行时序特征提取，得到预约人数分布特征g i 。将历史用电数据a n 通过第三特征提取模型进行时序特征提取，得到历史用电数据分布特征h i 。其中，意向人数分布特征e i 、预约人数分布特征g i 、历史用电数据分布特征h i 中的i表示下一购电时段中的第i个子时间段，下一购电时段包括I个子时间段，比如，下一购电时段为12月，则I可以是31天。
具体的，获取第一数据集，通过第一数据集对第一特征提取模型进行训练，得到训练好的第一特征提取模型。第一数据集中包括样本区域的样本线上文本信息和对应线上游客数量分布标签，样本区域与目标区域具有相同或相似的旅游产业，线上游客指的是通过线上渠道知晓样本区域并前来样本区域的游客。样本线上文本信息的获取方式与线上文本信息的获取方式相同。第一特征提取模型可以是基于Transform架构的模型，第一特征提取模型的输出层包括I个输出神经元，用于输出线上文本信息的意向人数分布特征e i 。可以通过输出神经元进行掩码，来控制输出神经元的数量，比如第一特征提取模型的输出层包括31个输出神经元，可以对最后一个输出神经元进行掩码，使最后一个输出神经元无法输出对应的意向人数分布特征e 31，从而输出意向人数分布特征e 1，e 2，e 3……e 30。这样，可以输出与日期对应的意向人数分布特征。
获取第二数据集，通过第二数据集对第二特征提取模型进行训练，得到训练好的第二特征提取模型。第二数据集中包括样本区域的样本线下预约信息和对应线下游客数量分布标签，样本区域与目标区域具有相同或相似的旅游产业，线下游客指的是通过预约渠道预约该样本区域并前来样本区域的游客。第二特征提取模型可以是基于循环神经网络架构的模型，第二特征提取模型的输出层包括I个输出神经元，用于输出预约人数分布特征g i 。可以通过输出神经元进行掩码，来控制输出神经元的数量，比如第二特征提取模型的输出层包括31个输出神经元，可以对最后一个输出神经元进行掩码，使最后一个输出神经元无法输出对应的预约人数分布特征g 31，从而输出预约人数分布特征g 1，g 2，g 3……g 30。这样，可以输出与日期对应的预约人数分布特征。
获取第三数据集，通过第三数据集对第三特征提取模型进行训练，得到训练好的第三特征提取模型。第三数据集中包括样本区域的样本历史用电数据和对应历史用电数据分布标签，样本区域与目标区域具有相同或相似的旅游产业。第三特征提取模型可以是基于循环神经网络架构的模型或者是基于线性变换的模型，第三特征提取模型的输出层包括I个输出神经元，用于输出预约人数分布特征h i 。可以通过输出神经元进行掩码，来控制输出神经元的数量，比如第三特征提取模型的输出层包括31个输出神经元，可以对最后一个输出神经元进行掩码，使最后一个输出神经元无法输出对应的预约人数分布特征h 31，从而输出预约人数分布特征h 1，h 2，h 3……h 30。这样，可以输出与日期对应的历史用电数据分布特征。
提取意向人数分布特征可以得到线上文本信息与意向人数分布之间的隐含规律，提取预约人数分布特征可以得到线下预约信息与预约人数分布之间的隐含规律，提取历史用电数据分布特征，可以将历史用电数据转换为与意向人数分布特征和预约人数分布特征相同维度的历史用电数据分布特征，便于在相同的特征维度下进行处理。
可以将意向人数分布特征e i 、预约人数分布特征g i 以及历史用电数据分布特征h i 作为自变量，以目标区域在下一购电时段的用电量为因变量，构建多参数回归分析模型，具体的，多参数回归分析模型如下述示子所示：
其中，Q为因变量，β i 为自变量的第一回归系数，α i 为自变量的第一回归系数，I为自变量的数量。通过对多参数回归分析模型中的第一回归系数和第二回归系数进行迭代求解，最终可以得到Q作为目标区域在下一购电时段的预测购电量。
可选的，在对线上文本信息进行特征提取，得到线上文本信息的意向人数分布特征的步骤中，对线上文本信息进行情感语义特征提取，得到线上文本信息的情感语义特征；对情感语义特征进行负向情感过滤，得到正向情感语义特征；根据正向情感语义特征，得到意向人数分布特征。
在本发明实施例中，第一特征提取模型中包括情感语义特征提取网络，情感语义特征提取网络可以是基于WordNet或HowNet知识库进行构建的，具体的，可以选择与旅游意向具有明显正向和负向的词语或句子作为种子词，对种子词进行词向量编码，得到种子词的特征向量，将线上文本信息进行词向量编码后，得到文本词向量，将文本词向量通过线性变换后，得到线上文本信息的情感语义特征，利用情感语义特征与种子词特征向量之间的度量距离来进行负向情感过滤，比如，情感语义特征与正向种子词特征向量之间的度量距离小于与负向种子词特征向量之间的度量距离，则可以认为该情感语义特征为正向情感语义特征；当情感语义特征与正向种子词特征向量之间的度量距离大于与负向种子词特征向量之间的度量距离，则可以认为该情感语义特征为负向情感语义特征。对负向情感语义特征进行过滤后，得到正向情感语义特征，将正向情感语义特征通过第一特征提取模型中的输出层进行处理，通过输出层中的I个输出神经元将正向情感语义特征输出为意向人数分布特征e i 。
通过对负向情感语义特征进行过滤，可以剔除对目标区域进行抹黑或负向评价的文本信息，从而提高意向人数分布特征的准确性，进而提高目标区域的用电量预测结果的准确性。
可选的，在根据意向人数分布特征、预约人数分布特征以及历史用电数据分布特征，对目标区域在下一购电时段进行用电量预测，得到目标区域在下一购电时段的用电量预测结果的步骤中，可以将意向人数分布特征、预约人数分布特征以及历史用电数据分布特征在通道层面上进行特征融合，得到融合特征；将融合特征输入到训练好的预测网络中进行预测处理，得到目标区域的用电量预测结果。
在本发明实施例中，可以将意向人数分布特征e i 、预约人数分布特征g i 以及历史用电数据分布特征h i 在通道层面进行叠加融合，得到融合特征（e i ，g i ，h i ），类似于将图像的R、G、B通道进行叠加融合。预测网络可以是循环卷积网络，将融合特征（e i ，g i ，h i ）输入到训练好的预测网络中进行时序上的预测得到，得到目标区域的用电量预测结果。
具体的，获取第四数据集，通过第四数据集对预测网络进行训练，得到训练好的预测网络。第四数据集中包括样本区域的样本融合特征和对应的未来用电数据分布标签，样本融合特征的获取方式与融合特征的获取方式相同，未来用电数据分布标签为样本融合特征所在时间段之后的时间段内的用电数据分布，比如，样本融合特征为5月至8月的样本融合特征，未来用电数据分布标签可以是9月的用电数据分布，当然，无论是5月至8月，还是9月，都是训练预测模型之前的时间段，这样才能保证用电数据分布标签的真实性。样本区域与目标区域具有相同或相似的旅游产业。预测网络的输出层包括I个输出神经元，用于输出用电量分布结果q i 。可以通过输出神经元进行掩码，来控制输出神经元的数量，比如预测网络的输出层包括31个输出神经元，可以对最后一个输出神经元进行掩码，使最后一个输出神经元无法输出对应的用电量分布结果q 31，从而输出分布结果q 1，q 2，q 3……q 30。这样，可以输出与日期对应的用电量分布结果。最终的用电量预测结果Q如下述式子所示：
通过将意向人数分布特征e i 、预约人数分布特征g i 以及历史用电数据分布特征h i 在通道层面进行叠加融合，得到融合特征（e i ，g i ，h i ），利用预测网络的黑盒特征来自动学习意向人数分布特征e i 、预约人数分布特征g i 、历史用电数据分布特征h i 与用电量预测结果Q之间的隐含关联，从而根据该隐含关联来对用电量预测结果Q进行预测，降低用电量预测结果Q求解难度。
举例来说，在训练好预测网络后，想要计算10月的用电量预测结果，则可以输入7、8、9月的融合特征到训练好的预测网络中，通过预测网络自动输出10月的用电量预测结果。
可选的，在基于用电量预测结果得到目标区域在下一购电时段的预测购电量的步骤中，可以获取目标区域相邻的周边区域对应的用电量预测结果；根据周边区域的产业分布信息，计算周边区域对目标区域的旅游产业支持度；根据旅游产业支持度，分别对目标区域以及周边区域对应的用电量预测结果进行调整，得到目标区域的预测购电量。
在本发明实施例中，考虑目标区域相邻的周边区域可以为目标区域提供分流，比如，当目标区域中的酒店无法满足游客需求时，游客会寻求周边区域的酒店进行入住。因此，可以先计算周边区域对目标区域的旅游产业支持度，从而根据旅游产业支持度对目标区域的用电量预测结果进行调整，将调整后的用电量预测结果作为预测购电量。
旅游产业支持度越高，则代表对应的周边区域的分流能力越强。
具体的，产业分布信息包括各个旅游产业的规模，比如酒店产业规模、饮食产业规模、娱乐产业规模等，设置旅游产业的类型为R个，第r个类型旅游产业的规模系数为p r ，旅游产业支持度可以根据下述式子进行计算：
其中，p r,0为目标区域第r个类型旅游产业的规模系数，p r,Z为第z个周边区域的第r个类型旅游产业的规模系数，μ（z）为第z个周边区域的旅游产业支持度，周边区域的数量为Z。上述规模系数可以该个类型旅游产业的接待能力，比如一个酒店的接待能力为最大接待人次，则该个类型旅游产业的规模系数为该个区域所有酒店的客房数和接待天数的乘积。比如一个饭店的接待能力为最大接待人次，则该个类型旅游产业的规模系数为该个区域所有饭店的最大翻台率与每桌最大人数的乘积。
根据旅游产业支持度对目标区域在下一购电时段的用电量预测结果进行调整可以如下述式子所示：
其中，S为目标区域在下一购电时段的预测购电量，Q为目标区域在下一购电时段的用电量预测结果，Z为周边区域的数量，μ（z）为第z个周边区域的旅游产业支持度。
本发明实施例考虑周边区域的对于目标区域的旅游产业支持度，可以在用电量预测结果的基础上，同时考虑目标区域和周边区域的游客接待能力，从而提高目标区域在下一购电时间段的购电量准确性。
需要说明的是，本发明实施例提供的商业旅游区购电量预测方法可以应用于可以进行购电量预测的智能手机、电脑、服务器等设备。
可选的，请参见图2，图2是本发明实施例提供的一种商业旅游区购电量预测装置的结构示意图，如图2所示，所述装置包括：
第一获取模块201，用于获取目标区域的历史用电数据，所述目标区域为商业旅游区；
第二获取模块202，用于获取所述目标区域在下一购电时段前的线上文本信息，以及获取所述目标区域在所述下一购电时段的线下预约信息；
预测模块203，用于根据所述线上文本信息、线下预约信息以及所述历史用电数据，对所述目标区域在所述下一购电时段进行用电量预测，得到所述目标区域在所述下一购电时段的用电量预测结果；
处理模块204，用于基于所述用电量预测结果得到所述目标区域在所述下一购电时段的预测购电量。
可选的，所述第二获取模块202还用于获取所述目标区域的第一关键词和第二关键词，所述第一关键词通过所述目标区域的地名进行确定，所述第二关键词根据游客用电量影响因素进行确定；根据所述第一关键词，通过线上渠道获取所述目标区域在下一购电时段前的候选文本信息；根据所述第二关键词对所述候选文本信息进行筛选，得到所述线上文本信息。
可选的，所述第二获取模块202还用于获取游客用电量影响因素；对所述游客用电量影响因素进行主成分分析，得到关键影响因素；
对所述关键影响因素进行语义扩展，得到所述第二关键词。
可选的，所述预测模块203还有于对所述线上文本信息进行特征提取，得到所述线上文本信息的意向人数分布特征；对所述线下预约信息进行时序特征提取，得到预约人数分布特征；对所述历史用电数据进行时序特征提取，得到历史用电数据分布特征，所述意向人数分布特征、所述预约人数分布特征以及所述历史用电数据分布特征具有相同的特征维度；根据所述意向人数分布特征、所述预约人数分布特征以及所述历史用电数据分布特征，对所述目标区域在所述下一购电时段进行用电量预测，得到所述目标区域在所述下一购电时段的用电量预测结果。
可选的，所述预测模块203还用于对所述线上文本信息进行情感语义特征提取，得到所述线上文本信息的情感语义特征；对所述情感语义特征进行负向情感过滤，得到正向情感语义特征；根据所述正向情感语义特征，得到所述意向人数分布特征。
可选的，所述预测模块203还用于将所述意向人数分布特征、预约人数分布特征以及所述历史用电数据分布特征在通道层面上进行特征融合，得到融合特征；将所述融合特征输入到训练好的预测网络中进行预测处理，得到所述目标区域的用电量预测结果。
可选的，所述处理模块204还用于获取所述目标区域相邻的周边区域对应的所述用电量预测结果；根据所述周边区域的产业分布信息，计算所述周边区域对所述目标区域的旅游产业支持度；根据所述旅游产业支持度，分别对所述目标区域以及所述周边区域对应的所述用电量预测结果进行调整，得到所述目标区域的预测购电量。
需要说明的是，本发明实施例提供的商业旅游区购电量预测装置可以应用于可以进行购电量预测的智能手机、电脑、服务器等设备。
本发明实施例提供的商业旅游区购电量预测装置能够实现上述方法实施例中商业旅游区购电量预测方法实现的各个过程，且可以达到相同的有益效果。为避免重复，这里不再赘述。
参见图3，图3是本发明实施例提供的一种电子设备的结构示意图，如图3所示，包括：存储器302、处理器301及存储在所述存储器302上并可在所述处理器301上运行的商业旅游区购电量预测方法的计算机程序，其中：
处理器301用于调用存储器302存储的计算机程序，执行如下步骤：
获取目标区域的历史用电数据，所述目标区域为商业旅游区；
获取所述目标区域在下一购电时段前的线上文本信息，以及获取所述目标区域在所述下一购电时段的线下预约信息；
根据所述线上文本信息、所述线下预约信息以及所述历史用电数据，对所述目标区域在所述下一购电时段进行用电量预测，得到所述目标区域在所述下一购电时段的用电量预测结果；
基于所述用电量预测结果得到所述目标区域在所述下一购电时段的预测购电量。
可选的，处理器301执行的所述获取所述目标区域在下一购电时段前的线上文本信息的步骤包括：
获取所述目标区域的第一关键词和第二关键词，所述第一关键词通过所述目标区域的地名进行确定，所述第二关键词根据游客用电量影响因素进行确定；
根据所述第一关键词，通过线上渠道获取所述目标区域在下一购电时段前的候选文本信息；
根据所述第二关键词对所述候选文本信息进行筛选，得到所述线上文本信息。
可选的，处理器301执行的所述第二关键词的获取步骤包括：
获取游客用电量影响因素；
对所述游客用电量影响因素进行主成分分析，得到关键影响因素；
对所述关键影响因素进行语义扩展，得到所述第二关键词。
可选的，处理器301执行的所述根据所述线上文本信息、所述线下预约信息以及所述历史用电数据，对所述目标区域在所述下一购电时段进行用电量预测，得到所述目标区域在所述下一购电时段的用电量预测结果的步骤包括：
对所述线上文本信息进行特征提取，得到所述线上文本信息的意向人数分布特征；
对所述线下预约信息进行时序特征提取，得到预约人数分布特征；
对所述历史用电数据进行时序特征提取，得到历史用电数据分布特征，所述意向人数分布特征、所述预约人数分布特征以及所述历史用电数据分布特征具有相同的特征维度；
根据所述意向人数分布特征、所述预约人数分布特征以及所述历史用电数据分布特征，对所述目标区域在所述下一购电时段进行用电量预测，得到所述目标区域在所述下一购电时段的用电量预测结果。
可选的，处理器301执行的所述对所述线上文本信息进行特征提取，得到所述线上文本信息的意向人数分布特征的步骤包括：
对所述线上文本信息进行情感语义特征提取，得到所述线上文本信息的情感语义特征；
对所述情感语义特征进行负向情感过滤，得到正向情感语义特征；
根据所述正向情感语义特征，得到所述意向人数分布特征。
可选的，处理器301执行的所述根据所述意向人数分布特征、所述预约人数分布特征以及所述历史用电数据分布特征，对所述目标区域在所述下一购电时段进行用电量预测，得到所述目标区域在所述下一购电时段的用电量预测结果的步骤包括：
将所述意向人数分布特征、预约人数分布特征以及所述历史用电数据分布特征在通道层面上进行特征融合，得到融合特征；
将所述融合特征输入到训练好的预测网络中进行预测处理，得到所述目标区域的用电量预测结果。
可选的，处理器301执行的所述基于所述用电量预测结果得到所述目标区域在所述下一购电时段的预测购电量的步骤包括：
获取所述目标区域相邻的周边区域对应的所述用电量预测结果；
根据所述周边区域的产业分布信息，计算所述周边区域对所述目标区域的旅游产业支持度；
根据所述旅游产业支持度，分别对所述目标区域以及所述周边区域对应的所述用电量预测结果进行调整，得到所述目标区域的预测购电量。
本发明实施例提供的电子设备能够实现上述方法实施例中商业旅游区购电量预测方法实现的各个过程，且可以达到相同的有益效果。为避免重复，这里不再赘述。
本发明实施例还提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现本发明实施例提供的商业旅游区购电量预测方法或应用端商业旅游区购电量预测方法的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
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，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体（Read-Only Memory，ROM）或随机存取存储器（Random AccessMemory，简称RAM）等。
以上所揭露的仅为本发明较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。
Claims (10)
1.一种商业旅游区购电量预测方法，其特征在于，包括以下步骤：
获取目标区域的历史用电数据，所述目标区域为商业旅游区；
获取所述目标区域在下一购电时段前的线上文本信息，以及获取所述目标区域在所述下一购电时段的线下预约信息；
根据所述线上文本信息、所述线下预约信息以及所述历史用电数据，对所述目标区域在所述下一购电时段进行用电量预测，得到所述目标区域在所述下一购电时段的用电量预测结果；
基于所述用电量预测结果得到所述目标区域在所述下一购电时段的预测购电量。
2.如权利要求1所述的商业旅游区购电量预测方法，其特征在于，所述获取所述目标区域在下一购电时段前的线上文本信息的步骤包括：
获取所述目标区域的第一关键词和第二关键词，所述第一关键词通过所述目标区域的地名进行确定，所述第二关键词根据游客用电量影响因素进行确定；
根据所述第一关键词，通过线上渠道获取所述目标区域在下一购电时段前的候选文本信息；
根据所述第二关键词对所述候选文本信息进行筛选，得到所述线上文本信息。
3.如权利要求2所述的商业旅游区购电量预测方法，其特征在于，所述第二关键词的获取步骤包括：
获取游客用电量影响因素；
对所述游客用电量影响因素进行主成分分析，得到关键影响因素；
对所述关键影响因素进行语义扩展，得到所述第二关键词。
4.如权利要求3所述的商业旅游区购电量预测方法，其特征在于，所述根据所述线上文本信息、所述线下预约信息以及所述历史用电数据，对所述目标区域在所述下一购电时段进行用电量预测，得到所述目标区域在所述下一购电时段的用电量预测结果的步骤包括：
对所述线上文本信息进行特征提取，得到所述线上文本信息的意向人数分布特征；
对所述线下预约信息进行时序特征提取，得到预约人数分布特征；
对所述历史用电数据进行时序特征提取，得到历史用电数据分布特征，所述意向人数分布特征、所述预约人数分布特征以及所述历史用电数据分布特征具有相同的特征维度；
根据所述意向人数分布特征、所述预约人数分布特征以及所述历史用电数据分布特征，对所述目标区域在所述下一购电时段进行用电量预测，得到所述目标区域在所述下一购电时段的用电量预测结果。
5.如权利要求4所述的商业旅游区购电量预测方法，其特征在于，所述对所述线上文本信息进行特征提取，得到所述线上文本信息的意向人数分布特征的步骤包括：
对所述线上文本信息进行情感语义特征提取，得到所述线上文本信息的情感语义特征；
对所述情感语义特征进行负向情感过滤，得到正向情感语义特征；
根据所述正向情感语义特征，得到所述意向人数分布特征。
6.如权利要求5所述的商业旅游区购电量预测方法，其特征在于，所述根据所述意向人数分布特征、所述预约人数分布特征以及所述历史用电数据分布特征，对所述目标区域在所述下一购电时段进行用电量预测，得到所述目标区域在所述下一购电时段的用电量预测结果的步骤包括：
将所述意向人数分布特征、所述预约人数分布特征以及所述历史用电数据分布特征在通道层面上进行特征融合，得到融合特征；
将所述融合特征输入到训练好的预测网络中进行预测处理，得到所述目标区域的用电量预测结果。
7.如权利要求6所述的商业旅游区购电量预测方法，其特征在于，所述基于所述用电量预测结果得到所述目标区域在所述下一购电时段的预测购电量的步骤包括：
获取所述目标区域相邻的周边区域对应的所述用电量预测结果；
根据所述周边区域的产业分布信息，计算所述周边区域对所述目标区域的旅游产业支持度；
根据所述旅游产业支持度，分别对所述目标区域以及所述周边区域对应的所述用电量预测结果进行调整，得到所述目标区域的预测购电量。
8.一种商业旅游区购电量预测装置，其特征在于，所述装置包括：
第一获取模块，用于获取目标区域的历史用电数据，所述目标区域为商业旅游区；
第二获取模块，用于获取所述目标区域在下一购电时段前的线上文本信息，以及获取所述目标区域在所述下一购电时段的线下预约信息；
预测模块，用于根据所述线上文本信息、所述线下预约信息以及所述历史用电数据，对所述目标区域在所述下一购电时段进行用电量预测，得到所述目标区域在所述下一购电时段的用电量预测结果；
处理模块，用于基于所述用电量预测结果得到所述目标区域在所述下一购电时段的预测购电量。
9.一种电子设备，其特征在于，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述的商业旅游区购电量预测方法中的步骤。
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7中任一项所述的商业旅游区购电量预测方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210588977.4A CN114676940B (zh) | 2022-05-27 | 2022-05-27 | 商业旅游区购电量预测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210588977.4A CN114676940B (zh) | 2022-05-27 | 2022-05-27 | 商业旅游区购电量预测方法、装置、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114676940A true CN114676940A (zh) | 2022-06-28 |
| CN114676940B CN114676940B (zh) | 2022-08-26 |
Family
ID=82079593
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210588977.4A Active CN114676940B (zh) | 2022-05-27 | 2022-05-27 | 商业旅游区购电量预测方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114676940B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116029480A (zh) * | 2023-03-28 | 2023-04-28 | 广东电网有限责任公司 | 代理购电测算方法及其系统 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105023092A (zh) * | 2015-06-24 | 2015-11-04 | 国网山东省电力公司电力科学研究院 | 一种基于电量特性分析的用电负荷监测方法 |
| CN108491981A (zh) * | 2018-04-04 | 2018-09-04 | 国网安徽省电力公司黄山供电公司 | 一种提升景区饱和负荷预测精度的负荷预测方法 |
| CN109740787A (zh) * | 2018-11-20 | 2019-05-10 | 第四范式（北京）技术有限公司 | 训练建筑物空调负荷预测模型及用其预测的方法和装置 |
| CN109840272A (zh) * | 2018-12-19 | 2019-06-04 | 东南大学 | 一种共享电动汽车站点用户需求预测方法 |
| CN111062536A (zh) * | 2019-12-17 | 2020-04-24 | 朱玲 | 基于大数据的中央空调负荷预测系统及方法 |
| JP2020190767A (ja) * | 2019-05-17 | 2020-11-26 | 大崎電気工業株式会社 | 対象施設の電力需要予測装置 |
| CN113435923A (zh) * | 2021-06-15 | 2021-09-24 | 北京百度网讯科技有限公司 | 用电量的预测方法、装置及电子设备 |
| CN113962477A (zh) * | 2021-11-10 | 2022-01-21 | 国网浙江省电力有限公司杭州供电公司 | 一种产业电量关联聚集预测方法、装置、设备及存储介质 |
| CN114281960A (zh) * | 2021-11-11 | 2022-04-05 | 国网江苏省电力有限公司连云港供电分公司 | 一种电力需求侧语音交互方法和系统 |
| CN114462683A (zh) * | 2022-01-11 | 2022-05-10 | 浙江大学 | 基于联邦学习的云边协同多居民区负荷预测方法 |
-
2022
- 2022-05-27 CN CN202210588977.4A patent/CN114676940B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105023092A (zh) * | 2015-06-24 | 2015-11-04 | 国网山东省电力公司电力科学研究院 | 一种基于电量特性分析的用电负荷监测方法 |
| CN108491981A (zh) * | 2018-04-04 | 2018-09-04 | 国网安徽省电力公司黄山供电公司 | 一种提升景区饱和负荷预测精度的负荷预测方法 |
| CN109740787A (zh) * | 2018-11-20 | 2019-05-10 | 第四范式（北京）技术有限公司 | 训练建筑物空调负荷预测模型及用其预测的方法和装置 |
| CN109840272A (zh) * | 2018-12-19 | 2019-06-04 | 东南大学 | 一种共享电动汽车站点用户需求预测方法 |
| JP2020190767A (ja) * | 2019-05-17 | 2020-11-26 | 大崎電気工業株式会社 | 対象施設の電力需要予測装置 |
| CN111062536A (zh) * | 2019-12-17 | 2020-04-24 | 朱玲 | 基于大数据的中央空调负荷预测系统及方法 |
| CN113435923A (zh) * | 2021-06-15 | 2021-09-24 | 北京百度网讯科技有限公司 | 用电量的预测方法、装置及电子设备 |
| CN113962477A (zh) * | 2021-11-10 | 2022-01-21 | 国网浙江省电力有限公司杭州供电公司 | 一种产业电量关联聚集预测方法、装置、设备及存储介质 |
| CN114281960A (zh) * | 2021-11-11 | 2022-04-05 | 国网江苏省电力有限公司连云港供电分公司 | 一种电力需求侧语音交互方法和系统 |
| CN114462683A (zh) * | 2022-01-11 | 2022-05-10 | 浙江大学 | 基于联邦学习的云边协同多居民区负荷预测方法 |
Non-Patent Citations (5)
| Title |
|---|
| SUBHRA J. SARKAR等: ""A proposed method of load scheduling and generation control using GSM and PLCC technology"", 《MICHAEL FARADAY IET INTERNATIONAL SUMMIT 2015》 * |
| ZHAO HUA: ""A Study on the Management Model of Smart Tourism Industry under the Era of Big Data"", 《ICISS "18: PROCEEDINGS OF THE 2018 INTERNATIONAL CONFERENCE ON INFORMATION SCIENCE AND SYSTEM》 * |
| 吴金蔚: ""大数据技术在用电需求分析中的应用研究"", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 * |
| 曹娜等: ""考虑城市多场景和用户充电意愿的私家电动汽车"", 《电测与仪表》 * |
| 麦霭庭: ""大数据驱动的供电企业决策分析体系"", 《企业技术开发》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116029480A (zh) * | 2023-03-28 | 2023-04-28 | 广东电网有限责任公司 | 代理购电测算方法及其系统 |
| CN116029480B (zh) * | 2023-03-28 | 2023-07-14 | 广东电网有限责任公司 | 代理购电测算方法及其系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114676940B (zh) | 2022-08-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113626719B (zh) | 信息推荐方法、装置、设备、存储介质及计算机程序产品 | |
| Smetanin | The applications of sentiment analysis for Russian language texts: Current challenges and future perspectives | |
| Zhang et al. | Daily-aware personalized recommendation based on feature-level time series analysis | |
| CN111246256A (zh) | 基于多模态视频内容和多任务学习的视频推荐方法 | |
| CN110287461A (zh) | 文本转换方法、装置及存储介质 | |
| CN108446944B (zh) | 一种常驻城市的确定方法、装置及电子设备 | |
| Alexandrova | Connecting economic models to the real world: Game theory and the FCC spectrum auctions | |
| CN106339510A (zh) | 基于人工智能的点击预估方法及装置 | |
| CN108062366B (zh) | 公共文化信息推荐系统 | |
| CN107562836A (zh) | 基于主题模型和机器学习的回答者推荐方法 | |
| Gong et al. | District heating systems load forecasting: a deep neural networks model based on similar day approach | |
| CN110532469B (zh) | 一种信息推荐方法、装置、设备及存储介质 | |
| CN114676940B (zh) | 商业旅游区购电量预测方法、装置、电子设备及存储介质 | |
| Wu et al. | Probing task-oriented dialogue representation from language models | |
| Cui et al. | Modelling customer online behaviours with neural networks: applications to conversion prediction and advertising retargeting | |
| CN113469752A (zh) | 内容推荐方法、装置、存储介质及电子设备 | |
| Hegde et al. | Price prediction of agriculture commodities using machine learning and NLP | |
| Dabreo et al. | Real estate price prediction | |
| Peña et al. | Rural lodging establishments: effects of location and internal resources and characteristics on room rates | |
| Song et al. | Demystifying the nexus between social media usage and overtourism: evidence from Hangzhou, China | |
| Cui et al. | Spatial–temporal dynamics and determinants of creative class concentration—A study on urban agglomerations in China | |
| Zhou et al. | Learning with self-attention for rental market spatial dynamics in the Atlanta metropolitan area | |
| Sato | Applied data-centric social sciences | |
| Skidmore et al. | Is local government spending converging? | |
| KR20230138605A (ko) | 사용자에 대한 관광 큐레이션 서비스 제공 시스템 및 방법 |
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 |