CN112085378B - 资源分配方法、装置、计算机设备及存储介质 - Google Patents
资源分配方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN112085378B CN112085378B CN202010922954.3A CN202010922954A CN112085378B CN 112085378 B CN112085378 B CN 112085378B CN 202010922954 A CN202010922954 A CN 202010922954A CN 112085378 B CN112085378 B CN 112085378B
- Authority
- CN
- China
- Prior art keywords
- risk
- nodes
- node
- neural network
- network model
- 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
- 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
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- 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
-
- 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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
-
- 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
- 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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/08—Insurance
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Technology Law (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例属于运维领域,涉及一种资源分配方法,包括:从历史任务记录中提取历史处理任务位置以及历史任务处理时间,实时根据历史处理任务位置以及历史任务处理时间预设多个图数据的节点,以及预设风险半径;将多个节点以及风险半径输入至训练好的神经网络模型,得到节点分布;根据多个节点的坐标计算一个风险中心;将风险中心作为中心,风险半径作为范围半径,构建风险范围;根据风险范围以及节点分布,得到风险区域;根据风险区域进行资源分配。此外,本申请还涉及区块链技术,历史任务记录可存储于区块链中。本申请还提供一种资源分配装置、计算机设备及存储介质。提高了资源分配的有效程度。
Description
技术领域
本申请涉及运维领域,尤其涉及一种资源分配方法、装置、计算机设备及存储介质。
背景技术
咨询服务业日渐完善,一些行业因为情况突发,或不适宜客户到店接受服务,需要进行现场处理,比如车险,电器维修业务,以及拉货、送货业务,安防事件等,查勘人员根据客户所在地离自身远近,以及自身所处理业务的繁重情况,自行选择,或者接受调度安排,处理相关业务。以车辆出险的应用场景为例:车辆出险地存在相当的不确定性。向车辆出险地派遣查勘员仍是目前解决车险理赔的一个重要环节。现有业内派工方式是基于区域范围及人员班表信息来的,按物理位置区域分配排班人员,而物理位置划分后变动较少,只能依靠事后出险地数据统计人为调整某个物理区域的班表,参考依据比较单一,往往由于数据更新不及时,风险中心计算不准确,导致容易出现短期内某些区域高峰期出险导致人力不足临时协调的情况,造成派工的效率降低,作业人力得不到有效的分配,影响作业服务时效。
发明内容
本申请实施例的目的在于提出一种资源分配方法、装置、计算机设备及存储介质,以解决物理区域人力资源分配不协调的问题。
为了解决上述技术问题,本申请实施例提供一种资源分配方法,采用了如下所述的技术方案:
从历史任务记录中提取历史处理任务位置以及历史任务处理时间,实时根据历史处理任务位置以及历史任务处理时间预设多个图数据的节点,以及预设风险半径;
将所述多个节点以及所述风险半径输入至训练好的神经网络模型,得到节点分布;
根据所述多个节点的坐标计算一个风险中心;
将所述风险中心作为中心,所述风险半径作为范围半径,构建风险范围;
根据所述风险范围以及所述节点分布,得到风险区域;
根据所述风险区域进行资源分配。
进一步的,所述根据所述多个节点计算一个风险中心的步骤具体包括:
获取所述多个节点对应的预设权重;
对所述多个节点的坐标乘以对应的预设权重,得到所述多个节点的加权数;
求和所述多个节点的加权数,得到加权和;
将所述多个节点的加权和除以所述节点的数量,得到所述一个风险中心。
进一步的,所述根据所述风险范围以及所述节点分布,得到风险区域的步骤具体包括:
为所述风险范围中的节点分布预设N个风险等级,每个风险等级包括对应所述每个风险等级的多个节点;
从每个所述风险等级中的节点集合任意取出一个节点,作为目标节点;
将在同一个风险等级,且与所述目标节点的空间坐标距离满足预设条件的节点分类成一个聚簇子节点集合;
获取每一个所述聚簇子节点集合的外围节点;
连接所述聚簇子节点集合对应的所述外围节点,并将围合形成的区域填充成对应的颜色,生成风险区域。
进一步的,所述将所述多个节点以及所述风险半径输入至训练好的神经网络模型,得到节点分布的步骤之前还包括:
若所述多个节点中存在不在风险范围的节点,则剔除所述不在风险范围的节点,得到更新后的多个节点;
通过所述更新后的多个节点重新计算风险中心,得到新的风险范围。
所述根据所述风险区域进行资源分配的步骤具体包括:
为风险区域等级高于第一阈值的区域分配高于预设值的资源;
为风险区域等级低于第二阈值的区域分配低于预设值的资源;
为风险区域等级介于所述第一阈值以及所述第二阈值的区域分配预设值的资源。
进一步的,所述将所述风险中心作为中心,所述风险半径作为范围半径,构建风险范围的步骤之后还包括:
获取多个训练数据以及所述训练数据所对应的标注标签;
将所述训练数据以及所述对应的标注标签输入至所述初始神经网络模型;
将所述初始神经网络模型通过训练,得到目标神经网络模型,代表根据所述目标神经网络模型的多层感知器中第n-1层的输出,训练所述目标神经网络模型的多层感知器中第n层中第k个神经元得到的权值,表示相应的偏置,fi n表示第i个训练数据输入至所述目标神经网络模型后,在所述目标神经网络模型的第n层的输出,i为任意正整数,n为自然数,当n为所述目标神经网络模型的最后一层时,fi n是指所述目标神经网络模型的输出,fi n-1表示第i个训练数据输入至所述目标神经网络模型后,在所述目标神经网络模型的第n-1层的输出;
部署所述目标神经网络模型。
进一步的,所述实时根据历史处理任务位置预设多个图数据的节点,以及预设风险半径的步骤之前还包括:
获取用户的访问请求;
根据访问请求设置用户的访问权限。
为了解决上述技术问题,本申请实施例还提供一种资源分配装置,采用了如下所述的技术方案:
获取模块,用于从历史任务记录中提取历史处理任务位置以及历史任务处理时间,实时根据历史处理任务位置以及历史任务处理时间预设多个图数据的节点,以及预设风险半径;
节点分布获取模块,用于将所述多个节点以及所述风险半径输入至训练好的神经网络模型,得到节点分布;
计算模块,用于根据所述多个节点的坐标计算一个风险中心;
风险范围构建模块,用于将所述风险中心作为中心,所述风险半径作为范围半径,构建风险范围;
风险区域计算模块,用于根据所述风险范围以及所述节点分布,得到风险区域;
资源分配模块,用于根据所述风险区域进行资源分配。
进一步的,所述计算模块包括权重预设单元、乘法计算单元、加权和计算单元以及风险中心计算单元。
权重预设单元,用于获取所述多个节点对应的预设权重;
乘法计算单元,用于对所述多个节点的坐标乘以对应的预设权重,得到所述多个节点的加权数;
加权和计算单元,用于求和所述多个节点的加权数,得到加权和;
风险中心计算单元,用于将所述多个节点的加权和除以所述节点的数量,得到所述一个风险中心。
进一步的,所述风险区域计算模块包括等级预设单元、节点选取单元、集合生成单元、外围节点获取单元以及颜色填充单元。
等级预设单元,用于为所述风险范围中的节点分布预设N个风险等级,每个风险等级包括对应所述每个风险等级的多个节点;
节点选取单元,用于从每个所述风险等级中的节点集合任意取出一个节点,作为目标节点;
集合生成单元,用于将在同一个风险等级,且与所述目标节点的空间坐标距离满足预设条件的节点分类成一个聚簇子节点集合;
外围节点获取单元,用于获取每一个所述聚簇子节点集合的外围节点;
颜色填充单元,用于连接所述聚簇子节点集合对应的所述外围节点,并将围合形成的区域填充成对应的颜色,生成风险区域。
进一步的,所述资源分配装置还包括更新模块,所述更新模块包括节点更新单元以及风险范围更新单元。
节点更新单元,用于若所述多个节点中存在不在风险范围的节点,则剔除所述不在风险范围的节点,得到更新后的多个节点;
风险范围更新单元,用于通过所述更新后的多个节点重新计算风险中心,得到新的风险范围。
进一步的,所述资源分配模块包括高风险区域分配单元、低风险区域分配单元以及正常风险区域分配单元。
高风险区域分配单元,用于为风险区域等级高于第一阈值的区域分配高于预设值的资源;
低风险区域分配单元,用于为风险区域等级低于第二阈值的区域分配低于预设值的资源;
正常风险区域分配单元,用于为风险区域等级介于所述第一阈值以及所述第二阈值的区域分配预设值的资源。
进一步的,所述资源分配装置还包括训练模块,所述训练模块包括训练数据获取单元、训练数据输入单元、训练单元以及部署单元。
训练数据获取单元,用于获取多个训练数据以及所述训练数据所对应的标注标签;
训练数据输入单元,用于将所述训练数据以及所述对应的标注标签输入至所述初始神经网络模型;
训练单元,用于将所述初始神经网络模型通过训练,得到目标神经网络模型,代表根据所述目标神经网络模型的多层感知器中第n-1层的输出,训练所述目标神经网络模型的多层感知器中第n层中第k个神经元得到的权值,表示相应的偏置,表示第i个训练数据输入至所述目标神经网络模型后,在所述目标神经网络模型的第n层的输出,i为任意正整数,n为自然数,当n为所述目标神经网络模型的最后一层时,是指所述目标神经网络模型的输出,表示第i个训练数据输入至所述目标神经网络模型后,在所述目标神经网络模型的第n-1层的输出;
部署单元,用于部署所述目标神经网络模型。
进一步的,所述资源分配装置还包括用户权限模块,所述用户权限模块包括访问请求获取单元以及访问权限设置单元。
访问请求获取单元,用于获取用户的访问请求;
访问权限设置单元,用于根据访问请求设置用户的访问权限。
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,其包括至少一个连接的处理器、存储器、网络接口,其中,所述存储器用于存储计算机可读指令,所述处理器用于调用所述存储器中的计算机可读指令来执行上述所述的资源分配方法的步骤。
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可读指令,所述计算机可读指令被处理器执行时实现上述所述的资源分配方法的步骤。
与现有技术相比,本申请实施例主要有以下有益效果:
本申请通过使用基于历史任务记录计算风险范围,由风险范围得到风险区域,根据风险区域进行人员动态调整,打破传统的物理定性区域划分减少之前因排班人员不合理导致的高风险地人力不足及低风险地人员闲置的情况。确保人员资源使用的最大化。
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2-1根据本申请的资源分配方法的一个实施例的流程图;
图2-2根据本申请的资源分配方法的一个风险范围计算示意图;
图3是根据本申请的资源分配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。
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 PictureExpertsGroup Audio Layer III,动态影像专家压缩标准音频层面3)、MP4(MovingPictureExperts 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资源分配方法一般由服务器/终端设备执行,相应地,资源分配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资源分配的方法的一个实施例的流程图。所述的资源分配方法,包括以下步骤:
步骤201,从历史任务记录中提取历史处理任务位置以及历史任务处理时间,实时根据历史处理任务位置以及历史任务处理时间预设多个图数据的节点,以及预设风险半径。
在本实施例中,资源分配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服务器接收用户请求进行标定。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 wideband)连接、以及其他现在已知或将来开发的无线连接方式。
在本实施中,图数据是以图形为对象形式的表现形式,所述风险半径根据用户活动范围进行自由设置,通过历史处理任务的处理位置及出险时间来计算高风险出险区间及低风险出险区间。例如在一定时间内,区域产生了高于平均水平的订单,可以认为此处是高风险区间;而一定时间内区域产生可低于平均水平的订单,则认为是低风险区间,由于风险区间跟区域的平均水平订单有关,因此风险半径越大,计算出的风险区间精确度越高,范围也越大;可以通过计算出来的区间初步判断此区域出单概率分布,所述历史处理任务的处理位置至少包括经度以及纬度中的至少一项。出险时间主要用于上次购买保险过了多久,是否快过期了,根据这个时间可以判断出附近的用户是否有购买需求。
步骤202,将所述多个节点以及所述风险半径输入至训练好的神经网络模型,得到节点分布。
在本实施例中,由于节点在地图分布较广,用户将自己活动大概的范围输入到神经网络模型,最简单的神经网络模型可以是逻辑回归模型,可以由神经网络模型初步筛选出最佳的节点分布状况,以提高出单的效果。以输入的为某个街道的所有出单的节点为例,通过神经网络可以筛选出具体某个小区比较合适。
其中,神经网络是指一种复制这种密集的神经元网络的方法。通过一次处理多个数据流,计算机能够显著减少处理数据所需的时间。将这种技术应用于深度学习已经产生了人工神经网络。这些人工神经网络由输入层、输出节层和全连接层组成。
输入层,用于接收数据的输入节点。
输出层,用于输出结果数据。
全连接层,用于将从输入层输入的数据转换为输出层可以使用的内容。全连接层是指在输入层和输出层之间的多层节点,全连接层也可以成为隐藏层。当数据通过这些隐藏节点前进时,神经网络使用逻辑来决定将数据传递给下一个隐藏节点。
步骤203,根据所述多个节点计算一个风险中心。
步骤204,将所述风险中心作为中心,所述风险半径作为范围半径,构建风险范围。
在本实施例中,如图2-2中有5个点,假设都在同一个时间段,分别是位置点1、位置点2、位置点3、位置点4、位置点5,以输入半径50m计算,根据各点间的坐标做几何计算,最终计算出中心点位置,以中心点位置为中心,半径50m范围内的区域则作为风险范围。
步骤205,根据所述风险范围以及所述节点分布,得到风险区域。
在本实施例中,具体可以认为是这样一个过程,取每个等级的节点集合中取一个节点出来(根据用户划分的每个等级节点集合标准)作为目标节点,然后找到和目标节点类似的节点,得到一个节点集合,根据节点集合里的节点的坐标,找到每个风险区域的外围节点,生成风险区域
步骤206,根据所述风险区域进行资源分配。
在本实施例中,为风险区域等级高于第一阈值的区域分配高于预设值的资源;为风险区域等级低于第二阈值的区域分配低于预设值的资源;为风险区域等级介于所述第一阈值以及所述第二阈值的区域分配预设值的资源。
本申请通过使用基于历史任务记录计算风险范围,由风险范围得到风险区域,根据风险区域进行人员动态调整,打破传统的物理定性区域划分减少之前因排班人员不合理导致的高风险地人力不足及低风险地人员闲置的情况。确保人员资源使用的最大化。
在一些可选的实现方式中,所述根据所述多个节点计算一个风险中心的步骤具体包括:
获取所述多个节点对应的预设权重;
对所述多个节点的坐标乘以对应的预设权重,得到所述多个节点的加权数;
求和所述多个节点的加权数,得到加权和;
将所述多个节点的加权和除以所述节点的数量,得到所述一个风险中心。
上述实施方式中,首先根据历史案件统计每个节点中案件成交的次数,根据不同的成交次数设定不同的权值,再根据权值计算风险中心,例如:以没有成交次数权重为0,成交0-5次以下权重为1,0-5次权值1,成交5-10次权重为2,成交10-20次权重为3,成交20-30次权重为4,成交30次以上权重为5,以此类推。。通过考虑风险中心的加权平均数,对风险中心进行偏移(当对应节点的权重增大,中心位置会往对应的节点进行偏移,因为这部分权重更大,会造成偏移这个节点更多,以节点a和b为例,加权和X=0.9*a+0.1*b,得到风险中心的位置会更加靠近a),可以更精确得到出单的中心区域,可以方便业务人员理解哪里真正有的业务需求。根据地图的权重级别来做动态人员调整,确保人员资源使用的最大化,减少人员资源的闲置浪费。最终计算出风险中心点位置,以中心点位置为中心,半径一定范围内的区域则作为风险区域。
在一些可选的实现方式中,所述根据所述风险范围以及所述节点分布,得到风险区域的步骤具体包括:
为所述风险范围中的节点分布预设N个风险等级,每个风险等级包括对应所述每个风险等级的多个节点;
从每个所述风险等级中的节点集合任意取出一个节点,作为目标节点;
将在同一个风险等级,且与所述目标节点的空间坐标距离满足预设条件的节点分类成一个聚簇子节点集合;
获取每一个所述聚簇子节点集合的外围节点;
连接所述聚簇子节点集合对应的所述外围节点,并将围合形成的区域填充成对应的颜色,生成风险区域。
上述实施方式中,具体可以认为是这样一个过程,取每个等级的节点集合中取一个节点出来(根据用户划分的每个等级节点集合标准)作为目标节点,然后找到和目标节点类似的节点,得到一个聚簇子节点集合,根据聚簇子节点集合里的节点的坐标,找到外围节点,生成风险区域,设任意两点的坐标为(x1,y1),(x2,y2),对这两点首先使用地图空间坐标距离运算可以得到任意两点的空间距离,例如划分出3个风险等级,通过红黄绿三种颜色对高频区域,中频区域,低频区域作为区分,以生成高频区域(红色)为例,在选取一个高概率出险的点作为目标节点,计算周围节点与所述目标节点的相似度,可以通过余弦相似度公式或者聚类分析进行计算,得到与所述目标节点具有高相似性的节点集合,把在与目标节点距离小于预设距离的所有与目标节点相似的点都作为子集合,找到这个所述节点集合中的外围所有点,将外围所有点连接成线,并填充成红色,从而生成高频区域。
在一些可选的实现方式中,所述将所述多个节点以及所述风险半径输入至训练好的神经网络模型,得到节点分布的步骤之前还包括:
若所述多个节点中存在不在风险范围的节点,则剔除所述不在风险范围的节点,得到更新后的多个节点;
通过所述更新后的多个节点重新计算风险中心,得到新的风险范围。
在一些可选的实现方式中,所述根据所述风险区域进行资源分配的步骤具体包括:
为风险区域等级高于第一阈值的区域分配高于预设值的资源;
为风险区域等级低于第二阈值的区域分配低于预设值的资源;
为风险区域等级介于所述第一阈值以及所述第二阈值的区域分配预设值的资源。
上述实施方式中,例如,可以为高风险区域分配高于1.2倍平均值的资源,低风险区域分配低于0.8倍平均值的资源,在这个区间则正常分配资源,使得资源合理分配。
在一些可选的实现方式中,所述将所述风险中心作为中心,所述风险半径作为范围半径,构建风险范围的步骤之后还包括:
获取多个训练数据以及所述训练数据所对应的标注标签;
将所述训练数据以及所述对应的标注标签输入至所述初始神经网络模型;
将所述初始神经网络模型通过训练,得到目标神经网络模型,代表根据所述目标神经网络模型的多层感知器中第n-1层的输出,训练所述目标神经网络模型的多层感知器中第n层中第k个神经元得到的权值,表示相应的偏置,表示第i个训练数据输入至所述目标神经网络模型后,在所述目标神经网络模型的第n层的输出,i为任意正整数,n为自然数,当n为所述目标神经网络模型的最后一层时,是指所述目标神经网络模型的输出,表示第i个训练数据输入至所述目标神经网络模型后,在所述目标神经网络模型的第n-1层的输出;
部署所述目标神经网络模型。
上述实施方式中,通过上述方式可以训练出一个完整的神经网络,用于计算节点的分布。例如训练数据为某地图的节点以及对应的风险半径,标注标签为最优节点分布,将这个数据输入至神经网络模型进行训练,调整神经网络中神经元的权值,可以得到一个输入为地图的节点以及对应的风险半径,输出为节点分布的神经网络模型,在将对应的神经网络模型部署至客户端。
在一些可选的实现方式中,所述实时根据历史处理任务位置预设多个图数据的节点,以及预设风险半径的步骤之前还包括:
获取用户的访问请求;
根据访问请求设置用户的访问权限。
上述实施方式中,通过识别节点数据内容,识别限制设备。所述访问请求至少包括所述访问请求至少包括统一资源定位符、客户端的网际协议地址、储存在用户本地终端上的数据、用户标识和超文本传输协议报头中的来源链接字段中的至少一项。限制访问某些设备的访问权限。例如工具使用人员通过企业账户的账号密码,实现对工具使用人员的管理以及权限设置。例如A人员为项目执行者,若在工具中仅为A设置了只读权限,因此A人员只能通过页面监听查看数据的变化。又例如B人员为项目管理人员,赋予B人员工具使用的所有权限等。
在一些可选的实现方式中,所述实时根据历史处理任务位置预设多个图数据的节点,以及预设风险半径的步骤之后还包括:
通过区块链的方式保存所述历史处理任务。
需要强调的是,为进一步保证所述历史处理任务的私密和安全性,所述历史处理任务还可以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,是可以通过计算机可读指令来指令相关的硬件来完成,该计算机可读指令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,本申请提供了一种资源分配装置的一个实施例,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,本实施例所述的资源分配装置300包括:获取模块301、节点分布获取模块302、计算模块303、风险范围构建模块304、风险区域计算模块305以及资源分配模块306。其中:
获取模块301用于从历史任务记录中提取历史处理任务位置以及历史任务处理时间,实时根据历史处理任务位置以及历史任务处理时间预设多个图数据的节点,以及预设风险半径;
节点分布获取模块302用于将所述多个节点以及所述风险半径输入至训练好的神经网络模型,得到节点分布;
计算模块303用于根据所述多个节点的坐标计算一个风险中心;
风险范围构建模块304用于将所述风险中心作为中心,所述风险半径作为范围半径,构建风险范围;
风险区域计算模块305用于根据所述风险范围以及所述节点分布,得到风险区域;
资源分配模块306用于根据所述风险区域进行资源分配。
在本实施例的一些可选的实现方式中,上述计算模块包括权重预设单元、乘法计算单元、加权和计算单元以及风险中心计算单元。
权重预设单元,用于获取所述多个节点对应的预设权重;
乘法计算单元,用于对所述多个节点的坐标乘以对应的预设权重,得到所述多个节点的加权数;
加权和计算单元,用于求和所述多个节点的加权数,得到加权和;
风险中心计算单元,用于将所述多个节点的加权和除以所述节点的数量,得到所述一个风险中心。
在本实施例的一些可选的实现方式中,上述风险区域计算模块包括等级预设单元、节点选取单元、集合生成单元、外围节点获取单元以及颜色填充单元。
等级预设单元,用于根据为所述风险范围中的节点分布预设N个风险等级,每个风险等级包括对应所述每个风险等级的多个节点;
节点选取单元,用于从每个所述风险等级中的节点集合任意取出一个节点,作为目标节点;
集合生成单元,用于将在同一个风险等级,且与所述目标节点的空间坐标距离满足预设条件的节点分类成一个聚簇子节点集合;
外围节点获取单元,用于获取每一个所述聚簇子节点集合的外围节点;
颜色填充单元,用于连接所述聚簇子节点集合对应的所述外围节点,并将围合形成的区域填充成对应的颜色,生成风险区域。
进一步的,所述资源分配装置还包括更新模块,所述更新模块包括节点更新单元以及风险范围更新单。。
节点更新单元,用于若所述多个节点中存在不在风险范围的节点,则剔除所述不在风险范围的节点,得到更新后的多个节点;
风险范围更新单元,用于通过所述更新后的多个节点重新计算风险中心,得到新的风险范围。
在本实施例的一些可选的实现方式中,上述装置300还包括:资源分配模块,所述资源分配模块包括高风险区域分配单元、低风险区域分配单元以及正常风险区域分配单元。
高风险区域分配单元,用于为风险区域等级高于第一阈值的区域分配高于预设值的资源;
低风险区域分配单元,用于为风险区域等级低于第二阈值的区域分配低于预设值的资源;
正常风险区域分配单元,用于为风险区域等级介于所述第一阈值以及所述第二阈值的区域分配预设值的资源。
在本实施例的一些可选的实现方式中,上述装置300还包括:训练模块,所述训练模块包括训练数据获取单元、训练数据输入单元、训练单元以及部署单元。
训练数据获取单元,用于获取多个训练数据以及所述训练数据所对应的标注标签;
训练数据输入单元,用于将所述训练数据以及所述对应的标注标签输入至所述初始神经网络模型;
训练单元,用于将所述初始神经网络模型通过训练,得到目标神经网络模型,代表根据所述目标神经网络模型的多层感知器中第n-1层的输出,训练所述目标神经网络模型的多层感知器中第n层中第k个神经元得到的权值,表示相应的偏置,表示第i个训练数据输入至所述目标神经网络模型后,在所述目标神经网络模型的第n层的输出,i为任意正整数,n为自然数,当n为所述目标神经网络模型的最后一层时,是指所述目标神经网络模型的输出,表示第i个训练数据输入至所述目标神经网络模型后,在所述目标神经网络模型的第n-1层的输出;
部署单元,用于部署所述目标神经网络模型。
在本实施例的一些可选的实现方式中,上述装置300还包括:所述用户权限模模块,所述用户权限模块包括访问请求获取单元以及访问权限设置单元。
访问请求获取单元,用于获取用户的访问请求;
访问权限设置单元,用于根据访问请求设置用户的访问权限。
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4包括通过系统总线相互通信连接存储器41、处理器42、网络接口43。需要指出的是,图中仅示出了具有组件41-43的计算机设备4,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(ApplicationSpecific Integrated Circuit,ASIC)、可编程门阵列(Field-Programmable GateArray,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41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41可以是所述计算机设备4的内部存储单元,例如该计算机设备4的硬盘或内存。在另一些实施例中,所述存储器41也可以是所述计算机设备4的外部存储设备,例如该计算机设备6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(FlashCard)等。当然,所述存储器41还可以既包括所述计算机设备4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41通常用于存储安装于所述计算机设备4的操作系统和各类应用软件,例如资源分配方法的计算机可读指令等。此外,所述存储器41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42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42通常用于控制所述计算机设备4的总体操作。本实施例中,所述处理器42用于运行所述存储器41中存储的计算机可读指令或者处理数据,例如运行所述资源分配方法的计算机可读指令。
所述网络接口43可包括无线网络接口或有线网络接口,该网络接口43通常用于在所述计算机设备4与其他电子设备之间建立通信连接。
上面从模块化功能实体的角度分别介绍了本申请实施例中的创建装置,以下从硬件角度介绍一种计算机设备,如图3所示,其包括:处理器、存储器、网络接口(也可以是收发器,图4中未标识出)以及存储在所述存储器中并可在所述处理器上运行的计算机程序。例如,该计算机程序可以为图2-1所对应的实施例中资源分配的方法对应的程序。例如,当计算机设备实现如图3所示的资源分配的装置300的功能时,所述处理器执行所述计算机程序时实现上述图3所对应的实施例中由资源分配的装置300执行的资源分配的方法中的各步骤。或者,所述处理器执行所述计算机程序时实现上述图3所对应的实施例的资源分配的装置300中各模块的功能。又例如,该计算机程序可以为图2-1所对应的实施例中资源分配的方法对应的程序。
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计算机可读指令,所述计算机可读指令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资源分配方法的步骤。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)中,包括若干指令用以使得一台终端(可以是手机,计算机,服务器或者网络设备等)执行本申请各个实施例所述的方法。
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 (9)
1.一种资源分配方法,其特征在于,包括下述步骤:
从历史任务记录中提取历史处理任务位置以及历史任务处理时间,实时根据历史处理任务位置以及历史任务处理时间预设多个图数据的节点,以及预设风险半径;
将预设的多个节点以及所述风险半径输入至训练好的神经网络模型,得到节点分布;
根据所述多个节点的坐标计算一个风险中心;
将所述风险中心作为中心,所述风险半径作为范围半径,构建风险范围;
根据所述风险范围以及所述节点分布,得到风险区域;
根据所述风险区域进行资源分配;
所述根据所述风险范围以及所述节点分布,得到风险区域的步骤具体包括:
为所述风险范围中的节点分布预设N个风险等级,每个风险等级包括对应所述每个风险等级的多个节点;
从每个所述风险等级中的节点集合任意取出一个节点,作为目标节点;
将在同一个风险等级,且与所述目标节点的空间坐标距离满足预设条件的节点分类成一个聚簇子节点集合;
获取每一个所述聚簇子节点集合的外围节点;
连接所述聚簇子节点集合对应的所述外围节点,并将围合形成的区域填充成对应的颜色,生成风险区域。
2.根据权利要求1所述的资源分配方法,其特征在于,所述根据所述多个节点计算一个风险中心的步骤具体包括:
获取所述多个节点对应的预设权重;
对所述多个节点的坐标乘以对应的预设权重,得到所述多个节点的加权数;
求和所述多个节点的加权数,得到加权和;
将所述多个节点的加权和除以所述节点的数量,得到所述一个风险中心。
3.根据权利要求1-2任一项所述的资源分配方法,其特征在于,所述将预设的多个节点以及所述风险半径输入至训练好的神经网络模型,得到节点分布的步骤之后还包括:
若所述多个节点中存在不在风险范围的节点,则剔除所述不在风险范围的节点,得到更新后的多个节点;
通过所述更新后的多个节点重新计算风险中心,得到新的风险范围。
4.根据权利要求3所述的资源分配方法,其特征在于,所述根据所述风险区域进行资源分配的步骤具体包括:
为风险区域等级高于第一阈值的区域分配高于预设值的资源;
为风险区域等级低于第二阈值的区域分配低于预设值的资源;
为风险区域等级介于所述第一阈值以及所述第二阈值的区域分配预设值的资源。
5.根据权利要求4所述的资源分配方法,其特征在于,所述将所述风险中心作为中心,所述风险半径作为范围半径,构建风险范围的步骤之后还包括:
获取多个训练数据以及所述训练数据所对应的标注标签;
将所述训练数据以及所述对应的标注标签输入至初始神经网络模型;
将所述初始神经网络模型通过训练,得到目标神经网络模型,代表根据所述目标神经网络模型的多层感知器中第n-1层的输出,训练所述目标神经网络模型的多层感知器中第n层中第k个神经元得到的权值,表示相应的偏置,表示第i个训练数据输入至所述目标神经网络模型后,在所述目标神经网络模型的第n层的输出,i为任意正整数,n为自然数,当n为所述目标神经网络模型的最后一层时,fi n是指所述目标神经网络模型的输出,fi n-1表示第i个训练数据输入至所述目标神经网络模型后,在所述目标神经网络模型的第n-1层的输出;
部署所述目标神经网络模型。
6.根据权利要求5所述的资源分配方法,其特征在于,所述实时根据历史处理任务位置预设多个图数据的节点,以及预设风险半径的步骤之前还包括:
获取用户的访问请求;
根据访问请求设置用户的访问权限。
7.一种资源分配装置,其特征在于,包括:
获取模块,用于从历史任务记录中提取历史处理任务位置以及历史任务处理时间,实时根据历史处理任务位置以及历史任务处理时间预设多个图数据的节点,以及预设风险半径;
节点分布获取模块,用于将预设的多个节点以及所述风险半径输入至训练好的神经网络模型,得到节点分布;
计算模块,用于根据所述多个节点的坐标计算一个风险中心;
风险范围构建模块,用于将所述风险中心作为中心,所述风险半径作为范围半径,构建风险范围;
风险区域计算模块,用于根据所述风险范围以及所述节点分布,得到风险区域;
资源分配模块,用于根据所述风险区域进行资源分配;
所述风险区域计算模块还用于为所述风险范围中的节点分布预设N个风险等级,每个风险等级包括对应所述每个风险等级的多个节点;
从每个所述风险等级中的节点集合任意取出一个节点,作为目标节点;
将在同一个风险等级,且与所述目标节点的空间坐标距离满足预设条件的节点分类成一个聚簇子节点集合;
获取每一个所述聚簇子节点集合的外围节点;
连接所述聚簇子节点集合对应的所述外围节点,并将围合形成的区域填充成对应的颜色,生成风险区域。
8.一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机可读指令,所述处理器执行所述计算机可读指令时实现如权利要求1至6中任一项所述的资源分配方法的步骤。
9.一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可读指令,所述计算机可读指令被处理器执行时实现如权利要求1至6中任一项所述的资源分配方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010922954.3A CN112085378B (zh) | 2020-09-04 | 2020-09-04 | 资源分配方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010922954.3A CN112085378B (zh) | 2020-09-04 | 2020-09-04 | 资源分配方法、装置、计算机设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112085378A CN112085378A (zh) | 2020-12-15 |
CN112085378B true CN112085378B (zh) | 2023-02-03 |
Family
ID=73732370
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010922954.3A Active CN112085378B (zh) | 2020-09-04 | 2020-09-04 | 资源分配方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112085378B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112587932A (zh) * | 2020-12-30 | 2021-04-02 | 网易(杭州)网络有限公司 | 游戏外挂的检测方法、装置、电子设备及存储介质 |
CN113706207B (zh) * | 2021-08-31 | 2024-05-31 | 中国平安财产保险股份有限公司 | 基于语义解析的订单成交率分析方法、装置、设备及介质 |
CN114567374A (zh) * | 2022-04-28 | 2022-05-31 | 高勘(广州)技术有限公司 | 检验设施点运行状况方法、及其相关设备 |
CN114896067B (zh) * | 2022-05-26 | 2024-09-06 | 中国平安人寿保险股份有限公司 | 任务请求信息的自动生成方法、装置、计算机设备及介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105991478A (zh) * | 2015-02-05 | 2016-10-05 | 阿里巴巴集团控股有限公司 | 服务器资源分配方法及其系统 |
CN110400002A (zh) * | 2019-06-21 | 2019-11-01 | 中南大学 | 一种多星成像任务规划方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2953069A1 (en) * | 2014-06-05 | 2015-12-09 | ABB Technology AG | Method and system for improving route assignment performance |
CN110431573A (zh) * | 2017-12-14 | 2019-11-08 | 北京嘀嘀无限科技发展有限公司 | 订单分配优化的系统和方法 |
JP6635107B2 (ja) * | 2017-12-27 | 2020-01-22 | トヨタ自動車株式会社 | 業務支援システム、及び業務支援方法 |
CN109992373B (zh) * | 2017-12-29 | 2021-04-09 | 华为技术有限公司 | 资源调度方法、信息管理方法和装置及任务部署系统 |
CN110378537A (zh) * | 2019-07-25 | 2019-10-25 | 四川青霄信息科技有限公司 | 一种机场停机位智能分配的方法及系统 |
CN110717662B (zh) * | 2019-09-27 | 2022-10-28 | 苏州达家迎信息技术有限公司 | 任务分配方法、装置、设备及存储介质 |
-
2020
- 2020-09-04 CN CN202010922954.3A patent/CN112085378B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105991478A (zh) * | 2015-02-05 | 2016-10-05 | 阿里巴巴集团控股有限公司 | 服务器资源分配方法及其系统 |
CN110400002A (zh) * | 2019-06-21 | 2019-11-01 | 中南大学 | 一种多星成像任务规划方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112085378A (zh) | 2020-12-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112085378B (zh) | 资源分配方法、装置、计算机设备及存储介质 | |
CN112148987B (zh) | 基于目标对象活跃度的消息推送方法及相关设备 | |
Zhang et al. | A novel probabilistic formulation for locating and sizing emergency medical service stations | |
CN111506723A (zh) | 问答响应方法、装置、设备及存储介质 | |
CN106651277A (zh) | 一种基于区域物流信息的网络传输系统及数据分析方法 | |
CN111639706A (zh) | 基于图像集的个人风险画像生成方法及相关设备 | |
CN115936895A (zh) | 基于人工智能的风险评估方法、装置、设备及存储介质 | |
CN113506023A (zh) | 工作行为数据分析方法、装置、设备及存储介质 | |
CN116956326A (zh) | 权限数据的处理方法、装置、计算机设备及存储介质 | |
CN116843395A (zh) | 一种业务系统的告警分级方法、装置、设备及存储介质 | |
CN115797084A (zh) | 基于车主驾驶行为的投保定价指导方法及其相关设备 | |
CN114971284A (zh) | 案件分配方法、装置及计算机设备 | |
CN115713424A (zh) | 风险评估方法、风险评估装置、设备及存储介质 | |
CN115099875A (zh) | 基于决策树模型的数据分类方法及相关设备 | |
CN113781247A (zh) | 协议数据推荐方法、装置、计算机设备及存储介质 | |
Yadav et al. | The Event Crowd: A novel approach for crowd-enabled event processing | |
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 | |
CN112085566A (zh) | 基于智能决策的产品推荐方法、装置及计算机设备 | |
CN112258195A (zh) | 一种交易数据的处理方法、装置、计算机设备及存储介质 | |
CN111160637A (zh) | 智能化人力分配方法、装置及计算机可读存储介质 | |
CN117252400B (zh) | 一种汽车供应链协调管理方法、系统及应用 | |
CN115630825A (zh) | 基于人工智能的调度方法、装置、计算机设备及存储介质 | |
CN115239185A (zh) | 服务商的分配方法、装置、计算机设备及存储介质 | |
US11252160B1 (en) | Artificial intelligence software access bundling | |
CN117829899A (zh) | 基于人工智能的需求预测方法、装置、设备及存储介质 |
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 |