CN115936241A - 一种电力施工作业节奏预测方法及系统 - Google Patents
一种电力施工作业节奏预测方法及系统 Download PDFInfo
- Publication number
- CN115936241A CN115936241A CN202211671195.3A CN202211671195A CN115936241A CN 115936241 A CN115936241 A CN 115936241A CN 202211671195 A CN202211671195 A CN 202211671195A CN 115936241 A CN115936241 A CN 115936241A
- Authority
- CN
- China
- Prior art keywords
- data
- model
- rhythm
- feature
- training
- 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
Images
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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及电力领域，是电力施工作业节奏预测方法及系统，包括：获取施工信息数据及作业标签数据，并输入自编码器模型中进行训练，得到补全、修正处理后的施工信息数据集以及作业标签数据集，并划分为训练集和测试集；将训练集输入梯度提升决策树模型进行训练；根据梯度提升决策树模型输出的特征重要性筛选排名靠前的特征，输入梯度提升决策树模型中得到离散特征集；对离散特征集进行编码处理后输入支持向量机模型中，对其进行训练；将测试集输入梯度提升决策树与支持向量机的混合模型中，对混合模型进行调参；把无标签样本数据输入调参后的混合模型中，得到是否存在超节奏作业的标签数据。本发明可智能预测作业人员是否超节奏作业。
Description
技术领域
本发明涉及电力领域，具体是一种电力施工作业节奏预测方法及系统。
背景技术
作业人员超节奏作业时，很容易产生疲劳，从而会带来较大的作业风险，为了避免这种情况的发生，需要对作业人员进行超节奏管控。目前，对作业人员的管控一般是人工来监督实现，没有可靠的智能监控方案。
另一方面，支持向量机(Support Vector Machines,SVM)是一种二分类模型，也是一种定义在特征空间上的间隔最大的线性分类器，它通常引入核函数来解决非线性问题。支持向量机SVM的学习策略就是间隔最大化，可理解为求解凸二次规划的最优化算法；SVM可以解决小样本下机器学习问题，相对神经网络等算法不会面临局部极小值问题，泛化能力较强，广泛运用于各种业务场景中。但支持向量机SVM对缺失数据敏感，并且在非线性问题上没有通用解决方案，很难找到一个合适的核函数；实际运用中，一般需要提前进行大量的特征工程处理，从而将特征离散化，或者尝试不同的核函数来进行映射实验。
发明内容
为克服现有技术的不足，本发明提出一种电力施工作业节奏预测方法及系统，通过机器学习的GBDT模型与SVM模型相结合，对施工作业的基础信息进行建模分析，以智能预测作业人员是否超节奏作业。
本发明方法采用如下技术方案来实现：一种电力施工作业节奏预测方法，包括以下步骤：
获取原始数据，包括施工信息数据、作业人员是否超节奏作业标签数据；
预处理所获取的原始数据；
训练自编码器模型，将所述施工信息数据及所述作业标签数据输入自编码器模型中进行训练，获得自编码器模型的最佳参数，并得到空缺值与异常值补全、修正处理后的施工信息数据集X′以及作业标签数据集Y′；
数据集划分，将补全和修正处理后的施工信息数据集、作业标签数据集中的样本划分为训练集(X′ 1,Y′ 1)和测试集(X′ 2,Y′ 2)；
将训练集(X′ 1,Y′ 1)输入梯度提升决策树模型进行训练，获得梯度提升决策树模型的最佳超参数；
筛选重要特征，根据梯度提升决策树模型输出的特征重要性筛选排名靠前的特征，得到降维后的特征集；
构造新特征，将降维后的特征集输入训练好的梯度提升决策树模型中，将梯度提升决策树模型输出的叶子节点作为新特征，得到新的离散特征集X″；
特征独热化，对离散特征集X″进行one-hot编码处理，得到编码处理后的特征集X″′；
将编码处理后的特征集X″′中的特征数据(X1″′,Y1)输入支持向量机模型中，对支持向量机模型进行训练，获得最佳的分离超平面；
选取最佳参数，将测试集(X′2,Y′2)输入训练好的梯度提升决策树与支持向量机的混合模型中，使用网格法对混合模型进行调参，以F1值与AUC值为调参后的混合模型评估指标，选取混合模型的最佳超参数；
结果预测，把需要预测的无标签样本数据输入调参后的混合模型中，得到所述样本数据是否存在超节奏作业的标签数据。
本发明系统采用如下技术方案来实现：一种电力施工作业节奏预测系统，包括以下模块：
数据获取模块，用于获取原始数据，包括施工信息数据、作业人员是否超节奏作业标签数据；
预处理模块，用于预处理所获取的原始数据；
自编码器模型训练模块，用于将所述施工信息数据及所述作业标签数据输入自编码器模型中进行训练，获得自编码器模型的最佳参数，并得到空缺值与异常值补全、修正处理后的施工信息数据集X′以及作业标签数据集Y′；
数据集划分模块，用于将补全和修正处理后的施工信息数据集、作业标签数据集中的样本划分为训练集(X′1,Y′1)和测试集(X′2,Y′2)；
梯度提升决策树模型训练模块，用于将训练集(X′1,Y′1)输入梯度提升决策树模型进行训练，获得梯度提升决策树模型的最佳超参数；
重要特征筛选模块，用于根据梯度提升决策树模型输出的特征重要性筛选排名靠前的特征，得到降维后的特征集；
新特征构造模块，用于将降维后的特征集输入训练好的梯度提升决策树模型中，将梯度提升决策树模型输出的叶子节点作为新特征，得到新的离散特征集X″；
特征独热化模块，用于对离散特征集X″进行one-hot编码处理，得到编码处理后的特征集X″′；
支持向量机模型训练模块，用于将编码处理后的特征集X″′中的特征数据(X1″′,Y1)输入支持向量机模型中，对支持向量机模型进行训练，获得最佳的分离超平面；
混合模型参数调整模块，用于将测试集(X′2,Y′2)输入训练好的梯度提升决策树与支持向量机的混合模型中，使用网格法对混合模型进行调参，以F1值与AUC值为调参后的混合模型评估指标，选取混合模型的最佳超参数；
结果预测模块，用于把需要预测的无标签样本数据输入调参后的混合模型中，得到所述样本数据是否存在超节奏作业的标签数据；
所述施工信息数据包括作业专业数据、施工内容的量化数据、天气信息及作业人员参与同类型工作次数；所述作业专业数据包括变电数据、输电数据、配电数据、基建数据及营销数据；所述施工内容的量化数据包括挖掘深度、是否有脚手架、支模高度、基坑支护、是否室外作业及是否高空作业。
本发明相对于现有技术具有如下的优点及效果：
一方面，本发明创新性地引入自编码器(Auto-Encoder,简称AE)对原始数据的缺失值与异常值进行补全处理；另一方面，本发明引入梯度提升决策树(Gradient BoostingDecision Tree,GBDT)做特征筛选实现数据降维，并构造适合输入支持向量机SVM模型中的离散特征，弥补人工经验不足，缩短SVM模型的特征实验周期。
附图说明
图1是本发明实施例中电力施工作业节奏预测方法的流程图。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。
实施例1
如图1所示，本实施例为一种电力施工作业节奏预测方法，具体包括以下步骤：
S1、原始数据的获取：获取变电数据x1、输电数据x2、配电数据x3、基建数据x4、营销数据x5等作业专业数据，挖掘深度x6、是否有脚手架x7、支模高度x8、基坑支护x9、是否室外作业x10、是否高空作业x11等施工内容的量化数据，天气信息x12，作业人员参与同类型工作次数x13等施工信息数据，作业人员是否超节奏作业标签数据y。
S2、数据清洗：对原始数据进行预处理，包括去除重复值、类别特征one-hot编码等。
S3、训练自编码器(Auto-Encoder,简称AE)模型：将所获取的施工信息数据x1-x13以及所述作业标签数据y输入自编码器AE模型中进行训练，根据均方误差MSE值调整自编码器AE模型参数，在MSE达到最小时输出自编码器AE模型的最佳参数，并得到空缺值与异常值补全、修正处理后的施工信息数据集X′(x′ 1-x′ 13)以及作业标签数据集Y′(y′)。
自编码器AE模型是一种无监督式学习模型，它基于反向传播算法与最优化方法(如梯度下降法)，利用输入原始数据集X本身作为输出标签来指导神经网络学习映射关系，得到重构输出数据集X′。利用这个特性，可以很好地对原始数据集X中存在的异常值与空缺值进行补全处理，并且贴合数据本身分布情况。自编码器AE主要包括两个部分：Encoder(编码器)和Decoder(解码器)，其中编码器的作用是把高维输入的原始数据集X编码成低维的隐变量h，从而强迫神经网络学习最有信息量的特征；解码器的作用是把隐藏层的隐变量h还原到初始维度，通过调整超参数使解码器的输出尽可能地恢复出原来的输入,即X′≈X。
S4、数据集划分：将步骤S3补全和修正处理后的施工信息数据集、作业标签数据集中的样本划分为训练集(X′ 1,Y′ 1)和测试集(X′ 2,Y′ 2)。
S5、训练梯度提升决策树GBDT模型：将训练集(X′ 1,Y′ 1)输入GBDT模型进行训练，获得GBDT模型的最佳超参数。
梯度提升决策树GBDT模型由基函数线性组合而成，它通过不断减小训练过程产生的误差来达到将数据分类或者回归。该算法通过多轮迭代，每轮迭代会产生一个弱分类器，每个分类器在上一轮分类器的残差基础上进行训练，最终将每轮训练得到的弱分类器加权求和得到总分类器。
本实施例中，将经过自编码器AE补全和同化处理过的作业专业数据(如变电、输电、配电、基建、营销等)、施工内容的量化数据(如挖掘深度、是否有脚手架、支模高度、基坑支护、是否室外作业、是否高空作业等)、天气信息、作业人员参与同类型工作次数等施工信息数据集X′，与是否超节奏作业标签数据集Y′进行GBDT模型的训练，并通过准确率、F1值与AUC值等指标数据来确定GBDT模型的最佳超参数。
S6、筛选重要特征：根据GBDT模型输出的特征重要性筛选排名前85％的特征，得到降维后的特征集。
对模型进行训练时，梯度提升决策树GBDT模型可以输出所有特征的重要性，根据F1值与AUC值，筛选重要性前85％的特征即可得到较好的拟合结果，从而实现降维，避免维度灾难。
S7、构造新特征：将降维后的特征集输入训练好的GBDT模型中，将GBDT模型输出的叶子节点作为新特征，得到新的离散特征集X″。
本实施例中，通过GBDT模型建树，自动进行特征组合和特征离散化，然后将从所建的树的根节点到叶子节点的这条路径作为不同特征的特征组合，并用叶子节点可以唯一的表示这条路径。因此，本步骤将GBDT模型输出的叶子节点作为离散特征集。
S8、特征独热化：对新的离散特征集X″进行one-hot编码处理，得到编码处理后的特征集X″′。
S9、训练支持向量机SVM模型：将编码处理后的特征集X″′中的特征数据(X1″′,Y1)输入支持向量机SVM模型中进行训练，获得最佳的分离超平面。
支持向量机SVM的基本想法是求解能够正确划分训练数据集并且几何间隔最大的分离超平面。对于线性可分的数据集来说，分离超平面有无穷多个(即感知机)，但是几何间隔最大的分离超平面却是唯一的，该超平面可表达为：ωx+b＝0。最佳的分离超平面将样本数据分为两类，一类为存在超节奏作业情况的作业人员，另一类为不存在超节奏作业情况的作业人员。对于线性可分数据，支持向量机SVM的优化目标函数为：
其中，ai为非负Lagrange乘子，ω为自变量xi的权重，b为常数项；
可视作正则项，防止模型过拟合。当数据量较大或特征较多时，一般采用梯度下降法对优化目标函数进行求解，求解的核心内容是对自变量进行不断的更新，使得损失函数逼近最小值，从而求解参数ω与b，获得最佳的分离超平面。
S10、选取最佳参数：将测试集(X′ 2,Y′ 2)输入训练好的GBDT与SVM混合模型中，使用网格法对混合模型进行调参，然后以F1值与AUC值为调参后的混合模型评估指标，选取混合模型的最佳超参数。
S11、结果预测：把需要预测的无标签样本数据x1～x12输入调参后的GBDT与SVM混合模型中，得到该样本数据是否存在超节奏作业的标签数据y。
得到GBDT与SVM混合模型的最佳超参数、支持向量机SVM的求解参数后，就可以将工作任务的特征数据代入训练好的预测模型中，预测出该工作任务中的工作人员是否达到超节奏的情况。
将GBDT模型的优化目标函数J定义如下：
其中，yi是第i个样本数据的观测值，取值为0或者1，yi＝0表示该样本数据不存在超节奏作业情况，yi＝1表示该样本数据存在超节奏作业情况；第i个样本数据的预测值为
其中Tj(xn)为第j个弱分类器对第n个样本的预测值；
为观测值与预测值的残差,i＝1,2,…,n。
在本实施例中，通过n条历史特征值与是否超节奏作业标签数据对支持向量机进行求解，支持向量机的目标函数为：
其中，ai为非负Lagrange乘子，ω为自变量xi的权重，b为常数项，
可视作正则项，防止模型过拟合。yi是第i个样本数据的观测值，取值为0或者1，yi＝0表示该样本数据不存在超节奏作业情况，yi＝1表示该样本数据存在超节奏作业情况；i＝1,2,…,n。
本实施例通过自编码器AE模型对数据进行前置处理，对施工信息数据集和作业标签数据集中的空缺值和异常值进行补全和修正，在保全数据规模的前提下，提高了数据的可靠性；而梯度提升决策树GBDT模型对异常值非常敏感，自编码器AE模型对数据的前置处理还有效地避免了异常值对GBDT模型的影响，为后续梯度提升决策树GBDT模型筛选重要特征和构造新特征做好铺垫。
实施例2
与实施例1基于相同的发明构思，本实施例提供的是一种电力施工作业节奏预测系统，包括以下模块：
数据获取模块，用于获取原始数据，包括施工信息数据、作业人员是否超节奏作业标签数据；
预处理模块，用于预处理所获取的原始数据；
自编码器模型训练模块，用于将所述施工信息数据及所述作业标签数据输入自编码器模型中进行训练，获得自编码器模型的最佳参数，并得到空缺值与异常值补全、修正处理后的施工信息数据集X′以及作业标签数据集Y′；
数据集划分模块，用于将补全和修正处理后的施工信息数据集、作业标签数据集中的样本划分为训练集(X′1,Y′1)和测试集(X′2,Y′2)；
梯度提升决策树模型训练模块，用于将训练集(X′1,Y′1)输入梯度提升决策树模型进行训练，获得梯度提升决策树模型的最佳超参数；
重要特征筛选模块，用于根据梯度提升决策树模型输出的特征重要性筛选排名靠前的特征，得到降维后的特征集；
新特征构造模块，用于将降维后的特征集输入训练好的梯度提升决策树模型中，将梯度提升决策树模型输出的叶子节点作为新特征，得到新的离散特征集X″；
特征独热化模块，用于对离散特征集X″进行one-hot编码处理，得到编码处理后的特征集X″′；
支持向量机模型训练模块，用于将编码处理后的特征集X″′中的特征数据(X1″′,Y1)输入支持向量机模型中，对支持向量机模型进行训练，获得最佳的分离超平面；
混合模型参数调整模块，用于将测试集(X′2,Y′2)输入训练好的梯度提升决策树与支持向量机的混合模型中，使用网格法对混合模型进行调参，以F1值与AUC值为调参后的混合模型评估指标，选取混合模型的最佳超参数；
结果预测模块，用于把需要预测的无标签样本数据输入调参后的混合模型中，得到所述样本数据是否存在超节奏作业的标签数据；
所述施工信息数据包括作业专业数据、施工内容的量化数据、天气信息及作业人员参与同类型工作次数；所述作业专业数据包括变电数据、输电数据、配电数据、基建数据及营销数据；所述施工内容的量化数据包括挖掘深度、是否有脚手架、支模高度、基坑支护、是否室外作业及是否高空作业。
在结果预测模块中，通过n条历史特征值与是否超节奏作业标签数据对支持向量机进行求解，支持向量机的目标函数为：
其中，ai为非负Lagrange乘子，ω为自变量xi的权重，b为常数项，
可视作正则项，防止模型过拟合。yi是第i个样本数据的观测值，取值为0或者1，yi＝0表示该样本数据不存在超节奏作业情况，yi＝1表示该样本数据存在超节奏作业情况；i＝1,2,…,n。
在新特征构造模块中，通过梯度提升决策树模型建树，自动进行特征组合和特征离散化，然后将从所建的树的根节点到叶子节点的这条路径作为不同特征的特征组合，并用叶子节点唯一地表示这条路径。
本实施例的上述各模块分别用于实现实施例1的各步骤，其详细的实现过程参见实施例1，在此不赘述。
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。
Claims (10)
1.一种电力施工作业节奏预测方法，其特征在于，包括以下步骤：
获取原始数据，包括施工信息数据、作业人员是否超节奏作业标签数据；
预处理所获取的原始数据；
训练自编码器模型，将所述施工信息数据及所述作业标签数据输入自编码器模型中进行训练，获得自编码器模型的最佳参数，并得到空缺值与异常值补全、修正处理后的施工信息数据集X′以及作业标签数据集Y′；
数据集划分，将补全和修正处理后的施工信息数据集、作业标签数据集中的样本划分为训练集(X′1,Y′1)和测试集(X′2,Y′2)；
将训练集(X′1,Y′1)输入梯度提升决策树模型进行训练，获得梯度提升决策树模型的最佳超参数；
筛选重要特征，根据梯度提升决策树模型输出的特征重要性筛选排名靠前的特征，得到降维后的特征集；
构造新特征，将降维后的特征集输入训练好的梯度提升决策树模型中，将梯度提升决策树模型输出的叶子节点作为新特征，得到新的离散特征集X″；
特征独热化，对离散特征集X″进行one-hot编码处理，得到编码处理后的特征集X″′；
将编码处理后的特征集X″′中的特征数据(X1″′,Y1)输入支持向量机模型中，对支持向量机模型进行训练，获得最佳的分离超平面；
选取最佳参数，将测试集(X′2,Y′2)输入训练好的梯度提升决策树与支持向量机的混合模型中，使用网格法对混合模型进行调参，以F1值与AUC值为调参后的混合模型评估指标，选取混合模型的最佳超参数；
结果预测，把需要预测的无标签样本数据输入调参后的混合模型中，得到所述样本数据是否存在超节奏作业的标签数据。
2.根据权利要求1所述的电力施工作业节奏预测方法，其特征在于，所述施工信息数据包括作业专业数据、施工内容的量化数据、天气信息及作业人员参与同类型工作次数。
3.根据权利要求2所述的电力施工作业节奏预测方法，其特征在于，所述作业专业数据包括变电数据、输电数据、配电数据、基建数据及营销数据；所述施工内容的量化数据包括挖掘深度、是否有脚手架、支模高度、基坑支护、是否室外作业及是否高空作业。
4.根据权利要求1所述的电力施工作业节奏预测方法，其特征在于，训练自编码器模型时，根据均方误差MSE值调整自编码器模型参数，在MSE达到最小时输出自编码器模型的最佳参数。
5.根据权利要求1所述的电力施工作业节奏预测方法，其特征在于，训练梯度提升决策树模型时，通过准确率、F1值与AUC值指标数据来确定GBDT模型的最佳超参数。
6.根据权利要求1所述的电力施工作业节奏预测方法，其特征在于，构造新特征时，通过梯度提升决策树模型建树，自动进行特征组合和特征离散化，然后将从所建的树的根节点到叶子节点的这条路径作为不同特征的特征组合，并用叶子节点唯一地表示这条路径。
7.根据权利要求1所述的电力施工作业节奏预测方法，其特征在于，结果预测时，通过n条历史特征值与是否超节奏作业标签数据对支持向量机进行求解，支持向量机的目标函数为：
其中，ai为非负Lagrange乘子，ω为自变量xi的权重，b为常数项，
为正则项，防止模型过拟合；yi是第i个样本数据的观测值，取值为0或者1，yi＝0表示该样本数据不存在超节奏作业情况，yi＝1表示该样本数据存在超节奏作业情况；i＝1,2,…,n。
8.一种电力施工作业节奏预测系统，其特征在于，包括以下模块：
数据获取模块，用于获取原始数据，包括施工信息数据、作业人员是否超节奏作业标签数据；
预处理模块，用于预处理所获取的原始数据；
自编码器模型训练模块，用于将所述施工信息数据及所述作业标签数据输入自编码器模型中进行训练，获得自编码器模型的最佳参数，并得到空缺值与异常值补全、修正处理后的施工信息数据集X′以及作业标签数据集Y′；
数据集划分模块，用于将补全和修正处理后的施工信息数据集、作业标签数据集中的样本划分为训练集(X′1,Y′1)和测试集(X′2,Y′2)；
梯度提升决策树模型训练模块，用于将训练集(X′1,Y′1)输入梯度提升决策树模型进行训练，获得梯度提升决策树模型的最佳超参数；
重要特征筛选模块，用于根据梯度提升决策树模型输出的特征重要性筛选排名靠前的特征，得到降维后的特征集；
新特征构造模块，用于将降维后的特征集输入训练好的梯度提升决策树模型中，将梯度提升决策树模型输出的叶子节点作为新特征，得到新的离散特征集X″；
特征独热化模块，用于对离散特征集X″进行one-hot编码处理，得到编码处理后的特征集X″′；
支持向量机模型训练模块，用于将编码处理后的特征集X″′中的特征数据(X1″′,Y1)输入支持向量机模型中，对支持向量机模型进行训练，获得最佳的分离超平面；
混合模型参数调整模块，用于将测试集(X′2,Y′2)输入训练好的梯度提升决策树与支持向量机的混合模型中，使用网格法对混合模型进行调参，以F1值与AUC值为调参后的混合模型评估指标，选取混合模型的最佳超参数；
结果预测模块，用于把需要预测的无标签样本数据输入调参后的混合模型中，得到所述样本数据是否存在超节奏作业的标签数据；
所述施工信息数据包括作业专业数据、施工内容的量化数据、天气信息及作业人员参与同类型工作次数；所述作业专业数据包括变电数据、输电数据、配电数据、基建数据及营销数据；所述施工内容的量化数据包括挖掘深度、是否有脚手架、支模高度、基坑支护、是否室外作业及是否高空作业。
9.根据权利要求8所述的电力施工作业节奏预测系统，其特征在于，结果预测模块中，通过n条历史特征值与是否超节奏作业标签数据对支持向量机进行求解，支持向量机的目标函数为：
其中，ai为非负Lagrange乘子，ω为自变量xi的权重，b为常数项，
为正则项，防止模型过拟合；yi是第i个样本数据的观测值，取值为0或者1，yi＝0表示该样本数据不存在超节奏作业情况，yi＝1表示该样本数据存在超节奏作业情况；i＝1,2,…,n。
10.根据权利要求8所述的电力施工作业节奏预测系统，其特征在于，新特征构造模块中，通过梯度提升决策树模型建树，自动进行特征组合和特征离散化，然后将从所建的树的根节点到叶子节点的这条路径作为不同特征的特征组合，并用叶子节点唯一地表示这条路径。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211671195.3A CN115936241A (zh) | 2022-12-26 | 2022-12-26 | 一种电力施工作业节奏预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211671195.3A CN115936241A (zh) | 2022-12-26 | 2022-12-26 | 一种电力施工作业节奏预测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115936241A true CN115936241A (zh) | 2023-04-07 |
Family
ID=86550318
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211671195.3A Pending CN115936241A (zh) | 2022-12-26 | 2022-12-26 | 一种电力施工作业节奏预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115936241A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116740900A (zh) * | 2023-08-15 | 2023-09-12 | 中铁七局集团电务工程有限公司武汉分公司 | 一种基于svm的电力施工预警方法及系统 |
| CN117112857A (zh) * | 2023-10-23 | 2023-11-24 | 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) | 一种适用于工业智能制造的加工路径推荐方法 |
-
2022
- 2022-12-26 CN CN202211671195.3A patent/CN115936241A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116740900A (zh) * | 2023-08-15 | 2023-09-12 | 中铁七局集团电务工程有限公司武汉分公司 | 一种基于svm的电力施工预警方法及系统 |
| CN116740900B (zh) * | 2023-08-15 | 2023-10-13 | 中铁七局集团电务工程有限公司武汉分公司 | 一种基于svm的电力施工预警方法及系统 |
| CN117112857A (zh) * | 2023-10-23 | 2023-11-24 | 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) | 一种适用于工业智能制造的加工路径推荐方法 |
| CN117112857B (zh) * | 2023-10-23 | 2024-01-05 | 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) | 一种适用于工业智能制造的加工路径推荐方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115936241A (zh) | 一种电力施工作业节奏预测方法及系统 | |
| CN109543737B (zh) | 一种基于fahp_fca组合赋权的信息系统健康度评估方法 | |
| CN109587713B (zh) | 一种基于arima模型的网络指标预测方法、装置及存储介质 | |
| CN110571792A (zh) | 一种电网调控系统运行状态的分析评估方法及系统 | |
| CN110610121B (zh) | 基于曲线聚类的小时级源荷功率异常数据辨识与修复方法 | |
| CN106251001A (zh) | 一种基于改进模糊聚类算法的光伏功率预测方法 | |
| KR102475108B1 (ko) | 최적화된 하이퍼파라미터를 갖는 기계 학습 모델링 자동화 방법 및 이를 이용한 기계 학습 모델링 자동화 시스템 | |
| CN115098330A (zh) | 基于云边协同模式的设备异常检测系统及方法 | |
| CN111178585A (zh) | 基于多算法模型融合的故障接报量预测方法 | |
| CN112836876B (zh) | 一种基于深度学习的配电网线路负荷预测方法 | |
| CN111369045A (zh) | 一种短期光伏发电功率预测的方法 | |
| CN118469352B (zh) | 深度学习驱动的电网线损动态预测与优化控制方法 | |
| CN112308298B (zh) | 一种面向半导体生产线的多场景性能指标预测方法及系统 | |
| CN115202311A (zh) | 一种半导体生产排程方法、系统、设备及存储介质 | |
| CN110717581A (zh) | 一种基于温度模糊处理和dbn的短期负荷预测方法 | |
| CN116014722A (zh) | 基于季节分解和卷积网络的次日光伏发电预测方法及系统 | |
| CN112949207A (zh) | 一种基于改进最小二乘支持向量机的短期负荷预测方法 | |
| CN115861671A (zh) | 一种考虑负荷特性与可调节潜力的双层自适应聚类方法 | |
| CN111027841A (zh) | 一种基于梯度提升决策树的低压台区线损计算方法 | |
| CN117913808A (zh) | 一种分布式光伏发电预测方法及其装置 | |
| CN113033898A (zh) | 基于k均值聚类与bi-lstm神经网络的电负荷预测方法及系统 | |
| CN115201394B (zh) | 一种多组分变压器油色谱在线监测方法及相关装置 | |
| CN112801356A (zh) | 一种基于ma-lssvm的电力负荷预测方法 | |
| CN117368789A (zh) | 一种基于多源异构数据的电源故障协同定位方法及系统 | |
| CN115310999B (zh) | 基于多层感知机和排序网络的企业用电行为分析方法及系统 |
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 |