CN115455708A - 基于向量相识度的多模型局部建模方法 - Google Patents
基于向量相识度的多模型局部建模方法 Download PDFInfo
- Publication number
- CN115455708A CN115455708A CN202211139022.7A CN202211139022A CN115455708A CN 115455708 A CN115455708 A CN 115455708A CN 202211139022 A CN202211139022 A CN 202211139022A CN 115455708 A CN115455708 A CN 115455708A
- Authority
- CN
- China
- Prior art keywords
- model
- vector
- modeling
- service
- models
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 239000013598 vector Substances 0.000 title claims abstract description 81
- 238000000034 method Methods 0.000 title claims abstract description 40
- 230000008569 process Effects 0.000 claims abstract description 14
- 230000003044 adaptive effect Effects 0.000 claims abstract description 11
- 238000005457 optimization Methods 0.000 claims description 13
- 238000001514 detection method Methods 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 7
- 238000012163 sequencing technique Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 3
- 230000000875 corresponding effect Effects 0.000 description 19
- 238000004458 analytical method Methods 0.000 description 12
- 238000012545 processing Methods 0.000 description 8
- 230000009286 beneficial effect Effects 0.000 description 5
- 230000009193 crawling Effects 0.000 description 4
- 230000006978 adaptation Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000556 factor analysis Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及局部建模技术领域,具体为一种基于向量相识度的多模型局部建模方法,包括:获取历史的模型及其对应业务流程的特征向量;获取具有建模需求的业务及其建模需求;根据建模需求,提取业务中业务特征向量;计算业务特征向量和各模型的特征向量之间的向量相识度;获取向量相识度符合预设相识度范围的模型;根据业务和建模需求,对获取的模型进行适应性调整,形成针对该业务的新模型。本方案能提升局部建模速度,以降低耗时,提升效率。
Description
技术领域
本发明涉及局部建模技术领域,具体为一种基于向量相识度的多模型局部建模方法。
背景技术
局部建模是根据建模需求,获取相关数据,在线建立业务所述的当前模型。相对于传统的全局建模方法而言,局部建模对非线性系统内的业务分析有明显优势,因为当观察的业务及其数据的数量相当大时,确定模型结构及相关最优问题会变得极其复杂,此时全局建模方式的实用度急剧下降,而局部建模可以根据个业务进行单模型或多模型的建立,以减少观察的业务及其数据的数量。
但是进行局部建模时,还是需要根据业务及其建模需求,进行研究、分析、模型设计、开发、评估等一系列操作流程,特别是对模型的设计需要花费大量的时间,整个局部建模流程复杂,严重限制了局部建模的速度,导致局部建模耗时长和效率低的问题,特别是对于多模型的局部建模,该问题更为严重。
因此现在急需一种基于向量相识度的多模型局部建模方法,能提升局部建模速度,降低耗时,提升效率。
发明内容
本发明意在提供一种基于向量相识度的多模型局部建模方法,能提升局部建模速度,以降低耗时,提升效率。
本发明提供如下基础方案:基于向量相识度的多模型局部建模方法,包括如下内容:
向量获取步骤:获取历史的模型及其对应业务流程的特征向量;
需求获取步骤:获取具有建模需求的业务及其建模需求;
向量提取步骤:根据建模需求,提取业务中业务特征向量;
相识度计算步骤:计算业务特征向量和各模型的特征向量之间的向量相识度;
模型获取步骤:获取向量相识度符合预设相识度范围的模型;
模型调整步骤:根据业务和建模需求,对获取的模型进行适应性调整,形成针对该业务的新模型。
基础方案的有益效果:本方案中获取历史的模型及其对应业务流程的特征向量,其可以将获取的历史的模型及其对应业务流程的特征向量存储到数据库中,以便于后续使用;获取具有建模需求的业务及其建模需求,根据建模需求,提取业务中业务特征向量,其中业务特征向量和特征向量都是对应业务流程特征的表征方式,因此通过计算业务特征向量和各模型的特征向量之间的向量相识度(即向量相似度),来判断具有建模需求的业务和历史的模型对应的业务的流程是否具备相似性,若是存在相似性,则历史的模型中存在适用于当前业务的逻辑,所以获取向量相识度符合预设相识度范围的模型,当然直接获取的模型哪怕具备一定相似性,完全适应于当前业务的可能性还是很低,因此根据业务和建模需求,对获取的模型进行适应性调整,使模型形成针对该业务的新模型,从而无需重头开始设计一个模型,只需要在现有模型上进行适应性调整,极大的提升了局部建模速度,从而降低耗时,提升效率。特别是对于业务多的系统,设置到多模型局部建模,只需要获取各具有建模需求的业务及其建模需求进行上述处理,即可获取各业务对应的模型,以帮助业务分析处理,且对于不同业务可以同时采用本方案进行建模,进一步提升多模型局部建模效率。
综上所述,本方案能提升局部建模速度,以降低耗时,提升效率。
进一步,所述向量相识度通过欧几里德距离、曼哈顿距离、切比雪夫距离、闵可夫斯基距离、标准化欧氏距离、马氏距离或兰氏距离表示。
有益效果:向量相识度可以通过欧几里德距离、曼哈顿距离、切比雪夫距离、闵可夫斯基距离、标准化欧氏距离、马氏距离或兰氏距离表示,用户可以根据实际的需求进行选择,从而确定最适用于当前业务的向量相识度。
进一步,还包括:排序步骤:对获取的模型,根据向量相识度由高到低进行排序;
模型获取优化步骤:根据排序结果,在获取的模型中,删除预设位次之后的模型。
有益效果:对获取的模型,根据向量相识度由高到低进行排序,根据排序结果,在获取的模型中,删除预设位次之后的模型,从而可以获取指定个数的模型,且最终获取的模型,其向量相识度是由高到低的模型,若只需要获取一个模型可以设置预设位次为1,从而后续只对指定个数的模型进行适应性调整,减少模型调整量。
进一步,还包括:模型推荐步骤:将获取的模型,进行推送;
模型选择信号获取步骤:获取模型选择信号;
模型筛选步骤:根据模型选择信号,在获取的模型中,删除未被选择的模型。
有益效果:因为获取的模型是向量相识度符合预设相识度范围的模型,其可能获取多个模型,但获取到的模型并不一定全部都是用户需要的模型,因此将获取的模型进行推送,以便于用户查看,并获取模型选择信号,其中模型选择信号为用户根据需求在推送的模型中选择的模型信息,根据模型选择信号,在获取的模型中,删除未被选择的模型,从而后续只对用户选择的模型进行适应性调整,减少模型调整量,并且进行适应性调整的模型是用户选择的更符合其当前需求的模型,其可能更便于进行适应性调整,且后续生产的新模型更适用于业务。
进一步,还包括:历史数据获取步骤:根据业务的建模需求,获取该业务对应的历史数据;
模型检测步骤:采用历史数据对新模型进行检测,并生成检测结果。
有益效果:根据业务的建模需求,获取该业务对应的历史数据,采用历史数据对新模型进行检测,并生成检测结果,其中历史数据可以分为输入数据和输出数据,根据输入数据作为新模型的输入,判断新模型的输出数据是否和历史数据中的输出数据相同或相差在一定范围内,从而能判断新模型是否能准确且适用于该业务的分析处理。
进一步,还包括:模型优化步骤:根据检测结果,对新模型进行调整优化,形成优化模型。
有益效果:根据检测结果,可以对新模型进行进一步的调整优化,以解决新模型当前存在的问题,如:准确度低,从而形成更准确和适用的优化模型。
进一步,还包括:模型训练步骤:采用历史数据对新模型或优化模型进行训练。
有益效果:采用历史数据对新模型或优化模型进行训练,提高新模型或优化模型识别准确度。
进一步,还包括:数据库建立步骤:建立数据库存储各业务的历史数据。
有益效果:对于各业务的历史数据建立数据库进行存储,以便于后续使用时,进行获取调用。
附图说明
图1为本发明基于向量相识度的多模型局部建模方法实施例的流程示意图。
具体实施方式
下面通过具体实施方式进一步详细说明:
实施例一
本实施例基本如附图1所示:基于向量相识度的多模型局部建模方法,包括如下内容:
数据库建立步骤:建立数据库存储各业务的历史数据;对于任意系统都可以建立数据库,或者多系统建立一个数据库,以存储系统中业务的历史数据,同时还可用于存储根据业务的业务流程建立的历史的模型及其对应业务流程的特征向量等信息,以便于后续调取使用,和信息的统一管理;
向量获取步骤:获取历史的模型及其对应业务流程的特征向量;本实施例中可以直接在数据库中进行获取;
需求获取步骤:获取具有建模需求的业务及其建模需求;例如:业务为存款业务,其建模需求为建立模型分析年龄与存款金额和操作时间的关系;
向量提取步骤:根据建模需求,提取业务中业务特征向量;其中业务特征向量和特征向量都是对应业务流程特征的表征方式,都是以业务的业务流程中的业务数据的预设编码规则、预设归一化规则和预设降维规则中的一项或多项进行确定的,以业务特征向量的提取为例,本实施例中,对业务数据进行预处理,主要是对业务数据,根据预设预处理规则进行数据清洗,例如业务数据为年龄范围为[0,100],那么对于不属于这个范围内的年龄数据进行删除,以清理异常数据,减少后续处理数据量;根据预设编码规则对业务数据进行编码,例如年龄以50岁作为分界,小于等于50岁编码为1,大于50岁则编码为2;根据预设归一化规则,对业务数据进行按一定比例的缩放,并转换为无量纲的纯数值,例如将年龄[0,100],映射到[0,1]区间内;根据预设降维规则,降低特征维度,例如采用PCA和因子分析法将2个特征综合为1个特征。通过上述方法对业务特征向量和特征向量进行提取。
相识度计算步骤:计算业务特征向量和各模型的特征向量之间的向量相识度;其中向量相识度通过欧几里德距离、曼哈顿距离、切比雪夫距离、闵可夫斯基距离、标准化欧氏距离、马氏距离或兰氏距离表示;本实施例中采用欧式距离。
模型获取步骤:获取向量相识度符合预设相识度范围的模型;其中预设相识度根据需求进行设置,只要向量相识度属于预设相识度范围,则提取该特征向量对应的模型,提取的模型可以作为模型模板,具有建模需求的业务和历史的模型对应的业务的流程具备一定程度的相似性,历史的模型中存在适用于当前业务的逻辑,所以获取向量相识度符合预设相识度范围的模型。
模型调整步骤:根据业务和建模需求,对获取的模型进行适应性调整,形成针对该业务的新模型;虽然获取的模型具备一定相似性,但是其完全适应于当前业务的可能性还是很低,因此还需要进行模型调整步骤,对获取的模型进行适应性调整,例如获取的模型是分析年龄与存款金额和操作时间的关系,而本次业务和建模需求是分析年龄和性别与存款金额和操作时间的关系,则需要对历史的模型进行适应性调整,增加输入,并调整内部函数。
历史数据获取步骤:根据业务的建模需求,获取该业务对应的历史数据;
模型检测步骤:采用历史数据对新模型进行检测,并生成检测结果;例如:获取年龄和性别,作为新模型的输入,新模型输出结果为预测的存款金额和操作时间,将其与获取的存款金额和操作时间做比较,从而获取新模型的准确率,作为检测结果。
模型优化步骤:根据检测结果,对新模型进行调整优化,形成优化模型;例如:准确率低于预设准确率,则对新模型进行调整优化,其中调整优化可以为调整内部层级结构、神经元、函数等,从而形成符合预设准确率的优化模型。
模型训练步骤:采用历史数据对新模型或优化模型进行训练;若新模型不需要调整优化,则可以直接采用历史数据对新模型进行训练,以提升新模型分析的准确率;若新模型需要调整优化,则对调整优化后形成的优化模型进行训练,以提升优化模型分析的准确率。
本方案无需重头开始设计一个模型,只需要在现有模型上进行适应性调整,极大的提升了局部建模速度,从而降低耗时,提升效率。特别是对于业务多的系统,设置到多模型局部建模,只需要获取各具有建模需求的业务及其建模需求进行上述处理,即可获取各业务对应的模型,以帮助业务分析处理,且对于不同业务可以同时采用本方案进行建模,进一步提升多模型局部建模效率。
综上所述,本方案能提升局部建模速度,以降低耗时,提升效率。
实施例二
本实施例与上述实施例基本相同,区别在于:还包括:排序步骤:对获取的模型,根据向量相识度由高到低进行排序;
模型获取优化步骤:根据排序结果,在获取的模型中,删除预设位次之后的模型。
上述两个步骤在模型获取步骤之后执行,对获取的模型,根据向量相识度由高到低进行排序,根据排序结果,在获取的模型中,删除预设位次之后的模型,从而可以获取指定个数的模型,且最终获取的模型,其向量相识度是由高到低的模型,若只需要获取一个模型可以设置预设位次为1,从而后续只对指定个数的模型进行适应性调整,减少模型调整量。
实施例三
本实施例与实施例一基本相同,区别在于:还包括:模型推荐步骤:将获取的模型,进行推送;本实施例中将获取的模型推送到用户终端,其中用户终端包括但不限于:电脑和平板;
模型选择信号获取步骤:获取模型选择信号;
模型筛选步骤:根据模型选择信号,在获取的模型中,删除未被选择的模型。
上述三个步骤在模型获取步骤之后执行,因为获取的模型是向量相识度符合预设相识度范围的模型,其可能获取多个模型,但获取到的模型并不一定全部都是用户需要的模型,因此将获取的模型进行推送,以便于用户查看,并获取模型选择信号,其中模型选择信号为用户根据需求在推送的模型中选择的模型信息,根据模型选择信号,在获取的模型中,删除未被选择的模型,从而后续只对用户选择的模型进行适应性调整,减少模型调整量,并且进行适应性调整的模型是用户选择的更符合其当前需求的模型,其可能更便于进行适应性调整,且后续生产的新模型更适用于业务。
此外上述三个步骤还可以在实施例二中所述模型获取优化步骤之前或之后执行,若在之前执行,则从而对用户选择后的模型进行排序,若在之后执行,则将排序后的模型推荐给用户进行选择。
实施例四
本实施例与实施例三的区别在于,还包括模型分析模块,用于对获取到的,相似度超过预设值的前N个模型进行参数分析,本实施例中,N为5;模型分析模块包括数据分类模块,根据前5个模型的输入数据类型和数据释义,抽取出模型中的共性数据和个性数据;
还包括:缺失数据分析模块,所述缺失数据处理模块用于分析用户选择的模型所需数据与用户能够提供的各项数据之间差异,得到缺失数据;
缺失数据处理模块,用户判断缺失数据为个性数据还是共性数据,若缺失数据为共性数据则通过缺失补偿模块进行数据填充;若缺失数据为个性数据,则通过输入转换模块对模型进行调整,转换模型的输入数据;具体的,所述缺失补偿模块包括均值计算模块、网络爬取模块、回归预估模块以及补偿规则适配模块,所述补偿规则适配模块用于根据缺失数据的数据类型和释义,确定需要采用的数据补偿规则,数据补偿规则包括均值补偿、第三方补偿和预测补偿,分别由均值计算模块、网络爬取模块、回归预估模块实现,网络爬取模块采用第三方平台,对缺失数据进行搜索分析;回归预估模块用于根据缺失数据的历史趋势建立回归模型,进行归回预测,进而填充缺失数据。
输入转换模块,则用于根据缺失数据类型和数据释义,匹配关联数据,具体的,根据网络第三方中的相关数据库,进行相关性分析,判断得到与缺失数据最为相关且用户能够提供的数据,通过该数据来作为模型对应的输入参数,同时,根据相关性的大小调整模型中该数据对应的权重,以原权重为100%,调整后的权重与相关性的绝对值呈现正比例关系。
本申请技术方案中,在缺失模型所需数据时,不是弃用模型,也不是简单的对缺失数据进行填充补偿,而是根据缺失数据的类型进行针对性的分析,对于共性数据,采用缺失补偿的方式进行填充,对于个性数据,则采用替换的方式进行解决,同时调整模型权重,避免替换数据后造成模型精度有过大差异,通过本实施例技术方案,可以实现在缺失数据情况下的建模和应用。
实施例五
本实施例和实施例四的区别在于,本实施例中N根据模型效果离散程度来确定,具体的,对超过预设值的模型进行模拟测试,通过输入历史数据,对输出结果之间的梯度差进行分析,基于梯度差进行分段聚类,选取第一段输出结果对应的模型的数量作为N的值。通过本实施例的方案,可以将相识度靠前的模型中,相似性较强的模型提取出来,排除差异性较大的模型,便于更准确的分析共性数据和个性数据。
以上所述的仅是本发明的实施例,方案中公知的具体结构及特性等常识在此未作过多描述,所属领域普通技术人员知晓申请日或者优先权日之前发明所属技术领域所有的普通技术知识,能够获知该领域中所有的现有技术,并且具有应用该日期之前常规实验手段的能力,所属领域普通技术人员可以在本申请给出的启示下,结合自身能力完善并实施本方案,一些典型的公知结构或者公知方法不应当成为所属领域普通技术人员实施本申请的障碍。应当指出,对于本领域的技术人员来说,在不脱离本发明结构的前提下,还可以作出若干变形和改进,这些也应该视为本发明的保护范围,这些都不会影响本发明实施的效果和专利的实用性。本申请要求的保护范围应当以其权利要求的内容为准,说明书中的具体实施方式等记载可以用于解释权利要求的内容。
Claims (8)
1.基于向量相识度的多模型局部建模方法,其特征在于,包括如下内容:
向量获取步骤:获取历史的模型及其对应业务流程的特征向量;
需求获取步骤:获取具有建模需求的业务及其建模需求;
向量提取步骤:根据建模需求,提取业务中业务特征向量;
相识度计算步骤:计算业务特征向量和各模型的特征向量之间的向量相识度;
模型获取步骤:获取向量相识度符合预设相识度范围的模型;
模型调整步骤:根据业务和建模需求,对获取的模型进行适应性调整,形成针对该业务的新模型。
2.根据权利要求1所述的基于向量相识度的多模型局部建模方法,其特征在于,所述向量相识度通过欧几里德距离、曼哈顿距离、切比雪夫距离、闵可夫斯基距离、标准化欧氏距离、马氏距离或兰氏距离表示。
3.根据权利要求1所述的基于向量相识度的多模型局部建模方法,其特征在于,还包括:排序步骤:对获取的模型,根据向量相识度由高到低进行排序;
模型获取优化步骤:根据排序结果,在获取的模型中,删除预设位次之后的模型。
4.根据权利要求1所述的基于向量相识度的多模型局部建模方法,其特征在于,还包括:模型推荐步骤:将获取的模型,进行推送;
模型选择信号获取步骤:获取模型选择信号;
模型筛选步骤:根据模型选择信号,在获取的模型中,删除未被选择的模型。
5.根据权利要求1所述的基于向量相识度的多模型局部建模方法,其特征在于,还包括:历史数据获取步骤:根据业务的建模需求,获取该业务对应的历史数据;
模型检测步骤:采用历史数据对新模型进行检测,并生成检测结果。
6.根据权利要求5所述的基于向量相识度的多模型局部建模方法,其特征在于,还包括:模型优化步骤:根据检测结果,对新模型进行调整优化,形成优化模型。
7.根据权利要求6所述的基于向量相识度的多模型局部建模方法,其特征在于,还包括:模型训练步骤:采用历史数据对新模型或优化模型进行训练。
8.根据权利要求5所述的基于向量相识度的多模型局部建模方法,其特征在于,还包括:数据库建立步骤:建立数据库存储各业务的历史数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211139022.7A CN115455708B (zh) | 2022-09-19 | 2022-09-19 | 基于向量相识度的多模型局部建模方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211139022.7A CN115455708B (zh) | 2022-09-19 | 2022-09-19 | 基于向量相识度的多模型局部建模方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115455708A true CN115455708A (zh) | 2022-12-09 |
CN115455708B CN115455708B (zh) | 2023-12-19 |
Family
ID=84304522
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211139022.7A Active CN115455708B (zh) | 2022-09-19 | 2022-09-19 | 基于向量相识度的多模型局部建模方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115455708B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150058078A1 (en) * | 2013-08-26 | 2015-02-26 | Microsoft Corporation | Rule to constraint translator for business application systems |
CN110781467A (zh) * | 2019-10-22 | 2020-02-11 | 武汉极意网络科技有限公司 | 异常业务数据分析方法、装置、设备及存储介质 |
CN112990989A (zh) * | 2021-05-17 | 2021-06-18 | 太平金融科技服务(上海)有限公司深圳分公司 | 价值预测模型输入数据生成方法、装置、设备和介质 |
CN113805547A (zh) * | 2021-09-18 | 2021-12-17 | 合肥力拓云计算科技有限公司 | 一种能源生产平衡建模系统及其使用方法 |
WO2022057268A1 (zh) * | 2020-09-15 | 2022-03-24 | 中国电信股份有限公司 | 基站节能策略确定方法、装置以及存储介质 |
CN114399321A (zh) * | 2021-11-15 | 2022-04-26 | 湖南快乐阳光互动娱乐传媒有限公司 | 一种业务系统稳定性分析方法、装置和设备 |
CN114596061A (zh) * | 2022-03-02 | 2022-06-07 | 穗保(广州)科技有限公司 | 一种基于大数据的项目数据管理方法及系统 |
-
2022
- 2022-09-19 CN CN202211139022.7A patent/CN115455708B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150058078A1 (en) * | 2013-08-26 | 2015-02-26 | Microsoft Corporation | Rule to constraint translator for business application systems |
CN110781467A (zh) * | 2019-10-22 | 2020-02-11 | 武汉极意网络科技有限公司 | 异常业务数据分析方法、装置、设备及存储介质 |
WO2022057268A1 (zh) * | 2020-09-15 | 2022-03-24 | 中国电信股份有限公司 | 基站节能策略确定方法、装置以及存储介质 |
CN112990989A (zh) * | 2021-05-17 | 2021-06-18 | 太平金融科技服务(上海)有限公司深圳分公司 | 价值预测模型输入数据生成方法、装置、设备和介质 |
CN113805547A (zh) * | 2021-09-18 | 2021-12-17 | 合肥力拓云计算科技有限公司 | 一种能源生产平衡建模系统及其使用方法 |
CN114399321A (zh) * | 2021-11-15 | 2022-04-26 | 湖南快乐阳光互动娱乐传媒有限公司 | 一种业务系统稳定性分析方法、装置和设备 |
CN114596061A (zh) * | 2022-03-02 | 2022-06-07 | 穗保(广州)科技有限公司 | 一种基于大数据的项目数据管理方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN115455708B (zh) | 2023-12-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2020199591A1 (zh) | 文本分类模型训练方法、装置、计算机设备及存储介质 | |
CN109117883B (zh) | 基于长短时记忆网络的sar影像海冰分类方法及系统 | |
CN110852856B (zh) | 一种基于动态网络表征的发票虚开识别方法 | |
CN109165294A (zh) | 一种基于贝叶斯分类的短文本分类方法 | |
CN111626821B (zh) | 基于集成特征选择实现客户分类的产品推荐方法及系统 | |
CN110826618A (zh) | 一种基于随机森林的个人信用风险评估方法 | |
CN111008726B (zh) | 一种电力负荷预测中类图片转换方法 | |
CN109787821B (zh) | 一种大规模移动客户流量消费智能预测方法 | |
CN108363691A (zh) | 一种用于电力95598工单的领域术语识别系统及方法 | |
CN115358481A (zh) | 一种企业外迁预警识别的方法、系统及装置 | |
CN117453764A (zh) | 一种数据挖掘分析方法 | |
CN115455708A (zh) | 基于向量相识度的多模型局部建模方法 | |
CN114168578A (zh) | 一种基于聚类和近邻算法的日负荷数据缺失值插补方法 | |
CN112506930A (zh) | 一种基于机器学习技术的数据洞察平台 | |
CN111488852A (zh) | 一种基于图像识别的缴费智能核查预警系统及预警方法 | |
CN112434658A (zh) | 一种智慧城市指纹图像多特征快速匹配算法 | |
CN115687632B (zh) | 一种刑事量刑情节分解分析的方法和系统 | |
CN116932487B (zh) | 一种基于数据段落划分的量化式数据分析方法及系统 | |
CN115831339B (zh) | 基于深度学习的医疗系统风险管控事前预测方法、系统 | |
CN117235137B (zh) | 一种基于向量数据库的职业信息查询方法及装置 | |
CN117539920B (zh) | 基于房产交易多维度数据的数据查询方法及系统 | |
CN116912845B (zh) | 一种基于nlp与ai的智能内容识别与分析方法及装置 | |
CN117556118B (zh) | 基于科研大数据预测的可视化推荐系统及方法 | |
CN117196724A (zh) | 一种基于大数据的营销方法、系统、设备及可存储介质 | |
CN114282797A (zh) | 一种基于AutoML的自动化信用评分建模方法 |
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 |