CN112381610A - 一种群租风险指数的预测方法及计算机设备 - Google Patents
一种群租风险指数的预测方法及计算机设备 Download PDFInfo
- Publication number
- CN112381610A CN112381610A CN202011279600.8A CN202011279600A CN112381610A CN 112381610 A CN112381610 A CN 112381610A CN 202011279600 A CN202011279600 A CN 202011279600A CN 112381610 A CN112381610 A CN 112381610A
- Authority
- CN
- China
- Prior art keywords
- group
- risk index
- residents
- rental
- group rental
- 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
- 238000000034 method Methods 0.000 title claims abstract description 31
- 230000005611 electricity Effects 0.000 claims abstract description 38
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 14
- 238000007637 random forest analysis Methods 0.000 claims abstract description 13
- 230000006399 behavior Effects 0.000 abstract description 9
- 238000010801 machine learning Methods 0.000 abstract description 4
- 238000003066 decision tree Methods 0.000 description 7
- 230000009471 action Effects 0.000 description 3
- 238000013450 outlier detection Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005070 sampling 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
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0645—Rental transactions; Leasing transactions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Data Mining & Analysis (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Mathematical Physics (AREA)
- Accounting & Taxation (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Software Systems (AREA)
- Finance (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Computation (AREA)
Abstract
本发明公开了一种群租风险指数的预测方法及计算机设备,所述方法包括:获取群租房住户在群租期间的电量数据;将群租房住户在群租期间的电量数据输入至随机森林回归算法模型中进行训练,以构建群租风险指数预测模型,其中,所述群租风险指数预测模型在接收到未检查住户的电量数据后,输出预测的群租风险指数,根据所述预测的群租风险指数可筛选出群租风险指数高的月份、租户。群租风险指数的核心思路为基于电力大数据分析群租居民和正常居民用电行为上的差异,从用户的每日和每月用电情况出发,提取用户用电行为特征,基于已查处的群租用户用电行为特点,运用随机森林回归算法,构建机器学习模型,智能输出用户群租风险指数。
Description
技术领域
本发明涉及群租管治领域,具体涉及一种群租风险指数的预测方法及计算机设备。
背景技术
房屋管理相关行政处罚事项集中划转至城管执法部门统一行驶,而浦东新区面积大,外来人口多,群租房整治难点很大。群租房住户人口密度大,用电习惯也与普通住户有所不同。浦东供电公司主动对接城管执法局需求,利用电力大数据分析及人工智能算法,构建数学模型和机器学习模型,对住户用电量进行精准分析,快速定位,开发了群租风险指数这一数字产品。辅助城管等执法部门治理群租房难题,可快速输出高可疑的群租房居民,方便执法人员准确上门抽样排查,有效打击群租现象。
发明内容
本发明的目的在于提供一种群租风险指数的预测方法,群租风险指数的核心思路为基于电力大数据分析群租居民和正常居民用电行为上的差异,从用户的每日和每月用电情况出发,提取用户用电行为特征,基于已查处的群租用户用电行为特点,运用随机森林回归算法,构建机器学习模型,智能输出用户群租风险指数。
为了达到上述目的,本发明采用的技术方案如下:
一种群租风险指数的预测方法,包括:
获取群租房住户在群租期间的电量数据;
将群租房住户在群租期间的电量数据输入至随机森林回归算法模型中进行训练,以构建群租风险指数预测模型,其中,所述群租风险指数预测模型在接收到未检查住户的电量数据后,输出预测的群租风险指数,根据所述预测的群租风险指数可筛选出群租风险指数高的月份、租户。
进一步地,所述群租房住户及未检查住户位于同一区域内,位于该区域内的住房的面积相同。
进一步地,所述电量数据包括群租房住户在群租期间的各月月均用电量和/或各月在单位面积的月均用电量。
进一步地,所述各月在单位面积的月均用电量通过以下步骤获得:
获取住户的住房的面积;
获取与所述住房对应的各月用电量;
根据所述住房的面积以及与所述住房对应的各月用电量计算得到所述住户各月在单位面积的月均用电量。
进一步地,所述构建群租房风险指数预测模型具体包括:
运用随机森林回归算法对各月月均用电量和/或各月在单位面积的月均用电量的曲线进行拟合,其中,拟合后的群租房住户用电量曲线的标签设为1,拟合后的非群租房住户用电量曲线的标签设为0,所述群租风险指数预测模型输出的预测的群租风险指数为一个0至1的值。
进一步地,还包括:
获取未检查住户的电量数据,其中,所述未检查住户的电量数据包括各月月均用电量和/或各月在单位面积的月均用电量;
将所述未检查住户的电量数据输入至所述群租风险指数预测模型中,其中,所述群租风险指数预测模型在接收到未检查住户的电量数据后,输出预测的群租风险指数。
进一步地,还包括:
判断所述预测的群租风险指数是否超出预设值,若是,将该预测的群租风险指数以及与该预测的群租风险指数的住户信息发送至城管执法局。
进一步地,还包括:
在城管执法局上门查验后,将查验的结果发送至建群租风险指数预测模型中,以达到循环迭代进一步提升预测的准确率。
另一方面,本发明还提供了一种计算机设备,包括处理器和机器可读存储介质,所述机器可读存储介质存储有能够被所述处理器执行的机器可执行指令,所述处理器执行所述机器可执行指令以实现上述的方法步骤。
与现有技术相比,本发明至少具有以下优点之一:
群租风险指数的核心思路为基于电力大数据分析群租居民和正常居民用电行为上的差异,从用户的每日和每月用电情况出发,提取用户用电行为特征,基于已查处的群租用户用电行为特点,运用随机森林回归算法,构建机器学习模型,智能输出用户群租风险指数。
附图说明
图1为本发明一实施例中群租风险指数的预测方法的流程图;
图2为本发明一实施例中群租风险指数的预测方法的框图。
具体实施方式
以下结合附图1、2和具体实施方式对本发明作进一步详细说明。根据下面说明,本发明的优点和特征将更清楚。需要说明的是,附图采用非常简化的形式且均使用非精准的比例,仅用以方便、明晰地辅助说明本发明实施方式的目的。为了使本发明的目的、特征和优点能够更加明显易懂,请参阅附图。须知,本说明书所附图式所绘示的结构、比例、大小等,均仅用以配合说明书所揭示的内容,以供熟悉此技术的人士了解与阅读,并非用以限定本发明实施的限定条件,故不具技术上的实质意义,任何结构的修饰、比例关系的改变或大小的调整,在不影响本发明所能产生的功效及所能达成的目的下,均应仍落在本发明所揭示的技术内容能涵盖的范围内。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、群租风险指数的预测方法、物品或者现场设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、群租风险指数的预测方法、物品或者现场设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、群租风险指数的预测方法、物品或者现场设备中还存在另外的相同要素。
请参阅图1、2所示,本实施例提供的一种群租风险指数的预测方法,包括:
获取群租房住户在群租期间的电量数据;
将群租房住户在群租期间的电量数据输入至随机森林回归算法模型中进行训练,以构建群租风险指数预测模型,其中,所述群租风险指数预测模型在接收到未检查住户的电量数据后,输出预测的群租风险指数,根据所述预测的群租风险指数可筛选(包括人工筛选或机器筛选)出群租风险指数高(大于预设值,可为0.8)的月份、租户,对预测的群租风险指数进行离群点检测,离群点检测是数据挖掘中重要的一部分,它的任务是发现与大部分其他对象显著不同的对象,发现明显偏高的月份和住户,也能找到部分群租住户,将筛选出来的月份、住户信息发送至城管执法局。
本实施例中,所述群租房住户及未检查住户位于同一区域内,位于该区域内的住房的面积相同。
本实施例中,所述电量数据包括群租房住户在群租期间的各月月均用电量(本实施例中的用电量包括峰时用电量以及谷时用电量)和/或各月在单位面积的月均用电量。
将城管执法局曾经查处的群租房住户群租期间的月用电量作为训练集输入随机森林回归算法进行训练,运用随机森林回归算法对电量曲线进行拟合。群租房住户用电量曲线,标签设为1;非群租房住户用电量曲线,标签设为0。训练完毕后将群租房所在小区的其它未检查住户的用电量曲线输入算法进行预测,结合大数据分析结果,最后得出群租风险指数。群租风险指数是一个0到1的值。风险指数越接近1则表明群租风险越大,越接近0则表明群租风险越小。
随机森林由多棵决策树构成,且森林中的每一棵决策树之间没有关联,模型的最终输出由森林中的每一棵决策树共同决定。处理回归问题时,则以每棵决策树输出的均值为最终结果。随机森林通过聚合单个决策树的不同输出来减少可能导致决策树错误的方差。通过多数投票算法,我们可以找到大多数单个树给出的平均输出,从而平滑了方差,这样模型就不容易产生离真值更远的结果。随机森林思想是取一组高方差、低偏差的决策树,并将它们转换成低方差、低偏差的新模型。
本实施例中,所述各月在单位面积的月均用电量通过以下步骤获得:
获取住户的住房的面积;
获取与所述住房对应的各月用电量;
根据所述住房的面积以及与所述住房对应的各月用电量计算得到所述住户各月在单位面积的月均用电量。
本实施例中,所述构建群租房风险指数预测模型具体包括:
运用随机森林回归算法对各月月均用电量和/或各月在单位面积的月均用电量的曲线进行拟合,其中,拟合后的群租房住户用电量曲线的标签设为1,拟合后的非群租房住户用电量曲线的标签设为0,所述群租风险指数预测模型输出的预测的群租风险指数为一个0至1的值。
本实施例中,还包括:
获取未检查住户的电量数据,其中,所述未检查住户的电量数据包括各月月均用电量和/或各月在单位面积的月均用电量;
将所述未检查住户的电量数据输入至所述群租风险指数预测模型中,其中,所述群租风险指数预测模型在接收到未检查住户的电量数据后,输出预测的群租风险指数。
本实施例中,还包括:
判断所述预测的群租风险指数是否超出预设值,若是,将该预测的群租风险指数以及与该预测的群租风险指数的住户信息发送至城管执法局。
本实施例中,还包括:
在城管执法局上门查验后,将查验的结果发送至建群租风险指数预测模型中,以达到循环迭代进一步提升预测的准确率。将群租风险较高的住户地址推送给城管执法局,由执法人员上门查验,对确为群租的住户进行整治,并将查验结果返回,进而调整分析算法,达到循环迭代,进一步提升准确率。
基于同一发明构思,本实施例还提供了一种计算机设备,包括处理器和机器可读存储介质,所述机器可读存储介质存储有能够被所述处理器执行的机器可执行指令,所述处理器执行所述机器可执行指令以实现上述的方法步骤。
尽管本发明的内容已经通过上述优选实施例作了详细介绍,但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后,对于本发明的多种修改和替代都将是显而易见的。因此,本发明的保护范围应由所附的权利要求来限定。
Claims (9)
1.一种群租风险指数的预测方法,其特征在于,包括:
获取群租房住户在群租期间的电量数据;
将群租房住户在群租期间的电量数据输入至随机森林回归算法模型中进行训练,以构建群租风险指数预测模型,其中,所述群租风险指数预测模型在接收到未检查住户的电量数据后,输出预测的群租风险指数,根据所述预测的群租风险指数可筛选出群租风险指数高的月份、租户。
2.如权利要求1所述的群租风险指数的预测方法,其特征在于,所述群租房住户及未检查住户位于同一区域内,位于该区域内的住房的面积相同。
3.如权利要求1所述的群租风险指数的预测方法,其特征在于,所述电量数据包括群租房住户在群租期间的各月月均用电量和/或各月在单位面积的月均用电量。
4.如权利要求1所述的群租风险指数的预测方法,其特征在于,所述各月在单位面积的月均用电量通过以下步骤获得:
获取住户的住房的面积;
获取与所述住房对应的各月用电量;
根据所述住房的面积以及与所述住房对应的各月用电量计算得到所述住户各月在单位面积的月均用电量。
5.如权利要求3所述的群租风险指数的预测方法,其特征在于,所述构建群租房风险指数预测模型具体包括:
运用随机森林回归算法对各月月均用电量和/或各月在单位面积的月均用电量的曲线进行拟合,其中,拟合后的群租房住户用电量曲线的标签设为1,拟合后的非群租房住户用电量曲线的标签设为0,所述群租风险指数预测模型输出的预测的群租风险指数为一个0至1的值。
6.如权利要求1所述的群租风险指数的预测方法,其特征在于,还包括:
获取未检查住户的电量数据,其中,所述未检查住户的电量数据包括各月月均用电量和/或各月在单位面积的月均用电量;
将所述未检查住户的电量数据输入至所述群租风险指数预测模型中,其中,所述群租风险指数预测模型在接收到未检查住户的电量数据后,输出预测的群租风险指数。
7.如权利要求6所述的群租风险指数的预测方法,其特征在于,还包括:
判断所述预测的群租风险指数是否超出预设值,若是,将该预测的群租风险指数以及与该预测的群租风险指数的住户信息发送至城管执法局。
8.如权利要求7所述的群租风险指数的预测方法,其特征在于,还包括:
在城管执法局上门查验后,将查验的结果发送至建群租风险指数预测模型中,以达到循环迭代进一步提升预测的准确率。
9.一种计算机设备,其特征在于,包括处理器和机器可读存储介质,所述机器可读存储介质存储有能够被所述处理器执行的机器可执行指令,所述处理器执行所述机器可执行指令以实现权利要求1-8任一项所述的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011279600.8A CN112381610A (zh) | 2020-11-16 | 2020-11-16 | 一种群租风险指数的预测方法及计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011279600.8A CN112381610A (zh) | 2020-11-16 | 2020-11-16 | 一种群租风险指数的预测方法及计算机设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112381610A true CN112381610A (zh) | 2021-02-19 |
Family
ID=74585483
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011279600.8A Pending CN112381610A (zh) | 2020-11-16 | 2020-11-16 | 一种群租风险指数的预测方法及计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112381610A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113344417A (zh) * | 2021-06-23 | 2021-09-03 | 武汉虹信技术服务有限责任公司 | 一种居民楼中排查小作坊房屋的方法、系统、计算机设备及可读介质 |
CN113688870A (zh) * | 2021-07-22 | 2021-11-23 | 国网江苏省电力有限公司营销服务中心 | 一种采用混合算法的基于用户用电行为的群租房识别方法 |
CN116503975A (zh) * | 2023-06-29 | 2023-07-28 | 成都秦川物联网科技股份有限公司 | 基于智慧燃气gis的安全隐患处置方法和物联网系统 |
CN116523698A (zh) * | 2023-06-28 | 2023-08-01 | 日照市住房保障管理服务中心 | 基于数据融合的公租房转租风险预测方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108062560A (zh) * | 2017-12-04 | 2018-05-22 | 贵州电网有限责任公司电力科学研究院 | 一种基于随机森林的电力用户特征识别分类方法 |
CN109325542A (zh) * | 2018-10-09 | 2019-02-12 | 烟台海颐软件股份有限公司 | 一种基于多阶机器学习的电量异常智能识别方法及系统 |
CN110675206A (zh) * | 2018-07-03 | 2020-01-10 | 百度在线网络技术(北京)有限公司 | 群租发现方法、装置、设备及计算机可读介质 |
CN111401431A (zh) * | 2020-03-12 | 2020-07-10 | 成都小步创想慧联科技有限公司 | 群租房识别方法及系统及存储介质 |
CN111767951A (zh) * | 2020-06-29 | 2020-10-13 | 上海积成能源科技有限公司 | 一种居民用电安全分析中应用孤立森林算法发现异常数据的方法 |
-
2020
- 2020-11-16 CN CN202011279600.8A patent/CN112381610A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108062560A (zh) * | 2017-12-04 | 2018-05-22 | 贵州电网有限责任公司电力科学研究院 | 一种基于随机森林的电力用户特征识别分类方法 |
CN110675206A (zh) * | 2018-07-03 | 2020-01-10 | 百度在线网络技术(北京)有限公司 | 群租发现方法、装置、设备及计算机可读介质 |
CN109325542A (zh) * | 2018-10-09 | 2019-02-12 | 烟台海颐软件股份有限公司 | 一种基于多阶机器学习的电量异常智能识别方法及系统 |
CN111401431A (zh) * | 2020-03-12 | 2020-07-10 | 成都小步创想慧联科技有限公司 | 群租房识别方法及系统及存储介质 |
CN111767951A (zh) * | 2020-06-29 | 2020-10-13 | 上海积成能源科技有限公司 | 一种居民用电安全分析中应用孤立森林算法发现异常数据的方法 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113344417A (zh) * | 2021-06-23 | 2021-09-03 | 武汉虹信技术服务有限责任公司 | 一种居民楼中排查小作坊房屋的方法、系统、计算机设备及可读介质 |
CN113688870A (zh) * | 2021-07-22 | 2021-11-23 | 国网江苏省电力有限公司营销服务中心 | 一种采用混合算法的基于用户用电行为的群租房识别方法 |
CN113688870B (zh) * | 2021-07-22 | 2023-09-26 | 国网江苏省电力有限公司营销服务中心 | 一种采用混合算法的基于用户用电行为的群租房识别方法 |
CN116523698A (zh) * | 2023-06-28 | 2023-08-01 | 日照市住房保障管理服务中心 | 基于数据融合的公租房转租风险预测方法及系统 |
CN116523698B (zh) * | 2023-06-28 | 2023-09-12 | 日照市住房保障管理服务中心 | 基于数据融合的公租房转租风险预测方法及系统 |
CN116503975A (zh) * | 2023-06-29 | 2023-07-28 | 成都秦川物联网科技股份有限公司 | 基于智慧燃气gis的安全隐患处置方法和物联网系统 |
CN116503975B (zh) * | 2023-06-29 | 2023-09-12 | 成都秦川物联网科技股份有限公司 | 基于智慧燃气gis的安全隐患处置方法和物联网系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112381610A (zh) | 一种群租风险指数的预测方法及计算机设备 | |
CN110097297B (zh) | 一种多维度窃电态势智能感知方法、系统、设备及介质 | |
CN108593990B (zh) | 一种基于电能用户用电行为模式的窃电检测方法和应用 | |
Nielsen et al. | Capacity of large-scale, long-term biodiversity monitoring programmes to detect trends in species prevalence | |
CN107506868B (zh) | 一种短时电力负荷预测的方法及装置 | |
CN109409561B (zh) | 多时间尺度时间序列协同预测模型的构建方法 | |
CN109389321B (zh) | 一种项目清单的分类方法及装置 | |
CN105786711A (zh) | 一种数据分析的方法及装置 | |
CN111401431A (zh) | 群租房识别方法及系统及存储介质 | |
CN112330077B (zh) | 电力负荷预测方法、装置、计算机设备和存储介质 | |
Tsyganok et al. | Usage of multicriteria decision‐making support arsenal for strategic planning in environmental protection sphere | |
CN112614004A (zh) | 用电信息的处理方法及装置 | |
CN112288172A (zh) | 台区线损率的预测方法、装置 | |
CN116702992A (zh) | 一种发电功率预测方法、装置、电子设备及存储介质 | |
Pantazis et al. | A posteriori probabilistic feasibility guarantees for Nash equilibria in uncertain multi-agent games | |
CN117408394A (zh) | 电力系统的碳排放因子预测方法、装置及电子设备 | |
CN113688870A (zh) | 一种采用混合算法的基于用户用电行为的群租房识别方法 | |
CN116885705A (zh) | 区域负荷预测方法及装置 | |
CN116402528A (zh) | 电力数据处理系统 | |
CN112215420B (zh) | 一种居民用电的客户过户识别方法及系统 | |
Kaneko et al. | Sensitivity analysis of factors relevant to extreme imbalance between procurement plans and actual demand: Case study of the Japanese electricity market | |
CN115204501A (zh) | 企业评估方法、装置、计算机设备和存储介质 | |
CN111797924B (zh) | 一种基于聚类算法的三维度园区画像方法及系统 | |
CN114924943A (zh) | 基于人工智能的数据中台评估方法及相关设备 | |
CN114282657A (zh) | 一种市场数据长期预测模型训练方法、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 |