Прогнозирование пользовательских атрибутов на основе больших данных смарт-сетки имеет большое значение для построения системы интеллектуального анализа сетки и интеллектуального построения. Традиционные методы машинного обучения, основанные на анализе отдельных атрибутов пользователя, не могут повысить точность, используя связь между различными атрибутами, Выкапывая недостающие данные, эти два вопроса ограничили дизайн интеллектуальных систем сетки и сложность интеллектуальных систем зданий.
Конг Ян, исследователь из Шэньяньского института автоматизации Китайской академии наук, основанный на исследовании многолетних алгоритмов машинного обучения, предложил многозадачную обучающую модель контролируемого / полуконтролируемого пользовательского атрибута, основанную на знаниях, с использованием каждого предсказания атрибутов как единой задачи и реализовал небольшое количество доступных данных Несколько задач одновременно с обучением и принятием решений. В то же время взаимосвязь между несколькими пользовательскими атрибутами была раскопана для повышения точности множественных предсказаний атрибутов и полного использования отсутствующей информации выборки данных для дальнейшего улучшения способности обобщения модели.
Соответствующие результаты исследований публикуются в IEEE Transactions на Smart Grid и Pattern Recogniton, соответственно, путем совместного прогнозирования характеристик домашних хозяйств с помощью данных Smart Meter Data и пользовательского атрибута с отсутствующими метками. Исследование было поддержано Государственной ключевой лабораторией робототехники, Национальным научным фондом Китая поддержка.
