【技术实现步骤摘要】
微区域流动参量的预测方法和装置
本专利技术涉及数据挖掘
,特别是涉及一种微区域流动参量的预测方法和装置。
技术介绍
现有技术无法及时获取微区域(如一个片区等小经营单位)流动参量(变化频繁的数据)的情况,不能实时了解微区域流动参量的状态,微区域一直处于“黑箱子”状态,影响微区域各种方案的规划、实施。
技术实现思路
基于上述情况,本专利技术提出了一种微区域流动参量的预测方法,获取微区域流动参量的状态,结合实际利用资源,具有很好的应用价值。为了实现上述目的,本专利技术的技术方案为:一种微区域流动参量的预测方法,包括以下步骤:收集宏区域的固定参量A的时间序列和流动参量B的时间序列;根据宏区域与各微区域关系,对所收集的宏区域的固定参量A的时间序列进行分类、汇总,得到各微区域的固定参量A的时间序列;基于所收集的宏区域的固定参量A的时间序列和流动参量B的时间序列,利用扩展卡尔曼滤波的状态方程,得到固定参量A的时间序列和流动参量B的时间序列之间的关系;基于所得到的各微区域的固定参量A的时间序列,利用所求得的固定参量A的时间序列和流动参量B的时间序列之间的关系,得到各微区域的流动参量B的时间序列预测值;根据所获得的各微区域的固定参量A的时间序列和流动参量B的时间序列预测值对各微区域进行资源优化。针对现有技术问题,本专利技术还提出了一种微区域流动参量的预测装置,改善现有微区域“黑箱子”的现状,适合应用。具体实现方式为:一种微区域流动参量的预测装置,包括:收集模块,用于收集宏区域的固定参量A的时间序列和流动参量B的时间序列;分类汇总模块,用于根据宏区域与各微区域关系,对所收集 ...
【技术保护点】
【技术特征摘要】
1.一种微区域流动参量的预测方法,其特征在于,包括以下步骤:收集宏区域的固定参量A的时间序列和流动参量B的时间序列;根据宏区域与各微区域关系,对所收集的宏区域的固定参量A的时间序列进行分类、汇总,得到各微区域的固定参量A的时间序列;基于所收集的宏区域的固定参量A的时间序列和流动参量B的时间序列,利用扩展卡尔曼滤波的状态方程,得到各微区域的固定参量A的时间序列和各微区域的流动参量B的时间序列之间的关系;基于所得到的各微区域的固定参量A的时间序列,利用所求得的各微区域的固定参量A的时间序列和各微区域的流动参量B的时间序列之间的关系,得到各微区域的流动参量B的时间序列预测值;根据所获得的各微区域的固定参量A的时间序列和各微区域的流动参量B的时间序列预测值对各微区域进行资源优化;在所述得到各微区域的流动参量B的时间序列预测值后,还包括:根据各微区域的流动参量B的时间序列与宏区域的流动参量B的时间序列之间的关系,修正所述各微区域的流动参量B的时间序列预测值。2.根据权利要求1所述的微区域流动参量的预测方法,其特征在于,所述各微区域的流动参量B的时间序列预测值由以下步骤计算得到:各微区域的固定参量A的时间序列为Ai,设各微区域的流动参量B的时间序列为Bi,i=1,2,...,N;预测矩阵T(x)的计算公式为:T(x)=[A1,A2,...,AN],状态变量的计算公式为:状态变量和其对应的协方差矩阵P满足:Pk+1|k=Pk|k+Qk,其中Qk为第k次迭代过程的激励协方差矩阵,为已知第k+1步以前状态情况下第k+1步的先验状态估计,为第k步的后验状态估计;计算卡尔曼增益:P为协方差矩阵;J为雅克比矩阵,其计算公式为:其中T(x)为预测矩阵;S为残余协方差矩阵,其计算公式为:其中Rk为第k次迭代的观众噪声协方差矩阵;更新状态变量和其对应的协方差矩阵P为:Pk+1|k+1=(I-Kk+1Jk+1)Pk+1|k,其中K为卡尔曼增益;为残余变量,其计算公式为:mk为第k次迭代的观察变量,T(x)为预测矩阵;I为单位矩阵,J为雅克比矩阵;为第k+1步的后验状态估计,为已知第k+1步以前状态情况下第k+1步的先验状态估计。3.一种微区域流动参量的预测方法,其特征在于,包括以下步骤:收集宏区域的固定参量A的时间序列和流动参量B的时间序列;根据宏区域与各微区域关系,对所收集的宏区域的固定参量A的时间序列进行分类、汇总,得到各微区域的固定参量A的时间序列;基于所收集的宏区域的固定参量A的时间序列和流动参量B的时间序列,利用扩展卡尔曼滤波的状态方程,得到各微区域的固定参量A的时间序列和各微区域的流动参量B的时间序列之间的关系;基于所得到的各微区域的固定参量A的时间序列,利用所求得的各微区域的固定参量A的时间序列和各微区域的流动参量B的时间序列之间的关系,得到各微区域的流动参量B的时间序列预测值;根据所获得的各微区域的固定参量A的时间序列和各微区域的流动参量B的时间序列预测值对各微区域进行资源优化;在所述得到各微区域的流动参量B的时间序列预测值后,还包括:收集各微区域中任一微区域w的流动参量B的时间序列真实值,与所述微区域w的流动参量B的时间序列预测值进行误差分析,根据误差分析的结果,修正所述各微区域的流动参量B的时间序列预测值。4.根据权利要求3所述的微区域流动参量的预测方法,其特征在于,所述各微区域的流动参量B的时间序列预测值由以下步骤计算得到:各微区域的固定参量A的时间序列为Ai,设各微区域的流动参量B的时间序列为Bi,i=1,2,...,N;预测矩阵T(x)的计算公式为:T(x)=[A1,A2,...,AN],状态变量的计算公式为:状态变量和其对应的协方差矩阵P满足:Pk+1|k=Pk|k+Qk,其中Qk为第k次迭代过程的激励协方差矩阵,为已知第k+1步以前状态情况下第k+1步的先验状态估计,为第k步的后验状态估计;计算卡尔曼增益:P为协方差矩阵;J为雅克比矩阵,其计算公式为:其中T(x)为预测矩阵;S为残余协方差矩阵,其计算公式为:其中Rk为第k次迭代的观众噪声协方差矩阵;更新状态变量和其对应的协方差矩阵P为:Pk+1|k+1=(I-Kk+1Jk+1)Pk+1|k,其中K为卡尔曼增益;为残余变量,其计算公式为:mk为第k次迭代的观察变量,T(x)为预测矩阵;I为单位矩阵,J为雅克比矩阵;为第k+1步的后验状态估计,为已知第k+1步以前状态情况下第k+1步的先验状态估计。5.一种微区域流动参量的预测装置,其特征在于...
【专利技术属性】
技术研发人员:杜翠凤,陆蕊,蒋仕宝,
申请(专利权)人:广州杰赛科技股份有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。