CN114399112A - 可用于天然气能量计量的用户评价获取方法和系统 - Google Patents
可用于天然气能量计量的用户评价获取方法和系统 Download PDFInfo
- Publication number
- CN114399112A CN114399112A CN202210045107.2A CN202210045107A CN114399112A CN 114399112 A CN114399112 A CN 114399112A CN 202210045107 A CN202210045107 A CN 202210045107A CN 114399112 A CN114399112 A CN 114399112A
- Authority
- CN
- China
- Prior art keywords
- user
- natural gas
- fault
- user evaluation
- data
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 204
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 title claims abstract description 198
- 239000003345 natural gas Substances 0.000 title claims abstract description 99
- 238000000034 method Methods 0.000 title claims abstract description 32
- 230000002159 abnormal effect Effects 0.000 claims abstract description 23
- 238000012549 training Methods 0.000 claims description 37
- 238000013528 artificial neural network Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 239000007789 gas Substances 0.000 description 7
- 238000013527 convolutional neural network Methods 0.000 description 6
- 238000003062 neural network model Methods 0.000 description 6
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000010276 construction Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000006872 improvement Effects 0.000 description 4
- 230000003042 antagnostic effect Effects 0.000 description 3
- 238000013136 deep learning model Methods 0.000 description 3
- 230000000306 recurrent effect Effects 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000003607 modifier Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001131 transforming effect Effects 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
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Finance (AREA)
- Entrepreneurship & Innovation (AREA)
- Accounting & Taxation (AREA)
- Theoretical Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Public Health (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本说明书实施例提供一种可用于天然气能量计量的用户评价获取方法和系统,该方法包括获取目标区域的预设时间段内的天然气统计数据和区域用户数据;通过用户评价预测模型基于所述天然气统计数据和所述区域用户数据,获得用户评价预测结果;基于用户实际评价判断所述用户评价预测结果是否异常,若判断所述用户评价预测结果异常,则对所述用户评价预测结果进行调整。
Description
技术领域
本说明书涉及天然气管理领域,特别涉及一种可用于天然气能量计量的用户评价获取方法和系统。
背景技术
目前,随着智能天然气网建设工作的快速推进,天然气网GIS地理信息服务平台也逐步推广实施和应用,它实现了天然气网资源信息的统一汇集,为天然气网“发、输、变、配、用、调”等环节提供地理空间信息共享及业务应用集成融合,提供了天然气网设备的空间地理信息和网络拓扑信息,这为天然气网信息化和自动化水平的提高奠定了重要基础。天然气网建设工作的目的是为提升用户对于天然气使用的体验,也就是说天然气网络的建设与改进与用户的使用体验息息相关,如何有前瞻性获取用户评价,以对天然气网的建设进行改进成为目前亟需解决的问题。
因此,需要提供一种可用于天然气能量计量的用户评价获取方法和系统,用于预测用户评价。
发明内容
本说明书实施例之一提供一种可用于天然气能量计量的用户评价获取方法。所述可用于天然气能量计量的用户评价获取方法包括:获取目标区域的预设时间段内的天然气统计数据和区域用户数据;通过用户评价预测模型基于所述天然气统计数据和所述区域用户数据,获得用户评价预测结果;基于用户实际评价判断所述用户评价预测结果是否异常,若判断所述用户评价预测结果异常,则对所述用户评价预测结果进行调整。
本说明书实施例之一提供一种可用于天然气能量计量的用户评价获取系统,包括:所述数据获取模块,用于获取目标区域的预设时间段内的天然气统计数据和区域用户数据;所述评价预测模块,用于通过用户评价预测模型基于所述天然气统计数据和所述区域用户数据,获得用户评价预测结果;所述预测调整模块,用于基于用户实际评价判断所述用户评价预测结果是否异常,若判断所述用户评价预测结果异常,则对所述用户评价预测结果进行调整。
本说明书实施例之一提供一种可用于天然气能量计量的用户评价获取方法装置,包括处理器,所述处理器用于执行可用于天然气能量计量的用户评价获取方法。
本说明书实施例之一提供一种计算机可读存储介质,所述存储介质存储计算机指令,当计算机读取存储介质中的计算机指令后,计算机执行可用于天然气能量计量的用户评价获取方法。
附图说明
本说明书将以示例性实施例的方式进一步说明,这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的,在这些实施例中,相同的编号表示相同的结构,其中:
图1是根据本说明书一些实施例所示的可用于天然气能量计量的用户评价获取方法的应用场景示意图;
图2是根据本说明书一些实施例所示的可用于天然气能量计量的用户评价获取系统的示例性框图;
图3是根据本说明书一些实施例所示的可用于天然气能量计量的用户评价获取方法的示例性流程图;
图4是根据本说明书一些实施例所示的基于有故障评价数据与无故障评价数据确定故障因子训练样本的标签的示例性流程图。
具体实施方式
为了更清楚地说明本说明书实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地,下面描述中的附图仅仅是本说明书的一些示例或实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图将本说明书应用于其它类似情景。除非从语言环境中显而易见或另做说明,图中相同标号代表相同结构或操作。
应当理解,本文使用的“系统”、“装置”、“单元”和/或“模块”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而,如果其他词语可实现相同的目的,则可通过其他表达来替换所述词语。
如本说明书和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其它的步骤或元素。
本说明书中使用了流程图用来说明根据本说明书的实施例的系统所执行的操作。应当理解的是,前面或后面操作不一定按照顺序来精确地执行。相反,可以按照倒序或同时处理各个步骤。同时,也可以将其他操作添加到这些过程中,或从这些过程移除某一步或数步操作。
图1是根据本说明书一些实施例所示的一种可用于天然气能量计量的用户评价获取系统的应用场景100示意图。
参照图1,在一些实施例中,应用场景100可以包括服务器110、网络120、一个或以上终端设备130及存储设备140。
服务器110可以用于处理来自应用场景100的至少一个组件或外部数据源(例如,云数据中心)的数据和/或信息。例如,服务器110可以获取目标区域的预设时间段内的天然气统计数据和区域用户数据;通过用户评价预测模型基于天然气统计数据和区域用户数据,获得用户评价预测结果;并基于用户实际评价判断用户评价预测结果是否异常,若判断用户评价预测结果异常,则对用户评价预测结果进行调整。在一些实施例中,在处理过程中,服务器110可以从存储设备140获取数据(如指令)或将数据(例如,用户评价预测结果)保存到存储设备140,也可以通过网络120从终端设备130等其他来源读取数据(例如,预设时间段内的天然气统计数据和区域用户数据等)或将数据(例如,用户评价预测结果等)输出至终端设备130。
在一些实施例中,服务器110可以是单个服务器,也可以是服务器组。在一些实施例中,服务器110可以本地连接到网络120或者与网络120远程连接。在一些实施例中,服务器110可以在云平台上实施。
网络120可以促进信息和/或数据的交换。在一些实施例中,应用场景100中的一个或以上组件(例如,服务器110、终端设备130等)可以经由网络120将信息和/或数据发送到应用场景100中的另一个组件。
终端设备130指用户所使用的一个或多个终端设备或软件。在一些实施例中,终端设备130可以是移动设备、平板计算机、膝上型计算机、台式计算机等其他具有输入和/或输出功能的设备中的一种或其任意组合。在一些实施例中,终端设备130可以作为用户的显示终端,用于经由网络120获取并显示服务器110确定的用户评价预测结果等。上述示例仅用于说明所述终端设备130设备范围的广泛性而非对其范围的限制。
存储设备140可以用于存储数据和/或指令。在一些实施例中,存储设备140可以从例如服务器110、终端设备130等获得数据和/或指令。在一些实施例中,存储设备140可以储存服务器110用来执行或使用以完成本说明书中描述的示例性方法的数据和/或指令。
在一些实施例中,存储设备140可包括大容量存储器、可移动存储器、易失性读写内存、只读内存(ROM)等或其任意组合。在一些实施例中,存储设备140可在云平台上实现。
图2是根据本说明书一些实施例所示的一种可用于天然气能量计量的用户评价获取系统200的模块示意图。
参照图2,在一些实施例中,可用于天然气能量计量的用户评价获取系统200可以包括数据获取模块210、评价预测模块220和预测调整模块230。
数据获取模块210可以用于获取目标区域的预设时间段内的天然气统计数据和区域用户数据。
评价预测模块220可以用于通过用户评价预测模型基于天然气统计数据和区域用户数据,获得用户评价预测结果。
预测调整模块230可以用于基于用户实际评价判断用户评价预测结果是否异常,若判断用户评价预测结果异常,则对用户评价预测结果进行调整。在一些实施例中,预测调整模块230还可以用于基于故障影响因子对用户评价预测结果进行调整。在一些实施例中,预测调整模块230还可以用于通过故障因子预测模型基于天然气统计数据和故障率,确定故障影响因子。在一些实施例中,预测调整模块230还可以用于基于有故障评价数据与无故障评价数据,确定用于训练故障因子预测模型的故障因子训练样本的标签。
关于数据获取模块210、评价预测模块220和预测调整模块230的更多描述可以参见图3、图4及其相关描述,此处不再赘述。
需要注意的是,以上对于可用于天然气能量计量的用户评价获取系统200及其模块的描述,仅为描述方便,并不能把本说明书限制在所举实施例范围之内。可以理解,对于本领域的技术人员来说,在了解该系统的原理后,可能在不背离这一原理的情况下,对各个模块进行任意组合,或者构成子系统与其他模块连接。在一些实施例中,图2中披露的数据获取模块210、评价预测模块220和预测调整模块230可以是一个系统中的不同模块,也可以是一个模块实现上述的两个或两个以上模块的功能。例如,各个模块可以共用一个存储模块,各个模块也可以分别具有各自的存储模块。诸如此类的变形,均在本说明书的保护范围之内。
图3是根据本说明书一些实施例所示的可用于天然气能量计量的用户评价获取方法300的示例性流程图。如图3所示,流程300包括下述步骤。在一些实施例中,流程300可以由可用于天然气能量计量的用户评价获取系统200执行。
步骤310,获取目标区域的预设时间段内的天然气统计数据和区域用户数据。在一些实施例中,步骤310可以由数据获取模块210执行。
目标区域可以为一个特定的区域。例如,目标区域可以为某个省、某个城市、某个县、某个区或者由人为任意指定的一定面积大小的区域。在一些实施例中,数据获取模块210可以从服务器110、终端设备130、存储设备140或外部数据源获取目标区域。
预设时间段可以为一个特定的时间段。例如,某一年、某几个月、某几天等。在一些实施例中,数据获取模块210可以从服务器110、终端设备130、存储设备140或外部数据源获取预设时间段。
天然气统计数据可以为与提供给目标区域的天然气服务相关的信息。在一些实施例中,天然气统计数据可以包括天然气种类、天然气价格、天然气压力及天然气消耗量等。
在一些实施例中,数据获取模块210可以从服务器110、终端设备130、存储设备140或外部数据源获取天然气统计数据。
区域用户数据可以为与目标区域内的用户相关的数据。在一些实施例中,区域用户数据可以包括用户数量、用户类型及天然气使用分布数据等,其中,用户数量可以表征目标区域内用户的数量;用户类型可以表征目标区域内每个用户的类型,用户类型可以包括家庭用户、商业用户(例如,酒店、饭店、食堂等)等;天然气使用分布数据可以表征目标区域内各个子区域的天然气使用量以及天然气使用时间在区域上的分布。在一些实施例中,天然气使用分布数据的表现形式可以为热力图、饼图及柱状图等。可以理解的,目标区域由多个子区域构成,子区域可以为目标区域内的某个街道、某个建筑等。
在一些实施例中,数据获取模块210可以从服务器110、终端设备130、存储设备140或外部数据源获取区域用户数据。
步骤320,通过用户评价预测模型基于天然气统计数据和区域用户数据,获得用户评价预测结果。在一些实施例中,步骤320可以由评价预测模块220执行。
用户评价预测结果可以表征预测的目标区域的用户可能在未来某一时间段对天然气使用体验的反馈。在一些实施例中,用户评价预测结果的表现形式可以为分数、星数等。可以理解的,分数越高,表征目标区域的用户的天然气使用体验更好;星数越多,表征目标区域的用户的天然气使用体验更好。
用户评价预测模型可以为用于预测用户评价预测结果的机器学习模型。在一些实施例中,用户评价预测模型的输入可以为天然气统计数据和区域用户数据,用户评价预测模型的输出可以为用户评价预测结果。
在一些实施例中,评价预测模块220可以通过多个带标签的评价预测训练样本对初始用户评价预测模型进行训练,其中,一个评价预测训练样本对应一个样本区域的样本时间段内的天然气统计数据和区域用户数据,评价预测训练样本的标签可以包括该样本区域的样本时间段对应的用户评价预测结果。标签可以通过人工标注的方式获得,例如,可以由人工基于历史用户真实评价进行标注得到。
在一些实施例中,评价预测模块220可以通过常见的方式(例如,梯度下降等)对初始用户评价预测模型进行多次训练,直至训练后的初始用户评价预测模型满足预设条件,将该训练后的初始用户评价预测模型作为用于预测用户评价预测结果的用户评价预测模型。其中,预设条件可以是更新后的初始用户评价预测模型的损失函数小于阈值、收敛,或训练迭代次数达到阈值。
在一些实施例中,用户评价预测模型可以为变分自编码器(Variational auto-encoder,VAE)、神经网络模型及深度学习模型中的一种或任意组合,其中,神经网络模型可以包括卷积神经网络(CNN)、循环神经网络(RNN)、多层神经网络(MLP)、对抗神经网络(GAN)等一种或多种的组合。
步骤330,基于用户实际评价判断用户评价预测结果是否异常。在一些实施例中,步骤330可以由预测调整模块230执行。
用户实际评价可以表征目标区域的用户在预设时间段的实际的天然气使用体验。可以理解的,用户实际评价可以基于多个用户的实际评价确定。例如,反馈了实际评价的用户的数量为5,用户实际评价可以为该5为用户的实际评价的平均值或中值。
在一些实施例中,用户实际评价的表现形式可以为文字、分数、星数等。在一些实施例中,当用户实际评价为文字时,预测调整模块230可以将文字转化为分数或星级。在一些实施例中,预测调整模块230可以基于预设规则将用户实际评价的文字转化为分数或星级。其中,预设规则可以表征文字与分数或星级的对应关系。例如,预设规则可以包括:用户实际评价为“很差”,其对应分数为-5或其对应的星数为0;用户实际评价为“非常满意”,其对应分数为5或其对应的星数为5;用户实际评价为“一般”,其对应分数为0或其对应的星数为3。在一些实施例中,用户实际评价可以以分数或热力值的方式分布于目标区域的区域地图上。
在一些实施例中,预测调整模块230可以从服务器110、终端设备130、存储设备140或外部数据源获取用户实际评价。在一些实施例中,用户实际评价可以从用户所使用的用户终端收集获得,例如,通过用户所使用的应用程序收集用户实际评价。
在一些实施例中,预测调整模块230可以基于用户实际评价判断用户评价预测结果是否异常。在一些实施例中,预测调整模块230可以对用户实际评价和用户评价预测结果进行比较,判断用户评价预测结果是否异常。例如,预测调整模块230可以计算用户实际评价与用户评价预测结果的差值,基于该差值判断用户评价预测结果是否异常。示例地,预测调整模块230可以计算用户评价预测结果对应的分数与用户实际评价对应的分数之间的分数差值,判断该分数差值是否位于预设分数差值范围内(例如,-1~1),若该分数差值不位于该预设分数差值范围内,则判断用户评价预测结果异常。又示例地,预测调整模块230可以计算用户评价预测结果对应的星数与用户实际评价对应的星数之间的星数差值,判断该星数差值是否位于预设星数差值范围内(例如,-1~1),若该星数差值不位于该预设星数差值范围内,则判断用户评价预测结果异常。
步骤340,若判断用户评价预测结果异常,则对用户评价预测结果进行调整。在一些实施例中,步骤340可以由预测调整模块230执行。
在一些实施例中,预测调整模块230对用户评价预测结果进行调整的方式可以包括:将用户评价预测结果从好评调整为差评、增加或减少用户评价预测结果对应的分数、增加或减少用户评价预测结果对应的星数等中的至少一种。
在一些实施例中,预测调整模块230可以基于相关数据对用户评价预测结果进行调整。在一些实施例中,相关数据可以包括用户实际评价。例如,预测调整模块230可以基于用户实际评价对用户评价预测结果进行调整。示例地,预测调整模块230可以将用户评价预测结果调整为用户评价预测结果与用户实际评价的均值。
在一些实施例中,相关数据可以包括故障影响因子。在一些实施例中,预测调整模块230可以基于故障影响因子对用户评价预测结果进行调整。其中,故障影响因子可以为基于天然气故障率确定的对用户评价预测结果进行调整的参数。示例地,当故障影响因子为1时,预测调整模块230可以将用户评价预测结果对应的分数增加一分或将星数增加一星。又示例地,当故障影响因子为-2时,预测调整模块230可以将用户评价预测结果对应的分数增加减少两分或将星数增加两星。
在一些实施例中,预测调整模块230可以通过故障因子预测模型基于目标区域的预设时间段内的天然气统计数据和故障率,确定故障影响因子。其中,故障率可以表征目标区域的预设时间段内的天然气设备发生故障的频率。在一些实施例中,预测调整模块230可以基于与天然气设备故障相关的数据确定故障率。例如,天然气设备故障相关的数据可以包括目标区域的预设时间段内停止供气的时间,预测调整模块230可以将停止供气的时间占预设时间段的比例作为故障率。又例如,天然气设备故障相关的数据可以包括天然气终端设备总数及发生故障的天然气终端设备的数量,预测调整模块230可以将发生故障的天然气终端设备的数量占天然气终端设备总数的比例作为故障率。在一些实施例中,预测调整模块230可以从服务器110、终端设备130、存储设备140或外部数据源获取与天然气设备故障相关的数据。
在一些实施例中,预测调整模块230可以直接从服务器110、终端设备130、存储设备140或外部数据源获取故障率。
在一些实施例中,预测调整模块230可以通过多个带标签的故障因子训练样本对初始用户评价预测模型进行训练,其中,一个故障因子训练样本对应一个样本区域的样本时间段内的天然气统计数据和故障率,故障因子训练样本的标签可以包括该样本区域的样本时间段对应的故障影响因子。在一些实施例中,故障因子训练样本的标签可以通过人工标注。
结合图4,在一些实施例中,预测调整模块230可以基于有故障评价数据410与无故障评价数据420,确定用于训练故障因子预测模型460的故障因子训练样本440的标签430。其中,有故障评价数据410可以为在一个样本区域的样本时间段内使用发生过故障的天然气终端设备的用户的评价;无故障评价数据420可以为在一个样本区域的样本时间段内使用未发生过故障的天然气终端设备的用户的评价。在一些实施例中,有故障评价数据410与无故障评价数据420的表现形式可以为分数、星数等。
可以理解的,一个样本区域的样本时间段内使用发生过故障的天然气终端设备的用户可以为多个,预测调整模块230可以基于该多个用户的评价确定有故障评价数据410。例如,预测调整模块230可以取该多个用户的评价的均值作为有故障评价数据410。示例地,样本区域A的样本时间段X内使用发生过故障的天然气终端设备且提交了评价的用户包括用户1、用户2、用户3,其中,用户1的评价为3星,用户2的评价为2星,用户3的评价为1星,则样本区域A的样本时间段X对应的有故障评价数据410=(3+2+1)/3=2星。
可以理解的,一个样本区域的样本时间段内使用未发生过故障的天然气终端设备的用户可以为多个,预测调整模块230可以基于该多个用户的评价确定无故障评价数据420。例如,预测调整模块230可以取该多个用户的评价的均值作为无故障评价数据420。
在一些实施例中,预测调整模块230可以直接从服务器110、终端设备130、存储设备140或外部数据源获取有故障评价数据410与无故障评价数据420。
在一些实施例中,预测调整模块230还可以基于无故障评价预测模型470预测故障因子训练样本440的无故障评价数据420。无故障评价预测模型470的输入可以为故障因子训练样本440的无故障子区域的天然气数据480和子区域用户数据490,无故障评价预测模型470的输出可以为无故障评价数据420,其中,无故障子区域的天然气数据480可以为故障因子训练样本440对应的样本区域中没有发生故障的子区域的天然气服务相关的信息,例如,提供给没有发生故障的子区域的天然气的种类、天然气价格、天然气压力及天然气消耗量等;子区域用户数据490为故障因子训练样本440对应的样本区域中的无故障子区域的用户相关的数据,例如,子区域的用户数量、用户类型及天然气使用分布数据等。
在一些实施例中,预测调整模块230可以通过多个带标签的无故障评价训练样本对初始无故障评价预测模型进行训练,其中,一个无故障评价训练样本对应一个样本区域的样本时间段内的无故障子区域的天然气数据和子区域用户数据,故障因子训练样本的标签可以包括该样本区域的样本时间段对应的无故障评价数据420。在一些实施例中,无故障评价训练样本的标签可以通过人工标注。
在一些实施例中,预测调整模块230可以通过常见的方式(例如,梯度下降等)对初始无故障评价预测模型进行多次训练,直至训练后的初始无故障评价预测模型满足预设条件,将该训练后的初始无故障评价预测模型作为用于预测无故障评价数据420的无故障评价预测模型470。其中,预设条件可以是更新后的初始无故障评价预测模型的损失函数小于阈值、收敛,或训练迭代次数达到阈值。
在一些实施例中,无故障评价预测模型可以为神经网络模型及深度学习模型中的一种或任意组合,其中,神经网络模型可以包括卷积神经网络(CNN)、循环神经网络(RNN)、多层神经网络(MLP)、对抗神经网络(GAN)等一种或多种的组合。
在一些实施例中,通过基于无故障评价预测模型预测故障因子训练样本的无故障评价数据,可以快速且准确地确定故障因子训练样本对应的无故障评价数据。
可以理解的,预测调整模块230还可以通过无故障评价预测模型预测目标区域的预设时间段内的无故障评价数据。
在一些实施例中,预测调整模块230可以基于无故障评价数据420与有故障评价数据410的差值,确定用于训练故障因子预测模型460的故障因子训练样本440的标签430。例如,故障因子训练样本440的无故障评价数据420与有故障评价数据410的差值为-1分,则故障因子训练样本440的标签430为-1。又例如,故障因子训练样本440的无故障评价数据420与有故障评价数据410的差值为1星,则故障因子训练样本440的标签430为1。
在一些实施例中,通过基于有故障评价数据410与无故障评价数据420,确定用于训练故障因子预测模型460的故障因子训练样本440的标签430,可以使得故障因子训练样本440的标签430更加准确,提高训练故障因子预测模型460的效率。
在一些实施例中,预测调整模块230可以通过常见的方式(例如,梯度下降等)对初始故障因子预测模型450进行多次训练,直至训练后的初始故障因子预测模型450满足预设条件,将该训练后的初始故障因子预测模型450作为用于预测故障影响因子的故障因子预测模型460。其中,预设条件可以是更新后的初始故障因子预测模型450的损失函数小于阈值、收敛,或训练迭代次数达到阈值。
在一些实施例中,故障因子预测模型可以为神经网络模型及深度学习模型中的一种或任意组合,其中,神经网络模型可以包括卷积神经网络(CNN)、循环神经网络(RNN)、多层神经网络(MLP)、对抗神经网络(GAN)等一种或多种的组合。
在一些实施例中,通过故障因子预测模型基于目标区域的预设时间段内的天然气统计数据和故障率,确定故障影响因子,可以快速且准确地确定故障影响因子。
在一些实施例中,基于故障影响因子对用户评价预测结果进行调整,可以使得调整后的用户评价预测结果更加接近用户的实际体验。
在一些实施例中,通过用户评价预测模型基于天然气统计数据和区域用户数据,获得用户评价预测结果,并基于用户实际评价判断用户评价预测结果是否异常,若判断用户评价预测结果异常,则对用户评价预测结果进行调整,从而实现预测用户评价,为天然气网的建设进行改进提供了依据。
应当注意的是,上述有关流程300的描述仅仅是为了示例和说明,而不限定本说明书的适用范围。对于本领域技术人员来说,在本说明书的指导下可以对流程300进行各种修正和改变。然而,这些修正和改变仍在本说明书的范围之内。
上文已对基本概念做了描述,显然,对于本领域技术人员来说,上述详细披露仅仅作为示例,而并不构成对本说明书的限定。虽然此处并没有明确说明,本领域技术人员可能会对本说明书进行各种修改、改进和修正。该类修改、改进和修正在本说明书中被建议,所以该类修改、改进、修正仍属于本说明书示范实施例的精神和范围。
同时,本说明书使用了特定词语来描述本说明书的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本说明书至少一个实施例相关的某一特征、结构或特点。因此,应强调并注意的是,本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外,本说明书的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外,除非权利要求中明确说明,本说明书所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用,并非用于限定本说明书流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例,但应当理解的是,该类细节仅起到说明的目的,附加的权利要求并不仅限于披露的实施例,相反,权利要求旨在覆盖所有符合本说明书实施例实质和范围的修正和等价组合。例如,虽然以上所描述的系统组件可以通过硬件设备实现,但是也可以只通过软件的解决方案得以实现,如在现有的服务器或移动设备上安装所描述的系统。
同理,应当注意的是,为了简化本说明书披露的表述,从而帮助对一个或多个发明实施例的理解,前文对本说明书实施例的描述中,有时会将多种特征归并至一个实施例、附图或对其的描述中。但是,这种披露方法并不意味着本说明书对象所需要的特征比权利要求中提及的特征多。实际上,实施例的特征要少于上述披露的单个实施例的全部特征。
一些实施例中使用了描述成分、属性数量的数字,应当理解的是,此类用于实施例描述的数字,在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明,“大约”、“近似”或“大体上”表明所述数字允许有±20%的变化。相应地,在一些实施例中,说明书和权利要求中使用的数值参数均为近似值,该近似值根据个别实施例所需特点可以发生改变。在一些实施例中,数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本说明书一些实施例中用于确认其范围广度的数值域和参数为近似值,在具体实施例中,此类数值的设定在可行范围内尽可能精确。
针对本说明书引用的每个专利、专利申请、专利申请公开物和其他材料,如文章、书籍、说明书、出版物、文档等,特此将其全部内容并入本说明书作为参考。与本说明书内容不一致或产生冲突的申请历史文件除外,对本说明书权利要求最广范围有限制的文件(当前或之后附加于本说明书中的)也除外。需要说明的是,如果本说明书附属材料中的描述、定义、和/或术语的使用与本说明书所述内容有不一致或冲突的地方,以本说明书的描述、定义和/或术语的使用为准。
最后,应当理解的是,本说明书中所述实施例仅用以说明本说明书实施例的原则。其他的变形也可能属于本说明书的范围。因此,作为示例而非限制,本说明书实施例的替代配置可视为与本说明书的教导一致。相应地,本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。
Claims (10)
1.一种可用于天然气能量计量的用户评价获取方法,包括:
获取目标区域的预设时间段内的天然气统计数据和区域用户数据;
通过用户评价预测模型基于所述天然气统计数据和所述区域用户数据,获得用户评价预测结果;
基于用户实际评价判断所述用户评价预测结果是否异常,若判断所述用户评价预测结果异常,则对所述用户评价预测结果进行调整。
2.如权利要求1所述的方法,所述对所述用户评价预测结果进行调整,包括:
基于故障影响因子对所述用户评价预测结果进行调整。
3.如权利要求2所述的方法,还包括:
通过故障因子预测模型基于所述目标区域的所述预设时间段内的所述天然气统计数据和故障率,确定所述故障影响因子。
4.如权利要求3所述的方法,还包括:
基于有故障评价数据与无故障评价数据,确定用于训练所述故障因子预测模型的故障因子训练样本的标签。
5.一种可用于天然气能量计量的用户评价获取系统,包括;
所述数据获取模块,用于获取目标区域的预设时间段内的天然气统计数据和区域用户数据;
所述评价预测模块,用于通过用户评价预测模型基于所述天然气统计数据和所述区域用户数据,获得用户评价预测结果;
所述预测调整模块,用于基于用户实际评价判断所述用户评价预测结果是否异常,若判断所述用户评价预测结果异常,则对所述用户评价预测结果进行调整。
6.如权利要求1所述的系统,所述预测调整模块还用于:
基于故障影响因子对所述用户评价预测结果进行调整。
7.如权利要求6所述的系统,所述预测调整模块还用于:
通过故障因子预测模型基于天然气统计数据和故障率,确定所述故障影响因子。
8.如权利要求7所述的系统,所述预测调整模块还用于:
基于有故障评价数据与无故障评价数据,确定用于训练所述故障因子预测模型的故障因子训练样本的标签。
9.一种可用于天然气能量计量的用户评价获取方法装置,包括处理器,所述处理器用于执行权利要求1~4中任一项所述的可用于天然气能量计量的用户评价获取方法。
10.一种计算机可读存储介质,所述存储介质存储计算机指令,当计算机读取存储介质中的计算机指令后,计算机执行如权利要求1~4任一项所述的可用于天然气能量计量的用户评价获取方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210045107.2A CN114399112A (zh) | 2022-01-14 | 2022-01-14 | 可用于天然气能量计量的用户评价获取方法和系统 |
US17/649,339 US11847186B2 (en) | 2021-02-04 | 2022-01-28 | Methods and systems for obtaining user evulation used in natural gas energy measurement |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210045107.2A CN114399112A (zh) | 2022-01-14 | 2022-01-14 | 可用于天然气能量计量的用户评价获取方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114399112A true CN114399112A (zh) | 2022-04-26 |
Family
ID=81230848
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210045107.2A Pending CN114399112A (zh) | 2021-02-04 | 2022-01-14 | 可用于天然气能量计量的用户评价获取方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114399112A (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102629364A (zh) * | 2012-03-13 | 2012-08-08 | 凯里供电局 | 一种电力设备状态的量化评分方法 |
CN106529816A (zh) * | 2016-11-15 | 2017-03-22 | 广东电网有限责任公司茂名供电局 | 电力线信道的调整方法和系统 |
CN107911491A (zh) * | 2017-12-27 | 2018-04-13 | 广东欧珀移动通信有限公司 | 信息推荐方法、装置及存储介质、服务器和移动终端 |
CN109447531A (zh) * | 2018-12-25 | 2019-03-08 | 国网福建省电力有限公司 | 一种基于神经网络健康度评价的智能电表状态评价方法 |
CN109523190A (zh) * | 2018-11-29 | 2019-03-26 | 国网河北省电力有限公司电力科学研究院 | 一种电能表的管理方法、管理装置及终端 |
CN109960886A (zh) * | 2019-03-30 | 2019-07-02 | 龙马智芯(珠海横琴)科技有限公司 | 一种空气舒适度评价方法、装置及空气调节设备 |
CN111260232A (zh) * | 2020-01-20 | 2020-06-09 | 广州燃气集团有限公司 | 一种户内燃气安全评价方法、系统、装置和存储介质 |
CN111831704A (zh) * | 2020-05-21 | 2020-10-27 | 北京嘀嘀无限科技发展有限公司 | 异常数据的确定方法、装置、存储介质和电子设备 |
CN112330034A (zh) * | 2020-11-10 | 2021-02-05 | 深圳市汇拓新邦科技有限公司 | 故障预测方法及系统 |
CN112381306A (zh) * | 2020-11-20 | 2021-02-19 | 广西电网有限责任公司防城港供电局 | 配电网智能化运维管控平台 |
CN112990443A (zh) * | 2021-05-06 | 2021-06-18 | 北京芯盾时代科技有限公司 | 神经网络评价方法及装置、电子设备、存储介质 |
CN113708493A (zh) * | 2021-08-26 | 2021-11-26 | 广东电网有限责任公司 | 基于云边协同的配电终端运维方法、装置和计算机设备 |
-
2022
- 2022-01-14 CN CN202210045107.2A patent/CN114399112A/zh active Pending
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102629364A (zh) * | 2012-03-13 | 2012-08-08 | 凯里供电局 | 一种电力设备状态的量化评分方法 |
CN106529816A (zh) * | 2016-11-15 | 2017-03-22 | 广东电网有限责任公司茂名供电局 | 电力线信道的调整方法和系统 |
CN107911491A (zh) * | 2017-12-27 | 2018-04-13 | 广东欧珀移动通信有限公司 | 信息推荐方法、装置及存储介质、服务器和移动终端 |
CN109523190A (zh) * | 2018-11-29 | 2019-03-26 | 国网河北省电力有限公司电力科学研究院 | 一种电能表的管理方法、管理装置及终端 |
CN109447531A (zh) * | 2018-12-25 | 2019-03-08 | 国网福建省电力有限公司 | 一种基于神经网络健康度评价的智能电表状态评价方法 |
CN109960886A (zh) * | 2019-03-30 | 2019-07-02 | 龙马智芯(珠海横琴)科技有限公司 | 一种空气舒适度评价方法、装置及空气调节设备 |
CN111260232A (zh) * | 2020-01-20 | 2020-06-09 | 广州燃气集团有限公司 | 一种户内燃气安全评价方法、系统、装置和存储介质 |
CN111831704A (zh) * | 2020-05-21 | 2020-10-27 | 北京嘀嘀无限科技发展有限公司 | 异常数据的确定方法、装置、存储介质和电子设备 |
CN112330034A (zh) * | 2020-11-10 | 2021-02-05 | 深圳市汇拓新邦科技有限公司 | 故障预测方法及系统 |
CN112381306A (zh) * | 2020-11-20 | 2021-02-19 | 广西电网有限责任公司防城港供电局 | 配电网智能化运维管控平台 |
CN112990443A (zh) * | 2021-05-06 | 2021-06-18 | 北京芯盾时代科技有限公司 | 神经网络评价方法及装置、电子设备、存储介质 |
CN113708493A (zh) * | 2021-08-26 | 2021-11-26 | 广东电网有限责任公司 | 基于云边协同的配电终端运维方法、装置和计算机设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11041646B2 (en) | Forecast-based automatic scheduling of a distributed network of thermostats with learned adjustment | |
US10481629B2 (en) | Cognitive platform and method for energy management for enterprises | |
Borgstein et al. | Evaluating energy performance in non-domestic buildings: A review | |
Aqlan et al. | A fuzzy-based integrated framework for supply chain risk assessment | |
CN109144724A (zh) | 一种微服务资源调度系统及方法 | |
US11585549B1 (en) | Thermal modeling technology | |
Deif | Dynamic analysis of a lean cell under uncertainty | |
EP3268821A1 (en) | Cascaded identification in building automation | |
Gharbi et al. | Production rate control of an unreliable manufacturing cell with adjustable capacity | |
CN106575422A (zh) | 能量管理系统和方法 | |
Kacar et al. | A comparison of multiple linear regression approaches for fitting clearing functions to empirical data | |
CN115438966B (zh) | 一种基于sem模型的养老服务机构配置优化方法及系统 | |
US20210225529A1 (en) | Apparatuses, computer-implemented methods, and computer program products for improved monitored building environment monitoring and scoring | |
CN109598236A (zh) | 一种自动化火点判识方法及系统 | |
CN108390793A (zh) | 一种分析系统稳定性的方法及装置 | |
He et al. | Predicting field reliability based on two-dimensional warranty data with learning effects | |
CN109345139B (zh) | 一种基于系统动力学的机场群效率及政策评估方法 | |
Zhang et al. | Integrated buffer monitoring and control based on grey neural network | |
CN110348676A (zh) | 一种变电站自动化设备状态评价方法及系统 | |
US11847186B2 (en) | Methods and systems for obtaining user evulation used in natural gas energy measurement | |
CN114399112A (zh) | 可用于天然气能量计量的用户评价获取方法和系统 | |
CN116485445A (zh) | 基于数据自动采集处理的新能源电力现货交易辅助系统 | |
CN116108970A (zh) | 智慧城市共享单车投放及运营区规划方法和物联网系统 | |
KR101831316B1 (ko) | 앙상블 인공지능 알고리즘을 사용한 상수도 유량 예측 방법 | |
CN110019100A (zh) | 针对lte网络问题的大数据分析系统 |
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 |