16個(gè)用戶屬性關(guān)系圖。正值和負(fù)值分別表示正相關(guān)和負(fù)相關(guān)。
基于智能電網(wǎng)大數(shù)據(jù)的用戶屬性預(yù)測(cè)，對(duì)構(gòu)建智能電網(wǎng)分析系統(tǒng)和智能樓宇建設(shè)具有重要意義。傳統(tǒng)針對(duì)單一用戶屬性分析的機(jī)器學(xué)習(xí)方法，不僅不能利用各個(gè)屬性間的關(guān)系提高準(zhǔn)確率，還不能很好挖掘缺失數(shù)據(jù)的信息。這兩個(gè)問(wèn)題制約了智能電網(wǎng)系統(tǒng)的設(shè)計(jì)和智能樓宇系統(tǒng)的完善。
中國(guó)科學(xué)院沈陽(yáng)自動(dòng)化研究所博士生孫干在多年機(jī)器學(xué)習(xí)算法研究和導(dǎo)師指導(dǎo)基礎(chǔ)上，通過(guò)將每個(gè)屬性預(yù)測(cè)問(wèn)題作為單個(gè)任務(wù)，提出了基于多任務(wù)學(xué)習(xí)的用戶屬性預(yù)測(cè)模型，實(shí)現(xiàn)在少量可用用戶數(shù)據(jù)下的多個(gè)任務(wù)同時(shí)學(xué)習(xí)和決策。同時(shí)，挖掘出了多個(gè)用戶屬性間的關(guān)系，提高了多個(gè)屬性預(yù)測(cè)的準(zhǔn)確率；充分利用缺失數(shù)據(jù)樣本信息，進(jìn)一步提高了模型泛化能力。
相關(guān)研究成果分別以Joint Household Characteristic Prediction via Smart Meter Data和User attribute discovery with missing labels為題，發(fā)表在IEEE Transactions on Smart Grid和Pattern Recogniton上。研究工作得到了機(jī)器人學(xué)國(guó)家重點(diǎn)實(shí)驗(yàn)室、國(guó)家自然科學(xué)基金的支持。
