CN113705849B - 信息处理装置和信息处理方法 - Google Patents
信息处理装置和信息处理方法 Download PDFInfo
- Publication number
- CN113705849B CN113705849B CN202010435555.4A CN202010435555A CN113705849B CN 113705849 B CN113705849 B CN 113705849B CN 202010435555 A CN202010435555 A CN 202010435555A CN 113705849 B CN113705849 B CN 113705849B
- Authority
- CN
- China
- Prior art keywords
- resource usage
- data
- resource
- prediction data
- usage prediction
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000010365 information processing Effects 0.000 title claims abstract description 70
- 238000003672 processing method Methods 0.000 title claims abstract description 27
- 238000012549 training Methods 0.000 claims abstract description 81
- 238000009826 distribution Methods 0.000 claims description 17
- 238000010801 machine learning Methods 0.000 claims description 10
- 238000000034 method Methods 0.000 description 16
- 238000012545 processing Methods 0.000 description 13
- 238000003860 storage Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 7
- 238000004590 computer program Methods 0.000 description 6
- 230000015654 memory Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 229910000078 germane Inorganic materials 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000000611 regression analysis Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Health & Medical Sciences (AREA)
- Manufacturing & Machinery (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开内容涉及用于对资源使用进行预测的信息处理装置和信息处理方法。根据本公开内容的信息处理装置包括:第一训练单元,基于多个资源的历史资源使用数据训练通用资源使用预测模型,通用资源使用预测模型能够针对多个资源中的每个资源生成第一资源使用预测数据;误差建立单元,针对多个资源中的每个资源,建立历史资源使用数据和第一资源使用预测数据之间的误差;第二训练单元,基于多个资源中的每个资源的相应的误差训练特定于该资源的专用资源使用预测模型,专用资源使用预测模型能够生成该资源的第二资源使用预测数据;以及确定单元,基于第一资源使用预测数据和第二资源使用预测数据来确定多个资源中的每个资源的最终资源使用预测数据。
Description
技术领域
本文公开的实施方式涉及信息处理的技术领域。特别地,本公开内容的实施方式涉及用于对资源使用进行预测的信息处理装置和信息处理方法。
背景技术
随着现代社会的发展,产业链的分工越来越细化和专业化。以汽车行业为例,通常一辆汽车由超过一万个零件构成,而这些零件可能由众多不同的厂商生产。对于汽车的生产商以及维修商而言,其仓库中需要储存种类繁多的汽车零件以备组装或更换。为此,有必要对仓库中存储的汽车零件的未来的使用/消耗进行预测,以利于提高生产或维修效率并且提高仓库的利用率。
目前,随着人工智能的研究的深入,存在使用机器学习基于历史使用/消耗数据构造用于预测未来汽车零件使用/消耗的模型的方法。然而,通过机器学习开发用于汽车零件使用/消耗的预测模型存在诸多困难。例如,如果针对每种汽车零件构造预测模型,则需要针对每种汽车零件设置相应的参数,例如超参数和训练参数,这样必然导致需要训练超过一万个预测模型,而相应的计算代价必然是极高的,而且占用计算机的极大的存储空间。再者,对于例如新设计或新使用的特定的零件,通常存在较少的历史使用/消耗数据用于预测模型的训练,因此导致用于该零件的预测模型出现过拟合的问题,从而影响预测的准确性。
除了汽车行业之外,上述问题同样存在于制造业和服务业的许多其他领域中。在这些领域中同样需要对诸如实体的零件或非实体的服务的资源的使用/消耗进行预测,以利于提高生产效率和优化资源配置。
发明内容
在下文中将给出关于本公开内容的简要概述,以便提供关于本公开内容的某些方面的基本理解。应当理解,这个概述并不是关于本公开内容的穷举性概述。它并不是意图确定本公开内容的关键或重要部分,也不是意图限定本公开内容的范围。其目的仅仅是以简化的形式给出某些概念,以此作为稍后论述的更详细描述的前序。
对于上文指出的现有技术中存在的问题,有必要提供一种信息处理技术,能够针对种类众多的资源中的每种资源自适应地构造相应的预测模型,从而实现对相应的资源的使用/消耗的准确预测。
本公开内容的目的在于对资源使用/消耗进行预测的信息处理装置和信息处理方法,用于针对多种资源中的每种资源自适应地构造相应的预测模型,从而实现对相应的资源的使用/消耗的准确预测。
为了实现本公开内容的目的,根据本公开内容的一个方面,提供了一种信息处理装置,包括:第一训练单元,被配置成基于多个资源的历史资源使用数据训练通用资源使用预测模型,通用资源使用预测模型能够针对多个资源中的每个资源生成第一资源使用预测数据;误差建立单元,被配置成针对多个资源中的每个资源,建立历史资源使用数据和第一资源使用预测数据之间的误差;第二训练单元,被配置成基于多个资源中的每个资源的相应的误差训练特定于该资源的专用资源使用预测模型,专用资源使用预测模型能够生成该资源的第二资源使用预测数据;以及确定单元,被配置成基于第一资源使用预测数据和第二资源使用预测数据来确定多个资源中的每个资源的最终资源使用预测数据。
根据本公开内容的另一方面,提供了一种信息处理方法,包括:第一训练步骤,基于多个资源的历史资源使用数据训练通用资源使用预测模型,通用资源使用预测模型能够针对多个资源中的每个资源生成第一资源使用预测数据;误差建立步骤,针对多个资源中的每个资源,建立该资源的历史资源使用数据和第一资源使用预测数据之间的误差;第二训练步骤,基于多个资源中的每个资源的相应的误差训练特定于该资源的专用资源使用预测模型,专用资源使用预测模型能够生成该资源的第二资源使用预测数据;以及确定步骤,基于第一资源使用预测数据和第二资源使用预测数据来确定多个资源中的每个资源的最终资源使用预测数据。
根据本公开内容的再一方面,还提供了能够实现上述的信息处理方法的计算机程序。此外,还提供了具有至少计算机可读介质形式的计算机程序产品,其上记录有用于实现上述的信息处理方法的计算机程序代码。
根据本公开内容的信息处理技术,能够针对种类众多的资源中的每种资源自适应地构造相应的预测模型,从而极大地节约计算成本和存储空间,并且实现对相应的资源的使用/消耗的准确预测。
附图说明
参照下面结合附图对本公开内容实施方式的说明,会更加容易地理解本公开内容的以上和其它目的、特点和优点,在附图中:
图1示出了用于预测汽车零件的未来使用/消耗的示意图;
图2示出了根据本公开内容的实施方式的信息处理装置的框图;
图3示出了汽车零件的历史消耗数据与第一消耗预测数据的曲线图;
图4示出了根据本公开内容的实施方式的信息处理装置的处理过程的示意图;
图5示出了根据本公开内容的实施方式的信息处理方法的流程图;以及
图6示出了用于实现根据本公开内容的实施方式的信息处理方法和信息处理装置的通用机器的结构简图。
具体实施方式
在下文中,将参照所附的说明性示图详细描述本公开内容的一些实施方式。在用附图标记指示附图的元件时,尽管相同的元件在不同的附图中示出,但相同的元件将由相同的附图标记表示。此外,在本公开内容的以下描述中,在有可能使本公开内容的主题不清楚的情况下,将省略对并入于本文中的已知功能和配置的详细描述。
本文中使用的术语仅用于描述特定实施方式的目的,而非旨在限制本公开内容。如本文所使用的,除非上下文另外指出,否则单数形式旨在也包括复数形式。还将理解的是,说明书中使用的术语“包括”、“包含”和“具有”旨在具体说明所陈述的特征、实体、操作和/或部件的存在,但是并不排除一个或更多个其他的特征、实体、操作和/或部件的存在或添加。
除非另有定义,否则本文中使用的包括技术术语和科学术语的所有术语具有与本发明构思所属领域技术人员通常理解的含义相同的含义。将进一步理解的是,诸如在常用词典中定义的那些术语应该被解释为具有与其在相关领域的上下文中的含义一致的含义,除非在此明确定义否则不应以理想化或过于正式的意义来解释。
在下面的描述中,阐述了许多具体细节以提供对本公开内容的全面理解。本公开内容可以在没有这些具体细节中的一些或所有具体细节的情况下实施。在其他实例中,为了避免因不必要的细节而模糊了本公开内容,在附图中仅仅示出了与根据本公开内容的方案密切相关的部件,而省略了与本公开内容关系不大的其他细节。
本公开内容所要解决的问题是如何针对种类众多的资源中的每种资源自适应地构造相应的预测模型来准确地预测该资源未来的使用/消耗。
图1示出了将汽车零件作为资源的具体示例的、预测汽车零件的未来使用/消耗的示意图。作为示例,图1中示出了多种汽车零件中的两种汽车零件1(深色曲线)和2(浅色曲线)的历史使用/消耗数据和预测使用/消耗数据。图1中的实线表示历史使用/消耗数据,例如从2018年4月至2019年3月的一年之中的使用/消耗数据,而图1中的虚线表示基于历史使用/消耗数据预测的2019年4月至2019年6月的一个季度的未来使用/消耗数据。图1中的横坐标表示时间,纵坐标表示使用/消耗数量。
尽管图1中仅示出了两种汽车零件1和2,但是本领域技术人员可以知晓,用于组装汽车的零件数目可能超过一万。如果针对每种零件构造预测其未来使用/消耗的预测模型,则所耗用的计算成本、存储空间和时间是极为巨大的。
本领域技术人员可以理解,在本文中表述“资源使用”和“资源消耗”可以互换地使用。
根据本公开内容,上述问题可以通过如下构思来解决:首先基于全部多种汽车零件的历史消耗数据训练通用消耗预测模型,其能够针对每种汽车零件生成第一消耗预测数据;随后针对每种汽车零件计算历史消耗数据和第一消耗预测数据之间的误差;接着基于所计算的每种汽车零件的误差来训练该汽车零件的专用消耗预测模型,其能够生成该汽车零件的第二消耗预测数据,从而利用第一消耗预测数据和第二消耗预测数据来得到该汽车零件的最终消耗预测数据。
本领域技术人员应认识到,尽管本文中使用汽车零件作为资源的具体示例描述了本公开内容的实施方式,但是本公开内容的实施方式不限于此。根据本公开内容的实施方式,资源可以包括实体的产品和/或非实体的服务,所有这些资源均应涵盖于本公开内容的范围内。
下面以汽车零件作为资源的具体示例,结合附图来更详细地描述根据本公开内容的实施方式。然而,本领域技术人员根据本公开内容的教导,能够将根据本公开内容的实施方式的信息处理技术应用于其他类型的资源使用/消耗的预测。
图2是示出根据本公开内容的实施方式的信息处理装置200的框图。根据本公开内容的实施方式的信息处理装置200用于对汽车零件的未来消耗进行预测。如图2所示,信息处理装置200可以包括第一训练单元201、误差建立单元202、第二训练单元203和确定单元204。
根据本公开内容的实施方式,第一训练单元201可以基于多个汽车零件的历史消耗数据训练通用消耗预测模型,该通用消耗预测模型能够针对多个汽车零件中的每个汽车零件生成第一消耗预测数据。
根据本公开内容的实施方式,第一训练单元201可以使用多个汽车零件的历史消耗数据作为带标签的训练样本,通过有监督的机器学习来训练作为回归模型的通用消耗预测模型M1。
具体地,第一训练单元201可以分析多个汽车零件中的每个汽车零件的历史消耗数据,将每个汽车零件的历史消耗数据组合成多个汽车零件的总体历史消耗数据,从而构造带标签的训练样本集合。
根据本公开内容的实施方式,第一训练单元201可以使用有监督的机器学习方法使用如上文所述构造的带标签的训练样本集合,对通用消耗预测模型进行训练。
在本公开内容的背景下,机器学习所要解决的问题是回归问题,即对于给定的n维输入向量x,其中每个输入向量具有作为真实有效值(groundtruth)的相应的y值,通过机器学习能够预测与之对应的连续的目标值
在本公开内容的汽车零件的实施方式中,假设对于第k个汽车零件(1≤k≤K,K是汽车零件的总数目),存在mk个历史消耗数据x(mk),即训练样本,与之对应的真实有效值是y(mk),即消耗数量。这里,y(mk)可以被理解为训练样本x(mk)的标签。
具体地,在k=1时,即对于第1个汽车零件,其带标签的训练样本集合可以被表示为下式1。
[式1]
在k=2时,即对于第2个汽车零件,其带标签的训练样本集合可以被表示为下式2。
[式2]
泛化地,对于第k个汽车零件,其带标签的训练样本集合可以被表示为下式3。
[式3]
其中,表示第i个训练样本的第j个特征,其中1≤i≤mk,1≤j≤n。y(i)表示第i个训练样本的真实有效值,即标签。
对于每个汽车零件,可以将上式3表示的历史消耗数据用作训练矩阵来训练消耗预测模型,用于对该汽车零件未来的消耗数据进行预测。然而,汽车零件的总数目K可能过万,因此构造过万个消耗预测模型必然导致计算代价和存储空间是巨大的。
根据本公开内容的实施方式,第一训练单元201将全部多个汽车零件的历史消耗数据组合在一起作为带标签的训练样本集合来训练一个通用消耗预测模型,全部K个汽车零件的历史消耗数据的组合可以由下式4表示。
[式4]
其中,
通过机器学习使用带标签的训练样本集合训练作为回归模型的通用消耗预测模型的技术是本领域技术人员已知的,因此为了简洁起见,本文不对通用消耗预测模型的训练过程的细节进行更详细的描述。
通过以上处理,第一训练单元201可以获得用于多个汽车零件的通用消耗预测模型M1,其能够针对多个汽车零件中的每个汽车零件预测未来的消耗数据,即生成第一消耗预测数据,由表示。
然而,尽管较之针对每个汽车零件分别训练的消耗预测模型,训练可用于每个汽车零件的通用消耗预测模型能够极大地降低计算成本和存储空间,但是其预测精度可能劣化。因此,有必要针对通用消耗预测模型M1对每个汽车零件的消耗预测结果,即第一消耗预测数据进行进一步处理以提高预测精度。
因此,根据本公开内容的实施方式,误差建立单元202可以针对多个汽车零件中的每个汽车零件,建立该汽车零件的历史消耗数据y和通过通用消耗预测模型M1得到的第一消耗预测数据之间的误差。
如上文所述,对于每个汽车零件,通用消耗预测模型M1可以获得其第一消耗预测数据
图3示出了作为示例的汽车零件的历史消耗数据y与第一消耗预测数据的曲线图。具体地,图3中的实线表示作为示例的多个汽车零件中的第k个汽车零件的历史消耗数据y,而虚线表示通过通用消耗预测模型获得的该汽车零件的第一消耗预测数据/>图3中的横坐标表示时间(从2107年12月至2019年11月),纵坐标表示零件消耗数量。
如图3中所示,对于第k个汽车零件,存在历史消耗数据y与第一消耗预测数据之间的误差Ek。误差Ek可以由下式5表示。
[式5]
其中,abs()表示取绝对值,1≤i≤mk。
通过以上处理,误差建立单元202可以建立每个汽车零件的历史消耗数据y与第一消耗预测数据之间的误差Ek,其可以由下式6示意性表示。
[式6]
根据本公开内容的实施方式,误差建立单元202还可以针对多个汽车零件中的每个汽车零件,使用所建立的误差Ek确定第一消耗预测数据相对于该汽车零件的历史消耗数据y的误差等级。
具体地,根据误差Ek的范围,误差建立单元202可以将误差Ek划分为若干个误差区间,并且根据每个汽车零件的误差Ek的大小,确定该汽车零件的相应的误差等级。例如,假设误差Ek的取值范围是[0,E],误差建立单元202可以将误差Ek的范围均匀划分为5个误差区间L1:[0,0.2E]、L2:(0.2E,0.4E]、L3:(0.4E,0.6E]、L4:(0.6E,0.8E]、L5:(0.8E,E]。对于第k个汽车零件,所计算的误差Ek的取值落在与上述五个误差区间中的某一误差区间中意味着该汽车零件具有与该误差区间对应的误差等级。
根据本公开内容的实施方式,误差Ek的取值范围E可以通过实验确定。
此外,本领域技术人员应理解,误差等级的划分可以是任意的。尽管在上述实施方式中将误差Ek的范围划分为5个等级,但是本领域技术人员可以根据经验或者具体应用场景将误差Ek的范围划分为更多或更少的等级。此外,尽管在上述实施方式中对误差Ek的范围进行了均匀划分,但是本领域技术人员可以根据经验或者具体应用场景以其他非均匀的方式,例如随着误差Ek的增加,相应误差等级的区间大小减小的方式,来对误差Ek的范围进行划分。
根据本公开内容的实施方式,第二训练单元203可以基于多个汽车零件中的每个汽车零件的相应的误差训练特定于该汽车零件的专用消耗预测模型M2k,该专用消耗预测模型M2k能够生成该汽车零件的第二消耗预测数据,其由表示。应理解,专用消耗预测模型M2k的总数目与汽车零件的总数目K相同。
具体地,根据本公开内容的实施方式,第二训练单元203基于多个汽车零件中的每个汽车零件的历史消耗数据y与第一消耗预测数据之间的误差Ek,通过对第一消耗预测数据/>执行多项式扩展来训练特定于该汽车零件的专用消耗预测模型M2k,从而生成该汽车零件的第二消耗预测数据/>
训练专用消耗预测模型M2k的目标,即多项式扩展的目标在于使得对于每个汽车零件,其专用消耗预测模型M2k生成的第二消耗预测数据与其历史资源使用数据y之间的误差在预定范围内。根据本公开内容的实施方式,该预定范围可以根据经验确定。
使用多项式扩展对第一消耗预测数据进行处理以拟合历史消耗数据的技术是本领域技术人员已知的,因此为了简洁起见,本文不对专用消耗预测模型M2k的训练过程的细节进行更详细的描述。
此外,根据本公开内容的实施方式,第二训练单元203可以使用基于误差等级的多项式扩展来处理每个汽车零件的第一消耗预测数据以获得特定于该汽车零件的专用资源消耗模型M2k。
根据本公开内容的实施方式,对于每个汽车零件,第二训练单元203针对其第一消耗预测数据基于误差Ek执行的多项式扩展的阶数可以与误差等级相对应。
以上文的误差等级L1至L5为例,对于第k个汽车零件,假设其第一消耗预测数据相对于历史消耗数据y的误差Ek的误差等级是L2,则可以使用阶数为2的多项式扩展来获得特定于该第k个汽车零件的专用资源消耗模型M2k。上述阶数为2的多项式扩展可以由下式7示意性表示。
[式7]
根据本公开内容的实施方式,对于第k个汽车零件,第二训练单元203通过基于其历史消耗数据y和使用通用消耗预测模M1型获得的其第一消耗预测数据之间的误差Ek来对其第一消耗预测数据/>进行多项式扩展以相对于其历史消耗数据y进行回归分析,能够训练特定于该汽车零件的作为多项式拟合模型的专用消耗预测模型M2k,经训练的专用消耗预测模型M2k可以生成该汽车零件的第二消耗预测数据/>
根据本公开内容的实施方式,确定单元204可以基于第一消耗预测数据和第二消耗预测数据/>来确定多个汽车零件中的每个汽车零件的最终消耗预测数据,其由/>表示。
通过上文所述的第一训练单元201和第二训练单元203的处理,可以分别获得多个汽车零件中的每个汽车零件的第一消耗预测数据和第二消耗预测数据/>
在通常情况下,由于专用消耗预测模型M2k较之通用消耗预测模型M1基于每个汽车零件的预测误差进行了特定于该汽车零件的进一步回归分析,因此专用消耗预测模型M2k生成的第二消耗预测数据较之通用消耗预测模型M1生成的第一消耗预测数据/>应具有更高的预测精度。然而,由于训练数据分布不均匀或者训练数据数量不足等原因,对于某些汽车零件,可能存在第二消耗预测数据/>与历史消耗数据y之间的误差反而大于第一消耗预测数据/>与历史消耗数据y之间的误差的情况。也就是说,并非在所有情况下,均适于采用第二消耗预测数据/>作为最终消耗预测数据/>
因此,根据本公开内容的实施方式,确定单元204可以针对多个汽车零件中的每个汽车零件,确定采用第一消耗预测数据还是第二消耗预测数据/>作为该汽车零件的最终消耗预测数据/>
根据本公开内容的实施方式,确定单元204可以针对多个汽车零件中的每个汽车零件,分析该汽车零件的历史消耗数据的分布和第一消耗预测数据与第二消耗预测数据之间的比较来确定采用第一消耗预测数据还是第二消耗预测数据作为该汽车零件的最终消耗预测数据。
例如,对于第k个汽车零件,确定单元204可以对其历史消耗数据y和第一消耗预测数据之间的数量关系进行比较,并且生成相应的指标P1。P1可以由下式8表示。
[式8]
其中,Qty()表示历史计数,1≤i≤mk。指标P1可以表示对于第k个汽车零件,历史消耗数据y大于相应的第一消耗预测数据的情况相对于历史消耗数据y的总数的比值,可用于表征该汽车零件的历史消耗数据的统计分布。
例如,对于某个汽车零件,如果指标P1大于某个预定阈值,例如0.9,则意味着通用消耗预测模型M1生成的第一消耗预测数据基本上总是小于历史消耗数据y。此时,如果该汽车零件的专用消耗预测模型M2k生成的第二消耗预测数据/>比第一消耗预测数据/>还要小,则可以认为第二消耗预测数据/>的预测精度低于第一消耗预测数据/>
此外,如果(1-P1)大于该预定阈值,例如0.9,则意味着通用消耗预测模型M1生成的第一消耗预测数据基本上总是大于历史消耗数据y。此时,如果该汽车零件的专用消耗预测模型M2k生成的第二消耗预测数据/>比第一消耗预测数据/>还要大,则可以认为第二消耗预测数据的预测精度/>低于第一消耗预测数据/>
在上述情况下,确定单元204可以确定使用第一消耗预测数据而非第二消耗预测数据/>作为最终消耗预测数据/>在其他情况下,确定单元204可以确定使用第二消耗预测数据/>而非第一消耗预测数据/>作为最终消耗预测数据/>根据本公开内容的实施方式,关于指标P1的预定阈值可以根据经验确定。
此外,根据本公开内容的实施方式,确定单元204还可以针对多个汽车零件中的每个汽车零件,基于该汽车零件的历史同期的历史消耗数据的分布和第一消耗预测数据与第二消耗预测数据之间的比较来确定采用第一消耗预测数据还是第二消耗预测数据作为该汽车零件的最终消耗预测数据。
例如,对于第k个汽车零件,确定单元204可以对其历史同期的历史消耗数据进行分析。具体地,假设需要对第k个汽车零件的11月份的消耗进行预测,则可以调取第k个汽车零件的往年的11月份的历史消耗数据以及相应的第一消耗预测数据并且生成相应的指标P2。P2可以由下式9表示。
[式9]
其中,Qty'()表示历史同期计数,1≤i≤mk。指标P2可以表示对于第k个汽车零件,历史同期的历史消耗数据y大于相应的第一消耗预测数据的情况相对于历史同期的历史消耗数据y的总数的比值,可用于表征该汽车零件的历史同期的历史消耗数据的统计分布。
这里,尽管指标P2在形式上与指标P1相同,但是应当注意,指标P2的计算仅考虑关于所要预测的时段的历史同期的消耗数据,不同于P1的计算考虑全部历史消耗数据。
例如,对于某个汽车零件,如果历史上11月份的指标P2大于某个预定阈值,例如0.9,则意味着在历史上的每个11月份的通用消耗预测模型M1生成的第一消耗预测数据基本上总是小于历史消耗数据y。此时,如果该汽车零件的专用消耗预测模型M2k针对11月份生成的第二消耗预测数据/>比第一消耗预测数据/>还要小,则可以认为第二消耗预测数据/>的预测精度低于第一消耗预测数据/>
此外,如果(1-P2)小于该预定阈值,例如0.9,则意味着在历史上的每个11月份的通用消耗预测模型M1生成的第一消耗预测数据基本上总是大于历史消耗数据y。此时,如果该汽车零件的专用消耗预测模型M2k针对11月份生成的第二消耗预测数据/>比第一消耗预测数据/>还要大,则可以认为第二消耗预测数据/>的预测精度低于第一消耗预测数据
在上述情况下,确定单元204可以确定使用第一消耗预测数据而非第二消耗预测数据/>作为最终消耗预测数据/>在其他情况下,确定单元204可以确定使用第二消耗预测数据/>而非第一消耗预测数据/>作为最终消耗预测数据/>根据本公开内容的实施方式,关于指标P2的预定阈值可以根据经验确定。
此外,根据本公开内容的实施方式,确定单元204也可以组合使用上述指标P1和P2来确定采用第一消耗预测数据还是第二消耗预测数据/>作为该汽车零件的最终消耗预测数据/>
例如,确定单元204可以基于指标P1和P2根据下式10生成指标P3。
[式10]
P3=α×P1+(1-α)×P2
其中,α用于表示指标P1和P2在指标P3中所占的权重,α的值可以根据经验确定,例如α可以取值为0.3。这里,可以认为,历史同期的消耗数据的统计分布较之全部历史消耗数据的统计分布具有更大的权重,也就是说,对于消耗数据的预测具有更重要的意义。
例如,对于第k个汽车零件,确定单元204可以将P3与预定阈值,例如0.8比较,当P3大于0.8(意味着第一消耗预测数据基本上总是小于历史消耗数据y)并且第二消耗预测数据/>比第一消耗预测数据/>还要小时,可以认为第二消耗预测数据/>的预测精度低于第一消耗预测数据/>
此外,确定单元204可以将(1-P3)与预定阈值,例如0.8比较,当P3小于0.8(意味着第一消耗预测数据基本上总是大于历史消耗数据y)并且第二消耗预测数据/>比第一消耗预测数据/>还要大时,可以认为第二消耗预测数据/>的预测精度低于第一消耗预测数据/>
在上述情况下,确定单元204可以确定使用第一消耗预测数据而非第二消耗预测数据/>作为最终消耗预测数据/>在其他情况下,确定单元204可以确定使用第二消耗预测数据/>而非第一消耗预测数据/>作为最终消耗预测数据/>根据本公开内容的实施方式,关于指标P3的预定阈值可以根据经验确定。
图4示出了根据本公开内容的实施方式的信息处理装置200的处理过程的示意图。
如图4中所示,信息处理装置200的第一训练单元201和第二训练单元203基于汽车零件的历史消耗数据分别训练得到通用消耗预测模型M1和专用消耗预测模型M2k。在对第k个汽车零件的未来消耗进行预测时,表示该汽车零件和预测时段的数据x作为输入向量被输入到通用消耗预测模型M1中以生成第一消耗预测数据随后第一消耗预测数据/>作为输入向量被输入到特定于该汽车零件的专用消耗预测模型M2k中,从而获得第二消耗预测数据/>确定单元204基于上文描述的方法确定采用第一消耗预测数据/>还是第二消耗预测数据/>作为最终消耗预测数据/>
相应地,本公开内容还提出了一种用于对资源使用进行预测的信息处理方法。
图5是示出根据本公开内容的实施方式的信息处理方法500的流程图。
信息处理方法500开始于步骤S501。随后,在第一训练步骤S502中,基于多个资源的历史资源使用数据训练通用资源使用预测模型,通用资源使用预测模型能够针对多个资源中的每个资源生成第一资源使用预测数据。根据本公开内容的实施方式,第一训练步骤S502中的处理可以例如通过根据上文参照图1至4描述的第一训练单元201来实现,因而这里不再赘述其细节。
随后,在误差建立步骤S503中,针对多个资源中的每个资源,建立该资源的历史资源使用数据和第一资源使用预测数据之间的误差。根据本公开内容的实施方式,误差建立步骤S503中的处理可以例如通过根据上文参照图1至4描述的误差建立单元202来实现,因而这里不再赘述其细节。
随后,在第二训练步骤S504中,基于多个资源中的每个资源的相应的误差训练特定于该资源的专用资源使用预测模型,专用资源使用预测模型能够生成该资源的第二资源使用预测数据。根据本公开内容的实施方式,第二训练步骤S504中的处理可以例如通过根据上文参照图1至4描述的第二训练单元203来实现,因而这里不再赘述其细节。
随后,在确定步骤S505中,基于第一资源使用预测数据和第二资源使用预测数据来确定多个资源中的每个资源的最终资源使用预测数据。根据本公开内容的实施方式,确定步骤S505中的处理可以例如通过根据上文参照图1至4描述的确定单元204来实现,因而这里不再赘述其细节。
最后,信息处理方法500结束于步骤S506。
根据本公开内容的信息处理技术,通过针对所有汽车零件构造通用消耗预测模型可以极大地节约计算成本和存储空间,随后通过针对特定的汽车零件自动地构造专用消耗预测模型可以提高预测精度,同时通过对历史消耗数据的分析确定采用通用消耗预测模型的结果还是专用消耗预测模型的结果作为最终预测结果可以减少或消除预测过程中的过拟合的问题。根据本公开内容的信息处理装置,通用消耗预测模型可以全局考虑全部汽车零件的数据分布特性,而专用消耗预测模型可以针对每个汽车零件自身的数据分布特性做适应性的调整,因而通过对通用消耗预测模型和专用消耗预测模型的结合使用,可以获得兼有二者的优点。
图6是示出可用来实现根据本公开内容的实施方式的信息处理方法和信息处理装置的通用机器600的结构简图。通用机器600可以是例如计算机系统。应注意,通用机器600只是一个示例,并非暗示对本公开内容的信息处理方法和信息处理装置的使用范围或者功能的局限。也不应将通用机器600解释为对上述信息处理方法或信息处理装置中示出的任一组件或其组合具有依赖或需求。
在图6中,中央处理单元(CPU)601根据只读存储器(ROM)602中存储的程序或从存储部分608加载到随机存取存储器(RAM)603的程序执行各种处理。在RAM 603中,还根据需要存储当CPU 601执行各种处理等等时所需的数据。CPU 601、ROM 602和RAM 603经由总线604彼此连接。输入/输出接口605也连接到总线604。
下述部件也连接到输入/输出接口605:输入部分606(包括键盘、鼠标等等)、输出部分607(包括显示器,例如阴极射线管(CRT)、液晶显示器(LCD)等,和扬声器等)、存储部分608(包括硬盘等)、通信部分609(包括网络接口卡例如LAN卡、调制解调器等)。通信部分609经由网络例如因特网执行通信处理。根据需要,驱动器610也可连接到输入/输出接口605。可拆卸介质611例如磁盘、光盘、磁光盘、半导体存储器等等可以根据需要被安装在驱动器610上,使得从中读出的计算机程序可根据需要被安装到存储部分608中。
在通过软件实现上述系列处理的情况下,可以从网络例如因特网或从存储介质例如可拆卸介质611安装构成软件的程序。
本领域的技术人员应当理解,这种存储介质不局限于图6所示的其中存储有程序、与设备相分离地分发以向用户提供程序的可拆卸介质611。可拆卸介质611的例子包含磁盘(包含软盘)、光盘(包含光盘只读存储器(CD-ROM)和数字通用盘(DVD))、磁光盘(包含迷你盘(MD)(注册商标))和半导体存储器。或者,存储介质可以是ROM 602、存储部分608中包含的硬盘等等,其中存有程序,并且与包含它们的设备一起被分发给用户。
此外,本公开内容还提出了一种存储有机器可读取的指令代码的程序产品。所述指令代码由机器读取并执行时,可执行上述根据本公开内容的信息处理方法。相应地,用于承载这种程序产品的上面列举的各种存储介质也包括在本公开内容的范围内。
上面已通过框图、流程图和/或实施方式进行了详细描述,阐明了根据本公开内容的实施方式的装置和/或方法的具体实施方式。当这些框图、流程图和/或实施方式包含一个或多个功能和/或操作时,本领域的技术人员明白,这些框图、流程图和/或实施方式中的各功能和/或操作可以通过各种硬件、软件、固件或实质上它们的任意组合而单独地和/或共同地实施。在一种实施方式中,本说明书中描述的主题的几个部分可通过特定用途集成电路(ASIC)、现场可编程门阵列(FPGA)、数字信号处理器(DSP)或其他集成形式实现。然而,本领域的技术人员会认识到,本说明书中描述的实施方式的一些方面能够全部或部分地以在一个或多个计算机上运行的一个或多个计算机程序的形式(例如,以在一个或多个计算机系统上运行的一个或多个计算机程序的形式)、以在一个或多个处理器上运行的一个或多个程序的形式(例如,以在一个或多个微处理器上运行的一个或多个程序的形式)、以固件的形式、或以实质上它们的任意组合的形式等效地实施,并且,根据本说明书中公开的内容,设计用于本公开内容的电路和/或编写用于本公开内容的软件和/或固件的代码完全是在本领域技术人员的能力范围之内。
应该强调,术语“包括/包含”在本文使用时指特征、要素、步骤或组件的存在,但并不排除一个或更多个其它特征、要素、步骤或组件的存在或附加。涉及序数的术语“第一”,“第二”等并不表示这些术语所限定的特征、要素、步骤或组件的实施顺序或者重要性程度,而仅仅是为了描述清楚起见而用于在这些特征、要素、步骤或组件之间进行标识。
综上,在根据本公开内容的实施方式中提供了如下技术方案,但不限于这些技术方案:
方案1.一种信息处理装置,包括:
第一训练单元,被配置成基于多个资源的历史资源使用数据训练通用资源使用预测模型,所述通用资源使用预测模型能够针对所述多个资源中的每个资源生成第一资源使用预测数据;
误差建立单元,被配置成针对所述多个资源中的每个资源,建立该资源的历史资源使用数据和所述第一资源使用预测数据之间的误差;
第二训练单元,被配置成基于所述多个资源中的每个资源的相应的误差训练特定于该资源的专用资源使用预测模型,所述专用资源使用预测模型能够生成该资源的第二资源使用预测数据;以及
确定单元,被配置成基于所述第一资源使用预测数据和所述第二资源使用预测数据来确定所述多个资源中的每个资源的最终资源使用预测数据。
方案2.根据方案1所述的信息处理装置,其中,所述第一训练单元还被配置成使用所述多个资源的历史资源使用数据作为带标签的训练样本,通过有监督的机器学习来训练作为回归模型的所述通用资源使用预测模型。
方案3.根据方案1所述的信息处理装置,其中,所述第二训练单元还被配置成基于所述多个资源中的每个资源的历史资源使用数据和所述第一资源使用预测数据之间的所述误差,通过对所述第一资源使用预测数据进行多项式扩展来训练特定于该资源的专用资源使用预测模型,以生成该资源的第二资源使用预测数据。
方案4.根据方案3所述的信息处理装置,其中,所述误差建立单元还被配置成针对所述多个资源中的每个资源,使用所建立的误差确定误差等级,以及
所述第二训练单元还被配置成使用基于所述误差等级的多项式扩展来训练特定于该资源的专用资源使用预测模型,使得该资源的第二资源使用预测数据与该资源的历史资源使用数据之间的误差在预定范围内。
方案5.根据方案4所述的信息处理装置,其中,所述误差等级根据所计算的误差的大小确定,并且所述误差等级与所述多项式扩展的阶数相对应。
方案6.根据方案4所述的信息处理装置,其中,所述误差等级在误差的取值区间中均匀分布。
方案7.根据方案1所述的信息处理装置,其中,所述确定单元还被配置成针对所述多个资源中的每个资源,确定采用第一资源使用预测数据还是第二资源使用预测数据作为该资源的最终资源使用预测数据。
方案8.根据方案7所述的信息处理装置,其中,所述确定单元还被配置成针对所述多个资源中的每个资源,基于所述多个资源的历史资源使用数据的分布以及所述第一资源使用预测数据和所述第二资源使用预测数据之间的比较来确定使用第一资源使用预测数据还是第二资源使用预测数据作为该资源的最终资源使用预测数据。
方案9.根据方案7所述的信息处理装置,其中,所述确定单元还被配置成针对所述多个资源中的每个资源,基于该资源的历史同期的历史资源使用数据的分布以及所述第一资源使用预测数据和所述第二资源使用预测数据之间的比较来确定使用第一资源使用预测数据还是第二资源使用预测数据作为该资源的最终资源使用预测数据。
方案10.根据方案7所述的信息处理装置,其中,所述确定单元还被配置成针对所述多个资源中的每个资源,基于该资源的历史资源使用数据的分布、该资源的历史同期的历史资源使用数据的分布以及所述第一资源使用预测数据和所述第二资源使用预测数据之间的比较来确定使用第一资源使用预测数据还是第二资源使用预测数据作为该资源的最终资源使用预测数据。
方案11.根据方案7所述的信息处理装置,其中,所述确定单元还被配置成在针对所述多个资源中的每个资源确定最终资源使用预测数据时,该资源的历史资源使用数据的分布以及该资源的历史同期的历史资源使用数据的分布具有不同的权重。
方案12.根据方案1所述的信息处理装置,其中,所述资源包括产品和/或服务。
方案13.一种信息处理方法,包括:
第一训练步骤,基于多个资源的历史资源使用数据训练通用资源使用预测模型,所述通用资源使用预测模型能够针对所述多个资源中的每个资源生成第一资源使用预测数据;
误差建立步骤,针对所述多个资源中的每个资源,建立该资源的历史资源使用数据和所述第一资源使用预测数据之间的误差;
第二训练步骤,基于所述多个资源中的每个资源的相应的误差训练特定于该资源的专用资源使用预测模型,所述专用资源使用预测模型能够生成该资源的第二资源使用预测数据;以及
确定步骤,基于所述第一资源使用预测数据和所述第二资源使用预测数据来确定所述多个资源中的每个资源的最终资源使用预测数据。
方案14.根据方案13所述的信息处理方法,其中,所述第一训练步骤还使用所述多个资源的历史资源使用数据作为带标签的训练样本,通过有监督的机器学习来训练作为回归模型的所述通用资源使用预测模型。
方案15.根据方案13所述的信息处理方法,其中,所述第二训练步骤还基于所述多个资源中的每个资源的历史资源使用数据和所述第一资源使用预测数据之间的上述误差,通过对所述第一资源使用预测数据进行多项式扩展来训练特定于该资源的专用资源使用预测模型,以生成该资源的第二资源使用预测数据。
方案16.根据方案15所述的信息处理方法,其中,所述误差建立步骤还针对所述多个资源中的每个资源,使用所建立的误差确定误差等级,以及
所述第二训练步骤还使用基于所述误差等级的多项式扩展来训练特定于该资源的专用资源使用预测模型,使得该资源的第二资源使用预测数据与该资源的历史资源使用数据之间的误差在预定范围内。
方案17.根据方案16所述的信息处理方法,其中,所述误差等级根据所计算的误差的大小确定,并且所述误差等级与所述多项式扩展的阶数相对应。
方案18.根据方案16所述的信息处理方法,其中,所述误差等级在误差的取值区间中均匀分布。
方案19.根据方案13所述的信息处理方法,其中,所述确定步骤还针对所述多个资源中的每个资源,确定采用第一资源使用预测数据还是第二资源使用预测数据作为该资源的最终资源使用预测数据。
方案20.一种计算机可读存储介质,其上存储有程序,所述程序在被所述计算机执行时使得所述计算机执行根据方案13至19中任一项所述的信息处理方法。
尽管上面已经通过对本公开内容的具体实施方式的描述对本公开内容进行了披露,但是,应该理解,本领域的技术人员可在所附权利要求的精神和范围内设计对本公开内容的实施方式的各种修改、改进或者等同物。这些修改、改进或者等同物也应当被认为包括在本公开内容的保护范围内。
Claims (8)
1.一种信息处理装置,包括:
第一训练单元,被配置成基于多个资源的历史资源使用数据训练通用资源使用预测模型,所述通用资源使用预测模型能够针对所述多个资源中的每个资源生成第一资源使用预测数据;
误差建立单元,被配置成针对所述多个资源中的每个资源,建立该资源的历史资源使用数据和所述第一资源使用预测数据之间的误差;
第二训练单元,被配置成基于所述多个资源中的每个资源的相应的误差训练特定于该资源的专用资源使用预测模型,所述专用资源使用预测模型能够生成该资源的第二资源使用预测数据;以及
确定单元,被配置成基于所述第一资源使用预测数据和所述第二资源使用预测数据来确定所述多个资源中的每个资源的最终资源使用预测数据,
其中,所述第二训练单元还被配置成基于所述多个资源中的每个资源的历史资源使用数据和所述第一资源使用预测数据之间的所述误差,通过对所述第一资源使用预测数据进行多项式扩展来训练特定于该资源的专用资源使用预测模型,以生成该资源的第二资源使用预测数据,
其中,所述误差建立单元还被配置成针对所述多个资源中的每个资源,使用所建立的误差确定误差等级,
所述第二训练单元还被配置成使用基于所述误差等级的多项式扩展来训练特定于该资源的专用资源使用预测模型,使得该资源的第二资源使用预测数据与该资源的历史资源使用数据之间的误差在预定范围内,以及
所述误差等级与所述多项式扩展的阶数相对应。
2.根据权利要求1所述的信息处理装置,其中,所述第一训练单元还被配置成使用所述多个资源的历史资源使用数据作为带标签的训练样本,通过有监督的机器学习来训练作为回归模型的所述通用资源使用预测模型。
3.根据权利要求1所述的信息处理装置,其中,所述误差等级根据所计算的误差的大小确定。
4.根据权利要求1所述的信息处理装置,其中,所述误差等级在误差的取值区间中均匀分布。
5.根据权利要求1所述的信息处理装置,其中,所述确定单元还被配置成针对所述多个资源中的每个资源,确定采用第一资源使用预测数据还是第二资源使用预测数据作为该资源的最终资源使用预测数据。
6.根据权利要求5所述的信息处理装置,其中,所述确定单元还被配置成针对所述多个资源中的每个资源,基于所述多个资源的历史资源使用数据的分布以及所述第一资源使用预测数据和所述第二资源使用预测数据之间的比较来确定使用第一资源使用预测数据还是第二资源使用预测数据作为该资源的最终资源使用预测数据。
7.根据权利要求5所述的信息处理装置,其中,所述确定单元还被配置成针对所述多个资源中的每个资源,基于该资源的历史同期的历史资源使用数据的分布以及所述第一资源使用预测数据和所述第二资源使用预测数据之间的比较来确定使用第一资源使用预测数据还是第二资源使用预测数据作为该资源的最终资源使用预测数据。
8.一种信息处理方法,包括:
第一训练步骤,基于多个资源的历史资源使用数据训练通用资源使用预测模型,所述通用资源使用预测模型能够针对所述多个资源中的每个资源生成第一资源使用预测数据;
误差建立步骤,针对所述多个资源中的每个资源,建立该资源的历史资源使用数据和所述第一资源使用预测数据之间的误差;
第二训练步骤,基于所述多个资源中的每个资源的相应的误差训练特定于该资源的专用资源使用预测模型,所述专用资源使用预测模型能够生成该资源的第二资源使用预测数据;以及
确定步骤,基于所述第一资源使用预测数据和所述第二资源使用预测数据来确定所述多个资源中的每个资源的最终资源使用预测数据,
其中,所述第二训练步骤还基于所述多个资源中的每个资源的历史资源使用数据和所述第一资源使用预测数据之间的上述误差,通过对所述第一资源使用预测数据进行多项式扩展来训练特定于该资源的专用资源使用预测模型,以生成该资源的第二资源使用预测数据,
其中,所述误差建立步骤还针对所述多个资源中的每个资源,使用所建立的误差确定误差等级,
所述第二训练步骤还使用基于所述误差等级的多项式扩展来训练特定于该资源的专用资源使用预测模型,使得该资源的第二资源使用预测数据与该资源的历史资源使用数据之间的误差在预定范围内,以及
所述误差等级与所述多项式扩展的阶数相对应。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010435555.4A CN113705849B (zh) | 2020-05-21 | 2020-05-21 | 信息处理装置和信息处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010435555.4A CN113705849B (zh) | 2020-05-21 | 2020-05-21 | 信息处理装置和信息处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113705849A CN113705849A (zh) | 2021-11-26 |
CN113705849B true CN113705849B (zh) | 2024-05-17 |
Family
ID=78645555
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010435555.4A Active CN113705849B (zh) | 2020-05-21 | 2020-05-21 | 信息处理装置和信息处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113705849B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104134103A (zh) * | 2014-07-30 | 2014-11-05 | 中国石油天然气股份有限公司 | 利用修正的bp神经网络模型预测热油管道能耗的方法 |
CN107710249A (zh) * | 2015-06-30 | 2018-02-16 | 微软技术许可有限责任公司 | 个性化预测模型 |
CN109714395A (zh) * | 2018-12-10 | 2019-05-03 | 平安科技(深圳)有限公司 | 云平台资源使用预测方法及终端设备 |
CN109741818A (zh) * | 2019-01-10 | 2019-05-10 | 华伟 | 基于人工智能的医疗亚健康干预资源调配管理方法及装置 |
CN110032551A (zh) * | 2019-03-12 | 2019-07-19 | 阿里巴巴集团控股有限公司 | 模型生成系统、方法及预测系统 |
CN110428053A (zh) * | 2019-08-08 | 2019-11-08 | 东北大学 | 一种蒸汽产耗量的动态预测方法 |
CN110990461A (zh) * | 2019-12-12 | 2020-04-10 | 国家电网有限公司大数据中心 | 大数据分析模型算法选型方法、装置、电子设备及介质 |
-
2020
- 2020-05-21 CN CN202010435555.4A patent/CN113705849B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104134103A (zh) * | 2014-07-30 | 2014-11-05 | 中国石油天然气股份有限公司 | 利用修正的bp神经网络模型预测热油管道能耗的方法 |
CN107710249A (zh) * | 2015-06-30 | 2018-02-16 | 微软技术许可有限责任公司 | 个性化预测模型 |
CN109714395A (zh) * | 2018-12-10 | 2019-05-03 | 平安科技(深圳)有限公司 | 云平台资源使用预测方法及终端设备 |
CN109741818A (zh) * | 2019-01-10 | 2019-05-10 | 华伟 | 基于人工智能的医疗亚健康干预资源调配管理方法及装置 |
CN110032551A (zh) * | 2019-03-12 | 2019-07-19 | 阿里巴巴集团控股有限公司 | 模型生成系统、方法及预测系统 |
CN110428053A (zh) * | 2019-08-08 | 2019-11-08 | 东北大学 | 一种蒸汽产耗量的动态预测方法 |
CN110990461A (zh) * | 2019-12-12 | 2020-04-10 | 国家电网有限公司大数据中心 | 大数据分析模型算法选型方法、装置、电子设备及介质 |
Non-Patent Citations (1)
Title |
---|
基于历史误差模型和局域临域校正的预测融合算法;王邑 等;仪器仪表学报;第32卷(第10期);2283-2289 * |
Also Published As
Publication number | Publication date |
---|---|
CN113705849A (zh) | 2021-11-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111680786B (zh) | 一种基于改进权重门控单元的时序预测方法 | |
CN113283924B (zh) | 需求预测方法以及需求预测装置 | |
CN113376526A (zh) | 汽车电池容量预测方法、寿命预测方法、装置及存储介质 | |
CN117170998B (zh) | 一种智能化设备生命周期管理系统 | |
CN113205223A (zh) | 一种电量预测系统及其预测方法 | |
CN114202256B (zh) | 架构升级预警方法、装置、智能终端及可读存储介质 | |
CN116091118A (zh) | 电价预测方法、装置、设备、介质及产品 | |
Forootani et al. | A stochastic dynamic programming approach for the machine replacement problem | |
CN113705849B (zh) | 信息处理装置和信息处理方法 | |
CN114581141A (zh) | 基于特征选择与lssvr的短期负荷预测方法 | |
CN117010442A (zh) | 设备剩余寿命预测模型训练方法、剩余寿命预测方法及系统 | |
CN112598082B (zh) | 基于非校验集预测图像识别模型泛化误差的方法及系统 | |
Zhou et al. | Structural reliability analysis based on probability density evolution method and stepwise truncated variance reduction | |
CN112488390B (zh) | 一种城市排水量预测方法及系统 | |
CN113723678A (zh) | 基于电证指数的股票预测方法、装置、设备和存储介质 | |
CN112308294A (zh) | 违约概率预测方法及装置 | |
CN113297478B (zh) | 基于用户生命周期的信息推送方法、装置及电子设备 | |
CN117408742B (zh) | 用户筛分方法及系统 | |
CN118153737A (zh) | 配电网线损的预测方法及装置 | |
CN118134358A (zh) | 一种智慧物流配送数据管理平台 | |
CN114004414A (zh) | 一种耦合Copula与LSTM的工企用能负荷预测方法 | |
CN116151108A (zh) | 一种铝电解槽剩余寿命预测方法和装置 | |
Choi et al. | Matrix-based Prediction Approach for Intraday Instantaneous Volatility Vector | |
CN115567406A (zh) | 一种管理网络节点的方法、装置和系统 | |
Ardakani et al. | Evaluating Economic Impacts of Automation Using Big Data Approaches |
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 |