基于电力大数据智能判定算法的景区景气指数预测方法与流程

本发明涉及行业用电量预测，特别是涉及一种基于电力大数据智能判定算法的景区景气指数预测方法。

背景技术：

1、近年来，信息技术和数据科技的迅速崛起为景区景气指数的研究提供了强大的支持。大数据分析、人工智能、机器学习等技术的发展，使得研究者能够更全面、准确地分析景区的运营状况。但是原有景区景气指数可能依赖于有限的指标，如游客数量或门票销售额，忽视了电力数据等其他可能反映景区活跃程度的重要信息。这样反映在传统的景气指数模型可能不具备足够的时效性，无法及时反映景区在不同季节、节假日或特殊事件下的景气状况。而且传统指数可能缺乏对景区用电情况的全面分析，无法充分挖掘大数据中潜在的信息，导致对景区活跃度的评估不够全面。在现代旅游业中，景区经营环境变化复杂，原有的景气指数模型难以适应多变的市场条件，可能无法充分反映景区的实际状况。

技术实现思路

1、为了解决上述技术缺陷之一，本发明实施例中提供了一种基于电力大数据智能判定算法的景区景气指数预测方法，通过利用电力大数据，引入智能判定算法，构建一个更全面、准确的景气指数模型，充分发挥大数据技术的优势，通过智能判定算法对电力大数据进行分析和处理，为景区景气指数的建模提供更高效、更智能的方法。

2、根据本发明实施例的第一个方面，提供了一种基于电力大数据智能判定算法的景区景气指数预测方法，包括以下步骤：

3、步骤s1、收集与旅游业相关的景点日用电量数据；

4、步骤s2、利用gmm对电量数据进行聚类分析；

5、步骤s3、根据步骤s2中聚类分析的结果，合并第一类和最后一类群体，将景区划分为景气状态以及不景气状态；

6、步骤s4、对于景区景气状态转折点，引入kneepoint算法，基于曲线的曲率变化来检测拐点。首先，通过多项式插值法拟合曲线；其次，对平滑曲线上的点进行归一化处理，计算差分曲线；

7、步骤s5、在差分曲线中进行拐点检测，根据kneepoint算法，确定拐点的位置；通过调整敏感度参数，确定最适合的拐点数和阈值；

8、步骤s6、结合gmm聚类分析的结果和kneepoint算法的分析，判别景区的景气程度，并运用神经网络模型对未来进行预测。

9、进一步的，步骤s2中，根据用电规律将景区景气程度分群，包括以下步骤：

10、s201、初始化高斯混合分布的模型参数wl,μl,∑l；

11、s202、计算样本xj由各混合成分生成的后验概率，即观测数据xj，引入一个隐变量zj∈{1,2,...,k}表示得到样本xj的高斯分布模型；由第i个分模型生成的概率为p(zj＝i|xi)，记为

12、s203、计算新的模型参数：

13、

14、式中，μ′l为新生成均值向量；∑′l为新协方差矩阵；wl′为新混合系数；

15、s204、按照新的模型参数重复步骤s202和步骤s203，直到满足终止条件；

16、s205、将每个样本按照划入对应的簇，将每个样本分别代入到gmm中，分别计算各个模型概率，原则为该样本来自哪个分模型的概率大就划入哪个分模型的簇中，最终得到k个聚类。

17、进一步的，步骤s4中，

18、使用多项式插值法对源数据集拟合，尽可能保持源数据集的形状，用指数加权移动平均方法；用ds表示平滑曲线上点(x，y)的有限集：

19、ds＝{(xsi,ysi)∈r2xsi,ysi≥0}

20、式中xsi,ysi为给定的x,y拟合后的数据。

21、为消除异常值对平滑曲线中最大曲率的影响，对平滑曲线上的点进行归一化处理，用dsn表示处理后的数据集，则有：

22、dsn＝{(xsni,ysni)}，其中，

23、式中xsni，ysni分别为归一化处理后的x,y，xs,ys分别为x,y形成的序列，min{xs},min{ys}指的是xs,ys序列中的最小值。

24、寻找平滑曲线何时从平缓变化到急剧下降，设立差分曲线数据集，用dd代表x和y-x的差分数据集，则有：

25、dd＝{(xdi,ydi)}，其中，xdi＝xsni,ydi＝ysni-xsni。

26、进一步的，步骤s5中，

27、寻找标准化曲线中的拐点，对曲线下降处，则需要计算差分曲线的局部最大值，这些局部最大值点最后都有可能成为源数据曲线的拐点，将可能的局部最大值点数据集表示如下：

28、dlmx＝{(xlmxi,ylmxi)}，其中，

29、式中xdi,ydi为差分过后的数据。

30、对于差分曲线中计算得到的每个局部最大值xlmxi,ylmxi，用连续x值与模型敏感度参数s之间的平均差定义唯一的阈值tlmxi,敏感度参数s决定了拐点检测的快慢及检测出的数量，阈值计算公式如下：

31、

32、式中tlmxi为阈值；s指的是对于一个曲线，输出的拐点数，s越大，模型越敏感，一般设为1。

33、进行拐点检测时，如果在达到差分曲线下一个局部最大值之前，任意差值(xdj,ydj)低于(xlmxi,ylmxi)(其中j>i)处的阈值tlmxi，则kneepoint算法在xlmxi存在拐点；如果在达到阈值之前，差值达到局部最小值并开始增大，则将阈值重置为0，等待下一个局部最大值。

34、本发明在工作中，引入智能判定算法，通过kneepoint算法对电力数据进行分析，识别拐点并判断景区达到景气状态的用电量水平。相较于传统的统计方法，智能判定算法更具灵活性和适应性，有助于更准确地确定景区的景气状态。这有助于决策者更全面地了解景区的实际情况，从而制定更符合实际需求的经营策略。

技术特征：

1.基于电力大数据智能判定算法的景区景气指数预测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于电力大数据智能判定算法的景区景气指数预测方法，其特征在于，步骤s2中，根据用电规律将景区景气程度分群，包括以下步骤：

3.根据权利要求1所述的基于电力大数据智能判定算法的景区景气指数预测方法，其特征在于，步骤s4中，

4.根据权利要求3所述的基于电力大数据智能判定算法的景区景气指数预测方法，其特征在于，

5.根据权利要求4所述的基于电力大数据智能判定算法的景区景气指数预测方法，其特征在于，

6.根据权利要求5所述的基于电力大数据智能判定算法的景区景气指数预测方法，其特征在于，步骤s4中，

7.根据权利要求6所述的基于电力大数据智能判定算法的景区景气指数预测方法，其特征在于，步骤s5中，

8.根据权利要求7所述的基于电力大数据智能判定算法的景区景气指数预测方法，其特征在于，

9.根据权利要求8所述的基于电力大数据智能判定算法的景区景气指数预测方法，其特征在于，

技术总结
本发明提供一种基于电力大数据智能判定算法的景区景气指数预测方法，包括以下步骤：S1、收集与旅游业相关的电量数据；S2、利用GMM对景区电量数据进行聚类分析；S3、根据步骤S2中聚类分析的结果，合并第一类和最后一类群体，将景区划分为景气状态以及不景气状态；S4、引入Kneepoint算法，基于曲线的曲率变化来检测拐点；S5、在差分曲线中进行拐点检测；S6、结合GMM聚类分析的结果和Kneepoint算法的分析，判别景区的景气程度；S7、分析景区景气程度的结果。本发明引入智能判定算法，通过Kneepoint算法对电力数据进行分析，识别拐点并判断景区达到景气状态的用电量水平，有助于更准确地确定景区的景气状态。

技术研发人员：张宸,吴晨,于翔,蔡冬阳,孙荣,赵亮,金诚
受保护的技术使用者：国网江苏省电力有限公司扬州供电分公司
技术研发日：
技术公布日：2024/6/26