CN114117785A - 态势感知的实现方法、装置、设备及介质 - Google Patents

态势感知的实现方法、装置、设备及介质 Download PDF

Info

Publication number
CN114117785A
CN114117785A CN202111407002.9A CN202111407002A CN114117785A CN 114117785 A CN114117785 A CN 114117785A CN 202111407002 A CN202111407002 A CN 202111407002A CN 114117785 A CN114117785 A CN 114117785A
Authority
CN
China
Prior art keywords
nodes
data
node
risk level
probability distribution
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
Application number
CN202111407002.9A
Other languages
English (en)
Inventor
陈远猷
徐莉莎
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.)
Shanghai Para Software Co ltd
Original Assignee
Shanghai Para Software 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 Shanghai Para Software Co ltd filed Critical Shanghai Para Software Co ltd
Priority to CN202111407002.9A priority Critical patent/CN114117785A/zh
Publication of CN114117785A publication Critical patent/CN114117785A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • 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
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/08—Probabilistic or stochastic CAD

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Development Economics (AREA)
  • Geometry (AREA)
  • Educational Administration (AREA)
  • Evolutionary Computation (AREA)
  • Game Theory and Decision Science (AREA)
  • Computer Hardware Design (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明实施例公开了态势感知的实现方法、装置、设备及介质。方法包括：将系统中至少两个节点作为目标节点，获取每个目标节点分别对应的风险等级数据；确定目标节点间的关联关系；对于目标节点中具有第一关联关系的节点，基于条件概率及风险等级数据，建立条件概率分布模型；对于目标节点中具有第二关联关系的节点，基于联合概率分布及风险等级数据，建立联合概率分布模型；根据条件概率分布模型和联合概率分布模型进行态势感知，获得态势感知结果。采用上述技术方案分析目标节点间的关联关系，根据不同的关联关系采用不同的方式建立对应的概率分布模型，通过计算概率分布降低了算法难度，达到提高态势感知建模的灵活性，降低建模成本的技术效果。

Description

态势感知的实现方法、装置、设备及介质
技术领域
本发明实施例涉及计算机技术领域，尤其涉及态势感知的实现方法、装置、设备及介质。
背景技术
风控场景的态势感知(Situation Awareness)是一种常见的对于复杂风控系统进行建模的手段，属于常用的态势感知的建模方法。
现有技术中常用的态势感知建模方法例如，感知学习的态势感知建模方法。但是，该种建模方法算法难度和算法复杂性都较高，而且对于不同的态势感知问题需要进行重新调研，成本较高。
发明内容
本发明实施例提供了态势感知的实现方法、装置、设备及介质，可以优化现有的态势感知的实现方案。
第一方面，本发明实施例提供了一种态势感知的实现方法，包括：
将系统中至少两个节点作为目标节点，获取每个目标节点分别对应的风险等级数据；
确定所述目标节点间的关联关系，其中，所述目标节点间的关联关系包括第一关联关系和/或第二关联关系，具有所述第一关联关系的节点属于不同功能且存在节点间的数据流动，具有所述第二关联关系的节点属于相同功能；
对于所述目标节点中具有所述第一关联关系的节点，基于条件概率及所述风险等级数据，建立条件概率分布模型；对于所述目标节点中具有所述第二关联关系的节点，基于联合概率分布及所述风险等级数据，建立联合概率分布模型；
根据所述条件概率分布模型和所述联合概率分布模型进行态势感知，获得态势感知结果。
第二方面，本发明实施例提供了一种态势感知的实现装置，包括：
风险等级数据获得模块，用于将系统中至少两个节点作为目标节点，获取每个目标节点分别对应的风险等级数据；
关联关系确定模块，用于确定所述目标节点间的关联关系，其中，所述目标节点间的关联关系包括第一关联关系和/或第二关联关系，具有所述第一关联关系的节点属于不同功能且存在节点间的数据流动，具有所述第二关联关系的节点属于相同功能；
概率分布模型建立模块，用于对于所述目标节点中具有所述第一关联关系的节点，基于条件概率及所述风险等级数据，建立条件概率分布模型；对于所述目标节点中具有所述第二关联关系的节点，基于联合概率分布及所述风险等级数据，建立联合概率分布模型；
态势感知结果获得模块，用于根据所述条件概率分布模型和所述联合概率分布模型进行态势感知，获得态势感知结果。
第三方面，本发明实施例提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在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如本发明实施例提供的态势感知的实现方法。
第四方面，本发明实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明实施例提供的态势感知的实现方法。
本发明实施例中提供态势感知的实现方案，首先将系统中至少两个节点作为目标节点，获取每个目标节点分别对应的风险等级数据；然后确定目标节点间的关联关系，其中，目标节点间的关联关系包括第一关联关系和/或第二关联关系，具有第一关联关系的节点属于不同功能且存在节点间的数据流动，具有第二关联关系的节点属于相同功能。再通过目标节点中具有第一关联关系的节点，基于条件概率及风险等级数据，建立条件概率分布模型；对于目标节点中具有第二关联关系的节点，基于联合概率分布及风险等级数据，建立联合概率分布模型；最后根据条件概率分布模型和联合概率分布模型进行态势感知，获得态势感知结果。通过采用上述技术方案分析目标节点间的关联关系，从而根据不同的关联关系采用不同的方式建立对应的概率分布模型，通过计算概率分布降低了算法难度，达到提高态势感知建模的灵活性，降低建模成本的技术效果。
附图说明
图1为本发明实施例提供的一种态势感知的实现方法的流程示意图；
图2为本发明实施例提供的另一种态势感知的实现方法的流程示意图；
图3为本发明实施例提供的一种态势感知的实现装置的结构框图；
图4为本发明实施例提供的一种计算机设备的结构框图。
具体实施方式
下面结合附图并通过具体实施方式来进一步说明本发明的技术方案。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各步骤描述成顺序的处理，但是其中的许多步骤可以被并行地、并发地或者同时实施。此外，各步骤的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。
实施例一
图1为本发明实施例提供的一种态势感知的实现方法的流程示意图，该方法可以由态势感知的实现装置执行，其中该装置可由软件和/或硬件实现，一般可集成在服务器等计算机设备中。如图1所示，该方法包括：
S110、将系统中至少两个节点作为目标节点，获取每个目标节点分别对应的风险等级数据。
所述系统可以表示每个企业的架构系统或者业务系统，例如可以为，银行风险控制系统、企业员工登录系统以及商品销售系统等。在系统中，根据企业需求的不同，存在多种功能子系统，在有关联的不同功能子系统的节点之间存在数据流动，在相同功能子系统的不同节点之间也存在数据流动。
在将系统中至少两个节点作为目标节点时，目标节点至少满足以下关系：有关联的不同功能子系统的节点或者相同功能子系统的不同节点。本发明实施例所获取的至少两个目标节点，为存在直接关联关系的目标节点。
在获取目标节点之前，系统中每个节点均有对应的风险等级数据。该风险等级数据可以根据历史评估得到，也可根据系统实时评估得到。其中，风险等级的表现形式可以划分为：无风险、中风险以及高风险。相应地，也可使用0代表无风险、1代表中风险以及2代表高风险。具体风险等级的表现形式在此不作限制。
S120、确定目标节点间的关联关系。
可以根据目标节点的数据流向确定目标节点间的关联关系。其中，目标节点间的关联关系包括第一关联关系和/或第二关联关系，具有第一关联关系的节点属于不同功能且存在节点间的数据流动，具有第二关联关系的节点属于相同功能。
示例性地，以企业系统中的邮箱功能为例，邮箱登录子功能A涉及的登录节点a的有关数据会流向邮件统计子功能B的统计节点b中，统计节点b中的有关数据会流向邮件转发子功能C的转发节点c1中。则当前登录节点a与统计节点b属于不同功能且存在节点间的数据流动关系，统计节点b与转发节点c1属于不同功能且存在节点间的数据流动关系，也即这两对节点间的关系为第一关联关系，但节点a与节点c1之间的数据为间接性流动，可以不考虑，也即节点a与节点c1不能存在第一关联关系。在邮件转发子功能C中，若将转发节点c1称为一级转发节点，待一级转发节点完成后数据流向二级转发节点c2中，待二级转发节点进行转发，则当前一级转发节点c1和二级转发节点c2属于相同功能的不同节点，则当前节点间的关系为第二关联关系。
需要说明的是，目标节点间的关联关系可能存在第一关联关系，可能存在第二关联关系，也可能第一关联关系和第二关联关系同时存在，主要根据目标节点在系统中的数据流向决定。
S130、对于目标节点中具有第一关联关系的节点，基于条件概率及风险等级数据，建立条件概率分布模型；对于目标节点中具有第二关联关系的节点，基于联合概率分布及风险等级数据，建立联合概率分布模型。
根据步骤S110获得每个目标节点的风险等级数据，根据步骤S120获得目标节点间的关联关系，对具有第一关联关系的节点，基于条件概率及风险等级数据，建立条件概率分布模型。对具有第二关联关系的节点，基于联合概率分布及风险等级数据，建立联合概率分布模型。
示例性的，对于不同功能的节点a和节点b，则建立的条件概率分布模型为P(b|a)；对于同一功能的节点c1和节点c2建立联合概率分布模型为P(c1,c2)。
S140、根据条件概率分布模型和联合概率分布模型进行态势感知，获得态势感知结果。
根据本发明实施例提供态势感知方法，获得的态势感知结果可以为通过分析目标节点数据的不同流向，进行针对性的使用条件概率分布模型和联合概率分布模型计算得到的风险等级数值。则风险等级数值的大小，表明当前节点的风险大小。
进一步地，可以用来预估系统中产生的节点在未来时间点发生的风险概率，若预估得到的一些节点风险概率数值越大，则可认为发生风险的可能性越大，可以采用相应的预警机制防止风险的发生。
本发明实施例中提供的态势感知方法，首先将系统中至少两个节点作为目标节点，获取每个目标节点分别对应的风险等级数据；然后确定目标节点间的关联关系，其中，目标节点间的关联关系包括第一关联关系和/或第二关联关系，具有第一关联关系的节点属于不同功能且存在节点间的数据流动，具有第二关联关系的节点属于相同功能。再通过目标节点中具有第一关联关系的节点，基于条件概率及风险等级数据，建立条件概率分布模型；对于目标节点中具有第二关联关系的节点，基于联合概率分布及风险等级数据，建立联合概率分布模型；最后根据条件概率分布模型和联合概率分布模型进行态势感知，获得态势感知结果。通过采用上述技术方案分析目标节点间的关联关系，从而根据不同的关联关系采用不同的方式建立对应的概率分布模型，通过计算概率分布降低了算法难度，达到提高态势感知建模的灵活性，降低建模成本的技术效果。
实施例二
本发明实施例在上述实施例的基础上进行了进一步优化，优化了所述对于所述目标节点中具有所述第一关联关系的节点，基于条件概率及所述风险等级数据，建立条件概率分布模型步骤，包括：对于所述目标数据节点中具有所述第一关联关系的第一类节点，获取所述第一类节点分别对应的第一数据集；将所述第一数据集间有数据传输流向的时间段作为第一目标时间段，使用第一预设时间间隔划分所述第一目标时间段对应的数据集，得到多个第一数据段；使用第一预设规则确定每个第一数据段对应的风险等级，根据所述每个第一数据段对应的风险等级，建立条件概率分布模型。这样设置的好处在于根据目标数据间的关联关系，对第一类节点进行分析，建立条件概率分布模型，考虑到了数据的单向传输的特性。
还优化了所述对于所述目标节点中具有所述第二关联关系的节点，基于联合概率分布及所述风险等级数据，建立联合概率分布模型步骤，包括：对于所述目标数据节点中具有所述第二关联关系的第二类节点，获取所述第二类节点分别对应的第二数据集；将所述第二数据集间有数据关联的时间段作为第二目标时间段，使用第一预设时间间隔划分所述第二目标时间段对应的数据集，得到多个第二数据段；使用第二预设规则确定每个第二数据段对应的风险等级，根据所述每个第二数据段对应的风险等级，建立联合概率分布模型。这样设置的好处在于根据目标数据间的关联关系，对第二类节点进行分析，建立联合概率分布模型，考虑到了数据的双向传输的特性。
进一步优化了所述根据所述条件概率分布模型和所述联合概率分布模型进行态势感知，获得态势感知结果步骤，包括：根据当前时间点的待评估节点和对应的风险等级，预测未来时间点所述待评估节点对应的风险等级的期望值，其中，所述未来时间点与所述当前时间点之间的时间间隔为第一预设时间间隔；根据所述条件概率分布模型和所述待评估节点对应的第一类节点在当前时间点的风险等级，预测未来时间点所述待评估节点的第一风险等级；根据所述联合概率分布模型和所述待评估节点对应的第二类节点在当前时间点的风险等级，预测未来时间点所述待评估节点的第二风险等级；使用预设方式根据所述待评估节点对应的风险等级的期望值、所述第一风险等级和所述第二风险等级，计算得到待评估节点在未来时间点的态势感知结果。这样设置的好处在于根据数据的不同特性使用不同的概率模型进行计算，可降低态势感知建模的复杂性。
如图2所示，图2为本发明实施例提供的另一种态势感知的实现方法的流程示意图，具体的，该方法包括如下步骤：
S210、获取预设时间段的节点对应的历史数据，根据历史数据确定每个节点对应的风险等级数据。
所述预设时间段可以根据系统历史时间段的节点产生的历史数据数量决定，相应地，可以为一小时、一天或一周等，在此不作限制。
系统可以具备风险等级划分能力，可对系统产生的数据自动确定对应的风险等级，假设可将风险等级划分为0、1、2，其中：0代表无风险，1代表中风险，2代表高风险，从而可以确定每个节点对应的风险等级数据。
本发明实施例提供的态势感知方法，在对系统进行建模之前，可对获取的节点进行建模。其建模过程可以为：首先定义当前系统有k类功能，每类功能具有若干节点，分别记为m1，m2，...，mk，那么系统在预设时间段产生的节点总数量为
Figure BDA0003373120190000091
其中i表示系统中的当前功能，mi表示当前功能对应的节点数量。然后，由于每个节点均标记有对应的风险等级，可在每个节点对应的数据在进行数据传输的过程中，为对应的风险等级的变换情况进行建模。
示例性地，选取系统中任一节点mx，并在历史数据中查找出与mx相关的节点对应的数据，即节点mx对应的数据在传输过程中，由上一节点传入到节点mx中，以及由mx传出到下一节点的相关节点对应的数据，并将获取的数据以时间为顺序，从前往后排序，获得排序后的关于mx的数据表，记为X。
由于数据表X中每条数据都有对应的风险等级数据，从而可以统计从上一个节点对应的数据到下一个节点对应的数据，统计对应的风险等级数据转移计数，比如，获得标签为[0 0 0 1 2 2 1 1 1 0]，那么从等级为0转到等级为0的计数为2，从等级为0转到等级为1的计数为1，从等级为0转到等级为2的计数为0，从等级为1转到等级为0的计数为1，从等级为1转到等级为1的计数为2，从等级为1转到等级为2的计数为1，从等级为2转到等级为0的计数为0，从等级2转为等级为1的计数为1，从等级为2转为等级为2的计数为1，即可得表1；
表1风险等级数据转移计数统计表
Figure BDA0003373120190000092
Figure BDA0003373120190000101
其中，表1中的纵轴R(y)代表前一条数据的风险等级数据，横轴R(x)代表后一条数据的风险等级数据，其他代表风险等级的转移计数。
进一步地，通过分析表1，可知一共有9次有效转移，故表1所有的转移计数转成概率，得到表2；
表2风险等级数据转移计数统计表对应的概率分布
Figure BDA0003373120190000102
从而，可根据表2为后续上线阶段通过分析任一节点mx的风险等级数据的转移状态，进行态势感知作铺垫。
S220、将系统中至少两个节点作为目标节点，获取每个目标节点分别对应的风险等级数据。
S230、确定目标节点间的关联关系。
S240、对于目标数据节点中具有第一关联关系的第一类节点，获取第一类节点分别对应的第一数据集。
在针对系统，建立关于
Figure BDA0003373120190000103
个节点的网络模型时，当前只考虑节点之间属于不同功能且存在节点间的数据流动的第一关联关系的节点，将该类节点记为第一类节点。
示例性的，选取第一类节点为ma和mb时，数据从节点ma流向节点mb，从而，在历史数据中查找出ma节点相关的数据与mb节点相关的数据，并分别以时间为顺序，从前往后排序，可得对应的数据集A和数据集B。则数据集A和数据集B即为第一类节点分别对应的第一数据集。
S241、将第一数据集间有数据传输流向的时间段作为第一目标时间段，使用第一预设时间间隔划分第一目标时间段对应的数据集，得到多个第一数据段。
选取第一数据集间有数据传输流向的时间段作为第一目标时间段，此处数据传输流向可以理解为，数据从功能a中的节点ma向功能b中的节点mb传输。由于在数据传输过程中，节点中的数据流进流出对应的是多个数据进行流动传输的过程，因此当节点ma中的数据流向节点mb时，数据量会不一定相同。因此，在选取第一目标时间段时，需要选取有数据传输流向的时间段作为第一目标时间段，记为[t0，tk]。
用第一预设时间间隔划分[t0，tk]对应的数据集的目的为，可将数据集划分为多个第一数据段，从而分析每个第一数据段的特性得到当前数据集对应的特性。
所述第一预设时间间隔可以根据数据集中所包含的数据量以及想要得到的第一数据段的数量决定，例如可以为5s、30s或者60s等，在此不作限制。
示例性的，例如记第一预设时间间隔为tw，当tw＝5s时，将数据集A和数据集B分别分为5个第一数据段，由于在数据流进流出过程中，每个第一数据段中包含的数据量不一定相等，从而只分析每个数据段中所包含的数据对应的风险等级数据，例如，针对数据集A对应的5个第一数据段和数据集B对应的5个第一数据段，则每个第一数据段中数据对应的风险等级数据如表3所示：
表3第一数据段中数据集A与数据集B对应的风险等级数据
第一数据段 数据集A的风险等级数据 数据集b的风险等级数据
1 [0 1 0 2 0] [1 1 0]
2 [1 1 1 2] [0 1]
3 [1 1 1 1 0 0] [1 2 0]
4 [0 0 0 0] [0 0 2 1 1]
5 [0 1 1 1 2] [1 1 2 0]
表3表示，在划分的第一个第一数据段中，节点ma产生了5条数据，5条数据对应的风险等级数据为[0 1 0 2 0]，mb产生了3条数据，3条数据对应的风险等级数据为[1 1 0]，其余以此类推。
S242、使用第一预设规则确定每个第一数据段对应的风险等级，根据每个第一数据段对应的风险等级，建立条件概率分布模型。
在使用步骤S241产生的节点数据进行建模时，需要对每个第一数据段中所包含的数据进行统一，这样做的好处是筛选出具有代表性的数据，可以减少数据输入。由于本发明实施例提供的态势感知方法是用于风险控制，因此，使用第一预设规则确定每个第一数据段对应的风险等级，所述第一预设规则可以为选择在每个第一数据段中对应的产生风险等级数据最大的值，作为每个第一数据段的最终风险等级。例如，针对表3中第一个第一数据段，ma节点的风险等级为2，mb对应的风险等级为1，从而可根据表3得表4：
表4每个第一数据段对应的风险等级数据
Figure BDA0003373120190000121
Figure BDA0003373120190000131
由于数据是从ma节点流入mb节点，所以关于第一类节点的建模问题可以转化为条件概率分布模型，即计算P(B|A)的条件概率分布，表示为在事件A发生的前提下，事件B发生的概率。从而表明，当前步骤讨论的数据流向是单向的，即数据从功能a中的节点ma，流入到mb节点的过程，计算数据从流出方功能到数据流入方功能的风险概率。
例如，根据表4可将ma节点中的数据转移到mb节点中的数据转移问题转化为以下概率分布：
P(B＝0|A＝0)＝0；P(B＝0|A＝1)＝0；P(B＝0|A＝2)＝0；P(B＝1|A＝0)＝0；P(B＝1|A＝1)＝0；P(B＝1|A＝2)＝2/5；P(B＝2|A＝0)＝1/5；P(B＝2|A＝1)＝1/5；P(B＝2|A＝2)＝1/5。
在后续上线阶段，利用P(B|A)来估算ma节点与mb节点的风险关系。需要注意的是，P(B|A)仍旧是一个合法的概率，所有情况需覆盖整个样本空间，即所有情况的概率相加应为1。
S250、对于目标数据节点中具有第二关联关系的第二类节点，获取第二类节点分别对应的第二数据集。
在针对系统，建立关于
Figure BDA0003373120190000132
个节点的网络模型时，当前只考虑节点之间属于相同功能且存在节点间的数据流动的第二关联关系的节点，将该类节点记为第二类节点。
示例性的，选取第二类节点为mc1和mc2时，数据从节点mc1流向节点mc2，从而在历史数据库中查找出mc1节点相关的数据与mc2节点相关的数据，并分别以时间为顺序，从前往后排序，可得对应的数据集C1和数据集C2。则数据集C1和数据集C2即为第二类节点分别对应的第二数据集。
S251、将第二数据集间有数据关联的时间段作为第二目标时间段，使用第一预设时间间隔划分第二目标时间段对应的数据集，得到多个第二数据段。
选取第二数据集间有数据关联的时间段作为第二目标时间段，此处数据关联可以理解为，数据在同一功能下从节点mc1到节点mc2流动的过程。示例性的，例如在审批功能下，节点mc1代表一级领导审批，审批完成后数据流入到二级领导审批的节点mc2中。
选取第二目标时间段，以及使用第一预设时间间隔划分第二目标时间段对应的数据集，得到多个第二数据段的理由与步骤S241中选取第一目标时间段，并使用第一预设时间间隔划分第一目标时间段对应的数据集的理由相同，在此不再赘述。
相应地，假设使用第一预设时间间隔对第二目标时间段对应的数据集C1和数据集C2进行划分时，分别可得5个对应的第二数据段，则每个第二数据段中数据对应的风险等级数据如表5所示：
表5在第二数据段中数据集C1和数据集C2对应的风险等级数据
第二数据段 数据集C<sub>1</sub>的风险等级数据 数据集C<sub>2</sub>的风险等级数据
1 [0 1 0 2 0] [1 1 0]
2 [1 1 1 2] [0 1]
3 [1 1 1 1 0 0] [1 2 0]
4 [0 0 0 0] [0 0 2 1 1]
5 [0 1 1 1 2] [1 1 2 0]
S252、使用第二预设规则确定每个第二数据段对应的风险等级，根据每个第二数据段对应的风险等级，建立联合概率分布模型。
所述第二预设规则可以同第一预设规则，即选择在每个第二数据段中对应的产生风险等级数据最大的值，作为每个第二数据段的最终风险等级，从而根据表5对应可得表6：
表6每个第二数据段对应的风险等级数据
第二数据段 数据集C<sub>1</sub>的风险等级 数据集C<sub>2</sub>的风险等级
1 2 1
2 2 1
3 1 2
4 0 2
5 2 2
由于节点mc1和节点mc2的功能相同，所以关于第二类节点的建模问题可以转化为联合概率分布模型，即计算P(C1,C2)的联合概率分布。
例如，根据表6可将mc1节点中的数据转移到mc2节点中的数据转移问题转化为以下概率分布：
P(C1＝0,C2＝0)＝0；P(C1＝1,C2＝0)＝0；P(C1＝2,C2＝0)＝0；P(C1＝0,C2＝1)＝0；P(C1＝1,C2＝1)＝0；P(C1＝2,C2＝1)＝2/5；P(C1＝0,C2＝2)＝1/5；P(C1＝1,C2＝2)＝1/5；P(C1＝2,C2＝2)＝1/5。
在后续上线阶段，利用P(C1,C2)来估算mc1节点与mc2节点的风险联系。需要注意的是，P(C1,C2)仍旧是一个合法的概率，所有情况需覆盖整个样本空间，即所有情况的概率相加应为1。
需要说明的是，根据联合概率分布特性，当前步骤讨论的节点mc1到节点mc2的数据流动是双向的，即可以根据P(C1,C2)计算P(C1丨C2)的关系，即节点mc1中的数据C1流向节点mc2中数据C2的风险概率，也可计算P(C2丨C1)的关系，即节点mc2中的数据C2流向节点mc1中数据C1的风险概率。
S260、根据当前时间点的待评估节点和对应的风险等级，预测未来时间点待评估节点对应的风险等级的期望值。
在上线阶段，本发明实施例提供的态势感知的实现方法，用来预测未来时间点的风险等级数据。则选取当前时间点tnew，待评估节点为mx，根据步骤S210对节点建模可得到各个节点的风险等级数据转移状态，结合当前tnew时间各个节点的风险等级数据，预测未来时间点待评估节点mx在tnew+tw时间点对应的风险等级的期望值。
例如，待评估节点mx，在tnew时间点对应的风险等级为1，则其tnew+tw的风险等级的期望值可以表示为：
Figure BDA0003373120190000161
记，待评估节点在未来时间点对应的风险等级的期望值为riskx-self-new。
需要说明的是，未来时间点与当前时间点之间的时间间隔为第一预设时间间隔。限制未来时间点与当前时间点之间的时间间隔等于第一预设时间间隔的意义在于，在训练阶段选取的时间间隔建立的模型适用于上线阶段时，若时间间隔不一致，会导致时间间隔间的数据量差距较大，存在上线阶段应用模型时，输出结果不准确的问题。
S270、根据条件概率分布模型和待评估节点对应的第一类节点在当前时间点的风险等级，预测未来时间点待评估节点的第一风险等级；根据联合概率分布模型和待评估节点对应的第二类节点在当前时间点的风险等级，预测未来时间点待评估节点的第二风险等级。
首先判断待评估节点mx对应的第二类节点的节点总数量，即在同一功能中与待评估节点存在数据流动的节点数据。假设在同一功能下，与待评估节点mx存在数据流动的有n个第二类节点对应的数据，根据n个第二类节点对应的数据在tnew时刻对应的风险等级，以及根据步骤S250-S252建立的联合概率分布模型，预测待评估节点mx在tnew+tw时间点的第二风险等级，记第二风险等级为riskx-sam-new。
预测mx在tnew+tw时间点的第二风险等级数据riskx-sam-new的过程可以为：假设已知与待评估节点mx相同功能节点c1,c2和c3的tnew时刻的风险等级，比如c1在tnew时刻风险为1，则可根据一下步骤进行计算，a)根据步骤S260可得到c1在tnew+tw时刻风险期望，并根据四舍五入确定风险等级；b)根据c1的风险等级和(c1,mx)的联合概率P(mx＝1，c1＝1)＝1/5，P(mx＝2,c1＝1)＝1/2,则c1关联下mx的风险等级的期望值是1*1/5+2*1/2＝1.2；c)同理可得其余关联节点c2和c3下mx的风险等级的期望值，求关联节点下的风险等级的期望值的平均，即可得到mx的riskx-sam-new。
然后，判断与待评估节点mx对应的第一类节点的节点总数量，即从不同功能流入待评估节点的节点数量。假设，有L个不同功能对应有l个第一类节点对应的数据流入待评估节点，根据l个第一类节点对应的数据在tnew时刻对应的风险等级，以及根据步骤S240-S242建立的条件概率分布模型，预测待评估节点mx在tnew+tw时间点的第一风险等级，记第一风险等级为riskx-diff-new。
其中，预测mx在tnew+tw时间点的第一风险等级数据riskx-diff-new的过程与上述预测mx在tnew+tw时间点的第二风险等级数据riskx-sam-new的过程相似，在此不再赘述。
S280、使用预设方式根据待评估节点对应的风险等级的期望值、第一风险等级和第二风险等级，计算得到待评估节点在未来时间点的态势感知结果。
根据步骤S260得到待评估节点在未来时间点对应的风险等级的期望值riskx-self-new，根据步骤S270分别得到待评估节点在未来时间点的第一风险等级riskx-diff-new和第二风险等级riskx-sam-new，则可通过预设方式计算得到态势感知结果。
优选地，预设方式通过以下表达式表示：
Figure BDA0003373120190000181
式中，a和b表示常数，且满足a+b＝1；riskx_new表示待评估节点在未来时间点的风险等级数据；l表示待评估节点对应的第一类节点的节点总数量；n表示与待评估节点对应的第二类节点的节点总数量；riskx-self-new表示在未来时间点待评估节点对应的风险等级的期望值；riskx-diff-new表示待评估节点对应的第一类节点在未来时间点的风险等级数据；riskx-sam-new表示待评估节点与对应的第二类节点在未来时间点的风险等级数据。
在求加权平均时，a和b的具体数值可根据实际数据表现进行动态调整，例如可以为a＝0.5，b＝0.5或a＝0.4，b＝0.6等，具体数值大小在此不作限制。
其中，待评估节点在未来时间点的风险等级数据，表示态势感知结果。
进一步地，可通过步骤S260-S280预测系统中所有待评估节点在未来时间点的风险等级数据，获得每个待评估节点的态势感知结果。
可选地，在计算得到待评估节点在未来时间点的态势感知结果之后，还包括：处理风险等级数据高于预设阈值的待评估节点。
根据态势感知结果，可以预测每个待评估节点对应的风险等级数据，若风险等级数据高于预设阈值(例如大于等于1)，则可认为在系统中当前节点对应的数据在未来时刻存在风险，可设置相应的风险预警机制，使得开发人员进行相应的业务处理，从而规避掉一些风险。
本发明实施例提供的态势感知的实现方法，通过公式(1)，根据待评估节点所处功能的不同，使用对应的计算方式估算待评估节点在未来时间点对应的风险等级数据求加权平均，不仅考虑待评估节点自身风险等级数据的变化情况，同时结合了与其有关联节点的风险等级数据的变化情况，更符合实际场景，可使得估算结果更精准。
实施例三
图3为本发明实施例提供一种态势感知的实现装置结构框图，该装置可由软件和/或硬件实现，一般可集成在服务器等计算机设备中，可通过执行态势感知的实现方法来对数据进行态势感知，以预估数据的风险等级。如图3所示，该装置包括：风险等级数据获得模块31、关联关系确定模块32、概率分布模型建立模块33和态势感知结果获得模块34，其中：
风险等级数据获得模块31，用于将系统中至少两个节点作为目标节点，获取每个目标节点分别对应的风险等级数据；
关联关系确定模块32，用于确定所述目标节点间的关联关系，其中，所述目标节点间的关联关系包括第一关联关系和/或第二关联关系，具有所述第一关联关系的节点属于不同功能且存在节点间的数据流动，具有所述第二关联关系的节点属于相同功能；
概率分布模型建立模块33，用于对于所述目标节点中具有所述第一关联关系的节点，基于条件概率及所述风险等级数据，建立条件概率分布模型；对于所述目标节点中具有所述第二关联关系的节点，基于联合概率分布及所述风险等级数据，建立联合概率分布模型；
态势感知结果获得模块34，用于根据所述条件概率分布模型和所述联合概率分布模型进行态势感知，获得态势感知结果。
本发明实施例中提供的态势感知的实现装置，首先将系统中至少两个节点作为目标节点，获取每个目标节点分别对应的风险等级数据；然后确定目标节点间的关联关系，其中，目标节点间的关联关系包括第一关联关系和/或第二关联关系，具有第一关联关系的节点属于不同功能且存在节点间的数据流动，具有第二关联关系的节点属于相同功能。再通过目标节点中具有第一关联关系的节点，基于条件概率及风险等级数据，建立条件概率分布模型；对于目标节点中具有第二关联关系的节点，基于联合概率分布及风险等级数据，建立联合概率分布模型；最后根据条件概率分布模型和联合概率分布模型进行态势感知，获得态势感知结果。通过采用上述技术方案分析目标节点间的关联关系，从而根据不同的关联关系采用不同的方式建立对应的概率分布模型，通过计算概率分布降低了算法难度，达到提高态势感知建模的灵活性，降低建模成本的技术效果。
可选的，概率分布模型建立模块33包括：第一数据集获取单元、第一数据段获得单元和条件概率分布模型建立单元，其中：
第一数据集获取单元，用于对于所述目标数据节点中具有所述第一关联关系的第一类节点，获取所述第一类节点分别对应的第一数据集；
第一数据段获得单元，用于将所述第一数据集间有数据传输流向的时间段作为第一目标时间段，使用第一预设时间间隔划分所述第一目标时间段对应的数据集，得到多个第一数据段；
条件概率分布模型建立单元，用于使用第一预设规则确定每个第一数据段对应的风险等级，根据所述每个第一数据段对应的风险等级，建立条件概率分布模型。
可选地，所述概率分布模型建立模块33还包括：第二数据集获取单元、第二数据段获得单元和联合概率分布模型建立单元，其中：
第二数据集获取单元，用于对于所述目标数据节点中具有所述第二关联关系的第二类节点，获取所述第二类节点分别对应的第二数据集；
第二数据段获得单元，用于将所述第二数据集间有数据关联的时间段作为第二目标时间段，使用第一预设时间间隔划分所述第二目标时间段对应的数据集，得到多个第二数据段；
联合概率分布模型建立单元，用于使用第二预设规则确定每个第二数据段对应的风险等级，根据所述每个第二数据段对应的风险等级，建立联合概率分布模型。
可选地，态势感知结果获得模块34包括：期望值预测单元、风险等级预测单元和态势感知结果计算单元，其中：
期望值预测单元，用于根据当前时间点的待评估节点和对应的风险等级，预测未来时间点所述待评估节点对应的风险等级的期望值，其中，所述未来时间点与所述当前时间点之间的时间间隔为第一预设时间间隔；
风险等级预测单元，用于根据所述条件概率分布模型和所述待评估节点对应的第一类节点在当前时间点的风险等级，预测未来时间点所述待评估节点的第一风险等级；根据所述联合概率分布模型和所述待评估节点对应的第二类节点在当前时间点的风险等级，预测未来时间点所述待评估节点的第二风险等级；
态势感知结果计算单元，用于使用预设方式根据所述待评估节点对应的风险等级的期望值、所述第一风险等级和所述第二风险等级，计算得到待评估节点在未来时间点的态势感知结果。
可选地，所述预设方式通过以下表达式表示：
Figure BDA0003373120190000221
式中，a和b表示常数，且满足a+b＝1；riskx_new表示待评估节点在未来时间点的风险等级数据；l表示待评估节点对应的第一类节点的节点总数量；n表示与待评估节点对应的第二类节点的节点总数量；riskx-self-new表示在未来时间点待评估节点对应的风险等级的期望值；riskx-diff-new表示待评估节点对应的第一类节点在未来时间点的风险等级数据；riskx-sam-new表示待评估节点与对应的第二类节点在未来时间点的风险等级数据；
其中，所述待评估节点在未来时间点的风险等级数据，表示态势感知结果。
可选地，所述态势感知结果获得模块34还包括：处理单元；
处理单元，用于处理风险等级数据高于预设阈值的待评估节点。
可选地，所述装置还包括：风险等级数据确定模块；
风险等级数据确定模块，用于获取预设时间段的节点对应的历史数据，根据所述历史数据确定每个节点对应的风险等级数据。
本发明实施例提供的态势感知的实现装置，可执行本发明任意实施例所提供的态势感知的实现方法，具备执行该方法相应的功能模块和有益效果。
实施例四
本发明实施例提供了一种计算机设备，该计算机设备中可集成本发明实施例提供的态势感知的实现装置。图4为本发明实施例提供的一种计算机设备的结构框图。计算机设备40可以包括：存储器41，处理器42及存储在存储器41上并可在处理器运行的计算机程序，所述处理器42执行所述计算机程序时实现如本发明实施例所述的态势感知的实现方法。
本发明实施例提供的计算机设备，可执行本发明任意实施例所提供的态势感知的实现方法，具备执行该方法相应的功能模块和有益效果。
实施例五
本发明实施例还提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于态势感知的实现方法，该方法包括：
将系统中至少两个节点作为目标节点，获取每个目标节点分别对应的风险等级数据；
确定所述目标节点间的关联关系，其中，所述目标节点间的关联关系包括第一关联关系和/或第二关联关系，具有所述第一关联关系的节点属于不同功能且存在节点间的数据流动，具有所述第二关联关系的节点属于相同功能；
对于所述目标节点中具有所述第一关联关系的节点，基于条件概率及所述风险等级数据，建立条件概率分布模型；对于所述目标节点中具有所述第二关联关系的节点，基于联合概率分布及所述风险等级数据，建立联合概率分布模型；
根据所述条件概率分布模型和所述联合概率分布模型进行态势感知，获得态势感知结果。
存储介质——任何的各种类型的存储器设备或存储设备。术语“存储介质”旨在包括：安装介质，例如CD-ROM、软盘或磁带装置；计算机系统存储器或随机存取存储器，诸如DRAM、DDRRAM、SRAM、EDORAM，兰巴斯(Rambus)RAM等；非易失性存储器，诸如闪存、磁介质(例如硬盘或光存储)；寄存器或其它相似类型的存储器元件等。存储介质可以还包括其它类型的存储器或其组合。另外，存储介质可以位于程序在其中被执行的第一计算机系统中，或者可以位于不同的第二计算机系统中，第二计算机系统通过网络(诸如因特网)连接到第一计算机系统。第二计算机系统可以提供程序指令给第一计算机用于执行。术语“存储介质”可以包括可以驻留在不同位置中(例如在通过网络连接的不同计算机系统中)的两个或更多存储介质。存储介质可以存储可由一个或多个处理器执行的程序指令(例如具体实现为计算机程序)。
当然，本发明实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上所述的态势感知的实现操作，还可以执行本发明任意实施例所提供的态势感知的实现方法中的相关操作。
上述实施例中提供的态势感知的实现装置、设备及存储介质可执行本发明任意实施例所提供的态势感知的实现方法，具备执行该方法相应的功能模块和有益效果。未在上述实施例中详尽描述的技术细节，可参见本发明任意实施例所提供的态势感知的实现方法。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (10)

1.一种态势感知的实现方法，其特征在于，包括：
将系统中至少两个节点作为目标节点，获取每个目标节点分别对应的风险等级数据；
确定所述目标节点间的关联关系，其中，所述目标节点间的关联关系包括第一关联关系和/或第二关联关系，具有所述第一关联关系的节点属于不同功能且存在节点间的数据流动，具有所述第二关联关系的节点属于相同功能；
对于所述目标节点中具有所述第一关联关系的节点，基于条件概率及所述风险等级数据，建立条件概率分布模型；对于所述目标节点中具有所述第二关联关系的节点，基于联合概率分布及所述风险等级数据，建立联合概率分布模型；
根据所述条件概率分布模型和所述联合概率分布模型进行态势感知，获得态势感知结果。
2.根据权利要求1所述的方法，其特征在于，所述对于所述目标节点中具有所述第一关联关系的节点，基于条件概率及所述风险等级数据，建立条件概率分布模型，包括：
对于所述目标数据节点中具有所述第一关联关系的第一类节点，获取所述第一类节点分别对应的第一数据集；
将所述第一数据集间有数据传输流向的时间段作为第一目标时间段，使用第一预设时间间隔划分所述第一目标时间段对应的数据集，得到多个第一数据段；
使用第一预设规则确定每个第一数据段对应的风险等级，根据所述每个第一数据段对应的风险等级，建立条件概率分布模型。
3.根据权利要求1所述的方法，其特征在于，所述对于所述目标节点中具有所述第二关联关系的节点，基于联合概率分布及所述风险等级数据，建立联合概率分布模型，包括：
对于所述目标数据节点中具有所述第二关联关系的第二类节点，获取所述第二类节点分别对应的第二数据集；
将所述第二数据集间有数据关联的时间段作为第二目标时间段，使用第一预设时间间隔划分所述第二目标时间段对应的数据集，得到多个第二数据段；
使用第二预设规则确定每个第二数据段对应的风险等级，根据所述每个第二数据段对应的风险等级，建立联合概率分布模型。
4.根据权利要求1所述的方法，其特征在于，所述根据所述条件概率分布模型和所述联合概率分布模型进行态势感知，获得态势感知结果，包括：
根据当前时间点的待评估节点和对应的风险等级，预测未来时间点所述待评估节点对应的风险等级的期望值，其中，所述未来时间点与所述当前时间点之间的时间间隔为第一预设时间间隔；
根据所述条件概率分布模型和所述待评估节点对应的第一类节点在当前时间点的风险等级，预测未来时间点所述待评估节点的第一风险等级；根据所述联合概率分布模型和所述待评估节点对应的第二类节点在当前时间点的风险等级，预测未来时间点所述待评估节点的第二风险等级；
使用预设方式根据所述待评估节点对应的风险等级的期望值、所述第一风险等级和所述第二风险等级，计算得到待评估节点在未来时间点的态势感知结果。
5.根据权利要求4所述的方法，其特征在于，所述预设方式通过以下表达式表示：
Figure FDA0003373120180000031
式中，a和b表示常数，且满足a+b＝1；riskx_new表示待评估节点在未来时间点的风险等级数据；l表示待评估节点对应的第一类节点的节点总数量；n表示与待评估节点对应的第二类节点的节点总数量；riskx-self-new表示在未来时间点待评估节点对应的风险等级的期望值；riskx-diff-new表示待评估节点对应的第一类节点在未来时间点的风险等级数据；riskx-sam-new表示待评估节点与对应的第二类节点在未来时间点的风险等级数据；
其中，所述待评估节点在未来时间点的风险等级数据，表示态势感知结果。
6.根据权利要求4所述的方法，其特征在于，所述计算得到待评估节点在未来时间点的态势感知结果之后，还包括：
处理风险等级数据高于预设阈值的待评估节点。
7.根据权利要求1所述的方法，其特征在于，将系统中至少两个节点作为目标节点，获取每个目标节点对应的风险等级数据之前，还包括：
获取预设时间段的节点对应的历史数据，根据所述历史数据确定每个节点对应的风险等级数据。
8.一种态势感知的实现装置，其特征在于，包括：
风险等级数据获得模块，用于将系统中至少两个节点作为目标节点，获取每个目标节点分别对应的风险等级数据；
关联关系确定模块，用于确定所述目标节点间的关联关系，其中，所述目标节点间的关联关系包括第一关联关系和/或第二关联关系，具有所述第一关联关系的节点属于不同功能且存在节点间的数据流动，具有所述第二关联关系的节点属于相同功能；
概率分布模型建立模块，用于对于所述目标节点中具有所述第一关联关系的节点，基于条件概率及所述风险等级数据，建立条件概率分布模型；对于所述目标节点中具有所述第二关联关系的节点，基于联合概率分布及所述风险等级数据，建立联合概率分布模型；
态势感知结果获得模块，用于根据所述条件概率分布模型和所述联合概率分布模型进行态势感知，获得态势感知结果。
9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在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1-7任一项所述的方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7任一项所述的方法。
CN202111407002.9A 2021-11-24 2021-11-24 态势感知的实现方法、装置、设备及介质 Pending CN114117785A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111407002.9A CN114117785A (zh) 2021-11-24 2021-11-24 态势感知的实现方法、装置、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111407002.9A CN114117785A (zh) 2021-11-24 2021-11-24 态势感知的实现方法、装置、设备及介质

Publications (1)

Publication Number Publication Date
CN114117785A true CN114117785A (zh) 2022-03-01

Family

ID=80372404

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111407002.9A Pending CN114117785A (zh) 2021-11-24 2021-11-24 态势感知的实现方法、装置、设备及介质

Country Status (1)

Country Link
CN (1) CN114117785A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114781120A (zh) * 2022-03-17 2022-07-22 福建省冶金工业设计院有限公司 一种基于尾矿库在线监测数据的智能分析方法、系统以及存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114781120A (zh) * 2022-03-17 2022-07-22 福建省冶金工业设计院有限公司 一种基于尾矿库在线监测数据的智能分析方法、系统以及存储介质
CN114781120B (zh) * 2022-03-17 2024-03-12 福建省冶金工业设计院有限公司 一种基于尾矿库在线监测数据的智能分析方法、系统以及存储介质

Similar Documents

Publication Publication Date Title
Zhang et al. Managing non-cooperative behaviors in consensus-based multiple attribute group decision making: An approach based on social network analysis
CN102469103B (zh) 基于bp神经网络的木马事件预测方法
CN110491124B (zh) 一种车辆流量预测方法、装置、设备及存储介质
CN104346926B (zh) 行驶时间预测方法和装置、以及相关终端设备
WO2020164740A1 (en) Methods and systems for automatically selecting a model for time series prediction of a data stream
Brando et al. Modelling heterogeneous distributions with an uncountable mixture of asymmetric laplacians
US20190220924A1 (en) Method and device for determining key variable in model
CN111105265A (zh) 基于客户信息的预测方法、装置、计算机设备及存储介质
CN117078048A (zh) 基于数字孪生的智慧城市资源管理方法及系统
US11599746B2 (en) Label shift detection and adjustment in predictive modeling
CN112686417A (zh) 一种地铁大客流预测方法、系统及电子设备
CN114117785A (zh) 态势感知的实现方法、装置、设备及介质
CN114925523A (zh) 一种基于不确定供需的交通用户均衡鲁棒优化方法及系统
Tembine Mean field stochastic games: Convergence, Q/H-learning and optimality
CN111510473B (zh) 访问请求处理方法、装置、电子设备和计算机可读介质
Orouskhani et al. Fuzzy adaptive cat swarm algorithm and Borda method for solving dynamic multi‐objective problems
JP6468653B2 (ja) 予測モデル構築装置
García et al. Proposal of a new distribution in PERT methodology
Fei et al. Efficient solution selection for two-stage stochastic programs
Weng et al. A novel sensor dynamic reliability evaluation method and its application in multi-sensor information fusion
Wang et al. An efficient truth discovery mechanism for crowdsensing tasks with temporal and spatial correlations
Sage et al. A residual-based approach for robust random forest regression
CN111209650B (zh) 考虑路网服务水平的旅行时间节省价值评估方法及装置
CN113705818B (zh) 对支付指标波动进行归因的方法及装置
CN113344294B (zh) 一种电力能源预测系统

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