计量用表需求量在线预测方法及终端设备与流程
本发明属于大数据技术领域，尤其涉及计量用表需求量在线预测方法及终端设备。
背景技术
在网省级电力计量中心成立后,计量器具需求的收集主要由省级计量中心完成，表计采购计划和月度配送计划的制定均是由人工综合估算形成的。各网省公司通过线下汇总所辖市县公司提报的年度用表计划，同时结合本单位库存情况、历年装拆数量、到期轮换数量等关联因素，制定计量器具年度采购计划；各县公司每月向市公司提报下月电能表需求计划，市公司人工汇总平衡后上报省计量中心，省计量中心结合各市县公司提报的用表数量、规格型号、库存情况、到货情况等因素，人工制定电能表月度配送计划。表计采购计划和配送计划的准确性对年度物资的采购、检定和配送工作的顺利开展、省级计量中心的库存量及库存结构、需求订单的快速响应、资产配置的合理性均有重大影响。
目前，当前各单位年度采购计划和月度表计需求计划采用线下人工综合汇总、评估形成的形式，计划精准度不高，日益成为制约计量集约化、精益化管理的瓶颈。
技术实现要素：
有鉴于此，本发明实施例提供了计量用表需求量在线预测方法及终端设备，以解决现有技术中线下人工综合汇总、评估形成的形式，计划精准度不高，日益成为制约计量集约化、精益化管理的瓶颈的问题。
本发明实施例的第一方面提供了一种计量用表需求量在线预测方法，包括：
获取预设时间段内的历史用表数据；
基于所述历史用表数据分别训练holt-winters初始模型和bp神经网络的初始模型，分别得到holt-winters的最终模型和bp神经网络的最终模型；
根据所述holt-winters的最终模型和bp神经网络的最终模型，确定组合预测模型；
根据所述组合预测模型，预测目标时刻的计量用表需求量。
本发明实施例的第二方面提供了一种计量用表需求量在线预测装置，包括：
历史用表数据获取模块，用于获取预设时间段内的历史用表数据；
模型训练模块，用于基于所述历史用表数据分别训练holt-winters初始模型和bp神经网络的初始模型，分别得到holt-winters的最终模型和bp神经网络的最终模型；
组合预测模型确定模块，用于根据所述holt-winters的最终模型和bp神经网络的最终模型，确定组合预测模型；
计量用表需求量预测模块，用于根据所述组合预测模型，预测目标时刻的计量用表需求量。
本发明实施例的第三方面提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中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计算机程序时实现如第一方面所述方法的步骤。
本发明实施例的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面所述方法的步骤。
本发明实施例与现有技术相比存在的有益效果是：本发明实施例首先获取预设时间段内的历史用表数据；并基于历史用表数据分别训练holt-winters初始模型和bp神经网络的初始模型，分别得到holt-winters的最终模型和bp神经网络的最终模型；然后根据holt-winters的最终模型和bp神经网络的最终模型，确定组合预测模型；最终根据组合预测模型，预测目标时刻的计量用表需求量，由于根据历史数据拟合的模型对目标时刻的计量用表需求量进行预测，预测的结果更准确，不需要人工汇总，效率更高。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，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为本发明一实施例提供的计量用表需求量在线预测方法的流程示意图；
图2为本发明实施例提供的电能表月度走势图；
图3为本发明实施例提供的组合预测模型预测值与实际值的拟合效果示意图；
图4为本发明一实施例提供的计量用表需求量在线预测装置的结构框图；
图5为本发明一实施例提供的终端设备的示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。
参考图1，图1为本发明一实施例提供的计量用表需求量在线预测方法的流程示意图，所述方法可以应用于服务器、电脑等终端设备，详述如下：
s101：获取预设时间段内的历史用表数据。
在本实施例中，预设时间段可以根据需求进行设置。优选地，预设时间段为3年内的36个月。历史用表数据为各个月的计量用表量。
s102：基于历史用表数据分别训练holt-winters初始模型和bp神经网络的初始模型，分别得到holt-winters的最终模型和bp神经网络的最终模型。
在本实施例中，holt-winters初始模型中holt-winters模型也称为三次指数平滑模型，包含基于加法的holt-winters和基于乘法的holt-winters两种算法模型，这两种算法都可以对同时含有趋势和季节性的时间序列进行预测，主要区别是趋势和季节的变化是以加法形式叠加，就采用加法模型，反之以乘法形式叠加的，就采用乘法模型。本发明主要基于加法的holt-winters模型进行用表需求预测，该模型是在一次指数平滑和二次指数平滑算法的基础上获得。
bp神经网络为误差反向传播神经网络，它是一种含有隐含层的前馈网络，若网络的输入节点数为m、输出节点数为l，那么可将这个神经网络视为一个m维欧式空间到为l维欧式空间的映射。bp神经网络的原理是把上层节点的值加权平均送到下层节点，最终到输出层节点，然后根据误差大小反馈向前面的层，再重新加权平均，如此反复训练，直到误差在允许范围之内。
s103：根述holt-winters的最终模型和bp神经网络的最终模型，确定组合预测模型。
在本实施例中，可以根据holt-winters的最终模型的预测最小误差和bp神经网络的最终模型的最小误差，以及holt-winters的最终模型和bp神经网络的最终模型预测值与实际值的协方差最小，确定holt-winters的最终模型和bp神经网络的最终模型的权重，进而确定组合预测模型。
在本发明的一个实施例中，设所述holt-winters的最终模型和bp神经网络的最终模型的权重分别为ω1,ω2，holt-winters的最终模型的预测值为y1，bp神经网络的最终模型的预测值为y2，组合预测模的预测值设为yc，则有
yc＝ω1y1+ω2y2；
获取所述holt-winters的最终模型和bp神经网络的最终模型的误差的方差及协方差，分别记为σ11,σ12,σ22，可得两预测模型的权重系数为
s104：根据组合预测模型，预测目标时刻的计量用表需求量。
在本实施例中，目标时刻可以是一年中的12个月。将目标时刻输入到组合预测模型中获取目标时刻的计量用表需求量的预测值。
从上述描述可知，本实施例首先获取预设时间段内的历史用表数据；并基于历史用表数据分别训练holt-winters初始模型和bp神经网络的初始模型，分别得到holt-winters的最终模型和bp神经网络的最终模型；然后根据holt-winters的最终模型和bp神经网络的最终模型，确定组合预测模型；最终根据组合预测模型，预测目标时刻的计量用表需求量，由于根据历史数据拟合的模型对目标时刻的计量用表需求量进行预测，预测的结果更准确，不需要人工汇总，效率更高。
在本发明的一个实施例中，基于所述历史用表数据训练holt-winters，得到holt-winters的最终模型，包括：
建立holt-winters的三次指数平滑初始模型，基本公式表示为：
si＝α(xi-pi-k)+(1-α)(si-1+ti-1)
ti＝β(si-si-1)+(1-β)ti-1
pi＝γ(xi-si)+(1-γ)pi-k
其中，si为第i期的指数平滑值，ti为第i期趋势项的指数平滑值，pi为第i期季节项的指数平滑值，xi为第i期的实际值，i＝1,2,3，…,n，α为水平平滑系数，β为趋势平滑系数，γ为季节平滑系数，α、β和γ的取值范围均为[0，1]，
对sitipi的初始值进行取值，s0＝x0，t0＝x1-x0，p0＝0；
利用所述历史用表数据对holt-winters的三次指数平滑模型进行训练，使得真实值与预测值之间的残差平方和最小时停止训练，得到α、β和γ的实际值，得到holt-winters的三次指数平滑最终模型。
具体地，首先建立一次指数平滑模型，适用于平稳型数据的预测，基本公式可以表示如下：
si＝αxi+(1-α)si-1
其中，si为第i期的一次指数平滑值，xi为第i期的实际值，i＝1,2,3，…,n，α为平滑系数，α的取值范围为[0，1]，对于平滑系数α的作用为控制权数下降的速度，α越接近于1，则近期观测值的权重越大；反之，α越接近于0，则历史观测值的权重越大。下文相同的符号表示同样的含义，下文就不在赘述。
然后建立一次指数平滑模型，二次指数平滑法保留了趋势的信息，使得预测的时间序列可以包含之前数据的趋势。二次指数平滑添加趋势项t，计算公式如下：
si＝αxi+(1-α)(si-1+ti-1)
ti＝β(si-si-1)+(1-β)ti-1
其中ti为第i期趋势项的指数平滑值，另外α和β分别水平项和趋势项的平滑系数，分别称为水平平滑系数和趋势平滑系数，α和β的取值范围均为[0，1]，
最后建立三次指数平滑模型，对于三次指数平滑在二次指数平滑的基础上保留了季节性的信息，使得其可以预测带有季节性的时间序列。三次指数平滑添加季节项p，计算公式如下：
si＝α(xi-pi-k)+(1-α)(si-1+ti-1)
ti＝β(si-si-1)+(1-β)ti-1
pi＝γ(xi-si)+(1-γ)pi-k
其中，pi为第i期季节项的指数平滑值，k为季节周期长度，对于月度数据k＝12，γ为季节项的平滑系数，称为季节平滑系数，γ的取值范围为[0,1]，
另外对于s,t,p初始值的选取对于算法整体的影响不是特别大，通常它们的取值为s0＝x0，t0＝x1-x0，p0＝0。为最优化拟合标准，平滑系数α,β,γ的实际值一般由计算机选择，采用的拟合标准是真实值与预测值之间的残差平方和最小。
在本发明的一个实施例中，基于所述历史用表数据训练bp神经网络的初始模型，得到bp神经网络的最终模型，包括：
建立bp神经网络的初始模型：令输入层节点为：d(i),i＝1,2,…,m；隐含层节点为d(j),j＝1,2,…,p；输出层节点为d(k),k＝1,2,…,n；原序列为xi，hj和yk分别为隐含层和输出层，
令bp神经网络训练后的实际输出值与期望输出值的误差为e，则
利用所述历史用表数据历史用表数据对bp神经网络的初始模型进行训练调整连接权重ωij和ωjk，使得误差e最小停止训练得到连接权重ωij和ωjk的实际值，得到bp神经网络的最终模型。
在本发明的一个实施例中，所述根据所述holt-winters的最终模型和bp神经网络的最终模型，确定组合预测模型，包括：
建立holt-winters和bp神经网络的初始组合预测模型：
式中，ft为t时刻组合预测模型的预测值，并且上式需要满足
根据组合初始模型，建立以预测误差平方和为目标的代价函数：
式中，et为t时刻组合预测的误差；yt为观测值；e'为误差平方和；
根据所述代价函数的最小值确定组合预测模型的权重ωi，将所述权重ωi导入所述初始组合预测模型，得到所述组合预测模型。
下面通过一个具体应用实例进行说明：
本实例以某市县公司单相电能表月度需求数据为例，验证算法的可行性，以下根据2013-2015年月度需求数据对模型进行拟合，在此基础上预测2016年的月度需求量，并与2016年单相表需求量实际值进行比较。单相表2013-2015年月度需求量原始数据序列，如表1所示。
表1电能表历史数据
从图2(图2为本发明实施例提供的电能表月度走势图)可以看出电能表月度需求数据存在明显的周期性变化，采用基于holt-winters和bp神经网络组合预测模型对原有数据进行拟合，检验模型的有效性，如图3(图3为本发明实施例提供的组合预测模型预测值与实际值的拟合效果示意图)所示，模型拟合效果较好。
基于训练好的模型，对2016年用表需求进行预测，预测结果与实际值的比较见表2所示。
表2预测值与实际值比较
从预测值与实际值的对比分析可得，整体平均预测误差在7.78％，预测效果较好，说明模型拟合过程只存在随机误差，不存在系统偏差。对于95％预测区间，该模型预测区间包含真值的几率较高，并且预测区间也较短，说明该模型可以应用于电能表的需求预测。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
对应于上文实施例的计量用表需求量在线预测方法，图4为本发明一实施例提供的计量用表需求量在线预测装置的结构框图。为了便于说明，仅示出了与本申请实施例相关的部分。参考图4，该装置包括：历史用表数据获取模块401、模型训练模块402、组合预测模型确定模块403和计量用表需求量预测模块404。
历史用表数据获取模块401，用于获取预设时间段内的历史用表数据；
模型训练模块402，用于基于所述历史用表数据分别训练holt-winters初始模型和bp神经网络的初始模型，分别得到holt-winters的最终模型和bp神经网络的最终模型；
组合预测模型确定模块403，用于根据所述holt-winters的最终模型和bp神经网络的最终模型，确定组合预测模型；
计量用表需求量预测模块404，用于根据所述组合预测模型，预测目标时刻的计量用表需求量。
从上述描述可知，本实施例首先获取预设时间段内的历史用表数据；并基于历史用表数据分别训练holt-winters初始模型和bp神经网络的初始模型，分别得到holt-winters的最终模型和bp神经网络的最终模型；然后根据holt-winters的最终模型和bp神经网络的最终模型，确定组合预测模型；最终根据组合预测模型，预测目标时刻的计量用表需求量，由于根据历史数据拟合的模型对目标时刻的计量用表需求量进行预测，预测的结果更准确，不需要人工汇总，效率更高。
在本发明的一个实施例中，所述组合预测模型确定模块403，具体用于设所述holt-winters的最终模型和bp神经网络的最终模型的权重分别为ω1,ω2，holt-winters的最终模型的预测值为y1，bp神经网络的最终模型的预测值为y2，组合预测模的预测值设为yc，则有
yc＝ω1y1+ω2y2；
获取所述holt-winters的最终模型和bp神经网络的最终模型的误差的方差及协方差，分别记为σ11,σ12,σ22，可得两预测模型的权重系数为
在本发明的一个实施例中，所述模型训练模块402，具体用于基于所述历史用表数据训练holt-winters，得到holt-winters的最终模型，包括：
建立holt-winters的三次指数平滑初始模型，基本公式表示为：
si＝α(xi-pi-k)+(1-α)(si-1+ti-1)
ti＝β(si-si-1)+(1-β)ti-1
pi＝γ(xi-si)+(1-γ)pi-k
其中，si为第i期的指数平滑值，ti为第i期趋势项的指数平滑值，pi为第i期季节项的指数平滑值，xi为第i期的实际值，i＝1,2,3，…,n，α为水平平滑系数，β为趋势平滑系数，γ为季节平滑系数，α、β和γ的取值范围均为[0，1]，
对sitipi的初始值进行取值，s0＝x0，t0＝x1-x0，p0＝0；
利用所述历史用表数据对holt-winters的三次指数平滑模型进行训练，使得真实值与预测值之间的残差平方和最小时停止训练，得到α、β和γ的实际值，得到holt-winters的三次指数平滑最终模型。
在本发明的一个实施例中，所述模型训练模块402，具体用于基于所述历
史用表数据训练bp神经网络的初始模型，得到bp神经网络的最终模型，
包括：
建立bp神经网络的初始模型：令输入层节点为：d(i),i＝1,2,…,m；隐含层节点为d(j),j＝1,2,…,p；输出层节点为d(k),k＝1,2,…,n；原序列为xi，hj和yk分别为隐含层和输出层，
令bp神经网络训练后的实际输出值与期望输出值的误差为e，则
利用所述历史用表数据历史用表数据对bp神经网络的初始模型进行训练调整连接权重ωij和ωjk，使得误差e最小停止训练得到连接权重ωij和ωjk的实际值，得到bp神经网络的最终模型。
在本发明的一个实施例中，所述组合预测模型确定模块403，还所述根据所述holt-winters的最终模型和bp神经网络的最终模型，确定组合预测模型，包括：
建立holt-winters和bp神经网络的初始组合预测模型：
式中，ft为t时刻组合预测模型的预测值，并且上式需要满足
根据组合初始模型，建立以预测误差平方和为目标的代价函数：
式中，et为t时刻组合预测的误差；yt为观测值；e'为误差平方和；
根据所述代价函数的最小值确定组合预测模型的权重ωi，将所述权重ωi导入所述初始组合预测模型，得到所述组合预测模型。
图5为本发明一实施例提供的终端设备的示意图。如图5所示，该实施例的终端设备6包括：处理器60、存储器61以及存储在所述存储器61中并可在所述处理器60上运行的计算机程序62，例如计量用表需求量在线预测程序。所述处理器60执行所述计算机程序62时实现上述各个计量用表需求量在线预测方法实施例中的步骤，例如图1所示的步骤101至104。或者，所述处理器60执行所述计算机程序62时实现上述各装置实施例中各模块/单元的功能，例如图5所示模块401至404的功能。
示例性的，所述计算机程序62可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器61中，并由所述处理器60执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序62在所述终端设备6中的执行过程。例如，所述计算机程序62可以被分割成历史用表数据获取模块401、模型训练模块402、组合预测模型确定模块403和计量用表需求量预测模块404。
所述终端设备6可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括，但不仅限于，处理器60、存储器61。本领域技术人员可以理解，图5仅仅是终端设备6的示例，并不构成对终端设备6的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器60可以是中央处理单元(centralprocessingunit，cpu)，还可以是其他通用处理器、数字信号处理器(digitalsignalprocessor，dsp)、专用集成电路(applicationspecificintegratedcircuit，asic)、现成可编程门阵列(field-programmablegatearray，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器61可以是所述终端设备6的内部存储单元，例如终端设备6的硬盘或内存。所述存储器61也可以是所述终端设备6的外部存储设备，例如所述终端设备6上配备的插接式硬盘，智能存储卡(smartmediacard,smc)，安全数字(securedigital,sd)卡，闪存卡(flashcard)等。进一步地，所述存储器61还可以既包括所述终端设备6的内部存储单元也包括外部存储设备。所述存储器61用于存储所述计算机程序以及所述终端设备所需的其他程序和数据。所述存储器61还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
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单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以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，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
以上所述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，均应包含在本发明的保护范围之内。
- 还没有人留言评论。精彩留言会获得点赞！