[发明专利]用于数据处理的方法、装置、电子设备及计算机可读介质

说明书

本申请公开一种用于数据处理的方法、装置、电子设备及计算机可读介质。涉及计算机信息处理领域，该方法包括：获取用户的流量数据，所述流量数据包括电量数据；将所述流量数据按照时间特征分成多个时间序列数据；通过基本统计学算法与所述多个时间序列数据，计算所述流量数据的均值与标准差；通过小波变换算法对所述多个时间序列数据进行分解处理，以获取时间序列子波；以及将所述时间序列子波，所述均值与所述标准差作为特征值输入预测模型中，以获取所述用户在预定时间段中的流量数据预测值。本申请公开的用于数据处理的方法、装置、电子设备及计算机可读介质，能够对未来用电量进行有效预测，并指导商家电量分配。

技术领域

本发明涉及计算机信息处理领域，具体而言，涉及一种用于数据处理的方法、装置、电子设备及计算机可读介质。

背景技术

电量预测是指对一段时间内电力系统的负荷消耗电能总量的预报。电量预测单位可分日、月、年等。电量预测的宏观方法可以考虑用电量与国民生产总值(GNP)的关系构造预测模型。用历史数据求出回归系数，按时间延伸求电量预测值。也可以考虑用时间序列构造预测模型求出预测值。高效的电量特征提取方法对用电量的预测起到至关重要的作用，在现有的电量预测方法中，很少出现对电量特征高效提取的相关方案，如回归分析法，需要统计分析变量历史数据，确定各变量之间的函数关系，虽然能对未来某个时期的用电量做出预测，但是对历史数据要求高，且预测精度低，计算量大，过程复杂。在众多的时序数据特征提取方法中，如基于基本统计特征的方法，就是提取数据波形的均值，方差，极值，波段，功率谱，过零点等统计特征来代表原有的时序数据作为特征矢量，虽然得到最早发展，过程简单，但是在数据有强噪声的情况下不太适合使用。

现有技术中，对用电量进行预测方法主要有基于基本统计特征方法提取的回归分析法，但是该方法计算量大，过程复杂，预测精度低，且不适合有强噪声的数据使用。

因此，需要一种新的用于数据处理的方法、装置、电子设备及计算机可读介质。

在所述背景技术部分公开的上述信息仅用于加强对本发明的背景的理解，因此它可以包括不构成对本领域普通技术人员已知的现有技术的信息。

发明内容

有鉴于此，本发明提供一种用于数据处理的方法、装置、电子设备及计算机可读介质，能够对未来用电量进行有效预测，并指导商家电量分配。

本发明的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本发明的实践而习得。

根据本发明的一方面，提出一种用于数据处理的方法，该方法包括：获取同一用户的流量数据，所述流量数据包括电量数据；将所述流量数据按照时间特征分成多个时间序列数据；通过基本统计学算法与所述多个时间序列数据，计算所述流量数据的均值与标准差；通过小波变换算法对所述多个时间序列数据进行分解处理，以获取时间序列子波；以及将所述时间序列子波，所述均值与所述标准差作为特征值输入预测模型中，以获取所述用户在预定时间段中的流量数据预测值。

在本公开的一种示例性实施例中，还包括：将多个用户在所述预定时间段中的所述流量数据预测值进行汇总计算，获取流量数据预测总值。

在本公开的一种示例性实施例中，所述流量数据还包括：客流量数据。

在本公开的一种示例性实施例中，还包括：通过用户的历史流量数据对与长短期记忆网络进行训练，获得所述预测模型。

在本公开的一种示例性实施例中，还包括：在训练所述长短期记忆网络时，通过均方差与相关系数对所述预测模型进行校验。