[发明专利]业扩物资需求预测系统及方法

说明书

本发明涉及大数据在电力行业的应用，特别是涉及电力行业中业扩工程项目物资需求预测方法，更为具体的说是涉及业扩物资需求预测系统及方法。通过LSTM模型和Prophet模型，综合考虑内部因素和外部因素，将两个模型按照熵值权重融合形成一种新的业扩物资需求预测系统和预测方法。相较于现有技术中传统的预测方法，能够显著提高预测的准确度，是一种能够满足业扩物资需求样本复杂度高、广度大的预测方法。

技术领域

本发明涉及大数据在电力行业的应用，特别是涉及电力行业中业扩工程项目物资需求预测方法，更为具体的说是涉及业扩物资需求预测系统及方法。

背景技术

业扩(供电业务扩展)指发展新的电力用户相关的业务。业扩物资就是指在发展新的电力用户相关的业务中需要的物资。譬如，当新建一个厂的时候，根据该厂的用电申请，就会产生一系列的业扩工程。在业扩的工程中必然就会涉及到物资的配置和使用。作为电力投资的重要领域、服务地方经济可持续发展的重要工程，既直接关系到用户的切身利益，又关系到电网的稳定运行，电力企业的社会形象。物资需求预测是企业制定物资战略规划、计划管理、采购供应的重要依据。

因此，准确预测物资需求是业扩物资高效率管理的前提和基础。

传统的预测方式是通过对历史数据进行挖掘，通过分析内在规律，对需求数量进行预测。但是这种预测方式忽略了外部因素对物资需求的影响。譬如，从需求端电力大客户的用电意向看，区域经济发展、用电情况等都会影响业扩的投资规模；从供给端对业扩物资投资看，物资成本、区域政策以及公司发展规划等均影响各年度各区域的项目建设投资方向及投资规划。对于这些因素来说，历史数据无法体现，而这些因素恰恰对业扩物资需求预测具有重要的影响。

目前，现有技术中尚未有综合考虑内部和外部因素影响的业扩物资需求预测方法。

发明内容

本发明所要解决的技术问题是现有的业扩物资需求预测系统和方法仅以历史数据为基础，无法准确反映内外部多维度因素，预测结果与实际需求量偏差大，预测结果精准性不高。

为了解决上述技术问题，本发明公开了一种全新的业扩物资需求预测系统，包括：

数据库模块，所述数据库模块中包括有内部数据库子模块和外部数据库子模块；所述内部数据库子模块用以存储内部数据，所述外部数据库子模块用以存储外部数据；

数据处理模块，所述数据处理模块用以对数据库模块中的数据进行处理；

LSTM模型训练模块，所述LSTM模型训练模块从数据处理模块中导入样本，作为LSTM模型构建训练集，并得到基于LSTM模型的业扩物资需求预测模型M1；

Prophet模型训练模块，所述Prophet模型训练模块从数据处理模块中导入样本，作为Prophet模型构建训练集，并得到基于Prophet模型的业扩物资需求预测模型M2；

模型融合模块，所述模型融合模块将基于LSTM模型的业扩物资需求预测模型M1和基于Prophet模型的业扩物资需求预测模型M2融合，得到最优预测模型和最优预测结果。

其中优选的，所述模型融合模块采用权重对基于LSTM模型的业扩物资需求预测模型M1和基于Prophet模型的业扩物资需求预测模型M2进行融合，融合后的预测模型为L＝w₁M₁+w₂M₂，其中w_i(i＝1,2)为单项预测方法的权重，w₁+w₂＝1，w₁,w₂∈[0,1]。

进一步优选的，将数据处理模块中的非训练集的样本导入融合后的预测模型，作为融合后的预测模型的测试集样本，利用绝对误差|γ_it|(i＝1,2；t＝1,2,3,…，n)获得优选的权重计算方式，所述w_i的计算公式为：