CN112801372B - 数据处理方法、装置、电子设备和可读存储介质 - Google Patents
数据处理方法、装置、电子设备和可读存储介质 Download PDFInfo
- Publication number
- CN112801372B CN112801372B CN202110126944.3A CN202110126944A CN112801372B CN 112801372 B CN112801372 B CN 112801372B CN 202110126944 A CN202110126944 A CN 202110126944A CN 112801372 B CN112801372 B CN 112801372B
- Authority
- CN
- China
- Prior art keywords
- service
- time
- future
- current
- service time
- 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
- 238000003672 processing method Methods 0.000 title abstract description 18
- 238000000034 method Methods 0.000 claims description 48
- 238000012545 processing Methods 0.000 claims description 42
- 238000007781 pre-processing Methods 0.000 claims description 32
- 238000004590 computer program Methods 0.000 claims description 18
- 238000007477 logistic regression Methods 0.000 claims description 16
- 230000015654 memory Effects 0.000 claims description 14
- 238000007499 fusion processing Methods 0.000 claims description 8
- 238000003062 neural network model Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 18
- 230000006870 function Effects 0.000 description 14
- 230000008569 process Effects 0.000 description 14
- 210000002569 neuron Anatomy 0.000 description 9
- 238000013528 artificial neural network Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 5
- 230000006872 improvement Effects 0.000 description 5
- 238000012423 maintenance Methods 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 238000010606 normalization Methods 0.000 description 3
- 238000003066 decision tree Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012731 temporal analysis Methods 0.000 description 2
- 238000000700 time series analysis Methods 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 241000238631 Hexapoda Species 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000003925 brain function Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000003933 environmental pollution control Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013178 mathematical model 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
- 239000010705 motor oil Substances 0.000 description 1
- 238000005312 nonlinear dynamic Methods 0.000 description 1
- 239000002243 precursor Substances 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000003238 somatosensory effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- G06Q10/06315—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
- 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
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
-
- 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
- G06Q10/10—Office automation; Time management
- G06Q10/103—Workflow collaboration or project management
-
- 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
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例提供了一种数据处理方法、装置、电子设备和可读存储介质，涉及计算机技术领域，在本申请实施例中，由于当前服务状态是一种实时数据，而历史服务属性是一种已经确定的历史数据，因此，通过当前服务时间预测模型和当前服务状态进行预测，以及通过未来服务时间预测模型和历史服务属性预测进行预测可以使得模型更加具有针对性，也就是说，通过本申请实施例可以确定更加准确的当前服务时间和未来服务时间，进而，可以提高电子设备对待服务时间的预测精度。
Description
技术领域
本申请涉及计算机技术领域，特别是涉及一种数据处理方法、装置、电子设备和可读存储介质。
背景技术
目前，随着人们生活水平的提高，各种线下服务点也越来越多，例如线下车辆维修保养服务点等等。
线下服务点作为服务行业中重要的一环，起着关键的作用，但是，相关技术中，无法准确的确定每个服务点所需要的服务人员数量，若服务人员数量过多，则会导致人力资源的浪费，若服务人员过少，则会导致服务无法正常运行。
发明内容
有鉴于此，本申请实施例提供一种数据处理方法、装置、电子设备和可读存储介质，以提高电子设备对待服务时间的预测精度。
第一方面，提供了一种数据处理方法，所述方法应用于电子设备，所述方法包括：
获取目标服务点的当前服务状态和历史服务属性，所述当前服务状态至少包括所述目标服务点当前待服务目标数量，所述历史服务属性至少包括所述目标服务点历史已服务目标数量；
基于预先训练的当前服务时间预测模型，确定所述当前服务状态所对应的当前服务时间，所述当前服务时间用于表征所述目标服务点中当前待服务目标被服务完成所需的时间；
基于预先训练的未来服务时间预测模型，确定所述历史服务属性所对应的未来服务时间，所述未来服务时间用于表征所述目标服务点在未来预定时间内对新增待服务目标被服务完成所需的时间；以及
基于所述当前服务时间和所述未来服务时间，确定所述目标服务点所对应的待服务时间。
第二方面，提供了一种数据处理装置，所述装置应用于电子设备，所述装置包括：
获取模块，用于获取目标服务点的当前服务状态和历史服务属性，所述当前服务状态至少包括所述目标服务点当前待服务目标数量，所述历史服务属性至少包括所述目标服务点历史已服务目标数量；
第一确定模块，用于基于预先训练的当前服务时间预测模型，确定所述当前服务状态所对应的当前服务时间，所述当前服务时间用于表征所述目标服务点中当前待服务目标被服务完成所需的时间；
第二确定模块，用于基于预先训练的未来服务时间预测模型，确定所述历史服务属性所对应的未来服务时间，所述未来服务时间用于表征所述目标服务点在未来预定时间内对新增待服务目标被服务完成所需的时间；以及
第三确定模块，用于基于所述当前服务时间和所述未来服务时间，确定所述目标服务点所对应的待服务时间。
第三方面，本申请实施例提供了一种电子设备，包括存储器和处理器，所述存储器用于存储一条或多条计算机程序指令，其中，所述一条或多条计算机程序指令被所述处理器执行以实现如第一方面所述的方法。
第四方面，本申请实施例提供了一种计算机可读存储介质，其上存储计算机程序指令，所述计算机程序指令在被处理器执行时实现如第一方面所述的方法。
第五方面，本申请实施例提供了一种计算机程序产品，包括计算机程序/指令，所述计算机程序/指令被处理器执行时实现如第一方面所述的方法。
在本申请实施例中，由于当前服务状态是一种实时数据，而历史服务属性是一种已经确定的历史数据，因此，通过当前服务时间预测模型和当前服务状态进行预测，以及通过未来服务时间预测模型和历史服务属性预测进行预测可以使得模型更加具有针对性，也就是说，通过本申请实施例可以确定更加准确的当前服务时间和未来服务时间，进而，可以提高电子设备对待服务时间的预测精度。
附图说明
通过以下参照附图对本申请实施例的描述，本申请实施例的上述以及其它目的、特征和优点将更为清楚，在附图中：
图1为本申请实施例提供的一种数据处理方法的示意图；
图2为本申请实施例提供的一种数据处理方法的流程图；
图3为本申请实施例提供的一种逻辑回归过程的示意图；
图4为本申请实施例提供的另一种数据处理方法的示意图；
图5为本申请实施例提供的另一种数据处理方法的示意图；
图6为本申请实施例提供的另一种数据处理方法的示意图；
图7为本申请实施例提供的一种数据处理装置的结构示意图；
图8为本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
以下基于实施例对本申请进行描述，但是本申请并不仅仅限于这些实施例。在下文对本申请的细节描述中，详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本申请。为了避免混淆本申请的实质，公知的方法、过程、流程、元件和电路并没有详细叙述。
此外，本领域普通技术人员应当理解，在此提供的附图都是为了说明的目的，并且附图不一定是按比例绘制的。
除非上下文明确要求，否则在说明书的“包括”、“包含”等类似词语应当解释为包含的含义而不是排他或穷举的含义；也就是说，是“包括但不限于”的含义。
在本申请的描述中，需要理解的是，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。此外，在本申请的描述中，除非另有说明，“多个”的含义是两个或两个以上。
目前，随着人们生活水平的提高，各种线下服务点也越来越多，例如，线下车辆(包括但不限于单车、电动车、汽车等)维修保养服务点等等，车辆作为人们出行的主要方式之一，其体量随着社会的发展越来越庞大，维修保养(即线下服务)业务作为车辆出行的坚强后盾，其地位也越来越重要。
线下服务点作为服务行业中重要的一环，起着关键的作用，在线下服务点中，服务人员可以对该服务点中等待服务的目标进行服务(例如对车辆的维修保养)，其中，车辆即为待服务目标，当然，待服务目标也可以是除车辆以外的其它目标，本申请实施例在此不做赘述。
在实际应用中，由于服务人员对待服务目标的服务需要时间，因此，每个服务点中应保证有合适数量的服务人员，但是，相关技术中，无法准确的确定每个服务点所需要的服务人员数量，若服务人员数量过多，则会导致人力资源的浪费，若服务人员过少，则会导致服务服务无法正常运行。
为了解决上述问题，本申请实施例提供了一种数据处理方法以确定目标服务点的待服务时间，该方法可以应用于电子设备，其中，待服务时间用于表征目标服务点进行服务所需要的时间，该时间可以用于指导目标服务点的人力资源管理，另外，电子设备可以是终端设备或者服务器，终端设备可以是智能手机、平板电脑或者个人计算机(PersonalComputer，PC)等，服务器可以是单个服务器，也可以是以分布式方式配置的服务器集群，还可以是云服务器。
如图1所示，图1为本申请实施例提供的一种数据处理方法的示意图，该示意图包括：目标服务点中用于收集当前服务状态的终端设备11、用于存储历史服务属性的数据库12和用于执行上述数据处理方法的电子设备13。
其中，终端设备11、数据库12和电子设备13之间可以通过网络进行通信，终端设备11可以获取目标服务点对应的当前服务状态，并通过网络将当前服务状态发送至电子设备13或者数据库12，其中，当前服务状态可以包括但不限于当前待服务目标的数量。
数据库12中至少可以存储目标服务点的历史服务属性，其中历史服务属性可以包括但不限于目标服务点历史已服务目标的数量。
电子设备13可以获取目标服务点的当前服务状态和历史服务属性，并根据当前服务状态和当前服务时间预测模型确定当前服务时间，根据历史服务属性和未来服务时间预测模型确定未来服务时间，然后根据当前服务时间和未来服务时间确定待服务时间，其中，电子设备13获取的当前服务状态可以是终端设备11通过网络上报的当前服务状态，也可以是数据库12中存储的当前服务状态，电子设备13确定的待服务时间可以用于指导目标服务点的业务规划。
在本申请实施例中，由于当前服务状态是一种实时数据，而历史服务属性是一种已经确定的历史数据，因此，通过当前服务时间预测模型和当前服务状态进行预测，以及通过未来服务时间预测模型和历史服务属性预测进行预测可以使得模型更加具有针对性，也就是说，通过本申请实施例可以确定更加准确的当前服务时间和未来服务时间，进而，可以提高电子设备对待服务时间的预测精度，以使得待服务时间可以更有效的指导目标服务点的业务规划。
下面将结合具体实施方式，对本申请实施例提供的一种数据处理方法进行详细的说明，该方法可以应用于图1中的电子设备13，如图2所示，具体步骤如下：
在步骤21，获取目标服务点的当前服务状态和历史服务属性。
其中，当前服务状态至少包括目标服务点当前待服务目标数量，历史服务属性至少包括目标服务点历史已服务目标数量，待服务目标是被提供线下服务的目标，例如车辆、衣物、电子产品等等。
在本申请实施例中，历史服务属性可以是目标服务点过去一段时间内的属性数据(例如过去一段时间内已服务的目标数量)，该过去一段时间可以是过去一周、过去一个月或者过去一年，本申请实施例对此不做限定。
另外，为了保证待服务时间预测的准确率，当前服务状态还可以包括目标服务点中现有服务人员数量、当前各待服务目标的服务类型(例如对车辆加机油、换轮胎等)等，历史服务属性还可以包括目标服务点附近的服务点数量、目标服务点附近的加油站数量、历史时间属性数据(例如节假日标签、早晚高峰时间段标签等)等。
在步骤22，基于预先训练的当前服务时间预测模型，确定当前服务状态所对应的当前服务时间。
其中，当前服务时间用于表征目标服务点中当前待服务目标被服务完成所需的时间，当前服务时间预测模型可以是基于逻辑回归(logistic regression，LR)模型或者时间序列模型构建的模型。
逻辑回归模型是一种广义的线性回归分析模型，常用于数据挖掘，疾病自动诊断，经济预测等领域，其自变量既可以是连续的，也可以是分类的，其输出为概率或者类别，具体的，逻辑回归是将发生概率除以没有发生概率再取对数，通过这种变换改变了取值区间的矛盾和因变量自变量间的曲线关系。
例如，如图3所示，图3为本申请实施例提供的一种逻辑回归过程的示意图，该示意图包括：逻辑回归模型神经元31、逻辑回归模型的输入x1-xn、逻辑回归模型的神经元连接权重w1-wn、神经元31中设置的阈值θ和神经元31的输出y。
在本申请实施例中，神经元31可以接收逻辑回归模型中来自任意神经元的输入xi(其中i为大于等于1且小于等于n的自然数)，然后根据来自各神经元的输入x1-xn、各连接权重w1-wn、神经元31中设置的阈值θ以及预先设置的函数f(x)，确定输出y。
其中，函数f(x)可以是sigmoid函数，sigmoid函数也称为S型生长曲线，在信息科学中，由于sigmoid函数单增以及反函数单增等性质，sigmoid函数常被用作神经网络的激活函数，将变量映射到(0，1)之间。
进而，结合图3所示的内容，在本申请实施例中，函数f(x)具体可以如下公式所示：
时间序列模型的本质是一种时间序列分析，时间序列分析是根据系统观测得到的时间序列数据，通过曲线拟合和参数估计来建立数学模型的理论和方法。它一般采用曲线拟合和参数估计方法(如非线性最小二乘法)进行。时间序列分析常用在国民经济宏观控制、区域综合发展规划、企业经营管理、市场潜量预测、气象预报、水文预报、地震前兆预报、农作物病虫灾害预报、环境污染控制、生态平衡、天文学和海洋学等方面。
在本申请实施例中，由于当前服务状态是一种实时数据，因此，该当前服务状态是以流式数据的形式不断被电子设备接收，具体的，电子设备可以基于Kafka技术来接收实时数据(即当前服务状态)，其中，Kafka是一种高吞吐量的分布式发布订阅消息系统。
在本申请实施例中，由于当前服务状态是一种实时数据，所以需要电子设备对当前服务状态进行快速处理，而逻辑回归模型或者时间序列模型均为复杂度较低的模型，其处理的速度较快，使得电子设备可以根据当前服务状态快速确定当前服务时间。
在一种可选的实施方式中，在利用当前服务时间预测模型对当前服务状态进行处理之前，可以先对当前服务状态进行预处理，具体的，步骤22可以执行为：对当前服务状态进行数据预处理，确定当前服务状态对应的第一数据，将第一数据输入预先训练的当前服务时间预测模型，以确定当前服务状态所对应的当前服务时间。
在实际应用中，可以基于海杜普(Hadoop Distributed File System，Hadoop)技术存储接收到的当前服务状态，进而对当前服务状态进行预处理，Hadoop是一个能够对大量数据进行分布式处理的软件框架。Hadoop以一种可靠、高效、可伸缩的方式进行数据处理。
另外，数据预处理可以包括如下操作中的至少一种：数据编码(Encoding)处理、独热编码(one-hot)处理、分箱处理和统一量纲处理。
数据编码处理是将信息用一种易于被计算机识别的符号体系表示出来的过程，是人们统一认识、统一观点、相互交换信息的一种技术手段，编码的直接产物是代码，在本申请实施例中，数据编码处理可以用于对离散数据的预处理。
one-hot编码又称一位有效编码，其方法是使用n位状态寄存器来对n个状态进行编码，每个状态都有其独立的寄存器位，并且在任意时候，其中只有一位有效。在本申请实施例中，one-hot编码可以用于对离散数据进行预处理。
分箱处理是把一段连续的值切分成若干段，每一段的值看成一个分类，分箱处理通常用于把连续值转换成离散值，在本申请实施例中，分箱处理可以用于对连续数据进行预处理。
统一量纲处理是一种归一化处理，归一化处理一般用于对数值类数据进行预处理，具体的，通过归一化处理，可以将数值类数据映射到(0，1)之间，以使得可以更加便捷快速的处理数值类数据。
通过对当前服务状态进行预处理，可以使得电子设备更易于处理当前服务状态，也就是说，在本申请实施例中，当前服务状态对应的第一数据是一种更易于处理的数据。
进而，可以将预处理后得到的第一数据输入当前服务时间预测模型，以确定当前服务状态所对应的当前服务时间。
需要说明的，步骤22和下文中的步骤23之间没有先后执行顺序，在本申请实施例中，可以先执行步骤22再执行步骤23，也可以先执行步骤23再执行步骤22，还可以同时执行步骤22和23，本申请实施例对此不做限定。
在步骤23，基于预先训练的未来服务时间预测模型，确定历史服务属性所对应的未来服务时间。
其中，未来服务时间用于表征目标服务点在未来预定时间内对新增待服务目标被服务完成所需的时间，其中，预定时间可以是任意适用的数值，例如2小时或者4小时，本申请实施例对预定时间的数值不做限定。
在一种可选的实施方式中，在利用未来服务时间预测模型对历史服务属性进行处理之前，可以先对历史服务属性进行预处理，具体的，步骤23可以执行为：对历史服务属性进行数据预处理，确定历史服务属性对应的第二数据，将第二数据输入预先训练的未来服务时间预测模型，以确定历史服务属性所对应的未来服务时间。
其中，数据预处理可以包括如下操作中的至少一种：数据编码处理、独热编码处理、分箱处理和统一量纲处理。
在实际应用中，可以基于Hadoop技术存储接收到的历史服务属性，进而对历史服务属性进行预处理。
通过对历史服务属性进行预处理，可以使得电子设备更易于处理历史服务属性，也就是说，在本申请实施例中，历史服务属性对应的第二数据是一种更易于处理的数据。
需要说明的，步骤23和上文中的步骤22之间没有先后执行顺序，在本申请实施例中，可以先执行步骤22再执行步骤23，也可以先执行步骤23再执行步骤22，还可以同时执行步骤22和23，本申请实施例对此不做限定。
结合步骤22和步骤23所述的内容，如图4所示，图4为本申请实施例提供的另一种数据处理方法的示意图，该示意图包括：Hadoop+数据预处理单元41、Hadoop+数据预处理单元42、当前服务时间预测模型43和未来服务时间预测模型44。
具体的，当电子设备接收到当前服务状态后，可以基于Hadoop+数据预处理单元41对当前服务状态进行存储和数据预处理，然后将数据预处理后得到的第一数据数据输入当前服务时间预测模型43，以确定当前服务时间。
另外，当电子设备接收到历史服务属性后，可以基于Hadoop+数据预处理单元42对历史服务属性进行存储和数据预处理，然后将数据预处理后得到的第二数据数据输入未来服务时间预测模型44，以确定未来服务时间。
当电子设备确定当前服务时间和未来服务时间后，可以基于当前服务时间和未来服务时间，确定目标服务点所对应的待服务时间。
在本申请实施例中，由于当前服务状态是一种实时数据，而历史服务属性是一种已经确定的历史数据，因此，通过当前服务时间预测模型和当前服务状态进行预测，以及通过未来服务时间预测模型和历史服务属性预测进行预测可以使得模型更加具有针对性，也就是说，通过本申请实施例可以确定更加准确的当前服务时间和未来服务时间，进而，基于当前服务时间和未来服务时间确定的待服务时间可以更加准确，以使得待服务时间可以更有效的指导目标服务点的业务规划。
进一步的，在一种可选的实施方式中，未来服务时间预测模型包括多个未来服务时间预测子模型。
在确定未来服务时间时，各未来服务时间预测子模型可以通过历史服务属性各自输出一个数据，然后，电子设备可以通过对各个数据进行融合，以确定一个准确的未来服务时间。
具体的，步骤23可以执行为：将历史服务属性分别输入各未来服务时间预测子模型，确定各未来服务时间预测子模型输出的中间数据，对各中间数据进行数据融合处理，以确定历史服务属性所对应的未来服务时间。
如图5所示，图5为本申请实施例提供的另一种数据处理方法的示意图，该示意图包括：Hadoop+数据预处理单元51、Hadoop+数据预处理单元52、当前服务时间预测模型53和未来服务时间预测子模型541-54n。
具体的，当电子设备接收到当前服务状态后，可以基于Hadoop+数据预处理单元51对当前服务状态进行存储和数据预处理，然后将数据预处理后得到的第一数据数据输入当前服务时间预测模型53，以确定当前服务时间。
另外，当电子设备接收到历史服务属性后，可以基于Hadoop+数据预处理单元52对历史服务属性进行存储和数据预处理，然后将数据预处理后得到的第二数据数据输入未来服务时间预测子模型541-54n，以确定各未来服务时间预测子模型输出的中间数据，然后对各中间数据进行数据融合处理，以确定历史服务属性所对应的未来服务时间。
当电子设备确定当前服务时间和未来服务时间后，可以基于当前服务时间和未来服务时间，确定目标服务点所对应的待服务时间。
其中，各未来服务时间预测子模型可以是具有不同结构的子模型，也就是说，未来服务时间预测模型可以至少包括基于XGBoost(Extreme Gradient Boosting)构建的未来服务时间预测子模型、基于神经网络(Neural Networks，NN)模型构建的未来服务时间预测子模型和基于长短期记忆(Long Short-Term Memory，LSTM)模型构建的未来服务时间预测子模型中的一个或多个。
XGBoost是一个优化的分布式梯度增强库，是对梯度提升算法的改进，求解损失函数极值时使用了牛顿法，将损失函数泰勒展开到二阶，另外损失函数中加入了正则化项，因此，XGBoost本质上是在梯度提升决策树(Gradient Boosting Decision Tree，GBDT)算法的基础上进行了改进，实现了更加高效、灵活以及便携。
神经网络是由大量的、简单的处理单元(即神经元)广泛地互相连接而形成的复杂网络系统，它反映了人脑功能的许多基本特征，是一个高度复杂的非线性动力学习系统。神经网络具有大规模并行、分布式存储和处理、自组织、自适应和自学能力，特别适合处理需要同时考虑许多因素和条件的、不精确和模糊的信息处理问题。
LSTM是一种时间循环神经网络，其是为了解决一般的循环神经网络存在的长期依赖问题而专门设计出来的一种神经网络。
当然，未来服务时间预测子模型也可以由其他适用的模型构建，例如整合移动平均自回归模型(Autoregressive Integrated Moving Average model，ARIMA)，本申请实施例对此不做过多赘述。
通过本申请实施例，由于不同结构的未来服务时间预测子模型可以从不同维度确定中间数据，所以，可以使得基于各中间数据确定的未来服务时间更加准确。
当电子设备基于不同结构的未来服务时间预测子模型确定多个中间数据后，可以基于各中间数据的权重对各中间数据进行数据融合处理，具体的，对各中间数据进行数据融合处理，以确定历史服务属性所对应的未来服务时间的过程，可以执行为：确定各未来服务时间预测子模型的模型误差，以各未来服务时间预测子模型的模型误差作为权重，对各中间数据进行加权平均处理，以确定历史服务属性所对应的未来服务时间。
其中，模型误差可以是在训练过程中确定的误差。
例如，现有未来服务时间预测子模型A(以下简称子模型A)和未来服务时间预测子模型B(以下简称子模型B)，子模型A输出的中间数据为a，子模型B输出的中间数据为b，子模型A的模型误差为e1，子模型B的模型误差为e2。
对中间数据a和中间数据b进行数据融合时，中间数据a的权重为e1/(e1+e2)，中间数据b的权重为e2/(e1+e2)，进而，未来服务时间可以表示为a*(e1/(e1+e2))+b*(e2/(e1+e2))。
在步骤24，基于当前服务时间和未来服务时间，确定目标服务点所对应的待服务时间。
具体的，步骤24可以执行为：将当前服务时间和未来服务时间相加，以确定目标服务点所对应的待服务时间。
在一种可选的实施方式中，当确定待服务时间后，可以根据该待服务时间确定目标服务方案，具体的，该过程可以执行为：基于待服务时间和各预定服务方案之间的匹配度，确定目标服务方案。
其中，该目标服务方案可以有效指导目标服务点进行业务规划。
进而，在一种可选的实施方式中，在确定目标服务方案后，可以基于该目标服务方案对各个模型进行参数调整，以使得各个模型的性能更优，具体的，该过程可以执行为：基于目标服务方案，调整当前服务时间预测模型和/或未来服务时间预测模型的模型参数。
其中，当未来服务时间预测模型包括多个未来服务时间预测子模型时，对未来服务时间预测模型的模型参数进行调整也就是对各未来服务时间预测子模型的模型参数进行调整。
如图6所示，图6为本申请实施例提供的另一种数据处理方法的示意图，该示意图包括：Hadoop+数据预处理单元61、Hadoop+数据预处理单元62、当前服务时间预测模型63和未来服务时间预测子模型641-64n。
在图6中，确定待服务时间的过程与上述方法步骤相同，本申请实施例在此不做赘述。
如图6所示，当确定待服务时间后，可以基于待服务时间和各预定服务方案之间的匹配度，确定目标服务方案，然后基于目标服务方案对应的评分，对当前服务时间预测模型63和未来服务时间预测子模型641-64n的模型参数进行调整。
其中，目标服务方案对应的评分可以是基于人工进行的评价，调整模型参数时可以基于模型调整工具(例如GridSearch)实现。
在本申请实施例中，由于当前服务状态是一种实时数据，而历史服务属性是一种已经确定的历史数据，因此，通过当前服务时间预测模型和当前服务状态进行预测，以及通过未来服务时间预测模型和历史服务属性预测进行预测可以使得模型更加具有针对性，也就是说，通过本申请实施例可以确定更加准确的当前服务时间和未来服务时间，进而，基于当前服务时间和未来服务时间确定的待服务时间可以更加准确，以使得待服务时间可以更有效的指导目标服务点的业务规划。
基于相同的技术构思，本申请实施例还提供了一种数据处理装置，如图7所示，该装置包括：获取模块71、第一确定模块72、第二确定模块73和第三确定模块74。
获取模块71，用于获取目标服务点的当前服务状态和历史服务属性，所述当前服务状态至少包括所述目标服务点当前待服务目标数量，所述历史服务属性至少包括所述目标服务点历史已服务目标数量；
第一确定模块72，用于基于预先训练的当前服务时间预测模型，确定所述当前服务状态所对应的当前服务时间，所述当前服务时间用于表征所述目标服务点中当前待服务目标被服务完成所需的时间；
第二确定模块73，用于基于预先训练的未来服务时间预测模型，确定所述历史服务属性所对应的未来服务时间，所述未来服务时间用于表征所述目标服务点在未来预定时间内对新增待服务目标被服务完成所需的时间；以及
第三确定模块74，用于基于所述当前服务时间和所述未来服务时间，确定所述目标服务点所对应的待服务时间。
可选的，所述未来服务时间预测模型包括多个未来服务时间预测子模型；
所述第二确定模块73，具体用于：
将所述历史服务属性分别输入各未来服务时间预测子模型，确定各未来服务时间预测子模型输出的中间数据；以及
对各中间数据进行数据融合处理，以确定所述历史服务属性所对应的未来服务时间。
可选的，所述第二确定模块73，具体用于：
确定各未来服务时间预测子模型的模型误差；以及
以各未来服务时间预测子模型的模型误差作为权重，对各中间数据进行加权平均处理，以确定所述历史服务属性所对应的未来服务时间。
可选的，所述第三确定模块74，具体用于：
将所述当前服务时间和所述未来服务时间相加，以确定所述目标服务点所对应的待服务时间。
可选的，所述第一确定模块72，具体用于：
对所述当前服务状态进行数据预处理，确定所述当前服务状态对应的第一数据；以及
将所述第一数据输入预先训练的当前服务时间预测模型，以确定所述当前服务状态所对应的当前服务时间。
可选的，所述第二确定模块73，具体用于：
对所述历史服务属性进行数据预处理，确定所述历史服务属性对应的第二数据；以及
将所述第二数据输入预先训练的未来服务时间预测模型，以确定所述历史服务属性所对应的未来服务时间。
可选的，所述数据预处理包括如下操作中的至少一种：数据编码处理、独热编码处理、分箱处理和统一量纲处理。
可选的，所述装置还包括：
第四确定模块，用于基于所述待服务时间和各预定服务方案之间的匹配度，确定目标服务方案。
可选的，所述装置还包括：
调整模块，用于基于所述目标服务方案，调整所述当前服务时间预测模型和/或所述未来服务时间预测模型的模型参数。
可选的，所述当前服务时间预测模型基于逻辑回归模型或者时间序列模型构建，所述未来服务时间预测模型至少包括基于XGBoost构建的未来服务时间预测子模型、基于神经网络模型构建的未来服务时间预测子模型和基于长短期记忆模型构建的未来服务时间预测子模型中的一个或多个。
在本申请实施例中，由于当前服务状态是一种实时数据，而历史服务属性是一种已经确定的历史数据，因此，通过当前服务时间预测模型和当前服务状态进行预测，以及通过未来服务时间预测模型和历史服务属性预测进行预测可以使得模型更加具有针对性，也就是说，通过本申请实施例可以确定更加准确的当前服务时间和未来服务时间，进而，可以提高电子设备对待服务时间的预测精度。
图8是本申请实施例的电子设备的示意图。如图8所示，图8所示的电子设备为通用地址查询装置，其包括通用的计算机硬件结构，其至少包括处理器81和存储器82。处理器81和存储器82通过总线83连接。存储器82适于存储处理器81可执行的指令或程序。处理器81可以是独立的微处理器，也可以是一个或者多个微处理器集合。由此，处理器81通过执行存储器82所存储的指令，从而执行如上所述的本申请实施例的方法流程实现对于数据的处理和对于其它装置的控制。总线83将上述多个组件连接在一起，同时将上述组件连接到显示控制器84和显示装置以及输入/输出(I/O)装置85。输入/输出(I/O)装置85可以是鼠标、键盘、调制解调器、网络接口、触控输入装置、体感输入装置、打印机以及本领域公知的其他装置。典型地，输入/输出装置85通过输入/输出(I/O)控制器86与系统相连。
本领域的技术人员应明白，本申请的实施例可提供为方法、装置(设备)或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可读存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品。
本申请是参照根据本申请实施例的方法、装置(设备)和计算机程序产品的流程图来描述的。应理解可由计算机程序指令实现流程图中的每一流程。
这些计算机程序指令可以存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现流程图一个流程或多个流程中指定的功能。
也可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程中指定的功能的装置。
本申请的另一实施例涉及一种非易失性存储介质，用于存储计算机可读程序，所述计算机可读程序用于供计算机执行上述部分或全部的方法实施例。
即，本领域技术人员可以理解，实现上述实施例方法中的全部或部分步骤是可以通过程序来指定相关的硬件来完成，该程序存储在一个存储介质中，包括若干指令用以使得一个设备(可以是单片机，芯片等)或处理器(processor)执行本申请各实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本申请的另一实施例涉及一种计算机程序产品，包括计算机程序/指令，计算机程序/指令被处理器执行时可以实现上述部分或全部的方法实施例。
即，本领域技术人员可以理解，本申请实施例可以通过处理器执行计算机程序产品(计算机程序/指令)来指定相关的硬件(包括处理器自身)，进而实现上述实施例方法中的全部或部分步骤。
以上所述仅为本申请的优选实施例，并不用于限制本申请，对于本领域技术人员而言，本申请可以有各种改动和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
Claims (18)
1.一种数据处理方法，其特征在于，所述方法包括：
获取目标服务点的当前服务状态和历史服务属性，所述当前服务状态至少包括所述目标服务点当前待服务目标数量，所述历史服务属性至少包括所述目标服务点历史已服务目标数量；
基于预先训练的当前服务时间预测模型，确定所述当前服务状态所对应的当前服务时间，所述当前服务时间用于表征所述目标服务点中当前待服务目标被服务完成所需的时间；
基于预先训练的未来服务时间预测模型，确定所述历史服务属性所对应的未来服务时间，所述未来服务时间用于表征所述目标服务点在未来预定时间内对新增待服务目标被服务完成所需的时间；以及
基于所述当前服务时间和所述未来服务时间，确定所述目标服务点所对应的待服务时间；
其中，所述基于所述当前服务时间和所述未来服务时间，确定所述目标服务点所对应的待服务时间，包括：
将所述当前服务时间和所述未来服务时间相加，以确定所述目标服务点所对应的待服务时间；
所述方法还包括：
基于所述待服务时间和各预定服务方案之间的匹配度，确定目标服务方案；
其中，所述当前服务状态用于表征实时数据，所述历史服务属性用于表征已经确定的历史数据，所述当前服务状态还包括所述目标服务点中现有服务人员数量和/或当前各待服务目标的服务类型，所述历史服务属性还包括目标服务点附近的服务点数量和/或历史时间属性数据，所述历史时间属性数据包括节假日标签和/或早晚高峰时间段标签。
2.根据权利要求1所述的方法，其特征在于，所述未来服务时间预测模型包括多个未来服务时间预测子模型；
所述基于预先训练的未来服务时间预测模型，确定所述历史服务属性所对应的未来服务时间，包括：
将所述历史服务属性分别输入各未来服务时间预测子模型，确定各未来服务时间预测子模型输出的中间数据；以及
对各中间数据进行数据融合处理，以确定所述历史服务属性所对应的未来服务时间。
3.根据权利要求2所述的方法，其特征在于，所述对各中间数据进行数据融合处理，以确定所述历史服务属性所对应的未来服务时间，包括：
确定各未来服务时间预测子模型的模型误差；以及
以各未来服务时间预测子模型的模型误差作为权重，对各中间数据进行加权平均处理，以确定所述历史服务属性所对应的未来服务时间。
4.根据权利要求1所述的方法，其特征在于，所述基于预先训练的当前服务时间预测模型，确定所述当前服务状态所对应的当前服务时间，包括：
对所述当前服务状态进行数据预处理，确定所述当前服务状态对应的第一数据；以及
将所述第一数据输入预先训练的当前服务时间预测模型，以确定所述当前服务状态所对应的当前服务时间。
5.根据权利要求1所述的方法，其特征在于，所述基于预先训练的未来服务时间预测模型，确定所述历史服务属性所对应的未来服务时间，包括：
对所述历史服务属性进行数据预处理，确定所述历史服务属性对应的第二数据；以及
将所述第二数据输入预先训练的未来服务时间预测模型，以确定所述历史服务属性所对应的未来服务时间。
6.根据权利要求4或5所述的方法，其特征在于，所述数据预处理包括如下操作中的至少一种：数据编码处理、独热编码处理、分箱处理和统一量纲处理。
7.根据权利要求1所述的方法，其特征在于，所述方法还包括：
基于所述目标服务方案，调整所述当前服务时间预测模型和/或所述未来服务时间预测模型的模型参数。
8.根据权利要求2所述的方法，其特征在于，所述当前服务时间预测模型基于逻辑回归模型或者时间序列模型构建，所述未来服务时间预测模型至少包括基于XGBoost构建的未来服务时间预测子模型、基于神经网络模型构建的未来服务时间预测子模型和基于长短期记忆模型构建的未来服务时间预测子模型中的一个或多个。
9.一种数据处理装置，其特征在于，所述装置包括：
获取模块，用于获取目标服务点的当前服务状态和历史服务属性，所述当前服务状态至少包括所述目标服务点当前待服务目标数量，所述历史服务属性至少包括所述目标服务点历史已服务目标数量；
第一确定模块，用于基于预先训练的当前服务时间预测模型，确定所述当前服务状态所对应的当前服务时间，所述当前服务时间用于表征所述目标服务点中当前待服务目标被服务完成所需的时间；
第二确定模块，用于基于预先训练的未来服务时间预测模型，确定所述历史服务属性所对应的未来服务时间，所述未来服务时间用于表征所述目标服务点在未来预定时间内对新增待服务目标被服务完成所需的时间；以及
第三确定模块，用于基于所述当前服务时间和所述未来服务时间，确定所述目标服务点所对应的待服务时间；
其中，所述第三确定模块，具体用于：
将所述当前服务时间和所述未来服务时间相加，以确定所述目标服务点所对应的待服务时间；
所述装置还包括：
第四确定模块，用于基于所述待服务时间和各预定服务方案之间的匹配度，确定目标服务方案；
其中，所述当前服务状态用于表征实时数据，所述历史服务属性用于表征已经确定的历史数据，所述当前服务状态还包括所述目标服务点中现有服务人员数量和/或当前各待服务目标的服务类型，所述历史服务属性还包括目标服务点附近的服务点数量和/或历史时间属性数据，所述历史时间属性数据包括节假日标签和/或早晚高峰时间段标签。
10.根据权利要求9所述的装置，其特征在于，所述未来服务时间预测模型包括多个未来服务时间预测子模型；
所述第二确定模块，具体用于：
将所述历史服务属性分别输入各未来服务时间预测子模型，确定各未来服务时间预测子模型输出的中间数据；以及
对各中间数据进行数据融合处理，以确定所述历史服务属性所对应的未来服务时间。
11.根据权利要求10所述的装置，其特征在于，所述第二确定模块，具体用于：
确定各未来服务时间预测子模型的模型误差；以及
以各未来服务时间预测子模型的模型误差作为权重，对各中间数据进行加权平均处理，以确定所述历史服务属性所对应的未来服务时间。
12.根据权利要求9所述的装置，其特征在于，所述第一确定模块，具体用于：
对所述当前服务状态进行数据预处理，确定所述当前服务状态对应的第一数据；以及
将所述第一数据输入预先训练的当前服务时间预测模型，以确定所述当前服务状态所对应的当前服务时间。
13.根据权利要求9所述的装置，其特征在于，所述第二确定模块，具体用于：
对所述历史服务属性进行数据预处理，确定所述历史服务属性对应的第二数据；以及
将所述第二数据输入预先训练的未来服务时间预测模型，以确定所述历史服务属性所对应的未来服务时间。
14.根据权利要求12或13所述的装置，其特征在于，所述数据预处理包括如下操作中的至少一种：数据编码处理、独热编码处理、分箱处理和统一量纲处理。
15.根据权利要求9所述的装置，其特征在于，所述装置还包括：
调整模块，用于基于所述目标服务方案，调整所述当前服务时间预测模型和/或所述未来服务时间预测模型的模型参数。
16.根据权利要求10所述的装置，其特征在于，所述当前服务时间预测模型基于逻辑回归模型或者时间序列模型构建，所述未来服务时间预测模型至少包括基于XGBoost构建的未来服务时间预测子模型、基于神经网络模型构建的未来服务时间预测子模型和基于长短期记忆模型构建的未来服务时间预测子模型中的一个或多个。
17.一种电子设备，包括存储器和处理器，其特征在于，所述存储器用于存储一条或多条计算机程序指令，其中，所述一条或多条计算机程序指令被所述处理器执行以实现如权利要求1-8中任一项所述的方法。
18.一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内存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-8中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110126944.3A CN112801372B (zh) | 2021-01-29 | 2021-01-29 | 数据处理方法、装置、电子设备和可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110126944.3A CN112801372B (zh) | 2021-01-29 | 2021-01-29 | 数据处理方法、装置、电子设备和可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112801372A CN112801372A (zh) | 2021-05-14 |
| CN112801372B true CN112801372B (zh) | 2024-04-19 |
Family
ID=75812916
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110126944.3A Active CN112801372B (zh) | 2021-01-29 | 2021-01-29 | 数据处理方法、装置、电子设备和可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112801372B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109657980A (zh) * | 2018-12-20 | 2019-04-19 | 中国银行股份有限公司 | 一种网点客户排队调度方法及系统 |
| CN110942190A (zh) * | 2019-11-22 | 2020-03-31 | 广东睿盟计算机科技有限公司 | 排队时间预测方法、装置、计算机设备以及存储介质 |
| CN111476442A (zh) * | 2020-06-19 | 2020-07-31 | 太平金融科技服务（上海）有限公司 | 坐席服务输出方式确定方法、装置、计算机设备和介质 |
| CN111915043A (zh) * | 2020-09-21 | 2020-11-10 | 北京嘀嘀无限科技发展有限公司 | 服务数据处理方法、装置、服务器及存储介质 |
| CN112101675A (zh) * | 2020-09-22 | 2020-12-18 | 广东睿盟计算机科技有限公司 | 基于kl散度衡量资源配置合理度方法、装置、设备及介质 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9834405B2 (en) * | 2014-11-10 | 2017-12-05 | Mitsubishi Electric Research Laboratories, Inc. | Method and system for scheduling elevator cars in a group elevator system with uncertain information about arrivals of future passengers |
-
2021
- 2021-01-29 CN CN202110126944.3A patent/CN112801372B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109657980A (zh) * | 2018-12-20 | 2019-04-19 | 中国银行股份有限公司 | 一种网点客户排队调度方法及系统 |
| CN110942190A (zh) * | 2019-11-22 | 2020-03-31 | 广东睿盟计算机科技有限公司 | 排队时间预测方法、装置、计算机设备以及存储介质 |
| CN111476442A (zh) * | 2020-06-19 | 2020-07-31 | 太平金融科技服务（上海）有限公司 | 坐席服务输出方式确定方法、装置、计算机设备和介质 |
| CN111915043A (zh) * | 2020-09-21 | 2020-11-10 | 北京嘀嘀无限科技发展有限公司 | 服务数据处理方法、装置、服务器及存储介质 |
| CN112101675A (zh) * | 2020-09-22 | 2020-12-18 | 广东睿盟计算机科技有限公司 | 基于kl散度衡量资源配置合理度方法、装置、设备及介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112801372A (zh) | 2021-05-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wu et al. | Evolving RBF neural networks for rainfall prediction using hybrid particle swarm optimization and genetic algorithm | |
| CN110852881B (zh) | 风险账户识别方法、装置、电子设备及介质 | |
| CN109376906B (zh) | 基于多维度轨迹的出行时间预测方法、系统及电子设备 | |
| WO2021004324A1 (zh) | 资源数据的处理方法、装置、计算机设备和存储介质 | |
| CN110674636B (zh) | 一种用电行为分析方法 | |
| WO2019214455A1 (zh) | 一种数据序列预测方法及计算设备 | |
| CN116186548B (zh) | 电力负荷预测模型训练方法及电力负荷预测方法 | |
| Niu et al. | Optimization of support vector machine power load forecasting model based on data mining and Lyapunov exponents | |
| CN114647741A (zh) | 工艺自动决策和推理方法、装置、计算机设备及存储介质 | |
| Wu et al. | Optimized deep learning framework for water distribution data-driven modeling | |
| Nguyen | Application machine learning in construction management | |
| Ilkhani et al. | Extraction test cases by using data mining; reducing the cost of testing | |
| CN103605493A (zh) | 基于图形处理单元的并行排序学习方法及系统 | |
| CN112991009A (zh) | 对象推荐方法、装置、电子设备和存储介质 | |
| CN112801372B (zh) | 数据处理方法、装置、电子设备和可读存储介质 | |
| Guo et al. | Mobile user credit prediction based on lightgbm | |
| CN113762591B (zh) | 一种基于gru和多核svm对抗学习的短期电量预测方法及系统 | |
| Mao et al. | Naive Bayesian algorithm classification model with local attribute weighted based on KNN | |
| CN113449923A (zh) | 一种多模型标的物行情预测方法和装置 | |
| Li | Research on data mining technology based on machine learning algorithm | |
| Liu et al. | Short-term Load Forecasting Approach with SVM and Similar Days Based on United Data Mining Technology | |
| Mai | Efficient multimedia information mining framework based on deep learning and self-organizing model | |
| Wang et al. | Fuzzy boost classifier of decision experts for multicriteria group decision-making | |
| CN114880449B (zh) | 智能问答的答复生成方法、装置、电子设备及存储介质 | |
| Shu et al. | Research on Assembly Time Quota Prediction Model of Toy Products of A Company Based on Improved RFECV and XGBoost Algorithms |
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 |