CN110674636A - 一种用电行为分析方法 - Google Patents
一种用电行为分析方法 Download PDFInfo
- Publication number
- CN110674636A CN110674636A CN201910822271.8A CN201910822271A CN110674636A CN 110674636 A CN110674636 A CN 110674636A CN 201910822271 A CN201910822271 A CN 201910822271A CN 110674636 A CN110674636 A CN 110674636A
- Authority
- CN
- China
- Prior art keywords
- address
- data
- model
- power utilization
- trained
- 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 71
- 238000007781 pre-processing Methods 0.000 claims abstract description 110
- 230000011218 segmentation Effects 0.000 claims abstract description 60
- 238000012545 processing Methods 0.000 claims abstract description 46
- 238000010606 normalization Methods 0.000 claims abstract description 43
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 35
- 238000000034 method Methods 0.000 claims abstract description 34
- 238000004364 calculation method Methods 0.000 claims abstract description 21
- 238000007621 cluster analysis Methods 0.000 claims abstract description 20
- 238000012098 association analyses Methods 0.000 claims abstract description 16
- 238000013433 optimization analysis Methods 0.000 claims abstract description 16
- 238000005065 mining Methods 0.000 claims abstract description 15
- 238000012549 training Methods 0.000 claims description 92
- 230000005611 electricity Effects 0.000 claims description 80
- 230000006399 behavior Effects 0.000 claims description 54
- 238000004590 computer program Methods 0.000 claims description 23
- 239000013598 vector Substances 0.000 claims description 18
- 238000002372 labelling Methods 0.000 claims description 17
- 238000005457 optimization Methods 0.000 claims description 16
- 238000013135 deep learning Methods 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 8
- 238000003058 natural language processing Methods 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 6
- 238000007418 data mining Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 abstract description 11
- 238000010586 diagram Methods 0.000 description 6
- 238000010219 correlation analysis Methods 0.000 description 5
- 238000010276 construction Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Images
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
- G06F16/245—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
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/285—Clustering or classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Mathematical Physics (AREA)
- Public Health (AREA)
- Marketing (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Water Supply & Treatment (AREA)
- Human Resources & Organizations (AREA)
- Evolutionary Computation (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Fuzzy Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请涉及一种用电行为分析方法，获取用电地址数据，将用电地址数据输入至已训练的地址预处理模型，得到用电地址的分词和实体信息，根据已训练的地址归一模型，对用电地址的分词和实体信息进行结构化处理和相似度计算，得出标准结构化地址，然后，对标准结构化地址进行特征优选和聚类分析，得出优选特征集和用电地址分类结果，基于优选特征集和用电地址分类结果，采用关联分析算法进行挖掘分析，得出用电行为分析结果。上述过程，对用电地址进行归一处理，能够有效解决源数据质量要求较高的问题，降低特征选取的难度，结合优选特征集和用电地址分类结果进行关联分析，能够有效甄别出不同区域的用电群体，提供更全面的用电行为分析结果。
Description
技术领域
本申请涉及电力电网技术领域，特别是涉及一种用电行为分析方法、装置、计算机设备和存储介质。
背景技术
随着我国电力体制的深入探索与改革，电力市场化进程的不断加快，在电力营销业务中，需要针对不同客户群体制定相应的调度和服务策略,通过用电行为分析来指导用电需求侧管理。
目前，现有的用电行为分析方法通常是基于大数据或者聚类方法对用户用电数据进行分析，这种分析方法对源数据质量要求较高，且特征选取难度较大，无法有针对性地挑选出特征进行分析，使得用电行为分析结果不全面。
发明内容
基于此，有必要针对现有用电行为分析方法不全面的问题，提供一种更为全面的用电行为分析方法、装置、计算机设备和存储介质。
一种用电行为分析方法，方法包括：
获取用电地址数据；
将用电地址数据输入至已训练的地址预处理模型，得到用电地址的分词和实体信息，已训练的地址预处理模型基于历史用电地址数据和分词和命名实体识别模型构建；
根据已训练的地址归一模型，对用电地址的分词和实体信息进行结构化处理和相似度计算，得出标准结构化地址，已训练的地址归一模型基于历史用电地址数据构建；
对标准结构化地址进行特征优选和聚类分析，得出优选特征集和用电地址分类结果；
基于优选特征集和用电地址分类结果，采用关联分析算法进行挖掘分析，得出用电行为分析结果。
在其中一个实施例中，对标准结构化地址进行特征优选和聚类分析，得出优选特征集和用电地址分类结果包括：
根据标准结构化地址，构建地址特征数据库；
根据预设的指标因素，计算地址特征数据库中各地址特征的权重；
根据权重，筛选出优选特征集；
基于优选特征集，采用聚类算法进行聚类分析，得到用电地址分类结果。
在其中一个实施例中，将用电地址数据输入至已训练的地址预处理模型之前，还包括：
获取历史用电地址数据；
根据历史用电地址数据，构建训练集；
基于BERT(Bidirectional Encoder Representation from Transformers，基于Transformer的双向编码器表示)预训练模型，对分词和命名实体识别模型进行参数优化，构建初始地址预处理模型；
基于训练集，采用Keras深度学习框架训练初始地址预处理模型，得到已训练的地址预处理模型。
在其中一个实施例中，根据用电地址数据，构建训练集包括：
对用电地址数据进行可处理特征提取及分类，得到原始样本；
将原始样本中样本数较少的地址数据，按照预设的地址级别进行组合，构建样本库；
采用序列标注方法，对样本库中的数据进行分词和实体命名识别标注，构建训练集。
在其中一个实施例中，基于训练集，采用Keras深度学习框架训练初始地址预处理模型包括：
将训练集输入初始地址预处理模型；
通过初始地址预处理模型的正向传播，计算训练集中各数据的得分；
将得分输入误差函数，计算得分与得分期望值的误差；
利用初始地址预处理模型进行反向传播，确定梯度向量；
根据梯度向量，更新初始地址预处理模型；
将训练集再次输入更新后的初始地址预处理模型，返回通过初始地址预处理模型的正向传播，计算训练集中各数据的得分的步骤，直至得分与得分期望值的误差达到最小，训练结束。
在其中一个实施例中，根据已训练的地址归一模型，对用电地址的分词和实体信息进行结构化处理和相似度计算，得出标准结构化地址之前，还包括：
采集历史用电地址数据；
对历史用电地址数据进行自然语言处理，得到层级地址信息；
根据预设的层级地址结构化处理规则对层级地址信息进行处理；
计算处理过的层级地址信息与预设基准地址的相似度，将相似权重最高的地址标记为归一地址，构建地址归一模型。
一种用电行为分析装置，装置包括：
数据获取模块，用于获取用电地址数据；
第一数据处理模块，用于将用电地址数据输入至已训练的地址预处理模型，得到用电地址的分词和实体信息，已训练的地址预处理模型基于历史用电地址数据构建；
第二数据处理模块，用于根据已训练的地址归一模型，对用电地址的分词和实体信息进行结构化处理和相似度计算，得出标准结构化地址，已训练的地址归一模型基于历史用电地址数据构建；
数据聚类模块，用于对标准结构化地址进行特征优选和聚类分析，得出优选特征集和用电地址分类结果；
数据挖掘分析模块，基于优选特征集和用电地址分类结果，采用关联分析算法进行挖掘分析，得出用电行为分析结果。
在其中一个实施例中，装置还包括：
第一模型构建模块，用于获取历史用电地址数据，根据历史用电地址数据，构建训练集，基于BERT预训练模型，对分词和实体命名识别模型进行参数优化，构建初始地址预处理模型，基于训练集，采用Keras深度学习框架训练初始地址预处理模型，得到已训练的地址预处理模型。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取用电地址数据；
将用电地址数据输入至已训练的地址预处理模型，得到用电地址的分词和实体信息，已训练的地址预处理模型基于历史用电地址数据和分词和命名实体识别模型构建；
根据已训练的地址归一模型，对用电地址的分词和实体信息进行结构化处理和相似度计算，得出标准结构化地址，已训练的地址归一模型基于历史用电地址数据构建；
对标准结构化地址进行特征优选和聚类分析，得出优选特征集和用电地址分类结果；
基于优选特征集和用电地址分类结果，采用关联分析算法进行挖掘分析，得出用电行为分析结果。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
获取用电地址数据；
将用电地址数据输入至已训练的地址预处理模型，得到用电地址的分词和实体信息，已训练的地址预处理模型基于历史用电地址数据和分词和命名实体识别模型构建；
根据已训练的地址归一模型，对用电地址的分词和实体信息进行结构化处理和相似度计算，得出标准结构化地址，已训练的地址归一模型基于历史用电地址数据构建；
对标准结构化地址进行特征优选和聚类分析，得出优选特征集和用电地址分类结果；
基于优选特征集和用电地址分类结果，采用关联分析算法进行挖掘分析，得出用电行为分析结果。
上述用电行为分析方法、装置、计算机设备和存储介质，获取用电地址数据，将用电地址数据输入至已训练的地址预处理模型，得到用电地址的分词和实体信息，再根据已训练的地址归一模型，对用电地址的分词和实体信息进行结构化处理和相似度计算，得出标准结构化地址，然后，对标准结构化地址进行特征优选和聚类分析，得出优选特征集和用电地址分类结果，基于优选特征集和用电地址分类结果，采用关联分析算法进行挖掘分析，得出用电行为分析结果。上述过程，对用电地址进行归一处理，能够有效解决源数据质量要求较高的问题，降低特征选取的难度，且结合优选特征集和用电地址分类结果进行关联分析，能够有效甄别出不同区域的用电群体，提供更为全面的用电行为分析结果。
附图说明
图1为一个实施例中用电行为分析方法的应用环境图；
图2为一个实施例中用电行为分析方法的流程示意图；
图3为另一个实施例中用电行为分析的详细流程示意图；
图4为另一个实施例中构建训练集步骤的流程示意图；
图5为一个实施例中用电行为分析装置的结构框图；
图6为另一个实施例中用电行为分析装置的结构框图；
图7为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的用电行为分析方法，可以应用于如图1所示的应用环境中。用户于终端查看用户用电行为分析结果，通过终端102发送用电行为分析指令至服务器104，服务器104响应该指令，获取用电地址数据，将用电地址数据输入至已训练的地址预处理模型，得到用电地址的分词和实体信息，已训练的地址预处理模型基于历史用电地址数据和分词和命名实体识别模型构建，根据已训练的地址归一模型，对用电地址的分词和实体信息进行结构化处理和相似度计算，得出标准结构化地址，已训练的地址归一模型基于历史用电地址数据构建，对标准结构化地址进行特征优选和聚类分析，得出优选特征集和用电地址分类结果，基于优选特征集和用电地址分类结果，采用关联分析算法进行挖掘分析，得出用电行为分析结果。其中，终端102通过网络与服务器104通过网络进行通信。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在其中一个实施例中，如图2所示，提供了一种用电行为分析方法，以该方法应用于图1中的服务器为例进行说明，包括以下步骤：
步骤S100，获取用电地址数据。
用电地址数据即指电力用户地址，本实施例中，用电地址数据可以是来源于前期采集的用户地址数据文件，文件格式可以是excel、word及db等多种源文件，用电地址数据主要包括电力用户的用户信息以及具体地址信息，用户信息包括用户类别如居民、企业或公共设施等，具体地址信息包括省、市、区县、乡镇、居村委、街路巷、门牌号、建筑物以及单元号等其他地址信息。
步骤S200，将用电地址数据输入至已训练的地址预处理模型，得到用电地址的分词和实体信息，已训练的地址预处理模型基于历史用电地址数据和分词和命名实体识别模型构建。
分词即把文本切分成词语，命名实体识别即将分词之后的词语再次拼接起来，找到命名实体的方式。在实际应用中，常见的分词和命名实体识别模型不太适用于对用电地址数据进行处理，进而达到用电行为分析的效果，故本实例中，发明人其基于历史用电地址数据，对分词和命名实体识别模型进行了模型的训练和参数的调整，构建了地址预处理模型，该模型用于对用电地址数据进行分词和命名实体识别，得到地址的分词和实体信息。获取到用电地址数据，可以是对用电地址数据进行一定的数据处理如数据特征提取及数据增强等处理之后，将用电地址数据输入至已训练的地址预处理模型，得到用电地址的分词和实体信息。
步骤S300，根据已训练的地址归一模型，对用电地址的分词和实体信息进行结构化处理和相似度计算，得出标准结构化地址，已训练的地址归一模型基于历史用电地址数据构建。
地址归一模型用于对用电地址数据进行归一处理，其基于历史用电地址数据构建。如上述实施例所述，在获取用电地址的分词和实体信息之后，为统一用电地址的数据特征表现形式，可以将用电地址的分词和实体信息输入至已训练的地址归一模型，通过地址归一模型对用电地址的分词和实体信息进行结构化处理和相似度计算，得出标准结构化地址。
步骤S400，对标准结构化地址进行特征优选和聚类分析，得出优选特征集和用电地址分类结果。
特征优选即通过一定的优选准则从高维特征数据中筛选出具有代表性的数据特征的方式。由于用电地址数据为大规模的异构数据集且数据处理过程复杂，使得后续聚类准确度较低。因此，无法有针对性地筛选出具有代表性的特征，为用电行为分析提供更准确的参考数据。本实施例中，为减少用电地址数据特征间的分类信息冗余，实现高维特征的降维，可以是对标准结构化地址进行特征优选和聚类分析，选取出有效的特征，得出优选特征集。具体的，可以是根据预设的指标信息，对候选的用电地址特征进行评价计算，筛选出优选特征集，进而根据优选特征集和用电地址分类结果进行聚类分析，提高聚类准确率并减少计算复杂性的有效性，完成用户用电行为分析的优化。
步骤S500，基于优选特征集和用电地址分类结果，采用关联分析算法进行挖掘分析，得出用电行为分析结果。
如上述实施例所述，在得出优选特征集和用电地址分类结果之后，为便于进一步得到用户用电行为、异常状况、负荷能力、关联关系等价值信息，可以是基于优选特征集和用电地址分类结果，根据关联分析算法进行挖掘分析，得出用电行为分析结果。本实施例中，采用的关联分析算法为优化后的Apriori算法，具体的，优化处理包括在Apriori算法基础上通过扫描待处理的分析事务，生成候选集、并根据预设的最小支持度生成频繁项集，而后，再通过连接进行项集筛选确定目标特征数据，最后对目标特征数据进行分析，缩小待分析事务集合的范围并降低算法的时间复杂度。在算法中还包括利用时间序列的相关性分析，将时间序列事务通过指定时间间隔进行划分，同时，对获取的频繁项集进行去重并对支持度和置信度进行过程调优。可以理解的是，在其他实施例中，关联分析算法还可以是FP-Growth算法等其他算法。
上述用电行为分析方法，获取用电地址数据，将用电地址数据输入至已训练的地址预处理模型，得到用电地址的分词和实体信息，再根据已训练的地址归一模型，对用电地址的分词和实体信息进行结构化处理和相似度计算，得出标准结构化地址，然后，对标准结构化地址进行特征优选和聚类分析，得出优选特征集和用电地址分类结果，基于优选特征集和用电地址分类结果，采用关联分析算法进行挖掘分析，得出用电行为分析结果。上述过程，对用电地址进行归一处理，能够有效解决源数据质量要求较高的问题，降低特征选取的难度，且结合优选特征集和用电地址分类结果进行关联分析，能够有效甄别出不同区域的用电群体，提供更为全面的用电行为分析结果。
如图3所示，在其中一个实施例中，对标准结构化地址进行特征优选和聚类分析，得出优选特征集和用电地址分类结果包括：步骤S420，根据标准结构化地址，构建地址特征数据库，根据预设的指标因素，计算地址特征数据库中各地址特征的权重，根据权重，筛选出优选特征集，基于优选特征集，采用聚类算法进行聚类分析，得到用电地址分类结果。
在实际应用中，在得到标准化结构地址后，标准化结构地址中包含大量的地址特征数据，且地址信息里包含多级地址数据，如省市区街道居委小区等，用户信息中有企业、居民及公共设施等，这些都可以作为类别候选特征，但并不是每一个特征都具有价值，例如，地址信息为某座城市中某个区的某栋楼某个房间的这一类别的住户，在整个待分析的数据集中权重占比极低，不足以进行聚类，因此，为提高聚类分析的效率，需要筛选出有价值的具有代表性的特征。本实施例中，可以是根据标准结构化地址，构建地址特征数据库，然后，按照预设的指标因素，计算各地址特征的权重，根据权重大小，筛选出优选特征集，基于筛选的优选特征集，采用优化的K-means算法进行聚类，并利用并行的方式综合多个地址特征的权重计算，实现用户的分类精细化。具体的，通过critic加权定义相似度度量标准，然后基于密度峰值定义簇中心选择指数，进行初始簇中心点选择并聚类，同时采用语义索引LSI(Latent Semantic Index，潜在语义指标)模型对向量空间模型数据进行降维，在聚类过程中，采用余弦相似度算法进行加权提高聚类的准确性，最后，根据簇平均相异度，评判数据聚类后的分布情况，从而选择最合适的K值以获得聚类结果。可以理解的是，在其他实施例中，聚类算法还可以是基于密度的聚类算法等其他算法。本实施例中，通过特征优选和优化的K-means算法进行聚类分析，能够有效甄别不同区域、不同地段、不同群体和类别的电力用户。
如图3所示，在其中一个实施例中，将用电地址数据输入至已训练的地址预处理模型之前，还包括：步骤S150，获取历史用电地址数据，根据历史用电地址数据，构建训练集，基于BERT预训练模型，对分词和命名实体识别模型进行参数优化，构建初始地址预处理模型，基于训练集，采用Keras深度学习框架训练初始地址预处理模型，得到已训练的地址预处理模型。
地址预处理模型为基于历史用电地址数据和分词和命名实体识别模型构建的模型，在实际应用中，地址预处理模型的构建过程可以是：先从预设数据库中地址数据文件中获取历史用电地址数据，对历史用电地址数据进行数据处理之后，如按照预设规范提取可处理的数据特征，如街路巷和建筑物等，构建训练集，在构建训练集之后，基于BERT预训练模型，对分词和命名实体识别模型进行参数优化，调整分词和命名实体识别模型的参数如batchsize、learning rate、epochs及dropout等，构建适用于处理地址信息的初始地址预处理模型，然后，基于训练集，采用Keras深度学习框架训练初始地址预处理模型，得到已训练的地址预处理模型。本实施例中，通过采用Keras深度学习框架能够快速且有效地完成地址预处理模型的训练。
如图4所示，在其中一个实施例中，根据用电地址数据，构建训练集包括：步骤S152，对用电地址数据进行可处理特征提取及分类，得到原始样本；步骤S154，将原始样本中样本数较少的地址数据，按照预设的地址级别进行组合，构建样本库；步骤S156，采用序列标注方法，对样本库中的数据进行分词和实体命名识别标注，构建训练集。
具体的，构建训练集可以是对用电地址数据进行可处理特征提取及分类，如按照预设规范提取出如包含省、市、街路巷及建筑物等特征的数据，得到原始样本，将原始样本中样本数较少的地址数据，按照预设的地址级别进行组合，如按照预设的10级地址模型(省、市、区县、乡镇、居村委、街路巷、门牌号、建筑物、单元号及其他)，构造市+街路巷+单元号、市+乡镇+街路巷+建筑物等多种不同关键特征的组合，进行数据增强，构建样本库，然后，采用序列标注方法如BMES(B-begin，M-middle，E-end，S-single)标注及BIOES(B-begin，I-inside，O-outside，E-end，S-single)标注方法，对样本库中的数据进行分词和实体命名识别标注，构建训练集。本实施例中，将原始样本中样本数较少的地址数据，按照预设的10级地址模型进行组合，实现数据增强，进一步丰富了数据样本，并且，对样本进行标注，能够提升地址预处理模型的准确率和扩展性。
在其中一个实施例中，基于训练集，采用Keras深度学习框架训练初始地址预处理模型包括：
1)将训练集输入初始地址预处理模型；
2)通过初始地址预处理模型的正向传播，计算训练集中各数据的得分；
3)将得分输入误差函数，计算得分与得分期望值的误差；
4)利用初始地址预处理模型进行反向传播，确定梯度向量；
5)根据梯度向量，更新初始地址预处理模型；
6)将训练集再次输入更新后的初始地址预处理模型，返回通过初始地址预处理模型的正向传播，计算训练集中各数据的得分的步骤，直至得分与得分期望值的误差达到最小，训练结束。
在实际应用中，采用Keras深度学习框架训练初始地址预处理模型，得到地址预处理模型的可以包括将标注好的训练集输入初始地址预处理模型，然后设定初始地址预处理模型的参数如batchsize、learning rate、epochs及dropout等，数据经过输入神经网络的正向传播(即每个神经元先对输入值加权累加，再将加权累加的值输入激活函数，将激活函数的结果作为该神经元的输出值)，得到训练集中各数据的得分，再将得分输入至误差函数即目标函数，计算输出得分与得分期望值的误差，通过误差判断模型的识别程度，再利用初始地址预处理模型进行反向传播，确定梯度向量，根据梯度向量，调整初始地址预处理模型各网络层的权值，更新初始地址预处理模型，然后，将训练集再次输入更新后的初始地址预处理模型，返回通过初始地址预处理模型的正向传播，计算训练集中各数据的得分的步骤，直至得分与得分期望值的误差达到最小，或参数batchsize的值达到最小，训练结束，得到已训练的地址预处理模型。本实施例中，采用梯度向量更新模型，梯度向量会随着损失值接近其最小值逐渐减少，从而使梯度向量更为准确。
如图3所示，在其中一个实施例中，根据已训练的地址归一模型，对用电地址的分词和实体信息进行结构化处理和相似度计算，得出标准结构化地址之前，还包括：步骤S250，采集历史用电地址数据，对历史用电地址数据进行自然语言处理，得到层级地址信息，根据预设的层级地址结构化处理规则对层级地址信息进行处理，计算处理过的层级地址信息与预设基准地址的相似度，将相似权重最高的地址标记为归一地址，构建地址归一模型。
由于用电地址的多样化，需要对地址进行归一化处理，本实施例中，即采用自然语言处理+规则+统计实现地址归一模型的构建。具体的，模型构建可以是采集历史用电地址数据，对历史用电地址数据进行自然语言处理，得到层级地址信息，然后，根据预设的10级地址结构化模型建立层级地址结构化处理规则，按照上述规则处理该层级地址信息，利用统计的方法将按规则处理后的层级地址与预设的基准地址进行相似度计算，将相似权重最高的地址标记为归一地址，构建地址归一模型。根据构建的地址归一模型，即能完成用电地址数据的归一处理。
应该理解的是，虽然图2-4的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-4中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在其中一个实施例中，如图5所示，提供了一种用电行为分析装置，包括：数据获取模块510、第一数据处理模块520、第二数据处理模块530、数据聚类模块540和数据挖掘分析模块550，其中：
数据获取模块510，用于获取用电地址数据。
第一数据处理模块520，用于将用电地址数据输入至已训练的地址预处理模型，得到用电地址的分词和实体信息，已训练的地址预处理模型基于历史用电地址数据构。
第二数据处理模块530，用于根据已训练的地址归一模型，对用电地址的分词和实体信息进行结构化处理和相似度计算，得出标准结构化地址，已训练的地址归一模型基于历史用电地址数据构建。
数据聚类模块540，用于对标准结构化地址进行特征优选和聚类分析，得出优选特征集和用电地址分类结果。
数据挖掘分析模块550，用于基于优选特征集和用电地址分类结果，采用关联分析算法进行挖掘分析，得出用电行为分析结果。
如图6所示，在其中一个实施例中，用电行为分析装置还包括第一模型构建模块560，用于获取历史用电地址数据，根据历史用电地址数据，构建训练集，基于BERT预训练模型，对分词和实体命名识别模型进行参数优化，构建初始地址预处理模型，基于训练集，采用Keras深度学习框架训练初始地址预处理模型，得到已训练的地址预处理模型。
在其中一个实施例中，第一模型构建模块560还用于将训练集输入初始地址预处理模型，通过初始地址预处理模型的正向传播，计算训练集中各数据的得分，将得分输入误差函数，计算得分与得分期望值的误差，利用初始地址预处理模型进行反向传播，确定梯度向量，根据梯度向量，更新初始地址预处理模型，将训练集再次输入更新后的初始地址预处理模型，返回通过初始地址预处理模型的正向传播，计算训练集中各数据的得分的步骤，直至得分与得分期望值的误差达到最小，训练结束。
在其中一个实施例中，数据聚类模块540还用于根据标准结构化地址，构建地址特征数据库，根据预设的指标因素，计算地址特征数据库中各地址特征的权重，根据权重，筛选出优选特征集，基于优选特征集，采用聚类算法进行聚类分析，得到用电地址分类结果。
如图6所示，在其中一个实施例中，用电行为分析装置还包括训练集构建模块570，用于对用电地址数据进行可处理特征提取及分类，得到原始样本，将原始样本中样本数较少的地址数据，按照预设的地址级别进行组合，构建样本库，采用序列标注方法，对样本库中的数据进行分词和实体命名识别标注，构建训练集。
在其中一个实施例中，用电行为分析装置还包括第二模型构建模块580，用于采集历史用电地址数据，对历史用电地址数据进行自然语言处理，得到层级地址信息，根据预设的层级地址结构化处理规则对层级地址信息进行处理，计算处理过的层级地址信息与预设基准地址的相似度，将相似权重最高的地址标记为归一地址，构建地址归一模型。
关于用电行为分析装置的具体限定可以参见上文中对于用电行为分析方法的限定，在此不再赘述。上述用电行为分析装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在其中一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储用电地址数据，地址归一模型数据以及地址预处理模型数据等数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种用电行为分析方法。
本领域技术人员可以理解，图7中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在其中一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：获取用电地址数据，将用电地址数据输入至已训练的地址预处理模型，得到用电地址的分词和实体信息，已训练的地址预处理模型基于历史用电地址数据和分词和命名实体识别模型构建，根据已训练的地址归一模型，对用电地址的分词和实体信息进行结构化处理和相似度计算，得出标准结构化地址，已训练的地址归一模型基于历史用电地址数据构建，对标准结构化地址进行特征优选和聚类分析，得出优选特征集和用电地址分类结果，基于优选特征集和用电地址分类结果，采用关联分析算法进行挖掘分析，得出用电行为分析结果。
在其中一个实施例中，处理器执行计算机程序时还实现以下步骤：根据标准结构化地址，构建地址特征数据库，根据预设的指标因素，计算地址特征数据库中各地址特征的权重，根据权重，筛选出优选特征集，基于优选特征集，采用聚类算法进行聚类分析，得到用电地址分类结果。
在其中一个实施例中，处理器执行计算机程序时还实现以下步骤：获取历史用电地址数据，根据历史用电地址数据，构建训练集，基于BERT预训练模型，对分词和命名实体识别模型进行参数优化，构建初始地址预处理模型，基于训练集，采用Keras深度学习框架训练初始地址预处理模型，得到已训练的地址预处理模型。
在其中一个实施例中，处理器执行计算机程序时还实现以下步骤：对用电地址数据进行可处理特征提取及分类，得到原始样本，将原始样本中样本数较少的地址数据，按照预设的地址级别进行组合，构建样本库，采用序列标注方法，对样本库中的数据进行分词和实体命名识别标注，构建训练集。
在其中一个实施例中，处理器执行计算机程序时还实现以下步骤：将训练集输入初始地址预处理模型，通过初始地址预处理模型的正向传播，计算训练集中各数据的得分，将得分输入误差函数，计算得分与得分期望值的误差，利用初始地址预处理模型进行反向传播，确定梯度向量，根据梯度向量，更新初始地址预处理模型，将训练集再次输入更新后的初始地址预处理模型，返回通过初始地址预处理模型的正向传播，计算训练集中各数据的得分的步骤，直至得分与得分期望值的误差达到最小，训练结束。
在其中一个实施例中，处理器执行计算机程序时还实现以下步骤：采集历史用电地址数据，对历史用电地址数据进行自然语言处理，得到层级地址信息，根据预设的层级地址结构化处理规则对层级地址信息进行处理，计算处理过的层级地址信息与预设基准地址的相似度，将相似权重最高的地址标记为归一地址，构建地址归一模型。
在其中一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：获取用电地址数据，将用电地址数据输入至已训练的地址预处理模型，得到用电地址的分词和实体信息，已训练的地址预处理模型基于历史用电地址数据和分词和命名实体识别模型构建，根据已训练的地址归一模型，对用电地址的分词和实体信息进行结构化处理和相似度计算，得出标准结构化地址，已训练的地址归一模型基于历史用电地址数据构建，对标准结构化地址进行特征优选和聚类分析，得出优选特征集和用电地址分类结果，基于优选特征集和用电地址分类结果，采用关联分析算法进行挖掘分析，得出用电行为分析结果。
在其中一个实施例中，计算机程序被处理器执行时还实现以下步骤：根据标准结构化地址，构建地址特征数据库，根据预设的指标因素，计算地址特征数据库中各地址特征的权重，根据权重，筛选出优选特征集，基于优选特征集，采用聚类算法进行聚类分析，得到用电地址分类结果。
在其中一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取历史用电地址数据，根据历史用电地址数据，构建训练集，基于BERT预训练模型，对分词和命名实体识别模型进行参数优化，构建初始地址预处理模型，基于训练集，采用Keras深度学习框架训练初始地址预处理模型，得到已训练的地址预处理模型。
在其中一个实施例中，计算机程序被处理器执行时还实现以下步骤：对用电地址数据进行可处理特征提取及分类，得到原始样本，将原始样本中样本数较少的地址数据，按照预设的地址级别进行组合，构建样本库，采用序列标注方法，对样本库中的数据进行分词和实体命名识别标注，构建训练集。
在其中一个实施例中，计算机程序被处理器执行时还实现以下步骤：将训练集输入初始地址预处理模型，通过初始地址预处理模型的正向传播，计算训练集中各数据的得分，将得分输入误差函数，计算得分与得分期望值的误差，利用初始地址预处理模型进行反向传播，确定梯度向量，根据梯度向量，更新初始地址预处理模型，将训练集再次输入更新后的初始地址预处理模型，返回通过初始地址预处理模型的正向传播，计算训练集中各数据的得分的步骤，直至得分与得分期望值的误差达到最小，训练结束。
在其中一个实施例中，计算机程序被处理器执行时还实现以下步骤：采集历史用电地址数据，对历史用电地址数据进行自然语言处理，得到层级地址信息，根据预设的层级地址结构化处理规则对层级地址信息进行处理，计算处理过的层级地址信息与预设基准地址的相似度，将相似权重最高的地址标记为归一地址，构建地址归一模型。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种用电行为分析方法，其特征在于，所述方法包括：
获取用电地址数据；
将所述用电地址数据输入至已训练的地址预处理模型，得到所述用电地址的分词和实体信息，所述已训练的地址预处理模型基于历史用电地址数据和分词和命名实体识别模型构建；
根据已训练的地址归一模型，对所述用电地址的分词和实体信息进行结构化处理和相似度计算，得出标准结构化地址，所述已训练的地址归一模型基于所述历史用电地址数据构建；
对所述标准结构化地址进行特征优选和聚类分析，得出优选特征集和用电地址分类结果；
基于所述优选特征集和所述用电地址分类结果，采用关联分析算法进行挖掘分析，得出用电行为分析结果。
2.根据权利要求1所述的用电行为分析方法，其特征在于，所述对所述标准结构化地址进行特征优选和聚类分析，得出优选特征集和用电地址分类结果包括：
根据所述标准结构化地址，构建地址特征数据库；
根据预设的指标因素，计算所述地址特征数据库中各地址特征的权重；
根据所述权重，筛选出优选特征集；
基于所述优选特征集，采用聚类算法进行聚类分析，得到用电地址分类结果。
3.根据权利要求1所述的用电行为分析方法，其特征在于，所述将所述用电地址数据输入至已训练的地址预处理模型之前，还包括：
获取历史用电地址数据；
根据所述历史用电地址数据，构建训练集；
基于BERT预训练模型，对分词和命名实体识别模型进行参数优化，构建初始地址预处理模型；
基于所述训练集，采用Keras深度学习框架训练所述初始地址预处理模型，得到所述已训练的地址预处理模型。
4.根据权利要求3所述的用电行为分析方法，其特征在于，所述根据所述用电地址数据，构建训练集包括：
对所述用电地址数据进行可处理特征提取及分类，得到原始样本；
将所述原始样本中样本数较少的地址数据，按照预设的地址级别进行组合，构建样本库；
采用序列标注方法，对所述样本库中的数据进行分词和实体命名识别标注，构建训练集。
5.根据权利要求3所述的用电行为分析方法，其特征在于，所述基于所述训练集，采用Keras深度学习框架训练所述初始地址预处理模型包括：
将所述训练集输入所述初始地址预处理模型；
通过所述初始地址预处理模型的正向传播，计算所述训练集中各数据的得分；
将所述得分输入误差函数，计算所述得分与得分期望值的误差；
利用所述初始地址预处理模型进行反向传播，确定梯度向量；
根据所述梯度向量，更新所述初始地址预处理模型；
将所述训练集再次输入更新后的所述初始地址预处理模型，返回所述通过所述初始地址预处理模型的正向传播，计算所述训练集中各数据的得分的步骤，直至所述得分与得分期望值的误差达到最小，训练结束。
6.根据权利要求1所述的用电行为分析方法，其特征在于，所述根据已训练的地址归一模型，对所述用电地址的分词和实体信息进行结构化处理和相似度计算，得出标准结构化地址之前，还包括：
采集历史用电地址数据；
对所述用电地址数据进行自然语言处理，得到层级地址信息；
根据预设的层级地址结构化处理规则对所述层级地址信息进行处理；
计算处理过的层级地址信息与预设基准地址的相似度，将相似权重最高的地址标记为归一地址，构建地址归一模型。
7.一种用电行为分析装置，其特征在于，所述装置包括：
数据获取模块，用于获取用电地址数据；
第一数据处理模块，用于将所述用电地址数据输入至已训练的地址预处理模型，得到所述用电地址的分词和实体信息，所述已训练的地址预处理模型基于历史用电地址数据构建；
第二数据处理模块，用于根据已训练的地址归一模型，对所述用电地址的分词和实体信息进行结构化处理和相似度计算，得出标准结构化地址，所述已训练的地址归一模型基于历史用电地址数据构建；
数据聚类模块，用于对所述标准结构化地址进行特征优选和聚类分析，得出优选特征集和用电地址分类结果；
数据挖掘分析模块，用于基于所述优选特征集和所述用电地址分类结果，采用关联分析算法进行挖掘分析，得出用电行为分析结果。
8.根据权利要求7所述的用电行为分析装置，其特征在于，所述装置还包括：
第一模型构建模块，用于获取历史用电地址数据，根据所述历史用电地址数据，构建训练集，基于BERT预训练模型，对分词和实体命名识别模型进行参数优化，构建初始地址预处理模型，基于所述训练集，采用Keras深度学习框架训练所述初始地址预处理模型，得到所述已训练的地址预处理模型。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910822271.8A CN110674636B (zh) | 2019-09-02 | 2019-09-02 | 一种用电行为分析方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910822271.8A CN110674636B (zh) | 2019-09-02 | 2019-09-02 | 一种用电行为分析方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110674636A true CN110674636A (zh) | 2020-01-10 |
| CN110674636B CN110674636B (zh) | 2023-06-20 |
Family
ID=69076189
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910822271.8A Active CN110674636B (zh) | 2019-09-02 | 2019-09-02 | 一种用电行为分析方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110674636B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111210158A (zh) * | 2020-01-14 | 2020-05-29 | 上海钧正网络科技有限公司 | 目标地址确定方法、装置、计算机设备和存储介质 |
| CN112257413A (zh) * | 2020-10-30 | 2021-01-22 | 深圳壹账通智能科技有限公司 | 地址参数处理方法及相关设备 |
| CN112395262A (zh) * | 2020-11-17 | 2021-02-23 | 江苏普旭软件信息技术有限公司 | 一种基于大数据平台审计日志的用户行为分析方法及系统 |
| CN113656531A (zh) * | 2021-08-12 | 2021-11-16 | 南方电网数字电网研究院有限公司 | 一种电网地址结构化的处理方法及装置 |
| CN113724117A (zh) * | 2020-12-28 | 2021-11-30 | 京东城市(北京)数字科技有限公司 | 用于房屋异常使用识别的模型训练方法和装置 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107229602A (zh) * | 2017-05-22 | 2017-10-03 | 湘潭大学 | 一种智能楼宇微网用电行为的识别方法 |
| CN108564418A (zh) * | 2018-04-27 | 2018-09-21 | 国网新疆电力有限公司 | 一种基于地址大数据分析的电力营销客户档案分析方法 |
| CN109359186A (zh) * | 2018-10-25 | 2019-02-19 | 杭州时趣信息技术有限公司 | 一种确定地址信息的方法、装置和计算机可读存储介质 |
| CN109635056A (zh) * | 2018-11-16 | 2019-04-16 | 海南电网有限责任公司信息通信分公司 | 用电地址数据处理方法、装置、计算机设备和存储介质 |
| CN110019796A (zh) * | 2017-11-10 | 2019-07-16 | 北京信息科技大学 | 一种用户文本信息分析方法及装置 |
-
2019
- 2019-09-02 CN CN201910822271.8A patent/CN110674636B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107229602A (zh) * | 2017-05-22 | 2017-10-03 | 湘潭大学 | 一种智能楼宇微网用电行为的识别方法 |
| CN110019796A (zh) * | 2017-11-10 | 2019-07-16 | 北京信息科技大学 | 一种用户文本信息分析方法及装置 |
| CN108564418A (zh) * | 2018-04-27 | 2018-09-21 | 国网新疆电力有限公司 | 一种基于地址大数据分析的电力营销客户档案分析方法 |
| CN109359186A (zh) * | 2018-10-25 | 2019-02-19 | 杭州时趣信息技术有限公司 | 一种确定地址信息的方法、装置和计算机可读存储介质 |
| CN109635056A (zh) * | 2018-11-16 | 2019-04-16 | 海南电网有限责任公司信息通信分公司 | 用电地址数据处理方法、装置、计算机设备和存储介质 |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111210158A (zh) * | 2020-01-14 | 2020-05-29 | 上海钧正网络科技有限公司 | 目标地址确定方法、装置、计算机设备和存储介质 |
| CN111210158B (zh) * | 2020-01-14 | 2023-07-18 | 上海钧正网络科技有限公司 | 目标地址确定方法、装置、计算机设备和存储介质 |
| CN112257413A (zh) * | 2020-10-30 | 2021-01-22 | 深圳壹账通智能科技有限公司 | 地址参数处理方法及相关设备 |
| WO2022089227A1 (zh) * | 2020-10-30 | 2022-05-05 | 深圳壹账通智能科技有限公司 | 地址参数处理方法及相关设备 |
| CN112257413B (zh) * | 2020-10-30 | 2022-05-17 | 深圳壹账通智能科技有限公司 | 地址参数处理方法及相关设备 |
| CN112395262A (zh) * | 2020-11-17 | 2021-02-23 | 江苏普旭软件信息技术有限公司 | 一种基于大数据平台审计日志的用户行为分析方法及系统 |
| CN113724117A (zh) * | 2020-12-28 | 2021-11-30 | 京东城市(北京)数字科技有限公司 | 用于房屋异常使用识别的模型训练方法和装置 |
| CN113656531A (zh) * | 2021-08-12 | 2021-11-16 | 南方电网数字电网研究院有限公司 | 一种电网地址结构化的处理方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110674636B (zh) | 2023-06-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110765265B (zh) | 信息分类抽取方法、装置、计算机设备和存储介质 | |
| CN110674636B (zh) | 一种用电行为分析方法 | |
| CN110598206B (zh) | 文本语义识别方法、装置、计算机设备和存储介质 | |
| CN109255506B (zh) | 一种基于大数据的互联网金融用户贷款逾期预测方法 | |
| CN109063217B (zh) | 电力营销系统中的工单分类方法、装置及其相关设备 | |
| CN111258767B (zh) | 复杂系统仿真应用的云计算资源智能分配方法与装置 | |
| CN108491406B (zh) | 信息分类方法、装置、计算机设备和存储介质 | |
| CN112235327A (zh) | 异常日志检测方法、装置、设备和计算机可读存储介质 | |
| CN111291264A (zh) | 基于机器学习的访问对象预测方法、装置和计算机设备 | |
| CN111950622B (zh) | 基于人工智能的行为预测方法、装置、终端及存储介质 | |
| CN114647741A (zh) | 工艺自动决策和推理方法、装置、计算机设备及存储介质 | |
| CN113011895A (zh) | 关联账户样本筛选方法、装置和设备及计算机存储介质 | |
| CN115099326A (zh) | 基于人工智能的行为预测方法、装置、设备及存储介质 | |
| CN114519508A (zh) | 基于时序深度学习和法律文书信息的信用风险评估方法 | |
| CN113435101A (zh) | 一种基于粒子群优化的支持向量机停电预测方法 | |
| CN116777646A (zh) | 基于人工智能的风险识别方法、装置、设备及存储介质 | |
| CN116703466A (zh) | 基于改进灰狼算法的系统访问量预测方法及其相关设备 | |
| CN116089605A (zh) | 基于迁移学习和改进词袋模型的文本情感分析方法 | |
| CN114581098A (zh) | 客群分类方法、装置、计算机设备和存储介质 | |
| CN112732423B (zh) | 流程迁移方法、装置、设备及介质 | |
| CN115129863A (zh) | 意图识别方法、装置、设备、存储介质和计算机程序产品 | |
| CN113627514A (zh) | 知识图谱的数据处理方法、装置、电子设备和存储介质 | |
| CN115840817A (zh) | 基于对比学习的信息聚类处理方法、装置和计算机设备 | |
| CN110610378A (zh) | 产品需求分析方法、装置、计算机设备和存储介质 | |
| CN116307742B (zh) | 一种细分客群的风险识别方法、装置、设备及存储介质 |
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 | ||
| CP03 | Change of name, title or address | ||
| CP03 | Change of name, title or address |
Address after: 510000 No. 11 Kexiang Road, Science City, Luogang District, Guangzhou City, Guangdong Province Patentee after: CHINA SOUTHERN POWER GRID Co.,Ltd. Country or region after: China Patentee after: Southern Power Grid Digital Grid Research Institute Co.,Ltd. Address before: 510000 No. 11 Kexiang Road, Science City, Luogang District, Guangzhou City, Guangdong Province Patentee before: CHINA SOUTHERN POWER GRID Co.,Ltd. Country or region before: China Patentee before: Southern Power Grid Digital Grid Research Institute Co.,Ltd. |
|
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240311 Address after: Room 86, room 406, No.1, Yichuang street, Zhongxin Guangzhou Knowledge City, Huangpu District, Guangzhou City, Guangdong Province Patentee after: Southern Power Grid Digital Grid Research Institute Co.,Ltd. Country or region after: China Address before: 510000 No. 11 Kexiang Road, Science City, Luogang District, Guangzhou City, Guangdong Province Patentee before: CHINA SOUTHERN POWER GRID Co.,Ltd. Country or region before: China Patentee before: Southern Power Grid Digital Grid Research Institute Co.,Ltd. |