一种对燃气用户的燃气用气量进行预测的方法及装置

摘要

本发明提供了一种对燃气用户的燃气用气量进行预测的方法及装置，其中方法包括：获取数据，对数据利用PCA进行主成分提取，得到降维后的数据；利用降维后的数据构建BILSTM模型，在BILSTM模型中加入Attention层；使用BILSTM模型对燃气用气量进行预测，得到预测结果。

说明书

技术领域

本发明涉及计算机领域，尤其涉及一种对燃气用户的燃气用气量进行预测的方法及装置。

背景技术

燃气资源作为我国的一项战略资源，在生产生活中占据着重要地位。随着国民经济的高 速发展、工业发展水平的日益提高，人们对燃气的需求越来越普遍，每家每户现在都装上了 燃气表，燃气公司可以获得海量的燃气用户的燃气用气量数据。

随着大数据时代到来，燃气公司也在不断升级服务，一方面为了防止用户偷盗气，另一 方面对用户的燃气用气量进行建模，对用户行为进行分析，可以为客户提高更好的服务。

然而，如何对用户的燃气用气量进行预测，成为亟待解决的问题。现有技术一般都是使 用单一的方法，比如使用自回归模型或者卡尔曼滤波等方法进行预测，这些单一的方法往往 结构比较简单，效果不够好，算法的鲁棒性不够强，受噪声的影响程度比较大。

发明内容

本发明旨在提供一种克服上述问题或者至少部分地解决上述问题的对燃气用户的燃气用 气量进行预测的方法及装置。

为达到上述目的，本发明的技术方案具体是这样实现的：

本发明的一个方面提供了一种对燃气用户的燃气用气量进行预测的方法，包括：获取数 据，对数据利用PCA进行主成分提取，得到降维后的数据；利用降维后的数据构建BILSTM模 型，在BILSTM模型中加入Attention层；使用BILSTM模型对燃气用气量进行预测，得到预 测结果。

其中，对数据利用PCA进行主成分提取，得到降维后的数据包括：循环执行如下操作， 直至得到降维后的数据：对数据进行归一化处理；求解出数据矩阵的协方差矩阵；利用特征 值分解或者奇异值分解，求解特征值以及特征向量；根据特征值以及特征向量构造投影矩阵； 利用投影矩阵，得出降维的数据进行投影。

本发明另一方面提供了一种对燃气用户的燃气用气量进行预测的装置，包括：提取模块， 用于获取数据，对数据利用PCA进行主成分提取，得到降维后的数据；构建模块，用于利用 降维后的数据构建BILSTM模型，在BILSTM模型中加入Attention层；预测模块，用于使用 BILSTM模型对燃气用气量进行预测，得到预测结果。

其中，提取模块通过如下方式对数据利用PCA进行主成分提取，得到降维后的数据：提 取模块，具体用于循环执行如下操作，直至得到降维后的数据：对数据进行归一化处理；求 解出数据矩阵的协方差矩阵；利用特征值分解或者奇异值分解，求解特征值以及特征向量； 根据特征值以及特征向量构造投影矩阵；利用投影矩阵，得出降维的数据进行投影。

由此可见，通过本发明提供的对燃气用户的燃气用气量进行预测的方法及装置，使用 PCA+BILSTM+Attention的方式用PCA提取数据的主要成分，再通过BILSTM进行数据预测， 同时使用Attention机制让算法关注更需要关注的部分，提高鲁棒性以及提高性能。

此外，将输出的燃气用户在接下来时间段的用气量，使用得到的用气量预测值，可以为 用户提供更好的服务，比如说当算法预测接下来一段时间内某区域内的燃气值明显激增，将 会提前做好资源调度，为该区域内的用户及时提供暖气。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例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，对于本领域的 普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他附图。

图1为本发明实施例提供的对燃气用户的燃气用气量进行预测的方法的流程图；

图2为本发明实施例提供的BILSTM总体框架示意图；

图3为本发明实施例提供的Attention机制的主要思想示意图；

图4为本发明实施例提供的对燃气用户的燃气用气量进行预测的装置的结构示意图。

具体实施方式

下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例 性实施例，然而应当理解，可以以各种形式实现本公开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公开，并且能够将本公开的范围完整的传 达给本领域的技术人员。

图1示出了本发明实施例提供的对燃气用户的燃气用气量进行预测的方法的流程图，参 见图1，本发明实施例提供的对燃气用户的燃气用气量进行预测的方法，包括：

S1，获取数据，对数据利用PCA进行主成分提取，得到降维后的数据。

具体地，本发明中，使用PCA(Principal Component Analysis，主成分分析)先进行主成 分提取，再将得到的主成分特征放入网络中进行预测，这样做的好处是机器学习方法相比深 度学习在推理时速度会更快；第二就是使用PCA进行主成分提取后也可以降低搭建的网络层 数，降低训练时间。

本发明中，对于获取的海量数据，首先使用PCA算法进行降维，将数据的主成分提取出 来，PCA是一种常用的数据分析方法，他通过线性变换将原始数据变换为一组各维度线性无 关的表示，可用于提取数据的主要特征分量，常用于高维数据的降维。

作为本发明实施例的一个可选实施方式，对数据利用PCA进行主成分提取，得到降维后 的数据包括：循环执行如下操作，直至得到降维后的数据：对数据进行归一化处理；求解出 数据矩阵的协方差矩阵；利用特征值分解或者奇异值分解，求解特征值以及特征向量；根据 特征值以及特征向量构造投影矩阵；利用投影矩阵，得出降维的数据进行投影。具体地，获 取用户的海量数据后，开始对数据进行处理,在进行一系列的清洗后，执行以下操作：

步骤一：数据中心化——去均值，因为燃气数据各个指标范围相差比较大，根据需要， 进行归一化——Normalized；

步骤二：求解出数据矩阵的协方差矩阵；

步骤三：利用特征值分解/奇异值分解求解特征值以及特征向量；

步骤四：得到特征向量以及特征之后，就可以构造投影矩阵；

步骤五：随后利用投影矩阵，得出降维的数据进行投影；

步骤二三四五不断重复，最后可以得到数据的若干个主成分向量，这样就实现了数据降 维以及主成分提取。

S2，利用降维后的数据构建BILSTM模型，在BILSTM模型中加入Attention层。

具体地，得出降维后的数据后，使用Bilistm进行预测，BILSTM中的LSTM的全称是Long Short-Term Memory，它是RNN(Recurrent Neural Network)的一种。LSTM由于其设计的特点，非常适合用于对时序数据的建模，如文本数据。

相比于LSTM，BILSTM除了关注过去的序列信息，还会关注将来的序列信息，在进行网络训练的时候，使用BILSTM可以提高网络对信息的利用程度，在实际使用过程中，将两个隐藏状态组合起来，可以提高网络的泛化性能。

BiLSTM是Bi-directional Long Short-Term Memory的缩写，是由前向LSTM与后向LSTM 组合而成。两者在时间序列任务中都常被用来建模上下文，使用上文信息来推断出下文信息。

参见图2，BILSTM是由两个LSTM组合而成，LSTM模型是由时刻的输入数据X

首先计算遗忘门，选择需要遗忘的数据：

输入：前一时刻的隐层状态h

输出：遗忘门的值f

f(t)＝σ(W

随后计算记忆门：

输入：前一时刻的隐层状态h

输出：记忆门的值，临时细胞状态

i

再计算当前细胞的状态：

输入：记忆门的值i

输出：当前时刻细胞状态C

再计算当前时刻细胞状态计算输出门和当前时刻隐层状态

输入：前一时刻的隐层状态h

输出：输出门的值o

o

h

计算输出门和当前时刻隐层状态。

最终可以得到与输入序列长度相同的预测值。

在BiLSTM中，每一个特征图不同通道输出的结果都按照相同的重要性进入下一层网络 中，但其实不同通道的重要性是不相同的，特别是在燃气的数据中，不同维度的数据对结果 的重要程度不是相同的，于是在本发明中，在BILSTM中加入Attention层，这样可以对结果 更重要的特征层的数据进行放大，抑制那些对结果效果不好的特征层。在输出时会选择性地 专注考虑输入中的对应相关的信息。

参见图3，网络可以使用模型的最终输出结果作为Query，随后计算Query和每一个特征 图之间的相似度，得到S1 S2 S3 S4。

得到不同特征图之间的权值，对上述权值使用softmax进行归一化后，即得到每一个特征 图对结果的不同重要程度a1，a2，a3,a4。

在没有使用注意力机制之前，特征图的值可以作为value，对value中的每一个元素与归 一化的结果相乘后，最终输出的结果即是Attention层的结果。

将注意力机制融入至BILSTM网络后，网络可以自动的更加关注对结果更重要的时间段 信息，因为根据生活经验，用户一般只会在某些时间段内进行燃气使用，同时这些时间段也 最能反应用户的用气量。

S3，使用BILSTM模型对燃气用气量进行预测，得到预测结果。

具体地，本发明利用BILSTM模型对燃气用气量进行预测，将会输出燃气用户在接下来 时间段的用气量，使用得到的用气量预测值，可以为用户提供更好的服务，比如说当算法预 测接下来一段时间内某区域内的燃气值明显激增，将会提前做好资源调度，为该区域内的用 户及时提供暖气。

由此可见，通过本发明提供的对燃气用户的燃气用气量进行预测的方法，使用PCA+BILSTM+Attention的方式用PCA提取数据的主要成分，再通过BILSTM进行数据预测，同时使用Attention机制让算法关注更需要关注的部分，提高鲁棒性以及提高性能。

图4示出了本发明实施例提供的对燃气用户的燃气用气量进行预测的装置的结构示意图， 该对燃气用户的燃气用气量进行预测的装置应用上述方法，以下仅对对燃气用户的燃气用气 量进行预测的装置的结构进行简单说明，其他未尽事宜，请参照上述对燃气用户的燃气用气 量进行预测的方法中的相关描述，参见图4，本发明实施例提供的对燃气用户的燃气用气量 进行预测的装置，包括：

提取模块，用于获取数据，对数据利用PCA进行主成分提取，得到降维后的数据；

构建模块，用于利用降维后的数据构建BILSTM模型，在BILSTM模型中加入Attention 层；

预测模块，用于使用BILSTM模型对燃气用气量进行预测，得到预测结果。

作为本发明实施例的一个可选实施方式，提取模块通过如下方式对数据利用PCA进行主 成分提取，得到降维后的数据：提取模块，具体用于循环执行如下操作，直至得到降维后的 数据：对数据进行归一化处理；求解出数据矩阵的协方差矩阵；利用特征值分解或者奇异值 分解，求解特征值以及特征向量；根据特征值以及特征向量构造投影矩阵；利用投影矩阵， 得出降维的数据进行投影。

由此可见，通过本发明提供的对燃气用户的燃气用气量进行预测的装置，使用PCA+BILSTM+Attention的方式用PCA提取数据的主要成分，再通过BILSTM进行数据预测，同时使用Attention机制让算法关注更需要关注的部分，提高鲁棒性以及提高性能。

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。