CN115934913B - 基于深度学习数据生成的碳排放核算方法和系统 - Google Patents
基于深度学习数据生成的碳排放核算方法和系统 Download PDFInfo
- Publication number
- CN115934913B CN115934913B CN202211662664.5A CN202211662664A CN115934913B CN 115934913 B CN115934913 B CN 115934913B CN 202211662664 A CN202211662664 A CN 202211662664A CN 115934913 B CN115934913 B CN 115934913B
- Authority
- CN
- China
- Prior art keywords
- data
- questionnaire
- unit
- carbon emission
- units
- 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
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 101
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 100
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000013135 deep learning Methods 0.000 title claims abstract description 23
- 238000011835 investigation Methods 0.000 claims abstract description 45
- 230000000694 effects Effects 0.000 claims abstract description 31
- 238000012217 deletion Methods 0.000 claims abstract description 3
- 230000037430 deletion Effects 0.000 claims abstract description 3
- 230000006870 function Effects 0.000 claims description 24
- 230000004308 accommodation Effects 0.000 claims description 10
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000001960 triggered effect Effects 0.000 claims description 4
- 238000012546 transfer Methods 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000012790 confirmation Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000000153 supplemental effect Effects 0.000 description 2
- 206010049976 Impatience Diseases 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000009469 supplementation Effects 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/80—Management or planning
- Y02P90/84—Greenhouse gas [GHG] management systems
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种基于深度学习数据生成的碳排放核算方法和系统,方法包括:获取与投标活动关联的第一数据集合;获取当前碳排放核算公式中的字段;从所述第一数据集合中获取属于投标单位的人员和联系方式;从所述第一数据集合中匹配碳排放核算公式中的字段,得到至少部分字段所对应的数据;根据数据缺失的字段,以及对应单位的人员和联系方式生成调查问卷,并进行问卷调查;当通过所述调查问卷无法获取数据的情况下,基于预设模型为当前需要补充数据的单位匹配相似单位,并利用相似单位的数据对当前单位中的数据字段进行填充;根据各字段的数据计算各单位的碳排放数据。
Description
技术领域
本申请涉及计算机领域,特别是一种基于深度学习数据生成的碳排放核算方法和系统。
背景技术
碳排放是环保领域关注的重要指标之一,碳排放的核算需要收集各种生产、经营、生活数据进行计算。在投标活动中,投标需要产生差旅、打印、会议等各种涉及碳排放的环节。当需要对投标活动的碳排放进行统计分析时,需要用户在投标活动中的数据,而这些数据的提供对于用户而言是一种负担,最常见的方式是通过调查问卷的方式获取每个用户的活动数据,但是这一方式对用户而言比较繁复,并且要求每个人都进行配合。
发明内容
为了解决上述问题的至少之一。为此,本发明提出一种基于深度学习数据生成的碳排放核算方法和系统,以通过方便用户的方式收集碳排放数据。
一方面,本申请实施例提供了一种基于深度学习数据生成的碳排放核算方法,包括:
获取与投标活动关联的第一数据集合;
获取当前碳排放核算公式中的字段;
从所述第一数据集合中获取属于投标单位的人员和联系方式;
从所述第一数据集合中匹配碳排放核算公式中的字段,得到至少部分字段所对应的数据;
根据数据缺失的字段,以及对应单位的人员和联系方式生成调查问卷,并进行问卷调查;
当通过所述调查问卷无法获取数据的情况下,基于训练好的模型为当前需要补充数据的单位匹配相似单位,并利用相似单位的数据对当前单位中的数据字段进行填充;
根据各字段的数据计算各单位的碳排放数据。
在一些实施例中,所述基于训练好的模型为当前需要补充数据的单位匹配相似单位,并利用相似单位的数据对当前单位中的数据字段进行填充,具体包括:
利用预设模型获取当前单位与第二数据集中的单位的相似度;其中第二数据集合中包括多个在预设时间段内参加投标活动的单位数据;
获取相似度排序最高的N个相邻单位数据;
按照相似度降序的方式,依次从所述N个相邻单位数据中查找当前单位存在缺失的字段在邻居用户数据中的对应值,并赋值给当前单位存在缺失的字段;
执行上一步骤直至当前单位缺失的字段均被赋值或者完成所有相邻单位数据的检索。
在一些实施例中,所述根据数据缺失的字段,以及对应单位的人员和联系方式生成调查问卷,并进行问卷调查,具体包括:
确定单位中的其中一个人员作为主调查对象;
根据数据缺失的字段匹配模板库中的问题生成主问题;
根据主调查对象的同行人信息生成附属于主问题的附属问题,所述附属问题用于调查同行人对于主问题的信息;
根据主调查对象的联系方式发送生成的调查问卷,以进行问卷调查。
在一些实施例中,所述调查问卷中,设置有转移调查人员的按钮,当所述按钮被触发时,根据用户选择的候选主调查对象生成新的问卷,并发送新的问卷至新的主调查对象,并删除当前的调查问卷。
在一些实施例中,所述根据数据缺失的字段,以及对应单位的人员和联系方式生成调查问卷,并进行问卷调查,还包括以下步骤:
当主调查对象上传问卷后,检查是否有字段欠缺失同行人的数据,若有,根据缺失的字段,生成针对各同行人的调查问卷,并根据各同行人的联系方式发送对应的调查问卷。
在一些实施例中,所述当通过所述调查问卷无法获取数据,具体是:
当下发的问卷回收时仍然有字段缺失、存在有无效数据或者问卷超过预定时间未提交时,判定通过所述调查问卷无法获取数据。
在一些实施例中,所述模板库中的问题模板配置有对应的转换函数和调用接口,所述调用接口用于在调查问卷中调用预设功能应用,所述预设功能应用包括地图功能和图片识别功能;
其中,所述预设功能应用用于辅助用户输入问题对应的内容,所述转换函数用于将用户输入的内容转换为问题所对应的字段的数据。
在一些实施例中,确定单位中的其中一个人员作为主调查对象,具体是:
随机确定单位中的其中一个人员作为主调查对象;
或者
根据所述第一数据集合中数据的提交来源占比确定单位中的其中一个人员作为主调查对象,所述提交来源根据提交数据时的用户信息确定。
另一方面,本申请实施例提供了一种基于深度学习数据生成的碳排放核算系统,包括:
存储器,用于存储程序;
处理器,用于加载所述程序以执行所述的基于深度学习数据生成的碳排放核算方法。
另一方面,本申请实施例提供了一种基于深度学习数据生成的碳排放核算系统,包括:
获取单元,用于获取与投标活动关联的第一数据集合,获取当前碳排放核算公式中的字段;从所述第一数据集合中获取属于投标单位的人员和联系方式;
匹配单元,用于从所述第一数据集合中匹配碳排放核算公式中的字段,得到至少部分字段所对应的数据;
调查问卷生成单元,用于根据数据缺失的字段,以及对应单位的人员和联系方式生成调查问卷,并进行问卷调查。
填充单元,用于当通过所述调查问卷无法获取数据的情况下,基于预设模型为当前需要补充数据的单位匹配相似单位,并利用相似单位的数据对当前单位中的数据字段进行填充。
计算单元,用于根据各字段的数据计算各单位的碳排放数据。
本申请实施例通过获取与投标活动关联的第一数据集合,以及当前碳排放核算公式中的字段,接着单位从所述第一数据集合中获取属于该单位的人员和联系方式;从所述第一数据集合中匹配碳排放核算公式中的字段,得到至少部分字段所对应的数据;根据数据缺失的字段,以及对应单位的人员和联系方式生成调查问卷,并进行问卷调查,通过这一方式,自动化统计缺失的数据,然后基于这些数据产生调查问卷进行调查,可以减少用户需要填写的内容,方便用户配合完成碳排放统计,而当通过所述调查问卷无法获取数据的情况下,基于训练好的模型在所述第一数据集合中为当前需要补充数据的单位匹配相似单位,并利用相似单位的数据对当前单位中的数据字段进行填充;通过这一方式,即便用户没有对调查问卷进行填写,仍然可以根据相似单位所产生的数据进行数据的填充,起到估算的作用,最后可以根据各字段的数据计算各单位的碳排放数据;通过实施上述实施例,可以减少用户需要填写的数据量,同时,采用两种数据填充的方式,在精度优先的情况下,采用相似补充的方式保障碳排放的估算。
附图说明
以下对附图的内容进行简要的说明。
图1是本申请实施例所提供的一种基于深度学习数据生成的碳排放核算方法的流程图;
图2是本申请实施例所提供的一种基于深度学习数据生成的碳排放核算方法实施架构的模块框图;
图3是本申请实施例所提供的调查问卷的示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,以下将参照本申请实施例中的附图,通过实施方式清楚、完整地描述本申请的技术方案。
参照图1和图2,本申请实施例提供了一种基于深度学习数据生成的碳排放核算方法,上述方法应用于图2所示的系统中,从系统中可知,其包括招投标系统,问卷服务器、碳排放核算服务器和用户手机终端,用户的手机终端通过招投标系统可以提交相关的招投标信息,而问卷生成服务器基于碳排放核算服务器的指令生成问卷,并发送到用户手机终端完成调查,问卷服务器最后根据用户手机终端返回的数据向碳排放核算服务器汇总,最后由碳排放核算服务器完成数据的核算,上述方法包括:
S1、获取与投标活动关联的第一数据集合。可以理解的是,针对某个投标项目,会需要申请人通过电子方式提交一定量的数据,可能包括申请人的企业信息,本次进行现场投标活动的人员名单和联系方式等等,这些数据中的部分数据会影响投标活动的碳排放核算。这些第一数据集合可以通过投标方发起收集。
S2、获取当前碳排放核算公式中的字段。
在统计投标活动的碳排放时主要统计的项目包括:文印消耗量对应的碳排放量,交通出行里程对应的碳排放量,酒店住宿人日对应的碳排放量,会议消耗量对应的碳排放量等。而文印消耗量主要来源于标书,而至于标书,一般会上传电子版本,可以基于电子版本的页数和用户打印的份数来进行碳排放统计。其中,打印的份数可以是由招标方提供的数据确定,也可以由用户通过问卷填写,或者根据历史数据进行匹配估算。交通出行方面的碳排放与人数,里程和出行方式和起始点有关系,这一数据招标方难以直接获取,通常需要通过调查的方式进行获取。对于住宿数据以及会议数据,主要与人数和有关,当然,在部分更加精细化的统计中,还会对住宿规格、会议规格、会议形式等进行细分。这些进一步的数据需要通过调查问卷的方式进行处理。那么意味着,对于整个碳排放核算而言,可以将上述几个大项进行相加得到总的碳排放量。而每个项目之下,可以设置多个数据字段用于计算对应项的碳排放。例如,在出行碳排放统计,其碳排放量等于每个人各项交通之和,而每项交通项目的碳排放量等于交通工具系数*里程数。
S3、从所述第一数据集合中获取属于投标单位的人员和联系方式。在本实施例中,以投标的单位作为统计的单元,属于同一个单位的人员会被关联在一起。这些数据一般从招标方系统中获取。招标方会要求投标方填写参与人员和相关的联系方式。这些数据是相对容易获取且基本是准确的。
S4、从所述第一数据集合中匹配碳排放核算公式中的字段,得到至少部分字段所对应的数据。在本步骤中,首先会在第一数据集合中查找当前公式中可以查找到的数据,并确定缺失的字段。例如,在投标系统中可以查找到标书的页数,只要页数固定的情况下,仅需要确定打印的份数即可统计该项目,此时,缺失的数据是标书的分数。此时,就可以减少用户填写标书页数的麻烦。
S5、根据数据缺失的字段,以及对应单位的人员和联系方式生成调查问卷,并进行问卷调查。在本步骤中,经过前面的数据匹配,可以确定当前还缺失哪些数据需要进行调查。以差旅为例,例如,用户已经预先填写了出发地和出行方式,此时,只需要调查用户在招标活动当地的本地出行方式。或者用户已经预先填写了出行方式,例如,填写自驾,此时只需要收集用户的出发地。通过这样的方式,可以减少用户填写信息的数量。
S6、当通过所述调查问卷无法获取数据的情况下,基于训练好的模型为当前需要补充数据的单位匹配相似单位,并利用相似单位的数据对当前单位中的数据字段进行填充。而在本步骤中,考虑到用户可能对调查问卷有所遗忘,因此,当用户超过一定的时限没有填写调查问卷的情况下,采用深度学习的方式匹配相似的单位,然后利用这一单位对应的字段对缺失的数据进行补全,这一方式的估算相对合理。这一步骤的设置,平衡了数据准确性和数据可获取性的矛盾。
其中,当下发的问卷回收时仍然有字段缺失、存在有无效数据或者问卷超过预定时间未提交时,判定通过所述调查问卷无法获取数据。例如,在投标活动结束后的一天下发问卷,如果三天内没有进行数据填写的情况下,判定无法获得数据。或者用户填写明显不合理的数据,这些数据可以通过统计手段确定。或者,部分问卷为了避免用户填写不耐烦而退出调查,或者因为其他原因调查中断,会在页面退出时将用户填写的数据进行上传。
S7、根据各字段的数据计算各单位的碳排放数据。
本实施例中,在获得单位对应的各字段数据之后,可以计算本次招标活动中单位对应的碳排放数据。这些碳排放数据可以进一步与基线进行相减,计算出碳排放的减排和增排,可以进一步利用排放量的增减为用户提供环保奖励,或者基于排放数据进行碳排放的交易等,从而促进各单位在招标活动中低碳环保。
在本实施例中提供一种公式,该公式用于计算碳排放数据,但是需要理解的是,上述公式根据所需要统计的对象不同而存在差异,本公式只是一种示例性的说明,不代表本申请希望保护的具体公式对象。
单位在招投标活动中的总碳排放量=文本打印对应的碳排放量(kgCO2)+交通出行对应的碳排放量(kgCO2)+住宿对应的碳排放量(kgCO2)+会议对应的碳排放量(kgCO2)。其中,文本打印对应的碳排放量等于各项打印之和,每项打印的碳排放等于打印页数*打印纸张的排放量。交通出行碳排放量等于单位对应的各人的出行总排放量,每个人的排放量是各段行程的碳排放量之和。每段行程的碳排放量计算方式是里程*交通工具碳排放量。住宿对应的碳排放可以按照人天乘以住宿规格对应的碳排放量进行估计。同理,会议碳排放可以通过与会人数乘以对应的会议排放因子得到。当然,在部分实施例中,可以进行进一步的细化,接下来对调查问卷的生成以及缺失数据的填充进行进一步的说明。
在一些实施例中,所述基于训练好的模型为当前需要补充数据的单位匹配相似单位,并利用相似单位的数据对当前单位中的数据字段进行填充,具体包括:
S61、利用预设模型获取当前单位与第二数据集中的单位的相似度;其中第二数据集合中包括多个在预设时间段内参加投标活动的单位数据。其中需要理解的是第二数据集合主要是最近数月参加招投标活动的单位信息和对应的与碳排放有关的数据。相当于第二数据集可以包含第一数据集的全部或者部分数据。关于相似度的计算,可以将模型的参数通过训练好的模型映射到向量空间之中得到语义向量,然后通过比较两个语义向量之间的距离来得到两者之间的相似度。需要理解的是,可以通过诸如企业规模(可以是人员规模,营收规模)、企业类型(销售企业,生产企业或者研发企业)、企业区域(南方、北方或者具体省份)等多种数据来描述企业。在比较相似度时,都是基于企业的已知数据。在部分实施例中,可以采用欧几里德距离来计算两者的相似度,相似度与两者在的欧几里德距离成反比,即越相近,越相似。可以理解的是利用相似的企业进行数据填充,可以起到估算的作用。
S62、获取相似度排序最高的N个相邻单位数据。例如,可以选择前10个比较相近的单位,由于这些单位的数据未必是完整的,所以可以选择前10个。
S63、按照相似度降序的方式,依次从所述N个相邻单位数据中查找当前单位存在缺失的字段在邻居用户数据中的对应值,并赋值给当前单位存在缺失的字段。简单来说,假设当前单位缺失字段A1,就会从最相似的第一相似的相邻单位数据中查找是否存在字段A1的数据,如果有,就进行赋值,从而填补数据,如果没有,就从第二相邻单位数据中查找是否存在字段A1,以此类推,直到填充该字段的数据。
S64、执行上一步骤直至当前单位缺失的字段均被赋值或者完成所有相邻单位数据的检索。本步骤实际上就是对所有缺失的字段进行依次查找和填补。
在一些实施例中,为了进一步减少调查的面积和减少填写数据的人员数量和填写数据的数量,所述根据数据缺失的字段,以及对应单位的人员和联系方式生成调查问卷,并进行问卷调查,具体包括:
S51、确定单位中的其中一个人员作为主调查对象。假设该单位具有三个参与投标活动的参与人,在现有的调查问卷方式中会对每个人发送一个调查问卷来获取完整的数据。但是本申请认为,这样的方式会扩大填写调查问卷的人员数量,并且会让不同的人重复填写部分数据,浪费投标人员的精力,同时也不利于完整收集数据。而针对投标活动的特点,通常投标人员多人同行具有相似的出行轨迹,并且相互知道对方的信息和行程。因此,选择一个人作为主调查对象,可以减少填写问卷人员的数量,减少重复填写的内容。
S52、根据数据缺失的字段匹配模板库中的问题生成主问题。可以理解的是,对于不同的字段可以设置不同问题模板供用户填写,模板库中有各类字段对应的问题模板。实际上,问卷问题采集内容的方式与需要获得的数据内容本质上存在差异。例如,如果将飞机形成问题直接以“填写本次旅途的公里数”,会使得用户难以回答。所以在模板库中,不仅有问题本身,还带有为了方便用户填写数据所携带的应用的调用接口和对应的数据转换函数。用户可以通过调用接口调用预设的应用功能进行输入。例如,在飞机行程问题中,用户可以调用接口调用地图,在地图中查找出发机场和终点机场,而用户在地图中输入的起始地则会转换成相关的航线里程。再一个例子中,用户通过日历填写出差时间,转换函数通过用户输入的日历信息转换成天数等所需的时间。
因此,通过上述实施例可知,模板库中的问题模板配置有对应的转换函数和调用接口,所述调用接口用于在调查问卷中调用预设功能应用,所述预设功能应用包括地图功能和图片识别功能;其中,所述预设功能应用用于辅助用户输入问题对应的内容,所述转换函数用于将用户输入的内容转换为问题所对应的字段的数据。
S53、根据主调查对象的同行人信息生成附属于主问题的附属问题,所述附属问题用于调查同行人对于主问题的信息。需要理解的是,附属问题的设置目的是为了方便确认是否进行补充调查,可以为主调查人提供同行人信息一致的选项,这样的选项可以快速确定是否需要对同行人进行信息补充。参考图3,图中提供了一种用于调查同行人的附属问题。该问题中,用户可以选择同行人行程是否完整,是否需要部分同行人进行补充的选项。在该例子中,当用户选择同行人行程完整的选项,对于该问题不会就其他同行人进行补充的问卷调查。若用户选择勾选相关的补充人员时,会针对需要补充的人员进行该问题的补充调查,而进行补充调查时,住调查人填写的关于补充人的数据也会带入,补充人可以进行修改、删除和增加。
S54、根据主调查对象的联系方式发送生成的调查问卷,以进行问卷调查。接着,问卷会根据主调查对象的通信方式进行发送,包括但不限于通过微信,公众号或者短信等方式进行推送。
被选中的主调查人可能并非主要负责安排行程的人员,可能并不知晓整个团队的情况。因此,在一些实施例中,所述调查问卷中设置有转移调查人员的按钮,当所述按钮被触发时,根据用户选择的候选主调查对象生成新的问卷,并发送新的问卷至新的主调查对象,并删除当前的调查问卷。如图3所示,图3提供一种转移调查人的示例性例子。本实施例中,当用户选择转移调查人员的按钮时,页面会将被选中的人员与确认信息上传至服务器,服务器会根据被选中的人员,然后根据被选中的人员生成新的问卷,发送给新的主调查人。这一过程,可以允许用户直接转移调查人,这一功能适应了招投标活动的差旅特点,可以优化在上述活动中填写问卷的流程。之所以需要重新生成调查问卷,其原因是调查问卷中涉及到同行人的选项,因此,更换主调查人后需要根据单位相关人员的信息生成新的问卷选项。例如,黄某,李某,陈某三人参加投标活动。当黄某是主调查人时,李某和陈某的名字会出现在部分选项中,而如果李某变更成主调查人后,黄某则替换李某出现在这些选项中。
在一些实施例中,所述根据数据缺失的字段,以及对应单位的人员和联系方式生成调查问卷,并进行问卷调查,还包括以下步骤:
当主调查对象上传问卷后,检查是否有字段欠缺失同行人的数据,若有,根据缺失的字段,生成针对各同行人的调查问卷,并根据各同行人的联系方式发送对应的调查问卷。
在本实施例中由于并非同一个单位的人员会都会从同一个地方出发,为了符合用户填写调查问卷的一般习惯,以及优化重复数据收集。允许用户在附属问题中选择由本人填写(补充)的选项。例如,关于住宿情况的问题,当用户完成后,可以选择李某住宿信息一致,黄某信息由本人填写等选项,这样,针对该问题,李某不会收到补充调查,而黄某则会收到关于该问题的补充调查。此时,当主调查人完成问卷调查后,系统会通过主调查人的问卷所收集到的数据,检查其余人员缺失的数据,并根据这些人员缺失的数据进一步生成针对他们的调查问卷。通过这一方式,虽然不可避免地让更多的人进行问卷调查,但是减少了第二批填写问卷的人的问题数量,避免了用户重复填写数据。
在一些实施例中,为了更加准确地找到更可能负责该单位行程的人员作为主调查人员,可以根据用户信息,如手机号等,通过分析在项目初期负责填报报表的用户的信息主要集中在哪个人身上来确定主调查对象。具体地,可以根据所述第一数据集合中数据的提交来源占比确定单位中的其中一个人员作为主调查对象,所述提交来源根据提交数据时的用户信息确定。例如,前期负责填报报表的账号绑定的手机号,报表中留下的联系方式都可以用于确定报表的提交来源。
本申请实施例提供了一种基于深度学习数据生成的碳排放核算系统,包括:
存储器,用于存储程序;
处理器,用于加载所述程序以执行所述的基于深度学习数据生成的碳排放核算方法。
本申请实施例提供了一种基于深度学习数据生成的碳排放核算系统,包括:
获取单元,用于获取与投标活动关联的第一数据集合,获取当前碳排放核算公式中的字段;从所述第一数据集合中获取属于投标单位的人员和联系方式;
匹配单元,用于从所述第一数据集合中匹配碳排放核算公式中的字段,得到至少部分字段所对应的数据;
调查问卷生成单元,用于根据数据缺失的字段,以及对应单位的人员和联系方式生成调查问卷,并进行问卷调查。
填充单元,用于当通过所述调查问卷无法获取数据的情况下,基于预设模型为当前需要补充数据的单位匹配相似单位,并利用相似单位的数据对当前单位中的数据字段进行填充。
计算单元,用于根据各字段的数据计算各单位的碳排放数据。
注意,上述仅为本申请的较佳实施例及所运用技术原理。本领域技术人员会理解,本申请不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本申请的保护范围。因此,虽然通过以上实施例对本申请进行了较为详细的说明,但是本申请不仅仅限于以上实施例,在不脱离本申请构思的情况下,还可以包括更多其他等效实施例,而本申请的范围由所附的权利要求范围决定。
Claims (6)
1.一种基于深度学习数据生成的碳排放核算方法,其特征在于,包括:
获取与投标活动关联的第一数据集合;
获取当前碳排放核算公式中的字段;
从所述第一数据集合中获取属于投标单位的人员和联系方式;
从所述第一数据集合中匹配碳排放核算公式中的字段,得到至少部分字段所对应的数据;
根据数据缺失的字段,以及对应单位的人员和联系方式生成调查问卷,并进行问卷调查;
当通过所述调查问卷无法获取数据的情况下,基于预设模型为当前需要补充数据的单位匹配相似单位,并利用相似单位的数据对当前单位中的数据字段进行填充;
根据各字段的数据计算各单位的碳排放数据;
所述根据数据缺失的字段,以及对应单位的人员和联系方式生成调查问卷,并进行问卷调查,具体包括:
确定单位中的其中一个人员作为主调查对象;
根据数据缺失的字段匹配模板库中的问题生成主问题;
根据主调查对象的同行人信息生成附属于主问题的附属问题,所述附属问题用于调查同行人对于主问题的信息;
根据主调查对象的联系方式发送生成的调查问卷,以进行问卷调查;
所述根据数据缺失的字段,以及对应单位的人员和联系方式生成调查问卷,并进行问卷调查,还包括以下步骤:
当主调查对象上传问卷后,检查是否有字段欠缺失同行人的数据,若有,根据缺失的字段,生成针对各同行人的调查问卷,并根据各同行人的联系方式发送对应的调查问卷;
其中,所述调查问卷中,设置有转移调查人员的按钮,当所述按钮被触发时,根据用户选择的候选主调查对象生成新的问卷,并发送新的问卷至新的主调查对象,并删除当前的调查问卷;
其中,单位在招投标活动中的总碳排放量=文本打印对应的碳排放量+交通出行对应的碳排放量+住宿对应的碳排放量+会议对应的碳排放量;
所述基于训练好的模型为当前需要补充数据的单位匹配相似单位,并利用相似单位的数据对当前单位中的数据字段进行填充,具体包括:
利用预设模型获取当前单位与第二数据集中的单位的相似度;其中第二数据集合中包括多个在预设时间段内参加投标活动的单位数据;
获取相似度排序最高的N个相邻单位数据;
按照相似度降序的方式,依次从所述N个相邻单位数据中查找当前单位存在缺失的字段在邻居用户数据中的对应值,并赋值给当前单位存在缺失的字段;
执行上一步骤直至当前单位缺失的字段均被赋值或者完成N个相邻单位数据的检索。
2.根据权利要求1所述的基于深度学习数据生成的碳排放核算方法,其特征在于,
所述当通过所述调查问卷无法获取数据,具体是:
当下发的问卷回收时仍然有字段缺失、存在有无效数据或者问卷超过预定时间未提交时,判定通过所述调查问卷无法获取数据。
3.根据权利要求1所述的基于深度学习数据生成的碳排放核算方法,其特征在于,所述模板库中的问题模板配置有对应的转换函数和调用接口,所述调用接口用于在调查问卷中调用预设功能应用,所述预设功能应用包括地图功能和图片识别功能;
其中,所述预设功能应用用于辅助用户输入问题对应的内容,所述转换函数用于将用户输入的内容转换为问题所对应的字段的数据。
4.根据权利要求1所述的基于深度学习数据生成的碳排放核算方法,其特征在于,确定单位中的其中一个人员作为主调查对象,具体是:
随机确定单位中的其中一个人员作为主调查对象;
或者
根据所述第一数据集合中数据的提交来源占比确定单位中的其中一个人员作为主调查对象,所述提交来源根据提交数据时的用户信息确定。
5.一种基于深度学习数据生成的碳排放核算系统,其特征在于,包括:
存储器,用于存储程序;
处理器,用于加载所述程序以执行如权利要求1-4任一项所述的基于深度学习数据生成的碳排放核算方法。
6.一种基于深度学习数据生成的碳排放核算系统,包括:
获取单元,用于获取与投标活动关联的第一数据集合,获取当前碳排放核算公式中的字段;从所述第一数据集合中获取属于投标单位的人员和联系方式;
匹配单元,用于从所述第一数据集合中匹配碳排放核算公式中的字段,得到至少部分字段所对应的数据;调查问卷生成单元,用于根据数据缺失的字段,以及对应单位的人员和联系方式生成调查问卷,并进行问卷调查;
填充单元,用于当通过所述调查问卷无法获取数据的情况下,基于预设模型为当前需要补充数据的单位匹配相似单位,并利用相似单位的数据对当前单位中的数据字段进行填充;
计算单元,用于根据各字段的数据计算各单位的碳排放数据;
所述根据数据缺失的字段,以及对应单位的人员和联系方式生成调查问卷,并进行问卷调查,具体包括:
确定单位中的其中一个人员作为主调查对象;
根据数据缺失的字段匹配模板库中的问题生成主问题;
根据主调查对象的同行人信息生成附属于主问题的附属问题,所述附属问题用于调查同行人对于主问题的信息;
根据主调查对象的联系方式发送生成的调查问卷,以进行问卷调查;
所述根据数据缺失的字段,以及对应单位的人员和联系方式生成调查问卷,并进行问卷调查,还包括以下步骤:
当主调查对象上传问卷后,检查是否有字段欠缺失同行人的数据,若有,根据缺失的字段,生成针对各同行人的调查问卷,并根据各同行人的联系方式发送对应的调查问卷;
其中,所述调查问卷中,设置有转移调查人员的按钮,当所述按钮被触发时,根据用户选择的候选主调查对象生成新的问卷,并发送新的问卷至新的主调查对象,并删除当前的调查问卷;
其中,单位在招投标活动中的总碳排放量=文本打印对应的碳排放量+交通出行对应的碳排放量+住宿对应的碳排放量+会议对应的碳排放量;
所述基于训练好的模型为当前需要补充数据的单位匹配相似单位,并利用相似单位的数据对当前单位中的数据字段进行填充,具体包括:
利用预设模型获取当前单位与第二数据集中的单位的相似度;其中第二数据集合中包括多个在预设时间段内参加投标活动的单位数据;
获取相似度排序最高的N个相邻单位数据;
按照相似度降序的方式,依次从所述N个相邻单位数据中查找当前单位存在缺失的字段在邻居用户数据中的对应值,并赋值给当前单位存在缺失的字段;
执行上一步骤直至当前单位缺失的字段均被赋值或者完成N个相邻单位数据的检索。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211662664.5A CN115934913B (zh) | 2022-12-23 | 2022-12-23 | 基于深度学习数据生成的碳排放核算方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211662664.5A CN115934913B (zh) | 2022-12-23 | 2022-12-23 | 基于深度学习数据生成的碳排放核算方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115934913A CN115934913A (zh) | 2023-04-07 |
CN115934913B true CN115934913B (zh) | 2024-03-22 |
Family
ID=86648890
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211662664.5A Active CN115934913B (zh) | 2022-12-23 | 2022-12-23 | 基于深度学习数据生成的碳排放核算方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115934913B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117935554A (zh) * | 2024-01-29 | 2024-04-26 | 国义招标股份有限公司 | 一种针对碳排放的数据采样处理方法及装置 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10013492B1 (en) * | 2010-09-24 | 2018-07-03 | Amazon Technologies, Inc. | Categorization based on user questionnaire |
CN111091411A (zh) * | 2019-11-07 | 2020-05-01 | 央视市场研究股份有限公司 | 问卷分割设计方法 |
CN114186563A (zh) * | 2020-09-15 | 2022-03-15 | 华为技术有限公司 | 电子设备及其语义解析方法、介质和人机对话系统 |
CN114385618A (zh) * | 2022-01-17 | 2022-04-22 | 大数金科网络技术有限公司 | 一种基于权重的数据智能补充方法 |
CN114626628A (zh) * | 2022-03-28 | 2022-06-14 | 王大成 | 碳排放核算系统及其核算方法 |
CN115186870A (zh) * | 2022-06-10 | 2022-10-14 | 北京工业大学 | 一种基于大数据的居民点出行碳排放的核算方法 |
CN115311003A (zh) * | 2022-07-12 | 2022-11-08 | 车智互联(北京)科技有限公司 | 一种用户标签生成方法、计算设备及存储介质 |
CN115409271A (zh) * | 2022-09-02 | 2022-11-29 | 中建工程产业技术研究院有限公司 | 一种建筑企业碳排放预测与建议方法和平台 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3734471A1 (en) * | 2019-04-30 | 2020-11-04 | Tata Consultancy Services Limited | Method and system for utilizing domain knowledge to automatically identify solution to a problem |
-
2022
- 2022-12-23 CN CN202211662664.5A patent/CN115934913B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10013492B1 (en) * | 2010-09-24 | 2018-07-03 | Amazon Technologies, Inc. | Categorization based on user questionnaire |
CN111091411A (zh) * | 2019-11-07 | 2020-05-01 | 央视市场研究股份有限公司 | 问卷分割设计方法 |
CN114186563A (zh) * | 2020-09-15 | 2022-03-15 | 华为技术有限公司 | 电子设备及其语义解析方法、介质和人机对话系统 |
CN114385618A (zh) * | 2022-01-17 | 2022-04-22 | 大数金科网络技术有限公司 | 一种基于权重的数据智能补充方法 |
CN114626628A (zh) * | 2022-03-28 | 2022-06-14 | 王大成 | 碳排放核算系统及其核算方法 |
CN115186870A (zh) * | 2022-06-10 | 2022-10-14 | 北京工业大学 | 一种基于大数据的居民点出行碳排放的核算方法 |
CN115311003A (zh) * | 2022-07-12 | 2022-11-08 | 车智互联(北京)科技有限公司 | 一种用户标签生成方法、计算设备及存储介质 |
CN115409271A (zh) * | 2022-09-02 | 2022-11-29 | 中建工程产业技术研究院有限公司 | 一种建筑企业碳排放预测与建议方法和平台 |
Non-Patent Citations (1)
Title |
---|
合成氨企业碳排放核算案例分析;安明;;氮肥与合成气;20170715(07);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN115934913A (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Gurumurthy et al. | Benefits and costs of ride-sharing in shared automated vehicles across Austin, Texas: Opportunities for congestion pricing | |
Komanduri et al. | Assessing the impact of app-based ride share systems in an urban context: Findings from Austin | |
US20030126010A1 (en) | Method and system for generating and deploying a market research tool | |
Hasnine et al. | Tour-based mode choice modelling as the core of an activity-based travel demand modelling framework: A review of state-of-the-art | |
Calastri et al. | We want it all: experiences from a survey seeking to capture social network structures, lifetime events and short-term travel and activity planning | |
Jeffers et al. | Trialling the use of smartphones as a tool to address gaps in small-scale fisheries catch data in southwest Madagascar | |
CN115934913B (zh) | 基于深度学习数据生成的碳排放核算方法和系统 | |
AU2014200389B2 (en) | Behavior management and expense insight system | |
EP3905162A2 (en) | Schedule management service system and method | |
CN113393060A (zh) | 任务分配方法、装置、电子设备及存储介质 | |
CN111831935A (zh) | 一种兴趣点排序方法、装置、电子设备及存储介质 | |
CN111127222A (zh) | 业务服务的处理方法、装置、设备及存储介质 | |
JP7242105B1 (ja) | プログラム、方法、およびシステム | |
Frei et al. | Modelling the frequency of contacts in a shrunken world | |
CN113469752A (zh) | 内容推荐方法、装置、存储介质及电子设备 | |
CN117332970A (zh) | 计划任务管理方法、装置、计算机设备和存储介质 | |
US20200160359A1 (en) | User-experience development system | |
JP7064995B2 (ja) | イベント提示装置、イベント提示方法およびイベント提示プログラム | |
CN115481328A (zh) | 生成定制题库方法、装置、计算机设备和存储介质 | |
CN113241134A (zh) | 在线问诊医生分配方法和系统、存储介质 | |
CN111191053A (zh) | 一种用于动物沟通培训服务的系统及实现方法 | |
Camargo et al. | Mobility-as-a-Service and Demand-Responsive Transport: Practical Implementation in Traditional Forecasting Models | |
CN111383050A (zh) | 产品数据整合及分析方法、装置及计算机可读存储介质 | |
JP2007328532A (ja) | 事業評価装置、事業評価方法、事業評価プログラム | |
JP7217482B1 (ja) | 旅程評価システム、旅程評価方法及び旅程評価プログラム |
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 |