CN116341770A - 基于聚苯乙烯生产数据的生产能力预测方法及系统 - Google Patents

基于聚苯乙烯生产数据的生产能力预测方法及系统 Download PDF

Info

Publication number
CN116341770A
CN116341770A CN202310618752.3A CN202310618752A CN116341770A CN 116341770 A CN116341770 A CN 116341770A CN 202310618752 A CN202310618752 A CN 202310618752A CN 116341770 A CN116341770 A CN 116341770A
Authority
CN
China
Prior art keywords
data
windows
window
similarity
polystyrene
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
Application number
CN202310618752.3A
Other languages
English (en)
Other versions
CN116341770B (zh
Inventor
华啸威
吴钧
龚官浩
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.)
Wuxi Xingda Foam Plastic New Materials Co ltd
Original Assignee
Wuxi Xingda Foam Plastic New Materials 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 Wuxi Xingda Foam Plastic New Materials Co ltd filed Critical Wuxi Xingda Foam Plastic New Materials Co ltd
Priority to CN202310618752.3A priority Critical patent/CN116341770B/zh
Publication of CN116341770A publication Critical patent/CN116341770A/zh
Application granted granted Critical
Publication of CN116341770B publication Critical patent/CN116341770B/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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • G06Q50/04—Manufacturing
    • 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
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Manufacturing & Machinery (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Development Economics (AREA)
  • Quality & Reliability (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及电子数据处理技术领域，具体涉及基于聚苯乙烯生产数据的生产能力预测方法及系统，包括：数据采集，设定数据窗口长度，根据不同窗口中二维时序数据的二维数据差异得到不同窗口中数据点初始距离，通过窗口中二维数据之间趋势相关性对初始距离度量进行优化，并获取优化后最近邻窗口对应关系，确定CAC曲线，根据曲线局部最小值进行时序数据划分，设定划分阈值进行子序列的筛选，设定相似程度阈值进行子序列筛选，通过筛选后外部自回归变量对产量预测模型进行多变量引入，优化预测模型。本发明通过对多维时序数据进行分段，将存在影响子序列引入，将低影响子序列去除，从而保证时序数据分段进行外部变量引入的准确性，优化预测模型。

Description

基于聚苯乙烯生产数据的生产能力预测方法及系统
技术领域
本发明涉及电子数据处理技术领域，具体涉及基于聚苯乙烯生产数据的生产能力预测方法及系统。
背景技术
聚苯乙烯是一种广泛应用于包装，电器，建筑和汽车等领域的塑料材料。在实际生产中，了解和预测化工厂的聚苯乙烯生产能力具有重要意义。通过了解聚苯乙烯的生产能力，可以更好地制定生产计划，合理安排生产周期和生产流程，以满足市场需求。并且，聚苯乙烯的生产涉及到许多成本和收益因素。通过对生产能力的预测，可以评估生产方案的经济效益，为企业提供决策依据。
聚苯乙烯的生产设计到许多因素，其中原材料供应和能源供应是重要的影响因 素。在现有的
Figure SMS_1
聚苯乙烯生产量预测模型基础上，使用
Figure SMS_2
模型引入原材料供应 数据与能源供应数据作为外部解释变量。这些外部变量可以帮助解释生产能力的变化，提 高预测模型的准确性。
在引入外部变量的过程中，因为聚苯乙烯的生产可能会发生结构性变化，如市场需求变化，政策变动等情况。为了让模型可以捕捉到这些变化，需要通过时间序列分段，对于原材料供应数据与能源供应数据在不同状态下的通过不同的参考程度进行外部变量的引入调整。
发明内容
本发明提供基于聚苯乙烯生产数据的生产能力预测方法及系统，以解决现有的问题。
本发明的基于聚苯乙烯生产数据的生产能力预测方法及系统采用如下技术方案：
一方面，本发明提供了基于聚苯乙烯生产数据的生产能力预测方法，该方法包括以下步骤：
通过工厂的聚苯乙烯生产数据进行数据采集，得到聚苯乙烯历史产量数据的一维时序数据以及原材料供应数据和能源供应数据组成的二维时序数据；
根据生产数据设定窗口长度，根据不同窗口中的二维时序数据的二维数据差异得到不同窗口中数据点的初始距离，根据窗口中不同维度相邻数据点的差异得到窗口中不同维度的相似程度，根据窗口中的相似程度和窗口中不同维度时序数据的DTW距离得到不同窗口之间的距离优化因子，根据窗口中不同维度数据和聚苯乙烯历史产量数据的相似程度得到不同窗口的平均相关程度，根据距离优化因子、初始距离、平均相关程度得到优化后的距离；
根据优化后的距离通过
Figure SMS_3
方法获取到整个二维时序数据中的窗口 之间最近邻窗口对应关系，根据最近邻窗口对应关系确定CAC曲线，根据CAC曲线的局部最 小值将二维时序数据进行时序数据的划分和筛选得到筛选后的子序列；
根据筛选后的子序列对产量预测模型进行生产能力预测；
所述根据距离优化因子、初始距离、平均相关程度得到优化后的距离，包括的具体步骤如下：
Figure SMS_4
式中，
Figure SMS_6
表示第
Figure SMS_9
个窗口与第
Figure SMS_12
个窗口的平均相关程度，
Figure SMS_7
表示第
Figure SMS_10
个窗口与第
Figure SMS_13
个窗 口之间的距离优化因子，
Figure SMS_14
表示在二维时序数据中第
Figure SMS_5
个窗口中数据点与第
Figure SMS_8
个窗口中的数 据点的初始距离，
Figure SMS_11
表示优化后的距离。
进一步地，所述根据不同窗口中的二维时序数据的二维数据差异得到不同窗口中数据点的初始距离，包括的具体步骤如下：
获取任意一个窗口中的二维时序数据中的任意一个窗口位置的第一二维数据和任意一个其他窗口中的二维时序数据中相同窗口位置的第二二维数据，计算第一二维数据和第二二维数据在窗口中所有位置的数据差值的绝对值，将得到的窗口中所有位置的数据差值的绝对值进行求和得到不同窗口中数据点的初始距离。
进一步地，所述根据窗口中不同维度相邻数据点的差异得到窗口中不同维度的相似程度，包括的具体步骤如下：
Figure SMS_15
式中，
Figure SMS_19
表示设定的窗口长度，即窗口中每个维度中数据点的数量，
Figure SMS_22
表示 第
Figure SMS_26
个窗口中第
Figure SMS_17
个维度中的第
Figure SMS_23
个数据点与第
Figure SMS_27
个数据点的差异，
Figure SMS_31
表示第
Figure SMS_18
个窗 口中第
Figure SMS_21
个维度中的第
Figure SMS_25
个数据点与第
Figure SMS_29
个数据点的差异，
Figure SMS_30
表示第
Figure SMS_34
个窗口中第
Figure SMS_36
个维度中的第
Figure SMS_38
个数据点与第
Figure SMS_32
个数据点的差异，
Figure SMS_35
表示第
Figure SMS_37
个窗口中第
Figure SMS_39
个维 度中的第
Figure SMS_16
个数据点与第
Figure SMS_20
个数据点的差异，
Figure SMS_24
表示对于整个时序数据中全部窗口 中的计算数值进行线性归一化处理，
Figure SMS_28
表示第
Figure SMS_33
个窗口内两个维度的相似程度。
进一步地，所述根据窗口中的相似程度和窗口中不同维度时序数据的DTW距离得到不同窗口之间的距离优化因子，包括的具体步骤如下：
Figure SMS_40
式中，
Figure SMS_44
表示窗口中的第
Figure SMS_47
个维度，
Figure SMS_51
的取值为
Figure SMS_42
和
Figure SMS_45
，
Figure SMS_49
表示第
Figure SMS_53
个窗口中的两个维度 之间的相似程度，
Figure SMS_43
表示第
Figure SMS_46
个窗口中的两个维度之间的相似程度，
Figure SMS_50
表示第
Figure SMS_54
个维度中窗 口
Figure SMS_58
滑动到窗口
Figure SMS_62
需要滑动的次数，
Figure SMS_65
表示第
Figure SMS_68
个窗口中的第
Figure SMS_60
个维度的时序数据，
Figure SMS_64
表示 第
Figure SMS_67
个窗口中的第
Figure SMS_69
个维度的时序数据，
Figure SMS_41
表示
Figure SMS_48
与
Figure SMS_52
之间的
Figure SMS_56
距离，
Figure SMS_55
表示对所有窗口
Figure SMS_59
距离进行线性归一化处理，
Figure SMS_63
表示第
Figure SMS_66
个维度中第
Figure SMS_57
个窗口与 第
Figure SMS_61
个窗口之间的距离优化因子。
进一步地，所述根据窗口中不同维度数据和聚苯乙烯历史产量数据的相似程度得到不同窗口的平均相关程度，包括的具体步骤如下：
Figure SMS_70
式中，
Figure SMS_72
表示第
Figure SMS_78
个窗口中的第
Figure SMS_82
个维度数据与聚苯乙烯历史产量数据的相似程 度，
Figure SMS_74
表示第
Figure SMS_75
个窗口中的第
Figure SMS_79
个维度数据与聚苯乙烯历史产量数据的相似程度，
Figure SMS_83
表示 第
Figure SMS_71
个窗口中的第
Figure SMS_76
个维度数据与聚苯乙烯历史产量数据的相似程度，
Figure SMS_80
表示第
Figure SMS_84
个窗口中 的第
Figure SMS_73
个维度数据与聚苯乙烯历史产量数据的相似程度，
Figure SMS_77
表示第
Figure SMS_81
个窗口与第
Figure SMS_85
个窗口的 平均相关程度。
进一步地，所述筛选得到筛选后的子序列，包括的具体步骤如下：
获取到的
Figure SMS_86
曲线，通过将曲线上每一个时间戳对应的数据都进行归一化，获取 到每一个数据点的划分可能性，并将划分可能性小于划分阈值的时间戳对应点作为子序列 划分点，获取到全部子序列划分；
对于全部子序列划分中的第
Figure SMS_87
个子序列的维度之间的相似程度
Figure SMS_88
：
Figure SMS_89
式中，
Figure SMS_90
表示第
Figure SMS_91
个子序列线性归一化后的相似程度，
Figure SMS_92
表示第
Figure SMS_93
个子序列的相 似程度，
Figure SMS_94
表示对全部子序列的相似程度进行线性归一化处理，设定相似程度阈值
Figure SMS_95
，将
Figure SMS_96
的子序列进行剔除。
另一方面，本发明还提供了基于聚苯乙烯生产数据的生产能力预测系统，该系统包含如下模块：
生产数据采集模块，用于数据采集，得到聚苯乙烯历史产量数据的一维时序数据以及原材料供应数据和能源供应数据的二维时序数据；
距离度量优化模块，用以设置滑动窗口，根据不同窗口中的二维时序数据的二维数据差异得到不同窗口中数据点的初始距离，根据窗口中不同维度相邻数据点的差异得到窗口中不同维度的相似程度；
根据窗口中的相似程度和窗口中不同维度时序数据的DTW距离得到不同窗口之间的距离优化因子，根据窗口中不同维度数据和聚苯乙烯历史产量数据的相似程度得到不同窗口的平均相关程度，根据距离优化因子、初始距离、平均相关程度得到优化后的距离；
最近邻窗口分析模块，根据优化后的距离通过
Figure SMS_97
方法获取到整个 二维时序数据中的窗口之间最近邻窗口对应关系，根据最近邻窗口对应关系确定CAC曲线， 根据CAC曲线的局部最小值将二维时序数据进行时序数据的划分和筛选得到筛选后的子序 列；
优化预测模型预测模块，根据筛选后的子序列对产量预测模型进行生产能力预测；
所述根据距离优化因子、初始距离、平均相关程度得到优化后的距离，包括的具体步骤如下：
Figure SMS_98
式中，
Figure SMS_100
表示第
Figure SMS_103
个窗口与第
Figure SMS_106
个窗口的平均相关程度，
Figure SMS_101
表示第
Figure SMS_104
个窗口与第
Figure SMS_107
个窗 口之间的距离优化因子，
Figure SMS_108
表示在二维时序数据中第
Figure SMS_99
个窗口中数据点与第
Figure SMS_102
个窗口中的数 据点的初始距离，
Figure SMS_105
表示优化后的距离。
本发明的技术方案的有益效果是：
基于本发明所述的通过聚苯乙烯生产数据中的原材料供应数据与能源供应数据 进行
Figure SMS_109
外部自回归变量，相较于传统的单独通过产量数据通过
Figure SMS_110
模型进行预 测。可以通过运材料供应数据与能源供应数据进行聚苯乙烯产能数据中数据变化的解释， 从而提高对于聚苯乙烯生产能力预测的准确性。
基于本发明所述的通过优化后的
Figure SMS_111
对多维时序数据进行分段，通过原材料供 应数据与能源供应数据不同模态下对于产能数据的影响差异进行外部自回归变量引入过 程中的调整，将时序数据的局部特征信息与传统的
Figure SMS_112
产能数据预测模型具有共线性的 部分去除，保留共线性低的部分作为外部自回归变量。相较于直接将原材料供应数据与能 源供应数据引入，可以避免出现多重共线性的问题而导致模型的稳定性与预测能力的下 降。
基于本发明所述的通过多维时序数据中原材料供应数据与能源供应数据的变化差异进行最近邻子序列判断过程中不同维度中数据点距离的调整，可以在对多维时序数据进行分段时，避免待引入变量中出现的与聚苯乙烯产量时序数据具有高度相似性的数据导致的多重共线性的问题。
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为本发明基于聚苯乙烯生产数据的生产能力预测方法的步骤流程图；
图2为本发明基于聚苯乙烯生产数据的生产能力预测系统的系统框架图；
图3为本发明实施例所给出的，以现有引入外部自回归变量方法训练所得现有ARIMAX模型的预测效果，和本实施例引入筛选后的外部自回归变量训练所得优化ARIMAX模型的预测效果的对比图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的基于聚苯乙烯生产数据的生产能力预测方法及系统，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的基于聚苯乙烯生产数据的生产能力预测方法的具体方案。
请参阅图1，其示出了本发明一个实施例提供的基于聚苯乙烯生产数据的生产能力预测方法的步骤流程图，该方法包括以下步骤：
步骤S001、通过工厂的聚苯乙烯生产数据进行数据采集。
在聚苯乙烯工厂中的聚苯乙烯生产数据中，提取该工厂聚苯乙烯生产数据中的聚苯乙烯产量数据，原材料供应数据与能源供应数据。所述的供应数据为历史数据中每个时间点对于聚苯乙烯生产的投入量，即根据生产规划确定的每个生产周期的原材料投入量与能源消耗范围。
具体的，根据生产规划确定每一周的原材料供应数据和能源供应数据，将生产规划确定的所有原材料供应数据和能源供应数据构成一个时序序列，这个时序序列是二维的时序数据；二维时序数据中第一个维度是原材料供应数据构成的一个时序序列，第二个维度是能源供应数据构成的一个时序序列，根据历史的聚苯乙烯产量数据得到聚苯乙烯历史产量数据，聚苯乙烯历史产量数据也是一维时序数据。
至此，通过工厂的聚苯乙烯生产数据完成了数据采集，获取到了聚苯乙烯的原材料供应数据、能源供应数据，以及聚苯乙烯历史产量数据。
步骤S002、设定用于时序数据分段的窗口长度，根据不同窗口中的二维时序数据的二维数据差异得到不同窗口中数据点的初始距离。
需要说明的是，在采集到用于优化产量数据预测模型的聚苯乙烯生产原材料供应 数据与能源供应数据之后，即可以通过
Figure SMS_113
进行时序数据的基于
Figure SMS_114
的时 间序列模态分段。在这个过程中首先需要确定最基础的窗口大小，此处的窗口大小是用于 分析时间序列模态变化的最小单元。在确定窗口大小之后，即可通过窗口的滑动，在整个时 序数据中确定与该窗口内数据点之间差异最小的一个窗口。
进一步需要说明的是，在确定最近邻窗口的过程中，现有的距离度量为通过窗口内两个维度数据中的数值差异进行距离判断。为了在时间序列的分段中可以将具有共线性的数据进行剔除，在距离的度量中，就需要在最近邻窗口确定的过程中通过窗口内的数据点共线性进行距离度量的优化。从而在ARC曲线中可以通过曲线的局部最小值确定共线性严重的区域，并将其进行剔除。
具体的，在聚苯乙烯的生产数据中，通过聚苯乙烯的生产计划周期进行窗口长度 的判断，对于窗口长度即可设定为一个季度的数据长度即
Figure SMS_115
。即本实施例通过设定窗 口长度为
Figure SMS_116
进行后续的计算，对于该窗口长度可以通过生产工厂的数据采集实际情况进行 调整，本实施例不进行具体限定。
进一步的，在确定窗口长度
Figure SMS_117
之后，即可根据确定的窗口长度进行
Figure SMS_118
过程，在这个过程中对于窗口中的数据点差异所计算的初始距离
Figure SMS_119
：
Figure SMS_120
式中，
Figure SMS_122
表示第
Figure SMS_126
个窗口中的二维时序数据中的第
Figure SMS_129
个位置的二维数据，
Figure SMS_123
表示第
Figure SMS_124
个窗口中的二维时序数据中的第
Figure SMS_127
个位置的二维数据，
Figure SMS_130
表示设定的窗口长度，
Figure SMS_121
表示在 二维时序数据中第
Figure SMS_125
个窗口中数据点与第
Figure SMS_128
个窗口中的数据点的初始距离。
需要说明的是，二维数据是指原材料供应数据与能源供应数据构成的两个数值，
Figure SMS_131
表示第
Figure SMS_132
个窗口与第
Figure SMS_133
个窗口对应位置
Figure SMS_134
处二维数据各自的差值的绝对值。
至此，根据不同窗口中的二维时序数据的二维数据差异得到不同窗口中数据点的初始距离。
步骤S003、通过窗口中二维数据之间的趋势相关性对初始距离度量进行优化，并获取优化后的最近邻窗口对应关系。
需要说明的是，在获取到在
Figure SMS_135
过程中窗口之间的二维时序数据的 初始距离度量之后，即可以通过窗口中的趋势相关性对初始距离度量进行优化。优化的原 因：在通过
Figure SMS_136
对原材料供应数据与能源供应数据形成的二维时序数据进行时序分段的 过程中，因为目的是要将二维时序数据中存在维度之间高相关性的子序列去除，从而保证 引入的外部自回归变量不会在优化
Figure SMS_137
模型时出现多重共线性的问题导致模型的稳定 性和准确性降低。
进一步需要说明的是，对于时序数据之间的相关性，首先需要对窗口中两个维度 之间的相关性进行判断，对于二维时序数据中的第
Figure SMS_138
个窗口中的数据
Figure SMS_139
中的第一个维度数据
Figure SMS_140
与第二个维度数据
Figure SMS_141
（此处所述的第一个维度即为原材料供应数据，第二个维度即为 能源供应数据）中数据趋势变化的一致性进行时序数据之间相关性的衡量。
1.具体的，根据窗口中不同维度相邻数据点的差异得到窗口中不同维度的相似程度。
对于第
Figure SMS_142
个窗口内两个维度的相似程度
Figure SMS_143
：
Figure SMS_144
式中，
Figure SMS_161
表示设定的窗口长度，即窗口中每个维度中数据点的数量，
Figure SMS_164
表示 第
Figure SMS_166
个窗口中第
Figure SMS_146
个维度中的第
Figure SMS_149
个数据点与第
Figure SMS_153
个数据点的差异，
Figure SMS_157
表示第
Figure SMS_147
个窗 口中第
Figure SMS_150
个维度中的第
Figure SMS_154
个数据点与第
Figure SMS_158
个数据点的差异，
Figure SMS_148
表示第
Figure SMS_152
个窗口中第
Figure SMS_156
个维度中的第
Figure SMS_160
个数据点与第
Figure SMS_163
个数据点的差异，
Figure SMS_165
表示第
Figure SMS_167
个窗口中第
Figure SMS_168
个维 度中的第
Figure SMS_145
个数据点与第
Figure SMS_151
个数据点的差异，
Figure SMS_155
表示对于整个时序数据中全部窗口 中的计算数值进行线性归一化处理，
Figure SMS_159
表示第
Figure SMS_162
个窗口内两个维度的相似程度。
其中，相邻数据点的差异具体可以如下表示：
Figure SMS_169
，表示第
Figure SMS_170
个窗口中第
Figure SMS_171
个维度中的第
Figure SMS_172
个数据点与第
Figure SMS_173
个数据点的差异。
Figure SMS_174
，表示第
Figure SMS_175
个窗口中第
Figure SMS_176
个维度中的第
Figure SMS_177
个数据点与第
Figure SMS_178
个数据点的差异。
至此，获取到第
Figure SMS_179
个窗口的两个维度的相似程度。
需要说明的是，对于二维时序数据中第
Figure SMS_181
个窗口，通过每个数据点在自身维度中的 归一化数值
Figure SMS_183
与
Figure SMS_185
的差异作为二者在对应时间戳下的距离度量。在维 度相似性的衡量中，当数据点的前后变化相似时，即
Figure SMS_182
，
Figure SMS_184
与
Figure SMS_186
，
Figure SMS_187
之间的变化量的数值相近时，则说明两个维度的数据点在该位置具有相近的变化 情况。通过窗口内两个维度中数据点的变化方向相同的数据点的变化量的相似度量作为两 个维度的相似程度
Figure SMS_180
，以此作为当前窗口中维度相似的特征值。用于衡量在整个时序数据 中不同窗口之间的共线性问题。
进一步需要说明的是，在获取到二维时序数据中第
Figure SMS_188
个窗口中两个维度的相似程 度之后，即为窗口内时序数据相似度量，可以用该相似程度在
Figure SMS_189
中窗口之间 的窗口之间数据距离度量中进行优化。因为上述的
Figure SMS_190
所计算的相似程度表示的为单个窗口 中的度量，在不同的窗口中因为存在着时序数据整体上的趋势变化，所以需要在两个窗口 （第
Figure SMS_191
个窗口和第
Figure SMS_192
个窗口）进行距离计算时，通过窗口之间的整体数据差异进行
Figure SMS_193
的优化判 断，从而准确的描述在数值与变化趋势两个方面的最近邻窗口度量。从而在后续的
Figure SMS_194
过程中将会出现多重共线性问题的子序列进行提取。
2.具体的，根据窗口中的相似程度和窗口中不同维度时序数据的DTW距离得到不同窗口之间的距离优化因子。
对于第
Figure SMS_195
个窗口与第
Figure SMS_196
个窗口之间的距离优化因子
Figure SMS_197
：
Figure SMS_198
式中，
Figure SMS_202
表示窗口中的第
Figure SMS_203
个维度，
Figure SMS_207
的取值为
Figure SMS_201
和
Figure SMS_204
，
Figure SMS_208
表示第
Figure SMS_212
个窗口中的两个维度 之间的相似程度，
Figure SMS_199
表示第
Figure SMS_205
个窗口中的两个维度之间的相似程度，
Figure SMS_209
表示第
Figure SMS_213
个维度中窗 口
Figure SMS_216
滑动到窗口
Figure SMS_220
需要滑动的次数，
Figure SMS_224
表示第
Figure SMS_226
个窗口中的第
Figure SMS_217
个维度的时序数据，
Figure SMS_221
表示 第
Figure SMS_225
个窗口中的第
Figure SMS_227
个维度的时序数据，
Figure SMS_200
：表示
Figure SMS_206
与
Figure SMS_210
之间的
Figure SMS_214
距离，
Figure SMS_211
表示对所有窗口
Figure SMS_215
距离进行线性归一化处理，
Figure SMS_219
表示第
Figure SMS_223
个维度中第
Figure SMS_218
个窗口与 第
Figure SMS_222
个窗口之间的距离优化因子。
需要说明的是，在
Figure SMS_228
的时序分段中，需要尽可能让附近的维度相似的窗口被 确定为最近邻窗口，并且在窗口之间的距离度量中，存在着窗口中数据点的在时间跨度中 的整体变大，这就会出现窗口各自的窗口内维度间相似度点度量出现不准确的情况，那么 在最近邻窗口确定时就需要通过时间跨度的影响进行距离的调整。那么对于两个窗口之间 的距离优化因子，即可以通过在
Figure SMS_231
到
Figure SMS_233
之间的窗口连续变化进行距离优化因子
Figure SMS_229
的获取。对 于第
Figure SMS_232
个窗口，通过其开始进行窗口滑动，并计算
Figure SMS_234
每一次变化时的窗口内维度间相似程度
Figure SMS_235
，通过连续的变化信息均值进行距离优化因子的计算。通过距离优化因子对
Figure SMS_230
进行优化 从而保证最近邻窗口之间的维度相似程度高并且时间跨度小。
进一步需要说明的是，基于上式所述的通过多维时序数据中原材料供应数据与能源供应数据的变化差异进行最近邻子序列判断过程中不同维度中数据点距离的调整，可以在对多维时序数据进行分段时，避免待引入变量中出现的与聚苯乙烯产量时序数据具有高度相似性的数据导致的多重共线性的问题。
需要说明的是，在距离优化因子中，通过待判断的第
Figure SMS_236
个窗口与第
Figure SMS_237
个窗口中相同维 度之间的
Figure SMS_238
距离作为两个窗口中数据点的形态偏差度量。并通过每个窗口内不同维度 之间的时序数据相似程度在窗口滑动过程中的整体均值变化进行调整。从而在距离调整的 过程中即可以考虑到窗口内不同维度之间的相似性，同时也可以考虑到不同窗口的相同维 度之间的形态差异。以此作为距离度量在
Figure SMS_239
分割的过程中将具有共线性问题的窗口进 行去除。
但是在上述的度量过程中，对于窗口的筛选过程中会出现待引入的外部自回归变 量（所述的二维时序数据）中虽然在此二维数据对比中存在着共线性的问题。但是当待引入 的二位时序数据与原
Figure SMS_240
模型中的聚苯乙烯产量时序数据具有着较大的形态差异时，对 于原模型数据来说待引入的时序数据就是重要的，所以对于
Figure SMS_241
还需要进一步通过待引入 数据与聚苯乙烯的历史产量数据之间的相关性判断，根据待引入的二维时序数据与原数据 之间的相关性获取到每个窗口的重要程度，并通过重要程度对距离优化因子进行约束，使 得平均重要程度越高的窗口在距离度量的过程中数值越小。
进一步需要说明的是，在最近邻子序列的判断过程中，对于第
Figure SMS_242
个窗口中的二维子 序列，通过两个维度各自与聚苯乙烯产量数据的相关程度进行衡量，获取到两个维度各自 的相关程度，再通过第
Figure SMS_243
个窗口与第
Figure SMS_244
个窗口中的各自与产量数据的平均相关程度作为衡 量。
3.具体的，根据窗口中不同维度数据和聚苯乙烯历史产量数据的相似程度得到不同窗口的平均相关程度。
Figure SMS_245
式中，
Figure SMS_247
表示第
Figure SMS_251
个窗口中的第
Figure SMS_255
个维度数据与聚苯乙烯历史产量数据的相似程 度，
Figure SMS_246
表示第
Figure SMS_253
个窗口中的第
Figure SMS_257
个维度数据与聚苯乙烯历史产量数据的相似程度，
Figure SMS_260
表示 第
Figure SMS_249
个窗口中的第
Figure SMS_252
个维度数据与聚苯乙烯历史产量数据的相似程度，
Figure SMS_256
表示第
Figure SMS_259
个窗口中 的第
Figure SMS_248
个维度数据与聚苯乙烯历史产量数据的相似程度，
Figure SMS_250
表示第
Figure SMS_254
个窗口与第
Figure SMS_258
个窗口的 平均相关程度。
其中：
Figure SMS_261
Figure SMS_262
需要说明的是，
Figure SMS_263
，
Figure SMS_264
与步骤S003中子步骤1中所述的
Figure SMS_265
的计算方式相同，不再 进行赘述，
Figure SMS_266
表示第
Figure SMS_267
个窗口中第
Figure SMS_268
个维度的时序数据，即第
Figure SMS_269
个窗口中聚苯乙烯的历史产 量数据，此处为通过窗口中的数据与聚苯乙烯的历史产量数据进行相关性对比，通过归一 化结果获取到窗口中数据点与基础产量数据的相关程度，并以窗口中两个维度的相关程度 的均值作为窗口中数据重要程度的衡量，并根据待对比的两个窗口的平均相关程度作为对 比过程中的重要程度衡量。
进一步需要说明的是，在获取到距离优化因子、初始距离、平均相关程度之后，即 可获取到在二维时序数据中第
Figure SMS_270
个窗口与第
Figure SMS_271
个窗口之间优化后的距离
Figure SMS_272
。
4.具体的，根据距离优化因子、初始距离、平均相关程度得到优化后的距离。
Figure SMS_273
式中，
Figure SMS_276
表示第
Figure SMS_278
个窗口与第
Figure SMS_281
个窗口的平均相关程度，
Figure SMS_275
表示第
Figure SMS_279
个窗口与第
Figure SMS_282
个窗 口之间的距离优化因子，
Figure SMS_283
表示在二维时序数据中第
Figure SMS_274
个窗口中数据点与第
Figure SMS_277
个窗口中的数 据点的初始距离，
Figure SMS_280
表示优化后的距离。
需要说明的是，在获取到优化后的距离度量
Figure SMS_284
之后，对于二维时序数据即可通过
Figure SMS_285
方法获取到整个时序数据中的窗口之间最近邻窗口对应关系，需要特别 说明的是，
Figure SMS_286
方法是现有方法，最近邻窗口对应关系是该现有方法获取的输 出结果，此处不再进行赘述。
至此，通过窗口中二维数据之间的趋势相关性对初始距离度量进行优化，并获取优化后的最近邻窗口对应关系。
步骤S004、通过最近邻窗口对应关系确定CAC曲线，根据曲线的局部最小值进行时序数据的划分，设定划分阈值进行子序列的筛选，设定相似程度阈值进行子序列的筛选。
具体的，在获取到对于待引入的外部自回归变量：原材料供应与能源供应的二维 时序数据在
Figure SMS_287
过程中的最近邻对应关系之后，对于整个时间序列即可获取
Figure SMS_288
曲线。
需要说明的是，所述的
Figure SMS_289
曲线为整个时间序列数据中，每一个数据点上方的最 近邻关系连线的数量。
进一步的，对于
Figure SMS_290
曲线的局部最小值则说明两侧的时序模态发生了变化。那么 通过局部最小值的划分就可以将原材料供应与能源供应的时序数据中趋势变化相似的子 序列同样划分出来。
进一步的，对于获取到的
Figure SMS_291
曲线，通过将曲线上每一个时间戳对应的数据都进 行归一化，获取到每一个数据点的划分可能性，并将划分可能性小于划分阈值的时间戳对 应点作为子序列划分点，获取到全部子序列划分。此处将获取到的全部子序列数量记为
Figure SMS_292
个。
需要说明的是，本实施例以划分阈值为0.3进行叙述，实施时可以设置为其他值。
进一步的，对于全部子序列划分中的第
Figure SMS_293
个子序列。通过对子序列中的二维数据 相似性进行判断，根据趋势的相似程度进行子序列剔除。对于第
Figure SMS_294
个子序列的维度之间的 相似程度
Figure SMS_295
：
Figure SMS_296
式中，
Figure SMS_297
表示第
Figure SMS_298
个子序列线性归一化后的相似程度，
Figure SMS_299
表示第
Figure SMS_300
个子序列的相 似程度，
Figure SMS_301
表示对全部子序列的相似程度进行线性归一化处理，设定相似程度阈值
Figure SMS_302
，将
Figure SMS_303
的子序列进行剔除，即对于这个部分不引入外部自回归变量。
需要说明的是，本实施例以相似程度阈值
Figure SMS_304
为例进行叙述，实施时可以设置 为其他值。
至此，通过最近邻窗口对应关系确定CAC曲线，并通过曲线的局部最小值进行时序数据的划分，设定相似程度阈值进行子序列的筛选，即得到筛选后的外部自回归变量。
步骤S005、通过筛选后的外部自回归变量对产量预测模型进行多变量引入，优化预测模型并进行生产预测。
在获取到筛选后的聚苯乙烯原材料供应数据与能源供应数据之后，将数据作为外 部自回归变量结合已有的聚苯乙烯产量
Figure SMS_305
预测模型训练
Figure SMS_306
模型（引入外部自回 归变量为现有技术）。在获取到引入外部自回归变量后的
Figure SMS_307
模型后通过模型对聚苯 乙烯的生产能力进行预测，获取预测结果并根据预测结果进行决策调整。
如图3所示，编号1表示以现有的引入外部自回归变量方法训练所得的现有
Figure SMS_308
模型对聚苯乙烯产量的预测结果，编号2表示以本实施例的通过引入所述筛选后 的外部自回归变量训练所得改进
Figure SMS_309
模型对聚苯乙烯产量的预测结果，数据点表示历 史数据中每周真实的聚苯乙烯产量。
从图3中两种预测模型对聚苯乙烯产量的预测结果可以看出，在相同预测次数下， 编号2所对应的改进
Figure SMS_310
模型对真实的聚苯乙烯产量预测命中次数为5次，而现有
Figure SMS_311
模型对真实的聚苯乙烯产量预测命中次数则仅为4次，且改进
Figure SMS_312
模型的预测 趋势相较于现有
Figure SMS_313
模型明显更贴合真实的聚苯乙烯产量数据的走势。所以可以确 定，本实施例通过引入所述筛选后的外部自回归变量训练所得改进
Figure SMS_314
模型，对聚苯 乙烯产量也即对聚苯乙烯生产能力可取得更好的预测效果。
至此，通过以上步骤，完成基于聚苯乙烯生产数据的生产能力预测。
本发明的另一个实施例提供了基于聚苯乙烯生产数据的生产能力预测系统，如图2所示，该系统包括以下模块：
生产数据采集模块，用于数据采集，得到聚苯乙烯历史产量数据的一维时序数据以及原材料供应数据和能源供应数据的二维时序数据；
距离度量优化模块，用以设置滑动窗口，根据不同窗口中的二维时序数据的二维数据差异得到不同窗口中数据点的初始距离，根据窗口中不同维度相邻数据点的差异得到窗口中不同维度的相似程度；
根据窗口中的相似程度和窗口中不同维度时序数据的DTW距离得到不同窗口之间的距离优化因子，根据窗口中不同维度数据和聚苯乙烯历史产量数据的相似程度得到不同窗口的平均相关程度，根据距离优化因子、初始距离、平均相关程度得到优化后的距离；
最近邻窗口分析模块，根据优化后的距离通过
Figure SMS_315
方法获取到整个 二维时序数据中的窗口之间最近邻窗口对应关系，根据最近邻窗口对应关系确定CAC曲线， 根据CAC曲线的局部最小值将二维时序数据进行时序数据的划分和筛选得到筛选后的子序 列；
优化预测模型预测模块，根据筛选后的子序列对产量预测模型进行生产能力预测。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.基于聚苯乙烯生产数据的生产能力预测方法，其特征在于，该方法包括以下步骤：
通过工厂的聚苯乙烯生产数据进行数据采集，得到聚苯乙烯历史产量数据的一维时序数据以及原材料供应数据和能源供应数据组成的二维时序数据；
根据生产数据设定窗口长度，根据不同窗口中的二维时序数据的二维数据差异得到不同窗口中数据点的初始距离，根据窗口中不同维度相邻数据点的差异得到窗口中不同维度的相似程度，根据窗口中的相似程度和窗口中不同维度时序数据的DTW距离得到不同窗口之间的距离优化因子，根据窗口中不同维度数据和聚苯乙烯历史产量数据的相似程度得到不同窗口的平均相关程度，根据距离优化因子、初始距离、平均相关程度得到优化后的距离；
根据优化后的距离通过
Figure QLYQS_1
方法获取到整个二维时序数据中的窗口之间最近邻窗口对应关系，根据最近邻窗口对应关系确定CAC曲线，根据CAC曲线的局部最小值将二维时序数据进行时序数据的划分和筛选得到筛选后的子序列；
根据筛选后的子序列对产量预测模型进行生产能力预测；
所述根据距离优化因子、初始距离、平均相关程度得到优化后的距离，包括的具体步骤如下：
Figure QLYQS_2
式中，
Figure QLYQS_4
表示第/>
Figure QLYQS_8
个窗口与第/>
Figure QLYQS_11
个窗口的平均相关程度，/>
Figure QLYQS_5
表示第/>
Figure QLYQS_7
个窗口与第/>
Figure QLYQS_10
个窗口之间的距离优化因子，/>
Figure QLYQS_12
表示在二维时序数据中第/>
Figure QLYQS_3
个窗口中数据点与第/>
Figure QLYQS_6
个窗口中的数据点的初始距离，/>
Figure QLYQS_9
表示优化后的距离。
2.根据权利要求1所述基于聚苯乙烯生产数据的生产能力预测方法，其特征在于，所述根据不同窗口中的二维时序数据的二维数据差异得到不同窗口中数据点的初始距离，包括的具体步骤如下：
获取任意一个窗口中的二维时序数据中的任意一个窗口位置的第一二维数据和任意一个其他窗口中的二维时序数据中相同窗口位置的第二二维数据，计算第一二维数据和第二二维数据在窗口中所有位置的数据差值的绝对值，将得到的窗口中所有位置的数据差值的绝对值进行求和得到不同窗口中数据点的初始距离。
3.根据权利要求1所述基于聚苯乙烯生产数据的生产能力预测方法，其特征在于，所述根据窗口中不同维度相邻数据点的差异得到窗口中不同维度的相似程度，包括的具体步骤如下：
Figure QLYQS_13
式中，
Figure QLYQS_19
表示设定的窗口长度，即窗口中每个维度中数据点的数量，/>
Figure QLYQS_23
表示第/>
Figure QLYQS_27
个窗口中第/>
Figure QLYQS_15
个维度中的第/>
Figure QLYQS_18
个数据点与第/>
Figure QLYQS_22
个数据点的差异，/>
Figure QLYQS_26
表示第/>
Figure QLYQS_17
个窗口中第/>
Figure QLYQS_21
个维度中的第/>
Figure QLYQS_25
个数据点与第/>
Figure QLYQS_29
个数据点的差异，/>
Figure QLYQS_31
表示第/>
Figure QLYQS_33
个窗口中第/>
Figure QLYQS_35
个维度中的第/>
Figure QLYQS_37
个数据点与第/>
Figure QLYQS_30
个数据点的差异，/>
Figure QLYQS_32
表示第/>
Figure QLYQS_34
个窗口中第/>
Figure QLYQS_36
个维度中的第/>
Figure QLYQS_14
个数据点与第/>
Figure QLYQS_20
个数据点的差异，/>
Figure QLYQS_24
表示对于整个时序数据中全部窗口中的计算数值进行线性归一化处理，/>
Figure QLYQS_28
表示第/>
Figure QLYQS_16
个窗口内两个维度的相似程度。
4.根据权利要求1所述基于聚苯乙烯生产数据的生产能力预测方法，其特征在于，所述根据窗口中的相似程度和窗口中不同维度时序数据的DTW距离得到不同窗口之间的距离优化因子，包括的具体步骤如下：
Figure QLYQS_38
式中，
Figure QLYQS_55
表示窗口中的第/>
Figure QLYQS_59
个维度，/>
Figure QLYQS_63
的取值为/>
Figure QLYQS_40
和/>
Figure QLYQS_43
，/>
Figure QLYQS_47
表示第/>
Figure QLYQS_51
个窗口中的两个维度之间的相似程度，/>
Figure QLYQS_41
表示第/>
Figure QLYQS_45
个窗口中的两个维度之间的相似程度，/>
Figure QLYQS_49
表示第/>
Figure QLYQS_53
个维度中窗口/>
Figure QLYQS_42
滑动到窗口/>
Figure QLYQS_44
需要滑动的次数，/>
Figure QLYQS_48
表示第/>
Figure QLYQS_52
个窗口中的第/>
Figure QLYQS_57
个维度的时序数据，/>
Figure QLYQS_61
表示第/>
Figure QLYQS_65
个窗口中的第/>
Figure QLYQS_67
个维度的时序数据，/>
Figure QLYQS_39
表示/>
Figure QLYQS_46
与/>
Figure QLYQS_50
之间的/>
Figure QLYQS_54
距离，
Figure QLYQS_56
表示对所有窗口/>
Figure QLYQS_60
距离进行线性归一化处理，/>
Figure QLYQS_64
表示第/>
Figure QLYQS_66
个维度中第/>
Figure QLYQS_58
个窗口与第/>
Figure QLYQS_62
个窗口之间的距离优化因子。
5.根据权利要求1所述基于聚苯乙烯生产数据的生产能力预测方法，其特征在于，所述根据窗口中不同维度数据和聚苯乙烯历史产量数据的相似程度得到不同窗口的平均相关程度，包括的具体步骤如下：
Figure QLYQS_68
式中，
Figure QLYQS_70
表示第/>
Figure QLYQS_76
个窗口中的第/>
Figure QLYQS_80
个维度数据与聚苯乙烯历史产量数据的相似程度，
Figure QLYQS_72
表示第/>
Figure QLYQS_74
个窗口中的第/>
Figure QLYQS_78
个维度数据与聚苯乙烯历史产量数据的相似程度，/>
Figure QLYQS_82
表示第/>
Figure QLYQS_69
个窗口中的第/>
Figure QLYQS_73
个维度数据与聚苯乙烯历史产量数据的相似程度，/>
Figure QLYQS_77
表示第/>
Figure QLYQS_81
个窗口中的第/>
Figure QLYQS_71
个维度数据与聚苯乙烯历史产量数据的相似程度，/>
Figure QLYQS_75
表示第/>
Figure QLYQS_79
个窗口与第/>
Figure QLYQS_83
个窗口的平均相关程度。
6.根据权利要求1所述基于聚苯乙烯生产数据的生产能力预测方法，其特征在于，所述筛选得到筛选后的子序列，包括的具体步骤如下：
获取到的
Figure QLYQS_84
曲线，通过将曲线上每一个时间戳对应的数据都进行归一化，获取到每一个数据点的划分可能性，并将划分可能性小于划分阈值的时间戳对应点作为子序列划分点，获取到全部子序列划分；
对于全部子序列划分中的第
Figure QLYQS_85
个子序列的维度之间的相似程度/>
Figure QLYQS_86
：
Figure QLYQS_87
式中，
Figure QLYQS_88
表示第/>
Figure QLYQS_89
个子序列线性归一化后的相似程度，/>
Figure QLYQS_90
表示第/>
Figure QLYQS_91
个子序列的相似程度，/>
Figure QLYQS_92
表示对全部子序列的相似程度进行线性归一化处理，设定相似程度阈值/>
Figure QLYQS_93
，将
Figure QLYQS_94
的子序列进行剔除。
7.基于聚苯乙烯生产数据的生产能力预测系统，其特征在于，该系统包括以下模块：
生产数据采集模块，用于数据采集，得到聚苯乙烯历史产量数据的一维时序数据以及原材料供应数据和能源供应数据的二维时序数据；
距离度量优化模块，用以设置滑动窗口，根据不同窗口中的二维时序数据的二维数据差异得到不同窗口中数据点的初始距离，根据窗口中不同维度相邻数据点的差异得到窗口中不同维度的相似程度；
根据窗口中的相似程度和窗口中不同维度时序数据的DTW距离得到不同窗口之间的距离优化因子，根据窗口中不同维度数据和聚苯乙烯历史产量数据的相似程度得到不同窗口的平均相关程度，根据距离优化因子、初始距离、平均相关程度得到优化后的距离；
最近邻窗口分析模块，根据优化后的距离通过
Figure QLYQS_95
方法获取到整个二维时序数据中的窗口之间最近邻窗口对应关系，根据最近邻窗口对应关系确定CAC曲线，根据CAC曲线的局部最小值将二维时序数据进行时序数据的划分和筛选得到筛选后的子序列；
优化预测模型预测模块，根据筛选后的子序列对产量预测模型进行生产能力预测；
所述根据距离优化因子、初始距离、平均相关程度得到优化后的距离，包括的具体步骤如下：
Figure QLYQS_96
式中，
Figure QLYQS_98
表示第/>
Figure QLYQS_100
个窗口与第/>
Figure QLYQS_103
个窗口的平均相关程度，/>
Figure QLYQS_97
表示第/>
Figure QLYQS_101
个窗口与第/>
Figure QLYQS_104
个窗口之间的距离优化因子，/>
Figure QLYQS_106
表示在二维时序数据中第/>
Figure QLYQS_99
个窗口中数据点与第/>
Figure QLYQS_102
个窗口中的数据点的初始距离，/>
Figure QLYQS_105
表示优化后的距离。
CN202310618752.3A 2023-05-30 2023-05-30 基于聚苯乙烯生产数据的生产能力预测方法及系统 Active CN116341770B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310618752.3A CN116341770B (zh) 2023-05-30 2023-05-30 基于聚苯乙烯生产数据的生产能力预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310618752.3A CN116341770B (zh) 2023-05-30 2023-05-30 基于聚苯乙烯生产数据的生产能力预测方法及系统

Publications (2)

Publication Number Publication Date
CN116341770A true CN116341770A (zh) 2023-06-27
CN116341770B CN116341770B (zh) 2023-07-21

Family

ID=86879067

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310618752.3A Active CN116341770B (zh) 2023-05-30 2023-05-30 基于聚苯乙烯生产数据的生产能力预测方法及系统

Country Status (1)

Country Link
CN (1) CN116341770B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117235462A (zh) * 2023-11-09 2023-12-15 海门市知行包装制品有限公司 基于时序数据分析的袋式包装机故障智能预测方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2012042362A1 (en) * 2010-09-30 2012-04-05 Energie Etiche S.R.L. Combined system for evaluating the producibility of a wind farm
CN109508818A (zh) * 2018-10-23 2019-03-22 保定正德电力技术有限公司 一种基于LSSVM的在线NOx预测方法
CN115049113A (zh) * 2022-05-30 2022-09-13 三峡大学 基于时间窗口和超参数自适应选择的s2s电力负荷预测系统
CN115544361A (zh) * 2022-10-10 2022-12-30 上海瀛数信息科技有限公司 一种窗口相似度分析的关注点变化预测框架及其分析方法
EP4120158A1 (en) * 2021-07-12 2023-01-18 Bühler AG Control system for optimizing energy management in production processes of plants or industrial sites or measuring system for automated measuring of co2e quantification measures
CN116151451A (zh) * 2023-02-22 2023-05-23 江南大学 基于三重强化学习的电池制造能力可变权组合预测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2012042362A1 (en) * 2010-09-30 2012-04-05 Energie Etiche S.R.L. Combined system for evaluating the producibility of a wind farm
CN109508818A (zh) * 2018-10-23 2019-03-22 保定正德电力技术有限公司 一种基于LSSVM的在线NOx预测方法
EP4120158A1 (en) * 2021-07-12 2023-01-18 Bühler AG Control system for optimizing energy management in production processes of plants or industrial sites or measuring system for automated measuring of co2e quantification measures
CN115049113A (zh) * 2022-05-30 2022-09-13 三峡大学 基于时间窗口和超参数自适应选择的s2s电力负荷预测系统
CN115544361A (zh) * 2022-10-10 2022-12-30 上海瀛数信息科技有限公司 一种窗口相似度分析的关注点变化预测框架及其分析方法
CN116151451A (zh) * 2023-02-22 2023-05-23 江南大学 基于三重强化学习的电池制造能力可变权组合预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
王宝等: "基于多维度与QGA-LSSVM算法的制造业用电量预测", 电力需求侧管理, vol. 19, no. 1, pages 17 - 21 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117235462A (zh) * 2023-11-09 2023-12-15 海门市知行包装制品有限公司 基于时序数据分析的袋式包装机故障智能预测方法
CN117235462B (zh) * 2023-11-09 2024-02-13 海门市知行包装制品有限公司 基于时序数据分析的袋式包装机故障智能预测方法

Also Published As

Publication number Publication date
CN116341770B (zh) 2023-07-21

Similar Documents

Publication Publication Date Title
CN116341770B (zh) 基于聚苯乙烯生产数据的生产能力预测方法及系统
CN111008726B (zh) 一种电力负荷预测中类图片转换方法
CN111768034A (zh) 一种电力负荷预测中基于近邻算法进行插补补充缺失值的方法
CN117313016B (zh) 一种新能源电力交易现货电价价差数据处理方法
CN112749840A (zh) 一种火电机组能效特征指标基准值的获取方法
CN114015825A (zh) 基于注意力机制的高炉热负荷异常状态监测方法
CN116520772A (zh) 基于多任务迁移学习的薄板零件数控加工质量预测方法
CN116821832A (zh) 针对高压工商业用户用电负荷的异常数据辨识与修正方法
CN106845825B (zh) 一种基于改进pca的带钢冷轧质量问题溯源及控制方法
CN112084461A (zh) 一种基于历史洪水学习的knn实时校正方法
CN114118401A (zh) 基于神经网络的配电网络流量预测方法、系统、装置及存储介质
CN117786371A (zh) 一种温度监测数据优化预测分析方法及系统
CN112348236B (zh) 用于智能用电监测终端的异常日负荷需求预测系统与方法
CN112418522A (zh) 一种基于三支集成预测模型的工业加热炉钢温预测方法
CN114266423B (zh) 基于多模型的电力能源需求预测方法、装置及存储介质
CN116894687A (zh) 一种基于机器学习的用电量分析方法及系统、电子设备
CN111259914B (zh) 一种茶树叶特征信息高光谱提取方法
CN110117798B (zh) 一种铝电解的氧化铝浓度估计方法及装置
US20240232351A9 (en) Dynamic Windowing for Processing Event Streams
US20240134978A1 (en) Dynamic Windowing for Processing Event Streams
CN116757337B (zh) 一种基于人工智能的房建施工进度预测系统
CN116843368B (zh) 基于arma模型的营销数据处理方法
CN117792404B (zh) 一种用于铝合金压铸零件的数据管理方法
CN117933404B (zh) 基于独立同分布与多伯努利分布的多目标跟踪方法和装置
CN114443628B (zh) 一种基于聚类的金融缺失数据处理方法

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