CN115102871B - 基于业务特征向量的能源互联网控制终端业务处理方法 - Google Patents
基于业务特征向量的能源互联网控制终端业务处理方法 Download PDFInfo
- Publication number
- CN115102871B CN115102871B CN202210553312.XA CN202210553312A CN115102871B CN 115102871 B CN115102871 B CN 115102871B CN 202210553312 A CN202210553312 A CN 202210553312A CN 115102871 B CN115102871 B CN 115102871B
- Authority
- CN
- China
- Prior art keywords
- service
- service data
- feature vector
- data streams
- real
- 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
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2455—Query execution
- G06F16/24568—Data stream processing; Continuous queries
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/04—Processing captured monitoring data, e.g. for logfile generation
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L69/00—Network arrangements, protocols or services independent of the application payload and not provided for in the other groups of this subclass
- H04L69/08—Protocols for interworking; Protocol conversion
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Computer Security & Cryptography (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Environmental & Geological Engineering (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于业务特征向量的能源互联网控制终端业务处理方法。包括:1获取能源互联网的不同历史原始业务数据流;2对不同历史原始业务数据流分别进行预处理;3根据业务类别和业务需求参数对不同历史原始业务数据流分别进行业务特征向量标注,获得不同历史原始业务数据流对应的业务特征向量;4构建训练样本并输入到模型中进行训练,获得训练好的模型;5将模型部署到不同测量终端中,接着各个测量终端获取实时业务数据流并进行预处理,根据预处理后的实时业务数据流获得对应的业务特征向量;6对应控制终端根据对应高效交互协议中的业务特征向量对实时业务数据流进行处理。本发明通过业务特征向量的提取实现对业务数据流的可靠、高效处理。
Description
技术领域
本发明属于智能用电技术领域的一种能源互联网控制终端业务处理方法,具体涉及一种基于业务特征向量的能源互联网控制终端业务处理方法。
背景技术
随着国民经济的发展,我国对能源互联的需求不断增加,能源互联网业务数据在多种因素的影响下,呈现出多源、异构、海量的特点,同时能源信息自身具有特殊性以及保密性等特点。提高能源互联网控制终端对业务数据的处理效率,同时保证处理过程的安全性,是保障能源互联网安全稳定运行的重要课题。
在捕获能源互联网业务数据流后,需要对其进行业务类别划分与需求评估,并将结果提交能源互联网控制终端,再分配至相应业务部门处理。然而能源互联网业务数据流具有异构、海量、高时效性等特点,难以通过统一的数学模型来描述多源、异构的业务数据,同时依靠人工经验难以应对流式的能源互联网业务数据,损失了业务数据的时间价值。
发明内容
为了解决背景技术中存在的问题和需求,本发明的目的是提出一种基于业务特征向量的能源互联网控制终端业务处理方法。
本发明的技术方案如下:
本发明包括以下步骤:
步骤1:获取能源互联网的不同历史原始业务数据流;
步骤2:对不同历史原始业务数据流分别进行预处理,获得对应预处理后的历史业务数据流;
步骤3:根据业务类别和业务需求参数对不同历史原始业务数据流分别进行业务特征向量标注,获得不同历史原始业务数据流对应的业务特征向量;
步骤4:预处理后的历史业务数据流和对应的业务特征向量构成训练样本并输入到业务特征向量提取模型中进行训练,获得训练好的业务特征向量提取模型;
步骤5:将训练好的业务特征向量提取模型部署到不同测量终端中,接着各个测量终端获取实时业务数据流,各个测量终端中将自身获取的实时业务数据流进行预处理,将预处理后的实时业务数据流输入到对应的训练好的业务特征向量提取模型,输出获得该实时业务数据流对应的业务特征向量;
步骤6:将各个测量终端中获得的业务特征向量加载至对应控制终端的高效交互协议中,各个测量终端将自身获得的预处理后的实时业务数据流发送给对应的控制终端时,对应的控制终端根据对应高效交互协议中的业务特征向量对接收的预处理后的实时业务数据流进行处理。
所述步骤2具体为:
将不同种类的历史原始业务数据流均转化为统一的数据格式,将格式统一后的历史业务数据流作为预处理后的历史业务数据流。
所述业务特征向量包括业务类别标签F和业务需求向量R,具体公式如下:
F=[f1,...,fn,...,fN]
其中,N表示业务类别个数,fn表示第n类业务类别,M为业务需求参数的总数,rmn表示第n类业务类别的第m个业务需求值,Imn表示第n类业务类别是否对第m个业务需求参数有需求,若有需求则Imn=1,反之则Imn=0。
每个所述测量终端中,计算测量终端获取的相邻两批次的预处理后的实时业务数据流之间的差异度,根据差异度阈值记录差异度大的预处理后的实时业务数据流,当差异度大的实时业务数据流积累到大于预设数量时,根据所有记录的差异度大的预处理后的实时业务数据流对当前测量终端中的训练好的业务特征向量提取模型进行训练并更新,利用更新后的业务特征向量提取模型提取业务特征向量。
所述差异度的计算公式如下:
其中,ρ12表示测量终端获取的相邻两批次的预处理后的实时业务数据流之间的差异度,d1表示前一批次测量终端获取的预处理后的实时业务数据流,d2表示后一批次测量终端获取的预处理后的实时业务数据流,d1i和d2i分别表示前后相邻两批次的预处理后的实时业务数据流的第i个数据,m0为预处理后的实时业务数据流的数据总长度。
本发明具有以下有益效果:
本发明提取的业务特征向量能够满足能源互联网控制终端业务处理要求,利用经离线训练的业务特征向量提取模型,实时提取业务数据流的业务特征向量,同时引入业务向量提取模型的更新机制,进一步提升了模型对实时业务数据流的适应能力,提高了控制终端的业务处理效率,同时保证了业务数据流的安全性。
附图说明
图1是本发明的方法流程示意图。
图2是本发明的业务类别体系。
图3是本发明业务特征向量提取模型的结构图。
图4是本发明多源数据预处理框架图。
具体实施方式
下面结合附图和实施例对本发明做进一步阐述和说明。本发明中各个实施方式的技术特征在没有相互冲突的前提下,均可进行相应组合。
如图1所示,本发明包括以下步骤:
步骤1:获取能源互联网的不同历史原始业务数据流;
步骤2:对不同历史原始业务数据流分别进行预处理,获得对应预处理后的历史业务数据流;
步骤2具体为:
将不同种类的历史原始业务数据流均转化为统一的数据格式,将格式统一后的历史业务数据流作为预处理后的历史业务数据流;
具体实施中,如文本、音频类数据转换为二维的时序数据;将图像转换为二维的像素数据;对于视频,在图像的基础上增加时间维度,将视频转换为三维的像素数据;最后,分别将各类数据压缩到一维,形成统一的数据格式。
步骤3:根据业务类别和业务需求参数对不同历史原始业务数据流分别进行业务特征向量标注,获得不同历史原始业务数据流对应的业务特征向量,业务特征向量的设置使得控制终端中处理的业务数据流更为高效、可靠、安全等;
业务特征向量包括业务类别标签F和业务需求向量R,具体公式如下:
F=[f1,...,fn,...,fN]
其中,业务类别标签F为N维列向量,N表示业务类别个数,fn表示第n类业务类别,当业务数据流仅为第一类业务类别,则当前业务数据流的业务类别标签为[1,0,...,0],当业务数据流同时属于第一类和第二类业务类别时,则当前业务数据流的业务类别标签为[1,1,...,0],具体实施中,业务类别分为性能关键类、安全关键类、可达关键类,如图2所示,例如在线计算类应用业务是性能关键类,能源协调调度类应用业务是可达关键类,在线调度类应用业务是性能关键类和可达关键类,终端物联类应用业务是安全关键类,广域物联类应用业务是性能关键类和安全关键类,物联传感类应用业务是安全关键类和可达关键类,理想交互模式业务是性能关键类、安全关键类和可达关键类。M为业务需求参数的总数,具体实施中,M=3。rmn表示第n类业务类别的第m个业务需求值,Imn表示第n类业务类别是否对第m个业务需求参数有需求,若有需求则Imn=1,反之则Imn=0;具体实施中,业务需求参数具体为能源互联网业务的通信安全性、计算时效性、交互可达性等。
步骤4:预处理后的历史业务数据流和对应的业务特征向量构成训练样本并输入到业务特征向量提取模型中进行训练,获得训练好的业务特征向量提取模型;
具体实施中,如图3所示,为了更好的给出特征分类情况以及需求值,采用门控循环神经网络对数据流进行特征编码,并采用深度全连接神经网络组成解码部分,整体模型为一个多输入-多输出网络。模型的输入为经格式处理的业务数据流及包含其来源的物理信息,输出为所需的业务特征向量。
业务特征向量提取模型结构如下:数据流的特征编码器由与数据流等维度的门控循环神经元组成,编码结果与数据流的物理信息共同组成模型的输入向量。解码部分由两个深度全连接神经网络构成,用于业务分类的神经网络包含三个隐藏层,神经元个数分别为32、32、20,一个输出层,神经元个数为16;用于需求值生成的神经网络结构与前者相同,二者共用一个输入层,神经元个数为40。一方面可以适应不同长度的输入数据,另一方面可以将回归与分类任务解耦处理。
具体的数学模型如下:
数据流特征编码部分由门控循环神经网络组成,门控循环神经元中重置门rt、更新门zt、待更新单元神经元的输出ht、神经元状态Ct与输入xt间的数学关系为:
其中,[]表示向量拼接,Wr、Wz、Wh表示输入权重参数,br、bz、bh表示输入偏置参数,s表示sigmoid函数,tanh表示双曲正切函数。
解码部分的深度全连接神经网络的层数为5层,输入层到输出层各层神经元个数(不包含偏置节点)分别为m0,m1,m2…,m4,由此定义了输入向量的维度为m0,输出向量的维度为m4。网络的每一层输出向量分别表述为:
输入层:
隐藏层1:
隐藏层2:
…
输出层:
每一层的计算过程可以表示为如下过程:
Yi+1=fk(neti)
定义每一层的激活函数分别为f1,f2,…,fk,一般根据不同的应用选择相应的激活函数,本专利中采用线性整流函数。
通过构建均方根误差最小的目标函数以及链式求导法则,对模型进行基于梯度反向传播的参数更新,最终获得可在线应用的业务特征向量提取模型。
步骤5:将训练好的业务特征向量提取模型部署到不同测量终端中,接着各个测量终端获取实时业务数据流,各个测量终端中将自身获取的实时业务数据流进行预处理,即将实时业务数据流进行数据格式统一,将预处理后的实时业务数据流输入到对应的训练好的业务特征向量提取模型,输出获得该实时业务数据流对应的业务特征向量;具体实施中,测量终端为树莓派。
每个测量终端中,计算测量终端获取的相邻两批次的预处理后的实时业务数据流之间的差异度,根据差异度阈值记录差异度大的实时业务数据流,当差异度大的预处理后的实时业务数据流大于预设数量时,根据上一次更新后与当前时刻前积累的所有差异度大的预处理后的实时业务数据流对当前测量终端中的训练好的业务特征向量提取模型进行训练并更新,利用更新后的业务特征向量提取模型提取业务特征向量。
差异度表示测量终端接收的相邻批次业务数据流的差异程度,差异度越小,表示相邻批次业务数据流越相似,当差异度较大,即相邻批次业务数据流相似度较低时,步骤4中训练完成的模型存在无法适应业务数据流变化的风险,因此需要更新模型的参数,使模型实时适应业务数据流。
差异度的计算公式如下:
其中,ρ12表示测量终端获取的相邻两批次的预处理后的实时业务数据流之间的差异度,d1表示前一批次测量终端获取的预处理后的实时业务数据流,d2表示后一批次测量终端获取的预处理后的实时业务数据流,d1i和d2i分别表示前后相邻两批次的预处理后的实时业务数据流的第i个数据,m0为预处理后的实时业务数据流的数据总长度。
步骤6:将各个测量终端中获得的业务特征向量加载至对应控制终端的高效交互协议中,各个测量终端将自身获得的预处理后的实时业务数据流发送给对应的控制终端时,对应的控制终端根据对应高效交互协议中的业务特征向量对接收的预处理后的实时业务数据流进行处理;具体实施中,测量终端为树莓派,获取实时业务数据流并利用训练好的业务特征向量提取模型对其进行业务特征向量提取,同时在云端服务器形成云端服务器与树莓派之间的高效交互协议,高效交互协议中包括业务特征向量,云端服务器根据业务特征向量中的业务类别决定将该实时业务数据流派发至相应业务部门,根据业务特征向量中的业务需求参数决定对该实时业务数据流分配计算资源和调度优先级。
Claims (5)
1.一种基于业务特征向量的能源互联网控制终端业务处理方法,其特征在于,包括以下步骤:
步骤1:获取能源互联网的不同历史原始业务数据流;
步骤2:对不同历史原始业务数据流分别进行预处理,获得对应预处理后的历史业务数据流;
步骤3:根据业务类别和业务需求参数对不同历史原始业务数据流分别进行业务特征向量标注,获得不同历史原始业务数据流对应的业务特征向量;
步骤4:预处理后的历史业务数据流和对应的业务特征向量构成训练样本并输入到业务特征向量提取模型中进行训练,获得训练好的业务特征向量提取模型;
步骤5:将训练好的业务特征向量提取模型部署到不同测量终端中,接着各个测量终端获取实时业务数据流,各个测量终端中将自身获取的实时业务数据流进行预处理,将预处理后的实时业务数据流输入到对应的训练好的业务特征向量提取模型,输出获得该实时业务数据流对应的业务特征向量;
步骤6:将各个测量终端中获得的业务特征向量加载至对应控制终端的高效交互协议中,各个测量终端将自身获得的预处理后的实时业务数据流发送给对应的控制终端时,对应的控制终端根据对应高效交互协议中的业务特征向量对接收的预处理后的实时业务数据流进行处理。
2.根据权利要求1所述的一种基于业务特征向量的能源互联网控制终端业务处理方法,其特征在于,所述步骤2具体为:
将不同种类的历史原始业务数据流均转化为统一的数据格式,将格式统一后的历史业务数据流作为预处理后的历史业务数据流。
3.根据权利要求1所述的一种基于业务特征向量的能源互联网控制终端业务处理方法,其特征在于,所述业务特征向量包括业务类别标签F和业务需求向量R,具体公式如下:
F=[f1,...,fn,...,fN]
其中,N表示业务类别个数,fn表示第n类业务类别,M为业务需求参数的总数,rmn表示第n类业务类别的第m个业务需求值,Imn表示第n类业务类别是否对第m个业务需求参数有需求,若有需求则Imn=1,反之则Imn=0。
4.根据权利要求1所述的一种基于业务特征向量的能源互联网控制终端业务处理方法,其特征在于,每个所述测量终端中,计算测量终端获取的相邻两批次的预处理后的实时业务数据流之间的差异度,根据差异度阈值记录差异度大的预处理后的实时业务数据流,当差异度大的实时业务数据流积累到大于预设数量时,根据所有记录的差异度大的预处理后的实时业务数据流对当前测量终端中的训练好的业务特征向量提取模型进行训练并更新,利用更新后的业务特征向量提取模型提取业务特征向量。
5.根据权利要求4所述的一种基于业务特征向量的能源互联网控制终端业务处理方法,其特征在于,所述差异度的计算公式如下:
其中,ρ12表示测量终端获取的相邻两批次的预处理后的实时业务数据流之间的差异度,d1表示前一批次测量终端获取的预处理后的实时业务数据流,d2表示后一批次测量终端获取的预处理后的实时业务数据流,d1i和d2i分别表示前后相邻两批次的预处理后的实时业务数据流的第i个数据,m0为预处理后的实时业务数据流的数据总长度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210553312.XA CN115102871B (zh) | 2022-05-20 | 2022-05-20 | 基于业务特征向量的能源互联网控制终端业务处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210553312.XA CN115102871B (zh) | 2022-05-20 | 2022-05-20 | 基于业务特征向量的能源互联网控制终端业务处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115102871A CN115102871A (zh) | 2022-09-23 |
CN115102871B true CN115102871B (zh) | 2023-10-03 |
Family
ID=83288754
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210553312.XA Active CN115102871B (zh) | 2022-05-20 | 2022-05-20 | 基于业务特征向量的能源互联网控制终端业务处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115102871B (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101510841A (zh) * | 2008-12-31 | 2009-08-19 | 成都市华为赛门铁克科技有限公司 | 端到端流量识别方法和系统 |
CN102647760A (zh) * | 2012-03-02 | 2012-08-22 | 黄东 | 一种基于多业务网络的业务资源高效管理方法 |
CN110197188A (zh) * | 2018-02-26 | 2019-09-03 | 北京京东尚科信息技术有限公司 | 业务场景预测、分类的方法、系统、设备和存储介质 |
CN111292105A (zh) * | 2018-12-06 | 2020-06-16 | 北京嘀嘀无限科技发展有限公司 | 一种业务需求确定方法以及装置 |
CN111340148A (zh) * | 2020-05-22 | 2020-06-26 | 支付宝(杭州)信息技术有限公司 | 一种业务分类模型的训练方法、业务分类方法以及终端 |
CN111523649A (zh) * | 2020-05-09 | 2020-08-11 | 支付宝(杭州)信息技术有限公司 | 针对业务模型进行数据预处理的方法及装置 |
CN112231224A (zh) * | 2020-10-30 | 2021-01-15 | 平安银行股份有限公司 | 基于人工智能的业务系统测试方法、装置、设备和介质 |
CN112487033A (zh) * | 2020-11-30 | 2021-03-12 | 国网山东省电力公司电力科学研究院 | 一种面向数据流及构建网络拓扑的业务可视化方法及系统 |
CN112883183A (zh) * | 2021-03-22 | 2021-06-01 | 北京大学深圳研究院 | 构建多分类模型的方法、智能客服方法和相关装置及系统 |
CN113099474A (zh) * | 2021-04-08 | 2021-07-09 | 湖南国科轩宇信息科技有限公司 | 卫星互联网用户终端短期业务量需求预测方法及装置 |
CN113256351A (zh) * | 2021-06-29 | 2021-08-13 | 南京冰鉴信息科技有限公司 | 用户业务需求识别方法、装置及计算机可读存储介质 |
CN113408202A (zh) * | 2021-06-18 | 2021-09-17 | 国网湖南省电力有限公司 | 面向变电站核心工控业务的流量基线模型构造方法 |
CN114330544A (zh) * | 2021-12-28 | 2022-04-12 | 国网冀北电力有限公司信息通信分公司 | 一种业务流量异常检测模型建立方法及异常检测方法 |
-
2022
- 2022-05-20 CN CN202210553312.XA patent/CN115102871B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101510841A (zh) * | 2008-12-31 | 2009-08-19 | 成都市华为赛门铁克科技有限公司 | 端到端流量识别方法和系统 |
CN102647760A (zh) * | 2012-03-02 | 2012-08-22 | 黄东 | 一种基于多业务网络的业务资源高效管理方法 |
CN110197188A (zh) * | 2018-02-26 | 2019-09-03 | 北京京东尚科信息技术有限公司 | 业务场景预测、分类的方法、系统、设备和存储介质 |
CN111292105A (zh) * | 2018-12-06 | 2020-06-16 | 北京嘀嘀无限科技发展有限公司 | 一种业务需求确定方法以及装置 |
CN111523649A (zh) * | 2020-05-09 | 2020-08-11 | 支付宝(杭州)信息技术有限公司 | 针对业务模型进行数据预处理的方法及装置 |
CN111340148A (zh) * | 2020-05-22 | 2020-06-26 | 支付宝(杭州)信息技术有限公司 | 一种业务分类模型的训练方法、业务分类方法以及终端 |
CN112231224A (zh) * | 2020-10-30 | 2021-01-15 | 平安银行股份有限公司 | 基于人工智能的业务系统测试方法、装置、设备和介质 |
CN112487033A (zh) * | 2020-11-30 | 2021-03-12 | 国网山东省电力公司电力科学研究院 | 一种面向数据流及构建网络拓扑的业务可视化方法及系统 |
CN112883183A (zh) * | 2021-03-22 | 2021-06-01 | 北京大学深圳研究院 | 构建多分类模型的方法、智能客服方法和相关装置及系统 |
CN113099474A (zh) * | 2021-04-08 | 2021-07-09 | 湖南国科轩宇信息科技有限公司 | 卫星互联网用户终端短期业务量需求预测方法及装置 |
CN113408202A (zh) * | 2021-06-18 | 2021-09-17 | 国网湖南省电力有限公司 | 面向变电站核心工控业务的流量基线模型构造方法 |
CN113256351A (zh) * | 2021-06-29 | 2021-08-13 | 南京冰鉴信息科技有限公司 | 用户业务需求识别方法、装置及计算机可读存储介质 |
CN114330544A (zh) * | 2021-12-28 | 2022-04-12 | 国网冀北电力有限公司信息通信分公司 | 一种业务流量异常检测模型建立方法及异常检测方法 |
Non-Patent Citations (3)
Title |
---|
用电信息采集系统多业务高效协同处理关键技术;武文广;王朝亮;叶方彬;赵羚;张燕;肖坚红;;智慧电力(11);全文 * |
电力通信网络业务质量特征的数据流智能调度;田毅;段志国;闫震;于振江;王玉;查凡;;计算机测量与控制(06);全文 * |
配电网分布式多源业务流即时处理技术研究;杨琦;马智强;梁飞;黄吉涛;舒一飞;马广霞;刘鹏;;宁夏电力(06);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN115102871A (zh) | 2022-09-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113408202B (zh) | 面向变电站核心工控业务的流量基线模型构造方法 | |
Luo et al. | A novel adaptive gradient compression scheme: Reducing the communication overhead for distributed deep learning in the Internet of Things | |
CN113988449A (zh) | 基于Transformer模型的风电功率预测方法 | |
CN115277888B (zh) | 一种移动应用加密协议报文类型解析方法及系统 | |
CN112446489A (zh) | 基于变分自编码器的动态网络嵌入链接预测方法 | |
CN115203409A (zh) | 一种基于门控融合和多任务学习的视频情感分类方法 | |
CN111460097B (zh) | 一种基于tpn的小样本文本分类方法 | |
Li et al. | Network traffic classification based on deep learning | |
CN116935126A (zh) | 一种基于经典—量子混合机器学习的医学图像分类方法 | |
CN112860904A (zh) | 一种融入外部知识的生物医疗关系抽取方法 | |
CN116957698A (zh) | 一种基于改进时序模式注意力机制的电价预测方法 | |
CN116957304B (zh) | 无人机群协同任务分配方法及系统 | |
CN117669699A (zh) | 一种工业物联网场景下面向数字孪生的语义信息联邦学习方法及系统 | |
CN116244484B (zh) | 一种面向不平衡数据的联邦跨模态检索方法及系统 | |
CN113705242A (zh) | 面向教育咨询服务的智能语义匹配方法和装置 | |
CN115102871B (zh) | 基于业务特征向量的能源互联网控制终端业务处理方法 | |
CN117197722A (zh) | 基于移动互联网视频的用户感知与分析系统 | |
CN110020379B (zh) | 一种基于深度动态网络嵌入表示模型的链路预测方法 | |
CN112529637B (zh) | 基于情景感知的服务需求动态预测方法及系统 | |
Zhao et al. | Hotfed: Hot start through self-supervised learning in federated learning | |
CN115730631A (zh) | 联邦学习的方法和装置 | |
CN109919203A (zh) | 一种基于离散动态机制的数据分类方法及装置 | |
CN113918700B (zh) | 一种带噪的半监督意图识别模型训练方法 | |
Zhao et al. | Industrial Internet Network Slice Prediction Algorithm Based on Multidimensional and Deep Neural Networks | |
CN117094381B (zh) | 一种兼顾高效通信和个性化的多模态联邦协同方法 |
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 |