CN107545387B - 一种基于机器学习的快递站点健康度检测方法 - Google Patents
一种基于机器学习的快递站点健康度检测方法 Download PDFInfo
- Publication number
- CN107545387B CN107545387B CN201710586701.1A CN201710586701A CN107545387B CN 107545387 B CN107545387 B CN 107545387B CN 201710586701 A CN201710586701 A CN 201710586701A CN 107545387 B CN107545387 B CN 107545387B
- Authority
- CN
- China
- Prior art keywords
- characteristic attribute
- express delivery
- express
- data
- week
- 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
Images
Abstract
本发明公开一种基于机器学习的快递站点健康度检测方法，包括：快递站点历史运营数据采集；采用特征工程方法对运营数据进行处理，构建建模使用的特征属性集：使用各种原始运营数据构造能体现站点运营状况的特征属性集S1；从S1中选取特征子集，并以多项式曲线拟合技术，构建能够体现站点长期运营状况变化趋势的特征属性集S2；使用构建好的特征属性数据集训练模型：对特征属性集S1中的正面样例进行上采样，然后训练随机森林模型Model1；修改随机森林的Bootstrap采样方法为下采样方法，然后使用特征属性集S2训练改进后的随机森林模型Model2。本发明可根据快递站点的运营状况发现运营异常及存在异常变化趋势的站点。
Description
技术领域
本发明涉及物流技术领域。更具体地，涉及一种基于机器学习的快递站点健康度检测方法。
背景技术
稳定的快递网络是保证快递业务正常运转的主要因素。其中，网络末端的快递站点发生运营异常对快递网络的稳定性造成的影响很大。在现阶段运营中，几乎每个月都有一定数量的快递站点出现运营异常的情况，这会对正常的快递业务造成短时间内无法消除的影响。由于运营异常情况一般都属于突发状况，快递网络的管理端无法及时感知到问题的出现，或者虽然发现问题但留给管理端的应对时间很短，所以出现站点运营异常的情况基本都会对正常的快递业务造成影响。
因此，需要提供一种可根据快递站点的运营情况判断快递站点是否出现运营异常或者存在运营异常发生倾向的基于机器学习的快递站点健康度检测方法。
发明内容
本发明的目的在于提供一种基于机器学习的快递站点健康度检测方法，能根据快递站点的运营情况提前发现运营异常或者存在运营异常发生倾向的快递站点。进而，一方面，快递网络管理人员可以提前介入并进行改善；另一方面，也能有充分的时间提前准备新的加盟资源，减少甚至消除快递站点发生运营异常对快递网络造成的影响。
为达到上述目的，本发明采用下述技术方案：
一种基于机器学习的快递站点健康度检测方法，包括如下步骤：
步骤1、以快递站点各种运营数据的周均值作为各运营数据的周稳定值，选取各运营数据的多周稳定值，构建能够体现快递站点整体运营状况的特征属性集S1；
步骤2、从S1中选取能够体现快递站点运营异常发生前长期变化趋势的特征属性子集，并以多项式曲线拟合技术分别拟合选取出的特征属性子集中各特征属性的多周稳定值，将拟合产生的多项式系数以及选取出的特征属性子集中各特征属性的首尾周稳定值的差值进行组合，构建能够体现快递站点长期运营状况变化趋势的特征属性集S2；
步骤3、以运营异常发生时间为基准来分别对齐发生运营异常的快递站点与正常运营的快递站点平稳运营时的特征属性集S1与S2，并将S1与S2分别根据快递站点发生运营异常或正常运营进行分类；
步骤4、从已经对齐并分类的特征属性集S1包含的数据中，选取发生运营异常的快递站点运营异常发生前n1周的数据与正常运营的快递站点相同周数的平稳运营时的数据；对归属于正面样例的发生运营异常的快递站点的特征属性集S1进行向上采样，然后使用随机森林算法构造并训练模型Model1；从已经对齐并分类的特征属性集S2包含的数据中，选取发生运营异常的快递站点运营异常发生n2周前的n3周的数据与正常运营站点相同周数的平稳运营时的数据，使用改进的随机森林算法构造并训练模型Model2，其中，改进的随机森林算法是将构建单棵决策树的抽样方法由Bootsrap方法改进为每次从样本量大的反面样例中随机有放回地选取一定比例的样本的下采样方法；
步骤5、以实时采集的待检测快递站点的各种运营数据的周均值作为各运营数据的周稳定值，选取各运营数据的多周稳定值，构建能够体现待检测快递整体运营状况的特征属性集S3，使用模型Model1根据特征属性集S3对待检测快递站点的健康度进行检测；从S3中选取能够体现待检测快递站点运营异常发生前长期变化趋势的特征属性子集，并以多项式曲线拟合技术分别拟合选取出的特征属性子集中各特征属性的多周稳定值，将拟合产生的多项式系数以及选取出的特征属性子集中各特征属性的首尾周稳定值的差值进行组合，构建能够体现待检测快递站点长期运营状况变化趋势的特征属性集S4，使用模型Model2根据特征属性集S4对快递站点的健康度进行检测。
优选地，所述运营数据包括出件量、派件量、平均派件时长、签收及时率和账户余额。
优选地，选取出的能够体现快递站点和待检测快递站点运营异常发生前长期变化趋势的特征属性子集中的特征属性包括出件量、账户余额和平均派件时长。
优选地，n1＝4，n2＝3，n3＝8。
本发明的有益效果如下：
本发明所述技术方案可在物流快递网络管理中对存在运营异常或者存在运营异常发生倾向的快递站点进行预警，减少甚至消除快递站点运营异常对快递网络造成的影响。
附图说明
下面结合附图对本发明的具体实施方式作进一步详细的说明；
图1示出基于机器学习的快递站点健康度检测方法的流程图。
图2示趋势特征实际值变化与拟合图线示例图。
具体实施方式
为了更清楚地说明本发明，下面结合优选实施例和附图对本发明做进一步的说明。附图中相似的部件以相同的附图标记进行表示。本领域技术人员应当理解，下面所具体描述的内容是说明性的而非限制性的，不应以此限制本发明的保护范围。
如图1所示，本发明公开的基于机器学习的快递站点健康度检测方法，包括如下步骤：
步骤1、以快递站点各种运营数据的周均值作为各运营数据的周稳定值，选取各运营数据的多周稳定值，构建能够体现快递站点整体运营状况的特征属性集S1；其中，运营数据包括出件量、派件量、平均派件时长、签收及时率、账户余额等。各种数据的周均值作为该种数据该周的稳定值；为解决因快递业务量巨大而产生的海量数据处理问题，本发明采用大数据技术对快递站点的运营数据进行快速收集和处理；
步骤2、从特征属性集S1中选取能够体现快递站点运营异常发生前长期变化趋势的特征属性子集，并以多项式曲线拟合技术分别拟合选取出的特征属性子集中各特征属性的多周稳定值，将拟合产生的多项式系数以及选取出的特征属性子集中各特征属性的首尾周稳定值(多周的起始周与结束周的稳定值)的差值进行组合，构建能够体现快递站点长期运营状况变化趋势的特征属性集S2；其中，特征属性集S2是使用多项式曲线拟合技术构造的，多项式曲线拟合技术能够刻画数据的变化趋势；
步骤3、以运营异常发生时间为基准来分别对齐发生运营异常的快递站点与正常运营的快递站点平稳运营时的特征属性集S1与S2，并将S1与S2分别根据快递站点发生运营异常或正常运营进行分类；选取发生运营异常的快递站点运营异常发生前n1周的数据与正常运营的快递站点相同周数的平稳运营时的数据作为构造模型Model1的建模数据，选取发生运营异常的快递站点运营异常发生n2周前的n3周的数据与正常运营站点相同周数的平稳运营时的数据作为构造模型Model2的建模数据；例如将发生运营异常的快递站点与正常运营的快递站点的原始特征属性和转化后特征属性分别进行标签标记(举例，用0标记正常运营的快递站点的原始特征属性和转化后特征属性，用1标记发生运营异常的快递站点的原始特征属性和转化后特征属性)。这样就将问题转化为：能够根据各个站点的运营数据，正确归类站点所属标签，也就是一个分类问题；
步骤4、从已经对齐并分类的特征属性集S1包含的数据中，选取发生运营异常的快递站点运营异常发生前n1周的数据与正常运营的快递站点相同周数的平稳运营时的数据；对归属于正面样例发生运营异常的快递站点的特征属性集S1进行向上采样，然后使用随机森林算法构造并训练模型Model1；从已经对齐并分类的特征属性集S2包含的数据中，选取发生运营异常的快递站点运营异常发生n2周前的n3周的数据与正常运营站点相同周数的平稳运营时的数据，使用改进的随机森林算法构造并训练模型Model2，其中，改进的随机森林算法是将构建单棵决策树的抽样方法由Bootsrap方法改进为每次从样本量大的反面样例中随机有放回地选取一定比例的样本的下采样方法；
步骤5、以实时采集的待检测快递站点的各种运营数据的周均值作为各运营数据的周稳定值，选取各运营数据的多周稳定值，构建能够体现待检测快递整体运营状况的特征属性集S3，使用模型Model1根据特征属性集S3对待检测快递站点的健康度进行检测，其中，训练后的模型Model1产生了识别站点是否将会发生运营异常的能力(能够对给定的运营数据，得出运营异常发生可能性)，随机森林算法是利用多棵决策树组合构造产生的一种效果极佳的集成分类器，其从训练数据中学习类别判别的模式，然后使用得到的判别模式对新数据进行类别判断，得出分类结果；从S3中选取能够体现待检测快递站点运营异常发生前长期变化趋势的特征属性子集，并以多项式曲线拟合技术分别拟合选取出的特征属性子集中各特征属性的多周稳定值，将拟合产生的多项式系数以及选取出的特征属性子集中各特征属性的首尾周稳定值的差值进行组合，构建能够体现待检测快递站点长期运营状况变化趋势的特征属性集S4，使用模型Model2根据特征属性集S4对快递站点的健康度进行检测；其中，因为构造并训练模型Model2时若采用原生态的随机森林算法则产生的特征属性集噪声较大，模型过拟合现象严重。为解决这个问题，对随机森林算法进行改进，改进的随机森林算法是将构建单棵决策树的抽样方法由Bootsrap方法(每次随机有放回地抽取与原始数据集数量相等的样本)改进为每次从样本量大的反面样例中随机有放回地选取一定比例的样本的下采样方法。
上述步骤中，模型Model1和模型Model2都有识别快递站点发生运营异常倾向的能力：
模型Model1的意义在于，如果站点最近四周的运营表现，与历史上发生运营异常的站点运营异常发生前4周表现相似则作出运营异常预警。
模型Model2侧重于说明一种长期的倾向，可能暂时相关运营指标还是很好的，但是与发生运营异常的站点运营异常发生前一段时间的变化趋势表现一致，那说明有倾向，可更提前的预警。
步骤5中使用模型Model1和模型Model2分别对待检测快递站点的健康度进行检测，可更准确且在时间上更立体地对存在发生运营异常倾向的快递站点向快递网络管理端进行预警。
在具体实施时，步骤2中“以多项式曲线拟合技术分别拟合选取出的特征属性子集中各特征属性的多周稳定值，将拟合产生的多项式系数以及选取出的特征属性子集中各特征属性的首尾周稳定值的差值进行组合，构建能够体现快递站点长期运营状况变化趋势的特征属性集S2”可使用python开源的np.polyfit方法拟合的二次曲线(使用最小二乘法)，也就是说拟合后产生一个y＝ax2+bx+c，对每个选取出的原始特征属性分别进行一次拟合操作，例如：
以对出件量的周均值使用多项式曲线拟合技术进行拟合操作为例：
首先构造x＝[1,2,3,4,5,6,7,8]；
然后构造出件量的周均值的实际值：
y＝[1170.57,1125.14,1003.14,755.43,685.71,612.43,597.57,593.14]；
接下来使用函数np.polyfit(x,y,2)，即会返回a,b,c三个参数，由这三个参数可以确定一个曲线，出件量的周均值的实际值变化与拟合图线由图2示出，图2中该数据为使用中的模型产生的。
其中，dis_cnt＝y[1]-y[8]的值(即出件量的周均值的首尾周差值)也作为转化后特征属性集S2中的一个转化后特征属性。
对选取出的每个原始特征属性都进行上述拟合操作，这样转化后特征属性集S2的一条数据行格式为(m,n,p分别表示三种指标值)：
(m_a,m_b,m_c,m_dis,n_a,n_b,n_c,n_dis,p_a,p_b,p_c,p_dis)。
在具体实施时，步骤3中“以运营异常发生时间为基准来分别对齐发生运营异常的快递站点与正常运营的快递站点平稳运营时的特征属性集S1与S2，并将S1与S2分别根据快递站点发生运营异常或正常运营进行分类”例如：
对于原始特征属性集S1中的原始特征属性：以运营异常发生时间对齐，选取运营异常发生前4周的原始特征作为建模数据。
对于转化后特征属性集S2中的转化后特征属性：同样以运营异常发生时间对齐，但选取运营异常发生日期3周前的前8周的转化后特征属性作为建模数据。
举例：[1,2,3,4,5,6,7,8,9,10,12,13]，快递站点第13周(不是自然周，连续7天为一周)出现运营异常，则对于原始特征属性集S1，选取8-12周的发生运营异常的快递站点与正常运营的快递站点的原始特征属性作为构造模型Model1的建模数据；对于转化后特征属性集S2，选取1-8周的发生运营异常的快递站点与正常运营的快递站点的转化后特征属性作为构造模型Model2的建模数据。
在具体实施时，步骤4中“从已经对齐并分类的特征属性集S1包含的数据中，选取发生运营异常的快递站点运营异常发生前n1周的数据与正常运营的快递站点相同周数的平稳运营时的数据；对归属于正面样例的发生运营异常的快递站点的特征属性集S1进行向上采样，然后使用随机森林算法构造并训练模型Model1”可使用sklearn工具中的随机森林包实现，例如：
(1)基础数据源为：
出件量、派件量、站点余额、站点收件扫描率、按时收件扫描量、超时收件扫描量、未收件扫描量、各时段签收率(1400-2000)、超前签收、当日0:00-07:59:59签收票数、当日8:00-09:59:59签收票数、当日10:00-11:59:59签收票数、当日12:00-13:59:59签收票数、当日14:00-15:59:59签收票数、当日16:00-17:59:59签收票数、当日18:00-19:59:59签收票数、当日20:00-21:59:59签收票数、当日22:00-23:59:59签收票数、次日0:00-11:59:59签收票数、次日12:00-13:59:59签收票数、次日14:00-15:59:59签收票数、次日16:00-17:59:59签收票数、次日18:00-19:59:59签收票数、次日20:00-23:59:59签收票数、隔日0:00-11:59:59签收票数、隔日12:00-13:59:59签收票数、隔日14:00-15:59:59签收票数、隔日16:00-17:59:59签收票数、隔日18:00-19:59:59签收票数、隔日20:00-23:59:59签收票数、准时签收票数、超时签收票数、未签收票数、正常签收票数、异常签收票数、正常签收总时长、正常签收平均时长、异常签收总时长、异常签收平均时长、总签收平均时长。
(2)构造后的特征属性(简写attr1_1表示属性1第一周的值)：站点名称+attr1_1+attr1_2+attr1_3+attr1_4+attr2_1+.....；
(3)常规方法切分数据(训练集+测试集)；
(4)定义与训练模型：
rf＝RandomForestClassifier()
然后对构造后的数据，对类别少的类进行向上采样(复制类别少的类对象)
然后执行rf.fit(x_train,y_train)；
(5)执行rf.predict_proba(x_test)进行分类；
(6)根据测试集的分类结果情况，进行模型参数的调整，确定最终参数；
(7)使用(6)中确定的最终参数训练所有数据，生成最终生产使用模型。
在具体实施时，步骤4中“从已经对齐并分类的特征属性集S2包含的数据中，选取发生运营异常的快递站点运营异常发生n2周前的n3周的数据与正常运营站点相同周数的平稳运营时的数据，使用改进的随机森林算法构造并训练模型Model2”的具体过程例如：
(1)原始数据行：
| 名称 | 周 | 出件量 | 平均派件时长 | 账户余额 |
| 站点 | 第1周 | 427.29 | 9.53 | 4732.41 |
| … | … | … | … | … |
(2)构造处理后的数据行为：
(m_a,m_b,m_c,m_dis,n_a,n_b,n_c,n_dis,p_a,p_b,p_c,p_dis)；
(3)按比例切分数据(训练集、测试集、验证集)；
(4)定义决策树：clf＝ctree.DecisionTreeClassifier()；
(5)模型训练：random.sample方法按比例进行向下采样处理过的数据；
然后针对每次采样使用：clf.fit(x_train,y_train)训练决策树模型
将生成的决策树放入一个集合中modelSet中；
(6)进行分类：定义方法get_DT_Predict(modelSet,dataRow)，用于判断将当前数据行代表的对象归于哪个类别，其中modelSet表示包含多棵数据的决策树集合，dataRow表示需要进行分类的对象，最终分类结果与集合中类别数量多的一致。
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定，对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动，这里无法对所有的实施方式予以穷举，凡是属于本发明的技术方案所引伸出的显而易见的变化或变动仍处于本发明的保护范围之列。
Claims (4)
1.一种基于机器学习的快递站点健康度检测方法，其特征在于，该方法包括如下步骤：
步骤1、以快递站点各种运营数据的周均值作为各运营数据的周稳定值，选取各运营数据的多周稳定值，构建能够体现快递站点整体运营状况的特征属性集S1；
步骤2、从S1中选取能够体现快递站点运营异常发生前长期变化趋势的特征属性子集，并以多项式曲线拟合技术分别拟合选取出的特征属性子集中各特征属性的多周稳定值，将拟合产生的多项式系数以及选取出的特征属性子集中各特征属性的首尾周稳定值的差值进行组合，构建能够体现快递站点长期运营状况变化趋势的特征属性集S2；
步骤3、以运营异常发生时间为基准来分别对齐发生运营异常的快递站点与正常运营的快递站点平稳运营时的特征属性集S1与S2，并将S1与S2分别根据快递站点发生运营异常或正常运营进行分类；
步骤4、从已经对齐并分类的特征属性集S1包含的数据中，选取发生运营异常的快递站点运营异常发生前n1周的数据与正常运营的快递站点相同周数的平稳运营时的数据；对归属于正面样例的发生运营异常的快递站点的特征属性集S1进行向上采样，然后使用随机森林算法构造并训练模型Model1；从已经对齐并分类的特征属性集S2包含的数据中，选取发生运营异常的快递站点运营异常发生n2周前的n3周的数据与正常运营站点相同周数的平稳运营时的数据，使用改进的随机森林算法构造并训练模型Model2，其中，改进的随机森林算法是将构建单棵决策树的抽样方法由Bootsrap方法改进为每次从样本量大的反面样例中随机有放回地选取一定比例的样本的下采样方法；
步骤5、以实时采集的待检测快递站点的各种运营数据的周均值作为各运营数据的周稳定值，选取各运营数据的多周稳定值，构建能够体现待检测快递整体运营状况的特征属性集S3，使用模型Model1根据特征属性集S3对待检测快递站点的健康度进行检测；从S3中选取能够体现待检测快递站点运营异常发生前长期变化趋势的特征属性子集，并以多项式曲线拟合技术分别拟合选取出的特征属性子集中各特征属性的多周稳定值，将拟合产生的多项式系数以及选取出的特征属性子集中各特征属性的首尾周稳定值的差值进行组合，构建能够体现待检测快递站点长期运营状况变化趋势的特征属性集S4，使用模型Model2根据特征属性集S4对快递站点的健康度进行检测。
2.根据权利要求1所述的基于机器学习的快递站点健康度检测方法，其特征在于，所述运营数据包括出件量、派件量、平均派件时长、签收及时率和账户余额。
3.根据权利要求2所述的基于机器学习的快递站点健康度检测方法，其特征在于，选取出的能够体现快递站点和待检测快递站点运营异常发生前长期变化趋势的特征属性子集中的特征属性包括出件量、账户余额和平均派件时长。
4.根据权利要求1所述的基于机器学习的快递站点健康度检测方法，其特征在于，n1＝4，n2＝3，n3＝8。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710586701.1A CN107545387B (zh) | 2017-07-18 | 2017-07-18 | 一种基于机器学习的快递站点健康度检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710586701.1A CN107545387B (zh) | 2017-07-18 | 2017-07-18 | 一种基于机器学习的快递站点健康度检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107545387A CN107545387A (zh) | 2018-01-05 |
| CN107545387B true CN107545387B (zh) | 2020-12-22 |
Family
ID=60970194
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710586701.1A Active CN107545387B (zh) | 2017-07-18 | 2017-07-18 | 一种基于机器学习的快递站点健康度检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107545387B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112446660A (zh) * | 2019-09-05 | 2021-03-05 | 顺丰科技有限公司 | 网点聚类方法、装置、服务器及存储介质 |
| CN111340310A (zh) * | 2020-03-20 | 2020-06-26 | 重庆港力环保股份有限公司 | 一种基于大数据模型的餐饮油烟预测方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103164779A (zh) * | 2013-04-08 | 2013-06-19 | 国家电网公司 | 一种电力系统数据的处理方法及装置 |
| CN106951359A (zh) * | 2017-02-28 | 2017-07-14 | 深圳市华傲数据技术有限公司 | 一种系统健康度检测分析方法及装置 |
-
2017
- 2017-07-18 CN CN201710586701.1A patent/CN107545387B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103164779A (zh) * | 2013-04-08 | 2013-06-19 | 国家电网公司 | 一种电力系统数据的处理方法及装置 |
| CN106951359A (zh) * | 2017-02-28 | 2017-07-14 | 深圳市华傲数据技术有限公司 | 一种系统健康度检测分析方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107545387A (zh) | 2018-01-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106951925B (zh) | 数据处理方法、装置、服务器及系统 | |
| CN103793484B (zh) | 分类信息网站中的基于机器学习的欺诈行为识别系统 | |
| CN111104981B (zh) | 一种基于机器学习的水文预报精度评价方法及系统 | |
| CN109447364B (zh) | 基于标签的电力客户投诉预测方法 | |
| Pastor et al. | A statistical test for nested radial DEA models | |
| US8495002B2 (en) | Software tool for training and testing a knowledge base | |
| CN106952159B (zh) | 一种不动产抵押品风险控制方法、系统及存储介质 | |
| CN105184315A (zh) | 一种质检处理方法及系统 | |
| CN103795612A (zh) | 即时通讯中的垃圾和违法信息检测方法 | |
| CN105426441B (zh) | 一种时间序列自动预处理方法 | |
| CN102629904A (zh) | 一种网络水军的探测与判定方法 | |
| CN107945003A (zh) | 信用评估方法及装置 | |
| CN107545387B (zh) | 一种基于机器学习的快递站点健康度检测方法 | |
| CN104731958A (zh) | 一种面向用户需求倾向的云制造服务推荐方法 | |
| CN109086825A (zh) | 一种基于模型自适应选择的多分类模型融合方法 | |
| CN111796957A (zh) | 基于应用日志的交易异常根因分析方法及系统 | |
| CN108234452B (zh) | 一种网络数据包多层协议识别的系统和方法 | |
| CN111191720B (zh) | 一种业务场景的识别方法、装置及电子设备 | |
| CN113033909A (zh) | 携转用户分析方法、装置、设备及计算机存储介质 | |
| CN105678456B (zh) | 一种电能计量装置运行状态自动评估方法及其系统 | |
| CN107644268B (zh) | 一种基于多特征的开源软件项目孵化状态预测方法 | |
| CN109754158A (zh) | 一种生成对应电网运行环境下的大数据因果模型的方法 | |
| CN113221457A (zh) | 一种车辆保养信息的确定方法、装置、设备及介质 | |
| CN115438190B (zh) | 一种配电网故障辅助决策知识抽取方法及系统 | |
| CN109635008B (zh) | 一种基于机器学习的设备故障检测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |