[發明專利]資源使用量的預測方法及裝置

在審

• 申請號: 202111433524.6
• 申請日: 2021-11-29
• 公開（公告）號: CN114118584A
• 公開（公告）日: 2022-03-01
• 發明（設計）人: 張敏
• 申請（專利權）人: 新智我來網絡科技有限公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06N3/08;G06F30/27;G06F16/21
• 代理公司: 北京嘉科知識產權代理事務所(特殊普通合伙) 11687
• 代理人: 司彥斌

1.一種資源使用量的預測方法，其特征在于，包括：

響應客戶端提供預測需求數據包，其中所述預測需數據包至少包含：預測場景、數據名稱、數據模版、上傳數據、數據格式和/或質量校驗；

判斷預測需求數據包中是否包含與所述預測場景相對應的歷史數據；

如果包含，則調取所述預測場景相對應的預測數據，并通過目標聯合學習模型計算所述預測數據的預測值，其中，所述預測值為目標用戶對目標資源的使用量；

將所述預測值與所述歷史數據進行對比，以得到比較值；

根據所述比較值確定所述預測場景下的所述目標聯合學習模型的精度。

2.根據權利要求1所述的方法，其特征在于，所述通過聯合學習模型計算所述預測數據的預測值，包括：

在所述預測場景為用電負荷預測場景時，所述目標聯合學習模型為用電聯合學習模型，使用所述用電聯合學習模型對所述目標用戶在預測時間段內的用電量進行預測；

在所述預測場景為用氣負荷預測場景時，所述目標聯合學習模型為用氣聯合學習模型，使用所述用氣聯合學習模型對所述目標用戶在所述預測時間段內的用氣量進行預測；

在所述預測場景為軟測量場景時，所述目標聯合學習模型為軟測量聯合學習模型，使用所述軟測量聯合學習模型對所述目標用戶在所述預測時間段內所需的元素量進行預測。

3.根據權利要求2所述的方法，其特征在于，所述在所述預測場景為軟測量場景時，所述目標聯合學習模型為軟測量聯合學習模型，使用所述軟測量聯合學習模型對所述目標用戶在所述預測時間段內所需的元素量進行預測之前，所述方法還包括：

對所述軟測量場景進行機理分析，以確定所述軟測量場景對應的主導變量和輔助變量；

通過數據采集器采集所述軟測量場景下的軟測量用戶數據；

通過濾波器對所述軟測量用戶數據進行處理，以濾除所述軟測量用戶數據的隨機誤差；

通過以下任意一種方法對所述軟測量用戶數據進行處理，以濾除所述軟測量用戶數據的過失誤差：統計假設校驗法、廣義似然法和貝葉斯法；

根據所述主導變量、所述輔助變量和所述軟測量用戶數據，通過機理建模或實驗建模的方法進行軟測量建模，得到所述軟測量聯合學習模型。

4.根據權利要求1所述的方法，其特征在于，所述通過目標聯合學習模型計算所述預測數據的預測值之前，所述方法還包括：

根據所述預測數據和預測時間段，使用所述目標聯合學習模型對所述目標用戶在所述預測場景下使用目標資源量進行預測，得到預測結果；

在所述歷史數據和所述預測結果的差值大于第一預設閾值的情況下，使用所述差值對所述目標聯合學習模型進行訓練。

5.根據權利要求1所述的方法，其特征在于，包括：

對所述目標聯合學習模型進行知識蒸餾處理；

獲取目標用戶數據，并根據所述目標用戶數據和所述知識蒸餾處理對應的誤差函數，對經過所述知識蒸餾處理之后的所述目標聯合學習模型進行優化處理。

6.根據權利要求5所述的方法，其特征在于，所述根據所述目標用戶數據和所述知識蒸餾處理對應的誤差函數，對經過所述知識蒸餾處理之后的所述目標聯合學習模型進行優化處理，包括：

確定每次對所述目標聯合學習模型進行所述優化處理的批處理條數，其中，所述批處理條數用于指示每次優化所述目標聯合學習模型時，從所述目標用戶數據中選擇的數據的條數；

循環執行如下步驟對所述目標聯合學習模型進行所述優化處理：

從所述目標用戶數據中確定出所述批處理條數條數據；

根據確定出的每條數據生成第一矩陣，得到多個所述第一矩陣；

分別將多個所述第一矩陣依次輸入所述目標聯合學習模型，得到多個第二矩陣；

通過所述誤差函數計算每個所述第一矩陣與每個所述第一矩陣所對應的所述第二矩陣的誤差值；

根據所述誤差值對所述目標聯合學習模型進行所述優化處理；

在當前批次的所述優化處理中，以所述目標聯合學習模型最小為原則，在最后一個輸入所述目標聯合學習模型的所述第一矩陣和最后一個輸入所述目標聯合學習模型的所述第一矩陣所對應的所述第二矩陣的誤差值小于第二預設閾值時，結束循環。