CN108256734A - 一种自适应教务预警方法 - Google Patents
一种自适应教务预警方法 Download PDFInfo
- Publication number
- CN108256734A CN108256734A CN201711338715.8A CN201711338715A CN108256734A CN 108256734 A CN108256734 A CN 108256734A CN 201711338715 A CN201711338715 A CN 201711338715A CN 108256734 A CN108256734 A CN 108256734A
- Authority
- CN
- China
- Prior art keywords
- early warning
- task
- information
- warning
- administration system
- 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.)
- Pending
Links
Classifications
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- 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
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/20—Education
- G06Q50/205—Education administration or guidance
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Educational Administration (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Educational Technology (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种自适应教务预警方法,通过大数据仓库实现对教务系统的统一调度,所述方法包括下列步骤:大数据仓库接收用户发起的请求指令,产生相应的任务;在达到预警触发条件时,根据大数据仓库内存储的往次任务结果,自适应推送任务的预警信息;在任务处理周期结束后,读取并存储教务系统内任务的处理结果。与现有技术相比,本发明具有自适应性、预警及时以及灵活性强等优点。
Description
技术领域
本发明涉及网络教学服务领域,尤其是涉及一种自适应教务预警方法。
背景技术
随着信息的高速发展,通过计算机进行系统化教学服务已经越来越常见的应用在人们的生活之中。关于教学服务的传统方式是学管/主管通过ERP(企业资源计划)系统或者OA(办公自动化)系统进行设置、分发、管理,这种方法可以实现统筹计划和自动化任务分配,因此应用广泛。在进行教学服务的过程中,为了提高系统的效率,在用户未及时处理任务时,系统会根据处理时间的接近程度向用户发出相应的预警信息。
但是随着教育互联网化发展的深入、教学规模的不断扩大以及学员对于及时、自适应教学服务的要求越来越重视,现有的教务模型框架系统已经无法满足用户的预警需求。在多个用户同时产生请求时,现有的教务系统往往仍是机械的按照原有设置,根据系统内存储的任务时间远近来进行相应的预警,然而实际上,由于不同的任务具有不同的难易程度,而且不同的处理人对于相同任务的处理时间也会产生差异,按照统一存储的预警时间来产生预警提示,容易导致处理人在接收到预警信息时,剩余的时间不足以完成任务,因此这种预警方式往往不能考虑到任务处理上的差异,从而导致任务处理的不及时和任务处理效率的降低。
发明内容
本发明的目的是针对上述问题提供一种自适应教务预警方法。
本发明的目的可以通过以下技术方案来实现:
一种自适应教务预警方法,通过大数据仓库实现对教务系统的统一调度,所述方法包括下列步骤:
1)大数据仓库接收用户发起的请求指令,产生相应的任务;
2)在达到预警触发条件时,根据大数据仓库内存储的往次任务结果,自适应推送任务的预警信息;
3)在任务处理周期结束后,读取并存储教务系统内任务的处理结果。
优选地,所述步骤2)包括:
21)在达到预警触发条件时,读取任务在往次处理过程中的结果信息;
22)根据步骤21)中读取的结果信息,确定任务的预警优先级;
23)根据步骤22)确定的预警优先级顺序,结合教务系统内所有预警信息的情况,自适应确定预警信息的推送时间点;
24)在步骤23)中确定的预警信息的推送时间点,将预警信息推送到对应的处理位置。
优选地,所述步骤22)包括:
221)根据步骤21)中读取的结果信息,对影响任务处理完成度的参数进行统计;
222)根据步骤221)中统计的相关参数,通过决策算法确定影响任务处理完成度中相关度最高的参数;
223)以步骤222)中确定的参数作为标准,对任务进行优先级排序,确定任务的预警优先级。
优选地,所述决策算法包括ID3算法、C4.5算法或CART算法。
优选地,所述步骤23)包括:
231)根据步骤22)确定的预警优先级顺序,确定预警信息所需的处理时间;
232)将教务系统内所有的预警信息与处理时间对应,通过调度算法确定教务系统内所有预警信息的调度优先级;
233)根据步骤232)确定的预警信息的调度优先级,通过教务系统内预设的时间算法进行计算,确定预警信息的推送时间点。
优选地,所述调度算法包括高优先权优先调度算法、基于时间片的轮转调度算法或多级反馈队列调度算法。
优选地,所述大数据仓库包括:教务系统维度数据库和教务系统预警数据库。
优选地,所述教务系统维度数据库包括教务系统在线信息、教务系统角色信息、教务系统班级信息、教务系统任务信息和教务系统时间信息。
优选地,所述教务系统预警数据库包括预警触发条件信息、预警等级信息和预警角色信息。
与现有技术相比,本发明具有以下有益效果:
(1)在每个任务的预警信息达到触发条件时,都会根据往次任务的结果来对预警信息进行自适应推送,并在任务处理完成后存储任务的处理结果,来为下一次的预警信息推送进行准备,通过将每一次任务的预警信息推送和以往的任务处理结果进行联系,可以不断的优化预警信息的推送优先级、推送对象以及推送时间,从而避免了现有技术中,对于不同的任务和处理人,都用设定的预警时间来推送预警信息的缺陷,而且预警信息的推送是随着任务处理的增多而不断的完善,在系统使用一段时间后,预警信息的推送将会愈加准确,自适应性和准确性均十分强大,而且无需人为进行更新,自动化程度高。
(2)在对预警信息的自适应推送过程中,主要经历两个阶段,一是根据往次任务的处理结果确定预警优先级,而是根据预警优先级结合当前系统内的预警信息情况,确定推送时间点,根据往次任务的处理结果确定预警优先级,即是对预警信息本身的性质进行判断,是针对教务系统和处理人的自适应更新;而推送时间点的确定,则是在针对教务系统和处理人的自适应更新后,进一步考虑到当前教务系统的实际情况,以最高的效率进行预警信息的推送,通过二者结合,可以以最快的速度和效率实现高准确度的预警信息推送,既提高了预警准确程度,也提高了系统的工作效率。
(3)在确定任务的预警优先级过程中,根据往次结果,通过决策算法对影响任务处理完成度的参数进行排序,从而确定预警优先级,通过决策算法来确定优先级的方法,可以最大程度的利用以往的处理信息,可信程度高,从而提高了本申请中预警方法的准确程度。
(4)决策算法包括ID3算法、C4.5算法或CART算法,可以根据实际情况进行灵活选用,灵活程度高。
(5)在确定任务的推送时间点的过程中,是通过调度算法来对教务系统内所有的预警信息进行优先级调度,从而可以使得教务系统内存在多个预警信息等待推送时,以最快的速度和最优的推送顺序来实现推送,一方面保证了急于推送的预警信息可以优先推送,另一方面也避免了由于待推送的预警信息过多而导致推送效率降低,实现高准确度和高效率并存的预警。
(6)调度算法包括高优先权优先调度算法、基于时间片的轮转调度算法或多级反馈队列调度算法,可以根据实际情况进行灵活选用,灵活程度高。
(7)大数据仓库包括:教务系统维度数据库和教务系统预警数据库,大数据仓库包括教务系统维度数据库和教务系统预警数据库,通过教务系统维度数据库可以存储教务系统内的任务信息等内容,作为历史参考数据,而预警数据库可以存储预警方面的信息从而完成预警方法的实现,在需要历史数据时,只需调用教务系统维度数据库内的内容即可,提高预警的计算效率。
附图说明
图1为本发明的方法流程图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
如图1所示,本实施例提出了一种自适应教务预警方法,通过大数据仓库实现对教务系统的统一调度,主要包括下列步骤:
1)大数据仓库接收用户发起的请求指令,产生相应的任务;
2)在达到预警触发条件时,根据大数据仓库内存储的往次任务结果,自适应推送任务的预警信息,包括:
21)在达到预警触发条件时,读取任务在往次处理过程中的结果信息;
22)根据步骤21)中读取的结果信息,确定任务的预警优先级,包括:
221)根据步骤21)中读取的结果信息,对影响任务处理完成度的参数进行统计;
222)根据步骤221)中统计的参数,通过决策算法(可以是ID3算法、C4.5算法、CART算法或其他决策算法,根据实际情况选用)确定影响任务处理完成度中相关度最高的参数;
223)以步骤222)中确定的参数作为标准,对任务进行优先级排序,确定任务的预警优先级;
23)根据步骤22)确定的预警优先级顺序,结合教务系统内所有预警信息的情况,自适应确定预警信息的推送时间点,包括:
231)根据步骤22)确定的预警优先级顺序,确定预警信息所需的处理时间;
232)将教务系统内所有的预警信息与处理时间对应,通过调度算法(可以是高优先权优先调度算法、基于时间片的轮转调度算法、多级反馈队列调度算法或其他调度算法,根据实际情况选用)确定教务系统内所有预警信息的调度优先级;
233)根据步骤232)确定的预警信息的调度优先级,通过教务系统内预设的时间算法进行计算,确定预警信息的推送时间点;
24)在步骤23)中确定的预警信息的推送时间点,将预警信息推送到对应的处理位置;
3)在任务处理周期结束后,读取并存储教务系统内任务的处理结果。
本实施例根据上述方法,以PostgreSQL来搭建大数据仓库为例,来进行教务系统内任务的处理和预警信息的推送,整体过程如下:
首先教务系统使用PostgreSQL搭建大数据仓库,并向大数据仓库输入基础数据,将大数据仓库划分为两部分,即教务系统维度数据库和教务系统预警数据库,其中预警数据库中存储各个预警等级的算法公式数据、设置预警提示的角色数据:学管、经理、总监、老师等以及预警触发条件数据等所有预警相关的数据和算法;而维度数据库则存储维度数据,例如线上/线下、角色、班级、服务事项/模块、项目/科目/产品、时间。
接着教务系统接收到学员被动或主动发起的服务请求,这些服务请求会通过数据采集,输入到大数据仓库。在大数据仓库内,系统会结合基础数据、学员服务请求数据和历史服务数据进行判断当前请求是否满足预警信息的触发条件,在满足了预警信息的触发条件时,则在大数据仓库内开始进行预警信息的自适应推送。
在上面的预警方法流程中,可以看到预警信息的自适应推送主要通过两个主要步骤实现,一是根据以往的任务处理结果确定预警优先级,二是根据当前系统内的预警信息情况进行推送时间的确定。在确定预警优先级时,主要是通过决策算法来对影响任务处理完成度的参数进行统计和排序,例如针对学员的服务包括入籍、学习、分班、签到、考试等等,学员主动或者被动的提出服务请求时,学管、老师应该及时处理这次请求,如果未及时处理,或者产生延误时,会提高预警等级通知经理、总监进行督促处理,最后完成服务,根据这一系列处理流程而得到的历史数据,可以展现不同对象对于不同任务的处理时间以及完成程度的情况,从而可以建立一个预警模型,通过不断自适应优化学习,可以得知不同的处理人在处理不同任务时所需的时长排序,从而根据这个排序来确定预警优先级。
这个决策算法可以是ID3算法、c4.5算法采用增益率或CART算法以及其他的任何一种决策算法,根据实际情况来进行选用即可,本实施例中以采用Gini指标的CART算法为例,通过具体过程来说明这个预警优先级的确定方法:
假设一个学员有一个待办的学习事项未完成,系统把它上报给了对应学习负责人,负责人随后分析系统给出的数据,然后联系帮助学员处理该事项,最后如果在系统给出的最佳处理时间范围内完成了即为处理完成,否则为未完成。根据历史数据可以建立学习事项处理预警模型,建模的目的就是为了预测哪些学习事项可能不能及时处理完成。目标变量为二分类变量:及时完成(记为0)和不及时完成(记为1)。自变量为根据处理过程产生的数据,如事项类型、事项原因、事项处理总时长、最近一个月发生学习事项的次数、最近一个月不能及时处理的次数等等。简单的数据如下:
学员ID | 事项原因 | 事项类型 | 事项处理时长 | 处理完成度 |
001 | 1 | 5 | 10.2 | 1 |
002 | 1 | 5 | 12 | 0 |
003 | 2 | 5 | 14 | 1 |
004 | 2 | 5 | 16 | 0 |
005 | 2 | 5 | 18 | 1 |
006 | 3 | 6 | 20 | 0 |
007 | 3 | 6 | 22 | 1 |
008 | 3 | 6 | 23 | 0 |
009 | 3 | 6 | 24 | 1 |
010 | 3 | 6 | 25 | 0 |
事项原因和事项类型都为离散型变量,数字代表原因ID。事项处理时长为连续型变量,单位为小时。处理完成度中1为未及时处理完成、0为及时处理完成。
根据上述数据,可以计算相关的Gini指标,以自变量为事项原因为例,在计算Gini指标时,先按照事项原因可能的子集进行划分,即可以将事项原因具体划分为如下的子集:{1,2,3}、{1,2}、{1,3}、{2,3}、{1}、{2}、{3}、{},共计8(2^V)个子集。由于{1,2,3}和{}对于分类来说没有任何意义,因此实际分为2^V-2共计6个有效子集。然后计算这6个有效子集的不纯度和Gini指标,选取最小的Gini指标作为分裂属性。
Gini指标的计算方式为:
pi表示按某个变量划分中,目标变量不同类别的概率。
具体到每个自变量中每个类别的Gini指标的计算方式如下:
以上述数据为例,A为自变量,即事项原因、事项类型、事项处理时长。D代表处理完成度,D1和D2分别为按变量A的子集所划分出的两个不同元组,如按子集{1,2}划分,D1即为事项原因属于{1,2}的处理完成度,共有6条数据,D2即事项原因不属于{1,2}的处理完成度,共有3条数据。计算子集{1,2}的不纯度时,即Gini(D1),在事项原因属于{1,2}的样本数据中,分别有3条不处理完成和3条处理完成的数据,因此不纯度为1-(3/6)^2-(3/6)^2=0.5。以事项原因为例,计算过程如下:
计算子集事项原因={1,3}的子集的Gini指标时,D1和D2分别为事项原因={1,3}的元组共计7条数据,事项原因不属于{1,3}的元组即事项原因为2的数据,共计3条数据。
详细计算过程如下:
同理可以计算出事项原因的每个子集的Gini指标,按同样的方式还可以计算事项类型和处理时长每个子集的Gini指标,最后选取其中最小的Gini指标,作为每个自变量的Gini指标,再对每个自变量的Gini指标进行比较,其中最小的自变量,即为预警优先级的决定性因素,即作为影响任务处理完成度中相关度最高的参数,按照该参数作为标准进行排序就可以得到预警优先级,比如本实施例中,在事项原因、事项类型和事项处理时长这三个自变量的比较下,最后可以确定事项处理时长的Gini指标最小,因此最终以事项处理时长的长短作为顺序,来确定每个任务的预警优先级。
而根据当前系统内的预警信息情况进行推送时间的确定,主要是在根据预警优先级排序后,教务系统内则可以确定每个预警信息的处理时间,这个处理时间一方面是每个预警信息的到达顺序,另一个则是预警信息本身推送需要的时间长度,得到这个预警信息的处理时间后,则可以通过调度算法确定调度优先级,调度算法可以是高优先权优先调度算法、基于时间片的轮转调度算法、多级反馈队列调度算法以及其他的调度算法,本实施例中选取多级反馈队列调度算法作为说明。
以系统中有3个反馈事项队列Q1,Q2,Q3为例,时间片分别为2,4,8。现在有3个学员J1,J2,J3分别在时间0,1,3时刻到达。而它们所需要的预警信息的处理时间分别是3,2,1个时间片,则各个时刻的处理过程如下:
时刻0:J1到达。于是进入队列Q1,运行1个时间片,时间片还未到,此时J2到达。
时刻1:J2到达。由于时间片仍然由J1掌控,于是等待。J1在运行了1个时间片后,已经完成了在Q1中的2个时间片的限制,于是J1置于Q2等待被调度。现在系统分配给J2。
时刻2:J1进入Q2等待调度,J2获得系统开始运行。
时刻3:J3到达,由于J2的时间片未到,故J3在Q1等待调度,J1在Q2等待调度。
时刻4:J2处理完成,由于J3,J1都在等待调度,但是J3所在的队列比J1所在的队列的优先级要高,于是J3被调度,J1继续在Q2等待。
时刻5:J3经过1个时间片,完成。
时刻6:由于Q1已经空闲,于是开始调度Q2中的作业,则J1得到系统开始运行,J1再经过一个时间片,完成了任务,于是整个调度过程结束。
以上运行流程可以保证多个学员不同时间触发的预警信息中,对应的Q1事项处理完成优先级大于Q2事项大于Q3事项。
通过上述方法确定了调度优先级来进行调度后,通过教务系统内预设的时间算法进行计算,则可以确定预警信息的推送时间点,这个预设的时间算法可以是对于不同的调度优先级下,发出预警的时间是以调度优先级作为自变量的一次公式,也可以是其他以调度优先级作为自变量的多次公式等,根据实际情况进行设置即可。
通过上述预警方法除了可以及时提出预警外,还可得出学员服务请求应该分配给哪个角色进行处理会更容易成功,以及推送给各角色经过系统学习后更加精准的服务数据,这些都可以记录到大数据仓库,加入到学习数据内,以便优化下次服务达到自适应的目的。
在系统通知各角色预警提示后,各角色登录系统进行处理,如果角色为系统本身时则触发自动处理完成程序,(例如有个学员需关注微信服务号的学习事项,当学员扫描关注服务号时,系统自动标示学员已关注);角色为其他对应角色时,则告知系统进行相应的服务处理(例如发送入籍邮件、寄送发票教材、分班转班、学习情况反馈、考勤确认、报名确认、每月回访等)。针对上述的处理过程中可能发生两种结果,一是系统未及时获得角色处理或者角色处理失败时,则系统会等待触发更高一级的预警直至最高等级;二是系统接收到角色处理完成后推送处理结果给学员。系统把本次流程处理的所有数据(例如角色处理时的所用时间、查看的学员信息,进行沟通的工具等)反馈汇总到大数据仓库,以便下次服务更精准更及时更方便角色处理,也为后续其他服务提供有效有用的数据支持。
Claims (9)
1.一种自适应教务预警方法,通过大数据仓库实现对教务系统的统一调度,其特征在于,所述方法包括下列步骤:
1)大数据仓库接收用户发起的请求指令,产生相应的任务;
2)在达到预警触发条件时,根据大数据仓库内存储的往次任务结果,自适应推送任务的预警信息;
3)在任务处理周期结束后,读取并存储教务系统内任务的处理结果。
2.根据权利要求1所述的自适应教务预警方法,其特征在于,所述步骤2)包括:
21)在达到预警触发条件时,读取任务在往次处理过程中的结果信息;
22)根据步骤21)中读取的结果信息,确定任务的预警优先级;
23)根据步骤22)确定的预警优先级顺序,结合教务系统内所有预警信息的情况,自适应确定预警信息的推送时间点;
24)在步骤23)中确定的预警信息的推送时间点,将预警信息推送到对应的处理位置。
3.根据权利要求2所述的自适应教务预警方法,其特征在于,所述步骤22)包括:
221)根据步骤21)中读取的结果信息,对影响任务处理完成度的参数进行统计;
222)根据步骤221)中统计的参数,通过决策算法确定影响任务处理完成度中相关度最高的参数;
223)以步骤222)中确定的参数作为标准,对任务进行优先级排序,确定任务的预警优先级。
4.根据权利要求3所述的自适应教务预警方法,其特征在于,所述决策算法包括ID3算法、C4.5算法或CART算法。
5.根据权利要求2所述的自适应教务预警方法,其特征在于,所述步骤23)包括:
231)根据步骤22)确定的预警优先级顺序,确定预警信息所需的处理时间;
232)将教务系统内所有的预警信息与处理时间对应,通过调度算法确定教务系统内所有预警信息的调度优先级;
233)根据步骤232)确定的预警信息的调度优先级,通过教务系统内预设的时间算法进行计算,确定预警信息的推送时间点。
6.根据权利要求5所述的自适应教务预警方法,其特征在于,所述调度算法包括高优先权优先调度算法、基于时间片的轮转调度算法或多级反馈队列调度算法。
7.根据权利要求1所述的自适应教务预警方法,其特征在于,所述大数据仓库包括:教务系统维度数据库和教务系统预警数据库。
8.根据权利要求7所述的自适应教务预警方法,其特征在于,所述教务系统维度数据库包括教务系统在线信息、教务系统角色信息、教务系统班级信息、教务系统任务信息和教务系统时间信息。
9.根据权利要求7所述的自适应教务预警方法,其特征在于,所述教务系统预警数据库包括预警触发条件信息、预警等级信息和预警角色信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711338715.8A CN108256734A (zh) | 2017-12-14 | 2017-12-14 | 一种自适应教务预警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711338715.8A CN108256734A (zh) | 2017-12-14 | 2017-12-14 | 一种自适应教务预警方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108256734A true CN108256734A (zh) | 2018-07-06 |
Family
ID=62723117
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711338715.8A Pending CN108256734A (zh) | 2017-12-14 | 2017-12-14 | 一种自适应教务预警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108256734A (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2002067077A2 (en) * | 2001-01-11 | 2002-08-29 | Mc Kinsey & Company, Inc. | System and method for determining and implementing best practice in a distributed workforce |
CN101118624A (zh) * | 2006-07-31 | 2008-02-06 | 埃森哲全球服务有限公司 | 工作分配模型 |
CN102932279A (zh) * | 2012-10-30 | 2013-02-13 | 北京邮电大学 | 一种云环境数据中心多维资源调度系统及方法 |
CN105787657A (zh) * | 2016-02-24 | 2016-07-20 | 浪潮通用软件有限公司 | 一种基于前后置任务的自动排产方法 |
CN107251065A (zh) * | 2015-02-19 | 2017-10-13 | 微软技术许可有限责任公司 | 个性化通知 |
CN107341587A (zh) * | 2017-05-24 | 2017-11-10 | 国网北京市电力公司 | 任务处理方法和装置 |
CN107423914A (zh) * | 2017-08-04 | 2017-12-01 | 合肥工业大学 | 一种基于云制造的任务调度方法及系统 |
CN107451757A (zh) * | 2017-08-18 | 2017-12-08 | 深圳市华第时代科技有限公司 | 在线教学系统的任务提醒方法、装置、服务器及存储介质 |
-
2017
- 2017-12-14 CN CN201711338715.8A patent/CN108256734A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2002067077A2 (en) * | 2001-01-11 | 2002-08-29 | Mc Kinsey & Company, Inc. | System and method for determining and implementing best practice in a distributed workforce |
CN101118624A (zh) * | 2006-07-31 | 2008-02-06 | 埃森哲全球服务有限公司 | 工作分配模型 |
CN102932279A (zh) * | 2012-10-30 | 2013-02-13 | 北京邮电大学 | 一种云环境数据中心多维资源调度系统及方法 |
CN107251065A (zh) * | 2015-02-19 | 2017-10-13 | 微软技术许可有限责任公司 | 个性化通知 |
CN105787657A (zh) * | 2016-02-24 | 2016-07-20 | 浪潮通用软件有限公司 | 一种基于前后置任务的自动排产方法 |
CN107341587A (zh) * | 2017-05-24 | 2017-11-10 | 国网北京市电力公司 | 任务处理方法和装置 |
CN107423914A (zh) * | 2017-08-04 | 2017-12-01 | 合肥工业大学 | 一种基于云制造的任务调度方法及系统 |
CN107451757A (zh) * | 2017-08-18 | 2017-12-08 | 深圳市华第时代科技有限公司 | 在线教学系统的任务提醒方法、装置、服务器及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20190066013A1 (en) | Robotic operations control system for a blended workforce | |
Calleja et al. | A dispatching algorithm for flexible job-shop scheduling with transfer batches: an industrial application | |
Rafiei et al. | Novel bi-level hierarchical production planning in hybrid MTS/MTO production contexts | |
Cai et al. | Real-time scheduling simulation optimisation of job shop in a production-logistics collaborative environment | |
ÖZCAN et al. | 3PL service provider selection with a goal programming model supported with multicriteria decision making approaches | |
Makarov et al. | Digital plant: methods of discrete-event modeling and optimization of production characteristics | |
Teck et al. | Optimization models for scheduling operations in robotic mobile fulfillment systems | |
Lacomme et al. | Simultaneous job input sequencing and vehicle dispatching in a single-vehicle automated guided vehicle system: a heuristic branch-and-bound approach coupled with a discrete events simulation model | |
Cigolini et al. | Shop floor control in the VLSI circuit manufacturing: a simulation approach and a case study | |
Valmohammadi et al. | Six sigma project selection using the hybrid approach FAHP-FTOPSIS and grey relational analysis model | |
Meesuptaweekoon et al. | Dynamic vehicle routing problem with multiple depots | |
Liu et al. | A new knowledge-guided multi-objective optimisation for the multi-AGV dispatching problem in dynamic production environments | |
Nurcahyo et al. | Business process re-engineering for reducing time of procurement and inventory process in telecommunication tower company | |
Soni et al. | Performance value analysis for the justification of the leagile supply chain | |
CN108256734A (zh) | 一种自适应教务预警方法 | |
Kong et al. | Demand-predictive storage assignment mechanism for flower auction centers | |
Vimala Rani et al. | Performance evaluation of due-date based dispatching rules in dynamic scheduling of diffusion furnace | |
Joseph et al. | Ranking of scheduling rule combinations in a flexible manufacturing system using preference selection index method | |
Thenarasu et al. | Multi-criteria scheduling of realistic flexible job shop: a novel approach for integrating simulation modelling and multi-criteria decision making | |
Bo et al. | Manufacturing rescheduling after crisis or disaster-caused supply chain disruption | |
Wang et al. | Solving online food delivery problem via an effective hybrid algorithm with intelligent batching strategy | |
US11961046B2 (en) | Automatic selection of request handler using trained classification model | |
Schoech et al. | Optimising plant layout decisions based on emulation models–technical framework and practical insights | |
Zhang et al. | An intelligent scheduling model of computer human resources in complex scenarios based on artificial intelligence | |
Qiu et al. | Improving First-time Attempts in Last-Mile Deliveries |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180706 |
|
RJ01 | Rejection of invention patent application after publication |