CN117556935A - 时间序列预测方法、装置、设备及可读存储介质 - Google Patents

时间序列预测方法、装置、设备及可读存储介质 Download PDF

Info

Publication number
CN117556935A
CN117556935A CN202311293680.6A CN202311293680A CN117556935A CN 117556935 A CN117556935 A CN 117556935A CN 202311293680 A CN202311293680 A CN 202311293680A CN 117556935 A CN117556935 A CN 117556935A
Authority
CN
China
Prior art keywords
time sequence
electric quantity
predicted
quantity time
initial
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
Application number
CN202311293680.6A
Other languages
English (en)
Inventor
兰智强
吴国耀
林舒静
游春凌
郭永劼
潘帆
茅琳玲
于娅楠
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Marketing Service Center of State Grid Fujian Electric Power Co Ltd
Original Assignee
Marketing Service Center of State Grid Fujian Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Marketing Service Center of State Grid Fujian Electric Power Co Ltd filed Critical Marketing Service Center of State Grid Fujian Electric Power Co Ltd
Priority to CN202311293680.6A priority Critical patent/CN117556935A/zh
Publication of CN117556935A publication Critical patent/CN117556935A/zh
Pending legal-status Critical Current

Links

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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biophysics (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Operations Research (AREA)
  • Primary Health Care (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Quality & Reliability (AREA)
  • Biomedical Technology (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及数据处理领域，本发明提供一种时间序列预测方法、装置、设备及可读存储介质，该方法包括：获取待预测用户的历史电量时间序列；将所述待预测用户的待预测周期输入时间序列预测模型，得到初始预测的电量时间序列，所述时间序列预测模型是基于预处理后的历史电量时间序列训练得到的；基于所述历史电量时间序列对所述初始预测的电量时间序列进行调整，得到电量时间序列的预测结果。本发明通过历史电量时间序列对长期预测存在较大偏差的初始预测的电量时间序列进行调整，得到长期预测较准确的电量时间序列的预测结果。

Description

时间序列预测方法、装置、设备及可读存储介质
技术领域
本发明涉及数据处理技术领域，尤其涉及一种时间序列预测方法、装置、设备及可读存储介质。
背景技术
时间序列预测是一种回归预测，属于定量预测。主要是把想要预测的统计指标，按时间先后顺序排列形成时间序列。时间序列预测主要基于历史数据反映出来的趋势信息，对下一个周期的数据进行预测。在实际进行模型建设的时候就是利用历史时间维度的数据进行拟合，得到对应的拟合曲线，在根据拟合的曲线趋势对下一周期或者下几个周期的数据进行预测。ARIMA(Autoregressive Integrated Moving Average Model，差分自回归移动平均模型)是分析和研究时间序列问题常用的模型，能较为有效地刻画时间序列的线性规律，在短期预测方面表现较好。但在长期预测上存在较大的偏差。
发明内容
本发明提供一种时间序列预测方法、装置、设备及可读存储介质，用以解决现有时间序列预测方法存在的长期预测不准确的技术问题。
本发明提供一种时间序列预测方法，包括：
获取待预测用户的历史电量时间序列；
将所述待预测用户的待预测周期输入时间序列预测模型，得到初始预测的电量时间序列，所述时间序列预测模型是基于预处理后的历史电量时间序列训练得到的；
基于所述历史电量时间序列对所述初始预测的电量时间序列进行调整，得到电量时间序列的预测结果。
根据本发明提供的一种时间序列预测方法，对所述历史电量时间序列进行预处理包括：
对所述历史电量时间序列中的目标指数进行曲线拟合，得到所述目标指数的初始拟合曲线；
基于所述初始拟合曲线，确定所述目标指数中各数值的初始离散程度；
基于所述初始离散程度确定所述目标指数中的待处理数值，对所述待处理数值进行预处理。
根据本发明提供的一种时间序列预测方法，所述基于所述初始离散程度确定所述目标指数中的待处理数值，对所述待处理数值进行预处理包括：
基于所述初始离散程度确定所述目标指数的离散程度阈值；
确定所述目标指数中的待处理数值，所述待处理数值的初始离散程度大于所述离散程度阈值；
基于所述待处理数值的初始离散程度，对所述待处理数值进行替换处理。
根据本发明提供的一种时间序列预测方法，所述基于所述待处理数值的初始离散程度，对所述待处理数值进行替换处理之后包括：
基于替换处理后的目标指数，再次进行曲线拟合得到目标拟合曲线；
在基于所述目标拟合曲线确定所述替换处理后的目标指数中不存在待处理的数值的情况下，确定完成所述历史电量时间序列的预处理。
根据本发明提供的一种时间序列预测方法，所述基于所述历史电量时间序列对所述初始预测的电量时间序列进行调整，得到电量时间序列的预测结果包括：
获取所述历史电量时间序列中与所述待预测周期对应的电量时间序列，得到目标电量时间序列集；
确定所述目标电量时间序列集中各电量时间序列的最大值和最小值；
基于所述最大值和所述最小值，对所述初始预测的电量时间序列进行调整，得到电量时间序列的预测结果。
根据本发明提供的一种时间序列预测方法，所述基于所述最大值和所述最小值，对所述初始预测的电量时间序列进行调整，得到电量时间序列的预测结果包括：
基于所述最大值和所述最小值，确定所述目标电量时间序列集中各电量时间序列的概率分布；
根据所述概率分布确定各所述电量时间序列的信息熵；
基于所述信息熵确定各所述电量时间序列的权重；
根据各所述电量时间序列的权重，对所述初始预测的电量时间序列进行调整，得到电量时间序列的预测结果。
根据本发明提供的一种时间序列预测方法，所述根据各所述电量时间序列的权重，对所述初始预测的电量时间序列进行调整，得到电量时间序列的预测结果包括：
基于各所述电量时间序列的权重，确定各所述电量时间序列的第一调整时间序列；
基于各所述第一调整时间序列确定第二调整序列；
根据所述第二调整序列，对所述初始预测的电量时间序列进行调整，得到电量时间序列的预测结果。
本发明还提供一种时间序列预测装置，包括：
历史电量时间序列获取模块，用于获取待预测用户的历史电量时间序列；
电量时间序列初始预测模块，用于将所述待预测用户的待预测周期输入时间序列预测模型，得到初始预测的电量时间序列，所述时间序列预测模型是基于预处理后的历史电量时间序列训练得到的；
电量时间序列调整模块，用于基于所述历史电量时间序列对所述初始预测的电量时间序列进行调整，得到电量时间序列的预测结果。
本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述时间序列预测方法。
本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述时间序列预测方法。
本发明提供了一种时间序列预测方法、装置、设备及可读存储介质。在本发明提供的时间序列预测方法中，首先，获取待预测用户的历史电量时间序列，对获取到的历史电量时间序列进行预处理，基于预处理后的历史电量时间序列训练时间序列预测模型，得到训练好的时间序列预测模型。然后将待预测用户的待预测周期输入到训练好的时间序列预测模型中，得到训练好的时间序列预测模型输出的初始预测的电量时间序列，最后基于历史电量时间序列对初始预测的电量时间序列进行调整，得到电量时间序列的预测结果。本发明通过历史电量时间序列对长期预测存在较大偏差的初始预测的电量时间序列进行调整，得到长期预测较准确的电量时间序列的预测结果。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明提供的时间序列预测方法的流程示意图之一；
图2是本发明提供的时间序列预测方法的流程示意图之二；
图3是本发明提供的时间序列预测方法的流程示意图之三；
图4是本发明提供的时间序列预测装置的结构示意图；
图5是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，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作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参照图1，本发明提供一种时间序列预测方法，包括：
步骤100，获取待预测用户的历史电量时间序列；
步骤200，将所述待预测用户的待预测周期输入时间序列预测模型，得到初始预测的电量时间序列，所述时间序列预测模型是基于预处理后的历史电量时间序列训练得到的；
具体地，时间序列预测模型的具体建模步骤如下：
1、平稳性检验和白噪声检验：先对用户历史电量数据进行检验，确定历史电量数据是否符合模型要求。符合要求则可进行下一步骤，不符合要求则需要对历史电量数据进行处理，直至符合要求为止。
2、移动平均或者对数处理：某些业扩业务类型下某些行业的时间序列数据检验为白噪声数据，无法基于其进行建模，针对这种情况，对原始历史电量数据进行移动平均处理或者是对数处理，先使历史电量数据相对平滑，再做后续的差分处理和检验等步骤。
3、序列定阶：根据历史电量数据表现出来的趋势，对时间序列预测模型的参数进行确定。
4、模型建立与残差检验：构建模型即拟合历史电量数据趋势，并利用残差检查信息提取的完整度，并不断调整模型。
5、模型预测：根据拟合的模型直接对下一期或者几期的数据进行预测，得到预测结果。
时间序列预测模型存在如下缺陷：
时间序列预测模型是基于过去的变化趋势预测未来的趋势，是在假设稳定的前提下建立的，当时间上相互靠近的时间序列的观测值倾向于相互关联时，就会发生序列依赖性。但在实际情况中，未来的趋势的影响因素较多，不一定与其历史和现在的发展变化规律一致。那么预测出来的数据也会与未来的变化不一致。
比如，时间序列的数据在2021年和2022年整体对比之前是呈上升趋势的，那么后面一年的预测趋势也会呈上升趋势。经过差分还原和移动平均还原时，落实在每一个月份的数据上就会表现成2023年的整体数据会在2021年和2022年的数据基础上有上升；反之，如果是下降的趋势，整体的数据会在之前的数据上整体下降，这样会使得整体数据偏高或者是偏低。并且时间序列的算法本身就是在短期预测表现好，长期预测受影响较大，偏差就会相对较大。所以需要引入其他的方法对时间序列的结果进行修正。
步骤300，基于所述历史电量时间序列对所述初始预测的电量时间序列进行调整，得到电量时间序列的预测结果。
具体地，数据调整的内容如下：基于每个年度同一月份的容量波动区间对预测电量数据进行调整。时间序列是基于时间纵向(例如历史电量数据)规律进行探索，而数据调整则是从时间横向(例如历史同期数据)出发，根据横向数据区间，确定预测数据的合理性。因此，本实施例在时间序列的基础上引入熵权法，熵权法的主要目的是根据历史横向数据生成一个横向时间中较为合理的值，作为熵权法最终结果，所以熵权法的最终结果和时间序列的预测值的区间值较为值得参考。
在本实施例中，首先，获取待预测用户的历史电量时间序列，对获取到的历史电量时间序列进行预处理，基于预处理后的历史电量时间序列训练时间序列预测模型，得到训练好的时间序列预测模型。然后将待预测用户的待预测周期输入到训练好的时间序列预测模型中，得到训练好的时间序列预测模型输出的初始预测的电量时间序列，最后基于历史电量时间序列对初始预测的电量时间序列进行调整，得到电量时间序列的预测结果。本发明通过历史电量时间序列对长期预测存在较大偏差的初始预测的电量时间序列进行调整，得到长期预测较准确的电量时间序列的预测结果。
请参照图2，在一个实施例中，本申请实施例提供的时间序列预测方法，还可以包括：
步骤400，对所述历史电量时间序列中的目标指数进行曲线拟合，得到所述目标指数的初始拟合曲线；
步骤500，基于所述初始拟合曲线，确定所述目标指数中各数值的初始离散程度；
步骤600，基于所述初始离散程度确定所述目标指数中的待处理数值，对所述待处理数值进行预处理。
本申请实施例提供的时间序列预测方法，还可以包括：
步骤610，基于所述初始离散程度确定所述目标指数的离散程度阈值；
步骤620，确定所述目标指数中的待处理数值，所述待处理数值的初始离散程度大于所述离散程度阈值；
步骤630，基于所述待处理数值的初始离散程度，对所述待处理数值进行替换处理。
本申请实施例提供的时间序列预测方法，还可以包括：
步骤640，基于替换处理后的目标指数，再次进行曲线拟合得到目标拟合曲线；
步骤650，在基于所述目标拟合曲线确定所述替换处理后的目标指数中不存在待处理的数值的情况下，确定完成所述历史电量时间序列的预处理。
具体地，上述对历史电量时间序列中的指数进行预处理的过程，即是去除指数中的异常数据。本实施例中的异常数据包括重复获取的数据，数值明显异常的数据以及未检测到的空白数据等。已知，历史电量时间序列中的指数都是与时间有对应关系的，将其表示在时间坐标系中，然后基于这个时间坐标系中的指数数据进行初始曲线拟合，得到本实施例中的初始拟合曲线。
得到初始拟合曲线后，便可以得到各指数数据与初始拟合曲线之间的位置关系，从而基于各指数数据与初始拟合曲线之间的位置关系得到各指数数据的离散程度。基于各指数数据的离散程度，确定本实施例中的离散程度阈值，与初始拟合曲线之间的距离超过这个离散程度阈值的指数数值即为本实施例中的待处理数值。
可知地，上述待处理数值可能是数值较大或者数值较小或者没有数值的情况。对于没有数值的情况，本实施例可以将缺失的数值的时间对应的初始拟合曲线上的值作为缺失的数值进行填补；对于数值较大或者数值较小的情况，可以将该较大或者较小的数值对应的时间的前后数值的均值作为替换的数值，从而实现对历史电量时间序列的优化处理。
可以理解的是，对历史电量时间序列进行处理后，历史电量时间序列实现了更新，可以基于更新后的历史电量时间序列再次进行曲线拟合，得到新的拟合曲线，然后再基于新的拟合曲线再次确定各历史电量时间序列的离散程度值，重复上述步骤，直至最终得到的历史电量时间序列中不存在异常的待处理数值为止，这种情况下，就可以确定历史电量时间序列的预处理完成。
本实施例通过曲线拟合和数据处理，不断调整历史电量时间序列，使调整后的历史电量时间序列更加符合时间序列预测模型的训练要求，也使得基于调整后的历史电量时间序列训练得到的时间序列预测预测模型的预测结果更加准确。
请参照图3，在一个实施例中，本申请实施例提供的时间序列预测方法，还可以包括：
步骤310，获取所述历史电量时间序列中与所述待预测周期对应的电量时间序列，得到目标电量时间序列集；
步骤320，确定所述目标电量时间序列集中各电量时间序列的最大值和最小值；
步骤330，基于所述最大值和所述最小值，对所述初始预测的电量时间序列进行调整，得到电量时间序列的预测结果。
具体地，现有的时间序列预测模型都存在短期预测较准确，而长期预测准确性较差的问题。例如，在对当前时间的下一年1至12个月的每月电量(时间序列)进行预测时，需要向后预测12期(每期一个月)的电量时间序列，这会导致后面几个月的时间序列预测准确率较低。本发明提供的时间序列预测方法，在初始的时间序列预测结果的基础上引入历史同期的电量数据进行模型融合，进一步对初始的时间序列预测结果(即本实施例中的初始预测的电量时间序列)进行调整，得到最终长期预测较准确的时间序列预测结果，即本实施例中的电量时间序列的预测结果。
本发明提供的时间序列预测方法通过熵权法计算历史电量时间序列中各个指数的信息熵，熵值的大小与该指数包含和传递的信息量大小成反比，即信息熵值的大小与赋予指数的权值大小呈反比关系。
本申请实施例提供的时间序列预测方法，还可以包括：
步骤331，基于所述最大值和所述最小值，确定所述目标电量时间序列集中各电量时间序列的概率分布；
步骤332，根据所述概率分布确定各所述电量时间序列的信息熵；
步骤333，基于所述信息熵确定各所述电量时间序列的权重；
步骤334，根据各所述电量时间序列的权重，对所述初始预测的电量时间序列进行调整，得到电量时间序列的预测结果。
本申请实施例提供的时间序列预测方法，还可以包括：
步骤334a，基于各所述电量时间序列的权重，确定各所述电量时间序列的第一调整时间序列；
步骤334b，基于各所述第一调整时间序列确定第二调整序列；
步骤334c，根据所述第二调整序列，对所述初始预测的电量时间序列进行调整，得到电量时间序列的预测结果。
具体地，熵权法对各指数赋权重的步骤如下：
1、对历史电量时间序列Xjt使用极值法进行无量纲化处理得到Yjt
为避免熵值无意义，需保证处理后的数据不能为零，本实施例让处理后的数据在0.1至1之间。将maxXjt和minXjt分别表示为指数j的最大值和最小值，则Yjt的计算如公式1所示。
2、计算第j个指数的信息熵ej
通过上述公式1和下列公式2计算第j个指数的概率分布Pjt，其中，m为历史电量时间序列中指数的种类总数。
通过上述公式2和下列公式3计算第j个指数的信息熵ej
3、计算第j个指数的权重ωj
通过上述公式3和下列公式4计算第j个指数的权重ωj
通过上述内容计算得到历史电量时间序列中各指数的每期权重后，将历史同期电量时间序列与其对应的权重进行运算，得到历史同期电量时间序列对应的调整序列，即本实施例中的第一调整时间序列。得到历史各同期电量时间序列对应的第一调整时间序列，将各第一调整时间序列进行运算，得到本实施例中的第二调整时间序列。最终基于第二调整时间序列与初始预测的电量时间序列进行运算，得到电量时间序列的预测结果。
本实施例通过历史电量时间序列对长期预测存在较大偏差的初始预测的电量时间序列进行调整，得到长期预测较准确的电量时间序列的预测结果。
下面对本发明提供的时间序列预测装置进行描述，下文描述的时间序列预测装置与上文描述的时间序列预测方法可相互对应参照。
请参照图4，本发明还提供一种时间序列预测装置，包括：
历史电量时间序列获取模块401，用于获取待预测用户的历史电量时间序列；
电量时间序列初始预测模块402，用于将所述待预测用户的待预测周期输入时间序列预测模型，得到初始预测的电量时间序列，所述时间序列预测模型是基于预处理后的历史电量时间序列训练得到的；
电量时间序列调整模块403，用于基于所述历史电量时间序列对所述初始预测的电量时间序列进行调整，得到电量时间序列的预测结果。
可选地，所述时间序列预测装置还包括：
初始拟合曲线确定模块，用于对所述历史电量时间序列中的目标指数进行曲线拟合，得到所述目标指数的初始拟合曲线；
初始离散程度确定模块，用于基于所述初始拟合曲线，确定所述目标指数中各数值的初始离散程度；
预处理模块，用于基于所述初始离散程度确定所述目标指数中的待处理数值，对所述待处理数值进行预处理。
可选地，所述预处理模块包括：
离散程度阈值确定单元，用于基于所述初始离散程度确定所述目标指数的离散程度阈值；
待处理数值确定单元，用于确定所述目标指数中的待处理数值，所述待处理数值的初始离散程度大于所述离散程度阈值；
替换处理单元，用于基于所述待处理数值的初始离散程度，对所述待处理数值进行替换处理。
可选地，所述时间序列预测装置还包括：
目标拟合曲线确定模块，用于基于替换处理后的目标指数，再次进行曲线拟合得到目标拟合曲线；
预处理完成模块，用于在基于所述目标拟合曲线确定所述替换处理后的目标指数中不存在待处理的数值的情况下，确定完成所述历史电量时间序列的预处理。
可选地，所述电量时间序列调整模块包括：
目标电量时间序列集确定单元，用于获取所述历史电量时间序列中与所述待预测周期对应的电量时间序列，得到目标电量时间序列集；
极值确定单元，用于确定所述目标电量时间序列集中各电量时间序列的最大值和最小值；
初始预测的电量时间序列调整单元，用于基于所述最大值和所述最小值，对所述初始预测的电量时间序列进行调整，得到电量时间序列的预测结果。
可选地，所述初始预测的电量时间序列调整单元包括：
概率分布确定单元，用于基于所述最大值和所述最小值，确定所述目标电量时间序列集中各电量时间序列的概率分布；
信息熵确定单元，用于根据所述概率分布确定各所述电量时间序列的信息熵；
权重确定单元，用于基于所述信息熵确定各所述电量时间序列的权重；
第一调整单元，用于根据各所述电量时间序列的权重，对所述初始预测的电量时间序列进行调整，得到电量时间序列的预测结果。
可选地，所述第一调整单元包括：
第一调整时间序列确定单元，用于基于各所述电量时间序列的权重，确定各所述电量时间序列的第一调整时间序列；
第二调整序列确定单元，用于基于各所述第一调整时间序列确定第二调整序列；
第三调整单元，用于根据所述第二调整序列，对所述初始预测的电量时间序列进行调整，得到电量时间序列的预测结果。
图5示例了一种电子设备的实体结构示意图，如图5所示，该电子设备可以包括：处理器(processor)510、通信接口(Communications Interface)520、存储器(memory)530和通信总线540，其中，处理器510，通信接口520，存储器530通过通信总线540完成相互间的通信。处理器510可以调用存储器530中的逻辑指令，以执行时间序列预测方法。
此外，上述的存储器530中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的时间序列预测方法。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种时间序列预测方法，其特征在于，包括：
获取待预测用户的历史电量时间序列；
将所述待预测用户的待预测周期输入时间序列预测模型，得到初始预测的电量时间序列，所述时间序列预测模型是基于预处理后的历史电量时间序列训练得到的；
基于所述历史电量时间序列对所述初始预测的电量时间序列进行调整，得到电量时间序列的预测结果。
2.根据权利要求1所述的时间序列预测方法，其特征在于，对所述历史电量时间序列进行预处理包括：
对所述历史电量时间序列中的目标指数进行曲线拟合，得到所述目标指数的初始拟合曲线；
基于所述初始拟合曲线，确定所述目标指数中各数值的初始离散程度；
基于所述初始离散程度确定所述目标指数中的待处理数值，对所述待处理数值进行预处理。
3.根据权利要求2所述的时间序列预测方法，其特征在于，所述基于所述初始离散程度确定所述目标指数中的待处理数值，对所述待处理数值进行预处理包括：
基于所述初始离散程度确定所述目标指数的离散程度阈值；
确定所述目标指数中的待处理数值，所述待处理数值的初始离散程度大于所述离散程度阈值；
基于所述待处理数值的初始离散程度，对所述待处理数值进行替换处理。
4.根据权利要求3所述的时间序列预测方法，其特征在于，所述基于所述待处理数值的初始离散程度，对所述待处理数值进行替换处理之后包括：
基于替换处理后的目标指数，再次进行曲线拟合得到目标拟合曲线；
在基于所述目标拟合曲线确定所述替换处理后的目标指数中不存在待处理的数值的情况下，确定完成所述历史电量时间序列的预处理。
5.根据权利要求1所述的时间序列预测方法，其特征在于，所述基于所述历史电量时间序列对所述初始预测的电量时间序列进行调整，得到电量时间序列的预测结果包括：
获取所述历史电量时间序列中与所述待预测周期对应的电量时间序列，得到目标电量时间序列集；
确定所述目标电量时间序列集中各电量时间序列的最大值和最小值；
基于所述最大值和所述最小值，对所述初始预测的电量时间序列进行调整，得到电量时间序列的预测结果。
6.根据权利要求5所述的时间序列预测方法，其特征在于，所述基于所述最大值和所述最小值，对所述初始预测的电量时间序列进行调整，得到电量时间序列的预测结果包括：
基于所述最大值和所述最小值，确定所述目标电量时间序列集中各电量时间序列的概率分布；
根据所述概率分布确定各所述电量时间序列的信息熵；
基于所述信息熵确定各所述电量时间序列的权重；
根据各所述电量时间序列的权重，对所述初始预测的电量时间序列进行调整，得到电量时间序列的预测结果。
7.根据权利要求6所述的时间序列预测方法，其特征在于，所述根据各所述电量时间序列的权重，对所述初始预测的电量时间序列进行调整，得到电量时间序列的预测结果包括：
基于各所述电量时间序列的权重，确定各所述电量时间序列的第一调整时间序列；
基于各所述第一调整时间序列确定第二调整序列；
根据所述第二调整序列，对所述初始预测的电量时间序列进行调整，得到电量时间序列的预测结果。
8.一种时间序列预测装置，其特征在于，包括：
历史电量时间序列获取模块，用于获取待预测用户的历史电量时间序列；
电量时间序列初始预测模块，用于将所述待预测用户的待预测周期输入时间序列预测模型，得到初始预测的电量时间序列，所述时间序列预测模型是基于预处理后的历史电量时间序列训练得到的；
电量时间序列调整模块，用于基于所述历史电量时间序列对所述初始预测的电量时间序列进行调整，得到电量时间序列的预测结果。
9.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至7任一项所述时间序列预测方法。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述时间序列预测方法。
CN202311293680.6A 2023-10-08 2023-10-08 时间序列预测方法、装置、设备及可读存储介质 Pending CN117556935A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311293680.6A CN117556935A (zh) 2023-10-08 2023-10-08 时间序列预测方法、装置、设备及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311293680.6A CN117556935A (zh) 2023-10-08 2023-10-08 时间序列预测方法、装置、设备及可读存储介质

Publications (1)

Publication Number Publication Date
CN117556935A true CN117556935A (zh) 2024-02-13

Family

ID=89822227

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311293680.6A Pending CN117556935A (zh) 2023-10-08 2023-10-08 时间序列预测方法、装置、设备及可读存储介质

Country Status (1)

Country Link
CN (1) CN117556935A (zh)

Similar Documents

Publication Publication Date Title
CN116307215A (zh) 一种电力***的负荷预测方法、装置、设备及存储介质
CN111625516A (zh) 检测数据状态的方法、装置、计算机设备和存储介质
CN113868953B (zh) 工业***中多机组运行优化方法、装置、***及存储介质
CN113705929B (zh) 一种基于负荷特征曲线及典型特征值融合的春节假期负荷预测方法
CN110610226A (zh) 一种发电机故障预测方法及装置
CN114978956A (zh) 智慧城市网络设备性能异常突变点检测方法及装置
CN111025041A (zh) 电动汽车充电桩监测方法及其***、计算机设备、介质
CN111582394B (zh) 一种群体评估方法、装置、设备及介质
CN113469570A (zh) 信息质量评价模型构建方法、装置、设备及存储介质
CN113987027A (zh) 一种基于故障预测的设备状态确定方法、装置及介质
CN113151842A (zh) 风光互补电解水制氢的转化效率的确定方法和确定装置
CN111080037A (zh) 一种基于深度神经网络的短期电力负荷预测方法及装置
CN117556935A (zh) 时间序列预测方法、装置、设备及可读存储介质
CN115204501A (zh) 企业评估方法、装置、计算机设备和存储介质
CN111832840B (zh) 基于可微成本函数的超短期风电功率区间预测方法、装置
CN114971736A (zh) 电力计量物资需求预测方法、装置、电子设备和存储介质
CN114363004A (zh) 风险评估方法、装置、计算机设备和存储介质
CN113610225A (zh) 质量评估模型训练方法、装置、电子设备及存储介质
CN113379455B (zh) 订单量预测方法和设备
CN111582498B (zh) 基于机器学习的qa辅助决策方法及***
CN117132176B (zh) 基于预报因子筛选的径流预报模型构建和径流预报方法
CN112104467B (zh) 割接操作风险评级方法、装置及计算设备
CN115146997A (zh) 基于电力数据的评估方法、装置、电子设备及存储介质
CN115713360A (zh) 一种电力市场运营风险预测方法、装置及存储介质
CN116539994A (zh) 基于多源时间序列数据的变电站主设备运行状态检测方法

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