CN115471108B - 数据分析决策方法、系统及大数据资源中心 - Google Patents
数据分析决策方法、系统及大数据资源中心 Download PDFInfo
- Publication number
- CN115471108B CN115471108B CN202211178995.1A CN202211178995A CN115471108B CN 115471108 B CN115471108 B CN 115471108B CN 202211178995 A CN202211178995 A CN 202211178995A CN 115471108 B CN115471108 B CN 115471108B
- Authority
- CN
- China
- Prior art keywords
- decision
- resource
- demand
- model
- big data
- 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
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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Development Economics (AREA)
- Mathematical Physics (AREA)
- Educational Administration (AREA)
- Computational Linguistics (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (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
本发明实施例提供的数据分析决策方法、系统及大数据资源中心,采用决策偏心系数信息来评价不同描述层面的事项需求决策向量的需求决策贡献值,比如,对于需求决策贡献值较低的事项需求决策向量可以确定相对较低的决策偏心系数,相反地,对于需求决策贡献值较高的事项需求决策向量可以确定相对较高的决策偏心系数,经过决策偏心系数融合的事项需求决策向量可以尽可能精准可信地反映数据资源需求信息,这样能够合理、准确地进行数据资源需求的决策分析,提高资源需求识别报告在资源分配决策过程中的参考可信度,从而提高有限的目标业务资源大数据的最大化利用。
Description
技术领域
本发明涉及数据处理技术领域,特别涉及一种数据分析决策方法、系统及大数据资源中心。
背景技术
人工智能(Artificial Intelligence,AI)能够促进生产力提升,是推动人工智能技术发展的重要原动力之一,从目前人工智能产品在工业领域的应用情况来看,未来更多的智能体将逐渐走进产业领域,人工智能也将是产业领域发展的新动能。
随着人工智能的应用领域的不断发展,智能化的数据分发分配处理是提高业务处理效率的关键。在实际应用时,针对不同数据的需求分析关乎确保数据分发分配处理质量,然后相关技术难以合理、准确地进行数据资源需求的决策分析。
发明内容
为改善相关技术中存在的技术问题,本发明提供了一种数据分析决策方法、系统及大数据资源中心。
第一方面,本发明实施例提供了一种数据分析决策方法,应用于大数据资源中心,所述方法包括:响应于接收到的数据分析指令,采集目标业务资源大数据;采用完成调试的专家决策系统模型对所述目标业务资源大数据进行资源事项要素知识挖掘,获得若干个描述层面的事项需求决策向量以及对应各个描述层面的决策偏心系数信息,其中;结合所述若干个描述层面的事项需求决策向量以及对应各个描述层面的决策偏心系数信息,获得针对所述目标业务资源大数据的资源需求识别报告。
可见,基于该实施例,在采集到目标业务资源大数据的条件下,能够采用完成调试的专家决策系统模型对目标业务资源大数据进行资源事项要素知识挖掘,然后基于获得的若干个描述层面的事项需求决策向量以及对应各个描述层面的决策偏心系数信息确定针对目标业务资源大数据的资源需求识别报告。本发明采用决策偏心系数信息来评价不同描述层面的事项需求决策向量的需求决策贡献值,比如,对于需求决策贡献值较低的事项需求决策向量可以确定相对较低的决策偏心系数,相反地,对于需求决策贡献值较高的事项需求决策向量可以确定相对较高的决策偏心系数,经过决策偏心系数融合的事项需求决策向量可以尽可能精准可信地反映数据资源需求信息,这样能够合理、准确地进行数据资源需求的决策分析,提高资源需求识别报告在资源分配决策过程中的参考可信度,从而提高有限的目标业务资源大数据的最大化利用。
在一些示例性实施例中,所述结合所述若干个描述层面的事项需求决策向量以及对应各个描述层面的决策偏心系数信息,获得针对所述目标业务资源大数据的资源需求识别报告,包括:结合所述若干个描述层面的事项需求决策向量进行第一关注维度调整,获得描述层面数小于未精简的描述层面数的第一关注维度调整后的事项需求决策向量;结合所述第一关注维度调整后的事项需求决策向量进行第二关注维度调整,获得描述层面数等于未精简的描述层面数的第二关注维度调整后的事项需求决策向量;结合所述第二关注维度调整后的事项需求决策向量以及对应各个描述层面的决策偏心系数信息,确定关于所述目标业务资源大数据的资源需求识别报告。
可见,基于该实施例,通过第一关注维度调整可以清洗掉若干个描述层面中价值较低的事项需求决策向量,然后进一步基于第二关注维度调整进行后续的设定运算结果,这样可以得到精准完整且合理的资源需求识别报告。
在一些示例性实施例中,所述专家决策系统模型包含用于处理资源需求识别环节的需求决策子模型;所述结合所述若干个描述层面的事项需求决策向量以及对应各个描述层面的决策偏心系数信息,获得针对所述目标业务资源大数据的资源需求识别报告,包括:结合所述若干个描述层面的事项需求决策向量以及对应各个描述层面的决策偏心系数信息之间的设定运算结果,确定完成设定运算的事项需求决策向量;将所述完成设定运算的事项需求决策向量加载至所述专家决策系统模型包含的需求决策子模型,获得所述需求决策子模型生成的所述资源需求识别报告。
在一些示例性实施例中,依据以下方式调试所述专家决策系统模型:获取业务资源大数据示例以及针对所述业务资源大数据示例的资源需求识别参考,其中,所述资源需求识别参考用于反映对应业务资源大数据示例中的资源项目是否匹配携带业务需求类别的数据资源需求;将所述业务资源大数据示例作为待进行调试的专家决策系统模型的模型调试原料,将针对所述业务资源大数据示例的资源需求识别参考作为所述待进行调试的专家决策系统模型的模型生成数据的对照组,对所述待进行调试的专家决策系统模型进行不少于一次模型调试,获得完成调试的专家决策系统模型。
可见,基于该实施例,采用业务资源大数据示例以及针对业务资源大数据示例的资源需求识别参考可以实现专家决策系统模型的调试,提高专家决策系统模型的运行质量。
在一些示例性实施例中,所述专家决策系统模型包括要素知识挖掘子模型、偏心处理子模型、以及需求决策子模型;所述将所述业务资源大数据示例作为待进行调试的专家决策系统模型的模型调试原料,将针对所述业务资源大数据示例的资源需求识别参考作为所述待进行调试的专家决策系统模型的模型生成数据的对照组,对所述待进行调试的专家决策系统模型进行不少于一次模型调试,包括:将所述业务资源大数据示例加载至所述专家决策系统模型包含的要素知识挖掘子模型,获得所述要素知识挖掘子模型生成的若干个描述层面的事项需求决策预测向量,并将所述要素知识挖掘子模型生成的若干个描述层面的事项需求决策预测向量加载至所述专家决策系统模型包含的偏心处理子模型,获得所述偏心处理子模型生成的对应各个描述层面的决策偏心系数信息;结合所述若干个描述层面的事项需求决策预测向量以及对应各个描述层面的决策偏心系数信息之间的设定运算结果,获得完成设定运算的事项需求决策预测向量;将所述完成设定运算的事项需求决策预测向量加载至所述专家决策系统模型包含的需求决策子模型,确定所述需求决策子模型的资源需求预测结果;结合所述资源需求预测结果以及针对所述业务资源大数据示例的资源需求识别参考对所述待进行调试的专家决策系统模型进行不少于一次模型调试。
可见,基于该实施例,能够采用完成设定运算的事项需求决策预测向量实现模型调试,由于完成设定运算的事项需求决策预测向量能够精准可信地反映数据资源需求信息,这样所获得的资源需求预测结果具有较高的精度和可信度,以保障模型调试的质量。
在一些示例性实施例中,所述专家决策系统模型包括输出不同显著性的若干个要素知识挖掘子模型、以及需求决策子模型;所述将所述业务资源大数据示例作为待进行调试的专家决策系统模型的模型调试原料,将针对所述业务资源大数据示例的资源需求识别参考作为所述待进行调试的专家决策系统模型的模型生成数据的对照组,对所述待进行调试的专家决策系统模型进行不少于一次模型调试,包括:将所述业务资源大数据示例加载至所述专家决策系统模型包含的若干个要素知识挖掘子模型,获得各个所述要素知识挖掘子模型生成的事项需求决策预测向量;从所述若干个要素知识挖掘子模型中筛选生成的显著性满足设定显著性要求的要素知识挖掘子模型;将所述要素知识挖掘子模型生成的事项需求决策预测向量加载至所述专家决策系统模型包含的需求决策子模型,获得所述需求决策子模型的资源需求预测结果;结合所述资源需求预测结果以及针对所述业务资源大数据示例的资源需求识别参考对所述待进行调试的专家决策系统模型进行不少于一次模型调试。
可见,基于该实施例,可以基于显著性满足设定显著性要求的若干个要素知识挖掘子模型生成的事项需求决策预测向量进行模型调试,换言之,不仅通过高显著性的事项需求决策预测向量,还同时能够采用低显著性的事项需求决策预测向量进行模型调试,从而确保所调试的专家决策系统模型的高需求识别精度。
在一些示例性实施例中,所述结合所述资源需求预测结果以及针对所述业务资源大数据示例的资源需求识别参考对所述待进行调试的专家决策系统模型进行不少于一次模型调试,包括:结合所述资源需求预测结果以及针对所述业务资源大数据示例的资源需求识别参考之间的相似性,确定所述待进行调试的专家决策系统模型的模型代价指标值;借助所述模型代价指标值对所述待进行调试的专家决策系统模型进行不少于一次模型调试。
在一些示例性实施例中,所述借助所述模型代价指标值对所述待进行调试的专家决策系统模型进行不少于一次模型调试,包括:在当前次模型调试不满足调试循环结束要求的条件下,借助所述模型代价指标值对所述待进行调试的专家决策系统模型包含的要素知识挖掘子模型、偏心处理子模型、以及需求决策子模型中不少于一类的模型变量进行改进,并基于改进后的专家决策系统模型进行下一次模型调试,直到满足调试循环结束要求。
在一些示例性实施例中,依据以下方式获取针对所述业务资源大数据示例的资源需求识别参考:对获取的业务资源大数据示例进行业务需求挖掘,确定所述业务资源大数据示例中的资源项目所对应的业务需求主题;结合所述业务资源大数据示例中的资源项目所对应的业务需求主题,确定关于所述业务资源大数据示例的资源需求识别参考。
可见,基于该实施例,能够引入业务需求主题实现相关数据资源需求的注释处理,比如,对于业务需求主题为临时需求种类的资源项目而言,即便业务资源大数据示例匹配一定的需求,也可通过非关键需求标签进行注释,进而提高资源需求识别的抗干扰性。
在一些示例性实施例中,所述对获取的业务资源大数据示例进行业务需求挖掘,确定所述业务资源大数据示例中的资源项目所对应的业务需求主题,包括:基于完成调试的资源使用意向挖掘模型对获取的业务资源大数据示例进行业务需求挖掘,确定从所述业务资源大数据示例中挖掘得到的各关注面的资源使用意向字段;基于各关注面的资源使用意向字段确定所述业务资源大数据示例中的资源项目所对应的业务需求主题。
在一些示例性实施例中,所述目标业务资源大数据包含的相异的局部资源数据集对应不同描述层面的事项需求决策向量,事项需求决策向量反映的数据资源需求描述值与对应局部资源数据集所对应决策偏心系数信息反映的决策偏心系数值具有第一设定数值关系。
在一些示例性实施例中,不同描述层面的事项需求决策向量至少包括如下内容:资源使用意向字段、业务操作行为向量;其中,所述资源使用意向字段对应的决策偏心系数信息反映的决策偏心系数值与所述业务操作行为向量对应的决策偏心系数信息反映的决策偏心系数值之间具有第二设定数值关系。
第二方面,本发明还提供了一种数据分析决策系统,该系统包括相互之间通信的大数据资源中心和业务数据处理设备,进一步地,所述大数据资源中心,用于:响应于接收到的数据分析指令,采集目标业务资源大数据;采用完成调试的专家决策系统模型对所述目标业务资源大数据进行资源事项要素知识挖掘,获得若干个描述层面的事项需求决策向量以及对应各个描述层面的决策偏心系数信息;结合所述若干个描述层面的事项需求决策向量以及对应各个描述层面的决策偏心系数信息,获得针对所述目标业务资源大数据的资源需求识别报告。
第三方面,本发明还提供了一种大数据资源中心,包括处理器和存储器;所述处理器和所述存储器通信连接,所述处理器用于从所述存储器中读取计算机程序并执行,以实现上述所述的方法。
第四方面,本发明还提供了一种服务器,包括处理器和存储器;所述处理器和所述存储器通信连接,所述处理器用于从所述存储器中读取计算机程序并执行,以实现上述所述的方法。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并于说明书一起用于解释本发明的原理。
图1是本发明实施例提供的一种数据分析决策方法的流程示意图。
图2是本发明实施例提供的一种数据分析决策系统的通信架构示意图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。
本发明实施例所提供的方法实施例可以在大数据资源中心、计算机设备或者类似的运算装置中执行。以运行在大数据资源中心上为例,大数据资源中心10可以包括一个或多个处理器102(处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)和用于存储数据的存储器104,可选地,上述大数据资源中心还可以包括用于通信功能的传输装置106。本领域普通技术人员可以理解,上述结构仅为示意,其并不对上述大数据资源中心的结构造成限定。例如,大数据资源中心10还可包括比上述所示更多或者更少的组件,或者具有与上述所示不同的配置。
存储器104可用于存储计算机程序,例如,应用软件的软件程序以及模块,如本发明实施例中的一种数据分析决策方法对应的计算机程序,处理器102通过运行存储在存储器104内的计算机程序,从而执行各种功能应用以及数据处理,即实现上述的方法。存储器104可包括高速随机存储器,还可包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器104可进一步包括相对于处理器102远程设置的存储器,这些远程存储器可以通过网络连接至大数据资源中心10。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输装置106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括大数据资源中心10的通信供应商提供的无线网络。在一个实例中,传输装置106包括一个网络适配器(Network Interface Controller,简称为NIC),其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中,传输装置106可以为射频(Radio Frequency,简称为RF)模块,其用于通过无线方式与互联网进行通讯。
基于此,请参阅图1,图1是本发明实施例所提供的一种数据分析决策方法的流程示意图,该方法应用于大数据资源中心,进一步可以包括以下内容描述的技术方案。
步骤101:响应于接收到的数据分析指令,采集目标业务资源大数据。
在本发明实施例中,数据分析指令可以用于指示进行资源需求的识别处理,从而为后续的资源分配决策提供指导。目标业务资源大数据包括但不限于在线办公资源、物联网设备资源、云游戏软件资源、智慧医疗资源、数字交通资源等一些列数字化业务的资源。
步骤102:采用完成调试的专家决策系统模型对目标业务资源大数据进行资源事项要素知识挖掘,获得若干个描述层面的事项需求决策向量以及对应各个描述层面的决策偏心系数信息。
在本发明实施例中,专家决策系统模型可以是基于专家系统训练得到的神经网络模型,本领域技术人员可以根据实际情况适应性选择模型类型和结构,包括但不限于卷积神经网络、特征金字塔网络等。
进一步地,资源事项要素知识挖掘用于对目标业务资源大数据中的各类资源事项(比如文件资源事项、系统内存资源事项等)进行需求要素提取,要素知识可以理解为事项需求决策向量或者特征向量。基于此,描述层面可以理解为不同的关注面或者关注角度,不同描述层面的事项需求决策向量用于反映不同维度、不同关注角度的使用需求分析特征,比如事项需求决策向量可以用于辅助分析哪些事项需求是核心的需求或者重要程度较高的需求,哪些事项需求是非核心的需求或者重要程度较低的需求,基于此,决策偏心系数信息可以理解为偏置权重信息,用于反映不同描述层面的重要程度。
步骤103:基于若干个描述层面的事项需求决策向量以及对应各个描述层面的决策偏心系数信息,获得针对目标业务资源大数据的资源需求识别报告。
在本发明实施例中,通过结合不同描述层面对应的事项需求决策向量+决策偏心系数信息,能够进行合理、精准的资源需求识别处理,从而确定出尽可能核心的资源需求,以便为这类资源需求分配对应的业务资源,提高有限的业务资源的利用率,对于一些无关紧要的资源需求,可以暂时搁置并延迟满足。
示例性的,为保障尽可能准确的数据资源需求识别,本发明实施例在采用专家决策系统模型挖掘若干个描述层面的事项需求决策向量时,还可以确定对应各个描述层面的决策偏心系数信息。有关描述层面的决策偏心系数信息可以反映对应的事项需求决策向量的需求决策贡献值,对于需求决策贡献值比较高的事项需求决策向量可以配置较大的决策偏心系数,相反地,对于需求决策贡献值比较低的事项需求决策向量可以配置较小的决策偏心系数,相较于传统方案中粗暴地确定全部描述层面具有相同的重要程度的需求决策向量挖掘思路而言,可以很好的促进有用描述层面的事项需求决策向量(比如需求紧急程度比较强的决策向量),削弱冷门描述层面的事项需求决策向量(比如需求紧急程度比较弱的决策向量),从而使得事项需求决策向量可以更为准确的被表达,从而实现之后的数据资源需求识别。
其中,所述有关若干个描述层面的事项需求决策向量可以对应的是不同决策角度分析获得的事项需求决策向量,可以包括需求请求对象、需求标的资源、需求业务类型、需求影响范围等,还可以是另外相关的事项需求决策向量,在此不作赘述。
本发明实施例中,不同描述层面的事项需求决策向量可以是包括资源使用意向字段(比如针对业务资源的使用方式、使用原因等)和业务操作行为向量(比如在使用相关业务资源过程中的用户操作习惯特征等),在业务操作行为向量不够突出的条件下,可以增大资源使用意向字段的决策偏心系数值,减小业务操作行为向量的决策偏心系数值,此外,在资源使用意向字段不够突出的条件下,可以增大业务操作行为向量的决策偏心系数值,减小资源使用意向字段的决策偏心系数值。
又比如,如果业务操作行为向量和资源使用意向字段的显著程度接近,可以通过决策偏心系数值的平均分配实现对多描述层面决策向量的一视同仁。
在一些可能的示例下,相异的局部资源数据集还可以对应相异的描述层面,比如,对于一些较为使用频率较高的局部资源数据集可以通过配置更大的决策偏心系数值进行侧重分析。
进一步地,本发明实施例在进行资源项目数据资源需求识别的时候,通过结合局部聚焦规则实现核心数据集的侧重分析,这样会使得数据资源需求识别的精度获得明显提高。
本发明实施例提供的数据分析决策方法,在引入局部聚焦规则时,可以进行事项需求决策向量的下采样处理和上采样处理,进而提高事项需求决策向量的抗干扰性,示例性可以基于以下S10-S30实施。
S10、基于若干个描述层面的事项需求决策向量进行第一关注维度调整,获得描述层面数小于未精简的描述层面数的第一关注维度调整后的事项需求决策向量。
S20、基于第一关注维度调整后的事项需求决策向量进行第二关注维度调整,获得描述层面数等于未精简的描述层面数的第二关注维度调整后的事项需求决策向量。
S30、基于第二关注维度调整后的事项需求决策向量以及对应各个描述层面的决策偏心系数信息,确定针对目标业务资源大数据的资源需求识别报告。
其中,可以通过第一关注维度调整(下采样/池化)、第二关注维度调整(上采样/衍生)、偏心系数配置这3个步骤来对事项需求决策向量的决策偏心系数进行确定。第一关注维度调整可以理解为基于描述层面的顺序进行第一关注维度调整,在一些可能的示例下,能够采用一个滑动平均层(卷积层)将{u*v*k1*k1}(对应若干个描述层面的事项需求决策向量)的规模转换成{u*v1*k1*k1}的事项需求决策向量(对应第一关注维度调整后的事项需求决策向量),u反映的是目标业务资源大数据的数目,v、v1分别对应第一关注维度调整前和第一关注维度调整后的描述层面数,且v1小于v,比如是对描述层面进行精简。第二关注维度调整可以使用滑动平均层将{u*v1*k1*k1}的规模调整成{u*v*k1*k1}(对应第二关注维度调整后的事项需求决策向量)的规模,相应的,u反映的是目标业务资源大数据的数目,v1、v分别对应第二关注维度调整前和第二关注维度调整后的描述层面数,且v1小于v,比如基于描述层面进行了上采样处理。最后进行事项需求决策向量的偏心系数配置,比如将生成的v个决策偏心系数值分别与各个描述层面进行加权处理,来进行事项需求决策向量的重要程度的确定。
可以理解,在进行第一关注维度调整之前,可以通过Pool单元将输入的若干个描述层面的事项需求决策向量的规模从{u*v*o*p}变换成{u*v*k1*k1},o、p分别对应输入的事项需求决策向量的纵向维度和横向维度,这样可以基于降维处理进行低价值特征的清洗,进而减少运算开销,提高特征处理分析的时效性。
在一些可能的示例下,有关事项需求决策向量挖掘得到的相关操作可以是采用专家决策系统模型包含的特征提取单元集实现的,且在特征提取单元集中可以加入注意力节点来对引入专家决策系统模型的局部聚焦规则。
本发明实施例中,特征提取单元集用来挖掘事项需求决策向量,特征提取单元集的最后一个单元可以连接于专家决策系统模型包含的需求决策子模型上用来进行数据资源需求识别。其中,可以将上采样后的事项需求决策向量以及对应各个描述层面的决策偏心系数信息进行设定运算结果,然后将完成设定运算的事项需求决策向量加载至专家决策系统模型包含的需求决策子模型,获得需求决策子模型生成的资源需求识别报告。这里的需求决策子模型可以是确定传入的目标业务资源大数据中的资源项目是否是数据资源需求这一回归分析任务,对应生成的可以是对应于两个需求主题的识别可能性,根据识别可能性高的需求主题确定对应的资源需求识别报告。
在实际应用过程中,鉴于专家决策系统模型的调试过程对于实现数据资源需求识别具有核心贡献,后续对相关调试专家决策系统模型的过程进行阐述,专家决策系统模型的调试思路示例性可以基于以下方式实施:获取业务资源大数据示例以及针对业务资源大数据示例的资源需求识别参考,其中,资源需求识别参考用于反映对应业务资源大数据示例中的资源项目是否匹配携带业务需求类别的数据资源需求;将业务资源大数据示例作为待进行调试的专家决策系统模型的模型调试原料,将针对业务资源大数据示例的资源需求识别参考作为待进行调试的专家决策系统模型的模型生成数据的对照组,对待进行调试的专家决策系统模型进行不少于一次模型调试,获得完成调试的专家决策系统模型。
本领域技术人员可以理解,上述的资源需求识别参考可以是事先完成注释的,换言之,对于业务资源大数据示例可以事先注释该业务资源大数据示例中的资源项目是否匹配数据资源需求。鉴于本发明实施例可以是结合多方面的需求深入分析实现的数据资源需求识别,比如考虑多个需求分析维度的特征,从而实现尽可能准确可靠的数据资源需求注释处理。
在本发明实施例中,可以通过对确定出的业务资源大数据示例进行业务需求挖掘,确定业务资源大数据示例中的资源项目所对应的业务需求主题,进而基于业务需求主题确定资源需求识别参考。
可以理解的是,本发明实施例中可以基于完成调试的资源使用意向挖掘模型对获取的业务资源大数据示例进行业务需求挖掘,确定从业务资源大数据示例中挖掘得到的各关注面的资源使用意向字段,然后基于挖掘得到的各关注面的资源使用意向字段确定业务需求主题。其中,有关各关注面的资源使用意向字段可以是从多个维度反映业务需求类别的相关资源项目需求特征信息,此外还可以是用于反映业务需求类别的各种资源使用意向字段,在此不作赘述。相异的资源使用意向字段的融合结果可以确定出相异的业务需求主题,本发明实施例的业务需求主题可以是包括临时需求、紧迫需求等类别。
比如,在确定业务需求主题为临时需求的条件下,即便资源项目对应有一定资源需求,也可以确定资源需求识别参考为非数据资源需求注释,在确定业务需求类别为紧迫需求的条件下,即便资源项目对应的资源需求特征识别度不高,也可以确定资源需求识别参考为数据资源需求注释。
本发明实施例提供的数据分析决策方法中的专家决策系统模型可以包括用于进行决策向量挖掘得到的要素知识挖掘子模型、实现局部聚焦规则的偏心处理子模型、以及进行需求识别环节处理的需求决策子模型。为了尽量的确定出更为丰富的事项需求决策向量,这里能够采用多层要素知识挖掘子模型进行要素向量挖掘。在一些可能的示例下,可以直接基于最后一个单元要素知识挖掘子模型挖掘得到的决策向量进行数据资源需求识别,还能够引入多阶要素知识挖掘子模型挖掘得到的决策向量进行数据资源需求识别。进一步地,可以通过以下两个思路对专家决策系统模型的调试进行示例性说明。
在第一种思路中,可以依据以下方式进行模型调试:将业务资源大数据示例加载至专家决策系统模型包含的要素知识挖掘子模型,获得要素知识挖掘子模型生成的若干个描述层面的事项需求决策预测向量,并将要素知识挖掘子模型生成的若干个描述层面的事项需求决策预测向量加载至专家决策系统模型包含的偏心处理子模型,获得偏心处理子模型生成的对应各个描述层面的决策偏心系数信息;基于若干个描述层面的事项需求决策预测向量以及对应各个描述层面的决策偏心系数信息之间的设定运算结果(比如可以是加权求和),获得加权后的事项需求决策预测向量;将加权后的事项需求决策预测向量加载至专家决策系统模型包含的需求决策子模型,确定需求决策子模型的资源需求预测结果;基于资源需求预测结果以及针对业务资源大数据示例的资源需求识别参考对待进行调试的专家决策系统模型进行不少于一次模型调试。
在本发明实施例中,这里的要素知识挖掘子模型可以对业务资源大数据示例进行特征挖掘,以确定出若干个描述层面的事项需求决策预测向量,进而能够采用偏心处理子模型实现对应各个描述层面的决策偏心系数信息的确定。在基于若干个描述层面的事项需求决策预测向量以及对应各个描述层面的决策偏心系数信息之间的设定运算结果的条件下,可以将完成设定运算的事项需求决策预测向量加载至需求决策子模型进行专家决策系统模型的不少于一次模型调试。
进一步地,业务资源大数据示例可以是在对应的业务环境下获取的资源项目大数据,且基于相异的业务环境所获取的业务资源大数据示例可以存在差异。
本发明实施例中,在将完成设定运算的事项需求决策预测向量加载至需求决策子模型的条件下,可以基于需求决策子模型生成的资源需求预测结果以及针对业务资源大数据示例的资源需求识别参考之间的相似性,确定待进行调试的专家决策系统模型的模型代价指标值进而基于模型代价指标值对待进行调试的专家决策系统模型进行不少于一次模型调试。
在一些可能的示例下,可以是进行多次模型调试。在完成首次模型调试之后,可以确定首次模型调试是否满足调试循环结束要求,且在确定不满足调试循环结束要求的条件下,可以基于首次调试确定的模型代价指标值反馈对专家决策系统模型进行改进,并可以将业务资源大数据示例加载至改进好的专家决策系统模型中进行第二次调试,同理,在完成第二次模型调试之后,可以确定第二次模型调试是否满足调试循环结束要求,并可以在不满足调试循环要求的条件下,进行后续的第三次、甚至第四次的调试,直到满足调试循环结束要求,获得完成调试的专家决策系统模型。
其中,所述调试循环结束要求可以是调试次数达到设定次数、获得的模型代价指标值小于设定判定值、访问完全部的业务资源大数据示例或是其它终止要求。
可以理解,本发明实施例在进行专家决策系统模型进行改进时,可以是对要素知识挖掘子模型、偏心处理子模型、以及需求决策子模型中不少于一类的模型变量的改进,以实现所述若干个子模型的协作调试(比如联合训练),提升整体的数据资源需求识别精度。
在第一种思路中,可以依据以下方式进行模型调试:将业务资源大数据示例加载至专家决策系统模型包含的若干个要素知识挖掘子模型,获得各个要素知识挖掘子模型生成的事项需求决策预测向量;从若干个要素知识挖掘子模型中筛选生成的显著性满足设定显著性要求的要素知识挖掘子模型;将要素知识挖掘子模型生成的事项需求决策预测向量加载至专家决策系统模型包含的需求决策子模型,确定需求决策子模型的资源需求预测结果;基于资源需求预测结果以及针对业务资源大数据示例的资源需求识别参考对待进行调试的专家决策系统模型进行不少于一次模型调试。
在本发明实施例中,这里的要素知识挖掘子模型可以为若干个,且若干个要素知识挖掘子模型生成的是不同显著性的事项需求决策预测向量。不同显著性的事项需求决策预测向量所对应反映的事项需求决策向量的等级并不相同,等级越高对应反映的信息更为模糊,相反地,等级越低对应反映的信息更为清楚。
鉴于传统方案侧重于高等级的特征向量而忽略低等级的特征向量,然而,在实际进行数据资源需求识别时,有些低等级的特征向量在需求分析中的贡献也不可忽视,基于此,本发明实施例可以将某些低等级的特征向量也输入需求决策子模型进行数据资源需求识别,换言之,本发明实施例可以筛选满足设定显著性要求(如最低显著度到最大显著度所对应的显著度区间)的事项需求决策预测向量进行后续的资源需求识别环节,从而进一步提升数据资源需求识别的精度。
此外,本发明实施例不仅引入了特征提取单元集(比如骨干网络)最后一个单元要素知识挖掘子模型(比如第五个要素知识挖掘子模型)生成的事项需求决策向量,还加入了更多层(比如第二个要素知识挖掘子模型、第三个要素知识挖掘子模型以及第四个要素知识挖掘子模型)的信息,同时实现多尺度信息的融合处理,作为需求决策子模型(比如决策树模型)最后的输入信息,如此,可以使得数据资源需求识别的处理能够综合考虑不同等级和阶段的需求决策向量,从而提高数据资源需求识别的精度。
可以理解,在借助若干个要素知识挖掘子模型生成的需求决策向量进行数据资源需求识别时,也能够引入所述上述的偏心系数配置实现更为准确的数据资源需求识别。
本发明实施例提供的数据分析决策方法,采用调试获得的专家决策系统模型可以高效准确对目标业务资源大数据进行数据资源需求识别,且需求识别的精度较高。
在一些可独立的实施例中,在获得针对所述目标业务资源大数据的资源需求识别报告之后,还可以包括如下内容:基于所述资源需求识别报告确定针对所述目标业务资源大数据的资源项目分配结果;通过所述资源项目分配结果对所述目标业务资源大数据进行数据拆解,得到多个待分发业务资源信息。
其中,所述资源项目分配结果用于指示将目标业务资源大数据拆分为多个不同的待分发业务资源信息,从而实现后续资源分配的预处理。
在一些可独立的实施例中,通过所述资源项目分配结果对所述目标业务资源大数据进行数据拆解,得到多个待分发业务资源信息之后,该方法还可以包括如下内容:响应于资源调用请求,对所述资源调用请求对应的业务数据处理设备进行风险检测,得到风险分析报告;在所述风险分析报告表征所述业务数据处理设备处于安全状态,将所述资源调用请求对应的待分发业务资源信息分发给所述业务数据处理设备。
在一些可独立的实施例中,对所述资源调用请求对应的业务数据处理设备进行风险检测,得到风险分析报告,可以包括如下内容:获取所述业务数据处理设备对应的交互行为运行日志序列,其中,所述交互行为运行日志序列包括具有时序关联的X组交互行为运行日志,所述X为大于或等于1的整数;根据所述交互行为运行日志序列获取异常行为运行日志序列,其中,所述异常行为运行日志序列包括具有时序关联的X组异常行为运行日志;基于所述交互行为运行日志序列,通过数据风险检测算法所包括的第一风险向量挖掘单元获取交互行为风险向量关系网序列,其中,所述交互行为风险向量关系网序列包括X个交互行为风险向量关系网;基于所述异常行为运行日志序列,通过所述数据风险检测算法所包括的第二风险向量挖掘单元获取异常行为风险向量关系网序列,其中,所述异常行为风险向量关系网序列包括X个异常行为风险向量关系网;基于所述交互行为风险向量关系网序列以及所述异常行为风险向量关系网序列,通过所述数据风险检测算法所包括的分类单元获取所述交互行为运行日志所对应的风险评分;根据所述风险评分确定所述交互行为运行日志序列的风险分析报告。
其中,如果所述交互行为运行日志序列的风险分析报告表征业务数据处理设备的安全等级为A1,并高于设定的安全等级A0,则表征所述业务数据处理设备处于安全状态,可以将所述资源调用请求对应的待分发业务资源信息分发给所述业务数据处理设备,从而确保待分发业务资源信息的数据安全。进一步地,通过上述内容,能够进行交互行为以及异常行为的综合分析,从而得到准确可靠风险分析报告。
基于上述相同或相似的发明构思,请结合参阅图2,还提供了一种数据分析决策系统30的架构示意图,包括互相之间通信的大数据资源中心10和业务数据处理设备20,大数据资源中心10和业务数据处理设备20在运行时实现或者部分实现上述方法实施例所描述的技术方案。
进一步地,还提供了一种可读存储介质,其上存储有程序,该程序被处理器执行时实现上述的方法。
进一步地,还提供了一种服务器,包括处理器和存储器;所述处理器和所述存储器通信连接,所述处理器用于从所述存储器中读取计算机程序并执行,以实现上述所述的方法。
在本发明实施例所提供的几个实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置和方法实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,媒体业务服务器10,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种数据分析决策方法,其特征在于,应用于大数据资源中心,所述方法包括:
响应于接收到的数据分析指令,采集目标业务资源大数据;
采用完成调试的专家决策系统模型对所述目标业务资源大数据进行资源事项要素知识挖掘,获得若干个描述层面的事项需求决策向量以及对应各个描述层面的决策偏心系数信息;
结合所述若干个描述层面的事项需求决策向量以及对应各个描述层面的决策偏心系数信息,获得针对所述目标业务资源大数据的资源需求识别报告;
所述结合所述若干个描述层面的事项需求决策向量以及对应各个描述层面的决策偏心系数信息,获得针对所述目标业务资源大数据的资源需求识别报告,包括:
结合所述若干个描述层面的事项需求决策向量进行第一关注维度调整,获得描述层面数小于未精简的描述层面数的第一关注维度调整后的事项需求决策向量;
结合所述第一关注维度调整后的事项需求决策向量进行第二关注维度调整,获得描述层面数等于未精简的描述层面数的第二关注维度调整后的事项需求决策向量;
结合所述第二关注维度调整后的事项需求决策向量以及对应各个描述层面的决策偏心系数信息,确定关于所述目标业务资源大数据的资源需求识别报告;
所述专家决策系统模型包含用于处理资源需求识别环节的需求决策子模型;所述结合所述若干个描述层面的事项需求决策向量以及对应各个描述层面的决策偏心系数信息,获得针对所述目标业务资源大数据的资源需求识别报告,包括:
结合所述若干个描述层面的事项需求决策向量以及对应各个描述层面的决策偏心系数信息之间的设定运算结果,确定完成设定运算的事项需求决策向量;
将所述完成设定运算的事项需求决策向量加载至所述专家决策系统模型包含的需求决策子模型,获得所述需求决策子模型生成的所述资源需求识别报告。
2.根据权利要求1所述的方法,其特征在于,依据以下方式调试所述专家决策系统模型:
获取业务资源大数据示例以及针对所述业务资源大数据示例的资源需求识别参考,其中,所述资源需求识别参考用于反映对应业务资源大数据示例中的资源项目是否匹配携带业务需求类别的数据资源需求;
将所述业务资源大数据示例作为待进行调试的专家决策系统模型的模型调试原料,将针对所述业务资源大数据示例的资源需求识别参考作为所述待进行调试的专家决策系统模型的模型生成数据的对照组,对所述待进行调试的专家决策系统模型进行不少于一次模型调试,获得完成调试的专家决策系统模型。
3.根据权利要求2所述的方法,其特征在于,所述专家决策系统模型包括要素知识挖掘子模型、偏心处理子模型、以及需求决策子模型;所述将所述业务资源大数据示例作为待进行调试的专家决策系统模型的模型调试原料,将针对所述业务资源大数据示例的资源需求识别参考作为所述待进行调试的专家决策系统模型的模型生成数据的对照组,对所述待进行调试的专家决策系统模型进行不少于一次模型调试,包括:
将所述业务资源大数据示例加载至所述专家决策系统模型包含的要素知识挖掘子模型,获得所述要素知识挖掘子模型生成的若干个描述层面的事项需求决策预测向量,并将所述要素知识挖掘子模型生成的若干个描述层面的事项需求决策预测向量加载至所述专家决策系统模型包含的偏心处理子模型,获得所述偏心处理子模型生成的对应各个描述层面的决策偏心系数信息;
结合所述若干个描述层面的事项需求决策预测向量以及对应各个描述层面的决策偏心系数信息之间的设定运算结果,获得完成设定运算的事项需求决策预测向量;
将所述完成设定运算的事项需求决策预测向量加载至所述专家决策系统模型包含的需求决策子模型,确定所述需求决策子模型的资源需求预测结果;
结合所述资源需求预测结果以及针对所述业务资源大数据示例的资源需求识别参考对所述待进行调试的专家决策系统模型进行不少于一次模型调试;
其中,所述专家决策系统模型包括输出不同显著性的若干个要素知识挖掘子模型、以及需求决策子模型;所述将所述业务资源大数据示例作为待进行调试的专家决策系统模型的模型调试原料,将针对所述业务资源大数据示例的资源需求识别参考作为所述待进行调试的专家决策系统模型的模型生成数据的对照组,对所述待进行调试的专家决策系统模型进行不少于一次模型调试,包括:将所述业务资源大数据示例加载至所述专家决策系统模型包含的若干个要素知识挖掘子模型,获得各个所述要素知识挖掘子模型生成的事项需求决策预测向量;从所述若干个要素知识挖掘子模型中筛选生成的显著性满足设定显著性要求的要素知识挖掘子模型;将所述要素知识挖掘子模型生成的事项需求决策预测向量加载至所述专家决策系统模型包含的需求决策子模型,获得所述需求决策子模型的资源需求预测结果;结合所述资源需求预测结果以及针对所述业务资源大数据示例的资源需求识别参考对所述待进行调试的专家决策系统模型进行不少于一次模型调试;
其中,所述结合所述资源需求预测结果以及针对所述业务资源大数据示例的资源需求识别参考对所述待进行调试的专家决策系统模型进行不少于一次模型调试,包括:结合所述资源需求预测结果以及针对所述业务资源大数据示例的资源需求识别参考之间的相似性,确定所述待进行调试的专家决策系统模型的模型代价指标值;借助所述模型代价指标值对所述待进行调试的专家决策系统模型进行不少于一次模型调试。
4.根据权利要求3所述的方法,其特征在于,所述借助所述模型代价指标值对所述待进行调试的专家决策系统模型进行不少于一次模型调试,包括:
在当前次模型调试不满足调试循环结束要求的条件下,借助所述模型代价指标值对所述待进行调试的专家决策系统模型包含的要素知识挖掘子模型、偏心处理子模型、以及需求决策子模型中不少于一类的模型变量进行改进,并基于改进后的专家决策系统模型进行下一次模型调试,直到满足调试循环结束要求;
其中,依据以下方式获取针对所述业务资源大数据示例的资源需求识别参考:对获取的业务资源大数据示例进行业务需求挖掘,确定所述业务资源大数据示例中的资源项目所对应的业务需求主题;结合所述业务资源大数据示例中的资源项目所对应的业务需求主题,确定关于所述业务资源大数据示例的资源需求识别参考;
其中,所述对获取的业务资源大数据示例进行业务需求挖掘,确定所述业务资源大数据示例中的资源项目所对应的业务需求主题,包括:
基于完成调试的资源使用意向挖掘模型对获取的业务资源大数据示例进行业务需求挖掘,确定从所述业务资源大数据示例中挖掘得到的各关注面的资源使用意向字段;
基于各关注面的资源使用意向字段确定所述业务资源大数据示例中的资源项目所对应的业务需求主题。
5.根据权利要求4所述的方法,其特征在于,所述目标业务资源大数据包含的相异的局部资源数据集对应不同描述层面的事项需求决策向量,事项需求决策向量反映的数据资源需求描述值与对应局部资源数据集所对应决策偏心系数信息反映的决策偏心系数值具有第一设定数值关系。
6.根据权利要求5所述的方法,其特征在于,不同描述层面的事项需求决策向量至少包括如下内容:资源使用意向字段、业务操作行为向量;其中,所述资源使用意向字段对应的决策偏心系数信息反映的决策偏心系数值与所述业务操作行为向量对应的决策偏心系数信息反映的决策偏心系数值之间具有第二设定数值关系。
7.一种数据分析决策系统,其特征在于,该系统包括相互之间通信的大数据资源中心和业务数据处理设备,所述大数据资源中心,用于:响应于接收到的数据分析指令,采集目标业务资源大数据;采用完成调试的专家决策系统模型对所述目标业务资源大数据进行资源事项要素知识挖掘,获得若干个描述层面的事项需求决策向量以及对应各个描述层面的决策偏心系数信息;结合所述若干个描述层面的事项需求决策向量以及对应各个描述层面的决策偏心系数信息,获得针对所述目标业务资源大数据的资源需求识别报告;
所述结合所述若干个描述层面的事项需求决策向量以及对应各个描述层面的决策偏心系数信息,获得针对所述目标业务资源大数据的资源需求识别报告,包括:
结合所述若干个描述层面的事项需求决策向量进行第一关注维度调整,获得描述层面数小于未精简的描述层面数的第一关注维度调整后的事项需求决策向量;
结合所述第一关注维度调整后的事项需求决策向量进行第二关注维度调整,获得描述层面数等于未精简的描述层面数的第二关注维度调整后的事项需求决策向量;
结合所述第二关注维度调整后的事项需求决策向量以及对应各个描述层面的决策偏心系数信息,确定关于所述目标业务资源大数据的资源需求识别报告;
所述专家决策系统模型包含用于处理资源需求识别环节的需求决策子模型;所述结合所述若干个描述层面的事项需求决策向量以及对应各个描述层面的决策偏心系数信息,获得针对所述目标业务资源大数据的资源需求识别报告,包括:
结合所述若干个描述层面的事项需求决策向量以及对应各个描述层面的决策偏心系数信息之间的设定运算结果,确定完成设定运算的事项需求决策向量;
将所述完成设定运算的事项需求决策向量加载至所述专家决策系统模型包含的需求决策子模型,获得所述需求决策子模型生成的所述资源需求识别报告。
8.一种大数据资源中心,其特征在于,包括处理器和存储器;所述处理器和所述存储器通信连接,所述处理器用于从所述存储器中读取计算机程序并执行,以实现上述权利要求1-6任一项所述的方法。
9.一种服务器,其特征在于,包括处理器和存储器;所述处理器和所述存储器通信连接,所述处理器用于从所述存储器中读取计算机程序并执行,以实现上述权利要求1-6任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211178995.1A CN115471108B (zh) | 2022-09-27 | 2022-09-27 | 数据分析决策方法、系统及大数据资源中心 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211178995.1A CN115471108B (zh) | 2022-09-27 | 2022-09-27 | 数据分析决策方法、系统及大数据资源中心 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115471108A CN115471108A (zh) | 2022-12-13 |
CN115471108B true CN115471108B (zh) | 2023-09-01 |
Family
ID=84334184
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211178995.1A Active CN115471108B (zh) | 2022-09-27 | 2022-09-27 | 数据分析决策方法、系统及大数据资源中心 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115471108B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116074317B (zh) * | 2023-02-20 | 2024-03-26 | 新疆八达科技发展有限公司 | 一种基于大数据的业务资源共享方法及服务器 |
CN117236788B (zh) * | 2023-10-30 | 2024-03-26 | 水利部珠江水利委员会技术咨询(广州)有限公司 | 基于人工智能的水资源调度优化方法及系统 |
CN117332992B (zh) * | 2023-11-24 | 2024-02-09 | 北京国联视讯信息技术股份有限公司 | 一种用于产业互联网的协同制造方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106817256A (zh) * | 2017-01-10 | 2017-06-09 | 北京国电通网络技术有限公司 | 一种分布式系统网络资源运维管理可靠性提升方法 |
CN108897608A (zh) * | 2018-05-31 | 2018-11-27 | 中国科学院软件研究所 | 一种数据驱动可扩展的智能通用任务调度系统 |
CN111581470A (zh) * | 2020-05-15 | 2020-08-25 | 上海乐言信息科技有限公司 | 用于对话系统情景匹配的多模态融合学习分析方法和系统 |
CN112163625A (zh) * | 2020-10-06 | 2021-01-01 | 翁海坤 | 基于人工智能和云计算的大数据挖掘方法及云端服务中心 |
CN112990561A (zh) * | 2021-03-04 | 2021-06-18 | 广东工业大学 | 一种基于工作流模型的工业产业链协同决策方法 |
CN114845400A (zh) * | 2022-03-29 | 2022-08-02 | 国网山东省电力公司经济技术研究院 | 一种基于FlexE的资源分配方法及系统 |
WO2022171037A1 (zh) * | 2021-02-09 | 2022-08-18 | 第四范式(北京)技术有限公司 | 用于解释人工智能模型的方法、装置及系统 |
CN114971272A (zh) * | 2022-05-23 | 2022-08-30 | 国网江苏省电力有限公司泰州供电分公司 | 一种中压配电网网格化规划评价方法及系统 |
-
2022
- 2022-09-27 CN CN202211178995.1A patent/CN115471108B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106817256A (zh) * | 2017-01-10 | 2017-06-09 | 北京国电通网络技术有限公司 | 一种分布式系统网络资源运维管理可靠性提升方法 |
CN108897608A (zh) * | 2018-05-31 | 2018-11-27 | 中国科学院软件研究所 | 一种数据驱动可扩展的智能通用任务调度系统 |
CN111581470A (zh) * | 2020-05-15 | 2020-08-25 | 上海乐言信息科技有限公司 | 用于对话系统情景匹配的多模态融合学习分析方法和系统 |
CN112163625A (zh) * | 2020-10-06 | 2021-01-01 | 翁海坤 | 基于人工智能和云计算的大数据挖掘方法及云端服务中心 |
WO2022171037A1 (zh) * | 2021-02-09 | 2022-08-18 | 第四范式(北京)技术有限公司 | 用于解释人工智能模型的方法、装置及系统 |
CN112990561A (zh) * | 2021-03-04 | 2021-06-18 | 广东工业大学 | 一种基于工作流模型的工业产业链协同决策方法 |
CN114845400A (zh) * | 2022-03-29 | 2022-08-02 | 国网山东省电力公司经济技术研究院 | 一种基于FlexE的资源分配方法及系统 |
CN114971272A (zh) * | 2022-05-23 | 2022-08-30 | 国网江苏省电力有限公司泰州供电分公司 | 一种中压配电网网格化规划评价方法及系统 |
Non-Patent Citations (1)
Title |
---|
多方案DEMATEL的偏好交互与融合方法研究;许成磊;朱跃云;段万春;孙新乐;;计算机工程与应用(第22期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN115471108A (zh) | 2022-12-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115471108B (zh) | 数据分析决策方法、系统及大数据资源中心 | |
CN110995459B (zh) | 异常对象识别方法、装置、介质及电子设备 | |
CN108416032A (zh) | 一种文本分类方法、装置及存储介质 | |
CN113435998B (zh) | 贷款逾期预测方法、装置、电子设备及存储介质 | |
CN113761219A (zh) | 基于知识图谱的检索方法、装置、电子设备及存储介质 | |
CA3153056A1 (en) | Intelligently questioning and answering method, device, computer, equipment and storage medium | |
CN117112744B (zh) | 大语言模型的评估方法、装置及电子设备 | |
CN116362261A (zh) | 应对数字化服务项目的用户会话信息解析方法及软件产品 | |
CN111026853A (zh) | 目标问题的确定方法、装置、服务器和客服机器人 | |
WO2023115884A1 (zh) | 有序分类标签确定方法、装置、电子设备及存储介质 | |
CN112766402A (zh) | 算法选择方法、装置和电子设备 | |
CN113144624B (zh) | 一种数据处理方法、装置、设备及存储介质 | |
CN115906927B (zh) | 基于人工智能的数据访问分析方法、系统及云平台 | |
CN117725220A (zh) | 文档表征和文档检索的方法、服务器及存储介质 | |
CN117195907A (zh) | 应用于市场调查处理系统的调查问卷分析方法及系统 | |
CN116701752A (zh) | 基于人工智能的新闻推荐方法、装置、电子设备及介质 | |
CN116187675A (zh) | 任务分配方法、装置、设备及存储介质 | |
CN115658620A (zh) | 一种基于大数据的数据授权共享方法及系统 | |
CN115712843A (zh) | 基于人工智能的数据匹配检测处理方法及系统 | |
CN115563069A (zh) | 基于人工智能的数据共享处理方法、系统及云平台 | |
CN114898184A (zh) | 模型训练方法、数据处理方法、装置及电子设备 | |
CN115202879A (zh) | 基于多类型智能模型的云边协同调度方法及应用 | |
CN114708487A (zh) | 应用大数据的物流配送业务信息分析方法及服务器 | |
CN115204179A (zh) | 基于电网公共数据模型的实体关系预测的方法及装置 | |
König et al. | Critically Assessing the State of the Art in CPU-based Local Robustness Verification. |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20230809 Address after: No.60, Gaoxin 6th Road, high tech Zone, Xi'an, Shaanxi 710000 Applicant after: CCCC Northwest Investment Development Co.,Ltd. Address before: No. 25, Aoti Road, Honghuagang District, Zunyi, Guizhou, 563000 Applicant before: Chen Haochuan |
|
GR01 | Patent grant | ||
GR01 | Patent grant |