一种油田产量的预测方法及装置

摘要

本发明公开了一种油田产量的预测方法及装置，涉及机器学习技术领域，利用机器学习算法从已知的诸多油田产量预测模型中自动找到适合目标油田产量预测的较佳模型，也确保预测油田产量的准确性，本发明的主要技术方案为：接收油田产量预测指令，预测指令携带有目标油田标识和目标油田的当前产量数据；根据目标油田标识，获取目标油田对应的历史产量数据；获取多个油田产量预测模型，每个油田产量预测模型被封装成独立的算子；利用历史产量数据对多个算子进行筛选，从多个算子中筛选出与目标油田匹配的算子；通过调用与目标油田匹配的算子对当前产量数据处理，执行预测目标油田未来产量操作，输出预测结果。

说明书

技术领域

本发明涉及机器学习技术领域，尤其涉及一种油田产量的预测方法及装置。

背景技术

油田的产量变化对一个油田而言非常重要，是影响油田开发生产过程及投资决策的重要因素。准确预测油田产量的递减规律和剩余油对油田开发非常重要，是科学管理油田和制定经济可行的开发方案的依据。如果能精确预测油田产量，就可以更好的管理已经投产的油田，对油田产量进行合理的控制和优化，从地下开采出更多的石油，提高油田的采收率和开发效果。

目前，在中国各个油田，都有自己的油田生产管理系统，每个油田、每个采油厂、每口井每天的产油量、产水量、产液量等数据都记录在生产管理系统库中。因此，油田已经积累了大量的生产数据，根据这些生产数据，自20世纪以来，人们提出了数百种油田产量预测技术和方法。

然而，虽然油田产量的预测方法很多，但是每一种方法都有其局限性，没有哪一种方法或技术能适用于对所有的油田产量精确预测。现在，当确定待测目标油田后，需要人工从已知的大量的预测方法中找到一种适合目标油田的预测方法和模型，不仅难度和工作量大，而且计算复杂、实现困难。

发明内容

有鉴于此，本发明提供一种油田产量的预测方法及装置，主要目的在于利用机器学习算法从已知的诸多油田产量预测模型中自动找到适合目标油田产量预测的较佳模型，从而利用较佳模型来预测油田未来产量以确保预测结果的准确性。

为了达到上述目的，本发明主要提供如下技术方案：

一方面，本发明提供了一种油田产量的预测方法，该方法包括：

接收油田产量预测指令，所述预测指令携带有目标油田标识和目标油田的当前产量数据；

根据所述目标油田标识，获取所述目标油田对应的历史产量数据；

获取多个油田产量预测模型，每个所述油田产量预测模型被封装成独立的算子；

利用所述历史产量数据对多个所述算子进行筛选，从多个所述算子中筛选出与所述目标油田匹配的算子；

通过调用与所述目标油田匹配的算子对所述当前产量数据处理，执行预测所述目标油田未来产量操作，输出预测结果。

可选的，所述利用所述历史产量数据对多个所述算子进行筛选，从多个所述算子中筛选出与所述目标油田匹配的算子，包括：

利用历史产量数据分别训练多个算子，得到每个所述算子对应的最优参数；

根据所述最优参数，调整对应的算子，得到与所述目标油田产量匹配的算子。

可选的，在从多个所述算子中筛选出与所述目标油田匹配的算子之后，若与所述目标油田匹配的算子为多个，则所述方法还包括：

若与所述目标油田匹配的算子为多个，将与所述目标油田匹配的算子确定为待选算子；

按照预设时间单位，将所述历史产量数据划分为每个所述预设时间单位对应的部分产量数据；

利用每个所述待选算子对所述部分产量数据进行处理，得到每个所述时间单位对应的预测结果；

查找每个所述时间单位对应的历史实际结果；

根据每个所述时间单位对应的预测结果和历史实际结果，计算每个所述待选算子处理所述历史产量数据得到的平均误差百分比；

选取所述平均误差百分比符合预设条件的算子作为目标算子，所述预设条件为平均误差百分比最小的前N个算子，或，平均误差百分比最小的前M％的算子，所述N正整数，所述M为正数。

可选的，所述通过调用与所述目标油田匹配的算子对所述当前产量数据处理，执行预测所述目标油田未来产量操作，输出预测结果，包括：

调用所述目标算子对所述当前产量数据处理，输出每个所述目标算子分别对应的预测结果；

将每个所述目标算子分别对应的预测结果组成预测结果集合；

将所述预测结果集合反馈给用户。

可选的，在所述利用所述历史产量数据对多个所述算子进行筛选，从多个所述算子中筛选出与所述目标油田匹配的算子之前，所述方法还包括：

解析所述历史产量数据包含的参数维度；

通过将所述参数维度与所述算子需要处理的参数维度进行比较，判断是否匹配；

若不匹配，则舍弃所述算子。

可选的，在所述利用所述历史产量数据对多个所述算子进行筛选，从多个所述算子中筛选出与所述目标油田匹配的算子之前，所述方法还包括：

通过将所述历史产量数据适配到每个所述算子上，输出每个所述算子对所述目标油田未来产量的预测结果；

根据所述预测结果对应的时间区间，获取在同一时间区间上所述目标油田对应的历史实际结果；

通过将每个所述算子计算的所述预测结果与所述历史实际结果比较，判断预测误差是否达到预设阈值；

若是，则舍弃所述算子。

另一方面，本发明还提供了一种油田产量的预测装置，该装置包括：

接收单元，用于接收油田产量预测指令，所述预测指令携带有目标油田标识和目标油田的当前产量数据；

获取单元，用于根据所述接收单元接收到的目标油田标识，查找所述目标油田对应的历史产量数据；

所述获取单元，还用于获取多个油田产量预测模型，每个所述油田产量预测模型被封装成独立的算子；

筛选单元，用于利用所述接收单元接收到的历史产量数据对多个所述获取单元获取到的算子进行筛选，从多个所述算子中筛选出与所述目标油田匹配的算子；

执行单元，用于通过调用所述筛选单元筛选到的与所述目标油田匹配的算子对所述当前产量数据处理，执行预测所述目标油田未来产量操作，输出预测结果。

可选的，所述筛选单元包括：

训练模块，用于利用历史产量数据分别训练多个算子，得到每个所述算子对应的最优参数；

确定模块，用于根据所述训练模块训练得到的最优参数，调整对应的算子，确定与所述目标油田产量匹配的算子。

可选的，所述装置还包括：

确定单元，还用于在从多个所述算子中筛选出与所述目标油田匹配的算子之后，若与所述目标油田匹配的算子为多个，将与所述目标油田匹配的算子确定为待选算子；

划分单元，用于按照预设时间单位，将所述历史产量数据划分为每个所述预设时间单位对应的部分产量数据；

处理单元，用于利用每个所述待选算子对所述部分产量数据进行处理，得到每个所述时间单位对应的预测结果；

查找单元，用于获取每个所述时间单位对应的历史实际结果；

计算单元，用于根据每个所述时间单位对应的所述处理单元得到的预测结果和所述获取单元获取到的历史实际结果，计算每个所述待选算子处理所述历史产量数据得到的平均误差百分比；

选取单元，用于选取所述计算单元计算的平均误差百分比符合预设条件的算子作为目标算子，所述预设条件为平均误差百分比最小的前N个算子，或，平均误差百分比最小的前M％的算子，所述N正整数，所述M为正数。

可选的，所述执行单元包括：

调用模块，用于调用所述目标算子对所述当前产量数据处理；

输出模块，用于输出每个所述目标算子分别对应的预测结果；

组成模块，用于将每个所述目标算子分别对应的预测结果组成预测结果集合；

反馈模块，用于将所述预测结果集合反馈给用户。

可选的，所述装置还包括：

解析单元，用于在所述利用所述历史产量数据对多个所述算子进行筛选，从多个所述算子中筛选出与所述目标油田匹配的算子之前，解析所述历史产量数据包含的参数维度；

判断单元，用于通过将所述解析单元得到的参数维度与所述算子需要处理的参数维度进行比较，判断是否匹配；

舍弃单元，用于当所述判断单元判断所述解析单元得到的参数维度与所述算子需要处理的参数维度匹配时，舍弃所述算子。

可选的，所述装置还包括：

预测单元，用于在所述利用所述历史产量数据对多个所述算子进行筛选，从多个所述算子中筛选出与所述目标油田匹配的算子之前，通过将所述历史产量数据适配到每个所述算子上，输出每个所述算子对所述目标油田未来产量的预测结果；

所述查找单元，还用于根据所述预测结果对应的时间区间，获取在同一时间区间上所述目标油田对应的历史实际结果；

所述判断单元，还用于通过将每个所述算子预测的所述预测结果与所述获取单元获取到的历史实际结果比较，判断预测误差是否达到预设阈值；

所述舍弃单元，还用于当所述判断单元判断预测误差是达到预设阈值时，舍弃所述算子。

再一方面，本发明还提供一种存储介质，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行如上述的油田产量的预测方法。

又一方面，本发明还提供一种电子设备，所述设备包括至少一个处理器、以及与所述处理器连接的至少一个存储器、总线；

其中，所述处理器、所述存储器通过所述总线完成相互间的通信；

所述处理器用于调用所述存储器中的程序指令，以执行如上述的油田产量的预测方法。

借由上述技术方案，本发明提供的技术方案至少具有下列优点：

本发明提供一种油田产量的预测方法及装置，本发明是利用机器学习算法从已知的诸多油田产量预测模型中自动找到适合目标油田产量预测的较佳模型。相较于现有技术，解决了由人工查找到一种适合目标油田的预测方法和模型导致难度和工作量大、计算复杂、现实困难的问题。本发明提供的方法，对于每个待测目标油田，当接收到用户上传的目标油田的当前产量数据时，就自动地高效地查找到用于执行预测油田产量的较佳模型，并调用这个较佳模型预测目标油田未来产量，从而确保预测油田产量的准确性。

上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。

附图说明

通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：

图1为本发明实施例提供的一种油田产量的预测方法流程图；

图2为本发明实施例提供的另一种油田产量的预测方法流程图；

图3为本发明实施例提供的一种油田产量的预测装置的组成框图；

图4为本发明实施例提供的另一种油田产量的预测装置的组成框图；

图5为本发明实施例提供的油田产量的预测的电子设备。

具体实施方式

下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。

本发明实施例提供了一种油田产量的预测方法，如图1所示，该方法是利用机器学习算法从已知的诸多油田产量预测模型中自动找到适合目标油田产量预测的较佳模型，对此本发明实施例提供以下具体步骤：

101、接收油田产量预测指令，预测指令携带有目标油田标识和目标油田的当前产量数据。

其中，目标油田是指待执行预测油田未来产量的油田。

在本发明实施例中，可以预先构建人机交互界面，该界面用于接收下达的预测指定油田未来产量指令，当解析出预测指令携带的目标油田标识和目标油田的当前产量数据之后，后台就可以直接根据预测指令携带的数据信息，调用相关预测方法/模型自动执行预测操作，对于自动执行的预测操作就是步骤102-105记载的内容。

需要说明的是，在本发明实施例中，相当于是搭建了一个执行预测油田未来产量的平台，对于用户而言，只要下达预测指令，指明数据信息包括：确定待预测的目标油田和输入该目标油田的当前产量数据，搭建的该平台就自动执行预测并反馈预测结果，从而使得到的预测油田产量操作简单、高效，本操作无需用户具备专业计算机知识，用户可以不用写代码即可调用优化的算子进行产量预测，降低油田产量预测使用的门槛。

102、根据目标油田标识，查找目标油田对应的历史产量数据。

在本发明实施例中，在确定目标油田标识之后，可以从目标油田对应的生产管理系统中查找到历史产量数据。

需要说明的是，可以将收集到的目标油田的历史产量数据，按照8：2的比例，分成训练集和测试集，如果历史产量数据少于5个点(即：5个时间单位的数据)，比如：5年、5天历史产量数据，则所有数据都划分为训练集。对于本发明实施例，是利用训练集来构建一个用于从多个算子中查找适用于对目标油田执行产量预测的算子的机器学习模型，而测试集是用于测试构建的机器学习模型质量是否达标的。

103、获取多个油田产量预测模型，每个油田产量预测模型被封装成独立的算子。

现在，人们提出了数百种油田产量预测技术和方法。总体来说油田预测方法可以分为三类：基于统计模型的方法、基于机理模型的方法和基于系统功能的预测方法。具体例举陈述如下：

基于统计模型的方法是从数理统计的角度，对油田、区块或单井的历史产油量和产水量，利用数理统计和分析的方法进行历史数据拟合，得到各类产量变化的公式和模型，对油田的未来产量进行预测。目前统计预测的方法很多，主要有水驱特征曲线法、经验公式法、Arps递减曲线法、广义翁氏预测模型法、HCZ法等等。

基于机理模型的方法主要从油田的生产的工程机理出发，利用油藏数值模拟、物质平衡、渗流力学等技术和方法来预测油田未来的产量。

基于系统功能的预测方法主要从系统论和控制论的角度，来对油田的产量进行预测。

在本发明实施例中，是将上述提及的油田产量预测方法封装成独立的算子，存储入机器学习库，从而在确定待预测的目标油田之后，从机器学习库中筛选出适用于预测目标油田未来产量的较佳算子。

进一步的，在本发明实施例中，步骤103与步骤101是并列关系，这两个步骤没有顺序限制。

104、利用历史产量数据对多个算子进行筛选，从多个算子中筛选出与目标油田匹配的算子。

在本发明实施例中，是将历史产量数据一一适配到这些算子上，结合算子中的机器学习算法，都是回归算法，比如：HuberRegressor、Lasso、Ridge、SGDRegressor、LinearSVR、SVR、DecisionTreeRegressor、AdaBoostRegressor、BaggingRegressor、GradientBoostRegressor、RandomForestRegressor中之一，不断地调整单个算子的参数，以使得经调参后的算子预测油田产量的误差向最小的方向更靠近一步，尽量趋近于最小误差，得到经调参后的算子，再进一步地从中筛选出适用于预测目标油田未来产量的较佳算子。

105、通过调用与目标油田匹配的算子对当前产量数据处理，执行预测目标油田未来产量操作，输出预测结果。

在本发明实施例中，在确定与目标油田匹配的较佳算子之后，根据步骤101可知，在搭建了的执行预测油田未来产量的平台中，后台调用与目标油田匹配的算子对当前产量数据处理，执行预测操作，得到预测结果，并通过人机交互界面输出预测结果，向用户反馈。

又或者，还可以结合搭建的该平台，通过微服务的方式将较佳算子发布成API，供业务用户操作直接调用，由用户选择指定算子，再根据用户下达预测指令执行预测操作。不管以上哪种方式，都使得预测油田未来产量操作简单高效、方便灵活。

本发明实施例提供一种油田产量的预测方法，本发明实施例是利用机器学习算法从已知的诸多油田产量预测模型中自动找到适合目标油田产量预测的较佳模型。相较于现有技术，解决了需要人工从已知的大量的预测方法中找到一种适合目标油田的预测方法和模型，导致难度和工作量大、计算复杂、现实困难的问题。本发明实施例提供的方法，对于每个待测目标油田，当接收到用户上传的目标油田的当前产量数据时，就自动地高效地查找到用于执行预测油田产量的较佳模型，并调用这个较佳模型预测目标油田未来产量，也确保预测油田产量的准确性。

为了对上述实施例做出更加详细的说明，本发明实施例还提供了另一种油田产量的预测方法，如图2所示，该方法增加了对算子执行预筛选步骤，从而减少后续利用机器学习对算子调参并选出较佳算子的工作量，对此本发明实施例提供以下具体步骤：

201、接收油田产量预测指令，预测指令携带有目标油田标识和目标油田的当前产量数据。

202、根据目标油田标识，查找目标油田对应的历史产量数据。

203、获取多个油田产量预测模型，每个油田产量预测模型被封装成独立的算子。

在本发明实施例中，对于本步骤201-203陈述，请参见步骤101-103，在此不再赘述。

204、从多个算子中初步过滤掉不适用于预测目标油田未来产量的算子。

在本发明实施例中，增加了对算子执行预筛选步骤，目的是：过滤掉明显不适用于预测目标油田未来产量的算子，从而减少后续利用机器学习对算子调参并选出较佳算子的工作量，提高筛选到较佳算子的效率。具体的，可以包括如下两种初步过滤方法：

一种初步过滤方式是：基于训练数据，也就是历史产量数据中用于训练机器学习模型的数据，初步地对现有的多个算子进行筛选，具体步骤可以为如下：

首先，解析历史产量数据包含的参数维度；其次，通过将参数维度与算子需要处理的参数维度进行比较，判断是否匹配，如果不匹配，则可以直接舍弃该算子。

例如：算子需要处理的参数维度是：温度、压力、饱和度、月产油、日产气，但是历史产量数据仅包含3个参数维度，那么明显数据维度不符合，无法利用该算子预测油田产量。

另一种初步过滤方式是：基于贝叶斯网络方法，根据算子的历史预测结果构建一个网络，过滤掉预测油田未来产量误差大、精度明显达不到需求的算子，具体陈述如下：

通过将历史产量数据适配到每个算子上，输出每个算子对目标油田未来产量的预测结果，根据预测结果对应的时间区间，获取在同一时间区间上目标油田对应的历史实际结果，通过将每个算子计算的预测结果与历史实际结果比较，判断预测误差是否达到预设阈值，若是，则舍弃算子。

需要说明的是，在本发明实施例中，对于以上两种过滤方式，可以任选其一，也可以结合使用，从对封装的算子进行初步筛选，去掉那些明显不适合目标油田产量预测的算子之后，对于剩余算子进行建模，形成一组适合当前油田产量数据的机器学习和业务机理模型。

205、利用历史产量数据分别训练多个算子，得到每个算子对应的最优参数，根据最优参数，调整对应的算子，得到与目标油田产量匹配的算子。

在本发明实施例中，是利用机器学习算法对每个算子执行自动调参操作，得到每个算子对应的最优参，具体的，对每个算子执行调参的过程，可以包括：在每个算子对历史产量数据处理得到预测结果之后，与同一时间区间的历史实际结果比较，根据预测结果和历史实际结果之间的差异，利用机器学习对算子进行自动调参，经调参后的算子再执行预测操作，如此反复，直至预测结果和历史实际结果之间的差异趋向于最小，所以该自动调参过程相当于是算子不断执行预测操作并试错的过程。从而利用自动调参替代传统地手动调参，系统对单个算子的参数进行自动调优，自动实现单个算子最好的预测效果。

进一步的，对于本发明实施例，如果得到与目标油田匹配的算子为多个，还可以进一步地从中提取出更优的算子，以利用更优的算子计算预测结果，而不是将匹配的每个算子计算的预测结果都反馈给用户，以减少反馈的数据量，也使得反馈预测结果更加有针对性，提高反馈的预测油田产量的准确性，具体的，优化选取更优算子的步骤可以包括如下：

首先，若与目标油田匹配的算子为多个，获取与目标油田匹配的算子作为待选算子。按照预设时间单位，将历史产量数据划分为每个预设时间单位对应的部分产量数据，利用每个待选算子对部分产量数据进行处理，得到每个时间单位对应的预测结果。

例如：历史产量数据是包含有5年的油田多维度的指标数据，所以选取预设时间单位为年，将历史产量数据划分为每年对应的历史产量数据。

进一步的，再获取每个时间单位对应的历史实际结果。比如，确定预设时间单位为年之后，在本发明实施例中，每年的历史实际结果都是已知数据，所以直接可以从目前油田对应的生产管理系统中获得即可。

其次，根据每个时间单位对应的预测结果和历史实际结果，计算每个待选算子处理历史产量数据得到的平均误差百分比。

下面，就根据每个待选算子处理历史产量数据得到的平均误差百分比，选取平均误差百分比符合预设条件的算子作为目标算子，该预设条件为平均误差百分比最小的前N个算子，或，平均误差百分比最小的前M％的算子，N正整数，M为正数，具体陈述如下：

例如：按照百分比数值由小到大的顺序，将每个待选算子对应的平均误差百分比排序，得到数值队列，按照数值据队列中首位至末位的顺序，选取预设设数目的平均误差百分比，也就是选取平均误差百分比最小的前N个算子。

再例如：在得到上述平均误差百分比数值队列之后，根据数值队列中包含的数值的数目，选取平均误差百分比最小的前M％的算子，也就是从数值队列中选取较小数值，但选取个数可以是总数目的M％。

206、通过调用与目标油田匹配的算子对当前产量数据处理，执行预测目标油田未来产量操作，输出预测结果。

在本发明实施例中，在基于步骤205得到更优目标算子之后，调用目标算子对当前产量数据处理，输出每个目标算子分别对应的预测结果，将每个目标算子分别对应的预测结果组成预测结果集合，将预测结果集合推送给用户。

需要说明的是，在本发明实施例中，更倾向于利用多个更优算子预测目标油田产量，以向用户反馈多个预测结果，预测结果难免也会存在差异，但是这个差异已经在可控、尽量趋向于最小误差了，由于预测结果对于用户而言是预估油田产量的参考数据，并不等于未来实际结果，所以通过向用户反馈多个预测结果，相当于能够向用户反馈高、中、低档三种结果，以让用户更加全面地了解分析对油田未来产量的预测。

进一步的，作为对上述图1、图2所示方法的实现，本发明实施例提供了一种油田产量的预测装置。该装置实施例与前述方法实施例对应，为便于阅读，本装置实施例不再对前述方法实施例中的细节内容进行逐一赘述，但应当明确，本实施例中的装置能够对应实现前述方法实施例中的全部内容。该装置应用于从已知的诸多油田产量预测模型中自动找到适合目标油田产量预测的较佳模型，具体如图3所示，该装置包括：

接收单元301，用于接收油田产量预测指令，所述预测指令携带有目标油田标识和目标油田的当前产量数据；

获取单元302，用于根据所述接收单元301接收到的目标油田标识，获取所述目标油田对应的历史产量数据；

所述获取单元302，还用于获取多个油田产量预测模型，每个所述油田产量预测模型被封装成独立的算子；

筛选单元303，用于利用所述接收单元301接收到的历史产量数据对多个所述获取单元302获取到的算子进行筛选，从多个所述算子中筛选出与所述目标油田匹配的算子；

执行单元304，用于通过调用所述筛选单元303筛选到的与所述目标油田匹配的算子对所述当前产量数据处理，执行预测所述目标油田未来产量操作，输出预测结果。

进一步的，如图4所示，所述筛选单元303包括：

训练模块3031，用于利用历史产量数据分别训练多个算子，得到每个所述算子对应的最优参数；

确定模块3032，用于根据所述训练模块3031训练得到的最优参数，调整对应的算子，确定与所述目标油田产量匹配的算子。

进一步的，如图4所示，所述装置还包括：

确定单元305，还用于在从多个所述算子中筛选出与所述目标油田匹配的算子之后，若与所述目标油田匹配的算子为多个，将与所述目标油田匹配的算子确定为待选算子；

划分单元306，用于按照预设时间单位，将所述历史产量数据划分为每个所述预设时间单位对应的部分产量数据；

处理单元307，用于利用每个所述待选算子对所述部分产量数据进行处理，得到每个所述时间单位对应的预测结果；

查找单元308，用于查找每个所述时间单位对应的历史实际结果；

计算单元309，用于根据每个所述时间单位对应的所述处理单元307得到的预测结果和所述查找单元308查找到的历史实际结果，计算每个所述待选算子处理所述历史产量数据得到的平均误差百分比；

选取单元310，用于选取所述计算单元309计算的平均误差百分比符合预设条件的算子作为目标算子，所述预设条件为平均误差百分比最小的前N个算子，或，平均误差百分比最小的前M％的算子，所述N正整数，所述M为正数。

进一步的，如图4所示，所述执行单元304包括：

调用模块3041，用于调用所述目标算子对所述当前产量数据处理；

输出模块3042，用于输出每个所述目标算子分别对应的预测结果；

组成模块3043，用于将每个所述目标算子分别对应的预测结果组成预测结果集合；

反馈模块3044，用于将所述预测结果集合反馈给用户。

进一步的，如图4所示，所述装置还包括：

解析单元311，用于在所述利用所述历史产量数据对多个所述算子进行筛选，从多个所述算子中筛选出与所述目标油田匹配的算子之前，解析所述历史产量数据包含的参数维度；

判断单元312，用于通过将所述解析单元311得到的参数维度与所述算子需要处理的参数维度进行比较，判断是否匹配；

舍弃单元313，用于当所述判断单元312判断所述解析单元311得到的参数维度与所述算子需要处理的参数维度匹配时，舍弃所述算子。

进一步的，如图4所示，所述装置还包括：

预测单元314，用于在所述利用所述历史产量数据对多个所述算子进行筛选，从多个所述算子中筛选出与所述目标油田匹配的算子之前，通过将所述历史产量数据适配到每个所述算子上，输出每个所述算子对所述目标油田未来产量的预测结果；

所述查找单元308，还用于根据所述预测结果对应的时间区间，查找在同一时间区间上所述目标油田对应的历史实际结果；

所述判断单元312，还用于通过将每个所述算子预测的所述预测结果与所述查找单元308查找到的历史实际结果比较，判断预测误差是否达到预设阈值；

所述舍弃单元313，还用于当所述判断单312判断预测误差是达到预设阈值时，舍弃所述算子。

综上所述，本发明实施例提供一种油田产量的预测方法及装置，本发明实施例是利用机器学习算法从已知的诸多油田产量预测模型中自动找到适合目标油田产量预测的较佳模型。相较于现有技术，解决了需要人工从已知的大量的预测方法中找到一种适合目标油田的预测方法和模型，导致难度和工作量大、计算复杂、现实困难的问题。本发明实施例提供的方法，对于每个待测目标油田，当接收到用户上传的目标油田的当前产量数据时，就自动地高效地查找到用于执行预测油田产量的较佳模型，并调用这个较佳模型预测目标油田未来产量，也确保预测油田产量的准确性。

所述油田产量的预测装置包括处理器和存储器，上述接收单元、获取单元、筛选单元和执行单元等均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。

处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数来利用机器学习算法从已知的诸多油田产量预测模型中自动找到适合目标油田产量预测的较佳模型，也确保预测油田产量的准确性。

本发明实施例提供了一种存储介质，其上存储有程序，该程序被处理器执行时实现所述油田产量的预测方法。

本发明实施例提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行所述油田产量的预测方法。

本发明实施例提供了一种电子设备40，如图5所示，设备包括至少一个处理器401、以及与处理器401连接的至少一个存储器402、总线403；其中，处理器401、存储器402通过总线403完成相互间的通信；处理器401用于调用存储器402中的程序指令，以执行上述的油田产量的预测方法。

本文中的设备可以是服务器、PC、PAD、手机等。

本申请还提供了一种计算机程序产品，当在数据处理设备上执行时，适于执行初始化有如下方法步骤的程序：

一种油田产量的预测方法，所述方法包括：接收油田产量预测指令，所述预测指令携带有目标油田标识和目标油田的当前产量数据；根据所述目标油田标识，获取所述目标油田对应的历史产量数据；获取多个油田产量预测模型，每个所述油田产量预测模型被封装成独立的算子；利用所述历史产量数据对多个所述算子进行筛选，从多个所述算子中筛选出与所述目标油田匹配的算子；通过调用与所述目标油田匹配的算子对所述当前产量数据处理，执行预测所述目标油田未来产量操作，输出预测结果。

进一步的，所述利用所述历史产量数据对多个所述算子进行筛选，从多个所述算子中筛选出与所述目标油田匹配的算子，包括：利用历史产量数据分别训练多个算子，得到每个所述算子对应的最优参数；根据所述最优参数，调整对应的算子，得到与所述目标油田产量匹配的算子。

进一步的，在从多个所述算子中筛选出与所述目标油田匹配的算子之后，若与所述目标油田匹配的算子为多个，则所述方法还包括：若与所述目标油田匹配的算子为多个，将与所述目标油田匹配的算子确定为待选算子；按照预设时间单位，将所述历史产量数据划分为每个所述预设时间单位对应的部分产量数据；利用每个所述待选算子对所述部分产量数据进行处理，得到每个所述时间单位对应的预测结果；查找每个所述时间单位对应的历史实际结果；根据每个所述时间单位对应的预测结果和历史实际结果，计算每个所述待选算子处理所述历史产量数据得到的平均误差百分比；选取所述平均误差百分比符合预设条件的算子作为目标算子，所述预设条件为平均误差百分比最小的前N个算子，或，平均误差百分比最小的前M％的算子，所述N正整数，所述M为正数。

进一步的，所述通过调用与所述目标油田匹配的算子对所述当前产量数据处理，执行预测所述目标油田未来产量操作，输出预测结果，包括：调用所述目标算子对所述当前产量数据处理，输出每个所述目标算子分别对应的预测结果；将每个所述目标算子分别对应的预测结果组成预测结果集合；将所述预测结果集合反馈给用户。

进一步的，在所述利用所述历史产量数据对多个所述算子进行筛选，从多个所述算子中筛选出与所述目标油田匹配的算子之前，所述方法还包括：解析所述历史产量数据包含的参数维度；通过将所述参数维度与所述算子需要处理的参数维度进行比较，判断是否匹配；若不匹配，则舍弃所述算子。

进一步的，在所述利用所述历史产量数据对多个所述算子进行筛选，从多个所述算子中筛选出与所述目标油田匹配的算子之前，所述方法还包括：通过将所述历史产量数据适配到每个所述算子上，输出每个所述算子对所述目标油田未来产量的预测结果；根据所述预测结果对应的时间区间，获取在同一时间区间上所述目标油田对应的历史实际结果；通过将每个所述算子计算的所述预测结果与所述历史实际结果比较，判断预测误差是否达到预设阈值；若是，则舍弃所述算子。

本申请是参照根据本申请实施例的方法、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。

在一个典型的配置中，设备包括一个或多个处理器(CPU)、存储器和总线。设备还可以包括输入/输出接口、网络接口等。

存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)，存储器包括至少一个存储芯片。存储器是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。

本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请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，本申请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。

以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。