CN113705822A - 一种自动建模方法、系统、计算设备及存储介质 - Google Patents
一种自动建模方法、系统、计算设备及存储介质 Download PDFInfo
- Publication number
- CN113705822A CN113705822A CN202010430578.6A CN202010430578A CN113705822A CN 113705822 A CN113705822 A CN 113705822A CN 202010430578 A CN202010430578 A CN 202010430578A CN 113705822 A CN113705822 A CN 113705822A
- Authority
- CN
- China
- Prior art keywords
- data
- modeling
- model
- preset
- determining
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- User Interface Of Digital Computer (AREA)
Abstract
本申请实施例提供一种自动建模方法、系统、计算设备及存储介质。在本申请实施例中,提供建模界面,基于建模界面,获取用于建模的数据;根据数据以及预置建模方式进行建模,生成对应的模型;并根据模型以及输入数据,确定模型的输出结果,并展示该输出结果。使得用户无需自己去创建模型或者模型算法,通过该建模界面即可帮助用户自动地且快速地创建模型,并根据模型的输入数据,确定输出结果,一次性地帮助用户完成建模以及模型的预测,大大地增加了用户的体验感受,特别是对于模型的构建不太了解的用户是非常友好的。
Description
技术领域
本申请涉及计算机技术领域,尤其涉及一种自动建模方法、系统、计算设备及存储介质。
背景技术
伴随着计算机技术以及互网络的快速发展,计算机的应用范围变得越来越广泛,越来越深入人们的日常生活,也正逐渐向信息的智能化方向迈步前进。其中,机器学习是使得计算机上的应用程序越来越智能的主要原因。
机器学习(Machine Learning,ML)是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为,以获取新的知识或技能,重新组织已有的知识结构使之不断改善自身的性能。它是人工智能的核心,是使计算机具有智能的根本途径,其应用遍及人工智能的各个领域,特别是可以通过机器学习进行算法建模来进行预测等,但是机器学习是一门很复杂的学科,通过机器学习来构建算法对于不懂算法的用户来说是很困难的。
发明内容
本申请的多个方面提供一种自动建模方法、系统、计算设备及存储介质,用以能够帮助用户自动且快速地进行建模,并通过建模后的模型进行预测。
本申请实施例提供一种自动建模方法,包括:提供建模界面,基于所述建模界面,获取用于建模的数据;根据所述数据以及预置建模方式进行建模,生成对应的模型;获取所述模型对应的输入数据,并根据所述模型,确定模型的输出结果,并展示所述模型的输出结果。
本申请实施例还提供一种自动建模方法,包括:提供建模界面,在所述建模界面展示了数据选择区域、建模区域以及建模结果区域;在所述数据选择区域上,响应于数据的选择操作以及数据的获取操作,获取用于建模的数据;在所述建模区域上,响应于建模的运行操作,根据所述数据以及预置建模方式进行建模,生成对应的模型;获取所述模型对应的输入数据,并根据所述模型,确定模型的输出结果,并在所述建模结果区域上,展示所述模型输出结果。
申请实施例还提供一种自动建模方法,包括:接收数据的来源,根据所述来源获取用于建模的数据;根据所述数据以及预置建模方式进行建模,生成对应的模型;接收所述模型对应的输入数据,并根据所述模型,确定模型的输出结果,并发送所述输出结果至展示端,以进行展示。
申请实施例还提供一种自动建模系统,包括:第一设备以及第二设备;所述第一设备,用于提供建模界面,在所述建模界面,响应于数据的获取操作,向所述第二设备发送获取请求;所述第二设备,用于响应于所述获取请求,获取用于建模的数据;根据所述数据以及预置建模方式进行建模,生成对应的模型;接收第一设备发送的所述模型对应的输入数据,并根据所述模型,确定模型的输出结果,并将所述输出结果发送至所述第一设备进行展示。
本申请实施例还提供一种计算设备,包括:存储器以及处理器;所述存储器,用于存储计算机程序;所述处理器,用于执行所述计算机程序,以用于:提供建模界面,基于所述建模界面,获取用于建模的数据;根据所述数据以及预置建模方式进行建模,生成对应的模型;获取所述模型对应的输入数据,并根据所述模型,确定模型的输出结果,并展示所述模型的输出结果。
本申请实施例还提供一种计算设备,包括:存储器以及处理器;所述存储器,用于存储计算机程序;所述处理器,用于执行所述计算机程序,以用于:提供建模界面,在所述建模界面展示了数据选择区域、建模区域以及建模结果区域;在所述数据选择区域上,响应于数据的选择操作以及数据的获取操作,获取用于建模的数据;在所述建模区域上,响应于建模的运行操作,根据所述数据以及预置建模方式进行建模,生成对应的模型;获取所述模型对应的输入数据,并根据所述模型,确定模型的输出结果,并在所述建模结果区域上,展示所述模型输出结果。
本申请实施例还提供一种计算设备,包括:存储器、处理器以及通信组件;所述存储器,用于存储计算机程序;所述处理器,用于执行所述计算机程序,以用于:根据所述来源获取用于建模的数据;根据所述数据以及预置建模方式进行建模,生成对应的模型;接收所述模型对应的输入数据,并根据所述模型,确定模型的输出结果;所述通信组件,用于接收数据的来源;发送所述输出结果至展示端,以进行展示。
本申请实施例还提供一种存储有计算机程序的计算机可读存储介质,计算机程序被一个或多个处理器执行时,致使所述一个或多个处理器实现上述方法中的步骤。
在本申请实施例中,提供建模界面,基于建模界面,获取用于建模的数据;根据数据以及预置建模方式进行建模,生成对应的模型;并根据模型以及输入数据,确定模型的输出结果,并展示该输出结果。使得用户无需自己去创建模型或者模型算法,通过该建模界面即可帮助用户自动地且快速地创建模型,并根据模型的输入数据,确定输出结果,一次性地帮助用户完成建模以及模型的预测,大大地增加了用户的体验感受,特别是对于模型的构建不太了解的用户是非常友好的。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为本申请一示例性实施例的自动建模系统的结构示意图;
图2为本申请一示例性实施例的自动建模方法的流程示意图;
图3为本申请又一示例性实施的建模界面的示意图;
图4A为本申请又一示例性实施的数据选择界面的示意图;
图4B为本申请又一示例性实施的数据选择界面的示意图;
图5A为本申请一示例性实施例的数据选择界面的示意图;
图5B为本申请一示例性实施例的数据选择界面的示意图;
图6为本申请一示例性实施例的建模区界面的示意图;
图7为本申请一示例性实施例的建模结果界面的示意图;
图8为本申请一示例性实施例的建模结果界面的示意图;
图9为本申请一示例性实施例的自动建模方法的流程示意图;
图10为本申请一示例性实施例的自动建模方法的流程示意图;
图11为本申请又一示例性实施例提供的自动建模装置的结构示意图;
图12为本申请又一示例性实施例提供的自动建模装置的结构示意图;
图13为本申请又一示例性实施例提供的自动建模装置的结构示意图;
图14为本申请一示例性实施例提供的计算设备的结构示意图;
图15为本申请一示例性实施例提供的计算设备的结构示意图;
图16为本申请一示例性实施例提供的计算设备的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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他实施例,都属于本申请保护的范围。
在机器学习中,时间序列预测(可以简称为时序预测)是通过历史数据,对未来的趋势进行预测,帮助用户对未来的状况提前做好准备。准确地进行趋势预测是十分困难的,需要考虑影响大量的影响因数,同时还要有敏锐的直觉。
为了解决该问题,本申请实施例提供了一种自动建模方法,尽管场景多样,时间粒度和历史数据状况不一,但该方法提供了可以让用户简单快速的进行建模,从而对未来趋势进行预测。
以下结合附图,详细说明本申请各实施例提供的技术方案。
图1为本申请一示例性实施例提供的一种自动建模系统的结构示意图。如图1所示,该系统100可以包括:第一设备101以及第二设备102。
其中,第一设备101可以是有一定计算能力的设备,可以实现向第二设备102发送请求的功能,并从第二设备102获取到响应数据。第一设备101的基本结构可以包括:至少一个处理器。处理器的数量可以取决于具有一定计算能力装置的配置和类型。具有一定计算能力装置也可以包括存储器,该存储器可以为易失性的,例如RAM(随机存取存储器,RandomAccess Memory),也可以为非易失性的,例如只读存储器(Read-Only Memory,ROM)、闪存等,或者也可以同时包括两种类型。存储器内通常存储有操作系统(Operating System,OS)、一个或多个应用程序,也可以存储有程序数据等。除了处理单元和存储器之外,具有一定计算能力装置还包括一些基本配置,例如网卡芯片、IO总线、显示组件以及一些外围设备等。可选地,一些外围设备可以包括,例如键盘、输入笔等。其它外围设备在本领域中是众所周知的,在此不做赘述。可选地,第一设备101可以为智能终端,例如,手机、台式电脑、笔记本、平板电脑等。
第二设备102是指可以在网络虚拟环境中提供计算处理服务的设备,可以是指利用网络进行数据获取以及建模的设备。在物理实现上,第二设备102可以是任何能够提供计算服务,响应服务请求,并返回数据处理结果,例如可以是云服务器、云主机、虚拟中心、常规服务器等等。第二设备102的构成主要包括处理器、硬盘、内存、系统总线等,和通用的计算机架构类似。
在本申请实施例中,第一设备101,提供建模界面,在该建模界面,响应于数据的获取操作,向第二设备102发送获取请求,该获取请求可以携带数据来源。第二设备102接收到该请求,根据该请求中携带的数据来源,获取用于建模的数据。第二设备102可以直接根据获取到的数据以及预置建模方式进行建模,生成对应的模型。第二设备102还接收第一设备101发送的模型对应的输入数据,该输入数据可以是由获取请求携带的。第二设备102根据该模型以及输入数据,确定模型的输出结果,并将输出结果发送至所述第一设备101进行展示。
此外,第二设备102还可以根据获取请求获取到用于建模的数据后,将该数据返回至第一设备101,进行展示。当用户对这些数据确认后并确定上述输入数据,用户可以对该模型进行创建,第一设备101响应于用户的建模操作,向第二设备102发送建模请求,该建模请求可以携带上述输入数据。第二设备102接收到该建模请求,可以根据获取到的数据进行建模,并在建模后,根据该建模请求携带的输入数据,确定模型的输出结果。
在本申请实施例的应用场景中,用户通过第一设备101,如电脑,向第二设备102,如云服务器,发送获取请求。用户可以通过第一设备101安装的浏览器发送该请求。第二设备102接收该请求,该请求中可以携带数据来源,如A数据库中的b表。第二设备102可以到A数据库中去获取b表,从而获取到b表中的数据,应理解,这种获取是第二设备102与数据来源有数据接口进行连接的,从而可以获取。第二设备102可以将获取到的数据作为用于建模的数据,并返回至第一设备101进行展示,以供用户确认。若该数据是一类数据,如历史温度,且可以是历史中每天的同一时间的数据,如过去2年内每天同一时间的温度,那么用户可以直接建模,同时输入预测时间,如未来一年。第一设备101响应于用户的预测时间的输入操作,获取到预测时间,以及响应于建模操作,向第二设备102发送建模请求,该请求可以携带预测时间。第二设备102接收到该建模请求后,根据获取到的上述数据进行建模,如进行默认模型的建模,该默认模型可以是预测模型,如指数平滑模型。建模后,第二设备102可以将预测时间输入至建模后的指数平滑模型中,进行预测,例如预测出未来一年内的温度。同时,第二设备102将预测到的温度返回至第一设备101,以供用户查看。
需要说明的是,除了上述可以预测温度,还可以预测许多不同场景下的数据,如,景区的客流量、医院的门诊量、流行病的发病量、对本地企业以及外贸企业的未来税收趋势预测、分析、研判以及对疫情对进出口的影响等,还可以应用于预测本地企业以及外贸企业的注册量。一个区域中的地质变化情况的预测、土地资源经济形势分析等等。
其中,传统流行病的威胁持续存在、新发流行病不断出现,流行病的预警和防控是很重要的。比如,流感作为全球防控的疾病,大规模流行风险始终存在,准确地提前预测流感的爆发可以对流感进行预见性和主动性的预警防控,将危害降到最低。
此外,对于图像识别、语音识别、文字识别等等,本申请实施例也同样适用,通过本申请实施例直接构建出对应的识别模型,并对待测信息,如图像以及语音等进行识别。
由于预测场景上述已经阐述过了,此处就不再过多赘述前述提及的多个场景应用,仅说明,对于不同预测数据,获取到的用于建模的数据类型不同,与预测数据是对应的,如预测客流量,那么用于建模的数据类型则是某景区的历史客流量等,从而进行未来客流量的预测。如流行病的预测,用于建模的数据类型可以是某流行病的历史发生周期以及史发生周期发生后的爆发数据,建立时序预测模型,从而预测该流行病在未来的发病趋势。此外,还可以如对本地企业以及外贸企业的未来税收趋势预测,则用于建模的数据类型可以是本地企业的历史税收数据,以及外贸企业历史的税收数据,建立时序模型,从而预测本地企业以及外贸企业的未来税收趋势。而对于语音识别而言,用于建模的数据类型可以是现有的语音以及对应的语义,并根据神经该网络模型进行建模,从而对语音进行语义识别等。
在上述本实施例中,第一设备101以及第二设备102进行网络连接,该网络连接可以是无线连接。若第一设备101以及第二设备102是通信连接,该移动网络的网络制式可以为2G(GSM)、2.5G(GPRS)、3G(WCDMA、TD-SCDMA、CDMA2000、UTMS)、4G(LTE)、4G+(LTE+)、WiMax、5G等中的任意一种。
下面结合方法实施例,针对自动建模过程进行详细说明。
图2为本申请一示例性实施例的一种自动建模方法的流程示意图。本申请实施例提供的该方法200由智能终端执行,如,电脑、手机等。该方法200包括以下步骤:
201:提供建模界面,基于建模界面,获取用于建模的数据。
202:根据数据以及预置建模方式进行建模,生成对应的模型。
203:获取模型对应的输入数据,并根据模型,确定模型的输出结果,并展示模型的输出结果。
以下针对上述步骤进行详细阐述:
201:提供建模界面,基于建模界面,获取用于建模的数据。
其中,建模界面用于进行建模的展示界面,可以通过智能终端进行展示的界面。
例如,用户通过电脑上安装的浏览器访问云服务器提供的web(网页)界面(即建模界面)。用户可以在该建模界面进行数据的获取操作,电脑响应该获取操作,并从云服务器上获取到该数据,并在该界面上进行展示,从而实现获取到用于建模的数据。
其中,图3示出了该建模界面300。在该界面300上展示了数据选择区域301(即图3中的数据选择),用户可以在该界面300上的数据选择区域301上进行数据的获取操作,从而可以在该数据选择区域301展示出获取到的数据。
此外,该建模界面除了包括数据选择区域301,还可以包括建模区域302(即图3中的建模区)以及建模结果区域302(即图3中的建模结果)。用户可以在不同的区域中进行操作,实现各个建模的全过程。其它区域的操作过程会在下文中进行详细的阐述。
具体的,基于该建模界面,获取用于建模的数据,包括:响应于数据来源的输入操作,确定数据的来源;根据来源获取数据,作为用于建模的数据。
其中,数据的来源(也可以称为数据来源)是指数据所在的源头,即数据存储的地方。如,数据库或者其它数据存储平台、数据存储服务器等。
例如,根据前文所述,用户在该界面300上进行获取操作。用户可以通过鼠标以及键盘在该界面300上对数据来源进行输入操作。用户可以在数据选择区域301中的数据来源对应的输入框进行输入,如“云计算资源”输入框3012以及“表名”输入框3013。
其中,图4A示出了具体的数据选择区域301的界面400A。电脑在该界面400A上展示了上述输入框中输入了数据。云计算资源输入框3012中用户输入了“A”,指示的是数据库A,以及表名输入框3013中用户输入了“b”。此时,电脑响应于用户的输入操作,获取到输入数据,可以向云服务器发送获取请求,该获取请求可以携带这些输入数据。云服务器收到该获取请求后,根据其携带的输入数据,到对应的数据的来源去获取对应的数据。如,云服务器通过数据接口从数据库A中获取b表中的数据。云服务器将获取到的数据返回至用户的电脑,并通过该界面400A进行展示。即用户可以看到该获取到的数据,可以作为用于建模的数据。
此外,电脑也可以作为独立的执行端,在获取到数据的来源后,可以直接通过数据接口从数据库A中获取b表中的数据,无需通过服务器进行获取。并将获取到的数据展示在界面400A上,可以作为用于建模的数据。
在该表中的数据属于同一类型的数据如历史温度,且可以是历史中每天的同一时间的数据,如过去2年内每天同一时间的温度,用户可以直接将获取到数据作为用于建模的数据。
需要说明的是,上述云计算资源即指示的是数据资源,即指示的是数据的来源。该数据资源可以是云服务器通过数据接口有所连接的数据库、数据存储平台等,此处就不再具体限定。
另外,无论是云服务器还是电脑自身,在获取到数据时,可以对数据进行自动检测,即对其中不符合数据格式的数据进行删除,或者筛选,最终将符合数据格式的数据保留下来进行展示,或者发送给电脑进行展示。
应理解的是,该建模界面并拘泥于图3的展示形式,只要是界面,用户都可以通过获取操作,从云服务器上获取到对应的数据。
此外,在智能终端,如电脑获取到数据后,需要通过展示形式让用户知晓,让用户可以查看当前获取到的数据是什么样的数据,提升用户的体验感。
具体的,该方法200还可以包括:在根据来源获取到数据之后,在建模界面上展示来源对应的数据、数据的发生时间以及数据的数据类型。
其中,数据的发生时间是指数据产生的时间,可以通过时间字段来进行展示以及查询,如数据日期以及运行日期等。
数据类型是指的数据的分类,如温度、价格等。可以通过测试字段来进行展示以及查询。如字段名称、温度等。
例如,根据前文所述,电脑获取到该数据后,可以在该界面400A展示出了获取到的数据的列表401。在列表401中可以包括多个数据列。仅为了示意,该列表401中可以展示出商品编号“001”、商品名称“商品1”、数据日期“201x-01-03”、运行日期“201x-01-04”以及字段名称“300万”等。
当用户对数据还有其它需求时,如还有其它条件对数据进行筛选,或者,当获取到的数据类型比较多,需要进行筛选,才能更好地进行建模,则该建模界面,如该界面300也可以向用户提供其它条件进行数据筛选。从而使得用户可以在该建模界面上进行数据的筛选。
具体的,该方法200还可以包括:响应于数据的发生时间的输入操作,确定发生时间;响应于数据类型的输入操作,确定数据类型;根据发生时间以及数据类型,从获取到的数据中获取目标数据,作为用于建模的数据。
例如,根据前文所述,用户在界面300上进行操作,除了输入数据的来源的输入框外,还可以对“时间字段”输入框3014以及“测试字段”输入框3015进行输入,从而进行输入筛选。
其中,图4B示出了具体的该数据选择区域301的界面400B。在该界面400B上展示了数据选择区域301,用户在该数据选择区域301上进行操作,在“时间字段”输入框3014“Date”以及“测试字段”输入框3015“Temp”。其中,Date表示日期,即产生时间,Temp表示温度。在输入完成后,用户可以直接点击“获取数据”按钮3011进行数据获取。电脑响应该获取操作,可以通过云服务器进行数据获取,或者直接自身进行数据获取。获取过程与前文相似,此处就不再赘述,仅说明,在获取数据时,除了到对应数据的来源去获取数据,还需要对这些数据按照时间字段以及测试字段进行筛选,选择符合时间字段以及测试字段的数据。此处,时间字段也可以输入为每天早上9点等。同时,将获取到的数据在该界面400B上进行展示,可以作为用于建模的数据,如数据列表402。
为了能够让用户更加直视出来各个数据的变化以及数据走向,还可以通过下述图形的方式进行展示:
具体的,该方法200还包括:在建模界面上展示获取到的用于建模的数据、数据的发生时间以及数据的数据类型;根据发生时间序列,展示数据对应的数据详细图形。
其中,发生时间序列是指发生时间组成的序列。数据详细图形是指可以看出各个数据的图形。
例如,根据前文所述,如图4B所示,电脑在该界面400B展示出来数据列表402,同时还根据该数据列表402,以发生时间序列为横轴,纵轴可以为温度,展示该数据,即数据详细图形403。在该数据详细图形403中,用户可以看到各个数据的数值,每个日期对应的温度。如,在图形403中用户可以将鼠标悬停在数据4031上,即可以显示该数据4031为(1989-09-21,10)表示为1989年9月21日的温度为10摄氏度。此外,用户还可以通过鼠标对该图形403进行发大,从而查看该数据。
此外,该方法200还可以包括:根据发生时间序列,展示数据对应的整体数据变化趋势图形。
例如,根据前文所述,除了显示该数据详细图形403,还可以根据上述数据列表402,以发生时间序列为横轴,纵轴可以为温度,展示该数据的数据变化趋势图形404,使得用户可以从整体上查看该数据的变化趋势。在想要看细节的时候,可以查看数据详细图形403。
由于本申请实施例提供了数据详细图形403以及数据变化趋势图形404,即从多维度对时序数据进行了分析和展示,用户可以查看其中的全部数据或者细看局部数据。
此外,用户除了对上述条件进行数据筛选外,还可以根据聚合方式进行数据筛选,该聚合方式可以包括数据的单位时间的确定以及如何确定单位时间的数据。
具体的,该方法200还包括:响应于数据的单位时间的输入操作,确定单位时间;响应于单位时间对应数据的确定方式的输入操作,确定该确定方式;根据单位时间以及确定方式,从获取到的数据中确定对应数据,作为用于建模的数据。
其中,单位时间,也可以称为聚合时间尺度,其中,聚合时间尺度可以有年、月、周、日、时、分、秒等。
确定方式,也可以称为聚合方式,可以为有求和、最大值、最小值、首位值(即时间区间(聚合时间尺度)里的第一个值)和末位值(即时间区间(聚合时间尺度)里的最后一个值)。
例如,根据前文所述,用户在界面300上进行操作,除了输入上述输入框外,还可以对“聚合时间尺度”输入框3016以及“聚合方式”输入框3017进行输入,从而进行数据筛选和处理。
其中,图5A示出了更具体的数据选择区域301的界面500A。在该界面500A中,用户可以通过鼠标在“聚合时间尺度”输入框3016中输入“日”以及“聚合方式”输入框3017输入“平均值”。即对于每日的平均温度,对于同一天的历史时间的温度存在多个时,需要对于该天的历史温度进行求平均值,作为该天的历史温度,也可以根据需求选择当天的最大值或最小值。用户点击“获取数据”按钮3011进行数据获取。获取过程就不再赘述,仅说明,无论是电脑还是云服务器在获取到数据后,根据聚合方式以及聚合时间尺度,对数据进行处理,将处理后的数据通过电脑进行展示,可以作为用于建模的数据。如图5A所示的数据列表501、数据详细图形502以及数据变化趋势图形503。此外,用户还可以移动数据变化趋势图形503中的两条轴线504,可以集中查看两条轴线504之前的数据变化趋势。应理解,对于不同数据类型,聚合时间尺度所对应的聚合方式可以是不同的,由此用户可以进行自主选择来确定。同时,本申请实施例由于提供了多种聚合时间尺度和聚合方式,用户可以快速进行多聚合时间尺度的数据预览和探索。
由于获取到的数据可能存在缺失数据值的问题,为了降低建模的影响,可以对该缺失数据值进行补充,具体如下:
该方法200还可以包括:响应于缺失数据值的处理方式的确定操作,确定对应的处理方式;从对来源所对应的数据中确定缺失数据值;根据处理方式,对缺失数据值进行处理。
其中,缺失数据值,也可以成为缺省值,如,日期1981.05.05,温度数据值缺失。
缺失数据值的处理方式是指对该缺失数据值的补充方式,如补充0、进行线性插值。可以将补充0作为默认处理方式,可以在用户不进行选择时,直接进行补充0处理。
例如,根据前文所述,用户在界面300上进行操作,除了输入上述输入框外,还可以对缺省值的“处理方式”输入框3018进行输入或者选择“补充0”,从而进行数据筛选和处理。数据的获取以及聚合处理此处就不再赘述了,仅说明,电脑或者云服务器可以先对各个获取到的数据进行检测,对缺失数据值进行补充0,然后再进行聚合处理,将处理后的数据通过电脑进行展示,可以作为用于建模的数据。如图5B所示的数据列表501、数据详细图形502以及数据变化趋势图形503。
需要说明的是,上述输入框除了用户进行手动输入外,还可以进行手动选择,点击每个输入框,输入框可以提供对应的下拉界面,供用户进行手动选择。如,点击“聚合时间尺度”输入框3016,提供下拉界面,可以包括年、月、周、日、时、分、秒等。
202:根据数据以及预置建模方式进行建模,生成对应的模型。
其中,预置建模方式是指建立对应模型的过程。该预置建模方式已经存储在智能终端中或者服务器中,可以直接运行来进行建模。每个模型可以对应一个建模方式。该模型可以包括神经网络模型以及时间序列预测模型等。其中,时间序列预测模型可以包括指数平滑模型(ExponenTial Smoothing Model,ETS)以及Light GBM(Light GradientBoosting Machine,轻量梯度提升机,简称LGBM)是Gradient Boosting Machine(梯度提升机,GBM)模型的一个变体,是基于决策树模型。指数平滑模型是在移动平均方法上发展起来的一种时间序列分析预测方法,它通过计算指数平滑值,配合一定的时间序列预测模型对未来进行预测。指数平滑模型可以提供多个常见周期,进行周期扫描,选择最合适的周期。LGBM根据训练数据建立与时间相关的统计特征,从而预测未来的趋势,对于不同的聚合时间尺度,有相适应的统计特征计算,同时还可以提供优化过的该模型参数。
例如,根据前文所述,在电脑获取到上述数据后,可以电脑可以直接通过存储在本地的预置建模方式进行建模,此时,电脑可以随机选择一个模型创建,或者选择默认模型进行创建,生成对应的模型。
也可以云服务器直接根据存储在本地的预置建模方式进行建模,生成对应的模型。
其中,根据数据以及预置建模方式进行建模,生成对应的模型,包括:从数据中确定预置范围的数据,并在建模界面上展示预置范围的数据;在建模界面上展示预置模型信息;响应于建模操作,根据预置范围的数据以及预置模型对应的预置建模方式进行建模,生成模型。
为了更好地进行建模,电脑可以从获取到的数据中选择一部分数据作为预置范围的数据,用于建模,同时将这一部分数据展示出来供用户确认以及选择。
例如,根据前文所述,电脑或者云服务器在获取到数据后,即用于建模的数据,从中选择预置范围内的数据,如一年内的温度历史数据。并在该建模界面上展示该一年内的温度历史数据。同时还可以展示出该建模的模型信息,如模型名称等,可以供用户进行选择需要创建的模型。当用户对当前展示的内容进行确认,并进行建模操作,则电脑响应于该建模操作,根据上述方式进行建模,生成对应模型。或者电脑响应于该建模操作,向云服务器发送建模请求,使得云服务器根据上述方式进行建模,生成对应模型。
其中,图6示出了建模区域302的界面600。电脑在界面600上展示了预置范围内的数据“训练时间历史1000日至199日”。还可以展示了数据对应的图601。在该图601中展示了训练时间区602,即历史1000日至199日对应的温度。在该界面600上还展示了模型选择区域(即模型选择)605,其中,包括指数平滑模型以及Light GBM。在该模型选择区域605中,选择的是指数平滑模型。用户可以切换选择Light GBM,通过勾选或者填充Light GBM的选项606。并取消指数平滑模型的选项607。用户在确认无误后,可以点击“运行”按钮3021,即建模操作,电脑响应该操作,进行建模。
此外,用户可以在界面600中的图601上对训练时间区进行修改,从而实现用户自主选择训练时间区。增强用户的体验感。
具体的,该方法200还包括:响应于预置范围的修改操作,确定修改后范围对应的数据;响应于建模操作,根据修改后范围对应的数据以及预置模型对应的预置建模方式进行建模,生成模型。
例如,根据前文所述,用户可以通过鼠标修改界面600中训练时间。即用户通过鼠标修改“历史初始日”输入框“3022”以及“历史结尾日”输入框“3023”。电脑响应于该修改操作,从而修改历史日期,即修改训练时间,可以修改为:历史2000日至100日。从而进行建模,建模过程前文已经阐述过,此处就不再赘述。由于本申请实施例可以提供至少两个类型的时间序列预测模型,分别支持有明显周期性趋势的时序数据和无明显周期趋势的时序数据。可以通过指数平滑模型对有明显周期的数据进行预测,可以通过建立与时间相关的统计特征以及Light GBM模型,对无明显周期的数据进行预测。
为了使得用户可以自主对需要创建的模型进行选择,增强用户的体验感受,同时,提供用户多个模型选择项进行待创建模型的选择。
具体的,该方法200还包括:响应于预置模型的选择操作,从至少两个模型中确定目标模型;响应于建模操作,根据预置范围的数据以及目标模型对应的预置建模方式进行建模,生成模型。
由于前文已经阐述过,此处就不再赘述。
为了加强用户对数据的认知,还可以采用图形的形式进行展示训练时间,使得用户能够清楚以及明了的知道该训练时间,并且还可以通过修改图形中的数据范围来直接确定最终的训练时间。具体的,该方法200还包括:通过图形的形式,以发生时间序列展示数据;通过轴线,将图形中的数据进行划分,生成预置范围的数据;响应于轴线的移动操作,确定修改后范围对应的数据。
例如,根据前文所述,电脑在界面600中展示了预置范围内的数据“训练时间历史1000日至199日”3025对应的图601。该图601是以发生时间序列为横轴,温度为纵轴进行展示的。在该图601中,通过多个轴线将该图601中的数据进行划分,如轴线6011、轴线6012。其中,轴线6011与轴线6012之间的区域为训练时间区602。用户可以通过鼠标滑动轴线6011和/或轴线6012,来扩大或缩小该训练时间区602内的数据,从而修改对应的数据范围。电脑响应于该移动操作,确定修改后范围对应的数据,可以作为训练模型的数据。在确定对应的训练时间,就可以确定对应的训练数据,即用于建模的数据。除此以外,用户还可以对建模的参数进行选择或者输入,从而满足用户的建模需求,生成的模型更能符合用户想要的模型。则该方法200还可以包括:响应于目标模型参数的选择操作,确定目标模型参数;响应于建模操作,根据预置范围的数据、目标模型对应的预置建模方式以及目标模型参数进行建模,生成模型。
其中,模型参数对于不同的模型参数不同,用于确定模型。例如,对于指数平滑模型,其参数可以是周期,如7天等。对于LGBM而言,其参数学习率、最大迭代次数等等。
例如,根据前文所述,如图6所示,用户可以在选定指数平滑模型后,对其参数进行自定义,如用户可以先选中“自定义参数”输入框6051的选项6052,然后点击“自定义参数”输入框6051,电脑会弹出一个下拉界面,在该下拉界面中选择其参数,也可以直接在该“自定义参数”输入框6051输入其参数,如7天。在对参数进行选择时,该下拉界面可以提供多个参数,以供用户选择,对于指数平滑模型而言,可以提供7、14、52、365等。电脑响应于该操作,确定参数,并根据用户的建模操作,进行建模。建模的过程前文已经阐述过,此处就不再赘述。仅说明,在建模的过程中,会利用用户自定义的参数进行建模,在用户没有自定义参数时,是利用该模型默认的参数进行建模的。
203:获取模型对应的输入数据,并根据模型,确定模型的输出结果,并展示模型的输出结果。
其中,输入数据是指输入到模型中的数据,从而得到模型的结果,对于时间序列预测模型而言,可以是预测时间或者预测时间范围,如未来的一个时间段。
需要说明的是,无论是智能终点还是服务器,在进行模型创建完成后,在进行获取输入数据的时候,可以直接以默认输入数据作为当前输入数据。如,对于时间序列预测模型而言,智能终端或者服务器可以设置未来一年作为默认输入数据,并获取该默认数据,并作为当前输入数据,输入至模型中,得到预测结果,如未来一年中每天的温度。
此外,获取模型对应的输入数据的方式,还可以包括:当预置模型中存在时间序列预测的模型,展示预置的预测时间范围(或预测时间);响应于预测时间范围(或预测时间)的修改操作,将修改后的预测时间范围(或预测时间)作为输入数据。
另,除了响应于该修改操作,还可以响应于建模操作,具体的,获取所述模型对应的输入数据,包括:响应于建模操作,获取预置范围的预测时间作为输入数据;
例如,根据前文所述,如图6所示,电脑可以在界面600中展示有预测时间范围“预测时间未来30日”3026,此处模型选择为指数平滑模型。用户可以通过鼠标对“未来日”输入框3024进行修改,可以修改为100日。电脑响应于该修改操作,确定修改后的预测时间范围,如未来100日,还可以在用户点击“运行”按钮3021后,电脑响应于该建模操作,获取到修改后的预测时间范围作为输入数据。
对于云服务器建模而言,电脑可以向其发送建模请求,该建模请求可以携带该上述输入数据,在建模完成后,云服务器可以直接将该输入数据输入至模型中,进行预测。对于电脑建模而言,电脑可以直接将输入数据输入至模型,进行预测。
需要说明的是,对于其它模型而言,也可以通过上述方式进行获取输入数据,可以直接在建模界面上展示预置的预测时间范围,并提供给用户进行修改的输入框等,进行修改。
相似的,也可以同样通过图形对预测时间进行展示,该方法200还包括:通过图形的形式,以发生时间序列展示数据以及展示预测时间(或预测时间范围);通过多个轴线,将图形中的数据以及预测时间(或预测时间范围)进行划分,生成多个预置范围的数据以及预置范围的预测时间;多个预置范围的数据包括用于训练模型的训练数据以及用于测试模型的测试数据;响应于建模操作,获取预置范围的测试数据;根据测试数据,对生成的模型进行测试。
其中,图形中的数据是指用于建模的数据,即上述获取到的用于建模的数据,可以对图形中的数据进行划分,划分为训练数据以及测试数据,训练数据用来进行训练模型,进行建模,而测试数据是指用于测试模型精准性的数据。应理解的是,上述获取到的用于建模的数据可以直接作为训练数据训练模型,无需划分出来测试数据。但本申请实施例对测试数据进行划分,可以使得用户查看到该模型的精准度,提升用户的体验,用户可以根据该精准度来反复修改建模的参数等,使得最终的模型符合用户的需求。同时,电脑或者云服务器也可以根据该精准度来对预置建模方式进行调整以及升级等。
例如,根据前文所述,如图6所示,电脑可以在界面600中展示有图601,该图601是以横轴是发生时间序列,纵轴是温度进行展示的。在该图601中,通过多个轴线将该图601中的数据进行划分,如,可以通过轴线6011、轴线6012、轴线6013以及轴线6014,其中,轴线6011与轴线6012划分了训练时间区,轴线6012与轴线6013划分了测试时间区603,即在该时间区603内的数据可以用于测试模型。轴线6013与轴线6014划分了预测时间区604,在该时间区604内的数据可以作为上述输入数据,用于预测。当用户对当前默认展示的图601确认,即用户同意当前的训练时间区内的训练数据、测试时间区内的测试数据以及预测时间区内的预测数据,可以直接点击“运行”按钮3021后,电脑响应于该建模操作,获取到对应的训练数据进行模型训练(即建模),获取到对应的测试数据进行模型测试,以及获取到对应的预测数据,进行预测。
此外,用户还可以对上述时间区进行修改,具体的,该方法200还可以包括:响应于轴线的移动操作,确定修改后范围对应的数据(即包括训练数据以及测试数据)和/或修改后范围对应的预测时间。
其中,获取模型对应输入数据的方式,就可以包括:当确定修改后范围对应的预测时间,响应于建模操作,获取修改后范围对应的预测时间作为输入数据。且该方法200还可以包括:当确定修改后范围对应的测试数据,响应于建模操作,获取修改后范围对应的测试数据;根据修改后范围对应的测试数据,对生成的模型进行测试。
例如,根据前文所述,如图6所述,用户可以通过鼠标任意移动一个轴线,都可以修改对应的时间区,从而修改对应的数据范围。同时,电脑响应于移动操作,可以确定每个时间区对应的数据范围,从而将界面600中的“训练时间历史1000日至199日”3025和/或“预测时间未来30日”3026中的数据进行修改。此外,每个轴线可以对应具体的时间点,时间单位可以支持年、月、周、日、时、分、秒等,图6中的时间单位为日。同时,横轴发生时间序列可伸展,图601中的最右边边界可以拓展至未来任意时间。用户点击“运行”按钮3021后,电脑响应于该建模操作,获取到修改后的预测时间区对应的预测时间作为输入数据,进行预测,同时,获取到修改后的训练时间区对应的训练数据进行模型训练(即建模)以及修改后的测试时间区对应的测试数据。或者电脑通过建模请求,将这些数据发送至云服务器,使得云服务器进行模型训练以及预测。
需要说明的是,可以根据需求,在界面600上也展示出测试时间,其展示形式与“训练时间历史1000日至199日”3025或“预测时间未来30日”3026相似,则在图601中修改了测试时间区后,也可以对应修改界面600中的测试时间,此处就不再展开说明。
在建模完成后,在建模界面上会展示出来建模结果,以使得用户知晓最终的预测结果以及建模的具体情况。
具体的,该方法200还包括:在建模界面上展示建模的误差数据;在建模界面上展示模型的测试结果,该测试结果表明了模型根据测试数据对应的输入数据得到的测试数值与测试数据对应的实际数值的比较结果;在建模界面上展示模型的信息。
其中,误差数据是指建模后的模型的误差,可以是指模型建模后误差,也可以是指通过测试数据确定的模型的误差。该误差可以包括均方根误差RMSE(root mean squarederror)以及平均绝对误差MAE(mean absolute error)。这些误差可以直接由电脑确定或者由云服务器确定,具体的确定过程属于现有技术,此处就不再赘述。
上述比较结果可以通过数据进行展示,也可以通过图形进行展示。
模型的信息是指建模后的模型的信息,可以是指模型的介绍信息、训练数据对应的训练时间、测试数据对应的测试时间以及模型参数等。
例如,根据前文所述,电脑可以在建模界面上展示建模后的模型的误差数据,可以包括模型本身的均方根误差RMSE以及平均绝对误差MAE,以及测试数据对该模型进行测试得到的模型的均方根误差RMSE以及平均绝对误差MAE。同时,该建模界面上还可以展示出模型根据测试数据得到的测试数值与测试数据对应的实际数值的比较结果。如,测试数据为1990年3月中每天的温度,将1990年3月作为模型的输入数据,确定每天的温度,并将该确定的温度与1990年3月中每天的实际温度进行比较。
其中,图7示出了建模结果区域303的界面700。在该界面700中,展示了模型ID“LGBM-01”的误差数据3031。其中,在误差数据3031中,训练集的误差数据是指上述通过训练数据建模得到的模型本身的均方根误差RMSE以及平均绝对误差MAE。测试集的误差数据是指上述通过测试数据对该模型进行测试得到的模型的均方根误差RMSE以及平均绝对误差MAE。同时,该界面700还展示了图701,该图701属于“预测结果”图标7011被选中的情况下进行展示的比较结果。在该图701中,实线表示上述实际数值,即实际值7014,如温度实际值。在该图701中,虚线表示上述测试数值,即测试值7015,如温度测试值。用户可以从该图701中比较直观地了解到该实际数值与测试数值之间的误差,也可以了解到了当前建模后的模型的精度情况。
此外,电脑还可以在建模界面上展示建模后的模型信息。如图7所示,用户可以在该界面700上通过鼠标点击“模型信息”图标7012,电脑响应于该切换操作,或者点击操作,将当前图701切换为模型信息。图8示出了建模结果区域303的界面800,在该界面800中展示了模型信息,如数据区间801,表示训练数据对应的训练时间,包括训练起始时间以及训练结束时间,还可以表示测试数据对应的测试时间,即从当前时间至未来的某个时间。
另,在该界面800中还展示了模型介绍802(即模型介绍信息),可以包括LGBM模型的介绍信息,如“LGBM是Gradient Boosting Machine(梯度提升机,GBM)模型的一个变体,是基于决策树模型”。还展示了参数803,即模型参数,可以包括学习率100、最大迭代次数500、叶节点数目10、采样比例0.7、L1正则化参数0以及L2正则化参数0。
需要说明的是,用户可以通过建模结果中展示的丰富数据了解模型的性能以及对未来的预测结果。
此外,在本申请实施例中用户可以直接通过选择、输入以及移动轴线等简单操作,来实现对数据获取、数据处理、预测参数和模型选择等功能,并通过点击鼠标,即可完成全流程的数据分析和建模。
为了方便用户能够对建模的过程进行比较直观的了解,还可以将建模过程中的各个执行阶段在界面上进行展示。
具体的,该方法200还包括:在建模的过程中,在建模界面上展示该过程中的每个执行阶段,并且显示出当前的执行阶段。
其中,执行阶段是指建模过程中各个子过程,如特征计算、建模、预测以及完成。
例如,根据前文所述,电脑在进行建模的过程中,确定该过程中的每个执行阶段,并在建模界面上进行展示各个执行阶段,并且指示出当前的执行阶段。需要说明的是,各个执行阶段可以是针对各个预置模型,进行预置的。即每个预置模型都对应一套执行阶段,可以包括多个执行阶段。且每个预置模型对应的执行阶段可以相同,也可以不同。
其中,如图7所示,在该界面700中展示了模型的运行状态702,指示了模型的建模过程。其中,该模型是LGBM-01,其对应的各个执行阶段包括:特征计算、建模、预测以及完成。其中,可以通过执行阶段的完成标识7021来明确对应的执行阶段是否已经完成,当该完成标识7021被打勾或者选中,如图7中黑色,则为该执行阶段已经完成,同时可以确定出当前模型的当前执行阶段是建模。
需要说明的是,对于服务器而言,如云服务器,其在进行建模的过程中,也会将各个阶段发送至电脑,以使电脑通过界面展示,将各个阶段提供给用户。
除此之外,建模界面还提供了下载功能,可以将预测结果以及模型信息进行下载,方便用户能随时在本地进行查看。
具体的,该方法200还包括:响应于信息的下载操作,获取误差数据、比较结果以及模型的信息,并存储至本地。
例如,根据前文所述,如图7所示,用户可以通过鼠标点击“下载”按钮7013,电脑响应于下载操作,可以将预测结果中的图701以及误差数据3031发送至电脑本地对应的存储区域,进行存储,以方便用户查看。
此外,如图8所示,用户可以通过鼠标点击“下载”按钮7013,电脑响应于下载操作,可以将模型信息,其中的数据区间801、模型介绍802以及参数803发送至电脑本地对应的存储区域,进行存储,以方便用户查看。
需要说明的是,若通过服务器,如云服务器进行建模,云服务器可以将建模后的上述数据发送至电脑,以供电脑进行展示,如图7以及图8所示的这些数据。
基于上述相同的发明构思,图9示出了本申请另一示例性实施例提供的一种自动建模方法的流程示意图。本申请实施例提供的该方法900由上述智能终端执行,如电脑,如图9所示,该方法900包括以下步骤:
901:提供建模界面,在建模界面展示了数据选择区域、建模区域以及建模结果区域。
902:在数据选择区域上,响应于数据的选择操作以及数据的获取操作,获取用于建模的数据。
903:在建模区域上,响应于建模的运行操作,根据数据以及预置建模方式进行建模,生成对应的模型。
904:获取模型对应的输入数据,并根据模型,确定模型的输出结果,并在建模结果区域上,展示模型输出结果。
由于前文已经详细阐述过步骤901-904的具体实施方式,此处就不再赘述。
另,本方法900未能详细描述的内容,还可以参照上述方法200中的各个步骤。
基于上述相同的发明构思,图10示出了本申请另一示例性实施例提供的一种自动建模方法的流程示意图。本申请实施例提供的该方法1000由上述服务器执行,如云服务器,该方法1000包括以下步骤:
1001:接收数据的来源,根据来源获取用于建模的数据。
1002:根据数据以及预置建模方式进行建模,生成对应的模型。
1003:接收模型对应的输入数据,并根据模型,确定模型的输出结果,并发送输出结果至展示端,以进行展示。
由于前文已经详细阐述过步骤1001-1003的具体实施方式,此处就不再赘述。仅说明,展示端可以是具有显示组件的智能终端,如电脑等。
此外,该方法1000还包括:将用于建模的数据发送至展示端,以进行展示;接收展示端发送的建模请求,执行根据数据以及预置建模方式进行建模,生成对应的模型的步骤。
其中,根据来源获取用于建模的数据,包括:根据来源,获取来源数据,并将来源数据发送至展示端;接收数据的发生时间以及数据的数据类型,根据发生时间以及数据类型,从来源数据中获取对应数据;接收数据的单位时间以及单位时间对应数据的确定方式,根据单位时间以及确定方式,从对应数据中确定用于建模的数据。
由于前文已经阐述过上述内容,此处就不再赘述。
另,本方法1000未能详细描述的内容,还可以参照上述方法200中的各个步骤。
图11为本申请一示例性实施例提供的一种自动建模装置的结构框架示意图。该装置1100可以应用于智能终端,如电脑。该装置1100包括提供模块1101、建模模块1102以及确定模块1103;以下针对各个模块的功能进行详细的阐述:
提供模块1101,用于提供建模界面,基于建模界面,获取用于建模的数据。
建模模块1102,用于根据数据以及预置建模方式进行建模,生成对应的模型。
确定模块1103,用于获取模型对应的输入数据,并根据模型,确定模型的输出结果,并展示模型的输出结果。
其中,确定模块1103,包括:确定单元,用于响应于数据来源的输入操作,确定数据的来源;获取单元,用于根据来源获取数据,作为用于建模的数据。
此外,该装置1103还包括:展示模块,用于在根据来源获取到数据之后,在建模界面上展示来源对应的数据、数据的发生时间以及数据的数据类型。
此外,确定模块1103,还用于响应于数据的发生时间的输入操作,确定发生时间;响应于数据类型的输入操作,确定数据类型;根据发生时间以及数据类型,从获取到的数据中获取目标数据,作为用于建模的数据。
此外,确定模块1103,还用于响应于数据的单位时间的输入操作,确定单位时间;响应于单位时间对应数据的确定方式的输入操作,确定该确定方式;根据单位时间以及确定方式,从获取到的数据中确定对应数据,作为用于建模的数据。
此外,确定模块1103,还用于响应于缺失数据值的处理方式的确定操作,确定对应的处理方式;从对来源所对应的数据中确定缺失数据值;根据处理方式,对缺失数据值进行处理。
此外,展示模块,还用于在建模界面上展示获取到的用于建模的数据、数据的发生时间以及数据的数据类型;根据发生时间序列,展示数据对应的数据详细图形。
此外,展示模块,还用于根据发生时间序列,展示数据对应的整体数据变化趋势图形。
其中,建模模块1102,包括:展示单元,用于从数据中确定预置范围的数据,并在建模界面上展示预置范围的数据;在建模界面上展示预置模型信息;生成单元,用于响应于建模操作,根据预置范围的数据以及预置模型对应的预置建模方式进行建模,生成模型。
此外,确定模块1103,还用于响应于预置范围的修改操作,确定修改后范围对应的数据;建模模块1102,还用于响应于建模操作,根据修改后范围对应的数据以及预置模型对应的预置建模方式进行建模,生成模型。
此外,确定模块1103,还用于响应于预置模型的选择操作,从至少两个模型中确定目标模型;建模模块1102,还用于响应于建模操作,根据预置范围的数据以及目标模型对应的预置建模方式进行建模,生成模型。
此外,展示模块,还用于通过图形的形式,以发生时间序列展示数据;该装置1100还包括:划分模块,用于通过轴线,将图形中的数据进行划分,生成预置范围的数据;确定模块1103,还用于响应于轴线的移动操作,确定修改后范围对应的数据。
此外,确定模块1103,还用于响应于目标模型参数的选择操作,确定目标模型参数;建模模块1102,还用于响应于建模操作,根据预置范围的数据、目标模型对应的预置建模方式以及目标模型参数进行建模,生成模型。
其中,确定模块1103,还用于当预置模型中存在时间序列预测的模型,展示预置的预测时间范围;响应于预测时间范围的修改操作,将修改后的预测时间范围作为输入数据。
此外,展示模块,还用于通过图形的形式,以发生时间序列展示数据以及展示预测时间;通过多个轴线,将图形中的数据以及预测时间进行划分,生成多个预置范围的数据以及预置范围的预测时间;多个预置范围的数据包括用于训练模型的训练数据以及用于测试模型的测试数据;其中,确定模块1103,还用于响应于建模操作,获取预置范围的预测时间作为输入数据;其中,该装置1100还包括:测试模块,用于响应于建模操作,获取预置范围的测试数据;根据测试数据,对生成的模型进行测试。
此外,确定模块1103,还用于响应于轴线的移动操作,确定修改后范围对应的数据和/或修改后范围对应的预测时间;当确定修改后范围对应的预测时间,响应于建模操作,获取修改后范围对应的预测时间作为输入数据;其中,该装置1100还包括:获取模块,用于当确定修改后范围对应的测试数据,响应于建模操作,获取修改后范围对应的测试数据;测试模块,还用于根据修改后范围对应的测试数据,对生成的模型进行测试。
此外,展示模块,还用于在建模的过程中,在建模界面上展示该过程中的每个执行阶段,并且显示出当前的执行阶段。
此外,展示模块,还用于在建模界面上展示建模的误差数据;在建模界面上展示模型的测试结果,该测试结果表明了模型根据测试数据对应的输入数据得到的测试数值与测试数据对应的实际数值的比较结果;在建模界面上展示模型的信息。
此外,获取模块,还用于响应于信息的下载操作,获取误差数据、比较结果以及模型的信息,并存储至本地。
图12为本申请一示例性实施例提供的一种自动建模装置的结构框架示意图。该装置1200可以应用于智能终端,如,电脑。该装置1200包括提供模块1201、获取模块1202、建模模块1203以及确定模块1204;以下针对各个模块的功能进行详细的阐述:
提供模块1201,用于提供建模界面,在建模界面展示了数据选择区域、建模区域以及建模结果区域。
获取模块1202,用于在数据选择区域上,响应于数据的选择操作以及数据的获取操作,获取用于建模的数据。
建模模块1203,用于在建模区域上,响应于建模的运行操作,根据数据以及预置建模方式进行建模,生成对应的模型。
确定模块1204,用于获取模型对应的输入数据,并根据模型,确定模型的输出结果,并在建模结果区域上,展示模型输出结果。
需要说明的是,对于装置1200未能提及的部分内容,可以参照上述装置1100的内容。
图13为本申请一示例性实施例提供的一种自动建模装置的结构框架示意图。该装置1300可以应用于服务器。该装置1300包括接收模块1301、建模模块1302以及确定模块1303;以下针对各个模块的功能进行详细的阐述:
接收模块1301,用于接收数据的来源,根据来源获取用于建模的数据。
建模模块1302,用于根据数据以及预置建模方式进行建模,生成对应的模型。
确定模块1303,用于接收模型对应的输入数据,并根据模型,确定模型的输出结果,并发送输出结果至展示端,以进行展示。
此外,该装置1300还包括:发送模块,用于将用于建模的数据发送至展示端,以进行展示;接收模块1301,用于接收展示端发送的建模请求,执行根据数据以及预置建模方式进行建模,生成对应的模型的步骤。
其中,接收模块1301,包括:发送单元,用于根据来源,获取来源数据,并将来源数据发送至展示端;获取单元,用于接收数据的发生时间以及数据的数据类型,根据发生时间以及数据类型,从来源数据中获取对应数据;确定单元,用于接收数据的单位时间以及单位时间对应数据的确定方式,根据单位时间以及确定方式,从对应数据中确定用于建模的数据。
需要说明的是,对于装置1300未能提及的部分内容,可以参照上述装置1100的内容。
以上描述了图11所示的装置1100的内部功能和结构,在一个可能的设计中,图11所示的装置1100的结构可实现为计算设备,如,电脑。如图14所示,该设备1400可以包括:存储器1401以及处理器1402;
存储器1401,用于存储计算机程序。
处理器1402,用于执行计算机程序,以用于:提供建模界面,基于建模界面,获取用于建模的数据;根据数据以及预置建模方式进行建模,生成对应的模型;获取模型对应的输入数据,并根据模型,确定模型的输出结果,并展示模型的输出结果。
其中,处理器1402,具体用于:响应于数据来源的输入操作,确定数据的来源;根据来源获取数据,作为用于建模的数据。
此外,处理器1402,还用于:在根据来源获取到数据之后,在建模界面上展示来源对应的数据、数据的发生时间以及数据的数据类型。
此外,处理器1402,还用于:响应于数据的发生时间的输入操作,确定发生时间;响应于数据类型的输入操作,确定数据类型;根据发生时间以及数据类型,从获取到的数据中获取目标数据,作为用于建模的数据。
此外,处理器1402,还用于:响应于数据的单位时间的输入操作,确定单位时间;响应于单位时间对应数据的确定方式的输入操作,确定确定方式;根据单位时间以及确定方式,从获取到的数据中确定对应数据,作为用于建模的数据。
此外,处理器1402,还用于:响应于缺失数据值的处理方式的确定操作,确定对应的处理方式;从对来源所对应的数据中确定缺失数据值;根据处理方式,对缺失数据值进行处理。
此外,处理器1402,还用于:在建模界面上展示获取到的用于建模的数据、数据的发生时间以及数据的数据类型;根据发生时间序列,展示数据对应的数据详细图形。
此外,处理器1402,还用于:根据发生时间序列,展示数据对应的整体数据变化趋势图形。
其中,处理器1402,具体用于:从数据中确定预置范围的数据,并在建模界面上展示预置范围的数据;在建模界面上展示预置模型信息;响应于建模操作,根据预置范围的数据以及预置模型对应的预置建模方式进行建模,生成模型。
此外,处理器1402,还用于:响应于预置范围的修改操作,确定修改后范围对应的数据;响应于建模操作,根据修改后范围对应的数据以及预置模型对应的预置建模方式进行建模,生成模型。
此外,处理器1402,还用于:响应于预置模型的选择操作,从至少两个模型中确定目标模型;响应于建模操作,根据预置范围的数据以及目标模型对应的预置建模方式进行建模,生成模型。
此外,处理器1402,还用于:通过图形的形式,以发生时间序列展示数据;通过轴线,将图形中的数据进行划分,生成预置范围的数据;响应于轴线的移动操作,确定修改后范围对应的数据。
此外,处理器1402,还用于:响应于目标模型参数的选择操作,确定目标模型参数;响应于建模操作,根据预置范围的数据、目标模型对应的预置建模方式以及目标模型参数进行建模,生成模型。
其中,处理器1402,还用于:当预置模型中存在时间序列预测的模型,展示预置的预测时间范围;响应于预测时间范围的修改操作,将修改后的预测时间范围作为输入数据。
此外,展示模块,还用于通过图形的形式,以发生时间序列展示数据以及展示预测时间;通过多个轴线,将图形中的数据以及预测时间进行划分,生成多个预置范围的数据以及预置范围的预测时间;多个预置范围的数据包括用于训练模型的训练数据以及用于测试模型的测试数据;其中,处理器1402,还用于:响应于建模操作,获取预置范围的预测时间作为输入数据;其中,处理器1402,还用于:响应于建模操作,获取预置范围的测试数据;根据测试数据,对生成的模型进行测试。
此外,处理器1402,还用于:响应于轴线的移动操作,确定修改后范围对应的数据和/或修改后范围对应的预测时间;当确定修改后范围对应的预测时间,响应于建模操作,获取修改后范围对应的预测时间作为输入数据;其中,处理器1402,还用于:当确定修改后范围对应的测试数据,响应于建模操作,获取修改后范围对应的测试数据;根据修改后范围对应的测试数据,对生成的模型进行测试。
此外,处理器1402,还用于:在建模的过程中,在建模界面上展示该过程中的每个执行阶段,并且显示出当前的执行阶段。
此外,处理器1402,还用于:在建模界面上展示建模的误差数据;在建模界面上展示模型的测试结果,该测试结果表明了模型根据测试数据对应的输入数据得到的测试数值与测试数据对应的实际数值的比较结果;在建模界面上展示模型的信息。
此外,处理器1402,还用于:响应于信息的下载操作,获取误差数据、比较结果以及模型的信息,并存储至本地。
另外,本发明实施例提供了一种计算机存储介质,计算机程序被一个或多个处理器执行时,致使一个或多个处理器实现图2方法实施例中一种自动建模方法的步骤。
以上描述了图12所示的装置1200的内部功能和结构,在一个可能的设计中,图12所示的装置1200的结构可实现为计算设备,如,电脑。如图15所示,该设备1500可以包括:存储器1501以及处理器1502;
存储器1501,用于存储计算机程序;
处理器1502,用于执行计算机程序,以用于:提供建模界面,在建模界面展示了数据选择区域、建模区域以及建模结果区域;在数据选择区域上,响应于数据的选择操作以及数据的获取操作,获取用于建模的数据;在建模区域上,响应于建模的运行操作,根据数据以及预置建模方式进行建模,生成对应的模型;获取模型对应的输入数据,并根据模型,确定模型的输出结果,并在建模结果区域上,展示模型输出结果。
需要说明的是,对于该设备1500未能提及的部分内容,可以参照上述设备1400的内容。
另外,本发明实施例提供了一种计算机存储介质,计算机程序被一个或多个处理器执行时,致使一个或多个处理器实现图9方法实施例中一种自动建模方法的步骤。
以上描述了图13所示的装置1300的内部功能和结构,在一个可能的设计中,图13所示的装置1300的结构可实现为计算设备,如,服务器。如图16所示,该设备1600可以包括:存储器1601、处理器1602以及通信组件1603;
存储器1601,用于存储计算机程序;
处理器1602,用于执行计算机程序,以用于:根据来源获取用于建模的数据;根据数据以及预置建模方式进行建模,生成对应的模型;接收模型对应的输入数据,并根据模型,确定模型的输出结果。
通信组件1603,用于接收数据的来源;发送输出结果至展示端,以进行展示。
此外,通信组件1603,还用于:将用于建模的数据发送至展示端,以进行展示;接收展示端发送的建模请求,执行根据数据以及预置建模方式进行建模,生成对应的模型的步骤。
其中,处理器1602,具体用于:根据来源,获取来源数据,并将来源数据发送至展示端;接收数据的发生时间以及数据的数据类型,根据发生时间以及数据类型,从来源数据中获取对应数据;接收数据的单位时间以及单位时间对应数据的确定方式,根据单位时间以及确定方式,从对应数据中确定用于建模的数据。
需要说明的是,对于该设备1600未能提及的部分内容,可以参照上述设备1400的内容。
另外,本发明实施例提供了一种计算机存储介质,计算机程序被一个或多个处理器执行时,致使一个或多个处理器实现图10方法实施例中一种自动建模方法的步骤。
另外,在上述实施例及附图中的描述的一些流程中,包含了按照特定顺序出现的多个操作,但是应该清楚了解,这些操作可以不按照其在本文中出现的顺序来执行或并行执行,操作的序号如201、202、203等,仅仅是用于区分开各个不同的操作,序号本身不代表任何的执行顺序。另外,这些流程可以包括更多或更少的操作,并且这些操作可以按顺序执行或并行执行。需要说明的是,本文中的“第一”、“第二”等描述,是用于区分不同的消息、设备、模块等,不代表先后顺序,也不限定“第一”和“第二”是不同的类型。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助加必需的通用硬件平台的方式来实现,当然也可以通过硬件和软件结合的方式来实现。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以计算机产品的形式体现出来,本发明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用存储介质(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的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。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多媒体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多媒体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和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程多媒体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,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程多媒体数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
最后应说明的是: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。
Claims (28)
1.一种自动建模方法,其特征在于,包括:
提供建模界面,基于所述建模界面,获取用于建模的数据;
根据所述数据以及预置建模方式进行建模,生成对应的模型;
获取所述模型对应的输入数据,并根据所述模型,确定模型的输出结果,并展示所述模型的输出结果。
2.根据权利要求1所述的方法,其特征在于,所述基于该所述建模界面,获取用于建模的数据,包括:
响应于数据来源的输入操作,确定所述数据的来源;
根据所述来源获取所述数据,作为用于建模的数据。
3.根据权利要求1或2所述的方法,其特征在于,所述方法还包括:
在根据所述来源获取到所述数据之后,在所述建模界面上展示所述来源对应的数据、所述数据的发生时间以及所述数据的数据类型。
4.根据权利要求2或3所述的方法,其特征在于,所述方法还包括:
响应于数据的发生时间的输入操作,确定所述发生时间;
响应于数据类型的输入操作,确定所述数据类型;
根据所述发生时间以及数据类型,从获取到的数据中获取目标数据,作为用于建模的数据。
5.根据权利要求2或4所述的方法,其特征在于,所述方法还包括:
响应于数据的单位时间的输入操作,确定所述单位时间;
响应于单位时间对应数据的确定方式的输入操作,确定所述确定方式;
根据所述单位时间以及所述确定方式,从获取到的数据中确定对应数据,作为用于建模的数据。
6.根据权利要求2或3所述的方法,其特征在于,所述方法还包括:
响应于缺失数据值的处理方式的确定操作,确定对应的处理方式;
从所述对来源所对应的数据中确定缺失数据值;
根据所述处理方式,对所述缺失数据值进行处理。
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:
在所述建模界面上展示获取到的用于建模的数据、所述数据的发生时间以及所述数据的数据类型;
根据发生时间序列,展示所述数据对应的数据详细图形。
8.根据权利要求7所述的方法,其特征在于,所述方法还包括:
根据所述发生时间序列,展示所述数据对应的整体数据变化趋势图形。
9.根据权利要求1所述的方法,其特征在于,所述根据所述数据以及预置建模方式进行建模,生成对应的模型,包括:
从所述数据中确定预置范围的数据,并在所述建模界面上展示所述预置范围的数据;
在所述建模界面上展示预置模型信息;
响应于建模操作,根据所述预置范围的数据以及预置模型对应的预置建模方式进行建模,生成所述模型。
10.根据权利要求9所述的方法,其特征在于,所述方法还包括:
响应于所述预置范围的修改操作,确定修改后范围对应的数据;
响应于建模操作,根据修改后范围对应的数据以及预置模型对应的预置建模方式进行建模,生成所述模型。
11.根据权利要求9所述的方法,其特征在于,所述方法还包括:
响应于预置模型的选择操作,从至少两个模型中确定目标模型;
响应于建模操作,根据所述预置范围的数据以及目标模型对应的预置建模方式进行建模,生成所述模型。
12.根据权利要求9所述的方法,其特征在于,所述方法还包括:
通过图形的形式,以发生时间序列展示所述数据;
通过轴线,将图形中的数据进行划分,生成预置范围的数据;
响应于所述轴线的移动操作,确定所述修改后范围对应的数据。
13.根据权利要求11所述的方法,其特征在于,所述方法还包括:
响应于所述目标模型参数的选择操作,确定所述目标模型参数;
响应于建模操作,根据所述预置范围的数据、目标模型对应的预置建模方式以及所述目标模型参数进行建模,生成所述模型。
14.根据权利要求9所述的方法,其特征在于,所述获取所述模型对应的输入数据,包括:
当所述预置模型中存在时间序列预测的模型,展示预置的预测时间范围;
响应于所述预测时间范围的修改操作,将修改后的预测时间范围作为所述输入数据。
15.根据权利要求9所述的方法,其特征在于,所述方法还包括:
通过图形的形式,以发生时间序列展示所述数据以及展示预测时间;
通过多个轴线,将图形中的数据以及预测时间进行划分,生成多个预置范围的数据以及预置范围的预测时间;所述多个预置范围的数据包括用于训练模型的训练数据以及用于测试模型的测试数据;
其中,所述获取所述模型对应的输入数据,包括:
响应于建模操作,获取预置范围的预测时间作为输入数据;
其中,所述方法还包括:
响应于建模操作,获取预置范围的测试数据;
根据所述测试数据,对生成的模型进行测试。
16.根据权利要求15所述的方法,其特征在于,所述方法还包括:
响应于轴线的移动操作,确定修改后范围对应的数据和/或修改后范围对应的预测时间;
其中,所述获取所述模型对应输入数据,包括:
当确定修改后范围对应的预测时间,响应于建模操作,获取修改后范围对应的预测时间作为输入数据;
其中,所述方法还包括:
当确定修改后范围对应的测试数据,响应于建模操作,获取修改后范围对应的测试数据;
根据所述修改后范围对应的测试数据,对生成的模型进行测试。
17.根据权利要求1所述的方法,其特征在于,所述方法还包括:
在建模的过程中,在所述建模界面上展示该过程中的每个执行阶段,并且显示出当前的执行阶段。
18.根据权利要求15所述的方法,其特征在于,所述方法还包括:
在所述建模界面上展示建模的误差数据;
在所述建模界面上展示模型的测试结果,该所述测试结果表明了所述模型根据所述测试数据对应的输入数据得到的测试数值与所述测试数据对应的实际数值的比较结果;
在所述建模界面上展示模型的信息。
19.根据权利要求18所述的方法,其特征在于,所述方法还包括:
响应于信息的下载操作,获取所述误差数据、比较结果以及模型的信息,并存储至本地。
20.一种自动建模方法,其特征在于,包括:
提供建模界面,在所述建模界面展示了数据选择区域、建模区域以及建模结果区域;
在所述数据选择区域上,响应于数据的选择操作以及数据的获取操作,获取用于建模的数据;
在所述建模区域上,响应于建模的运行操作,根据所述数据以及预置建模方式进行建模,生成对应的模型;
获取所述模型对应的输入数据,并根据所述模型,确定模型的输出结果,并在所述建模结果区域上,展示所述模型输出结果。
21.一种自动建模方法,其特征在于,包括:
接收数据的来源,根据所述来源获取用于建模的数据;
根据所述数据以及预置建模方式进行建模,生成对应的模型;
接收所述模型对应的输入数据,并根据所述模型,确定模型的输出结果,并发送所述输出结果至展示端,以进行展示。
22.根据权利要求21所述的方法,其特征在于,所述方法还包括:
将所述用于建模的数据发送至所述展示端,以进行展示;
接收所述展示端发送的建模请求,执行根据所述数据以及预置建模方式进行建模,生成对应的模型的步骤。
23.根据权利要求21所述的方法,其特征在于,所述根据所述来源获取用于建模的数据,包括:
根据所述来源,获取来源数据,并将所述来源数据发送至展示端;
接收数据的发生时间以及数据的数据类型,根据所述发生时间以及所述数据类型,从所述来源数据中获取对应数据;
接收数据的单位时间以及单位时间对应数据的确定方式,根据所述单位时间以及确定方式,从对应数据中确定用于建模的数据。
24.一种自动建模系统,其特征在于,包括:第一设备以及第二设备;
所述第一设备,用于提供建模界面,在所述建模界面,响应于数据的获取操作,向所述第二设备发送获取请求;
所述第二设备,用于响应于所述获取请求,获取用于建模的数据;
根据所述数据以及预置建模方式进行建模,生成对应的模型;
接收第一设备发送的所述模型对应的输入数据,并根据所述模型,确定模型的输出结果,并将所述输出结果发送至所述第一设备进行展示。
25.一种计算设备,包括:存储器以及处理器;
所述存储器,用于存储计算机程序;
所述处理器,用于执行所述计算机程序,以用于:
提供建模界面,基于所述建模界面,获取用于建模的数据;
根据所述数据以及预置建模方式进行建模,生成对应的模型;
获取所述模型对应的输入数据,并根据所述模型,确定模型的输出结果,并展示所述模型的输出结果。
26.一种计算设备,包括:存储器以及处理器;
所述存储器,用于存储计算机程序;
所述处理器,用于执行所述计算机程序,以用于:
提供建模界面,在所述建模界面展示了数据选择区域、建模区域以及建模结果区域;
在所述数据选择区域上,响应于数据的选择操作以及数据的获取操作,获取用于建模的数据;
在所述建模区域上,响应于建模的运行操作,根据所述数据以及预置建模方式进行建模,生成对应的模型;
获取所述模型对应的输入数据,并根据所述模型,确定模型的输出结果,并在所述建模结果区域上,展示所述模型输出结果。
27.一种计算设备,包括:存储器、处理器以及通信组件;
所述存储器,用于存储计算机程序;
所述处理器,用于执行所述计算机程序,以用于:
根据所述来源获取用于建模的数据;
根据所述数据以及预置建模方式进行建模,生成对应的模型;
接收所述模型对应的输入数据,并根据所述模型,确定模型的输出结果;
所述通信组件,用于接收数据的来源;
发送所述输出结果至展示端,以进行展示。
28.一种存储有计算机程序的计算机可读存储介质,其特征在于,计算机程序被一个或多个处理器执行时,致使所述一个或多个处理器实现权利要求1-23任一项所述方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010430578.6A CN113705822A (zh) | 2020-05-20 | 2020-05-20 | 一种自动建模方法、系统、计算设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010430578.6A CN113705822A (zh) | 2020-05-20 | 2020-05-20 | 一种自动建模方法、系统、计算设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113705822A true CN113705822A (zh) | 2021-11-26 |
Family
ID=78645566
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010430578.6A Pending CN113705822A (zh) | 2020-05-20 | 2020-05-20 | 一种自动建模方法、系统、计算设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113705822A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023181232A1 (ja) * | 2022-03-24 | 2023-09-28 | 日本電気株式会社 | モデル分析装置、モデル分析方法、及び、記録媒体 |
-
2020
- 2020-05-20 CN CN202010430578.6A patent/CN113705822A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023181232A1 (ja) * | 2022-03-24 | 2023-09-28 | 日本電気株式会社 | モデル分析装置、モデル分析方法、及び、記録媒体 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11238223B2 (en) | Systems and methods for intelligently predicting accurate combinations of values presentable in data fields | |
US11386128B2 (en) | Automatic feature learning from a relational database for predictive modelling | |
US11551123B2 (en) | Automatic visualization and explanation of feature learning output from a relational database for predictive modelling | |
KR102103902B1 (ko) | 컴포넌트 기반의 머신러닝 자동화 예측 장치 및 방법 | |
US11966873B2 (en) | Data distillery for signal detection | |
US11281992B2 (en) | Predicting geofence performance for optimized location based services | |
CN114424257A (zh) | 使用机器学习对表格数据进行自动描绘和提取 | |
US11861469B2 (en) | Code generation for Auto-AI | |
JP2019507398A (ja) | 時間因子を融合させる協調フィルタリング方法、装置、サーバおよび記憶媒体 | |
CN113282795B (zh) | 数据结构图生成及更新方法、装置、电子设备及存储介质 | |
CN111340240A (zh) | 实现自动机器学习的方法及装置 | |
CN112651817A (zh) | 一种智能财务决策大数据分析系统 | |
CN114650167B (zh) | 一种异常检测方法、装置、设备及计算机可读存储介质 | |
CN115794092A (zh) | 一种基于数据可视化的大屏产出方法、设备及介质 | |
WO2020174233A1 (en) | Machine-learned model selection network planning | |
CN113705822A (zh) | 一种自动建模方法、系统、计算设备及存储介质 | |
US20210124752A1 (en) | System for Data Collection, Aggregation, Storage, Verification and Analytics with User Interface | |
US20220083907A1 (en) | Data generation and annotation for machine learning | |
US20220044136A1 (en) | Automated data table discovery for automated machine learning | |
CN113377608A (zh) | 一种任务异常的告警方法、装置、终端设备及存储介质 | |
CN114490578A (zh) | 数据模型的管理方法、装置及设备 | |
CN111444170B (zh) | 基于预测业务场景的自动机器学习方法和设备 | |
CN116097244A (zh) | 分析工作空间的物化 | |
CN113672660A (zh) | 一种数据查询方法、装置及设备 | |
CN113626022A (zh) | 物模型创建方法、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 |