CN110390424A - 测试对象的寿命预估方法、装置、设备及介质 - Google Patents
测试对象的寿命预估方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN110390424A CN110390424A CN201910516569.6A CN201910516569A CN110390424A CN 110390424 A CN110390424 A CN 110390424A CN 201910516569 A CN201910516569 A CN 201910516569A CN 110390424 A CN110390424 A CN 110390424A
- Authority
- CN
- China
- Prior art keywords
- data
- test object
- life
- test
- specific items
- 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.)
- Granted
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
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2455—Query execution
- G06F16/24564—Applying rules; Deductive queries
-
- 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
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
-
- 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"
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Probability & Statistics with Applications (AREA)
- Development Economics (AREA)
- Fuzzy Systems (AREA)
- Game Theory and Decision Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种测试对象的寿命预估方法、装置、设备及介质。所述方法包括:接收包含各测试组的数据调取指令,获取与各测试组关联的对象数据表;接收包含指定项标识的数据匹配指令,自各对象数据表统计与指定项标识匹配的有效数据个数;根据与指定项标识匹配的有效数据个数,确定各测试组的指定项损失系数;接收包含各初始参数的数据分析指令,将各指定项损失系数和各初始参数输入至寿命损失分析模型中,并接收输出的累积损失寿命;将初始预期寿命和所述累积损失寿命输入至调整模型中,接收输出的调整预期寿命。本发明节约了成本,提高了寿命预估的细粒度,且在寿命预估过程中提高了数据匹配效率、寿命预估精准度和寿命预估效率。
Description
技术领域
本发明涉及数据分析领域,具体涉及一种测试对象的寿命预估方法、装置、设备及介质。
背景技术
寿命预估是对测试对象(比如说人员个体或者设备等产品)的寿命进行预测的一种方式。传统预测寿命过程中,对测试对象进行评估往往采用问卷调查的方式来主观评判测试对象是否失能,但问卷调查存在取样不均衡,样本量小和主观判断影响大等问题,会导致预估结果产生较大偏差。同时,问卷调查的方式的测试对象的样本并不全面,且问卷调查中的填写的测试对象的相关信息也容易被填写错误,进而对寿命预估的精准度和计算效率产生不良影响;且通过问卷调查对测试对象的寿命进行预估的方式需要耗费大量的人力物力,造成了资源浪费。因此,需寻找一种能解决上述问题的技术方案成为本领域技术人员的迫切需求。
发明内容
本发明实施例提供一种测试对象的寿命预估方法、装置、设备及介质,节约了成本,提高了寿命预估的细粒度,且在寿命预估过程中提高了数据匹配效率、寿命预估精准度和寿命预估效率。
一种测试对象的寿命预估方法,包括:
接收包含各测试组的数据调取指令,自数据库获取与各所述测试组关联的对象数据表;一个所述测试组对应一类测试对象;
接收包含指定项标识的数据匹配指令,自各所述对象数据表统计与所述指定项标识匹配的有效数据个数;
根据与所述指定项标识匹配的有效数据个数,确定每一类所述测试对象的指定项损失系数;
接收包含每一类所述测试对象的初始参数的数据分析指令,将各所述指定项损失系数和各所述初始参数输入至预设的寿命损失分析模型中,并接收所述寿命损失分析模型输出的每一类所述测试对象的累积损失寿命;
将每一类所述测试对象的初始预期寿命和所述累积损失寿命输入至预设的调整模型中,接收所述调整模型输出的每一类所述测试对象的调整预期寿命。
一种测试对象的寿命预估装置,包括:
数据调取模块,用于接收包含各测试组的数据调取指令,自数据库获取与各所述测试组关联的对象数据表;一个所述测试组对应一类测试对象;
数据匹配模块,用于接收包含指定项标识的数据匹配指令,自各所述对象数据表统计与所述指定项标识匹配的有效数据个数;
数据确定模块,用于根据与所述指定项标识匹配的有效数据个数,确定每一类所述测试对象的指定项损失系数;
数据分析模块,用于接收包含每一类所述测试对象的初始参数的数据分析指令,将各所述指定项损失系数和各所述初始参数输入至预设的寿命损失分析模型中,并接收所述寿命损失分析模型输出的每一类所述测试对象的累积损失寿命;
数据调整模块,用于将每一类所述测试对象的初始预期寿命和所述累积损失寿命输入至预设的调整模型中,接收所述调整模型输出的每一类所述测试对象的调整预期寿命。
一种计算机设备,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可读指令,所述处理器执行所述计算机可读指令时实现上述测试对象的寿命预估方法的步骤。
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可读指令,所述计算机可读指令被处理器执行时实现上述测试对象的寿命预估方法的步骤。
本发明提供的测试对象的寿命预估方法、装置、设备及介质,根据数据调取指令自数据库获取各测试组的对象数据表,根据数据匹配指令自各对象数据表中统计与指定项标识匹配的有效数据个数,从而确定各测试组的指定项损失系数,此时,根据数据分析指令将初始参数和指定项损失系数输入至寿命损失分析模型中,接收寿命损失分析模型输出的累积损失寿命,进而根据每一类测试对象的初始预期寿命和累积损失寿命,确定调整预期寿命,本发明节约了成本,且使用的测试组数据更为丰富,提高了寿命预估的细粒度,且在寿命预估过程中提高了数据匹配效率、寿命预估精准度和寿命预估效率;同时客观反映了测试对象的寿命情况。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例的描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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的附图。
图1是本发明一实施例中测试对象的寿命预估方法的应用环境示意图;
图2是本发明一实施例中测试对象的寿命预估方法的流程图;
图3是本发明一实施例中测试对象的寿命预估方法的步骤S10的流程图;
图4是本发明一实施例中测试对象的寿命预估方法的步骤S20的流程图;
图5是本发明一实施例中测试对象的寿命预估方法的步骤S40的流程图;
图6是本发明另一实施例中测试对象的寿命预估方法的步骤S40的流程图;
图7是本发明一实施例中测试对象的寿命预估装置的原理框图;
图8是本发明一实施例中计算机设备的示意图。
具体实施方式
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,所描述的实施例是本发明一部分实施例,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作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明提供的测试对象的寿命预估方法,可应用在如图1的应用环境中,其中,客户端通过网络与服务器进行通信。其中,客户端包括但不限于为各种个人计算机、笔记本电脑、智能手机、平板电脑、摄像头和便携式可穿戴设备。服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一实施例中,如图2所示,提供一种测试对象的寿命预估方法,以该方法应用在图1中的服务器为例进行说明,包括以下步骤:
S10,接收包含各测试组的数据调取指令,自数据库获取与各所述测试组关联的对象数据表;一个所述测试组对应一类测试对象。
在本实施例中,所述数据调取指令是指用户在客户端输入的连续多个测试组,并点击与数据调取指令绑定的预设按钮之后发送至服务器的;所述测试组是根据预设周期时长(例如,1年)进行划分的;所述测试对象可以是需要预测使用寿命的单个产品,所述测试对象可以为亦可以是需要预测健康寿命的个体;所述对象数据是指影响测试对象寿命的直接数据。
示例性的,若测试对象为产品,则各测试组可以为0年使用周期、1年使用周期、2年使用周期、3年使用周期等,而对象数据可以为用于记载测试对象的使用状况的检修数据(也即对产品进行定期检查、日常维修或故障维修的数据),所述检修数据包括但不限定于产品名称、产品检修单的编号、检修日期、检修项等。
示例性的,若测试对象为个体,则各测试组可以为0岁段、1岁段、2岁段、3岁段等,而对象数据可以为用于记载个体健康状况的个案数据(又称个人病历病案数据),所述个案数据包括但不限于被诊断人的名称、病历病案文档的文档编号、诊断日期、疾病名称、疾病编码等。
作为优选,服务器在接收到包含各测试组的数据调取指令时,自数据库中获取与各测试组关联的测试对象表,所述测试对象表中包含同一测试组中每一个测试对象的对象数据。所述服务器可以应用于寿命预估系统。
S20,接收包含指定项标识的数据匹配指令,自各所述对象数据表统计与所述指定项标识匹配的有效数据个数。
在本实施例中,所述数据匹配指令是指用户在客户端上传本地存储的指定项文件或者输入指定项标识,并点击与数据匹配指令绑定的预设按钮之后发送至服务器的;所述指定项文件中包含预设数量的指定项、对应于指定项的指定项标识、对应于指定项的调整权重等;所述指定项标识包括但不限于指定项的项目名称、项目编码或者项目关键词。
作为优选,在获取到用户在客户端上传的指定项文件时,预设的应用程序读取该指定项文件中的所有指定项标识之后,将所有指定项标识发送至服务器中,此时,服务器接收到包含指定项标识的数据匹配指令,利用双指标匹配法同步自每一个对象数据表中查询与指定项标识匹配的对象数据的个数,并根据与指定项标识匹配的对象数据的个数确定各对象数据表中有效数据个数。其中,所述双指标匹配法是指,利用正则匹配方式分别对象数据表中每一个对象数据中包含的名称或编码进行匹配。
S30,根据与所述指定项标识匹配的有效数据个数,确定每一类所述测试对象的指定项损失系数。
在本实施例中,所述指定项损失系数用于计算每一类所述测试对象的损失寿命。
作为优选,将与指定项标识匹配的有效数据个数作为输入参数,输入至与指定项关联的系数模型(也即一个指标项关联一个系数模型),并接收该系数模型输出的指定项损失系数。其中,所述系数模型为:
其中,Fx(i)为所述指定项损失系数;Ex(i)为所述指定项标识匹配的有效数据个数;w(i)为所述指定项对应的调整权重,在该系数模型中为常数;Mx为所述对象数据表的数据量。可理解的,根据上述系数模型中的可以获得指定项概率。
可理解的,在数据匹配指令中包含一个或多个指定项标识时,利用上述步骤S20和S30确定每一类测试对象中的对应于每一个指定项标识的指定项损失系数。
S40,接收包含每一类所述测试对象的初始参数的数据分析指令,将各所述指定项损失系数和各所述初始参数输入至预设的寿命损失分析模型中,并接收所述寿命损失分析模型输出的每一类所述测试对象的累积损失寿命。
在本实施例中,所述数据分析指令是指用户在客户端上传存储在本地的寿命文件或者输入每一类测试对象的初始参数,并点击与数据分析指令绑定的预设按钮之后发送至服务器的;所述寿命文件中包含每一类测试对象的初始对象数量、被标记对象数量、被标记率、平均寿命、总寿命、初始预测寿命等初始参数;所述被标记率是指已经进入确切测试组的一类测试对象在该测试组的测试时长内被标记的可能性;所述初始对象数量是指刚进入某一测试组的一类测试对象未被标记的测试对象数量;所述标记对象数量是指在某一测试组的一类测试对象在测试时长内被标记的测试对象数量;所述平均寿命是指进入确切测试组的一类测试对象在进入另一确切测试组之间可能未被标记的时间长度;所述总寿命是指进入确切测试组的一类测试对象,按照某一被标记率确定该类测试对象在未来可能未被标记的时间总长;所述初始预期寿命是指进入某一确切测试组的一类测试对象,按照某一被标记率确定该类测试对象在未来可能未被标记的平均时间长度。
作为优选,所述寿命文件为以表格式模型存储的数据表,该数据表可以是指获取一个初始对象数量(例如,10万),并根据每一类测试对象的被标记对象数量确定每一类测试对象的被标记率,进一步地构成表格式模型,直至初始对象数量与被标记数量的差值小于或等于预设阈值(例如,0)为止。可理解的,
示例性的,若测试对象为产品,且测试组为产品的使用周期,则该寿命文件中包含产品从生产至达到淘汰为止的在各使用周期的被标记率(也即产品被标记为淘汰的概率),在各使用周期的被标记率可以作为用户决定是否购买产品的重要参考依据,也可以反映某一测试点的产品被淘汰规律。
示例性的,若测试对象为个体,且测试组为个体的年龄段,则该数据表中包含个体从出生直至死亡为止的在各年龄段的被标记率(也即个体被标记为死亡的概率),在各年龄段的被标记率可以作为用户投保的重要依据,也可以反映某一测试点的个体健康状况以及生存死亡规律。
且作为优选,在获取到用户在客户端上传的寿命文件时,预设的应用程序读取该寿命文件中的每一类测试对象的初始参数之后,将每一类测试对象的初始参数发送至服务器中,此时,服务器接收到包含每一类测试对象的初始参数的数据分析指令,将每一类测试对象的初始参数和上述步骤S30中的指定项损失系数组作为输入参数,输入至预设的寿命损失分析模型中,并接收该寿命损失分析模型输出的每一类测试对象的输出的累积损失寿命,进而将每一类测试对象与对应的累积损失寿命关联存储至数据库中。
且作为优选,首先将每一类测试对象的指定项损失系数置于系数数组中,将每一类测试对象的初始参数置于参数数组中,将系数数组和参数数组一同输入至寿命损失分析模型中,此时,该寿命损失分析模型利用系数数组和参数数组中的数据进行迭代、累积等处理,得到包含每一类测试对象的累积损失寿命的输出数组,以提高数据处理效率,避免数据出错。
S50,将每一类所述测试对象的初始预期寿命和所述累积损失寿命输入至预设的调整模型中,接收所述调整模型输出的每一类所述测试对象的调整预期寿命。
在本实施例中,所述调整模型为:
Adj·ex=ex-Total·Lx
其中,Adj·ex为所述调整预期寿命;ex为所述初始预期寿命;Total·Lx为累积损失寿命。
作为优选,将初始参数中包含的初始预期寿命和上述步骤S40中的累积损失寿命作为输入参数,输入至上述调整模型中,并接收上述调整模型输出的调整预期寿命,进而将每一类测试对象与对应的调整预期寿命关联存储至数据库中,此时,每一类测试对象的累积损失寿命与调整预期寿命亦进行关联存储。
进一步地,在一实施例中,在获取到每一类所述测试对象的调整预期寿命时,检测所述测试对象的调整预期寿命是否达到告警条件,在所述测试对象的调整预期寿命是否达到告警条件时,向所述客户端发出预警信息。
综上所述,本实施例根据数据调取指令自数据库获取各测试组的对象数据表,根据数据匹配指令自各对象数据表中统计与指定项标识匹配的有效数据个数,从而确定每一类测试对象的指定项损失系数,此时,根据数据分析指令将初始参数和指定项损失系数输入至寿命损失分析模型中,接收寿命损失分析模型输出的累积损失寿命,进而根据每一类测试对象的初始预期寿命和累积损失寿命,确定调整预期寿命,本实施例形成系统可复用的寿命预估方法,节约了成本,且使用的测试组数据更为丰富,提高了寿命预估的细粒度,且在寿命预估过程中提高了数据匹配效率、寿命预估精准度和寿命预估效率,且有利于后续寿命监测;同时客观反映了测试对象的寿命情况。
在一实施例中,所述的测试对象的寿命预估方法,还包括以下步骤:
首先,接收自客户端发送的包含用户标识的登录请求,在登录用户的身份验证通过之后,根据所述用户标识自预设的用户权限表中获取所述登录用户的查询权限等级。
然后,接收包含所述查询权限等级和查询条件的查询指令,获取与所述查询权限等级匹配且满足所述查询条件的查询数据,将所述查询数据以预设文档形式导出并发送至所述客户端;所述查询数据包括每一类所述测试对象的调整预期寿命。
在本实施例中所述用户权限表中包含用户标识、对应于用户标识的查询权限等级;所述用户标识包括但不限于用户名、用户编号;所述查询权限等级根据需求设置,例如:1~5级。
所述查询条件包括查询对象所在的测试点、查询对象所在的测试组、查询对象类别等。优选地,各测试点和对象数据表已关联存储至数据库中。
具体地,接收自客户端发送的登录指令,该登录指令中包含登录用户的用户标识,自用户表(包含一个或多个有效用户标识,且已预先存储在数据库)中查询是否存在与用户标识匹配的有效用户标识,在用户表中存在与用户标识匹配的有效用户标识时,确定登录用户的身份验证通过;而在用户表中不存在与用户标识匹配的有效用户标识时,确定登录用户的身份验证未通过。
进一步地,在登录用户的身份验证通过之后,自用户权限表中查询与用户标识对应的查询权限等级,并提示登录用户输入查询条件,进而在登录用户在客户端输入查询条件,并点击与查询指令绑定的预设按钮时,服务器接收到包含查询条件和查询权限等级的查询指令,自数据库中查找与查询权限等级关联且满足查询条件的查询数据,并将查询数据、查询时间、查询条件、查询权限等级等添加至预设的数据表模板中生成查询数据表,并将查询数据表导出并发送至所述客户端,便于用户查看、编辑、分析查询数据。
综上所述,本实施例在接收并验证通过登录用户发送的登录请求,自用户权限表获得登录用户的查询权限等级,进而根据查询指令,查询并获取与查询权限等级匹配且满足查询条件的查询数据,避免了登录用户跨权限等级进行操作,保证了数据安全性和可靠性。
在一实施例中,如图3所示,所述步骤S10之前具体包括以下步骤:
S101,自预设的数据中心获取各所述测试组的测试对象集合,一个所述测试对象集合中包含同一类的至少一个测试对象,且每一个所述测试对象包含至少一个对象文档。
在本实施例中,所述对象文档可以是指记载对象数据,且储存在数据中心的纸质扫描件等,且所述对象文档可以是以标签图像文件格式、图片格式、便携式文档格式存储。
具体的,在接收数据调取指令之前,根据授权信息访问预设的数据中心(例如,针对测试对象为产品设置的产品检修中心、针对测试对象为个体设置的电子病历中心等),并根据调用信息自数据中心获取各测试组的测试对象集合,优选地,每一个测试对象集合中包含的测试对象数量和测试文档数量均相同;所述授权信息包括数据中心的授权编号;所述调取信息包括选取对象文档的数量、选取对象文档的顺序(例如,按照对象文档的存储时间选取)等,例如,随机选取与某一测试组关联的对象文档10000份。
S102,将同一个所述测试对象集合中的所有所述对象文档,分配至同一条数据提取线程中。也即,一条数据提取线程用于对一个测试对象集合中的所有对象文档进行识别,进而提取对象文档中包含的对象数据,可理解的,通过多条数据提取线程同步识别并提取数据,便于数据存储,且提高了数据处理效率。
S103,调用与所述数据提取线程关联的光学字符识别模型,对分配至所述数据提取线程中的所有所述对象文档进行识别,获取所述数据提取线程中每一个所述对象文档中包含的对象数据。也即,一条数据提取线程关联一个光学字符识别模型,利用该光学字符识别模型对分配至该数据提取线程中的所有对象文档进行识别,进而提取每一个对象文档中包含的对象数据,该对象数据包括但不限于对象文档中的被检测对象的基本信息、文档编号、文档日期、文档来源信息、被检测项。在本实施例中,通过光学字符识别模型对对象文档进行识别,时效更快、差错率更低;且该识别过程无需人工进行操作,不会产生人工操作需要停歇的时间间断,且同时可对多个对象文档进行识别,识别效率更高。
作为优选,所述光学识别字符识别模型是根据待识别文档训练生成的学习模型,此时,所述步骤S103之前包括以下步骤:获取待识别文档,并根据所述待识别文档训练生成光学字符识别模型。可理解的,所述待识别文档为存储在数据中心的历史对象文档,在训练所述光学字符识别模型时,可以使用2000张同类型的对象文档作为待识别文档,在每一次根据一张对象文档进行学习之后,均需要根据学习内容校正结果,在经过反复学习之后,生成可以对象文档的光学字符识别模型。
S104,根据所述数据提取线程中每一个所述对象文档中包含的对象数据生成对象数据表,并将所述对象数据表与对应的所述测试组关联存储至所述数据库中。也即,将同一数据提取线程提取到的所有对象数据添加至一个数据表模型中,从而生成对象数据表,并将对象数据表与对应的测试组关联存储至数据库中。可理解的,所述对象数据表可以根据用户需求进行更新。
综上所述,本实施例获取多个测试对象集合,并通过多条数据提取线程分别对各测试对象集合中的所有对象文档进行同步识别,便于数据存储,提高了识别效率,且多条提取线程各自进行识别,避免了数据相互干涉;且通过光学字符识别模型识别对象文档,时效更快,差错率更低,该整个识别过程无需时间间隔,进一步提高了识别效率;同时测试组数据丰富,提高了寿命预估的细粒度。
在一实施例中,如图4所示,所述步骤S20具体包括以下步骤:
S201,接收数据匹配指令,所述数据匹配指令包含各指定项的项目名称和项目编码。
S202,根据各所述指定项的项目名称,获取对应的名称匹配表达式。
S203,根据各所述指定项的项目编码,获取对应的编码匹配表达式。
S204,自各所述对象数据表中,获取并标记满足所述名称匹配表达式和/或所述编码匹配表达的所述对象数据,统计已标记的所述对象数据获得与各所述项目名称和/或各所述项目编码指匹配的有效数据个数。
在本实施例中,接收到的数据匹配指令还可以包含指定项的项目关键词等,通过上述步骤S202中的名称匹配表达式与上述步骤S203中的编码匹配表达式这两种正则匹配方式,最终在对象数据表中,查询并标记出匹配成功的对象数据,并将匹配成功的对象数据记录为有效对象数据;可理解的,两种匹配方式只要有一种满足要求,即为匹配成功。
示例性的,若测试对象为个体,获取的指定项标识(也即,指定疾病的疾病名称或关键词)为“中风”,使用“中风”在国家疾病分类标准编码中进行搜索,首先锁定疾病标准编码前三位在I60-I69的全部疾病,部分示例如表1所示,再通过对表1中的部分疾病名称进行总结,如都包含“梗死”、“梗塞”或者“偏瘫”等关键词,形成对疾病名称的文字匹配总结。
进一步地,根据需求将中风分为首次中风及长期中风患者,在疾病标准编码中前三位为I69对应所有的中风后遗症(如表2如下),同时对名称匹配表达式也做了相应的修改;
表1
疾病标准编码 | 疾病名称 | 助记码 |
I63.301 | 血栓性偏瘫 | XSXPT |
I63.351 | 脑软化伴脑血栓 | NRHBNXS |
I63.401 | 脑栓塞性偏瘫 | NSSXPT |
I63.801 | 脑干梗塞 | NGGS |
I63.851 | 动脉硬化性脑软化 | DMYHXNRH |
I63.852 | 脑血管病性脑软化 | NXGBXNRH |
I63.901 | 多发性脑梗塞 | DFXNGS |
I63.902 | 脑梗塞 | NGS |
表2
疾病标准编码 | 疾病名称 | 助记码 |
I69.051 | 蛛网膜下出血后遗症 | ZWMXCXHYZ |
I69.101 | 脑出血后遗症 | NCXHYZ |
I69.301 | 脑梗塞后遗症 | NGSHYZ |
I69.451 | 出血或梗死中风后遗症 | CXHGSZFHYZ |
I69.452 | 脑卒中后遗症 | NZZHYZ |
I69.801 | 脑血管病后遗症 | NXGBHYZ |
I69.802 | 脑血管病恢复期 | NXGBHFQ |
I69.803 | 缺血缺氧性脑后遗症 | QXQYZNBHYZ |
I69.851 | 脑血栓后遗症 | NXSHYZ |
最终形成的匹配表达式如表3所示:
表3
可理解的,根据表3中的名称匹配表达式和/或编码匹配表达式自对象数据表中,查询并标记有相应确诊记录的数据。综上所述,本实施例通过双指标匹配方式设定对象数据的匹配标准,精准确定需要被标记的测试对象,达到了数据精准匹配、数据高效匹配的目的。
在一实施例中,所述步骤S30具体包括以下步骤:
首先,获取与所述指定项标识关联的调整权重。也即,已存储在数据库中的指定项文件中,每一个指定项对应有一个指定项标识和疾病权重,此时,根据指定项标识自指定项文件确定调整权重即可。
然后,获取各所述测试数据表的数据量。也即,各对象数据表中所有对象数据的个数。
最后,根据各所述测试数据表的数据量、与各所述指定项标识匹配的有效数据个数以及关联的调整权重,获取每一类所述测试对象的指定项损失系数。作为优选,在数据匹配指令中包含一个和多个指定项标识时,可以根据上述步骤中的调整权重和对象总数确定与各指定项标识对应的系数模型(参考所述步骤S30),将与各指定项标识匹配的有效数据个数输入至与各指定项标识对应的系数模型中,即可获取每一类测试对象的各指定项损失系数。综上所述,本实施例基于指定项损失系数调整初始预期寿命,有利于客观反映测试对象在各测试点的寿命情况。
在一实施例中,如图5所示,所述步骤S40具体包括以下步骤:
S401,接收数据分析指令,所述数据分析指令包含每一类所述测试对象的初始预期寿命、初始对象数量和总寿命。
在本实施例中,所述数据分析指令还可以包含被标记对象数量、被标记率、平均寿命等,其中,每一类测试对象的初始对象数量、总寿命以及初始预期寿命存在的关系如下:
其中,Tx为所述总寿命;Ix为所述初始对象数量。
而每一类测试对象的初始对象数量、被标记对象数量以及被标记率存在的关系如下:
其中,Mr为所述被标记率;Mx为所述被标记对象数量。
S402,通过所述寿命损失分析模型对每一类所述测试对象的所述初始对象数量、所述总寿命、各所述指定项损失系数进行迭代,得到每一类所述测试对象的指定项损失寿命。
作为优选,利用寿命损失分析模型中的迭代子模型,获得每一类所述测试对象的定项损失寿命的步骤如下:
首先,根据与最高测试组对应的一类测试对象的指定项损失系数和总寿命,获取与最高测试组对应的一类测试对象的损失总寿命,此时若令最高测试组为x=w-1,则有SUM(Fw-1(i)*Tw-1)=Fw-1(i)*Tw-1,其中SUM(Fw-1(i)*Tw-1)为与最高测试组对应的一类测试对象的损失总寿命,Fw-1(i)为与最高测试组对应的一类测试对象的指定项损失系数,Tw-1为与最高测试组对应的一类测试对象的总寿命。
然后,依次从高到低进行反向迭代,直至得到与第一测试组对应的一类测试对象的损失总寿命,即可得到每一类所述测试对象的损失总寿命,此时若令第一测试组为x=0,则有SUM(F0(i)*T0)=SUM(F1(i)*T1)+F0(i)*T0,其中SUM(F0(i)*T0)为与第一测试组对应的一类测试对象的损失总寿命,F0(i)为与第一测试组对应的一类测试对象的指定项损失系数,T0为与第一测试组对应的一类测试对象的总寿命;SUM(F1(i)*T1)为与第二测试组对应的一类测试对象的损失总寿命,F1(i)为与第二测试组对应的一类测试对象的指定项损失系数,T1为第二测试组对应的一类测试对象的总寿命。可理解的,第一测试组为初始化测试组。
最后,根据每一类测试对象的损失总寿命和初始对象数量,获得每一类测试对象的指定项损失寿命,可选地,利用计算公式可以获得每一类测试对象的指定项损失寿命,其中Lx(i)为每一类所述测试对象的指定项损失寿命;SUM(Fx(i)*Tx)为每一类所述测试对象的损失总寿命。
S403,通过所述寿命损失分析模型对每一类所述测试对象的指定项损失寿命进行累积,得到每一类所述测试对象的累积损失寿命。
作为优选,利用寿命损失分析模型中的累积子模型对所有指标项损失寿命(一个指定项对应一个指定项损失寿命)进行累积,获得累积损失寿命。其中,所述累积子模型为:
其中,n为所述指定项数量。可理解的,在指定项为一个时,指定项损失寿命将作为累积损失寿命。综上所述,本实施例通过寿命损失分析模获得累积损失寿命,自动计算,提高了数据处理效率,同时提高了损失寿命的精准度。
在一实施例中,如图6所示,所述步骤S401之前,具体包括以下步骤:
S404,根据获取的每一类所述测试对象的测试对象数量和被标记对象数量,确定每一类所述测试对象的被标记率。在本实施例中,已知测试对象数量、被标记对象数量以及被标记率存在的关系(参考所述步骤S401)。
S405、将获取的与初始化测试组对应的一类所述测试对象的初始对象数量、每一类所述测试对象的所述被标记率输入至预设的正向迭代模型中,并接收所述向下模型输出的每一类所述测试对象的所述初始对象数量。
在本实施例中,所述正向迭代模型为:
Ij-1=Ij-2-Ij-2*Mrj-2
其中,Ij-1为与下一个测试组对应的一类测试对象的初始对象数量,Ij-2为与上一个测试组对应的一类测试对象的初始对象数量,Mrj-2为与上一个测试组对应的一类测试对象的被标记率。例如,当j-1=1时,可以得到I1=I0-I0*Mr0。
S406、将每一类所述测试对象的所述初始对象数量输入至预设的反向迭代模型中,并接收所述反向迭代模型输出的每一类所述测试对象的总寿命。
在本实施例中,利用所述反向迭代模型获取每一类所述测试对象的总寿命的步骤如下:
首先,获取与最高测试组对应的一类测试对象的总寿命,令Tw-1=∑Iw-1*Q;其中,Tw-1为与最高测试组对应的一类测试对象的总寿命,Iw-1为与最高测试组对应的一类测试对象的初始对象数量,Q表示测试组的周期时长,例如1年。
然后,依次从高到低进行迭代计算,直至得到T0=∑I0*Q+T1,即可得到每一类测试对象的总寿命。
S407、根据每一类所述测试对象的所述初始对象数量和所述总寿命,得到每一类所述测试对象的初始预期寿命,并将所述初始对象数量、所述总寿命和所述初始预期寿命关联存储至所述数据库中。
在本实施例中,已知每一类测试对象的初始对象数量、总寿命以及初始预期寿命存在的关系(参考所述步骤S401),优选地,可以根据每一类测试对象的所述初始对象数量、所述总寿命和所述初始预期寿命生成寿命文件,并将寿命文件存储至数据库中,后续步骤S401中,服务器自数据库获取寿命文件即可。综上所述,本实施例获取的初始参数丰富度高、准确度高,有利于提高寿命预估的精准度。
在一实施例中,如图7所示,提供一种测试对象的寿命预估装置,该测试对象的寿命预估装置与上述实施例中测试对象的寿命预估方法一一对应。该测试对象的寿命预估装置包括以下模块,各功能模块详细说明如下:
数据调取模块110,用于接收包含各测试组的数据调取指令,自数据库获取与各所述测试组关联的对象数据表;一个所述测试组对应一类测试对象。
数据匹配模块120,用于接收包含指定项标识的数据匹配指令,自各所述对象数据表统计与所述指定项标识匹配的有效数据个数。
数据确定模块130,用于根据与所述指定项标识匹配的有效数据个数,确定每一类所述测试对象的指定项损失系数。
数据分析模块140,用于接收包含每一类所述测试对象的初始参数的数据分析指令,将各所述指定项损失系数和各所述初始参数输入至预设的寿命损失分析模型中,并接收所述寿命损失分析模型输出的每一类所述测试对象的累积损失寿命。
数据调整模块150,用于将每一类所述测试对象的初始预期寿命和所述累积损失寿命输入至预设的调整模型中,接收所述调整模型输出的每一类所述测试对象的调整预期寿命。
在一实施例中,所述的测试对象的寿命预估装置还包括以下模块,各功能模块详细说明如下:
登录模块,用于接收自客户端发送的包含用户标识的登录请求,在登录用户的身份验证通过之后,根据所述用户标识自预设的用户权限表中获取所述登录用户的查询权限等级。
查询显示模型,用于接收包含所述查询权限等级和查询条件的查询指令,获取与所述查询权限等级匹配且满足所述查询条件的查询数据,将所述查询数据以预设文档形式导出并发送至所述客户端;所述查询数据包括每一类所述测试对象的调整预期寿命。
在一实施例中,所述数据调取模块110包括以下子模块,各功能子模块详细说明如下:
调取子模块,用于自预设的数据中心获取各所述测试组的测试对象集合,一个所述测试对象集合中包含同一类的至少一个测试对象,且每一个所述测试对象包含至少一个对象文档。
分配子模块,用于将同一个所述测试对象集合中的所有所述对象文档,分配至同一条数据提取线程中。
调用子模块,用于调用与所述数据提取线程关联的光学字符识别模型,对分配至所述数据提取线程中的所有所述对象文档进行识别,获取所述数据提取线程中每一个所述对象文档中包含的对象数据.
第一存储子模块,用于根据所述数据提取线程中每一个所述对象文档中包含的对象数据生成对象数据表,并将所述对象数据表与对应的所述测试组关联存储至所述数据库中。
在一实施例中,所述数据匹配模块120包括以下子模块,各功能子子模块详细说明如下:
匹配子模块,用于接收数据匹配指令,所述数据匹配指令包含各指定项的项目名称和项目编码。
名称子模块,用于根据各所述指定项的项目名称,获取对应的名称匹配表达式。
编码子模块,用于根据各所述指定项的项目编码,获取对应的编码匹配表达式。
标记子模块,用于自各所述对象数据表中,获取并标记满足所述名称匹配表达式和/或所述编码匹配表达的所述对象数据,统计已标记的所述对象数据获得与各所述项目名称和/或各所述项目编码指匹配的有效数据个数。
在一实施例中,所述数据确定模块130包括以下子模块,各功能子子模块详细说明如下:
第一获取子模块,用于获取与所述指定项标识关联的调整权重。
第二获取子模块,用于获取各所述测试数据表的数据量。
第三获取子模块,用于根据各所述测试数据表的数据量、与各所述指定项标识匹配的有效数据个数以及关联的调整权重,获取每一类所述测试对象的指定项损失系数。
在一实施例中,所述数据分析模块140包括以下子模块,各功能子子模块详细说明如下:
分析子模块,用于接收数据分析指令,所述数据分析指令包含每一类所述测试对象的初始预期寿命、初始对象数量和总寿命。
迭代子模块,用于通过所述寿命损失分析模型对每一类所述测试对象的所述初始对象数量、所述总寿命、各所述指定项损失系数进行迭代,得到每一类所述测试对象的指定项损失寿命。
累积子模块,用于通过所述寿命损失分析模型对每一类所述测试对象的指定项损失寿命进行累积,得到每一类所述测试对象的累积损失寿命。
在另一实施例中,所述数据分析模块140还包括以下子模块,各功能子模块详细说明如下:
第四获取子模块,用于根据获取的每一类所述测试对象的测试对象数量和被标记对象数量,确定每一类所述测试对象的被标记率;
正向迭代子模块,用于将获取的与初始化测试组对应的一类所述测试对象的初始对象数量、每一类所述测试对象的所述被标记率输入至预设的正向迭代模型中,并接收所述向下模型输出的每一类所述测试对象的所述初始对象数量;
反向迭代子模块,用于将每一类所述测试对象的所述初始对象数量输入至预设的反向迭代模型中,并接收所述反向迭代模型输出的每一类所述测试对象的总寿命;
第二存储子模块,用于根据每一类所述测试对象的所述初始对象数量和所述总寿命,得到每一类所述测试对象的初始预期寿命,并将所述初始对象数量、所述总寿命和所述初始预期寿命关联存储至所述数据库中。
关于测试对象的寿命预估装置的具体限定可以参见上文中对于测试对象的寿命预估方法的限定,在此不再赘述。上述测试对象的寿命预估装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图8所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机可读指令和数据库。该内存储器为非易失性存储介质中的操作系统和计算机可读指令的运行提供环境。该计算机可读指令被处理器执行时以实现一种测试对象的寿命预估方法。
在一个实施例中,提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机可读指令,处理器执行计算机可读指令时实现以下步骤:
接收包含各测试组的数据调取指令,自数据库获取与各所述测试组关联的对象数据表;一个所述测试组对应一类测试对象;
接收包含指定项标识的数据匹配指令,自各所述对象数据表统计与所述指定项标识匹配的有效数据个数;
根据与所述指定项标识匹配的有效数据个数,确定每一类所述测试对象的指定项损失系数;
接收包含每一类所述测试对象的初始参数的数据分析指令,将各所述指定项损失系数和各所述初始参数输入至预设的寿命损失分析模型中,并接收所述寿命损失分析模型输出的每一类所述测试对象的累积损失寿命;
将每一类所述测试对象的初始预期寿命和所述累积损失寿命输入至预设的调整模型中,接收所述调整模型输出的每一类所述测试对象的调整预期寿命。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机可读指令,计算机可读指令被处理器执行时实现以下步骤:
接收包含各测试组的数据调取指令,自数据库获取与各所述测试组关联的对象数据表;一个所述测试组对应一类测试对象;
接收包含指定项标识的数据匹配指令,自各所述对象数据表统计与所述指定项标识匹配的有效数据个数;
根据与所述指定项标识匹配的有效数据个数,确定每一类所述测试对象的指定项损失系数;
接收包含每一类所述测试对象的初始参数的数据分析指令,将各所述指定项损失系数和各所述初始参数输入至预设的寿命损失分析模型中,并接收所述寿命损失分析模型输出的每一类所述测试对象的累积损失寿命;
将每一类所述测试对象的初始预期寿命和所述累积损失寿命输入至预设的调整模型中,接收所述调整模型输出的每一类所述测试对象的调整预期寿命。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机可读指令来指令相关的硬件来完成,所述的计算机可读指令可存储于一非易失性计算机可读取存储介质中,该计算机可读指令在执行时,可包括如上述各方法的实施例的流程。其中,本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路DRAM(SLDRAM)、存储器总线直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元或模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元或模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (10)
1.一种测试对象的寿命预估方法,其特征在于,包括:
接收包含各测试组的数据调取指令,自数据库获取与各所述测试组关联的对象数据表;一个所述测试组对应一类测试对象;
接收包含指定项标识的数据匹配指令,自各所述对象数据表统计与所述指定项标识匹配的有效数据个数;
根据与所述指定项标识匹配的有效数据个数,确定每一类所述测试对象的指定项损失系数;
接收包含每一类所述测试对象的初始参数的数据分析指令,将各所述指定项损失系数和各所述初始参数输入至预设的寿命损失分析模型中,并接收所述寿命损失分析模型输出的每一类所述测试对象的累积损失寿命;
将每一类所述测试对象的初始预期寿命和所述累积损失寿命输入至预设的调整模型中,接收所述调整模型输出的每一类所述测试对象的调整预期寿命。
2.如权利要求1所述的测试对象的寿命预估方法,其特征在于,所述接收包含各测试组的数据调取指令,自数据库获取与各所述测试组关联的对象数据表之前,包括:
自预设的数据中心获取各所述测试组的测试对象集合,一个所述测试对象集合中包含同一类的至少一个测试对象,且每一个所述测试对象包含至少一个对象文档;
将同一个所述测试对象集合中的所有所述对象文档,分配至同一条数据提取线程中;
调用与所述数据提取线程关联的光学字符识别模型,对分配至所述数据提取线程中的所有所述对象文档进行识别,获取所述数据提取线程中每一个所述对象文档中包含的对象数据;
根据所述数据提取线程中每一个所述对象文档中包含的对象数据生成对象数据表,并将所述对象数据表与对应的所述测试组关联存储至所述数据库中。
3.如权利要求1所述的测试对象的寿命预估方法,其特征在于,所述接收包含指定项标识的数据匹配指令,自各所述对象数据表统计与所述指定项标识匹配的有效数据个数,包括:
接收数据匹配指令,所述数据匹配指令包含各指定项的项目名称和项目编码;
根据各所述指定项的项目名称,获取对应的名称匹配表达式;
根据各所述指定项的项目编码,获取对应的编码匹配表达式;
自各所述对象数据表中,获取并标记满足所述名称匹配表达式和/或所述编码匹配表达的所述对象数据,统计已标记的所述对象数据获得与各所述项目名称和/或各所述项目编码指匹配的有效数据个数。
4.如权利要求1所述的测试对象的寿命预估方法,其特征在于,所述根据与所述指定项标识匹配的有效数据个数,确定每一类所述测试对象的指定项损失系数,包括:
获取与所述指定项标识关联的调整权重;
获取各所述测试数据表的数据量;
根据各所述测试数据表的数据量、与各所述指定项标识匹配的有效数据个数以及关联的调整权重,获取每一类所述测试对象的指定项损失系数。
5.如权利要求1所述的测试对象的寿命预估方法,其特征在于,所述接收包含每一类所述测试对象的初始参数的数据分析指令,将各所述指定项损失系数和各所述初始参数输入至预设的寿命损失分析模型中,并接收所述寿命损失分析模型输出的每一类所述测试对象的累积损失寿命,包括:
接收数据分析指令,所述数据分析指令包含每一类所述测试对象的初始预期寿命、初始对象数量和总寿命;
通过所述寿命损失分析模型对每一类所述测试对象的所述初始对象数量、所述总寿命、各所述指定项损失系数进行迭代,得到每一类所述测试对象的指定项损失寿命;
通过所述寿命损失分析模型对每一类所述测试对象的指定项损失寿命进行累积,得到每一类所述测试对象的累积损失寿命。
6.如权利要求1所述的测试对象的寿命预估方法,其特征在于,所述将每一类所述测试对象的初始预期寿命和所述累积损失寿命输入至预设的调整模型中,接收所述调整模型输出的每一类所述测试对象的调整预期寿命之后,包括:
接收自客户端发送的包含用户标识的登录请求,在登录用户的身份验证通过之后,根据所述用户标识自预设的用户权限表中获取所述登录用户的查询权限等级;
接收包含所述查询权限等级和查询条件的查询指令,获取与所述查询权限等级匹配且满足所述查询条件的查询数据,将所述查询数据以预设文档形式导出并发送至所述客户端;所述查询数据包括每一类所述测试对象的调整预期寿命。
7.如权利要求1所述的测试对象的寿命预估方法,其特征在于,所述接收包含每一类所述测试对象的初始参数的数据分析指令之前,包括:
根据获取的每一类所述测试对象的测试对象数量和被标记对象数量,确定每一类所述测试对象的被标记率;
将获取的与初始化测试组对应的一类所述测试对象的初始对象数量、每一类所述测试对象的所述被标记率输入至预设的正向迭代模型中,并接收所述向下模型输出的每一类所述测试对象的所述初始对象数量;
将每一类所述测试对象的所述初始对象数量输入至预设的反向迭代模型中,并接收所述反向迭代模型输出的每一类所述测试对象的总寿命;
根据每一类所述测试对象的所述初始对象数量和所述总寿命,得到每一类所述测试对象的初始预期寿命,并将所述初始对象数量、所述总寿命和所述初始预期寿命关联存储至所述数据库中。
8.一种测试对象的寿命预估装置,其特征在于,包括:
数据调取模块,用于接收包含各测试组的数据调取指令,自数据库获取与各所述测试组关联的对象数据表;一个所述测试组对应一类测试对象;
数据匹配模块,用于接收包含指定项标识的数据匹配指令,自各所述对象数据表统计与所述指定项标识匹配的有效数据个数;
数据确定模块,用于根据与所述指定项标识匹配的有效数据个数,确定每一类所述测试对象的指定项损失系数;
数据分析模块,用于接收包含每一类所述测试对象的初始参数的数据分析指令,将各所述指定项损失系数和各所述初始参数输入至预设的寿命损失分析模型中,并接收所述寿命损失分析模型输出的每一类所述测试对象的累积损失寿命;
数据调整模块,用于将每一类所述测试对象的初始预期寿命和所述累积损失寿命输入至预设的调整模型中,接收所述调整模型输出的每一类所述测试对象的调整预期寿命。
9.一种计算机设备,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可读指令,其特征在于,所述处理器执行所述计算机可读指令时实现如权利要求1至7任一项所述测试对象的寿命预估方法。
10.一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可读指令,其特征在于,所述计算机可读指令被处理器执行时实现如权利要求1至7任一项所述测试对象的寿命预估方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910516569.6A CN110390424B (zh) | 2019-06-14 | 2019-06-14 | 测试对象的寿命预估方法、装置、设备及介质 |
PCT/CN2020/093362 WO2020248844A1 (zh) | 2019-06-14 | 2020-05-29 | 测试对象的寿命预估方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910516569.6A CN110390424B (zh) | 2019-06-14 | 2019-06-14 | 测试对象的寿命预估方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110390424A true CN110390424A (zh) | 2019-10-29 |
CN110390424B CN110390424B (zh) | 2022-05-17 |
Family
ID=68285366
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910516569.6A Active CN110390424B (zh) | 2019-06-14 | 2019-06-14 | 测试对象的寿命预估方法、装置、设备及介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN110390424B (zh) |
WO (1) | WO2020248844A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020248844A1 (zh) * | 2019-06-14 | 2020-12-17 | 平安科技(深圳)有限公司 | 测试对象的寿命预估方法、装置、设备及介质 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112862349B (zh) * | 2021-03-04 | 2024-04-16 | 北京同邦卓益科技有限公司 | 基于abs业务数据的数据处理方法、装置和设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101447048A (zh) * | 2008-12-30 | 2009-06-03 | 上海发电设备成套设计研究院 | 一种变压器绝缘寿命预测的方法与寿命管理系统 |
US20160161567A1 (en) * | 2014-12-04 | 2016-06-09 | Samsung Electronics Co., Ltd. | Method and apparatus for estimating state of battery |
CN108613889A (zh) * | 2018-04-27 | 2018-10-02 | 佛山科学技术学院 | 一种基于循环寿命的钛合金钝缺口疲劳强度损失系数评估方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105809343A (zh) * | 2016-03-04 | 2016-07-27 | 深圳市前海安测信息技术有限公司 | 用于评估保险标的风险的核保和精算数据库系统 |
US20180150609A1 (en) * | 2016-11-29 | 2018-05-31 | Electronics And Telecommunications Research Institute | Server and method for predicting future health trends through similar case cluster based prediction models |
CN108549951B (zh) * | 2018-03-09 | 2021-10-22 | 璇飞(武汉)科技有限公司 | 一种基于关键器件的船用电气设备寿命预测方法及装置 |
CN108765094A (zh) * | 2018-06-06 | 2018-11-06 | 中国平安人寿保险股份有限公司 | 保险数据处理方法、装置、计算机设备和存储介质 |
CN109061333A (zh) * | 2018-06-21 | 2018-12-21 | 国网木星(北京)科技有限公司 | 能源管理系统设备实际寿命测试方法及系统 |
CN110390424B (zh) * | 2019-06-14 | 2022-05-17 | 平安科技(深圳)有限公司 | 测试对象的寿命预估方法、装置、设备及介质 |
-
2019
- 2019-06-14 CN CN201910516569.6A patent/CN110390424B/zh active Active
-
2020
- 2020-05-29 WO PCT/CN2020/093362 patent/WO2020248844A1/zh active Application Filing
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101447048A (zh) * | 2008-12-30 | 2009-06-03 | 上海发电设备成套设计研究院 | 一种变压器绝缘寿命预测的方法与寿命管理系统 |
US20160161567A1 (en) * | 2014-12-04 | 2016-06-09 | Samsung Electronics Co., Ltd. | Method and apparatus for estimating state of battery |
CN108613889A (zh) * | 2018-04-27 | 2018-10-02 | 佛山科学技术学院 | 一种基于循环寿命的钛合金钝缺口疲劳强度损失系数评估方法 |
Non-Patent Citations (3)
Title |
---|
吴锴等: "绝缘诊断经济有效性的评价方法概述", 《高电压技术》 * |
张琳: "在役钢结构吊车梁疲劳寿命研究", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》 * |
杨丽徙等: "电力变压器剩余技术寿命的综合评估", 《变压器》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020248844A1 (zh) * | 2019-06-14 | 2020-12-17 | 平安科技(深圳)有限公司 | 测试对象的寿命预估方法、装置、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110390424B (zh) | 2022-05-17 |
WO2020248844A1 (zh) | 2020-12-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Verenich et al. | Survey and cross-benchmark comparison of remaining time prediction methods in business process monitoring | |
CN106992994B (zh) | 一种云服务的自动化监控方法和系统 | |
EP3591587A1 (en) | Dataset connector and crawler to identify data lineage and segment data | |
US10671684B2 (en) | Method and apparatus for identifying demand | |
CN109241461B (zh) | 一种用户画像构建方法及装置 | |
JP6095491B2 (ja) | 通話の話題を予測する方法 | |
CN110751533B (zh) | 产品画像生成方法、装置、计算机设备和存储介质 | |
CN102959542A (zh) | 用于管理视频内容的方法和装置 | |
Li et al. | Voting with their feet: Inferring user preferences from app management activities | |
CN110674360B (zh) | 一种用于数据的溯源方法和系统 | |
US9740986B2 (en) | System and method for deducing user interaction patterns based on limited activities | |
CN110798709B (zh) | 视频处理方法和装置、存储介质及电子装置 | |
CN115408586B (zh) | 一种智能渠道运营数据分析方法、系统、设备及存储介质 | |
US20190286739A1 (en) | Automatically generating meaningful user segments | |
CN107977678A (zh) | 用于输出信息的方法和装置 | |
CN116186136B (zh) | 一种工程建设实施阶段数据的处理方法及系统 | |
CN110390424A (zh) | 测试对象的寿命预估方法、装置、设备及介质 | |
CN107508809A (zh) | 识别网址类型的方法及装置 | |
CN107784551A (zh) | 股票舆情数据处理方法、装置、计算机设备和存储介质 | |
CN112015779A (zh) | 学生偏好预测的方法、系统和装置 | |
US8639695B1 (en) | System, method and computer program for analysing and visualising data | |
CN110362607B (zh) | 异常号码识别方法、装置、计算机设备及存储介质 | |
CN109408671A (zh) | 特定目标的搜索方法及其系统 | |
Shao et al. | EasyTicket: a ticket routing recommendation engine for enterprise problem resolution | |
CN107368407A (zh) | 信息处理方法和装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |