CN109903061A - 一种汽车配件需求预测方法、终端设备及存储介质 - Google Patents
一种汽车配件需求预测方法、终端设备及存储介质 Download PDFInfo
- Publication number
- CN109903061A CN109903061A CN201711286437.6A CN201711286437A CN109903061A CN 109903061 A CN109903061 A CN 109903061A CN 201711286437 A CN201711286437 A CN 201711286437A CN 109903061 A CN109903061 A CN 109903061A
- Authority
- CN
- China
- Prior art keywords
- data
- automobile parts
- neural network
- sample
- value
- 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
本发明涉及一种基于Elman神经网络的汽车配件需求预测方法,包括以下步骤:获取影响配件需求预测的过去12个月的汽车销售数据、配件销售数据和配件维修数据;对数据样本进行清洗,利用拉依达准则来判断异常点数据和采用样本均值来补充缺失的数据点;对输入数据样本采用最大最小法实现归一化处理;确定预测网络的输入层个数、输出层个数和隐含层个数,建立Elman神经网络预测模型;设定网络模型的预测期望范围,对Elman神经网络模型的训练参数和传递函数进行设置并不断调整;数据放入网络模型中进行训练,得到预测结果;计算预测值与实际值之间的误差值;判断预测是否满足期望效果;利用反归一化输出预测结果。
Description
技术领域
本发明涉及一种基于Elman神经网络的汽车配件需求预测方法、终端设备及存储介质。
背景技术
汽车配件供应是否及时满足要求,影响着客户对汽车维修体验的满意度。为了赢得激烈的市场竞争,企业必须把汽车配件以最快的速度、最低的成本交付给客户,然而这两者往往是矛盾的,以最快速度向客户提供汽车配件往往要求企业具有足够的生产能力和库存。
由于汽车配件需求影响因素较多,传统的预测方法主要以线性预测方法,这种预测方法的缺点是以单个因素进行预测,对多个影响因素的预测准确度低,不能自我学习且自适应能力差等。随着汽车配件影响因素的增多,配件预测的非线性、不确定性日趋明显,建立合理的数学模型来表达配件需求量与影响配件需求量的因素之间的关系变得越来越难。
发明内容
本发明旨在提供一种基于Elman神经网络的汽车配件需求预测方法、终端设备及存储介质,以实现对汽车配件需求的精确预测。为此,本发明采用的具体技术方案如下:
一种基于Elman神经网络的汽车配件需求预测方法,包括以下步骤:
S1、获取过去12个月的影响配件需求预测的历史数据,作为预测模型的数据样本;
S2、对数据样本进行清洗,具体过程为:通过拉依达准则来判断异常点数据,拉依达准则表达式为:式中,为样本均值,为样本标准差,当数据满足拉依达准则时,表明该数据为异常点,用样本均值替代该异常点的数据值,当数据样本存在缺失的数据点时,可用样本均值来补充缺失的数据点;
S3、对经过步骤S2处理的数据样本进行归一化处理;
S4、确定输入层神经元个数n、输出层神经元个数m、隐含层神经元个数l,建立Elman神经网络模型,其中,n等于数据样本的种类数,m=1,隐含层神经元个数l用公式:计算,a取[1-10]之间;
S5、对Elman神经网络模型的训练参数和传递函数进行设置,其中,训练参数包括学习速率、允许最大训练步数、动量系数、最大验证失败次数和训练目标最小误差,输入层到隐含层的传递函数采用tansig函数,隐含层到输出层的传递函数采用purelin函数;
S6、将经过步骤S3处理的样本数据放入Elman神经网络模型中进行训练,得到汽车配件需求的预测值;
S7、计算预测值与实际值之间的误差值;
S8、判断误差值是否满足期望效果,如果满足就输出预测值并转至步骤S9,如果不满足就调整网络模型参数,然后回到步骤S6进行预测训练,其中,网络模型参数包括隐含层个数、训练参数和传递函数;
S9、利用反归一化方法对预测值进行处理,得到汽车配件需求量的预测结果。
进一步地,在步骤S6中,采用自适应学习速率动量梯度下降反向传播算法,在训练过程对学习速率进行自适应调整;
进一步地,所述数据样本包括汽车销售数据、配件销售数据和配件维修数据。
进一步地,所述归一化处理采用最大最小法,最大最小法依据函数实现,式中,xmax为输入数据样本的最大值,xmin为输入数据样本的最小值;所述反归一化方法的公式为式中,yi是反归一化结果,是模型预测结果,ymax为输出数据样本的最大值,ymin为输出数据样本的最小值。
进一步地,训练参数设置如下:学习速率取0.05,允许训练最大步数设为2000,动量系数取0.9,最大验证失败次数取5和训练目标最小误差设为0.00001。
进一步地,误差值=(预测值—实际值)/实际值*100%,期望效果为误差值在±5%以内。
本发明还提供了一种汽车配件需求预测终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如上所述方法的步骤。
本发明还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其中,所述计算机程序被处理器执行时实现如上所述方法的步骤。
本发明采用上述技术方案,具有的有益效果是,本发明具有自适应时变特性、自我学习以及收敛速度快等优点,能够实现对多个影响因素的汽车配件需求量的高准确度预测。
附图说明
图1是根据本发明实施例的基于Elman神经网络的汽车配件需求预测方法的流程图;
图2是本发明实施例中使用的Elman神经网络的结构图;
图3是根据本发明得到的配件需求量的预测值与真实值的对比图。
具体实施方式
为进一步说明各实施例,本发明提供有附图。这些附图为本发明揭露内容的一部分,其主要用以说明实施例,并可配合说明书的相关描述来解释实施例的运作原理。配合参考这些内容,本领域普通技术人员应能理解其他可能的实施方式以及本发明的优点。图中的组件并未按比例绘制,而类似的组件符号通常用来表示类似的组件。
现结合附图和具体实施方式对本发明进一步说明。如图1所示,一种基于Elman神经网络的汽车配件需求预测方法,包括以下步骤
S1、获取过去12个月的影响配件需求预测的历史数据,作为预测模型的数据样本,主要有汽车销售数据、配件销售数据和配件维修数据等。
S2、对数据样本进行清洗,主要是对异常数据和缺失数据的处理。具体过程为:通过拉依达准则来判断异常点数据,拉依达准则表达式为:式中,为样本均值,为样本标准差。当数据满足拉依达准则时,表明该数据为异常点,用样本均值替代该异常点的数据值;当数据样本存在缺失的数据点时,可用样本均值来补充缺失的数据点。
S3、对经过步骤S2处理的数据样本进行归一化处理,归一化处理目的是为了减少不同数据级对结果的影响。优选地,归一化处理最大最小法依据函数实现,式中,xmax为输入数据样本的最大值,xmin为输入数据样本的最小值。
S4、确定输入层神经元个数n、输出层神经元个数m和隐含层神经元个数l,建立Elman神经网络模型。其中,n等于数据样本的种类数,例如当样本数据包括汽车销售数据、配件销售数据和配件维修数据时,n=3;m=1,即输出参数为配件需求预测值;隐含层神经元个数l用公式:计算,a取[1-10]之间。因此,当n为3,m为1时,隐含层l的取值范围在[3-12]之间。
如图2所示,Elman神经网络模型是动态递归网络,包括输入层、输出层、隐含层和承接层四层结构。因承接层记忆隐含层单元的值返回到输入层,使其具备记忆的功能,从而使得系统具有适应时变特性的能力,更适合于非线性动态系统的辨别,对多个影响因素的预测效果显著提高。Elman神经网络预测模型的数学表达式如下:
y(k)=g(w3x(k))
x(k)=f(w1xc(k)+w2(u(k-1)))
xc(k)=x(k-1)
式中,y为m维输出节点向量;x为n维隐含层节点单元向量;u为r维输入向量;xc为n维反馈状态向量;w3为隐含层到输出层连接权值;w2为输入层到隐含层连接权值;w1为承接层到隐含层连接权值;g()为输出神经元的传递函数;f()为隐含层神经元的传递函数。
S5、对Elman神经网络模型的训练参数和传递函数进行设置。其中,训练参数包括学习速率、允许最大训练步数、动量系数、最大验证失败次数和训练目标最小误差。输入层到隐含层的传递函数采用tansig函数,隐含层到输出层的传递函数采用purelin函数。
学习速率的作用是不断调整阈值和权值,因为过大导致系统不稳定,过小导致训练时间长,收敛慢,所以其取值范围在[0.01-0.1]。本发明采用自适应学习速率动量梯度下降反向传播算法,在训练过程对学习速率进行自适应调整,从而提高网络的训练效率。
通过调整网络模型参数,可以改变网络的阈值和权值,从而提高预测准确性。优选地,学习速率取0.05,允许训练最大步数设为2000,动量系数取0.9,最大验证失败次数取5和训练目标最小误差设为0.00001。
S6、将经过步骤S3处理的样本数据放入Elman神经网络模型中进行训练,得到汽车配件需求的预测值。
S7、计算预测值与实际值之间的误差值。误差值可以是相对值,也可以是绝对值。这里,误差值表示如下:
误差值=(预测值—实际值)/实际值*100%。
S8、判断误差值是否满足期望效果(例如,±5%),如果满足就输出预测值并转至步骤S9,如果不满足就调整网络模型参数,然后回到步骤S6进行预测训练,其中,可以调整的网络模型参数包括隐含层个数、训练参数和传递函数,具体地,主要有隐含层个数、学习速率、训练目标最小误差和传递函数。
S9、利用反归一化方法对预测值进行处理,得到汽车配件需求量的预测结果。在采用最大最小法进行归一化处理的情况下,反归一化方法的公式为式中,yi是反归一化结果,是模型预测结果,ymax为输出数据样本的最大值,ymin为输出数据样本的最小值。
图3示出了根据本发明方法得到的汽车配件需求量的预测值与实际值的对比图,从中可以看出本发明能够实现对多个影响因素的汽车配件需求量的高准确度预测。
在本发明的实施例中,还提供了一种汽车配件需求预测终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其中,所述处理器执行所述计算机程序时实现如上所述方法的步骤。
进一步地,所述汽车配件需求预测终端设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述汽车配件需求预测终端设备可包括,但不仅限于,处理器、存储器。本领域技术人员可以理解,上述汽车配件需求预测终端设备的组成结构仅仅是汽车配件需求预测终端设备的示例,并不构成对汽车配件需求预测终端设备的限定,可以包括比上述更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述汽车配件需求预测终端设备还可以包括输入输出设备、网络接入设备、总线等,本发明实施例对此不做限定。
进一步地,所称处理器可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,所述处理器是所述汽车配件需求预测终端设备的控制中心,利用各种接口和线路连接整个汽车配件需求预测终端设备的各个部分。
所述存储器可用于存储所述计算机程序和/或模块,所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块,以及调用存储在存储器内的数据,实现所述汽车配件需求预测终端设备的各种功能。所述存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(FlashCard)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现本发明实施例上述方法的步骤。
汽车配件需求预测终端设备集成的模块/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,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
尽管结合优选实施方案具体展示和介绍了本发明,但所属领域的技术人员应该明白,在不脱离所附权利要求书所限定的本发明的精神和范围内,在形式上和细节上可以对本发明做出各种变化,均为本发明的保护范围。
Claims (8)
1.一种基于Elman神经网络的汽车配件需求预测方法,其特征在于,包括以下步骤:
S1、获取过去12个月的影响配件需求预测的历史数据,作为预测模型的数据样本;
S2、对数据样本进行清洗,具体过程为:通过拉依达准则来判断异常点数据,拉依达准则表达式为:式中,为样本均值,为样本标准差,当数据满足拉依达准则时,表明该数据为异常点,用样本均值替代该异常点的数据值,当数据样本存在缺失的数据点时,可用样本均值来补充缺失的数据点;
S3、对经过步骤S2处理的数据样本进行归一化处理;
S4、确定输入层神经元个数n、输出层神经元个数m、隐含层神经元个数l,建立Elman神经网络模型,其中,n等于数据样本的种类数,m=1,隐含层神经元个数l用公式:计算,a取[1-10]之间;
S5、对Elman神经网络模型的训练参数和传递函数进行设置,其中,训练参数包括学习速率、允许最大训练步数、动量系数、最大验证失败次数和训练目标最小误差,输入层到隐含层的传递函数采用tansig函数,隐含层到输出层的传递函数采用purelin函数;
S6、将经过步骤S3处理的样本数据放入Elman神经网络模型中进行训练,得到汽车配件需求的预测值;
S7、计算预测值与实际值之间的误差值;
S8、判断误差值是否满足期望效果,如果满足就输出预测值并转至步骤S9,如果不满足就调整网络模型参数,然后回到步骤S6进行预测训练,其中,网络模型参数包括隐含层个数、训练参数和传递函数;
S9、利用反归一化方法对预测值进行处理,得到汽车配件需求量的预测结果。
2.如权利要求1所述的基于Elman神经网络的汽车配件需求预测方法,其特征在于,在步骤S6中,采用自适应学习速率动量梯度下降反向传播算法,在训练过程对学习速率进行自适应调整。
3.如权利要求1所述的基于Elman神经网络的汽车配件需求预测方法,其特征在于,所述数据样本包括汽车销售数据、配件销售数据和配件维修数据。
4.如权利要求1所述的基于Elman神经网络的汽车配件需求预测方法,其特征在于,所述归一化处理采用最大最小法,最大最小法依据函数实现,式中,xmax为输入数据样本的最大值,xmin为输入数据样本的最小值;所述反归一化方法的公式为式中,yi是反归一化结果,是模型预测结果,ymax为输出数据样本的最大值,ymin为输出数据样本的最小值。
5.如权利要求1所述的基于Elman神经网络的汽车配件需求预测方法,其特征在于,训练参数设置如下:学习速率取0.05,允许训练最大步数设为2000,动量系数取0.9,最大验证失败次数取5和训练目标最小误差设为0.00001。
6.如权利要求1所述的基于Elman神经网络的汽车配件需求预测方法,其特征在于,误差值=(预测值—实际值)/实际值*100%,期望效果为误差值在±5%以内。
7.一种汽车配件需求预测终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1-6中任一项所述方法的步骤。
8.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-6中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711286437.6A CN109903061A (zh) | 2017-12-07 | 2017-12-07 | 一种汽车配件需求预测方法、终端设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711286437.6A CN109903061A (zh) | 2017-12-07 | 2017-12-07 | 一种汽车配件需求预测方法、终端设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109903061A true CN109903061A (zh) | 2019-06-18 |
Family
ID=66939329
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711286437.6A Pending CN109903061A (zh) | 2017-12-07 | 2017-12-07 | 一种汽车配件需求预测方法、终端设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109903061A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110347800A (zh) * | 2019-07-15 | 2019-10-18 | 中国工商银行股份有限公司 | 文本处理方法和装置、以及电子设备和可读存储介质 |
CN111141341A (zh) * | 2019-12-31 | 2020-05-12 | 华东理工大学 | 涡轮流量计的补偿方法及其系统、存储介质 |
CN111738529A (zh) * | 2020-07-28 | 2020-10-02 | 南方电网科学研究院有限责任公司 | 基于强化学习的综合能源系统需求响应方法、系统及设备 |
CN114626563A (zh) * | 2022-05-16 | 2022-06-14 | 开思时代科技(深圳)有限公司 | 一种基于大数据的配件管理方法及系统 |
CN117236527A (zh) * | 2023-11-13 | 2023-12-15 | 宁德市天铭新能源汽车配件有限公司 | 一种基于集成学习的汽车零部件需求预测方法及系统 |
CN117372075A (zh) * | 2023-12-08 | 2024-01-09 | 深圳华强电子交易网络有限公司 | 电子元件需求预测方法、装置及电子设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104035037A (zh) * | 2014-05-12 | 2014-09-10 | 广东电网公司电力科学研究院 | 一种新能源汽车动力电池soh在线估算的方法 |
CN105095962A (zh) * | 2015-07-27 | 2015-11-25 | 中国汽车工程研究院股份有限公司 | 一种基于bp人工神经网络的材料动态力学性能预测方法 |
CN105184678A (zh) * | 2015-09-18 | 2015-12-23 | 齐齐哈尔大学 | 基于多种神经网络组合算法的光伏电站发电量短期预测模型的构建方法 |
US20170091615A1 (en) * | 2015-09-28 | 2017-03-30 | Siemens Aktiengesellschaft | System and method for predicting power plant operational parameters utilizing artificial neural network deep learning methodologies |
-
2017
- 2017-12-07 CN CN201711286437.6A patent/CN109903061A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104035037A (zh) * | 2014-05-12 | 2014-09-10 | 广东电网公司电力科学研究院 | 一种新能源汽车动力电池soh在线估算的方法 |
CN105095962A (zh) * | 2015-07-27 | 2015-11-25 | 中国汽车工程研究院股份有限公司 | 一种基于bp人工神经网络的材料动态力学性能预测方法 |
CN105184678A (zh) * | 2015-09-18 | 2015-12-23 | 齐齐哈尔大学 | 基于多种神经网络组合算法的光伏电站发电量短期预测模型的构建方法 |
US20170091615A1 (en) * | 2015-09-28 | 2017-03-30 | Siemens Aktiengesellschaft | System and method for predicting power plant operational parameters utilizing artificial neural network deep learning methodologies |
Non-Patent Citations (3)
Title |
---|
井望隆;潘玉民;: "基于Elman网络的电力负荷预测研究", 电脑知识与技术, no. 16 * |
何少华编著: "拉依达准则", 《试验设计与数据处理》, pages 126 - 128 * |
陈艳平: "基于LCD-样本熵和Elman神经网络的短期电力负荷预测", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》, pages 8 - 16 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110347800A (zh) * | 2019-07-15 | 2019-10-18 | 中国工商银行股份有限公司 | 文本处理方法和装置、以及电子设备和可读存储介质 |
CN110347800B (zh) * | 2019-07-15 | 2022-06-10 | 中国工商银行股份有限公司 | 文本处理方法和装置、以及电子设备和可读存储介质 |
CN111141341A (zh) * | 2019-12-31 | 2020-05-12 | 华东理工大学 | 涡轮流量计的补偿方法及其系统、存储介质 |
CN111738529A (zh) * | 2020-07-28 | 2020-10-02 | 南方电网科学研究院有限责任公司 | 基于强化学习的综合能源系统需求响应方法、系统及设备 |
CN114626563A (zh) * | 2022-05-16 | 2022-06-14 | 开思时代科技(深圳)有限公司 | 一种基于大数据的配件管理方法及系统 |
CN115081651A (zh) * | 2022-05-16 | 2022-09-20 | 开思时代科技(深圳)有限公司 | 基于大数据的汽车配件管理方法、系统及计算机可读介质 |
CN117236527A (zh) * | 2023-11-13 | 2023-12-15 | 宁德市天铭新能源汽车配件有限公司 | 一种基于集成学习的汽车零部件需求预测方法及系统 |
CN117236527B (zh) * | 2023-11-13 | 2024-02-06 | 宁德市天铭新能源汽车配件有限公司 | 一种基于集成学习的汽车零部件需求预测方法及系统 |
CN117372075A (zh) * | 2023-12-08 | 2024-01-09 | 深圳华强电子交易网络有限公司 | 电子元件需求预测方法、装置及电子设备 |
CN117372075B (zh) * | 2023-12-08 | 2024-03-26 | 深圳华强电子交易网络有限公司 | 电子元件需求预测方法、装置及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109903061A (zh) | 一种汽车配件需求预测方法、终端设备及存储介质 | |
CN108665175A (zh) | 一种保险业务风险预测的处理方法、装置及处理设备 | |
US10332032B2 (en) | Training a machine to automate spot pricing of logistics services in a large-scale network | |
TW201947510A (zh) | 保險業務風險預測的處理方法、裝置及處理設備 | |
CN108280538A (zh) | 基于云计算环境下分布式物流库存优化方法 | |
US20150235133A1 (en) | Data concentration prediction device, data concentration prediction method, and recording medium recording program thereof | |
WO2013071414A1 (en) | System, method and computer program for forecasting energy price | |
CN110675029A (zh) | 商户的动态管控方法、装置、服务器及可读存储介质 | |
CN107194715A (zh) | 社会行为数据模型的构建方法 | |
CN107679987A (zh) | 资产配置策略获取方法、装置、计算机设备和存储介质 | |
CN108416619A (zh) | 一种消费间隔时间预测方法、装置及可读存储介质 | |
CN108958037B (zh) | 小波模糊大脑情感学习控制方法、装置、设备及存储介质 | |
CN114493426A (zh) | 库存信息生成方法、装置、电子设备和计算机可读介质 | |
CN109767333A (zh) | 选基方法、装置、电子设备及计算机可读存储介质 | |
US11409502B2 (en) | Intelligent controls for end-user computing | |
CN106537442A (zh) | 收集量调节辅助装置,收集量调节辅助方法和计算机可读记录介质 | |
CN113610627B (zh) | 用于风险预警的数据处理方法和装置 | |
US11475515B1 (en) | Adverse action methodology for credit risk models | |
CN110246026B (zh) | 一种数据转移的输出组合设定方法、装置及终端设备 | |
Ciupan | A study regarding the possibility of optimizing the supply batch using artificial neural networks | |
CN114693052A (zh) | 风险预测模型的训练方法、装置、计算设备和介质 | |
WO2023097807A1 (zh) | 一种用于物料配送的数据处理方法及装置 | |
CN109934604A (zh) | 获取畅销品名单的方法、系统、存储介质及电子设备 | |
CN115009278B (zh) | 一种巡航控制方法、装置、设备及存储介质 | |
CN110633924A (zh) | 用于将商品分仓间存储的方法和系统 |
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 |