[发明专利]一种基于预先构建的预测模型进行预测的方法及装置

说明书

本申请公开了一种基于预先构建的预测模型进行预测的方法及装置，在获取到待预测时间和该待预测时间下的事件数量和事件属性中的一者之后，先将待预测时间输入预先构建的预测模型，得到该预测模型输出的待预测时间下的事件特征变量值，再将事件特征变量值和待预测时间下的事件数量和事件属性中的一者输入预先构建的事件特征模型，得到该事件特征模型输出的事件数量和事件属性中的另一者，作为待预测时间下的事件数量和事件属性中的另一者。因预测模型能够准确地预测出任一时刻下的事件特征变量值，且事件特征模型能够准确地预测出任一时刻下事件数量或事件属性，提高了事件数量或事件属性预测准确性(例如，提高了电力负荷预测的准确性)。

技术领域

本申请涉及数据处理技术领域，尤其涉及一种基于预先构建的预测模型进行预测的方法及装置。

背景技术

电力市场需求预测工作是国家能源主管部门和电网企业的一项重要基础性工作，为国家能源监测与管理、电网企业生产计划与经营管理提供重要的支撑依据。其中，电力负荷预测一直是困扰电力供应的难题。然而，如何准确地预测需求(例如，电力负荷等需求)是一个亟待解决的技术问题。

发明内容

为了解决现有技术中存在的以上技术问题，本申请提供一种租金预测方法及装置，能够准确地预测电力市场需求(例如，供电量和/或电价)。

为了实现上述目的，本申请实施例提供的技术方案如下：

本申请实施例提供一种基于预先构建的预测模型进行预测的方法，包括：

获取待预测时间和所述待预测时间下的事件数量和事件属性中的一者；

将所述待预测时间输入预先构建的预测模型，得到所述预测模型输出的待预测时间下的事件特征变量值；其中，所述预测模型是根据历史时间和所述历史时间下的事件特征变量值构建的；

将所述事件特征变量值和所述待预测时间下的所述事件数量和事件属性中的一者输入预先构建的事件特征模型，得到所述事件特征模型输出的所述事件数量和事件属性中的另一者，作为待预测时间下的所述事件数量和事件属性中的另一者；其中，所述事件特征模型是根据所述历史时间下的事件数量和所述历史时间下的事件属性构建的。

可选的，所述事件特征模型为：

Z＝x^m×yⁿ

式中，Z为事件特征变量；x为事件数量；y为事件属性；m为事件数量指数；n为事件属性指数。

可选的，所述m和所述n的获取过程，包括：

将事件数量指数初始值作为当前事件数量指数，并将事件属性指数初始值作为当前事件属性指数；

根据所述当前事件数量指数和当前事件属性指数，生成当前事件特征模型；

根据所述历史时间下的事件数量和所述历史时间下的事件属性，确定所述当前事件特征模型对应的线性相关系数；其中，所述当前事件特征模型对应的线性相关系数包括：事件特征变量与事件数量的线性相关系数、以及所述事件特征变量与事件属性的线性相关系数；

更新所述当前事件数量指数和所述当前事件属性指数，并继续执行所述根据所述当前事件数量指数和当前事件属性指数，生成当前事件特征模型以及后续步骤，直至达到预设条件时，将当前事件数量指数作为m，并将当前事件属性指数作为n。

可选的，所述更新所述当前事件数量指数和所述当前事件属性指数，包括：利用梯度下降法，更新所述当前事件数量指数和所述当前事件属性指数。

可选的，所述预测模型为差分整合移动平均自回归模型。

可选的，所述预测模型的构建过程，包括：

获取所述历史时间和所述历史时间下的事件特征变量值；