微区域流动参量的预测方法和装置制造方法及图纸

本发明专利技术公开了一种微区域流动参量的预测方法和装置，先收集宏区域固定参量A的时间序列和流动参量B的时间序列；然后根据宏区域与各微区域关系，得到各微区域固定参量A的时间序列；再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；利用所求得的固定参量A和流动参量B之间的关系，得到各微区域流动参量B的时间序列预测值；最后根据所获得的各微区域固定参量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。本发明专利技术改变了微区域“黑箱子”的现状，预测微区域流动参量的状态，根据预测结果利用资源，使资源得到优化，同时利用扩展卡尔曼算法，获得结果准确，误差率低，具有很好的应用价值。

【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；处理模块，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；预测模块，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；优化模块，用于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。与现有技术相比，本专利技术的有益效果为：本专利技术微区域流动参量的预测方法和装置，先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；然后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；再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；再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；最后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。使用本专利技术的技术后，改变了微区域“黑箱子”的现状，预测微区域流动参量的状态，根据预测结果利用资源，使资源得到优化，同时利用扩展卡尔曼算法，获得结果准确，误差率低，具有很好的应用价值。附图说明图1为一个实施例中微区域流动参量的预测方法的流程示意图；图2为一个实施例中微区域流动参量的预测装置的结构示意图。具体实施方式为使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步的详细说明。应当理解，此处所描述的具体实施方式仅仅用以解释本专利技术，并不限定本专利技术的保护范围。一个实施例中微区域流动参量的预测方法，如图1所示，包括以下步骤：步骤S101：收集宏区域（如一个省或市等常规的行政区域）的固定参量A（变化很少的数据）的时间序列和流动参量B（变化频繁的数据）的时间序列；步骤S102：根据宏区域与各微区域（如一个片区等小经营单位）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；步骤S103：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；步骤S104：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；步骤S105：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。从以上描述可知，本方法改变了微区域“黑箱子”的现状，结合实际利用资源，具有很好的应用价值。作为一个实施例，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。作为一个实施例，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。作为一个实施例，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：其中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：其中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。不排除还有其它方法。一个实施例中微区域流动参量的预测装置，如图2所示，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；处理模块，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；预测模块，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；优化模块，用于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本文档来自技高网...

【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：