一种加油站油量需求预测方法及系统

摘要

本发明提供一种加油站油量需求预测方法，包括获取当前季度中加油站每天卸油的次数及每次卸油量；根据当前季度中加油站每天卸油次数及每次卸油量，构建季节性序列预测模型和RNN神经网络预测模型；在季节性序列预测模型和所述RNN神经网络预测模型中，分别对下一季度中加油站卸油次数及每次卸油量进行预测，并计算出两个模型预测出的下一季度卸油总量相减后所得差的绝对值；检测所计算出的绝对值是否小于等于预设阈值；若是，则将任一个模型预测出的下一季度中加油站每天卸油次数及每次卸油量作为最终油量需求的预测结果输出。实施本发明，通过大数据对加油站油量需求进行预测，可以为管理部门进行区域油品和油罐车的调配提供便利。

说明书

技术领域

本发明涉及加油站油量分析技术领域，尤其涉及一种加油站油量需求预测方法及系统。

背景技术

随着加油站油量需求不断的扩大，仅靠加油站油量不够时再申请补充的传统方式已越来越不适用。上述传统油量不够再申请补充的方式，不仅对管理部门进行区域油品和油罐车的分配数量不够而来不及补充的问题，还可能存在油量需求量不够准确的情况，导致加油人群的不满。

因此，有必要对加油站油量需求进行提前预测，为管理部门进行区域油品和油罐车的调配提供便利。

发明内容

本发明实施例所要解决的技术问题在于，提供一种加油站油量需求预测方法及系统，通过大数据对加油站油量需求进行预测，可以为管理部门进行区域油品和油罐车的调配提供便利。

为了解决上述技术问题，本发明实施例提供了一种加油站油量需求预测方法，所述方法包括以下步骤：

S1、获取当前季度中加油站每天卸油次数及每次卸油量；

S2、根据所获取到的当前季度中加油站每天卸油次数及每次卸油量，构建季节性序列预测模型和RNN神经网络预测模型；

S3、在所述季节性序列预测模型和所述RNN神经网络预测模型中，分别对下一季度中加油站每天卸油次数及每次卸油量进行预测，并进一步计算出所述季节性序列预测模型预测出的下一季度卸油总量与所述RNN神经网络预测模型预测出的下一季度卸油总量相减所得差的绝对值；其中，所述下一季度卸油总量等于下一季度中所含天数内每次卸油量的累加之和；

S4、检测所计算出的差的绝对值是否小于等于预设阈值；

S5、若检测到所计算出的差的绝对值小于等于所述预设阈值，则将所述季节性序列预测模型预测出的下一季度中加油站每天卸油次数及每次卸油量，或所述RNN神经网络预测模型预测出的下一季度中加油站每天卸油次数及每次卸油量作为最终油量需求的预测结果输出。

其中，所述方法进一步包括：

若检测到所计算出的差的绝对值大于所述预设阈值，则根据所获取到的当前季度中加油站卸油次数和卸油量，重新构建所述季节性序列预测模型和所述RNN神经网络预测模型，直至重新构建的季节性序列预测模型预测出的下一季度卸油总量与重新构建的RNN神经网络预测模型预测出的下一季度卸油总量相减所得差的绝对值小于等于所述预设阈值为止；

将重新构建的季节性序列预测模型预测出的下一季度中加油站每天卸油次数及每次卸油量，或重新构建的RNN神经网络预测模型预测出的下一季度中加油站每天卸油次数及每次卸油量作为最终油量需求的预测结果输出。

其中，对所述季节性序列预测模型构建或重建均执行以下步骤，具体包括：

根据所获取到的当前季度中加油站每天卸油次数及每次卸油量，建立各自对应的原始季节性序列；

利用预设的季节指数的方法，消除每一个原始季节性序列的季节性，使得每一个原始季节性序列均转化为平滑的时间序列；

根据所得的两个平滑的时间序列，建立相应的季节性序列预测模型。

其中，所述利用预设的季节指数的方法，消除原始季节性序列的季节性，使得原始季节性序列转化为平滑的时间序列的具体步骤包括：

确定加油站每天卸油次数的原始季节性序列，记为x(i)＝{x(1),x(2),…,x(4n)，以及确定每次卸油量的原始季节性序列，记为y(j)＝{y(1),y(2),…,y(4n)}；其中，x(i)和y(j)分别表示每个周期加油站的卸油次数和卸油量；

将加油站每天卸油次数的原始季节性序列和每次卸油量的原始季节性序列均通过计算三点平滑值，用以消除季节变动和不规则变动；

即

计算季节性指标；即

计算校正系数和校正后的季节指数；即校正系数r＝4/(p(2)+p(3)…p(4n-1))；校正的季节指数q(i)＝p(i)*r；q(j)＝p(j)*r，其中，i,j＝1,2,3,4。

其中，对所述RNN神经网络预测模型构建或重建均执行以下步骤，具体包括：

通过对当前季度中加油站每天卸油次数及每次卸油量按照季度进行整理和分类，并根据整理和分类后的季度数据，建立相应的RNN神经网络预测模型。

本发明实施例还提供了一种加油站油量需求预测系统，包括：

数据获取单元，用于获取当前季度中加油站每天卸油次数及每次卸油量；

预测模型构建单元，用于根据所获取到的当前季度中加油站每天卸油次数及每次卸油量，构建季节性序列预测模型和RNN神经网络预测模型；

预测数据计算单元，用于在所述季节性序列预测模型和所述RNN神经网络预测模型中，分别对下一季度中加油站每天卸油次数及每次卸油量进行预测，并进一步计算出所述季节性序列预测模型预测出的下一季度卸油总量与所述RNN神经网络预测模型预测出的下一季度卸油总量相减所得差的绝对值；其中，所述下一季度卸油总量等于下一季度中所含天数内每次卸油量的累加之和；

预测数据检测单元，用于检测所计算出的差的绝对值是否小于等于预设阈值；

预测结果输出单元，用于若检测到所计算出的差的绝对值小于等于所述预设阈值，则将所述季节性序列预测模型预测出的下一季度中加油站每天卸油次数及每次卸油量，或所述RNN神经网络预测模型预测出的下一季度中加油站每天卸油次数及每次卸油量作为最终油量需求的预测结果输出。

其中，还包括：重建预测结果输出单元；其中，

所述重建预测结果输出单元，用于若检测到所计算出的差的绝对值大于所述预设阈值，则根据所获取到的当前季度中加油站卸油次数和卸油量，重新构建所述季节性序列预测模型和所述RNN神经网络预测模型，直至重新构建的季节性序列预测模型预测出的下一季度卸油总量与重新构建的RNN神经网络预测模型预测出的下一季度卸油总量相减所得差的绝对值小于等于所述预设阈值为止；

将重新构建的季节性序列预测模型预测出的下一季度中加油站每天卸油次数及每次卸油量，或重新构建的RNN神经网络预测模型预测出的下一季度中加油站每天卸油次数及每次卸油量作为最终油量需求的预测结果输出。

实施本发明实施例，具有如下有益效果：

本发明基于加油站每天卸油次数及每次卸油量形成的季度数据进行建模，得到季节性序列预测模型和RNN神经网络预测模型，并将两个预测模型预测结果之差的绝对值与预设阈值进行比较来确定两个预测模型是否合理；若合理，则输出任一个模型所预测出的下一季度中加油站每天卸油次数及每次卸油量为最终结果；若不合理，则重建上述两个模型继续对比及预测，从而能够通过大数据对加油站油量需求进行预测，使得预测结果准确度更高，可以为管理部门进行区域油品和油罐车的调配提供便利。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，根据这些附图获得其他的附图仍属于本发明的范畴。

图1为本发明实施例提供的加油站油量需求预测方法的流程图；

图2为本发明实施例提供的加油站油量需求预测系统的结构示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述。

如图1所示，为本发明实施例中，提供的一种加油站油量需求预测方法，用于每一个加油站上，所述方法包括以下步骤：

步骤S1、获取当前季度中加油站每天卸油次数及每次卸油量；

步骤S2、根据所获取到的当前季度中加油站每天卸油次数及每次卸油量，构建季节性序列预测模型和RNN神经网络预测模型；

步骤S3、在所述季节性序列预测模型和所述RNN神经网络预测模型中，分别对下一季度中加油站每天卸油次数及每次卸油量进行预测，并进一步计算出所述季节性序列预测模型预测出的下一季度卸油总量与所述RNN神经网络预测模型预测出的下一季度卸油总量相减所得差的绝对值；其中，所述下一季度卸油总量等于下一季度中所含天数内每次卸油量的累加之和；

步骤S4、检测所计算出的差的绝对值是否小于等于预设阈值；

步骤S5、若检测到所计算出的差的绝对值小于等于所述预设阈值，则将所述季节性序列预测模型预测出的下一季度中加油站每天卸油次数及每次卸油量，或所述RNN神经网络预测模型预测出的下一季度中加油站每天卸油次数及每次卸油量作为最终油量需求的预测结果输出。

具体过程为，在步骤S1中，通过加油站上预设的卸油申请信息，获取当前季度中加油站每天卸油次数及每次卸油量。

在步骤S2中，首先，可以根据所获取到的当前季度中加油站每天卸油次数及每次卸油量，构建季节性序列预测模型，具体过程如下：

第一步、根据所获取到的当前季度中加油站每天卸油次数及每次卸油量，建立各自对应的原始季节性序列；

第二步、利用预设的季节指数的方法，消除每一个原始季节性序列的季节性，使得每一个原始季节性序列均转化为平滑的时间序列；

第三步、根据所得的两个平滑的时间序列，建立相应的季节性序列预测模型。

应当说明的是，在第二步中得到平滑的时间序列的具体步骤包括：

(1)确定加油站每天卸油次数的原始季节性序列，记为x(i)＝{x(1),x(2),…,x(4n)，以及确定每次卸油量的原始季节性序列，记为y(j)＝{y(1),y(2),…,y(4n)}；其中，x(i)和y(j)分别表示每个周期加油站的卸油次数和卸油量；

(2)将加油站每天卸油次数的原始季节性序列和每次卸油量的原始季节性序列均通过计算三点平滑值，用以消除季节变动和不规则变动；

即

(3)计算季节性指标；即

(4)计算校正系数和校正后的季节指数；即校正系数r＝4/(p(2)+p(3)…p(4n-1))；校正的季节指数q(i)＝p(i)*r；q(j)＝p(j)*r，其中，i,j＝1,2,3,4。

其次，可以根据所获取到的当前季度中加油站每天卸油次数及每次卸油量，构建RNN神经网络预测模型，具体过程如下：

通过对当前季度中加油站每天卸油次数及每次卸油量按照季度进行整理和分类，并根据整理和分类后的季度数据，建立相应的RNN神经网络预测模型

在本发明实施例中，若检测到所计算出的差的绝对值大于上述预设阈值，则需要重新构建节性序列预测模型和RNN神经网络预测模型，直至重新计算出的差的绝对值小于等于上述预设阈值为止，最后输出重建模型的预测结果。因此，所述方法进一步包括：

若检测到所计算出的差的绝对值大于预设阈值，则根据所获取到的当前季度中加油站卸油次数和卸油量，重新构建季节性序列预测模型和RNN神经网络预测模型，直至重新构建的季节性序列预测模型预测出的下一季度卸油总量与重新构建的RNN神经网络预测模型预测出的下一季度卸油总量相减所得差的绝对值小于等于预设阈值为止；即直接返回步骤S2重新分析，确定新的季节性序列预测模型和RNN神经网络预测模型，直接两个新的模型预测出的下一季度卸油总量相减所得差的绝对值小于等于预设阈值；

将重新构建的季节性序列预测模型预测出的下一季度中加油站每天卸油次数及每次卸油量，或重新构建的RNN神经网络预测模型预测出的下一季度中加油站每天卸油次数及每次卸油量作为最终油量需求的预测结果输出。

如图2所示，为本发明实施例中，提供的一种加油站油量需求预测系统，包括：

数据获取单元110，用于获取当前季度中加油站每天卸油次数及每次卸油量；

预测模型构建单元120，用于根据所获取到的当前季度中加油站每天卸油次数及每次卸油量，构建季节性序列预测模型和RNN神经网络预测模型；

预测数据计算单元130，用于在所述季节性序列预测模型和所述RNN神经网络预测模型中，分别对下一季度中加油站每天卸油次数及每次卸油量进行预测，并进一步计算出所述季节性序列预测模型预测出的下一季度卸油总量与所述RNN神经网络预测模型预测出的下一季度卸油总量相减所得差的绝对值；其中，所述下一季度卸油总量等于下一季度中所含天数内每次卸油量的累加之和；

预测数据检测单元140，用于检测所计算出的差的绝对值是否小于等于预设阈值；

预测结果输出单元150，用于若检测到所计算出的差的绝对值小于等于所述预设阈值，则将所述季节性序列预测模型预测出的下一季度中加油站每天卸油次数及每次卸油量，或所述RNN神经网络预测模型预测出的下一季度中加油站每天卸油次数及每次卸油量作为最终油量需求的预测结果输出。

其中，还包括：重建预测结果输出单元；其中，

所述重建预测结果输出单元，用于若检测到所计算出的差的绝对值大于所述预设阈值，则根据所获取到的当前季度中加油站卸油次数和卸油量，重新构建所述季节性序列预测模型和所述RNN神经网络预测模型，直至重新构建的季节性序列预测模型预测出的下一季度卸油总量与重新构建的RNN神经网络预测模型预测出的下一季度卸油总量相减所得差的绝对值小于等于所述预设阈值为止；

将重新构建的季节性序列预测模型预测出的下一季度中加油站每天卸油次数及每次卸油量，或重新构建的RNN神经网络预测模型预测出的下一季度中加油站每天卸油次数及每次卸油量作为最终油量需求的预测结果输出。

实施本发明实施例，具有如下有益效果：

本发明基于加油站每天卸油次数及每次卸油量形成的季度数据进行建模，得到季节性序列预测模型和RNN神经网络预测模型，并将两个预测模型预测结果之差的绝对值与预设阈值进行比较来确定两个预测模型是否合理；若合理，则输出任一个模型所预测出的下一季度中加油站每天卸油次数及每次卸油量为最终结果；若不合理，则重建上述两个模型继续对比及预测，从而能够通过大数据对加油站油量需求进行预测，使得预测结果准确度更高，可以为管理部门进行区域油品和油罐车的调配提供便利。

值得注意的是，上述系统实施例中，所包括的各个单元只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，所述的程序可以存储于一计算机可读取存储介质中，所述的存储介质，如ROM/RAM、磁盘、光盘等。

以上所揭露的仅为本发明较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。