CN112597745A - 一种智能图表的生成方法、装置、计算机系统及可读存储介质 - Google Patents
一种智能图表的生成方法、装置、计算机系统及可读存储介质 Download PDFInfo
- Publication number
- CN112597745A CN112597745A CN202011537986.8A CN202011537986A CN112597745A CN 112597745 A CN112597745 A CN 112597745A CN 202011537986 A CN202011537986 A CN 202011537986A CN 112597745 A CN112597745 A CN 112597745A
- Authority
- CN
- China
- Prior art keywords
- data
- target object
- target
- generating
- chart
- 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
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000012545 processing Methods 0.000 claims abstract description 77
- 238000012549 training Methods 0.000 claims description 50
- 238000004422 calculation algorithm Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 11
- 238000007635 classification algorithm Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 abstract description 15
- 230000008569 process Effects 0.000 description 6
- 238000007405 data analysis Methods 0.000 description 5
- 238000013145 classification model Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013079 data visualisation Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 239000003086 colorant Substances 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/10—Text processing
- G06F40/166—Editing, e.g. inserting or deleting
- G06F40/177—Editing, e.g. inserting or deleting of tables; using ruled lines
- G06F40/18—Editing, e.g. inserting or deleting of tables; using ruled lines of spreadsheets
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/10—Text processing
- G06F40/166—Editing, e.g. inserting or deleting
- G06F40/183—Tabulation, i.e. one-dimensional positioning
-
- 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
- G06F9/44—Arrangements for executing specific programs
- G06F9/451—Execution arrangements for user interfaces
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Human Computer Interaction (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种智能图表的生成方法、装置、计算机系统及可读存储介质,涉及大数据技术领域,包括:接收用户端发出的用户请求,基于所述用户请求生成目标对象;基于所述目标对象在数据库中进行匹配与所述目标对象对应的历史数据,获得第一处理数据;根据所述第一处理数据的数据类型建立预测模型,采用所述预测模型对所述目标对象进行预测,获取与所述目标对象关联的目标数据;基于所述用户请求获取预设模板,根据所述目标数据、所述第一处理数据和所述预设模板生成目标图表,并将所述目标图表发送至用户端,解决现有技术中BI图表缺乏基于历史数据自主实现对未来数据走势的预测,人工分析成本较高且效率较低的问题。
Description
技术领域
本发明涉及大数据技术领域,尤其涉及一种智能图表的生成方法、装置、计算机系统及可读存储介质。
背景技术
商业智能(Business Intelligence),又称商业智慧或商务智能,指用现代数据仓库技术、线上分析处理技术、数据挖掘和数据展现技术进行数据分析以实现商业价值,当面向特定应用的特定战略和决策问题,商业智能从数据准备做起,建立或虚拟一个集成的数据环境,在集成的数据环境之上,利用决策分析工具,通过数据分析、知识发现等过程,为战略制订和决策提供支持,图表是BI可视化分析的重要组成部分,通常采用图表进行数据可视化展示。
但是,目前现有的大多BI图表只是基于历史数据采用模板处理的方式实现数据可视化展示,缺乏基于历史数据自主实现对未来数据走势的预测,导致后续提供基于历史数据的策略准确率不够高,用户往往需要根据可视化图标数据人工进行进一步分析,人工成本较高且效率较低。
发明内容
本发明的目的是提供一种智能图表的生成方法、装置、计算机系统及可读存储介质,用于解决现有技术中BI图表只是实现数据展示,缺乏基于历史数据自主实现对未来数据走势的预测,导致后续提供基于历史数据的策略准确率不够高,且后续分析人工成本较高且效率较低的问题。
为实现上述目的,本发明提供一种智能图表的生成方法,包括:
接收用户端发出的用户请求,基于所述用户请求生成目标对象;
基于所述目标对象在数据库中进行匹配与所述目标对象对应的历史数据,获得第一处理数据;
根据所述第一处理数据的数据类型建立预测模型,采用所述预测模型对所述目标对象进行预测,获取与所述目标对象关联的目标数据;
基于所述用户请求获取预设模板,根据所述目标数据、所述第一处理数据和所述预设模板生成目标图表,并将所述目标图表发送至用户端。
进一步的,所述根据所述第一处理数据的数据类型建立预测模型,包括以下:
根据所述第一处理数据的数据类型建立初始模型;
基于所述目标对象和所述第一处理数据从所述数据库中获取训练样本;
采用所述训练样本对所述初始模型进行训练,获取预测模型。
进一步的,所述根据所述第一处理数据的数据类型建立初始模型,包括以下:
获取所述第一处理数据的数据类型;
当所述数据类型为离散数据时,基于分类算法建立初始模型;
当所述数据类型为连续数据时,基于回归算法建立初始模型。
进一步的,所述根据所述目标对象和所述第一处理数据从所述数据库中获取训练样本,包括以下:
基于所述目标对象从特征数据库中获得与所述目标对象匹配的至少一个特征数据;
基于各个所述特征数据从数据库中获取与各个所述特征数据关联的历史数据作为第二处理数据;
将所述第二处理数据中各个历史数据与所述第一处理数据中各个子数据根据特征数据对应关联,获得训练样本。
进一步的,在基于所述目标对象从特征数据库中匹配至少一个特征数据前,包括以下:
对数据库中各个历史数据提取各个历史数据对应的特征数据,并基于所述特征数据生成特征数据库。
进一步的,采用所述训练样本对所述初始模型进行训练,获取预测模型,包括以下:
从训练样本中的第一处理数据中获得任一条子数据以及与所述子数据关联的历史数据;
基于各个特征数据对应权重对所述历史数据进行处理获得第三处理数据;
将所述第三处理数据与所述子数据进行比对并调整各个特征数据对应的权重;
从训练样本获取另一条子数据,并重复上述步骤,直至完成模型训练。
进一步的,所述采用所述预测模型对所述目标对象进行预测,获取与所述目标对象关联的目标数据,包括以下:
根据所述目标对象确定与所述目标对象匹配的特征数据;
从数据库中获取与各个特征数据关联的用于预测的数据作为待处理数据;
采用所述预测模型对待处理数据进行处理,获得与所述目标对象关联的目标数据;
将所述第一处理数据、所述目标数据上传至区块链。
为实现上述目的,本发明还提供一种智能图表的生成装置,包括:
接收模块,用于接收用户端发出的用户请求,基于所述用户请求生成目标对象;
匹配模块,用于基于所述目标对象在数据库中进行匹配与所述目标对象对应的历史数据,获得第一处理数据;
预测模块,用于根据所述目标对象对应的数据类型建立预测模型,采用所述预测模型对所述目标对象进行预测,获取与所述目标对象关联的目标数据;
生成模块,用于基于所述用户请求获取预设模板,根据所述目标数据、所述第一处理数据和所述预设模板生成目标图表,并将所述目标图表发送至用户端。
为实现上述目的,本发明还提供一种计算机系统,其包括多个计算机设备,各计算机设备包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,所述多个计算机设备的处理器执行所述计算机程序时共同实现上述一种智能图表的生成方法的步骤。
为实现上述目的,本发明还提供一种计算机可读存储介质,其包括多个存储介质,各存储介质上存储有计算机程序,所述多个存储介质存储的所述计算机程序被处理器执行时共同实现上述一种智能图表的生成方法的步骤。
本发明提供的一种智能图表的生成方法、装置、计算机系统及可读存储介质,通过接收用户请求获取目标对象,基于目标对象匹配与目标对象对应的历史数据作为第一处理数据,并建立预测模型对目标对象进行预测获得目标数据,最后将第一处理数据及目标数据均通过预设模板可视化呈现,相对比传统的可视化图表,增加了对目标对象的预测结果,提高图表结果的预测性和参考性,解决现有技术中BI图表缺乏基于历史数据自主实现对未来数据走势的预测,后续策略准确率不够高,且分析成本较高、效率较低的问题。
附图说明
图1为本发明所述智能图表的生成方法实施例一的流程图;
图2为本发明所述智能图表的生成方法实施例一中对所述根据所述第一处理数据的数据类型建立预测模型的流程图;
图3为本发明所述智能图表的生成方法实施例一中所述根据所述第一处理数据的数据类型建立初始模型的流程图;
图4为本发明所述智能图表的生成方法实施例一中所述基于所述目标对象和所述第一处理数据从所述数据库中获取训练样本的流程图;
图5为本发明所述智能图表的生成方法实施例一中所述采用所述训练样本对所述初始模型进行训练,获取预测模型的流程图;
图6为本发明所述智能图表的生成方法实施例一中所述采用所述预测模型对所述目标对象进行预测,获取与所述目标对象关联的目标数据的流程图;
图7为本发明智能图表的生成装置实施例二的程序模块示意图;
图8为本发明计算机系统实施例三中计算机设备的硬件结构示意图。
附图标记:
5、智能图表的生成装置 51、接收模块 52、匹配模块
53、预测模块 511、模型建立单元 512、样本建立单元
513、训练单元 54、生成模块 6、计算机设备
61、存储器 62、处理器 63、网络接口
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用以解释本发明,并不用于限定本发明。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明提供的一种智能图表的生成方法、装置、计算机系统及可读存储介质,适用于大数据的数据分析领域,为提供一种基于接收模块、匹配模块、预测模块、生成模块的智能图表的生成方法。本发明通过接收模块接收用户请秋后确定目标对象,再通过匹配模块从数据库中匹配与目标对象匹配的历史数据作为第一处理数据,然后采用预测模块根据第一处理数据的数据类型建立初始模型,并在训练后对目标对象进行预测,获得目标数据,最后采用生成模块根据用户请求获取对应模板对目标数据和第一处理数据进行可视化展示在用户端,解决现有技术中BI图表缺乏基于历史数据自主实现对未来数据走势的预测,导致后续提供基于历史数据的策略准确率不够高,且后续分析人工成本较高且效率较低的问题。
实施例一
请参阅图1,本实施例的一种智能图表的生成方法,应用于服务器端,本方案应用于BI图表分析场景下,参阅图1,包括以下步骤:
S100:接收用户端发出的用户请求,基于所述用户请求生成目标对象;
在上述实施方式中,所述目标对象为用户需要分析的数据维度,包括但不限于销售额、定价、利润、空间、时间等,作为举例的,如目标对象是时间,则是对未来时间度量的预测;如目标对象是空间,则是对其他区域的预测;如维目标对象是销售额、定价、利润,则是对产品各个维度的预测,同时,所述用户请求包含分析数据的预设周期,比如年度销售额或季度销售额,需要说明的是,所述目标对象可以是一个,也可以是多个,当目标对象为多个时,则后续S300中预测模型也会对应建立多个,所述目标数据包含各个目标对象对应的预测结果。
S200:基于所述目标对象在数据库中进行匹配与所述目标对象对应的历史数据,获得第一处理数据;
在本实施方式中,所述第一处理数据为数据集合,包含至少一个子数据,以上述销售额为例:设目标对象为季度销售额,则每一子数据均对应一季度销售额(第一子数据对应为2020第一季度销售额300,第二子数据对应为2020第二季度销售额400),所述第一处理数据为数据库中所有季度销售额的集合(第一处理数据包括第一子数据和第二子数据),后续如S400根据用户选择图表的样式,例如柱状图、折线图、饼图等,获取预设模板,对第一处理数据进行图表展示。
S300:根据所述第一处理数据的数据类型建立预测模型,采用所述预测模型对所述目标对象进行预测,获取与所述目标对象关联的目标数据;
在本方案中,根据用户发出的请求解析出用户需要分析的数据,再通过建立预测模型的方式基于现有的数据对需要分析的数据进行预测,提供预测结果,以便有利于提高用户获取信息的全面性和参考性,同时也减少用户在获取数据后进一步人工处理,节约成本,提高工作效率。
具体的,上述步骤S300中所述根据所述第一处理数据的数据类型建立预测模型,参阅图2,包括以下步骤:
S311:根据所述第一处理数据的数据类型建立初始模型;
具体的,参阅图3,上述步骤S311还包括以下:
S311-1:获取所述第一处理数据的数据类型;
在本方案中,所述数据类型包括离散型数据和连续性数据,当需要预测某一数据的变化趋势,即为连续型数据,比如,价格预测、销量预测等,当需要预测某一数据是否符合某种条件,比如销量是否满足预设目标,其分析结果为是或否,即为离散性数据。
S311-2:当所述数据类型为离散数据时,基于分类算法建立初始模型;
在本方案中,选择GBDT(Gradient Boosting Decision Tree)回归算法作为核心算法,GBDT算法即可用作建立分类模型也可用作建立回归模型,GBDT作为分类算法时可通过多轮迭代,每轮迭代产生一个弱分类器,每个分类器在上一轮分类器的残差基础上进行训练,现有技术中其他分类算法或分类模型也可用于此。
S311-3:当所述数据类型为连续数据时,基于回归算法建立初始模型。
在本方案中,如上述S311-2中所述采用GBDT回归算法建立初始模型,GBDT回归算法通过训练数据初始化学习器,计算残差并将得到的残差作为新样本的真实值,拟合一个回归树,得到所有数据对应树的叶子结点区域,计算最佳拟合值,而后更新强学习器,多次迭代后直至得到最终的学习器即可获得目标回归树,现有技术中其他回归算法或模型也可用于此。
S312:基于所述目标对象和所述第一处理数据从所述数据库中获取训练样本;
具体的,参阅图4,上述步骤S312还包括以下:
S312-1:基于所述目标对象从特征数据库中获得与所述目标对象匹配的至少一个特征数据;
所述特征数据为所述目标对象对应的维度数据,即作用于待分析数据的各个维度数据,作为举例的:比如目标对象为销售额,销售额会受到季节、单价、人流量、时间段等各个维度的影响,则季节、价格、流量、时间区间为该目标对象对应的特征数据。
为了实现自动匹配,需要对数据库中数据进行特征识别,使特征数据库与数据库中的数据关联,因此在基于所述目标对象从特征数据库中匹配至少一个特征数据前,包括以下:
对数据库中各个历史数据提取各个历史数据对应的特征数据,并基于所述特征数据生成特征数据库。
在本方案中,对各个数据进行特征标记,主要是标记历史数据的类型,从而关联特征数据,主要是将各个历史数据根据类型分类,该过程可以是人工进行也可以采用预训练好的分类模型实现自动分类,比如数据库中关于单价变化的历史数据关联的特征数据为价格,人流量变化的历史数据关联的特征数据为流量,建立一个独立于数据库的特征数据库,将上述价格和流量作为特征数据补充在特征数据库中,对每一个数据均进行分类,直至完成数据库与特征数据库中所有数据的关联,每一特征数据关联至少一条历史数据,但每一历史数据有且只能关联一个特征数据。
S312-2:基于各个所述特征数据从数据库中获取与各个所述特征数据关联的历史数据作为第二处理数据;
作为举例的,比如目标对象为销售额,季节、价格、流量、时间区间为该目标对象对应的特征数据,第一处理数据为2019年各月的销售额集合,第二处理数据则为各个特征数据对应每个月的数据。
S312-3:将所述第二处理数据中各个历史数据与所述第一处理数据中各个子数据根据特征数据对应关联,获得训练样本。
在本方案中,直接采用历史数据作为训练样本,在获取训练样本时,需要将第一处理数据中的各个子数据与各个特征数据关联,各个特征数据可关联对应的历史数据,即历史结果与作用该结果的各个维度对应的历史数据组成训练样本,直接采用历史数据处理作为样本数据,可以使训练后获得预测模型更准确。
S313:采用所述训练样本对所述初始模型进行训练,获取预测模型。
具体的,参阅图5,上述步骤S313还包括以下:
S313-1:从训练样本中的第一处理数据中获得任一条子数据以及与所述子数据关联的历史数据;
具体的,由于上述S313训练样本的生成可知,每一子数据均关联特征数据,每一特征数据均可关联历史数据,基于所述子数据可直接获取与所述子数据关联的历史数据。
S313-2:基于各个特征数据对应权重对所述历史数据进行处理获得第三处理数据;
S313-3:将所述第三处理数据与所述子数据进行比对并调整各个特征数据对应的权重;
在上述实施方式中,各个特征数据对于预测结果的影响程度不一致,因此采用设置权重的方式来训练,通过增加训练样本的数据量、降低模型复杂度来降低过拟合的风险,对比后的模型需要进行进一步调优,调优后的新模型需要重新对比,提高预测模型结果准确性。
S313-4:另一条子数据,并重复上述步骤,直至完成模型训练。
上述步骤S300中所述采用所述预测模型对所述目标对象进行预测,获取与所述目标对象关联的目标数据,参阅图6,还包括以下步骤:
S321:根据所述目标对象确定与所述目标对象匹配的特征数据;
如上步骤S312-1所述,上述特征数据为所述目标对象对应的维度数据,即作用于目标对象的各个维度数据。
S322:从数据库中获取与各个特征数据关联的用于预测的数据作为待处理数据;
作为举例而非限定的,比如上述步骤312-1所述目标对象为销售额,销售额会受到季节、单价、人流量、时间段等各个维度的影响,则获得的第一处理数据为2020年1月至6月对应每月的销售额,则会对2020年7月的销售的进行预测,则获取2020年7月季节、单价、人流量、时间段等各个维度的数据以及2019年7月销售额作为待处理数据。
S323:采用所述预测模型对待处理数据进行处理,获得与所述目标对象关联的目标数据。
本方案中相对比现有的可视化图表,增加对目标对象的预测,进一步提高图表结果的预测性和参考性,用户无需人工基于图表数据进行预测性分析,提高了该图表的参考价值,克服后续人工分析导致的成本较高的问题。
本方案中还包括将所述第一处理数据、所述目标数据上传至区块链,由此可保证其安全性和对用户的公正透明性。用户设备可以从区块链中下载得该摘要信息,以便查证优先级列表是否被篡改。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。
S400:基于所述用户请求获取预设模板,根据所述目标数据、所述第一处理数据和所述预设模板生成目标图表,并将所述目标图表发送至用户端。
在本方案中,可根据用户选择图表的样式,例如柱状图、折线图、饼图等获取对应的预设模板对第一处理数据及目标数据进行可视化展示,可将目标数据以不同的颜色进行设置进行展示,预设模板可以设置为多种,并配置不同的预设条件供用户多样选择。
本方案通过接收用户请求获取目标对象,基于目标对象匹配第一处理数据,并建立预测模型对第一处理数据进行预测,最后将第一处理数据及预测数据均通过预设模板可视化呈现,相对比传统的可视化图表,本方案中的所述智能图表添加了依据数据对目标对象的预测结果,提高图表结果的预测性和参考性,用户无需人工基于图表数据进行预测性分析,节约了人工成本,提高了工作效率。
本方案还基于大数据的数据分析,通过在建立预测模型后获取历史数据作为训练样本,并根据预测结果的数据类型采用不同的算法建模,有利于提高预测模型结果的准确度,提高生成的图表的参考价值,进一步降低人工分析的处理量。
实施例二:
请参阅7,本实施例的一种智能图表的生成装置5,包括:
接收模块51,用于接收用户端发出的用户请求,基于所述用户请求生成目标对象;
所述目标对象为用户需要分析的数据维度,包括但不限于销售额、定价、利润、空间、时间等,作为举例的,所述目标对象可以是一个,也可以是多个,当目标对象为多个时,则后续模型建立单元建立多个预测模型,所述目标数据包含各个目标对象对应的预测结果。
匹配模块52,用于基于所述目标对象在数据库中进行匹配与所述目标对象对应的历史数据,获得第一处理数据;
预测模块53,用于根据所述目标对象对应的数据类型建立预测模型,采用所述预测模型对所述目标对象进行预测,获取与所述目标对象关联的目标数据;
作为优选的,所述预测模块53还包括以下:
模型建立单元531,用于根据所述第一处理数据的数据类型建立初始模型;
具体的,根据第一处理数据的数据类型建立初始模型,当所述数据类型为离散数据时,基于分类算法建立初始模型;当所述数据类型为连续数据时,基于回归算法建立初始模型,在本方案中采用CBRT算法,GBDT算法即可用作建立分类模型也可用作建立回归模型。
样本建立单元532,用于基于所述目标对象和所述第一处理数据从所述数据库中获取训练样本;
在本方案中,样本建立单元采用历史数据作为训练样本,在获取训练样本时,需要将第一处理数据中的各个子数据与各个特征数据关联,各个特征数据关联对应的历史数据,即历史结果与作用该结果的各个维度对应的历史数据组成训练样本。
训练单元533,用于采用所述训练样本对所述初始模型进行训练,获取预测模型。
生成模块54,用于基于所述用户请求获取预设模板,根据所述目标数据、所述第一处理数据和所述预设模板生成目标图表,并将所述目标图表发送至用户端。
本技术方案基于大数据的数据分析,通过接收模块接收用户请秋后确定目标对象,再通过匹配模块从数据库中匹配与目标对象匹配的历史数据作为第一处理数据,然后采用预测模块中模型建立单元根据第一处理数据的数据类型建立初始模型,并在训练单元执行对初始模型训练后获得预测模型,再基于预测模型对目标对象进行预测,获得目标数据,最后采用生成模块根据用户请求获取对应模板对目标数据和第一处理数据进行可视化展示在用户端,相对比传统的可视化图表,本方案中生成的智能图表添加了对目标对象的预测结果,提高图表结果的预测性和参考性,用户无需人工基于图表数据进行预测性分析,节约了人工成本,提高了工作效率。
本方案中在生成目标图表的过程中,还通过样本建立单元在建立预测模型后获取历史数据作为训练样本,并根据目标对象对应的数据类型采用不同类型的算法建模,提高预测模型结果的准确度,提高生成的图表的参考价值,进一步降低人工分析的处理量。
实施例三:
为实现上述目的,本发明还提供一种计算机系统,该计算机系统包括多个计算机设备6,实施例二的智能图表的生成装置5的组成部分可分散于不同的计算机设备中,计算机设备可以是执行程序的智能手机、平板电脑、笔记本电脑、台式计算机、机架式服务器、刀片式服务器、塔式服务器或机柜式服务器(包括独立的服务器,或者多个服务器所组成的服务器集群)等。本实施例的计算机设备至少包括但不限于:可通过系统总线相互通信连接的存储器61、处理器62,网络接口63以及智能图表的生成装置5,如图8所示。需要指出的是,图8仅示出了具有组件-的计算机设备,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。
本实施例中,存储器61(即可读存储介质)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,存储器61可以是计算机设备的内部存储单元,例如该计算机设备的硬盘或内存。在另一些实施例中,存储器61也可以是计算机设备的外部存储设备,例如该计算机设备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,存储器61还可以既包括计算机设备的内部存储单元也包括其外部存储设备。本实施例中,存储器61通常用于存储安装于计算机设备的操作系统和各类应用软件,例如实施例一的智能图表的生成方法的程序代码等。此外,存储器61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。
处理器62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62通常用于控制计算机设备的总体操作。本实施例中,处理器62用于运行存储器61中存储的程序代码或者处理数据,例如运行智能图表的生成装置5,以实现实施例一的智能图表的生成方法。
所述网络接口63可包括无线网络接口或有线网络接口,该网络接口63通常用于在所述计算机设备6与其他计算机设备6之间建立通信连接。例如,所述网络接口63用于通过网络将所述计算机设备6与外部终端相连,在所述计算机设备6与外部终端之间的建立数据传输通道和通信连接等。所述网络可以是企业内部网(Intranet)、互联网(Internet)、全球移动通讯系统(Global System of Mobile communication,GSM)、宽带码分多址(WidebandCode Division Multiple Access,WCDMA)、4G网络、5G网络、蓝牙(Bluetooth)、Wi-Fi等无线或有线网络。
需要指出的是,图8仅示出了具有部件61-63的计算机设备6,但是应理解的是,并不要求实施所有示出的部件,可以替代的实施更多或者更少的部件。
在本实施例中,存储于存储器61中的所述智能图表的生成装置5还可以被分割为一个或者多个程序模块,所述一个或者多个程序模块被存储于存储器51中,并由一个或多个处理器(本实施例为处理器62)所执行,以完成本发明。
实施例四:
为实现上述目的,本发明还提供一种计算机可读存储系统,其包括多个存储介质,如闪存、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、服务器、App应用商城等等,其上存储有计算机程序,程序被处理器62执行时实现相应功能。本实施例的计算机可读存储介质用于存储智能图表的生成装置,被处理器62执行时实现实施例一的智能图表的生成方法。
在一实施例中,所述计算机可读存储介质,包括存储数据区和存储程序区,存储数据区存储根据区块链节点的使用所创建的数据,存储程序区存储有计算机程序;其中,所述计算机程序被处理器62执行时实现任一实施例所述的智能图表的生成方法。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
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。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是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,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种智能图表的生成方法,其特征在于,包括以下:
接收用户端发出的用户请求,基于所述用户请求生成目标对象;
基于所述目标对象在数据库中进行匹配与所述目标对象对应的历史数据,获得第一处理数据;
根据所述第一处理数据的数据类型建立预测模型,采用所述预测模型对所述目标对象进行预测,获取与所述目标对象关联的目标数据;
基于所述用户请求获取预设模板,根据所述目标数据、所述第一处理数据和所述预设模板生成目标图表,并将所述目标图表发送至用户端。
2.根据权利要求1所述的一种智能图表的生成方法,其特征在于,所述根据所述第一处理数据的数据类型建立预测模型,包括以下:
根据所述第一处理数据的数据类型建立初始模型;
基于所述目标对象和所述第一处理数据从所述数据库中获取训练样本;
采用所述训练样本对所述初始模型进行训练,获取预测模型。
3.根据权利要求2所述的一种智能图表的生成方法,其特征在于,所述根据所述第一处理数据的数据类型建立初始模型,包括以下:
获取所述第一处理数据的数据类型;
当所述数据类型为离散数据时,基于分类算法建立初始模型;
当所述数据类型为连续数据时,基于回归算法建立初始模型。
4.根据权利要求2所述的一种智能图表的生成方法,其特征在于,所述根据所述目标对象和所述第一处理数据从所述数据库中获取训练样本,包括以下:
基于所述目标对象从特征数据库中获得与所述目标对象匹配的至少一个特征数据;
基于各个所述特征数据从数据库中获取与各个所述特征数据关联的历史数据作为第二处理数据;
将所述第二处理数据中各个历史数据与所述第一处理数据中各个子数据根据特征数据对应关联,获得训练样本。
5.根据权利要求4所述的一种智能图表的生成方法,其特征在于,在基于所述目标对象从特征数据库中匹配至少一个特征数据前,包括以下:
对数据库中各个历史数据提取各个历史数据对应的特征数据,并基于所述特征数据生成特征数据库。
6.根据权利要求2所述的一种智能图表的生成方法,其特征在于,采用所述训练样本对所述初始模型进行训练,获取预测模型,包括以下:
从训练样本中的第一处理数据中获得任一条子数据以及与所述子数据关联的历史数据;
基于各个特征数据对应权重对所述历史数据进行处理获得第三处理数据;
将所述第三处理数据与所述子数据进行比对并调整各个特征数据对应的权重;
从训练样本获取另一条子数据,并重复上述步骤,直至完成模型训练。
7.根据权利要求1所述的一种智能图表的生成方法,其特征在于,所述采用所述预测模型对所述目标对象进行预测,获取与所述目标对象关联的目标数据,包括以下:
根据所述目标对象确定与所述目标对象匹配的特征数据;
从数据库中获取与各个特征数据关联的用于预测的数据作为待处理数据;
采用所述预测模型对待处理数据进行处理,获得与所述目标对象关联的目标数据;
将所述第一处理数据、所述目标数据上传至区块链。
8.一种智能图表的生成装置,其特征在于,包括:
接收模块,用于接收用户端发出的用户请求,基于所述用户请求生成目标对象;
匹配模块,用于基于所述目标对象在数据库中进行匹配与所述目标对象对应的历史数据,获得第一处理数据;
预测模块,用于根据所述目标对象对应的数据类型建立预测模型,采用所述预测模型对所述目标对象进行预测,获取与所述目标对象关联的目标数据;
生成模块,用于基于所述用户请求获取预设模板,根据所述目标数据、所述第一处理数据和所述预设模板生成目标图表,并将所述目标图表发送至用户端。
9.一种计算机系统,其包括多个计算机设备,各计算机设备包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述多个计算机设备的处理器执行所述计算机程序时共同实现权利要求1至7任一项所述一种智能图表的生成方法的步骤。
10.一种计算机可读存储介质,其包括多个存储介质,各存储介质上存储有计算机程序,其特征在于,所述多个存储介质存储的所述计算机程序被处理器执行时共同实现权利要求1至7任一项所述一种智能图表的生成方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011537986.8A CN112597745A (zh) | 2020-12-23 | 2020-12-23 | 一种智能图表的生成方法、装置、计算机系统及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011537986.8A CN112597745A (zh) | 2020-12-23 | 2020-12-23 | 一种智能图表的生成方法、装置、计算机系统及可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112597745A true CN112597745A (zh) | 2021-04-02 |
Family
ID=75200308
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011537986.8A Pending CN112597745A (zh) | 2020-12-23 | 2020-12-23 | 一种智能图表的生成方法、装置、计算机系统及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112597745A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113362428A (zh) * | 2021-06-30 | 2021-09-07 | 北京百度网讯科技有限公司 | 用于配置颜色的方法、装置、设备、介质和产品 |
CN113487698A (zh) * | 2021-07-27 | 2021-10-08 | 平安国际智慧城市科技股份有限公司 | 基于双通道神经网络模型的表单生成方法及装置 |
CN113836132A (zh) * | 2021-11-29 | 2021-12-24 | 中航金网(北京)电子商务有限公司 | 一种多端报表的核对方法及装置 |
CN116541565A (zh) * | 2023-07-07 | 2023-08-04 | 中国平安财产保险股份有限公司 | 数据图表生成方法、装置、电子设备及存储介质 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102214338A (zh) * | 2010-04-06 | 2011-10-12 | 上海驭策信息技术有限公司 | 销售预测系统及方法 |
CN106156880A (zh) * | 2015-04-22 | 2016-11-23 | 阿里巴巴集团控股有限公司 | 一种预测库存分配比例的方法、装置及电子设备 |
CN107563705A (zh) * | 2017-09-25 | 2018-01-09 | 四川长虹电器股份有限公司 | 利用大数据分析家电产品安全库存及再订货的系统和方法 |
CN107563804A (zh) * | 2017-08-24 | 2018-01-09 | 北京奇艺世纪科技有限公司 | 一种预测广告定向条件下覆盖的用户数量的方法和装置 |
CN107730038A (zh) * | 2017-10-09 | 2018-02-23 | 小草数语(北京)科技有限公司 | 用户偏好性别的预测方法、装置及其设备 |
CN108629625A (zh) * | 2018-05-07 | 2018-10-09 | 北京中电普华信息技术有限公司 | 一种月度售电量预测方法、装置及服务器 |
CN108805351A (zh) * | 2018-06-07 | 2018-11-13 | 湖州师范学院 | 基于线性回归算法的房价预测方法及系统、存储介质 |
CN109509030A (zh) * | 2018-11-15 | 2019-03-22 | 北京旷视科技有限公司 | 销量预测方法及其模型的训练方法、装置和电子系统 |
CN109741082A (zh) * | 2018-11-29 | 2019-05-10 | 杭州览众数据科技有限公司 | 一种基于时间序列分解的季节性商品需求预测方法 |
CN110322263A (zh) * | 2018-03-30 | 2019-10-11 | 香港纺织及成衣研发中心有限公司 | 基于机器学习的服装销售的预测方法和预测装置 |
CN111401620A (zh) * | 2020-03-10 | 2020-07-10 | 北京泓慧国际能源技术发展有限公司 | 一种现货电价预测方法及装置 |
CN111831636A (zh) * | 2020-07-28 | 2020-10-27 | 平安国际融资租赁有限公司 | 一种数据处理方法、装置、计算机系统及可读存储介质 |
CN111833114A (zh) * | 2020-07-27 | 2020-10-27 | 北京思特奇信息技术股份有限公司 | 一种渠道业务发展目标智能预测方法、系统、介质及设备 |
-
2020
- 2020-12-23 CN CN202011537986.8A patent/CN112597745A/zh active Pending
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102214338A (zh) * | 2010-04-06 | 2011-10-12 | 上海驭策信息技术有限公司 | 销售预测系统及方法 |
CN106156880A (zh) * | 2015-04-22 | 2016-11-23 | 阿里巴巴集团控股有限公司 | 一种预测库存分配比例的方法、装置及电子设备 |
CN107563804A (zh) * | 2017-08-24 | 2018-01-09 | 北京奇艺世纪科技有限公司 | 一种预测广告定向条件下覆盖的用户数量的方法和装置 |
CN107563705A (zh) * | 2017-09-25 | 2018-01-09 | 四川长虹电器股份有限公司 | 利用大数据分析家电产品安全库存及再订货的系统和方法 |
CN107730038A (zh) * | 2017-10-09 | 2018-02-23 | 小草数语(北京)科技有限公司 | 用户偏好性别的预测方法、装置及其设备 |
CN110322263A (zh) * | 2018-03-30 | 2019-10-11 | 香港纺织及成衣研发中心有限公司 | 基于机器学习的服装销售的预测方法和预测装置 |
CN108629625A (zh) * | 2018-05-07 | 2018-10-09 | 北京中电普华信息技术有限公司 | 一种月度售电量预测方法、装置及服务器 |
CN108805351A (zh) * | 2018-06-07 | 2018-11-13 | 湖州师范学院 | 基于线性回归算法的房价预测方法及系统、存储介质 |
CN109509030A (zh) * | 2018-11-15 | 2019-03-22 | 北京旷视科技有限公司 | 销量预测方法及其模型的训练方法、装置和电子系统 |
CN109741082A (zh) * | 2018-11-29 | 2019-05-10 | 杭州览众数据科技有限公司 | 一种基于时间序列分解的季节性商品需求预测方法 |
CN111401620A (zh) * | 2020-03-10 | 2020-07-10 | 北京泓慧国际能源技术发展有限公司 | 一种现货电价预测方法及装置 |
CN111833114A (zh) * | 2020-07-27 | 2020-10-27 | 北京思特奇信息技术股份有限公司 | 一种渠道业务发展目标智能预测方法、系统、介质及设备 |
CN111831636A (zh) * | 2020-07-28 | 2020-10-27 | 平安国际融资租赁有限公司 | 一种数据处理方法、装置、计算机系统及可读存储介质 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113362428A (zh) * | 2021-06-30 | 2021-09-07 | 北京百度网讯科技有限公司 | 用于配置颜色的方法、装置、设备、介质和产品 |
CN113362428B (zh) * | 2021-06-30 | 2023-09-15 | 北京百度网讯科技有限公司 | 用于配置颜色的方法、装置、设备、介质和产品 |
CN113487698A (zh) * | 2021-07-27 | 2021-10-08 | 平安国际智慧城市科技股份有限公司 | 基于双通道神经网络模型的表单生成方法及装置 |
CN113487698B (zh) * | 2021-07-27 | 2023-12-12 | 深圳赛安特技术服务有限公司 | 基于双通道神经网络模型的表单生成方法及装置 |
CN113836132A (zh) * | 2021-11-29 | 2021-12-24 | 中航金网(北京)电子商务有限公司 | 一种多端报表的核对方法及装置 |
CN116541565A (zh) * | 2023-07-07 | 2023-08-04 | 中国平安财产保险股份有限公司 | 数据图表生成方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112597745A (zh) | 一种智能图表的生成方法、装置、计算机系统及可读存储介质 | |
CN110516910B (zh) | 基于大数据的保单核保模型训练方法和核保风险评估方法 | |
CN111553759A (zh) | 一种产品信息推送方法、装置、设备及存储介质 | |
CN110503564B (zh) | 基于大数据的保全案件处理方法、系统、设备及存储介质 | |
CN110704730A (zh) | 基于大数据的产品数据推送方法、系统及计算机设备 | |
CN111881158A (zh) | 一种管理报表数据处理方法、装置、计算机系统及可读存储介质 | |
CN110659318A (zh) | 基于大数据的策略推送方法、系统及计算机设备 | |
CN112560964A (zh) | 基于半监督学习训练中草药病虫害识别模型的方法与系统 | |
CN110766275A (zh) | 数据验证方法、装置、计算机设备及存储介质 | |
CN109461016B (zh) | 数据评分方法、装置、计算机设备及存储介质 | |
CN111882399A (zh) | 服务信息推荐方法、装置、计算机系统及可读存储介质 | |
CN110134839B (zh) | 时序数据特征处理方法、装置及计算机可读存储介质 | |
CN116684330A (zh) | 基于人工智能的流量预测方法、装置、设备及存储介质 | |
CN114266664A (zh) | 一种交易信息预测方法、装置、计算机设备和存储介质 | |
CN112749723A (zh) | 样本标注方法、装置、计算机设备和存储介质 | |
WO2019192101A1 (zh) | 客户保障分析方法、电子装置及计算机可读存储介质 | |
CN113158124A (zh) | 基于人工智能的数据处理方法、装置及存储介质 | |
CN112598289A (zh) | 指标配置方法、系统、计算机设备及计算机可读存储介质 | |
US20160035026A1 (en) | Online trading systems and methods | |
CN116843483A (zh) | 一种车险理赔方法、装置、计算机设备及存储介质 | |
CN116777646A (zh) | 基于人工智能的风险识别方法、装置、设备及存储介质 | |
CN111221517A (zh) | 一种模型创建方法、装置、计算机设备和可读存储介质 | |
CN113722437B (zh) | 基于人工智能的用户标签识别方法、装置、设备及介质 | |
CN114925275A (zh) | 产品推荐方法、装置、计算机设备及存储介质 | |
CN113190381A (zh) | 数据备份方法、系统、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 |