CN111581068A - 终端的工作量计算方法及其装置、存储介质、终端、云服务系统 - Google Patents
终端的工作量计算方法及其装置、存储介质、终端、云服务系统 Download PDFInfo
- Publication number
- CN111581068A CN111581068A CN202010319761.9A CN202010319761A CN111581068A CN 111581068 A CN111581068 A CN 111581068A CN 202010319761 A CN202010319761 A CN 202010319761A CN 111581068 A CN111581068 A CN 111581068A
- Authority
- CN
- China
- Prior art keywords
- terminal
- task
- workload
- attribute
- characteristic values
- 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
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
- G06F11/3414—Workload generation, e.g. scripts, playback
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请公开了一种终端的工作量计算方法及其装置、存储介质、终端、云服务系统。其中所述方法,包括:对表征终端执行的任务的属性特征值进行标准化处理;根据标准化后的属性特征值,计算单项任务工作量;对终端执行务进行权重赋值;根据各项任务的权重赋值,生成终端的工作量。通过各项任务的权重赋值,可以对终端完成任务的工作量进行精确计算。
Description
技术领域
本申请涉及计算机技术领域,尤其涉及一种终端的工作量计算方法及其装置、存储介质、终端。
背景技术
随着计算机技术的不断发展,计算机终端可以执行多样化的任务。计算机终端通常被简称终端。终端可以构建网络系统,以便完成各种复杂的项目。为了优化网络系统的薄弱环节,需要对终端在网络系统中的工作量进行精确计算,从而确定网络系统中需要优化的终端。
在实现现有技术的过程中,发明人发现存在以下技术问题:
对于多样化的任务,各任务的属性不同,终端完成任务的工作量难以精确计算。
因此,需要提供一种可以精确计算网络系统中终端的工作量的技术方案。
发明内容
本申请实施例提供一种计算终端的工作量的技术方案,用以解决任务的属性不同难以精确计算的问题。
本申请实施例提供的一种终端的工作量计算方法,包括:
对表征终端执行的任务的属性特征值进行标准化处理;
根据标准化后的属性特征值,计算单项任务工作量;
对终端执行的各项任务进行权重赋值;
根据各项任务的权重赋值,生成终端的工作量。
进一步的,在本申请提供的一种优选实施方式中,对表征终端执行的任务的属性特征值进行标准化处理,具体包括:
对表征终端执行的任务的属性特征值进行归一化处理。
进一步的,在本申请提供的一种优选实施方式中,根据标准化的属性特征值,计算单项任务工作量,具体包括:
确定任务的各属性贡献系数;
根据属性贡献系数和标准化的属性特征值,计算单项任务工作量。
进一步的,在本申请提供的一种优选实施方式中,确定任务的各属性贡献系数,还包括:
使用卷积神经网络算法对各属性贡献系数进行优化。
进一步的,在本申请提供的一种优选实施方式中,对终端执行的各项任务进行权重赋值,具体包括:
使用优劣解距离法对终端执行的各项任务进行权重赋值。
进一步的,在本申请提供的一种优选实施方式中,所述方法还包括:
使用卷积神经网络算法对权重赋值进行优化。
进一步的,在本申请提供的一种优选实施方式中,所述方法用于计算司法人员的工作量;
所述属性特征值至少包括案件案由特征值、案件审级特征值、处理时长特征值、任务类型特征值其中之一。
本申请还提供一种终端的工作量计算装置,包括:
预处理模块,用于对表征计算机终端执行的任务的属性特征值进行标准化处理;
单项运算模块,用于根据标准化后的属性特征值,计算单项任务工作量;
权重赋值模块,用于对计算机终端执行的各项任务进行权重赋值;
加权运算模块,用于根据各项任务的权重赋值,生成计算机终端的工作量。
本申请还提供一种存储介质,所述存储介质存储有计算机程序,所述计算机程序被加载后,可以执行权利要求1至7中任一项所述的方法。
本申请还提供一种终端,所述终端被配置为可以执行权利要求1至7中任一项所述的方法。
本申请还提供一种云服务系统,用于为终端提供网络云服务,所述云服务系统开设有访问端口;
所述终端可以通过访问端口接受云服务系统的网络云服务,执行权利要求1至7中任一项所述的方法;
其中,所述终端可以直接或间接执行上述方法。
本申请提供的实施例,至少具有以下技术效果:
通过各项任务的权重赋值,可以对终端完成任务的工作量进行精确计算。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为本申请实施例提供的终端的工作量计算方法的流程图;
图2为本申请实施例提供的终端的工作量计算装置的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
请参照图1,为本申请实施例提供的终端的工作量计算方法,具体包括以下步骤:
S100:对表征终端执行的任务的属性特征值进行标准化处理。
终端通常表现为具有计算或运算功能的装置。在现有技术中终端的形态可以是计算机运算集群的构成单元、服务器、个人或商用计算机、具有信息处理功能的移动通讯终端设备或便携式移动设备。
任务可以是播放音视频文件、读写文档、编辑或浏览图片等反应终端工作量的工作事项。
任务可以使用多重或多维属性进行表征。属性可以通过特征值进行具体描述。对于播放音视频文件的任务而言,可以使用诸如音视频清晰度、文件大小、音视频文件的时长、编码率等属性及其对应的特征值加以表征。对于读写文档的任务而言,可以使用诸如文件大小、文档类型、文档保存格式等属性及其对应的特征值加以表征。对于编辑或浏览图片的任务而言,可以使用诸如图片大小、图片色彩度、图片分辨率、图片对比度等属性及其对应的特征值加以表征。
对任务的属性特征值进行标准化处理包括属性特征值的同趋化处理和无量纲化处理。
对于属性特征值的同趋化处理用于将与工作量负相关的属性特征值转化为正相关。具体的例如,播放音视频文件的重播任务、文档编辑动作的撤销任务、大容量内容加载失败时的重加载任务,这些任务的属性特征值,例如重播次数、撤销次数、重加载次数增加,通常表明无效工作量的增加。
对于属性特征值的无量纲化处理用于将不同属性的特征值进行标量化处理。具体的例如,音视频文件的时长特征值、音视频文件清晰度特征值、音视频文件的文件大小特征值进行标量化处理,以便通过各种属性表征任务。属性特征值的无量纲化处理,可以使用线性标准化方法和/或非线性标准化方法。线性标准化方法具体可以是极值线性标准化或按小数定标标准化。非线性标准化方法具体可以是标准差标准化、对数Logistic模式标准化或模糊量化模式标准化。
进一步的,在本申请提供的一种优选的实施例中,对表征终端执行的任务的属性特征值进行标准化处理,具体包括:
对表征终端执行的任务的属性特征值进行归一化处理。
对任务的属性特征值进行归一化处理,具体的,可以是:
Max(Xi)=Max{Xij}(j=1,2,......,n)
其中,Xij表示待标准化的属性特征值;Yij表示标准化后的属性特征值;Max(Xi)表示属性特征值的取值中的最大值;j表示任务编号,i表示属性编号。
在本申请提供的优选的实施方式中,归一化处理后的属性特征值,同一属性相对差距不变;不同属性之间的相对差距不确定;标准化后的属性特征值极大值相等。
S200:根据标准化后的属性特征值,计算单项任务工作量。
进一步的,在本申请提供的一种优选的实施例中,根据标准化的属性特征值,计算单项任务工作量,具体包括:
确定任务的各属性贡献系数;
根据属性贡献系数和标准化的属性特征值,计算单项任务工作量。
任务的不同属性对单项任务的工作量具有不同程度的影响。各属性对单项任务的工作量的影响程度可以通过贡献系数进行表征。具体的,例如对于播放音视频文件的任务,音视频文件的时长属性、音视频文件清晰度属性、音视频文件的文件大小属性、音视频文件的重播次数属性等对播放音视频文件的任务具有不同程度的影响。通过汇总各属性的贡献系数与标准化后的属性特征值的乘积,可以计算获得单项任务工作量。
确定任务的各属性贡献系数。具体的,可以主观设定各属性的贡献系数,也可以根据推荐的数值设定各属性的贡献系数。
进一步的,在本申请提供的一种优选的实施例中,确定任务的各属性贡献系数,还包括:
使用卷积神经网络算法对各属性贡献系数进行优化。
人工智能的深度学习方法在相关的文献中有详细阐释。这里只就与人工智能的深度学习的卷积神经网络算法在本申请实施例中的应用做原理性说明。
某一单项任务的各属性贡献系数的某一设定,可以视为构成一个数组。某一单项任务的各属性贡献系数的不同设定,则对应出现不同的数组。一个合理的或优选的数组,可以使得计算获得单项任务的工作量相对合理或相对准确。卷积神经网络算法就是通过历史样本不断训练获得一个合理的或优选的数组,即各属性贡献系数的合理设定的一个过程。卷积神经网络算法可以包括输入层、卷积层、池化层、以及一个或多个再卷积层、再池化层、全连接层和输出层。其中,输入层用于输入单项任务的训练样本;输出层用于输出单项任务的工作量。卷积神经网络算法中可以设定特征探测器的数量。特征探测器可以探测属性特征值和属性贡献系数的训练样本及待分类样本中所具有的特征。卷积神经网络算法可以通过多次训练将识别出的初级特征逐步组合形成高级特征。其中,卷积层用于识别训练样本及待分类样本与特征探测器的契合度,输出特征或特征组合。池化层用于去细节或背景去噪,以强化识别出的特征。全连接层和输出层用于实现单项任务工作量的计算结果的输出。全连接层可以设置若干层神经元,并且第一层神经元与识别出的特征或特征组合相连接、每层神经元与相邻的层之间的神经元相连接,最后一层神经元与输出层相连接。通过反向传播机制对特征或特征组合的权重,或者说出现的概率进行优化。也就是对属性贡献系数进行优化,从而获得合理的或者说相对准确的单项任务工作量。
S300:对终端执行的各项任务进行权重赋值。
对终端执行的各项任务进行权重赋值,具体的,可以主观设定各项任务的权重值,也可以根据推荐的数值设定各项任务的权重值。主观设定各项任务的权重值,可以使用专利调查法、二项系数法、环比评分法和/或层次分析法。根据推荐的数值设定各项任务的权重值,可以使用主成分分析法、熵技术法、均方差法和/或多目标规划法。
进一步的,在本申请提供的一种优选的实施例中,对终端执行的各项任务进行权重赋值,具体包括:
使用优劣解距离法对终端执行的各项任务进行权重赋值。
终端的工作量由若干数量的单项任务的工作量构成。或者说,终端工作量是若干单项任务工作量的加权和值。将若干单项任务按照顺序进行排列,该若干单项任务对应的权重值构成一个有序数组。该若干单项任务的对应的权重值的不同设定组合,形成不同的有序数组。一个相对合理的权重值的设定组合,可以相对准确的计算终端的工作量。
假设,数组有m个元素,即X1,X2,…,Xi,……,Xm。对于第i个元素,在不同的权重值设定组合中,第i个元素的最大取值用max(Xi)表示,第i个元素的最小取值用min(Xi)表示,第i个元素的均值用mean(Xi)表示。
权重赋值根据如下公式确定:
其中,Ci=|{max(Xi)-min(Xi)}{max(Xi)+min(Xi)-2*mean(Xi)}|
进一步的,在本申请提供的一种优选的实施例中,使用优劣解距离法对终端执行的各项任务进行权重赋值,还包括:
对权重赋值进一步赋予优化系数。
具体的例如,优化的权重值为优化前权重赋值与优化系数的乘积。
进一步的,在本申请提供的一种优选的实施例中,所述方法还包括:使用卷积神经网络算法对权重赋值进行优化。
终端的工作量由若干数量的单项任务的工作量构成。或者说,终端工作量是若干单项任务工作量的加权和值。将若干单项任务按照顺序进行排列,该若干单项任务对应的权重值构成一个有序数组。该若干单项任务的对应的权重值的不同设定组合,形成不同的有序数组。一个相对合理的权重值的设定组合,可以相对准确的计算终端的工作量。卷积神经网络算法就是通过历史样本不断训练获得一个合理的或优选的数组,即若干单项任务权重值的合理设定的一个过程。卷积神经网络算法可以包括输入层、卷积层、池化层、以及一个或多个再卷积层、再池化层、全连接层和输出层。其中,输入层用于输入终端的工作量的训练样本;输出层用于输出终端的工作量。卷积神经网络算法中可以设定特征探测器的数量。特征探测器可以探测终端的工作量的特征值和权重值的训练样本及待分类样本中所具有的特征。卷积神经网络算法可以通过多次训练将识别出的初级特征逐步组合形成高级特征。其中,卷积层用于识别训练样本及待分类样本与特征探测器的契合度,输出特征或特征组合。池化层用于去细节或背景去噪,以强化识别出的特征。全连接层和输出层用于实现终端的工作量的计算结果的输出。全连接层可以设置若干层神经元,并且第一层神经元与识别出的特征或特征组合相连接、每层神经元与相邻的层之间的神经元相连接,最后一层神经元与输出层相连接。通过反向传播机制对特征或特征组合的权重,或者说出现的概率进行优化。也就是对权重值进行优化,从而获得合理的或者说相对准确的终端的工作量。
进一步的,在本申请提供的一种实施例中,所述方法可以用于计算司法人员的工作量;
所述属性特征值至少包括案件案由特征值、案件审级特征值、处理时长特征值、任务类型特征值其中之一。
可以理解的是,随着司法系统信息化的发展,司法人员可以使用各自的终端,或者使用各自的账号登录司法系统。终端的工作量或者说对应账号的工作量与司法人员的工作量是相对应的。
单项任务的具体的形态可以是调解、审判、执行、鉴定、评估、审计或技术审查。
每一个单项任务的属性,例如对于审判任务而言,可以是涉案人数、涉案金额、涉案罪名、审理天数、超审限天数、裁判文书字数、卷宗页/册数、庭审笔录字数、证人人数、证据份数、送达(次数)、通知(次数)。对应的,属性特征值,可以是具体的数值或模拟的数值。
各项任务进行权重赋值,具体的表现为对各项任务进行赋值,例如,对于指定管辖案件每10件折算1件再审审查案件,可以将指定管辖案件的任务权重赋值为1,而将再审审查案件的任务权重赋值为10。
以上为本申请实施例提供的终端的工作量计算方法,基于同样的思路,本申请实施例还提供一种终端的工作量计算装置100,如图2所示。
一种终端的工作量计算装置100,包括:
预处理模块11,用于对表征计算机终端执行的任务的属性特征值进行标准化处理;
单项运算模块12,用于根据标准化后的属性特征值,计算单项任务工作量;
权重赋值模块13,用于对计算机终端执行的各项任务进行权重赋值;
加权运算模块14,用于根据各项任务的权重赋值,生成计算机终端的工作量。
这里的终端的工作量计算装置的一种具体应用可以理解为一种虚拟的装置,例如与浏览器相类似的软件产品。预处理模块11、单项运算模块12、权重赋值模块13、加权运算模块14的一种具体应用可以理解为可以独立封装的功能函数。
进一步的,在本申请提供的一种实施例中,所述预处理模块11,用于对表征计算机终端执行的任务的属性特征值进行标准化处理,具体用于:
对表征终端执行的任务的属性特征值进行归一化处理。
进一步的,在本申请提供的一种实施例中,所述单项运算模块12,用于根据标准化的属性特征值,计算单项任务工作量,具体用于:
确定任务的各属性贡献系数;
根据属性贡献系数和标准化的属性特征值,计算单项任务工作量。
进一步的,在本申请提供的一种实施例中,所述装置还包括优化模块,用于使用卷积神经网络算法对各属性贡献系数进行优化。
进一步的,在本申请提供的一种实施例中,所述权重赋值模块13,用于对终端执行的各项任务进行权重赋值,具体用于:
使用优劣解距离法对终端执行的各项任务进行权重赋值。
进一步的,在本申请提供的一种实施例中,所述装置还包括优化模块,用于使用卷积神经网络算法对权重赋值进行优化。
进一步的,在本申请提供的一种实施例中,所述装置用于计算司法人员的工作量;
所述属性特征值至少包括案件案由特征值、案件审级特征值、处理时长特征值、任务类型特征值其中之一。
本申请实施例还提供一种存储介质,所述存储介质存储有计算机程序,所述计算机程序被加载后,可以执行以下步骤:
对表征终端执行的任务的属性特征值进行标准化处理;
根据标准化后的属性特征值,计算单项任务工作量;
对终端执行的各项任务进行权重赋值;
根据各项任务的权重赋值,生成终端的工作量。
进一步的,在本申请提供的一种实施例中,所述存储介质存储有计算机程序,所述计算机程序被加载后,可以执行以下步骤:
对表征终端执行的任务的属性特征值进行归一化处理;
根据标准化后的属性特征值,计算单项任务工作量;
对终端执行的各项任务进行权重赋值;
根据各项任务的权重赋值,生成终端的工作量。
进一步的,在本申请提供的一种实施例中,所述存储介质存储有计算机程序,所述计算机程序被加载后,可以执行以下步骤:
对表征终端执行的任务的属性特征值进行标准化处理;
确定任务的各属性贡献系数;
根据属性贡献系数和标准化的属性特征值,计算单项任务工作量;
对终端执行的各项任务进行权重赋值;
根据各项任务的权重赋值,生成终端的工作量。
进一步的,在本申请提供的一种实施例中,所述存储介质存储有计算机程序,所述计算机程序被加载后,可以执行以下步骤:
对表征终端执行的任务的属性特征值进行标准化处理;
确定任务的各属性贡献系数;
使用卷积神经网络算法对各属性贡献系数进行优化;
根据属性贡献系数和标准化的属性特征值,计算单项任务工作量;
对终端执行的各项任务进行权重赋值;
根据各项任务的权重赋值,生成终端的工作量。
进一步的,在本申请提供的一种实施例中,所述存储介质存储有计算机程序,所述计算机程序被加载后,可以执行以下步骤:
对表征终端执行的任务的属性特征值进行标准化处理;
根据标准化后的属性特征值,计算单项任务工作量;
使用优劣解距离法对终端执行的各项任务进行权重赋值;
根据各项任务的权重赋值,生成终端的工作量。
进一步的,在本申请提供的一种实施例中,所述存储介质存储有计算机程序,所述计算机程序被加载后,可以执行以下步骤:
对表征终端执行的任务的属性特征值进行标准化处理;
根据标准化后的属性特征值,计算单项任务工作量;
对终端执行的各项任务进行权重赋值;
使用卷积神经网络算法对权重赋值进行优化;
根据各项任务的权重赋值,生成终端的工作量。
进一步的,在本申请提供的一种实施例中,所述存储介质存储有计算机程序,所述计算机程序被加载后,可以执行以下步骤:
对表征终端执行的任务的属性特征值进行标准化处理;
根据标准化后的属性特征值,计算单项任务工作量;
对终端执行的各项任务进行权重赋值;
根据各项任务的权重赋值,生成终端的工作量;
其中,所述司法人员的工作量与终端的工作量相对应;
所述属性特征值至少包括案件案由特征值、案件审级特征值、处理时长特征值、任务类型特征值其中之一。
本申请还提供一种终端,所述终端被配置为可以执行以下方法:
对表征终端执行的任务的属性特征值进行标准化处理;
根据标准化后的属性特征值,计算单项任务工作量;
对终端执行的各项任务进行权重赋值;
根据各项任务的权重赋值,生成终端的工作量。
进一步的,在本申请提供的一种实施例中,所述终端被配置为可以执行以下方法:
对表征终端执行的任务的属性特征值进行标准化处理;
根据标准化后的属性特征值,计算单项任务工作量;
对终端执行的各项任务进行权重赋值;
根据各项任务的权重赋值,生成终端的工作量。
进一步的,在本申请提供的一种实施例中,所述终端被配置为可以执行以下方法:
对表征终端执行的任务的属性特征值进行归一化处理;
根据标准化后的属性特征值,计算单项任务工作量;
对终端执行的各项任务进行权重赋值;
根据各项任务的权重赋值,生成终端的工作量。
进一步的,在本申请提供的一种实施例中,所述终端被配置为可以执行以下方法:
对表征终端执行的任务的属性特征值进行标准化处理;
确定任务的各属性贡献系数;
根据属性贡献系数和标准化的属性特征值,计算单项任务工作量;
对终端执行的各项任务进行权重赋值;
根据各项任务的权重赋值,生成终端的工作量。
进一步的,在本申请提供的一种实施例中,所述终端被配置为可以执行以下方法:
对表征终端执行的任务的属性特征值进行标准化处理;
确定任务的各属性贡献系数;
使用卷积神经网络算法对各属性贡献系数进行优化;
根据属性贡献系数和标准化的属性特征值,计算单项任务工作量;
对终端执行的各项任务进行权重赋值;
根据各项任务的权重赋值,生成终端的工作量。
进一步的,在本申请提供的一种实施例中,所述终端被配置为可以执行以下方法:
对表征终端执行的任务的属性特征值进行标准化处理;
根据标准化后的属性特征值,计算单项任务工作量;
使用优劣解距离法对终端执行的各项任务进行权重赋值;
根据各项任务的权重赋值,生成终端的工作量。
进一步的,在本申请提供的一种实施例中,所述终端被配置为可以执行以下方法:
对表征终端执行的任务的属性特征值进行标准化处理;
根据标准化后的属性特征值,计算单项任务工作量;
对终端执行的各项任务进行权重赋值;
使用卷积神经网络算法对权重赋值进行优化;
根据各项任务的权重赋值,生成终端的工作量。
进一步的,在本申请提供的一种实施例中,所述终端被配置为可以执行以下方法:
对表征终端执行的任务的属性特征值进行标准化处理;
根据标准化后的属性特征值,计算单项任务工作量;
对终端执行的各项任务进行权重赋值;
根据各项任务的权重赋值,生成终端的工作量;
其中,所述司法人员的工作量与终端的工作量相对应;
所述属性特征值至少包括案件案由特征值、案件审级特征值、处理时长特征值、任务类型特征值其中之一。
本申请实施例还提供一种云服务系统,用于为终端提供网络云服务,所述云服务系统开设有访问端口;
所述终端可以通过访问端口接受云服务系统的网络云服务,执行以下方法:
对表征终端执行的任务的属性特征值进行标准化处理;
根据标准化后的属性特征值,计算单项任务工作量;
对终端执行的各项任务进行权重赋值;
根据各项任务的权重赋值,生成终端的工作量;
其中,所述终端可以直接或间接执行上述方法。
对于终端直接执行上述方法,可以理解为终端在本地执行上述方法。对于终端间接执行上述方法,可以理解为终端与云服务系统进行消息交互,将其中至少一个步骤交由云服务系统执行,并接收云服务系统的处理结果。
进一步的,在本申请提供的一种实施例中,所述终端可以通过访问端口接受云服务系统的网络云服务,执行以下方法:
对表征终端执行的任务的属性特征值进行标准化处理;
根据标准化后的属性特征值,计算单项任务工作量;
对终端执行的各项任务进行权重赋值;
根据各项任务的权重赋值,生成终端的工作量。
进一步的,在本申请提供的一种实施例中,所述终端可以通过访问端口接受云服务系统的网络云服务,执行以下方法:
对表征终端执行的任务的属性特征值进行归一化处理;
根据标准化后的属性特征值,计算单项任务工作量;
对终端执行的各项任务进行权重赋值;
根据各项任务的权重赋值,生成终端的工作量。
进一步的,在本申请提供的一种实施例中,所述终端可以通过访问端口接受云服务系统的网络云服务,执行以下方法:
对表征终端执行的任务的属性特征值进行标准化处理;
确定任务的各属性贡献系数;
根据属性贡献系数和标准化的属性特征值,计算单项任务工作量;
对终端执行的各项任务进行权重赋值;
根据各项任务的权重赋值,生成终端的工作量。
进一步的,在本申请提供的一种实施例中,所述终端可以通过访问端口接受云服务系统的网络云服务,执行以下方法:
对表征终端执行的任务的属性特征值进行标准化处理;
确定任务的各属性贡献系数;
使用卷积神经网络算法对各属性贡献系数进行优化;
根据属性贡献系数和标准化的属性特征值,计算单项任务工作量;
对终端执行的各项任务进行权重赋值;
根据各项任务的权重赋值,生成终端的工作量。
进一步的,在本申请提供的一种实施例中,所述终端可以通过访问端口接受云服务系统的网络云服务,执行以下方法:
对表征终端执行的任务的属性特征值进行标准化处理;
根据标准化后的属性特征值,计算单项任务工作量;
使用优劣解距离法对终端执行的各项任务进行权重赋值;
根据各项任务的权重赋值,生成终端的工作量。
进一步的,在本申请提供的一种实施例中,所述终端可以通过访问端口接受云服务系统的网络云服务,执行以下方法:
对表征终端执行的任务的属性特征值进行标准化处理;
根据标准化后的属性特征值,计算单项任务工作量;
对终端执行的各项任务进行权重赋值;
使用卷积神经网络算法对权重赋值进行优化;
根据各项任务的权重赋值,生成终端的工作量。
进一步的,在本申请提供的一种实施例中,所述终端可以通过访问端口接受云服务系统的网络云服务,执行以下方法:
对表征终端执行的任务的属性特征值进行标准化处理;
根据标准化后的属性特征值,计算单项任务工作量;
对终端执行的各项任务进行权重赋值;
根据各项任务的权重赋值,生成终端的工作量;
其中,所述司法人员的工作量与终端的工作量相对应;
所述属性特征值至少包括案件案由特征值、案件审级特征值、处理时长特征值、任务类型特征值其中之一。
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。
内存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)。内存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,并不排除在包括所述要素的过程、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。
以上所述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 (11)
1.一种终端的工作量计算方法,其特征在于,包括:
对表征终端执行的任务的属性特征值进行标准化处理;
根据标准化后的属性特征值,计算单项任务工作量;
对终端执行的各项任务进行权重赋值;
根据各项任务的权重赋值,生成终端的工作量。
2.根据权利要求1所述的方法,其特征在于,对表征终端执行的任务的属性特征值进行标准化处理,具体包括:
对表征终端执行的任务的属性特征值进行归一化处理。
3.根据权利要求1所述的方法,其特征在于,根据标准化的属性特征值,计算单项任务工作量,具体包括:
确定任务的各属性贡献系数;
根据属性贡献系数和标准化的属性特征值,计算单项任务工作量。
4.根据权利要求3所述的方法,其特征在于,确定任务的各属性贡献系数,还包括:
使用卷积神经网络算法对各属性贡献系数进行优化。
5.根据权利要求1所述的方法,其特征在于,对终端执行的各项任务进行权重赋值,具体包括:
使用优劣解距离法对终端执行的各项任务进行权重赋值。
6.根据权利要求1所述的方法,其特征在于,所述方法还包括:
使用卷积神经网络算法对权重赋值进行优化。
7.根据权利要求1所述的方法,其特征在于,所述方法用于计算司法人员的工作量;
所述属性特征值至少包括案件案由特征值、案件审级特征值、处理时长特征值、任务类型特征值其中之一。
8.一种终端的工作量计算装置,其特征在于,包括:
预处理模块,用于对表征计算机终端执行的任务的属性特征值进行标准化处理;
单项运算模块,用于根据标准化后的属性特征值,计算单项任务工作量;
权重赋值模块,用于对计算机终端执行的各项任务进行权重赋值;
加权运算模块,用于根据各项任务的权重赋值,生成计算机终端的工作量。
9.一种存储介质,其特征在于,所述存储介质存储有计算机程序,所述计算机程序被加载后,可以执行权利要求1至7中任一项所述的方法。
10.一种终端,其特征在于,所述终端被配置为可以执行权利要求1至7中任一项所述的方法。
11.一种云服务系统,用于为终端提供网络云服务,其特征在于,所述云服务系统开设有访问端口;
所述终端可以通过访问端口接受云服务系统的网络云服务,执行权利要求1至7中任一项所述的方法;
其中,所述终端可以直接或间接执行上述方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010319761.9A CN111581068A (zh) | 2020-04-22 | 2020-04-22 | 终端的工作量计算方法及其装置、存储介质、终端、云服务系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010319761.9A CN111581068A (zh) | 2020-04-22 | 2020-04-22 | 终端的工作量计算方法及其装置、存储介质、终端、云服务系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111581068A true CN111581068A (zh) | 2020-08-25 |
Family
ID=72124514
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010319761.9A Pending CN111581068A (zh) | 2020-04-22 | 2020-04-22 | 终端的工作量计算方法及其装置、存储介质、终端、云服务系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111581068A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112734505A (zh) * | 2021-04-06 | 2021-04-30 | 北京轻松筹信息技术有限公司 | 用户行为分析方法、装置及电子设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105528283A (zh) * | 2015-12-10 | 2016-04-27 | 北京邮电大学 | 一种移动应用检测负载均衡算法中计算负载值的方法 |
US20170010947A1 (en) * | 2015-07-09 | 2017-01-12 | Comcast Cable Communications, Llc | Methods and systems for determining capacity |
CN106506665A (zh) * | 2016-11-18 | 2017-03-15 | 郑州云海信息技术有限公司 | 一种分布式视频监控系统的负载均衡方法及平台 |
CN106845777A (zh) * | 2016-12-21 | 2017-06-13 | 北京华宇信息技术有限公司 | 案件工作量评价方法、法官业绩评价方法、建模方法、计算装置和计算机可读存储介质 |
CN109388480A (zh) * | 2018-11-01 | 2019-02-26 | 郑州云海信息技术有限公司 | 一种处理云资源的方法及装置 |
-
2020
- 2020-04-22 CN CN202010319761.9A patent/CN111581068A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170010947A1 (en) * | 2015-07-09 | 2017-01-12 | Comcast Cable Communications, Llc | Methods and systems for determining capacity |
CN105528283A (zh) * | 2015-12-10 | 2016-04-27 | 北京邮电大学 | 一种移动应用检测负载均衡算法中计算负载值的方法 |
CN106506665A (zh) * | 2016-11-18 | 2017-03-15 | 郑州云海信息技术有限公司 | 一种分布式视频监控系统的负载均衡方法及平台 |
CN106845777A (zh) * | 2016-12-21 | 2017-06-13 | 北京华宇信息技术有限公司 | 案件工作量评价方法、法官业绩评价方法、建模方法、计算装置和计算机可读存储介质 |
CN109388480A (zh) * | 2018-11-01 | 2019-02-26 | 郑州云海信息技术有限公司 | 一种处理云资源的方法及装置 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112734505A (zh) * | 2021-04-06 | 2021-04-30 | 北京轻松筹信息技术有限公司 | 用户行为分析方法、装置及电子设备 |
CN112734505B (zh) * | 2021-04-06 | 2021-07-23 | 北京轻松筹信息技术有限公司 | 用户行为分析方法、装置及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20190370684A1 (en) | System for automatic, simultaneous feature selection and hyperparameter tuning for a machine learning model | |
Dai et al. | Improving data quality through deep learning and statistical models | |
US20210303970A1 (en) | Processing data using multiple neural networks | |
Kuzior et al. | Global digital convergence: Impact of cybersecurity, business transparency, economic transformation, and AML efficiency | |
CN112700324A (zh) | 基于CatBoost与受限玻尔兹曼机结合的用户借贷违约预测方法 | |
CN111882426A (zh) | 业务风险分类器训练方法、装置、设备及存储介质 | |
CN114565196B (zh) | 基于政务热线的多事件趋势预判方法、装置、设备及介质 | |
CN113657990A (zh) | 一种蚁狮算法优化narx神经网络风险预测系统及方法 | |
KR102084389B1 (ko) | 기업평가방법 및 시스템 | |
CN114693409A (zh) | 产品匹配方法、装置、计算机设备、存储介质和程序产品 | |
CN111581068A (zh) | 终端的工作量计算方法及其装置、存储介质、终端、云服务系统 | |
CN113379124A (zh) | 基于预测模型的人员稳定性预测方法及装置 | |
Zaffar et al. | Comparing the performance of FCBF, Chi-Square and relief-F filter feature selection algorithms in educational data mining | |
CN117076770A (zh) | 基于图计算的数据推荐方法、装置、存储价值及电子设备 | |
CN114549174A (zh) | 用户行为预测方法、装置、计算机设备和存储介质 | |
Khiem Tran et al. | Towards Improved Bankruptcy Prediction: Utilizing Variational Autoencoder Latent Representations in a Norwegian Context | |
CN114170000A (zh) | 信用卡用户风险类别识别方法、装置、计算机设备和介质 | |
CN111784503B (zh) | 一种通信征信数据的运营变现方法、系统和存储介质 | |
KR102311108B1 (ko) | 딥러닝 모델 거래중개서버에 의해서 수행되는 딥러닝 모델 거래를 중개하는 방법 | |
CN114547285B (zh) | 表格数据含义推断方法、装置、计算机设备和存储介质 | |
CN117151884A (zh) | 资产管理数据处理方法、装置、计算机设备和存储介质 | |
US11416712B1 (en) | Tabular data generation with attention for machine learning model training system | |
KR102313181B1 (ko) | 딥러닝 솔루션 플랫폼을 제공하는 딥러닝 플랫폼 제공장치에 의해서 수행되는 딥러닝 솔루션 제공 방법 | |
Oliveira et al. | Novelty detection for short time series with neural networks | |
CN117575772A (zh) | 一种异常用户的检测方法、装置、计算机设备、存储介质 |
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: 20200825 |