申请/专利权人：江苏米特物联网科技有限公司

申请日：2023-12-08

公开（公告）日：2024-02-13

公开（公告）号：CN117370770B

主分类号：G06F18/20

分类号：G06F18/20;G06F18/23;H02J3/00;G06Q50/06;G06Q50/12

优先权：

专利状态码：有效-授权

法律状态：2024.02.13#授权;2024.01.26#实质审查的生效;2024.01.09#公开

摘要：本发明公开了一种基于Shapelet‑XGboost的酒店负荷综合预测方法，涉及超短期负荷预测技术领域；包括以下步骤：首先，确定影响酒店负荷的关键特征集，采集关键特征数据以及酒店负荷数据，形成样本数据库，基于此，分别采用Shapelet方法和XGboost方法生成模式匹配数据库和人工智能模型；其次，在线应用时，基于天气预报及酒店运行计划信息，获得酒店未来一天各时刻的关键特征数据，分别采用模式匹配数据库和人工智能模型对未来一天酒店负荷曲线进行预测；最后，基于两种方法的权重系数进行加权计算，获得最终的酒店负荷预测结果；本发明能够综合模式匹配方法与人工智能方法的优势，提高酒店负荷预测结果的准确性和合理性。

主权项：1.一种基于Shapelet-XGboost的酒店负荷综合预测方法，其特征在于：包括以下步骤：步骤A、基于酒店历史运行信息与负荷信息，建立历史样本数据库；步骤B、基于历史样本数据库，采用Shapelet方法聚类，建立酒店负荷模式匹配数据库；步骤C、基于历史样本数据库，采用XGboost方法训练，生成酒店负荷预测人工智能模型；步骤D、基于天气预报信息与酒店运行计划信息，以1小时为时间间隔，获得酒店未来一天各时刻的关键特征预报数据；步骤E、基于关键特征预报数据，利用酒店负荷模式匹配数据库，采用模式匹配方法，预测酒店未来一天的负荷曲线LC_1；具体方法如下：步骤E1、基于天气预报信息与酒店运行计划信息，获得酒店未来一天各时刻的关键特征预报数据xpre；步骤E2、以预报的关键特征数据曲线与模式匹配数据库中存储的关键特征数据典型曲线族进行比对，获得距离向量Di，计算方法如下： 步骤E3、选择距离向量Di中的最小值Dres所在聚类对应的日负荷典型曲线LC_1，将其作为酒店未来一天的负荷预测结果；步骤F，基于关键特征预报数据，以其为输入特征，利用离线训练生成的人工智能模型计算，输出酒店未来一天各时刻的负荷量，形成酒店未来一天的负荷曲线LC_2；具体方法如下：步骤F1、基于天气预报信息与酒店运行计划信息 获得酒店未来一天各时刻的关键特征预报数据，以xpre,k＝[tpre,1,k,tpre,2,k,...,tpre,12,k]T作为特征，其中T表示向量的转置，按照k＝1,2,…,24逐次输入酒店负荷预测人工智能模型中，逐次输出Ppre,k；步骤F2、将不同时刻k下的Ppre,k保存，形成酒店未来一天的负荷预测结果LC_2；步骤G、将预测的酒店负荷曲线LC_1和LC_2加权求和，权重系数分别为w1和w2，获得最终的酒店负荷预测结果LC_Pre，其中：LC_Pre＝w1·LC_1+w2·LC_2；步骤G中酒店负荷预测结果LC_1和LC_2的权重系数w1和w2，通过如下方法确定：步骤G1、任意选取样本数据库中的一个样本Sbase＝{xbase,k,Pbase,k|k＝1,2,3,...,24}，其中，Sbase表示从历史样本数据库中抽取出的样本数据，作为确定权重系数的基准样本，xbase,k表示样本数据中酒店日关键特征数据曲线所形成的矩阵，Pbase,k表示样本数据中酒店日负荷曲线，分别采用基于模式匹配数据库方法和人工智能模型方法计算，计算得酒店未来一天负荷曲线分别为PLC1,k和PLC2,k，k＝1,2,3,…24；步骤G2、分别计算两种方法的误差ELC1和ELC2，计算公式如下：其中，PLC1,k，PLC2,k以及Pbase,k已在步骤G1中说明，ELC1和ELC2分别代表基于模式匹配数据库方法和人工智能模型方法对酒店日负荷曲线预测时，预测结果的误差值；步骤G3、酒店负荷预测结果LC_1和LC_2的权重系数w1和w2以如下方式进行计算：

全文数据：

权利要求：

百度查询： 江苏米特物联网科技有限公司 一种基于Shapelet-XGboost的酒店负荷综合预测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD