CN117633452A - 天然气消耗预测模型的训练方法与天然气消耗的预测方法 - Google Patents
天然气消耗预测模型的训练方法与天然气消耗的预测方法 Download PDFInfo
- Publication number
- CN117633452A CN117633452A CN202311376923.2A CN202311376923A CN117633452A CN 117633452 A CN117633452 A CN 117633452A CN 202311376923 A CN202311376923 A CN 202311376923A CN 117633452 A CN117633452 A CN 117633452A
- Authority
- CN
- China
- Prior art keywords
- natural gas
- gas consumption
- data
- training
- prediction model
- 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
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 title claims abstract description 384
- 239000003345 natural gas Substances 0.000 title claims abstract description 192
- 238000012549 training Methods 0.000 title claims abstract description 83
- 238000000034 method Methods 0.000 title claims abstract description 77
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 36
- 238000012360 testing method Methods 0.000 claims description 17
- 238000010586 diagram Methods 0.000 description 18
- 230000006870 function Effects 0.000 description 14
- 230000008569 process Effects 0.000 description 14
- 238000004590 computer program Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 230000009131 signaling function Effects 0.000 description 4
- 238000003066 decision tree Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000000737 periodic effect Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 229910052799 carbon Inorganic materials 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种天然气消耗预测模型的训练方法与天然气消耗的预测方法,天然气消耗预测模型的训练方法包括:获取天然气消耗历史数据;利用经验模态分解将天然气消耗历史数据进行分解,得到趋势数据、高频数据与低频数据;利用小波分解将高频数据与低频数据进行分解,得到分解后的高频数据与分解后的低频数据;利用趋势数据、分解后的高频数据与分解后的低频数据,构建数据集;利用数据集对预设模型进行训练,直至达到预设条件终止训练,得到天然气消耗预测模型。由此,通过将天然气消耗历史数据进行充分分解,增强了数据的规律性,从而有利于构建天然气消耗预测模型,提升了天然气消耗预测的稳定性与准确性。
Description
技术领域
本申请涉及天然气消耗预测技术领域,具体地涉及一种天然气消耗预测模型的训练方法与天然气消耗的预测方法。
背景技术
在低碳转型的时代特征和经济发展的"新常态"背景下,绿色能源转型的迫切需求日益显现,为了调整我国能源消费结构,增加天然气及其他绿色低碳能源的比重已势在必行。因此科学合理地预测未来数年甚至十几年的天然气消耗总量对相关部门制定发展规划和策略提供重要参考,具有现实意义。
针对天然气消耗量的预测,早期主要是以传统的时间序列法、线性回归和非线性回归,随着研究的深入,学者们对模型精度的要求也在不断提高,研究出了像人工神经网络、蚁群算法这样的智能算法,相关的理论方法和实际应用都有很大的进步,但普遍存在稳定性不足、难以广泛应用到各类数据集的问题。同时对天然气消耗量历史数据的规律,没有充分的学习,当原始数据规律不明显时,传统方法的准确性就会有所下降。
可见,现有的天然气消耗预测存在稳定性不足与预测不准确的技术问题。
发明内容
本申请实施例的目的是提供一种天然气消耗预测模型的训练方法与天然气消耗的预测方法,用以解决现有技术中天然气消耗预测存在稳定性不足与预测不准确的技术问题。
为了实现上述目的,本申请第一方面提供一种天然气消耗预测模型的训练方法,包括:
获取天然气消耗历史数据;
利用经验模态分解将天然气消耗历史数据进行分解,得到趋势数据、高频数据与低频数据;
利用小波分解将高频数据与低频数据进行分解,得到分解后的高频数据与分解后的低频数据;
利用趋势数据、分解后的高频数据与分解后的低频数据,构建数据集;
利用数据集对预设模型进行训练,直至达到预设条件终止训练,得到天然气消耗预测模型。
在本申请实施例中,利用经验模态分解将天然气消耗历史数据进行分解,得到趋势数据、高频数据与低频数据,包括:
利用经验模态分解将天然气消耗历史数据进行分解,得到多种模态数据;
将多种模态数据进行聚类,得到趋势数据、高频数据与低频数据。
在本申请实施例中,在利用经验模态分解将天然气消耗历史数据进行分解,得到趋势数据、高频数据与低频数据之前,还包括将天然气消耗历史数据进行标准化处理。
在本申请实施例中,利用数据集对预设模型进行训练,直至达到预设条件终止训练,得到天然气消耗预测模型,包括:
将数据集进行划分,得到训练集与测试集;
利用训练集对预设模型进行训练,得到初始天然气消耗预测模型;
将测试集输入至初始天然气消耗预测模型,计算初始天然气消耗预测模型在测试集上的误差率;
在误差率大于预设阈值的情况下,调整初始天然气消耗预测模型的参数,直至误差率小于等于预设阈值,得到天然气消耗预测模型。
在本申请实施例中,预设模型为基于LightGBM与XGBoost的串联模型。
本申请第二方面提供一种天然气消耗的预测方法,包括:
获取天然气消耗的时间序列;
将天然气消耗的时间序列输入至天然气消耗预测模型,得到天然气消耗量,其中,天然气消耗预测模型通过如第一方面中任一项所述的天然气消耗预测模型的训练方法得到。
本申请第三方面提供一种天然气消耗预测模型的训练装置,包括:
存储器,被配置成存储指令;以及
处理器,被配置成从存储器调用指令以及在执行指令时能够实现根据第一方面中任一项所述的天然气消耗预测模型的训练方法。
本申请第四方面提供一种天然气消耗的预测装置,包括:
存储器,被配置成存储指令;以及
处理器,被配置成从存储器调用指令以及在执行指令时能够实现根据第二方面所述的天然气消耗的预测方法。
本申请第五方面提供一种电子设备,包括:
根据第三方面所述的天然气消耗预测模型的训练装置;或
根据第四方面所述的天然气消耗的预测装置。
本申请第六方面提供一种机器可读存储介质,该机器可读存储介质上存储有指令,该指令用于使得机器执行根据第一方面中任一项所述的天然气消耗预测模型的训练方法,或如第二方面所述的天然气消耗的预测方法。
通过上述技术方案,充分考虑了天然气消耗历史数据的内在规律,对天然气消耗历史数据进行了充分分解,最终将天然气消耗历史数据分解为趋势数据、分解后的高频数据与分解后的低频数据,从而增强了数据的规律性,并利用该三类数据对预设模型进行训练,得到天然气消耗预测模型,利用该模型对天然气消耗进行预测能够提升预测稳定性与准确性。
本申请实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本申请实施例的进一步理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本申请实施例,但并不构成对本申请实施例的限制。在附图中:
图1示意性示出了根据本申请实施例的一种天然气消耗预测模型的训练方法的流程示意图;
图2示意性示出了根据本申请实施例的高频数据的示意图;
图3示意性示出了根据本申请实施例的低频数据的示意图;
图4a、图4b和图4c示意性示出了根据本申请实施例的趋势数据的示意图;
图5a、图5b和图5c示意性示出了根据本申请实施例的分解后的高频数据的示意图;
图6a、图6b和图6c示意性示出了根据本申请实施例的分解后的低频数据的示意图;
图7示意性示出了根据本申请实施例的一种天然气消耗的预测方法的流程示意图;
图8示意性示出了根据本申请实施例的一种天然气消耗预测模型的训练装置的结构示意图;
图9示意性示出了根据本申请实施例的一种天然气消耗的预测装置的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,应当理解的是,此处所描述的具体实施方式仅用于说明和解释本申请实施例,并不用于限制本申请实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
需要说明,若本申请实施例中有涉及方向性指示(诸如上、下、左、右、前、后……),则该方向性指示仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等,如果该特定姿态发生改变时,则该方向性指示也相应地随之改变。
另外,若本申请实施例中有涉及“第一”、“第二”等的描述,则该“第一”、“第二”等的描述仅用于描述目的,而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外,各个实施例之间的技术方案可以相互结合,但是必须是以本领域普通技术人员能够实现为基础,当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在,也不在本申请要求的保护范围之内。
图1示意性示出了根据本申请实施例的一种天然气消耗预测模型的训练方法的流程示意图。如图1所示,本申请实施例提供一种天然气消耗预测模型的训练方法,该方法可以包括下列步骤。
步骤110、获取天然气消耗历史数据;
具体地,天然气消耗历史数据由历史天然气消耗时间序列与历史天然气消耗量组成,其中历史天然气消耗量可以是每日天然气消耗量、每月天然气消耗量或任何其它的周期性天然气消耗量数据,选取周期性频率越高的天然气消耗量数据可能会导致数据的复杂度上升或噪声增加,但如果预测目标为短期内的天然气消耗,那么周期性频率更高的数据可能会提供更多有用的信息,使得预测更准确。合适的天然气消耗历史数据还需根据实际需求选取,本申请实施例对此不做限定。
步骤120、利用经验模态分解将天然气消耗历史数据进行分解,得到趋势数据、高频数据与低频数据。
可以理解的是,经验模态分解(EMD,Empirical Mode Decomposition)是一种基于瞬时频率和本征模态函数的方法,用于将复杂信号分解为多个IMF(Intrinsic ModeFunction,固有模态函数)分量,每个IMF分量表示信号的局部特征。经验模态分解的核心思想是根据信号自身的时间尺度特征进行分解,无需预先设定任何基函数,因此具有很强的自适应性。
在本申请实施例中,所述步骤120包括:
利用经验模态分解将天然气消耗历史数据进行分解,得到多种模态数据;
将多种模态数据进行聚类,得到趋势数据、高频数据与低频数据。
可以理解的是,由于初始天然气消耗历史数据规律性不强,直接将其用于模型训练会导致预测不稳定,从而无法准确预测天然气消耗,因此需要对天然气消耗历史数据进行数据分解从而增强数据的规律性与可预测性。
首先利用经验模态分解将天然气消耗历史数据进行分解,分解为多种模态数据,根据天然气消耗历史数据构建原始信号函数x(t),其中t表示历史天然气消耗时间序列,x表示历史天然气消耗量,x(t)表示t时刻的天然气消耗量。找到x(t)的所有极大值点,通过三次样条函数拟合出极大值包络线emax(t);同理,找到x(t)的所有极小值点,通过三次样条函数拟合出x(t)的极小值包络线emin(t)。计算上、下包络线的平均值m1(t),其中,上、下包络线的平均值m1(t)通过下述公式表示:
将x(t)减去m1(t)就得到一个去掉低频成分的信号其中,去掉低频成分的信号/>通过下述公式表示:
通常不是一个平稳信号,不满足IMF定义的两个条件,重复上述过程,假定经过k次之后/>满足IMF的定义,则x(t)的一阶IMF分量如下述公式所示:
式中,IMF1(t)与c1(t)表示x(t)的一阶IMF分量,表示经过k次运算之后的
用x(t)减去c1(t),得到一个去掉高频成分的信号r1(t),将r1(t)作为原始信号重复上述过程,得到第二个IMF分量,如此反复进行,直到第n阶IMF分量或残余分量rn(t)小于预设值,或当残余分量rn(t)是单调函数或常量时,经验模态分解过程停止。
原始信号函数x(t)经过经验模态分解后,可以通过下述公式表示:
式中,x(t)表示原始信号函数,ci(t)表示多种模态数据中的第i个模态数据,rn(t)表示经过n次计算后的r1(t),rn(t)可用于表示残余分量。
在将天然气消耗历史数据分解为多种模态数据的基础上,将多种模态数据进行聚类,从而得到趋势数据、高频数据与低频数据。
具体地,聚类方法可以采取多种,例如使用k均值聚类法,k均值聚类法旨在最小化所有数据点与集群的相应中心点之间的距离平方和。在本申请实施例中,将k值设置为3,代表三类数据:趋势数据、高频数据和低频数据。其中趋势数据反应了天然气消耗随时间变化的总体趋势,高频数据与低频数据则反应了天然气消耗的周期性变化。随机选择多种模态数据中的三个数据点作为各类数据集群的初始中心点,通过计算每个数据点距离三个初始中心点的距离,把每个数据点分配给最近的中心点,这里的距离计算可以使用欧几里得距离。中心点以及分配给它们的数据点就代表一个聚类,对于每个聚类,计算所有归属于该聚类的数据点的均值,并将该均值更新为新的中心点,重复上述步骤,直到满足预设终止条件即表明聚类结束,成功将多种模态数据聚类为趋势数据、高频数据与低频数据。
请一并参阅图2、图3、图4a、图4b与图4c,图2示意性示出了根据本申请实施例的高频数据的示意图,图3示意性示出了根据本申请实施例的低频数据的示意图,图4a、图4b和图4c示意性示出了根据本申请实施例的趋势数据的示意图,其中横坐标表示天然气消耗历史数据的时间序列,纵坐标表示历史天然气消耗量经过经验模态分解后的值。可以理解的是,趋势数据根据实际情况可以包含多类,本申请实施例只是示意性地列举出三类。
通过将多种天然气消耗历史数据分解为多种模态数据,再将多种模态数据聚类为趋势数据、高频数据与低频数据,相较于初始天然气消耗历史数据,该三类数据已具有一定的数据规律性,但由于高频数据与低频数据仅反应的是天然气消耗量的周期性变化,变化幅度较大,可预测性能较低,仍无法满足天然气消耗的预测需求,故还需将高频数据与低频数据进行进一步分解。
步骤130、利用小波分解将高频数据与低频数据进行分解,得到分解后的高频数据与分解后的低频数据。
可以理解的是,小波分解基于傅里叶变换,其具有多层次函数分解的功能、良好的时频局部化能力以及多分辨率的特点,且对待分析信号的自适应性较强,能有效地从复杂信号中提取有用的信息。
请一并参阅图5a、图5b、图5c、图6a、图6b与图6c,图5a、图5b和图5c示意性示出了根据本申请实施例的分解后的高频数据的示意图,图6a、图6b和图6c示意性示出了根据本申请实施例的分解后的低频数据的示意图,其中横坐标表示天然气消耗历史数据的时间序列,纵坐标表示历史天然气消耗量经过经验模态分解与小波分解后的值,imfs0至imfs5表示高频数据与低频数据经过小波分解后的第1至第6类数据。可以理解的是,高频数据与低频数据可以根据实际情况被分解为多类,本申请实施例只是示意性地列举出六类。
通过利用小波分解对高频数据与低频数据进行进一步分解,得到分解后的高频数据与分解后的低频数据,完成了对天然气消耗历史数据的充分分解,增强了数据的规律性,满足了天然气消耗的预测需求。
步骤140、利用趋势数据、分解后的高频数据与分解后的低频数据,构建数据集。
经过步骤120与步骤130分解后的趋势数据、分解后的高频数据与分解后的低频数据具有较强的数据规律性,利用该三类数据构建数据集,能够确保天然气消耗预测模型获得高质量的训练数据,从而满足一定的精度要求。
步骤150、利用数据集对预设模型进行训练,直至达到预设条件终止训练,得到天然气消耗预测模型。
可以理解的是,本发明实施例在进行模型训练时,在每次训练时,可以将步骤140得到的数据集分成训练集和测试集,从训练集中选取第一预设数量的数据来进行损失计算和反向更新,并在此次训练完成后,再从训练集中选取第一预设数量的数据来进行下一次训练,利用训练集中的数据迭代更新预设模型,直至满足预设条件后,终止训练。
此外,预设训练终止条件包括但不限于召回率满足预设值、损失函数收敛、迭代次数达到预设次数、F1参数满足预设值等等,可以根据实际情况,本申请实施例对此不作限定。
在本申请实施例中,所述步骤150包括:
将数据集进行划分,得到训练集与测试集;
利用训练集对预设模型进行训练,得到初始天然气消耗预测模型;
将测试集输入至初始天然气消耗预测模型,计算初始天然气消耗预测模型在测试集上的误差率;
在误差率大于预设阈值的情况下,调整初始天然气消耗预测模型的参数,直至误差率小于等于预设阈值,得到天然气消耗预测模型。
具体地,对步骤140中构建的数据集进行训练集与测试集的划分,通常训练集用于训练模型的参数,测试集用于调整参数与评估模型的性能。通过划分训练集与测试集,能够评估模型在未见过的数据上的性能,即模型的泛化能力,测试集上的性能评估可以更真实地反映模型在实际应用中的表现,避免过度拟合。并且在训练过程中,模型可能会有一些需要调整的参数,通过选取合适的评估指标,观察模型在训练集上的表现,从而对模型的参数进行适应性调整,以提高模型性能。
利用训练集对预设模型进行训练,得到初始天然气消耗预测模型。为了对模型的性能进行评估,需要选取一种评估指标,利用该评估指标计算初始天然气消耗预测模型在测试集上的误差率,可以理解的是,评估指标有多种,例如均方误差、平均绝对误差、平均绝对误差率以及绝对系数等,本申请实施例对此不做限定。
在误差率大于预设阈值的情况下,调整初始天然气消耗预测模型的参数,直至误差率小于等于预设阈值,得到天然气消耗预测模型。其中,预设阈值可以根据实际需求设定,本申请实施例对此不做限定。
在本申请实施例中,所述步骤120执行之前,还包括将天然气消耗历史数据进行标准化处理。
由于本申请的数据集中各数据尺度差异较大,会影响到天然气消耗预测模型的预测准确性,因此对天然气消耗历史数据进行标准化处理,可以将不同的数据特征统一到同一个尺度上,从而消除特征值之间的量级差异,有利于加快模型的收敛速度。
标准化处理通常采用Z-score法,Z-score法通过如下公式表示:
式中,μ为天然气消耗历史数据的均值,σ为天然气消耗历史数据的标准差,y表示天然气消耗历史数据,y′表示天然气消耗历史数据经过标准化处理后的数据值。
在本申请实施例中,所述预设模型为基于LightGBM与XGBoost的串联模型。
LightGBM(Light Gradient Boosting Machine,光梯度提升机)是一个实现GBDT(Gradient Boosting Decision Tree,梯度提升决策树)算法的框架,使用基于决策树的算法。通过在损失函数中增加二阶导数项使得模型的收敛速度变快。把连续的浮点特征值离散化成j个整数,同时构造一个宽度为j的直方图减少存储空间和加快中间运算过程,使用带深度限制的Leaf-wise(按子叶生长)策略可以避免同一层叶子数量过多的情况,其具有更快的训练速度、更低的内存消耗、更好的准确率、支持分布式可以快速处理海量数据等优点。
XGBoost(Extreme Gradient Boosting,极端梯度提升)是一种新兴、高效的集成模型,它的基学习器为CART(Classification and Regression Tree,分类与回归树)。单棵CART由多个叶子节点组成。在模型的训练和适用过程中,对于一组确定的输入数据,存在一个与之对应的叶子节点输出值,单棵CART的多个叶子结点综合表征了该CART对当前输入数据的预测结果。
将基于LightGBM与XGBoost的串联模型作为预设模型,能够使预设模型具有优秀的预测性能。具体地,将LightGBM与XGBoost的初始超参数设为预设模型的默认参数值,LightGBM六个初始超参数分别为0.1、100、255、3、31、1,XGBoost五个初始超参数分别为0.3、1、1、100、6。利用训练集对预设模型进行训练,得到初始天然气消耗预测模型,将测试集输入至初始天然气消耗预测模型,计算初始天然气消耗预测模型在测试集上的误差率,在误差率大于预设阈值的情况下,调整LightGBM与XGBoost的初始超参数,直至误差率小于等于预设阈值,得到满足天然气消耗预测需求的天然气消耗预测模型。
本申请实施例提供的天然气消耗的预测方法,通过利用经验模态分解与小波分解将天然气消耗历史数据进行充分分解,并利用充分分解后的数据对预设模型进行训练,直至达到预设条件终止训练,得到天然气消耗预测模型,利用该模型对天然气消耗进行预测能够提升预测稳定性与准确性。
图7示意性示出了根据本申请实施例的一种天然气消耗的预测方法的流程示意图。如图7所示,本申请实施例提供一种天然气消耗的预测方法,该方法可以包括下列步骤。
步骤210、获取天然气消耗的时间序列;
步骤220、将天然气消耗的时间序列输入至天然气消耗预测模型,得到天然气消耗量,其中,天然气消耗预测模型通过如第一方面中任一项所述的天然气消耗预测模型的训练方法得到。
具体地,首先获取需要进行天然气消耗预测的时间区间所对应的时间序列,将该时间序列作为天然气消耗的时间序列,将该天然气消耗的时间序列输入至上述实施例所提供的天然气消耗预测模型,从而得到预测的天然气消耗量。
本申请实施例提供的天然气消耗的预测方法,通过将需要进行天然气消耗预测的时间序列输入至上述实施例中提供的天然气消耗预测模型,从而能够预测得到具有较高准确性的天然气消耗量。
图8示意性示出了根据本申请实施例的一种天然气消耗预测模型的训练装置的结示意图。如图8所示,本申请实施例提供一种天然气消耗预测模型的训练装置,该装置可以包括:
存储器310、被配置成存储指令;以及
处理器320、被配置成从存储器310调用指令以及在执行指令时能够实现如第一方面中任一项所述的天然气消耗预测模型的训练方法。
具体地,在本申请实施例中,处理器320可以被配置成:
获取天然气消耗历史数据;
利用经验模态分解将天然气消耗历史数据进行分解,得到趋势数据、高频数据与低频数据;
利用小波分解将高频数据与低频数据进行分解,得到分解后的高频数据与分解后的低频数据;
利用趋势数据、分解后的高频数据与分解后的低频数据,构建数据集;
利用数据集对预设模型进行训练,直至达到预设条件终止训练,得到天然气消耗预测模型。
可以理解的是,本申请实施例提供的天然气消耗预测模型的训练装置能够实现图1的方法实施例中天然气消耗预测模型的训练方法的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
图9示意性示出了根据本申请实施例的一种天然气消耗的预测装置的结示意图。如图9所示,本申请实施例提供一种天然气消耗的预测装置,该装置可以包括:
存储器410、被配置成存储指令;以及
处理器420、被配置成从存储器调用指令以及在执行指令时能够实现根据第二方面所述的天然气消耗的预测方法。
可以理解的是,本申请实施例提供的天然气消耗的预测装置能够实现图7的方法实施例中天然气消耗的预测方法的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
本申请实施例还提供一种电子设备,该设备可以包括:
根据第三方面所述的天然气消耗预测模型的训练装置;或
根据第四方面所述的天然气消耗的预测装置。
可以理解的是,本申请实施例提供的电子设备包括图8的实施例中天然气消耗预测模型的训练装置,或图9的实施例中天然气消耗的预测装置,且能达到相同的技术效果,为避免重复,这里不再赘述。
本申请实施例还提供一种机器可读存储介质,该机器可读存储介质上存储有指令,该指令用于使得机器执行根据第一方面中任一项所述的天然气消耗预测模型的训练方法,或如第二方面所述的天然气消耗的预测方法,且能达到相同的技术效果,为避免重复,这里不再赘述。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种天然气消耗预测模型的训练方法,其特征在于,包括:
获取天然气消耗历史数据;
利用经验模态分解将所述天然气消耗历史数据进行分解,得到趋势数据、高频数据与低频数据;
利用小波分解将所述高频数据与所述低频数据进行分解,得到分解后的高频数据与分解后的低频数据;
利用所述趋势数据、所述分解后的高频数据与所述分解后的低频数据,构建数据集;
利用所述数据集对预设模型进行训练,直至达到预设条件终止训练,得到所述天然气消耗预测模型。
2.根据权利要求1所述的天然气消耗预测模型的训练方法,其特征在于,所述利用经验模态分解将所述天然气消耗历史数据进行分解,得到趋势数据、高频数据与低频数据,包括:
利用经验模态分解将所述天然气消耗历史数据进行分解,得到多种模态数据;
将所述多种模态数据进行聚类,得到所述趋势数据、所述高频数据与所述低频数据。
3.根据权利要求1所述的天然气消耗预测模型的训练方法,其特征在于,在所述利用经验模态分解将所述天然气消耗历史数据进行分解,得到趋势数据、高频数据与低频数据之前,还包括将所述天然气消耗历史数据进行标准化处理。
4.根据权利要求1所述的天然气消耗估计模型的训练方法,其特征在于,所述利用所述数据集对预设模型进行训练,直至达到预设条件终止训练,得到所述天然气消耗预测模型,包括:
将所述数据集进行划分,得到训练集与测试集;
利用所述训练集对所述预设模型进行训练,得到初始天然气消耗预测模型;
将所述测试集输入至所述初始天然气消耗预测模型,计算所述初始天然气消耗预测模型在所述测试集上的误差率;
在所述误差率大于预设阈值的情况下,调整所述初始天然气消耗预测模型的参数,直至所述误差率小于等于所述预设阈值,得到所述天然气消耗预测模型。
5.根据权利要求1所述的天然气消耗预测模型的训练方法,其特征在于,所述预设模型为基于LightGBM与XGBoost的串联模型。
6.一种天然气消耗的预测方法,其特征在于,包括:
获取天然气消耗的时间序列;
将所述天然气消耗的时间序列输入至所述天然气消耗预测模型,得到天然气消耗量,其中,所述天然气消耗预测模型通过如权利要求1至5中任一项所述的天然气消耗预测模型的训练方法得到。
7.一种天然气消耗预测模型的训练装置,其特征在于,包括:
存储器,被配置成存储指令;以及
处理器,被配置成从所述存储器调用所述指令以及在执行所述指令时能够实现根据权利要求1至5中任一项所述的天然气消耗预测模型的训练方法。
8.一种天然气消耗的预测装置,其特征在于,包括:
存储器,被配置成存储指令;以及
处理器,被配置成从所述存储器调用所述指令以及在执行所述指令时能够实现根据权利要求6所述的天然气消耗的预测方法。
9.一种电子设备,其特征在于,包括:
根据权利要求7所述的天然气消耗预测模型的训练装置;或
根据权利要求8所述的天然气消耗的预测装置。
10.一种机器可读存储介质,其特征在于,该机器可读存储介质上存储有指令,该指令用于使得机器执行根据权利要求1至5中任一项所述的天然气消耗预测模型的训练方法,或如权利要求6所述的天然气消耗的预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311376923.2A CN117633452A (zh) | 2023-10-23 | 2023-10-23 | 天然气消耗预测模型的训练方法与天然气消耗的预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311376923.2A CN117633452A (zh) | 2023-10-23 | 2023-10-23 | 天然气消耗预测模型的训练方法与天然气消耗的预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117633452A true CN117633452A (zh) | 2024-03-01 |
Family
ID=90029439
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311376923.2A Pending CN117633452A (zh) | 2023-10-23 | 2023-10-23 | 天然气消耗预测模型的训练方法与天然气消耗的预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117633452A (zh) |
-
2023
- 2023-10-23 CN CN202311376923.2A patent/CN117633452A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110969290B (zh) | 一种基于深度学习的径流概率预测方法及系统 | |
CN108665175A (zh) | 一种保险业务风险预测的处理方法、装置及处理设备 | |
CN110717535B (zh) | 一种基于数据分析处理系统的自动建模方法及系统 | |
CN108805193B (zh) | 一种基于混合策略的电力缺失数据填充方法 | |
Poczęta et al. | Learning fuzzy cognitive maps using structure optimization genetic algorithm | |
US11501153B2 (en) | Methods and apparatus for training a neural network | |
US11625614B2 (en) | Small-world nets for fast neural network training and execution | |
CN104050242A (zh) | 基于最大信息系数的特征选择、分类方法及其装置 | |
CN112187554B (zh) | 一种基于蒙特卡洛树搜索的运维系统故障定位方法和系统 | |
CN111882114B (zh) | 一种短时交通流量预测模型构建方法及预测方法 | |
CN105184398A (zh) | 一种电力最大负荷小样本预测方法 | |
CN109934422A (zh) | 一种基于时间序列数据分析的神经网络风速预测方法 | |
CN112330052A (zh) | 一种配变负荷预测方法 | |
CN116562471B (zh) | 一种基于stl数据分解的stl-sarima-gru功率预测方法 | |
CN111209941B (zh) | 一种产品模块类型识别方法及装置 | |
CN117633452A (zh) | 天然气消耗预测模型的训练方法与天然气消耗的预测方法 | |
CN105740916B (zh) | 图像特征编码方法及装置 | |
CN112084294A (zh) | 一种基于人工智能的整车电磁兼容分级管理方法 | |
CN116028788A (zh) | 特征分箱方法、装置、计算机设备及存储介质 | |
CN113011597B (zh) | 一种回归任务的深度学习方法和装置 | |
CN104484418B (zh) | 一种基于双分辨率的特征量化方法及系统 | |
CN113159419A (zh) | 一种群体特征画像分析方法、装置、设备及可读存储介质 | |
CN107609678B (zh) | 一种考虑矩信息不确定性的同型并行机生产调度方法 | |
CN115600121B (zh) | 数据分层分类方法及装置、电子设备、存储介质 | |
Zhang | [Retracted] Music Waveform Analysis Based on SOM Neural Network and Big Data |
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 |