Skip to main content

Прогнозирование

Версия: 1.26.0

OpenRemote включает в себя два типа методов прогнозирования временных рядов для атрибутов: один быстрый и простой, основанный на взвешенном экспоненциальном усреднении, другой с использованием модели нелинейной регрессии на основе машинного обучения.

Дополнительные прогнозы для конкретной области энергетики для производства электроэнергии солнечными панелями и ветряными турбинами описаны в Учебное пособие: Создайте свою систему управления энергопотреблением.

Прогнозирование временных рядов Примеры прогнозирования временных рядов, которые позволяют распознавать закономерности с повторяющимся характером, например, за 24 часа или также за день недели

Временной ряд со взвешенным экспоненциальным усреднением​

Во многих случаях у вас есть данные с четко повторяющейся ежедневной или еженедельной структурой. Примерами могут служить температура в помещении (одинакова каждый день в одно и то же время) или количество занятых парковочных мест в офисе (одинаково каждый будний день в одно и то же время). Для этих типов данных временных рядов вы можете применить простое прогнозирование атрибутов на основе WEA.

Чтобы добавить этот прогноз и сохранить его, вы можете добавить два элемента конфигурации «Есть прогнозируемые точки данных» и «Прогноз». Для «Прогноза» вам нужно будет добавить пять параметров в формате JSON:

  • Тип: примененный метод, в настоящее время доступно только взвешенное экспоненциальное усреднение («wea»).
  • Прошлый период: продолжительность периода(ов), в прошлом которого значения используются для расчета прогноза («P1D» на 24 часа или «P7D» на 7 дней).
  • Подсчет прошлых периодов: количество учитываемых прошлых периодов (может быть целым числом от 1 или выше, 1 означает, что возвращается значение одного «прошедшего периода»)
  • Период прогноза: периодические интервалы, через которые рассчитываются прогнозируемые значения («PT1H» вычисляет точку данных для каждого часа в будущем).
  • Количество прогнозов: количество рассчитанных точек данных (может быть целым числом от 1 или выше, 24 означает 24 часа, если «период прогноза» равен 1).

Пример заполнения конфигурации «Прогноз»:

{  "type": "wea",  "pastPeriod": "P1D",  "pastCount": 4,  "forecastPeriod": "PT1H",  "forecastCount": 24}

Обратите внимание, что в определениях времени используются стандарты ISO8601:

Для «прошедшего периода» представление

  • Y — указатель года, который следует за значением количества календарных лет.
  • M — это указатель месяца, который следует за значением количества календарных месяцев.
  • W — указатель недели, следующий за значением количества недель.
  • D — указатель дня, следующий за значением количества календарных дней.

Для "forecastPeriod" представление

  • H — указатель часов, который следует за значением количества часов.
  • M — это указатель минут, который следует за значением количества минут.
  • S — второй указатель, следующий за значением количества секунд.

Временные ряды с моделью нелинейной регрессии​

Для более сложного прогнозирования временных рядов, где вы ожидаете сезонный эффект, а также (не)линейные связи с другими атрибутами. Вы можете использовать службу прогнозирования ML. Примером может служить количество энергии, необходимое для обогрева здания, поскольку, как и следовало ожидать, оно зависит от температуры на улице и даже скорости ветра. Для получения дополнительной информации об этой службе проверьте ML Forecasting Service.

См. также​

Уведомление о лицензии: атрибуция документации OpenRemote