1.一種用電量預測方法，其特征在于，包括：
步驟S1：利用Spark平臺讀取原始用電量數(shù)據(jù)，并將所述原始用電量數(shù)據(jù)轉(zhuǎn)換為彈性分布數(shù)據(jù)集；
步驟S2：提取所述彈性分布數(shù)據(jù)集的特征值，將所述彈性分布數(shù)據(jù)集按照預設比例劃分為具有相同所述特征值的訓練數(shù)據(jù)集以及測試數(shù)據(jù)集；
步驟S3：建立預測模型，將所述訓練數(shù)據(jù)集代入所述預測模型，計算所述預測模型的模型參數(shù)；
步驟S4：將待預測數(shù)據(jù)作為變量輸入至已代入所述模型參數(shù)的預測模型中，輸出用電量預測值。
2.如權(quán)利要求1所述的用電量預測方法，其特征在于，所述步驟S1中，所述用Spark平臺讀取原始用電量數(shù)據(jù)之后，還包括：
對所述原始用電量數(shù)據(jù)進行清洗、數(shù)據(jù)集成、數(shù)據(jù)變換和數(shù)據(jù)歸約處理。
3.如權(quán)利要求2所述的用電量預測方法，其特征在于，所述步驟S4之前，還包括：
重新將所述彈性分布數(shù)據(jù)集按照另一預設比例劃分為具有相同所述特征值的訓練數(shù)據(jù)集以及測試數(shù)據(jù)集；
將所述測試數(shù)據(jù)集輸入所述預測模型中，優(yōu)化所述模型參數(shù)，得到優(yōu)化后的預測模型。
4.如權(quán)利要求3所述的用電量預測方法，其特征在于，還包括：
將所述預測模型以及所述用電量預測值保存至分布式文件系統(tǒng)中。
5.如權(quán)利要求1至4任一項所述的用電量預測方法，其特征在于，所述步驟S3中，利用AdaBoost回歸算法建立預測模型，生成AdaBoost回歸預測模型。
6.一種用電量預測系統(tǒng)，其特征在于，包括：
讀取模塊，用于利用Spark平臺讀取原始用電量數(shù)據(jù)；
轉(zhuǎn)換模塊，用于將所述原始用電量數(shù)據(jù)轉(zhuǎn)換為彈性分布數(shù)據(jù)集；
數(shù)據(jù)集劃分模塊，用于提取所述彈性分布數(shù)據(jù)集的特征值，將所述彈性分布數(shù)據(jù)集按照預設比例劃分為具有相同所述特征值的訓練數(shù)據(jù)集以及測試數(shù)據(jù)集；
模型建立模塊，用于建立預測模型，將所述訓練數(shù)據(jù)集代入所述預測模型，計算所述預測模型的模型參數(shù)；
預測模塊，用于將待預測數(shù)據(jù)作為變量輸入至已代入所述模型參數(shù)的預測模型中，輸出用電量預測值。
7.如權(quán)利要求6所述的用電量預測系統(tǒng)，其特征在于，還包括：
數(shù)據(jù)處理模塊，用于對所述原始用電量數(shù)據(jù)進行清洗、數(shù)據(jù)集成、數(shù)據(jù)變換和數(shù)據(jù)歸約處理。
8.如權(quán)利要求7所述的用電量預測系統(tǒng)，其特征在于，還包括：
模型優(yōu)化模塊，用于將所述測試數(shù)據(jù)集輸入所述預測模型中，優(yōu)化所述模型參數(shù)，得到優(yōu)化后的預測模型。
9.如權(quán)利要求8所述的用電量預測系統(tǒng)，其特征在于，還包括：
存儲模塊，用于將所述預測模型以及所述用電量預測值保存至分布式文件系統(tǒng)中。