买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网恭喜烟台东方威思顿电气有限公司;烟台新旧动能转换研究院暨烟台科技成果转移转化示范基地申请的专利基于犹豫生成对抗网络的智慧城市居民用电预测方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN119476640B 。

龙图腾网通过国家知识产权局官网在2025-04-22发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202411975310.5，技术领域涉及：G06Q10/04；该发明授权基于犹豫生成对抗网络的智慧城市居民用电预测方法是由吕家慧;孔健沣;冯明全;胡锦涛;陈近;赵刚;黄良栋设计研发完成，并于2024-12-31向国家知识产权局提交的专利申请。

本基于犹豫生成对抗网络的智慧城市居民用电预测方法在说明书摘要公布了：本发明公开了一种基于犹豫生成对抗网络的智慧城市居民用电预测方法，属于城市用电预测领域。步骤包括：构建生成器和分类器；构建训练样本集；训练生成器和分类器；使用训练后的生成器进行预测。本发明通过将原始属性值转换为三元数属性，对属性数据中的不确定性进行显性量化，使得模型在挖掘属性与预测值之间的关联性的同时，进一步挖掘属性自身的不确定性与预测值的潜在关联，并在训练过程中通过基于犹豫度偏好一致性的损失函数对模型参数进行更新，确保预测出的数据既符合属性和预测值的关联性规律，也具有与实际数据相似的不确定程度，从而强化了模型的数据识别能力和泛化能力，降低了对数据样本的依赖。

本发明授权基于犹豫生成对抗网络的智慧城市居民用电预测方法在权利要求书中公布了：1.一种基于犹豫生成对抗网络的智慧城市居民用电预测方法，其特征在于：步骤包括：步骤1、构建生成器和分类器；所述生成器用于根据输入的条包含三元数属性和用电量数据的历史数据预测出未来的条带有三元数属性和用电量数据的预测数据；历史数据中的三元数属性和用电量数据与预测数据中的三元数属性和用电量数据相互对应，预测数据中的用电量数据即为预测结果；每个三元数属性中均包含肯定部分、否定部分和中间部分，所述肯定部分用于表示该属性对用电量数据的积极程度，否定部分表示该属性对用电量数据的消极程度，中间部分表示该属性的不确定程度；所述分类器用于判断所输入的一行带有三元数属性和用电量数据的数据是否是由生成器所生成，判断为生成器生成则输出0，否则输出1；所述三元数属性按属性与用电量数据的正负相关性分为正相关属性和负相关属性；所述三元数属性是根据原始属性值计算得到的，计算过程为：步骤A-1、获取条连续的已知数据，每条已知数据中包含与各三元数属性一一对应的原始属性值，还包含所述用电量数据；步骤A-2、对各原始属性值进行归一化计算；设第条已知数据中的第个属性的原始属性值是，计算该原始属性值按列归一化后的值：；步骤A-3、确定各原始属性值的初始肯定部分值和初始否定部分值：如果第条已知数据中的第个属性是正相关属性，则其初始肯定部分值，初始否定部分值；如果第条已知数据中的第个属性是负相关属性，则其初始肯定部分值，初始否定部分值；步骤A-4、计算各原始属性值的中间部分：设第条已知数据中的第个属性的中间部分为，则： ；其中，为第条已知数据的行上犹豫度，为第条已知数据中的第个属性的列上犹豫度；为犹豫度最大阈值；步骤A-5、计算各原始属性值的肯定部分和否定部分：第条已知数据中的第个属性的肯定部分,第条已知数据中的第个属性的否定部分；第条已知数据中的第个属性的三元数属性表示为；行上犹豫度计算方式为：步骤B-1、对当前的第条已知数据设置计数值；步骤B-2、将条已知数据分别与当前的第条已知数据进行一致性判断；每找到一条和第条已知数据不一致的已知数据，对加1；步骤B-3、计算行上犹豫度；第条已知数据和第条已知数据的一致性判断方式为：先求出第条已知数据中各原始属性值组成的向量与第条已知数据中各原始属性值组成的向量之差，再求出第条已知数据的用电量数据与第条已知数据的用电量数据之差，如果满足以下两个条件中的任意一个，则判断为二者不一致：条件1：且；条件2：且;列上犹豫度计算方式为：，其中，为第条已知数据中的第个属性的原始数据缺失率，为第条已知数据中的第个属性的原始数据异常率,表示对取整至小数点后2位；步骤2、构建训练样本集；训练样本集中包含多个训练样本；所述训练样本的获取方式为：选择条连续的已知数据，将已知数据中的原始属性值转换为三元数属性，然后将前条作为该训练样本中的历史数据，后条作为该训练样本中的真实未来数据；步骤3、训练生成器和分类器；将训练样本中的条历史数据输入到生成器中得到条预测数据，然后通过分类器对各条预测数据和真实未来数据分别进行判断，并判断各条预测数据与对应的真实未来数据之间的犹豫度偏好一致性，然后根据犹豫度偏好一致性和分类器的判断结果计算损失函数，最后根据损失函数更新生成器和分类器的网络参数；步骤3中，先将训练样本集中的训练样本划分为多个批次，然后分批次训练；每个批次的训练过程如下：步骤3-1、将当前批次中各训练样本中的条历史数据分别输入到生成器中，分别得到对应的条预测数据；步骤3-2、对于每一个训练样本所得到的条预测数据，按各条预测数据与对应的真实未来数据的犹豫度偏好一致性，将预测数据划分为符合真实未来数据犹豫度偏好的I类数据和不符合真实未来数据犹豫度偏好的II类数据；步骤3-3、对于本批次中的每一个训练样本，分别计算其对应的生成器损失和分类器损失；生成器损失的计算方式为： ；其中，为该训练样本所得到的某一条预测数据，表示某一条预测数据输入至分类器后所得到的结果，表示该训练样本对应的条预测数据各自的所构成的向量，表示个1构成的向量，表示求交叉熵损失；分类器损失的计算方式为： ；其中，为该训练样本中的某一条真实未来数据，为某一条真实未来数据输入至分类器后所得到的结果，为该训练样本中的条真实未来数据各自的所构成的向量，中的表示与长度一致的全1向量；表示某一条被判定为I类数据的预测数据，为某一条I类数据输入至分类器后所得到的结果，为该训练样本中的所有I类数据各自的所构成的向量，中的表示与长度一致的全1向量；表示某一条被判定为II类数据的预测数据，为某一条II类数据输入至分类器后所得到的结果，为该训练样本中的所有II类数据各自的所构成的向量，中的表示与长度一致的全0向量；步骤3-4、计算本批次中所有训练样本的生成器损失平均值和分类器损失平均值，根据生成器损失平均值和分类器损失平均值分别对生成器和分类器的网络参数进行更新；步骤3-2中，基于犹豫度偏好一致性的判断划分方式是：对于某一条预测数据，如果其中所有的三元数属性都同时满足以下两个条件，则将该条预测数据划分为I类数据，否则划分为II类数据：条件a：预测数据中该属性的中间部分在对应的真实未来数据中的对应属性的犹豫度的扩展范围内；预测数据与真实未来数据之间的对应关系是指：第x条预测数据应当对应同训练样本下的第x条未来真实数据；所述犹豫度的扩展范围是指：如果真实未来数据中该属性的中间部分为，则将扩展范围与范围取交集，该交集即为该属性的犹豫度的扩展范围；其中，为扩展半径，为犹豫度最大阈值；条件b：预测数据中该属性的肯定部分与否定部分之比与对应的真实未来数据中的对应属性的肯定部分与否定部分之比相等；步骤4、使用训练后的生成器进行预测：将条连续的、待预测的已知数据中的原始属性值转换为三元数属性，得到条历史数据，然后将条历史数据输入到生成器中，得到条预测数据，提取预测数据中的用电量数据作为预测结果。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人烟台东方威思顿电气有限公司;烟台新旧动能转换研究院暨烟台科技成果转移转化示范基地，其通讯地址为：264003 山东省烟台市莱山区金都路6号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。