CN110858355A - 项目预算结余预测方法及装置 - Google Patents
项目预算结余预测方法及装置 Download PDFInfo
- Publication number
- CN110858355A CN110858355A CN201810959166.4A CN201810959166A CN110858355A CN 110858355 A CN110858355 A CN 110858355A CN 201810959166 A CN201810959166 A CN 201810959166A CN 110858355 A CN110858355 A CN 110858355A
- Authority
- CN
- China
- Prior art keywords
- project
- data
- budget balance
- balance
- prediction
- 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
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000010801 machine learning Methods 0.000 claims abstract description 22
- 238000012795 verification Methods 0.000 claims description 32
- 238000012549 training Methods 0.000 claims description 15
- 238000003860 storage Methods 0.000 claims description 14
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 238000004140 cleaning Methods 0.000 abstract description 11
- 238000004458 analytical method Methods 0.000 abstract description 9
- 238000004422 calculation algorithm Methods 0.000 abstract description 7
- 238000013277 forecasting method Methods 0.000 abstract description 6
- 238000007726 management method Methods 0.000 description 21
- 238000010586 diagram Methods 0.000 description 14
- 230000008569 process Effects 0.000 description 13
- 238000003062 neural network model Methods 0.000 description 12
- 238000004590 computer program Methods 0.000 description 11
- 238000013528 artificial neural network Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 238000012546 transfer Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000010276 construction Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000013439 planning Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000012790 confirmation Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009440 infrastructure construction Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/10—Office automation; Time management
- G06Q10/103—Workflow collaboration or project management
-
- 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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/12—Accounting
- G06Q40/125—Finance or payroll
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Accounting & Taxation (AREA)
- Human Resources & Organizations (AREA)
- Finance (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- Technology Law (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种项目预算结余预测方法及装置，根据待预测项目的业务内容获取与项目结束或结余相关的项目数据，然后，根据该项目数据中的业务数据获取关键特征，并将该关键特征输入至预测模型中预测得到待预测项目的项目预算结余信息。其中，该方法考虑了影响项目预算结余的多种业务因素，获取各种业务因素对应的业务数据，并且利用机器学习算法对业务数据进行组合分析获得项目预算结余预测结果，提高了对预算结余判断的准确率，与传统的人工操作清理项目预算结余方式相比，降低了预测难度及复杂度。
Description
技术领域
本发明涉及计算机技术领域，尤其涉及一种项目预算结余预测方法及装置。
背景技术
投资计划及项目管理主导着大型企业战略发展方向，随着业务发展和规模扩张，企业每年投入大量资本进行项目建设。由于项目管理的业务涉及面广、管理周期长，相应的项目管理的部门面临很大的工作压力，通常该部门主要对投资全局及重大项目管理进行把控，很难掌握每个项目具体细节，导致在整个管理过程隐含有一定的问题及风险。
项目预算结余是上级部门下达项目预算后，项目进入实施阶段，在这过程中消耗大量的预算，在项目竣工后，确定项目结束(不再发生成本费用)，剩余未消耗的预算称为预算结余，结余的预算按相关管理办法安排其它项目使用或上缴重新支配。
在投资密集度高的企业，由于项目数量较多，例如，每年几千个项目，周期长，管理部门很难定期组织各个单位进行项目清算，而长时间未对项目预算结余进行清理，极易产生问题，例如，项目预算相互调用、项目结算滞后、项目记账随意、项目难于结束、预算结余累积越来越多、影响企业资金调配、影响企业投资部署和决策等。
而传统的项目预算结余清理方式主要通过人工操作，通常在项目实施结束后，由项目实施单位收集项目各项进度信息；然后，组织各部门确认项目结束及预算结余。这种人工清理方式存在项目预算结余清理涉及面广需要多部门支持，以及项目预算结余确认需要各项信息支撑，用户面对众多的信息，存在不确定因素，难于做出判断。
发明内容
鉴于上述问题，提出了本发明提供了一种项目预算结余预测方法及装置，以解决通过人工操作进行项目预算结余清理时难于判断项目是否结束及是否存在预算结余。其技术方案如下：
第一方面，本申请提供了一种项目预算结余预测方法，包括：
根据待预测项目的业务内容获取相应的项目数据，所述项目数据包括与项目结束或结余相关的业务数据；
根据所述与项目结束或结余相关的业务数据获取关键特征；
将所述关键特征输入预先构建的预测模型，预测得到所述待预测项目的项目预算结余信息，所述预测模型是根据历史项目的训练数据进行机器学习得到的用于预测项目预算结余的模型。
在本申请一种可能的实现方式中，所述根据待预测项目的业务内容获取相应的项目数据，包括：
根据所述待预测项目的项目类型及与预算结余相关的业务信息，确定项目数据类型范围；
根据所述项目数据类型范围获取相应的项目数据。
在本申请一种可能的实现方式中，根据所述业务数据获取关键特征，包括：
从所述项目数据中提取第一类关键特征；
根据所述项目数据所包含的业务数据计算得到第二类关键特征；
依据各个所述关键特征与所述待预测项目的预算结余的关联程度，对各个所述关键特征进行排序。
在本申请一种可能的实现方式中，所述将所述关键特征输入预先构建的预测模型，预测得到所述待预测项目的项目预算结余信息，包括：
选择与所述待预测项目的项目属性纬度信息相匹配的目标预测模型，所述项目属性纬度信息包括项目类型，或者，地域和时间中的至少一项及所述项目类型；
将各个所述关键特征输入所述目标预测模型，以使所述目标预测模型根据各个所述关键特征对应的数值预测得到所述待预测项目对应的预算结余预测结果。
在本申请一种可能的实现方式中，在预测得到所述待预测项目的项目预算结余信息之后，所述方法还包括：
获取所述待预测项目的用户校验信息，所述用户校验信息包括所述预算结余预测结果是否准确以及当所述预算结余预测结果不准确时相应的预算结余正确结果；
当所述预算结余预测结果不准确时，将所述用户校验信息所包含的预算结余正确结果输入至所述预测模型，以使所述预测模型根据所述预算结余正确结果调整所述预测模型中的参数。
在本申请一种可能的实现方式中，所述训练数据包括所述历史项目的样本项目数据及对应的预算结余结果数据。
在本申请一种可能的实现方式中，在将所述关键特征输入预先构建的预测模型之前，所述方法还包括：
根据所述历史项目的样本项目数据获取对应的关键特征；
根据所述样本项目数据和所述预算结余结果数据进行机器学习，确定各个所述关键特征的权重及排序得到所述预测模型。
第二方面，本申请提供了一种项目预算结余预测装置，包括：
第一获取模块，用于根据待预测项目的业务内容获取相应的项目数据，所述项目数据包括与项目结束及结余相关的业务数据；
第二获取模块，用于根据所述业务数据获取关键特征；
预测模块，用于将所述关键特征输入预先构建的预测模型，预测得到所述待预测项目的项目预算结余信息，所述预测模型是根据历史项目的样本数据及预算结余结果数据进行机器学习得到的用于预测项目预算结余模型。
在本申请一种可能的实现方式中，所述预测模块包括：
选择子模块，用于选择与所述待预测项目的项目属性纬度信息相匹配的目标预测模型，所述项目属性纬度信息包括项目类型，或者，地域和时间中的至少一项及所述项目类型；
预测子模块，用于将各个所述关键特征输入所述目标预测模型，以使所述目标预测模型根据各个所述关键特征对应的数值预测得到所述待预测项目对应的预算结余预测结果。
第三方面，本申请还提供了一种存储介质，其上存储有程序，所述程序被处理器执行时实现第一方面任一种可能的实现方式所述的项目预算结余预测方法。
第四方面，本申请还提供了一种处理器，所述处理器用于运行程序，所述程序运行时执行第一方面任一种可能的实现方式所述的项目预算结余预测方法。
本发明提供的项目预算结余预测方法，根据待预测项目的业务内容获取与项目结束及结余相关的项目数据，然后，根据该项目数据获取关键特征，并将该关键特征输入至预测模型中预测待预测项目的项目预算结余信息。其中，该方法考虑了影响项目预算结余的多种业务因素，获取各种业务因素对应的业务数据，并且利用机器学习算法对业务数据进行组合分析获得项目预算结余预测结果，提高了对预算结余判断的准确率，与传统的人工操作清理项目预算结余方式相比，降低了预测难度及复杂度。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述方案和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1示出了本申请实施例一种项目预算结余预测方法的流程图；
图2示出了本申请实施例一种神经网络预测过程的模拟示意图；
图3示出了本申请实施例另一种项目预算结余预测方法的流程图；
图4示出了本申请实施例一种项目预算结余预测装置的框图；
图5示出了本申请实施例另一种项目预算结余预测装置的框图。
具体实施方式
利用传统的项目预算结余方式进行预算结余清理时，可能存在如下困难：
1、项目预算结余清理涉及面广，需要多部门支持，包括计划部门、工程部门、财务部门、合同管理部门等；
2、项目实施部门担心项目完成后的剩余预算资金要上缴，因此，缺乏项目预算清理的主动性；
3、项目完成后，财务部门还需要继续处理财务，难于确认项目结束及结余的时间点；
4、项目预算结余确认需要各项信息支撑，用户面对众多的信息，存在不确定因素，难于做出准确的判断。
针对以上问题，本申请提供了一种项目预算结余预测方法，考虑了影响项目预算结余的多种业务因素，获取各种业务因素对应的业务数据，并且利用机器学习算法对业务数据进行组合分析获得项目预算结余预测结果，提高了对预算结余判断的准确率。
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
请参见图1，示出了本申请实施例一种项目预算结余预测方法的流程图，该方法应用于计算机中，如图1所示，该方法可以包括以下步骤：
S110，根据待预测项目的业务内容获取相应的项目数据。
所述项目数据包括与项目结束或结余相关的业务数据。
在实际应用场景中，项目数据涉及面广，通常可来自企业资源计划(EnterpriseResource Planning，ERP)系统、投资管理系统、合同管理系统、工程管理系统、财务管理系统等，通过系统集成的方式，将项目数据进行整合处理，通过项目标识把各项数据关联起来。
其中，根据项目预算结余相关业务内容和管理过程，确定需要的项目数据类型范围，包括项目主数据、项目状态、投资预算、合同结算、项目成本、项目转资、已产生的预算结余等信息；
项目主数据包括：项目标识、项目名称、项目类型、实施单位。
项目状态包括：项目立项、项目实施、工程完工、竣工验收。
投资预算包括：投资年度、预算金额、预算完成率。
合同结算包括：合同金额、结算金额、合同结算率、最后一次结算日期。
项目成本包括：成本金额、最后一次记账日期。
项目转资包括：转资金额、转资完成率、最后一次转资日期。
结果判断包括：操作日期、是否结余、结余金额、原因。
S120，根据业务数据获取关键特征。
根据项目结束或结余相关的业务信息，结合多个行业项目管理特点和管理经验，从项目数据中提取关联程度高的特征进行组合分析。
其中，某些关键特征能够直接从项目数据中提取出来，本文中称为第一类关键特征，例如，下述的项目状态、已完工天数等；某些关键特征需要根据项目数据中的数据计算得到，本文中称为第二类关键特征，例如，工程量完成率。
例如，关键特征包括：项目状态、完工天数、形象进度、工程量完成率、预算完成率、合同结算完成率、距最后一次合同结算天数、距最后一次财务记账天数、转资完成率、距最后一次转资天数。
项目状态：按项目阶段进行划分的标识，通常分为项目立项、项目开工、项目实施、工程完工、竣工验收。项目状态对项目最终结束和预算结余有一定的联系，但由于项目状态较粗，难于确定具体结果。
已完工天数：计算工程完工后的天数，已完工天数越大，确定项目结束及结余的条件越明显。
形象进度：代表项目现场的工程进度，以百分比作为标识，由于各项目的进度衡量权重标准不统一，该特征难于确定具体结果，但可以辅助判断项目完工情况，与项目结束和结余有一定联系。
工程量完成率：计划工程量与完成工程量比较，体现主要工程量完成情况，也是主要消耗预算工程；该工程量完成率与剩余预算关联性较大，通常工程量完成了，后续预算消耗不会太多；但也存在项目减少工程量而节省了预算的情况，即工程量无需百分百完成但完成了项目的任务指标。
预算完成率：代表当前预算剩余的程度，结合项目完工状态、工程量完成率，预算剩余越多，结余几率越大。
合同结算完成率：即合同结算进度，由项目对应的多个合同组成汇总计算，该合同结算完成率代表项目结算程度。
距最后一次合同结算天数：对于合同结算已完成的项目，可以计算当前距离结算完成日的天数，时间越长，项目结束及结余几率越大；对于合同结算未完成的项目，如果存在距最后一次合同结算天数太多的情况，剩余合同工程量可能不需要再执行和结算了，用户应是还没来得及调整合同。
距最后一次财务记账天数：判断财务账务处理的状态，用于监控项目完工后账务处理频率，如果长时间无账务处理记录，项目结束及结余几率就比较大。
转资完成率：项目有预转资的情况，即部分转资或全部转资。该数据主要监控项目转资程度。如果项目全部转资则是较明显的项目结束标志，其项目成本及预算消耗基础确定。
距最后一次转资天数：主要监控项目已完成转资的时间，该时间越长，项目结束及结余几率越大。
在本申请的一个优选实施例中，获得关键特征后，根据各关键特征与预算结余之间的关联程度对各个关键特征进行排序，关联程度越大排序越靠前。
S130，将各关键特征输入预先构建的预测模型中，预测得到该待预测项目的项目预算结余信息。
其中，该预测模型根据历史项目对应的训练数据进行机器学习得到，该预测模型可以是机器学习模型，例如，神经网络模型。其中，该训练数据包括历史项目的项目数据(即，与项目结束及结余相关的业务数据)及对应的预算结余结果数据。
下面以预测模型是神经网络为例进行说明，神经网络包括输入层、输出层、校验层及多个隐含层；输入层用于接收输入信息，该输入信息通常为项目的各种信息，例如，预测需要的关键特征。隐含层主要负责输入层的各项信息的学习和判断，然后将预测数据传递到输出层。输出层是对项目预算结余的预测结果(是否结余、原因)；校验层是用户对系统输出的预测结果进行确认和标注，校验后保存项目结余的正确结果，可作为历史记录，为后续预算结余预测提供参考。
图2为本申请实施例一种利用神经网络模型的模拟示意图，该神经网络模型包含输入层、隐含层、输出层和校验层，其中，校验层接收用户对预测结果的校验信息，然后，将该校验信息反馈至隐含层，由隐含层根据正确的数据调整预测模型内的参数，以使预测模型预测更准确。
该神经网络预先根据历史项目数据训练得到，例如，训练过程可以包括：获取历史项目的样本项目数据及预算结余结果数据；根据该样本项目数据获取对应的关键特征；并根据样本项目数据和预算结余结果数据确定各个关键特征的权重及排序，得到神经网络。其中，样本项目数据即已有项目的项目数据。
例如，神经网络训练完成后得到图2所示的网络模型，当输入层接收到待预测项目的各个关键特征后，从隐含层中按照各个关键特征的排序依次查找与待预测项目的关键特征的数值最接近的数值，即查找该待预测项目对应的预测路径，将该预测路径对应的预算结余结果作为该待预测项目的预算结余预测结果。
在本申请的一个优选实施例中，按照项目不同属性纬度的特点分别进行预测模型的训练，预测时选择与待预测项目具有相同属性纬度的预测模型进行预测。
1、按项目类型预测：项目类型繁多，例如产能建设、基础建设、更新改造等，根据不同项目类型存在不同的操作和管理模式，项目类型之间的特征表现差别较大，因此，按项目类型进行预测能够提高预测结果的准确率；
例如，不同类型的项目对应的关键特征排序不同，相应的，在预测待预测项目的预算结余时，选择与待预测项目的类型对应的关键特征排序相匹配的神经网络模型，利用该神经网络模型对待预测项目的预算结余结果进行预测，提高预测结果的准确率。
2、按项目地域预测：项目实施地的地域条件不同，导致项目的操作模式有所不同，项目之间的特征表现差别较大，因此，按项目地域进行预测，能够提高预测结果的准确率；
3、按项目时间预测：项目投资时机对项目的影响很大，由于不同年份所对应的政策不一样，导致项目管理要求也有所不同，因此，按投资年份进行预测，能够提高预测结果的准确率。
其中，项目类型是必要纬度，在此纬度基础上还可以增加地域和时间中的至少一个纬度。
按项目不同纬度特点划分时，选择与待预测项目的主要属性纬度相对应的神经网络模型，例如，待预测项目的主要属性纬度是项目类型，则选择与该待预测项目的项目类型相匹配的神经网络模型进行预测；又如，待预测项目的主要属性纬度是项目类型和地域，则选择项目类型及地域均与待预测项目相匹配的神经网络模型进行预测。
例如，A项目的项目类型为基础建设类项目且位于西北地区，则选用项目类型是基础建设类、地域为西北地区的预测模型对A项目进行预测。
又如，B项目为2017年位于东北地区的基础建设类项目，而且，2017年的建筑领域政策与其它年份差异较大，即时间也是比较重要的纬度特点，因此，选用项目类型为基础建设类、地域为东北地区且年份是2017年的预测模型对B项目进行预测。
本实施例提供的项目预算结余预测方法，根据待预测项目的业务内容获取与项目结束及结余相关的项目数据，然后，根据该项目数据获取关键特征，并利用神经网络依据该关键特征预测待预测项目的项目预算结余信息。其中，该方法考虑了影响项目预算结余的多种业务因素，获取各种业务因素对应的业务数据，并且利用机器学习算法对业务数据进行组合分析获得项目预算结余预测结果，提高了对预算结余判断的准确率，与传统的人工操作清理项目预算结余方式相比，降低了预测难度及复杂度。
请参见图3，示出了本申请实施例另一种项目预算结余预测方法的流程图，该方法在获得所述待预测项目对应的预算结余预测结果之后还包括：
S210，获取待预测项目的用户校验信息。
在利用预测模型得到待预测项目的预算结余预测结果之后，用户需要对该预算结余预测结果进行验证，具体的，需要用户向该待预测项目对应的实施部分的项目负责相关部分确认预算结余预测结果是否准确。
用户校验信息包括预算结余预测结果是否准确，以及，当预算结余预测结果不准确时相应的预算结余正确结果。
如果预算结余预测结果不准确，则用户校验信息包含当前预算结余预测结果不准确的信息，以及正确的预算结余信息；
如果预算结余预测结果准确，则用户校验信息包含该预测结果准确的信息。
S220，当所述预算结余预测结果不准确时，将用户校验信息所包含的预算结余正确结果输入至预测模型，以使预测模型根据该预算结余正确结果调整预测模型中的参数。
其中，所述预测模型中的参数可以包括各个关键特征的权重及排序中的至少一项。
当预算结余预测结果不准确时，将用户校验信息所包含的预算结余正确结果提供给预测模型，由该预测模型根据该预算结余正确结果进行自主学习以优化预测模型中的相应参数，最终使得预测模型的预测结果更准确。
本实施例提供的项目预算结余预测方法，在预测得到预算结余预测结果后，由用户对该预测结果进行校验，并根据用户得到的用户校验信息校正预测模型；当预测模型中积累的准确数据越来越多时，该预测模型的预测准确率也就越来越高，提高了预测结果准确率。
相应于上述的项目预算结余预测方法实施例，本申请还提供了项目预算结余预测装置实施例。
请参见图4，示出了本申请实施例一种项目预算结余预测装置的框图，该装置应用于计算机中。如图4所示，该装置可以包括：第一获取模块110、第二获取模块120和预测模块130。
第一获取模块110，用于根据待预测项目的业务内容获取相应的项目数据。
该项目数据包括与项目结束及结余相关的业务数据。根据项目预算结余相关业务内容和管理过程，确定需要的数据类型范围，然后，根据确定的数据类型范围从相应的系统中获取相应的项目数据。
项目数据包括项目标识及业务数据，通过项目标识将业务数据关联在一起。
第二获取模块120，用于根据业务数据获取关键特征。
根据项目结束及结余相关的业务信息，结合多个行业项目管理特点和管理经验，从获得的项目数据中提取关联程度高的特征进行组合分析。
其中，某些关键特征能够直接从项目数据中提取出来，即第一类关键特征；某些关键特征需要根据项目数据中的数据计算得到，即第二类关键特征。
获得各个关键特征后，按照各关键特征与预算结余之间的关联程序对各个关键特征进行排序，关联程度越大排序越靠前。
预测模块130，用于将关键特征输入预先构建的预测模型，预测得到待预测项目的项目预算结余信息。
该预测模型是根据历史项目的样本数据及预算结余结果数据进行机器学习得到的用于预测项目预算结余的模型。例如，该预算模型可以是神经网络模型。
其中，根据历史项目的训练数据(包括样本项目数据及预算结余结果数据)，根据训练数据获取各个历史项目对应的关键特征，对关键特征进行机器学习得到预测模型，其中，机器学习的结果是确定各个关键特征的权重及排序。
在本申请的一个实施例中，预测模块按照项目的不同属性纬度特点分别进行预测模型的训练，预测时选择与待预测项目具有相同属性纬度的预测模型进行预测。
所述预测模块130包括选择子模块和预测子模块。
该选择子模块，用于选择与待预测项目的项目属性纬度信息相匹配的目标预测模型。
所述项目属性纬度信息包括项目类型，或者，地域和时间中的至少一项及所述项目类型。
按项目不同纬度特点划分时，选择与待预测项目的主要属性纬度相对应的神经网络模型，例如，待预测项目的主要属性纬度是项目类型，则选择与该待预测项目的项目类型相匹配的神经网络模型进行预测；又如，待预测项目的主要属性纬度是项目类型和地域，则选择项目类型及地域均与待预测项目相匹配的神经网络模型进行预测。
该预测子模块，用于将各个关键特征输入目标预测模型，以使目标预测模型根据各个关键特征对应的数值预测得到待预测项目对应的预算结余预测结果。
本实施例提供的项目预算结余预测装置，根据待预测项目的业务内容获取与项目结束及结余相关的项目数据，然后，根据该项目数据获取关键特征，并利用神经网络依据该关键特征预测待预测项目的项目预算结余信息。其中，该装置考虑了影响项目预算结余的多种业务因素，获取各种业务因素对应的业务数据，并且利用机器学习算法对业务数据进行组合分析获得项目预算结余预测结果，提高了对预算结余判断的准确率，与传统的人工操作清理项目预算结余方式相比，降低了预测难度及复杂度。
请参见图5，示出了本申请实施例另一种项目预算结余预测装置的框图，该方法在获得待预测项目对应的预算结余结果之后用户需要对该预算结余预测结果进行验证，并得到相应的验证结果，并将验证结果反馈至预测模型。
如图5所示，该装置在图4所示实施例的基础上还包括第三获取模块210、预测模型调整模块220。
第三获取模块210，用于在获得待预测项目对应的预算结余预测结果之后，获取待预测项目的用户校验信息。
该用户校验信息包括预算结余预测结果是否准确以及当预算结余预测结果不准确时相应的预算结余正确结果。
在利用预测模型得到待预测项目的预算结余预测结果之后，用户需要对该预算结余预测结果进行验证，具体的，需要用户向该待预测项目对应的实施部分的项目负责相关部分确认预算结余预测结果是否准确。
预测模型调整模块220，用于当预算结余预测结果不准确时，将用户校验信息所包含的预算结余正确结果输入至预测模型，以使该预测模型根据预算结余正确结果调整预测模型中的参数。
当预算结余预测结果不准确时，将用户校验信息所包含的预算结余正确结果输入至预测模型，由该预测模型根据该预算结余正确结果进行自主学习以优化该预测模型中的响应参数，例如，调整关键特征的权重和排序中的至少一项，从而使预测模型的预测结果更准确。
本实施例提供的项目预算结余预测装置，在预测得到预算结余预测结果后，由用户对该预测结果进行校验，并根据用户得到的用户校验信息校正预测模型；当预测模型中积累的准确数据越来越多时，该预测模型的预测准确率也就越来越高，提高预测结果准确率。
所述项目预算结余预测装置包括处理器和存储器，上述第一获取模块、第二获取模块、预测模块、第三获取模块和预测模型调整模块等均作为程序模块存储在存储器中，由处理器执行存储在存储器中的上述程序模块来实现相应的功能。
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。内核可以设置一个或以上，通过调整内核参数来降低项目预算结余预测难度及复杂度。
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。
本发明实施例提供了一种存储介质，其上存储有程序，该程序被处理器执行时实现所述项目预算结余预测方法。
本发明实施例提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行所述项目预算结余预测方法。
本发明实施例提供了一种设备，该设备可以是服务器、PC、PAD、手机等；该设备包括处理器、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：
根据待预测项目的业务内容获取相应的项目数据，所述项目数据包括与项目结束或结余相关的业务数据；
根据所述与项目结束或结余相关的业务数据获取关键特征；
将所述关键特征输入预先构建的预测模型，预测得到所述待预测项目的项目预算结余信息，所述预测模型是根据历史项目的训练数据进行机器学习得到的用于预测项目预算结余的模型。
在本申请一种可能的实现方式中，所述根据待预测项目的业务内容获取相应的项目数据，包括：
根据所述待预测项目的项目类型及与预算结余相关的业务信息，确定项目数据类型范围；
根据所述项目数据类型范围获取相应的项目数据。
在本申请一种可能的实现方式中，根据所述业务数据获取关键特征，包括：
从所述项目数据中提取第一类关键特征；
根据所述项目数据所包含的业务数据计算得到第二类关键特征；
依据各个所述关键特征与所述待预测项目的预算结余的关联程度，对各个所述关键特征进行排序。
在本申请一种可能的实现方式中，所述将所述关键特征输入预先构建的预测模型，预测得到所述待预测项目的项目预算结余信息，包括：
选择与所述待预测项目的项目属性纬度信息相匹配的目标预测模型，所述项目属性纬度信息包括项目类型，或者，地域和时间中的至少一项及所述项目类型；
将各个所述关键特征输入所述目标预测模型，以使所述目标预测模型根据各个所述关键特征对应的数值预测得到所述待预测项目对应的预算结余预测结果。
在本申请一种可能的实现方式中，在预测得到所述待预测项目的项目预算结余信息之后，所述方法还包括：
获取所述待预测项目的用户校验信息，所述用户校验信息包括所述预算结余预测结果是否准确以及当所述预算结余预测结果不准确时相应的预算结余正确结果；
当所述预算结余预测结果不准确时，将用户校验信息所包含的预算结余正确结果输入至预测模型，以使该预测模型根据该预算结余正确结果调整所述预测模型中的参数。
在本申请一种可能的实现方式中，所述训练数据包括所述历史项目的样本项目数据及对应的预算结余结果数据。
在本申请一种可能的实现方式中，在将所述关键特征输入预先构建的预测模型之前，所述方法还包括：
根据所述历史项目的样本项目数据获取对应的关键特征；
根据所述样本项目数据和所述预算结余结果数据进行机器学习，确定各个所述关键特征的权重及排序得到所述预测模型。
本实施例提供的设备，根据待预测项目的业务内容获取与项目结束及结余相关的项目数据，然后，根据该项目数据获取关键特征，并将该关键特征输入至预测模型中预测待预测项目的项目预算结余信息。其中，该预测过程考虑了影响项目预算结余的多种业务因素，获取各种业务因素对应的业务数据，并且利用机器学习算法对业务数据进行组合分析获得项目预算结余预测结果，提高了对预算结余判断的准确率，与传统的人工操作清理项目预算结余方式相比，降低了预测难度及复杂度。
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：
根据待预测项目的业务内容获取相应的项目数据，所述项目数据包括与项目结束或结余相关的业务数据；
根据所述与项目结束或结余相关的业务数据获取关键特征；
将所述关键特征输入预先构建的预测模型，预测得到所述待预测项目的项目预算结余信息，所述预测模型是根据历史项目的训练数据进行机器学习得到的用于预测项目预算结余的模型。
在本申请一种可能的实现方式中，所述根据待预测项目的业务内容获取相应的项目数据，包括：
根据所述待预测项目的项目类型及与预算结余相关的业务信息，确定项目数据类型范围；
根据所述项目数据类型范围获取相应的项目数据。
在本申请一种可能的实现方式中，根据所述业务数据获取关键特征，包括：
从所述项目数据中提取第一类关键特征；
根据所述项目数据所包含的业务数据计算得到第二类关键特征；
依据各个所述关键特征与所述待预测项目的预算结余的关联程度，对各个所述关键特征进行排序。
在本申请一种可能的实现方式中，所述将所述关键特征输入预先构建的预测模型，预测得到所述待预测项目的项目预算结余信息，包括：
选择与所述待预测项目的项目属性纬度信息相匹配的目标预测模型，所述项目属性纬度信息包括项目类型，或者，地域和时间中的至少一项及所述项目类型；
将各个所述关键特征输入所述目标预测模型，以使所述目标预测模型根据各个所述关键特征对应的数值预测得到所述待预测项目对应的预算结余预测结果。
在本申请一种可能的实现方式中，在预测得到所述待预测项目的项目预算结余信息之后，所述方法还包括：
获取所述待预测项目的用户校验信息，所述用户校验信息包括所述预算结余预测结果是否准确以及当所述预算结余预测结果不准确时相应的预算结余正确结果；
当所述预算结余预测结果不准确时，将用户校验信息所包含的预算结余正确结果输入至预测模型，以使该预测模型根据该预算结余正确结果调整所述预测模型中的参数。
在本申请一种可能的实现方式中，所述训练数据包括所述历史项目的样本项目数据及对应的预算结余结果数据。
在本申请一种可能的实现方式中，在将所述关键特征输入预先构建的预测模型之前，所述方法还包括：
根据所述历史项目的样本项目数据获取对应的关键特征；
根据所述样本项目数据和所述预算结余结果数据进行机器学习，确定各个所述关键特征的权重及排序得到所述预测模型。
本实施例提供的计算机程序产品，根据待预测项目的业务内容获取与项目结束及结余相关的项目数据，然后，根据该项目数据获取关键特征，并将该关键特征输入至预测模型中预测待预测项目的项目预算结余信息。其中，该预测过程考虑了影响项目预算结余的多种业务因素，获取各种业务因素对应的业务数据，并且利用机器学习算法对业务数据进行组合分析获得项目预算结余预测结果，提高了对预算结余判断的准确率，与传统的人工操作清理项目预算结余方式相比，降低了预测难度及复杂度。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
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)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种项目预算结余预测方法，其特征在于，包括：
根据待预测项目的业务内容获取相应的项目数据，所述项目数据包括与项目结束或结余相关的业务数据；
根据所述与项目结束或结余相关的业务数据获取关键特征；
将所述关键特征输入预先构建的预测模型，预测得到所述待预测项目的项目预算结余信息，所述预测模型是根据历史项目的训练数据进行机器学习得到的用于预测项目预算结余的模型。
2.根据权利要求1所述的方法，其特征在于，所述根据待预测项目的业务内容获取相应的项目数据，包括：
根据所述待预测项目的项目类型及与预算结余相关的业务信息，确定项目数据类型范围；
根据所述项目数据类型范围获取相应的项目数据。
3.根据权利要求1所述的方法，其特征在于，根据所述业务数据获取关键特征，包括：
从所述项目数据中提取第一类关键特征；
根据所述项目数据所包含的业务数据计算得到第二类关键特征；
依据各个所述关键特征与所述待预测项目的预算结余的关联程度，对各个所述关键特征进行排序。
4.根据权利要求1-3任一项所述的方法，其特征在于，所述将所述关键特征输入预先构建的预测模型，预测得到所述待预测项目的项目预算结余信息，包括：
选择与所述待预测项目的项目属性纬度信息相匹配的目标预测模型，所述项目属性纬度信息包括项目类型，或者，地域和时间中的至少一项及所述项目类型；
将各个所述关键特征输入所述目标预测模型，以使所述目标预测模型根据各个所述关键特征对应的数值预测得到所述待预测项目对应的预算结余预测结果。
5.根据权利要求1-3任一项所述的方法，其特征在于，在预测得到所述待预测项目的项目预算结余信息之后，所述方法还包括：
获取所述待预测项目的用户校验信息，所述用户校验信息包括所述预算结余预测结果是否准确以及当所述预算结余预测结果不准确时相应的预算结余正确结果；
当所述预算结余预测结果不准确时，将所述用户校验信息所包含的预算结余正确结果输入至所述预测模型，以使所述预测模型根据所述预算结余正确结果调整所述预测模型中的参数。
6.根据权利要求1所述的方法，其特征在于，所述训练数据包括所述历史项目的样本项目数据及对应的预算结余结果数据。
7.根据权利要求6所述的方法，其特征在于，在将所述关键特征输入预先构建的预测模型之前，所述方法还包括：
根据所述历史项目的样本项目数据获取对应的关键特征；
根据所述样本项目数据和所述预算结余结果数据进行机器学习，确定各个所述关键特征的权重及排序得到所述预测模型。
8.一种项目预算结余预测装置，其特征在于，包括：
第一获取模块，用于根据待预测项目的业务内容获取相应的项目数据，所述项目数据包括与项目结束或结余相关的业务数据；
第二获取模块，用于根据所述与项目结束或结余相关的业务数据获取关键特征；
预测模块，用于将所述关键特征输入预先构建的预测模型，预测得到所述待预测项目的项目预算结余信息，所述预测模型是根据历史项目的样本数据及预算结余结果数据进行机器学习得到的用于预测项目预算结余模型。
9.一种存储介质，其上存储有程序，其特征在于，所述程序被处理器执行时实现权利要求1至7任一项所述的项目预算结余预测方法。
10.一种处理器，所述处理器用于运行程序，其特征在于，所述程序运行时执行权利要求1至7任一项所述的项目预算结余预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810959166.4A CN110858355A (zh) | 2018-08-22 | 2018-08-22 | 项目预算结余预测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810959166.4A CN110858355A (zh) | 2018-08-22 | 2018-08-22 | 项目预算结余预测方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110858355A true CN110858355A (zh) | 2020-03-03 |
Family
ID=69634783
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810959166.4A Pending CN110858355A (zh) | 2018-08-22 | 2018-08-22 | 项目预算结余预测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110858355A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113705859A (zh) * | 2021-08-05 | 2021-11-26 | 深圳集智数字科技有限公司 | 偏差原因影响值的预测方法、装置、电子设备及存储介质 |
| WO2023282866A3 (en) * | 2021-02-26 | 2023-02-23 | Turkiye Garanti Bankasi Anonim Sirketi | A system for bill payment |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US3749892A (en) * | 1971-02-16 | 1973-07-31 | Qeleg Ltd | Accountancy system |
| US7899750B1 (en) * | 2006-10-31 | 2011-03-01 | Intuit Inc. | Goal orientated computing system implemented financial management using projected balances |
| CN103020736A (zh) * | 2012-12-12 | 2013-04-03 | 西安电子科技大学 | 一种基于异构系统集成的信息挖掘与进度预测方法 |
| CN105956985A (zh) * | 2016-06-29 | 2016-09-21 | 浪潮软件集团有限公司 | 一种财政信息共享平台、系统和方法 |
| CN106096905A (zh) * | 2016-05-31 | 2016-11-09 | 北京诚公通信工程监理股份有限公司 | 一种项目管理方法和系统 |
| CN106598925A (zh) * | 2016-11-22 | 2017-04-26 | 广州悦审软件科技有限公司 | 一种快速生成部门决算报表数据的方法及系统 |
| CN107578150A (zh) * | 2017-08-18 | 2018-01-12 | 国网浙江省电力公司湖州供电公司 | 电力系统工程自动竣工决算方法 |
| CN108241900A (zh) * | 2016-12-26 | 2018-07-03 | 北京金风科创风电设备有限公司 | 工程项目建设周期预测方法、装置和系统 |
-
2018
- 2018-08-22 CN CN201810959166.4A patent/CN110858355A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US3749892A (en) * | 1971-02-16 | 1973-07-31 | Qeleg Ltd | Accountancy system |
| US7899750B1 (en) * | 2006-10-31 | 2011-03-01 | Intuit Inc. | Goal orientated computing system implemented financial management using projected balances |
| CN103020736A (zh) * | 2012-12-12 | 2013-04-03 | 西安电子科技大学 | 一种基于异构系统集成的信息挖掘与进度预测方法 |
| CN106096905A (zh) * | 2016-05-31 | 2016-11-09 | 北京诚公通信工程监理股份有限公司 | 一种项目管理方法和系统 |
| CN105956985A (zh) * | 2016-06-29 | 2016-09-21 | 浪潮软件集团有限公司 | 一种财政信息共享平台、系统和方法 |
| CN106598925A (zh) * | 2016-11-22 | 2017-04-26 | 广州悦审软件科技有限公司 | 一种快速生成部门决算报表数据的方法及系统 |
| CN108241900A (zh) * | 2016-12-26 | 2018-07-03 | 北京金风科创风电设备有限公司 | 工程项目建设周期预测方法、装置和系统 |
| CN107578150A (zh) * | 2017-08-18 | 2018-01-12 | 国网浙江省电力公司湖州供电公司 | 电力系统工程自动竣工决算方法 |
Non-Patent Citations (1)
| Title |
|---|
| 韦鹏程: "《基于R语言数据挖掘的统计与分析》", 31 December 2017, 电子科技大学出版社 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023282866A3 (en) * | 2021-02-26 | 2023-02-23 | Turkiye Garanti Bankasi Anonim Sirketi | A system for bill payment |
| CN113705859A (zh) * | 2021-08-05 | 2021-11-26 | 深圳集智数字科技有限公司 | 偏差原因影响值的预测方法、装置、电子设备及存储介质 |
| CN113705859B (zh) * | 2021-08-05 | 2024-04-19 | 深圳须弥云图空间科技有限公司 | 偏差原因影响值的预测方法、装置、电子设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11281969B1 (en) | Artificial intelligence system combining state space models and neural networks for time series forecasting | |
| Defersha et al. | A linear programming embedded genetic algorithm for an integrated cell formation and lot sizing considering product quality | |
| CN106549772A (zh) | 资源预测方法、系统和容量管理装置 | |
| WO2005107114A2 (en) | Control service capacity | |
| CN111429006A (zh) | 金融风险指标预测模型构建、风险态势预测方法和装置 | |
| WO2003100694A1 (en) | Dynamic cost accounting | |
| US20080195451A1 (en) | Automated data management for performance reports | |
| KR102574244B1 (ko) | 어텐션 메커니즘 기반의 미래 수요 예측 데이터 생성방법 및 장치 | |
| US20190138913A1 (en) | Prediction model generation device, prediction model generation method, and recording medium | |
| JP2019028871A (ja) | プロジェクト管理支援装置、プロジェクト管理支援方法およびプログラム | |
| JP2001125962A (ja) | 企業診断及び経営意思決定支援システム | |
| CN111932044A (zh) | 一种基于机器学习的钢铁产品价格预测系统和方法 | |
| JP2008021020A (ja) | 販売計画作成支援システム | |
| CN110858355A (zh) | 项目预算结余预测方法及装置 | |
| CN110263136B (zh) | 基于强化学习模型向用户推送对象的方法和装置 | |
| Lueg et al. | Understanding the error-structure of Time-driven Activity-based Costing: A pilot implementation at a European manufacturing company | |
| CN114581220B (zh) | 数据处理方法、设备及分布式计算系统 | |
| CN115169658B (zh) | 基于npl和知识图谱的库存消耗预测方法、系统和存储介质 | |
| CN113313562B (zh) | 产品数据处理方法、装置、计算机设备和存储介质 | |
| CN113657945A (zh) | 用户价值预测方法、装置、电子设备和计算机存储介质 | |
| KR20160085325A (ko) | 프린터 자원들의 소비를 측정하고 환경 오프셋들을 거래하는 자동화된 컴퓨터 제어 시스템 | |
| JP2020115276A (ja) | 情報処理方法、情報処理装置、プログラム及び学習済みモデルの生成方法 | |
| JP2020145910A (ja) | 電力需給予測自動化システムおよび電力需給予測自動化方法 | |
| CN117933677B (zh) | 基于区域调频的水力发电厂关联数据预测方法和装置 | |
| CN114328472B (zh) | 一种基于ai的数据迁移方法及系统 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200303 |