[发明专利]微区域流动参量的预测方法和装置

说明书

技术领域

本发明涉及数据挖掘技术领域，特别是涉及一种微区域流动参量的预测方法和装置。

背景技术

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。

发明内容

基于上述情况，本发明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，本发明的技术方案为：

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，本发明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，本发明的有益效果为：本发明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。使用本发明的技术后，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

为使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明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发明，并不限定本发明的保护范围。

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；