CN108182231A - 一种基于灰色关联度的可拓聚类方法及系统 - Google Patents
一种基于灰色关联度的可拓聚类方法及系统 Download PDFInfo
- Publication number
- CN108182231A CN108182231A CN201711444377.6A CN201711444377A CN108182231A CN 108182231 A CN108182231 A CN 108182231A CN 201711444377 A CN201711444377 A CN 201711444377A CN 108182231 A CN108182231 A CN 108182231A
- Authority
- CN
- China
- Prior art keywords
- factor
- grey relational
- relational grade
- classification
- correlation function
- 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
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/285—Clustering or classification
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/22—Social work
Abstract
本发明涉及预测分析领域,公开了一种基于灰色关联度的可拓聚类方法及系统,根据历史数据,确定分类标准;根据所述分类标准,确定经典域和节域;计算各因素的灰色关联度;计算待测样本的因素属性对各分类的关联函数,并根据各因素的灰色关联度计算权系数;根据所述关联函数和所述权系数,计算综合关联函数;根据所述综合关联函数,确定所述待测样本所属分类,以实现对所述待测样本的预测。本发明在灰色关联分析的基础上,引入灰色关联度确定可拓聚类中隶属度的权重系数,运用基于灰色关联度的可拓聚类方法对待测样本进行预测,预测结果准确有效。
Description
技术领域
本发明涉及预测分析领域,尤其涉及一种基于灰色关联度的可拓聚类方法及系统。
背景技术
目前有很多用于预测的方法,如回归分析、时间序列预测模型等,这些方法或计算复杂,或对数据分布有特定要求,而且一般统计方法都要求有足够多的样本。回归分析中,由于变量较多致使计算大、过程复杂,若样本量低于影响因素量可能无法估计回归参数,且要求数据呈典型分布。常用的聚类方法,在样本较少的情况下预测不够准确。运用该方法对医院总收入进行预测,旨在为医院的管理提供依据。
发明内容
本发明提供一种基于灰色关联度的可拓聚类方法及系统,解决现有技术中变量较多致使计算大、过程复杂,样本较少的情况下,预测不够准确的技术问题。
本发明的目的是通过以下技术方案实现的:
一种基于灰色关联度的可拓聚类方法,包括:
根据历史数据,确定分类标准;
根据所述分类标准,确定经典域和节域;
计算各因素的灰色关联度;
计算待测样本的因素属性对各分类的关联函数,并根据各因素的灰色关联度计算权系数,其中,所述权系数为各因素灰色关联度占所有灰色关联度的比重作权重系数;
根据所述关联函数和所述权系数,计算综合关联函数;
根据所述综合关联函数,确定所述待测样本所属分类,以实现对所述待测样本的预测。
一种基于灰色关联度的可拓聚类系统,包括:
分类模块,用于根据历史数据,确定分类标准;
初始化模块,用于根据所述分类标准,确定经典域和节域;
第一计算模块,用于计算各因素的灰色关联度;
第二计算模块,用于计算待测样本的因素属性对各分类的关联函数,并根据各因素的灰色关联度计算权系数,其中,所述权系数为各因素灰色关联度占所有灰色关联度的比重作权重系数;
第三计算模块,用于根据所述关联函数和所述权系数,计算综合关联函数;
预测模块,用于根据所述综合关联函数,确定所述待测样本所属分类,以实现对所述待测样本的预测。
本发明提供一种基于灰色关联度的可拓聚类方法及系统,根据历史数据,确定分类标准;根据所述分类标准,确定经典域和节域;计算各因素的灰色关联度;计算待测样本的因素属性对各分类的关联函数,并根据各因素的灰色关联度计算权系数;根据所述关联函数和所述权系数,计算综合关联函数;根据所述综合关联函数,确定所述待测样本所属分类,以实现对所述待测样本的预测。本发明在灰色关联分析的基础上,引入灰色关联度确定可拓聚类中隶属度的权重系数,运用基于灰色关联度的可拓聚类方法对待测样本进行预测,预测结果准确有效。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例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发明的一些实施例,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,还可根据这些附图获得其他的附图。
图1为本发明实施例的一种基于灰色关联度的可拓聚类方法的流程图;
图2为本发明实施例的一种基于灰色关联度的可拓聚类系统的结构示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
本发明实施例中提供了一种基于灰色关联度的可拓聚类方法,如图1所示,包括:
步骤101、根据历史数据,确定分类标准;
其中,步骤101具体可以包括:
步骤101-1、根据历史数据,进行聚类分析;
其中,聚类分析的方法可以采用现有技术中的聚类方法,先对历史数据进行分类。或者,可以基于历史数据的特定领域,采用业界通用的标准,例如地震的分级、空气污染的分级等。
步骤101-2、根据聚类分析结果,确定分类标准。
步骤102、根据所述分类标准,确定经典域和节域;
其中,可拓理论通过物元、事元和关系元(统称为基元)来描述事物及事物之间的关系。物元描述事物本身特征,事元描述事物之间的相互作用,关系元描述物元、事元之间的相互作用与相互影响。
步骤102可以包括:
步骤102-1、根据分类标准及各因素,构建经典域物元
其中,i=1,…,m,C=(c1,c2,…,cn)T为因素属性,c1,c2,…,cn是Ii的n个不同的因素属性,X=(Xi1,Xi2,…,Xin)T表示各因素上的量值,Xi1,Xi2,…,Xin分别为Ii关于因素属性c1,c2,…,cn的取值范围,Xij=<aij,bij>(j=1,…,n)为第i类样本关于因素cj的取值范围;
步骤102-2、根据分类标准及各因素,构建节域物元
其中,Xp1,Xp2,…,Xpn分别是P在因素属性c1,c2,…,cn上的取值范围域。
步骤103、计算各因素的灰色关联度;
其中,步骤103可以包括:
步骤103-1、确定响应变量作为参考序列x0,协变量作为比较序列xi(i=1,2,…,n);
其中,参考序列和比较序列在形式上均为向量。消除参考序列和比较序列不同量纲的影响,便于各因素间的比较,常见方法有标准化、区间缩放等。
步骤103-2、计算参考序列与比较序列之差的绝对值Δi(k)=|x0(k)-xi(k)|,并计算Δi(k)的最大值、最小值;
其中Δi(k)表示参考变量与第i个比较序列差的绝对值;
步骤103-3、计算灰色关联系数
其中,Δmin与Δmax分别是Δi(k)的最小值、最大值,β为分辨系数,0<β<1,一般取值为0.5,需根据不同背景需要选取;
步骤103-4、计算灰色关联度
步骤104、计算待测样本的因素属性对各分类的关联函数,并根据各因素的灰色关联度计算权系数;
其中,步骤104可以包括:
步骤104-1、计算待测样本的因素属性对各分类的关联函数
其中,ρ(xj,Xij)与ρ(xj,Xpj)分别是待测样本x的各因素属性与经典域物元和节域物元的各因素属性区间的距离;
步骤104-2、计算权系数可见权系数为各因素灰色关联度占所有灰色关联度的比重作权重系数;。
步骤105、根据所述关联函数和所述权系数,计算综合关联函数;
其中,根据所述关联函数K和所述权系数,计算综合关联函数
步骤106、根据所述综合关联函数,确定所述待测样本所属分类,以实现对所述待测样本的预测。
其中,根据综合关联函数Ki(p)的最大值判定待测样本所属的类别,以实现对所述待测样本的预测
本发明提供一种基于灰色关联度的可拓聚类方法,根据历史数据,确定分类标准;根据所述分类标准,确定经典域和节域;计算各因素的灰色关联度;计算待测样本的因素属性对各分类的关联函数,并根据各因素的灰色关联度计算权系数;根据所述关联函数和所述权系数,计算综合关联函数;根据所述综合关联函数,确定所述待测样本所属分类,以实现对所述待测样本的预测。本发明在灰色关联分析的基础上,引入灰色关联度确定可拓聚类中隶属度的权重系数,运用基于灰色关联度的可拓聚类方法对待测样本进行预测,预测结果准确有效。
本发明实施例中还提供了一种基于灰色关联度的可拓聚类系统,如图2所示,包括:
分类模块210,用于根据历史数据,确定分类标准;
初始化模块220,用于根据所述分类标准,确定经典域和节域;
第一计算模块230,用于计算各因素的灰色关联度;
第二计算模块240,用于计算待测样本的因素属性对各分类的关联函数,并根据各因素的灰色关联度计算权系数,其中,所述权系数为各因素灰色关联度占所有灰色关联度的比重作权重系数;
第三计算模块250,用于根据所述关联函数和所述权系数,计算综合关联函数;
预测模块260,用于根据所述综合关联函数,确定所述待测样本所属分类,以实现对所述待测样本的预测。
为了更加清楚的说明本发明提供一种基于灰色关联度的可拓聚类方法,以下介绍,采用本发明实施例的方法预测某医院的总收入的增长率。
分析了某省31个县/市/区的70家乡镇医院总收入的影响因素,选择了影响医院总收入的35个常见的医疗服务统计指标(如表1所示)。
表1影响医院总收入的因素
计算得到医院总收入与各因素间的灰色关联度并排序(如表2所示)。
表2医院总收入与各因素间的灰色关联度
从灰色关联度可看出,某省乡镇医院的医院总收入与住院总费用相关性最大。医院工作负荷类指标如出院人次、住院病人手术人次、入院人次、门诊人次、日均门诊人次、总诊疗人次与医院总收入的相关性都比较大,灰色关联度均在0.85以上。治疗质量类指标如好转人次、治愈人次、治愈率都在0.8以上,说明医疗服务质量对医院的总收入具有较大影响。在各类费用中,门诊病人人均检查费与医院总收入关联度最大,为0.89,说明某省乡镇医院门诊病人人均检查费相对较高,某省各乡镇医院应该降低该类费用以减轻患者负担。住院付费方式新农合率和入院出院诊断符合率与医院总收入的关联度较小,在0.5以下,考虑预测医院总收入时去掉这两个指标。
下面采用本发明实施例提供的一种基于灰色关联度的可拓聚类方法预测医院总收入增长率。选取某省5所乡镇医院2016年1-8月份的医疗服务统计指标数据,统计指标包含表1中的34个指标,部分数据如表3所示,
表3贵州省某乡镇医院的1-8月份的医疗服务统计指标数据及增长率(部分)
详细预测分析过程如下:
首先,计算医院总收入及各指标的各月增长率,增长率定义为该月与上月值之比,医院总收入的增长率数据如表4所示。
表4医院总收入数据及各月增长率
将该医院8月份的医院总收入的增长率作为待预测对象,2-6月份数据用于构造经典域物元和节域物元。由数据可知该医院各月的医院总收入增长率在0.85-1.30之间,可以根据该增长率R将数据分为3类0.85<R≤1.00,1.00<R≤1.15,1.15<R≤1.30,分别记为I1,I2,I3。
然后进行可拓聚类预测,根据表3医疗总收入的各影响因素的各月增长率、表4、待测样本分别构造经典域物元R1,R2,R3,节域物元Rp,待测物元Rx。由于属性较多,构造的R1、R2、R3、Rp、Rx未详细给出。计算各影响因素与医疗总收入的灰色关联度,并计算各因素的权重系数。
最后,计算得到该医院8月份的待测样本与第i类的隶属度,以及所属类别如表5所示。
表5待测样本与各类样本的隶属度及聚类预测结果
根据该医院8月份待测样本与各类样本的隶属度以及预测结果知,医院总收入的增长率的预测类别为第类,而该医院8月份的实际总收入增长率为0.8518,属于第一类,说明预测增长率与实际的一致。
为了进一步验证基于灰色关联度的可拓聚类预测的有效性,预测了某省其他4所医院8月份总收入增长率,按照上述方法,将2-7月份的总收入划分为3类,预测结果均与实际一致,说明该方法在预测上的可行性,结果如表6所示。
表6贵州省4所乡镇医院8月份总收入预测结果与实际结果比较
作为对比,本文选取了对特征空间划分的k-NN算法,分别对以上5所医院的总收入增长率进行了分类。其中各医院8月份数据作测试集,其它月份作为训练集,结果如表7所示。
表7对5所医院分别运用k-NN分类的结果
结果中有2所医院的总收入增长率类别有误,可能原因为k-NN分类中只考虑了样本的几何距离而未考虑各因素的影响权重。而基于灰色关联度的可拓聚类则考虑了因素的影响权重。实验对比进一步说明了本发明的有效性。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到本发明可借助软件加必需的硬件平台的方式来实现,当然也可以全部通过硬件来实施,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案对背景技术做出贡献的全部或者部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。
以上对本发明进行了详细介绍,本文中应用了具体个例对本发明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发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,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发明的限制。
Claims (8)
1.一种基于灰色关联度的可拓聚类方法,其特征在于,包括:
根据历史数据,确定分类标准;
根据所述分类标准,确定经典域和节域;
计算各因素的灰色关联度;
计算待测样本的因素属性对各分类的关联函数,并根据各因素的灰色关联度计算权系数,其中,所述权系数为各因素灰色关联度占所有灰色关联度的比重作权重系数;
根据所述关联函数和所述权系数,计算综合关联函数;
根据所述综合关联函数,确定所述待测样本所属分类,以实现对所述待测样本的预测。
2.根据权利要求1所述的基于灰色关联度的可拓聚类方法,其特征在于,所述根据历史数据,确定分类标准的步骤包括:
根据历史数据,进行聚类分析;
根据聚类分析结果,确定分类标准。
3.根据权利要求1所述的基于灰色关联度的可拓聚类方法,其特征在于,所述根据所述分类标准,确定经典域和节域的步骤包括:
根据分类标准及各因素,构建经典域物元
其中,i=1,…,m,C=(c1,c2,…,cn)T为因素属性,c1,c2,…,cn是Ii的n个不同的因素属性,X=(Xi1,Xi2,…,Xin)T表示各因素上的量值,Xi1,Xi2,…,Xin分别为Ii关于因素属性c1,c2,…,cn的取值范围,Xij=<aij,bij>(j=1,…,n)为第i类样本关于因素cj的取值范围;
根据分类标准及各因素,构建节域物元
其中,Xp1,Xp2,…,Xpn分别是P在因素属性c1,c2,…,cn上的取值范围域。
4.根据权利要求1所述的基于灰色关联度的可拓聚类方法,其特征在于,所述计算各因素的灰色关联度的步骤包括:
确定响应变量作为参考序列x0,协变量作为比较序列xi(i=1,2,…,n);
计算参考序列与比较序列之差的绝对值Δi(k)=|x0(k)-xi(k)|,并计算Δi(k)的最大值、最小值,其中Δi(k)表示参考变量与第i个比较序列差的绝对值;
计算灰色关联系数其中,Δmin与Δmax分别是Δi(k)的最小值、最大值,β为分辨系数,0<β<1;
计算灰色关联度
5.根据权利要求1所述的基于灰色关联度的可拓聚类方法,其特征在于,所述计算待测样本的因素属性对各分类的关联函数,并根据各因素的灰色关联度计算权系数的步骤包括:
计算待测样本的因素属性对各分类的关联函数
其中,ρ(xj,Xij)与ρ(xj,Xpj)分别是待测样本x的各因素属性与经典域物元和节域物元的各因素属性区间的距离;
计算权系数
6.根据权利要求5所述的基于灰色关联度的可拓聚类方法,其特征在于,所述根据所述关联函数和所述权系数,计算综合关联函数的步骤包括:
根据所述关联函数Ki(xj)和所述权系数λj,计算综合关联函数
7.根据权利要求6所述的基于灰色关联度的可拓聚类方法,其特征在于,根据综合关联函数Ki(p)的最大值判定待测样本所属的类别,以实现对所述待测样本的预测。
8.一种基于灰色关联度的可拓聚类系统,其特征在于,包括:
分类模块,用于根据历史数据,确定分类标准;
初始化模块,用于根据所述分类标准,确定经典域和节域;
第一计算模块,用于计算各因素的灰色关联度;
第二计算模块,用于计算待测样本的因素属性对各分类的关联函数,并根据各因素的灰色关联度计算权系数,其中,所述权系数为各因素灰色关联度占所有灰色关联度的比重作权重系数;
第三计算模块,用于根据所述关联函数和所述权系数,计算综合关联函数;
预测模块,用于根据所述综合关联函数,确定所述待测样本所属分类,以实现对所述待测样本的预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711444377.6A CN108182231A (zh) | 2017-12-27 | 2017-12-27 | 一种基于灰色关联度的可拓聚类方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711444377.6A CN108182231A (zh) | 2017-12-27 | 2017-12-27 | 一种基于灰色关联度的可拓聚类方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108182231A true CN108182231A (zh) | 2018-06-19 |
Family
ID=62547623
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711444377.6A Pending CN108182231A (zh) | 2017-12-27 | 2017-12-27 | 一种基于灰色关联度的可拓聚类方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108182231A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109751721A (zh) * | 2018-12-18 | 2019-05-14 | 珠海格力电器股份有限公司 | 一种新风系统的控制方法、装置、存储介质及新风系统 |
CN110070282A (zh) * | 2019-04-17 | 2019-07-30 | 国网安徽省电力公司 | 一种基于综合关联度的低压台区线损影响因素分析方法 |
CN111950792A (zh) * | 2020-08-14 | 2020-11-17 | 杭州海康威视系统技术有限公司 | 垃圾总量预测方法、装置、设备及存储介质 |
CN113313203A (zh) * | 2021-06-22 | 2021-08-27 | 哈尔滨工程大学 | 一种基于可拓理论和深度学习的医学图像分类方法 |
CN113379564A (zh) * | 2021-04-08 | 2021-09-10 | 国网河北省电力有限公司营销服务中心 | 电网负荷预测方法、装置及终端设备 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102354346A (zh) * | 2011-10-21 | 2012-02-15 | 南京航空航天大学 | 基于多层次灰色综合模型的太阳翼展开可靠性评估方法 |
CN102864743A (zh) * | 2011-07-07 | 2013-01-09 | 中铁十一局集团有限公司 | 桥梁施工期安全风险辨识方法 |
CN103489035A (zh) * | 2012-06-14 | 2014-01-01 | 西安元朔科技有限公司 | 基于灰色加权关联分析算法的电网电能质量综合评价方法 |
CN104680262A (zh) * | 2015-03-18 | 2015-06-03 | 国网上海市电力公司 | 一种受端电网最优分层分区方案获取方法 |
CN104778516A (zh) * | 2015-04-23 | 2015-07-15 | 国家电网公司 | 一种基于区间可拓理论的线损率多重预测方法 |
CN104809306A (zh) * | 2015-05-13 | 2015-07-29 | 梧州学院 | 基于多质量指标的注塑成型工艺参数优化方法 |
CN104899473A (zh) * | 2015-07-07 | 2015-09-09 | 郑州大学 | 一种河流断面退化评价方法 |
-
2017
- 2017-12-27 CN CN201711444377.6A patent/CN108182231A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102864743A (zh) * | 2011-07-07 | 2013-01-09 | 中铁十一局集团有限公司 | 桥梁施工期安全风险辨识方法 |
CN102354346A (zh) * | 2011-10-21 | 2012-02-15 | 南京航空航天大学 | 基于多层次灰色综合模型的太阳翼展开可靠性评估方法 |
CN103489035A (zh) * | 2012-06-14 | 2014-01-01 | 西安元朔科技有限公司 | 基于灰色加权关联分析算法的电网电能质量综合评价方法 |
CN104680262A (zh) * | 2015-03-18 | 2015-06-03 | 国网上海市电力公司 | 一种受端电网最优分层分区方案获取方法 |
CN104778516A (zh) * | 2015-04-23 | 2015-07-15 | 国家电网公司 | 一种基于区间可拓理论的线损率多重预测方法 |
CN104809306A (zh) * | 2015-05-13 | 2015-07-29 | 梧州学院 | 基于多质量指标的注塑成型工艺参数优化方法 |
CN104899473A (zh) * | 2015-07-07 | 2015-09-09 | 郑州大学 | 一种河流断面退化评价方法 |
Non-Patent Citations (2)
Title |
---|
何承,朱扬勇: "《城市交通大数据》", 31 January 2015 * |
陈伟清等: "基于灰色关联聚类分析的智慧城市建设领域发展水平实证研究", 《科技管理研究》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109751721A (zh) * | 2018-12-18 | 2019-05-14 | 珠海格力电器股份有限公司 | 一种新风系统的控制方法、装置、存储介质及新风系统 |
CN110070282A (zh) * | 2019-04-17 | 2019-07-30 | 国网安徽省电力公司 | 一种基于综合关联度的低压台区线损影响因素分析方法 |
CN110070282B (zh) * | 2019-04-17 | 2023-06-20 | 国网安徽省电力公司 | 一种基于综合关联度的低压台区线损影响因素分析方法 |
CN111950792A (zh) * | 2020-08-14 | 2020-11-17 | 杭州海康威视系统技术有限公司 | 垃圾总量预测方法、装置、设备及存储介质 |
CN113379564A (zh) * | 2021-04-08 | 2021-09-10 | 国网河北省电力有限公司营销服务中心 | 电网负荷预测方法、装置及终端设备 |
CN113313203A (zh) * | 2021-06-22 | 2021-08-27 | 哈尔滨工程大学 | 一种基于可拓理论和深度学习的医学图像分类方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108182231A (zh) | 一种基于灰色关联度的可拓聚类方法及系统 | |
King et al. | The balance‐sample size frontier in matching methods for causal inference | |
Heathcote et al. | Distribution-free tests of stochastic dominance for small samples | |
Yiu et al. | Covariate association eliminating weights: a unified weighting framework for causal effect estimation | |
CN109002904B (zh) | 一种基于Prophet-ARMA的医院门诊就诊量预测方法 | |
Tighe et al. | Teaching a machine to feel postoperative pain: combining high-dimensional clinical data with machine learning algorithms to forecast acute postoperative pain | |
Gerlach et al. | Forecasting risk via realized GARCH, incorporating the realized range | |
CN106971310A (zh) | 一种客户投诉数量预测方法及装置 | |
Goudarzi et al. | Technical efficiency of teaching hospitals in Iran: the use of stochastic frontier analysis, 1999–2011 | |
Li et al. | Pure jump models for pricing and hedging VIX derivatives | |
Springer et al. | The impact of school finance litigation on resource distribution: a comparison of court‐mandated equity and adequacy reforms | |
US20240013919A1 (en) | Supervised machine learning-based modeling of sensitivities to potential disruptions | |
Bickel | Estimating the null distribution to adjust observed confidence levels for genome-scale screening | |
Brinster et al. | Control procedures and estimators of the false discovery rate and their application in low-dimensional settings: an empirical investigation | |
CN112017042A (zh) | 基于tweedie分布的资源配额确定方法、装置和电子设备 | |
Neufeld et al. | Inference after latent variable estimation for single-cell RNA sequencing data | |
Li et al. | The logarithmic operational laws of intuitionistic fuzzy sets and intuitionistic fuzzy numbers | |
Bakucs et al. | Success or waste of taxpayer money? Impact assessment of rural development programs in Hungary | |
CN110400213A (zh) | 数据处理方法和装置、以及电子设备和可读介质 | |
Sintos | Does inflation worsen income inequality? A meta-analysis | |
CN111815487B (zh) | 基于深度学习的健康教育评估方法、装置及介质 | |
WO2011150097A2 (en) | Identifying and using critical fields in quality management | |
CN113161004A (zh) | 一种疫情预测系统及方法 | |
Espoir | Convergence or divergence patterns in income distribution across countries: A new evidence from a club clustering algorithm | |
Nugroho et al. | Special allocation fund and poverty rate in Indonesia |
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 | ||
CB03 | Change of inventor or designer information |
Inventor after: Li Hui Inventor after: Feng Gang Inventor after: Shi Ruo Inventor after: Wang Ruping Inventor before: Li Hui Inventor before: Feng Gang Inventor before: Shi Ruo Inventor before: Wang Ruping |
|
CB03 | Change of inventor or designer information | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180619 |
|
RJ01 | Rejection of invention patent application after publication |