CN110162576A - 基于系统指标数据的数据预测方法、系统及电子设备 - Google Patents
基于系统指标数据的数据预测方法、系统及电子设备 Download PDFInfo
- Publication number
- CN110162576A CN110162576A CN201910321874.XA CN201910321874A CN110162576A CN 110162576 A CN110162576 A CN 110162576A CN 201910321874 A CN201910321874 A CN 201910321874A CN 110162576 A CN110162576 A CN 110162576A
- Authority
- CN
- China
- Prior art keywords
- data
- index
- module
- database
- predication method
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/285—Clustering or classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Algebra (AREA)
- Operations Research (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Software Systems (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供了一种基于系统指标数据的数据预测方法、系统及电子设备，属于数据分析领域。该基于系统指标数据的数据预测方法通过对系统数据进行分析后,对相关数据进行处理，生成相应的处理结果，最后把处理的数据提供给用户，作为参考。这种方法有效提高系统数据展示的完整性，避免数据录入错误等数据问题，有助于业务人员分析数据，发现数据中存在的疑点，减少数据错误而引发的业务风险。该方法具逻辑清晰，数据检查筛选效率高等优点，很好解决系统过分依赖业务人员对数据进行审查的工作，减少工作量、遗漏风险大的问题，有助于工作的顺利进行。
Description
技术领域
本申请涉及数据分析领域，具体而言，涉及一种基于系统指标数据的数据预测方法、系统及电子设备。
背景技术
对于业务系统的数据来说，存在数百个以上的系统指标以及大量的数据，而且随着业务系统的使用，数据量还在不断递增当中，而且这些数据掺杂着各自的属性和数据特征。在如此庞大的历史数据量以及不断新加入的数据中，难免会出现数据计算错误，业务人员数据录入错误等现象；业务人员也不可能对所有数据的正确与否有准确的判断，而且庞大的数据量检验带来相当大的工作量。
在相关技术中，业务系统上的数据检验只能通过数据导出后，手工通过Excel来校验、更改，对于如此庞大的数据量来说，这种方法不能满足业务的信息化需求，造成人力的浪费。而且这种方法效率低下，需要各个业务部门人员配合检验，需要大量人手；人工检验不可避免的会出现一定程度上的错漏，这样容易造成返工，对于数据维护工作带来诸多不便之余，也影响系统数据的准确性。
发明内容
有鉴于此，本申请实施例提供了一种基于系统指标数据的数据预测方法、系统及电子设备，旨在有效地纠正错误数据，降低数据的错误率，减少业务人员在数据校验上的工作量，提升工作效率，满足系统对于数据的展示需求。
第一方面，本申请提供了一种基于系统指标数据的数据预测方法，包括
建立基于系统指标数据的数据池；
通过对所述数据池进行分析，对指标和数据类型进行分类；
对不同的指标设定对应的阈值，计算并抽取问题数据；
对所述问题数据进行筛选，生成数据问题报告；
按照历史数据对现有错误数据或缺失数据进行校正或预测，并提交校正结果。
结合第一方面，在第一方面的第一种可能的实现方式中，通过对所述数据池进行分析，对指标和数据类型进行分类具体包括如下步骤：
对所述数据池中的指标的展示类型、统计周期、指标正负性字段的数据进行分类；
对于具有累计值属性的指标，存入累计值属性数据库；
对于具有当期值属性的数据，存入当期值分类数据库。
结合第一方面，在第一方面的第二种可能的实现方式中，对不同的指标设定对应的阈值，计算并抽取问题数据具体包括如下步骤：
对每个指标设定相关阈值；
对数据库中的数据按阈值进行计算；
根据计算出来的结果，筛选出有可能存在异常的数据；
在源数据库中剔除该部分错误数据，存入到错误数据库表中，用于进一步的检测。
结合第一方面，在第一方面的第三种可能的实现方式中，对所述问题数据进行筛选，生成数据问题报告具体包括如下步骤：
按照指标的重要性，对错误数据进行排序；
根据重要性，把指标问题处理的优先级；
根据指标优先级，向业务人员发送相对应的数据错误问题报告。
结合第一方面，在第一方面的第四种可能的实现方式中，按照历史数据对现有错误数据或缺失数据进行校正或预测，并提交校正结果的具体包括如下步骤：
对于具有累计值属性的指标，根据其线性关系和历史数据，拟合出其数据增长曲线，计算出预测值；
对于具有当期值属性的数据，根据其历史数据，建立该类指标的预测模型，计算出预测值；
生成数据预测报告，提供给业务人员用于参考。
第二方面，本申请提供了一种基于系统指标数据的数据预测系统，包括
数据采集模块，所述数据采集模块用于建立基于系统指标数据的数据池；
数据分类模块，所述数据分类模块用于通过对所述数据池进行分析，对指标和数据类型进行分类；
抽取模块，所述抽取模块用于对不同的指标设定对应的阈值，计算并抽取问题数据；
数据筛选模块，所述数据筛选模块用于对所述问题数据进行筛选，生成数据问题报告；
数据预测模块，所述数据预测模块用于按照历史数据对现有错误数据或缺失数据进行校正或预测，并提交校正结果。
结合第一方面，在第一方面的第一种可能的实现方式中，所述数据分类模块对所述数据池中的指标的展示类型、统计周期、指标正负性字段的数据进行分类，对于具有累计值属性的指标，存入累计值属性数据库，对于具有当期值属性的数据，存入当期值分类数据库。
结合第一方面，在第一方面的第一种可能的实现方式中，所述抽取模块用于对每个指标设定相关阈值，对数据库中的数据按阈值进行计算，并根据计算出来的结果，筛选出有可能存在异常的数据，在源数据库中剔除该部分错误数据，存入到错误数据库表中，用于进一步的检测。
第三方面，本申请提供了一种电子设备，包括存储器和处理器，存储器中存储有可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述第一方面以及第一方面的各种可能的实现方式中的任一项的基于系统指标数据的数据预测方法的步骤。
第四方面，本申请提供一种，其上存储有计算机程序，计算机程序被处理器执行时实现第一方面以及第一方面的各种可能的实现方式中的任一项的基于系统指标数据的数据预测方法的步骤。
本申请提供的一种基于系统指标数据的数据预测方法，该基于系统指标数据的数据预测方法通过对系统数据进行分析后,对相关数据进行处理，生成相应的处理结果，最后把处理的数据提供给用户，作为参考。这种方法有效提高系统数据展示的完整性，避免数据录入错误等数据问题，有助于业务人员分析数据，发现数据中存在的疑点，减少数据错误而引发的业务风险。该方法具逻辑清晰，数据检查筛选效率高等优点，很好解决系统过分依赖业务人员对数据进行审查的工作，减少工作量、遗漏风险大的问题，有助于工作的顺利进行。
附图说明
为了更清楚地说明本申请实施方式的技术方案，下面将对实施方式中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1是本申请实施例提供的基于系统指标数据的数据预测方法的流程图；
图2是本申请实施例的基于系统指标数据的数据预测方法的步骤S200的流程图；
图3是本申请实施例的基于系统指标数据的数据预测方法的步骤S300的流程图；
图4是本申请实施例的基于系统指标数据的数据预测方法的步骤S400的流程图；
图5是本申请实施例的基于系统指标数据的数据预测方法的步骤S500的流程图。
具体实施方式
为使本申请实施方式的目的、技术方案和优点更加清楚，下面将结合本申请实施方式中的附图，对本申请实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式是本申请一部分实施方式，而不是全部的实施方式。基于本申请中的实施方式，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式，都属于本申请保护的范围。
因此，以下对在附图中提供的本申请的实施方式的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施方式。基于本申请中的实施方式，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式，都属于本申请保护的范围。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
实施例
请参阅图1，本申请提供了一种基于系统指标数据的数据预测方法，包括如下步骤：
S100：建立基于系统指标数据的数据池。其中，该数据池服务于业务系统，该业务系统上存有需展示指标的历史数据和不断新增的数据，它们组成了系统业务展示的基础，是业务系统不可或缺的一部分，此步骤在于建立一个数据库，对系统数据进行收集、保存，用于各业务模块的展示。
S200：通过对所述数据池进行分析，对指标和数据类型进行分类。步骤S200的作用是对指标原来附有的各种属性进行分类，剔除不需要的分类属性，对需要的属性保留，以此为依据对数据进行分类。具体地包括如下步骤，请参阅图2:
S210:对所述数据池中的指标的展示类型、统计周期、指标正负性等字段的数据进行分类。其中，展示类型分为累计值和当期值。
S220:对于具有累计值属性的指标，存入累计值属性数据库。
S230:对于具有当期值属性的数据，存入当期值分类数据库。
上述属性为对指标数据分类有重要参考意义的属性，根据该属性进行指标分类，两种分类数据将应用于不同的数据检测情景。累计值类型的数据具有累加属性；当前值类型的数据为单独统计某个时间的数据，不具累加属性。
另外，在步骤S230后可以包括步骤S240:根据指标的统计周期 (日、月、年等)、指标正负性(指标数值越高越好为正向，越小越好为负向)等字段，建立指标属性库，并关联指标数据库。s
指标属性对后期数据计算有着重要的关联意义，单纯的数据库无法直接对数据进行计算，设定关联库，便于后期数据处理。
S300：对不同的指标设定对应的阈值，计算并抽取问题数据。具体地包括如下步骤，请参阅图3:
S310:对每个指标设定相关阈值；
每个指标有不同特点，根据指标特点，由业务人员填报指标限定阈值，用于计算录入数据的准确性；
S320:对数据库中的数据按阈值进行计算。
根据设定的算法，计算所有指标的数据是否在对应指标阈值的限定范围或偏差范围内。
例如某指标规则如下：该阈值为50-60，如果数据在设定阈值的偏差范围10％以内或在50-60范围内，即判定为正确数据，反之判定为错误数据。
S330:根据步骤S320的计算出来的结果，筛选出有可能存在异常的数据。
S340:在源数据库中剔除该部分错误数据，存入到错误数据库表中，用于进一步的检测。
S400：对所述问题数据进行筛选，生成数据问题报告。例如：根据指标所属的业务部门，对问题数据进行分类，分别生成各个部门的问题数据报告。具体包括如下步骤，请参阅图4：
S410:按照指标的重要性，对错误数据进行排序。
S420:根据指标重要性，设置问题报告的优先级。
不同指标，其所受的重视程度和与业务的关联性是不同的，根据指标重要性，分别设定问提数据的优先级为高、中、低。
S430:根据指标优先级，向业务人员发送相对应的数据错误问题报告。
按照指标的重要性，对错误数据进行排序。
根据重要性，把指标问题处理的优先级。
根据指标优先级，向业务人员发送相对应的数据错误问题报告。
S500：按照历史数据对现有错误数据或缺失数据进行校正或预测，并提交校正结果。具体包括如下步骤，请参阅图5：
S510:对于具有累计值属性的指标，根据其线性关系和历史数据，拟合出其数据增长曲线，计算出预测值。
对于具有累计值属性的指标，通过设定的算法，根据历史数据模拟出其增长曲线，预测缺失数据或提供纠正数据的参考。
S520:对于具有当期值属性的数据，根据其历史数据，建立该类指标的预测模型，计算出预测值。
对于当期值属性的数据，通过已设定的数据预测模型，预测缺失数据或提供纠正数据的参考。
S530:生成数据预测报告，提供给业务人员用于参考；
生成错误数据与预测数据的对照报告或生成缺失数据的预测报告，提供给业务部门参考，用于纠正数据错误或缺失的情况。
综上所述，该基于系统指标数据的数据预测方法通过对系统数据进行分析后,对相关数据进行处理，生成相应的处理结果，最后把处理的数据提供给用户，作为参考。这种方法有效提高系统数据展示的完整性，避免数据录入错误等数据问题，有助于业务人员分析数据，发现数据中存在的疑点，减少数据错误而引发的业务风险。该方法具逻辑清晰，数据检查筛选效率高等优点，很好解决系统过分依赖业务人员对数据进行审查的工作，减少工作量、遗漏风险大的问题，有助于工作的顺利进行。另外，随着数据量不断增加，错误数据的不断纠正情况下，系统的数据必定会不断完善，因为计算是以系统数据为基础，数据计算、预测的准确性势必不断提高，结合后期业务人员对数据阈值和算法的调整，必能做出更好的数据纠错和预测。
本申请还提供一种基于系统指标数据的数据预测系统，包括数据采集模块、抽取模块、数据筛选模块以及数据预测模块。
所述数据采集模块用于建立基于系统指标数据的数据池。
数据分类模块，所述数据分类模块用于通过对所述数据池进行分析，对指标和数据类型进行分类。其中，所述数据分类模块对所述数据池中的指标的展示类型、统计周期、指标正负性字段的数据进行分类，对于具有累计值属性的指标，存入累计值属性数据库，对于具有当期值属性的数据，存入当期值分类数据库。
所述抽取模块用于对不同的指标设定对应的阈值，计算并抽取问题数据。其中，所述抽取模块用于对每个指标设定相关阈值，对数据库中的数据按阈值进行计算，并根据计算出来的结果，筛选出有可能存在异常的数据，在源数据库中剔除该部分错误数据，存入到错误数据库表中，用于进一步的检测。
所述数据筛选模块用于对所述问题数据进行筛选，生成数据问题报告。其中，所述数据筛选模块用于按照指标的重要性，对错误数据进行排序；根据重要性，把指标问题处理的优先级；根据指标优先级，向业务人员发送相对应的数据错误问题报告。
所述数据预测模块用于按照历史数据对现有错误数据或缺失数据进行校正或预测，并提交校正结果。所述数据预测模块对于具有累计值属性的指标，根据其线性关系和历史数据，拟合出其数据增长曲线，计算出预测值。
对于具有当期值属性的数据，根据其历史数据，建立该类指标的预测模型，计算出预测值。
生成数据预测报告，提供给业务人员用于参考。
本申请另提供一种电子设备，包括存储器和处理器，存储器中存储有可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述基于系统指标数据的数据预测方法的步骤。
本申请还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现基于系统指标数据的数据预测方法的步骤。
在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进) 还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(Programmable Logic Device，PLD)(例如现场可编程门阵列(Field Programmable GateArray，FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware Description Language，HDL)，而HDL也并非仅有一种，而是有许多种，如 ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、 RHDL(RubyHardware Description Language)等，目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog2。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。
本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本申请可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例或者实施例的某些部分所述的方法。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
Claims (10)
1.一种基于系统指标数据的数据预测方法，其特征在于，包括建立基于系统指标数据的数据池；
通过对所述数据池进行分析，对指标和数据类型进行分类；
对不同的指标设定对应的阈值，计算并抽取问题数据；
对所述问题数据进行筛选，生成数据问题报告；
按照历史数据对现有错误数据或缺失数据进行校正或预测，并提交校正结果。
2.根据权利要求1所述的基于系统指标数据的数据预测方法，其特征，通过对所述数据池进行分析，对指标和数据类型进行分类具体包括如下步骤：
对所述数据池中的指标的展示类型、统计周期、指标正负性字段的数据进行分类；
对于具有累计值属性的指标，存入累计值属性数据库；
对于具有当期值属性的数据，存入当期值分类数据库。
3.根据权利要求1所述的基于系统指标数据的数据预测方法，其特征在于，对不同的指标设定对应的阈值，计算并抽取问题数据具体包括如下步骤：
对每个指标设定相关阈值；
对数据库中的数据按阈值进行计算；
根据计算出来的结果，筛选出有可能存在异常的数据；
在源数据库中剔除该部分错误数据，存入到错误数据库表中，用于进一步的检测。
4.根据权利要求1所述的基于系统指标数据的数据预测方法，其特征在于，对所述问题数据进行筛选，生成数据问题报告具体包括如下步骤：
按照指标的重要性，对错误数据进行排序；
根据重要性，把指标问题处理的优先级；
根据指标优先级，向业务人员发送相对应的数据错误问题报告。
5.根据权利要求1所述的基于系统指标数据的数据预测方法，其特征在于，按照历史数据对现有错误数据或缺失数据进行校正或预测，并提交校正结果的具体包括如下步骤：
对于具有累计值属性的指标，根据其线性关系和历史数据，拟合出其数据增长曲线，计算出预测值；
对于具有当期值属性的数据，根据其历史数据，建立该类指标的预测模型，计算出预测值；
生成数据预测报告，提供给业务人员用于参考。
6.一种基于系统指标数据的数据预测系统，其特征在于，包括
数据采集模块，所述数据采集模块用于建立基于系统指标数据的数据池；
数据分类模块，所述数据分类模块用于通过对所述数据池进行分析，对指标和数据类型进行分类；
抽取模块，所述抽取模块用于对不同的指标设定对应的阈值，计算并抽取问题数据；
数据筛选模块，所述数据筛选模块用于对所述问题数据进行筛选，生成数据问题报告；
数据预测模块，所述数据预测模块用于按照历史数据对现有错误数据或缺失数据进行校正或预测，并提交校正结果。
7.根据权利要求6所述的基于系统指标数据的数据预测系统，其特征在于，所述数据分类模块对所述数据池中的指标的展示类型、统计周期、指标正负性字段的数据进行分类，对于具有累计值属性的指标，存入累计值属性数据库，对于具有当期值属性的数据，存入当期值分类数据库。
8.根据权利要求6所述的基于系统指标数据的数据预测系统，其特征在于，所述抽取模块用于对每个指标设定相关阈值，对数据库中的数据按阈值进行计算，并根据计算出来的结果，筛选出有可能存在异常的数据，在源数据库中剔除该部分错误数据，存入到错误数据库表中，用于进一步的检测。
9.一种电子设备，其特征在于，包括存储器和处理器，存储器中存储有可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述权利要求1至5任一项的基于系统指标数据的数据预测方法的步骤。
10.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，计算机程序被处理器执行时实现权利要求1至5中任一项的基于系统指标数据的数据预测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910321874.XA CN110162576A (zh) | 2019-04-22 | 2019-04-22 | 基于系统指标数据的数据预测方法、系统及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910321874.XA CN110162576A (zh) | 2019-04-22 | 2019-04-22 | 基于系统指标数据的数据预测方法、系统及电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110162576A true CN110162576A (zh) | 2019-08-23 |
Family
ID=67639791
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910321874.XA Pending CN110162576A (zh) | 2019-04-22 | 2019-04-22 | 基于系统指标数据的数据预测方法、系统及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110162576A (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070086014A1 (en) * | 2005-10-13 | 2007-04-19 | Honeywell International Inc. | System and method for recovering lost data in a gyroscope sensor system |
| CN102025531A (zh) * | 2010-08-16 | 2011-04-20 | 北京亿阳信通软件研究院有限公司 | 一种性能数据的填补方法及其装置 |
| WO2012066951A1 (ja) * | 2010-11-18 | 2012-05-24 | ソニー株式会社 | データ処理装置、データ処理方法、およびプログラム |
| CN107368606A (zh) * | 2017-07-31 | 2017-11-21 | 北京中科金马科技股份有限公司 | 数据分类方法、装置及数据分类系统 |
-
2019
- 2019-04-22 CN CN201910321874.XA patent/CN110162576A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070086014A1 (en) * | 2005-10-13 | 2007-04-19 | Honeywell International Inc. | System and method for recovering lost data in a gyroscope sensor system |
| CN102025531A (zh) * | 2010-08-16 | 2011-04-20 | 北京亿阳信通软件研究院有限公司 | 一种性能数据的填补方法及其装置 |
| WO2012066951A1 (ja) * | 2010-11-18 | 2012-05-24 | ソニー株式会社 | データ処理装置、データ処理方法、およびプログラム |
| CN107368606A (zh) * | 2017-07-31 | 2017-11-21 | 北京中科金马科技股份有限公司 | 数据分类方法、装置及数据分类系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106951925B (zh) | 数据处理方法、装置、服务器及系统 | |
| US10489722B2 (en) | Semiautomatic machine learning model improvement and benchmarking | |
| US9171072B2 (en) | System and method for real-time dynamic measurement of best-estimate quality levels while reviewing classified or enriched data | |
| CN109857862B (zh) | 基于智能决策的文本分类方法、装置、服务器及介质 | |
| CN109241269B (zh) | 任务型机器人词槽填充方法 | |
| US9104709B2 (en) | Cleansing a database system to improve data quality | |
| CN110147945A (zh) | 一种数据波动的处理方法、装置及设备 | |
| CN107391545A (zh) | 一种对用户进行分类的方法、输入方法及装置 | |
| CN110019389A (zh) | 金融非结构化文本分析系统及其方法 | |
| CN109684446A (zh) | 文本语义相似度计算方法及装置 | |
| CN112149737A (zh) | 选择模型训练方法、模型选择方法、装置及电子设备 | |
| CN110046633A (zh) | 一种数据质量检测方法及装置 | |
| Higham | An introduction to multilevel Monte Carlo for option valuation | |
| CN111143517B (zh) | 人选标签预测方法、装置、设备和存储介质 | |
| CN112101355A (zh) | 图像中文本检测方法、装置、电子设备以及计算机介质 | |
| WO2020074022A1 (zh) | 一种查找同义词的方法及装置 | |
| CN111797313A (zh) | 自学习推荐方法、装置、计算机设备和存储介质 | |
| CN110162576A (zh) | 基于系统指标数据的数据预测方法、系统及电子设备 | |
| CN113380363B (zh) | 基于人工智能的医疗数据质量评价方法及系统 | |
| CN108920241A (zh) | 一种显示状态调整方法、装置及设备 | |
| CN112015912B (zh) | 一种基于知识图谱的指标智能可视化方法及装置 | |
| CN110287281A (zh) | 基于合理化建议知识库的解决方案生成方法及系统 | |
| CN116842936A (zh) | 关键词识别方法、装置、电子设备和计算机可读存储介质 | |
| CN114266239A (zh) | 数据集的生成方法及装置 | |
| CN112380321A (zh) | 基于票据知识图谱的主次数据库分配方法及相关设备 |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190823 |
|
| WD01 | Invention patent application deemed withdrawn after publication |