產(chǎn)品詳情
基于電力交易大數(shù)據(jù)的市場(chǎng)用戶畫像體系架構(gòu)如圖5所示。圖5 電力市場(chǎng)用戶畫像標(biāo)簽體系基于電力市場(chǎng)行為數(shù)據(jù)的精準(zhǔn)化推送服務(wù)。精準(zhǔn)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(cè)試樣本用于模型構(gòu)建和驗(yàn)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(kù)，然后通過(guò)算法與人工相結(jié)合的方式對(duì)樣本用戶屬性特征數(shù)據(jù)和服務(wù)數(shù)據(jù)進(jìn)行整理清洗，基于訓(xùn)練樣本基礎(chǔ)數(shù)據(jù)，采用隨機(jī)森林和梯度提神決策樹算法對(duì)每一類服務(wù)的用戶屬性特征進(jìn)行學(xué)習(xí)，完成用戶屬性特征與精準(zhǔn)服務(wù)模型的構(gòu)建，利用模型預(yù)測(cè)測(cè)試樣本服務(wù)推薦結(jié)果，并對(duì)服務(wù)推薦結(jié)果的準(zhǔn)確率進(jìn)行評(píng)估。電力市場(chǎng)主體征信評(píng)估與分析。海量市場(chǎng)注冊(cè)、交易、履約及結(jié)算信息與市場(chǎng)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(chǎng)主體信用評(píng)估模型，采用感受性曲線下面積（ROC_AUC）、區(qū)分度指標(biāo)（KS）、群體穩(wěn)定指數(shù)（PSI）等分析方法評(píng)估分析模型效果，為應(yīng)對(duì)新形勢(shì)下電力市場(chǎng)多重信用風(fēng)險(xiǎn)問(wèn)題、防范電力市場(chǎng)主體信用風(fēng)險(xiǎn)、建立相應(yīng)的信用風(fēng)險(xiǎn)防范機(jī)制提供了重要支撐。圖6 基于大數(shù)據(jù)的電力市場(chǎng)主體信用信息分析模型多源異構(gòu)環(huán)境下電力市場(chǎng)運(yùn)營(yíng)大數(shù)據(jù)挖掘分析。 
基于電力交易大數(shù)據(jù)的市場(chǎng)用戶畫像體系架構(gòu)如圖5所示。圖5 電力市場(chǎng)用戶畫像標(biāo)簽體系基于電力市場(chǎng)行為數(shù)據(jù)的精準(zhǔn)化推送服務(wù)。精準(zhǔn)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(cè)試樣本用于模型構(gòu)建和驗(yàn)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(kù)，然后通過(guò)算法與人工相結(jié)合的方式對(duì)樣本用戶屬性特征數(shù)據(jù)和服務(wù)數(shù)據(jù)進(jìn)行整理清洗，基于訓(xùn)練樣本基礎(chǔ)數(shù)據(jù)，采用隨機(jī)森林和梯度提神決策樹算法對(duì)每一類服務(wù)的用戶屬性特征進(jìn)行學(xué)習(xí)，完成用戶屬性特征與精準(zhǔn)服務(wù)模型的構(gòu)建，利用模型預(yù)測(cè)測(cè)試樣本服務(wù)推薦結(jié)果，并對(duì)服務(wù)推薦結(jié)果的準(zhǔn)確率進(jìn)行評(píng)估。電力市場(chǎng)主體征信評(píng)估與分析。海量市場(chǎng)注冊(cè)、交易、履約及結(jié)算信息與市場(chǎng)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(chǎng)主體信用評(píng)估模型，采用感受性曲線下面積（ROC_AUC）、區(qū)分度指標(biāo)（KS）、群體穩(wěn)定指數(shù)（PSI）等分析方法評(píng)估分析模型效果，為應(yīng)對(duì)新形勢(shì)下電力市場(chǎng)多重信用風(fēng)險(xiǎn)問(wèn)題、防范電力市場(chǎng)主體信用風(fēng)險(xiǎn)、建立相應(yīng)的信用風(fēng)險(xiǎn)防范機(jī)制提供了重要支撐。圖6 基于大數(shù)據(jù)的電力市場(chǎng)主體信用信息分析模型多源異構(gòu)環(huán)境下電力市場(chǎng)運(yùn)營(yíng)大數(shù)據(jù)挖掘分析。 
基于電力交易大數(shù)據(jù)的市場(chǎng)用戶畫像體系架構(gòu)如圖5所示。圖5 電力市場(chǎng)用戶畫像標(biāo)簽體系基于電力市場(chǎng)行為數(shù)據(jù)的精準(zhǔn)化推送服務(wù)。精準(zhǔn)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(cè)試樣本用于模型構(gòu)建和驗(yàn)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(kù)，然后通過(guò)算法與人工相結(jié)合的方式對(duì)樣本用戶屬性特征數(shù)據(jù)和服務(wù)數(shù)據(jù)進(jìn)行整理清洗，基于訓(xùn)練樣本基礎(chǔ)數(shù)據(jù)，采用隨機(jī)森林和梯度提神決策樹算法對(duì)每一類服務(wù)的用戶屬性特征進(jìn)行學(xué)習(xí)，完成用戶屬性特征與精準(zhǔn)服務(wù)模型的構(gòu)建，利用模型預(yù)測(cè)測(cè)試樣本服務(wù)推薦結(jié)果，并對(duì)服務(wù)推薦結(jié)果的準(zhǔn)確率進(jìn)行評(píng)估。電力市場(chǎng)主體征信評(píng)估與分析。海量市場(chǎng)注冊(cè)、交易、履約及結(jié)算信息與市場(chǎng)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(chǎng)主體信用評(píng)估模型，采用感受性曲線下面積（ROC_AUC）、區(qū)分度指標(biāo)（KS）、群體穩(wěn)定指數(shù)（PSI）等分析方法評(píng)估分析模型效果，為應(yīng)對(duì)新形勢(shì)下電力市場(chǎng)多重信用風(fēng)險(xiǎn)問(wèn)題、防范電力市場(chǎng)主體信用風(fēng)險(xiǎn)、建立相應(yīng)的信用風(fēng)險(xiǎn)防范機(jī)制提供了重要支撐。圖6 基于大數(shù)據(jù)的電力市場(chǎng)主體信用信息分析模型多源異構(gòu)環(huán)境下電力市場(chǎng)運(yùn)營(yíng)大數(shù)據(jù)挖掘分析。
基于電力交易大數(shù)據(jù)的市場(chǎng)用戶畫像體系架構(gòu)如圖5所示。圖5 電力市場(chǎng)用戶畫像標(biāo)簽體系基于電力市場(chǎng)行為數(shù)據(jù)的精準(zhǔn)化推送服務(wù)。精準(zhǔn)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(cè)試樣本用于模型構(gòu)建和驗(yàn)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(kù)，然后通過(guò)算法與人工相結(jié)合的方式對(duì)樣本用戶屬性特征數(shù)據(jù)和服務(wù)數(shù)據(jù)進(jìn)行整理清洗，基于訓(xùn)練樣本基礎(chǔ)數(shù)據(jù)，采用隨機(jī)森林和梯度提神決策樹算法對(duì)每一類服務(wù)的用戶屬性特征進(jìn)行學(xué)習(xí)，完成用戶屬性特征與精準(zhǔn)服務(wù)模型的構(gòu)建，利用模型預(yù)測(cè)測(cè)試樣本服務(wù)推薦結(jié)果，并對(duì)服務(wù)推薦結(jié)果的準(zhǔn)確率進(jìn)行評(píng)估。電力市場(chǎng)主體征信評(píng)估與分析。海量市場(chǎng)注冊(cè)、交易、履約及結(jié)算信息與市場(chǎng)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(chǎng)主體信用評(píng)估模型，采用感受性曲線下面積（ROC_AUC）、區(qū)分度指標(biāo)（KS）、群體穩(wěn)定指數(shù)（PSI）等分析方法評(píng)估分析模型效果，為應(yīng)對(duì)新形勢(shì)下電力市場(chǎng)多重信用風(fēng)險(xiǎn)問(wèn)題、防范電力市場(chǎng)主體信用風(fēng)險(xiǎn)、建立相應(yīng)的信用風(fēng)險(xiǎn)防范機(jī)制提供了重要支撐。圖6 基于大數(shù)據(jù)的電力市場(chǎng)主體信用信息分析模型多源異構(gòu)環(huán)境下電力市場(chǎng)運(yùn)營(yíng)大數(shù)據(jù)挖掘分析。 基于電力交易大數(shù)據(jù)的市場(chǎng)用戶畫像體系架構(gòu)如圖5所示。圖5 電力市場(chǎng)用戶畫像標(biāo)簽體系基于電力市場(chǎng)行為數(shù)據(jù)的精準(zhǔn)化推送服務(wù)。精準(zhǔn)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(cè)試樣本用于模型構(gòu)建和驗(yàn)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(kù)，然后通過(guò)算法與人工相結(jié)合的方式對(duì)樣本用戶屬性特征數(shù)據(jù)和服務(wù)數(shù)據(jù)進(jìn)行整理清洗，基于訓(xùn)練樣本基礎(chǔ)數(shù)據(jù)，采用隨機(jī)森林和梯度提神決策樹算法對(duì)每一類服務(wù)的用戶屬性特征進(jìn)行學(xué)習(xí)，完成用戶屬性特征與精準(zhǔn)服務(wù)模型的構(gòu)建，利用模型預(yù)測(cè)測(cè)試樣本服務(wù)推薦結(jié)果，并對(duì)服務(wù)推薦結(jié)果的準(zhǔn)確率進(jìn)行評(píng)估。電力市場(chǎng)主體征信評(píng)估與分析。海量市場(chǎng)注冊(cè)、交易、履約及結(jié)算信息與市場(chǎng)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(chǎng)主體信用評(píng)估模型，采用感受性曲線下面積（ROC_AUC）、區(qū)分度指標(biāo)（KS）、群體穩(wěn)定指數(shù)（PSI）等分析方法評(píng)估分析模型效果，為應(yīng)對(duì)新形勢(shì)下電力市場(chǎng)多重信用風(fēng)險(xiǎn)問(wèn)題、防范電力市場(chǎng)主體信用風(fēng)險(xiǎn)、建立相應(yīng)的信用風(fēng)險(xiǎn)防范機(jī)制提供了重要支撐。圖6 基于大數(shù)據(jù)的電力市場(chǎng)主體信用信息分析模型多源異構(gòu)環(huán)境下電力市場(chǎng)運(yùn)營(yíng)大數(shù)據(jù)挖掘分析。
