[发明专利]基于成本关联的数据变动识别网络及其分类器布点方法

说明书

本发明涉及企业数据分析、用户用电行为识别技术，属于市场化负荷预测领域，尤其涉及基于成本关联的数据变动识别网络及其分类器布点方法。由企业数据生成与使用中的数据流中数据变动识别网络的各分类器将安置于数据项上，包括原始数据、中间生成数据以及决策数据；每个数据项均有可能被安置分类器；分类器及其安置位置构成数据变动的识别网络；直接从外部或物理传感器获得的数据称为原始数据，存放在众多不同的原始数据库中；依据企业各流程环节和中间决策需要，企业生成众多中间生成数据；企业的决策层再统计计算生成决策数据。在保证识别精度前提下，最小化数据异动识别网络的布点成本，为企业明细数据识别提供精确性保证，降低运营监控成本。

技术领域

本发明涉及企业数据分析、用户用电行为识别技术，属于市场化负荷预测领域，尤其涉及一种基于成本关联的数据变动识别网络及其分类器布点方法。

背景技术

企业运营的决策数据是由众多的原始数据和中间生成数据经过复杂的统计计算得来，以表征企业运营状况的各个侧面。由于机器学习技术的发展，使得当企业运营决策者面向决策数据异动时，可通过机器学习模型判断相关的原始数据和中间生成数据的变化状况，以此定位导致决策数据异动的根因所在。目前，常用的方法是直接在决策数据生成的位置安置分类器，并通过历史数据的训练学习，促使分类器识别出不同决策数据变动情况下原始数据和中间数据的变化情况。该分类器的输入为一个或多个决策数据，输出为全体原始数据的异动逻辑判断。然而，由于企业数据量极大，只在决策数据层安放分类器的判断精度不高；同时，为每个数据项安装分类器又会增大判断的成本(每个分类器需要安装单独的数据汇总服务器和训练计算云)。因此，亟需一种面向“既能保证识别精度，又能采用较低成本”的分类器安置方法。

发明内容

为克服上述现有技术中存在的问题，本发明提供了一种基于成本关联的数据变动识别网络及其分类器布点方法，目的是为了面向企业数据分析中的原始数据检测问题，提出一种新型的数据变动识别网络，并考虑分类器识别能力和分类器构建成本，提出一种面向该网络的新型分类器布点方法。该方法辅助决策者利用最优的性价比设置网络中的分类器，达到监测原始数据和关键数据变动的目的。

为了实现上述发明目的，本发明是通过以下方式实现的：

基于成本关联的数据变动识别网络，是由企业数据生成与使用中的数据流中数据变动识别网络的各分类器将安置于数据项上，包括原始数据、中间生成数据以及决策数据；每个数据项均有可能被安置分类器；这些分类器以及其安置位置构成了数据变动的识别网络；直接从外部或物理传感器所获得的数据称为原始数据，存放在众多不同的原始数据库中；依据企业各流程环节和中间决策的需要，企业生成了众多的中间生成数据；企业的决策层依据中间生成数据和原始数据进一步统计计算生成决策数据。

所述中间数据包括企业管理生成的统计数据、企业生产生成的统计数据、企业营销生成的统计数据，如流程数据、依据原始数据计算所得的部分运营统计数据、核心资源属性数据、主营业务属性数据。

所述中间数据，每个中间数据都由多个原始数据直接或间接计算获得；每个决策数据都由多个中间生成数据和多个原始数据直接或间接计算获得。

所述原始数据，为识别出原始数据的异样波动，需要在网络中布多个分类器点；该分类器点坐落于某个数据项上，可以是原始数据、中间数据或者是决策数据，以坐落数据项为分类器输入；每个分类器负责用于分类满足如下要求的数据项：“所有可通过一个或多个箭头指向最终到达分类器坐落数据项，且所有指向过程中不存在其他分类器的数据项”；因此，各数据项变动将由不同的分类器判断获得。

所述分类器点包括分类器点C1，分类器点C2和分类器点C3。

所述分类器的分类模型如公式(1)所示：