面向广域测量系统不良数据的实时处理系统的设计和开发
这是一篇关于广域测量系统,实时数据处理,不良数据检测和恢复,皮尔逊相关系数,局部异常因子的论文, 主要内容为广域测量系统(Wide-Area Measurement System,WAMS)中提供的数据在如今的电力系统中已经有了诸多的应用,具有实时采集和上传等优良特征。然而,部分从相量测量单元(Phasor Measurement Unit,PMU)中采样得到的数据与WAMS数据中心汇总后得到的数据存在差异,实际获得的数据存在数据丢失、采样值偏差和跳变等的数据质量问题,形成不良数据,这些数据质量问题会使得各种高级应用性能大打折扣。为了充分挖掘和利用WAMS数据的使用价值,需要能够实时在线对WAMS不良数据进行检测并将其恢复为原来的采样数据,以提高WAMS的数据质量。为了能够在线对WAMS不良数据进行检测和恢复,首先对WAMS历史数据进行研究,分析并得到WAMS的数据特征,提出时间相关性和空间相关性的定义。随后从该特征出发提出不良数据的检测和恢复方法,在检测方法中使用皮尔逊相关系数来计算采样点之间的空间相关性,通过局部异常因子(Local Outlier Factor,LOF)算法来进行不良数据的检测,并使用箱线图来动态确定LOF算法的阈值。随后为了对检测出的不良数据进行恢复,提出基于插值思想并融合了采样点之间空间相关性的数据恢复方法。通过模拟数据和实测历史数据的测试证明了该方法能够有效检测WAMS不良数据并进行快速恢复,在计算方面能够满足在线处理WAMS数据的实时性要求。为了能够在实际生产环境中对WAMS数据质量进行提升,基于Flink设计并实现了WAMS实时数据处理系统。该系统实现了数据的输入输出、不良数据的检测和恢复、日志记录和汇总等功能,实现了对WAMS不良数据进行检测和恢复的一整套流程。实测该系统能够在线对WAMS数据进行不良数据的检测和恢复,且在性能上满足线上应用对WAMS数据的实时性要求,由系统数据处理造成的额外延迟不会对后续的应用使用WAMS数据进行实时分析和处理造成影响。
基于SSH框架的汽车销售服务系统的设计与实现
这是一篇关于汽车销售服务,B/S,SSH框架,皮尔逊相关系数,汽车推荐的论文, 主要内容为在信息化技术普遍运用的当代,人们生活水平也正在逐步提高,科学技术的发展和网络信息的快速传播不仅为人们在使用数据上带来了便捷,也为人们的工作和生活带来了质的飞跃。由于计算机软件技术的发展,更多的实体销售公司希望通过互联网技术改善公司以往的管理模式,提高公司的利润。通过对某汽车销售公司的市场调研,我们使用软件技术开发出一套集汽车销售和服务于一体的管理系统。使公司员工可以共享销售和管理的相关数据,公司各部门人员可以及时沟通工作,重要客户数据信息还可以进行安全存储。使用该系统不仅可以降低对数据处理的成本,还使得员工与主管拥有不同的系统个性化权限,适时地制定适应市场和消费者需求的销售策略,提高销售成功的概率。本系统采用B/S架构,基于SSH(Spring+Struts2+Hibernat)框架技术和MVC三层开发模式,将系统分为数据库,数据访问层,业务逻辑处理层,表示层。对数据库的连接和操作是在数据访问层中完成,Hibernate对JDBC进行了封装,访问层的数据与数据库的数据同步。结合某公司的销售流程以及对该公司的业务分析,使用Java开发语言,MySQL和Eclipse开发工具设计并实现了系统基础信息管理,订单管理,销售管理,仓库管理和售后服务管理等相关功能模块。统计分析用户使用的数据,在数据建模的基础上对数据库进行了相关设计。本系统为提高销售效率,在客户注册的同时收集客户对每种车型的评分信息,综合分析评分较高的喜爱车型与配置参数之间的相关性,采用基于用户爱好和车辆配置参数的协同过滤算法计算用户之间的皮尔逊相关系数,匹配出相似度最高的客户,合并目标用户和相似度最高用户的喜好车型,把计算出的目标用户在喜好车型并集中最高预测值的车型推荐给客户。为更好地展示前端页面,使得页面显示能与各个浏览器更好的兼容,我们使用当下流行的前端技术HTML5+CSS+Javascript。本系统主要采用黑盒测试,依照业务需求和功能需求使用Junit和Jmeter测试工具对系统做了相关功能测试和性能测试。汽车销售服务系统使各部门员工在工作时能及时有效地沟通合作,信息管理员可以对基础信息进行有效管理,避免在处理较多数据时的人为出错,订单管理员可以及时处理不同的订单类型,销售人员可以适时地制定销售计划,系统为客户推荐喜好汽车信息等。系统在财务结算功能中的税收和利润方面以及仓库管理的盘盈盘亏等功能方面还有待扩展。由于市场竞争和销售管理的多样性,系统在实践时还需要不断地调整和优化。
基于因子分解机制的跨域推荐算法研究
这是一篇关于推荐算法,跨域推荐,因子分解机制,皮尔逊相关系数的论文, 主要内容为在过去十几年的时间里,电子商务、社交网络等都在飞速地发展。与此同时,大数据时代随着不断增长的数据量而来临,信息过载这一问题也由此产生。推荐系统逐渐成为了有效解决信息过载问题的一种方案。传统的单一领域推荐系统由于难以有效解决数据稀梳问题以及冷启动问题,导致准确率较低,算法难以扩展。随着各大电子商务系统内领域的增多,不同领域内的用户信息可以实现互补,这为跨域推荐带来了新的契机。因子分解机制(Factorization Machine,FM)是解决高维数据的特征组合问题的有效途径,同时减少数据的稀疏性带来的影响,并且具有较高的预测精度。它可以在线性时间内完成预测,因此在推荐系统和广告点击率预测中成为了研究的重点。为了提高跨域推荐算法的准确率,并解决冷启动和数据稀梳问题,本文提出了基于因子分解机制的跨域推荐算法,主要工作如下:(1)针对在跨域推荐中应用因子分解机制时,如何整合各个领域之间的相关性的问题,本文研究了用户在目标域和辅助域中评分的皮尔逊相关系数,定义为领域相关度。将领域相关度与用户在领域内的平均分的乘积结果作为因子分解机制的特征向量的扩展部分,以此获得了二阶特征之间的约束,提高了因子分解机制的准确率。(2)出于对用户的兴趣、行为等因素的考虑,本文基于大量带有时间因素的用户评分数据,分析了用户行为的动态性在推荐算法中的作用。针对时间因素对用户行为变化的影响问题,通过拟合艾宾浩斯遗忘曲线得到的时间权重函数,探讨并提出了具有时间权重的跨域推荐算法。(3)在不包含用户评分时间戳的短时间跨度以及包含用户评分时间戳的较大时间跨度亚马逊用户评分数据集上,将本文所提出的算法进行试验后与相关的对比算法进行的实验作比较。实验结果表明,与单一领域推荐应用FM和应用了FM的跨域推荐方法相比,本文提出的方法有较低的MAE、RMSE值,并且可以一定程度上减轻用户的冷启动问题。
基于因子分解机制的跨域推荐算法研究
这是一篇关于推荐算法,跨域推荐,因子分解机制,皮尔逊相关系数的论文, 主要内容为在过去十几年的时间里,电子商务、社交网络等都在飞速地发展。与此同时,大数据时代随着不断增长的数据量而来临,信息过载这一问题也由此产生。推荐系统逐渐成为了有效解决信息过载问题的一种方案。传统的单一领域推荐系统由于难以有效解决数据稀梳问题以及冷启动问题,导致准确率较低,算法难以扩展。随着各大电子商务系统内领域的增多,不同领域内的用户信息可以实现互补,这为跨域推荐带来了新的契机。因子分解机制(Factorization Machine,FM)是解决高维数据的特征组合问题的有效途径,同时减少数据的稀疏性带来的影响,并且具有较高的预测精度。它可以在线性时间内完成预测,因此在推荐系统和广告点击率预测中成为了研究的重点。为了提高跨域推荐算法的准确率,并解决冷启动和数据稀梳问题,本文提出了基于因子分解机制的跨域推荐算法,主要工作如下:(1)针对在跨域推荐中应用因子分解机制时,如何整合各个领域之间的相关性的问题,本文研究了用户在目标域和辅助域中评分的皮尔逊相关系数,定义为领域相关度。将领域相关度与用户在领域内的平均分的乘积结果作为因子分解机制的特征向量的扩展部分,以此获得了二阶特征之间的约束,提高了因子分解机制的准确率。(2)出于对用户的兴趣、行为等因素的考虑,本文基于大量带有时间因素的用户评分数据,分析了用户行为的动态性在推荐算法中的作用。针对时间因素对用户行为变化的影响问题,通过拟合艾宾浩斯遗忘曲线得到的时间权重函数,探讨并提出了具有时间权重的跨域推荐算法。(3)在不包含用户评分时间戳的短时间跨度以及包含用户评分时间戳的较大时间跨度亚马逊用户评分数据集上,将本文所提出的算法进行试验后与相关的对比算法进行的实验作比较。实验结果表明,与单一领域推荐应用FM和应用了FM的跨域推荐方法相比,本文提出的方法有较低的MAE、RMSE值,并且可以一定程度上减轻用户的冷启动问题。
基于LSTM的电力分析和负荷预测系统的研究与实现
这是一篇关于电力负荷预测,长短期记忆,鲸鱼算法,注意力机制,皮尔逊相关系数的论文, 主要内容为近年来,在目前电力市场化背景下,按需生产的发电模式正逐渐代替按计划发电的生产模式,电力负荷预测作为电力调度和发电计划的重要参考指标,受到了越来越多的关注。对于平稳的数据预测效果不错的传统负荷预测方法,在面对日益复杂的影响负荷变化的因素时,预测精度都有待提高。本文针对目前多因素影响的短期电力负荷预测精度较低、自动化程度不高的问题,提出了鲸鱼算法优化模型参数并融合了注意力机制的Bi LSTM负荷预测模型(WOA-Attention-Bi LSTM),设计实验验证了模型具有更高的预测准确度,并实现预测算法可选的电力负荷预测系统。本文的主要研究成果如下:(1)进行了电力负荷特性分析和数据预处理。基于电力负荷相关理论知识,分析了负荷变化的规律和影响负荷变化相关因素,并使用Pearson相关系数法比较相关性,剔除相关性极弱的因素,对采集到的数据进行预处理。(2)设计了基于LSTM的电力负荷预测模型。首先设计实验确定电力负荷预测中时间步长这一关键参数,然后分别设计了多组实验,循序渐进,逐步改善模型,构建了引入注意力机制Attention-Bil STM模型,和经过鲸鱼算法优化参数的WOA-Attention-Bi LSTM负荷预测模型,对比实验结果,该模型在与未进行参数优化模型的预测结果想比,平均相对误差降低了1.2%,RMSE降低了71.6979MW,MAE降低了68.039MW,相比于其他模型误差更小,拟合都更高,预测效果最好,验证了WOA-Attention-Bi LSTM算法模型的优越性,同时也验证了引入注意力机制和鲸鱼算法进行模型参数优化的有效性。(3)设计基于LSTM的电力负荷预测系统。使用Vue框架前端系统界面设计和Mysql后台数据管理,实现了数据存储和管理,调用Python模型文件预测,完成负荷预测结果展示等功能,本文中所使用的所有模型也都可以在系统中选择并使用。本文提出的WOA-Attention-Bi LSTM模型经实验验证在负荷预测方面具有更高的预测精度,设计实现的负荷预测系统使得电力负荷预测更方便,更精确。
基于LSTM的电力分析和负荷预测系统的研究与实现
这是一篇关于电力负荷预测,长短期记忆,鲸鱼算法,注意力机制,皮尔逊相关系数的论文, 主要内容为近年来,在目前电力市场化背景下,按需生产的发电模式正逐渐代替按计划发电的生产模式,电力负荷预测作为电力调度和发电计划的重要参考指标,受到了越来越多的关注。对于平稳的数据预测效果不错的传统负荷预测方法,在面对日益复杂的影响负荷变化的因素时,预测精度都有待提高。本文针对目前多因素影响的短期电力负荷预测精度较低、自动化程度不高的问题,提出了鲸鱼算法优化模型参数并融合了注意力机制的Bi LSTM负荷预测模型(WOA-Attention-Bi LSTM),设计实验验证了模型具有更高的预测准确度,并实现预测算法可选的电力负荷预测系统。本文的主要研究成果如下:(1)进行了电力负荷特性分析和数据预处理。基于电力负荷相关理论知识,分析了负荷变化的规律和影响负荷变化相关因素,并使用Pearson相关系数法比较相关性,剔除相关性极弱的因素,对采集到的数据进行预处理。(2)设计了基于LSTM的电力负荷预测模型。首先设计实验确定电力负荷预测中时间步长这一关键参数,然后分别设计了多组实验,循序渐进,逐步改善模型,构建了引入注意力机制Attention-Bil STM模型,和经过鲸鱼算法优化参数的WOA-Attention-Bi LSTM负荷预测模型,对比实验结果,该模型在与未进行参数优化模型的预测结果想比,平均相对误差降低了1.2%,RMSE降低了71.6979MW,MAE降低了68.039MW,相比于其他模型误差更小,拟合都更高,预测效果最好,验证了WOA-Attention-Bi LSTM算法模型的优越性,同时也验证了引入注意力机制和鲸鱼算法进行模型参数优化的有效性。(3)设计基于LSTM的电力负荷预测系统。使用Vue框架前端系统界面设计和Mysql后台数据管理,实现了数据存储和管理,调用Python模型文件预测,完成负荷预测结果展示等功能,本文中所使用的所有模型也都可以在系统中选择并使用。本文提出的WOA-Attention-Bi LSTM模型经实验验证在负荷预测方面具有更高的预测精度,设计实现的负荷预测系统使得电力负荷预测更方便,更精确。
本文内容包括但不限于文字、数据、图表及超链接等)均来源于该信息及资料的相关主题。发布者:代码驿站 ,原文地址:https://m.bishedaima.com/lunwen/51180.html