基于信息熵城市燃?xì)馊肇?fù)荷組合預(yù)測模型

1 概述

天然氣負(fù)荷預(yù)測

是利用天然氣歷史負(fù)荷運(yùn)行數(shù)據(jù)和相應(yīng)的氣象數(shù)據(jù)等，采用某種算法，建立一種適當(dāng)?shù)念A(yù)測模型，通過預(yù)測模型對(duì)天然氣負(fù)荷進(jìn)行預(yù)測的過程。由于城市燃?xì)庳?fù)荷具有時(shí)變性、隨機(jī)性、多樣性、非穩(wěn)態(tài)性，而且受到天氣、季節(jié)、節(jié)假日、重大事件等因素影響，燃?xì)庳?fù)荷準(zhǔn)確預(yù)測困難很大。

2 問題及解決方案

燃?xì)庳?fù)荷由各種不同類型用戶用氣負(fù)荷匯總，隨時(shí)間動(dòng)態(tài)變化。隨著時(shí)間推移，選擇單一模型不一定適用于負(fù)荷預(yù)測，而且數(shù)學(xué)建模都是基于一種理想抽象穩(wěn)定的假設(shè)，用單一的數(shù)學(xué)模型很難反映負(fù)荷發(fā)展的自然規(guī)律。如果只是簡單地將預(yù)測誤差較大的模型舍棄，將很可能丟棄一些有用的模型。各類預(yù)測算法都有弊端，在某些方面容易出現(xiàn)誤差突然增大，造成算法的最大誤差比較大，影響預(yù)測效果。針對(duì)這一問題，組合預(yù)測

是綜合考慮各種預(yù)測方法的有用信息而建立的一種預(yù)測方法，它的主要特點(diǎn)是：首先運(yùn)用各種單一模型得出預(yù)測結(jié)果，然后在預(yù)測結(jié)果上綜合判斷，給每個(gè)預(yù)測模型賦予不同的加權(quán)系數(shù)，得到一個(gè)效果更好的綜合模型，達(dá)到降低預(yù)測相對(duì)誤差、提高預(yù)測穩(wěn)定性的效果。

2018年3月21日，《深化黨和國家機(jī)構(gòu)改革方案》全文對(duì)外公布。此前，方案中涉及國務(wù)院機(jī)構(gòu)改革的內(nèi)容已由全國人大審議通過，《中共中央關(guān)于深化黨和國家機(jī)構(gòu)改革的決定》也已公布。

3 組合預(yù)測模型建模流程

本文所述組合預(yù)測模型基于信息熵理論

，信息熵是Shannon信息論中的重要概念，是把熵作為一個(gè)隨機(jī)事件的“不確定性”或信息量的量度。信息量是信息論的中心概念，是信息論度量信息的基本出發(fā)點(diǎn)，是把獲得的信息看作用以消除不確定性的因素。因此信息量的多少，可以用被消除的不確定性的大小來表示，而隨機(jī)事件不確定性的大小可以用其概率分布來描述。

本文以北方某重點(diǎn)城市作為分析目標(biāo)，研究該城市日負(fù)荷預(yù)測方法。該城市天然氣發(fā)展處于快速發(fā)展階段末期，信息熵組合預(yù)測算法主要思路是首先分析該城市日負(fù)荷預(yù)測的影響因素，提取建模要素即因變量，后采用單個(gè)算法建模，計(jì)算各個(gè)模型的預(yù)測誤差，以誤差為參數(shù)計(jì)算各個(gè)模型的信息熵，通過信息熵確定組合預(yù)測模型中各個(gè)模型的加權(quán)系數(shù)，單個(gè)模型的預(yù)測均勻性越強(qiáng)，加權(quán)系數(shù)越大。根據(jù)加權(quán)系數(shù)得到組合預(yù)測模型的預(yù)測值。具體步驟如下。

（1）氣藏中并不存在氣水截然分開的界面，而是有一個(gè)氣水飽和度漸變的過渡帶。氣水過渡帶在垂向上用氣水同層頂?shù)酌婧０未股畋硎荆谄矫嫔嫌脷馑畠?nèi)外邊界線作圖深度表示。

第

種預(yù)測模型預(yù)測相對(duì)誤差的熵計(jì)算如下：

通過相關(guān)系數(shù)法研究得出該城市日用氣量的影響因素主要有前日用氣量、當(dāng)日氣象參數(shù)(溫度、風(fēng)速)以及是否周末、是否重大節(jié)假日、特殊事件等。

第四步計(jì)算各圖書館四大標(biāo)準(zhǔn)分?jǐn)?shù)。標(biāo)準(zhǔn)分?jǐn)?shù)=(x-μ)/σ(其中x=第二步中人均率，μ=平均人均率，σ為標(biāo)準(zhǔn)差)。

阿Q平生最大的遺憾，不是沒王胡身上虱子多、沒打過小D、沒和吳媽困覺，也不是挨過假洋鬼子一哭喪棒，而是在判決書上那個(gè)圓圈沒畫圓。迅翁說得詳細(xì)：“阿Q伏下去，使盡了平生的力氣畫圓圈。他生怕被人笑話，立志要畫得圓，但這可惡的筆不但很沉重，并且不聽話，剛剛一抖一抖的幾乎要合縫，卻又向外一聳，畫成瓜子模樣了。”

本文搜集了2018、2019年2 a的730組歷史數(shù)據(jù)(包含當(dāng)日平均溫度

、前一日最低溫度

、前兩日最低溫度

、前一日用氣量

、當(dāng)日風(fēng)速級(jí)別

、日期類型

)，單個(gè)建模算法分別為Lasso算法

、線性回歸

、MLP神經(jīng)網(wǎng)絡(luò)

、XGBoost算法

。采用sklearn模塊中train_test_split將建模數(shù)據(jù)劃分成訓(xùn)練集、測試集，分別占70%、30%，實(shí)現(xiàn)工具為python機(jī)器學(xué)習(xí)sklearn包中Lasso、LinearRegression、neuralNetwork、XGBoost對(duì)象，創(chuàng)建模型對(duì)象，用訓(xùn)練集擬合模型，用測試集評(píng)估模型。

各模型建好后，預(yù)測2018年11月15日至19日的天然氣日用氣量，各模型均輸入當(dāng)日平均溫度

、前一日最低溫度

、前兩日最低溫度

、前一日用氣量

、當(dāng)日風(fēng)速級(jí)別

、日期類型

，得出日用氣量各模型預(yù)測值與實(shí)際值，見表1。

文科記憶性的學(xué)習(xí)內(nèi)容較多，陳老師不愿浪費(fèi)每一分鐘。從陳老師家里到學(xué)校有六、七里地的路程，他充分利用上學(xué)放學(xué)路上的時(shí)間背誦的知識(shí)要點(diǎn)，一刻也不停歇。上高中時(shí)陳老師的課外讀物很少，看到好的語句他就會(huì)立即積累下來，時(shí)不時(shí)地拿出來翻閱、背誦。最終他以優(yōu)異的成績考上了漢中師范學(xué)院。正所謂“吃得苦中苦，方為人上人”。

② 各模型加權(quán)系數(shù)計(jì)算

a.計(jì)算各模型預(yù)測相對(duì)誤差

存在

種預(yù)測模型，預(yù)測了

天的日用氣量。記第

種預(yù)測模型第

日的預(yù)測值為

,p

,實(shí)際值為

,a

。記預(yù)測相對(duì)誤差絕對(duì)值為

，

=1,2,…,

；

=1,2,…,

。計(jì)算式為：

(1)

b.歸一化處理

將各預(yù)測模型第

日預(yù)測相對(duì)誤差絕對(duì)值進(jìn)行歸一化，見式(2)：

(2)

,p

——第

種預(yù)測模型第

日的預(yù)測值，m

Study on the application of antimicrobial system in paraben-free cosmetics 8 14

① 各模型分別預(yù)測

(3)

式中

——第

種預(yù)測模型第

日預(yù)測相對(duì)誤差絕對(duì)值

經(jīng)過之前幾個(gè)部分的研究發(fā)現(xiàn)，盡管庫倫摩擦模型所展示后峰值階段并不具有太多實(shí)際意義，但是應(yīng)用該模型來模擬前峰值階段和峰值階段還是合理和有意義的。于是，在接下來的研究中，采用了幾種不同的直根模型，來研究幾何方面的變化會(huì)對(duì)直根的抗拔強(qiáng)度有何影響[4]。

本文對(duì)風(fēng)速進(jìn)行量化，引入風(fēng)速級(jí)別變量

，每日風(fēng)速級(jí)別對(duì)應(yīng)相應(yīng)

。對(duì)日期類型引入啞變量

，當(dāng)日

為0表示法定工作日，

為1表示平常周末，

為2表示五一、國慶及春節(jié)長假。考慮到建筑物的熱惰性，預(yù)測日前幾日的溫度對(duì)當(dāng)日用氣量有影響，因此增加了前1日、前2日最低溫度，溫度變量分別為當(dāng)日平均溫度

、前一日最低溫度

、前兩日最低溫度

。預(yù)測模型輸出為當(dāng)日天然氣用氣量。

(4)

加權(quán)系數(shù)滿足：

(5)

③ 組合預(yù)測模型

腫頭龍的頭部前低后高，嘴巴前端有角質(zhì)喙。腫頭龍的頭頂高高隆起，光滑而厚重，是有效的防衛(wèi)武器，腫頭龍的名字正是來源于此。頭頂?shù)乃闹芎颓安块L有瘤質(zhì)突起，有些突起還很尖利，也能起到一定的防衛(wèi)作用。

組合預(yù)測第

日的預(yù)測值為:

各預(yù)測模型的加權(quán)系數(shù)計(jì)算如下：

(6)

d.各預(yù)測模型的加權(quán)系數(shù)

c.第

種預(yù)測模型預(yù)測相對(duì)誤差的熵

,a

——第

日的實(shí)際值，m

——第

種預(yù)測模型第

日的歸一化后的預(yù)測相對(duì)誤差絕對(duì)值

——第

種預(yù)測模型預(yù)測相對(duì)誤差的熵

——第

種預(yù)測模型的加權(quán)系數(shù)

——組合預(yù)測模型第

日的預(yù)測值，m

4 預(yù)測結(jié)果

采用信息熵法算法確定預(yù)測模型預(yù)測相對(duì)誤差的熵及加權(quán)系數(shù)見表2。熵越大，模型穩(wěn)定性越強(qiáng)，對(duì)應(yīng)的加權(quán)系數(shù)越大。組合預(yù)測模型的預(yù)測結(jié)果見表3。各預(yù)測模型預(yù)測相對(duì)誤差絕對(duì)值見表4。分析表4數(shù)據(jù)可知，組合預(yù)測模型預(yù)測相對(duì)誤差絕對(duì)值的平均值為5.23%，與其他預(yù)測模型相比，預(yù)測精度明顯提高。

5 結(jié)語

① 城市燃?xì)庳?fù)荷具有時(shí)變性、隨機(jī)性、多樣性和非穩(wěn)態(tài)性，不可能做到完全準(zhǔn)確預(yù)測，在某些時(shí)間點(diǎn)可能出現(xiàn)較大的相對(duì)誤差，基于信息熵的組合預(yù)測模型能有效降低預(yù)測相對(duì)誤差，提高預(yù)測精準(zhǔn)度和穩(wěn)定性。

② 組合預(yù)測模型預(yù)測相對(duì)誤差絕對(duì)值的平均值為5.23%，與單種預(yù)測模型相比，預(yù)測精度明顯提高。

[1] 羅文進(jìn). 燃?xì)庳?fù)荷影響因素的初步研究與預(yù)測應(yīng)用[J]. 甘肅冶金， 2016(1)：142-146.

[2] 于秀偉. 組合預(yù)測中單項(xiàng)預(yù)測模型的選擇研究(碩士學(xué)位論文)[D]. 西安：長安大學(xué)， 2015：19-29.

[3] 劉金培,朱家明,陳華友,等. 模糊變權(quán)組合預(yù)測方法研究[J]. 統(tǒng)計(jì)與決策，2017(16)：5-10.

[4] 唐小我，曹長修，金德運(yùn). 組合預(yù)測最優(yōu)加權(quán)系數(shù)向量的進(jìn)一步研究[J]. 預(yù)測，1994(2)：48-49.

[5] 丁勇. 離散型隨機(jī)變量的平均信息熵[J]. 數(shù)學(xué)的實(shí)踐與認(rèn)識(shí)，2012(18)：141-146.

[6] 章曉英. 虛擬變量在線性回歸模型中的應(yīng)用[J]. 重慶工業(yè)管理學(xué)院學(xué)報(bào)，1998(2)：84-88.

[7] 喻勝華，龔尚花. 基于Lasso和支持向量機(jī)的糧食價(jià)格預(yù)測[J]. 湖南大學(xué)學(xué)報(bào)(社會(huì)科學(xué)版)，2016(1)：71-75.

[8] 孫淑生，羅寶花. 多元線性回歸模型在物流成本預(yù)測中的應(yīng)用[J]. 商業(yè)時(shí)代，2014(18)：19-21.

[9] 郭威，巴秀玲，馬文遠(yuǎn)，等. 基于神經(jīng)網(wǎng)絡(luò)的電力系統(tǒng)負(fù)荷預(yù)測問題研究[J]. 自動(dòng)化與儀器儀表，2017(10)：192-194.

[10] 張丹峰. 基于LightGBM,XGBoost,ERT混合模型的風(fēng)機(jī)葉片結(jié)冰預(yù)測研究(碩士學(xué)位論文)[D]. 上海：上海師范大學(xué)，2018：19-29.

[11] 高尚,張紹彪,梅亮. 基于相對(duì)誤差的線性組合預(yù)測研究[J]. 系統(tǒng)工程與電子技術(shù)，2008(3)：481-484.