Μακέδας Θεμιστοκλής

ISSEL
ISSELISSEL
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
1 of 41

Recommended

Αξιολόγηση Υπηρεσιών ΕΒΕΧ 2014 by
Αξιολόγηση Υπηρεσιών ΕΒΕΧ 2014 Αξιολόγηση Υπηρεσιών ΕΒΕΧ 2014
Αξιολόγηση Υπηρεσιών ΕΒΕΧ 2014 Sentiment Analysis Research and Marketing
40 views60 slides
Νικηφόρος Σακκάς by
Νικηφόρος Σακκάς Νικηφόρος Σακκάς
Νικηφόρος Σακκάς ISSEL
262 views28 slides
Μαρία Κωτούζα 7714 by
Μαρία Κωτούζα 7714Μαρία Κωτούζα 7714
Μαρία Κωτούζα 7714ISSEL
442 views39 slides
Ναταλία Μιχαηλίδου by
Ναταλία ΜιχαηλίδουΝαταλία Μιχαηλίδου
Ναταλία ΜιχαηλίδουISSEL
293 views21 slides
Ουζούνης Γεώργιος by
Ουζούνης ΓεώργιοςΟυζούνης Γεώργιος
Ουζούνης ΓεώργιοςISSEL
208 views33 slides
Περδικίδης Μιχάλης 7594 by
Περδικίδης Μιχάλης 7594Περδικίδης Μιχάλης 7594
Περδικίδης Μιχάλης 7594ISSEL
210 views16 slides

More Related Content

Similar to Μακέδας Θεμιστοκλής

Data Mining from World Bank and Fitch by
Data Mining from World Bank and FitchData Mining from World Bank and Fitch
Data Mining from World Bank and FitchIlias Georgousis
194 views28 slides
Maniadis Ioannis by
Maniadis IoannisManiadis Ioannis
Maniadis IoannisISSEL
129 views44 slides
Μιλτιάδης Σιάββας 7523 by
Μιλτιάδης Σιάββας 7523Μιλτιάδης Σιάββας 7523
Μιλτιάδης Σιάββας 7523ISSEL
205 views38 slides
System Development for Prediction of Static Analysis Metrics of Source Code by
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
6 views27 slides
Ανάπτυξη συστήματος πρόβλεψης της εξέλιξης των μετρικών στατικής ανάλυσης πηγ... by
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
11 views27 slides
CEO Forum 2015 Stefanos Komninos by
CEO Forum 2015 Stefanos KomninosCEO Forum 2015 Stefanos Komninos
CEO Forum 2015 Stefanos KomninosStefanos Komninos
211 views19 slides

Similar to Μακέδας Θεμιστοκλής(20)

Data Mining from World Bank and Fitch by Ilias Georgousis
Data Mining from World Bank and FitchData Mining from World Bank and Fitch
Data Mining from World Bank and Fitch
Ilias Georgousis194 views
Maniadis Ioannis by ISSEL
Maniadis IoannisManiadis Ioannis
Maniadis Ioannis
ISSEL129 views
Μιλτιάδης Σιάββας 7523 by ISSEL
Μιλτιάδης Σιάββας 7523Μιλτιάδης Σιάββας 7523
Μιλτιάδης Σιάββας 7523
ISSEL205 views
System Development for Prediction of Static Analysis Metrics of Source Code by ISSEL
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
ISSEL6 views
Ανάπτυξη συστήματος πρόβλεψης της εξέλιξης των μετρικών στατικής ανάλυσης πηγ... by ISSEL
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...
ISSEL11 views
5ο ΠΑΝΕΛΛΗΝΙΟ ΣΥΝΕΔΡΙΟ ΓΙΑ ΤΗ ΔΙΟΙΚΗΣΗ, ΤΑ ΟΙΚΟΝΟΜΙΚΑ ΚΑΙ ΤΙΣ ΠΟΛΙΤΙΚΕΣ ΥΓΕΙΑΣ by Filippos Stamatiadis
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
Optimizing e-commerce conversion rate with dynamic pricing techniques by ISSEL
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
ISSEL48 views
Βελτίωση του ρυθμού μετατροπής ηλεκτρονικών καταστημάτων με τεχνικές δυναμική... by ISSEL
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...
ISSEL89 views
Γεροκώστα by ISSEL
ΓεροκώσταΓεροκώστα
Γεροκώστα
ISSEL119 views
Μοσχογλου Στυλιανός by ISSEL
Μοσχογλου ΣτυλιανόςΜοσχογλου Στυλιανός
Μοσχογλου Στυλιανός
ISSEL128 views
Ιωάννης Γούτας by ISSEL
Ιωάννης ΓούταςΙωάννης Γούτας
Ιωάννης Γούτας
ISSEL111 views
PPK-RCM OD2 Business and Cluster Intelligence in ICT: The Paltform and the ap... by URENIO Research Unit
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 by ISSEL
Anastasios KakourisAnastasios Kakouris
Anastasios Kakouris
ISSEL249 views
Αναστασία Ηροδότου by ISSEL
Αναστασία ΗροδότουΑναστασία Ηροδότου
Αναστασία Ηροδότου
ISSEL151 views
Εισαγωγή στη Στατιστική by Pantelis Bouboulis
Εισαγωγή στη ΣτατιστικήΕισαγωγή στη Στατιστική
Εισαγωγή στη Στατιστική
Pantelis Bouboulis2.3K views
Key Account Management (Greek) by Nick Soueref
Key Account Management (Greek)Key Account Management (Greek)
Key Account Management (Greek)
Nick Soueref1.3K views
«Αξιολόγηση απολογισμών εταιρικής υπευθυνότητας στην Ελλάδα: Αποτελέσματα έρε... by Starttech Ventures
«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 Ventures388 views
Giannopoulos Nikolaos: Ανάπτυξη Τεχνικών Εξατομίκευσης Διαφημιστικών Προβολών... by Manos Tsardoulias
Giannopoulos Nikolaos: Ανάπτυξη Τεχνικών Εξατομίκευσης Διαφημιστικών Προβολών...Giannopoulos Nikolaos: Ανάπτυξη Τεχνικών Εξατομίκευσης Διαφημιστικών Προβολών...
Giannopoulos Nikolaos: Ανάπτυξη Τεχνικών Εξατομίκευσης Διαφημιστικών Προβολών...

More from ISSEL

Camera-based localization of annotated objects in indoor environments by
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
12 views38 slides
Εντοπισμός θέσης επισημασμένου αντικειμένου σε εσωτερικό χώρο με χρήση πολλαπ... by
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
6 views38 slides
Design and implementation of an automation mechanism to automatically develop... by
Design and implementation of an automation mechanism to automatically develop...Design and implementation of an automation mechanism to automatically develop...
Design and implementation of an automation mechanism to automatically develop...ISSEL
4 views17 slides
ΣΧΕΔΙΑΣΗ ΚΑΙ ΑΝΑΠΤΥΞΗ ΜΗΧΑΝΙΣΜΟΥ ΑΥΤΟΜΑΤΟΠΟΙΗΣΗΣ ΤΗΣ ΑΝΑΠΤΥΞΗΣ ΓΡΑΦΙΚΩΝ ΕΝΤΟΛ... by
ΣΧΕΔΙΑΣΗ ΚΑΙ ΑΝΑΠΤΥΞΗ ΜΗΧΑΝΙΣΜΟΥ ΑΥΤΟΜΑΤΟΠΟΙΗΣΗΣ ΤΗΣ ΑΝΑΠΤΥΞΗΣ ΓΡΑΦΙΚΩΝ ΕΝΤΟΛ...ΣΧΕΔΙΑΣΗ ΚΑΙ ΑΝΑΠΤΥΞΗ ΜΗΧΑΝΙΣΜΟΥ ΑΥΤΟΜΑΤΟΠΟΙΗΣΗΣ ΤΗΣ ΑΝΑΠΤΥΞΗΣ ΓΡΑΦΙΚΩΝ ΕΝΤΟΛ...
ΣΧΕΔΙΑΣΗ ΚΑΙ ΑΝΑΠΤΥΞΗ ΜΗΧΑΝΙΣΜΟΥ ΑΥΤΟΜΑΤΟΠΟΙΗΣΗΣ ΤΗΣ ΑΝΑΠΤΥΞΗΣ ΓΡΑΦΙΚΩΝ ΕΝΤΟΛ...ISSEL
6 views17 slides
Static Analysis of Python code and Identification of Potential Security Vulne... by
Static Analysis of Python code and Identification of Potential Security Vulne...Static Analysis of Python code and Identification of Potential Security Vulne...
Static Analysis of Python code and Identification of Potential Security Vulne...ISSEL
7 views16 slides
Στατική Ανάλυση Κώδικα Python και Αναγνώριση Πιθανών Ευπαθειών Ασφαλείας για ... by
Στατική Ανάλυση Κώδικα Python και Αναγνώριση Πιθανών Ευπαθειών Ασφαλείας για ...Στατική Ανάλυση Κώδικα Python και Αναγνώριση Πιθανών Ευπαθειών Ασφαλείας για ...
Στατική Ανάλυση Κώδικα Python και Αναγνώριση Πιθανών Ευπαθειών Ασφαλείας για ...ISSEL
26 views27 slides

More from ISSEL(20)

Camera-based localization of annotated objects in indoor environments by ISSEL
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
ISSEL12 views
Εντοπισμός θέσης επισημασμένου αντικειμένου σε εσωτερικό χώρο με χρήση πολλαπ... by ISSEL
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...
ISSEL6 views
Design and implementation of an automation mechanism to automatically develop... by ISSEL
Design and implementation of an automation mechanism to automatically develop...Design and implementation of an automation mechanism to automatically develop...
Design and implementation of an automation mechanism to automatically develop...
ISSEL4 views
ΣΧΕΔΙΑΣΗ ΚΑΙ ΑΝΑΠΤΥΞΗ ΜΗΧΑΝΙΣΜΟΥ ΑΥΤΟΜΑΤΟΠΟΙΗΣΗΣ ΤΗΣ ΑΝΑΠΤΥΞΗΣ ΓΡΑΦΙΚΩΝ ΕΝΤΟΛ... by ISSEL
ΣΧΕΔΙΑΣΗ ΚΑΙ ΑΝΑΠΤΥΞΗ ΜΗΧΑΝΙΣΜΟΥ ΑΥΤΟΜΑΤΟΠΟΙΗΣΗΣ ΤΗΣ ΑΝΑΠΤΥΞΗΣ ΓΡΑΦΙΚΩΝ ΕΝΤΟΛ...ΣΧΕΔΙΑΣΗ ΚΑΙ ΑΝΑΠΤΥΞΗ ΜΗΧΑΝΙΣΜΟΥ ΑΥΤΟΜΑΤΟΠΟΙΗΣΗΣ ΤΗΣ ΑΝΑΠΤΥΞΗΣ ΓΡΑΦΙΚΩΝ ΕΝΤΟΛ...
ΣΧΕΔΙΑΣΗ ΚΑΙ ΑΝΑΠΤΥΞΗ ΜΗΧΑΝΙΣΜΟΥ ΑΥΤΟΜΑΤΟΠΟΙΗΣΗΣ ΤΗΣ ΑΝΑΠΤΥΞΗΣ ΓΡΑΦΙΚΩΝ ΕΝΤΟΛ...
ISSEL6 views
Static Analysis of Python code and Identification of Potential Security Vulne... by ISSEL
Static Analysis of Python code and Identification of Potential Security Vulne...Static Analysis of Python code and Identification of Potential Security Vulne...
Static Analysis of Python code and Identification of Potential Security Vulne...
ISSEL7 views
Στατική Ανάλυση Κώδικα Python και Αναγνώριση Πιθανών Ευπαθειών Ασφαλείας για ... by ISSEL
Στατική Ανάλυση Κώδικα Python και Αναγνώριση Πιθανών Ευπαθειών Ασφαλείας για ...Στατική Ανάλυση Κώδικα Python και Αναγνώριση Πιθανών Ευπαθειών Ασφαλείας για ...
Στατική Ανάλυση Κώδικα Python και Αναγνώριση Πιθανών Ευπαθειών Ασφαλείας για ...
ISSEL26 views
Design and Development of an Authorization and Access Control Mechanism for C... by ISSEL
Design and Development of an Authorization and Access Control Mechanism for C...Design and Development of an Authorization and Access Control Mechanism for C...
Design and Development of an Authorization and Access Control Mechanism for C...
ISSEL13 views
Σχεδίαση και Ανάπτυξη Μηχανισμού Εξουσιοδότησης και Ελέγχου Πρόσβασης σε Συνο... by ISSEL
Σχεδίαση και Ανάπτυξη Μηχανισμού Εξουσιοδότησης και Ελέγχου Πρόσβασης σε Συνο...Σχεδίαση και Ανάπτυξη Μηχανισμού Εξουσιοδότησης και Ελέγχου Πρόσβασης σε Συνο...
Σχεδίαση και Ανάπτυξη Μηχανισμού Εξουσιοδότησης και Ελέγχου Πρόσβασης σε Συνο...
ISSEL19 views
Analysis and profiling of developer profiles using data mining techniques fro... by ISSEL
Analysis and profiling of developer profiles using data mining techniques fro...Analysis and profiling of developer profiles using data mining techniques fro...
Analysis and profiling of developer profiles using data mining techniques fro...
ISSEL3 views
Ανάλυση και μοντελοποίηση προφίλ προγραμματιστών μέσω τεχνικών εξόρυξης γνώση... by ISSEL
Ανάλυση και μοντελοποίηση προφίλ προγραμματιστών μέσω τεχνικών εξόρυξης γνώση...Ανάλυση και μοντελοποίηση προφίλ προγραμματιστών μέσω τεχνικών εξόρυξης γνώση...
Ανάλυση και μοντελοποίηση προφίλ προγραμματιστών μέσω τεχνικών εξόρυξης γνώση...
ISSEL8 views
TOWARDS AN AUTOMATED SOURCE CODE FORMATTING SYSTEM by ISSEL
TOWARDS AN AUTOMATED SOURCE CODE FORMATTING SYSTEMTOWARDS AN AUTOMATED SOURCE CODE FORMATTING SYSTEM
TOWARDS AN AUTOMATED SOURCE CODE FORMATTING SYSTEM
ISSEL3 views
ΔΗΜΙΟΥΡΓΙΑ ΣΥΣΤΗΜΑΤΟΣ ΓΙΑ ΤΗΝ ΠΑΡΟΧΗ ΠΡΟΤΑΣΕΩΝ ΒΕΛΤΙΩΣΗΣ ΤΗΣ ΜΟΡΦΟΠΟΙΗΣΗΣ ΠΗΓ... by ISSEL
ΔΗΜΙΟΥΡΓΙΑ ΣΥΣΤΗΜΑΤΟΣ ΓΙΑ ΤΗΝ ΠΑΡΟΧΗ ΠΡΟΤΑΣΕΩΝ ΒΕΛΤΙΩΣΗΣ ΤΗΣ ΜΟΡΦΟΠΟΙΗΣΗΣ ΠΗΓ...ΔΗΜΙΟΥΡΓΙΑ ΣΥΣΤΗΜΑΤΟΣ ΓΙΑ ΤΗΝ ΠΑΡΟΧΗ ΠΡΟΤΑΣΕΩΝ ΒΕΛΤΙΩΣΗΣ ΤΗΣ ΜΟΡΦΟΠΟΙΗΣΗΣ ΠΗΓ...
ΔΗΜΙΟΥΡΓΙΑ ΣΥΣΤΗΜΑΤΟΣ ΓΙΑ ΤΗΝ ΠΑΡΟΧΗ ΠΡΟΤΑΣΕΩΝ ΒΕΛΤΙΩΣΗΣ ΤΗΣ ΜΟΡΦΟΠΟΙΗΣΗΣ ΠΗΓ...
ISSEL11 views
Micro Front-ends and Microservices Architecture in Web Application Development by ISSEL
Micro Front-ends and Microservices Architecture in Web Application DevelopmentMicro Front-ends and Microservices Architecture in Web Application Development
Micro Front-ends and Microservices Architecture in Web Application Development
ISSEL8 views
Η αρχιτεκτονική των Microservices και Micro Front-ends στην Ανάπτυξη Εφαρµογώ... by ISSEL
Η αρχιτεκτονική των Microservices και Micro Front-ends στην Ανάπτυξη Εφαρµογώ...Η αρχιτεκτονική των Microservices και Micro Front-ends στην Ανάπτυξη Εφαρµογώ...
Η αρχιτεκτονική των Microservices και Micro Front-ends στην Ανάπτυξη Εφαρµογώ...
ISSEL19 views
Indoor localization using wireless networks by ISSEL
Indoor localization using wireless networksIndoor localization using wireless networks
Indoor localization using wireless networks
ISSEL5 views
Εντοπισμός θέσης σε εσωτερικούς χώρους με χρήση ασύρματων δικτύων by ISSEL
Εντοπισμός θέσης σε εσωτερικούς χώρους με χρήση ασύρματων δικτύωνΕντοπισμός θέσης σε εσωτερικούς χώρους με χρήση ασύρματων δικτύων
Εντοπισμός θέσης σε εσωτερικούς χώρους με χρήση ασύρματων δικτύων
ISSEL10 views
Design and implementation of a big data architecture for storage, real-time p... by ISSEL
Design and implementation of a big data architecture for storage, real-time p...Design and implementation of a big data architecture for storage, real-time p...
Design and implementation of a big data architecture for storage, real-time p...
ISSEL9 views
Σχεδιασµός και υλοποίηση µιας αρχιτεκτονικής µεγάλων δεδοµένων για την αποθήκ... by ISSEL
Σχεδιασµός και υλοποίηση µιας αρχιτεκτονικής µεγάλων δεδοµένων για την αποθήκ...Σχεδιασµός και υλοποίηση µιας αρχιτεκτονικής µεγάλων δεδοµένων για την αποθήκ...
Σχεδιασµός και υλοποίηση µιας αρχιτεκτονικής µεγάλων δεδοµένων για την αποθήκ...
ISSEL16 views
Ανάπτυξη Συστήματος Παραγωγής Ερωτήσεων & Γνωσιακού Γράφου από Πρόσφατα Νέα μ... by ISSEL
Ανάπτυξη Συστήματος Παραγωγής Ερωτήσεων & Γνωσιακού Γράφου από Πρόσφατα Νέα μ...Ανάπτυξη Συστήματος Παραγωγής Ερωτήσεων & Γνωσιακού Γράφου από Πρόσφατα Νέα μ...
Ανάπτυξη Συστήματος Παραγωγής Ερωτήσεων & Γνωσιακού Γράφου από Πρόσφατα Νέα μ...
ISSEL15 views
Development of a system for designing remote digital image processing pipelin... by ISSEL
Development of a system for designing remote digital image processing pipelin...Development of a system for designing remote digital image processing pipelin...
Development of a system for designing remote digital image processing pipelin...
ISSEL5 views

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