CN110458473A - 一种用于电力看板的动态决策分析方法及终端 - Google Patents
一种用于电力看板的动态决策分析方法及终端 Download PDFInfo
- Publication number
- CN110458473A CN110458473A CN201910766947.6A CN201910766947A CN110458473A CN 110458473 A CN110458473 A CN 110458473A CN 201910766947 A CN201910766947 A CN 201910766947A CN 110458473 A CN110458473 A CN 110458473A
- Authority
- CN
- China
- Prior art keywords
- analysis
- node
- billboard
- index
- electric power
- 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
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 188
- 238000000034 method Methods 0.000 claims description 70
- 238000004422 calculation algorithm Methods 0.000 claims description 51
- 230000008569 process Effects 0.000 claims description 50
- 238000004590 computer program Methods 0.000 claims description 16
- 238000007405 data analysis Methods 0.000 claims description 16
- 230000008859 change Effects 0.000 claims description 15
- 238000005119 centrifugation Methods 0.000 claims description 9
- 238000004140 cleaning Methods 0.000 claims description 7
- 230000029058 respiratory gaseous exchange Effects 0.000 claims description 6
- 238000013145 classification model Methods 0.000 claims description 5
- 239000002131 composite material Substances 0.000 claims description 5
- 238000012986 modification Methods 0.000 claims description 5
- 230000004048 modification Effects 0.000 claims description 5
- 238000003860 storage Methods 0.000 claims description 2
- 238000013079 data visualisation Methods 0.000 abstract description 6
- 238000007493 shaping process Methods 0.000 abstract description 5
- 238000004321 preservation Methods 0.000 abstract description 4
- 238000007726 management method Methods 0.000 description 26
- 238000012800 visualization Methods 0.000 description 15
- 238000011161 development Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 11
- 230000000694 effects Effects 0.000 description 8
- 238000013459 approach Methods 0.000 description 4
- 230000006399 behavior Effects 0.000 description 4
- 238000009472 formulation Methods 0.000 description 4
- 238000012482 interaction analysis Methods 0.000 description 4
- 238000005065 mining Methods 0.000 description 4
- 239000000203 mixture Substances 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 230000001360 synchronised effect Effects 0.000 description 4
- 241001074085 Scophthalmus aquosus Species 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000004886 process control Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000005314 correlation function Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013277 forecasting method Methods 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000007794 visualization technique Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/242—Query formulation
- G06F16/2428—Query predicate definition using graphical user interfaces, including menus and forms
-
- 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
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- 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
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- 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
- G06F16/24—Querying
- G06F16/248—Presentation of query results
-
- 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
- G06F16/353—Clustering; Classification into predefined classes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- 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
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- G06Q30/0202—Market predictions or forecasting for commercial 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2216/00—Indexing scheme relating to additional aspects of information retrieval not explicitly covered by G06F16/00 and subgroups
- G06F2216/03—Data mining
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Computational Linguistics (AREA)
- Entrepreneurship & Innovation (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Marketing (AREA)
- Probability & Statistics with Applications (AREA)
- Mathematical Physics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Software Systems (AREA)
- Fuzzy Systems (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Primary Health Care (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Human Computer Interaction (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
Abstract
本发明涉及一种用于电力看板的动态决策分析方法及终端。在电力看板的指标管理面板下，接收用户的指标点击信息，生成与指标点击信息相对应的指标分析面板，指标分析面板包括分析链路以及挖掘结果。本发明通过将电力看板将分析面板和管理看板合二为一，用户可以对分析面板与管理看板灵活切换，颠覆了传统的BI、数据可视化、分析型信息化系统构建思路，分析思路保存后直接作为管理看板，而在切换至分析面板时又可以看见分析链路，以实现管理指标看板可定制、可分析、快速成型，突破传统指标看板内容固定、无法分析、以面向汇报为主的局限，从而提高了电力企业的决策水平，为今后电力供给改革提供了指导方向。
Description
技术领域
本发明属于数据分析技术领域，特别涉及一种用于电力看板的动态决策分析方法及终端。
背景技术
传统的看板，仍处于基于报表等结构化数据进行指标相关的统计分析阶段，对于单业务的分析较好，对于跨业务的分析较弱。对于跨业务的分析，需要大量的人为介入分析和判断，存在着无法快速甄别有效信息的缺陷；同时，许多业务报告制作太过于详细，都是规范化的文档，容易被静态表格和各种图表类型所夸大，从而制约了数据分析行业从数字化向智能化发展。
在现有看板系统中，基本上都是面向分析结果、按照“数据（结果）可视化”的方式而设计的，主要侧重于对关键指标的静态展示，存在着“只能看，不能点”、灵活性差、个性化需求均需要进行开发、周期长、成本高以及响应及时性差等问题；分析的过程存在于分析人员的大脑中，分析水平的高低严重依赖于分析人员的个人思维分析能力，这是一种高度个人艺术化的行为，难以进行体系化、工业化地改进，从而限制了业务分析的深度与广度，制约了数据分析行业水平的提升。
发明内容
本发明的目的在于提供一种用于电力看板的动态决策分析方法及终端，以提高电力企业的决策水平。
为实现上述目的，本发明的技术方案是：
S1、在电力看板的指标管理面板下，接收用户的指标点击信息，生成与所述指标点击信息相对应的指标分析面板，所述指标分析面板包括分析链路以及挖掘结果。
为了解决上述技术问题，本发明采用的另一种技术方案为：
一种用于电力看板的动态决策分析终端，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
S1、在电力看板的指标管理面板下，接收用户的指标点击信息，生成与所述指标点击信息相对应的指标分析面板，所述指标分析面板包括分析链路以及挖掘结果。
相较于现有技术，本发明具有以下有益效果：本发明的一种用于电力看板的动态决策分析方法及终端，在电力看板的指标管理面板下，接收用户的指标点击信息，生成与指标点击信息相对应的指标分析面板，指标分析面板包括分析链路以及挖掘结果，即电力看板将分析面板和管理看板合二为一，用户可以对分析面板与管理看板灵活切换，颠覆了传统的BI、数据可视化、分析型信息化系统构建思路，分析思路保存后直接作为管理看板，而在切换至分析面板时又可以看见分析链路，以实现管理指标看板可定制、可分析、快速成型，突破传统指标看板内容固定、无法分析、以面向汇报为主的局限，从而提高了电力企业的决策水平，为今后电力供给改革提供了指导方向。
附图说明
图1为本发明实施例的一种用于电力看板的动态决策分析方法的流程示意图；
图2为本发明实施例涉及的分析面板与管理看板灵活切换的界面示意图；
图3为本发明实施例涉及的分析过程可视化的界面示意图；
图4为本发明实施例涉及的基于信息熵的智能钻取算法的界面示意图；
图5为本发明实施例涉及的基于信息熵的智能钻取算法的过程示意图；
图6为本发明实施例涉及的趋势预测的过程示意图；
图7为本发明实施例涉及的投诉量预测的曲线示意图；
图8为本发明实施例涉及的工单分类的结果示意图；
图9为本发明实施例涉及的文本数据分类的过程示意图；
图10为本发明实施例涉及的自动生成分析报告的过程示意图；
图11为本发明实施例的一种用于电力看板的动态决策分析终端的结构示意图；
图12为本发明实施例涉及的业扩全流程分析看板的界面示意图；
图13为本发明实施例涉及的业扩体外循环项目的识别示意图；
图14为本发明实施例涉及的业扩全流程时长的趋势预测示意图；
图15为本发明实施例涉及的客户诉求分析看板的界面示意图；
图16为本发明实施例涉及的诉求热点词云分析的结果示意图。
标号说明：
1、一种用于电力看板的动态决策分析终端；2、处理器；3、存储器。
具体实施方式
为详细说明本发明的技术内容、所实现目的及效果，以下结合实施方式并配合附图予以说明。
请参照图1至图10，一种用于电力看板的动态决策分析方法，包括步骤：
S1、在电力看板的指标管理面板下，接收用户的指标点击信息，生成与所述指标点击信息相对应的指标分析面板，所述指标分析面板包括分析链路以及挖掘结果。
从上述描述可知，本发明的有益效果在于：电力看板将分析面板和管理看板合二为一，用户可以对分析面板与管理看板灵活切换，颠覆了传统的BI、数据可视化、分析型信息化系统构建思路，分析思路保存后直接作为管理看板，而在切换至分析面板时又可以看见分析链路，以实现管理指标看板可定制、可分析、快速成型，突破传统指标看板内容固定、无法分析、以面向汇报为主的局限，从而提高了电力企业的决策水平，为今后电力供给改革提供了指导方向。
进一步地，还包括步骤：
S21、获取用户数据，对所述用户数据进行分析，并自动组合图形以形成对所述用户数据的分析路径，得到并以导图方式显示数据分析过程，保存所述数据分析过程；
S22、获取各个节点的关联关系，判断是否存在第一节点的分析条件或分析参数发生变化，若有，则与第一节点相关联的后续节点的显示内容随着所述第一节点的变化而变化；
S23、接收节点操作指令，按照所述节点操作指令变更各个节点的关联关系，所述节点操作指令包括节点合并、节点拆分、节点修改或拓展新的分支；
S24、接收分析思路装载请求，按照所述分析思路装载请求重新装载打开对应的数据分析过程。
从上述描述可知，在用户的交互分析过程中同步记录分析思路发展过程，用“导图”方式予以展现，将现有的“数据（结果）可视化”进一步提升为“分析（过程）可视化”，揭示数据分析中的思考过程，让隐性分析过程显性化；同时节点联动可以快速看到后续各个节点的分析结果变化，节点操作可以适应分析思路复杂多变的要求，分析思路装载可以实现分析思路的知识保存与传承。
进一步地，还包括步骤：
S31、计算指标异动中所有因素的信息熵，将信息熵最大的因素作为主要因素；
S32、计算所述主要因素下各类别的离心距绝对值，将离心距最大的类别作为下一步的钻取指标，直到最后一层类别，以得到数据异常点；
S33、对所有因素中除主要因素之外的其他因素按照信息熵从大到小依次执行步骤S32，以得到每一层的数据异常点。
从上述描述可知，由于业务人员的工作经验及业务知识熟悉程度的差异，会存在不同分析人员对同一个分析目标的分析结果存在质量的差异，同时业务人员在面对一个从未有过经验的问题时分析无从下手等情况。基于以上实际情况，通过信息信息熵的智能钻取算法，对于指标的多个分析维度，系统自动根据智能钻取算法进行自动钻取，给出机器钻取结果，替代人工思考分析过程。在原有手工拖拽分析维度的基础上，实现分析维度的自动钻取功能，并且钻取路径保存可以人工干预编辑。
进一步地，还包括步骤：
S41、获取用户数据、指定趋势预测分析类型、指定拟合算法以及待预测期数，根据所述指定趋势预测分析类型、指定拟合算法以及待预测期数对所述用户数据进行趋势预测，以得到趋势预测的拟合曲线，所述指定趋势预测分析类型为多项式拟合、幂拟合、对数拟合、指数拟合或时间序列，所述指定拟合算法为Gauss-Newton、Levenberg-Marquardt、最小二乘法或时间序列乘法，所述待预测期数大于或等于一期；
S42、获取用户数据，通过聚类算法对用户数据进行分割，以得到异常群体或风险群体，所述聚类算法为K-Means聚类、k-modes聚类、k-prototypes聚类或基于密度的聚类方法。
从上述描述可知，用户可根据不同的拟合方式进行参数配置，通过高级配置面板指定拟合的算法，从而得到更好的拟合曲线。同时，用户可指定是否直接利用该拟合算法进行趋势预测，可设置需要预测的期数，从而得到趋势预测的拟合曲线，以帮助用户了解数据变化趋势，把握业务发展规律。
进一步地，还包括步骤：
S51、获取员工投诉工单，对员工投诉工单进行文本清洗，以得到有效文本特征；
S52、对所述有效文本特征切分成由词语组成的文本序列；
S53、对由词语组成的所述文本序列进行向量化，以得到机器识别数字序列；
S54、将所述机器识别数字序列送入文本分类模型，得到分类结果，所述分类结果包括责任部门、专业分类、诉求事件以及差错点。
从上述描述可知，通过如上自动分类，可以让工作人员精确定位哪个部门、哪个项业务、哪个环节、出现了什么错误，分类结果作为客服分析看板的基础，在此上构建客服看板的分析路径，保存路径形成客服管理分析看板，实现客户投诉关键指标的展示与监控，及时抓取客户关注的热点问题，依托指标数据深入挖掘分析影响范围、存在问题和未来发展趋势，深化过程管控，提供高维的可视化效果和高效的智能分析能力，为公司提供多元化重大决策的制定和发展方向的研判。
请参照图11至图16，一种用于电力看板的动态决策分析终端，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
S1、在电力看板的指标管理面板下，接收用户的指标点击信息，生成与所述指标点击信息相对应的指标分析面板，所述指标分析面板包括分析链路以及挖掘结果。
从上述描述可知，本发明的有益效果在于：电力看板将分析面板和管理看板合二为一，用户可以对分析面板与管理看板灵活切换，颠覆了传统的BI、数据可视化、分析型信息化系统构建思路，分析思路保存后直接作为管理看板，而在切换至分析面板时又可以看见分析链路，以实现管理指标看板可定制、可分析、快速成型，突破传统指标看板内容固定、无法分析、以面向汇报为主的局限，从而提高了电力企业的决策水平，为今后电力供给改革提供了指导方向。
进一步地，所述处理器执行所述计算机程序时还实现以下步骤：
S21、获取用户数据，对所述用户数据进行分析，并自动组合图形以形成对所述用户数据的分析路径，得到并以导图方式显示数据分析过程，保存所述数据分析过程；
S22、获取各个节点的关联关系，判断是否存在第一节点的分析条件或分析参数发生变化，若有，则与第一节点相关联的后续节点的显示内容随着所述第一节点的变化而变化；
S23、接收节点操作指令，按照所述节点操作指令变更各个节点的关联关系，所述节点操作指令包括节点合并、节点拆分、节点修改或拓展新的分支；
S24、接收分析思路装载请求，按照所述分析思路装载请求重新装载打开对应的数据分析过程。
从上述描述可知，在用户的交互分析过程中同步记录分析思路发展过程，用“导图”方式予以展现，将现有的“数据（结果）可视化”进一步提升为“分析（过程）可视化”，揭示数据分析中的思考过程，让隐性分析过程显性化；同时节点联动可以快速看到后续各个节点的分析结果变化，节点操作可以适应分析思路复杂多变的要求，分析思路装载可以实现分析思路的知识保存与传承。
进一步地，所述处理器执行所述计算机程序时还实现以下步骤：
S31、计算指标异动中所有因素的信息熵，将信息熵最大的因素作为主要因素；
S32、计算所述主要因素下各类别的离心距绝对值，将离心距最大的类别作为下一步的钻取指标，直到最后一层类别，以得到数据异常点；
S33、对所有因素中除主要因素之外的其他因素按照信息熵从大到小依次执行步骤S32，以得到每一层的数据异常点。
从上述描述可知，由于业务人员的工作经验及业务知识熟悉程度的差异，会存在不同分析人员对同一个分析目标的分析结果存在质量的差异，同时业务人员在面对一个从未有过经验的问题时分析无从下手等情况。基于以上实际情况，通过信息信息熵的智能钻取算法，对于指标的多个分析维度，系统自动根据智能钻取算法进行自动钻取，给出机器钻取结果，替代人工思考分析过程。在原有手工拖拽分析维度的基础上，实现分析维度的自动钻取功能，并且钻取路径保存可以人工干预编辑。
进一步地，所述处理器执行所述计算机程序时还实现以下步骤：
S41、获取用户数据、指定趋势预测分析类型、指定拟合算法以及待预测期数，根据所述指定趋势预测分析类型、指定拟合算法以及待预测期数对所述用户数据进行趋势预测，以得到趋势预测的拟合曲线，所述指定趋势预测分析类型为多项式拟合、幂拟合、对数拟合、指数拟合或时间序列，所述指定拟合算法为Gauss-Newton、Levenberg-Marquardt、最小二乘法或时间序列乘法，所述待预测期数大于或等于一期；
S42、获取用户数据，通过聚类算法对用户数据进行分割，以得到异常群体或风险群体，所述聚类算法为K-Means聚类、k-modes聚类、k-prototypes聚类或基于密度的聚类方法。
从上述描述可知，用户可根据不同的拟合方式进行参数配置，通过高级配置面板指定拟合的算法，从而得到更好的拟合曲线。同时，用户可指定是否直接利用该拟合算法进行趋势预测，可设置需要预测的期数，从而得到趋势预测的拟合曲线，以帮助用户了解数据变化趋势，把握业务发展规律。
进一步地，所述处理器执行所述计算机程序时还实现以下步骤：
S51、获取员工投诉工单，对员工投诉工单进行文本清洗，以得到有效文本特征；
S52、对所述有效文本特征切分成由词语组成的文本序列；
S53、对由词语组成的所述文本序列进行向量化，以得到机器识别数字序列；
S54、将所述机器识别数字序列送入文本分类模型，得到分类结果，所述分类结果包括责任部门、专业分类、诉求事件以及差错点。
从上述描述可知，通过如上自动分类，可以让工作人员精确定位哪个部门、哪个项业务、哪个环节、出现了什么错误，分类结果作为客服分析看板的基础，在此上构建客服看板的分析路径，保存路径形成客服管理分析看板，实现客户投诉关键指标的展示与监控，及时抓取客户关注的热点问题，依托指标数据深入挖掘分析影响范围、存在问题和未来发展趋势，深化过程管控，提供高维的可视化效果和高效的智能分析能力，为公司提供多元化重大决策的制定和发展方向的研判。
请参照图1至图10，本发明的实施例一为：
一种用于电力看板的动态决策分析方法，如图1和图2所示，包括分析面板与管理看板灵活切换，实现管理看板快速便捷定制的方法，具体为如下步骤：
S1、在电力看板的指标管理面板下，接收用户的指标点击信息，生成与指标点击信息相对应的指标分析面板，指标分析面板包括分析链路以及挖掘结果。
即电力看板将分析面板和管理看板合二为一，用户可以对分析面板与管理看板灵活切换，颠覆了传统的BI、数据可视化、分析型信息化系统构建思路，分析思路保存后直接作为管理看板，而在切换至分析面板时又可以看见分析链路，以实现管理指标看板可定制、可分析、快速成型，突破传统指标看板内容固定、无法分析、以面向汇报为主的局限。
其中，如图2所示，分析链路示例能深度定位什么区域的什么专业的什么业务的什么差错导致了客户投诉行为的发生，挖掘结果示例能定位**地市的**公司在抄核收专业上的催费事件上频繁发生催错费与催费态度差的投诉。
如图3所示，为分析过程可视化的方法，具体包括如下步骤：
S21、获取用户数据，对用户数据进行分析，并自动组合图形以形成对用户数据的分析路径，得到并以导图方式显示数据分析过程，保存数据分析过程；
S22、获取各个节点的关联关系，判断是否存在第一节点的分析条件或分析参数发生变化，若有，则与第一节点相关联的后续节点的显示内容随着第一节点的变化而变化；
S23、接收节点操作指令，按照节点操作指令变更各个节点的关联关系，节点操作指令包括节点合并、节点拆分、节点修改或拓展新的分支；
S24、接收分析思路装载请求，按照分析思路装载请求重新装载打开对应的数据分析过程。
即首创“分析可视化”技术，在用户的交互分析过程中同步记录分析思路发展过程，用“导图”方式予以展现，将现有的“数据（结果）可视化”进一步提升为“分析（过程）可视化”，揭示数据分析中的思考过程，让隐性分析过程显性化；同时节点联动可以快速看到后续各个节点的分析结果变化，节点操作可以适应分析思路复杂多变的要求，分析思路装载可以实现分析思路的知识保存与传承。
如图4和图5所示，为智能钻取的方法，具体包括如下步骤：
S31、计算指标异动中所有因素的信息熵，将信息熵最大的因素作为主要因素；
S32、计算主要因素下各类别的离心距绝对值，将离心距最大的类别作为下一步的钻取指标，直到最后一层类别，以得到数据异常点；
S33、对所有因素中除主要因素之外的其他因素按照信息熵从大到小依次执行步骤S32，以得到每一层的数据异常点。
即由于业务人员的工作经验及业务知识熟悉程度的差异，会存在不同分析人员对同一个分析目标的分析结果存在质量的差异，同时业务人员在面对一个从未有过经验的问题时分析无从下手等情况。基于以上实际情况，通过信息信息熵的智能钻取算法，对于指标的多个分析维度，系统自动根据智能钻取算法进行自动钻取，给出机器钻取结果，替代人工思考分析过程。在原有手工拖拽分析维度的基础上，实现分析维度的自动钻取功能，并且钻取路径保存可以人工干预编辑。
如图6所示，为趋势预测方法，具体包括如下步骤：
S41、获取用户数据、指定趋势预测分析类型、指定拟合算法以及待预测期数，根据指定趋势预测分析类型、指定拟合算法以及待预测期数对用户数据进行趋势预测，以得到趋势预测的拟合曲线，指定趋势预测分析类型为多项式拟合、幂拟合、对数拟合、指数拟合或时间序列，指定拟合算法为Gauss-Newton、Levenberg-Marquardt、最小二乘法或时间序列乘法，待预测期数大于或等于一期；
S42、获取用户数据，通过聚类算法对用户数据进行分割，以得到异常群体或风险群体，聚类算法为K-Means聚类、k-modes聚类、k-prototypes聚类或基于密度的聚类方法。
即目前看板系统的趋势预测分析能够通过有关指标的各期对基期的变化趋势的分析，计算出数据变化走向，测算未来数值变化情况，即敏锐决策分析看板的业务发展趋势预测能力。趋势预测分析包含多项式拟合、幂拟合、对数拟合、指数拟合以及时间序列等，集成了不同的拟合算法，如：Gauss-Newton、Levenberg-Marquardt、最小二乘法、时间序列乘法等。
用户可根据不同的拟合方式进行参数配置，通过高级配置面板指定拟合的算法，从而得到更好的拟合曲线。同时，用户可指定是否直接利用该拟合算法进行趋势预测，可设置需要预测的期数，从而得到趋势预测的拟合曲线，以帮助用户了解数据变化趋势，把握业务发展规律。
其中，目前看板系统的风险研判定位功能集成了聚类算法，通过聚类算法来定位异常或有风险的群体，为业务人员快速定位，提前预防风险。
聚类是机器学习中的一个算法，就是按照某个特定标准(如距离)把一个数据集分割成不同的类或簇，使得同一个簇内的数据对象的相似性尽可能大，同时不在同一个簇中的数据对象的差异性也尽可能地大。也即聚类后同一类的数据尽可能聚集到一起，不同类数据尽量分离。聚类算法包含了K-Means(K均值)聚类、k-modes聚类、k-prototypes聚类、基于密度的聚类方法(DBSCAN)等。
其中，图7为投诉量预测，其预测特征分解：将时间序列数据分离成不同的成分，包括了长期趋势、季节趋势、周期波动以及随机因素，分别对其进行时间序列拟合。预测结果分析：2018年以来预测效果显著下降，主要由于2018年以来投诉判定规则改变，导致长期趋势拟合效果较差，从而得到图7。
其中，图8为某一业务的地市分布，选取2017-2018年业扩归档工单和在途所有工单，对工单进行进行分类，形成同一联系人且同一个联系电话办理的业扩项目用户名数量和同一个联系电话办理的业扩项目用户名数量两个特征，根据两个特征进行聚类分析，识别出该业务，且清晰地描述其特征。
如图9所示，为文本数据分类的方法，具体包括如下步骤：
S51、获取员工投诉工单，对员工投诉工单进行文本清洗，以得到有效文本特征；
S52、对有效文本特征切分成由词语组成的文本序列；
S53、对由词语组成的文本序列进行向量化，以得到机器识别数字序列；
S54、将机器识别数字序列送入文本分类模型，得到分类结果，分类结果包括责任部门、专业分类、诉求事件以及差错点。
即对于客服看板，系统可将投诉工单基于预定的分类框架自动进行分类，这个过程称为文本分类。分类框架包含四个层级，分别是责任部门—专业分类—诉求事件—差错点。自动分类结果如图9所示。
通过如上自动分类，可以让工作人员精确定位哪个部门、哪个项业务、哪个环节、出现了什么错误。
即为了实现自动分类，看板采用了文本清洗，文本分词，文本向量化，模型分类等自然语言处理技术，具体见上述步骤。文本清洗可以有效减少词汇噪音，保留更有效的文本特征使得分类模型达到更高的精度。如去标点符号，停用词去除，消歧转换，习惯用语去除等。文本分词是指将文本切分成由词语组成的序列，是中文自然语言处理技术的基础环节，文本分词的效果好坏，决定了后续文本分类模型的性能优劣。文本向量化是指向文字转化为机器能够识别的数字，以便进行模型运算分析。模型分类是看板实现文本分类的核心技术，通过将向量化的文本输入模型，即可输出分类结果。
分类结果作为客服分析看板的基础，在此上构建客服看板的分析路径，保存路径形成客服管理分析看板，实现客户投诉关键指标的展示与监控，及时抓取客户关注的热点问题，依托指标数据深入挖掘分析影响范围、存在问题和未来发展趋势，深化过程管控，提供高维的可视化效果和高效的智能分析能力，为公司提供多元化重大决策的制定和发展方向的研判。
在本实施例中，如图10所示，还包括自动生成报告的方法。这是由于业务人员在日常分析工作中，会形成较多的分析报告，并且很多报告都是相对固定的，对于这种相对固定的分析报告，敏锐决策分析看板提供了报告自动生成功能，减少重复文牍工作，为业务分析人员减负。根据各业务模块分析报告，在word中创建分析报告模板，固化其中的文本描述部分，对一些日期、数据图表和数值进行自动填充，自动同步更新导出报告。从而大大减少了数据分析人员的重复文牍工作，让分析人员聚焦于业务思考，提高工作效率。
请参照图11至图16，本发明的实施例二为：
一种用于电力看板的动态决策分析终端1，包括存储器3、处理器2及存储在存储器3上并可在处理器2上运行的计算机程序，处理器2执行计算机程序时实现上述实施例一的步骤。
对于本实施例来说，本实施例中的系统整体架构设计如下：结合大数据的架构，本文将该系统的整体架构包括数据存储及处理、数据服务层以及看板层。其中数据存储及处理主要负责各种类型数据接入、计算及清洗等一些预处理工作；数据服务主要包括分析过程可视化组件、机器学习算法模型集成、自动报告组件及非结构化数据处理组件等；看板层主要根据业务需要对看板进行基于业务需求的个性化定制，可以灵活扩展与删减。
以及根据现有的电力看板系统，本申请将整体系统的功能模块分为以下几个部分：分析管理模块、数据配置模块及系统配置模块。分析管理主要包含分析可视化、看板切换管理、智能分析算法等功能；数据配置主要包括数据接入及自定义语义等功能；系统配置主要包含系统配置与定制等相关功能。
如图12和图14，为在本实施例的终端上运行的业扩全流程分析看板。业扩全流程分析看板实现了业扩全流程环节短板定位，风险项目定位及全流程时长的趋势预测，辅助公司在办电时长上进行管理决策，优化营商环境，具体如图12所示。
如图13所示，在对高压业扩项目进行识别时，高压业扩项目由于受到时限的要求，会存在离线受理、离线进行业扩业务运作的行为，或现场情况与营销管理系统记录不符的行为，即为体外循环。目前是根据业务经验来判断，而现在我们根据高压业扩的业务经验和降维方法提取聚类分析所需的特征：全流程时长、重复申请次数、重复申请间隔时间、是否录入过储备库，利用机器学习中K-means聚类的算法来自动识别出这类项目。
如图14所示，为对业扩全流程时长的趋势预测，基于业扩全流程时长的每月数据变化趋势，选取多项式拟合，并利用该拟合算法进行下一个月趋势预测，如图14所示。
如图15和16所示，为在本实施例的终端上运行的客户诉求分析看板。目前使用看板系统的文本分类功能的分类结果与人工分类结果的比对精度已经达到90%以上，几乎完全替代了人工分类以及分类完之后的客户诉求分析工作。基于文本分类及自动报告功能，经测算预计全年可减少1500+小时人力，有效解放了客服业务分析人员的劳动力，替代大量重复性人工工作，为基础减负，同时还统一了分析口径，规避了由于业务经验差异而导致分类结果差异，让业务分析人员更加专注于分析思考，有效提升了整体客服分析的深度。
如图16所示，为诉求热点词云分析。看板基于模型在四级分类差错点的分类结果，进行各差错点投诉量统计分析，形成词云，展示在数据看板上，直观的呈现指定周期内的投诉热点，使管理对当前的服务短板或者服务风险有清晰的了解，得到如图16所示的投诉差错点概括。
综上所述，本发明提供的一种用于电力看板的动态决策分析方法及终端，具有以下优点：
1、电力看板将分析面板和管理看板合二为一，用户可以对分析面板与管理看板灵活切换，颠覆了传统的BI、数据可视化、分析型信息化系统构建思路，分析思路保存后直接作为管理看板，而在切换至分析面板时又可以看见分析链路，以实现管理指标看板可定制、可分析、快速成型，突破传统指标看板内容固定、无法分析、以面向汇报为主的局限；
2、在用户的交互分析过程中同步记录分析思路发展过程，用“导图”方式予以展现，将现有的“数据（结果）可视化”进一步提升为“分析（过程）可视化”，揭示数据分析中的思考过程，让隐性分析过程显性化；同时节点联动可以快速看到后续各个节点的分析结果变化，节点操作可以适应分析思路复杂多变的要求，分析思路装载可以实现分析思路的知识保存与传承；
3、通过信息信息熵的智能钻取算法，对于指标的多个分析维度，系统自动根据智能钻取算法进行自动钻取，给出机器钻取结果，替代人工思考分析过程。在原有手工拖拽分析维度的基础上，实现分析维度的自动钻取功能，并且钻取路径保存可以人工干预编辑；
4、用户可根据不同的拟合方式进行参数配置，通过高级配置面板指定拟合的算法，从而得到更好的拟合曲线。同时，用户可指定是否直接利用该拟合算法进行趋势预测，可设置需要预测的期数，从而得到趋势预测的拟合曲线，以帮助用户了解数据变化趋势，把握业务发展规律；
5、通过如上自动分类，可以让工作人员精确定位哪个部门、哪个项业务、哪个环节、出现了什么错误，分类结果作为客服分析看板的基础，在此上构建客服看板的分析路径，保存路径形成客服管理分析看板，实现客户投诉关键指标的展示与监控，及时抓取客户关注的热点问题，依托指标数据深入挖掘分析影响范围、存在问题和未来发展趋势，深化过程管控，提供高维的可视化效果和高效的智能分析能力，为公司提供多元化重大决策的制定和发展方向的研判；
6、对于这种相对固定的分析报告，敏锐决策分析看板提供了报告自动生成功能，减少重复文牍工作，为业务分析人员减负。根据各业务模块分析报告，在word中创建分析报告模板，固化其中的文本描述部分，对一些日期、数据图表和数值进行自动填充，自动同步更新导出报告。从而大大减少了数据分析人员的重复文牍工作，让分析人员聚焦于业务思考，提高工作效率；
即，通过上述技术方案，实现对业扩、工单投诉、用电量预测等进行全方位的智能化分析，从而提高了电力企业的决策水平，为今后电力供给改革提供了指导方向。
以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等同变换，或直接或间接运用在相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种用于电力看板的动态决策分析方法，其特征在于，包括如下步骤：
S1、在电力看板的指标管理面板下，接收用户的指标点击信息，生成与所述指标点击信息相对应的指标分析面板，所述指标分析面板包括分析链路以及挖掘结果。
2.根据权利要求1所述的一种用于电力看板的动态决策分析方法，其特征在于，还包括步骤：
S21、获取用户数据，对所述用户数据进行分析，并自动组合图形以形成对所述用户数据的分析路径，得到并以导图方式显示数据分析过程，保存所述数据分析过程；
S22、获取各个节点的关联关系，判断是否存在第一节点的分析条件或分析参数发生变化，若有，则与第一节点相关联的后续节点的显示内容随着所述第一节点的变化而变化；
S23、接收节点操作指令，按照所述节点操作指令变更各个节点的关联关系，所述节点操作指令包括节点合并、节点拆分、节点修改或拓展新的分支；
S24、接收分析思路装载请求，按照所述分析思路装载请求重新装载打开对应的数据分析过程。
3.根据权利要求1所述的一种用于电力看板的动态决策分析方法，其特征在于，还包括步骤：
S31、计算指标异动中所有因素的信息熵，将信息熵最大的因素作为主要因素；
S32、计算所述主要因素下各类别的离心距绝对值，将离心距最大的类别作为下一步的钻取指标，直到最后一层类别，以得到数据异常点；
S33、对所有因素中除主要因素之外的其他因素按照信息熵从大到小依次执行步骤S32，以得到每一层的数据异常点。
4.根据权利要求1所述的一种用于电力看板的动态决策分析方法，其特征在于，还包括步骤：
S41、获取用户数据、指定趋势预测分析类型、指定拟合算法以及待预测期数，根据所述指定趋势预测分析类型、指定拟合算法以及待预测期数对所述用户数据进行趋势预测，以得到趋势预测的拟合曲线，所述指定趋势预测分析类型为多项式拟合、幂拟合、对数拟合、指数拟合或时间序列，所述指定拟合算法为Gauss-Newton、Levenberg-Marquardt、最小二乘法或时间序列乘法，所述待预测期数大于或等于一期；
S42、获取用户数据，通过聚类算法对用户数据进行分割，以得到异常群体或风险群体，所述聚类算法为K-Means聚类、k-modes聚类、k-prototypes聚类或基于密度的聚类方法。
5.根据权利要求1所述的一种用于电力看板的动态决策分析方法，其特征在于，还包括步骤：
S51、获取员工投诉工单，对员工投诉工单进行文本清洗，以得到有效文本特征；
S52、对所述有效文本特征切分成由词语组成的文本序列；
S53、对由词语组成的所述文本序列进行向量化，以得到机器识别数字序列；
S54、将所述机器识别数字序列送入文本分类模型，得到分类结果，所述分类结果包括责任部门、专业分类、诉求事件以及差错点。
6.一种用于电力看板的动态决策分析终端，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现以下步骤：
S1、在电力看板的指标管理面板下，接收用户的指标点击信息，生成与所述指标点击信息相对应的指标分析面板，所述指标分析面板包括分析链路以及挖掘结果。
7.根据权利要求6所述的一种用于电力看板的动态决策分析终端，其特征在于，所述处理器执行所述计算机程序时还实现以下步骤：
S21、获取用户数据，对所述用户数据进行分析，并自动组合图形以形成对所述用户数据的分析路径，得到并以导图方式显示数据分析过程，保存所述数据分析过程；
S22、获取各个节点的关联关系，判断是否存在第一节点的分析条件或分析参数发生变化，若有，则与第一节点相关联的后续节点的显示内容随着所述第一节点的变化而变化；
S23、接收节点操作指令，按照所述节点操作指令变更各个节点的关联关系，所述节点操作指令包括节点合并、节点拆分、节点修改或拓展新的分支；
S24、接收分析思路装载请求，按照所述分析思路装载请求重新装载打开对应的数据分析过程。
8.根据权利要求6所述的一种用于电力看板的动态决策分析终端，其特征在于，所述处理器执行所述计算机程序时还实现以下步骤：
S31、计算指标异动中所有因素的信息熵，将信息熵最大的因素作为主要因素；
S32、计算所述主要因素下各类别的离心距绝对值，将离心距最大的类别作为下一步的钻取指标，直到最后一层类别，以得到数据异常点；
S33、对所有因素中除主要因素之外的其他因素按照信息熵从大到小依次执行步骤S32，以得到每一层的数据异常点。
9.根据权利要求6所述的一种用于电力看板的动态决策分析终端，其特征在于，所述处理器执行所述计算机程序时还实现以下步骤：
S41、获取用户数据、指定趋势预测分析类型、指定拟合算法以及待预测期数，根据所述指定趋势预测分析类型、指定拟合算法以及待预测期数对所述用户数据进行趋势预测，以得到趋势预测的拟合曲线，所述指定趋势预测分析类型为多项式拟合、幂拟合、对数拟合、指数拟合或时间序列，所述指定拟合算法为Gauss-Newton、Levenberg-Marquardt、最小二乘法或时间序列乘法，所述待预测期数大于或等于一期；
S42、获取用户数据，通过聚类算法对用户数据进行分割，以得到异常群体或风险群体，所述聚类算法为K-Means聚类、k-modes聚类、k-prototypes聚类或基于密度的聚类方法。
10.根据权利要求6所述的一种用于电力看板的动态决策分析终端，其特征在于，所述处理器执行所述计算机程序时还实现以下步骤：
S51、获取员工投诉工单，对员工投诉工单进行文本清洗，以得到有效文本特征；
S52、对所述有效文本特征切分成由词语组成的文本序列；
S53、对由词语组成的所述文本序列进行向量化，以得到机器识别数字序列；
S54、将所述机器识别数字序列送入文本分类模型，得到分类结果，所述分类结果包括责任部门、专业分类、诉求事件以及差错点。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910766947.6A CN110458473B (zh) | 2019-08-20 | 2019-08-20 | 一种用于电力看板的动态决策分析方法及终端 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910766947.6A CN110458473B (zh) | 2019-08-20 | 2019-08-20 | 一种用于电力看板的动态决策分析方法及终端 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110458473A true CN110458473A (zh) | 2019-11-15 |
| CN110458473B CN110458473B (zh) | 2022-07-05 |
Family
ID=68487756
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910766947.6A Active CN110458473B (zh) | 2019-08-20 | 2019-08-20 | 一种用于电力看板的动态决策分析方法及终端 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110458473B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100287146A1 (en) * | 2009-05-11 | 2010-11-11 | Dean Skelton | System and method for change analytics based forecast and query optimization and impact identification in a variance-based forecasting system with visualization |
| CN108614526A (zh) * | 2016-12-13 | 2018-10-02 | 中国科学院沈阳自动化研究所 | 一种可重构的生产过程管理系统 |
| CN108959493A (zh) * | 2018-06-25 | 2018-12-07 | 阿里巴巴集团控股有限公司 | 指标异常波动的检测方法、装置及设备 |
| CN109034244A (zh) * | 2018-07-27 | 2018-12-18 | 国家电网有限公司 | 基于电量曲线特征模型的线损异常诊断方法及装置 |
-
2019
- 2019-08-20 CN CN201910766947.6A patent/CN110458473B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100287146A1 (en) * | 2009-05-11 | 2010-11-11 | Dean Skelton | System and method for change analytics based forecast and query optimization and impact identification in a variance-based forecasting system with visualization |
| CN108614526A (zh) * | 2016-12-13 | 2018-10-02 | 中国科学院沈阳自动化研究所 | 一种可重构的生产过程管理系统 |
| CN108959493A (zh) * | 2018-06-25 | 2018-12-07 | 阿里巴巴集团控股有限公司 | 指标异常波动的检测方法、装置及设备 |
| CN109034244A (zh) * | 2018-07-27 | 2018-12-18 | 国家电网有限公司 | 基于电量曲线特征模型的线损异常诊断方法及装置 |
Non-Patent Citations (4)
| Title |
|---|
| YANZHEN ZHOU ET AL: "A Hierarchical Method for Transient Stability Prediction of Power Systems Using the Confidence of a SVM-Based Ensemble Classifier", 《ENERGIES》 * |
| 何文韬 等: "工业大数据分析技术的发展及其面临的挑战", 《信息与控制》 * |
| 张胜 等: "信息熵时序和树图用于NetFlow可视化的研究", 《高技术通讯》 * |
| 王峰 等: "面向过程的敏锐决策动态分析看板平台设计", 《微型电脑应用》 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110458473B (zh) | 2022-07-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110825882B (zh) | 一种基于知识图谱的信息系统管理方法 | |
| US20230162051A1 (en) | Method, device and apparatus for execution of automated machine learning process | |
| CN115619383B (zh) | 一种基于知识图谱的故障诊断方法、装置及计算设备 | |
| CN117271767B (zh) | 基于多智能体的运维知识库的建立方法 | |
| Amin et al. | Exploration of natural language processing (NLP) applications in aviation | |
| CN110888989A (zh) | 一种智能学习平台及其构建方法 | |
| US20220318681A1 (en) | System and method for scalable, interactive, collaborative topic identification and tracking | |
| CN116028646A (zh) | 一种基于机器学习的电网调度领域知识图谱构建方法 | |
| CN115827886A (zh) | 电网一体化调度运行管理智能语音客服系统 | |
| CN115564071A (zh) | 一种电力物联网设备数据标签生成方法及系统 | |
| CN115033705A (zh) | 电网调控风险预警信息知识图谱设计方法及系统 | |
| CN114138977A (zh) | 日志处理方法、装置、计算机设备和存储介质 | |
| CN112307767A (zh) | 一种基于Bi-LSTM技术的调控知识建模方法 | |
| CN116881395A (zh) | 一种舆情信息检测方法和装置 | |
| CN116974799A (zh) | 一种基于知识图谱的照明系统的故障诊断方法及系统 | |
| CN110458473A (zh) | 一种用于电力看板的动态决策分析方法及终端 | |
| Shan et al. | Research on deep learning based dispatching fault disposal robot technology | |
| CN115619117A (zh) | 基于值班系统的电网智能调度方法 | |
| CN111949781B (zh) | 一种基于自然语句句法分析的智能交互方法及装置 | |
| Hu et al. | A classification model of power operation inspection defect texts based on graph convolutional network | |
| CN114185868B (zh) | 中文热点事件库智能构建方法 | |
| CN117196800A (zh) | 一种用于银行网点员工行为的数字化管理方法 | |
| Dong et al. | Research on the Model of Complex Network Based Key Information Extracting in Power Engineering Technical Transformation and Overhaul Project | |
| Chen et al. | Construction of Knowledge Map of Power Marketing User Address Data Based on Information Extraction Model | |
| Guangyu et al. | Research on Label Recognition Method of Power Grid Item Based on Deep Learning |
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 |