CN117236653A - 基于业务量预测的车辆调度方法、装置、电子设备 - Google Patents
基于业务量预测的车辆调度方法、装置、电子设备 Download PDFInfo
- Publication number
- CN117236653A CN117236653A CN202311499938.8A CN202311499938A CN117236653A CN 117236653 A CN117236653 A CN 117236653A CN 202311499938 A CN202311499938 A CN 202311499938A CN 117236653 A CN117236653 A CN 117236653A
- Authority
- CN
- China
- Prior art keywords
- sequence
- traffic
- equipment
- time
- characteristic data
- 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
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000004590 computer program Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 11
- 238000012549 training Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 230000015654 memory Effects 0.000 description 5
- 238000009792 diffusion process Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Landscapes
- Traffic Control Systems (AREA)
Abstract
本公开的实施例公开了基于业务量预测的车辆调度方法、装置、电子设备。该方法的一具体实施方式包括:获取目标电力设备对应的第二设备实际业务量序列和第二设备特征数据序列,其中,第二设备实际业务量序列是对应当前时间信息的设备业务量序列;将第二设备实际业务量序列和第二设备特征数据序列输入至预先训练的设备业务量时序预测模型,得到针对第二未来时间序列的第二设备预测业务量序列;根据第一设备预测业务量序列与第二设备预测业务量序列,生成目标电力设备预测业务量序列。该实施方式便于合理调度车辆配送设备,提升设备配送效率。
Description
技术领域
本公开的实施例涉及计算机技术领域,具体涉及基于业务量预测的车辆调度方法、装置、电子设备。
背景技术
随着电力网络的快速发展,对于电力设备的业务需求量越来越大。目前,业务需求量预测方法可以是预测未来预定时间点的设备业务需求量。对于设备业务需求量的预测,通常采用的方式为:通过多模型预测方法或者单模型递归预测方法,来预测未来时间点的设备业务需求量。
然而,采用上述方式,通常会存在以下技术问题:
第一,多模型的预测数据缺乏相关依赖,可能导致设备业务量预测不准确,难以准确调度车辆配送设备,影响设备配送效率。
第二,单模型递归预测存在误差,可能导致业务量预测不准确,难以准确调度车辆配送设备,影响设备配送效率。
该背景技术部分中所公开的以上信息仅用于增强对本发明构思的背景的理解,并因此,其可包含并不形成本国的本领域普通技术人员已知的现有技术的信息。
发明内容
本公开的内容部分用于以简要的形式介绍构思,这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征,也不旨在用于限制所要求的保护的技术方案的范围。
本公开的一些实施例提出了基于业务量预测的车辆调度方法、装置、电子设备和计算机可读介质,来解决以上背景技术部分提到的技术问题中的一项或多项。
第一方面,本公开的一些实施例提供了一种基于业务量预测的车辆调度方法,该方法包括:获取第一历史时间序列目标电力设备对应的第一设备实际业务量序列和第一设备特征数据序列;根据上述第一设备实际业务量序列和上述第一设备特征数据序列,利用预先训练的设备业务量拟合预测模型,生成对应第一未来时间序列的第一设备预测业务量序列;获取上述目标电力设备对应的第二设备实际业务量序列和第二设备特征数据序列,其中,上述第二设备实际业务量序列是对应当前时间信息的设备业务量序列;将上述第二设备实际业务量序列和上述第二设备特征数据序列输入至预先训练的设备业务量时序预测模型,得到针对第二未来时间序列的第二设备预测业务量序列,其中,上述第一未来时间序列为对应时间段处于上述当前时间信息之后、且对应时间段处于上述第二未来时间序列之前的时间序列,上述第一未来时间序列中的第一未来时间对应上述第二未来时间序列中的第二未来时间;根据上述第一设备预测业务量序列与上述第二设备预测业务量序列,生成目标电力设备预测业务量序列;根据上述目标电力设备预测业务量序列,控制相关联的车辆调度设备调度车辆进行电力设备配送。
第二方面,本公开的一些实施例提供了一种基于业务量预测的车辆调度装置,该装置包括:第一获取单元,被配置成获取第一历史时间序列目标电力设备对应的第一设备实际业务量序列和第一设备特征数据序列;第一生成单元,被配置成根据上述第一设备实际业务量序列和上述第一设备特征数据序列,利用预先训练的设备业务量拟合预测模型,生成对应第一未来时间序列的第一设备预测业务量序列;第二获取单元,被配置成获取上述目标电力设备对应的第二设备实际业务量序列和第二设备特征数据序列,其中,上述第二设备实际业务量序列是对应当前时间信息的设备业务量序列;输入单元,被配置成将上述第二设备实际业务量序列和上述第二设备特征数据序列输入至预先训练的设备业务量时序预测模型,得到针对第二未来时间序列的第二设备预测业务量序列,其中,上述第一未来时间序列为对应时间段处于上述当前时间信息之后、且对应时间段处于上述第二未来时间序列之前的时间序列,上述第一未来时间序列中的第一未来时间对应上述第二未来时间序列中的第二未来时间;第二生成单元,被配置成根据上述第一设备预测业务量序列与上述第二设备预测业务量序列,生成目标电力设备预测业务量序列;控制单元,被配置成根据上述目标电力设备预测业务量序列,控制相关联的车辆调度设备调度车辆进行电力设备配送。
第三方面,本公开的一些实施例提供了一种电子设备,包括:一个或多个处理器;存储装置,其上存储有一个或多个程序,当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现上述第一方面任一实现方式所描述的方法。
第四方面,本公开的一些实施例提供了一种计算机可读介质,其上存储有计算机程序,其中,计算机程序被处理器执行时实现上述第一方面任一实现方式所描述的方法。
本公开的上述各个实施例具有如下有益效果:通过本公开的一些实施例的基于业务量预测的车辆调度方法,提升了设备业务量预测的准确性,从而,便于合理调度车辆配送设备,提升设备配送效率。具体来说,难以准确调度车辆配送设备,影响设备配送效率的原因在于:多模型的预测数据缺乏相关依赖,可能导致设备业务量预测不准确,难以准确调度车辆配送设备,影响设备配送效率。基于此,本公开的一些实施例的基于业务量预测的车辆调度方法,首先,获取第一历史时间序列目标电力设备对应的第一设备实际业务量序列和第一设备特征数据序列。其次,根据上述第一设备实际业务量序列和上述第一设备特征数据序列,利用预先训练的设备业务量拟合预测模型,生成对应第一未来时间序列的第一设备预测业务量序列。接着,获取上述目标电力设备对应的第二设备实际业务量序列和第二设备特征数据序列。其中,上述第二设备实际业务量序列是对应当前时间信息的设备业务量序列。然后,将上述第二设备实际业务量序列和上述第二设备特征数据序列输入至预先训练的设备业务量时序预测模型,得到针对第二未来时间序列的第二设备预测业务量序列。其中,上述第一未来时间序列为对应时间段处于上述当前时间信息之后、且对应时间段处于上述第二未来时间序列之前的时间序列,上述第一未来时间序列中的第一未来时间对应上述第二未来时间序列中的第二未来时间。由此,可以通过设备业务量时序预测模型,直接预测第一未来时间序列对应的第一设备预测业务量序列,避免了误差扩散的现象,提高了第一设备预测业务量序列的准确度。之后,根据上述第一设备预测业务量序列与上述第二设备预测业务量序列,生成目标电力设备预测业务量序列。最后,根据上述目标电力设备预测业务量序列,控制相关联的车辆调度设备调度车辆进行电力设备配送。由此,通过设备业务量时序预测模型和设备业务量拟合预测模型来预测未来时间段内的设备业务量,不仅考虑多个时间步数据的依赖关系,还考虑了递归预测所带来的误差扩散问题。由此,可以生成更为精准地预测设备业务量。提升了设备业务量预测的准确性,从而,便于合理调度车辆配送设备,提升设备配送效率。
附图说明
结合附图并参考以下具体实施方式,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中,相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的,元件和元素不一定按照比例绘制。
图1是根据本公开的基于业务量预测的车辆调度方法的一些实施例的流程图;
图2是根据本公开的基于业务量预测的车辆调度装置的一些实施例的结构示意图;
图3是适于用来实现本公开的一些实施例的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例。相反,提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。
需要注意,本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
下面将参考附图并结合实施例来详细说明本公开。
图1是根据本公开的基于业务量预测的车辆调度方法的一些实施例的流程图。示出了根据本公开的基于业务量预测的车辆调度方法的一些实施例的流程100。该基于业务量预测的车辆调度方法,包括以下步骤:
步骤101,获取第一历史时间序列目标电力设备对应的第一设备实际业务量序列和第一设备特征数据序列。
在一些实施例中,基于业务量预测的车辆调度方法的执行主体(例如,计算设备)可以获取第一历史时间序列目标电力设备对应的第一设备实际业务量序列和第一设备特征数据序列。其中,第一历史时间序列中的第一历史时间可以是当前时间之前的时间信息。第一历史时间序列中的第一历史时间与第一设备实际业务量序列中的第一设备实际业务量一一对应。第一历史时间序列中的第一历史时间与第一设备特征数据序列中的第一设备特征数据对应。第一设备实际业务量可以是可以针对目标电力设备的业务需求而确定的实际业务量。第一设备特征数据可以表征对应第一历史时间发生的、针对对应目标电力设备的特征数据。例如,针对目标电力设备为销售场景,对应第一设备特征数据包括:销售量,设备类型,销售地区。目标电力设备可以是变压器、断路器等电力设备。
可选地,获取上述目标电力设备对应第一样本历史时间序列的第一样本实际业务量序列和第一样本特征数据序列。
在一些实施例中,上述执行主体可以获取上述目标电力设备对应第一样本历史时间序列的第一样本实际业务量序列和第一样本特征数据序列。其中,第一样本历史时间序列中的第一样本历史时间可以是当前时间之前的时间信息。上述第一样本历史时间序列中的各个第一样本历史时间之间存在预定间隔时长(即存在对应的时间步)。例如,预定间隔时长可以是5天。第一样本实际业务量序列中第一样本实际业务量与第一样本历史时间序列中的第一样本历史时间一一对应。第一样本实际业务量可以是可以针对目标电力设备的业务需求而确定的实际业务量。第一样本特征数据序列中的第一样本特征数据与第一样本历史时间序列中的第一样本历史时间一一对应。第一样本特征数据可以表征对应第一样本历史时间发生的、针对对应目标电力设备的特征数据。例如,针对目标电力设备为销售场景,对应第一样本特征数据包括:销售量,设备类型,销售地区。目标电力设备可以是变压器、断路器等电力设备。
可选地,获取上述目标电力设备对应第三样本历史时间序列的第三样本实际业务量序列和待预测时间信息对应的设备业务量标签。
在一些实施例中,上述执行主体可以获取上述目标电力设备对应第三样本历史时间序列的第三样本实际业务量序列和待预测时间信息对应的设备业务量标签。其中,第三样本历史时间序列中各个第三样本历史时间之间的预定时间间隔可以与第一样本历史时间序列对应的预定时间间隔相同。第三样本历史时间序列与第一样本历史时间序列对应的时间间隔、对应时间段可以是不同的。第三样本实际业务量序列具体不再赘述,可以参见第一样本实际业务量序列的解释。待预测时间信息对应的设备业务量标签可以是待预测时间点的样本实际业务量。例如,第三样本历史时间序列包括:“3月1日”,“3月2日”,“3月3日”,“3月4日”。即,第三样本历史时间序列对应的预定时间间隔为1天。第三样本实际业务量序列包括:“3月1日”对应的业务量,“3月2日”对应的业务量,“3月3日”对应的业务量,“3月4日”对应的业务量。待预测时间信息可以是“3月5日”。设备业务量标签可以是“3月4日”对应的业务量(销量)。
可选地,确定对应上述第三样本历史时间序列的第四样本特征数据序列。
在一些实施例中,上述执行主体可以确定对应上述第三样本历史时间序列的第四样本特征数据序列。其中,第四样本特征数据序列具体不再赘述,可以参见第一样本特征数据序列的解释。
可选地,上述第四样本特征数据序列中的第四特征数据可以包括:样本业务量趋势编码数据。
可选地,将上述第三样本实际业务量序列和上述第四样本特征数据序列作为模型输入,上述设备业务量标签作为预测输出,对初始样本业务量时序预测模型进行时序模型训练,得到设备业务量时序预测模型。
在一些实施例中,上述执行主体可以将上述第三样本实际业务量序列和上述第四样本特征数据序列作为模型输入,上述设备业务量标签作为预测输出,对初始样本业务量时序预测模型进行时序模型训练,得到设备业务量时序预测模型。例如,对于初始样本业务量时序预测模型的训练方式,可以参见深度神经网络的训练方式,在此不再赘述。
可选地,将上述第一样本实际业务量序列和上述第一样本特征数据序列对应输入至预先训练的设备业务量时序预测模型,得到对应第一预设未来时间序列的第一样本预测业务量序列。
在一些实施例中,上述执行主体可以将上述第一样本实际业务量序列和上述第一样本特征数据序列对应输入至预先训练的设备业务量时序预测模型,得到对应第一预设未来时间序列的第一样本预测业务量序列。其中,设备业务量时序预测模型可以是预测未来时间点对应设备业务量的时序神经网络模型。实践中,设备业务量时序预测模型可以是长短期记忆(Long Short-Term Memory,LSTM)。第一预设未来时间序列中的第一预设未来时间可以是当前时间信息之后的时间信息序列。例如,当前时间信息为“2月1日”。第一预设未来时间序列可以包括:“2月2日”,“2月7日”,“2月12日”,“2月17日”。第一样本预测业务量序列中的第一样本预测业务量可以是对应第一预设未来时间下的预测业务量。即第一样本预测业务量序列中的第一样本预测业务量与第一预设未来时间序列中的第一预设未来时间一一对应。
可选地,获取上述目标电力设备对应第二样本历史时间序列的第二样本实际业务量序列和第二样本特征数据序列,以及获取上述目标电力设备对应上述第一预设未来时间序列的第三样本特征数据序列。
在一些实施例中,上述执行主体可以获取上述目标电力设备对应第二样本历史时间序列的第二样本实际业务量序列和第二样本特征数据序列,以及获取上述目标电力设备对应上述第一预设未来时间序列的第三样本特征数据序列。第二样本历史时间序列、第二样本实际业务量序列、第二样本特征数据序列和第三样本特征数据序列的具体解释不再解释,可以参见上述第一样本历史时间序列、第一样本实际业务量序列和第一样本特征数据序列。同样地,第三样本特征数据序列不再赘述,参见第一样本特征数据序列的解释。
此外,上述第二样本历史时间序列与第一样本历史时间序列对应的时间步不同。第二样本历史时间序列中的第二样本历史时间与第二样本实际业务量序列中的第二样本实际业务量一一对应。第二样本历史时间序列中的第二样本历史时间与第二样本特征数据序列中的第二样本特征数据一一对应。第一预设未来时间序列中的第一预设未来时间与第三样本特征数据序列中的第三样本特征数据一一对应。
实践中,上述执行主体可以通过以下步骤获取第二样本特征数据序列:
第一步,获取上述目标电力设备对应第二样本历史时间序列的初始第二样本特征数据序列。
第二步,对于上述初始第二样本特征数据序列中的每个初始第二样本特征数据,执行如下处理步骤:
第一处理步骤,根据上述第二样本实际业务量序列,从上述第二样本历史时间序列中筛选出对应第二样本实际业务量满足预设样本业务量条件的第二样本历史时间,得到第二样本历史时间子序列。其中,预设样本业务量条件可以是第二样本实际业务量在第二样本实际业务量序列构成的业务量曲线上为拐点位置的业务量。业务量曲线可以表征第二样本实际业务量序列中的各个第二样本实际业务量的大小变换。
第二处理步骤,确定上述初始第二样本特征数据对应第二样本历史时间,作为目标样本历史时间。
第三处理步骤,确定上述第二样本历史时间子序列中的、与上述目标样本历史时间存在时间先后关联的第二样本历史时间组。其中,时间先后关联可以是时间处于先后关系。例如,第二样本历史时间子序列包括:“2月1日”,“1月6日”,“2月11日”,“1月16日”。则与目标样本历史时间存在时间先后关联的第二样本历史时间组包括:“2月6日”和“2月11日”。
第四处理步骤,根据上述第二样本历史时间组,生成对应上述初始第二样本特征数据的样本业务量趋势编码数据,作为第二样本特征数据。首先,可以目标样本历史时间减去第二样本历史时间组中最早的第二样本历史时间,得到第一相减数值。然后,上述执行主体可以将第二样本历史时间组中最晚的第二样本历史时间减去第二样本历史时间组中的最早的第二样本历史时间,得到第二相减数值。接着,将第一相减数值除以第二相减数值,得到相除数值。进而,确定第二样本历史时间组中两个第二样本历史时间之间的时间步数。再接着,根据时间步数,确定样本业务量趋势编码数据的向量维度。最后,根据上述目标样本历史时间与最早的第二样本历史时间之间的时间步数、相除数值和两个第二样本历史时间之间的时间步数,生成样本业务量趋势编码数据。例如,两个第二样本历史时间之间的时间步数之间的时间步数为6。上述目标样本历史时间与最早的第二样本历史时间之间的时间步数为2。相除数值为3。则样本业务量趋势编码数据可以是(0,0,3,0,0,0)。
可选地,根据上述第二样本特征数据序列、上述第三样本特征数据序列、上述第二样本实际业务量序列和上述第一样本预测业务量序列,对初始设备业务量拟合预测模型进行训练,得到设备业务量拟合预测模型。
在一些实施例中,上述执行主体可以根据上述第二样本特征数据序列、上述第三样本特征数据序列、上述第二样本实际业务量序列和上述第一样本预测业务量序列,对初始设备业务量拟合预测模型进行训练,得到设备业务量拟合预测模型。其中,初始设备业务量拟合预测模型可以是还未训练结束的设备业务拟合预测模型,上述设备业务拟合预测模型可以是实现拟合回归的网络模型。例如,上述设备业务拟合预测模型可以是卷积神经网络(Convolutional Neural Networks,CNN)模型。
作为示例,上述执行主体可以将第二样本特征数据序列和第三样本特征数据序列作为模型输入,将第二样本实际业务量序列和第一样本预测业务量序列作为拟合目标,对初始设备业务量拟合预测模型进行训练,得到设备业务量拟合预测模型。例如,对于初始设备业务量拟合预测模型的训练方式,可以参见深度神经网络的训练方式,在此不再赘述。其中,样本业务量趋势编码数据可以是对业务量进行编码后的编码数据。
上述相关内容作为本公开的一个发明点,解决了背景技术提及的技术问题二“影响设备配送效率。”。影响设备配送效率的因素往往如下:单模型递归预测存在误差,可能导致业务量预测不准确,难以准确调度车辆配送设备。如果解决了上述因素,就能达到提升配送效率的效果。为了达到这一效果,首先,获取上述目标电力设备对应第一样本历史时间序列的第一样本实际业务量序列和第一样本特征数据序列。接着,将上述第一样本实际业务量序列和上述第一样本特征数据序列对应输入至预先训练的设备业务量时序预测模型,得到对应第一预设未来时间序列的第一样本预测业务量序列。然后,获取上述目标电力设备对应第二样本历史时间序列的第二样本实际业务量序列和第二样本特征数据序列,以及获取上述目标电力设备对应上述第一预设未来时间序列的第三样本特征数据序列。最后,根据上述第二样本特征数据序列、上述第三样本特征数据序列、上述第二样本实际业务量序列和上述第一样本预测业务量序列,对初始设备业务量拟合预测模型进行训练,得到设备业务量拟合预测模型。由此,通过业务量和对应特征数据拟合的方式来对设备业务量拟合预测模型进行训练,所得到的设备业务量拟合预测模型即考虑了时间步数据的依赖关系,还通过学习第三样本特征数据序列和第一样本预测业务量序列对应的拟合关系,来避免递归预测的误差扩散问题的发生。综上,通过设备业务量时序预测模型和设备业务量拟合预测模型来预测未来时间段内的业务量,不仅考虑多个时间步数据的依赖关系,还考虑了递归预测所带来的误差扩散问题。由此,可以生成更为精准地预测业务量。从而,可以更加精准的调度车辆配送电力设备,以提升配送效率。
步骤102,根据上述第一设备实际业务量序列和上述第一设备特征数据序列,利用预先训练的设备业务量拟合预测模型,生成对应第一未来时间序列的第一设备预测业务量序列。
在一些实施例中,上述执行主体可以根据上述第一设备实际业务量序列和上述第一设备特征数据序列,利用预先训练的设备业务量拟合预测模型,生成对应第一未来时间序列的第一设备预测业务量序列。
例如,可以将第一设备实际业务量序列和上述第一设备特征数据序列输入至预先训练的设备业务量拟合预测模型,以生成对应第一未来时间序列的第一设备预测业务量序列。
实践中,上述执行主体可以通过以下步骤利用预先训练的设备业务量拟合预测模型,生成对应第一未来时间序列的第一设备预测业务量序列:
第一步,确定与上述第一历史时间序列存在同期时间关系的至少一个第二历史时间序列。
第二步,将至少一个第三设备实际业务量序列和至少一个第三设备特征数据序列输入至预先训练的设备业务量时序预测模型,得到针对第三未来时间序列的第三预测业务量序列。其中,上述至少一个第二历史时间序列对应的设备实际业务量序列为至少一个第三设备实际业务量序列,至少一个第二历史时间序列对应的设备特征数据序列为至少一个第三设备特征数据序列。
步骤103,获取上述目标电力设备对应的第二设备实际业务量序列和第二设备特征数据序列。
在一些实施例中,上述执行主体可以获取上述目标电力设备对应的第二设备实际业务量序列和第二设备特征数据序列。其中,上述第二设备实际业务量序列是对应当前时间信息的设备业务量序列。其中,第二设备实际业务量序列具体不再赘述,可以参见第一样本实际业务量序列的解释。第二设备特征数据序列具体不再赘述,可以参见第一样本特征数据序列的解释。
步骤104,将上述第二设备实际业务量序列和上述第二设备特征数据序列输入至预先训练的设备业务量时序预测模型,得到针对第二未来时间序列的第二设备预测业务量序列。
在一些实施例中,上述执行主体可以将上述第二设备实际业务量序列和上述第二设备特征数据序列输入至预先训练的设备业务量时序预测模型,得到针对第二未来时间序列的第二设备预测业务量序列。其中,上述第一未来时间序列为对应时间段处于上述当前时间信息之后、且对应时间段处于上述第二未来时间序列之前的时间序列,上述第一未来时间序列中的第一未来时间对应上述第二未来时间序列中的第二未来时间。第二未来时间序列中的第二未来时间与第二设备预测业务量序列中的第二设备预测业务量一一对应。
步骤105,根据上述第一设备预测业务量序列与上述第二设备预测业务量序列,生成目标电力设备预测业务量序列。
在一些实施例中,上述执行主体可以根据上述第一设备预测业务量序列与上述第二设备预测业务量序列,生成目标电力设备预测业务量序列。
实践中,上述执行制图可以对于上述第一设备预测业务量序列中的每个第一设备预测业务量,执行如下处理步骤:
第一步,从上述第二设备预测业务量序列中选择对应上述第一设备预测业务量作为第二备选设备预测业务量。
第二步,将上述第二备选设备预测业务量与上述第一设备预测业务量的平均值确定为目标电力设备预测业务量。
步骤106,根据上述目标电力设备预测业务量序列,控制相关联的车辆调度设备调度车辆进行电力设备配送。
在一些实施例中,上述执行主体可以根据上述目标电力设备预测业务量序列,控制相关联的车辆调度设备调度车辆进行电力设备配送。其中,车辆调度设备可以是控制/调度各个运输车辆的控制终端(车辆调度中心的服务器)。即,可以根据目标电力设备预测业务量序列中每个目标电力设备预测业务量对应的时间,调度车辆进行配送。
进一步参考图2,作为对上述各图所示方法的实现,本公开提供了一种基于业务量预测的车辆调度装置的一些实施例,这些基于业务量预测的车辆调度装置实施例与图1所示的那些方法实施例相对应,该基于业务量预测的车辆调度装置具体可以应用于各种电子设备中。
如图2所示,一些实施例的基于业务量预测的车辆调度装置200包括:第一获取单元201、第一生成单元202、第二获取单元203、输入单元204、第二生成单元205和控制单元206。其中,第一获取单元201,被配置成获取第一历史时间序列目标电力设备对应的第一设备实际业务量序列和第一设备特征数据序列;第一生成单元202,被配置成根据上述第一设备实际业务量序列和上述第一设备特征数据序列,利用预先训练的设备业务量拟合预测模型,生成对应第一未来时间序列的第一设备预测业务量序列;第二获取单元203,被配置成获取上述目标电力设备对应的第二设备实际业务量序列和第二设备特征数据序列,其中,上述第二设备实际业务量序列是对应当前时间信息的设备业务量序列;输入单元204,被配置成将上述第二设备实际业务量序列和上述第二设备特征数据序列输入至预先训练的设备业务量时序预测模型,得到针对第二未来时间序列的第二设备预测业务量序列,其中,上述第一未来时间序列为对应时间段处于上述当前时间信息之后、且对应时间段处于上述第二未来时间序列之前的时间序列,上述第一未来时间序列中的第一未来时间对应上述第二未来时间序列中的第二未来时间;第二生成单元205,被配置成根据上述第一设备预测业务量序列与上述第二设备预测业务量序列,生成目标电力设备预测业务量序列;控制单元206,被配置成根据上述目标电力设备预测业务量序列,控制相关联的车辆调度设备调度车辆进行电力设备配送。
可以理解的是,该基于业务量预测的车辆调度装置200中记载的诸单元与参考图1描述的方法中的各个步骤相对应。由此,上文针对方法描述的操作、特征以及产生的有益效果同样适用于基于业务量预测的车辆调度装置200及其中包含的单元,在此不再赘述。
下面参考图3,其示出了适于用来实现本公开的一些实施例的电子设备(例如,计算设备)300的结构示意图。本公开的一些实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图3示出的电子设备仅仅是一个示例,不应对本公开的实施例的功能和使用范围带来任何限制。
如图3所示,电子设备300可以包括处理装置(例如中央处理器、图形处理器等)301,其可以根据存储在只读存储器(ROM)302中的程序或者从存储装置308加载到随机访问存储器(RAM)303中的程序而执行各种适当的动作和处理。在RAM303中,还存储有电子设备300操作所需的各种程序和任务数据。处理装置301、ROM302以及RAM 303通过总线304彼此相连。输入/输出(I/O)接口305也连接至总线304。
通常,以下装置可以连接至I/O接口305:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置306;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置307;包括例如磁带、硬盘等的存储装置308;以及通信装置309。通信装置309可以允许电子设备300与其他设备进行无线或有线通信以交换任务数据。虽然图3示出了具有各种装置的电子设备300,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图3中示出的每个方框可以代表一个装置,也可以根据需要代表多个装置。
特别地,根据本公开的一些实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的一些实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中,该计算机程序可以通过通信装置309从网络上被下载和安装,或者从存储装置308被安装,或者从ROM302被安装。在该计算机程序被处理装置301执行时,执行本公开的一些实施例的方法中限定的上述功能。
需要说明的是,本公开的一些实施例中记载的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的一些实施例中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的一些实施例中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的任务数据信号,其中承载了计算机可读的程序代码。这种传播的任务数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
在一些实施方式中,客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol,超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信,并且可以与任意形式或介质的数字任务数据通信(例如,通信网络)互连。通信网络的示例包括局域网(“LAN”),广域网(“WAN”),网际网(例如,互联网)以及端对端网络(例如,ad hoc端对端网络),以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:获取第一历史时间序列目标电力设备对应的第一设备实际业务量序列和第一设备特征数据序列;根据上述第一设备实际业务量序列和上述第一设备特征数据序列,利用预先训练的设备业务量拟合预测模型,生成对应第一未来时间序列的第一设备预测业务量序列;获取上述目标电力设备对应的第二设备实际业务量序列和第二设备特征数据序列,其中,上述第二设备实际业务量序列是对应当前时间信息的设备业务量序列;将上述第二设备实际业务量序列和上述第二设备特征数据序列输入至预先训练的设备业务量时序预测模型,得到针对第二未来时间序列的第二设备预测业务量序列,其中,上述第一未来时间序列为对应时间段处于上述当前时间信息之后、且对应时间段处于上述第二未来时间序列之前的时间序列,上述第一未来时间序列中的第一未来时间对应上述第二未来时间序列中的第二未来时间;根据上述第一设备预测业务量序列与上述第二设备预测业务量序列,生成目标电力设备预测业务量序列;根据上述目标电力设备预测业务量序列,控制相关联的车辆调度设备调度车辆进行电力设备配送。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码,上述程序设计语言包括面向产品的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开的一些实施例中的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括:第一获取单元、第一生成单元、第二获取单元、输入单元、第二生成单元和控制单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,第一获取单元还可以被描述为“获取第一历史时间序列目标电力设备对应的第一设备实际业务量序列和第一设备特征数据序列的单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开的实施例中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (6)
1.一种基于业务量预测的车辆调度方法,包括:
获取第一历史时间序列目标电力设备对应的第一设备实际业务量序列和第一设备特征数据序列;
根据所述第一设备实际业务量序列和所述第一设备特征数据序列,利用预先训练的设备业务量拟合预测模型,生成对应第一未来时间序列的第一设备预测业务量序列;
获取所述目标电力设备对应的第二设备实际业务量序列和第二设备特征数据序列,其中,所述第二设备实际业务量序列是对应当前时间信息的设备业务量序列;
将所述第二设备实际业务量序列和所述第二设备特征数据序列输入至预先训练的设备业务量时序预测模型,得到针对第二未来时间序列的第二设备预测业务量序列,其中,所述第一未来时间序列为对应时间段处于所述当前时间信息之后、且对应时间段处于所述第二未来时间序列之前的时间序列,所述第一未来时间序列中的第一未来时间对应所述第二未来时间序列中的第二未来时间;
根据所述第一设备预测业务量序列与所述第二设备预测业务量序列,生成目标电力设备预测业务量序列;
根据所述目标电力设备预测业务量序列,控制相关联的车辆调度设备调度车辆进行电力设备配送。
2.根据权利要求1所述的方法,其中,所述根据所述第一设备实际业务量序列和所述第一设备特征数据序列,利用预先训练的设备业务量拟合预测模型,生成对应第一未来时间序列的第一设备预测业务量序列,包括:
确定与所述第一历史时间序列存在同期时间关系的至少一个第二历史时间序列;
将至少一个第三设备实际业务量序列和至少一个第三设备特征数据序列输入至预先训练的设备业务量时序预测模型,得到针对第三未来时间序列的第三预测业务量序列,其中,所述至少一个第二历史时间序列对应的设备实际业务量序列为至少一个第三设备实际业务量序列,至少一个第二历史时间序列对应的设备特征数据序列为至少一个第三设备特征数据序列。
3.根据权利要求1所述的方法,其中,所述根据所述第一设备预测业务量序列与所述第二设备预测业务量序列,生成目标电力设备预测业务量序列,包括:
对于所述第一设备预测业务量序列中的每个第一设备预测业务量,执行如下处理步骤:
从所述第二设备预测业务量序列中选择对应所述第一设备预测业务量作为第二备选设备预测业务量;
将所述第二备选设备预测业务量与所述第一设备预测业务量的平均值确定为目标电力设备预测业务量。
4.一种基于业务量预测的车辆调度装置,包括:
第一获取单元,被配置成获取第一历史时间序列目标电力设备对应的第一设备实际业务量序列和第一设备特征数据序列;
第一生成单元,被配置成根据所述第一设备实际业务量序列和所述第一设备特征数据序列,利用预先训练的设备业务量拟合预测模型,生成对应第一未来时间序列的第一设备预测业务量序列;
第二获取单元,被配置成获取所述目标电力设备对应的第二设备实际业务量序列和第二设备特征数据序列,其中,所述第二设备实际业务量序列是对应当前时间信息的设备业务量序列;
输入单元,被配置成将所述第二设备实际业务量序列和所述第二设备特征数据序列输入至预先训练的设备业务量时序预测模型,得到针对第二未来时间序列的第二设备预测业务量序列,其中,所述第一未来时间序列为对应时间段处于所述当前时间信息之后、且对应时间段处于所述第二未来时间序列之前的时间序列,所述第一未来时间序列中的第一未来时间对应所述第二未来时间序列中的第二未来时间;
第二生成单元,被配置成根据所述第一设备预测业务量序列与所述第二设备预测业务量序列,生成目标电力设备预测业务量序列;
控制单元,被配置成根据所述目标电力设备预测业务量序列,控制相关联的车辆调度设备调度车辆进行电力设备配送。
5.一种电子设备,包括:
一个或多个处理器;
存储装置,其上存储有一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-3中任一所述的方法。
6.一种计算机可读介质,其上存储有计算机程序,其中,所述计算机程序被处理器执行时实现如权利要求1-3中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311499938.8A CN117236653A (zh) | 2023-11-13 | 2023-11-13 | 基于业务量预测的车辆调度方法、装置、电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311499938.8A CN117236653A (zh) | 2023-11-13 | 2023-11-13 | 基于业务量预测的车辆调度方法、装置、电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117236653A true CN117236653A (zh) | 2023-12-15 |
Family
ID=89093236
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311499938.8A Pending CN117236653A (zh) | 2023-11-13 | 2023-11-13 | 基于业务量预测的车辆调度方法、装置、电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117236653A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118246711A (zh) * | 2024-05-28 | 2024-06-25 | 三一汽车制造有限公司 | 一种施工设备智能调度方法以及智能调度系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112560325A (zh) * | 2019-09-25 | 2021-03-26 | 奥动新能源汽车科技有限公司 | 换电业务的预测方法、系统、设备及存储介质 |
CN115796330A (zh) * | 2022-10-31 | 2023-03-14 | 上海中通吉网络技术有限公司 | 基于Prophet模型的预测方法、设备和存储介质 |
CN116028201A (zh) * | 2021-10-26 | 2023-04-28 | 中国移动通信集团贵州有限公司 | 业务系统容量的预测方法和装置 |
CN116186603A (zh) * | 2022-12-21 | 2023-05-30 | 中国电信股份有限公司 | 异常用户的识别方法及装置、计算机存储介质、电子设备 |
CN117035842A (zh) * | 2023-07-28 | 2023-11-10 | 北京沃东天骏信息技术有限公司 | 模型训练方法、业务量预测方法、装置、设备和介质 |
-
2023
- 2023-11-13 CN CN202311499938.8A patent/CN117236653A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112560325A (zh) * | 2019-09-25 | 2021-03-26 | 奥动新能源汽车科技有限公司 | 换电业务的预测方法、系统、设备及存储介质 |
CN116028201A (zh) * | 2021-10-26 | 2023-04-28 | 中国移动通信集团贵州有限公司 | 业务系统容量的预测方法和装置 |
CN115796330A (zh) * | 2022-10-31 | 2023-03-14 | 上海中通吉网络技术有限公司 | 基于Prophet模型的预测方法、设备和存储介质 |
CN116186603A (zh) * | 2022-12-21 | 2023-05-30 | 中国电信股份有限公司 | 异常用户的识别方法及装置、计算机存储介质、电子设备 |
CN117035842A (zh) * | 2023-07-28 | 2023-11-10 | 北京沃东天骏信息技术有限公司 | 模型训练方法、业务量预测方法、装置、设备和介质 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118246711A (zh) * | 2024-05-28 | 2024-06-25 | 三一汽车制造有限公司 | 一种施工设备智能调度方法以及智能调度系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117236653A (zh) | 基于业务量预测的车辆调度方法、装置、电子设备 | |
CN115759444B (zh) | 电力设备分配方法、装置、电子设备和计算机可读介质 | |
WO2022218068A1 (zh) | 素材投放方法、装置、设备和介质 | |
CN115357350A (zh) | 任务配置方法、装置、电子设备和计算机可读介质 | |
CN110009101B (zh) | 用于生成量化神经网络的方法和装置 | |
CN117035842A (zh) | 模型训练方法、业务量预测方法、装置、设备和介质 | |
CN117236805B (zh) | 电力设备控制方法、装置、电子设备和计算机可读介质 | |
CN113392018A (zh) | 流量分发方法、装置、存储介质及电子设备 | |
CN115907136B (zh) | 电动汽车调度方法、装置、设备和计算机可读介质 | |
CN116645211B (zh) | 推荐用户信息生成方法、装置、设备和计算机可读介质 | |
CN113837814B (zh) | 投放资源数量预测的方法、装置、可读介质及电子设备 | |
CN116416018A (zh) | 内容输出方法、装置、计算机可读介质及电子设备 | |
CN118350610B (zh) | 生产资源调度方法、装置、电子设备与可读介质 | |
CN117876091B (zh) | 信息发送方法、装置、电子设备和计算机可读介质 | |
CN114792258B (zh) | 信息生成方法、装置、电子设备和计算机可读介质 | |
CN116757443B (zh) | 新型配电网电力线损率预测方法、装置、电子设备和介质 | |
CN116703262B (zh) | 配送资源调整方法、装置、电子设备和计算机可读介质 | |
CN115565607B (zh) | 确定蛋白质信息的方法、装置、可读介质及电子设备 | |
CN116307998B (zh) | 电力设备材料运输方法、装置、电子设备和计算机介质 | |
CN117235535B (zh) | 异常供应端断电方法、装置、电子设备和介质 | |
CN112073202B (zh) | 信息生成方法、装置、电子设备和计算机可读介质 | |
CN112015625B (zh) | 报警设备控制方法、装置、电子设备和计算机可读介质 | |
CN111782777B (zh) | 用于生成信息的方法和装置 | |
CN118095512A (zh) | 调整信息生成方法、装置、电子设备和计算机可读介质 | |
CN118052580A (zh) | 模型生成方法、订单量生成方法、装置、设备和介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20231215 |