產(chǎn)品詳情
基于電力交易大數(shù)據(jù)的市場用戶畫像體系架構(gòu)如圖5所示。圖5 電力市場用戶畫像標簽體系基于電力市場行為數(shù)據(jù)的精準化推送服務(wù)。精準化推送服務(wù)以用戶歷史屬性、行為特征數(shù)據(jù)為基礎(chǔ)，選取具備廣泛代表意義的訓(xùn)練樣本和測試樣本用于模型構(gòu)建和驗證，確定樣本用戶屬性特征與服務(wù)之間的匹配關(guān)系，形成模型訓(xùn)練樣本數(shù)據(jù)庫，然后通過算法與人工相結(jié)合的方式對樣本用戶屬性特征數(shù)據(jù)和服務(wù)數(shù)據(jù)進行整理清洗，基于訓(xùn)練樣本基礎(chǔ)數(shù)據(jù)，采用隨機森林和梯度提神決策樹算法對每一類服務(wù)的用戶屬性特征進行學(xué)習(xí)，完成用戶屬性特征與精準服務(wù)模型的構(gòu)建，利用模型預(yù)測測試樣本服務(wù)推薦結(jié)果，并對服務(wù)推薦結(jié)果的準確率進行評估。電力市場主體征信評估與分析。海量市場注冊、交易、履約及結(jié)算信息與市場主體信用狀況密切相關(guān)，基于大數(shù)據(jù)技術(shù)挖掘分析海量數(shù)據(jù)信息，利用大數(shù)據(jù)算法構(gòu)建電力市場主體信用評估模型，采用感受性曲線下面積（ROC_AUC）、區(qū)分度指標（KS）、群體穩(wěn)定指數(shù)（PSI）等分析方法評估分析模型效果，為應(yīng)對新形勢下電力市場多重信用風險問題、防范電力市場主體信用風險、建立相應(yīng)的信用風險防范機制提供了重要支撐。圖6 基于大數(shù)據(jù)的電力市場主體信用信息分析模型多源異構(gòu)環(huán)境下電力市場運營大數(shù)據(jù)挖掘分析。 
基于電力交易大數(shù)據(jù)的市場用戶畫像體系架構(gòu)如圖5所示。圖5 電力市場用戶畫像標簽體系基于電力市場行為數(shù)據(jù)的精準化推送服務(wù)。精準化推送服務(wù)以用戶歷史屬性、行為特征數(shù)據(jù)為基礎(chǔ)，選取具備廣泛代表意義的訓(xùn)練樣本和測試樣本用于模型構(gòu)建和驗證，確定樣本用戶屬性特征與服務(wù)之間的匹配關(guān)系，形成模型訓(xùn)練樣本數(shù)據(jù)庫，然后通過算法與人工相結(jié)合的方式對樣本用戶屬性特征數(shù)據(jù)和服務(wù)數(shù)據(jù)進行整理清洗，基于訓(xùn)練樣本基礎(chǔ)數(shù)據(jù)，采用隨機森林和梯度提神決策樹算法對每一類服務(wù)的用戶屬性特征進行學(xué)習(xí)，完成用戶屬性特征與精準服務(wù)模型的構(gòu)建，利用模型預(yù)測測試樣本服務(wù)推薦結(jié)果，并對服務(wù)推薦結(jié)果的準確率進行評估。電力市場主體征信評估與分析。海量市場注冊、交易、履約及結(jié)算信息與市場主體信用狀況密切相關(guān)，基于大數(shù)據(jù)技術(shù)挖掘分析海量數(shù)據(jù)信息，利用大數(shù)據(jù)算法構(gòu)建電力市場主體信用評估模型，采用感受性曲線下面積（ROC_AUC）、區(qū)分度指標（KS）、群體穩(wěn)定指數(shù)（PSI）等分析方法評估分析模型效果，為應(yīng)對新形勢下電力市場多重信用風險問題、防范電力市場主體信用風險、建立相應(yīng)的信用風險防范機制提供了重要支撐。圖6 基于大數(shù)據(jù)的電力市場主體信用信息分析模型多源異構(gòu)環(huán)境下電力市場運營大數(shù)據(jù)挖掘分析。 
基于電力交易大數(shù)據(jù)的市場用戶畫像體系架構(gòu)如圖5所示。圖5 電力市場用戶畫像標簽體系基于電力市場行為數(shù)據(jù)的精準化推送服務(wù)。精準化推送服務(wù)以用戶歷史屬性、行為特征數(shù)據(jù)為基礎(chǔ)，選取具備廣泛代表意義的訓(xùn)練樣本和測試樣本用于模型構(gòu)建和驗證，確定樣本用戶屬性特征與服務(wù)之間的匹配關(guān)系，形成模型訓(xùn)練樣本數(shù)據(jù)庫，然后通過算法與人工相結(jié)合的方式對樣本用戶屬性特征數(shù)據(jù)和服務(wù)數(shù)據(jù)進行整理清洗，基于訓(xùn)練樣本基礎(chǔ)數(shù)據(jù)，采用隨機森林和梯度提神決策樹算法對每一類服務(wù)的用戶屬性特征進行學(xué)習(xí)，完成用戶屬性特征與精準服務(wù)模型的構(gòu)建，利用模型預(yù)測測試樣本服務(wù)推薦結(jié)果，并對服務(wù)推薦結(jié)果的準確率進行評估。電力市場主體征信評估與分析。海量市場注冊、交易、履約及結(jié)算信息與市場主體信用狀況密切相關(guān)，基于大數(shù)據(jù)技術(shù)挖掘分析海量數(shù)據(jù)信息，利用大數(shù)據(jù)算法構(gòu)建電力市場主體信用評估模型，采用感受性曲線下面積（ROC_AUC）、區(qū)分度指標（KS）、群體穩(wěn)定指數(shù)（PSI）等分析方法評估分析模型效果，為應(yīng)對新形勢下電力市場多重信用風險問題、防范電力市場主體信用風險、建立相應(yīng)的信用風險防范機制提供了重要支撐。圖6 基于大數(shù)據(jù)的電力市場主體信用信息分析模型多源異構(gòu)環(huán)境下電力市場運營大數(shù)據(jù)挖掘分析。
基于電力交易大數(shù)據(jù)的市場用戶畫像體系架構(gòu)如圖5所示。圖5 電力市場用戶畫像標簽體系基于電力市場行為數(shù)據(jù)的精準化推送服務(wù)。精準化推送服務(wù)以用戶歷史屬性、行為特征數(shù)據(jù)為基礎(chǔ)，選取具備廣泛代表意義的訓(xùn)練樣本和測試樣本用于模型構(gòu)建和驗證，確定樣本用戶屬性特征與服務(wù)之間的匹配關(guān)系，形成模型訓(xùn)練樣本數(shù)據(jù)庫，然后通過算法與人工相結(jié)合的方式對樣本用戶屬性特征數(shù)據(jù)和服務(wù)數(shù)據(jù)進行整理清洗，基于訓(xùn)練樣本基礎(chǔ)數(shù)據(jù)，采用隨機森林和梯度提神決策樹算法對每一類服務(wù)的用戶屬性特征進行學(xué)習(xí)，完成用戶屬性特征與精準服務(wù)模型的構(gòu)建，利用模型預(yù)測測試樣本服務(wù)推薦結(jié)果，并對服務(wù)推薦結(jié)果的準確率進行評估。電力市場主體征信評估與分析。海量市場注冊、交易、履約及結(jié)算信息與市場主體信用狀況密切相關(guān)，基于大數(shù)據(jù)技術(shù)挖掘分析海量數(shù)據(jù)信息，利用大數(shù)據(jù)算法構(gòu)建電力市場主體信用評估模型，采用感受性曲線下面積（ROC_AUC）、區(qū)分度指標（KS）、群體穩(wěn)定指數(shù)（PSI）等分析方法評估分析模型效果，為應(yīng)對新形勢下電力市場多重信用風險問題、防范電力市場主體信用風險、建立相應(yīng)的信用風險防范機制提供了重要支撐。圖6 基于大數(shù)據(jù)的電力市場主體信用信息分析模型多源異構(gòu)環(huán)境下電力市場運營大數(shù)據(jù)挖掘分析。 基于電力交易大數(shù)據(jù)的市場用戶畫像體系架構(gòu)如圖5所示。圖5 電力市場用戶畫像標簽體系基于電力市場行為數(shù)據(jù)的精準化推送服務(wù)。精準化推送服務(wù)以用戶歷史屬性、行為特征數(shù)據(jù)為基礎(chǔ)，選取具備廣泛代表意義的訓(xùn)練樣本和測試樣本用于模型構(gòu)建和驗證，確定樣本用戶屬性特征與服務(wù)之間的匹配關(guān)系，形成模型訓(xùn)練樣本數(shù)據(jù)庫，然后通過算法與人工相結(jié)合的方式對樣本用戶屬性特征數(shù)據(jù)和服務(wù)數(shù)據(jù)進行整理清洗，基于訓(xùn)練樣本基礎(chǔ)數(shù)據(jù)，采用隨機森林和梯度提神決策樹算法對每一類服務(wù)的用戶屬性特征進行學(xué)習(xí)，完成用戶屬性特征與精準服務(wù)模型的構(gòu)建，利用模型預(yù)測測試樣本服務(wù)推薦結(jié)果，并對服務(wù)推薦結(jié)果的準確率進行評估。電力市場主體征信評估與分析。海量市場注冊、交易、履約及結(jié)算信息與市場主體信用狀況密切相關(guān)，基于大數(shù)據(jù)技術(shù)挖掘分析海量數(shù)據(jù)信息，利用大數(shù)據(jù)算法構(gòu)建電力市場主體信用評估模型，采用感受性曲線下面積（ROC_AUC）、區(qū)分度指標（KS）、群體穩(wěn)定指數(shù)（PSI）等分析方法評估分析模型效果，為應(yīng)對新形勢下電力市場多重信用風險問題、防范電力市場主體信用風險、建立相應(yīng)的信用風險防范機制提供了重要支撐。圖6 基于大數(shù)據(jù)的電力市場主體信用信息分析模型多源異構(gòu)環(huán)境下電力市場運營大數(shù)據(jù)挖掘分析。
