产量预测建模 3: 多时序模型

在实际的生产中, 有多个时序数据. 因此有必要建议多时序模型.

1. 同步时序模型

将多个指标数据按月进行统计, 即每月一个数据点, 获得多时序函数:
$$f:\mathbf{A}\times \mathbf{T}\to \mathcal{R}\text{\hspace{1em}(1)}$$
其中, $\mathbf{A}$ 为指标的集合, T = { 1 , 2 , … n } \mathbf{T} = \{1, 2, \dots n\} T={1,2,…n}, 典型地, A = { p s , f p , w t , p d } \mathbf{A} = \{\rm{ps}, \rm{fp}, \rm{wt}, \rm{pd}\} A={ps,fp,wt,pd}, 即指标包括: 泵速 (ps), 井底流动压力 (fp), 日注水量 (wt), 日产量 (pd). 如: $f(\mathrm{p}\mathrm{d},1143)$ 表示第 1142 天的产量.

机器学习任务, 就是根据该多时序预测 $n+1,\dots ,n+t$, 应该有现成的模型可以做.

表 1. 油田时序数据

已开采天数	泵速	井底流动压力	日注水量	日产量
1143	30	24.61 MPa	200 m${}^3$/d	49.8 t/d
1144	29	24.53 MPa	198 m${}^3$/d	49.1 t/d
1145	31	24.55 MPa	201 m${}^3$/d	49.5 t/d
…	…	…	…	…
1218	40	17.21 MPa	240 m${}^3$/d	28.1 t/d
…	…	…	…	…

这里的数据表面上看与 产量预测建模 2: 静态结构化数据模型 中的一致, 但我们将“已开采天数”作为时间, 是从时序的角度来处理. 换言之, 这里更注重纵向, 而不是横向.

2. 异步时序模型