CN111860700B - 一种能耗分类方法、装置、存储介质及设备 - Google Patents
一种能耗分类方法、装置、存储介质及设备 Download PDFInfo
- Publication number
- CN111860700B CN111860700B CN202011001202.XA CN202011001202A CN111860700B CN 111860700 B CN111860700 B CN 111860700B CN 202011001202 A CN202011001202 A CN 202011001202A CN 111860700 B CN111860700 B CN 111860700B
- Authority
- CN
- China
- Prior art keywords
- clustering center
- energy level
- region
- clustering
- preset
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000005265 energy consumption Methods 0.000 title claims abstract description 116
- 238000000034 method Methods 0.000 title claims abstract description 51
- 239000006185 dispersion Substances 0.000 claims abstract description 43
- 238000004364 calculation method Methods 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 11
- 230000000694 effects Effects 0.000 description 8
- 238000012546 transfer Methods 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000003672 processing method Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009435 building construction Methods 0.000 description 1
- 239000004566 building material Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
- 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
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请公开了一种能耗分类方法、装置、存储介质及设备，该方法包括：首先根据区域的能耗数据，确定N个聚类中心节点，然后计算非聚类中心节点到N个聚类中心节点的距离，并根据该距离确定非聚类中心节点所属的初始能级，接着，在不满足预设停止条件时，重复确定N个聚类中心节点，直至满足预设停止条件，得到N个聚类分组、N个聚类中心节点以及所有节点所属的初始能级，作为预设能级个数N对应的初始能级分类结果，进而，在计算出N个聚类分组的综合组内离散度后，选择预设能级个数范围内对应最小综合组内离散度的预设能级个数作为最终的能级分类个数，并将其对应的初始能级分类结果作为区域的能级分类结果。
Description
技术领域
本申请涉及计算机技术领域，尤其涉及一种能耗分类方法、装置、存储介质及设备。
背景技术
近年来，随着社会经济的发展，以及我国的建筑业、交通行业等发展迅速，社会总能耗逐渐呈现上升的趋势。同时，我国正处在能源相对短缺的时期，因此，为了实现我国能源和经济的可持续发展，有必要设计出有效的能耗分级策略，以根据不同的能耗分类，制定相应的节能减排方案，即，为制定节能减排方案提供数据依据，从而能够有助于实现国家节能减排、充分利用能源的目标。
发明内容
本申请实施例的主要目的在于提供一种能耗分类方法、装置、存储介质及设备，能够动态、准确的对区域的能耗数据进行分类，提高分类效果，以便为制定该区域的节能减排方案提供数据依据，进而实现节能减排、充分利用能源的目标。
第一方面，本申请实施例提供了一种能耗分类方法，包括：
S1：根据区域的能耗数据，确定所述区域中的N个聚类中心节点；所述N为预设能级个数范围内的一个预设能级个数；所述N为大于0的正整数；
S2：计算所述区域中非聚类中心节点到所述N个聚类中心节点的距离，并根据所述距离确定所述非聚类中心节点所属的初始能级；
S3：根据所述非聚类中心节点所属的初始能级，重新确定所述区域中的N个聚类中心节点；
S4：在不满足预设停止条件时，重复执行步骤S2和S3，直至满足所述预设停止条件，得到所述区域的N个聚类分组、N个聚类中心节点以及所有节点所属的初始能级，作为预设能级个数N对应的初始能级分类结果；
S5：计算所述N个聚类分组的综合组内离散度；
S6：选择所述预设能级个数范围内对应最小综合组内离散度的预设能级个数作为最终的能级分类个数，并将其对应的初始能级分类结果作为所述区域的能级分类结果。
一种可能的实现方式中，所述根据区域的能耗数据，确定所述区域中的N个聚类中心节点，包括：
将区域的能耗数据进行分类，并获取每类能耗数据的N个分位数；
根据所述每类能耗数据的N个分位数，确定所述区域中的N个聚类中心节点。
一种可能的实现方式中，所述计算所述区域中非聚类中心节点到所述N个聚类中心节点的距离，并根据所述距离确定所述非聚类中心节点所属的初始能级，包括：
根据所述区域中非聚类中心节点对应的能耗数据与所述N个聚类中心节点对应的能耗数据之间的整体标准差，计算所述非聚类中心节点到所述N个聚类中心节点的距离；
选择所述非聚类中心节点到所述N个聚类中心节点的距离中的最小值对应的聚类中心节点的初始能级，作为所述非聚类中心节点所属的初始能级。
一种可能的实现方式中，所述预设停止条件为所述聚类中心节点不再发生变更。
一种可能的实现方式中，所述综合组内离散度是在预设能级个数为N时，所述N个聚类分组中各个节点到组内聚类中心节点的平均距离。
第二方面，本申请实施例还提供了一种能耗分类装置，包括：
第一确定单元，用于根据区域的能耗数据，确定所述区域中的N个聚类中心节点；所述N为预设能级个数范围内的一个预设能级个数；所述N为大于0的正整数；
第一计算单元，用于计算所述区域中非聚类中心节点到所述N个聚类中心节点的距离，并根据所述距离确定所述非聚类中心节点所属的初始能级；
第二确定单元，用于根据所述非聚类中心节点所属的初始能级，重新确定所述区域中的N个聚类中心节点；
第一获得单元，用于在不满足预设停止条件时，重复执行如上所述能耗分类方法的步骤S2和S3，直至满足所述预设停止条件，得到所述区域的N个聚类分组、N个聚类中心节点以及所有节点所属的初始能级，作为预设能级个数N对应的初始能级分类结果；
第二计算单元，用于计算所述N个聚类分组的综合组内离散度；
第二获得单元，用于选择所述预设能级个数范围内对应最小综合组内离散度的预设能级个数作为最终的能级分类个数，并将其对应的初始能级分类结果作为所述区域的能级分类结果。
一种可能的实现方式中，所述第一确定单元包括：
分类子单元，用于将区域的能耗数据进行分类，并获取每类能耗数据的N个分位数；
第一确定子单元，用于根据所述每类能耗数据的N个分位数，确定所述区域中的N个聚类中心节点。
一种可能的实现方式中，所述第一计算单元包括：
第一计算子单元，用于根据所述区域中非聚类中心节点对应的能耗数据与所述N个聚类中心节点对应的能耗数据之间的整体标准差，计算所述非聚类中心节点到所述N个聚类中心节点的距离；
选择子单元，用于选择所述非聚类中心节点到所述N个聚类中心节点的距离中的最小值对应的聚类中心节点的初始能级，作为所述非聚类中心节点所属的初始能级。
一种可能的实现方式中，所述预设停止条件为所述聚类中心节点不再发生变更。
一种可能的实现方式中，所述综合组内离散度是在预设能级个数为N时，所述N个聚类分组中各个节点到组内聚类中心节点的平均距离。
第三方面，本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在终端设备上运行时，使得所述终端设备执行上述的能耗分类方法。
第四方面，本申请实施例还提供了一种能耗分类设备，包括：存储器，处理器，及存储在所述存储器上并可在所述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，实现上述的能耗分类方法。
本申请实施例提供的一种能耗分类方法、装置、存储介质及设备，首先根据区域的能耗数据，确定区域中的N个聚类中心节点，然后，计算区域中非聚类中心节点到N个聚类中心节点的距离，并根据该距离确定非聚类中心节点所属的初始能级，用以重新确定区域中的N个聚类中心节点，接着，在不满足预设停止条件时，重复确定区域中的N个聚类中心节点，直至满足预设停止条件，得到区域的N个聚类分组、N个聚类中心节点以及所有节点所属的初始能级，作为预设能级个数N对应的初始能级分类结果，进而，可计算出N个聚类分组的综合组内离散度，最后，可以选择预设能级个数范围内对应最小综合组内离散度的预设能级个数作为最终的能级分类个数，并将其对应的初始能级分类结果作为区域的能级分类结果。可见，本申请实施例是利用聚类算法动态获取聚类中心节点，用以实现自动且快速地对区域的能耗数据进行动态能级划分，并确定出能级分类效果，且该能级分类结果消除了基于人工标准分类的主观性带来的影响，准确性更高，从而为制定该区域的节能减排方案提供数据依据，进而实现节能减排、充分利用能源的目标。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，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为本申请实施例提供的一种能耗分类方法的流程示意图；
图2为本申请实施例提供的另一种能耗分类方法的流程示意图；
图3为本申请实施例提供的一种能耗分类装置的结构示意图。
具体实施方式
发明人经过研究发现，目前的能耗分类方法通常较为繁琐，且效率低下，较为依赖人工进行分类，主观性强、难以量化，不仅分类的效率低，分类的准确性也不高。
以交通行业的地铁车站等级划分为例，随着社会的发展，交通方式越来越多，地铁是很重要的一种出行方式，它对于一个城市的建设具有重要意义，有利于引导和实现城市可持续发展，并且逐渐成为居民出行的首要选择，因此对于地铁车站的等级进行分类变得尤为重要。但目前对于地铁车站的等级进行分类的方法，通常是根据每个地铁车站的周围居住人口、客流量以及是否为换乘站等数据，基于人工标准划分各个等级以及每一等级的数量阈值，即，按照固定数量阈值的标准对地铁车站的等级进行分类。
具体来讲，目前的地铁车站等级从高到低分为8个等级（分别为S1、S2、A1、A2、B1、B2、C1和C2），可基于人工标准根据每一地铁车站周围居住人口、客流量以及是否为换乘站等数据进行等级划分。例如，可以根据地铁车站是否为换乘站对其进行等级划分，将换乘地铁车站划分为高等级，将非换乘地铁划分为低等级。以及将客流量低于30万的地铁车站归属第8等级（如C2等级），将客流量位于30万-50万的地铁车站归属第7等级（如C1等级）等。以及将周围居住人口低于3万的地铁车站归属第8等级（如C2等级）、将周围居住人口低于3万-5万的地铁车站归属第7等级（如C1等级）等。
但这种基于人工标准进行分类的方式，主观性强、难以量化，不仅分类的效率低，分类的准确性也不高。并且，随着地铁车站数量的动态增加，若仍按照这种固定数量阈值的标准进行等级划分，也会导致地铁车站的整体分类无法达到很好的等级分类效果。
为解决上述缺陷，本申请实施例提供了一种能耗分类方法，首先根据区域的能耗数据，确定区域中的N个聚类中心节点，然后，计算区域中非聚类中心节点到N个聚类中心节点的距离，并根据该距离确定非聚类中心节点所属的初始能级，用以重新确定区域中的N个聚类中心节点，接着，在不满足预设停止条件时，重复确定区域中的N个聚类中心节点，直至满足预设停止条件，得到区域的N个聚类分组、N个聚类中心节点以及所有节点所属的初始能级，作为预设能级个数N对应的初始能级分类结果，进而，可计算出N个聚类分组的综合组内离散度，最后，可以选择预设能级个数范围内对应最小综合组内离散度的预设能级个数作为最终的能级分类个数，并将其对应的初始能级分类结果作为区域的能级分类结果。可见，本申请实施例是利用聚类算法动态获取聚类中心节点，用以实现自动且快速地对区域的能耗数据进行动态能级划分，并确定出能级分类效果，且该能级分类结果消除了基于人工标准分类的主观性带来的影响，准确性更高，从而为制定该区域的节能减排方案提供数据依据，进而实现节能减排、充分利用能源的目标。
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
第一实施例
参见图1，为本实施例提供的一种能耗分类方法的流程示意图，该方法包括以下步骤：
S1：根据区域的能耗数据，确定区域中的N个聚类中心节点；其中，N为预设能级个数范围内的一个预设能级个数；N为大于0的正整数。
本申请实施例中，区域的能耗数据可以是在应用场景下参与分类的能耗数据。当应用场景为建筑业时，则区域的能耗数据可以是建筑材料制造、建筑施工、以及建筑使用的全过程能耗；或者，当应用场景为交通行业的运行场景时，则区域的能耗数据可以为地铁车站的等级特征数据等。在获取到区域的能耗数据后，可以利用现有或未来出现的数据处理方法，对其进行处理，以根据处理结果，确定区域中的N个聚类中心节点，用以执行后续步骤S2。
其中，N为预设能级个数范围内的一个预设等级个数，且N为大于0的正整数。需要说明的是，预设能级个数范围的具体取值可根据实际情况、业务需求和经验值进行确定，本申请实施例对此不进行限定，进而可通过本申请后续步骤选择出该范围内的最优能级个数，用以对区域的能耗数据进行分类。比如，可以将预设能级个数范围取值为[6,10]，即，N可以取值为6、7、8、9、10这5个数字中的任何一个，假设将N取值为6，则通过步骤S1可以根据区域的能耗数据，确定区域中的6个聚类中心节点。
需要说明的是，为了加快聚类速度，在本实施例的一种可能的实现方式中，本步骤S1中“根据区域的能耗数据，确定所述区域中的N个聚类中心节点”的具体实现过程可以包括下述步骤（1）-（2）：
步骤（1）：将区域的能耗数据进行分类，并获取每类能耗数据的N个分位数。
在本实现方式中，为了加快聚类速度，在获取到区域的能耗数据后，首先可以将区域的能耗数据进行分类，并获取能耗数据的N个分位数，用以执行后续步骤（2）。
步骤（2）：根据所述每类能耗数据的N个分位数，确定所述区域中的N个聚类中心节点。
在本实现方式中，通过步骤（1）获取到每类能耗数据的N个分位数后，进一步可以对每类能耗数据的N个分位数进行综合分析，将每类等能耗数据靠近同一顺序分位数的节点，作为聚类中心节点，进而可以确定出N个聚类中心节点。
S2：计算区域中非聚类中心节点到N个聚类中心节点的距离，并根据距离确定非聚类中心节点所属的初始能级。
在本实施例中，通过步骤S1确定出N个聚类中心节点后，进一步根据对区域中节点对应的能耗数据进行处理的结果，计算出区域中其他非聚类中心节点分别到这N个聚类中心节点的距离，并将其中最小距离所对应的聚类中心节点对应的初始能级作为该非聚类中心节点所属的初始能级。
具体来讲，一种可选的实现方式是，本步骤S2的具体实现过程可以包括下述步骤1）-步骤2）：
步骤1）：根据区域中非聚类中心节点对应的能耗数据与N个聚类中心节点对应的能耗数据之间的整体标准差，计算非聚类中心节点到N个聚类中心节点的距离。
在本实现方式中，为了确定各个节点所属的等级，首先可以计算出区域中非聚类中心节点对应的各类能耗数据与N个聚类中心节点对应类型的能耗数据之间的整体标准差，计算出非聚类中心节点到N个聚类中心节点的距离，并且，为了解决不同量纲所引起的距离偏差，即，为了解决不同类型能耗数据的数据单位不一致的所引起的距离偏差，本申请实施例采用标准化距离计算方式，具体计算公式如下：
其中，
表示第i个节点
到第j个聚类中心节点
的距离；
表示第k个类型的能耗数据对应的权重，
的取值是由人工根据实际情况设定的，用于为业务上更看重的类型的能耗数据设定更高的系数，以客流量、居住人口和站点量级三类能耗数据为例，若将三者对应的
按序分别设定为0.4、0.4、0.2，则表明业务上更看重的能耗数据为客流量和居住人口；m表示能耗数据的类型总数量；n表示非
的其他节点；
表示第i个节点
对应的第k个类型的能耗数据
与第j个聚类中心节点
对应的第k个类型的能耗数据
之间的整体标准差
。
步骤2）：选择非聚类中心节点到N个聚类中心节点的距离中的最小值对应的聚类中心节点的初始能级，作为非聚类中心节点所属的初始能级。
通过步骤1）计算出非聚类中心节点到N个聚类中心节点的距离后，进一步可以从中选择出最小距离至对应的聚类中心节点所属的初始能级，作为该非聚类中心节点所属的初始能级。
S3：根据非聚类中心节点所属的初始能级，重新确定区域中的N个聚类中心节点。
在本实施例中，通过步骤S2确定出非聚类中心节点所属的初始能级后，即确定出区域中节点的N个聚类分组后，进一步还需要根据每个非聚类中心节点所属的初始能级，重新计算出每个初始能级对应的聚类分组中的聚类中心节点，具体的聚类过程，与现有方法一致，在此不再赘述。
S4：在不满足预设停止条件时，重复执行步骤S2和S3，直至满足预设停止条件，得到所述区域的N个聚类分组、N个聚类中心节点以及所有节点所属的初始能级，作为预设能级个数N对应的初始能级分类结果。
在本实施例中，当聚类计算后得到的聚类中心节点在不满足预设停止条件时，可以重复执行步骤S2和S3，重复更新聚类中心节点，直至满足预设停止条件，得到区域中节点的N个聚类分组、N个聚类中心节点以及所有节点所属的初始能级，并将这些数据作为预设能级个数N对应的初始能级分类结果。
一种可选的实现方式是，预设停止条件为聚类中心节点车站不再发生变更。则当聚类计算后得到的聚类中心节点仍在不断发生变更时，可以重复执行步骤S2和S3，重复更新聚类中心节点，直至聚类计算后得到的聚类中心节点不再发生变更，即本次聚类计算后得到的各个聚类中心节点与上次聚类计算后得到的各个聚类中心节点是完全一致的，此时，则可以将得到区域的N个聚类分组、N个聚类中心节点以及所有节点所属的初始能级，作为预设能级个数N对应的初始能级分类结果。
S5：计算N个聚类分组的综合组内离散度。
在本实施例中，通过步骤S4得到区域的N个聚类分组后，进一步可以计算出这N个聚类分组的综合组内离散度。其中，综合组内离散度指的是在预设能级个数为N时，这N个聚类分组中各个节点到组内聚类中心节点的平均距离，具体计算公式如下：
其中，
表示这N个聚类分组的综合组内离散度；
表示N个聚类分组中第z分组的聚类中心节点；
表示第z分组中的第i个非聚类中心节点；x表示第z分组中非聚类中心节点的总个数；
表示
到
的距离，可通过上述公式（1）计算得到。
S6：选择预设能级个数范围内对应最小综合组内离散度的预设能级个数作为最终的能级分类个数，并将其对应的初始能级分类结果作为区域的能级分类结果。
在本实施例中，通过执行上述步骤S1-S5可以计算出预设能级个数范围内的每个预设能级个数对应的预设能级个数的聚类分组的综合组内离散度；该综合组内离散度越小，表明该预设能级个数对应的预设能级个数的聚类分组中的节点之间距离越小，节点分布越聚集，进而对应的能级分类结果也是最准确的。
因此，可以选择预设能级个数范围内对应最小综合组内离散度的预设能级个数作为最终的能级分类个数，并将其对应的初始能级分类结果作为区域的最终的能级分类结果。即，可以将区域分为该最终的能级分类个数个聚类分组及其聚类中心节点，且每一聚类分组对应一个能级，即，每一聚类分组中的节点都归属于该组中聚类中心节点所对应的能级。
综上，本实施例提供的一种能耗分类方法，首先根据区域的能耗数据，确定区域中的N个聚类中心节点，然后，计算区域中非聚类中心节点到N个聚类中心节点的距离，并根据该距离确定非聚类中心节点所属的初始能级，用以重新确定区域中的N个聚类中心节点，接着，在不满足预设停止条件时，重复确定区域中的N个聚类中心节点，直至满足预设停止条件，得到区域的N个聚类分组、N个聚类中心节点以及所有节点所属的初始能级，作为预设能级个数N对应的初始能级分类结果，进而，可计算出N个聚类分组的综合组内离散度，最后，可以选择预设能级个数范围内对应最小综合组内离散度的预设能级个数作为最终的能级分类个数，并将其对应的初始能级分类结果作为区域的能级分类结果。可见，本申请实施例是利用聚类算法动态获取聚类中心节点，用以实现自动且快速地对区域的能耗数据进行动态能级划分，并确定出能级分类效果，且该能级分类结果消除了基于人工标准分类的主观性带来的影响，准确性更高，从而为制定该区域的节能减排方案提供数据依据，进而实现节能减排、充分利用能源的目标。
第二实施例
本实施例将结合具体的应用场景对本申请第一实施例提供的一种能耗分类方法进行详细说明。以下将以交通行业的地铁车站等级划分为例，以及将地铁车站的等级特征数据作为区域的能耗数据为例进行说明，参见图2，为本实施例提供的另一种能耗分类方法的流程示意图，该方法包括以下步骤：
S21：根据地铁车站的等级特征数据，确定地铁车站中的N个聚类中心车站；其中，N为预设等级个数范围内的一个预设等级个数；N为大于0的正整数。
在本实施例中，将地铁车站的等级特征数据作为区域的能耗数据，为了能够更加快速、准确的对地铁车站的等级进行分类，提高分类效果，首先需要获取地铁车站的等级特征数据，然后，可以利用现有或未来出现的数据处理方法，对地铁车站的等级特征数据进行处理，以根据处理结果，确定地铁车站中的N个聚类中心车站，用以执行后续步骤S22。
其中，N为预设等级个数范围内的一个预设等级个数，且N为大于0的正整数。需要说明的是，预设等级个数范围的具体取值可根据实际情况、业务需求和经验值进行确定，本申请实施例对此不进行限定，进而可通过本申请后续步骤选择出该范围内的最优等级个数，用以对地铁车站的等级特征数据进行分类。比如，基于目前的地铁车站等级是从高到低分为8个等级，则可以将预设等级个数范围取值为[6,10]，即，N可以取值为6、7、8、9、10这5个数字中的任何一个，假设将N取值为6，则通过步骤S1可以根据地铁车站的等级特征数据，确定地铁车站中的6个聚类中心车站。
地铁车站的等级特征数据指的是每个地铁车站的周围居住人口、客流量以及是否为换乘站等数据，比如，可以获取到地铁车站周边1.5千米范围内居住的人口数量、车站每天的客流量以及是否为换乘车站等，在对这些数据进行处理后，可以确定地铁车站中的N个聚类中心车站，用以执行后续步骤S22。
需要说明的是，为了加快聚类速度，在本实施例的一种可能的实现方式中，本步骤S21中“根据等级特征数据，确定地铁车站中的N个聚类中心车站”的具体实现过程可以包括下述步骤A1-A2：
步骤A1：将地铁车站的等级特征数据进行分类，并获取每类等级特征数据的N个分位数。
在本实现方式中，为了加快聚类速度，在获取到地铁车站的等级特征数据后，首先可以将地铁车站的等级特征数据进行分类，比如，可以分为居住人口数据、客流量数据以及站点量级（即是否为换乘站）这三类数据，并获取等级特征数据的N个分位数，用以执行后续步骤A2。
举例说明：当等级特征数据为居住人口数据，N为6时，假设地铁车站周围居住人口范围通常是小于120万的，则可以将获取120万中的6个分位数分别为20万、40万、60万、80万、100万和120万。同理，可以获取到客流量数据和站点量级各自对应的6个分位数。
步骤A2：根据每类等级特征数据的N个分位数，确定地铁车站中的N个聚类中心车站。
在本实现方式中，通过步骤A1获取到每类等级特征数据的N个分位数后，进一步可以对每类等级特征数据的N个分位数进行综合分析，将每类等级特征数据靠近同一顺序分位数的地铁车站，作为聚类中心车站，进而可以确定出N个聚类中心车站。
举例说明：基于上述举例，假设地铁车站周围居住人口中的6个分位数分别为20万、40万、60万、80万、100万和120万。客流量数据中的6个分位数分别为30万、40万、50万、60万、70万和80万。站点量级中的6个分位数分别为无地铁线交汇、2条地铁线交汇、3条地铁线交汇、4条地铁线交汇、5条地铁线交汇、6条以上地铁线交汇。则可以选择周围居住人口在20万左右、客流量在30万左右、且无地铁线交汇的地铁车站作为第1个聚类中心车站，同理，可以选择周围居住人口在40万左右、客流量在40万左右、且有2条地铁线交汇的地铁车站作为第2个聚类中心车站，以此类推，可以选择出6个聚类中心车站。
S22：计算地铁车站中非聚类中心车站到N个聚类中心车站的距离，并根据该距离确定非聚类中心车站所属的初始等级。
在本实施例中，通过步骤S21确定出N个聚类中心车站后，进一步根据对地铁车站对应的等级特征数据进行处理的结果，计算出地铁车站中其他非聚类中心车站分别到这N个聚类中心车站的距离，并将其中最小距离所对应的聚类中心车站对应的初始等级作为该非聚类中心车站所属的初始等级。
具体来讲，一种可选的实现方式是，本步骤S22的具体实现过程可以包括下述步骤B1-B2：
步骤B1：根据地铁车站中非聚类中心车站对应的等级特征数据与N个聚类中心车站对应的等级特征数据之间的整体标准差，计算非聚类中心车站到N个聚类中心车站的距离。
在本实现方式中，为了确定各个地铁车站所属的等级，首先可以计算出地铁车站中非聚类中心车站对应的各类等级特征数据与N个聚类中心车站对应类型的等级特征数据之间的整体标准差，计算出非聚类中心车站到N个聚类中心车站的距离，并且，为了解决不同量纲所引起的距离偏差，即，为了解决客流量、居住人口和站点量级的数据单位不一致的所引起的距离偏差，本申请实施例采用标准化距离计算方式，具体计算公式如下（即上述公式（1））：
其中，
表示第i个车站
到第j个聚类中心车站
的距离；
表示第k个类型的等级特征数据对应的权重，
的取值是由人工根据实际情况设定的，用于为业务上更看重的类型的等级特征数据设定更高的系数，以客流量、居住人口和站点量级三类等级特征数据为例，若将三者对应的
按序分别设定为0.4、0.4、0.2，则表明业务上更看重的等级特征数据为客流量和居住人口；m表示等级特征数据的类型总数量；n表示非
的其他站点；
表示第i个车站
对应的第k个类型的等级特征数据
与第j个聚类中心车站
对应的第k个类型的等级特征数据
之间的整体标准差
。
步骤B2：选择所述非聚类中心车站到所述N个聚类中心车站的距离中的最小值对应的聚类中心车站的初始等级，作为非聚类中心车站所属的初始等级。
通过步骤B1计算出非聚类中心车站到N个聚类中心车站的距离后，进一步可以从中选择出最小距离至对应的聚类中心车站所属的初始等级，作为该非聚类中心车站所属的初始等级。
S23：根据非聚类中心车站所属的初始等级，重新确定地铁车站中的N个聚类中心车站。
在本实施例中，通过步骤S22确定出非聚类中心车站所属的初始等级后，即确定出地铁车站中的N个聚类分组后，进一步还需要根据每个非聚类中心车站所属的初始等级，重新计算出每个初始等级对应的聚类分组中的聚类中心车站，具体的聚类过程，与现有方法一致，在此不再赘述。
S24：在不满足预设停止条件时，重复执行步骤S22和S23，直至满足预设停止条件，得到地铁车站的N个聚类分组、N个聚类中心车站以及所有车站所属的初始等级，作为预设等级个数N对应的初始等级分类结果。
在本实施例中，当聚类计算后得到的聚类中心车站在不满足预设停止条件时，可以重复执行步骤S22和S23，重复更新聚类中心车站，直至满足预设停止条件，得到地铁车站的N个聚类分组、N个聚类中心车站以及所有车站所属的初始等级，并将这些数据作为预设等级个数N对应的初始等级分类结果。
一种可选的实现方式是，预设停止条件为聚类中心车站不再发生变更。则当聚类计算后得到的聚类中心车站仍在不断发生变更时，可以重复执行步骤S22和S23，重复更新聚类中心车站，直至聚类计算后得到的聚类中心车站不再发生变更，即本次聚类计算后得到的各个聚类中心车站与上次聚类计算后得到的各个聚类中心车站是完全一致的，此时，则可以将得到地铁车站的N个聚类分组、N个聚类中心车站以及所有车站所属的初始等级，作为预设等级个数N对应的初始等级分类结果。
S25：计算N个聚类分组的综合组内离散度。
在本实施例中，通过步骤S24得到地铁车站的N个聚类分组后，进一步可以计算出这N个聚类分组的综合组内离散度。其中，综合组内离散度指的是在预设等级个数为N时，这N个聚类分组中各个地铁车站到组内聚类中心车站的平均距离，具体计算公式如下（即上述公式（2））：
其中，
表示这N个聚类分组的综合组内离散度；
表示N个聚类分组中第z分组的聚类中心车站；
表示第z分组中的第i个非聚类中心车站；x表示第z分组中非聚类中心车站的总个数；
表示
到
的距离，可通过上述公式（1）计算得到。
S26：选择所述预设等级个数范围内对应最小综合组内离散度的预设等级个数作为最终的等级分类个数，并将其对应的初始等级分类结果作为所述地铁车站的等级分类结果。
在本实施例中，通过执行上述步骤S21-S25可以计算出预设等级个数范围内的每个预设等级个数对应的预设等级个数的聚类分组的综合组内离散度；该综合组内离散度越小，表明该预设等级个数对应的预设等级个数的聚类分组中的车站之间距离越小，车站分布越聚集，进而对应的等级分类结果也是最准确的。
因此，可以选择预设等级个数范围内对应最小综合组内离散度的预设等级个数作为最终的等级分类个数，并将其对应的初始等级分类结果作为地铁车站的最终的等级分类结果。即，可以将地铁车站分为该最终的等级分类个数个聚类分组及其聚类中心车站，且每一聚类分组对应一个等级，即，每一聚类分组中的车站都归属于该组中聚类中心车站所对应的等级。
举例说明：以最终的等级分类个数为6为例，则最终是将地铁车站分为6个聚类分组及对应的6个聚类中心车站，且每一聚类分组对应一个等级，即每一聚类分组中的车站都归属于该组中聚类中心车站所对应的等级，
综上，本实施例提供的一种地铁车站的等级分类方法，首先根据地铁车站的等级特征数据，确定地铁车站中的N个聚类中心车站，然后，计算地铁车站中非聚类中心车站到N个聚类中心车站的距离，并根据该距离确定非聚类中心车站所属的初始等级，用以重新确定地铁车站中的N个聚类中心车站，接着，在不满足预设停止条件时，重复确定地铁车站中的N个聚类中心车站，直至满足预设停止条件，得到地铁车站的N个聚类分组、N个聚类中心车站以及所有车站所属的初始等级，作为预设等级个数N对应的初始等级分类结果，进而，可计算出N个聚类分组的综合组内离散度，最后，可以选择预设等级个数范围内对应最小综合组内离散度的预设等级个数作为最终的等级分类个数，并将其对应的初始等级分类结果作为地铁车站的等级分类结果。可见，本申请实施例是利用聚类算法动态获取聚类中心车站，用以实现自动且快速地对地铁车站进行动态等级划分，并确定出等级分类效果，且该等级分类结果消除了基于人工标准分类的主观性带来的影响，准确性更高，从而能够为更多的乘客提供有针对性的服务，进而提升乘客体验。
第三实施例
本实施例将对一种能耗分类装置进行介绍，相关内容请参见上述方法实施例。
参见图3，为本实施例提供的一种能耗分类装置的组成示意图，该装置包括：
第一确定单元301，用于根据区域的能耗数据，确定所述区域中的N个聚类中心节点；所述N为预设能级个数范围内的一个预设个数；所述N为大于0的正整数；
第一计算单元302，用于计算所述区域中非聚类中心节点到所述N个聚类中心节点的距离，并根据所述距离确定所述非聚类中心节点所属的初始能级；
第二确定单元303，用于根据所述非聚类中心节点所属的初始能级，重新确定所述区域中的N个聚类中心节点；
第一获得单元304，用于在不满足预设停止条件时，重复执行上述实施例中能耗分类方法的步骤S2和S3，直至满足所述预设停止条件，得到所述区域的N个聚类分组、N个聚类中心节点以及所有车站所属的初始能级，作为预设等级个数N对应的初始能级分类结果；
第二计算单元305，用于计算所述N个聚类分组的综合组内离散度；
第二获得单元306，用于选择所述预设能级个数范围内对应最小综合组内离散度的预设能级个数作为最终的能级分类个数，并将其对应的初始能级分类结果作为所述能级的能级分类结果。
在本实施例的一种实现方式中，所述第一确定单元301包括：
分类子单元，用于将区域的能耗数据进行分类，并获取每类等级特征数据的N个分位数；
第一确定子单元，用于根据所述每类能耗数据的N个分位数，确定所述区域中的N个聚类中心节点。
在本实施例的一种实现方式中，所述第一计算单元302包括：
第一计算子单元，用于根据所述区域中非聚类中心节点对应的能耗数据与所述N个聚类中心车站对应的能耗数据之间的整体标准差，计算所述非聚类中心节点到所述N个聚类中心节点的距离；
选择子单元，用于选择所述非聚类中心节点到所述N个聚类中心节点的距离中的最小值对应的聚类中心节点的初始能级，作为所述非聚类中心节点所属的初始能级。
在本实施例的一种实现方式中，所述预设停止条件为所述聚类中心节点不再发生变更。
在本实施例的一种实现方式中，所述综合组内离散度是在预设能级个数为N时，所述N个聚类分组中各个节点到组内聚类中心节点的平均距离。
综上，本实施例提供的一种能耗分类装置，首先根据区域的能耗数据，确定区域中的N个聚类中心节点，然后，计算区域中非聚类中心节点到N个聚类中心节点的距离，并根据该距离确定非聚类中心节点所属的初始能级，用以重新确定区域中的N个聚类中心节点，接着，在不满足预设停止条件时，重复确定区域中的N个聚类中心节点，直至满足预设停止条件，得到区域的N个聚类分组、N个聚类中心节点以及所有节点所属的初始能级，作为预设能级个数N对应的初始能级分类结果，进而，可计算出N个聚类分组的综合组内离散度，最后，可以选择预设能级个数范围内对应最小综合组内离散度的预设能级个数作为最终的能级分类个数，并将其对应的初始能级分类结果作为区域的能级分类结果。可见，本申请实施例是利用聚类算法动态获取聚类中心节点，用以实现自动且快速地对区域的能耗数据进行动态能级划分，并确定出能级分类效果，且该能级分类结果消除了基于人工标准分类的主观性带来的影响，准确性更高，从而为制定该区域的节能减排方案提供数据依据，进而实现节能减排、充分利用能源的目标。
另外，本申请实施例还提供了一种计算机可读存储介质，所述机算机可读存储介质中存储有指令，当所述指令在终端设备上运行时，使得所述终端设备执行上述的能耗分类方法。
本申请实施例还提供了一种数据处理设备，包括：存储器，处理器，及存储在所述存储器上并可在所述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，实现如上述的能耗分类方法。
本申请实施例还提供了一种计算机程序产品，所述计算机程序产品在终端设备上运行时，使得所述终端设备执行所述的能耗分类方法。
当介绍本申请的各种实施例的元件时，冠词“一”、“一个”、“这个”和“所述”都意图表示有一个或多个元件。词语“包括”、“包含”和“具有”都是包括性的并意味着除了列出的元件之外，还可以有其它元件。
需要说明的是，本领域普通技术人员可以理解实现上述方法实施例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，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法实施例的流程。其中，所述存储介质可为磁碟、光盘、只读存储记忆体（Read-Only Memory, ROM）或随机存储记忆体（Random Access Memory, RAM）等。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元及模块可以是或者也可以不是物理上分开的。另外，还可以根据实际的需要选择其中的部分或者全部单元和模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
以上所述仅是本申请的具体实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。
Claims (12)
1.一种能耗分类方法，其特征在于，包括：
S1：根据区域的能耗数据，确定所述区域中的N个聚类中心节点；所述N为预设能级个数范围内的一个预设能级个数；所述N为大于0的正整数；
S2：计算所述区域中非聚类中心节点到所述N个聚类中心节点的距离，并根据所述距离确定所述非聚类中心节点所属的初始能级；
S3：根据所述非聚类中心节点所属的初始能级，重新确定所述区域中的N个聚类中心节点；
S4：在不满足预设停止条件时，重复执行步骤S2和S3，直至满足所述预设停止条件，得到所述区域的N个聚类分组、N个聚类中心节点以及所有节点所属的初始能级，作为预设能级个数N对应的初始能级分类结果；
S5：计算所述N个聚类分组的综合组内离散度；
S6：选择所述预设能级个数范围内对应最小综合组内离散度的预设能级个数作为最终的能级分类个数，并将其对应的初始能级分类结果作为所述区域的能级分类结果。
2.根据权利要求1所述的方法，其特征在于，所述根据区域的能耗数据，确定所述区域中的N个聚类中心节点，包括：
将区域的能耗数据进行分类，并获取每类能耗数据的N个分位数；
根据所述每类能耗数据的N个分位数，确定所述区域中的N个聚类中心节点。
3.根据权利要求1所述的方法，其特征在于，所述计算所述区域中非聚类中心节点到所述N个聚类中心节点的距离，并根据所述距离确定所述非聚类中心节点所属的初始能级，包括：
根据所述区域中非聚类中心节点对应的能耗数据与所述N个聚类中心节点对应的能耗数据之间的整体标准差，计算所述非聚类中心节点到所述N个聚类中心节点的距离；
选择所述非聚类中心节点到所述N个聚类中心节点的距离中的最小值对应的聚类中心节点的初始能级，作为所述非聚类中心节点所属的初始能级。
4.根据权利要求1所述的方法，其特征在于，所述预设停止条件为所述聚类中心节点不再发生变更。
5.根据权利要求1至4任一所述的方法，其特征在于，所述综合组内离散度是在预设能级个数为N时所述N个聚类分组中各个节点到组内聚类中心节点的平均距离。
6.一种能耗分类装置，其特征在于，包括：
第一确定单元，用于根据区域的能耗数据，确定所述区域中的N个聚类中心节点；所述N为预设能级个数范围内的一个预设能级个数；所述N为大于0的正整数；
第一计算单元，用于计算所述区域中非聚类中心节点到所述N个聚类中心节点的距离，并根据所述距离确定所述非聚类中心节点所属的初始能级；
第二确定单元，用于根据所述非聚类中心节点所属的初始能级，重新确定所述区域中的N个聚类中心节点；
第一获得单元，用于在不满足预设停止条件时，重复执行如权利要求1所述的步骤S2和S3，直至满足所述预设停止条件，得到所述区域的N个聚类分组、N个聚类中心节点以及所有节点所属的初始能级，作为预设能级个数N对应的初始能级分类结果；
第二计算单元，用于计算所述N个聚类分组的综合组内离散度；
第二获得单元，用于选择所述预设能级个数范围内对应最小综合组内离散度的预设能级个数作为最终的能级分类个数，并将其对应的初始能级分类结果作为所述区域的能级分类结果。
7.根据权利要求6所述的装置，其特征在于，所述第一确定单元包括：
分类子单元，用于将区域的能耗数据进行分类，并获取每类能耗数据的N个分位数；
第一确定子单元，用于根据所述每类能耗数据的N个分位数，确定所述区域中的N个聚类中心节点。
8.根据权利要求6所述的装置，其特征在于，所述第一计算单元包括：
第一计算子单元，用于根据所述区域中非聚类中心节点对应的能耗数据与所述N个聚类中心节点对应的能耗数据之间的整体标准差，计算所述非聚类中心节点到所述N个聚类中心节点的距离；
选择子单元，用于选择所述非聚类中心节点到所述N个聚类中心节点的距离中的最小值对应的聚类中心节点的初始能级，作为所述非聚类中心节点所属的初始能级。
9.根据权利要求6所述的装置，其特征在于，所述预设停止条件为所述聚类中心节点不再发生变更。
10.根据权利要求6至9任一项所述的装置，其特征在于，所述综合组内离散度是在预设能级个数为N时，所述N个聚类分组中各个节点到组内聚类中心节点的平均距离。
11.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有指令，当所述指令在终端设备上运行时，使得所述终端设备执行权利要求1-5任一项所述的能耗分类方法。
12.一种能耗分类设备，其特征在于，包括：存储器，处理器，及存储在所述存储器上并可在所述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，实现如权利要求1-5任一项所述的能耗分类方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011001202.XA CN111860700B (zh) | 2020-09-22 | 2020-09-22 | 一种能耗分类方法、装置、存储介质及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011001202.XA CN111860700B (zh) | 2020-09-22 | 2020-09-22 | 一种能耗分类方法、装置、存储介质及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111860700A CN111860700A (zh) | 2020-10-30 |
| CN111860700B true CN111860700B (zh) | 2020-12-15 |
Family
ID=72968515
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011001202.XA Active CN111860700B (zh) | 2020-09-22 | 2020-09-22 | 一种能耗分类方法、装置、存储介质及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111860700B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114648163A (zh) * | 2022-03-22 | 2022-06-21 | 长沙军民先进技术研究有限公司 | 一种适用于智慧城市的能耗数据管理系统及方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109558905A (zh) * | 2018-11-23 | 2019-04-02 | 北京信息科技大学 | 一种基于K-means的能耗感知的数据分类方法 |
| CN109657711A (zh) * | 2018-12-10 | 2019-04-19 | 广东浪潮大数据研究有限公司 | 一种图像分类方法、装置、设备及可读存储介质 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9185646B2 (en) * | 2012-07-03 | 2015-11-10 | Samsung Electronics Co., Ltd. | Apparatus and method for wireless communication networks with energy harvesting |
| CN103914518B (zh) * | 2014-03-14 | 2017-05-17 | 小米科技有限责任公司 | 聚类方法及相关装置 |
| FR3032786B1 (fr) * | 2015-02-17 | 2017-03-24 | Schneider Electric Ind Sas | Systeme de traitement de donnees et de modelisation pour l'analyse de la consommation energetique d'un site |
| CN104731916A (zh) * | 2015-03-24 | 2015-06-24 | 无锡中科泛在信息技术研发中心有限公司 | 数据挖掘中基于密度优化初始中心的k均值聚类方法 |
| CN105717792B (zh) * | 2015-12-23 | 2019-09-13 | 武汉烽火富华电气有限责任公司 | 一种基于物联网的建筑能耗管理系统及方法 |
| CN107578070A (zh) * | 2017-09-19 | 2018-01-12 | 安徽中科美络信息技术有限公司 | 基于邻域信息和平均差异度的K‑means初始聚类中心优选方法 |
| CN107606745B (zh) * | 2017-09-27 | 2019-09-27 | 南京中灿科技有限公司 | 地铁空调季逐时环控能耗预测方法 |
-
2020
- 2020-09-22 CN CN202011001202.XA patent/CN111860700B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109558905A (zh) * | 2018-11-23 | 2019-04-02 | 北京信息科技大学 | 一种基于K-means的能耗感知的数据分类方法 |
| CN109657711A (zh) * | 2018-12-10 | 2019-04-19 | 广东浪潮大数据研究有限公司 | 一种图像分类方法、装置、设备及可读存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111860700A (zh) | 2020-10-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2021196552A1 (zh) | 一种基于互馈关系解析的梯级水库风险评估方法及系统 | |
| CN108510006B (zh) | 一种基于数据挖掘的企业用电量分析与预测方法 | |
| Sun et al. | Optimizing China’s energy consumption structure under energy and carbon constraints | |
| CN102521656B (zh) | 非平衡样本分类的集成迁移学习方法 | |
| CN107506865B (zh) | 一种基于lssvm优化的负荷预测方法及系统 | |
| CN109684083A (zh) | 一种面向边缘-云异构下的多级事务调度分配策略 | |
| CN104408518B (zh) | 基于粒子群优化算法的神经网络学习优化方法 | |
| CN106527381B (zh) | 一种面向并行批处理机动态调度的快速评估方法 | |
| CN108564592B (zh) | 基于动态多种群集成差分进化算法的图像分割方法 | |
| CN112685504B (zh) | 一种面向生产过程的分布式迁移图学习方法 | |
| CN110276517B (zh) | 一种基于mopso算法的电动汽车充电站选址方法 | |
| CN101853291A (zh) | 基于数据流的车辆故障诊断方法 | |
| CN105550515B (zh) | 一种对空气质量数据进行多级综合评判的方法 | |
| CN106971238A (zh) | 基于T‑S模糊Elman神经网络的短期电力负荷预测方法 | |
| CN109255514B (zh) | 一种智能配电网分区独立供电能力评估方法 | |
| CN104581748B (zh) | 一种在无线通信网络中识别场景的方法和装置 | |
| CN111860700B (zh) | 一种能耗分类方法、装置、存储介质及设备 | |
| CN110516849A (zh) | 一种基于典型日负荷曲线的负荷分类结果评价方法 | |
| CN111523768A (zh) | 一种基于熵权-topsis的广义需求侧资源品质评价方法 | |
| CN116109458A (zh) | 一种水库泄洪闸门调度方法、系统、存储介质及计算设备 | |
| CN115713242A (zh) | 一种工业园区低碳措施评价方法及系统 | |
| CN109460875B (zh) | 基于果蝇优化算法的电力系统经济调度方法 | |
| CN113434034A (zh) | 利用深度学习调整计算任务cpu频率的大型集群节能方法 | |
| CN108808657A (zh) | 一种电力负荷短期预测方法 | |
| CN110991743B (zh) | 一种基于聚类分析和优化神经网络的风电功率短期组合预测方法 |
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 |