CN116595806A - 一种自适应温度数据补全方法 - Google Patents

一种自适应温度数据补全方法 Download PDF

Info

Publication number
CN116595806A
CN116595806A CN202310860574.5A CN202310860574A CN116595806A CN 116595806 A CN116595806 A CN 116595806A CN 202310860574 A CN202310860574 A CN 202310860574A CN 116595806 A CN116595806 A CN 116595806A
Authority
CN
China
Prior art keywords
temperature
temperature data
data
day
time
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
CN202310860574.5A
Other languages
English (en)
Other versions
CN116595806B (zh
Inventor
马勇
王睿
李凌
邹健
徐鹏丽
郑文胜
刘苏莹
谢英
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.)
Jiangxi Normal University
Original Assignee
Jiangxi Normal University
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 Jiangxi Normal University filed Critical Jiangxi Normal University
Priority to CN202310860574.5A priority Critical patent/CN116595806B/zh
Publication of CN116595806A publication Critical patent/CN116595806A/zh
Application granted granted Critical
Publication of CN116595806B publication Critical patent/CN116595806B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/08—Thermal analysis or thermal optimisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/12—Timing analysis or timing optimisation
    • 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
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Theoretical Computer Science (AREA)
  • Pure & Applied Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Algebra (AREA)
  • Software Systems (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • Computing Systems (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明公开了一种自适应温度数据补全方法，通过判断原始温度数据缺失的程度，若只有最高温度数据和最低温度数据，则利用日最高最低温度进行缺失温度数据时间序列的补全；若原始温度数据中所求当日温度数据只有最高温度和最低温度数据，其余时期数据均保留，则初始化不同时期对所求当日温度影响权重函数的参数，得到各历史时期初始影响权重序列；通过历史时间温度数据和影响权重拟合模型得到预测温度数据和预测温度变化曲线；对影响权重函数的参数进行优化；将所求当日温度数据经过优化后的温度变换拟合模型得到最终预测温度曲线。通过上述方式，本发明能够利用已知数据对所求温度数据补全并提高预测精度，在保证准确率的情况下降低计算负载。

Description

一种自适应温度数据补全方法
技术领域
本发明涉及温度数据补全领域，特别是涉及一种自适应温度数据补全方法。
背景技术
温度是气象资料中的重要特征，温度数据的研究是农业生产，粮食保存，渔业管理等过程中的重要一环，而温度数据文件丢失或者温度采集传感器故障等问题会导致历史温度数据的部分缺失。
公开号为CN109522512A，名称为一种气象数据补全方法及系统的专利文献，通过目标气象站及所述目标气象站的各个邻近气象站的第k个气象要素在n个时间段采集到的数据，计算各个邻近气象站与目标气象站的关联度；根据关联度,选出净流量最大的邻近气象站；根据所述净流量最大的邻近气象站的第k个气象要素在第N时间段采集到的数据，及所述净流量最大的邻近气象站与目标气象站的关联度，补全目标气象站的第k个气象要素在第N时间段未采集到的数据。
公开号为CN111694830A，名称为一种基于深度集成学习的缺失数据补全方法的专利文献，通过获取原始样本并分离该原始样本中包含缺失值的缺失样本以及数据完整的完整样本，并将所有完整样本构成一个训练集；对训练集进行特征抽样得到多个特征子集；基于每个特征子集训练一个对应的深度自编码机；获取一个缺失样本作为当前待预测样本；基于待预测样本中的缺失值获取对应的深度自编码机并输入深度自编码机得到多个缺失值的预测值；将各个预测值进行加权融合得到最终预测值；基于最终预测值对当前待预测样本中的缺失值进行补全形成完整样本；重复步骤S4至步骤S7直到所有缺失样本都被补全。
发明内容
本发明主要解决的技术问题是提供一种自适应温度数据补全方法，解决温度数据缺失补全问题。
为解决上述技术问题，本发明采用的一个技术方案是：提供一种自适应温度数据补全方法，其特征在于，所述方法包括：
S100：从国家气候数据中心获取每日温度的原始温度数据，判断所述原始温度数据缺失的程度，若只有最高温度数据和最低温度数据，则转S200；若所述原始温度数据中所求当日温度数据只有最高温度数据和最低温度数据，非所求当日的温度数据均保留，则转S300；
S200：获取所述原始温度数据中所求当日每小时温度变化数据，利用日最高温、日最低温度进行缺失温度数据时间序列的补全；
S300：初始化不同时期对所述所求当日温度的影响权重函数的参数，得到各历史时期的初始影响权重序列；
S400：通过历史时间温度数据和所述影响权重经过温度变换拟合模型得到预测温度数据和预测温度变化曲线；
S500：计算所述预测温度数据与所述原始温度数据的误差，通过所述误差对影响权重函数的参数进行优化；
S600：将所求当日温度数据经过优化后的温度变换拟合模型得到最终预测温度曲线；
所述原始温度数据包括历史时间温度数据和历史时间序列。
进一步地，所述S200包括：
S210：从所述原始数据中获取所求当日每小时温度变化数据，定义24个温度数据的时间序列集合；
S220：构建时间压缩公式将24小时压缩为2小时；
S230：根据所述原始温度数据，获得原始点A、B、C坐标；
S240：根据所述原始点A、B、C坐标和所述时间压缩公式，拟合得出温度变化曲线；
S250：根据所述温度变化曲线获取温度数据补全所述时间序列集合中所缺失的温度数据；
所述时间压缩公式计算公式为：
；
其中，Z为整数，t为当日凌晨5时至次日凌晨4时的24个时间点；
所述原始点A、B、C坐标，为A（0，），（0.75，），（1.92，），由该日5时最低温度，该日14时最高温度，以及次日4时最低温度得出；
所述温度变化曲线函数，其中，计算公式为：
；
其中，为常数参数；
其中，是以 为对称轴做原始点的对称点 ,则由三点确定对应的一元二次函数，得出常数参数的值;
其中，是以 为对称轴做原始点的对称点 ,则由三点确定对应的一元二次函数，得出常数参数的值。
进一步地，所述S300包括：
S310：从原始温度数据中获取历史时间为第天的每小时温度数据，得到24个温度时间序列数据；
S320：计算历史时间序列中的温度数据对所求当日温度数据的影响权重；
S330：计算所述历史时间序列中每一天对应的影响权重构成影响权重序列：
S340：将所求当日的前一天对应的影响权重序列作为初始权重序列矩阵；
所述历史时间为第天的计算公式为：
；
其中，为所求温度数据当日，n为正整数，代表两个相邻历史时间之间所间隔的天数，为历史时间序列中的第n项；
所述影响权重函数采用Harris衰减曲线，影响权重的计算公式为：
；
其中， a、b为函数参数，初始值都为1，历史时间离所求当日越近，则影响权重越大；
所述影响权重序列为：
；
其中，，且权重之和为1，即；
所述初始权重序列矩阵为：
；
其中，。
进一步地，所述S400，包括：
S410：对各历史时期的温度数据进行加权计算得到所述历史时期的温度预测数据；
S420：将离散的所述温度预测数据经过傅里叶变换得到连续的温度变化曲线Y；
S430：将所述连续的温度变化曲线Y进行转换，使得预测的所述温度变化曲线中最高温度和最低温度与历史温度数据中对应的最高温度和最低温度相等；
S440：构建温度变换拟合模型，对经过所述转换后的温度变化曲线通过所述温度变换拟合模型得到所求当日的预测温度变化曲线；
所述温度预测数据的计算公式为：
；
其中，为历史时间序列中所有历史时间的逐小时温度数据所组成的矩阵；
所述傅里叶变换为：
；
；
其中，常数i的值可指定为任意正整数，i的值越大，曲线的拟合度越好，i值一般定为20时曲线拟合度较好且其运算量较为合适，k为组合三角函数的项数，为当k取0时对应的参数值，、为由因变量决定的常数，通过欧拉公式：，将变换为复数形式：
；
其中，e为自然对数的底，j为虚数单位，，且为三角函数频率，T为时间周期24小时，m表示时刻；
所述转换的计算公式为：
；
；
；
其中，为温度预测曲线Y的最高温度，为温度预测曲线Y的最低温度，为历史温度数据中对应的最高温度，为历史温度数据中对应的最低温度。
进一步地，所述温度变换拟合模型，包括：
S441：构建时间压缩公式将24小时压缩为2小时；
S442：根据所述原始温度数据，获得原始点、、坐标；
S443：根据所述原始点、、坐标和所述时间压缩公式，计算得出拟合函数；
S444：对所述温度变化曲线进行修正得到最终的温度预测曲线；
S445：在所述最终的温度预测曲线中代入时刻m的具体值可以得到所求当日预测的逐小时温度数据；
所述时间压缩公式计算公式为：
；
其中，Z为整数，t为当日凌晨5时至次日凌晨4时的24个时间点；
所述原始点、、坐标，为（0，），（0.75，），（1.92，），由该日5时最低温度，该日14时最高温度，以及次日4时最低温度得出；
所述温度变化曲线函数，其中，计算公式为：
；
其中，为常数参数；
其中，是以为对称轴做的对称点，则由、、 三点可唯一确定对应的sin函数，代入、、 三点即可得常数参数的值；
其中，是以 为对称轴做的对称点，则由、、 三点可唯一确定对应的sin函数，代入、、 三点即可得常数参数的值；
所述修正的计算公式为：
。
进一步地，所述S500包括：
S510：计算所述预测温度数据与所述原始温度数据的误差；
S520：判断所述误差的均方根是否小于阈值，若是，则表示所述误差较小，所述预测温度数据较准确；若否，则转S530；
S530：根据所述误差对权重影响函数的参数a、b进行调优；
S540：根据所述调优后的参数a、b计算调优后的权重序列，得到优化后的温度变换拟合模型；
所述误差的计算公式为：
；
；
其中，为所述原始温度数据中的逐小时实际温度，为所述逐小时预测温度，为预测温度数据与所述原始温度数据的误差，m=（0，1，2…23）；
所述判断误差的计算公式为：
；
其中，阈值，i=（0,1,2,...,23），中含有不可修正的随机误差；
所述调优的计算公式为：
；
；
；
；
；
其中，为调节量，初始值为，为进行调优时的参数，为各历史时期的温度数据对所求当日温度的影响权重。
综上所述，由于采用了上述技术方案，本发明的有益效果是：
1、本发明能够对两种不同情况进行温度数据补全，分别是只能查找到一段较长历史的最高温度数据和最低温度数据和一段较长历史中只有少数几天的温度数据只剩最高温度和最低温度这两种情况，尽可能地利用已有数据并减小预测的误差。
2、本发明能够在历史数据较多时，利用已知历史温度数据对所求当日数据的影响和所求当日的最高温度和最低温度进行拟合并修正预测温度曲线，并通过调整影响权重参数减小误差，通过数学计算方法，在尽可能保证准确率的情况下减小计算负担。
附图说明
图1是一种自适应温度数据补全方法的流程图。
图2是一种自适应温度数据补全方法的少量数据缺失情况温度数据补全方法流程图。
图3是一种自适应温度数据补全方法的当日温度缺失情况温度数据补全方法流程图。
图4是一种自适应温度数据补全方法的预测温度变化曲线拟合流程图。
图5是一种自适应温度数据补全方法的温度变换拟合模型流程图。
图6是一种自适应温度数据补全方法的参数优化方法流程图。
图7是本发明中一个实施例的预测温度变化曲线与真实温度曲线对比图。
图8是本发明中一个实施例的最终预测温度曲线与真实温度曲线对比图。
具体实施方式
下面结合附图对本发明的较佳实施例进行详细阐述，以使本发明的优点和特征能更易于被本领域技术人员理解，从而对本发明的保护范围做出更为清楚明确的界定。
请参阅图1、图2、图3、图4、图5、图6、图7和图8，本发明实施例包括：提供一种自适应温度数据补全方法，如图1所示，其特征在于，所述方法包括：
S100：从国家气候数据中心获取每日温度的原始温度数据，判断所述原始温度数据缺失的程度，若只有最高温度数据和最低温度数据，则转S200；若所述原始温度数据中所求当日温度数据只有最高温度数据和最低温度数据，非所求当日的温度数据均保留，则转S300；
所述原始温度数据包括历史时间温度数据和历史时间序列；
S200：获取所述原始温度数据中所求当日每小时温度变化数据，利用日最高温、日最低温度进行缺失温度数据时间序列的补全。
进一步地，如图2所示，所述S200包括：
S210：从所述原始数据中获取所求当日每小时温度变化数据，定义24个温度数据的时间序列集合；
S220：构建时间压缩公式将24小时压缩为2小时；
S230：根据所述原始温度数据，获得原始点A、B、C坐标；
S240：根据所述原始点A、B、C坐标和所述时间压缩公式，拟合得出温度变化曲线；
S250：根据所述温度变化曲线获取温度数据补全所述时间序列集合中所缺失的温度数据；
所述时间压缩公式计算公式为：
；
其中，Z为整数，t为当日凌晨5时至次日凌晨4时的24个时间点；
所述原始点A、B、C坐标，为A（0，），（0.75，），（1.92，），由该日5时最低温度，该日14时最高温度，以及次日4时最低温度得出；
所述温度变化曲线函数，其中，计算公式为：
；
其中，为常数参数；
其中，是以 为对称轴做原始点的对称点 ,则由 三点确定对应的一元二次函数，得出常数参数的值;
其中，是以 为对称轴做原始点的对称点 ,则由三点确定对应的一元二次函数，得出常数参数的值。
S300：初始化不同时期对所述所求当日温度的影响权重函数的参数，得到各历史时期的初始影响权重序列。
进一步地，如图3所示，所述S300包括：
S310：从原始温度数据中获取历史时间为第天的每小时温度数据，得到24个温度时间序列数据；
S320：计算历史时间序列中的温度数据对所求当日温度数据的影响权重；
S330：计算所述历史时间序列中每一天对应的影响权重构成影响权重序列：
S340：将所求当日的前一天对应的影响权重序列作为初始权重序列矩阵；
所述历史时间为第天的计算公式为：
；
其中，为所求温度数据当日，n为正整数，代表两个相邻历史时间之间所间隔的天数，为历史时间序列中的第n项；
所述影响权重函数采用Harris衰减曲线，影响权重的计算公式为：
；
其中， a、b为函数参数，初始值都为1，历史时间离所求当日越近，则影响权重越大；
所述影响权重序列为：
；
其中，，且权重之和为1，即；
所述初始权重序列矩阵为：
；
其中，。
S400：通过历史时间温度数据和所述影响权重经过温度变换拟合模型得到预测温度数据和预测温度变化曲线。
进一步地，如图4所示，所述S400，包括：
S410：对各历史时期的温度数据进行加权计算得到所述历史时期的温度预测数据；
S420：将离散的所述温度预测数据经过傅里叶变换得到连续的温度变化曲线Y；
S430：将所述连续的温度变化曲线Y进行转换，使得预测的所述温度变化曲线中最高温度和最低温度与历史温度数据中对应的最高温度和最低温度相等；
S440：构建温度变换拟合模型，对经过所述转换后的温度变化曲线通过所述温度变换拟合模型得到所求当日的预测温度变化曲线；
所述温度预测数据的计算公式为：
；
其中，为历史时间序列中所有历史时间的逐小时温度数据所组成的矩阵；
所述傅里叶变换为：
；
；
其中，常数i的值可指定为任意正整数，i的值越大，曲线的拟合度越好，i值一般定为20时曲线拟合度较好且其运算量较为合适，k为组合三角函数的项数，为当k取0时对应的参数值，、为由因变量决定的常数，通过欧拉公式：，将变换为复数形式：
；
其中，e为自然对数的底，j为虚数单位，，且为三角函数频率，T为时间周期24小时，m表示时刻；
所述转换的计算公式为：
；
；
；
其中，为温度预测曲线Y的最高温度，为温度预测曲线Y的最低温度，为历史温度数据中对应的最高温度，为历史温度数据中对应的最低温度。
进一步地，如图5所示，所述温度变换拟合模型，包括：
S441：构建时间压缩公式将24小时压缩为2小时；
S442：根据所述原始温度数据，获得原始点、、坐标；
S443：根据所述原始点、、坐标和所述时间压缩公式，计算得出拟合函数；
S444：对所述温度变化曲线进行修正得到最终的温度预测曲线；
S445：在所述最终的温度预测曲线中代入时刻m的具体值可以得到所求当日预测的逐小时温度数据；
所述时间压缩公式计算公式为：
；
其中，Z为整数，t为当日凌晨5时至次日凌晨4时的24个时间点；
所述原始点、、坐标，为（0，），（0.75，），（1.92，），由该日5时最低温度，该日14时最高温度，以及次日4时最低温度得出；
所述温度变化曲线函数，其中，计算公式为：
；
其中，为常数参数；
其中，是以为对称轴做的对称点，则由、、 三点可唯一确定对应的sin函数，代入、、 三点即可得常数参数的值；
其中，是以 为对称轴做的对称点，则由、、 三点可唯一确定对应的sin函数，代入、、 三点即可得常数参数的值；
所述修正的计算公式为：
。
S500：计算所述预测温度数据与所述原始温度数据的误差，通过所述误差对影响权重函数的参数进行优化。
如图7所示，在本发明中一个实施例中，将离散的温度预测数据经过傅里叶变换得到连续的温度变化曲线，对温度变化曲线进行转换，使得温度变化曲线中最高温度和最低温度与历史温度数据中对应的最高温度和最低温度相等，通过温度变换拟合模型，对温度变化曲线进行修正，得到所求当日的预测温度变化曲线。
进一步地，如图6所示，所述S500包括：
S510：计算所述预测温度数据与所述原始温度数据的误差；
S520：判断所述误差的均方根是否小于阈值，若是，则表示所述误差较小，所述预测温度数据较准确；若否，则转S530；
S530：根据所述误差对权重影响函数的参数a、b进行调优；
S540：根据所述调优后的参数a、b计算调优后的权重序列，得到优化后的温度变换拟合模型；
所述误差的计算公式为：
；
；
其中，为所述原始温度数据中的逐小时实际温度，为所述逐小时预测温度，为预测温度数据与所述原始温度数据的误差，m=（0，1，2…23）；
所述判断误差的计算公式为：
；
其中，阈值，i=（0,1,2,...,23），中含有不可修正的随机误差；
所述调优的计算公式为：
；
；
；
；
；
其中，为调节量，初始值为，为进行调优时的参数，为各历史时期的温度数据对所求当日温度的影响权重。
S600：将所求当日温度数据经过优化后的温度变换拟合模型得到最终预测温度曲线。
如图8所示，在本发明中一个实施例中，通过预测温度数据与原始温度数据的误差，对权重影响函数的参数a、b进行调优，获得优化后的温度变换拟合模型，将所求当日温度数据经过优化后的温度变换拟合模型得到最终预测温度曲线。
以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (6)

1.一种自适应温度数据补全方法，其特征在于，包括：
S100：从国家气候数据中心获取每日温度的原始温度数据，判断所述原始温度数据缺失的程度，若只有最高温度数据和最低温度数据，则转S200；若所述原始温度数据中所求当日温度数据只有最高温度数据和最低温度数据，非所求当日的温度数据均保留，则转S300；
S200：获取所述原始温度数据中所求当日每小时温度变化数据，利用日最高温、日最低温度进行缺失温度数据时间序列的补全；
S300：初始化不同时期对所述所求当日温度的影响权重函数的参数，得到各历史时期的初始影响权重序列；
S400：通过历史时间温度数据和所述影响权重经过温度变换拟合模型得到预测温度数据和预测温度变化曲线；
S500：计算所述预测温度数据与所述原始温度数据的误差，通过所述误差对影响权重函数的参数进行优化；
S600：将所求当日温度数据经过优化后的温度变换拟合模型得到最终预测温度曲线；
所述原始温度数据包括历史时间温度数据和历史时间序列。
2.如权利要求1所述的一种自适应温度数据补全方法，其特征在于，所述S200包括：
S210：从所述原始数据中获取所求当日每小时温度变化数据，定义24个温度数据的时间序列集合；
S220：构建时间压缩公式将24小时压缩为2小时；
S230：根据所述原始温度数据，获得原始点A、B、C坐标；
S240：根据所述原始点A、B、C坐标和所述时间压缩公式，拟合得出温度变化曲线；
S250：根据所述温度变化曲线获取温度数据补全所述时间序列集合中所缺失的温度数据；
所述时间压缩公式计算公式为：
；
其中，Z为整数，t为当日凌晨5时至次日凌晨4时的24个时间点；
所述原始点A、B、C坐标，为A（0，），（0.75，），（1.92，），由该日5时最低温度，该日14时最高温度，以及次日4时最低温度得出；
所述温度变化曲线函数，其中，计算公式为：
；
其中，为常数参数；
其中，是以 为对称轴做原始点的对称点 ，则由三点确定对应的一元二次函数，得出常数参数的值;
其中，是以 为对称轴做原始点的对称点 ，则由三点确定对应的一元二次函数，得出常数参数的值。
3.如权利要求1所述的一种自适应温度数据补全方法，其特征在于，所述S300包括：
S310：从原始温度数据中获取历史时间为第天的每小时温度数据，得到24个温度时间序列数据；
S320：计算历史时间序列中的温度数据对所求当日温度数据的影响权重；
S330：计算所述历史时间序列中每一天对应的影响权重构成影响权重序列：
S340：将所求当日的前一天对应的影响权重序列作为初始权重序列矩阵；
所述历史时间为第天的计算公式为：
；
其中，为所求温度数据当日，n为正整数，代表两个相邻历史时间之间所间隔的天数，为历史时间序列中的第n项；
所述影响权重函数采用Harris衰减曲线，影响权重的计算公式为：
；
其中， a、b为函数参数，初始值都为1，历史时间离所求当日越近，则影响权重越大；
所述影响权重序列为：
；
其中，，且权重之和为1，即；
所述初始权重序列矩阵为：
；
其中，。
4.如权利要求1所述的一种自适应温度数据补全方法，其特征在于，所述S400，包括：
S410：对各历史时期的温度数据进行加权计算得到所述历史时期的温度预测数据；
S420：将离散的所述温度预测数据经过傅里叶变换得到连续的温度变化曲线Y；
S430：将所述连续的温度变化曲线Y进行转换，使得预测的所述温度变化曲线中最高温度和最低温度与历史温度数据中对应的最高温度和最低温度相等；
S440：构建温度变换拟合模型，对经过所述转换后的温度变化曲线通过所述温度变换拟合模型得到所求当日的预测温度变化曲线；
所述温度预测数据的计算公式为：
；
其中，为历史时间序列中所有历史时间的逐小时温度数据所组成的矩阵；
所述傅里叶变换为：
；
；
其中，常数i的值可指定为任意正整数，i的值越大，曲线的拟合度越好，i值一般定为20时曲线拟合度较好且其运算量较为合适，k为组合三角函数的项数，为当k取0时对应的参数值，、为由因变量决定的常数，通过欧拉公式：，将变换为复数形式：
；
其中，e为自然对数的底，j为虚数单位，，且为三角函数频率，T为时间周期24小时，m表示时刻；
所述转换的计算公式为：
；
；
；
其中，为温度预测曲线Y的最高温度，为温度预测曲线Y的最低温度，为历史温度数据中对应的最高温度，为历史温度数据中对应的最低温度。
5.如权利要求4所述的一种自适应温度数据补全方法，其特征在于，所述温度变换拟合模型，包括：
S441：构建时间压缩公式将24小时压缩为2小时；
S442：根据所述原始温度数据，获得原始点、、坐标；
S443：根据所述原始点、、坐标和所述时间压缩公式，计算得出拟合函数；
S444：对所述温度变化曲线进行修正得到最终的温度预测曲线；
S445：在所述最终的温度预测曲线中代入时刻m的具体值可以得到所求当日预测的逐小时温度数据；
所述时间压缩公式计算公式为：
；
其中，Z为整数，t为当日凌晨5时至次日凌晨4时的24个时间点；
所述原始点、、坐标，为（0，），（0.75，），（1.92，），由该日5时最低温度，该日14时最高温度，以及次日4时最低温度得出；
所述温度变化曲线函数，其中，计算公式为：
；
其中，为常数参数；
其中，是以为对称轴做的对称点，则由、、 三点可唯一确定对应的sin函数，代入、、 三点即可得常数参数的值；
其中，是以 为对称轴做的对称点，则由、、 三点可唯一确定对应的sin函数，代入、、 三点即可得常数参数的值；
所述修正的计算公式为：
。
6.如权利要求1所述的一种自适应温度数据补全方法，其特征在于，所述S500包括：
S510：计算所述预测温度数据与所述原始温度数据的误差；
S520：判断所述误差的均方根是否小于阈值，若是，则表示所述误差较小，所述预测温度数据较准确；若否，则转S530；
S530：根据所述误差对权重影响函数的参数a、b进行调优；
S540：根据所述调优后的参数a、b计算调优后的权重序列，得到优化后的温度变换拟合模型；
所述误差的计算公式为：
；
；
其中，为所述原始温度数据中的逐小时实际温度，为所述逐小时预测温度，为预测温度数据与所述原始温度数据的误差，m=（0，1，2…23）；
所述判断误差的计算公式为：
；
其中，阈值，i=（0,1,2,...,23），中含有不可修正的随机误差；
所述调优的计算公式为：
；
；
；
；
；
其中，为调节量，初始值为，为进行调优时的参数，为各历史时期的温度数据对所求当日温度的影响权重。
CN202310860574.5A 2023-07-14 2023-07-14 一种自适应温度数据补全方法 Active CN116595806B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310860574.5A CN116595806B (zh) 2023-07-14 2023-07-14 一种自适应温度数据补全方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310860574.5A CN116595806B (zh) 2023-07-14 2023-07-14 一种自适应温度数据补全方法

Publications (2)

Publication Number Publication Date
CN116595806A true CN116595806A (zh) 2023-08-15
CN116595806B CN116595806B (zh) 2023-10-10

Family

ID=87604803

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310860574.5A Active CN116595806B (zh) 2023-07-14 2023-07-14 一种自适应温度数据补全方法

Country Status (1)

Country Link
CN (1) CN116595806B (zh)

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104776937A (zh) * 2015-03-31 2015-07-15 中国路桥工程有限责任公司 一种路面温度响应缺失值的补全方法
WO2017113875A1 (zh) * 2015-12-29 2017-07-06 广州视源电子科技股份有限公司 预测温度的方法及其系统
CN107341134A (zh) * 2017-06-27 2017-11-10 洛阳市气象局 一种对数值预报格点温度预报数据精细化处理的方法
CN109726472A (zh) * 2018-12-28 2019-05-07 华北电力大学（保定） 一种将离散数据转换为连续数据的曲线拟合方法
CN110837888A (zh) * 2019-11-13 2020-02-25 大连理工大学 一种基于双向循环神经网络的交通缺失数据补全方法
CN111353633A (zh) * 2020-02-12 2020-06-30 天津大学 基于机器学习的密跃层预测方法
AU2020104000A4 (en) * 2020-12-10 2021-02-18 Guangxi University Short-term Load Forecasting Method Based on TCN and IPSO-LSSVM Combined Model
CN112906871A (zh) * 2021-03-24 2021-06-04 临沂大学 基于混合多层神经网络模型的温度预测方法及系统
CN114019579A (zh) * 2021-08-24 2022-02-08 中国农业科学院农业资源与农业区划研究所 高时空分辨率近地表空气温度重构方法、系统、设备
WO2022069466A1 (de) * 2020-09-29 2022-04-07 Siemens Aktiengesellschaft Ermittlung einer prognose für einen zeithorizont in der zukunft auf basis eines zeithorizonts aus der vergangenheit, insbesondere vorhersage eines schadstoffwertes in der luft
CN115878227A (zh) * 2023-03-02 2023-03-31 江西师范大学 一种基于人群分类的边缘计算任务卸载方法
CN116186560A (zh) * 2023-04-26 2023-05-30 江西师范大学 一种基于有效热力温度值的温度相似度刻画方法

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104776937A (zh) * 2015-03-31 2015-07-15 中国路桥工程有限责任公司 一种路面温度响应缺失值的补全方法
WO2017113875A1 (zh) * 2015-12-29 2017-07-06 广州视源电子科技股份有限公司 预测温度的方法及其系统
CN107341134A (zh) * 2017-06-27 2017-11-10 洛阳市气象局 一种对数值预报格点温度预报数据精细化处理的方法
CN109726472A (zh) * 2018-12-28 2019-05-07 华北电力大学（保定） 一种将离散数据转换为连续数据的曲线拟合方法
CN110837888A (zh) * 2019-11-13 2020-02-25 大连理工大学 一种基于双向循环神经网络的交通缺失数据补全方法
CN111353633A (zh) * 2020-02-12 2020-06-30 天津大学 基于机器学习的密跃层预测方法
WO2022069466A1 (de) * 2020-09-29 2022-04-07 Siemens Aktiengesellschaft Ermittlung einer prognose für einen zeithorizont in der zukunft auf basis eines zeithorizonts aus der vergangenheit, insbesondere vorhersage eines schadstoffwertes in der luft
AU2020104000A4 (en) * 2020-12-10 2021-02-18 Guangxi University Short-term Load Forecasting Method Based on TCN and IPSO-LSSVM Combined Model
CN112906871A (zh) * 2021-03-24 2021-06-04 临沂大学 基于混合多层神经网络模型的温度预测方法及系统
CN114019579A (zh) * 2021-08-24 2022-02-08 中国农业科学院农业资源与农业区划研究所 高时空分辨率近地表空气温度重构方法、系统、设备
CN115878227A (zh) * 2023-03-02 2023-03-31 江西师范大学 一种基于人群分类的边缘计算任务卸载方法
CN116186560A (zh) * 2023-04-26 2023-05-30 江西师范大学 一种基于有效热力温度值的温度相似度刻画方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
JACOB I. MONROE 等: "Extrapolation and interpolation strategies for efficiently estimating structural observables as a function of temperature and density", 《J CHEM PHYS》, vol. 153, no. 14 *
贾梓健 等: "基于傅里叶变换和kNNI的周期性时序数据缺失值补全算法", 《软件工程》, no. 03 *
高赐威 等: "短期负荷预测中考虑积温效应的温度修正模型研究", 《电工技术学报》, no. 04 *

Also Published As

Publication number Publication date
CN116595806B (zh) 2023-10-10

Similar Documents

Publication Publication Date Title
CN114595873B (zh) 一种基于灰色关联的da-lstm的短期电力负荷预测方法
CN112163703A (zh) 考虑气象因子不确定性的农田参考作物蒸散量预测方法
CN115987295A (zh) 基于物联网的农作物监控数据高效处理方法
CN112001537B (zh) 一种基于灰色模型和支持向量机的短期风电功率预测方法
CN106897957B (zh) 一种基于pca和pso-elm的自动气象站实时数据质量控制方法
CN112148557A (zh) 一种性能指标实时预测方法、计算机设备及存储介质
CN112819312A (zh) 气候变化情景下干旱社会经济暴露度评估方法和系统
CN117331705B (zh) 一种基于大数据的数据预测分析方法及系统
CN113139605A (zh) 基于主成分分析和lstm神经网络的电力负荷预测方法
CN107730045B (zh) 一种基于离散惯性动力学系统的基线负荷热惯性修正方法
CN115079309B (zh) 用于多类型海雾的预测模型构建方法、装置、设备及介质
CN117874445B (zh) 一种实时在线监测数据分析的酶制剂生产监测方法
CN116740946A (zh) 一种公路车流量大数据分析处理方法
CN116595806B (zh) 一种自适应温度数据补全方法
CN106054951B (zh) 一种溶解氧浓度的控制方法和系统
CN111582535A (zh) 一种电力负荷中长期预测模型的性能提升方法
JP7342369B2 (ja) 予測システム、予測方法
CN109934394A (zh) 一种基于灰色和马尔科夫理论的需求侧响应预测方法
CN117877587A (zh) 一种全基因组预测模型的深度学习算法
CN115829123A (zh) 基于灰色模型与神经网络的天然气需求预测方法及装置
CN112633549A (zh) 基于统计规律的负荷概率区间建模方法
CN114567288B (zh) 基于变分贝叶斯的分布协同非线性系统状态估计方法
CN109886455A (zh) 雷电气候下超短期负荷预测方法
WO2022012416A1 (en) Method and system for eccentric load error correction
CN114756604A (zh) 一种基于Prophet组合模型的监测时序数据预测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant