CN112069244B - 一种基于可视化web页面数据挖掘的方法和存储设备 - Google Patents
一种基于可视化web页面数据挖掘的方法和存储设备 Download PDFInfo
- Publication number
- CN112069244B CN112069244B CN202010885535.7A CN202010885535A CN112069244B CN 112069244 B CN112069244 B CN 112069244B CN 202010885535 A CN202010885535 A CN 202010885535A CN 112069244 B CN112069244 B CN 112069244B
- Authority
- CN
- China
- Prior art keywords
- model
- data mining
- steps
- algorithm library
- production environment
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/26—Visual data mining; Browsing structured data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/958—Organisation or management of web site content, e.g. publishing, maintaining pages or automatic linking
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及模型建立领域,特别涉及一种基于可视化web页面数据挖掘的方法和存储设备。所述一种基于可视化web页面数据挖掘的方法,包括步骤:在模型开发环境中进行模型训练,得有效模型;将有效模型导出为预设类型文件;在生产环境的页面的预设区域选取预设类型文件建立算法库模型;对算法库模型进行发布;切换至生产环境的其它页面,在其它页面的第一预设区域显示数据挖掘模型组件;根据拖拽指令拖拽目标组件至其它页面的第二预设区域,对目标组件进行配置后生成数据挖掘模型,运行数据挖掘模型进行数据挖掘。整个操作过程直接在页面上操作,操作人员无需编写程序,无需专业的技术人员参与,大大降低了使用技术门槛,带来更好的用户体验。
Description
技术领域
本发明涉及模型建立领域,特别涉及一种基于可视化web页面数据挖掘的方法和存储设备。
背景技术
智能分析平台需要使用数据挖掘技术(例如关联规则、神经网络、决策树、聚类等)完成数据分析。数据挖掘的开发环境一般采用Python、R等平台,生产环境使用Java平台,数据挖掘模型如何在两种平台间共享成为急需要解决的问题。
且数据挖掘模型在生产环境中应用时,常需要通过编写程序代码来对其进行应用,对使用人员的技术门槛较高。
发明内容
为此,需要提供一种基于可视化web页面数据挖掘的方法,用以解决数据挖掘模型无法在开发环境和生产环境两种平台间共享、及生产环境数据挖掘模型使用技术门槛高的问题。具体技术方案如下:
一种基于可视化web页面数据挖掘的方法,包括步骤:
在模型开发环境中进行模型训练,得有效模型;
将所述有效模型导出为预设类型文件;
响应新建算法库模型指令,在生产环境的页面的预设区域选取预设类型文件建立算法库模型;
对所述算法库模型进行发布;
切换至生产环境的其它页面,在所述其它页面的第一预设区域显示数据挖掘模型组件,所述组件包括:数据源、和发布的算法库模型,所述数据源包括以下中的一种或多种:数据库、输入表、输出表;
根据拖拽指令拖拽目标组件至所述其它页面的第二预设区域,对所述目标组件建立连接关系,并对所述目标组件进行配置及参数调整后生成数据挖掘模型,运行所述数据挖掘模型进行数据挖掘。
进一步的,还包括步骤:
导出所述算法库模型,或更新所述算法库模型。
进一步的,所述“并对所述目标组件进行配置及参数调整后生成数据挖掘模型”,还包括步骤:
选定输入数据库及该输入数据库下的输入表;
对所述输入表内的字段与选定的算法库模型的参数建立对应关系。
进一步的,还包括步骤:
选择输出数据库和输出表,将所述数据挖掘结果保存至所述输出数据库下的输出表中。
进一步的,还包括步骤:
所述“将所述有效模型导出为预设类型文件”,还包括步骤:将所述有效模型导出为PKI文件;
所述“对所述算法库模型进行发布”,还包括步骤:将所述PKI文件部署至生产环境的Python模型池,以Restful API方式对外提供服务;
所述“根据拖拽指令拖拽目标组件至所述其它页面的第二预设区域”,还包括步骤:通过调用Restful API来调用发布的算法库模型。
进一步的,所述“对所述目标组件建立连接关系,并对所述目标组件进行配置及参数调整后生成数据挖掘模型,运行所述数据挖掘模型进行数据挖掘”,还包括步骤:
RESTful API根据model id加载算法库模型,并根据参数加载预测数据、执行预测任务,并返回结果至生产环境。
进一步的,还包括步骤:
所述“将所述有效模型导出为预设类型文件”,还包括步骤:将所述有效模型导出为PMML文件;
所述“对所述算法库模型进行发布”,还包括步骤:将所述PMML文件注册在生产环境的PMML模型池;
所述“根据拖拽指令拖拽目标组件至所述其它页面的第二预设区域”,还包括步骤:通过调用PMML Java引擎来调用发布的算法库模型。
进一步的,所述“对所述目标组件建立连接关系,并对所述目标组件进行配置及参数调整后生成数据挖掘模型,运行所述数据挖掘模型进行数据挖掘”,还包括步骤:
PMML Java引擎根据model id加载算法库模型,并根据参数加载预测数据执行预测任务,并返回结果至生产环境的应用程序。
为解决上述技术问题,还提供了一种存储设备,所述存储设备存储有指令集,所述指令集用于执行:上述任意步骤。
本发明的有益效果是:通过在模型开发环境中进行模型训练,得有效模型;将所述有效模型导出为预设类型文件;响应新建算法库模型指令,在生产环境的页面的预设区域选取预设类型文件建立算法库模型;对所述算法库模型进行发布;切换至生产环境的其它页面,在所述其它页面的第一预设区域显示数据挖掘模型组件,所述组件包括:数据源、和发布的算法库模型,所述数据源包括以下中的一种或多种:数据库、输入表、输出表;根据拖拽指令拖拽目标组件至所述其它页面的第二预设区域,对所述目标组件建立连接关系,并对所述目标组件进行配置及参数调整后生成数据挖掘模型,运行所述数据挖掘模型进行数据挖掘。通过上述这些操作,开发环境的有效模型导出为预设类型文件后,生产环境即可调用,而在生产环境中可直接在其页面上,调用预设类型文件来建立算法库模型,并对所述算法库模型进行发布,发布后的算法库模型可被生产环境的其它程序所调用,可直接切换至生产环境的其它页面,在所述其它页面的第一预设区域显示数据挖掘模型组件,根据拖拽指令拖拽目标组件至所述其它页面的第二预设区域,对所述目标组件建立连接关系,并对所述目标组件进行配置及参数调整后生成数据挖掘模型,运行所述数据挖掘模型进行数据挖掘。整个操作过程直接在页面上操作,操作人员无需编写程序,无需专业的技术人员参与,大大降低了使用技术门槛,带来更好的用户体验。
附图说明
图1为具体实施方式所述一种基于可视化web页面数据挖掘的方法的流程图;
图2为具体实施方式所述使用RESTful API跨平台模型共享的示意图;
图3为具体实施方式所述使用RESTful API方式的整体部署示意图;
图4为具体实施方式所述新建算法库模型界面示意图;
图5为具体实施方式所述发布算法库模型界面示意图;
图6为具体实施方式所述新建数据挖掘模型界面示意图;
图7为具体实施方式所述参数调整示意图;
图8为具体实施方式所述运行数据挖掘模型结果示意图;
图9为具体实施方式所述保存数据挖掘结果界面示意图;
图10为具体实施方式所述使用PMML文件实现跨平台的模型共享示意图;
图11为具体实施方式所述PMML 4.3版本支持的18类挖掘模型;
图12为具体实施方式所述一种存储设备的模块示意图。
附图标记说明:
120、存储设备。
具体实施方式
为详细说明技术方案的技术内容、构造特征、所实现目的及效果,以下结合具体实施例并配合附图详予说明。
请参阅图1,在本实施方式中,一种基于可视化web页面数据挖掘的方法可应用在存储设备上,所述存储设备包括但不限于:个人计算机、服务器、通用计算机、专用计算机、网络设备、嵌入式设备、可编程设备等。在本实施方式中,生产环境的应用程序以Java应用程序为例。实际应用场景中,生产环境的应用程序可以是多种多样的。具体实现如下:
步骤S101:在模型开发环境中进行模型训练,得有效模型。
步骤S102:将所述有效模型导出为预设类型文件。
步骤S103:响应新建算法库模型指令,在生产环境的页面的预设区域选取预设类型文件建立算法库模型。
步骤S104:对所述算法库模型进行发布。
步骤S105:切换至生产环境的其它页面,在所述其它页面的第一预设区域显示数据挖掘模型组件,所述组件包括:数据源、和发布的算法库模型,所述数据源包括以下中的一种或多种:数据库、输入表、输出表。
步骤S106:根据拖拽指令拖拽目标组件至所述其它页面的第二预设区域,对所述目标组件建立连接关系,并对所述目标组件进行配置及参数调整后生成数据挖掘模型,运行所述数据挖掘模型进行数据挖掘。
通过在模型开发环境中进行模型训练,得有效模型;将所述有效模型导出为预设类型文件;响应新建算法库模型指令,在生产环境的页面的预设区域选取预设类型文件建立算法库模型;对所述算法库模型进行发布;切换至生产环境的其它页面,在所述其它页面的第一预设区域显示数据挖掘模型组件,所述组件包括:数据源、和发布的算法库模型,所述数据源包括以下中的一种或多种:数据库、输入表、输出表;根据拖拽指令拖拽目标组件至所述其它页面的第二预设区域,对所述目标组件建立连接关系,并对所述目标组件进行配置及参数调整后生成数据挖掘模型,运行所述数据挖掘模型进行数据挖掘。通过上述这些操作,开发环境的有效模型导出为预设类型文件后,生产环境即可调用,而在生产环境中可直接在其页面上,调用预设类型文件来建立算法库模型,并对所述算法库模型进行发布,发布后的算法库模型可被生产环境的其它程序所调用,可直接切换至生产环境的其它页面,在所述其它页面的第一预设区域显示数据挖掘模型组件,根据拖拽指令拖拽目标组件至所述其它页面的第二预设区域,对所述目标组件建立连接关系,并对所述目标组件进行配置及参数调整后生成数据挖掘模型,运行所述数据挖掘模型进行数据挖掘。整个操作过程直接在页面上操作,操作人员无需编写SQL语句,即无需懂得SQL语法,大大降低了使用技术门槛,带来更好的用户体验。
以下通过两种方式来进行模型共享,分别是RESTful API和PMML,以下分别展开具体说明:
以Python为例,生产环境中存在Python和Java两个平台。该模式将模型视作REST资源,Java和Python通过RESTful API实现跨平台的模型共享。
图2表述了如何将模型变为REST资源,以及如何使用模型进行预测。具体可如下:
1)训练:在模型开发环境中使用样本数据训练模型,得有效模型。训练过程,就是挑选样本数据,使用机器学习算法运算样本数据计算出结果,和真实结果比较。例如:预测国民生产总值,和多种经济指标相关,比如社会总投资额、失业率、社会平均工资等十多项指标,样本数据是包含这些指标和结果的历史数据,历史数据真实的,用这些历史的指标作为输入,经过机器学习算法运算,得出结果,和历史的结果比较,是否接近。通过调整指标的比重和公式,多次计算直至很接近。再拿其他历史数据进行验证,再调整,排除偶然性。整个过程叫训练。其中有效模型的判断也是模型训练的一个过程和环节,经过循环多次历史数据结果验证,和真实数据拟合度高的就是有效的,这个拟合度没有固定或标准值,跟行业和实际业务有关,比如85%还是99%都可能存在。获得有效模型后,执行导出操作。
2)导出:所述“将所述有效模型导出为预设类型文件”,还包括步骤:将所述有效模型导出为PKI文件。
3)注册:响应新建算法库模型指令,在生产环境的页面的预设区域选取预设类型文件建立算法库模型;对所述算法库模型进行发布。如图4所示,在生产环境的页面上直接点击新建按钮会弹出一个新建模型页面,选取预设类型文件,点击保存,即建立好算法库模型,建立好后,如图5所示,在页面上点击发布按钮,对所述算法库模型进行发布,其中所述“对所述算法库模型进行发布”即:包括步骤:将所述PKI文件部署至生产环境的Python模型池,以Restful API方式对外提供服务。
4)应用:切换至生产环境的其它页面,在所述其它页面的第一预设区域显示数据挖掘模型组件,所述组件包括:数据源、和发布的算法库模型,所述数据源包括以下中的一种或多种:数据库、输入表、输出表;根据拖拽指令拖拽目标组件至所述其它页面的第二预设区域,对所述目标组件建立连接关系,并对所述目标组件进行配置及参数调整后生成数据挖掘模型,运行所述数据挖掘模型进行数据挖掘。
需要说明的是,生产环境的应用程序均可以调用发布好的算法库模型,在本实施方式中,优选为直接在页面上进行操作生成数据挖掘模型。如图6所示,切换至生产环境的其它页面,该页面包括第一预设区域和第二预设区域,第一预设区域用来显示用来建立数据挖掘模型的组件,根据要建立的数据挖掘模型将目标组件拖拽到所述第二预设区域,并对这些目标组件建立连接关系,而后一一配置这些目标组件,如选定输入数据库及该输入数据库下的输入表;对所述输入表内的字段与选定的算法库模型的参数建立对应关系。配置好这些组件的参数后,对这些组件的参数进行调整,如图7所示,可以选择调整最终用于参与数据挖掘模型建立的参数。生成数据挖掘模型,运行所述数据挖掘模型进行数据挖掘,如图8所示返回运行结果至生产环境。上述步骤在后端具体实现可为:RESTful API根据model id加载算法库模型,并根据参数加载预测数据、执行预测任务,并返回结果至生产环境。
进一步的,还包括步骤:选择输出数据库和输出表,将所述数据挖掘结果保存至所述输出数据库下的输出表中。如图9所示。其中上述整体部署模式如图3所示。
请参阅图10为使用PMML文件实现跨平台的模型共享。总体过程为:将模型导出为PMML文件,通过运行在生产环境的PMML应用引擎实现模型的共享。在模型开发过程中通过对数据的样本数据进行训练,构建出有效的PMML模型文档,将这个模型注册到生产环境中,通过应用引擎执行运算,产生预测结果。
首先对PMML进行简单介绍:PMML(Predictive Model Markup Language,预测模型标记语言)是一个基于XML Schema的挖掘模型定义语言;PMML语言的目标是共享和重用由不同建模工具生成的挖掘模型;经过二十多年的发展,PMML已成为描述数据挖掘模型的事实上的标准。PMML当前版本(PMML 4.3)支持18类挖掘模型,如图11所示。以下具体展开说明:
1)训练:在模型开发环境中使用样本数据训练模型。
2)导出:所述“将所述有效模型导出为预设类型文件”,还包括步骤:将所述有效模型导出为PMML文件。
3)注册:所述“对所述算法库模型进行发布”,还包括步骤:将所述PMML文件注册在生产环境的PMML模型池;所述“根据拖拽指令拖拽目标组件至所述其它页面的第二预设区域”,还包括步骤:通过调用PMML Java引擎来调用发布的算法库模型。其中生产环境的PMML模型池可以是一个分布式文件系统。
4)应用:所述“对所述目标组件建立连接关系,并对所述目标组件进行配置及参数调整后生成数据挖掘模型,运行所述数据挖掘模型进行数据挖掘”,还包括步骤:PMML Java引擎根据model id加载算法库模型,并根据参数加载预测数据执行预测任务,并返回结果至生产环境的应用程序。
进一步的,还包括步骤:导出所述算法库模型,或更新所述算法库模型。可通过导出所述算法库模型来保存所述算法库模型,并使得算法库模型可以被重复利用。当算法库模型有更新时,可以对所述算法库模型进行更新。
请参阅图12,所述存储设备120存储有指令集,所述指令集用于执行上述一种基于可视化web页面数据挖掘的方法的任意步骤。
需要说明的是,尽管在本文中已经对上述各实施例进行了描述,但并非因此限制本发明的专利保护范围。因此,基于本发明的创新理念,对本文所述实施例进行的变更和修改,或利用本发明说明书及附图内容所作的等效结构或等效流程变换,直接或间接地将以上技术方案运用在其他相关的技术领域,均包括在本发明的专利保护范围之内。
Claims (4)
1.一种基于可视化web页面数据挖掘的方法,其特征在于,包括步骤:
在模型开发环境中进行模型训练,得有效模型;
将所述有效模型导出为预设类型文件;
响应新建算法库模型指令,在生产环境的页面的预设区域选取预设类型文件建立算法库模型;
对所述算法库模型进行发布;
切换至生产环境的其它页面,在所述其它页面的第一预设区域显示数据挖掘模型组件,所述组件包括:数据源和发布的算法库模型,所述数据源包括以下中的一种或多种:数据库、输入表、输出表;
根据拖拽指令拖拽目标组件至所述其它页面的第二预设区域,对所述目标组件建立连接关系,并对所述目标组件进行配置及参数调整后生成数据挖掘模型,运行所述数据挖掘模型进行数据挖掘;
所述“并对所述目标组件进行配置及参数调整后生成数据挖掘模型”,还包括步骤:
选定输入数据库及该输入数据库下的输入表;
对所述输入表内的字段与选定的算法库模型的参数建立对应关系;
还包括步骤:
所述“将所述有效模型导出为预设类型文件”,还包括步骤:将所述有效模型导出为PKI文件;
所述“对所述算法库模型进行发布”,还包括步骤:将所述PKI文件部署至生产环境的Python模型池,以Restful API方式对外提供服务;
所述“根据拖拽指令拖拽目标组件至所述其它页面的第二预设区域”,还包括步骤:通过调用Restful API来调用发布的算法库模型;
所述“对所述目标组件建立连接关系,并对所述目标组件进行配置及参数调整后生成数据挖掘模型,运行所述数据挖掘模型进行数据挖掘”,还包括步骤:
RESTful API根据model id加载算法库模型,并根据参数加载预测数据、执行预测任务,并返回结果至生产环境。
2.根据权利要求1所述的一种基于可视化web页面数据挖掘的方法,其特征在于,还包括步骤:
导出所述算法库模型,或更新所述算法库模型。
3.根据权利要求1所述的一种基于可视化web页面数据挖掘的方法,其特征在于,还包括步骤:
选择输出数据库和输出表,将所述数据挖掘结果保存至所述输出数据库下的输出表中。
4.一种存储设备,其中存储有指令集,其特征在于,所述指令集用于执行:权利要求1至3任意方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010885535.7A CN112069244B (zh) | 2020-08-28 | 2020-08-28 | 一种基于可视化web页面数据挖掘的方法和存储设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010885535.7A CN112069244B (zh) | 2020-08-28 | 2020-08-28 | 一种基于可视化web页面数据挖掘的方法和存储设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112069244A CN112069244A (zh) | 2020-12-11 |
CN112069244B true CN112069244B (zh) | 2022-07-29 |
Family
ID=73660516
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010885535.7A Active CN112069244B (zh) | 2020-08-28 | 2020-08-28 | 一种基于可视化web页面数据挖掘的方法和存储设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112069244B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101169798A (zh) * | 2007-12-06 | 2008-04-30 | 中国电信股份有限公司 | 一种数据挖掘系统和方法 |
CN103853821A (zh) * | 2014-02-21 | 2014-06-11 | 河海大学 | 一种面向多用户协作的数据挖掘平台的构建方法 |
CN106383832A (zh) * | 2016-08-26 | 2017-02-08 | 用友网络科技股份有限公司 | 一种数据挖掘训练模型的生成方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9563670B2 (en) * | 2013-03-14 | 2017-02-07 | Leidos, Inc. | Data analytics system |
US10754867B2 (en) * | 2016-04-08 | 2020-08-25 | Bank Of America Corporation | Big data based predictive graph generation system |
CN108121773A (zh) * | 2017-12-05 | 2018-06-05 | 广东京信软件科技有限公司 | 一种基于可视化拖拽式的大数据分析任务构建方法 |
CN108829415B (zh) * | 2018-05-29 | 2023-07-21 | 努比亚技术有限公司 | 模型加载方法、服务器及计算机可读存储介质 |
CN111259064B (zh) * | 2020-01-10 | 2023-07-28 | 同方知网数字出版技术股份有限公司 | 一种可视化的自然语言分析挖掘系统及其建模方法 |
-
2020
- 2020-08-28 CN CN202010885535.7A patent/CN112069244B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101169798A (zh) * | 2007-12-06 | 2008-04-30 | 中国电信股份有限公司 | 一种数据挖掘系统和方法 |
CN103853821A (zh) * | 2014-02-21 | 2014-06-11 | 河海大学 | 一种面向多用户协作的数据挖掘平台的构建方法 |
CN106383832A (zh) * | 2016-08-26 | 2017-02-08 | 用友网络科技股份有限公司 | 一种数据挖掘训练模型的生成方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112069244A (zh) | 2020-12-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10678536B2 (en) | Callable notebook for cluster execution | |
CN106156186A (zh) | 一种数据模型管理装置、服务器及数据处理方法 | |
WO2016091038A1 (zh) | 高速列车快速设计方法及系统 | |
CN109191312A (zh) | 一种理赔反欺诈风控方法及装置 | |
CN112199086A (zh) | 自动编程控制系统、方法、装置、电子设备及存储介质 | |
CN111191871A (zh) | 项目基线数据生成方法、装置、计算机设备和存储介质 | |
CN112036577B (zh) | 基于数据形式的应用机器学习的方法、装置和电子设备 | |
EP2645310A2 (en) | Case-based adaptation framework for customization knowledge in enterprise systems | |
CN110347494B (zh) | 上下文信息管理方法、装置、系统及计算机可读存储介质 | |
CN109144511B (zh) | 数值模拟图形用户界面自动生成方法及系统 | |
CN114172820A (zh) | 跨域sfc动态部署方法、装置、计算机设备及存储介质 | |
CN104915193A (zh) | 一种流程引擎的处理方法和装置 | |
CN104239594A (zh) | 人工环境模型、Agent模型及其建模方法 | |
CN110489093A (zh) | 一种面向ai应用的持续构造方法、装置、终端及存储介质 | |
CN112069244B (zh) | 一种基于可视化web页面数据挖掘的方法和存储设备 | |
CN107256167A (zh) | 应用于应用系统迁移的升级控制方法及升级控制设备 | |
Kinneer et al. | Building reusable repertoires for stochastic self-* planners | |
CN113703808B (zh) | 组件化的灰度发布方法、装置、设备及存储介质 | |
CN115543428A (zh) | 一种基于策略模板的模拟数据生成方法和装置 | |
CN114331110A (zh) | 一种项目管理方法、装置、设备及存储介质 | |
CN112069226B (zh) | 一种数据挖掘模型跨平台共享的方法和存储设备 | |
CN109710239A (zh) | 工业模型生成方法及装置、数字资产处理方法及电子设备 | |
CN107431646A (zh) | 负载测试 | |
Pavlov et al. | The Application of the Knowledge-Based Systems Development Platform for Creating Scenario Analysis Support Tools | |
CN115826936B (zh) | 基于低代码和可视化拖拽的电力业务可拓展开发框架 |
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 |