CN110070203A - 一种供水量预测方法、***、装置以及存储介质 - Google Patents
一种供水量预测方法、***、装置以及存储介质 Download PDFInfo
- Publication number
- CN110070203A CN110070203A CN201910139355.1A CN201910139355A CN110070203A CN 110070203 A CN110070203 A CN 110070203A CN 201910139355 A CN201910139355 A CN 201910139355A CN 110070203 A CN110070203 A CN 110070203A
- Authority
- CN
- China
- Prior art keywords
- interval
- section
- temperature
- regression
- algorithm 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.)
- Granted
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 121
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000003860 storage Methods 0.000 title claims abstract description 9
- 238000012417 linear regression Methods 0.000 claims description 21
- 238000007477 logistic regression Methods 0.000 claims description 20
- 238000012216 screening Methods 0.000 claims description 19
- 230000001419 dependent effect Effects 0.000 claims description 6
- 230000002354 daily effect Effects 0.000 description 19
- 230000009286 beneficial effect Effects 0.000 description 7
- 238000000611 regression analysis Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013524 data verification Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- RAYLUPYCGGKXQO-UHFFFAOYSA-N n,n-dimethylacetamide;hydrate Chemical compound O.CN(C)C(C)=O RAYLUPYCGGKXQO-UHFFFAOYSA-N 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000001373 regressive effect Effects 0.000 description 1
- 230000001568 sexual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种供水量预测方法、***、装置以及存储介质,该方法包括:根据业务特性进行业务特性匹配处理,获得所述业务特性对应的第一区间;根据温度进行温度匹配处理,以从获得的第一区间中获取所述温度对应的第二区间;获得所述获取的第二区间对应的区间算法模型,并将温度和/或气象因子输入获得的区间算法模型中,从而计算出预测供水量。通过使用本发明,可根据业务特性来获得更加科学合理的算法模型,从而轻松计算出预测供水量,使得预测供水量更加精确。本发明作为一种供水量预测方法、***、装置以及存储介质可广泛应用于计算机辅助应用领域中。
Description
技术领域
本发明涉及计算机辅助应用领域,尤其涉及一种供水量预测方法、***、装置以及存储介质。
背景技术
一般来说,天气越热用水越多,越冷则用水越少。供水企业的生产部门在做供水计划的时候,每天的调度方案需要根据气温预报来预测水量,这是惯常做法。除此之外,气象中其它因子对水量的做法也可能有影响。除了对调度方案整体水量的预测外,在分区计量DMA中,如果计算水量与实际水量明显不一致时,说明该区用水不正常。
然而气温与水量的关系并不是固定不变的,经过极端情况的数据验证,两者在一般情况下并没有太大相关性,只是超过某些极端的情况下会有依赖关联,因此它们之间明确的依赖关系应该有个区间。此外,各地区、各分区由于人口分布、城市布局的不同,这样的依赖关系也不一样。问题在于每天做调度方案或是评估DMA水量时都要运用计算机进行运算,因此仅能对极端情况给出依赖关系,在判断极端情况时才人工地掺入到运算,这对自动实现计算没有帮助。因此需要有一种方式,能够既包括人工标记特殊日期的情况,又能包括当天的具体数据(包括:温度、气象因子、供水量等),然后运用这种方式所固有的回归模型去预测供水量。即便是特殊情况,比如春节、年中长假、每年都有的特殊大型活动,供水量也有可能在这些情况下与气象因子有一定关联。
回归分析是分析气象因子与用水量关系的最常用方法。不过,运用何种回归分析最好,这尚无定论,因为这里有太多的复杂情况。因此常见的方法一般都是在一些典型的意义上的局部区间来进行分析的,比如上海市针对平均温度20度以上的情况、西安市排除冬天室内开暖气的情况,然后再来选定一种回归模型去分析。
现有的回归分析模型主要包括:当因变量非此即彼(比如水量增/减作为因变量),采用逻辑回归算法分析;当变量间呈现线性关系时,采用线性回归算法分析;如果变量间不具有线性关系,但有高阶特性(在水量关系上一般只计算到二阶)的,采用多项式回归算法分析;对于多个因子共同作用的,采用逐步回归算法分析。但现有手段均没有考虑到供水业务特性对供水量的影响,因此存在预测精准度较低的缺点。
发明内容
为了解决上述技术问题,本发明的目的是提供一种供水量预测方法、***、装置以及存储介质。
一方面,本发明提供了一种供水量预测方法,包括以下步骤:
根据业务特性进行业务特性匹配处理,获得所述业务特性对应的第一区间;
根据温度进行温度匹配处理,以从获得的第一区间中获取所述温度对应的第二区间;
获得所述获取的第二区间对应的区间算法模型,并将温度和/或气象因子输入获得的区间算法模型中,从而计算出预测供水量。
进一步,所述根据业务特性进行业务特性匹配处理,获得所述业务特性对应的第一区间这一步骤,其具体为:
根据业务特性,从若干个预先划分好的第一区间中匹配筛选出与所述业务特性相对应的第一区间;
所述若干个预先划分好的第一区间是在历史供水量数据的业务特性所在的时间区间中划分出的若干个区间,所述第一区间与业务特性一一对应。
进一步,所述根据温度进行温度匹配处理,以从获得的第一区间中获取所述温度对应的第二区间这一步骤,其具体为:
从获得的第一区间中得到若干个预先划分好的第二区间,所述若干个第二区间包含于第一区间;
根据温度,从得到的若干个预先划分好的第二区间中匹配筛选出所述温度所落入的第二区间;
所述若干个预先划分好的第二区间是根据历史供水量数据的温度与供水量的关系或温度和气象因子与供水量的关系进行区间筛选划分处理后得到的若干个区间;
所述区间筛选划分处理的步骤具体包括:分别获得每个第一区间对应的温度区间,当所述第一区间对应的温度区间满足逻辑回归条件时,将所述第一区间对应的温度区间作为逻辑回归区间,并计算获得所述逻辑回归区间对应的回归算法模型,所述逻辑回归区间包含于第二区间。
进一步,所述区间筛选划分处理的步骤还包括:
从第一温度区间中筛选出满足线性回归条件的温度区间作为线性回归区间,并计算获得所述线性回归区间对应的回归算法模型,所述第一温度区间是第一区间对应的温度区间被筛选后的剩余区间,所述线性回归区间包含于第二区间。
进一步,所述区间筛选划分处理的步骤还包括:
从第一温度区间中筛选出满足二次多项式回归条件的温度区间作为二次多项式回归区间,并计算获得所述二次多项式回归区间对应的回归算法模型,所述第一温度区间是第一区间对应的温度区间被筛选后的剩余区间,所述二次多项式回归区间包含于第二区间。
进一步,所述区间筛选划分处理的步骤还包括:
从第一温度区间中筛选出满足气象因子逐步回归条件的温度区间作为逐步回归区间,并计算获得所述逐步回归区间对应的回归算法模型,所述第一温度区间是第一区间对应的温度区间被筛选后的剩余区间;
所述逐步回归区间中的历史供水量数据满足逐步回归方程,所述逐步回归区间包含于第二区间,所述逐步回归方程中:自变量为温度,因变量为供水量,逐个引入的变量为气象因子;
将历史供水量数据对应的温度区间被筛选后的剩余区间作为不可预测区间,所述不可预测区间包含于第二区间。
进一步,所述获得所述获取的第二区间对应的区间算法模型,并将温度和/或气象因子输入获得的区间算法模型中,从而计算出预测供水量这一步骤,其具体为:
当所获取的第二区间不属于不可预测区间时,进行回归判断处理;
所述回归判断处理具体为:判断所获取的第二区间是否为逐步回归区间,若是,则获得所述逐步回归区间对应的回归算法模型,结合获得的回归算法模型涉及到的相关气象因子,将温度和气象因子中的相关气象因子输入获得的回归算法模型中,从而计算获得预测供水量;反之,则获取所述第二区间对应的回归算法模型,将温度输入获取的回归算法模型中,从而计算获得预测供水量。
另一方面,本发明提供了一种供水量预测***,包括:
第一区间获取模块,用于根据业务特性进行业务特性匹配处理,获得所述业务特性对应的第一区间;
第二区间获取模块,用于根据温度进行温度匹配处理,以从获得的第一区间中获取所述温度对应的第二区间;
计算模块,用于获得所述获取的第二区间对应的区间算法模型,并将温度和/或气象因子输入获得的区间算法模型中,从而计算出预测供水量。
另一方面,本发明还提供了一种供水量预测装置,包括:
至少一个处理器;
至少一个存储器,用于存储至少一个程序;
当所述至少一个程序被所述至少一个处理器执行,使得所述至少一个处理器实现所述一种供水量预测方法。
另一方面,本发明还提供了一种存储介质,其中存储有处理器可执行的指令,所述处理器可执行的指令在由处理器执行时用于执行所述一种供水量预测方法。
本发明的有益效果是:本发明根据业务特性来匹配业务特性所对应的第一区间,再根据温度从第一区间中获得温度对应的第二区间,从而得到第二区间的区间算法模型,最后将温度和/或气象因子输入区间算法模型中计算,最终得到预测供水量,可以根据业务特性来对供水量进行分类预测,更加具有针对性,具有精确度高的优点。
附图说明
图1是本发明实施例提供的供水量预测方法的步骤流程图;
图2是本发明实施例提供的供水量预测***的结构框图。
具体实施方式
下面结合附图和具体实施例对本发明做进一步的详细说明。对于以下实施例中的步骤编号,其仅为了便于阐述说明而设置,对步骤之间的顺序不做任何限定,实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
如图1所示,本发明实施例提供了一种供水量预测方法,该方法包括以下步骤:
S101、根据业务特性进行业务特性匹配处理,获得所述业务特性对应的第一区间;
具体地,根据业务特性找出属于该业务特性对应的第一区间,所述业务特性包括:产生业务问题的日期(例如发现仪表故障数据是错误的、发现较大流量的非授权用水等)、非常规大型事件发生日(例如举办大型体育活动、全市(或区域)卫生检查等)、常规大型事件发生日(例如水厂洗池减产、大型管网工程、爆管,或对供水格局影响较大的阀门调整等)、节假日、双休日、日常,所述第一区间为以天为单位的时间区间,即日期所在的区间,每个第一区间均有一个与之一一对应的业务特性标签。
S102、根据温度进行温度匹配处理,以从获得的第一区间中获取所述温度对应的第二区间;
具体地,所述第二区间为温度区间,所述温度为日平均温度,每一天均有日平均温度和日期,因此第一区间可包含多个第二区间(比如,业务特性为日常所对应的第一区间就可以包括0-3℃、3-7℃、10-15℃、20-26℃多个区间,其中每个区间均为第二区间,假如待预测日的业务特性是日常,日平均温度是15℃,那所匹配的第二区间就是10-15℃这个温度区间)。
S103、获得所述获取的第二区间对应的区间算法模型,并将温度和/或气象因子输入获得的区间算法模型中,从而计算出预测供水量;
具体地,所述第二区间为温度区间,包括:逻辑回归区间、线性回归区间、二次多项式回归区间、逐步回归区间和不可预测区间等类型,每一种类型的第二区间也会有不同,第二区间不同,所对应的区间算法也是可能不同的,因此每个第二区间都有对应区间算法模型,所述的区间算法模型为回归函数,所述回归函数为供水量关于温度的函数,包含:逻辑回归算法模型、线性回归算法模型、二次多项式回归算法模型和气象因子逐步回归算法模型(在气象因子逐步回归算法模型中,自变量为温度,因变量为供水量,逐个引入的变量为气象因子)等类型,可以通过输入温度至逻辑回归算法模型、线性回归算法模型和二次多项式回归算法模型中得到预测供水量,通过输入温度和气象因子至气象因子逐步回归算法模型中得到预测供水量,所述气象因子包括:气压、湿度、气候、风力等等。
由上述可得,通过使用本发明实施例的方法,可以根据业务特性来对供水量进行分类预测,在业务特性相同的情况下,温度和供水量的关系更加具有可回归性,同时排除掉不同业务特性对供水量的影响,使得预测更加具有针对性,供水量预测更加精确。
进一步作为本方法的优选实施例,所述根据业务特性进行业务特性匹配处理,获得所述业务特性对应的第一区间这一步骤S101,其具体为:
S1011、根据业务特性,从若干个预先划分好的第一区间中匹配筛选出与所述业务特性相对应的第一区间;
S1012、所述若干个预先划分好的第一区间是在历史供水量数据的业务特性所在的时间区间中划分出的若干个区间,所述第一区间与业务特性一一对应;
具体地,每个第一区间都是与业务特性对应的,例如:节假日这一业务属性对应的第一区间包括了2月4日-2月10日这个时间区间,双休日这一业务属性对应的第一区间包括了2 月16日-2月17日、2月23日-2月24日和3月2日-3月3日这些时间区间,若预测日为3 月3日,则可根据双休日的业务特性得到第一区间。不同的业务特性不能混在一起做回归分析,即便分析出来,其规律也显然是错的。划分第一区间的顺序逻辑可以是:先划分产生业务问题的日期这一业务特性对应的第一区间,当发生业务问题的时候,无论是不是后续各种条件,这一类日期的用水量会受到很大的偶发性的影响,因此这一分类主要是为了排除掉那些可回归的情况,因为分析来也不会有意义(比如某个DMA(分区计量)分区当天的数据将不纳入到计算中);接着划分非常规大型事件发生日这一业务特性对应的第一区间,非常规的大型事件这种情况会极大地影响水量,作为一种可量化影响,有可能将来会有同类的事件发生;然后划分常规大型事件发生日这一业务特性对应的第一区间,常规型的大型事件是较有参考意义的,因为工程和爆管等事件是经常发生的,有助于在这些情况发生的日子里预测水量的变化;再接着划分节假日,节假日通常都包含了双休日,因此先划分节假日,有助于排除包含其中的双休日与节假日具有的连续性关系;再然后划分双休日这一业务特性对应的第一区间,双休日的用水在区域上将会有比较明显的差异,因此也不能当作是日常的情况来进行分析;最后剩下的日期对应的第一区间对应为日常这一业务特性。
由上述可得,通过使用本发明实施例的方法,可将第一区间与业务特性进行一一对应,使得预测更具有针对性,并且预测更加科学合理,具有实际意义。
进一步作为本方法的优选实施例,所述根据温度进行温度匹配处理,以从获得的第一区间中获取所述温度对应的第二区间这一步骤S102,其具体为:
S1021、从获得的第一区间中得到若干个预先划分好的第二区间,所述若干个第二区间包含于第一区间;
S1022、根据温度,从得到的若干个预先划分好的第二区间中匹配筛选出所述温度所落入的第二区间;
具体地,例如业务特性为日常的第一区间中有3-10℃、10-15℃和15-18℃三个第二区间,预测日的业务特性为日常,温度为12℃,判断可知12大于10且小于15,则12℃落入的第二区间为10-15℃,上述温度均为日平均温度。
S1023、所述若干个预先划分好的第二区间是根据历史供水量数据的温度与供水量的关系或温度和气象因子与供水量的关系进行区间筛选划分处理后得到的若干个区间;
具体地,划分逻辑回归区间、线性回归区间和二次多项式回归区间时采用的划分方式是:根据历史供水量数据的日平均温度与供水量的关系,划分出不同的区间,划分逐步回归区间时采用的划分方式是根据历史供水量数据的日平均温度与供水量和气象因子的关系,划分出可做气象因子逐步回归分析的区间。
所述区间筛选划分处理的步骤S1023具体为:
S10231、分别获得每个第一区间对应的温度区间,当所述第一区间对应的温度区间满足逻辑回归条件时,将所述第一区间对应的温度区间作为逻辑回归区间,并计算获得所述逻辑回归区间对应的回归算法模型,所述逻辑回归区间包含于第二区间;
具体地,对第一区间做逻辑回归筛选,判断第一区间对应的温度区间是否可做逻辑回归,具体判断可以是:a1、对第一区间中的历史供水量数据的供水量求平均值;a2、将数据按供水量大于平均值和小于平均值分成两部分;a3、分别计算两部分中的标准差与均值的比值(标准差系数);a4、若比值小于某一阈值(如:5%,具体数值可根据实际情况调整),则该部分可做逻辑回归,该部分对应的温度区间作为逻辑回归区间,否则不适合逻辑回归。
进一步作为本方法的优选实施例,所述区间筛选划分处理的S1023,其还包括:
S10232、从第一温度区间中筛选出满足线性回归条件的温度区间作为线性回归区间,并计算获得所述线性回归区间对应的回归算法模型,所述第一温度区间是第一区间对应的温度区间被筛选后的剩余区间,所述线性回归区间包含于第二区间;
具体地,对被筛选后的第一区间做线性回归筛选,判断此时的第一区间所对应的温度区间是否满足线性回归条件,具体判断可以是:b1、按照温度对此时的第一区间排序,依次以宽度为5的窗口连续对排序后的第一区间取数;b2、计算窗口内数据的温度和供水量相关系数;b3、若相关系数绝对值小于标准相关系数(如:0.85),则窗口后移一位,直至计算相关系数绝对值大于标准相关系数;b4、如果一直找不到,则此第一分区不适合线性回归;b5、若相关系数绝对值大于标准相关系数,往后扩大窗口1位,并计算窗口的相关系数;b6、如果相关系数绝对值大于标准相关系数,则继续扩大窗口,直至相关系数绝对值小于标准相关系数,此时回缩窗口1位,则窗口的范围为作为线性回归区间的第二区间;b7、从区间的下界开始创建宽度为5的窗口,继续上述b2-b7步骤,直至第一区间末尾(其中,窗口宽度和标准相关系数的具体数值可根据实际情况调整),上述温度均为日平均温度。
由上述可得,通过使用本发明实施例的方法,可以在第一区间的基础上对再次划分第二区间,使得区间划分更加合理,并且具有实际意义。
进一步作为本方法的优选实施例,所述区间筛选划分处理的S1023,其还包括:
S10233、从第一温度区间中筛选出满足二次多项式回归条件的温度区间作为二次多项式回归区间,并计算获得所述二次多项式回归区间对应的回归算法模型,所述第一温度区间是第一区间对应的温度区间被筛选后的剩余区间,所述二次多项式回归区间包含于第二区间;
具体地,对被筛选后的第一区间做二次多项式回归筛选,判断此时的第一区间对应的温度区间是否满足二次多项式回归条件,具体判断可以是:c1、按照温度对此时的第一区间排序;c2、如果此时的第一区间的宽度小于5,则对整个区间进行二次多项式回归,并计算标准差系数;c3、若标准差系数小于标准差系数阈值(如:10%),则此时的第一区间对应的温度区间为作为二次多项式回归区间的第二区间;c4、如果此时的第一区间的宽度大于5,则创建宽度为5的窗口,在窗口内进行二次多项式回归,并计算标准差系数;c5、若标准差系数大于标准差系数阈值,将窗口向后移动1位,再次进行回归并计算标准差系数,直至标准差系数小于标准差系数阈值;c6、当标准差系数小于标准差系数阈值时,将窗口向后扩大1 位,进行二次多项式回归并计算标准差系数,直到标准差系数大于标准差系数阈值,则窗口回缩1位,则窗口的范围即适合二次多项式回归的区间;c7、从窗口的下界开始,若后续区间宽度小于5,则执行c1-c3步,如果大于5,则执行c4-c7步,重复直至第一区间末尾(其中,窗口宽度和标准差系数阈值的具体数值可根据实际情况调整),上述温度均为日平均温度。加入二次多项式回归区间可以使得回归分析更加详细具体,更具有实际意义。
进一步作为本方法的优选实施例,所述区间筛选划分处理的S1023,其还包括:
S10234、从第一温度区间中筛选出满足气象因子逐步回归条件的温度区间作为逐步回归区间,并计算获得所述逐步回归区间对应的回归算法模型,所述第一温度区间是第一区间对应的温度区间被筛选后的剩余区间;
具体地,对被筛选后的第一区间做气象因子逐步回归筛选,判断此时的第一区间对应的温度区间是否满足气象因子逐步回归条件,具体判断可以是:d1、按照温度对此时的第一区间排序;d2、如果此时的第一区间的宽度小于5,则对整个区间进行气象因子逐步回归,并计算标准差系数;d3、若标准差系数小于标准差系数阈值(如:10%),则此时的第一区间对应的温度区间为作为气象因子逐步回归区间的第二区间;d4、如果此时的第一区间的宽度大于5,则创建宽度为5的窗口,在窗口内进行气象因子逐步回归,并计算标准差系数;d5、若标准差系数大于标准差系数阈值,将窗口向后移动1位,再次进行气象因子逐步回归并计算标准差系数,直至标准差系数小于标准差系数阈值;d6、当标准差系数小于标准差系数阈值时,将窗口向后扩大1位,进行气象因子逐步回归并计算标准差系数,直到标准差系数大于标准差系数阈值,则窗口回缩1位,则窗口的范围即适合气象因子逐步回归的区间;d7、从窗口的下界开始,若后续区间宽度小于5,则执行d1-d3步,如果大于5,则执行d4-d7步,重复直至第一区间末尾(其中,窗口宽度和标准差系数阈值的具体数值可根据实际情况调整),上述温度均为日平均温度。
其中,所述逐步回归区间中的历史供水量数据满足逐步回归方程,所述逐步回归区间包含于第二区间,所述逐步回归方程中:自变量为温度,因变量为供水量,逐个引入的变量为气象因子;
具体地,此处的气象因子不是固定的,可根据回归情况来选择。
S10235、将历史供水量数据对应的温度区间被筛选后的剩余区间作为不可预测区间,所述不可预测区间包含于第二区间;
具体地,将最终剩余的区间作为不可预测区间,当预测日期所属的第二区间为不可预测区间时,可返回不可预测信息,或者直接预测结束,或者返回0(表示待测日期无法进行预测)。
由上述可得,本发明实施例带来的有益效果为:加入气象因子逐步回归区间可以作为一种备选方案,使得回归分析更加科学合理,对区间的划分更加详细具体,更具有实际意义
进一步作为本方法的优选实施例,所述获得所述获取的第二区间对应的区间算法模型,并将温度和/或气象因子输入获得的区间算法模型中,从而计算出预测供水量这一步骤,其具体为:
S1031、当所获取的第二区间不属于不可预测区间时,进行回归判断处理;
所述回归判断处理具体为:
判断所获取的第二区间是否为逐步回归区间,若是,则获得所述逐步回归区间对应的回归算法模型,结合获得的回归算法模型涉及到的相关气象因子,将温度和气象因子中的相关气象因子输入获得的回归算法模型中,从而计算获得预测供水量;
具体地,相关气象因子可以是多个,也可以是一个,获得逐步回归算法模型后即可获得逐步回归算法模型所涉及到的自变量,然后根据预测日期与之对应的参数输入进逐步回归算法模型中,计算获得预测供水量。例如:得到的逐步回归算法模型为:预测供水量(单位:吨)=20*温度(单位:℃)+20*湿度+1.5*风力强度+20,那么可根据预测日期的温度(12℃)、湿度(30%)和风力强度(6),计算得出最终的预测供水量为275吨,上述温度均为日平均温度。
反之,则获取所述第二区间对应的回归算法模型,将温度输入获取的回归算法模型中,从而计算获得预测供水量;
具体地,不同的区间对应不同的区间算法模型,例如:预测日的业务特性为日常,温度为15℃,匹配的第二区间为10-16℃,第二区间对应的算法模型为预测供水量(单位:吨) =15*温度(单位:℃)+7,那么可计算出供水量为232吨;又例如:预测日的业务特性为双休日,温度为15℃,匹配的第二区间为12-18℃,此时第二区间对应的算法模型为预测供水量(单位:吨)=2*温度(单位:℃)^2-35,那么可计算出的供水量为415吨(举例仅做参考),上述温度均为日平均温度。
由上述可得,本发明实施例带来的有益效果为:可根据区间算法不同采用输入不同的值来获得预测供水量,预测更加具有实际意义。
如图2所示,本发明实施例还提供了一种供水量预测***,包括:
第一区间获取模块201,用于根据业务特性进行业务特性匹配处理,获得所述业务特性对应的第一区间。
第二区间获取模块202,用于根据温度进行温度匹配处理,以从获得的第一区间中获取所述温度对应的第二区间。
计算模块203,用于获得所述获取的第二区间对应的区间算法模型,并将温度和/或气象因子输入获得的区间算法模型中,从而计算出预测供水量。
上述方法实施例中的内容均适用于本***实施例中,本***实施例所具体实现的功能与上述方法实施例相同,并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
基于图1所示的供水量预测方法,本发明实施例还提供了一种供水量预测装置,该装置包括:
至少一个处理器;
至少一个存储器,用于存储至少一个程序;
当所述至少一个程序被所述至少一个处理器执行,使得所述至少一个处理器实现上述一种供水量预测方法。
上述方法实施例中的内容均适用于本装置实施例中,本装置实施例所具体实现的功能与上述方法实施例相同,并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
另外,本发明实施例还提供了一种存储介质,其中存储有处理器可执行的指令,所述处理器可执行的指令在由处理器执行时用于执行上述任一种供水量预测方法。
以上是对本发明的较佳实施进行了具体说明,但本发明创造并不限于所述实施例,熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换,这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
Claims (10)
1.一种供水量预测方法,其特征在于:包括以下步骤:
根据业务特性进行业务特性匹配处理,获得所述业务特性对应的第一区间;
根据温度进行温度匹配处理,以从获得的第一区间中获取所述温度对应的第二区间;
获得所述获取的第二区间对应的区间算法模型,并将温度和/或气象因子输入获得的区间算法模型中,从而计算出预测供水量。
2.根据权利要求1所述的供水量预测方法,其特征在于:所述根据业务特性进行业务特性匹配处理,获得所述业务特性对应的第一区间这一步骤,其具体为:
根据业务特性,从若干个预先划分好的第一区间中匹配筛选出与所述业务特性相对应的第一区间;
所述若干个预先划分好的第一区间是在历史供水量数据的业务特性所在的时间区间中划分出的若干个区间,所述第一区间与业务特性一一对应。
3.根据权利要求2所述的供水量预测方法,其特征在于:所述根据温度进行温度匹配处理,以从获得的第一区间中获取所述温度对应的第二区间这一步骤,其具体为:
从获得的第一区间中得到若干个预先划分好的第二区间,所述若干个第二区间包含于第一区间;
根据温度,从得到的若干个预先划分好的第二区间中匹配筛选出所述温度所落入的第二区间;
所述若干个预先划分好的第二区间是根据历史供水量数据的温度与供水量的关系或温度和气象因子与供水量的关系进行区间筛选划分处理后得到的若干个区间;
所述区间筛选划分处理的步骤具体包括:分别获得每个第一区间对应的温度区间,当所述第一区间对应的温度区间满足逻辑回归条件时,将所述第一区间对应的温度区间作为逻辑回归区间,并计算获得所述逻辑回归区间对应的回归算法模型,所述逻辑回归区间包含于第二区间。
4.根据权利要求3所述的供水量预测方法,其特征在于:所述区间筛选划分处理的步骤还包括:
从第一温度区间中筛选出满足线性回归条件的温度区间作为线性回归区间,并计算获得所述线性回归区间对应的回归算法模型,所述第一温度区间是第一区间对应的温度区间被筛选后的剩余区间,所述线性回归区间包含于第二区间。
5.根据权利要求3所述的供水量预测方法,其特征在于:所述区间筛选划分处理的步骤还包括:
从第一温度区间中筛选出满足二次多项式回归条件的温度区间作为二次多项式回归区间,并计算获得所述二次多项式回归区间对应的回归算法模型,所述第一温度区间是第一区间对应的温度区间被筛选后的剩余区间,所述二次多项式回归区间包含于第二区间。
6.根据权利要求3所述的供水量预测方法,其特征在于:所述区间筛选划分处理的步骤还包括:
从第一温度区间中筛选出满足气象因子逐步回归条件的温度区间作为逐步回归区间,并计算获得所述逐步回归区间对应的回归算法模型,所述第一温度区间是第一区间对应的温度区间被筛选后的剩余区间;
所述逐步回归区间中的历史供水量数据满足逐步回归方程,所述逐步回归区间包含于第二区间,所述逐步回归方程中:自变量为温度,因变量为供水量,逐个引入的变量为气象因子;
将历史供水量数据对应的温度区间被筛选后的剩余区间作为不可预测区间,所述不可预测区间包含于第二区间。
7.根据权利要求6所述的供水量预测方法,其特征在于:所述获得所述获取的第二区间对应的区间算法模型,并将温度和/或气象因子输入获得的区间算法模型中,从而计算出预测供水量这一步骤,其具体为:
当所获取的第二区间不属于不可预测区间时,进行回归判断处理;
所述回归判断处理具体为:判断所获取的第二区间是否为逐步回归区间,若是,则获得所述逐步回归区间对应的回归算法模型,结合获得的回归算法模型涉及到的相关气象因子,将温度和气象因子中的相关气象因子输入获得的回归算法模型中,从而计算获得预测供水量;反之,则获取所述第二区间对应的回归算法模型,将温度输入获取的回归算法模型中,从而计算获得预测供水量。
8.一种供水量预测***,其特征在于:包括:
第一区间获取模块,用于根据业务特性进行业务特性匹配处理,获得所述业务特性对应的第一区间;
第二区间获取模块,用于根据温度进行温度匹配处理,以从获得的第一区间中获取所述温度对应的第二区间;
计算模块,用于获得所述获取的第二区间对应的区间算法模型,并将温度和/或气象因子输入获得的区间算法模型中,从而计算出预测供水量。
9.一种供水量预测装置,其特征在于:包括:
至少一个处理器;
至少一个存储器,用于存储至少一个程序;
当所述至少一个程序被所述至少一个处理器执行,使得所述至少一个处理器实现如权利要求1-7任一项所述一种供水量预测方法。
10.一种存储介质,其中存储有处理器可执行的指令,其特征在于:所述处理器可执行的指令在由处理器执行时用于执行如权利要求1-7任一项所述一种供水量预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910139355.1A CN110070203B (zh) | 2019-02-25 | 2019-02-25 | 一种供水量预测方法、***、装置以及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910139355.1A CN110070203B (zh) | 2019-02-25 | 2019-02-25 | 一种供水量预测方法、***、装置以及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110070203A true CN110070203A (zh) | 2019-07-30 |
CN110070203B CN110070203B (zh) | 2023-12-26 |
Family
ID=67366005
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910139355.1A Active CN110070203B (zh) | 2019-02-25 | 2019-02-25 | 一种供水量预测方法、***、装置以及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110070203B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115169771A (zh) * | 2022-01-18 | 2022-10-11 | 长安大学 | 一种洪涝灾害影响下的交通网效率受损快速评估方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105956690A (zh) * | 2016-04-25 | 2016-09-21 | 广州东芝白云自动化***有限公司 | 一种供水预测方法及*** |
CN107273998A (zh) * | 2016-06-30 | 2017-10-20 | 国网江苏省电力公司南通供电公司 | 一种用于台区日用电量预测的气温修正方法 |
CN107909195A (zh) * | 2017-11-08 | 2018-04-13 | 吴江华衍水务有限公司 | 一种日用水量预测方法 |
CN108133283A (zh) * | 2017-12-11 | 2018-06-08 | 中国水利水电科学研究院 | 城市水***和能源***应对气候变化的联合响应调控方法 |
CN109002937A (zh) * | 2018-09-07 | 2018-12-14 | 深圳供电局有限公司 | 电网负荷预测方法、装置、计算机设备和存储介质 |
-
2019
- 2019-02-25 CN CN201910139355.1A patent/CN110070203B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105956690A (zh) * | 2016-04-25 | 2016-09-21 | 广州东芝白云自动化***有限公司 | 一种供水预测方法及*** |
CN107273998A (zh) * | 2016-06-30 | 2017-10-20 | 国网江苏省电力公司南通供电公司 | 一种用于台区日用电量预测的气温修正方法 |
CN107909195A (zh) * | 2017-11-08 | 2018-04-13 | 吴江华衍水务有限公司 | 一种日用水量预测方法 |
CN108133283A (zh) * | 2017-12-11 | 2018-06-08 | 中国水利水电科学研究院 | 城市水***和能源***应对气候变化的联合响应调控方法 |
CN109002937A (zh) * | 2018-09-07 | 2018-12-14 | 深圳供电局有限公司 | 电网负荷预测方法、装置、计算机设备和存储介质 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115169771A (zh) * | 2022-01-18 | 2022-10-11 | 长安大学 | 一种洪涝灾害影响下的交通网效率受损快速评估方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110070203B (zh) | 2023-12-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xiao et al. | An improved seasonal rolling grey forecasting model using a cycle truncation accumulated generating operation for traffic flow | |
CN104899405B (zh) | 数据预测方法和***以及报警方法和*** | |
Amral et al. | Short term load forecasting using multiple linear regression | |
Bie et al. | Time of day intervals partition for bus schedule using GPS data | |
CN106779129A (zh) | 一种考虑气象因素的短期电力负荷预测方法 | |
CN109116444B (zh) | 基于PCA-kNN的空气质量模式PM2.5预报方法 | |
CN108647891A (zh) | 数据异常归因分析方法及装置 | |
CN111985701B (zh) | 一种基于供电企业大数据模型库的用电预测方法 | |
Krishnamurthy et al. | Propagation of uncertainty in transportation land use models: Investigation of DRAM-EMPAL and UTPP predictions in Austin, Texas | |
CN103413443A (zh) | 基于隐马尔科夫模型的短时交通流状态预测方法 | |
CN107644297B (zh) | 一种电机***节能量计算和验证方法 | |
CN105184388A (zh) | 一种城市电力负荷短期预测的非线性回归方法 | |
CN114707772B (zh) | 基于多特征分解与融合的电力负荷预测方法及*** | |
CN113537563B (zh) | 污染应急管控效果评估方法及装置 | |
CN113988711B (zh) | 基于用电数据的管控状态下排污企业停或限产监测方法 | |
CN116843071B (zh) | 一种用于智慧港口的运输网络运行指数预测方法及装置 | |
Zhang et al. | Hybrid traffic speed modeling and prediction using real-world data | |
CN113159374A (zh) | 一种数据驱动的城市交通流速模式识别与实时预测预警方法 | |
Zhang et al. | An automatic real-time bus schedule redesign method based on bus arrival time prediction | |
Hu et al. | Weighted score test based EWMA control charts for zero-inflated Poisson models | |
JP2004023114A (ja) | 通信トラヒック予測方法およびその装置 | |
CN107316096A (zh) | 一种轨道交通一票通乘客进站量预测方法 | |
CN110070203A (zh) | 一种供水量预测方法、***、装置以及存储介质 | |
Burdett et al. | Performance profiling for predictive train schedules | |
CN116341740A (zh) | 一种基于比例拆分的城市燃气逐时负荷多步预测方法和*** |
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 | ||
CB02 | Change of applicant information |
Address after: 510660 No.12 Zhongshan 1st Road, Yuexiu District, Guangzhou, Guangdong Province Applicant after: Guangzhou Water Supply Co.,Ltd. Address before: 510600, No. 12, Zhongshan Road, Yuexiu District, Guangdong, Guangzhou Applicant before: GUANGZHOU WATER SUPPLY CO. |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |