CN111598723A - 一种基于大数据管理的电力营销管理平台构建方法 - Google Patents
一种基于大数据管理的电力营销管理平台构建方法 Download PDFInfo
- Publication number
- CN111598723A CN111598723A CN202010421578.XA CN202010421578A CN111598723A CN 111598723 A CN111598723 A CN 111598723A CN 202010421578 A CN202010421578 A CN 202010421578A CN 111598723 A CN111598723 A CN 111598723A
- Authority
- CN
- China
- Prior art keywords
- module
- management
- data
- subsystem
- marketing
- 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
- 238000007726 management method Methods 0.000 title claims abstract description 206
- 238000013523 data management Methods 0.000 title claims abstract description 30
- 238000010276 construction Methods 0.000 title claims description 19
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 89
- 238000012545 processing Methods 0.000 claims abstract description 45
- 238000004364 calculation method Methods 0.000 claims abstract description 28
- 238000000034 method Methods 0.000 claims abstract description 26
- 230000008569 process Effects 0.000 claims abstract description 10
- 238000012544 monitoring process Methods 0.000 claims description 30
- 238000004458 analytical method Methods 0.000 claims description 27
- 238000003066 decision tree Methods 0.000 claims description 20
- 238000012549 training Methods 0.000 claims description 19
- 238000012423 maintenance Methods 0.000 claims description 18
- 238000012706 support-vector machine Methods 0.000 claims description 18
- 238000009826 distribution Methods 0.000 claims description 16
- 238000003062 neural network model Methods 0.000 claims description 13
- 238000007621 cluster analysis Methods 0.000 claims description 9
- 238000004891 communication Methods 0.000 claims description 9
- 230000005611 electricity Effects 0.000 claims description 9
- 238000004140 cleaning Methods 0.000 claims description 8
- 238000007635 classification algorithm Methods 0.000 claims description 7
- 238000004519 manufacturing process Methods 0.000 claims description 7
- 230000004044 response Effects 0.000 claims description 7
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 238000013439 planning Methods 0.000 claims description 6
- 238000005096 rolling process Methods 0.000 claims description 6
- 230000008439 repair process Effects 0.000 claims description 5
- 230000008901 benefit Effects 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 4
- 238000005034 decoration Methods 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 3
- 230000002452 interceptive effect Effects 0.000 claims description 3
- 238000011835 investigation Methods 0.000 claims description 3
- 238000012804 iterative process Methods 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000010897 surface acoustic wave method Methods 0.000 claims description 3
- 238000007418 data mining Methods 0.000 abstract description 7
- 238000005516 engineering process Methods 0.000 abstract description 5
- 230000000694 effects Effects 0.000 abstract description 4
- 238000007405 data analysis Methods 0.000 abstract description 3
- 238000013079 data visualisation Methods 0.000 abstract description 3
- 238000003860 storage Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 6
- 238000013499 data model Methods 0.000 description 4
- 238000003672 processing method Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000003064 k means clustering Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 241000700605 Viruses Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Public Health (AREA)
- Probability & Statistics with Applications (AREA)
- Water Supply & Treatment (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种基于大数据管理的电力营销管理平台构建方法,涉及电能计量技术领域,本发明构建出包括客户服务层、营销业务处理层、营销工作质量监控层和营销决策层多层次架构数据管理平台,实现数据的多元化管理。本发明采用云计算技术,使用户能够快速、便捷地处理智能电网大数据,不仅能够实现智能电网大数据的统一管理、智能存储、数据处理、数据分析、数据可视化等应用,还增加了数据的加密性,大大提高了用户数据的隐私效果。本发明通过数据挖掘算法对接收到的数据进行分类、处理或者计算,能够在0.1‑2s的时间内完成上亿数据的计算和管理,大大提高了数据的运算能力,提高了电力营销管理平台的数据管理能力。
Description
技术领域
本发明涉及电力营销领域,且更具体地涉及一种基于大数据管理的电力营销管理平台构建方法。
背景技术
随着大数据时代的到来,电力企业营销管理产生了明显影响,为了保证电力企业稳定运行,要求企业在运营过程中加大对电力营销管理手段不断创新的重视,真正做到与时俱进。只有充分利用大数据技术的运用优势,才能保证电力企业营销管理水平逐步提高,能很好完成营销工作任务,进而发挥电力企业在我国经济建设上的作用。电力营销管理平台在电力大数据管理中发挥着至关重要的作用,在信息化电力营销平台构建的时候,电力工作人员需要从营销平台的应用层、网络层和用户层进行入手,确保各级之间数据传输的质量与安全。在电力营销信息化建设时,还应当构建相应的网络安全防护系统,有效地抵御网络病毒的恶意攻击,提高电力处理信息系统的运行安全,保障相关数据信息的可靠。
由于电力营销是电力系统管理的核心,其应用范围及其广泛,用户在应用电力营销管理平台时,由于电力数据种类繁多,关系到电力企业的生产、管理和运营,现有技术中的电力营销管理平台系统雍肿,数据运行困难,数据应用不便,随着电力技术的发展,智能电网产生的数据也越来意越多,其管理复杂程度也越来越大,用户使用起来极其不便。这种情况下,将对电力营销管理系统管理的发展造成困扰,导致电力营销管理平台整体使用效率低下,管理水平较低。
发明内容
针对现有技术的不足,本发明公开了一种基于大数据管理的电力营销管理平台构建方法,采用层次化管理方法,利用大数据云计算,能够在0.1-2s的时间内完成上亿数据的计算和管理,大大提高了数据的运算能力,提高了电力营销管理平台的数据管理能力。
本发明采用以下技术方案:
一种基于大数据管理的电力营销管理平台构建方法,其中所述平台内的数据类型至少包括公共数据库、营销专业数据库、客户服务数据库和决策数据库,并且所述平台至少包括:
客户服务层,其内至少设置有呼叫中心子系统、触摸查询子系统、客户服务子系统和语音查询子系统;其中:所述呼中心子系统至少包括呈分布式设置的自动呼叫分配模块、交互式语音应答模块、计算机电话集成服务器、人工坐席、数据库服务器和数据应用平台;所述触摸查询子系统至少包括表面声波触摸屏或电容触摸屏、电脑主机或机柜,所述机柜内设置有主机;所述客户服务子系统至少包括呈分布式设置的投诉管理模块、维修管理模块、装修管理模块、加时空调管理模块、外来人员管理模块、钥匙管理模块、收楼维修管理模块、家政服务模块、来电管理模块、设备报表模块,支持移动APP维修报修模块、派单模块、异常数据处理模块和回访模块;所述语音查询子系统至少包括语音导航模块、合成语音管理模块、自动应答管理模块、数据库查询模块、按键统计模块、上下班设置模块、语音信箱和客户满意度调查模块;
营销业务处理层,其内至少设置有业扩报装子系统、电能计量子系统、电费收取子系统、用电账务子系统、用电监查子系统、市场与需求侧子系统、线损管理子系统、配电GIS管理子系统、报表汇总子系统和系统管理子系统;其中所述业扩报装子系统至少包括非业务管理子系统、采购子系统、仓储管理系统、库存子系统、生产子系统、销售子系统、配送子系统、运输子系统、财务子系统和决策支持子度系统;所述电能计量子系统至少包括档案管理模块、设备管理模块、维修管理模块、计量误差管理模块和日常管理模块;所述电费收取子系统至少包括系统参数管理模块、收费管理模块、欠费管理模块、电费账务管理模块、财务管理模块和电费储蓄模块;所述用电账务子系统至少包括系统设置模块、凭证处理模块、记账结账模块、账证输出模块、辅助核算模块和系统服务模块;所述用电监查子系统至少包括系统设置模块、监控模块、异常报警模块和数据统计模块;所述市场与需求侧子系统至少包括电力需求侧通信模块、监控模块、数据输入模块和数据输出模块;线损管理子系统至少包括线损指标管理模块、线损统计模块、线损报告模块、线损异常分析模块、台区异常分析模块、线损异常处理模块、线损考核模块、线变和变户关系维护模块;所述配电GIS管理子系统至少包括环网自动化系统、负荷管理系统、配变监测系统、载波抄表系统和信息系统;所述报表汇总子系统至少包括报表管理模块、格式管理模块、报表数据处理模块和报表分析模块;所述系统管理子系统至少包括资源管理模块、资源监控模块、资源调度模块、服务管理模块、支持服务模块和视图管理模块;所述营销业务处理层内各个模块还设置有计算单元,所述计算单元连接有云通讯接口,并且所述计算单元至少包括决策树算法模型、Apriori算法模型、AP聚类分析算法模型、BP神经网络模型模型、支持矢量机算法或Adaboost迭代算法模型,用于实现各种数据的处理和计算;
营销工作质量监控层,其内至少设置有工作质量管理子系统,用于实现工作流程控制、业务稽查、统计报表、综合查询和工作评估;所述工作质量管理子系统至少包括采购管理模块、生产管理模块、工艺管理模块和质量报表管理模块;
营销决策层,其内至少设置有综合决策子系统,用于经营业绩分析、管理业绩分析、策略效益分析、客户动态分析和市场策划,所述综合决策子系统至少包括分析模块、数据查询模块、方案策划模块、方案执行模块和决策信息管理模块;其中:
所述客户服务层与营销业务处理层连接,所述营销业务处理层与营销工作质量监控层连接,所述营销工作质量监控层与营销决策层连接。
在本发明进一步的技术方案中,所述云通讯接口连接有云服务器,所述云服务器主机的硬件配置为Intel Xeon E3-1220v53.0 GHz四核,内存为8GDDR4,硬盘为1*Intel企业级SSD,1*SATA 1T,网卡为2*千兆网口;工作机节点的硬件配置为CPU型号Intel XeonE53.0GHZ,内存为160GB。
硬盘容量为128TB;
在本发明进一步的技术方案中,在所述计算单元电力影响大数据处理之前,先进行数据清洗,所述数据的清洗方法为:
(1)选择数据范围;
(2)设定界定清洗的指标;选择滚动标准差作为数据相似判断指标,计算公式为:
其中S表示电力数据滚动集合,wi表示集合中滚动到第i个位置的滑差值,p表示集合内的相似度系数;
(3)对数据整合后,相似数据计算公式为:
其中(α,β)表示为电力数据集合中的相似数据,n表示集合数据点总数,k表示变动点位置。
在本发明进一步的技术方案中,p的取值范围介于0.8-4.6之间。
在本发明进一步的技术方案中,所述决策树算法模型为数据分类算法模型,用于对大数据按照不同的数据属性进行分类,便于用户快速从大量的数据库中查询到目标数据,其中所述决策树算法模型通过划分根节点和子节点实现数据分类。
在本发明进一步的技术方案中,所述AP聚类分析算法模型为数据分类算法模型,用于对大数据按照不同的数据属性进行分类,便于用户快速从大量的数据库中查询到目标数据,所述AP聚类分析算法模型通过确定大数据的聚类的个数,通过k-均值算法或k中心点算法实现数据的分类。
在本发明进一步的技术方案中,所述Apriori算法模型通过计算出支持度和置信度求出大数据之间的关系。
在本发明进一步的技术方案中,所述BP神经网络模型模型是按误差逆传播算法训练的多层前馈网络,所述BP神经网络模型模型包括向前传播方式和向后传播方式。
在本发明进一步的技术方案中,所述支持矢量机算法是一种有监督的机器学习算法,用于分类任务或回归任务,所述矢量机算法包括线性可分支持向量机、线性支持向量机和非线性支持向量机。
在本发明进一步的技术方案中,所述Adaboost迭代算法模型的计算方法为:
(1)获取训练样本,训练弱分类器,通过训练多个弱分类器,训练强分类器;
用公式表示为:D1=(w11,w12,…,w1N),w1i=1/N,i=1,2…N(1)
(2)迭代计算;计算出不同弱分类器分类的误差,所计算出的误差等于各个不同电力营销大数据样本的权重和,算法迭代的次数小于弱分类器的个数;
(3)迭代误差计算,其中迭代误差Gm(x)在训练集上的误差率公式为:
(4)归一化处理:获取最优分类器之后,然后进一步地计算所选取的分类器的权重,接着再更新各个不同样本的权重,进行再归一化处理,然后计算Gm(x)的系数,am代表Gm(x)在训练后的最终分类器中的关键程度,用公式表示为:
在上述公式中,em≤1/2时,am≥0,通过公式可看出,am与em成反比例关系,即误差率越小,分类器在最终分类器中越起到比较大的作用;
(5)迭代判断:判断迭代次数是否等于阈值,如果与阈值相等,则完成迭代计算,最后的分类器则由迭代过程中所选择的弱分类器经过线性加权得到的,如果迭代次数不等于阈值,则重新进行迭代计算。
积极有益效果:
本发明应用云计算、数据挖掘算法模型构建出新型的电力营销管理平台,本发明采用多层结构实现数据的多层次设计,分为客户服务层、营销业务处理层、营销工作质量监控层和营销决策层,实现电力大数据平台的多层次管理;
本发明采用云计算技术,使用户能够快速、便捷地处理智能电网大数据,不仅能够实现智能电网大数据的统一管理、智能存储、数据处理、数据分析、数据可视化等应用,还增加了数据的加密性,大大提高了用户数据的隐私效果;
本发明采用数据挖掘算法,通过数据挖掘算法对接收到的数据按照不同的定义属性进行分类、处理或者计算,采用的挖掘算法至少包括决策树算法模型、Apriori算法模型、AP聚类分析算法模型、BP神经网络模型模型、支持矢量机算法或Adaboost迭代算法模型,实现了大数据的处理,通过构建不同类型的数据模型,能够在0.1-2s的时间内完成上亿数据的计算和管理,大大提高了数据的运算能力,提高了电力营销管理平台的数据管理能力。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一种基于大数据管理的电力营销管理平台构建方法的结构示意图;
图2为本发明一种基于大数据管理的电力营销管理平台构建方法中数据处理方法示意图;
图3为本发明一种基于大数据管理的电力营销管理平台构建方法中决策树分类算法一种实施例示意图;
图4为本发明一种基于大数据管理的电力营销管理平台构建方法中Apriori算法的一种实施例示意图;
图5为本发明一种基于大数据管理的电力营销管理平台构建方法中BP神经网络算法的一种实施例示意图;
图6为本发明一种基于大数据管理的电力营销管理平台构建方法中Adaboost迭代算法的一种实施例示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例1平台架构
如图1所示,一种基于大数据管理的电力营销管理平台构建方法,其中所述平台内的数据类型至少包括公共数据库、营销专业数据库、客户服务数据库和决策数据库,并且所述平台至少包括:
客户服务层,其内至少设置有呼叫中心子系统、触摸查询子系统、客户服务子系统和语音查询子系统;其中:所述呼中心子系统至少包括呈分布式设置的自动呼叫分配模块、交互式语音应答模块、计算机电话集成服务器、人工坐席、数据库服务器和数据应用平台;所述触摸查询子系统至少包括表面声波触摸屏或电容触摸屏、电脑主机或机柜,所述机柜内设置有主机;所述客户服务子系统至少包括呈分布式设置的投诉管理模块、维修管理模块、装修管理模块、加时空调管理模块、外来人员管理模块、钥匙管理模块、收楼维修管理模块、家政服务模块、来电管理模块、设备报表模块,支持移动APP维修报修模块、派单模块、异常数据处理模块和回访模块;所述语音查询子系统至少包括语音导航模块、合成语音管理模块、自动应答管理模块、数据库查询模块、按键统计模块、上下班设置模块、语音信箱和客户满意度调查模块;在该实施例中,呼叫中心子系统通过E1接口与可编程交换机相连主要为接入到呼叫中心系统里的用户提供语音导航、语音应答。可以取代或减少人工座席的操作,提高效率、节约人力、实现24小时服务,同时也可以方便用户,减少用户等候时间,降低电话转接次数。在该实施例中,客户服务子系统能够支持业主/租户PC及微信端投诉申请,支持自定义流程流转,支持移动APP维修报修、派单、处理、回访等,支持业主/租户微信报修,还具有维修工单提示有系统自动提醒、APP待办处理,短信提醒等功能,当维修完成后,可录入完成情况等;
营销业务处理层,其内至少设置有业扩报装子系统、电能计量子系统、电费收取子系统、用电账务子系统、用电监查子系统、市场与需求侧子系统、线损管理子系统、配电GIS管理子系统、报表汇总子系统和系统管理子系统;其中所述业扩报装子系统至少包括非业务管理子系统、采购子系统、仓储管理系统、库存子系统、生产子系统、销售子系统、配送子系统、运输子系统、财务子系统和决策支持子度系统;所述电能计量子系统至少包括档案管理模块、设备管理模块、维修管理模块、计量误差管理模块和日常管理模块;所述电费收取子系统至少包括系统参数管理模块、收费管理模块、欠费管理模块、电费账务管理模块、财务管理模块和电费储蓄模块;所述用电账务子系统至少包括系统设置模块、凭证处理模块、记账结账模块、账证输出模块、辅助核算模块和系统服务模块;所述用电监查子系统至少包括系统设置模块、监控模块、异常报警模块和数据统计模块;所述市场与需求侧子系统至少包括电力需求侧通信模块、监控模块、数据输入模块和数据输出模块;线损管理子系统至少包括线损指标管理模块、线损统计模块、线损报告模块、线损异常分析模块、台区异常分析模块、线损异常处理模块、线损考核模块、线变和变户关系维护模块;所述配电GIS管理子系统至少包括环网自动化系统、负荷管理系统、配变监测系统、载波抄表系统和信息系统;所述报表汇总子系统至少包括报表管理模块、格式管理模块、报表数据处理模块和报表分析模块;所述系统管理子系统至少包括资源管理模块、资源监控模块、资源调度模块、服务管理模块、支持服务模块和视图管理模块;所述营销业务处理层内各个模块还设置有计算单元,所述计算单元连接有云通讯接口,并且所述计算单元至少包括决策树算法模型、Apriori算法模型、AP聚类分析算法模型、BP神经网络模型模型、支持矢量机算法或Adaboost迭代算法模型,用于实现各种数据的处理和计算;
营销工作质量监控层,其内至少设置有工作质量管理子系统,用于实现工作流程控制、业务稽查、统计报表、综合查询和工作评估;所述工作质量管理子系统至少包括采购管理模块、生产管理模块、工艺管理模块和质量报表管理模块;
营销决策层,其内至少设置有综合决策子系统,用于经营业绩分析、管理业绩分析、策略效益分析、客户动态分析和市场策划,所述综合决策子系统至少包括分析模块、数据查询模块、方案策划模块、方案执行模块和决策信息管理模块;其中:
所述客户服务层与营销业务处理层连接,所述营销业务处理层与营销工作质量监控层连接,所述营销工作质量监控层与营销决策层连接。
在上述实施例中,所述云通讯接口连接有云服务器,所述云服务器主机的硬件配置为Intel Xeon E3-1220v53.0 GHz四核,内存为8GDDR4,硬盘为1*Intel企业级SSD,1*SATA 1T,网卡为2*千兆网口;工作机节点的硬件配置为CPU型号Intel Xeon E53.0GHZ,内存为160GB。硬盘容量为128 TB;
实施例2大数据处理方法
(一)数据预处理
在所述计算单元电力影响大数据处理之前,先进行数据清洗,所述数据的清洗方法为:
(1)选择数据范围;
(2)设定界定清洗的指标;选择滚动标准差作为数据相似判断指标,计算公式为:
其中S表示电力数据滚动集合,wi表示集合中滚动到第i个位置的滑差值,p表示集合内的相似度系数;
(3)对数据整合后,相似数据计算公式为:
其中(α,β)表示为电力数据集合中的相似数据,n表示集合数据点总数,k表示变动点位置。
在上述实施例中,p的取值范围介于0.8-4.6之间。
(二)大数据处理方法
如图2所示,所述大数据处理方法包括决策树算法模型、Apriori算法模型、AP聚类分析算法模型、BP神经网络模型模型、支持矢量机算法或Adaboost迭代算法模型,用于实现各种数据的处理和计算;下面对其工作方法进行说明。
如图3所示,所述决策树算法模型为数据分类算法模型,用于对大数据按照不同的数据属性进行分类,便于用户快速从大量的数据库中查询到目标数据,其中所述决策树算法模型通过划分根节点和子节点实现数据分类。其详细步骤为:
(1)数据获取:从大数据管理平台中获取不同种类的电力营销大数据;
(2)数据训练:从所选的大数据管理平台中计算数据集的经验熵,选择信息增益最大的特征作为当前分裂特征,选择信息增益最大的特征作为当前分裂特征;其中数据组经验熵H(D)的计算公式为:
其中,i为数据的个数,|D|是数据集中所有样本个数,k是目标变量的类别数,|ck|是该分类下的样本个数。在进行计算时,在所有的特征中,假设A,计算特征A对数据集D的经验条件熵H(D/A),其中计算特征A的信息增益公式为:
g(D,A)=H(D)-H(D/A) (2)
(S3)确定根节点:根据上述计算公式计算出的经验熵选择决策树的根节点;如公式(1)和(2)所示,在选择目前数据集的分割特征属性时,使用信息增益度来计算。如果在多个计算出的信息增益度值很大,则表示在这个属性特征上回损失的纯度也就越大,那么结算出的较大的信息增益度值的属性就应该处于决策树的上层,可考虑其作为根节点。
(S4)确定叶节点:根据计算出的经验熵选择决策树的叶节点;根据上述的方法将信息增益度值较小的属性选作为叶节点;
(S5)建立数据模型:根据上述方法确定的根节点和叶节点,建立数据模型;
(S6)构建决策树:根据数据模型,构建决策树;构建出的决策树是呈树形的结构,最后输出的是用户目标值;
(S7)根据构建的决策树运行大数据,输出运行结果。
在本发明进一步的实施例中,所述AP聚类分析算法模型为数据分类算法模型,用于对大数据按照不同的数据属性进行分类,便于用户快速从大量的数据库中查询到目标数据,所述AP聚类分析算法模型通过确定大数据的聚类的个数,通过k-均值算法或k中心点算法实现数据的分类。
在本发明进一步的实施例中,如图4所示,所述Apriori算法模型通过计算出支持度和置信度求出大数据之间的关系。在APRIORI计算中,最开始电力营销管理数据库里有4种不同的交易,假设组合为{A、C、D},{B、C、E},{A、B、C、E},{B、E},使用min_support=2作为支持度阈值,则可筛选出来的频繁集为{B、C、E},
在计算过程中,将数据集中每个数据都进行单遍扫描,通过这种方式能够将单个项目中的数据信息支持度确定下来。完成后,可以输出频繁1-项集的不同数据集合,再进一步使用上轮的迭代算法,进一步计算最近发现的频繁(k-1)-项集,从而产生新的候选k-项集。为了更精确地计算,可以再次启动扫描,对数据库进行二次扫描,最终使子集函数确定包含在每个不同交易t内的待选k-项集。在计算待选项集中的不同数据的支持度计数,当支持度计数小于其候选项集中数据时,则可将该数据清除,上述操作步骤可以重复操作,当不再产生新的频繁项集,则表示算法结束。
在进一步的实施例中,还有在使用K-means聚类算法时,注意选择作为初始的聚类中心的K个不同数据类型,比如,抄表数据、业扩数据、用电数据、管理数据、综合数据、查询电费数据、综合管理数据、系统管理数据等,通过选用k均值聚类算法,能够基于距离进行聚类计算。通过各个数据类型中采用距离之间的关系作为各项参数的相似性评价标准进行评价,经过计算,如果两个电力营销数据对象之间的距离比较近,则认为其间的相似度较多,则其相互的关联性就越大。该算法步骤包括:
(1)在电力营销管理数据中确定k值,然后对k值进行聚类、计算得出电力营销管理数据的k个集合。
(2)从电力营销管理数据集合中随机选择k个营销数据点作为中心质心,便于其他参数与之比较。
(3)对于电力营销管理数据集合中每个数据类型,利用欧式距离计算出该数据类型与不同质心之间的距离,通过欧式距离计算出该数据类型离哪个电力营销管理数据集合的质心点比较近,则将该电力营销管理数据集合划分到哪个质心数据类型所属的营销数据集合类型。
(4)然后将所有电力营销管理数据集合数据类型归好整理,如果通过计算,存在k个不同的电力营销管理数据集合,则可以重新计算每个电力营销管理数据集合的数据类型的质心。
(5)然后对计算出的数值类型进行评价,如果重新计算出来的电力营销管理数据集合质心和之前的电力营销管理数据类型质心的距离比用户设置的阈值较小,则说明该次计算或者聚类已经满足了用户的需求,算法结束,则可以评价电力营销管理数据中不同数据集合之间的关系。
(6)如果新计算出来的电力营销管理数据集合和之前计算出来的电力营销管理数据集合质心之间的距离关系变化比较大,则对上述步骤中的步骤3和步骤5需要重新进行迭代计算,最终计算出电力营销管理数据集合中每个数据类型之间的关系,便于用户分析、计算各种数据之间的逻辑关系。
在本发明进一步的实施例中,如图5所示,所述BP神经网络模型模型是按误差逆传播算法训练的多层前馈网络,所述BP神经网络模型模型包括向前传播方式和向后传播方式。在一种该进型的BP神经网络模型模型,将该算法融入其他算法,并行使用,以克服自身的缺点。BP神经网络模型包括即输入层、蕴含层和输出层。经过处理以后的数据通过输入层输入,这些数据包括电力营销管理平台中的电能计量数据、电费收取费用、配电管理费用、线损管理费用、用电监查费用等,通过反复调整神经网络中的权值、阈值,进而逐步逼近用户所需要的结果,最终使得电力营销管理数据最小化输出误差,使得数据处理精度比较高。
在本发明进一步的实施例中,所述支持矢量机算法是一种有监督的机器学习算法,用于分类任务或回归任务,所述矢量机算法包括线性可分支持向量机、线性支持向量机和非线性支持向量机。
在本发明进一步的实施例中,如图5所示,所述Adaboost迭代算法模型的计算方法为:
(1)获取训练样本,训练弱分类器,通过训练多个弱分类器,训练强分类器;用公式表示为:D1=(w11,w12,…,w1N),w1i=1/N,i=1,2…N(1)
(2)迭代计算;计算出不同弱分类器分类的误差,所计算出的误差等于各个不同电力营销大数据样本的权重和,算法迭代的次数小于弱分类器的个数;
(3)迭代误差计算,其中迭代误差Gm(x)在训练集上的误差率公式为:
(4)归一化处理:获取最优分类器之后,然后进一步地计算所选取的分类器的权重,接着再更新各个不同样本的权重,进行再归一化处理,然后计算Gm(x)的系数,am代表Gm(x)在训练后的最终分类器中的关键程度,用公式表示为:
在上述公式中,em≤1/2时,am≥0,通过公式可看出,am与em成反比例关系,即误差率越小,分类器在最终分类器中越起到比较大的作用;
(5)迭代判断:判断迭代次数是否等于阈值,如果与阈值相等,则完成迭代计算,最后的分类器则由迭代过程中所选择的弱分类器经过线性加权得到的,如果迭代次数不等于阈值,则重新进行迭代计算。
通过上述实施,本发明应用云计算、数据挖掘算法模型构建出新型的电力营销管理平台,本发明采用多层结构实现数据的多层次设计,分为客户服务层、营销业务处理层、营销工作质量监控层和营销决策层,实现电力大数据平台的多层次管理。本发明采用云计算技术,使用户能够快速、便捷地处理智能电网大数据,不仅能够实现智能电网大数据的统一管理、智能存储、数据处理、数据分析、数据可视化等应用,还增加了数据的加密性,大大提高了用户数据的隐私效果。本发明采用数据挖掘算法,通过数据挖掘算法对接收到的数据按照不同的定义属性进行分类、处理或者计算,采用的挖掘算法至少包括决策树算法模型、Apriori算法模型、AP聚类分析算法模型、BP神经网络模型模型、支持矢量机算法或Adaboost迭代算法模型,实现了大数据的处理,通过构建不同类型的数据模型,能够在0.1-2s的时间内完成上亿数据的计算和管理,大大提高了数据的运算能力,提高了电力营销管理平台的数据管理能力。
虽然以上描述了本发明的具体实施方式,但是本领域的技术人员应当理解,这些具体实施方式仅是举例说明,本领域的技术人员在不脱离本发明的原理和实质的情况下,可以对上述方法和系统的细节进行各种省略、替换和改变。例如,合并上述方法步骤,从而按照实质相同的方法执行实质相同的功能以实现实质相同的结果则属于本发明的范围。因此,本发明的范围仅由所附权利要求书限定。
Claims (10)
1.一种基于大数据管理的电力营销管理平台构建方法,其特征在于:所述平台内的数据类型至少包括公共数据库、营销专业数据库、客户服务数据库和决策数据库,并且所述平台至少包括:
客户服务层,其内至少设置有呼叫中心子系统、触摸查询子系统、客户服务子系统和语音查询子系统;其中:所述呼中心子系统至少包括呈分布式设置的自动呼叫分配模块、交互式语音应答模块、计算机电话集成服务器、人工坐席、数据库服务器和数据应用平台;所述触摸查询子系统至少包括表面声波触摸屏或电容触摸屏、电脑主机或机柜,所述机柜内设置有主机;所述客户服务子系统至少包括呈分布式设置的投诉管理模块、维修管理模块、装修管理模块、加时空调管理模块、外来人员管理模块、钥匙管理模块、收楼维修管理模块、家政服务模块、来电管理模块、设备报表模块,支持移动APP维修报修模块、派单模块、异常数据处理模块和回访模块;所述语音查询子系统至少包括语音导航模块、合成语音管理模块、自动应答管理模块、数据库查询模块、按键统计模块、上下班设置模块、语音信箱和客户满意度调查模块;
营销业务处理层,其内至少设置有业扩报装子系统、电能计量子系统、电费收取子系统、用电账务子系统、用电监查子系统、市场与需求侧子系统、线损管理子系统、配电GIS管理子系统、报表汇总子系统和系统管理子系统;其中所述业扩报装子系统至少包括非业务管理子系统、采购子系统、仓储管理系统、库存子系统、生产子系统、销售子系统、配送子系统、运输子系统、财务子系统和决策支持子度系统;所述电能计量子系统至少包括档案管理模块、设备管理模块、维修管理模块、计量误差管理模块和日常管理模块;所述电费收取子系统至少包括系统参数管理模块、收费管理模块、欠费管理模块、电费账务管理模块、财务管理模块和电费储蓄模块;所述用电账务子系统至少包括系统设置模块、凭证处理模块、记账结账模块、账证输出模块、辅助核算模块和系统服务模块;所述用电监查子系统至少包括系统设置模块、监控模块、异常报警模块和数据统计模块;所述市场与需求侧子系统至少包括电力需求侧通信模块、监控模块、数据输入模块和数据输出模块;线损管理子系统至少包括线损指标管理模块、线损统计模块、线损报告模块、线损异常分析模块、台区异常分析模块、线损异常处理模块、线损考核模块、线变和变户关系维护模块;所述配电GIS管理子系统至少包括环网自动化系统、负荷管理系统、配变监测系统、载波抄表系统和信息系统;所述报表汇总子系统至少包括报表管理模块、格式管理模块、报表数据处理模块和报表分析模块;所述系统管理子系统至少包括资源管理模块、资源监控模块、资源调度模块、服务管理模块、支持服务模块和视图管理模块;所述营销业务处理层内各个模块还设置有计算单元,所述计算单元连接有云通讯接口,并且所述计算单元至少包括决策树算法模型、Apriori算法模型、AP聚类分析算法模型、BP神经网络模型模型、支持矢量机算法或Adaboost迭代算法模型,用于实现各种数据的处理和计算;
营销工作质量监控层,其内至少设置有工作质量管理子系统,用于实现工作流程控制、业务稽查、统计报表、综合查询和工作评估;所述工作质量管理子系统至少包括采购管理模块、生产管理模块、工艺管理模块和质量报表管理模块;
营销决策层,其内至少设置有综合决策子系统,用于经营业绩分析、管理业绩分析、策略效益分析、客户动态分析和市场策划,所述综合决策子系统至少包括分析模块、数据查询模块、方案策划模块、方案执行模块和决策信息管理模块;其中:
所述客户服务层与营销业务处理层连接,所述营销业务处理层与营销工作质量监控层连接,所述营销工作质量监控层与营销决策层连接。
2.根据权利要求1所述的一种基于大数据管理的电力营销管理平台构建方法,其特征在于:所述云通讯接口连接有云服务器,所述云服务器主机的硬件配置为IntelXeon E3-1220v53.0 GHz四核,内存为8GDDR4,硬盘为1*Intel企业级SSD,1*SATA 1T,网卡为2*千兆网口;工作机节点的硬件配置为CPU型号Intel Xeon E53.0GHZ,内存为160GB。硬盘容量为128TB。
4.根据权利要求3所述的一种基于大数据管理的电力营销管理平台构建方法,其特征在于:
p的取值范围介于0.8-4.6之间。
5.根据权利要求1所述的一种基于大数据管理的电力营销管理平台构建方法,其特征在于:所述决策树算法模型为数据分类算法模型,用于对大数据按照不同的数据属性进行分类,便于用户快速从大量的数据库中查询到目标数据,其中所述决策树算法模型通过划分根节点和子节点实现数据分类。
6.根据权利要求1所述的一种基于大数据管理的电力营销管理平台构建方法,其特征在于:所述AP聚类分析算法模型为数据分类算法模型,用于对大数据按照不同的数据属性进行分类,便于用户快速从大量的数据库中查询到目标数据,所述AP聚类分析算法模型通过确定大数据的聚类的个数,通过k-均值算法或k中心点算法实现数据的分类。
7.根据权利要求1所述的一种基于大数据管理的电力营销管理平台构建方法,其特征在于:所述Apriori算法模型通过计算出支持度和置信度求出大数据之间的关系。
8.根据权利要求1所述的一种基于大数据管理的电力营销管理平台构建方法,其特征在于:所述BP神经网络模型模型是按误差逆传播算法训练的多层前馈网络,所述BP神经网络模型模型包括向前传播方式和向后传播方式。
9.根据权利要求1所述的一种基于大数据管理的电力营销管理平台构建方法,其特征在于:所述支持矢量机算法是一种有监督的机器学习算法,用于分类任务或回归任务,所述矢量机算法包括线性可分支持向量机、线性支持向量机和非线性支持向量机。
10.根据权利要求1所述的一种基于大数据管理的电力营销管理平台构建方法,其特征在于:所述Adaboost迭代算法模型的计算方法为:
(1)获取训练样本,训练弱分类器,通过训练多个弱分类器,训练强分类器;用公式表示为:D1=(w11,w12,…,w1N),w1i=1/N,i=1,2…N(1)
(2)迭代计算;计算出不同弱分类器分类的误差,所计算出的误差等于各个不同电力营销大数据样本的权重和,算法迭代的次数小于弱分类器的个数;
(4)归一化处理:获取最优分类器之后,然后进一步地计算所选取的分类器的权重,接着再更新各个不同样本的权重,进行再归一化处理,然后计算Gm(x)的系数,am代表Gm(x)在训练后的最终分类器中的关键程度,用公式表示为:
在上述公式中,em≤1/2时,am≥0,通过公式可看出,am与em成反比例关系,即误差率越小,分类器在最终分类器中越起到比较大的作用;
(5)迭代判断:判断迭代次数是否等于阈值,如果与阈值相等,则完成迭代计算,最后的分类器则由迭代过程中所选择的弱分类器经过线性加权得到的,如果迭代次数不等于阈值,则重新进行迭代计算。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010421578.XA CN111598723A (zh) | 2020-05-18 | 2020-05-18 | 一种基于大数据管理的电力营销管理平台构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010421578.XA CN111598723A (zh) | 2020-05-18 | 2020-05-18 | 一种基于大数据管理的电力营销管理平台构建方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111598723A true CN111598723A (zh) | 2020-08-28 |
Family
ID=72191512
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010421578.XA Pending CN111598723A (zh) | 2020-05-18 | 2020-05-18 | 一种基于大数据管理的电力营销管理平台构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111598723A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113065897A (zh) * | 2021-04-09 | 2021-07-02 | 海南电网有限责任公司 | 一种智慧营销管理系统及其实现方法 |
CN113075448A (zh) * | 2021-03-23 | 2021-07-06 | 国网四川省电力公司营销服务中心 | 一种基于知识图谱的业扩计量装置的配置方法及系统 |
CN113673229A (zh) * | 2021-08-23 | 2021-11-19 | 广东电网有限责任公司 | 一种电力营销数据交互方法、系统及存储介质 |
CN117541277A (zh) * | 2023-10-07 | 2024-02-09 | 烟台海颐软件股份有限公司 | 一种电力营销智能平台 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110389949A (zh) * | 2019-07-23 | 2019-10-29 | 华北电力大学 | 一种光伏阵列数据清洗方法 |
-
2020
- 2020-05-18 CN CN202010421578.XA patent/CN111598723A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110389949A (zh) * | 2019-07-23 | 2019-10-29 | 华北电力大学 | 一种光伏阵列数据清洗方法 |
Non-Patent Citations (10)
Title |
---|
CV_WILLIAM: "【Adaboost算法】机器学习实例推导计算+公式详细过程(入门必备)", pages 1 - 2, Retrieved from the Internet <URL:https://blog.csdn.net/weixin_41194171/article/details/85014669> * |
冯立新;: "东航江苏公司"968968"呼叫中心系统的设计与应用", 江苏航空, no. 04, 15 November 2012 (2012-11-15) * |
娄建楼;胥佳;陆恒;曲朝阳;李韶武;刘瑞华;: "基于功率曲线的风电机组数据清洗算法", 电力系统自动化, no. 10, 25 May 2016 (2016-05-25) * |
娄新爱;王子牛;肖绍武;刘怡伶;: "智慧物业管理系统的设计与实现", 信息与电脑(理论版), no. 08, 23 April 2017 (2017-04-23) * |
崔跃春: "供电企业生产经营MIS建设及应用实例研究", 万方数据, 15 September 2012 (2012-09-15), pages 4 - 40 * |
张会建;: "新一代呼叫中心(CALL CENTER)系统在天津电力管理中的应用", 天津电力技术, no. 1, 25 June 2003 (2003-06-25) * |
张俊宇: "东莞电力营销管理信息系统的开发", 万方数据, 26 December 2018 (2018-12-26) * |
时珉 等: "基于滑动标准差计算的光伏阵列异常数据清洗办法", 电力系统保护与控制, no. 06, 16 March 2020 (2020-03-16), pages 109 - 110 * |
杜欣: "以呼叫中心为基础的杭州电力客户服务系统", 电力系统通信, no. 09, 10 October 2001 (2001-10-10), pages 49 - 51 * |
霍妍: "C热电厂MIS项目实施方案设计", 中国优秀硕士学位论文全文数据库 (信息科技辑), 15 September 2012 (2012-09-15) * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113075448A (zh) * | 2021-03-23 | 2021-07-06 | 国网四川省电力公司营销服务中心 | 一种基于知识图谱的业扩计量装置的配置方法及系统 |
CN113065897A (zh) * | 2021-04-09 | 2021-07-02 | 海南电网有限责任公司 | 一种智慧营销管理系统及其实现方法 |
CN113673229A (zh) * | 2021-08-23 | 2021-11-19 | 广东电网有限责任公司 | 一种电力营销数据交互方法、系统及存储介质 |
CN113673229B (zh) * | 2021-08-23 | 2024-04-05 | 广东电网有限责任公司 | 一种电力营销数据交互方法、系统及存储介质 |
CN117541277A (zh) * | 2023-10-07 | 2024-02-09 | 烟台海颐软件股份有限公司 | 一种电力营销智能平台 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111598723A (zh) | 一种基于大数据管理的电力营销管理平台构建方法 | |
KR101939554B1 (ko) | 일시적 거래 한도 결정 | |
WO2021088499A1 (zh) | 一种基于动态网络表征的发票虚开识别方法及系统 | |
CN111324642A (zh) | 一种面向电网大数据分析的模型算法选型与评价方法 | |
EP4020315A1 (en) | Method, apparatus and system for determining label | |
CN107016068A (zh) | 知识图谱构建方法及装置 | |
WO2023103527A1 (zh) | 一种访问频次的预测方法及装置 | |
CN112785427B (zh) | 基于电力数据的企业信用分析系统 | |
CN110147389A (zh) | 帐号处理方法和装置、存储介质及电子装置 | |
CN117971808B (zh) | 企业数据标准层次关系智能构建方法 | |
Cui et al. | A k-means++ based user classification method for social e-commerce | |
Liu et al. | Wheel hub customization with an interactive artificial immune algorithm | |
CN114781717A (zh) | 网点设备推荐方法、装置、设备和存储介质 | |
Bi et al. | Accurate prediction of workloads and resources with multi-head attention and hybrid LSTM for cloud data centers | |
CN117035837A (zh) | 一种电力用户购电需求预测及零售合同定制方法 | |
Li et al. | Exceptional events classification in warehousing based on an integrated clustering method for a dataset with mixed-valued attributes | |
Wang | Big Data Mining Method of Marketing Management Based on Deep Trust Network Model | |
Yanan et al. | A hybrid model for short-term load forecasting based on novel input Sequence Selection and CSO optimized depth belief network | |
Lu | Research on the Application of Multidimensional Cluster Analysis in Customer Information | |
Huang et al. | A Clustering‐based Method for Business Hall Efficiency Analysis | |
Deng et al. | A survey of stock forecasting model based on artificial intelligence algorithm | |
CN113742472B (zh) | 一种基于客服营销场景下的数据挖掘方法及装置 | |
CN114155038B (zh) | 受疫情影响用户识别方法 | |
Wang et al. | A Big Data Based Analysis of Accurate Operation for User Multidimensional Value Identification | |
Liu et al. | A method for fusion of customer caller appeal information based on a consistent clustering model |
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 |