CN110928751A - 任务处理时间自动预测方法、装置、介质及电子设备 - Google Patents

任务处理时间自动预测方法、装置、介质及电子设备 Download PDF

Info

Publication number
CN110928751A
CN110928751A CN201910969526.3A CN201910969526A CN110928751A CN 110928751 A CN110928751 A CN 110928751A CN 201910969526 A CN201910969526 A CN 201910969526A CN 110928751 A CN110928751 A CN 110928751A
Authority
CN
China
Prior art keywords
task
time
processing time
estimated
subsequent
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
Application number
CN201910969526.3A
Other languages
English (en)
Other versions
CN110928751B (zh
Inventor
徐欣星
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Saiante Technology Service Co Ltd
Original Assignee
Ping An International Smart City Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Ping An International Smart City Technology Co Ltd filed Critical Ping An International Smart City Technology Co Ltd
Priority to CN201910969526.3A priority Critical patent/CN110928751B/zh
Publication of CN110928751A publication Critical patent/CN110928751A/zh
Priority to PCT/CN2020/106287 priority patent/WO2021068617A1/zh
Application granted granted Critical
Publication of CN110928751B publication Critical patent/CN110928751B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
    • G06F11/3409—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment for performance assessment
    • G06F11/3419—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment for performance assessment by assessing time
    • G06F11/3423—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment for performance assessment by assessing time where the assessed time is active or idle time
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
    • G06F11/3452—Performance evaluation by statistical analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Quality & Reliability (AREA)
  • Computer Hardware Design (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computing Systems (AREA)
  • Evolutionary Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Debugging And Monitoring (AREA)

Abstract

本申请提供了一种任务处理时间自动预测方法、装置、介质及电子设备。该方法包括：获取任务的关键信息，从关键信息获取任务出现的次数，并将第一次出现的任务作为首次任务，将第二次以上出现的任务作为后续任务；对于一个后续任务，将该后续任务中的关键信息发送至第二机器学习模型得到第一预估后续任务处理时间T1；获取该后续任务对应的首次任务实际花费时间T0，将该后续任务出现的次数n、实际花费时间T0带入公式T2＝T0(n‑1)λn‑1得到第二预估后续任务处理时间T2，其中，λ为折损系数；将第一预估处理时间和第二预估处理时间带入公式T＝T1α1+T2α2得到预估任务处理时间T，其中，α1+α2＝1，α1为第一预估处理时间所占权重，α2为第二预估处理时间所占权重。本申请能够自动预估任务处理时间。

Description

任务处理时间自动预测方法、装置、介质及电子设备
技术领域
本申请涉及通信技术领域，特别涉及一种任务处理时间自动预测方法、装置、介质及电子设备。
背景技术
由于当今各行各业的信息化、智能化建设越来越普及，人们对办事效率的要求越来越高，对时间的规划也越来越具体。在处理任务时，给用户提供花费时间参考可以帮助人们更好的规划时间，因此，能够自动估计出处理任务花费的时间具有十分重要的意义。
发明内容
本申请旨在提供任务处理时间自动预测方法、装置、介质及电子设备，其能够自动预测出任务处理时间。
根据本申请实施例的一个方面，提供了一种任务处理时间自动预测方法，包括：获取任务的关键信息，从所述关键信息获取所述任务出现的次数，并将第一次出现的所述任务作为首次任务，将第二次以上出现的所述任务作为后续任务；对于一个后续任务，将该后续任务中的所述关键信息发送至第二机器学习模型得到第一预估后续任务处理时间T1；获取该后续任务对应的首次任务实际花费时间T0，将该后续任务出现的次数n、所述实际花费时间T0带入公式T2＝T0(n-1)λn-1得到第二预估后续任务处理时间T2，其中，λ为折损系数；将所述第一预估处理时间和所述第二预估处理时间带入公式T＝T1α1+T2α2得到预估任务处理时间T，其中，α1+α2＝1，α1为所述第一预估处理时间所占权重，α2为所述第二预估处理时间所占权重。
根据本申请实施例的一个方面，提供了一种任务处理时间自动预测装置，包括：获取模块，用于获取任务的关键信息，从所述关键信息获取所述任务出现的次数，并将第一次出现的所述任务作为首次任务，将第二次以上出现的所述任务作为后续任务；第一发送模块，用于对于一个后续任务，将该后续任务中的所述关键信息发送至第二机器学习模型得到第一预估后续任务处理时间T1；所述获取模块还用于获取该后续任务对应的首次任务实际花费时间T0；计算模块，用于将所述任务出现的次数n、所述实际花费时间T0带入公式T2＝T0(n-1)λn-1得到第二预估后续任务处理时间T2，其中，λ为折损系数；将所述第一预估处理时间和所述第二预估处理时间带入公式T＝T1α1+T2α2得到预估任务处理时间T，其中，α1+α2＝1，α1为所述第一预估处理时间所占权重，α2为所述第二预估处理时间所占权重。
在本申请的一些实施例中，基于前述方案，所述任务处理时间自动预测装置还包括：第二发送模块，用于对于一个首次任务，将所述首次任务中的所述关键信息发送至第一机器学习模型得到所述预估任务处理时间T。
在本申请的一些实施例中，基于前述方案，所述获取模块配置为：获取任务列表中在当前任务与目标任务之间的每个任务的关键信息；在得到所述预估任务处理时间T之后，所述任务处理时间自动预测装置还包括：预估模块，用于基于所述当前任务与所述目标任务之间的每个所述任务的所述预估任务处理时间T的和，确定所述目标任务的预计开始时间。
在本申请的一些实施例中，基于前述方案，所述任务处理时间自动预测装置还包括：确定模块，用于接收到所述当前任务与所述目标任务之间的一个所述任务执行完成的通知；从所述通知中获取所述任务的执行时间；确定所述执行时间与所述任务的所述预估任务处理时间T的差值；利用所述差值，调整所述目标任务的所述预计开始时间。
在本申请的一些实施例中，基于前述方案，所述确定模块配置为：如果所述任务是首次任务、且差值不为0，用所述首次任务中的所述关键信息、和所述任务的所述执行时间作为一个样本，重新训练所述第一机器学习模型。
在本申请的一些实施例中，基于前述方案，所述确定模块还配置为：如果所述任务是后续任务、且所述差值不为0，将所述任务的执行时间作为T代入T＝T1α1+T2α2，求得所述第二机器学习模型应当输出的所述第二预估后续任务处理时间T2；将所述后续任务中的所述关键信息、所述第二机器学习模型应当输出的所述第二预估后续任务处理时间T2作为一个样本，重新训练所述第二机器学习模型。
在本申请的一些实施例中，基于前述方案，所述获取模块还配置为：获取所述任务列表中在所述当前任务与所述目标任务之间的每个所述任务、以及所述目标任务的所述关键信息；所述预估模块还配置为：用于在所述目标任务的所述预计开始时间基础上，加上所述目标任务的所述预估任务处理时间T，得到所述目标任务的预计结束时间；将所述预计结束时间与设定时间比较，当所述预计结束时间超出所述设定时间时，向用户发送提醒。
根据本申请实施例的一个方面，提供了一种计算机可读程序介质，其存储有计算机程序指令，当所述计算机程序指令被计算机执行时，使计算机执行上任一项所述的方法。
根据本申请实施例的一个方面，提供了一种电子装置，包括：处理器；存储器，所述存储器上存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，实现如上任一项所述的方法。
本申请的实施例提供的技术方案可以包括以下有益效果：
在本申请的一些实施例所提供的技术方案中，通过获取任务的关键信息，从关键信息获取任务出现的次数，并将第一次出现的任务作为首次任务，将第二次以上出现的任务作为后续任务。对于一个后续任务，将该后续任务中的关键信息发送至第二机器学习模型得到第一预估后续任务处理时间T1。由于后续任务的预估处理时间与该后续任务第一次出现时的处理时间相关，因此再获取该后续任务对应的首次任务实际花费时间T0，将该后续任务出现的次数n、实际花费时间T0带入公式T2＝T0(n-1)λn-1得到第二预估后续任务处理时间T2，其中，λ为折损系数。该后续任务出现的次数越多，处理该后续任务所花的时间越少。再将第一预估处理时间和第二预估处理时间带入公式T＝T1α1+T2α2得到预估任务处理时间T，其中，α1+α2＝1，α1为第一预估处理时间所占权重，α2为第二预估处理时间所占权重。将通过两种方法求得的第一预估处理时间和第二预估处理时间进行整合处理，得到的预估任务处理时间能够估计出任务处理花费的时间。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性的，并不能限制本申请。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并于说明书一起用于解释本申请的原理。
图1示出了可以应用本申请实施例的技术方案的示例性系统架构的示意图；
图2示意性示出了根据本申请的一个实施例的预估处理时间方法的流程图；
图3示意性示出了根据本申请的一个实施例的预估处理时间方法的流程图；
图4示意性示出了根据本申请的一个实施例的预估处理时间方法调整的流程图；
图5示意性示出了根据本申请的一个实施例的预估处理时间装置的框图；
图6是根据一示例性实施例示出的一种电子装置的硬件图。
图7是根据一示例性实施例示出的一种用于实现上述预估处理时间方法的计算机可读存储介质。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本申请将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。
此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中，提供许多具体细节从而给出对本申请的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本申请的技术方案而没有特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知方法、装置、实现或者操作以避免模糊本申请的各方面。
附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。
图1示出了可以应用本申请实施例的技术方案的示例性系统架构100的示意图。
如图1所示，系统架构100可以包括终端设备101(终端设备可以为智能手机、平板电脑、便携式计算机、台式计算机、挂号机中的一种或多种)、网络102、服务器103和分诊台104。网络102用以在终端设备101和服务器103之间提供通信链路的介质。网络102可以包括各种连接类型，例如有线通信链路、无线通信链路等等。
应该理解，图1中的终端设备101、网络102、服务器103和分诊台104的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备101、网络102、服务器103和分诊台104。比如服务器103可以是多个服务器组成的服务器集群等。
在本申请的一个实施例中，分诊台104可以获取用户从终端设备101分配的任务和任务的关键信息，这些任务可以是程序测试、挂号就诊等需要花费时间处理的任务，分诊台104将这些任务和任务的关键信息发送给服务器103。用户可以通过终端设备101中的客户端或网页分配任务。服务器103通过获取任务的关键信息，从关键信息获取任务出现的次数，并将第一次出现的任务作为首次任务，将第二次以上出现的任务作为后续任务。对于一个后续任务，服务器103将该后续任务中的关键信息发送至第二机器学习模型得到第一预估后续任务处理时间T1。由于后续任务的预估处理时间与该后续任务第一次出现时的处理时间相关，并且该后续任务出现的次数越多，处理该后续任务所花的时间越少。因此服务器103再获取该后续任务对应的首次任务实际花费时间T0，将该后续任务出现的次数n、实际花费时间T0带入公式T2＝T0(n-1)λn-1得到第二预估后续任务处理时间T2，其中，λ为折损系数。服务器103再将第一预估处理时间和第二预估处理时间带入公式T＝T1α1+T2α2得到预估任务处理时间T，其中，α1+α2＝1，α1为第一预估处理时间所占权重，α2为第二预估处理时间所占权重。服务器103将通过两种方法求得的第一预估处理时间和第二预估处理时间进行整合处理，得到的预估任务处理时间能够估计出任务处理花费的时间。
需要说明的是，本申请实施例所提供的预估处理时间方法一般由服务器103执行，相应地，预估处理时间装置一般设置于服务器103中。但是，在本申请的其它实施例中，终端设备101也可以与服务器103具有相似的功能，从而执行本申请实施例所提供的预估处理时间方法。
以下对本申请实施例的技术方案的实现细节进行详细阐述：
图2示意性示出了根据本申请的一个实施例的预估处理时间方法的流程图，该预估处理时间方法的执行主体可以是服务器，比如可以是图1中所示的服务器103。
参照图2所示，该预估处理时间方法至少包括步骤S210至步骤S240，详细介绍如下：
在步骤S210中，获取任务的关键信息，从关键信息获取任务出现的次数，并将第一次出现的任务作为首次任务，将第二次以上出现的任务作为后续任务。
在本申请的一个实施例中，任务的关键信息可以为任务中包含的、与预设关键字对照表中的字一致的字符。任务的关键信息可以为任务中包含的、与预设关键字对照表中的字一致的字符所对应的字符。
在本申请的一个实施例中，任务可以是程序测试，任务的关键信息可以包括程序名称、测试项目、测试方法、测试次数等。根据测试次数可以获取该程序测试任务出现的次数，将第一次使用该种方法进行该项测试的该程序测试作为首次任务，将第二次以上测试该程序测试作为后续任务。
在本申请的一个实施例中，任务可以是挂号就诊，任务的关键信息可以包括用户姓名、挂号科室、就诊医生、就诊次数等，其中，就诊次数为该用户就诊本次就诊疾病的次数。将第一次就诊为首次任务，将第二次以上就诊本次就诊疾病作为后续任务。
在本申请的一个实施例中，任务可以是挂号就诊，任务的关键信息可以包括用户姓名、挂号科室、就诊医生、挂号时间等。可以根据用户姓名查找用户的就诊记录，比较就诊记录与本次挂号看诊中的挂号科室、就诊医生是否相同，若挂号科室、就诊医生都相同，则获取就诊记录中的病情描述，获取病情描述中记录的复诊时间区间，比较复诊时间区间和本次挂号时间，若本次挂号在复诊时间区间内，则确认本次挂号就诊为后续任务。
在步骤S220中，对于一个后续任务，将该后续任务中的关键信息发送至第二机器学习模型得到第一预估后续任务处理时间T1。
在本申请的一个实施例中，第二机器学习模型通过以下方式预先训练而成：获取任务样本集合，任务样本集合中的每个任务样本对应的第一预估后续任务处理时间已知；对于任务样本集合中的每个任务样本，获取该任务样本的关键信息；将关键信息输入第二机器学习模型，获取第二机器学习模型输出的第一预估后续任务处理时间。
在该实施例中，可以先获取历史任务、历史任务关键信息和历史任务的实际处理时间。任务样本集合可以为历史任务集合，每个历史任务对应的第一预估后续任务处理时间可以为该历史任务的实际处理时间。
在步骤S230中，获取该后续任务对应的首次任务实际花费时间T0，将该后续任务出现的次数n、实际花费时间T0带入公式T2＝T0(n-1)λn-1得到第二预估后续任务处理时间T2，其中，λ为折损系数。
在本申请的一个实施例中，任务可以是程序测试，在程序测试中，首次测试该程序时花费时间为T0，在后续测试该程序时，由于相同的计算已经被完成并存储，再次测试该程序花费的时间相对于首次测试该程序时花费的时间少，同时，由于后续测试时可以只测试上一次测试时出现问题的部分，随着测试次数的增加，出现问题的部分越来越少，花费的时间就越来越少。因此后续测试程序花费的时间相对于首次测试程序花费的时间发生折损，折损系数λ可以根据历史数据设定。
在本申请的一个实施例中，任务可以是挂号就诊，在挂号就诊时，首次就诊花费时间为T0，在后续就诊相同疾病时，由于医生已经对患者病情有所了解，后续就诊花费的时间相对于首次就诊花费的时间更少。并且，由于根据上一次就诊结果可以筛选出患者在上一次就诊到本次就诊时间段内不会发生的疾病，免去对患者不会发生的疾病的筛查，后续就诊相同疾病就诊花费的时间相对于首次就诊花费的时间也会减少。同时，由于随着患者的治疗，患者的疾病会逐渐减轻，患者就诊的次数越多，花费的时间就越少。因此后续挂号就诊花费的时间相对于首次就诊花费的时间发生折损，折损系数λ可以根据历史数据设定。
在步骤S240中，将第一预估处理时间和第二预估处理时间带入公式T＝T1α1+T2α2得到预估任务处理时间T，其中，α1+α2＝1，α1为第一预估处理时间所占权重，α2为第二预估处理时间所占权重。
在本申请的一些实施例所提供的技术方案中，通过获取任务的关键信息，从关键信息获取任务出现的次数，并将第一次出现的任务作为首次任务，将第二次以上出现的任务作为后续任务。对于一个后续任务，将该后续任务中的关键信息发送至第二机器学习模型得到第一预估后续任务处理时间T1。由于后续任务的预估处理时间与该后续任务第一次出现时的处理时间相关，因此再获取该后续任务对应的首次任务实际花费时间T0，将该后续任务出现的次数n、实际花费时间T0带入公式T2＝T0(n-1)λn-1得到第二预估后续任务处理时间T2，其中，λ为折损系数。该后续任务出现的次数越多，处理该后续任务所花的时间越少。再将第一预估处理时间和第二预估处理时间带入公式T＝T1α1+T2α2得到预估任务处理时间T，其中，α1+α2＝1，α1为第一预估处理时间所占权重，α2为第二预估处理时间所占权重。将通过两种方法求得的第一预估处理时间和第二预估处理时间进行整合处理，得到的预估任务处理时间T能够估计出任务处理花费的时间。
在本申请的一个实施例中，对于一个首次任务，将首次任务中的关键信息发送至第一机器学习模型得到预估任务处理时间T。
在本申请的一个实施例中，第一机器学习模型通过以下方式预先训练而成：获取任务样本集合，任务样本集合中的每个任务样本对应的预估任务处理时间已知；对于任务样本集合中的每个任务样本，获取该任务样本的关键信息；将关键信息输入第一机器学习模型，获取第一机器学习模型输出的预估任务处理时间。
在该实施例中，可以先获取历史任务、历史任务关键信息和历史任务的实际处理时间。任务样本集合可以为历史任务集合，每个历史任务对应的预估任务处理时间可以为该历史任务的实际处理时间。
图3示意性示出了根据本申请的一个实施例的预估处理时间方法的流程图，该网络内容处理方法的执行主体可以是服务器，比如可以是图1中所示的服务器103。
参照图3所示，该预估处理时间方法至少包括步骤S310至步骤S370，详细介绍如下：
在步骤S310中，获取任务列表中在当前任务与目标任务之间的每个任务的关键信息，根据关键信息获取每个任务出现的次数；
在步骤S320中，根据任务出现的次数判断任务是首次任务还是后续任务，将第一次出现的任务作为首次任务，将第二次以上出现的任务作为后续任务；
在步骤S330中，对于一个后续任务，将该后续任务中的关键信息发送至第二机器学习模型得到第一预估后续任务处理时间T1；
在步骤S340中，获取该后续任务对应的首次任务实际花费时间T0，将该后续任务出现的次数n、实际花费时间T0带入公式T2＝T0(n-1)λn-1得到第二预估后续任务处理时间T2，其中，λ为折损系数；
在步骤S350中，将第一预估处理时间和第二预估处理时间带入公式T＝T1α1+T2α2得到预估任务处理时间T，其中，α1+α2＝1，α1为第一预估处理时间所占权重，α2为第二预估处理时间所占权重；
在步骤S360中，对于一个首次任务，将首次任务中的关键信息发送至第一机器学习模型得到预估任务处理时间T；
在步骤S370中，基于当前任务与目标任务之间的每个任务的预估任务处理时间T的和，确定目标任务的预计开始时间。
在本申请的一些实施例所提供的技术方案中，通过获取任务列表中在当前任务与目标任务之间每个任务的关键信息，预估出在当前任务与目标任务之间每个任务的预计处理时间，将当前任务与目标任务之间每个任务的预计处理时间求和，就能够确定目标任务的预计开始时间。
在本申请的一个实施例中，确定目标任务的预计开始时间之后，可以向用户发送该预计开始时间，使用户能够获知目标任务的开始处理时间。
在本申请的一个实施例中，确定目标任务的预计开始时间之后，可以在距离预计开始时间之前设定时间内，向用户发送提醒，用户也可以根据需要设定提醒时间，通过提醒用户使用户避免错过目标任务的处理。
在本申请的一个实施例中，当任务是程序测试时，当用户需要观察目标程序测试过程时，获取目标程序测试之前的其他程序测试关键信息，根据其他程序测试关键信息预估出目标程序测试的预计开始时间，当距离预计开始时间间隔小于设定时间间隔时，向用户发送目标程序测试提醒，用户接收到提醒后再等待观察目标程序测试，可以在避免用户错过目标程序测试过程的同时，尽量减少用户的等待时间，优化用户的体验。
在本申请的一个实施例中，当任务是挂号就诊时，目标用户的挂号就诊是目标任务，目标用户通过客户终端如手机或挂号机进行挂号，获得当前用户和目标用户之间的用户的关键信息后，根据当前用户和目标用户之间的用户的关键信息预估出目标用户就诊的预计开始时间，当距离预计开始时间间隔小于设定时间间隔时，向目标用户发送就诊提醒。目标用户接收到就诊提醒后再到医院等就诊区域等待就诊，可以在防止用户错过就诊的同时，避免用户在医院等病患较多的区域内等待，防止用户在等待时被感染其他疾病，也缓解了医院的人流压力。
继续参照图3，在本申请的一个实施例中，该预估处理时间方法还可以通过以下步骤进行调整：
在步骤S380中，接收到当前任务与目标任务之间的一个任务执行完成的通知；从通知中获取任务的执行时间；确定执行时间与任务的预估任务处理时间T的差值；利用差值，调整目标任务的预计开始时间。
在该实施例中，通过在当前任务与目标任务之间的一个任务执行完成后，及时调整目标任务的预计开始时间，使获得的目标任务预计开始时间更加准确。
需要说明的是，图3只是示意性的给出了本申请一个实施例的预估处理时间方法的步骤，步骤S380可以在步骤S370前执行，步骤S380也可以在步骤S370之后执行。
在本申请的一个实施例中，参照图4所示，该预估处理时间方法中服务器103还可以通过以下步骤进行调整：
在步骤S410中，获取任务列表中在当前任务与目标任务之间的每个任务的关键信息，根据关键信息获取每个任务出现的次数；
在步骤S420中，接收到当前任务与目标任务之间的一个任务执行完成的通知；从通知中获取任务的执行时间；确定执行时间与任务的预估任务处理时间T的差值；
在步骤S430中，根据完成的任务出现的次数，确定完成的任务是首次任务还是后续任务；
在步骤S440中，如果任务是首次任务、且差值不为0，用首次任务中的关键信息、和任务的执行时间作为一个样本，重新训练第一机器学习模型；
在步骤S450中，如果任务是后续任务、且差值不为0，将任务的执行时间作为T代入T＝T1α1+T2α2求得第二机器学习模型应当输出的第二预估后续任务处理时间T2；将后续任务中的关键信息、第二机器学习模型应当输出的第二预估后续任务处理时间T2作为一个样本，重新训练第二机器学习模型。
在该实施例中，通过根据任务的执行时间和预估任务处理时间之间的差值对第一机器学习模型和第二机器学习模型重新训练，使获得的预估任务处理时间越来越准确。
在本申请的一个实施例中，在获得目标任务的预计开始时间基础上，可以获得目标任务的预计处理时间。将目标任务的预计开始加上目标任务的预估任务处理时间，得到目标任务的预计结束时间；将预计结束时间与设定时间比较，当预计结束时间超出设定时间时，向用户发送提醒，使用户提前获知任务何时结束。
在本申请的一个实施例中，当目标任务是目标程序测试时，若目标程序测试的预计结束时间超出用户原本预计的观察时间时，用户可以另外选择时间进行测试目标程序。用户也可以根据其他程序测试的预计结束时间合理选择其他程序进行测试。
在本申请的一个实施例中，当目标任务是挂号就诊时，若目标用户得知自己的看诊预计结束时间会超过医生的工作时间时，可以另外选择时间进行就诊，防止一次就诊两次挂号的情况，避免浪费挂号费用。用户提前得知就诊预计结束时间后，用户也可以根据就诊预计结束时间合理安排行程。
以下介绍本申请的装置实施例，可以用于执行本申请上述实施例中的任务处理时间方法。对于本申请装置实施例中未披露的细节，请参照本申请上述的任务处理时间方法的实施例。
图5示意性示出了根据本申请的一个实施例的任务处理时间装置的框图。
参照图5所示，根据本申请的一个实施例的任务处理时间装置500，包括获取模块501、第一发送模块502和计算模块503。
在本申请的一些实施例中，基于前述方案，获取模块501用于获取任务的关键信息，从关键信息获取任务出现的次数，并将第一次出现的任务作为首次任务，将第二次以上出现的任务作为后续任务；第一发送模块502用于对于一个后续任务，将该后续任务中的关键信息发送至第二机器学习模型得到第一预估后续任务处理时间T1；获取模块501还用于获取该后续任务对应的首次任务实际花费时间T0；计算模块503用于将任务出现的次数n、实际花费时间T0带入公式T2＝T0(n-1)λn-1得到第二预估后续任务处理时间T2，其中，λ为折损系数；将第一预估处理时间和第二预估处理时间带入公式T＝T1α1+T2α2得到预估任务处理时间T，其中，α1+α2＝1，α1为第一预估处理时间所占权重，α2为第二预估处理时间所占权重。
在本申请的一些实施例中，基于前述方案，任务处理时间自动预测装置还包括：第二发送模块，用于对于一个首次任务，将首次任务中的关键信息发送至第一机器学习模型得到预估任务处理时间T。
在本申请的一些实施例中，基于前述方案，获取模块501配置为：获取任务列表中在当前任务与目标任务之间的每个任务的关键信息；在得到预估任务处理时间T之后，任务处理时间自动预测装置还包括：预估模块，用于基于当前任务与目标任务之间的每个任务的预估任务处理时间T的和，确定目标任务的预计开始时间。
在本申请的一些实施例中，基于前述方案，任务处理时间自动预测装置还包括：确定模块，用于接收到当前任务与目标任务之间的一个任务执行完成的通知；从通知中获取任务的执行时间；确定执行时间与任务的预估任务处理时间T的差值；利用差值，调整目标任务的预计开始时间。
在本申请的一些实施例中，基于前述方案，确定模块配置为：如果任务是首次任务、且差值不为0，用首次任务中的关键信息、和任务的执行时间作为一个样本，重新训练第一机器学习模型。
在本申请的一些实施例中，基于前述方案，确定模块还配置为：如果任务是后续任务、且差值不为0，将任务的执行时间作为T代入T＝T1α1+T2α2，求得第二机器学习模型应当输出的第二预估后续任务处理时间T2；将后续任务中的关键信息、第二机器学习模型应当输出的第二预估后续任务处理时间T2作为一个样本，重新训练第二机器学习模型。
在本申请的一些实施例中，基于前述方案，获取模块501还配置为：获取任务列表中在当前任务与目标任务之间的每个任务、以及目标任务的关键信息；预估模块还配置为：用于在目标任务的预计开始时间基础上，加上目标任务的预估任务处理时间T，得到目标任务的预计结束时间；将预计结束时间与设定时间比较，当预计结束时间超出设定时间时，向用户发送提醒。
所属技术领域的技术人员能够理解，本申请的各个方面可以实现为系统、方法或程序产品。因此，本申请的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。
下面参照图6来描述根据本申请的这种实施方式的电子设备60。图6显示的电子设备60仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图6所示，电子设备60以通用计算设备的形式表现。电子设备60的组件可以包括但不限于：上述至少一个处理单元61、上述至少一个存储单元62、连接不同系统组件(包括存储单元62和处理单元61)的总线63、显示单元64。
其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元61执行，使得所述处理单元61执行本说明书上述“实施例方法”部分中描述的根据本申请各种示例性实施方式的步骤。
存储单元62可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)621和/或高速缓存存储单元622，还可以进一步包括只读存储单元(ROM)623。
存储单元62还可以包括具有一组(至少一个)程序模块625的程序/实用工具624，这样的程序模块625包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线63可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备60也可以与一个或多个外部设备(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备60交互的设备通信，和/或与使得该电子设备60能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口65进行。并且，电子设备60还可以通过网络适配器66与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器66通过总线63与电子设备60的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备60使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本申请实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本申请实施方式的方法。
根据本申请一个实施例，还提供了一种计算机可读存储介质，其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中，本申请的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本申请各种示例性实施方式的步骤。
参考图7所示，描述了根据本申请的实施方式的用于实现上述方法的程序产品70，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本申请的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本申请操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
此外，上述附图仅是根据本申请示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。
应当理解的是，本申请并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围执行各种修改和改变。本申请的范围仅由所附的权利要求来限制。

Claims (10)

1.一种任务处理时间自动预测方法，其特征在于，包括：
获取任务的关键信息，从所述关键信息获取所述任务出现的次数，并将第一次出现的所述任务作为首次任务，将第二次以上出现的所述任务作为后续任务；
对于一个后续任务，将该后续任务中的所述关键信息发送至第二机器学习模型得到第一预估后续任务处理时间T1；
获取该后续任务对应的首次任务实际花费时间T0，将该后续任务出现的次数n、所述实际花费时间T0带入公式T2＝T0(n-1)λn-1得到第二预估后续任务处理时间T2，其中，λ为折损系数；
将所述第一预估处理时间和所述第二预估处理时间带入公式T＝T1α1+T2α2得到预估任务处理时间T，其中，α1+α2＝1，α1为所述第一预估处理时间所占权重，α2为所述第二预估处理时间所占权重。
2.根据权利要求1所述的任务处理时间自动预测方法，其特征在于，在所述获取任务的关键信息之后，所述方法还包括：
对于一个首次任务，将所述首次任务中的所述关键信息发送至第一机器学习模型得到所述预估任务处理时间T。
3.根据权利要求2所述的任务处理时间自动预测方法，其特征在于，所述获取任务的关键信息，包括：
获取任务列表中在当前任务与目标任务之间的每个任务的关键信息；
在得到所述预估任务处理时间T之后，所述方法还包括：
基于所述当前任务与所述目标任务之间的每个所述任务的所述预估任务处理时间T的和，确定所述目标任务的预计开始时间。
4.根据权利要求3所述的任务处理时间自动预测方法，其特征在于，在基于所述当前任务与所述目标任务之间的每所述个任务的预估任务处理时间T的和，确定所述目标任务的预计开始时间之后，所述方法还包括：
接收到所述当前任务与所述目标任务之间的一个所述任务执行完成的通知；
从所述通知中获取所述任务的执行时间；
确定所述执行时间与所述任务的所述预估任务处理时间T的差值；
利用所述差值，调整所述目标任务的所述预计开始时间。
5.根据权利要求4所述的任务处理时间自动预测方法，其特征在于，在确定所述执行时间与所述任务的所述预估任务处理时间T的差值之后，所述方法还包括：
如果所述任务是首次任务、且差值不为0，用所述首次任务中的所述关键信息、和所述任务的所述执行时间作为一个样本，重新训练所述第一机器学习模型。
6.根据权利要求4所述的任务处理时间自动预测方法，其特征在于，在确定所述执行时间与所述任务的所述预估任务处理时间T的差值之后，所述方法还包括：
如果所述任务是后续任务、且所述差值不为0，将所述任务的执行时间作为T代入T＝T1α1+T2α2
求得所述第二机器学习模型应当输出的所述第二预估后续任务处理时间T2；
将所述后续任务中的所述关键信息、所述第二机器学习模型应当输出的所述第二预估后续任务处理时间T2作为一个样本，重新训练所述第二机器学习模型。
7.根据权利要求3所述的任务处理时间自动预测方法，其特征在于，所述获取任务列表中在当前任务与目标任务之间的每个任务的关键信息，包括：获取所述任务列表中在所述当前任务与所述目标任务之间的每个所述任务、以及所述目标任务的所述关键信息；
在基于所述当前任务与所述目标任务之间的每个所述任务的所述预估任务处理时间T的和，确定所述目标任务的所述预计开始时间之后，所述方法还包括：
在所述目标任务的所述预计开始时间基础上，加上所述目标任务的所述预估任务处理时间T，得到所述目标任务的预计结束时间；
将所述预计结束时间与设定时间比较，当所述预计结束时间超出所述设定时间时，向用户发送提醒。
8.一种任务处理时间自动预测装置，其特征在于，包括：
获取模块，用于获取任务的关键信息，从所述关键信息获取所述任务出现的次数，并将第一次出现的所述任务作为首次任务，将第二次以上出现的所述任务作为后续任务；
第一发送模块，用于对于一个后续任务，将该后续任务中的所述关键信息发送至第二机器学习模型得到第一预估后续任务处理时间T1；
所述获取模块还用于获取该后续任务对应的首次任务实际花费时间T0；
计算模块，用于将所述任务出现的次数n、所述实际花费时间T0带入公式T2＝T0(n-1)λn-1得到第二预估后续任务处理时间T2，其中，λ为折损系数；将所述第一预估处理时间和所述第二预估处理时间带入公式T＝T1α1+T2α2得到预估任务处理时间T，其中，α1+α2＝1，α1为所述第一预估处理时间所占权重，α2为所述第二预估处理时间所占权重。
9.一种计算机可读程序介质，其特征在于，其存储有计算机程序指令，当所述计算机程序指令被计算机执行时，使计算机执行根据权利要求1至7中任一项所述的方法。
10.一种电子装置，其特征在于，包括：
处理器；
存储器，所述存储器上存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，实现如权利要求1至7任一项所述的方法。
CN201910969526.3A 2019-10-12 2019-10-12 任务处理时间自动预测方法、装置、介质及电子设备 Active CN110928751B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201910969526.3A CN110928751B (zh) 2019-10-12 2019-10-12 任务处理时间自动预测方法、装置、介质及电子设备
PCT/CN2020/106287 WO2021068617A1 (zh) 2019-10-12 2020-07-31 任务处理时间自动预测方法、装置、电子设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910969526.3A CN110928751B (zh) 2019-10-12 2019-10-12 任务处理时间自动预测方法、装置、介质及电子设备

Publications (2)

Publication Number Publication Date
CN110928751A true CN110928751A (zh) 2020-03-27
CN110928751B CN110928751B (zh) 2021-07-16

Family

ID=69848860

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910969526.3A Active CN110928751B (zh) 2019-10-12 2019-10-12 任务处理时间自动预测方法、装置、介质及电子设备

Country Status (2)

Country Link
CN (1) CN110928751B (zh)
WO (1) WO2021068617A1 (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111736979A (zh) * 2020-08-06 2020-10-02 四川新网银行股份有限公司 一种评估银行批量作业健康状态与调整时间窗口的方法
CN112232649A (zh) * 2020-10-09 2021-01-15 杭州拼便宜网络科技有限公司 一种任务处理评估方法及其系统、设备
WO2021068617A1 (zh) * 2019-10-12 2021-04-15 平安国际智慧城市科技股份有限公司 任务处理时间自动预测方法、装置、电子设备及介质
CN113360270A (zh) * 2021-06-30 2021-09-07 杭州数梦工场科技有限公司 一种数据清洗任务处理方法及装置

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115396691A (zh) * 2021-05-21 2022-11-25 北京金山云网络技术有限公司 一种数据流处理方法、装置及电子设备
CN113485258B (zh) * 2021-06-10 2022-10-25 西安交通大学 一种燃煤电厂的控制逻辑最长执行时间的预测方法及系统
CN116757650B (zh) * 2023-08-21 2023-11-14 欧特朗(日照)云科技有限公司 一种基于机器学习的项目管理及资源调度的方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104123214A (zh) * 2013-04-26 2014-10-29 阿里巴巴集团控股有限公司 基于运行时数据的任务执行进度度量和展示的方法及系统
CN105955873A (zh) * 2016-04-27 2016-09-21 乐视控股（北京）有限公司 一种任务处理方法和装置
CN106970840A (zh) * 2017-02-28 2017-07-21 天津大学 一种结合任务调度的软硬件划分方法
CN109726092A (zh) * 2018-12-29 2019-05-07 深圳市联影医疗数据服务有限公司 总线处理效率评估方法、系统和计算机存储介质
US10331483B1 (en) * 2013-06-25 2019-06-25 Amazon Technologies, Inc. Scheduling data access jobs based on job priority and predicted execution time using historical execution data
CN110232492A (zh) * 2019-04-01 2019-09-13 南京邮电大学 一种基于改进离散粒子群算法的多无人机协同任务调度方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2015170085A (ja) * 2014-03-06 2015-09-28 株式会社日立ソリューションズ ジョブ実行時間予測方法およびジョブ管理装置
CN104239194A (zh) * 2014-09-12 2014-12-24 上海交通大学 基于bp神经网络的任务完成时间预测方法
CN110928751B (zh) * 2019-10-12 2021-07-16 深圳赛安特技术服务有限公司 任务处理时间自动预测方法、装置、介质及电子设备

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104123214A (zh) * 2013-04-26 2014-10-29 阿里巴巴集团控股有限公司 基于运行时数据的任务执行进度度量和展示的方法及系统
US10331483B1 (en) * 2013-06-25 2019-06-25 Amazon Technologies, Inc. Scheduling data access jobs based on job priority and predicted execution time using historical execution data
CN105955873A (zh) * 2016-04-27 2016-09-21 乐视控股（北京）有限公司 一种任务处理方法和装置
CN106970840A (zh) * 2017-02-28 2017-07-21 天津大学 一种结合任务调度的软硬件划分方法
CN109726092A (zh) * 2018-12-29 2019-05-07 深圳市联影医疗数据服务有限公司 总线处理效率评估方法、系统和计算机存储介质
CN110232492A (zh) * 2019-04-01 2019-09-13 南京邮电大学 一种基于改进离散粒子群算法的多无人机协同任务调度方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
崔亮: "基于机器学习的业务流程系统的预测", 《中国优秀硕士学位论文全文数据库信息科技辑》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021068617A1 (zh) * 2019-10-12 2021-04-15 平安国际智慧城市科技股份有限公司 任务处理时间自动预测方法、装置、电子设备及介质
CN111736979A (zh) * 2020-08-06 2020-10-02 四川新网银行股份有限公司 一种评估银行批量作业健康状态与调整时间窗口的方法
CN112232649A (zh) * 2020-10-09 2021-01-15 杭州拼便宜网络科技有限公司 一种任务处理评估方法及其系统、设备
CN113360270A (zh) * 2021-06-30 2021-09-07 杭州数梦工场科技有限公司 一种数据清洗任务处理方法及装置
CN113360270B (zh) * 2021-06-30 2024-02-27 杭州数梦工场科技有限公司 一种数据清洗任务处理方法及装置

Also Published As

Publication number Publication date
CN110928751B (zh) 2021-07-16
WO2021068617A1 (zh) 2021-04-15

Similar Documents

Publication Publication Date Title
CN110928751B (zh) 任务处理时间自动预测方法、装置、介质及电子设备
JP6782802B2 (ja) 計算機システム、計算機システムにより実行される方法及びプログラム
US20190051405A1 (en) Data generation apparatus, data generation method and storage medium
US20170322931A1 (en) Integration and combination of random sampling and document batching
CN111144658B (zh) 医疗风险预测方法、装置、系统、存储介质与电子设备
CN111783810B (zh) 用于确定用户的属性信息的方法和装置
CN112130781A (zh) 日志打印方法、装置、电子设备和存储介质
CN112363938A (zh) 数据处理方法、装置、电子设备和存储介质
CN110704390A (zh) 获取服务器维护脚本的方法、装置、电子设备及介质
CN111383768A (zh) 医疗数据回归分析方法、装置、电子设备及可读介质
CN107292111B (zh) 一种信息处理方法及服务器
CN117334308A (zh) 医疗信息处理方法、装置、设备及存储介质
US10937149B2 (en) Non-transitory computer-readable storage medium for storing comparison program, comparison device, and comparison method
CN110704614A (zh) 对应用中的用户群类型进行预测的信息处理方法及装置
CN113850686B (zh) 投保概率确定方法、装置、存储介质及电子设备
JP2020528185A (ja) 画像獲得ワークフローを最適化するためのデバイス、システム、及び方法
CN111262727B (zh) 服务的扩容方法、装置、设备及存储介质
CN110795424B (zh) 特征工程变量数据请求处理方法、装置及电子设备
CN112699872A (zh) 表单审核处理方法及装置、电子设备和存储介质
You et al. A predictive maintenance scheduling framework utilizing residual life prediction information
Sharma et al. Artificial intelligence in cardiology
KR102293171B1 (ko) 외래 진료 프로세스 최적화 시스템, 방법 및 컴퓨터프로그램
CN110633183B (zh) 监控软件产品的执行进度的方法和相关装置
CN111785358A (zh) 提示方法、装置、电子设备及介质
US20220129859A1 (en) Information processing device, information processing method, and program

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
TA01 Transfer of patent application right

Effective date of registration: 20210201

Address after: 518000 Room 201, building A, No. 1, Qian Wan Road, Qianhai Shenzhen Hong Kong cooperation zone, Shenzhen, Guangdong (Shenzhen Qianhai business secretary Co., Ltd.)

Applicant after: Shenzhen saiante Technology Service Co.,Ltd.

Address before: 1-34 / F, Qianhai free trade building, 3048 Xinghai Avenue, Mawan, Qianhai Shenzhen Hong Kong cooperation zone, Shenzhen, Guangdong 518000

Applicant before: Ping An International Smart City Technology Co.,Ltd.

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant