(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111551583.3 (22)申请日 2021.12.17 (71)申请人 华东理工大 学 地址 200237 上海市徐汇区梅陇路13 0号 申请人 上海燃气有限公司 (72)发明人 蔡欣雨　冯翔　戚小虎　张蔚　 任祯　 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/06(2012.01) (54)发明名称 一种基于宽度学习系统的级联增强节点燃 气用量预测方法 (57)摘要 本发明公开了一种基于宽度学习系统的级 联增强节 点燃气用量预测方法。 属于智慧城市建 设技术领域。 本发明是对原始数据使用曲线平滑 化进行数据增强， 再利用相空间重构 （PSR） 对数 据进行扩维， 提取数据特征， 接着利用级联增强 节点的宽度学习模型对燃气用量数据进行预测， 最后利用自适应权重方法通过迭代对预测值进 行修正， 减少噪点对预测的影 响。 仿真结果显示， 在燃气用量预测过程中， 充分考虑离群点和噪声 点对预测模 型的影响， 显著提高了燃气用量预测 的准确性和鲁棒性。 本发明弥补了燃气用量预测 领域对噪声点对影 响的忽视， 有助于提升燃气用 量预测的稳定性。 权利要求书2页 说明书6页 附图3页 CN 114021862 A 2022.02.08 CN 114021862 A 1.一种基于 宽度学习 系统的级联增强节点燃气用量预测方法， 其特 征在于： (1)对待测区域燃气采集表每隔一段时间长度t采集一组原始数据， 在时间t ‑1时刻采 集到n组原 始数据， 所述原 始数据包括燃气用量数据 (2) 将t‑1时刻所采集到的原始数据利用归一化公式进行归一化处理， 归一化到[0,1] 上， 消除因数量级的不同导 致影响预测的精度; 所述归一 化公式如下： 其中， x为原始数据， Xn为归一化后的数据， xmax， xmin分别表示数据中心的最大值和最小 值， a， b表示要归一 化的到的区间的上 下界; (3) 将归一化后的数据进行相空间重构， 利用时间延迟方法， 将一维时间序列重构为 嵌入维数为 m的维数空间， 并设其嵌入维数为 ,得到m维的输 出数据 ； (4) 将重构后的维度为m的 按照比例划分为训练集和测试集， 将训练集作为宽度学 习模型的输入， 将t时刻的燃气用量xt作为输出对数据进行训练， 通过岭回归的方 式计算出 宽度学习模型的网络权重参数矩阵， 然后将测试集作为该网络的输入， 将t时刻的燃气用量 xt作为输出， 最后得到 燃气用量的初步预测序列 ; (5) 使用Huber权重函数来计算惩罚加权因子， 根据迭代次数或者达到设定阈值来判 断是否满足预测精度; 所述Huber权 重函数如下： 其中， θi表示的是第i 组权重惩罚因子； b表示一个可调正参数， μi表示第i组样本的标准 化残差： 其中， ri表示第i个样本的预测值和 测量值之间的残差； 所 有的 样 本 残 差 构 成 了 残 差 矩阵 ， 是 鲁 棒 尺 度 估 计 ； ， 其中MAR表示 绝对剩余中位数， 可以通过 下式计算：权　利　要　求　书 1/2 页 2 CN 114021862 A 2其中， 表示中位数函数； (6) 若迭代次数达到最大值或者连续解之间差值的最大绝对值小于设定的阈值， 则迭 代过程终止； 否则， 该 过程继续， 重复进行步骤 （4） ‑（6） ； (7) 对预测的结果利用 反归一化公式进行反归一化， 得到燃气用量预测的修正序列 。 2.根据权利要求1所述的一种基于宽度学习系统的级联增强节点燃气用量预测方法， 其特征在于： 对数据进行特征提取 的相空间重构算法， 级联增强节点的宽度学习 预测方法 和动态调整参数的自适应权 重更新算法。 3.根据权利要求1或2所述的一种基于宽度学习系统的级联增强节点燃气用量预测方 法， 其特征在于， 采用均方根误差RMSE和平均绝对误百分比误差MAPE来定量的评价模型的 优劣， 误差值越小， 表明该模型的预测精度越高， 适用性越强： 其公式为 其中， 分别表示燃气用量的实际值和与测试， N 为预测样本 个数。权　利　要　求　书 2/2 页 3 CN 114021862 A 3