一种能源港口燃煤库存量预测方法及系统与流程

1.本发明属于库存量预测技术领域，具体涉及能源港口燃煤库存量预测方法及系统。


背景技术：

2.港口作为大型能源企业多业务联调协同作业的重要环节，是连接航运和铁路的核心枢纽，在大型能源企业保障煤炭供应、缩短运输时间、降本增效等多个方面都起着不可替代的重要作用。究其根本，港口燃煤直接存量影响相关燃煤生产运输计划制定，煤炭作为大型能源企业火力发电的重要关键原料，而火力发电现在仍然是大型能源企业最可靠的生产方式。因此，精准可靠的在港口的燃煤库存对整个大型能源企业的生产具有重大意义。
3.关于港口库存预测方面的研究，目前主要集中在对一些港口各类货物总量的预测，对应于生鲜、汽车、快消食品等多种货物类型，预测建模过程中包括上述之外的多种货物类型，所含货物数量也较大。而对于大型能源企业而言，港口存量预测只需要精确到燃煤这一个货物类型。另一方面，复杂的航运情况导致数据特征提取难度较大，在构建神经网络的过程中无法精确选取数据背后隐含有效特征，特征选取决定预测结果的上限，最终导致预测结果受限。
4.总的来说，对于大型能源企业燃煤库存数量预测的研究，主要存在两个问题：一方面，缺少通用的建模方法，对于每个独立的预测目标需要逐一进行分析与模型构建；另一方面，对进耗煤行为特征提取不足，不利于大型能源企业燃煤库存数量预测精度的提升。


技术实现要素：

5.本发明的目的在于提供一种能源港口燃煤库存量预测方法及系统，考虑运输行为特征、时间特征和天气特征对库存量的影响，提高预测的准确度。
6.为达到上述目的，本发明所采用的技术方案是：
7.本发明第一方面提供了一种能源港口燃煤库存量预测方法，包括：
8.采集能源港口的实时观测数据；将实时观测数据输入至预先训练的燃煤库存量预测模型获得燃煤库存量预测值；所述实时观测数据包括燃煤库存量实时数据、实时运输行为特征、实时时间特征和实时天气特征；
9.所述燃煤库存量预测模型的训练过程包括：
10.获得能源港口的燃煤库存量历史数据，并对燃煤库存量历史数据进行预处理获得修正后的燃煤库存量参考数据；
11.在燃煤库存量参考数据中添加相应的历史运输行为特征、历史时间特征和历史天气特征获得训练初始数据，利用正则化算法消除训练初始数据的奇异性，
12.利用卡方检验算法计算训练初始数据之间的相关性后，通过森林训练算法对初始训练数据按照相似性进行分类，筛选出相似性最优的训练数据构建训练数据集；
13.基于lstm算法搭建燃煤库存量预测模型；通过训练数据集对燃煤库存量预测模型
进行训练，重复训练过程直至获得预测的准确度大于设定阈值的燃煤库存量预测模型。
14.优选的，对燃煤库存量历史数据进行预处理获得修正后的燃煤库存量参考数据的方法包括：
15.基于燃煤库存量历史数据的极差、四分位数间距、均差、标准差或变异系数进行识别异常点，将识别到的异常点由燃煤库存量历史数据中删除；基于特殊值和统计量对燃煤库存量历史数据的缺失值进行补充；将燃煤库存量历史数据转变为同一量纲下获得修正后的燃煤库存量参考数据。
16.优选的，所述历史运输行为特征和实时运输行为特征包括港口设备维修频率、铁路作业运输量、港口实际煤量与计划运输量。
17.优选的，所述历史运输行为特征和实时运输行为特征利用统计指标进行统计描述；所述统计指标博阿凯平均指标、变异指标、动差、偏度和峰度。
18.优选的，所述实时时间特征和历史时间特征包括普通日期子特征和特殊时期子特征；所述普通日期子特征包含年、月、日、时刻和季节；所述特殊时期子特征包含维修日期和军演日期。
19.优选的，所述实时天气特征和历史天气特征由风速特征、降水量特征、温度特征和能见度特征中选择多个特征变量组合形成。
20.本发明第二方面提供了一种能源港口燃煤库存量预测系统，包括：
21.预测模块，用于采集能源港口的实时观测数据；将实时观测数据输入至预先训练的燃煤库存量预测模型获得燃煤库存量预测值；所述实时观测数据包括燃煤库存量实时数据、实时运输行为特征、实时时间特征和实时天气特征；
22.获取模块，用于获得能源港口的燃煤库存量历史数据，并对燃煤库存量历史数据进行预处理获得修正后的燃煤库存量参考数据；
23.筛选模块，用于在燃煤库存量参考数据中添加相应的历史运输行为特征、历史时间特征和历史天气特征获得训练初始数据，利用正则化算法消除训练初始数据的奇异性，利用卡方检验算法计算训练初始数据之间的相关性后，通过森林训练算法对初始训练数据按照相似性进行分类，筛选出相似性最优的训练数据构建训练数据集；
24.模型构建模块，基于lstm算法搭建燃煤库存量预测模型；
25.训练模块，用于通过训练数据集对燃煤库存量预测模型进行训练，重复训练过程直至获得预测的准确度大于设定阈值的燃煤库存量预测模型。
26.本发明第三方面提供了电子设备，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，其特征在于，所述处理器执行所述程序时实现所述能源港口燃煤库存量预测方法的步骤。
27.与现有技术相比，本发明的有益效果：
28.本发明在燃煤库存量参考数据中添加相应的历史运输行为特征、历史时间特征和历史天气特征获得训练初始数据，由训练初始数据筛选出相似性最优的训练数据，通过训练数据集对燃煤库存量预测模型进行训练，通过引入运输行为特征、时间特征和天气特征，并筛选出相似性最优的训练数据，保障了燃煤库存量预测模型预测的精度与速度。
29.本发明中利用正则化算法消除训练初始数据的奇异性，利用卡方检验算法计算训练初始数据之间的相关性后，通过森林训练算法对初始训练数据按照相似性进行分类，筛
选出相似性最优的训练数据构建训练数据集，使训练数据集合能够更加完整、准确地表达出原始数据中所隐含的信息，提高了燃煤库存量预测模型预测的精度与速训练度。
附图说明
30.图1是本发明实施例一提供的一种能源港口燃煤库存量预测方法的流程图。
具体实施方式
31.下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
32.实施例一
33.如图1所示，本发明第一方面提供一种能源港口燃煤库存量预测方法，包括：采集能源港口的实时观测数据；将实时观测数据输入至预先训练的燃煤库存量预测模型获得燃煤库存量预测值；所述实时观测数据包括燃煤库存量实时数据、实时运输行为特征、实时时间特征和实时天气特征；
34.所述燃煤库存量预测模型的训练过程包括：
35.获得能源港口的燃煤库存量历史数据，对燃煤库存量历史数据进行预处理获得修正后的燃煤库存量参考数据的方法包括：
36.基于燃煤库存量历史数据的极差、四分位数间距、均差、标准差或变异系数进行识别异常点，同时异常点也可以通过聚类、模型等进行识别，还可以根据经验人为设定阈值，将识别到的异常点由燃煤库存量历史数据中删除；
37.基于特殊值和统计量对燃煤库存量历史数据的缺失值进行补充；将燃煤库存量历史数据转变为同一量纲下获得修正后的燃煤库存量参考数据，无量纲化处理使燃煤库存量参考数据具有可比性，便于后续对新数据进行测试验证操作。
38.在燃煤库存量参考数据中添加相应的历史运输行为特征、历史时间特征和历史天气特征获得训练初始数据，所述历史运输行为特征和实时运输行为特征包括港口设备维修频率、铁路作业运输量、港口实际煤量与计划运输量；所述历史运输行为特征和实时运输行为特征利用统计指标进行统计描述；所述统计指标包括平均指标、变异指标、动差、偏度和峰度。
39.(1)平均指标，用于反映总体的一般水平或分布的集中趋势。常用的有：算术平均数、众数、中位数等。(2)变异指标，用于反映总体分布的变异状况或离散程度。常用的有：极差、平均差、四分位差、方差和标准差、以及离散系数等。(3)动差、偏度和峰度，用于反映数据总体分布形态；动差反映数据分布的形态特征；偏度反映数据分布不对称的方向和程度；峰度反映数据分布图形的尖峭程度或峰凸程度。
40.所述实时时间特征和历史时间特征包括普通日期子特征和特殊时期子特征；所述普通日期子特征包含年、月、日、时刻和季节；所述特殊时期子特征包含维修日期和军演日期；通过时间特征体现出大型能源企业港口燃煤库存数规律的周期性变化以及随着时间的推移明显的波动趋势；
41.所述实时天气特征和历史天气特征由风速特征、降水量特征、温度特征和能见度特征中选择多个特征变量组合形成，其作用在于：多个天气特征变量之间往往隐含一定的
关联关系。通过对单一天气特征复合形成组合特征，使得组合特征之间可以相互联系相互作用，从而表达出单一特征所不具有的非线性特性，使实时天气特征和历史天气特征的表达能力变强。
42.利用正则化算法消除训练初始数据的奇异性，利用卡方检验算法计算训练初始数据之间的相关性后，通过森林训练算法对初始训练数据按照相似性进行分类，筛选出相似性最优的训练数据构建训练数据集；
43.基于lstm算法搭建燃煤库存量预测模型；通过训练数据集对燃煤库存量预测模型进行训练，对训练后的燃煤库存量预测模型进行特征评估，根据不同特征合集的预测效果，从当前训练数据中删除部分特征或加入新的特征；重复训练过程直至获得预测的准确度大于设定阈值的燃煤库存量预测模型。
44.实施例二
45.一种能源港口燃煤库存量预测系统，本实施例提供的系统可以应用于实施例一所述的方法，能源港口燃煤库存量预测系统包括：
46.预测模块，用于采集能源港口的实时观测数据；将实时观测数据输入至预先训练的燃煤库存量预测模型获得燃煤库存量预测值；所述实时观测数据包括燃煤库存量实时数据、实时运输行为特征、实时时间特征和实时天气特征；
47.获取模块，用于获得能源港口的燃煤库存量历史数据，并对燃煤库存量历史数据进行预处理获得修正后的燃煤库存量参考数据；
48.筛选模块，用于在燃煤库存量参考数据中添加相应的历史运输行为特征、历史时间特征和历史天气特征获得训练初始数据，利用正则化算法消除训练初始数据的奇异性，利用卡方检验算法计算训练初始数据之间的相关性后，通过森林训练算法对初始训练数据按照相似性进行分类，筛选出相似性最优的训练数据构建训练数据集；
49.模型构建模块，基于lstm算法搭建燃煤库存量预测模型；
50.训练模块，用于通过训练数据集对燃煤库存量预测模型进行训练，重复训练过程直至获得预测的准确度大于设定阈值的燃煤库存量预测模型。
51.实施例三
52.一种电子设备，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，其特征在于，所述处理器执行所述程序时实现实施例一所述能源港口燃煤库存量预测系统的步骤。
53.本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
54.本技术是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实
现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
55.这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
56.这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
57.以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。