低压台区拓扑信息的准确记录是进行台区线损分析、三相不平衡治理等工作的基础。针对目前拓扑档案排查成本高且效率低的问题,提出一种基于自适应k近邻(adaptive k nearest neighbor,AKNN)异常检验和自适应密度峰值(adaptive density pea...低压台区拓扑信息的准确记录是进行台区线损分析、三相不平衡治理等工作的基础。针对目前拓扑档案排查成本高且效率低的问题,提出一种基于自适应k近邻(adaptive k nearest neighbor,AKNN)异常检验和自适应密度峰值(adaptive density peaks clustering,ADPC)聚类的低压台区拓扑识别方法。该方法利用动态时间弯曲(dynamic time warping,DTW)距离度量低压台区用户间电压序列的相似性,通过AKNN异常检验算法检验并校正异常的用户与变压器之间的关系(简称“户变关系”),在得到正确户变关系的基础上,采用ADPC聚类算法对台区内用户进行相位识别;最后,通过实际台区算例分析验证了该方法不需要人为设置参数,能有效实现低压台区的拓扑识别,具有较高的适用性与准确性。展开更多
现有下一个兴趣点推荐(Next POI Recommendation)方法主要利用用户的历史签到序列并结合上下文环境因素进行,忽略了用户关系和签到记录中的序列相关性。该文提出一种基于用户关系和用户偏好的下一个兴趣点推荐方法(Relationships and Pr...现有下一个兴趣点推荐(Next POI Recommendation)方法主要利用用户的历史签到序列并结合上下文环境因素进行,忽略了用户关系和签到记录中的序列相关性。该文提出一种基于用户关系和用户偏好的下一个兴趣点推荐方法(Relationships and Preferences-Gated Recurrent Unit,RP-GRU)。首先,根据用户之间的社会关系构建用户关系图,在此基础上提出基于Skip-gram模型的用户关系嵌入向量生成方法;然后,考虑到不同时期的用户偏好对决策行为的不同影响,提出分段式用户偏好挖掘方法,利用GRU模型分析用户近期签到序列并结合用户关系嵌入向量获得兴趣点的近期得分,再通过K近邻序列挖掘用户的长期偏好进而获得兴趣点的长期得分;最后,提出兴趣点的近期得分和长期得分融合方法,并据此对兴趣点按综合得分进行推荐。通过在CA和Gowalla两个真实数据集上的实验表明,该文方法的ACC@1、ACC@5、ACC@10、MRR@10指标在CA数据集上分别高出目前最优算法37.98%、18.04%、12.15%和25.36%,在Gowalla数据集上分别高于目前最优算法10.82%、18.65%、9.39%和23.87%,表明该文方法能有效提高下一个兴趣点推荐的准确性,可为下一个兴趣点推荐提供新思路。展开更多
文摘低压台区拓扑信息的准确记录是进行台区线损分析、三相不平衡治理等工作的基础。针对目前拓扑档案排查成本高且效率低的问题,提出一种基于自适应k近邻(adaptive k nearest neighbor,AKNN)异常检验和自适应密度峰值(adaptive density peaks clustering,ADPC)聚类的低压台区拓扑识别方法。该方法利用动态时间弯曲(dynamic time warping,DTW)距离度量低压台区用户间电压序列的相似性,通过AKNN异常检验算法检验并校正异常的用户与变压器之间的关系(简称“户变关系”),在得到正确户变关系的基础上,采用ADPC聚类算法对台区内用户进行相位识别;最后,通过实际台区算例分析验证了该方法不需要人为设置参数,能有效实现低压台区的拓扑识别,具有较高的适用性与准确性。
文摘现有下一个兴趣点推荐(Next POI Recommendation)方法主要利用用户的历史签到序列并结合上下文环境因素进行,忽略了用户关系和签到记录中的序列相关性。该文提出一种基于用户关系和用户偏好的下一个兴趣点推荐方法(Relationships and Preferences-Gated Recurrent Unit,RP-GRU)。首先,根据用户之间的社会关系构建用户关系图,在此基础上提出基于Skip-gram模型的用户关系嵌入向量生成方法;然后,考虑到不同时期的用户偏好对决策行为的不同影响,提出分段式用户偏好挖掘方法,利用GRU模型分析用户近期签到序列并结合用户关系嵌入向量获得兴趣点的近期得分,再通过K近邻序列挖掘用户的长期偏好进而获得兴趣点的长期得分;最后,提出兴趣点的近期得分和长期得分融合方法,并据此对兴趣点按综合得分进行推荐。通过在CA和Gowalla两个真实数据集上的实验表明,该文方法的ACC@1、ACC@5、ACC@10、MRR@10指标在CA数据集上分别高出目前最优算法37.98%、18.04%、12.15%和25.36%,在Gowalla数据集上分别高于目前最优算法10.82%、18.65%、9.39%和23.87%,表明该文方法能有效提高下一个兴趣点推荐的准确性,可为下一个兴趣点推荐提供新思路。
