周岳 明鏡
關(guān)鍵詞:功率預(yù)測(cè);風(fēng)力發(fā)電;光伏發(fā)電;長(zhǎng)短期記憶網(wǎng)絡(luò)
隨著近年來新能源發(fā)電的不斷發(fā)展,我國光伏和風(fēng)電裝機(jī)容量的增長(zhǎng)極為迅速,并已于2010年年底超越美國成為全球風(fēng)電裝機(jī)容量第一的國家,于2016年超越德國成為光伏發(fā)電量世界第一的國家。我國各個(gè)地區(qū)新能源裝機(jī)量都有大幅度增加,尤其是西北地區(qū),新能源裝機(jī)總量已經(jīng)超過35%,新能源滲透率不斷升高,風(fēng)電與光伏的不穩(wěn)定性所帶來的影響也逐步加大,對(duì)未來的風(fēng)電與光伏功率預(yù)測(cè)顯得更為重要。
風(fēng)電和光伏功率預(yù)測(cè)一般采用包括傳統(tǒng)預(yù)測(cè)方法和人工神經(jīng)網(wǎng)絡(luò)方法方法,傳統(tǒng)預(yù)測(cè)方法包括時(shí)間序列、回歸分析和趨勢(shì)外推等方式,其模型簡(jiǎn)單,運(yùn)算高效,但對(duì)風(fēng)電和光伏等隨機(jī)性較大的系統(tǒng)預(yù)測(cè)能力不足。隨著計(jì)算機(jī)算力的不斷增加,人工智能算法,如小波分析、支持向量機(jī)和人工神經(jīng)網(wǎng)絡(luò)等均在功率預(yù)測(cè)方面有了長(zhǎng)足發(fā)展。
本文介紹的長(zhǎng)短期記憶網(wǎng)絡(luò)算法,是一種人工神經(jīng)網(wǎng)絡(luò)算法,適合于功率預(yù)測(cè)等時(shí)序數(shù)據(jù)的分析和處理。并在此基礎(chǔ)上,提出一種數(shù)據(jù)優(yōu)化方式,提高預(yù)測(cè)準(zhǔn)確性。
一、長(zhǎng)短期記憶網(wǎng)絡(luò)
(一)人工神經(jīng)網(wǎng)絡(luò)
人工神經(jīng)網(wǎng)絡(luò)是一種模擬生物神經(jīng)元的算法,理論方面不再贅述,本文僅從具體的實(shí)現(xiàn)上進(jìn)行說明。一個(gè)人工神經(jīng)網(wǎng)絡(luò)包括輸入層、輸出層、中間層(隱藏層),層中還包括激活函數(shù)等,計(jì)算過程需要使用損失函數(shù)進(jìn)行參數(shù)優(yōu)化。
中間層一般包括一層或多層,每一層的輸入為上一層的各個(gè)節(jié)點(diǎn),對(duì)節(jié)點(diǎn)的數(shù)據(jù)進(jìn)行線性計(jì)算,并將結(jié)果通過激活函數(shù)進(jìn)行非線性化后,形成這一層的輸出。對(duì)于下一層而言,獲取上一層的輸出后,同樣進(jìn)行線性計(jì)算,再通過激活函數(shù)后形成非線性的輸出,直到系統(tǒng)最終的輸出層。對(duì)于激活函數(shù),如果使用線性激活函數(shù),則整個(gè)系統(tǒng)最終也會(huì)是一個(gè)線性系統(tǒng)。所以要體現(xiàn)出系統(tǒng)的非線性,必須使用非線性激活函數(shù)。常見的激活函數(shù)包括tanh函數(shù)、sigmod函數(shù)、relu函數(shù)等,觀察此類函數(shù)的模型,sigmod和tanh函數(shù)實(shí)現(xiàn)了一種從0-1和從-1-1的類線性化,而在0-1和從-1-1之外,函數(shù)的輸出近似為-1、0或1,可見此類激活函數(shù)的功能,是將輸出的一部分“提取出來”,其他部分棄之不用。對(duì)于此類激活函數(shù),神經(jīng)網(wǎng)絡(luò)一定程度上可以看出是由若干個(gè)線性系統(tǒng)片段合成的一個(gè)非線性系統(tǒng)。Relu函數(shù)是通過0點(diǎn)的突變提供非線性,當(dāng)輸入低于0時(shí),輸出為0,輸入高于0時(shí),輸出等于輸入。使用此激活函數(shù),程序計(jì)算效率比sigmod更高。除上述函數(shù)外,還有多種激活函數(shù),一般實(shí)際使用中會(huì)酌情選擇,也可以多嘗試進(jìn)行選優(yōu)。
損失函數(shù)用以表示計(jì)算(預(yù)測(cè))結(jié)果和實(shí)際結(jié)果之間的誤差,損失函數(shù)越小,則計(jì)算結(jié)果和實(shí)際結(jié)果越接近,神經(jīng)網(wǎng)絡(luò)也越能近似實(shí)際系統(tǒng)。損失函數(shù)往往選用均方誤差、平均絕對(duì)值誤差、指數(shù)損失函數(shù)、對(duì)數(shù)損失誤差等。對(duì)于回歸計(jì)算,往往采用均方差誤差損失函數(shù),但異常數(shù)據(jù)較多時(shí),平均絕對(duì)值誤差的適應(yīng)性可能更好。實(shí)際使用也應(yīng)當(dāng)對(duì)各種損失函數(shù)進(jìn)行測(cè)試。另外,不同損失函數(shù)的損失值不能直接比較,因此如果相比較采用不同損失函數(shù)后,所訓(xùn)練出的模型的優(yōu)劣,需要對(duì)數(shù)據(jù)制定額外的評(píng)分標(biāo)準(zhǔn)。
(二)循環(huán)神經(jīng)網(wǎng)絡(luò)
人工神經(jīng)網(wǎng)絡(luò)有一個(gè)問題是,數(shù)據(jù)都只能單獨(dú)處理一個(gè)或一組輸入,前一個(gè)和后一個(gè)輸入完全沒有關(guān)系。而在實(shí)際數(shù)據(jù)中,上一組輸入輸出往往跟當(dāng)前的輸入輸出有明顯的關(guān)聯(lián),數(shù)據(jù)也往往是有序的,傳統(tǒng)神經(jīng)網(wǎng)絡(luò)并不能有效處理這種情況。因此產(chǎn)生一種循環(huán)神經(jīng)網(wǎng)絡(luò)。
循環(huán)神經(jīng)網(wǎng)絡(luò)的中間層,會(huì)增加一個(gè)與之并列的循環(huán)層,循環(huán)層會(huì)保留中間層的權(quán)重矩陣,并提供給下一次中間層進(jìn)行計(jì)算。通過這種中間層和循環(huán)層相互配合,上一次的輸入就可以影響到下一次的輸出。
(三)長(zhǎng)短期記憶網(wǎng)絡(luò)
循環(huán)神經(jīng)網(wǎng)絡(luò)的輸出,由當(dāng)前輸入和上一次輸入決定。對(duì)于一個(gè)序列數(shù)據(jù),比如一串時(shí)序數(shù)據(jù)較多時(shí),當(dāng)輸人為最后的數(shù)據(jù)時(shí),第一個(gè)數(shù)據(jù)的權(quán)重會(huì)不斷降低到幾乎無法使用,或者不斷增加到梯度爆炸。
為了解決這個(gè)問題,長(zhǎng)短期記憶網(wǎng)絡(luò)使用一組門代替循環(huán)神經(jīng)網(wǎng)絡(luò)的循環(huán)層。這組門可以記住重要的信息,忘記不重要的信息,相比如循環(huán)神經(jīng)網(wǎng)只能無差別的記憶疊加,對(duì)歷史輸入信息有了選擇性??梢哉J(rèn)為,長(zhǎng)短期記憶網(wǎng)絡(luò)是在循環(huán)神經(jīng)網(wǎng)絡(luò)的循環(huán)層進(jìn)行強(qiáng)化,使其擁有了遺忘、選擇、決定輸出的能力。遺忘功能是根據(jù)當(dāng)前的輸入和上一次的輸出,共同決定節(jié)點(diǎn)狀態(tài)中的信息的保留程度;選擇功能是根據(jù)當(dāng)前的輸入和上一次的輸出,決定更新哪些信息;決定輸出是根據(jù)這些信息通過激活函數(shù)實(shí)現(xiàn)當(dāng)前節(jié)點(diǎn)的輸出。通過訓(xùn)練,長(zhǎng)短期記憶網(wǎng)絡(luò)對(duì)時(shí)序數(shù)據(jù)有良好的應(yīng)用效果。
二、氣象數(shù)據(jù)分析
(一)氣象預(yù)測(cè)數(shù)據(jù)
常用的氣象預(yù)測(cè)數(shù)據(jù)一般包括:不同高度的風(fēng)速、不同高度的風(fēng)向、短波輻射通量、長(zhǎng)波輻射通量、氣壓、云量、溫度、濕度、總降水、大尺度降水、對(duì)流降水,還有其他動(dòng)量通量、潛熱通量、感熱通量等。對(duì)于風(fēng)電和光伏功率預(yù)測(cè),一般選用相關(guān)性較高的部分信息作為輸入數(shù)據(jù),選擇輸出功率作為輸出數(shù)據(jù)。
對(duì)數(shù)據(jù)的選擇一般需首先對(duì)輸入輸出數(shù)據(jù)進(jìn)行相關(guān)性分析,相關(guān)性較高的數(shù)據(jù)作為輸入數(shù)據(jù)。對(duì)于可能產(chǎn)生影響的數(shù)據(jù),也可酌情選為輸入數(shù)據(jù)。一般來說,對(duì)于風(fēng)電功率預(yù)測(cè),風(fēng)速、風(fēng)向、溫度、氣壓等信息應(yīng)當(dāng)作為輸入數(shù)據(jù);對(duì)于光伏功率預(yù)測(cè),短波輻射通量、云量、溫度等信息應(yīng)當(dāng)作為輸入數(shù)據(jù)。
除了上述有明顯相關(guān)性的數(shù)據(jù),部分?jǐn)?shù)據(jù)符合邏輯的數(shù)據(jù)也應(yīng)當(dāng)作為輸入項(xiàng),例如光伏數(shù)據(jù)有明顯的周期性,包括日周期和年周期,一般也會(huì)將光伏數(shù)據(jù)的時(shí)間和日期作為參數(shù);沿海地區(qū)的風(fēng)速和風(fēng)向隨著晝夜變化,一般也會(huì)體現(xiàn)出一定的周期性,也可考慮將時(shí)間作為輸入?yún)?shù)。
(二)預(yù)測(cè)數(shù)據(jù)準(zhǔn)確性
對(duì)比氣象預(yù)測(cè)數(shù)據(jù)和氣象實(shí)測(cè)數(shù)據(jù)可知,氣象預(yù)測(cè)數(shù)據(jù)往往能夠預(yù)測(cè)出氣象數(shù)據(jù)的整體變化趨勢(shì),但對(duì)于實(shí)際數(shù)據(jù)的波動(dòng)性難以準(zhǔn)確預(yù)測(cè)。且相較于光照信息、風(fēng)速等信息的預(yù)測(cè)精度較差??紤]到風(fēng)速的預(yù)測(cè)隨機(jī)性較大,算法進(jìn)行訓(xùn)練時(shí)應(yīng)格外注意過擬合問題。
三、功率預(yù)測(cè)算法實(shí)現(xiàn)
(一)數(shù)據(jù)預(yù)處理
一般情況下,得到的原始數(shù)據(jù)里面會(huì)存在有問題的數(shù)據(jù),此類數(shù)據(jù)會(huì)影響預(yù)測(cè)的精度,甚至讓模型在某些情況得到完全錯(cuò)誤的輸出結(jié)果,因此需要對(duì)原始數(shù)據(jù)中不合理的部分進(jìn)行處理。數(shù)據(jù)處理一般包括以下幾類:
1.數(shù)據(jù)錯(cuò)誤
數(shù)據(jù)錯(cuò)誤包含情況較多,例如時(shí)間數(shù)據(jù)為從1970年的無效數(shù)據(jù);0數(shù)據(jù)表示數(shù)值為0還是空,數(shù)據(jù)的單位不一致,此類情況均需酌情處理。如果本身訓(xùn)練數(shù)據(jù)較為豐富,可以直接將有問題的數(shù)據(jù)進(jìn)行識(shí)別和刪除。
2.缺失值和重復(fù)值
重復(fù)值一般情況下是刪除重復(fù)項(xiàng)即可,但如果是時(shí)間相同但數(shù)值不同的重復(fù)數(shù)據(jù),則需要根據(jù)上下文數(shù)據(jù)進(jìn)行篩選。缺失值的處理一般按照缺失值多少進(jìn)行處理,當(dāng)缺失值較少時(shí),一般使用均值或中位數(shù)進(jìn)行填補(bǔ);缺失值較多時(shí),長(zhǎng)短期記憶網(wǎng)絡(luò)由于大量數(shù)據(jù)缺失導(dǎo)致無法給網(wǎng)絡(luò)提供一系列穩(wěn)定的時(shí)序數(shù)據(jù)組,因此一般不建議使用長(zhǎng)短期記憶網(wǎng)絡(luò)。
3.離群值
離群值指部分有一個(gè)或少數(shù)幾個(gè)數(shù)值與其他數(shù)值差異較大,一般情況下離群值并不能表示整個(gè)系統(tǒng)的一般特性,在沒有特殊要求的情況下可以對(duì)離群值進(jìn)行剔除。數(shù)據(jù)較少時(shí),離群值可以通過繪圖后手動(dòng)確}人,并進(jìn)行處理,當(dāng)數(shù)據(jù)較多時(shí),一般需要對(duì)數(shù)據(jù)進(jìn)行聚類后,確定離群值并處理。
(二)功率預(yù)測(cè)的流程
本文選擇使用Pvthon程序及其人工智能庫keras等進(jìn)行開發(fā)。Pvrhon由于其開發(fā)簡(jiǎn)單,可用的機(jī)器學(xué)習(xí)庫十分豐富,且可以免費(fèi)使用,在人工神經(jīng)網(wǎng)絡(luò)等應(yīng)用方面得到了廣泛應(yīng)用。Keras庫的使用一般包含下述幾個(gè)步驟:
1.讀取數(shù)據(jù)
一般使用pandas庫從csv等表格文件中讀取輸入輸出數(shù)據(jù)。瀆取后的數(shù)據(jù)類型為dataframe,是一種易于使用的數(shù)據(jù)結(jié)構(gòu)。
2.數(shù)據(jù)預(yù)處理
數(shù)據(jù)的預(yù)處理根據(jù)實(shí)際情況而定,一般會(huì)處理錯(cuò)誤數(shù)據(jù)、離群數(shù)據(jù)等,另外需要將輸入輸出數(shù)據(jù)的時(shí)間嚴(yán)格對(duì)應(yīng),即同組的輸入輸出必須為同一時(shí)刻。
3.數(shù)據(jù)選擇
處理后的數(shù)據(jù)需要從中選擇輸入、輸出,部分算法還需要對(duì)輸入輸出進(jìn)行歸一化。
4.訓(xùn)練與測(cè)試數(shù)據(jù)
一般情況下,為了驗(yàn)證預(yù)測(cè)模型的準(zhǔn)確性,會(huì)將數(shù)據(jù)分為訓(xùn)練集和測(cè)試(驗(yàn)證)集,訓(xùn)練集的數(shù)據(jù)進(jìn)行模型訓(xùn)練,測(cè)試集的數(shù)據(jù)用來測(cè)試模型的準(zhǔn)確性。對(duì)于長(zhǎng)短期記憶網(wǎng)絡(luò),每次的輸入數(shù)據(jù)除了當(dāng)前時(shí)刻,還包含當(dāng)前時(shí)刻之前的多個(gè)數(shù)據(jù)組。
5.搭建模型
使用keras提供的層進(jìn)行模型的搭建,選擇合適的模型參數(shù)和類型,一般情況下使用默認(rèn)參數(shù)可以滿足大部分需求。
6.模型訓(xùn)練和測(cè)試
將分好的數(shù)據(jù)放入keras進(jìn)行訓(xùn)練,完成訓(xùn)練后使用測(cè)試數(shù)據(jù)進(jìn)行預(yù)測(cè),并將測(cè)試數(shù)據(jù)中的實(shí)際值和模型輸出的預(yù)測(cè)值進(jìn)行比較。訓(xùn)練后的模型可以儲(chǔ)存下來重復(fù)訓(xùn)練和使用,這也讓模型具備持續(xù)學(xué)習(xí)的能力。
通過上述過程,可以實(shí)現(xiàn)風(fēng)電和光伏功率預(yù)測(cè)模型的訓(xùn)練,如果在服務(wù)器設(shè)備上定期執(zhí)行氣象數(shù)據(jù)獲取和預(yù)測(cè)任務(wù),可以實(shí)現(xiàn)持續(xù)的功率預(yù)測(cè)。
(三)預(yù)測(cè)算法的實(shí)現(xiàn)
以風(fēng)電為例,首先對(duì)數(shù)據(jù)進(jìn)行相關(guān)性分析,相關(guān)性較高的數(shù)據(jù)為風(fēng)速和風(fēng)向,因此選用不同高度的風(fēng)速和風(fēng)向作為輸入數(shù)據(jù),可酌情增加溫度等信息。輸出數(shù)據(jù)為風(fēng)力發(fā)電站的實(shí)測(cè)功率。
將輸入輸出的數(shù)據(jù)時(shí)間對(duì)應(yīng),對(duì)于完整的數(shù)據(jù),直接選擇共同的起始時(shí)間,選擇合適的數(shù)據(jù)長(zhǎng)度。對(duì)于可能不完整的數(shù)據(jù),需要按照時(shí)間將所有數(shù)據(jù)一一對(duì)應(yīng)。
異常數(shù)據(jù)處理,對(duì)于氣象數(shù)據(jù)和發(fā)電站發(fā)電數(shù)據(jù),首先確定正常的數(shù)據(jù)類型為一定范圍內(nèi)的數(shù)字,對(duì)數(shù)據(jù)的處理首先清理掉所有非數(shù)字的內(nèi)容,比如空數(shù)據(jù),或者“一”等表示空的字符。利用pyrhon中的isNum等函數(shù)可以判斷進(jìn)而剔除掉非數(shù)字項(xiàng)。對(duì)于可能越限的數(shù)據(jù),首先指定數(shù)據(jù)的合理范圍,比如發(fā)電功率應(yīng)當(dāng)不超過發(fā)電站的裝機(jī)容量,風(fēng)向的范圍是0-360,風(fēng)速的范圍大于0,且不超過當(dāng)?shù)氐臍v史最大風(fēng)速。
對(duì)于超出范圍的數(shù)據(jù),需人工核查,已確定前期指定的范圍是否合理。如發(fā)電功率在少數(shù)情況下,是會(huì)呈現(xiàn)略低于0的負(fù)數(shù),這是因?yàn)闊o風(fēng)無光的情況下,變電站會(huì)從電網(wǎng)取少量電能,此類情可以視數(shù)據(jù)為合理值。實(shí)踐中可將略低于0的發(fā)電功率人為修改為0,修改后對(duì)訓(xùn)練模型無明顯影響。
本文使用長(zhǎng)短期記憶網(wǎng)絡(luò),需將輸入數(shù)據(jù)及其之前一定時(shí)間內(nèi)的輸入數(shù)據(jù)合并為更高緯數(shù)據(jù),例如上述風(fēng)速風(fēng)向的輸入數(shù)據(jù)為1x6的數(shù)組,如果采用1小時(shí)的4組數(shù)據(jù),則組合為1x6x4的數(shù)組作為輸入數(shù)據(jù)。如果這一個(gè)小時(shí)內(nèi)存在異常數(shù)據(jù),則該組輸入數(shù)據(jù)應(yīng)當(dāng)舍棄,從而確保輸入數(shù)據(jù)是連續(xù)的、無誤的一個(gè)小時(shí)氣象數(shù)據(jù)。
建立基本模型結(jié)構(gòu),選擇LSTM層+Dense層的組合,層數(shù)與節(jié)點(diǎn)數(shù)量需根據(jù)實(shí)際情況多次試驗(yàn)選定。本文所使用的數(shù)據(jù),選擇使用3層中間層,每層128個(gè)節(jié)點(diǎn)的模型已有較好效果,再增加層數(shù)或節(jié)點(diǎn)數(shù)差異不大。
設(shè)置參數(shù)后進(jìn)行模型學(xué)習(xí)和預(yù)測(cè),預(yù)測(cè)結(jié)果如圖1左:
圖1左中是預(yù)測(cè)3天風(fēng)力發(fā)電站的輸出功率,其中兩條曲線分別是實(shí)際功率和預(yù)測(cè)功率??梢钥闯鐾ㄟ^預(yù)測(cè)天氣數(shù)據(jù)進(jìn)行預(yù)測(cè)的功率能夠大致描述出風(fēng)力發(fā)電站的輸出功率,但細(xì)節(jié)和精度較為一般。
對(duì)比圖1右這3天的實(shí)際功率和實(shí)際風(fēng)速曲線可以清晰看出,功率與風(fēng)速有非常明顯的相關(guān)性,這也符合我們對(duì)風(fēng)力發(fā)電設(shè)備的預(yù)期。由此也可以得出結(jié)論,氣象預(yù)測(cè)數(shù)據(jù)中的風(fēng)速預(yù)測(cè)是產(chǎn)生預(yù)測(cè)偏差的主要原因。
以光伏為例,首先對(duì)數(shù)據(jù)進(jìn)行相關(guān)性分析可知,光伏發(fā)電功率與短波輻射通量呈明顯的強(qiáng)相關(guān)性,而對(duì)其他部分的關(guān)聯(lián)性均不明顯。可酌情增加溫度和風(fēng)速等信息作為輸入數(shù)據(jù)。
對(duì)數(shù)據(jù)的預(yù)處理與風(fēng)電站基本相似,并額外考慮光功率資源的周期性,一般光伏的輻照強(qiáng)度及發(fā)電功率會(huì)呈現(xiàn)明顯的周期性,在夜間數(shù)據(jù)應(yīng)當(dāng)在0值附近,如果超出范圍則應(yīng)當(dāng)為異常數(shù)據(jù)。
設(shè)置參數(shù)后進(jìn)行模型學(xué)習(xí)和預(yù)測(cè),預(yù)測(cè)結(jié)果如圖2左:
圖2左中是預(yù)測(cè)3天光伏發(fā)電站的輸出功率,兩條曲線分別是實(shí)際功率和預(yù)測(cè)功率??梢钥闯鐾ㄟ^預(yù)測(cè)天氣數(shù)據(jù)進(jìn)行預(yù)測(cè)的功率能夠大致描述出光伏發(fā)電站的輸出功率,但部分情況下難以準(zhǔn)確描述具體的變化細(xì)節(jié)。
對(duì)比圖2右這3天的實(shí)際功率和實(shí)際測(cè)光數(shù)據(jù)可以看出,測(cè)光數(shù)據(jù)(法向直射輻照度)與實(shí)際功率的相關(guān)性較高,光伏發(fā)電受云層遮擋影響較大,氣象預(yù)測(cè)無法準(zhǔn)確計(jì)算具體時(shí)刻的云層位置和密度,因此通過氣象預(yù)測(cè)進(jìn)行功率預(yù)測(cè)也難以預(yù)測(cè)出由于云層飄過導(dǎo)致功率暫降等情況。
結(jié)語
本文從數(shù)據(jù)處理、模型分析到編程思路等方面討論了長(zhǎng)短期記憶網(wǎng)絡(luò)在光伏與風(fēng)電功率預(yù)測(cè)中的應(yīng)用方式,通過該方式可以實(shí)現(xiàn)風(fēng)電或光伏發(fā)電站的功率預(yù)測(cè),可作為風(fēng)電和光伏發(fā)電站運(yùn)行的參考信息。模型具備持續(xù)學(xué)習(xí)的能力,能夠隨著不斷使用,逐步優(yōu)化預(yù)測(cè)模型,提升預(yù)測(cè)精度。
風(fēng)光功率預(yù)測(cè)十分依賴氣象預(yù)測(cè)數(shù)據(jù),氣象數(shù)據(jù)與實(shí)際功率的相關(guān)性直接決定了預(yù)測(cè)的準(zhǔn)確度。通過對(duì)比實(shí)際功率和實(shí)際風(fēng)速、實(shí)際光照可知,風(fēng)速、光照與發(fā)電功率呈強(qiáng)相關(guān)性,功率預(yù)測(cè)產(chǎn)生偏差的主要環(huán)節(jié)是氣象預(yù)測(cè)數(shù)據(jù)與實(shí)際風(fēng)速和實(shí)際光照的差異。由于氣象預(yù)測(cè)一般難以準(zhǔn)確預(yù)測(cè)出實(shí)際風(fēng)速和光照的變化細(xì)節(jié),僅可以表述出大體的變化趨勢(shì).因此預(yù)測(cè)出的功率一般也只能表現(xiàn)出整體趨勢(shì)。
本文中預(yù)測(cè)準(zhǔn)確度整體較一般,在下一步研究中應(yīng)當(dāng)結(jié)合相似日等優(yōu)化算法與人工智能算法相結(jié)合,進(jìn)一步提高預(yù)測(cè)準(zhǔn)確度。