计及Spark和属性权重的售电套餐推荐方法

doi:10.3778/j.issn.1002-8331.1801-0479

计算机工程与应用 ›› 2019, Vol. 55 ›› Issue (10): 90-95.DOI: 10.3778/j.issn.1002-8331.1801-0479

计及Spark和属性权重的售电套餐推荐方法

曲朝阳1，2，冯荣强1，2，曲楠3，谢树雅1，2，刘耀伟4，颜佳4

1.东北电力大学信息工程学院，吉林 132012
2.吉林省电力大数据智能处理工程技术研究中心，吉林 132012
3.国网江苏省电力公司检修分公司，南京 210000
4.国网吉林省电力有限公司，长春 130000

出版日期:2019-05-15 发布日期:2019-05-13

Recommendation Method of Power Selling Packages Considering Spark and Attribute Weights

QU Zhaoyang1，2, FENG Rongqiang1，2, QU Nan3, XIE Shuya1，2, LIU Yaowei4, YAN Jia4

1.College of Information Engineering, Northeast Electric Power University, Jilin 132012, China
2.Jilin Engineering Technology Research Center of Intelligent Electric Power Big Data Processing, Jilin 132012, China
3.Maintenance Company of Jiangsu Power Company, Nanjing 210000, China
4.State Grid Jilin Electric Power Supply Company, Changchun 130000, China

Online:2019-05-15 Published:2019-05-13

摘要/Abstract

摘要： 针对电力市场用户群庞大，交易过程中售电套餐选择困难的问题，在Spark环境下设计了一种售电套餐推荐方法，同时也解决了售电套餐推荐过程中在大数据环境下的可扩展性及实时性问题。首先，计算出每个套餐属性的权重值，从而计算得到售电套餐综合相似度。然后，计及用户和套餐两方面提出一种售电套餐推荐方法，实现售电套餐的精准推荐。实验表明，提出的推荐方法能够明显提高推荐的准确度，并且在分布式环境下具有良好的推荐效率和可扩展性。

关键词: 电力市场, Spark, 售电套餐推荐, 属性权重

Abstract: Aiming at the huge user groups in the power market and the difficult selection of power selling packages in the trading process, a recommendation method of power selling packages based on Spark is proposed. At the same time, the scalability and real-time issues of the packages in the big data environment is also solved. First, the weight values of each package attribute are calculated, and the comprehensive similarity is calculated. Then, taking into account both the user and packages, a recommended method of packages is proposed to achieve the accurate recommendation of power selling packages. Experiments show that the proposed method can significantly improve the accuracy of recommendation and has good recommendation efficiency and scalability in distributed environment.

Key words: power market, Spark, recommendation of power selling packages, attribute weights

曲朝阳1，2，冯荣强1，2，曲楠3，谢树雅1，2，刘耀伟4，颜佳4. 计及Spark和属性权重的售电套餐推荐方法[J]. 计算机工程与应用, 2019, 55(10): 90-95.

QU Zhaoyang1，2, FENG Rongqiang1，2, QU Nan3, XIE Shuya1，2, LIU Yaowei4, YAN Jia4. Recommendation Method of Power Selling Packages Considering Spark and Attribute Weights[J]. Computer Engineering and Applications, 2019, 55(10): 90-95.

[1]	李俊丽. Spark平台下类别数据互信息计算的并行化[J]. 计算机工程与应用, 2021, 57(7): 95-100.
[2]	李硕，梁毅. 面向Spark的批处理应用执行时间预测模型[J]. 计算机工程与应用, 2021, 57(5): 79-87.
[3]	张俊芳，周熠烜，周礼刚，肖箭. Pythagorean犹豫模糊交叉熵的多属性决策方法[J]. 计算机工程与应用, 2020, 56(9): 198-203.
[4]	李超，董新华，陈建峡. Spark环境下基于子图的异步迭代更新方法[J]. 计算机工程与应用, 2020, 56(7): 67-73.
[5]	魏占辰，刘晓宇，黄秋兰，孙功星. Spark迭代密集型应用的优化方法研究[J]. 计算机工程与应用, 2020, 56(23): 68-73.
[6]	王永贵，郭昕彤. SparkSql上自适应数据集的高效频繁集挖掘算法[J]. 计算机工程与应用, 2020, 56(21): 72-78.
[7]	胡阳，胡学钢，李培培. 基于Spark的快速短文本数据流分类方法[J]. 计算机工程与应用, 2020, 56(14): 138-147.
[8]	刘佳耀，王佳斌. Slope One算法的改进及其在大数据平台的实现[J]. 计算机工程与应用, 2020, 56(1): 83-91.
[9]	刘莉萍1，章新友1，牛晓录2，郭永坤1，丁亮1. 基于Spark的并行关联规则挖掘算法研究综述[J]. 计算机工程与应用, 2019, 55(9): 1-9.
[10]	邹艳，陈伟杰. 基于GBM算子扩展的时序广义模糊软集决策模型[J]. 计算机工程与应用, 2019, 55(7): 53-57.
[11]	陈熙宁1，2，马蔚吟3，李力4. 基于Spark的指纹定位数据处理方法[J]. 计算机工程与应用, 2019, 55(4): 79-83.
[12]	谭荻，段桂华，王建新，任立男. 面向银行业务的交易量预测与告警研究[J]. 计算机工程与应用, 2019, 55(12): 220-224.
[13]	康家兴，牛保宁，郝晋瑶. 多参数的城市时空热点查询[J]. 计算机工程与应用, 2019, 55(10): 233-239.
[14]	曾有灵，陈耿铎，熊威，李喆. 基于Spark的CT图像FBP重建算法程序并行设计[J]. 计算机工程与应用, 2019, 55(10): 218-224.
[15]	马菁1，2，李力3. RDD上扩展索引层优化的分布式K-means算法[J]. 计算机工程与应用, 2019, 55(1): 161-167.

计及Spark和属性权重的售电套餐推荐方法

Recommendation Method of Power Selling Packages Considering Spark and Attribute Weights

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics