CN104090861B - 动态离群值偏倚减少系统和方法 - Google Patents
动态离群值偏倚减少系统和方法 Download PDFInfo
- Publication number
- CN104090861B CN104090861B CN201410058245.XA CN201410058245A CN104090861B CN 104090861 B CN104090861 B CN 104090861B CN 201410058245 A CN201410058245 A CN 201410058245A CN 104090861 B CN104090861 B CN 104090861B
- Authority
- CN
- China
- Prior art keywords
- data
- error
- value
- acquisition system
- data acquisition
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
- H01J37/00—Discharge tubes with provision for introducing objects or material to be exposed to the discharge, e.g. for the purpose of examination or processing thereof
- H01J37/32—Gas-filled discharge tubes
- H01J37/32431—Constructional details of the reactor
- H01J37/32715—Workpiece holder
- H01J37/32724—Temperature
-
- C—CHEMISTRY; METALLURGY
- C23—COATING METALLIC MATERIAL; COATING MATERIAL WITH METALLIC MATERIAL; CHEMICAL SURFACE TREATMENT; DIFFUSION TREATMENT OF METALLIC MATERIAL; COATING BY VACUUM EVAPORATION, BY SPUTTERING, BY ION IMPLANTATION OR BY CHEMICAL VAPOUR DEPOSITION, IN GENERAL; INHIBITING CORROSION OF METALLIC MATERIAL OR INCRUSTATION IN GENERAL
- C23C—COATING METALLIC MATERIAL; COATING MATERIAL WITH METALLIC MATERIAL; SURFACE TREATMENT OF METALLIC MATERIAL BY DIFFUSION INTO THE SURFACE, BY CHEMICAL CONVERSION OR SUBSTITUTION; COATING BY VACUUM EVAPORATION, BY SPUTTERING, BY ION IMPLANTATION OR BY CHEMICAL VAPOUR DEPOSITION, IN GENERAL
- C23C16/00—Chemical coating by decomposition of gaseous compounds, without leaving reaction products of surface material in the coating, i.e. chemical vapour deposition [CVD] processes
- C23C16/44—Chemical coating by decomposition of gaseous compounds, without leaving reaction products of surface material in the coating, i.e. chemical vapour deposition [CVD] processes characterised by the method of coating
- C23C16/458—Chemical coating by decomposition of gaseous compounds, without leaving reaction products of surface material in the coating, i.e. chemical vapour deposition [CVD] processes characterised by the method of coating characterised by the method used for supporting substrates in the reaction chamber
- C23C16/4582—Rigid and flat substrates, e.g. plates or discs
- C23C16/4583—Rigid and flat substrates, e.g. plates or discs the substrate being supported substantially horizontally
- C23C16/4586—Elements in the interior of the support, e.g. electrodes, heating or cooling devices
-
- C—CHEMISTRY; METALLURGY
- C23—COATING METALLIC MATERIAL; COATING MATERIAL WITH METALLIC MATERIAL; CHEMICAL SURFACE TREATMENT; DIFFUSION TREATMENT OF METALLIC MATERIAL; COATING BY VACUUM EVAPORATION, BY SPUTTERING, BY ION IMPLANTATION OR BY CHEMICAL VAPOUR DEPOSITION, IN GENERAL; INHIBITING CORROSION OF METALLIC MATERIAL OR INCRUSTATION IN GENERAL
- C23C—COATING METALLIC MATERIAL; COATING MATERIAL WITH METALLIC MATERIAL; SURFACE TREATMENT OF METALLIC MATERIAL BY DIFFUSION INTO THE SURFACE, BY CHEMICAL CONVERSION OR SUBSTITUTION; COATING BY VACUUM EVAPORATION, BY SPUTTERING, BY ION IMPLANTATION OR BY CHEMICAL VAPOUR DEPOSITION, IN GENERAL
- C23C16/00—Chemical coating by decomposition of gaseous compounds, without leaving reaction products of surface material in the coating, i.e. chemical vapour deposition [CVD] processes
- C23C16/44—Chemical coating by decomposition of gaseous compounds, without leaving reaction products of surface material in the coating, i.e. chemical vapour deposition [CVD] processes characterised by the method of coating
- C23C16/46—Chemical coating by decomposition of gaseous compounds, without leaving reaction products of surface material in the coating, i.e. chemical vapour deposition [CVD] processes characterised by the method of coating characterised by the method used for heating the substrate
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
- H01J37/00—Discharge tubes with provision for introducing objects or material to be exposed to the discharge, e.g. for the purpose of examination or processing thereof
- H01J37/32—Gas-filled discharge tubes
- H01J37/32431—Constructional details of the reactor
- H01J37/32798—Further details of plasma apparatus not provided for in groups H01J37/3244 - H01J37/32788; special provisions for cleaning or maintenance of the apparatus
- H01J37/32889—Connection or combination with other apparatus
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
- H01J37/00—Discharge tubes with provision for introducing objects or material to be exposed to the discharge, e.g. for the purpose of examination or processing thereof
- H01J37/32—Gas-filled discharge tubes
- H01J37/32917—Plasma diagnostics
- H01J37/32935—Monitoring and controlling tubes by information coming from the object and/or discharge
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
- H01L21/67—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere
- H01L21/67005—Apparatus not specifically provided for elsewhere
- H01L21/67011—Apparatus for manufacture or treatment
- H01L21/67017—Apparatus for fluid treatment
- H01L21/67063—Apparatus for fluid treatment for etching
- H01L21/67069—Apparatus for fluid treatment for etching for drying etching
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
- H01L21/67—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere
- H01L21/67005—Apparatus not specifically provided for elsewhere
- H01L21/67011—Apparatus for manufacture or treatment
- H01L21/67098—Apparatus for thermal treatment
- H01L21/67103—Apparatus for thermal treatment mainly by conduction
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
- H01L21/67—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere
- H01L21/67005—Apparatus not specifically provided for elsewhere
- H01L21/67242—Apparatus for monitoring, sorting or marking
- H01L21/67248—Temperature monitoring
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
- H01L21/67—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere
- H01L21/67005—Apparatus not specifically provided for elsewhere
- H01L21/67242—Apparatus for monitoring, sorting or marking
- H01L21/67253—Process monitoring, e.g. flow or thickness monitoring
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/018—Certifying business or products
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
- H01J2237/00—Discharge tubes exposing object to beam, e.g. for analysis treatment, etching, imaging
- H01J2237/32—Processing objects by plasma generation
- H01J2237/33—Processing objects by plasma generation characterised by the type of processing
- H01J2237/332—Coating
- H01J2237/3321—CVD [Chemical Vapor Deposition]
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
- H01J2237/00—Discharge tubes exposing object to beam, e.g. for analysis treatment, etching, imaging
- H01J2237/32—Processing objects by plasma generation
- H01J2237/33—Processing objects by plasma generation characterised by the type of processing
- H01J2237/334—Etching
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Abstract
本申请涉及动态离群值偏倚减少系统和方法。这里描述了用于进行数据过滤以减少功能性和趋势线离群值偏倚的系统和方法。通过客观统计方法从数据集合中去除离群值。基于绝对误差、相对误差或两者确定偏倚。根据数据、模型系数或趋势线计算来计算误差值。当误差值大于或等于用户提供的标准时,去除离群数据记录。对于优化方法或其他迭代计算,去除的数据在每次迭代中被重应用到模型以计算新结果。利用完整数据集的模型值,计算新误差值并且重应用离群值偏倚减少过程。以迭代方式对于模型系数和离群值去除数据最小化整体误差,直到达到用户定义的误差改进限度为止。经过滤的数据可用于验证、离群值偏倚减少和数据质量操作。
Description
相关申请的交叉引用
此部分继续专利申请要求2011年8月19日递交的标题为“Dynamic Outlier BiasReduction System and Method”、序列号为13/213,780的美国非临时专利申请的权益和优先权,这里通过引用将该美国申请全部并入。
技术领域
本发明涉及对数据的分析,其中离群元素被从分析开发中去除(或过滤掉)。分析可与简单统计量的计算或者在其开发中涉及使用数据的数学模型的更复杂操作有关。离群数据过滤的目的可以是执行数据质量和数据验证操作,或者计算能够应用于后续分析、回归分析、时间序列分析中的代表性标准、统计量、数据群组或者用于数学模型开发的合格数据。
背景技术
在标准或数据驱动模型开发中去除离群数据是分析前工作的一个重要部分,用来确保从底层数据开发出有代表性的且合理的分析。例如,为二氧化碳(CO2)、臭氧(O3)、水蒸气(H2O)、氢氟碳(HFC)、全氟化碳(PFC)、含氯氟烃(CFC)、六氟化硫(SF6)、甲烷(CH4)、一氧化二氮(N2O)、一氧化碳(CO)、氧化氮(NOx)以及非甲烷挥发性有机化合物(NMVOC)排放的温室气体标准开发公正的基准要求在标准开发中使用的所收集的工业数据表现出某些属性。少数几个工业场所的极好或极坏的性能不应当导致为其他场所计算的标准的偏倚。可以判断将这种性能结果包括在标准计算中是不合理或者没有代表性的。过去,经由一种要求主观输入的半定量过程来去除性能离群值(outlier)。本系统和方法是一种数据驱动的方案,该方案把此任务作为模型开发的一个组成部分来执行,而不是在分析前或模型开发前阶段执行。
偏倚(bias)的去除可以是一个主观过程,其中以某种形式记录认为恰当的理由以证实数据变化。然而,任何形式的离群值去除都是一种带着改变计算结果的潜在可能性的数据审查。这种数据过滤可能减少或不减少计算中的偏倚或误差,并且本着完全分析公开的精神,严格的数据去除指导方针和去除离群值的证明材料需要与分析结果包括在一起。因此,在现有技术中需要提供一种新的系统和方法,用于利用一种对于数据质量操作、数据验证、统计计算或数学模型开发等等有用的动态统计过程来客观地去除离群数据偏倚。离群值偏倚去除系统和方法还可用于将数据分组成代表性类别,其中数据被应用到为每个群组定制的数学模型开发。在优选实施例中,系数被定义为数学模型中的乘法和加法因子以及在性质上非线性的其他数值参数。例如,在数学模型f(x,y,z)=a*x+b*yc+d*sin(ez)+f中,a、b、c、d、e和f全都被定义为系数。这些项的值可以固定或者是数学模型的开发的一部分。
发明内容
优选实施例包括一种用于减少离群值偏倚的由计算机实现的方法,包括以下步骤:选择偏倚标准;提供数据集合;提供模型系数的集合;选择目标值的集合;(1)为完整数据集合生成预测值的集合;(2)为数据集生成误差集合;(3)基于误差集合和偏倚标准生成误差阈值的集合;(4)由处理器基于误差集合和误差阈值的集合生成经审查的数据集合;(5)由处理器生成新模型系数的集合;(6)使用新模型系数的集合,重复步骤(1)-(5),除非满足了审查性能终止标准。在优选实施例中,可基于数据集合和模型系数的集合来生成预测值的集合。在优选实施例中,误差集合可包括基于预测值的集合和目标值的集合生成的绝对误差的集合和相对误差的集合。在另一实施例中,误差集合可包括作为预测值的集合与目标值的集合之间的差异计算出的值。在另一实施例中,生成新系数的集合的步骤还可包括最小化预测值的集合与实际值的集合之间的误差的集合的步骤,这可利用线性或非线性优化模型来实现。在优选实施例中,审查性能终止标准可基于标准误差(standarderror)和确定系数(coefficient of determination)。
另一实施例包括一种用于减少离群值偏倚的由计算机实现的方法,包括以下步骤:选择误差标准;选择数据集合;选择实际值的集合;选择模型系数的初始集合;基于完整数据集合和模型系数的初始集合生成模型预测值的集合;(1)对于完整数据集,基于模型预测值和实际值的集合生成误差的集合;(2)对于完整数据集合,基于误差的完整集合和误差标准生成误差阈值的集合;(3)生成离群值被去除的数据集合,其中过滤基于完整数据集合和误差阈值的集合;(4)基于经过滤的数据集合和先前系数的集合生成新系数的集合,其中新系数的集合的生成由计算机处理器执行;(5)基于经过滤的数据集合和新模型系数的集合生成离群值偏倚减少模型预测值的集合,其中离群值偏倚减少模型预测值的集合的生成由计算机处理器执行;(6)基于模型预测值和实际值的集合生成模型性能值的集合;在用新系数的集合替代来自先前迭代的系数的集合的同时,重复步骤(1)-(6),除非:满足性能终止标准;并且将模型预测值的集合存储在计算机数据介质中。
另一实施例包括一种用于减少离群值偏倚的由计算机实现的方法,包括以下步骤:为设施选择目标变量;选择目标变量的实际值的集合;为设施识别与目标变量有关的多个变量;为设施获得数据集合,该数据集合包括多个变量的值;选择偏倚标准;选择模型系数的集合;(1)基于完整数据集合和模型系数的集合生成预测值的集合;(2)基于预测值的集合和实际值的集合生成审查模型性能值的集合;(3)对于目标变量,基于预测值的集合和实际值的集合生成误差集合;(4)基于误差集合和偏倚标准生成误差阈值的集合;(5)由处理器基于数据集合和误差阈值的集合生成经审查的数据集合;(6)由处理器基于经审查的数据集合和模型系数的集合生成新模型系数的集合;(7)由处理器基于数据集合和新模型系数的集合生成新预测值的集合;(8)基于新预测值的集合和实际值的集合生成新审查模型性能值的集合;使用新系数的集合,重复步骤(1)-(8),除非满足了审查性能终止标准;以及将新模型预测值的集合存储在计算机数据介质中。
另一实施例包括一种用于减少离群值偏倚的由计算机实现的方法,包括以下步骤:为设施选择目标变量,其中目标变量是关于工业设施的度量,与其生产、金融性能或排放有关;为设施识别多个变量,其中多个变量包括:设施的影响目标变量的多个直接变量;以及设施的经变换变量的集合,每个经变换变量是影响目标变量的至少一个直接设施变量的函数;选择误差标准,包括:绝对误差,以及相对误差;为设施获得数据集合,其中数据集合包括多个变量的值;选择目标变量的实际值的集合;选择模型系数的初始集合;基于完整数据集合和模型系数的初始集合生成模型预测值的集合;基于模型预测值的集合和实际值的集合生成误差的完整集合,其中相对误差是利用如下公式计算的:相对误差m=((预测值m–实际值m)/实际值m)2,其中“m”是参考编号,并且其中绝对误差是利用如下公式计算的:绝对误差m=(预测值m–实际值m)2;基于模型预测值的集合和实际值的集合生成模型性能值的集合,其中整体模型性能值的集合包括:第一标准误差,以及第一确定系数;(1)对于完整数据集合,基于模型预测值和实际值的集合生成误差的集合;(2)对于完整数据集合,基于误差的完整集合和误差标准生成误差阈值的集合;(3)通过去除具有大于或等于误差阈值的误差值的数据生成离群值被去除的数据集合,其中过滤是基于完整数据集合和误差阈值的集合的;(4)通过利用线性优化模型和非线性优化模型中的至少一个,最小化预测值的集合与实际值的集合之间的误差,来基于离群值被去除的数据集合和模型系数的集合生成离群值偏倚减少模型预测值的集合,其中新模型预测值的生成是由计算机处理器执行的;(5)基于离群值被去除的数据集合和先前系数的集合生成新系数的集合,其中新系数的集合的生成是由计算机处理器执行的;(6)基于新预测模型值的集合和实际值的集合生成整体模型性能值的集合,其中模型性能值的集合包括:第二标准误差,以及第二确定系数;在用新系数的集合替代来自先前迭代的系数集合的同时,重复步骤(1)-(6),除非:满足了性能终止标准,其中性能终止标准包括:标准误差终止值和确定系数终止值,并且其中满足性能终止标准包括:标准误差终止值大于第一和第二标准误差之间的差异,并且确定系数终止值大于第一和第二确定系数之间的差异;以及将新模型预测值的集合存储在计算机数据介质中。
另一实施例包括一种用于减少离群值偏倚的由计算机实现的方法,包括以下步骤:选择误差标准;选择数据集合;选择实际值的集合;选择模型预测值的初始集合;基于模型预测值的集合和实际值的集合确定误差的集合;(1)基于误差的完整集合和误差标准确定误差阈值的集合;(2)生成离群值被去除的数据集合,其中过滤基于数据集合和误差阈值的集合;(3)基于离群值被去除的数据集合和先前模型预测值生成离群值偏倚减少模型预测值的集合,其中离群值偏倚减少模型预测值的集合的生成由计算机处理器执行;(4)基于新模型预测值的集合和实际值的集合确定误差的集合;在用新模型预测值的集合替代来自先前迭代的模型预测值的集合的同时,重复步骤(1)-(4),除非:满足了性能终止标准;以及将离群值偏倚减少模型预测值的集合存储在计算机数据介质中。
另一实施例包括一种用于减少离群值偏倚的由计算机实现的方法,包括以下步骤:为设施选择目标变量;为设施识别多个变量,其中多个变量包括:设施的影响目标变量的多个直接变量;以及设施的经变换变量的集合,每个经变换变量是影响目标变量的至少一个直接设施变量的函数;选择误差标准,包括:绝对误差,以及相对误差;获得数据集合,其中数据集合包括多个变量的值,以及选择目标变量的实际值的集合;选择模型系数的初始集合;通过将模型系数的集合应用到数据集合来生成模型预测值的集合;基于模型预测值的集合和实际值的集合确定性能值的集合,其中性能值的集合包括:第一标准误差,以及第一确定系数;(1)对于完整数据集合,基于模型预测值的集合和实际值的集合生成误差的集合,其中相对误差是利用如下公式计算的:相对误差m=((预测值m–实际值m)/实际值m)2,其中“m”是参考编号,并且其中绝对误差是利用如下公式计算的:绝对误差m=(预测值m–实际值m)2;(2)对于完整数据集合,基于误差的完整集合和误差标准生成误差阈值的集合;(3)通过去除具有大于或等于误差阈值的集合的误差值的数据来生成离群值被去除的数据集合,其中过滤是基于数据集合和误差阈值的集合的;(4)基于离群值被去除的数据集合和先前系数的集合生成新系数的集合;(5)通过利用线性优化模型和非线性优化模型中的至少一个,最小化预测值的集合与实际值的集合之间的误差,来基于离群值被去除的数据集合和新模型系数的集合生成离群值偏倚减少模型预测值的集合,其中模型预测值的生成是由计算机处理器执行的;(6)基于离群值偏倚减少模型预测值的集合和实际值的集合生成经更新的性能值的集合,其中经更新的性能值的集合包括:第二标准误差,以及第二确定系数;在用新系数的集合替代来自先前迭代的系数集合的同时,重复步骤(1)-(6),除非:满足了性能终止标准,其中性能终止标准包括:标准误差终止值,以及确定系数终止值,并且其中满足性能终止标准包括:标准误差终止值大于第一和第二标准误差之间的差异,并且确定系数终止值大于第一和第二确定系数之间的差异;以及将离群值偏倚减少因子的集合存储在计算机数据介质中。
另一实施例包括一种用于评估数据集合用于开发模型的可行性的由计算机实现的方法,包括以下步骤:提供包括多个数据值的目标数据集合;基于目标数据集合生成随机目标数据集合;选择偏倚标准值的集合;由处理器基于数据集合和每个所选择的偏倚标准值生成离群值偏倚减少目标数据集合;由处理器基于随机数据集合和每个所选偏倚标准值生成离群值偏倚减少随机数据集合;对于离群值偏倚减少数据集合和离群值偏倚减少随机数据集合计算误差值的集合;对于离群值偏倚减少数据集合和离群值偏倚减少随机数据集合计算相关系数的集合;基于所选偏倚标准值和相应的误差值和相关系数为数据集合和随机数据集合生成偏倚标准曲线;以及将数据集合的偏倚标准曲线与随机数据集合的偏倚标准曲线相比较。离群值偏倚减少目标数据集合和离群值偏倚减少随机目标数据集合是利用动态离群值偏倚去除方法生成的。随机目标数据集合可包括从多个数据值的范围内的值开发出来的随机化数据值。另外,误差值的集合可包括标准误差的集合,并且其中相关系数的集合包括确定系数值的集合。另一实施例还可包括以下步骤:基于将目标数据集合的偏倚标准曲线与随机目标数据集合的偏倚标准曲线相比较,生成关于目标数据集合支持所开发的模型以及所开发的模型支持目标数据集合的可行性的自动化建议。可基于分析者选择的参数——例如相关系数阈值和/或误差阈值——来生成建议。另外一个实施例还包括以下步骤:提供实际数据集合,其包括与模型预测值相对应的多个实际数据值;基于实际数据集合生成随机实际数据集合;由处理器基于实际数据集合和每个所选偏倚标准值生成离群值偏倚减少实际数据集合;由处理器基于随机实际数据集合和每个所选偏倚标准生成离群值偏倚减少随机实际数据集合;对于每个所选偏倚标准,基于离群值偏倚减少随机目标数据集合和离群值偏倚减少随机实际数据生成随机数据图线;对于每个所选偏倚标准,基于离群值偏倚减少目标数据集合和离群值偏倚减少实际目标数据集合生成真实数据图线;以及将与每个所选偏倚标准相对应的随机数据图线与真实数据图线相比较。
优选实施例包括一种系统,其包括:服务器,其包括:处理器,以及存储子系统;由存储子系统存储的数据库,其包括:数据集合;以及由存储子系统存储的计算机程序,其包括当被执行时使得处理器进行以下操作的指令:选择偏倚标准;提供模型系数的集合;选择目标值的集合;(1)为数据集合生成预测值的集合;(2)为数据集生成误差集合;(3)基于误差集合和偏倚标准生成误差阈值的集合;(4)基于误差集合和误差阈值的集合生成经审查的数据集合;(5)生成新模型系数的集合;以及(6)使用新模型系数的集合,重复步骤(1)-(5),除非满足了审查性能终止标准。在优选实施例中,可基于数据集合和模型系数的集合来生成预测值的集合。在优选实施例中,误差集合可包括基于预测值的集合和目标值的集合生成的绝对误差的集合和相对误差的集合。在另一实施例中,误差集合可包括作为预测值的集合与目标值的集合之间的差异计算出的值。在另一实施例中,生成新系数的集合的步骤还可包括最小化预测值的集合与实际值的集合之间的误差的集合的步骤,这可利用线性或非线性优化模型来实现。在优选实施例中,审查性能终止标准可基于标准误差和确定系数。
本发明的另一实施例包括一种系统,其包括:服务器,其包括:处理器,以及存储子系统;由存储子系统存储的数据库,其包括:数据集合;以及由存储子系统存储的计算机程序,其包括当被执行时使得处理器进行以下操作的指令:选择误差标准;选择实际值的集合;选择系数的初始集合;从数据集合和系数的初始集合生成模型预测值的完整集合;(1)对于完整数据集合,基于模型预测值和实际值的集合生成误差的集合;(2)对于完整数据集合,基于误差的完整集合和误差标准生成误差阈值的集合;(3)生成离群值被去除的数据集合,其中过滤基于完整数据集合和误差阈值的集合;(4)基于离群值被去除的数据集合和系数的集合生成离群值偏倚减少模型预测值的集合,其中离群值偏倚减少模型预测值的集合的生成由计算机处理器执行;(5)基于离群值被去除的数据集合和先前系数的集合生成新系数的集合,其中新系数的集合的生成由计算机处理器执行;(6)基于离群值偏倚减少模型预测值和实际值的集合生成模型性能值的集合;在用新系数的集合替代来自先前迭代的系数的集合的同时,重复步骤(1)-(6),除非:满足性能终止标准;并且将整体离群值偏倚减少模型预测值的集合存储在计算机数据介质中。
另一实施例包括一种系统,其包括:服务器,其包括:处理器,以及存储子系统;由存储子系统存储的数据库,其包括:设施的目标变量;目标变量的实际值的集合;设施的与目标变量有关的多个变量;设施的数据集合,该数据集合包括多个变量的值;以及由存储子系统存储的计算机程序,其包括当被执行时使得处理器进行以下操作的指令:选择偏倚标准;选择模型系数的集合;(1)基于数据集合和模型系数的集合生成预测值的集合;(2)基于预测值的集合和实际值的集合生成审查模型性能值的集合;(3)对于目标变量,基于预测值的集合和实际值的集合生成误差集合;(4)基于误差集合和偏倚标准生成误差阈值的集合;(5)基于数据集合和误差阈值的集合生成经审查的数据集合;(6)基于经审查的数据集合和模型系数的集合生成新模型系数的集合;(7)基于数据集合和新模型系数的集合生成新预测值的集合;(8)基于新预测值的集合和实际值的集合生成新审查模型性能值的集合;使用新系数的集合,重复步骤(1)-(8),除非满足了审查性能终止标准;以及将新模型预测值的集合存储在存储子系统中。
另一实施例包括一种系统,其包括:服务器,其包括:处理器,以及存储子系统;由存储子系统存储的数据库,其包括:设施的数据集合;以及由存储子系统存储的计算机程序,其包括当被执行时使得处理器进行以下操作的指令:确定目标变量;识别多个变量,其中多个变量包括:设施的影响目标变量的多个直接变量;以及设施的经变换变量的集合,每个经变换变量是影响目标变量的至少一个直接变量的函数;选择误差标准,包括:绝对误差,以及相对误差;选择目标变量的实际值的集合;选择系数的初始集合;基于数据集合和系数的初始集合生成模型预测值的集合;基于模型预测值的集合和实际值的集合生成误差的集合,其中相对误差是利用如下公式计算的:相对误差m=((预测值m–实际值m)/实际值m)2,其中“m”是参考编号,并且其中绝对误差是利用如下公式计算的:绝对误差m=(预测值m–实际值m)2;基于模型预测值的集合和实际值的集合确定性能值的集合;其中性能值的集合包括:第一标准误差,以及第一确定系数;(1)基于模型预测值和实际值的集合生成误差的集合;(2)对于完整数据集合,基于误差的完整集合和误差标准生成误差阈值的集合;(3)通过过滤掉具有误差阈值的集合以外的误差值的数据来生成离群值被去除的数据集合,其中过滤是基于数据集合和误差阈值的集合的;(4)通过利用线性优化模型和非线性优化模型中的至少一个,最小化模型预测值的集合与实际值的集合之间的误差,来基于离群值被去除的数据集合和系数的集合生成新模型预测值的集合,其中离群值偏倚减少模型预测值的生成是由计算机处理器执行的;(5)基于离群值被去除的数据集合和先前系数的集合生成新系数的集合,其中新系数的集合的生成是由计算机处理器执行的;(6)基于新预测模型值的集合和实际值的集合生成性能值的集合,其中模型性能值的集合包括:第二标准误差,以及第二确定系数;在用新系数的集合替代来自先前迭代的系数集合的同时,重复步骤(1)-(6),除非:满足了性能终止标准,其中性能终止标准包括:标准误差,以及确定系数,并且其中满足性能终止标准包括:标准误差终止值大于第一和第二标准误差之间的差异,并且确定系数终止值大于第一和第二确定系数之间的差异;以及将新模型预测值的集合存储在计算机数据介质中。
本发明的另一实施例包括一种系统,其包括:服务器,其包括:处理器,以及存储子系统;由存储子系统存储的数据库,其包括:数据集合,由存储子系统存储的计算机程序,其包括当被执行时使得处理器进行以下操作的指令:选择误差标准;选择数据集合;选择实际值的集合;选择模型预测值的初始集合;基于模型预测值的集合和实际值的集合确定误差的集合;(1)基于误差的完整集合和误差标准确定误差阈值的集合;(2)生成离群值被去除的数据集合,其中过滤基于数据集合和误差阈值的集合;(3)基于离群值被去除的数据集合和模型预测值的完整集合生成离群值偏倚减少模型预测值的集合,其中离群值偏倚减少模型预测值的集合的生成由计算机处理器执行;(4)基于离群值偏倚减少模型预测值的集合和实际值的相应集合确定误差的集合;在用离群值偏倚减少模型预测值的集合替代模型预测值的集合的同时,重复步骤(1)-(4),除非:满足了性能终止标准;以及将离群值偏倚减少因子的集合存储在计算机数据介质中。
本发明的另一实施例包括一种系统,其包括:服务器,其包括:处理器,以及存储子系统;由存储子系统存储的数据库,其包括:数据集合,由存储子系统存储的计算机程序,其包括当被执行时使得处理器进行以下操作的指令:确定目标变量;为设施识别多个变量,其中多个变量包括:设施的影响目标变量的多个直接变量;以及设施的经变换变量的集合,每个经变换变量是影响目标变量的至少一个主设施变量的函数;选择误差标准,包括:绝对误差,以及相对误差;获得数据集合,其中数据集合包括多个变量的值,以及选择目标变量的实际值的集合;选择系数的初始集合;通过将模型系数的集合应用到数据集合来生成模型预测值的集合;基于模型预测值的集合和实际值的集合确定性能值的集合,其中性能值的集合包括:第一标准误差,以及第一确定系数;(1)基于模型预测值的集合和实际值的集合确定误差的集合,其中相对误差是利用如下公式计算的:相对误差k=((预测值k–实际值k)/实际值k)2,其中“k”是参考编号,并且其中绝对误差是利用如下公式计算的:绝对误差k=(预测值k–实际值k)2;(2)对于完整数据集合,基于误差的集合和误差标准确定误差阈值的集合;(3)通过去除具有大于或等于误差阈值的误差值的数据来生成离群值被去除的数据集合,其中过滤是基于数据集合和误差阈值的集合的;(4)基于离群值被去除的数据集合和先前系数的集合生成新系数的集合;(5)通过利用线性优化模型和非线性优化模型中的至少一个,最小化预测值的集合与实际值的集合之间的误差,来基于离群值被去除的数据集合和系数的集合生成离群值偏倚减少模型值的集合;(5)基于离群值偏倚减少模型预测值的集合和实际值的集合确定经更新的性能值的集合,其中经更新的性能值的集合包括:第二标准误差,以及第二确定系数;在用新系数的集合替代来自先前迭代的系数集合的同时,重复步骤(1)-(5),除非:满足了性能终止标准,其中性能终止标准包括:标准误差终止值,以及确定系数终止值,并且其中满足性能终止标准包括:标准误差终止值大于第一和第二标准误差之间的差异,并且确定系数终止值大于第一和第二确定系数之间的差异;以及将离群值偏倚减少因子的集合存储在计算机数据介质中。
另一实施例包括一种用于评估数据集合用于开发模型的可行性的系统,其包括:服务器,其包括:处理器,以及存储子系统;由存储子系统存储的数据库,其包括:目标数据集合,其包括多个模型预测值;由存储子系统存储的计算机程序,其包括当被执行时使得处理器进行以下操作的指令:生成随机目标数据集合;选择偏倚标准值的集合;基于目标数据集合和每个所选择的偏倚标准值生成离群值偏倚减少数据集合;基于随机目标数据集合和每个所选偏倚标准值生成离群值偏倚减少随机目标数据集合;对于离群值偏倚减少目标数据集合和离群值偏倚减少随机目标数据集合计算误差值的集合;对于离群值偏倚减少目标数据集合和离群值偏倚减少随机目标数据集合计算相关系数的集合;对于每个所选偏倚标准,基于相应的误差值和相关系数,对于目标数据集合和随机目标数据集合生成偏倚标准曲线;以及将目标数据集合的偏倚标准曲线与随机目标数据集合的偏倚标准曲线相比较。处理器利用动态离群值偏倚去除方法来生成离群值偏倚减少目标数据集合和离群值偏倚减少随机目标数据集合。随机目标数据集合可包括从多个数据值的范围内的值开发出来的随机化数据值。另外,误差值的集合可包括标准误差的集合,并且相关系数的集合包括确定系数值的集合。在另一实施例中,该程序还包括在被执行时使得处理器进行以下操作的指令:基于将目标数据集合的偏倚标准曲线与随机目标数据集合的偏倚标准曲线相比较,生成自动化建议。可基于分析者选择的参数——例如相关系数阈值和/或误差阈值——来生成建议。在另外一个实施例中,系统的数据库还包括实际数据集合,其包括与模型预测值相对应的多个实际数据值,并且程序还包括当被执行时使得处理器进行以下操作的指令:基于实际数据集合生成随机实际数据集合;基于实际数据集合和每个所选偏倚标准值生成离群值偏倚减少实际数据集合;基于随机实际数据集合和每个所选偏倚标准生成离群值偏倚减少随机实际数据集合;对于每个所选偏倚标准,基于离群值偏倚减少随机目标数据集合和离群值偏倚减少随机实际数据生成随机数据图线;对于每个所选偏倚标准,基于离群值偏倚减少目标数据集合和离群值偏倚减少实际目标数据集合生成真实数据图线;以及将与每个所选偏倚标准相对应的随机数据图线与真实数据图线相比较。
其他实施例包括一种用于减少为设施测量的目标变量中的离群值偏倚的系统,包括:计算单元,用于处理数据集合,该计算单元包括处理器和存储子系统;输入单元,用于输入要处理的数据集合,该输入单元包括用于测量给定的目标变量并用于提供相应的数据集合的测量设备;输出单元,用于输出经处理的数据集合;由存储子系统存储的计算机程序,包括在被执行时使得处理器执行以下步骤的指令:为设施选择目标变量;为设施识别与目标变量有关的多个变量;为设施获得数据集合,该数据集合包括多个变量的值;选择偏倚标准;选择模型系数的集合;(1)为数据集合生成预测值的集合;(2)为数据集合生成误差集合;(3)基于误差集合和偏倚标准生成误差阈值的集合;(4)基于误差集合和误差阈值的集合生成经审查的数据集合;(5)生成新模型系数的集合;以及(6)使用新模型系数的集合,重复步骤(1)-(5),除非满足了审查性能终止标准。
此外,其他实施例包括一种用于减少为金融工具测量的目标变量中的离群值偏倚的系统,其中金融工具例如是股票(例如普通股)或衍生工具合约(例如远期合约、期货、期权和互惠信贷等等),该系统包括:计算单元,用于处理数据集合,该计算单元包括处理器和存储子系统;输入单元,用于接收要处理的数据集合,该输入单元包括用于存储关于目标变量(例如股票价格)的数据并用于提供相应的数据集合的存储设备;输出单元,用于输出经处理的数据集合;由存储子系统存储的计算机程序,包括在被执行时使得处理器执行以下步骤的指令:为金融工具选择目标变量;为该工具识别与目标变量有关的多个变量(例如,股息、收益、现金流等等);为金融工具获得数据集合,该数据集合包括多个变量的值;选择偏倚标准;选择模型系数的集合;(1)为数据集合生成预测值的集合;(2)为数据集合生成误差集合;(3)基于误差集合和偏倚标准生成误差阈值的集合;(4)基于误差集合和误差阈值的集合生成经审查的数据集合;(5)生成新模型系数的集合;以及(6)使用新模型系数的集合,重复步骤(1)-(5),除非满足了审查性能终止标准。
附图说明
图1是示出数据离群值识别和去除方法的实施例的流程图。
图2是示出用于数据质量操作的数据离群值识别和去除方法的实施例的流程图。
图3是示出用于数据验证的数据离群值识别和去除方法的实施例的流程图。
图4是用于实现本发明的方法的说明性节点。
图5是数据集合的定量评估的说明性图线。
图6A和6B是图5的数据集合的定性评估的说明性图线,分别示出了整个数据集合的随机化和真实数据集合。
图7A和7B是图5的数据集合的定性评估的说明性图线,分别示出了在将30%的数据作为离群值去除之后的随机化和真实数据集合。
图8A和8B是图5的数据集合的定性评估的说明性图线,分别示出了在将50%的数据作为离群值去除之后的随机化和真实数据集合。
图9示出了用于减少为设施测量的目标变量中的离群值偏倚的示范性系统。
具体实施方式
以下公开提供了许多不同实施例,或者示例,用于实现用于访问和管理结构化内容的系统和方法的不同特征。描述了组件、过程和实现方式的具体示例来帮助阐明本发明。这些只是示例,而并不打算偏离权利要求中所述地限制本发明。公知的元素在没有详细描述的情况下给出,以免以不必要的细节模糊本发明的优选实施例。大多数情况下,省略了获得对本发明的优选实施例的完整理解所不必要的细节,因为这样的细节在相关领域的普通技术人员的技能范围内。
动态离群值偏倚减少的一个实施例的数学描述如下所示:
术语:
-所有数据记录的集合:其中:
-第k次迭代的接受数据记录的集合
-第k次迭代的离群(去除)数据记录的集合
-对于计算出的模型预测值的集合
-对于数据记录的离群模型预测值的集合
-模型所基于的实际值(目标值)的集合
-作为使用的模型计算的结果计算出的第k+1次迭代时的模型系数的集合
-从存储模型得出的和用户提供的系数产生的模型计算
C-用户提供的误差标准(%)
-误差阈值函数
F(Ψ,C)-误差阈值(E)
-迭代终止标准,例如迭代计数、r2、标准误差等等
初始计算,k=0
初始步骤1:利用初始模型系数估计通过将模型应用到完整数据集合来计算初始模型预测值:
初始步骤2:计算初始模型性能结果:
标准误差,等等)
初始步骤3:计算(一个或多个)模型误差阈值:
初始步骤4:过滤数据记录以去除离群值:
迭代计算,k>0
迭代步骤1:通过将模型应用到接受数据集合来计算预测值:
迭代步骤2:计算模型性能结果:
标准误差,等等)
如果达到终止标准,则停止,否则去到步骤3:
迭代步骤3:利用当前模型为去除的数据 计算结果:
迭代步骤4:计算模型误差阈值:
迭代步骤5:过滤数据记录以去除离群值:
动态离群值偏倚减少的一个实施例的另一数学描述如下所示:
术语:
-所有数据记录的集合:其中:
-第k次迭代的接受数据记录的集合
-第k次迭代的离群(去除)数据记录的集合
-对于计算出的模型预测值的集合
-对于的离群模型预测值的集合
-模型所基于的实际值(目标值)的集合
-作为使用的模型计算的结果计算出的第k+1次迭代时的模型系数的集合
-从存储模型得出的和用户提供的系数的
产生的模型计算
CRE-用户提供的相对误差标准(%)
CAE-用户提供的绝对误差标准(%)
-所有数据记录的相对误差值
-所有数据记录的绝对误差值
-第k次迭代的相对误差阈值,其中
百分位
-第k次迭代的绝对误差阈值,其中
百分位
-迭代终止标准,例如迭代计数、r2、标准误差等等
初始计算,k=0
初始步骤1:利用初始模型系数估计通过将模型应用到完整数据集合来计算初始模型预测值:
初始步骤2:计算初始模型性能结果:
标准误差,等等)
初始步骤3:计算模型误差阈值:
=百分位
=百分位
初始步骤4:过滤数据记录以去除离群值:
迭代计算,k>0
迭代步骤1:通过将模型应用到离群值被去除的数据集合来计算模型预测值:
迭代步骤2:计算模型性能结果:
标准误差,等等)
如果达到终止标准,则停止,否则去到步骤3:
迭代步骤3:利用当前模型为去除的数据计算结果:
迭代步骤4:计算模型误差阈值:
百分位
百分位
迭代步骤5:过滤数据记录以去除离群值:
递增k并去到迭代步骤1。
在从当前审查的数据集计算新模型系数的每次迭代之后,从先前迭代去除的数据加上当前审查的数据被重组合。此组合涵盖了完整数据集中的所有数据值。随后将当前模型系数应用到完整数据集以计算预测值的完整集合。对于预测值的完整集合计算绝对和相对误差,并且计算新的偏倚标准百分位阈值。通过去除绝对或相对误差大于阈值的所有数据值来创建新的审查数据集,然后向新审查的数据集应用非线性优化模型来计算新的模型系数。此过程使得所有数据值在每一次迭代中都能够被审查以查明其是否可能包括在模型数据集中。随着模型系数收敛在最佳拟合数据的值上,在先前迭代中排除的一些数据值有可能将被包括入后续迭代中。
在一个实施例中,GHG排放的变动可导致对排放结果的过高估计或过低估计,这导致了模型预测值中的偏倚。这些非工业影响——例如环境条件和计算过程中的误差——可使得关于特定设施的结果与类似设施的极为不同,除非去除了模型预测值中的偏倚。模型预测值中的偏倚也可由于独特的操作条件而存在。
如果分析者确信一设施的计算有差错或者拥有独特的、情有可原的特性,则可以通过简单地将设施的数据从计算中去除来去除偏倚。然而,当测量来自许多不同的公司、地区和国家的设施性能时,数据细节的精确先验知识是不现实的。因此,任何基于分析者的数据去除过程都具有向模型结果添加无事实根据的、无数据支持的偏倚的潜在可能。
在一个实施例中,动态离群值偏倚减少被应用到使用数据和规定的整体误差标准来确定被从模型系数计算中去除的统计离群值的过程。这是一个数据驱动的过程,其利用由数据产生的全局误差标准来识别离群值,其中该误差标准例如使用百分位函数。动态离群值偏倚减少的使用不限于模型预测值中的偏倚的减少,并且其在此实施例中的使用只是说明性和示范性的。动态离群值偏倚减少也可用于例如从任何统计数据集合中去除离群值,包括用于算术平均、线性回线和趋势线的计算,但不限于这些计算。离群设施仍从计算结果中排名,但离群值不用在被应用来计算模型系数或统计结果的经过滤的数据集合中。
常用于去除离群值的标准过程是计算数据集合的标准偏差(σ)并且简单地将例如在均值的2σ间隔外的所有数据定义为离群值。此过程具有一般在实践中不能测试的统计假设。在本发明的实施例中应用的动态离群值偏倚减少方法描述在图1中概略示出,其使用了相对误差和绝对误差两者。例如,对于一设施“m”,
相对误差m=((预测值m–实际值m)/实际值m)2 (1)
绝对误差m=(预测值m–实际值m)2 (2)
在步骤110中,分析者规定误差阈值标准,该误差阈值标准将定义要从计算中去除的离群值。例如,使用百分位运算作为误差函数,可以设定相对和绝对误差的80%的百分位值。这意味着,对于相对误差小于第80百分位值的数据值和对于绝对误差计算小于第80百分位值的数据值将被包括,而剩余的值被去除或被认为是离群值。在此示例中,一个数据值要避免被去除,则该数据值必须小于相对和绝对误差两者的第80百分位值。然而,可以独立地改变相对和绝对误差的百分位阈值,并且在另一实施例中,可以只使用百分位阈值中的一个。
在步骤120中,规定模型标准误差和确定系数(r2)百分比变化标准。虽然这些统计量的值在模型与模型之间将有变化,但在前迭代过程中的百分比变化可被预设在例如5%。这些值可用于终止迭代过程。另一个终止标准可以是简单的迭代计数。
在步骤130中,执行优化计算,其为每个设施产生模型系数和预测值。
在步骤140中,利用式(1)和(2)计算所有设施的相对和绝对误差。
在步骤150中,向在步骤140中计算出的数据应用具有在步骤110中规定的阈值标准的误差函数以确定离群值阈值。
在步骤160中,过滤数据以仅包括如下设施:对于这些设施,相对误差、绝对误差或者这两个误差(这取决于所选择的配置)小于在步骤150中计算出的误差阈值。
在步骤170中,仅利用离群值被去除的数据集合来执行优化计算。
在步骤180中,将标准误差和r2的百分比变化与在步骤120中规定的标准相比较。如果百分比变化大于标准,则通过返回到步骤140来重复该过程。否则,在步骤190中终止迭代过程,并且完成了从这个动态离群值偏倚减少标准过程计算出的结果模型。模型结果被应用到所有设施,无论其当前迭代过去去除或许可数据状态如何。
在另一实施例中,该过程开始于选择某些迭代参数,具体而言:
(1)绝对误差和相对误差百分位值,其中一者、另一者或两者可用在迭代过程中,
(2)确定系数(也称为r2)改进值,以及
(3)标准误差改进值。
该过程开始于原始数据集合、实际数据的集合以及用于基于原始数据集合计算预测值的至少一个系数或因子。系数或系数的集合将被应用到原始数据集合以创建预测值的集合。系数的集合可包括但不限于标量、指数、参数和周期函数。随后将预测数据的集合与实际数据的集合相比较。基于预测数据与实际数据之间的差异来计算标准误差和确定系数。与数据点中的每一个相关联的绝对和相对误差被用于基于用户选择的绝对和相对误差百分位值来去除数据离群值。对数据排名是不必要的,因为落在与绝对和/或相对误差的百分位值相关联的范围之外的所有数据都被从原始数据集合中去除。使用绝对和相对误差来过滤数据是说明性的并且仅用于示范,因为可以仅用绝对误差或仅用相对误差来者用另一函数来执行该方法。
与在用户选择的百分位范围内的绝对和相对误差相关联的数据是离群值被去除的数据集合,并且该过程的每次迭代将具有其自己的经过滤的数据集合。这个第一离群值被去除的数据集合被用于确定将与实际值相比较的预测值。通过优化误差来确定至少一个系数,然后将这些系数用于基于第一离群值被去除的数据集合生成预测值。离群值偏倚减少的系数充当用来从一次迭代向下一次迭代传递知识的机制。
在创建第一离群值被去除的数据集合之后,计算标准误差和确定系数并将其与原始数据集合的标准误差和确定系数相比较。如果标准误差的差异和确定系数的差异都低于其各自的改进值,则该过程停止。然而,如果改进标准中的至少一个未得到满足,则该过程继续另一次迭代。将标准误差和确定系数用作对迭代过程的检查只是说明性和示范性的,因为该检查可仅利用标准误差或仅利用确定系数、利用不同的统计检查或者利用某种其他的性能终止标准(例如迭代次数)来执行。
假设第一次迭代未能满足改进标准,则第二次迭代开始,将第一离群值偏倚减少数据系数应用到原始数据以确定预测值的新集合。然后再次处理原始数据,从而在使用第一离群值被去除的数据集合系数的同时,对于数据点建立绝对和相对误差,并且对于原始数据集合建立标准误差和确定系数值。然后过滤数据以形成第二离群值被去除的数据集合并基于第二离群值被去除的数据集合来确定系数。
然而,第二离群值被去除的数据集合不一定是第一离群值被去除的数据集合的子集,并且其与离群值偏倚减少模型系数的第二集合、第二标准误差和第二确定系数相关联。一旦确定了这些值,就将第二标准误差与第一标准误差相比较,并且将第二确定系数再次与第一确定系数相比较。
如果(标准误差和确定系数的)改进值超过这些参数的差异,则该过程将结束。如果否,则另一迭代将开始,再次处理原始数据;这一次使用第二离群值偏倚减少系数来处理原始数据集合并生成预测值的新集合。基于用户为绝对和相对误差选择的百分位值的过滤将创建第三离群值被去除的数据集合,该集合将被优化以确定第三离群值偏倚减少系数的集合。该过程将继续,直到满足误差改进或其他终止标准为止(例如收敛标准或规定的迭代次数)。
此过程的输出将是系数或模型参数的集合,其中系数或模型参数是数学值(或值的集合),例如但不限于用于比较数据的模型预测值、线性方程的斜率和截距值、指数或者多项式的系数。动态离群值偏倚减少的输出本身不是输出值,而是将会修改数据以确定输出值的系数。
在图2中所示的另一实施例中,将动态离群值偏倚减少作为一种数据质量技术应用来评估数据的一致性和准确性以核实数据对于特定的用途是适当的。对于数据质量操作,该方法可不涉及迭代过程。在此过程期间可与动态离群值偏倚减少并行地使用其他数据质量技术。该方法被应用到给定数据集合的算术平均计算。数据质量标准对于此示例是连续的数据值被包含在某个范围内。从而,值间隔得太开的任何值都将构成质量不佳的数据。然后构造函数的连续值的误差项,并且向这些误差值应用动态离群值偏倚减少。
在步骤210中,按任何顺序列出初始数据。
步骤220构成对数据集执行的函数或操作。在此实施例示例中,函数和操作是对数据的升序排名,然后是连续的算术平均计算,其中每一行对应于该行和该行上方的所有数据的平均。
步骤230利用来自步骤220的结果的连续值从数据计算相对和绝对误差。
步骤240允许分析者输入期望的离群值去除误差标准(%)。质量标准值是基于步骤220中的数据来自步骤230中的误差计算的结果值。
步骤250示出数据质量离群值过滤数据集。如果相对和绝对误差超过步骤240中给出的规定误差标准,则去除具体的值。
步骤260示出了完整的数据集和离群值被去除的数据集之间的算术平均计算比较。分析者像所有应用的数学或统计计算中那样进行最终步骤,判断所识别出的离群值被去除的数据元素是否实际质量不佳。动态离群值偏倚减少系统和方法消除了分析者直接去除数据的情况,但最佳实践指导方针建议分析者就实际相关性审查并检查结果。
在图3中所示的另一实施例中,应用动态离群值偏倚减少作为一种数据验证技术,该技术测试数据集合的合理准确性以确定数据对于特定的用途是否适当。对于数据验证操作,该方法可不涉及迭代过程。在此示例中,动态离群值偏倚减少被应用到两个数据集合之间的皮尔逊相关系数的计算。皮尔逊相关系数对于数据集合中的与其他数据点相对不同的值可以敏感。就这个统计量验证数据集合对于确保结果代表大部分数据表明什么而不是极值的影响是重要的。数据验证过程对于此示例是连续的数据值被包含在规定范围内。从而,值间隔得太开(例如在规定范围以外)的任何值将表示质量不佳的数据。这是通过构造函数的连续值的误差项来完成的。动态离群值偏倚减少被应用到这些误差值,并且离群值被去除的数据集合是经验证的数据。
在步骤310中,按任何顺序列出配对的数据。
步骤320对于数据集中的每个有序对计算相对和绝对误差。
步骤330允许分析者输入期望的数据验证标准。在示例中,选择90%相对和绝对误差阈值。步骤330中的质量标准值输入是步骤320中所示的数据的结果绝对和相对误差百分位值。
步骤340示出了离群值去除过程,其中利用相对和绝对误差值两者都超过与在步骤330中输入的用户选择百分位值相对应的值这个标准从数据集中去除可能无效的数据。在实践中可以使用其他误差标准,并且当如此示例中所示那样应用多个标准时,可以应用误差值的任何组合来确定离群值去除规则。
步骤350计算经验证数据和原始数据值统计结果。在此情况下,皮尔逊相关系数。随后分析者就实际相关性审查这些结果。
在另一实施例中,动态离群值偏倚减少用于执行整个数据集合的验证。选择标准误差改进值、确定系数改进值和绝对和相对误差阈值,然后根据误差标准来过滤数据集合。即使原始数据集合具有高质量,也仍将会有一些数据会具有落在绝对和相对误差阈值以外的误差值。因此,确定对数据的任何去除是否必要,是重要的。如果离群值被去除的数据集合在第一次迭代之后通过了标准误差改进和确定系数改进标准,则原始数据集合已得到验证,因为经过滤的数据集合产生了太小以至于不被认为有意义(例如在所选择的改进值以下)的标准误差和确定系数。
在另一实施例中,动态离群值偏倚减少用于提供关于数据离群值去除的迭代如何影响计算的洞悉。提供图线或数据表格来允许用户观察随着每次迭代被执行,数据离群值去除计算的进展。这个分步方案使得分析者能够观察计算的能够向结果添加价值和知识的独特属性。例如,速度和收敛性质可指示动态离群值偏倚减少对计算多维数据集合的代表性因子的影响。
作为说明,考虑对87个记录的质量不佳数据集合的线性回归计算。回归的方程的形式是y=mx+b。表1示出了5次迭代的迭代过程的结果。注意,利用95%的相对和绝对误差标准,在3次迭代中实现收敛。可以观察到回归系数的变化,并且动态离群值偏倚减少方法基于79个记录缩减了计算数据集合。相对低的确定系数(r2=39%)表明,应当测试更低(<95%)的标准以研究对r2统计量和对计算出的回归系数的额外离群值去除效果。
表1:动态离群值偏倚减少示例:
95%的线性回归
迭代 | N | 误差 | r<sup>2</sup> | m | b |
0 | 87 | 3.903 | 25% | -0.428 | 41.743 |
1 | 78 | 3.048 | 38% | -0.452 | 43.386 |
2 | 83 | 3.040 | 39% | -0.463 | 44.181 |
3 | 79 | 3.030 | 39% | -0.455 | 43.630 |
4 | 83 | 3.040 | 39% | -0.463 | 44.181 |
5 | 79 | 3.030 | 39% | -0.455 | 43.630 |
在表2中,利用80%的相对和绝对误差标准示出了应用动态离群值偏倚减少的结果。注意,离群值误差标准中的15个百分点(95%到80%)的变化产生了r2的35个百分点(39%到74%)的增加,并且许可的数据有35%的额外减少(包括79个记录到包括51个记录)。分析者在分析过程中可使用回归线的变化的图形视图,其中带有离群值被去除的数据和表1和2的数值结果,以将离群值被去除的结果传达给更宽的受众并且提供关于数据可变性对分析结果的效果的更多洞悉。
表2:动态离群值偏倚减少示例
80%的线性回归
迭代 | N | 误差 | r<sup>2</sup> | m | b |
0 | 87 | 3.903 | 25% | -0.428 | 41.743 |
1 | 49 | 1.607 | 73% | -0.540 | 51.081 |
2 | 64 | 1.776 | 68% | -0.561 | 52.361 |
3 | 51 | 1.588 | 74% | -0.558 | 52.514 |
4 | 63 | 1.789 | 68% | -0.559 | 52.208 |
5 | 51 | 1.588 | 74% | -0.558 | 52.514 |
如图4中所示,用于执行该方法的系统的一个实施例包括计算系统。硬件包括处理器410,处理器410包含充足的系统存储器420以执行所需的数值计算。处理器410执行驻留在系统存储器420中的计算机程序以执行该方法。视频和存储控制器430可用于使能显示器440的操作。系统包括用于数据输入的各种数据存储设备,例如软盘单元450、内部/外部盘驱动器460、内部CD/DVD470、磁带单元480和其他类型的电子存储介质490。上述数据存储设备只是说明性和示范性的。这些存储介质用于将数据集合和离群值去除标准输入到系统中,存储离群值被去除的数据集合,存储计算出的因子,以及存储系统产生的趋势线和趋势线迭代图。计算可应用统计软件包或者可根据例如利用Microsoft Excel以电子数据表格式输入的数据执行。计算是利用为公司特定的系统实现设计的定制软件程序或者利用兼容Excel或其他数据库和电子数据表程序的市售软件来执行的。系统还可与专有的或公共的外部存储介质300接口以与其他数据库链接来提供要用于动态离群值偏倚减少系统和方法计算的数据。输出设备可以是用于经由内联网或因特网将计算工作表和其他由系统产生的图线和报告发送到管理人员或其他人员的电信设备510、打印机520、与作为输入设备450、460、470、480、490提及的那些类似的电子存储介质以及专有的存储数据库530。这里使用的这些输出设备只是说明性和示范性的。
如图5、6A、6B、7A、7B、8A和8B中所示,在一个实施例中,动态离群值偏倚减少可用于基于与基准数据集的误差和相关性相比的数据集合的数据值的误差和相关性来定量地和定性地评估数据集合的质量,其中基准数据集由从适当范围内开发出来的随机数据值构成。在一个实施例中,可以指定误差为数据集合的标准误差,并且可以指定相关性为数据集合的确定系数(r2)。在另一实施例中,可以指定相关性为肯德尔等级相关系数,通常称为肯德尔τ系数。在另外一个实施例中,可以指定相关性为斯皮尔曼等级相关系数,或者斯皮尔曼ρ系数。如上所述,动态离群值偏倚减少用于系统地去除被识别为离群值、不代表所描述的底层模型或过程的数据值。通常,离群值与相对少量的数据值相关联。然而,在实践中,数据集可能不知不觉地被伪造值或随机噪声所污染。图5、6A、6B、7A、7B、8A和8B的图示说明了可如何应用动态离群值偏倚减少系统和方法来识别数据不支持底层模型的情形。通过去除如下数据值来执行离群值减少:对于这些数据值,在模型预测值与实际数据值之间计算出的相对和/或绝对误差大于基于百分位的偏倚标准,例如80%。这意味着,如果相对或绝对误差百分位值大于与第80百分位相关联的百分位阈值(80%的数据值具有小于此值的误差),则去除数据值。
如图5中所示,真实模型开发数据集和在实际数据集的范围内开发的随机值的数据集两者被比较。因为在实践中,分析者通常不具有关于任何数据集污染的先验知识,所以这种实现必须来自于观察使用动态离群值偏倚减少系统和方法的若干个模型计算的迭代结果。图5示出了两个数据集的示范性模型开发计算结果。相对于表示模型解释了多少数据变动的确定系数(%)或r2,绘出作为模型未解释的误差量的度量的标准误差。每个点旁边的百分位值表示偏倚标准。例如,90%表示相对或绝对误差值大于第90百分位的数据值作为离群值被从模型中去除。这相当于每次迭代去除具有最高误差的10%的数据值。
如图5所示,对于随机和真实数据集模型两者,通过增大偏倚标准来减少误差,即,对于两个数据集都改进标准误差和确定系数。然而,随机数据集的标准误差是真实模型数据集的两倍或三倍那么大。分析者可使用例如80%确定系数要求作为确定模型参数的可接受精度水平。在图5中,对于随机数据集在70%的偏倚标准下实现80%的r2,而对于真实数据在大约85%的偏倚标准下实现80%的r2。然而,随机数据集的相应标准误差超过真实数据集的两倍那么大。从而,通过以不同的偏倚标准系统地运行模型数据集分析并且以代表性伪造数据集重复这些计算并且如图5中所示绘出结果,分析者可以评估数据集合的可接受偏倚标准(即,去除的数据值的可接受百分比),并且相应地评估整体数据集质量。另外,这种系统性的模型数据集分析可用于自动提出关于数据集合用来基于可配置的参数集合开发模型的可行性的建议。例如,在利用动态离群值偏倚去除为数据集开发模型的一个实施例中,在不同的偏倚标准下计算出的模型数据集和代表性伪造数据集的误差和相关系数值可用于自动提出关于以下可行性的建议:数据集合在支持所开发的模型方面的可行性,以及本质而言,所发开的模型在支持数据集方面的可行性。
如图5中所示,对于若干种情况观察这些模型性能值的行为提供了用于确定数据值是否代表被建模的过程的定量基础。例如,参考图5,100%偏倚标准下(即,无偏倚减少)真实数据集合的标准误差对应于大约65%偏倚标准下(即,具有最高误差的35%的数据被去除)随机数据集合的标准误差。这种发现支持了数据未受污染的结论。
除了上述由图5的说明性图线促进的定量分析以外,动态离群值偏倚减少还可同样地——甚至更强大地——用在主观过程中来帮助评估数据集的质量。这是通过对于离群值和包括的结果两者对照在给定实际目标值的情况下的数据绘出模型预测值来完成的。
图6A和6B对于图5中的真实和随机曲线两者的100%点示出了这些图线。图6A中的大分散与任意的目标值和由此造成的模型不能拟合此故意随机性相一致。图6B与实际数据收集一致且共通,因为模型预测和实际值更多地聚集在模型预测值等于实际目标值的线(以下称为实际=预测线)附近。
图7A和7B示出了来自图5中的70%点的结果(即,30%的数据被作为离群值去除)。在图7A和7B中,离群值偏倚减少被示为去除了最远离实际=预测线的点,但在图7A和7B之间模型准确度的大变动表明此数据集代表了被建模的过程。
图8A和8B示出了来自图5中的50%点的结果(即,50%的数据被作为离群值去除)。在此情况下,大约一半的数据被识别为离群值,并且甚至是在这样的大变动被从数据集中去除的情况下,图8A中的模型仍没有紧密地描述随机数据集。考虑到每种情况中去除的数据,实际=预测线附近的一般变动与图6A和7A中的大致相同。图8B示出了在去除变动性的50%的情况下,模型能够产生紧密匹配实际数据的预测结果。除了对图5中所示的性能标准的分析以外,对这些类型的可视图线的分析也可被分析者用于在实践中就模型开发评估实际数据集的质量。虽然图5、6A、6B、7A、7B、8A和8B示出了其中分析基于与各种偏倚标准值相对应的性能标准趋势的可视图线,但在其他实施例中,分析可基于与偏倚标准值相对应的其他变量,例如与分析者选择的各种偏倚标准相对应的模型系数趋势。
各种实施例包括一种用于减少为设施测量的目标变量中的离群值偏倚的系统。图9示出了这种实施例的示例。图9中所示的系统包括计算单元1012,该计算单元1012可处理数据集合,例如包含对工业设施的各种性能测量的数据集合。计算单元1012包括处理器1014和存储子系统1016,实现这里公开的动态离群值偏倚去除方法的计算机程序存储在该存储子系统1016上。系统1010包括输入单元1018,该输入单元1018进一步包括测量设备1020,用于测量给定的目标变量并用于提供相应的数据集合。测量设备1020可被配置为测量所关注的任何目标变量,例如每时间单位离开一工业厂房设施的部件数,或者每时间单位由一净化设施产生的净化物质的体积。除此以外,还可以同时测量多个目标变量。在所示出的实施例中,测量设备1020包括传感器1022。本领域普通技术人员将会明白,本发明的范围包括可用于测量在工业设施中使用或由工业设施产生的材料和/或组件的各种物理属性的各种传感器,例如能够检测和量化化合物——例如温室气体排放——的传感器。此外,本领域普通技术人员将会明白,测量所关注的目标变量包括任何收集、接收、测量、累积和处理数据的手段。目标变量、数据集合和数据可包括所有种类的数据,包括但不限于工业过程数据、计算机系统数据、金融数据、经济数据、股票、债券和期货数据、互联网搜索数据、安全数据、语音和其他人类识别数据、云数据、大数据、保险数据和所关注的其他数据,本公开和发明的范围和宽度不限于目标变量、数据集合或数据的类型。本领域技术人员还将会明白,传感器和测量设备也可以是或者包括计算机、计算机系统和处理器。另外,系统1010包括输出单元1024,该输出单元1024可输出经处理的数据。输出设备可包括监视器、打印机或发送设备(未示出)。
在一个实施例中,系统1010启动传感器1022,传感器1022进而检测并量化给定的化合物,例如二氧化碳。检测和量化可连续地完成或者在离散时间步骤内完成。每次测量完成时,数据集合就被生成、被存储在存储子系统1016上并被输入到计算单元1012中。数据集合被由存储子系统1016存储的动态离群值偏倚去除计算机程序所处理,由此根据这里公开的方法的各种实施例来对其进行审查。一旦该计算机程序已处理了数据,经处理的数据就被输出单元1024输出。在输出单元1024是监视器或打印机的实施例中,可在图表中可视化结果。在输出单元1024包括发送设备的实施例中,经处理的数据被发送到中央数据库或控制中心,在这里数据可被进一步处理(未示出)。因此,根据所公开的各种实施例的系统提供了一种强大的工具来以一种减少离群值偏倚的自动化方式将一个公司内或一个技术领域内的不同设施相互比较。
在优选实施例中,测量设备1020包括一个或多个传感器,用于检测和量化化合物。由于全球变暖,设施排放的温室气体正变成越来越重要的目标变量。排放少量温室气体的设施的排名可好于排放量更高的设施,虽然后者的整体生产力可能更好。温室气体的示例是二氧化碳(CO2)、臭氧(O3)、水蒸气(H2O)、氢氟碳(HFC)、全氟化碳(PFC)、含氯氟烃(CFC)、六氟化硫(SF6)、甲烷(CH4)、一氧化二氮(N2O)、一氧化碳(CO)、氧化氮(NOx)以及非甲烷挥发性有机化合物(NMVOC)。对这些化合物的自动化检测和定量可用于开发关于温室气体的某些可允许排放的工业标准。然而,应用动态离群值偏倚去除使得去除了生产中的诸如操作差错或者甚至事故之类的非常情况可引起的离群值。从而,利用这里公开的各种实施例的结果是开发出更准确且有意义的标准。一旦开发出工业标准,系统就可用于将排放与标准相比较。
本领域普通技术人员还将明白,本发明的范围包括将所公开的各种实施例应用来减少与金融工具——例如股票(例如普通股)或衍生工具合约(例如远期合约、期货、期权和互惠信贷等等)——有关的目标变量中的离群值偏倚。例如,在一个实施例中,系统1010包括输入单元1018,其接收与金融工具——例如普通股——有关的数据,并且提供相应的数据集合。目标变量可以是股票价格。另外,与目标变量有关的变量可利用各种已知的评估金融工具的方法来确定,例如折现现金流分析。这种有关变量可包括相关股息、收益、或者现金流、每股收益、本益比、或者增长率,等等。一旦形成了目标值和有关变量值的数据库,就可向该数据库应用这里公开的动态离群值偏倚去除的各种实施例,从而得到更准确的模型来评估金融工具。
对本发明的优选实施例的以上公开和描述是对其的例示和说明,并且本领域技术人员将会理解,在不脱离本发明的范围的情况下,可对所例示的系统和方法的细节进行各种改变。
Claims (20)
1.一种用于减少为设施测量的目标变量中的离群值偏倚的系统,包括:
输入单元,用于输入要被处理的一个或多个数据集合,其中所述输入单元包括被配置为执行以下操作的测量设备:
测量所述设施的一个或者多个目标变量;并且
为每个目标变量提供相应的数据集合;
计算单元,耦合到所述输入单元并且用于处理数据集合,其中所述计算单元包括处理器和存储子系统;以及
输出单元,耦合到所述计算单元并且用于输出从所述计算单元接收的经处理的数据集合中的一个或多个;
其中,由所述存储子系统存储的计算机程序包括在被执行时通过使得所述处理器执行以下步骤而减少经处理的数据集合之一的离群值偏倚的指令:
选择用于减少离群值偏倚的目标变量之一;
从所述输入单元获得所述目标变量之一的相应的数据集合,其中,所述目标变量之一的相应的数据集合包括多个输入数据值;
从与所述目标变量之一相关联的输入数据值中选择实际值的集合;
获得用于确定一个或多个离群值的偏倚标准;
确定数学模型的模型系数的集合;
(1)应用所述数学模型的模型系数的集合,以确定模型预测值的集合;
(2)生成包括一个或者多个误差值的误差集合,所述一个或者多个误差值是根据比较所述模型预测值的集合与实际值的集合而确定的;
(3)基于所述误差集合和所述偏倚标准生成误差阈值的集合;
(4)使用所述误差阈值的集合,过滤掉所述相应的数据集合中被指定为离群值的输入数据值;
(5)使用所述相应的数据集合中未被过滤掉的输入数据值,确定所述数学模型的经更新的模型系数的集合;以及
(6)使用所述数学模型的经更新的模型系数的集合,重复步骤(1)-(5),除非满足了改进标准。
2.如权利要求1所述的系统,其中,所述模型预测值的集合是独立于获得从所述输入单元收集的输入数据值而确定的。
3.如权利要求1所述的系统,其中,所述误差集合是通过比较所述模型预测值的集合与所述实际值的集合之间的差异而生成的,并且其中,所述数学模型的模型系数的集合被应用到所述相应的数据集合内的所有输入数据值。
4.根据权利要求1所述的系统,其中,所述计算机程序还包括当被执行时使得所述处理器执行以下步骤的指令:
确定所述数学模型的改进值的集合;
其中所述改进值的集合包括一个或者多个误差改进值和一个或多个模型系数改进值;
基于所述一个或多个误差值与所述一个或多个误差改进值的差别以及所述一个或多个经更新的模型系数与所述一个多个模型系数改进值差别,停止重复步骤(1)-(5)。
5.根据权利要求4所述的系统,其中,所述改进值的集合包括标准误差值的集合和确定系数值的集合。
6.根据权利要求1所述的系统,其中,所述测量设备包括传感器,所述传感器被配置为检测对应于所述目标变量的化合物并且对对应于所述目标变量的化合物进行量化。
7.根据权利要求6所述的系统,其中,所述化合物是温室化学气体化合物,并且其中,所述传感器还被配置为持续检测并且量化对应于所述目标变量的化合物。
8.根据权利要求1所述的系统,其中,经处理的数据集合之一包括所述目标变量之一的排除了被指定为离群值的输入数据值的相应的数据集合。
9.根据权利要求8所述的系统,其中,所述输入单元被配置为接收所述目标变量之一的排除了被指定为离群值的输入数据值的相应的数据集合,并且显示所述目标变量之一的排除了被过滤掉的输入输出值的相应的数据集合的曲线。
10.根据权利要求1所述的系统,其中,被过滤掉的输入数据值形成被去除的数据集合,其中,未被过滤掉的输入数据值形成经审查的数据集合,并且其中,所述存储子系统被配置为存储所述模型预测值的集合。
11.一种用于减少为金融工具测量的目标变量中的离群值偏倚的系统,包括:
输入单元,被配置为接收对应于金融工具的数据集合,其中所述数据集合包括对应于所述金融工具的至少一个目标变量的多个数据值:
计算单元,耦合到所述输入单元,其中所述计算单元包括处理器和存储子系统,
其中,由所述存储子系统存储的计算机程序包括在被执行时通过使得所述处理器执行以下步骤而减少离群值偏倚的指令:
选择所述金融工具的至少一个目标变量;
从所述至少一个目标变量的数据集合中选择实际值的集合;
选择用于识别离群值的偏倚标准;
选择在至少一个数学模型中利用的模型系数的集合;
(1)根据在所述至少一个数学模型中利用的模型系数的集合,生成预测值的集合;
(2)根据比较所述预测值的集合与所述目标变量的实际值的集合,生成误差集合;
(3)根据所述误差集合和所述偏倚标准生成误差阈值的集合;
(4)生成包括来自所述数据集合的一个或者多个未被过滤掉的数据值的经审查的数据集合,其中,所述未被过滤掉的数据值不是离群值,并且是根据所述误差阈值的集合和所述数据集合而确定的;
(5)根据经审查的数据集合和模型系数的集合,生成新模型系数的集合;以及
(6)使用所述新模型系数的集合,重复步骤(1)-(5),除非满足了改进标准,
其中,所述存储子系统被配置为在所述存储子系统中存储模型预测值的集合;以及
输出单元,耦合到所述计算单元,其中,所述输出单元被配置为显示从所述计算单元接收到的数据。
12.如权利要求11所述的系统,其中,所述金融工具是普通股,并且其中,所述目标变量是所述普通股的价格。
13.如权利要求11所述的系统,其中,所述输出单元被配置为接收所述经审查的数据集合并且显示所述经审查的数据集合。
14.如权利要求11所述的系统,其中,所述金融工具的变量中的至少一个表示以下各项中的至少一个:股息、收益、现金流、每股收益、本益比、增长率。
15.如权利要求11所述的系统,其中,所述误差集合包括以下各项中的至少一个:相对误差和绝对误差,并且其中,根据向所述数据集合中的所有数据值应用在所述至少一个数学模型中使用的模型系数的集合来确定所述预测值的集合。
16.一种在包括处理器和存储子系统的计算单元中实现的方法,所述方法包括以下步骤:
通过处理数据集合来减少离群值偏倚,其中,减少所述离群值偏倚包括以下步骤:
由处理器接收来自输入单元的数据集合,所述数据集合包括设施的目标变量的多个实际值;
由所述处理器接收用于确定一个或者多个离群值的偏倚标准;
由所述处理器获得与数学模型相关联的模型系数的集合;
由所述处理器获得从来自所述数据集合的所有实际值获得一组实际值;
(1)由所述处理器基于与所述数学模型相关联的模型系数的集合,生成所述数据集合的预测值的集合;
(2)由所述处理器通过比较预测值与实际值的集合来生成所述数据集合的误差集合;
(3)由所述处理器基于所述误差集合和偏倚标准生成误差阈值的集合;
(4)由所述处理器基于所述误差集合和误差阈值的集合生成经更新的经审查的数据集合;
(5)由所述处理器基于经更新的经审查的数据集合生成与所述数学模型相关联的经更新的模型系数的集合;以及
(6)使用经更新的模型系数的集合,重复步骤(1)-(5),除非满足改进标准;
将所述模型预测值的集合存储在所述存储子系统中;以及
将经处理的数据集合发送给输出单元以用于显示。
17.如权利要求16所述的方法,其中,所述预测值的集合是独立于从所述输入单元接收到的所有实际值而生成的。
18.如权利要求16所述的方法,其中,所述误差集合是通过比较所述预测值的集合与所述实际值的集合之间的差异而生成的,并且其中,所述预测值的集合基于向整个数据集合应用所述数学模型。
19.如权利要求16所述的方法,其中,来自所述输入单元的接收到的数据集合是对应于在离散时间步骤处测得的目标变量的被测量的化学化合物。
20.如权利要求19所述的方法,其中,所述化学化合物是温室化学气体化合物,并且其中,生成经更新的经审查的数据集合的步骤包括去除具有在误差阈值的集合之外的值的数据,以形成经更新的被去除的数据集合。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US13/772,212 | 2013-02-20 | ||
US13/772,212 US9111212B2 (en) | 2011-08-19 | 2013-02-20 | Dynamic outlier bias reduction system and method |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104090861A CN104090861A (zh) | 2014-10-08 |
CN104090861B true CN104090861B (zh) | 2019-06-25 |
Family
ID=62912351
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410058245.XA Active CN104090861B (zh) | 2013-02-20 | 2014-02-20 | 动态离群值偏倚减少系统和方法 |
Country Status (6)
Country | Link |
---|---|
US (1) | US10113233B2 (zh) |
EP (2) | EP3514700A1 (zh) |
JP (10) | JP6297855B2 (zh) |
KR (2) | KR102052217B1 (zh) |
CN (1) | CN104090861B (zh) |
CA (1) | CA2843276A1 (zh) |
Families Citing this family (42)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20090107514A (ko) * | 2006-12-26 | 2009-10-13 | 후지필름 디마틱스, 인크. | 전도성 요소를 구비한 인쇄 시스템 |
US9069725B2 (en) | 2011-08-19 | 2015-06-30 | Hartford Steam Boiler Inspection & Insurance Company | Dynamic outlier bias reduction system and method |
US10557840B2 (en) | 2011-08-19 | 2020-02-11 | Hartford Steam Boiler Inspection And Insurance Company | System and method for performing industrial processes across facilities |
EP3514700A1 (en) * | 2013-02-20 | 2019-07-24 | Hartford Steam Boiler Inspection and Insurance Company | Dynamic outlier bias reduction system and method |
US9681497B2 (en) * | 2013-03-12 | 2017-06-13 | Applied Materials, Inc. | Multi zone heating and cooling ESC for plasma process chamber |
CN115186844A (zh) | 2014-04-11 | 2022-10-14 | 哈佛蒸汽锅炉检验和保险公司 | 基于系统操作和性能数据建模来改进未来的可靠性预测 |
US10204820B2 (en) * | 2014-05-21 | 2019-02-12 | Cost Effective Equipment Llc | Multi-size adaptable spin chuck system |
JP6272138B2 (ja) * | 2014-05-22 | 2018-01-31 | 東京エレクトロン株式会社 | 塗布処理装置 |
JP6398761B2 (ja) * | 2015-02-04 | 2018-10-03 | 東京エレクトロン株式会社 | 基板処理装置 |
CN105005822A (zh) * | 2015-06-26 | 2015-10-28 | 华能澜沧江水电股份有限公司 | 基于最优步长与模型动态选择的特高拱坝响应预测方法 |
JP6512089B2 (ja) * | 2015-12-15 | 2019-05-15 | 東京エレクトロン株式会社 | 基板処理装置及び基板処理装置の調整方法 |
US20170199511A1 (en) * | 2016-01-12 | 2017-07-13 | Globalfoundries Inc. | Signal detection metholodogy for fabrication control |
KR102329513B1 (ko) * | 2016-05-10 | 2021-11-23 | 램 리써치 코포레이션 | 적층된 히터와 히터 전압 입력부들 사이의 연결부들 |
JP6792368B2 (ja) * | 2016-07-25 | 2020-11-25 | 株式会社Screenホールディングス | 熱処理装置、基板処理装置および熱処理方法 |
WO2018038892A1 (en) * | 2016-08-26 | 2018-03-01 | Applied Materials, Inc. | Self-healing semiconductor wafer processing |
CN109560006B (zh) * | 2017-09-26 | 2023-10-20 | 天津环鑫科技发展有限公司 | 一种硅片自动涂源生产线 |
CN107704714B (zh) * | 2017-11-06 | 2020-11-27 | 中车株洲电力机车有限公司 | 有限元仿真应力值和试验应力值的处理方法及系统 |
TWI798314B (zh) | 2017-12-28 | 2023-04-11 | 日商東京威力科創股份有限公司 | 資料處理裝置、資料處理方法及資料處理程式 |
US11860971B2 (en) * | 2018-05-24 | 2024-01-02 | International Business Machines Corporation | Anomaly detection |
US11636292B2 (en) | 2018-09-28 | 2023-04-25 | Hartford Steam Boiler Inspection And Insurance Company | Dynamic outlier bias reduction system and method |
US11581547B2 (en) * | 2019-05-29 | 2023-02-14 | Uchicago Argonne, Llc | Electrode ink deposition system for high-throughput polymer electrolyte fuel cell |
JP6890632B2 (ja) | 2019-06-27 | 2021-06-18 | 東京エレクトロン株式会社 | データ処理装置、データ処理方法及びプログラム |
CN110403582B (zh) * | 2019-07-23 | 2021-12-03 | 宏人仁医医疗器械设备(东莞)有限公司 | 一种用于分析脉波波形品质的方法 |
US11450552B2 (en) | 2019-08-01 | 2022-09-20 | Micron Technology, Inc. | Methods and apparatus for adjusting surface topography of a substrate support apparatus |
KR102634916B1 (ko) | 2019-08-29 | 2024-02-06 | 주식회사 엘지에너지솔루션 | 온도 추정 모델 결정 방법 및 장치, 온도 추정 모델이 적용된 배터리 관리 시스템 |
JP7399269B2 (ja) | 2019-09-18 | 2023-12-15 | ハートフォード スチーム ボイラー インスペクション アンド インシュアランス カンパニー | 機械学習モデルにおいて動的外れ値偏り低減を実装するように構成されるコンピュータベースシステム、コンピュータコンポーネント及びコンピュータオブジェクト |
US11328177B2 (en) | 2019-09-18 | 2022-05-10 | Hartford Steam Boiler Inspection And Insurance Company | Computer-based systems, computing components and computing objects configured to implement dynamic outlier bias reduction in machine learning models |
US11615348B2 (en) | 2019-09-18 | 2023-03-28 | Hartford Steam Boiler Inspection And Insurance Company | Computer-based systems, computing components and computing objects configured to implement dynamic outlier bias reduction in machine learning models |
US11742231B2 (en) * | 2019-10-18 | 2023-08-29 | Taiwan Semiconductor Manufacturing Co., Ltd. | Movable wafer holder for film deposition chamber having six degrees of freedom |
TWI711717B (zh) * | 2019-11-06 | 2020-12-01 | 錼創顯示科技股份有限公司 | 加熱裝置及化學氣相沉積系統 |
CN111162004B (zh) * | 2019-12-27 | 2022-08-19 | 北京半导体专用设备研究所(中国电子科技集团公司第四十五研究所) | 半导体设备内部环境的调整方法、装置和电子设备 |
CN111446198B (zh) * | 2020-03-23 | 2023-05-16 | 北京北方华创微电子装备有限公司 | 静电卡盘及其控制方法 |
CN111696897B (zh) * | 2020-06-12 | 2023-10-13 | 北京北方华创微电子装备有限公司 | 半导体工艺设备 |
US11243986B1 (en) | 2020-07-21 | 2022-02-08 | International Business Machines Corporation | Method for proactive trouble-shooting of provisioning workflows for efficient cloud operations |
CN112663026B (zh) * | 2020-11-25 | 2022-10-21 | 北京北方华创微电子装备有限公司 | 工艺腔室、半导体工艺设备及加热控制方法 |
KR102321735B1 (ko) * | 2020-11-27 | 2021-11-04 | 부산대학교 산학협력단 | 다차원의 부분집합 연관 분석에 기반한 인공지능 학습 데이터셋 공정성을 보장하는 장치 및 이를 이용한 인공지능 학습 데이터셋 공정성을 보장하는 방법 |
CN112680724A (zh) * | 2020-12-21 | 2021-04-20 | 苏州雨竹机电有限公司 | 化学气相沉积装置及其温度控制方法 |
KR20220147936A (ko) * | 2021-04-28 | 2022-11-04 | 에스케이가스 주식회사 | 상업 화학 공정에서 핵심인자를 반영한 공정 변화 예측을 위한 시스템 및 방법 |
KR20220147932A (ko) * | 2021-04-28 | 2022-11-04 | 에스케이가스 주식회사 | 상업 화학 공정에서의 공정 핵심 인자 선별을 위한 시스템 및 방법 |
CN113399784B (zh) * | 2021-07-09 | 2022-08-12 | 武汉武重机床有限公司 | 工件加工控制方法、装置、设备及存储介质 |
CN113791578B (zh) * | 2021-08-23 | 2023-05-02 | 五邑大学 | 基于数控加工系统的轨迹滤波方法、装置和电子设备 |
CN117894719A (zh) * | 2024-03-14 | 2024-04-16 | 合肥晶合集成电路股份有限公司 | 晶圆加热装置、套刻标记及装置控制方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1199462A (zh) * | 1995-10-12 | 1998-11-18 | 矢崎总业株式会社 | 车辆的荷载偏倚度计算装置和装载重量计算装置 |
CN1553712A (zh) * | 2000-05-11 | 2004-12-08 | ���ṫ˾ | 数据处理设备、数据处理方法 |
CN1770158A (zh) * | 2004-09-30 | 2006-05-10 | 微软公司 | 内容评估 |
Family Cites Families (71)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4371246A (en) * | 1981-02-13 | 1983-02-01 | Rca Corporation | Thermal processor |
US4589286A (en) * | 1984-03-30 | 1986-05-20 | The Babcock & Wilcox Company | Fused silica diaphragm module for high temperature pressure transducers |
US5155337A (en) | 1989-12-21 | 1992-10-13 | North Carolina State University | Method and apparatus for controlling rapid thermal processing systems |
US5294778A (en) * | 1991-09-11 | 1994-03-15 | Lam Research Corporation | CVD platen heater system utilizing concentric electric heating elements |
US5296385A (en) | 1991-12-31 | 1994-03-22 | Texas Instruments Incorporated | Conditioning of semiconductor wafers for uniform and repeatable rapid thermal processing |
JPH0828333B2 (ja) * | 1992-11-30 | 1996-03-21 | 株式会社半導体プロセス研究所 | 半導体装置の製造装置 |
US5444217A (en) * | 1993-01-21 | 1995-08-22 | Moore Epitaxial Inc. | Rapid thermal processing apparatus for processing semiconductor wafers |
GB9412918D0 (en) * | 1994-06-28 | 1994-08-17 | Baxendine Alar R | Apparatus for uniformly heating a substrate |
US5618461A (en) | 1994-11-30 | 1997-04-08 | Micron Technology, Inc. | Reflectance method for accurate process calibration in semiconductor wafer heat treatment |
US5609720A (en) | 1995-09-29 | 1997-03-11 | Lam Research Corporation | Thermal control of semiconductor wafer during reactive ion etching |
US5861609A (en) | 1995-10-02 | 1999-01-19 | Kaltenbrunner; Guenter | Method and apparatus for rapid thermal processing |
JP3166065B2 (ja) * | 1996-02-08 | 2001-05-14 | 東京エレクトロン株式会社 | 処理装置及び処理方法 |
US6198074B1 (en) * | 1996-09-06 | 2001-03-06 | Mattson Technology, Inc. | System and method for rapid thermal processing with transitional heater |
US5846375A (en) | 1996-09-26 | 1998-12-08 | Micron Technology, Inc. | Area specific temperature control for electrode plates and chucks used in semiconductor processing equipment |
US5968587A (en) * | 1996-11-13 | 1999-10-19 | Applied Materials, Inc. | Systems and methods for controlling the temperature of a vapor deposition apparatus |
US5911896A (en) * | 1997-06-25 | 1999-06-15 | Brooks Automation, Inc. | Substrate heating apparatus with glass-ceramic panels and thin film ribbon heater element |
US6108937A (en) * | 1998-09-10 | 2000-08-29 | Asm America, Inc. | Method of cooling wafers |
US6617553B2 (en) | 1999-05-19 | 2003-09-09 | Applied Materials, Inc. | Multi-zone resistive heater |
US6740853B1 (en) | 1999-09-29 | 2004-05-25 | Tokyo Electron Limited | Multi-zone resistance heater |
US6500266B1 (en) * | 2000-01-18 | 2002-12-31 | Applied Materials, Inc. | Heater temperature uniformity qualification tool |
FR2815395B1 (fr) | 2000-10-13 | 2004-06-18 | Joint Industrial Processors For Electronics | Dispositif de chauffage rapide et uniforme d'un substrat par rayonnement infrarouge |
JP4948701B2 (ja) * | 2000-12-28 | 2012-06-06 | 東京エレクトロン株式会社 | 加熱装置、当該加熱装置を有する熱処理装置、及び、熱処理制御方法 |
US7043461B2 (en) * | 2001-01-19 | 2006-05-09 | Genalytics, Inc. | Process and system for developing a predictive model |
EP1367637A4 (en) | 2001-02-16 | 2006-01-04 | Tokyo Electron Ltd | TREATMENT DEVICE OF BLADE TYPE |
TW559905B (en) * | 2001-08-10 | 2003-11-01 | Toshiba Corp | Vertical chemical vapor deposition system cross-reference to related applications |
US7195693B2 (en) | 2002-06-05 | 2007-03-27 | Advanced Thermal Sciences | Lateral temperature equalizing system for large area surfaces during processing |
JP4042492B2 (ja) * | 2002-08-07 | 2008-02-06 | トヨタ自動車株式会社 | エンジン制御パラメータの適合方法及び適合システム |
US6768084B2 (en) * | 2002-09-30 | 2004-07-27 | Axcelis Technologies, Inc. | Advanced rapid thermal processing (RTP) using a linearly-moving heating assembly with an axisymmetric and radially-tunable thermal radiation profile |
US7347901B2 (en) | 2002-11-29 | 2008-03-25 | Tokyo Electron Limited | Thermally zoned substrate holder assembly |
JP2004259964A (ja) * | 2003-02-26 | 2004-09-16 | Renesas Technology Corp | 成膜装置およびその成膜装置を用いた半導体装置の製造方法 |
US8478534B2 (en) * | 2003-06-11 | 2013-07-02 | The Research Foundation For The State University Of New York | Method for detecting discriminatory data patterns in multiple sets of data and diagnosing disease |
US20050125322A1 (en) * | 2003-11-21 | 2005-06-09 | General Electric Company | System, method and computer product to detect behavioral patterns related to the financial health of a business entity |
US20050131794A1 (en) * | 2003-12-15 | 2005-06-16 | Lifson Kalman A. | Stock portfolio and method |
JP4728968B2 (ja) * | 2004-02-06 | 2011-07-20 | テスト アドバンテージ, インコーポレイテッド | データ解析の方法および装置 |
JP4719694B2 (ja) * | 2004-02-13 | 2011-07-06 | ウオーターズ・テクノロジーズ・コーポレイシヨン | 化学物質を追跡し、定量化するためのシステムおよび方法 |
CA2501003C (en) * | 2004-04-23 | 2009-05-19 | F. Hoffmann-La Roche Ag | Sample analysis to provide characterization data |
WO2005122881A1 (en) * | 2004-06-21 | 2005-12-29 | Aorora Technologies Pty Ltd | Cardiac monitoring system |
DE102004032822A1 (de) * | 2004-07-06 | 2006-03-23 | Micro-Epsilon Messtechnik Gmbh & Co Kg | Verfahren zur Verarbeitung von Messwerten |
US7645342B2 (en) * | 2004-11-15 | 2010-01-12 | Cree, Inc. | Restricted radiated heating assembly for high temperature processing |
DE102004055449B4 (de) * | 2004-11-17 | 2008-10-23 | Steag Hamatech Ag | Verfahren und Vorrichtung zum thermischen Behandeln von Substraten |
US20070125303A1 (en) * | 2005-12-02 | 2007-06-07 | Ward Ruby | High-throughput deposition system for oxide thin film growth by reactive coevaportation |
WO2007117233A1 (en) * | 2006-04-07 | 2007-10-18 | Hsb Solomon Associates, Llc | Emission trading product and method |
JP5183058B2 (ja) | 2006-07-20 | 2013-04-17 | アプライド マテリアルズ インコーポレイテッド | 急速温度勾配コントロールによる基板処理 |
US9275887B2 (en) | 2006-07-20 | 2016-03-01 | Applied Materials, Inc. | Substrate processing with rapid temperature gradient control |
US7534627B2 (en) * | 2006-08-07 | 2009-05-19 | Sokudo Co., Ltd. | Methods and systems for controlling critical dimensions in track lithography tools |
CN101616629A (zh) * | 2006-08-31 | 2009-12-30 | 非线性医药有限公司 | 用于预测心律失常死亡的自动降噪系统 |
WO2008081723A1 (ja) * | 2006-12-28 | 2008-07-10 | Tokyo Electron Limited | 絶縁膜の形成方法および半導体装置の製造方法 |
JP5116307B2 (ja) * | 2007-01-04 | 2013-01-09 | ルネサスエレクトロニクス株式会社 | 集積回路装置異常検出装置、方法およびプログラム |
US8346691B1 (en) * | 2007-02-20 | 2013-01-01 | Sas Institute Inc. | Computer-implemented semi-supervised learning systems and methods |
WO2008126209A1 (ja) * | 2007-03-27 | 2008-10-23 | Fujitsu Limited | 重回帰分析による予測モデルの作成方法、作成装置、作成プログラム |
JP4870604B2 (ja) * | 2007-03-29 | 2012-02-08 | 株式会社ニューフレアテクノロジー | 気相成長装置 |
US20090017229A1 (en) | 2007-07-10 | 2009-01-15 | Varian Semiconductor Equipment Associates, Inc. | Processing System Platen having a Variable Thermal Conductivity Profile |
US7939450B2 (en) | 2007-09-21 | 2011-05-10 | Tokyo Electron Limited | Method and apparatus for spacer-optimization (S-O) |
US8052419B1 (en) * | 2007-11-08 | 2011-11-08 | Novellus Systems, Inc. | Closed loop temperature heat up and control utilizing wafer-to-heater pedestal gap modulation |
US8040246B2 (en) * | 2007-12-04 | 2011-10-18 | Avaya Inc. | Systems and methods for facilitating a first response mission at an incident scene |
JP5003566B2 (ja) * | 2008-04-01 | 2012-08-15 | 三菱電機株式会社 | ネットワーク性能予測システム、ネットワーク性能予測方法およびプログラム |
US20110070370A1 (en) * | 2008-05-28 | 2011-03-24 | Aixtron Ag | Thermal gradient enhanced chemical vapour deposition (tge-cvd) |
US20100181501A1 (en) | 2009-01-21 | 2010-07-22 | Pollock John D | Apparatus for sub-zero degree c ion implantation |
WO2010090948A1 (en) * | 2009-02-04 | 2010-08-12 | Mattson Technology, Inc. | Electrostatic chuck system and process for radially tuning the temperature profile across the surface of a substrate |
US8404572B2 (en) * | 2009-02-13 | 2013-03-26 | Taiwan Semiconductor Manufacturing Co., Ltd | Multi-zone temperature control for semiconductor wafer |
JP2010250674A (ja) * | 2009-04-17 | 2010-11-04 | Nec Corp | 作業時間予測装置、方法、およびプログラム |
US20110185969A1 (en) * | 2009-08-21 | 2011-08-04 | Varian Semiconductor Equipment Associates, Inc. | Dual heating for precise wafer temperature control |
US8311772B2 (en) * | 2009-12-21 | 2012-11-13 | Teradata Us, Inc. | Outlier processing |
US8852347B2 (en) * | 2010-06-11 | 2014-10-07 | Tokyo Electron Limited | Apparatus for chemical vapor deposition control |
US8354618B1 (en) * | 2010-06-30 | 2013-01-15 | Wd Media, Inc. | Load chamber with dual heaters |
JP5592813B2 (ja) * | 2011-01-28 | 2014-09-17 | 株式会社日立ソリューションズ東日本 | 生涯需要予測方法、プログラムおよび生涯需要予測装置 |
KR101810046B1 (ko) * | 2012-01-19 | 2017-12-19 | 삼성디스플레이 주식회사 | 기상 증착 장치 및 기상 증착 방법 |
US9239192B2 (en) * | 2013-02-20 | 2016-01-19 | Taiwan Semiconductor Manufacturing Co., Ltd. | Substrate rapid thermal heating system and methods |
EP3514700A1 (en) * | 2013-02-20 | 2019-07-24 | Hartford Steam Boiler Inspection and Insurance Company | Dynamic outlier bias reduction system and method |
US9349623B2 (en) * | 2013-03-14 | 2016-05-24 | Taiwan Semiconductor Manufacturing Company, Ltd. | Fine temperature controllable wafer heating system |
US20160237569A1 (en) * | 2015-02-12 | 2016-08-18 | Kabushiki Kaisha Toshiba | Semiconductor manufacturing apparatus |
-
2014
- 2014-02-19 EP EP19153036.9A patent/EP3514700A1/en active Pending
- 2014-02-19 EP EP20140155792 patent/EP2770442A3/en not_active Ceased
- 2014-02-19 CA CA2843276A patent/CA2843276A1/en active Pending
- 2014-02-20 CN CN201410058245.XA patent/CN104090861B/zh active Active
- 2014-02-20 JP JP2014030259A patent/JP6297855B2/ja active Active
- 2014-02-20 KR KR1020140019597A patent/KR102052217B1/ko active IP Right Grant
-
2015
- 2015-04-07 US US14/680,105 patent/US10113233B2/en active Active
-
2018
- 2018-02-22 JP JP2018029938A patent/JP6527976B2/ja active Active
- 2018-02-22 JP JP2018029939A patent/JP6613329B2/ja active Active
- 2018-02-22 JP JP2018029942A patent/JP6686056B2/ja active Active
- 2018-02-22 JP JP2018029943A patent/JP6636071B2/ja active Active
- 2018-02-22 JP JP2018029940A patent/JP6626910B2/ja active Active
- 2018-02-22 JP JP2018029941A patent/JP6626911B2/ja active Active
-
2019
- 2019-11-27 KR KR1020190154058A patent/KR102208210B1/ko active IP Right Grant
-
2020
- 2020-04-01 JP JP2020065773A patent/JP6978541B2/ja active Active
-
2021
- 2021-11-11 JP JP2021183813A patent/JP7244610B2/ja active Active
-
2023
- 2023-03-09 JP JP2023036170A patent/JP2023113140A/ja active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1199462A (zh) * | 1995-10-12 | 1998-11-18 | 矢崎总业株式会社 | 车辆的荷载偏倚度计算装置和装载重量计算装置 |
CN1553712A (zh) * | 2000-05-11 | 2004-12-08 | ���ṫ˾ | 数据处理设备、数据处理方法 |
CN1770158A (zh) * | 2004-09-30 | 2006-05-10 | 微软公司 | 内容评估 |
Also Published As
Publication number | Publication date |
---|---|
JP2023113140A (ja) | 2023-08-15 |
JP2014170532A (ja) | 2014-09-18 |
EP2770442A3 (en) | 2014-09-17 |
JP2018113048A (ja) | 2018-07-19 |
US10113233B2 (en) | 2018-10-30 |
JP6626910B2 (ja) | 2019-12-25 |
CN104090861A (zh) | 2014-10-08 |
US20150211122A1 (en) | 2015-07-30 |
JP6686056B2 (ja) | 2020-04-22 |
KR20140104386A (ko) | 2014-08-28 |
KR20190135445A (ko) | 2019-12-06 |
KR102208210B1 (ko) | 2021-01-28 |
JP2018116714A (ja) | 2018-07-26 |
EP3514700A1 (en) | 2019-07-24 |
US20170022611A9 (en) | 2017-01-26 |
JP6636071B2 (ja) | 2020-01-29 |
CA2843276A1 (en) | 2014-08-20 |
JP6978541B2 (ja) | 2021-12-08 |
JP6626911B2 (ja) | 2019-12-25 |
JP2022031709A (ja) | 2022-02-22 |
JP6613329B2 (ja) | 2019-11-27 |
JP2018116713A (ja) | 2018-07-26 |
JP2018139109A (ja) | 2018-09-06 |
JP6527976B2 (ja) | 2019-06-12 |
JP2018116712A (ja) | 2018-07-26 |
JP6297855B2 (ja) | 2018-03-20 |
KR102052217B1 (ko) | 2019-12-04 |
JP2018136945A (ja) | 2018-08-30 |
EP2770442A2 (en) | 2014-08-27 |
JP2020123365A (ja) | 2020-08-13 |
JP7244610B2 (ja) | 2023-03-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104090861B (zh) | 动态离群值偏倚减少系统和方法 | |
CN104254848B (zh) | 动态离群值偏倚减少系统和方法 | |
US20130231904A1 (en) | Dynamic outlier bias reduction system and method | |
US11636292B2 (en) | Dynamic outlier bias reduction system and method | |
US20080178145A1 (en) | Method and System for Generating a Predictive Analysis of the Performance of Peer Reviews |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |