(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111462294.6 (22)申请日 2021.12.0 3 (71)申请人 北京航天创智科技有限公司 地址 100076 北京市丰台区北 大街甲13号 301室 （园区） (72)发明人 王鑫磊　左欣　徐崇斌　吴俣　 孙晓敏　陈前　杨勇　 (74)专利代理 机构 北京中创云知识产权代理事 务所(普通 合伙) 11837 代理人 肖佳 (51)Int.Cl. G06Q 10/04(2012.01) G06N 3/04(2006.01) G06K 9/62(2022.01) G06F 16/21(2019.01) (54)发明名称 一种基于图神经网络的企业能耗预测方法 及装置 (57)摘要 本发明涉及一种基于图神经网络的企业能 耗预测方法及装置， 通过 获取历史数据构建样本 数据集， 并根据每个企业的所属行业和用能类型 计算邻接矩阵M和权重矩阵W， 以构建基于图神经 网络的预测模块。 本发明提供的技术方案， 针对 现有技术的缺点， 不仅考虑历史能耗数据与未来 预测结果的时序变化关系， 同时考虑到企业能耗 类型和行业信息， 以此计算邻接矩阵M和权重矩 阵W来构建图神经网络， 从而 提高了预测精度， 通 过提供一个更加灵活的预测框架， 既可以从更细 的尺度预测单个企业的能耗情况， 也可以得到不 同行业或不同区域的能耗预测结果。 权利要求书3页 说明书8页 附图3页 CN 114154716 A 2022.03.08 CN 114154716 A 1.一种基于图神经网络的企业能耗预测方法， 其特 征在于， 包括： S1、 从数据源中获取预定历史周期内多个企业的企业数据， 所述企业数据划分为待预 测变量和历史输入变量； S2、 利用所述企业数据， 构建样本数据集， 将所述样本数据集划分为训练数据集、 验证 数据集和 测试数据集； S3、 获取待预测月份前t个月各企业的历史输入变量， 利用其中每个企业的所属行业和 用能类型计算邻接矩阵M和权 重矩阵W； S4、 构建基于图卷积神经网络的预测模型， 并将所述邻接矩阵M和权重矩阵W输入所述 图卷积神经网络的预测模型中； S5、 采用所述训练数据集中的样本对所述预测模型进行训练， 并采用所述验证数据集 验证所述预测模型的精度， 直至采用测试 数据集测试输出的预测结果满足精度要求； S6、 采用所述预测模型进行企业能耗预测。 2.根据权利要求1所述的方法， 其特 征在于， 所述 步骤S1还 包括： 将各变量 转换为近似正态分布， 并计算各个 变量对数转换后的均值 μ和标准差σ 。 3.根据权利要求2所述的方法， 其特 征在于， 所述构建样本数据集， 包括： S21、 获取待预测月份前t个月各企业的历史输入变量， 所述历史输入变量包括16种产 值能耗信息， 并对每个企业的所属行业和用能类型进 行编码； 根据所得到的编码， 计算邻接 矩阵M和权 重矩阵W； S22、 获取待预测月份前预定月数各企业的历史输入变量， 以得到单个样本的输入特征 X， 该输入特 征X的维度为 n×t×ci； 其中， n为企业数量， t为历史月数， ci为输入特 征数量； S23、 获取待预测月份的待预测变量， 得到单个样本的标签Y， 该标签Y的维度为n ×co， co 为输出特征数量； S24、 对所述输入特 征X和标签Y进行 标准化处理； S25、 遍历所述预定历史周期中所有的历史月份， 重复所述步骤S21 ‑S24， 得到所述样本 数据集的所有样本， 所述样本的数据结构包括邻接矩阵M、 权 重矩阵W、 输入特 征X和标签Y 。 4.根据权利 要求3所述的方法， 其特征在于， 所述步骤S24中， 对所述输入特征X和标签Y 进行标准化处理， 包括： 其中， y为标准 化前的值， V ′为标准化后的值。 5.根据权利要求3所述的方法， 其特征在于， 所述利用所述历史输入变量计算邻 接矩阵 M和权重矩阵W， 包括： 所述历史输入变量包括16种产值能耗信 息， 对每个企业的所属行业和用能类型进行编 码， 根据所 得到的编码， 计算邻接矩阵M和权 重矩阵W。 6.根据权利要求5所述的方法， 其特 征在于： 所述计算邻接矩阵M， 包括： S311、 计算两个企业间的Jac card距离dJ(i， j)： 权　利　要　求　书 1/3 页 2 CN 114154716 A 2其中， Ai和Aj为企业i和企业j的编码； S312、 遍历所有企业， 计算两两之间的Jaccard距离， 得到距离矩阵D， 该距离矩阵D的维 度为n×n， n为企业数量； S313、 针对距离矩阵D中的元 素Dij， i≤n， j≤n； 若Dij＞Dth， 则Mij＝0； 若Dij≤Dth， 则Mij＝1； 从而得到邻接矩阵M， 其中， Dth为预设距离阈值， Mij为邻接矩阵M中的元 素。 7.根据权利要求5所述的方法， 其特 征在于， 所述计算权 重矩阵W， 包括： 针对所述邻接矩阵M中的元 素Mij， 若Mij＝1， 则采用高斯核函数计算权 重值Wij： 若Mij＝0， 则Wij＝0； 从而得到 权重矩阵W， 其中， Wij为权重矩阵W中的元 素。 8.根据权利要求1所述的方法， 其特征在于， 所述图卷积神经网络的预测模型包括输入 层、 隐藏层和输出层； 所述输入层的节点 为企业， 边连接包括所述邻接矩阵M， 边权 重包括所述权 重矩阵W。 9.根据权利要求1所述的方法， 其特 征在于， 所述预测结果满足精度要求， 包括： 采用决定系数R2、 求和百分比误差 Error作为精度评价指标： 其中， m为样本数量， yi 为真实值， 为预测值， 为真实值的均值。 10.一种基于 图神经网络的企业能耗预测装置， 其特征在于， 包括数据获取模块、 样本 数据集构建模块、 矩阵计算模块、 预测模型构建模块、 模型训练模块、 以及预测模块； 其中， 所述数据获取模块用于从数据源中获取预定历史周期内多个企业的企业数据， 所述企 业数据划分为待预测变量和历史输入变量； 所述样本数据集构建模块用于利用所述企业数据， 构建样本数据集， 将所述样本数据 集划分为训练数据集、 验证数据集和 测试数据集； 所述矩阵计算模块用于获取待预测月份前t个月各企业的历史输入变量， 所述历史输 入变量包括16种产值能耗信息， 并对每个企业的所属行业和用能类型进行编码， 根据所得 到的编码， 计算邻接矩阵M和权 重矩阵W； 所述预测模型构建模块用于构建基于图卷积神经网络的预测模型， 并将所述邻 接矩阵 M和权重矩阵W输入所述图卷积神经网络的预测模型中； 所述模型训练模块用于采用所述训练数据集中的样本对所述预测模型进行训练， 并采 用所述验证数据集验证所述预测模型的精度， 直至采用测试数据集测试输出的预测结果满 足精度要求；权　利　要　求　书 2/3 页 3 CN 114154716 A 3