CN112434883A - 一种基于深度学习的专家抽取需求预测方法、装置 - Google Patents
一种基于深度学习的专家抽取需求预测方法、装置 Download PDFInfo
- Publication number
- CN112434883A CN112434883A CN202011453558.7A CN202011453558A CN112434883A CN 112434883 A CN112434883 A CN 112434883A CN 202011453558 A CN202011453558 A CN 202011453558A CN 112434883 A CN112434883 A CN 112434883A
- Authority
- CN
- China
- Prior art keywords
- expert
- demand prediction
- model
- deep learning
- experts
- 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
- 238000013135 deep learning Methods 0.000 title claims abstract description 20
- 238000000605 extraction Methods 0.000 title claims abstract description 20
- 238000000034 method Methods 0.000 title claims description 33
- 238000007781 pre-processing Methods 0.000 claims abstract description 13
- 238000013136 deep learning model Methods 0.000 claims abstract description 7
- 238000005311 autocorrelation function Methods 0.000 claims description 23
- 238000004590 computer program Methods 0.000 claims description 17
- 238000001514 detection method Methods 0.000 claims description 6
- 238000003745 diagnosis Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 abstract description 9
- 238000013277 forecasting method Methods 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000002405 diagnostic procedure Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012795 verification Methods 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Educational Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种需求预测方法，具体公开了一种基于深度学习的专家抽取需求预测方法，所述的一种基于深度学习的专家抽取需求预测方法，包括：步骤S1：获取历史每次评标的专家人数数据；步骤S2：对所述步骤S1获取的数据进行数据预处理；步骤S3：建立专家需求预测模型，将步骤S2预处理后的数据输入到所述专家需求预测模型进行预测，所述专家需求预测模型为深度学习模型；步骤S4：获取预测结果，将得到的预测结果与未来安排的专家人数对比，输出对比结果。本发明具有能够让企业在招投标前能够很好地预估本次招投标所需要的评标专家的人数的优点。
Description
技术领域
本发明涉及一种需求预测方法，具体涉及了一种基于深度学习的专家抽取需求预测方法。
背景技术
按照广电企【2019】8号文《关于印发公司深化招标管理改革任务分解表的通知》整体要求，通过利用供应商数据重构等技术实现客观分智能计算、投标文件自动定位、智能辅助验真，减轻专家评标时客观分评审工作量、减少专家机械工作内容、对投标文件所提供资料进行验真。
招投标的企业在招投标的过程中并没有对该次招投标安排多少评标专家的概念，往往会出现评标专家人数不足导致评标过程十分漫长，或者评标专家人数过多导致招投标的企业在本次招投标的成本过高。目前缺乏一种可以预测评标专家需求人数的软件，在企业进行招投标之前能够给出需要的评标专家人数，从而能够在保证效率的情况下节省企业成本。
发明内容
针对现有技术存在企业不能在招投标前准确地预估本次招投标需要的评标专家的人数，本发明的目的在于提供一种基于深度学习的专家抽取需求预测方法，具有能够让企业在招投标前能够很好地预估本次招投标所需要的评标专家的人数的优点。
本发明的上述技术目的是通过以下技术方案得以实现的：
一种基于深度学习的专家抽取需求预测方法，其特征在于，包括：
步骤S1：获取历史每次评标的专家人数数据；
步骤S2：对所述步骤S1获取的数据进行数据预处理；
步骤S3：建立专家需求预测模型，将步骤S2预处理后的数据输入到所述专家需求预测模型进行预测，所述专家需求预测模型为深度学习模型；
步骤S4：获取预测结果，将得到的预测结果与未来安排的专家人数对比，输出对比结果。
优选地，所述对获取到的数据进行预处理包括：
将获取到的人数数据按照时间排序；
将同年同月的人数数据汇聚到一起。
优选地，所述专家需求预测模型为自回归时间序列模型，对所述自回归时间序列模型的检测方法为博克斯-詹金斯法。
优选地，所述博克斯-詹金斯法包括：
对自回归时间序列模型进行识别；
对自回归时间序列模型进行估计；
对自回归时间序列模型进行诊断检测。
优选地，所述对自回归时间序列模型进行识别包括：自相关函数Autocorrelation function (ACF)、偏自相关函数 Partial Autocorrelation function(PACF)以及从ACF和PACF推断。
优选地，所述自相关函数为：
在一个时间序列中，观测点之间互相有关联，现在的观测点Yt和p个延迟lag之前的观测点Yt-p有一个简单的相关性：
优选地，所述对比结果包括：专家人数不足、专家人数足够。
一种基于深度学习的专家抽取需求预测装置，其特征在于，包括：
数据获取模块，所述数据获取模块获取历史每次评标的专家人数数据；
预处理模块，所述预处理模块对获取到的历史每次评标的专家人数数据进行数据预处理；
模型建立模块，所述模型建立模块建立专家需求预测模型，将预处理后的数据输入到所述专家需求预测模型进行预测，所述专家需求预测模型为深度学习模型；
输出模块，所述输出模块输出预测结果，将得到的预测结果与未来安排的专家人数对比，输出对比结果。
一种终端，其特征在于，包括处理器和存储器，所述存储器中存储有计算机程序，所述处理器用于执行所述计算机程序以执行上述的方法。
一种存储介质，其特征在于，存储有可被执行的计算机程序，所述计算机程序被执行时实现上述的方法。
上述基于深度学习的专家抽取需求预测方法，具有以下有益效果：获取历史每次评标的专家人数并且按照年月进行汇聚，能够有效地通过专家需求预测模型来预测出今年对应的月份有可能需要的评标专家人数。
附图说明
图1是一种基于深度学习的专家抽取需求预测方法的示意图。
图2是一种基于深度学习的专家抽取需求预测装置的示意图。
具体实施方式
以下实施例是对本发明的进一步说明，不是对本发明的限制。
一种基于深度学习的专家抽取需求预测方法，在本申请的一些实施例中，包括：
步骤S1：获取历史每次评标的专家人数数据；
步骤S2：对所述步骤S1获取的数据进行数据预处理；
步骤S3：建立专家需求预测模型，将步骤S2预处理后的数据输入到所述专家需求预测模型进行预测，所述专家需求预测模型为深度学习模型；
步骤S4：获取预测结果，将得到的预测结果与未来安排的专家人数对比，输出对比结果。
在本申请的一些实施例中，所述对获取到的数据进行预处理包括：
将获取到的人数数据按照时间排序；
将同年同月的人数数据汇聚到一起。
在本申请的一些实施例中，所述专家需求预测模型为自回归时间序列模型，对所述自回归时间序列模型的检测方法为博克斯-詹金斯法。
在本申请的一些实施例中，所述博克斯-詹金斯法包括：
对自回归时间序列模型进行识别；
对自回归时间序列模型进行估计；
对自回归时间序列模型进行诊断检测。
在本申请的一些实施例中，所述对自回归时间序列模型进行识别包括：自相关函数 Autocorrelation function (ACF)、偏自相关函数 Partial Autocorrelationfunction (PACF)以及从ACF和PACF推断。
在本申请的一些实施例中，所述自相关函数为：
在一个时间序列中，观测点之间互相有关联，现在的观测点Yt和p个延迟lag之前的观测点Yt-p有一个简单的相关性：
博克斯-詹金斯法主要分为三步：
(1) 识别 (2) 估计 (3) 诊断检测
B-J法（博克斯-詹金斯法）适用于平稳的变量，所以先要转换成平稳的时间序列。
1. 识别 identification
a) 自相关函数 Autocorrelation function (ACF)
自相关就是在一个时间序列中，观测点之间互相有关联。现在的观测点Yt和p个延迟lag之前的观测点Yt-p有一个简单的相关性：
b) 偏自相关函数 Partial Autocorrelation function (PACF)
偏自相关用于测量当Yt和Yt-p之间其他的时间延迟1, 2, 3, ..., (p-1)的影响都被去除后的相关性。
c) 从ACF和PACF推断
理论上的ACF和PACF可以从不同的p和q得出，所以，比较不同pq下ACF和理论值，可以得出合适的ARIMA(p,q)模型。
理论上的ACF和PACF的性质如下表：
2. 估计 estimation
主要借助于各种包进行估算得出p,q值
3. 诊断检测 diagnostic checking
a) 最小的AIC/BIC/SBIC值，这些值为最小的模型最好
b) 残差ACF图
如果残差的大部分自相关系数在 
和
之间，N为观测
点的数量，这样就可以得出残差是白噪声，也就是模型是合适的。
在本申请的一些实施例中，所述对比结果包括：专家人数不足、专家人数足够。
在本申请的一些实施例中，一种基于深度学习的专家抽取需求预测装置，其特征在于，包括：
数据获取模块，所述数据获取模块获取历史每次评标的专家人数数据；
预处理模块，所述预处理模块对获取到的历史每次评标的专家人数数据进行数据预处理；
模型建立模块，所述模型建立模块建立专家需求预测模型，将预处理后的数据输入到所述专家需求预测模型进行预测，所述专家需求预测模型为深度学习模型；
输出模块，所述输出模块输出预测结果，将得到的预测结果与未来安排的专家人数对比，输出对比结果。
一种终端，其特征在于，包括处理器和存储器，所述存储器中存储有计算机程序，所述处理器用于执行所述计算机程序以执行上述的方法。
一种存储介质，其特征在于，存储有可被执行的计算机程序，所述计算机程序被执行时实现上述的方法。
上列详细说明是针对本发明可行实施例的具体说明，以上实施例并非用以限制本发明的专利范围，凡未脱离本发明所为的等效实施或变更，均应包含于本案的专利范围中。
所称处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器 (Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列 (Field-Programmable Gate Array，FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述计算机装置的控制中心，利用各种接口和线路连接整个计算机装置的各个部分。
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述计算机装置的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序（比如声音播放功能、图像播放功能等）等；存储数据区可存储根据手机的使用所创建的数据（比如音频数据、电话本等）等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、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）、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
所述计算机装置集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也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计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、电载波信号、电信号以及软件分发介质等。
Claims (10)
1.一种基于深度学习的专家抽取需求预测方法，其特征在于，包括：
步骤S1：获取历史每次评标的专家人数数据；
步骤S2：对所述步骤S1获取的数据进行数据预处理；
步骤S3：建立专家需求预测模型，将步骤S2预处理后的数据输入到所述专家需求预测模型进行预测，所述专家需求预测模型为深度学习模型；
步骤S4：获取预测结果，将得到的预测结果与未来安排的专家人数对比，输出对比结果。
2.根据权利要求1所述的基于深度学习的专家抽取需求预测方法，其特征在于，所述对获取到的数据进行预处理包括：
将获取到的人数数据按照时间排序；
将同年同月的人数数据汇聚到一起。
3.根据权利要求1所述的基于深度学习的专家抽取需求预测方法，其特征在于：所述专家需求预测模型为自回归时间序列模型，对所述自回归时间序列模型的检测方法为博克斯-詹金斯法。
4.根据权利要求3所述的基于深度学习的专家抽取需求预测方法，其特征在于，所述博克斯-詹金斯法包括：
对自回归时间序列模型进行识别；
对自回归时间序列模型进行估计；
对自回归时间序列模型进行诊断检测。
5.根据权利要求4所述的基于深度学习的专家抽取需求预测方法，其特征在于，所述对自回归时间序列模型进行识别包括：自相关函数 Autocorrelation function (ACF)、偏自相关函数 Partial Autocorrelation function (PACF)以及从ACF和PACF推断。
6.根据权利要求5所述的基于深度学习的专家抽取需求预测方法，其特征在于，所述自相关函数为：
在一个时间序列中，观测点之间互相有关联，现在的观测点Yt和p个延迟lag之前的观测点Yt-p有一个简单的相关性：
7.根据权利要求1所述的基于深度学习的专家抽取需求预测方法，其特征在于，所述对比结果包括：专家人数不足、专家人数足够。
8.一种基于深度学习的专家抽取需求预测装置，其特征在于，包括：
数据获取模块，所述数据获取模块获取历史每次评标的专家人数数据；
预处理模块，所述预处理模块对获取到的历史每次评标的专家人数数据进行数据预处理；
模型建立模块，所述模型建立模块建立专家需求预测模型，将预处理后的数据输入到所述专家需求预测模型进行预测，所述专家需求预测模型为深度学习模型；
输出模块，所述输出模块输出预测结果，将得到的预测结果与未来安排的专家人数对比，输出对比结果。
9.一种终端，其特征在于，包括处理器和存储器，所述存储器中存储有计算机程序，所述处理器用于执行所述计算机程序以执行权利要求1~7任一项所述的方法。
10.一种存储介质，其特征在于，存储有可被执行的计算机程序，所述计算机程序被执行时实现权利要求1~7任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011453558.7A CN112434883A (zh) | 2020-12-12 | 2020-12-12 | 一种基于深度学习的专家抽取需求预测方法、装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011453558.7A CN112434883A (zh) | 2020-12-12 | 2020-12-12 | 一种基于深度学习的专家抽取需求预测方法、装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112434883A true CN112434883A (zh) | 2021-03-02 |
Family
ID=74691090
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011453558.7A Pending CN112434883A (zh) | 2020-12-12 | 2020-12-12 | 一种基于深度学习的专家抽取需求预测方法、装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112434883A (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104899663A (zh) * | 2015-06-17 | 2015-09-09 | 北京奇虎科技有限公司 | 一种数据预测方法和装置 |
| CN107194508A (zh) * | 2017-05-18 | 2017-09-22 | 成都数联易康科技有限公司 | 一种基于时间序列动态预测中短期区域儿科门诊人次的方法 |
| CN110009242A (zh) * | 2019-04-12 | 2019-07-12 | 网易（杭州）网络有限公司 | 基于神经网络的评标方法及装置、存储介质 |
| CN110648026A (zh) * | 2019-09-27 | 2020-01-03 | 京东方科技集团股份有限公司 | 预测模型构建方法、预测方法、装置、设备及介质 |
-
2020
- 2020-12-12 CN CN202011453558.7A patent/CN112434883A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104899663A (zh) * | 2015-06-17 | 2015-09-09 | 北京奇虎科技有限公司 | 一种数据预测方法和装置 |
| CN107194508A (zh) * | 2017-05-18 | 2017-09-22 | 成都数联易康科技有限公司 | 一种基于时间序列动态预测中短期区域儿科门诊人次的方法 |
| CN110009242A (zh) * | 2019-04-12 | 2019-07-12 | 网易（杭州）网络有限公司 | 基于神经网络的评标方法及装置、存储介质 |
| CN110648026A (zh) * | 2019-09-27 | 2020-01-03 | 京东方科技集团股份有限公司 | 预测模型构建方法、预测方法、装置、设备及介质 |
Non-Patent Citations (1)
| Title |
|---|
| 刘芹等: "基于时间序列自回归移动平均模型的湖北省卫生技术人员需求预测", 医学与社会, vol. 33, no. 2, pages 18 - 21 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110598008B (zh) | 录制数据的数据质检方法及装置、存储介质 | |
| CN109616097B (zh) | 语音数据处理方法、装置、设备及存储介质 | |
| CN114663335A (zh) | 图像瑕疵检测方法、装置、电子设备及介质 | |
| CN110287936B (zh) | 图像检测方法、装置、设备及存储介质 | |
| CN109559735A (zh) | 一种基于神经网络的语音识别方法、终端设备及介质 | |
| CN113077821A (zh) | 音频质量检测方法、装置、电子设备及存储介质 | |
| CN112434970A (zh) | 一种基于智能数据采集的资质数据验证方法、装置 | |
| CN111507483A (zh) | 返修板检测装置、方法及计算机可读存储介质 | |
| CN115600574A (zh) | 一种投标文件自动对比方法、装置、设备及介质 | |
| CN111460098A (zh) | 文本匹配方法、装置及终端设备 | |
| CN114639152A (zh) | 基于人脸识别的多模态语音交互方法、装置、设备及介质 | |
| CN110689885A (zh) | 机器合成语音识别方法、装置、存储介质及电子设备 | |
| CN112434883A (zh) | 一种基于深度学习的专家抽取需求预测方法、装置 | |
| CN109524009B (zh) | 基于语音识别的保单录入方法和相关装置 | |
| CN116680385A (zh) | 基于人工智能的对话问答方法、装置、计算机设备及介质 | |
| CN112687274A (zh) | 一种语音信息的处理方法、装置、设备及介质 | |
| CN112949305B (zh) | 负反馈信息采集方法、装置、设备及存储介质 | |
| CN115620317A (zh) | 一种电子工程文档真实性验证方法和系统 | |
| CN113139561B (zh) | 一种垃圾分类方法、装置、终端设备及存储介质 | |
| CN109493868B (zh) | 基于语音识别的保单录入方法和相关装置 | |
| CN114490929A (zh) | 一种招投标信息采集方法、装置、存储介质及终端设备 | |
| CN113343968A (zh) | 多模板证书快速审证方法、系统、介质及装置 | |
| CN112463835A (zh) | 一种使用关联关系分析的专家关系查找方法及装置 | |
| CN110909538A (zh) | 问答内容的识别方法、装置、终端设备及介质 | |
| CN116993297B (zh) | 基于电子会议记录的任务数据生成方法及系统 |
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 |