CN108305095A - 三维模型打印成本估算方法及装置 - Google Patents
三维模型打印成本估算方法及装置 Download PDFInfo
- Publication number
- CN108305095A CN108305095A CN201711406371.XA CN201711406371A CN108305095A CN 108305095 A CN108305095 A CN 108305095A CN 201711406371 A CN201711406371 A CN 201711406371A CN 108305095 A CN108305095 A CN 108305095A
- Authority
- CN
- China
- Prior art keywords
- model
- random forest
- sample
- data
- feature
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0206—Price or cost determination based on market factors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Game Theory and Decision Science (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了三维模型打印成本估算方法及装置,获取三维模型打印样本的几何数据和打印数据;根据样本的几何数据和打印数据估算打印成本,建立随机森林模型;使用随机森林模型进行数据训练;多次调节随机森林模型的特征,使随机森林的袋外误差取最小值;根据调节后的随机森林模型估算三维模型的打印成本。本发明使用随机森林进行成本预测问题建模,利用机器学习方法预测打印成本,能够提供自动准确的打印成本估算方案,降低人工估算成本,降低报价系统对人工的依赖,改善用户体验;而且随着积累的样本数逐渐增加,预测的准确率会越来越高。与现有技术相比,本发明能够自动预测打印成本,并且可以随着样本数量的积累提高预测准确率。
Description
技术领域
本发明涉及打印成本估算和机器学习的技术领域,尤其涉及三维模型打印成本估算方法及装置。
背景技术
三维打印应用已经越来越普及,国内外有许多云平台提供在线下单打印服务。然而打印价格受多方面因素影响,难以在事先提供准确报价,导致订单处理效率低,大量售前、售后人工的参与进一步扩大了打印成本,使得云端下单打印服务难以大面积推广。目前云平台多采用模型体积计算加人工经验估算来计算打印成本。一般形式有两种:
1.用户上传模型后,系统自动根据模型体积,当前的打印耗材单价,计算打印成本,再根据经验乘以比例系数,作为最终报价。这种方案能实时提供报价,但是价格不够准确,对于复杂的模型报价可能偏低,对于简单的模型报价偏高,影响用户的判断。
2.用户上传模型后,后台客服联系打印操作人员,由操作人员预判打印成本,再反馈给用户。这种方案无法在线提供报价,而且费用计算不透明,严重依赖操作人员的经验。
发明内容
为了克服现有技术的不足,本发明的目的在于提供三维模型打印成本估算方法及装置,旨在解决现在三维打印难以在事先提供准确报价、人工估算成本较高的问题。
本发明的目的采用以下技术方案实现:
一种三维模型打印成本估算方法,其特征在于,包括:
样本获取步骤:
获取三维模型打印样本的几何数据和打印数据;每个样本设置有特征;
模型建立步骤:
根据样本的几何数据和打印数据估算三维模型的打印成本,建立随机森林模型;
模型调节步骤:
使用随机森林模型进行数据训练;
多次调节随机森林模型的特征并计算与之相应的袋外误差,使随机森林的袋外误差取最小值;
成本估算步骤:
根据调节后的随机森林模型估算三维模型的打印成本。
在上述实施例的基础上,优选的,所述几何数据包括体积、表面积、包围盒长宽高、支撑体积、最薄处厚度、模型边界个数和模型悬空区域体积中的一种或多种。
在上述任意实施例的基础上,优选的,所述打印数据包括工艺类别、耗材数量、耗材价格、预计打印时间以及打印完成后的真实价格中的一种或多种。
在上述任意实施例的基础上,优选的,利用开源机器学习库Scikit-Learn中的RandomForestRegressor模块建立随机森林模型。
在上述任意实施例的基础上,优选的,所述使用随机森林模型进行数据训练的步骤,包括:
随机采样步骤:
训练集采样步骤,对样本集合应用booststrap进行有放回式随机采样,共生成M个训练集,每个训练集用来训练一棵决策树;M为正整数;
特征采样步骤,以训练集采样步骤中采集的特征的个数为N,取随机抽取的特征数在决策树的每个节点需要分裂时,从中选取p个特征,作为该节点的数据集;N、p为正整数;
完全分裂步骤:
CART树建立步骤,对节点的数据集采用完全分裂的方法建立CART树;
数据训练步骤,根据CART树对随机森林模型进行数据训练。
在上述实施例的基础上,优选的,所述完全分裂的方法,具体为:
对节点的数据集进行最佳二元切分,包括:
对每个特征的每个特征值,将节点的数据集切分成两份,计算度量标准;所述度量标准包括最优度量;
如果当前度量优于最优度量,则将当前切分设为最佳切分,并更新最优度量。
在上述实施例的基础上,优选的,所述度量标准选用信息增益,信息增益的计算方法为:
设训练数据集为D,|D|表示其样本个数;设有K个类Ck,k=1,2,...,K,K为正整数;|Ck|为属于类Ck的样本个数,满足:
设特征A有n个不同的取值{a1,a2,...,an},根据特征A的取值将D划分为n个子集D1,D2,...,Dn,|Di|为Di的样本个数,满足:
记子集Di中属于类Ck的样本的集合为Dik,|Dik|为Dik的个数,则:
Di∩Ck=Dik;
特征A对训练数据集D的信息增益g(D,A)为:
g(D,A)=H(D)-H(D|A);
其中,H(D)为D的经验墒,H(D|A)为选定特征A的经验条件墒;
H(D)和H(D|A)的计算公式分别为:
在上述实施例的基础上,优选的,所述随机森林的袋外误差的计算方法为:
对第q棵决策树,统计原始样本集中未参与训练的样本,计算其预测值与真实值yi之间的误差Eq:
其中m为第q棵决策树中样本的特征数,则随机森林的袋外误差为EOOB:
j为决策树的数量。
一种三维模型打印成本估算装置,包括:
样本获取模块,用于:
获取三维模型打印样本的几何数据和打印数据;每个样本设置有特征;
模型建立模块,用于:
根据样本的几何数据和打印数据估算三维模型的打印成本,建立随机森林模型;
模型调节模块,用于:
使用随机森林模型进行数据训练;
多次调节随机森林模型的特征并计算与之相应的袋外误差,使随机森林的袋外误差取最小值;
成本估算模块,用于:
根据调节后的随机森林模型估算三维模型的打印成本。
在上述实施例的基础上,优选的,所述训练调节模块用于:
对样本集合应用booststrap进行有放回式随机采样,共生成M个训练集,每个训练集用来训练一棵决策树;M为正整数;
以训练集采样步骤中采集的特征的个数为N,取随机抽取的特征数在决策树的每个节点需要分裂时,从中选取p个特征,作为该节点的数据集;N、p为正整数;
对节点的数据集采用完全分裂的方法建立CART树;
根据CART树对随机森林模型进行数据训练。
相比现有技术,本发明的有益效果在于:
本发明公开了三维模型打印成本估算方法及装置,使用随机森林进行成本预测问题建模,利用机器学习方法预测打印成本,能够提供自动准确的打印成本估算方案,降低人工估算成本,降低报价系统对人工的依赖,改善用户体验;而且随着积累的样本数逐渐增加,预测的准确率会越来越高。与现有技术相比,本发明能够自动预测打印成本,并且可以随着样本数量的积累提高预测准确率。
附图说明
下面结合附图和实施例对本发明进一步说明。
图1示出了本发明实施例提供的一种三维模型打印成本估算方法的流程示意图;
图2示出了本发明实施例提供的一种三维模型打印成本估算装置的结构示意图。
具体实施方式
下面,结合附图以及具体实施方式,对本发明做进一步描述,需要说明的是,在不相冲突的前提下,以下描述的各实施例之间或各技术特征之间可以任意组合形成新的实施例。
具体实施例一
如图1所示,本发明实施例提供了一种三维模型打印成本估算方法,其特征在于,包括:
样本获取步骤S101:
获取三维模型打印样本的几何数据和打印数据;每个样本设置有特征;
模型建立步骤S102:
根据样本的几何数据和打印数据估算三维模型的打印成本,建立随机森林模型;
模型调节步骤S103:
使用随机森林模型进行数据训练;
多次调节随机森林模型的特征并计算与之相应的袋外误差,使随机森林的袋外误差取最小值;
成本估算步骤S104:
根据调节后的随机森林模型估算三维模型的打印成本。
本发明实施例可以包含采集样本数据的步骤,也可以导入现有的数据作为样本数据。
本发明实施例对几何数据不做限定,优选的,所述几何数据可以包括体积、表面积、包围盒长宽高、支撑体积、最薄处厚度、模型边界个数和模型悬空区域体积中的一种或多种。
本发明实施例对打印数据不做限定,优选的,所述打印数据可以包括工艺类别、耗材数量、耗材价格、预计打印时间以及打印完成后的真实价格中的一种或多种。
优选的,本发明实施例可以利用开源机器学习库Scikit-Learn中的RandomForestRegressor模块建立随机森林模型。
优选的,所述使用随机森林模型进行数据训练的步骤,可以包括:
随机采样步骤:
训练集采样步骤,对样本集合应用booststrap进行有放回式随机采样,共生成M个训练集,每个训练集用来训练一棵决策树;M为正整数;
特征采样步骤,以训练集采样步骤中采集的特征的个数为N,取随机抽取的特征数在决策树的每个节点需要分裂时,从中选取p个特征,作为该节点的数据集;N、p为正整数;
完全分裂步骤:
CART树建立步骤,对节点的数据集采用完全分裂的方法建立CART树;
数据训练步骤,根据CART树对随机森林模型进行数据训练。
优选的,所述完全分裂的方法,可以具体为:
对节点的数据集进行最佳二元切分,包括:
对每个特征的每个特征值,将节点的数据集切分成两份,计算度量标准;所述度量标准包括最优度量;
如果当前度量优于最优度量,则将当前切分设为最佳切分,并更新最优度量。
在上述实施例的基础上,优选的,所述度量标准选用信息增益,信息增益的计算方法为:
设训练数据集为D,|D|表示其样本个数;设有K个类Ck,k=1,2,...,K,K为正整数;|Ck|为属于类Ck的样本个数,满足:
设特征A有n个不同的取值{a1,a2,...,an},根据特征A的取值将D划分为n个子集D1,D2,...,Dn,|Di|为Di的样本个数,满足:
记子集Di中属于类Ck的样本的集合为Dik,|Dik|为Dik的个数,则:
Di∩Ck=Dik;
特征A对训练数据集D的信息增益g(D,A)为:
g(D,A)=H(D)-H(D|A);
其中,H(D)为D的经验墒,H(D|A)为选定特征A的经验条件墒;
H(D)和H(D|A)的计算公式分别为:
在上述实施例的基础上,优选的,所述随机森林的袋外误差的计算方法为:
对第q棵决策树,统计原始样本集中未参与训练的样本,计算其预测值与真实值yi之间的误差Eq:
其中m为第q棵决策树中样本的特征数,则随机森林的袋外误差为EOOB:
j为决策树的数量。
根据有限的样本及预设的特征估算打印成本,从机器学习角度来看是回归问题。随机森林(RandomForest)是一种适合样本数量不大,分类及回归准确率较高的方法,可以利用开源机器学习库Scikit-Learn中的RandomForestRegressor模块进行建模。随机森林可以利用多棵CART(Classification And Regression Tree)决策树对样本进行训练并预测。使用随即森林模型进行数据训练主要包含两个步骤,随机采样与完全分裂
在特征采样中,已知特征可以包括样本获取中采集的模型特征、工艺参数。个数N可以为13,此时取随机抽取的特征数也即当每个样本有13个特征时,在决策树的每个节点需要分裂时,从中选取p个属性,满足采样条件p<<13。
对采样后的数据采用完全分裂的方式建立CART树,决策树的分裂终止条件是,某一个叶子节点要么无法继续分裂,要么里面所有的样本都指向同一个分类。分裂办法为通过某种度量标准计算方法,对该结点的数据集进行最佳二元切分,随机森林的最终回归结果是每一子树的预测结果的几何平均。
经过以上步骤完成一次训练,根据实践经验,需要多次调参并继续训练,才能取得较好的效果。调参的参考依据可以是袋外误差(OOB error)。调节参数,使袋外误差取最小值。
本发明实施例使用随机森林进行成本预测问题建模,利用机器学习方法预测打印成本,能够提供自动准确的打印成本估算方案,降低人工估算成本,降低报价系统对人工的依赖,改善用户体验;而且随着积累的样本数逐渐增加,预测的准确率会越来越高。与现有技术相比,本发明实施例能够自动预测打印成本,并且可以随着样本数量的积累提高预测准确率。
在上述的具体实施例一中,提供了三维模型打印成本估算方法,与之相对应的,本申请还提供三维模型打印成本估算装置。由于装置实施例基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。下述描述的装置实施例仅仅是示意性的。
具体实施例二
如图2所示,本发明实施例提供了一种三维模型打印成本估算装置,包括:
样本获取模块201,用于:
获取三维模型打印样本的几何数据和打印数据;每个样本设置有特征;
模型建立模块202,用于:
根据样本的几何数据和打印数据估算三维模型的打印成本,建立随机森林模型;
模型调节模块203,用于:
使用随机森林模型进行数据训练;
多次调节随机森林模型的特征并计算与之相应的袋外误差,使随机森林的袋外误差取最小值;
成本估算模块204,用于:
根据调节后的随机森林模型估算三维模型的打印成本。
本发明实施例对于样本获取模块201与模型建立模块202这两个模块是否集成为一体不做限定,这两个模块可以集成在一起,也可以是单独的两个模块。
优选的,所述训练调节模块203用于:
对样本集合应用booststrap进行有放回式随机采样,共生成M个训练集,每个训练集用来训练一棵决策树;M为正整数;
以训练集采样步骤中采集的特征的个数为N,取随机抽取的特征数在决策树的每个节点需要分裂时,从中选取p个特征,作为该节点的数据集;N、p为正整数;
对节点的数据集采用完全分裂的方法建立CART树;
根据CART树对随机森林模型进行数据训练。
本发明实施例使用随机森林进行成本预测问题建模,利用机器学习方法预测打印成本,能够提供自动准确的打印成本估算方案,降低人工估算成本,降低报价系统对人工的依赖,改善用户体验;而且随着积累的样本数逐渐增加,预测的准确率会越来越高。与现有技术相比,本发明实施例能够自动预测打印成本,并且可以随着样本数量的积累提高预测准确率。
本发明从使用目的上,效能上,进步及新颖性等观点进行阐述,其具有的实用进步性,己符合专利法所强调的功能增进及使用要件,本发明以上的说明及附图,仅为本发明的较佳实施例而己,并非以此局限本发明,因此,凡一切与本发明构造,装置,待征等近似、雷同的,即凡依本发明专利申请范围所作的等同替换或修饰等,皆应属本发明的专利申请保护的范围之内。
需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。尽管本发明已进行了一定程度的描述,明显地,在不脱离本发明的精神和范围的条件下,可进行各个条件的适当变化。可以理解,本发明不限于所述实施方案,而归于权利要求的范围,其包括所述每个因素的等同替换。对本领域的技术人员来说,可根据以上描述的技术方案以及构思,做出其它各种相应的改变以及形变,而所有的这些改变以及形变都应该属于本发明权利要求的保护范围之内。
Claims (10)
1.一种三维模型打印成本估算方法,其特征在于,包括:
样本获取步骤:
获取三维模型打印样本的几何数据和打印数据;每个样本设置有特征;
模型建立步骤:
根据样本的几何数据和打印数据估算三维模型的打印成本,建立随机森林模型;
模型调节步骤:
使用随机森林模型进行数据训练;
多次调节随机森林模型的特征并计算与之相应的袋外误差,使随机森林的袋外误差取最小值;
成本估算步骤:
根据调节后的随机森林模型估算三维模型的打印成本。
2.根据权利要求1所述的三维模型打印成本估算方法,其特征在于,所述几何数据包括体积、表面积、包围盒长宽高、支撑体积、最薄处厚度、模型边界个数和模型悬空区域体积中的一种或多种。
3.根据权利要求1或2所述的三维模型打印成本估算方法,其特征在于,所述打印数据包括工艺类别、耗材数量、耗材价格、预计打印时间以及打印完成后的真实价格中的一种或多种。
4.根据权利要求1或2所述的三维模型打印成本估算方法,其特征在于,利用开源机器学习库Scikit-Learn中的RandomForestRegressor模块建立随机森林模型。
5.根据权利要求1或2所述的三维模型打印成本估算方法,其特征在于,所述使用随机森林模型进行数据训练的步骤,包括:
随机采样步骤:
训练集采样步骤,对样本集合应用booststrap进行有放回式随机采样,共生成M个训练集,每个训练集用来训练一棵决策树;M为正整数;
特征采样步骤,以训练集采样步骤中采集的特征的个数为N,取随机抽取的特征数在决策树的每个节点需要分裂时,从中选取p个特征,作为该节点的数据集;N、p为正整数;
完全分裂步骤:
CART树建立步骤,对节点的数据集采用完全分裂的方法建立CART树;
数据训练步骤,根据CART树对随机森林模型进行数据训练。
6.根据权利要求5所述的三维模型打印成本估算方法,其特征在于,所述完全分裂的方法,具体为:
对节点的数据集进行最佳二元切分,包括:
对每个特征的每个特征值,将节点的数据集切分成两份,计算度量标准;所述度量标准包括最优度量;
如果当前度量优于最优度量,则将当前切分设为最佳切分,并更新最优度量。
7.根据权利要求6所述的三维模型打印成本估算方法,其特征在于,所述度量标准选用信息增益,信息增益的计算方法为:
设训练数据集为D,|D|表示其样本个数;设有K个类Ck,k=1,2,...,K,K为正整数;|Ck|为属于类Ck的样本个数,满足:
设特征A有n个不同的取值{a1,a2,...,an},根据特征A的取值将D划分为n个子集D1,D2,...,Dn,|Di|为Di的样本个数,满足:
记子集Di中属于类Ck的样本的集合为Dik,|Dik|为Dik的个数,则:
Di∩Ck=Dik;
特征A对训练数据集D的信息增益g(D,A)为:
g(D,A)=H(D)-H(D|A);
其中,H(D)为D的经验墒,H(D|A)为选定特征A的经验条件墒;
H(D)和H(D|A)的计算公式分别为:
8.根据权利要求7所述的三维模型打印成本估算方法,其特征在于,所述随机森林的袋外误差的计算方法为:
对第q棵决策树,统计原始样本集中未参与训练的样本,计算其预测值与真实值yi之间的误差Eq:
其中m为第q棵决策树中样本的特征数,则随机森林的袋外误差为EOOB:
j为决策树的数量。
9.一种三维模型打印成本估算装置,其特征在于,包括:
样本获取模块,用于:
获取三维模型打印样本的几何数据和打印数据;每个样本设置有特征;
模型建立模块,用于:
根据样本的几何数据和打印数据估算三维模型的打印成本,建立随机森林模型;
模型调节模块,用于:
使用随机森林模型进行数据训练;
多次调节随机森林模型的特征并计算与之相应的袋外误差,使随机森林的袋外误差取最小值;
成本估算模块,用于:
根据调节后的随机森林模型估算三维模型的打印成本。
10.根据权利要求9所述的三维模型打印成本估算装置,其特征在于,所述训练调节模块用于:
对样本集合应用booststrap进行有放回式随机采样,共生成M个训练集,每个训练集用来训练一棵决策树;M为正整数;
以训练集采样步骤中采集的特征的个数为N,取随机抽取的特征数在决策树的每个节点需要分裂时,从中选取p个特征,作为该节点的数据集;N、p为正整数;
对节点的数据集采用完全分裂的方法建立CART树;
根据CART树对随机森林模型进行数据训练。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711406371.XA CN108305095A (zh) | 2017-12-22 | 2017-12-22 | 三维模型打印成本估算方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711406371.XA CN108305095A (zh) | 2017-12-22 | 2017-12-22 | 三维模型打印成本估算方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108305095A true CN108305095A (zh) | 2018-07-20 |
Family
ID=62870350
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711406371.XA Pending CN108305095A (zh) | 2017-12-22 | 2017-12-22 | 三维模型打印成本估算方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108305095A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110309948A (zh) * | 2019-05-09 | 2019-10-08 | 上汽安吉物流股份有限公司 | 整车物流订单预测方法及装置、物流系统以及计算机可读介质 |
CN112215676A (zh) * | 2020-10-12 | 2021-01-12 | 中国银行股份有限公司 | 一种定制硬币计价方法及系统 |
CN113191829A (zh) * | 2021-06-04 | 2021-07-30 | 山东白令三维科技有限公司 | 一种3d打印报价方法、装置、设备及可读存储介质 |
CN113342443A (zh) * | 2021-06-18 | 2021-09-03 | 东莞市燕秀信息技术有限公司 | 界面生成方法、装置及计算机可读存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1460958A (zh) * | 2002-05-15 | 2003-12-10 | 株式会社理光 | 注模成本估算系统 |
CN102402690A (zh) * | 2011-09-28 | 2012-04-04 | 南京师范大学 | 基于直觉模糊集成的数据分类方法与系统 |
CN107450524A (zh) * | 2017-08-30 | 2017-12-08 | 深圳市智物联网络有限公司 | 预测工业设备故障的方法、装置及计算机可读存储介质 |
-
2017
- 2017-12-22 CN CN201711406371.XA patent/CN108305095A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1460958A (zh) * | 2002-05-15 | 2003-12-10 | 株式会社理光 | 注模成本估算系统 |
CN102402690A (zh) * | 2011-09-28 | 2012-04-04 | 南京师范大学 | 基于直觉模糊集成的数据分类方法与系统 |
CN107450524A (zh) * | 2017-08-30 | 2017-12-08 | 深圳市智物联网络有限公司 | 预测工业设备故障的方法、装置及计算机可读存储介质 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110309948A (zh) * | 2019-05-09 | 2019-10-08 | 上汽安吉物流股份有限公司 | 整车物流订单预测方法及装置、物流系统以及计算机可读介质 |
CN112215676A (zh) * | 2020-10-12 | 2021-01-12 | 中国银行股份有限公司 | 一种定制硬币计价方法及系统 |
CN112215676B (zh) * | 2020-10-12 | 2023-09-22 | 中国银行股份有限公司 | 一种定制硬币计价方法及系统 |
CN113191829A (zh) * | 2021-06-04 | 2021-07-30 | 山东白令三维科技有限公司 | 一种3d打印报价方法、装置、设备及可读存储介质 |
CN113342443A (zh) * | 2021-06-18 | 2021-09-03 | 东莞市燕秀信息技术有限公司 | 界面生成方法、装置及计算机可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108305095A (zh) | 三维模型打印成本估算方法及装置 | |
Torralba et al. | Uncertainty in recent near-surface wind speed trends: a global reanalysis intercomparison | |
WO2017167284A1 (zh) | 商户配送范围的调整方法和装置 | |
MacKay et al. | On the simulation of Laurentian Great Lakes water levels under projections of global climate change | |
CN104102696A (zh) | 一种内容推荐方法及装置 | |
CN101692224A (zh) | 融合空间关系语义的高分辨率遥感图像检索方法 | |
CN105303418A (zh) | 一种选址方法和装置 | |
CN108052505A (zh) | 文本情感分析方法及装置、存储介质、终端 | |
CN105005711B (zh) | 获取统计线损的方法及装置 | |
CN106846082A (zh) | 基于硬件信息的旅游冷启动用户产品推荐系统及方法 | |
CN105808665A (zh) | 一种新的基于手绘草图的图像检索方法 | |
Srinivas et al. | Multi‐site downscaling of maximum and minimum daily temperature using support vector machine | |
CN108446351A (zh) | Ota平台的基于用户偏好的酒店筛选方法及系统 | |
CN106651651A (zh) | 一种电网用户用电功率曲线数据填补方法和装置 | |
CN107274042A (zh) | 一种业务参与对象的风险识别方法及装置 | |
CN110188268A (zh) | 一种基于标签和时间信息的个性化推荐方法 | |
Praskievicz | Downscaling climate-model output in mountainous terrain using local topographic lapse rates for hydrologic modeling of climate-change impacts | |
CN104751253B (zh) | 基于b-样条基底展开曲线聚类的配电网潮流预测方法 | |
CN106204321A (zh) | 一种智能制定电力客户削峰填谷策略的方法 | |
Xu | Economic Modeling of Profit and Cost &Quantity in Forge Process of Screw | |
Scagliarini et al. | Modelling sea ice and melt ponds evolution: sensitivity to microscale heat transfer mechanisms | |
CN106503447A (zh) | 一种非点源污染排放清单快速处理方法 | |
Kheyri et al. | Evaluation of drought changes in Iran using SPEI and SC-PDSI | |
CN108764589A (zh) | 一种基于支持向量机的离子浓度预测方法 | |
CN110991083B (zh) | 一种光伏电站模型确定方法、装置、设备及储存介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180720 |