CN104008493B - 一种数据获取方法及装置 - Google Patents
一种数据获取方法及装置 Download PDFInfo
- Publication number
- CN104008493B CN104008493B CN201410114345.XA CN201410114345A CN104008493B CN 104008493 B CN104008493 B CN 104008493B CN 201410114345 A CN201410114345 A CN 201410114345A CN 104008493 B CN104008493 B CN 104008493B
- Authority
- CN
- China
- Prior art keywords
- value
- index
- data
- variable
- target
- 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 101
- 238000013481 data capture Methods 0.000 title claims abstract description 20
- 238000011156 evaluation Methods 0.000 claims abstract description 63
- 230000008569 process Effects 0.000 claims description 24
- 238000004458 analytical method Methods 0.000 claims description 14
- 230000001373 regressive effect Effects 0.000 claims description 13
- 238000012417 linear regression Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 5
- 238000013139 quantization Methods 0.000 claims description 5
- 238000005096 rolling process Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 description 20
- 230000006870 function Effects 0.000 description 12
- 239000000203 mixture Substances 0.000 description 8
- 238000013441 quality evaluation Methods 0.000 description 7
- 230000015556 catabolic process Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 230000008439 repair process Effects 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 230000001419 dependent effect Effects 0.000 description 5
- 230000008447 perception Effects 0.000 description 5
- 230000009467 reduction Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000035484 reaction time Effects 0.000 description 4
- 238000003860 storage Methods 0.000 description 3
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 2
- 230000000052 comparative effect Effects 0.000 description 2
- 239000000470 constituent Substances 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000002441 reversible effect Effects 0.000 description 2
- 230000018199 S phase Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000005352 clarification Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013213 extrapolation Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 239000011800 void material Substances 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种数据获取方法及装置,方法包括:提取目标数据,目标数据包括在第一时间段内的多个数据项,每个数据项具有其数据项标识及数据项内容值,第一时间段的结束时间值小于当前时间值;确定指标体系结构中与每个数据项的数据项标识相对应的目标指标值及其目标指标指数;依据每个数据项的数据项内容值及其对应的目标指标值和目标指标指数,获取结构变量模型中多个结构变量的目标变量值;依据每个目标变量值,获取结构变量模型中每两个结构变量之间的影响关系值;依据每个影响关系值,对多个结构变量的目标变量值进行修正操作,得到修正后的目标变量值;依据每个修正后的目标变量值,获取目标数据对应的评价指数数据。
Description
技术领域
本申请涉及数据处理技术领域,特别涉及一种数据获取方法及装置。
背景技术
供电服务品质评价系统是指,对抽取到的工作流程或客户评分数据进行数据分析处理之后得到评价指数的装置。应用较为广泛的评价系统即为对客户评分数据进行数据处理之后得到评价指数值作为客户综合满意度值的供电服务品质评价装置。
这种对客户综合满意度值进行获取的装置,通常通过对抽取到的客户评分数据与设定的指标体系进行比对分析之后,得到多个预设结构变量对应的变量值,进而对这些结构变量值进行计算操作,以得到最终的客户综合满意度值。例如,对客户评分数据与设定的指标体系进行对比分析之后,得到七个预设结构变量各自对应的变量值,这些结构变量为:形象变量、客户期望变量、价值感知变量、质量感知变量、客户满意度变量、客户抱怨变量,进而对这七个结构变量的变量值进行计算,最终得到客户综合满意度值。
但是,上述获取客户综合满意度值的过程中,通过忽略七个结构变量之间的影响关系值之后,再对这些结构变量的变量值进行计算,使得最终得到的客户综合满意度值误差较低,降低客户综合满意度值的准确性。
发明内容
本申请所要解决的技术问题是提供一种数据获取方法及装置,用以解决现有技术中在获取客户综合满意度值的过程中,通过忽略七个结构变量之间的影响关系值之后,再对这些结构变量的变量值进行计算,使得最终得到的客户综合满意度值误差较低,降低客户综合满意度值的准确性的技术问题。
本申请提供了一种数据获取方法,所述方法包括:
提取目标数据,所述目标数据包括在第一时间段内客户对供电服务进行评价的多个数据项,每个所述数据项具有其数据项标识及数据项内容值,所述第一时间段的结束时间值小于当前时间值;
确定预设指标体系结构中与每个所述数据项的数据项标识相对应的目标指标值及其目标指标指数;
依据每个所述数据项的数据项内容值及其对应的目标指标值和目标指标指数,获取预设的结构变量模型中多个结构变量的目标变量值;
依据每个所述目标变量值,获取所述结构变量模型中每两个所述结构变量之间的影响关系值;
依据每个所述影响关系值,对所述多个结构变量的目标变量值进行修正操作,得到修正后的目标变量值;
依据每个所述修正后的目标变量值,获取所述目标数据对应的评价指数数据。
上述方法,优选的,所述依据每个所述目标变量值,获取所述结构变量模型中每两个所述结构变量之间的影响关系值,包括:
利用偏最小二乘回归分析法,分别对所述结构变量模型中每两个所述结构变量的目标变量值进行计算,得到所述结构变量模型中每两个所述结构变量之间的影响关系值。
上述方法,优选的,在所述依据每个所述修正后的目标变量值,获取所述目标数据对应的评价指数数据之后,所述方法还包括:
确定第二时间段,所述第二时间段的开始时间值大于当前时间值;
依据所述目标数据对应的评价指数数据,利用趋势移动平均法,获取所述第二时间段内的预测评价指数数据。
上述方法,优选的,所述指标体系结构的设置包括以下步骤:
确定第一指标层,所述第一指标层中包括多个第一指标项,每个所述第一指标项具有其指标值及指标权重值;
依据所述第一指标层,利用层次分析法,构建指标体系结构,所述指标体系结构中包括第一指标层及多个第二指标层,每个所述第二指标层之间具有其唯一的层顺序,相邻的两个第二指标层之间相关联,其中的一个第二指标层与所述第一指标层相关联,每个所述第二指标层包括多个第二指标项,每个所述第二指标项具有其指标值及指标权重值;
对每个所述第一指标项和所述第二指标项各自的指标值,利用分段函数法进行指数值量化,得到每个所述第一指标项及每个所述第二指标项各自的指标指数。
上述方法,优选的,在所述构建指标体系结构之后,所述方法还包括:
利用权重拟合算法,对指标值为空的指标项所在指标层中,每个指标值非空的指标项的指标权重值进行重新设置。
本申请还提供了一种数据获取装置,包括:
目标提取单元,用于提取目标数据,所述目标数据包括在第一时间段内客户对供电服务进行评价的多个数据项,每个所述数据项具有其数据项标识及数据项内容值,所述第一时间段的结束时间值小于当前时间值;
目标确定单元,用于确定预设指标体系结构中与每个所述数据项的数据项标识相对应的目标指标值及其目标指标指数;
变量值获取单元,用于依据每个所述数据项的数据项内容值及其对应的目标指标值和目标指标指数,获取预设的结构变量模型中多个结构变量的目标变量值;
关系值获取单元,用于依据每个所述目标变量值,获取所述结构变量模型中每两个所述结构变量之间的影响关系值;
变量值修正单元,用于依据每个所述影响关系值,对所述多个结构变量的目标变量值进行修正操作,得到修正后的目标变量值;
评价数据获取单元,用于依据每个所述修正后的目标变量值,获取所述目标数据对应的评价指数数据。
上述装置,优选的,所述关系值获取单元包括:
关系值获取子单元,用于利用偏最小二乘回归分析法,分别对所述结构变量模型中每两个所述结构变量的目标变量值进行计算,得到所述结构变量模型中每两个所述结构变量之间的影响关系值。
上述装置,优选的,还包括:
时间段确定单元,用于在所述评价数据获取单元获取所述目标数据对应的评价指数数据之后,确定第二时间段,所述第二时间段的开始时间值大于当前时间值;
预测数据获取单元,用于依据所述目标数据对应的评价指数数据,利用趋势移动平均法,获取所述第二时间段内的预测评价指数数据。
上述装置,优选的,还包括:
指标体系设置单元,用于设置所述指标体系结构;
其中,所述指标体系设置单元包括:
第一层确定子单元,用于确定第一指标层,所所抵押指标层中包括多个第一指标项,每个所述第一指标项具有其指标值及指标权重值;
结构构件子单元,用于依据所述第一指标层,利用层次分析法,构件指标体系结构,所述指标体系结构中包括第一指标层及多个第二指标层,每个所述第二指标层之间具有其唯一的层顺序,相邻的两个第二指标层之间相关联,其中的一个第二指标层与所述第一指标层相关联,每个所述第二指标层包括多个第二指标项,每个所述第二指标项具有其指标值及指标权重值;
指数量化子单元,用于对每个所述第一指标项和所述第二指标项各自的指标值,利用分段函数法进行指数值量化,得到每个所述第一指标项及每个所述第二指标项各自的指标指数。
上述装置,优选的,所述指标体系设置单元还包括:
权重更新子单元,用于利用权重拟合算法,对指标值为空的指标项所在指标层中,每个指标值非空的指标项的指标权重值进行重新设置。
由上述方案可知,本申请提供的一种数据获取方法及装置,通过提取第一时间段内客户对供电服务的评价数据项之后,利用预先设置的指标体系结构确定每个数据项对应的指标值及指标指数,进而利用数据项的数据项内容值及这些指标值及指标指数,获取预设模型中多个结构变量的目标变量值,在对这些目标变量值利用其各自的影响关系值进行修正之后,利用修正后的目标变量值获取所述目标数据对应的评价指数数据,即为在第一时间段内,客户对供电服务的评价指数(客户综合满意度值)。本申请在获取到预设模型中的结构变量的目标变量值之后,首先利用结构变量之间的影响关系值对这些目标变量值进行修正,之后再通过修正的目标变量值获取客户综合满意度值,减少忽略结构变量之间的影响值带来的误差,以此提高评价指数数据即客户综合满意度值的准确率。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本申请提供的一种数据获取方法实施例一的流程图;
图2为本申请实施例的应用示例图;
图3为本申请提供的一种数据获取方法实施例二的部分流程图;
图4为本申请实施例的另一应用示例图;
图5为本申请提供的一种数据获取方法实施例三的部分流程图;
图6为本申请提供的一种数据获取方法实施例四中的部分流程图;
图7与图8分别为本申请实施例的又一应用示例图;
图9为本申请提供的一种数据获取方法实施例五的部分流程图;
图10为本申请提供的一种数据获取装置实施例六的结构示意图;
图11为本申请提供的一种数据获取装置实施例七的结构示意图;
图12为本申请提供的一种数据获取装置实施例八的部分结构示意图;
图13为本申请提供的一种数据获取装置实施例九的部分结构示意图;
图14为本申请提供的一种数据获取装置实施例十的部分结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
参考图1,为本申请提供的一种数据获取方法实施例一的流程图,其中,所述方法可以包括以下步骤:
步骤101:提取目标数据,所述目标数据包括在第一时间段内客户对供电服务进行评价的多个数据项。
其中,每个所述数据项具有其数据项标识及数据项内容值,所述第一时间段的结束时间值小于当前时间值,也就是说,所述第一时间段为历史时间段,本申请实施例即为对历史时间段中客户对供电服务的评价进行评价指数数据的获取。
需要说明的是,所述目标数据可以在客户数据系统中进行数据抽取得到,而所述客户数据系统中包括有客户对供电服务进行评价的各项数据。
其中,每个所述数据项中的数据项内容值为数字数值实现,例如,客户对供电服务中停电反应时间进行评价对应的数据项标识为:停电反应时间满意度,数据项内容值为:7(0-10之间的数值)。
步骤102:确定预设指标体系结构中与每个所述数据项的数据项标识相对应的目标指标值及其目标指标指数。
其中,所述指标体系结构可以为依据客户对供电服务的评价项目进行设置,例如,所述指标体系结构中的指标项与客户对供电服务进行评价的项目相对应,如供电可靠性(停电频率)的评价项目对应的指标项,指标项对应的指标值可以为评价范围值,如供电可靠性指标值:7,指标指数上下限:0-10。
步骤103:依据每个所述数据项的数据项内容值及其对应的目标指标值和目标指标指数,获取预设的结构变量模型中多个结构变量的目标变量值。
其中,所述结构变量模型可以为供电服务处如国家电网公司所设置的结构变量模型,所述结构变量模型中包括有7个结构变量,如:形象变量、客户期望变量、价值感知变量、质量感知变量、客户满意度变量、客户抱怨变量,每个所述结构变量中可以包括有多个子变量,每个所述结构变量中所有子变量对应的变量值组成该结构变量的目标变量值。如图2中所示的质量感知变量中各个子变量及其各自子变量值。
步骤104:依据每个所述目标变量值,获取所述结构变量模型中每两个所述结构变量之间的影响关系值。
其中,在实际应用中,所述结构变量模型中的结构变量之间具有一定的关联关系,例如,客户满意度变量与客户抱怨变量之间具有影响关系,因此,在所述步骤104中,对每两个所述结构变量之间的影响关系值进行计算获取。
步骤105:依据每个所述影响关系值,对所述多个结构变量的目标变量值进行修正操作,得到修正后的目标变量值。
其中,所述结构变量之间的关联关系会使得在所述步骤103中得到的目标变量值具有误差,因此,在所述步骤104中获取到每两个所述结构变量之间的影响关系之后,在所述步骤105中,依据这些影响关系值,对每个所述目标变量值进行修正,以得到误差较小或为0的目标变量值。
步骤106:依据每个所述修正后的目标变量值,获取所述目标数据对应的评价指数数据。
其中,所述评价指数数据可以为0-100之间的数字数值。
由上述方案可知,本申请提供的一种数据获取方法实施例一,通过提取第一时间段内客户对供电服务的评价数据项之后,利用预先设置的指标体系结构确定每个数据项对应的指标值及指标指数,进而利用数据项的数据项内容值及这些指标值及指标指数,获取预设模型中多个结构变量的目标变量值,在对这些目标变量值利用其各自的影响关系值进行修正之后,利用修正后的目标变量值获取所述目标数据对应的评价指数数据,即为在第一时间段内,客户对供电服务的评价指数(客户综合满意度值)。本申请实施例在获取到预设模型中的结构变量的目标变量值之后,首先利用结构变量之间的影响关系值对这些目标变量值进行修正,之后再通过修正的目标变量值获取客户综合满意度值,减少忽略结构变量之间的影响值带来的误差,以此提高评价指数数据即客户综合满意度值的准确率。
参考图3,为本申请提供的一种数据获取方法实施例二中所述步骤104的流程图,其中,所述步骤104可以通过以下步骤具体实现:
步骤141:利用偏最小二乘回归分析法,分别对所述结构变量模型中每两个所述结构变量的目标变量值进行计算,得到所述结构变量模型中每两个所述结构变量之间的影响关系值。
其中,以下对偏最小二乘回归分析法进行理论说明,偏最小二乘回归分析法采用成分提取的方法。设有q个因变量{y1,L,yq}和p个自变量{x1,L,xp}。为了研究因变量与自变量的统计关系,观测n个样本点,由此构成了自变量与因变量的数据表X=[x1,L,xp]n×p和Y=[y1,L,yq]n×q。偏最小二乘回归分别在X和Y中提取成分t1和u1(也就是说,t1是x1,L,xp的线性组合,u1是y1,L,yq的线性组合)。在提取这两个成分时,为了回归分析的需要,有下列两个要求:
A:t1和u1应尽可能大地携带它们各自数据表中的变异信息;
B:t1和u1的相关程度能够达到最大。
这两个要求表明,t1和u1应尽可能好地代表数据表X和Y,同时自变量的成分t1对因变量的成分u1又有最强的解释能力。
在第一个成分t1和u1被提取后,偏最小二乘回归分别实施X对t1,的回归以及Y对u1的回归。如果回归方程已经达到满意的精度,则算法终止;否则,将利用X被t1,解释后的残余信息以及Y被u1解释后的残余信息进行第二轮的成分提取。若最终对X共提取了m个成分t1,L,tm,偏最小二乘回归将通过实行yk对t1,L,tm的回归,然后再表达成yk关于原变量x1,L,xp的回归方程,k=1,2,L,q。
在本申请实施例中,利用偏最小二乘回归分析法得到所述结构变量模型中每两个所述结构变量之间的影响关系值的实现如下述描述:
首先将数据作标准化处理。X经标准化处理后的数据矩阵记为E0=(E01,L,E0p)n×p,Y经标准化处理后的数据矩阵记为F0=(F01,L,F0q)n×q。
第一步记t1是E0的第一个成分,t1=E0w1,w1是E0的第一个轴,它是一个单位向量,即||w1||=1。
记u1是F0的第一个成分,u1=F0c1,c1是F0的第一个轴,它是一个单位向量,并且||c1||=1。
如果要t1,u1能分别很好地代表X与Y中的数据变异信息,根据主成分分析原理,应该有
Var(t1)→max (1)
Var(u1)→max (2)
另一方面,由于回归建模的需要,又要求t1对u1有最大的解释能力,由典型相关分析的思路,t1与u1的相关度应达到最大值,即
r(t1,u1)→max (3)
因此,综合起来,在偏最小二乘回归中,我们要求t1与u1的协方差达到最大,即
求解上述优化问题,采用拉格朗日算法。
求得轴w,和c,后,即可得到成分
t1=E0w1 (5)
u1=F0c1 (6)
w1和c1分别是矩阵E0′F0F0′E0和F0′E0E0′F0的最大特征值所对应的特征向量。
然后,分别求E0和F0对t1,u1的三个回归方程
E0=t1p1′+E1 (7)
F0=u1q1′+F1′ (8)
F0=t1r1′+F1 (9)
式中,p1,q1,r1分别是回归系数向量
而E1,F1′,F1分别是三个回归方程的残差矩阵。
第二步用残差矩阵E1和F1取代E0和F0,然后,求第二个轴w2和c2以及第二个成分t2,u2,有
t2=E1w2 (13)
w2和c2分别是矩阵E1′F1F1′E1和F1′E1E1′F1的最大特征值所对应的特征向量。
再计算回归系数向量
从而得到两个回归方程
E1=t2p2′+E2 (16)
F1=t2r2′+F2 (17)
如此计算下去,在根据交叉有效性确定提取成分的个数m,就可以得到最终的回归方程
F0=t1r1′+L+tkrk′+Fk,k=1,2,L,m (18)
如图4中,由两个模型组成:一个是结构模型,另一个是测量模型。模型中各变量之间的关系可用下面三个矩阵方程式来表示,即
η=Bη+Γξ+ζ
y=Λyη+ε
x=Λxξ+δ
结构模型具体可以表示成如下的方程组:
上式中:ξ,η1,η2,η3,η4,η5,η6,ζi依次为形象,客户期望,客户对质量的感知,客户对价值的感知,客户满意,客户抱怨,客户忠诚,模型的误差βij表示ηj对ηi的系数,即作为因变量的ηj对作为效应变量ηi的直接影响程度;γi表示ξ对ηi的系数,即作为外生变量的ξ对作为效应的变量ηi的直接影响程度。
由上述说明中可推演出本申请实施例中利用偏最小二乘回归分析法得到所述结构变量模型中每两个所述结构变量之间的影响关系值的实现步骤及其对应的接口方法、输入值及输出值分别为:
步骤1:接口输入参数有效性检查;
步骤2:计算观测变量平均值及回归系数;
步骤3:计算潜变量;
步骤4:计算结构变量指数(10分制转成100分制);
步骤5:进行一元线性回归、多元线性回归。
之后,在所述步骤105中根据影响因素(影响关系值)重新计算结构变量,即为利用每个所述影响关系值修正每个所述目标变量值。
接口方法:
public Object[] calcPartialMinTwoReturnAnalyse(int[][] tabArr,int[][] swatchArr) throws Exception;
输入值:
tabArr:样本标号归组二维数据,tabArr[0]存放形象标号,tabArr[1]存放客户期望标号,tabArr[2]存放客户对质量的感知标号,tabArr[3]存放客户对价值的感知标号,tabArr[4]存放客户满意标号,tabArr[5]存放客户抱怨标号,tabArr[6][]表客户忠诚标号归组;
swatchArr:二维样本数据;
输出值:
如果计算无异常,则返回Object[]数组对象,Object[0]返回结构变量分值一维数据(形象、客户期望等7个结构变量);Object[1]返回6个因变量相互影响程度二维数据;Object[2]返回1个自变量对因变量的影响程度一维数据;Object[3]返回观测变量的分值(一维数据);Object[4]返回每个观测变量对结构变量的影响程度二维数据;否则抛出异常。
例如,供电服务品质评价系统所构建的评价体系中,外部调查客户满意度评价模型内,各模型变量之间有相关影响因素,通过偏最小二乘回归分析法构建模型变量与客户满意度的组合回归方程,通过计算,可以精确考量七个结构变量形象、客户期望、价值感知、质量感知、客户满意度、客户抱怨、客户忠诚的影响关系,并准确计算出外部调查客户的满意度。
参考图5,为本申请提供的一种数据获取方法实施例三的部分流程图,其中,在所述步骤106之后,所述方法还可以包括以下步骤:
步骤107:确定第二时间段,所述第二时间段的开始时间值大于当前时间值。
其中,所述第二时间段即为将来某一时刻的时间段,例如,当前时间值的第二年中与所述第一时间段同期的时间段。
步骤108:依据所述目标数据对应的评价指数数据,利用趋势移动平均法,获取所述第二时间段内的预测评价指数数据。
在本申请实施例中,利用所述趋势平均法获取所述第二时间段内的预测评价指数数据的实现如下述描述:
设一次移动平均数为则二次移动平均数的计算公式为:
再设时间序列y1,y2,…,yt…从某时期开始具有直线趋势,且认为未来时期亦按此直线趋势变化,则可设此直线趋势预测模型为:
式中t为当前时期数;T为由当前时期数t到预测期的时期数,即t以后模型外推的时间;为第t+T期的预测值;at为截距;bt为斜率。at,bt又称为平滑系数。
根据移动平均值可得截距at和斜率bt的计算公式为:
由上述说明中可推演出利用所述趋势平均法获取所述第二时间段内的预测评价指数数据的实现步骤及其对应的接口方法、输入值及输出值分别为:
步骤1:检查:各周期数值集合数必须大于等于移动平均的项数;
步骤2:计算一次移动平均;
步骤3:计算二次移动平均;
步骤4:计算截距a=2*M(t1)-M(t2);
步骤5:计算斜率b=2*(M(t1)-M(t2))/(N-1);
步骤6:计算预测值y(t+T)=a+b*T。
接口方法:
public Double calcTrendMoveAverageMethod(List<Double>valueLst,intipreCount,int itemCount) throws Exception;
输入值:
valueLst:为有序的各周期数值集合;
ipreCount:为由当前时期数到预测期的时期数;
itemCount:为移动平均的项数;
输出值:
如果计算无异常,则返回一个Double类型的预测值,否则抛出异常编码。
由上述对所述趋势移动平均法的描述中可知,所述步骤108中获取到的预测评价指数数据表明按照当供电服务的水平为客户供电时所述第二时间段内客户对供电服务的客户综合满意度,在后续中,对这一预测评价指数数据进行判断,若该预测评价指数数据满足高水平服务的指数数据范围时,则无需调整当前供电服务水平,否则,需要调整当前供电服务水平,以使得所述第二时间段内的评价指数数据可以变动至高水平服务的指数数据范围内。
需要说明的是,当时间序列没有明显的趋势变动时,使用一次移动平均就能够准确地反映实际情况,直接用第t周期的一次移动平均数就可预测第t+1周期之值。但当时间序列出现线性变动趋势时,通过在一次移动平均的基础上再做二次移动平均,利用移动平均滞后偏差的规律建立直线趋势的预测模型,然后就可以准确预测t+1周期之值。
例如,供电服务品质评价指标的评价指数具有明显的周期性,其变化规律符合趋势移动平均法的使用条件,通过趋势移动平均法算法的开发,可以准确预测下一周期的指标评价指数结果,为供电服务品质的准确预测、预警管理提供了科学的基础。
参考图6,为本申请提供的一种数据获取方法实施例四中的部分流程图,其中,所述指标体系结构的设置为预先完成,而所述指标体系结构的设置过程可以为以下步骤实现:
步骤601:确定第一指标层,所述第一指标层中包括多个第一指标项,每个所述第一指标项具有其指标值及指标权重值。
需要说明的是,所述第一指标层即为指标体系结构中的最底层指标层,为保证指标体系结构的准确性,所述第一指标层中的每个第一指标项可以由用户预先设置之后,再由本申请实施例对这些第一指标项进行确定,以得到第一指标层。
步骤602:依据所述第一指标层,利用层次分析法,构建指标体系结构。
其中,所述指标体系结构中包括第一指标层及多个第二指标层,每个所述第二指标层之间具有其唯一的层顺序,相邻的两个第二指标层之间相关联,其中的一个第二指标层与所述第一指标层相关联,每个所述第二指标层包括多个第二指标项,每个所述第二指标项具有其指标值及指标权重值。
如图7中所示,所述指标体系结构为倒三角形或倒金字塔形,也就是说,与所述第一指标层A相邻的第二指标层B中的每个第二指标项基于其所属第一指标项建立,第二指标层C中的每个所述第二指标项基于其所属第二指标层B中第二指标项建立,以此类推,实现指标体系结构的构建。
在本申请实施例中,利用所述层次分析法构建指标体系结构的实现如下述描述:
采用绝对重要、十分重要、比较重要、稍微重要、同样重要作为确定判断定量值的依据,在这个依据上,设定对Ai与Aj两个因素进行重要度比较时,比较尺度aij的含义如表1所示;对于n个因素x1,x2,Λ,xn,利用两两比较法进行因素间重要程度的比较结果如表12所示;得到比较矩阵A:
其中:aii=1,aij=1/aji
表1 比较尺度aij的含义
尺度aij | 含义 |
1 | 两个因素Ai与Aj对上层(总目标)的影响(重要性)相同 |
3 | Ai比Aj的影响稍大 |
5 | Ai比Aj的影响大 |
7 | Ai比Aj的影响明显的大 |
9 | Ai比Aj的影响绝对的大(极大) |
2,4,6,8 | Ai与Aj的影响在上述相邻等级之间 |
1,1/2,Λ,1/9 | Ai比Aj的影响之比为aij的相反数 |
表1 两两比较结果
x1 | x2 | … | xn | |
x1 | a11 | a12 | … | a1n |
x2 | a21 | a22 | … | a2n |
Μ | Μ | Μ | Μ | Μ |
xn | an1 | an2 | … | ann |
假设在矩阵A中做两两比较时,令wi为第i个指标的重要程度,wj为第j个指标的重要程度,aij为第i个指标相对于第j个指标的重要程度比较值,即:
根据该矩阵可以用一定的方法求出权向量的值,通常有和法、根法、特征根法和最小平方法等,这里主要介绍特征根法。
特征根法:
令各组成元素对目标的特征向量为
W=(w1,w2,Λ,wn)T (20)
如果有且矩阵A满足
则A成为一致性矩阵,简称一致阵。
n阶一致性矩阵A具有下列性质:
(1)A的秩为1,A的唯一非零特征根为n。
(2)A的任一列(行)向量都是对用特征根n的特征向量。
如果得到的成对比较判断矩阵是一致阵,则对应于特征根n并归一的特征向量表示各因素对目标(或上层因素)的权重,该向量称为权向量。
如果两两对比所得的判断矩阵A不是一致阵,但在不一致的允许范围内,则对应于A的最大特征根λmac的特征向量(归一化后)作为权向量W。即W满足
AW=λmaxW (22)
其中W的分量(w1,w2,Λ,wn)就是对应于n个因素的权重系数。
由上述说明中可推演出利用所述层次分析法构建指标体系结构的实现步骤及其对应的接口方法、输入值及输出值分别为:
步骤1:接口输入参数有效性检查;
步骤2:计算矩阵权重;
步骤3:矩阵数据按行相乘;
步骤4:矩阵数据开n次方;
步骤5:校验矩阵一致性。
接口方法:
public Double[] calcIndexPowerWeightMethod(Double[][] matrixArr)throws Exception;
输入值:
matrixArr:矩阵二维数组;
输出值:
如果矩阵符合满意一致性,返回权重一维数组;如果不符合,则抛出异常。
例如,供电服务品质评价指标体系由内部指标和外部指标两大体系构成。指标体系建构通过应用层次分析法(AHP),从目标层的综合评价指数出发,自顶向下逐级分解成准则层和子准则层,再落实到对象层,即具体指标,形成科学的评价指标体系。
步骤603:对每个所述第一指标项和所述第二指标项各自的指标值,利用分段函数法进行指数值量化,得到每个所述第一指标项及每个所述第二指标项各自的指标指数。
例如,在本申请实施例中,利用分段函数法得到每个所述第一指标项及每个所述第二指标项各自的指标指数的实现如下述描述:
达到指标阈值B得b分,超过阈值B的单位中指标最高值x1得a分,低于阈值B的单位中指标最低值x2得c分,若指标x在B和x1之间,得分为b+(x-B)/(x1-B)*(A-b);若指标x在x2和B之间,则得分为b+(x-B)/(X2-B)*(c-b)。指标参数包括:a,b,c,x1,x2。
以故障抢修到场时限达标率为例,首先确定故障抢修到场时限达标率的评价标准分段分界点为100分、80分、60分、0分,其中若故障抢修到场时限达标率100%,则得分为100,90%得分为80,85%得分为60,80%得分为0。建立故障抢修到场时限达标率分段函数为:
由此分段函数,得出函数图形如图8中所示。
由图8得知,假设故障抢修到场时限达标率为94%,将x=94%代入此分段函数,得出映射的分值为F(x)=88,即故障抢修到场时限达标率的实际得分为88分,后续即以此得分进行综合指数的加权运算。
由上述说明中可推演出利用分段函数法得到每个所述第一指标项及每个所述第二指标项各自的指标指数的实现步骤及其对应的接口方法、输入值及输出值分别为:
步骤1:循环指标值分段上下限集合,取得interval_ll、interval_ul属性值;
步骤2:循环指标指数分段上下限集合,取得low_score、top_score属性;
步骤3:根据理论公式,分别计算斜率和截距。
接口方法:
public List<Map<String,Double>>calcSubSectionFuncMethod(List<Map<String,Double>>percentLst,List<Map<String,Double>>markLst)throws Exception;
输入值:
percentLst指标值分段上下限集合,包含interval_ll、interval_ul属性;
markLst指标指数分段上下限集合,包含low_score、top_score属性;
输出值:
如果计算无异常,则返回各分段的截距、斜率集合,包括intercept、slope两个属性,否则抛出异常。
例如,供电服务品质评价指标的标准值均有相应的质量标准及工作标准规范,基于这些规范就可以分段建立评价指标的评价指标值函数,通过设定评价指标的服务标准分界点及对应的评分,构建该指标的分段函数,将指标的评价结果通过函数映射关系转化成一个0—100的可量化的评分值。
上述实施例中,所述指标体系结构中指标项的指标值可能为空,而该指标项所在的指标层中每个指标项的指标权重值为根据所有指标项进行设置分配,在该指标项的指标值为空时,该指标项对应的指标权重值没有任何意义,同时会使得后续计算中出现误差,由此本申请需要对指标值为空的指标项及其指标权重值进行处理。参考图9,为本申请提供的一种数据获取方法实施例五的部分流程图,其中,在所述步骤603之后,所述方法还可以包括:
步骤604:利用权重拟合算法,对指标值为空的指标项所在指标层中,每个指标值非空的指标项的指标权重值进行重新设置。
例如,所述步骤604中具体为:在根据下级指标指数、权重值计算上级指标指数时,如果某个下级指标无数据,则通过输入所有下级指标的指标标识、指标值、权重值等信息,调用权重拟合算法,计算返回所有下级指标相对于上级指标的新的拟合权重值。
由上述说明中可推演出利用权重拟合算法对指标值为空的指标项所在指标层中每个指标值非空的指标项的指标权重值进行重新设置的实现步骤及其对应的接口方法、输入值及输出值分别为:
步骤1:汇总原权重值;
步骤2:重新权重拟合。
接口方法:
Public List<IndexWeight> calcDraftWeightValue(List<IndexWeight>indexLst)throws Exception;
输入值:
indexLst:指标VO集合,VO需有权重、指标值等属性
输出值:
如果计算无异常,则返回List类型的所有下级指标的指标标识、权重值、拟合权重值,否则抛出异常。
例如,在供电服务的评价应用中,供电服务品质评价系统所构建的评价体系,部分指标是以日频度进行统计,部分指标是以月频度进行统计,当按日进行汇总计算时,以月频度统计的指标是没有值的,通过权重拟合法,将没有统计数据的指标的同级指标的权重值进行再分配,形成新的体系,确保最终计算的上级指标权重为1,避免无统计数据的指标权重丢失。
参考图10,为本申请提供的一种数据获取装置实施例六的结构示意图,其中,所述装置可以包括以下结构:
目标提取单元1001,用于提取目标数据。
其中,所述目标数据包括在第一时间段内客户对供电服务进行评价的多个数据项,每个所述数据项具有其数据项标识及数据项内容值,所述第一时间段的结束时间值小于当前时间值,也就是说,所述第一时间段为历史时间段,本申请实施例即为对历史时间段中客户对供电服务的评价进行评价指数数据的获取。
需要说明的是,所述目标数据可以在客户数据系统中进行数据抽取得到,而所述客户数据系统中包括有客户对供电服务进行评价的各项数据。
其中,每个所述数据项中的数据项内容值为数字数值实现,例如,客户对供电服务中停电反应时间进行评价对应的数据项标识为:停电反应时间满意度,数据项内容值为:7(0-10之间的数值)。
目标确定单元1002,用于确定预设指标体系结构中与每个所述数据项的数据项标识相对应的目标指标值及其目标指标指数。
其中,所述指标体系结构可以为依据客户对供电服务的评价项目进行设置,例如,所述指标体系结构中的指标项与客户对供电服务进行评价的项目相对应,如供电可靠性(停电频率)的评价项目对应的指标项,指标项对应的指标值可以为评价范围值,如供电可靠性指标值:7,指标指数上下限:0-10。
变量值获取单元1003,用于依据每个所述数据项的数据项内容值及其对应的目标指标值和目标指标指数,获取预设的结构变量模型中多个结构变量的目标变量值。
其中,所述结构变量模型可以为供电服务处如国家电网公司所设置的结构变量模型,所述结构变量模型中包括有7个结构变量,如:形象变量、客户期望变量、价值感知变量、质量感知变量、客户满意度变量、客户抱怨变量,每个所述结构变量中可以包括有多个子变量,每个所述结构变量中所有子变量对应的变量值组成该结构变量的目标变量值。如图2中所示的质量感知变量中各个子变量及其各自子变量值。
关系值获取单元1004,用于依据每个所述目标变量值,获取所述结构变量模型中每两个所述结构变量之间的影响关系值。
其中,在实际应用中,所述结构变量模型中的结构变量之间具有一定的关联关系,例如,客户满意度变量与客户抱怨变量之间具有影响关系,因此,在所述关系值获取单元1004中,对每两个所述结构变量之间的影响关系值进行计算获取。
变量值修正单元1005,用于依据每个所述影响关系值,对所述多个结构变量的目标变量值进行修正操作,得到修正后的目标变量值。
其中,所述结构变量之间的关联关系会使得在所述步骤103中得到的目标变量值具有误差,因此,在所述关系值获取单元1004中获取到每两个所述结构变量之间的影响关系之后,在所述变量值修正单元1005中,依据这些影响关系值,对每个所述目标变量值进行修正,以得到误差较小或为0的目标变量值。
评价数据获取单元1006,用于依据每个所述修正后的目标变量值,获取所述目标数据对应的评价指数数据。
其中,所述评价指数数据可以为0-100之间的数字数值。
由上述方案可知,本申请提供的一种数据获取装置实施例六,通过提取第一时间段内客户对供电服务的评价数据项之后,利用预先设置的指标体系结构确定每个数据项对应的指标值及指标指数,进而利用数据项的数据项内容值及这些指标值及指标指数,获取预设模型中多个结构变量的目标变量值,在对这些目标变量值利用其各自的影响关系值进行修正之后,利用修正后的目标变量值获取所述目标数据对应的评价指数数据,即为在第一时间段内,客户对供电服务的评价指数(客户综合满意度值)。本申请实施例在获取到预设模型中的结构变量的目标变量值之后,首先利用结构变量之间的影响关系值对这些目标变量值进行修正,之后再通过修正的目标变量值获取客户综合满意度值,减少忽略结构变量之间的影响值带来的误差,以此提高评价指数数据即客户综合满意度值的准确率。
参考图11,为本申请提供的一种数据获取装置实施例七的结构示意图,其中,所述关系值获取单元1004可以包括以下结构:
关系值获取子单元1041,用于利用偏最小二乘回归分析法,分别对所述结构变量模型中每两个所述结构变量的目标变量值进行计算,得到所述结构变量模型中每两个所述结构变量之间的影响关系值。
其中,所述关系值获取子单元1041的具体实现方式可以参考本申请的前述实施例二中所述步骤141的实现过程,在此不再详细描述。
参考图12,为本申请提供的一种数据获取装置实施例八的部分结构示意图,其中,所述装置还可以包括以下结构:
时间段确定单元1007,用于在所述评价数据获取单元1006获取所述目标数据对应的评价指数数据之后,确定第二时间段,所述第二时间段的开始时间值大于当前时间值。
其中,所述第二时间段即为将来某一时刻的时间段,例如,当前时间值的第二年中与所述第一时间段同期的时间段。
预测数据获取单元1008,用于依据所述目标数据对应的评价指数数据,利用趋势移动平均法,获取所述第二时间段内的预测评价指数数据。
其中,所述预测数据获取单元1008的具体实现方式可以参考本申请的前述实施例三中所述步骤108的实现过程,在此不再详细描述。
参考图13,为本申请提供的一种数据获取装置实施例九的部分结构示意图,其中,所述指标体系结构的设置为预先完成,由此,所述装置还可以包括以下结构:
指标体系设置单元1009,用于设置所述指标体系结构。
其中,所述指标体系设置单元1009可以包括:
第一层确定子单元1091,用于确定第一指标层,所所抵押指标层中包括多个第一指标项,每个所述第一指标项具有其指标值及指标权重值。
需要说明的是,所述第一指标层即为指标体系结构中的最底层指标层,为保证指标体系结构的准确性,所述第一指标层中的每个第一指标项可以由用户预先设置之后,再由本申请实施例对这些第一指标项进行确定,以得到第一指标层。
结构构件子单元1092,用于依据所述第一指标层,利用层次分析法,构件指标体系结构。
其中,所述指标体系结构中包括第一指标层及多个第二指标层,每个所述第二指标层之间具有其唯一的层顺序,相邻的两个第二指标层之间相关联,其中的一个第二指标层与所述第一指标层相关联,每个所述第二指标层包括多个第二指标项,每个所述第二指标项具有其指标值及指标权重值。
如图7中所示,所述指标体系结构为倒三角形或倒金字塔形,也就是说,与所述第一指标层A相邻的第二指标层B中的每个第二指标项基于其所属第一指标项建立,第二指标层C中的每个所述第二指标项基于其所属第二指标层B中第二指标项建立,以此类推,实现指标体系结构的构建。
需要说明的是,所述结构构件子单元1092的具体实现方式可以参考本申请的前述实施例四中所述步骤602的实现过程,在此不再详细描述。
指数量化子单元1093,用于对每个所述第一指标项和所述第二指标项各自的指标值,利用分段函数法进行指数值量化,得到每个所述第一指标项及每个所述第二指标项各自的指标指数。
需要说明的是,所述指数量化子单元1093的具体实现方式可以参考本申请的前述实施例四中所述步骤603的实现过程,在此不再详细描述
上述实施例中,所述指标体系结构中指标项的指标值可能为空,而该指标项所在的指标层中每个指标项的指标权重值为根据所有指标项进行设置分配,在该指标项的指标值为空时,该指标项对应的指标权重值没有任何意义,同时会使得后续计算中出现误差,由此本申请需要对指标值为空的指标项及其指标权重值进行处理。参考图14,为本申请提供的一种数据获取装置实施例十的部分结构示意图,其中,所述指标体系设置单元1009还可以包括:
权重更新子单元1094,用于利用权重拟合算法,对指标值为空的指标项所在指标层中,每个指标值非空的指标项的指标权重值进行重新设置。
需要说明的是,所述权重更新子单元1094的具体实现方式可以参考本申请的前述实施例五中所述步骤604的实现过程,在此不再详细描述
需要说明的是,本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上对本申请所提供的一种数据获取方法及装置进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (2)
1.一种数据获取方法,其特征在于,所述方法包括:
提取目标数据,所述目标数据包括在第一时间段内客户对供电服务进行评价的多个数据项,每个所述数据项具有其数据项标识及数据项内容值,所述第一时间段的结束时间值小于当前时间值;
确定预设指标体系结构中与每个所述数据项的数据项标识相对应的目标指标值及其目标指标指数;
依据每个所述数据项的数据项内容值及其对应的目标指标值和目标指标指数,获取预设的结构变量模型中多个结构变量的目标变量值;
依据每个所述目标变量值,获取所述结构变量模型中每两个所述结构变量之间的影响关系值;
依据每个所述影响关系值,对所述多个结构变量的目标变量值进行修正操作,得到修正后的目标变量值;
依据每个所述修正后的目标变量值,获取所述目标数据对应的评价指数数据;
获取所述结构变量模型中每两个所述结构变量之间的影响关系值,包括:
利用偏最小二乘回归分析法,分别对所述结构变量模型中每两个所述结构变量的目标变量值进行计算,得到所述结构变量模型中每两个所述结构变量之间的影响关系值;
在所述依据每个所述修正后的目标变量值,获取所述目标数据对应的评价指数数据之后,所述方法还包括:
确定第二时间段,所述第二时间段的开始时间值大于当前时间值;
依据所述目标数据对应的评价指数数据,利用趋势移动平均法,获取所述第二时间段内的预测评价指数数据;所述获取到的预测评价指数数据表明按照当供电服务的水平为客户供电时所述第二时间段内客户对供电服务的客户综合满意度,在后续中,对这一预测评价指数数据进行判断,若该预测评价指数数据满足高水平服务的指数数据范围时,则无需调整当前供电服务水平,否则,需要调整当前供电服务水平,以使得所述第二时间段内的评价指数数据可以变动至高水平服务的指数数据范围内;
所述指标体系结构的设置包括以下步骤:
确定第一指标层,所述第一指标层中包括多个第一指标项,每个所述第一指标项具有其指标值及指标权重值;
依据所述第一指标层,利用层次分析法,构建指标体系结构,所述指标体系结构中包括第一指标层及多个第二指标层,每个所述第二指标层之间具有其唯一的层顺序,相邻的两个第二指标层之间相关联,其中的一个第二指标层与所述第一指标层相关联,每个所述第二指标层包括多个第二指标项,每个所述第二指标项具有其指标值及指标权重值;
对每个所述第一指标项和所述第二指标项各自的指标值,利用分段函数法进行指数值量化,得到每个所述第一指标项及每个所述第二指标项各自的指标指数;
在所述构建指标体系结构之后,所述方法还包括:
利用权重拟合算法,对指标值为空的指标项所在指标层中,每个指标值非空的指标项的指标权重值进行重新设置;
利用偏最小二乘回归分析法得到所述结构变量模型中每两个所述结构变量之间的影响关系值的实现步骤:
步骤1:接口输入参数有效性检查;
步骤2:计算观测变量平均值及回归系数;
步骤3:计算潜变量;
步骤4:计算结构变量指数;
步骤5:进行一元线性回归、多元线性回归。
2.一种数据获取装置,其特征在于,包括:
目标提取单元,用于提取目标数据,所述目标数据包括在第一时间段内客户对供电服务进行评价的多个数据项,每个所述数据项具有其数据项标识及数据项内容值,所述第一时间段的结束时间值小于当前时间值;
目标确定单元,用于确定预设指标体系结构中与每个所述数据项的数据项标识相对应的目标指标值及其目标指标指数;
变量值获取单元,用于依据每个所述数据项的数据项内容值及其对应的目标指标值和目标指标指数,获取预设的结构变量模型中多个结构变量的目标变量值;
关系值获取单元,用于依据每个所述目标变量值,获取所述结构变量模型中每两个所述结构变量之间的影响关系值;
变量值修正单元,用于依据每个所述影响关系值,对所述多个结构变量的目标变量值进行修正操作,得到修正后的目标变量值;
评价数据获取单元,用于依据每个所述修正后的目标变量值,获取所述目标数据对应的评价指数数据;所述获取到的预测评价指数数据表明按照当供电服务的水平为客户供电时所述第二时间段内客户对供电服务的客户综合满意度,在后续中,对这一预测评价指数数据进行判断,若该预测评价指数数据满足高水平服务的指数数据范围时,则无需调整当前供电服务水平,否则,需要调整当前供电服务水平,以使得所述第二时间段内的评价指数数据可以变动至高水平服务的指数数据范围内;
所述关系值获取单元包括:
关系值获取子单元,用于利用偏最小二乘回归分析法,分别对所述结构变量模型中每两个所述结构变量的目标变量值进行计算,得到所述结构变量模型中每两个所述结构变量之间的影响关系值;
还包括:
时间段确定单元,用于在所述评价数据获取单元获取所述目标数据对应的评价指数数据之后,确定第二时间段,所述第二时间段的开始时间值大于当前时间值;
预测数据获取单元,用于依据所述目标数据对应的评价指数数据,利用趋势移动平均法,获取所述第二时间段内的预测评价指数数据;
还包括:
指标体系设置单元,用于设置所述指标体系结构;
其中,所述指标体系设置单元包括:
第一层确定子单元,用于确定第一指标层,所所抵押指标层中包括多个第一指标项,每个所述第一指标项具有其指标值及指标权重值;
结构构件子单元,用于依据所述第一指标层,利用层次分析法,构件指标体系结构,所述指标体系结构中包括第一指标层及多个第二指标层,每个所述第二指标层之间具有其唯一的层顺序,相邻的两个第二指标层之间相关联,其中的一个第二指标层与所述第一指标层相关联,每个所述第二指标层包括多个第二指标项,每个所述第二指标项具有其指标值及指标权重值;
指数量化子单元,用于对每个所述第一指标项和所述第二指标项各自的指标值,利用分段函数法进行指数值量化,得到每个所述第一指标项及每个所述第二指标项各自的指标指数;
所述指标体系设置单元还包括:
权重更新子单元,用于利用权重拟合算法,对指标值为空的指标项所在指标层中,每个指标值非空的指标项的指标权重值进行重新设置;
利用偏最小二乘回归分析法得到所述结构变量模型中每两个所述结构变量之间的影响关系值的实现步骤:
步骤1:接口输入参数有效性检查;
步骤2:计算观测变量平均值及回归系数;
步骤3:计算潜变量;
步骤4:计算结构变量指数;
步骤5:进行一元线性回归、多元线性回归。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410114345.XA CN104008493B (zh) | 2014-03-25 | 2014-03-25 | 一种数据获取方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410114345.XA CN104008493B (zh) | 2014-03-25 | 2014-03-25 | 一种数据获取方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104008493A CN104008493A (zh) | 2014-08-27 |
CN104008493B true CN104008493B (zh) | 2017-09-26 |
Family
ID=51369139
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410114345.XA Active CN104008493B (zh) | 2014-03-25 | 2014-03-25 | 一种数据获取方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104008493B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106611097A (zh) * | 2015-10-16 | 2017-05-03 | 中国传媒大学 | 一种基于最小平方法的节目评价系统及方法 |
CN105550511B (zh) * | 2015-12-11 | 2018-02-09 | 北京锐软科技股份有限公司 | 一种基于数据校验技术的数据质量测评系统及方法 |
JP6662310B2 (ja) * | 2017-01-11 | 2020-03-11 | 横河電機株式会社 | データ処理装置、データ処理方法及びプログラム |
CN108121772B (zh) * | 2017-12-05 | 2021-02-26 | 浙江工业大学 | 一种基于工具变量法的社交网络用户好友影响力度量方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103002165A (zh) * | 2012-11-21 | 2013-03-27 | 江苏省电力公司电力科学研究院 | 用于供电服务中心短期话务量预测方法 |
-
2014
- 2014-03-25 CN CN201410114345.XA patent/CN104008493B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103002165A (zh) * | 2012-11-21 | 2013-03-27 | 江苏省电力公司电力科学研究院 | 用于供电服务中心短期话务量预测方法 |
Non-Patent Citations (2)
Title |
---|
"供电服务质量综合评价体系及其软件系统设计";曾鸣 等;《电网技术》;20071231;第31卷;第182页,图2 * |
"供电服务质量综合评价理论与实证研究";周文瑜;《中国博士学位论文全文数据库经济与管理科学辑》;20091115;第31-34页 * |
Also Published As
Publication number | Publication date |
---|---|
CN104008493A (zh) | 2014-08-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104008493B (zh) | 一种数据获取方法及装置 | |
Garcia-Melon et al. | Farmland appraisal based on the analytic network process | |
CN101480143B (zh) | 一种预测灌区作物单产量的方法 | |
CN103514491A (zh) | 一种电力负荷预测方法 | |
CN104794361A (zh) | 一种水驱油藏开发效果综合评价方法 | |
CN106921158B (zh) | 一种基于配电变压器时间序列的历史采集数据的需要系数分析方法 | |
Liu et al. | A two-stage method of quantitative flood risk analysis for reservoir real-time operation using ensemble-based hydrologic forecasts | |
CN104077493B (zh) | 一种电力继电保护系统状态评估指标体系的构建方法 | |
CN105956779A (zh) | 电力变压器运行状态评估方法和装置 | |
CN110598854A (zh) | 一种基于gru模型的台区线损率预测方法 | |
CN107423839A (zh) | 一种基于深度学习的智能楼宇微网负荷预测的方法 | |
CN106251008A (zh) | 一种基于组合权重相似日选取的光伏功率预测方法 | |
CN104376434B (zh) | 卷烟多点加工质量的综合评价方法 | |
CN104537432B (zh) | 基于证据推理的电力系统多目标优化调度的决策方法 | |
CN103530700B (zh) | 城区配电网饱和负荷综合预测方法 | |
CN108446810A (zh) | 一种公路od数据重构方法 | |
CN109523101A (zh) | 一种配电网运行状态模糊综合评价方法 | |
CN106612511A (zh) | 一种基于支持向量机的无线网络吞吐量的评估方法及装置 | |
CN110490409A (zh) | 一种基于dnn的低压台区线损率标杆值设定方法 | |
Chen et al. | Combining fuzzy iteration model with dynamic programming to solve multiobjective multistage decision making problems | |
Wang et al. | Discussion on the prediction of engineering cost based on improved BP neural network algorithm | |
CN104112204A (zh) | 供电品质高效运行的评价方法 | |
CN106296434A (zh) | 一种基于pso‑lssvm算法的粮食产量预测方法 | |
CN103886391B (zh) | 业务量预测方法和装置 | |
CN109491709B (zh) | 一种基于ahp与神经网络的软件代码可控度综合评价方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |