陳亮， 佟曉童， 李繪妍， 張晶， 鄭鵬

(1.國家電網(wǎng)遼寧電力有限公司， 遼寧 沈陽 110004;2.國家電網(wǎng)遼寧電力有限公司撫順供電公司， 遼寧 撫順 113008)

0 引言

深度融合定量物理映射技術(shù)、歷史運(yùn)維數(shù)據(jù)深度分析技術(shù)，較長周期內(nèi)的穩(wěn)定預(yù)測改革走向技術(shù)等關(guān)于電網(wǎng)人事制度智慧改革支撐技術(shù)，對(duì)支撐技術(shù)進(jìn)行不停地探索以完成疊加累積效應(yīng)，盡早完成對(duì)企業(yè)績效工資分配靜態(tài)瓶頸[1]的突破，構(gòu)建電力企業(yè)績效工資分配與效益營收耦合對(duì)數(shù)據(jù)的全面收集、追蹤至全過程、完成全方位的共享、全景方面的主動(dòng)預(yù)警系統(tǒng)，全方面實(shí)現(xiàn)電力企業(yè)效益營收、崗績分離下的職工貢獻(xiàn)量化、績效工資分配與效益營收的物理映射、財(cái)政績效工資審計(jì)等完整生命周期內(nèi)的靜態(tài)高效同享互存，提出了一種基于歷史運(yùn)維大數(shù)據(jù)挖掘的電力企業(yè)績效工資分配感知模型?；趪译娋W(wǎng)歷史運(yùn)維大數(shù)據(jù)，構(gòu)建績效工資分配與效益營收的物理映射，給出全息運(yùn)維數(shù)據(jù)與績效工資分配的定量耦合關(guān)系[2]，引入機(jī)器學(xué)習(xí)算法，構(gòu)建較長周期內(nèi)的績效工資分配感知穩(wěn)定預(yù)測系統(tǒng)，該系統(tǒng)以Agent作為架構(gòu)基礎(chǔ)，執(zhí)行動(dòng)作(Action)的同時(shí)會(huì)對(duì)當(dāng)前和收益相關(guān)的數(shù)據(jù)與將來可能會(huì)發(fā)生的狀況反饋給當(dāng)前的環(huán)境，由系統(tǒng)對(duì)當(dāng)前的情況進(jìn)行戰(zhàn)略模擬，形成具備潛在規(guī)律挖掘、定量映射生成、改革走向精準(zhǔn)預(yù)測、效益營收預(yù)警等功能的績效工資分配全局協(xié)同精準(zhǔn)化預(yù)測架構(gòu)[3]。Python 3.5.2內(nèi)核作為基礎(chǔ)，Gym 0.9.2圖形化開發(fā)插件GUI作為輔助，以此開發(fā)出一個(gè)電力企業(yè)績效工資分配感知原型系統(tǒng)，它具備了能在一個(gè)固定周期內(nèi)，通用電力企業(yè)績效工資分配感知全流程效能，這就可以滿足各電力企業(yè)由于文化差異而導(dǎo)致的績效工資分配精確感知需求，非常具有推廣價(jià)值。

1 構(gòu)建績效工資分配與效益營收的物理映射

借助國家電網(wǎng)公司共享數(shù)據(jù)平臺(tái)，形成電力企業(yè)歷史運(yùn)維大數(shù)據(jù)池，引入Lasso類帶正則項(xiàng)的線性模型構(gòu)建績效工資分配與效益營收的物理映射，通過對(duì)數(shù)據(jù)進(jìn)行事先分析整理，在處理的過程中對(duì)各電力企業(yè)最初始的到當(dāng)前的歷史數(shù)據(jù)進(jìn)行不同程度的處理，以此對(duì)需要的數(shù)據(jù)特征完成選擇并進(jìn)行深度聚類分析，給出全息運(yùn)維數(shù)據(jù)與績效工資分配的定量耦合關(guān)系[4]，從函數(shù)擬合角度精確描述映射數(shù)據(jù)生成機(jī)制。借助模型在訓(xùn)練集上的訓(xùn)練誤差與在測試集上的測試誤差的變化趨勢最優(yōu)化提高模型的擬合適應(yīng)性，如圖1所示。

圖1 績效工資分配與效益營收的物理映射模型邏輯示意圖

通過對(duì)回歸系數(shù)進(jìn)行差異性的壓縮，產(chǎn)生估計(jì)偏移，增加模型的穩(wěn)定性，設(shè)定未來可擴(kuò)展電力企業(yè)效益營收為模型空間，設(shè)定電力企業(yè)可預(yù)見到的效益營收為受限模型空間，構(gòu)建真實(shí)值、觀察值、總體最好估計(jì)、當(dāng)前最好估計(jì)、壓縮估計(jì)之間的相對(duì)位置關(guān)系，用最優(yōu)單模型Xgboost進(jìn)行半監(jiān)督最優(yōu)評(píng)價(jià)[5]，隨機(jī)組合并重復(fù)多次，獲取績效工資分配與效益營收之間的穩(wěn)定物理映射。

國家電網(wǎng)SG-EA架構(gòu)管控標(biāo)準(zhǔn)作為設(shè)計(jì)的指導(dǎo)標(biāo)準(zhǔn)，對(duì)國家電網(wǎng)公司的當(dāng)前現(xiàn)有的信息進(jìn)行充分的利用，如圖2所示。

圖2 績效工資分配與效益營收的物理映射硬件部署示意圖

設(shè)計(jì)了績效工資分配與效益營收的物理映射硬件部署邏輯圖，初步構(gòu)建歷史運(yùn)維數(shù)據(jù)采集、差異性效益營收數(shù)據(jù)分離、目標(biāo)運(yùn)維數(shù)據(jù)池生成、績效工資分配與效益營收物理映射建立等一體化硬件支持體系[6]。鑒于國家電網(wǎng)遼寧省電力公司以SG-UAP3.0開發(fā)平臺(tái)作為基礎(chǔ)，進(jìn)行開發(fā)，以二級(jí)部署方式來完成對(duì)微應(yīng)用的附屬功能的開發(fā)，國家電網(wǎng)作為開發(fā)依托，以此實(shí)現(xiàn)對(duì)電力企業(yè)績效工資的全局協(xié)調(diào)和精準(zhǔn)化管理，同時(shí)具備績效工資分配與效益營收動(dòng)態(tài)建模、定量耦合關(guān)系實(shí)時(shí)修正、較長周期內(nèi)的改革走向穩(wěn)定預(yù)測等全方位績效工資分配感知等支撐功能[7]。將績效工資分配與效益營收的物理映射硬件部署劃分為幾個(gè)部分，主要包括外網(wǎng)的微應(yīng)用、移動(dòng)終端和PC端外網(wǎng)、內(nèi)網(wǎng)的微應(yīng)用等，其中的外網(wǎng)微應(yīng)用是不需要DMZ分區(qū)作為基礎(chǔ)的認(rèn)證服務(wù)器的，隔離裝置配置信息是初始數(shù)據(jù)源的接口配置，內(nèi)網(wǎng)的微應(yīng)用仍然需要國家電網(wǎng)作為依托進(jìn)行統(tǒng)一認(rèn)證，服務(wù)器對(duì)其進(jìn)行合法性校驗(yàn)，如果登錄成功，將會(huì)主動(dòng)觸發(fā)存在于內(nèi)網(wǎng)中的服務(wù)器隊(duì)列消息傳送系統(tǒng)，調(diào)用數(shù)據(jù)庫總線請(qǐng)求ERP系統(tǒng)完成對(duì)數(shù)據(jù)的保存或釋放，對(duì)各電力企業(yè)的運(yùn)維大數(shù)據(jù)進(jìn)行多方面的分析，做到實(shí)時(shí)反饋績效工資分配與效益營收的物理映射信息給內(nèi)網(wǎng)Web端，為數(shù)據(jù)池動(dòng)態(tài)更新提供驅(qū)動(dòng)。

2 電力企業(yè)績效工資分配感知模型構(gòu)建

基于給出的績效工資分配與效益營收的物理映射關(guān)系，引入機(jī)器學(xué)習(xí)算法，構(gòu)建較長周期內(nèi)的績效工資分配感知穩(wěn)定預(yù)測機(jī)制，形成具備潛在規(guī)律挖掘、定量映射生成、改革走向精準(zhǔn)預(yù)測、效益營收預(yù)警等功能的績效工資分配全局協(xié)同精準(zhǔn)化預(yù)測架構(gòu)。通過對(duì)數(shù)據(jù)的事先處理，在處理的過程中對(duì)各電力企業(yè)最初始到當(dāng)前的營業(yè)數(shù)據(jù)進(jìn)行不同程度的分析和處理，完成數(shù)據(jù)的特征選擇，對(duì)電力企業(yè)績效和電力營收進(jìn)行預(yù)見并同時(shí)完成詳細(xì)的分類，同時(shí)系統(tǒng)還可以完成深度的學(xué)習(xí)，實(shí)現(xiàn)系統(tǒng)的升級(jí)；在數(shù)據(jù)進(jìn)行事先處理的子過程當(dāng)中，對(duì)處理過的數(shù)據(jù)進(jìn)行進(jìn)一步的強(qiáng)化學(xué)習(xí)[8]，在深度卷積神經(jīng)網(wǎng)絡(luò)的過程中把Q學(xué)習(xí)機(jī)制導(dǎo)入，進(jìn)一步提升系統(tǒng)的學(xué)習(xí)能力，該系統(tǒng)以單層Q網(wǎng)絡(luò)模型作為基礎(chǔ)，以異通道輸入信息的方式來實(shí)現(xiàn)和環(huán)境的交互，同時(shí)完成動(dòng)作——獎(jiǎng)勵(lì)值隔離，以融入雙重Q網(wǎng)絡(luò)模型的方式來提升系統(tǒng)對(duì)動(dòng)作數(shù)據(jù)的感知、預(yù)見和決策；對(duì)子過程進(jìn)行的深度強(qiáng)化學(xué)習(xí)進(jìn)行測試，充分利用單層Q網(wǎng)絡(luò)和雙層Q網(wǎng)絡(luò)的優(yōu)點(diǎn)，提升系統(tǒng)的學(xué)習(xí)能力和對(duì)數(shù)據(jù)的感知進(jìn)而構(gòu)建具有自適應(yīng)性的電力企業(yè)績效工資分配感知模型。

2.1 建立較長周期內(nèi)的績效工資分配感知穩(wěn)定預(yù)測機(jī)制

利用深度卷積神經(jīng)網(wǎng)絡(luò)與全連接神經(jīng)網(wǎng)絡(luò)建立較長周期內(nèi)的績效工資分配感知穩(wěn)定預(yù)測機(jī)制，選取績效工資分配與效益營收的物理映射作為原始訓(xùn)練數(shù)據(jù)，一般都是用Q函數(shù)來表現(xiàn)，這能夠讓在當(dāng)前復(fù)雜網(wǎng)絡(luò)模型端到端感知到更多東西，并表現(xiàn)出一種較好的狀態(tài)。我們還是要先從企業(yè)效益營收運(yùn)行規(guī)律開始著手，了解實(shí)際的運(yùn)行發(fā)展軌跡之后再成為一項(xiàng)關(guān)鍵性決策因素。通過利用智能體在與環(huán)境交互過程中產(chǎn)生的隱形變量來做出最終決策，這也是帶動(dòng)下一個(gè)動(dòng)作自然發(fā)生的初始動(dòng)機(jī)。特別是在一個(gè)高密度價(jià)值數(shù)據(jù)持續(xù)輸入狀態(tài)之下，才能夠讓特征提取變得更加簡單，并確保后續(xù)的多維迭代卷積計(jì)算才會(huì)更加順利進(jìn)行下去，此時(shí)的電力市場監(jiān)測工作才能落實(shí)到位。當(dāng)智能體機(jī)制順利引入，深度強(qiáng)化學(xué)習(xí)建模則應(yīng)該參照以下方式。

當(dāng)Q值已經(jīng)接近于零，面對(duì)于此種情況，則必須要積極運(yùn)用探索/利用(exploration/exploitation)機(jī)制來執(zhí)行后續(xù)操作，這其實(shí)就是大眾口中的epsilon貪婪策略，當(dāng)某一隨機(jī)數(shù)額被確定為π，在Q(s,a)表征狀態(tài)之下,s下執(zhí)行動(dòng)作a時(shí)的Q值函數(shù)，α表示學(xué)習(xí)率;R(s,a)表示表征狀態(tài)s下執(zhí)行動(dòng)作a時(shí)所獲取的即時(shí)獎(jiǎng)勵(lì)，所有的字母都有實(shí)際的劃分，特別是在當(dāng)下的迭代周期之下，Q-table中的一個(gè)值[9]也會(huì)更新迭代，由此獲得更加完整的Q-table(其中π為policy),如式(1)。

Qπ(s,a)=Es′[r(s,a)+γEa′～π[Qπ(s′,a′)]]

(1)

利用式(1)不斷迭代，則Q(s,a)函數(shù)一般可以利用Q-learning算法來進(jìn)行估算，這也會(huì)帶動(dòng)Bellman方程來促進(jìn)Q(state，action)的迭代。Q-table當(dāng)中的每一個(gè)數(shù)值表征都會(huì)在當(dāng)下狀態(tài)s下采用動(dòng)作a來獲得折現(xiàn)和，最終得出最優(yōu)的一種策略。

當(dāng)處于這一種情況，下式始終都是由Q-target代替，這也是Bellman方程和epsilon貪婪策略之下所應(yīng)該獲得的獎(jiǎng)勵(lì)，目標(biāo)也會(huì)帶動(dòng)Q值與Q-target更加接近t。根據(jù)Q-learning原理可以知道，其適用范圍是較為局限的[10]，一般情況下很難突破。這時(shí)候引入DeepQ-Networks (DQN)才能夠完成建模，具體情況如下。

面對(duì)企業(yè)績效工資分配感知這一問題，還應(yīng)該要先了解Q-Learning，只有這樣才會(huì)讓Loss Function的Q-target值和Q-eval值之間的差值最小化，則目標(biāo)函數(shù)整體可以通過隨機(jī)梯度下降方法進(jìn)行優(yōu)化，如式(2)。

?θiLi(θi)=Es,a～ρ(·);s′～ε[(γ+γmaxa′Q(s′,a′;θi-1)-

Q(s,a;θi))?θiQ(s,a;θi)]

(2)

經(jīng)驗(yàn)池的功能其實(shí)比較專一，就是要讓初始訓(xùn)練數(shù)據(jù)的相關(guān)性以及非靜態(tài)分布問題全部都解決完畢。每一個(gè)agent與環(huán)境交互得到的轉(zhuǎn)移樣本(st,at,rt,st+1)都是需要進(jìn)行恰當(dāng)化處置的，并存儲(chǔ)在回放記憶單元內(nèi)，只要是需要訓(xùn)練，就可以隨機(jī)選擇一些，Q函數(shù)代表了在確定性策略μ之下所選擇的獎(jiǎng)勵(lì)期望值，最終所涉及的Qu為式(3)。

Qμ(st,at)=E[r(st,at)+γQμ(st+1,μ(st+1))]

(3)

2.2 面向電力企業(yè)的績效工資分配感知模型適應(yīng)性優(yōu)化

對(duì)績效工資分配感知模型進(jìn)行適應(yīng)性優(yōu)化，在主感知函數(shù)中引入雙重Q網(wǎng)絡(luò)機(jī)制，才能夠用另外一個(gè)網(wǎng)絡(luò)(Target.net)逐步產(chǎn)生Q-target值，除此之外，Q(s,a;θi)表示當(dāng)下網(wǎng)絡(luò)Eval.net的實(shí)際輸出，這也能夠權(quán)衡出當(dāng)下狀態(tài)動(dòng)作所對(duì)應(yīng)的值函數(shù)；Q(s,a;θ-i) 表示Target.net的輸出，當(dāng)已經(jīng)將其帶入進(jìn)去之后，Q-target值的公式才能夠得出最終的目標(biāo)Q值[11]。特別是在Loss Function之下，eval.net的參數(shù)也會(huì)進(jìn)入更新狀態(tài)，Main.net的參數(shù)也會(huì)與Target.net網(wǎng)絡(luò)連接到一起，則雙重DQN的損失函數(shù)等價(jià)表示,如式(4)、式(5)。

L(θ)=Es,a,r,s′[(Q*(s,a|θ)-y)2]

(4)

(5)

當(dāng)雙重Q網(wǎng)絡(luò)機(jī)制已經(jīng)充分融入進(jìn)去之后，Q網(wǎng)絡(luò)中的參數(shù)也會(huì)被直接定義為θQ，Qμ(s,μ(s))代表的是使用μ策略在s狀態(tài)來獲得最佳的回報(bào)期望值，這一般都需要用積分來求，采取策略μ可以判斷出實(shí)際情況的好壞,如式(6)。

(6)

根據(jù)優(yōu)化模型的消息處理機(jī)制，構(gòu)建基于機(jī)器學(xué)習(xí)的電力企業(yè)績效工資分配感知模型多維集成應(yīng)用，才能夠讓整個(gè)系統(tǒng)全業(yè)務(wù)的統(tǒng)一數(shù)據(jù)被匯集到一起，特別是在了解了實(shí)際的開放式服務(wù)總線后，這需要借助現(xiàn)役ERP系統(tǒng)統(tǒng)一數(shù)據(jù)訪問機(jī)制來確保訪問能夠?qū)崿F(xiàn)共享,如圖3所示。

圖3 電力企業(yè)績效工資分配感知模型多維集成應(yīng)用邏輯示意圖

從圖3可以看出，還專門設(shè)計(jì)了面向電力企業(yè)績效工資分配感知模型集成應(yīng)用的開放式數(shù)據(jù)共享接口架構(gòu)，來讓業(yè)務(wù)數(shù)據(jù)庫信息全部都共享出去，開放式服務(wù)總線、融合數(shù)據(jù)共享接口的消息中間件就會(huì)與優(yōu)化模型業(yè)務(wù)協(xié)同和數(shù)據(jù)共享機(jī)制的電力企業(yè)績效工資分配感知系統(tǒng)多位微應(yīng)用服務(wù)進(jìn)行數(shù)據(jù)交互，實(shí)現(xiàn)內(nèi)部數(shù)據(jù)的共享交互，通過基于機(jī)器學(xué)習(xí)的電力企業(yè)績效工資分配感知模型多維集成應(yīng)用，利用Web內(nèi)網(wǎng)服務(wù)器集群能夠?qū)⑺袛?shù)據(jù)匯集到一起。

2.3 典型應(yīng)用場景下的模型性能仿真

按照國家電網(wǎng)公司軟件立項(xiàng)開發(fā)標(biāo)準(zhǔn)，對(duì)優(yōu)化模型開展典型應(yīng)用場景下的性能仿真(技術(shù)成熟度三級(jí))，在PyCharm內(nèi)核集成開發(fā)環(huán)境下，根據(jù)Python 3.7.4內(nèi)核，還需要直接引入Numpy擴(kuò)展程序庫，針對(duì)于已解碼數(shù)據(jù)包來完成格式歸類，從而真正生成.CSV格式文件，利用Merge函數(shù)來對(duì)合并數(shù)據(jù)表是一種非常正確的現(xiàn)象，這能夠最大程度的將交集處理工作完成，并推進(jìn)后續(xù)匹配合并的達(dá)成；Append函數(shù)還必須要對(duì)數(shù)據(jù)集進(jìn)行重塑處理，將時(shí)間序列明確下來。在Levels進(jìn)程之下，還能夠建立有益信息推斷鑰匙機(jī)制，確保分組標(biāo)記工作順利下去；利用Group_by和Pivote_table函數(shù)可以更好地完成后續(xù)的冗余度校驗(yàn)，根據(jù)Pyecharts類庫來給出一種可視化的電力企業(yè)績效工資分配與效益營收物理映射場景?；赑ython 3.7.4內(nèi)核，在PyCharm集成開發(fā)環(huán)境下，選取經(jīng)過清洗處理的映射數(shù)據(jù)為驗(yàn)證載體數(shù)據(jù)，利用國家電網(wǎng)遼寧省電力有限公司某供電公司為基礎(chǔ)原始數(shù)據(jù)采集環(huán)境，主要選擇了2017年06月—2019年08月某供電公司績效工資分配感知數(shù)據(jù)來作為樣本進(jìn)行分析，特別是面對(duì)于優(yōu)化機(jī)制作用下的績效工資分配感知穩(wěn)定預(yù)測模型性能、較長周期內(nèi)的績效工資分配感知穩(wěn)定預(yù)測機(jī)制進(jìn)行了仿真驗(yàn)證，仿真結(jié)果如圖4、圖5所示。

基于圖4、圖5可知，對(duì)較長周期內(nèi)的績效工資分配感知穩(wěn)定預(yù)測模型進(jìn)行適應(yīng)性優(yōu)化后可以大幅度減小模型的預(yù)測誤差，更加清晰地展示衡量預(yù)測值與真實(shí)值之間的平均損失大小，對(duì)提高模型的全局泛化能力具有積極作用，根據(jù)適度調(diào)整新預(yù)測值中新數(shù)據(jù)以及原預(yù)測值所占的比例系數(shù)能夠更好地完成后續(xù)的處理工作，其表現(xiàn)出明顯的自適應(yīng)性，特別是在如今的應(yīng)用電力企業(yè)之下，調(diào)整差異也成為一種較為良好的方式，這也是較長周期內(nèi)的績效工資分配感知穩(wěn)定預(yù)測。

圖4 優(yōu)化機(jī)制作用下的績效工資分配感知穩(wěn)定預(yù)測模型性能仿真示意圖

圖5 較長周期內(nèi)的績效工資分配感知穩(wěn)定預(yù)測機(jī)制仿真效能圖

3 電力企業(yè)績效工資分配感知原型系統(tǒng)開發(fā)及效能分析

如果是采取微應(yīng)用擴(kuò)展的這種方式，能夠更好地完成國家電網(wǎng)遼寧省電力有限公司現(xiàn)役的ERP系統(tǒng)的適應(yīng)性改造，電力企業(yè)全息歷史運(yùn)維數(shù)據(jù)便捷獲取與融合也會(huì)更加緊密，效益營收的物理映射自動(dòng)生成、全息運(yùn)維數(shù)據(jù)與績效工資分配的定量耦合關(guān)系實(shí)時(shí)反饋等軟件處理進(jìn)程，將單獨(dú)的內(nèi)存資源共享出去，并完成內(nèi)網(wǎng)的交互工作[12]，確保數(shù)據(jù)全景能夠完全共享出去。挑選國家電網(wǎng)遼寧省電力有限公司某供電公司為原型系統(tǒng)應(yīng)用載體，特別是在Python 3.5.2內(nèi)核之下，最好的方式就是通過運(yùn)用平臺(tái)Tensorflow 1.2.1和Gym 0.9.2圖形化開發(fā)插件GUI來構(gòu)建一個(gè)通用績效工資分配感知系統(tǒng)，軟件采用多線程模式，遵循可移植、模塊化的設(shè)計(jì)原則，利用Anacoda搭建專用的TensorFlow訓(xùn)練環(huán)境，通過利用鼠標(biāo)觸發(fā)事件調(diào)用方式能夠完成供主線程的分時(shí)調(diào)用，這在大程度上也算是節(jié)約了一定的內(nèi)存資源。軟件主要是朝著實(shí)用性、工程化方面在發(fā)展，并給出一系列動(dòng)態(tài)提醒，原型系統(tǒng)調(diào)用優(yōu)化感知模型實(shí)時(shí)工作可視圖(中間損失函數(shù))如圖6所示。

圖6 原型系統(tǒng)調(diào)用優(yōu)化感知模型實(shí)時(shí)工作可視圖(中間損失函數(shù))

作為一個(gè)合格的國家電網(wǎng)遼寧省電力有限公司，在完成了53項(xiàng)ERP系統(tǒng)功能點(diǎn)適應(yīng)性改造工作之后，整個(gè)過程也會(huì)更加明確，這也能夠在電力企業(yè)績效工資分配感知原型系統(tǒng)之上展開融合工作，從而評(píng)判出實(shí)際的效能，特別是選取目前遼寧省電力公司現(xiàn)役使用的某人事薪酬核算系統(tǒng)為對(duì)照系統(tǒng)，選取某供電公司一個(gè)效益營收核算周期產(chǎn)生的歷史運(yùn)維數(shù)據(jù)為原始數(shù)據(jù)，從運(yùn)維數(shù)據(jù)挖掘有效率、績效工資分配與效益營收的物理映射生成實(shí)時(shí)性、較長周期內(nèi)的績效工資分配感知穩(wěn)定預(yù)測擬合率等方面進(jìn)行定量分析，圍繞指標(biāo)權(quán)重全局最優(yōu)度量、因素加權(quán)主變量均衡修正、績效工資分配感知穩(wěn)定預(yù)測等層面的處理效率來完成后續(xù)的定性分析，如表1所示。

表1 原型系統(tǒng)工程化應(yīng)用效能對(duì)比表

根據(jù)表1來進(jìn)行分析，并由定性和定量這兩個(gè)層面來做出深度思索，原型系統(tǒng)具備績效工資分配與效益營收動(dòng)態(tài)建模、定量耦合關(guān)系實(shí)時(shí)修正、較長周期內(nèi)的改革走向穩(wěn)定預(yù)測等全方位績效工資分配感知體系效能，在指標(biāo)權(quán)重全局最優(yōu)度量、因素加權(quán)主變量均衡修正、績效工資分配感知穩(wěn)定預(yù)測等層面具有明顯優(yōu)勢。

4 總結(jié)

特別是面對(duì)于本質(zhì)非線性的、存在耦合的多維因素約束，此時(shí)的電力企業(yè)績效工資也會(huì)更加明確，就此也會(huì)提出關(guān)于歷史運(yùn)維大數(shù)據(jù)挖掘的電力企業(yè)績效工資分配感知模型。引入Lasso類帶正則項(xiàng)的線性模型構(gòu)建績效工資分配與效益營收的物理映射，給出全息運(yùn)維數(shù)據(jù)與績效工資分配的定量耦合關(guān)系，引入機(jī)器學(xué)習(xí)中的智能體機(jī)制，構(gòu)建較長周期內(nèi)的績效工資分配感知穩(wěn)定預(yù)測機(jī)制，形成具備潛在規(guī)律挖掘、定量映射生成、改革走向精準(zhǔn)預(yù)測、效益營收預(yù)警等功能的績效工資分配全局協(xié)同精準(zhǔn)化的一份明確的預(yù)測架構(gòu)。特別是在了解到谷歌的Tensorflow 1.2.1和OpenAI的Gym 0.9.2環(huán)境之后，后續(xù)的發(fā)展也會(huì)更加順暢，面對(duì)這種情況，則應(yīng)該要對(duì)這二者的圖形化示意進(jìn)行仿真處理，這也是當(dāng)下的一種普遍做法，采用顯著差異顏色在仿真圖當(dāng)中來明確實(shí)際對(duì)比曲線，并就此做出說明。該篇論文中所提到的模型其實(shí)是能夠很好地完成多維波動(dòng)非線性電力企業(yè)績效工資分配感知模型的建立，特別值得一提的是，其還會(huì)在穩(wěn)定性、感知自主性等諸多方面表現(xiàn)出更為明確的優(yōu)勢，為了推進(jìn)下一步的發(fā)展，則應(yīng)該要構(gòu)建起一個(gè)應(yīng)用績效工資分配感知模型，僅憑一個(gè)開發(fā)插件GUI就能夠出臺(tái)一個(gè)明確的分配感知系統(tǒng)，在每一個(gè)流程都明確下來的情況下，這就能夠最大程度的把電力公司差異化的績效工資分配感知需求予以滿足。