CN117236571A - 一种基于物联网的规划方法和系统 - Google Patents
一种基于物联网的规划方法和系统 Download PDFInfo
- Publication number
- CN117236571A CN117236571A CN202311508424.4A CN202311508424A CN117236571A CN 117236571 A CN117236571 A CN 117236571A CN 202311508424 A CN202311508424 A CN 202311508424A CN 117236571 A CN117236571 A CN 117236571A
- Authority
- CN
- China
- Prior art keywords
- dictionary
- prediction model
- representing
- time
- value
- 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
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000005070 sampling Methods 0.000 claims abstract description 41
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 28
- 230000009471 action Effects 0.000 claims abstract description 25
- 238000012937 correction Methods 0.000 claims abstract description 16
- 230000009466 transformation Effects 0.000 claims abstract description 8
- 239000013598 vector Substances 0.000 claims description 26
- 238000004422 calculation algorithm Methods 0.000 claims description 24
- 230000006870 function Effects 0.000 claims description 24
- 238000001914 filtration Methods 0.000 claims description 17
- 230000001932 seasonal effect Effects 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 11
- 230000002159 abnormal effect Effects 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000004927 fusion Effects 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 4
- 238000012952 Resampling Methods 0.000 claims description 3
- 230000005856 abnormality Effects 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 230000003442 weekly effect Effects 0.000 claims description 3
- 101100001673 Emericella variicolor andH gene Proteins 0.000 claims description 2
- 238000001514 detection method Methods 0.000 claims description 2
- 239000012634 fragment Substances 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 description 17
- 230000000694 effects Effects 0.000 description 12
- 230000008569 process Effects 0.000 description 7
- 230000003044 adaptive effect Effects 0.000 description 6
- 230000000737 periodic effect Effects 0.000 description 6
- 239000002699 waste material Substances 0.000 description 6
- 230000007774 longterm Effects 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000001174 ascending effect Effects 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000002452 interceptive effect Effects 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000002547 anomalous effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 230000009897 systematic effect Effects 0.000 description 2
- 238000012731 temporal analysis Methods 0.000 description 2
- 238000000700 time series analysis Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007620 mathematical function Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于物联网的规划方法和系统,属于物联网技术领域,方法包括:获取采样点的历史消耗值;创建基于历史消耗值的时间序列;对时间序列进行基于稳态小波变换的频域多尺度分解;建立第一预测模型和第二预测模型;并将第一预测模型和第二预测没模型下发至边缘端,分别对采样点进行预测,得到初始预测消耗值;通过边缘端获取采样点的实时消耗值;以多次实时消耗值和初始预测消耗值的比值的均值作为预测矫正因子,结合信息熵计算第一预测模型和第二预测模型的权重值;进而进行权重分配,构建目标预测模型;通过目标预测模型预测采样点的目标预测消耗值,动作执行器对采样点进行通断调整。提升预测准确性和规划合理性。
Description
技术领域
本发明属于物联网技术领域,具体涉及一种基于物联网的规划方法和系统。
背景技术
物联网是指互联网中的一种网络架构,通过该架构,可以将各种物理对象(如传感器、设备、车辆、家电等)与互联网连接起来,使它们能够相互通信、交换数据和执行任务,以实现更智能的互动和自动化过程。物联网的核心思想是将物理世界与数字世界相互连接,以便实时监测、控制和协调各种物理对象,这些物理对象通常配备有传感器、处理器和通信设备,使它们能够收集数据、分析信息并与其他物联网设备或云端服务器进行通信。
城市规划通常由城市规划师、政府部门和社区参与者共同完成,它需要综合考虑多种因素,包括城市的历史、文化、社会经济特征和未来发展需求,城市规划的目标是创建一个宜居、可持续、有序和繁荣的城市,以满足居民的需求,并确保城市的未来可持续发展。城市规划还需要不断调整和更新,以适应不断变化的社会和环境条件。
现有技术中,城市规划所需的基础数据往往需要工作人员进行线下的人工普查或者远程调取,获取规划用的数据,这种方式延迟高,及时性差,对于需要及时调度规划的项目效果差,且存在人工主观不可控因素,以人工普查获取的数据进行城市规划准确性较低。
发明内容
为了解决现有技术存在的城市规划所需的基础数据往往需要工作人员进行线下的人工普查或者远程调取,获取规划用的数据,这种方式延迟高,及时性差,对于需要及时调度规划的项目效果差,且存在人工主观不可控因素,以人工普查获取的数据进行城市规划准确性较低的技术问题,本发明提供一种基于物联网的规划方法和系统。
第一方面
本发明提供了一种基于物联网的规划方法,应用于云边协同架构,所述云边协同架构包括动作执行器、边缘端和云服务器,所述边缘端分别与所述动作执行器和所述云服务器连接,所述动作执行器与所述云服务器连接,所述动作执行器用于按指令控制电力设备的通断。
方法包括:
S101:获取采样点的历史消耗值,其中,所述历史消耗值包括历史耗电值、历史用水值和历史燃气使用值;
S102:将所述历史消耗值上传至所述云服务器,在所述云服务器中创建基于所述历史消耗值的时间序列;
S103:对所述时间序列进行基于稳态小波变换的频域多尺度分解,得到不同尺度的子时间序列,其中,所述不同尺度包括日尺度、周尺度、季节尺度、周末尺度、节日尺度;
S104:利用核自适应滤波算法对分解得到的子时间序列进行序列融合学习,建立第一预测模型,;
S105:对所述时间序列进行时域特征分解,得到趋势分量和残差分量;
S106:利用核自适应滤波算法对所述趋势分量和所述残差分量进行序列学习,获取时域波动特征,建立第二预测模型;
S107:并将所述第一预测模型和所述第二预测没模型下发至所述边缘端,分别对所述采样点进行预测,得到初始预测消耗值;
S108:通过所述边缘端获取所述采样点的实时消耗值;
S109:以多次所述实时消耗值和所述初始预测消耗值的比值的均值作为预测矫正因子,结合信息熵计算所述第一预测模型和所述第二预测模型的权重值;
S110:根据所述权重值对所述第一预测模型和所述第二预测模型进行权重分配,构建目标预测模型;
S111:通过所述目标预测模型预测所述采样点的目标预测消耗值,所述动作执行器根据所述目标预测消耗值对所述采样点进行通断调整。
第二方面
本发明提供了一种基于物联网的规划系统,用于执行第一方面中的基于物联网的规划方法。
与现有技术相比,本发明至少具有以下有益技术效果:
(1)在本发明中,构建基于云边协同架构的规划体系,将具有处理能力的边缘端下沉至规划区域,降低物理距离导致的数据传输延迟,避免规划交互数据不及时的问题。将监测区域采集到的历史消耗值等需要巨大计算资源的大体量数据上传至云服务器进行运算,获取基于时间序列的目标预测模型,之后将得到的目标预测模型下发至边缘端完成实时的近距离控制,以及时的控制动作执行器的通断,精准预测资源需求,提升生活用资源的供需平衡,提升资源利用率,减少不必要的资源浪费,提升智能化控制程度,降低由于人工决策导致的能源浪费。
(2)对基于资源的历史消耗值建立的时间序列,利用基于稳态小波变换和成分分解技术,分别获取时间序列的频域多尺度特征和时域多尺度特征,之后利用核自适应滤波算法对获取到的多尺度特征在云服务器中进行升维,将数据映射到高维空间,在高维空间中进行非线性数据分析,捕捉多尺度特征,最后以多次实时消耗值和初始预测消耗值的比值的均值作为预测矫正因子,结合信息熵计算第一预测模型和第二预测模型的权重值,获取目标预测模型,充分利用了云服务器的强大计算能力,完成高维非线性分析,得到的标预测模型获得了时间序列时域频域的属性特征,充分考虑了包括日尺度、周尺度、季节尺度、周末尺度、节日尺度的影响,对资源消耗值的预测值更加准确可靠,进而为城市规划的提前决策提供智能化支持,提升城市规划有效性和科学性。
附图说明
下面将以明确易懂的方式,结合附图说明优选实施方式,对本发明的上述特性、技术特征、优点及其实现方式予以进一步说明。
图1是本发明提供的一种基于物联网的规划方法的流程示意图;
图2是本发明提供的一种云边协同架构的结构示意图。
具体实施方式
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,下面将对照附图说明本发明的具体实施方式。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,并获得其他的实施方式。
为使图面简洁,各图中只示意性地表示出了与发明相关的部分,它们并不代表其作为产品的实际结构。另外,以使图面简洁便于理解,在有些图中具有相同结构或功能的部件,仅示意性地绘示了其中的一个,或仅标出了其中的一个。在本文中,“一个”不仅表示“仅此一个”,也可以表示“多于一个”的情形。
还应当进一步理解,在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
在本文中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
另外,在本发明的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
实施例1
在一个实施例中,参考说明书附图1,示出了本发明提供的基于物联网的规划方法的流程示意图。参考说明书附图2,示出了本发明提供的一种云边协同架构的结构示意图。
图2中示出了云边协同架构的结构示意图,动作执行器集成有传感器用于采集实时数据,动作执行器将采集到的数据上传至云服务器进行高维的非线性分析,充分利用云服务器强大的计算能力解析历史消耗数据中存在的规律性特征,之后云服务器将处理后建立的模型下沉至边缘端进行规划区域的近距离实时控制,提升实时性,在边缘端的控制过程中,边缘端与动作执行器进行数据的实时交互,提升控制的准确性和及时性。
本发明提供的一种基于物联网的规划方法,应用于云边协同架构,云边协同架构包括动作执行器、边缘端和云服务器,边缘端分别与动作执行器和云服务器连接,动作执行器与云服务器连接,动作执行器用于按指令控制电力设备的通断。
方法包括:
S101:获取采样点的历史消耗值。
其中,历史消耗值包括历史耗电值、历史用水值和历史燃气使用值。
其中,采样点包括动作执行器安装的区域,可以是一个小区或者一个街道,通过获取采样点的历史消耗值,可以为进一步分析该采样点的下一时刻需求做出合理分析,基于历史数据的分析才是结合实际的分析,提升后续预测的准确性。
S102:将历史消耗值上传至云服务器,在云服务器中创建基于历史消耗值的时间序列。
其中,云服务器通常建立在云基础设施上,这意味着它们通常受到高度可用性和冗余的支持,如果一个服务器发生故障,工作负载可以自动迁移到其他可用的服务器上,这也提升了一些突发情况的应急能力。云服务器允许用户根据需要动态调整计算资源,云服务器的计算能力非常强大,尤其是当用户选择高性能实例或使用GPU加速时,这种弹性使用户能够在需要更多计算能力时轻松进行扩展,从而确保其应用程序能够应对变化的工作负载。对于数据的多维分析,基础设备往往计算能力不足,云服务可以轻松处理高维数据的分析,将历史消耗值上传至云服务器可以高效充分的分析历史消耗值中存在的特征和趋势,以便更好的进行预测。
时间序列是一种统计数据的组织形式,其中数据点按照时间顺序排列,每个数据点都与特定的时间点或时间段相关联,这种关联可以是等间隔的,也可以是不等间隔的。时间序列数据通常用于分析和预测随时间变化的现象,例如股票价格、气温、销售数据、电力消耗等。时间序列数据包含随时间变化的信息,可以帮助识别过去的趋势和模式,通过分析历史数据,可以更好地理解和捕捉未来可能发生的趋势,时间序列模型充分考虑了过去的信息,可以提供准确的预测,特别是在数据有稳定的趋势和周期性的情况下。
S103:对时间序列进行基于稳态小波变换的频域多尺度分解,得到不同尺度的子时间序列。
其中,不同尺度包括日尺度、周尺度、季节尺度、周末尺度、节日尺度。
其中,态小波变换是一种小波变换方法,用于将时间序列数据分解成不同尺度的子序列,与其他小波变换方法不同,稳态小波变换维持数据的平稳性,这意味着每个尺度的子序列的统计特性保持不变,进而分析时间序列中的频域信息。多尺度分解是将时间序列分解成不同时间尺度或频率范围的组件的过程,在稳态小波变换中,时间序列被分解成多个子序列,每个子序列对应一个特定的尺度或频率成分,这使得分析可以针对不同的时间尺度来进行,以便更好地理解数据中的不同频率成分。不同尺度指的是不同频率或时间间隔的组件,在时间序列中,这些尺度对应于不同的波动或振荡模式。常见的尺度包括:日尺度:用于捕捉每天的波动和趋势。周尺度:用于捕捉每周的周期性模式,如周末效应。季节尺度:用于捕捉季节性模式,如季节性销售变化。周末尺度:专门捕捉周末效应,如周末天气对消费的影响。节日尺度:用于处理节假日对时间序列的影响。将时间序列分解成不同尺度的子序列可以提取特定频率信息,不同尺度的子序列可以帮助识别和分离数据中的不同频率成分,从而更好地理解数据的周期性和趋势。还可以降噪,通过选择适当的尺度,可以减少噪声的影响,使信号更清晰。不同尺度的分解提取与不同时间尺度相关的特征,这对于后续分析和建模非常有用,在多尺度分解的基础上,可以更准确地建立预测模型,尤其是当数据包含多个时间尺度的信息时。使用稳态小波变换进行频域多尺度分解有助于更好地理解时间序列数据中的不同频率成分,从而改善分析、预测和特征提取的效果。
在一种可能的实施方式中,S103具体包括:
S1031:获取时间序列D
;
其中,表示t时刻历史消耗值,n表示降采样时刻数目。
需要说明的是,时间序列D是要进行分解的原始数据,通常是按照一定的时间间隔记录的,例如每天、每小时或任何其他时间单位,n表示降采样的时刻数目,这可能涉及到将原始时间序列按照一定的规则进行抽样或降采样。
S1032:分别通过高通滤波器和低通滤波器对时间序列进行卷积运算,获取子时间序列。
需要说明的是,原始时间序列D经过高通滤波器和低通滤波器的卷积运算,捕捉不同频率成分。高通滤波器通常用于捕捉高频信息,而低通滤波器用于捕捉低频信息。
S1033:对高通滤波器和低通滤波器进行插值补零,并利用插值后的滤波器对通过低通滤波器得到的子时间序列进行分解。
高通滤波器和低通滤波器的输出经过插值补零操作,以保持信号长度,然后,这些插值后的信号通过低通滤波器分解,从而获得不同频率尺度下的子时间序列,低通滤波器通常会保留信号的低频信息,而高通滤波器则捕捉高频信息。
S1034:重复S1032-S1033,对低通滤波器得到的子时间序列进行多次分解,直至分解次数大于或者等于预设分解次数,得到每个尺度下的高频子时间序列和低频子时间序列。
需要说明的是,分解的次数可能会根据预设的分解次数进行控制,或者可以根据需要反复进行,直到获得所需的分辨率或频率尺度。通过多次分解,每个尺度下都会生成高频子时间序列和低频子时间序列,这些子时间序列代表了原始时间序列中不同频率或尺度的成分,这种分解有助于更好地理解时间序列中的不同频率特性,从而为后续分析和建模提供更多信息。这种分解方法有助于提取数据中的频域信息,识别趋势、季节性和其他周期性成分,并为进一步的分析和预测提供更多的信息和细节。
本领域技术人员可以根据实际需要设置预设分解次数的大小,本发明在此不做限定。
S104:利用核自适应滤波算法对分解得到的子时间序列进行序列融合学习,建立第一预测模型。
其中,核自适应滤波算法是一种信号处理技术,用于对信号或序列进行滤波操作,它使用自适应核函数,根据信号的特性来自动调整滤波参数,以优化滤波效果,核函数是一种数学函数,用于在频域中突出或抑制特定频率的成分,自适应滤波算法可以调整核函数的形状和参数,以适应不同信号的变化。序列融合学习是一种机器学习技术,用于将多个序列数据合并或融合为一个单一的模型,以便进行预测或分析,在这个上下文中,序列融合学习指的是将通过核自适应滤波算法计算得到的子时间序列合并为一个整体模型,以进行预测,这可以涉及将不同尺度或频率的子时间序列结合在一起,以更全面地捕捉时间序列的特征。第一预测模型是通过序列融合学习建立的模型,其目的是预测时间序列中的未来值。
建立第一预测模型的主要目的是预测时间序列中的趋势和模式,通过核自适应滤波算法,模型可以自动调整以适应数据的不同特性,从而提高预测准确性。使用核自适应滤波算法和序列融合学习建立第一预测模型有助于更好地理解和预测时间序列数据,提高预测的准确性和可信度,从而在各种应用中提供更好的决策支持,这种方法允许模型自适应地适应不同时间序列的特性,使其更加强大和灵活。
在一种可能的实施方式中,S104具体包括:
S1041:通过预设长度的时间窗口对子时间序列进行数据处理,得到多个序列片段,并将每个序列片段作为相应时刻的输入向量:
;
其中,表示s尺度下的t时刻输入向量,/>,/>分别表示s尺度下t-m时刻和t-1时刻的历史消耗值;
S1042: 将t时刻的历史消耗值作为预测值,建立输入向量和预测值的子预测模型:
;
其中,表示先验误差,/>表示步长因子,/>表示带宽为的默瑟核,/>表示预测函数。
S1043:重复S1041-S1042,对多个尺度下的子时间序列进行学习,得到每个尺度相对应的高频字典和低频字典,其中,字典包括权重系数字典、输入向量字典和预测值字典:
;
其中,i表示字典中的元素个数,分别表示通过t-1时刻的预测值得到的内核中心即输入向量字典、标签分布即预测值字典和分配系数即权重系数字典;
S1044:通过信息散度算法计算邻近高频字典和邻近低频字典/>:
;
其中,和/>分别表示r尺度下t时刻和t-1时刻预测值/>编入预测值/>前后的的概率密度函数,h和l分别表示高频和低频;
S1045:根据邻近高频字典和邻近低频字典,对子预测模型进行优化,得到基于多尺度下的第一预测模型:
;
其中,表示第一预测模型得到的预测值输出,J表示高频字典或者低频字典中的元素个数,/>表示内核中心更新条件,/>表示在满足内核中心更新条件下低频字典更新得到的分配系数,/>表示在满足内核中心更新条件下低频字典更新得到的新的内核中心,/>表示在满足内核中心更新条件下高频字典更新得到的分配系数,/>表示在满足内核中心更新条件下高频字典更新得到的新的内核中心,/>表示当前输入向量,符号“/>”表示正则运算,w表示低频字典权重,var表示历史消耗值的变化率方差,α,β表示超参数。
具体地,首先,将子时间序列划分成多个序列片段,并将每个序列片段作为相应时刻的输入向量,在这里,s代表尺度,t代表当前时刻,m代表一个滑动窗口的长度,每个输入向量包括当前时刻t的历史消耗值和之前m个时刻的历史消耗值,这些向量将用于建立子预测模型。使用当前时刻t的历史消耗值作为预测值,建立子预测模型,这个子预测模型将用于预测未来的时间序列值。循环对多个尺度下的子时间序列进行学习,对每个尺度,重复S1041和S1042的步骤,以获得高频字典和低频字典,这些字典包括权重系数字典、输入向量字典和预测值字典,字典的目的是捕捉不同尺度下的时间序列特征。通过信息散度算法计算邻近高频字典和邻近低频字典之间的相似性,帮助确定字典之间的关联性,从而有助于优化预测模型。最后,根据邻近高频字典和邻近低频字典,对子预测模型进行优化,以得到基于多尺度下的第一预测模型,这个模型考虑了不同尺度下的时间序列特征,可以用于预测未来的时间序列值,优化过程考虑了内核中心的更新条件、分配系数和权重,以确保模型能够更好地适应不同尺度下的数据特性。
通过在不同尺度下更好地理解和预测时间序列的趋势和模式,将不同尺度下的子时间序列组合在一起,模型能够更全面地捕捉时间序列数据的复杂性,提高预测的准确性,此外,通过考虑内核中心的更新条件和权重分配,模型能够自适应地调整以适应不同数据特性,使其更强大和灵活。
在一种可能的实施方式中,在S104之后,还包括:
S104A:对采样点进行异常检测。
在一种可能的实施方式中,S104A具体包括:
S104A1:计算采样点在t-1时刻的概率密度,进而计算采样点t的预测值/>异常分值/>:
;
S104A2:设置异常阈值,在异常分值小于异常阈值的情况下,判定采样点正常,否则,判定采样点异常,对采样点进行重新采样。
需要说明的是,本领域技术人员可以根据实际需要设置异常阈值的大小,本发明在此不做限定。
具体地,先计算采样点在t-1时刻的概率密度,然后计算采样点t的预测值的异常分值,异常分值用于衡量采样点的异常程度,进而量化每个采样点与预测值之间的偏差。之后设置异常阈值,如果采样点的异常分值小于所设置的异常阈值,那么它被判定为正常,反之,如果异常分值大于等于异常阈值,那么该采样点被判定为异常,对于异常采样点,可以采取进一步的行动,例如重新采样或触发警报。这个异常检测过程的目的是帮助系统检测和处理时间序列中的异常情况,通过计算异常分值并与异常阈值进行比较,可以自动识别潜在的问题点,从而采取适当的措施,这有助于提高时间序列数据的质量和可靠性,减少可能的干扰和错误,同时,它还能够提高系统的自动化程度,降低了对人工干预的需求,特别是在大规模和复杂的时间序列数据处理中。
S105:对时间序列进行时域特征分解,得到趋势分量和残差分量。
需要说明的是,域特征分解是一种时间序列分析方法,用于将原始时间序列分解成不同部分以揭示其内部结构和特征,这种分解通常包括提取趋势、季节性、周期性和残差等成分,以更好地理解时间序列的组成和变化。趋势分量是时间序列中的一个组成部分,表示时间序列中的长期趋势或总体走势,它反映了时间序列的长期变化趋势,可以帮助识别时间序列中的整体增长或下降趋势,趋势分量通常用于分离时间序列中的长期变化成分,以便更好地了解时间序列的基本趋势。残差分量是时间序列中的一个组成部分,表示除趋势、季节性和周期性成分之外的随机或不规则波动,它反映了时间序列中的瞬时变化、噪声或异常情况,残差分量通常包括了时间序列中不能被趋势和季节性成分所解释的变化,因此对于捕捉非系统性的波动和随机性非常重要。时域特征分解将时间序列拆分为趋势、季节性、周期性和残差等不同部分,这有助于更好地理解时间序列的结构和成分,趋势分量帮助识别长期趋势,季节性和周期性分量有助于捕捉周期性模式,而残差分量则提供了有关时间序列的非系统性波动的信息,这种分解有助于进行更深入的分析和预测,从而更好地理解时间序列数据的性质和特点。
在一种可能的实施方式中,S105具体包括:
S1051:构建基于柯西损失函数、一阶差分正则项和二阶差分正则项的趋势分量函数:
;
其中,和/>分别表示一阶差分矩阵和二阶差分矩阵,均表示非负平衡参数,“”符号表示计算曼哈顿范数,x表示趋势分量,y表示趋势分量观测值,c表示柯西损失函数的峰值参数;
S1052:通过自适应矩优化算法求解趋势分量函数,得到时间序列相应元素的趋势分量;
S1053:对时间序列进行成分分解,去除趋势分量,得到相应的残差分量/>。
其中,构建的趋势分量函数是用来描述时间序列中的趋势成分的数学模型。它包括三部分:柯西损失函数:用于度量趋势分量与观测值之间的差异,其中c表示柯西损失函数的峰值参数,该参数控制了损失函数的形状。一阶差分正则项:用来平滑趋势分量,以确保趋势分量的连续性,这里的非负平衡参数用于控制正则项的强度。二阶差分正则项:用来进一步平滑趋势分量,以确保趋势分量的光滑性和连续性,同样,非负平衡参数用于控制正则项的强度。
具体地,通过自适应矩优化算法求解趋势分量函数,利用自适应矩优化算法来拟合趋势分量函数,以描述时间序列中的趋势成分,这个算法会自动调整趋势分量的参数,以最小化柯西损失函数、一阶差分正则项和二阶差分正则项的组合。对时间序列进行成分分解,去除趋势分量,在这一步骤中,趋势分量已经被建模并提取出来,现在,这个趋势分量将从原始时间序列中减去,以得到相应的残差分量,残差分量反映了原始时间序列中的非趋势性波动和噪声。
将时间序列分解为趋势和残差两部分,以便更好地理解和建模时间序列的变化,趋势分量有助于捕捉时间序列中的长期趋势,而残差分量提供了有关时间序列中的非系统性波动的信息,通过建立趋势分量函数和应用自适应矩优化算法,可以更好地拟合和提取趋势成分,进一步提高时间序列分析的准确性和可靠性。
S106:利用核自适应滤波算法对趋势分量和残差分量进行序列学习,获取时域波动特征,建立第二预测模型。
在一种可能的实施方式中,S106具体包括:
S1061:对时间序列进行多尺度序列学习,得到趋势分量字典和残差分量字典:
;
其中,i表示字典中的元素个数,分别表示趋势向量对应的通过t-1时刻的预测值/>得到的内核中心即输入向量字典、标签分布即预测值字典和分配系数即权重系数字典,/>分别表示残差向量对应的通过t-1时刻的预测值/>得到的内核中心即输入向量字典、标签分布即预测值字典和分配系数即权重系数字典;
S1062:通过信息散度算法计算邻近趋势分量字典和邻近残差分量字典;
S1063:根据邻近趋势分量字典和邻近残差分量字典,得到第二预测模型:
;
其中,表示第二预测模型得到的预测值输出,/>表示在满足内核中心更新条件下更新得到的趋势分量分配系数,/>表示在满足内核中心更新条件下更新得到新的趋势分量内核中心,/>表示在满足内核中心更新条件下高频字典更新得到的残差分量分配系数,/>表示在满足内核中心更新条件下高频字典更新得到的新的残差分量内核中心,/>表示当前输入向量,w表示趋势分量字典权重。
可以理解的是,第二预测模型旨在更准确地预测时间序列的未来值,利用趋势分量和残差分量来提高预测性能,这种多尺度序列学习和第二预测模型的建立可以更全面地捕捉时间序列中的时域波动特征,提高预测的准确性和鲁棒性。具体的计算过程与第一预测模型的计算过程相似,均是先得到相应的趋势分量字典和残差分量字典,然后找寻邻近字典,之后进行序列学习,获取数据趋势特征,进而建立用于预测未来值的第二预测模型,不同的是,这里的数据基础是基于成分分解得到的时域数据特征,即趋势分量和残差分量,以便提取并描述历史消耗值的时间序列在时域的数据特征,更充分的分析时间序列。
S107:并将第一预测模型和第二预测没模型下发至边缘端,分别对采样点进行预测,得到初始预测消耗值。
其中,边缘端是指云边协同架构中的一层,位于网络的边缘,靠近数据源和终端设备的一侧,它的主要特点是将计算和数据处理能力移到离数据源更近的位置,而不是依赖于远程的云服务器进行数据处理,边缘端计算强调将计算资源尽可能靠近数据源,以实现更快速的数据处理、更低的延迟和更高的实时性,将第一预测模型和第二预测没模型下发至边缘端,通过在边缘端执行预测,可以减少延迟和数据传输,提高实时性。
S108:通过边缘端获取采样点的实时消耗值。
S109:以多次实时消耗值和初始预测消耗值的比值的均值作为预测矫正因子,结合信息熵计算第一预测模型和第二预测模型的权重值。
其中,预测矫正因子是用来修正或调整预测值的因子,在上述情景中,预测矫正因子是根据多次获取的实时消耗值与初始预测消耗值的比值的均值计算得出的,它用于纠正初始的预测,以更好地反映实际情况,从而提高预测的准确性。信息熵是信息论中的一个概念,用于表示信息的不确定性或混乱程度,信息熵用于评估模型的不确定性或混乱,更高的信息熵表示模型的预测更不确定,而更低的信息熵表示模型的预测更稳定和可靠。权重值是用于确定两个或多个不同预测模型在组合中的相对重要性的系数,根据信息熵和预测矫正因子来计算,用于确定第一预测模型和第二预测模型在最终的目标预测模型中的权重,这些权重值决定了每个模型对最终预测结果的贡献程度。结合预测矫正因子和信息熵来计算权重值,通过考虑实时消耗值和初始预测消耗值之间的比值,预测矫正因子有助于更好地调整模型的初始预测,从而提高了预测的准确性。信息熵用于评估不确定性,它可以帮助识别在不同情况下哪个模型更可信。这种鲁棒性可以提高系统对各种数据模式和变化的适应能力。权重值的计算是基于实际数据和模型表现的,因此它可以根据不同情况自适应地确定不同模型的重要性,而不是使用固定的权重。通过组合多个模型的预测,系统可以更可靠地进行决策,减少了因单一模型不准确而导致的风险,提高预测的准确性、鲁棒性和可信度,使系统能够更好地适应不断变化的环境和数据。
在一种可能的实施方式中,S109具体包括:
S1091:预测矫正因子的计算方式为:
;
其中,表示实时消耗值,/>表示同一个预测模型的初始预测消耗值,m表示预测次数;
S1092:将预测矫正因子作为概率参数,计算每个预测模型的预测结果信息熵:
;
其中,H表示预测模型的信息熵;
S1093:根据信息熵,计算各个预测模型的权重系数:
;
其中,H 1和H 2分别表示第一预测模型和第二预测模型的信息熵,和/>分别表示第一预测模型和第二预测模型的权重值。
需要说明的是,通过结合实时数据的比值、信息熵和权重值,这种方法可以自适应地确定不同预测模型的权重,以便在不同情况下更好地预测目标,这可以提高整个系统的准确性和可靠性,因为它可以更灵活地适应不同的数据模式和变化,此外,模型的信息熵还提供了一种度量模型预测不确定性的方式,这有助于在决策制定中量化不同模型的预测准确性,进而更全面地考虑风险。
S110:根据权重值对第一预测模型和第二预测模型进行权重分配,构建目标预测模型。
在一种可能的实施方式中,目标预测模型y具体为:
。
需要说明的是,权重值是S109中计算的信息熵和预测矫正因子来确定的,这些权重值决定了每个模型在目标预测中的相对重要性,通常情况下,信息熵较低的模型将获得更高的权重,因为它们的预测更可信,相反,信息熵较高的模型将获得较低的权重,因为它们的预测不太可信。通过构建这样的目标预测模型,系统可以在考虑了不同模型的性能和不确定性后,提供更可靠和准确的预测结果,从而提高系统的效率和稳定性。
S111:通过目标预测模型预测采样点的目标预测消耗值,动作执行器根据目标预测消耗值对采样点进行通断调整。
其中,动作执行器是一种设备或系统组件,用于执行具体的操作或控制任务,在这种基于物联网的规划系统中,动作执行器的任务是根据预测的目标预测消耗值来控制电力设备的通断,以实现电力设备的远程控制,进而控制配电器供电量、供水阀流量和燃气流量,完成基于目标预测消耗值的智能控制,降低人工控制的主观性造成的损失。
与现有技术相比,本发明至少具有以下有益技术效果:
(1)在本发明中,构建基于云边协同架构的规划体系,将具有处理能力的边缘端下沉至规划区域,降低物理距离导致的数据传输延迟,避免规划交互数据不及时的问题。将监测区域采集到的历史消耗值等需要巨大计算资源的大体量数据上传至云服务器进行运算,获取基于时间序列的目标预测模型,之后将得到的目标预测模型下发至边缘端完成实时的近距离控制,以及时的控制动作执行器的通断,精准预测资源需求,提升生活用资源的供需平衡,提升资源利用率,减少不必要的资源浪费,提升智能化控制程度,降低由于人工决策导致的能源浪费。
(2)对基于资源的历史消耗值建立的时间序列,利用基于稳态小波变换和成分分解技术,分别获取时间序列的频域多尺度特征和时域多尺度特征,之后利用核自适应滤波算法对获取到的多尺度特征在云服务器中进行升维,将数据映射到高维空间,在高维空间中进行非线性数据分析,捕捉多尺度特征,最后以多次实时消耗值和初始预测消耗值的比值的均值作为预测矫正因子,结合信息熵计算第一预测模型和第二预测模型的权重值,获取目标预测模型,充分利用了云服务器的强大计算能力,完成高维非线性分析,得到的标预测模型获得了时间序列时域频域的属性特征,充分考虑了包括日尺度、周尺度、季节尺度、周末尺度、节日尺度的影响,对资源消耗值的预测值更加准确可靠,进而为城市规划的提前决策提供智能化支持,提升城市规划有效性和科学性。
实施例2
在一个实施例中,本发明提供的一种基于物联网的规划系统,用于执行实施例1中的基于物联网的规划方法。
本发明提供的一种基于物联网的规划系统可以实现上述实施例1中的基于物联网的规划方法的步骤和效果,为避免重复,本发明不再赘述。
与现有技术相比,本发明至少具有以下有益技术效果:
(1)在本发明中,构建基于云边协同架构的规划体系,将具有处理能力的边缘端下沉至规划区域,降低物理距离导致的数据传输延迟,避免规划交互数据不及时的问题。将监测区域采集到的历史消耗值等需要巨大计算资源的大体量数据上传至云服务器进行运算,获取基于时间序列的目标预测模型,之后将得到的目标预测模型下发至边缘端完成实时的近距离控制,以及时的控制动作执行器的通断,精准预测资源需求,提升生活用资源的供需平衡,提升资源利用率,减少不必要的资源浪费,提升智能化控制程度,降低由于人工决策导致的能源浪费。
(2)对基于资源的历史消耗值建立的时间序列,利用基于稳态小波变换和成分分解技术,分别获取时间序列的频域多尺度特征和时域多尺度特征,之后利用核自适应滤波算法对获取到的多尺度特征在云服务器中进行升维,将数据映射到高维空间,在高维空间中进行非线性数据分析,捕捉多尺度特征,最后以多次实时消耗值和初始预测消耗值的比值的均值作为预测矫正因子,结合信息熵计算第一预测模型和第二预测模型的权重值,获取目标预测模型,充分利用了云服务器的强大计算能力,完成高维非线性分析,得到的标预测模型获得了时间序列时域频域的属性特征,充分考虑了包括日尺度、周尺度、季节尺度、周末尺度、节日尺度的影响,对资源消耗值的预测值更加准确可靠,进而为城市规划的提前决策提供智能化支持,提升城市规划有效性和科学性。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种基于物联网的规划方法,其特征在于,应用于云边协同架构,所述云边协同架构包括动作执行器、边缘端和云服务器,所述边缘端分别与所述动作执行器和所述云服务器连接,所述动作执行器与所述云服务器连接,所述动作执行器用于按指令控制电力设备的通断,方法包括:
S101:获取采样点的历史消耗值,其中,所述历史消耗值包括历史耗电值、历史用水值和历史燃气使用值;
S102:将所述历史消耗值上传至所述云服务器,在所述云服务器中创建基于所述历史消耗值的时间序列;
S103:对所述时间序列进行基于稳态小波变换的频域多尺度分解,得到不同尺度的子时间序列,其中,所述不同尺度包括日尺度、周尺度、季节尺度、周末尺度、节日尺度;
S104:利用核自适应滤波算法对分解得到的子时间序列进行序列融合学习,建立第一预测模型;
S105:对所述时间序列进行时域特征分解,得到趋势分量和残差分量;
S106:利用核自适应滤波算法对所述趋势分量和所述残差分量进行序列学习,获取时域波动特征,建立第二预测模型;
S107:并将所述第一预测模型和所述第二预测没模型下发至所述边缘端,分别对所述采样点进行预测,得到初始预测消耗值;
S108:通过所述边缘端获取所述采样点的实时消耗值;
S109:以多次所述实时消耗值和所述初始预测消耗值的比值的均值作为预测矫正因子,结合信息熵计算所述第一预测模型和所述第二预测模型的权重值;
S110:根据所述权重值对所述第一预测模型和所述第二预测模型进行权重分配,构建目标预测模型;
S111:通过所述目标预测模型预测所述采样点的目标预测消耗值,所述动作执行器根据所述目标预测消耗值对所述采样点进行通断调整。
2.根据权利要求1所述的基于物联网的规划方法,其特征在于,所述S103具体包括:
S1031:获取所述时间序列D
;
其中,表示t时刻历史消耗值,n表示降采样时刻数目;
S1032:分别通过高通滤波器和低通滤波器对所述时间序列进行卷积运算,获取子时间序列;
S1033:对所述高通滤波器和所述低通滤波器进行插值补零,并利用插值后的滤波器对通过低通滤波器得到的子时间序列进行分解;
S1034:重复S1032-S1033,对所述低通滤波器得到的子时间序列进行多次分解,直至分解次数大于或者等于预设分解次数,得到每个尺度下的高频子时间序列和低频子时间序列。
3.根据权利要求1所述的基于物联网的规划方法,其特征在于,所述S104具体包括:
S1041:通过预设长度的时间窗口对所述子时间序列进行数据处理,得到多个序列片段,并将每个所述序列片段作为相应时刻的输入向量:
;
其中,表示s尺度下的t时刻输入向量,/>,/>分别表示s尺度下t-m时刻和t-1时刻的历史消耗值;
S1042: 将t时刻的历史消耗值作为预测值,建立所述输入向量和所述预测值的子预测模型:
;
其中,表示先验误差,/>表示步长因子,/>表示带宽为/>的默瑟核,/>表示预测函数;
S1043:重复S1041-S1042,对多个尺度下的子时间序列进行学习,得到每个尺度相对应的高频字典和低频字典,其中,所述字典包括权重系数字典、输入向量字典和预测值字典:
;
其中,i表示字典中的元素个数,分别表示通过t-1时刻的预测值/>得到的内核中心即输入向量字典、标签分布即预测值字典和分配系数即权重系数字典;
S1044:通过信息散度算法计算邻近高频字典和邻近低频字典/>:
;
其中,和/>分别表示r尺度下t时刻和t-1时刻预测值/>编入预测值/>前后的的概率密度函数,h和l分别表示高频和低频;
S1045:根据所述邻近高频字典和所述邻近低频字典,对所述子预测模型进行优化,得到基于多尺度下的第一预测模型:
;
其中,表示所述第一预测模型得到的预测值输出,J表示高频字典或者低频字典中的元素个数,/>表示内核中心更新条件,/>表示在满足所述内核中心更新条件下低频字典更新得到的分配系数,/>表示在满足所述内核中心更新条件下低频字典更新得到的新的内核中心,/>表示在满足所述内核中心更新条件下高频字典更新得到的分配系数,/>表示在满足所述内核中心更新条件下高频字典更新得到的新的内核中心,/>表示当前输入向量,符号“/>”表示正则运算,w表示低频字典权重,var表示历史消耗值的变化率方差,α,β表示超参数。
4.根据权利要求1所述的基于物联网的规划方法,其特征在于,在所述S104之后,还包括:
S104A:对所述采样点进行异常检测。
5.根据权利要求4所述的基于物联网的规划方法,其特征在于,所述S104A具体包括:
S104A1:计算采样点在t-1时刻的概率密度,进而计算采样点t的预测值/>异常分值/>:
;
S104A2:设置异常阈值,在所述异常分值小于所述异常阈值的情况下,判定所述采样点正常,否则,判定所述采样点异常,对所述采样点进行重新采样。
6.根据权利要求1所述的基于物联网的规划方法,其特征在于,所述S105具体包括:
S1051:构建基于柯西损失函数、一阶差分正则项和二阶差分正则项的趋势分量函数:
;
其中,和/>分别表示一阶差分矩阵和二阶差分矩阵,均表示非负平衡参数,“”符号表示计算曼哈顿范数,x表示趋势分量,y表示趋势分量观测值,c表示柯西损失函数的峰值参数;
S1052:通过自适应矩优化算法求解所述趋势分量函数,得到所述时间序列相应元素的趋势分量;
S1053:对所述时间序列进行成分分解,去除所述趋势分量,得到相应的残差分量/>。
7.根据权利要求1所述的基于物联网的规划方法,其特征在于,所述S106具体包括:
S1061:对所述时间序列进行多尺度序列学习,得到趋势分量字典和残差分量字典:
;
其中,i表示字典中的元素个数,分别表示趋势向量对应的通过t-1时刻的预测值/>得到的内核中心即输入向量字典、标签分布即预测值字典和分配系数即权重系数字典,/>分别表示残差向量对应的通过t-1时刻的预测值/>得到的内核中心即输入向量字典、标签分布即预测值字典和分配系数即权重系数字典;
S1062:通过信息散度算法计算邻近趋势分量字典和邻近残差分量字典;
S1063:根据所述邻近趋势分量字典和所述邻近残差分量字典,得到所述第二预测模型:
;
其中,表示所述第二预测模型得到的预测值输出,/>表示在满足所述内核中心更新条件下更新得到的趋势分量分配系数,/>表示在满足所述内核中心更新条件下更新得到新的趋势分量内核中心,/>表示在满足所述内核中心更新条件下高频字典更新得到的残差分量分配系数,/>表示在满足所述内核中心更新条件下高频字典更新得到的新的残差分量内核中心,/>表示当前输入向量,w表示趋势分量字典权重。
8.根据权利要求1所述的基于物联网的规划方法,其特征在于,所述S109具体包括:
S1091:所述预测矫正因子的计算方式为:
;
其中,表示所述实时消耗值,/>表示同一个预测模型的初始预测消耗值,m表示预测次数;
S1092:将所述预测矫正因子作为概率参数,计算每个预测模型的预测结果信息熵:
;
其中,H表示预测模型的信息熵;
S1093:根据所述信息熵,计算各个所述预测模型的权重系数:
;
其中,H 1和H 2分别表示所述第一预测模型和所述第二预测模型的信息熵,和/>分别表示所述第一预测模型和所述第二预测模型的权重值。
9.根据权利要求1所述的基于物联网的规划方法,其特征在于,所述目标预测模型y具体为:
。
10.一种基于物联网的规划系统,其特征在于,包括处理器和用于存储处理器可执行指令的存储器;所述处理器被配置为调用所述存储器存储的指令,以执行权利要求1至9中任意一项所述的基于物联网的规划方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311508424.4A CN117236571B (zh) | 2023-11-14 | 2023-11-14 | 一种基于物联网的规划方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311508424.4A CN117236571B (zh) | 2023-11-14 | 2023-11-14 | 一种基于物联网的规划方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117236571A true CN117236571A (zh) | 2023-12-15 |
CN117236571B CN117236571B (zh) | 2024-01-12 |
Family
ID=89082937
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311508424.4A Active CN117236571B (zh) | 2023-11-14 | 2023-11-14 | 一种基于物联网的规划方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117236571B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118051347A (zh) * | 2024-04-16 | 2024-05-17 | 杭州冰特科技股份有限公司 | 一种服务器集群管理方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107862428A (zh) * | 2017-09-20 | 2018-03-30 | 成都秦川物联网科技股份有限公司 | 基于复合物联网的用水规划方法及物联网系统 |
CN110378799A (zh) * | 2019-07-16 | 2019-10-25 | 东北大学 | 基于多尺度深度卷积网络的氧化铝综合生产指标决策方法 |
US20220045509A1 (en) * | 2020-08-05 | 2022-02-10 | Wuhan University | Method and system of predicting electric system load based on wavelet noise reduction and emd-arima |
WO2023109370A1 (zh) * | 2021-12-15 | 2023-06-22 | 阿里云计算有限公司 | 排水管网的故障检测方法、设备、服务器及存储介质 |
-
2023
- 2023-11-14 CN CN202311508424.4A patent/CN117236571B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107862428A (zh) * | 2017-09-20 | 2018-03-30 | 成都秦川物联网科技股份有限公司 | 基于复合物联网的用水规划方法及物联网系统 |
CN110378799A (zh) * | 2019-07-16 | 2019-10-25 | 东北大学 | 基于多尺度深度卷积网络的氧化铝综合生产指标决策方法 |
US20220045509A1 (en) * | 2020-08-05 | 2022-02-10 | Wuhan University | Method and system of predicting electric system load based on wavelet noise reduction and emd-arima |
WO2023109370A1 (zh) * | 2021-12-15 | 2023-06-22 | 阿里云计算有限公司 | 排水管网的故障检测方法、设备、服务器及存储介质 |
Non-Patent Citations (2)
Title |
---|
周毅;: "电子通信网络模糊信息自适应定位识别仿真", 计算机仿真, no. 12 * |
张淑慧: "基于核自适应滤波器的时间序列在线预测研究", 《中国优秀硕士学位论文全文数据库》, no. 2 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118051347A (zh) * | 2024-04-16 | 2024-05-17 | 杭州冰特科技股份有限公司 | 一种服务器集群管理方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117236571B (zh) | 2024-01-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110865929B (zh) | 异常检测预警方法及系统 | |
US11403164B2 (en) | Method and device for determining a performance indicator value for predicting anomalies in a computing infrastructure from values of performance indicators | |
CN114285728B (zh) | 一种预测模型训练方法、流量预测方法、装置及存储介质 | |
Park et al. | Sliding window-based LightGBM model for electric load forecasting using anomaly repair | |
US11307916B2 (en) | Method and device for determining an estimated time before a technical incident in a computing infrastructure from values of performance indicators | |
CN117236571B (zh) | 一种基于物联网的规划方法和系统 | |
Serrano-Guerrero et al. | Statistical methodology to assess changes in the electrical consumption profile of buildings | |
CN116861201B (zh) | 基于人工智能的电力供给系统 | |
CN113222403B (zh) | 基于大数据的电力调节方法、装置、存储介质及电子设备 | |
CN111160626B (zh) | 一种基于分解融合的电力负荷时间序列控制方法 | |
CN112232604B (zh) | 基于Prophet模型提取网络流量的预测方法 | |
CN117132135B (zh) | 基于数字孪生的城市信息化管理系统及方法 | |
CN112183868B (zh) | 交通流量预测模型的构建方法及电子设备 | |
Wang et al. | Wind speed interval prediction based on multidimensional time series of Convolutional Neural Networks | |
CN116451848A (zh) | 一种基于时空注意力机制的卫星遥测数据预测方法及装置 | |
CN116186630A (zh) | 一种异常漏电电流数据识别方法及相关装置 | |
CN116757465A (zh) | 一种基于双训练权重分配模型的线路风险评估方法及装置 | |
CN113393034A (zh) | 一种在线自适应oselm-garch模型的电量预测方法 | |
CN116308854A (zh) | 一种基于概率扩散的信息级联流行度预测方法及系统 | |
CN114266602A (zh) | 电力物联网多源数据融合的深度学习电价预测方法和装置 | |
CN110740063B (zh) | 基于信号分解和周期特性的网络流量特征指标预测方法 | |
CN116860824A (zh) | 一种气象数据知识发现方法及系统 | |
CN110888850A (zh) | 一种基于电力物联网平台的数据质量检测方法 | |
CN115713044A (zh) | 一种多工况切换下的机电设备剩余寿命分析方法和装置 | |
Chen et al. | Machine learning-based anomaly detection of ganglia monitoring data in HEP Data Center |
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 |