基于用户分类的综合能源系统低碳运行策略

综合能源系统(IES)是实现“双碳”目标的重要手段,然而系统内部不同类型用户用能行为各异,使得IES协调优化与低碳运行难度增加.为了充分发挥用户的主观能动性,基于用户行为分析对IES的用户行为进行建模,并通过卷积神经网络将用户分为激进型和保守型.构建IES运营商决策模型,确定电热能源的供应方式,针对不用类型用户设计相应的能源套餐.基于实际数据分析上述模型和方法的有效性,验证了用户分类在IES低碳运行中的价值.

用户分类电价决策方法的研究

合理的定价策略是电力营销成功的关键。分析我国电价制定的现状,讨论对电价体系有重要影响的一些关键因素。提出一个考虑负荷分类和用电特性的电价决策方法,特别计及了不同用户的负荷率、供电电压等级、负荷形状、可靠性要求等因素。通过实际例子验证了该决策方法的有效性,供有关部门在制定合理的电价时参考。

应用随机游走的社交网络用户分类方法

针对现有在线社交网络用户分类方法不能有效利用用户属性和关系网络信息提高分类性能的问题,设计了一种基于随机游走模型的多标签分类方法MLCMRW。该方法的分类过程包括学习用户初始化类别标签以及通过迭代推理获得用户稳定标签分布两个阶段,并且其可以同时考虑用户属性以及关系网络特征信息进行分类。多个在线社交网络数据集上进行的实验表明,MLCMRW比其它已有的代表性方法有更好的分类性能,并且更适合对现实中的在线社交网络进行用户分类。

专业虚拟社区用户分类模型研究

专业的虚拟社区是个人及企业进行专业知识共享的重要平台,需要从知识共享中心度及用户价值两个维度对用户进行分类以便更好地促进社区发展。选取入度中心性、出度中心性以及中间中心性作为衡量用户知识共享中心度的指标;选取论坛等级、近度以及专业贡献作为衡量用户价值的指标。从以上两个维度构建专业虚拟社区用户分类矩阵模型,并采用社会网络分析法与K-means聚类算法对各个指标进行分析。以人大经济论坛为例,对社区用户进行分类,并提出了相应的措施。

模糊聚类在电力用户分类中的应用

将模糊聚类方法应用于电力销售领域,利用负荷曲线特征实现对电力用户分类,可以为售电企业的合理定价和有效实施负荷管理提供参考。介绍了利用模糊C均值聚类方法实现用户分类的原理和步骤及聚类完成后的有效性检验指标的计算方法。算例表明了该方法的可行性和有效性。

基于用户分类的电动汽车充电站需求预测

阐述了电动汽车充电站的需求问题,根据某区域内电动汽车用户的性质将其分为规律性较强的A类用户、规律性一般的B类用户以及随机性C类用户。在历史数据的基础上,运用多元线性回归法预测出区域内未来某时间的汽车保有量,然后根据国家相关部门的政策情况、调查情况以及Bass扩散模型预测各类用户所占比例和充电需求。根据各类用户的数量、对充电时间的要求并考虑日常维护备用容量、特殊事件等因素对区域内的常规充电站和快速充电站的需求量进行了合理预测。算例分析结果表明该方法具有较强实用性。

监管视角下的电力市场用户分类指标体系及算法研究

电力市场用户分类研究可作为市场准入、市场监管和售电服务等研究的基础。结合电力市场改革的新进展,创新考虑电力绿证、需求响应、用户负荷曲线等因素,构建合理的分类指标体系;采用2步主成分分析法进行数据降维,以剔除指标间重复信息、实现聚类结果可视化;针对常见聚类算法需要指定参数的缺陷,提出运用仿射传播聚类算法实现用户聚类;通过对某地区40个用户的算例分析,认为模型具备有效性和优势;最后引入优胜劣汰的监管设计,对电力市场用户准入与管理提出建议。

支持个性化推荐的用户分类规则挖掘的研究

提出了一种应用决策树分类技术进行用户分类的方法 ,通过对 Web会话文件的处理、赋予类标记及决策树分类过程 ,实现了根据访问模式对用户的分类 ,以便个性化推荐和指导能够针对不同类别的用户进行 ,从而提高 E- Ser-vices中个性化服务的质量 .还讨论了待分类数据集中条件属性的选择和决策属性的类标记问题 。

开放知识社区用户分类研究——以中文维基百科为例

开放知识社区既是知识创新与分享的重要聚集地,又是智慧的策源地。在开放知识社区中,用户是内容的分享者、创建者和智慧的提供者,对用户的类型加以区分和研究,可促进人们在开放知识社区中发挥更加积极的作用,更好地促进知识的分享、创新与智慧生成。文章采用数据挖掘等研究方法,深入研究用户分类,研究不同类型用户之间的协作模式,基于对大量数据的分析将用户分为领导者、领域专家、词条贡献者、词条维护者、边缘用户等5种类型,并提出资源进化中的用户协作模式。

协同过滤推荐中基于用户分类的邻居选择方法

为了提高推荐系统的推荐结果质量,找到目标用户恰当的邻居是协同过滤算法中非常关键的一个环节。网络中的用户可以分为专家型用户、可信用户与兴趣相似用户三个维度,由于不同类型的邻居对用户的影响及用户对不同邻居的依赖倾向的不同,因此利用岭回归分析估计用户对于这三类用户的主观倾向,即邻居选择权重,由此获得目标用户邻居集合,进而产生推荐,通过利用标准F1方法与传统推荐方法对比实验分析表明,推荐结果的质量显著提高;同时利用K-means方法对用户作聚类分析及类别之间的方差齐性分析,并与行为研究结果相对比,验证了推荐结果的可信性。

一种基于时间片的微博用户分类方法

针对微博用户分类问题提出时间片微元的概念,建立了时间片微元模型;对每个时间片内的微博所涉及到的用户进行研究得到时间片微元内部的用户兴趣度向量,最终整合所有时间片内的用户兴趣度向量,再对整个时间段内用户的兴趣度向量进行两次朴素贝叶斯分类,得到整个时间段内的用户分类.同时,对微博内容研究上规避了传统的单一的依靠系统标签形成用户网络的方式,结合了自然语言处理技术,提取用户兴趣方向,形成用户兴趣向量,然后对用户兴趣向量分析,采用改进的朴素贝叶斯分类算法进行用户分类.最后是对所提出的方法按详细步骤进行实验,研究结果表明,基于时间片的微博用户分类方法能有效对大规模的微博语料中所涉及到的用户进行较准确分类,为研究微博用户分类问题具有一定推动作用.

网络用户分类及阅读心理特点探讨

随着网络传播的迅速发展 ,我国网上用户也随之增加。网络用户宏观上由科研专业人员、学生和教师、一般用户三部分构成。

个性化网站中用户分类的研究

用户分类是实现网站个性化的一项重要工作。我们从以往相同喜好的用户的访问内容、访问顺序中进行学习，经过综合、筛选后将其推荐给当前用户。这些推荐信息与用户兴趣间的相关度很高，能很大程度上满足用户的需求。主要讨论基于模糊聚类和相似优先的分类方法。

DBSCAN算法在高性能计算中心用户分类的应用研究

为提高集群资源使用效率,管理员需要对用户进行分类,从而对不同用户提出资源使用策略。DBSCAN(Density Based Spatial Clustering of Applications with Noise)聚类算法可对用户进行分类,但对初始参数敏感。为此,提出改进算法,首先将密度进行层次划分,由此得出各层次的密度阈值,在每种阈值下采用DBSCAN算法,解决全局参数问题。在此基础上,创新地使用一个直接可达距离排序队列,将排序信息作为可变参数,减小初始参数对结果的影响。通过高性能计算中心用户数据的实例验证了其可行性。实验结果表明,改进后的算法提高了用户分类的准确性和全面性。

一种分层蜂窝网中基于用户分类的建模分析方法

随着无线网中用户需求的业务量持续增大,且用户具有不同移动性,分层蜂窝结构(HCS)被提出。该文研究一种微小区/宏小区的双层蜂窝结构的网络性能,此系统采用双向溢出策略,呼叫用户根据其速度选择合适的接入层(慢用户接入微小区,快用户接入宏小区)。该文提出一种用户分类建模分析方法(分为快用户和慢用户)来估计分层蜂窝网络性能,它不同于以往的蜂窝层分类(分为微小区层和宏小区层)建模方法。此用户分类模型包括一个快用户模型和一个慢用户模型,两个模型都是简单的一维马尔可夫过程。理论分析和仿真结果都证明了用户分类分析模型的正确性。随后利用此模型分析了为速度阈值的作用和被阻用户重复呼叫情况下的网络性能。

面向大规模信息的用户分类方法研究

信息主动推送是个性化搜索引擎的发展方向.如何通过访问记录获取用户兴趣以及如何将兴趣相同或相近的用户归为一类,是个性化信息主动推送技术面临的主要问题.支持向量机是一种广泛使用的分类方法,但在互联网环境下,其面临大规模数据分类和隐私泄露问题.为了进一步提高分类效率,提出面向大规模信息的用户分类方法.该方法不仅解决了大规模用户分类问题,还保证分类过程中用户信息安全.

基于价值评价的电力用户分类研究

本文对电力用户价值进行分析和定义,从当前市场价值、潜在市场价值、区域贡献价值三个方面,构建了电力用户评价指标体系,并从这三个维度进行聚类分析。通过熵权法确定指标权重,以减少主观赋权的不确定性。通过实证研究,将参评用户分类,根据不同类别的电力用户分别提出了营销策略。

英美高校图书馆网站用户分类模式调研及分析

本文以USNews-QS2013世界大学分别排名前15位的英美高校图书馆为调查对象,通过逐一访问这30所高校图书馆网站,了解其用户分类信息分类模式、分类信息的组织方式、分类信息在网站中的位置、分类信息包含的具体内容,从而提出对我国高校图书馆网站用户分类信息构建的思考和建议。

基于共享网络的档案用户研究:用户分类、特点与管理原则

一、档案网络共享的技术背景 在网络平台上实现档案信息资源的广域共享，是档案信息化发展的必然要求。实现这一目标的技术方案有两种：基于开放的互联网建立起逻辑上相互链接的档案网站集群，通过统一的入口网站提供开放档案服务；将分布式的档案信息系统通过某种安全的方式联接起来，

基于用户行为特征的虚拟品牌社区用户分类研究

[目的/意义]虚拟品牌社区是企业获取相关产品信息和创意的重要来源,研究用户分类对社区的良性发展具有重要意义。[方法/过程]以小米官方社区作为研究对象,研究虚拟品牌社区用户行为特征并对其进行分类。利用软件工具获取5886条小米官方社区用户数据,并对数据进行清洗和重新编码,结合现有的相关研究,得出贡献度、活跃度和互动积极性3个用户分类指标。然后采用K-means聚类方法,对用户进行分类。[结果/结论]虚拟品牌社区用户主要有核心用户、主动贡献用户、被动贡献用户、社交用户、信息获取用户和沉默用户6类。企业在虚拟品牌社区运营中应同时兼顾核心用户、主动贡献用户与社交用户。