【技术实现步骤摘要】
本专利技术涉及数据预测，尤其涉及一种基于机器学习的加油站数据预测方法、装置以及终端设备。
技术介绍
1、在加油站运营中，对目标物品如燃油、商品等的调配至关重要，这直接影响到加油站的运营效率和服务质量。目前，业界普遍采用基于历史均衡指数数据来预测未来需求，进而指导资源调配。然而，现有的方法主要依赖传统的机器学习模型，这些模型虽然能够捕捉数据的基本模式，但却未能充分挖掘数据的深层特征和复杂关联。现有模型往往缺乏有效的处理机制，导致预测精度受限，从而影响了后续根据预测结果进行资源调配的精准性。
技术实现思路
1、本专利技术实施例的主要目的在于提供一种基于机器学习的加油站数据预测方法、装置以及终端设备，旨在解决相关技术中在预测均衡指数时存在准确性不足，进而导致资源的调配受到影响的问题。
2、第一方面，本专利技术实施例提供一种基于机器学习的加油站数据预测方法，包括：
3、获得目标加油站的目标物品对应的历史特征数据和所述历史特征数据对应的第一相关特征数据，所述历史特征数据是指影响目标预测均衡指数的第一因素，所述第一相关特征数据是指影响所述目标预测均衡指数的第二因素，所述目标预测均衡指数用于表征所述目标物品在所述目标加油站下预测得到的可成交物品数量；
4、对所述历史特征数据进行数据聚类获得目标聚类结果；
5、从所述第一相关特征数据中获得所述目标聚类结果中每个第一子类簇对应的第二相关特征数据；
6、基于机器学习对所述第一子类簇进行数据拟合
7、获得所述目标加油站的所述目标物品对应的目标预测时间，并获得所述目标预测时间对应的第三相关特征数据；
8、根据所述第二相关特征数据和所述第三相关特征数据从所述初始预测模型中获得所述目标物品对应的目标预测模型；
9、根据所述目标预测模型对所述目标预测时间进行数据预测，获得所述目标物品在所述目标预测时间下对应的所述目标预测均衡指数。
10、第二方面，本专利技术实施例提供一种基于机器学习的加油站数据预测装置，包括：
11、数据采集模块，用于获得目标加油站的目标物品对应的历史特征数据和所述历史特征数据对应的第一相关特征数据，所述历史特征数据是指影响目标预测均衡指数的第一因素，所述第一相关特征数据是指影响所述目标预测均衡指数的第二因素，所述目标预测均衡指数用于表征所述目标物品在所述目标加油站下预测得到的可成交物品数量；
12、数据聚类模块，用于对所述历史特征数据进行数据聚类获得目标聚类结果；
13、数据分析模块，用于从所述第一相关特征数据中获得所述目标聚类结果中每个第一子类簇对应的第二相关特征数据；
14、数据拟合模块，用于基于机器学习对所述第一子类簇进行数据拟合获得初始预测模型；
15、数据获得模块，用于获得所述目标加油站的所述目标物品对应的目标预测时间，并获得所述目标预测时间对应的第三相关特征数据；
16、模型选择模块，用于根据所述第二相关特征数据和所述第三相关特征数据从所述初始预测模型中获得所述目标物品对应的目标预测模型；
17、数据预测模块，用于根据所述目标预测模型对所述目标预测时间进行数据预测，获得所述目标物品在所述目标预测时间下对应的所述目标预测均衡指数。
18、第三方面，本专利技术实施例还提供一种终端设备，所述终端设备包括处理器、存储器、存储在所述存储器上并可被所述处理器执行的计算机程序以及用于实现所述处理器和所述存储器之间的连接通信的数据总线，其中所述计算机程序被所述处理器执行时，实现如本专利技术说明书提供的任一项基于机器学习的加油站数据预测方法的步骤。
19、本专利技术实施例提供一种基于机器学习的加油站数据预测方法、装置以及终端设备，该方法包括：获得目标加油站的目标物品对应的历史特征数据和历史特征数据对应的第一相关特征数据，历史特征数据是指影响目标预测均衡指数的第一因素，第一相关特征数据是指影响目标预测均衡指数的第二因素，目标预测均衡指数用于表征目标物品在目标加油站下预测得到的可成交物品数量；对历史特征数据进行数据聚类获得目标聚类结果；从第一相关特征数据中获得目标聚类结果中每个第一子类簇对应的第二相关特征数据；基于机器学习对第一子类簇进行数据拟合获得初始预测模型；获得目标加油站的所述目标物品对应的目标预测时间，并获得目标预测时间对应的第三相关特征数据；根据第二相关特征数据和第三相关特征数据从初始预测模型中获得目标物品对应的目标预测模型；根据目标预测模型对目标预测时间进行数据预测，获得目标物品在目标预测时间下对应的目标预测均衡指数。该方法通过对历史特征数据进行数据聚类，可以将相似的特征数据归类到同一子类簇中。这种聚类分析有助于识别目标物品的变化趋势，从而提高预测模型的准确性。基于机器学习对每个子类簇进行特征数据拟合，可以捕捉到相近模式和趋势，从而生成更精确的初始预测模型，进而根据第二相关特征数据和第三相关特征数据从初始预测模型中获得目标预测模型，这种动态调整使得预测模型能够适应不同的环境和条件变化，从而通过目标预测模型对目标预测时间进行数据预测，获得目标物品在目标预测时间下的目标预测均衡指数。该方法可以显著提高均衡指数预测的准确性，从而为加油站后续的资源调配提供良好的数据支撑，该方法也解决相关技术中在预测均衡指数时存在准确性不足，进而导致资源的调配受到影响的问题。
本文档来自技高网...【技术保护点】
1.一种基于机器学习的加油站数据预测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述对所述历史特征数据进行数据聚类获得目标聚类结果，包括：
3.根据权利要求2所述的方法，其特征在于，所述计算所述初始聚类中心与所述历史特征数据中其他数据之间的距离信息，包括：
4.根据权利要求2所述的方法，其特征在于，所述对所述初始聚类结果中每个第二子类簇中的第二子特征数据和所述第二子类簇对应的类簇聚类中心之间的关联度，包括：
5.根据权利要求1所述的方法，其特征在于，所述基于机器学习对所述第一子类簇进行数据拟合获得初始预测模型，包括：
6.根据权利要求1所述的方法，其特征在于，所述根据所述第二相关特征数据和所述第三相关特征数据从所述初始预测模型中获得所述目标物品对应的目标预测模型，包括：
7.根据权利要求6所述的方法，其特征在于，所述获得所述第三相关特征数据中的特征信息与所述第二相关特征数据中的所述特征信息进行信息融合时对应的权重信息，包括：
8.根据权利要求1所述的方法，其特征在于
9.一种基于机器学习的加油站数据预测装置，其特征在于，包括：
10.一种终端设备，其特征在于，所述终端设备包括处理器、存储器；
...【技术特征摘要】
1.一种基于机器学习的加油站数据预测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述对所述历史特征数据进行数据聚类获得目标聚类结果，包括：
3.根据权利要求2所述的方法，其特征在于，所述计算所述初始聚类中心与所述历史特征数据中其他数据之间的距离信息，包括：
4.根据权利要求2所述的方法，其特征在于，所述对所述初始聚类结果中每个第二子类簇中的第二子特征数据和所述第二子类簇对应的类簇聚类中心之间的关联度，包括：
5.根据权利要求1所述的方法，其特征在于，所述基于机器学习对所述第一子类簇进行数据拟合获得初始预测模型，包...
【专利技术属性】
技术研发人员：请求不公布姓名，
申请(专利权)人：龙马智芯珠海横琴科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。