CN108401459A - 能源消费者的预测性细分 - Google Patents

能源消费者的预测性细分 Download PDF

Info

Publication number
CN108401459A
CN108401459A CN201680074515.3A CN201680074515A CN108401459A CN 108401459 A CN108401459 A CN 108401459A CN 201680074515 A CN201680074515 A CN 201680074515A CN 108401459 A CN108401459 A CN 108401459A
Authority
CN
China
Prior art keywords
pattern
consumer
record
segmentation
validity
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.)
Granted
Application number
CN201680074515.3A
Other languages
English (en)
Other versions
CN108401459B (zh
Inventor
阿德里安·艾伯特
迈赫迪·马苏米
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Si Rui Iot
Original Assignee
Si Rui Iot
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Si Rui Iot filed Critical Si Rui Iot
Priority to CN202210473492.0A priority Critical patent/CN115082102A/zh
Publication of CN108401459A publication Critical patent/CN108401459A/zh
Application granted granted Critical
Publication of CN108401459B publication Critical patent/CN108401459B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0204—Market segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G06N5/022—Knowledge engineering; Knowledge acquisition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • 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
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
    • G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
    • 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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241—Advertisements
    • G06Q30/0251—Targeted advertisements
    • G06Q30/0269—Targeted advertisements based on user profile or attribute
    • 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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241—Advertisements
    • G06Q30/0251—Targeted advertisements
    • G06Q30/0269—Targeted advertisements based on user profile or attribute
    • G06Q30/0271—Personalized advertisement
    • 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

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Computing Systems (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Health & Medical Sciences (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Tourism & Hospitality (AREA)
  • Game Theory and Decision Science (AREA)
  • Educational Administration (AREA)
  • Algebra (AREA)
  • Computational Linguistics (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Quality & Reliability (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)

Abstract

计算机系统接收列出消费者属性和消费者采用状态的消费者记录，诸如所述消费者是否已经参与特定能源效率计划。诸如根据决策树，在所述消费者记录中识别初始模式集合。修整所述初始集合以获得满足最小支持度和有效性以及最大重叠要求的模式集合。根据寻求使每个分段的所述最小有效性最大化的优化算法将所述模式分配给分段，其中有效性指示符合每个分段的模式的、具有正采用状态的大量消费者。所述优化算法可以是二分算法，其评估线性分式整数规划(LFIP‑F)以迭代地逼近模式的最优分布。

Description

能源消费者的预测性细分
技术领域
本申请要求于2015年12月18日提交的标题为“Predictive Segmentation ofEnergy Consumers”的美国临时申请序列号62/269,793的权益，其全部内容通过引用特此并入。
技术领域
本发明涉及一种用于分析能源消费者的计算机算法。
背景技术
近年来，能源设施公司越来越热衷于改善传统上与电力供应商脱节的消费者群的关系。过去，能源设施公司和他们的消费者都理解电力公司的作用是“让灯保持亮着”。然而，当前的技术趋势和消费者态度转变(特别是由擅长理解和预测其消费者的偏好的面向消费者的互联网公司的增长所推动的)已经导致设施公司增加了与其消费者接洽的兴趣。
这些趋势的综合带来了数据可用性(通过诸如智能仪表等感测基础设施收集的高粒度消费数据以及消费者本身的其他“元数据”)和处理这类数据的计算方法(例如Li和Yang(2015)，Liu和Nielsen(2015))的增加。因此，能源设施公司越来越依赖分析技术，这些技术可能为他们提供增加消费者满意度和参与度以及参与其消费者群内的环境友好计划的方式。消费者细分作为了解消费者和识别对该了解做出行动的方式的技巧是不论大型还是小型组织的营销工具箱的基石。它被广泛用于市场营销(Association(2014)中提供综合评述)、在线广告(例如，Yan(2009)等)或电子零售(例如，Bhatnagar和Ghose(2004))，仅举几个应用。
随着设施公司努力与其消费者建立更加个性化和现代化的关系，他们热衷于将细分作为一种手段来量身定制他们有关效率测量和其他计划的沟通，从而提高参与和接洽。实践中采用的大多数市场细分技术都集中在固定规则集合的应用上。例如，将居住在大家庭和有孩子的消费者分配到“高消费”类别，而将订阅环保主义杂志的那些归入“绿色倡导者”群组。通常，这些规则来自反事实或传闻经验、行为研究或小规模心理学实验，并在实践中被视为“公认的事实”。作为凝聚的领域知识的结晶，这样的细分策略当然是有价值的，且应当为理论和实践提供信息。
本文描述的方法提供了用于细分能源消费者的改进方法。
附图说明
为了容易理解本发明的优点，将通过参考附图中图示的具体实施方式来呈现以上简要描述的本发明的更具体描述。应该理解这些附图仅描述了本发明的典型实施方式，并且因此不应认为是对其范围的限制，本发明将通过使用附图以附加特征和细节来描述和解释，其中：
图1是根据本发明实施方式的用于实现消费者的预测性细分的部件的示意性框图；
图2是计算设备的示意性框图；
图3是根据本发明实施方式的用于执行预测性细分的方法的过程流程图；
图4是图示从消费者数据提取的决策树的示意图；
图5是模式有效性对比规则数量的图；
图6是示出用于解释能源消费者的参与的预测性变量的图表；
图7是分配给消费者分段的模式的可行性矩阵；
图8是示出模式间重叠的分布的图；
图9是与两个分段相关联的模式的示例；
图10是关于迭代次数的分段有效性的下限和上限的图；
图11图示模式到分段指派矩阵；
图12图示分段的重叠；
图13是图示细分重叠的另一示意图；
图14是根据细分算法(segmentation algorithm)的细分和对应模式的列表；
图15是示出细分算法对于和的灵敏度分析的图；
图16是关于的分段有效性的图；
图17是作为细分复杂度的函数的分段有效性的散布图；
具体实施方式
本申请介绍了一种用于在庞大群体中识别子群组的预测性细分技术，该子群组就消费者属性中的某些模式而言是同类的，并且就期望的结果而言是预测性的。激励设置正在对能源设施公司的消费者创造一个高度可解读且直观的细分和定位过程，该过程在某种意义上也是最优的。在这种设置下，能源设施公司希望设计较少数量的消息类型发送给适当选择的消费者，这些消费者最有可能对这些不同类型的消息做出响应。在此提出的方法利用标准机器学习技术，使用消费、人口统计学和计划参与数据来提取基本预测性模式。该方法接下来定义将模式分配给少量细分类型的可行的潜在分配方式，这些少量细分类型由可从当前行为研究中得到的关于消费者特性的专家指南和假设所描述。算法继而识别将模式分配给细分类型的最优分配方式，这种最优分配方式既是可行的又能最大化预测能力。该方法在来源于一家大型美国能源公司的大规模数据集上实施，并且获得的消费者分段的参与可能性比平均人口的参与可能性高两倍以上，并且可以通过少量简单直观的规则对该消费者分段进行描述。
1.操作环境和概述
参考图1，本文公开的方法可以由图示的操作环境100来实现。服务器系统102或其他类型的计算机系统可以托管或访问数据库104。服务器系统102也可以用台式计算机、膝上型计算机或甚至具有足够计算能力的移动设备替换。数据库104可以包括多个消费者的消费者记录106。本文公开的方法针对能源消费者进行描述。因此，每个消费者记录106可以包括单个家庭或消费者账户的数据，因此可以包括多个同住的个人的数据。
消费者记录106可以包括像以姓名、账号或其他唯一标识符形式的一个或多个消费者的标识符108a这样的信息。消费者记录106可以包括消费者的地址108b和与消费者记录106相关联的一个或多个个人的人口统计信息108c(诸如年龄、收入、性别、职业、教育水平以及可表征消费者的任何其他信息)。
在本文公开的方法应用于能源消费者的情况下，消费者记录106可以进一步包括使用数据108d，例如，每年、每月或每天使用的千瓦小时数。使用数据108d可以包括从耗电量数据的分析获得的每日、每月或季度使用模式。在其他应用中，使用数据108d可以包括使用另一项服务或购买特定物品或供应品。
消费者记录106可以包括就消费者而言可获得的、可以有助于识别描述消费者类型和消费者行为的模式的任何其他数据108e。
本文公开的方法用于分析数据以确定预测采取特定动作的消费者的消费者数据(人口统计、使用情况和其他)的模式。在能源消费者的情况下，这可能包括参加能源效率计划或采取其他行动以减少消耗，或以其他方式减少消费者的环境影响。因此，消费者记录106可以进一步包括指示消费者是否选择参与特定计划的一个或多个采用状态指标108f。例如，如果消费者选择参与则状态108f可以为1，否则为0。在其他实施方式中，采用状态可以是指示与计划指南的一致程度或在特定目标上花费的金额的一系列值中之一。
数据库104可以进一步存储有分段(segment)110，这些分段110具有分配给其的多个模式112。每个分段110具有有效(effectiveness)114，该有效性114是具有正采用状态(positive adoption status)108f并且与分配给分段110的模式112中的一个相匹配的消费者记录数量的度量。
分段110可以由实施以下公开的方法的分析模块116来限定。具体而言，分析模块116可以包括模式生成模块118a。模式生成模块118a识别在消费者记录中共同出现的一系列属性。如下所述，可以针对每个消费者记录中的各种属性的值的阈值来描述模式。还如下所述，可以使用决策树或其他模式识别算法生成模式。
分析模块116可以进一步包括模式修整模块118b。如下所述，模式修整模块118b可以修整不符合最小支持度(minimum support)、有效性或不重叠标准的模式。分析模块可以包括细分模块118c。细分模块118c将经历修整118b后仍然有效的模式112分配给分段110，使得在通过在分段之间配给模式的算法已经增加了分段的最小有效性114的情况下获得一组分段110。
图2是图示示例计算设备200的框图。计算设备200可以用于执行各种程序，诸如本文讨论的那些。服务器系统102可以具有计算设备200的一些或全部属性。
计算设备200包括一个或多个处理器202、一个或多个存储器设备204、一个或多个接口206、一个或多个大容量存储设备208、一个或多个输入/输出(I/O)设备210和显示设备230，所有这些设备都耦接到总线212。(一个或多个)处理器202包括执行(一个或多个)存储器设备204和/或(一个或多个)大容量存储设备208中存储的指令的一个或多个处理器或控制器。(一个或多个)处理器202还可以包括各种类型的计算机可读介质，诸如高速缓冲存储器。
(一个或多个)存储器设备204包括诸如易失性存储器(例如，随机存取存储器(RAM)214)和/或非易失性存储器(例如，只读存储器(ROM)216)等各种计算机可读介质。(一个或多个)存储器设备204还可以包括可重写ROM，诸如闪速存储器。
(一个或多个)大容量存储设备208包括各种计算机可读介质，诸如磁带、磁盘、光盘、固态存储器(例如，闪速存储器)等等。如图2中所示，特定的大容量存储设备是硬盘驱动器224。还可以将各种驱动器包括在大容量存储设备208中以使得能够从各种计算机可读介质读取和/或向各种计算机可读介质写入。(一个或多个)大容量存储设备208包括可移动介质226和/或不可移动介质。
(一个或多个)I/O设备210包括允许将数据和/或其他信息输入到计算设备200或从计算设备200进行检索的各种设备。(一个或多个)示例I/O设备210包括光标控制设备、键盘、小型键盘、麦克风、监视器或其他显示设备、扬声器、网络接口卡、调制解调器、透镜、CCD或其他图像捕获设备等等。
显示设备230包括能够向计算设备200的一个或多个用户显示信息的任何类型的设备。显示设备230的示例包括监视器、显示终端、视频投影设备等等。
(一个或多个)接口206包括允许计算设备200与其他系统、设备或计算环境交互的各种接口。(一个或多个)示例接口206包括任意数目的不同网络接口220，例如到局域网(LAN)、广域网(WAN)、无线网络和因特网的接口。(一个或多个)其他接口包括用户接口218和外围设备接口222。(一个或多个)接口206还可以包括一个或多个外围接口，诸如用于指点设备(鼠标、轨迹板等)、键盘等等的接口。
总线212允许(一个或多个)处理器202、(一个或多个)存储器设备204、(一个或多个)接口206、(一个或多个)大容量存储设备208、(一个或多个)I/O设备210和(一个或多个)显示设备230彼此以及与耦合到总线212的其他设备或部件通信。总线212表示若干类型的总线结构中的一个或多个，诸如系统总线、PCI总线、IEEE 1394总线、USB总线等等。
出于说明目的，程序和其他可执行程序部件在本文中示出为离散块，但是应该理解，这样的程序和部件可以在各种时间驻留在计算设备200的不同存储部件中，并且由(一个或多个)处理器202执行。或者，本文描述的系统和程序可以用硬件，或者硬件、软件和/或固件的组合来实现。例如，一个或多个专用集成电路(ASIC)可以被编程以执行本文描述的一个或多个系统和程序。
参考图3，服务器系统102可以执行图示的方法300。方法300可以包括接收302消费者数据。这可以包括在收集关于消费者的数据时在一段时间内接收数据。所接收的数据可以包括以上描述为包含在消费者记录106中的一些或全部数据。
方法300可以进一步包括确定304消费者采用状态。采用状态108f可以包括在所接收的消费者记录中，或者，采用状态108f可以作为向消费者提供报价并接收响应的后续程序的一部分而被接收。在任一情况下，手动或自动地将数据提供给服务器系统102，该服务器系统102指示每个消费者的采用状态。在一些实施方式中，方法300可以仅针对接收到报价的消费者来执行。
方法300可以进一步包括生成306初始模式集合。例如，生成306初始模式集合可以包括如本领域所已知的遍历决策树，其中决策树的每个节点是与消费者记录106的属性108b-108e相对应的属性值或属性值范围。图5示出了示例决策树，并且初始模式集合的生成在以下第3.2节“从数据中提取预测性模式”和第5.2节“从数据提取的预测性模式”中更详细地描述。
方法300可以进一步包括修整308初始模式集合。这可以包括移除没有足够支持度的模式，例如与模式相匹配的消费者记录106数目不足；没有足够有效性的模式，例如与模式相匹配并且具有正采用状态的消费者记录106数目不足；以及具有高于阈值百分比的匹配消费者记录(该匹配消费者记录还匹配另一模式)的模式。修整过程的更详细的解释在以下第3.2节“从数据中提取预测性模式”和第5.2节“从数据提取的预测性模式”中描述。
方法300可以进一步包括根据一算法将模式分配310给分段，该算法迭代地逼近分段的最小有效性的最大值，其中有效性是有多少与分配给每个分段的模式相匹配的消费者记录具有正采用状态的度量。这可以包括执行优化算法，如以下第3.1节“提高最小有效性”中所述。
继而可以进一步处理分段312。具体而言，分段可能用于针对性营销：可以制作广告并仅将其传递给匹配一个分段的模式的消费者，以便提高广告的有效性。这些分段也可以用于使消费者行为可视化或用于任何其他商业目标。
由方法300实现的算法在以下第2节至第3节中更详细地描述。第4节包括现有方法的总结，并且第5节说明使用实际消费者数据的实验结果。
请注意以下描述是关于寻求使分段的最小有效性最大化的优化算法。因此，提及“最大”、“最优”、“优化”、“最低”和“最小”不应被理解为是指绝对或实际最大值、最优值或最小值，而是确定的最大值、最优值或最小值受所公开算法的限制并且受制于所公开算法的有限次数的迭代的执行。
具体而言，“最大化”值，值的“极大化”和值的“最大值”应理解为是指与所公开算法的先前迭代相比或者在不执行所公开算法的情况下该值的增加，除非在考虑封闭的值集合并且可以肯定地确定封闭集合中最大值的情况下。
“最小化”值，值的“极小化”和值的“最小值”应理解为是指与所公开算法的先前迭代相比或者在不执行所公开算法的情况下该值的减小，除非在考虑封闭的值集合并且可以肯定地确定封闭集合中最小值的情况下。
“优化”应理解为意味着找到比在没有所公开算法的情况下更接近绝对最佳值的值，并且不应理解为实际上找到绝对最佳值。类似地，“最优”值应理解为近似最佳值，其中“近似”是指表示在表示和执行数字的数学运算的准确度中的限制，所公开算法理论上可以实现的限制，以及实际上可以执行的迭代次数的限制。
2.预测性细分
透明且有用的细分策略应该实现以下目标：
1.内在化现有的、有价值的领域知识和最佳实践，以便从业人员能够轻松地关联并采用；
2.对于能源设施公司的非技术性计划管理人员来说是可理解的且直观的，并且对制作营销沟通也很有用；
3.在有效性方面提供了一定的最优性保证，即对于识别子群体这一目的而言具有高度的判别性，该子群体的成员比从整个群体中随机选取的消费者更有可能采取行动。
首先，能源设施公司拥有丰富的专业知识和实践经验，使他们能够对他们希望从其消费者中识别的某些高层次消费者类型提出假设。例如，大多数有经验的计划管理人员会同意“绿色倡导者”消费者相比那些更具有“成本意识”的消费者(他们可能会对开支节省的论点做出回应)会回应(强调环境影响的)其他类型的沟通。
第二，该方法可以从将某些变量与每个给定分段相关联(例如，“绿色倡导者”可以通过他们的收入、家庭类型和教育水平来定义)的现有领域知识开始，并且识别涉及那些导致最有效细分策略的变量的简单逻辑规则。这样的直观分段应当允许制作适当的消息发送策略。例如，“绿色倡导者”群组中的消费者将收到强调节能环保方面的信息，而那些“高消费”类别中的消费者将被告知关于他们能够减少大笔账单的方式。
挑战继而变成(在上述第3点中提出)开发一种算法性细分方法，该方法将要点1和要点2的需求内在化，同时确保所得分段的有用属性，以及保证满足所施加结构的最佳可能细分已经实现。期望的结果是使关于能源效率计划参与的营销沟通的影响最大化，即，面向更有可能参与的那些消费者。由于定制沟通和管理活动两者都很昂贵，因此存在真正的动机为少数分段创建信息，并让这些分段包括可能采取行动的消费者。
2.1.问题设置
由N个消费者组成的群体由运营商(能源设施公司)提供服务；对于每个消费者，该设施公司观察包含消费和消费者特性两者(诸如社会人口和物理建筑属性)的许多M个特征由此，所有消费者的特征数据存储在矩阵中。对于每个消费者i，设施公司还观察他是否在过去一年中参与过任何计划，当且仅当消费者i已经参与时其被编码为二元变量y∶yi＝1。
设施公司希望使用数据(X，y)来标识群体内对于属性X是“同质”的K分段，目的在于告知、简化和提高对于需求方效率计划参与的针对性沟通的有效性。基于现有市场研究，设施公司可能会对其服务哪种“消费者类型”具有某些假设。假定这种现有知识是以下形式：“绿色倡导者”拥有相对较高的收入或至少是大学学位。“家庭改善者”是房主或对于其家庭拥有较大权益比例。
……
继而，数据(X，y)可以用来通过提取V个模式的集合，使这些假设具体化，集合既是描述性的(它们所指的消费者特征展现这些模式)又是预测性的(因为落入某个模式的消费者比从整个群体中随机选择的消费者更有可能参与)。因此，模式可以定义为以下形式的逻辑表达式：
P＝{x∈X|r1(x)&r2(x)＆...}， (1)
其中P是基本规则(逻辑陈述)。因此，模式定义为一系列接合(asuccession ofconjunctions)。可互换地，模式可以称为遵循该模式的逻辑定义的消费者集合。我们认为基本规则具有以下形式：
rj(x):＝xj≤tjor rj(x):＝xj≥tj (2)
因此，基本规则由其引用的变量xj(x中的第j个变量)、趋势(“≥”或“≤”)和从数据学习的阈值tj定义。如果定义该规则的变量和趋势均与假设相匹配，我们认为规则Pj(·)与假设相一致。同样，如果模式P至少包含δ>1条与假设一致的规则，那么我们定义模式P是与假设δ一致的。
定义总结了由模式m涵盖项目i的程度的涵盖矩阵C是有用的：
模式P的有效性可以计算为该模式涵盖的消费者(经验性的)参与概率：
通过以上设置，我们将K个分段定义为模式集合，使得每个分段中的每个模式都与定义该分段的假设是δ一致的。用定义描述分段与模式之间的容许关系的(已知的)一致性矩阵：
最后，细分是如同单独分段的集合
2.2.有效细分
在此，我们认为如果细分策略能够就参与比率在消费者分段之间做出区分，那么它就是有效的。也就是说，一个(对于K分段)好的策略将识别以与在整个群体中观察到的总比率q大不相同(小于或大于)的概率qk，k＝1，……，K参与的群体中的那些分段。例如，如果细分由K＝2个群组A和B组成，如若A中的所有消费者都参与而B中没有消费者参与(因此qA＝1和qB＝0)，则该细分是完全有效的。完全无效的细分是A中的消费者以与B中的消费者相同的比率参与的细分(所以qA＝qB)。当然，通过让已经参与效率计划的所有那些消费者进入分段中的一个分段，可以总是将消费者分成两个分段；然而，挑战在于识别消费者特性X中的这样一些模式：这些模式导致也可以预测参与情况的可解读的、直观的分段定义。
能够以与模式的有效性相类似的方式，将每个分段的有效性计算为该分段中消费者的(经验性的)参与概率：
因此，如果|qk-q|＞＞0,则分段是参与的良好代表，其中
是整个群体中的参与比率。我们想要解决的问题是为每个分段分派至少个和最多个模式，使得到的分段具有期望的有效性特性，例如：
·使最小有效性最大化：
·确保有效性跨分段的适当平衡：
maxθ1q(S1)|+...+θKq(SK) (9)
其中θ是给定的权重向量。
为此，定义决策变量使得
如此，分段k定义为
这样，问题变为找到Zmk的值，使得目标(8-9)中的一个最大化，并且满足以下可行性约束条件(F0)：
包括仅在允许分段中的模式
限制每个分段中模式的数量
模式仅可属于一个分段
选择模式或者不选择模式
对于给定分段，可能有许多可行的模式，例如，|{Pm|bmk＞0}|＞1；此外，模式可能会重叠(也就是说，它们定义的消费者集合不是不相交的，)。因此，如果S中的分段恰好包含在它们所描述的消费者方面相重叠的那些模式，那么S中的分段也可能重叠。这就为适当地制定解决(8-9)以及满足约束条件(F0)的优化问题增加了额外的复杂性。
如果模式不重叠，则分段有效性可以写为：
其中
并且
d≡CT1。
但是，由于模式重叠可能是大量的，因此以上表达式重复计数了落入模式的多个模式中的消费者。我们用来解决这个问题的一种简化方式是放宽涵盖矩阵C的定义，考虑到可以认为由n个不同模式涵盖的消费者具有每种模式的1/n的分数涵盖率。这转换为经修改的涵盖矩阵
因此，经修改的涵盖矩阵为每个消费者i分配指示单个模式的分数涵盖率的权重(为每个模式赋予同等重要性)。为了简单起见，我们仍用C指代该经修改的矩阵。
3.计算预测性分段
用以计算预测性细分的算法的设计将由目标函数采取的特定形式(所有约束条件都是简单的线性约束条件)来确定。这里，我们关注这样的情况：其中目标是将可允许的模式指派给分段，诸如使跨K个分段的最小有效性最大化——参见公式(8)。对于希望其目标沟通策略的最小有效性有保障的计划管理人员来说，这是自然而然的要求。
3.1.提高最小有效性
等式(12)中的以上公式利用K个向量Zk，该K个向量Zk编码每个分段的决策变量。为了使用单个决策变量向量来以更熟悉的仿射形式表达目标和约束条件，我们可以使用以下记法：
其中z、vk和由此，有效性可以表达为
并且F0中的可行性条件为：
z≤vec(B)
zmk∈{0，1} (F)
在最大-最小目标情况下(8)，优化可以尝试尽可能地增加跨分段的有效性的下限。这导致了qk S的相对均匀分布。例如，在对分段中的每一个采取行动时，这种情况可能是期望的。在这种情况下，优化问题可以表达为：
条件是z≤vec(B)
zmk∈{0，1} (LFIP)
问题(LFIP)是具有线性约束条件的广义(最大-最小)线性分式整数规划。这类问题已在文献中得到广泛研究(参见例如，Horst和Pardalos(1995)、Feng等人(2011)、Schaible和Shi(2004)以供回顾)。继Boyd和Vandenberghe(2004)之后，我们提出了(LFIP)的等价公式作为线性整数规划可行性问题(LFIP-F)：
条件是(A-λD)z≥0
z-vee(B)≤0
Zmk∈{0，1} (LFIP-F)
其中A是具有行的矩阵，D是具有行的矩阵，k＝1,…,K。对于给定的λ值，可以使用标准的混合整数规划包(standard mixed-integer programming packages)来解决以上可行性问题(LFIP-F)。尽管初始消费者特性数据可能相当大(此处N≈1M个消费者)，但是模式数量预计会小得多(M～1,000)，且分段数量也是如此(此处K＝5)。这样，标准包可以提供优异的即时可用性。继而可以使用迭代二分算法1(见下面的表1)有效地找到具有对应最佳z的最大该算法在每个步骤解决可行性问题(LFIP-F)。从确保最佳λ*的大区间[l0,u0]开始(此处为[0,1])，算法逐步缩小区间[l,u]，在每个步骤确保λ*∈[u，b]。这在下面的建立在Patel等人(2013)基础之上的引理(Lemma)1中概述。
算法1、二分算法
引理1。算法1的输出是以公差∈和log2(∈0/∈)个迭代内对应于λ的最大值λ*的最优z*。
为证明引理1，我们必须表明算法1将找到λ可以取的最大可行值的唯一值λ*。为此，定义可行集合
用这个记法我们有
λ*≡sup{λ∈Λ}
并且分段z*的最优模式分派对应于λ*。根据定义，最佳λ*是可行集合Λ与不可行集合之间的(上)转折点
所以对于公差参数∈＞0(小)必须满足以下条件：
为了证明算法1会找到最佳λ*，我们需要表明其满足以上条件。我们在分析中只关注包含λ的项。
为了证明第一个条件，我们取
λ∈Λ
并且我们必须证明
λ-∈∈Λ
事实λ∈Λ表明
这样，对于λ+∈和相同的zλ，我们有
(A-(λ-∈)D)zλ＝(A-λD)zλ+∈Dzλ
≥0.
因为∈＞0并且D和zλ两者都只有非零条目，所有以上第二项为正。
为了证明第二个条件，确定值继而我们希望表明事实隐含如此我们必须有(A-λD)z＜0，赋值给λ。使得zλ是对应于λ的决策变量向量，其产生(A-λD)z的最大值并满足定义可行性集合Λ的所有其他条件。继而
从λ的不可行性我们进一步有(A-λD)zλ＜0。这样，对于λ+∈取决定向量zλ+∈，其产生的最大值，但是从前述我们有包括zλ+∈的。这样，对于zλ+∈我们有
(19)
继而由我们得出结论因此，算法1将总是找到对应于最佳指派向量z*的最大可行λ*。此外，由于每一步算法都将搜索区间[l，u]减半，其最多需要
步骤以达到|u-l|＜∈□的完成条件。如显而易见的，优化算法接近最优解决方案，使得最优解决方案在于随着以上所述的每次迭代变得更小的搜索框[l，u]＜∈。
3.2.从数据中提取预测性模式
在给定编码为特征矩阵X和二元响应(参与)向量y的观察值集合的情况下，我们希望提取高效(q＞＞q0)的模式P。为此我们采用以下方法：
1.使用诸如随机森林或AdaBoost Hastie等人(2009)的将分类树作为基学习器等集成方法来生成许多不同深度的决策树(此处我们生成了多达5个层级的树)。该步骤允许我们构建通过遍历决策树到每个叶子而获得的初始模式列表P0。取决于在增强集合中用作基分类器的树的级别，从单一声明(深度为1的树或决策树桩)到多个基规则的合取，这些规则可以采取不同形式的复杂度。
2.修整模式列表P0以消除那些不对应于一些“质量”集合标准的规则。出于此目的，如果满足以下两个标准，我们应认为模式为“有效”：
·最小支持度：|P|＞η，即匹配模式的消费者数量必须大于η，使得η+1是匹配每个模式的最小人数。此处我们使η＝500。
·最小有效性：q(P)＞ζq0。此处我们使ζ＝2。
3.进一步移除与其他模式重叠超过v％(此处v＝70％，然而也可以使用介于60％到75％之间的v值)并且具有较低的有效性q的模式。例如，对于具有匹配消费者C1和有效性q1的模式P1以及具有匹配消费者C2和小于q1的有效性q2的模式P2，如果多于v％的消费者C2包括在C1中，则将修整模式P2，由于其具有较低的有效性。
这个过程导致模式的修整集合。
4.文献综述
针对能源计划的消费者定位最近在工程学和计算机科学、运营管理和市场营销方面看似不相同的文献中得到了关注。通过提供建立在能源公共事业公司运营和营销部门的现存领域知识基础上的产生可解读的分段的简单透明方法，这项工作有助于在这些领域进行更广泛的讨论。对于需求方管理的工程学研究近来受到了包括细粒度消费数据和社会人口信息在内的详细消费者数据的激发。该数据通常集中在几个主要领域：i)使用整个家庭的数据(来自智能仪表或来自定制仪器)来描述用户群体的消费模式，目的是为诸如定制时刻定价或智能恒温控制等计划提供信息，Kwac等人(2013)、Albert和Rajagopal(2015)；ii)收集整个家庭和个人家电的实验数据，以从聚合信号中重新构建单独终端使用，CarrieArmel等人(2013)、Kolter和Jaakkola(2012)；以及iii)研究不同外部因素(尤其是天气)对能源使用的平均影响，Houde等人(2012)、Kavousian等人(2013)、Kavousian等人(2015)。
最新近关于能源分析的文献关注使用总需求曲线来为计划提供信息的公用事业公司在传统需求管理实践的扩展中对消费模式进行表征(负载分析)。Albert和Rajagopal(2014)提出了根据消费者的消费行为对电网造成成本的细分策略，作为定位那些对需求波动贡献最大的消费者群组的方式。一个受欢迎的研究主题是典型日常负载情况(这通常需要使用诸如KMeans等现成的非监督算法来聚类日常用户消费负载形状)下的异质性，该异质性随后可以用于诸如差别定价或激励等干预措施以减少能耗。这种方法在例如，Flath等人(2012)、Rasanen和Kolehmainen(2009)、Figueiredo等人(2005)、史密斯等人(2012年)、Tsekouras等人(2007)、Espinoza等人(2005)中采用。分段负荷曲线的其他变化基于消费的首次学习生成模型，继而聚类所获得的模型已经在例如，Albeit和Rajagopal(2013)、Alzate等人(2009)中讨论。然而，这一系列的研究本质上是描述性的，因为通常没有提供明确的使用案例用于所识别的负载模式——并且公用事业公司处目前存在很少可以并入这样的信息的项目。
另一方面，运营管理和营销文献在过去若干年中对能源应用的兴趣愈加见长。这可能受到以下事实的影响：在许多公用事业公司中，本身关注用效率计划分派、登记和定位消费者的部门传统上一直是运营或营销部门。
5.实验设置
5.1.消费者特征数据
我们在这本申请中使用的数据来自美国东北部的一家大型能源公司，数据包含约100个社会人口和建筑特性，以及N＝957,150个消费者在两年内的月度能耗读数。在标准数据清理程序之后，选择43个感兴趣的变量，其在整个群体中具有至少80％的有效条目。其中，19个变量是分类变量，24个变量是数值变量。将分类变量转换为二元哑变量，可以获得P＝304个变量的最终数据集。总体而言，48,310名消费者(相当于分数q0＝4.9％)在收集数据之前的两年内报名了任何能源效率计划。
表1.示例分类型消费者特性
表2.示例数值型社会人口和建筑相关消费者特性
表1描述了若干感兴趣的分类变量。绝大多数消费者(～80％)拥有自己的房屋，只有～16％的租房。教育水平反映了社会整体，其中各有四分之一的消费者拥有大学学位和研究生学位，而一半的消费者拥有高中文凭或更低文凭。“绿色意识”变量总结了考虑诸如杂志订阅、社区参与、政治倾向、不同组织机构隶属关系等因素的第三方分析的结果，从而得出对环境问题的推测的兴趣水平。
表2总结了若干更多个感兴趣的数值变量。平均出生年份是1957年，这表明婴儿潮人口统计。样本中的平均家庭生活在拥有12年以上土地使用权的大房子(6个房间)中。
5.2.从数据提取的预测性模式
如以上第3节中所述，从数据中提取预测性规则。修整后，预测性模式列表(其有效性至少为2×q0≈0.10，并且具有至少η＝500的支持度)包含Mo＝2,965个模式，其中每个模式最多5个基本规则(1852个模式具有5个基本规则，963个模式具有4个基本规则，具有3个基本规则的143个模式，以及7个模式具有2个基本规则)。图4图示从数据中提取的3个高度的示例决策树。突出显示的模式是决策树中从有效性(正样本比例)为8％的树根开始的路径。图5图示从数据中提取的Mo＝2,965个模式的不同复杂度模式(2-5个基本规则)的模式有效性q(R)的分布。如预期的，分布呈具有许多较低有效性的模式和较少高有效模式的指数行为。
图6列出了预测报名的前20个最重要变量。这些变量包括房屋所有权的量(贷款价值比率，可用权益)，房屋和居住其中家庭的大小以及家庭收入量度等等。这表明报名取决于对与房屋改善有关的财务保证和能力的认识。目前的分析仅考虑报名任何能源效率计划；分析面向更具体类型消费者的具体计划将会在重要变量(诸如保温隔热退款对比高效家电)方面产生更加细化的区别是很有可能的。
5.3.将模式与分段相关联
利用现有行为研究的结果和提供数据的与能源公用事业公司的广泛互动来定义分段。公用事业公司希望基于自己的内部专业知识和研究以及独立第三方的行为和市场研究(诸如Frankel等人(2013))识别落入其已经定义的少数分段的消费者。如以上第2节中所述，分段的目的是双重的：i)制作具有针对每个分段的适当信息和框架的少量营销沟通，诸如标准化的电子邮件，和ii)识别对应于每个分段的可能报名能源效率计划的消费者。
基于这种现有技术，公用事业公司认为消费者分为K＝5个分段：“绿色倡导者”，“高消费”，“家庭改善者”，“成本意识”和“文化驱动者”。表3总结了编码该假设的分段含义。在给定这些分段定义的情况下，通过确保每个模式P与关于各个分段含义的假设是δ一致的(参见第2部分)，来自P0的潜在模式P与不同分段相关联。也就是说，对于给定分段S，发现这些规则包含既在变量j上又在趋势上匹配(大于或小于从数据中学习的阈值)的δ个基本规则Pj∈R。模式P的结果集合包含M＝219个模式。并非所有的消费者都由具有N＝|UP∈ PP|614，830的缩减模式P(64％的原始样本)所涵盖，但89％的报名消费者包括在缩减集合中。
表3.从数据提取的分段定义和关联模式
表3还列出了每个分段获得的模式数量及其涵盖范围(模式中消费者的数量)。尽管模式的数量小于初始的～3000，但选择逼近最大有效性的足够小的数量仍然是一项非凡的任务。图7中图示了编码模式到分段分配可行性的关联矩阵B。一些模式可能属于多个分段，如图8中所图示。其中，绘制了涵盖用户的模式的数量分布。大多数用户都由少数模式涵盖；但是，有少数用户同时落入多于50个模式。
图9中显示了从数据中提取并分配给“高消费”和“成本意识”分段的规则的两个示例。分配给“高消费”的模式至少包含δ＝1个基本规则，其中涉及消费量大于给定阈值的条件。
6.结果
在的情况下，使用算法1来获得模式到分段Z的近似最优可行分派。当|u-l|＜∈＝10-14时，该算法从[0，1](宽度为∈0)中缩小搜索区域，直至14次迭代趋同。因此，模式到分段Z的分配在∈＝10-14内接近最优解决方案。图10中图示了二分搜索过程，该过程示出了通过迭代地求解且的可行性问题(LFIP-F)找到关于分段有效性的最大下限λ。图11中显示了针对和的所得最优分派矩阵Z。其中，水平轴按照与图10中使用的相同格式的任意ID号排列模式以表示允许的分配矩阵B。该算法选择了具有最佳有效性属性并且满足(F0)中的约束条件的少量模式。
最优解决方案包含跨在5个分段的10个模式。表4总结了所得分段的有效性和大小。最终的有效数字都大于2×q0，其中分配到一个分段(“文化驱动者”)的消费者以几乎总群体三倍的比率报名。
表4.分段的有效性与大小
图12示出了分段之间重叠的示例。这种重叠是归纳的，因为组成分段的模式本身可能并且确实在它们所涵盖的消费者中重叠。然而，分段重叠实际上是自然概念，因为消费者可能具有可以将其归属于某个分段(诸如“成本意识”)的某些特点，而与不同分段(例如“家庭改善者”)的消费者共享其他特点。细分技术明了地解释了这种情况。作为网络绘图的图13中呈现了分段重叠的更详尽的视图。其中，每个分段表示为与该分段中的消费者数量成比例的大小的节点；分段之间的连接的权重表示分段的成对重叠。当约束条件从(左图)改变为(右图)时，细分的结构随着更多模式用于构造一些分段而改变。
请注意，“分段”是由计划管理人员定义的构造，以便辅助创建和管理在一定程度上在消费者之间进行区分的沟通，同时保持较低的运营成本和复杂性。其揭开了一些异质性，但同时也不允许根据个人完全订制干预。强加每个消费者都属于一个分段，只会强加不切实际的假定，这是本方法所避免的。
图14包括定义与的最优模式分派相对应的分段的模式的列表。表3中关于每个分段的含义的假设用诸如阈值tj(精确定义“高”和“低”的含义)和附加基本规则等具体信息来丰富。例如，以高比率参加能源效率计划的一类“住房改善者”是南亚人，他们每年的收入超过75,000美元，并且拥有超过306,870美元的房屋权益。同样，一类“绿色倡导者”是每年的收入超过75,000美元的家庭，其收入水平至少是其国家平均收入水平的两倍半，他们有子女，而且不住在多户住房中。继而每个分段中模式可以用于设计针对该分段的营销沟通，从而包括该分段中消费者被视为会响应的元素。此外，模式的专属性(就从数据学习的阈值而言)允许针对那些最有可能报名的消费者。
从以上讨论中显而易见的是，获得的细分结构强烈依赖于约束条件的性质，特别取决于和的值。为了研究这种依赖性，针对其中和的网格运行算法1。目标的最优值，以及为细分选择的模式数目在图15中图示。当时获得最好结果(因此算法不会相比必要的将更多模式强制进分段中)。对于的中等到较大的值和的低值，显示出良好的结果(λ*≈12％)。因此，这些图提供了如何权衡模型复杂性和细分有效性的指导原则。
对于给定的值，观察到目标λ*和单个分段有效性值qk，k＝1，...，K随的变化。继而这可以用于所得细分的复杂性的调整参数，其可以被设计成适应感兴趣的单个分段的期望有效性值。这在值＝2的图16中图示。例如，如果重点落在“文化驱动者”上，具有的细分是优选的。请注意对于所有k值，qk明显大于λ*。
最后，单个分段有效性对分段复杂度(跨分段选择的总模式数量)的依赖性如图17中所图示。这突出显示了对于固定的给定细分复杂度值可以实现的最好的可能有效性值。例如，如果效率计划经理希望选择介于20到25之间的总模式数，他可以预期“文化驱动者”分段的最佳有效性总是大于“成本意识”分段的有效性。对于该的范围，“家庭改进者”、“绿色倡导者”和“文化驱动者”都具有11％左右的有效性值。
7.结论
本申请介绍了一种用于以编程方式构建能源消费者的可解读、预测性细分的方法。预测性细分问题基于首先从数据提取预测性模式(合取)，继而将模式优化地分派给分段来制定。这些分段使用能源公用事业公司的现有行为和营销调研来定义。最优分派制定为求解具有线性约束条件的广义(最大-最小)线性分式整数规划。为了求解该规划，使用了有效的二分算法。该方法用于识别大型美国能源公用事业公司的～1M电力消费者群体中的最优预测性分段。识别了消费者的最优子集，这些消费者的特征与公共事业公司关于其服务的消费者的类型的一般性假设相一致，并且这些消费者以总群体中～5％的报名比率的至少双倍报名。这些分段代表了公用事业公司可以为其制作适当的信息并且针对起来更加有效和经济的消费者。
在以上公开内容中，已经参考了形成其一部分的附图，并且其中通过图示方式示出了可以在其中实践本公开内容的具体实现。应该理解，在不偏离本公开内容的范围的情况下，可以利用其他实现并且可以进行结构改变。说明书中提及“一个实施方式”、“实施方式”、“示例实施方式”等指示所描述的实施方式可以包括特定特征、结构或特性，但是每个实施方式可能不一定包括特定特征、结构或特性。此外，这样的短语不一定是指相同的实施方式。而且，当结合实施方式描述特定特征、结构或特性时，认为结合其他实施方式(无论是否明确地描述)影响这样的特征、结构或特性是在本领域技术人员的知识范围内的。
本文公开的系统、设备和方法的实现可以包括或利用包括计算机硬件的专用或通用计算机，诸如，例如如本文所讨论的一个或多个处理器和系统存储器。在本公开内容范围内的实施方式还可以包括用于携带或存储计算机可执行指令和/或数据结构的物理和其他计算机可读介质。这样的计算机可读介质可以是可以由通用或专用计算机系统访问的任何可用介质。存储计算机可执行指令的计算机可读介质是计算机存储介质(设备)。携带计算机可执行指令的计算机可读介质是传输介质。因此，作为示例而非限制，本公开内容的实现可以包括至少两种截然不同的计算机可读介质：计算机存储介质(设备)和传输介质。
计算机存储介质(设备)包括RAM、ROM、EEPROM、CD-ROM、固态驱动器(“SSD”)(例如，基于RAM)、闪速存储器，相变存储器(“PCM”)、其他类型的存储器、其他光盘存储器、磁盘存储或其他磁存储设备，或者可用于以计算机可执行指令或数据结构的形式存储所期望程序代码手段并可由通用或专用计算机访问的任何其他介质。
本文公开的设备、系统和方法的实现可以通过计算机网络进行通信。“网络”定义为支持在计算机系统和/或模块和/或其他电子设备之间传输电子数据的一个或多个数据链路。当信息通过网络或其他通信连接(硬连线、无线连接或硬连线或无线连接的结合)传输或提供给计算机时，计算机可正确地将连接视为传输介质。传输介质可以包括网络和/或数据链路，其可以用于以计算机可执行指令或数据结构的形式携带所期望程序代码手段并且可以由通用或专用计算机访问。上述的组合也应该包括在计算机可读介质的范围内。
计算机可执行指令例如包括指令和数据，所述指令和数据在处理器处执行时使通用计算机、专用计算机或专用处理设备执行特定功能或功能组。计算机可执行指令可以是例如二进制文件，诸如汇编语言的中间格式指令，或者甚至是源代码。尽管已经用对结构特征和/或方法动作特定的语言描述了主题，但应该理解，在所附权利要求中限定的主题不一定限于上述描述的特征或动作。相反，所描述的特征和行为被公开为实施权利要求的示例形式。
本领域技术人员将认识到，本公开内容可以在具有许多类型的计算机系统配置的网络计算环境中实践，包括嵌入式车辆计算机、个人计算机、台式计算机、膝上型计算机、消息处理器、手持设备、多处理器系统、基于微处理器或可编程消费电子产品、网络PC、小型计算机，大型计算机、移动电话、PDA、平板电脑、寻呼机、路由器、交换机、各种存储设备等等。本公开内容还可以在分布式系统环境中实施，其中(通过硬连线数据链路，无线数据链路或通过硬连线和无线数据链路的组合)凭借网络连接的本地和远程计算机系统均执行任务。在分布式系统环境中，程序模块可能位于本地和远程存储器存储设备中。
此外，在适当的情况下，本文描述的功能可以在以下中的一个或多个中执行：硬件、软件、固件、数字部件或模拟部件。例如，一个或多个专用集成电路(ASIC)可以被编程用于执行本文描述的系统和程序中的一个或多个。整个说明书和权利要求中使用了某些术语来指代特定的系统部件。如本领域技术人员将认识到的，部件可以用不同的名称来指代。本文件不旨在区分名称不同而非功能不同的部件。
应该注意的是，以上讨论的传感器实施方式可以包括计算机硬件、软件、固件或其任何组合以执行其功能的至少一部分。例如，传感器可以包括被配置用于在一个或多个处理器中执行的计算机代码，并且可以包括由计算机代码控制的硬件逻辑/电路。这些示例设备在本文中出于说明目的而提供，并不旨在限制。如相关领域技术人员将会知晓的，本公开内容的实施方式可以在其他类型的设备中实现。
本公开内容的至少一些实施方式已经针对包含存储在任何计算机可用介质上的这样的逻辑(例如，以软件的形式)的计算机程序产品。这样的软件当在一个或多个数据处理设备中执行时使设备如本文所述的进行操作。
虽然以上已经描述了本公开内容的各种实施方式，但应该理解的是，它们仅作为示例而不是限制呈现。对于相关领域的技术人员来说明显的是，在不偏离本公开内容的精神和范围的情况下，可以在其中进行形式和细节上的各种改变。因此，本公开内容的宽度和范围不应被任何上述示例性实施方式限制，而应仅根据下面的权利要求及其等同物来限定。为了说明和描述的目的已经给出了前面的描述。这并不旨在是穷尽性的或将本公开内容限制为所公开的确切形式。鉴于上述教导，许多修改和变化是可能的。此外，应该注意的是，上述替代实现中的任何或全部能够以期望的任何组合来使用，以形成本公开内容附加的混合实现。
本发明可以在不偏离其精神或基本特征的情况下以其他具体形式来体现。所描述的实施方式在所有方面仅被认为是说明性的而非限制性的。因此，本发明的范围由所附权利要求而不是由前面的描述来指示。在权利要求的等同物的含义和范围内的所有变化都将被包含在其范围内。
以下参考文献的全部内容通过引用并入本文：
Albert，A.，R.Rajagopal.2013.Smart meter driven segmentation：What yourconsumption says about you.Power Systems，IEEE Transactions on 28(4)4019-4030.doi：10.1109/TPWRS.2013.2266122.
Albert，A.，R.Rajagopal.2014.Cost-of-service segmentation of energyconsumers.Power Systems，IEEE Transactions on 29(6)2795-2803.doi：10.1 109/TPWRS.2014.2312721.
Albert，A.，R.Rajagopal.2015.Thermal profiling of residential energyuse.Power Systems，IEEE Transactions on 30(2)602-611.doi：10.1109/TPWRS.20142329485.
Alzate，Carlos，Marcelo Espinoza，Bart Moor，Johan A.Suykens.2009.Identifyingcustomer profiles in power load time series using spectralclustering.Proceedings of the 19th International Conference on ArtificialNeural Networks：Part II.1CANN′09，Springer-Verlag，Berlin，Heidelberg，315-324.doi：10.1007/978-3-642-04277-5 32.URL http：//dx.doi.org/10.1007/978-3-642-04277-5_32.
Association.Information Resources Management.2014.Marketing andConsumerBehavior：Concepts，Methodologies，Tools，and Applications.IGI Global.URLhttps：//books.google.com/books？id＝RVwFogEACAAJ.
Bhatnagar，Amit，Sanjoy Ghose.2004.A latent class segmentation analysis ofe-shoppers.Journal of Business Research 57(7)758-767.URL http：//EconPapers.repec.org/RePEc：eee：jbrese：v：57：y：2004：i：7：p：758-767.
Boyd，Stephen，Lieven Vandenberghe.2004.Convex Optimization.CambridgeUniversity Press，New York，NY，USA.
Carrie Armel，K.，Abhay Gupta，Gireesh Shrimali，Adrian Albert.2013.Isdisaggregation the holy grail of energy efficiency？the case ofelectricity.Energy Policy 52(C)213-234.URL http：//EconPapers.repec.org/RePEc：eee：enepol：v：52：y：2013：i：c：p：213-234.
Espinoza，M，C Joye，R Belmans，B DeMoor.2005.Short-term loadforecasting.profile identification，and customer segmentation：A methodologybased on periodic time series.IEEE Transactions on Power Systems 20(3)1622-1630.URL http：//ieeexplore，ieee.org/lpdocs/epic03/wrapper.htm？amumber＝1490617.
Feng，Qigao.Hongwei Jiao，Hanping Mao，Yongqiang Chen.2011.A DeterministicAlgorithm for Minmax and Max-min Linear Fractional Programming Problems 4134-141.doi：10.1080/18756891.2011.9727770.
Figueiredo，V.，F.Rodrigues，Z.Vale，J.B.Gouveia.2005.An electric energyconsumer characterization framework based on data mining techniques.PowerSystems，IEEE Transactions on 20(2).doi：10.1109/TPWRS2005.846234.
Flath，Christoph，David Nicolay，Tobias Conte，Clemens van Dinther，LiliaFilipova-Neumann.2012.Cluster analysis of smart metering data-animplementation in practice.Business&Information Systems Engineering 4(1).
Frankel，David，Humayun Tai，Stefan Heck.2013.Using a consumer-segmentationapproach to make energy efficiency gains in the residential market.McKinseyand Co.Research Study.
Hastie，T.，R Tibshirani，J.Friedman.2009.The Elements of StatisticalLearning：Data Mining，Inference.and Prediction.Second Edition.Springer Seriesin Statistics，Springer.URL https：//books.google.com/books？id＝tVIjmNS3Ob8C.
Horst，Reiner，Panos M.Pardalos，eds.1995.Handbook of globaloptimization.Nonconvex optimization and its applications，Kluwer AcademicPublishers，Dordrecht，Boston.URL http：//opac.inriafr/record＝b1088635.
Houde，Sebastien，Annika Todd，Anant Sudarshan，June Flora，K.CarrieArmel.2012.Real-time feedback and electricity consumption：a field experimentassessing the potential for savings and persistence.Energy Policy doi：10.1109/TCE.2011.5735484.
Kavousian，Amir，Ram Rajagopal，Martin Fischer.2013.Determinants ofresidential electricity consumption：Using smart meter data to examine theeffect of climate，building characteristics，appliance stock，and occupants’behavior.Energy 55 184-194.
Kavousian，Amir，Ram Rajagopal，Martin Fischer.2015.Ranking appliance energyefficiency in households：Utilizing smart meter data and energy efficiencyfrontiers to estimate and identify the determinants of appliance energyefficiency in residential buildings.Energy and Buildings 99220-230.
Kolter，J.Zico，Tommi Jaakkola 2012.Approximate inference in additivefactorial hmms with application to energy disaggregation.Journal of MachineLearning Research-Proceedings Track 22 1472-1482.
Kwac，Jungsuk，June Flora，Ram Rajagopal.2013.Household energy consumptionlifestyle segmentation using hourly data.IEEE Transactions on the Smart Grid.
Li，Zhao，Fang Yang.2015.Governing millions meters data.Power EnergySociety General Meeting，2015 IEEE.1-5.doi：10.1109/PESGM.2015.7286131.
Liu，Xiufeng，Per Sieverts Nielsen.2015.Streamlining smart meter dataanalytics.Proceedings of the 10thConference on Sustainable Development ofEnergy，Water and Environment Systems.
Patel，S.，R.Sevlian，B.Zhang，R.Rajagopal.2013.Pricing ResidentialElectricity Based on Individual Consumption Behaviors.ArXiv e-prints.
Rasanen，Teemu，Mikko Kolehmainen.2009.Feature-based clustering forelectricity use time series data.Mikko Kolehmainen，Pekka Toivanen，BartlomiejBeliczynski，eds.，Adaptive and Natural Computing Algorithms.Lecture Notes inComputer Science，vol.5495.Springer Berlin/Heidelberg，401-412.
Schaible，Siegfried，Jianming Shi.2004.Recent developments in fractionalprogramming Single ratio and max-min case.
Smith，Brian Arthur，Jeffrey Wong，Ram Rajagopal.2012.A simple way to useinterval data to segment residential customers for energy efficiency anddemand response program targeting ACEEE Summer Study on Energy Efficiency inBuildings.
Tsekouras，G.，N.Hatziargyriou，E.Dialynas.2007.Two-stage patternrecognition of load curves for classification of electricity customers.IEEETransactions on Power Systems 22 1120-1128.
Yah，Jun，Ning Liu，Gang Wang，Wen Zhang，Yun Jiang，Zheng Chen.2009.How muchcan behavioral targeting help online advertising？Proceedings of the 18thinternational conference on World wide web.ACM，261-270.

Claims (20)

1.一种方法，包括：
由计算机系统接收多个消费者记录，每个消费者记录包括消费者的属性和采用状态；
通过所述计算机系统识别多个模式，每个模式根据所述多个消费者记录的所述属性定义所述多个消费者记录的消费者记录分组；以及
由所述计算机系统在多个分段之间分配所述多个模式，使得所述多个模式中的每个模式被分配给所述多个分段中的一个分段，根据迭代地增加所述多个分段的最小有效性的算法执行在所述多个分段之间的所述多个模式的所述分配，每个分段的所述有效性是所述多个消费者记录中的消费者记录的所述采用状态的函数，所述消费者记录与分配给所述每个分段的所述多个模式中的模式相匹配。
2.根据权利要求1所述的方法，其中所述算法包括求解等式LFIP-F。
3.根据权利要求2所述的方法，其中所述算法包括根据二分算法1求解线性整数规划可行性问题。
4.根据权利要求1所述的方法，其中对于所述每个模式的所述属性中的每个属性，所述多个模式中的每个模式包括所述每个属性的阈值。
5.根据权利要求1所述的方法，其中识别所述多个模式包括根据决策树处理所述多个消费者记录。
6.根据权利要求1所述的方法，其中识别所述多个模式包括：
根据决策树处理所述多个消费者记录以获得初始模式集合；以及
修整所述初始模式集合以获得所述多个模式。
7.根据权利要求6所述的方法，其中修整所述初始模式集合以获得所述多个模式包括：
移除具有低于最小支持度的支持度的模式，所述模式集合中的每个模式的所述支持度指示匹配所述每个模式的消费者记录的数量。
8.根据权利要求7所述的方法，其中修整所述初始模式集合以获得所述多个模式包括：
移除具有低于最小有效性的有效性的模式，所述模式集合中的每个模式的所述有效性指示与具有正采用状态的所述每个模式相匹配的消费者记录的比例。
9.根据权利要求8所述的方法，其中所述最小有效性是具有正采用状态的所述多个消费者记录中的所有消费者记录的比例的倍数，该倍数大于1。
10.根据权利要求9所述的方法，其中所述倍数至少为2。
11.根据权利要求6所述的方法，其中修整所述初始模式集合以获得所述多个模式包括移除所述初始模式集合中的这样一些模式：这些模式具有匹配所述每个模式的所述多个消费者记录中的一组消费者记录，使得超过最大百分比的所述组消费者记录还匹配所述初始模式集合中的另一模式。
12.根据权利要求11所述的方法，其中所述最大百分比介于60％与75％之间。
13.根据权利要求1所述的方法，其中每个分段的所述有效性还是分配给所述每个分段的每个模式的涵盖矩阵的函数，其中对于与所述每个模式相匹配的所述多个消费者记录中的每个消费者记录，每个模式的所述涵盖矩阵具有1/n的值，其中n是与所述每个消费者记录相匹配的所述多个模式中的模式数量。
14.一种系统，包括一个或多个处理设备以及可操作地耦合到所述一个或多个处理设备的一个或多个存储器设备，所述一个或多个存储器设备存储使得所述一个或多个处理器执行以下操作的可执行代码：
接收多个消费者记录，每个消费者记录包括消费者的属性和采用状态；
识别多个模式，每个模式根据所述多个消费者记录的所述属性定义所述多个消费者记录的消费者记录分组；以及
在多个分段之间分配所述多个模式，使得所述多个模式中的每个模式被分配给所述多个分段中的一个分段，使得根据寻求使所述多个分段的最小有效性最大化的算法在所述多个分段之间配给所述多个模式，每个分段的所述有效性是所述多个消费者记录中的消费者记录的所述采用状态的函数，所述消费者记录与分配给所述每个分段的所述多个模式中的模式相匹配。
15.根据权利要求14所述的系统，其中所述算法包括根据使用二分算法1的等式LFIP-F求解线性整数规划可行性问题。
16.根据权利要求14所述的系统，其中对于所述每个模式的所述属性中的每个属性，所述多个模式中的每个模式包括所述每个属性的阈值。
17.根据权利要求14所述的系统，其中所述可执行代码进一步使得所述一个或多个过程通过以下步骤识别所述多个模式：
根据决策树处理所述多个消费者记录以获得初始模式集合；以及
修整初所述始模式集合以获得所述多个模式。
18.根据权利要求17所述的系统，其中所述可执行代码进一步使得所述一个或多个过程修整所述初始模式集合以通过以下步骤获得所述多个模式：
移除具有低于最小支持度的支持度的模式，所述模式集合中的每个模式的所述支持度指示匹配所述每个模式的消费者记录的数量；
移除具有低于最小有效性的有效性的模式，所述模式集合中的每个模式的所述有效性指示匹配具有正采用状态的所述每个模式的消费者记录的比例；以及
移除所述初始模式集合中的这样一些模式：这些模式具有匹配所述每个模式的所述多个消费者记录中的一组消费者记录的，使得超过最大百分比的所述组消费者记录还匹配所述初始模式集合中的另一模式。
19.根据权利要求18所述的系统，其中所述倍数至少为2。
20.根据权利要求14所述的系统，其中所述可执行代码进一步使得所述一个或多个过程将每个分段的所述有效性作为分配给所述每个分段的每个模式的涵盖矩阵的函数来计算，其中对于与所述每个模式相匹配的所述多个消费者记录中的每个消费者记录，每个模式的所述涵盖矩阵具有1/n的值，其中n是与所述每个消费者记录相匹配的所述多个模式中的模式数量。
CN201680074515.3A 2015-12-18 2016-12-15 能源消费者的预测性细分 Active CN108401459B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210473492.0A CN115082102A (zh) 2015-12-18 2016-12-15 能源消费者的预测性细分

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US201562269793P 2015-12-18 2015-12-18
US62/269,793 2015-12-18
PCT/US2016/067002 WO2017106544A1 (en) 2015-12-18 2016-12-15 Predictive segmentation of energy customers

Related Child Applications (1)

Application Number Title Priority Date Filing Date
CN202210473492.0A Division CN115082102A (zh) 2015-12-18 2016-12-15 能源消费者的预测性细分

Publications (2)

Publication Number Publication Date
CN108401459A true CN108401459A (zh) 2018-08-14
CN108401459B CN108401459B (zh) 2022-05-17

Family

ID=59057661

Family Applications (2)

Application Number Title Priority Date Filing Date
CN201680074515.3A Active CN108401459B (zh) 2015-12-18 2016-12-15 能源消费者的预测性细分
CN202210473492.0A Pending CN115082102A (zh) 2015-12-18 2016-12-15 能源消费者的预测性细分

Family Applications After (1)

Application Number Title Priority Date Filing Date
CN202210473492.0A Pending CN115082102A (zh) 2015-12-18 2016-12-15 能源消费者的预测性细分

Country Status (6)

Country Link
US (3) US10872386B2 (zh)
EP (2) EP4123559A1 (zh)
JP (3) JP6876048B2 (zh)
CN (2) CN108401459B (zh)
CA (1) CA3005942A1 (zh)
WO (1) WO2017106544A1 (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113792099A (zh) * 2021-08-12 2021-12-14 上海熙业信息科技有限公司 一种基于历史效用表剪枝的数据流高效用项集挖掘系统
CN114726599A (zh) * 2022-03-28 2022-07-08 慧之安信息技术股份有限公司 基于人工智能算法的软件定义网络中入侵检测方法

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP4123559A1 (en) 2015-12-18 2023-01-25 C3.ai, Inc. Predictive segmentation of energy customers
US10657575B2 (en) 2017-01-31 2020-05-19 Walmart Apollo, Llc Providing recommendations based on user-generated post-purchase content and navigation patterns
US10445742B2 (en) 2017-01-31 2019-10-15 Walmart Apollo, Llc Performing customer segmentation and item categorization
US11651382B2 (en) * 2017-05-31 2023-05-16 Adobe Inc. User data overlap determination in a digital medium environment
US11308563B2 (en) * 2018-02-01 2022-04-19 Oracle International Corporation Energy program communication control system and method based on load shape analysis
US20210241392A1 (en) * 2020-02-05 2021-08-05 International Business Machines Corporation Metrics for energy saving and response behavior
US11315200B2 (en) * 2020-07-29 2022-04-26 Arcadia Power, Inc. Methods of allocating energy generated by a community solar energy system
US11423444B2 (en) 2020-08-14 2022-08-23 International Business Machines Corporation Propensity model

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120095794A1 (en) * 2010-10-15 2012-04-19 Accenture Global Service Limited Eco score analytics system
CN103398843A (zh) * 2013-07-01 2013-11-20 西安交通大学 基于多分类相关向量机的行星齿轮箱太阳轮故障分类方法
CN103530341A (zh) * 2013-10-08 2014-01-22 广州品唯软件有限公司 物品信息生成推送方法和系统
CN104254851A (zh) * 2012-03-17 2014-12-31 海智网聚网络技术（北京）有限公司 用于向用户推荐内容的方法和系统
US20150081384A1 (en) * 2013-09-16 2015-03-19 Fraunhofer Usa, Inc. Determining likelihood of an individual consumer enrolling in a behavior-based energy efficiency program
US20150161233A1 (en) * 2013-12-11 2015-06-11 The Board Of Trustees Of The Leland Stanford Junior University Customer energy consumption segmentation using time-series data

Family Cites Families (27)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU6097600A (en) * 1999-07-15 2001-02-05 Ebidenergy.Com User interface to facilitate, analyze and manage resource consumption
US7451065B2 (en) * 2002-03-11 2008-11-11 International Business Machines Corporation Method for constructing segmentation-based predictive models
US7698163B2 (en) * 2002-11-22 2010-04-13 Accenture Global Services Gmbh Multi-dimensional segmentation for use in a customer interaction
US7542960B2 (en) * 2002-12-17 2009-06-02 International Business Machines Corporation Interpretable unsupervised decision trees
US7689455B2 (en) * 2005-04-07 2010-03-30 Olista Ltd. Analyzing and detecting anomalies in data records using artificial intelligence
US7672865B2 (en) * 2005-10-21 2010-03-02 Fair Isaac Corporation Method and apparatus for retail data mining using pair-wise co-occurrence consistency
US8082166B2 (en) 2006-10-30 2011-12-20 Mary S. Moore Method to facilitate obtaining, storing, and subsequently conveying an organization's information for the benefit of successor organization-based agents
WO2010083334A1 (en) * 2009-01-14 2010-07-22 Integral Analytics, Inc. Optimization of microgrid energy use and distribution
US20110288905A1 (en) * 2009-02-10 2011-11-24 Greenbox Ip Pty Limited Resource supply management system and method
US20100332373A1 (en) * 2009-02-26 2010-12-30 Jason Crabtree System and method for participation in energy-related markets
US9190844B2 (en) * 2012-11-04 2015-11-17 Bao Tran Systems and methods for reducing energy usage
US10475138B2 (en) * 2015-09-23 2019-11-12 Causam Energy, Inc. Systems and methods for advanced energy network
US10719797B2 (en) * 2013-05-10 2020-07-21 Opower, Inc. Method of tracking and reporting energy performance for businesses
US9542510B2 (en) * 2013-08-07 2017-01-10 International Business Machines Corporation Detecting appliances in a building from coarse grained meter data with partial label
CN106537429A (zh) * 2014-05-28 2017-03-22 西门子瑞士有限公司 用于针对一个或多个建筑物提供优化或改进措施的系统和方法
US11488086B2 (en) * 2014-10-13 2022-11-01 ServiceSource International, Inc. User interface and underlying data analytics for customer success management
US20160132913A1 (en) * 2014-11-11 2016-05-12 IGATE Global Solutions Ltd. Multivariate Canonical Data Model for Tagging Customer Base of Energy Utility Enterprise
US9716664B2 (en) * 2014-12-03 2017-07-25 Cisco Technology, Inc. Tracking queuing delay and performing related congestion control in information centric networking
US10769734B2 (en) * 2015-01-13 2020-09-08 Causam Energy, Inc. Systems and methods for advanced energy settlements, network-based messaging, and software applications for electric power grids, microgrids, grid elements, and/or electric power networks
US10147108B2 (en) * 2015-04-02 2018-12-04 The Nielsen Company (Us), Llc Methods and apparatus to identify affinity between segment attributes and product characteristics
JP6408451B2 (ja) * 2015-05-21 2018-10-17 株式会社日立製作所 エネルギー需要予測システム及びエネルギー需要予測方法
US9960637B2 (en) * 2015-07-04 2018-05-01 Sunverge Energy, Inc. Renewable energy integrated storage and generation systems, apparatus, and methods with cloud distributed energy management services
CN113473187B (zh) * 2015-07-24 2023-10-10 安普视频有限公司 广告投放的跨屏优化
US10116796B2 (en) * 2015-10-09 2018-10-30 Ooma, Inc. Real-time communications-based internet advertising
US10387787B1 (en) * 2015-10-28 2019-08-20 Intuit Inc. Method and system for providing personalized user experiences to software system users
US10559044B2 (en) * 2015-11-20 2020-02-11 Opower, Inc. Identification of peak days
EP4123559A1 (en) 2015-12-18 2023-01-25 C3.ai, Inc. Predictive segmentation of energy customers

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120095794A1 (en) * 2010-10-15 2012-04-19 Accenture Global Service Limited Eco score analytics system
CN104254851A (zh) * 2012-03-17 2014-12-31 海智网聚网络技术（北京）有限公司 用于向用户推荐内容的方法和系统
CN103398843A (zh) * 2013-07-01 2013-11-20 西安交通大学 基于多分类相关向量机的行星齿轮箱太阳轮故障分类方法
US20150081384A1 (en) * 2013-09-16 2015-03-19 Fraunhofer Usa, Inc. Determining likelihood of an individual consumer enrolling in a behavior-based energy efficiency program
CN103530341A (zh) * 2013-10-08 2014-01-22 广州品唯软件有限公司 物品信息生成推送方法和系统
US20150161233A1 (en) * 2013-12-11 2015-06-11 The Board Of Trustees Of The Leland Stanford Junior University Customer energy consumption segmentation using time-series data

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113792099A (zh) * 2021-08-12 2021-12-14 上海熙业信息科技有限公司 一种基于历史效用表剪枝的数据流高效用项集挖掘系统
CN113792099B (zh) * 2021-08-12 2023-08-25 上海熙业信息科技有限公司 一种基于历史效用表剪枝的数据流高效用项集挖掘系统
CN114726599A (zh) * 2022-03-28 2022-07-08 慧之安信息技术股份有限公司 基于人工智能算法的软件定义网络中入侵检测方法
CN114726599B (zh) * 2022-03-28 2023-01-10 慧之安信息技术股份有限公司 基于人工智能算法的软件定义网络中入侵检测方法和装置

Also Published As

Publication number Publication date
CN108401459B (zh) 2022-05-17
US10872386B2 (en) 2020-12-22
WO2017106544A1 (en) 2017-06-22
US20220108407A1 (en) 2022-04-07
JP2018537790A (ja) 2018-12-20
CA3005942A1 (en) 2017-06-22
US11823291B2 (en) 2023-11-21
JP2022101662A (ja) 2022-07-06
JP7065231B2 (ja) 2022-05-11
EP3391323A1 (en) 2018-10-24
US20170178256A1 (en) 2017-06-22
EP4123559A1 (en) 2023-01-25
JP6876048B2 (ja) 2021-05-26
US20240078618A1 (en) 2024-03-07
EP3391323A4 (en) 2019-06-05
JP2021108216A (ja) 2021-07-29
CN115082102A (zh) 2022-09-20

Similar Documents

Publication Publication Date Title
CN108401459A (zh) 能源消费者的预测性细分
Himeur et al. A survey of recommender systems for energy efficiency in buildings: Principles, challenges and prospects
Dhote et al. Hybrid geometric sampling and AdaBoost based deep learning approach for data imbalance in E-commerce
Albert et al. Predictive segmentation of energy consumers
Chen et al. Design and implementation of bank CRM system based on decision tree algorithm
Abdi et al. Customer Behavior Mining Framework (CBMF) using clustering and classification techniques
Mahdavi et al. Designing customer-oriented catalogs in e-CRM using an effective self-adaptive genetic algorithm
Seret et al. A new SOM-based method for profile generation: Theory and an application in direct marketing
Qazi et al. Designing and deploying insurance recommender systems using machine learning
Chandra et al. Big data and sustainable consumption: a review and research agenda
Ferrati et al. Entrepreneurial finance: emerging approaches using machine learning and big data
Yuan Intelligent forecasting of inbound tourist arrivals by social networking analysis
Sharma et al. DeepWalk Based Influence Maximization (DWIM): Influence Maximization Using Deep Learning.
Pai et al. Rough set theory with discriminant analysis in analyzing electricity loads
Keles et al. IBMMS decision support tool for management of bank telemarketing campaigns
Herawati et al. The challenges of Industrial Revolution 4.0: An evidence from public administration ecology in Indonesia
Ansari et al. Using decision trees to analyse the customers' shopping location preferences
Zhao et al. A global forecasting method of heterogeneous household short-term load based on pre-trained autoencoder and deep-LSTM model
Patel et al. The RFM-based ubiquitous framework for secure and efficient banking
Gan et al. Sustainable portfolio re-equilibrium on wind-solar-hydro system: An integrated optimization with combined meta-heuristic
Evgenievich Gladilin et al. Method for analyzing the location, assortment and success of outlets based on transactional data
Ihm et al. A policy knowledge-and reasoning-based method for data-analytic city policymaking
Simaiya et al. A transfer learning-based hybrid model with LightGBM for smart grid short-term energy load prediction
Deng Using affinity analysis-driven adaptive data mining life cycle for the development of a student retention DSS
LIU The effects of recommender system on sales promotion of high-value products: Evidence from a field experiment in the real estate industry

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
CB02 Change of applicant information

Address after: California, USA

Applicant after: Sirui Artificial Intelligence Company

Address before: California, USA

Applicant before: Si Rui IOT

CB02 Change of applicant information
GR01 Patent grant
GR01 Patent grant