CN110321960A - 一种工厂生产要素的预测方法及系统 - Google Patents
一种工厂生产要素的预测方法及系统 Download PDFInfo
- Publication number
- CN110321960A CN110321960A CN201910615242.4A CN201910615242A CN110321960A CN 110321960 A CN110321960 A CN 110321960A CN 201910615242 A CN201910615242 A CN 201910615242A CN 110321960 A CN110321960 A CN 110321960A
- Authority
- CN
- China
- Prior art keywords
- data
- model
- prediction
- plant produced
- produced element
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000012549 training Methods 0.000 claims abstract description 35
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 29
- 238000005516 engineering process Methods 0.000 claims abstract description 12
- 238000012545 processing Methods 0.000 claims abstract description 6
- 241000196324 Embryophyta Species 0.000 claims description 26
- 230000006870 function Effects 0.000 claims description 8
- 238000012417 linear regression Methods 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 7
- 238000007619 statistical method Methods 0.000 claims description 7
- 241000208340 Araliaceae Species 0.000 claims description 6
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims description 6
- 235000003140 Panax quinquefolius Nutrition 0.000 claims description 6
- 235000008434 ginseng Nutrition 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 3
- 208000011580 syndromic disease Diseases 0.000 claims 1
- 238000012360 testing method Methods 0.000 claims 1
- 238000004519 manufacturing process Methods 0.000 description 8
- 238000007405 data analysis Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 239000002994 raw material Substances 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- -1 electricity Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 235000015170 shellfish Nutrition 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Tourism & Hospitality (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Development Economics (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Feedback Control In General (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种工厂生产要素的预测方法及系统，属于数据处理技术领域。该预测方法包括以下步骤：构建物联网传感器网络，实时采集工厂的运行数据；对运行数据进行预处理，提取运行数据的数据特征；对数据特征进行筛选、优化和整合，建立训练集；采用K重交叉验证法对训练集内的数据特征进行训练，得到K个模型；采用集成学习算法分别对K个模型进行预测，得到单一预测结果。本发明通过采用物联网技术进行数据的采集，可以实现工厂无关化的快速、准确、实时、稳定的数据采集。另外，本发明还通过采用K重交叉验证法，结合多个算法训练多个模型，可以解决单一算法预测会存在的模型单一、不容易泛化等问题，从而可以提高对模型预测的准确性。
Description
技术领域
本发明涉及数据处理技术领域，具体是一种工厂生产要素的预测方法及系统。
背景技术
工厂生产要素（产量、产品/原材料库存等）预测系统的核心是统计分析、建模和机器学习。与此同时，海量的工厂数据必须有大数据平台的支撑。准确的工厂生产要素预测能够给企业方的决策层，提供强有力的整体规划及发展方向策略。但是在实际应用中，大部分中小企业缺乏相应技术支撑，难以准确的进行生产要素预测或预测准确率较差，导致不可挽回的经济损失。因此，稳定可靠、精度准确的预测方法，成为当前该领域亟待解决的问题。
目前，对于监督学习运用在工厂生产要素预测的系统实例在国内极少。在传统的生产要素预测方法中，较为常用的机器学习模型在生产环境中单一化比较严重，比如仅仅应用单一的基于线性回归（Linear Regression）、支持向量机（Support Vector Machine，SVM）、分布式梯度提升（Light Gradient Boosting Machine，LightGBM）、随机森林或者极端梯度提升（eXtreme Gradient Boosting，XGBoost）等模型；其次，传统训练模型一般在线下完成，通过人工部署模型；再次，传统训练模型所需的工厂数据的获得主要依靠传统的人工记录或者其他的传感设备。
因此，目前传统的生产要素的预测方法至少存在以下几方面的问题：
1、缺少集成学习模块，模型准确率不高。现有的机器学习系统一般采用训练和预测分离的办法，所以一般预测时只采用一种算法、一个模型。这样可能会导致无法探索出复杂数据与预测目标之间的多层差异性关系，也就无法做出更准确的预测。
2、各个算法插入灵活性不够。由于每个工厂生产环境各不相同，需要预测的生产要素、所需采集的数据也千差万别，采用单一算法来预测所有工厂、所有生产要素可能效果不佳，实际生产环境中部署的系统一般只能在线下人工训练不同模型，而不能直接通过图形界面在系统中在线配置、训练。
3、特征的选择，缺乏比较系统的特征工程，对模型的特征需求缺少智能化和准确性。
4、数据的获取途径孤立、单一，缺乏系统的物联网数据采集技术。
发明内容
本发明的目的在于提供一种工厂生产要素的预测方法及系统，以解决上述背景技术中提出的问题。
为实现上述目的，本发明实施例提供如下技术方案：
一种工厂生产要素的预测方法，包括以下步骤：
通过物联网技术构建物联网传感器网络，实时采集工厂的运行数据；
结合统计分析方法，对运行数据进行预处理，提取运行数据的数据特征；
对数据特征进行筛选、优化和整合，建立训练集；
采用K重交叉验证法对训练集内的数据特征进行训练，得到K个模型；
采用集成学习算法分别对K个模型进行预测，得到单一预测结果。
本发明实施例采用的一种优选方案，所述的运行数据包括人员数据、公用工程数据、车辆数据和设备工艺仪表数据。
本发明实施例采用的另一种优选方案，所述的K重交叉验证法包括以下步骤：先将训练集分割成K份子样本，取一个单独的子样本作为用于验证模型的数据集，其余K-1份子样本用于训练；然后重复上述步骤，将每一份子样本作为用于验证模型的数据集，得到K个模型。
本发明实施例采用的另一种优选方案，所述的单一预测结果为K个模型预测结果的加权平均数。
本发明实施例采用的另一种优选方案，所述的集成学习算法为线性回归、LightGBM和SVM中的的至少两种。
本发明实施例采用的另一种优选方案，所述的预测方法还包括以下步骤：采用贝叶斯优化算法分别对K个模型进行调参。
本发明实施例采用的另一种优选方案，所述的预测方法还包括以下步骤：采用L2损失函数对单一预测结果进行评估。
本发明实施例还提供了一种工厂生产要素的预测系统，其包括：
采集模块，用于通过物联网技术构建物联网传感器网络，实时采集工厂的运行数据；
处理模块，用于结合统计分析方法，对运行数据进行预处理，提取运行数据的数据特征；
整合模块，用于对数据特征进行筛选、优化和整合，建立训练集；
训练模块，用于采用K重交叉验证法对训练集内的数据特征进行训练，得到K个模型；
预测模块，用于采用集成学习算法分别对K个模型进行预测，得到单一预测结果。
本发明实施例采用的另一种优选方案，所述的预测系统还包括：调参模块，用于采用贝叶斯优化算法分别对K个模型进行调参。
本发明实施例采用的另一种优选方案，所述的预测系统还包括：评估模块，用于采用L2损失函数对单一预测结果进行评估。
本发明实施例的提供的上述技术方案，相比于现有技术，具有以下技术效果：
本发明实施例通过采用物联网技术进行数据的采集，可以实现工厂无关化的快速、准确、实时、稳定的数据采集，从而可以解决数据获取的准确度和联动性较差，对数据分析、特征工程以及模型带来前端错误累加等问题。本发明实施例还通过采用K重交叉验证法，结合多个算法训练多个模型的方案，可以解决单一算法预测会存在的模型单一，不容易泛化等问题，从而可以提高对模型预测的准确性。
附图说明
图1为实施例1提供的一种工厂生产要素的预测方法的流程示意图。
图2为实施例2提供的一种工厂生产要素的预测系统的结构示意图。
具体实施方式
下面的具体实施例是结合本说明书中提供的附图对本申请的技术方案作出的具体、清楚的描述。其中，说明书的附图只是为了用于将本申请的技术方案呈现得更加清楚明了，并不代表实际生产或使用中的形状或大小，以及也不能将附图的标记作为所涉及的权利要求的限制。
实施例1
参照附图1，该实施例提供了一种工厂生产要素的预测方法，其包括以下步骤：
S1、通过物联网技术构建物联网传感器网络，实时采集工厂包括人员数据、公用工程数据、车辆数据和设备工艺仪表数据等在内的运行数据。其中，通过物联网技术可以实现工厂无关化的快速、准确、实时、稳定的数据采集；人员数据包括进出厂的人数等，公用工程数据包括水、电、气和煤等的使用量，车辆数据包括原料/产品进出厂车辆数量等，设备工艺仪表数据包括流量、温度、电流等工艺参数。
S2、基于大数据与人工智能技术，并结合统计分析方法，对上述采集到的运行数据进行预处理，提取运行数据的数据特征。
S3、采用静态函数、长短期记忆网络（Long Short-Term Memory，LSTM）、随机森林等筛选算法和优化算法，对数据特征进行筛选、优化和整合，建立训练集。
S4、采用K重交叉验证法对训练集内的数据特征进行训练，得到K个模型；具体的，先将训练集分割成K份子样本，取一个单独的子样本作为用于验证模型的数据集，其余K-1份子样本用于训练；然后重复上述步骤，将每一份子样本作为用于验证模型的数据集，得到K个模型。通过同时重复运用随机产生的子样本进行训练和验证，得到K个模型，可以保证所有训练集中的数据都有被用做训练，从而可以提高训练的准确性，以及可以避免类似普通的交叉验证一样将训练集分割出1/4或1/5用作验证数据集而导致在数据少的情况下容易出现过拟合的问题。
S5、采用贝叶斯优化算法分别对K个模型进行调参，以提高模型训练的准确性。
S6、采用集成学习算法分别对K个模型进行预测，分别得到与K个模型相对应的K个预测结果，然后对取该K个模型预测结果的加权平均数作为最终的单一预测结果。其中，所述的集成学习算法为线性回归、LightGBM和SVM中的至少两种。
S7、采用L2损失函数对上述取得的单一预测结果进行评估。若评估不合格，则重复S1~S6的步骤。
具体的，当上述的K取值为5时，即产生了5个模型，通过对这5个模型分别用线性回归和LightGBM算法进行预测，可以得到两组单一预测结果（线性回归算法的单一预测结果和LightGBM算法的单一预测结果）；然后，通过对这两组单一预测结果使用L2损失函数进行评估，可以得到单一预测结果的均方根误差和R平方值如下表1。
表1
| 单一预测结果 | 线性回归 | LightGBM |
| 均方根误差 | 68.1900 | 54.5133 |
| R平方 | 0.52479535 | 0.69629989 |
从上表1可以看到，通过该实施例提供的预测方法可以得到准确性较高的预测结果，而且，通过多种算法的比较，还可以选取误差较小、拟合度较高的算法进行模型预测，从而可以为训练工厂生产要素预测模型提供灵活、强大、可扩展的智能平台。
实施例2
参照附图2，该实施例提供了一种用于实现上述实施例1提供的工厂生产要素预测方法的预测系统，其包括采集模块、处理模块、整合模块、训练模块、预测模块、调参模块和评估模块。具体的，采集模块，用于通过物联网技术构建物联网传感器网络，实时采集工厂的运行数据；处理模块，用于结合统计分析方法，对运行数据进行预处理，提取运行数据的数据特征；整合模块，用于对数据特征进行筛选、优化和整合，建立训练集；训练模块，用于采用K重交叉验证法对训练集内的数据特征进行训练，得到K个模型；预测模块，用于采用集成学习算法分别对K个模型进行预测，得到单一预测结果；调参模块，用于采用贝叶斯优化算法分别对K个模型进行调参；评估模块，用于采用L2损失函数对单一预测结果进行评估。
综上所述，本发明实施例通过采用物联网技术进行数据的采集，可以实现工厂无关化的快速、准确、实时、稳定的数据采集，从而可以解决数据获取的准确度和联动性较差，对数据分析、特征工程以及模型带来前端错误累加等问题。本发明实施例还通过采用K重交叉验证法，结合多个算法训练多个模型的方案，可以解决单一算法预测会存在的模型单一，不容易泛化等问题，从而可以提高对模型预测的准确性。
需要说明的是，上述实施例只是针对本申请的技术方案和技术特征进行具体、清楚的描述。而对于本领域技术人员而言，属于现有技术或者公知常识的方案或特征，在上面实施例中就不作详细地描述了。
当然，本申请的技术方案不只局限于上述的实施例，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，从而可以形成本领域技术人员可以理解的其他实施方式。
Claims (10)
1.一种工厂生产要素的预测方法，其特征在于，包括以下步骤：
通过物联网技术构建物联网传感器网络，实时采集工厂的运行数据；
结合统计分析方法，对运行数据进行预处理，提取运行数据的数据特征；
对数据特征进行筛选、优化和整合，建立训练集；
采用K重交叉验证法对训练集内的数据特征进行训练，得到K个模型；
采用集成学习算法分别对K个模型进行预测，得到单一预测结果。
2.根据权利要求1所述的一种工厂生产要素的预测方法，其特征在于，所述的运行数据包括人员数据、公用工程数据、车辆数据和设备工艺仪表数据。
3.根据权利要求1所述的一种工厂生产要素的预测方法，其特征在于，所述的K重交叉验证法包括以下步骤：先将训练集分割成K份子样本，取一个单独的子样本作为用于验证模型的数据集，其余K-1份子样本用于训练；然后重复上述步骤，将每一份子样本作为用于验证模型的数据集，得到K个模型。
4.根据权利要求1所述的一种工厂生产要素的预测方法，其特征在于，所述的单一预测结果为K个模型预测结果的加权平均数。
5.根据权利要求1所述的一种工厂生产要素的预测方法，其特征在于，所述的集成学习算法为线性回归、LightGBM和SVM中的至少两种。
6.根据权利要求1-5中任一项所述的一种工厂生产要素的预测方法，其特征在于，所述的预测方法还包括以下步骤：采用贝叶斯优化算法分别对K个模型进行调参。
7.根据权利要求6所述的一种工厂生产要素的预测方法，其特征在于，所述的预测方法还包括以下步骤：采用L2损失函数对单一预测结果进行评估。
8.一种工厂生产要素的预测系统，其特征在于，包括：
采集模块，用于通过物联网技术构建物联网传感器网络，实时采集工厂的运行数据；
处理模块，用于结合统计分析方法，对运行数据进行预处理，提取运行数据的数据特征；
整合模块，用于对数据特征进行筛选、优化和整合，建立训练集；
训练模块，用于采用K重交叉验证法对训练集内的数据特征进行训练，得到K个模型；
预测模块，用于采用集成学习算法分别对K个模型进行预测，得到单一预测结果。
9.根据权利要求8所述的一种工厂生产要素的预测系统，其特征在于，所述的预测系统还包括：调参模块，用于采用贝叶斯优化算法分别对K个模型进行调参。
10.根据权利要求9所述的一种工厂生产要素的预测系统，其特征在于，所述的预测系统还包括：评估模块，用于采用L2损失函数对单一预测结果进行评估。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910615242.4A CN110321960A (zh) | 2019-07-09 | 2019-07-09 | 一种工厂生产要素的预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910615242.4A CN110321960A (zh) | 2019-07-09 | 2019-07-09 | 一种工厂生产要素的预测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110321960A true CN110321960A (zh) | 2019-10-11 |
Family
ID=68121664
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910615242.4A Withdrawn CN110321960A (zh) | 2019-07-09 | 2019-07-09 | 一种工厂生产要素的预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110321960A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110969304A (zh) * | 2019-12-04 | 2020-04-07 | 汇鼎数据科技(上海)有限公司 | 数字工厂生产产能预测方法、系统、装置 |
| CN111523683A (zh) * | 2020-07-06 | 2020-08-11 | 北京天泽智云科技有限公司 | 烟草加工中工艺参数预测方法及系统 |
| CN112101952A (zh) * | 2020-09-27 | 2020-12-18 | 中国建设银行股份有限公司 | 银行可疑交易评估、数据处理方法及装置 |
| CN113824580A (zh) * | 2020-06-19 | 2021-12-21 | 北京市天元网络技术股份有限公司 | 一种网络指标预警方法及系统 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107038506A (zh) * | 2017-05-09 | 2017-08-11 | 华东师范大学 | 一种工厂智能预警方法 |
| CN108712404A (zh) * | 2018-05-04 | 2018-10-26 | 重庆邮电大学 | 一种基于机器学习的物联网入侵检测方法 |
| CN108764597A (zh) * | 2018-04-02 | 2018-11-06 | 华南理工大学 | 一种基于集成学习的产品质量控制方法 |
| CN109344168A (zh) * | 2018-10-29 | 2019-02-15 | 上海新增鼎数据科技有限公司 | 监管工厂生产运营状态的方法、平台、设备及存储介质 |
| CN109360118A (zh) * | 2018-10-26 | 2019-02-19 | 上海新增鼎数据科技有限公司 | 一种工厂状态监控方法、装置、系统、设备和存储介质 |
| CN109447552A (zh) * | 2018-10-29 | 2019-03-08 | 上海新增鼎数据科技有限公司 | 一种判定工厂库存状态的方法、计算机设备及存储介质 |
| US20190087741A1 (en) * | 2016-03-23 | 2019-03-21 | Nanjing Howso Technology Co., Ltd | Method for dynamically selecting optimal model by three-layer association for large data volume prediction |
| CN109522917A (zh) * | 2018-09-10 | 2019-03-26 | 中山大学 | 一种基于多模型堆叠融合预测的方法 |
| CN109871992A (zh) * | 2019-01-30 | 2019-06-11 | 北京工业大学 | 基于r-svm的tft-lcd工业智能预测方法 |
-
2019
- 2019-07-09 CN CN201910615242.4A patent/CN110321960A/zh not_active Withdrawn
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190087741A1 (en) * | 2016-03-23 | 2019-03-21 | Nanjing Howso Technology Co., Ltd | Method for dynamically selecting optimal model by three-layer association for large data volume prediction |
| CN107038506A (zh) * | 2017-05-09 | 2017-08-11 | 华东师范大学 | 一种工厂智能预警方法 |
| CN108764597A (zh) * | 2018-04-02 | 2018-11-06 | 华南理工大学 | 一种基于集成学习的产品质量控制方法 |
| CN108712404A (zh) * | 2018-05-04 | 2018-10-26 | 重庆邮电大学 | 一种基于机器学习的物联网入侵检测方法 |
| CN109522917A (zh) * | 2018-09-10 | 2019-03-26 | 中山大学 | 一种基于多模型堆叠融合预测的方法 |
| CN109360118A (zh) * | 2018-10-26 | 2019-02-19 | 上海新增鼎数据科技有限公司 | 一种工厂状态监控方法、装置、系统、设备和存储介质 |
| CN109344168A (zh) * | 2018-10-29 | 2019-02-15 | 上海新增鼎数据科技有限公司 | 监管工厂生产运营状态的方法、平台、设备及存储介质 |
| CN109447552A (zh) * | 2018-10-29 | 2019-03-08 | 上海新增鼎数据科技有限公司 | 一种判定工厂库存状态的方法、计算机设备及存储介质 |
| CN109871992A (zh) * | 2019-01-30 | 2019-06-11 | 北京工业大学 | 基于r-svm的tft-lcd工业智能预测方法 |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110969304A (zh) * | 2019-12-04 | 2020-04-07 | 汇鼎数据科技(上海)有限公司 | 数字工厂生产产能预测方法、系统、装置 |
| CN113824580A (zh) * | 2020-06-19 | 2021-12-21 | 北京市天元网络技术股份有限公司 | 一种网络指标预警方法及系统 |
| CN111523683A (zh) * | 2020-07-06 | 2020-08-11 | 北京天泽智云科技有限公司 | 烟草加工中工艺参数预测方法及系统 |
| CN111523683B (zh) * | 2020-07-06 | 2020-10-30 | 北京天泽智云科技有限公司 | 烟草加工中工艺参数预测方法及系统 |
| CN112101952A (zh) * | 2020-09-27 | 2020-12-18 | 中国建设银行股份有限公司 | 银行可疑交易评估、数据处理方法及装置 |
| CN112101952B (zh) * | 2020-09-27 | 2024-05-10 | 中国建设银行股份有限公司 | 银行可疑交易评估、数据处理方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110321960A (zh) | 一种工厂生产要素的预测方法及系统 | |
| CN110472665A (zh) | 模型训练方法、文本分类方法及相关装置 | |
| CN103544544B (zh) | 一种能源消耗预测方法及装置 | |
| CN108334943A (zh) | 基于主动学习神经网络模型的工业过程半监督软测量建模方法 | |
| CN107247666A (zh) | 一种基于特征选择和集成学习的软件缺陷个数预测方法 | |
| YounesSinaki et al. | Cellular manufacturing design 1996–2021: A review and introduction to applications of Industry 4.0 | |
| Vahdani et al. | Time prediction using a neuro-fuzzy model for projects in the construction industry | |
| Ghaleb et al. | Reinforcement learning-based real-time scheduling under random machine breakdowns and other disturbances: A case study | |
| Badakhshan et al. | Deploying hybrid modelling to support the development of a digital twin for supply chain master planning under disruptions | |
| CN113240209A (zh) | 一种基于图神经网络的城市产业集群发展路径预测方法 | |
| Dhiman et al. | A Clustered Approach to Analyze the Software Quality Using Software Defects | |
| Sghir et al. | Using learning analytics to improve students' enrollments in higher education | |
| Rashid et al. | Automated active and idle time measurement in modular construction factory using inertial measurement unit and deep learning for dynamic simulation input | |
| Pattnaik et al. | A survey on machine learning techniques used for software quality prediction | |
| Andrés et al. | Advantages of learning factories for production planning based on shop floor simulation: A step towards smart factories in industry 4.0 | |
| Khalili-Damghani et al. | Performance measurement of detection and governmental punitive agency by integrated approach based on DEMATEL, ANP, and DEA | |
| Piol et al. | Predictive Analysis of the Enrolment of Elementary Schools Using Regression Algorithms | |
| Saen | The use of artificial neural networks for technology selection in the presence of both continuous and categorical data | |
| Mazurkiewicz et al. | Inspirations for Innovation: The causes and effects of progress in production engineering | |
| Zhang et al. | Generating Synthetic Net Load Data with Physics-informed Diffusion Model | |
| Tabares et al. | Evaluation and comparison of a lean production system by using SAE J4000 standard: a case study on the automotive industry in the state of Mexico | |
| Lee et al. | Design of decision support system for yield management in semiconductor industry: application to artificial intelligence | |
| Ali et al. | GIS-based multi-scale residential building energy modeling using a data-driven approach | |
| CN116258574B (zh) | 一种基于混合效应逻辑回归的违约率预测方法及系统 | |
| Ali et al. | GIS-based Multi-scale Residential Building Energy Performance Prediction using a Data-driven Approach |
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 | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20191011 |
|
| WW01 | Invention patent application withdrawn after publication |