CN106599436A - 办公建筑用户在室行为预测方法 - Google Patents
办公建筑用户在室行为预测方法 Download PDFInfo
- Publication number
- CN106599436A CN106599436A CN201611122183.XA CN201611122183A CN106599436A CN 106599436 A CN106599436 A CN 106599436A CN 201611122183 A CN201611122183 A CN 201611122183A CN 106599436 A CN106599436 A CN 106599436A
- Authority
- CN
- China
- Prior art keywords
- user
- data
- room
- sub
- attribute
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Hardware Design (AREA)
- Probability & Statistics with Applications (AREA)
- Civil Engineering (AREA)
- Mathematical Analysis (AREA)
- Architecture (AREA)
- Structural Engineering (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种办公建筑用户在室行为预测方法,包括采集用户在室行为相关数据并建立数据库;对数据库进行关联规则挖掘,确定对用户在室行为的显著影响因素;针对不同用户类型,采用聚类分析方法根据显著影响因素对用户进行聚类,得到用户的分类数据集;对聚类后的每一个用户分类数据集,分别采用随机森林模型动态预测每一类用户每一时刻的在室行为。本发明提高了在室行为预测的准确性,而且不仅能够反映了用户在室行为随机性,且可针对每一时刻的用户在室行为进行动态预测;本发明还可提供大量在室行为有用信息并反馈给用户,进一步实现建筑节能;此外,本发明方法还克服了已有的预测方法无法同时具备随机性、动态性和准确性的不足。
Description
技术领域
本发明属于建筑节能技术领域,具体涉及一种办公建筑用户在室行为预测方法。
背景技术
随着经济的迅速发展和人们生活水平的提高,中国建筑能耗逐年上升,其中办公建筑能耗在总建筑能耗中占了很大的比例,是建筑能源消耗的高密度领域。所以,近年来建筑节能尤其是办公建筑节能受到越来越多的关注和重视.
为实现办公建筑优化设计、高效运行及节能改造,一个重要的途径是使用建筑能耗模拟软件对办公建筑能耗进行模拟,目前常用软件包括DOE-2、EnergyPlus、TRANSYS和DeST等。使用这些软件在对实际办公建筑能耗进行模拟时,模拟值与实测值之间往往存在很大差距,已有文献显示其差距最高可达200%,严重阻碍了进一步提高办公建筑性能和减少办公建筑能耗。这主要是由于在能耗预测过程中,现有软件对用户在室行为(包括用户是否在室、在室人数和时间等)的设定是静态固定的,且对不同用户采用相同的在室行为设定,例如模拟软件中通常设定办公建筑中每个用户在室时间均为早上八点到下午五点,而实际上用户在室行为受众多因素影响,具有时间和空间上的随机性,往往是动态变化的,且不同用户在室行为具有不同的特点。因此建立可准确预测用户在室行为的方法并耦合进能耗模拟软件是提高办公建筑能耗模拟精度并进一步实现节能的关键。
针对用户在室行为的预测,目前已基于不同的数学方法开发出数种方法,这些方法主要包括统计分析方法、决策树方法、马尔科夫链方法以及基于代理模型(Agent-basedmodel,ABM)方法。上述方法在建模时各有优点,例如统计分析方法使用简单且可部分反映不同影响因素对在室行为的影响;决策树方法可对大量历史数据进行自动分析并提取出有用信息;马尔科夫链方法可对在室行为进行动态预测且对行为随机性进行了一定的考虑;ABM方法可体现不同用户之间的相互影响并对在室行为的不确定性进行了一定考虑。但是上述方法也存在显著局限,主要体现在:统计分析方法与决策树方法只能对用户在室行为进行静态模拟且无法体现用户在室行为随机性,所得到的预测结果仍然是静态固定结果,无法体现用户在室行为动态随机特征;马尔科夫链方法主要是通过假设用户某时刻在室行为仅与上一时刻在室行为相关进行预测,这与现实生活中用户在室行为受不同因素影响的事实不符,因此降低了预测精度;ABM方法主要根据IF-THEN规则反映用户对自身行为的调整,目前仍主要应用于适应性行为如开窗行为等,尚难以准确预测用户在室行为。上述已有的预测方法均无法同时具备随机性、动态性、准确性,难以满足与建筑能耗模拟软件耦合以显著提高模拟精度的需求。
发明内容
本发明的目的在于提供一种能够实现动态预测,而且预测精度高,适用性高的办公建筑用户在室行为预测方法。
本发明提供的这种办公建筑用户在室行为预测方法,包括如下步骤:
S1.采集用户在室行为相关数据并建立数据库;
S2.对步骤S1得到的数据库进行关联规则挖掘,确定对用户在室行为的显著影响因素;
S3.针对不同用户类型,根据步骤S2得到的显著影响因素,采用聚类分析方法对用户进行聚类,从而得到用户的分类数据集;
S4.对步骤S3得到的聚类后的每一个用户分类数据集,分别采用随机森林模型动态预测每一类用户每一时刻的在室行为。
步骤S1所述的数据包括建筑数据(如建筑朝向、面积、房间数及房间类型等)、用户数据(如年龄、性别、职位、学历等)、环境数据(如室内外环境参数等)及在室行为数据(如到达和离开办公室时间、房间内人数、不同时刻在室状况等)等。
步骤S2所述的进行关联规则挖掘,具体为采用如下步骤进行关联规则挖掘:
A.确定最小支持度min-support和最小可信度min-confidence,并通过以下公式计算支持度support和信任度confidence:
式中描述集X和结果Y同时出现的支持度,count(X∪Y)表示项集X和结果Y同时出现的次数,|A|表示数据库A的项集数,表示项集X和结果Y同时出现的可信度,support(X)表示项集X出现的概率;
B.利用Apriori算法搜索所有满足最小支持度的项集,并将搜索到的项集称为频繁项集;
C.对步骤B得到的频繁项集生成所需要的关联规则,再根据设定的最小可信度筛选出强关联规则,即为用户在室行为显著影响因素。
步骤S3所述的聚类分析,具体为采用如下步骤进行聚类分析:
1)对数据库A中的数据进行预处理;
2)从数据库A中随机选取k个样本作为聚类中心;
3)将每一个样本聚类到距离最近的k个样本之一;
4)计算每一个聚类的均值,并用新的均值替换原来的聚类中心;
5)重复步骤2)~步骤4),直至聚类中心不再发生变化为止,最终得到n个分类数据集。
步骤1)中所述的对数据进行预处理,具体为采用如下方法进行数据预处理:
①采用如下公式对数据库A中的数据进行z-score规范化处理:
式中是属性K的均值,σK是属性K的标准差,v为属性原始值,v'为规范化值;
②对数据库A中的缺失值采用均值填充处理。
步骤S4中所述的采用随机森林模型预测在室行为,具体为采用如下步骤进行预测:
Ⅰ.从每一个分类数据集B1,B2,B3……Bn中分别采取有放回的抽样,构造子数据集C1,C2,C3……Cn,子数据集(C1,C2,C3……Cn)中的数据量和相对应的原始数据(B1,B2,B3……Bn)相同;其中,不同子数据集的数据可以重复,同一个子数据集中的数据也可以重复;
Ⅱ.利用子数据集C1,C2,C3……Cn构建子决策树,每个子决策树输出一个结果;
Ⅲ.通过子决策树输出的判断结果进行投票得到随机森林的输出结果,获得投票最多的子决策树的输出结果即为随机森林的输出结果。
步骤Ⅱ所述的构建子决策树,具体为采用如下方法构建子决策树:
ⅰ.输入子数据集C1,C2,C3……Cn;
ⅱ.从a个属性中随机选择b个属性,其中
ⅲ.采用如下公式计算b个属性对子数据集的信息增益:
式中K为属性;Gain(K)为属性K对子数据集的信息增益;Di为数据集Ci根据属性K划分为的子集;pi为D中任意元组属于类Ci的概率;s表示类别的数目;
ⅳ.选择信息增益最大的作为最优特征,并以此为分裂结点;
ⅴ.针对每个分裂结点,重复步骤ⅱ~步骤ⅳ直至分裂满足停止的要求。
本发明提供的这种办公建筑用户在室行为预测方法,通过关联规则挖掘技术,从大量用户在室行为相关数据中辨识出有用的隐藏信息,在关联规则挖掘过程中输出的强关联规则及相应因素即为对用户在室行为具有显著影响的因素;辨识出显著影响因素再进行预测比任意采用影响因素进行预测可明显提高预测精度;基于上述因素,再利用聚类分析技术识别不同的用户类型,将特征相似的用户归为一类;最后对每一类用户分别建立随机森林模型预测用户在室行为;分类预测相比于对办公建筑所有用户不分类而统一预测可进一步提高预测准确性。另外,随机森林模型不仅反映了用户在室行为随机性,且可针对每一时刻的用户在室行为进行动态预测;所建模型还可提供大量在室行为有用信息并反馈给用户,进一步实现建筑节能。本发明提供的方法克服了已有的预测方法无法同时具备随机性、动态性和准确性的不足。
附图说明
图1为本发明方法的流程示意图。
图2为本发明方法中关联规则挖掘方法的流程示意图。
图3为本发明方法中聚类分析方法的流程示意图。
图4为本发明方法中采用随机森林模型预测在室行为的流程示意图。
图5为本发明方法中构件子决策树的流程示意图。
具体实施方式
如图1所示为本发明方法的流程示意图:本发明提供的这种办公建筑用户在室行为预测方法,包括如下步骤:
S1.采集用户在室行为相关数据并建立数据库;
S2.对步骤S1得到的数据库进行关联规则挖掘,确定对用户在室行为的显著影响因素;
所述的进行关联规则挖掘,具体为采用如下步骤进行关联规则挖掘(如图2所示):
A.确定最小支持度min-support和最小可信度min-confidence,并通过以下公式计算支持度support和信任度confidence:
式中描述集X和结果Y同时出现的支持度,count(X∪Y)表示项集X和结果Y同时出现的次数,|A|表示数据库A的项集数,表示项集X和结果Y同时出现的可信度,support(X)表示项集X出现的概率;
B.利用Apriori算法搜索所有满足最小支持度的项集,并将搜索到的项集称为频繁项集;
C.对步骤B得到的频繁项集生成所需要的关联规则,再根据设定的最小可信度筛选出强关联规则,即为用户在室行为显著影响因素;
S3.针对不同用户类型,根据步骤S2得到的显著影响因素,采用聚类分析方法对用户进行聚类,从而得到用户的分类数据集;
所述的聚类分析,具体为采用如下步骤进行聚类分析(如图3所示):
1)对数据库A中的数据,采用如下步骤进行预处理;
①采用如下公式对数据库A中的数据进行z-score规范化处理:
式中是属性K的均值,σK是属性K的标准差,v为属性原始值,v'为规范化值;
②对数据库A中的缺失值采用均值填充处理;
2)从数据库A中随机选取k个样本作为聚类中心;
3)将每一个样本聚类到距离最近的k个样本之一;
4)计算每一个聚类的均值,并用新的均值替换原来的聚类中心;
5)重复步骤2)~步骤4),直至聚类中心不再发生变化为止,最终得到n个分类数据集;
S4.对步骤S3得到的聚类后的每一个用户分类数据集,分别采用随机森林模型动态预测每一类用户每一时刻的在室行为。
采用随机森林模型预测在室行为,具体为采用如下步骤进行预测(如图4所示):
Ⅰ.从每一个分类数据集B1,B2,B3……Bn中分别采取有放回的抽样,构造子数据集C1,C2,C3……Cn,子数据集(C1,C2,C3……Cn)中的数据量和相对应的原始数据(B1,B2,B3……Bn)相同;其中,不同子数据集的数据可以重复,同一个子数据集中的数据也可以重复;
Ⅱ.利用子数据集C1,C2,C3……Cn构建子决策树,每个子决策树输出一个结果;
所述的构建子决策树,具体为采用如下方法构建子决策树(如图5所示):
ⅰ.输入子数据集C1,C2,C3……Cn;
ⅱ.从a个属性中随机选择b个属性,其中
ⅲ.采用如下公式计算b个属性对子数据集的信息增益:
式中K为属性;Gain(K)为属性K对子数据集的信息增益;Di为数据集Ci根据属性K划分为的子集;pi为D中任意元组属于类Ci的概率;s表示类别的数目;
ⅳ.选择信息增益最大的作为最优特征,并以此为分裂结点;
ⅴ.针对每个分裂结点,重复步骤ⅱ~步骤ⅳ直至分裂满足停止的要求;
Ⅲ.通过子决策树输出的判断结果进行投票得到随机森林的输出结果,获得投票最多的子决策树的输出结果即为随机森林的输出结果。
下面以某办公楼的用户在室行为预测为例,进行详细说明:
首先通过问卷调查、现场测量及咨询建筑管理员等方法收集用户在室行为相关数据,包括建筑数据(如建筑朝向、面积、房间数及房间类型等)、用户数据(如年龄、性别、职位、学历等)、环境数据(如室内外环境参数等)及在室行为数据(如到达和离开办公室时间、房间内人数、不同时刻在室状况等)等。针对所采集的数据,利用数据分析软件(如开源软件Rapidminer)进行关联规则挖掘,找出对用户在室行为影响最为显著因素,包括用户性别、职位、年龄以及房间类型。基于上述4个对用户在室行为影响显著的因素,再利用数据分析软件(如开源软件Rapidminer)进行聚类分析,将用户进行分类,得到5类不同的用户数据集,分别定义为B1、B2、B3、B4、B5。以用户数据集B为例,建立对应数据集B的随机森林模型,具体步骤为:1、从B1数据集中采取有放回的抽样,构成3个子数据集,分别定义为C1、C2和C3,其中C1中的数据量与B1中的数据量相等,且C1中的数据是可重复的,C1与C2、C3,其中C1中的数据量与B1中的数据量相等,且C1中的数据是可重复的,C1与C2、C3中的数据也是可重复的;2、从属性“用户的年龄、职位、学历、建筑的朝向、建筑的面积以及天气、工作日/周末”中随机抽取4个属性,再从4个属性中,选择信息增益最大的一个属性作为子决策树的分裂结点;3、每个分裂结点的选择依次重复步骤2,直至满足分裂结束的要求,则C1的子决策树(定义为T1)完成。以此类推,建立C2、C3对应的子决策树(分别定义为T2、T3)。T1、T2、T3分别输出每一时刻用户在室行为的预测结果,投票多的子决策树输出结果即为随机森林模型的输出结果。例如对应上午7:00,T1、T2输出的预测结果为“用户在室”,T3输出结果为“用户不在室”,则随机森林模型的最终输出结果为“用户在室”。同上,可依次建立其余用户分类数据集B2、B3、B4、B5的随机森林模型。此外,对于该大楼中的新用户而言,只需要识别新用户属于哪一类用户,识别以后可以直接参照该类用户的随机森林模型得到对应的用户在室行为预测结果。
Claims (7)
1.一种办公建筑用户在室行为预测方法,包括如下步骤:
S1.采集用户在室行为相关数据并建立数据库;
S2.对步骤S1得到的数据库进行关联规则挖掘,确定对用户在室行为的显著影响因素;
S3.针对不同用户类型,根据步骤S2得到的显著影响因素,采用聚类分析方法对用户进行聚类,从而得到用户的分类数据集;
S4.对步骤S3得到的聚类后的每一个用户分类数据集,分别采用随机森林模型动态预测每一类用户每一时刻的在室行为。
2.根据权利要求1所述的办公建筑用户在室行为预测方法,其特征在于步骤S1所述的数据包括建筑数据、用户数据、环境数据和在室行为数据;所述的建筑数据包括建筑朝向、面积、房间数及房间类型;所述的用户数据包括年龄、性别、职位和学历;所述的环境数据为室内外环境参数;所述的在室行为数据包括到达和离开办公室时间、房间内人数和不同时刻在室状况。
3.根据权利要求1或2所述的办公建筑用户在室行为预测方法,其特征在于步骤S2所述的进行关联规则挖掘,具体为采用如下步骤进行关联规则挖掘:
A.确定最小支持度min-support和最小可信度min-confidence,并通过以下公式计算支持度support和信任度confidence:
式中描述集X和结果Y同时出现的支持度,count(X∪Y)表示项集X和结果Y同时出现的次数,|A|表示数据库A的项集数,表示项集X和结果Y同时出现的可信度,support(X)表示项集X出现的概率;
B.利用Apriori算法搜索所有满足最小支持度的项集,并将搜索到的项集称为频繁项集;
C.对步骤B得到的频繁项集生成所需要的关联规则,再根据设定的最小可信度筛选出强关联规则,即为用户在室行为显著影响因素。
4.根据权利要求1或2所述的办公建筑用户在室行为预测方法,其特征在于步骤S3所述的聚类分析,具体为采用如下步骤进行聚类分析:
1)对数据库A中的数据进行预处理;
2)从数据库A中随机选取k个样本作为聚类中心;
3)将每一个样本聚类到距离最近的k个样本之一;
4)计算每一个聚类的均值,并用新的均值替换原来的聚类中心;
5)重复步骤2)~步骤4),直至聚类中心不再发生变化为止,最终得到n个分类数据集。
5.根据权利要求4所述的办公建筑用户在室行为预测方法,其特征在于步骤1)中所述的对数据进行预处理,具体为采用如下方法进行数据预处理:
①采用如下公式对数据库A中的数据进行z-score规范化处理:
式中是属性K的均值,σK是属性K的标准差,v为属性原始值,v'为规范化值;
②对数据库A中的缺失值采用均值填充处理。
6.根据权利要求1或2所述的办公建筑用户在室行为预测方法,其特征在于步骤S4中所述的采用随机森林模型预测在室行为,具体为采用如下步骤进行预测:
Ⅰ.从每一个分类数据集B1,B2,B3……Bn中分别采取有放回的抽样,构造子数据集C1,C2,C3……Cn,子数据集(C1,C2,C3……Cn)中的数据量和相对应的原始数据(B1,B2,B3……Bn)相同;其中,不同子数据集的数据可以重复,同一个子数据集中的数据也可以重复;
Ⅱ.利用子数据集C1,C2,C3……Cn构建子决策树,每个子决策树输出一个结果;
Ⅲ.通过子决策树输出的判断结果进行投票得到随机森林的输出结果,获得投票最多的子决策树的输出结果即为随机森林的输出结果。
7.根据权利要求6所述的办公建筑用户在室行为预测方法,其特征在于步骤Ⅱ所述的构建子决策树,具体为采用如下方法构建子决策树:
ⅰ.输入子数据集C1,C2,C3……Cn;
ⅱ.从a个属性中随机选择b个属性,其中
ⅲ.采用如下公式计算b个属性对子数据集的信息增益:
式中K为属性;Gain(K)为属性K对子数据集的信息增益;Di为数据集Ci根据属性K划分为的子集;pi为D中任意元组属于类Ci的概率;s表示类别的数目;
ⅳ.选择信息增益最大的作为最优特征,并以此为分裂结点;
ⅴ.针对每个分裂结点,重复步骤ⅱ~步骤ⅳ直至分裂满足停止的要求。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611122183.XA CN106599436A (zh) | 2016-12-08 | 2016-12-08 | 办公建筑用户在室行为预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611122183.XA CN106599436A (zh) | 2016-12-08 | 2016-12-08 | 办公建筑用户在室行为预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106599436A true CN106599436A (zh) | 2017-04-26 |
Family
ID=58598570
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611122183.XA Pending CN106599436A (zh) | 2016-12-08 | 2016-12-08 | 办公建筑用户在室行为预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106599436A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107622326A (zh) * | 2017-09-13 | 2018-01-23 | 阿里巴巴集团控股有限公司 | 用户分类、可用资源预测方法、装置及设备 |
CN110096529A (zh) * | 2019-04-16 | 2019-08-06 | 中科金联(北京)科技有限公司 | 一种基于多维矢量数据的网络数据挖掘方法和系统 |
CN110991555A (zh) * | 2019-12-16 | 2020-04-10 | 国网上海市电力公司 | 一种典型行业的用户用电量异常监控方法 |
CN111898700A (zh) * | 2020-08-13 | 2020-11-06 | 北京科技大学 | 一种基于决策树算法和环境传感参数的人员在室识别方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102238045A (zh) * | 2010-04-27 | 2011-11-09 | 广州迈联计算机科技有限公司 | 一种无线互联网用户行为的预测系统和方法 |
CN102809965A (zh) * | 2012-07-30 | 2012-12-05 | 燕山大学 | 一种基于故障频繁模式的液压设备故障预警方法 |
CN105512768A (zh) * | 2015-12-14 | 2016-04-20 | 上海交通大学 | 大数据环境下用户用电关联因素辨识及用电量预测方法 |
CN105608600A (zh) * | 2015-12-18 | 2016-05-25 | 焦点科技股份有限公司 | 一种对b2b卖家效果评估和优化方法 |
-
2016
- 2016-12-08 CN CN201611122183.XA patent/CN106599436A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102238045A (zh) * | 2010-04-27 | 2011-11-09 | 广州迈联计算机科技有限公司 | 一种无线互联网用户行为的预测系统和方法 |
CN102809965A (zh) * | 2012-07-30 | 2012-12-05 | 燕山大学 | 一种基于故障频繁模式的液压设备故障预警方法 |
CN105512768A (zh) * | 2015-12-14 | 2016-04-20 | 上海交通大学 | 大数据环境下用户用电关联因素辨识及用电量预测方法 |
CN105608600A (zh) * | 2015-12-18 | 2016-05-25 | 焦点科技股份有限公司 | 一种对b2b卖家效果评估和优化方法 |
Non-Patent Citations (1)
Title |
---|
SIMONA D’OCA等: "Occupancy schedules learning process through a data mining framework", 《ENERGY AND BUILDING》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107622326A (zh) * | 2017-09-13 | 2018-01-23 | 阿里巴巴集团控股有限公司 | 用户分类、可用资源预测方法、装置及设备 |
CN107622326B (zh) * | 2017-09-13 | 2021-02-09 | 创新先进技术有限公司 | 用户分类、可用资源预测方法、装置及设备 |
CN110096529A (zh) * | 2019-04-16 | 2019-08-06 | 中科金联(北京)科技有限公司 | 一种基于多维矢量数据的网络数据挖掘方法和系统 |
CN110991555A (zh) * | 2019-12-16 | 2020-04-10 | 国网上海市电力公司 | 一种典型行业的用户用电量异常监控方法 |
CN111898700A (zh) * | 2020-08-13 | 2020-11-06 | 北京科技大学 | 一种基于决策树算法和环境传感参数的人员在室识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110070145B (zh) | 基于增量聚类的lstm轮毂单品能耗预测 | |
CN106528874B (zh) | 基于Spark内存计算大数据平台的CLR多标签数据分类方法 | |
CN108320171A (zh) | 热销商品预测方法、系统及装置 | |
CN106951611A (zh) | 一种基于使用者行为的严寒地区建筑节能设计优化方法 | |
CN106599436A (zh) | 办公建筑用户在室行为预测方法 | |
CN109543203A (zh) | 一种基于随机森林的建筑冷热负荷预测方法 | |
CN101556553A (zh) | 基于需求变更的缺陷预测方法和系统 | |
CN106228389A (zh) | 基于随机森林算法的网络潜力用户挖掘方法及系统 | |
US20230247138A1 (en) | Methods and internet of things systems for gas operation based on call centers of smart gas | |
CN103780588A (zh) | 数字家庭网络中用户异常行为检测方法 | |
CN105164672A (zh) | 内容分类 | |
CN117453764A (zh) | 一种数据挖掘分析方法 | |
Arbel et al. | Classifier evaluation under limited resources | |
CN101226521A (zh) | 一种用于多义性数据对象预测建模的机器学习方法 | |
CN115481844A (zh) | 基于特征提取和改进的svr模型的配网物资需求预测系统 | |
CN117669895A (zh) | 公路工程环境影响评估系统 | |
CN113591947A (zh) | 基于用电行为的电力数据聚类方法、装置和存储介质 | |
CN116629716A (zh) | 一种智能交互系统工效分析方法 | |
CN116341929A (zh) | 一种基于聚类和自适应梯度提升决策树的预测方法 | |
Pham et al. | Predictive analysis of the supply chain management using machine learning approaches: Review and taxonomy | |
Qi et al. | TreeLogit model for customer churn prediction | |
US9043253B2 (en) | Optimization to identify nearest objects in a dataset for data analysis | |
CN112288571B (zh) | 一种基于快速构建邻域覆盖的个人信用风险评估方法 | |
CN115310355A (zh) | 考虑多能耦合的综合能源系统多元负荷预测方法及系统 | |
Raamesh et al. | Data mining based optimization of test cases to enhance the reliability of the testing |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170426 |