CN109214719B - 一种基于人工智能的营销稽查分析的系统和方法 - Google Patents

一种基于人工智能的营销稽查分析的系统和方法 Download PDF

Info

Publication number
CN109214719B
CN109214719B CN201811301380.7A CN201811301380A CN109214719B CN 109214719 B CN109214719 B CN 109214719B CN 201811301380 A CN201811301380 A CN 201811301380A CN 109214719 B CN109214719 B CN 109214719B
Authority
CN
China
Prior art keywords
artificial intelligence
graph
model
marketing
analysis system
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.)
Active
Application number
CN201811301380.7A
Other languages
English (en)
Other versions
CN109214719A (zh
Inventor
宋才华
梁旭常
庞伟林
蓝源娟
王永才
杜家兵
刘胜强
陈旭宇
邓乾
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.)
Guangdong Power Grid Co Ltd
Foshan Power Supply Bureau of Guangdong Power Grid Corp
Original Assignee
Guangdong Power Grid Co Ltd
Foshan Power Supply Bureau of Guangdong Power Grid Corp
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 Guangdong Power Grid Co Ltd, Foshan Power Supply Bureau of Guangdong Power Grid Corp filed Critical Guangdong Power Grid Co Ltd
Priority to CN201811301380.7A priority Critical patent/CN109214719B/zh
Publication of CN109214719A publication Critical patent/CN109214719A/zh
Application granted granted Critical
Publication of CN109214719B publication Critical patent/CN109214719B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Physics & Mathematics (AREA)
  • Game Theory and Decision Science (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Educational Administration (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种基于人工智能的营销稽查分析的系统和方法，所述系统包括大数据平台、AI模型和基于人工智能的客户量费业务风险分析系统，AI模型包括数据预处理模块、输入图处理模块和图卷积网络，基于人工智能的客户量费业务风险分析系统包括预处理层、神经网络层和视图层；所述方法基于人工智能的营销稽查分析系统，通过建立大数据平台、AI模型和基于人工智能的客户量费业务风险分析系统，通过AI模型算法自学习逐步细化稽查规则，并快速高效定位问题，减少人工工作量，提升稽查效率，通过人工智能技术以及大数据计算，实现营销风险自动分析，精准定位，实现准确的靶向式问题防范，实现了智能化高、准确率高和便于使用的目的。

Description

一种基于人工智能的营销稽查分析的系统和方法
技术领域
本发明涉及人工智能技术领域，更具体地，涉及一种基于人工智能的营销稽查分析的系统和方法。
背景技术
营销稽查中心按照稽查工作要求开展在线稽查、常态稽查和专项稽查，稽查业务包含了抄核收、业扩、用电检查、计里、客户服务以及线损6核心营销主营业务，通过对营销市场营销工作的再监督和检查，堵塞管理、系统等漏洞，防止经营流失，规范营销稽查行为，随着市场营销业务、管理的创新，营销稽查规则已固化在营销系统，实现信息化管控，但也存在规则不灵活，缺乏变化，导致了常态稽查抽样、在线稽查检索的样本数据准确率不高，需人工逐条判断筛选，工作重大而且仍存在漏洞；为适应供给侧结构性改革、国资国企改革、电力体制改革等新形式新要求，加快推进公司营销创新发展，需要引入新型技术，提升业务实施效率，提高公司营销管控能力。
发明内容
本发明为克服上述现有技术中稽查数据人工筛选效率低，准确率不高的缺陷，以及营销稽查规则不灵活，缺乏变化等缺陷，提供一种基于人工智能的营销稽查分析的系统和方法。
本发明所述系统包括大数据平台、AI模型和基于人工智能的客户量费业务风险分析系统；
所述的AI模型包括数据预处理模块、输入图处理模块和图卷积网络；
数据预处理模块用CA知识图谱构建邻接矩阵构造，输入图模块对图中确定点打标签，
图卷积网络包括SVM/SOFTMAX分类器、自研发图卷积层、优化模块；
所述的基于人工智能的客户量费业务风险分析系统包括预处理层、神经网络层和视图层；
预处理层的功能包括知识图谱构建和生成输入图；
神经网络层的功能包括输入图处理、图卷积操作、网络训练优化和输出候选异常用户列表，
视图层用于把候选异常用户列表显示出来。
该系统包括大数据平台、AI模型和基于人工智能的客户量费业务风险分析系统，AI模型包括数据预处理模块、输入图处理模块和图卷积网络，基于人工智能的客户量费业务风险分析系统包括预处理层、神经网络层和视图层，可实现减少人工工作量，提升稽查效率。
本发明所述的基于人工智能的营销稽查分析方法，包括以下步骤：
S1：对原始量费进行预处理；
S2：根据S1预处理过的原始量费，通过建立多层级结构的图模型，考虑主次级别的基础上建立不同对象之间的关系；
S3：根据不同对象之间的关系构建混合模型；
S4：对S3所建的混合模型，对输入图的部分用户进行语义标注，在神经网络层研发图卷积网络的隐藏层；
S5：针对网络进行训练优化；
S6：对S5优化后输出的结果进行最终分类并打上对应标签；
S7：选择分类算法；
S8：在选定一组基于全局准确率的最佳方法后，设计一个集成深度学习模型进行多分类器融合学习；
S9：针对模型中特征重要性测量问题，对重要特性赋值；
S10：结合重要指标的权重计算，完成集成学习模块的构建。
该方法通过AI模型算法自学习逐步细化稽查规则，并快速高效定位问题，减少人工工作量，提升稽查效率，通过人工智能技术以及大数据计算，实现营销风险自动分析，精准定位，实现准确的靶向式问题防范，实现了智能化高、准确率高和便于使用的目的。
优选地，所述的步骤S1包括以下步骤：
S1.1：梳理原始“量费”业务稽查相关数据；
S1.2：根据梳理后的“量费”业务稽查相关数据，建立完整“量费”稽查业务语义体系；
S1.3：利用S1.2所述语义体系构建基于CA模型的知识图谱，设定需求自适应规则和参数对用户点相连方式；
S1.4：生成邻接矩阵输入图。
优选地，其特征在于，所述的步骤S3混合模型的构建方法为：采用基于卷积神经网络的表示学习算法，实现针对知识图谱的卷积神经网络编码器，结合循环神经网络，建立一个混合模型；
优选地，所述的步骤S4对输入图的部分用户进行语义标注的方法为半监督学习算法。
优选地，所述步骤S5的训练优化为使用整流线性单位作为激活函数以及图拉普拉斯正则化作为损失函数对网络进行训练优化。
优选地，所述步骤S6的具体过程为：根据实际问题是二类还是多类，采用决策向量机或者SOFTMAX函数对输出结果进行最终分类并打上对应标签。
优选地，所述步骤S7的合适算法的选择方法为：用单一的算法对电力数据进行处理，选择获得最佳结果的前N个算法。
优选地，所述步骤S9的赋值方法为：针对模型中特征重要性测量问题，采取传统集成学习算法与循环神经网络特征学习信息结合的方式进行特征重要性赋值。
与现有技术相比，本发明技术方案的有益效果是：本发明通过对大数据计算以及人工智能技术在营销稽查应用研究，构建营销业务AI智能模型，通过AI模型算法自学习逐步细化稽查规则，并快速高效定位问题，减少人工工作量，提升稽查效率，实现了智能化高、准确率高和、便于使用的目的；本发明借助人工智能技术以及大数据计算，探索抄核收稽查业务工作创新模式，在营销稽查中心开起人工智能创新试点工作，实现营销风险自动分析，精准定位，实现准确的靶向式问题防范，从而提高营销业务风险防范工作效率，实现风险精准控制，为后续稽查中心营销稽查业务全面实智能稽查做好铺垫，实现了智能化高、准确率高、便于监管和便于使用的目的。
附图说明
图1为实施例1基于人工智能的营销稽查分析的系统的示意图。
图2为实施例2基于人工智能的营销稽查分析的方法的流程图。
具体实施方式
附图仅用于示例性说明，不能理解为对本专利的限制；
为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；
对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
下面结合附图和实施例对本发明的技术方案做进一步的说明。
实施例1：
如图1所示，本实施例提供一种基于人工智能的营销稽查分析的系统。
所述系统包括大数据平台、AI模型和基于人工智能的客户量费业务风险分析系统；
所述的AI模型包括数据预处理模块、输入图处理模块和图卷积网络；
数据预处理模块用CA知识图谱构建邻接矩阵构造，输入图模块对图中确定点打标签；
图卷积网络包括SVM/SOFTMAX分类器、自研发图卷积层、优化模块；
所述的基于人工智能的客户量费业务风险分析系统包括预处理层、神经网络层和视图层；
预处理层的功能包括知识图谱构建和生成输入图；
神经网络层的功能包括输入图处理、图卷积操作、网络训练优化和输出候选异常用户列表；
视图层用于把候选异常用户列表显示出来。
实施例2：
本实施例提供一种基于人工智能的营销稽查分析的方法。
如图2所示，所述方法包括以下步骤：
S1：梳理原始“量费”业务稽查相关数据，建立完整“量费”稽查业务语义体系，利用上述语义体系构建基于CA模型（Core-Attachment）的知识图谱，设定需求自适应规则/参数对用户点相连方式，生成邻接矩阵输入图，保证模型的通用性；
S2：通过构建一个多层级结构的图模型，考虑主次级别的基础上建立不同对象之间的关系，更加准确的度量对象之间的相关性；
S3：采用一种基于卷积神经网络的表示学习算法，实现针对知识图谱的卷积神经网络编码器，结合循环神经网络，建立一个一个混合模型，弥补卷积神经网络的不足，同时使用动量随机梯度下降对模型进行优化；
S4：利用半监督学习算法，对输入图的部分用户进行语义标注，有效降低人工标注工作量；在神经网络层，研发高效可按需调整、支持扩展操作的图卷积层作为图卷积网络的隐藏层；
S5：使用整流线性单位（ReLu)作为激活函数以及图拉普拉斯正则化作为损失函数对网络进行训练优化；
S6：根据实际问题是二类还是多类，采用决策向量机(SVM)或者SOFTMAX函数对输出结果进行最终分类并打上对应标签；
S7：选择合适的分类算法，用单一的算法对电力数据进行处理，选择获得最佳结果的前N个算法；
S8：在选定一组基于全局准确率的最佳方法后，设计一个集成深度学习模型进行多分类器融合学习；
S9：针对模型中特征重要性测量问题，采取传统集成学习算法与循环神经网络特征学习信息结合的方式进行特征重要性赋值；
S10：结合多个重要性指标如本地正确率、多样化正确率和局部泛化误差界等进行每层分类器的权重计算，完成集成学习模型的构建。
相同或相似的标号对应相同或相似的部件；
附图中描述位置关系的用语仅用于示例性说明，不能理解为对本专利的限制；
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (8)

1.一种基于人工智能的营销稽查分析系统的分析方法，其特征在于，所述方法的实现基于人工智能的营销稽查分析系统，包括大数据平台、AI模型和基于人工智能的客户量费业务风险分析系统；
所述的AI模型包括数据预处理模块、输入图处理模块和图卷积网络；
数据预处理模块用CA知识图谱构建邻接矩阵构造，输入图模块对图中确定点打标签；
图卷积网络包括SVM/SOFTMAX分类器、自研发图卷积层、优化模块；
所述的基于人工智能的客户量费业务风险分析系统包括预处理层、神经网络层和视图层；
预处理层的功能包括知识图谱构建和生成输入图；
神经网络层的功能包括输入图处理、图卷积操作、网络训练优化和输出候选异常用户列表；
视图层用于把候选异常用户列表显示出来；
所述方法包括以下步骤：
S1：对原始量费进行预处理；
S2：根据S1预处理过的原始量费，通过建立多层级结构的图模型，考虑主次级别的基础上建立不同对象之间的关系；
S3：根据不同对象之间的关系构建混合模型；
S4：对S3所建的混合模型，对输入图的部分用户进行语义标注，在神经网络层研发图卷积网络的隐藏层；
S5：针对网络进行训练优化；
S6：对S5优化后输出的结果进行最终分类并打上对应标签；
S7：选择分类算法；
S8：在选定一组基于全局准确率的最佳方法后，设计一个集成深度学习模型进行多分类器融合学习；
S9：针对模型中特征重要性测量问题，对重要特性赋值；
S10：结合重要指标的权重计算，完成集成学习模块的构建。
2.根据权利要求1所述的基于人工智能的营销稽查分析方法，其特征在于，所述的步骤S1包括以下步骤：
S1.1：梳理原始“量费”业务稽查相关数据；
S1.2：根据梳理后的“量费”业务稽查相关数据，建立完整“量费”稽查业务语义体系；
S1.3：利用S1.2所述语义体系构建基于CA模型的知识图谱，设定需求自适应规则和参数对用户点相连方式；
S1.4：生成邻接矩阵输入图。
3.根据权利要求2所述的基于人工智能的营销稽查分析方法，其特征在于，所述的步骤S3混合模型的构建方法为：采用基于卷积神经网络的表示学习算法，实现针对知识图谱的卷积神经网络编码器，结合循环神经网络，建立一个混合模型。
4.根据权利要求3所述的基于人工智能的营销稽查分析方法，其特征在于，所述的步骤S4对输入图的部分用户进行语义标注的方法为半监督学习算法。
5.根据权利要求4所述的基于人工智能的营销稽查分析方法，其特征在于，所述步骤S5的训练优化为使用整流线性单位作为激活函数以及图拉普拉斯正则化作为损失函数对网络进行训练优化。
6.根据权利要求1所述的基于人工智能的营销稽查分析方法，其特征在于，所述步骤S6的具体过程为：根据实际问题是二类还是多类，采用决策向量机或者SOFTMAX函数对输出结果进行最终分类并打上对应标签。
7.根据权利要求1所述的基于人工智能的营销稽查分析方法，其特征在于，所述步骤S7的合适算法的选择方法为：用单一的算法对电力数据进行处理，选择获得最佳结果的前N个算法。
8.根据权利要求1所述的基于人工智能的营销稽查分析方法，其特征在于，所述步骤S9的赋值方法为：针对模型中特征重要性测量问题，采取传统集成学习算法与循环神经网络特征学习信息结合的方式进行特征重要性赋值。
CN201811301380.7A 2018-11-02 2018-11-02 一种基于人工智能的营销稽查分析的系统和方法 Active CN109214719B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811301380.7A CN109214719B (zh) 2018-11-02 2018-11-02 一种基于人工智能的营销稽查分析的系统和方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811301380.7A CN109214719B (zh) 2018-11-02 2018-11-02 一种基于人工智能的营销稽查分析的系统和方法

Publications (2)

Publication Number Publication Date
CN109214719A CN109214719A (zh) 2019-01-15
CN109214719B true CN109214719B (zh) 2021-07-13

Family

ID=64998025

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811301380.7A Active CN109214719B (zh) 2018-11-02 2018-11-02 一种基于人工智能的营销稽查分析的系统和方法

Country Status (1)

Country Link
CN (1) CN109214719B (zh)

Families Citing this family (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110009475B (zh) * 2019-02-12 2023-11-03 平安科技（深圳）有限公司 风险稽核监察方法、装置、计算机设备及存储介质
CN110147414B (zh) * 2019-05-23 2022-05-13 北京金山数字娱乐科技有限公司 一种知识图谱的实体表征方法及装置
CN110727910B (zh) * 2019-09-25 2024-01-23 深圳供电局有限公司 一种抄核收风险预测及业务联动的实现方法和系统
CN111079780B (zh) * 2019-11-06 2023-06-23 中国科学院深圳先进技术研究院 空间图卷积网络的训练方法、电子设备及存储介质
CN110929036B (zh) * 2019-11-29 2023-05-05 南方电网数字电网研究院有限公司 电力营销稽查管理方法、装置、计算机设备和存储介质
CN111143431B (zh) * 2019-12-10 2022-12-13 云南电网有限责任公司信息中心 一种智能化量费核查与异常识别系统
CN111144554B (zh) * 2019-12-31 2023-09-19 暨南大学 基于模块分解的智能响应方法、装置、介质、设备
CN111428994B (zh) * 2020-03-20 2022-06-03 支付宝(杭州)信息技术有限公司 业务处理方法、装置及电子设备
CN112099458A (zh) * 2020-10-16 2020-12-18 中泰信达环保科技(武汉)有限公司 一种人工智能污水运营系统
CN112818130A (zh) * 2021-01-29 2021-05-18 泽恩科技有限公司 一种基于知识图谱的在线稽查方法
CN112883062A (zh) * 2021-02-03 2021-06-01 泽恩科技有限公司 一种不基于规则的自定义规则稽查方法
CN112800231B (zh) * 2021-03-31 2021-07-20 南方电网数字电网研究院有限公司 电力数据校验方法、装置、计算机设备和存储介质
CN116596322B (zh) * 2023-07-17 2023-10-31 中电建物业管理有限公司 一种基于大数据可视化的物业设备管理方法及系统
CN116913460B (zh) * 2023-09-13 2023-12-29 福州市迈凯威信息技术有限公司 一种药械及检验试剂的营销业务合规性判断分析方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105574642A (zh) * 2015-11-06 2016-05-11 广东工业大学 一种基于智能电网大数据的电价执行稽查方法
CN105809277A (zh) * 2016-03-03 2016-07-27 国网浙江省电力公司 一种电力营销稽查精益化管控主题大数据预测方法
CN107220506A (zh) * 2017-06-05 2017-09-29 东华大学 基于深度卷积神经网络的乳腺癌风险评估分析系统
CN107391906A (zh) * 2017-06-19 2017-11-24 华南理工大学 基于神经网络和图谱结构的健康饮食知识网络构建方法
CN108509519A (zh) * 2018-03-09 2018-09-07 北京邮电大学 基于深度学习的通用知识图谱增强问答交互系统及方法
CN108510194A (zh) * 2018-03-30 2018-09-07 平安科技（深圳）有限公司 风控模型训练方法、风险识别方法、装置、设备及介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105574642A (zh) * 2015-11-06 2016-05-11 广东工业大学 一种基于智能电网大数据的电价执行稽查方法
CN105809277A (zh) * 2016-03-03 2016-07-27 国网浙江省电力公司 一种电力营销稽查精益化管控主题大数据预测方法
CN107220506A (zh) * 2017-06-05 2017-09-29 东华大学 基于深度卷积神经网络的乳腺癌风险评估分析系统
CN107391906A (zh) * 2017-06-19 2017-11-24 华南理工大学 基于神经网络和图谱结构的健康饮食知识网络构建方法
CN108509519A (zh) * 2018-03-09 2018-09-07 北京邮电大学 基于深度学习的通用知识图谱增强问答交互系统及方法
CN108510194A (zh) * 2018-03-30 2018-09-07 平安科技（深圳）有限公司 风控模型训练方法、风险识别方法、装置、设备及介质

Also Published As

Publication number Publication date
CN109214719A (zh) 2019-01-15

Similar Documents

Publication Publication Date Title
CN109214719B (zh) 一种基于人工智能的营销稽查分析的系统和方法
Karaşan et al. Location selection of electric vehicles charging stations by using a fuzzy MCDM method: a case study in Turkey
CN108764663B (zh) 一种电力客户画像生成管理的方法及系统
Zhuge et al. Agent-based modelling of locating public transport facilities for conventional and electric vehicles
Ge et al. Electric vehicle routing problems with stochastic demands and dynamic remedial measures
Vanitha et al. Machine learning‐based charge scheduling of electric vehicles with minimum waiting time
Zou et al. Research on assessment methods for urban public transport development in China
Cypriano et al. Energy management methodology for energy sustainable actions in University of Campinas-Brazil
CN105719042A (zh) 机台维护排程的方法与系统
Sharif et al. Smart EV Charging with Context-Awareness: Enhancing Resource Utilization via Deep Reinforcement Learning
CN113887809A (zh) 双碳目标下配电网供需平衡方法、系统、介质及计算设备
WO2019140553A1 (zh) 配电系统的健康指数确定方法及装置、计算机存储介质
CN108846505A (zh) 可再生能源并网消纳信息多维度校核方法及设备
Cuenca et al. Towards cognitive cities in the energy domain
Lee et al. An index for measuring the degree of completeness of BIM-based quantity take-off
Sang et al. Research on optimization of customized bus routes based on uncertainty theory
Xiang et al. Charging pile siting with group multirole assignment
Ji et al. Comprehensive pricing scheme of the EV charging station considering consumer differences based on integrated AHP/DEA methodology
Shrestha et al. Roles of the Web in Commercial Energy Efficiency: IoT, Cloud Computing, and Opinion Mining
Uchil et al. Supporting manufacturing system design: a case study on application of InDeaTe design tool for a smart manufacturing system design
He et al. Research on model and method of maturity evaluation of smart grid industry
Wu et al. Design of optimal power supply parameters for industrial expansion
Sha et al. [Retracted] A Method for Short‐Term Prediction of the Metro Station’s Individual Energy Consumption Item Based on G‐ACO‐BP Model
Kashkooli et al. Developing of evolution analysis algorithms in regenerative design and decision-making; demonstrated through a case study in Shiraz, Iran
Hua et al. Maintenance and operation optimization algorithm of PV plants under multiconstraint conditions

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
GR01 Patent grant
GR01 Patent grant