CN115392371A - 基于Boosting和多预测器融合的列车牵引能耗异常检测方法 - Google Patents
基于Boosting和多预测器融合的列车牵引能耗异常检测方法 Download PDFInfo
- Publication number
- CN115392371A CN115392371A CN202211019980.0A CN202211019980A CN115392371A CN 115392371 A CN115392371 A CN 115392371A CN 202211019980 A CN202211019980 A CN 202211019980A CN 115392371 A CN115392371 A CN 115392371A
- Authority
- CN
- China
- Prior art keywords
- predictor
- energy consumption
- train
- model
- time sequence
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000005265 energy consumption Methods 0.000 title claims abstract description 59
- 230000004927 fusion Effects 0.000 title claims abstract description 42
- 238000001514 detection method Methods 0.000 title description 8
- 238000000034 method Methods 0.000 claims abstract description 30
- 230000002159 abnormal effect Effects 0.000 claims abstract description 29
- 238000012545 processing Methods 0.000 claims abstract description 12
- 238000011160 research Methods 0.000 claims description 9
- 238000011156 evaluation Methods 0.000 claims description 8
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 claims description 8
- 230000005856 abnormality Effects 0.000 claims description 5
- 230000001932 seasonal effect Effects 0.000 claims description 5
- 230000011218 segmentation Effects 0.000 claims description 5
- 238000005314 correlation function Methods 0.000 claims description 4
- 238000013461 design Methods 0.000 claims description 3
- 238000012886 linear function Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 10
- 230000008569 process Effects 0.000 description 6
- 238000005311 autocorrelation function Methods 0.000 description 4
- 238000004134 energy conservation Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B61—RAILWAYS
- B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
- B61L27/00—Central railway traffic control systems; Trackside control; Communication systems specially adapted therefor
- B61L27/50—Trackside diagnosis or maintenance, e.g. software upgrades
- B61L27/57—Trackside diagnosis or maintenance, e.g. software upgrades for vehicles or trains, e.g. trackside supervision of train conditions
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
- G07C5/0808—Diagnosing performance data
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
- G07C5/0841—Registering performance data
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Mechanical Engineering (AREA)
- Train Traffic Observation, Control, And Security (AREA)
Abstract
本发明提供了一种基于Boosting和多预测器融合的列车牵引能耗异常检测方法。该方法包括：处理秒级累计的列车牵引能耗数据，形成日、周、月和年时间尺度的时序数据集；构建多种时间序列预测器，对每种时间序列预测器进行校验验证，采用Boosting算法调整各时间序列预测器的预测结果权重，形成多预测器融合模型；将待分析列车的秒级累计的列车牵引能耗数据输入到所述多预测器融合模型，根据所述多预测器融合模型的输出值判断所述待分析列车的牵引能耗状态。本发明提出的异常判断基础依托于多种时间序列预测模型及Boosting算法优化权重，所得预测值经加权及校验，符合工程现场实际能耗水平，同时便于工作人员理解使用。
Description
技术领域
本发明涉及列车能耗控制技术领域，尤其涉及一种基于Boosting和多预测器融合的列车牵引能耗异常检测方法。
背景技术
近年来，城轨系统线网规模和客运量持续增长，总体能耗不断上升，通过牵引能耗异常分析避免不必要的能量损失是实现节能减排新的途径。因此如何及时高效地发现并定位列车的能耗异常，以提高列车能耗的管理水平，实现节约能源，降低成本，成为城市轨道交通相关运营单位和众多学者关注的重点。
目前，现有技术中的列车牵引能耗异常检测方法包括：采用定期人工抄录变电所电表和车载TMS(Train Management System,铁路管理系统)数据，结合单耗阈值判断异常。采用特征标签数据结合机器学习算法，获得能耗预测值作为异常判断依据。
上述现有技术中的列车牵引能耗异常检测方法的缺点为：单耗指标和阈值法未能充分利用列车运行过程中记录的数据，单一阈值无法具有针对性的判定异常，漏报误报现象较多。将机器学习算法应用于城轨牵引能耗异常分析，解释性不佳。
因此，能否建立一种充分应用列车运行数据，评估角度更加全面的列车牵引能耗值异常分析框架及方法，是当前需要解决的问题。
发明内容
本发明的实施例提供了一种基于Boosting和多预测器融合的列车牵引能耗异常检测方法，以实现对列车牵引能耗进行有效的异常检测。
为了实现上述目的，本发明采取了如下技术方案。
一种基于Boosting和多预测器融合的列车牵引能耗异常检测方法，包括：
处理秒级累计的列车牵引能耗数据，形成日、周、月和年时间尺度的时序数据集；
构建多种时间序列预测器，对每种时间序列预测器进行校验验证，采用Boosting算法调整各时间序列预测器的预测结果权重，形成多预测器融合模型；
将待分析列车的秒级累计的列车牵引能耗数据输入到所述多预测器融合模型，根据所述多预测器融合模型的输出值判断所述待分析列车的牵引能耗状态。
优选地，所述的处理秒级累计的列车牵引能耗数据，形成日、周、月和年时间尺度的时序数据集，包括：
梳理城轨系统从宏观到微观所包含的用电对象，该用电对象包括线路、列车和牵引辅助用电单元三级研究对象；
针对所述三级研究对象，对原始秒级累计的列车牵引能耗数据作差处理，分别得到日度时间序列数据vd、周度时间序列数据vw、月度时间序列数据vm和年度时间序列数据vy。
优选地，所述的构建多种时间序列预测器，包括：
构建ARIMA模型，验证时间序列稳定性，偏相关函数截尾拖尾情况选取模型阶数，验证ARIMA模型的拟合残差，输出预测结果；
选择多项式阶数，构建多项式拟合模型，验证多项式拟合模型的拟合结果，优化多项式拟合模型；
将时间序列分解为季节性、趋势项和节假日项，构建Prophet预测模型，选择分段点采用分段线性函数拟合趋势项，采用傅里叶级数拟合季节项，根据时间序列尺度添加节假日项，整合各分项模型并校验得到Prophet时间序列预测模型。
优选地，所述的对每种时间序列预测器进行校验验证，采用Boosting算法调整各时间序列预测器的预测结果权重，形成多预测器融合模型，包括：
对单一时间序列预测器进行校验验证，对比分析各单一时间序列预测器的预测输出结果；
以日度序列数据vd为例，设定相同初始权重
其中n为样本数量；
基于Boosting算法定义的预测器为km(xi),各个预测器的权重为αm，得到多预测器融合模型Cm(xi)，Cm-1(xi)＝α1k1(xi)+α2k2(xi)+…+αm-1km-1(xi)；
计算训练数据集上的最大误差：Em＝max|yi-km(xi)|，数据集为{(x1，y1)，(x2，y2)，...(xN，yN)，}；再计算每个样本的相对误差，
进而计算回归误差率，
其中w为样本，再计算弱预测器的权重，
最后更新样本权重分布，
融合各时间序列预测器得到多时间序列预测器的输出，形成多预测器融合模型。
优选地，所述的将待分析列车的秒级累计的列车牵引能耗数据输入到所述多预测器融合模型，根据所述多预测器融合模型的输出值判断所述待分析列车的牵引能耗状态，包括：
设计异常程度评价函数scoreu＝qa+5qb+10qc+20qd，式中a、b、c、d分别表示线路实际单耗偏离单耗典型值小于5％、大于5％小于10％、大于10％小于20％和超过20％的周数，a+b+c+d＝7，q为a、b、c、d的权重值；
将待分析列车的秒级累计的列车牵引能耗数据输入到所述多预测器融合模型，根据单位统计期内多预测器融合模型的输出值计算出单位统计期内的异常程度评价函数值scoreu，将异常程度评价函数值scoreu与设定的阈值μd进行比较，如果异常程度评价函数值scoreu＞μd，则判断所述待分析列车的牵引能耗异常；否则，判断所述待分析列车的牵引能耗正常。
由上述本发明的实施例提供的技术方案可以看出，本发明的方法能够对城轨列牵引能耗水平有效评估并进行初步异常检测，为推进能源优化提供参考意见。
本发明附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例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为本发明实施例提供的一种基于Boosting和多预测器融合的列车牵引能耗异常检测方法的处理流程图；
图2为本发明实施例提供的一种Boosting算法的流程图。
具体实施方式
下面详细描述本发明的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。
本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的任一单元和全部组合。
本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。
为便于对本发明实施例的理解，下面将结合附图以几个具体实施例为例做进一步的解释说明，且各个实施例并不构成对本发明实施例的限定。
本发明提出了一种基于Boosting和多预测器融合的列车牵引能耗异常检测方法，实现了对城轨系统各级研究对象在不同时间尺度下正常运行状态的准确描述，所提异常检测方法兼具阈值法的解释性和预测算法的精度。
本发明实施例提供的一种基于Boosting和多预测器融合的列车牵引能耗异常检测方法的处理流程如图1所示，包括如下的处理步骤：
步骤1：处理秒级累计的列车牵引能耗数据，形成日、周、月和年等时间尺度的时序数据集。
步骤2：构建ARIMA(Autoregressive Integrated Moving Average model，差分整合移动平均自回归模型)、多项式拟合和Prophet等多种时间序列预测器。
步骤3：对单一时间序列预测器进行校验验证，采用Boosting算法调整各时间序列预测器的预测结果权重，形成多预测器融合模型。
步骤4：以多预测器融合模型的输出值作为列车牵引能耗的异常判断依据，结合阈值设计异常程度评价函数，达到一定异常分值的定义为异常能耗。
所述步骤1的操作过程如下：
步骤101：梳理城轨系统从宏观到微观所包含的用电对象，该用电对象包括线路、列车和牵引辅助用电单元等三级研究对象。
步骤102：针对三级研究对象，对原始秒级累计的牵引能耗数据作差处理，分别得到日度、周度、月度、年度时间序列数据vd，vw，vm，vy。
所述步骤2的操作过程如下：
步骤201：构建ARIMA模型，验证时间序列稳定性。
步骤202：偏相关函数截尾拖尾情况选取模型阶数。计算自相关函数(Autocorrelation Function，ACF)与偏自相关函数(Partial AutocorrelationFunction，PACF)，并绘制相关函数图，根据ACF与PACF图的截尾、拖尾性质确定AR模型的阶数p与MA模型的阶数q。
步骤203：验证ARIMA模型的拟合残差，输出预测结果。
步骤204：选择多项式阶数，构建多项式拟合模型。
步骤205：验证多项式拟合模型的拟合结果，优化模型。
步骤206：将时间序列分解为季节性、趋势项和节假日项，构建Prophet预测模型。
步骤207：选择分段点采用分段线性函数拟合趋势项。采用傅里叶级数拟合季节项，根据时间序列尺度添加节假日项。
步骤208：整合各分项模型并校验得到Prophet时间序列预测模型。
所述步骤3的操作过程如下：
步骤301：对单一时间序列预测器进行校验验证，对比分析各单一时间序列预测器的预测输出结果。
步骤302：以日度序列数据vd为例，设定相同初始权重
其中n为样本数量。
步骤303：图2为本发明实施例提供的一种Boosting算法的流程图。基于Boosting算法定义的预测器为km(xi),各个预测器的权重为αm，最终得到多预测器融合模型Cm(xi)。其中，Cm-1(xi)＝α1k1(xi)+α2k2(xi)+…+αm-1km-1(xi)。ARIMA、多项式拟合和Prophet等单一时间序列预测器分别为Boosting算法中定义的弱预测器。
步骤304：为计算各时间序列预测器的输出值与实际值之间的偏差，首先计算训练数据集上的最大误差：Em＝max|yi-km(xi)|，数据集为{(x1，y1)，(x2，y2)，...(xN，yN)，}；再计算每个样本的相对误差，
进而计算回归误差率，
其中w为样本。再计算弱预测器的权重，
最后更新样本权重分布，
最终融合各时间序列预测器得到多时间序列预测器的输出，形成多预测器融合模型，将该多预测器融合模型作为对应时间尺度下异常判断依据。
所述步骤4的操作过程如下：
步骤401：设计异常程度评价函数scoreu＝qa+5qb+10qc+20qd，式中a、b、c、d分别表示线路实际单耗偏离单耗典型值小于5％、大于5％小于10％、大于10％小于20％和超过20％的周数(a+b+c+d＝7)，q为a、b、c、d的权重值。以单位统计期内超过阈值的幅度及次数，评价异常程度。
步骤402：将待分析列车的秒级累计的列车牵引能耗数据输入到上述多预测器融合模型，以多预测器融合模型的输出值作为列车牵引能耗的异常判断依据，对研究对象能耗水平进行评估。根据单位统计期内多预测器融合模型的输出值计算出单位统计期内的异常程度评价函数值scoreu，将异常程度评价函数值scoreu与设定的阈值μd进行比较，如果异常程度评价函数值scoreu＞μd，则判断上述待分析列车的牵引能耗异常；否则，判断上述待分析列车的牵引能耗正常。
综上所述，本发明实施例的基于Boosting和多预测器融合的列车牵引能耗异常检测方法的有益效果如下：
以列车牵引能耗为基础，深化分析层次，从各类研究对象角度评估能耗水平，提高了分析广度和精度，为异常溯源提供合理机制。
本发明提出的异常判断基础依托于多种时间序列预测模型及Boosting算法优化权重，所得预测值经加权及校验，符合工程现场实际能耗水平，同时便于工作人员理解使用。
本领域普通技术人员可以理解：附图只是一个实施例的示意图，附图中的模块或流程并不一定是实施本发明所必须的。
通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置或系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的装置及系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
以上所述，仅为本发明较佳的具体实施方式，但本发明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发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。
Claims (5)
1.一种基于Boosting和多预测器融合的列车牵引能耗异常检测方法，其特征在于，包括：
处理秒级累计的列车牵引能耗数据，形成日、周、月和年时间尺度的时序数据集；
构建多种时间序列预测器，对每种时间序列预测器进行校验验证，采用Boosting算法调整各时间序列预测器的预测结果权重，形成多预测器融合模型；
将待分析列车的秒级累计的列车牵引能耗数据输入到所述多预测器融合模型，根据所述多预测器融合模型的输出值判断所述待分析列车的牵引能耗状态。
2.根据权利要求1所述的方法，其特征在于，所述的处理秒级累计的列车牵引能耗数据，形成日、周、月和年时间尺度的时序数据集，包括：
梳理城轨系统从宏观到微观所包含的用电对象，该用电对象包括线路、列车和牵引辅助用电单元三级研究对象；
针对所述三级研究对象，对原始秒级累计的列车牵引能耗数据作差处理，分别得到日度时间序列数据vd、周度时间序列数据vw、月度时间序列数据vm和年度时间序列数据vy。
3.根据权利要求1所述的方法，其特征在于，所述的构建多种时间序列预测器，包括：
构建ARIMA模型，验证时间序列稳定性，偏相关函数截尾拖尾情况选取模型阶数，验证ARIMA模型的拟合残差，输出预测结果；
选择多项式阶数，构建多项式拟合模型，验证多项式拟合模型的拟合结果，优化多项式拟合模型；
将时间序列分解为季节性、趋势项和节假日项，构建Prophet预测模型，选择分段点采用分段线性函数拟合趋势项，采用傅里叶级数拟合季节项，根据时间序列尺度添加节假日项，整合各分项模型并校验得到Prophet时间序列预测模型。
4.根据权利要求1或者2或者3所述的方法，其特征在于，所述的对每种时间序列预测器进行校验验证，采用Boosting算法调整各时间序列预测器的预测结果权重，形成多预测器融合模型，包括：
对单一时间序列预测器进行校验验证，对比分析各单一时间序列预测器的预测输出结果；
以日度序列数据vd为例，设定相同初始权重
其中n为样本数量；
基于Boosting算法定义的预测器为km(xi),各个预测器的权重为αm，得到多预测器融合模型Cm(xi)，Cm-1(xi)＝α1k1(xi)+α2k2(xi)+…+αm-1km-1(xi)；
计算训练数据集上的最大误差：Em＝max|yi-km(xi)|，数据集为{(x1，y1)，(x2，y2)，...(xN，yN)，}；再计算每个样本的相对误差，
进而计算回归误差率，
其中w为样本，再计算弱预测器的权重，
最后更新样本权重分布，
融合各时间序列预测器得到多时间序列预测器的输出，形成多预测器融合模型。
5.根据权利要求4所述的方法，其特征在于，所述的将待分析列车的秒级累计的列车牵引能耗数据输入到所述多预测器融合模型，根据所述多预测器融合模型的输出值判断所述待分析列车的牵引能耗状态，包括：
设计异常程度评价函数scoreu＝qa+5qb+10qc+20qd，式中a、b、c、d分别表示线路实际单耗偏离单耗典型值小于5％、大于5％小于10％、大于10％小于20％和超过20％的周数，a+b+c+d＝7，q为a、b、c、d的权重值；
将待分析列车的秒级累计的列车牵引能耗数据输入到所述多预测器融合模型，根据单位统计期内多预测器融合模型的输出值计算出单位统计期内的异常程度评价函数值scoreu，将异常程度评价函数值scoreu与设定的阈值μd进行比较，如果异常程度评价函数值scoreu＞μd，则判断所述待分析列车的牵引能耗异常；否则，判断所述待分析列车的牵引能耗正常。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211019980.0A CN115392371A (zh) | 2022-08-24 | 2022-08-24 | 基于Boosting和多预测器融合的列车牵引能耗异常检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211019980.0A CN115392371A (zh) | 2022-08-24 | 2022-08-24 | 基于Boosting和多预测器融合的列车牵引能耗异常检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115392371A true CN115392371A (zh) | 2022-11-25 |
Family
ID=84122885
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211019980.0A Pending CN115392371A (zh) | 2022-08-24 | 2022-08-24 | 基于Boosting和多预测器融合的列车牵引能耗异常检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115392371A (zh) |
-
2022
- 2022-08-24 CN CN202211019980.0A patent/CN115392371A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104834983B (zh) | 业务数据处理方法及装置 | |
| Yang et al. | A novel method for maintenance record clustering and its application to a case study of maintenance optimization | |
| CN104778622A (zh) | Tps交易事件阈值的预测方法及预测系统 | |
| Ilbeigi et al. | Statistical forecasting of bridge deterioration conditions | |
| Chen et al. | Forecasting financial crises for an enterprise by using the Grey Markov forecasting model | |
| CN112668822B (zh) | 科技成果转化平台共享系统、方法、存储介质、手机app | |
| CN114048436A (zh) | 一种预测企业财务数据模型构建方法及构建装置 | |
| WO2017071369A1 (zh) | 一种预测用户离网的方法和设备 | |
| CN111178585A (zh) | 基于多算法模型融合的故障接报量预测方法 | |
| CN113159461A (zh) | 基于样本迁移学习的中小微企业信用评价方法 | |
| CN111786385A (zh) | 一种电网运维方案规划方法、系统及设备 | |
| CN112488496A (zh) | 一种财务指标预测方法及装置 | |
| CN115034485A (zh) | 一种基于数据空间的风电功率区间预测方法及装置 | |
| CN116933946A (zh) | 一种基于客流去向结构的轨道交通od客流预测方法及系统 | |
| CN107194536A (zh) | 一种项目投资的供电可靠性负效益评估方法及装置 | |
| CN109829115B (zh) | 搜索引擎关键词优化方法 | |
| CN115511230B (zh) | 一种电能替代潜力分析预测方法 | |
| CN115392371A (zh) | 基于Boosting和多预测器融合的列车牵引能耗异常检测方法 | |
| CN115345379A (zh) | 一种变电设备运维辅助决策方法 | |
| CN104331775A (zh) | 一种计量资产全寿命周期质量分析方法 | |
| CN114707284A (zh) | 一种高速铁路区段通过能力仿真计算系统 | |
| CN114155072A (zh) | 基于大数据分析的财务预测模型构建方法及系统 | |
| CN114298413A (zh) | 一种水电机组振摆趋势预测方法 | |
| Yang et al. | BIC-based data-driven rail track deterioration adaptive piecewise modeling framework | |
| CN111160419A (zh) | 一种基于深度学习的电子式互感器数据分类预测方法及装置 |
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 |