CN108446850A - 一种基于偏最小二乘法的供电企业客户满意度评价方法 - Google Patents
一种基于偏最小二乘法的供电企业客户满意度评价方法 Download PDFInfo
- Publication number
- CN108446850A CN108446850A CN201810235134.XA CN201810235134A CN108446850A CN 108446850 A CN108446850 A CN 108446850A CN 201810235134 A CN201810235134 A CN 201810235134A CN 108446850 A CN108446850 A CN 108446850A
- Authority
- CN
- China
- Prior art keywords
- variable
- model
- satisfaction
- latent
- coefficient
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 29
- 238000000034 method Methods 0.000 claims abstract description 50
- 230000008447 perception Effects 0.000 claims description 32
- 230000003993 interaction Effects 0.000 claims description 18
- 230000014509 gene expression Effects 0.000 claims description 6
- 238000004891 communication Methods 0.000 description 15
- 239000011159 matrix material Substances 0.000 description 11
- 230000008569 process Effects 0.000 description 8
- 230000005611 electricity Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 238000000611 regression analysis Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000012628 principal component regression Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000000151 deposition Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000004083 survival effect Effects 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- 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
-
- 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)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- Finance (AREA)
- Marketing (AREA)
- Accounting & Taxation (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Public Health (AREA)
- Primary Health Care (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偏最小二乘法的供电企业客户满意度评价方法及计算设备，该方法包括：获取用户满意度指标变量，所述用户满意度指标变量包括多个潜变量和观测变量；基于各潜变量构建内部模型，所述内部模型通过回归系数表征各潜变量之间的内部关系；基于各潜变量和其相应的观测变量构建外部模型，所述外部模型通过载荷系数表征各潜变量和其相应的观测变量之间的外部关系；分别计算出所述外部模型中的载荷系数和所述内部模型中的回归系数；根据所述载荷系数和所述回归系数分别更新外部模型和内部模型，将更新后的外部模型和内部模型组合形成用户满意度模型，以进行电力用户满意度评估。
Description
技术领域
本发明涉及能源电力领域，特别涉及一种基于偏最小二乘法的供电企业客户满意度评价方法及计算设备。
背景技术
在中国，供电行业由于涉及国家安全和经济命脉而显得十分重要。在市场经济及和谐电力政策的驱动下，尤其是在厂网分开后，供电行业想要在竞争环境中生存和发展，就需要提高服务质量。因此，向供电企业引入用户满意度评估是非常重要和迫切的。
目前，国外发达国家已经为大多数行业和企业建立了用户满意度评估工具，如欧洲顾客满意度指数(ECSI：Europe Customer Satisfaction Index)和美国顾客满意度指数(ACSI：American Customer Satisfaction Index)。对中国而言，虽然现在对用户满意度已经有所研究，但仍然存在很多问题：首先，对中国用户满意度的研究是定性的，只能帮助企业建立以用户为中心的经营管理理念，具体的可实施性和可操作性并不是很强；其次，中国的国家客户满意度指数仅适用于银行、IT(Information Technology，信息技术)和电信等少数行业，在电力行业的应用相对较少；最后，供电企业逐渐认识到用户满意度评估的重要性，一些供电公司虽然进行了满意度评估，但只得到未经模型验证以及变量之间路径系数分析的结果。
发明内容
为此，本发明提供一种基于偏最小二乘法的供电企业客户满意度评价的技术方案，以力图解决或者至少缓解上面存在的问题。
根据本发明的一个方面，提供一种基于偏最小二乘法的供电企业客户满意度评价方法，适于在计算设备中执行，该方法包括如下步骤：首先，获取用户满意度指标变量，用户满意度指标变量包括多个潜变量和观测变量；基于各潜变量构建内部模型，内部模型通过回归系数表征各潜变量之间的内部关系；基于各潜变量和其相应的观测变量构建外部模型，外部模型通过载荷系数表征各潜变量和其相应的观测变量之间的外部关系；分别计算出外部模型中的载荷系数和内部模型中的回归系数；根据载荷系数和回归系数分别更新外部模型和内部模型，将更新后的外部模型和内部模型组合形成用户满意度模型，以进行电力用户满意度评估。
可选地，在根据本发明的基于偏最小二乘法的供电企业客户满意度评价方法中，潜变量包括外生变量和内生变量
可选地，在根据本发明的基于偏最小二乘法的供电企业客户满意度评价方法中，外生变量为企业形象，内生变量包括期望、质量感知、价值感知、满意程度、投诉率和忠诚度中至少一种。
可选地，在根据本发明的基于偏最小二乘法的供电企业客户满意度评价方法中，企业形象对应的观测变量包括受到客户欢迎、关注社会公益事业、关爱顾客、高质量供电和提供高水平服务中至少一种。
可选地，在根据本发明的基于偏最小二乘法的供电企业客户满意度评价方法中，内部模型以如下公式表示：
F＝βF+γX+e
其中，F表示潜变量中的内生变量，X表示潜变量中的外生变量，β和γ为内部模型的回归系数，β代表内生变量之间的相互作用，γ代表外生变量对内生变量的影响，e表示内部模型的误差项。
可选地，在根据本发明的基于偏最小二乘法的供电企业客户满意度评价方法中，外部模型以如下公式表示：
y＝λyF+ey
x＝λxX+ex
其中，F表示潜变量中的内生变量，X表示潜变量中的外生变量，y表示内生变量F对应的观测变量，x表示外生变量X对应的观测变量，λy表示内生变量F与其对应的观测变量y之间的载荷系数，λx表示外生变量X与其对应的观测变量x之间的载荷系数，ey和ex分别表示外部模型中相应的误差项。
可选地，在根据本发明的基于偏最小二乘法的供电企业客户满意度评价方法中，内生变量F为期望F1、质量感知F2、价值感知F3、满意程度F4、投诉率F5和忠诚度F6组合形成的列向量。
可选地，在根据本发明的基于偏最小二乘法的供电企业客户满意度评价方法中，回归系数β以如下公式表示：
其中，β21表示质量感知F2和期望F1之间的相互作用，β31和β32分别表示价值感知F3和期望F1、质量感知F2之间的相互作用，β41、β42和β43分别表示满意程度F4和期望F1、质量感知F2、价值感知F3之间的相互作用，β54表示投诉率F5和满意程度F4之间的相互作用，β64和β65分别表示忠诚度F6和满意程度F4、投诉率F5之间的相互作用。
可选地，在根据本发明的基于偏最小二乘法的供电企业客户满意度评价方法中，回归系数γ以如下公式表示：
其中，γ1表示外生变量X对内生变量F中期望F1的影响，γ4表示外生变量X对内生变量F中满意程度F4的影响。
可选地，在根据本发明的基于偏最小二乘法的供电企业客户满意度评价方法中，外生变量X为企业形象，其所对应的观测变量x为受到客户欢迎x1、关注社会公益事业x2、关爱顾客x3、高质量供电x4和提供高水平服务x5组合形成的列向量。
可选地，在根据本发明的基于偏最小二乘法的供电企业客户满意度评价方法中，载荷系数λx以如下公式表示：
其中，λ1、λ2、λ3、λ4和λ5分别表示观测变量x中受到客户欢迎x1、关注社会公益事业x2、关爱顾客x3、高质量供电x4和提供高水平服务x5对外生变量X的影响。
可选地，在根据本发明的基于偏最小二乘法的供电企业客户满意度评价方法中，分别计算出外部模型中的载荷系数和内部模型中的回归系数的步骤包括：通过回归分析对各潜变量进行估值计算，以获取各潜变量的估计值；根据各潜变量的估计值，分别与其对应的观测变量的值回归，分别计算出外部模型的载荷系数和内部模型中的回归系数。
根据本发明的又一个方面，提供一种计算设备，包括一个或多个处理器、存储器以及一个或多个程序，其中一个或多个程序存储在存储器中并被配置为由一个或多个处理器执行，一个或多个程序包括用于执行根据本发明的基于偏最小二乘法的供电企业客户满意度评价方法的指令。
根据本发明的又一个方面，还提供一种存储一个或多个程序的计算机可读存储介质，一个或多个程序包括指令，指令当由计算设备执行时，使得计算设备执行根据本发明的基于偏最小二乘法的供电企业客户满意度评价方法。
根据本发明的基于偏最小二乘法的供电企业客户满意度评价的技术方案，首先获取用户满意度指标变量，用户满意度指标变量包括多个潜变量和观测变量，再基于各潜变量构建内部模型，基于各潜变量和其相应的观测变量构建外部模型，分别对外部模型和内部模型中的参数进行计算，将计算得出的结果相应代入外部模型和内部模型完成更新，将更新后的外部模型和内部模型组合形成用户满意度模型，以进行电力用户满意度评估。在上述方案中，内部模型的参数为回归系数，外部模型的参数为载荷系数，利用回归分析来求解载荷系数和回归系数这两类参数，能够在用户满意度模型中较好地表征出各潜变量之间的内部关系，以及各潜变量和其相应的观测变量之间的外部关系，保证了模型自身的实用性、可靠性以及操作性，用户满意度估计的精确度得到大幅提升，也便于对影响用户满意度的因素进行分析，进而引导供电企业实施改进措施，为后续用户满意度的提高指明了方向。
附图说明
为了实现上述以及相关目的，本文结合下面的描述和附图来描述某些说明性方面，这些方面指示了可以实践本文所公开的原理的各种方式，并且所有方面及其等效方面旨在落入所要求保护的主题的范围内。通过结合附图阅读下面的详细描述，本公开的上述以及其它目的、特征和优势将变得更加明显。遍及本公开，相同的附图标记通常指代相同的部件或元素。
图1示出了根据本发明的一个实施例的计算设备100的结构框图；以及
图2示出了根据本发明的一个实施例的基于偏最小二乘法的供电企业客户满意度评价方法200的流程图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
图1是示例计算设备100的框图。在基本的配置102中，计算设备100典型地包括系统存储器106和一个或者多个处理器104。存储器总线108可以用于在处理器104和系统存储器106之间的通信。
取决于期望的配置，处理器104可以是任何类型的处理，包括但不限于：微处理器(μP)、微控制器(μC)、数字信息处理器(DSP)或者它们的任何组合。处理器104可以包括诸如一级高速缓存110和二级高速缓存112之类的一个或者多个级别的高速缓存、处理器核心114和寄存器116。示例的处理器核心114可以包括运算逻辑单元(ALU)、浮点数单元(FPU)、数字信号处理核心(DSP核心)或者它们的任何组合。示例的存储器控制器118可以与处理器104一起使用，或者在一些实现中，存储器控制器118可以是处理器104的一个内部部分。
取决于期望的配置，系统存储器106可以是任意类型的存储器，包括但不限于：易失性存储器(诸如RAM)、非易失性存储器(诸如ROM、闪存等)或者它们的任何组合。系统存储器106可以包括操作系统120、一个或者多个程序122以及程序数据124。在一些实施方式中，程序122可以布置为在操作系统上由一个或多个处理器104利用程序数据124执行指令。
计算设备100还可以包括有助于从各种接口设备(例如，输出设备142、外设接口144和通信设备146)到基本配置102经由总线/接口控制器130的通信的接口总线140。示例的输出设备142包括图形处理单元148和音频处理单元150。它们可以被配置为有助于经由一个或者多个A/V端口152与诸如显示器或者扬声器之类的各种外部设备进行通信。示例外设接口144可以包括串行接口控制器154和并行接口控制器156，它们可以被配置为有助于经由一个或者多个I/O端口158和诸如输入设备(例如，键盘、鼠标、笔、语音输入设备、触摸输入设备)或者其他外设(例如打印机、扫描仪等)之类的外部设备进行通信。示例的通信设备146可以包括网络控制器160，其可以被布置为便于经由一个或者多个通信端口164与一个或者多个其他计算设备162通过网络通信链路的通信。
网络通信链路可以是通信介质的一个示例。通信介质通常可以体现为在诸如载波或者其他传输机制之类的调制数据信号中的计算机可读指令、数据结构、程序模块，并且可以包括任何信息递送介质。“调制数据信号”可以这样的信号，它的数据集中的一个或者多个或者它的改变可以在信号中编码信息的方式进行。作为非限制性的示例，通信介质可以包括诸如有线网络或者专线网络之类的有线介质，以及诸如声音、射频(RF)、微波、红外(IR)或者其它无线介质在内的各种无线介质。这里使用的术语计算机可读介质可以包括存储介质和通信介质二者。
计算设备100可以实现为服务器，例如文件服务器、数据库服务器、应用程序服务器和WEB服务器等，也可以实现为小尺寸便携(或者移动)电子设备的一部分，这些电子设备可以是诸如蜂窝电话、个人数字助理(PDA)、个人媒体播放器设备、无线网络浏览设备、个人头戴设备、应用专用设备、或者可以包括上面任何功能的混合设备。计算设备100还可以实现为包括桌面计算机和笔记本计算机配置的个人计算机。
在一些实施例中，计算设备100被配置为执行根据本发明的基于偏最小二乘法的供电企业客户满意度评价方法200。其中，计算设备100的一个或多个程序122包括用于执行根据本发明的基于偏最小二乘法的供电企业客户满意度评价方法200的指令。
图2示出了根据本发明一个实施例的基于偏最小二乘法的供电企业客户满意度评价方法200的流程图。基于偏最小二乘法的供电企业客户满意度评价方法200适于在计算设备(例如图1所示的计算设备100)中执行。
如图2所示，方法200始于步骤S210。在步骤S210中，获取用户满意度指标变量，用户满意度指标变量包括多个潜变量和观测变量。其中，一个潜变量一般对应于一个或多个与其相关的观测变量。通过用户满意度指标变量，应该可以构建出一个供电企业的用户满意度评价体系，该体系具备一下四个特性：
1)综合性：应反映影响客户满意度的主要方面；
2)独立性：必须具有高度的区分性，便于识别；
3)可比性：不同公司或同一家公司在不同时间的评估是可比的，对于没有倾向的每个对象都是公平的；
4)可行性：最终目的是制定影响用户满意度的因素，以制定改进策略，提高用户满意度，因此指标的内容和意义必须被工人和用户所理解。
基于此，根据本发明的一个实施例，对于用户满意度指标变量而言，其中的潜变量包括外生变量和内生变量，外生变量为企业形象，内生变量包括期望、质量感知、价值感知、满意程度、投诉率和忠诚度中至少一种。其中，企业形象对应的观测变量包括受到客户欢迎、关注社会公益事业、关爱顾客、高质量供电和提供高水平服务中至少一种。期望对应的观测变量包括理想期望和/或可接受期望，质量感知对应的观测变量包括可感性、可靠性、保证、响应能力、人性化、安全性和稳定性中至少一种，价值感知对应的观测变量为包括对客户当前电价下服务质量的评估和/或客户比较电网公司和其他公用事业的价格谁更合理，满意程度对应的观测变量为包括总体评估、期望比较、不同期比较和与其他事业比较中至少一种，投诉率对应的观测变量为包括去年客户投诉频率和/或去年客户投诉后的诉讼频率，忠诚度对应的观测变量为包括推荐、信心和行动中任一种。
随后，进入步骤S220，基于各潜变量构建内部模型，内部模型通过回归系数表征各潜变量之间的内部关系。根据本发明的一个实施例，内部模型以如下公式表示：
F＝βF+γX+e (1)
其中，F表示潜变量中的内生变量，X表示潜变量中的外生变量，β和γ为内部模型的回归系数，β代表内生变量之间的相互作用，γ代表外生变量对内生变量的影响，e表示内部模型的误差项。
获取内部模型后，在步骤S230中，基于各潜变量和其相应的观测变量构建外部模型，外部模型通过载荷系数表征各潜变量和其相应的观测变量之间的外部关系。根据本发明的一个实施例，外部模型以如下公式表示：
y＝λyF+ey (2)
x＝λxX+ex (3)
其中，F表示潜变量中的内生变量，X表示潜变量中的外生变量，y表示内生变量F对应的观测变量，x表示外生变量X对应的观测变量，λy表示内生变量F与其对应的观测变量y之间的载荷系数，λx表示外生变量X与其对应的观测变量x之间的载荷系数，ey和ex分别表示外部模型中相应的误差项。
在该实施方式中，对式(1)、(2)和(3)而言，内生变量F为期望F1、质量感知F2、价值感知F3、满意程度F4、投诉率F5和忠诚度F6组合形成的列向量，内生变量F所对应的观测变量y为期望F1、质量感知F2、价值感知F3、满意程度F4、投诉率F5和忠诚度F6各自对应的观测变量组合形成的列向量。具体的，期望F1所对应的观测变量包括理想期望y11和可接受期望y12，质量感知F2所对应的观测变量包括可感性y21、可靠性y22、保证y23、响应能力y24、人性化y25、安全性y26和稳定性y27，价值感知F3对应的观测变量包括客户当前电价下服务质量的评估y31，以及客户比较电网公司和其他公用事业的价格谁更合理y32，满意程度F4对应的观测变量包括总体评估y41、期望比较y42、不同期比较y43和与其他事业比较y44，投诉率F5对应的观测变量包括去年客户投诉频率y51和去年客户投诉后的诉讼频率y52，忠诚度F6对应的观测变量包括推荐y61、信心y62和行动y63。外生变量X所对应的观测变量x为受到客户欢迎x1、关注社会公益事业x2、关爱顾客x3、高质量供电x4和提供高水平服务x5组合形成的列向量。
表1示出了根据本发明的一个实施例的供电企业的用户满意度评价体系示例，其中对各潜变量及对应的观测变量进行了说明，具体如下：
表1
如式(1)所示，其中的回归系数β以如下公式表示：
其中，β21表示质量感知F2和期望F1之间的相互作用，β31和β32分别表示价值感知F3和期望F1、质量感知F2之间的相互作用，β41、β42和β43分别表示满意程度F4和期望F1、质量感知F2、价值感知F3之间的相互作用，β54表示投诉率F5和满意程度F4之间的相互作用，β64和β65分别表示忠诚度F6和满意程度F4、投诉率F5之间的相互作用。
而式(1)中的回归系数γ以如下公式表示：
其中，γ1表示外生变量X对内生变量F中期望F1的影响，γ4表示外生变量X对内生变量F中满意程度F4的影响。
进一步的，式(1)中的内部模型的误差项e以如下公式表示：
其中，e1表示期望F1对应的误差项，e2表示质量感知F2对应的误差项，e3表示价值感知F3对应的误差项，e4表示满意程度F4对应的误差项，e5表示投诉率F5对应的误差项，e6表示忠诚度F6对应的误差项。
基于式(1)、(4)、(5)和(6)，得出内部模型的表示如下：
根据本发明的一个实施例，载荷系数λx以如下公式表示：
其中，λ1、λ2、λ3、λ4和λ5分别表示观测变量x中受到客户欢迎x1、关注社会公益事业x2、关爱顾客x3、高质量供电x4和提供高水平服务x5对外生变量X的影响。
基于式(3)和(8)，得出与外生变量X对应的外部模型可具体表示如下：
其中，ex1、ex2、ex3、ex4、ex5和ex6组合形成的列向量即为式(3)中的外部模型的误差项ex，分别表示观测变量x中受到客户欢迎x1、关注社会公益事业x2、关爱顾客x3、高质量供电x4和提供高水平服务x5对应的误差项。
根据本发明的一个实施例，与内生变量F对应的外部模型可具体表示如下：
式(10)为式(2)的具体表现形式，其中，载荷系数λy对应于式(10)中等式右边大小为20×6、表征内生变量F与其对应的观测变量y之间的相关矩阵。在该相关矩阵中，λ11和λ12分别表示理想期望y11和可接受期望y12对期望F1的影响，λ21、λ22、λ23、λ24、λ25、λ26和λ27分别表示可感性y21、可靠性y22、保证y23、响应能力y24、人性化y25、安全性y26和稳定性y27对质量感知F2的影响，λ31和λ32分别表示客户当前电价下服务质量的评估y31、以及客户比较电网公司和其他公用事业的价格谁更合理y32对价值感知F3的影响，λ41、λ42、λ43和λ44分别表示总体评估y41、期望比较y42、不同期比较y43和与其他事业比较y44对满意程度F4的影响，λ51和λ52分别表示去年客户投诉频率y51和去年客户投诉后的诉讼频率y52对投诉率F5的影响，λ61、λ62和λ63分别表示推荐y61、信心y62和行动y63对忠诚度F6的影响。
此外，式(2)所示外部模型的误差项ey对应于式(10)中等式右边大小为20×1的列向量，其中，e11和e12分别表示理想期望y11和可接受期望y12对应的误差项，e21、e22、e23、e24、e25、e26和e27分别表示可感性y21、可靠性y22、保证y23、响应能力y24、人性化y25、安全性y26和稳定性y27对应的误差项，e31和e32分别表示客户当前电价下服务质量的评估y31、以及客户比较电网公司和其他公用事业的价格谁更合理y32对应的误差项，e41、e42、e43和e44分别表示总体评估y41、期望比较y42、不同期比较y43和与其他事业比较y44对应的误差项，e51和e52分别表示去年客户投诉频率y51和去年客户投诉后的诉讼频率y52对应的误差项，e61、e62和e63分别表示推荐y61、信心y62和行动y63对应的误差项。
需要说明的是，式(1)、(2)和(3)组合起来即构成了用于评估用户满意度的结构方程，但由于其中的回归系数和载荷系数此时未计算出，接下来应先求解出回归系数和载荷系数，以便更新外部模型和内部模型来形成用户满意度模型。
在步骤S240中，分别计算出外部模型中的载荷系数和内部模型中的回归系数。根据本发明的一个实施例，可以通过如下方式来计算载荷系数及回归系数。首先，通过回归分析对各潜变量进行估值计算，以获取各潜变量的估计值，然后，根据各潜变量的估计值，分别与其对应的观测变量的值回归，分别计算出外部模型的载荷系数和内部模型中的回归系数。在该实施方式中，运用了回归分析的方法，为了便于描述，以下对于回归处理的过程先进行说明。
对供电服务而言，其具有以下三个特点：首先，研究对象不能被准确、直接地测量，是潜变量，因此回归模型有更多的属性变量和更多的独立变量，且大多是相对的；其次，各项指标间接反映了各方面对用户满意度的影响；第三，这些指标的价值是由第三方调查获得的。
考虑到上述因素，传统的最小二乘回归并不适用。对于此类问题，以前的研究总是选择少数变量来获得结果，导致信息丢失，难以评估回归的精确性。一些研究人员为了避免多重共线性，试图通过使用主成分回归(PCR：Principle Component Regression)来解决这个问题，但它需要大量的计算，同时考虑到指数的大数据，该方法也不可用。所以，最后选择偏最小二乘(PLS：Partial Least Squares)回归的方法来实现这个过程。
PLS回归是多分析的一种新方法，由S.Wold和C.Albano于1983年在瑞典引入，主要应用于更多的属性变量与更多独立变量之间的回归模型。PLS回归方法可以解决下述问题：首先，它消除了类似于PCR的多重共线性，但它不仅提取了独立变量和属性变量的共同组成部分，而且还记录了在PCR中忽略的关于独立变量和属性变量的信息；其次，PLS回归方法将独立变量和属性变量都考虑为潜在变量的函数，因此，所提取的变量覆盖了数据矩阵的大部分信息，并确保了相关性；第三，可以得到不同变量之间的关系来分析它们的相关性；第四，PLS回归方法能通过专家软件SAS(Statistical Analysis System)来实现，且研究表明其可以在少量工作的情况下达到较小的均方。
PLS回归的想法是提取公共分量，以建立符合两个条件的回归模型。假设有n个样本，q个属性变量，名为{b1,…,bq}，p个独立变量，名为{a1,…,ap}。然后我们得到数据矩阵A＝[a1,…,ap]n×p，B＝[b1,…,bq]n×q。
首先，对数据A和B进行标准化处理，如减均值、除以标准差等，得到标准化原始数据如下所示：
其中，standard表示对数据A和B的标准化，D0和E0分别对应A和B标准化后的数据，[D01,…,D0p]n×p中各项分别对应于[a1,…,ap]n×p中各项标准化处理后的结果，[E01,…,E0q]n×q中各项分别对应于[b1,…,bq]n×q中各项标准化处理后的结果。
接下来，对D0和E0分别提取第一个主成分，有：
t1＝E0w1 (13)
u1＝F0c1 (14)
其中，t1和u1分别为D0和E0的第一个主成分，w1和c1分别为D0和E0的第一个主成分轴向量，可以理解为权重，且‖w1||＝1，||c1‖＝1，‖·‖表示求范数。上述提取主成分的过程中，要求满足如下条件：
其中，Cov表示求协方差，Var表示求方程，r表示求相关系数，式(15)表明尽可能使t1和u1之间的相关性最大。
具体的，可以先通过拉格朗日法来求解w1和c1，从而得出w1是对称矩阵D0′E0E0′D0的最大特征值对应的特征向量，c1是对称矩阵E0′D0D0′E0的最大特征值对应的特征向量，其中D0′和E0′分别对应D0和E0的转置矩阵，进而根据式(13)和(14)求解出t1和u1。需要说明的是，拉格朗日法为现有成熟技术，此处不予赘述。
根据主成分回归思想可以将D0和E0分别对其主成分t1和u1进行回归建模，如下所示：
D0＝t1p1+D1 (16)
E0＝u1q1+E1′ (17)
E0＝t1r1+E1 (18)
其中，D1、E1′和E1分别是相应的剩余矩阵。
之后，将D0中主成分t1不能解释的剩余矩阵D1作为新的D0，E0中主成分t1不能解释的剩余矩阵E1作为新的E0，按照前面的方法进行迭代回归，循环往复，直到剩余矩阵E1所表示的残差达到精度要求，或者主成分数量已经达到上限(初始D0的秩)，回归处理结束。
设最后共有k个主成分,则可得：
E0＝t1r1+t2r2+…+tkrk+Ek (19)
将t1和r1分别记为第1次回归时的主成分分量和第一轴向量，则t2和r2分别为第2次回归时的第一主成分分量和第一轴向量，依次类推，tk和rk分别为第k次回归时的第一主成分分量和第一轴向量。
那么，对于新输入的一条数据J，先计算出该数据的各个主成分，即其对应的多次回归时的第一主成分分量，如t1、t2、…、tk，再将各主成分代入式(19)计算，求出与数据J对应的函数值的预测结果。
将上述方法应用到载荷系数与回归系数的求解中，将式(2)中的y对应于B，F对应于A，式(3)中的x对应于B，X对应于A，按照如上的处理过程对y和F、x和X进行回归分析，计算出各潜变量，即外生变量X和内生变量F，包括期望F1、质量感知F2、价值感知F3、满意程度F4、投诉率F5和忠诚度F6的估计值。此后，根据各潜变量的估计值和式(9)、(10)和(7)，分别与其对应的观测变量的值回归，以计算出外部模型的载荷系数λy和λx，以及内部模型中的回归系数β和γ。
最后，执行步骤S250，根据步骤S240所求出的载荷系数和回归系数分别更新外部模型和内部模型，将更新后的外部模型和内部模型组合形成用户满意度模型，以进行电力用户满意度评估。根据本发明的一个实施例，对于参数更新后所获取到的用户满意度模型，即可用于电力用户的满意度评估，供电企业可以通过评估结果来进一步提升供电相关的业务水平。
在该实施方式中，对载荷系数λx和误差项ex而言，λ1、λ2、λ3、λ4和λ5的值分别是0.9449、0.9560、0.9449、0.9416和0.8866，ex1、ex2、ex3、ex4、ex5和ex6的值分别是0.3274、0.2934、0.3274、0.3368、0.4625，结合式(9)得出与外生变量X对应的外部模型为：
公式(20)表明，“关注社会公益事业”对变量“企业形象”影响最大，其影响值为0.9560。“受到客户欢迎”，“关爱顾客”位居第二，影响值为0.9449，但两者差别不大，误差很小，所以是真实的。
对载荷系数λy和误差项ey而言，λ11、λ12、λ21、λ22、λ23、λ24、λ25、λ26、λ27、λ31、λ32、λ41、λ42、λ43、λ44、λ51、λ52、λ61、λ62和λ63的值分别是0.7013、0.7013、0.9551、0.5157、0.9017、0.8337、0.8202、0.9846、0.8091、0.8748、0.8793、0.7844、0.4844、0.7857、0.7623、0.8704、0.6992、0.8247、0.9300和0.8398，e11、e12、e21、e22、e23、e24、e25、e26、e27、e31、e32、e41、e42、e43、e44、e51、e52、e61、e62和e63的值分别是0.7129、0.7129、0.2962、0.8567、0.4323、0.5522、0.5721、0.1748、0.5876、0.4844、04763、0.6202、0.8748、0.6187、0.6472、0.4923、0.7149、0.5655、0.3675和0.5428，结合式(10)得出与内生变量F对应的外部模型为：
由式(21)可知，“理想期望”和“可接受期望”对变量“期望”具有相同的影响。但实际上这个误差较大，高达0.7129，所以这是不切实际的，原因可能所使用的数据来源问题，如进行满意度问卷填写的用户不认真或缺乏指示导致数据失真。“安全性”是影响“质量感知”的关键，其值为0.9846，相应的影响顺序是“安全性”、“可感性”、“保证”、“响应能力”、“人性化”、“稳定性”和“可靠性”。因此，可以得出结论：电力用户不关心供电企业的承诺或标准，更关心的是舒适、人性化、安全感和不打扰生活和工作的保证，结果几乎无误差，也是符合实际的。对“价格感知”来说，用户不仅关心服务的价值，而且关心从价格到性能比率与其他公共服务企业的比较，同时，用户更有可能将其与其他行业进行比较。“总体评估”、“不同时期的比较”、“与其他公共事业的比较”对用户满意指数的影响大于“期望比较”，则可以让用户更多关注具体问题，而不是期望。“投诉频率”比“投诉后的诉讼频率”要重要得多，如果用户不满意，他们会抱怨服务，如果用户对交易结果不满意，有时会导致诉讼，因此工作重心就是在用户将对服务的抱怨升级为诉讼之前，满足他们的需求。“信心”对供电企业非常重要，它将转化为“忠诚度”，如果用户非常满意，则会忠于公司，而且忠诚度很容易体现为信心，他们有可能会向其他人推荐供电企业的供电服务。
对回归系数β和γ来说，β21、β31、β32、β41、β42、β43、β54、β64和β65的值分别是1.0098、-0.1207、0.8761、0.0508、0.4347、0.3645、-0.8955、1.579、-0.668，γ1和γ4的值分别是0.9599和0.1299，这些可以理解为潜变量之间的路径系数。首先，变量“形象”、“期望”、“价值感知”和“质量感知”对“满意程度”有直接影响，“质量感知”是最重要的因素，“价值感知”排在第二位，而“期望”对“满意程度”有很小的影响，这意味着电力用户更关心服务质量，如果服务质量好，他们就会满意，这也指出了改善供电企业服务的方向。
其次，“企业形象”与“期望”、“期望”与“质量感知”、“质量感知”与“价值感知”之间存在着密切的正相关关系，其值分别为0.9599、1.0098和0.8761。某些过程的满意度可能会影响到其他过程，进而对供电企业来说，重要的是要全面提高自身的服务水平。
第三，“预期”和“价值感知”之间存在着密切的负相关关系。这是因为期望越高，越容易失望。
最后，电力用户的感觉有两个结果，如果他们满意，他们会忠于供电企业，否则他们会抱怨服务。因此，很容易理解“满意程度”与“投诉率”，“投诉率”和“忠诚度”之间密切的负相关关系。从上面的分析中，可以从各数值表现出的程度得到影响用户满意度的因素，这将引导供电企业实施改进措施。
现有的供电企业客户满意度评价方法，可实施性和可操作性并不是很强，在模型验证和变量之间的路径系数分析上存在一定缺陷。根据本发明实施例的基于偏最小二乘法的供电企业客户满意度评价的技术方案，首先获取用户满意度指标变量，用户满意度指标变量包括多个潜变量和观测变量，再基于各潜变量构建内部模型，基于各潜变量和其相应的观测变量构建外部模型，分别对外部模型和内部模型中的参数进行计算，将计算得出的结果相应代入外部模型和内部模型完成更新，将更新后的外部模型和内部模型组合形成用户满意度模型，以进行电力用户满意度评估。在上述方案中，内部模型的参数为回归系数，外部模型的参数为载荷系数，利用回归分析来求解载荷系数和回归系数这两类参数，能够在用户满意度模型中较好地表征出各潜变量之间的内部关系，以及各潜变量和其相应的观测变量之间的外部关系，保证了模型自身的实用性、可靠性以及操作性，用户满意度估计的精确度得到大幅提升，也便于对影响用户满意度的因素进行分析，进而引导供电企业实施改进措施，为后续用户满意度的提高指明了方向。此外，上述用户满意度模型经过相应改动后可应用于其他行业，具有较好的兼容性、可迁移性和可扩展性。
A9.如A7或8所述的方法，所述回归系数γ以如下公式表示：
其中，γ1表示外生变量X对内生变量F中期望F1的影响，γ4表示外生变量X对内生变量F中满意程度F4的影响。
A10.如A6-9中任一项所述的方法，其中，所述外生变量X为企业形象，其所对应的观测变量x为受到客户欢迎x1、关注社会公益事业x2、关爱顾客x3、高质量供电x4和提供高水平服务x5组合形成的列向量。
A11.如A10所述的方法，所述载荷系数λx以如下公式表示：
其中，λ1、λ2、λ3、λ4和λ5分别表示观测变量x中受到客户欢迎x1、关注社会公益事业x2、关爱顾客x3、高质量供电x4和提供高水平服务x5对外生变量X的影响。
A12.如A1-11中任一项所述的方法，所述分别计算出所述外部模型中的载荷系数和所述内部模型中的回归系数的步骤包括：
通过回归分析对各潜变量进行估值计算，以获取各潜变量的估计值；
根据各潜变量的估计值，分别与其对应的观测变量的值回归，分别计算出所述外部模型的载荷系数和所述内部模型中的回归系数。
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下被实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员应当理解在本文所公开的示例中的设备的模块或单元或组间可以布置在如该实施例中所描述的设备中，或者可替换地可以定位在与该示例中的设备不同的一个或多个设备中。前述示例中的模块可以组合为一个模块或者此外可以分成多个子模块。
本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组间组合成一个模块或单元或组间，以及此外可以把它们分成多个子模块或子单元或子组间。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
此外，所述实施例中的一些在此被描述成可以由计算机系统的处理器或者由执行所述功能的其它装置实施的方法或方法元素的组合。因此，具有用于实施所述方法或方法元素的必要指令的处理器形成用于实施该方法或方法元素的装置。此外，装置实施例的在此所述的元素是如下装置的例子：该装置用于实施由为了实施该发明的目的的元素所执行的功能。
这里描述的各种技术可结合硬件或软件，或者它们的组合一起实现。从而，本发明的方法和设备，或者本发明的方法和设备的某些方面或部分可采取嵌入有形媒介，例如软盘、CD-ROM、硬盘驱动器或者其它任意机器可读的存储介质中的程序代码(即指令)的形式，其中当程序被载入诸如计算机之类的机器，并被所述机器执行时，所述机器变成实践本发明的设备。
在程序代码在可编程计算机上执行的情况下，计算设备一般包括处理器、处理器可读的存储介质(包括易失性和非易失性存储器和/或存储元件)，至少一个输入装置，和至少一个输出装置。其中，存储器被配置用于存储程序代码；处理器被配置用于根据该存储器中存储的所述程序代码中的指令，执行本发明的基于偏最小二乘法的供电企业客户满意度评价方法。
以示例而非限制的方式，计算机可读介质包括计算机存储介质和通信介质。计算机可读介质包括计算机存储介质和通信介质。计算机存储介质存储诸如计算机可读指令、数据结构、程序模块或其它数据等信息。通信介质一般以诸如载波或其它传输机制等已调制数据信号来体现计算机可读指令、数据结构、程序模块或其它数据，并且包括任何信息传递介质。以上的任一种的组合也包括在计算机可读介质的范围之内。
如在此所使用的那样，除非另行规定，使用序数词“第一”、“第二”、“第三”等等来描述普通对象仅仅表示涉及类似对象的不同实例，并且并不意图暗示这样被描述的对象必须具有时间上、空间上、排序方面或者以任意其它方式的给定顺序。
尽管根据有限数量的实施例描述了本发明，但是受益于上面的描述，本技术领域内的技术人员明白，在由此描述的本发明的范围内，可以设想其它实施例。此外，应当注意，本说明书中使用的语言主要是为了可读性和教导的目的而选择的，而不是为了解释或者限定本发明的主题而选择的。因此，在不偏离所附权利要求书的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。对于本发明的范围，对本发明所做的公开是说明性的，而非限制性的，本发明的范围由所附权利要求书限定。
Claims (10)
1.一种基于偏最小二乘法的供电企业客户满意度评价方法，适于在计算设备中执行，所述方法包括：
获取用户满意度指标变量，所述用户满意度指标变量包括多个潜变量和观测变量；
基于各潜变量构建内部模型，所述内部模型通过回归系数表征各潜变量之间的内部关系；
基于各潜变量和其相应的观测变量构建外部模型，所述外部模型通过载荷系数表征各潜变量和其相应的观测变量之间的外部关系；
分别计算出所述外部模型中的载荷系数和所述内部模型中的回归系数；
根据所述载荷系数和所述回归系数分别更新外部模型和内部模型，将更新后的外部模型和内部模型组合形成用户满意度模型，以进行电力用户满意度评估。
2.如权利要求1所述的方法，所述潜变量包括外生变量和内生变量。
3.如权利要求2所述的方法，所述外生变量为企业形象，所述内生变量包括期望、质量感知、价值感知、满意程度、投诉率和忠诚度中至少一种。
4.如权利要求3所述的方法，所述企业形象对应的观测变量包括受到客户欢迎、关注社会公益事业、关爱顾客、高质量供电和提供高水平服务中至少一种。
5.如权利要求1-4中任一项所述的方法，所述内部模型以如下公式表示：
F＝βF+γX+e
其中，F表示潜变量中的内生变量，X表示潜变量中的外生变量，β和γ为内部模型的回归系数，β代表内生变量之间的相互作用，γ代表外生变量对内生变量的影响，e表示内部模型的误差项。
6.如权利要求1-5中任一项所述的方法，所述外部模型以如下公式表示：
y＝λyF+ey
x＝λxX+ex
其中，F表示潜变量中的内生变量，X表示潜变量中的外生变量，y表示内生变量F对应的观测变量，x表示外生变量X对应的观测变量，λy表示内生变量F与其对应的观测变量y之间的载荷系数，λx表示外生变量X与其对应的观测变量x之间的载荷系数，ey和ex分别表示外部模型中相应的误差项。
7.如权利要求5或6所述的方法，其中，所述内生变量F为期望F1、质量感知F2、价值感知F3、满意程度F4、投诉率F5和忠诚度F6组合形成的列向量。
8.如权利要求7所述的方法，所述回归系数β以如下公式表示：
其中，β21表示质量感知F2和期望F1之间的相互作用，β31和β32分别表示价值感知F3和期望F1、质量感知F2之间的相互作用，β41、β42和β43分别表示满意程度F4和期望F1、质量感知F2、价值感知F3之间的相互作用，β54表示投诉率F5和满意程度F4之间的相互作用，β64和β65分别表示忠诚度F6和满意程度F4、投诉率F5之间的相互作用。
9.一种计算设备，包括：
一个或多个处理器；
存储器；以及
一个或多个程序，其中所述一个或多个程序存储在所述存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行根据权利要求1至8所述的方法中的任一方法的指令。
10.一种存储一个或多个程序的计算机可读存储介质，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行根据权利要求1至8所述的方法中的任一方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810235134.XA CN108446850A (zh) | 2018-03-21 | 2018-03-21 | 一种基于偏最小二乘法的供电企业客户满意度评价方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810235134.XA CN108446850A (zh) | 2018-03-21 | 2018-03-21 | 一种基于偏最小二乘法的供电企业客户满意度评价方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108446850A true CN108446850A (zh) | 2018-08-24 |
Family
ID=63196051
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810235134.XA Pending CN108446850A (zh) | 2018-03-21 | 2018-03-21 | 一种基于偏最小二乘法的供电企业客户满意度评价方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108446850A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110264038A (zh) * | 2019-05-22 | 2019-09-20 | 深圳壹账通智能科技有限公司 | 一种产品测评模型的生成方法及设备 |
| CN113449927A (zh) * | 2021-07-13 | 2021-09-28 | 广东电网有限责任公司 | 基于自然语言故障抢修的评价方法、设备及存储介质 |
-
2018
- 2018-03-21 CN CN201810235134.XA patent/CN108446850A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110264038A (zh) * | 2019-05-22 | 2019-09-20 | 深圳壹账通智能科技有限公司 | 一种产品测评模型的生成方法及设备 |
| CN113449927A (zh) * | 2021-07-13 | 2021-09-28 | 广东电网有限责任公司 | 基于自然语言故障抢修的评价方法、设备及存储介质 |
| CN113449927B (zh) * | 2021-07-13 | 2022-09-30 | 广东电网有限责任公司 | 基于自然语言故障抢修的评价方法、设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Chandran et al. | Linear programming models for estimating weights in the analytic hierarchy process | |
| Binosi et al. | Bridging a gap between continuum-QCD and ab initio predictions of hadron observables | |
| Calik et al. | Double bound method for solving the p-center location problem | |
| CN108537600A (zh) | 一种电力市场运行评价方法及计算设备 | |
| Lahdelma et al. | Prospect theory and stochastic multicriteria acceptability analysis (SMAA) | |
| Wang et al. | The multi-attribute decision making method based on interval-valued intuitionistic fuzzy Einstein hybrid weighted geometric operator | |
| Cherchye et al. | Multi-output profit efficiency and directional distance functions | |
| Behrndt et al. | Approximation of Schrödinger operators with δ‐interactions supported on hypersurfaces | |
| US10565525B2 (en) | Collaborative filtering method, apparatus, server and storage medium in combination with time factor | |
| CN108833458B (zh) | 一种应用推荐方法、装置、介质及设备 | |
| Garmanjani et al. | Smoothing and worst-case complexity for direct-search methods in nonsmooth optimization | |
| KR102666534B1 (ko) | 기계 학습 모델 훈련 방법 및 시스템 | |
| Ramadass et al. | Evaluation of cloud vendors from probabilistic linguistic information with unknown/partial weight values | |
| CN113191828B (zh) | 一种用户用电价值等级标签构建方法、装置、设备及介质 | |
| CN108446850A (zh) | 一种基于偏最小二乘法的供电企业客户满意度评价方法 | |
| CN106022631A (zh) | 一种指标权重分析方法 | |
| Dash et al. | A heuristic to generate rank-1 GMI cuts | |
| Liu et al. | An exact expected value-based method to prioritize engineering characteristics in fuzzy quality function deployment | |
| Liu et al. | mixing from lattice QCD | |
| Scheimberg et al. | A relaxed projection method for finite-dimensional equilibrium problems | |
| Blanco et al. | A branch-and-price approach for the continuous multifacility monotone ordered median problem | |
| Ogryczak et al. | Ordered median problem with demand distribution weights | |
| CN110837962A (zh) | 一种电力客户黏性计算方法 | |
| Korhonen et al. | A dimensional decomposition approach to identifying efficient units in large-scale DEA models | |
| Rong et al. | Multicriteria 0-1 knapsack problems with k-min objectives |
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: 20180824 |