CN118096244A - 充电桩销量模型训练方法、装置、设备及存储介质 - Google Patents
充电桩销量模型训练方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN118096244A CN118096244A CN202410519040.0A CN202410519040A CN118096244A CN 118096244 A CN118096244 A CN 118096244A CN 202410519040 A CN202410519040 A CN 202410519040A CN 118096244 A CN118096244 A CN 118096244A
- Authority
- CN
- China
- Prior art keywords
- model
- training
- data
- sales
- charging pile
- 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
- 238000012549 training Methods 0.000 title claims abstract description 111
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000012360 testing method Methods 0.000 claims abstract description 44
- 238000012795 verification Methods 0.000 claims abstract description 14
- 238000004364 calculation method Methods 0.000 claims description 15
- 238000002790 cross-validation Methods 0.000 claims description 12
- 230000015654 memory Effects 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 10
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 230000007787 long-term memory Effects 0.000 claims description 3
- 239000002131 composite material Substances 0.000 abstract description 9
- 230000008901 benefit Effects 0.000 abstract description 5
- 238000013528 artificial neural network Methods 0.000 abstract description 2
- 238000013461 design Methods 0.000 description 5
- 238000005457 optimization Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012384 transportation and delivery Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开充电桩销量模型训练方法、装置、设备及存储介质,涉及神经网络领域,包括获取包含充电桩销售数据的数据集合,将所述数据集合划分成训练集和测试集,并对测试集和训练集进行初始化处理;构建包含LSTM网络和GRU网络的充电桩销量模型网络结构,并基于初始化处理的测试集和训练集对模型进行迭代训练;其中的LSTM网络和GRU网络形成两次堆叠结构;通过交叉验证获取符合模型的候选超参组数,并根据性能指标选取目标超参组合,获得充电桩销量模型。该方案基于LSTM‑GRU预测模型进行销量预测,并使用GridSearchCV对模型的参数进行优化,并将两者结合成一个复合模型,以充分利用它们的优点并提高预测性能。
Description
技术领域
本申请实施例涉及神经网络领域,特别涉及一种充电桩销量模型训练方法、装置、设备及存储介质。
背景技术
在商业环境中,准确的销售预测有助于企业做出合理的库存管理、营销策略和长期规划。然而销售预测是一个具有挑战性的任务,尤其是当涉及到复杂和动态的销售数据时。传统的充电桩销售预测方法多采用计模型和机器学习模型进行分析,但该方法往往无法充分考虑市场变化和消费者行为的复杂性,导致预测结果存在较大的误差。
在相关技术中,采用计算模型和机器学习模型进行预测无法有效处理具有复杂动态特性的时间序列数据。特别是基于时间序列的模型往往无法捕捉到数据中的长依赖关系和非线性关系,导致预测结果出现偏差。其次,此类别模型无法有效处理高维数据。传统的时间序列模型在处理高维数据时,由于计算复杂度和内存的限制,往往无法进行有效预测。传统的机器学习模型通常基于手动调整的参数,难以适应不同数据集的变化,导致泛化能力有限。
发明内容
本申请实施例提供了充电桩销量模型训练方法、装置、设备及存储介质,解决传统车桩销量预测模型预测偏差和泛化能力有限的问题。
一方面,本申请提供了充电桩销量模型训练方法,所述方法包括:
获取包含充电桩销售数据的数据集合,将所述数据集合划分成训练集和测试集,并对测试集和训练集进行初始化处理;
构建包含长短期记忆LSTM网络和门控循环单元GRU网络的充电桩销量模型网络结构,并基于初始化处理的测试集和训练集对模型进行迭代训练;其中的LSTM网络和GRU网络形成两次堆叠结构;
通过交叉验证获取符合模型的候选超参组数,并根据性能指标选取目标超参组合,获得充电桩销量模型。
具体的,数据集合中的数据类型包括桩出库量、用户数量和充电桩政策数据中的至少一种,分别以对应数据类型划分不同的测试集和训练集。
具体的,将所述数据集合划分成训练集和测试集,包括:
将各种数据类型下的数据集合按时间序列以8:2的比例划分出训练集和测试集。
具体的,所述对测试集和训练集进行初始化处理,包括:
通过皮尔逊相关系数衡量两个变量之间的相关程度r,计算公式如下:
其中,n表示训练集内数据量,和/>分别表示所属数据类型的第i个数据和所属数据平均值;/>表示/>分别表示第i个销量值和销量平均值;
通过MinMaxScaler归一化函数对训练集和测试集进行归一化处理,计算公式如下:
其中的x表示训练集或测试集数据,和/>分别为所属数据类型下的数据最小值和最大值。
具体的,充电桩销量模型网络结构包括两个相同的堆叠结构,每个堆叠结构依次包括相互级联的BN层、LSTM层、GRU层和dropout层,两个堆叠结构串级连接,通过全连接层输出。
具体的,模型训练过程包括:
基于训练集中连续三个时间点的历史数据输入模型,预测输出第四个时间点的目标数据值,并使用测试集进行验证计算;
使用网格搜索交叉验证技术对模型进行自动网格化搜索和交叉验证。
具体的,所述通过交叉验证获取符合模型的候选超参组数,并根据性能指标选取目标超参组合,包括:
选择batch_size的范围设置为[6,30],epoch的范围设置为[10,100],并选用Adam作为优化器进行迭代训练;
设置交叉验证CV参数为5,进行五折交叉验证,获取不同训练集下的候选超参组数,以及根据预测结果计算平均绝对误差和均方根误差;
根据交叉验证下各个准确率值大小选定目标模型和确定目标超参组合,并使用目标超参组合重新进行模型训练,获得充电桩销量模型。
另一方面,本申请提供了充电桩销量模型预测装置,所述装置包括:
初始化模块,用于获取包含充电桩销售数据的数据集合,将所述数据集合划分成训练集和测试集,并对测试集和训练集进行初始化处理;
训练模块,用于构建包含长短期记忆LSTM网络和门控循环单元GRU网络的充电桩销量模型网络结构,并基于初始化处理的测试集和训练集对模型进行迭代训练;其中的LSTM网络和GRU网络形成两次堆叠结构;
确定模块,用于通过交叉验证获取符合模型的候选超参组数,并根据性能指标选取目标超参组合,获得充电桩销量模型。
又一方面,本申请提供一种计算机设备,所述计算机设备包括处理器和存储器,所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现上述方面所述的充电桩销量模型训练方法。
又一方面,本申请提供一种计算机可读存储介质,所述计算机可读存储介质中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现上述方面所述的充电桩销量模型训练方法。
本申请实施例提供的技术方案带来的有益效果至少包括:采用了LSTM和GRU复合模型的设计,这种模型能够结合两者的优点,能够更好地捕捉到数据中的长依赖关系和非线性关系,更好地处理时间序列数据;通过GridSearchCV进行模型优化,可以找到最优的模型参数,提高模型的泛化能力;有效地处理具有复杂动态特性的时间序列数据和高维数据,克服了传统模型在这些方面的限制;引入了LSTM和GRU网络结构、使用GridSearchCV进行模型优化、复合模型的设计以及克服了现有技术的限制等方面;这些创新点使得本发明在预测方法及装置领域具有重要的实用价值和应用前景。
附图说明
图1是本申请实施例提供的充电桩销量模型训练方法的流程图;
图2是本申请实施例提供的充电桩销量模型的网络结构图;
图3 是训练和预测的算法流程图;
图4是根据充电桩销量模型预测的趋势图;
图5是本申请实施例提供的充电桩销量模型预测装置的结构框图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请实施方式作进一步地详细描述。
在本文中提及的“多个”是指两个或两个以上。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
在现实预测销量的业务中,电动汽车充电桩的销量难以进行准确的预测。但是,我们可以通过获取影响电动汽车充电桩销量的特征数据,通过神经网络模型对销量进行预测。为此我们将LSTM-GRU复合模型应用于销售预测领域,并考虑多种影响因素,对充电桩的销量进行预测。本实施例针对需要预测的目标数据,提出了一种基于GridSearchCV的LSTM-GRU复合模型的预测方法,使用了包括输入层、隐藏层和输出层的三层网络结构设计,并在此基础上进行模型训练,获得充电桩销量模型。
图1是本申请实施例提供的充电桩销量模型训练方法的流程图,包括如下步骤:
S1,获取包含充电桩销售数据的数据集合,将数据集合划分成训练集和测试集,并对测试集和训练集进行初始化处理;
数据集合可以是对车桩销量有影响的数据信息,例如车桩出库量、用户数量和充电桩政策数据中的至少一种或多种,这些不同的数据需要按照类型进行区分,形成多个不同的数据集合。对于不同的数据集合,分别按照设置要求划分成测试集和训练集,训练集用于输入网络模型,对于训练号的网络模型则使用测试集来进行验证准确性。
S2,构建包含长短期记忆LSTM网络和门控循环单元GRU网络的充电桩销量模型网络结构,并基于初始化处理的测试集和训练集对模型进行迭代训练;其中的LSTM网络和GRU网络形成两次堆叠结构;
参见图2所示,充电桩销量模型的网络结构包括三部分,分别是输入层、输出层和隐藏层,其中的隐藏层包含两个堆叠结构,每个堆叠结构依次包括相互级联的BN层、LSTM层、GRU层和dropout层,两个堆叠结构串级连接,通过全连接层输出。即输入层连接第一个堆叠结构,第一个堆叠结构输出连接第二个堆叠结构,第二个堆叠结构输出连接全连接层,全连接层连接输出层。通过紧跟在输入层后的BN层解决网络的稳定性、加速收敛速度、减少梯度消失问题,同时,BN层使得一个mini-batch中所有样本都被关联在一起,使得网络不会仅仅依赖于单个样本进行训练,而是考虑整个batch的样本,从而提高了模型的泛化性能。本申请将训练集输入至该堆叠结构的网络层中进行循环迭代训练。
S3,通过交叉验证获取符合模型的候选超参组数,并根据性能指标选取目标超参组合,获得充电桩销量模型。
因为本申请使用GridSearchCV获取模型的最佳参数,网格化搜索本身是一种调参手段,即穷举搜索。在所有候选的参数选择中,通过循环遍历,尝试每一种可能性,表现最好的参数就是最终的结果。其原理就像是在数组里找到最大值。所以网格搜索适用于三四个(或者更少)的超参数(当超参数的数量增长时,网格搜索的计算复杂度会呈现指数增长,这时候则使用随机搜索),用户列出一个较小的超参数值域,这些超参数至于的笛卡尔积(排列组合)为一组组超参数。网格搜索算法使用每组超参数训练模型并挑选验证集误差最小(即根据准确率数值高低选取准确率最高的一组)的目标模型和对应的超参数组合,即目标超参组合。基于目标超参组合训练获得的模型即为充电桩销量模型。
在一些实施例中,将数据集合划分成训练集和测试集,对于不同数据类型的数据集,需要分类将各种数据类型下的数据集合按时间序列以8:2的比例划分出训练集和测试集。之后再按照类型逐个进行迭代训练。
在对测试集和训练集进行初始化处理,具体包括如下步骤:
通过皮尔逊相关系数衡量两个变量之间的相关程度r,计算公式如下:
其中,n表示训练集内数据量,和/>分别表示所属数据类型的第i个数据和所属数据平均值;/>表示/>分别表示第i个销量值和销量平均值;
通过MinMaxScaler归一化函数对训练集和测试集进行归一化处理,计算公式如下:
其中的x表示训练集或测试集数据,和/>分别为所属数据类型下的数据最小值和最大值。
归一化操作是为了将各个不同尺度和大小的数据进行规范化,便于后续的数据处理。
对网络模型的模型训练过程可以包括如下步骤:
基于训练集中连续三个时间点的历史数据输入模型,预测输出第四个时间点的目标数据值,并使用测试集进行验证计算。因为预测的数据是基于时序呈现的,因此数据不能被打乱。通过使用过去3个时间点的输入值来预测第4个目标值,并利用滑动窗口的方式依次向下滑动进行预测。然后使用网格搜索交叉验证技术对模型进行自动网格化搜索和交叉验证。
利用处理好的数据对LSTM-GRU结构模型进行训练,使用GridSearchCV获取模型的最佳参数,并将最佳模型保存。
特别的,GridSearchCV能在指定的参数范围内系统地遍历多个参数组合,通过交叉验证确定最佳参数,极大提高了模型的性能。在实施例中,设置交叉验证CV参数为5,这意味着模型会进行五折交叉验证,获取不同训练集下的候选超参组数,以及根据预测结果计算平均绝对误差和均方根误差。在每次迭代中,模型使用一部分数据进行训练,然后使用另一部分数据进行验证,以计算模型的准确率和其他性能指标。最终,通过比较不同超参数组合的性能指标,选择最佳的超参数组合。
在模型训练过程中,在LSTM中遗忘门、输入门与输出门的计算公式分别为:
;
;
;
;
;
;
其中的Wf和bf分别表示遗忘门的权重矩阵和偏置项;Wi和bi分别表示输入门的权重矩阵和偏置项;Wc和bc分别表示输出门的权重矩阵和偏置项;Wo和bo分别表示计算单元的权重矩阵和偏置项;[ ht-1, xt ] 表示当前输出值ht和前一步输出值xt连接成一个更长的向量,σ 是 sigmoid 函数;Ct是当前输入的单元状态,Ct-1是上次输入的单元状态,ft表示遗忘门;表示形成了新的单元状态;it表示输入门,ot表示输出门。
与LSTM不同,GRU中隐藏状态、更新门和重置门的计算分别为:
;
;
;
其中,ht表示当前时间步的隐藏状态,ht-1表示当前时间步的隐藏状态;zt表示更新门,rt表示重置门,Wz和Wr是权重矩阵;[ ht-1, xt ]是当前时间步的隐藏状态和输入拼接而成的向量,表示候选隐藏状态。
因为采用构建的LSTM-GRU网络结构进行的训练,具体会遍历各种参数组合,最红通过交叉验证确定最佳的目标超参组合,之后便可以使用目标超参组重新进行模型训练,获得充电桩销量模型。图3是训练和预测的算法流程图。
通过引入LSTM和GRU网络结构,使模型在保持处理长序列优势的同时,通过“门控”机制,更好地控制信息的流动;能够捕捉到数据中的长依赖关系和非线性关系,同时能够克服传统模型在处理高维数据时的限制。通过使用GridSearchCV进行模型优化,能够找到最优的模型参数,提高模型的预测精度和泛化能力。
我们将batch_size的范围设置为[6,30],epoch的范围设置为[10,100],优化器设置从‘Adam, Adadelta, SGD与Adagrad’中进行选择。通过对LSTM-GRU的网络结构进行训练,发现当每次训练的数据集中包含的样本数量为6,训练次数设置为100次,并选用Adam作为优化器时模型的效果最佳。
为了评估LSTM模型与其他经典机器学习模型的性能差异,使用不同模型在相同训练集上训练,在测试集上评估。平均绝对误差(Mean Absolute Error,MAE)与均方根误差(Root Mean Square Error,RMSE)是运用较为广泛的两种评估指标,MAE是对预测残差直接平均,对高偏差数据点更敏感,MAE越小模型的预测精度越高。RMSE指标光滑性好且可微分,模型的泛化性能越高则RMSE值越小,计算公式分别为:
;
;
本实施例的预测结果的RMSE和MAE分别为41.54和46.28,优于单独使用LSTM的45.74和42.19。此外,本发明可以适应不同数据集的变化,我们以充电桩的销量预测作为示例,给出其预测结果如图4所示。
综上所述,本申请实施例采用了LSTM和GRU复合模型的设计,这种模型能够结合两者的优点,能够更好地捕捉到数据中的长依赖关系和非线性关系,更好地处理时间序列数据;通过GridSearchCV进行模型优化,可以找到最优的模型参数,提高模型的泛化能力;有效地处理具有复杂动态特性的时间序列数据和高维数据,克服了传统模型在这些方面的限制;引入了LSTM和GRU网络结构、使用GridSearchCV进行模型优化、复合模型的设计以及克服了现有技术的限制等方面;这些创新点使得本发明在预测方法及装置领域具有重要的实用价值和应用前景。
图5是本申请实施例提供的充电桩销量模型预测装置的结构框图,所述装置包括:
初始化模块510,用于获取包含充电桩销售数据的数据集合,将所述数据集合划分成训练集和测试集,并对测试集和训练集进行初始化处理;
训练模块520,用于构建包含长短期记忆LSTM网络和门控循环单元GRU网络的充电桩销量模型网络结构,并基于初始化处理的测试集和训练集对模型进行迭代训练;其中的LSTM网络和GRU网络形成两次堆叠结构;
确定模块530,用于通过交叉验证获取符合模型的候选超参组数,并根据性能指标选取目标超参组合,获得充电桩销量模型。
此外,本申请还提供一种计算机设备,所述计算机设备包括处理器和存储器,所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如上述任一项所述的充电桩销量模型训练方法。
此外,本申请还提供一种计算机可读存储介质,所述计算机可读存储介质中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现如上述任一项所述的充电桩销量模型训练方法。
本申请实施例中还提供一种计算机设备,所述计算机设备包括处理器和存储器,所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现上述方面所述的充电桩销量模型训练方法。
本申请实施例中还提供一种计算机可读存储介质,所述计算机可读存储介质中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现上述方面所述的充电桩销量模型训练方法。
以上对本发明的较佳实施例进行了描述;需要理解的是,本发明并不局限于上述特定实施方式,其中未尽详细描述的设备和结构应该理解为用本领域中的普通方式予以实施;任何熟悉本领域的技术人员,在不脱离本发明技术方案作出许多可能的变动和修饰,或修改为等同变化的等效实施例,这并不影响本发明的实质内容;因此,凡是未脱离本发明技术方案的内容,依据本发明的技术实质对以上实施例所做的任何简单修改、等同变化及修饰,均仍属于本发明技术方案保护的范围内。
Claims (10)
1.一种充电桩销量模型训练方法,其特征在于,所述方法包括:
获取包含充电桩销售数据的数据集合,将所述数据集合划分成训练集和测试集,并对测试集和训练集进行初始化处理;
构建包含长短期记忆LSTM网络和门控循环单元GRU网络的充电桩销量模型网络结构,并基于初始化处理的测试集和训练集对模型进行迭代训练;其中的LSTM网络和GRU网络形成两次堆叠结构;
通过交叉验证获取符合模型的候选超参组数,并根据性能指标选取目标超参组合,获得充电桩销量模型。
2.根据权利要求1所述的充电桩销量模型训练方法,其特征在于,数据集合中的数据类型包括桩出库量、用户数量和充电桩政策数据中的至少一种,分别以对应数据类型划分不同的测试集和训练集。
3.根据权利要求2所述的充电桩销量模型训练方法,其特征在于,将所述数据集合划分成训练集和测试集,包括:
将各种数据类型下的数据集合按时间序列以8:2的比例划分出训练集和测试集。
4.根据权利要求2所述的充电桩销量模型训练方法,其特征在于,所述对测试集和训练集进行初始化处理,包括:
通过皮尔逊相关系数衡量两个变量之间的相关程度r,计算公式如下:
其中,n表示训练集内数据量,和/>分别表示所属数据类型的第i个数据和所属数据平均值;/>表示/>分别表示第i个销量值和销量平均值;
通过MinMaxScaler归一化函数对训练集和测试集进行归一化处理,计算公式如下:
其中的x表示训练集或测试集数据,和/>分别为所属数据类型下的数据最小值和最大值。
5.根据权利要求1所述的充电桩销量模型训练方法,其特征在于,充电桩销量模型网络结构包括两个相同的堆叠结构,每个堆叠结构依次包括相互级联的BN层、LSTM层、GRU层和dropout层,两个堆叠结构串级连接,通过全连接层输出。
6.根据权利要求1所述的充电桩销量模型训练方法,其特征在于,模型训练过程包括:
基于训练集中连续三个时间点的历史数据输入模型,预测输出第四个时间点的目标数据值,并使用测试集进行验证计算;
使用网格搜索交叉验证技术对模型进行自动网格化搜索和交叉验证。
7.根据权利要求6所述的充电桩销量模型训练方法,其特征在于,所述通过交叉验证获取符合模型的候选超参组数,并根据性能指标选取目标超参组合,包括:
选择batch_size的范围设置为[6,30],epoch的范围设置为[10,100],并选用Adam作为优化器进行迭代训练;
设置交叉验证CV参数为5,进行五折交叉验证,获取不同训练集下的候选超参组数,以及根据预测结果计算平均绝对误差和均方根误差;
根据交叉验证下各个准确率值大小选定目标模型和确定目标超参组合,并使用目标超参组合重新进行模型训练,获得充电桩销量模型。
8.一种充电桩销量模型预测装置,其特征在于,所述装置包括:
初始化模块,用于获取包含充电桩销售数据的数据集合,将所述数据集合划分成训练集和测试集,并对测试集和训练集进行初始化处理;
训练模块,用于构建包含长短期记忆LSTM网络和门控循环单元GRU网络的充电桩销量模型网络结构,并基于初始化处理的测试集和训练集对模型进行迭代训练;其中的LSTM网络和GRU网络形成两次堆叠结构;
确定模块,用于通过交叉验证获取符合模型的候选超参组数,并根据性能指标选取目标超参组合,获得充电桩销量模型。
9.一种计算机设备,其特征在于,所述计算机设备包括处理器和存储器,所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如权利要求1至7任一项所述的充电桩销量模型训练方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现如权利要求1至7任一项所述的充电桩销量模型训练方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410519040.0A CN118096244A (zh) | 2024-04-28 | 2024-04-28 | 充电桩销量模型训练方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410519040.0A CN118096244A (zh) | 2024-04-28 | 2024-04-28 | 充电桩销量模型训练方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118096244A true CN118096244A (zh) | 2024-05-28 |
Family
ID=91148016
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410519040.0A Pending CN118096244A (zh) | 2024-04-28 | 2024-04-28 | 充电桩销量模型训练方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118096244A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108615096A (zh) * | 2018-05-10 | 2018-10-02 | 平安科技(深圳)有限公司 | 服务器、金融时序数据的处理方法及存储介质 |
CN114626898A (zh) * | 2022-04-27 | 2022-06-14 | 西安建筑科技大学 | 一种销量预测方法、工具、系统、设备及存储介质 |
CN115222454A (zh) * | 2022-07-20 | 2022-10-21 | 上海评驾科技有限公司 | 基于Stacking集成学习算法的车辆销售预测方法、系统及存储介质 |
CN117787585A (zh) * | 2023-11-03 | 2024-03-29 | 浙江华云信息科技有限公司 | 一种数据驱动的充电桩数量的预测方法、装置 |
-
2024
- 2024-04-28 CN CN202410519040.0A patent/CN118096244A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108615096A (zh) * | 2018-05-10 | 2018-10-02 | 平安科技(深圳)有限公司 | 服务器、金融时序数据的处理方法及存储介质 |
CN114626898A (zh) * | 2022-04-27 | 2022-06-14 | 西安建筑科技大学 | 一种销量预测方法、工具、系统、设备及存储介质 |
CN115222454A (zh) * | 2022-07-20 | 2022-10-21 | 上海评驾科技有限公司 | 基于Stacking集成学习算法的车辆销售预测方法、系统及存储介质 |
CN117787585A (zh) * | 2023-11-03 | 2024-03-29 | 浙江华云信息科技有限公司 | 一种数据驱动的充电桩数量的预测方法、装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111130839B (zh) | 一种流量需求矩阵预测方法及其系统 | |
CN110490717B (zh) | 基于用户会话及图卷积神经网络的商品推荐方法及系统 | |
Thudi et al. | On the necessity of auditable algorithmic definitions for machine unlearning | |
EP3792841A1 (en) | Automated feature generation for machine learning application | |
Pappa et al. | Attribute selection with a multi-objective genetic algorithm | |
CN112734002B (zh) | 一种基于数据层和模型层联合迁移学习的寿命预测方法 | |
Bakhashwain et al. | Online Tuning of Hyperparameters in Deep LSTM for Time Series Applications. | |
Mesquita et al. | Embarrassingly parallel MCMC using deep invertible transformations | |
CN116542701A (zh) | 一种基于cnn-lstm组合模型的碳价预测方法及系统 | |
Aushev et al. | Likelihood-free inference with deep Gaussian processes | |
Alabas et al. | A comparison of the performance of artificial intelligence techniques for optimizing the number of kanbans | |
Jodlbauer et al. | Analytical comparison of cross impact steady state, DEMATEL, and page rank for analyzing complex systems | |
Ritter et al. | TyXe: Pyro-based Bayesian neural nets for Pytorch | |
CN113095501A (zh) | 一种基于深度强化学习的不平衡分类决策树生成方法 | |
CN113627594A (zh) | 基于wgan的一维时序数据增广方法 | |
CN117146954A (zh) | 一种基于改进woa-bp神经网络的称重补偿方法及装置 | |
Incudini et al. | The quantum path kernel: A generalized neural tangent kernel for deep quantum machine learning | |
CN111337833A (zh) | 一种基于动态时变权重的锂电池容量集成预测方法 | |
CN118096244A (zh) | 充电桩销量模型训练方法、装置、设备及存储介质 | |
CN111026661B (zh) | 一种软件易用性全面测试方法及系统 | |
Malmgren | A comparative study of routing methods in capsule networks | |
Bourdache et al. | Active preference elicitation by bayesian updating on optimality polyhedra | |
Marco et al. | An Improving Long Short Term Memory-Grid Search Based Deep Learning Neural Network for Software Effort Estimation. | |
Gancarski et al. | Darwinian, Lamarckian, and Baldwinian (Co) Evolutionary Approaches for Feature Weighting in $ K $-means-Based Algorithms | |
Kaushik et al. | Extension of the fuzzy c means clustering algorithm to fit with the composite graph model for web document representation |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination |