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
企业数字化管理系统-企航 EasyOps
这个系统主要是给中小企业用来管理日常业务的。很多小公司平时用 Excel 记录客户、订单和库存，时间久了数据容易乱，也不好查。这个项目就是把客户、订单、库存、审批和报表这些内容集中到一个系统里管理.系统里有工作台、客户管理、订单管理、库存管理、审批中心和经营报表。用户可以在系统里录入客户信息，查看客户跟进情况；也可以创建订单、查看订单状态和订单金额；库存数量可以统一管理，库存低了系统会提醒；一些订单折扣、合同、退款申请可以走审批；最后还能通过报表查看销售额、客户数量、库存预警等经营数据。
基于多智能体与知识图谱的复杂知识分析平台
1. 立项背景和目标
面向复杂知识问答、多步任务拆解和证据驱动分析场景，搭建统一的 AI Agent 平台。旨在解决传统问答系统在复杂任务中可分解性不足、证据链不可追溯、文档与图谱数据割裂、模型选型缺乏统一评测等痛点，降低知识密集型分析任务的人工操作成本。
2. 核心功能模块
多智能体协作： 采用 planner -> dispatcher -> summary 主链路，支持任务拆解、依赖编排和拓扑执行。
知识检索与定位： 集成文档多格式解析、片段级检索、页级定位及 Neo4j 知识图谱 Cypher 检索。
评测与选型底座： 支持对不同模型、提示词策略和子代理组合进行横向对比与流程稳定性观察。
前端工作台： 支持多会话聊天、模型参数配置、执行轨迹面板、知识图谱可视化及结果下载。
3. 业务流程与功能路径
用户上传多格式文档或输入复杂分析任务 -> 系统提取分析并构建图谱 -> 多智能体协作编排并调度任务（子代理执行文档精读和图谱检索） -> 聚合生成可追溯、可信的结构化报告或演示文稿 -> 通过 SSE 流式反馈、渲染任务轨迹并展示给前端。
豪视界-AI 图像处理平台
AI 图像处理平台（"流行智能"后更名"豪视界"） —— 一个面向电商卖家的 SaaS 化 AI图像处理工具站。核心业务逻辑:卖家上传商品图,平台调用多个 AI引擎完成换背景、生成模特图、扩图/高清/去水印等处理,按张扣积分,处理结果存云端图库。
支撑业务的系统能力
- 账户体系:邮箱/手机注册登录、JWT 鉴权、图形验证码、访客可浏览(登录才可下单)
- 积分计费系统:注册赠送 100 积分、按任务类型差异化定价(可后台配置)、消费流水记录、积分套餐
- 异步任务系统:任务状态机(等待→处理中→完成/失败)、批量提交、全局任务列表、结果轮询
- 图库:处理结果云端存储(阿里云 OSS)、缩略图、任务详情回看
- 管理后台:用户管理(禁用/启用/改积分)、任务监控与重试、系统配置、积分规则/套餐配置、操作日志、仪表盘统计
企业内部ERP系统
面向鞋类全栈 ERP 系统，覆盖从客户接单、模具管理、BOM 拆解、生产排程、出入库管理到标签打印、报表分析的全链路业务流程。系统采用前后端分离架构，后端基于 Spring Boot 3 提供 RESTful API，前端为 Vue 3 + Vite SPA，支持本地开发与 Docker 生产部署两套环境。
统一开发平台-统一开发平台
1. **雪花算法**：支持 5 种 WorkerId 分配策略（配置固定值、本地随机、Redis、ZooKeeper、Nacos）
2. **号码段模式**：数据库维护号码段，应用启动时自动建表，支持步长和号段缓存
3. **号码段链模式**：优化号码段的双 Buffer 机制，消除号码段切换时的耗时
4. **缓存集成**：号码段和号码段链支持本地（Caffeine）+ Redis 双级缓存
5. **代理服务**：独立部署的 ID 代理服务，提供 HTTP + Dubbo 接口
6. **Starter 集成**：应用通过 Starter 直接集成 ID 生成能力
7. **MyBatis 自动注入**：通过 MyBatis-Plus MetaObjectHandler 自动填充 ID
8. **独立 ID 池**：每个 `表名 + 主键字段名` 可拥有独立的 ID 池配置
帮助文档
Copyright @ 2021-2024 程聚宝 | 浙ICP备2021014372号
人工客服