用机器学习训练了一个热网负荷预测的模型，并和基于人工调校的自动预测法进行了比较
- 2023-03-10 18:40:00
- pjd
- 原创 542
使用机器学习进行训练、预测和评分后发现：很容易将预测的相对误差控制在10%以内，较人工调校的自动预测法效果好一些。
首先进行了文献的调研。
发现有些技术方案和初步 设计的方案类似，当然也有一些方案采用了更为先进的建模技术，做到了在线训练模型，等后续慢慢研究，先用机器学习的方案进行一下初探，看看预测效果。
列出一个特征清单进行数据采集
选择一个供暖季共118天的供暖数据，包括天气信息、动态数据和静态数据等，其中缺了几天，人工补齐。
采集后的数据进行了分析和处理
采用热力图可视化分析数字特征，去掉开通率等完全不相关或相关接近为0的特征，增加上一天实际热值等相关性大的特征。
数据集如下：
第一次预测结果得到的结果如下：
以上的评分直接怀疑人生，不过看了一下相对误差率还是能接受的值，仔细分析发现还有救。
第二次预测
经过分析实际相差比较大的点，发现有些天的数据存在异常，与实际不符，于是删除了最大的几个噪点，结果测试集评分仍然不好。
第三次预测
又进行数据集问题查找发现，周六这天有时上班有时不上班，不上班的实际值都为0，而数据集中没有是否上班的特征，决定去除这些点先试一下，发现评分正常了：
再使用线性回归模型进行交叉验证，评分如下：
我发现虽然评分稳定在0.8以上，但是相对误差的平均值比实始方案差一些。
可以继续采用原来的模型，优化数据集后进行下一些训练。
第四次预测
平均相对误差为9.3%，可以看到预测值和实际值比较接近了。
第五次预测
删除掉手动补齐的点，同步删除依赖这些天数据的样本，评分提高了，平均相对误差也提高到了6%。
生产环境中使用的基于人工调校的自动预测法
截取生产环境中一段相对误差率较小的10条数据（平均相对误差率为10.2），如下图表：
打包上线：
将以上模型打包，用flask或django编制后端服务，利用前端输入请求，从而获得请求结果。也可以定时从数据库获取相关参数， 自动实现预测并存储回数据库。
截取一部分参数的请求界面如下：
提交后获得结果：
至此完成了整个预测在线服务流程的搭建。