CN103002165B - 用于供电服务中心短期话务量预测方法 - Google Patents
用于供电服务中心短期话务量预测方法 Download PDFInfo
- Publication number
- CN103002165B CN103002165B CN 201210474098 CN201210474098A CN103002165B CN 103002165 B CN103002165 B CN 103002165B CN 201210474098 CN201210474098 CN 201210474098 CN 201210474098 A CN201210474098 A CN 201210474098A CN 103002165 B CN103002165 B CN 103002165B
- Authority
- CN
- China
- Prior art keywords
- day
- traffic
- telephone traffic
- curve
- similar
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000001556 precipitation Methods 0.000 claims description 42
- 238000011156 evaluation Methods 0.000 claims description 7
- 230000003203 everyday effect Effects 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 6
- 230000002354 daily effect Effects 0.000 claims description 4
- 230000013011 mating Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 5
- 238000005516 engineering process Methods 0.000 description 6
- 238000009499 grossing Methods 0.000 description 5
- 238000011160 research Methods 0.000 description 3
- 239000012141 concentrate Substances 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 235000021167 banquet Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000032798 delamination Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000013213 extrapolation Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种用于供电服务中心短期话务量预测方法,在分析供电服务中心话务量基本特性的基础上,充分考虑温度、降水对话务量的影响方式和影响,并在此基础上提出了对话务曲线进行分层预测,分别寻找相似日进行匹配的分层相似预测法,从而准确预测次日话务量水平与曲线形状,实际应用效果表明本发明对于指导供电服务中心短期话务量预测具有重要意义。
Description
技术领域
本发明涉及一种供电服务中心话务量预测方法,属于电力系统话务量统计技术领域。
背景技术
呼叫中心保持良好服务水准的重要前提是在相应时间内安排合理的坐席数量,保证接通率、客户满意度等目标的实现。科学合理的话务量预测是合理安排排班的重要依据,是呼叫中心实现高效率的运营管理、降低运营成本、保证客户服务质量和水平的重要环节。
90年代中期以来,呼叫中心产业在全国迅猛发展,广泛运用于金融、证券、民航、电信在内的各个行业。关于话务量预测的研究也逐渐展开,主要集中于两个方面,一类是基于时间序列的预测,包括趋势外推法、季节趋势模型等;另一类是智能类算法,包括神经网络算法等。由于供电服务中心建设较晚,目前重点研究领域集中在供电服务中心应用管理平台的建设,而关于供电服务中心的话务量预测方面还处于初级阶段,没有形成专门的具有针对性的预测模型与算法。
不同类型呼叫中心面对的客户对象不同,应考虑的影响因素也不同,其他领域成功算法并不能完全移植于供电服务中心话务量预测。需要分析供电服务中心话务量特性,提出用于供电服务中心短期话务量预测的方法,从而准确预测次日话务量水平与曲线形状,为排班优化管理提供数据支撑。
准确掌握供电服务中心话务量的变化规律,是做好话务量预测工作的前提条件。影响话务量变化规律的因素很多,其中最主要的因素可以分类两类,一类为日类型,即工作日、休息日,一般工作日话务量水平较休息日话务量水平高;一类为气象因素,包括温度、降水量等。
发明内容
本发明所要解决的技术问题是根据供电服务中心话务量特性,提出用于供电服务中心短期话务量预测的方法,从而准确预测次日话务量水平与曲线形状,为排班优化管理提供数据支撑。
为解决上述技术问题,本发明提供一种用于供电服务中心短期话务量预测方法,其特征在于,包括以下步骤:
1)基础话务曲线预测:
11)相似日选择:设第i日为待预测日,第j日为待计算相似度的历史相关日,共有m个评价指标xik,xjk(k=1~m),相似度dij计算如下:
12)相似日曲线标幺化:
设第i日第t时刻的话务曲线为Hit,其中t=1~T,T为每天的采样点数,该日的话务曲线为[Hi1,Hi2,…,HiT],令该日话务量Hisum为基值,标幺化后的话务曲线为[Bi1,Bi2,…,BiT]按以下公式计算:
13)相似日基值预处理:令工作日日话务量为Hday,i,周六日话务量为Hsat,j,周日日话务量为Hsun,k,l为工作日天数,n为周六天数,p为周日天数,周六基值系数为ysat,周日基值系数为ysun,则有
131)当待预测日为工作日时,如相似日为工作日则不做处理,如相似日为周六,日话务量为Hsat,则周六修正日话务量H′sat计算如下:
H′sat=Hsat×ysat (6)
如相似日为周日,日话务量为Hsun,则周日修正日话务量H′sun计算如下:
H′sun=Hsnn×ysun (7)
132)当待预测日为周六时,如相似日为周六则不做处理,如相似日为工作日,日话务量为Hday,则修正日话务量H′day计算如下:
如相似日为周日,日话务量为Hsun,则修正日话务量H′sun,计算如下:
133)当待预测日为周日时,如相似日为周日则不做处理,如相似日为工作日,日话务量为Hday,则修正日话务量H′day计算如下:
如相似日为周六,日话务量为Hsat,则修正日话务量H′sat,计算如下:
14)基础话务曲线预测:
141)基值预测(基值即为基础话务曲线中的日话务量预测):基值的预测值直接选择为相似日基值的平均值,消除偶然波动的影响;
142)标幺曲线预测:根据待预测日星期类型,分别依据其工作日和休息日的特性,在相似日中选择与其同星期类型的日期进行均值滤波,所得均值即为预测标幺曲线。
均值滤波技术主要应用于数字图像处理中,作为图像的平滑处理方法,它能减弱或消除图像中的高频率分量,使图像变得平滑。本发明将均值滤波技术引入到标幺曲线平滑中,其基本原理就是利用该点附近的值通过计算均值来代替原始值,从而滤除随机变化的数据,使滤波后的数据在某一数值范围附近上下波动。本文采用3*3均值滤波算法,它采用模板计算的思想,将相似日按照时间顺序进行排列,形成一个矩阵,其中行表示不同日期,列表示全天各时段,以待处理的当前话务量标幺值Bit中心产生一个滑动3*3矩形窗口,计算这个滑动窗口所包含的话务量标幺值的均值,用以代表处理后的话务量标幺值B′it。
2)特征话务预测:
21)当待预测日气象预报降水超过影响范围(影响范围即为下文所述的当待预测日预测区域内日均降水量高于1mm时,即进入影响范围)时,特征话务预测将启动,根据测试发现,启动原则为:当待预测日预测区域内日均降水量高于1mm时;
22)相似日筛选:特征话务预测相似日筛选对象为历史各日逐时降水量,依据待预测日早峰时段小时平均降水量和晚峰时段小时平均降水量,分别寻找历史日中与待预测日类似程度最高的降水的日期;
23)特征话务剥离:
特征话务预测与基础话务曲线预测不同,后者是对整日话务曲线的预测,而前者是对特定时段最大叠加量的预测,
231)虚拟预测
对选定的相似日进行虚拟预测,虚拟预测方法为不考虑降水影响时上述相似日的步骤1)中的基础话务曲线;
232)特征话务剥离:设相似日虚拟预测得到的基础话务曲线早峰时段最大话务量H′max,mor,晚峰时段最大话务量H′max,nig,实际早峰时段最大话务量Hmax,mor,晚峰时段最大话务量Hmax,nig,则早峰期间特征话务Mmor、晚峰期间特征话务Mnig分别为:
Mmor=H′max,mor-Hmax,mor (12)
Mnig=H′max,nig-Hmax,nig (13)
待预测日特征话务即为所匹配的相似日分别在早峰与晚峰特征话务的平均值;
3)话务合成预测
当待预测日气象预报无降水或降水范围在无影响范围内时,基础话务曲线即为待预测日话务曲线;
当待预测日气象预报降水超过影响范围时,待预测日话务曲线由基础话务曲线和特征话务两部分构成:
31)首先不考虑降水影响,利用步骤1)的方法预测出基础话务曲线,其中早峰时段最大话务量为Hmax,for,mor,晚峰时段最大话务量为Hmax,for,nig;
32)利用步骤2)的方法预测早峰和晚峰时段特征话务,分别为Mmor,for与Mnig,for;
33)利用特征话务对相应时段进行叠加处理,设待预测日合成话务曲线早峰时段最大话务量为H′max,for,mor,晚峰时段最大话务量为H′max,for,nig:
H′max,for,mor=Hmax,for,mor+Mmor,for (14)
H′max,for,nig=Hmax,for,nig+Mnig,for (15)
34)话务量的增长是连续的,在确定话务量早峰和晚峰时段最大增长量后,将按照最大值的增长率,分别对早峰、晚峰时段其他时刻点话务量增长率进行线性插值分摊,保证曲线的连续变化。
本发明所达到的有益效果:本发明在分析供电服务中心话务量基本特性的基础上,充分考虑温度、降水对话务量的影响方式和影响,并在此基础上提出了对话务曲线进行分层预测,分别寻找相似日进行匹配的分层相似预测法,从而准确预测次日话务量水平与曲线形状,实际应用效果表明本发明对于指导供电服务中心短期话务量预测具有重要意义。
附图说明
图1为利用本发明的方法某日预测效果对比图。
具体实施方式
本发明将话务量预测分成两个层次,第一个层次为基础话务曲线预测,第二个层次为特征话务预测。基础话务曲线为在不考虑降水影响条件下话务曲线;特征话务为降水对当日话务量影响的最大值。
1)基础话务曲线预测
11)相似日选择
影响基础话务曲线发展变化的主要气象因素为温度,并且从分析结果来看,包括两个指标,即平均温度和最低温度。本文引入相似度的概念,描述待预测日与历史相关日的接近程度。设第i日为待预测日,第j日为待计算相似度的历史相关日,共有m个评价指标xik,xjk(k=1~m),相似度dij计算如下:
12)相似日曲线标幺化
设第i日第t时刻的话务曲线为Hit,其中t=1~T,T为每天的采样点数,该日的话务曲线为[Hi1,Hi2,…,HiT]。令该日话务量Hisum为基值,标幺化后的话务曲线为[Bi1,Bi2,…,BiT]计算如下:
13)相似日基值预处理
话务量具有明显的星期类型特征,在进行预测时必须对入围的相似日的基值进行预处理。令工作日日话务量为Hday,i,周六日话务量为Hsat,j,周日日话务量为Hsun,k,l为工作日天数,n为周六天数,p为周日天数,周六基值系数为ysat,周日基值系数为ysun,则有
(1)当待预测日为工作日时,如相似日为工作日则不做处理,如相似日为周六,日话务量为Hsat,则周六修正日话务量H′sat计算如下:
H′sat=Hsat×ysat (6)
如相似日为周日,日话务量为Hsun,则周日修正日话务量H′sun计算如下:
H′sun=Hsun×ysun (7)
(2)当待预测日为周六时,如相似日为周六则不做处理,如相似日为工作日,日话务量为Hday,则修正日话务量H′day计算如下:
如相似日为周日,日话务量为Hsun,则修正日话务量H′sun,计算如下:
(3)当待预测日为周日时,如相似日为周日则不做处理,如相似日为工作日,日话务量为Hday,则修正日话务量H′day计算如下:
如相似日为周六,日话务量为Hsat,则修正日话务量H′sat,计算如下:
14)基础话务曲线预测
基础话务曲线预测步骤如下:
(1)基值预测
由于话务量基值具有一定的随机波动性,并不直接与最近日话务量基值相关,基值的预测直接选择为相似日基值的平均值,消除偶然波动的影响。
(2)标幺曲线预测
根据待预测日星期类型,分别依据其工作日和休息日的特性,在相似日中选择与之同星期类型的日期进行均值滤波,而后其均值即为预测标幺曲线。
均值滤波技术主要应用于数字图像处理中,作为图像的平滑处理方法,它能减弱或消除图像中的高频率分量,使图像变得平滑。本文将均值滤波技术引入到标幺曲线平滑中,其基本原理就是利用该点附近的值通过计算均值来代替原始值,从而滤除随机变化的数据,使滤波后的数据在某一数值范围附近上下波动。本文采用3*3均值滤波算法,它采用模板计算的思想,将相似日按照时间顺序进行排列,形成一个矩阵,其中行表示不同日期,列表示全天各时段,以待处理的当前话务量标幺值Bit中心产生一个滑动3*3矩形窗口,计算这个滑动窗口所包含的话务量标幺值的均值,用以代表处理后的话务量标幺值B′it。
2)特征话务预测
21)启动原则
当待预测日气象预报降水超过影响范围时,特征话务预测将启动。根据测试发现,该启动原则为:当待预测日各地市日均降水量高于1mm时。
22)相似日筛选
特征话务预测相似日筛选对象为历史各日逐时降水量。依据待预测日早峰时段小时平均降水量和晚峰时段小时平均降水量,分别寻找历史日中与待预测日类似程度降水的日期。
23)特征话务剥离
特征话务预测与基础话务曲线预测不同,后者是对整日话务曲线的预测,而前者是对特定时段最大叠加量的预测。
231)虚拟预测
对选定的相似日进行虚拟预测,虚拟预测方法为步骤1)所述方法,确定不考虑降水影响时上述相似日的基础话务曲线。
232)特征话务剥离
设相似日虚拟预测得到的基础话务曲线早峰时段最大话务量H′max,mor,晚峰时段最大话务量H′max,nig,实际早峰时段最大话务量Hmax,mor,晚峰时段最大话务量Hmax,nig,则早峰期间特征话务Mmor、晚峰期间特征话务Mnig分别为:
Mmor=H′max,mor-Hmax,mor (12)
Mnig=H′max,nig-Hmax,nig (13)
待预测日特征话务即为所匹配的相似日分别在早峰与晚峰特征话务的平均值。
3)话务合成预测
当待预测日气象预报无降水或降水范围在无影响范围内时,基础话务曲线即为待预测日话务曲线。
当待预测日气象预报降水超过影响范围时,待预测日话务曲线由基础话务曲线和特征话务两部分构成。
31)首先不考虑降水影响,利用步骤1)方法预测出基础话务曲线,其中早峰时段最大话务量为Hmax,for,mor,晚峰时段最大话务量为Hmax,for,nig;
32)利用步骤2)方法预测早峰和晚峰时段特征话务,分别为Mmor,for与Mnig,for;
33)利用特征话务对相应时段进行叠加处理,设待预测日合成话务曲线早峰时段最大话务量为H′max,for,mor,晚峰时段最大话务量为H′max,for,nig:
H′max,for,mor=Hmax,for,mor+Mmor,for (14)
H′max,for,nig=Hmax,for,nig+Mnig,for (15)
34)话务量的增长是连续的,在确定话务量早峰和晚峰时段最大增长量后,还将按照最大值的增长率,分别对早峰、晚峰时段其他时刻点话务量增长率进行线性插值分摊,保证曲线的连续变化。
实例验证
本文以某95598供电服务中心为研究对象,对2012年8月1日至8月31日话务曲线进行预测,如表1所示。2012年8月份平均日话务量为17956个,由于8月8日到9日之间台风登陆,这两日日话务量分别达到74072和58216,已经突破了历年最高值,因此这两日在预测精度统计中免于统计。
表1 2012年8月话务曲线预测精度
可见分层相似法较其他两种传统方法精度有较大幅度提高,分别较指数平滑法提高4.9个百分点,较点对点倍比法提高8.1个百分点,在改善预测精度方面的效果更明显。
图1为8月某日预测效果图,该日早峰期间小时平均降水为0.8mm,晚峰期间小时平均降水为22.1mm。可见不考虑降水影响基础曲线与实际曲线在降水发生时段有显著差距,特征话务的纳入正好弥补了该差距,该日合成曲线预测精度为90.1%,基础曲线预测精度为83.8%,可有效提高预测精度。
以上已以较佳实施例公开了本发明,然其并非用以限制本发明,凡采用等同替换或者等效变换方式所获得的技术方案,均落在本发明的保护范围之内。
Claims (2)
1.一种用于供电服务中心短期话务量预测方法,其特征在于,包括以下步骤:
1)基础话务曲线预测:
11)相似日选择:设第i日为待预测日,第j日为待计算相似度的历史相关日,共有m个评价指标xik,xjk(k=1~m),相似度dij计算如下:
12)相似日曲线标幺化:
设第i日第t时刻的话务曲线为Hit,其中t=1~T,T为每天的采样点数,该日的话务曲线为[Hi1,Hi2,…,HiT],令该日话务量Hisum为基值,标幺化后的话务曲线为[Bi1,Bi2,…,BiT]按以下公式计算:
13)相似日基值预处理:令工作日日话务量为Hday,i,周六日话务量为Hsat,j,周日日话务量为Hsun,k,l为工作日天数,n为周六天数,p为周日天数,周六基值系数为ysat,周日基值系数为ysun,则有
如相似日为周日,日话务量为Hsun,则修正日话务量计算如下:
如相似日为周六,日话务量为Hsat,则修正日话务量计算如下:
14)基础话务曲线预测:
141)基值预测:基值的预测值直接选择为相似日基值的平均值,消除偶然波动的影响;
142)标幺曲线预测:根据待预测日星期类型,分别依据其工作日和休息日的特性,在相似日中选择与其同星期类型的日期进行均值滤波,所得均值即为预测标幺曲线;
2)特征话务预测:
21)当待预测日气象预报降水超过影响范围时,特征话务预测将启动,根据测试发现,启动原则为:当待预测日预测区域内日均降水量高于1mm时;
22)相似日筛选:特征话务预测相似日筛选对象为历史各日逐时降水量,依据待预测日早峰时段小时平均降水量和晚峰时段小时平均降水量,分别寻找历史日中与待预测日类似程度最高的降水的日期;
23)特征话务剥离:特征话务预测与基础话务曲线预测不同,后者是对整日话务曲线的预测,而前者是对特定时段最大叠加量的预测,具体步骤为:
231)虚拟预测
对选定的相似日进行虚拟预测,虚拟预测方法为不考虑降水影响时上述相似日的步骤1)中的基础话务曲线预测的方法;
232)特征话务剥离:设相似日虚拟预测得到的基础话务曲线早峰时段最大话务量晚峰时段最大话务量实际早峰时段最大话务量Hmax,mor,晚峰时段最大话务量Hmax,nig,则早峰期间特征话务Mmor、晚峰期间特征话务Mnig分别为:
待预测日特征话务即为所匹配的相似日分别在早峰与晚峰特征话务的平均值。
2.根据权利要求1所述的用于供电服务中心短期话务量预测方法,其特征在于,还包括以下步骤:
3)话务合成预测
当待预测日气象预报无降水或降水范围在无影响范围内时,基础话务曲线即为待预测日话务曲线;
当待预测日气象预报降水超过影响范围时,待预测日话务曲线由基础话务曲线和特征话务两部分构成:
31)首先不考虑降水影响,利用步骤1)的方法预测出基础话务曲线,其中早峰时段最大话务量为Hmax,for,mor,晚峰时段最大话务量为Hmax,for,nig;
32)利用步骤2)的方法预测早峰和晚峰时段特征话务,分别为Mmor,for与Mnig,for;
34)话务量的增长是连续的,在确定话务量早峰和晚峰时段最大增长量后,将按照最大值的增长率,分别对早峰、晚峰时段其他时刻点话务量增长率进行线性插值分摊。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201210474098 CN103002165B (zh) | 2012-11-21 | 2012-11-21 | 用于供电服务中心短期话务量预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201210474098 CN103002165B (zh) | 2012-11-21 | 2012-11-21 | 用于供电服务中心短期话务量预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103002165A CN103002165A (zh) | 2013-03-27 |
CN103002165B true CN103002165B (zh) | 2013-10-09 |
Family
ID=47930283
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN 201210474098 Active CN103002165B (zh) | 2012-11-21 | 2012-11-21 | 用于供电服务中心短期话务量预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103002165B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104881704A (zh) * | 2014-02-27 | 2015-09-02 | 中国移动通信集团广东有限公司 | 一种话务指标的预测方法、装置及电子设备 |
CN104008493B (zh) * | 2014-03-25 | 2017-09-26 | 北京中电普华信息技术有限公司 | 一种数据获取方法及装置 |
CN104469024A (zh) * | 2014-11-20 | 2015-03-25 | 广州供电局有限公司 | 基于供电用电量的话务量监测方法和系统 |
CN106817499B (zh) * | 2015-11-30 | 2019-10-25 | 华为技术有限公司 | 一种话务资源调度方法及预测调度装置 |
CN106971310A (zh) * | 2017-03-16 | 2017-07-21 | 国家电网公司 | 一种客户投诉数量预测方法及装置 |
CN116227738B (zh) * | 2023-05-04 | 2023-12-08 | 广东电网有限责任公司 | 一种电网客服话务量区间预测方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101801004A (zh) * | 2009-12-31 | 2010-08-11 | 哈尔滨工业大学 | 基于先验知识的自适应话务量中长期预测方法 |
CN102088709A (zh) * | 2010-11-30 | 2011-06-08 | 哈尔滨工业大学 | 基于聚类和arima模型的话务量预测方法 |
-
2012
- 2012-11-21 CN CN 201210474098 patent/CN103002165B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101801004A (zh) * | 2009-12-31 | 2010-08-11 | 哈尔滨工业大学 | 基于先验知识的自适应话务量中长期预测方法 |
CN102088709A (zh) * | 2010-11-30 | 2011-06-08 | 哈尔滨工业大学 | 基于聚类和arima模型的话务量预测方法 |
Non-Patent Citations (2)
Title |
---|
曾俊.话务量预测模型的建立与仿真研究.《计算机仿真》.2012,第29卷(第2期),全文. |
话务量预测模型的建立与仿真研究;曾俊;《计算机仿真》;20120229;第29卷(第2期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN103002165A (zh) | 2013-03-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103002165B (zh) | 用于供电服务中心短期话务量预测方法 | |
Nepal et al. | Electricity load forecasting using clustering and ARIMA model for energy management in buildings | |
CN107045788B (zh) | 交通路况预测方法及装置 | |
US20140129272A1 (en) | System and method for managing service restoration in a utility network | |
CN106713677A (zh) | 一种电力客户服务中心呼入话务量的预测方法 | |
Karimi et al. | Priority index considering temperature and date proximity for selection of similar days in knowledge-based short term load forecasting method | |
CN103530704A (zh) | 一种终端空域空中交通动态容量预测系统及其方法 | |
CN111768030B (zh) | 银行运输配送线路规划方法和装置、设备以及介质 | |
CN106485417A (zh) | 基于动态自适应任务调度策略的光伏电站移动运维方法 | |
CN108985570A (zh) | 一种负荷预测方法及其系统 | |
CN108539738A (zh) | 一种基于梯度提升决策树的短期负荷预测方法 | |
CN103024762A (zh) | 基于业务特征的通信业务预测方法 | |
CN110378510B (zh) | 一种基于时间序列和层次聚合的配网物资需求预测方法 | |
CN104239968A (zh) | 一种快速模糊粗糙集短期负荷预测方法 | |
CN109636010A (zh) | 基于相关因素矩阵的省级电网短期负荷预测方法及系统 | |
EP2746093A1 (en) | Method and apparatus for optimized management of an electric vehicle charging infrastructure | |
CN112330074A (zh) | 一种基于移动警务的卡口流量预警方法 | |
Matijašević et al. | A systematic review of machine learning applications in the operation of smart distribution systems | |
CN108346009A (zh) | 一种基于用户模型自学习的电力生产配置方法和装置 | |
CN101957944A (zh) | 工作考评系统 | |
Ramoliya et al. | ML-based Energy Consumption and Distribution Framework Analysis for EVs and Charging Stations in Smart Grid Environment | |
Yuill et al. | Application of Adaptive Neuro Fuzzy Inference System (ANFIS) based short term load forecasting in South African power networks | |
CN109447339A (zh) | 作业窗口期的预测方法、装置及电子设备 | |
CN104252647B (zh) | 基于反距离权重插值法的用电负荷预测方法 | |
CN107679635A (zh) | 基于优先级的客户跟进方法、系统及可读存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |