一种能源用量预测模型训练、能源用量预测方法和装置制造方法及图纸

本说明书涉及人工智能技术领域，尤其涉及一种能源用量预测模型训练、能源用量预测方法和装置。其中能源用量预测模型训练方法包括针对多个社区中每个社区采集的多个用户能源用量信息进行标签化处理，确定与每个社区的样本数据对应的标签，样本数据由多个用户能源用量信息确定；根据每两个社区之间的相似度，确定邻接矩阵；以及基于样本数据、标签和邻接矩阵，对预设能源用量预测模型进行训练，得到训练后的能源用量预测模型。利用本说明书实施例，实现了在能源用量预测过程中，考虑社区之间的关联性，提高了能源用量预测结果的准确性。提高了能源用量预测结果的准确性。提高了能源用量预测结果的准确性。

【技术实现步骤摘要】
一种能源用量预测模型训练、能源用量预测方法和装置


[0001]本说明书涉及人工智能
，尤其涉及一种能源用量预测模型训练、能源用量预测方法和装置。

技术介绍

[0002]在对每个社区进行能源用量预测时，目前仅考虑该社区内用户的历史能源用量情况。具体为，基于统计学的方法（例如多元线性回归和自回归移动平均模型），对历史能源用量进行回归处理，得到用于预测未来资源用量的模型；基于机器学习和深度学习的模型（例如使用长短期记忆神经网络模型），以历史能源用量为训练样本进行模型训练，得到用于预测未来资源用量的模型。基于统计学的方法进行未来资源用量预测时，方法模型简单，使用效率高，但是只能捕捉线性关系，预测场景较为单一，且很难预测多个时间步和未来长时间的能源用量情况。基于机器学习和深度学习的模型进行未来资源用量预测时，并没有考虑社区与社区之间的关联性，只是根据单一社区的用气情况做预测，由此导致预测结果准确率较低。
[0003]如何在考虑社区与社区之间的关联性的基础上，实现准确地对多个时间步和未来长时间的能源用量情况进行预测是现有技术中亟需解决的问题。

技术实现思路

[0004]为解决现有技术中的问题，本说明书实施例提供了一种能源用量预测模型训练、能源用量预测方法和装置，实现了在能源用量预测过程中，考虑社区之间的关联性，提高了能源用量预测结果的准确性。
[0005]为了解决上述技术问题，本说明书的具体技术方案如下：一方面，本说明书实施例提供了一种能源用量预测模型训练方法，包括，针对多个社区中每个社区采集的多个用户能源用量信息进行标签化处理，确定与每个所述社区的样本数据对应的标签，所述样本数据由所述多个用户能源用量信息确定；根据每两个社区之间的相似度，确定邻接矩阵；以及基于所述样本数据、所述标签和所述邻接矩阵，对预设能源用量预测模型进行训练，得到训练后的能源用量预测模型。
[0006]进一步，该针对多个社区中每个社区采集的多个用户能源用量信息进行标签化处理，确定与每个所述社区的样本数据对应的标签进一步包括：针对所述每个社区，分别确定所述社区包括的多个用户；计算与所述每个用户对应的能源用量数据的平均值，所述用户能源用量信息包括所述能源用量数据；以及将所述平均值作为与所述样本数据对应的所述标签。
[0007]进一步，该根据每两个所述社区之间的相似度，确定邻接矩阵进一步包括，分别确定每个所述社区的位置信息；
基于所述位置信息，分别确定每两个所述社区之间的第一相似度，以得到第一子邻接矩阵；基于与每两个所述社区对应的所述样本数据，分别确定每两个所述社区之间的第二相似度，以得到第二子邻接矩阵；以及基于所述第一子邻接矩阵和所述第二子邻接矩阵，确定所述邻接矩阵。
[0008]进一步，该基于所述位置信息，分别确定每两个所述社区之间的第一相似度，以得到第一子邻接矩阵进一步包括，基于每两个所述社区的位置信息，分别确定欧氏距离值；判断所述欧氏距离值是否小于距离阈值；在确定所述欧氏距离值小于距离阈值的情况下，确定与所述欧氏距离值对应的两个所述社区之间的第一相似度为第一数值；在确定所述欧氏距离值不小于距离阈值的情况下，确定与所述欧氏距离值对应的两个所述社区之间的第一相似度为第二数值；以及基于与社区对应的节点标识、所述第一数值和第二数值，构建所述第一子邻接矩阵，所述节点标识为与所述预设能源用量预测模型包括的图中的节点对应的唯一标识，所述节点与所述社区相对应。
[0009]进一步，该基于与每两个所述社区对应的所述样本数据，分别确定每两个所述社区之间的第二相似度进一步包括，
[0010]其中，所述分别表征与所述社区对应的节点标识，所述表征所述第二相似度，所述分别表征由与所述社区对应的所述样本数据确定的样本矩阵，所述表征矩阵相似得分，以及所述表征所述多个社区的总数。
[0011]进一步，该预设能源用量预测模型包括预设图神经网络模型和预设自注意力模型，所述基于所述样本数据、所述标签和所述邻接矩阵，对预设能源用量预测模型进行训练，得到训练后的能源用量预测模型进一步包括，利用所述预设图神经网络模型针对每个所述样本数据进行处理，得到对应的预测能源用量序列；利用所述预设自注意力模型针对所述预测能源用量序列进行处理，得到对应的预测能源用量数据；以及利用所述预测能源用量数据和与所述样本数据对应的所述标签之间的差异，针对所述预设图神经网络模型和预设自注意力模型进行训练，得到训练后的图神经网络预测模型和训练后的自注意力模型，以构成所述训练后的能源用量预测模型。
[0012]进一步，该用户能源用量信息包括能源用量数据和采集时刻信息，所述能源用量数据包括燃气用量数据、水用量数据和电用量数据中的至少一个。
[0013]另一方面，本说明书实施例还提供了一种能源用量预测方法，包括，根据接收到的待预测社区标识，确定对应的目标训练后的能源用量预测模型；以
及利用所述目标训练后的能源用量预测模型针对与所述待预测社区标识对应的待预测用户能源用量信息集合进行处理，得到与所述待预测社区标识对应的目标能源用量数据，其中，所述目标训练后的能源用量预测模型是采用上述任一项所述的方法针对所述预设能源用量预测模型训练得到的。
[0014]另一方面，本说明书实施例还提供了一种能源用量预测模型训练装置，包括，标签化单元，用于针对多个社区中每个社区采集的多个用户能源用量信息进行标签化处理，确定与每个所述社区的样本数据对应的标签，所述样本数据由所述多个用户能源用量信息确定；第一确定单元，用于根据每两个社区之间的相似度，确定邻接矩阵；以及训练单元，用于基于所述样本数据、所述标签和所述邻接矩阵，对预设能源用量预测模型进行训练，得到训练后的能源用量预测模型。
[0015]另一方面，本说明书实施例还提供了一种能源用量预测装置，包括，第二确定单元，用于根据接收到的待预测社区标识，确定对应的目标训练后的能源用量预测模型；以及处理单元，用于利用所述目标训练后的能源用量预测模型针对与所述待预测社区标识对应的待预测用户能源用量信息集合进行处理，得到与所述待预测社区标识对应的目标能源用量数据，其中，所述目标训练后的能源用量预测模型是采用上述的装置针对所述预设能源用量预测模型训练得到的。
[0016]另一方面，本说明书实施例还提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述的方法。
[0017]另一方面，本说明书实施例还提供了一种计算机可读存储介质，其上存储有计算机指令，该计算机指令被处理器执行时实现上述的方法。
[0018]另一方面，本说明书实施例还提供了一种计算机程序产品，包括计算机程序/指令，所述计算机程序/指令被处理器执行时实现的方法。
[0019]利用本说明书实施例，在对进行能源用量预测的训练后的能源用量预测模型进行训练时，针对多个社区中每个社区采集的多个用户能源用量信息进行标签化处理，确定与每个社区的样本数据对应的标签，该样本数据由多本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种能源用量预测模型训练方法，其特征在于，包括：针对多个社区中每个社区采集的多个用户能源用量信息进行标签化处理，确定与每个所述社区的样本数据对应的标签，所述样本数据由所述多个用户能源用量信息确定；根据每两个社区之间的相似度，确定邻接矩阵；以及基于所述样本数据、所述标签和所述邻接矩阵，对预设能源用量预测模型进行训练，得到训练后的能源用量预测模型。2.根据权利要求1所述的方法，其特征在于，所述针对多个社区中每个社区采集的多个用户能源用量信息进行标签化处理，确定与每个所述社区的样本数据对应的标签包括：针对所述每个社区，分别确定所述社区包括的多个用户；计算与所述每个用户对应的能源用量数据的平均值，所述用户能源用量信息包括所述能源用量数据；以及将所述平均值作为与所述样本数据对应的所述标签。3.根据权利要求1所述的方法，其特征在于，所述根据每两个所述社区之间的相似度，确定邻接矩阵包括：分别确定每个所述社区的位置信息；基于所述位置信息，分别确定每两个所述社区之间的第一相似度，以得到第一子邻接矩阵；基于与每两个所述社区对应的所述样本数据，分别确定每两个所述社区之间的第二相似度，以得到第二子邻接矩阵；以及基于所述第一子邻接矩阵和所述第二子邻接矩阵，确定所述邻接矩阵。4.根据权利要求3所述的方法，其特征在于，所述基于所述位置信息，分别确定每两个所述社区之间的第一相似度，以得到第一子邻接矩阵包括：基于每两个所述社区的位置信息，分别确定欧氏距离值；判断所述欧氏距离值是否小于距离阈值；在确定所述欧氏距离值小于距离阈值的情况下，确定与所述欧氏距离值对应的两个所述社区之间的第一相似度为第一数值；在确定所述欧氏距离值不小于距离阈值的情况下，确定与所述欧氏距离值对应的两个所述社区之间的第一相似度为第二数值；以及基于与社区对应的节点标识、所述第一数值和第二数值，构建所述第一子邻接矩阵，所述节点标识为与所述预设能源用量预测模型包括的图中的节点对应的唯一标识，所述节点与所述社区相对应。5.根据权利要求3所述的方法，其特征在于，所述基于与每两个所述社区对应的所述样本数据，分别确定每两个所述社区之间的第二相似度包括：其中，所述分别表征与所述社区对应的节点标识，所述表征所述第二相似度，所述分别表征由与所述社区对应的
所述样本数据确定的样本矩阵，所述表征矩阵相似得分，以及所述表征所述多个社区的总数。6.根据权利要求1所述的方法，其特征在于，所述预设能源用量预测模型包括预设图神经网络模型和预设自注意力模型，所述基于所述样本数据、所述标签和所述邻接矩阵，对预设能源用量预测模型进行训练，得到训练后的能源用量预测模型包括：利用所述预设图神经网络模型针对每个所述样本数据进...

【专利技术属性】
技术研发人员：刘世章，戴松霖，王歌，刘晨，杨金珠，宋子东，
申请(专利权)人：中国石油天然气集团有限公司，
类型：发明
国别省市：