CN113256021A - 基于集成学习的产品质量报警方法、装置 - Google Patents
基于集成学习的产品质量报警方法、装置 Download PDFInfo
- Publication number
- CN113256021A CN113256021A CN202110663736.7A CN202110663736A CN113256021A CN 113256021 A CN113256021 A CN 113256021A CN 202110663736 A CN202110663736 A CN 202110663736A CN 113256021 A CN113256021 A CN 113256021A
- Authority
- CN
- China
- Prior art keywords
- product quality
- initial
- sample data
- target
- data set
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000013475 authorization Methods 0.000 claims abstract description 33
- 238000011156 evaluation Methods 0.000 claims abstract description 13
- 239000000126 substance Substances 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims description 24
- 230000010354 integration Effects 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 9
- 230000004044 response Effects 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 7
- 238000001514 detection method Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 2
- 230000009467 reduction Effects 0.000 claims description 2
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 238000012216 screening Methods 0.000 claims 2
- 238000003908 quality control method Methods 0.000 abstract description 18
- 235000019504 cigarettes Nutrition 0.000 description 34
- 239000003795 chemical substances by application Substances 0.000 description 10
- 238000010586 diagram Methods 0.000 description 10
- 238000003860 storage Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 238000007636 ensemble learning method Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 4
- 241000208125 Nicotiana Species 0.000 description 3
- 235000002637 Nicotiana tabacum Nutrition 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000001953 sensory effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 239000000796 flavoring agent Substances 0.000 description 2
- 235000019634 flavors Nutrition 0.000 description 2
- 230000010365 information processing Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- SNICXCGAKADSCV-JTQLQIEISA-N (-)-Nicotine Chemical compound CN1CCC[C@H]1C1=CC=CN=C1 SNICXCGAKADSCV-JTQLQIEISA-N 0.000 description 1
- 206010013911 Dysgeusia Diseases 0.000 description 1
- 241000196324 Embryophyta Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000003205 fragrance Substances 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007794 irritation Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229960002715 nicotine Drugs 0.000 description 1
- SNICXCGAKADSCV-UHFFFAOYSA-N nicotine Natural products CN1CCCC1C1=CC=CN=C1 SNICXCGAKADSCV-UHFFFAOYSA-N 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000001303 quality assessment method Methods 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 230000035909 sensory irritation Effects 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 230000000391 smoking effect Effects 0.000 description 1
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
- G06Q10/04—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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- 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)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Manufacturing & Machinery (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开的实施例公开了基于集成学习的产品质量报警方法、装置。该方法的一具体实施方式包括:检测是否从目标终端设备接收到操作授权信号;响应于检测到操作授权信号,检测并获取初始产品质量样本数据集,其中,初始产品质量样本数据集包括初始产品理化指标数据集、初始产品气体排放指标数据集和初始产品评测结果数据集;生成目标产品质量样本数据集;将目标产品质量样本数据集输入预先确定的预测模型,以得到预测结果集合;将预测结果集合推送至目标终端设备,以控制目标终端设备进行报警相关操作。该实施方式利用预先确定的预测模型对获取到的初始产品质量样本数据集进行质量分析,能够提高质量预测结果准确度,提升产品质量控制水平。
Description
技术领域
本公开的实施例涉及计算机技术领域,具体涉及信息处理方法、装置。
背景技术
卷烟的内在质量,如感官质量等,与卷烟中的某些物理化学成分有着密切联系,这些物理化学成分一定程度上决定着卷烟的内在质量,如烟草中的烟碱与感官的刺激性、劲头特性相关。领域专家在进行感官评估时经常需要参考这些检测到的成分。烟叶包含众多的化学成分。吸烟过程中各化学成分相互作用,刺激人的味觉、嗅觉、触觉,都极其复杂。如何对烟叶化学成分、感官评价及烟气等进行分析,对降低企业的生产设计成本、提高产品质量和管理水平都有着重要意义。
然而,当在对卷烟内在质量进行品控时,经常会存在如下技术问题:
第一,影响卷烟质量的因素众多,种类众多,且具有维度高、噪声大、非线性以及可用的样本较少等特点。在样本数据少的情况下对卷烟内在质量进行控制,存在质量控制水平较低的问题,进而存在质量控制失效的风险,使得对低质量卷烟产品的报警出现误报的情况。
第二,卷烟质量品控的样本数据量较小,利用单一模型对于小样本数据进行学习的准确度较低,不能满足卷烟质量品控的要求,进而影响了对低质量卷烟报警的触发处理。
发明内容
本公开的内容部分用于以简要的形式介绍构思,这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征,也不旨在用于限制所要求的保护的技术方案的范围。
本公开的一些实施例提出了基于集成学习的产品质量报警方法、装置、终端设备,来解决以上背景技术部分提到的技术问题中的一项或多项。
第一方面,本公开的一些实施例提供了一种基于集成学习的产品质量报警方法,该方法包括:检测是否从目标终端设备接收到操作授权信号,其中,操作授权信号是用户对目标控件执行目标操作产生的信号;响应于检测到操作授权信号,检测并获取初始产品质量样本数据集,其中,初始产品质量样本数据集包括初始产品理化指标数据集、初始产品气体排放指标数据集和初始产品评测结果数据集;基于初始产品质量样本数据集,生成目标产品质量样本数据集;将目标产品质量样本数据集输入预先确定的预测模型,以得到预测结果集合,其中,预测结果集合包括质量预测值和概率值;将预测结果集合推送至目标终端设备,以控制目标终端设备进行报警相关操作。
第二方面,本公开的一些实施例提供了一种基于集成学习的产品质量报警装置,该装置包括:检测单元,被配置成检测是否从目标终端设备接收到操作授权信号,其中,操作授权信号是用户对目标控件执行目标操作产生的信号;获取单元,被配置成响应于检测到操作授权信号,获取初始产品质量样本数据集,其中,初始产品质量样本数据集包括初始产品理化指标数据集、初始产品气体排放指标数据集和初始产品评测结果数据集;第一生成单元,被配置成基于初始产品质量样本数据集,生成目标产品质量样本数据集;第二生成单元,被配置成将目标产品质量样本数据集输入预先确定的预测模型,以得到预测结果集合,其中,预测结果集合包括质量预测值和概率值;控制单元,被配置成将预测结果集合推送至目标终端设备,以控制目标终端设备进行报警相关操作。
本公开的上述各个实施例中具有如下有益效果:通过本公开的一些实施例的基于集成学习的产品质量报警方法能够利用预先确定的预测模型对获取到的初始产品质量样本数据集进行质量分析,能够提高质量预测结果准确度,提升产品质量控制水平。具体来说,发明人发现,造成目前卷烟质量品控准确度较低的原因在于:影响卷烟质量的因素众多,种类众多,且具有维度高、噪声大、非线性以及可用的样本较少等特点。在样本数据少的情况下对卷烟内在质量进行控制,存在质量控制水平较低的问题,进而存在质量控制失效的风险,使得对低质量卷烟产品的报警出现误报的情况。基于此,首先,本公开的一些实施例获取初始产品质量样本数据集。其中,初始产品质量样本数据集包括初始产品理化指标数据集、初始产品气体排放指标数据集和初始产品评测结果数据集。初始产品质量样本数据集是可以用于评估卷烟内在质量的样本数据集。其次,基于初始产品质量样本数据集,生成目标产品质量样本数据集。然后,将目标产品质量样本数据集输入预先确定的预测模型,以得到预测结果集合。其中,预测结果集合包括质量预测值和概率值。最后,将预测结果集合推送至目标终端设备,以控制目标终端设备进行报警相关操作。目标终端设备可以根据接收到的预测结果集合对低质量的卷烟产品进行报警处理。通过对初始产品质量样本数据集进行处理后得到目标产品质量样本数据集,能够解决原始数据中噪声多、维度高的问题。将目标产品质量样本数据集输入预先确定的预测模型,能够提高对非线性、小样本数据的预测准确度,从而解决质量控制失效的问题,提高对低质量卷烟产品的报警准确度。
附图说明
结合附图并参考以下具体实施方式,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中,相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的,原件和元素不一定按照比例绘制。
图1是本公开的一些实施例可以应用于其中的示例性系统的架构图;
图2是根据本公开的基于集成学习的产品质量报警方法的一些实施例的流程图;
图3是示例性的授权提示框;
图4是根据本公开的用于训练预测模型的训练步骤的一个实施例的流程图;
图5是根据本公开的基于集成学习的产品质量报警装置的一些实施例的流程图;
图6是适于用来实现本公开的一些实施例的终端设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例。相反,提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。
需要注意,本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
下面将参考附图并结合实施例来详细说明本公开。
图1示出了可以应用本公开的基于集成学习的产品质量报警方法的实施例的示例性系统架构100。
如图1所示,系统架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如信息处理应用、信息生成应用、数据分析应用等。
终端设备101、102、103可以是硬件,也可以是软件。当终端设备101、102、103为硬件时,可以是具有显示屏的各种终端设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时,可以安装在上述所列举的终端设备中。其可以实现成多个软件或软件模块(例如用来提供初始产品质量样本数据集输入等),也可以实现成单个软件或软件模块。在此不做具体限定。
服务器105可以是提供各种服务的服务器,例如对终端设备101、102、103输入的初始产品质量样本数据集进行存储的服务器等。服务器可以对接收到的供应厂质量数据集进行处理,并将处理结果(例如预测结果集合)反馈给终端设备。
需要说明的是,本公开实施例所提供的基于集成学习的产品质量报警方法可以由服务器105,也可以由终端设备执行。
需要指出的是,服务器105的本地也可以直接存储初始产品质量样本数据集,服务器105可以直接提取本地的初始产品质量样本数据集通过处理后得到预测结果集合,此时,示例性系统架构100可以不包括终端设备101、102、103和网络104。
还需要指出的是,终端设备101、102、103中也可以安装有产品质量报警应用,此时,处理方法也可以由终端设备101、102、103执行。此时,示例性系统架构100也可以不包括服务器105和网络104。
需要说明的是,服务器105可以是硬件,也可以是软件。当服务器105为硬件时,可以实现成多个服务器组成的分布式服务器集群,也可以实现成单个服务器。当服务器为软件时,可以实现成多个软件或软件模块(例如用来提供产品质量报警服务),也可以实现成单个软件或软件模块。在此不做具体限定。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
继续参考图2,示出了根据本公开的基于集成学习的产品质量报警方法的一些实施例的流程200。该基于集成学习的产品质量报警方法,包括以下步骤:
步骤201,检测是否从目标终端设备接收到操作授权信号。
在一些实施例中,基于集成学习的产品质量报警方法的执行主体(例如图1所示的服务器)检测是否从目标终端设备接收到操作授权信号。其中,操作授权信号是用户对目标控件执行目标操作产生的信号。上述目标终端设备可以是登录有上述用户对应账号的终端设备。上述终端设备可以是“手机”,也可以是“电脑”。上述目标控件可以包含于授权提示框中。上述授权提示框可以在目标终端设备显示。上述目标控件可以是“确认按钮”。
步骤202,响应于检测到操作授权信号,检测并获取初始产品质量样本数据集。
在一些实施例中,基于集成学习的产品质量报警方法的执行主体(例如图1所示的服务器)响应于检测到操作授权信号,检测并获取初始产品质量样本数据集。上述操作授权信号可以是上述初始产品质量样本数据集对应的用户,对目标控件执行目标操作产生的信号。上述目标控件可以包含于授权提示框中。上述授权提示框可以在目标终端设备显示。上述目标终端设备可以是登录有上述用户对应账号的终端设备。上述终端设备可以是“手机”,也可以是“电脑”。上述目标操作可以是“点击操作”,也可以是“滑动操作”。上述目标控件可以是“确认按钮”。
作为示例,上述授权提示框可以如图3所示。上述授权提示框可以包括:提示信息显示部分301和控件302。其中,上述提示信息显示部分301可以用于显示提示信息。上述提示信息可以是“是否允许获取初始产品质量样本数据集”。上述控件302可以是“确认按钮”,也可以是“取消按钮”。
具体的,初始产品质量样本数据集包括初始产品理化指标数据集、初始产品气体排放指标数据集和初始产品评测结果数据集。
步骤203,基于初始产品质量样本数据集,生成目标产品质量样本数据集。
在一些实施例中,上述执行主体基于初始产品质量样本数据集,生成目标产品质量样本数据集。
可选的,对初始产品质量样本数据集进行归一化处理,以得到过程产品质量样本数据集。具体的,归一化处理包括将初始产品质量样本数据集中的各个数值变为(0,1)之间的小数,以及将初始产品质量样本数据集中的有量纲表达式变为无量纲表达式。对过程产品质量样本数据集进行降维处理,以得到目标产品质量样本数据集。具体的,降维处理是将高维数据化为低维度数据的操作。目标产品质量样本数据集可以是低纬度的数据集。
步骤204,将目标产品质量样本数据集输入预先确定的预测模型,以得到预测结果集合。
在一些实施例中,上述执行主体将目标产品质量样本数据集输入预先确定的预测模型,以得到预测结果集合。
可选的,根据目标产品质量样本数据集,确定目标模型类型指标。具体的,可以用于评估香烟内在质量的指标可以包括但不限于以下之一:香型、香气质、劲头、燃烧性、刺激性。目标产品质量样本数据集中的目标产品质量样本数据可以表征不同的香烟内在质量。具体的,目标模型类型指标可以是香型指标,具体评估质量结果可以是清香为“1”、清偏中为“2”、中偏清为“3”、中间香0为“4”、中偏浓为“5”、浓偏中为“6”、浓香为“7”、特异香型为“8”。 目标模型类型指标可以是余味指标,具体评估质量结果可以是舒适为“5”、较舒适为“4”、尚舒适为“3”、欠舒适为“2”、差为“1”。可以对具体评估质量结果进行独热编码处理。
将目标产品质量样本数据集和目标模型类型指标输入预先确定的预测模型,生成预测结果集合。可选的,预先确定的预测模型包括第一数目个集成模块,第一数目个集成模块对应第一数目个模型类型指标。具体的,预先确定的预测模型可以是通过集成学习方法得到的预测模型。集成学习方法通过对同一目标产品质量样本数据集训练多个集成模块,将各个集成模块的输出结果进行组合,以用于对新的目标产品质量样本数据集进行分类或者预测,其准确度优于各个集成模块的分类或者预测准确度。
根据目标模型类型指标,从预先确定的预测模型中确定目标集成模块。具体的,利用与目标模型类型指标匹配的目标集成模块对目标产品质量样本数据集进行预测。将目标产品质量样本数据集输入目标集成模块,以得到预测结果集合。其中,预测结果集合包括质量预测值和概率值。具体的,概率值可以表征质量预测值的可靠性程度。概率值可以是目标集成模块的输出结果。概率值也可以是各个目标集成模块输出结果进行组合后得到的概率值。概率值可以是0.8,表征80%的可能性该输出的质量预测值是通过可靠的集成模块输出的。
步骤205,将预测结果集合推送至目标终端设备,以控制目标终端设备进行报警相关操作。
在一些实施例中,上述执行主体将预测结果集合推送至目标终端设备,以控制目标终端设备进行报警相关操作。其中,目标终端设备可以是与上述执行主体通信连接的设备,可以根据接收到的因素信息集合进行报警相关操作。具体的,目标终端设备可以是“手机”,也可以是“电脑”。目标终端设备可以展示出质量预测值,显示出初始产品质量样本数据集对应的香烟产品的质量。具体的,质量预测值可以是“5”,表征香烟的香型为中偏浓。响应于将报警阈值设置为“3”,目标终端会发出报警信号,提示香烟的香型超出了预定的质量控制阈值。
图2给出的一个实施例具有如下有益效果:检测是否从目标终端设备接收到操作授权信号;响应于检测到操作授权信号,检测并获取初始产品质量样本数据集,其中,初始产品质量样本数据集包括初始产品理化指标数据集、初始产品气体排放指标数据集和初始产品评测结果数据集;生成目标产品质量样本数据集;将目标产品质量样本数据集输入预先确定的预测模型,以得到预测结果集合;将预测结果集合推送至目标终端设备,以控制目标终端设备进行报警相关操作。该实施方式利用预先确定的预测模型对获取到的初始产品质量样本数据集进行质量分析,能够提高质量预测结果准确度,提升产品质量控制水平。
继续参考图4,示出了根据本公开的预先确定的预测模型的训练步骤的一个实施例的流程400。该训练步骤可以包括以下步骤:
步骤401,获取样本集。
在一些实施例中,该训练步骤的执行主体可以与基于集成学习的产品质量报警方法的执行主体(例如图1所示的终端设备)相同或者不同。如果相同,则该训练步骤的执行主体可以在训练得到预测模型后将训练好的预测模型的模型结构信息和模型参数的参数值存储在本地。如果不同,则该训练步骤的执行主体可以在训练得到预测模型后将训练好的预测模型的模型结构信息和模型参数的参数值发送给基于集成学习的产品质量报警方法的执行主体。
在一些实施例中,该训练步骤的执行主体可以本地或者远程地从与上述执行主体网络连接的其他终端设备获取样本集。其中,样本集中的样本包括样本产品质量样本数据集和对应于样本产品质量样本数据集的样本预测结果集合。样本集中的样本产品质量样本数据集包括第一数目个类型的样本产品质量样本数据,样本集包括第二数目个样本产品质量样本数据,第二数目个样本产品质量样本数据对应第二数目个样本预测结果集合。具体的,样本产品质量样本数据集中包括的第二数目个样本产品质量样本数据对应于第一数目个类型的样本产品质量样本数据。
步骤402,确定初始预测模型的模型结构以及初始化初始预测模型的模型参数。
在一些实施例中,该训练步骤的执行主体可以首先确定初始预测模型的模型结构。可选的,初始预测模型包括第一数目个集成模块。具体的,集成模块可以是回归树。第一数目个集成模块对应第一数目个模型类型指标。具体的,集成模块可以是回归树。回归树是一种分类与回归方法,由结点和有向边组成。结点有两种类型:内部结点和叶结点。内部结点表示一个特征或属性,叶结点表示一个类别或者某个值。回归树能够在给定输入随机变量的条件下输出随机变量的条件概率分布。可选的,初始预测模型包括第一数目个回归树。
然后,该训练步骤的执行主体可以初始化初始预测模型的模型参数。实践中,可以将初始预测模型的各个模型参数(例如,权值参数和偏置参数)用一些不同的小随机数进行初始化。“小随机数”用来保证模型不会因权值过大而进入饱和状态,从而导致训练失败,“不同”用来保证模型可以正常地学习。
步骤403,利用机器学习方法,将样本集中的样本包括的样本产品质量样本数据集作为初始预测模型的输入,将与输入的样本产品质量样本数据集对应的预先得到的样本预测结果集合作为初始预测模型的期望输出,训练得到预测模型。
在一些实施例中,该训练步骤的执行主体可以将用机器学习方法,将样本集中的样本包括的样本产品质量样本数据集作为初始预测模型的输入,将与输入的样本产品质量样本数据集对应的预先得到的样本预测结果集合作为初始预测模型的期望输出,训练得到预测模型。
可选的,将选取的样本的样本产品质量样本数据集输入至初始预测模型,得到回归树集合。其中,回归树集合包括第二数目个回归树。具体的,样本集中的各个样本产品质量样本数据分别对应回归树,第二数目个样本产品质量样本数据对应第二数目个回归树。对于回归树集合中的每个回归树,生成该回归树的对应回归树集合,以得到对应回归树集合的集合。对于回归树集合中的每个回归树,确定该回归树与该回归树的对应回归树集合的相似度指标集合,以得到相似度指标集合的集合。对于对应回归树集合中的每个对应回归树,利用下式,确定该对应回归树与该回归树的相似度指标,以得到该回归树与该回归树的对应回归树集合的相似度指标集合:
其中,i表示该回归树计数序号,j表示该对应回归树计数序号,和分别为第i个回归树和第j个对应回归树的预测精度。用来度量第i个回归树和第j个对应回归树预测结果的相似性,为该对应回归树与该回归树的相似度指标。为第i个回归树与第j个对应回归树预测结果变量之间的简单相关系数。
对相似度指标集合的集合中的各个相似度指标进行从小到大排序,以得到相似度指标序列。将相似度指标序列中前第一数目个相似度指标对应的回归树的集合确定为初始回归树集合。具体的,初始回归树集合中的第一数目个初始回归树对应第一数目个类型的样本产品质量样本数据。具体的,从回归树集合中找到第一数目个初始回归树用于第一数目个类型的样本产品质量样本数据的质量评估。
可选的,将选取的样本的样本产品质量样本数据集输入至初始回归树集合,以得到选取的样本的预测结果集合。将选取的样本的预测结果集合与对应的样本预测结果集合进行比较。根据比较结果确定初始预测模型是否达到预设的优化目标。具体的,优化目标可以是小于预先确定的阈值,优化目标也可以是达到预先确定的迭代次数。响应于确定初始预测模型达到优化目标,将初始预测模型作为预先训练的预测模型。
响应于确定初始预测模型未训练完成,调整初始预测模型中的相关参数,以及从样本集中重新选取样本,使用调整后的初始预测模型作为初始预测模型,再次执行训练步骤。
在一些实施例中,该训练步骤的执行主体将训练得到的预测模型确定为预先训练的预测模型。具体的,预先训练的预测模型包括第一数目个集成模块。
上述步骤403中的可选内容,即:“通过集成学习的方法确定预测模型中的集成模块的技术内容”作为本公开的实施例的一个发明点,解决了背景技术提及的技术问题二“卷烟质量品控的样本数据量较小,利用单一模型对于小样本数据进行学习的准确度较低,不能满足卷烟质量品控的要求,进而影响了对低质量卷烟报警的触发处理。”。导致对低质量卷烟报警触发处理水平较低的因素往往如下:小样本的卷烟数据影响单一模型的学习效果,从而不能满足卷烟内在质量控制报警的操作需要。如果解决了上述因素,就能达到提高卷烟报警触发处理水平的效果。为了达到这一效果,本公开引入集成学习方法确定预测模型中的第一数目个集成模块。首先,初始化初始预测模型,其中,初始化初始预测模型包括第一数目个集成模块。集成模块可以是回归树。然后,利用样本集,将选取的样本的样本产品质量样本数据集输入至初始预测模型,得到回归树集合。回归树集合可以包括第二数目个回归树。然后,对回归树集合进行相似度指标确认处理,通过训练以得到满足优化目标的训练得到的预测模型。最后,将训练得到的预测模型确定为预先训练的预测模型。通过集成学习方法,能够将第一数目个集成模块确定为预测模型,从而满足不同类型产品质量数据的预测和分析要求,从而在小样本的情况下,利用有限的样本集训练得到高质量的预测模型,满足卷烟质量品控的要求,提高对低质量卷烟报警触发处理的水平,从而解决了技术问题二。
图4给出的一个实施例具有如下有益效果:利用集成学习方法训练得到预测模型,能够利用第一数目个集成模块的预测结果生成最终的预测模型,提高单一模型的预测准确度,提高卷烟质量品控水平和卷烟报警触发处理水平。
进一步参考图5,作为对上述各图上述方法的实现,本公开提供了一种基于集成学习的产品质量报警装置的一些实施例,这些装置实施例与图2上述的那些方法实施例相对应,该装置具体可以应用于各种终端设备中。
如图5所示,一些实施例的基于集成学习的产品质量报警装置500,装置包括:检测单元501、获取单元502、第一生成单元503、第二生成单元504和控制单元505。其中,检测单元501,被配置成检测是否从目标终端设备接收到操作授权信号。其中,操作授权信号是用户对目标控件执行目标操作产生的信号。获取单元502,被配置成响应于检测到操作授权信号,获取初始产品质量样本数据集,其中,初始产品质量样本数据集包括初始产品理化指标数据集、初始产品气体排放指标数据集和初始产品评测结果数据集。第一生成单元503,被配置成基于初始产品质量样本数据集,生成目标产品质量样本数据集。第二生成单元504,被配置成将目标产品质量样本数据集输入预先确定的预测模型,以得到预测结果集合,其中,预测结果集合包括质量预测值和概率值。控制单元505,被配置成将预测结果集合推送至目标终端设备,以控制目标终端设备进行报警相关操作。
可以理解的是,该装置500中记载的诸单元与参考图2描述的方法中的各个步骤相对应。由此,上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置500及其中包含的单元,在此不再赘述。
下面参考图6,其示出了适于用来实现本公开实施例的终端设备的计算机系统600的结构示意图。图6示出的终端设备仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图6所示,计算机系统600包括中央处理单元(CPU,Central Processing Unit)601,其可以根据存储在只读存储器(ROM,Read Only Memory)602中的程序或者从存储部分606加载到随机访问存储器(RAM,Random Access Memory)603中的程序而执行各种适当的动作和处理。在RAM603中,还存储有系统600操作所需的各种程序和数据。CPU 601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O,Input / Output)接口605也连接至总线604。
以下部件连接至I/O接口605:包括硬盘等的存储部分606;以及包括诸如LAN(局域网,Local Area Network)卡、调制解调器等的网络接口卡的通信部分607。通信部分607经由诸如因特网的网络执行通信处理。驱动器608也根据需要连接至I/O接口605。可拆卸介质609,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器608上,以便于从其上读出的计算机程序根据需要被安装入存储部分606。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分607从网络上被下载和安装,和/或从可拆卸介质609被安装。在该计算机程序被中央处理单元(CPU)601执行时,执行本公开的方法中限定的上述功能。需要说明的是,本公开所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——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。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机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。而在本公开中,计算机可读的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,其中承载了计算机可读的程序代码。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。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、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。计算机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、电线、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或其组合来编写用于执行本公开的操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,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机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (10)
1.一种基于集成学习的产品质量报警方法,包括:
检测是否从目标终端设备接收到操作授权信号,其中,所述操作授权信号是用户对目标控件执行目标操作产生的信号;
响应于检测到操作授权信号,检测并获取初始产品质量样本数据集,其中,所述初始产品质量样本数据集包括初始产品理化指标数据集、初始产品气体排放指标数据集和初始产品评测结果数据集;
基于所述初始产品质量样本数据集,生成目标产品质量样本数据集;
将所述目标产品质量样本数据集输入预先确定的预测模型,以得到预测结果集合,其中,所述预测结果集合包括质量预测值和概率值;
将所述预测结果集合推送至目标终端设备,以控制所述目标终端设备进行报警相关操作;
其中,所述将所述目标产品质量样本数据集输入预先确定的预测模型,以得到预测结果集合,包括:将所述目标产品质量样本数据集输入预先确定的预测模型,得到回归树集合和对应回归树集合;计算所述回归树集合和对应回归树集合的相似度指标集合,并得到对应所述相似度指标集合的相似度指标序列;从所述相似度指标序列中筛选出前第一数目个相似度指标对应的回归树的集合确定为初始回归树集合;将目标产品质量样本数据集输入至初始回归树集合,以得到所述目标产品质量样本数据集的预测结果集合。
2.根据权利要求1所述的方法,其中,所述目标控件显示于授权提示框中,所述授权提示框在所述目标终端设备上显示。
3.根据权利要求2所述的方法,其中,所述基于所述初始产品质量样本数据集,生成目标产品质量样本数据集,包括:
对所述初始产品质量样本数据集进行归一化处理,以得到过程产品质量样本数据集;
对所述过程产品质量样本数据集进行降维处理,以得到所述目标产品质量样本数据集。
4.根据权利要求3所述的方法,其中,所述将所述目标产品质量样本数据集输入预先确定的预测模型,以得到预测结果集合,包括:
根据所述目标产品质量样本数据集,确定目标模型类型指标;
将所述目标产品质量样本数据集和所述目标模型类型指标输入预先确定的预测模型,生成预测结果集合。
5.根据权利要求4所述的方法,其中,所述预先确定的预测模型包括第一数目个集成模块,所述第一数目个集成模块对应第一数目个模型类型指标;以及
所述将所述目标产品质量样本数据集和所述目标模型类型指标输入预先确定的预测模型,生成预测结果集合,包括:
根据所述目标模型类型指标,从所述预先确定的预测模型中确定目标集成模块;
将所述目标产品质量样本数据集输入所述目标集成模块,以得到所述预测结果集合。
6.根据权利要求5所述的方法,其中,所述预先确定的预测模型是通过如下步骤得到的:
确定初始预测模型的结构以及初始化所述初始预测模型的参数,其中,所述初始预测模型包括第一数目个回归树;
获取样本集,其中,所述样本集中的样本包括样本产品质量样本数据集和对应于所述样本产品质量样本数据集的样本预测结果集合,所述样本集中的样本产品质量样本数据集包括第一数目个类型的样本产品质量样本数据,所述样本集包括第二数目个样本产品质量样本数据集,所述第二数目个样本产品质量样本数据集对应第二数目个样本预测结果集合;
从所述样本集中选取样本,以及执行以下训练步骤:
将选取的样本的样本产品质量样本数据集输入至初始预测模型,得到所述选取的样本的预测结果集合;
将所述选取的样本的预测结果集合与对应的样本预测结果集合进行比较;
根据比较结果确定所述初始预测模型是否达到预设的优化目标;
响应于确定所述初始预测模型达到所述优化目标,将所述初始预测模型作为所述预先确定的预测模型。
7.根据权利要求6所述的方法,其中,所述方法还包括:
响应于确定初始预测模型未训练完成,调整初始预测模型中的相关参数,以及从所述样本集中重新选取样本,使用调整后的初始预测模型作为初始预测模型,再次执行所述训练步骤。
8.根据权利要求7所述的方法,其中,所述将选取的样本的样本产品质量样本数据集输入至初始预测模型,得到所述选取的样本的预测结果集合,包括:
将选取的样本的样本产品质量样本数据集输入至初始预测模型,得到回归树集合,其中,所述回归树集合包括第二数目个回归树;
对于所述回归树集合中的每个回归树,生成该回归树的对应回归树集合,以得到对应回归树集合的集合;
对于所述回归树集合中的每个回归树,确定该回归树与该回归树的对应回归树集合的相似度指标集合,以得到相似度指标集合的集合;
对所述相似度指标集合的集合中的各个相似度指标进行从小到大排序,以得到相似度指标序列;
将所述相似度指标序列中前第一数目个相似度指标对应的回归树的集合确定为初始回归树集合;
将选取的样本的样本产品质量样本数据集输入至初始回归树集合,以得到所述选取的样本的预测结果集合。
9.根据权利要求8所述的方法,其中,所述对于所述回归树集合中的每个回归树,确定该回归树与该回归树的对应回归树集合的相似度指标集合,包括:
对于所述对应回归树集合中的每个对应回归树,确定该对应回归树与该回归树的相似度指标,以得到该回归树与该回归树的对应回归树集合的相似度指标集合。
10.一种基于集成学习的产品质量报警装置,包括:
检测单元,被配置成检测是否从目标终端设备接收到操作授权信号,其中,所述操作授权信号是用户对目标控件执行目标操作产生的信号;
获取单元,被配置成响应于检测到操作授权信号,获取初始产品质量样本数据集,其中,所述初始产品质量样本数据集包括初始产品理化指标数据集、初始产品气体排放指标数据集和初始产品评测结果数据集;
第一生成单元,被配置成基于所述初始产品质量样本数据集,生成目标产品质量样本数据集;
第二生成单元,被配置成将所述目标产品质量样本数据集输入预先确定的预测模型,以得到预测结果集合,其中,所述预测结果集合包括质量预测值和概率值;
控制单元,被配置成将所述预测结果集合推送至目标终端设备,以控制所述目标终端设备进行报警相关操作;
所述第二生成单元进一步被配置成将所述目标产品质量样本数据集输入预先确定的预测模型,得到回归树集合和对应回归树集合;计算所述回归树集合和对应回归树集合的相似度指标集合,并得到对应所述相似度指标集合的相似度指标序列;从所述相似度指标序列中筛选出前第一数目个相似度指标对应的回归树的集合确定为初始回归树集合;将目标产品质量样本数据集输入至初始回归树集合,以得到所述目标产品质量样本数据集的预测结果集合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110663736.7A CN113256021B (zh) | 2021-06-16 | 2021-06-16 | 基于集成学习的产品质量报警方法、装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110663736.7A CN113256021B (zh) | 2021-06-16 | 2021-06-16 | 基于集成学习的产品质量报警方法、装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113256021A true CN113256021A (zh) | 2021-08-13 |
CN113256021B CN113256021B (zh) | 2021-10-15 |
Family
ID=77188075
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110663736.7A Active CN113256021B (zh) | 2021-06-16 | 2021-06-16 | 基于集成学习的产品质量报警方法、装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113256021B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108537383A (zh) * | 2018-04-09 | 2018-09-14 | 山东建筑大学 | 一种基于模型融合的室内空气预测方法 |
CN110245802A (zh) * | 2019-06-20 | 2019-09-17 | 杭州安脉盛智能技术有限公司 | 基于改进梯度提升决策树的卷烟空头率预测方法及系统 |
US20190339669A1 (en) * | 2017-09-29 | 2019-11-07 | Xometry, Inc. | Methods and apparatus for machine learning predictions of manufacturing processes |
CN110990784A (zh) * | 2019-11-19 | 2020-04-10 | 湖北中烟工业有限责任公司 | 一种基于梯度提升回归树的烟支通风率预测方法 |
CN112287601A (zh) * | 2020-10-23 | 2021-01-29 | 红云红河烟草(集团)有限责任公司 | 利用r语言构建烟叶质量预测模型的方法、介质及应用 |
-
2021
- 2021-06-16 CN CN202110663736.7A patent/CN113256021B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190339669A1 (en) * | 2017-09-29 | 2019-11-07 | Xometry, Inc. | Methods and apparatus for machine learning predictions of manufacturing processes |
CN108537383A (zh) * | 2018-04-09 | 2018-09-14 | 山东建筑大学 | 一种基于模型融合的室内空气预测方法 |
CN110245802A (zh) * | 2019-06-20 | 2019-09-17 | 杭州安脉盛智能技术有限公司 | 基于改进梯度提升决策树的卷烟空头率预测方法及系统 |
CN110990784A (zh) * | 2019-11-19 | 2020-04-10 | 湖北中烟工业有限责任公司 | 一种基于梯度提升回归树的烟支通风率预测方法 |
CN112287601A (zh) * | 2020-10-23 | 2021-01-29 | 红云红河烟草(集团)有限责任公司 | 利用r语言构建烟叶质量预测模型的方法、介质及应用 |
Non-Patent Citations (1)
Title |
---|
陈金坤等: "基于复杂事件处理的产品质量预测方法研究", 《科学技术与工程》 * |
Also Published As
Publication number | Publication date |
---|---|
CN113256021B (zh) | 2021-10-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109783632B (zh) | 客服信息推送方法、装置、计算机设备及存储介质 | |
CN110520874B (zh) | 基于时间的全体机器学习模型 | |
US20090106734A1 (en) | Bayesian belief network query tool | |
CN108108743B (zh) | 异常用户识别方法和用于识别异常用户的装置 | |
CN110796542A (zh) | 金融风险控制方法、金融风险控制装置和电子设备 | |
CN111508604A (zh) | 一种急性肾损伤患者死亡率预测方法、服务器及存储介质 | |
CN112311803B (zh) | 一种规则库更新方法、装置、电子设备及可读存储介质 | |
CN108111399B (zh) | 消息处理的方法、装置、终端及存储介质 | |
Campobello et al. | Neuro-genetic programming for multigenre classification of music content | |
Ni et al. | Variable selection for case-cohort studies with failure time outcome | |
CN113780329A (zh) | 用于识别数据异常的方法、装置、服务器和介质 | |
CN112183289A (zh) | 一种花屏检测方法、装置、设备及介质 | |
CN115168669A (zh) | 传染病筛查方法、装置、终端设备及介质 | |
CN114548300B (zh) | 解释业务处理模型的业务处理结果的方法和装置 | |
Ardani et al. | A new approach to signal filtering method using K-means clustering and distance-based Kalman filtering | |
CN112486784A (zh) | 诊断和优化数据分析系统的方法、设备和介质 | |
CN113256021B (zh) | 基于集成学习的产品质量报警方法、装置 | |
CN113392920A (zh) | 生成作弊预测模型的方法、装置、设备、介质及程序产品 | |
CN117540336A (zh) | 时间序列预测方法、装置及电子设备 | |
CN111340540A (zh) | 广告推荐模型的监控方法、推荐方法及装置 | |
CN111445139A (zh) | 业务流程模拟方法及装置、存储介质、电子设备 | |
CN116164822A (zh) | 基于知识图谱的流量计故障诊断方法、装置、介质 | |
WO2015057356A1 (en) | Method and apparatus for detecting latent sources and user preferences | |
CN115376692A (zh) | 一种健康数据的处理方法、装置、电子设备及存储介质 | |
CN114186646A (zh) | 区块链异常交易识别方法及装置、存储介质及电子设备 |
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 | ||
CP03 | Change of name, title or address | ||
CP03 | Change of name, title or address |
Address after: No.3-8-132, 1st floor, building 3, Fuqian street, Huairou District, Beijing Patentee after: Beijing Defeng Xinzheng Technology Co.,Ltd. Address before: 101400 no.3-8-132, 1st floor, building 3, Fuqian street, Huairou District, Beijing Patentee before: Beijing Defeng new journey Technology Co.,Ltd. |