预测部分采用时间序列数据的形式,在几年的电力需求和火车和测试模型,能够预测未来的电力需求。这是通过两种不同的方式实现的,以展示如何在 SPSS 这样的拖放平台中实现它,以及如何在 Jupyter notebook 中编写代码(python)。首先是一个 SPSS 流,训练一个神经网络模型。第二个是一个 Jupyter notebook,它可以训练 XGBoost Regressor 模型。
决策优化部分主要研究机组组合问题的3种不同的数学公式,并利用 IBM 的数据科学经验(DSX)局部决策优化(DO)方法对这3种公式进行了求解和比较。
项目的决策优化资产产生一个可配置的框架,以求解机组组合的迭代不同公式的问题的多个实例。收集和处理来自不同情景的优化结果,以便可视化准确的业务建议,以及通过事后