一、项目背景
电力仓库是电力供应链中至关重要的一环,负责存储和管理所有与电力产生、分发相关的物资和设备。这些仓库确保了电力系统的持续运作和高效率,特别是在需求激增或系统维护期间。电力仓库不仅存放常规的维护工具和替换零件,如变压器、电缆、保护装置等,也可能包含应急设备,如移动发电机和临时电缆,以应对突发事件或自然灾害。有效的物资管理和预测是电力仓库运营的核心,它涉及到精准的库存控制、物资补给的时效性以及成本效益的平衡。此外,随着技术的发展,许多电力仓库也开始采用自动化和智能化技术,如物联网(IoT)设备和高级数据分析,以提升操作效率和响应速度,通过实施先进的预测技术,时间序列分析、机器学习或人工智能算法,为电力仓库能够更精确地预测各种设备和物资的补充时间点和数量。
二、拟解决的问题
基于数据中台获取天气表和仓库表在双表中梳理和维核心特征找到与强关联特征进行时间预测,机器学习等操作。
这些较高的误差值表明模型在测试数据上的表现不理想。是因为模型过拟合、欠拟合或特征数据和补仓没有关系等多种原因。为了改进模型的预测性能可以进一步分析和增强特征,通过添加天气数据中的其他指标。
由于天气特征预测效果不佳下面采用时间序列+集成学习的方式解决问题。
x轴(ds): 表示日期。从左到右,可以看到从过去到未来的时间流。
y轴(y): 表示被预测的数值,是实收数量。
黑色点: 表示历史数据点,也就是每个时间点上实际记录的实收数量。
蓝线: 表示模型对历史数据的拟合情况以及对未来值的预测
浅蓝色区域: 表示预测的不确定性区间。它显示了预测值的可能波动范围,宽度越大表示不确定性越高。
时间序列模型准确度66.67% 需要进一步优化 或者使用集成学习来提升