SlideShare ist ein Scribd-Unternehmen logo
1 von 41
Ανάπτυξη Πολυπρακτορικού Συστήματος
Εμπιστοσύνης και Φήμης για την Αξιολόγηση
και Επιλογή Παρόχου Ηλεκτρικής Ενέργειας
Μακέδας Θεμιστοκλής
Επιβλέπων: Καθηγητής Περικλής Α. Μήτκας
Τμήμα Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών
Περιεχόμενα
1. Εισαγωγή
2. Μεθοδολογία – Υλοποίηση
3. Πειράματα Επαλήθευσης
4. Πειράματα Ελέγχου Εύρους Τιμών της Λογικής Παραμέτρου
5. Πείραμα με Πραγματικά Δεδομένα
6. Συμπεράσματα και Μελλοντικές Επεκτάσεις
2
1. Εισαγωγή
2. Μεθοδολογία – Υλοποίηση
3. Πειράματα Επαλήθευσης
4. Πειράματα Ελέγχου Εύρους Τιμών της Λογικής Παραμέτρου
5. Πείραμα με Πραγματικά Δεδομένα
6. Συμπεράσματα και Μελλοντικές Επεκτάσεις
3
Η εξέλιξη της Αγοράς
Ηλεκτρικής Ενέργειας
4
Απελευθέρωση της Αγοράς Ηλεκτρικής
Ενέργειας
Εξέλιξη των Πληροφοριακών Συστημάτων
Δημιουργία Ευφυούς Δικτύου
Είσοδος Μεσαζόντων στη διαδικασία
Εμπορίας Ηλεκτρικής Ενέργειας
Αύξηση του Ανταγωνισμού
Το Πρόβλημα
• Ύπαρξη πολλών υποψήφιων μεσαζόντων Ηλεκτρικής
Ενέργειας, με τους οποίους μπορεί να συνάψει
συνεργασία ένας Οικιακός Καταναλωτής.
5
Άγνοια για το επίπεδο υπηρεσιών
που μπορεί να του προσφέρει ο
κάθε μεσάζοντας.
Στόχος
Σχεδίαση μιας Πλατφόρμας που να προσομοιώνει μία
σύγχρονη Αγορά Ηλεκτρικής Ενέργειας και στην οποία
οι Πράκτορες-Καταναλωτές:
• Συμβάλλονται με Πράκτορες-Μεσάζοντες.
• Αξιολογούν το επίπεδο υπηρεσιών που τους προσφέρουν.
• Αναζητούν τη σύναψη μιας νέας συνεργασίας που θα
ικανοποιήσει σε μεγαλύτερο βαθμό τις απαιτήσεις τους.
6
7
1. Εισαγωγή
2. Μεθοδολογία – Υλοποίηση
3. Πειράματα Επαλήθευσης
4. Πειράματα Ελέγχου Εύρους Τιμών της Λογικής Παραμέτρου
5. Πείραμα με Πραγματικά Δεδομένα
6. Συμπεράσματα και Μελλοντικές Επεκτάσεις
Βήματα για την πραγματοποίηση μιας
προσομοίωσης
8
Διαμόρφωση του
Περιβάλλοντος της
Προσομοίωσης
Εκκίνηση της
διαδικασίας
Τυχαία Επιλογή
Πράκτορα–
Μεσάζοντα από
τους Πράκτορες–
Καταναλωτές
Αξιολόγηση των
Παρεχόμενων
Υπηρεσιών
Αναζήτηση
μιας νέας
Συνεργασίας
Οι Γενικές Μεταβλητές του
Συστήματος
• Χρόνος προσομοίωσης
• Αριθμός Πρακτόρων–Μεσαζόντων
• Αριθμός Πρακτόρων–Καταναλωτών
• Τιμολόγηση
• Χρέωση
• Επικοινωνία
• Εξυπηρέτηση
• Λογική Παράμετρος
• Κατώτερη τιμή της Παραμέτρου
Προθυμίας/Απροθυμίας
• Μέγιστη τιμή της Παραμέτρου
Προθυμίας/Απροθυμίας
• Μέγιστη τιμή του βάρους της
Παραμέτρου Προθυμίας/Απροθυμίας
9
Ο Πράκτορας–Μεσάζοντας
• Οι επιδόσεις του σε κάθε χαρακτηριστικό που
εξετάζεται
• Γενική βαθμολογία
• Αναλυτικές βαθμολογίες από τους
Πράκτορες–Καταναλωτές
• Συνολικά έσοδα (σε €)
• Αριθμός πελατών
10
Ο Πράκτορας–Καταναλωτής
• Επιθυμητές επιδόσεις
• Προτιμήσεις
• Γενικές βαθμολογίες στους
Πράκτορες–Μεσάζοντες
• Αναλυτικές βαθμολογίες στους
Πράκτορες –Μεσάζοντες
• Συσχετίσεις με τους άλλους
Πράκτορες–Καταναλωτές
• Ταυτότητα (id) του Πράκτορα–
Μεσάζοντα με τον οποίο συνεργάζεται
• Αναζήτηση νέας συνεργασίας
• Βάρη της προσωπικής άποψης και
των συμβουλών που δέχεται
• Τύπος καταναλωτή
• Παράμετρος Προθυμίας/Απροθυμίας
• Βάρος της Παραμέτρου
Προθυμίας/Απροθυμίας
11
Αρχική Επιλογή και Αξιολόγηση των Μεσαζόντων
από τους Καταναλωτές
12
Εκκίνηση
Προσομοίωσης
Τυχαία Επιλογή Μεσάζοντα
Αρχικά δεν έχουν
γίνει συνεργασίες
Ίσο αριθμό
Καταναλωτών έχουν
όλοι οι Μεσάζοντες
Μετά από κάποιο
Χρονικό Διάστημα
Αξιολόγηση ΜεσαζόντωνΑπαιτήσεις των
Καταναλωτών και
Επιδόσεις των
Μεσαζόντων
Βαθμολογία σε
κλίμακα 1-5
Διαδικασία Αναζήτησης Καλύτερου Μεσάζοντα
• Αρχικά, ο Καταναλωτής υπολογίζει μία τιμή χρησιμότητας για κάθε Μεσάζοντα, με βάση
τις προσωπικές εμπειρίες του, η οποία δίνεται από τη σχέση:
• Στη συνέχεια συμβουλεύεται τους υπόλοιπους Καταναλωτές κι υπολογίζει μία νέα τιμή
χρησιμότητας για κάθε Μεσάζοντα, που δίνεται από την παρακάτω σχέση:
• Τέλος, ορίζει την τελική τιμή χρησιμότητας κάθε Μεσάζοντα από τη σχέση:
13
𝑝𝑒𝑟𝑠𝑜𝑛𝑎𝑙_𝑢𝑡𝑖𝑙𝑖𝑡𝑦𝑖 =
𝑗=1
𝑝𝑎𝑟𝑎𝑚𝑒𝑡𝑒𝑟𝑠
𝑐𝑜𝑛𝑠𝑢𝑚𝑒𝑟_𝑝𝑟𝑒𝑓𝑗 ∗ 𝑐𝑜𝑛𝑠𝑢𝑚𝑒𝑟_𝑟𝑎𝑡𝑖𝑛𝑔𝑠𝑖𝑗
𝑜𝑡ℎ𝑒𝑟𝑠_𝑢𝑡𝑖𝑙𝑖𝑡𝑦𝑖 =
𝑘=1
𝑛𝑢𝑚𝑏𝑒𝑟_𝑜𝑓_𝑐𝑜𝑛𝑠𝑢𝑚𝑒𝑟𝑠
𝑗=1
𝑝𝑎𝑟𝑎𝑚𝑒𝑡𝑒𝑟𝑠
𝑐𝑜𝑛𝑠𝑢𝑚𝑒𝑟_𝑟𝑒𝑙𝑎𝑡𝑖𝑜𝑛𝑠 𝑘 × (𝑐𝑜𝑛𝑠𝑢𝑚𝑒𝑟_𝑝𝑟𝑒𝑓𝑗 + 𝑐𝑜𝑛𝑠𝑢𝑚𝑒𝑟_𝑟𝑎𝑡𝑖𝑛𝑔𝑠𝑖𝑘𝑗)
𝑢𝑡𝑖𝑙𝑖𝑡𝑦𝑖 = 𝑤1 ∗ 𝑝𝑒𝑟𝑠𝑜𝑛𝑎𝑙_𝑢𝑡𝑖𝑙𝑖𝑡𝑦𝑖 + 𝑤2 ∗ 𝑜𝑡ℎ𝑒𝑟𝑠_𝑢𝑡𝑖𝑙𝑖𝑡𝑦𝑖
Διαδικασία Αναζήτησης Καλύτερου Μεσάζοντα
• Το επόμενο βήμα της διαδικασίας είναι να εξετάσει την παράμετρο Προθυμίας/Απροθυμίας
του Καταναλωτή και να επηρεάσει την τιμή χρησιμότητας (utility) κάθε Μεσάζοντα.
14
𝑃𝑖 =
𝑒 𝑙𝑜𝑔𝑖𝑐_𝑝𝑎𝑟𝑎𝑚 ∗ 𝑢𝑡𝑖𝑙𝑖𝑡𝑦 𝑖
𝑡∈𝑁 𝑒 𝑙𝑜𝑔𝑖𝑐_𝑝𝑎𝑟𝑎𝑚 ∗ 𝑢𝑡𝑖𝑙𝑖𝑡𝑦𝑡
∙ 100
• Τέλος, ο Καταναλωτής αντιστοιχίζει μία πιθανότητα επιλογής σε κάθε Μεσάζοντα, ώστε να
επιλέξει αυτόν με τον οποίο θα συνεργαστεί.
Inconvenience < 0 Πρόθυμος
Μειώνεται το utility του τωρινού Μεσάζοντα
Διατηρείται σταθερό των υπολοίπων
Inconvenience > 0 Απρόθυμος
Μειώνεται το utility των υπολοίπων Μεσαζόντων
Διατηρείται σταθερό του τωρινού Μεσάζοντα
15
1. Εισαγωγή
2. Μεθοδολογία – Υλοποίηση
3. Πειράματα Επαλήθευσης
4. Πειράματα Ελέγχου Εύρους Τιμών της Λογικής Παραμέτρου
5. Πείραμα με Πραγματικά Δεδομένα
6. Συμπεράσματα και Μελλοντικές Επεκτάσεις
Πρώτο Πείραμα
• Στο πείραμα αυτό, θέλουμε να επιβεβαιώσουμε την ορθή λειτουργία του
μοντέλου, όταν συμμετέχουν λίγοι Πράκτορες–Μεσάζοντες και Πράκτορες–
Καταναλωτές στη διαδικασία.
• Για να εξετάσουμε την επιρροή της Λογικής Παραμέτρου, εισάγουμε τις
παρακάτω τιμές στις γενικές μεταβλητές της υλοποίησης.
• Οι επιδόσεις των Πρακτόρων-μεσαζόντων που δημιουργήθηκαν είναι:
16
Μεσάζοντας 1 [3 2 2 1]
Μεσάζοντας 2 [4 2 3 3]
Μεσάζοντας 3 [5 4 4 5]
Μεσάζοντας 4 [1 1 5 3]
Αποτελέσματα Αξιολόγησης της Λογικής
Παραμέτρου
17
Μέσο μερίδιο αγοράς (%)
Logic_param Μεσάζοντας 1 Μεσάζοντας 2 Μεσάζοντας 3 Μεσάζοντας 4
0 18 26 30 26
1 18 24 33 25
2 13 28 36 23
4 10 29 39 22
6 5 31 44 20
8 5 26 51 18
10 3 25 56 16
12 3 25 58 14
14 3 20 63 14
16 2 21 64 13
18 1 19 68 12
20 1 15 73 11
24 1 10 80 9
28 0 9 83 8
32 0 10 81 9
36 0 6 88 6
40 0 6 90 4
45 0 5 93 2
50 0 4 94 2
60 0 2 96 2
70 0 2 96 2
80 0 1 98 1
90 0 1 98 1
100 0 1 98 1
200 0 1 99 0
Καταναλωτής 39:
Expected_performance: [2 1 1 2]
Weights: [0.96 0.04]
Συνοπτικά Αποτελέσματα
18
Αποτελέσματα Αξιολόγηση της Παραμέτρου
Προθυμίας/Απροθυμίας
Μέσο μερίδιο αγοράς (%)
Inconvenience Μεσάζοντας 1 Μεσάζοντας 2 Μεσάζοντας 3 Μεσάζοντας 4
-0.5 1 33 54 12
-0.45 1 33 54 12
-0.4 1 33 54 12
-0.35 1 33 54 12
-0.3 1 33 54 12
-0.25 1 33 54 12
-0.2 1 33 54 12
-0.15 1 34 52 13
-0.1 1 25 65 9
-0.05 0 12 82 6
0 0 1 98 1
0.05 0 3 96 1
0.1 2 14 83 1
0.15 10 21 63 6
0.2 15 24 44 17
0.25 20 25 32 23
0.3 25 25 25 25
0.35 25 25 25 25
0.4 25 25 25 25
0.45 25 25 25 25
0.5 25 25 25 25
19
Δεύτερο Πείραμα
• Αυξάνουμε τους Πράκτορες–Μεσάζοντες και Πράκτορες–Καταναλωτές που θα
συμμετέχουν στην προσομοίωση.
• Οι επιδόσεις των Πρακτόρων–Μεσαζόντων που δημιουργήθηκαν είναι:
20
Μεσάζοντας 1 [5 5 3 3]
Μεσάζοντας 2 [2 1 4 1]
Μεσάζοντας 3 [1 5 3 1]
Μεσάζοντας 4 [4 1 3 1]
Μεσάζοντας 5 [5 3 5 3]
Μεσάζοντας 6 [2 5 4 3]
Μεσάζοντας 7 [3 1 5 1]
Μεσάζοντας 8 [5 1 1 3]
Μεσάζοντας 9 [3 2 2 1]
Μεσάζοντας 10 [1 1 5 2]
Αποτελέσματα Αξιολόγησης της Λογικής
Παραμέτρου
21
Μέσο μερίδιο αγοράς (%)
L_pa Μεσ 1 Μεσ 2 Μεσ 3 Μεσ 4 Μεσ 5 Μεσ 6 Μεσ 7 Μεσ 8 Μεσ 9 Μεσ 10
0 10 10 8 10 13.3 10.3 9.4 7 9.3 12.7
1 11 9.3 7.7 9.7 14 12.7 7.3 8 8.6 11.7
2 12 8 8 10.3 14.7 13 6.7 7.3 9 11
4 13 8.3 6.7 9.3 17 13.3 6.4 7 8.7 10.3
6 13.7 8 7.7 8 17.3 14.3 6.4 7 7.3 10.3
8 14.3 8 7.3 8.3 18 14.7 6.4 5.7 9.3 8
10 15.6 7 6.7 8 19.6 15 5.7 5.7 9 7.7
12 17 6.3 6.7 7.7 21 15.6 4.7 7.7 6 7.3
14 19.3 4 6.3 6 24.3 15 5.7 7 5.7 6.7
16 20 3.3 5.7 7.3 22.4 15.3 6 7 8 5
18 19.7 4.3 4.7 6 25.3 17 7 5 6.7 4.3
20 21.3 2.7 5.7 5.3 26.7 16.7 7 6.3 5 3.3
24 22 2.3 5 4 31 16.7 5.3 5.7 6 2
28 23 1.3 5.3 3.7 31.7 18.3 6 5 3 2.7
32 23.7 2 4.7 2.3 35.4 18.3 5.3 3.7 3.3 1.3
36 24.7 2.3 2.3 3 36.3 19.7 5.7 2.7 2 1.3
40 26.7 2 2.3 2.3 37.3 20.4 2 4 1.7 1.3
45 27 1.4 2.3 2.3 38.3 21.7 0.7 3.3 2 1
50 27 2 3.3 1.3 40 20.7 2.7 1.7 1 0.3
60 26.7 0.3 5.3 1 41 20.3 1.3 2.7 0.7 0.7
70 27 1.7 1.3 0.3 44.7 20.3 2 1.7 0.7 0.3
80 30.7 0 4.3 0.3 33.7 27 0.6 2 0.7 0.7
90 31.4 0 3.3 0 35 27.7 0.3 1.3 0.3 0.7
100 25.4 0 0.7 0 50.7 21.3 0.3 1 0.3 0.3
200 31 0 0 0 38.7 29.3 0 1 0 0
Αποτελέσματα Αξιολόγηση της Παραμέτρου
Προθυμίας/Απροθυμίας
22
Μέσο μερίδιο αγοράς (%)
Inco Μεσ 1 Μεσ 2 Μεσ 3 Μεσ 4 Μεσ 5 Μεσ 6 Μεσ 7 Μεσ 8 Μεσ 9 Μεσ 10
-0.5 32 0 2 0 38 22.3 2.7 2 0.3 0.7
-0.45 32 0 2 0 38 22.3 2.7 2 0.3 0.7
-0.4 32 0 2 0 38 22.3 2.7 2 0.3 0.7
-0.35 32 0 2 0 38 22.3 2.7 2 0.3 0.7
-0.3 32 0 2 0 38 22.3 2.7 2 0.3 0.7
-0.25 32 0 2 0 38 22.3 2.7 2 0.3 0.7
-0.2 32 0 2 0 38 22.3 2.7 2 0.3 0.7
-0.15 32 0 2 0 38 22.3 2.7 2 0.3 0.7
-0.1 32.7 0 2 0 37.3 22.3 2.3 2.4 0.3 0.7
-0.05 32.3 0 1 0 36.7 24 2.3 1.7 1 1
0 31.4 0 3.3 0 35 27.7 0.3 1.3 0.3 0.7
0.05 43 0 1 0 38 14.3 0.3 1.7 0 1.7
0.1 38.7 1 2.7 1.7 32.3 14.7 2.3 3 1.3 2.3
0.15 26 3.3 6.7 5.3 23 13.7 6.6 4.7 6 4.7
0.2 20.3 6.3 8 7 16.7 11.7 8 6 8.3 7.7
0.25 13.7 9 9 9 11.3 10 9.4 9.3 9.3 10
0.3 11 9.7 10 9.7 10 10 10 9.6 9.7 10.3
0.35 10.3 9.7 10 10 10 10 10 10 10 10
0.4 10 10 10 10 10 10 10 10 10 10
0.45 10 10 10 10 10 10 10 10 10 10
0.5 10 10 10 10 10 10 10 10 10 10
23
1. Εισαγωγή
2. Μεθοδολογία – Υλοποίηση
3. Πειράματα Επαλήθευσης
4. Πειράματα Ελέγχου Εύρους Τιμών της Λογικής Παραμέτρου
5. Πείραμα με Πραγματικά Δεδομένα
6. Συμπεράσματα και Μελλοντικές Επεκτάσεις
Τρίτο Πείραμα
• Στο συγκεκριμένο πείραμα θέλουμε να εξετάσουμε το εύρος τιμών της
Λογικής Παραμέτρου, ανάλογα με τον αριθμό των Πρακτόρων–Μεσαζόντων
και την Παράμετρο Προθυμίας/Απροθυμίας.
• Θα εκτελεστούν τρία σετ πειραμάτων για μικρό, μεσαίο και μεγάλο αριθμό
Πρακτόρων–Μεσαζόντων (4, 7 και 10).
• Σε κάθε σετ, η Παράμετρος Προθυμίας/Απροθυμίας θα παίρνει 4
διαφορετικές τιμές (0, 0.1, 0.25, 0.5).
• Επειδή εξετάζεται η συμπεριφορά μόνο του πρώτου Καταναλωτή σε κάθε σετ
πειραμάτων, θα εκτελεστούν 10 διαφορετικές προσομοιώσεις (με χρήση της
εντολής random-seed), από τις οποίες θα πάρουμε τους Μέσους Όρους των
Πιθανοτήτων που θα προκύψουν κάθε φορά.
24
Μικρό Δείγμα
25
Πίνακας πιθανοτήτων με Inconvenience = 0
L_p Sd 5 Sd 7 Sd 10 Sd 17 Sd 22 Sd 25 Sd 32 Sd 34 Sd 42 Sd 50 ΜΟ
0 25 25 25 25 25 25 25 25 25 25 25
1 28 26 25 26 26 26 26 26 26 27 26.2
2 31 27 26 26 28 26 28 27 26 29 27.4
4 38 28 27 27 30 27 30 29 27 34 29.7
6 44 30 27 28 33 27 33 31 28 38 31.9
8 51 31 28 30 35 28 36 33 28 43 34.3
10 57 33 28 31 37 29 39 35 30 48 36.7
14 67 36 30 33 42 31 45 39 30 59 41.2
18 76 39 32 36 45 33 51 43 31 68 45.4
20 79 41 32 37 47 33 53 46 31 72 47.1
25 86 45 35 41 51 35 61 51 34 81 52
30 91 48 37 44 54 38 67 56 35 88 55.8
35 94 52 38 48 56 40 73 61 38 92 59.2
40 96 55 40 51 58 42 78 65 39 95 61.9
50 98 61 45 58 62 46 85 73 41 98 66.7
60 99 66 48 65 65 50 91 79 42 99 70.4
70 100 70 51 71 67 54 94 84 45 100 73.6
100 100 80 63 84 74 65 98 93 50 100 80.7
150 100 90 77 95 82 78 100 98 55 100 87.5
200 100 95 85 98 89 88 100 100 59 100 91.4
Πίνακας πιθανοτήτων με Inconvenience = 0.1
L_p Sd 5 Sd 7 Sd 10 Sd 17 Sd 22 Sd 25 Sd 32 Sd 34 Sd 42 Sd 50 ΜΟ
0 25 25 25 25 25 25 25 25 25 25 25
1 27 27 27 28 28 27 28 28 27 26 27.3
2 30 30 28 30 32 30 32 31 29 28 30
4 35 35 32 36 39 35 39 38 33 30 35.2
6 41 41 35 42 47 41 47 45 38 33 41
8 46 46 39 48 54 47 55 52 43 36 46.6
10 52 52 43 55 62 53 63 59 48 38 52.5
14 63 63 51 67 74 64 77 72 57 43 63.1
18 72 72 59 77 83 74 86 82 66 48 71.9
20 76 76 63 82 87 79 89 86 70 50 75.8
25 84 84 72 89 93 87 95 93 79 55 83.1
30 90 90 79 94 96 92 98 96 86 58 87.9
35 93 94 85 97 98 96 99 98 90 62 91.2
40 96 96 90 98 99 98 99 99 94 64 93.3
50 98 98 95 100 100 99 100 100 97 69 95.6
60 99 99 98 100 100 100 100 100 99 73 96.8
70 100 100 99 100 100 100 100 100 100 76 97.5
100 100 100 100 100 100 100 100 100 100 84 98.4
150 100 100 100 100 100 100 100 100 100 92 99.2
200 100 100 100 100 100 100 100 100 100 97 99.7
Πίνακας πιθανοτήτων με Inconvenience = 0.25
L_p Sd 5 Sd 7 Sd 10 Sd 17 Sd 22 Sd 25 Sd 32 Sd 34 Sd 42 Sd 50 ΜΟ
0 25 25 25 25 25 25 25 25 25 25 25
1 27 30 30 31 31 30 31 31 30 29 30
2 28 36 35 37 39 36 38 38 36 33 35.6
4 31 50 46 50 54 50 54 52 48 42 47.7
6 34 63 57 64 68 63 69 67 60 51 59.6
8 37 74 68 76 80 74 80 78 71 60 69.8
10 39 83 77 84 88 83 88 87 80 68 77.7
14 44 93 90 94 96 94 96 96 92 81 87.6
18 47 97 96 98 99 98 99 99 97 89 91.9
20 49 98 97 99 99 99 99 99 98 92 92.9
25 52 100 99 100 100 100 100 100 99 96 94.6
30 54 100 100 100 100 100 100 100 100 98 95.2
35 56 100 100 100 100 100 100 100 100 99 95.5
40 58 100 100 100 100 100 100 100 100 99 95.7
50 60 100 100 100 100 100 100 100 100 100 96
60 63 100 100 100 100 100 100 100 100 100 96.3
70 65 100 100 100 100 100 100 100 100 100 96.5
100 71 100 100 100 100 100 100 100 100 100 97.1
Πίνακας πιθανοτήτων με Inconvenience = 0.5
L_p Sd 5 Sd 7 Sd 10 Sd 17 Sd 22 Sd 25 Sd 32 Sd 34 Sd 42 Sd 50 ΜΟ
0 25 25 25 25 25 25 25 25 25 25 25
1 32 36 35 36 37 36 37 37 36 34 35.6
2 39 49 47 49 51 49 51 50 48 45 47.8
4 55 73 70 73 76 73 76 75 71 66 70.8
6 70 88 86 89 91 88 91 90 87 83 86.3
8 81 95 94 96 97 96 97 96 95 92 93.9
10 89 98 98 99 99 98 99 99 98 96 97.3
14 96 100 100 100 100 100 100 100 100 99 99.5
18 99 100 100 100 100 100 100 100 100 100 99.5
20 99 100 100 100 100 100 100 100 100 100 99.9
25 100 100 100 100 100 100 100 100 100 100 100
Μεσαίο Δείγμα
26
Πίνακας πιθανοτήτων με Inconvenience = 0
L_p Sd 5 Sd 7 Sd 10 Sd 17 Sd 22 Sd 25 Sd 32 Sd 34 Sd 42 Sd 50 ΜΟ
0 16 16 16 16 16 16 16 16 16 16 16
1 15 15 15 15 15 15 15 15 15 15 15
2 16 16 15 15 16 16 16 15 16 16 15.7
4 19 18 16 16 19 19 18 16 18 18 17.7
6 21 19 18 17 21 21 20 17 19 21 19.4
8 23 21 20 18 23 24 22 18 20 23 21.2
10 26 23 20 19 25 27 25 20 22 26 23.3
14 31 27 24 22 29 32 29 22 26 32 27.4
18 36 30 26 24 33 38 35 24 28 37 31.1
20 38 32 29 25 35 41 37 25 29 40 33.1
25 45 37 31 29 40 49 44 28 33 48 38.4
30 51 42 35 32 44 56 51 31 35 55 43.2
35 57 47 38 35 48 63 57 35 36 62 47.8
40 63 51 40 39 52 69 63 38 38 68 52.1
50 72 59 47 46 59 79 73 43 40 78 59.6
60 80 66 51 54 66 86 81 49 42 85 66
70 85 73 56 60 71 91 87 54 43 90 71
100 95 86 68 78 82 98 96 66 46 97 81.2
150 99 96 81 93 92 100 99 81 48 100 88.9
Πίνακας πιθανοτήτων με Inconvenience = 0.1
L_p Sd 5 Sd 7 Sd 10 Sd 17 Sd 22 Sd 25 Sd 32 Sd 34 Sd 42 Sd 50 ΜΟ
0 16 16 16 16 16 16 16 16 16 16 16
1 15 15 16 15 15 15 15 16 15 17 15.4
2 16 15 16 17 16 16 16 18 16 19 16.5
4 18 17 18 19 18 19 17 22 18 25 19.1
6 19 18 20 22 20 21 19 26 20 32 21.7
8 21 19 22 26 22 23 21 31 21 40 24.6
10 22 20 24 29 24 26 22 36 23 49 27.5
14 25 23 29 37 28 31 26 48 27 65 33.9
18 28 25 34 45 32 35 29 60 30 78 39.6
20 29 27 36 49 34 38 31 65 32 83 42.4
25 32 30 42 59 39 43 35 77 36 92 48.5
30 35 33 48 69 43 48 38 85 40 96 53.5
35 37 36 54 76 48 52 41 91 43 98 57.6
40 39 39 60 83 52 56 44 94 47 99 61.3
50 43 45 70 91 59 63 49 98 53 100 67.1
60 46 50 78 96 66 68 53 99 59 100 71.5
70 48 55 84 98 71 73 56 100 65 100 75
100 51 69 94 100 82 82 62 100 79 100 81.9
150 54 83 99 100 92 91 69 100 92 100 88
Πίνακας πιθανοτήτων με Inconvenience = 0.25
L_p Sd 5 Sd 7 Sd 10 Sd 17 Sd 22 Sd 25 Sd 32 Sd 34 Sd 42 Sd 50 ΜΟ
0 16 16 16 16 16 16 16 16 16 16 16
1 17 17 17 18 16 17 17 18 17 19 17.3
2 20 19 21 21 17 21 20 22 20 24 20.5
4 28 25 28 30 20 30 28 33 28 38 28.8
6 37 33 38 41 23 40 37 46 37 54 38.6
8 46 41 48 53 26 50 46 60 47 69 48.6
10 56 49 59 65 29 61 56 72 58 81 58.6
14 73 66 77 83 37 78 74 88 75 94 74.5
18 85 79 88 92 44 89 86 96 87 98 84.4
20 89 84 92 95 48 92 90 97 90 99 87.6
25 95 92 97 98 57 97 96 99 96 100 92.7
30 98 96 99 99 65 99 98 100 98 100 95.2
35 99 98 100 100 72 100 99 100 99 100 96.7
40 100 99 100 100 78 100 100 100 100 100 97.7
50 100 100 100 100 87 100 100 100 100 100 98.7
60 100 100 100 100 92 100 100 100 100 100 99.2
70 100 100 100 100 95 100 100 100 100 100 99.5
100 100 100 100 100 99 100 100 100 100 100 99.9
Πίνακας πιθανοτήτων με Inconvenience = 0.5
L_p Sd 5 Sd 7 Sd 10 Sd 17 Sd 22 Sd 25 Sd 32 Sd 34 Sd 42 Sd 50 ΜΟ
0 16 16 16 16 16 16 16 16 16 16 16
1 21 20 21 21 19 21 21 22 21 23 21
2 30 28 30 31 25 30 29 32 30 35 30
4 51 48 52 54 40 53 51 58 52 63 52.2
6 72 69 73 76 57 75 72 80 73 84 73.1
8 86 84 87 89 72 88 86 92 87 94 86.5
10 94 92 95 96 84 95 94 97 94 98 93.9
14 99 98 99 99 95 99 99 100 99 100 98.7
18 100 100 100 100 99 100 100 100 100 100 99.9
20 100 100 100 100 99 100 100 100 100 100 99.9
25 100 100 100 100 100 100 100 100 100 100 100
Μεγάλο Δείγμα
27
Πίνακας πιθανοτήτων με Inconvenience = 0
L_p Sd 5 Sd 7 Sd 10 Sd 17 Sd 22 Sd 25 Sd 32 Sd 34 Sd 42 Sd 50 ΜΟ
0 10 10 10 10 10 10 10 10 10 10 10
1 11 11 11 11 11 11 11 11 11 11 11
2 11 11 11 11 12 12 12 11 11 11 11.3
4 13 12 12 13 13 15 14 13 12 13 13
6 14 13 12 14 15 16 16 15 13 15 14.3
8 15 13 13 15 17 16 18 17 14 16 15.4
10 17 16 14 17 19 19 20 18 15 18 17.3
14 20 18 15 20 23 20 24 22 17 22 20.1
18 23 20 17 24 27 24 28 26 19 26 23.4
20 25 21 18 26 29 25 31 28 20 28 25.1
25 28 25 20 31 35 29 35 33 23 34 29.3
30 31 28 21 36 40 31 40 38 25 39 32.9
35 34 31 23 41 44 34 44 42 28 44 36.5
40 36 34 25 46 49 35 47 45 30 49 39.6
50 40 40 28 55 58 38 52 52 35 58 45.6
60 43 45 31 64 66 42 55 57 39 66 50.8
70 46 51 34 71 72 44 58 61 42 72 55.1
100 52 66 42 86 86 50 64 70 51 84 65.1
150 60 82 55 96 96 60 71 81 63 94 75.8
200 67 91 65 99 99 68 77 87 72 98 82.3
300 77 98 81 100 100 80 85 95 85 100 90.1
Πίνακας πιθανοτήτων με Inconvenience = 0.1
L_p Sd 5 Sd 7 Sd 10 Sd 17 Sd 22 Sd 25 Sd 32 Sd 34 Sd 42 Sd 50 ΜΟ
0 10 10 10 10 10 10 10 10 10 10 10
1 12 11 12 11 11 11 11 11 11 11 11.2
2 15 13 11 12 12 13 12 11 13 12 12.4
4 18 15 11 14 13 13 13 13 17 14 14.1
6 23 18 12 16 15 16 15 14 21 16 16.6
8 29 21 12 21 17 17 17 15 26 19 19.4
10 36 25 13 22 19 19 19 17 31 21 22.2
14 50 33 14 28 23 21 23 20 43 26 28.1
18 68 41 15 35 26 24 27 23 56 32 34.7
20 71 46 15 39 28 24 29 24 62 35 37.3
25 83 57 17 48 32 28 34 27 75 42 44.3
30 90 67 18 56 36 31 38 31 84 49 50
35 95 75 20 64 40 35 42 34 90 55 55
40 97 82 20 71 43 35 46 37 94 61 58.6
50 99 91 22 81 50 38 51 42 98 71 64.3
60 100 95 24 88 56 42 55 47 99 78 68.4
70 100 98 26 93 61 44 58 51 100 84 71.5
100 100 100 32 98 72 50 64 62 100 93 77.1
150 100 100 40 100 83 60 71 75 100 98 82.7
200 100 100 48 100 90 68 77 84 100 100 86.7
Πίνακας πιθανοτήτων με Inconvenience = 0.25
L_p Sd 5 Sd 7 Sd 10 Sd 17 Sd 22 Sd 25 Sd 32 Sd 34 Sd 42 Sd 50 ΜΟ
0 10 10 10 10 10 10 10 10 10 10 10
1 13 13 12 12 12 11 11 12 13 12 12.1
2 17 16 16 15 15 12 13 14 17 15 15
4 28 24 18 23 22 13 16 20 27 23 21.4
6 42 35 24 33 31 14 20 26 39 37 30.1
8 58 47 31 44 41 16 25 34 53 49 39.8
10 71 59 39 56 51 17 30 43 67 54 48.7
14 89 80 56 76 70 20 40 60 86 75 65.2
18 86 91 71 89 84 23 54 75 95 87 75.5
20 98 94 77 93 89 24 57 81 97 91 80.1
25 100 98 89 98 95 27 68 91 99 97 86.2
30 100 99 95 99 98 30 78 96 100 99 89.4
35 100 100 98 100 99 33 84 98 100 100 91.2
40 100 100 99 100 100 35 89 99 100 100 92.2
50 100 100 100 100 100 40 95 100 100 100 93.5
60 100 100 100 100 100 45 98 100 100 100 94.3
70 100 100 100 100 100 49 99 100 100 100 94.8
100 100 100 100 100 100 61 100 100 100 100 96.1
Πίνακας πιθανοτήτων με Inconvenience = 0.5
L_p Sd 5 Sd 7 Sd 10 Sd 17 Sd 22 Sd 25 Sd 32 Sd 34 Sd 42 Sd 50 ΜΟ
0 10 10 10 10 10 10 10 10 10 10 10
1 16 16 15 15 15 13 14 15 16 15 15
2 26 24 21 23 23 18 20 21 25 23 22.4
4 52 46 38 45 44 29 35 40 50 44 42.3
6 77 70 59 69 67 43 53 61 74 68 64.1
8 91 87 77 85 84 58 78 79 89 85 81.3
10 97 95 89 94 93 72 84 90 96 94 90.4
14 100 99 98 99 99 89 96 98 100 99 97.7
18 100 100 100 100 100 96 99 100 100 100 99.5
20 100 100 100 100 100 98 99 100 100 100 99.7
25 100 100 100 100 100 99 100 100 100 100 99.9
30 100 100 100 100 100 100 100 100 100 100 100
28
1. Εισαγωγή
2. Μεθοδολογία – Υλοποίηση
3. Πειράματα Επαλήθευσης
4. Πειράματα Ελέγχου Εύρους Τιμών της Λογικής Παραμέτρου
5. Πείραμα με Πραγματικά Δεδομένα
6. Συμπεράσματα και Μελλοντικές Επεκτάσεις
Τέταρτο Πείραμα
• Στο πείραμα αυτό θα εξετάσουμε και θα επαληθεύσουμε την ορθή λειτουργία
του μοντέλου, χρησιμοποιώντας τα δεδομένα μίας πραγματικής και
σύγχρονης Αγοράς Ηλεκτρικής Ενέργειας.
• Κάνοντας χρήση κάποιων στατιστικών δεδομένων και μιας επιστημονικής
έρευνας θα προσομοιώσουμε τους Πράκτορες–Μεσάζοντες και τη συμπεριφορά
των Πρακτόρων–Καταναλωτών που θα συμμετέχουν στο πείραμα.
• Στο πείραμα θα συμμετέχουν 20 Πράκτορες–Μεσάζοντες και 1000
Πράκτορες–Καταναλωτές, ενώ ο χρόνος εκτέλεσής του θα είναι 60 ticks (5
χρόνια).
29
Οι Πράκτορες–Μεσάζοντες
Για τους Πράκτορες-Μεσάζοντες χρησιμοποιήθηκαν τα δεδομένα αξιολόγησης των
παρόχων Ηλεκτρικής Ενέργειας που δραστηριοποιούνται στην Πολιτεία του Texas και
τα οποία είναι διαθέσιμα στη σελίδα του Office of Electricity Delivery & Energy
Reliability.
30
Τιμολόγηση Χρέωση Επικοινωνία Εξυπηρέτηση
Ambit Energy 4 4 5 4
Amigo Energy 4 4 4 4
Bounce Energy 3 4 3 2
Champion Energy 5 5 5 4
Cirro Energy 4 4 3 4
CPL Retail Energy 3 2 3 3
Direct Energy 4 4 4 3
Dynowatt 3 4 2 2
First Choice Power 3 3 3 3
Gexa Energy 4 4 4 4
Green Mountain Energy 4 4 5 4
Just Energy Texas 2 3 2 3
Other Retailer 3 4 4 3
Reliant Energy Retail 3 3 3 4
Southwest Power Light 2 3 2 3
Spark Energy 4 5 5 5
StarTex Power 5 4 5 5
Stream Energy 4 4 4 3
Texas Power 3 3 4 4
TXU Energy Company 3 2 2 2
Οι Πράκτορες–Καταναλωτές
Για τους Πράκτορες–Καταναλωτές χρησιμοποιήθηκε μια αναφορά, όπου παρουσιάζεται μια
έρευνα σχετικά με τους Καταναλωτές Ηλεκτρικής Ενέργειας των Ηνωμένων Πολιτειών της
Αμερικής. Ανάλογα με τις αξίες τους, τις πεποιθήσεις τους και τον τρόπο ζωής τους μπορούν
να χωριστούν οι Καταναλωτές σε 5 κατηγορίες:
1. Easy Street: 20% του πληθυσμού, Υψηλό Εισόδημα, Χαμηλές Απαιτήσεις σε Τιμολόγηση
και Χρέωση, Μεσαία Λογική, Πρόθυμοι για Αλλαγή Μεσάζοντα.
2. DIY & Save: 16% του πληθυσμού, Μεσαίο Εισόδημα, Υψηλές Απαιτήσεις σε Τιμολόγηση
και Χρέωση, Υψηλή Λογική, Απρόθυμοι για Αλλαγή Μεσάζοντα.
3. Concerned Greens: 31% του πληθυσμού, Ενδιαφέρον για το Περιβάλλον, Υψηλές
Απαιτήσεις σε Τιμολόγηση και Επικοινωνία, Μεσαία Λογική.
4. Young America: 23% του πληθυσμού, Χαμηλό Εισόδημα, Υψηλές Απαιτήσεις σε
Τιμολόγηση και Εξυπηρέτηση, Χαμηλές Απαιτήσεις σε Επικοινωνία, Μεσαία Λογική,
Απρόθυμοι για Αλλαγή Μεσάζοντα.
5. Traditionals: 10% του πληθυσμού, Ηλικιωμένοι Καταναλωτές, Υψηλές Απαιτήσεις σε
Επικοινωνία και Εξυπηρέτηση, Χαμηλή Λογική, Απρόθυμοι για Αλλαγή Μεσάζοντα.
31
Αποτελέσματα Πειράματος
32
0
2
4
6
8
10
12
14
16
18
20
Μερίδιο Αγοράς (%)
Αποτελέσματα Πειράματος
• Μεσαία Λογική
• Χαμηλές Απαιτήσεις σε
Τιμολόγηση και Χρέωση
• Πιθανή ύπαρξη μη
Απαιτητικών Πελατών
33
0
2
4
6
8
10
12
14
Μερίδιο Αγοράς για τους καταναλωτές Easy
Street (%)
Αποτελέσματα Πειράματος
• Υψηλή Λογική
• Απρόθυμοι για
Αλλαγή Μεσάζοντα
• Υψηλές Απαιτήσεις
σε Τιμολόγηση και
Χρέωση
34
0
2
4
6
8
10
12
14
16
18
20
Μερίδιο Αγοράς για τους καταναλωτές DIY &
Save (%)
Αποτελέσματα Πειράματος
• Μεσαία Λογική
• Δεν τους απασχολεί
ποιος θα είναι ο
Μεσάζοντας
• Υψηλές Απαιτήσεις
σε Τιμολόγηση και
Επικοινωνία
35
0
5
10
15
20
25
30
Μερίδιο Αγοράς για τους καταναλωτές Concerned
Green (%)
Αποτελέσματα Πειράματος
• Μεσαία Λογική
• Απρόθυμοι για
αλλαγή Μεσάζοντα
• Υψηλές Απαιτήσεις
σε Τιμολόγηση και
Εξυπηρέτηση
36
0
2
4
6
8
10
12
14
16
18
20
Μερίδιο Αγοράς για τους καταναλωτές Young
America (%)
Αποτελέσματα Πειράματος
• Χαμηλή Λογική
• Απρόθυμοι για
Αλλαγή Μεσάζοντα
37
0
2
4
6
8
10
12
14
16
Μερίδιο Αγοράς για τους καταναλωτές
Traditionals (%)
38
1. Εισαγωγή
2. Μεθοδολογία – Υλοποίηση
3. Πειράματα Επαλήθευσης
4. Πειράματα Ελέγχου Εύρους Τιμών της Λογικής Παραμέτρου
5. Πείραμα με Πραγματικά Δεδομένα
6. Συμπεράσματα και Μελλοντικές Επεκτάσεις
Συμπεράσματα
• Δημιουργήθηκε μία εύχρηστη πλατφόρμα, όπου ο χρήστης μπορεί να
πειραματιστεί ευρέως και να πραγματοποιήσει την προσομοίωση που
επιθυμεί για να εξάγει χρήσιμα συμπεράσματα.
• Αυξάνοντας την τιμή της Λογικής Παραμέτρου, οι Καταναλωτές
πραγματοποιούν πιο ορθολογικές επιλογές κι έτσι αυξάνονται τα
ποσοστά του μεριδίου αγοράς που αντιστοιχούν στους καλύτερους
Μεσάζοντες.
• Όσο αυξάνεται η τιμή της παραμέτρου Προθυμίας/Απροθυμίας, τόσο
πιο δύσκολο είναι για τους Καταναλωτές να αντικαταστήσουν τους
Μεσάζοντές τους για κάποιους άλλους.
• Για αρνητικές τιμές της παραμέτρου Προθυμίας/Απροθυμίας, οι
επιλογές των Καταναλωτών εναλλάσσονται μεταξύ των Μεσαζόντων
που προσφέρουν τις καλύτερες υπηρεσίες.
39
Μελλοντικές Επεκτάσεις
• Αλλαγή των χαρακτηριστικών (Τιμολόγηση, Χρέωση, Επικοινωνία,
Εξυπηρέτηση) που εξετάζονται από το μοντέλο και με βάσει τα οποία
αξιολογούνται οι Πράκτορες–Μεσάζοντες για τις υπηρεσίες που
προσφέρουν.
• Ανανέωση των προτιμήσεων που δείχνουν οι Πράκτορες–Καταναλωτές
σε κάθε χαρακτηριστικό που εξετάζεται από το μοντέλο, κατά τη
διάρκεια εκτέλεσης μιας προσομοίωσης.
• Ανανέωση του επιπέδου των υπηρεσιών που προσφέρουν οι
Πράκτορες–Μεσάζοντες κατά τη διάρκεια εκτέλεσης μιας
προσομοίωσης.
40
Ευχαριστώ για την προσοχή σας
Μακέδας Θεμιστοκλής
thmakedas@gmail.com
41

Weitere ähnliche Inhalte

Ähnlich wie Μακέδας Θεμιστοκλής

Data Mining from World Bank and Fitch
Data Mining from World Bank and FitchData Mining from World Bank and Fitch
Data Mining from World Bank and FitchIlias Georgousis
 
Maniadis Ioannis
Maniadis IoannisManiadis Ioannis
Maniadis IoannisISSEL
 
Μιλτιάδης Σιάββας 7523
Μιλτιάδης Σιάββας 7523Μιλτιάδης Σιάββας 7523
Μιλτιάδης Σιάββας 7523ISSEL
 
System Development for Prediction of Static Analysis Metrics of Source Code
System Development for Prediction of Static Analysis Metrics of Source CodeSystem Development for Prediction of Static Analysis Metrics of Source Code
System Development for Prediction of Static Analysis Metrics of Source CodeISSEL
 
Ανάπτυξη συστήματος πρόβλεψης της εξέλιξης των μετρικών στατικής ανάλυσης πηγ...
Ανάπτυξη συστήματος πρόβλεψης της εξέλιξης των μετρικών στατικής ανάλυσης πηγ...Ανάπτυξη συστήματος πρόβλεψης της εξέλιξης των μετρικών στατικής ανάλυσης πηγ...
Ανάπτυξη συστήματος πρόβλεψης της εξέλιξης των μετρικών στατικής ανάλυσης πηγ...ISSEL
 
CEO Forum 2015 Stefanos Komninos
CEO Forum 2015 Stefanos KomninosCEO Forum 2015 Stefanos Komninos
CEO Forum 2015 Stefanos KomninosStefanos Komninos
 
5ο ΠΑΝΕΛΛΗΝΙΟ ΣΥΝΕΔΡΙΟ ΓΙΑ ΤΗ ΔΙΟΙΚΗΣΗ, ΤΑ ΟΙΚΟΝΟΜΙΚΑ ΚΑΙ ΤΙΣ ΠΟΛΙΤΙΚΕΣ ΥΓΕΙΑΣ
5ο ΠΑΝΕΛΛΗΝΙΟ ΣΥΝΕΔΡΙΟ ΓΙΑ ΤΗ ΔΙΟΙΚΗΣΗ, ΤΑ ΟΙΚΟΝΟΜΙΚΑ ΚΑΙ ΤΙΣ ΠΟΛΙΤΙΚΕΣ ΥΓΕΙΑΣ 5ο ΠΑΝΕΛΛΗΝΙΟ ΣΥΝΕΔΡΙΟ ΓΙΑ ΤΗ ΔΙΟΙΚΗΣΗ, ΤΑ ΟΙΚΟΝΟΜΙΚΑ ΚΑΙ ΤΙΣ ΠΟΛΙΤΙΚΕΣ ΥΓΕΙΑΣ
5ο ΠΑΝΕΛΛΗΝΙΟ ΣΥΝΕΔΡΙΟ ΓΙΑ ΤΗ ΔΙΟΙΚΗΣΗ, ΤΑ ΟΙΚΟΝΟΜΙΚΑ ΚΑΙ ΤΙΣ ΠΟΛΙΤΙΚΕΣ ΥΓΕΙΑΣ Filippos Stamatiadis
 
Βελτίωση του ρυθμού μετατροπής ηλεκτρονικών καταστημάτων με τεχνικές δυναμική...
Βελτίωση του ρυθμού μετατροπής ηλεκτρονικών καταστημάτων με τεχνικές δυναμική...Βελτίωση του ρυθμού μετατροπής ηλεκτρονικών καταστημάτων με τεχνικές δυναμική...
Βελτίωση του ρυθμού μετατροπής ηλεκτρονικών καταστημάτων με τεχνικές δυναμική...ISSEL
 
Optimizing e-commerce conversion rate with dynamic pricing techniques
Optimizing e-commerce conversion rate with dynamic pricing techniquesOptimizing e-commerce conversion rate with dynamic pricing techniques
Optimizing e-commerce conversion rate with dynamic pricing techniquesISSEL
 
Γεροκώστα
ΓεροκώσταΓεροκώστα
ΓεροκώσταISSEL
 
Μοσχογλου Στυλιανός
Μοσχογλου ΣτυλιανόςΜοσχογλου Στυλιανός
Μοσχογλου ΣτυλιανόςISSEL
 
Ιωάννης Γούτας
Ιωάννης ΓούταςΙωάννης Γούτας
Ιωάννης ΓούταςISSEL
 
PPK-RCM OD2 Business and Cluster Intelligence in ICT: The Paltform and the ap...
PPK-RCM OD2 Business and Cluster Intelligence in ICT: The Paltform and the ap...PPK-RCM OD2 Business and Cluster Intelligence in ICT: The Paltform and the ap...
PPK-RCM OD2 Business and Cluster Intelligence in ICT: The Paltform and the ap...URENIO Research Unit
 
Anastasios Kakouris
Anastasios KakourisAnastasios Kakouris
Anastasios KakourisISSEL
 
Αναστασία Ηροδότου
Αναστασία ΗροδότουΑναστασία Ηροδότου
Αναστασία ΗροδότουISSEL
 
Εισαγωγή στη Στατιστική
Εισαγωγή στη ΣτατιστικήΕισαγωγή στη Στατιστική
Εισαγωγή στη ΣτατιστικήPantelis Bouboulis
 
Key Account Management (Greek)
Key Account Management (Greek)Key Account Management (Greek)
Key Account Management (Greek)Nick Soueref
 
«Αξιολόγηση απολογισμών εταιρικής υπευθυνότητας στην Ελλάδα: Αποτελέσματα έρε...
«Αξιολόγηση απολογισμών εταιρικής υπευθυνότητας στην Ελλάδα: Αποτελέσματα έρε...«Αξιολόγηση απολογισμών εταιρικής υπευθυνότητας στην Ελλάδα: Αποτελέσματα έρε...
«Αξιολόγηση απολογισμών εταιρικής υπευθυνότητας στην Ελλάδα: Αποτελέσματα έρε...Starttech Ventures
 
Giannopoulos Nikolaos: Ανάπτυξη Τεχνικών Εξατομίκευσης Διαφημιστικών Προβολών...
Giannopoulos Nikolaos: Ανάπτυξη Τεχνικών Εξατομίκευσης Διαφημιστικών Προβολών...Giannopoulos Nikolaos: Ανάπτυξη Τεχνικών Εξατομίκευσης Διαφημιστικών Προβολών...
Giannopoulos Nikolaos: Ανάπτυξη Τεχνικών Εξατομίκευσης Διαφημιστικών Προβολών...Manos Tsardoulias
 

Ähnlich wie Μακέδας Θεμιστοκλής (20)

Data Mining from World Bank and Fitch
Data Mining from World Bank and FitchData Mining from World Bank and Fitch
Data Mining from World Bank and Fitch
 
Maniadis Ioannis
Maniadis IoannisManiadis Ioannis
Maniadis Ioannis
 
Μιλτιάδης Σιάββας 7523
Μιλτιάδης Σιάββας 7523Μιλτιάδης Σιάββας 7523
Μιλτιάδης Σιάββας 7523
 
System Development for Prediction of Static Analysis Metrics of Source Code
System Development for Prediction of Static Analysis Metrics of Source CodeSystem Development for Prediction of Static Analysis Metrics of Source Code
System Development for Prediction of Static Analysis Metrics of Source Code
 
Ανάπτυξη συστήματος πρόβλεψης της εξέλιξης των μετρικών στατικής ανάλυσης πηγ...
Ανάπτυξη συστήματος πρόβλεψης της εξέλιξης των μετρικών στατικής ανάλυσης πηγ...Ανάπτυξη συστήματος πρόβλεψης της εξέλιξης των μετρικών στατικής ανάλυσης πηγ...
Ανάπτυξη συστήματος πρόβλεψης της εξέλιξης των μετρικών στατικής ανάλυσης πηγ...
 
CEO Forum 2015 Stefanos Komninos
CEO Forum 2015 Stefanos KomninosCEO Forum 2015 Stefanos Komninos
CEO Forum 2015 Stefanos Komninos
 
5ο ΠΑΝΕΛΛΗΝΙΟ ΣΥΝΕΔΡΙΟ ΓΙΑ ΤΗ ΔΙΟΙΚΗΣΗ, ΤΑ ΟΙΚΟΝΟΜΙΚΑ ΚΑΙ ΤΙΣ ΠΟΛΙΤΙΚΕΣ ΥΓΕΙΑΣ
5ο ΠΑΝΕΛΛΗΝΙΟ ΣΥΝΕΔΡΙΟ ΓΙΑ ΤΗ ΔΙΟΙΚΗΣΗ, ΤΑ ΟΙΚΟΝΟΜΙΚΑ ΚΑΙ ΤΙΣ ΠΟΛΙΤΙΚΕΣ ΥΓΕΙΑΣ 5ο ΠΑΝΕΛΛΗΝΙΟ ΣΥΝΕΔΡΙΟ ΓΙΑ ΤΗ ΔΙΟΙΚΗΣΗ, ΤΑ ΟΙΚΟΝΟΜΙΚΑ ΚΑΙ ΤΙΣ ΠΟΛΙΤΙΚΕΣ ΥΓΕΙΑΣ
5ο ΠΑΝΕΛΛΗΝΙΟ ΣΥΝΕΔΡΙΟ ΓΙΑ ΤΗ ΔΙΟΙΚΗΣΗ, ΤΑ ΟΙΚΟΝΟΜΙΚΑ ΚΑΙ ΤΙΣ ΠΟΛΙΤΙΚΕΣ ΥΓΕΙΑΣ
 
Βελτίωση του ρυθμού μετατροπής ηλεκτρονικών καταστημάτων με τεχνικές δυναμική...
Βελτίωση του ρυθμού μετατροπής ηλεκτρονικών καταστημάτων με τεχνικές δυναμική...Βελτίωση του ρυθμού μετατροπής ηλεκτρονικών καταστημάτων με τεχνικές δυναμική...
Βελτίωση του ρυθμού μετατροπής ηλεκτρονικών καταστημάτων με τεχνικές δυναμική...
 
Optimizing e-commerce conversion rate with dynamic pricing techniques
Optimizing e-commerce conversion rate with dynamic pricing techniquesOptimizing e-commerce conversion rate with dynamic pricing techniques
Optimizing e-commerce conversion rate with dynamic pricing techniques
 
Γεροκώστα
ΓεροκώσταΓεροκώστα
Γεροκώστα
 
Μοσχογλου Στυλιανός
Μοσχογλου ΣτυλιανόςΜοσχογλου Στυλιανός
Μοσχογλου Στυλιανός
 
Ιωάννης Γούτας
Ιωάννης ΓούταςΙωάννης Γούτας
Ιωάννης Γούτας
 
PPK-RCM OD2 Business and Cluster Intelligence in ICT: The Paltform and the ap...
PPK-RCM OD2 Business and Cluster Intelligence in ICT: The Paltform and the ap...PPK-RCM OD2 Business and Cluster Intelligence in ICT: The Paltform and the ap...
PPK-RCM OD2 Business and Cluster Intelligence in ICT: The Paltform and the ap...
 
Anastasios Kakouris
Anastasios KakourisAnastasios Kakouris
Anastasios Kakouris
 
Αναστασία Ηροδότου
Αναστασία ΗροδότουΑναστασία Ηροδότου
Αναστασία Ηροδότου
 
Key Account Management
Key Account ManagementKey Account Management
Key Account Management
 
Εισαγωγή στη Στατιστική
Εισαγωγή στη ΣτατιστικήΕισαγωγή στη Στατιστική
Εισαγωγή στη Στατιστική
 
Key Account Management (Greek)
Key Account Management (Greek)Key Account Management (Greek)
Key Account Management (Greek)
 
«Αξιολόγηση απολογισμών εταιρικής υπευθυνότητας στην Ελλάδα: Αποτελέσματα έρε...
«Αξιολόγηση απολογισμών εταιρικής υπευθυνότητας στην Ελλάδα: Αποτελέσματα έρε...«Αξιολόγηση απολογισμών εταιρικής υπευθυνότητας στην Ελλάδα: Αποτελέσματα έρε...
«Αξιολόγηση απολογισμών εταιρικής υπευθυνότητας στην Ελλάδα: Αποτελέσματα έρε...
 
Giannopoulos Nikolaos: Ανάπτυξη Τεχνικών Εξατομίκευσης Διαφημιστικών Προβολών...
Giannopoulos Nikolaos: Ανάπτυξη Τεχνικών Εξατομίκευσης Διαφημιστικών Προβολών...Giannopoulos Nikolaos: Ανάπτυξη Τεχνικών Εξατομίκευσης Διαφημιστικών Προβολών...
Giannopoulos Nikolaos: Ανάπτυξη Τεχνικών Εξατομίκευσης Διαφημιστικών Προβολών...
 

Mehr von ISSEL

Implementation of a platform for assessing indoor spaces regarding their frie...
Implementation of a platform for assessing indoor spaces regarding their frie...Implementation of a platform for assessing indoor spaces regarding their frie...
Implementation of a platform for assessing indoor spaces regarding their frie...ISSEL
 
Autonomous car position calculation with particle filters using traffic data ...
Autonomous car position calculation with particle filters using traffic data ...Autonomous car position calculation with particle filters using traffic data ...
Autonomous car position calculation with particle filters using traffic data ...ISSEL
 
Ανίχνευση αντικειµένων από λίγα δείγµατα µε χρήση γραφηµάτων και τεχνικών ΜΕΤ...
Ανίχνευση αντικειµένων από λίγα δείγµατα µε χρήση γραφηµάτων και τεχνικών ΜΕΤ...Ανίχνευση αντικειµένων από λίγα δείγµατα µε χρήση γραφηµάτων και τεχνικών ΜΕΤ...
Ανίχνευση αντικειµένων από λίγα δείγµατα µε χρήση γραφηµάτων και τεχνικών ΜΕΤ...ISSEL
 
Ανάπτυξη Εφαρµογής Προφίλ Μηχανικών Λογισµικού από ∆εδοµένα Αποθετηρίων Λογισ...
Ανάπτυξη Εφαρµογής Προφίλ Μηχανικών Λογισµικού από ∆εδοµένα Αποθετηρίων Λογισ...Ανάπτυξη Εφαρµογής Προφίλ Μηχανικών Λογισµικού από ∆εδοµένα Αποθετηρίων Λογισ...
Ανάπτυξη Εφαρµογής Προφίλ Μηχανικών Λογισµικού από ∆εδοµένα Αποθετηρίων Λογισ...ISSEL
 
Ανάπτυξη ∆υναµικού και Προσωποποιηµένου Συστήµατος Ερωταπαντήσεων µε Πηγή το ...
Ανάπτυξη ∆υναµικού και Προσωποποιηµένου Συστήµατος Ερωταπαντήσεων µε Πηγή το ...Ανάπτυξη ∆υναµικού και Προσωποποιηµένου Συστήµατος Ερωταπαντήσεων µε Πηγή το ...
Ανάπτυξη ∆υναµικού και Προσωποποιηµένου Συστήµατος Ερωταπαντήσεων µε Πηγή το ...ISSEL
 
Ανάπτυξη Φίλτρων Ανεπιθύμητων Μηνυμάτων με Χρήση Τεχνικών Τεχνητής Νοημοσύνης
Ανάπτυξη Φίλτρων Ανεπιθύμητων Μηνυμάτων με Χρήση Τεχνικών Τεχνητής ΝοημοσύνηςΑνάπτυξη Φίλτρων Ανεπιθύμητων Μηνυμάτων με Χρήση Τεχνικών Τεχνητής Νοημοσύνης
Ανάπτυξη Φίλτρων Ανεπιθύμητων Μηνυμάτων με Χρήση Τεχνικών Τεχνητής ΝοημοσύνηςISSEL
 
Ανάπτυξη Ελληνικών Μοντέλων Εντοπισμού Ρητορικής Μίσους.pptx
Ανάπτυξη Ελληνικών Μοντέλων Εντοπισμού Ρητορικής Μίσους.pptxΑνάπτυξη Ελληνικών Μοντέλων Εντοπισμού Ρητορικής Μίσους.pptx
Ανάπτυξη Ελληνικών Μοντέλων Εντοπισμού Ρητορικής Μίσους.pptxISSEL
 
Σχεδιασμός και υλοποίηση πλήρους και αυτοματοποιημένου εργαλείου ελέγχων ασφά...
Σχεδιασμός και υλοποίηση πλήρους και αυτοματοποιημένου εργαλείου ελέγχων ασφά...Σχεδιασμός και υλοποίηση πλήρους και αυτοματοποιημένου εργαλείου ελέγχων ασφά...
Σχεδιασμός και υλοποίηση πλήρους και αυτοματοποιημένου εργαλείου ελέγχων ασφά...ISSEL
 
Εφαρµογή Τεχνικών Μηχανικής Μάθησης για την Ανάλυση Αλλαγών Κώδικα µε στόχο τ...
Εφαρµογή Τεχνικών Μηχανικής Μάθησης για την Ανάλυση Αλλαγών Κώδικα µε στόχο τ...Εφαρµογή Τεχνικών Μηχανικής Μάθησης για την Ανάλυση Αλλαγών Κώδικα µε στόχο τ...
Εφαρµογή Τεχνικών Μηχανικής Μάθησης για την Ανάλυση Αλλαγών Κώδικα µε στόχο τ...ISSEL
 
Ανάπτυξη συστήματος ιεραρχικής ομαδοποίησης και διαχείρισης κειμένων για αποκ...
Ανάπτυξη συστήματος ιεραρχικής ομαδοποίησης και διαχείρισης κειμένων για αποκ...Ανάπτυξη συστήματος ιεραρχικής ομαδοποίησης και διαχείρισης κειμένων για αποκ...
Ανάπτυξη συστήματος ιεραρχικής ομαδοποίησης και διαχείρισης κειμένων για αποκ...ISSEL
 
Ανάπτυξη γραφικής διεπαφής σε σύστημα προσομοίωσης ηλεκτρονικών αγορών με στό...
Ανάπτυξη γραφικής διεπαφής σε σύστημα προσομοίωσης ηλεκτρονικών αγορών με στό...Ανάπτυξη γραφικής διεπαφής σε σύστημα προσομοίωσης ηλεκτρονικών αγορών με στό...
Ανάπτυξη γραφικής διεπαφής σε σύστημα προσομοίωσης ηλεκτρονικών αγορών με στό...ISSEL
 
Δημιουργία Ολοκληρωμένου Συστήματος Επαλήθευσης Ορθότητας Ισχυρισμών
Δημιουργία Ολοκληρωμένου Συστήματος Επαλήθευσης Ορθότητας ΙσχυρισμώνΔημιουργία Ολοκληρωμένου Συστήματος Επαλήθευσης Ορθότητας Ισχυρισμών
Δημιουργία Ολοκληρωμένου Συστήματος Επαλήθευσης Ορθότητας ΙσχυρισμώνISSEL
 
Εξόρυξη δεδοµένων για τη δυναµική ενσωµάτωση γνώσης σε πολυπρακτορικά συστήµατα
Εξόρυξη δεδοµένων για τη δυναµική ενσωµάτωση γνώσης σε πολυπρακτορικά συστήµαταΕξόρυξη δεδοµένων για τη δυναµική ενσωµάτωση γνώσης σε πολυπρακτορικά συστήµατα
Εξόρυξη δεδοµένων για τη δυναµική ενσωµάτωση γνώσης σε πολυπρακτορικά συστήµαταISSEL
 
Ανάπτυξη Μηχανισμών Αυτοματοποίησης των διαδικασιών κατασκευής συστημάτων λο...
Ανάπτυξη Μηχανισμών Αυτοματοποίησης των  διαδικασιών κατασκευής συστημάτων λο...Ανάπτυξη Μηχανισμών Αυτοματοποίησης των  διαδικασιών κατασκευής συστημάτων λο...
Ανάπτυξη Μηχανισμών Αυτοματοποίησης των διαδικασιών κατασκευής συστημάτων λο...ISSEL
 
ΕΥΦΥΗΣ ΜΕΘΟΔΟΛΟΓΙΑ ΑΠΟΤΙΜΗΣΗΣ ΤΟΥ ΒΑΘΜΟΥ ΔΙΑΤΗΡΗΣΙΜΟΤΗΤΑΣ ΕΡΓΩΝ ΛΟΓΙΣΜΙΚΟΥ ΜΕ...
ΕΥΦΥΗΣ ΜΕΘΟΔΟΛΟΓΙΑ ΑΠΟΤΙΜΗΣΗΣ ΤΟΥ ΒΑΘΜΟΥ ΔΙΑΤΗΡΗΣΙΜΟΤΗΤΑΣ ΕΡΓΩΝ ΛΟΓΙΣΜΙΚΟΥ ΜΕ...ΕΥΦΥΗΣ ΜΕΘΟΔΟΛΟΓΙΑ ΑΠΟΤΙΜΗΣΗΣ ΤΟΥ ΒΑΘΜΟΥ ΔΙΑΤΗΡΗΣΙΜΟΤΗΤΑΣ ΕΡΓΩΝ ΛΟΓΙΣΜΙΚΟΥ ΜΕ...
ΕΥΦΥΗΣ ΜΕΘΟΔΟΛΟΓΙΑ ΑΠΟΤΙΜΗΣΗΣ ΤΟΥ ΒΑΘΜΟΥ ΔΙΑΤΗΡΗΣΙΜΟΤΗΤΑΣ ΕΡΓΩΝ ΛΟΓΙΣΜΙΚΟΥ ΜΕ...ISSEL
 
Μηχανισμοί αυτοματοποίησης διαδικασιών σχεδίασης, υλοποίησης και ανάπτυξης λο...
Μηχανισμοί αυτοματοποίησης διαδικασιών σχεδίασης, υλοποίησης και ανάπτυξης λο...Μηχανισμοί αυτοματοποίησης διαδικασιών σχεδίασης, υλοποίησης και ανάπτυξης λο...
Μηχανισμοί αυτοματοποίησης διαδικασιών σχεδίασης, υλοποίησης και ανάπτυξης λο...ISSEL
 
Εξόρυξη δεδομένων τεχνολογίας λογισμικού για επαναχρησιμοποίηση λογισμικού
Εξόρυξη δεδομένων τεχνολογίας λογισμικού για επαναχρησιμοποίηση λογισμικούΕξόρυξη δεδομένων τεχνολογίας λογισμικού για επαναχρησιμοποίηση λογισμικού
Εξόρυξη δεδομένων τεχνολογίας λογισμικού για επαναχρησιμοποίηση λογισμικούISSEL
 
Ανάλυση ∆εδοµένων ΄Εργων Λογισµικού για Ανάπτυξη σε Νέα Πεδία Εφαρµογής
Ανάλυση ∆εδοµένων ΄Εργων Λογισµικού για Ανάπτυξη σε Νέα Πεδία ΕφαρµογήςΑνάλυση ∆εδοµένων ΄Εργων Λογισµικού για Ανάπτυξη σε Νέα Πεδία Εφαρµογής
Ανάλυση ∆εδοµένων ΄Εργων Λογισµικού για Ανάπτυξη σε Νέα Πεδία ΕφαρµογήςISSEL
 
Camera-based localization of annotated objects in indoor environments
Camera-based localization of annotated objects in indoor environmentsCamera-based localization of annotated objects in indoor environments
Camera-based localization of annotated objects in indoor environmentsISSEL
 
Εντοπισμός θέσης επισημασμένου αντικειμένου σε εσωτερικό χώρο με χρήση πολλαπ...
Εντοπισμός θέσης επισημασμένου αντικειμένου σε εσωτερικό χώρο με χρήση πολλαπ...Εντοπισμός θέσης επισημασμένου αντικειμένου σε εσωτερικό χώρο με χρήση πολλαπ...
Εντοπισμός θέσης επισημασμένου αντικειμένου σε εσωτερικό χώρο με χρήση πολλαπ...ISSEL
 

Mehr von ISSEL (20)

Implementation of a platform for assessing indoor spaces regarding their frie...
Implementation of a platform for assessing indoor spaces regarding their frie...Implementation of a platform for assessing indoor spaces regarding their frie...
Implementation of a platform for assessing indoor spaces regarding their frie...
 
Autonomous car position calculation with particle filters using traffic data ...
Autonomous car position calculation with particle filters using traffic data ...Autonomous car position calculation with particle filters using traffic data ...
Autonomous car position calculation with particle filters using traffic data ...
 
Ανίχνευση αντικειµένων από λίγα δείγµατα µε χρήση γραφηµάτων και τεχνικών ΜΕΤ...
Ανίχνευση αντικειµένων από λίγα δείγµατα µε χρήση γραφηµάτων και τεχνικών ΜΕΤ...Ανίχνευση αντικειµένων από λίγα δείγµατα µε χρήση γραφηµάτων και τεχνικών ΜΕΤ...
Ανίχνευση αντικειµένων από λίγα δείγµατα µε χρήση γραφηµάτων και τεχνικών ΜΕΤ...
 
Ανάπτυξη Εφαρµογής Προφίλ Μηχανικών Λογισµικού από ∆εδοµένα Αποθετηρίων Λογισ...
Ανάπτυξη Εφαρµογής Προφίλ Μηχανικών Λογισµικού από ∆εδοµένα Αποθετηρίων Λογισ...Ανάπτυξη Εφαρµογής Προφίλ Μηχανικών Λογισµικού από ∆εδοµένα Αποθετηρίων Λογισ...
Ανάπτυξη Εφαρµογής Προφίλ Μηχανικών Λογισµικού από ∆εδοµένα Αποθετηρίων Λογισ...
 
Ανάπτυξη ∆υναµικού και Προσωποποιηµένου Συστήµατος Ερωταπαντήσεων µε Πηγή το ...
Ανάπτυξη ∆υναµικού και Προσωποποιηµένου Συστήµατος Ερωταπαντήσεων µε Πηγή το ...Ανάπτυξη ∆υναµικού και Προσωποποιηµένου Συστήµατος Ερωταπαντήσεων µε Πηγή το ...
Ανάπτυξη ∆υναµικού και Προσωποποιηµένου Συστήµατος Ερωταπαντήσεων µε Πηγή το ...
 
Ανάπτυξη Φίλτρων Ανεπιθύμητων Μηνυμάτων με Χρήση Τεχνικών Τεχνητής Νοημοσύνης
Ανάπτυξη Φίλτρων Ανεπιθύμητων Μηνυμάτων με Χρήση Τεχνικών Τεχνητής ΝοημοσύνηςΑνάπτυξη Φίλτρων Ανεπιθύμητων Μηνυμάτων με Χρήση Τεχνικών Τεχνητής Νοημοσύνης
Ανάπτυξη Φίλτρων Ανεπιθύμητων Μηνυμάτων με Χρήση Τεχνικών Τεχνητής Νοημοσύνης
 
Ανάπτυξη Ελληνικών Μοντέλων Εντοπισμού Ρητορικής Μίσους.pptx
Ανάπτυξη Ελληνικών Μοντέλων Εντοπισμού Ρητορικής Μίσους.pptxΑνάπτυξη Ελληνικών Μοντέλων Εντοπισμού Ρητορικής Μίσους.pptx
Ανάπτυξη Ελληνικών Μοντέλων Εντοπισμού Ρητορικής Μίσους.pptx
 
Σχεδιασμός και υλοποίηση πλήρους και αυτοματοποιημένου εργαλείου ελέγχων ασφά...
Σχεδιασμός και υλοποίηση πλήρους και αυτοματοποιημένου εργαλείου ελέγχων ασφά...Σχεδιασμός και υλοποίηση πλήρους και αυτοματοποιημένου εργαλείου ελέγχων ασφά...
Σχεδιασμός και υλοποίηση πλήρους και αυτοματοποιημένου εργαλείου ελέγχων ασφά...
 
Εφαρµογή Τεχνικών Μηχανικής Μάθησης για την Ανάλυση Αλλαγών Κώδικα µε στόχο τ...
Εφαρµογή Τεχνικών Μηχανικής Μάθησης για την Ανάλυση Αλλαγών Κώδικα µε στόχο τ...Εφαρµογή Τεχνικών Μηχανικής Μάθησης για την Ανάλυση Αλλαγών Κώδικα µε στόχο τ...
Εφαρµογή Τεχνικών Μηχανικής Μάθησης για την Ανάλυση Αλλαγών Κώδικα µε στόχο τ...
 
Ανάπτυξη συστήματος ιεραρχικής ομαδοποίησης και διαχείρισης κειμένων για αποκ...
Ανάπτυξη συστήματος ιεραρχικής ομαδοποίησης και διαχείρισης κειμένων για αποκ...Ανάπτυξη συστήματος ιεραρχικής ομαδοποίησης και διαχείρισης κειμένων για αποκ...
Ανάπτυξη συστήματος ιεραρχικής ομαδοποίησης και διαχείρισης κειμένων για αποκ...
 
Ανάπτυξη γραφικής διεπαφής σε σύστημα προσομοίωσης ηλεκτρονικών αγορών με στό...
Ανάπτυξη γραφικής διεπαφής σε σύστημα προσομοίωσης ηλεκτρονικών αγορών με στό...Ανάπτυξη γραφικής διεπαφής σε σύστημα προσομοίωσης ηλεκτρονικών αγορών με στό...
Ανάπτυξη γραφικής διεπαφής σε σύστημα προσομοίωσης ηλεκτρονικών αγορών με στό...
 
Δημιουργία Ολοκληρωμένου Συστήματος Επαλήθευσης Ορθότητας Ισχυρισμών
Δημιουργία Ολοκληρωμένου Συστήματος Επαλήθευσης Ορθότητας ΙσχυρισμώνΔημιουργία Ολοκληρωμένου Συστήματος Επαλήθευσης Ορθότητας Ισχυρισμών
Δημιουργία Ολοκληρωμένου Συστήματος Επαλήθευσης Ορθότητας Ισχυρισμών
 
Εξόρυξη δεδοµένων για τη δυναµική ενσωµάτωση γνώσης σε πολυπρακτορικά συστήµατα
Εξόρυξη δεδοµένων για τη δυναµική ενσωµάτωση γνώσης σε πολυπρακτορικά συστήµαταΕξόρυξη δεδοµένων για τη δυναµική ενσωµάτωση γνώσης σε πολυπρακτορικά συστήµατα
Εξόρυξη δεδοµένων για τη δυναµική ενσωµάτωση γνώσης σε πολυπρακτορικά συστήµατα
 
Ανάπτυξη Μηχανισμών Αυτοματοποίησης των διαδικασιών κατασκευής συστημάτων λο...
Ανάπτυξη Μηχανισμών Αυτοματοποίησης των  διαδικασιών κατασκευής συστημάτων λο...Ανάπτυξη Μηχανισμών Αυτοματοποίησης των  διαδικασιών κατασκευής συστημάτων λο...
Ανάπτυξη Μηχανισμών Αυτοματοποίησης των διαδικασιών κατασκευής συστημάτων λο...
 
ΕΥΦΥΗΣ ΜΕΘΟΔΟΛΟΓΙΑ ΑΠΟΤΙΜΗΣΗΣ ΤΟΥ ΒΑΘΜΟΥ ΔΙΑΤΗΡΗΣΙΜΟΤΗΤΑΣ ΕΡΓΩΝ ΛΟΓΙΣΜΙΚΟΥ ΜΕ...
ΕΥΦΥΗΣ ΜΕΘΟΔΟΛΟΓΙΑ ΑΠΟΤΙΜΗΣΗΣ ΤΟΥ ΒΑΘΜΟΥ ΔΙΑΤΗΡΗΣΙΜΟΤΗΤΑΣ ΕΡΓΩΝ ΛΟΓΙΣΜΙΚΟΥ ΜΕ...ΕΥΦΥΗΣ ΜΕΘΟΔΟΛΟΓΙΑ ΑΠΟΤΙΜΗΣΗΣ ΤΟΥ ΒΑΘΜΟΥ ΔΙΑΤΗΡΗΣΙΜΟΤΗΤΑΣ ΕΡΓΩΝ ΛΟΓΙΣΜΙΚΟΥ ΜΕ...
ΕΥΦΥΗΣ ΜΕΘΟΔΟΛΟΓΙΑ ΑΠΟΤΙΜΗΣΗΣ ΤΟΥ ΒΑΘΜΟΥ ΔΙΑΤΗΡΗΣΙΜΟΤΗΤΑΣ ΕΡΓΩΝ ΛΟΓΙΣΜΙΚΟΥ ΜΕ...
 
Μηχανισμοί αυτοματοποίησης διαδικασιών σχεδίασης, υλοποίησης και ανάπτυξης λο...
Μηχανισμοί αυτοματοποίησης διαδικασιών σχεδίασης, υλοποίησης και ανάπτυξης λο...Μηχανισμοί αυτοματοποίησης διαδικασιών σχεδίασης, υλοποίησης και ανάπτυξης λο...
Μηχανισμοί αυτοματοποίησης διαδικασιών σχεδίασης, υλοποίησης και ανάπτυξης λο...
 
Εξόρυξη δεδομένων τεχνολογίας λογισμικού για επαναχρησιμοποίηση λογισμικού
Εξόρυξη δεδομένων τεχνολογίας λογισμικού για επαναχρησιμοποίηση λογισμικούΕξόρυξη δεδομένων τεχνολογίας λογισμικού για επαναχρησιμοποίηση λογισμικού
Εξόρυξη δεδομένων τεχνολογίας λογισμικού για επαναχρησιμοποίηση λογισμικού
 
Ανάλυση ∆εδοµένων ΄Εργων Λογισµικού για Ανάπτυξη σε Νέα Πεδία Εφαρµογής
Ανάλυση ∆εδοµένων ΄Εργων Λογισµικού για Ανάπτυξη σε Νέα Πεδία ΕφαρµογήςΑνάλυση ∆εδοµένων ΄Εργων Λογισµικού για Ανάπτυξη σε Νέα Πεδία Εφαρµογής
Ανάλυση ∆εδοµένων ΄Εργων Λογισµικού για Ανάπτυξη σε Νέα Πεδία Εφαρµογής
 
Camera-based localization of annotated objects in indoor environments
Camera-based localization of annotated objects in indoor environmentsCamera-based localization of annotated objects in indoor environments
Camera-based localization of annotated objects in indoor environments
 
Εντοπισμός θέσης επισημασμένου αντικειμένου σε εσωτερικό χώρο με χρήση πολλαπ...
Εντοπισμός θέσης επισημασμένου αντικειμένου σε εσωτερικό χώρο με χρήση πολλαπ...Εντοπισμός θέσης επισημασμένου αντικειμένου σε εσωτερικό χώρο με χρήση πολλαπ...
Εντοπισμός θέσης επισημασμένου αντικειμένου σε εσωτερικό χώρο με χρήση πολλαπ...
 

Μακέδας Θεμιστοκλής

  • 1. Ανάπτυξη Πολυπρακτορικού Συστήματος Εμπιστοσύνης και Φήμης για την Αξιολόγηση και Επιλογή Παρόχου Ηλεκτρικής Ενέργειας Μακέδας Θεμιστοκλής Επιβλέπων: Καθηγητής Περικλής Α. Μήτκας Τμήμα Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών
  • 2. Περιεχόμενα 1. Εισαγωγή 2. Μεθοδολογία – Υλοποίηση 3. Πειράματα Επαλήθευσης 4. Πειράματα Ελέγχου Εύρους Τιμών της Λογικής Παραμέτρου 5. Πείραμα με Πραγματικά Δεδομένα 6. Συμπεράσματα και Μελλοντικές Επεκτάσεις 2
  • 3. 1. Εισαγωγή 2. Μεθοδολογία – Υλοποίηση 3. Πειράματα Επαλήθευσης 4. Πειράματα Ελέγχου Εύρους Τιμών της Λογικής Παραμέτρου 5. Πείραμα με Πραγματικά Δεδομένα 6. Συμπεράσματα και Μελλοντικές Επεκτάσεις 3
  • 4. Η εξέλιξη της Αγοράς Ηλεκτρικής Ενέργειας 4 Απελευθέρωση της Αγοράς Ηλεκτρικής Ενέργειας Εξέλιξη των Πληροφοριακών Συστημάτων Δημιουργία Ευφυούς Δικτύου Είσοδος Μεσαζόντων στη διαδικασία Εμπορίας Ηλεκτρικής Ενέργειας Αύξηση του Ανταγωνισμού
  • 5. Το Πρόβλημα • Ύπαρξη πολλών υποψήφιων μεσαζόντων Ηλεκτρικής Ενέργειας, με τους οποίους μπορεί να συνάψει συνεργασία ένας Οικιακός Καταναλωτής. 5 Άγνοια για το επίπεδο υπηρεσιών που μπορεί να του προσφέρει ο κάθε μεσάζοντας.
  • 6. Στόχος Σχεδίαση μιας Πλατφόρμας που να προσομοιώνει μία σύγχρονη Αγορά Ηλεκτρικής Ενέργειας και στην οποία οι Πράκτορες-Καταναλωτές: • Συμβάλλονται με Πράκτορες-Μεσάζοντες. • Αξιολογούν το επίπεδο υπηρεσιών που τους προσφέρουν. • Αναζητούν τη σύναψη μιας νέας συνεργασίας που θα ικανοποιήσει σε μεγαλύτερο βαθμό τις απαιτήσεις τους. 6
  • 7. 7 1. Εισαγωγή 2. Μεθοδολογία – Υλοποίηση 3. Πειράματα Επαλήθευσης 4. Πειράματα Ελέγχου Εύρους Τιμών της Λογικής Παραμέτρου 5. Πείραμα με Πραγματικά Δεδομένα 6. Συμπεράσματα και Μελλοντικές Επεκτάσεις
  • 8. Βήματα για την πραγματοποίηση μιας προσομοίωσης 8 Διαμόρφωση του Περιβάλλοντος της Προσομοίωσης Εκκίνηση της διαδικασίας Τυχαία Επιλογή Πράκτορα– Μεσάζοντα από τους Πράκτορες– Καταναλωτές Αξιολόγηση των Παρεχόμενων Υπηρεσιών Αναζήτηση μιας νέας Συνεργασίας
  • 9. Οι Γενικές Μεταβλητές του Συστήματος • Χρόνος προσομοίωσης • Αριθμός Πρακτόρων–Μεσαζόντων • Αριθμός Πρακτόρων–Καταναλωτών • Τιμολόγηση • Χρέωση • Επικοινωνία • Εξυπηρέτηση • Λογική Παράμετρος • Κατώτερη τιμή της Παραμέτρου Προθυμίας/Απροθυμίας • Μέγιστη τιμή της Παραμέτρου Προθυμίας/Απροθυμίας • Μέγιστη τιμή του βάρους της Παραμέτρου Προθυμίας/Απροθυμίας 9
  • 10. Ο Πράκτορας–Μεσάζοντας • Οι επιδόσεις του σε κάθε χαρακτηριστικό που εξετάζεται • Γενική βαθμολογία • Αναλυτικές βαθμολογίες από τους Πράκτορες–Καταναλωτές • Συνολικά έσοδα (σε €) • Αριθμός πελατών 10
  • 11. Ο Πράκτορας–Καταναλωτής • Επιθυμητές επιδόσεις • Προτιμήσεις • Γενικές βαθμολογίες στους Πράκτορες–Μεσάζοντες • Αναλυτικές βαθμολογίες στους Πράκτορες –Μεσάζοντες • Συσχετίσεις με τους άλλους Πράκτορες–Καταναλωτές • Ταυτότητα (id) του Πράκτορα– Μεσάζοντα με τον οποίο συνεργάζεται • Αναζήτηση νέας συνεργασίας • Βάρη της προσωπικής άποψης και των συμβουλών που δέχεται • Τύπος καταναλωτή • Παράμετρος Προθυμίας/Απροθυμίας • Βάρος της Παραμέτρου Προθυμίας/Απροθυμίας 11
  • 12. Αρχική Επιλογή και Αξιολόγηση των Μεσαζόντων από τους Καταναλωτές 12 Εκκίνηση Προσομοίωσης Τυχαία Επιλογή Μεσάζοντα Αρχικά δεν έχουν γίνει συνεργασίες Ίσο αριθμό Καταναλωτών έχουν όλοι οι Μεσάζοντες Μετά από κάποιο Χρονικό Διάστημα Αξιολόγηση ΜεσαζόντωνΑπαιτήσεις των Καταναλωτών και Επιδόσεις των Μεσαζόντων Βαθμολογία σε κλίμακα 1-5
  • 13. Διαδικασία Αναζήτησης Καλύτερου Μεσάζοντα • Αρχικά, ο Καταναλωτής υπολογίζει μία τιμή χρησιμότητας για κάθε Μεσάζοντα, με βάση τις προσωπικές εμπειρίες του, η οποία δίνεται από τη σχέση: • Στη συνέχεια συμβουλεύεται τους υπόλοιπους Καταναλωτές κι υπολογίζει μία νέα τιμή χρησιμότητας για κάθε Μεσάζοντα, που δίνεται από την παρακάτω σχέση: • Τέλος, ορίζει την τελική τιμή χρησιμότητας κάθε Μεσάζοντα από τη σχέση: 13 𝑝𝑒𝑟𝑠𝑜𝑛𝑎𝑙_𝑢𝑡𝑖𝑙𝑖𝑡𝑦𝑖 = 𝑗=1 𝑝𝑎𝑟𝑎𝑚𝑒𝑡𝑒𝑟𝑠 𝑐𝑜𝑛𝑠𝑢𝑚𝑒𝑟_𝑝𝑟𝑒𝑓𝑗 ∗ 𝑐𝑜𝑛𝑠𝑢𝑚𝑒𝑟_𝑟𝑎𝑡𝑖𝑛𝑔𝑠𝑖𝑗 𝑜𝑡ℎ𝑒𝑟𝑠_𝑢𝑡𝑖𝑙𝑖𝑡𝑦𝑖 = 𝑘=1 𝑛𝑢𝑚𝑏𝑒𝑟_𝑜𝑓_𝑐𝑜𝑛𝑠𝑢𝑚𝑒𝑟𝑠 𝑗=1 𝑝𝑎𝑟𝑎𝑚𝑒𝑡𝑒𝑟𝑠 𝑐𝑜𝑛𝑠𝑢𝑚𝑒𝑟_𝑟𝑒𝑙𝑎𝑡𝑖𝑜𝑛𝑠 𝑘 × (𝑐𝑜𝑛𝑠𝑢𝑚𝑒𝑟_𝑝𝑟𝑒𝑓𝑗 + 𝑐𝑜𝑛𝑠𝑢𝑚𝑒𝑟_𝑟𝑎𝑡𝑖𝑛𝑔𝑠𝑖𝑘𝑗) 𝑢𝑡𝑖𝑙𝑖𝑡𝑦𝑖 = 𝑤1 ∗ 𝑝𝑒𝑟𝑠𝑜𝑛𝑎𝑙_𝑢𝑡𝑖𝑙𝑖𝑡𝑦𝑖 + 𝑤2 ∗ 𝑜𝑡ℎ𝑒𝑟𝑠_𝑢𝑡𝑖𝑙𝑖𝑡𝑦𝑖
  • 14. Διαδικασία Αναζήτησης Καλύτερου Μεσάζοντα • Το επόμενο βήμα της διαδικασίας είναι να εξετάσει την παράμετρο Προθυμίας/Απροθυμίας του Καταναλωτή και να επηρεάσει την τιμή χρησιμότητας (utility) κάθε Μεσάζοντα. 14 𝑃𝑖 = 𝑒 𝑙𝑜𝑔𝑖𝑐_𝑝𝑎𝑟𝑎𝑚 ∗ 𝑢𝑡𝑖𝑙𝑖𝑡𝑦 𝑖 𝑡∈𝑁 𝑒 𝑙𝑜𝑔𝑖𝑐_𝑝𝑎𝑟𝑎𝑚 ∗ 𝑢𝑡𝑖𝑙𝑖𝑡𝑦𝑡 ∙ 100 • Τέλος, ο Καταναλωτής αντιστοιχίζει μία πιθανότητα επιλογής σε κάθε Μεσάζοντα, ώστε να επιλέξει αυτόν με τον οποίο θα συνεργαστεί. Inconvenience < 0 Πρόθυμος Μειώνεται το utility του τωρινού Μεσάζοντα Διατηρείται σταθερό των υπολοίπων Inconvenience > 0 Απρόθυμος Μειώνεται το utility των υπολοίπων Μεσαζόντων Διατηρείται σταθερό του τωρινού Μεσάζοντα
  • 15. 15 1. Εισαγωγή 2. Μεθοδολογία – Υλοποίηση 3. Πειράματα Επαλήθευσης 4. Πειράματα Ελέγχου Εύρους Τιμών της Λογικής Παραμέτρου 5. Πείραμα με Πραγματικά Δεδομένα 6. Συμπεράσματα και Μελλοντικές Επεκτάσεις
  • 16. Πρώτο Πείραμα • Στο πείραμα αυτό, θέλουμε να επιβεβαιώσουμε την ορθή λειτουργία του μοντέλου, όταν συμμετέχουν λίγοι Πράκτορες–Μεσάζοντες και Πράκτορες– Καταναλωτές στη διαδικασία. • Για να εξετάσουμε την επιρροή της Λογικής Παραμέτρου, εισάγουμε τις παρακάτω τιμές στις γενικές μεταβλητές της υλοποίησης. • Οι επιδόσεις των Πρακτόρων-μεσαζόντων που δημιουργήθηκαν είναι: 16 Μεσάζοντας 1 [3 2 2 1] Μεσάζοντας 2 [4 2 3 3] Μεσάζοντας 3 [5 4 4 5] Μεσάζοντας 4 [1 1 5 3]
  • 17. Αποτελέσματα Αξιολόγησης της Λογικής Παραμέτρου 17 Μέσο μερίδιο αγοράς (%) Logic_param Μεσάζοντας 1 Μεσάζοντας 2 Μεσάζοντας 3 Μεσάζοντας 4 0 18 26 30 26 1 18 24 33 25 2 13 28 36 23 4 10 29 39 22 6 5 31 44 20 8 5 26 51 18 10 3 25 56 16 12 3 25 58 14 14 3 20 63 14 16 2 21 64 13 18 1 19 68 12 20 1 15 73 11 24 1 10 80 9 28 0 9 83 8 32 0 10 81 9 36 0 6 88 6 40 0 6 90 4 45 0 5 93 2 50 0 4 94 2 60 0 2 96 2 70 0 2 96 2 80 0 1 98 1 90 0 1 98 1 100 0 1 98 1 200 0 1 99 0 Καταναλωτής 39: Expected_performance: [2 1 1 2] Weights: [0.96 0.04]
  • 19. Αποτελέσματα Αξιολόγηση της Παραμέτρου Προθυμίας/Απροθυμίας Μέσο μερίδιο αγοράς (%) Inconvenience Μεσάζοντας 1 Μεσάζοντας 2 Μεσάζοντας 3 Μεσάζοντας 4 -0.5 1 33 54 12 -0.45 1 33 54 12 -0.4 1 33 54 12 -0.35 1 33 54 12 -0.3 1 33 54 12 -0.25 1 33 54 12 -0.2 1 33 54 12 -0.15 1 34 52 13 -0.1 1 25 65 9 -0.05 0 12 82 6 0 0 1 98 1 0.05 0 3 96 1 0.1 2 14 83 1 0.15 10 21 63 6 0.2 15 24 44 17 0.25 20 25 32 23 0.3 25 25 25 25 0.35 25 25 25 25 0.4 25 25 25 25 0.45 25 25 25 25 0.5 25 25 25 25 19
  • 20. Δεύτερο Πείραμα • Αυξάνουμε τους Πράκτορες–Μεσάζοντες και Πράκτορες–Καταναλωτές που θα συμμετέχουν στην προσομοίωση. • Οι επιδόσεις των Πρακτόρων–Μεσαζόντων που δημιουργήθηκαν είναι: 20 Μεσάζοντας 1 [5 5 3 3] Μεσάζοντας 2 [2 1 4 1] Μεσάζοντας 3 [1 5 3 1] Μεσάζοντας 4 [4 1 3 1] Μεσάζοντας 5 [5 3 5 3] Μεσάζοντας 6 [2 5 4 3] Μεσάζοντας 7 [3 1 5 1] Μεσάζοντας 8 [5 1 1 3] Μεσάζοντας 9 [3 2 2 1] Μεσάζοντας 10 [1 1 5 2]
  • 21. Αποτελέσματα Αξιολόγησης της Λογικής Παραμέτρου 21 Μέσο μερίδιο αγοράς (%) L_pa Μεσ 1 Μεσ 2 Μεσ 3 Μεσ 4 Μεσ 5 Μεσ 6 Μεσ 7 Μεσ 8 Μεσ 9 Μεσ 10 0 10 10 8 10 13.3 10.3 9.4 7 9.3 12.7 1 11 9.3 7.7 9.7 14 12.7 7.3 8 8.6 11.7 2 12 8 8 10.3 14.7 13 6.7 7.3 9 11 4 13 8.3 6.7 9.3 17 13.3 6.4 7 8.7 10.3 6 13.7 8 7.7 8 17.3 14.3 6.4 7 7.3 10.3 8 14.3 8 7.3 8.3 18 14.7 6.4 5.7 9.3 8 10 15.6 7 6.7 8 19.6 15 5.7 5.7 9 7.7 12 17 6.3 6.7 7.7 21 15.6 4.7 7.7 6 7.3 14 19.3 4 6.3 6 24.3 15 5.7 7 5.7 6.7 16 20 3.3 5.7 7.3 22.4 15.3 6 7 8 5 18 19.7 4.3 4.7 6 25.3 17 7 5 6.7 4.3 20 21.3 2.7 5.7 5.3 26.7 16.7 7 6.3 5 3.3 24 22 2.3 5 4 31 16.7 5.3 5.7 6 2 28 23 1.3 5.3 3.7 31.7 18.3 6 5 3 2.7 32 23.7 2 4.7 2.3 35.4 18.3 5.3 3.7 3.3 1.3 36 24.7 2.3 2.3 3 36.3 19.7 5.7 2.7 2 1.3 40 26.7 2 2.3 2.3 37.3 20.4 2 4 1.7 1.3 45 27 1.4 2.3 2.3 38.3 21.7 0.7 3.3 2 1 50 27 2 3.3 1.3 40 20.7 2.7 1.7 1 0.3 60 26.7 0.3 5.3 1 41 20.3 1.3 2.7 0.7 0.7 70 27 1.7 1.3 0.3 44.7 20.3 2 1.7 0.7 0.3 80 30.7 0 4.3 0.3 33.7 27 0.6 2 0.7 0.7 90 31.4 0 3.3 0 35 27.7 0.3 1.3 0.3 0.7 100 25.4 0 0.7 0 50.7 21.3 0.3 1 0.3 0.3 200 31 0 0 0 38.7 29.3 0 1 0 0
  • 22. Αποτελέσματα Αξιολόγηση της Παραμέτρου Προθυμίας/Απροθυμίας 22 Μέσο μερίδιο αγοράς (%) Inco Μεσ 1 Μεσ 2 Μεσ 3 Μεσ 4 Μεσ 5 Μεσ 6 Μεσ 7 Μεσ 8 Μεσ 9 Μεσ 10 -0.5 32 0 2 0 38 22.3 2.7 2 0.3 0.7 -0.45 32 0 2 0 38 22.3 2.7 2 0.3 0.7 -0.4 32 0 2 0 38 22.3 2.7 2 0.3 0.7 -0.35 32 0 2 0 38 22.3 2.7 2 0.3 0.7 -0.3 32 0 2 0 38 22.3 2.7 2 0.3 0.7 -0.25 32 0 2 0 38 22.3 2.7 2 0.3 0.7 -0.2 32 0 2 0 38 22.3 2.7 2 0.3 0.7 -0.15 32 0 2 0 38 22.3 2.7 2 0.3 0.7 -0.1 32.7 0 2 0 37.3 22.3 2.3 2.4 0.3 0.7 -0.05 32.3 0 1 0 36.7 24 2.3 1.7 1 1 0 31.4 0 3.3 0 35 27.7 0.3 1.3 0.3 0.7 0.05 43 0 1 0 38 14.3 0.3 1.7 0 1.7 0.1 38.7 1 2.7 1.7 32.3 14.7 2.3 3 1.3 2.3 0.15 26 3.3 6.7 5.3 23 13.7 6.6 4.7 6 4.7 0.2 20.3 6.3 8 7 16.7 11.7 8 6 8.3 7.7 0.25 13.7 9 9 9 11.3 10 9.4 9.3 9.3 10 0.3 11 9.7 10 9.7 10 10 10 9.6 9.7 10.3 0.35 10.3 9.7 10 10 10 10 10 10 10 10 0.4 10 10 10 10 10 10 10 10 10 10 0.45 10 10 10 10 10 10 10 10 10 10 0.5 10 10 10 10 10 10 10 10 10 10
  • 23. 23 1. Εισαγωγή 2. Μεθοδολογία – Υλοποίηση 3. Πειράματα Επαλήθευσης 4. Πειράματα Ελέγχου Εύρους Τιμών της Λογικής Παραμέτρου 5. Πείραμα με Πραγματικά Δεδομένα 6. Συμπεράσματα και Μελλοντικές Επεκτάσεις
  • 24. Τρίτο Πείραμα • Στο συγκεκριμένο πείραμα θέλουμε να εξετάσουμε το εύρος τιμών της Λογικής Παραμέτρου, ανάλογα με τον αριθμό των Πρακτόρων–Μεσαζόντων και την Παράμετρο Προθυμίας/Απροθυμίας. • Θα εκτελεστούν τρία σετ πειραμάτων για μικρό, μεσαίο και μεγάλο αριθμό Πρακτόρων–Μεσαζόντων (4, 7 και 10). • Σε κάθε σετ, η Παράμετρος Προθυμίας/Απροθυμίας θα παίρνει 4 διαφορετικές τιμές (0, 0.1, 0.25, 0.5). • Επειδή εξετάζεται η συμπεριφορά μόνο του πρώτου Καταναλωτή σε κάθε σετ πειραμάτων, θα εκτελεστούν 10 διαφορετικές προσομοιώσεις (με χρήση της εντολής random-seed), από τις οποίες θα πάρουμε τους Μέσους Όρους των Πιθανοτήτων που θα προκύψουν κάθε φορά. 24
  • 25. Μικρό Δείγμα 25 Πίνακας πιθανοτήτων με Inconvenience = 0 L_p Sd 5 Sd 7 Sd 10 Sd 17 Sd 22 Sd 25 Sd 32 Sd 34 Sd 42 Sd 50 ΜΟ 0 25 25 25 25 25 25 25 25 25 25 25 1 28 26 25 26 26 26 26 26 26 27 26.2 2 31 27 26 26 28 26 28 27 26 29 27.4 4 38 28 27 27 30 27 30 29 27 34 29.7 6 44 30 27 28 33 27 33 31 28 38 31.9 8 51 31 28 30 35 28 36 33 28 43 34.3 10 57 33 28 31 37 29 39 35 30 48 36.7 14 67 36 30 33 42 31 45 39 30 59 41.2 18 76 39 32 36 45 33 51 43 31 68 45.4 20 79 41 32 37 47 33 53 46 31 72 47.1 25 86 45 35 41 51 35 61 51 34 81 52 30 91 48 37 44 54 38 67 56 35 88 55.8 35 94 52 38 48 56 40 73 61 38 92 59.2 40 96 55 40 51 58 42 78 65 39 95 61.9 50 98 61 45 58 62 46 85 73 41 98 66.7 60 99 66 48 65 65 50 91 79 42 99 70.4 70 100 70 51 71 67 54 94 84 45 100 73.6 100 100 80 63 84 74 65 98 93 50 100 80.7 150 100 90 77 95 82 78 100 98 55 100 87.5 200 100 95 85 98 89 88 100 100 59 100 91.4 Πίνακας πιθανοτήτων με Inconvenience = 0.1 L_p Sd 5 Sd 7 Sd 10 Sd 17 Sd 22 Sd 25 Sd 32 Sd 34 Sd 42 Sd 50 ΜΟ 0 25 25 25 25 25 25 25 25 25 25 25 1 27 27 27 28 28 27 28 28 27 26 27.3 2 30 30 28 30 32 30 32 31 29 28 30 4 35 35 32 36 39 35 39 38 33 30 35.2 6 41 41 35 42 47 41 47 45 38 33 41 8 46 46 39 48 54 47 55 52 43 36 46.6 10 52 52 43 55 62 53 63 59 48 38 52.5 14 63 63 51 67 74 64 77 72 57 43 63.1 18 72 72 59 77 83 74 86 82 66 48 71.9 20 76 76 63 82 87 79 89 86 70 50 75.8 25 84 84 72 89 93 87 95 93 79 55 83.1 30 90 90 79 94 96 92 98 96 86 58 87.9 35 93 94 85 97 98 96 99 98 90 62 91.2 40 96 96 90 98 99 98 99 99 94 64 93.3 50 98 98 95 100 100 99 100 100 97 69 95.6 60 99 99 98 100 100 100 100 100 99 73 96.8 70 100 100 99 100 100 100 100 100 100 76 97.5 100 100 100 100 100 100 100 100 100 100 84 98.4 150 100 100 100 100 100 100 100 100 100 92 99.2 200 100 100 100 100 100 100 100 100 100 97 99.7 Πίνακας πιθανοτήτων με Inconvenience = 0.25 L_p Sd 5 Sd 7 Sd 10 Sd 17 Sd 22 Sd 25 Sd 32 Sd 34 Sd 42 Sd 50 ΜΟ 0 25 25 25 25 25 25 25 25 25 25 25 1 27 30 30 31 31 30 31 31 30 29 30 2 28 36 35 37 39 36 38 38 36 33 35.6 4 31 50 46 50 54 50 54 52 48 42 47.7 6 34 63 57 64 68 63 69 67 60 51 59.6 8 37 74 68 76 80 74 80 78 71 60 69.8 10 39 83 77 84 88 83 88 87 80 68 77.7 14 44 93 90 94 96 94 96 96 92 81 87.6 18 47 97 96 98 99 98 99 99 97 89 91.9 20 49 98 97 99 99 99 99 99 98 92 92.9 25 52 100 99 100 100 100 100 100 99 96 94.6 30 54 100 100 100 100 100 100 100 100 98 95.2 35 56 100 100 100 100 100 100 100 100 99 95.5 40 58 100 100 100 100 100 100 100 100 99 95.7 50 60 100 100 100 100 100 100 100 100 100 96 60 63 100 100 100 100 100 100 100 100 100 96.3 70 65 100 100 100 100 100 100 100 100 100 96.5 100 71 100 100 100 100 100 100 100 100 100 97.1 Πίνακας πιθανοτήτων με Inconvenience = 0.5 L_p Sd 5 Sd 7 Sd 10 Sd 17 Sd 22 Sd 25 Sd 32 Sd 34 Sd 42 Sd 50 ΜΟ 0 25 25 25 25 25 25 25 25 25 25 25 1 32 36 35 36 37 36 37 37 36 34 35.6 2 39 49 47 49 51 49 51 50 48 45 47.8 4 55 73 70 73 76 73 76 75 71 66 70.8 6 70 88 86 89 91 88 91 90 87 83 86.3 8 81 95 94 96 97 96 97 96 95 92 93.9 10 89 98 98 99 99 98 99 99 98 96 97.3 14 96 100 100 100 100 100 100 100 100 99 99.5 18 99 100 100 100 100 100 100 100 100 100 99.5 20 99 100 100 100 100 100 100 100 100 100 99.9 25 100 100 100 100 100 100 100 100 100 100 100
  • 26. Μεσαίο Δείγμα 26 Πίνακας πιθανοτήτων με Inconvenience = 0 L_p Sd 5 Sd 7 Sd 10 Sd 17 Sd 22 Sd 25 Sd 32 Sd 34 Sd 42 Sd 50 ΜΟ 0 16 16 16 16 16 16 16 16 16 16 16 1 15 15 15 15 15 15 15 15 15 15 15 2 16 16 15 15 16 16 16 15 16 16 15.7 4 19 18 16 16 19 19 18 16 18 18 17.7 6 21 19 18 17 21 21 20 17 19 21 19.4 8 23 21 20 18 23 24 22 18 20 23 21.2 10 26 23 20 19 25 27 25 20 22 26 23.3 14 31 27 24 22 29 32 29 22 26 32 27.4 18 36 30 26 24 33 38 35 24 28 37 31.1 20 38 32 29 25 35 41 37 25 29 40 33.1 25 45 37 31 29 40 49 44 28 33 48 38.4 30 51 42 35 32 44 56 51 31 35 55 43.2 35 57 47 38 35 48 63 57 35 36 62 47.8 40 63 51 40 39 52 69 63 38 38 68 52.1 50 72 59 47 46 59 79 73 43 40 78 59.6 60 80 66 51 54 66 86 81 49 42 85 66 70 85 73 56 60 71 91 87 54 43 90 71 100 95 86 68 78 82 98 96 66 46 97 81.2 150 99 96 81 93 92 100 99 81 48 100 88.9 Πίνακας πιθανοτήτων με Inconvenience = 0.1 L_p Sd 5 Sd 7 Sd 10 Sd 17 Sd 22 Sd 25 Sd 32 Sd 34 Sd 42 Sd 50 ΜΟ 0 16 16 16 16 16 16 16 16 16 16 16 1 15 15 16 15 15 15 15 16 15 17 15.4 2 16 15 16 17 16 16 16 18 16 19 16.5 4 18 17 18 19 18 19 17 22 18 25 19.1 6 19 18 20 22 20 21 19 26 20 32 21.7 8 21 19 22 26 22 23 21 31 21 40 24.6 10 22 20 24 29 24 26 22 36 23 49 27.5 14 25 23 29 37 28 31 26 48 27 65 33.9 18 28 25 34 45 32 35 29 60 30 78 39.6 20 29 27 36 49 34 38 31 65 32 83 42.4 25 32 30 42 59 39 43 35 77 36 92 48.5 30 35 33 48 69 43 48 38 85 40 96 53.5 35 37 36 54 76 48 52 41 91 43 98 57.6 40 39 39 60 83 52 56 44 94 47 99 61.3 50 43 45 70 91 59 63 49 98 53 100 67.1 60 46 50 78 96 66 68 53 99 59 100 71.5 70 48 55 84 98 71 73 56 100 65 100 75 100 51 69 94 100 82 82 62 100 79 100 81.9 150 54 83 99 100 92 91 69 100 92 100 88 Πίνακας πιθανοτήτων με Inconvenience = 0.25 L_p Sd 5 Sd 7 Sd 10 Sd 17 Sd 22 Sd 25 Sd 32 Sd 34 Sd 42 Sd 50 ΜΟ 0 16 16 16 16 16 16 16 16 16 16 16 1 17 17 17 18 16 17 17 18 17 19 17.3 2 20 19 21 21 17 21 20 22 20 24 20.5 4 28 25 28 30 20 30 28 33 28 38 28.8 6 37 33 38 41 23 40 37 46 37 54 38.6 8 46 41 48 53 26 50 46 60 47 69 48.6 10 56 49 59 65 29 61 56 72 58 81 58.6 14 73 66 77 83 37 78 74 88 75 94 74.5 18 85 79 88 92 44 89 86 96 87 98 84.4 20 89 84 92 95 48 92 90 97 90 99 87.6 25 95 92 97 98 57 97 96 99 96 100 92.7 30 98 96 99 99 65 99 98 100 98 100 95.2 35 99 98 100 100 72 100 99 100 99 100 96.7 40 100 99 100 100 78 100 100 100 100 100 97.7 50 100 100 100 100 87 100 100 100 100 100 98.7 60 100 100 100 100 92 100 100 100 100 100 99.2 70 100 100 100 100 95 100 100 100 100 100 99.5 100 100 100 100 100 99 100 100 100 100 100 99.9 Πίνακας πιθανοτήτων με Inconvenience = 0.5 L_p Sd 5 Sd 7 Sd 10 Sd 17 Sd 22 Sd 25 Sd 32 Sd 34 Sd 42 Sd 50 ΜΟ 0 16 16 16 16 16 16 16 16 16 16 16 1 21 20 21 21 19 21 21 22 21 23 21 2 30 28 30 31 25 30 29 32 30 35 30 4 51 48 52 54 40 53 51 58 52 63 52.2 6 72 69 73 76 57 75 72 80 73 84 73.1 8 86 84 87 89 72 88 86 92 87 94 86.5 10 94 92 95 96 84 95 94 97 94 98 93.9 14 99 98 99 99 95 99 99 100 99 100 98.7 18 100 100 100 100 99 100 100 100 100 100 99.9 20 100 100 100 100 99 100 100 100 100 100 99.9 25 100 100 100 100 100 100 100 100 100 100 100
  • 27. Μεγάλο Δείγμα 27 Πίνακας πιθανοτήτων με Inconvenience = 0 L_p Sd 5 Sd 7 Sd 10 Sd 17 Sd 22 Sd 25 Sd 32 Sd 34 Sd 42 Sd 50 ΜΟ 0 10 10 10 10 10 10 10 10 10 10 10 1 11 11 11 11 11 11 11 11 11 11 11 2 11 11 11 11 12 12 12 11 11 11 11.3 4 13 12 12 13 13 15 14 13 12 13 13 6 14 13 12 14 15 16 16 15 13 15 14.3 8 15 13 13 15 17 16 18 17 14 16 15.4 10 17 16 14 17 19 19 20 18 15 18 17.3 14 20 18 15 20 23 20 24 22 17 22 20.1 18 23 20 17 24 27 24 28 26 19 26 23.4 20 25 21 18 26 29 25 31 28 20 28 25.1 25 28 25 20 31 35 29 35 33 23 34 29.3 30 31 28 21 36 40 31 40 38 25 39 32.9 35 34 31 23 41 44 34 44 42 28 44 36.5 40 36 34 25 46 49 35 47 45 30 49 39.6 50 40 40 28 55 58 38 52 52 35 58 45.6 60 43 45 31 64 66 42 55 57 39 66 50.8 70 46 51 34 71 72 44 58 61 42 72 55.1 100 52 66 42 86 86 50 64 70 51 84 65.1 150 60 82 55 96 96 60 71 81 63 94 75.8 200 67 91 65 99 99 68 77 87 72 98 82.3 300 77 98 81 100 100 80 85 95 85 100 90.1 Πίνακας πιθανοτήτων με Inconvenience = 0.1 L_p Sd 5 Sd 7 Sd 10 Sd 17 Sd 22 Sd 25 Sd 32 Sd 34 Sd 42 Sd 50 ΜΟ 0 10 10 10 10 10 10 10 10 10 10 10 1 12 11 12 11 11 11 11 11 11 11 11.2 2 15 13 11 12 12 13 12 11 13 12 12.4 4 18 15 11 14 13 13 13 13 17 14 14.1 6 23 18 12 16 15 16 15 14 21 16 16.6 8 29 21 12 21 17 17 17 15 26 19 19.4 10 36 25 13 22 19 19 19 17 31 21 22.2 14 50 33 14 28 23 21 23 20 43 26 28.1 18 68 41 15 35 26 24 27 23 56 32 34.7 20 71 46 15 39 28 24 29 24 62 35 37.3 25 83 57 17 48 32 28 34 27 75 42 44.3 30 90 67 18 56 36 31 38 31 84 49 50 35 95 75 20 64 40 35 42 34 90 55 55 40 97 82 20 71 43 35 46 37 94 61 58.6 50 99 91 22 81 50 38 51 42 98 71 64.3 60 100 95 24 88 56 42 55 47 99 78 68.4 70 100 98 26 93 61 44 58 51 100 84 71.5 100 100 100 32 98 72 50 64 62 100 93 77.1 150 100 100 40 100 83 60 71 75 100 98 82.7 200 100 100 48 100 90 68 77 84 100 100 86.7 Πίνακας πιθανοτήτων με Inconvenience = 0.25 L_p Sd 5 Sd 7 Sd 10 Sd 17 Sd 22 Sd 25 Sd 32 Sd 34 Sd 42 Sd 50 ΜΟ 0 10 10 10 10 10 10 10 10 10 10 10 1 13 13 12 12 12 11 11 12 13 12 12.1 2 17 16 16 15 15 12 13 14 17 15 15 4 28 24 18 23 22 13 16 20 27 23 21.4 6 42 35 24 33 31 14 20 26 39 37 30.1 8 58 47 31 44 41 16 25 34 53 49 39.8 10 71 59 39 56 51 17 30 43 67 54 48.7 14 89 80 56 76 70 20 40 60 86 75 65.2 18 86 91 71 89 84 23 54 75 95 87 75.5 20 98 94 77 93 89 24 57 81 97 91 80.1 25 100 98 89 98 95 27 68 91 99 97 86.2 30 100 99 95 99 98 30 78 96 100 99 89.4 35 100 100 98 100 99 33 84 98 100 100 91.2 40 100 100 99 100 100 35 89 99 100 100 92.2 50 100 100 100 100 100 40 95 100 100 100 93.5 60 100 100 100 100 100 45 98 100 100 100 94.3 70 100 100 100 100 100 49 99 100 100 100 94.8 100 100 100 100 100 100 61 100 100 100 100 96.1 Πίνακας πιθανοτήτων με Inconvenience = 0.5 L_p Sd 5 Sd 7 Sd 10 Sd 17 Sd 22 Sd 25 Sd 32 Sd 34 Sd 42 Sd 50 ΜΟ 0 10 10 10 10 10 10 10 10 10 10 10 1 16 16 15 15 15 13 14 15 16 15 15 2 26 24 21 23 23 18 20 21 25 23 22.4 4 52 46 38 45 44 29 35 40 50 44 42.3 6 77 70 59 69 67 43 53 61 74 68 64.1 8 91 87 77 85 84 58 78 79 89 85 81.3 10 97 95 89 94 93 72 84 90 96 94 90.4 14 100 99 98 99 99 89 96 98 100 99 97.7 18 100 100 100 100 100 96 99 100 100 100 99.5 20 100 100 100 100 100 98 99 100 100 100 99.7 25 100 100 100 100 100 99 100 100 100 100 99.9 30 100 100 100 100 100 100 100 100 100 100 100
  • 28. 28 1. Εισαγωγή 2. Μεθοδολογία – Υλοποίηση 3. Πειράματα Επαλήθευσης 4. Πειράματα Ελέγχου Εύρους Τιμών της Λογικής Παραμέτρου 5. Πείραμα με Πραγματικά Δεδομένα 6. Συμπεράσματα και Μελλοντικές Επεκτάσεις
  • 29. Τέταρτο Πείραμα • Στο πείραμα αυτό θα εξετάσουμε και θα επαληθεύσουμε την ορθή λειτουργία του μοντέλου, χρησιμοποιώντας τα δεδομένα μίας πραγματικής και σύγχρονης Αγοράς Ηλεκτρικής Ενέργειας. • Κάνοντας χρήση κάποιων στατιστικών δεδομένων και μιας επιστημονικής έρευνας θα προσομοιώσουμε τους Πράκτορες–Μεσάζοντες και τη συμπεριφορά των Πρακτόρων–Καταναλωτών που θα συμμετέχουν στο πείραμα. • Στο πείραμα θα συμμετέχουν 20 Πράκτορες–Μεσάζοντες και 1000 Πράκτορες–Καταναλωτές, ενώ ο χρόνος εκτέλεσής του θα είναι 60 ticks (5 χρόνια). 29
  • 30. Οι Πράκτορες–Μεσάζοντες Για τους Πράκτορες-Μεσάζοντες χρησιμοποιήθηκαν τα δεδομένα αξιολόγησης των παρόχων Ηλεκτρικής Ενέργειας που δραστηριοποιούνται στην Πολιτεία του Texas και τα οποία είναι διαθέσιμα στη σελίδα του Office of Electricity Delivery & Energy Reliability. 30 Τιμολόγηση Χρέωση Επικοινωνία Εξυπηρέτηση Ambit Energy 4 4 5 4 Amigo Energy 4 4 4 4 Bounce Energy 3 4 3 2 Champion Energy 5 5 5 4 Cirro Energy 4 4 3 4 CPL Retail Energy 3 2 3 3 Direct Energy 4 4 4 3 Dynowatt 3 4 2 2 First Choice Power 3 3 3 3 Gexa Energy 4 4 4 4 Green Mountain Energy 4 4 5 4 Just Energy Texas 2 3 2 3 Other Retailer 3 4 4 3 Reliant Energy Retail 3 3 3 4 Southwest Power Light 2 3 2 3 Spark Energy 4 5 5 5 StarTex Power 5 4 5 5 Stream Energy 4 4 4 3 Texas Power 3 3 4 4 TXU Energy Company 3 2 2 2
  • 31. Οι Πράκτορες–Καταναλωτές Για τους Πράκτορες–Καταναλωτές χρησιμοποιήθηκε μια αναφορά, όπου παρουσιάζεται μια έρευνα σχετικά με τους Καταναλωτές Ηλεκτρικής Ενέργειας των Ηνωμένων Πολιτειών της Αμερικής. Ανάλογα με τις αξίες τους, τις πεποιθήσεις τους και τον τρόπο ζωής τους μπορούν να χωριστούν οι Καταναλωτές σε 5 κατηγορίες: 1. Easy Street: 20% του πληθυσμού, Υψηλό Εισόδημα, Χαμηλές Απαιτήσεις σε Τιμολόγηση και Χρέωση, Μεσαία Λογική, Πρόθυμοι για Αλλαγή Μεσάζοντα. 2. DIY & Save: 16% του πληθυσμού, Μεσαίο Εισόδημα, Υψηλές Απαιτήσεις σε Τιμολόγηση και Χρέωση, Υψηλή Λογική, Απρόθυμοι για Αλλαγή Μεσάζοντα. 3. Concerned Greens: 31% του πληθυσμού, Ενδιαφέρον για το Περιβάλλον, Υψηλές Απαιτήσεις σε Τιμολόγηση και Επικοινωνία, Μεσαία Λογική. 4. Young America: 23% του πληθυσμού, Χαμηλό Εισόδημα, Υψηλές Απαιτήσεις σε Τιμολόγηση και Εξυπηρέτηση, Χαμηλές Απαιτήσεις σε Επικοινωνία, Μεσαία Λογική, Απρόθυμοι για Αλλαγή Μεσάζοντα. 5. Traditionals: 10% του πληθυσμού, Ηλικιωμένοι Καταναλωτές, Υψηλές Απαιτήσεις σε Επικοινωνία και Εξυπηρέτηση, Χαμηλή Λογική, Απρόθυμοι για Αλλαγή Μεσάζοντα. 31
  • 33. Αποτελέσματα Πειράματος • Μεσαία Λογική • Χαμηλές Απαιτήσεις σε Τιμολόγηση και Χρέωση • Πιθανή ύπαρξη μη Απαιτητικών Πελατών 33 0 2 4 6 8 10 12 14 Μερίδιο Αγοράς για τους καταναλωτές Easy Street (%)
  • 34. Αποτελέσματα Πειράματος • Υψηλή Λογική • Απρόθυμοι για Αλλαγή Μεσάζοντα • Υψηλές Απαιτήσεις σε Τιμολόγηση και Χρέωση 34 0 2 4 6 8 10 12 14 16 18 20 Μερίδιο Αγοράς για τους καταναλωτές DIY & Save (%)
  • 35. Αποτελέσματα Πειράματος • Μεσαία Λογική • Δεν τους απασχολεί ποιος θα είναι ο Μεσάζοντας • Υψηλές Απαιτήσεις σε Τιμολόγηση και Επικοινωνία 35 0 5 10 15 20 25 30 Μερίδιο Αγοράς για τους καταναλωτές Concerned Green (%)
  • 36. Αποτελέσματα Πειράματος • Μεσαία Λογική • Απρόθυμοι για αλλαγή Μεσάζοντα • Υψηλές Απαιτήσεις σε Τιμολόγηση και Εξυπηρέτηση 36 0 2 4 6 8 10 12 14 16 18 20 Μερίδιο Αγοράς για τους καταναλωτές Young America (%)
  • 37. Αποτελέσματα Πειράματος • Χαμηλή Λογική • Απρόθυμοι για Αλλαγή Μεσάζοντα 37 0 2 4 6 8 10 12 14 16 Μερίδιο Αγοράς για τους καταναλωτές Traditionals (%)
  • 38. 38 1. Εισαγωγή 2. Μεθοδολογία – Υλοποίηση 3. Πειράματα Επαλήθευσης 4. Πειράματα Ελέγχου Εύρους Τιμών της Λογικής Παραμέτρου 5. Πείραμα με Πραγματικά Δεδομένα 6. Συμπεράσματα και Μελλοντικές Επεκτάσεις
  • 39. Συμπεράσματα • Δημιουργήθηκε μία εύχρηστη πλατφόρμα, όπου ο χρήστης μπορεί να πειραματιστεί ευρέως και να πραγματοποιήσει την προσομοίωση που επιθυμεί για να εξάγει χρήσιμα συμπεράσματα. • Αυξάνοντας την τιμή της Λογικής Παραμέτρου, οι Καταναλωτές πραγματοποιούν πιο ορθολογικές επιλογές κι έτσι αυξάνονται τα ποσοστά του μεριδίου αγοράς που αντιστοιχούν στους καλύτερους Μεσάζοντες. • Όσο αυξάνεται η τιμή της παραμέτρου Προθυμίας/Απροθυμίας, τόσο πιο δύσκολο είναι για τους Καταναλωτές να αντικαταστήσουν τους Μεσάζοντές τους για κάποιους άλλους. • Για αρνητικές τιμές της παραμέτρου Προθυμίας/Απροθυμίας, οι επιλογές των Καταναλωτών εναλλάσσονται μεταξύ των Μεσαζόντων που προσφέρουν τις καλύτερες υπηρεσίες. 39
  • 40. Μελλοντικές Επεκτάσεις • Αλλαγή των χαρακτηριστικών (Τιμολόγηση, Χρέωση, Επικοινωνία, Εξυπηρέτηση) που εξετάζονται από το μοντέλο και με βάσει τα οποία αξιολογούνται οι Πράκτορες–Μεσάζοντες για τις υπηρεσίες που προσφέρουν. • Ανανέωση των προτιμήσεων που δείχνουν οι Πράκτορες–Καταναλωτές σε κάθε χαρακτηριστικό που εξετάζεται από το μοντέλο, κατά τη διάρκεια εκτέλεσης μιας προσομοίωσης. • Ανανέωση του επιπέδου των υπηρεσιών που προσφέρουν οι Πράκτορες–Μεσάζοντες κατά τη διάρκεια εκτέλεσης μιας προσομοίωσης. 40
  • 41. Ευχαριστώ για την προσοχή σας Μακέδας Θεμιστοκλής thmakedas@gmail.com 41