[发明专利]基于环境上下文和用户反馈信息的用电模型优化方法

权利要求书

1.一种基于环境上下文和用户反馈信息的用电模型优化方法，其特征在于，包括以下步骤：

(1)将用户数据库与用电环境上下文信息数据库的数据输入第一上下文交互模块，得到特征向量

(2)根据用电环境上下文信息c_m得到影响用电负荷变化的自变量，称为影响因子，对影响因子和用电负荷进行线性回归，估计线性回归方程的回归系数h_θ，并通过损失函数调整h_θ，再结合h_θ和c_m得到

(3)采用注意力机制对和进行深度学习，区分每个上下文的作用，得到下文环境信息与用户数据的交互的整体作用E_u，c；

(4)将用电模型参数与E_u，c输入第二上下文交互模块，得到环境上下文信息对用电模型的影响向量F_u，c，m；

(5)通过目标函数计算用电模型参数的优化结果。

2.根据权利要求1所述的基于环境上下文和用户反馈信息的用电模型优化方法，其特征在于，所述步骤(1)中的上下文交互模型的搭建包括以下步骤：

(11)使用bilinear层将用户原始特征向量pu和上下文特征向量映射到共享的隐语义空间中，按照以下公式计算：

其中，和是bilinear层的权重矩阵，是偏置项，δ(…)是ReLU激活函数，上标则用来标识与交互中心模块有关的模型参数；

(12)在bilinear层之上设立多层隐藏层，

其中，L为隐藏层的数量，δL(·)和分别表示第L个隐藏层的权重矩阵、偏置向量和ReLU激活函数，所有隐藏层中神经元的个数都相同；

(13)在得到最后一层隐藏层的输出向量后，通过输出层将其转化为表示上下文c_m对用户u作用的特征向量，如下列公示所示：

其中，和分别表示输出层的权重矩阵和偏置向量。

3.根据权利要求1所述的基于环境上下文和用户反馈信息的用电模型优化方法，其特征在于，所述步骤(2)具体包括：

(21)用电负荷设为y，影响其变化的各个自变量记为x₁，x₂，...，x_n，对y和x₁，x₂，...，x_n按不同时间点进行n次记录，确定线性回归方程：

y＝f(x₁，x₂，…，x_n)

(22)通过最小二乘法估计线性回归方程的回归系数h_θ，并通过损失函数调整h_θ至最佳，损失函数为：

(23)结合h_θ和用电环境上下文信息c_m得到

4.根据权利要求1所述的基于环境上下文和用户反馈信息的用电模型优化方法，其特征在于，所述步骤(3)具体包括：

(31)计算每个上下文信息的注意力分数：

其中，和表示权重矩阵，b^τ表示偏置项，上标τ则用来表示与注意力机制相关的模型参数；

(32)在得到每个上下文与用户反馈交互的分数α(u,c_m)后，m＝1,2…,M，通过softmax函数对上述分数分别进行归一化得到最终注意力权重：

(33)在得到每个注意力权重γ(u，c_m)后，对其进行加权求和，得到上下文环境与用户反馈信息交互的整体作用，用向量E_u，c表示：

5.根据权利要求1所述的基于环境上下文和用户反馈信息的用电模型优化方法，其特征在于，所述步骤(5)具体包括：

(51)最小化以下平方误差损失函数：

其中，Θ表示需要学习的模型参数，R_train表示训练集；

(52)利用损失函数对F_u，c，m进行计算，得到用电模型参数的优化结果。