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
教育厅安全管理系统管理平台
1.该平台是服务于各省市教育厅、教育局、学校、高校的一体式平台。
2.包含安全任务、平安校园评估、智能填报、隐患、专项检查、假勤管理、三防建设、智能办公等功能。
3.项目由主平台和各个子系统组成，每个子系统对应一个功能模块，使用微应用的方式嵌入主系统。
人民法院房地产纠纷案件可视化平台
该项目以人民法院房地产纠纷案件可视化平台和被执行人管理系统为例，应用于民政、公安。
在指挥中心大屏、电脑、手机终端，产生纠纷或可能发生违法的案件，在地图上以不同颜色、不同状态的水点动态展示，通过不同效果，配合后台数据维护，就能直观地看出辖区范围哪些区域的纠纷案件比较多，有违法嫌疑的地方比较集中，从而透过数据现象分析本质，为高层决策和政府统计提供有效的技术支持。
面对建材行业的sass管理
本系统包含PC和APP两端，开发旨在为建材行业管理人员提供一套高效、全面的管理工具，覆盖企业日常运营、销售、采购、库存、财务、人员绩效和系统配置等核心业务功能。实现数据集中化管理、业务流程规范化和决策支持智能化，帮助企业提升运营效率、优化资源配置、规范财务核算、强化客户和供应链管理，同时支持多维度数据分析与灵活配置，以促进企业数字化转型和长期可持续发展。
高压电工操作票填写系统
该小程序聚焦高压电工特种作业培训场景，贴合实操考核要求，精准还原操作票填写规范与流程，支持模拟填写、错误校验、规范指引等核心功能，有效解决线下培训中操作票填写教学效率低、易错点难把控的问题，帮助学员快速掌握填写要点，提升培训效果。
为日本旅行社制作聊天机器人
1. 此项目旨在为日本旅客提供智能化、个性化的签证申请辅助服务。传统签证申请流程复杂、信息分散，尤其对非英语母语者存在语言与流程障碍。项目目标是通过AI聊天机器人，为用户提供一站式的签证信息查询、材料清单生成与文件上传服务，显著提升申请效率与用户体验，同时确保数据安全与多语言支持。
2. 系统核心为基于Microsoft Bot Framework SDK开发的AI聊天机器人，具备以下功能模块：
a. 智能对话引擎：集成Azure OpenAI，支持自然日语交流，理解用户出行意图与个人情况。
b. 个性化签证清单生成：根据用户输入的目的地与个人资料，动态生成所需材料清单。
c. 自适应交互界面：使用Adaptive Cards引导用户逐步填写信息、上传文件。
d. 安全文件管理：通过Azure Blob Storage实现护照、签证相关文件的安全上传与存储。
e. 规则引擎与条件流程：后端逻辑支持不同国家的签证规则匹配与动态对话跳转。
f. 前端集成：通过Bot Framework Web Chat嵌入React前端，提供流畅的对话界面。
3. 用户启动聊天机器人后，系统首先进行身份与出行意图识别，随后引导用户选择目的地、出行类型等关键信息。基于输入，系统调用规则引擎生成个性化材料清单，并通过Adaptive Cards引导用户逐一确认与上传文件。
帮助文档
Copyright @ 2021-2024 程聚宝 | 浙ICP备2021014372号
人工客服