假日公休天数；
[0058] 第一输入单元，将上述若干影响因素输入基于随机森林回归的售电量预测模型， 得到若干个售电量预测结果；
[0059] 第三确认单元，用于将获取得到的若干个售电量预测结果计算平均值，得到待预 测月的售电量预测值；
[0060] 经由上述的技术方案可知，本发明实施例公开的一种基于随机森林回归的售电量 预测方法及装置，依据预设时长内的历史的月售电量实际数据以及预先确定的若干影响因 素指标，获取基于随机森林回归的月售电量预测模型，将当前年度内上述若干影响因素指 标的预测数据输入月售电量预测模型得到当前年度各个月售电量预测结果，提高了售电量 预测结果的精度和效率。
【附图说明】
[0061] 为了更清楚地说明本发明实施例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 提供的附图获得其他的附图。
[0062] 图1为本申请实施例提供的售电量预测方法的一种实现流程图；
[0063] 图2为本申请实施例提供的基于随机森林回归方法针对训练集和测试集进行售 电量预测的一种建模实现流程图。
[0064] 图3为申请实施例提供的计算当前年度内的月GDP增速的预测数据的一种实现流 程图；
[0065]图4为申请实施例提供的针对验证集根据月售电量模型进行待预测月的未来售 电量预测的一种实现流程图；
[0066]图5为本申请实施例提供的售电量预测的装置的一种结构示意图；
[0067]图6为本申请实施例提供的第一计算模块的一种结构示意图；
[0068]图7为本申请实施例提供的第二计算模块的一种结构示意图；
【具体实施方式】
[0069] 下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完 整地描述，显然，所描述的实施例仅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做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。
[0070] 本发明实施例提供的售电量预测方法，实验数据来自某地区2011年1月至2015 年10月的月售电量信息、地区经济状况、天气信息和节假日信息，售电量信息采集频率是 lmonth(共58行数据），天气信息为最高气温、最低气温、降雨量。系统对此地区的历史售 电量数据的研究发现：这些数据呈现一种延续性、周期性、相关性特点。根据系统对确定样 本属性为GDP增速、最高气温、最低气温、降雨量、上一月售电量、上一年同月售电量、当月 节假日天数和当月售电量。样本数据如表1所示：
[0071] 表1.样本数据
[0072]
[0073] 实验中数据量虽然没有达到大数据的规模，但可以用此实验数据进行算法正确性 实验，随后对实验数据进行扩充达到大数据规模进行算法预测速率实验。进行反复多次的 测试，取平均值为最终实验结果。
[0074] 请参阅图1，图1为本发明实施例提供的售电量预测方法的一种实现流程图，可以 包括：
[0075] 步骤S11 :获取当前年度内预设的若干影响因素指标的实际数据；
[0076] 本发明实施例中，所述的若干影响因素指标是当月GDP增速，当月最高温度，当月 最低温度，当月降雨量，上月售电量，上年同月售电量和月节假日公休天数。
[0077] 步骤S12 :获取当前年度内所述当前月售电量指标的实际数据；
[0078] 本发明实施例中，步骤S11与步骤S12的具体执行过程不做具体限定，可以先执行 步骤S11，再执行步骤S12,或者，先执行步骤S12,再执行步骤S11，或者，步骤S11与步骤 S12同时执行。
[0079] 步骤S13 :将所述若干影响因素指标的历史数据和当年月售电量指标的实际数据 作为输入，建立预置的基于随机森林回归的月售电量预测模型；
[0080] 步骤S14 :将所述各个影响因素指标的预测值，带入月售电量预测模型，得到当前 月售电量预测值；
[0081] 以该地区2011年1月至2014年12月的历史数据为训练样本数据集，以该地区 2015年1月至2015年10月的预测数据为测试样本数据集，建立月售电量预测模型。
[0082] 请参阅图2,图2为上述实施例中，可选的基于随机森林回归方法的针对训练集和 测试集的售电量预测模型建立过程，可以包括：
[0083] 步骤S21 :用于训练数据的行随机抽样。对于总样本量S，采取有放回的抽取k个 训练样本；
[0084] 步骤S22:用于训练数据的列属性修养。对于Μ列个属性，采取无放回的抽取m <<Μ;根据样本数据中属性的个数Μ确定每个节点随机选择的属性个数m。一般地，分类 模型中m为Μ的开方根，回归模型中m为Μ的1/3。计算m个属性中每个属性的信息量，选 Μ 择最佳的属性进行分支；这里是随机森林回归方法，所以w= 2。 J
[0085] 步骤S23:用于建立决策树。对于采样之后的数据使用完全分裂的方式建立出若 干个决策树；形成随机森林也就是把每个决策树分类器组合起来。
[0086] 可选的，所述预置的月售电量预测模型可以为：
[0087] Π /Cl-
-mi/ .心.K'
[0088] 即每个决策树都会产生一个结果，如果随机森林用来分类其最终结果为投票选 取，当它用来回归预测时，k个树会给出k个预测值. . .，yk。
[0089] 步骤S24:用于结果确定，根据所述的若干个决策树的预测值，计算其平均值，得 到月售电量预测值。最终的待预测月的月售电量预测结果是k个决策树预测结果的平均 值，记为可以表示成
，且预测误差）
实中yraal为待预测月 售电量实际值；
[0090] 本发明实施例以该地区2015年11月至2015年12月的预测数据为验证数据集， 将2015年11月至2015年12月的上述⑶P增速、最高温度、最低温度、降雨量、上一月售电 量、当前年上一年同月售电量的预测结果代入预置的基于随机森林回归的月售电量预测模 型，即可分别获得待预测月的2015年11月至2015年12月的月售电量预测值。
[0091] 请参阅图3,图3为上述实施例中可选的，计算当前年度内的月GDP增速的预测数 据的一种实现流程图，可以包括：
[0092] 步骤S31:获取若干年内各个季度的⑶P增速值；
[0093] 步骤S32:计算当前年度各个季度的GDP增速的预测值，其中，第z个季度的GDP增 速增值的预测值为所述若干年内，第z个季度的GDP增速值的加权平均值，z= 1，2,3,4 ;
[0094] 本发明实施例中，采用重近轻远的原则，对不同年份的GDP增速增值加以不同的 权值，对近期数据（如Aui# )给予较大的权值，对远期数据（如)给予较小的权值。
[0095] 举例说明上述步骤，假设获取了 2011年至2014年4年中每年的各个季度的⑶P 增速值，则当前年度各个季度的GDP增速的预测值具体用公式可以表示为：
[0096]
[0097] 其中，乓ul5.0_表示2015年（即当前年度）第z个季度的⑶P增速增值的预测值； Aulia表示2014年第z个季度的GDP增速增值的实际值；爲。13路表示2013年第z个季度 的⑶P增速增值的实际值；馬表示2012年第Z个季度的⑶P增速增值的实际值；￡2机a表示2011年第z个季度的⑶P增速增值的实际值；z= 1，2, 3,4。
[0098] 步骤S33 :依据所述当前年度的各个季度的GDP增速的预测值计算当前年度各个 月的GDP增速的预测值。本发明实施例中，先计算当前年度各个季度的GDP增速的预测值， 再利用各个季度的GD