CN113392862A - 感知数据的自愈管控方法、装置、计算机设备和存储介质 - Google Patents

感知数据的自愈管控方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN113392862A
CN113392862A CN202010172691.9A CN202010172691A CN113392862A CN 113392862 A CN113392862 A CN 113392862A CN 202010172691 A CN202010172691 A CN 202010172691A CN 113392862 A CN113392862 A CN 113392862A
Authority
CN
China
Prior art keywords
data
quality
self
healing
model
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
Application number
CN202010172691.9A
Other languages
English (en)
Other versions
CN113392862B (zh
Inventor
蒲承祖
刘毅
刘红梅
姜良军
袁鲲
邱伟娜
张康
孙善勇
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.)
China Mobile Communications Group Co Ltd
China Mobile Group Shandong Co Ltd
Original Assignee
China Mobile Communications Group Co Ltd
China Mobile Group Shandong 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 China Mobile Communications Group Co Ltd, China Mobile Group Shandong Co Ltd filed Critical China Mobile Communications Group Co Ltd
Priority to CN202010172691.9A priority Critical patent/CN113392862B/zh
Publication of CN113392862A publication Critical patent/CN113392862A/zh
Application granted granted Critical
Publication of CN113392862B publication Critical patent/CN113392862B/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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Feedback Control In General (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明公开了一种感知数据的自愈管控方法、装置、计算机设备和存储介质。该感知数据的自愈管控方法包括：基于网络通信的数据源获取感知数据；采用深度学习引擎对感知数据的数据质量进行检测，得到目标质量问题数据；基于预设的数据自愈知识库，将目标质量问题数据输入到深度学习引擎的质量自愈模型中，输出修复指令，其中，数据自愈知识库包括质量修复规则策略，质量自愈模型基于质量修复规则策略和质量问题数据为训练样本，采用Q值卷积神经网络训练得到；根据修复指令对感知数据进行自愈修复。采用该感知数据的自愈管控方法能够在海量级别的网络数据中保证感知数据的数据质量。

Description

感知数据的自愈管控方法、装置、计算机设备和存储介质
【技术领域】
本发明涉及通信数据质量管控领域，尤其涉及一种感知数据的自愈管控方法、装置、计算机设备和存储介质。
【背景技术】
目前运营商5G网络的建设与用户推广正在快速地发展，网络规模进一步扩大，相对于传统的2/3/4G网络，5G网络的海量连接数、高速的网络速率会形成每天PB级的网络数据，因此传统的数据质量保障方法在面对海量网络数据时，如何确保网络数据质量是一个严峻的挑战。
可以理解地，在海量级别的网络数据中，存在具有反映网络性能、状态等KPI(KeyPerformance Indicator，关键绩效指标)/KQI(Key Quality Indicator，关键绩效指标)指标的感知数据，这些感知数据的数据质量尤为重要。传统的2/3/4G感知数据质量需要运维人员通过脚本或数据质量监测系统来对数据质量情况进行监控，并按照不同的场景类型选取合适的数据质量监控脚本或数据质量监测系统进行质量预警。这种做法不仅过程繁琐，并且需要投入大量的人力。由于传统的感知数据质量检测的过程过于依靠人工经验与人工处理，最终将无法保证全面、及时的感知数据质量保障，导致感知数据的数据质量低下。
【发明内容】
有鉴于此，本发明实施例提供了一种感知数据的自愈管控方法、装置、计算机设备和存储介质，用以解决目前海量级别的网络数据中感知数据的数据质量低下的问题。
第一方面，本发明实施例提供了一种感知数据的自愈管控方法，包括：
基于网络通信的数据源获取感知数据；
采用深度学习引擎对所述感知数据的数据质量进行检测，得到目标质量问题数据，其中，所述深度学习引擎预训练有数据质量检测模型，所述数据质量检测模型基于质量问题数据和质量合格数据为训练样本训练得到；
基于预设的数据自愈知识库，将所述目标质量问题数据输入到深度学习引擎的质量自愈模型中，输出修复指令，其中，所述数据自愈知识库包括质量修复规则策略，所述质量自愈模型基于所述质量修复规则策略和所述质量问题数据为训练样本，采用Q值卷积神经网络训练得到；
根据所述修复指令对所述感知数据进行自愈修复。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，在所述基于网络通信的数据源获取感知数据之前，还包括：
获取历史感知数据中的质量问题数据和质量合格数据；
按照感知数据的阶段类型进行区分，将区分后的所述质量问题数据和所述质量合格数据作为训练样本集，其中，所述感知数据的阶段类型包括数据源采集阶段、数据模型汇聚阶段和指标生成阶段，所述训练样本集中的任一组训练样本包括具有对照关系的所述质量问题数据和所述质量合格数据；
将所述训练样本集输入到深度学习引擎的深度神经网络中进行模型训练；
在模型训练过程中，采用回归模型的损失函数计算模型训练过程中产生的损失值；
采用梯度下降法，根据所述损失值对所述深度神经网络的网络参数进行更新，当达到预设训练步数或者梯度不再下降时，模型训练结束，得到所述数据质量检测模型。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述获取历史感知数据中的质量问题数据和质量合格数据，包括：
对于数据源采集阶段的历史感知数据，基于接口数据的完整性获取数据源采集阶段的质量问题数据和质量合格数据；
对于数据模型汇聚阶段的历史感知数据，基于ETL过程中数据加工的一致性获取数据模型汇聚阶段的质量问题数据和质量合格数据；
对于指标生成阶段的历史感知数据，基于数据指标的一致性获取指标生成阶段的质量问题数据和质量合格数据，其中所述数据指标包括关键业绩指标和业务质量指标。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述感知数据的阶段类型包括数据源采集阶段、数据模型汇聚阶段和指标生成阶段，所述基于网络通信的数据源获取感知数据，包括：
对5G用户面HTTP、5G用户面即时通信、5G用户面视频和5G用户面通用话单的网络感知指标进行抽取、清洗和转换，得到所述数据源采集阶段的感知数据；
基于预设的模型汇聚规则，对所述数据源采集阶段的感知数据进行数据加工与计算，得到数据模型汇聚阶段的感知数据；
对所述数据模型汇聚阶段的感知数据进行指标计算，得到所述指标生成阶段的感知数据。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，在所述基于网络通信的数据源获取感知数据之前，还包括：
从历史感知数据中获取质量问题数据；
接入数据自愈知识库到所述深度学习引擎，其中，所述数据自愈知识库根据所述质量修复规则策略预构建得到；
将所述质量问题数据作为Q值卷积神经网络训练中的输出状态，将所述质量修复规则策略作为Q值卷积神经网络训练中的输出动作，采用包括所述输出状态和所述质量修复规则策略的Q值，输入到所述深度学习引擎的Q值卷积神经网络进行模型训练，并根据动作评估函数进行Q值卷积神经网络中网络参数的迭代更新；
当满足模型训练停止的条件时，停止Q值卷积神经网络的模型训练，得到所述质量自愈模型。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述基于预设的数据自愈知识库，将所述目标质量问题数据输入到深度学习引擎的质量自愈模型中，输出修复指令，包括：
数据自愈知识库中的质量修复规则策略通过数据连接接口输入到所述质量自愈模型中；
将所述目标质量问题数据输入到深度学习引擎的质量自愈模型中；
根据所述质量修复规则策略和所述目标质量问题数据，在通过质量自愈模型的解析后，输出所述目标质量修复规则策略；
根据所述目标质量修复规则策略生成并输出对应的修复指令。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，在所述根据所述修复指令对所述感知数据进行自愈修复之后，还包括：
将自愈修复后的感知数据进行质量校验；
若自愈修复后的感知数据仍存在质量问题，则向运维人员发出通知，并在通知指出在自愈修复后仍存在质量问题的感知数据。
第二方面，本发明实施例提供了一种感知数据的自愈管控装置，包括：
第一处理模块，用于基于网络通信的数据源获取感知数据；
第二处理模块，用于采用深度学习引擎对所述感知数据的数据质量进行检测，得到目标质量问题数据，其中，所述深度学习引擎预训练有数据质量检测模型，所述数据质量检测模型基于质量问题数据和质量合格数据为训练样本训练得到；
第三处理模块，用于基于预设的数据自愈知识库，将所述目标质量问题数据输入到深度学习引擎的质量自愈模型中，输出修复指令，其中，所述数据自愈知识库包括质量修复规则策略，所述质量自愈模型基于所述质量修复规则策略和所述质量问题数据为训练样本，采用Q值卷积神经网络训练得到；
第四处理模块，用于根据所述修复指令对所述感知数据进行自愈修复。
第三方面，一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述感知数据的自愈管控方法的步骤。
第四方面，本发明实施例提供了一种计算机可读存储介质，包括：计算机程序，所述计算机程序被处理器执行时实现上述感知数据的自愈管控方法的步骤。
在本发明实施例中，首先在如5G的网络通信环境下，从数据源中获取感知数据，以在海量网络数据的场景下实时对感知数据进行质量管控；然后采用深度学习引擎对感知数据的数据质量进行检测，得到目标质量问题数据，其中，该深度学习引擎预训练有数据质量检测模型，通过该基于质量问题数据和质量合格数据为训练样本预先训练的数据质量检测模型，能够准确地实现对感知数据的实时质量检测；最后基于预设的数据自愈知识库，将目标质量问题数据输入到深度学习引擎的质量自愈模型中，输出修复指令，并根据修复指令对感知数据进行自愈修复，通过基于质量修复规则策略和质量问题数据为训练样本，采用Q值卷积神经网络训练得到的质量自愈模型，能够准确地根据输入的目标指令问题输出合适的质量修复规则策略，并最终根据输出相对应的修复指令实现感知数据的自愈修复，在本发明实施例中，能够在海量级别的网络数据中保证感知数据的数据质量。
【附图说明】
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。
图1是本发明一实施例中感知数据的自愈管控方法的一流程图；
图2是本发明一实施例中感知数据的自愈管控方法的一架构图；
图3是本发明一实施例中感知数据的自愈管控方法的又一流程图；
图4是本发明一实施例中感知数据的自愈管控方法在实现感知数据自愈时的一示意图；
图5是本发明一实施例中感知数据的自愈管控装置的一原理框图；
图6是本发明一实施例中计算机设备的一示意图。
【具体实施方式】
为了更好的理解本发明的技术方案，下面结合附图对本发明实施例进行详细描述。
应当明确，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。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它实施例，都属于本发明保护的范围。
在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。
应当理解，本文中使用的术语“和/或”仅仅是一种描述关联对象的相同的字段，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，且存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
应当理解，尽管在本发明实施例中可能采用术语第一、第二、第三等来描述预设范围等，但这些预设范围不应限于这些术语。这些术语仅用来将预设范围彼此区分开。例如，在不脱离本发明实施例范围的情况下，第一预设范围也可以被称为第二预设范围，类似地，第二预设范围也可以被称为第一预设范围。
取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。类似地，取决于语境，短语“如果确定”或“如果检测(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当检测(陈述的条件或事件)时”或“响应于检测(陈述的条件或事件)”。
图1示出本实施例中感知数据的自愈管控方法的一流程图。该感知数据的自愈管控方法可应用在感知数据自愈管控系统上，在进行海量网络数据的感知数据质量管控时可采用该感知数据自愈管控系统实现。该感知数据自愈管控系统具体可应用在计算机设备上，其中，该计算机设备具体可以是能够与用户进行人机交互的设备，包括但不限于电脑、智能手机和平板等设备。如图1所示，该感知数据的自愈管控方法包括如下步骤：
S10：基于网络通信的数据源获取感知数据。
在海量级别的网络数据中，存在具有反映网络性能、状态等KPI(Key PerformanceIndicator，关键绩效指标)/KQI(Key Quality Indicator，关键绩效指标)指标的感知数据，在一实施例中，这些感知数据是基于如5G网络的数据源获取得到的。
进一步地，感知数据包括不同的阶段类型，具体有数据源采集阶段、数据模型汇聚阶段和指标生成阶段，其中，数据源采集阶段是对用户在通信网络中产生的通信数据所初步采集的感知数据的阶段，数据模型汇聚阶段是对数据源采集阶段采集的数据进行ETL(Extract-Transform-Load，抽取、转换、加载)处理的阶段，指标生成阶段是对数据模型汇聚阶段处理得到的数据计算指标的阶段，包括KPI/KQI指标。可以理解地，对于不同阶段类型的感知数据都将影响最终反映网络性能、状态等指标，因此每个阶段类型的感知数据的数据质量都是需要有保证的，以根据指标作正确的决策。
进一步地，在步骤S10之前，即在基于网络通信的数据源获取感知数据之前，还包括如下具体步骤：
S1011：获取历史感知数据中的质量问题数据和质量合格数据。
在一实施例中，为了在深度学习引擎训练质量检测模型，首先需要确定训练样本集。可以理解地，历史感知数据中的质量问题数据(存在质量问题的数据)和质量合格数据(作为模型训练时的标签)可做对照组进行模型训练，以让深度网络模型学习质量问题数据和质量合格数据之间区别的特征。
进一步地，在步骤S1011中，即获取历史感知数据中的质量问题数据和质量合格数据中，具体还包括：
S10111：对于数据源采集阶段的历史感知数据，基于接口数据的完整性获取数据源采集阶段的质量问题数据和质量合格数据。
在一实施例中，数据源采集阶段的历史感知数据，存在问题的一般是接口数据的完整性，因此数据源采集阶段的历史感知数据是否存在质量问题具体可以通过接口数据的完整性等方式确定。
S10112：对于数据模型汇聚阶段的历史感知数据，基于ETL过程中数据加工的一致性获取数据模型汇聚阶段的质量问题数据和质量合格数据。
在一实施例中，数据模型汇聚阶段需要进行数据加工，存在问题的一般是数据加工的一致性，因此数据模型汇聚阶段的历史感知数据是否存在质量问题具体可以通过数据加工的一致性等方式确定。
S10113：对于指标生成阶段的历史感知数据，基于数据指标的一致性获取指标生成阶段的质量问题数据和质量合格数据，其中数据指标包括关键业绩指标和业务质量指标。
同理地，在指标生成阶段一般根据指标的一致性确定感知数据是否存在质量问题，数据指标具体包括关键业绩指标(KPI)和业务质量指标(KQI)，不同数据指标的一致性标准不同。
S1012：按照感知数据的阶段类型进行区分，将区分后的质量问题数据和质量合格数据作为训练样本集，其中，感知数据的阶段类型包括数据源采集阶段、数据模型汇聚阶段和指标生成阶段，训练样本集中的任一组训练样本包括具有对照关系的质量问题数据和质量合格数据。
可以理解地，获取的质量问题数据和质量合格数据不一定能够组成一组训练样本，需要按照感知数据的阶段类型进行区分后，将具有对照关系的质量问题数据和质量合格数据组合得到训练样本。多组的训练样本构成训练样本集。
S1013：将训练样本集输入到深度学习引擎的深度神经网络中进行模型训练。
其中，深度神经网络具体可以是指DNN(Deep Neural Networks，深度神经网络)，该神经网络能够通过隐藏层结构学习感知数据是否存在质量问题的深层特征，使得训练得到的数据质量检测模型在检测感知数据质量时具有较高的准确率。
S1014：在模型训练过程中，采用回归模型的损失函数计算模型训练过程中产生的损失值。
在一实施例中，该深度神经网络具体可采用回归模型的损失函数，通过较差熵的方式计算模型训练过程中产生的损失值，以根据产生的损失值更新网络参数，使得深度神经网络对感知数据质量的辨别能力变得更强。
S1015：采用梯度下降法，根据损失值对深度神经网络的网络参数进行更新，当达到预设训练步数或者梯度不再下降时，模型训练结束，得到数据质量检测模型。
在一实施例中，当模型训练达到预设训练步数或者梯度不再下降时，可认为深度神经网络已满足感知数据质量的期望识别率，此时可结束模型训练，将此时的深度神经网络作为数据质量检测模型。
进一步地，在步骤S10中，即基于网络通信的数据源获取感知数据中，具体还包括：
S11：对5G用户面HTTP、5G用户面即时通信、5G用户面视频和5G用户面通用话单的网络感知指标进行抽取、清洗和转换，得到数据源采集阶段的感知数据。
在一实施例中，数据源具体可以是5G场景下的5G用户面HTTP、5G用户面即时通信、5G用户面视频和5G用户面通用话单中的通信数据，但并不是所有的数据都可作为感知数据，因此，可通过对数据源中的网络感知指标(能够体现感知数据的指标型数据)进行抽取、清洗和转换等操作，得到数据源采集阶段的感知数据。
S12：基于预设的模型汇聚规则，对数据源采集阶段的感知数据进行数据加工与计算，得到数据模型汇聚阶段的感知数据。
可以理解地，数据模型汇聚阶段即按预设的模型汇聚规则进行ETL处理，得到数据模型汇聚阶段的感知数据，其中，预设的模型汇聚规则包括计算小区-日模型等模型汇聚规则。
S13：对数据模型汇聚阶段的感知数据进行指标计算，得到指标生成阶段的感知数据。
在一实施例中，指标生成阶段的感知数据即按5G网络下的KPI/KQI计算得到，其中，KPI/KQI指标具体包括5G小区退服率、5G小区下载速率和5G小区连接成功率等指标。
进一步地，在步骤S10之前，即在基于网络通信的数据源获取感知数据之前，还包括如下具体步骤：
S1021：从历史感知数据中获取质量问题数据。
质量问题数据能够体现历史感知数据中造成数据质量问题的特征。在一实施例中，为了训练质量自愈模型，质量问题数据是模型训练所需的数据。
S1022：接入数据自愈知识库到深度学习引擎，其中，数据自愈知识库根据质量修复规则策略预构建得到。
可以理解地，不同的质量问题数据若要进行质量修复，需“对症下药”，采用相应的质量修复规则策略进行质量修复实现。为了训练质量自愈模型，需要将已有实现质量修复的质量修复规则策略接入到深度学习引擎中，以使训练得到的质量自愈模型能够根据不同的质量问题数据选择正确的质量修复规则策略。
S1023：将质量问题数据作为Q值卷积神经网络训练中的输出状态，将质量修复规则策略作为Q值卷积神经网络训练中的输出动作，采用包括输出状态和质量修复规则策略的Q值，输入到深度学习引擎的Q值卷积神经网络进行模型训练，并根据动作评估函数进行Q值卷积神经网络中网络参数的迭代更新。
具体地，本实施例训练质量自愈模型具体采用的是Q值神经网络，以利用Q值神经网络的强化学习特性，学习根据不同的质量问题数据选择正确地质量修复规则策略的能力。
具体地，采用以下动作评估函数进行Q值卷积神经网络中网络参数的迭代更新Q(St，a)＝Rt+1+γ*maxa′Q(St+1,arg maxa′Q(St+1,a))，其中，t表示当前时刻，t+1表示下一时刻，S表示输出状态，a表示输出动作，R为Q值卷积神经网络概念中的奖赏，γ为对未来奖赏的衰减值，a’表示下一个输出动作。可以理解地，该动作评估函数能够反映Q值卷积神经网络的强化学习过程，使得模型训练过程加强对质量修复规则策略的选择的正确性。该动作评估函数的Q值可作为损失函数的损失值对Q值卷积神经网络中网络参数进行迭代更新。
S1024：当满足模型训练停止的条件时，停止Q值卷积神经网络的模型训练，得到质量自愈模型。
具体地，当达到预设训练步数或者梯度不再下降时，模型训练结束，得到质量自愈模型。
S20：采用深度学习引擎对感知数据的数据质量进行检测，得到目标质量问题数据，其中，深度学习引擎预训练有数据质量检测模型，数据质量检测模型基于质量问题数据和质量合格数据为训练样本训练得到。
其中，深度学习引擎具体可以是Tensorflow引擎。
在一实施例中，通过该基于质量问题数据和质量合格数据为训练样本预先训练的数据质量检测模型，能够准确地实现对感知数据的实时质量检测，该质量检测模型的训练过程具体如步骤S1011-S1015，在实时场景下，用户可采用深度学习引擎中的数据质量检测模型实现对数据质量的快速自动化检测。
S30：基于预设的数据自愈知识库，将目标质量问题数据输入到深度学习引擎的质量自愈模型中，输出修复指令，其中，数据自愈知识库包括质量修复规则策略，质量自愈模型基于质量修复规则策略和质量问题数据为训练样本，采用Q值卷积神经网络训练得到。
在一实施例中，通过基于质量修复规则策略和质量问题数据为训练样本，采用Q值卷积神经网络训练得到的质量自愈模型，能够准确地根据输入的目标质量问题数据输出合适的质量修复规则策略，也即目标质量修复规则策略。该Q值卷积神经网络是一种强化学习网络，能够不断地学习，根据目标质量问题数据输出最佳的质量修复规则策略。具体地，该质量自愈模型的训练过程具体如步骤S1021-S1024，在实时场景下，用户可采用深度学习引擎中的质量自愈模型实现目标质量修复规则策略的快速确定。
进一步地，在步骤S30中，即基于预设的数据自愈知识库，将目标质量问题数据输入到深度学习引擎的质量自愈模型中，输出修复指令中，具体还包括：
S31：数据自愈知识库中的质量修复规则策略通过数据连接接口输入到质量自愈模型中。
在一实施例中，质量修复规则策略通过内部接口-数据连接接口的方式接入到深度学习引擎的质量自愈模型中，使得质量自愈模型能够顺利对接到数据自愈知识库，为输出目标质量修复规则策略提供技术基础。
S32：将目标质量问题数据输入到深度学习引擎的质量自愈模型中。
在一实施例中，将实时获取的目标质量问题数据输入到深度学习引擎中，以通过质量自愈模型确定采用的目标质量修复规则策略。
S33：根据质量修复规则策略和目标质量问题数据，在通过质量自愈模型的解析后，输出目标质量修复规则策略。
可以理解地，采用Q值卷积神经网络训练得到的质量自愈模型，已经进行过根据不同的质量问题数据选择最佳的质量修复规则策略的强化学习，能够对输入的目标质量问题数据进行解析，输出目标质量修复规则策略，该目标质量修复规则策略也即目标质量问题数据所对应的最佳质量修复规则策略。
S34：根据目标质量修复规则策略生成并输出对应的修复指令。
可以理解地，在确定目标质量修复规则策略后，需要生成并输出对应的修复指令，以执行修复功能。
S40：根据修复指令对感知数据进行自愈修复。
可以理解地，实际上修复指令是对感知数据中的目标质量问题数据进行自愈修复。
进一步地，在步骤S40之后，即在根据修复指令对感知数据进行自愈修复步骤之后，还包括如下具体步骤：
S41：将自愈修复后的感知数据进行质量校验。
S42：若自愈修复后的感知数据仍存在质量问题，则向运维人员发出通知，并在通知指出在自愈修复后仍存在质量问题的感知数据。
在步骤S41-S42中在自愈修复后还需要对感知数据再检验一遍，若仍存在质量问题，则应通知相关运维人员，以及时发现问题，并且还可根据发现的问题对深度学习引擎中的数据质量检测模型和质量自愈模型进行微调，进一步提高各模型的准确率。
图2示出了感知数据的自愈管控方法的一架构图。从图2中可以看到，架构分为数据源、数据字典和数据自愈模块三部分。其中，数据字典中的感知数据由数据源中获取，通过数据自愈模块对数据字典部分中的感知数据进行质量检测以及自愈修复，实现感知数据的自愈管控。
图3示出了感知数据的自愈管控方法的又一流程图。从图3中可以看到，深度学习框架TensorFlow引擎实现对感知数据的质量监控以及自愈修复的功能。
图4示出了感知数据的自愈管控方法在实现感知数据自愈时的一示意图。从图4中可以看到，数据自愈模块基于目标质量问题数据和数据自愈知识库，在深度学习框架TensorFlow引擎确定目标质量修复规则策略，并生成、输出对应的修复指令，通过数据质量修复模块实现修复功能。
在本发明实施例中，首先在如5G的网络通信环境下，从数据源中获取感知数据，以在海量网络数据的场景下实时对感知数据进行质量管控；然后采用深度学习引擎对感知数据的数据质量进行检测，得到目标质量问题数据，其中，该深度学习引擎预训练有数据质量检测模型，通过该基于质量问题数据和质量合格数据为训练样本预先训练的数据质量检测模型，能够准确地实现对感知数据的实时质量检测；最后基于预设的数据自愈知识库，将目标质量问题数据输入到深度学习引擎的质量自愈模型中，输出修复指令，并根据修复指令对感知数据进行自愈修复，通过基于质量修复规则策略和质量问题数据为训练样本，采用Q值卷积神经网络训练得到的质量自愈模型，能够准确地根据输入的目标指令问题输出合适的质量修复规则策略，并最终根据输出相对应的修复指令实现感知数据的自愈修复，在本发明实施例中，能够在海量级别的网络数据中保证感知数据的数据质量。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
基于实施例中所提供的感知数据的自愈管控方法，本发明实施例进一步给出实现上述方法实施例中各步骤及方法的装置实施例。
图5示出与实施例中感知数据的自愈管控方法一一对应的感知数据的自愈管控装置的原理框图。如图5所示，该感知数据的自愈管控装置包括第一处理模块10、第二处理模块20、第三处理模块30和第四处理模块40。其中，第一处理模块10、第二处理模块20、第三处理模块30和第四处理模块40的实现功能与实施例中感知数据的自愈管控方法对应的步骤一一对应，为避免赘述，本实施例不一一详述。
第一处理模块，用于基于网络通信的数据源获取感知数据。
第二处理模块，用于采用深度学习引擎对感知数据的数据质量进行检测，得到目标质量问题数据，其中，深度学习引擎预训练有数据质量检测模型，数据质量检测模型基于质量问题数据和质量合格数据为训练样本训练得到。
第三处理模块，用于基于预设的数据自愈知识库，将目标质量问题数据输入到深度学习引擎的质量自愈模型中，输出修复指令，其中，数据自愈知识库包括质量修复规则策略，质量自愈模型基于质量修复规则策略和质量问题数据为训练样本，采用Q值卷积神经网络训练得到。
第四处理模块，用于根据修复指令对感知数据进行自愈修复。
可选地，该感知数据的自愈管控装置还用于：
获取历史感知数据中的质量问题数据和质量合格数据；
按照感知数据的阶段类型进行区分，将区分后的质量问题数据和质量合格数据作为训练样本集，其中，感知数据的阶段类型包括数据源采集阶段、数据模型汇聚阶段和指标生成阶段，训练样本集中的任一组训练样本包括具有对照关系的质量问题数据和质量合格数据；
将训练样本集输入到深度学习引擎的深度神经网络中进行模型训练；
在模型训练过程中，采用回归模型的损失函数计算模型训练过程中产生的损失值；
采用梯度下降法，根据损失值对深度神经网络的网络参数进行更新，当达到预设训练步数或者梯度不再下降时，模型训练结束，得到数据质量检测模型。
可选地，在用于获取历史感知数据中的质量问题数据和质量合格数据的过程中，具体用于：
对于数据源采集阶段的历史感知数据，基于接口数据的完整性获取数据源采集阶段的质量问题数据和质量合格数据；
对于数据模型汇聚阶段的历史感知数据，基于ETL过程中数据加工的一致性获取数据模型汇聚阶段的质量问题数据和质量合格数据；
对于指标生成阶段的历史感知数据，基于数据指标的一致性获取指标生成阶段的质量问题数据和质量合格数据，其中数据指标包括关键业绩指标和业务质量指标。
可选地，感知数据的阶段类型包括数据源采集阶段、数据模型汇聚阶段和指标生成阶段，第一处理模块具体用于：
对5G用户面HTTP、5G用户面即时通信、5G用户面视频和5G用户面通用话单的网络感知指标进行抽取、清洗和转换，得到数据源采集阶段的感知数据；
基于预设的模型汇聚规则，对数据源采集阶段的感知数据进行数据加工与计算，得到数据模型汇聚阶段的感知数据；
对数据模型汇聚阶段的感知数据进行指标计算，得到指标生成阶段的感知数据。
可选地，该感知数据的自愈管控装置还用于：
从历史感知数据中获取质量问题数据；
接入数据自愈知识库到深度学习引擎，其中，数据自愈知识库根据质量修复规则策略预构建得到；
将质量问题数据作为Q值卷积神经网络训练中的输出状态，将质量修复规则策略作为Q值卷积神经网络训练中的输出动作，采用包括输出状态和质量修复规则策略的Q值，输入到深度学习引擎的Q值卷积神经网络进行模型训练，并根据动作评估函数进行Q值卷积神经网络中网络参数的迭代更新；
当满足模型训练停止的条件时，停止Q值卷积神经网络的模型训练，得到质量自愈模型。
可选地，第三处理模块还具体用于：
数据自愈知识库中的质量修复规则策略通过数据连接接口输入到质量自愈模型中；
将目标质量问题数据输入到深度学习引擎的质量自愈模型中；
根据质量修复规则策略和目标质量问题数据，在通过质量自愈模型的解析后，输出目标质量修复规则策略；
根据目标质量修复规则策略生成并输出对应的修复指令。
可选地，该感知数据的自愈管控装置还用于：
将自愈修复后的感知数据进行质量校验；
若自愈修复后的感知数据仍存在质量问题，则向运维人员发出通知，并在通知指出在自愈修复后仍存在质量问题的感知数据。
在本发明实施例中，首先在如5G的网络通信环境下，从数据源中获取感知数据，以在海量网络数据的场景下实时对感知数据进行质量管控；然后采用深度学习引擎对感知数据的数据质量进行检测，得到目标质量问题数据，其中，该深度学习引擎预训练有数据质量检测模型，通过该基于质量问题数据和质量合格数据为训练样本预先训练的数据质量检测模型，能够准确地实现对感知数据的实时质量检测；最后基于预设的数据自愈知识库，将目标质量问题数据输入到深度学习引擎的质量自愈模型中，输出修复指令，并根据修复指令对感知数据进行自愈修复，通过基于质量修复规则策略和质量问题数据为训练样本，采用Q值卷积神经网络训练得到的质量自愈模型，能够准确地根据输入的目标指令问题输出合适的质量修复规则策略，并最终根据输出相对应的修复指令实现感知数据的自愈修复，在本发明实施例中，能够在海量级别的网络数据中保证感知数据的数据质量。
本实施例提供一计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现实施例中感知数据的自愈管控方法，为避免重复，此处不一一赘述。或者，该计算机程序被处理器执行时实现实施例中感知数据的自愈管控装置中各模块/单元的功能，为避免重复，此处不一一赘述。
图6是本发明一实施例提供的计算机设备的示意图。如图6所示，该实施例的计算机设备50包括：处理器51、存储器52以及存储在存储器52中并可在处理器51上运行的计算机程序53，该计算机程序53被处理器51执行时实现实施例中的感知数据的自愈管控方法，为避免重复，此处不一一赘述。或者，该计算机程序53被处理器51执行时实现实施例中感知数据的自愈管控装置中各模型/单元的功能，为避免重复，此处不一一赘述。
计算机设备50可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。计算机设备50可包括，但不仅限于，处理器51、存储器52。本领域技术人员可以理解，图6仅仅是计算机设备50的示例，并不构成对计算机设备50的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如计算机设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器51可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器52可以是计算机设备50的内部存储单元，例如计算机设备50的硬盘或内存。存储器52也可以是计算机设备50的外部存储设备，例如计算机设备50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。进一步地，存储器52还可以既包括计算机设备50的内部存储单元也包括外部存储设备。存储器52用于存储计算机程序以及计算机设备所需的其他程序和数据。存储器52还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (10)

1.一种感知数据的自愈管控方法，其特征在于，所述方法包括：
基于网络通信的数据源获取感知数据；
采用深度学习引擎对所述感知数据的数据质量进行检测，得到目标质量问题数据，其中，所述深度学习引擎预训练有数据质量检测模型，所述数据质量检测模型基于质量问题数据和质量合格数据为训练样本训练得到；
基于预设的数据自愈知识库，将所述目标质量问题数据输入到深度学习引擎的质量自愈模型中，输出修复指令，其中，所述数据自愈知识库包括质量修复规则策略，所述质量自愈模型基于所述质量修复规则策略和所述质量问题数据为训练样本，采用Q值卷积神经网络训练得到；
根据所述修复指令对所述感知数据进行自愈修复。
2.根据权利要求1所述的方法，其特征在于，在所述基于网络通信的数据源获取感知数据之前，还包括：
获取历史感知数据中的质量问题数据和质量合格数据；
按照感知数据的阶段类型进行区分，将区分后的所述质量问题数据和所述质量合格数据作为训练样本集，其中，所述感知数据的阶段类型包括数据源采集阶段、数据模型汇聚阶段和指标生成阶段，所述训练样本集中的任一组训练样本包括具有对照关系的所述质量问题数据和所述质量合格数据；
将所述训练样本集输入到深度学习引擎的深度神经网络中进行模型训练；
在模型训练过程中，采用回归模型的损失函数计算模型训练过程中产生的损失值；
采用梯度下降法，根据所述损失值对所述深度神经网络的网络参数进行更新，当达到预设训练步数或者梯度不再下降时，模型训练结束，得到所述数据质量检测模型。
3.根据权利要求2所述的方法，其特征在于，所述获取历史感知数据中的质量问题数据和质量合格数据，包括：
对于数据源采集阶段的历史感知数据，基于接口数据的完整性获取数据源采集阶段的质量问题数据和质量合格数据；
对于数据模型汇聚阶段的历史感知数据，基于ETL过程中数据加工的一致性获取数据模型汇聚阶段的质量问题数据和质量合格数据；
对于指标生成阶段的历史感知数据，基于数据指标的一致性获取指标生成阶段的质量问题数据和质量合格数据，其中所述数据指标包括关键业绩指标和业务质量指标。
4.根据权利要求1所述的方法，其特征在于，所述感知数据的阶段类型包括数据源采集阶段、数据模型汇聚阶段和指标生成阶段，所述基于网络通信的数据源获取感知数据，包括：
对5G用户面HTTP、5G用户面即时通信、5G用户面视频和5G用户面通用话单的网络感知指标进行抽取、清洗和转换，得到所述数据源采集阶段的感知数据；
基于预设的模型汇聚规则，对所述数据源采集阶段的感知数据进行数据加工与计算，得到数据模型汇聚阶段的感知数据；
对所述数据模型汇聚阶段的感知数据进行指标计算，得到所述指标生成阶段的感知数据。
5.根据权利要求1所述的方法，其特征在于，在所述基于网络通信的数据源获取感知数据之前，还包括：
从历史感知数据中获取质量问题数据；
接入数据自愈知识库到所述深度学习引擎，其中，所述数据自愈知识库根据所述质量修复规则策略预构建得到；
将所述质量问题数据作为Q值卷积神经网络训练中的输出状态，将所述质量修复规则策略作为Q值卷积神经网络训练中的输出动作，采用包括所述输出状态和所述质量修复规则策略的Q值，输入到所述深度学习引擎的Q值卷积神经网络进行模型训练，并根据动作评估函数进行Q值卷积神经网络中网络参数的迭代更新；
当满足模型训练停止的条件时，停止Q值卷积神经网络的模型训练，得到所述质量自愈模型。
6.根据权利要求1所述的方法，其特征在于，所述基于预设的数据自愈知识库，将所述目标质量问题数据输入到深度学习引擎的质量自愈模型中，输出修复指令，包括：
数据自愈知识库中的质量修复规则策略通过数据连接接口输入到所述质量自愈模型中；
将所述目标质量问题数据输入到深度学习引擎的质量自愈模型中；
根据所述质量修复规则策略和所述目标质量问题数据，在通过质量自愈模型的解析后，输出所述目标质量修复规则策略；
根据所述目标质量修复规则策略生成并输出对应的修复指令。
7.根据权利要求1-6任一项所述的方法，其特征在于，在所述根据所述修复指令对所述感知数据进行自愈修复之后，还包括：
将自愈修复后的感知数据进行质量校验；
若自愈修复后的感知数据仍存在质量问题，则向运维人员发出通知，并在通知指出在自愈修复后仍存在质量问题的感知数据。
8.一种感知数据的自愈管控装置，其特征在于，所述装置包括：
第一处理模块，用于基于网络通信的数据源获取感知数据；
第二处理模块，用于采用深度学习引擎对所述感知数据的数据质量进行检测，得到目标质量问题数据，其中，所述深度学习引擎预训练有数据质量检测模型，所述数据质量检测模型基于质量问题数据和质量合格数据为训练样本训练得到；
第三处理模块，用于基于预设的数据自愈知识库，将所述目标质量问题数据输入到深度学习引擎的质量自愈模型中，输出修复指令，其中，所述数据自愈知识库包括质量修复规则策略，所述质量自愈模型基于所述质量修复规则策略和所述质量问题数据为训练样本，采用Q值卷积神经网络训练得到；
第四处理模块，用于根据所述修复指令对所述感知数据进行自愈修复。
9.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述感知数据的自愈管控方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述感知数据的自愈管控方法的步骤。
CN202010172691.9A 2020-03-12 2020-03-12 感知数据的自愈管控方法、装置、计算机设备和存储介质 Active CN113392862B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010172691.9A CN113392862B (zh) 2020-03-12 2020-03-12 感知数据的自愈管控方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010172691.9A CN113392862B (zh) 2020-03-12 2020-03-12 感知数据的自愈管控方法、装置、计算机设备和存储介质

Publications (2)

Publication Number Publication Date
CN113392862A true CN113392862A (zh) 2021-09-14
CN113392862B CN113392862B (zh) 2022-12-09

Family

ID=77616107

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010172691.9A Active CN113392862B (zh) 2020-03-12 2020-03-12 感知数据的自愈管控方法、装置、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN113392862B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104469833A (zh) * 2015-01-08 2015-03-25 西安电子科技大学 一种基于用户感知的异构网络运维管理方法
CN105554782A (zh) * 2015-12-09 2016-05-04 中国联合网络通信集团有限公司 用户感知指标的预测方法和装置
CN108683527A (zh) * 2018-04-25 2018-10-19 武汉虹信技术服务有限责任公司 一种基于mr和xdr的用户感知深度检测方法
CN108846484A (zh) * 2018-04-11 2018-11-20 北京百度网讯科技有限公司 故障自愈系统、方法、计算机设备及存储介质
CN109204389A (zh) * 2018-09-12 2019-01-15 济南轨道交通集团有限公司 一种地铁设备故障诊断和自愈方法、系统
CN109782603A (zh) * 2019-02-03 2019-05-21 中国石油大学(华东) 旋转机械耦合故障的检测方法及监测系统
CN110430071A (zh) * 2019-07-19 2019-11-08 云南电网有限责任公司信息中心 业务节点故障自愈方法、装置、计算机设备及存储介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104469833A (zh) * 2015-01-08 2015-03-25 西安电子科技大学 一种基于用户感知的异构网络运维管理方法
CN105554782A (zh) * 2015-12-09 2016-05-04 中国联合网络通信集团有限公司 用户感知指标的预测方法和装置
CN108846484A (zh) * 2018-04-11 2018-11-20 北京百度网讯科技有限公司 故障自愈系统、方法、计算机设备及存储介质
CN108683527A (zh) * 2018-04-25 2018-10-19 武汉虹信技术服务有限责任公司 一种基于mr和xdr的用户感知深度检测方法
CN109204389A (zh) * 2018-09-12 2019-01-15 济南轨道交通集团有限公司 一种地铁设备故障诊断和自愈方法、系统
CN109782603A (zh) * 2019-02-03 2019-05-21 中国石油大学(华东) 旋转机械耦合故障的检测方法及监测系统
CN110430071A (zh) * 2019-07-19 2019-11-08 云南电网有限责任公司信息中心 业务节点故障自愈方法、装置、计算机设备及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
FARIS B. MISMAR 等: ""Deep Q-Learning for Self-Organizing Networks Fault Management and Radio Performance Improvement"", 《ARXIV:1707.02329V6 [CS.NI]》 *

Also Published As

Publication number Publication date
CN113392862B (zh) 2022-12-09

Similar Documents

Publication Publication Date Title
CN107844837B (zh) 针对机器学习算法进行算法参数调优的方法及系统
CN109726763B (zh) 一种信息资产识别方法、装置、设备及介质
US20160162794A1 (en) Decision tree data structures generated to determine metrics for child nodes
WO2021004324A1 (zh) 资源数据的处理方法、装置、计算机设备和存储介质
CN109669853A (zh) 测试报告生成方法及装置、存储介质、电子终端
CN110286938B (zh) 用于输出针对用户的评价信息的方法和装置
CN111128391A (zh) 一种信息处理设备、方法和存储介质
CN110059894A (zh) 设备状态评估方法、装置、系统及存储介质
CN115145812B (zh) 测试用例生成方法、装置、电子设备和存储介质
US20220350690A1 (en) Training method and apparatus for fault recognition model, fault recognition method and apparatus, and electronic device
CN112801434A (zh) 性能指标健康度的监测方法、装置、设备和存储介质
CN111178537A (zh) 一种特征提取模型训练方法及设备
CN111949498A (zh) 应用服务器异常预测方法及系统
CN113392862B (zh) 感知数据的自愈管控方法、装置、计算机设备和存储介质
CN111967581B (zh) 分群模型的解释方法、装置、计算机设备和存储介质
US11854433B2 (en) Systems and methods for item response modelling of digital assessments
US20220415046A1 (en) Method for determining video coding test sequence, electronic device and computer storage medium
CN116168403A (zh) 医疗数据分类模型训练方法、分类方法、装置及相关介质
CN113934590A (zh) 监控指标的动态阈值处理方法及装置、介质及电子设备
US11886320B2 (en) Diagnosing application problems by learning from fault injections
CN117632905B (zh) 基于云端使用记录的数据库管理方法及系统
CN111144973B (zh) 问题排名方法及计算机可读存储介质
CN117132176B (zh) 基于预报因子筛选的径流预报模型构建和径流预报方法
CN117407761A (zh) 资源转移方法、装置、设备、介质和程序产品
CN117787433A (zh) 模型的训练方法、监控参数的配置方法及装置

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