[發(fā)明專利]基于Hadoop平臺多并行度的能耗預(yù)測方法

在審

• 申請?zhí)枺?/td>: 202011631581.0
• 申請日: 2020-12-30
• 公開（公告）號: CN112633599A
• 公開（公告）日: 2021-04-09
• 發(fā)明（設(shè)計）人: 高世鵬;胡文斌;張聲銓;姚躍;胡希;龐功點
• 申請（專利權(quán)）人: 南京理工大學(xué)
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06;G06Q10/06;G06N5/00
• 代理公司: 南京理工大學(xué)專利中心 32203
• 代理人: 陳鵬

1.一種基于Hadoop平臺多并行度的能耗預(yù)測方法，其特征在于，包括以下步驟：

步驟1、基于列車歷史統(tǒng)計數(shù)據(jù)，采用灰色關(guān)聯(lián)分析法建立能耗影響因素評估體系，體系中包括對影響因素重要度排序，確定樣本數(shù)據(jù)；

步驟2、將樣本數(shù)據(jù)通過Hadoop中的Map任務(wù)進(jìn)行隨機(jī)化處理，使得步驟1確定的樣本數(shù)據(jù)進(jìn)行重新打亂；

步驟3、將步驟2新生成的數(shù)據(jù)樣本按照一定的比例劃分為訓(xùn)練樣本和測試樣本，并對訓(xùn)練樣本和測試樣本進(jìn)行歸一化處理；

步驟4、將訓(xùn)練樣本作為Hadoop平臺的輸入，訓(xùn)練樣本被劃分為一個個數(shù)據(jù)塊，設(shè)計Map函數(shù)，每一個數(shù)據(jù)塊在Hadoop的Map任務(wù)里建立回歸決策樹模型對地鐵列車能耗進(jìn)行預(yù)測，模型中包括能耗預(yù)測模型的輸入特征變量，能耗預(yù)測模型的輸出目標(biāo)向量，最終將模型通過Reduce任務(wù)進(jìn)行保留；

步驟5、將步驟3生成的測試集作為步驟4建立的每個預(yù)測模型的輸入，每個模型進(jìn)行并行計算，并將預(yù)測的結(jié)果輸出到Reduce任務(wù)中進(jìn)行匯總；

步驟6、根據(jù)步驟5匯總的結(jié)果取平均數(shù)計算出最終的能耗預(yù)測值。

2.根據(jù)權(quán)利要求1所述的基于Hadoop平臺多并行度的能耗預(yù)測方法，其特征在于，步驟1中所述的列車歷史統(tǒng)計數(shù)據(jù)是從SCADA系統(tǒng)中獲取的列車牽引能耗原始數(shù)據(jù)，原始數(shù)據(jù)包括待預(yù)測日期之前若干天的地鐵牽引能耗歷史數(shù)據(jù)以及溫度、客流、運行里程、開行列次的歷史數(shù)據(jù)。

3.根據(jù)權(quán)利要求1所述的基于Hadoop平臺多并行度的能耗預(yù)測方法，其特征在于，步驟1所述的根據(jù)灰色關(guān)聯(lián)分析法選取牽引能耗的影響因素作為模型的輸入，具體如下：

步驟1.1：選取地鐵日牽引能耗為參考數(shù)列，能耗的影響因素變量為比較數(shù)列，記為Z_i＝{z_i(k)|k＝1,2,…,n},i＝0,1,2,…m；

其中，z_i(k)為選取出來的參考數(shù)列和比較數(shù)列，將參考數(shù)列設(shè)為z₀(k)，i為參考數(shù)列和比較數(shù)列各自的編號，m為參考數(shù)列和比較數(shù)列的總數(shù)，k為選取數(shù)據(jù)的日期，n為總的天數(shù)；

步驟1.2：對地鐵日牽引能耗與各影響因素進(jìn)行無量綱化：

其中，為序列Z_i的算術(shù)平均值；

步驟1.3：計算各影響因素與地鐵日牽引能耗的關(guān)聯(lián)系數(shù)：

其中，Δ_i(k)＝|z₀(k)-z′_i(k)|，z′_i(k)為對z_i(k)進(jìn)行無量綱化后的值，為所選日期中Δ_i(k)的最大值，為所選取日期中Δ_i(k)的最小值，ρ為分辨系數(shù)；

步驟1.4：計算各影響因素與地鐵日牽引能耗的關(guān)聯(lián)度r_0i：

其中，ξ_0i(k)為步驟1.3求得的關(guān)聯(lián)系數(shù)，k為選取數(shù)據(jù)的日期，n為總的天數(shù)；

步驟1.5：按求得的關(guān)聯(lián)度數(shù)值大小排序，選取關(guān)聯(lián)系數(shù)值大于設(shè)定閾值的影響因素作為模型的輸入變量。

4.根據(jù)權(quán)利要求3所述的基于Hadoop平臺多并行度的能耗預(yù)測方法，其特征在于，ρ設(shè)置為0.5。

5.根據(jù)權(quán)利要求3所述的基于Hadoop平臺多并行度的能耗預(yù)測方法，其特征在于，設(shè)定閾值為0.6。

6.根據(jù)權(quán)利要求1所述的基于Hadoop平臺多并行度的能耗預(yù)測方法，其特征在于，步驟2所述的將樣本數(shù)據(jù)通過Hadoop中的Map任務(wù)進(jìn)行隨機(jī)化處理，具體如下：

數(shù)據(jù)樣本先按照Hadoop平臺提前設(shè)置好的分片大小進(jìn)行分塊操作，每一個分塊由相互獨立的Map任務(wù)進(jìn)行并行處理，通過Hadoop平臺的Shuffle機(jī)制將數(shù)據(jù)集進(jìn)行隨機(jī)打散，隨機(jī)的下發(fā)到下游的Reduce任務(wù)中進(jìn)行重新組合，進(jìn)而形成多個數(shù)據(jù)塊作為新的訓(xùn)練樣本。