کشف الگوهای گاز مصرفی به منظور مدیریت و قیمت گذاری عادلانه با استفاده از تکنیک های داده کاوی

مشخصات نویسندگان مقاله کشف الگوهای گاز مصرفی به منظور مدیریت و قیمت گذاری عادلانه با استفاده از تکنیک های داده کاوی

  صفدر رجبی - کارشناسی ارشد مهندسی نرم افزار، دانشگاه آزاد اسلامی اراک، ایران
  مهدی فرتاش - استادیار، دانشکده فنی و مهندسی دانشگاه آزاد اسلامی واحد اراک، اراک، ایران
  مهدی کمال آبادی فراهانی - کارشناسی ارشد مهندسی الکترونیک دانشگاه شریف، شرکت گاز استان مرکزی، اراک، ایران

چکیده مقاله:

امروزه با توجه به گسترش روز افزون اطلاعاتی که بشر با آنها سر و کار دارد، بهره گیری از روشهایی همچنون داده کاوی برای استخراج دانش و اطلاعات نهفته در داده ها، امری غیرقابل اجتنباب می باشد. داده کاوی به علم استخراج دانش از داده های خام گفته می شود و بوسیله کاوش داده های موجود در بانک های اطلاعاتی، اطلاعات و دانش مفید از داده ها را از استخراج می کند. خوشه بندی به عنوان یکی از تکنیک های داده کاوی را می توان به عنوان مهمترین مسئله در یادگیری بدون نظارت به منظور طبقه بندی داده ها در نظر گرفت. مراحل داده کاوی در اکثر موارد شامل شش گام می باشد که گام انتخاب داده و آماده سازی آن حدود 70 درصد انجام پروژه می باشد. گام انتخاب داده این پژوهش مربوط به قبوض صادر شده برای مشترکین گاز استان مرکزی در بخش خانگی در سالهای 90تا 93 می باشد. در گام آماده سازی داده ها که مهمترین مرحله محسوب می شود تنها فیلدهای موثر انتخاب، گروه بندی و نویز گیری شدند. خروجی مرحله آماده سازی 4 جدول در SQL Server Business Intelligence اعمال شد. خروجی الگوریتم k-means بر روی داده ها در اختیار خبرگان شرکت گاز قرار گرفت که نتیجه آن ارائه طرح پلکانی با هفت پله بمنظور قیمت گذاری و مدیریت بهتر مصرف گاز مشترکین شد که علاوه بر کاهش تعداد طبقات از دوازده پله طرح فعلی به هفت پله، انحراف معیار و واریانس بهبود پیدا نمود و فراوانی تعداد مشترک یکنواخت تر گردید بصورتیکه فراوانی تعداد مشترک در طرح فعلی در سه پله اول 85 درصصد می باشد که در طرح بدست آمده این عدد به 60 درصد کاهش پیدا نموده که خود بیانگر بهبود طبقات می باشد.

کلیدواژه‌ها:

داده کاوی، خوشه بندی، طرح پلکانی، قیمت عادلانه، الگوریتم K-means

کد مقاله/لینک ثابت به این مقاله

برای لینک دهی به این مقاله، می توانید از لینک زیر استفاده نمایید. این لینک همیشه ثابت است و به عنوان سند ثبت مقاله در مرجع سیویلیکا مورد استفاده قرار میگیرد:
https://www.civilica.com/Paper-REGCMAES02-REGCMAES02_029.html
کد COI مقاله: REGCMAES02_029

نحوه استناد به مقاله:

در صورتی که می خواهید در اثر پژوهشی خود به این مقاله ارجاع دهید، به سادگی می توانید از عبارت زیر در بخش منابع و مراجع استفاده نمایید:

در داخل متن نیز هر جا که به عبارت و یا دستاوردی از این مقاله اشاره شود پس از ذکر مطلب، در داخل پارانتز، مشخصات زیر نوشته می شود.
برای بار اول: (رجبی, صفدر؛ مهدی فرتاش و مهدی کمال آبادی فراهانی، ۱۳۹۴)
برای بار دوم به بعد: (رجبی؛ فرتاش و کمال آبادی فراهانی، ۱۳۹۴)
برای آشنایی کامل با نحوه مرجع نویسی لطفا بخش راهنمای سیویلیکا (مرجع دهی) را ملاحظه نمایید.

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :

Hand, D, Mannila, H, Smyth, P (200 1), "Principles of ...

Khan , I (2013), "Knowledge Extraction from Survey Data Using ...

Mitchell, M, (1997) , "Machine Learning" _ McGraw-Hil Science , ...

Nirkhi, S (2010), "Potential use of artificial neural network in ...

Tang, C , Wang, S (2010), "New fuzzy c-means clustering ...

Two Crows Corporation (1999), "Introduction to Data Mining and Knowledge ...

Wang, L, Sui, T(2007), "Application of data mining technology based ...

Ramageri, Bharati M and Desai, B.L (2013), "Role Of Data ...