{“状态”：“确定”，“消息类型”：“工作”，“信息版本”：“1.0.0”，“邮件”：{“索引”：{“日期部分”：[[2024,3,11]]，“日期时间”：“2024-03-11T15:40:37Z”，“时间戳”：1710171637564}，“出版商位置”：“查姆”，“参考计数”：16，“出版者”：“斯普林格国际出版”，“isbn-type”：[{“值”：“97830348687”，“类型”：”打印“}，{“值”：“9783030348694”，“type”：“electronic”}]，“license”：[{“start”：{“date-parts”：[[2019,1,1]]，“date-time”：“2019-01-01T00:00:00Z”，“timestamp”：1546300800000}，“content-version”：“tdm”，“delay-in-days”：0，“URL”：“https:\\/www.springernature.com\/gp\/researters\/text-and-data-mining”}，“日期时间”：“2019-01-01T00:00:00Z”，“时间戳”：1546300800000｝，“内容版本”：“vor”，“延迟天数”：0，“URL”：“https:\/\/wspringernature.com\/gp\/researchers\/text and data mining”｝]，“内容域”：｛“域”：[“link.springer.com”]，“交叉标记限制”：false｝，“短容器标题”：[]，“已出版印刷品”：｛“日期部分”：[[2019]｝，“DOI”：“10.1007\/978-3-030-34869-4_26”，“类型”：“书籍章节”，“created”：｛“date parts”：[[2019,11,25]]，“date time”：“2019-11-25T0:02:57Z”，“timestamp”：1574640177000｝，“page”：“234-241”，“update policy”：“http:\/\/dx.doi.org/10.1007\/springer_crossmark_policy”，“source”：“Crossref”，“由count引用”：5，“title”：[“DaNSe:用于负荷预测的扩展因果卷积网络模型”]，“prefix”：“10.1007”，“作者”：[{“given”：“Kakuli”，“family”：“Mishra”，“sequence”：“first”，“affiliation”：[]}，{“给定”：“Srinka”，“家族”：“Basu”，“序列”：“additional”，“从属关系”：[]}，}“给定的”：“Ujwal”，“家庭”：“Maulik”，[2019,11,25]]}，“引用”：[{“键”：“26_CR1”，“非结构化”：“电力智能计量技术试验结果报告（2011）。https:\/\/www.ucd.ie\/t4cms\/Electronice%20Smart%20Metering%20Technology%20Trials%20Findings%20Report.pdf”}，{“key”：“26_CR2”，“doi-asserted-by”：“crossref”，“unstructured”：“Amarasinghe，K.，Marino，D.L.，Manic，M.：用于能源负荷预测的深度神经网络。摘自：2017 IEEE第26届工业电子国际研讨会（ISIE），第1483\u20131488页。IEEE（2017）“，“DOI”：“10.1109\/ISIE.2017.8001465”}，{“key”：“26_CR3”，“unstructured”：“Borovykh，A.，Bohte，S.，Oosterlee，C.W.：卷积神经网络条件时间序列预测。arXiv预印本arXiv:1703.04691（2017）”}10.1198 \/jasa.2011.tm09771“，”volume“：”106“，”author“：”AM De Livera“，”year“：”2011“，”unstructured“：”De Liversa，A.M.，Hyndman，R.J.，Snyder，R.D.：使用指数平滑法预测具有复杂季节模式的时间序列。《美国统计学会期刊》106（496），1513\u20131527（2011）“，”期刊标题“：”《美国统计协会期刊》“}，{”关键字“：”26_CR5“，”doi-asserted-by“：”publisher“，”首页“：”700“，”doi“：”10.1016\/J.apenergy.2018.12.004“，“卷”：“236”，“作者”：“C Fan”，“年份”：“2019”，“非结构化”：“Fan，C.，Wang，J.，Gang，W.，Li，S.：基于深度递归神经网络的短期建筑能源预测策略评估。申请。能源236700\u2013710（2019）“，“新闻标题”：“申请。能源“}，{“key”：“26_CR6”，“unstructured”：“预测中的计算智能：CIF 2016（2016）。http://\/irafm.osu.cz\/CIF\/main.php”}，}，“key“：”26_CR7“，”doi-asserted-by“：”crossref“，”unstructure“：”He，K.，Zhang，X.，Ren，S.，Sun，J.：图像识别的深度剩余学习。摘自：IEEE计算机视觉和模式识别会议论文集，第770\u2013778页（2016）“，“DOI”：“10.1109\/CVPR.2016.90”}，{“key”：“26_CR8”，“unstructured”：“Klambauer，G.，Unterthiner，T.，Mayr，A.，Hochreiter，S.：自规范化神经网络。摘自：神经信息处理系统进展，第971\u2013980页（2017）”}issue“：”1“，”key“：”26_CR9“，”doi-asserted-by“：”publisher“，”first page“：“1087”，”doi“：”10.1109\/TPWRS.2017.2688178“，“volume”：“33”，“author”：“W Kong”，“year”：“2018”，“unstructured”：“Kong，W.，Dong，Z.Y.，Hill，D.J.，Luo，F.，Xu，Y.：基于居民行为学习的短期住宅负荷预测。IEEE传输。电力系统。33（1），1087\u20131088（2018）“，“期刊标题”：“IEEE Trans。电力系统。“}，{”key“：”26_CR10“，”doi-asserted-by“：”publisher“，”first page“：“841”，”doi“：”10.1109\/TSG.2017.2753802“，“volume”：“10”，“author”：“W Kong”，“year”：“2017”，“unstructured”：“Kong，W.，Dong，Z.Y.，Jia，Y.，Hill，D.J.，Xu，Y.、Zhang，Y.：基于LSTM递归神经网络的短期居民负荷预测。IEEE传输。智能电网10，841\u2013851（2017）“，”期刊标题“：”IEEE Trans。Smart Grid“}，{“key”：“26_CR11”，“unstructured”：“Oord，A.V.D.，et al.：WaveNet:原始音频的生成模型。arXiv预印本arXiv:1609.03499（2016）”}，}，“key“：”26_CR12“，”unstructure“：”Papadopoulos，K.：Seriesnet：用于预测的扩展因果卷积神经网络。https:\/\/github.com\/kristpapadopoulos\/Seriesnet（2018）“}26_CR13“，”doi-asserted-by“：”publisher“，”first page“：”372“，”doi“：”10.1016\/j.apenergy.2017.12.051“，”volume“：“212”，”author“：”A Rahman“，”year“：”2018“，”unstructured“：”Rahman，A.，Srikumar，V.，Smith，A.D.：使用深度递归神经网络预测商业和住宅建筑的用电量。申请。能源212，372\u2013385（2018）“，“新闻标题”：“申请。Energy“}，{“issue”：“1”，“key”：“26_CR14”，“doi-asserted-by”：“publisher”，“first pages”：“3”，“doi”：“10.3390\/en10010003”，”volume“：“10”，“author”：“S Ryu”，“year”：“2016”，“unstructured”：“Ryu，S.，Noh，J.，Kim，H.：基于深度神经网络的需求侧短期负荷预测。Energies 10（1），3（2016）”，“journal title”：“Energies”}，}“ission”：“5”，“键”：26_CR15“，”doi-asserted-by“：”publisher“，”first page“：”5271“，”doi“：”10.1109\/TSG.2017.2686012“，”volume“：“9”，“author”：“H Shi”，“year”：“2018”，“unstructured”：“Shi，H.，Xu，M.，Li，R.：家庭负荷预测的深度学习——一种新的池化深度RNN。IEEE传输。智能电网9（5），5271\u20135280（2018）“，“期刊标题”：“IEEE Trans。智能电网“}，{“问题”：“12”，“关键”：“26_CR16”，“doi-asserted-by”：“出版商”，“首页”：“4099”，“doi”：“10.1007\/s00500-017-2624-5”，“卷”：“22”，“作者”：“张斌”，“年份”：“2018”，“非结构化”：“Zhang，B.，Wu，J.L.，Chang，P.C.：基于多时间序列的短期负荷预测递归神经网络。Soft.Comput.22（12），4099\u20134112（2018）“，”新闻标题“：”软。计算。“｝]，”容器标题“：[”计算机科学讲义“，”模式识别与机器智能“]，”原标题“：[]，”链接“：[｛”URL“：”https:\/\/link.springer.com\/content/pdf\/10.1007\/978-3-030-34869-4_26“，”内容类型“：”未指定“，”内容版本“：”vor“，”预期应用“：”相似性检查“｝]，”存放“：｛”date-parts“：[[2024,3,11]]，“date-time”：“2024-03-11T15:14:22Z”，“timestamp”：1710170062000}，“score”：1，“resource”：{“primary”：{“URL”：“https:\/\/link.springer.com\/10.1007\/978-3030-34869-4_26”}，”subtitle“：[]，”shorttitle“：[]，”issued“：{”date-part“：[2019]]}”，“ISBN”：[“9783030348687”，“9783030348694”]，“references-count”：16，“URL”：“http:\/\/dx.doi.org\/10.1007\/978-3030-34869-4_26“，”关系“：{}，”ISSN“：[”0302-9743“，”1611-3349“]，”ISSN-type“：[{”值“：”0302-7743“”，”类型“：”打印“}，{”数值“：”1611-33049“，”类型”：“电子”}]，”主题“：[]，”发布“：{”日期段“：[2019]]}，“断言”：[}2019年11月25日“，”订单“：1，”名称“：”first_online“，”标签“：”first online“，“group”：{“name“：”ChapterHistory“，”label“：”Chapter History”}}，{“value”：“PReMI”，“order”：1，“name”：“conference_acrombit”，“label”：“conference缩写”，“group”：{“name”:“ConferenceInfo”，“标签”：“会议信息”}}}group“：{”name“：”ConferenceInfo“，”label“：”会议信息“}}，{”value“：”Tezpur“，”order“：3，”name“:”Conference_city“，”table“：”conferency city“，”group“，“标签”：“会议信息“}}，{“value”：“2019”，“order”：5，“name”：“Conference_year”，“label”：“Conference_year”，”group“：{“name”:“ConferenceInfo”，“table”：“会议信息”}}2019年12月20日“，”order“：8，”name“：”conference_end_date“，”label“：”会议结束日期“，”group“：http://www.tezu.ernet.in\/~premi2019\/“，”order“：11，”name“：”conference_url“，”label“：”会议url“，”group“：同行评议信息（由会议组织者提供）“}}，{”value“：”EasyChair“，”order“：2，”name“：”conference_management_system“，”label“：”会议管理系统“，”group“：number_of_submissions_sent_for_review“，”label“：“发送供审阅的提交数”，“group”：{“name”：“ConfEventPeerReviewInformation”，“label”：“同行审阅信息（由会议组织者提供）”}}，{“value”：“131”，“order”：4，“name”:“number_ of_full_papers_accepted”ConfEventPeerReviewInformation“，”label“：”同行评审信息（由会议组织者提供）38%-该值由等式“接受的完整论文数”/“提交供审查的论文数*100”计算，然后四舍五入为整数。“，”order“：6，”name“：”acceptance_rate_of_full_papers“，”label“：”全文接受率“，”group“：ConfEventPeerReviewInformation“，”label“：”同行评议信息（由会议组织者提供）“}}，{“value”：“3”，“order”：8，“name”：“average_number_of_papers_per_reviewer”，“label”：“每个审阅者的平均论文数”，“group”：}，{“value”：“Yes”，“order”：9，“name”：“external_reviewers_involved”，“label”：“涉及的外部审阅者”，“group”：{“name”:“ConfEventPeerReviewInformation”，“table”：“同侪审阅信息（由会议组织者提供）”}}，{