天然气需求预测方法、装置、电子设备及介质与流程

1.本发明涉及油气开发预测领域，更具体地，涉及一种天然气需求预测方法、装置、电子设备及介质。


背景技术：

2.在低碳转型的时代特征和经济发展“新常态”的态势下，能源绿色转型要求日益迫切，及时调整能源消费结构，加大天然气和其它绿色低碳能源的消费比重势在必行。因此，科学合理地预测未来几年甚至十几年天然气需求总量，为相关部门制定相应的发展规划和策略提供参考，更加具有现实意义。
3.但是，目前阶段针对天然气需求预测的研究尚处于起步阶段，预测模型相对匮乏，传统的天然气需求预测方法主要包括趋势外推和消费系数法两种。趋势外推法一般通过若干组历史数据建立时序方程进行简单的趋势外推；消费系数法，通过弹性系数量值间接预测未来天然气需求。由于天然气需求系统是一个复杂的动态系统，与经济、社会、政策环境等诸多方面有交互影响，既有线性关系又有非线性关系，如若简单的采用弹性系数指标的预测值，具有较强的主观性，难以精确赋值，且其微小的变化都会引起需求总量较大变动，因此其预测结构的准确性难以保证。
4.在进行天然气需求预测时，现有技术包括：
5.梳理历年天然气消费时序数据，然后通过扩展s型曲线对天然气历史消费数据进行了函数拟合，利用spss非线性最小二乘法求解方程参数。该模型虽然采用了扩展策略，增加了原有s型生长曲线模型的参数数目，有效提高了模型的拟合精度，但是忽略了外界因素对天然气需求的影响，只是单纯地利用天然气历史消费数据进行函数拟合，并利用时序序列进行需求预测，所以该模型的预测效果、科学合理性有待进一步验证。
6.通过相关性分析确定影响因素；根据确定的影响因素分别由人工神经网络、支持向量机、主成分分析预测、混合回归分析、节点倍比法、误差修正模型、自回归分布滞后模型进行预测；根据最优化技术和决策理论确定各个模型的权重；根据不同模型权重分配得出日天然气需求预测值；根据用户数变化、检维修等对预测值进行修正。
7.但是，对于影响因素仅进行了相关性分析并未对各类因素进行必要的成分提取，以消除变量之间的共线性，因此如果简单利用相关性分析确定的影响因素进行预测时，必然存在较大的误差。而且，该方法采用了七种单模型分别进行预测，过程较为繁琐，可操作性差，不宜于实际操作使用，且各个模型直接相互交叉具有一定的重复性，需采用最优化方法确定不同模型的权重无形中加大了操作的难度。
8.因此，有必要开发一种基于灰色与偏最小二乘组合模型的天然气需求预测方法、装置、电子设备及介质。
9.公开于本发明背景技术部分的信息仅仅旨在加深对本发明的一般背景技术的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域技术人员所公知的现有技术。


技术实现要素：

10.本发明提出了一种天然气需求预测方法、装置、电子设备及介质，其能够通过灰色等维递补模型消除系统噪声，并对各类影响因素的发展趋势进行预测分析；利用偏最小二乘模型对天然气历史消费量及各类影响因素进行回归建模，不仅可以对天然气需求量进行合理准确的预测，还可以准确掌握其发展趋势和变化规律，在天然气生产管理、调度优化、发展规划和策略制定等都具有重要的指导意义。
11.第一方面，本公开实施例提供了一种天然气需求预测方法，包括：
12.构建灰色等维递补模型；
13.根据所述灰色等维递补模型，对影响因素进行初步预测，获得所述影响因素的预测值；
14.以天然气历史消费数据为因变量，以影响因素的历史值为自变量，构建偏最小二乘回归模型；
15.根据所述影响因素的预测值与所述偏最小二乘回归模型，预测天然气需求。
16.优选地，构建灰色等维递补模型包括：
17.根据历史数据，确定初始时序信息；
18.针对所述初始时序信息进行一次累加，获得一次累加序列；
19.计算所述一次累加序列的紧邻均值序列；
20.建立灰色等维递补模型，并计算所述灰色等维递补模型的系数向量。
21.优选地，灰色等维递补模型为：
[0022][0023]
其中，x
(0)
(i)为初始时序信息，x
(1)
为一次累加序列，z
(1)
(i)为紧邻均值序列，a为发展系数，b为灰色作用量。
[0024]
优选地，获得所述影响因素的预测值包括：
[0025]
根据所述初始时序信息与所述灰色等维递补模型，建立时间响应方程；
[0026]
针对所述时间响应方程进行1-ago处理，获得还原序列，即为所述影响因素的预测值。
[0027]
优选地，所述影响因素的预测值为：
[0028][0029]
其中，
[0030]
优选地，所述偏最小二乘回归模型为：
[0031]
y＝a0 a1x1 a2x2
…
aixi,i＝1,2,
…
,n
ꢀꢀꢀ
(3)
[0032]
其中，y为因变量，xi为自变量。
[0033]
优选地，根据所述影响因素的预测值与所述偏最小二乘回归模型，预测天然气需求包括：
[0034]
将所述影响因素的预测值代入到所述偏最小二乘回归模型中，进行天然气需求量预测。
[0035]
作为本公开实施例的一种具体实现方式，
[0036]
第二方面，本公开实施例还提供了一种天然气需求预测装置，包括：
[0037]
灰色等维递补模型构建模块，构建灰色等维递补模型；
[0038]
预测值计算模块，根据所述灰色等维递补模型，对影响因素进行初步预测，获得所述影响因素的预测值；
[0039]
偏最小二乘回归模型构建模块，以天然气历史消费数据为因变量，以影响因素的历史值为自变量，构建偏最小二乘回归模型；
[0040]
预测模块，根据所述影响因素的预测值与所述偏最小二乘回归模型，预测天然气需求。
[0041]
优选地，构建灰色等维递补模型包括：
[0042]
根据历史数据，确定初始时序信息；
[0043]
针对所述初始时序信息进行一次累加，获得一次累加序列；
[0044]
计算所述一次累加序列的紧邻均值序列；
[0045]
建立灰色等维递补模型，并计算所述灰色等维递补模型的系数向量。
[0046]
优选地，灰色等维递补模型为：
[0047][0048]
其中，x
(0)
(i)为初始时序信息，x
(1)
为一次累加序列，z
(1)
(i)为紧邻均值序列，a为发展系数，b为灰色作用量。
[0049]
优选地，获得所述影响因素的预测值包括：
[0050]
根据所述初始时序信息与所述灰色等维递补模型，建立时间响应方程；
[0051]
针对所述时间响应方程进行1-ago处理，获得还原序列，即为所述影响因素的预测值。
[0052]
优选地，所述影响因素的预测值为：
[0053][0054]
其中，
[0055]
优选地，所述偏最小二乘回归模型为：
[0056]
y＝a0 a1x1 a2x2
…
aixi,i＝1,2,
…
,n
ꢀꢀꢀ
(3)
[0057]
其中，y为因变量，xi为自变量。
[0058]
优选地，根据所述影响因素的预测值与所述偏最小二乘回归模型，预测天然气需求包括：
[0059]
将所述影响因素的预测值代入到所述偏最小二乘回归模型中，进行天然气需求量预测。
[0060]
第三方面，本公开实施例还提供了一种电子设备，该电子设备包括：
[0061]
存储器，存储有可执行指令；
[0062]
处理器，所述处理器运行所述存储器中的所述可执行指令，以实现所述的天然气需求预测方法。
[0063]
第四方面，本公开实施例还提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现所述的天然气需求预测方法。
[0064]
本发明的方法和装置具有其它的特性和优点，这些特性和优点从并入本文中的附图和随后的具体实施方式中将是显而易见的，或者将在并入本文中的附图和随后的具体实施方式中进行详细陈述，这些附图和具体实施方式共同用于解释本发明的特定原理。
附图说明
[0065]
通过结合附图对本发明示例性实施例进行更详细的描述，本发明的上述以及其它目的、特征和优势将变得更加明显，其中，在本发明示例性实施例中，相同的参考标号通常代表相同部件。
[0066]
图1示出了根据本发明的一个实施例的天然气需求预测方法的步骤的流程图。
[0067]
图2示出了根据本发明的一个实施例的1995年-2015年天然气消费实际值与模型预测结果的拟合曲线对比图。
[0068]
图3示出了根据本发明的一个实施例的1995年-2015年天然气消费实际值与模型预测结果的拟合曲线相对误差的示意图。
[0069]
图4示出了根据本发明的一个实施例的2016-2030年天然气需求量预测值的示意图。
[0070]
图5示出了根据本发明的一个实施例的一种天然气需求预测装置的框图。
[0071]
附图标记说明：
[0072]
201、灰色等维递补模型构建模块；202、预测值计算模块；203、偏最小二乘回归模型构建模块；204、预测模块。
具体实施方式
[0073]
下面将更详细地描述本发明的优选实施方式。虽然以下描述了本发明的优选实施方式，然而应该理解，可以以各种形式实现本发明而不应被这里阐述的实施方式所限制。
[0074]
本发明提供一种天然气需求预测方法，包括：
[0075]
构建灰色等维递补模型；在一个示例中，构建灰色等维递补模型包括：根据历史数据，确定初始时序信息；针对初始时序信息进行一次累加，获得一次累加序列；计算一次累加序列的紧邻均值序列；建立灰色等维递补模型，并计算灰色等维递补模型的系数向量。
[0076]
在一个示例中，灰色等维递补模型为：
[0077][0078]
其中，x
(0)
(i)为初始时序信息，x
(1)
为一次累加序列，z
(1)
(i)为紧邻均值序列，a为发展系数，b为灰色作用量。
[0079]
具体地，获取历年全国天然气消费量及gdp、城市管道长度、人口总量、城市化率、煤炭消费量占比、石油消费量占比、天然气消费量占比、一次电力及其它能源消费量占比和单位gdp能耗等影响天然气消费的各类指标的详细历史数据，根据历史数据，确定初始时序信息为x
(0)
(n)；针对初始时序信息进行一次累加，获得一次累加序列为：
[0080][0081]
则有x
(1)
＝{x
(1)
(1),x
(1)
(2),
…
,x
(1)
(n)}；
[0082]
计算一次累加序列的紧邻均值序列为：
[0083][0084]
则有z
(1)
＝{z
(1)
(2),z
(1)
(3),
…
,z
(1)
(n)}；
[0085]
建立灰色等维递补模型为公式(1)，并计算灰色等维递补模型的系数向量，其中，发展系数a和灰色作用量b为待求未知参数，有式中，yn＝(x
(0)
(2),x
(0)
(3),
…
,x
(0)
(n))
t
。
[0086]
根据灰色等维递补模型，对影响因素进行初步预测，获得影响因素的预测值；在一个示例中，获得影响因素的预测值包括：根据初始时序信息与灰色等维递补模型，建立时间响应方程；针对时间响应方程进行1-ago处理，获得还原序列，即为影响因素的预测值。
[0087]
在一个示例中，影响因素的预测值为：
[0088][0089]
其中，
[0090]
具体地，根据初始时序信息与灰色等维递补模型，建立时间响应方程为：
[0091][0092]
针对时间响应方程进行1-ago处理，获得还原序列，即为影响因素的预测值为公式(2)。
[0093]
以天然气历史消费数据为因变量，以影响因素的历史值为自变量，构建偏最小二乘回归模型；在一个示例中，偏最小二乘回归模型为：
[0094]
y＝a0 a1x1 a2x2
…
aixi,i＝1,2,
…
,n
ꢀꢀꢀ
(3)
[0095]
其中，y为因变量，xi为自变量。
[0096]
具体地，假设因变量为y1,y2,
…
,y
p
，自变量为x1,x2,
…
,xn，则因变量集为y＝[y1,y2,
…
,y
p
]、自变量集为x＝[x1,x2,
…
,xn]，首先利用式7将y和x进行标准化处理。
[0097]
其中
[0098]
其中，与s
x
分别为xi的均值与方差；与sy分别为yj的均值和方差。记标准化后的变量矩阵分别为：
[0099]
在标准矩阵e0、f0中提取第1成分t1和u1，
[0100][0101]
式中，w1和c1分别为e0和f0的第1主轴，且w1和c1均为单位向量，即||w1||＝1，||c1||＝1。为了使得t1和u1能携带尽可能多的原始数据信息，且对模型具有最大的解释能力，t1和u1应满足以下最优化问题，
[0102][0103]
对式9进行求解可知，w1和c1分别为矩阵和最大特征值所对应的特征向量。由于天然气需求预测因变量仅为天然气消费量，属于单个因变量，故此处无需在因变量标准矩阵f0中提取成分u，仅需利用矩阵求出w1，并将其代入到式8便可得到第1主成分t1。然后，实施e0对t1的回归，
[0104][0105]
其中，e1为以第一次提取出的主成分为自变量所建立的回归方程对应的残差矩阵，且回归向量系数为：
[0106][0107]
以e1取代e0，然后继续求第2轴w2，以及第2成分t2，则
[0108]
t2＝e1w2ꢀꢀꢀ
(12)
[0109]
其中，w2为矩阵最大特征值所对应的特征向量。第2次成分提取后的方程回归系数为：
[0110][0111]
因此，回归方程为
[0112][0113]
以此类推偏最小二乘回归的第三步、第四步等，最后利用交叉有效性确定偏最小二乘回归中主成分th的提取个数，并停止迭代。假设最终共提取出了m个成分，实施f0对m个成分t1，t2，
…
，tm的最小二乘回归，得到
[0114][0115]
而由于t1,t2,
…
,tm均为e
01
,e
02
,
…
,e
0p
的线性组合，因此有
[0116][0117]
令得到标准化的因变量关于成分t1,t2,
…
,tm的回归模型为：
[0118][0119]
通过标准化的逆过程，可得到原始因变量y对自变量xj的回归方程为公式(3)。
[0120]
根据影响因素的预测值与偏最小二乘回归模型，预测天然气需求。在一个示例中，根据影响因素的预测值与偏最小二乘回归模型，预测天然气需求包括：将影响因素的预测值代入到偏最小二乘回归模型中，进行天然气需求量预测。
[0121]
具体地，将影响因素的预测值代入到偏最小二乘回归模型中，进行天然气需求量预测。
[0122]
本发明还提供一种天然气需求预测装置，包括：
[0123]
灰色等维递补模型构建模块，构建灰色等维递补模型；在一个示例中，构建灰色等维递补模型包括：根据历史数据，确定初始时序信息；针对初始时序信息进行一次累加，获得一次累加序列；计算一次累加序列的紧邻均值序列；建立灰色等维递补模型，并计算灰色等维递补模型的系数向量。
[0124]
在一个示例中，灰色等维递补模型为：
[0125][0126]
其中，x
(0)
(i)为初始时序信息，x
(1)
为一次累加序列，z
(1)
(i)为紧邻均值序列，a为发展系数，b为灰色作用量。
[0127]
具体地，获取历年全国天然气消费量及gdp、城市管道长度、人口总量、城市化率、煤炭消费量占比、石油消费量占比、天然气消费量占比、一次电力及其它能源消费量占比和单位gdp能耗等影响天然气消费的各类指标的详细历史数据，根据历史数据，确定初始时序信息为x
(0)
(n)；针对初始时序信息进行一次累加，获得一次累加序列为：
[0128][0129]
则有x
(1)
＝{x
(1)
(1),x
(1)
(2),
…
,x
(1)
(n)}；
[0130]
计算一次累加序列的紧邻均值序列为：
[0131][0132]
则有z
(1)
＝{z
(1)
(2),z
(1)
(3),
…
,z
(1)
(n)}；
[0133]
建立灰色等维递补模型为公式(1)，并计算灰色等维递补模型的系数向量，其中，发展系数a和灰色作用量b为待求未知参数，有式中，yn＝(x
(0)
(2),x
(0)
(3),
…
,x
(0)
(n))
t
。
[0134]
预测值计算模块，根据灰色等维递补模型，对影响因素进行初步预测，获得影响因
素的预测值；在一个示例中，获得影响因素的预测值包括：根据初始时序信息与灰色等维递补模型，建立时间响应方程；针对时间响应方程进行1-ago处理，获得还原序列，即为影响因素的预测值。
[0135]
在一个示例中，影响因素的预测值为：
[0136][0137]
其中，
[0138]
具体地，根据初始时序信息与灰色等维递补模型，建立时间响应方程为：
[0139][0140]
针对时间响应方程进行1-ago处理，获得还原序列，即为影响因素的预测值为公式(2)。
[0141]
偏最小二乘回归模型构建模块，以天然气历史消费数据为因变量，以影响因素的历史值为自变量，构建偏最小二乘回归模型；在一个示例中，偏最小二乘回归模型为：
[0142]
y＝a0 a1x1 a2x2
…
aixi,i＝1,2,
…
,n
ꢀꢀꢀ
(3)
[0143]
其中，y为因变量，xi为自变量。
[0144]
具体地，假设因变量为y1,y2,
…
,y
p
，自变量为x1,x2,
…
,xn，则因变量集为y＝[y1,y2,
…
,y
p
]、自变量集为x＝[x1,x2,
…
,xn]，首先利用式7将y和x进行标准化处理。
[0145][0146]
其中，与s
x
分别为xi的均值与方差；与sy分别为yj的均值和方差。记标准化后的变量矩阵分别为：
[0147]
在标准矩阵e0、f0中提取第1成分t1和u1，
[0148][0149]
式中，w1和c1分别为e0和f0的第1主轴，且w1和c1均为单位向量，即||w1||＝1，||c1||＝1。为了使得t1和u1能携带尽可能多的原始数据信息，且对模型具有最大的解释能力，t1和u1应满足以下最优化问题，
[0150][0151]
对式9进行求解可知，w1和c1分别为矩阵和最大特征值所对应的特征向量。由于天然气需求预测因变量仅为天然气消费量，属于单个因变量，故此处无需在因变量标准矩阵f0中提取成分u，仅需利用矩阵求出w1，并将其代入到式8便可得到第1主成分t1。然后，实施e0对t1的回归，
[0152]
[0153]
其中，e1为以第一次提取出的主成分为自变量所建立的回归方程对应的残差矩阵，且回归向量系数为：
[0154][0155]
以e1取代e0，然后继续求第2轴w2，以及第2成分t2，则
[0156]
t2＝e1w2ꢀꢀꢀ
(12)
[0157]
其中，w2为矩阵最大特征值所对应的特征向量。第2次成分提取后的方程回归系数为：
[0158][0159]
因此，回归方程为
[0160][0161]
以此类推偏最小二乘回归的第三步、第四步等，最后利用交叉有效性确定偏最小二乘回归中主成分th的提取个数，并停止迭代。假设最终共提取出了m个成分，实施f0对m个成分t1，t2，
…
，tm的最小二乘回归，得到
[0162][0163]
而由于t1,t2,
…
,tm均为e
01
,e
02
,
…
,e
0p
的线性组合，因此有
[0164][0165]
令得到标准化的因变量关于成分t1,t2,
…
,tm的回归模型为：
[0166][0167]
通过标准化的逆过程，可得到原始因变量y对自变量xj的回归方程为公式(3)。
[0168]
预测模块，根据影响因素的预测值与偏最小二乘回归模型，预测天然气需求。在一个示例中，根据影响因素的预测值与偏最小二乘回归模型，预测天然气需求包括：将影响因素的预测值代入到偏最小二乘回归模型中，进行天然气需求量预测。
[0169]
具体地，将影响因素的预测值代入到偏最小二乘回归模型中，进行天然气需求量预测。
[0170]
本发明还提供一种电子设备，电子设备包括：存储器，存储有可执行指令；处理器，处理器运行存储器中的可执行指令，以实现上述的天然气需求预测方法。
[0171]
本发明还提供一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现上述的天然气需求预测方法。
[0172]
为便于理解本发明实施例的方案及其效果，以下给出四个具体应用示例。本领域技术人员应理解，该示例仅为了便于理解本发明，其任何具体细节并非意在以任何方式限
制本发明。
[0173]
实施例1
[0174]
图1示出了根据本发明的一个实施例的天然气需求预测方法的步骤的流程图。
[0175]
如图1所示，该天然气需求预测方法包括：步骤101，构建灰色等维递补模型；步骤102，根据灰色等维递补模型，对影响因素进行初步预测，获得影响因素的预测值；步骤103，以天然气历史消费数据为因变量，以影响因素的历史值为自变量，构建偏最小二乘回归模型；步骤104，根据影响因素的预测值与偏最小二乘回归模型，预测天然气需求。
[0176]
对九个核心影响因素gdp(x1)、城市管道长度(x2)、人口总量(x3)、城市化率(x4)、煤炭消费占比(x5)、石油消费占比(x6)、天然气消费占比(x7)、一次电力及其它能源消费占比(x8)和单位gdp能耗(x9)分别建立灰色等维递补模型。设定模型维度为5，选取2011-2015年的数据作为初始model-1，将煤炭消费量占比(x5)的模型维度设定为8，以更好地体现出历史消费对煤炭的影响。各个因素的具体预测结果如下表1所示。
[0177]
表1
[0178][0179]
偏最小二乘法计算流程如下：
[0180]
(1)对变量x和y进行标准化处理，并将标准化后的自变量和因变量分别记为e0和f0，然后进行第1成分提取，
[0181]
w1＝[-0.3710,-0.3670,-0.3604,-0.3624,0.2102,0.2719,-0.3679,-0.3343,0.3182]
[0182][0183]
α1＝[-0.3647,-0.3624,-0.3615,-0.3619,0.2468,0.2268,-0.3621,-0.3472,0.3377]
[0184][0185]
r1＝-0.3624
[0186]
做在t1上的回归，
[0187][0188]
对回归模型进行交叉有效性检验：即成分t1的边际贡献显著，继续进行第2次成分提取计算。
[0189]
(2)在e1中提取成分t2，
[0190]
w2＝[-0.0991,-0.0725,0.0173,-0.0090,-0.5776,0.7115,-0.0913,0.2036,-0.3080]
[0191][0192]
α2＝[-0.0983,-0.0960,-0.0344,-0.0555,-0.6355,0.6747,-0.0223,0.1901,-0.3103]
[0193][0194]
r2＝-0.1315
[0195]
做在t1和t2上的回归，
[0196][0197]
对回归模型进行交叉有效性检验：
[0198]
》0.0975，即成分t2的边际贡献显著，继续进行第3次成分提取计算。
[0199]
(3)在e2中提取成分t3，
[0200]
w3＝[0.0065,-0.1912,-0.4213,-0.3792,-0.4719,-0.3006,0.5626,-0.1102,-0.0189]
[0201][0202]
[0203]
α3＝[-0.1360,-0.3070,-0.4946,-0.4593,-0.4256,-0.4596,0.4456,0.2901,-0.1024]
[0204][0205]
r3＝0.1625
[0206]
做在t1、t2、t3上的回归，
[0207][0208]
对回归模型进行交叉有效性检验：
[0209]
》0.0975，即成分t3的边际贡献显著，继续进行第4次成分提取计算。
[0210]
(4)在e3中提取成分t4，
[0211]
w4＝[-0.2829,-0.2298,-0.1455,-0.1589,0.0920,-0.3155,-0.2322,0.7945,-0.1657]
[0212][0213]
α4＝[-0.1853,-0.2424,-0.0962,-0.0946,-0.1037,-0.3030,-0.2641,0.9687,0.3272]
[0214][0215]
r4＝-0.2013
[0216]
做在t1、t2、t3、t4上的回归，
[0217][0218]
对回归模型进行交叉有效性检验，则有：
[0219][0220]
即模型达到精度要求，停止提取成分计算。
[0221]
(5)通过以上计算分析可得，提取4个成分t1,t2,t3,t4即满足要求，所以偏最小二乘回归的标准化回归模型为，
[0222][0223]
将标准化变量和按照标准化的逆过程还原成原始变量y和xh，则回归方程为，
[0224]
y＝5.2708 0.3089x1 0.1027x2 1.1069x3 0.2836x
4-2.8658x
5-1.9997x6 0.7160x
7-0.4130x
8-0.2234x9[0225]
图2示出了根据本发明的一个实施例的1995年-2015年天然气消费实际值与模型预测结果的拟合曲线对比图。
[0226]
图3示出了根据本发明的一个实施例的1995年-2015年天然气消费实际值与模型预测结果的拟合曲线相对误差的示意图。
[0227]
由图可知，建立的偏最小二乘回归模型获得了较好的拟合效果，除了个别年份外，模型的相对误差都控制在6％以内。
[0228]
图4示出了根据本发明的一个实施例的2016-2030年天然气需求量预测值的示意图。
[0229]
将由灰色等维递补模型预测的2016-2025年间影响天然气消费的gdp(x1)、城市管道长度(x2)、人口总量(x3)、城市化率(x4)、煤炭消费占比(x5)、石油消费占比(x6)、天然气消费占比(x7)、一次电力及其它能源消费占比(x8)和单位gdp能耗(x9)等九大核心因素的预测值代入到通过偏最小二乘回归法建立的拟合方程中，通过修正计算得到2016-2025年间天然气的需求总量。
[0230]
实施例2
[0231]
图5示出了根据本发明的一个实施例的一种天然气需求预测装置的框图。
[0232]
如图5所示，该天然气需求预测装置，包括：
[0233]
灰色等维递补模型构建模块201，构建灰色等维递补模型；
[0234]
预测值计算模块202，根据灰色等维递补模型，对影响因素进行初步预测，获得影响因素的预测值；
[0235]
偏最小二乘回归模型构建模块203，以天然气历史消费数据为因变量，以影响因素的历史值为自变量，构建偏最小二乘回归模型；
[0236]
预测模块204，根据影响因素的预测值与偏最小二乘回归模型，预测天然气需求。
[0237]
作为可选方案，构建灰色等维递补模型包括：
[0238]
根据历史数据，确定初始时序信息；
[0239]
针对初始时序信息进行一次累加，获得一次累加序列；
[0240]
计算一次累加序列的紧邻均值序列；
[0241]
建立灰色等维递补模型，并计算灰色等维递补模型的系数向量。
[0242]
作为可选方案，灰色等维递补模型为：
[0243][0244]
其中，x
(0)
(i)为初始时序信息，x
(1)
为一次累加序列，z
(1)
(i)为紧邻均值序列，a为发展系数，b为灰色作用量。
[0245]
作为可选方案，获得影响因素的预测值包括：
[0246]
根据初始时序信息与灰色等维递补模型，建立时间响应方程；
[0247]
针对时间响应方程进行1-ago处理，获得还原序列，即为影响因素的预测值。
[0248]
作为可选方案，影响因素的预测值为：
[0249][0250]
其中，
[0251]
作为可选方案，偏最小二乘回归模型为：
[0252]
y＝a0 a1x1 a2x2
…
aixi,i＝1,2,
…
,n
ꢀꢀꢀ
(3)
[0253]
其中，y为因变量，xi为自变量。
[0254]
作为可选方案，根据影响因素的预测值与偏最小二乘回归模型，预测天然气需求包括：
[0255]
将影响因素的预测值代入到偏最小二乘回归模型中，进行天然气需求量预测。
[0256]
实施例3
[0257]
本公开提供一种电子设备包括，该电子设备包括：存储器，存储有可执行指令；处理器，处理器运行存储器中的可执行指令，以实现上述天然气需求预测方法。
[0258]
根据本公开实施例的电子设备包括存储器和处理器。
[0259]
该存储器用于存储非暂时性计算机可读指令。具体地，存储器可以包括一个或多个计算机程序产品，该计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。该易失性存储器例如可以包括随机存取存储器(ram)和/或高速缓冲存储器(cache)等。该非易失性存储器例如可以包括只读存储器(rom)、硬盘、闪存等。
[0260]
该处理器可以是中央处理单元(cpu)或者具有数据处理能力和/或指令执行能力的其它形式的处理单元，并且可以控制电子设备中的其它组件以执行期望的功能。在本公开的一个实施例中，该处理器用于运行该存储器中存储的该计算机可读指令。
[0261]
本领域技术人员应能理解，为了解决如何获得良好用户体验效果的技术问题，本实施例中也可以包括诸如通信总线、接口等公知的结构，这些公知的结构也应包含在本公开的保护范围之内。
[0262]
有关本实施例的详细说明可以参考前述各实施例中的相应说明，在此不再赘述。
[0263]
实施例4
[0264]
本公开实施例提供一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现所述的天然气需求预测方法。
[0265]
根据本公开实施例的计算机可读存储介质，其上存储有非暂时性计算机可读指令。当该非暂时性计算机可读指令由处理器运行时，执行前述的本公开各实施例方法的全部或部分步骤。
[0266]
上述计算机可读存储介质包括但不限于：光存储介质(例如：cd－rom和dvd)、磁光存储介质(例如：mo)、磁存储介质(例如：磁带或移动硬盘)、具有内置的可重写非易失性存储器的媒体(例如：存储卡)和具有内置rom的媒体(例如：rom盒)。
[0267]
本领域技术人员应理解，上面对本发明的实施例的描述的目的仅为了示例性地说
明本发明的实施例的有益效果，并不意在将本发明的实施例限制于所给出的任何示例。
[0268]
以上已经描述了本发明的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。