群租房智能监测

群租房识别及智能分析问题属于民生社会问题，如何以电力业务为抓手，通过跨专业业务知识与数据融合，提出解决群租房问题的方法，是本项目的核心的业务目标。因此项目建设的群租房智能分析整体业务需求既包括了有关部门电力业务需求，也包含了跨专业电力业务知识融合。星环科技基于Sophon智能分析工具搭建了用电信息采集系统用于群租房分析。其中SophonBase数据科学平台基于分布式的计算框架，具有针对海量数据的

政府部门打击群租房问题，消除群租房存在的安全隐患、经济纠纷、财产损失、社会矛盾和不安定因素等，电力有关部门依托用电信息采集系统提出“基于用电信息采集系统的群租房智能分析”排查方案，重点以较发达城市“群周围邻居举报，否则难以发现。解决方案群租房识别及智能分析问题属于民生社会问题，如何以电力业务为抓手，通过跨专业业务知识与数据融合，提出解决群租房问题的方法，是本项目的核心的业务目标。因此项目建设的群租房智能分析整体业务需求既包括了有关部门电力业务需求，也包含了跨专业电力业务知识融合。星环科技基于Sophon智能分析工具搭建了用电信息采集系统用于群租房分析。其中SophonBase数据科学平台构建，进而解决实际业务问题。图1：Sophon智能分析工具图2：SophonBase数据科学平台相关数据采集：群租房相关数据获取对应了数据挖掘整个的生命周期管理。数据需求包括了电力内部数据，外部数据环TDH大数据平台，接入用电信息、地理位置信息等多源异构数据后，使用星环Sophon智能分析工具，通过从群租房名单分析相应特征、从海量用电数据中提取用户特征、采集并分析租房信息、基于地理位置信息匹配

信息采集系统的群租房智能分析”排查方案，重点以较发达城市“群租房”为研究对象，通过研究发现群租房用户的用电规律和用电特征等问题，并有针对性的提出可行性的应对策略，为。解决方案群租房识别及智能分析问题属于民生社会问题，如何以电力业务为抓手，通过跨专业业务知识与数据融合，提出解决群租房问题的方法，是本项目的核心的业务目标。因此项目建设的群租房智能分析整体业务需求既包括了有关部门电力业务需求，也包含了跨专业电力业务知识融合。星环科技基于Sophon智能分析工具搭建了用电信息采集系统用于群租房分析。其中SophonBase数据科学平台基于分布式的计算框架，具有针对海量数据的：Sophon智能分析工具图2：SophonBase数据科学平台相关数据采集：群租房相关数据获取对应了数据挖掘整个的生命周期管理。数据需求包括了电力内部数据，外部数据以及互联网数据等。互联网数据主要是网络信息、地理位置信息等多源异构数据后，使用星环Sophon智能分析工具，通过从群租房名单分析相应特征、从海量用电数据中提取用户特征、采集并分析租房信息、基于地理位置信息匹配分析、群租房用户识别建模等步骤后，将

近日，江苏省工业和信息化厅公示了2021年江苏省人工智能融合创新产品名单，星环科技申报的“基于水电数据联邦的群租房识别分类系统”成功入选。此次入选，也是星环科技Sophon连续3年荣获“江苏省优秀人工智能产品”称号。星环科技Sophon连续3年荣获“江苏省优秀人工智能产品”称号本申报项目旨在使用联邦学习的方式对电力数据和水务数据构建群租房识别分类模型，配合政府部门打击群租房现象，消除群租房存在的安全隐患、经济纠纷、财产损失、社会矛盾和不安定因素，辅助政府部门深入解决“群租房”问题。星环科技Sophon联邦学习平台，通过图形化拖拉拽结合R、Python、RestfulAPI、标准SQL等开发方式进行各类业务数据的机器学习、深度学习等业务探索，建立基于水电数据联邦的群租房识别分类模型，并按照模型展现信息，时刻保证模型的更新迭代。在技术层面，星环科技采用纵向联邦学习技术，保障大数据交换时的信息安全、保护终端数据和个人数据隐私、保证合法合规的前提下，在多参与方或多计算结点之间开展高效率的机器学习；在创新层面，基于水电数据联邦的群租房识别项目建模，融合了多种不同类型的机器学习模型，并成功的引入

TranswarpSophonP²C隐私计算平台的可信计算、隐私计算技术近年来在城市AI公共服务、水电融合的群租房分析、金融风控、精准营销等场景都落地应用。案例一：城市人工智能公共服务平台某城隐私的情况下，触达率提升102.9%，点击率提升1.5%，显著提高了营销效果。案例三：水电融合的群租房识别某电网公司需要辅助政府部门加强群租房排查支撑，但单一的用电数据与衍生特征无法满足模型精准度需求，造成不必要的排查人员投入。因此电网公司和水务部门合作，基于星环科技的隐私计算平台SophonP²C，采用联邦学习的方式，共同构建群租房识别精准模型。识别准确率从单一用电数据的73.49%提升至水电联合数据的91.21%，AUC提升高达24%，有效识别了城市隐蔽隐患，保障了市民居住安全。水电融合的群租房识别市人工智能公共服务平台的构建旨在促进人工智能与实体经济深度融合，推动人工智能在各行各业的应用。然而，数据敏感等级和安全标准不一致，数据流通和对外开放存在难题。为此，星环科技通过数据安全流通平台

手段，为城市的群租房识别提供了一条安全、便捷、“数据不出门，就能被应用”的通路。用户可以通过用电数据及用水数据的安全联邦学习，在不涉及住户隐私的情况下，快速查询某户群租房的风险概率，为群租治理过程中的“进门碳排放监测服务平台解决方案，为政府、企业、团体、个人提供双碳服务；为航司优化飞行线路，每年节省燃油数千万吨；为长江中下游气象预测提供自动化建模和智能监测预警平台；加入“云边协同·双碳绿色能源大生态近日，“2023全球人工智能开发者先锋大会”（GAIDC）在上海临港召开，以“向光而行的AI开发者”为主题，海聚全球人工智能开发英才，彰显创新人才引领驱动价值，促进人工智能国际集智共创，推动打造人工智能开发者生态上海品牌；同时力促重大项目落地，产业新增长点启航，推动产业与场景联动，为人工智能“上海高地”提供强有力的战略支撑，为我国建设人工智能领域的世界科技强国贡献“上海力量”。星环科技作为人工智能探索出更加行之有效的解决方案，星环科技使用大数据、机器学习和人工智能技术，围绕联合国可持续发展目标，使用AI技术对G20国家的能源可持续发展目标的实现建言献策。在星环科技的数据科学平台画布中，用户可以

高效的处理分析能力，为政府有效排查群租房，消除群租房造成的消防、安全隐患，打造和谐、安全、美丽的生活环境作出了突出贡献，为政务决策、民生建设发挥信息化支撑保障作用。在精准营销场景，通过纵向联邦学习，车企近日，江苏省人工智能学会科学技术奖和江苏省人工智能科普成果奖在第五届江苏人工智能大会现场正式揭晓。星环科技一举揽获四项大奖，隐私计算平台SophonP²C荣获“江苏省优秀人工智能产品”；基于“联邦学习+AIoT”的智慧化工边缘云荣获“江苏省优秀人工智能解决方案”；科普文章《LookingWiderforBetterAdaptiveRepresentationinFew-ShotLearning》和《Cross-ModalKnowledgeDistillationForFine-GrainedOne-ShotClassification》荣获“江苏省人工智能科普成果奖”。该奖项旨在激励和表彰在人工智能科学研究、技术开发与创新、科技成果推广应用和产业化等方面作出突出贡献的单位和个人。本次评审委员会由多名人工智能领域的顶尖学者、产业专家组成，获奖成果均具有一定的代表性和标志性，对未来人工智能

。SophonBase管理平台用于保证管理员用户对整个平台运维资源、监控审计、用户权限等核心内容进行有效的掌控，确保平台处于合理健康的运行状态。2.利用SophonBase，海洋石油富岛实现了生产工艺智能化监测模型全生命周期管理，结合完善的模型管理功能，短短2个月时间便完成了高压系统、蒸汽冷凝系统、蒸汽冷凝系统、二氧化碳四段压缩系统、尿素转化率等相关工艺监测人工智能模型的开发、训练、上架、上线等工作。星环随着企业数字化、智能化的加速，企业对AI技术应用的需求不断增加，AI技术与产业融合的力度加大，更多的智能化应用快速落地，帮助企业降本增效。1.Sophon实现AI建模的全生命周期管理作为中国领先的大数据与人工智能基础软件提供商，星环科技在行业内推出了企业级智能分析工具TranswarpSophon，用一个平台实现AI建模的全生命周期管理，助力客户实现模型研发工作的成本控制与效率提升，帮助企业快速。TranswarpSophonBase作为星环人工智能全流程管理平台，关注从模型训练、模型服务上线、模型运营检测，到模型迭代等的人工智能全流程能力建设。依托星环科技极速大数据平台TDH与星环云原生操作系统TCOS，SophonBase

StellarDB5.0.1版本对图算法场景进行了大规模改进和提升，内置算法性能得到较大提升。在语法方面，StellarDB5.0.1的内置图算法对于返回的节点，会直接以节点类型返回。因此可以直接使用uid(vertex)访问节点的uid，而不再需要node_rk_to_uid函数进行uid的转换。可以参考PageRank等函数。另外，对于图算法返回的节点，我们也可以灵活的访问其其他属性作为返回值。图计算简介StellarDB的图计算使用TEoC语句调用相应图算法。算法的输入数据为图的点、边数据。当前版本中图计算支持结果返回、结果导出和结果写回。在使用图算法时，使用configcrux.execution.modeanalysis;语句切换到分析模式下使用图算法语句。图数据视图StellarDB支持创建一个可被持久化的视图，用于加速图算法执行过程。创建视图创建视图的语法如下所示：createquerytemporarygraphviewGRAPH_VIEW_NAMEas(v)[e]withGRAPH_ALGO(@GRAPH_VIEW_NAME,VIEW_STORE_PATH,CONFI...

StellarDB支持用户添加自定义函数，添加后可在cypher语句中使用。自定义函数实现自定义函数通过java/scala语言开发，可继承实现两种基类，编译成jar包，通过指定命令加载到StellarDB。需要实现的基类为如下两种，可自行选择继承合适的基类：继承UDF基类继承GenericUDF基类。继承UDF基类该类实现简单，功能较为单一。支持Quark的基本类型、数组和Map。适合实现简单的逻辑。继承org.apache.hadoop.hive.ql.exec.UDF类继承UDF类必须实现evaluate方法且返回值类型不能为void，支持定义多个evaluate方法不同参数列表用于处理不同类型数据。@Description(name="my_plus",value="my_plus()-ifstring,doconcat;ifinteger,doplus",extended="Example:\n>selectmy_plus('a','b');\n>ab\n>selectmy_plus(3,5);\n>8")/***实现UDF函数，若字符串执行拼接，in...

声明简介声明是指为特定数据类型的变量分配一定的存储空间，并命名该变量以便引用它；必须先声明变量，然后才能引用它；对声明的变量可以进行赋值操作来改变它的值；声明的变量其作用域是Session级别的。变量声明使用decl关键字声明一个变量必须为变量指定名称和类型，且名称不能与已有的变量名相同。声明但未赋值的变量的默认值为null。变量名声明对大小写敏感。变量声明的语句遵循如下格式:DECL[<variable_name>:<variable_type>];使用方法示例如下表所示：语句说明declx:int;声明一个类型为int的变量xdecls:string;声明一个类型为string的变量sdecll:long;声明一个类型为long的变量ldeclb:boolean;声明一个类型为boolean的变量bdecld:double;声明一个类型为double的变量ddecltime:localdatetime;声明一个类型为localdatetime的变量timedecld1:decimal;声明一个类型为decimal的变量d1decllist1:list[int...

快速上手本章节将引导您快速熟悉StellarDB，并为您初步介绍如何通过KGExplorer和beeline客户端操作StellarDB。其中，"StellarDB初探"一节通过构建一张人物关系图，从零介绍如何在StellarDB进行基本操作；"StellarDB进阶"一节为您提供了内置于StellarDB的《哈利·波特》人物关系图，帮助您进一步探索StellarDB。StellarDB初探使用KGExplorer构建图从Manager页面进入KGExplorer页面。若KGExplorer开启了单点登录，会自动跳转Federation登录页面，按如图方式登录：KGExplorer用戶开启方法以及详细使用说明请查看章节《KGExplorer使用文档》。点击登录后进入KGExplorer主页面。我们首先需要构建图名为"hello_world"的图。在主页面右上角点击创建图按钮开始图谱schema的构建。按照引导填写图基本信息后点击确定进入构建页面。在画布中，我们为"hello_world"图创建Boy和Girl两种类型的点，两种类型的点均包含name、salary、age、single四...

本章节的示例语句均可在示例图my_graph中执行，执行前请先创建示例图my_graph，建图语句如下:creategraphmy_graphwithschema(:Boy{namestring,salarydouble,ageint,singleboolean,birthdaylocaldatetime,reservelong,ratedecimal(38,10),hobbysarray<string>,geoPointgeo<double>})(:Girl{namestring,salarydouble,ageint,singleboolean,birthdaylocaldatetime,reservelong,ratedecimal(38,10),hobbysarray<string>,geoPointgeo<double>})[:Friend{sinceint}][:Likes{sinceint}]graphproperties:{`graph.shard.number`:3,`graph.replication.number`:...

类型表达式类型例子十进制型整数10,-213十进制小数1.25,3.604E-14,-2.31十进制型长整数199345843592l,-12381543923L任意精度的有符号十进制数123bd,123.31BD八进制整数(0开头)084,-096字符串"星环",'信息科技'布尔类型true,false,TRUE,FALSE数组类型[1，2，3],["星环","信息科技"],[decimal(10.2,3,1),decimal(100.2,3,2)],[localdatetime("2021-01-18T09:50:12.627"),localdatetime("2021-11-18T03:50:12.113")]时间类型localdatetime("2021-01-18T09:50:12.627")Decimal类型decimal(10.2,3,1)地理空间类型point(20.5,30.5),point(-20.5,-30.5)时序类型{localdatetime("2023-01-01T15:16:17")::"nice"},{localdatetime("1997-01-01...

索引是数据库中某些数据的冗余副本，目的是使查询性能更优。作为代价，数据库需要额外存储空间和较慢写入速度，因此决定哪些字段需要索引是一项重要且不易的任务。（新）StellarDB5.0.1版本不再对旧版本使用的manipulatecreate_index和manipulatedelete_index语法进行支持，在新版本中统一使用createindex和dropindex进行索引的创建和删除新增索引CREATEINDEX[IFNOTEXISTS]FOR(LabelName)ON[f1,f2,...];CREATEINDEX[IFNOTEXISTS]FOR[LabelName]ON[f1,f2,...];不支持对TIME_SERIES类型的属性创建索引默认情况下,对同一个Label的某个属性多次创建索引会报错;但如果带有IFNOTEXISTS,则不会抛出任何错误包裹点边LabelName的括号不同，注意区分示例1.在点labelperson的属性name和age上建立索引CREATEINDEXIFNOTEXISTSFOR(person)ON[name,age];示例2.在边labelask...

3.1在TDH平台安装StellarDB3.2StellarDB安装校验3.3StellarDB低版本升级至StellarDB5.0.1

通过beeline或JDBC时，设置参数configquery.langcypher;将查询语言切换为TEoC模式。根据使用场景选择查询模式（默认为immediate模式）immediate模式通常用于并发及短查询场景，查询结果和中间结果通常不超过百万。通过configcrux.execution.modeimmediate;切换。analysis模式通常用于分析场景，创建图、插入数据以及图算法相关的语句必须在该模式下进行。通过configcrux.execution.modeanalysis;切换。

为什么引入动态图模型？在实际应用过程中很容易可以发现，图数据在很多图数据的应用场景中并不是静态不变的，而是动态演进的，这些场景中包括例如金融反欺诈场景中金融交易网络随着时间的推进而发生的交易变化、交易社群变化等；又比如社交网络中新增用户、用户关注或者取消关注、更改账户信息等。将图数据变化的历史记录下来，不仅可以用于历史数据规律的总结，还可以利用动态图数据进行动态图神经网络相关技术的研究，从而进一步挖掘数据中潜在的数据价值和更加灵活高效的业务场景，譬如预测某一个时刻某一事件是否会发生。动态图模型的动态变化图数据的动态变化主要分为两类，一类是节点或边的属性的值的变化；另一类变化是子图（结构）的变化，如新增/删除点边。这两种图数据的动态变化可以单独发生，也可以同时发生。从图数据的属性变化角度来看，StellarDB5.0.1动态图模型可以记录图中节点或者边属性的所有历史版本（而非新数据覆盖旧数据）。在实际数据开发使用中，还可以结合诸如柱状图、趋势图等对历史数据进行可视化，更加直观、更加适合业务使用。从图数据的子图（结构）的角度来看，StellarDB5.0.1动态图模型还可以返回不同时间子图...