TWI755941B - 階層式時間序列預測方法 - Google Patents
階層式時間序列預測方法 Download PDFInfo
- Publication number
- TWI755941B TWI755941B TW109140783A TW109140783A TWI755941B TW I755941 B TWI755941 B TW I755941B TW 109140783 A TW109140783 A TW 109140783A TW 109140783 A TW109140783 A TW 109140783A TW I755941 B TWI755941 B TW I755941B
- Authority
- TW
- Taiwan
- Prior art keywords
- time series
- hierarchical
- prediction
- forecasting
- models
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 239000013598 vector Substances 0.000 claims description 22
- 238000012549 training Methods 0.000 claims description 10
- 238000000714 time series forecasting Methods 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 22
- 238000004519 manufacturing process Methods 0.000 description 14
- 239000011159 matrix material Substances 0.000 description 10
- 238000013459 approach Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000002790 cross-validation Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 235000013361 beverage Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000007306 turnover Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一種階層式時間序列預測方法，適用於產生一階層結構的多個節點的多個調和預測值，其中節點分別具有多個時間序列，調和預測值對應於時間序列，且節點包含多個底層節點，所述的方法包括：以多個預測模型分別產生對應於時間序列的多個獨立預測值，依據這些獨立預測值及編碼網路產生多個底層預測值，以及依據底層預測值及關聯於階層結構的解碼器產生調和預測值，其中獨立預測值的數量大於底層預測值的數量，且等於調和預測值的數量，對應於時間序列中同一者的獨立預測值及調和預測值在時間上連續。
Description
本發明關於時間序列的預測，特別是一種階層式時間序列預測方法。
階層式時間序列(hierarchical time-series)是一種在階層結構下隨時間改變的觀察結果的收集。階層式時間序列經常出現在商業及經濟領域，其中隨時間改變的量需要在不同的精細度(granularity)層級下被預測。例如在供應鏈中，可能需要在國家、城市或商店級別預測需求以組織物流。在眾多應用中，需要針對不同階層層級的多個時間序列產生預測。由於階層結構的限制，獨立的預測通常不能正確地相加，因而需要調和(reconciliation)步驟。
階層式時間序列的預測通常分為兩階段。第一階段是對所有或部分的時間序列進行預測。第二階段是這些預測值被調和(reconcile)以強制符合階層限制。調和時間序列的現有方式例如：自下而上(bottom-up)、自上而下(top-down)、最佳組合(optimal-combination)及跡最小化(trace-minimization)等，這些方式皆有彈性(flexibility)不足的問題，換言之，這些方式無法針對用來評估預測模型的特定指標(metric)進行優化。
隨著在過去數年間興起的深度學習(deep learning)，也有嘗試在損失函數中施加軟約束(soft constraint)並利用階層式結構以規範訓練過程的方式，希望能改善預測效能並減少調和的間隙(gap)。然而這種方式並無法保證正確的調和，即不滿足階層的約束。
有鑑於此，本發明提出了一種基於編碼器-解碼器(encoder-decoder)模型的調和策略，其具有通用性及彈性，且容易實現。藉由在真實世界的資料集上進行測試，本發明提出的階層式時間序列的預測方法皆可達到或超過調和設置中現有方法的效能。
依據本發明一實施例的一種階層式時間序列預測方法，適用於產生一階層結構的多個節點的多個調和預測值，其中節點分別具有多個時間序列，調和預測值對應於時間序列，且節點包含多個底層節點，所述的方法包括：以多個預測模型分別產生對應於時間序列的多個獨立預測值；依據這些獨立預測值及編碼網路產生多個底層預測值；以及依據底層預測值及關聯於階層結構的解碼器產生調和預測值；其中獨立預測值的數量大於底層預測值的數量，且等於調和預測值的數量；對應於時間序列中同一者的獨立預測值及調和預測值在時間上連續。
以上之關於本揭露內容之說明及以下之實施方式之說明係用以示範與解釋本發明之精神與原理，並且提供本發明之專利申請範圍更進一步之解釋。
10:調和器
P:編碼網路
S:解碼器
S1、S2、S3:步驟
圖1繪示一個階層結構的範例；圖2是本發明一實施例提出的階層式時間序列預測方法的流程圖；圖3是本發明一實施例提出的階層式時間序列預測方法對應的架構示意圖；圖4A是標準的全連接網路的示意圖；以及圖4B是簡化版的全連接網路的示意圖。
以下在實施方式中詳細敘述本發明之詳細特徵以及特點，其內容足以使任何熟習相關技藝者了解本發明之技術內容並據以實施，且根據本說明書所揭露之內容、申請專利範圍及圖式，任何熟習相關技藝者可輕易地理解本發明相關之構想及特點。以下之實施例係進一步詳細說明本發明之觀點，但非以任何觀點限制本發明之範疇。
請參考圖1，其繪示一個階層結構的範例。此階層結構具有多個節點A~G，其中包含多個底層節點D、E、F及G。每個節點A~G各自具有一個時間序列At~Gt。時間序列(time-series)例如是以序列方式呈現生產者每個月的月產量。圖1繪示的階層結構描述這些時間序列之間的相依關係，舉一個實際範例如下述：在一工廠a中包含產線b及產線c，其中產線b具有機器d及機器e，且產線c具有機器f及機器g。時間序列Dt、Et、Ft及Gt分別代表機器d、e、f及g的月產量，時間序列Bt及Ct分別代表產線b及c的月產量，時間序列At代表工廠a的月產量。這些生產者a~g的生產量At~Gt滿足「At=Bt+Ct」、「Bt=Dt+Et」且「Ct=Ft+Gt」的
關係。
除了上述範例，多個時間序列例如可用於描述政府機關中各部門每個月的預算，氣象預報中每天的氣溫及濕度，便利商店內各種產品的月營業額等。本發明不特別限制時間序列應用的領域。
所述的階層結構用於描述多個時間序列之間的相依關係。承前例來說：產線b本月的月產量被機器d及機器e的本月的月產量所影響。在某些狀況下，產線b本月的月產量可能受到機器d及機器e過去數個月的月產量的影響。本發明提出的階層式時間序列預測方法可從時間序列At~Gt過去的實際產量和預測產量等大量維度的資料中，選擇部分或全部的資料進行計算，以產生At~Gt各自在未來的預測值(如預估月產量)，同時滿足At~Gt彼此的相依關係。例如：Bt及Ct的預估產量的總和不會超過At的預估月產量。
圖2是本發明一實施例提出的階層式時間序列預測方法的流程圖。圖3是本發明一實施例提出的階層式時間序列預測方法對應的架構示意圖。在圖3中，多個獨立的預測值組成的獨立預測向量被輸入至調和器10(reconciler)。調和器10包含可訓練的編碼網路P及固定的解碼器S。調和器10的輸出為多個調和預測值，這些調和預測值分別對應於時間序列。以下按照圖2的流程詳細說明圖3架構的實施細節。
步驟S1是「以預測模型取得一獨立預測向量」。詳言之，以多個預測模型分別產生對應於多個時間序列的多個獨立預測值。所述的獨立預測向量包含多個時間序列的預測值，如圖3的
所示。其中A t ,B t ,...,G t 的每一者代表一個時間序
列。在本發明一實施例中，獨立預測向量中的每個獨立預測值代表時間序列的下一個預測值。即
, 
,..., 
例如是下個月的產量。但本發明不限於上述範例，在另一實施例中，
, 
,..., 
中的每一者亦可代表連續多個預測週期(例如下兩個月)的多個預測值。
在步驟S1中，所述的預測模型用於產生時間序列的下一個預測值。此預測模型在步驟S1之前已被訓練完成。例如，對時間序列At而言，收集工廠a過去多個月的歷史預測產量AHP以及工廠a過去多個月的實際產量AHR作為預測模型訓練時的輸入。
關於步驟S1所述的多個預測模型，本發明採用以下兩種策略之一。第一種策略是針對每個時間序列使用獨立的預測模型，第二種策略是針對所有時間序列使用一個通用(global)的預測模型。
在第一種策略中，本發明採用線性自迴歸模型(autoregressive model)並以滯後的時間序列值作為輸入。在此策略中，對應於每個時間序列的預測模型中的超參數(hyperparameter)各自獨立地被調整。例如，時間序列At的超參數調整不會影響到時間序列Bt的超參數調整。在第一種策略中，本發明執行網格搜索(grid search)以最佳化預測的滯後值的數量。
在第二種策略中，對於具有大量時間序列的資料集，例如超過500個時間序列的資料集，本發明採用單一個通用的預測模型去預測所有的時間序列。這個方法允許利用時間序列之間的相似性並建立一個複雜的預測模型。本發明採用輕量級的提升樹(Light Gradient Boosting，Light GBM)模型，並以縮放後的滯後的時間序列值、時間序列特定的特徵(time-
series specific features)以及時間的特徵(temporal features)等作為輸入同理，在此預測模型的訓練階段亦採用具有上述類型的歷史預測資料以及歷史實際資料作為訓練資料。假設預測模型是用於預測下個月的飲料銷售量，則時間序列特定的特徵例如可採用溫度、濕度或季節等，且時間的特徵例如可採用上個月晴天的天數等。在此策略中，對應於每個時間序列的預測模型中的超參數彼此可以互相參照或沿用。例如，時間序列Ct的超參數設定可能與時間序列Bt的超參數設定相同。在第二種策略中，本發明執行網格搜索以最佳化Light GBM建立的樹中的樹葉節點的數量及在每個樹葉節點超參數中的最小觀察量(minimum number of observations)，並且對於其他參數維持預設值，其中超參數用於表示樹的結構及分支狀況。只要找到最佳的超參數配置，為了驗證調和器10的參數，本發明在交叉驗證期間使用多個模型進行訓練。調和器10依據階層約束將預測模型的預測結果修正得更為精確。上述的網格搜索亦可改用隨機搜索(random search)以降低搜索時間。
對於上述兩種策略，本發明執行十折的分塊交叉驗證(ten-fold blocked cross-validation)，即驗證集位於相同的時間窗中，藉此選擇最佳的超參數(hyperparameter)組合。上述的驗證技術對於時間序列而言已被證明是有效的。
在真實世界的預測模型中，經常需要最小化給定的指標(metric)，例如平均絕對值比例誤差(mean absolute scaled error，MASE)或平均絕對誤差(mean absolute error，MAE)，而且預測模型的選擇取決於被選定的指標。
為了展示本發明的彈性，本發明一實施例採用以下兩種指標：第一種為平均絕對比例誤差(Mean Absolute Scaled Error，MASE)，第二種為平均對數絕對誤差(Mean Logarithm of Absolute Error，MLAE)。本發明基於這兩種指標訓練具有不同損失函數的多個預測模型。例如針對MASE指標使用MASE作為損失函數，針對MLAE指標使用MLAE作為損失函數。針對預測模型的指標選擇對應於指標的損失函數是一種直觀且方便的做法。
在本發明另一實施例中，對於幾乎恆定的時間序列，本發明不採用MASE作為損失函數，以避免產生不穩定的預測結果。在此另一實施例中，損失函數例如是：將誤差放大一倍加上平均樣本內的原始誤差。
在本發明又一實施例中，在預測模型的訓練階段或驗證階段，可針對預測值與實際值相減的差值設置不同的權重。舉例來說，若預測產量大於實際產量，則以損失函數的輸出值乘以第一權重作為預測誤差，若預測產量小於或等於實際產量，則損失函數的輸出值乘以第二權重作為第二誤差，其中第一權重大於第二權重。實務上，考量到生產量大於銷售量將導致庫存率提高，因此藉由設置不同的權重產生不同的誤差值反映此實際狀況。
在本發明再一實施例中，可依據階層結構中每個節點的重要程度決定每個時間序列的預測模型採用的指標。舉例來說，若在圖1中，節點A相較於節點D及E更為重要，則在時間序列At的預測模型中採用MASE作損失函數，且在時間序列Dt及Et的預測模型中，採用平均絕對誤差(Mean Absolute Error，MAE)。反之，若是節點D及E的重要程
度大於節點A的重要程度，則在時間序列Dt及Et的預測模型中採用MLAE作損失函數，且在時間序列At的預測模型中採用MAE作損失函數。
請參考圖2，步驟S2是「依據獨立預測向量及一編碼網路產生一底層向量」。詳言之，依據步驟S1產生的多個獨立預測值及圖3繪示的編碼網路P產生對應於底層節點的多個底層預測值，這些底層預測值組成底層向量。步驟S1中獨立預測值的數量大於步驟S2中底層預測值的數量。
在本發明一實施例中，編碼網路P例如是一個編碼矩陣。該編碼矩陣用於將獨立預測向量映射至底層(bottom level)向量。
在本發明一實施例中，使用以神經網路表示的一個通用函數(generic function)P：RN→RM去通用化(generalize)M×N矩陣，其中N代表階層結構中所有節點的數量，M代表階層結構中葉節點的數量。
基於圖1的階層範例，請參考圖3，編碼網路P將7維的獨立預測向量
轉換為4維的底層向量
。底層預設值
分別對應於圖1的底層節點D、E、F及G。
對於調和器10中的編碼網路P，本發明採用以整流線性單位函數(Rectified Linear Unit，ReLU)作為激勵函數(activation function)的前饋網路(feed-forward network)，並且將輸出層的大小設定為底層預設值的數量。
本發明提出以下兩種架構去實現前饋網路：第一種為標準的全連接(fully connected)網路，如圖4A所示。第二種為簡化版的全連
接網路，如圖4B所示。第二種架構可讓給定底層時間序列的輸出僅取決於本身及上一階層在所有層級中的預測值。
請參考圖1所示的階層關係並舉例說明如下：在圖4A所示的全連接網路中，對應於底層節點D的底層預測值
受所有層級的時間序列預測值影響，即
。在圖4B簡化版的全連接網路中，
只受本身，其父節點及其祖父節點的影響，即
。由於圖1中節點B的預測值並不受節點F及G的預測值的影響，因此，在全連接網路中節點B與F的連線以及節點B與G的連線可被移除。簡化版的全連接網路雖然在表示能力(representative power)弱於全連接網路，然而其仍保留自下而上、自上而下、自中向上下(middle-out)以及上述組合的表示空間。
對於給定層級數量的階層關係，隨著時間序列數量的成長，所需訓練的參數數量在全連接網路的範例中二次式地(quadratically)成長，在簡化版的全連接網路中線性成長。為了減少過擬合(overfitting)的風險，在本發明一實施例中，當時間序列的數量超過本身長度的10倍時，編碼網路P採用簡化版的全連接網路。此外，採用簡化版的選項也可做為可調整的一個超參數。
步驟S3是「依據底層向量及一解碼器產生一調和預測向量」。詳言之，依據多個底層預測值及關聯於階層結構的解碼器產生多個調和預測值。如圖3所示，解碼器S將底層調和預測作為輸入，重建出所有層級的預測。調和預測向量及獨立預測向量二者具有相同維度，即步驟S1中獨立預測值的數量等於步驟S3中調和預測值的數量。
請參考圖3，在本發明一實施例中，解碼器S是一個固定的0-1矩陣，如下所示。
解碼器S按照如圖1的階層結構約束條件將4維的底層向量
轉換為7維的調和預測向量
。
調和預測向量的每一個元素對應於一個預測值。在本發明其他實施例中，解碼器S也可以是線性或非線性函數。
在本發明一實施例中，圖3的架構可對應至如下方程式：
其中
為獨立預測向量，
為調和預測向量，S為解碼器S對應的0-1矩陣，P為編碼網路對應的0-1矩陣。因此，在最佳組合及跡最小化等方式中，P矩陣為一個稠密矩陣(dense matrix)。在自上而下方式中，將P矩陣中的第一行填入多個總和為1的數值，其餘元素則設置為0。換言之，本發明提出的架構中涵蓋傳統用來預測階層式時間序列的方式。
本發明具有兩個主要的優點：廣義化(Generalization)及彈性。廣義化優點指的是本發明的模型具有寬廣的表示空間，其涵蓋了過去的預測方法並加以延伸，且允許非線性(的轉換)。彈性優勢指的是本發明允許在訓練階段使用適當的損失函數以達到指定的目標效能。現有的方法是簡單的啟發法(如自下而上、自上而下)或在不同的假設下將估計
係數誤差最小化(如最佳調和、跡最小化)。舉例來說，如果目標是平均對數絕對誤差(Mean Logarithm of Absolute Error，MLAE)，則以MLAE作為損失函數。或者，如果對階層中的特定層級有興趣，可指定一個較高的權重至對應的損失函數項。類似地，若誤差的重要性取決於度量或非對稱，本發明可據以改變損失函數以朝向目標進行最佳化。
此外，本發明提出的模型具有實際上容易實作的優點，並且容易被快速成長的深度學習社群存取。相對於傳統方式採用複雜的統計模型，如最佳化結合或跡最小化。此外，如果可以以深度學習框架表達預測模型，本發明允許將調和器網路(reconciler network)堆疊在預測模型上，並同時訓練調和器和微調預測模型。
本發明具有下列貢獻及功效：本發明所提出的調和方法建立在任何以時間序列為輸入的預測方法的上層。本發明提出的易於實現的調和方法，比起現有方法更通用且更有彈性。傳統方法可視為本發明提出的架構中的特例。本發明容許用於各種實際考量的相異的損失函數。
綜上所述，基於編碼器-解碼器模型的神經網路，本發明提出一個新的方法以調和階層式時間序列的預測。編碼器是一個可訓練的神經網路，其將獨立的預測結果作為輸入，並輸出位於底層的被調和的預測結果。解碼器是一個固定矩陣，其以底層的編碼的預測結果精確地重建出所有層級的預測結果。本發明包含並擴展了現有方法的表示空間(representation space)，極具彈性，並且易於實現。
雖然本發明以前述之實施例揭露如上，然其並非用以限定本發明。在不脫離本發明之精神和範圍內，所為之更動與潤飾，均屬本發明
之專利保護範圍。關於本發明所界定之保護範圍請參考所附之申請專利範圍。
S1、S2、S3:步驟
Claims (10)
- 一種階層式時間序列預測方法，適用於產生一階層結構的多個節點的多個調和預測值，其中該些節點分別具有多個時間序列，該些調和預測值對應於該些時間序列，且該些節點包含多個底層節點，所述的方法包括： 以多個預測模型分別產生對應於該些時間序列的多個獨立預測值； 依據該些獨立預測值及一編碼網路產生對應於該些底層節點的多個底層預測值；以及 依據該些底層預測值及關聯於該階層結構的一解碼器產生該些調和預測值；其中 該些獨立預測值的數量大於該些底層預測值的數量，且等於該些調和預測值的數量； 對應於該些時間序列中同一者的該獨立預測值及該調和預測值在時間上連續。
- 如請求項1所述的階層式時間序列預測方法，其中該編碼網路係前饋神經網路（feed-forward network），該編碼網路之訓練資料包含多個歷史預測值及多個歷史實際值。
- 如請求項1所述的階層式時間序列預測方法，其中每一該些預測模型為線性自迴歸模型，且每一該些預測模型的超參數在訓練階段係獨立地被調整。
- 如請求項1所述的階層式時間序列預測方法，其中該些預測模型為輕量級的提升樹模型，且該些預測模型的超參數在訓練階段係互相參照。
- 如請求項1所述的階層式時間序列預測方法，其中當該些時間序列的數量大於一閾值時，該些預測模型為輕量級的提升樹模型。
- 如請求項1所述的階層式時間序列預測方法，其中係每一該些預測模型的損失函數對應於該預測模型的驗證指標。
- 如請求項1所述的階層式時間序列預測方法，其中在該階層結構中位於上層的該時間序列對應的損失函數為平均絕對比例誤差，且位於下層的另一該時間序列對應的損失函數為平均絕對誤差。
- 如請求項1所述的階層式時間序列預測方法，其中在該階層結構中位於下層的該時間序列對應的損失函數為平均對數絕對誤差，且位於上層的另一該時間序列對應的損失函數為平均絕對誤差。
- 如請求項1所述的階層式時間序列預測方法，其中該預測模型用以輸出一預測值及一預測誤差，當該預測值大於一實際值時，以該損失函數乘以一第一權重作為該預測誤差， 當該預測值不大於該實際值時，以該損失函數乘以一第二權重作為該該第二誤差，其中該第一權重大於該第二權重。
- 如請求項2所述的階層式時間序列預測方法，其中該前饋網路具有一全連接層，該全連接層在該獨立預測向量中的每一元素與該底層向量中的每一元素依據該階層關係決定是否具有一連線。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW109140783A TWI755941B (zh) | 2020-11-20 | 2020-11-20 | 階層式時間序列預測方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW109140783A TWI755941B (zh) | 2020-11-20 | 2020-11-20 | 階層式時間序列預測方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| TWI755941B true TWI755941B (zh) | 2022-02-21 |
| TW202221548A TW202221548A (zh) | 2022-06-01 |
Family
ID=81329229
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| TW109140783A TWI755941B (zh) | 2020-11-20 | 2020-11-20 | 階層式時間序列預測方法 |
Country Status (1)
| Country | Link |
|---|---|
| TW (1) | TWI755941B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114841457A (zh) * | 2022-05-18 | 2022-08-02 | 上海玫克生储能科技有限公司 | 电力负荷估计方法及系统、电子设备及存储介质 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103886223A (zh) * | 2014-04-14 | 2014-06-25 | 中国科学院声学研究所 | 功率预测方法和系统 |
| CN103999049A (zh) * | 2011-11-29 | 2014-08-20 | 国际商业机器公司 | 云供应加速器 |
| CN105025111A (zh) * | 2015-08-10 | 2015-11-04 | 广州大学 | 一种信息中心网络icn中数据源解析方法 |
| CN105117602A (zh) * | 2015-08-28 | 2015-12-02 | 国家电网公司 | 一种计量装置运行状态预警方法 |
| TWI546686B (zh) * | 2015-01-29 | 2016-08-21 | 國立中興大學 | 一種具動態粒度與自動標籤之漸進式序列資料探勘方法及系統 |
| JP6400566B2 (ja) * | 2012-04-13 | 2018-10-03 | クゥアルコム・インコーポレイテッドＱｕａｌｃｏｍｍ Ｉｎｃｏｒｐｏｒａｔｅｄ | ユーザインターフェースを表示するためのシステムおよび方法 |
| CN109902259A (zh) * | 2019-02-25 | 2019-06-18 | 中国科学院地理科学与资源研究所 | 一种轻量级的缺失时空数据的重构方法 |
| TW201945996A (zh) * | 2018-03-14 | 2019-12-01 | 美商史科爾得推論股份有限公司 | 將資料分析系統轉換為對可配置目標度量優化的跨平台即時決策系統的方法 |
| US20190384790A1 (en) * | 2016-02-05 | 2019-12-19 | Sas Institute Inc. | Staged training of neural networks for improved time series prediction performance |
-
2020
- 2020-11-20 TW TW109140783A patent/TWI755941B/zh active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103999049A (zh) * | 2011-11-29 | 2014-08-20 | 国际商业机器公司 | 云供应加速器 |
| JP6400566B2 (ja) * | 2012-04-13 | 2018-10-03 | クゥアルコム・インコーポレイテッドＱｕａｌｃｏｍｍ Ｉｎｃｏｒｐｏｒａｔｅｄ | ユーザインターフェースを表示するためのシステムおよび方法 |
| CN103886223A (zh) * | 2014-04-14 | 2014-06-25 | 中国科学院声学研究所 | 功率预测方法和系统 |
| TWI546686B (zh) * | 2015-01-29 | 2016-08-21 | 國立中興大學 | 一種具動態粒度與自動標籤之漸進式序列資料探勘方法及系統 |
| CN105025111A (zh) * | 2015-08-10 | 2015-11-04 | 广州大学 | 一种信息中心网络icn中数据源解析方法 |
| CN105117602A (zh) * | 2015-08-28 | 2015-12-02 | 国家电网公司 | 一种计量装置运行状态预警方法 |
| US20190384790A1 (en) * | 2016-02-05 | 2019-12-19 | Sas Institute Inc. | Staged training of neural networks for improved time series prediction performance |
| TW201945996A (zh) * | 2018-03-14 | 2019-12-01 | 美商史科爾得推論股份有限公司 | 將資料分析系統轉換為對可配置目標度量優化的跨平台即時決策系統的方法 |
| CN109902259A (zh) * | 2019-02-25 | 2019-06-18 | 中国科学院地理科学与资源研究所 | 一种轻量级的缺失时空数据的重构方法 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114841457A (zh) * | 2022-05-18 | 2022-08-02 | 上海玫克生储能科技有限公司 | 电力负荷估计方法及系统、电子设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| TW202221548A (zh) | 2022-06-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102874170B1 (ko) | 생산 스케줄링을 위한 심층 강화 학습 | |
| CN114519444A (zh) | 阶层式时间序列预测方法 | |
| Xenochristou et al. | An ensemble stacked model with bias correction for improved water demand forecasting | |
| Cai et al. | A combined filtering strategy for short term and long term wind speed prediction with improved accuracy | |
| Donate et al. | Time series forecasting by evolving artificial neural networks with genetic algorithms, differential evolution and estimation of distribution algorithm | |
| CN116596044A (zh) | 基于多源数据的发电负荷预测模型训练方法及装置 | |
| CN116739118A (zh) | 一种基于LSTM-XGBoost实现误差修正机制的电力负荷预测方法 | |
| CN110390436A (zh) | 一种基于ssa与lstm深度学习的电厂存煤量短期预测方法 | |
| CN120728750B (zh) | 一种基于强化学习的虚拟电厂响应优化调度系统及方法 | |
| CN119026450A (zh) | 一种配电网超短期分布式能源出力预测方法及系统 | |
| CN116663842A (zh) | 一种基于人工智能的数字化管理系统及方法 | |
| CN118821925A (zh) | 一种基于历史特征表示融合的时序知识图谱推理方法 | |
| Mulewa et al. | Attention based Transformer coupled with convoluted neural network for ultra-short-and short-term forecasting of multiple wind farms | |
| TWI755941B (zh) | 階層式時間序列預測方法 | |
| CN118100149A (zh) | 一种基于大语言模型微调的区域风力发电功率预测方法 | |
| Zarghami et al. | Concurrent PV production and consumption load forecasting using CT‐Transformer deep learning to estimate energy system flexibility | |
| Erişen et al. | Short-term electricity load forecasting with special days: an analysis on parametric and non-parametric methods | |
| Wang et al. | Enhanced GAN Based Joint Wind-Solar-Load Scenario Generation With Extreme Weather Labelling | |
| Victor | Analyzing Stock Market Trends using Social Media user Moods and Social Influence using Lightweight BERT-BiGRU-A Model | |
| CN107894971B (zh) | 一种可扩展的基于神经网络的序列标注方法 | |
| CN113052630B (zh) | 利用模型进行电力设备配置的方法和电力设备配置方法 | |
| Mudiyanselage et al. | Multivariant Short-Term Residential Load Forecasting with Dual Path Trigonometric Encoding LSTM and Attention Mechanism | |
| CN119651591B (zh) | 一种分布式光伏发电功率分层聚合预测方法、系统、设备及存储介质 | |
| CN119476989B (zh) | 一种基于时序分析和bp神经网络的能耗预测方法及系统 | |
| He | Research on Tiered Service Demand Forecasting Model for Vocational Education Based on Machine Learning Algorithms |