[发明专利]基于LGB算法与ARIMA算法相结合的流动人口预测方法

说明书

本发明公开了基于LGB算法与ARIMA算法相结合的流动人口预测方法，包括以下步骤：事先构建ARIMA模型和LGB模型；通过调整优化模型参数，得到模型精度最高的参数组合；将精度最高的参数组合带入模型中进行流动人口预测，计算最终预测结果；根据最终预测结果进行供电资源分配。本发明的实质性效果包括：模型对于预测下季度流动人口数有较好的效果，有效提高流动人口测算的鲁棒性，为供电资源分配提供依据。

技术领域

本发明涉及供电保障领域，特别涉及基于LGB算法与ARIMA算法相结合的流动人口预测方法。

背景技术

现阶段，流动人口难以精确及时地测算，现有的流动人口统计监测手段也无法准确获取各个区域的流动人口规模、特征和发展规律的数据统计，且存在诸多问题，口径统计不一，数据质量参差不齐，统计周期长。这对供电企业及时部署用电存在着巨大挑战，同时对各个区域的供电能力分配、用电管理有一定的影响。

发明内容

针对现有技术人口统计及预测不准确，导致供电资源分配不合理的问题，本发明提供了基于LGB算法与ARIMA算法相结合的流动人口预测方法，提高了人口预测的准确率，进而帮助实现供电资源的合理分配，保障电力供应。

以下是本发明的技术方案。

基于LGB算法与ARIMA算法相结合的流动人口预测方法，包括以下步骤：

事先构建ARIMA模型和LGB模型；

通过调整优化模型参数，得到模型精度最高的参数组合；

将精度最高的参数组合带入模型中进行流动人口预测，计算最终预测结果；

根据最终预测结果进行供电资源分配。

作为优选，所述ARIMA模型的构建过程包括：以时间序列为输入，以每季度流动人口数据作为输出，构建ARIMA模型。

作为优选，所述LGB模型的构建过程包括：将与流动人口相关的因素变量作为输入变量，将季度流动人口数定义为LGB模型输出；定义模型学习目标函数、回归树生成参数，构造流动人口预测的LGB模型。

作为优选，所述调整优化模型参数，包括：对LGB模型和ARIMA模型各参数进行交叉验证，逐渐调整参数，直到获得模型精度最高的参数组合。

作为优选，所述最终预测结果的计算过程包括：计算两种模型预测结果的两个模型平均相对误差，根据平均相对误差的反比值对两个模型的预测结果加权求均值，得到最终预测结果。

作为优选，所述模型精度采用平均相对误差衡量，定义如下：

其中，y_i为历史流动人口实际值，为模型预测值，n为测试数据样本个数。

作为优选，所述LGB模型使用基于直方图的决策树算法，包括：把连续的浮点特征值离散化成k个整数，同时构造一个宽度为k的直方图，在遍历数据的时候，根据离散化后的值作为索引，在直方图中累积统计量，然后根据直方图的离散值，遍历寻找最优的分割点。

作为优选，所述目标函数为：

其中是指不考虑其他因素，通过分裂得到的信息增益，GL是用来累加一阶梯度直方图的已经读取的bin的值之和，HL是用来累加二阶梯度直方图的已经读取的bin的值之和；GR是一阶梯度直方图的还未读取的bin的值之和，HR是二阶梯度直方图的还未读取的bin的值之和，λ和γ表示超参数。

本发明的实质性效果包括：模型对于预测下季度流动人口数有较好的效果，有效提高流动人口测算的鲁棒性，为供电资源分配提供依据。

附图说明

图1是本发明提供的基于LGB和ARIMA算法的季度流动人口预测方法的流程示意图；

图2是本发明提供的LGB模型分裂策略示意图；