CN111191871A - 项目基线数据生成方法、装置、计算机设备和存储介质 - Google Patents
项目基线数据生成方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN111191871A CN111191871A CN201911148193.4A CN201911148193A CN111191871A CN 111191871 A CN111191871 A CN 111191871A CN 201911148193 A CN201911148193 A CN 201911148193A CN 111191871 A CN111191871 A CN 111191871A
- Authority
- CN
- China
- Prior art keywords
- project
- data
- baseline
- index
- 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 62
- 230000008569 process Effects 0.000 claims abstract description 21
- 238000012544 monitoring process Methods 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims description 55
- 238000003062 neural network model Methods 0.000 claims description 23
- 238000005457 optimization Methods 0.000 claims description 19
- 238000012795 verification Methods 0.000 claims description 18
- 239000013598 vector Substances 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 11
- 238000007405 data analysis Methods 0.000 claims description 3
- 238000010200 validation analysis Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 11
- 238000011161 development Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 238000010801 machine learning Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 238000000605 extraction Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007786 learning performance Effects 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 238000012827 research and development Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012356 Product development Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000003068 static effect Effects 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (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
本申请涉及基于预测模型的一种项目基线数据生成方法、装置、计算机设备和存储介质。所述方法包括：获取终端发送的项目数据，项目数据包括项目类型和需求等级；对项目数据进行解析，得到项目数据对应的项目需求指标数据；根据项目需求指标数据和需求等级计算项目的项目复杂度；根据项目类型调用已训练的基线预测模型，将项目需求指标数据和项目复杂度输入至基线预测模型，输出根据项目需求指标和项目复杂度得到的预测结果数据；利用预测结果数据生成项目基线数据，将项目基线数据发送至终端，并根据项目基线数据对项目进程进行监控。采用本方法能够有效生成可行性和准确度较高的项目基线数据，从而能够有效对项目进程进行监控。
Description
技术领域
本申请涉及计算机技术领域，特别是涉及一种项目基线数据生成方法、装置、计算机设备和存储介质。
背景技术
随着计算机技术的迅速发展，互联网软件产品也随之迅猛发展。在开发软件项目的过程中，项目计划尤为重要。项目基线是特指项目的规范、应用标准、进度指标、费用指标以及人员和其他资源使用指标等。项目计划基线可以表示项目开发进度计划指标，也就是项目在最初启动时制定的项目计划指标。各项资源往往是个重要的约束条件，资源缺乏或者对单个资源的过度分配，对项目计划的执行都会带来极大的风险。因此，需要对资源进行合理的计划和分配，进行资源平衡。
传统的项目计划基线是通常是仅由项目管理人员凭借自身的经验进行制定，而通过人为经验制定的项目计划基线可能存在不全面和不完善的缺陷等问题，导致制定的项目基线数据的生成可行性和准确度较低，从而导致对项目进程的监控效率较低。
发明内容
基于此，有必要针对上述技术问题，提供一种能够有效生成可行性和准确度较高的项目基线数据以有效监控项目进程的项目基线数据生成方法、装置、计算机设备和存储介质。
一种项目基线数据生成方法，所述方法包括：
获取终端发送的项目数据，所述项目数据包括项目类型和需求等级；
对所述项目数据进行解析，得到所述项目数据对应的项目需求指标数据；
根据所述项目需求指标数据和所述需求等级计算所述项目的项目复杂度；
根据所述项目类型调用已训练的基线预测模型，将所述项目需求指标数据和所述项目复杂度输入至所述基线预测模型，输出根据所述项目需求指标和所述项目复杂度得到的预测结果数据；
利用所述预测结果数据生成项目基线数据，将所述项目基线数据发送至所述终端，并根据所述项目基线数据对项目进程进行监控。
在其中一个实施例中，所述根据所述项目类型调用已训练的基线预测模型之前，还包括：获取多个历史项目数据，利用所述历史项目数据生成训练集和验证集；所述历史项目数据包括项目类型和项目记录数据；根据所述项目类型和所述项目记录数据对训练集数据进行解析，得到预测指标数据和实际指标数据以及偏差值；对所述预测指标数据和实际指标数据以及偏差值进行特征提取，得到对应的特征向量；获取预设的神经网络模型，将所述训练集中的预测指标数据和实际指标数据以及偏差值对应的特征向量输入至所述神经网络模型中进行训练；直到训练结果满足预设条件阈值时，得到训练完成的初始基线预测模型；利用所述验证集对所述初始基线预测模型进行验证，当验证通过后，得到所需的基线预测模型。
在其中一个实施例中，所述输出根据所述项目需求指标和所述项目复杂度得到的预测结果数据包括：通过所述基线预测模型根据所述项目需求指标数据和所述项目复杂度计算项目需求指标预测值；根据所述项目复杂度、需求等级以及项目需求指标预测值计算所述项目的项目风险值；根据所述项目需求指标预测值和所述项目风险值生成对应的预测结果数据。
在其中一个实施例中，所述方法还包括：获取所述终端发送的项目调整参数；根据所述项目调整参数计算项目需求指标预测值和项目风险值；根据所述项目需求指标预测值和所述项目风险值对项目基线数据进行调整，得到调整后的项目基线数据；根据调整后的项目基线数据更新所述项目基线数据。
在其中一个实施例中，所述方法还包括：根据预设频率获取多项历史项目记录数据，所述历史项目记录数据包括项目指标预测值和项目记录信息；根据所述历史项目记录数据中的项目指标预测值和相应的项目记录数据计算项目基线偏差值；根据多项历史项目记录数据的项目基线偏差值计算所述基线预测模型的预测偏差度和预测离异指数，根据所述预测偏差度和所述预测离异指数生成模型优化参数；根据所述模型优化参数对所述基线预测模型进行调参，得到优化后的基线预测模型。
一种项目基线数据生成装置，其特征在于，所述装置包括：
数据获取模块，用于获取终端发送的项目数据，所述项目数据包括项目类型和需求等级；
数据解析模块，用于对所述项目数据进行解析，得到所述项目数据对应的项目需求指标数据；根据所述项目需求指标数据和所述需求等级计算所述项目的项目复杂度；
数据预测模块，用于根据所述项目类型调用已训练的基线预测模型，将所述项目需求指标数据和所述项目复杂度输入至所述基线预测模型，输出根据所述项目需求指标和所述项目复杂度得到的预测结果数据；
项目基线数据生成模块，用于利用所述预测结果数据生成项目基线数据，将所述项目基线数据发送至所述终端，并根据所述项目基线数据对项目进程进行监控。
在其中一个实施例中，所述装置还包括模型训练模块，用于获取多个历史项目数据，利用所述历史项目数据生成训练集和验证集；所述历史项目数据包括项目类型和项目记录数据；根据所述项目类型和所述项目记录数据对训练集数据进行解析，得到预测指标数据和实际指标数据以及偏差值；对所述预测指标数据和实际指标数据以及偏差值进行特征提取，得到对应的特征向量；获取预设的神经网络模型，将所述训练集中的预测指标数据和实际指标数据以及偏差值对应的特征向量输入至所述神经网络模型中进行训练；直到训练结果满足预设条件阈值时，得到训练完成的初始基线预测模型；利用所述验证集对所述初始基线预测模型进行验证，当验证通过后，得到所需的基线预测模型。
在其中一个实施例中，所述装置还包括模型优化模块，用于根据预设频率获取多项历史项目记录数据，所述历史项目记录数据包括项目指标预测值和项目记录信息；根据所述历史项目记录数据中的项目指标预测值和相应的项目记录数据计算项目基线偏差值；根据多项历史项目记录数据的项目基线偏差值计算所述基线预测模型的预测偏差度和预测离异指数，根据所述预测偏差度和所述预测离异指数生成模型优化参数；根据所述模型优化参数对所述基线预测模型进行调参，得到优化后的基线预测模型。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现本申请任意一个实施例中提供的项目基线数据生成方法的步骤。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现本申请任意一个实施例中提供的项目基线数据生成方法的步骤。
上述项目基线数据生成方法、装置、计算机设备和存储介质，服务器获取终端发送的项目数据后，对项目数据进行解析，从而能够有效得到该项目的项目需求指标数据，并根据项目需求指标数据和需求等级计算项目的项目复杂度。服务器进一步根据项目类型调用已训练的基线预测模型，将项目需求指标数据和项目复杂度输入至基线预测模型，输出根据项目需求指标和项目复杂度得到的预测结果数据。由于基线预测模型是利用大量历史项目记录数据训练得到的，通过利用基线预测模型对项目数据进行分析预测，从而能够生成可行性和有效性较高的项目基线预测数据。服务器则利用预测结果数据生成项目基线数据，将项目基线数据发送至终端，并根据项目基线数据对项目进程进行监控。通过有效生成可行性和准确度较高的项目基线数据，以有效对项目进程进行监控，从而有效保障了项目的处理进度和处理效率。
附图说明
图1为一个实施例中项目基线数据生成方法的应用场景图；
图2为一个实施例中项目基线数据生成方法的流程示意图；
图3为一个实施例中基线预测模型训练步骤的流程示意图；
图4为一个实施例中基线预测模型优化步骤的流程示意图；
图5为一个实施例中项目基线数据生成装置的结构框图；
图6为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的项目基线数据生成方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104进行通信。终端102发送项目数据至服务器104，服务器104获取项目数据后，对项目数据进行解析，从而能够有效得到该项目的项目需求指标数据，并根据项目需求指标数据和需求等级计算项目的项目复杂度。服务器104根据项目类型调用已训练的基线预测模型，将项目需求指标数据和项目复杂度输入至基线预测模型，输出根据项目需求指标和项目复杂度得到的预测结果数据，从而能够生成可行性和有效性较高的项目基线预测数据。服务器104则利用预测结果数据生成项目基线数据，将项目基线数据发送至终端，并根据项目基线数据对项目进程进行监控，以有效地根据项目基线数据对项目的研发周期进行监控管理，从而有效保障了项目的处理进度和处理效率。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器104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。
在一个实施例中，如图2所示，提供了一种项目基线数据生成方法，以该方法应用于图1中的服务器为例进行说明，包括以下步骤：
步骤202，获取终端发送的项目数据，项目数据包括项目类型和需求等级。
其中，项目是指利用特定方式将人力、材料和财务等资源组织起来，在一定的费用和时间等范围内完成一项特定的工作任务，以期达到由数量和质量指标所限定的目标。例如软件研发项目、产品开发项目等。如在开发软件项目的过程中，项目计划尤为重要，项目计划则可以通过制定项目基线进行管理。项目基线是特指项目的规范、应用标准、进度指标、费用指标以及人员和其他资源使用指标等。项目计划基线可以表示项目开发进度计划指标，也就是项目在最初启动时制定的项目计划指标。例如，软件项目可以包括需求基线、设计基线、测试基线和发布基线等多个阶段的项目基线。
需求等级可以表示该项目对于用户或企业的重要性程度以及紧迫程度等需求程度因素。例如，需求等级可以包括重要且紧急、重要不紧急、不重要紧急以及不重要不紧急等多个等级。
项目管理人员可以通过对应的终端预先配置项目信息、项目需求等级以及项目资源信息等，并生成该项目对应的项目数据。终端则可以向服务器发送项目基线数据生成指令，项目基线数据生成指令携带了项目数据，其中，项目数据包括了项目标识、项目类型、项目详情和需求等级等信息。
步骤204，对项目数据进行解析，得到项目数据对应的项目需求指标数据。
其中，项目需求指标可以是指该项目所需的规范、应用标准、进度指标、费用指标以及人员和其他资源使用指标等多种项目指标。项目需求指标中可以只包括多种项目指标对应的指标字段，也可以包括指标字段和相应的指标数值或范围数值等具体数据。
服务器中还可以预先存储有需求指标配置表，需求指标配置表中可以配置有多种项目类型和需求等级所对应关联的多种指标字段。需求配置表可以是项目管理人员预先根据需求配置的多种需求指标字段，也可以服务器根据大量历史项目记录数据进行分析所得到的各个项目类型对应的需求指标字段。
服务器获取终端发送的项目数据后，对项目数据进行解析。具体地，服务器提取项目数据中的项目标识、项目类型、项目详情和需求等级等数据，其中，项目详情中可以包括多个项目指标以及项目需求数据。服务器可以获取预先配置的需求指标配置表，根据项目类型从需求指标配置表中获取对应的多个项目需求指标。
服务器获取该项目对应的多个需求指标字段后，则将获取的需求指标字段与项目数据中的项目详情数据进行匹配，根据需求指标字段提取出项目数据中的项目需求指标和对应的详情数据。
步骤206，根据项目需求指标数据和需求等级计算项目的项目复杂度。
其中，项目复杂度可以表示该项目的复杂程度的指标值，通常一个项目的复杂程度越高，多包含的系统功能则越多。例如，软件项目的项目复杂度可以由子功能点数量、外围接口数量、承载的业务数量、业务数据量、技术复杂度、需求成熟度、系统关键程度以及数据迁移复杂度等多个因素决定。
服务器解析得到项目数据中的项目需求指标后，进而根据项目需求指标和需求等级计算项目数据的项目复杂度。具体地，服务器可以利用预设的算法和每个项目需求指标的权重以及需求等级计算出该项目整体的项目复杂度。
步骤208，根据项目类型调用已训练的基线预测模型，将项目需求指标数据和项目复杂度输入至基线预测模型，输出根据项目需求指标和项目复杂度得到的预测结果数据。
其中，基线预测模型可以是服务器预先利用大量历史项目数据进行训练学习后建立的。基线预测模型用于根据项目数据对项目基线进行预测分析，基线预测模型可以是基于线性回归、卡尔曼滤波、BP网络(Back-ProPagation Network，反向传播神经网络)等的神经网络模型所构建的。
其中，不同的项目类型可以对应不同的基线预测模型，每种项目类型与相对应类型的基线预测模型相对应。服务器得到项目的项目需求指标数据和项目复杂度等数据后，则根据项目类型调用已训练的基线预测模型，并将项目需求指标和项目复杂度输入至基线预测模型中。服务器则通过基线预测模型根据项目需求指标数据和项目复杂度以及项目需求等级计算需求指标预测值，服务器进一步根据项目复杂度和需求等级以及需求指标预测值可以计算得到风险值，从而可以根据需求指标预测值和风险值生成该项目的预测结果数据。
通过利用基线预测模型对项目数据进行分析预测，能够有效地生成项目的项目基线预测数据。由于基线预测模型是利用大量历史项目记录数据训练得到的，因此能够结合大量历史项目的规律性和当前的项目需求对该项目的项目基线进行预测，从而能够生成可行性和有效性较高的项目基线预测数据。
例如，当该项目为软件项目时，预测结果数据中可以包括软件周期、各个阶段的周期计划、周期时长以及人工规模指数等多项需求指标预测值。
步骤210，利用预测结果数据生成项目基线数据，将项目基线数据发送至终端，并根据项目基线数据对项目进程进行监控。
服务器利用基线预测模型生成该项目的预测结果数据后，进而可以按照预设格式生成对应的项目基线数据。服务器生成该项目的项目基线数据后，则将项目基线数据发送至终端，使得项目管理人员或项目研发人员等利用项目基线数据对项目进行研发。服务器生成该项目的项目基线数据后，还可以根据项目基线实时对该项目的进程进行监控，以有效地根据项目基线数据对项目的研发周期进行监控管理，以有效保障项目的处理进度。通过提前制定出符合标准的项目计划基线，可以有效地控制软件项目的研发周期等，对资源进行合理的计划和分配，进行资源平衡，从而能够有效地提高软件项目的研发效率。
上述项目基线数据生成方法中，服务器获取终端发送的项目数据后，对项目数据进行解析，从而能够有效得到该项目的项目需求指标数据，并根据项目需求指标数据和需求等级计算项目的项目复杂度。服务器进一步根据项目类型调用已训练的基线预测模型，将项目需求指标数据和项目复杂度输入至基线预测模型，输出根据项目需求指标和项目复杂度得到的预测结果数据。由于基线预测模型是利用大量历史项目记录数据训练得到的，通过利用基线预测模型对项目数据进行分析预测，从而能够生成可行性和有效性较高的项目基线预测数据。服务器则利用预测结果数据生成项目基线数据，将项目基线数据发送至终端，并根据项目基线数据对项目进程进行监控，以有效地根据项目基线数据对项目的研发周期进行监控管理。通过有效生成可行性和准确度较高的项目基线数据，以有效对项目进程进行监控，从而有效保障了项目的处理进度和处理效率。
在一个实施例中，如图3所示，根据项目类型调用已训练的基线预测模型之前，还包括训练基线预测模型的步骤，该步骤具体包括以下内容：
步骤302，获取多个历史项目数据，利用历史项目数据生成训练集和验证集；历史项目数据包括项目类型和项目记录数据。
步骤304，根据项目类型和项目记录数据对训练集数据进行解析，得到预测指标数据和实际指标数据以及偏差值。
步骤306，对预测指标数据和实际指标数据以及偏差值进行特征提取，得到对应的特征向量。
步骤308，获取预设的神经网络模型，将训练集中的预测指标数据和实际指标数据以及偏差值对应的特征向量输入至神经网络模型中进行训练。
步骤310，直到训练结果满足预设条件阈值时，得到训练完成的初始基线预测模型。
步骤312，利用验证集对初始基线预测模型进行验证，当验证通过后，得到所需的基线预测模型。
服务器在利用基线预测模型预测分析项目的项目基线数据之前，还需要预先训练得到基线预测模型。基线预测模型可以是基于线性回归、卡尔曼滤波、BP网络(Back-ProPagation Network，反向传播神经网络)等的神经网络模型所构建的。
服务器可以预先从本地或第三方数据库中获取大量的历史项目数据，历史项目记录数据包括项目类型和项目详情信息等项目记录数据。
服务器可以获取预置的神经网络模型。其中，预置的神经网络模型中可以包括多个网络层和预设的网络超参数。网络超参数是在训练神经网络模型之前预先设置的参数，通常情况下，需要对网络超参数进行优化，以学习得到一组最优网络超参数，以提高学习的性能和效果。预置的神经网络模型中还包括损失函数。在机器学习中，需要衡量神经网络输出和所预期的输出之间的差异大小。损失函数则用于反映当前网络输出和实际结果之间一种量化之后的差异程度，即损失函数的函数值越大，反映出模型预测的结果越不准确。
具体地，将历史项目记录数据分完训练集和验证集。服务器首先根据项目类型和项目详情信息对训练集中的历史项目数据进行分析，得到项目预测指标数据和项目实际指标数据以及偏差值；对项目预测指标数据和项目实际指标数据以及偏差值进行特征提取，得到对应的特征向量。服务器进一步获取预置的神经网络模型，将训练集中的历史项目数据输入至神经网络模型中，利用项目预测指标数据和项目实际指标数据以及偏差值对应的特征向量对神经网络模型进行机器学习训练。当训练数据满足预设条件阈值时，得到训练完成的初始基线预测模型。
例如，预置的神经网络模型可以为深度神经网络，其中包括多个深度卷积网络层，深度卷积分类网络具有良好的特征提取能力，不同层提取的特征具有不同的含义，每一个训练好的网络都可以视为是一个良好的特征提取器。另外，深度神经网络可以由多层非线性函数组成，用于完成输入特征到输出的映射。
服务器利用训练集中的数据训练得到初始基线预测模型后，进一步利用验证集中的历史项目记录数据对初始基线预测模型进行验证，当验证通过后，得到所需的项目基线预测模型。通过对大量的历史项目数据进行不断训练和机器学习，能够有效地学习历史项目数据的项目基线生成规律和特性，从而能够有效地构建出预测准确率较高的基线预测模型，进而能够高效地生成可行性和有效性较高的项目基线数据。
在一个实施例中，输出根据项目需求指标和项目复杂度得到的预测结果数据包括：通过基线预测模型根据项目需求指标数据和项目复杂度计算项目需求指标预测值；根据项目复杂度、需求等级以及项目需求指标预测值计算项目的项目风险值；根据项目需求指标预测值和项目风险值生成对应的预测结果数据。
其中，项目风险值可以指项目风险度量，表示对项目风险的影响和后果进行平价和估量的风险程度值。例如，项目风险值可以包括可能性度量值、风险后果度量值、影响范围度量值以及发生时间度量值等多个指标相应的风险值。例如，可以采用损失期望值法、模拟仿真法以及专家决策法等方式计算出项目的项目风险值。
服务器获取终端发送的项目数据后，对项目数据进行解析，从而能够有效得到该项目的项目需求指标数据，并根据项目需求指标数据和需求等级计算项目的项目复杂度。服务器进一步根据项目类型调用已训练的基线预测模型，将项目需求指标数据和项目复杂度输入至基线预测模型，输出根据项目需求指标和项目复杂度得到的预测结果数据。
具体地，服务器将项目需求指标数据和项目复杂度等项目数据输入至基线预测模型后，通过项目基线预测模型根据项目需求指标数据和项目复杂度以及项目需求等级计算项目需求指标预测值。服务器则根据项目复杂度和项目需求等级以及项目需求指标预测值计算风险值，根据项目需求指标预测值和风险值生成预测结果数据。服务器利用基线预测模型生成该项目的预测结果数据后，进而可以按照预设格式生成对应的项目基线数据。由此能够有效地通过项目基线预测模型得到所需的较为全面和有效的项目基线数据。
在一个实施例中，该方法还包括：获取终端发送的项目调整参数；根据项目调整参数计算项目需求指标预测值和项目风险值；根据项目需求指标值和项目风险值对项目基线数据进行调整，得到调整后的项目基线数据；根据调整后的项目基线数据更新项目基线数据。
其中，项目调整参数可以表示需要对进展中的项目的项目基线数据进行调整的一些指标参数。项目在进展的过程中可能会发生一些变更，例如其中的一些项目需求指标可能会更变，如项目周期、项目所需的材料资源和人力资源以及上线时间等指标。当项目基线需要变更时，项目管理人员可在终端生成项目调整参数后，将项目调整参数发送至服务器，使得服务器对已经生成的该项目的项目基线数据进行更新。
服务器对终端发送的项目数据进行解析，从而能够有效得到该项目的项目需求指标数据，并根据项目需求指标数据和需求等级计算项目的项目复杂度。服务器进一步根据项目类型调用已训练的基线预测模型，将项目需求指标数据和项目复杂度输入至基线预测模型，输出根据项目需求指标和项目复杂度得到的预测结果数据，从而能够生成可行性和有效性较高的项目基线预测数据。服务器则利用预测结果数据生成项目基线数据，将项目基线数据发送至终端，并根据项目基线数据对项目进程进行监控。
服务器将生成的项目基线预测数据推送至对应的终端后，还可以接收终端发送的项目调整参数。服务器则根据项目调整参数对项目基线数据进行调整。具体地，服务器可以获取监控得到的该项目的项目进程状态，对已生成的项目基线数据和项目进程状态进行分析，并利用项目调整参数重新计算该项目的项目需求指标预测值和项目风险值。服务器进而得到更新的项目需求指标预测值和项目风险值，并进一步利用更新的项目需求指标预测值和项目风险值对已生成的项目基线数据进行调整，从而得到调整后的项目基线数据。其中，服务器仍然可以利用基线预测模型根据项目调整参数对已生成的项目基线数据进行调整。通过对项目进行监控，并根据需求对项目基线数据进行调整，能够有效地利用机器学习验对项目计划基线进行更新和优化，从而有效地保障了项目基线数据的准确性和可行性。
服务器进一步将项目计划基线数据发送至终端，以使终端根据项目计划基线数据进行项目开发，并记录项目进程数据。服务器还可以实时接收终端发送的项目记录数据，并对项目基线数据和项目记录数据进行存储。从而使得后期可以利用项目基线数据和项目记录数据进行分析，以进一步优化项目基线预测模型，从而有效提高基线预测模型的预测分析准确性。
在一个实施例中，如图4所示，该方法还包括：
步骤402，根据预设频率获取多项历史项目记录数据，历史项目记录数据包括项目指标预测值和项目记录数据。
步骤404，根据历史项目记录数据中的项目指标预测值和相应的项目记录数据计算项目基线偏差值。
步骤406，根据多项历史项目记录数据的项目基线偏差值计算基线预测模型的预测偏差度和预测离异指数，根据预测偏差度和预测离异指数生成模型优化参数。
步骤408，根据模型优化参数对基线预测模型进行调参，得到优化后的基线预测模型。
服务器对终端发送的项目数据进行解析，从而能够有效得到该项目的项目需求指标数据，并根据项目需求指标数据和需求等级计算项目的项目复杂度。服务器进一步根据项目类型调用已训练的基线预测模型，将项目需求指标数据和项目复杂度输入至基线预测模型，输出根据项目需求指标和项目复杂度得到的预测结果数据，从而能够生成可行性和有效性较高的项目基线预测数据。服务器则利用预测结果数据生成项目基线数据，将项目基线数据发送至终端，并根据项目基线数据对项目进程进行监控。
服务器通过利用基线预测模型能够有效生成项目的项目基线数据。随着处理数据量不断增加，服务器还可以利用历史的项目记录数据来分析该基线预测模型的偏差度，并不断对基线预测模型进行优化，以提高基线预测模型的预测准确性。
其中，历史项目记录数据可以是服务器利用基线预测模型已经生成的相应项目的项目基线数据，并且已执行完成的项目的相关记录数据，历史项目记录数据中包括了项目指标预测值和项目记录数据。
具体地，服务器可以按照预设频率获取多项历史项目记录数据，并根据历史项目记录数据中的项目指标预测值和相应的项目记录数据计算项目基线偏差值。具体地，服务器可以对项目指标预测值和相应的项目记录数据进行特征提取，得到对应的特征向量，并根据项目指标预测值和项目记录数据对应的特征向量计算对应历史项目的基线偏差值。基线偏差值可以包括多个项目指标的偏差值。
其中，模型优化参数是指用于对基线预测模型的函数进行调整的参数，以优化基线预测模型的准确度。服务器进而根据多个历史项目的基线偏差值计算基线预测模型的预测偏差度和预测离异指数，服务器则根据预测偏差度和预测离异指数生成模型优化参数，进而根据模型优化参数对基线预测模型进行调参，以得到优化后的基线预测模型。通过不断对更新的历史项目数据进行分析和机器学习，能够有效地对项目基线预测模型进行优化，从而能够有效提高项目基线预测模型的预测分析准确性。
例如，基线预测模型中可以包括多个网络层和预设的网络超参数。网络超参数是在训练神经网络模型之前预先设置的参数，通常情况下，需要对网络超参数进行优化，以学习得到一组最优网络超参数，以提高学习的性能和效果。基线预测模型中还可以包括损失函数。在机器学习中，需要衡量神经网络输出和所预期的输出之间的差异大小。损失函数则用于反映当前网络输出和实际结果之间一种量化之后的差异程度，即损失函数的函数值越大，反映出模型预测的结果越不准确。服务器则利用计算得到的预测偏差度和预测离异指数计算相应的网络超参数，并对网络超参数进行更新。服务器进而根据网络超参数调整基线预测模型的网络超参数和损失函数，从而得到优化后的基线预测模型。
应该理解的是，虽然图2-4的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-4中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图5所示，提供了一种项目基线数据生成装置，包括：数据获取模块502、数据解析模块504、数据预测模块506和项目基线数据生成模块508，其中：
数据获取模块502，用于获取终端发送的项目数据，项目数据包括项目类型和需求等级；
数据解析模块504，用于对项目数据进行解析，得到项目数据对应的项目需求指标数据；根据项目需求指标数据和需求等级计算项目的项目复杂度；
数据预测模块506，用于根据项目类型调用已训练的基线预测模型，将项目需求指标数据和项目复杂度输入至基线预测模型，输出根据项目需求指标和项目复杂度得到的预测结果数据；
项目基线数据生成模块508，用于利用预测结果数据生成项目基线数据，将项目基线数据发送至终端，并根据项目基线数据对项目进程进行监控。
在一个实施例中，该装置还包括模型训练模块，用于获取多个历史项目数据，利用历史项目数据生成训练集和验证集；历史项目数据包括项目类型和项目记录数据；根据项目类型和项目记录数据对训练集数据进行解析，得到预测指标数据和实际指标数据以及偏差值；对预测指标数据和实际指标数据以及偏差值进行特征提取，得到对应的特征向量；获取预设的神经网络模型，将训练集中的预测指标数据和实际指标数据以及偏差值对应的特征向量输入至神经网络模型中进行训练；直到训练结果满足预设条件阈值时，得到训练完成的初始基线预测模型；利用验证集对初始基线预测模型进行验证，当验证通过后，得到所需的基线预测模型。
在一个实施例中，数据预测模块506还用于通过基线预测模型根据项目需求指标数据和项目复杂度计算项目需求指标预测值；根据项目复杂度、需求等级以及项目需求指标预测值计算项目的项目风险值；根据项目需求指标预测值和项目风险值生成对应的预测结果数据。
在一个实施例中，该装置还包括项目基线数据更新模块，用于获取终端发送的项目调整参数；根据项目调整参数计算项目需求指标预测值和项目风险值；根据项目需求指标预测值和项目风险值对项目基线数据进行调整，得到调整后的项目基线数据；根据调整后的项目基线数据更新项目基线数据。
在一个实施例中，该装置还包括模型优化模块，用于根据预设频率获取多项历史项目记录数据，历史项目记录数据包括项目指标预测值和项目记录信息；根据历史项目记录数据中的项目指标预测值和相应的项目记录数据计算项目基线偏差值；根据多项历史项目记录数据的项目基线偏差值计算基线预测模型的预测偏差度和预测离异指数，根据预测偏差度和预测离异指数生成模型优化参数；根据模型优化参数对基线预测模型进行调参，得到优化后的基线预测模型。
关于项目基线数据生成装置的具体限定可以参见上文中对于项目基线数据生成方法的限定，在此不再赘述。上述项目基线数据生成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6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、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储项目数据、预测结果数据、项目基线数据等。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现本申请任意一个实施例中提供的项目基线数据生成方法的步骤。
本领域技术人员可以理解，图6中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现本申请任意一个实施例中提供的项目基线数据生成方法的步骤。
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，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请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(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)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。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种项目基线数据生成方法，所述方法包括：
获取终端发送的项目数据，所述项目数据包括项目类型和需求等级；
对所述项目数据进行解析，得到所述项目数据对应的项目需求指标数据；
根据所述项目需求指标数据和所述需求等级计算所述项目的项目复杂度；
根据所述项目类型调用已训练的基线预测模型，将所述项目需求指标数据和所述项目复杂度输入至所述基线预测模型，输出根据所述项目需求指标和所述项目复杂度得到的预测结果数据；
利用所述预测结果数据生成项目基线数据，将所述项目基线数据发送至所述终端，并根据所述项目基线数据对项目进程进行监控。
2.根据权利要求1所述的方法，其特征在于，所述根据所述项目类型调用已训练的基线预测模型之前，还包括：
获取多个历史项目数据，利用所述历史项目数据生成训练集和验证集；所述历史项目数据包括项目类型和项目记录数据；
根据所述项目类型和所述项目记录数据对训练集数据进行解析，得到预测指标数据和实际指标数据以及偏差值；
对所述预测指标数据和实际指标数据以及偏差值进行特征提取，得到对应的特征向量；
获取预设的神经网络模型，将所述训练集中的预测指标数据和实际指标数据以及偏差值对应的特征向量输入至所述神经网络模型中进行训练；
直到训练结果满足预设条件阈值时，得到训练完成的初始基线预测模型；
利用所述验证集对所述初始基线预测模型进行验证，当验证通过后，得到所需的基线预测模型。
3.根据权利要求1所述的方法，其特征在于，所述输出根据所述项目需求指标和所述项目复杂度得到的预测结果数据包括：
通过所述基线预测模型根据所述项目需求指标数据和所述项目复杂度计算项目需求指标预测值；
根据所述项目复杂度、需求等级以及项目需求指标预测值计算所述项目的项目风险值；
根据所述项目需求指标预测值和所述项目风险值生成对应的预测结果数据。
4.根据权利要求1所述的方法，其特征在于，所述方法还包括：
获取所述终端发送的项目调整参数；
根据所述项目调整参数计算项目需求指标预测值和项目风险值；
根据所述项目需求指标预测值和所述项目风险值对项目基线数据进行调整，得到调整后的项目基线数据；
根据调整后的项目基线数据更新所述项目基线数据。
5.根据权利要求1至4任意一项所述的方法，其特征在于，所述方法还包括：
根据预设频率获取多项历史项目记录数据，所述历史项目记录数据包括项目指标预测值和项目记录信息；
根据所述历史项目记录数据中的项目指标预测值和相应的项目记录数据计算项目基线偏差值；
根据多项历史项目记录数据的项目基线偏差值计算所述基线预测模型的预测偏差度和预测离异指数，根据所述预测偏差度和所述预测离异指数生成模型优化参数；
根据所述模型优化参数对所述基线预测模型进行调参，得到优化后的基线预测模型。
6.一种项目基线数据生成装置，其特征在于，所述装置包括：
数据获取模块，用于获取终端发送的项目数据，所述项目数据包括项目类型和需求等级；
数据解析模块，用于对所述项目数据进行解析，得到所述项目数据对应的项目需求指标数据；根据所述项目需求指标数据和所述需求等级计算所述项目的项目复杂度；
数据预测模块，用于根据所述项目类型调用已训练的基线预测模型，将所述项目需求指标数据和所述项目复杂度输入至所述基线预测模型，输出根据所述项目需求指标和所述项目复杂度得到的预测结果数据；
项目基线数据生成模块，用于利用所述预测结果数据生成项目基线数据，将所述项目基线数据发送至所述终端，并根据所述项目基线数据对项目进程进行监控。
7.根据权利要求6所述的装置，其特征在于，所述装置还包括模型训练模块，用于获取多个历史项目数据，利用所述历史项目数据生成训练集和验证集；所述历史项目数据包括项目类型和项目记录数据；根据所述项目类型和所述项目记录数据对训练集数据进行解析，得到预测指标数据和实际指标数据以及偏差值；对所述预测指标数据和实际指标数据以及偏差值进行特征提取，得到对应的特征向量；获取预设的神经网络模型，将所述训练集中的预测指标数据和实际指标数据以及偏差值对应的特征向量输入至所述神经网络模型中进行训练；直到训练结果满足预设条件阈值时，得到训练完成的初始基线预测模型；利用所述验证集对所述初始基线预测模型进行验证，当验证通过后，得到所需的基线预测模型。
8.根据权利要求6所述的装置，其特征在于，所述装置还包括模型优化模块，用于根据预设频率获取多项历史项目记录数据，所述历史项目记录数据包括项目指标预测值和项目记录信息；根据所述历史项目记录数据中的项目指标预测值和相应的项目记录数据计算项目基线偏差值；根据多项历史项目记录数据的项目基线偏差值计算所述基线预测模型的预测偏差度和预测离异指数，根据所述预测偏差度和所述预测离异指数生成模型优化参数；根据所述模型优化参数对所述基线预测模型进行调参，得到优化后的基线预测模型。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至5中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至5中任一项所述的方法的步骤。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911148193.4A CN111191871A (zh) | 2019-11-21 | 2019-11-21 | 项目基线数据生成方法、装置、计算机设备和存储介质 |
| PCT/CN2020/106104 WO2021098281A1 (zh) | 2019-11-21 | 2020-07-31 | 项目基线数据生成方法、装置、计算机设备和计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911148193.4A CN111191871A (zh) | 2019-11-21 | 2019-11-21 | 项目基线数据生成方法、装置、计算机设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111191871A true CN111191871A (zh) | 2020-05-22 |
Family
ID=70710965
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911148193.4A Pending CN111191871A (zh) | 2019-11-21 | 2019-11-21 | 项目基线数据生成方法、装置、计算机设备和存储介质 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN111191871A (zh) |
| WO (1) | WO2021098281A1 (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111667107A (zh) * | 2020-05-29 | 2020-09-15 | 中国工商银行股份有限公司 | 基于梯度随机森林的研发管控问题预测方法及装置 |
| CN111861261A (zh) * | 2020-07-30 | 2020-10-30 | 中国工商银行股份有限公司 | 项目测试计划的生成方法、装置以及相关测试方法 |
| CN112053049A (zh) * | 2020-08-26 | 2020-12-08 | 北京神舟航天软件技术有限公司 | 一种基于神经网络模型的软件项目所需资源平衡方法 |
| CN112308404A (zh) * | 2020-10-29 | 2021-02-02 | 广东电网有限责任公司 | 项目风险管理方法、装置、电子设备及存储介质 |
| CN112465011A (zh) * | 2020-11-25 | 2021-03-09 | 平安医疗健康管理股份有限公司 | 基于项目研发过程的项目风险预测方法和系统 |
| WO2021098281A1 (zh) * | 2019-11-21 | 2021-05-27 | 深圳壹账通智能科技有限公司 | 项目基线数据生成方法、装置、计算机设备和计算机可读存储介质 |
| CN117235434A (zh) * | 2023-11-15 | 2023-12-15 | 人工智能与数字经济广东省实验室(深圳) | 林业碳汇项目基线构建方法、系统、终端及介质 |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115860679B (zh) * | 2022-12-15 | 2023-05-30 | 青岛思科万方经济信息咨询有限公司 | 一种基于大数据的企业项目数据管理系统及方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109558971A (zh) * | 2018-11-09 | 2019-04-02 | 河海大学 | 基于lstm长短期记忆网络的智能滑坡监测装置与方法 |
| CN109697852A (zh) * | 2019-01-23 | 2019-04-30 | 吉林大学 | 基于时序交通事件的城市道路拥堵程度预测方法 |
| WO2019165673A1 (zh) * | 2018-02-27 | 2019-09-06 | 平安科技（深圳）有限公司 | 一种报销单风险预测方法、装置、终端设备及存储介质 |
| CN110377632A (zh) * | 2019-06-17 | 2019-10-25 | 平安科技（深圳）有限公司 | 诉讼结果预测方法、装置、计算机设备和存储介质 |
| CN110428087A (zh) * | 2019-06-25 | 2019-11-08 | 万翼科技有限公司 | 企业稳定性预测方法、装置、计算机设备和存储介质 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106372739B (zh) * | 2015-07-24 | 2021-04-16 | 中国电力科学研究院 | 一种基于需求响应基线的需求响应效果评估方法 |
| WO2019021300A1 (en) * | 2017-07-25 | 2019-01-31 | Arth Designbuild India Pvt. Ltd. | SYSTEM AND METHOD FOR RESOURCE MANAGEMENT ON A WORKPLACE |
| CN108932589B (zh) * | 2018-07-05 | 2021-06-04 | 武汉科技大学 | 一种企业信息化项目实施管理系统 |
| CN109816157A (zh) * | 2019-01-07 | 2019-05-28 | 平安科技（深圳）有限公司 | 项目计划优化方法、装置、计算机设备和存储介质 |
| CN111191871A (zh) * | 2019-11-21 | 2020-05-22 | 深圳壹账通智能科技有限公司 | 项目基线数据生成方法、装置、计算机设备和存储介质 |
-
2019
- 2019-11-21 CN CN201911148193.4A patent/CN111191871A/zh active Pending
-
2020
- 2020-07-31 WO PCT/CN2020/106104 patent/WO2021098281A1/zh active Application Filing
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019165673A1 (zh) * | 2018-02-27 | 2019-09-06 | 平安科技（深圳）有限公司 | 一种报销单风险预测方法、装置、终端设备及存储介质 |
| CN109558971A (zh) * | 2018-11-09 | 2019-04-02 | 河海大学 | 基于lstm长短期记忆网络的智能滑坡监测装置与方法 |
| CN109697852A (zh) * | 2019-01-23 | 2019-04-30 | 吉林大学 | 基于时序交通事件的城市道路拥堵程度预测方法 |
| CN110377632A (zh) * | 2019-06-17 | 2019-10-25 | 平安科技（深圳）有限公司 | 诉讼结果预测方法、装置、计算机设备和存储介质 |
| CN110428087A (zh) * | 2019-06-25 | 2019-11-08 | 万翼科技有限公司 | 企业稳定性预测方法、装置、计算机设备和存储介质 |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021098281A1 (zh) * | 2019-11-21 | 2021-05-27 | 深圳壹账通智能科技有限公司 | 项目基线数据生成方法、装置、计算机设备和计算机可读存储介质 |
| CN111667107A (zh) * | 2020-05-29 | 2020-09-15 | 中国工商银行股份有限公司 | 基于梯度随机森林的研发管控问题预测方法及装置 |
| CN111667107B (zh) * | 2020-05-29 | 2024-05-14 | 中国工商银行股份有限公司 | 基于梯度随机森林的研发管控问题预测方法及装置 |
| CN111861261A (zh) * | 2020-07-30 | 2020-10-30 | 中国工商银行股份有限公司 | 项目测试计划的生成方法、装置以及相关测试方法 |
| CN111861261B (zh) * | 2020-07-30 | 2024-04-09 | 中国工商银行股份有限公司 | 项目测试计划的生成方法、装置以及相关测试方法 |
| CN112053049A (zh) * | 2020-08-26 | 2020-12-08 | 北京神舟航天软件技术有限公司 | 一种基于神经网络模型的软件项目所需资源平衡方法 |
| CN112308404A (zh) * | 2020-10-29 | 2021-02-02 | 广东电网有限责任公司 | 项目风险管理方法、装置、电子设备及存储介质 |
| CN112308404B (zh) * | 2020-10-29 | 2023-02-17 | 广东电网有限责任公司 | 项目风险管理方法、装置、电子设备及存储介质 |
| CN112465011A (zh) * | 2020-11-25 | 2021-03-09 | 平安医疗健康管理股份有限公司 | 基于项目研发过程的项目风险预测方法和系统 |
| CN112465011B (zh) * | 2020-11-25 | 2022-08-02 | 深圳平安医疗健康科技服务有限公司 | 基于项目研发过程的项目风险预测方法和系统 |
| CN117235434A (zh) * | 2023-11-15 | 2023-12-15 | 人工智能与数字经济广东省实验室(深圳) | 林业碳汇项目基线构建方法、系统、终端及介质 |
| CN117235434B (zh) * | 2023-11-15 | 2024-03-19 | 人工智能与数字经济广东省实验室(深圳) | 林业碳汇项目基线构建方法、系统、终端及介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2021098281A1 (zh) | 2021-05-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111191871A (zh) | 项目基线数据生成方法、装置、计算机设备和存储介质 | |
| US11086762B2 (en) | Methods and systems for predicting estimation of project factors in software development | |
| CN108874968B (zh) | 风险管理数据处理方法、装置、计算机设备和存储介质 | |
| CN111176990B (zh) | 基于数据决策的测试数据生成方法、装置、计算机设备 | |
| CN109472372B (zh) | 基于租赁设备的资源数据分配方法、装置和计算机设备 | |
| US11068817B2 (en) | Artificial intelligence and machine learning based project management assistance | |
| CN111126668A (zh) | 基于图卷积网络的Spark作业时间预测方法和装置 | |
| CN110929879A (zh) | 基于决策引擎和模型平台的业务决策逻辑更新方法 | |
| CN109409780B (zh) | 变更处理方法、装置、计算机设备和存储介质 | |
| CN115529315A (zh) | 一种云边协同系统 | |
| CN111124898B (zh) | 问答系统测试方法、装置、计算机设备和存储介质 | |
| CN117252564A (zh) | 资源调度方法、装置、计算机设备及存储介质 | |
| Lorig et al. | Hypothesis-Driven Simulation Studies | |
| CN113268335B (zh) | 模型训练和执行时长预估方法、装置、设备和存储介质 | |
| CN116134387B (zh) | 用于确定工业任务的ai模型的压缩率的方法和系统 | |
| CN112379913B (zh) | 基于风险识别的软件优化方法、装置、设备及存储介质 | |
| CN113191743A (zh) | 基于区块链的模型化企业管理方法及系统 | |
| CN113610225A (zh) | 质量评估模型训练方法、装置、电子设备及存储介质 | |
| CN107844496B (zh) | 统计信息输出方法及装置 | |
| US20140297334A1 (en) | System and method for macro level strategic planning | |
| CN115271277A (zh) | 电力设备画像构建方法、系统、计算机设备及存储介质 | |
| CN110378481B (zh) | 基于粗糙集的决策处理方法、装置、计算机和存储介质 | |
| Ahmed et al. | Adopting lean six sigma to AnyLogic simulation in a manufacturing environment | |
| CN110874612B (zh) | 时段预测方法、装置、计算机设备和存储介质 | |
| CN113393047A (zh) | 一种业务场景关键表预测方法及装置 |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200522 |