國網(wǎng)黑龍江電力以數(shù)字化示范為契機(jī),率先利用人工智能平臺(tái)識(shí)別數(shù)據(jù)深層次關(guān)系,自動(dòng)形成數(shù)據(jù)中臺(tái)貼源層各表之間的關(guān)系圖譜,并利用算法模型發(fā)現(xiàn)數(shù)據(jù)異常情況,挖掘出新的數(shù)據(jù)質(zhì)量核對規(guī)則,有效的提高了數(shù)據(jù)質(zhì)量。

一是數(shù)據(jù)關(guān)系自動(dòng)識(shí)別。基于公司數(shù)據(jù)中臺(tái)貼源層數(shù)據(jù),通過字段特征識(shí)別、數(shù)據(jù)抽樣比較等算法,自動(dòng)識(shí)別數(shù)據(jù)中臺(tái)現(xiàn)有數(shù)據(jù)之間的拓?fù)潢P(guān)系,為后續(xù)數(shù)據(jù)質(zhì)量比對奠定基礎(chǔ)。

二是構(gòu)建數(shù)據(jù)質(zhì)量模型。設(shè)計(jì)了多套有監(jiān)督及無監(jiān)督數(shù)據(jù)質(zhì)量算法模型,并開展了模型驗(yàn)證工作,通過模型自動(dòng)發(fā)現(xiàn)數(shù)據(jù)質(zhì)量疑似問題。采用了線性回歸、支持向量機(jī)和決策樹等模型,通過深度學(xué)習(xí)進(jìn)行模型集訓(xùn)練,監(jiān)測單字段間和字段與字段間的異常數(shù)據(jù),降低誤差。

三是對數(shù)據(jù)質(zhì)量問題進(jìn)行確認(rèn)和完善。通過數(shù)據(jù)主人視圖模塊,將疑似數(shù)據(jù)質(zhì)量問題直接推送至數(shù)據(jù)主人視圖,并通過獎(jiǎng)勵(lì)的方式讓數(shù)據(jù)主人對疑似數(shù)據(jù)質(zhì)量問題進(jìn)行確認(rèn),對于確認(rèn)較快的數(shù)據(jù)進(jìn)行額外獎(jiǎng)勵(lì)。人工智能數(shù)據(jù)治理模塊上線以來,訓(xùn)練、擬合數(shù)據(jù)內(nèi)部規(guī)律得到了數(shù)據(jù)模型9個(gè),發(fā)現(xiàn)了13種數(shù)據(jù)質(zhì)量核查規(guī)則,確認(rèn)3.9萬個(gè)數(shù)據(jù)質(zhì)量問題,有效提升了公司數(shù)據(jù)質(zhì)量。

本文轉(zhuǎn)載自中國能源網(wǎng)，內(nèi)容均來自于互聯(lián)網(wǎng)，不代表本站觀點(diǎn)，內(nèi)容版權(quán)歸屬原作者及站點(diǎn)所有，如有對您造成影響，請及時(shí)聯(lián)系我們予以刪除！