CN111353629A - 频率更新方法及装置 - Google Patents
频率更新方法及装置 Download PDFInfo
- Publication number
- CN111353629A CN111353629A CN201811582332.XA CN201811582332A CN111353629A CN 111353629 A CN111353629 A CN 111353629A CN 201811582332 A CN201811582332 A CN 201811582332A CN 111353629 A CN111353629 A CN 111353629A
- Authority
- CN
- China
- Prior art keywords
- frequency
- updating
- training set
- average error
- time
- 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
Images
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Operations Research (AREA)
- Artificial Intelligence (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种频率更新方法及装置,获取时间轴上的训练集数据,训练集的时间区间为[1,2,…,k+i‑1],时间轴上样本集总量为T,k为训练集的时间基点,i取值(1,2,..,T‑k‑h+1),h为需要外推的期数;将训练集数据输入训练集拟合模型;通过训练集拟合模型输出时间点k+h+i‑1的数据;计算时间点k+h+i‑1的误差;重复步骤S1‑S3;计算验证集数据的平均误差,验证集数据为所有时间点k+h+i‑1的数据;确定更新频率。根据本申请实施例提供的技术方案,通过时间序列预测的交叉验证方法,确定更新频率与误差之间的关系,进一步的提出较为合理的更新频率,实现预测效果的提高和频率更新的优化。
Description
技术领域
本发明一般涉及物流领域,尤其涉及频率更新方法及装置。
背景技术
误差(平均绝对百分比误差)是衡量时序预测效果的重要指标。长期时序预测存在异方差性和滞后效应,预测结果在时间轴上表现为不平稳。从预测的时间跨度来看,长期预测(外推期超过30天)存在精度不高和趋势变动大的特点。日度数据的长期预测误差与更新频率有极强的相关性,一般来说,预测更新越频繁,准确率越高,即误差越小。但是,考虑到计算资源有限和物流每日件量的偏差,需在更新频率和预测误差两者之间做出权衡,目的是在计算资源的保证下,以较少的更新频率(即更新周期)来实现较优的预测准确率。
如何得到更新频率和预测误差之间的关系;交叉验证方法常用于评估模型的预测性能,基本思想就是将原始数据进行分组,随机抽取一部分做为训练集来训练模型,另一部分做为测试集来评价模型,但是,传统的随机分成几份的交叉验证方法不适用于时序问题,原因如下:
1.时序的不可逆性。时序预测的基本思想是通过学习历史来推断未来,要求测试集在时间上必须晚于训练集;
2.任意选择测试集。传统k折交叉验证方法测试集的选择相当随意,即随机分成k份,每份训练集的样本量也是随机的。然而时序预测依赖历史数据的质量,越多的历史输入能提供更好的模型拟合,因此时序数据交叉验证必须保留一定时间的数据作为训练集。
发明内容
鉴于现有技术中的上述缺陷或不足,期望提供一种频率更新方法及装置。
第一方面,提供一种频率更新方法,包括步骤:
S1:获取时间轴上的训练集数据,所述训练集的时间区间为[1,2,…,k+i-1],所述时间轴上样本集总量为T,所述k为训练集的时间基点,i取值(1,2,..,T-k-h+1),h为需要外推的期数;
S2:将所述训练集数据输入训练集拟合模型;
S3:通过所述训练集拟合模型输出时间点k+h+i-1的数据;
S4:计算时间点k+h+i-1的误差;
S5:重复步骤S1-S4;
S6:计算验证集数据的平均误差,所述验证集数据为所有时间点k+h+i-1的数据;
S7:根据所述平均误差与更新频率关系图确定更新频率。
第二方面,提供一种频率更新装置,包括:
获取模块,用于获取时间轴上的训练集数据,所述训练集的时间区间为[1,2,…,k+i-1],所述时间轴上样本集总量为T,所述k为训练集的时间基点,i取值(1,2,..,T-k-h+1);
输入模块,用于将所述训练集数据输入训练集拟合模型;
输出模块,用于通过所述训练集拟合模型输出时间点k+h+i-1的数据;
点误差计算模块,用于计算时间点k+h+i-1的误差;
平均误差计算模块,用于计算验证集数据的平均误差,所述验证集数据为所有时间点k+h+i-1的数据;
更新频率确定模块,用于根据所述平均误差与更新频率关系图确定更新频率。
根据本申请实施例提供的技术方案,通过时间序列预测的交叉验证方法,确定更新频率与误差之间的关系,进一步的提出较为合理的更新频率,实现预测效果的提高和频率更新的优化。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1为本实施例中频率更新方法流程图;
图2为本实施例中频率更新装置结构示意图;
图3-图5为本实施例中预测变化示意图;
图6-图7为本实施例中更新频率和平均误差的关系图;
图8为本实施例中更新频率与计算成本关系图;
图9为本实施例提供的一种设备的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与发明相关的部分。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
请参考图1,本实施例提供一种频率更新方法,包括步骤:
S1:获取时间轴上的训练集数据,所述训练集的时间区间为[1,2,…,k+i-1],所述时间轴上样本集总量为T,所述k为训练集的时间基点,i取值(1,2,..,T-k-h+1),h为需要外推的期数;
S2:将所述训练集数据输入训练集拟合模型;
S3:通过所述训练集拟合模型输出时间点k+h+i-1的数据;
S4:计算时间点k+h+i-1的误差;
S5:重复步骤S1-S4;
S6:计算验证集数据的平均误差,所述验证集数据为所有时间点k+h+i-1的数据;
S7:根据所述平均误差与更新频率关系图确定更新频率范围。
本实施例中提供的频率更新方法是基于日度预测的,通过该方法确定更新的频率,进一步的对频率进行优化,以物流件量日度预测更新频率为例,其不能采用未来的数据预测过去,即不能改变数据在时间上的不可逆性;要根据必要的历史信息提取长期趋势、多频率等时序分量,确保训练集数量足够。假设时序样本集观察值总量为T,固定一个时间窗口k作为训练集的基点,以确保能得到可信的预测;根据上述方法,提供以下两种具体实施方式,
一是当h为1时,测试训练集后的一个数据,根据上述的步骤,选择时间轴上的点k+i作为验证集,将所述训练集数据输入训练集拟合模型,得出k+i点的数据并计算k+1点的误差,并且重复上述步骤,每次滚动一期向前预测,随着预测不断滚动,其如图3所示,中间带有阴影线的点为验证集,前面实心的点为训练集;
二是当h不为1时,假设需要外推多期,选择时间轴上的点k+h+i-1作为测试集,步骤与上述步骤相同,如图4和图5所示为随着预测不断滚动,每次滚动h期向前预测,图4中为滚动两期的预测图,图5为预测三期的滚动图,当需要预测的时间越远,取h值越大即可。
本实施例中通过时间序列预测的交叉验证方法,确定更新频率与误差之间的关系,进一步的提出较为合理的更新频率,实现预测效果的提高。
进一步的,所述k为不小于0.5T的自然数。
本实施例中的频率更新是通过时间序列预测实现的,其中需要设定足够的训练集,以便于根据拟合模型计算出的验证集的准确性,因此,选取至少样本集总量一半以上的数据作为训练集。
进一步的,所述时间点k+h+i-1的误差=|(X-Y)/X|,其中X为实际测量值,Y为训练模拟值;所述平均误差=(∑((X-Y)/X)*100%)/N,其中N=∑(k+h+i-1)。
本实施例中给出了验证集时间点误差以及平均误差的计算公式。
进一步的,若所述平均误差不大于第一阈值,则根据所述平均误差确定更新频率,若所述平均误差超过第一阈值,则不进行频率的更新。
进一步的,还包括步骤,绘制平均误差与更新频率关系图;
具体包括:选取平均误差小于第二阈值的网点和平均误差处于第二阈值和第一阈值之间的网点,时间长度T1为训练集,沿时间轴向前预测设定处似乎,所述预测次数即为更新频率,
将时间长度为T1的训练集输入训练集拟合模型中,得出每个更新频率下的平均误差,分别确定误差在第二阈值以下的网点和误差处于第二阈值和第一阈值之间的网点的平均误差与更新频率的关系图。
本实施例中还需要根据一定误差的网点进行平均误差和更新频率的关系确定,其中确定误差在第一阈值以下的网点通过更新频率进行优化,误差超过第一阈值的网点不通过该方法进行优化,通过上述方法能够确定进行优化的最低阈值,超过该阈值后则需要通过其他方法进行更新频率的优化,保证优化的效果,其中第一阈值设定为35%-45%之间,本实施例优选的采用40%作为第一阈值;进一步的,将误差分别两个部分,第二阈值以下和处于第二阈值和第一阈值之间,其中第二阈值设定小于第一阈值,通过将第一阈值内的范围进行一定的细分,不同阈值下的更新频率设置的不同,使得本实施例中的优化方案更加的细致,其中第二阈值设定为15%-25%之间,本实施例优选的采用20%作为第二阈值,通过设定一定的时间长度作为训练集,并且都向前预测设定的次数,本实施例中优选的采用30次,根据S1-S6的步骤得出每次的平均误差,因此进一步的绘制出平均误差与更新频率的关系图。
随后根据平均误差确定更新频率,本实施例中的优化方法不同的误差对应不同的更新频率,当平均误差小于20%时,其平均误差与更新频率的关系如图6所示,在进行频率更新时,理论上平均误差越小,效果越好,例如误差在20%以内的网点,预测频率由每31天更新一次缩短至每7天更新一次,总体的平均误差由14.5%左右下降至10%左右,平均准确率上升4.5%;当平均误差在20%-40%之间时,其平均误差与更新频率的关系如图7所示,例如误差在20-40%以内的网点,预测频率由每31天更新一次缩短至每7天更新一次,总体的平均误差由29%左右下降至19%左右,平均准确率上升10%,本实施例中在确定更新频率时可以先根据平均误差确定一个范围,例如确定平均误差在10%或者19%以下的更新频率,随后可以根据其他因素对更新频率进行进一步的确定。
进一步的,若所述样本集总量T中包括有特殊时间点,则T的选择需要符合T>=k+2n,n为验证集数据的数量。
在根据日度进行预测优化过程中,需要考虑一些特殊时间点例如节假日或者周末对整个预测带来的偏差,因此,存在遇到特殊时间点的日度时间线上,需要进行一定的调整,首先将样本集总量进行扩大,该样本集总量至少包括训练集加上两倍的验证集长度,保证在平均误差的计算中有足够的验证集以便于去掉特殊时间点的影响;进一步的在进行平均误差的计算中取验证集的交集,交集的数量为n。
进一步的,还包括步骤:根据更新频率与计算成本关系图确定更新频率。本实施例中除了考虑更新频率与平均误差之间的关系外,还需要考虑更新频率与计算成本之间的关系,其关系图如图8所示,理论上来说,为了节约资源和成本,需要以较低的计算成本确定更新频率,因此根据平均误差与更新频率的关系图,确定某一平均误差以下的更新频率范围,再根据图8所示的更新频率与计算成本的关系图,选择该更新频率范围内计算成本最低的更新频率作为优化后的更新频率;上述方法能够提出一个较为合理的更新频率,权衡平均误差和计算成本,实现长期预测效果的提高。
如图2所示,本实施例还提供一种频率更新装置,包括:
获取模块,用于获取时间轴上的训练集数据,所述训练集的时间区间为[1,2,…,k+i-1],所述时间轴上样本集总量为T,所述k为训练集的时间基点,i取值(1,2,..,T-k-h+1);
输入模块,用于将所述训练集数据输入训练集拟合模型;
输出模块,用于通过所述训练集拟合模型输出时间点k+h+i-1的数据;
点误差计算模块,用于计算时间点k+h+i-1的误差;
平均误差计算模块,用于计算验证集数据的平均误差,所述验证集数据为所有时间点k+h+i-1的数据;
更新频率确定模块,用于根据所述平均误差与更新频率关系图确定更新频率范围。
图2所示的装置的工作原理参考图1所示的方法,此处不再赘述。
进一步的,还包括第二更新频率确定模块,用于根据更新频率与计算成本关系图确定更新频率。
本实施例中除了考虑更新频率与平均误差之间的关系外,还需要考虑更新频率与计算成本之间的关系,其关系图如图8所示,理论上来说,为了节约资源和成本,需要以较低的计算成本确定更新频率,因此根据平均误差与更新频率的关系图,确定某一平均误差以下的更新频率范围,再根据图8所示的更新频率与计算成本的关系图,选择该更新频率范围内计算成本最低的更新频率作为优化后的更新频率;上述方法能够提出一个较为合理的更新频率,权衡平均误差和计算成本,实现长期预测效果的提高。
进一步的,选取平均误差小于第二阈值的网点和平均误差处于第二阈值和第一阈值之间的网点,时间长度T1为训练集,沿时间轴向前预测设定次数,所述预测次数即为更新频率,将时间长度为T1的训练集输入训练集拟合模型中,得出每个更新频率下的平均误差,
还包括关系图绘制模块,用于根据每个更新频率下的平均误差和更新频率确定误差在第二阈值以下的网点的平均误差与更新频率的关系图和误差处于第二阈值和第一阈值之间的网点的平均误差与更新频率的关系图。
本实施例中还通过上述的装置进行平均误差与更新频率的关系图的确定,具体工作原理参见上述步骤所示的关系图绘制方法,此处不再赘述。
如图9所示,作为另一方面,本申请还提供了一种设备300,包括一个或多个中央处理单元(CPU)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部分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RAM 303中,还存储有***300操作所需的各种程序和数据。CPU 301、ROM 302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。
以下部件连接至I/O接口305:包括键盘、鼠标等的输入部分306;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分307;包括硬盘等的存储部分308;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分309。通信部分309经由诸如因特网的网络执行通信处理。驱动器310也根据需要连接至I/O接口305。可拆卸介质311,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器310上,以便于从其上读出的计算机程序根据需要被安装入存储部分308。
特别地,根据本公开的实施例,上文参考图1描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括有形地包含在机器可读介质上的计算机程序,计算机程序包含用于执行分拣配置方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分309从网络上被下载和安装,和/或从可拆卸介质311被安装。
附图中的流程图和框图,图示了按照本发明各种实施例的***、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,所述模块、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***来实现,或者可以用专用硬件与计算机指令的组合来实现。
作为又一方面,本申请还提供了一种计算机可读存储介质,该计算机可读存储介质可以是上述实施例中所述装置中所包含的计算机可读存储介质;也可以是单独存在,未装配入设备中的计算机可读存储介质。计算机可读存储介质存储有一个或者一个以上程序,所述程序被一个或者一个以上的处理器用来执行描述于本申请的频率更新方法。
附图中的流程图和框图,图示了按照本发明各种实施例的***、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,这根据所涉及的功能而定。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,可以通过执行规定的功能或操作的专用的基于硬件的***来实现,或者可以通过专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元或模块可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元或模块也可以设置在处理器中,例如,各所述单元可以是设置在计算机或移动智能设备中的软件程序,也可以是单独配置的硬件装置。其中,这些单元或模块的名称在某种情况下并不构成对该单元或模块本身的限定。
以上描述仅为本申请的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,本申请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所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。例如上述特征与本申请中公开的(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 (10)
1.一种频率更新方法,其特征在于,包括步骤:
S1:获取时间轴上的训练集数据,所述训练集的时间区间为[1,2,…,k+i-1],所述时间轴上样本集总量为T,所述k为训练集的时间基点,i取值(1,2,..,T-k-h+1),h为需要外推的期数;
S2:将所述训练集数据输入训练集拟合模型;
S3:通过所述训练集拟合模型输出时间点k+h+i-1的数据;
S4:计算时间点k+h+i-1的误差;
S5:重复步骤S1-S4;
S6:计算验证集数据的平均误差,所述验证集数据为所有时间点k+h+i-1的数据;
S7:根据所述平均误差与更新频率关系图确定更新频率范围。
2.根据权利要求1所述的频率更新方法,其特征在于,还包括步骤:根据更新频率与计算成本关系图确定更新频率。
3.根据权利要求1或2所述的频率更新方法,其特征在于,所述k为不小于0.5T的自然数。
4.根据权利要求1所述的频率更新方法,其特征在于,所述时间点k+h+i-1的误差=|(X-Y)/X|,其中X为实际测量值,Y为训练模拟值;所述平均误差=(∑((X-Y)/X)*100%)/N,其中N=∑(k+h+i-1)。
5.根据权利要求4所述的频率更新方法,其特征在于,若所述平均误差不大于第一阈值,则根据所述平均误差确定更新频率,若所述平均误差超过第一阈值,则不进行频率的更新。
6.根据权利要求5所述的频率更新方法,其特征在于,还包括步骤,绘制平均误差与更新频率关系图;
具体包括:选取平均误差小于第二阈值的网点和平均误差处于第二阈值和第一阈值之间的网点,时间长度T1为训练集,沿时间轴向前预测设定次数,所述预测次数即为更新频率,
将时间长度为T1的训练集输入训练集拟合模型中,得出每个更新频率下的平均误差,分别确定误差在第二阈值以下的网点和误差处于第二阈值和第一阈值之间的网点的平均误差与更新频率的关系图。
7.根据权利要求1或2所述的频率更新方法,其特征在于,若所述样本集总量T中包括有特殊时间点,则T的选择需要符合T>=k+2n,n为验证集数据的数量。
8.一种频率更新装置,其特征在于,包括:
获取模块,用于获取时间轴上的训练集数据,所述训练集的时间区间为[1,2,…,k+i-1],所述时间轴上样本集总量为T,所述k为训练集的时间基点,i取值(1,2,..,T-k-h+1);
输入模块,用于将所述训练集数据输入训练集拟合模型;
输出模块,用于通过所述训练集拟合模型输出时间点k+h+i-1的数据;
点误差计算模块,用于计算时间点k+h+i-1的误差;
平均误差计算模块,用于计算验证集数据的平均误差,所述验证集数据为所有时间点k+h+i-1的数据;
第一更新频率确定模块,用于根据所述平均误差与更新频率关系图确定更新频率范围。
9.根据权利要求7所述的频率更新装置,其特征在于,还包括第二更新频率确定模块,用于根据更新频率与计算成本关系图确定更新频率。
10.根据权利要求7所述的频率更新装置,其特征在于,选取平均误差小于第二阈值的网点和平均误差处于第二阈值和第一阈值之间的网点,时间长度T1为训练集,沿时间轴向前预测设定次数,所述预测次数即为更新频率,将时间长度为T1的训练集输入训练集拟合模型中,得出每个更新频率下的平均误差,
还包括关系图绘制模块,用于根据每个更新频率下的平均误差和更新频率确定误差在第二阈值以下的网点的平均误差与更新频率的关系图和误差处于第二阈值和第一阈值之间的网点的平均误差与更新频率的关系图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811582332.XA CN111353629B (zh) | 2018-12-24 | 2018-12-24 | 频率更新方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811582332.XA CN111353629B (zh) | 2018-12-24 | 2018-12-24 | 频率更新方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111353629A true CN111353629A (zh) | 2020-06-30 |
CN111353629B CN111353629B (zh) | 2023-09-29 |
Family
ID=71196699
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811582332.XA Active CN111353629B (zh) | 2018-12-24 | 2018-12-24 | 频率更新方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111353629B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105930900A (zh) * | 2016-05-09 | 2016-09-07 | 华北电力大学 | 一种混合风力发电的预测方法及*** |
CN108764568A (zh) * | 2018-05-28 | 2018-11-06 | 哈尔滨工业大学 | 一种基于lstm网络的数据预测模型调优方法及装置 |
-
2018
- 2018-12-24 CN CN201811582332.XA patent/CN111353629B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105930900A (zh) * | 2016-05-09 | 2016-09-07 | 华北电力大学 | 一种混合风力发电的预测方法及*** |
CN108764568A (zh) * | 2018-05-28 | 2018-11-06 | 哈尔滨工业大学 | 一种基于lstm网络的数据预测模型调优方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111353629B (zh) | 2023-09-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109002904B (zh) | 一种基于Prophet-ARMA的医院门诊就诊量预测方法 | |
CN110019401B (zh) | 件量预测方法、装置、设备及其存储介质 | |
WO2021129086A1 (zh) | 流量预测方法、装置以及存储介质 | |
CN111160651B (zh) | 一种基于stl-lstm的地铁客流预测方法 | |
Al-Sabah | CUMULATIVE SUM STATISTICAL CONTROL CHARTS USING RANKED SET SAMPLING DATA. | |
CN111968751B (zh) | 一种使用多基线校正模型的传染病趋势预测方法与*** | |
CN111353620A (zh) | 构建网点件量预测模型的方法、装置、设备及存储介质 | |
CN110633859B (zh) | 一种两阶段分解集成的水文序列预测方法 | |
CN107516279A (zh) | 一种网络舆情自动预警的方法 | |
CN111415027A (zh) | 构建件量预测模型的方法和装置 | |
CN113837488B (zh) | 能源消耗数据预测方法、***、设备 | |
CN112418921A (zh) | 用电需量预测方法、装置、***与计算机存储介质 | |
CN115392477A (zh) | 基于深度学习的Skyline查询基数估计方法及装置 | |
CN113837383B (zh) | 模型训练方法、装置、电子设备及存储介质 | |
CN115794369A (zh) | 内存占用数值的预测方法及装置、存储介质、终端 | |
CN114048927A (zh) | 需求量预测方法、装置、电子设备和存储介质 | |
CN117236485B (zh) | 一种基于cnn-bilstm算法减小预测电网供电量误差的方法 | |
Murakami | Spatial regression modeling using the spmoran package: Boston housing price data examples | |
CN116701875A (zh) | 一种特高压交流输电线路可听噪声概率预测方法及*** | |
CN111353629B (zh) | 频率更新方法及装置 | |
CN116957639A (zh) | 基于arima算法自适应参数选择的方法及*** | |
CN110781755A (zh) | 一种建筑钢筋智能识别计量方法及*** | |
CN116107854A (zh) | 一种计算机运行维护指标预测方法、***、设备及介质 | |
CN114357778A (zh) | 长期监测场景下的索力自适应识别方法 | |
Wu et al. | A new methodology for local cross-correlation between two nonstationary time series |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |