CN106203886A - 一种基于电力营销服务热点的营销业务服务风险评估方法 - Google Patents
一种基于电力营销服务热点的营销业务服务风险评估方法 Download PDFInfo
- Publication number
- CN106203886A CN106203886A CN201610592514.XA CN201610592514A CN106203886A CN 106203886 A CN106203886 A CN 106203886A CN 201610592514 A CN201610592514 A CN 201610592514A CN 106203886 A CN106203886 A CN 106203886A
- Authority
- CN
- China
- Prior art keywords
- service
- sales
- hot spot
- sales service
- risk
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000012502 risk assessment Methods 0.000 title claims abstract description 15
- 230000001186 cumulative effect Effects 0.000 claims description 17
- 238000002790 cross-validation Methods 0.000 claims description 7
- 238000007619 statistical method Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 3
- 238000004445 quantitative analysis Methods 0.000 abstract description 3
- 238000005728 strengthening Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 8
- 230000008859 change Effects 0.000 description 6
- 230000005611 electricity Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000005612 types of electricity Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- General Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于电力营销服务热点的营销业务服务风险评估方法,本发明通过分析服务热点与营销业务之间在时间上和数量上的关联关系,利用营销业务产生的服务热点的服务风险指数以及营销业务的服务风险指数,实现了对营销业务服务风险的定量分析,为强化营销业务服务风险管控提供了方向。
Description
技术领域
本发明涉及一种基于电力营销服务热点的营销业务服务风险评估方法,属于电力技术领域。
背景技术
电力营销业务是以电力客户需求为中心,使电力客户能够使用可靠的电力商品,并得到满意服务的工作。营销业务引发的客户用电问题,给客户带来了不良感知,可能导致客户不满意,这些可能出现的状况即为营销业务服务风险。传统的电力营销业务服务风险研究主要从供电企业内部变革组织机构、设置管理制度体系等方面进行探索研究,未结合客户反馈考虑营销业务的服务风险,也未对营销业务的服务风险进行定量评估。
95598工单(简称“工单”)是客户对营销业务质量的反馈,尽管同一企业活动导致的同一诉求的工单可能分布在不同的工单类型中,一张工单只能反映某一项活动中的部分问题,且客户对营销活动的反馈需要一段时间才能体现出来,导致供电企业管理者很难发现服务中的热点问题(简称“服务热点”,即用电客户集中反映的一种或多种类型的用电相关问题),也无法分析营销业务的服务风险。
常见的文本分类方法主要有决策树分类法、基于支持向量机方法(SVM法)、朴素的贝叶斯分类法、K-最近邻法(KNN)、神经网络法等,其中将文本信息转化为可计算的数值信息的方法是向量空间模型,效果最好的为支持向量机方法,建立特征向量的最常用方法是TF-IDF以及改进TF-IDF方法。上述方法可针对预定义的服务热点,分类出营销业务导致的属于该热点的95598工单。
目前,大多数预测方法仅将时间作为自变量,对结果进行预测,而统计时间之后的服务热点工单数不仅与时间相关,还与前期已产生的工单数相关。
发明内容
为了解决上述技术问题,本发明提供了一种基于电力营销服务热点的营销业务服务风险评估方法。
为了达到上述目的,本发明所采用的技术方案是:
一种基于电力营销服务热点的营销业务服务风险评估方法,包括以下步骤:
步骤1,确定营销业务N以及营销业务N产生的服务热点ni={n1、n2、…、nn,i为整数,i∈[1,n]};其中,ni为第i个服务热点;
步骤2,基于服务热点在95598工单中的关键词对95598工单进行分类,获取各服务热点对应的95598工单;
步骤3,分析各服务热点对应的95598工单的产生时间与营销业务N发生时间之间的时间差分布情况;
步骤4,计算营销业务N发生后至统计时间之间时间差的累积概率;
步骤5,利用累积概率以及营销业务N发生后至统计时间之间产生的95598工单数,计算统计时间之后产生的95598工单数;
步骤6,根据营销业务N发生后至统计时间之间以及统计时间之后产生的95598工单数,计算营销业务N产生的服务热点的服务风险指数;
步骤7,根据营销业务N产生的服务热点的服务风险指数,计算营销业务的服务风险指数。
利用文本分类技术,基于服务热点在95598工单中的关键词对95598工单进行分类,获取各服务热点对应的95598工单。
利用非参数统计方法得到95598工单产生时间与营销业务N发生时间之间的时间差分布情况。
具体采用留一交叉验证法,计算得到窗宽,根据窗宽确定时间差分布情况。
留一交叉验证法的步骤如下:
S1,从服务热点对应的95598工单与营销业务N之间的时间差数据x1、x2、…、xw中任意剔除一个数值xm,m∈[1,w],m为整数,用剩下的数值拟合出一个估计函数,然后用xm进行验证;
即由样本x1、x2、…、xm-1、xm+1、…、xw作缺失值估计:
其中,xj为时间差数据中的一个数值,j∈[1,w],j为整数,j≠m,hw为窗宽;k(·)为高斯核函数,fw,m(xm)为剔除xm后时间差数据的分布密度函数;
S2,由服务热点对应的95598工单与营销业务N之间的时间差数据x1、x2、…、xw做估计:
其中,xl为时间差样本数据中的一个数值,l∈[1,w],l为整数,fw(x)为时间差样本数据的分布密度函数;
S3,均方误差MISE(hw)=E∫[fw(x)-fw,m(xm)]2dx达到最小时,对应的hw为最佳窗宽,其中,E(·)为数学期望。
统计时间之后产生的95598工单数的计算公式为:
nfi=((1/fi)-1)×nii,
其中,nii为营销业务N发生后至统计时间之间产生的服务热点ni对应的95598工单数,nfi为统计时间之后产生的服务热点ni对应的95598工单数,fi为营销业务N发生后至统计时间之间的累积概率。
营销业务N产生的服务热点的服务风险指数的计算公式为:
Riski=(nii+nfi)/nN×I
其中,nN为营销业务N涉及的客户数,I为常量,Riski为营销业务N产生的服务热点ni的服务风险指数。
营销业务的服务风险指数计算公式为:
其中,Risk为营销业务的服务风险指数。
本发明所达到的有益效果:本发明通过分析服务热点与营销业务之间在时间上和数量上的关联关系,利用营销业务产生的服务热点的服务风险指数以及营销业务的服务风险指数,实现了对营销业务服务风险的定量分析,为强化营销业务服务风险管控提供了方向。
附图说明
图1为本发明的流程图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
如图1所示,一种基于电力营销服务热点的营销业务服务风险评估方法,包括以下步骤:
步骤1,确定营销业务N以及营销业务N产生的服务热点(即营销业务发生后,引起客户集中反映的一种或多种类型的相关问题)ni={n1、n2、…、nn,i为整数,i∈[1,n]};其中,ni为第i个服务热点。
步骤2,利用文本分类技术,基于服务热点在95598工单中的关键词对95598工单进行分类,找出各服务热点对应的95598工单。
具体过程为:对服务热点ni,选取若干张工单进行人工判断,找出属于该服务热点的95598工单,总结能表征该服务热点特征的关键词(即用关键词表征服务热点),利用SPSS(统计产品与服务解决方案)软件建立分类器,比较分类器筛选和人工判断属于该服务热点的95598工单,完善关键词,并进行最终分类,得到服务热点ni对应的95598工单。
步骤3,分析各服务热点对应的95598工单的产生时间与营销业务N发生时间之间的时间差分布情况。
利用非参数统计方法得到95598工单产生时间与营销业务N发生时间之间的时间差分布情况,具体步骤为:
A1、通过95598工单编号对应的客户编号,获取其对应的营销业务即业务发送的时间;
A2、求95598工单产生时间与营销业务发生时间之间的时间差;
A3、采用非参数统计,确定时间差分布情况,;
具体采用留一交叉验证法,计算得到窗宽(将全量数据按步长分组,该步长即为窗宽),根据窗宽确定时间差分布情况:
留一交叉验证法的步骤如下:
S1,从服务热点对应的95598工单与营销业务N之间的时间差数据x1、x2、…、xw中任意剔除一个数值xm,m∈[1,w],m为整数,用剩下的数值拟合出一个估计函数,然后用xm进行验证;
即由样本x1、x2、…、xm-1、xm+1、…、xw作缺失值估计:
其中,xj为时间差数据中的一个数值,j∈[1,w],j为整数,j≠m,hw为窗宽;k(·)为高斯核函数,fw,m(xm)为剔除xm后时间差数据的分布密度函数;
S2,由服务热点对应的95598工单与营销业务N之间的时间差数据x1、x2、…、xw做估计:
其中,xl为时间差样本数据中的一个数值,l∈[1,w],l为整数,fw(x)为时间差样本数据的分布密度函数;
S3,均方误差MISE(hw)=E∫[fw(x)-fw,m(xm)]2dx达到最小时,对应的hw为最佳窗宽,其中,E(·)为数学期望。
步骤4,计算营销业务N发生后至统计时间之间时间差的累积概率。
步骤5,利用累积概率以及营销业务N发生后至统计时间之间产生的95598工单数,计算统计时间之后产生的95598工单数。
具体公式为:
nfi=((1/fi)-1)×nii
其中,nii为营销业务N发生后至统计时间之间产生的服务热点ni对应的95598工单数,nfi为统计时间之后产生的服务热点ni对应的95598工单数,fi为营销业务N发生后至统计时间之间的累积概率。
步骤6,根据统计时间之后产生的95598工单数,计算营销业务N产生的服务热点的服务风险指数。
具体公式为:
Riski=(nii+nfi)/nN×I
其中,nN为营销业务N涉及的客户数,I为常量,Riski为营销业务N产生的服务热点ni的服务风险指数。
步骤7,根据营销业务N产生的服务热点的服务风险指数,计算营销业务的服务风险指数。
具体公式为:
其中,Risk为营销业务的服务风险指数。
上述方法通过分析服务热点与营销业务之间在时间上和数量上的关联关系,利用营销业务产生的服务热点的服务风险指数以及营销业务的服务风险指数,实现了对营销业务服务风险的定量分析,为强化营销业务服务风险管控提供了方向。
为了便于本领域的技术人员更好的理解上述方法,取某省2013年1月-2015年7月的表计轮换的传票,取该省2013年1月-2015年7月的全量95598工单作为分析对象,统计时间取2015年8月15日。
具体步骤如下:
S1、营销业务产生的服务热点有串户和换表未通知,分别记为n1和n2。
S2、针对上述两个服务热点,找出各服务热点对应的95598工单;
串户服务热点的关键词为:
换表未通知服务热点的关键词为:
电表 | 换表通知 | 停电 | 数据 | 抄表电量 |
上门 | 原电表 | 改造 | 底数 | 未收到 |
没有 | 实施 | 不告知 | 原电表底数 | 核对 |
电表轮换 | 未有人 | 影响 | 无人 | 计量 |
正常用电 | 提前通知 | 收到 | 拆表 | 原电表读数 |
不满 | 张贴 | 计量装置 | 正常生活 | |
产生 | 老表底数 | 安装 | 被拆 | |
更换 | 装表 | 通知 | 提前 | |
异常 | 通知单 | 抄表数据 | 不存在 | |
电表读数 | 新表 | 异议 | 装表接电 |
基于上述关键词,利用SPSS软件,得到串户服务热点对应的95598工单有1000张,换表未通知服务热点对应的95598工单为500张。
S3、分析95598工单的产生时间与营销业务N发生时间之间的时间差分布情况;
分别用95598工单的对应的客户编号关联其对应的营销业务数据,计算95598工单产生时间与营销业务时间的时间差,采用非参数分布函数估计的方法分析时间差分布情况,利用留一交叉验证法确定窗宽。对串户服务热点,得到的最佳窗宽为9.23,其分布情况如表一。对换表未通知服务热点,得到的最佳窗宽为4.9,其分布情况如表二。
表一 表计轮换产生串户的时间差分布情况表
表二 表计轮换产生换表未通知的时间差分布情况表
S4、计算营销业务发生后至统计时间之间的累积概率;
利用步骤3中的时间差分布情况,分别计算串户、换表未通知所对应业务发生后至统计时间的时间差及对应的累积概率;结果分别见表三、表四中的“累积概率”列。
上述表一和表二中的累积概率是统计所有的数据后得到的,在计算表三表四中的累积概率时,需分别将“时间差”列与表一、表二进行对比,看时间差是否在表一、表二“时间差最小值”和“时间差最大值”中,如在,表一、表二中该行的累积概率即为表三、表四中时间差对应的累积概率。
S5、利用累积概率以及营销业务N发生后至统计时间之间产生的95598工单数,预测统计时间之后产生的95598工单数;结果分别见表三、表四中的“预测工单数”列。
S6、定义串户服务热点、换表未通知服务热点的服务风险指数,取常量I=1000。
表三 表计轮换导致串户的服务风险指数
表四 表计轮换导致换表未通知的服务风险指数
S7、定义表计轮换的服务风险指数;具体见表五所示。
表五 表计轮换的服务风险指数
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (8)
1.一种基于电力营销服务热点的营销业务服务风险评估方法,其特征在于,包括以下步骤:
步骤1,确定营销业务N以及营销业务N产生的服务热点ni={n1、n2、…、nn,i为整数,i∈[1,n]};其中,ni为第i个服务热点;
步骤2,基于服务热点在95598工单中的关键词对95598工单进行分类,获取各服务热点对应的95598工单;
步骤3,分析各服务热点对应的95598工单的产生时间与营销业务N发生时间之间的时间差分布情况;
步骤4,计算营销业务N发生后至统计时间之间时间差的累积概率;
步骤5,利用累积概率以及营销业务N发生后至统计时间之间产生的95598工单数,计算统计时间之后产生的95598工单数;
步骤6,根据营销业务N发生后至统计时间之间以及统计时间之后产生的95598工单数,计算营销业务N产生的服务热点的服务风险指数;
步骤7,根据营销业务N产生的服务热点的服务风险指数,计算营销业务的服务风险指数。
2.根据权利要求1所述的一种基于电力营销服务热点的营销业务服务风险评估方法,其特征在于,利用文本分类技术,基于服务热点在95598工单中的关键词对95598工单进行分类,获取各服务热点对应的95598工单。
3.根据权利要求1所述的一种基于电力营销服务热点的营销业务服务风险评估方法,其特征在于,利用非参数统计方法得到95598工单产生时间与营销业务N发生时间之间的时间差分布情况。
4.根据权利要求3所述的一种基于电力营销服务热点的营销业务服务风险评估方法,其特征在于,具体采用留一交叉验证法,计算得到窗宽,根据窗宽确定时间差分布情况。
5.根据权利要求4所述的一种基于电力营销服务热点的营销业务服务风险评估方法,其特征在于,留一交叉验证法的步骤如下:
S1,从服务热点对应的95598工单与营销业务N之间的时间差数据x1、x2、…、xw中任意剔除一个数值xm,m∈[1,w],m为整数,用剩下的数值拟合出一个估计函数,然后用xm进行验证;
即由样本x1、x2、…、xm-1、xm+1、…、xw作缺失值估计:
其中,xj为时间差数据中的一个数值,j∈[1,w],j为整数,j≠m,hw为窗宽;k(·)为高斯核函数,fw,m(xm)为剔除xm后时间差数据的分布密度函数;
S2,由服务热点对应的95598工单与营销业务N之间的时间差数据x1、x2、…、xw做估计:
其中,xl为时间差样本数据中的一个数值,l∈[1,w],l为整数,fw(x)为时间差样本数据的分布密度函数;
S3,均方误差MISE(hw)=E∫[fw(x)-fw,m(xm)]2dx达到最小时,对应的hw为最佳窗宽,其中,E(·)为数学期望。
6.根据权利要求1所述的一种基于电力营销服务热点的营销业务服务风险评估方法,其特征在于,统计时间之后产生的95598工单数的计算公式为:
nfi=((1/fi)-1)×nii,
其中,nii为营销业务N发生后至统计时间之间产生的服务热点ni对应的95598工单数,nfi为统计时间之后产生的服务热点ni对应的95598工单数,fi为营销业务N发生后至统计时间之间的累积概率。
7.根据权利要求6所述的一种基于电力营销服务热点的营销业务服务风险评估方法,其特征在于,营销业务N产生的服务热点的服务风险指数的计算公式为:
Riski=(nii+nfi)/nN×I
其中,nN为营销业务N涉及的客户数,I为常量,Riski为营销业务N产生的服务热点ni的服务风险指数。
8.根据权利要求7所述的一种基于电力营销服务热点的营销业务服务风险评估方法,其特征在于,营销业务的服务风险指数计算公式为:
其中,Risk为营销业务的服务风险指数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610592514.XA CN106203886A (zh) | 2016-07-26 | 2016-07-26 | 一种基于电力营销服务热点的营销业务服务风险评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610592514.XA CN106203886A (zh) | 2016-07-26 | 2016-07-26 | 一种基于电力营销服务热点的营销业务服务风险评估方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106203886A true CN106203886A (zh) | 2016-12-07 |
Family
ID=57495128
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610592514.XA Pending CN106203886A (zh) | 2016-07-26 | 2016-07-26 | 一种基于电力营销服务热点的营销业务服务风险评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106203886A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110442873A (zh) * | 2019-08-07 | 2019-11-12 | 云南电网有限责任公司信息中心 | 一种基于cbow模型的热点工单获取方法及装置 |
-
2016
- 2016-07-26 CN CN201610592514.XA patent/CN106203886A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110442873A (zh) * | 2019-08-07 | 2019-11-12 | 云南电网有限责任公司信息中心 | 一种基于cbow模型的热点工单获取方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zheng et al. | Wide and deep convolutional neural networks for electricity-theft detection to secure smart grids | |
Jin et al. | Anemone: Graph anomaly detection with multi-scale contrastive learning | |
Costa et al. | Fraud detection in electric power distribution networks using an ann-based knowledge-discovery process | |
Rahimikia et al. | Detecting corporate tax evasion using a hybrid intelligent system: A case study of Iran | |
Torri et al. | Robust and sparse banking network estimation | |
CN107346286B (zh) | 一种基于核主成分分析和极限学习机的软件缺陷预测方法 | |
Cang | A comparative analysis of three types of tourism demand forecasting models: Individual, linear combination and non‐linear combination | |
CN109948724A (zh) | 一种基于改进lof算法的电商刷单行为检测方法 | |
CN104103011B (zh) | 一种基于纳税人利益关联网络的可疑纳税人识别方法 | |
US20090319457A1 (en) | Method and apparatus for structural data classification | |
Tomita et al. | An algorithm for locating logic design errors | |
Andrews et al. | Beyond Energy Efficiency: A clustering approach to embed demand flexibility into building energy benchmarking | |
Debbarma et al. | Analysis of data quality and performance issues in data warehousing and business intelligence | |
Chen et al. | A method for online transaction fraud detection based on individual behavior | |
Xie et al. | A novel ensemble learning approach for corporate financial distress forecasting in fashion and textiles supply chains | |
WO2016138805A1 (zh) | 一种分布数据异动判断定位方法及系统 | |
Xue et al. | An anomaly detection framework for time-evolving attributed networks | |
Cheng et al. | Regulating systemic crises: Stemming the contagion risk in networked-loans through deep graph learning | |
CN106203886A (zh) | 一种基于电力营销服务热点的营销业务服务风险评估方法 | |
Yelundur et al. | Detection of review abuse via semi-supervised binary multi-target tensor decomposition | |
Singh Yadav et al. | Unsupervised learning for financial statement fraud detection using manta ray foraging based convolutional neural network | |
Aquize et al. | Self-organizing maps for anomaly detection in fuel consumption. Case study: Illegal fuel storage in Bolivia | |
Islam et al. | An approach to improve collusion set detection using MCL algorithm | |
CN105260304A (zh) | 一种基于qbgsa-rvr的软件可靠性预测方法 | |
Oshima et al. | Occupancy detection for general households by bidirectional lstm with attention |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20161207 |
|
RJ01 | Rejection of invention patent application after publication |