CN109886518A - 确定操作成本的方法、装置 - Google Patents
确定操作成本的方法、装置 Download PDFInfo
- Publication number
- CN109886518A CN109886518A CN201711278241.2A CN201711278241A CN109886518A CN 109886518 A CN109886518 A CN 109886518A CN 201711278241 A CN201711278241 A CN 201711278241A CN 109886518 A CN109886518 A CN 109886518A
- Authority
- CN
- China
- Prior art keywords
- mentioned
- appointed task
- desired indicator
- operating cost
- index
- 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
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种确定操作成本的方法、装置。其中,该方法包括:确定目标对象的第一预定指标和执行指定任务的历史数据,其中,上述历史数据至少包括:执行上述指定任务的历史指标和执行上述指定任务产生的历史操作成本,上述第一预定指标用于反映对上述目标对象执行指定任务所产生的操作成本;根据上述第一预定指标和上述指定任务的历史数据,确定执行上述指定任务的操作成本。本发明解决了传统的确定操作成本的方案需凭借人为经验,准确性和效率较低的技术问题。
Description
技术领域
本发明涉及矿物开发领域,具体而言,涉及一种确定操作成本的方法、装置。
背景技术
油气操作成本是油气生产成本的主要组成部分,是生产成本中的可控成本,油气操作成本高低不仅影响着油田公司的利润,更是油田公司发展壮大的一个制约因素,因此对采油厂操作成本的预测对油田公司实现有效的成本控制起着关键作用。
李丰,张晓辉,曲德斌,等发表在2012年第9期石油天然气学报上的基于主成分回归模型的水驱油田操作成本预测一文,针对水驱油田开发特点首次从生产控制、开发阶段和宏观经济形势三方面综合确定了影响水驱油田操作成本的指标体系,针对该指标体系运用主成分分析法建立了操作成本的主成分回归模型,在模型基础上对操作成本进行预测。但本文没有给出作为预测操作成本的9项指标的确定方法,并且在对于指标体系的选取上,没能选取与操作成本相关的财务指标数据。
李萍,张伟,王晓芸,等发表在2016年石油化工上的逐个剔除法在单位操作成本预测中的应用一文,对某油田单位操作成本采用逐个剔除法进行预测,取得了一定的客观实际效果。但逐个剔除法是依据每个回归系数的T的绝对值大小,逐个剔除不显著的变量,在应用过程中需要人为的一个个剔除不显著变量。
针对上述传统的确定操作成本的方案凭借人为经验,准确性和效率较低的问题,目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种确定操作成本的方法、装置,以至少解决传统的确定操作成本的方案需凭借人为经验,准确性和效率较低的技术问题。
根据本发明实施例的一个方面,提供了一种确定操作成本的方法,包括:确定目标对象的第一预定指标和执行指定任务的历史数据,其中,上述历史数据至少包括:执行上述指定任务的历史指标和执行上述指定任务产生的历史操作成本,上述第一预定指标用于反映对上述目标对象执行指定任务所产生的操作成本;根据上述第一预定指标和上述指定任务的历史数据,确定执行上述指定任务的操作成本。
进一步地,根据上述第一预定指标和上述指定任务的历史数据,确定执行上述指定任务的操作成本,包括:根据上述历史指标和上述历史操作成本,建立数学模型;依据上述数学模型对上述第一预定指标进行分析,确定执行上述指定任务的操作成本。
进一步地,确定目标对象的第一预定指标,包括:确定上述目标对象的第二预定指标,其中,上述第二预定指标为预设数据库中的所有指定参数,其中,上述所有指定参数用于反映对上述目标对象执行指定任务所产生的操作成本;从上述第二预定指标中选择至少部分指标,将上述至少部分指标作为上述第一预定指标。
进一步地,从上述第二预定指标中选择至少部分指标,将上述至少部分指标作为上述第一预定指标,包括:根据多元线性回归方法中的最优子集法,确定上述最优子集法的第一准则和第二准则;其中,上述第一准则为:自由度调整复决定系数达到最大,自由度调整复决定系数其中,上式中复决定系数n为上述历史操作成本的样本量,p为自变量的个数;
上述第一准则为:Cp统计量达到最小;其中,上式中Cp为上述自变量的统计量,m为上述第二预定指标的总个数;根据上述第一准则和上述第二准则,从上述第二预定指标中选择至少部分指标,将上述至少部分指标作为上述第一预定指标。
进一步地,根据上述历史指标和上述历史操作成本,建立数学模型,包括:预先构建一个回归方程的架构;根据上述历史指标和上述历史操作成本,计算上述回归方程的架构中的回归系数,得到上述回归方程;采用至少一种校验方式对上述回归方程进行检验,其中,上述至少一种校验方式至少包括:相关系数R检验、上述回归方程的显著性F检验、回归系数的显著性t检验、多重共线性检验;若上述至少一种校验方式对上述回归方程的校验均通过,则确定上述回归方程为上述数学模型。
进一步地,预先构建一个回归方程的架构,包括:Y=β0+β1X1+β2X2+β3X3+……+βiXj,
其中,上式中Y为上述操作成本;β0为回归常数;βi为回归系数;Xj为上述第一预定指标;i=1,2,3,……10;j=1,2,3,……10。
进一步地,根据上述第一预定指标和上述指定任务的历史操作成本,计算上述回归方程的架构中的回归系数,得到回归方程,包括:预设上述回归方程为Y=XjB;其中,Y=[y1,y2,…,yn]-1,B=[β0,β1,…,βn]-1,其中,上述B至少包括:β0和βi,利用最小二乘法准则可得B=(Xj'Xj)-1Xj'Y;yi(i=1,…,n)为上述历史操作成本的实际值,k(k=1,2,…,10)为上述历史指标的实际值,n为上述历史操作成本的样本量。
根据本发明实施例的一个方面,提供了一种确定操作成本的方法,包括:第一设备从第二设备中获取目标对象的第一预定指标,其中,上述第一预定指标用于反映对上述目标对象执行指定任务所产生的操作成本;上述第一设备从第三设备中获取执行指定任务的历史数据,其中,上述历史数据至少包括:执行指定任务的历史指标和执行指定任务产生的历史操作成本;上述第一设备根据上述第一预定指标和上述指定任务的历史数据,确定执行上述指定任务的操作成本。
根据本发明实施例的一个方面,还提供了一种确定操作成本的装置,包括:第一确定模块,用于确定目标对象的第一预定指标和执行指定任务的历史数据,其中,上述历史数据至少包括:执行指定任务的历史指标和执行指定任务产生的历史操作成本,上述第一预定指标用于反映对上述目标对象执行指定任务所产生的操作成本;第二确定模块,用于根据上述第一预定指标和上述指定任务的历史数据,确定执行上述指定任务的操作成本。
根据本发明实施例的一个方面,提供了一种存储介质,上述存储介质包括存储的程序,其中,上述程序执行上述的确定操作成本的方法。
根据本发明实施例的一个方面,提供了一种处理器,上述处理器用于运行程序,其中,上述程序运行时执行上述的确定操作成本的方法。
在本发明实施例中,通过确定目标对象的第一预定指标和执行指定任务的历史数据,其中,上述历史数据至少包括:执行上述指定任务的历史指标和执行上述指定任务产生的历史操作成本,上述第一预定指标用于反映对上述目标对象执行指定任务所产生的操作成本;根据上述第一预定指标和上述指定任务的历史数据,确定执行上述指定任务的操作成本,达到了根据客观的历史生产数据确定采油厂的操作成本的目的,从而实现了无需凭借人为经验,高效客观的确定采油厂的操作成本的技术效果,进而解决了传统的确定操作成本的方案需凭借人为经验,准确性和效率较低的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是根据本发明实施例的一种确定操作成本的方法的步骤流程图;
图2是根据本发明实施例的一种可选的确定操作成本的方法的步骤流程图;
图3是根据本发明实施例的一种可选的确定操作成本的方法的步骤流程图;
图4是根据本发明实施例的一种可选的确定操作成本的方法的步骤流程图;
图5是根据本发明实施例的一种确定操作成本的方法的步骤流程图;
图6是根据本发明实施例的一种确定操作成本的装置的示意框图;以及
图7是根据本发明实施例的一种确定操作成本的装置的示意框图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例1
根据本发明实施例,提供了一种确定操作成本的方法实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本发明实施例的一种确定操作成本的方法的步骤流程图,如图1所示,该方法包括如下步骤:
步骤S102,确定目标对象的第一预定指标和执行指定任务的历史数据,其中,上述历史数据至少包括:执行上述指定任务的历史指标和执行上述指定任务产生的历史操作成本,上述第一预定指标用于反映对上述目标对象执行指定任务所产生的操作成本;
步骤S104,根据上述第一预定指标和上述指定任务的历史数据,确定执行上述指定任务的操作成本。
在本发明实施例中,通过确定目标对象的第一预定指标和执行指定任务的历史数据,其中,上述历史数据至少包括:执行上述指定任务的历史指标和执行上述指定任务产生的历史操作成本,上述第一预定指标用于反映对上述目标对象执行指定任务所产生的操作成本;根据上述第一预定指标和上述指定任务的历史数据,确定执行上述指定任务的操作成本,达到了根据客观的历史生产数据确定采油厂的操作成本的目的,从而实现了无需凭借人为经验,高效客观的确定采油厂的操作成本的技术效果,进而解决了传统的确定操作成本的方案需凭借人为经验,准确性和效率较低的技术问题。
在一种可选的实施例中,上述目标对象为采油厂,上述第一预定指标可以为采油厂中的若干个影响采油厂操作成本的重要因素指标;上述指定任务可以为采油任务;上述历史数据可以为历次执行采油任务的数据,其中,上述历史指标为历次执行采油任务中影响采油厂操作成本的重要因素指标,上述历史操作成本为历次执行采油任务产生的操作成本,上述历史数据为一种已经确定的数据。
在上述步骤S102中,确定目标对象的第一预定指标可以理解为确定油田开发生产及财务中的若干个(可以为10个)影响采油厂操作成本的重要因素指标。
通过上述步骤,可以实现客观直接的关联采油厂生产与财务中影响操作成本的重要因素指标,利用数学模型确定采油厂的操作成本,可以直接采用现实生产中实际数据来预测操作成本,从而克服了传统的凭借经验、人为因素的弊端。
为了进一步准确智能地预测油田采油厂的操作成本,本发明将操作成本与开发生产和财务中的多项指标因素直接联系起来,运用多元线性回归分析中的最优子集方法确定油田开发生产及财务中的10项影响采油厂操作成本的重要因素指标,并对操作成本进行预测。比较而言,本申请中预测误差相对偏小,实现了客观从生产中实际数据来确定采油厂的操作成本,从而克服了以往凭借经验、人为因素大的弊端。
在一种可选的实施例中,图2是根据本发明实施例的一种可选的确定操作成本的方法的步骤流程图,如图2所示,根据上述第一预定指标和上述指定任务的历史数据,确定执行上述指定任务的操作成本,包括:
步骤S202,根据上述历史指标和上述历史操作成本,建立数学模型;
步骤S204,依据上述数学模型对上述第一预定指标进行分析,确定执行上述指定任务的操作成本。
可选的,上述数学模型可以为一个回归方程;上述依据上述数学模型对上述第一预定指标进行分析可以理解为:根据上述历史指标和上述历史操作成本,建立数学模型,并将上述第一预定指标作为一个自变量代入上述数学模型中得到因变量,上述因变量也即,上述采油任务的操作成本。
在一种可选的实施例中,图3是根据本发明实施例的一种可选的确定操作成本的方法的步骤流程图,如图3所示,确定目标对象的第一预定指标,包括:
步骤S302,确定上述目标对象的第二预定指标,其中,上述第二预定指标为预设数据库中的所有指定参数,其中,上述所有指定参数用于反映对上述目标对象执行指定任务所产生的操作成本;
步骤S304,从上述第二预定指标中选择至少部分指标,将上述至少部分指标作为上述第一预定指标。
在一种可选的实施例中,上述预设数据库中的所有指定参数可以为影响采油厂操作成本的实际生产和财务指标,作为一种可选的实施方式,可以包括:措施增油比重,油水井开井率,综合含水率,注采比,平均单井产油量,自然递减率,可采储量采出程度,平均泵挂深度,平均注水油压,吨油单井集油线占比,吨油资产占比,资产新旧系数和吨液拉油费等指标项。
在一种可选的实施例中,从上述第二预定指标中选择至少部分指标,将上述至少部分指标作为上述第一预定指标,包括:根据多元线性回归方法中的最优子集法,确定上述最优子集法的第一准则和第二准则;其中,上述第一准则为:自由度调整复决定系数达到最大,自由度调整复决定系数其中,上式中复决定系数n为上述历史操作成本的样本量,p为自变量的个数;
上述第一准则为:Cp统计量达到最小;其中,上式中Cp为上述自变量的统计量,m为上述第二预定指标的总个数;根据上述第一准则和上述第二准则,从上述第二预定指标中选择至少部分指标,将上述至少部分指标作为上述第一预定指标。
在另一种可选的实施例中,将上述13项指标作为自变量X,操作成本作为因变量Y。运用历史78组采油厂操作成本及各指标的数据,这里n=78,m=13,计算可得对应于当自变量p=1,2,3,…,13时各自的R、Ra和Cp值,结果如下表1所示:
表1最优子集法指标选择表
其中当p=10时,对应于油水井开井率、综合含水率、注采比、平均单井产油量、自然递减率、资产新旧系数、吨油资产占比、吨油单井集油线占比、平均注水油压和吨液拉油费这10项指标的Ra=0.967,Cp=10.8,相对于其他指标对应的Ra值是最大的和Cp值是最小的,因此根据最优子集的两个准则从影响操作成本的13项油田生产开发及财务指标中确定了10项重要因素指标为:油水井开井率、综合含水率、注采比、平均单井产油量、自然递减率、资产新旧系数、吨油资产占比、吨油单井集油线占比、平均注水油压和吨液拉油费。
在一种可选的实施例中,预先构建一个回归方程的架构,包括:Y=β0+β1X1+β2X2+β3X3+……+βiXj,其中,上式中Y为上述操作成本;β0为回归常数;βi为回归系数;Xj为上述第一预定指标;i=1,2,3,……10;j=1,2,3,……10。
在一种可选的实施例中,在上述i=10,j=10时,上述预先建立的回归方程的架构可以为:
Y=β0+β1X1+β2X2+β3X3+β4X4+β5X5+β6X6+β7X7+β8X8+β9X9+β10X10,
其中,上式中Y为预测的操作成本(元/吨);β0为回归常数;βi为回归系数(i=1,2,3,……10);X1为油水井开井率(%);X2为综合含水率(%);X3为注采比;X4为平均单井产油量(吨);X5为自然递减率(%);X6为资产新旧系数(%);X7为吨油资产占比(元/吨);X8为吨油单井集油线占比(公里/万吨);X9为平均注水油压(兆帕);X10为吨液拉油费(元/吨)。
在一种可选的实施例中,根据上述第一预定指标和上述指定任务的历史操作成本,计算上述回归方程的架构中的回归系数,得到回归方程,包括:预设上述回归方程为Y=XjB;其中,Y=[y1,y2,…,yn]-1,B=[β0,β1,…,βn]-1,其中,上述B至少包括:β0和βi,利用最小二乘法准则可得B=(Xj'Xj)-1Xj'Y;yi(i=1,…,n)为上述历史操作成本的实际值,k(k=1,2,…,10)为上述历史指标的实际值,n为上述历史操作成本的样本量。
由上可知,B为回归参数,B=[β0,β1,…,βn]-1。
在本申请的一种可选实施例中,上述n=78,k=10,yi(i=1,…,n)是因变量历史操作成本的实际值,xki(k=1,2,…,10;i=1,…,n)是自变量即各因素指标的实际值。因此,利用上述78组数据可以得到,回归系数:β0=-5,β1=-7.04,β2=5.82,β3=3.57,β4=-50.4,β5=-3.35,β6=5.32,β7=40.9,β8=33.5,β9=-11.5,β10=-0.722
回归方程:
Y=-5-7.04X1+5.82X2+3.57X3-50.4X4-3.35X5+5.32X6+40.9X7+33.5X8-11.5X9-0.722X10。
在一种可选的实施例中,图4是根据本发明实施例的一种可选的确定操作成本的方法的步骤流程图,如图4所示,根据上述历史指标和上述历史操作成本,建立数学模型,包括:
步骤S402,预先构建一个回归方程的架构;
步骤S404,根据上述历史指标和上述历史操作成本,计算上述回归方程的架构中的回归系数,得到上述回归方程;
步骤S406,采用至少一种校验方式对上述回归方程进行检验,其中,上述至少一种校验方式至少包括:相关系数R检验、上述回归方程的显著性F检验、回归系数的显著性t检验、多重共线性检验;
步骤S408,若上述至少一种校验方式对上述回归方程的校验均通过,则确定上述回归方程为上述数学模型。
在上述步骤S406中,采用至少一种校验方式对上述回归方程进行检验,可以通过如下方式实现:
(1)相关系数R检验;
样本决定系数R的取值在[0,1]区间内,R越接近1,表明回归拟合的效果越好;R越接近0,表明回归拟合的效果越差。R=0.971表明拟合效果好,R检验通过。
(2)回归方程的显著性F检验;
这里n=78,p=10。
F=224.92大于显著性水平α=0.05,自由度n1=10,n2=60的F值1.99,F检验通过。
(3)回归系数的显著性t检验;
其中,i=1,2,…,n;j=1,2,…,10;
其中,cjj是多元线性回归方程中求解回归系数矩阵的逆矩阵(X'X)-1的主对角线上的第j个元素。这里n=78,p=10。计算求得每个自变量对应的t值t1=-4.21,t2=3.90,t3=3.65,t4=-4.65,t5=-2.02,t6=5.30,t7=9.58,t8=2.94,t9=-2.72,t10=-2.8,如下表2所示,其中,所有自变量对应的t值都大于t(α/2,45)=2.01>t(α/2,n-p-1),t检验通过。
表2显著性t检验表
序号 | 自变量 | t |
1 | 油水井开井率 | -4.21 |
2 | 综合含水率 | 3.90 |
3 | 注采比 | 3.65 |
4 | 平均单井产油量 | -4.65 |
5 | 自然递减率 | -2.02 |
6 | 资产新旧系数 | 5.30 |
7 | 吨油资产占比 | 9.58 |
8 | 吨油单井集油线占比 | 2.94 |
9 | 平均注水油压 | -2.72 |
10 | 吨液拉油运费 | -2.85 |
(4)多重共线性检验;
预测变量之间的相关关系可用所谓的方差膨胀因子(VIF)来刻画。记表示以Xj作为响应变量,其余的预测变量作为自变量的回归模型中的多重相关系数的平方,则Xj的方差膨胀因子定义为:
其中p是全部预测变量的数目,这里p=10。显然,VIFj刻画了Xj与其余预测变量之间的线性关系。当趋于1时,VIFj变得很大。当VIFj超过10,一般认为这是模型出现共线性现象的一个征兆。计算求得每个自变量对应的VIF值VIF1=2.658,VIF2=3.863,VIF3=7.115,VIF4=4.033,VIF5=1.569,VIF6=1.682,VIF7=8.995,VIF8=5.709,VIF9=6.013,VIF10=5.945,如下表3所示,其中,所有的VIF值都小于10,消除了共线性的影响,则多重共线性检验通过。
表3多重共线性检验表
序号 | 自变量 | VIF |
1 | 油水井开井率 | 2.658 |
2 | 综合含水率 | 3.863 |
3 | 注采比 | 7.115 |
4 | 平均单井产油量 | 4.033 |
5 | 自然递减率 | 1.569 |
6 | 资产新旧系数 | 1.682 |
7 | 吨油资产占比 | 8.995 |
8 | 吨油单井集油线 | 5.709 |
9 | 平均注水油压 | 6.013 |
10 | 吨液拉油运费 | 5.945 |
在一种可选的实施例中,依据生产实际中的78组数据建立的数学预测,相关系数R检验,回归方程的显著性F检验、回归系数的显著性t检验,均反映了变量X1,X2,…,X10和Y之间的线性关系合理;因此可用Y=-5-7.04X1+5.82X2+3.57X3-50.4X4-3.35X5+5.32X6+40.9X7+33.5X8-11.5X9-0.722X10确定采油厂操作成本。
以某采油厂为例,对本申请实施例的应用进行详细说明:某采油厂2015年,油水井开井率为76.96%,综合含水率为91.49%,注采比为1.07,平均单井产油量2.88吨/日,自然递减率为10.25%,资产新旧系数42.39%,吨油资产占比为12393.17元/吨,吨油单井集油线占比为6.02公里/万吨,平均注水油压为4.3兆帕和吨液拉油费为41.82元/吨,依据数学模型:
Y=-5-7.04X1+5.82X2+3.57X3-50.4X4-3.35X5+5.32X6+40.9X7+33.5X8-11.5X9-0.722X10;得到预测操作成本(元/吨)为1043元/吨,实际操作成本为1014元/吨,相对误差为2.78%,可以更加准确的确定操作成本。
实施例2
本发明实施例提供了一种确定操作成本的方法,图5是根据本发明实施例的一种确定操作成本的方法的步骤流程图,如图5所示,该方法包括:
步骤S502,第一设备从第二设备中获取目标对象的第一预定指标,其中,上述第一预定指标用于反映对上述目标对象执行指定任务所产生的操作成本;
步骤S504,上述第一设备从第三设备中获取执行指定任务的历史数据,其中,上述历史数据至少包括:执行指定任务的历史指标和执行指定任务产生的历史操作成本;
步骤S506,上述第一设备根据上述第一预定指标和上述指定任务的历史数据,确定执行上述指定任务的操作成本。
在本发明实施例中,通过第一设备从第二设备中获取目标对象的第一预定指标,其中,上述第一预定指标用于反映对上述目标对象执行指定任务所产生的操作成本;上述第一设备从第三设备中获取执行指定任务的历史数据,其中,上述历史数据至少包括:执行指定任务的历史指标和执行指定任务产生的历史操作成本;上述第一设备根据上述第一预定指标和上述指定任务的历史数据,确定执行上述指定任务的操作成本,达到了根据客观的实际生产数据确定采油厂的操作成本的目的,从而实现了无需凭借人为经验,高效客观的确定采油厂的操作成本的技术效果,进而解决了传统的确定操作成本的方案需凭借人为经验,准确性和效率较低的技术问题。
需要说明的是,本申请实施例所提供的确定操作成本的方法实施例可以在移动终端、计算机终端或者类似的运算装置中执行。以运行在计算机终端上为例,上述计算机终端可以包括一个或多个处理器(处理器可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)、用于存储数据的存储器、以及用于通信功能的传输装置。本领域普通技术人员可以理解,上述举例的结构仅为示意,其并不对上述电子装置的结构造成限定。例如,计算机终端还可包括比上述实施例中所示更多或者更少的组件,或者具有与本申请实施例所不同的配置。
上述存储器可用于存储应用软件的软件程序以及模块,如本发明实施例中的订单信息的处理方法对应的程序指令/模块,处理器通过运行存储在存储器内的软件程序以及模块,从而执行各种功能应用以及数据处理,即实现上述的应用程序的漏洞检测方法。存储器可包括高速随机存储器,还可包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器可进一步包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至计算机终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输装置用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算机终端的通信供应商提供的无线网络。在一个实例中,传输装置包括一个网络适配器(Network Interface Controller,NIC),其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中,传输装置可以为射频(Radio Frequency,RF)模块,其用于通过无线方式与互联网进行通讯。
在上述运行环境下,本申请提供了如图5所示的确定操作成本的方法,在本申请所提供的可选实施例中,上述第一设备可以为上述计算机终端中的处理器,其中,该处理器可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置;上述第二设备、第三设备均可以为存储数据的存储器,还可以为一种数据库。在一种可选的实施例中,上述第一设备、第二设备和第三设备之间可以以分布式组网的方式进行通信联系。
在一种可选的实施例中,上述目标对象为采油厂,上述第一预定指标可以为采油厂中的若干个影响采油厂操作成本的重要因素指标;上述指定任务可以为采油任务;上述历史数据可以为历次执行采油任务的数据,其中,上述历史指标为历次执行采油任务中影响采油厂操作成本的重要因素指标,上述历史操作成本为历次执行采油任务产生的操作成本,上述历史数据为一种已经确定的数据。
在本申请上述实施例中,确定目标对象的第一预定指标可以理解为确定油田开发生产及财务中的若干个(可以为10个)影响采油厂操作成本的重要因素指标。
通过上述步骤,可以实现客观直接的关联采油厂生产与财务中影响操作成本的重要因素指标,利用数学模型确定采油厂的操作成本,可以直接采用现实生产中实际数据来预测操作成本,从而克服了传统的凭借经验、人为因素的弊端。
在一种可选的实施例中,根据上述第一预定指标和上述指定任务的历史数据,确定执行上述指定任务的操作成本,包括:根据上述历史指标和上述历史操作成本,建立数学模型;依据上述数学模型对上述第一预定指标进行分析,确定执行上述指定任务的操作成本。
在一种可选的实施例中,确定目标对象的第一预定指标,包括:确定上述目标对象的第二预定指标,其中,上述第二预定指标为预设数据库中的所有指定参数,其中,上述所有指定参数用于反映对上述目标对象执行指定任务所产生的操作成本;从上述第二预定指标中选择至少部分指标,将上述至少部分指标作为上述第一预定指标。
在一种可选的实施例中,从上述第二预定指标中选择至少部分指标,将上述至少部分指标作为上述第一预定指标,包括:根据多元线性回归方法中的最优子集法,确定上述最优子集法的第一准则和第二准则;其中,上述第一准则为:自由度调整复决定系数达到最大,自由度调整复决定系数其中,上式中复决定系数n为上述历史操作成本的样本量,p为自变量的个数;
上述第一准则为:Cp统计量达到最小;其中,上式中Cp为上述自变量的统计量,m为上述第二预定指标的总个数;根据上述第一准则和上述第二准则,从上述第二预定指标中选择至少部分指标,将上述至少部分指标作为上述第一预定指标。
在一种可选的实施例中,根据上述历史指标和上述历史操作成本,建立数学模型,包括:预先构建一个回归方程的架构;根据上述历史指标和上述历史操作成本,计算上述回归方程的架构中的回归系数,得到上述回归方程;采用至少一种校验方式对上述回归方程进行检验,其中,上述至少一种校验方式至少包括:相关系数R检验、上述回归方程的显著性F检验、回归系数的显著性t检验、多重共线性检验;若上述至少一种校验方式对上述回归方程的校验均通过,则确定上述回归方程为上述数学模型。
在一种可选的实施例中,预先构建一个回归方程的架构,包括:Y=β0+β1X1+β2X2+β3X3+……+βiXj,
其中,上式中Y为上述操作成本;β0为回归常数;βi为回归系数;Xj为上述第一预定指标;i=1,2,3,……10;j=1,2,3,……10。
在一种可选的实施例中,根据上述第一预定指标和上述指定任务的历史操作成本,计算上述回归方程的架构中的回归系数,得到回归方程,包括:预设上述回归方程为Y=XjB;其中,Y=[y1,y2,…,yn]-1,B=[β0,β1,…,βn]-1,其中,上述B至少包括:β0和βi,利用最小二乘法准则可得B=(Xj'Xj)-1Xj'Y;yi(i=1,…,n)为上述历史操作成本的实际值,k(k=1,2,…,10)为上述历史指标的实际值,n为上述历史操作成本的样本量。
实施例3
本发明实施例还提供了一种用于实施上述确定操作成本的方法的装置,图6是根据本发明实施例的一种确定操作成本的装置的结构示意图,如图6所示,上述确定操作成本的装置,包括:第一确定模块60和第二确定模块62,其中,
第一确定模块60,用于确定目标对象的第一预定指标和执行指定任务的历史数据,其中,上述历史数据至少包括:执行指定任务的历史指标和执行指定任务产生的历史操作成本,上述第一预定指标用于反映对上述目标对象执行指定任务所产生的操作成本;第二确定模块62,用于根据上述第一预定指标和上述指定任务的历史数据,确定执行上述指定任务的操作成本。
需要说明的是,上述各个模块是可以通过软件或硬件来实现的,例如,对于后者,可以通过以下方式实现:上述各个模块可以位于同一处理器中;或者,上述各个模块以任意组合的方式位于不同的处理器中。
此处需要说明的是,上述第一确定模块60和第二确定模块62对应于实施例1中的步骤S102至步骤S104,上述模块与对应的步骤所实现的实例和应用场景相同,但不限于上述实施例1所公开的内容。需要说明的是,上述模块作为装置的一部分可以运行在计算机终端中。
需要说明的是,本实施例的可选或优选实施方式可以参见实施例1中的相关描述,此处不再赘述。
上述的确定操作成本的装置还可以包括处理器和存储器,上述第一确定模块60和第二确定模块62等均作为程序单元存储在存储器中,由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
处理器中包含内核,由内核去存储器中调取相应的程序单元,上述内核可以设置一个或以上。存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM),存储器包括至少一个存储芯片。
本申请实施例还提供了一种存储介质。可选地,在本实施例中,上述存储介质包括存储的程序,其中,在上述程序运行时控制上述存储介质所在设备执行上述任意一种确定操作成本的方法。
可选地,在本实施例中,上述存储介质可以位于计算机网络中计算机终端群中的任意一个计算机终端中,或者位于移动终端群中的任意一个移动终端中。
本申请实施例还提供了一种处理器。可选地,在本实施例中,上述处理器用于运行程序,其中,上述程序运行时执行上述任意一种确定操作成本的方法。
本申请实施例提供了一种设备,设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序,处理器执行程序时实现以下步骤:确定目标对象的第一预定指标和执行指定任务的历史数据,其中,上述历史数据至少包括:执行上述指定任务的历史指标和执行上述指定任务产生的历史操作成本,上述第一预定指标用于反映对上述目标对象执行指定任务所产生的操作成本;根据上述第一预定指标和上述指定任务的历史数据,确定执行上述指定任务的操作成本。
可选地,上述处理器执行程序时,还可以根据上述历史指标和上述历史操作成本,建立数学模型;依据上述数学模型对上述第一预定指标进行分析,确定执行上述指定任务的操作成本。
可选地,上述处理器执行程序时,还可以确定上述目标对象的第二预定指标,其中,上述第二预定指标为预设数据库中的所有指定参数,其中,上述所有指定参数用于反映对上述目标对象执行指定任务所产生的操作成本;从上述第二预定指标中选择至少部分指标,将上述至少部分指标作为上述第一预定指标。
可选地,上述处理器执行程序时,还可以根据多元线性回归方法中的最优子集法,确定上述最优子集法的第一准则和第二准则;其中,上述第一准则为:自由度调整复决定系数达到最大,自由度调整复决定系数其中,上式中复决定系数n为上述历史操作成本的样本量,p为自变量的个数;
上述第一准则为:Cp统计量达到最小;其中,上式中Cp为上述自变量的统计量,m为上述第二预定指标的总个数;根据上述第一准则和上述第二准则,从上述第二预定指标中选择至少部分指标,将上述至少部分指标作为上述第一预定指标。
可选地,上述处理器执行程序时,还可以预先构建一个回归方程的架构;根据上述历史指标和上述历史操作成本,计算上述回归方程的架构中的回归系数,得到上述回归方程;采用至少一种校验方式对上述回归方程进行检验,其中,上述至少一种校验方式至少包括:相关系数R检验、上述回归方程的显著性F检验、回归系数的显著性t检验、多重共线性检验;若上述至少一种校验方式对上述回归方程的校验均通过,则确定上述回归方程为上述数学模型。
可选地,上述处理器执行程序时,还可以预设上述回归方程为Y=XjB;其中,Y=[y1,y2,…,yn]-1,B=[β0,β1,…,βn]-1,其中,上述B至少包括:β0和βi,利用最小二乘法准则可得B=(Xj'Xj)-1Xj'Y;yi(i=1,…,n)为上述历史操作成本的实际值,k(k=1,2,…,10)为上述历史指标的实际值,n为上述历史操作成本的样本量。
本申请还提供了一种计算机程序产品,当在数据处理设备上执行时,适于执行初始化有如下方法步骤的程序:确定目标对象的第一预定指标和执行指定任务的历史数据,其中,上述历史数据至少包括:执行上述指定任务的历史指标和执行上述指定任务产生的历史操作成本,上述第一预定指标用于反映对上述目标对象执行指定任务所产生的操作成本;根据上述第一预定指标和上述指定任务的历史数据,确定执行上述指定任务的操作成本。
可选地,上述计算机程序产品执行程序时,还可以根据上述历史指标和上述历史操作成本,建立数学模型;依据上述数学模型对上述第一预定指标进行分析,确定执行上述指定任务的操作成本。
可选地,上述计算机程序产品执行程序时,还可以确定上述目标对象的第二预定指标,其中,上述第二预定指标为预设数据库中的所有指定参数,其中,上述所有指定参数用于反映对上述目标对象执行指定任务所产生的操作成本;从上述第二预定指标中选择至少部分指标,将上述至少部分指标作为上述第一预定指标。
可选地,上述计算机程序产品执行程序时,还可以根据多元线性回归方法中的最优子集法,确定上述最优子集法的第一准则和第二准则;其中,上述第一准则为:自由度调整复决定系数达到最大,自由度调整复决定系数其中,上式中复决定系数n为上述历史操作成本的样本量,p为自变量的个数;
上述第一准则为:Cp统计量达到最小;其中,上式中Cp为上述自变量的统计量,m为上述第二预定指标的总个数;根据上述第一准则和上述第二准则,从上述第二预定指标中选择至少部分指标,将上述至少部分指标作为上述第一预定指标。
可选地,上述计算机程序产品执行程序时,还可以预先构建一个回归方程的架构;根据上述历史指标和上述历史操作成本,计算上述回归方程的架构中的回归系数,得到上述回归方程;采用至少一种校验方式对上述回归方程进行检验,其中,上述至少一种校验方式至少包括:相关系数R检验、上述回归方程的显著性F检验、回归系数的显著性t检验、多重共线性检验;若上述至少一种校验方式对上述回归方程的校验均通过,则确定上述回归方程为上述数学模型。
可选地,上述计算机程序产品执行程序时,还可以预设上述回归方程为Y=XjB;其中,Y=[y1,y2,…,yn]-1,B=[β0,β1,…,βn]-1,其中,上述B至少包括:β0和βi,利用最小二乘法准则可得B=(Xj'Xj)-1Xj'Y;yi(i=1,…,n)为上述历史操作成本的实际值,k(k=1,2,…,10)为上述历史指标的实际值,n为上述历史操作成本的样本量。
实施例4
本发明实施例还提供了一种用于实施上述确定操作成本的方法的装置,图7是根据本发明实施例的一种确定操作成本的装置的结构示意图,如图7所示,上述确定操作成本的装置,包括:第一获取模块70、第二获取模块72和确定模块74,其中,
第一获取模块70,用于第一设备从第二设备中获取目标对象的第一预定指标,其中,上述第一预定指标用于反映对上述目标对象执行指定任务所产生的操作成本;第二获取模块72,用于上述第一设备从第三设备中获取执行指定任务的历史数据,其中,上述历史数据至少包括:执行指定任务的历史指标和执行指定任务产生的历史操作成本;确定模块74,用于上述第一设备根据上述第一预定指标和上述指定任务的历史数据,确定执行上述指定任务的操作成本。
需要说明的是,上述各个模块是可以通过软件或硬件来实现的,例如,对于后者,可以通过以下方式实现:上述各个模块可以位于同一处理器中;或者,上述各个模块以任意组合的方式位于不同的处理器中。
此处需要说明的是,上述第一获取模块70、第二获取模块72和确定模块74对应于实施例2中的步骤S502至步骤S506,上述模块与对应的步骤所实现的实例和应用场景相同,但不限于上述实施例2所公开的内容。需要说明的是,上述模块作为装置的一部分可以运行在计算机终端中。
需要说明的是,本实施例的可选或优选实施方式可以参见实施例1和2中的相关描述,此处不再赘述。
上述的确定操作成本的装置还可以包括处理器和存储器,上述第一获取模块70、第二获取模块72和确定模块74等均作为程序单元存储在存储器中,由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
在本发明的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,可以为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (11)
1.一种确定操作成本的方法,其特征在于,包括:
确定目标对象的第一预定指标和执行指定任务的历史数据,其中,所述历史数据至少包括:执行所述指定任务的历史指标和执行所述指定任务产生的历史操作成本,所述第一预定指标用于反映对所述目标对象执行所述指定任务所产生的操作成本;
根据所述第一预定指标和所述指定任务的历史数据,确定执行所述指定任务的操作成本。
2.根据权利要求1所述的方法,其特征在于,根据所述第一预定指标和所述指定任务的历史数据,确定执行所述指定任务的操作成本,包括:
根据所述历史指标和所述历史操作成本,建立数学模型;
依据所述数学模型对所述第一预定指标进行分析,确定执行所述指定任务的操作成本。
3.根据权利要求1所述的方法,其特征在于,确定目标对象的第一预定指标,包括:
确定所述目标对象的第二预定指标,其中,所述第二预定指标为预设数据库中的所有指定参数,其中,所述所有指定参数用于反映对所述目标对象执行所述指定任务所产生的操作成本;
从所述第二预定指标中选择至少部分指标,将所述至少部分指标作为所述第一预定指标。
4.根据权利要求3所述的方法,其特征在于,从所述第二预定指标中选择至少部分指标,将所述至少部分指标作为所述第一预定指标,包括:
根据多元线性回归方法中的最优子集法,确定所述最优子集法的第一准则和第二准则;
其中,所述第一准则为:自由度调整复决定系数达到最大,
自由度调整复决定系数
其中,上式中复决定系数n为所述历史操作成本的样本量,p为自变量的个数;
所述第一准则为:Cp统计量达到最小;
其中,上式中Cp为所述自变量的统计量,m为所述第二预定指标的总个数;
根据所述第一准则和所述第二准则,从所述第二预定指标中选择所述至少部分指标,将所述至少部分指标作为所述第一预定指标。
5.根据权利要求1所述的方法,其特征在于,根据所述历史指标和所述历史操作成本,建立数学模型,包括:
预先构建一个回归方程的架构;
根据所述历史指标和所述历史操作成本,计算所述回归方程的架构中的回归系数,得到所述回归方程;
采用至少一种校验方式对所述回归方程进行检验,其中,所述至少一种校验方式至少包括:相关系数R检验、所述回归方程的显著性F检验、回归系数的显著性t检验、多重共线性检验;
若所述至少一种校验方式对所述回归方程的校验均通过,则确定所述回归方程为所述数学模型。
6.根据权利要求5所述的方法,其特征在于,预先构建一个回归方程的架构,包括:
Y=β0+β1X1+β2X2+β3X3+……+βiXj,
其中,上式中Y为所述操作成本;β0为回归常数;βi为回归系数;Xj为所述第一预定指标;i=1,2,3,……10;j=1,2,3,……10。
7.根据权利要求5所述的方法,其特征在于,根据所述历史指标和所述历史操作成本,计算所述回归方程的架构中的回归系数,得到所述回归方程,包括:
预设所述回归方程为Y=XjB;
其中,Y=[y1,y2,…,yn]-1,B=[β0,β1,…,βn]-1,
其中,B至少包括:β0和βi,利用最小二乘法准则可得B=(Xj'Xj)-1Xj'Y;yi(i=1,…,n)为所述历史操作成本的实际值,k(k=1,2,…,10)为所述历史指标的实际值,n为所述历史操作成本的样本量。
8.一种确定操作成本的方法,其特征在于,包括:
第一设备从第二设备中获取目标对象的第一预定指标,其中,所述第一预定指标用于反映对所述目标对象执行指定任务所产生的操作成本;
所述第一设备从第三设备中获取执行所述指定任务的历史数据,其中,所述历史数据至少包括:执行所述指定任务的历史指标和执行所述指定任务产生的历史操作成本;
所述第一设备根据所述第一预定指标和所述指定任务的历史数据,确定执行所述指定任务的操作成本。
9.一种确定操作成本的装置,其特征在于,包括:
第一确定模块,用于确定目标对象的第一预定指标和执行指定任务的历史数据,其中,所述历史数据至少包括:执行所述指定任务的历史指标和执行所述指定任务产生的历史操作成本,所述第一预定指标用于反映对所述目标对象执行所述指定任务所产生的操作成本;
第二确定模块,用于根据所述第一预定指标和所述指定任务的历史数据,确定执行所述指定任务的操作成本。
10.一种存储介质,其特征在于,所述存储介质包括存储的程序,其中,所述程序执行权利要求1至8中任意一项所述的确定操作成本的方法。
11.一种处理器,其特征在于,所述处理器用于运行程序,其中,所述程序运行时执行权利要求1至8中任意一项所述的确定操作成本的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711278241.2A CN109886518A (zh) | 2017-12-06 | 2017-12-06 | 确定操作成本的方法、装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711278241.2A CN109886518A (zh) | 2017-12-06 | 2017-12-06 | 确定操作成本的方法、装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109886518A true CN109886518A (zh) | 2019-06-14 |
Family
ID=66924070
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711278241.2A Pending CN109886518A (zh) | 2017-12-06 | 2017-12-06 | 确定操作成本的方法、装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109886518A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101719195A (zh) * | 2009-12-03 | 2010-06-02 | 上海大学 | 一种逐步回归基因调控网络的推断方法 |
CN102313722A (zh) * | 2011-09-05 | 2012-01-11 | 华南理工大学 | 一种基于多元线性回归的煤质工业分析方法 |
CN106156892A (zh) * | 2016-07-13 | 2016-11-23 | 国网福建省电力有限公司 | 一种电网线损率预测模型的建立方法 |
-
2017
- 2017-12-06 CN CN201711278241.2A patent/CN109886518A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101719195A (zh) * | 2009-12-03 | 2010-06-02 | 上海大学 | 一种逐步回归基因调控网络的推断方法 |
CN102313722A (zh) * | 2011-09-05 | 2012-01-11 | 华南理工大学 | 一种基于多元线性回归的煤质工业分析方法 |
CN106156892A (zh) * | 2016-07-13 | 2016-11-23 | 国网福建省电力有限公司 | 一种电网线损率预测模型的建立方法 |
Non-Patent Citations (4)
Title |
---|
何秀丽: ""多元线性模型与岭回归分析"", 《中国优秀博硕士学位论文全文数据库(硕士) 基础科学辑》 * |
吴茜茜: ""低渗透油田操作成本预测研究"", 《中国优秀硕士学位论文全文数据库 信息科技Ⅰ辑》 * |
李萍等: ""逐个剔除法在单位操作成本预测中的应用"", 《化工管理》 * |
闫闯: ""多元回归模型中变量选择问题"", 《中国优秀硕士学位论文全文数据库 基础科学辑》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Van der Aalst et al. | Time prediction based on process mining | |
Hung et al. | Benchmarking the operating efficiency of Asia container ports | |
CN104185840B (zh) | 在持续部署流水线中用来优先化多个测试的方法、系统和装置 | |
CN108900546A (zh) | 基于lstm的时间序列网络异常检测的方法与装置 | |
CN106502889B (zh) | 预测云软件性能的方法和装置 | |
Lin et al. | Enhancing the value of offshore developments with flexible subsea tiebacks | |
US11977200B2 (en) | System and method for real-time monitoring and optimizing operation of connected oil and gas wells | |
CN108062303A (zh) | 垃圾短信的识别方法及装置 | |
CN105335875A (zh) | 购买力预测方法和装置 | |
WO2015138131A1 (en) | Risk measure-based decision support tool for reservoir development | |
CN112328802A (zh) | 数据处理方法、装置和服务器 | |
CN109543104A (zh) | 确定服务提供方的方法、系统以及存储介质 | |
CN116569193A (zh) | 用于时间序列的大集合的可扩展建模 | |
US20190303787A1 (en) | Adaptive learning rate schedule in distributed stochastic gradient descent | |
CN115099326A (zh) | 基于人工智能的行为预测方法、装置、设备及存储介质 | |
CN108629355A (zh) | 用于生成工作量信息的方法和装置 | |
CN107168760B (zh) | 语言的变量检测方法和装置 | |
Korovin et al. | Modern decision support systems in oil industry: Types, Approaches and Applications | |
CN106952060A (zh) | 物流调度方法及装置 | |
CA2922422C (en) | Method and apparatus for well abandonment | |
CN109886518A (zh) | 确定操作成本的方法、装置 | |
CN109188269A (zh) | 判断电机故障的方法 | |
EP2851851A1 (en) | A computer implemented tool and method for automating the forecasting process | |
WO2013191807A1 (en) | Efficient evaluation of network robustness with a graph | |
Li et al. | Challenges in developing a computational platform to integrate data analytics with simulation-based optimization |
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: 20190614 |
|
RJ01 | Rejection of invention patent application after publication |