CN118071385A - 一种面向全物联网架构的营销业务融合方法和*** - Google Patents
一种面向全物联网架构的营销业务融合方法和*** Download PDFInfo
- Publication number
- CN118071385A CN118071385A CN202410469235.9A CN202410469235A CN118071385A CN 118071385 A CN118071385 A CN 118071385A CN 202410469235 A CN202410469235 A CN 202410469235A CN 118071385 A CN118071385 A CN 118071385A
- Authority
- CN
- China
- Prior art keywords
- time sequence
- energy
- scale
- feature vector
- energy consumption
- 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.)
- Granted
Links
- 238000007500 overflow downdraw method Methods 0.000 title claims abstract description 21
- 239000013598 vector Substances 0.000 claims abstract description 432
- 238000005265 energy consumption Methods 0.000 claims abstract description 322
- 230000004927 fusion Effects 0.000 claims abstract description 81
- 230000005611 electricity Effects 0.000 claims abstract description 76
- 238000012545 processing Methods 0.000 claims abstract description 48
- 238000012512 characterization method Methods 0.000 claims abstract description 44
- 238000000034 method Methods 0.000 claims abstract description 30
- 238000000605 extraction Methods 0.000 claims abstract description 22
- 238000013527 convolutional neural network Methods 0.000 claims description 26
- 238000012937 correction Methods 0.000 claims description 16
- 230000004913 activation Effects 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 6
- 238000012300 Sequence Analysis Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 238000012882 sequential analysis Methods 0.000 claims 1
- 230000006870 function Effects 0.000 description 22
- 238000012360 testing method Methods 0.000 description 11
- 230000006399 behavior Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 10
- 238000004590 computer program Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 230000003993 interaction Effects 0.000 description 6
- 230000007774 longterm Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 230000000737 periodic effect Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000002829 reductive effect Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000002860 competitive effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000007499 fusion processing Methods 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000036961 partial effect Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000004378 air conditioning Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 238000012549 training Methods 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种面向全物联网架构的营销业务融合方法和***。该方法包括:对获取的能耗数据的时间序列进行多尺度能耗时序模式提取以得到第一尺度能耗时序模式特征向量和第二尺度能耗时序模式特征向量;使用能耗多尺度特征融合器对第一尺度能耗时序模式特征向量和第二尺度能耗时序模式特征向量进行处理以得到能耗时序模式多尺度表征特征向量;基于能耗时序模式多尺度表征特征向量以得到用电对象类型的识别结果;基于识别结果,为被监控用电对象推荐用电计价服务套餐。这样,可以将用户对象精准细分至相应的用电对象类型,并为不同用电对象类型的群体推荐相应的用电计价服务套餐,优化传统的电网业务营销方案,提供更为个性化的服务。
Description
技术领域
本公开涉及营销业务技术领域,具体地,涉及一种面向全物联网架构的营销业务融合方法和***。
背景技术
随着物联网技术的快速发展和智能化趋势的兴起,各种物联网设备和传感器被广泛应用于不同领域,为企业提供了大量的实时数据和信息。在电网的营销业务领域,利用物联网设备采集的数据进行精细化营销已成为企业提升竞争力和用户体验的重要方式。然而,如何有效地从这些数据中提取有用的信息,以便更好地满足用户的需求,仍然是一个挑战。
传统的营销方法通常是基于人工经验和直觉进行的,缺乏对用户行为的深入理解和精准的用户分类。此外,传统的方法往往忽视了用户行为的动态性和多样性,不能提供个性化的服务。因此,期待一种优化的面向全物联网架构的营销业务融合方法和***。
发明内容
提供该发明内容部分以便以简要的形式介绍构思,这些构思将在后面的具体实施方式部分被详细描述。该发明内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征,也不旨在用于限制所要求的保护的技术方案的范围。
第一方面,本公开提供了一种面向全物联网架构的营销业务融合方法,所述方法包括:
获取由物联网传感器采集的被监控用电对象的营销业务数据,其中,所述营销业务数据为能耗数据的时间序列;
对所述能耗数据的时间序列进行多尺度能耗时序模式提取以得到第一尺度能耗时序模式特征向量和第二尺度能耗时序模式特征向量;
使用能耗多尺度特征融合器对所述第一尺度能耗时序模式特征向量和所述第二尺度能耗时序模式特征向量进行处理以得到能耗时序模式多尺度表征特征向量;
基于所述能耗时序模式多尺度表征特征向量以得到用电对象类型的识别结果;
基于所述识别结果,为所述被监控用电对象推荐用电计价服务套餐。
可选地,对所述能耗数据的时间序列进行多尺度能耗时序模式提取以得到第一尺度能耗时序模式特征向量和第二尺度能耗时序模式特征向量,包括:对所述能耗数据的时间序列进行数据规整以得到第一能耗数据局部时序输入向量的序列和第二能耗数据局部时序输入向量的序列;对所述第一能耗数据局部时序输入向量的序列和所述第二能耗数据局部时序输入向量的序列进行时序分析和基于内容注意力的全时域融合以得到所述第一尺度能耗时序模式特征向量和所述第二尺度能耗时序模式特征向量。
可选地,对所述能耗数据的时间序列进行数据规整以得到第一能耗数据局部时序输入向量的序列和第二能耗数据局部时序输入向量的序列,包括:将所述能耗数据的时间序列按照时间维度排列为能耗数据时序输入向量;基于第一预定时间尺度对所述能耗数据时序输入向量进行切分以得到所述第一能耗数据局部时序输入向量的序列;基于第二预定时间尺度对所述能耗数据时序输入向量进行切分以得到所述第二能耗数据局部时序输入向量的序列,其中,所述第一预定时间尺度不等于所述第二预定时间尺度。
可选地,对所述第一能耗数据局部时序输入向量的序列和所述第二能耗数据局部时序输入向量的序列进行时序分析和基于内容注意力的全时域融合以得到所述第一尺度能耗时序模式特征向量和所述第二尺度能耗时序模式特征向量,包括:将所述第一能耗数据局部时序输入向量的序列通过基于第一扩展卷积神经网络模型的能耗数据时序模式特征提取器以得到第一能耗数据局部时序特征向量的序列;将所述第二能耗数据局部时序输入向量的序列通过基于第二扩展卷积神经网络模型的能耗数据时序模式特征提取器以得到第二能耗数据局部时序特征向量的序列,其中,所述第二扩展卷积神经网络模型和所述第一扩展卷积神经网络模型分别具有不同尺度的一维卷积核;将所述第一能耗数据局部时序特征向量的序列和所述第二能耗数据局部时序特征向量的序列通过基于权重重要内容注意力融合网络的全时域能耗时序模式特征提取器以得到所述第一尺度能耗时序模式特征向量和所述第二尺度能耗时序模式特征向量。
可选地,将所述第一能耗数据局部时序输入向量的序列通过基于第一扩展卷积神经网络模型的能耗数据时序模式特征提取器以得到第一能耗数据局部时序特征向量的序列,包括:以如下一维扩展卷积公式对所述第一能耗数据局部时序输入向量的序列进行处理以得到所述第一能耗数据局部时序特征向量的序列;其中,所述一维扩展卷积公式为:
其中,至/>为所述第一能耗数据局部时序输入向量的序列中第1至/>个第一能耗数据局部时序输入向量,/>为所述第一能耗数据局部时序输入向量的序列的长度,/>表示级联操作,/>为第一能耗数据局部时序级联特征向量,一维扩展卷积核/>的尺寸为,/>为原始卷积核的长度,/>为扩展率,/>表示以所述第一能耗数据局部时序级联特征向量中第/>个位置的特征值为首的长度为/>的时间窗口,/>是偏置项,且/>,/>是非线性激活函数,/>是所述第一能耗数据局部时序特征向量的序列中第/>个第一能耗数据局部时序特征向量。
可选地,将所述第一能耗数据局部时序特征向量的序列和所述第二能耗数据局部时序特征向量的序列通过基于权重重要内容注意力融合网络的全时域能耗时序模式特征提取器以得到所述第一尺度能耗时序模式特征向量和所述第二尺度能耗时序模式特征向量,包括:以如下全时域能耗时序模式特征提取公式对所述第一能耗数据局部时序特征向量的序列进行处理以得到所述第一尺度能耗时序模式特征向量;其中,所述全时域能耗时序模式特征提取公式为:
其中,为第/>个注意力打分系数,/>为第/>个注意力打分系数,/>为所述第一能耗数据局部时序特征向量的序列中第/>个第一能耗数据局部时序特征向量,/>为第/>个第一能耗数据局部时序特征向量,/>为第/>个权重系数矩阵,/>为第/>个权重系数向量,为第/>个偏置向量,/>表示双曲正切函数处理,/>表示以/>为底的指数函数处理,/>为/>第个注意力权重系数/>为第/>个注意力权重系数,/>为所述第一能耗数据局部时序特征向量的序列的长度,/>表示级联函数,/>为所述第一尺度能耗时序模式特征向量。
可选地,使用能耗多尺度特征融合器对所述第一尺度能耗时序模式特征向量和所述第二尺度能耗时序模式特征向量进行处理以得到能耗时序模式多尺度表征特征向量,包括:以如下能耗多尺度特征融合公式对所述第一尺度能耗时序模式特征向量和所述第二尺度能耗时序模式特征向量进行处理以得到所述能耗时序模式多尺度表征特征向量;其中,所述能耗多尺度特征融合公式为:
其中,为所述第一尺度能耗时序模式特征向量,/>为所述第二尺度能耗时序模式特征向量,/>为所述能耗时序模式多尺度表征特征向量,/>,/>为门限值,表示将所述第一尺度能耗时序模式特征向量和所述第二尺度能耗时序模式特征向量进行级联,/>是变换向量,/>是偏置参数,/>表示激活函数。
可选地,基于所述能耗时序模式多尺度表征特征向量以得到用电对象类型的识别结果,包括:对所述能耗时序模式多尺度表征特征向量进行特征分布校正以得到校正后能耗时序模式多尺度表征特征向量;将所述校正后能耗时序模式多尺度表征特征向量通过基于分类器的用电对象识别器以得到所述识别结果,所述识别结果为用电对象类型标签。
可选地,对所述能耗时序模式多尺度表征特征向量进行特征分布校正以得到校正后能耗时序模式多尺度表征特征向量,包括:对所述第一尺度能耗时序模式特征向量和所述第二尺度能耗时序模式特征向量进行融合校正以得到校正特征向量;融合所述校正特征向量和所述能耗时序模式多尺度表征特征向量以得到所述校正后能耗时序模式多尺度表征特征向量。
第二方面,本公开提供了一种面向全物联网架构的营销业务融合***,所述***包括:
营销业务数据获取模块,用于获取由物联网传感器采集的被监控用电对象的营销业务数据,其中,所述营销业务数据为能耗数据的时间序列;
多尺度能耗时序模式提取模块,用于对所述能耗数据的时间序列进行多尺度能耗时序模式提取以得到第一尺度能耗时序模式特征向量和第二尺度能耗时序模式特征向量;
能耗多尺度特征融合模块,用于使用能耗多尺度特征融合器对所述第一尺度能耗时序模式特征向量和所述第二尺度能耗时序模式特征向量进行处理以得到能耗时序模式多尺度表征特征向量;
识别结果生成模块,用于基于所述能耗时序模式多尺度表征特征向量以得到用电对象类型的识别结果;
用电计价服务套餐推荐模块,用于基于所述识别结果,为所述被监控用电对象推荐用电计价服务套餐。
采用上述技术方案,通过对获取的能耗数据的时间序列进行多尺度能耗时序模式提取以得到第一尺度能耗时序模式特征向量和第二尺度能耗时序模式特征向量;使用能耗多尺度特征融合器对第一尺度能耗时序模式特征向量和第二尺度能耗时序模式特征向量进行处理以得到能耗时序模式多尺度表征特征向量;基于能耗时序模式多尺度表征特征向量以得到用电对象类型的识别结果;基于识别结果,为被监控用电对象推荐用电计价服务套餐。这样,可以将用户对象精准细分至相应的用电对象类型,并为不同用电对象类型的群体推荐相应的用电计价服务套餐,优化传统的电网业务营销方案,提供更为个性化的服务。
本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
结合附图并参考以下具体实施方式,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中,相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的,原件和元素不一定按照比例绘制。在附图中:
图1是根据一示例性实施例示出的一种面向全物联网架构的营销业务融合方法的流程图。
图2是根据一示例性实施例示出的一种面向全物联网架构的营销业务融合***的框图。
图3是根据一示例性实施例示出的一种电子设备的框图。
图4是根据一示例性实施例示出的一种面向全物联网架构的营销业务融合方法的应用场景图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例,相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
应当理解,本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行,和/或并行执行。此外,方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括,即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”;术语“另一实施例”表示“至少一个另外的实施例”;术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
需要注意,本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
物联网技术的快速发展为营销业务带来了革命性的变化,特别是在全物联网架构的背景下,营销业务融合方法的创新成为了企业关注的焦点。这种融合方法不仅需要考虑如何利用物联网设备和传感器收集数据,还需要考虑如何通过分析这些数据来提高营销效率和效果。例如,通过物联网技术,企业可以实时监控产品的使用情况,从而更好地理解消费者的需求和偏好。此外,物联网还可以帮助企业实现精准营销,通过分析消费者的行为数据,企业可以设计更符合消费者需求的产品和服务,从而提高消费者满意度和忠诚度。
在面向全物联网架构的营销业务融合方法中,一个关键的步骤是建立一个中央数据平台,该平台能够整合来自各种物联网设备的数据。这个平台不仅需要具备强大的数据处理能力,还需要能够支持高级数据分析和机器学***台还需要能够与其他企业***,如CRM和ERP***,无缝集成,以实现数据的全面共享和利用。
另一个重要方面是确保数据的安全和隐私。随着越来越多的设备连接到互联网,数据安全问题变得尤为重要。企业需要采取强有力的安全措施来保护收集到的数据,防止数据泄露和未经授权的访问。同时,企业还需要遵守相关的数据保护法规,确保消费者的隐私不被侵犯。
在实施面向全物联网架构的营销业务融合方法时,企业还需要考虑如何有效地管理和维护物联网设备。这包括确保设备的正常运行,及时更新设备的软件,以及处理设备故障和其他问题。此外,企业还需要考虑如何培训员工,使他们能够有效地使用物联网技术,并从中获得最大的商业价值。
总的来说,面向全物联网架构的营销业务融合方法需要企业在技术、数据管理、安全保护和人员培训等多个方面进行综合考虑和规划。通过这种方法,企业不仅可以提高营销效率和效果,还可以在竞争激烈的市场中获得优势。随着物联网技术的不断进步和应用的不断扩展,物联网将在未来的营销领域发挥越来越重要的作用。
首先,针对上述技术问题,本申请的技术构思是利用智能化算法来分析用电对象的能耗数据,挖掘与捕捉其中所蕴含的用电使用模式和用户偏好,从而将用户对象精准细分至相应的用电对象类型,并为不同用电对象类型的群体推荐相应的用电计价服务套餐,优化传统的电网业务营销方案,提供更为个性化的服务。
为了解决上述问题,本公开提供了一种面向全物联网架构的营销业务融合方法和***,通过获取目标设备对应的设备测试参数;获取该设备测试参数在待测试环境中对应的目标参数值;然后在当前环境中按照该目标参数值对该目标设备进行测试,以得到该目标设备在该待测试环境中的测试结果。其中,该当前环境与该待测试环境为不同的环境。这样,可以通过在当前的常规环境设置设备测试参数的目标参数值,模拟待测试环境下的设备测试,得到与在实际的待测试环境中相同的测试效果,从而更加高效的发现设备问题,降低了测试成本,也提高了测试效率。
以下结合附图对本公开的具体实施方式进行详细说明。
图1是根据一示例性实施例示出的一种面向全物联网架构的营销业务融合方法的流程图,如图1所示,该方法包括:
步骤101、获取由物联网传感器采集的被监控用电对象的营销业务数据,其中,所述营销业务数据为能耗数据的时间序列;
步骤102、对所述能耗数据的时间序列进行多尺度能耗时序模式提取以得到第一尺度能耗时序模式特征向量和第二尺度能耗时序模式特征向量;
步骤103、使用能耗多尺度特征融合器对所述第一尺度能耗时序模式特征向量和所述第二尺度能耗时序模式特征向量进行处理以得到能耗时序模式多尺度表征特征向量;
步骤104、基于所述能耗时序模式多尺度表征特征向量以得到用电对象类型的识别结果;
步骤105、基于所述识别结果,为所述被监控用电对象推荐用电计价服务套餐。
基于此,在本申请的技术方案中,首先,获取由物联网传感器采集的被监控用电对象的营销业务数据,其中,所述营销业务数据为能耗数据的时间序列。这里,物联网传感器可以实时监测所述被监控用电对象的能耗数据并进行数据采集,提供了实时、准确的用电信息。这种实时性和准确性对于营销业务的决策和优化至关重要。例如,实时性数据可以让企业及时了解市场变化和用户行为,帮助企业快速调整营销策略和推出针对性的活动。在竞争激烈的市场环境下,快速响应市场变化是保持竞争力的关键。更具体地,所述能耗数据的时间序列反映了所述被监控用好点对象的用电行为和习惯,包含了丰富的信息。通过进一步分析这些数据,可以深入了解用户的生活方式、偏好和用电习惯,从而更好地定制个性化的营销方案。
在本公开的一个实施例中,对所述能耗数据的时间序列进行多尺度能耗时序模式提取以得到第一尺度能耗时序模式特征向量和第二尺度能耗时序模式特征向量,包括:对所述能耗数据的时间序列进行数据规整以得到第一能耗数据局部时序输入向量的序列和第二能耗数据局部时序输入向量的序列;对所述第一能耗数据局部时序输入向量的序列和所述第二能耗数据局部时序输入向量的序列进行时序分析和基于内容注意力的全时域融合以得到所述第一尺度能耗时序模式特征向量和所述第二尺度能耗时序模式特征向量。
考虑到在本申请的实际应用场景中,被监控用电对象的营销业务数据通常在不同时间尺度下呈现不同的时序规律和演变信息。其主要原因在于,用户的生活和工作模式会影响他们的用电行为。例如,工作日和周末用户的用电行为可能有明显差异,工作日可能更倾向于办公设备的使用,而周末可能更多用于家庭生活和娱乐设备。同时,季节性因素也会影响用户的用电行为,例如夏季可能用电较多的空调,冬季可能用电较多的暖气设备,这会导致能耗在不同季节的周期性变化。此外,不同用户有不同的生活习惯、工作模式和用电习惯,这导致了他们在不同时间尺度下的能耗变化。一些用户可能更注重节能,而另一些用户可能更倾向于使用电器设备。为了能够捕获这种多尺度的用电时序模式和用电变化状态,在本申请的技术方案中,将所述能耗数据的时间序列按照时间维度排列为能耗数据时序输入向量;并基于第一预定时间尺度对所述能耗数据时序输入向量进行切分以得到第一能耗数据局部时序输入向量的序列;同时,基于第二预定时间尺度对所述能耗数据时序输入向量进行切分以得到第二能耗数据局部时序输入向量的序列,其中,所述第一预定时间尺度不等于所述第二预定时间尺度。
在本公开的一个实施例中,对所述能耗数据的时间序列进行数据规整以得到第一能耗数据局部时序输入向量的序列和第二能耗数据局部时序输入向量的序列,包括:将所述能耗数据的时间序列按照时间维度排列为能耗数据时序输入向量;基于第一预定时间尺度对所述能耗数据时序输入向量进行切分以得到所述第一能耗数据局部时序输入向量的序列;基于第二预定时间尺度对所述能耗数据时序输入向量进行切分以得到所述第二能耗数据局部时序输入向量的序列,其中,所述第一预定时间尺度不等于所述第二预定时间尺度。
应可以理解,所述第一预定时间尺度和所述第二预定时间尺度分别代表不同的时间跨度,能够将所述能耗数据时序输入向量初步划分为具有不同时间跨度的能耗数据的向量表示。在本申请的实施例中,所述第一预定时间尺度可以是分钟级或小时级的,用于描述瞬时的用电变化信息。这样的时间尺度可以使得后续模型在分析过程中更精细地刻画和捕捉用户的短期用电行为,如突发性的用电峰值或突然的用电波动,并更容易地识别用户的具体用电行为模式,例如用户的日常生活习惯、工作模式或特定活动导致的用电变化。而所述第二预定时间尺度可以是天级、周级或月级的,用于描述周期性的能耗变化,如每日的用电高峰和低谷或周末与工作日的用电差异。这样的时间尺度可以更好地理解用户的长期用电模式和周期性变化。
在本公开的一个实施例中,对所述第一能耗数据局部时序输入向量的序列和所述第二能耗数据局部时序输入向量的序列进行时序分析和基于内容注意力的全时域融合以得到所述第一尺度能耗时序模式特征向量和所述第二尺度能耗时序模式特征向量,包括:将所述第一能耗数据局部时序输入向量的序列通过基于第一扩展卷积神经网络模型的能耗数据时序模式特征提取器以得到第一能耗数据局部时序特征向量的序列;将所述第二能耗数据局部时序输入向量的序列通过基于第二扩展卷积神经网络模型的能耗数据时序模式特征提取器以得到第二能耗数据局部时序特征向量的序列,其中,所述第二扩展卷积神经网络模型和所述第一扩展卷积神经网络模型分别具有不同尺度的一维卷积核;将所述第一能耗数据局部时序特征向量的序列和所述第二能耗数据局部时序特征向量的序列通过基于权重重要内容注意力融合网络的全时域能耗时序模式特征提取器以得到所述第一尺度能耗时序模式特征向量和所述第二尺度能耗时序模式特征向量。
接着,将所述第一能耗数据局部时序输入向量的序列通过基于第一扩展卷积神经网络模型的能耗数据时序模式特征提取器以得到第一能耗数据局部时序特征向量的序列;与此同时,将所述第二能耗数据局部时序输入向量的序列通过基于第二扩展卷积神经网络模型的能耗数据时序模式特征提取器以得到第二能耗数据局部时序特征向量的序列,其中,所述第二扩展卷积神经网络模型和所述第一扩展卷积神经网络模型分别具有不同尺度的一维卷积核。也就是,分别利用具有不同尺度的一维卷积核的所述基于第一扩展卷积神经网络模型的能耗数据时序模式特征提取器和所述基于第二扩展卷积神经网络模型的能耗数据时序模式特征提取器来捕捉所述第一能耗数据局部时序输入向量的序列中所蕴含的用户短期用电时序模式、所述第二能耗数据局部时序输入向量的序列中所蕴含的用户长期用电时序模式。
在本公开的一个实施例中,将所述第一能耗数据局部时序输入向量的序列通过基于第一扩展卷积神经网络模型的能耗数据时序模式特征提取器以得到第一能耗数据局部时序特征向量的序列,包括:以如下一维扩展卷积公式对所述第一能耗数据局部时序输入向量的序列进行处理以得到所述第一能耗数据局部时序特征向量的序列;其中,所述一维扩展卷积公式为:
其中,至/>为所述第一能耗数据局部时序输入向量的序列中第1至/>个第一能耗数据局部时序输入向量,/>为所述第一能耗数据局部时序输入向量的序列的长度,/>表示级联操作,/>为第一能耗数据局部时序级联特征向量,一维扩展卷积核/>的尺寸为,/>为原始卷积核的长度,/>为扩展率,/>表示以所述第一能耗数据局部时序级联特征向量中第/>个位置的特征值为首的长度为/>的时间窗口,/>是偏置项,且/>,是非线性激活函数,/>是所述第一能耗数据局部时序特征向量的序列中第/>个第一能耗数据局部时序特征向量。
随后,将所述第一能耗数据局部时序特征向量的序列和所述第二能耗数据局部时序特征向量的序列通过基于权重重要内容注意力融合网络的全时域能耗时序模式特征提取器以得到第一尺度能耗时序模式特征向量和第二尺度能耗时序模式特征向量。也就是,通过所述基于权重重要内容注意力融合网络的全时域能耗时序模式特征提取器来分别获取所述第一能耗数据局部时序特征向量的序列和所述第二能耗数据局部时序特征向量的序列中的全时域自相关性,捕捉局部数据间的长期依赖关系和时间动态特征。其中,基于权重重要内容注意力融合网络的全时域能耗时序模式特征提取器的本质是一种权重概率分布机制,即对重要的内容分配更大的权重,对其他内容减少权重。这样的机制更专注于找到输入数据中与当前数据显著相关的有用信息,发觉各个第一能耗数据局部时序特征向量之间的自相关性以及各个第二能耗数据局部时序特征向量之间的自相关性。
在本公开的一个实施例中,将所述第一能耗数据局部时序特征向量的序列和所述第二能耗数据局部时序特征向量的序列通过基于权重重要内容注意力融合网络的全时域能耗时序模式特征提取器以得到所述第一尺度能耗时序模式特征向量和所述第二尺度能耗时序模式特征向量,包括:以如下全时域能耗时序模式特征提取公式对所述第一能耗数据局部时序特征向量的序列进行处理以得到所述第一尺度能耗时序模式特征向量;其中,所述全时域能耗时序模式特征提取公式为:
其中,为第/>个注意力打分系数,/>为第/>个注意力打分系数,/>为所述第一能耗数据局部时序特征向量的序列中第/>个第一能耗数据局部时序特征向量,/>为第/>个第一能耗数据局部时序特征向量,/>为第/>个权重系数矩阵,/>为第/>个权重系数向量,为第/>个偏置向量,/>表示双曲正切函数处理,/>表示以/>为底的指数函数处理,/>为/>第个注意力权重系数/>为第/>个注意力权重系数,/>为所述第一能耗数据局部时序特征向量的序列的长度,/>表示级联函数,/>为所述第一尺度能耗时序模式特征向量。这里,对所述第二能耗数据局部时序特征向量的序列进行处理的计算方式相同。
进一步地,使用能耗多尺度特征融合器对所述第一尺度能耗时序模式特征向量和所述第二尺度能耗时序模式特征向量进行处理以得到能耗时序模式多尺度表征特征向量。也就是,通过所述能耗多尺度特征融合器将所述第一尺度能耗时序模式特征向量和所述第二尺度能耗时序模式特征向量表示的不同时间尺度下的能耗时序模式和演变特征进行整合和交互,以综合考虑短期和长期的能耗变化趋势,形成对用电对象的用电模式和用电偏好的综合理解。其中,所述能耗多尺度特征融合器在特征交互融合的过程中,通过门限值来自适应地平衡来自所述第一尺度能耗时序模式特征向量和所述第二尺度能耗时序模式特征向量的融合信息的重要性,使模型能够灵活地调整不同周期性时间尺度下能耗数据演变特征的重要性,从而优化多尺度特征的融合过程。
在本公开的一个实施例中,使用能耗多尺度特征融合器对所述第一尺度能耗时序模式特征向量和所述第二尺度能耗时序模式特征向量进行处理以得到能耗时序模式多尺度表征特征向量,包括:以如下能耗多尺度特征融合公式对所述第一尺度能耗时序模式特征向量和所述第二尺度能耗时序模式特征向量进行处理以得到所述能耗时序模式多尺度表征特征向量;其中,所述能耗多尺度特征融合公式为:
其中,为所述第一尺度能耗时序模式特征向量,/>为所述第二尺度能耗时序模式特征向量,/>为所述能耗时序模式多尺度表征特征向量,/>,/>为门限值,表示将所述第一尺度能耗时序模式特征向量和所述第二尺度能耗时序模式特征向量进行级联,/>是变换向量,/>是偏置参数,/>表示激活函数。
在本公开的一个实施例中,基于所述能耗时序模式多尺度表征特征向量以得到用电对象类型的识别结果,包括:对所述能耗时序模式多尺度表征特征向量进行特征分布校正以得到校正后能耗时序模式多尺度表征特征向量;将所述校正后能耗时序模式多尺度表征特征向量通过基于分类器的用电对象识别器以得到所述识别结果,所述识别结果为用电对象类型标签。
进一步地,对所述能耗时序模式多尺度表征特征向量进行特征分布校正以得到校正后能耗时序模式多尺度表征特征向量,包括:对所述第一尺度能耗时序模式特征向量和所述第二尺度能耗时序模式特征向量进行融合校正以得到校正特征向量;融合所述校正特征向量和所述能耗时序模式多尺度表征特征向量以得到所述校正后能耗时序模式多尺度表征特征向量。
在上述技术方案中,所述第一能耗数据局部时序特征向量的序列和所述第二能耗数据局部时序特征向量的序列分别表达所述能耗数据基于全局时域下的不同尺度局部时域划分的不同尺度的局部时序关联特征,这样,将所述第一能耗数据局部时序特征向量的序列和所述第二能耗数据局部时序特征向量的序列通过基于权重重要内容注意力融合网络的全时域能耗时序模式特征提取器后,可以进一步基于全局时域下不同局部时域的特征分布权重来进行全局时域特征关联,从而获得表达所述能耗数据在不同局部-全局时域分布尺度上的时序关联特征。
但是,考虑到所述第一尺度能耗时序模式特征向量和所述第二尺度能耗时序模式特征向量在不同尺度的局部时域划分和不同尺度的时序特征关联所带来的特征分布结构差异,使用能耗多尺度特征融合器对所述第一尺度能耗时序模式特征向量和所述第二尺度能耗时序模式特征向量进行处理时,仍然需要改进基于融合信息重要性平衡进行多尺度融合得到的所述能耗时序模式多尺度表征特征向量的融合效果。
因此,本申请的申请人对所述第一尺度能耗时序模式特征向量和所述第二尺度能耗时序模式特征向量进行融合校正,表示为:以如下优化公式对所述第一尺度能耗时序模式特征向量和所述第二尺度能耗时序模式特征向量进行融合校正以得到校正特征向量;其中,所述优化公式为:
其中,是所述第一尺度能耗时序模式特征向量,/>是所述第二尺度能耗时序模式特征向量,/>,/>,特征向量/>和/>具有相同长度/>,/>和/>是尺度超参数,且/>是距离差值超参数,/>是所述第二尺度能耗时序模式特征向量的转置向量,/>是校正特征向量的特征值,/>表示向量乘法。
这里,针对特征融合场景下,所述第一尺度能耗时序模式特征向量和所述第二尺度能耗时序模式特征向量/>之间的流形分布距离导致的流形网络结构交互重建困难的问题,通过低阶中尺度希尔伯特空间基元结构对于复杂流形网络结构中的网络子结构的有效近似,来进行基于距离表示的低阶中尺度子流形交互行为构建,从而在网络相互作用层面上理解网络中的异常子流形交互,提升所述第一尺度能耗时序模式特征向量/>和所述第二尺度能耗时序模式特征向量/>的特征交互融合效果。这样,再将由/>组成的校正特征向量与所述能耗时序模式多尺度表征特征向量融合,就可以提升所述能耗时序模式多尺度表征特征向量的融合表达效果,从而提升其通过分类器得到的分类结果的准确性。
继而,将所述校正后能耗时序模式多尺度表征特征向量通过基于分类器的用电对象识别器以得到识别结果,所述识别结果为用电对象类型标签;并基于所述识别结果,为所述被监控用电对象推荐用电计价服务套餐。
综上所述,采用上述方案,利用智能化算法来分析用电对象的能耗数据,挖掘与捕捉其中所蕴含的用电使用模式和用户偏好,从而将用户对象精准细分至相应的用电对象类型,并为不同用电对象类型的群体推荐相应的用电计价服务套餐,优化传统的电网业务营销方案,提供更为个性化的服务。
图2是根据一示例性实施例示出的一种面向全物联网架构的营销业务融合***的框图。如图2所示,该***200包括:
营销业务数据获取模块201,用于获取由物联网传感器采集的被监控用电对象的营销业务数据,其中,所述营销业务数据为能耗数据的时间序列;多尺度能耗时序模式提取模块202,用于对所述能耗数据的时间序列进行多尺度能耗时序模式提取以得到第一尺度能耗时序模式特征向量和第二尺度能耗时序模式特征向量;
能耗多尺度特征融合模块203,用于使用能耗多尺度特征融合器对所述第一尺度能耗时序模式特征向量和所述第二尺度能耗时序模式特征向量进行处理以得到能耗时序模式多尺度表征特征向量;
识别结果生成模块204,用于基于所述能耗时序模式多尺度表征特征向量以得到用电对象类型的识别结果;
用电计价服务套餐推荐模块205,用于基于所述识别结果,为所述被监控用电对象推荐用电计价服务套餐。
下面参考图3,其示出了适于用来实现本公开实施例的电子设备600的结构示意图。本公开实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图3示出的电子设备仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图3所示,电子设备600可以包括处理装置(例如中央处理器、图形处理器等)601,其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM603中,还存储有电子设备600操作所需的各种程序和数据。处理装置601、ROM602以及RAM603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
通常,以下装置可以连接至I/O接口605:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置606;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607;包括例如磁带、硬盘等的存储装置608;以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图3示出了具有各种装置的电子设备600,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在非暂态计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信装置609从网络上被下载和安装,或者从存储装置608被安装,或者从ROM602被安装。在该计算机程序被处理装置601执行时,执行本公开实施例的方法中限定的上述功能。
需要说明的是,本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本公开中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
在一些实施方式中,客户端、服务器可以利用诸如HTTP(HyperTextTransferProtocol,超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信,并且可以与任意形式或介质的数字数据通信(例如,通信网络)互连。通信网络的示例包括局域网(“LAN”),广域网(“WAN”),网际网(例如,互联网)以及端对端网络(例如,ad hoc端对端网络),以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码,上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言——诸如“C”语言或类似的程序设计语言。程序代码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)。
附图中的流程图和框图,图示了按照本公开各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。描述于本公开实施例中所涉及到的模块可以通过软件的方式实现,也可以通过硬件的方式来实现。其中,模块的名称在某种情况下并不构成对该模块本身的限定,例如,测试参数获取模块还可以被描述为“获取目标设备对应的设备测试参数的模块”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上***(SOC)、复杂可编程逻辑设备(CPLD)等等。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
根据本公开的一个或多个实施例,示例1提供了一种面向全物联网架构的营销业务融合方法,所述方法包括:
获取由物联网传感器采集的被监控用电对象的营销业务数据,其中,所述营销业务数据为能耗数据的时间序列;
对所述能耗数据的时间序列进行多尺度能耗时序模式提取以得到第一尺度能耗时序模式特征向量和第二尺度能耗时序模式特征向量;
使用能耗多尺度特征融合器对所述第一尺度能耗时序模式特征向量和所述第二尺度能耗时序模式特征向量进行处理以得到能耗时序模式多尺度表征特征向量;
基于所述能耗时序模式多尺度表征特征向量以得到用电对象类型的识别结果;
基于所述识别结果,为所述被监控用电对象推荐用电计价服务套餐。
根据本公开的一个或多个实施例,示例2提供了示例1的方法,对所述能耗数据的时间序列进行多尺度能耗时序模式提取以得到第一尺度能耗时序模式特征向量和第二尺度能耗时序模式特征向量,包括:
对所述能耗数据的时间序列进行数据规整以得到第一能耗数据局部时序输入向量的序列和第二能耗数据局部时序输入向量的序列;
对所述第一能耗数据局部时序输入向量的序列和所述第二能耗数据局部时序输入向量的序列进行时序分析和基于内容注意力的全时域融合以得到所述第一尺度能耗时序模式特征向量和所述第二尺度能耗时序模式特征向量。
根据本公开的一个或多个实施例,示例3提供了示例2的方法,对所述能耗数据的时间序列进行数据规整以得到第一能耗数据局部时序输入向量的序列和第二能耗数据局部时序输入向量的序列,包括:
将所述能耗数据的时间序列按照时间维度排列为能耗数据时序输入向量;
基于第一预定时间尺度对所述能耗数据时序输入向量进行切分以得到所述第一能耗数据局部时序输入向量的序列;
基于第二预定时间尺度对所述能耗数据时序输入向量进行切分以得到所述第二能耗数据局部时序输入向量的序列,其中,所述第一预定时间尺度不等于所述第二预定时间尺度。
根据本公开的一个或多个实施例,示例4提供了示例3的方法,对所述第一能耗数据局部时序输入向量的序列和所述第二能耗数据局部时序输入向量的序列进行时序分析和基于内容注意力的全时域融合以得到所述第一尺度能耗时序模式特征向量和所述第二尺度能耗时序模式特征向量,包括:
将所述第一能耗数据局部时序输入向量的序列通过基于第一扩展卷积神经网络模型的能耗数据时序模式特征提取器以得到第一能耗数据局部时序特征向量的序列;
将所述第二能耗数据局部时序输入向量的序列通过基于第二扩展卷积神经网络模型的能耗数据时序模式特征提取器以得到第二能耗数据局部时序特征向量的序列,其中,所述第二扩展卷积神经网络模型和所述第一扩展卷积神经网络模型分别具有不同尺度的一维卷积核;
将所述第一能耗数据局部时序特征向量的序列和所述第二能耗数据局部时序特征向量的序列通过基于权重重要内容注意力融合网络的全时域能耗时序模式特征提取器以得到所述第一尺度能耗时序模式特征向量和所述第二尺度能耗时序模式特征向量。
根据本公开的一个或多个实施例,示例5提供了示例4的方法,将所述第一能耗数据局部时序输入向量的序列通过基于第一扩展卷积神经网络模型的能耗数据时序模式特征提取器以得到第一能耗数据局部时序特征向量的序列,包括:
以如下一维扩展卷积公式对所述第一能耗数据局部时序输入向量的序列进行处理以得到所述第一能耗数据局部时序特征向量的序列;其中,所述一维扩展卷积公式为:
其中,至/>为所述第一能耗数据局部时序输入向量的序列中第1至/>个第一能耗数据局部时序输入向量,/>为所述第一能耗数据局部时序输入向量的序列的长度,/>表示级联操作,/>为第一能耗数据局部时序级联特征向量,一维扩展卷积核/>的尺寸为/>,/>为原始卷积核的长度,/>为扩展率,/>表示以所述第一能耗数据局部时序级联特征向量中第/>个位置的特征值为首的长度为/>的时间窗口,/>是偏置项,且/>,是非线性激活函数,/>是所述第一能耗数据局部时序特征向量的序列中第/>个第一能耗数据局部时序特征向量。
随后,将所述第一能耗数据局部时序特征向量的序列和所述第二能耗数据局部时序特征向量的序列通过基于权重重要内容注意力融合网络的全时域能耗时序模式特征提取器以得到第一尺度能耗时序模式特征向量和第二尺度能耗时序模式特征向量。也就是,通过所述基于权重重要内容注意力融合网络的全时域能耗时序模式特征提取器来分别获取所述第一能耗数据局部时序特征向量的序列和所述第二能耗数据局部时序特征向量的序列中的全时域自相关性,捕捉局部数据间的长期依赖关系和时间动态特征。其中,基于权重重要内容注意力融合网络的全时域能耗时序模式特征提取器的本质是一种权重概率分布机制,即对重要的内容分配更大的权重,对其他内容减少权重。这样的机制更专注于找到输入数据中与当前数据显著相关的有用信息,发觉各个第一能耗数据局部时序特征向量之间的自相关性以及各个第二能耗数据局部时序特征向量之间的自相关性。
根据本公开的一个或多个实施例,示例6提供了示例5的方法,将所述第一能耗数据局部时序特征向量的序列和所述第二能耗数据局部时序特征向量的序列通过基于权重重要内容注意力融合网络的全时域能耗时序模式特征提取器以得到所述第一尺度能耗时序模式特征向量和所述第二尺度能耗时序模式特征向量,包括:
以如下全时域能耗时序模式特征提取公式对所述第一能耗数据局部时序特征向量的序列进行处理以得到所述第一尺度能耗时序模式特征向量;其中,所述全时域能耗时序模式特征提取公式为:
其中,为第/>个注意力打分系数,/>为第/>个注意力打分系数,/>为所述第一能耗数据局部时序特征向量的序列中第/>个第一能耗数据局部时序特征向量,/>为第/>个第一能耗数据局部时序特征向量,/>为第/>个权重系数矩阵,/>为第/>个权重系数向量,为第/>个偏置向量,/>表示双曲正切函数处理,/>表示以/>为底的指数函数处理,/>为/>第个注意力权重系数/>为第/>个注意力权重系数,/>为所述第一能耗数据局部时序特征向量的序列的长度,/>表示级联函数,/>为所述第一尺度能耗时序模式特征向量。这里,对所述第二能耗数据局部时序特征向量的序列进行处理的计算方式相同。
进一步地,使用能耗多尺度特征融合器对所述第一尺度能耗时序模式特征向量和所述第二尺度能耗时序模式特征向量进行处理以得到能耗时序模式多尺度表征特征向量。也就是,通过所述能耗多尺度特征融合器将所述第一尺度能耗时序模式特征向量和所述第二尺度能耗时序模式特征向量表示的不同时间尺度下的能耗时序模式和演变特征进行整合和交互,以综合考虑短期和长期的能耗变化趋势,形成对用电对象的用电模式和用电偏好的综合理解。其中,所述能耗多尺度特征融合器在特征交互融合的过程中,通过门限值来自适应地平衡来自所述第一尺度能耗时序模式特征向量和所述第二尺度能耗时序模式特征向量的融合信息的重要性,使模型能够灵活地调整不同周期性时间尺度下能耗数据演变特征的重要性,从而优化多尺度特征的融合过程。
根据本公开的一个或多个实施例,示例7提供了示例6的方法,使用能耗多尺度特征融合器对所述第一尺度能耗时序模式特征向量和所述第二尺度能耗时序模式特征向量进行处理以得到能耗时序模式多尺度表征特征向量,包括:
以如下能耗多尺度特征融合公式对所述第一尺度能耗时序模式特征向量和所述第二尺度能耗时序模式特征向量进行处理以得到所述能耗时序模式多尺度表征特征向量;其中,所述能耗多尺度特征融合公式为:
其中,为所述第一尺度能耗时序模式特征向量,/>为所述第二尺度能耗时序模式特征向量,/>为所述能耗时序模式多尺度表征特征向量,/>,/>为门限值,表示将所述第一尺度能耗时序模式特征向量和所述第二尺度能耗时序模式特征向量进行级联,/>是变换向量,/>是偏置参数,/>表示激活函数。
根据本公开的一个或多个实施例,示例8提供了示例7的方法,基于所述能耗时序模式多尺度表征特征向量以得到用电对象类型的识别结果,包括:
对所述能耗时序模式多尺度表征特征向量进行特征分布校正以得到校正后能耗时序模式多尺度表征特征向量;
将所述校正后能耗时序模式多尺度表征特征向量通过基于分类器的用电对象识别器以得到所述识别结果,所述识别结果为用电对象类型标签。
根据本公开的一个或多个实施例,示例9提供了示例8的方法,对所述能耗时序模式多尺度表征特征向量进行特征分布校正以得到校正后能耗时序模式多尺度表征特征向量,包括:
对所述第一尺度能耗时序模式特征向量和所述第二尺度能耗时序模式特征向量进行融合校正以得到校正特征向量;
融合所述校正特征向量和所述能耗时序模式多尺度表征特征向量以得到所述校正后能耗时序模式多尺度表征特征向量。
根据本公开的一个或多个实施例,示例10提供了一种面向全物联网架构的营销业务融合***,所述***包括:
营销业务数据获取模块,用于获取由物联网传感器采集的被监控用电对象的营销业务数据,其中,所述营销业务数据为能耗数据的时间序列;
多尺度能耗时序模式提取模块,用于对所述能耗数据的时间序列进行多尺度能耗时序模式提取以得到第一尺度能耗时序模式特征向量和第二尺度能耗时序模式特征向量;
能耗多尺度特征融合模块,用于使用能耗多尺度特征融合器对所述第一尺度能耗时序模式特征向量和所述第二尺度能耗时序模式特征向量进行处理以得到能耗时序模式多尺度表征特征向量;
识别结果生成模块,用于基于所述能耗时序模式多尺度表征特征向量以得到用电对象类型的识别结果;
用电计价服务套餐推荐模块,用于基于所述识别结果,为所述被监控用电对象推荐用电计价服务套餐。
图4是根据一示例性实施例示出的一种面向全物联网架构的营销业务融合方法的应用场景图。如图4所示,在该应用场景中,首先,获取由物联网传感器采集的被监控用电对象的营销业务数据(例如,如图4中所示意的C);然后,将获取的营销业务数据输入至部署有面向全物联网架构的营销业务融合算法的服务器(例如,如图4中所示意的S)中,其中所述服务器能够基于面向全物联网架构的营销业务融合算法对所述营销业务数据进行处理,以得到用电对象类型的识别结果;基于所述识别结果,为所述被监控用电对象推荐用电计价服务套餐。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开中所涉及的公开范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述公开构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
此外,虽然采用特定次序描绘了各操作,但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下,多任务和并行处理可能是有利的。同样地,虽然在上面论述中包含了若干具体实现细节,但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地,在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题,但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反,上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
Claims (10)
1.一种面向全物联网架构的营销业务融合方法,其特征在于,包括:
获取由物联网传感器采集的被监控用电对象的营销业务数据,其中,所述营销业务数据为能耗数据的时间序列;
对所述能耗数据的时间序列进行多尺度能耗时序模式提取以得到第一尺度能耗时序模式特征向量和第二尺度能耗时序模式特征向量;
使用能耗多尺度特征融合器对所述第一尺度能耗时序模式特征向量和所述第二尺度能耗时序模式特征向量进行处理以得到能耗时序模式多尺度表征特征向量;
基于所述能耗时序模式多尺度表征特征向量以得到用电对象类型的识别结果;
基于所述识别结果,为所述被监控用电对象推荐用电计价服务套餐。
2.根据权利要求1所述的面向全物联网架构的营销业务融合方法,其特征在于,对所述能耗数据的时间序列进行多尺度能耗时序模式提取以得到第一尺度能耗时序模式特征向量和第二尺度能耗时序模式特征向量,包括:
对所述能耗数据的时间序列进行数据规整以得到第一能耗数据局部时序输入向量的序列和第二能耗数据局部时序输入向量的序列;
对所述第一能耗数据局部时序输入向量的序列和所述第二能耗数据局部时序输入向量的序列进行时序分析和基于内容注意力的全时域融合以得到所述第一尺度能耗时序模式特征向量和所述第二尺度能耗时序模式特征向量。
3.根据权利要求2所述的面向全物联网架构的营销业务融合方法,其特征在于,对所述能耗数据的时间序列进行数据规整以得到第一能耗数据局部时序输入向量的序列和第二能耗数据局部时序输入向量的序列,包括:
将所述能耗数据的时间序列按照时间维度排列为能耗数据时序输入向量;
基于第一预定时间尺度对所述能耗数据时序输入向量进行切分以得到所述第一能耗数据局部时序输入向量的序列;
基于第二预定时间尺度对所述能耗数据时序输入向量进行切分以得到所述第二能耗数据局部时序输入向量的序列,其中,所述第一预定时间尺度不等于所述第二预定时间尺度。
4.根据权利要求3所述的面向全物联网架构的营销业务融合方法,其特征在于,对所述第一能耗数据局部时序输入向量的序列和所述第二能耗数据局部时序输入向量的序列进行时序分析和基于内容注意力的全时域融合以得到所述第一尺度能耗时序模式特征向量和所述第二尺度能耗时序模式特征向量,包括:
将所述第一能耗数据局部时序输入向量的序列通过基于第一扩展卷积神经网络模型的能耗数据时序模式特征提取器以得到第一能耗数据局部时序特征向量的序列;
将所述第二能耗数据局部时序输入向量的序列通过基于第二扩展卷积神经网络模型的能耗数据时序模式特征提取器以得到第二能耗数据局部时序特征向量的序列,其中,所述第二扩展卷积神经网络模型和所述第一扩展卷积神经网络模型分别具有不同尺度的一维卷积核;
将所述第一能耗数据局部时序特征向量的序列和所述第二能耗数据局部时序特征向量的序列通过基于权重重要内容注意力融合网络的全时域能耗时序模式特征提取器以得到所述第一尺度能耗时序模式特征向量和所述第二尺度能耗时序模式特征向量。
5.根据权利要求4所述的面向全物联网架构的营销业务融合方法,其特征在于,将所述第一能耗数据局部时序输入向量的序列通过基于第一扩展卷积神经网络模型的能耗数据时序模式特征提取器以得到第一能耗数据局部时序特征向量的序列,包括:
以如下一维扩展卷积公式对所述第一能耗数据局部时序输入向量的序列进行处理以得到所述第一能耗数据局部时序特征向量的序列;其中,所述一维扩展卷积公式为:
其中,至/>为所述第一能耗数据局部时序输入向量的序列中第1至/>个第一能耗数据局部时序输入向量,/>为所述第一能耗数据局部时序输入向量的序列的长度,/>表示级联操作,/>为第一能耗数据局部时序级联特征向量,一维扩展卷积核/>的尺寸为/>,为原始卷积核的长度,/>为扩展率,/>表示以所述第一能耗数据局部时序级联特征向量中第/>个位置的特征值为首的长度为/>的时间窗口,/>是偏置项,且/>,/>是非线性激活函数,/>是所述第一能耗数据局部时序特征向量的序列中第/>个第一能耗数据局部时序特征向量。
6.根据权利要求5所述的面向全物联网架构的营销业务融合方法,其特征在于,将所述第一能耗数据局部时序特征向量的序列和所述第二能耗数据局部时序特征向量的序列通过基于权重重要内容注意力融合网络的全时域能耗时序模式特征提取器以得到所述第一尺度能耗时序模式特征向量和所述第二尺度能耗时序模式特征向量,包括:
以如下全时域能耗时序模式特征提取公式对所述第一能耗数据局部时序特征向量的序列进行处理以得到所述第一尺度能耗时序模式特征向量;其中,所述全时域能耗时序模式特征提取公式为:
其中,为第/>个注意力打分系数,/>为第/>个注意力打分系数,/>为所述第一能耗数据局部时序特征向量的序列中第/>个第一能耗数据局部时序特征向量,/>为第/>个第一能耗数据局部时序特征向量,/>为第/>个权重系数矩阵,/>为第/>个权重系数向量,/>为第/>个偏置向量,/>表示双曲正切函数处理,/>表示以/>为底的指数函数处理,为/>第个注意力权重系数/>为第/>个注意力权重系数,/>为所述第一能耗数据局部时序特征向量的序列的长度,/>表示级联函数,/>为所述第一尺度能耗时序模式特征向量。
7.根据权利要求6所述的面向全物联网架构的营销业务融合方法,其特征在于,使用能耗多尺度特征融合器对所述第一尺度能耗时序模式特征向量和所述第二尺度能耗时序模式特征向量进行处理以得到能耗时序模式多尺度表征特征向量,包括:
以如下能耗多尺度特征融合公式对所述第一尺度能耗时序模式特征向量和所述第二尺度能耗时序模式特征向量进行处理以得到所述能耗时序模式多尺度表征特征向量;其中,所述能耗多尺度特征融合公式为:
其中,为所述第一尺度能耗时序模式特征向量,/>为所述第二尺度能耗时序模式特征向量,/>为所述能耗时序模式多尺度表征特征向量,/>,/>为门限值,表示将所述第一尺度能耗时序模式特征向量和所述第二尺度能耗时序模式特征向量进行级联,/>是变换向量,/>是偏置参数,/>表示激活函数。
8.根据权利要求7所述的面向全物联网架构的营销业务融合方法,其特征在于,基于所述能耗时序模式多尺度表征特征向量以得到用电对象类型的识别结果,包括:
对所述能耗时序模式多尺度表征特征向量进行特征分布校正以得到校正后能耗时序模式多尺度表征特征向量;
将所述校正后能耗时序模式多尺度表征特征向量通过基于分类器的用电对象识别器以得到所述识别结果,所述识别结果为用电对象类型标签。
9.根据权利要求8所述的面向全物联网架构的营销业务融合方法,其特征在于,对所述能耗时序模式多尺度表征特征向量进行特征分布校正以得到校正后能耗时序模式多尺度表征特征向量,包括:
对所述第一尺度能耗时序模式特征向量和所述第二尺度能耗时序模式特征向量进行融合校正以得到校正特征向量;
融合所述校正特征向量和所述能耗时序模式多尺度表征特征向量以得到所述校正后能耗时序模式多尺度表征特征向量。
10.一种面向全物联网架构的营销业务融合***,其特征在于,包括:
营销业务数据获取模块,用于获取由物联网传感器采集的被监控用电对象的营销业务数据,其中,所述营销业务数据为能耗数据的时间序列;
多尺度能耗时序模式提取模块,用于对所述能耗数据的时间序列进行多尺度能耗时序模式提取以得到第一尺度能耗时序模式特征向量和第二尺度能耗时序模式特征向量;
能耗多尺度特征融合模块,用于使用能耗多尺度特征融合器对所述第一尺度能耗时序模式特征向量和所述第二尺度能耗时序模式特征向量进行处理以得到能耗时序模式多尺度表征特征向量;
识别结果生成模块,用于基于所述能耗时序模式多尺度表征特征向量以得到用电对象类型的识别结果;
用电计价服务套餐推荐模块,用于基于所述识别结果,为所述被监控用电对象推荐用电计价服务套餐。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410469235.9A CN118071385B (zh) | 2024-04-18 | 2024-04-18 | 一种面向全物联网架构的营销业务融合方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410469235.9A CN118071385B (zh) | 2024-04-18 | 2024-04-18 | 一种面向全物联网架构的营销业务融合方法和*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN118071385A true CN118071385A (zh) | 2024-05-24 |
CN118071385B CN118071385B (zh) | 2024-07-09 |
Family
ID=91109868
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410469235.9A Active CN118071385B (zh) | 2024-04-18 | 2024-04-18 | 一种面向全物联网架构的营销业务融合方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118071385B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111798336A (zh) * | 2020-07-09 | 2020-10-20 | 山东大学 | 一种基于典型用户的居民电费套餐推荐方法及*** |
CN115544252A (zh) * | 2022-09-21 | 2022-12-30 | 内蒙古工业大学 | 一种基于注意力静态路由胶囊网络的文本情感分类方法 |
CN116579342A (zh) * | 2023-05-15 | 2023-08-11 | 广西电网有限责任公司 | 基于双特征联合提取的电力营销命名实体识别方法 |
CN116958586A (zh) * | 2023-06-08 | 2023-10-27 | 中国人民解放军战略支援部队信息工程大学 | 基于多尺度注意力胶囊网络的物联网设备识别方法及*** |
CN117094651A (zh) * | 2023-04-27 | 2023-11-21 | 杭州里德通信有限公司 | 一体化储能管理***及能量管理方法 |
US20230400301A1 (en) * | 2022-06-10 | 2023-12-14 | Tianjin University | Tropical instability wave early warning method and device based on temporal-spatial cross-scale attention fusion |
CN117494034A (zh) * | 2023-08-11 | 2024-02-02 | 合肥工业大学 | 基于交通拥堵指数和多源数据融合的空气质量预测方法 |
CN117643461A (zh) * | 2024-01-30 | 2024-03-05 | 吉林大学 | 基于人工智能的心率智能监测***及方法 |
CN117875638A (zh) * | 2024-01-03 | 2024-04-12 | 国网河南省电力公司信息通信分公司 | 一种基于大数据的供电需求分配方法及*** |
-
2024
- 2024-04-18 CN CN202410469235.9A patent/CN118071385B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111798336A (zh) * | 2020-07-09 | 2020-10-20 | 山东大学 | 一种基于典型用户的居民电费套餐推荐方法及*** |
US20230400301A1 (en) * | 2022-06-10 | 2023-12-14 | Tianjin University | Tropical instability wave early warning method and device based on temporal-spatial cross-scale attention fusion |
CN115544252A (zh) * | 2022-09-21 | 2022-12-30 | 内蒙古工业大学 | 一种基于注意力静态路由胶囊网络的文本情感分类方法 |
CN117094651A (zh) * | 2023-04-27 | 2023-11-21 | 杭州里德通信有限公司 | 一体化储能管理***及能量管理方法 |
CN116579342A (zh) * | 2023-05-15 | 2023-08-11 | 广西电网有限责任公司 | 基于双特征联合提取的电力营销命名实体识别方法 |
CN116958586A (zh) * | 2023-06-08 | 2023-10-27 | 中国人民解放军战略支援部队信息工程大学 | 基于多尺度注意力胶囊网络的物联网设备识别方法及*** |
CN117494034A (zh) * | 2023-08-11 | 2024-02-02 | 合肥工业大学 | 基于交通拥堵指数和多源数据融合的空气质量预测方法 |
CN117875638A (zh) * | 2024-01-03 | 2024-04-12 | 国网河南省电力公司信息通信分公司 | 一种基于大数据的供电需求分配方法及*** |
CN117643461A (zh) * | 2024-01-30 | 2024-03-05 | 吉林大学 | 基于人工智能的心率智能监测***及方法 |
Non-Patent Citations (1)
Title |
---|
郑伟哲;仇鹏;韦娟;: "弱标签环境下基于多尺度注意力融合的声音识别检测", 计算机科学, no. 05, 14 April 2020 (2020-04-14) * |
Also Published As
Publication number | Publication date |
---|---|
CN118071385B (zh) | 2024-07-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107944481B (zh) | 用于生成信息的方法和装置 | |
Chen et al. | Exploiting Web service geographical neighborhood for collaborative QoS prediction | |
CN110705719A (zh) | 执行自动机器学习的方法和装置 | |
CN110619078B (zh) | 用于推送信息的方法和装置 | |
CN111104599B (zh) | 用于输出信息的方法和装置 | |
CN110070076B (zh) | 用于选取训练用样本的方法和装置 | |
CN109087138A (zh) | 数据处理方法及***、计算机***和可读存储介质 | |
CN110717597A (zh) | 利用机器学习模型获取时序特征的方法和装置 | |
CN114721835A (zh) | 边缘数据中心服务器能耗预测方法、***、设备及介质 | |
CN111191677B (zh) | 用户特征数据生成方法、装置及电子设备 | |
CN112241761B (zh) | 模型训练方法、装置和电子设备 | |
CN113506023A (zh) | 工作行为数据分析方法、装置、设备及存储介质 | |
CN118071385B (zh) | 一种面向全物联网架构的营销业务融合方法和*** | |
CN113792952A (zh) | 用于生成模型的方法和装置 | |
CN114765062A (zh) | 基因数据处理方法、装置、计算机设备及存储介质 | |
Zhu et al. | Prediction of consumer repurchase behavior based on LSTM neural network model | |
CN109947830A (zh) | 用于输出信息的方法和装置 | |
CN113947431A (zh) | 一种用户行为质量评估方法、装置、设备和存储介质 | |
CN112200602A (zh) | 用于广告推荐的神经网络模型训练方法及装置 | |
CN116823407B (zh) | 产品信息推送方法、装置、电子设备和计算机可读介质 | |
CN113283115B (zh) | 图像模型生成方法、装置和电子设备 | |
CN113689288B (zh) | 基于实体列表的风险识别方法、装置、设备及存储介质 | |
CN110020211A (zh) | 用户属性影响力的评估方法和装置 | |
CN117591621A (zh) | 信息处理方法、装置、设备及计算机可读存储介质 | |
Sathiya et al. | Analysis of Clustering Effects In Cloud Workload Forecasting |
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 |