[發(fā)明專(zhuān)利]一種基于機(jī)器學(xué)習(xí)的公共能源消耗預(yù)測(cè)方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202011344904.8
• 申請(qǐng)日: 2020-11-25
• 公開(kāi)（公告）號(hào): CN112365082A
• 公開(kāi)（公告）日: 2021-02-12
• 發(fā)明（設(shè)計(jì)）人: 林必毅;蘇聰;郭偉;郭曉明
• 申請(qǐng)（專(zhuān)利權(quán)）人: 馬鞍山學(xué)院
• 主分類(lèi)號(hào): G06Q10/04
• 分類(lèi)號(hào): G06Q10/04;G06Q50/08;G06N3/04;G06N3/08;G06N20/00
• 代理公司: 安徽知問(wèn)律師事務(wù)所 34134
• 代理人: 郭大美;金貝貝

1.一種基于機(jī)器學(xué)習(xí)的公共能源消耗預(yù)測(cè)方法，其特征在于，包括以下步驟：

S101、數(shù)據(jù)收集；

S102、數(shù)據(jù)預(yù)處理，包括：

A、采用MAD算法進(jìn)行離群值消除；

B、對(duì)缺失值進(jìn)行替換；

C、采用PCA算法進(jìn)行變量歸約；

S103、預(yù)測(cè)建模；采用DNN深度神經(jīng)網(wǎng)絡(luò)進(jìn)行計(jì)算，利用收集到的數(shù)據(jù)在Keras庫(kù)里的R軟件工具中將DNN與更多隱藏層一起使用，通過(guò)使用對(duì)稱(chēng)性評(píng)估所有DNN模型的準(zhǔn)確性平均誤差百分比；將訓(xùn)練樣本進(jìn)一步分為訓(xùn)練和測(cè)試子樣本，神經(jīng)網(wǎng)絡(luò)在訓(xùn)練樣本上進(jìn)行k次迭代訓(xùn)練，并進(jìn)行測(cè)試在測(cè)試子樣本上；如果測(cè)試錯(cuò)誤，則重復(fù)該過(guò)程子樣本減少，或者最大迭代次數(shù)到達(dá)為100000，如果錯(cuò)誤開(kāi)始增加，則過(guò)程停止。

2.根據(jù)權(quán)利要求1所述的一種基于機(jī)器學(xué)習(xí)的公共能源消耗預(yù)測(cè)方法，其特征在于：步驟S101中數(shù)據(jù)收集，包括從以下三種類(lèi)型程序中進(jìn)行數(shù)據(jù)收集：a、轉(zhuǎn)讓施工，每個(gè)公眾的活力、地理空間、靜態(tài)職業(yè)屬性從EMIS信息系統(tǒng)獲取；b、物聯(lián)網(wǎng)網(wǎng)絡(luò)中使用SCADA自動(dòng)讀取能耗傳感器收集能耗數(shù)據(jù)和動(dòng)態(tài)占用數(shù)據(jù)；c、收集網(wǎng)絡(luò)中的環(huán)境數(shù)據(jù)，包括氣溫、風(fēng)速、空氣壓力。

3.根據(jù)權(quán)利要求1所述的一種基于機(jī)器學(xué)習(xí)的公共能源消耗預(yù)測(cè)方法，其特征在于：步驟S102中的離群值消除，具體包括以下過(guò)程：

A1、計(jì)算所有元素的中位值X_median；

A2、計(jì)算所有元素與中位值的絕對(duì)偏差：

A3、取得絕對(duì)偏差的中位值

A4、確定參數(shù)n，則可以對(duì)所有的數(shù)據(jù)作如下調(diào)整：

4.根據(jù)權(quán)利要求3所述的一種基于機(jī)器學(xué)習(xí)的公共能源消耗預(yù)測(cè)方法，其特征在于：步驟S102中的對(duì)缺失值進(jìn)行替換，具體包括以下過(guò)程：

B1、對(duì)無(wú)缺失值的n個(gè)樣本樣本求所有的階差商公式；

B2、聯(lián)立差商公式建立插值多項(xiàng)式f(x)；

B3、將含有缺失值的樣本對(duì)應(yīng)的屬性點(diǎn)x帶入插值多項(xiàng)式f(x)，獲取近似值。

5.根據(jù)權(quán)利要求4所述的一種基于機(jī)器學(xué)習(xí)的公共能源消耗預(yù)測(cè)方法，其特征在于：步驟S102中的變量歸約，具體包括以下過(guò)程：

C1、一行為一個(gè)特征，對(duì)每個(gè)特征求平均值，用原來(lái)的數(shù)據(jù)減去每個(gè)特征的平均值，得到新的中心化之后的數(shù)據(jù)；

C2、求特征協(xié)方差矩陣；

C3、根據(jù)協(xié)方差矩陣，求特征值和特征向量；

C4、對(duì)特征值按照降序順序排列，相應(yīng)的給出特征向量，選擇主成分，求投影矩陣；選擇排序靠前的部分典型更精確數(shù)據(jù)進(jìn)行投影矩陣；

C5、根據(jù)投影矩陣求出降維后的數(shù)據(jù)；

其中所有預(yù)處理步驟均與聚類(lèi)一起執(zhí)行程序，每個(gè)輸入屬性中的缺失值已被替換，通過(guò)該屬性中其余值的平均值得出。

6.根據(jù)權(quán)利要求1所述的一種基于機(jī)器學(xué)習(xí)的公共能源消耗預(yù)測(cè)方法，其特征在于：步驟S103中預(yù)測(cè)建模的具體過(guò)程如下：

采用人工神經(jīng)網(wǎng)絡(luò)，具有一個(gè)輸入層、隱藏層和輸出層，對(duì)于一個(gè)隱藏層，基本計(jì)算包括一個(gè)求和函數(shù)：輸入層單元的加權(quán)輸入；以及激活函數(shù)：通過(guò)使用線(xiàn)性函數(shù)或非線(xiàn)性函數(shù)計(jì)算隱藏層的輸出；計(jì)算為：

其中yc是計(jì)算的輸出，xi是輸入向量的元素X，wi是權(quán)重向量W的元素，權(quán)重的值是最初從區(qū)間[-1，1]中隨機(jī)確定，然后進(jìn)行調(diào)整誤差項(xiàng)，n是其中的隱藏節(jié)點(diǎn)數(shù)層；

利用收集到的數(shù)據(jù)在Keras庫(kù)里的R軟件工具中將DNN與第2、第3、第4隱藏層一起使用，重量調(diào)整為通過(guò)輟學(xué)方法進(jìn)行泛化較好，輟學(xué)率為0.1，隱藏?cái)?shù)通過(guò)交叉驗(yàn)證程序優(yōu)化每個(gè)隱藏層中的單元，隱藏層的數(shù)量被選為隨機(jī)間隔中的數(shù)字；激活函數(shù)應(yīng)用于每個(gè)隱藏層和輸出層，每個(gè)隱藏層的優(yōu)化算法是Adam算法，學(xué)習(xí)率為0.001，最多訓(xùn)練200次；

通過(guò)使用對(duì)稱(chēng)性評(píng)估所有DNN模型的準(zhǔn)確性平均誤差百分比：

其中y_t是目標(biāo)實(shí)際輸出，而y_c是計(jì)算的輸出，以及n是樣本中的觀察次數(shù)；

訓(xùn)練樣本進(jìn)一步分為訓(xùn)練和測(cè)試子樣本，以便通過(guò)交叉驗(yàn)證確定DNN的訓(xùn)練時(shí)間程序；在該過(guò)程中，神經(jīng)網(wǎng)絡(luò)在訓(xùn)練樣本上進(jìn)行k次迭代訓(xùn)練，并進(jìn)行測(cè)試在測(cè)試子樣本上，如果測(cè)試錯(cuò)誤，則重復(fù)該過(guò)程子樣本減少，或者最大迭代次數(shù)為100000，如果錯(cuò)誤開(kāi)始增加，則過(guò)程停止。