CN111813624A - 基于时长分析的机器人执行时长的预估方法及其相关设备 - Google Patents
基于时长分析的机器人执行时长的预估方法及其相关设备 Download PDFInfo
- Publication number
- CN111813624A CN111813624A CN202010611725.XA CN202010611725A CN111813624A CN 111813624 A CN111813624 A CN 111813624A CN 202010611725 A CN202010611725 A CN 202010611725A CN 111813624 A CN111813624 A CN 111813624A
- Authority
- CN
- China
- Prior art keywords
- execution
- task
- execution time
- sample
- fitting
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/3003—Monitoring arrangements specially adapted to the computing system or computing system component being monitored
- G06F11/302—Monitoring arrangements specially adapted to the computing system or computing system component being monitored where the computing system component is a software system
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/3051—Monitoring arrangements for monitoring the configuration of the computing system or of the computing system component, e.g. monitoring the presence of processing resources, peripherals, I/O links, software programs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/48—Program initiating; Program switching, e.g. by interrupt
- G06F9/4806—Task transfer initiation or dispatching
- G06F9/4843—Task transfer initiation or dispatching by program, e.g. task dispatcher, supervisor, operating system
- G06F9/4881—Scheduling strategies for dispatcher, e.g. round robin, multi-level priority queues
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
- G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P80/00—Climate change mitigation technologies for sector-wide applications
- Y02P80/10—Efficient use of energy, e.g. using compressed air or pressurized fluid as energy carrier
Abstract
本申请实施例属于人工智能技术领域,涉及一种基于时长分析的机器人执行时长的预估方法及其相关设备,包括统计任务的执行时长,剔除无异常的任务对应的执行时长中,不符合预设条件的执行时长,得到待拟合样本参数;获得执行异常的任务对应的执行时长,作为异常样本参数,拟合待拟合样本参数和异常样本参数,获得拟合曲线;根据拟合曲线预测下一次任务的初始预估执行时长;将预先统计的任务记录中异常执行频率和异常的任务的平均执行时间相乘,获得额外补偿时间,将初始预估执行时长与额外补偿时间相加,输出最终预估执行时长。本申请还涉及区块链技术,任务的执行时长可存储于区块链中。本申请提升对执行时长预估的准确度。
Description
技术领域
本申请涉及人工智能技术领域,尤其涉及基于时长分析的机器人执行时长的预估方法及其相关设备。
背景技术
随着计算机技术的高速发展,RPA(Robotic Process Automation,机器人流程自动化)受到越来越多企业的青睐,并在制造业、能源、银行金融等领域开始规模化试点和应用。随着RPA工具的发展完善,其逐渐发展成为企业或团队的“虚拟劳动力”或“虚拟团队”,接收并代替人手工操作独立完成一定工作。
RPA流程执行不同于其他程序或进程,支持消息机制和打断机制。目前在运行流程启动后,需要等待流程执行结束或达到预设的结束条件才会退出流程。而现有技术的预估方式存在没有充分考虑并选择适宜的样本数据,或者采用的预估方式不恰当等问题,对于每个任务要占用运行资源的时长难以实现较好的预估,影响资源的分配。因此,如何准确的预估机器人执行时长,是一项亟待解决的问题。
发明内容
本申请实施例的目的在于提出一种基于时长分析的机器人执行时长的预估方法及其相关设备,提升对执行时长预估的准确度。
为了解决上述技术问题,本申请实施例提供一种基于时长分析的机器人执行时长的预估方法,采用了如下所述的技术方案:
一种基于时长分析的机器人执行时长的预估方法,包括下述步骤:
获取历史执行任务,确定影响运行时长流程的参数,根据任务中不同参数的配置,将所述任务进行分类;
统计当前分类中每一个任务的执行时长,确定和记录当前分类中出现执行异常的任务和无异常的任务,并获得所述无异常的任务对应的执行时长,作为样本参数;
剔除不符合预设条件的样本参数,得到待拟合样本参数;
获得所述执行异常的任务对应的执行时长,作为异常样本参数,将所述待拟合样本参数和异常样本参数按照任务的执行时间先后顺序进行排序,并采用多项式拟合方式对所述待拟合样本参数和异常样本参数进行拟合,获得拟合曲线;
根据所述拟合曲线预测当前分类中下一次任务的初始预估执行时长;以及
统计在任务记录中异常执行频率和异常的任务的平均执行时间,将所述异常执行频率与异常的任务的平均执行时间相乘,获得额外补偿时间,将所述初始预估执行时长与额外补偿时间相加,获得并输出最终预估执行时长。
进一步的,所述统计当前分类中每一个任务的执行时长,并确定和记录当前分类中出现执行异常的任务和无异常的任务的步骤包括:
通过post请求打点或日志解析功能统计当前分类中每一个任务的执行时长;
通过post请求打点或日志解析功能确定并记录当前分类中出现执行异常的任务和无异常的任务。
进一步的,所述剔除不符合预设条件的样本参数,得到待拟合样本参数的步骤包括:
计算当前样本参数的平均执行时长Tave,n和方差θ;
剔除执行时长小于Tave,n-2θ或大于Tave,n+2θ的样本参数,统计剩余的样本参数是否达到预设的停止条件;
若未达到预设的停止条件,则计算剩余的样本参数的平均执行时长和方差,继续进行样本参数的剔除,直至达到预设的停止条件;
若达到预设的停止条件,则将剩余的样本参数作为待拟合样本参数。
进一步的,所述统计剩余的样本参数是否达到预设的停止条件的步骤包括:
计算剩余的样本参数的平均执行时长与上一次的平均执行时长的差值;
判断所述差值的绝对值与上一次的平均执行时长的1%的大小关系;
若所述差值的绝对值不大于上一次的平均执行时长的1%,则确认所述剩余的样本参数达到预设的停止条件。
进一步的,所述统计剩余的样本参数是否达到预设的停止条件的步骤包括:
统计剩余的样本参数的数量;
比较剩余的样本参数的数量与预设的阈值之间的大小关系;
若剩余的样本参数的数量小于预设的阈值,则确认所述剩余的样本参数达到预设的停止条件。
进一步的,采用多项式拟合方式对待拟合样本参数和异常样本参数进行拟合,获得拟合曲线的步骤包括:
根据预设的初始拟合公式对待拟合样本参数和异常样本参数进行拟合,得到初始拟合曲线,根据所述初始拟合曲线获得当前每一个任务的拟合数据;根据当前分类中每一个任务的执行时长,计算每一任务的拟合数据与执行时长之间的误差;
判断所述误差之和是否小于预设门限值;
若所述误差之和大于等于预设门限值,则将所述初始拟合公式进行升幂,重新将待拟合样本参数和异常样本参数进行拟合,直至升幂拟合后的误差之和小于预设门限值或已拟合至预设的最高次幂;
若所述误差之和小于预设门限值或已拟合至预设的最高次幂,则将当前的曲线作为拟合曲线。
进一步的,在所述将初始预估执行时长与额外补偿时间相加,获得并输出最终预估执行时长的步骤之后,还包括:
通过以下公式计算每个任务的拟合数据与对应的实际执行时长的平均绝对差值:
若下一次的实际执行时长与初始预估执行时长的差值的绝对值超过所述平均绝对差值,则将修正次数累积增加一次;
当所述修正次数达到预设的门限值时,重新对所述待拟合样本参数和异常样本参数进行拟合。
为了解决上述技术问题,本申请实施例还提供一种基于时长分析的机器人执行时长的预估装置,采用了如下所述的技术方案:
一种基于时长分析的机器人执行时长的预估装置,包括:
分类模块,用于获取历史执行任务,确定影响运行时长流程的参数,根据任务中不同参数的配置,将所述任务进行分类;
统计模块,用于统计当前分类中每一个任务的执行时长,确定和记录当前分类中出现执行异常的任务和无异常的任务,并获得所述无异常的任务对应的执行时长,作为样本参数;
剔除模块,用于剔除不符合预设条件的样本参数,得到待拟合样本参数;
拟合模块,用于获得所述执行异常的任务对应的执行时长,作为异常样本参数,将所述待拟合样本参数和异常样本参数按照任务的执行时间先后顺序进行排序,并采用多项式拟合方式对所述待拟合样本参数和异常样本参数进行拟合,获得拟合曲线;
预测模块,用于根据所述拟合曲线预测当前分类中下一次任务的初始预估执行时长;以及
输出模块,用于统计在任务记录中异常执行频率和异常的任务的平均执行时间,将所述异常执行频率与异常的任务的平均执行时间相乘,获得额外补偿时间,将所述初始预估执行时长与额外补偿时间相加,获得并输出最终预估执行时长。
为了解决上述技术问题,本申请实施例还提供一种计算机设备,采用了如下所述的技术方案:
一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器执行所述计算机程序时实现上述的基于时长分析的机器人执行时长的预估方法的步骤。
为了解决上述技术问题,本申请实施例还提供一种计算机可读存储介质,采用了如下所述的技术方案:
一种计算机可读存储介质,所述计算机可读存储介质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上述的基于时长分析的机器人执行时长的预估方法的步骤。
与现有技术相比,本申请实施例主要有以下有益效果:
本申请基于对流程执行时长的预估,可以提供给任务调度模块进行任务调度预估。还可以让相关人员根据最终预估执行时长,对可能存在的任务执行风险进行评估和预警,如果任务超时,则计算机可以及时的预警。本申请充分考虑了异常任务的执行情况,并剔除不适合的样本参数,提升了时长预估的准确性。计算机可以根据预估时长调配资源,提升RPA机器人资源的使用效率。
附图说明
为了更清楚地说明本申请中的方案,下面将对本申请实施例描述中所需要使用的附图作一个简单介绍,显而易见地,下面描述中的附图是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本申请可以应用于其中的示例性系统架构图;
图2是根据本申请的基于时长分析的机器人执行时长的预估方法的一个实施例的流程图;
图3是根据本申请的基于时长分析的机器人执行时长的预估装置的一个实施例的结构示意图;
图4是根据本申请的计算机设备的一个实施例的结构示意图。
附图标记:200、计算机设备;201、存储器;202、处理器;203、网络接口;300、基于时长分析的机器人执行时长的预估装置;301、分类模块;302、统计模块;303、剔除模块;304、拟合模块;305、预测模块;306、输出模块。
具体实施方式
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同;本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本申请;本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形,意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
为了使本技术领域的人员更好地理解本申请方案,下面将结合附图,对本申请实施例中的技术方案进行清楚、完整地描述。
如图1所示,系统架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture ExpertsGroup Audio Layer III,动态影像专家压缩标准音频层面3)、MP4(Moving PictureExperts Group Audio Layer IV,动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器,例如对终端设备101、102、103上显示的页面提供支持的后台服务器。
需要说明的是,本申请实施例所提供的基于时长分析的机器人执行时长的预估方法一般由服务器/终端设备执行,相应地,基于时长分析的机器人执行时长的预估装置一般设置于服务器/终端设备中。
应该理解,图1中的终端设备、网络和服务器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、网络和服务器。
继续参考图2,示出了根据本申请的基于时长分析的机器人执行时长的预估方法的一个实施例的流程图。所述的基于时长分析的机器人执行时长的预估方法,包括以下步骤:
S1:获取历史执行任务,确定影响运行时长流程的参数,根据任务中不同参数的配置,将所述任务进行分类。
在本实施例中,接收参数类型文档,其中包括标记的可能影响流程运行时长的参数和标记的不影响流程运行时长的参数。识别可能影响流程运行时长的参数,对可能影响运行时长的流程按不同参数配置进行区分,对不影响运行时长的差异参数可以不做区分,其中,参数可以包括执行的分支软件,预设的任务执行逻辑等。其中,对于执行任务的分支软件、预设的任务执行逻辑属于会对流程运行时长造成影响的参数。而任务名称、任务开始和任务结束时间等属于不会对流程运行时长产生影响的参数。比如:对于预设的任务执行逻辑,其中,任务执行逻辑为会影响流程运行时长的参数,若任意两个任务对应的任务执行逻辑之间的差异大于预设的范围,则将两个任务分属不同分类中。若任意两个任务对应的任务执行逻辑之间的差异小于预设的范围,则将两个任务暂时分属同一分类中,继续对比两个任务间的其他可能影响流程运行时长的参数。通过将任务进行分类,由于对同一类任务的执行时长的影响因素是相同的,便于对同一类任务进行时长预估,提升预估的时长的准确性和可靠性。
在本实施例中,实现上述任务的分类的过程可基于人工智能分类算法或者聚类算法实现,应当理解,此处对任务分类的举例仅为方便理解,不用于限定本申请。
在本实施例中,基于时长分析的机器人执行时长的预估方法运行于其上的电子设备(例如图1所示的服务器/终端设备)可以通过有线连接方式或者无线连接方式获取历史执行任务。需要指出的是,上述无线连接方式可以包括但不限于3G/4G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wide band)连接、以及其他现在已知或将来开发的无线连接方式。
S2:统计当前分类中每一个任务的执行时长,确定和记录当前分类中出现执行异常的任务和无异常的任务,并获得所述无异常的任务对应的执行时长,作为样本参数;
在本实施例中,针对已经分类好的某一个(类)任务进行处理,根据获取的每一个任务的执行时长,当前分类中每一个无异常的任务的执行时长分别作为一个样本参数,标定该类任务中所有任务执行时长集合为T={t1,t2,t3,…}。本申请对每次任务的执行时长有统计结果,对每次任务执行是否出现异常有明确记录,根据任务的执行记录判断任务是否执行异常。先将无异常的任务对应的执行时长作为样本参数进行后续计算,以防止异常任务的执行时长对初步计算的干扰。
具体的,在步骤S2中,即所述统计当前分类中每一个任务的执行时长,确定和记录当前分类中出现执行异常的任务和无异常的任务的步骤包括:
通过post请求打点或日志解析功能统计当前分类中每一个任务的执行时长;
通过post请求打点或日志解析功能确定并记录当前分类中出现执行异常的任务和无异常的任务。
在本实施例中,其中,可以将执行时长中的众数作为无异常的任务对应的执行时长,通过该执行时长确定无异常的任务。区别于该执行时长的其他执行时长,所对应的任务则作为异常的任务。在任务执行过程中,可能出现计算机宕机,线程过多而造成任务中断使得任务执行异常。或者出现人为的临时暂停/停止任务,临时暂停又恢复任务导致任务的整体执行时长比正常的执行时长要长,尤其对于那些处理数据量大的任务,临时暂停后,易造成系统反应延迟,任务执行异常。本申请使用post请求打点或日志解析功能记录任务的执行时长、执行异常的任务和和无异常的任务。其中,post请求打点是指提出运行任务请求的时候进行打点记录一下,任务执行结束发送结果时再记录。其中,post请求打点还可以设置为在执行到一定的程度时,都发送一次执行程度和执行状态,进行打点记录。或者经过一定的预设时间,发送一次执行程度和执行状态,进行打点记录进。有效保证可以正确记录并确定出异常任务。
S3:剔除不符合预设条件的样本参数,得到待拟合样本参数。
在本实施例中,通过剔除一些不符合条件的样本参数,来减少过大或者过小的样本参数对后续拟合过程的影响。
其中,在步骤S3中,即剔除不符合预设条件的样本参数,得到待拟合样本参数的步骤包括:
计算当前样本参数的平均执行时长Tave,n和方差θ;
剔除执行时长小于Tave,n-2θ或大于Tave,n+2θ的样本参数,统计剩余的样本参数是否达到预设的停止条件;
若未达到预设的停止条件,则计算剩余的样本参数的平均执行时长和方差,继续进行样本参数的剔除,直至达到预设的停止条件;
若达到预设的停止条件,则将剩余的样本参数作为待拟合样本参数。
在本实施例中,根据高斯随机分布模型选取Tave,n±2θ为最适范围,通过剔除范围之外的样本参数,实现剔除边缘数据,提升后续预测结果的准确性。设置预设的停止条件,防止过度剔除样本参数,而导致样本参数过少,影响后续的拟合结果。
进一步的,所述统计剩余的样本参数是否达到预设的停止条件的步骤包括:
计算剩余的样本参数的平均执行时长与上一次的平均执行时长的差值;
判断所述差值的绝对值与上一次的平均执行时长的1%的大小关系;
若所述差值的绝对值不大于上一次的平均执行时长的1%,则确认所述剩余的样本参数达到预设的停止条件。
在本实施例中,计算剩余样本参数的平均值作为新的平均执行时长Tave,n;继续剔除执行时长在Tave,n±2θ以外的样本参数,直到当前次的平均执行时长与下一次的平均执行时长的差值在当前次的平均执行时长的1%以内时,即|Tave,n-Tave,n-1|≤1%×Tave,n-1时,停止剔除样本参数,以防止过度剔除样本参数。
此外,还可以,所述统计剩余的样本参数是否达到预设的停止条件的步骤包括:
统计剩余的样本参数的数量;
比较剩余的样本参数的数量与预设的阈值之间的大小关系;
若剩余的样本参数的数量小于预设的阈值,则确认所述剩余的样本参数达到预设的停止条件。
在本实施例中,通过设置预设的阈值,防止最后剩余样本参数过少,影响后续预测。
进一步的,若剩余的样本参数的数量小于预设的阈值,则确认所述剩余的样本参数达到预设的停止条件的步骤包括:
若剩余的样本参数的数量小于原始样本参数的数量的一半或者小于10个样本参数时,停止剔除样本参数。
在本实施例中,通过设置最小剩余量,保证剩余有足够的样本参数用于计算。
S4:获得所述执行异常的任务对应的执行时长,作为异常样本参数,将所述待拟合样本参数和异常样本参数按照任务的执行时间先后顺序进行排序,并采用多项式拟合方式对所述待拟合样本参数和异常样本参数进行拟合,获得拟合曲线。
在本实施例中,具体的拟合过程可以由现有的计算机中的拟合程序执行,将筛选后的样本参数和异常的样本参数通过时间排序后进行拟合,获得拟合曲线,考虑了异常的任务的执行时长。
具体的,在步骤S4中,即所述采用多项式拟合方式对待拟合样本参数和异常样本参数进行拟合,获得拟合曲线的步骤包括:
根据预设的初始拟合公式对待拟合样本参数和异常样本参数进行拟合,得到初始拟合曲线,根据所述初始拟合曲线获得当前每一个任务的拟合数据;根据当前分类中每一个任务的执行时长,计算每一任务的拟合数据与执行时长之间的误差;
判断所述误差之和是否小于预设门限值;
若所述误差之和大于等于预设门限值,则将所述初始拟合公式进行升幂,重新将待拟合样本参数和异常样本参数进行拟合,直至升幂拟合后的误差之和小于预设门限值或已拟合至预设的最高次幂;
若所述误差之和小于预设门限值或已拟合至预设的最高次幂,则将当前的曲线作为拟合曲线。
在本实施例中,多项式升幂拟合是指不断对数据进行拟合,多项式最开始采用最低次幂(1阶)进行拟合,若拟合后的拟合曲线不符合要求。则将多项式升高一个次幂进行重新拟合,以此类推。拟合曲线的好坏不能够凭借多项式的次幂高低来判断,而是需要根据拟合出来的拟合曲线与样本数据之间的贴合情况确定最佳次幂。本申请的停止条件是:直到获得的拟合数据符合要求或者多项式的次幂已经升高至预设的最高次幂,停止拟合,获得拟合曲线。当前每一个任务的拟合数据与对应实际执行时长之间的累计误差(即误差的累加值)小于预设门限值时,获取当前状态下的拟合曲线,通过误差累计和预设门限值的方式确定拟合曲线,以获取更加准确的拟合曲线。
本申请在此对具体的拟合过程进行举例说明:此时待拟合样本参数和异常样本参数按照时间先后的顺序排序后的数值为:2h、2h、2.5h、4h、1.5h、6h、3h、4.5h、2h、2.5h、2h。最初的多项式拟合公式可以为:f(x)=ax+b,即最低次幂(1阶)进行拟合。而后进行升幂:f(x)=cx2+dx+e,以此类推。其中,拟合系数(a、b、c、d、e)利用最小二乘法或其他拟合方法求出,即可得到f(x)和x的关系,进而获得拟合曲线。本申请此处以f(x)=ax+b的公式进行举例,x=[1,2,3,4,5,6,7,8,9,10,11],f(x)=[2,2,2.5,4,1.5,6,3,4.5,2,2.5,2],将x和f(x)的数值和次幂为1输入计算机的polyfit函数中,即输出系数a和b的数值。
S5:根据拟合曲线预测当前分类中下一次任务的初始预估执行时长。
在本实施例中,计算机根据拟合曲线的趋势预测下一次当前分类的任务的初始预估执行时长Tnext,根据趋势进行预测,使得预测结果趋近于真实值。
S6:统计在任务记录中异常执行频率α和异常的任务的平均执行时间Terror,将异常执行频率与异常的任务的平均执行时间相乘,获得额外补偿时间,将初始预估执行时长与额外补偿时间相加,获得并输出最终预估执行时长Tfinal。
在本实施例中,计算额外补偿时间α×Terror,将初始预估执行时长与额外补偿时间相加获得最终预估执行时长Tfinal。Tfinal=Tnext+α×Terror。将额外补偿时间算入最终预估执行时长中,以保证最终预估执行时长中考虑了任务执行异常的情况。提升预测结果的准确性。
在本实施例的一些可选的实现方式中,在步骤S6,即将异常执行频率与异常任务的平均执行时间相乘,获得额外补偿时间的步骤之后,上述电子设备还可以执行以下步骤:
通过以下公式计算每个任务的拟合数据与对应的实际执行时长的平均绝对差值:
若下一次的实际执行时长与初始预估执行时长的差值的绝对值超过所述平均绝对差值,则将修正次数累积增加一次;
当所述修正次数达到预设的门限值时,重新对所述待拟合样本参数和异常样本参数进行拟合。
在本实施例中,若下一次的实际执行时长与初始预估执行时长Tnext的差值的绝对值不超过Δ,则无需修正;否则修正次数累积增加一次,当修正累积次数达到预设的门限值时,重新对所述待拟合样本参数和异常样本参数进行拟合,同时对修正次数进行清零。通过计算平均绝对差值来判定后续的预估时长与实际执行时长之间的差异情况。若相差次数过多,则对当前获取的任务数据重新进行拟合,以保证下一次预测结果的准确性。初始预估时长是基于无异常的任务执行时长计算获得的,则实际执行时长也是选择无异常的任务与初始预估时长进行对比。而最终预估执行时长是用于输出,来表明预测的该类任务的执行时长,以让接收到最终预估执行时长的人可以根据该时长灵活安排任务,调控资源。
本申请基于对流程执行时长的预估,可以提供给任务调度模块进行任务调度预估。还可以让相关人员根据最终预估执行时长,对可能存在的任务执行风险进行评估和预警,如果任务超时,则计算机可以及时的预警。本申请充分考虑了异常任务的执行情况,并剔除不适合的样本参数,提升了时长预估的准确性。计算机可以根据预估时长调配资源,提升RPA机器人资源的使用效率。
本申请基于人工智能,在计算机对执行时长进行预估的过程中,可以采用机器学习或者深度学习的方式实现计算机自动对执行时长进行预估。在将任务进行分类的过程中,可以采用分类算法进行分类。
需要强调的是,为进一步保证任务的执行时长的私密和安全性,任务的执行时长可存储于一区块链的节点中。
本申请所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
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,该计算机程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)等非易失性存储介质,或随机存储记忆体(Random Access Memory,RAM)等。
应该理解的是,虽然附图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,其可以以其他的顺序执行。而且,附图的流程图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,其执行顺序也不必然是依次进行,而是可以与其他步骤或者其他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。
进一步参考图3,作为对上述图2所示方法的实现,本申请提供了一种基于时长分析的机器人执行时长的预估装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图3所示,本实施例所述的基于时长分析的机器人执行时长的预估装置300包括:分类模块301、统计模块302、剔除模块303、拟合模块304、预测模块305以及输出模块306。其中:所述分类模块301,用于获取历史执行任务,确定影响运行时长流程的参数,根据任务中不同参数的配置,将所述任务进行分类;所述统计模块302,用于统计当前分类中每一个任务的执行时长,确定和记录当前分类中出现执行异常的任务和无异常的任务,并获得所述无异常的任务对应的执行时长,作为样本参数;所述剔除模块303,用于剔除不符合预设条件的样本参数,得到待拟合样本参数;所述拟合模块304,用于获得所述执行异常的任务对应的执行时长,作为异常样本参数,将所述待拟合样本参数和异常样本参数按照任务的执行时间先后顺序进行排序,并采用多项式拟合方式对所述待拟合样本参数和异常样本参数进行拟合,获得拟合曲线。所述预测模块305,用于根据所述拟合曲线预测当前分类中下一次任务的初始预估执行时长。所述输出模块306,用于统计在任务记录中异常执行频率和异常的任务的平均执行时间,将所述异常执行频率与异常的任务的平均执行时间相乘,获得额外补偿时间,将所述初始预估执行时长与额外补偿时间相加,获得并输出最终预估执行时长。
在本实施例中,基于对流程执行时长的预估,可以提供给任务调度模块进行任务调度预估。还可以让相关人员根据最终预估执行时长,对可能存在的任务执行风险进行评估和预警,如果任务超时,则计算机可以及时的预警。本申请充分考虑了异常任务的执行情况,并剔除不适合的样本参数,提升了时长预估的准确性。计算机可以根据预估时长调配资源,提升RPA机器人资源的使用效率。
所述统计模块302包括统计时长子模块和确定异常子模块,所述统计时长子模块用于通过post请求打点或日志解析功能统计当前分类中每一个任务的执行时长。所述确定异常子模块用于通过post请求打点或日志解析功能确定并记录当前分类中出现执行异常的任务和无异常的任务。
所述剔除模块303包括剔除子模块和停止子模块,所述剔除子模块用于计算当前样本参数的平均执行时长Tave,n和方差θ,剔除执行时长小于Tave,n-2θ或大于Tave,n+2θ的样本参数,统计剩余的样本参数是否达到预设的停止条件;。所述停止子模块用于当未达到预设的停止条件时,计算剩余的样本参数的平均执行时长和方差,继续进行样本参数的剔除,直至达到预设的停止条件,当达到预设的停止条件时,将剩余的样本参数作为待拟合样本参数。
所述剔除子模块包括计算单元、判断单元和确认单元。所述计算单元用于计算剩余的样本参数的平均执行时长与上一次的平均执行时长的差值。所述判断单元用于判断所述差值的绝对值与上一次的平均执行时长的1%的大小关系。所述确认单元用于当所述差值的绝对值不大于上一次的平均执行时长的1%时,确认所述剩余的样本参数达到预设的停止条件。
作为本申请的另一实施例,所述剔除子模块还包括统计单元、比较单元和停止单元。所述统计单元用于统计剩余的样本参数的数量。所述比较单元用于比较剩余的样本参数的数量与预设的阈值之间的大小关系。所述停止单元用于当剩余的样本参数的数量小于预设的阈值时,确认所述剩余的样本参数达到预设的停止条件。
在本实施例的一些可选的实现方式中,所述停止单元还用于当剩余的样本参数的数量小于原始样本参数的数量的一半或者10个样本参数时,停止剔除样本参数。
所述拟合模块304包括初始拟合子模块、拟合计算子模块、误差子模块、升幂子模块和拟合曲线子模块。所述初始拟合子模块用于根据预设的初始拟合公式对待拟合样本参数和异常样本参数进行拟合,得到初始拟合曲线,根据所述初始拟合曲线获得当前每一个任务的拟合数据;所述拟合计算子模块用于根据当前分类中每一个任务的执行时长,计算每一任务的拟合数据与执行时长之间的误差;所述误差子模块用于判断所述误差之和是否小于预设门限值;所述升幂子模块用于当所述误差之和大于等于预设门限值时,将所述初始拟合公式进行升幂,重新将待拟合样本参数和异常样本参数进行拟合,直至升幂拟合后的误差之和小于预设门限值或已拟合至预设的最高次幂;所述拟合曲线子模块用于当所述误差之和小于预设门限值或已拟合至预设的最高次幂时,将当前的曲线作为拟合曲线。
在本实施例的一些可选的实现方式中,上述装置300还包括:累计模块,用于通过以下公式计算每个任务的拟合数据与对应的实际执行时长的平均绝对差值:
其中,n为任务个数,treal,m为实际执行时长,teat,m为对应的拟合数据,当下一次的实际执行时长与初始预估执行时长的差值的绝对值超过所述平均绝对差值时,将修正次数累积增加一次,当所述修正次数达到预设的门限值时,重新对所述待拟合样本参数和异常样本参数进行拟合。
本申请基于对流程执行时长的预估,可以提供给任务调度模块进行任务调度预估。还可以让相关人员根据最终预估执行时长,对可能存在的任务执行风险进行评估和预警,如果任务超时,则计算机可以及时的预警。本申请充分考虑了异常任务的执行情况,并剔除不适合的样本参数,提升了时长预估的准确性。计算机可以根据预估时长调配资源,提升RPA机器人资源的使用效率。
为解决上述技术问题,本申请实施例还提供计算机设备。具体请参阅图4,图4为本实施例计算机设备基本结构框图。
所述计算机设备200包括通过系统总线相互通信连接存储器201、处理器202、网络接口203。需要指出的是,图中仅示出了具有组件201-203的计算机设备200,但是应理解的是,并不要求实施所有示出的组件,可以替代的实施更多或者更少的组件。其中,本技术领域技术人员可以理解,这里的计算机设备是一种能够按照事先设定或存储的指令,自动进行数值计算和/或信息处理的设备,其硬件包括但不限于微处理器、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程门阵列(Field-Programmable Gate Array,FPGA)、数字处理器(Digital Signal Processor,DSP)、嵌入式设备等。
所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
所述存储器201至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中,所述存储器201可以是所述计算机设备200的内部存储单元,例如该计算机设备200的硬盘或内存。在另一些实施例中,所述存储器201也可以是所述计算机设备200的外部存储设备,例如该计算机设备200上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。当然,所述存储器201还可以既包括所述计算机设备200的内部存储单元也包括其外部存储设备。本实施例中,所述存储器201通常用于存储安装于所述计算机设备200的操作系统和各类应用软件,例如基于时长分析的机器人执行时长的预估方法的程序代码等。此外,所述存储器201还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器202在一些实施例中可以是中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器202通常用于控制所述计算机设备200的总体操作。本实施例中,所述处理器202用于运行所述存储器201中存储的程序代码或者处理数据,例如运行所述基于时长分析的机器人执行时长的预估方法的程序代码。
所述网络接口203可包括无线网络接口或有线网络接口,该网络接口203通常用于在所述计算机设备200与其他电子设备之间建立通信连接。
在本实施例中,本申请充分考虑了异常任务的执行情况,并剔除不适合的样本参数,提升了时长预估的准确性。计算机可以根据预估时长调配资源,提升RPA机器人资源的使用效率。
本申请还提供了另一种实施方式,即提供一种计算机可读存储介质,所述计算机可读存储介质存储有基于时长分析的机器人执行时长的预估程序,所述基于时长分析的机器人执行时长的预估程序可被至少一个处理器执行,以使所述至少一个处理器执行如上述的基于时长分析的机器人执行时长的预估方法的步骤。
在本实施例中,本申请充分考虑了异常任务的执行情况,并剔除不适合的样本参数,提升了时长预估的准确性。计算机可以根据预估时长调配资源,提升RPA机器人资源的使用效率。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本申请各个实施例所述的方法。
显然,以上所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例,附图中给出了本申请的较佳实施例,但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现,相反地,提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明,对于本领域的技术人员来而言,其依然可以对前述各具体实施方式所记载的技术方案进行修改,或者对其中部分技术特征进行等效替换。凡是利用本申请说明书及附图内容所做的等效结构,直接或间接运用在其他相关的技术领域,均同理在本申请专利保护范围之内。
Claims (10)
1.一种基于时长分析的机器人执行时长的预估方法,其特征在于,包括下述步骤:
获取历史执行任务,确定影响运行时长流程的参数,根据任务中不同参数的配置,将所述任务进行分类;
统计当前分类中每一个任务的执行时长,确定和记录当前分类中出现执行异常的任务和无异常的任务,并获得所述无异常的任务对应的执行时长,作为样本参数;
剔除不符合预设条件的样本参数,得到待拟合样本参数;
获得所述执行异常的任务对应的执行时长,作为异常样本参数,将所述待拟合样本参数和异常样本参数按照任务的执行时间先后顺序进行排序,并采用多项式拟合方式对所述待拟合样本参数和异常样本参数进行拟合,获得拟合曲线;
根据所述拟合曲线预测当前分类中下一次任务的初始预估执行时长;以及
统计在任务记录中异常执行频率和异常的任务的平均执行时间,将所述异常执行频率与异常的任务的平均执行时间相乘,获得额外补偿时间,将所述初始预估执行时长与额外补偿时间相加,获得并输出最终预估执行时长。
2.根据权利要求1所述的基于时长分析的机器人执行时长的预估方法,其特征在于,所述统计当前分类中每一个任务的执行时长,并确定和记录当前分类中出现执行异常的任务和无异常的任务的步骤包括:
通过post请求打点或日志解析功能统计当前分类中每一个任务的执行时长;
通过post请求打点或日志解析功能确定并记录当前分类中出现执行异常的任务和无异常的任务。
3.根据权利要求1所述的基于时长分析的机器人执行时长的预估方法,其特征在于,所述剔除不符合预设条件的样本参数,得到待拟合样本参数的步骤包括:
计算当前样本参数的平均执行时长Tave,n和方差θ;
剔除执行时长小于Tave,n-2θ或大于Tave,n+2θ的样本参数,统计剩余的样本参数是否达到预设的停止条件;
若未达到预设的停止条件,则计算剩余的样本参数的平均执行时长和方差,继续进行样本参数的剔除,直至达到预设的停止条件;
若达到预设的停止条件,则将剩余的样本参数作为待拟合样本参数。
4.根据权利要求3所述的基于时长分析的机器人执行时长的预估方法,其特征在于,所述统计剩余的样本参数是否达到预设的停止条件的步骤包括:
计算剩余的样本参数的平均执行时长与上一次的平均执行时长的差值;
判断所述差值的绝对值与上一次的平均执行时长的1%的大小关系;
若所述差值的绝对值不大于上一次的平均执行时长的1%,则确认所述剩余的样本参数达到预设的停止条件。
5.根据权利要求3所述的基于时长分析的机器人执行时长的预估方法,其特征在于,所述统计剩余的样本参数是否达到预设的停止条件的步骤包括:
统计剩余的样本参数的数量;
比较剩余的样本参数的数量与预设的阈值之间的大小关系;
若剩余的样本参数的数量小于预设的阈值,则确认所述剩余的样本参数达到预设的停止条件。
6.根据权利要求1所述的基于时长分析的机器人执行时长的预估方法,其特征在于,采用多项式拟合方式对待拟合样本参数和异常样本参数进行拟合,获得拟合曲线的步骤包括:
根据预设的初始拟合公式对待拟合样本参数和异常样本参数进行拟合,得到初始拟合曲线,根据所述初始拟合曲线获得当前每一个任务的拟合数据;根据当前分类中每一个任务的执行时长,计算每一任务的拟合数据与执行时长之间的误差;
判断所述误差之和是否小于预设门限值;
若所述误差之和大于等于预设门限值,则将所述初始拟合公式进行升幂,重新将待拟合样本参数和异常样本参数进行拟合,直至升幂拟合后的误差之和小于预设门限值或已拟合至预设的最高次幂;
若所述误差之和小于预设门限值或已拟合至预设的最高次幂,则将当前的曲线作为拟合曲线。
8.一种基于时长分析的机器人执行时长的预估装置,其特征在于,包括:
分类模块,用于获取历史执行任务,确定影响运行时长流程的参数,根据任务中不同参数的配置,将所述任务进行分类;
统计模块,用于统计当前分类中每一个任务的执行时长,确定和记录当前分类中出现执行异常的任务和无异常的任务,并获得所述无异常的任务对应的执行时长,作为样本参数;
剔除模块,用于剔除不符合预设条件的样本参数,得到待拟合样本参数;
拟合模块,用于获得所述执行异常的任务对应的执行时长,作为异常样本参数,将所述待拟合样本参数和异常样本参数按照任务的执行时间先后顺序进行排序,并采用多项式拟合方式对所述待拟合样本参数和异常样本参数进行拟合,获得拟合曲线;
预测模块,用于根据所述拟合曲线预测当前分类中下一次任务的初始预估执行时长;以及
输出模块,用于统计在任务记录中异常执行频率和异常的任务的平均执行时间,将所述异常执行频率与异常的任务的平均执行时间相乘,获得额外补偿时间,将所述初始预估执行时长与额外补偿时间相加,获得并输出最终预估执行时长。
9.一种计算机设备,其特征在于,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述的基于时长分析的机器人执行时长的预估方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质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如权利要求1至7中任一项所述的基于时长分析的机器人执行时长的预估方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010611725.XA CN111813624B (zh) | 2020-06-29 | 2020-06-29 | 基于时长分析的机器人执行时长的预估方法及其相关设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010611725.XA CN111813624B (zh) | 2020-06-29 | 2020-06-29 | 基于时长分析的机器人执行时长的预估方法及其相关设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111813624A true CN111813624A (zh) | 2020-10-23 |
CN111813624B CN111813624B (zh) | 2022-08-12 |
Family
ID=72856541
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010611725.XA Active CN111813624B (zh) | 2020-06-29 | 2020-06-29 | 基于时长分析的机器人执行时长的预估方法及其相关设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111813624B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112151158A (zh) * | 2020-10-26 | 2020-12-29 | 昆明医科大学第一附属医院 | 基于动态参数的医院临床检查检验预约系统及方法 |
CN112465328A (zh) * | 2020-11-23 | 2021-03-09 | 深圳市易平方网络科技有限公司 | 一种基于工作时长评估智能终端质量的方法 |
CN112712331A (zh) * | 2020-12-17 | 2021-04-27 | 浙江高速信息工程技术有限公司 | 审批数据查询方法、装置、计算机设备及存储介质 |
CN113177741A (zh) * | 2021-05-27 | 2021-07-27 | 中国平安人寿保险股份有限公司 | 任务执行方法、装置、计算机设备及存储介质 |
CN113268335A (zh) * | 2021-06-24 | 2021-08-17 | 中国平安人寿保险股份有限公司 | 模型训练和执行时长预估方法、装置、设备和存储介质 |
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 |
CN113641667A (zh) * | 2021-08-12 | 2021-11-12 | 深圳市润迅通投资有限公司 | 一种分布式大数据采集平台的数据异常监控系统及方法 |
CN115529168A (zh) * | 2022-09-16 | 2022-12-27 | 上海蜂高科技有限公司 | 一种基于机器人与区块链多点操控加密系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070150077A1 (en) * | 2005-12-28 | 2007-06-28 | Microsoft Corporation | Detecting instabilities in time series forecasting |
US20110138397A1 (en) * | 2009-12-07 | 2011-06-09 | Fujitsu Limited | Processing time estimation method and apparatus |
US20160004566A1 (en) * | 2014-07-02 | 2016-01-07 | Fujitsu Limited | Execution time estimation device and execution time estimation method |
CN108920863A (zh) * | 2018-07-20 | 2018-11-30 | 湖南大学 | 一种机器人伺服系统能耗估计模型的建立方法 |
-
2020
- 2020-06-29 CN CN202010611725.XA patent/CN111813624B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070150077A1 (en) * | 2005-12-28 | 2007-06-28 | Microsoft Corporation | Detecting instabilities in time series forecasting |
US20110138397A1 (en) * | 2009-12-07 | 2011-06-09 | Fujitsu Limited | Processing time estimation method and apparatus |
US20160004566A1 (en) * | 2014-07-02 | 2016-01-07 | Fujitsu Limited | Execution time estimation device and execution time estimation method |
CN108920863A (zh) * | 2018-07-20 | 2018-11-30 | 湖南大学 | 一种机器人伺服系统能耗估计模型的建立方法 |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112151158A (zh) * | 2020-10-26 | 2020-12-29 | 昆明医科大学第一附属医院 | 基于动态参数的医院临床检查检验预约系统及方法 |
CN112465328A (zh) * | 2020-11-23 | 2021-03-09 | 深圳市易平方网络科技有限公司 | 一种基于工作时长评估智能终端质量的方法 |
CN112465328B (zh) * | 2020-11-23 | 2024-02-09 | 重庆市易平方科技有限公司 | 一种基于工作时长评估智能终端质量的方法 |
CN112712331A (zh) * | 2020-12-17 | 2021-04-27 | 浙江高速信息工程技术有限公司 | 审批数据查询方法、装置、计算机设备及存储介质 |
CN113177741A (zh) * | 2021-05-27 | 2021-07-27 | 中国平安人寿保险股份有限公司 | 任务执行方法、装置、计算机设备及存储介质 |
CN113177741B (zh) * | 2021-05-27 | 2024-03-19 | 中国平安人寿保险股份有限公司 | 任务执行方法、装置、计算机设备及存储介质 |
CN113268335B (zh) * | 2021-06-24 | 2023-02-07 | 中国平安人寿保险股份有限公司 | 模型训练和执行时长预估方法、装置、设备和存储介质 |
CN113268335A (zh) * | 2021-06-24 | 2021-08-17 | 中国平安人寿保险股份有限公司 | 模型训练和执行时长预估方法、装置、设备和存储介质 |
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 |
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 |
CN113641667B (zh) * | 2021-08-12 | 2022-05-20 | 深圳市润迅通投资有限公司 | 一种分布式大数据采集平台的数据异常监控系统及方法 |
CN113641667A (zh) * | 2021-08-12 | 2021-11-12 | 深圳市润迅通投资有限公司 | 一种分布式大数据采集平台的数据异常监控系统及方法 |
CN115529168A (zh) * | 2022-09-16 | 2022-12-27 | 上海蜂高科技有限公司 | 一种基于机器人与区块链多点操控加密系统 |
CN115529168B (zh) * | 2022-09-16 | 2023-08-04 | 上海蜂高科技有限公司 | 一种基于机器人与区块链多点操控加密系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111813624B (zh) | 2022-08-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111813624B (zh) | 基于时长分析的机器人执行时长的预估方法及其相关设备 | |
CN112052111B (zh) | 服务器异常预警的处理方法、装置、设备及存储介质 | |
JP2012244897A (ja) | 短期電力負荷を予測する方法及び装置 | |
CN110895495A (zh) | 人因失误分析方法、系统、计算机设备及存储介质 | |
CN114564294A (zh) | 智能服务编排方法、装置、计算机设备及存储介质 | |
CN111753875A (zh) | 一种电力信息系统运行趋势分析方法、装置及存储介质 | |
CN110708197B (zh) | 监控装置、监控装置的监控策略的设置方法及存储介质 | |
CN115936895A (zh) | 基于人工智能的风险评估方法、装置、设备及存储介质 | |
CN115794578A (zh) | 一种电力系统的数据管理方法、装置、设备及介质 | |
CN111813518A (zh) | 机器人预警方法、装置、计算机设备及存储介质 | |
CN111475267A (zh) | 系统任务自动调度方法、装置、计算机设备及存储介质 | |
CN115471215B (zh) | 一种业务流程处理方法及装置 | |
CN116843395A (zh) | 一种业务系统的告警分级方法、装置、设备及存储介质 | |
CN115757075A (zh) | 任务异常检测方法、装置、计算机设备及存储介质 | |
CN114610240A (zh) | 一种基于物联网的数据存储资源调度系统 | |
CN114968719A (zh) | 线程运行状态分类方法、装置、计算机设备及存储介质 | |
CN114722025A (zh) | 基于预测模型的数据预测方法、装置、设备及存储介质 | |
CN114090407A (zh) | 基于线性回归模型的接口性能预警方法及其相关设备 | |
CN111327513B (zh) | 消息数据的推送方法、装置、计算机设备及存储介质 | |
CN115018366B (zh) | 储能系统工作状态监测方法、装置、存储介质及电子设备 | |
CN111047433B (zh) | 用户数异常原因的分析方法、装置、服务器和存储介质 | |
CN116993218A (zh) | 基于人工智能的指标分析方法、装置、设备及存储介质 | |
CN116795632A (zh) | 任务处理方法、装置、计算机设备及存储介质 | |
CN115904657A (zh) | 单证生成方法、装置、计算机设备及存储介质 | |
CN115907059A (zh) | 时间序列数据的周期性预测方法、计算机设备和存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |