(12)发明专利申请
(10)申请公布号 CN 110544015 A(43)申请公布日 2019.12.06
(21)申请号 201910732016.4(22)申请日 2019.08.09
(71)申请人 内蒙古自治区计量测试研究院
地址 010020 内蒙古自治区呼和浩特市新
华大街76号(72)发明人 吕金华 岳远朋 闫立新 梁宏霞
张显雨 布赫 潘井宝 包玉敏 王宁飞 王思 章剑 王耀君 李梦茹 (74)专利代理机构 北京华仁联合知识产权代理
有限公司 11588
代理人 陈建(51)Int.Cl.
G06Q 10/06(2012.01)G06Q 10/04(2012.01)
权利要求书1页 说明书9页 附图2页
(54)发明名称
一种基于大数据分析的企业碳数据或碳资产智能管控平台(57)摘要
本发明涉及一种碳数据或碳资产智能管控平台，其包括：主机，所述主机包括多个服务器，该多个服务器优选为应用服务器和数据库服务器；监控模块，其与所述多个服务器连接；基础数据维护模块，其包括收集和处理碳数据相关的信息；碳排放计算模块，其主要包括获取碳排基础数据、由获取的基础数据对应确定碳排放值、计算整体的碳排放量；预测模块，所述预测模块与基础数据维护模块以及碳排放计算模块进行连接，所述预测模块采用神经网络预测模型和基于主成分分析的多元线性回归预测模型对数据进行分析和计算。本发明从碳数据整合、碳排放/资产业务支撑、数据的挖掘分析等方面为企业碳排放管理提供有效支撑。
CN 110544015 ACN 110544015 A
权 利 要 求 书
1/1页
1.一种碳数据或碳资产智能管控平台，其包括：主机，所述主机包括多个服务器，该多个服务器优选为应用服务器和数据库服务器；监控模块，其与所述多个服务器连接；基础数据维护模块，其包括收集和处理碳数据相关的信息；碳排放计算模块，其主要包括获取碳排基础数据、由获取的基础数据对应确定碳排放值、计算整体的碳排放量；预测模块，所述预测模块与基础数据维护模块以及碳排放计算模块进行连接，所述预测模块采用神经网络预测模型和基于主成分分析的多元线性回归预测模型对数据进行分析和计算。
2.一种如权利要求1所述的碳数据或碳资产智能管控平台，其特征在于：所述主机包括主控系统和企业分系统；主控系统与各企业分系统之间通过通信网络连接，主机的应用服务器和数据库服务器分别部署在主控单位和试点企业。
3.一种如权利要求1所述的碳数据或碳资产智能管控平台，其特征在于：所述监控模块包括综合展示子模块和碳流图展示子模块。
4.一种如权利要求1所述的碳数据或碳资产智能管控平台，其特征在于：所述基础数据维护模块包括通用配置子模块和企业配置子模块。
5.一种如权利要求1所述的碳数据或碳资产智能管控平台，其特征在于：优选所述碳排放模块与监控模块连接。
6.一种如权利要求1所述的碳数据或碳资产智能管控平台，其特征在于：进一步包括数据统计模块，所述数据统计模块主要是对碳数据以及能源数据进行统计。
7.一种如权利要求1所述的碳数据或碳资产智能管控平台，其特征在于：碳交易价格模块，该碳交易价格模块主要包括碳交易价格与碳交易管理。
8.一种如权利要求1所述的碳数据或碳资产智能管控平台，其特征在于：进一步包括碳资产管理模块。
2
CN 110544015 A
说 明 书
1/9页
一种基于大数据分析的企业碳数据或碳资产智能管控平台
技术领域
[0001]本发明涉及环保领域，特别是涉及一种基于大数据分析的企业碳数据或碳资产智能管控平台。
背景技术
[0002]2013年，我国在7个省市首先开展碳交易试点工作，随后逐步推进全国性碳交易。目前我国大多数企业对碳排放、碳资产的管理重视程度不高，大多数企业碳盘查工作依然基于现有的能源消耗台账进行数据手工录入，少数则是依据原有的“能源监控平台”来进行碳排放情况的核查。企业很难保证数据的准确性、完整性、实时性以至于大多数企业很难完全掌握自己的碳排放和碳资产的情况，甚至有些企业不了解碳排放如何计算、核查以及碳资产如何进行交易，缺乏对专业知识、碳交易价值、政策法规、市场行情的了解。[0003]对于重点碳排放行业来说，全国碳市场既是机遇也是挑战，企业面临两种选择：一是被动纳入，履约成本较高；二是主动参与提升企业碳资产管理能力，抢占市场先机。而现在的企业现状与技术现状导致大多数企业对碳排放、碳资产的管理很难有全面的掌握与准确的数据支撑，无法挖掘碳交易的潜在价值。[0004]因此，亟需搭建高效的企业碳数据或碳资产智能管控平台。发明内容
[0005]本发明的目的是提供一种企业碳数据或碳资产智能管控平台，其能够实现数据的自动采集、碳排放的自动计算、政策法规的实时推送、碳交易价格的实时查询、碳资产的实时掌握、碳排放趋势的分析以及碳排放量的预测，以便企业能够更好的了解碳排放、碳资产的情况，顺应时代的发展以及市场的需求，激发碳资产的最大价值。
[0006]本发明通过对传统技术背景及传统技术存在的问题进行分析，本发明将从数据层面、业务支撑层面、技术层面解决企业碳数据及碳资产管理面临问题。[0007]数据层面：通过企业碳数据或碳资产智能管控平台，建立一套企业碳数据管理数据库，实现对企业碳排放及能源数据的采、存、管、用，能够及时、准确、高效的提供相关数据，为企业碳排放管理业务和数据挖掘分析提供数据支撑。[0008]业务层面：1、结合各行业对碳资产管理业务需要，建立一套满足各行业需求的企业碳数据或碳资产智能管控平台，从碳数据采集、碳排放实时核算、碳资产管理、碳数据挖掘分析几个层面对企业的碳排放管理提供有效支撑，做到企业碳排放情况实时掌握，通过碳数据进行有效分析决策。2、针对目前企业对碳排放管理知识欠缺的现状，系统将国家各行业碳排放核算指南计算公式嵌入到系统中，并支持灵活配置，可实现各行业的碳排放计算，为企业的碳排放自查提供了有效工具。3、目前7个省市首先开展碳交易试点工作，碳资产及碳交易管理势在必行，本系统结合现有情况，设计了企业碳资产、碳交易管理功能，对企业碳履约、碳交易、碳资产业务管理提供支撑。4、大多数企业对碳排放数据潜在价值认识不足，很少有企业利用历史数据进行分析、挖掘。本系统基于企业历史数据，结合神经网络、
3
CN 110544015 A
说 明 书
2/9页
回归分析算法，搭建企业碳排放预测模型，实现了企业碳排放量的可预测性，为企业未来的碳排放管理及碳交易起到一定的指导作用，方便企业应对市场、政策的变化。[0009]技术层面：1、本系统在技术层面制定标准化的数据编码标准及接口规范，最终形成可推广、可复制的平台和应用模式，具有较强的通用性。[0010]本发明提供了一种碳数据或碳资产智能管控平台，其包括：主机，所述主机包括多个服务器，该多个服务器优选为应用服务器和数据库服务器；监控模块，其与所述多个服务器连接；基础数据维护模块，其包括收集和处理碳数据相关的信息；碳排放计算模块，其主要包括获取碳排基础数据、由获取的基础数据对应确定碳排放值、计算整体的碳排放量；预测模块，所述预测模块与基础数据维护模块以及碳排放计算模块进行连接，所述预测模块采用神经网络预测模型和基于主成分分析的多元线性回归预测模型对数据进行分析和计算。
[0011]其中，所述主机包括主控系统和企业分系统；主控系统与各企业分系统之间通过通信网络连接，主机的应用服务器和数据库服务器分别部署在主控单位和试点企业。[0012]其中，所述监控模块包括综合展示子模块和碳流图展示子模块。[0013]其中，所述基础数据维护模块包括通用配置子模块和企业配置子模块。[0014]其中，优选所述碳排放模块与监控模块连接。[0015]其中，进一步包括数据统计模块，所述数据统计模块主要是对碳数据以及能源数据进行统计。[0016]其中，碳交易价格模块，该碳交易价格模块主要包括碳交易价格与碳交易管理。[0017]其中，进一步包括碳资产管理模块。
[0018]本发明的企业碳数据或碳资产智能管控平台，从碳数据整合、碳排放/资产业务支撑、数据的挖掘分析等方面为企业碳排放管理提供有效支撑。本发明能够在数据层面对碳数据进行统一管理和存储，及时对碳排放数据进行核算，对数据的潜在价值实现进一步挖掘；在业务层面对企业碳排放情况进行核算，形成了一套完整的企业碳排放管理体系，全面涵盖碳排放、碳资产管理的相关内容，全面的反映企业碳排放情况，对碳资产、碳数据统计分析、碳排放量预测等业务点均涉及，对企业碳资产管理做到心中有数。技术层面能够在不同行业进行推广，技术具有通用性、实用性、可复制性；对历史数据进行挖掘分析，基于神经网络算法、回归分析等算法，对企业碳排放量进行预测。附图说明
[0019]图1本发明的管控平台的功能分解示意图；[0020]图2本发明的管控平台的连接示意图；[0021]图3碳排放计算模块的计算逻辑图；[0022]图4sigmoid函数曲线图；[0023]图5BP网络拓补结构。
具体实施方式
[0024]为了便于理解本发明，下面结合附图对本发明的实施进行说明，本领域技术人员应当理解，下述说明只是为了便于对发明进行解释，而不作为对其范围的具体限定。
4
CN 110544015 A[0025]
说 明 书
3/9页
如图1所示，是本发明的碳数据或碳资产智能管控平台的结构示意图。所述智能管
控平台包括对传统技术背景、传统技术存在的问题及本专利的目的进行分析，结合企业实际情况，设计开发了符合各行业需要的平台，下面将对智能管控平台进行介绍。[0026]所述智能管控平台包括：[0027]主机，所述主机包括多个服务器，该多个服务器优选为应用服务器和数据库服务器；所述主机包括主控系统和企业分系统；主控系统与各企业分系统之间通过通信网络连接，主机的应用服务器和数据库服务器分别部署在主控单位的机房内和试点企业机房内。数据库服务器主要用于存储经过转换、分析后的碳和能源数据及相关产量等数据，部分功能模块部署在应用服务器中；[0028]监控模块，其与所述多个服务器连接，所述监控模块包括综合展示子模块和碳流图展示子模块。所述综合展示子模块主要以一张图方式进行展示企业所关注的主要信息，方便管理人员查看，所述综合展示的数据由所述数据库服务器提供。综合展示子模块的展示内容可包括但不限于本年碳排放量、本月碳排放量、本年度碳排放量占比、本年碳源分布、本年碳排放趋势、本年产量与单位产品能耗、本年综合能耗、本年单位产品能耗、本年重点设备综合能耗、近五年碳排放量、近五年碳排放强度、碳交易价格查询、相关政策信息、降碳服务商信息等。所述监控模块充分利用采集数据、计算数据、历史数据进行多维度的统计分析，通过多样的数据图表来展示数据的趋势变化以及数量的展示，方便用户对企业碳排放重要信息的了解，从而提高了企业对碳排放管理的效率。所述碳流图子模块主要实现了企业重要工艺流程图的展示、碳排放的流向展示。企业用户可以将线下绘制的工艺流程图在企业资料管理模块进行上传，前台页面将会自动调用展示。企业能够清晰的了解到整个企业的碳的流向，更有利于企业对整个工艺流程的把控。作为进一步的实施方式，所述监控模块优选还可以包括显示终端，所述显示终端根据控制显示相应的内容。[0029]基础数据维护模块，其包括收集和处理碳数据相关的信息，主要分为通用配置子模块和企业配置子模块，通用配置主要包括行业信息配置、物料类别配置、碳排放因子信息配置、活动数据信息配置、计算单位信息配置、碳排放计算公式配置、碳排放报警配置；企业配置主要包括企业基本信息维护、企业排放源、企业实测排放因子、企业资料、政策信息维护。通过基础数据维护功能，能够实现碳排放配置、企业基础信息配置的增、删、改、查功能，便于用户对系统基础数据进行管理与维护。[0030]碳排放计算模块，其主要包括获取碳排基础数据、由获取的基础数据对应确定碳排放值、计算整体的碳排放量；依据不同算法获取碳排放量、并进行相互之间的比对。通过对企业实际情况、国家碳排放核算指南的了解，现在主要有指南计算方式，本系统支持指南计算方式。主要数据需求是排放源的平均低位发热量、单位热值含碳量、碳氧化率、排放因子以及消耗量，依据指南的计算方法，结合这些基础数据，从而计算出企业燃烧过程、生产过程、净购电力热力、固碳过程以及整个企业的碳排放量。[0031]碳排放计算模块属于本管控平台的重要功能，计算逻辑相对比较复杂，计算逻辑如图3所示，首先获取碳排放的基础数据，与各基础数据相对应的碳排放目标值，之后根据碳排放情况选取公式表示式，计算获取不同碳排放条件的参数值，获取计算结果并进行结果展示，优选所述碳排放模块与监控模块连接，所述碳排放模块的基础数据、碳排放相关参数、碳排放量等可通过监控模块的综合展示子模块和碳流图展示子模块进行展示。通过碳
5
CN 110544015 A
说 明 书
4/9页
排放计算配置模块能够实现计算公式在前台页面的灵活配置；通过碳排放计算模块能够实现企业碳排放量的自动计算与可视化展示；通过碳排放比对模块能够实现不同核算方法下碳排放量、碳排放强度的比对以及计算结果的多形式展示；充分体现了通用性、灵活性、实用性的功能特点，满足企业对碳排放计算的需求。作为进一步的优选，可以包括碳排放数据采集终端
[0032]数据统计模块，所述数据统计模块主要是对碳数据以及能源数据进行统计。碳数据统计模块主要实现了企业对碳排放量、碳排放强度可以依据不同时间粒度、不同类别的统计查询。能源统计主要是包括综合能耗、指标能耗的统计、查询，并以图形化的方式直观的展示数据趋势。同时能够统计企业重点设备的能耗情况，以图表展示其运行状况。[0033]碳资产管理模块主要包括碳资产人员管理、碳资产文档管理、减排项目管理、配额与履约。碳资产人员管理主要是对企业内部碳资产人员的管理，能够全面掌握相关人员的基本信息，包括人员的单位、姓名、分工(明确小组组长，组员)、部门、联系电话、职责、管理内容。碳资产文档管理主要是对企业碳资产相关文档的管理，能够实现相关文档的上传、下载，方便用户对公司碳资产文档的管理。减排项目管理主要是对企业减排项目进行管理，包括项目的名称、开始时间、结束时间、改造内容、费用、项目负责人、运行效果、减排量、是否为CCER项目、是否形成碳资产。配额与履约主要是企业维护当年的碳配额履约情况，通过图表的形式更直观的了解当年碳排放履约情况。[0034]碳交易价格模块，该碳交易价格模块主要包括碳交易价格与碳交易管理。碳交易管理实现每年履约期内企业碳交易信息的管理，包括企业名称、履约年份、交易类型、交易量、交易价格、交易时间、经办人、备注信息。碳交易价格主要通过爬虫技术每日定时获取企业涉及区域网站的碳交易价格信息，在此模块中进行查询。[0035]预测模块，所述预测模块是基于企业历史数据，结合企业生产工艺流程、碳排放情况、能耗情况构建的企业碳排放预测模型，预测模型作为本系统最核心、最具创新性的功能模型，优选所述预测模块与基础数据维护模块以及碳排计算模块进行连接，所述预测模块以所述数据库服务器的数据作为分析基础，主要采用神经网络预测模型和基于主成分分析的多元线性回归预测模型对本发明的平台的数据进行分析和计算，所述神经网络模型具有很强的非线性拟合能力、可映射任意复杂的非线性关系及强大的自学习能力，而且学习规则简单，便于计算机实现。回归分析作为一种主流的预测方法具有准确地计量各个因素之间的相关程度与回归拟合程度的高低，提高预测方程式的效果。本发明的平台同时使用两种预测模型，这样能够让用户有一定的选择性，同时预测结果之间的对比可以增加预测的可信度。下面分别介绍两种预测模型的推导过程：[0036](1)多层神经网络BP算法推导[0037]感知器训练法则中的输出：
[0038][0039]
由于sign函数是非连续函数，这使得它不可微，因而不能使用上面的梯度下降算
法来最小化损失函数。[0040]增量法则中的输出为：
[0041]
6
CN 110544015 A[0042]
说 明 书
5/9页
每个输出都是输入的线性组合，这样当多个线性单元连接在一起后最终也只能得
到输入的线性组合，这和只有一个感知器单元节点没有很大不同。[0043]为了解决上面存在的问题，一方面，我们不能直接使用线性组合的方式直接输出，需要在输出的时候添加一个处理函数；另一方面，添加的处理函数一定要是可微的，这样我们才能使用梯度下降算法。
[0044]满足上面条件的函数非常的多，但是最经典的莫过于sigmoid函数，又称 Logistic函数，此函数能够将(+∞，-∞)内的任意数压缩到(0,1)之间，因此这个函数又称为挤压函数。为了将此函数的输入更加规范化，我们在输入的线性组合中添加一个阀值，使得输入的线性组合以0为分界点。[0045]sigmoid函数：
[0046][0047][0048][0049][0050][0051][0052]
其函数曲线如图4所示。
此函数有个重要特性就是他的导数：
有了此特性在计算它的梯度下降时就简便了很多。另外还有双曲函数tanh也可以用来替代sigmoid函数，二者的曲线图比较类似。
反向传播算法又称BP算法(Back Propagation)。现在，我们可以用上面介绍的使
用sigmoid函数的感知器来搭建一个多层神经网络，为简单起见，此处我们使用三层网络来分析。假设网络拓补如图5所示。[0054]网络的运行流程为：当输入一个样例后，获得该样例的特征向量，再根据权向量得到感知器的输入值，然后使用sigmoid函数计算出每个感知器的输出，再将此输出作为下一层感知器的输入，依次类推，直到输出层。[0055]那么如何确定每个感知器的权向量呢？这时我们需要使用反向传播算法来逐步进行优化。在正式介绍反向传播算法之前，我们先继续进行分析。[0056]为了得到权向量，我们通过最小化损失函数来不断调整权向量。此方法也适用于此处求解权向量，首先我们需要定义损失函数，由于网络的输出层有多个输出结点，我们需要将输出层每个输出结点的差值平方求和。于是得到每一个训练样例的损失函数为：(前面加个0.5方便后面求导使用)
[0057]
[0053]
在多层的神经网络中，误差曲面可能有多个局部极小值，这意味着使用梯度下降
算法找到的可能是局部极小值，而不是全局最小值。[0059]现在我们有了损失函数，这时可以根据损失函数来调整输出结点中的输入权向
7
[0058]
CN 110544015 A
说 明 书
6/9页
量，这类似感知器中的随机梯度下降算法，然后从后向前逐层调整权重，这就是反向传播算法的思想。
[0060]具有两层sigmoid单元的前馈网络的反向传播算法：[0061]将网络中的所有权值随机初始化。对每一个训练样例，执行如下操作：[0062]A)根据实例的输入，从前向后依次计算，得到输出层每个单元的输出。然后从输出层开始反向计算每一层的每个单元的误差项。[0063]B)对于输出层的每个单元k，计算它的误差项：[0064]δk＝ok(1-ok)(tk-ok)
[0065]C)对于网络中每个隐藏单元h，计算它的误差项：
[0066]
D)更新每个权值：[0068]wji＝Wji+ρδjxji[0069]Δwji＝ρδ符号说明：jxji被称为权重更新法则。[0070]xji：结点i到结点j的输入，wji表示对应的权值。[0071]outputs：表示输出层结点集合。
[0072]整个算法与delta法则的随机梯度下降算法类似，算法分析如下：[0073]①权值的更新方面，和delta法则类似，主要依靠学习速率，该权值对应的输入，以及单元的误差项。
[0074]②对输出层单元，它的误差项是(t-o)乘以sigmoid函数的导数ok(1-ok)，这与delta法则的误差项有所不同，delta法则的误差项为(t-o)。[0075]③对于隐藏层单元，因为缺少直接的目标值来计算隐藏单元的误差，因此需要以间接的方式来计算隐藏层的误差项δδk对受隐藏单元h影响的每一个单元的误差k进行加权求和，每个误差δk权值为wkh,wkh就是隐藏单元h到输出单元k的权值。[0076]反向传播算法的推导。算法的推导过程主要是利用梯度下降算法最小化损失函数的过程，现在损失函数为：
[0077][0078]
[0067]
对于网络中的每个权值wji，计算其导数：
[0079][0080][0081][0082]
①若j是网络的输出层单元
对netj的求导：
8
CN 110544015 A[0083]
说 明 书
7/9页
其中：
[0084]
[0085][0086][0087][0088][0089][0090]
所以有：
为了使表达式简洁，我们使用：
权值的改变朝着损失函数的负梯度方向，于是有权值改变量：
[0091]
[0092]
②若j是网络中的隐藏单元
[0093]由于隐藏单元中w的值通过下一层来间接影响输入，故使用逐层剥离的方式来进行求导：
[0094]
[0095][0096][0097][0098][0099]
因为：
所以：
同样，我们使用：
9
CN 110544015 A
说 明 书
8/9页
[0100][0101][0102][0103]
所以权值变化量：
利用上述算法，可以对碳资产管控平台中的数据进行计算和模拟，进而获得预测
的趋势
[0104]
算法的改进。反向传播算法的应用非常的广泛，为了满足各种不同的需求，产生了
很多不同的变体，下面介绍两种变体：[0105]①增加冲量项
[0106]此方法主要是修改权值更新法则。其主要思想在于让第n次迭代时的权值的更新部分依赖于第n-1次的权值。[0107]△wji(n)＝ρδαΔwji(n-1)jxji+[0108]其中0<＝α<1：称为冲量的系数。加入冲量项在一定程度上起到加大搜索步长的效果，从而能更快的进行收敛。另一方面，由于多层网络易导致损失函数收敛到局部极小值，但通过冲量项在某种程度上可以越过某些狭窄的局部极小值，达到更小的地方。[0109]②学习任意的深度的无环网络
[0110]在上述介绍的反向传播算法实际只有三层，即只有一层隐藏层的情况，要是有很多隐藏层应当如何进行处理？
[0111]现假设神经网络共有m+2层，即有m层的隐藏层。这时，只需要变化一个地方即可得到具有m个隐藏层的反向传播算法。第k层的单元r的误差的值由更深的第k+1层的误差项计算得到：
[0112][0113][0114]
(2)多元线性回归模型推导对于n维特征的样本数据，如果我们决定使用线性回归，那么对应的模型是这样
的：
hθ(x1，x2，…，xn)＝θθθ0+0x1+…+nxn
[0116]这个表示可以简化，我们增加一个特征x0＝1，这样进一步用矩阵形式表达更加简洁如下：
[0117][0115]
[0118][0119][0120]
进一步用矩阵形式表达更加简洁如下：hθ(X)＝X·θ其中，假设函数hθ(X)为mx1的向量,θ为nx1的向量，里面有n个代数法的模型参数。
10
CN 110544015 A
说 明 书
9/9页
X为m×n维的矩阵。m代表样本的个数，n代表样本的特征数。得到了模型，我们需要求出需要的损失函数，一般线性回归我们用均方误差作为损失函数。损失函数的代数法表示如下：
[0121][0122][0123]
进一步用矩阵形式表达损失函数：
我们常用的有两种方法来求损失函数最小化时候的θ参数：一种是梯度下降法，一种是最小二乘法。如果采用梯度下降法，则θ的迭代公式是这样的：[0125]θ＝θ-αXT(Xθ-Y)
[0126]如果采用最小二乘法，则θ的结果公式如下：[0127]θ＝(XTX)-1XTY[0128]通过上述算法，结合与碳数据相关的各个因子，本资产管控平台中的每个变化参数值都优选可以作为一个因子，所述各个因子作为神经网络的中一个样本数据，将样本数据代入到上述的函数推导过程中，进而能够推演出未来时间段内的相关的碳排放信息，发挥预测模块的运算作用，并采用不同的预测算法进行对比和印证。[0129]本发明采用通用信息配置、企业信息配置，可实现系统的灵活性、易维护性；数据存储采用国家能源标准的编码规则、标准化的接口规范，使系统具有较好的扩展性；碳排放综合监控模块能够将不同信息的可视化图表进行集中展示，方便用户对企业碳排放重点信息的了解，提升企业碳排放管理水平；通过政策法规及碳交易价格功能，让企业能及时了解国家政策、价格信息，帮助企业能够实时了解市场变化；通过对系统数据的统计分析，能够实现碳数据多维度统计以及可视化展示，充分体现了数据的潜在价值；企业碳排放预测模型的搭建，使得系统对未来碳排放具有一定的可预见性，同时基于大量的历史数据，以及模型的不断优化，预测结果具有较高的精度。[0130]可以理解的是，对于任何熟悉本领域的技术人员而言，在不脱离本发明技术方案范围情况下，都可利用上述揭示的技术内容对本发明技术方案作出许多可能的变动和修饰，或修改为等同变化的等效实施例。因此，凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所做的任何简单修改、等同变化及修饰，均仍属于本发明技术方案保护的范围内。
[0124]
11
CN 110544015 A
说 明 书 附 图
1/2页
图1
图2
图3
12
CN 110544015 A
说 明 书 附 图
2/2页
图4
图5
13
因篇幅问题不能全部显示，请点此查看更多更全内容