CN111723257A - 基于用水规律的用户画像方法与系统 - Google Patents

基于用水规律的用户画像方法与系统 Download PDF

Info

Publication number
CN111723257A
CN111723257A CN202010590604.1A CN202010590604A CN111723257A CN 111723257 A CN111723257 A CN 111723257A CN 202010590604 A CN202010590604 A CN 202010590604A CN 111723257 A CN111723257 A CN 111723257A
Authority
CN
China
Prior art keywords
user
data
water consumption
classification model
fuzzy
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
Application number
CN202010590604.1A
Other languages
English (en)
Other versions
CN111723257B (zh
Inventor
李成栋
申存骁
邓晓平
李银萍
李文峰
张桂青
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.)
Shandong Jianzhu University
Original Assignee
Shandong Jianzhu University
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 Shandong Jianzhu University filed Critical Shandong Jianzhu University
Priority to CN202010590604.1A priority Critical patent/CN111723257B/zh
Publication of CN111723257A publication Critical patent/CN111723257A/zh
Priority to PCT/CN2020/132229 priority patent/WO2021258635A1/zh
Application granted granted Critical
Publication of CN111723257B publication Critical patent/CN111723257B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/906—Clustering; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/02—Computing arrangements based on specific mathematical models using fuzzy logic
    • G06N7/023—Learning or tuning the parameters of a fuzzy system

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Automation & Control Theory (AREA)
  • Fuzzy Systems (AREA)
  • Databases & Information Systems (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Algebra (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Image Analysis (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于用水规律的用户画像方法与系统，其包括以下步骤：(1)收集用户的用水数据及用户类别标签；(2)将采集到的用水数据中提取出若干个时间段的平均用水量作为特征向量，结合用户的类别标签构建出训练样本集，基于自动机器学习技术构建出深度分层模糊系统，利用训练样本集训练此系统，从而构建出分类模型；(3)将采集到的用户用水数据输入到已构建出的分类模型中，从而完成用户画像。本发明通过进行用户画像，可以总结单个用户及用户群的特性，从而可对单个用户提供更加精准的服务，以及实现区域之间的资源的合理分配。

Description

基于用水规律的用户画像方法与系统
技术领域
本发明涉及进行用户画像，是一种通过对用户用水规律的分析来进行用户画像的方法及系统，属于数据分析领域。
背景技术
用户用水行为受到多方面因素的影响，其中包括内在因素，如用户自身的社会经济信息；以及外在因素，如环境温度。其中用户自身的社会经济信息包括用户的年龄、薪资水平、居住房屋大小、用户肖像等。
进行用户画像，可以对用户提供个性化的推荐及服务，以及提升用户管理水平和引导用户用水行为，用途广泛。此外，还可以通过构建一定区域内单个用户的用户肖像，总结出此区域内群体用户的特性，从而实现更加合理的分配能源以及提供其他公共性服务。用户用水规律的分析还具有其他诸多意义，如提供个性化的用水服务，或使第三方机构提供精准的推销，以及引起隐私保护的反思等。
发明内容
基于上述现有技术，本发明提出一种基于用水规律的用户画像方法及系统。
为实现上述目的，本发明采用下述技术方案：
本发明提供了一种基于用水规律的用户画像方法，包括以下步骤：
(1)收集用户的用水数据及用户类别标签；
(2)将采集到的用水数据中提取出若干个时间段的平均用水量作为特征向量，结合用户的类别标签构建出训练样本集，基于自动机器学习技术构建出深度分层模糊系统，利用训练样本集训练此系统，从而构建出分类模型；
(3)将采集到的用户用水数据输入到已构建出的分类模型中，从而完成用户画像。
优选的，所述步骤(1)步骤中收集用户m的有关信息构成用户m的类别标签向量。用户画像类别标签分类包括以下标签一种或多种：年龄、是否退休、是否有小孩、房屋面积和人口数。类别标签ym＝(y1,y2,y3,y4,y5)，每个标签取值-1,0,1；每个用户的用水数据和对应的类别标签向量，构建出训练样本数据库P。
优选的，所述步骤(2)步骤如下：
步骤1：提取特征向量：
将每天的时间划分成12个时间段，分别为t1-t12；
将训练样本数据库中的数据按照24时制划分成对应1～7天的七段数据，然后将7天的数据分别按照12个时间段进行划分，求出用户在每天各时间段用水量
Figure BDA0002556144840000021
式中，d 为第d天。将每个时间段的结尾时间节点的用水量值减去起始时间节点的用水量值即可得到每个时间段的用水量；
分别求出12个时间段在7天内的用水量的平均值：
Figure BDA0002556144840000022
利用用户m的12个时间段的用水量的平均值构建出特征向量
Figure BDA0002556144840000023
步骤2：搭建深度分层模糊系统
对深度分层模糊系统的总体参数进行设置，手动确定层数L(设为6)、移动步长s(设为2)和卷积窗的长度w(设为3)。
将训练样本数据库P中的特征向量
Figure BDA0002556144840000024
作为系统的输入向量，类别标签 ym作为每一个模糊子系统的正确输出向量。进而可以得到训练集P1在第一层第i个模糊子系统的输入-输出数据对。根据该数据对，结合已有的模糊集合计算公式，输入向量可进一步划分为R个模糊集合A1,A2,...,AR，进而构建出此模糊子系统的完备模糊规则库。
优选的，所述步骤(2)中基于强化学习的搜索方式构建该模糊子系统，步骤如下：
步骤1：确定搜索空间S；
步骤2：设计子系统。
优选的，所述步骤(2)中将训练样本数据库P中的数据分为两部分：训练集P1和测试集 P2，将测试集P2中的数据输入到分类模型中，通过将分类结果与类别标签进行比较，测试出分类模型的精确度是否能够满足需求。如果精确度不能够满足要求，则需要利用更多的样本数据重新对分类模型进行训练，直至分类模型的精确度达到要求。
优选的，所述步骤(3)中，将采集到的某用户的用水数据直接输入至分类模型中，分类模型对数据进行特征向量提取的操作，然后将特征向量输入到深度分层模糊系统中进行分析，得到最终的分类结果，确定出每个类别标签，完成用户画像，最后利用显示器设备输出结果。
本发明还提供了一种基于用水规律的用户画像系统，用于在执行时实现上述基于用水规律的用户画像方法的步骤，包括：
数据采集模块，该模块用于执行步骤(1)的方法；
构建分类模型模块，该模块用于执行步骤(2)的方法；
用户画像模块，该模块用于执行步骤(3)的方法。
本发明的技术方案具有以下有益效果：
(1)通过进行用户画像，可以总结单个用户及用户群的特性，从而可对单个用户提供更加精准的服务，以及实现区域之间的资源的合理分配。
(2)深度分层模糊系统具有更好的精度、计算速度，并且解决了维数灾难规则爆炸问题。
(3)基于自动机器学习技术构建深度分层模糊系统避免了人工干预，更加高效，并且能够提升系统的整体性能。
(4)采用分布式系统架构，方便了数据的采集和集中处理分析，并且较常规方式更加节约资源。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
图1是本发明分布式系统架构示意图；
图2是本发明子系统设计流程图；
图3是本发明方法流程图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
本发明提出了一种基于用水规律的用户画像方法及系统。采用了分布式的系统架构以及基于自动机器学习的深度分层模糊系统方法。将用户的有关信息(包括人口数、房屋面积、是否有小孩等)作为类别标签，利用智能电表采集到用户7天内的用水数据，将所有采集到的数据信息上传至数据平台；在数据平台中，计算出7天内12个不同时间段的用水量的平均值，将其作为特征向量，基于自动机器学习技术构建出性能更佳的深度分层模糊系统，利用此系统对用户的用水数据进行评估、分类，完成用户画像。
本发明主要包括三个模块：数据采集模块、构建分类模型模块和用户画像模块。数据采集模块负责收集、整理用户的用水数据及用户基本信息(类别标签)，并上传至数据平台；构建分类模型模块负责从采集到的用水数据中提取出12个时间段的7天的平均用水量作为特征向量，结合用户的类别标签构建出训练样本集，基于自动机器学习技术构建出深度分层模糊系统，利用训练样本集训练此系统，从而构建出分类模型；用户画像模块负责将采集到的用户用水数据输入到已构建出的分类模型中，从而完成用户画像。
以下是对三个模块的详细介绍：
模块一：数据采集
本模块采用了分布式的系统架构(示意图如图1)，采集用户数据，利用通信网络将数据传输至数据平台。
通过智能水表(边缘设备)间隔15分钟的采样，采集用户m的7天的原始用水数据Qm(m＝1,2,...,n)，将数据利用通信网络传输到数据平台。
利用用户m的有关信息构成用户m的类别标签向量。用户画像类别标签分类如表1所示。类别标签ym＝(y1,y2,y3,y4,y5)，每个标签可取值-1,0,1。
在数据平台中，利用以上所述的两种数据信息：每个用户的用水数据和对应的类别标签向量，构建出训练样本数据库P。此数据库被用于训练、构建分类模型使用。
表1用户画像类别标签表
Figure DEST_PATH_IMAGE001
模块二：构建分类模型
本模块负责对训练样本数据库中的用水数据进行特征向量提取，基于自动机器学习构建出深度分层模糊系统，以此构建出分类模型。最后利用测试集对分类模型的精确度进行测试。
1、提取特征向量
(1)结合不同年龄段的人的日常生活规律，将每天的时间划分成12个时间段：t1.5:00-6:30；t2.6:30-7:30；t3.7:30-8:30；t4.8:30-11:30；t5.11:30-12:30；t6.12:30-14:00； t7.14:00-17:00；t8.17:00-18:30；t9.18:30-20:00；t10.20:00-22:00；t11.22:00-1:00；t12.1:00-5:00。
将训练样本数据库P中的数据分为两部分：80％的数据作为训练集P1，剩余部分的数据作为测试集P2。
将训练样本数据库中的数据按照24时制划分成对应1～7天的七段数据，然后将7天的数据分别按照12个时间段进行划分，求出用户在每天各时间段用水量
Figure BDA0002556144840000051
其中，将每个时间段的结尾时间节点的用水量值减去起始时间节点的用水量值即可得到每个时间段的用水量。
(2)分别求出12个时间段在7天内的用水量的平均值：
Figure BDA0002556144840000052
利用用户m的12个时间段的用水量的平均值构建出特征向量
Figure BDA0002556144840000053
2、搭建深度分层模糊系统
基于自动机器学习技术设计模糊子系统，进而构建出整体性能更好的深度分层模糊系统。
对深度分层模糊系统的总体参数进行设置，手动确定层数L(设为6)、移动步长s(设为2)和卷积窗的长度w(设为3)。
将训练样本数据库P中的特征向量
Figure BDA0002556144840000054
作为系统的输入向量，类别标签 ym作为每一个模糊子系统的正确输出向量。进而可以得到训练集P1在第一层第i个模糊子系统的输入-输出数据对。根据该数据对，结合已有的模糊集合计算公式，输入向量可以进一步划分为R个模糊集合A1,A2,...,AR，进而构建出此模糊子系统的完备模糊规则库。
基于强化学习的搜索方式构建该模糊子系统，步骤如下：
(1)确定搜索空间S
1)模糊规则库搜索子空间S1：从完备模糊规则库中随机抽选一定数目的规则构成新的模糊规则库；
2)隶属度函数搜索子空间S2：选择隶属度函数类型，包括：三角形隶属度函数、高斯型隶属度函数、梯形隶属度函数以及其它常见的隶属度函数；
3)解模糊化方法搜索子空间S3：选择解模糊化方法，包括最大隶属度值法、面积平均法、重心法和最大隶属度平均值法。
(2)设计子系统
设计子系统的流程如下图2所示。首先手动设置阈值H(设为98％)和循环次数K(设为100)。
1)循环神经网络(RNN)作为控制器通过搜索空间S确定分系统的结构，即确定分系统的隶属度函数类型、解模糊化方法和新的模糊规则库，构建出“分系统1”。
2)利用训练集P1中对应此模糊子系统的输入-输出数据对进行对“分系统1”的训练，将测试集P2中对应该模糊子系统的输入向量输入至“分系统1”中，通过比较实际运行得到的输出向量和正确的输出向量ym，得到其精确度值Ac。
3)将精确度值Ac作为奖惩值反馈给控制器，控制器根据Ac值对“分系统1”进行重新构建得到新的“分系统2”。每循环一次，当前循环次数j加1。
重新构建分系统时，搜索策略有如下约束：90％≤Ac≤H时，随机选择一个搜索子空间Sf(f＝1,2,3)进行搜索；80％≤Ac≤90％时，随机选择两个搜索子空间Sf进行搜索； Ac≤80％时，对整个搜索空间S进行搜索。
4)对“分系统2”重复进行步骤1)、2)、3)，直至精确度值Ac≥H或者当前循环次数j＝K时结束循环操作。
经过上述过程，选定精确度值Ac达到阈值H时对应的“分系统”或者当前循环次数j＝K时精确度值Ac最大的“分系统”作为第一层第i个模糊子系统。
至此，第一层第i个模糊子系统设计完成，按照以上方法设计完成第一层中所有的模糊子系统。将训练样本库在第一层的输出向量x1作为第二层模糊子系统的输入向量，第二层中每个模糊子系统的正确输出向量仍为ym，按照与第一层相同的方法来设计第二层的模糊子系统。以此类推，完成最后一层模糊子系统的设计，从而搭建完成深度分层模糊系统。
基于特征向量提取和深度分层模糊系统分类两大部分构成分类模型。
将测试集P2中的数据输入到分类模型中，通过将分类结果与类别标签进行比较，测试出分类模型的精确度是否能够满足需求。如果精确度不能够满足要求，则需要利用更多的样本数据重新对分类模型进行训练，直至分类模型的精确度达到要求。
模块三：用户画像
本模块负责将采集到的用户用水数据直接输入至构建出的分类模型中，从而对该用户进行评估，确定各个类别标签，完成用户画像。
将采集到的某用户的7天的用水数据直接输入至分类模型中，分类模型对数据进行特征向量提取的操作，然后将特征向量输入到深度分层模糊系统中进行分析，得到最终的分类结果，确定出每个类别标签，完成用户画像，最后利用显示器设备输出结果。
本发明的整体步骤(方法流程图)如图3所示。
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。

Claims (7)

1.一种基于用水规律的用户画像方法，其特征在于，包括以下步骤：
(1)收集用户的用水数据及用户类别标签；
(2)将采集到的用水数据中提取出若干个时间段的平均用水量作为特征向量，结合用户的类别标签构建出训练样本集，基于自动机器学习技术构建出深度分层模糊系统，利用训练样本集训练此系统，从而构建出分类模型；
(3)将采集到的用户用水数据输入到已构建出的分类模型中，从而完成用户画像。
2.根据权利要求1所述的基于用水规律的用户画像方法，其特征在于，所述步骤(1)步骤中收集用户m的有关信息构成用户m的类别标签向量；用户画像类别标签分类包括以下标签一种或多种：年龄、是否退休、是否有小孩、房屋面积和人口数；类别标签ym＝(y1,y2,y3,y4,y5)，每个标签取值-1,0,1；每个用户的用水数据和对应的类别标签向量，构建出训练样本数据库P。
3.根据权利要求1所述的基于用水规律的用户画像方法，其特征在于，所述步骤(2)步骤如下：
步骤1：提取特征向量：
将每天的时间划分成12个时间段，分别为t1-t12；
将训练样本数据库中的数据按照24时制划分成对应1～7天的七段数据，然后将7天的数据分别按照12个时间段进行划分，求出用户在每天各时间段用水量
Figure FDA0002556144830000011
式中，d为第d天；将每个时间段的结尾时间节点的用水量值减去起始时间节点的用水量值即可得到每个时间段的用水量；
分别求出12个时间段在7天内的用水量的平均值：
Figure FDA0002556144830000012
(T＝t1,t2,...,t12)；利用用户m的12个时间段的用水量的平均值构建出特征向量
Figure FDA0002556144830000013
步骤2：搭建深度分层模糊系统
对深度分层模糊系统的总体参数进行设置，手动确定层数L(设为6)、移动步长s(设为2)和卷积窗的长度w(设为3)；
将训练样本数据库P中的特征向量
Figure FDA0002556144830000014
作为系统的输入向量，类别标签ym作为每一个模糊子系统的正确输出向量；进而可以得到训练集P1在第一层第i个模糊子系统的输入-输出数据对；根据该数据对，结合已有模糊集合计算公式，输入向量可进一步划分为R个模糊集合A1,A2,...,AR，进而构建出此模糊子系统的完备模糊规则库。
4.根据权利要求3所述的基于用水规律的用户画像方法，其特征在于，所述步骤(2)中基于强化学习的搜索方式构建该模糊子系统，步骤如下：
步骤1：确定搜索空间S；
步骤2：设计子系统。
5.根据权利要求3所述的基于用水规律的用户画像方法，其特征在于，所述步骤(2)中将训练样本数据库P中的数据分为两部分：训练集P1和测试集P2，将测试集P2中的数据输入到分类模型中，通过将分类结果与类别标签进行比较，测试出分类模型的精确度是否能够满足需求；如果精确度不能够满足要求，则需要利用更多的样本数据重新对分类模型进行训练，直至分类模型的精确度达到要求。
6.根据权利要求1所述的基于用水规律的用户画像方法，其特征在于，所述步骤(3)中，将采集到的某用户的用水数据直接输入至分类模型中，分类模型对数据进行特征向量提取的操作，然后将特征向量输入到深度分层模糊系统中进行分析，得到最终的分类结果，确定出每个类别标签，完成用户画像，最后利用显示器设备输出结果。
7.一种基于用水规律的用户画像系统，其特征在于，用于在执行时实现权利要求1-6任一项所述的基于用水规律的用户画像方法的步骤，包括：
数据采集模块，该模块用于执行步骤(1)的方法；
构建分类模型模块，该模块用于执行步骤(2)的方法；
用户画像模块，该模块用于执行步骤(3)的方法。
CN202010590604.1A 2020-06-24 2020-06-24 基于用水规律的用户画像方法与系统 Active CN111723257B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202010590604.1A CN111723257B (zh) 2020-06-24 2020-06-24 基于用水规律的用户画像方法与系统
PCT/CN2020/132229 WO2021258635A1 (zh) 2020-06-24 2020-11-27 基于用水规律的用户画像方法与系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010590604.1A CN111723257B (zh) 2020-06-24 2020-06-24 基于用水规律的用户画像方法与系统

Publications (2)

Publication Number Publication Date
CN111723257A true CN111723257A (zh) 2020-09-29
CN111723257B CN111723257B (zh) 2023-05-02

Family

ID=72568846

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010590604.1A Active CN111723257B (zh) 2020-06-24 2020-06-24 基于用水规律的用户画像方法与系统

Country Status (2)

Country Link
CN (1) CN111723257B (zh)
WO (1) WO2021258635A1 (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021258635A1 (zh) * 2020-06-24 2021-12-30 山东建筑大学 基于用水规律的用户画像方法与系统
CN114943020A (zh) * 2022-04-13 2022-08-26 广东以诺通讯有限公司 一种智能家居水系统及基于该系统构建用户画像的方法
CN115375205A (zh) * 2022-10-25 2022-11-22 埃睿迪信息技术（北京）有限公司 一种用水用户画像的确定方法、装置及设备

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116050946B (zh) * 2023-03-29 2023-06-16 东莞先知大数据有限公司 一种水务用户催收管理方法、装置、电子设备和存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140188886A1 (en) * 2012-12-27 2014-07-03 Lookout, Inc. User classification based on data gathered from a computing device
CN108629633A (zh) * 2018-05-09 2018-10-09 浪潮软件股份有限公司 一种基于大数据建立用户画像的方法及系统
CN109934619A (zh) * 2019-02-13 2019-06-25 北京三快在线科技有限公司 用户画像标签建模方法、装置、电子设备及可读存储介质
WO2019157928A1 (zh) * 2018-02-13 2019-08-22 阿里巴巴集团控股有限公司 一种获取多标签用户画像的方法和装置
CN111210326A (zh) * 2019-12-27 2020-05-29 大象慧云信息技术有限公司 一种用于构建用户画像的方法及系统

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101035038B1 (ko) * 2010-10-12 2011-05-19 한국과학기술정보연구원 분류기의 동적 결합에 의한 대용량 분류기 자동 생성 시스템 및 방법
CN108491893A (zh) * 2018-04-13 2018-09-04 贵州电网有限责任公司 一种基于深层森林算法的家庭用电负荷分类识别方法
CN110009527A (zh) * 2019-04-04 2019-07-12 国家电网有限公司 一种综合能源系统用户画像方法及系统
CN110276700A (zh) * 2019-06-24 2019-09-24 北京师范大学 水资源优化配置方法、装置、设备及存储介质
CN111105065A (zh) * 2019-09-26 2020-05-05 深圳市东深电子股份有限公司 一种基于机器学习的农村供水系统及供水方法
CN110619372A (zh) * 2019-09-27 2019-12-27 南通大学 一种高效精准的循环强化模糊分层目标识别方法
CN111723257B (zh) * 2020-06-24 2023-05-02 山东建筑大学 基于用水规律的用户画像方法与系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140188886A1 (en) * 2012-12-27 2014-07-03 Lookout, Inc. User classification based on data gathered from a computing device
WO2019157928A1 (zh) * 2018-02-13 2019-08-22 阿里巴巴集团控股有限公司 一种获取多标签用户画像的方法和装置
CN108629633A (zh) * 2018-05-09 2018-10-09 浪潮软件股份有限公司 一种基于大数据建立用户画像的方法及系统
CN109934619A (zh) * 2019-02-13 2019-06-25 北京三快在线科技有限公司 用户画像标签建模方法、装置、电子设备及可读存储介质
CN111210326A (zh) * 2019-12-27 2020-05-29 大象慧云信息技术有限公司 一种用于构建用户画像的方法及系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
YUQI CUI: "Optimize TSK Fuzzy Systems for Classification Problems:Mini-Batch Gradient Descent with Uniform Regularization and Batch Normalization", 《IEEE》 *
洪亮等: "国内电子商务网站推荐系统信息服务质量比较研究――以淘宝、京东、亚马逊为例", 《图书情报工作》 *
陈德旺: "面向可解释性人工智能与大数据的模糊系统发展展望", 《智能科学与技术学报》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021258635A1 (zh) * 2020-06-24 2021-12-30 山东建筑大学 基于用水规律的用户画像方法与系统
CN114943020A (zh) * 2022-04-13 2022-08-26 广东以诺通讯有限公司 一种智能家居水系统及基于该系统构建用户画像的方法
CN115375205A (zh) * 2022-10-25 2022-11-22 埃睿迪信息技术（北京）有限公司 一种用水用户画像的确定方法、装置及设备

Also Published As

Publication number Publication date
CN111723257B (zh) 2023-05-02
WO2021258635A1 (zh) 2021-12-30

Similar Documents

Publication Publication Date Title
CN111723257B (zh) 基于用水规律的用户画像方法与系统
CN106372072A (zh) 一种基于位置的移动社会网络用户关系的识别方法
CN109325116A (zh) 一种基于深度学习的城市事件自动分类派发方法及装置
CN108564227A (zh) 一种基于时空特征的轨道交通客流量预测方法
CN109272364A (zh) 自动估值模型建模方法
CN109583565A (zh) 基于注意力模型长短时记忆网络的洪水预测方法
CN111144468A (zh) 电力用户信息标签化方法和装置、电子设备以及存储介质
CN111950708B (zh) 一种发现大学生日常生活习惯的神经网络结构与方法
CN111382224B (zh) 一种基于多源数据融合的城市区域功能智能识别方法
CN109523021A (zh) 一种基于长短时记忆网络的动态网络结构预测方法
CN112330028A (zh) 基于谱聚类和lstm神经网络的电动公交车充电负荷预测方法
Chen et al. Next POI recommendation based on location interest mining with recurrent neural networks
Hafezi et al. Identification of representative patterns of time use activity through fuzzy C-means clustering
CN112419711B (zh) 基于改进gmdh算法的封闭式停车场停车需求预测方法
CN109754122A (zh) 一种基于随机森林特征提取的bp神经网络的数值预测方法
CN112084373A (zh) 一种基于图嵌入的多源异构网络用户对齐方法
CN115099450A (zh) 基于融合模型的家庭碳排放监测核算平台
Lee et al. An empirical investigation on the dynamic processes of activity scheduling and trip chaining
CN116681176A (zh) 一种基于聚类和异构图神经网络的交通流预测方法
CN108021980A (zh) 一种基于手机数据的精细尺度城市人群数量预测方法
CN113283576B (zh) 一种基于鲸鱼算法优化lstm的频谱感知方法
CN114091776A (zh) 一种基于K-means的多分支AGCNN短期电力负荷预测方法
CN110046540A (zh) 一种根据浏览历史和表情识别判断用户情绪的方法
CN113616209B (zh) 基于时空注意力机制的精神分裂症患者甄别方法
Bai et al. Screening the stones of Venice: Mapping social perceptions of cultural significance through graph-based semi-supervised classification

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