期刊文献+

基于超限学习机的95598故障工单预测模型研究 被引量:1

下载PDF
导出
摘要 对95598客服中心接到的工单数据进行分析,结合往年同期温度、降雨量、极端天气、节假日等外部因素,利用超限学习机训练得到95898故障工单预测模型,从而可以提前布置抢修队伍、抢修车辆、抢修物资的合理化安排,从而综合提升95598工单精准服务。测试实验表明,该预测模型的预测精度能达到85%以上。利用该模型,能够有效地实现故障报修服务的事前管控。
出处 《科技视界》 2019年第31期34-35,共2页 Science & Technology Vision
基金 国网浙江省电力公司群创项目“基于95598工单提升精准服务的研究与分析”(5211LS19000A)
  • 相关文献

参考文献5

二级参考文献38

  • 1乔俊飞,韩红桂.前馈神经网络分析与设计[M].北京:科学出版社,2013:10-11,30-37. 被引量:5
  • 2潘雯.95598电力客户服务探析[J]商业文化,2009(05). 被引量:1
  • 3ManZ H, LeeK, Wang D H, etal. Robust single- hidden layer feedforward network-based pattern clas- sifier [J]. IEEE Transactions on Neural Networks and Learning Systems,2012,23(12) :1974-1986. 被引量:1
  • 4Liang N Y, Huang G B, Saratchandran P, et al. A fast and accurate online sequential learning algorithm for feedforward networks [J]. IEEE Transactions on Neural Networks,2006,17(6) : 1411-1423. 被引量:1
  • 5Haykin S. Neural networks and learning machines [M]. 3rd ed. New Jersey:Pearson, Prentice-Hall, 2009. 被引量:1
  • 6Kumar S. Neural networks [M]. New York.. McGraw-Hill Companies, Inc,2006. 被引量:1
  • 7Yao X. Evolving artificial neural networks [J]. Pro- ceedings of the IEEE, 1999,87 (9): 1423-1447. 被引量:1
  • 8Zhang G, Neural networks for classification: a survey [J]. IEEE Transactions on Systems, Man and Cyber- netics:Part C,2000(30) :451-462. 被引量:1
  • 9Hertz J, Krogh A, Palmer R G. Introduction to the theory of neural computations [M]. Boston: Addi- son-Wesley Publishing Company, 1991. 被引量:1
  • 10Huang G B, Chen L, Slew C K. Universal approxi- mation using incremental constructive feedforward networks with random hidden nodes [J ]. IEEE Transactions on Neural Networks, 2006, 17 (4) : 879- 892. 被引量:1

共引文献21

同被引文献13

引证文献1

二级引证文献4

相关作者

内容加载中请稍等...

相关机构

内容加载中请稍等...

相关主题

内容加载中请稍等...

浏览历史

内容加载中请稍等...
;
使用帮助 返回顶部