CN112465383A - 工业互联网智能决策方法、系统、计算机设备及存储介质 - Google Patents
工业互联网智能决策方法、系统、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN112465383A CN112465383A CN202011444573.5A CN202011444573A CN112465383A CN 112465383 A CN112465383 A CN 112465383A CN 202011444573 A CN202011444573 A CN 202011444573A CN 112465383 A CN112465383 A CN 112465383A
- Authority
- CN
- China
- Prior art keywords
- decision
- scheme
- decision scheme
- industrial internet
- scheduling request
- 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.)
- Withdrawn
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
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
Abstract
本发明适用于计算机技术领域,提供了一种工业互联网智能决策方法、系统、计算机设备及存储介质,所述方法包括:接收工业互联网设备发送的调度请求;分析调度请求,以获取与所述调度请求相关的请求类型以及期望决策;根据已有决策方案树生成与请求类型相对应的决策方案,当决策方案与期望决策相同时,下发决策方案至工业互联网设备,使工业互联网设备执行决策方案;本发明的有益效果是:可根据请求类型,依据决策方案树生成对应的决策方案,仅在决策方案与期望决策相同时,下发决策方案至工业互联网设备,此种依据决策方案树生成决策的方式,速度响应快,并且在决策方案生成后,还进行决策方案与期望决策的对比,可有效提升决策生成的准确性。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种工业互联网智能决策方法、系统、计算机设备及存储介质。
背景技术
工业互联网是信息通信与工业结合发展的高级阶段,正逐步实现信息通信基础设施与工业基础设施的一体化。在工业互联网中不仅信息的种类和数量巨大,而且对信息的实时性要求也越来越高,大数据技术具有数据容量大、数据类型多、商业价值高、处理速度快的特点,在工业互联网中具有广泛的应用前景。
然而现有技术中,对工业互联网设备的决策生成需要依靠大量的数据计算,导致决策生成速度慢,效率低,并且单纯依靠数据计算直接生成的决策精度不高,限制了智能决策方法的应用。
发明内容
本发明实施例的目的在于提供一种工业互联网智能决策方法、系统、计算机设备及存储介质,旨在解决背景技术中确定的现有技术存在的技术问题。
本发明实施例是这样实现的,工业互联网智能决策方法,包括以下步骤:
接收工业互联网设备发送的调度请求;
分析调度请求,以获取与所述调度请求相关的请求类型以及期望决策;
根据已有决策方案树生成与请求类型相对应的决策方案,当决策方案与期望决策相同时,下发决策方案至工业互联网设备,使工业互联网设备执行决策方案。
作为本发明进一步的方案:所述分析调度请求,以获取与所述调度请求相关的请求类型以及期望决策的步骤,具体包括:
接收调度请求,将所述调度请求转化为设定的格式;
输入经过格式转化后的调度请求至卷积神经网络模型中,由卷积神经网络模型对调度请求进行分析处理;
输出与所述调度请求相关的请求类型以及期望决策。
作为本发明再进一步的方案:所述根据已有决策方案树生成与请求类型相对应的决策方案,当决策方案与期望决策相同时,下发决策方案至工业互联网设备,使工业互联网设备执行决策方案的步骤,具体包括:
调取存储在本地的决策方案树,所述决策方案树为包含有具有唯一映射关系的请求类型和决策方案的集合;
输入请求类型至决策方案树中,获取与所述请求类型对应的决策方案;
判断决策方案与期望决策是否相同,当决策方案与期望决策相同时,下发决策方案至工业互联网设备,使工业互联网设备执行决策方案。
作为本发明再进一步的方案:当决策方案与期望决策不同时,判定是否以决策方案树生成决策方案或为准,当不以决策方案为准时,以期望决策作为决策方案,并更新所述决策方案树。
作为本发明再进一步的方案:当以决策方案为准时,以所述决策方案作为卷积神经网络模型的输出结果,更新卷积神经网络模型的权值和阈值。
本发明实施例的另一目的在于提供一种工业互联网智能决策系统,包括:
调度请求接收模块,用于接收工业互联网设备发送的调度请求;
预分析模块,用于分析调度请求以获取与所述调度请求相关的请求类型以及期望决策;以及决策生成模块,用于根据已有决策方案树生成与请求类型相对应的决策方案,当决策方案与期望决策相同时,下发决策方案至工业互联网设备,使工业互联网设备执行决策方案。
本发明实施例的另一目的在于提供一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行所述工业互联网智能决策方法的步骤。
本发明实施例的另一目的在于提供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,使得所述处理器执行所述工业互联网智能决策方法的步骤。
与现有技术相比,本发明的有益效果是:可根据请求类型,依据决策方案树生成对应的决策方案,并且在该决策方案生成时,还进行决策方案与期望决策的判断对比,仅在决策方案与期望决策相同时,下发决策方案至工业互联网设备,使工业互联网设备执行决策方案,此种依据决策方案树生成决策的方式,速度响应快,并且在决策方案生成后,还进行决策方案与期望决策的判断对比,可有效提升决策生成的准确性。
附图说明
图1为一种工业互联网智能决策方法的流程图。
图2为一种工业互联网智能决策方法中获取请求类型以及期望决策的流程图。
图3为一种工业互联网智能决策方法中生成决策方案的流程图。
图4为一种工业互联网智能决策方法中生成决策方案的程序框图。
图5为一种工业互联网智能决策系统的结构示意图。
图6为一种计算机设备的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
以下结合具体实施例对本发明的具体实现进行详细描述。
如图1和4所示,为本发明一个实施例提供的一种工业互联网智能决策方法的流程图,包括以下步骤:
S200,接收工业互联网设备发送的调度请求。
本发明实施例中,工业互联网中的设备在需要时可以生成对应的调度请求并发送,然而每个工业互联网所处的网络环境等均不相同或者相互独立,在实际应用时,可以通过设置多个设备来接收工业互联网设备发送的调度请求,而且作为优选的,每个设备可以对应若干个工业互联网设备,以实现对工业互联网设备的分区,即使一个分区中的设备出现故障,也不会影响其他分区正常调度请求的发送和接收。
S400,分析调度请求,以获取与所述调度请求相关的请求类型以及期望决策。
本发明实施例中的分析调度请求实际上指的是对调度请求的预处理,根据对调度请求的分析和处理,可以获得调度请求的请求类型和期望决策,作为优选的,本实施例中的请求类型可以为网络相关的请求、设备启停相关的请求、状态相关的请求等(当然,实际应用时,请求类型应该更加细化),期望决策是指与当前请求类型相对应的决策,例如工业互联网设备出现网络故障,此时其发出的调度请求经过处理分析后,其请求类型为网络相关的请求,而对应的期望决策则是对网络设备进行相应的检查处理等,生成期望决策的目的在于作为后续处理的一个判断基准,来提升决策生成的准确性。
S600,根据已有决策方案树生成与请求类型相对应的决策方案,当决策方案与期望决策相同时,下发决策方案至工业互联网设备,使工业互联网设备执行决策方案。
本发明实施例中,所述决策方案树为包含有具有唯一映射关系的请求类型和决策方案的集合,根据请求类型,可以依据决策方案树生成对应的决策方案,并且在该决策方案生成时,还进行决策方案与期望决策的判断对比,仅在决策方案与期望决策相同时,下发决策方案至工业互联网设备,使工业互联网设备执行决策方案。此种依据决策方案树生成决策的方式,速度响应快,并且在决策方案生成后,还进行决策方案与期望决策的判断对比,可有效提升决策生成的准确性。
有必要进行说明的是,当决策方案树中不存在与请求类型相对应的映射关系时,对请求类型进行手动决策处理,并将处理结果更新至决策方案树中,以不断更新扩大决策方案树,使得后续的决策生成速度越来越快。
如图2所示,作为本发明一个优选的实施例,所述分析调度请求,以获取与所述调度请求相关的请求类型以及期望决策的步骤,具体包括:
S401,接收调度请求,将所述调度请求转化为设定的格式。
本发明实施例中,将所述调度请求转化为设定的格式,此处,设定的格式指的是能被卷积神经网络模型所识别的格式,而且在格式转化完成后,还可以进行降噪等常见的处理,本实施例在此不进行具体的限定。
S403,输入经过格式转化后的调度请求至卷积神经网络模型中,由卷积神经网络模型对调度请求进行分析处理。
本发明实施例中,卷积神经网络模型是预先建立好的,具体的建立步骤可以为:
选定训练组,从样本集中分别随机地寻求N个样本作为训练组;然后将各权值、阈值,置成小的接近于0的随机值,并初始化精度控制參数和学习率;从训练组中取一个输入模式加到网络,并给出它的目标输出向量;计算出中间层输出向量,计算出网络的实际输出向量;将输出向量中的元素与目标向量中的元素进行比較,计算出输出误差;对于中间层的隐单元也须要计算出误差;依次计算出各权值的调整量和阈值的调整量;调整权值和调整阈值;当经历设定次数的训练后,推断指标是否满足精度要求,假设不满足,则继续返回迭代;训练结束后,将权值和阈值进行保存。上述训练过程属于现有技术,本实施例在此不进行多余叙述。
S405,输出与所述调度请求相关的请求类型以及期望决策。
本发明实施例中,根据卷积神经网络模型可以直接得到与调度请求相关的请求类型以及期望决策。
如图3所示,作为本发明另一个优选的实施例,所述根据已有决策方案树生成与请求类型相对应的决策方案,当决策方案与期望决策相同时,下发决策方案至工业互联网设备,使工业互联网设备执行决策方案的步骤,具体包括:
S601,调取存储在本地的决策方案树,所述决策方案树为包含有具有唯一映射关系的请求类型和决策方案的集合。
本发明实施例中,决策方案树内保存的是映射关系,例如括号类的这种映射关系(请求类型:网络相关的请求:网络设备故障-决策方案:检查处理:重启&检查)。
S603,输入请求类型至决策方案树中,获取与所述请求类型对应的决策方案。
本发明实施例中,请求类型输入至决策方案树,根据已有的对应映射关系,可以直接获取与所述请求类型对应的决策方案。而当决策方案树中不存在与请求类型相对应的映射关系时,对请求类型进行手动决策处理,并将处理结果更新至决策方案树中,以不断更新扩大决策方案树,使得后续的决策生成速度越来越快。
S605,判断决策方案与期望决策是否相同,当决策方案与期望决策相同时,下发决策方案至工业互联网设备,使工业互联网设备执行决策方案。
本发明实施例在实际应用时,在工业互联网设备执行决策方案前,还对决策方案进行精度验证,具体验证方式则是与与期望决策进行对比,当决策方案与期望决策相同时,下发决策方案至工业互联网设备,可有效提升决策生成的准确性。
具体的来说:(1)当决策方案与期望决策不同时,判定是否以决策方案树生成决策方案或为准,此部分由人工进行判定,当不以决策方案为准时,即以期望决策作为决策方案,此时,将修改后的决策方案与对应的请求类型形成映射关系更新至所述决策方案树中。
(2)当以决策方案为准时,即说明原先卷积神经网络模型识别得到的期望决策不够准确,因此以所述决策方案作为卷积神经网络模型的输出结果,更新卷积神经网络模型的权值和阈值,即来提升卷积神经网络模型的精度,随着时间的推移,当样本的数量足够多时,卷积神经网络模型的准确性也越来越高。
如图5所示,本发明实施例还提供了一种工业互联网智能决策系统,包括调度请求接收模块100、预分析模块200和决策生成模块300,所述调度请求接收模块100用于接收工业互联网设备发送的调度请求;所述预分析模块200用于分析调度请求以获取与所述调度请求相关的请求类型以及期望决策;所述决策生成模块300用于根据已有决策方案树生成与请求类型相对应的决策方案,当决策方案与期望决策相同时,下发决策方案至工业互联网设备,使工业互联网设备执行决策方案。
本发明实施例中,所述决策方案树为包含有具有唯一映射关系的请求类型和决策方案的集合,根据请求类型,可以依据决策方案树生成对应的决策方案,并且在该决策方案生成时,还进行决策方案与期望决策的判断对比,仅在决策方案与期望决策相同时,下发决策方案至工业互联网设备,使工业互联网设备执行决策方案。此种依据决策方案树生成决策的方式,速度响应快,并且在决策方案生成后,还进行决策方案与期望决策的判断对比,可有效提升决策生成的准确性;根据请求类型,可以依据决策方案树生成对应的决策方案,并且在该决策方案生成时,还进行决策方案与期望决策的判断对比,仅在决策方案与期望决策相同时,下发决策方案至工业互联网设备,使工业互联网设备执行决策方案,此种依据决策方案树生成决策的方式,速度响应快,并且在决策方案生成后,还进行决策方案与期望决策的判断对比,可有效提升决策生成的准确性。
如图6所示,本发明实施例还提供了一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行:
S200,接收工业互联网设备发送的调度请求。
S400,分析调度请求,以获取与所述调度请求相关的请求类型以及期望决策。
S600,根据已有决策方案树生成与请求类型相对应的决策方案,当决策方案与期望决策相同时,下发决策方案至工业互联网设备,使工业互联网设备执行决策方案。
本发明实施例还提供了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,使得所述处理器执行:
S200,接收工业互联网设备发送的调度请求。
S400,分析调度请求,以获取与所述调度请求相关的请求类型以及期望决策。
S600,根据已有决策方案树生成与请求类型相对应的决策方案,当决策方案与期望决策相同时,下发决策方案至工业互联网设备,使工业互联网设备执行决策方案。
应该理解的是,虽然本发明各实施例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,这些步骤可以以其它的顺序执行。而且,各实施例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,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它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。
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,所述的程序可存储于一非易失性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,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink) DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
本领域技术人员在考虑说明书及实施例处的公开后,将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由权利要求指出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
Claims (8)
1.工业互联网智能决策方法,其特征在于,包括以下步骤:
接收工业互联网设备发送的调度请求;
分析调度请求,以获取与所述调度请求相关的请求类型以及期望决策;
根据已有决策方案树生成与请求类型相对应的决策方案,当决策方案与期望决策相同时,下发决策方案至工业互联网设备,使工业互联网设备执行决策方案。
2.根据权利要求1所述的工业互联网智能决策方法,其特征在于,所述分析调度请求,以获取与所述调度请求相关的请求类型以及期望决策的步骤,具体包括:
接收调度请求,将所述调度请求转化为设定的格式;
输入经过格式转化后的调度请求至卷积神经网络模型中,由卷积神经网络模型对调度请求进行分析处理;
输出与所述调度请求相关的请求类型以及期望决策。
3.根据权利要求2所述的工业互联网智能决策方法,其特征在于,所述根据已有决策方案树生成与请求类型相对应的决策方案,当决策方案与期望决策相同时,下发决策方案至工业互联网设备,使工业互联网设备执行决策方案的步骤,具体包括:
调取存储在本地的决策方案树,所述决策方案树为包含有具有唯一映射关系的请求类型和决策方案的集合;
输入请求类型至决策方案树中,获取与所述请求类型对应的决策方案;
判断决策方案与期望决策是否相同,当决策方案与期望决策相同时,下发决策方案至工业互联网设备,使工业互联网设备执行决策方案。
4.根据权利要求3所述的工业互联网智能决策方法,其特征在于,当决策方案与期望决策不同时,判定是否以决策方案树生成决策方案或为准,当不以决策方案为准时,以期望决策作为决策方案,并更新所述决策方案树。
5.根据权利要求4所述的工业互联网智能决策方法,其特征在于,当以决策方案为准时,以所述决策方案作为卷积神经网络模型的输出结果,更新卷积神经网络模型的权值和阈值。
6.工业互联网智能决策系统,其特征在于,包括:
调度请求接收模块,用于接收工业互联网设备发送的调度请求;
预分析模块,用于分析调度请求以获取与所述调度请求相关的请求类型以及期望决策;以及决策生成模块,用于根据已有决策方案树生成与请求类型相对应的决策方案,当决策方案与期望决策相同时,下发决策方案至工业互联网设备,使工业互联网设备执行决策方案。
7.一种计算机设备,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,所述计算机程序被所述处理器执行时,使得所述处理器执行权利要求1至5中任一项权利要求所述工业互联网智能决策方法的步骤。
8.一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,使得所述处理器执行权利要求1至5中任一项权利要求所述工业互联网智能决策方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011444573.5A CN112465383A (zh) | 2020-12-08 | 2020-12-08 | 工业互联网智能决策方法、系统、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011444573.5A CN112465383A (zh) | 2020-12-08 | 2020-12-08 | 工业互联网智能决策方法、系统、计算机设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112465383A true CN112465383A (zh) | 2021-03-09 |
Family
ID=74801305
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011444573.5A Withdrawn CN112465383A (zh) | 2020-12-08 | 2020-12-08 | 工业互联网智能决策方法、系统、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112465383A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109547557A (zh) * | 2018-12-06 | 2019-03-29 | 南京邮电大学 | 工业互联网智能决策方法、可读存储介质和终端 |
CN110929879A (zh) * | 2019-11-06 | 2020-03-27 | 南方电网财务有限公司 | 基于决策引擎和模型平台的业务决策逻辑更新方法 |
CN111510339A (zh) * | 2020-03-09 | 2020-08-07 | 中国信息通信研究院 | 一种工业互联网数据监测方法和装置 |
-
2020
- 2020-12-08 CN CN202011444573.5A patent/CN112465383A/zh not_active Withdrawn
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109547557A (zh) * | 2018-12-06 | 2019-03-29 | 南京邮电大学 | 工业互联网智能决策方法、可读存储介质和终端 |
CN110929879A (zh) * | 2019-11-06 | 2020-03-27 | 南方电网财务有限公司 | 基于决策引擎和模型平台的业务决策逻辑更新方法 |
CN111510339A (zh) * | 2020-03-09 | 2020-08-07 | 中国信息通信研究院 | 一种工业互联网数据监测方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108846517B (zh) | 一种分位数概率性短期电力负荷预测集成方法 | |
CN106874581B (zh) | 一种基于bp神经网络模型的建筑空调能耗预测方法 | |
CN108628974B (zh) | 舆情信息分类方法、装置、计算机设备和存储介质 | |
CN106022521B (zh) | 基于Hadoop架构的分布式BP神经网络的短期负荷预测方法 | |
CN111563706A (zh) | 一种基于lstm网络的多变量物流货运量预测方法 | |
CN112418482B (zh) | 一种基于时间序列聚类的云计算能耗预测方法 | |
CN108304679A (zh) | 一种自适应可靠性分析方法 | |
EP3550447B1 (en) | Performing cache update adaption | |
CN110458601B (zh) | 资源数据的处理方法、装置、计算机设备和存储介质 | |
CN110083910B (zh) | 一种基于nsga-ⅱ的混沌时间序列预测样本获取方法 | |
US10901993B2 (en) | Performing cache update adaptation | |
CN111461463A (zh) | 一种基于tcn-bp的短期负荷预测方法、系统及设备 | |
CN111985845B (zh) | 一种异构Spark集群的节点优先级调优方法 | |
CN111832839B (zh) | 基于充分增量学习的能耗预测方法 | |
CN113642652A (zh) | 生成融合模型的方法、装置和设备 | |
CN112215398A (zh) | 电力用户负荷预测模型建立方法、装置、设备及存储介质 | |
CN115358437A (zh) | 基于卷积神经网络的供电负荷预测方法 | |
CN115329669A (zh) | 基于深度贝叶斯主动学习的电力系统暂态稳定评估方法 | |
CN114219177A (zh) | 机房环境调控方法、装置、电子设备及存储介质 | |
CN113537614A (zh) | 电网工程造价预测模型的构建方法、系统、设备及介质 | |
CN117318033A (zh) | 一种结合数据孪生的电网数据管理方法及系统 | |
CN112465383A (zh) | 工业互联网智能决策方法、系统、计算机设备及存储介质 | |
CN117334271A (zh) | 一种基于指定属性生成分子的方法 | |
CN104537224A (zh) | 基于自适应学习算法的多状态系统可靠性分析方法及系统 | |
CN114943328A (zh) | 基于bp神经网络非线性组合的sarima-gru时序预测模型 |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20210309 |
|
WW01 | Invention patent application withdrawn after publication |