JP2022510667A

JP2022510667A - エネルギー消費量を予測するための方法および装置

Info

Publication number: JP2022510667A
Application number: JP2021531541A
Authority: JP
Inventors: リウ，ポン; マ，ヤーズ
Original assignee: Yangzhong Intelligent Electrical Institute North China Electric Power University
Current assignee: Yangzhong Intelligent Electrical Institute North China Electric Power University
Priority date: 2018-12-12
Filing date: 2018-12-12
Publication date: 2022-01-27
Also published as: WO2020118586A1

Abstract

本発明は、エネルギー消費量を予測するための方法および装置を開示する。前記方法は、取得された第１のデータを事前トレーニングされたＡＲＩＭＡモデルに入力し、取得された第２のデータを事前トレーニングされたＳＶＭモデルに入力するステップと、ＡＲＩＭＡモデルに基づき、エネルギー消費量の第１の予測値を決定し、ＳＶＭモデルに基づき、エネルギー消費量の第２の予測値を決定するステップと、エネルギー消費量の第１の予測値およびエネルギー消費量の第２の予測値に基づき、第１の予測時間内のターゲットエネルギー消費量予測値を決定するステップとを備える。エネルギー消費量予測を行う場合、ＡＲＩＭＡモデルに基づき、エネルギー消費量の第１の予測値を決定し、ＳＶＭモデルに基づき、エネルギー消費量の第２の予測値を決定する。ＡＲＩＭＡモデルに基づいて決定されたエネルギー消費量の第１の予測値およびＳＶＭモデルに基づいて決定されたエネルギー消費量の第２の予測値と組み合わせて、ターゲットエネルギー消費量予測値を決定する。ＡＲＩＭＡモデルおよびＳＶＭモデルのメリットを利用して、決定されたターゲットエネルギー消費量予測値をより正確にする。
【選択図】図１

Description

本発明は、エネルギー消費量を予測する技術分野に関し、特にエネルギー消費量を予測するための方法および装置に関する。

中国の都市化が急速に進むにつれ、建物の総量は増え続ける必要があり、建物のエネルギー消費量の割合の増加は開発の必然的な傾向である。我が国の建物の平方メートルあたりのエネルギー消費量は、同様の気候の先進国の約３倍である。持続的かつ急速な経済成長に伴い、我が国の建物のエネルギー消費量も増加している。中国は、エネルギーを消費量する３つの主要国であり、エネルギー不足の問題はますます顕著になっている。中国では、建物のエネルギー消費量を正確に予測する方法が緊急の問題になっている。

現在の建物のエネルギー消費量予測技術は、一般に、エネルギー消費量予測のためのＳＶＭモデル、またはエネルギー消費量予測のための改良されたＳＶＭモデルに基づいている。しかしながら、従来技術では、エネルギー消費量予測を行う場合、時系列問題を考慮していないため、従来技術でのエネルギー消費量予測の精度は低い。

本発明の実施形態は、先行技術におけるエネルギー消費量を正確に予測できない問題を解決するためのエネルギー消費量を予測するための方法および装置を提供する。

本発明の実施形態に係るエネルギー消費量を予測するための方法は、
第１の時間内に取得された第１のデータを事前トレーニングされた自己回帰和分移動平均（ＡｕｔｏｒｅｇｒｅｓｓｉｖｅＩｎｔｅｇｒａｔｅｄＭｏｖｉｎｇＡｖｅｒａｇｅＭｏｄｅｌ，ＡＲＩＭＡ）モデルに入力し、前記第１の時間内に取得された第２のデータを事前トレーニングされたサポートベクターマシン（ＳｕｐｐｏｒｔＶｅｃｔｏｒＭａｃｈｉｎｅ，ＳＶＭ）モデルに入力するステップと、
前記ＡＲＩＭＡモデルに基づき、エネルギー消費量の第１の予測値を決定し、前記ＳＶＭモデルに基づき、エネルギー消費量の第２の予測値を決定するステップと、
前記エネルギー消費量の第１の予測値およびエネルギー消費量の第２の予測値に基づき、第１の予測時間内のターゲットエネルギー消費量予測値を決定するステップと、
を備える。

さらに、前記エネルギー消費量の第１の予測値およびエネルギー消費量の第２の予測値に基づき、第１の予測時間内のターゲットエネルギー消費量予測値を決定するステップは、
エネルギー消費量の最新の実際の値を決定するステップと、
前記エネルギー消費量の第１の予測値およびエネルギー消費量の実際の値に基づき、第１の予測誤差を決定し、前記エネルギー消費量の第２の予測値およびエネルギー消費量の実際の値に基づき、第２の予測誤差を決定するステップと、
前記第１の予測誤差および第２の予測誤差に基づき、エネルギー消費量の第１の予測値に対応する第１の重みおよびエネルギー消費量の第２の予測値に対応する第２の重みを決定するステップと、
前記第１の重みおよび第２の重みに基づき、前記エネルギー消費量の第１の予測値およびエネルギー消費量の第２の予測値に対して加重平均処理を行い、ターゲットエネルギー消費量予測値を決定するステップと、を備える。

さらに、前記ＡＲＩＭＡモデルのトレーニングプロセスは、
第１のトレーニングセットの第２の時間内の第３のデータごとに、前記第２の時間内の第３のデータおよび前記第２の時間に対応する第２の予測時間内のエネルギー消費量の実際の値をＡＲＩＭＡモデルに入力し、前記ＡＲＩＭＡモデルをトレーニングすることを含む。

さらに、前記ＳＶＭモデルのトレーニングプロセスは、
第２のトレーニングセットの第２の時間内の第４のデータごとに、前記第２の時間内の第４のデータおよび前記第２の時間に対応する第２の予測時間内のエネルギー消費量の実際の値をＳＶＭモデルに入力し、前記ＳＶＭモデルをトレーニングすることを含む。

さらに、前記第１のデータおよび第３のデータは、エネルギー消費量値を含む。

さらに、前記第２のデータおよび第４のデータは、エネルギー消費量値および気象データを含む。

他方、本発明の実施形態に係るエネルギー消費量を予測するための装置は、
第１の時間内に取得された第１のデータを事前トレーニングされた自己回帰和分移動平均（ＡｕｔｏｒｅｇｒｅｓｓｉｖｅＩｎｔｅｇｒａｔｅｄＭｏｖｉｎｇＡｖｅｒａｇｅＭｏｄｅｌ，ＡＲＩＭＡ）モデルに入力し、前記第１の時間内に取得された第２のデータを事前トレーニングされたサポートベクターマシン（ＳｕｐｐｏｒｔＶｅｃｔｏｒＭａｃｈｉｎｅ，ＳＶＭ）モデルに入力するように構成された入力モジュールと、
前記ＡＲＩＭＡモデルに基づき、エネルギー消費量の第１の予測値を決定し、前記ＳＶＭモデルに基づき、エネルギー消費量の第２の予測値を決定するように構成された第１の決定モジュールと、
前記エネルギー消費量の第１の予測値およびエネルギー消費量の第２の予測値に基づき、第１の予測時間内のターゲットエネルギー消費量予測値を決定するように構成された第２の決定モジュールと、を備える。

さらに、前記第２の決定モジュールは、具体的に、エネルギー消費量の最新の実際の値を決定し、前記エネルギー消費量の第１の予測値およびエネルギー消費量の実際の値に基づき、第１の予測誤差を決定し、前記エネルギー消費量の第２の予測値およびエネルギー消費量の実際の値に基づき、第２の予測誤差を決定し、前記第１の予測誤差および第２の予測誤差に基づき、エネルギー消費量の第１の予測値に対応する第１の重みおよびエネルギー消費量の第２の予測値に対応する第２の重みを決定し、前記第１の重みおよび第２の重みに基づき、前記エネルギー消費量の第１の予測値およびエネルギー消費量の第２の予測値に対して加重平均処理を行い、ターゲットエネルギー消費量予測値を決定する。

さらに、前記装置は、第１のトレーニングセットの第２の時間内の第３のデータごとに、前記第２の時間内の第３のデータおよび前記第２の時間に対応する第２の予測時間内のエネルギー消費量の実際の値をＡＲＩＭＡモデルに入力し、前記ＡＲＩＭＡモデルをトレーニングするように構成された第１のトレーニングモジュールをさらに備える。

さらに、前記装置は、第２のトレーニングセットの第２の時間内の第４のデータごとに、前記第２の時間内の第４のデータおよび前記第２の時間に対応する第２の予測時間内のエネルギー消費量の実際の値をＳＶＭモデルに入力し、前記ＳＶＭモデルをトレーニングするように構成された第２のトレーニングモジュールをさらに備える。

本発明の実施形態は、エネルギー消費量を予測するための方法および装置を提供する。この方法は、第１の時間内に取得された第１のデータを事前トレーニングされた自己回帰和分移動平均（ＡｕｔｏｒｅｇｒｅｓｓｉｖｅＩｎｔｅｇｒａｔｅｄＭｏｖｉｎｇＡｖｅｒａｇｅＭｏｄｅｌ，ＡＲＩＭＡ）モデルに入力し、前記第１の時間内に取得された第２のデータを事前トレーニングされたサポートベクターマシン（ＳｕｐｐｏｒｔＶｅｃｔｏｒＭａｃｈｉｎｅ，ＳＶＭ）モデルに入力するステップと、前記ＡＲＩＭＡモデルに基づき、エネルギー消費量の第１の予測値を決定し、前記ＳＶＭモデルに基づき、エネルギー消費量の第２の予測値を決定するステップと、前記エネルギー消費量の第１の予測値およびエネルギー消費量の第２の予測値に基づき、第１の予測時間内のターゲットエネルギー消費量予測値を決定するステップとを備える。

本発明の実施形態では、エネルギー消費量予測を行う場合、ＡＲＩＭＡモデルに基づき、エネルギー消費量の第１の予測値を決定し、ＳＶＭモデルに基づき、エネルギー消費量の第２の予測値を決定する。ＡＲＩＭＡモデルは時系列にうまく適合でき、ＳＶＭモデルは、小さなサンプル、非線形、および高次元のパターン認識問題にうまく適用でき、ＡＲＩＭＡモデルに基づいて決定されたエネルギー消費量の第１の予測値およびＳＶＭモデルに基づいて決定されたエネルギー消費量の第２の予測値と組み合わせて、ターゲットエネルギー消費量予測値を決定する。ＡＲＩＭＡモデルとＳＶＭモデルの利点を最大限に活用して、決定されたターゲットエネルギー消費量の予測をより正確にする。

本発明に係る実施例や従来の技術方案をより明確に説明するために、以下に実施例を説明するために必要な図面をについて簡単に紹介する。無論、以下の説明における図面は本発明に係る実施例の一部であり、当業者は、創造性作業を行わないことを前提として、これらの図面に基づいて他の図面を得ることができる。

本発明の実施形態１により提供されるエネルギー消費量予測プロセスの概略図である。本発明の実施形態２により提供されるターゲットエネルギー消費量予測値を決定する概略図である。本発明の実施形態２により提供されるエネルギー消費量予測プロセスの概略図である。本発明の実施形態により提供されるエネルギー消費量を予測するための装置の概略構造図である。

本発明に係る実施例の目的、技術案及びメリットをより明確にするため、以下、本発明に係る実施例の図面を参考しながら、本発明に係る実施例の技術案を明確かつ完全に説明する。説明した実施例は本発明の一部の実施例にすぎず、全部の実施例ではないのは明らかである。本発明の実施例に基づき、当業者は、創造性作業を行わない限りに得られた他の実施例は、全部本発明の保護範囲に属する。

実施形態１：
図１は、本発明の実施形態によって提供されるエネルギー消費量予測プロセスの概略図である。このプロセスは、以下のステップを含む。

Ｓ１０１：第１の時間内に取得された第１のデータを事前トレーニングされた自己回帰和分移動平均（ＡｕｔｏｒｅｇｒｅｓｓｉｖｅＩｎｔｅｇｒａｔｅｄＭｏｖｉｎｇＡｖｅｒａｇｅＭｏｄｅｌ，ＡＲＩＭＡ）モデルに入力し、前記第１の時間内に取得された第２のデータを事前トレーニングされたサポートベクターマシン（ＳｕｐｐｏｒｔＶｅｃｔｏｒＭａｃｈｉｎｅ，ＳＶＭ）モデルに入力する。

Ｓ１０２：前記ＡＲＩＭＡモデルに基づき、エネルギー消費量の第１の予測値を決定し、前記ＳＶＭモデルに基づき、エネルギー消費量の第２の予測値を決定する。

Ｓ１０３：前記エネルギー消費量の第１の予測値およびエネルギー消費量の第２の予測値に基づき、第１の予測時間内のターゲットエネルギー消費量予測値を決定する。

本発明の実施形態によって提供されるエネルギー消費量を予測するための方法は、電子デバイスに適用され、当該電子デバイスは、ＰＣまたはタブレットコンピュータなどのデバイスであり得る。本発明の実施形態によって提供されるエネルギー消費量を予測するための方法は、大規模な公共建築物のエネルギー消費量予測を含むが、これに限定されない。

電子デバイスは、第１のデータと第２のデータを第１の時間内に取得することができ、第１の時間は３日、４日などであり得、第１のデータは第１の時間内のエネルギー消費量であり得る。第２のデータは、第１のデータと同じでも異なっていてもよい。第２のデータが第１のデータと異なる場合、第２のデータは、第１の時間内のエネルギー消費量および第１の時間内の気象データであり得る。ここで、気象データは、毎日の平均気温、平均湿度、およびその他のデータである可能性がある。

事前にトレーニングされた自己回帰和分移動平均（ＡｕｔｏｒｅｇｒｅｓｓｉｖｅＩｎｔｅｇｒａｔｅｄＭｏｖｉｎｇＡｖｅｒａｇｅＭｏｄｅｌ，ＡＲＩＭＡ）モデルとサポートベクターマシン（ＳｕｐｐｏｒｔＶｅｃｔｏｒＭａｃｈｉｎｅ，ＳＶＭ）モデルが電子デバイスに保存される。電子デバイスは、第１の時間内に第１のデータと第２のデータを取得した後、第１のデータをＡＲＩＭＡモデルに入力し、第２のデータをＳＶＭモデルに入力する。ＡＲＩＭＡモデルは時系列にうまく適合でき、ＳＶＭモデルは、小さなサンプル、非線形、および高次元のパターン認識問題にうまく適用できるため、ＡＲＩＭＡモデルに基づいて決定されたエネルギー消費量の第１の予測値は、時系列にうまく適用され、ＳＶＭモデルに基づいて決定されたエネルギー消費量の第２の予測値は、小さなサンプル、非線形、および高次元のパターン認識問題に適用できる。

電子デバイスは、エネルギー消費量の第１の予測値およびエネルギー消費量の第２の予測値を決定した後、エネルギー消費量の第１の予測値およびエネルギー消費量の第２の予測値に基づき、第１の予測時間内のターゲットエネルギー消費量予測値を決定する。ここで、第１の予測時間は、第１の時間後の第１の日、または第１の時間後の２日目などである。たとえば、第１の時間は２０１８年１０月１日から２０１８年１０月３日までであり、第１の予測時間は２０１８年１０月４日または２０１８年１０月５日である。具体的には、第１の時間と第１の予測時間の間の対応する関係は、トレーニングされたＡＲＩＭＡモデルとＳＶＭモデルによって決定される。ＡＲＩＭＡモデルとＳＶＭモデルをトレーニングする場合、予測が第１の時間後の第１の日である場合、第１の予測時間も第１の時間後の第１の日である。ＡＲＩＭＡモデルとＳＶＭモデルをトレーニングする場合、予測は第１の時間後の２日目である場合、第１の予測時間は第１の時間後の２日目である。

電子デバイスエネルギー消費量の第１の予測値およびエネルギー消費量の第２の予測値に基づき、第１の予測時間内のターゲットエネルギー消費量予測値を決定することは、具体的に、エネルギー消費量の第１の予測値およびエネルギー消費量の第２の予測値の平均値を第１の予測時間内のターゲットエネルギー消費量予測値とするが、経験によってエネルギー消費量の第１の予測値およびエネルギー消費量の第２の予測値の重要性を決定することもできる。重要性の度合いに応じてエネルギー消費量の第１の予測値およびエネルギー消費量の第２の予測値に対応する重みを割り当てる。重要性が高いほど、対応する重みも大きくなる。次に、エネルギー消費量の第１の予測値、エネルギー消費量の第２の予測値、および対応する重みに基づき、加重平均計算を実行して、第１の予測時間内のターゲットエネルギー消費量予測値を取得する。

実施形態２：
決定されたターゲットエネルギー消費量予測値をより正確にするために、前述の実施形態に基づいて、本発明の実施形態において、前記エネルギー消費量の第１の予測値およびエネルギー消費量の第２の予測値に基づき、第１の予測時間内のターゲットエネルギー消費量予測値を決定することは、
エネルギー消費量の最新の実際の値を決定することと、
前記エネルギー消費量の第１の予測値およびエネルギー消費量の実際の値に基づき、第１の予測誤差を決定し、前記エネルギー消費量の第２の予測値およびエネルギー消費量の実際の値に基づき、第２の予測誤差を決定することと、
前記第１の予測誤差および第２の予測誤差に基づき、エネルギー消費量の第１の予測値に対応する第１の重みおよびエネルギー消費量の第２の予測値に対応する第２の重みを決定することと、
前記第１の重みおよび第２の重みに基づき、前記エネルギー消費量の第１の予測値およびエネルギー消費量の第２の予測値に対して加重平均処理を行い、ターゲットエネルギー消費量予測値を決定することと、を含む。

本発明の実施形態において、電子デバイスは、エネルギー消費量の第１の予測値およびエネルギー消費量の第２の予測値を決定した後、第１の予測時間内のターゲットエネルギー消費量予測値を正確に決定できるようにするために、最初にエネルギー消費量の最新の実際の値を決定する。たとえば、２０１８年１０月４日のエネルギー消費量値を予測する場合、エネルギー消費量の最新の実際の値は、２０１８年１０月３日のエネルギー消費量の実際の値である可能性がある。

電子デバイスは、エネルギー消費量の第１の予測値およびエネルギー消費量の実際の値に基づき、第１の予測誤差を決定し、エネルギー消費量の第２の予測値およびエネルギー消費量の実際の値に基づき、第２の予測誤差を決定する。具体的には、電子デバイスは、エネルギー消費量の実際の値とエネルギー消費量の第１の予測値との差を第１の予測誤差として計算し、エネルギー消費量の実際の値とエネルギー消費量の第２の予測値との差を第２の予測誤差として計算する。決定された第１の予測誤差または第２の予測誤差が負の値である場合、第１の予測誤差または第２の予測誤差の絶対値が取られ、第１の予測誤差と第２の予測誤差が正であることを保証する。

電子デバイスは、第１の予測誤差および第２の予測誤差に基づき、エネルギー消費量の第１の予測値に対応する第１の重みおよびエネルギー消費量の第２の予測値に対応する第２の重みを決定する。具体的には、第１の予測誤差と第２の予測誤差の合計を計算することができ、次に、合計に対する第１の予測誤差の比率を第１の重みとして計算することができ、合計に対する第２の予測誤差の比率を第２の重みとして計算することができる。第１の重みと第２の重みが決定された後、第１の重みと第２の重みは、第１のエネルギー消費量予測値と第２のエネルギー消費量予測値に対して加重平均処理を実行して、ターゲットエネルギー消費量予測値を決定するために使用される。

さらに、第１の予測誤差と第２の予測誤差の合計が計算された後、第１の中間パラメーターとして合計と第１の予測誤差との比を第１の中間パラメーターとして計算でき、および合計と第２の予測誤差との比を第２の中間パラメーターとして計算できる。第１の中間パラメーターと第２の中間パラメーターの合計を計算し、次に第１の重みとして合計に対する第１の中間パラメーターの比率を計算し、第２の重みとして合計に対する第２の中間パラメーターの比率を計算する。第１の重みと第２の重みが決定された後、第１の重みと第２の重みは、第１のエネルギー消費量予測値と第２のエネルギー消費量予測値に対して加重平均処理を実行して、ターゲットエネルギー消費量予測値を決定するために使用される。

図２は、本発明の実施形態によって提供されるターゲットエネルギー消費量予測値を決定するための概略図である。図２に示すように、まず、エネルギー消費量の第１の予測値Ｐ１、エネルギー消費量の第２の予測値Ｐ２およびエネルギー消費量の最新の実際の値Ａｃｔを決定する。次に、第１の予測誤差Ｅ１＝｜Ａｃｔ－Ｐ１｜を計算し、第２の予測誤差Ｅ２＝｜Ａｃｔ－Ｐ２｜を計算する。次に、第１の予測誤差と第２の予測誤差の合計＝Ｅ１＋Ｅ２を計算する。第１の中間パラメーターは、α＝Ｓ／Ｅ１として計算され、第２の中間パラメーターは、β＝Ｓ／Ｅ２として計算される。第１の中間パラメーターと第２の中間パラメーターの合計α＋βを計算し、第１の重みをＷ１＝α／（α＋β）として計算し、第２の重みをＷ２＝β／（α＋β）として計算する。第１の重みＷ１および第２の重みＷ２が決定された後、ターゲットエネルギー消費量予測値は、Ｏｕｔ＝Ｗ１×Ｐ１＋Ｗ２×Ｐ２であると決定される。

本発明の実施形態において、電子デバイスは、エネルギー消費量の第１の予測値およびエネルギー消費量の実際の値に基づき、第１の予測誤差を決定し、エネルギー消費量の第２の予測値およびエネルギー消費量の実際の値に基づき、第２の予測誤差を決定し、次に、第１の予測誤差および第２の予測誤差に基づき、エネルギー消費量の第１の予測値に対応する第１の重みおよびエネルギー消費量の第２の予測値に対応する第２の重みを決定する。最後に、第１の重みおよび第２の重みに基づき、エネルギー消費量の第１の予測値およびエネルギー消費量の第２の予測値に対して加重平均処理を行い、ターゲットエネルギー消費量予測値を決定する。したがって、決定されたターゲットエネルギー消費量の予測をより正確にすることができる。

図３は、本発明の実施形態によって提供されるエネルギー消費量予測プロセスの概略図である。図３に示されるように、第１の時間内に取得された第１のデータおよび第２のデータに干渉データがあり得るので、干渉データは、最後に、決定されたターゲットエネルギー消費量予測値の正確さに決定し、決定されたターゲットエネルギー消費量予測値をより正確にするために、第１のデータをＡＲＩＭＡモデルに入力し、第２のデータをＳＶＭモデルに入力する前に、第１のデータおよび第２のデータをクレンジングする必要がある。具体的には、小さい第１の閾値と大きい第２の閾値を電子デバイスに格納することができ、第１データと第２データのうち、第１の閾値より小さく第２の閾値より大きいデータを干渉データとみなし、干渉データを第１のデータと第２のデータからフィルターで除外し、残りの第１のデータをＡＲＩＭＡモデルに入力し、残りの第２のデータをＳＶＭモデルに入力する。ＡＲＩＭＡモデルに基づいて第１のエネルギー消費量予測値を取得し、ＳＶＭモデルに基づいて第２のエネルギー消費量予測値を取得し、エネルギー消費量の第１の予測値に対応する第１の重みおよびエネルギー消費量の第２の予測値に対応する第２の重みを計算する。第１の重みおよび第２の重みに基づき、エネルギー消費量の第１の予測値およびエネルギー消費量の第２の予測値に対して加重平均処理を行い、ターゲットエネルギー消費量予測値を決定する。

実施形態３：
前述の実施形態に基づいて、本発明の実施形態において、前記ＡＲＩＭＡモデルのトレーニングプロセスは、第１のトレーニングセットの第２の時間内の第３のデータごとに、前記第２の時間内の第３のデータおよび前記第２の時間に対応する第２の予測時間内のエネルギー消費量の実際の値をＡＲＩＭＡモデルに入力し、前記ＡＲＩＭＡモデルをトレーニングすることを含む。

本発明の実施形態では、ＡＲＩＭＡモデルをトレーニングするために使用されるトレーニングセットが第１のトレーニングセットとして取られ、第１のトレーニングセットのデータが第３のデータとして取られる。第１のデータおよび第３のデータは、エネルギー消費量値を含む。電子デバイスは、第１のトレーニングセットの第３のデータを第２の時間ごとに第３のデータに分割する。第２の時間はたとえば３日であり、第１のトレーニングセットの第３のデータは２０１８年１月１日に分割できる。２０１８年１月３日から２０１８年１月３日までの第３のデータ、２０１８年１月２日から２０１８年１月４日までの第３のデータ、２０１８年１月３日から２０１８年１月４日までの第３のデータなど。次に、第２の時間長ごとに、前記第２の時間に対応する第２の予測時間が決定される。具体的には、前記第２の時間に対応する第２の予測時間、事前に設定されている限り、第２の時間の翌日であっても、第２の時間後の２番目の日であってもよい。

たとえば、２０１８年１月１日から２０１８年１月３日に対応する第２の予測時間は２０１８年１月４日であり、２０１８年１月２日から２０１８年１月４日に対応する第２の予測時間は２０１８年１月５日であり、など。

ＡＲＩＭＡモデルをトレーニングする場合、第１のトレーニングセットの第２の時間内の第３のデータごとに、前記第２の時間内の第３のデータ、および前記第２の時間に対応する第２の予測時間内のエネルギー消費量の実際の値をＡＲＩＭＡモデルに入力する。ＡＲＩＭＡモデルのパラメーターは、ＡＲＩＭＡモデルのトレーニングが完了するまでＡＲＩＭＡモデルによって出力された第２の予測時間内のエネルギー消費量予測値とエネルギー消費量の実際の値との差に応じて調整される。

実施形態４：
前述の実施形態に基づいて、本発明の実施形態において、前記ＳＶＭモデルのトレーニングプロセスは、第２のトレーニングセットの第２の時間内の第４のデータごとに、前記第２の時間内の第４のデータおよび前記第２の時間に対応する第２の予測時間内のエネルギー消費量の実際の値をＳＶＭモデルに入力し、前記ＳＶＭモデルをトレーニングすることである。

本発明の実施形態において、ＳＶＭモデルのトレーニングのためのトレーニングセットを第２のトレーニングセットとし、第２のトレーニングセットのデータを第４のデータとする。第２のデータおよび第４のデータは、エネルギー消費量値および気象データを含む。

電子デバイスは、第２のトレーニングセットの第３のデータを第２の時間ごとに第４のデータに分割する。第２の時間はたとえば３日で、第２のトレーニングセットの第４のデータは２０１８年１月１日から２０１８年１月３日までの第３のデータ、２０１８年１月２日から２０１８年１月４日までの第３のデータ、２０１８年１月３日から２０１８年１月４日までの第３のデータなど。次に、第２の時間ごとに、前記第２の時間長に対応する第２の予測時間が決定される。具体的には、第２の時間長に対応する第２の予測時間は、事前に設定されている限り、第２の時間後の翌日であっても、第２の時間後の２番目の日であってもよい。

ＳＶＭモデルをトレーニングする場合、第２のトレーニングセットの第２の時間内の第４のデータごとに、前記第２の時間内の第４のデータ、および前記第２の時間に対応する第２の予測時間内のエネルギー消費量の実際の値をＳＶＭモデルに入力する。ＳＶＭモデルのパラメーターは、ＳＶＭモデルのトレーニングが完了するまで、ＳＶＭモデルによって出力された第２の予測時間内のエネルギー消費量予測値とエネルギー消費量の実際の値との差に応じて調整される。

ここで、ＡＲＩＭＡモデルとＳＶＭモデルをトレーニングするプロセスは先行技術に属し、プロセスはここでは繰り返されない。

図４は、本発明の実施形態によって提供されるエネルギー消費量を予測するための装置の概略構造図であり、前記装置は、
第１の時間内に取得された第１のデータを事前トレーニングされた自己回帰和分移動平均（ＡｕｔｏｒｅｇｒｅｓｓｉｖｅＩｎｔｅｇｒａｔｅｄＭｏｖｉｎｇＡｖｅｒａｇｅＭｏｄｅｌ，ＡＲＩＭＡ）モデルに入力し、前記第１の時間内に取得された第２のデータを事前トレーニングされたサポートベクターマシン（ＳｕｐｐｏｒｔＶｅｃｔｏｒＭａｃｈｉｎｅ，ＳＶＭ）モデルに入力するように構成された入力モジュール４１と、
前記ＡＲＩＭＡモデルに基づき、エネルギー消費量の第１の予測値を決定し、前記ＳＶＭモデルに基づき、エネルギー消費量の第２の予測値を決定するように構成された第１の決定モジュール４２と、
前記エネルギー消費量の第１の予測値およびエネルギー消費量の第２の予測値に基づき、第１の予測時間内のターゲットエネルギー消費量予測値を決定するように構成された第２の決定モジュール４３とを備える。

前記第２の決定モジュール４３は、エネルギー消費量の最新の実際の値を決定し、前記エネルギー消費量の第１の予測値およびエネルギー消費量の実際の値に基づき、第１の予測誤差を決定し、前記エネルギー消費量の第２の予測値およびエネルギー消費量の実際の値に基づき、第２の予測誤差を決定し、前記第１の予測誤差および第２の予測誤差に基づき、エネルギー消費量の第１の予測値に対応する第１の重みおよびエネルギー消費量の第２の予測値に対応する第２の重みを決定し、前記第１の重みおよび第２の重みに基づき、前記エネルギー消費量の第１の予測値およびエネルギー消費量の第２の予測値に対して加重平均処理を行い、ターゲットエネルギー消費量予測値を決定するように構成される。

前記装置は、第１のトレーニングセットの第２の時間内の第３のデータごとに、前記第２の時間内の第３のデータおよび前記第２の時間に対応する第２の予測時間内のエネルギー消費量の実際の値をＡＲＩＭＡモデルに入力し、前記ＡＲＩＭＡモデルをトレーニングするように構成された第１のトレーニングモジュール４４をさらに備える。

前記装置は、第２のトレーニングセットの第２の時間内の第４のデータごとに、前記第２の時間内の第４のデータおよび前記第２の時間に対応する第２の予測時間内のエネルギー消費量の実際の値をＳＶＭモデルに入力し、前記ＳＶＭモデルをトレーニングするように構成された第２のトレーニングモジュール４５をさらに備える。

本発明の実施形態は、エネルギー消費量を予測するための方法および装置を提供する。前記方法は、第１の時間内に取得された第１のデータを事前トレーニングされた自己回帰和分移動平均（ＡｕｔｏｒｅｇｒｅｓｓｉｖｅＩｎｔｅｇｒａｔｅｄＭｏｖｉｎｇＡｖｅｒａｇｅＭｏｄｅｌ，ＡＲＩＭＡ）モデルに入力し、前記第１の時間内に取得された第２のデータを事前トレーニングされたサポートベクターマシン（ＳｕｐｐｏｒｔＶｅｃｔｏｒＭａｃｈｉｎｅ，ＳＶＭ）モデルに入力するステップと、前記ＡＲＩＭＡモデルに基づき、エネルギー消費量の第１の予測値を決定し、前記ＳＶＭモデルに基づき、エネルギー消費量の第２の予測値を決定するステップと、前記エネルギー消費量の第１の予測値およびエネルギー消費量の第２の予測値に基づき、第１の予測時間内のターゲットエネルギー消費量予測値を決定するステップとを備える。

以上は本発明の実施形態の方法、装置（システム）、およびコンピュータプログラム製品のフロー図および／またはブロック図によって、本発明を記述した。理解すべきことは、コンピュータプログラム指令によって、フロー図および／またはブロック図における各フローおよび／またはブロックと、フロー図および／またはブロック図におけるフローおよび／またはブロックの結合を実現できる。プロセッサはこれらのコンピュータプログラム指令を、汎用コンピュータ、専用コンピュータ、組込み式処理装置、或いは他のプログラム可能なデータ処理装置設備の処理装置器に提供でき、コンピュータ或いは他のプログラム可能なデータ処理装置のプロセッサは、これらのコンピュータプログラム指令を実行し、フロー図における一つ或いは複数のフローおよび／またはブロック図における一つ或いは複数のブロックに指定する機能を実現する。

これらのコンピュータプログラム指令は、又、コンピュータ或いは他のプログラム可能なデータ処理装置を特定方式で動作させるコンピュータ読取記憶装置に記憶できる。これによって、指令を含む装置は当該コンピュータ読取記憶装置内の指令を実行でき、フロー図における一つ或いは複数のフローおよび／またはブロック図における一つ或いは複数のブロックに指定する機能を実現する。

これらコンピュータプログラム指令はさらに、コンピュータ或いは他のプログラム可能なデータ処理装置設備に実装もできる。コンピュータプログラム指令が実装されたコンピュータ或いは他のプログラム可能設備は、一連の操作ステップを実行することによって、関連の処理を実現し、コンピュータ或いは他のプログラム可能な設備において実行される指令によって、フロー図における一つ或いは複数のフローおよび／またはブロック図における一つ或いは複数のブロックに指定する機能を実現する。

上述した実施形態に記述された技術的な解決手段を改造し、或いはその中の一部の技術要素を置換することもできる。そのような、改造と置換は本発明の各実施形態の技術の範囲から逸脱するとは見なされない。

無論、当業者によって、上述した実施形態に記述された技術的な解決手段を改造し、或いはその中の一部の技術要素を置換することもできる。そのような、改造と置換は本発明の各実施形態の技術の範囲から逸脱するとは見なされない。そのような改造と置換は、すべて本発明の請求の範囲に属する。

Claims

第１の時間内に取得された第１のデータを事前トレーニングされた自己回帰和分移動平均（ＡｕｔｏｒｅｇｒｅｓｓｉｖｅＩｎｔｅｇｒａｔｅｄＭｏｖｉｎｇＡｖｅｒａｇｅＭｏｄｅｌ，ＡＲＩＭＡ）モデルに入力し、前記第１の時間内に取得された第２のデータを事前トレーニングされたサポートベクターマシン（ＳｕｐｐｏｒｔＶｅｃｔｏｒＭａｃｈｉｎｅ，ＳＶＭ）モデルに入力するステップと、
前記ＡＲＩＭＡモデルに基づき、エネルギー消費量の第１の予測値を決定し、前記ＳＶＭモデルに基づき、エネルギー消費量の第２の予測値を決定するステップと、
前記エネルギー消費量の第１の予測値およびエネルギー消費量の第２の予測値に基づき、第１の予測時間内のターゲットエネルギー消費量予測値を決定するステップと、
を備えることを特徴とする、エネルギー消費量を予測するための方法。
前記エネルギー消費量の第１の予測値およびエネルギー消費量の第２の予測値に基づき、第１の予測時間内のターゲットエネルギー消費量予測値を決定するステップは、
エネルギー消費量の最新の実際の値を決定することと、
前記エネルギー消費量の第１の予測値およびエネルギー消費量の実際の値に基づき、第１の予測誤差を決定し、前記エネルギー消費量の第２の予測値およびエネルギー消費量の実際の値に基づき、第２の予測誤差を決定することと、
前記第１の予測誤差および第２の予測誤差に基づき、エネルギー消費量の第１の予測値に対応する第１の重みおよびエネルギー消費量の第２の予測値に対応する第２の重みを決定することと、
前記第１の重みおよび第２の重みに基づき、前記エネルギー消費量の第１の予測値およびエネルギー消費量の第２の予測値に対して加重平均処理を行い、ターゲットエネルギー消費量予測値を決定することと、
を含むことを特徴とする、請求項１に記載のエネルギー消費量を予測するための方法。
前記ＡＲＩＭＡモデルのトレーニングプロセスは、
第１のトレーニングセットの第２の時間内の第３のデータごとに、前記第２の時間内の第３のデータおよび前記第２の時間に対応する第２の予測時間内のエネルギー消費量の実際の値をＡＲＩＭＡモデルに入力し、前記ＡＲＩＭＡモデルをトレーニングすること、
を含むことを特徴とする、請求項１に記載のエネルギー消費量を予測するための方法。
前記ＳＶＭモデルのトレーニングプロセスは、
第２のトレーニングセットの第２の時間内の第４のデータごとに、前記第２の時間内の第４のデータおよび前記第２の時間に対応する第２の予測時間内のエネルギー消費量の実際の値をＳＶＭモデルに入力し、前記ＳＶＭモデルをトレーニングすること、
を含むことを特徴とする、請求項１に記載のエネルギー消費量を予測するための方法。
前記第１のデータおよび第３のデータは、エネルギー消費量値を含むことを特徴とする、請求項３に記載のエネルギー消費量を予測するための方法。
前記第２のデータおよび第４のデータは、エネルギー消費量値および気象データを含むことを特徴とする、請求項４に記載のエネルギー消費量を予測するための方法。
第１の時間内に取得された第１のデータを事前トレーニングされた自己回帰和分移動平均（ＡｕｔｏｒｅｇｒｅｓｓｉｖｅＩｎｔｅｇｒａｔｅｄＭｏｖｉｎｇＡｖｅｒａｇｅＭｏｄｅｌ，ＡＲＩＭＡ）モデルに入力し、前記第１の時間内に取得された第２のデータを事前トレーニングされたサポートベクターマシン（ＳｕｐｐｏｒｔＶｅｃｔｏｒＭａｃｈｉｎｅ，ＳＶＭ）モデルに入力するように構成された入力モジュールと、
前記ＡＲＩＭＡモデルに基づき、エネルギー消費量の第１の予測値を決定し、前記ＳＶＭモデルに基づき、エネルギー消費量の第２の予測値を決定するように構成された第１の決定モジュールと、
前記エネルギー消費量の第１の予測値およびエネルギー消費量の第２の予測値に基づき、第１の予測時間内のターゲットエネルギー消費量予測値を決定するように構成された第２の決定モジュールと、
を備えることを特徴とする、エネルギー消費量を予測するための装置。
前記第２の決定モジュールは、エネルギー消費量の最新の実際の値を決定し、前記エネルギー消費量の第１の予測値およびエネルギー消費量の実際の値に基づき、第１の予測誤差を決定し、前記エネルギー消費量の第２の予測値およびエネルギー消費量の実際の値に基づき、第２の予測誤差を決定し、前記第１の予測誤差および第２の予測誤差に基づき、エネルギー消費量の第１の予測値に対応する第１の重みおよびエネルギー消費量の第２の予測値に対応する第２の重みを決定し、前記第１の重みおよび第２の重みに基づき、前記エネルギー消費量の第１の予測値およびエネルギー消費量の第２の予測値に対して加重平均処理を行い、ターゲットエネルギー消費量予測値を決定するように構成されることを特徴とする、請求項７に記載のエネルギー消費量を予測するための装置。
第１のトレーニングセットの第２の時間内の第３のデータごとに、前記第２の時間内の第３のデータおよび前記第２の時間に対応する第２の予測時間内のエネルギー消費量の実際の値をＡＲＩＭＡモデルに入力し、前記ＡＲＩＭＡモデルをトレーニングするように構成された第１のトレーニングモジュールをさらに備えることを特徴とする、請求項７に記載のエネルギー消費量を予測するための装置。
第２のトレーニングセットの第２の時間内の第４のデータごとに、前記第２の時間内の第４のデータおよび前記第２の時間に対応する第２の予測時間内のエネルギー消費量の実際の値をＳＶＭモデルに入力し、前記ＳＶＭモデルをトレーニングするように構成された第２のトレーニングモジュールをさらに備えることを特徴とする、請求項７に記載のエネルギー消費量を予測するための装置。