CN106845627A - 一种数据预测方法及装置 - Google Patents
一种数据预测方法及装置 Download PDFInfo
- Publication number
- CN106845627A CN106845627A CN201710061325.4A CN201710061325A CN106845627A CN 106845627 A CN106845627 A CN 106845627A CN 201710061325 A CN201710061325 A CN 201710061325A CN 106845627 A CN106845627 A CN 106845627A
- Authority
- CN
- China
- Prior art keywords
- individuals
- population
- individual
- determining
- fitness function
- 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 53
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 57
- 230000002068 genetic effect Effects 0.000 claims abstract description 48
- 230000035772 mutation Effects 0.000 claims abstract description 40
- 238000010845 search algorithm Methods 0.000 claims abstract description 23
- 230000002028 premature Effects 0.000 abstract description 8
- 230000009194 climbing Effects 0.000 abstract description 5
- 230000006870 function Effects 0.000 description 151
- 230000008569 process Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 210000000349 chromosome Anatomy 0.000 description 3
- 238000003909 pattern recognition Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007786 learning performance Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供一种数据预测方法及装置,方法包括:构建包括N个个体的第一种群,每个个体包括支持向量回归机预测模型的模型参数值;对第一种群进行遗传算法迭代,确定在第一种群中被选择作为交叉个体的个体,并将交叉个体的个体根据禁忌搜索算法确定交叉子代,产生第二种群;对第二种群进行变异迭代,对第二种群中每个个体进行变异操作,得到第三种群;根据禁忌搜索算法从第三种群中确定最优个体;从M次变异代迭代的M个最优个体中确定下一次遗传算法迭代的第一种群;从Y次遗传算法迭代的第一种群中选择最优解作为支持向量回归机预测模型的模型参数。增加了种群的多样性,克服遗传算法中爬山能力不足的问题,避免过早收敛到局部最优解。
Description
技术领域
本发明涉及数据处理技术领域,尤其涉及一种数据预测方法及装置。
背景技术
支持向量回归机是根据统计学习理论提出的一种新的学习方法。其具有理论完备、适应性强、全局优化、训练时间短、泛化性能好等诸多优点,已经成为目前国内外研究的热点。支持向量回归机通过结果风险最小化准则和核函数方法,较好地解决了模式分类器复杂性核推广性之间的矛盾,引起了模式识别领域学者的极大关注。从此迅速的发展起来,现在已经在许多领域(生物信息学,文本分类、手写体识别、人脸检测等)都取得了成功的应用,并且在研究过程中,取得了与传统方法可比或更好的结果,还丰富了自身的内容(如快速训练算法等),从而更加推动了它在其他模式识别领域的应用。由于其出色的学习性能,该技术已成为当前国际机器学习界的研究热点,在模式识别、回归估计、函数逼近等领域有了广泛的应用。
现有技术中,通常可以利用各种优化算法来确定支持向量回归机的模型参数,例如粒子群算法、遗传算法或者禁忌搜索算法等方法来确定模型参数,但是这些现有的方法中总是存在占用空间大,过早收敛,爬山能力不足等问题。
发明内容
本发明提供一种数据预测方法及装置,用于解决现有技术中存在占用空间大,过早收敛,爬山能力不足等问题的问题。
本发明实施例提供一种数据预测方法,所述方法包括:
构建包括N个个体的第一种群,其中每个个体包括支持向量回归机预测模型的模型参数值,其中N大于等于1;
对所述第一种群进行遗传算法迭代,针对每一次遗传迭代:确定在所述第一种群中被选择作为交叉个体的个体,并将所述交叉个体的个体根据禁忌搜索算法确定交叉子代,产生第二种群;
对所述第二种群进行变异迭代,针对每一次变异代迭代:对所述第二种群中每个个体进行变异操作,得到第三种群;根据禁忌搜索算法从所述第三种群中确定最优个体;从M次变异代迭代的M个最优个体中确定下一次遗传算法迭代的第一种群;
从Y次遗传算法迭代的第一种群中选择最优解作为所述支持向量回归机预测模型的模型参数。
本发明实施例中,由于在遗传算法中的交叉计算的过程中和变异计算的过程中使用了禁忌搜索算法来产生新的种群,与现有技术相比,增加了种群的多样性,更好地克服遗传算法中爬山能力不足的问题,避免过早收敛到局部最优解。
进一步地,所述确定在所述第一种群中被选择作为交叉个体的个体,包括:
确定所述第一种群中N个个体中的每个个体的第一适应度函数值,其中所述第一适应度函数值是将所述个体作为所述支持向量回归机预测模型的模型参数后得到的预测值与真实值之差确定的;
确定所述第一种群中任意两个个体之间的交叉概率,并确定所述两个个体的随机数,根据所述两个个体的随机数以及所述交叉概率确定所述两个个体是否为交叉个体。
本发明实施例中,根据两个个体的随机数以及交叉概率确定所述两个个体是否为交叉个体,而不是采用现有技术中设置确定交叉概率来确定个体是否为交叉个体,增加了种群中个体的多样性。
进一步地,根据下列公式确定所述任意两个个体之间的交叉概率:
其中,pc为所述任意两个个体之间的交叉概率,pcmax为最大交叉概率,pcmin为最小交叉概率,curgen为当前遗传算法的迭代次数,maxgen为最大迭代次数,Favg为所述第一种群中所有个体的第一适应度函数值的平均值,所述F′为所述两个个体中较小的第一适应度函数值。
本发明实施例中,交叉概率是与两个个体的第一适应度函数值相关,并与当前迭代次数有关,而不是采用现有技术的固定概率,增加了种群的多样性,避免过早收敛。
进一步地,所述将所述交叉个体的个体根据禁忌搜索算法确定交叉子代,产生第二种群,包括:
确定所述交叉个体产生的子代个体;
确定所述子代个体的第二适应度函数值;
根据每个所述交叉个体的所述第一适应度函数值和所述子代个体的第二适应度函数值,更新所述第一种群得到第二种群。
本发明实施例中,在确定交叉个体后,确定交叉后的子代个体,并且根据子代个体来更新第一种群,得到交叉后的第二种群。
进一步地,所述根据所述交叉个体的个体的第一适应度函数值和所述子代个体的第二适应度函数值,更新所述第一种群得到第二种群,包括:
确定所述所有交叉个体的所述的第一适应度函数平均值,其中所述第一适应度函数平均值是根据所述所有交叉个体的第一适应度函数值确定的;若确定所述子代个体的第二适应度函数值大于所述第一适应度函数平均值,则将所述子代个体替换所述第一种群中所述子代个体对应的交叉个体,得到第二种群;或
所述子代个体的第二适应度函数值不大于第一适应度函数平均值,且所述子代个体不在禁忌搜索列表中,则将所述子代个体替换所述第一种群中所述子代个体对应的交叉个体,得到第二种群。
本发明实施例中,不仅接受了第二适应度函数值大于所述第一适应度函数平均值的子代个体的,也接受了第二适应度函数值不大于第一适应度函数平均值,且所述子代个体不在禁忌搜索列表中的个体,与现有技术相比,增加了种群的多样性,避免了过早收敛。
进一步地,所述对所述第二种群中每个个体进行变异操作,得到第三种群,包括:
确定所述第二种群中每个个体的第三适应度函数值;
确定所述第二种群中每个个体的变异概率,并确定每一个个体的随机数,根据每个个体的变异概率以及所述变异概率确定所述个体是否为变异个体;
对确定为所述变异个体的个体进行变异操作,并确定变异操作结果,根据所述变异操作结果确定第三种群。
本发明实施例中,第三种群是通过禁忌搜索算法来确定的,与现有技术相比,增加了种群的多样性,避免了过早收敛。
进一步地,所述根据禁忌搜索算法从所述第三种群中确定最优个体,包括:
确定所述第三种群中每个个体的第四适应度函数值并确定最大的第四适应度函数值;
若所述最大的第四适应度函数值大于禁忌期望水平值,则将所述最大的第四适应度函数值对应的个体作为最优个体,其中,所述禁忌期望水平值是根据所述第二种群中每个个体的第三适应度函数值确定的;
或,若所述最大的第四适应度函数值不大于所述禁忌期望水平值,且所述最大的第四适应度函数值对应的个体不在禁忌表中,则将所述最大的第四适应度函数值对应的个体作为最优个体。
本发明实施例中,与现有技术相比,除了接受了大于禁忌期望水平值的个体,也接受了不大于所述禁忌期望水平值,但最大的第四适应度函数值对应的个体不在禁忌表中的个体,增加了种群的多样性,避免了过早收敛。
进一步地,所述从Y次遗传算法迭代的第一种群中选择最优解作为所述支持向量回归机预测模型的模型参数后,还包括:
获取设定时间内的真实值,并将所述真实值按照设定步长划分为多个区间,确定不同区间的调整因子,其中每个区间对应一个时间因子;
获取根据支持向量回归机预测模型进行预测得到的第一预测值,并确定所述第一预测值对应的时间因子,根据所述时间因子获取调整因子;
根据所述预测值以及所述调整因子确定第二预测值。
本发明实施例中,通过增加调整因子,能够让模型对周期性数据具有较好的预测效果。
本发明还提供一种数据预测装置,包括:
第一种群确定单元,用于构建包括N个个体的第一种群,其中每个个体包括支持向量回归机预测模型的模型参数值,其中N大于等于1;
第二种群确定单元,用于对所述第一种群进行遗传算法迭代,针对每一次遗传迭代:确定在所述第一种群中被选择作为交叉个体的个体,并将所述交叉个体的个体根据禁忌搜索算法确定交叉子代,产生第二种群;
第二种群变异单元,用于对所述第二种群进行变异迭代,针对每一次变异代迭代:对所述第二种群中每个个体进行变异操作,得到第三种群;根据禁忌搜索算法从所述第三种群中确定最优个体;从M次变异代迭代的M个最优个体中确定下一次遗传算法迭代的第一种群;
模型参数确定单元,用于从Y次遗传算法迭代的第一种群中选择最优解作为所述支持向量回归机预测模型的模型参数。
本发明实施例中,由于在遗传算法中的交叉计算的过程中和变异计算的过程中使用了禁忌搜索算法来产生新的种群,与现有技术相比,增加了种群的多样性,更好地克服遗传算法中爬山能力不足的问题,避免过早收敛到局部最优解。
进一步地,所述第二种群确定单元具体用于:
确定所述第一种群中N个个体中的每个个体的第一适应度函数值,其中所述第一适应度函数值是将所述个体作为所述支持向量回归机预测模型的模型参数后得到的预测值与真实值之差确定的;
确定所述第一种群中任意两个个体之间的交叉概率,并确定所述两个个体的随机数,根据所述两个个体的随机数以及所述交叉概率确定所述两个个体是否为交叉个体。
进一步地,根据下列公式确定所述任意两个个体之间的交叉概率:
其中,pc为所述任意两个个体之间的交叉概率,pcmax为最大交叉概率,pcmin为最小交叉概率,curgen为当前遗传算法的迭代次数,maxgen为最大迭代次数,Favg为所述第一种群中所有个体的第一适应度函数值的平均值,所述F′为所述两个个体中较小的第一适应度函数值。
进一步地,所述第二种群确定单元具体用于:
确定所述交叉个体产生的子代个体;
确定所述子代个体的第二适应度函数值;
根据每个所述交叉个体的所述第一适应度函数值和所述子代个体的第二适应度函数值,更新所述第一种群得到第二种群。
进一步地,所述第二种群确定单元具体用于:
确定所述所有交叉个体的所述的第一适应度函数平均值,其中所述第一适应度函数平均值是根据所述所有交叉个体的第一适应度函数值确定的;若确定所述子代个体的第二适应度函数值大于所述第一适应度函数平均值,则将所述子代个体替换所述第一种群中所述子代个体对应的交叉个体,得到第二种群;或
所述子代个体的第二适应度函数值不大于第一适应度函数平均值,且所述子代个体不在禁忌搜索列表中,则将所述子代个体替换所述第一种群中所述子代个体对应的交叉个体,得到第二种群。
进一步地,所述第二种群变异单元具体用于:
确定所述第二种群中每个个体的第三适应度函数值;
确定所述第二种群中每个个体的变异概率,并确定每一个个体的随机数,根据每个个体的变异概率以及所述变异概率确定所述个体是否为变异个体;
对确定为所述变异个体的个体进行变异操作,并确定变异操作结果,根据所述变异操作结果确定第三种群。
进一步地,所述第二种群变异单元具体用于:
确定所述第三种群中每个个体的第四适应度函数值并确定最大的第四适应度函数值;
若所述最大的第四适应度函数值大于禁忌期望水平值,则将所述最大的第四适应度函数值对应的个体作为最优个体,其中,所述禁忌期望水平值是根据所述第二种群中每个个体的第三适应度函数值确定的;
或,若所述最大的第四适应度函数值不大于所述禁忌期望水平值,且所述最大的第四适应度函数值对应的个体不在禁忌表中,则将所述最大的第四适应度函数值对应的个体作为最优个体。
进一步地,所述装置还包括:
调整单元,用于获取设定时间内的真实值,并将所述真实值按照设定步长划分为多个区间,确定不同区间的调整因子,其中每个区间对应一个时间因子;
获取根据支持向量回归机预测模型进行预测得到的第一预测值,并确定所述第一预测值对应的时间因子,根据所述时间因子获取调整因子;
根据所述预测值以及所述调整因子确定第二预测值。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简要介绍,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,对于本领域的普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种数据预测方法的流程示意图;
图2为本发明实施例提供的一种数据预测装置的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步地详细描述,显然,所描述的实施例仅仅是本发明一部份实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
本发明提供一种数据预测方法,如图1所示,所述方法包括:
步骤101,构建包括N个个体的第一种群,其中每个个体包括支持向量回归机预测模型的模型参数值,其中N大于等于1;
步骤102,对所述第一种群进行遗传算法迭代,针对每一次遗传迭代:确定在所述第一种群中被选择作为交叉个体的个体,并将所述交叉个体的个体根据禁忌搜索算法确定交叉子代,产生第二种群;
步骤103,对所述第二种群进行变异迭代,针对每一次变异代迭代:对所述第二种群中每个个体进行变异操作,得到第三种群;根据禁忌搜索算法从所述第三种群中确定最优个体;从M次变异代迭代的M个最优个体中确定下一次遗传算法迭代的第一种群;
步骤104,从Y次遗传算法迭代的第一种群中选择最优解作为所述支持向量回归机预测模型的模型参数。
在步骤101中,支持向量回归机SVR模型把预测函数设置为f(x)=wφ(x)+b,然后求得函数的参数,从而获得预测结果。本发明实施例中,可以设置支持向量回归机预测模型为函数f(x)=wφ(x)+b,具体来说,支持向量回归机预测模型的建立可以描述为:
设有一数据集为S=(xi,yi),i=1,2,…,n,xi∈Rp,yi∈R,xi是输入数据,为p维向量,yi为实际输出数据。通过一个非线性变换φ,将数据集中的x映射到高维的特征空间F中,并且在特征空间F中寻找一线性函数f(x),使得f(x)能够很好地在特征空间F中对数据集S进行线性回归。设:
f(x)=wφ(x)+b (1)
其中,w为回归系数向量,或称为权向量,b为回归常数,或称分类阈值。通过结构风险最小化的原则,在取损失函数为ε不敏感损失函数的前提下,求解回归函数f(x)即为求解如下优化问题:
求解二次规划问题(2),有
其中,
也就是说,在本发明实施例中,求解支持向量回归机预测模型的问题就转换为求解支持向量回归机预测模型中的模型参数(C,σ2,ε)最优解的问题。
在步骤101中,构建包括N个个体的第一种群,其中每一个个体都包括上述参数模型中的三个参数值,例如,可选的,假设三个模型参数的值的范围都是0~7之间的整数,则每个个体都可以用3位无符号二进制整数来表示,例如,在第一种群中的一个个体为101110101,表示的是三个参数值分别为5,6,5。
在步骤101前,还包括构建初始种群的步骤,其中初始种群的个体数量大于等于第一种群中个体数量,第一种群是通过初始种群选择操作后确定的。
在本发明实施例中,例如,初始种群中包括6个个体,分别为个体A、个体B、个体C、个体D、个体E以及个体F,在进行遗传算法的选择操作之前,首先需要确定是否到达遗传算法的终止条件。可选的,终止条件为最大迭代数目和最小误差限,最大迭代数目可以设置为1000,最小误差限可以设置为10-8。
若确定没有到达终止条件,则首先确定初始种群中六个个体的适应度函数值,可选的,在本发明实施例中,可以通过下列公式来确定每个个体的适应度函数值:
也就是说,每个个体的适应度函数值是根据将每个个体表示的模型值代入SVR模型后,与真实值之间的差来确定的。
在本发明实施例中,差值越小,适应度函数值越大。
可选的,在本发明实施例中,还有其它确定适应度函数值的方法,由于方法众多,得到的结果也不同,可以统一设置越接近真实值的个体的适应度函数值越大。
可选的,在本发明实施例中,选择策略为正比例选择策略。在正比例选择策略中,对于每个个体i,假定适应度的函数值为Fi,则个体i的选择概率可以表示为:
假设,在本发明实施例中,六个个体的适应度函数值如表1所示:
表1:个体的适应度函数值表
如表1中所示,确定了初始种群中每个个体的适应度函数值后,确定选择操作的个体,也就是说,需要确定第一种群中的个体,即将不被选择的个体淘汰。
可选的,可以通过轮盘赌方法进行选择操作,确定哪个个体最终被选择。
例如,在本发明实施例中,选择过程为4次,分别选取了个体A、个体B、个体C以及个体D,则第一种群中就为这4个个体。
在步骤102中,需要对第一种群进行交叉算法的操作。在本发明实施例中,首先需要确定第一种群中N个个体中的每个个体的第一适应度函数值,根据上述确定第一种群的方法,可以确定第一种群中的每个个体的第一适应度函数值为已确定的。
然后确定第一种群中任意两个个体之间的交叉概率,并确定两个个体的随机数,根据两个个体的随机数以及交叉概率确定两个个体是否为交叉个体。
可选的,在本发明实施例中,可以根据下列公式确定所述任意两个个体之间的交叉概率:
其中,pc为所述任意两个个体之间的交叉概率,pcmax为最大交叉概率,pcmin为最小交叉概率,curgen为当前遗传算法的迭代次数,maxgen为最大迭代次数,Favg为所述第一种群中所有个体的第一适应度函数值的平均值,所述F′为所述两个个体中较小的第一适应度函数值。
例如,在本发明实施例中,假设第一种群为[A,B,C,D]4个个体,随机确定第一种群中两两个体之间的交叉概率,例如第一种群中的第一适应度函数值如表1所示,假设随机确定个体A以及个体B之间的交叉概率,首先根据两个个体的第一适应度函数值确定个体A的第一适应度函数值较低,则F′为个体A的适应度函数值,Favg为四个个体的平均第一适应度函数值,可选的,为23.75,个体A与个体B之间的交叉概率为pcmax。
可选的,在本发明实施例中,为了使算法具有良好的全局搜索能力,并避免陷入局部最优,我们令pcmax=0.9,pcmin=0.1。
在步骤102中,在确定第一种群中任意两个个体之间的交叉概率后,还需要确定两个个体的随机数,根据所述两个个体的随机数以及所述交叉概率确定所述两个个体是否为交叉个体。
具体的,可以通过对两个个体随机产生一个0到1之间的随机数RN,通过RN以及确定的两个个体的交叉概率来确定两个个体是否能够被选择作为交叉算法的父代个体,也就是交叉个体。
可选的,在本发明实施例中,如果RN≤pc,则该染色体被选为父代染色体。
例如,在本发明实施例中,两个个体分别为个体A以及个体B,个体A以及个体B的交叉概率为0.9,对个体对A和B产生的随机数为0.6,也就说个体对A和B产生的随机数小于个体A以及个体B的交叉概率,所以个体A以及个体B确定为交叉个体。
在步骤102中,确定了第一种群中的交叉个体后,进行交叉算法,确定交叉个体交叉后产生的交叉子代,并确定交叉个体产生的子代个体以及确定子代个体的第二适应度函数值;根据每个交叉个体的第一适应度函数值和子代个体的第二适应度函数值,更新第一种群得到第二种群。
可选的,在本发明实施例中,根据交叉个体的个体的第一适应度函数值和子代个体的第二适应度函数值,更新第一种群得到第二种群,具体的过程如下:
确定所有交叉个体的的第一适应度函数平均值,其中第一适应度函数平均值是根据所有交叉个体的第一适应度函数值确定的;若确定子代个体的第二适应度函数值大于第一适应度函数平均值,则将子代个体替换第一种群中子代个体对应的交叉个体,得到第二种群;或
子代个体的第二适应度函数值不大于第一适应度函数平均值,且子代个体不在禁忌搜索列表中,则将子代个体替换第一种群中子代个体对应的交叉个体,得到第二种群。
可选的,在本发明实施例中,可以通过下列步骤确定第二种群:
步骤201:设置父代交叉个体的第一适应度函数值的平均值为禁忌期望水平值,以子代个体的适应度值为标准判断是否被禁忌。如果子代个体的适应度函数值比禁忌期望水平值更优,则该子代个体被接受,进入下一代;若子代个体的适应度函数值比禁忌期望水平值要差,则转入步骤202。
步骤202:如果该子代个体不在禁忌列表中,则该子代个体被接受,进入下一代。如果该子代个体在禁忌列表中,则选择交叉个体中适应度值较好的一个进入下一代。
例如,在本发明实施例中,第一种群中被选择的交叉个体为A、B、C、D四个个体,且交叉方式为A、B个体作为交叉个体,C、D个体作为交叉个体,分别进行交叉算法,分别得到交叉子代a、b以及c、d。
可选的,在本发明实施例中,可以选择单点交叉算法、多点交叉算法来确定交叉个体。
通过公式(4)确定每个交叉子代的第二适应度函数值,假设确定的a的第二适应度函数值为25,b的适应度函数值为20,c的适应度函数值为21,d的适应度函数值为26,交叉个体的第一适应度函数值的平均值为23.75,将23.75作为禁忌期望水平。
个体a以及个体d的第二适应度函数值优于禁忌期望水平,则接受个体a以及个体b作为子代个体,个体b以及个体c的第二适应度函数值低于禁忌期望水平,则还需要确定个体b以及个体c是否在禁忌列表中。
在本发明实施例中,若个体b以及个体c在禁忌列表中,就表明在之前的遗传算法过程中,曾将个体b以及个体c作为最优解并接受了,所以若是个体b以及个体c在禁忌列表中,则不接受两个子代个体,接受个体B以及个体C的第一适应度值较好的个体。
例如,在本发明实施例中,个体b不在禁忌列表中,则接收个体b,个体c在禁忌列表中,则选择接收个体c的父代(个体C和个体D中)第一适应度值较好的个体。例如,第一适应度值较好的个体为个体C,则第二种群为个体a,个体b,个体C以及个体d。
在本发明实施例中,由于在接受子代个体时,考虑了子代个体的第二适应度函数值不大于第一适应度函数平均值,且子代个体不在禁忌搜索列表中,则将子代个体替换第一种群中子代个体对应的交叉个体的情况,所以与现有技术相比,得到第二种群中个体的多样性更加丰富。
在步骤103中,在得到第二种群后,需要对第二种群进行变异操作,首先确定第二种群中每个个体的第三适应度函数值;然后确定第二种群中每个个体的变异概率,并确定每一个个体的随机数,根据每个个体的变异概率以及变异概率确定个体是否为变异个体;对确定为变异个体的个体进行变异操作,并确定变异操作结果,根据变异操作结果确定第三种群。
可选的,在本发明实施例中,通过确定第二种群即可确定第二种群中每个个体的第三适应度函数值,例如,第二种群为个体a,个体b,个体C以及个体d,每个个体的第三适应度函数值为已经确定过的。
在本发明实施例中,确定变异个体的方法与确定交叉个体的方法类似,具体为,可以根据下列公式确定第二种群中每个的变异概率:
其中,pm表示为变异概率,pmmax表示最大变异概率,pmmin表示最小变异概率,F表示个体的适应度函数值。为了使得算法在初始迭代的过程中染色体能够有足够的多样性,并且在算法进行的后期提升局部搜索能力,可选的,设置pmmax=0.4,pmmin=0.01。
在确定第二种群中每个个体的变异概率后,可以通过对每个个体随机产生一个0到1之间的随机数RM,通过RM以及确定的每个个体的交叉概率来确定每个个体是否能够被选择作为变异个体。
例如,在本发明实施例中,确定的个体a的变异概率为0.3,对个体a产生的随机数为0.1,则确定个体a为变异个体。
可选的,在本发明实施中,第二种群中有的个体可以发生变异,有的个体没有发生变异,例如,在本发明实施例中,第二种群发生变异后的结果为个体a变异为个体aa,其它第二种群中的个体未发生变异,则新生成的第三种群为个体aa,个体b,个体C以及个体d。
在第三种群中确定最优解前,还需要确定第三种群中变异的次数是否大于了设置的迭代终止条件,例如,可以设置迭代终止条件为1000次,即若已经变异了1000次,在停止变异,否则确定最优解。
可选的,在本发明实施例中,根据禁忌搜索算法从第三种群中确定最优个体,具体方法如下:
确定第三种群中每个个体的第四适应度函数值并确定最大的第四适应度函数值;若最大的第四适应度函数值大于禁忌期望水平值,则将最大的第四适应度函数值对应的个体作为最优个体,其中,禁忌期望水平值是根据第二种群中每个个体的第三适应度函数值确定的;或,若最大的第四适应度函数值不大于禁忌期望水平值,且最大的第四适应度函数值对应的个体不在禁忌表中,则将最大的第四适应度函数值对应的个体作为最优个体。
具体步骤如下:
步骤301,判断最优的候选解是否达到禁忌期望水平。如果达到禁忌期望水平,则更新禁忌期望水平值,并用将当前解更新为该候选解,并进入下一次变异。如果未达到禁忌期望水平,转入步骤302。
在本发明实施例中,禁忌期望水平为第二种群的第三适应度函数值的平均值,若确定的变异子代中的最优解的达到禁忌期望水平,则更新禁忌期望水平值,并将变异子代中的最优解更新为该候选解,且将变异子代中的最优解放入禁忌列表中,然后进入下一次变异过程,最优解指的是在变异子代中,最大的第四适应度函数值对应的个体。
步骤302,在本发明实施例中,若产生的变异子代的最优解未达到禁忌期望水平,则选择候选最优解为当前解,当且仅当该最优解并非在禁忌表中,将变异子代中的最优解放入禁忌列表中,然后进入下一次变异过程。
在本发明实施例中,由于在接受变异个体时,考虑了当前最优的变异个体的第四适应度函数值不大于第三适应度函数平均值,且该个体不在禁忌搜索列表中的情况,所以与现有技术相比,增加了变异产生的解的多样性。
在本发明实施例中,当确定达到变异算法的停止条件后,产生的第三种群作为第一种群重新输入给步骤101,继续完成交叉、变异的过程。
例如,在本发明实施例中,当确定达到变异算法的停止条件时,第三种群为(aaa,bb,c,ddd),则在步骤101中,第一种群中的个体为(aaa,bb,c,ddd)。
在步骤104中,当确定遗传算法满足终止条件后,得到的第一种群中的最优个体,就是需要求解的SVR模型参数的最优解,其中最优解为第一种群中的个体代入到SVR模型中求解的最优的适应度函数值。
在本发明实施例中,在确定了SVR模型的参数后,为了更准确对数据进行预测,根据数据的时间特性,引入了调整因子的概念。
调整因子可以表示为:
其中,Si为调整因子,yi表示真实值,表示预测值,i=j,j+d,…,j+(m-1)d,0<j≤d,d表示时间序列的步长,m表示时间序列的最大时间长度。可选的,在本发明实施例中,可以根据获取的数据来确定d的长度,例如,d=30,表明计算的调整因子是按照月来更新的等等。
在本发明实施例中,由于真实值以及预测值都是可以获得的,且交易数据可以是多个时间周期构成的,则可以通过下列公式确定多个调整因子的值:
0<j≤d,j∈N
也就是说,若存在j个时间周期,每一个时间周期对应的调整因子都是根将多个该时间周期的调整因子求和平均后得到。
在求出每个时间周期对应的调整因子后,预测值会被调整为:
其中,l=j+(i-1)d,i=1,2,…,0<j≤d,T表示预测值对应的最后一个时间周期点。
在本发明实施例中,以银联数据的交易数据为例,获取设定时间内的交易数据的真实值,以及设定时间内的预测值。可选的设定时间内为2000年-2010年10年的交易数据,设置d为一个月,则对于每一年有12个交易数据,相对的,对于每一年都有12个预测数据。
按照每一年的每个月,都可以根据公式(8)来确定一个调整因子,也就是说,对于一月份的调整因子有12个,二月份的调整因子也有12个,等等。
将获取的每个月份的12个调整因子求平方和然后除以12,然后再开根号,得到的值就是该月份的调整因子。
例如,需要预测的预测值为2011年1月份的交易数据,首先确定1月份对应的调整因子,即将10年中每个1月份的调整因子求平方和然后除以12然后再开根号得到的值,然后将2011年1月份的预测值乘以1调整因子获得调整后的预测值。
基于同样的构思,本发明实施例还提供一种数据预测装置,如图2所示,包括:
第一种群确定单元S1,用于构建包括N个个体的第一种群,其中每个个体包括支持向量回归机预测模型的模型参数值,其中N大于等于1;
第二种群确定单元S2,用于对所述第一种群进行遗传算法迭代,针对每一次遗传迭代:确定在所述第一种群中被选择作为交叉个体的个体,并将所述交叉个体的个体根据禁忌搜索算法确定交叉子代,产生第二种群;
第二种群变异单元S3,用于对所述第二种群进行变异迭代,针对每一次变异代迭代:对所述第二种群中每个个体进行变异操作,得到第三种群;根据禁忌搜索算法从所述第三种群中确定最优个体;从M次变异代迭代的M个最优个体中确定下一次遗传算法迭代的第一种群,其中M大于等于1,小于等于变异算法的终止迭代次数;
模型参数确定单元S4,用于从Y次遗传算法迭代的第一种群中选择最优解作为所述支持向量回归机预测模型的模型参数,其中Y为所述遗传算法的终止迭代次数。
进一步地,所述第二种群确定单元S2具体用于:
确定所述第一种群中N个个体中的每个个体的第一适应度函数值,其中所述第一适应度函数值是将所述个体作为所述支持向量回归机预测模型的模型参数后得到的预测值与真实值之差确定的;
确定所述第一种群中任意两个个体之间的交叉概率,并确定所述两个个体的随机数,根据所述两个个体的随机数以及所述交叉概率确定所述两个个体是否为交叉个体。
进一步地,根据下列公式确定所述任意两个个体之间的交叉概率:
其中,pc为所述任意两个个体之间的交叉概率,pcmax为最大交叉概率,pcmin为最小交叉概率,curgen为当前遗传算法的迭代次数,maxgen为最大迭代次数,Favg为所述第一种群中所有个体的第一适应度函数值的平均值,所述F′为所述两个个体中较小的第一适应度函数值。
进一步地,所述第二种群确定单元S2具体用于:
确定所述交叉个体产生的子代个体;
确定所述子代个体的第二适应度函数值;
根据每个所述交叉个体的所述第一适应度函数值和所述子代个体的第二适应度函数值,更新所述第一种群得到第二种群。
进一步地,所述第二种群确定单元S2具体用于:
确定所述所有交叉个体的所述的第一适应度函数平均值,其中所述第一适应度函数平均值是根据所述所有交叉个体的第一适应度函数值确定的;若确定所述子代个体的第二适应度函数值大于所述第一适应度函数平均值,则将所述子代个体替换所述第一种群中所述子代个体对应的交叉个体,得到第二种群;或
所述子代个体的第二适应度函数值不大于第一适应度函数平均值,且所述子代个体不在禁忌搜索列表中,则将所述子代个体替换所述第一种群中所述子代个体对应的交叉个体,得到第二种群。
进一步地,所述第二种群变异单元S3具体用于:
确定所述第二种群中每个个体的第三适应度函数值;
确定所述第二种群中每个个体的变异概率,并确定每一个个体的随机数,根据每个个体的变异概率以及所述变异概率确定所述个体是否为变异个体;
对确定为所述变异个体的个体进行变异操作,并确定变异操作结果,根据所述变异操作结果确定第三种群。
进一步地,所述第二种群变异单元S3具体用于:
确定所述第三种群中每个个体的第四适应度函数值并确定最大的第四适应度函数值;
若所述最大的第四适应度函数值大于禁忌期望水平值,则将所述最大的第四适应度函数值对应的个体作为最优个体,其中,所述禁忌期望水平值是根据所述第二种群中每个个体的第三适应度函数值确定的;
或,若所述最大的第四适应度函数值不大于所述禁忌期望水平值,且所述最大的第四适应度函数值对应的个体不在禁忌表中,则将所述最大的第四适应度函数值对应的个体作为最优个体。
进一步地,所述装置还包括:
调整单元S5,用于获取第一设定时间内的真实值以及根据支持向量回归机预测模型进行预测得到的预测值,并将所述真实值以及所述预测值按照设定步长划分为多个区间,针对每个区间,根据所述区间对应的所述真实值以及所述预测值确定所述区间对应的调整因子;获取第二设定时间内的根据支持向量回归机预测模型进行预测得到的第一预测值,并确定所述预测值对应的区间,根据所述区间获取所述区间对应的调整因子;根据所述第二设定时间的第一预测值以及所述调整因子确定第二预测值。
本发明是参照根据本发明实施例的方法、设备(***)、和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。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (16)
1.一种数据预测方法,其特征在于,所述方法包括:
构建包括N个个体的第一种群,其中每个个体包括支持向量回归机预测模型的模型参数值,其中N大于等于1;
对所述第一种群进行遗传算法迭代,针对每一次遗传迭代:确定在所述第一种群中被选择作为交叉个体的个体,并将所述交叉个体的个体根据禁忌搜索算法确定交叉子代,产生第二种群;
对所述第二种群进行变异迭代,针对每一次变异代迭代:对所述第二种群中每个个体进行变异操作,得到第三种群;根据禁忌搜索算法从所述第三种群中确定最优个体;从M次变异代迭代的M个最优个体中确定下一次遗传算法迭代的第一种群,其中M大于等于1,小于等于变异算法的终止迭代次数;
从Y次遗传算法迭代的第一种群中选择最优解作为所述支持向量回归机预测模型的模型参数,其中Y为所述遗传算法的终止迭代次数。
2.根据权利要求1所述的方法,其特征在于,所述确定在所述第一种群中被选择作为交叉个体的个体,包括:
确定所述第一种群中N个个体中的每个个体的第一适应度函数值,其中所述第一适应度函数值是将所述个体作为所述支持向量回归机预测模型的模型参数后得到的预测值与真实值之差确定的;
确定所述第一种群中任意两个个体之间的交叉概率,并确定所述两个个体的随机数,根据所述两个个体的随机数以及所述交叉概率确定所述两个个体是否为交叉个体。
3.根据权利要求2所述的方法,其特征在于,根据下列公式确定所述任意两个个体之间的交叉概率:
其中,pc为所述任意两个个体之间的交叉概率,pcmax为最大交叉概率,pcmin为最小交叉概率,curgen为当前遗传算法的迭代次数,maxgen为最大迭代次数,Favg为所述第一种群中所有个体的第一适应度函数值的平均值,所述F′为所述两个个体中较小的第一适应度函数值。
4.根据权利要求2所述的方法,其特征在于,所述将所述交叉个体的个体根据禁忌搜索算法确定交叉子代,产生第二种群,包括:
确定所述交叉个体产生的子代个体;
确定所述子代个体的第二适应度函数值;
根据每个所述交叉个体的所述第一适应度函数值和所述子代个体的第二适应度函数值,更新所述第一种群得到第二种群。
5.根据权利要求4所述的方法,其特征在于,所述根据所述交叉个体的个体的第一适应度函数值和所述子代个体的第二适应度函数值,更新所述第一种群得到第二种群,包括:
确定所述所有交叉个体的所述的第一适应度函数平均值,其中所述第一适应度函数平均值是根据所述所有交叉个体的第一适应度函数值确定的;若确定所述子代个体的第二适应度函数值大于所述第一适应度函数平均值,则将所述子代个体替换所述第一种群中所述子代个体对应的交叉个体,得到第二种群;或
所述子代个体的第二适应度函数值不大于第一适应度函数平均值,且所述子代个体不在禁忌搜索列表中,则将所述子代个体替换所述第一种群中所述子代个体对应的交叉个体,得到第二种群。
6.根据权利要求4所述的方法,其特征在于,所述对所述第二种群中每个个体进行变异操作,得到第三种群,包括:
确定所述第二种群中每个个体的第三适应度函数值;
确定所述第二种群中每个个体的变异概率,并确定每一个个体的随机数,根据每个个体的变异概率以及所述变异概率确定所述个体是否为变异个体;
对确定为所述变异个体的个体进行变异操作,并确定变异操作结果,根据所述变异操作结果确定第三种群。
7.根据权利要求6所述的方法,其特征在于,所述根据禁忌搜索算法从所述第三种群中确定最优个体,包括:
确定所述第三种群中每个个体的第四适应度函数值并确定最大的第四适应度函数值;
若所述最大的第四适应度函数值大于禁忌期望水平值,则将所述最大的第四适应度函数值对应的个体作为最优个体,其中,所述禁忌期望水平值是根据所述第二种群中每个个体的第三适应度函数值确定的;
或,若所述最大的第四适应度函数值不大于所述禁忌期望水平值,且所述最大的第四适应度函数值对应的个体不在禁忌表中,则将所述最大的第四适应度函数值对应的个体作为最优个体。
8.根据权利要求1~7任一所述的方法,其特征在于,所述从Y次遗传算法迭代的第一种群中选择最优解作为所述支持向量回归机预测模型的模型参数后,还包括:
获取第一设定时间内的真实值以及根据支持向量回归机预测模型进行预测得到的预测值,并将所述真实值以及所述预测值按照设定步长划分为多个区间,针对每个区间,根据所述区间对应的所述真实值以及所述预测值确定所述区间对应的调整因子;
获取第二设定时间内的根据支持向量回归机预测模型进行预测得到的第一预测值,并确定所述预测值对应的区间,根据所述区间获取所述区间对应的调整因子;
根据所述第二设定时间的第一预测值以及所述调整因子确定第二预测值。
9.一种数据预测装置,其特征在于,包括:
第一种群确定单元,用于构建包括N个个体的第一种群,其中每个个体包括支持向量回归机预测模型的模型参数值,其中N大于等于1;
第二种群确定单元,用于对所述第一种群进行遗传算法迭代,针对每一次遗传迭代:确定在所述第一种群中被选择作为交叉个体的个体,并将所述交叉个体的个体根据禁忌搜索算法确定交叉子代,产生第二种群;
第二种群变异单元,用于对所述第二种群进行变异迭代,针对每一次变异代迭代:对所述第二种群中每个个体进行变异操作,得到第三种群;根据禁忌搜索算法从所述第三种群中确定最优个体;从M次变异代迭代的M个最优个体中确定下一次遗传算法迭代的第一种群,其中M大于等于1,小于等于变异算法的终止迭代次数;
模型参数确定单元,用于从Y次遗传算法迭代的第一种群中选择最优解作为所述支持向量回归机预测模型的模型参数,其中Y为所述遗传算法的终止迭代次数。
10.根据权利要求9所述的装置,其特征在于,所述第二种群确定单元具体用于:
确定所述第一种群中N个个体中的每个个体的第一适应度函数值,其中所述第一适应度函数值是将所述个体作为所述支持向量回归机预测模型的模型参数后得到的预测值与真实值之差确定的;
确定所述第一种群中任意两个个体之间的交叉概率,并确定所述两个个体的随机数,根据所述两个个体的随机数以及所述交叉概率确定所述两个个体是否为交叉个体。
11.根据权利要求10所述的装置,其特征在于,根据下列公式确定所述任意两个个体之间的交叉概率:
其中,pc为所述任意两个个体之间的交叉概率,pcmax为最大交叉概率,pcmin为最小交叉概率,curgen为当前遗传算法的迭代次数,maxgen为最大迭代次数,Favg为所述第一种群中所有个体的第一适应度函数值的平均值,所述F′为所述两个个体中较小的第一适应度函数值。
12.根据权利要求10所述的装置,其特征在于,所述第二种群确定单元具体用于:
确定所述交叉个体产生的子代个体;
确定所述子代个体的第二适应度函数值;
根据每个所述交叉个体的所述第一适应度函数值和所述子代个体的第二适应度函数值,更新所述第一种群得到第二种群。
13.根据权利要求12所述的装置,其特征在于,所述第二种群确定单元具体用于:
确定所述所有交叉个体的所述的第一适应度函数平均值,其中所述第一适应度函数平均值是根据所述所有交叉个体的第一适应度函数值确定的;若确定所述子代个体的第二适应度函数值大于所述第一适应度函数平均值,则将所述子代个体替换所述第一种群中所述子代个体对应的交叉个体,得到第二种群;或
所述子代个体的第二适应度函数值不大于第一适应度函数平均值,且所述子代个体不在禁忌搜索列表中,则将所述子代个体替换所述第一种群中所述子代个体对应的交叉个体,得到第二种群。
14.根据权利要求12所述的装置,其特征在于,所述第二种群变异单元具体用于:
确定所述第二种群中每个个体的第三适应度函数值;
确定所述第二种群中每个个体的变异概率,并确定每一个个体的随机数,根据每个个体的变异概率以及所述变异概率确定所述个体是否为变异个体;
对确定为所述变异个体的个体进行变异操作,并确定变异操作结果,根据所述变异操作结果确定第三种群。
15.根据权利要求14所述的装置,其特征在于,所述第二种群变异单元具体用于:
确定所述第三种群中每个个体的第四适应度函数值并确定最大的第四适应度函数值;
若所述最大的第四适应度函数值大于禁忌期望水平值,则将所述最大的第四适应度函数值对应的个体作为最优个体,其中,所述禁忌期望水平值是根据所述第二种群中每个个体的第三适应度函数值确定的;
或,若所述最大的第四适应度函数值不大于所述禁忌期望水平值,且所述最大的第四适应度函数值对应的个体不在禁忌表中,则将所述最大的第四适应度函数值对应的个体作为最优个体。
16.根据权利要求9~15任一所述的装置,其特征在于,所述装置还包括:
调整单元,用于获取第一设定时间内的真实值以及根据支持向量回归机预测模型进行预测得到的预测值,并将所述真实值以及所述预测值按照设定步长划分为多个区间,针对每个区间,根据所述区间对应的所述真实值以及所述预测值确定所述区间对应的调整因子;获取第二设定时间内的根据支持向量回归机预测模型进行预测得到的第一预测值,并确定所述预测值对应的区间,根据所述区间获取所述区间对应的调整因子;根据所述第二设定时间的第一预测值以及所述调整因子确定第二预测值。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710061325.4A CN106845627A (zh) | 2017-01-25 | 2017-01-25 | 一种数据预测方法及装置 |
PCT/CN2017/117003 WO2018137442A1 (zh) | 2017-01-25 | 2017-12-18 | 一种数据预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710061325.4A CN106845627A (zh) | 2017-01-25 | 2017-01-25 | 一种数据预测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106845627A true CN106845627A (zh) | 2017-06-13 |
Family
ID=59121466
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710061325.4A Pending CN106845627A (zh) | 2017-01-25 | 2017-01-25 | 一种数据预测方法及装置 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN106845627A (zh) |
WO (1) | WO2018137442A1 (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018137442A1 (zh) * | 2017-01-25 | 2018-08-02 | ***股份有限公司 | 一种数据预测方法及装置 |
CN110704956A (zh) * | 2019-08-09 | 2020-01-17 | 太原科技大学 | 一种冷轧机数据驱动的工艺参数优化方法 |
CN110866632A (zh) * | 2019-10-17 | 2020-03-06 | 杭州电子科技大学 | 一种发电机机组优化的方法 |
CN111641595A (zh) * | 2020-05-11 | 2020-09-08 | 湖南大学 | 一种电力网络安全风险评估方法及*** |
CN113806409A (zh) * | 2020-05-28 | 2021-12-17 | 华为技术有限公司 | 一种数据配对的方法及其相关设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101018164A (zh) * | 2007-02-28 | 2007-08-15 | 西南科技大学 | 一种tcp/ip网络性能评估预测方法 |
CN101572687A (zh) * | 2009-06-05 | 2009-11-04 | 北京邮电大学 | 正交频分复用信号处理方法及*** |
CN104200263A (zh) * | 2014-07-23 | 2014-12-10 | 浙江工业大学 | 一种基于禁忌差分进化和gis的配电网络线路规划方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101807797B (zh) * | 2010-04-14 | 2012-02-29 | 华中科技大学 | 一种用于微网的快速故障诊断方法 |
CN106845627A (zh) * | 2017-01-25 | 2017-06-13 | ***股份有限公司 | 一种数据预测方法及装置 |
-
2017
- 2017-01-25 CN CN201710061325.4A patent/CN106845627A/zh active Pending
- 2017-12-18 WO PCT/CN2017/117003 patent/WO2018137442A1/zh active Application Filing
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101018164A (zh) * | 2007-02-28 | 2007-08-15 | 西南科技大学 | 一种tcp/ip网络性能评估预测方法 |
CN101572687A (zh) * | 2009-06-05 | 2009-11-04 | 北京邮电大学 | 正交频分复用信号处理方法及*** |
CN104200263A (zh) * | 2014-07-23 | 2014-12-10 | 浙江工业大学 | 一种基于禁忌差分进化和gis的配电网络线路规划方法 |
Non-Patent Citations (1)
Title |
---|
章政: "数据驱动的短中期电力需求预测优化学***台》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018137442A1 (zh) * | 2017-01-25 | 2018-08-02 | ***股份有限公司 | 一种数据预测方法及装置 |
CN110704956A (zh) * | 2019-08-09 | 2020-01-17 | 太原科技大学 | 一种冷轧机数据驱动的工艺参数优化方法 |
CN110704956B (zh) * | 2019-08-09 | 2022-04-19 | 太原科技大学 | 一种冷轧机数据驱动的工艺参数优化方法 |
CN110866632A (zh) * | 2019-10-17 | 2020-03-06 | 杭州电子科技大学 | 一种发电机机组优化的方法 |
CN110866632B (zh) * | 2019-10-17 | 2022-05-06 | 杭州电子科技大学 | 一种发电机机组优化的方法 |
CN111641595A (zh) * | 2020-05-11 | 2020-09-08 | 湖南大学 | 一种电力网络安全风险评估方法及*** |
CN111641595B (zh) * | 2020-05-11 | 2021-04-20 | 湖南大学 | 一种电力网络安全风险评估方法及*** |
CN113806409A (zh) * | 2020-05-28 | 2021-12-17 | 华为技术有限公司 | 一种数据配对的方法及其相关设备 |
Also Published As
Publication number | Publication date |
---|---|
WO2018137442A1 (zh) | 2018-08-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106845627A (zh) | 一种数据预测方法及装置 | |
WO2021155713A1 (zh) | 基于权重嫁接的模型融合的人脸识别方法及相关设备 | |
Garg et al. | Bi-objective optimization of the reliability-redundancy allocation problem for series-parallel system | |
Si et al. | Performance indices and evaluation of algorithms in building energy efficient design optimization | |
CN111814626B (zh) | 一种基于自注意力机制的动态手势识别方法和*** | |
CN114492279B (zh) | 一种模拟集成电路的参数优化方法及*** | |
CN102567742A (zh) | 一种基于自适应核函数选择的支持向量机自动分类方法 | |
CN106022463A (zh) | 基于改进粒子群算法的个性化学习路径优化方法 | |
CN110991621A (zh) | 一种基于通道数搜索卷积神经网络的方法 | |
CN112785005B (zh) | 多目标任务的辅助决策方法、装置、计算机设备及介质 | |
CN111461404A (zh) | 一种基于神经网络预测区间的短期负荷和水电预测方法 | |
CN112053225A (zh) | 贷款逾期的预测方法、装置、电子设备和存储介质 | |
Li et al. | Hydrological time series prediction model based on attention-LSTM neural network | |
Trivedi et al. | Using following heroes operation in multi-objective differential evolution for fast convergence | |
Yang et al. | Forecasting time series with genetic programming based on least square method | |
CN107609570A (zh) | 基于属性分类和多视角特征融合的微视频流行度预测方法 | |
CN116976461A (zh) | 联邦学习方法、装置、设备及介质 | |
Morell et al. | A multi-objective approach for communication reduction in federated learning under devices heterogeneity constraints | |
Yu et al. | A Surrogate-Assisted Differential Evolution with fitness-independent parameter adaptation for high-dimensional expensive optimization | |
CN104933011A (zh) | 关系模型的确定方法及装置 | |
CN112506899A (zh) | 一种基于改进lstm的pm2.5数据异常值检测方法 | |
CN110162704B (zh) | 基于多因子遗传算法的多规模关键用户提取方法 | |
Filomeno Coelho et al. | On-line metamodel-assisted optimization with mixed variables | |
CN113962386A (zh) | 一种模型参数优化选择方法、***、计算机设备和存储介质 | |
CN112600208A (zh) | 一种区域分布式能源***的多能流潮流计算方法及*** |
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: 20170613 |
|
RJ01 | Rejection of invention patent application after publication |