CN115759401A - 一种电力市场成员竞价行为预测标签生成方法和*** - Google Patents
一种电力市场成员竞价行为预测标签生成方法和*** Download PDFInfo
- Publication number
- CN115759401A CN115759401A CN202211440113.4A CN202211440113A CN115759401A CN 115759401 A CN115759401 A CN 115759401A CN 202211440113 A CN202211440113 A CN 202211440113A CN 115759401 A CN115759401 A CN 115759401A
- Authority
- CN
- China
- Prior art keywords
- market
- behavior
- members
- bidding
- power market
- 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
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种电力市场成员竞价行为预测标签生成方法和***,从电力交易中心数据仓库抽取市场成员的实际历史竞价行为的数据,提取电力市场成员竞价行为指标;结合电力市场成员竞价行为指标改进K‑means聚类算法,采用改进的K‑means聚类算法,生成电力市场成员竞价行为标签;利用已生成的电力市场成员竞价行为标签,进行电力市场成员竞价行为预测,生成市场成员行为预测标签。本发明利用K‑means聚类分析和嵌入梯度提升树算法挖掘出数据中的复杂标签,进而建立电力市场成员标签库,可实现市场成员信息结构化集中展示,帮助电力交易中心直观、***地认识市场成员。
Description
技术领域
本发明属于数据标签技术领域,涉及一种电力市场成员竞价行为预测标签生成方法和***。
背景技术
随着大数据技术的迅猛发展,电力交易中心的数据仓库中积累了大量市场成员数据,且数量呈指数型增长。目前,电力交易中心对市场成员数据分析过程中存在不足:数据分析手段有待提升,人为主观因素影响较大,对市场成员行为产生的内在原因分析较浅,无法快速分析大量市场成员投诉的工单数据。利用大数据技术来分析市场成员的用电行为,生成市场成员画像,可以指导企业决策,同时提高市场成员满意度。基于大数据技术生成市场成员标签,可以全面、准确地量化处理电力市场成员数据,将市场成员的兴趣、特征、行为等多方面具象化数据分类描述,并在此基础上预测市场成员短期内的竞价行为。
现有技术文件1(CN114444573A)公开了一种基于大数据聚类技术的电力客户标签生成方法,包括基于改进K-means聚类的电力客户行为标签生成和基于梯度提升树和机器学习的电力客户行为预测标签,利用改进的K-means聚类算法,对电力客户服务呼叫中心、营销***获得的客户数据进行统计、分析,将复杂信息加工过程透明化,形成简单的基本行为标签,经过K-means聚类分析、分类分析、归类分析和回归分析挖掘出数据中的复杂标签,建立电力客户标签库;电力企业利用客户标签生成客户画像,采用梯度提升树算法和机器学习相结合的方法来构建行为预测模型,生成客户行为预测标签。现有技术文件2(CN109685581A)公开了一种基于标签聚类技术的电力大客户用电行为分析方法,基于海量的客户档案、负荷、电量数据,综合考虑客户用电特征、影响因素,建立了客户用电行为标签库,并采用k-means算法进行标签聚类,实现不同类型电力客户用电行为画像。现有技术文件1和现有技术文件2均为生成电力客户标签,而不是对电力市场成员的竞价行为生成预测标签,且不涉及评估市场成员竞价行为的竞争性需考虑的发电商报价、发电商总收益和市场出清电价、竞价决策目标、申报价格、成本偏离度等指标因素。
发明内容
本发明提供一种可以帮助电力交易中心直观、***地认识市场成员的电力市场成员竞价行为预测标签生成方法和***。
本发明的一种电力市场成员竞价行为预测标签生成方法,包括以下步骤:
步骤1:从电力交易中心数据仓库抽取市场成员的实际历史竞价行为的数据,提取电力市场成员竞价行为指标;
步骤2:结合电力市场成员竞价行为指标改进K-means聚类算法,采用改进的K-means聚类算法,生成电力市场成员竞价行为标签;
步骤3:利用已生成的电力市场成员竞价行为标签,进行电力市场成员竞价行为预测,生成市场成员行为预测标签。
优选地,步骤1中,电力市场成员竞价行为指标包括:发电商报价、发电商总收益和市场出清电价。
优选地,所述步骤2中,K-means聚类分析的具体流程为:选择K个点作为质心,取T=1,计算当前样本与每个聚类质心的距离,将当前样本指派到最近的质心,重新计算每个簇的质心,若簇发生变换,则令T=T+1,继续计算当前样本与每个聚类质心的距离,将当前样本指派到最近的质心,重新计算每个簇的质心,直到簇不发生变换为止,此时输出聚类结果。
优选地,步骤2中,生成行为标签时,需离散化处理行为发生的时间特征,将时间特征分层,进而对行为的频率、行为产生的时间间隔及偏离度进行聚类。
优选地,所述偏离度为采用市场成员的申报价格和实际成本的偏离度M:
式中:Bidgen为市场成员申报价格,Costst为市场成员实际成本。
优选地,步骤3中,通过嵌入梯度提升树算法进行电力市场成员竞价行为预测,通过不断迭代改进上一次分类结果来提高分类准确度。
优选地,步骤3中,电力市场成员竞价行为预测包括以下步骤:
步骤3.1,输入训练样本数据集,
输入:T={(x1,y1),(x2,y2),…,(xN,yN)},xi,yi∈R;T为训练样本数据集,x为自变量,y为因变量,N为数据集大小;
步骤3.2,初始化,
步骤3.3,迭代,更新,
对m=1,2,3,…,M,M为迭代次数;
(a)对i=1,2,3,…,N,计算:
(b)对j=1,2,3,…,Jm,计算:
(c)更新
步骤3.4,得到回归树:
f(x)=fM(x)
据此生成市场成员行为预测标签。
优选地,方法还包括步骤4:将市场成员行为预测标签纳入电力交易中心的数据仓库中,用来生成市场成员画像,市场成员画像包括个体画像和群体画像。
优选地,步骤4中,个体画像包括,对具体市场成员的数据分析后,生成该市场成员的个体画像,以标签化的形式来展现该市场成员的基础属性、行为特征。
优选地,步骤4中,群体画像包括,基于画像标签,利用矩阵分析法实现市场成员画像的细分,筛选一个或更多个标签,提取出具有共性的市场成员群体,形成群体画像。
一种电力市场成员竞价行为预测标签生成***,包括:
指标提取模块,用于从电力交易中心数据仓库抽取市场成员的实际历史竞价行为的数据,提取电力市场成员竞价行为指标;
标签生成模块,用于结合电力市场成员竞价行为指标改进K-means聚类算法,采用改进的K-means聚类算法,生成电力市场成员竞价行为标签;
行为预测模块,用于利用已生成的电力市场成员竞价行为标签,进行电力市场成员竞价行为预测,生成市场成员行为预测标签。
本发明与现有技术相比,具有以下优点:
本发明从电力交易中心数据仓库抽取市场成员的实际历史竞价行为的数据,对其进行分析量化,提取得到电力市场成员竞价行为指标;同时结合电力市场成员竞价行为指标改进K-means聚类算法,采用改进的K-means聚类算法,生成电力市场成员竞价行为标签;利用已生成的电力市场成员竞价行为标签,进行电力市场成员竞价行为预测,生成市场成员行为预测标签。
进一步地,经过以上数据聚类分析、分类分析后,将市场成员行为预测标签纳入电力交易中心的数据仓库中,用来生成市场成员画像,实现市场成员信息结构化集中展示,帮助电力交易中心直观、***地认识市场成员。画像的种类包括个体画像和群体画像,这些画像结果将在精益管理、提升服务、营销智能等方面辅助决策,指导生产实践。
进一步地,生成电力市场成员竞价行为标签这类复杂的标签时,结合电力市场成员竞价行为指标对K-means算法进行改进,提高了算法在电力市场成员竞价行为聚类中的效果;采用偏离度参数M作为市场成员竞价行为的竞争性评价指标,思想简单,受样本分布的影响不大,且不需要人为设定阈值。本发明是对电力市场成员的竞价行为生成预测标签,选择将发电商报价、发电商总收益和市场出清电价作为竞价行为指标,并将指标应用到K-means方法中时,采用申报价格和成本偏离度作为市场成员竞价行为的竞争性的评价指标;本发明提出的特征是电力市场成员报价行为的关键影响因子,并且在负荷需求偏紧的情况下,发电商会利用自身的市场力报高价获得更好的收益,申报价格与成本有较高的偏离度,并且理性市场成员数目的增多加大了博弈的难度,所以各发电商更趋向于成本报价。因此申报价格与成本偏离度可以作为一个很好的指标去评估市场成员竞价行为的竞争性。
附图说明
图1为电力市场成员竞价行为预测标签生成方法流程图;
图2为电力市场成员竞价行为预测标签生成方法实施流程图;
图3为K-means聚类分析流程图。
具体实施方式
下面结合实施例和说明书附图对本发明作进一步详细描述。
本发明的电力市场成员竞价行为预测标签生成方法,如图1-2所示,包括以下步骤:
步骤1:从电力交易中心数据仓库抽取市场成员的实际历史竞价行为的数据,并根据抽取的数据计算电力市场成员竞价行为指标;
1)电力市场成员竞价行为指标
由于市场供需不断波动,电力市场成员在竞价决策中不可避免的会遇到各种风险规避问题。同时市场成员有不同的竞价决策目标偏好,因此本发明在竞价行为中提炼出的指标包括发电商报价、发电商总收益和市场出清电价。
(1)发电商报价CB:
本发明的竞价策略是在成本的基础上加上一定的利润率作为其报价,如下式所示
CB=MCi+Proe (1)
公式(1)中CB为发电商报价,MCi为发电商机组的边际成本,Proe为预期利润率,预期利润率根据发电商自身的经营状况和收益目标选定。
(2)发电商总收益profittol:
在中长期合约的影响下,日前电力市场发电商的收益为:
profittol=QAheadPriAhead+Qcon(Pricon-PriAhead) (2)
式中:profittol为发电商总收益,QAhead为日前市场中标电力,PriAhead为日前市场中标电价,Qcon为中长期合约分摊到日前市场相应交易时段的电量,Pricon为中长期合约电价。
(3)市场出清电价:
市场出清电价是由求解规划问题形成的拉格朗日乘子决定:
式中:N为***内发电商的数目,是发电商报价成本函数的系数,PGi为发电机商i的发电出力,D为***内的负荷需求,PLi为线路Li的输送电力,Li为线路Li的最大输电容量,为发电机商i的最大输电能力。
式(3)表示***发电成本最小化的目标。
式(4)表示***电力平衡约束,式(5)表示线路传输容量约束,式(6)表示发电出力约束。
步骤2:结合步骤1得到的电力市场成员竞价行为指标改进K-means聚类算法,采用改进的K-means聚类算法,生成电力市场成员竞价行为标签;
步骤2中,通过对步骤1得到的三个行为指标进行第一次聚类得到行为标签,进而利用行为标签对行为的频率、行为产生的时间间隔及偏离度进行第二次聚类来对第一次聚类和市场竞价行为进行评价。
具体的,生成电力市场成员竞价行为标签这类复杂的标签时,本发明采用了改进的K-means聚类算法。本发明结合步骤1得到的电力市场成员竞价行为指标对K-means算法进行一定程度的改进,以提高算法在电力市场成员竞价行为聚类中的效果。本发明偏离度参数M作为市场成员竞价行为的竞争性评价指标,思想简单,受样本分布的影响不大,且不需要人为设定阈值。
K-means聚类分析流程图如图3所示,具体流程为:选择K个点作为质心,取T=1,计算当前样本(即行为的频率、行为产生的时间间隔及偏离度)与每个聚类质心的距离,将当前样本指派到最近的质心,重新计算每个簇的质心,若簇发生变换,则令T=T+1,继续计算当前样本与每个聚类质心的距离,将当前样本指派到最近的质心,重新计算每个簇的质心,直到簇不发生变换为止,此时输出聚类结果。
行为标签生成时,需离散化处理行为发生的时间特征(年月日时分),将时间特征分层(按照不同年,月,日),进而对行为的频率、行为产生的时间间隔及偏离度进行聚类。
举例如下:首先对发电商报价、发电商总收益和市场出清电价进行聚类,将数据输入到算法中按照算法流程执行即可得到异常值,对其中的异常值打上行为标签。
具体实施时,行为标签包括发电商报高价A1、发电商报低价A2、发电商总收益偏高A3、发电商总收益偏低A4、市场出清电价较高A5、市场出清电价较低A6。
某市场成员u在某段时间内市场成员行为标签A发生的频率P计算公式为:
其中,sum(A,u)E-S为市场成员u在该时间段内发生标签A行为的次数总和,E为终止时间,S为起始时间。
例如,某发电商u1在某段时间内行为标签发电商报高价A1发生的频率P1计算公式为:
其中,k为市场成员行为发生的次数。
M参数(偏离度参数)能够作为市场成员竞价行为的竞争性的评价指标:
式中:M为市场成员的申报价格与实际成本的偏离度参数,Bidgen为市场成员申报价格,Costst为市场成员实际成本。
步骤3:利用已生成的电力市场成员竞价行为标签,进行电力市场成员竞价行为预测,生成市场成员行为预测标签。
电力市场成员画像的行为预测标签要利用已生成的行为标签对市场成员行为进行短期预测。梯度提升树算法可以嵌入各种不同的分类算法,通过不断迭代改进上一次分类结果来提高分类准确度,该方法预测市场成员行为具有速度快、结果准确的优点。行为预测主要步骤为:
(1)输入:T={(x1,y1),(x2,y2),…,(xN,yN)},xi,yi∈R。T为训练样本数据集,即已生成的电力市场成员竞价行为标签集,x为自变量,y为因变量,N为数据集大小。
(2)初始化:
其中,f0(x)是初值,作为下文迭代过程的初值;L是损失函数;
(3)对m=1,2,3,…,M,M为迭代次数。
(a)对i=1,2,3,…,N,计算:
式中,rim为梯度方向。
(b)对j=1,2,3,…,Jm,计算:
(c)更新
(4)得到回归树:
f(x)=fM(x) (15)
其中,M为迭代次数。
据此生成市场成员行为预测标签。
步骤4:经过以上数据聚类分析、分类分析后,将市场成员行为预测标签纳入电力交易中心的数据仓库中,用来生成市场成员画像。
个体画像包括,对具体市场成员的数据分析后,生成该市场成员的个体画像,以标签化的形式来展现该市场成员的基础属性、行为特征。
群体画像包括,基于画像标签,利用矩阵分析法实现市场成员画像的细分,筛选一个或更多个标签,提取出具有共性的市场成员群体,形成群体画像。
一种电力市场成员竞价行为预测标签生成***,包括:
指标提取模块,用于从电力交易中心数据仓库抽取市场成员的实际历史竞价行为的数据,提取电力市场成员竞价行为指标;
标签生成模块,用于结合电力市场成员竞价行为指标改进K-means聚类算法,采用改进的K-means聚类算法,生成电力市场成员竞价行为标签;
行为预测模块,用于利用已生成的电力市场成员竞价行为标签,进行电力市场成员竞价行为预测,生成市场成员行为预测标签。
本发明的有益效果为:
本发明从电力交易中心数据仓库抽取市场成员的实际历史竞价行为的数据,对其进行分析量化,提取得到电力市场成员竞价行为指标;同时结合电力市场成员竞价行为指标改进K-means聚类算法,采用改进的K-means聚类算法,生成电力市场成员竞价行为标签;利用已生成的电力市场成员竞价行为标签,进行电力市场成员竞价行为预测,生成市场成员行为预测标签。
进一步地,经过以上数据聚类分析、分类分析后,将市场成员行为预测标签纳入电力交易中心的数据仓库中,用来生成市场成员画像,实现市场成员信息结构化集中展示,帮助电力交易中心直观、***地认识市场成员。画像的种类包括个体画像和群体画像,这些画像结果将在精益管理、提升服务、营销智能等方面辅助决策,指导生产实践。
进一步地,生成电力市场成员竞价行为标签这类复杂的标签时,结合电力市场成员竞价行为指标对K-means算法进行改进,提高了算法在电力市场成员竞价行为聚类中的效果;采用偏离度参数M作为市场成员竞价行为的竞争性评价指标,思想简单,受样本分布的影响不大,且不需要人为设定阈值。本发明是对电力市场成员的竞价行为生成预测标签,选择将发电商报价、发电商总收益和市场出清电价作为竞价行为指标,并将指标应用到K-means方法中时,采用申报价格和成本偏离度作为市场成员竞价行为的竞争性的评价指标;本发明提出的特征是电力市场成员报价行为的关键影响因子,并且在负荷需求偏紧的情况下,发电商会利用自身的市场力报高价获得更好的收益,申报价格与成本有较高的偏离度,并且理性市场成员数目的增多加大了博弈的难度,所以各发电商更趋向于成本报价。因此申报价格与成本偏离度可以作为一个很好的指标去评估市场成员竞价行为的竞争性。
本公开可以是***、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其它自由传播的电磁波、通过波导或其它传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本公开的各个方面。
最后应当说明的是,以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
Claims (11)
1.一种电力市场成员竞价行为预测标签生成方法,其特征在于,该方法包括以下步骤:
步骤1:从电力交易中心数据仓库抽取市场成员的实际历史竞价行为的数据,提取电力市场成员竞价行为指标;
步骤2:结合电力市场成员竞价行为指标改进K-means聚类算法,采用改进的K-means聚类算法,生成电力市场成员竞价行为标签;
步骤3:利用已生成的电力市场成员竞价行为标签,进行电力市场成员竞价行为预测,生成市场成员行为预测标签。
2.根据权利要求1所述的一种电力市场成员竞价行为预测标签生成方法,其特征在于,
步骤1中,电力市场成员竞价行为指标包括:发电商报价、发电商总收益和市场出清电价。
3.根据权利要求1所述的电力市场成员竞价行为预测标签生成方法,其特征在于,
所述步骤2中,K-means聚类分析的具体流程为:选择K个点作为质心,取T=1,计算当前样本与每个聚类质心的距离,将当前样本指派到最近的质心,重新计算每个簇的质心,若簇发生变换,则令T=T+1,继续计算当前样本与每个聚类质心的距离,将当前样本指派到最近的质心,重新计算每个簇的质心,直到簇不发生变换为止,此时输出聚类结果。
4.根据权利要求1所述的一种电力市场成员竞价行为预测标签生成方法,其特征在于,
步骤2中,生成行为标签时,需离散化处理行为发生的时间特征,将时间特征分层,进而对行为的频率、行为产生的时间间隔及偏离度进行聚类。
6.根据权利要求1所述的一种电力市场成员竞价行为预测标签生成方法,其特征在于,
步骤3中,通过嵌入梯度提升树算法进行电力市场成员竞价行为预测,通过不断迭代改进上一次分类结果来提高分类准确度。
8.根据权利要求1所述的一种电力市场成员竞价行为预测标签生成方法,其特征在于,
方法还包括步骤4:将市场成员行为预测标签纳入电力交易中心的数据仓库中,用来生成市场成员画像,市场成员画像包括个体画像和群体画像。
9.根据权利要求8所述的一种电力市场成员竞价行为预测标签生成方法,其特征在于,
步骤4中,个体画像包括,对具体市场成员的数据分析后,生成该市场成员的个体画像,以标签化的形式来展现该市场成员的基础属性、行为特征。
10.根据权利要求8所述的一种电力市场成员竞价行为预测标签生成方法,其特征在于,
步骤4中,群体画像包括,基于画像标签,利用矩阵分析法实现市场成员画像的细分,筛选一个或更多个标签,提取出具有共性的市场成员群体,形成群体画像。
11.一种电力市场成员竞价行为预测标签生成***,该***采用权利要求1-10任一项所述的电力市场成员竞价行为预测标签生成方法,其特征在于,
所述***包括:
指标提取模块,用于从电力交易中心数据仓库抽取市场成员的实际历史竞价行为的数据,提取电力市场成员竞价行为指标;
标签生成模块,用于结合电力市场成员竞价行为指标改进K-means聚类算法,采用改进的K-means聚类算法,生成电力市场成员竞价行为标签;
行为预测模块,用于利用已生成的电力市场成员竞价行为标签,进行电力市场成员竞价行为预测,生成市场成员行为预测标签。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211440113.4A CN115759401A (zh) | 2022-11-17 | 2022-11-17 | 一种电力市场成员竞价行为预测标签生成方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211440113.4A CN115759401A (zh) | 2022-11-17 | 2022-11-17 | 一种电力市场成员竞价行为预测标签生成方法和*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115759401A true CN115759401A (zh) | 2023-03-07 |
Family
ID=85372620
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211440113.4A Pending CN115759401A (zh) | 2022-11-17 | 2022-11-17 | 一种电力市场成员竞价行为预测标签生成方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115759401A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117911085A (zh) * | 2024-03-18 | 2024-04-19 | 南京焦点方寸信息技术有限公司 | 一种基于企业营销的用户管理***、方法及终端 |
-
2022
- 2022-11-17 CN CN202211440113.4A patent/CN115759401A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117911085A (zh) * | 2024-03-18 | 2024-04-19 | 南京焦点方寸信息技术有限公司 | 一种基于企业营销的用户管理***、方法及终端 |
CN117911085B (zh) * | 2024-03-18 | 2024-06-11 | 南京焦点方寸信息技术有限公司 | 一种基于企业营销的用户管理***、方法及终端 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11398000B2 (en) | Methods and systems for machine-learning for prediction of grid carbon emissions | |
Qin et al. | The impact of AI on the advertising process: The Chinese experience | |
CN109657805B (zh) | 超参数确定方法、装置、电子设备及计算机可读介质 | |
US20210279642A1 (en) | Mixed-initiative machine learning systems and methods for determining segmentations | |
CN110070391B (zh) | 数据处理方法、装置、计算机可读介质及电子设备 | |
Wisesa et al. | Prediction analysis sales for corporate services telecommunications company using gradient boost algorithm | |
WO2020159575A1 (en) | Method and system of dynamic model selection for time series forecasting | |
US20210103858A1 (en) | Method and system for model auto-selection using an ensemble of machine learning models | |
US20170213237A1 (en) | Simulation-based evaluation of a marketing channel attribution model | |
CN110555578A (zh) | 一种销量预测方法和装置 | |
US11887167B2 (en) | Utilizing machine learning models to generate an optimized digital marketing simulation | |
CN106408325A (zh) | 基于用户支付信息的用户消费行为预测分析方法及*** | |
WO2020023763A1 (en) | System and method for predicting stock on hand with predefined markdown plans | |
US20230011954A1 (en) | Device, method, and system for business plan management | |
JP2021170326A (ja) | データ分析に用いられる方法、デバイス及びプログラム | |
CN115619270A (zh) | 数据资产管理方法、装置、计算机设备、存储介质 | |
CN115759401A (zh) | 一种电力市场成员竞价行为预测标签生成方法和*** | |
CN117853158A (zh) | 基于动态量本利分析的企业运营数据预测方法及装置 | |
Tang et al. | Bidding strategy evolution analysis based on multi-task inverse reinforcement learning | |
CN116257758A (zh) | 模型训练方法、人群拓展方法、介质、装置和计算设备 | |
CN116012086A (zh) | 商品价格的评估方法、装置、电子设备及存储介质 | |
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 | |
CN112200602B (zh) | 用于广告推荐的神经网络模型训练方法及装置 | |
US20210256447A1 (en) | Detection for ai-based recommendation | |
US20210027234A1 (en) | Systems and methods for analyzing user projects |
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 |