业务和功能介绍
随着新能源发电与电力市场化改革的发展，电价波动性显著增强，传统预测方法在捕捉非线性与长时依赖方面存在局限。为应对这一问题，我基于公开电价与相关因素数据集，构建了电价预测模型，旨在探索机器学习与深度学习方法在电力市场短期与中长期价格预测中的适用性与效果差异。项目不仅聚焦于提高预测精度，也尝试通过模型对比与结果可视化，为电力市场价格建模提供可解释性参考
With the increasing penetration of renewable energy and the ongoing liberalization of electricity markets, price volatility has become more pronounced. Traditional forecasting methods face limitations in capturing nonlinear dynamics and long-term dependencies. To address this challenge, I developed an electricity price forecasting model using publicly available price and related feature datasets. The project aimed to evaluate the effectiveness of machine learning and deep learning approaches (e.g., LSTM, Transformer) in both short-term and long-term forecasting. Beyond accuracy, the project emphasized model benchmark
电价预测模型 — 独立项目
时间：2024年暑期
基于时间序列与深度学习模型（LSTM、Transformer）构建电价预测系统，探索短期与中长期预测的差异化效果；
实现数据预处理与特征工程（缺失值处理、归一化、滞后特征构造、节假日与天气特征融合），提升模型鲁棒性；
在实验中对比了ARIMA、XGBoost与改进的Transformer结构，并以MAPE、RMSE为指标进行量化评估；
使用PyTorch + sklearn 完成模型搭建与训练，并基于可视化分析解释预测结果，撰写完整技术报告；
项目代码与报告开源至GitHub，积累实践经验并初步形成科研表达能力
Summer 2024
Developed a time-series forecasting system for electricity prices using LSTM and Transformer-based models, comparing short-term and long-term forecasting performance.
Designed and implemented data preprocessing & feature engineering, including missing value imputation, normalization, lag features, and integration of holiday/weather factors.
Conducted benchmarking with ARIMA, XGBoost, and enhanced Transformer variants, evaluated via MAPE and RMSE metrics.
Built and trained models using PyTorch and scikit-learn, with visualization for interpretability and a full technical report.
Open-sourced project on GitHub, gaining hands-on experience in applied machine learning and technical reportin
With the increasing penetration of renewable energy and the ongoing liberalization of electricity markets, price volatility has become more pronounced. Traditional forecasting methods face limitations in capturing nonlinear dynamics and long-term dependencies. To address this challenge, I developed an electricity price forecasting model using publicly available price and related feature datasets. The project aimed to evaluate the effectiveness of machine learning and deep learning approaches (e.g., LSTM, Transformer) in both short-term and long-term forecasting. Beyond accuracy, the project emphasized model benchmark
电价预测模型 — 独立项目
时间：2024年暑期
基于时间序列与深度学习模型（LSTM、Transformer）构建电价预测系统，探索短期与中长期预测的差异化效果；
实现数据预处理与特征工程（缺失值处理、归一化、滞后特征构造、节假日与天气特征融合），提升模型鲁棒性；
在实验中对比了ARIMA、XGBoost与改进的Transformer结构，并以MAPE、RMSE为指标进行量化评估；
使用PyTorch + sklearn 完成模型搭建与训练，并基于可视化分析解释预测结果，撰写完整技术报告；
项目代码与报告开源至GitHub，积累实践经验并初步形成科研表达能力
Summer 2024
Developed a time-series forecasting system for electricity prices using LSTM and Transformer-based models, comparing short-term and long-term forecasting performance.
Designed and implemented data preprocessing & feature engineering, including missing value imputation, normalization, lag features, and integration of holiday/weather factors.
Conducted benchmarking with ARIMA, XGBoost, and enhanced Transformer variants, evaluated via MAPE and RMSE metrics.
Built and trained models using PyTorch and scikit-learn, with visualization for interpretability and a full technical report.
Open-sourced project on GitHub, gaining hands-on experience in applied machine learning and technical reportin
项目实现
数据处理：收集并清洗电价及相关特征数据，完成缺失值填补、归一化、时间窗口切分，并构造滞后特征与节假日、天气等外生变量；
模型搭建：实现 ARIMA、XGBoost、LSTM、改进版 Transformer 等多种模型，采用 PyTorch + scikit-learn 完成训练与调参；
实验设计：基于时间序列交叉验证，分别进行短期（日级、周级）与中长期（月级）预测对比；
结果分析：使用 MAPE、RMSE 等指标评估模型性能，并通过可视化图表分析预测误差与价格波动规律；
工具链：Python、Pandas、NumPy、Matplotlib、PyTorch、scikit-learn；项目代码及报告已开源至 GitHub
模型搭建：实现 ARIMA、XGBoost、LSTM、改进版 Transformer 等多种模型，采用 PyTorch + scikit-learn 完成训练与调参；
实验设计：基于时间序列交叉验证，分别进行短期（日级、周级）与中长期（月级）预测对比；
结果分析：使用 MAPE、RMSE 等指标评估模型性能，并通过可视化图表分析预测误差与价格波动规律；
工具链：Python、Pandas、NumPy、Matplotlib、PyTorch、scikit-learn；项目代码及报告已开源至 GitHub
示例图片视频
相似推荐
B2B 食材供应链平台-极简美食街
针对中小餐饮企业面临的采购分散，价格波动大，配送效率低，货源难追溯四大痛点，打造一站式 B2B 食材供应链平台，直连农场/供应商与餐饮商家，通过数字化解决方案降低采购成本，提升配送时效。
身份验证：登录成功使用 jwt 生成 token 并返回给用户,使用过滤器在接口前验证前端传递的 token
图片上传：将图片存储在与数据库实体相关联的文件夹中，同时记录在数据库的对应资源表中
管理员后台：
数据看板：展示销售额，订单数等数据，可以选择时间区间
供应商管理：添加供应商，需提供资质证书，经营许可证
商户管理：发布商品，查找订单，查看操作日志等
供应商小程序：
首页：获取今日销售情况和订单数据，获取待处理的订单列表
商品的上下架，置顶，订单接单，发货，信息管理，查看商品历史销售趋势等功能
商户小程序：获取分类商品，搜素商品，购买，收藏，收货，取消订单等
家政项目(O2O)-好糠在家
1. 服务管理：包括服务分类、服务项、服务上架、下架、服务、服务人员，使用canal 服务同步到ES；2. 服务搜索：使用 Elasticsearch 实现服务搜索，支持关键字搜索、分类搜索、关键字自动补全自定义词库等功能。提供统一的搜索接口供前端调用；
3. 热门服务优化方案：通过搜索过程中用户点击服务项，存入 Redis 中zset 类型中进行排序，统计出热门服务，将热门服务存放 Redis 中 String 结构中，并且解决了 redis 的热key 问题；4. 历史订单模块：历史订单微服务使用 xxl-job，定时完成历史订单迁移，完成冷热分离；5. 直播模块：采用腾讯云直播，使用 websocket+rabbitMQ 处理弹幕；6. 优惠券模块:负责优惠券秒杀模块核心业务，防止超买超卖，Sentinel 限流
B2B电子商务SAAS平台
近年来国家持续推进数字经济与智慧治理建设，出台多项政策推动采购领域的信息化、智能化升级。比如相关政策提出要加快人工智能、大数据等新兴技术在供应链领域的集成应用，推进 “互联网＋监管” 机制建设。在此背景下，政府采购作为公共管理的重要环节，亟需摆脱传统模式束缚，云采链项目正是响应这一战略，助力政府管理和社会治理模式创新的重要探索。
云计算、大数据、区块链、人工智能等技术的飞速发展，为采购全流程数字化提供了可能。云采链项目抓住技术机遇，早期便融入云计算技术搭建 SaaS 服务模式，后续又引入区块链技术保障采购过程留痕可追溯，还与高校合作探索政府采购领域的大语言模型应用，借助技术手段实现采购信息收集、线上评审、大数据分析等功能，突破了传统采购的技术瓶颈。
酒店拍摄 - 项目管理系统
酒店拍摄项目管理系统，是一套面向酒店行业视觉内容制作全流程的数字化管理平台，旨在提升拍摄项目执行效率、规范素材资产管理和优化客户协作体验。系统主要包括以下核心功能模块。包括项目管理、脚本库管理、素材库管理、客户管理、统计分析、系统管理等功能。
易维宝 - 智能业务应用运维管理平台
易维宝智能业务应用运维管理平台是一款简单易用的运维管理系统。规范管理运维团队以及服务流程，保障业务系统可靠运行。为IT管理者提供一套简单、直观、有效的方法，掌握全局业务的运行状态和健康水平，了解动态变化趋势，快速查明问题源头，降低运营成本和运营风险。
监控系统内建了首页、业务服务、资源监控、告警管理、巡检报告、日志管理、运维档案、系统管理功能
帮助文档
Copyright @ 2021-2024 程聚宝 | 浙ICP备2021014372号
人工客服