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
企业舆情saas
1.立项背景和目标：
当前网络信息传播极速扩散，传统人工舆情监测存在覆盖不全、响应滞后、分析低效等问题，企业机构机构亟需轻量化、可弹性扩容的舆情管理工具，打造全国企业舆情 SaaS 系统。
2.软件功能，核心功能模块的介绍
a).账号权限认证系统（经root账号/自动 进行权限分配 包含页面、按钮、功能）
b).数据获取（入池前，经python、java等其他语言进行各平台基础数据获取）
c).数据清洗（入池前，对个平台重复数据进行清洗，此轮进行舆情标注三类：正面、中性、负面 四级： 一般 关注 重点 紧急，舆情类别判断 民生、政治、企业、谣言等）
d).数据入池（入池，将通过初次数据清洗数据进行入池）
e).根据账号权限、要求获取数据（二次清洗）
3.主要流程：
企业： 账号购买功能鉴权(线下购买，线上开启权限) -> 设定舆情点 -> 使用
我司： 线下磋商 -> 成功后提供注册地址 -> 注册后开启部分权限（自动、手动两种方案）
网站： 数据采集 -> 数据首次清洗 -> 入池 -> 数据二次清洗 -> 查询报送（舆情报告）
售后服务管理系统
本套售后管理系统，是深度贴合制造业一线业务场景的轻量化协同工具。它无需推翻企业现有管理体系，不依赖高额定制开发，无缝衔接金蝶ERP，精准填补现场业务与后端管理系统的衔接空白，用最小成本实现售后管理数字化升级。
系统适用对象覆盖全生态售后相关角色，包括企业售后部全体人员、销售人员、授权经销商及合作电工，不同角色配备专属操作入口与功能权限，操作简单易上手，无需复杂培训即可快速落地使用。
在登录方式上，系统采用双端适配模式：内部售后、销售人员通过企业微信工作台登录，实现PC+移动端协同办公；外部经销商、合作电工通过微信小程序登录，扫码即用、无需安装额外软件，真正做到随时随地办业务，一键操作提效率。
太阳辐射测量及传感器校准一体化系统
本项目为太阳辐射测量及传感器校准一体化系统，面向太阳辐射计量、传感器检定/校准、自动化采集与任务管理等场景，目标是将原本分散的设备控制、数据采集、校准流程、结果管理与可视化分析整合到同一个软件平台中，构建一套标准化、自动化、可追溯、可扩展的业务闭环。
项目的核心价值在于：它不是单纯的数据采集软件，而是把校准方法管理、设备联动控制、任务预约执行、实时数据展示、结果留存追踪全部统一起来，显著降低了人工操作复杂度，提升了太阳辐射测量业务的规范性与执行效率。
简竹私域直播
1.立项背景和目标
私域直播趋势 ：随着公域流量成本上升，企业转向私域流量运营
大健康行业需求 ：大健康产品（保健品、健康服务等）需要专业直播场景进行产品展示和销售
SAAS化需求 ：传统直播系统功能单一、定制成本高，需要标准化、可配置的SAAS平台
为大健康行业提供 私域直播电商一体化解决方案，支持多经销商、多门店的 分布式管理，实现 直播前-中-后 全流程业务闭环
2.软件功能与核心模块
core-vue (核心业务)：订单管理、商品管理、门店管理、员工管理、诊断服务
customer-vue (客户管理)：会员管理、客户列表、标签分组、会员卡、充值、跟进记录
design-vue (直播设计)：素材中心、节目单管理、频道管理、直播间装修、页面临定制
market-vue (营销活动)；营销游戏（抽奖、秒杀等）、素材管理、积分商城、会员权益
order-vue (订单中心)：商城订单、线下订单、售后管理、订单核单、发货管理
report-vue (数据报表)；销售统计、流量统计、会员分析、场次统计、财务报表
store-vue (门店管理)；门店配置、员工管理、商品管理、技师管理
3.业务流程与功能路径
┌─────────────┐ ┌─────────────┐ ┌─────────────┐
│ 直播准备 │ ──▶ │ 直播中 │ ──▶ │ 直播后 │
└─────────────┘ └─────────────┘ └─────────────┘
│ │ │
▼ ▼ ▼
┌─────────┐ ┌─────────┐ ┌─────────┐
│素材管理 │ │商品展示 │ │订单统计 │
│节目单 │ │下单购买 │ │客户跟进 │
│频道配置│ │红包互动 │ │复购营销 │
│直播间 │ │实时互动 │ │数据报表 │
└─────────┘ └─────────┘ └─────────┘
批量数据处理与自动化运维脚本开发
本项目为批量数据处理与自动化运维脚本工具，旨在解决企业日常工作中大量重复的数据处理、运维操作问题，通过 Python 自动化脚本，实现数据采集、批量导出、定时任务、日志监控等功能。工具核心功能包括：1. 多源数据采集，支持 Excel/CSV/ 数据库等多格式数据自动提取；2. 批量数据处理，支持数据清洗、格式转换、报表生成；3. 自动化运维，支持定时任务、服务器监控、日志分析；4. 可视化配置，用户可通过简单配置实现自定义自动化流程，无需代码。工具可广泛应用于财务、行政、运维等多个岗位，大幅提升工作效率，减少人工错误。
帮助文档
Copyright @ 2021-2024 程聚宝 | 浙ICP备2021014372号
人工客服