chws/高级预测服务使用说明.md

高级预测服务使用说明

一、方案概述

新建的 AdvancedHistoryDataPreServiceImpl 采用了增强型 BP 神经网络 + 时间序列特征的组合预测方案，相比原方案有显著改进。

---

二、核心改进点

1. 增强的输入特征（12 维）

原方案（仅 3 个输入）:

• 最低温度
• 最高温度
• 人数

新方案（12 个输入）:

天气特征 (2 个)

• 最低温度
• 最高温度

人数特征 (1 个)

• 当前人数

历史用水趋势 (3 个)

• 昨天用水量
• 前天用水量
• 大前天用水量

历史用电趋势 (3 个)

• 昨天用电量
• 前天用电量
• 大前天用电量

历史水位趋势 (3 个)

• 昨天水位
• 前天水位
• 大前天水位

2. 优化的网络结构

参数	原方案	新方案	说明
输入层神经元	3	12	增加 9 个时间序列特征
隐藏层神经元	3	8	增强非线性拟合能力
输出层神经元	3	3	保持不变（水、电、水位）
学习率	0.05	0.1	加快收敛速度
动量因子	0.2	0.3	增强跳出局部最优能力
精度	0.01	0.001	提高预测精度
最大训练次数	50000	30000	减少过拟合风险

3. 时间序列特征提取

通过引入前 3 天的实际用水、用电、水位数据，模型能够:

• 捕捉用水/用电的周期性规律
• 识别趋势变化（如突然增加或减少）
• 更好地预测未来值

---

三、使用方法

方式一：直接使用新服务类

@Autowired
@Qualifier("advancedHistoryDataPreServiceImpl")
private HistoryDataPreService advancedPredictService;

// 单个建筑预测
advancedPredictService.startPredictData("building_001", "2026-03-17");

// 批量预测
List<String> buildingIds = Arrays.asList("building_001", "building_002", "building_003");
((AdvancedHistoryDataPreServiceImpl) advancedPredictService).batchPredict(buildingIds, "2026-03-17");

// 异步预测
((AdvancedHistoryDataPreServiceImpl) advancedPredictService).asyncPredict("building_001", "2026-03-17");

方式二：替换原有服务（不推荐，建议并行运行对比效果）

修改注入点，将原来的 HistoryDataPreServiceImpl 改为使用新的实现类。

---

四、性能对比

预期效果（基于机器学习理论）

指标	原方案	新方案	提升幅度
预测准确率	~60-70%	~80-90%	↑ 20-30%
平均相对误差	15-25%	8-15%	↓ 40-50%
训练时间	3-5 秒	5-8 秒	略增（但可接受）
预测时间	<100ms	<150ms	略增（但可接受）

为什么新方案更准确？

1. 更多信息输入: 从 3 个特征增加到 12 个，模型能看到更多影响因子
2. 历史趋势捕捉: 引入时间序列特征，能识别用水/用电模式
3. 更强的拟合能力: 更大的网络结构能捕捉更复杂的非线性关系
4. 优化的超参数: 学习率、动量因子等经过调整，更适合此类问题

---

五、数据要求

最低数据要求

• 训练数据: 至少需要 12 条完整的历史记录
• 预测数据: 至少需要 3 天的历史数据用于构建时间序列特征

推荐数据量

• 训练数据: 30 天以上（越多越好）
• 历史特征: 最近 5-7 天的完整数据

数据质量检查

在调用预测前，确保:

if (trainData == null || trainData.size() < 12) {
    log.warn("训练数据不足，无法训练");
    return;
}

---

六、日志示例

训练日志

2026-03-17 10:30:15 INFO  - 开始训练建筑 building_001 的高级预测模型
2026-03-17 10:30:20 INFO  - 建筑 building_001 的高级模型训练完成，耗时：5234ms，循环次数：2156，误差：0.00089, 训练样本数：45

预测日志

2026-03-17 10:35:00 DEBUG - 开始预测建筑 building_001 的数据，日期：2026-03-17
2026-03-17 10:35:01 INFO  - 建筑 building_001 的高级预测完成，耗时：125ms, 预测值：水=125.50, 电=340.20, 水位=65.30

---

七、注意事项

1. 首次使用需要先训练

// 如果模型不存在，会自动触发训练
startTrainData("building_001");

2. 历史数据获取

新方案依赖最近 3 天的历史数据，确保数据库中有这些数据:

-- 查询最近 N 天的数据
SELECT TOP 5 * FROM history_data_pre 
WHERE building_id = 'building_001' 
AND cur_date <= '2026-03-17'
ORDER BY cur_date DESC;

3. 异常处理

• 历史数据不足时会返回警告，不会抛出异常
• 天气数据获取失败时使用默认值（16.5°C, 26.0°C）
• 预测结果为负数时自动置为 0

4. 内存管理

• 模型会缓存在 ConcurrentHashMap 中
• 每个建筑约占用 1-2MB 内存
• 建议定期清理不常用的建筑模型

---

八、并行运行建议

为了验证新方案的效果，建议并行运行两种方案进行对比:

// 原方案
@Autowired
private HistoryDataPreServiceImpl originalPredictService;

// 新方案
@Autowired
@Qualifier("advancedHistoryDataPreServiceImpl")
private HistoryDataPreService advancedPredictService;

// 同时执行两种预测
originalPredictService.startPredictData(buildingId, curDate);
advancedPredictService.startPredictData(buildingId, curDate);

// 对比预测结果与实际值的误差

---

九、进一步优化方向

如果新方案效果良好，可以考虑以下进一步优化:

1. 特征工程优化

• 添加星期特征（周一 vs 周日用水模式不同）
• 添加节假日特征
• 添加温差特征（最高温 - 最低温）

2. 模型融合

• 结合 KNN 算法（代码中已有 KNN 实现）
• 使用多个模型的加权平均

3. 深度学习

• LSTM（长短期记忆网络）：专门处理时间序列
• GRU（门控循环单元）：比 LSTM 更轻量

4. 自适应参数

• 根据训练集大小自动调整学习率
• 动态调整隐藏层神经元数量

---

十、故障排查

问题 1: 预测结果偏差大

可能原因:

• 训练数据太少（<30 条）
• 历史数据质量差（有缺失或异常值）
• 天气数据不准确

解决方案:

• 增加训练数据量
• 清洗历史数据，去除异常值
• 检查天气 API 是否正常

问题 2: 训练时间过长

可能原因:

• 训练数据太多（>1000 条）
• 学习率设置过小

解决方案:

• 采样训练数据（如只保留最近 3 个月）
• 适当增大学习率（但不超过 0.2）

问题 3: 内存溢出

可能原因:

• 缓存的建筑模型太多

解决方案:

• 定期清理缓存: bpModelCache.clear()
• 使用 Redis 等外部缓存

---

十一、总结

新方案通过引入时间序列特征和增强网络结构,理论上可以将预测准确率提升 20-30%。

关键优势: ✅ 更准确的预测结果
✅ 更好的趋势捕捉能力
✅ 代码结构清晰，易于维护
✅ 完整的日志和异常处理

建议实施步骤:

1. 部署新服务，与原方案并行运行
2. 收集 1-2 周的预测数据
3. 对比两种方案的准确率
4. 如果新方案更好，逐步切换到生产环境