CN115526426A - 一种基于时序数据预测rpa机器人任务执行量的方法 - Google Patents

一种基于时序数据预测rpa机器人任务执行量的方法 Download PDF

Info

Publication number
CN115526426A
CN115526426A CN202211325787.XA CN202211325787A CN115526426A CN 115526426 A CN115526426 A CN 115526426A CN 202211325787 A CN202211325787 A CN 202211325787A CN 115526426 A CN115526426 A CN 115526426A
Authority
CN
China
Prior art keywords
exponential smoothing
rpa robot
time
time series
series 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.)
Pending
Application number
CN202211325787.XA
Other languages
English (en)
Inventor
庄华
陈章
李耀坚
陈定骐
崔文杰
赵家润
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.)
Guangdong Guangxin Communications Services Co Ltd
Original Assignee
Guangdong Guangxin Communications Services 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 Guangdong Guangxin Communications Services Co Ltd filed Critical Guangdong Guangxin Communications Services Co Ltd
Priority to CN202211325787.XA priority Critical patent/CN115526426A/zh
Publication of CN115526426A publication Critical patent/CN115526426A/zh
Pending legal-status Critical Current

Links

Images

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
    • 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
    • G06Q10/06311—Scheduling, planning or task assignment for a person or group
    • 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
    • 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
    • G06Q10/06316—Sequencing of tasks or work
    • 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
    • G06Q10/0633—Workflow analysis
    • 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
    • G06Q10/10—Office automation; Time management
    • G06Q10/103—Workflow collaboration or project management

Landscapes

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

Abstract

本发明提出了一种基于时序数据预测RPA机器人任务执行量的方法，包括RPA机器人集群，包括以下步骤：采集所述RPA机器人集群带有时序信息的的历史运行数据；选定时间粒度的时间单位，基于所述历史运行数据，获取每个时间单位内所述RPA机器人集群完成任务数的数据，将所述数据转化为时间序列数据；基于所述时间序列数据，训练指数平滑预测模型；通过所述指数平滑预测模型，预测RPA机器人集群的所述时间序列数据在未来时间段的任务完成量，本发明能够根据RPA机器人集群过往运行数据预测未来某一时刻所需要执行的任务数量，为RPA机器人集群运营人员提供准确的预测数据支持。

Description

一种基于时序数据预测RPA机器人任务执行量的方法
技术领域
本发明涉及计算机技术领域，具体涉及一种基于时序数据预测RPA机器人任务执行量的方法。
背景技术
RPA，即机器人流程自动化，可迅速实现业务提效，将重复性劳动进行自动化处理，高效低门槛连接不同业务系统，让财务、税务、金融、人力资源、信息技术、保险、客服、运营商、制造等行业在业务流程上实现自动化智能升级。
现有的RPA控制中心数据分析功能比较单薄。在RPA机器人运行数量不多(几台)的情况下,数据足够支持运营。但如果要管理几百台以上的RPA机器人的运行就会面临这样的问题，不知道未来某个时刻应该调拨多少个RPA机器人给某个业务，调拨多了会造成RPA机器人空闲浪费，少了业务处理就会不及时。要想知道需要调拨多少个RPA机器人给某个业务，关键在于要预测到未来RPA所需要执行的任务量。
发明内容
针对现有技术的不足，本发明提出一种基于时序数据预测RPA机器人任务执行量的方法，可以为RPA机器人集群运营人员提供准确的预测数据支持，使RPA机器人集群运行更高效。
本发明的技术方案是这样实现的：
一种基于时序数据预测RPA机器人任务执行量的方法，包括以下步骤：采集所述RPA机器人集群带有时序信息的的历史运行数据；
选定时间粒度的时间单位，基于所述历史运行数据，获取每个时间单位内所述RPA机器人集群完成任务数的数据，将所述数据转化为时间序列数据；
基于所述时间序列数据，训练指数平滑预测模型；
通过所述指数平滑预测模型，预测RPA机器人集群的所述时间序列数据在未来时间段的任务完成量。
进一步地，在预测所述RPA机器人集群的所述时间序列数据在未来时间段的任务完成量中，还包括以下步骤：假设模型的大类型；鉴别可试用的模型；估计实验性模型的参数；检验所述指数平滑预测模型是否合适，合适则应用所述指数平滑预测模型模型，否则重新鉴别可试用的模型。
进一步地，所述指数平滑预测模型的算法包括一次指数平滑预测算法、二次指数平滑预测算法和三次指数平滑预测算法；当所述时间序列数据无明显趋势变化时，应用一次指数平滑预测算法；当所述时间序列数据呈线性趋势变化时，应用二次指数平滑预测算法；当所述时间序列呈抛物线趋势变化时，应用三次指数平滑预测算法。
进一步地，所述一次指数平滑预测算法的公式如下
yt+1'＝ayt+(1-a)yt'，其中，yt+1'为t+1期的预测值(即t期的平滑值St)，yt为t期的实际值；yt'为t期的预测值(即上期的平滑值St-1)。
进一步地，所述二次指数平滑预测算法的公式如下：
yt+m＝[2+am/(1-a)]yt'-[1+am/(1-a)]yt＝(2yt'-yt)+m(yt'-yt)a/(1-a)。
进一步地，所述三次指数平滑预测的公式如下：
yt+m＝(3yt'-3yt+yt)+[(6-5a)yt'-(10-8a)yt+(4-3a)yt]*am/2(1-2a)2+(yt'-2yt+yt')*a2m2/2(1-a)2。
进一步地，平滑系数a的取值采用经验判断法或试算法。
本发明还提出了一种存储介质，其存储有计算机程序；当所述计算机程序被计算机设备中的处理器执行时，计算机设备执行如上任一项所述的方法。
与现有技术相比，本发明具有以下优点：
本发明方案应用机器学习的时序数据预测技术，通过学习RPA机器人集群历史运行数据并构建时间序列数据，对RPA机器人集群未来需需要完成的任务量、任务量趋势进行预测，预测输出的数据可以用于RPA集群根据预测数据自动提前对RPA机器人运行数量进行调整，适应业务需要。
附图说明
为了更清楚地说明本发明实施方式或现有技术中的技术方案，下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明中基于时序数据预测RPA机器人任务执行量的方法的流程图；
图2为本发明通过指数平滑预测模型进行预测的流程图；
图3为本发明中观测值与观测值变形对比的曲线图；
具体实施方式
下面将结合本发明实施方式中的附图，对本发明实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式仅仅是本发明一部分实施方式，而不是全部的实施方式。基于本发明中的实施方式，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。
参见图1至图3，本发明实施方式公开了一种基于时序数据预测RPA机器人任务执行量的方法，包括以下步骤：
S01、采集所述RPA机器人集群带有时序信息的的历史运行数据；所述时序信息即系统内自带的时间戳；
S02、选定时间粒度的时间单位，基于所述历史运行数据，获取每个时间单位内所述RPA机器人集群完成任务数的数据，将所述数据转化为时间序列数据；时间单位可以按小时、天、星期等进行划分。
S03、基于所述时间序列数据，训练指数平滑预测模型；
S04、通过所述指数平滑预测模型，预测RPA机器人集群的所述时间序列数据在未来时间段的任务完成量。具体地，按指定的未来多少个时间单位来输出预测数值。例如预测1小时候、1天后的值。上一步的返回结果historical_fcast_es为TimeSeries类型，TimeSeries最后一个就是预测值。
指数平滑法ExponentialSmoothing是一种特殊的加权移动平均法，据平滑次数不同，指数平滑法分为：一次指数平滑预测算法、二次指数平滑预测算法和三次指数平滑预测算法。
指数平滑预测模型结果如图3所示，在预测时，需要确定初始值(即第一期的预测值)，其方法具体为：一般原数列的项数较多时(大于15项)，可以选用第一期的观察值或选用比第一期前一期的观察值作为初始值。如果原数列的项数较少时(小于15项)，可以选取最初几期(一般为前三期)的平均数作为初始值。指数平滑方法的选用，一般可根据时间序列数据散点图呈现的趋势来确定。如呈现直线趋势，选用二次指数平滑法；如呈现抛物线趋势，选用三次指数平滑法。或者，当时间序列的数据经二次指数平滑处理后，仍有曲率时，应用三次指数平滑法。
具体地，一次指数平滑预测算法的预测公式为：yt+1'＝ayt+(1-a)yt'，式中，yt+1'为t+1期的预测值，即本期(t期)的平滑值St；yt为t期的实际值；yt'为t期的预测值，即上期的平滑值St-1。
该公式又可以写作：yt+1'＝yt'+a(yt-yt')。可见，下期预测值又是本期预测值与以a为折扣的本期实际值与预测值误差之和。
二次指数平滑是对一次指数平滑的再平滑。它适用于具线性趋势的时间数列，其预测公式为：
yt+m＝[2+am/(1-a)]yt'-[1+am/(1-a)]yt＝(2yt'-yt)+m(yt'-yt)a/(1-a)
式中，yt＝ayt-1'+(1-a)yt-1，显然，二次指数平滑为直线方程，其截距为：(2yt'-yt)，斜率为：(yt'-yt)a/(1-a),自变量为预测天数。
由上可知二次指数平滑算法基本公式为St＝aSt+(1-α)St-1 Yt+T＝at+btT at＝2St-St bt＝(α/1-α)(St-St)。其中St为第t期的一次指数平滑值；St-1为第t期的二次指数平滑值；α为平滑系数；Yt+T为第t+T期预测值；T为由t期向后推移期数。
三次指数平滑预测是二次平滑基础上的再平滑，其预测公式如下：
yt+m＝(3yt'-3yt+yt)+[(6-5a)yt'-(10-8a)yt+(4-3a)yt]*am/2(1-2a)2+(yt'-2yt+yt')*a2m2/2(1-a)2
上述算法的基本思想是：预测值是以前观测值的加权和，且对不同的数据给予不同的权，新数据给较大的权，旧数据给较小的权。
进一步地实施方式，如图2所示，在预测所述RPA机器人集群的所述时间序列数据在未来时间段的任务完成量时，还包括以下步骤：
S31,假设模型的大类型；该步骤中预设用于预测的模型和参数；
S32,鉴别可试用的模型；
S33,估计实验性模型的参数；
S34,检验所述指数平滑预测模型是否合适，合适则应用所述指数平滑预测模型模型，否则重新鉴别可用的模型；
该流程通过对实验模型产生的预测值与训练集的实际观测数值的MAPE(平均绝对百分比误差)的大小进行判断是否适用。当训练集中的MAPE达到一定阈值以下，就对测试集进行预测并对测试集的预测值和观测值的MAPE进行校验，当测试集的MAPE也达到一定数值以下，可以认为该模型和定的参数可用。
进一步地，所述指数平滑预测模型的算法包括一次指数平滑预测算法、二次指数平滑预测算法和三次指数平滑预测算法；当所述时间序列数据无明显趋势变化时，应用一次指数平滑预测算法；当所述时间序列数据呈线性趋势变化时，应用二次指数平滑预测算法；
指数平滑法的计算中，关键是α的取值大小，但α的取值又容易受主观影响，因此合理确定α的取值方法十分重要，一般来说，如果数据波动较大，α值应取大一些，可以增加近期数据对预测结果的影响。如果数据波动平稳，α值应取小一些。理论界一般认为有以下方法可供选择：
a经验判断法：这种方法主要依赖于时间序列的发展趋势和预测者的经验做出判断，判断方法如下：
1、当时间序列数据呈现较稳定的水平趋势时，应选较小的α值，一般可在0.05～0.20之间取值；
2、当时间序列数据有波动，但长期趋势变化不大时，可选稍大的α值，常在0.1～0.4之间取值；
3、当时间序列波动很大，长期趋势变化幅度较大，呈现明显且迅速的上升或下降趋势时，宜选择较大的α值，如可在0.6～0.8间选值，以使预测模型灵敏度高些，能迅速跟上数据的变化；
4、当时间序列数据是上升(或下降)的发展趋势类型，α应取较大的值，在0.6～1之间。
b试算法：根据具体时间序列情况，参照经验判断法，来大致确定额定的取值范围，然后取几个α值进行试算，比较不同α值下的预测标准误差，选取预测标准误差最小的α。
在实际应用中预测者应结合对预测对象的变化规律做出定性判断且计算预测误差，并要考虑到预测灵敏度和预测精度是相互矛盾的，必须给予二者一定的考虑，采用折中的α值。
以上所述仅为本发明的较佳实施方式而已，并不用以限制本发明，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 (8)

1.一种基于时序数据预测RPA机器人任务执行量的方法，包括RPA机器人集群，其特征在于，包括以下步骤：
采集所述RPA机器人集群带有时序信息的的历史运行数据；
选定时间粒度的时间单位，基于所述历史运行数据，获取每个时间单位内所述RPA机器人集群完成任务数的数据，将所述数据转化为时间序列数据；
基于所述时间序列数据，训练指数平滑预测模型；
通过所述指数平滑预测模型，预测所述RPA机器人集群的所述时间序列数据在未来时间段的任务完成量。
2.根据权利要求1所述的基于时序数据预测RPA机器人任务执行量的方法，其特征在于，在预测所述RPA机器人集群的所述时间序列数据在未来时间段的任务完成量中，还包括以下步骤：
假设模型的大类型；
鉴别可试用的模型；
估计实验性模型的参数；
检验所述指数平滑预测模型是否合适，合适则应用所述指数平滑预测模型模型，否则重新鉴别可试用的模型。
3.根据权利要求2所述的基于时序数据预测RPA机器人任务执行量的方法，其特征在于，所述指数平滑预测模型的算法包括一次指数平滑预测算法、二次指数平滑预测算法和三次指数平滑预测算法；
当所述时间序列数据无明显趋势变化时，应用一次指数平滑预测算法；
当所述时间序列数据呈线性趋势变化时，应用二次指数平滑预测算法；
当所述时间序列呈抛物线趋势变化时，应用三次指数平滑预测算法。
4.根据权利要求3所述的基于时序数据预测RPA机器人任务执行量的方法，其特征在于，所述一次指数平滑预测算法的公式如下：
yt+1'＝ayt+(1-a)yt'
其中，yt+1'为t+1期的预测值(即t期的平滑值St)，yt为t期的实际值；yt'为t期的预测值(即上期的平滑值St-1)。
5.根据权利要求3所述的基于时序数据预测RPA机器人任务执行量的方法，其特征在于，所述二次指数平滑预测算法的公式如下：
yt+m＝[2+am/(1-a)]yt'-[1+am/(1-a)]yt＝(2yt'-yt)+m(yt'-yt)a/(1-a)。
6.根据权利要求3所述的基于时序数据预测RPA机器人任务执行量的方法，其特征在于，所述三次指数平滑预测的公式如下：
yt+m＝(3yt'-3yt+yt)+[(6-5a)yt'-(10-8a)yt+(4-3a)yt]*am/2(1-2a)2+(yt'-2yt+yt')*a2m2/2(1-a)2。
7.根据权利要求4或5或5所述的基于时序数据预测RPA机器人任务执行量的方法，其特征在于，平滑系数a的取值采用经验判断法或试算法。
8.一种存储介质，其特征在于，其存储有计算机程序；当所述计算机程序被计算机设备中的处理器执行时，计算机设备执行如权利要求1至6任一项所述的方法。
CN202211325787.XA 2022-10-27 2022-10-27 一种基于时序数据预测rpa机器人任务执行量的方法 Pending CN115526426A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211325787.XA CN115526426A (zh) 2022-10-27 2022-10-27 一种基于时序数据预测rpa机器人任务执行量的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211325787.XA CN115526426A (zh) 2022-10-27 2022-10-27 一种基于时序数据预测rpa机器人任务执行量的方法

Publications (1)

Publication Number Publication Date
CN115526426A true CN115526426A (zh) 2022-12-27

Family

ID=84706707

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211325787.XA Pending CN115526426A (zh) 2022-10-27 2022-10-27 一种基于时序数据预测rpa机器人任务执行量的方法

Country Status (1)

Country Link
CN (1) CN115526426A (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111563028A (zh) * 2020-05-15 2020-08-21 周毅 一种基于时序数据分析的数据中心任务规模预测方法
CN112506982A (zh) * 2020-09-10 2021-03-16 泰豪软件股份有限公司 一种线路和配变的最大负载预测的方法
CN113268334A (zh) * 2021-06-24 2021-08-17 中国平安人寿保险股份有限公司 Rpa机器人的调度方法、装置、设备以及存储介质
CN113568747A (zh) * 2021-07-27 2021-10-29 上海交通大学 基于任务分类与时序预测的云机器人资源调度方法及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111563028A (zh) * 2020-05-15 2020-08-21 周毅 一种基于时序数据分析的数据中心任务规模预测方法
CN112506982A (zh) * 2020-09-10 2021-03-16 泰豪软件股份有限公司 一种线路和配变的最大负载预测的方法
CN113268334A (zh) * 2021-06-24 2021-08-17 中国平安人寿保险股份有限公司 Rpa机器人的调度方法、装置、设备以及存储介质
CN113568747A (zh) * 2021-07-27 2021-10-29 上海交通大学 基于任务分类与时序预测的云机器人资源调度方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
夏家盛 等: "负荷预测指数平滑法"厚近薄远"规律研究" *

Similar Documents

Publication Publication Date Title
EP3043447B1 (en) Distribution transformer heavy loading and overloading mid-term and short-term pre-warning analytics model
Awada et al. Data-driven machine learning approach to integrate field submittals in project scheduling
US11579933B2 (en) Method for establishing system resource prediction and resource management model through multi-layer correlations
US6937966B1 (en) System and method for on-line adaptive prediction using dynamic management of multiple sub-models
EP1550964A1 (en) A method and an appratus of forecasting demand for a product in a managed supply chain
CN112418921A (zh) 用电需量预测方法、装置、系统与计算机存储介质
CN112508723B (zh) 基于自动择优建模的金融风险预测方法、装置和电子设备
US20060184564A1 (en) Method of, and system for, process-driven analysis of operations
CN111381970A (zh) 集群任务的资源分配方法及装置、计算机装置及存储介质
CN115034519A (zh) 一种用电负荷的预测方法、装置、电子设备以及存储介质
CN113128787A (zh) 话务量预测方法、系统、设备及介质
KR20200007334A (ko) 상담사 스케쥴 관리 장치 및 방법
CN115310954A (zh) 一种it业务运行维护方法及系统
CN115115190A (zh) 一种基于工况的质量监控方法及相关装置和程序介质产品
CN101142559B (zh) 对计算机控制的处理进行监视的方法与系统
EP3367241B1 (en) Method, computer program and system for providing a control signal for a software development environment
CN115526426A (zh) 一种基于时序数据预测rpa机器人任务执行量的方法
CN116757650A (zh) 一种基于机器学习的项目管理及资源调度的方法
CN113703974A (zh) 一种预测服务器容量的方法及装置
CN114064262A (zh) 管理存储系统中的计算资源的方法、设备和程序产品
Bindewald et al. Modeling multi-stage decision making under incomplete and uncertain information
CN111190800A (zh) 预测主机的批量运行时长的方法、系统、装置及存储介质
CN111045849A (zh) 核对异常原因的识别方法、装置、服务器和存储介质
CN114328472B (zh) 一种基于ai的数据迁移方法及系统
CN115796334A (zh) 还款金额预测方法、装置、存储介质及电子装置

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20221227

RJ01 Rejection of invention patent application after publication