CN113139022B - 一种基于混合规则的企业物流数据按需融合方法 - Google Patents

一种基于混合规则的企业物流数据按需融合方法 Download PDF

Info

Publication number
CN113139022B
CN113139022B CN202110489086.9A CN202110489086A CN113139022B CN 113139022 B CN113139022 B CN 113139022B CN 202110489086 A CN202110489086 A CN 202110489086A CN 113139022 B CN113139022 B CN 113139022B
Authority
CN
China
Prior art keywords
rule
attribute
concept
data
instance
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
Application number
CN202110489086.9A
Other languages
English (en)
Other versions
CN113139022A (zh
Inventor
向阳
陈建廷
杜鹏
冷典典
邹鹰
凌强
杨靖培
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tongji University
Shanghai International Port Group Co Ltd
Original Assignee
Tongji University
Shanghai International Port Group Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tongji University, Shanghai International Port Group Co Ltd filed Critical Tongji University
Priority to CN202110489086.9A priority Critical patent/CN113139022B/zh
Publication of CN113139022A publication Critical patent/CN113139022A/zh
Application granted granted Critical
Publication of CN113139022B publication Critical patent/CN113139022B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/28—Databases characterised by their database models, e.g. relational or object models
    • G06F16/284—Relational databases
    • G06F16/288—Entity relationship models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/21—Design, administration or maintenance of databases
    • G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
    • 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
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • G06Q10/083—Shipping
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Quality & Reliability (AREA)
  • General Engineering & Computer Science (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明属于企业数据管理领域，提出一种基于混合规则的企业物流数据按需融合方法，步骤如下：收集企业中的结构化数据源；根据企业业务内容定义业务概念图谱；为每个概念定义用于实例化的混合规则；用户按需创建数据融合任务，定义目标概念集合以及及融合的数据范围；根据数据融合任务，构造规则队列，并采用相应规则引擎进行实例化；用户访问融合后的业务实例图谱。本发明采用映射加推理加计算的混合规则，获取业务过程中未被存储的中间状态或间接信息，具有一定灵活性，同时还支持按需制定融合任务，反映特定目标场景的业务过程。

Description

一种基于混合规则的企业物流数据按需融合方法
技术领域
本发明属于企业数据管理领域，涉及一种基于混合规则的企业流水线生产数据按需融合方法。
背景技术
随着企业及工厂生产规模的不断扩大，生产经营过程中的原材料、废弃物、半成品、产品的种类及数量越来越多，企业物流管理的重要性愈发凸显，成为控制经营成本、提高生产效率的关键因素。另一方面，随着智能制造技术的快速发展，传统的人工运输正逐渐被自动化设备所取代，手工录入的物流数据也转变为由机器自动生成。这些由机器自动生成的物流数据相比于传统的手工录入数据，具有规模大、细节全、关系复杂等特点，能够完整地反映出整个企业物流系统的方方面面，并且蕴含着丰富的价值，通过对物流数据的分析挖掘，能够指导物流转运、仓储配比，从而提高物流效率，降低生产成本。
物流数据不仅具有丰富的挖掘价值，也伴随着巨大的挑战。现代及未来的自动化物流系统往往由若干个子系统组成，每个子系统采用不同的运载设备，运输不同类型、不同规模的物料，上一阶段可能是按箱的运输存储，下一阶段则可能是按件的流转管理。正是依靠这些子系统相互协同，才能使整个企业物流链顺利运作。但这些子系统由于建设时间不同、设备厂商不同等种种原因，各自管理自己的物流数据。从这些独立且割裂的物流数据中，难以挖掘出有价值的规律或知识。因此，数据融合技术成为解决上述问题的关键手段。
数据融合技术分为物理层次与逻辑层次。物理层次的数据融合是融合的基础，主流技术包括联邦式数据库、中间件模型、数据仓库等等。逻辑层次的数据融合是应用的关键，将数据根据业务逻辑融合，全面反映业务执行过程的具体细节。目前，逻辑层次的数据融合方法，普遍是通过固定的融合流程和匹配模式对数据进行匹配融合，缺乏必要的推理计算能力，难以反映物流过程中的中间状态和间接信息，并且当企业物流过程或数据存储形式发生改变时，现有方法缺乏灵活性，难以快速实现新的融合需求。同时，现有方法的数据匹配模式是不透明的，不支持对指定物流场景的刻画需求，往往需要先全局融合再过滤筛选，造成资源浪费。
发明内容
针对现有技术的不足，本发明提出了一种基于混合规则的企业物流数据按需融合方法。
包括以下步骤(图1所示)：
步骤S1，收集企业物流系统中需要融合的结构化数据源，提供给S5；
步骤S2，根据企业物流过程定义企业物流概念图谱，提供给S3；
步骤S3，为企业物流概念图谱定义用于数据融合的混合规则集合，提供给S5；
步骤S4，用户按需创建企业物流数据融合任务，提供给S5；
步骤S5，根据用户创建的企业物流数据融合任务，以及步骤S3定义的混合规则集合，构造规则队列，依托步骤S1中收集的结构化数据源，生成企业物流实例图谱，提供给S6；
步骤S6，用户访问步骤S5生成的企业物流实例图谱。
进一步地，步骤S1中所述收集企业物流系统中需要融合的结构化数据源，具体包括：
收集结构化数据资源的数据库系统访问地址A、数据库系统用户名U、数据库系统密码P、数据库名D、数据库中的数据表、数据字段及其语义、数据类型、主外键关系等信息。
进一步地，步骤S2中根据企业物流过程定义物流过程概念图谱，其中“定义”包括：
企业物流概念图谱是用于表述企业物流过程的形式化说明，由概念、关系、属性三种元素组成；
概念是用于表示物流过程中的一类环节、设备、物料、事件等，为其拟定的概念名，在企业物流概念图谱中表示为<概念名，`is`,`概念`>三元组；
关系是用于表示所述概念与概念之间存在的业务关系，包括环节与设备之间的载运关系、仓库与物料之间的存储关系等，为其拟定具体的关系名，在企业物流概念图谱中表示为<概念名，关系名,概念名>三元组；
属性是用于表示所述概念具有的特定属性，包括物料的重量数量、运输任务的开始结束时间等，为其拟定属性名和属性值类型，在企业物流概念图谱中表示为<概念名，属性名,属性类型>三元组。
其中“过程”包括：
分析企业物流过程中的各个环节，每个环节装卸运输的物料和运输设备，以及每个环节存在的状态及可能发生的事件，总结归纳其中涉及的概念，这些概念需要在步骤S1收集的结构化数据源中有对应数据记录或可由数据进一步计算推理得到，则在概念图谱中定义该概念。在此基础上，围绕已定义的概念，通过定义关系和属性描述物流过程各环节、设备、物料、事件概念的业务关系和状态属性，定义的关系和属性也需要有对应数据记录或可由数据进一步计算推理得到。
进一步地，步骤S3中为企业物流概念图谱定义用于数据融合的混合规则集合，具体包括：
对于企业物流概念图谱中的每个概念、关系、属性三元组定义用于数据融合的实例化规则，规则的类型又包括映射规则、推理规则、推理计算规则，这些三元组对应的不同类型规则汇聚形成混合规则集合。
为概念三元组定义实例化规则。若概念的实例在数据源中存在明确匹配的记录，则为其定义映射规则。概念映射规则的内容包括：概念关联的数据表、数据记录匹配条件、概念实例构造规则。规则执行过程为：数据记录匹配条件会指明数据源中的物流指令表、物料表或事件表等数据表中数据记录与目标概念实例的对应关系和匹配触发条件，每匹配到一条记录，根据概念实例构造规则，创建一个概念实例。若概念的实例不存在明确匹配的记录，但可以根据由其他概念、关系及属性数据融合后形成的企业物流实例图谱，通过子图匹配和属性约束的方式，进一步推理得到，则为其定义推理规则。概念推理规则的内容包括：前置三元组，推理子图，概念实例构造规则。规则执行过程为：在保证前置三元组已经数据融合，将所形成的企业物流实例图谱与推理子图进行匹配，每匹配到一个子图，就触发一次概念实例构造规则，创建一个物流概念实例。所述两种规则创建的概念实例形式均为<实例标识,`is`,概念名>。
为关系三元组定义实例化规则。若概念之间的关系在数据源中存在明确的数据记录，则为其定义映射规则。关系映射规则的内容包括：关系关联的数据表、数据记录关联匹配条件、关系实例构造规则。规则执行过程为：数据记录关联匹配条件会指明数据源中物流指令表、物料表或事件表等数据表中表示目标关系的关联字段和匹配触发条件，每匹配到一对关联记录，就触发一次关系实例构造规则，以关联记录对应两个概念实例为头尾建立关系实例。若关系的实例不存在明确匹配的记录，但可以根据由其他概念、关系及属性数据融合后形成的企业物流实例图谱，通过子图匹配和属性约束的方式，进一步推理得到，则为其定义推理规则。关系推理规则的内容包括：前置三元组，推理子图，关系实例构造规则。规则执行过程为：在保证前置三元组已经数据融合，将所形成的企业物流实例图谱与推理子图匹配，每匹配到一个子图，就触发一次关系实例构造规则，以子图中指定两个概念实例为头尾建立关系实例。所述两种规则创建的关系实例形式均为<实例标识,关系名,实例标识>。
为属性三元组定义实例化规则。若属性实例的属性值在数据源中存在明确的数据记录，则为其定义映射规则。属性映射规则内容包括：属性关联的数据表、数据记录属性匹配条件、属性实例构造规则。规则执行过程为：数据记录属性匹配条件会指明物流指令表、物料表等数据表中包含目标属性值的具体字段和匹配触发条件，每匹配到一条对应记录，就触发一次属性实例构造规则，根据指定字段的属性值，建立描述对应概念的属性实例。若属性的实例不存在明确的数据记录，但属性值与企业物流实例图谱中其他属性实例的属性值相等，可以通过子图匹配和属性约束的方式，进一步推理找到相等的目标属性值，则为其定义推理规则。属性推理规则内容包括：前置三元组，推理子图，属性实例构造规则。规则执行过程为：在保证前置三元组已经数据融合，将形成的企业物流实例图谱与推理子图匹配，每匹配到一个子图，就触发一次属性实例构造规则，新构造的属性实例的属性值等于子图中指定的其他属性实例的属性值。若属性的实例即不存在明确的数据记录，但可根据企业物流实例图谱中多个其他属性实例的属性值进一步计算得到，则为其定义推理计算规则。属性推理计算规则包括：前置三元组，推理子图，属性值计算函数，属性实例构造规则。规则执行过程为：在保证前置三元组已经数据融合，将形成的企业物流实例图谱与推理子图匹配，每匹配到一个子图，就触发一次属性实例构造规则，将子图中指定的多个其他属性实例的属性值输入到计算函数中，可选的计算函数可以是计算公式或机器学习模型等，将计算结果作为属性值，创建一个属性实例。所述三种规则创建的属性实例形式均为<实例标识，属性名，属性值>。
进一步地，步骤S4中用户按需创建物流数据融合任务包括：
用户根据需求分析的企业物流目标场景，自定义地从企业物流概念图谱中划定目标子图，即选择融合该场景下涉及哪些概念、关系和属性三元组。同时可根据分析需求，可指定融合的结构化数据范围，如时间范围、区域范围、物料种类等等。
进一步地，步骤S5中根据用户创建的物流数据融合任务，以及步骤S3定义的混合规则集合，构造规则队列，依托步骤S1中收集的结构化数据源，生成企业物流实例图谱，具体包括：
关系和属性三元组的映射规则在执行时需要保证其依赖的概念三元组的映射规则同时执行。推理/推理计算规则在执行时需要保证其前置三元组对应的映射规则或推理规则已经被执行。因此，执行规则具有先后顺序，构造规则队列并执行的具体步骤如下：
步骤T1，构造一个空规则队列Q和一个包含用户定义的目标子图三元组(概念、关系、属性)的集合S。
步骤T2，从集合S中取出一个三元组t，获取该三元组t对应的映射/推理/推理计算规则r；
步骤T3，将规则r加入规则队列Q中，若r是关系三元组或属性三元组，则将头尾对应和描述的概念三元组加入集合S中。若规则r是推理/推理计算规则，则规则的所有前置三元组加入集合S中；
步骤T4，判断当前集合S是否为空，若非空则回到步骤T2，否则进入步骤T5；
步骤T5，将规则队列Q反转，其中重复的规则，只保留靠近队首的规则，将之后重复的相同规则去掉；
步骤T6，将规则队列Q中的所有映射规则取出，作为映射规则集合，输入到映射规则引擎，将融合后的实例三元组存储于数据库中。
步骤T7，将规则队列Q中剩余的推理/推理计算规则队列，按序输入到推理/推理计算规则引擎逐一执行，将融合后的实例三元组存储于数据库中，形成企业物流实例图谱。
进一步地，步骤S6中，所述用户访问融合后的企业物流实例图谱包括：
步骤S5生成的企业物流实例图谱包含了步骤S4中用户创建数据融合任务划定企业物流概念图谱子图对应的概念、关系、属性三元组的全部实例。每个概念实例对应的是特定时间内企业物流过程中某个物流任务的具体环节，某个具体的物料，某件具体的运输设备，或某个具体的事件。关系实例则表示所述概念实例涉及的具体企业物流过程中物流环节、物料、设备、事件之间存在的或者发生过的具体关系。属性实例则是对所述概念实例涉及的具体企业物流过程中物流环节、物料、设备、事件的具体状态描述。并且这些实例具有统一的三元组结构，存储于数据库中，用户可直接利用结构化查询命令查询企业物流实例图谱获取所需的各种信息。可选地，也可利用自然语言处理技术将用户自然语言形式的查询请求转换为结构化查询命令，再查询企业物流实例图谱访问融合后的数据。
与现有技术相比，本发明具有如下的有益效果：
1、本发明提出的基于混合规则的企业物流数据按需融合方法，混合使用映射/推理/推理计算规则。定义企业物流概念图谱，再为概念图谱中指定相应的规则，即支持简单的映射，也支持复杂的推理和计算，能够全面地刻画具体物流运输过程中各个环节、物料、设备、事件的中间状态和间接信息。同时，在物流过程和数据存储改变时，仅需要修改对应的物流概念图谱元素和规则，具有相当的灵活性。
2、本发明以企业物流概念图谱抽象地表示企业物流过程涉及的概念、关系、属性，再以企业物流实例图谱具体地反映企业物流中每次物流过程的每个环节、每件物料、每个设备、每个事件等具体实例的相互关系和状态属性，并且企业物流概念图谱与企业物流实例图谱存在明确的对应关系。用户可根据分析的目标物流场景，按需划定概念图谱的目标子图进行数实例化，以实现对指定企业物流过程的数据融合。在这种方式下，数据融合的运算开销/存储开销较小，可提高数据融合效率。
附图说明
图1示出了本发明的基于混合规则的企业物流数据按需融合方法的流程图。
图2示出了本发明中步骤S5中构造规则队列以及执行的流程图。
图3示出了本发明实施例提供的企业物流概念图谱示意图。
图4示出了本发明实施例提供的三元组和混合规则之间的输入输出关系示意图。
图5示出了本发明实施例提供的数据融合后生成的企业物流实例图谱示意图。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将以具体实施例进行详细阐述。
企业物流数据融合的目的是充分利用企业物流系统中分散存储的结构化数据，完整地刻画企业生产物料流转过程及各种细节，提供一个全局统一视角，并以此进行数据分析和决策。
为了完整地刻画企业物流过程，首先需明确企业物流过程涉及的各个环节、设备、物料、事件等基本概念，并利用关系表示概念之间的联系，利用属性表述每个概念具有的基本信息。在本发明中利用企业物流概念图谱，形式化地刻画企业物流过程，使数据融合方法 能够针对所刻画的企业物流过程，还原企业物流过程中每个物流任务的具体细节。
本实施例里提供的一种基于混合规则的企业物流数据数据按需融合方法，可以包括：
步骤S1，收集企业物流系统中需要融合的结构化数据源。
其中，结构化数据源即是数据融合的原始材料，数据融合方法需保证能够成功地访问到数据源。所以收集的数据源信息包括但不限于数据库系统访问地址A、数据库系统用户名U、数据库系统密码P、数据库名D等。
数据源包含的数据语义是企业物流概念图谱构造和规则设计的基本要素，所以收集的结构化数据源信息，还包括但不限于数据库中的数据表名T、数据字段名d及其数据字段的业务语义描述m和数据类型p、主外键关系k等。
为方便理解，下面通过表1、表2进行说明，假设从企业物流系统中收集的数据源包括以下的表1、表2。
表1、自动运载车运输任务表
任务ID 运输车ID
0001 200
0002 201
… …
表2、自动运载车轨迹记录点表
记录ID 任务ID 坐标x 到达时刻t
10001 0001 坐标1 时刻1
10002 0002 坐标2 时刻2
10003 0002 坐标3 时刻3
10004 0001 坐标4 时刻4
… … 坐标i 时间i
数据表名和字段名如表中所示。表1是记录企业物流自动运载车的运输任务，表2是记录运载车在具体运输任务中的行驶轨迹，一个运输任务的行驶轨迹包含多个轨迹点。其中表1中与表2中的任务ID是主外键关系，表2中时刻1至时刻4依次递增。
步骤S2，根据企业物流过程定义企业物流概念图谱。
企业物流概念图谱是用于表示企业物流过程的形式化描述，由概念、关系、属性三种元素组成。为了使三种元素形成图谱结构，将概念、关系、属性元素，形式化地定义成三元组的形式：概念三元组的格式为<概念名，`is`,`概念`>，概念关系三元组的格式为<概念名，关系名，概念名>，概念属性三元组的格式为<概念名，属性名，属性类型>。
具体地，上述表1、表2中反映的企业物流过程是自动运载车在运输任务的行驶过程，包括行驶的轨迹及到达各点时间等信息。该企业物流过程涉及的概念包括：运输任务、轨迹点、由轨迹点顺次链接形成的轨道段等。概念之间的关系包括：运输任务与轨道点的包含关系，轨迹段与轨迹点的起点与终点关系。概念的属性包括：运输任务的运输车ID，轨迹点的位置坐标，轨道点的到达时刻，轨迹段的行驶距离。本实施例依据上述分析的企业物流过程构建企业物流概念图谱，如图3所示，构成图谱的三元组如表3所示。
表3、企业物流概念图谱包含三元组及其对应的企业物流语义
Figure BDA0003046941780000071
步骤S3,为企业物流概念图谱定义用于数据融合的混合规则集合。
本实施例中为企业物流概念图谱中的概念、关系、属性三元组定义用于数据融合的规则。规则执行后的目标输出是概念、关系、属性三元组对应的实例。概念三元组的实例格式为<实例标识,`is`,概念名>，关系三元组的实例格式为<实例标识，关系名，实例标识>，属性三元组的实例格式为<实例标识，属性名，属性值>。
根据三元组实例化所需条件的不同，分别制定映射/推理/推理计算规则。映射规则是直接根据结构化数据来实例化三元组。推理规则是根据其他三元组的实例结果，利用推理的方式实例化三元组。推理计算规则是用于属性三元组的实例属性值需要进一步计算的情况下的实例化。
概念三元组的映射规则内容包括：概念关联的数据表、数据记录匹配条件、概念实例构造规则。映射规则的执行过程为：数据记录匹配条件会指明数据源中的物流指令表、物料表或事件表等数据表中数据记录与目标概念实例的对应关系和匹配触发条件，每匹配到一条记录，根据概念实例构造规则，创建一个概念实例。上述示例企业物流概念图谱中，可由映射规则实例化的概念三元组包括：t1:<运输任务，`is`,`概念`>，t2:<轨迹点，`is`,`概念`>。概念三元组t1:<运输任务，`is`,`概念`>的映射规则为r1，其中概念关联的数据表是表1，数据记录匹配条件是主键不重复的任意记录，概念实例构造规则是以字段任务ID为实例标识，构造概念实例三元组。具体的实例结果包括<运输任务0001,`is`,运输任务>。概念三元组t2:<运输任务，`is`,`概念`>的映射规则为r2，其中概念关联的数据表是表2，数据记录匹配条件是主键不重复的任意记录，概念实例构造规则是以字段记录ID的值作为实例标识。具体的实例结果包括<`轨迹点10001`,`is`,轨迹点>，<`轨迹点10002`,`is`,轨迹点>等。
概念三元组的推理规则内容包括：前置三元组，推理子图，概念实例构造规则。推理规则的执行过程为：在保证前置三元组已经实例化的前提下，根据待匹配的模式子图与由前置三元组实例化得到的实例图谱进行匹配，每匹配到一个子图，就触发一次概念实例构造规则，新建一个概念实例。上述示例业务概念图谱中，由推理规则实例化的概念三元组包括：t3:<轨迹段，`is`,`概念`>。概念三元组t3:<轨迹段，`is`,`概念`>的推理规则为r3，其前置三元组是t4:<运输任务，包含，轨迹点>、t9:<轨迹点，到达时刻，时刻>，推理子图的语义是每个不是运输任务出发点的轨迹点(运输任务出发点是该运输任务所有轨迹点中到达时刻最早的轨迹点)都可作为一个轨迹段的终点，每个轨迹段的终点对应一个轨迹段。概念实例构造规则是以轨迹段终点的轨道点的记ID作为实例标识，构造概念实例三元组。具体的实例结包括<轨迹段10003,`is`,轨迹段>，<轨迹段10004,`is`,轨迹段>。
关系三元组的映射规则内容包括：关系关联的数据表、数据记录关联匹配条件、关系实例构造规则。映射规则的执行过程为：数据记录关联匹配条件会指明数据源中物流指令表、物料表或事件表等数据表中表示目标关系的关联字段和匹配触发条件，每匹配到一对关联记录，就触发一次关系实例构造规则，以关联记录对应两个概念实例为头尾建立关系实例。上述示例企业物流概念图谱中，由映射规则实例化的关系三元组包括：t4:<运输任务，包含，轨迹点>。关系三元组t4:<运输任务，包含，轨迹点>的映射规则为r4，其中关系关联的数据表是表1、表2，数据记录关联匹配条件是表1与表2中任务ID字段值相同的两条记录建立目标关系，关系实例构造规则是运输任务概念实例与轨迹点实例之间，建立关系实例三元组。具体的实例结果包括：<运输任务0001，包含，轨迹点10001>，<运输任务0001，包含，轨迹点10004>等。
关系三元组的推理规则内容包括：前置三元组，推理子图，关系实例构造规则。推理规则的执行过程为：数据记录关联匹配条件会指明数据源中物流指令表、物料表或事件表等数据表中表示目标关系的关联字段和匹配触发条件，每匹配到一对关联记录，就触发一次关系实例构造规则，以关联记录对应两个概念实例为头尾建立关系实例。上述示例企业物流概念图谱中，由推理规则实例化的关系三元组包括：t5:<轨迹段，终点，轨迹点>，t6:<轨迹段，起点，轨迹点>。关系三元组t6:<轨迹段，终点，轨迹点>的推理规则为r6，其前置三元组为t4:<运输任务，包含，轨迹点>、t9:<轨迹点，到达时刻，时刻>，其推理子图的语义是每个不是运输任务出发点的轨迹点都可作为一个轨迹段的终点。具体的实例结果包括：<轨迹段10003，终点，轨迹点10003>，<轨迹段10004，终点，轨迹点10004>。另一个关系三元组t5:<轨迹段，起点，轨迹点>的推理规则为r5，其前置三元组为t6:<轨迹段，终点，轨迹点>，其推理子图的语义是在同一运输任务下，所有轨迹点中与轨迹段终点时间最近的轨迹点是轨迹段的起点。具体的实例结果包括：<轨迹段10003，起点，轨迹点10002>，<轨迹段10004，起点，轨迹点10001>。
属性三元组的映射规则内容包括：属性关联的数据表、数据记录属性匹配条件、属性实例构造规则。映射规则的执行过程为：数据记录属性匹配条件会指明物流指令表、物料表等数据表中包含目标属性值的具体字段和匹配触发条件，每匹配到一条对应记录，就触发一次属性实例构造规则，根据指定字段的属性值，建立描述对应概念的属性实例。上述示例业务概念图谱中，由映射规则实例化的属性三元组包括：t7:<运输任务，运输车ID，整数>，t8:<轨迹点，位置坐标，坐标>，t9:<轨迹点，到达时刻，时刻>。属性三元组t7:<运输任务，运输车ID，整数>的映射规则为r7，其中属性关联的数据表是表1，数据记录属性匹配条件是所有记录的运载车ID字段，属性实例构造规则是以表1字段任务ID为实例标识，字段运载车ID的值为属性值，构造属性名为运载车ID的属性实例三元组。具体的实例结果包括：<运输任务0001，运输车ID，200>等。其他两个属性三元组t8和t9也为其定义类似的属性规则r和r9进行映射实例化。具体的实例结果包括：<轨迹点10001，位置坐标，坐标1>，<轨迹点10001，到达时刻，时刻1>等。
属性三元组的推理规则内容包括：前置三元组，推理子图，属性实例构造规则。推理规则的执行过程为：在保证前置三元组已经数据融合，将形成的企业物流实例图谱与推理子图匹配，每匹配到一个子图，就触发一次属性实例构造规则，新构造的属性实例的属性值等于子图中指定的其他属性实例的属性值。上述示例中没有直接依靠推理规则的属性三元组。
属性三元组的推理计算规则内容包括：前置三元组，推理子图，属性实例构造规则。推理规则的执行过程为：在保证前置三元组已经数据融合，将形成的企业物流实例图谱与推理子图匹配，每匹配到一个子图，就触发一次属性实例构造规则，将子图中指定的多个其他属性实例的属性值输入到计算函数中，可选的计算函数可以是计算公式或机器学习模型等，将计算结果作为属性值，创建一个属性实例。上述示例业务概念图谱中，由推理规则实例化的属性三元组包括：t10:<轨迹段，行驶距离，浮点数>。属性三元组t10:<轨迹段，行驶距离，浮点数>的推理计算规则为r10，其前置三元组包括t5:<轨迹段，起点，轨迹点>、t6:<轨迹段，终点，轨迹点>、t8:<轨迹点，位置坐标，坐标>，推理子图的语义是找到轨迹段的起点坐标和终点坐标，用于计算轨迹段距离，其计算函数的运算过程是计算轨迹段起点坐标和终点坐标之间的曼哈顿距离。具体的实例结果包括：<轨迹段10003，行驶距离，距离1>，<轨迹段10004，行驶距离，距离2>，其中距离1是坐标1和坐标4之间的距离，距离2是坐标2和坐标3之间的距离。
步骤S4,用户按需创建数据融合任务。
用户根据待分析的业务场景，自定义地从业务概念图谱中划分目标子图，即选择融合该业务场景下涉及哪些概念、关系和属性。同时可根据分析需求，可指定融合的数据范围。
本实施例中，假设用户分析目标场景是企业物流运输任务中各轨迹段的行驶距离。用户选择数据融合的目标子图包括三元组t10:<轨迹段，行驶距离，浮点数>。假设用户指定的融合数据范围为所有运输车ID为200的运输任务。
步骤S5，根据数据融合任务，构造规则队列并执行。
关系和属性三元组映射规则的执行需保证其依赖的概念三元组的映射规则同步执行，推理规则的执行需保证其前置三元组对应的映射规则或推理规则已经被执行。换而言之，这些三元组的规则执行需以其他三元组的实例为输入。因此，可以根据三元组与规则之间的输入输出关系构造有向图，分析规则执行的前后关系，构建规则队列并执行。本实施例中，根据上述示例中概念、关系、属性三元组与混合规则之间的输入输出关系构造的有向图，如图4所示。其中映射规则r1的输出箭头指向三元组t1，表示映射规则r1用以实例化三 元组t1，即映射规则r1的输出是三元组t1的实例。三元组t1的依赖箭头指向映射规则r7和 r4，表示三元组t1的实例是映射规则r7和r4的依赖，三元组t1的实例可被视为映射规则r7 和r4的输入。其他的三元组与规则之间的箭头关系与之类似。其中比较特殊的是规则r3, r5，用于实例三元组t3:<轨迹段，`is`,`概念`>和t5:<轨迹段，起点，轨迹点>。由于这两个 推理规则的前置三元组均是三元组t4和t9，并且推理子图也是相同的，因此将二者合并由 同一个推理规则r5,r3实现三元组t5和t3的实例化。
通过分析如图4所示的有向图，构造规则队列并执行的具体步骤如下：
步骤T1，构造一个空规则队列Q和一个包含用户定义目标子图的三元组的集合S。
步骤T2，从集合S中取出一个三元组t，获取三元组t对应的的映射/推理/推理计算规则r；
步骤T3，将规则r加入规则队列Q中，若规则r是关系和属性映射规则，则将依赖的概念三元组加入集合S中，若规则r是推理/推理计算规则，则将前置三元组加入集合S中；
步骤T4，判断当前集合S是否为空，若非空则回到步骤T2，否则进入步骤T5；
步骤T5，将规则队列Q反转，其中重复的规则，只保留靠近队首的规则，将之后重复的相同规则去掉；
步骤T6，将规则队列Q中的所有映射规则取出，作为映射规则集合，输入到映射规则引擎，将融合后的实例三元组存储于数据库中。
步骤T7，将规则队列Q中剩余的推理/推理计算规则队列，按序输入到推理/推理计算规则引擎逐一执行，将融合后的实例三元组存储于数据库中，形成企业物流实例图谱。
本实施例中，根据上述示例企业物流概念图谱和混合规则，以及用户定义的目标子图和数据范围，数据融合形成的企业物流实例图谱如图5所示。图中包含用户定义目标三元组<轨迹段,行驶距离,浮点数>的实例结果<轨迹段10001,行驶距离,距离1>。图中还包含一些与之相关的概念三元组实例，如<轨迹段10001,is,轨迹段>，<轨迹点10001,is,轨迹点>等，关系三元组实例，如<轨迹段10001,起点,轨迹点10001>,<轨迹段10001,终点,轨迹段10004>等，属性三元组实例，如<运输任务0001,运输车ID,200>等，符合用户划定的数据融合范围。该图谱完整地刻画了用户待分析的业务场景，即运输车ID为200的运输任务的轨迹段的行驶距离，以及必要且相关中间状态和间接信息。
步骤S6，用户访问融合后的业务实例图谱包括：
用户可直接利用结构化查询命令查询实例图谱访问融合后的数据。可选地，可利用自然语言处理等技术将用户自然语言形式的查询请求转换为结构化查询命令，再查询实例图谱访问融合后的数据。
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。

Claims (6)

1.一种基于混合规则的企业物流数据按需融合方法，其特征在于，包括以下步骤：
步骤S1，收集企业物流系统中需要融合的结构化数据源，提供给S5；
步骤S2，根据企业物流过程定义企业物流概念图谱，提供给S3；
步骤S3，为企业物流概念图谱定义用于数据融合的混合规则集合，提供给S5；
所述步骤S3中为企业物流概念图谱定义用于数据融合的混合规则集合，具体包括：
对于企业物流概念图谱中的每个概念、关系、属性三元组定义用于数据融合的实例化规则，规则的类型又包括映射规则、推理规则、推理计算规则，这些三元组对应的不同类型规则汇聚形成混合规则集合；
为概念三元组定义实例化规则；若概念的实例在数据源中存在明确匹配的记录，则为其定义映射规则；概念映射规则的内容包括：概念关联的数据表、数据记录匹配条件、概念实例构造规则；规则执行过程为：数据记录匹配条件会指明数据源中的物流指令表、物料表或事件表等数据表中数据记录与目标概念实例的对应关系和匹配触发条件，每匹配到一条记录，根据概念实例构造规则，创建一个概念实例；若概念的实例不存在明确匹配的记录，但根据由其他概念、关系及属性数据融合后形成的企业物流实例图谱，通过子图匹配和属性约束的方式，进一步推理得到，则为其定义推理规则；概念推理规则的内容包括：前置三元组，推理子图，概念实例构造规则；规则执行过程为：在保证前置三元组已经数据融合，将所形成的企业物流实例图谱与推理子图进行匹配，每匹配到一个子图，就触发一次概念实例构造规则，创建一个物流概念实例；概念映射规则与概念推理规则创建的概念实例形式均为<实例标识,`is`,概念名>；
为关系三元组定义实例化规则；若概念之间的关系在数据源中存在明确的数据记录，则为其定义映射规则；关系映射规则的内容包括：关系关联的数据表、数据记录关联匹配条件、关系实例构造规则；规则执行过程为：数据记录关联匹配条件会指明数据源中物流指令表、物料表或事件表这些数据表中表示目标关系的关联字段和匹配触发条件，每匹配到一对关联记录，就触发一次关系实例构造规则，以关联记录对应两个概念实例为头尾建立关系实例；若关系的实例不存在明确匹配的记录，但根据由其他概念、关系及属性数据融合后形成的企业物流实例图谱，通过子图匹配和属性约束的方式，进一步推理得到，则为其定义推理规则；关系推理规则的内容包括：前置三元组，推理子图，关系实例构造规则；规则执行过程为：在保证前置三元组已经数据融合，将所形成的企业物流实例图谱与推理子图匹配，每匹配到一个子图，就触发一次关系实例构造规则，以子图中指定两个概念实例为头尾建立关系实例；所述两种规则创建的关系实例形式均为<实例标识,关系名,实例标识>；
为属性三元组定义实例化规则；若属性实例的属性值在数据源中存在明确的数据记录，则为其定义映射规则；属性映射规则内容包括：属性关联的数据表、数据记录属性匹配条件、属性实例构造规则；规则执行过程为：数据记录属性匹配条件会指明物流指令表、物料表这些数据表中包含目标属性值的具体字段和匹配触发条件，每匹配到一条对应记录，就触发一次属性实例构造规则，根据指定字段的属性值，建立描述对应概念的属性实例；若属性的实例不存在明确的数据记录，但属性值与企业物流实例图谱中其他属性实例的属性值相，通过子图匹配和属性约束的方式，进一步推理找到相等的目标属性值，则为其定义推理规则；属性推理规则内容包括：前置三元组，推理子图，属性实例构造规则；规则执行过程为：在保证前置三元组已经数据融合，将形成的企业物流实例图谱与推理子图匹配，每匹配到一个子图，就触发一次属性实例构造规则，新构造的属性实例的属性值等于子图中指定的其他属性实例的属性值；若属性的实例即不存在明确的数据记录，但根据企业物流实例图谱中多个其他属性实例的属性值进一步计算得到，则为其定义推理计算规则；属性推理计算规则包括：前置三元组，推理子图，属性值计算函数，属性实例构造规则；规则执行过程为：在保证前置三元组已经数据融合，将形成的企业物流实例图谱与推理子图匹配，每匹配到一个子图，就触发一次属性实例构造规则，将子图中指定的多个其他属性实例的属性值输入到计算函数中，将计算结果作为属性值，创建一个属性实例；属性映射规则、概念映射规则与概念推理规则创建的属性实例形式均为<实例标识，属性名，属性值>；
步骤S4，用户按需创建企业物流数据融合任务，提供给S5；
步骤S5，根据用户创建的企业物流数据融合任务，以及步骤S3定义的混合规则集合，构造规则队列，依托步骤S1中收集的结构化数据源，生成企业物流实例图谱，提供给S6；
所述步骤S5中根据用户创建的物流数据融合任务，以及步骤S3定义的混合规则集合，构造规则队列，依托步骤S1中收集的结构化数据源，生成企业物流实例图谱，具体包括：
关系和属性三元组的映射规则在执行时需要保证其依赖的概念三元组的映射规则同时执行；推理/推理计算规则在执行时需要保证其前置三元组对应的映射规则或推理规则已经被执行；
执行规则具有先后顺序，构造规则队列并执行的具体步骤如下：
步骤T1，构造一个空规则队列Q和一个包含用户定义的目标子图三元组(概念、关系、属性)的集合S；
步骤T2，从集合S中取出一个三元组t，获取该三元组t对应的映射/推理/推理计算规则r；
步骤T3，将规则r加入规则队列Q中，若r是关系三元组或属性三元组，则将头尾对应和描述的概念三元组加入集合S中；若规则r是推理/推理计算规则，则规则的所有前置三元组加入集合S中；
步骤T4，判断当前集合S是否为空，若非空则回到步骤T2，否则进入步骤T5；
步骤T5，将规则队列Q反转，其中重复的规则，只保留靠近队首的规则，将之后重复的相同规则去掉；
步骤T6，将规则队列Q中的所有映射规则取出，作为映射规则集合，输入到映射规则引擎，将融合后的实例三元组存储于数据库中；
步骤T7，将规则队列Q中剩余的推理/推理计算规则队列，按序输入到推理/推理计算规则引擎逐一执行，将融合后的实例三元组存储于数据库中，形成企业物流实例图谱；
步骤S6，用户访问步骤S5生成的企业物流实例图谱。
2.如权利要求1所述的基于混合规则的企业物流数据按需融合方法，其特征在于，步骤S1中所述收集企业物流系统中需要融合的结构化数据源，具体包括：
收集结构化数据资源的数据库系统访问地址A、数据库系统用户名U、数据库系统密码P、数据库名D、数据库中的数据表、数据字段及其语义、数据类型、主外键关系信息。
3.如权利要求1所述的基于混合规则的企业物流数据按需融合方法，其特征在于，步骤S2中根据企业物流过程定义物流过程概念图谱，其中“定义”包括：
企业物流概念图谱是用于表述企业物流过程的形式化说明，由概念、关系、属性三种元素组成；
概念是用于表示物流过程中的一类环节、设备、物料、事件，为其拟定的概念名，在企业物流概念图谱中表示为<概念名，`is`,`概念`>三元组；
关系是用于表示所述概念与概念之间存在的业务关系，包括环节与设备之间的载运关系、仓库与物料之间的存储关系，为其拟定具体的关系名，在企业物流概念图谱中表示为<概念名，关系名,概念名>三元组；
属性是用于表示所述概念具有的特定属性，包括物料的重量数量、运输任务的开始结束时间等，为其拟定属性名和属性值类型，在企业物流概念图谱中表示为<概念名，属性名,属性类型>三元组；
其中“过程”包括：
分析企业物流过程中的各个环节，每个环节装卸运输的物料和运输设备，以及每个环节存在的状态及可能发生的事件，总结归纳其中涉及的概念，这些概念需要在步骤S1收集的结构化数据源中有对应数据记录或可由数据进一步计算推理得到，则在概念图谱中定义该概念；在此基础上，围绕已定义的概念，通过定义关系和属性描述物流过程各环节、设备、物料、事件概念的业务关系和状态属性，定义的关系和属性也需要有对应数据记录或可由数据进一步计算推理得到。
4.如权利要求1所述的基于混合规则的企业物流数据按需融合方法，其特征在于，
步骤S4中用户按需创建物流数据融合任务包括：
用户根据需求分析的企业物流目标场景，自定义地从企业物流概念图谱中划定目标子图，即选择融合该场景下涉及哪些概念、关系和属性三元组；同时可根据分析需求，指定融合的结构化数据范围。
5.如权利要求1所述的基于混合规则的企业物流数据按需融合方法，其特征在于，因此，执行规则具有先后顺序，构造规则队列并执行的具体步骤如下：
步骤T1，构造一个空规则队列Q和一个包含用户定义的目标子图三元组(概念、关系、属性)的集合S；
步骤T2，从集合S中取出一个三元组t，获取该三元组t对应的映射/推理/推理计算规则r；
步骤T3，将规则r加入规则队列Q中，若r是关系三元组或属性三元组，则将头尾对应和描述的概念三元组加入集合S中；若规则r是推理/推理计算规则，则规则的所有前置三元组加入集合S中；
步骤T4，判断当前集合S是否为空，若非空则回到步骤T2，否则进入步骤T5；
步骤T5，将规则队列Q反转，其中重复的规则，只保留靠近队首的规则，将之后重复的相同规则去掉；
步骤T6，将规则队列Q中的所有映射规则取出，作为映射规则集合，输入到映射规则引擎，将融合后的实例三元组存储于数据库中；
步骤T7，将规则队列Q中剩余的推理/推理计算规则队列，按序输入到推理/推理计算规则引擎逐一执行，将融合后的实例三元组存储于数据库中，形成企业物流实例图谱。
6.如权利要求1所述的基于混合规则的企业物流数据按需融合方法，其特征在于，进一步地，步骤S6中用户访问融合后的企业物流实例图谱包括：
步骤S5生成的企业物流实例图谱包含了步骤S4中用户创建数据融合任务划定企业物流概念图谱子图对应的概念、关系、属性三元组的全部实例；每个概念实例对应的是特定时间内企业物流过程中某个物流任务的具体环节，某个具体的物料，某件具体的运输设备，或某个具体的事件；关系实例则表示所述概念实例涉及的具体企业物流过程中物流环节、物料、设备、事件之间存在的或者发生过的具体关系；属性实例则是对所述概念实例涉及的具体企业物流过程中物流环节、物料、设备、事件的具体状态描述；这些实例为统一的三元组结构，存储于数据库中，用户利用结构化查询命令查询企业物流实例图谱获取所需的各种信息。
CN202110489086.9A 2021-04-29 2021-04-29 一种基于混合规则的企业物流数据按需融合方法 Active CN113139022B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110489086.9A CN113139022B (zh) 2021-04-29 2021-04-29 一种基于混合规则的企业物流数据按需融合方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110489086.9A CN113139022B (zh) 2021-04-29 2021-04-29 一种基于混合规则的企业物流数据按需融合方法

Publications (2)

Publication Number Publication Date
CN113139022A CN113139022A (zh) 2021-07-20
CN113139022B true CN113139022B (zh) 2022-09-13

Family

ID=76817801

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110489086.9A Active CN113139022B (zh) 2021-04-29 2021-04-29 一种基于混合规则的企业物流数据按需融合方法

Country Status (1)

Country Link
CN (1) CN113139022B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114625811B (zh) * 2022-05-16 2022-08-23 支付宝(杭州)信息技术有限公司 一种提高子图匹配效率的方法和系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109284394A (zh) * 2018-09-12 2019-01-29 青岛大学 一种从多源数据集成视角构建企业知识图谱的方法
CN110008355A (zh) * 2019-04-11 2019-07-12 华北科技学院 基于知识图谱的灾害场景信息融合方法及装置
CN110674311A (zh) * 2019-09-05 2020-01-10 国家电网有限公司 一种基于知识图谱的电力资产异构数据融合方法
CN111428053A (zh) * 2020-03-30 2020-07-17 西安交通大学 一种面向税务领域知识图谱的构建方法
CN112000725A (zh) * 2020-08-28 2020-11-27 哈尔滨工业大学 一种面向多源异构资源的本体融合前处理方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102722803B (zh) * 2012-05-28 2016-06-22 天津大学 基于本体和规则的物流运输预警方法
CN108446368A (zh) * 2018-03-15 2018-08-24 湖南工业大学 一种包装产业大数据知识图谱的构建方法及设备
CN111370127B (zh) * 2020-01-14 2022-06-10 之江实验室 一种基于知识图谱的跨科室慢性肾病早期诊断决策支持系统
CN111339313A (zh) * 2020-02-18 2020-06-26 北京航空航天大学 一种基于多模态融合的知识库构建方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109284394A (zh) * 2018-09-12 2019-01-29 青岛大学 一种从多源数据集成视角构建企业知识图谱的方法
CN110008355A (zh) * 2019-04-11 2019-07-12 华北科技学院 基于知识图谱的灾害场景信息融合方法及装置
CN110674311A (zh) * 2019-09-05 2020-01-10 国家电网有限公司 一种基于知识图谱的电力资产异构数据融合方法
CN111428053A (zh) * 2020-03-30 2020-07-17 西安交通大学 一种面向税务领域知识图谱的构建方法
CN112000725A (zh) * 2020-08-28 2020-11-27 哈尔滨工业大学 一种面向多源异构资源的本体融合前处理方法

Also Published As

Publication number Publication date
CN113139022A (zh) 2021-07-20

Similar Documents

Publication Publication Date Title
EP3475884B1 (en) System and method for automated mapping of data types for use with dataflow environments
US11003676B2 (en) Software integration object linking data structures
JP6345873B2 (ja) 高速電車の需要メタモデルの構築方法及び装置
US11880740B2 (en) Facilitating machine learning configuration
JP6546653B2 (ja) マッピングルールの作成方法及び装置
US11521080B2 (en) Declarative rule-based decision support system
CN115099722B (zh) 基于知识化谱系的国土空间规划指标模型管理与应用方法
CN104778077A (zh) 基于随机和连续磁盘访问的高速核外图处理方法及系统
Czerepicki Application of graph databases for transport purposes
CN111752945A (zh) 一种基于容器和层次模型的时序数据库数据交互方法和系统
Daoud et al. Automatic microservices identification from a set of business processes
CN113139022B (zh) 一种基于混合规则的企业物流数据按需融合方法
Anicic Event processing and stream reasoning with ETALIS
Lu et al. A knowledge-based temporal planning approach for urban traffic control
CN111241675A (zh) 基于数据驱动的复杂产品协同设计管理方法和系统
Bellini et al. Graph databases methodology and tool supporting index/store versioning
Dombrowski et al. Knowledge graphs for an automated information provision in the factory planning
Adiga et al. Object-oriented software modeling of a flexible manufacturing system
WO2022253165A1 (zh) 调度方法、系统、服务器和计算机可读存储介质
CN115934106A (zh) 快速检测apt仓库源依赖完整性的方法
CN114637734A (zh) 数据血缘管理方法、装置、电子设备和存储介质
CN110162531B (zh) 一种分布式并发数据处理任务决策方法
Gómez-López et al. Run-time auditing for business processes data using constraints
Mestre Leveraging the entity matching performance through adaptive indexing and efficient parallelization
Komma et al. Ontology development and agent communication in agent-based simulation of AGVS

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