CN112785111A - 生产效率预测方法、装置、存储介质与电子设备 - Google Patents

Abstract

本公开提供一种生产效率预测方法、生产效率预测装置、计算机可读存储介质与电子设备，涉及人工智能技术领域。该方法包括：从生产数据库获取历史生产数据；当运行训练任务时，利用所述历史生产数据训练预测模型，以更新所述预测模型的参数文件；当运行预测任务时，使用所述预测模型加载最新的参数文件，并通过所述预测模型处理当前生产数据，得到对应的生产效率预测结果。本公开可以适应生产环境、参数特征等的变化，实现准确的生产效率预测，且处理效率较高。

Description

生产效率预测方法、装置、存储介质与电子设备

技术领域

本公开涉及人工智能技术领域，尤其涉及一种生产效率预测方法、生产效率预测装置、计算机可读存储介质与电子设备。

背景技术

生产效率预测是指依据当前的生产状况、订单信息等，预测完成特定的订单或生产任务所需的生产时间、所能达到的效率指标等。目前常用的预测方法大多是通过数学计算实现的，例如序时平均数法、加权序时平均数法、移动平均法等。然而，随着现代化生产越来越复杂化、高协作化，上述方法由于考虑的因素有限、计算过程单一，已无法进行准确的生产效率预测。

需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

发明内容

本公开提供了一种生产效率预测方法、生产效率预测装置、计算机可读存储介质与电子设备，进而至少在一定程度上克服现有的预测方法准确率较低的问题。

本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。

根据本公开的第一方面，提供一种生产效率预测方法，包括：从生产数据库获取历史生产数据；当运行训练任务时，利用所述历史生产数据训练预测模型，以更新所述预测模型的参数文件；当运行预测任务时，使用所述预测模型加载最新的参数文件，并通过所述预测模型处理当前生产数据，得到对应的生产效率预测结果。

可选的，所述历史生产数据包括历史订单的生产信息数据和生产效率数据；其中，所述生产信息数据包括以下任意一种或多种：生产参数，订单信息，商品属性，设备信息以及人员信息；所述生产效率数据包括以下任意一种或多种：生产时间数据，物料成本数据。

可选的，所述利用所述历史生产数据训练预测模型，以更新所述预测模型的参数文件，包括：根据每个所述历史订单的生产信息数据确定训练数据，根据每个所述历史订单的生产效率数据确定标签；利用所述训练数据和所述标签训练所述预测模型，以更新所述预测模型的参数文件。

可选的，所述训练任务中设置定时器，用于在到达预定时间时，触发所述训练任务运行。

可选的，所述方法还包括：当生成新订单时，启动预测任务，用于预测所述新订单的生产效率。

可选的，所述当前生产数据包括所述新订单的生产信息数据。

可选的，所述预测模型包括卷积神经网络模型。

根据本公开的第二方面，提供一种生产效率预测装置，包括：获取模块，用于从生产数据库获取历史生产数据；训练模块，用于当运行训练任务时，利用所述历史生产数据训练预测模型，以更新所述预测模型的参数文件；预测模块，用于当运行预测任务时，使用所述预测模型加载最新的参数文件，并通过所述预测模型处理当前生产数据，得到对应的生产效率预测结果。

可选的，所述历史生产数据包括历史订单的生产信息数据和生产效率数据；其中，所述生产信息数据包括以下任意一种或多种：生产参数，订单信息，商品属性，设备信息以及人员信息；所述生产效率数据包括以下任意一种或多种：生产时间数据，物料成本数据。

可选的，所述训练模块，用于根据每个所述历史订单的生产信息数据确定训练数据，根据每个所述历史订单的生产效率数据确定标签，以及利用所述训练数据和所述标签训练所述预测模型，以更新所述预测模型的参数文件。

可选的，所述训练任务中设置定时器，用于在到达预定时间时，触发所述训练任务运行。

可选的，所述预测模块，还用于当生成新订单时，启动预测任务，用于预测所述新订单的生产效率。

可选的，所述当前生产数据包括所述新订单的生产信息数据。

可选的，所述预测模型包括卷积神经网络模型。

根据本公开的第三方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任意一种生产效率预测方法。

根据本公开的第四方面，提供一种电子设备，包括：处理器；以及存储器，用于存储所述处理器的可执行指令；其中，所述处理器配置为经由执行所述可执行指令来执行上述任意一种生产效率预测方法。

本公开的技术方案具有以下有益效果：

根据上述生产效率预测方法、生产效率预测装置、计算机可读存储介质与电子设备，从生产数据库获取历史生产数据，响应于运行训练任务，利用历史生产数据训练预测模型，以更新参数文件，响应于运行预测任务，使用预测模型加载最新的参数文件，以处理当前生产数据，得到对应的生产效率预测结果。一方面，通过预先配置的训练任务，可以对预测模型进行持续化更新，以适应生产环境、参数特征等的变化，更好地反映当前的生产状况，进行准确的生产效率预测。另一方面，在设置训练任何和预测任务后，可以自动化执行任务，且两者之间可以并行，互不干扰，从而提高了处理效率。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施方式，并与说明书一起用于解释本公开的原理。显而易见地，下面描述中的附图仅仅是本公开的一些实施方式，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示出本示例性实施方式中一种生产效率预测方法的流程图；

图2示出本示例性实施方式中一种生产效率预测方法的子流程图；

图3示出本示例性实施方式中一种生产效率预测的示意图；

图4示出本示例性实施方式中一种生产效率预测装置的结构框图；

图5示出本示例性实施方式中一种用于实现上述方法的计算机可读存储介质；

图6示出本示例性实施方式中一种用于实现上述方法的电子设备。

具体实施方式

现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中，提供许多具体细节从而给出对本公开的实施方式的充分理解。然而，本领域技术人员将意识到，可以实践本公开的技术方案而省略所述特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知技术方案以避免喧宾夺主而使得本公开的各方面变得模糊。

此外，附图仅为本公开的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。

本公开的示例性实施方式首先提供一种生产效率预测方法。图1示出了该方法的一种流程，可以包括以下步骤S110至S130：

步骤S110，从生产数据库获取历史生产数据。

其中，生产数据库是用于存储生产数据的数据库。历史生产数据是已经完成生产的订单(即历史订单)、任务单、产品批次在生产过程中所产生的数据。

在一种可选的实施方式中，上述历史生产数据可以包括历史订单的生产信息数据和生产效率数据。生产信息数据是和生产过程相关的各个方面的信息，可以包括以下任意一种或多种：生产参数，订单信息，商品属性，设备信息以及人员信息等，各种数据的具体内容可以参考表1所示。生产效率数据是体现生产效率结果的指标数据，可以包括以下任意一种或多种：生产时间数据，物料成本数据，失误率等，各种数据的具体内容可以参考表2所示。需要说明的是，表1和表2所示的数据内容是基于电商订单出库的场景所做的示例性说明，并非对本公开保护范围的具体限定。

表1

表2

步骤S120，当运行训练任务时，利用历史生产数据训练预测模型，以更新预测模型的参数文件。

其中，预测模型是用于预测生产效率的机器学习模型，例如可以是卷积神经网络模型(Convolutional Neural Network，CNN)；训练任务是预先配置的用于训练预测模型的任务，当运行训练任务时，利用步骤S110中获取的历史生产数据训练预测模型，更新模型参数，将更新后的参数保存为新的参数文件。

本示例性实施方式中，训练任务可以是持续性任务，响应于一定的条件则开始运行，训练预测模型，训练后并不关闭，而是转为等待或未激活状态，在下一次满足条件时再次运行。例如：训练任务中可以设置定时器，用于在到达预定时间时，触发训练任务运行，则开始训练预测模型，预定时间可以设置为周期性时间，也可以人为设置为任意时间；监控生产数据库中新增的数据，当达到一定的数量时，触发训练任务运行，以新增的数据训练预测模型。

需要说明的是，步骤S110中历史生产数据的获取和步骤S120中的训练任务可以相互关联，例如在训练任务运行时，服务器主动从生产数据库抽取一定的历史生产数据，也可以互不关联，例如生产数据库中写入新的数据时，同步至服务器，服务器在运行训练任务时，利用同步过来的数据进行训练。具体采取哪种方式，本公开不做限定。

在一种可选的实施方式中，参考图2所示，利用历史生产数据训练预测模型，以更新预测模型的参数文件，可以通过步骤S210和S220实现：

步骤S210，根据每个历史订单的生产信息数据确定训练数据，根据每个历史订单的生产效率数据确定标签；

步骤S220，利用训练数据和标签训练预测模型，以更新预测模型的参数文件。

由表1可知，生产信息数据包含了多个维度的信息数据，可以体现和生产过程相关的各个方面的信息，因此可以将生产信息数据按照预先设置的维度进行整理，并进行一定的处理，得到代表每个历史订单信息的特征向量，可以作为训练数据。表2中的生产效率数据从时间、物料成本、失误等多个方面体现了生产效率，根据实际需求，可以从中选择数据进行处理，以得到所需的生产效率指标。例如：以生产时间作为生产效率指标，则可以直接获取每个历史订单所用的生产时间，作为标签；也可以将时间和物料成本综合计算，如加权平均等，得到综合成本数据，作为标签；还可以对生产时间、物料成本、失误率分别评分，然后计算每个历史订单的总分，作为标签。

在一种可选的实施方式中，可以通过以下公式计算生产效率指标：

其中，订单生产耗时是指订单出库所用的总时间；商品耗时等级是按照商品体积、重量、生产复杂程度等因素划分的耗时系数。通过上述公式可以计算单位商品及耗时等级对应的生产耗时，反映出生产效率。

需要补充的是，在进行模型训练之前，可以先把历史生产数据进行清洗处理，包括去重、补全、格式化等，以得到规则化的数据，便于转换为特征向量。

本示例性实施方式可以预先搭建卷积神经网络模型，其结构可以是：输入层→卷积层#1(表示第一个卷积层，下同)→ReLU(Rectified Linear Unit，修正线性单元，这里表示激活函数使用ReLU函数)→卷积层#2→ReLU→池化层#1→ReLU→卷积层#3→ReLU→池化层#2→全连接层→输出层。将上述训练数据和标签分为训练集和验证集，例如可以按照8:2的比例划分。将训练集导入模型中，可以设置训练精度(例如设置为0.01)，然后开始训练，更新模型参数；在验证集上计算准确率，当达到设定的准确率时，训练结束；将参数保存为参数文件。

步骤S130，当运行预测任务时，使用预测模型加载最新的参数文件，并通过预测模型处理当前生产数据，得到对应的生产效率预测结果。

其中，预测任务是用于预测生产效率的任务，当前生产数据是指需要进行预测的订单、任务单、产品批次的生产信息数据。在预测任务中可以预先配置预测模型，包括对模型中每个参数(变量)的定义、模型处理过程所需的函数、计算过程等的代码。当运行预测任务时，通过加载最新的参数文件，将最近一次更新后的模型参数赋值到代码中，这样无需每次加载整个模型。然后将当前生产数据输入加载参数后的模型中，经过计算处理，输出对应的生产效率预测结果。

如果训练任务每次更新参数文件时，采用覆盖式更新的方式，将新的参数文件覆盖原参数文件，则预测任务在读取参数文件时，可以直接读取到最新的参数；如果训练任务每次将更新后参数文件保存为新文件，即不覆盖原参数文件，则预测任务在读取参数文件时，可以按照参数文件的生成时间，读取最新的参数文件。

本示例性实施方式中，预测任务也可以是持续性任务，通过预先配置预测任务，在特定情况下运行，可以持续地进行生产效率预测。例如：当生成新订单时，启动预测任务，用于预测该新订单的生产效率，预测完成后，预测任务转为等待或未激活状态，直到下一个新订单生成时再次启动；或者预测任务可以设置为定时运行的任务，每次运行对一个周期内的所有新订单进行生产效率预测。

在一种可选的实施方式中，当前生产数据可以包括新订单的生产信息数据，其数据内容可以参考表1所示。在获取新订单的生产信息数据后，可以进行清洗处理，包括去重、补全、格式化等，以得到规则化的数据，转换为新订单的特征向量，以输入预测模型中，得到生产效率预测结果。

图3示出了本示例性实施方式的流程示意图。如图3所示，可以在系统中预先配置训练任务和预测任务，两部分任务可以并行执行。其中，训练任务运行时，可以从生产数据库抽取历史生产数据，以训练CNN，更新参数文件；预测任务运行时，可以从生产数据库抽取当前生产数据，并通过CNN模型加载最新的参数文件，在配置CNN模型后，将当前生产数据输入CNN模型，得到生产效率预测结果。

综上所示，本示例性实施方式中，从生产数据库获取历史生产数据，响应于运行训练任务，利用历史生产数据训练预测模型，以更新参数文件，响应于运行预测任务，使用预测模型加载最新的参数文件，以处理当前生产数据，得到对应的生产效率预测结果。一方面，通过预先配置的训练任务，可以对预测模型进行持续化更新，以适应生产环境、参数特征等的变化，更好地反映当前的生产状况，进行准确的生产效率预测。另一方面，在设置训练任何和预测任务后，可以自动化执行任务，且两者之间可以并行，互不干扰，从而提高了处理效率。

本公开的示例性实施方式还提供了一种生产效率预测装置。参考图4所示，该生产效率预测装置400可以包括：获取模块410，用于从生产数据库获取历史生产数据；训练模块420，用于当运行训练任务时，利用历史生产数据训练预测模型，以更新预测模型的参数文件；预测模块430，用于当运行预测任务时，使用预测模型加载最新的参数文件，并通过预测模型处理当前生产数据，得到对应的生产效率预测结果。

在一种可选的实施方式中，上述历史生产数据可以包括历史订单的生产信息数据和生产效率数据；其中，生产信息数据包括以下任意一种或多种：生产参数，订单信息，商品属性，设备信息以及人员信息；生产效率数据包括以下任意一种或多种：生产时间数据，物料成本数据。

在一种可选的实施方式中，训练模块420，可以用于根据每个历史订单的生产信息数据确定训练数据，根据每个历史订单的生产效率数据确定标签，以及利用训练数据和标签训练预测模型，以更新预测模型的参数文件。

在一种可选的实施方式中，上述训练任务中可以设置定时器，用于在到达预定时间时，触发该训练任务运行。

在一种可选的实施方式中，预测模块430，还可以用于当生成新订单时，启动预测任务，用于预测新订单的生产效率。

进一步的，上述当前生产数据可以包括新订单的生产信息数据。

在一种可选的实施方式中，上述预测模型可以是卷积神经网络模型。

上述装置中各模块的具体细节在方法部分实施方式中已经详细说明，未披露的细节内容可以参见方法部分的实施方式内容，因而不再赘述。

所属技术领域的技术人员能够理解，本公开的各个方面可以实现为系统、方法或程序产品。因此，本公开的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。

本公开的示例性实施方式还提供了一种计算机可读存储介质，其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中，本公开的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当程序产品在电子设备上运行时，程序代码用于使电子设备执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。

参考图5所示，描述了根据本公开的示例性实施方式的用于实现上述方法的程序产品500，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在电子设备，例如个人电脑上运行。然而，本公开的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。

计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。

可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言的任意组合来编写用于执行本公开操作的程序代码，程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

本公开的示例性实施方式还提供了一种能够实现上述方法的电子设备。下面参照图6来描述根据本公开的这种示例性实施方式的电子设备600。图6显示的电子设备600仅仅是一个示例，不应对本公开实施方式的功能和使用范围带来任何限制。

如图6所示，电子设备600可以以通用计算设备的形式表现。电子设备600的组件可以包括但不限于：至少一个处理单元610、至少一个存储单元620、连接不同系统组件(包括存储单元620和处理单元610)的总线630和显示单元640。

存储单元620存储有程序代码，程序代码可以被处理单元610执行，使得处理单元610执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。例如，处理单元610可以执行图1或图2所示的方法步骤。

存储单元620可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)621和/或高速缓存存储单元622，还可以进一步包括只读存储单元(ROM)623。

存储单元620还可以包括具有一组(至少一个)程序模块625的程序/实用工具624，这样的程序模块625包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。

总线630可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。

电子设备600也可以与一个或多个外部设备700(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备600交互的设备通信，和/或与使得该电子设备600能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口650进行。并且，电子设备600还可以通过网络适配器660与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器660通过总线630与电子设备600的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备600使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。

通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开示例性实施方式的方法。

此外，上述附图仅是根据本公开示例性实施方式的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。

应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的示例性实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其他实施方式。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。说明书和实施方式仅被视为示例性的，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。

Claims (10)

1.一种生产效率预测方法，其特征在于，包括：

从生产数据库获取历史生产数据；

当运行训练任务时，利用所述历史生产数据训练预测模型，以更新所述预测模型的参数文件；

当运行预测任务时，使用所述预测模型加载最新的参数文件，并通过所述预测模型处理当前生产数据，得到对应的生产效率预测结果。

2.根据权利要求1所述的方法，其特征在于，所述历史生产数据包括历史订单的生产信息数据和生产效率数据；

其中，所述生产信息数据包括以下任意一种或多种：生产参数，订单信息，商品属性，设备信息以及人员信息；

所述生产效率数据包括以下任意一种或多种：生产时间数据，物料成本数据以及失误率。

3.根据权利要求2所述的方法，其特征在于，所述利用所述历史生产数据训练预测模型，以更新所述预测模型的参数文件，包括：

根据每个所述历史订单的生产信息数据确定训练数据，根据每个所述历史订单的生产效率数据确定标签；

利用所述训练数据和所述标签训练所述预测模型，以更新所述预测模型的参数文件。

4.根据权利要求1所述的方法，其特征在于，所述训练任务中设置定时器，用于在到达预定时间时，触发所述训练任务运行。

5.根据权利要求1所述的方法，其特征在于，所述方法还包括：

当生成新订单时，启动预测任务，用于预测所述新订单的生产效率。

6.根据权利要求5所述的方法，其特征在于，所述当前生产数据包括所述新订单的生产信息数据。

7.根据权利要求1所述的方法，其特征在于，所述预测模型包括卷积神经网络模型。

8.一种生产效率预测装置，其特征在于，包括：

获取模块，用于从生产数据库获取历史生产数据；

训练模块，用于当运行训练任务时，利用所述历史生产数据训练预测模型，以更新所述预测模型的参数文件；

预测模块，用于当运行预测任务时，使用所述预测模型加载最新的参数文件，并通过所述预测模型处理当前生产数据，得到对应的生产效率预测结果。

9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7任一项所述的方法。

10.一种电子设备，其特征在于，包括：

处理器；以及

存储器，用于存储所述处理器的可执行指令；

其中，所述处理器配置为经由执行所述可执行指令来执行权利要求1至7任一项所述的方法。

Images