CN115759885A - 一种基于分布式物资供应下的物资抽检方法和装置 - Google Patents
一种基于分布式物资供应下的物资抽检方法和装置 Download PDFInfo
- Publication number
- CN115759885A CN115759885A CN202310026327.5A CN202310026327A CN115759885A CN 115759885 A CN115759885 A CN 115759885A CN 202310026327 A CN202310026327 A CN 202310026327A CN 115759885 A CN115759885 A CN 115759885A
- Authority
- CN
- China
- Prior art keywords
- data
- historical
- time sequence
- standard
- value
- 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
Images
Classifications
-
- 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及物资抽检技术,揭露了一种基于分布式物资供应下的物资抽检方法及装置,包括:逐个获取目标供应商的标准历史物资数据;从标准历史物资数据中分别提取出历史物资残差特征、历史物资周期特征以及历史物资趋势特征;分别计算出时序物资残差值、时序物资周期值以及时序物资趋势值,并计算出时序物资分析值,根据时序物资分析值对时序分析模型进行迭代优化,得到目标供应商对应的标准分析模型;获取目标供应商对应的实时物资数据,利用标准分析模型对实时物资数据进行分析,得到时序分析结果,根据时序分析结果为目标供应商指定物资抽检方法。本发明还提出一种基于分布式物资供应下的物资抽检装置。本发明可以提高物资抽检的效率。
Description
技术领域
本发明涉及物资抽检技术领域,尤其涉及一种基于分布式物资供应下的物资抽检方法和装置。
背景技术
随着全球化程度的加剧,分布式物资供应凭借着成本优势成为了制造商的供应链中的重要组成部分,但为了确保供应物资的合格率,提高产品的良品率,需要对供应的物资进行抽检;
现有的物资抽检技术多为基于人工的抽检,例如,通过统计供应商的个人信息数据,并由专业人员通过对过去的数据、资料的总结,结合自身经验进行分析和判断,作出抽检的判断,实际应用中,分布式物资供应拥有多个物资供应商,且每个物资供应商的良品率有所差别,单纯的基于人工的抽检可能导致抽检费时费力,导致对物资进行抽检的效率较低。
发明内容
本发明提供一种基于分布式物资供应下的物资抽检方法和装置,其主要目的在于解决对物资进行抽检的效率较低的问题。
为实现上述目的,本发明提供的一种基于分布式物资供应下的物资抽检方法,包括:
逐个选取待抽检的物资供应商作为目标供应商,获取所述目标供应商的供应商历史物资数据,对所述供应商历史物资数据进行数据清洗以及数据填充,得到标准历史物资数据;
对所述标准历史物资数据进行时序变换,得到时序历史物资数据,从所述时序历史物资数据中分别提取出历史物资残差特征、历史物资周期特征以及历史物资趋势特征;
利用预设的时序分析模型分别计算出所述历史物资残差特征对应的时序物资残差值、所述历史物资周期特征对应的时序物资周期值以及所述历史趋势特征对应的时序物资趋势值;
根据所述时序物资残差值、所述时序物资周期值以及所述时序物资趋势值计算出时序物资分析值,根据所述时序物资分析值和所述标准历史物资数据计算出所述时序分析模型对应的损失值,利用所述损失值对所述时序分析模型进行迭代优化,得到所述目标供应商对应的标准分析模型,其中,所述根据所述时序物资分析值和所述标准历史物资数据计算出所述时序分析模型对应的损失值,包括:
计算出所述标准历史物资数据对应的抽检平均值;
利用如下的分析损失值算法根据所述抽检平均值、所述时序物资分析值和所述标准历史物资数据计算出所述时序分析模型对应的损失值:
其中,是指所述损失值,是指所述标准历史物资数据对应的数据总数,且所述标
准历史物资数据对应的数据总数和所述时序物资分析值对应的数据总数相同,是指第个,是指所述标准历史物资数据中的第个数据,是指所述时序物资分析值中的第个数据,是指所述抽检平均值;
获取所述目标供应商对应的实时物资数据,利用所述标准分析模型对所述实时物资数据进行分析,得到时序分析结果,根据所述时序分析结果为所述目标供应商配置物资抽检方法,直至所述目标供应商为最后一个待抽检的物资供应商时,结束物资抽检。
可选地,所述对所述供应商历史物资数据进行数据清洗以及数据填充,得到标准历史物资数据,包括:
从所述供应商历史物资数据中筛除越位数据以及乱码数据,得到初级历史物资数据;
对所述初级历史物资数据中的缺失数据进行聚类填充,得到标准历史物资数据。
可选地,所述对所述初级历史物资数据中的缺失数据进行聚类填充,得到标准历史物资数据,包括:
将所述初级历史物资数据拆分为若干个物资数据组,随机选取各物资数据组的中心数据,并计算所述初级历史物资数据中各数据与各物资数据组的所述中心数据之间的第一数据差值;
根据所述第一数据差值以及就近原则对所述初级历史物资数据中的各数据进行分组,得到多个标准物资数据组;
计算出各标准物资数据组对应的均值数据,并计算各标准物资数据组中各数据与对应的所述均值数据之间的第二数据差值;
根据所述第二数据差值以及就近原则重新对所述初级历史物资数据中的各数据进行分组以重复迭代计算每组数据的均值数据,得到所述初级历史物资数据对应的多个聚类数据组;
逐个选取所述初级历史物资数据中的缺失数据作为目标缺失数据,将所述目标缺失数据对应的聚类数据组作为目标聚类数据组;
利用所述目标聚类数据组对应的均值数据替换所述目标缺失数据,直至所述目标缺失数据为所述初级历史物资数据中的最后一个所述缺失数据时,将更新后的所述初级历史物资数据作为标准历史物资数据。
可选地,所述从所述时序历史物资数据中分别提取出历史物资残差特征、历史物资周期特征以及历史物资趋势特征,包括:
对所述时序历史物资数据进行平滑滤波,得到标准时序物资数据;
根据所述标准时序物资数据配置分解周期,根据所述分解周期对所述标准时序物资数据进行滤波,得到历史物资周期特征;
根据所述历史物资周期特征的特征数量对所述标准时序物资数据进行滤波,得到历史物资趋势特征;
根据所述历史物资周期特征和所述历史物资趋势特征对所述标准时序物资数据进行加权回归拟合,得到历史物资残差特征。
可选地,所述对所述时序历史物资数据进行平滑滤波,得到标准时序物资数据,包括:
计算出所述时序历史物资数据的平均值,并根据所述平均值计算出所述时序历史物资数据的标准差;
按照时序逐个选取所述时序历史物资数据作为目标时序数据,利用如下的平滑滤波公式计算出所述目标时序数据对应的卷积核:
利用所述卷积核对所述目标时序数据进行平滑滤波,得到目标滤波数据,并将所有的所述目标滤波数据汇集成标准时序物资数据。
可选地,所述根据所述历史物资周期特征和所述历史物资趋势特征对所述标准时序物资数据进行加权回归拟合,得到历史物资残差特征,包括:
根据所述历史物资周期特征和所述历史物资趋势特征确定所述标准时序物资数据的拟合点;
选取以所述拟合点为中心的若干个回归点,并计算出每个回归点的回归权重;
根据各个所述回归点和各个所述回归点对应的所述回归权重进行多项式拟合,得到历史物资残差特征。
可选地,所述利用预设的时序分析模型分别计算出所述历史物资残差特征对应的时序物资残差值、所述历史物资周期特征对应的时序物资周期值以及所述历史趋势特征对应的时序物资趋势值,包括:
利用预设的时序分析模型中的残差分析模型计算出所述历史物资残差特征对应的时序物资残差值;
利用所述时序分析模型中的周期分析模型计算出所述历史物资周期特征对应的时序物资周期值;
利用所述时序分析模型中的趋势分析模型计算出所述历史物资趋势特征对应的时序物资趋势值。
可选地,所述利用预设的时序分析模型中的残差分析模型计算出所述历史物资残差特征对应的时序物资残差值,包括:
利用预设的时序分析模型中的残差分析模型的残差更新门计算出所述历史物资残差特征的残差更新特征;
利用所述残差分析模型的残差重置门计算出所述历史物资残差特征的残差重置特征;
根据所述残差分析模型的残差记忆门和所述残差重置特征计算出所述历史物资残差特征的残差记忆特征;
根据所述残差记忆特征和所述残差更新特征计算出所述历史物资残差特征对应的时序物资残差值。
可选地,所述利用所述损失值对所述时序分析模型进行迭代优化,得到所述目标供应商对应的标准分析模型,包括:
判断所述损失值是否小于预设的损失阈值;
若否,则根据所述损失值对所述时序分析模型中的参数进行优化,并返回所述利用预设的时序分析模型分别计算出所述历史物资残差特征对应的时序物资残差值、所述历史物资周期特征对应的时序物资周期值以及所述历史趋势特征对应的时序物资趋势值的步骤;
若是,则将参数更新后的所述时序分析模型作为所述目标供应商对应的标准分析模型。
为了解决上述问题,本发明还提供一种基于分布式物资供应下的物资抽检装置,所述装置包括:
数据清洗模块,用于逐个选取待抽检的物资供应商作为目标供应商,获取所述目标供应商的供应商历史物资数据,对所述供应商历史物资数据进行数据清洗以及数据填充,得到标准历史物资数据;
特征拆分模块,用于对所述标准历史物资数据进行时序变换,得到时序历史物资数据,从所述时序历史物资数据中分别提取出历史物资残差特征、历史物资周期特征以及历史物资趋势特征;
特征量化模块,用于利用预设的时序分析模型分别计算出所述历史物资残差特征对应的时序物资残差值、所述历史物资周期特征对应的时序物资周期值以及所述历史趋势特征对应的时序物资趋势值;
模型优化模块,用于根据所述时序物资残差值、所述时序物资周期值以及所述时序物资趋势值计算出时序物资分析值,根据所述时序物资分析值和所述标准历史物资数据计算出所述时序分析模型对应的损失值,利用所述损失值对所述时序分析模型进行迭代优化,得到所述目标供应商对应的标准分析模型,其中,所述根据所述时序物资分析值和所述标准历史物资数据计算出所述时序分析模型对应的损失值,包括:计算出所述标准历史物资数据对应的抽检平均值;利用如下的分析损失值算法根据所述抽检平均值、所述时序物资分析值和所述标准历史物资数据计算出所述时序分析模型对应的损失值:
其中,是指所述损失值,是指所述标准历史物资数据对应的数据总数,且所述标
准历史物资数据对应的数据总数和所述时序物资分析值对应的数据总数相同,是指第个,是指所述标准历史物资数据中的第个数据,是指所述时序物资分析值中的第个数据,是指所述抽检平均值;
物资抽检模块,用于获取所述目标供应商对应的实时物资数据,利用所述标准分析模型对所述实时物资数据进行分析,得到时序分析结果,根据所述时序分析结果为所述目标供应商配置物资抽检方法,直至所述目标供应商为最后一个待抽检的物资供应商时,结束物资抽检。
本发明实施例通过对所述供应商历史物资数据进行数据清洗以及数据填充,得到标准历史物资数据,可以确保数据集的准确性,从而提高后续特征提取以及模型训练的数据精确度,通过对所述标准历史物资数据进行时序变换,得到时序历史物资数据,可以方便提取所述标准历史物资数据的时序特征,通过从所述时序历史物资数据中分别提取出历史物资残差特征、历史物资周期特征以及历史物资趋势特征,可以提取所述时序历史物资数据的多维时序特征,从而得到更加准确的时序特征;
通过利用预设的时序分析模型分别计算出所述历史物资残差特征对应的时序物资残差值、所述历史物资周期特征对应的时序物资周期值以及所述历史趋势特征对应的时序物资趋势值可以在残差、周期性以及趋势三方面分析所述标准历史物资数据的时序特征,从而提高分析的准确性,通过根据所述时序物资分析值和所述标准历史物资数据计算出所述时序分析模型对应的损失值,利用所述损失值对所述时序分析模型进行迭代优化,得到所述目标供应商对应的标准分析模型,可以确保所述标准分析模型分析物资抽检频率的准确度,从而方便后续指定抽检方案,通过根据所述时序分析结果为所述目标供应商配置物资抽检方法,直至所述目标供应商为最后一个待抽检的物资供应商时,结束物资抽检,可以为每个供应商配置时序抽检方案,减少物资抽检的频率,从而提高物资抽检的效率。因此本发明提出的基于分布式物资供应下的物资抽检方法和装置,可以解决对物资进行抽检的效率较低的问题。
附图说明
图1为本发明一实施例提供的基于分布式物资供应下的物资抽检方法的流程示意图;
图2为本发明一实施例提供的提取历史物资残差特征、历史物资周期特征以及历史物资趋势特征的流程示意图;
图3为本发明一实施例提供的计算时序物资残差值的流程示意图;
图4为本发明一实施例提供的基于分布式物资供应下的物资抽检装置的功能模块图;
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本申请实施例提供一种基于分布式物资供应下的物资抽检方法。所述基于分布式物资供应下的物资抽检方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之,所述基于分布式物资供应下的物资抽检方法可以由安装在终端设备或服务端设备的软件或硬件来执行,所述软件可以是区块链平台。所述服务端包括但不限于:单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器,也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(ContentDelivery Network,CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
参照图1所示,为本发明一实施例提供的基于分布式物资供应下的物资抽检方法的流程示意图。在本实施例中,所述基于分布式物资供应下的物资抽检方法包括:
S1、逐个选取待抽检的物资供应商作为目标供应商,获取所述目标供应商的供应商历史物资数据,对所述供应商历史物资数据进行数据清洗以及数据填充,得到标准历史物资数据。
本发明实施例中,所述物资供应商是指提供物资的厂商,在分布式物资供应的前提下,每个产品需要多个物资供应商进行物资供应,所述供应商历史物资数据是指所述目标供应商过去抽检时提供的物资数据以及抽检的结果。
本发明实施例中,所述对所述供应商历史物资数据进行数据清洗以及数据填充,得到标准历史物资数据,包括:
从所述供应商历史物资数据中筛除越位数据以及乱码数据,得到初级历史物资数据;
对所述初级历史物资数据中的缺失数据进行聚类填充,得到标准历史物资数据。
详细地,可以利用正则表达式或字符串检索算法从所述供应商历史物资数据中筛除越位数据以及乱码数据,得到初级历史物资数据,其中,所述越位数据是指所述供应商历史物资数据中远大于正常数据或远小于正常数据的超出数据值域的数据,所述乱码数据是指数据在录入过程中出现字符错误的数据,例如@或者#等数据。
详细地,所述对所述初级历史物资数据中的缺失数据进行聚类填充,得到标准历史物资数据,包括:
将所述初级历史物资数据拆分为若干个物资数据组,随机选取各物资数据组的中心数据,并计算所述初级历史物资数据中各数据与各物资数据组的所述中心数据之间的第一数据差值;
根据所述第一数据差值以及就近原则对所述初级历史物资数据中的各数据进行分组,得到多个标准物资数据组;
计算出各标准物资数据组对应的均值数据,并计算各标准物资数据组中各数据与对应的所述均值数据之间的第二数据差值;
根据所述第二数据差值以及就近原则重新对所述初级历史物资数据中的各数据进行分组以重复迭代计算每组数据的均值数据,得到所述初级历史物资数据对应的多个聚类数据组;
逐个选取所述初级历史物资数据中的缺失数据作为目标缺失数据,将所述目标缺失数据对应的聚类数据组作为目标聚类数据组;
利用所述目标聚类数据组对应的均值数据替换所述目标缺失数据,直至所述目标缺失数据为所述初级历史物资数据中的最后一个所述缺失数据时,将更新后的所述初级历史物资数据作为标准历史物资数据。
详细地,所述随机选取各物资数据组的中心数据是指为每个物资数据组随机选取一个数据作为所述物资数据组对应的中心数据;所述第一数据差值是指所述初级历史物资数据中各数据与所述中心数据之间的数据差,所述第二数据差值是指所述出具历史物资数据中个数据与所述均值数据之间的数据差;可以利用平均值算法计算出各标准物资数据组对应的均值数据。
详细地,所述根据所述第二数据差值以及就近原则重新对所述初级历史物资数据中的各数据进行分组以重复迭代计算每组数据的均值数据,得到所述初级历史物资数据对应的多个聚类数据组是指重复迭代地根据均值数据与各数据的数据差对所述初级历史物资数据进行分组,并计算分组后的均值数据,直至迭代前后的均值数据之间的数据差值小于预设的迭代阈值时,将分组后的结果作为聚类数据组。
本发明实施例中,通过对所述供应商历史物资数据进行数据清洗以及数据填充,得到标准历史物资数据,可以确保数据集的准确性,从而提高后续特征提取以及模型训练的数据精确度。
S2、对所述标准历史物资数据进行时序变换,得到时序历史物资数据,从所述时序历史物资数据中分别提取出历史物资残差特征、历史物资周期特征以及历史物资趋势特征。
本发明实施例中,所述时序历史物资数据是指按时序排列的所述历史物资数据,所述对所述标准历史物资数据进行时序变换,得到时序历史物资数据是指将所述标准历史物资数据中的各数据按照时序进行排列组合,得到时序历史物资数据。
本发明实施例中,参照图2所示,所述从所述时序历史物资数据中分别提取出历史物资残差特征、历史物资周期特征以及历史物资趋势特征,包括:
S21、对所述时序历史物资数据进行平滑滤波,得到标准时序物资数据;
S22、根据所述标准时序物资数据配置分解周期,根据所述分解周期对所述标准时序物资数据进行滤波,得到历史物资周期特征;
S23、根据所述历史物资周期特征的特征数量对所述标准时序物资数据进行滤波,得到历史物资趋势特征;
S24、根据所述历史物资周期特征和所述历史物资趋势特征对所述标准时序物资数据进行加权回归拟合,得到历史物资残差特征。
详细地,通过对所述时序历史物资数据进行平滑滤波,得到标准时序物资数据,可以减少数据噪点,方便后续的三种特征提取。
详细地,所述对所述时序历史物资数据进行平滑滤波,得到标准时序物资数据,包括:
计算出所述时序历史物资数据的平均值,并根据所述平均值计算出所述时序历史物资数据的标准差;
按照时序逐个选取所述时序历史物资数据作为目标时序数据,利用如下的平滑滤波公式计算出所述目标时序数据对应的卷积核:
利用所述卷积核对所述目标时序数据进行平滑滤波,得到目标滤波数据,并将所有的所述目标滤波数据汇集成标准时序物资数据。
详细地,通过利用所述平滑滤波公式计算出所述目标时序数据对应的卷积核,可以较好地筛除所述目标时序数据中符合正态分布的数据噪声,也更加方便后续对所述历史物资残差特征、所述历史物资周期特征以及所述历史物资趋势特征的提取。
详细地,所述根据所述标准时序物资数据配置分解周期是指根据所述标准时序物资数据中每天的抽检数量配置分解周期;所述根据所述分解周期对所述标准时序物资数据进行滤波,得到历史物资周期特征是指利用周期滤波算法按照所述分解周期对所述标准时序物资数据进行滤波,得到历史物资周期特征。
详细地,所述根据所述历史物资周期特征和所述历史物资趋势特征对所述标准时序物资数据进行加权回归拟合,得到历史物资残差特征,包括:
根据所述历史物资周期特征和所述历史物资趋势特征确定所述标准时序物资数据的拟合点;
选取以所述拟合点为中心的若干个回归点,并计算出每个回归点的回归权重;
根据各个所述回归点和各个所述回归点对应的所述回归权重进行多项式拟合,得到历史物资残差特征。
详细地,所述根据所述历史物资周期特征和所述历史物资趋势特征确定所述标准时序物资数据的拟合点是指从所述历史物资周期特征和所述历史物资趋势中寻找与正态分布匹配的拟合点;其中,可以利用LOESS局部加权回归公式计算出每个回归点的回归权重。
本发明实施例中,通过对所述标准历史物资数据进行时序变换,得到时序历史物资数据,可以方便提取所述标准历史物资数据的时序特征,通过从所述时序历史物资数据中分别提取出历史物资残差特征、历史物资周期特征以及历史物资趋势特征,可以提取所述时序历史物资数据的多维时序特征,从而得到更加准确的时序特征。
S3、利用预设的时序分析模型分别计算出所述历史物资残差特征对应的时序物资残差值、所述历史物资周期特征对应的时序物资周期值以及所述历史趋势特征对应的时序物资趋势值。
本发明实施例中,所述时序分析模型包括残差分析模型、周期分析模型以及趋势分析模型,且所述残差分析模型、所述周期分析模型以及所述趋势分析模型的结构相同,模型参数不同。
本发明实施例中,所述利用预设的时序分析模型分别计算出所述历史物资残差特征对应的时序物资残差值、所述历史物资周期特征对应的时序物资周期值以及所述历史趋势特征对应的时序物资趋势值,包括:
利用预设的时序分析模型中的残差分析模型计算出所述历史物资残差特征对应的时序物资残差值;
利用所述时序分析模型中的周期分析模型计算出所述历史物资周期特征对应的时序物资周期值;
利用所述时序分析模型中的趋势分析模型计算出所述历史物资趋势特征对应的时序物资趋势值。
详细地,所述残差分析模型包括残差更新门、残差重置门以及残差记忆门,所述周期分析模型包括周期更新门、周期重置门以及周期记忆门,所述趋势分析模型包括趋势更新门、趋势重置门以及趋势记忆门。
详细地,参照图3所示,所述利用预设的时序分析模型中的残差分析模型计算出所述历史物资残差特征对应的时序物资残差值,包括:
S31、利用预设的时序分析模型中的残差分析模型的残差更新门计算出所述历史物资残差特征的残差更新特征;
S32、利用所述残差分析模型的残差重置门计算出所述历史物资残差特征的残差重置特征;
S33、根据所述残差分析模型的残差记忆门和所述残差重置特征计算出所述历史物资残差特征的残差记忆特征;
S34、根据所述残差记忆特征和所述残差更新特征计算出所述历史物资残差特征对应的时序物资残差值。
详细地,所述利用预设的时序分析模型中的残差分析模型的残差更新门计算出所述历史物资残差特征的残差更新特征是指利用所述残差更新门中的权值矩阵与所述历史物质残差特征相乘,并将相乘的结果经过所述残差更新门的残差激活函数进行激活,得到残差更新特征。
详细地,所述利用所述残差分析模型的残差重置门计算出所述历史物资残差特征的残差重置特征是指利用所述残差重置门中的权值矩阵与所述历史物质残差特征相乘,并将相乘的结果经过所述残差重置门的残差激活函数进行激活,得到残差重置特征。
详细地,所述根据所述残差分析模型的残差记忆门和所述残差重置特征计算出所述历史物资残差特征的残差记忆特征是指利用所述残差记忆门中的权值矩阵与所述历史物资残差特征相乘,并将相乘的结果与所述残差重置特征相乘,最后在经过所述残差记忆门的激活函数进行激活,得到残差记忆特征。
详细地,所述根据所述残差记忆特征和所述残差更新特征计算出所述历史物资残差特征对应的时序物资残差值是指利用所述残差重置特征的对抗值乘以所述历史物资残差特征,并加上所述残差重置特征和所述残差更新特征的乘积得到所述时序物资残差值。
详细地,所述利用所述时序分析模型中的周期分析模型计算出所述历史物资周期特征对应的时序物资周期值的方法与上述步骤S3中的所述利用预设的时序分析模型中的残差分析模型计算出所述历史物资残差特征对应的时序物资残差值的方法一致,这里不再赘述。
详细地,所述利用所述时序分析模型中的趋势分析模型计算出所述历史物资趋势特征对应的时序物资趋势值的方法与上述步骤S3中的所述利用预设的时序分析模型中的残差分析模型计算出所述历史物资残差特征对应的时序物资残差值的方法一致,这里不再赘述。
本发明实施例中,通过利用预设的时序分析模型分别计算出所述历史物资残差特征对应的时序物资残差值、所述历史物资周期特征对应的时序物资周期值以及所述历史趋势特征对应的时序物资趋势值可以在残差、周期性以及趋势三方面分析所述标准历史物资数据的时序特征,从而提高分析的准确性。
S4、根据所述时序物资残差值、所述时序物资周期值以及所述时序物资趋势值计算出时序物资分析值,根据所述时序物资分析值和所述标准历史物资数据计算出所述时序分析模型对应的损失值,利用所述损失值对所述时序分析模型进行迭代优化,得到所述目标供应商对应的标准分析模型。
本发明实施例中,所述根据所述时序物资残差值、所述时序物资周期值以及所述时序物资趋势值计算出时序物资分析值是指将所述所述时序物资残差值、所述时序物资周期值以及所述时序物资趋势值相加得到所述时序物资分析值;所述时序物资分析值反映了抽检次数与时间的变换关系。
本发明实施例中,所述根据所述时序物资分析值和所述标准历史物资数据计算出所述时序分析模型对应的损失值,包括:
计算出所述标准历史物资数据对应的抽检平均值;
利用如下的分析损失值算法根据所述抽检平均值、所述时序物资分析值和所述标准历史物资数据计算出所述时序分析模型对应的损失值:
其中,是指所述损失值,是指所述标准历史物资数据对应的数据总数,且所述标
准历史物资数据对应的数据总数和所述时序物资分析值对应的数据总数相同,是指第个,是指所述标准历史物资数据中的第个数据,是指所述时序物资分析值中的第个数据,是指所述抽检平均值。
详细地,通过利用如下的分析损失值算法根据所述抽检平均值、所述时序物资分析值和所述标准历史物资数据计算出所述时序分析模型对应的损失值,可以全局的衡量所述时序分析模型的分析精度,从而方便后续模型的优化,所述抽检平均值是所述标准历史物资数据对应的数据平均值。
详细地,所述利用所述损失值对所述时序分析模型进行迭代优化,得到所述目标供应商对应的标准分析模型,包括:
判断所述损失值是否小于预设的损失阈值;
若否,则根据所述损失值对所述时序分析模型中的参数进行优化,并返回所述利用预设的时序分析模型分别计算出所述历史物资残差特征对应的时序物资残差值、所述历史物资周期特征对应的时序物资周期值以及所述历史趋势特征对应的时序物资趋势值的步骤;
若是,则将参数更新后的所述时序分析模型作为所述目标供应商对应的标准分析模型。
本发明实施例中,通过根据所述时序物资分析值和所述标准历史物资数据计算出所述时序分析模型对应的损失值,利用所述损失值对所述时序分析模型进行迭代优化,得到所述目标供应商对应的标准分析模型,可以确保所述标准分析模型分析物资抽检频率的准确度,从而方便后续指定抽检方案。
S5、获取所述目标供应商对应的实时物资数据,利用所述标准分析模型对所述实时物资数据进行分析,得到时序分析结果,根据所述时序分析结果为所述目标供应商配置物资抽检方法,直至所述目标供应商为最后一个待抽检的物资供应商时,结束物资抽检。
本发明实施例中,所述实时物资数据是指所述目标供应商提供物资数量与时间的数据,所述时序分析结果是指所述实时物资数据中需要抽检的次数与时间的关系数据。
本发明实施例中,所述根据所述时序分析结果为所述目标供应商配置物资抽检方法是指按照抽检值的大小将所述时序分析结果分割成多个抽检区间;
并按照各个抽检区间对应的抽检值为各个抽检区间设置的物资抽检方法。
本发明实施例中,通过根据所述时序分析结果为所述目标供应商配置物资抽检方法,直至所述目标供应商为最后一个待抽检的物资供应商时,结束物资抽检,可以为每个供应商配置时序抽检方案,减少物资抽检的频率,从而提高物资抽检的效率。
本发明实施例通过对所述供应商历史物资数据进行数据清洗以及数据填充,得到标准历史物资数据,可以确保数据集的准确性,从而提高后续特征提取以及模型训练的数据精确度,通过对所述标准历史物资数据进行时序变换,得到时序历史物资数据,可以方便提取所述标准历史物资数据的时序特征,通过从所述时序历史物资数据中分别提取出历史物资残差特征、历史物资周期特征以及历史物资趋势特征,可以提取所述时序历史物资数据的多维时序特征,从而得到更加准确的时序特征;
通过利用预设的时序分析模型分别计算出所述历史物资残差特征对应的时序物资残差值、所述历史物资周期特征对应的时序物资周期值以及所述历史趋势特征对应的时序物资趋势值可以在残差、周期性以及趋势三方面分析所述标准历史物资数据的时序特征,从而提高分析的准确性,通过根据所述时序物资分析值和所述标准历史物资数据计算出所述时序分析模型对应的损失值,利用所述损失值对所述时序分析模型进行迭代优化,得到所述目标供应商对应的标准分析模型,可以确保所述标准分析模型分析物资抽检频率的准确度,从而方便后续指定抽检方案,通过根据所述时序分析结果为所述目标供应商配置物资抽检方法,直至所述目标供应商为最后一个待抽检的物资供应商时,结束物资抽检,可以为每个供应商配置时序抽检方案,减少物资抽检的频率,从而提高物资抽检的效率。因此本发明提出的基于分布式物资供应下的物资抽检方法,可以解决对物资进行抽检的效率较低的问题。
如图4所示,是本发明一实施例提供的基于分布式物资供应下的物资抽检装置的功能模块图。
本发明所述基于分布式物资供应下的物资抽检装置100可以安装于电子设备中。根据实现的功能,所述基于分布式物资供应下的物资抽检装置100可以包括数据清洗模块101、特征拆分模块102、特征量化模块103、模型优化模块104及物资抽检模块105。本发明所述模块也可以称之为单元,是指一种能够被电子设备处理器所执行,并且能够完成固定功能的一系列计算机程序段,其存储在电子设备的存储器中。
在本实施例中,关于各模块/单元的功能如下:
所述数据清洗模块101,用于逐个选取待抽检的物资供应商作为目标供应商,获取所述目标供应商的供应商历史物资数据,对所述供应商历史物资数据进行数据清洗以及数据填充,得到标准历史物资数据;
所述特征拆分模块102,用于对所述标准历史物资数据进行时序变换,得到时序历史物资数据,从所述时序历史物资数据中分别提取出历史物资残差特征、历史物资周期特征以及历史物资趋势特征;
所述特征量化模块103,用于利用预设的时序分析模型分别计算出所述历史物资残差特征对应的时序物资残差值、所述历史物资周期特征对应的时序物资周期值以及所述历史趋势特征对应的时序物资趋势值;
所述模型优化模块104,用于根据所述时序物资残差值、所述时序物资周期值以及所述时序物资趋势值计算出时序物资分析值,根据所述时序物资分析值和所述标准历史物资数据计算出所述时序分析模型对应的损失值,利用所述损失值对所述时序分析模型进行迭代优化,得到所述目标供应商对应的标准分析模型,其中,所述根据所述时序物资分析值和所述标准历史物资数据计算出所述时序分析模型对应的损失值,包括:计算出所述标准历史物资数据对应的抽检平均值;利用如下的分析损失值算法根据所述抽检平均值、所述时序物资分析值和所述标准历史物资数据计算出所述时序分析模型对应的损失值:
其中,是指所述损失值,是指所述标准历史物资数据对应的数据总数,且所述标
准历史物资数据对应的数据总数和所述时序物资分析值对应的数据总数相同,是指第个,是指所述标准历史物资数据中的第个数据,是指所述时序物资分析值中的第个数据,是指所述抽检平均值;
所述物资抽检模块105,用于获取所述目标供应商对应的实时物资数据,利用所述标准分析模型对所述实时物资数据进行分析,得到时序分析结果,根据所述时序分析结果为所述目标供应商配置物资抽检方法,直至所述目标供应商为最后一个待抽检的物资供应商时,结束物资抽检。
详细地,本发明实施例中所述基于分布式物资供应下的物资抽检装置100中所述的各模块在使用时采用与上述图1至图3中所述的基于分布式物资供应下的物资抽检方法一样的技术手段,并能够产生相同的技术效果,这里不再赘述。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中,人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种基于分布式物资供应下的物资抽检方法,其特征在于,所述方法包括:
S1:逐个选取待抽检的物资供应商作为目标供应商,获取所述目标供应商的供应商历史物资数据,对所述供应商历史物资数据进行数据清洗以及数据填充,得到标准历史物资数据;
S2:对所述标准历史物资数据进行时序变换,得到时序历史物资数据,从所述时序历史物资数据中分别提取出历史物资残差特征、历史物资周期特征以及历史物资趋势特征;
S3:利用预设的时序分析模型分别计算出所述历史物资残差特征对应的时序物资残差值、所述历史物资周期特征对应的时序物资周期值以及所述历史趋势特征对应的时序物资趋势值;
S4:根据所述时序物资残差值、所述时序物资周期值以及所述时序物资趋势值计算出时序物资分析值,根据所述时序物资分析值和所述标准历史物资数据计算出所述时序分析模型对应的损失值,利用所述损失值对所述时序分析模型进行迭代优化,得到所述目标供应商对应的标准分析模型,其中,所述根据所述时序物资分析值和所述标准历史物资数据计算出所述时序分析模型对应的损失值,包括:
S41:计算出所述标准历史物资数据对应的抽检平均值;
S42:利用如下的分析损失值算法根据所述抽检平均值、所述时序物资分析值和所述标准历史物资数据计算出所述时序分析模型对应的损失值:
其中,是指所述损失值,是指所述标准历史物资数据对应的数据总数,且所述标准历
史物资数据对应的数据总数和所述时序物资分析值对应的数据总数相同,是指所述标准
历史物资数据中的第个数据,是指所述时序物资分析值中的第个数据,是指所述抽检
平均值;
S5:获取所述目标供应商对应的实时物资数据,利用所述标准分析模型对所述实时物资数据进行分析,得到时序分析结果,根据所述时序分析结果为所述目标供应商配置物资抽检方法,直至所述目标供应商为最后一个待抽检的物资供应商时,结束物资抽检。
2.如权利要求1所述的基于分布式物资供应下的物资抽检方法,其特征在于,所述对所述供应商历史物资数据进行数据清洗以及数据填充,得到标准历史物资数据,包括:
从所述供应商历史物资数据中筛除越位数据以及乱码数据,得到初级历史物资数据;
对所述初级历史物资数据中的缺失数据进行聚类填充,得到标准历史物资数据。
3.如权利要求2所述的基于分布式物资供应下的物资抽检方法,其特征在于,所述对所述初级历史物资数据中的缺失数据进行聚类填充,得到标准历史物资数据,包括:
将所述初级历史物资数据拆分为若干个物资数据组,随机选取各物资数据组的中心数据,并计算所述初级历史物资数据中各数据与各物资数据组的所述中心数据之间的第一数据差值;
根据所述第一数据差值以及就近原则对所述初级历史物资数据中的各数据进行分组,得到多个标准物资数据组;
计算出各标准物资数据组对应的均值数据,并计算各标准物资数据组中各数据与对应的所述均值数据之间的第二数据差值;
根据所述第二数据差值以及就近原则重新对所述初级历史物资数据中的各数据进行分组以重复迭代计算每组数据的均值数据,得到所述初级历史物资数据对应的多个聚类数据组;
逐个选取所述初级历史物资数据中的缺失数据作为目标缺失数据,将所述目标缺失数据对应的聚类数据组作为目标聚类数据组;
利用所述目标聚类数据组对应的均值数据替换所述目标缺失数据,直至所述目标缺失数据为所述初级历史物资数据中的最后一个所述缺失数据时,将更新后的所述初级历史物资数据作为标准历史物资数据。
4.如权利要求1所述的基于分布式物资供应下的物资抽检方法,其特征在于,所述从所述时序历史物资数据中分别提取出历史物资残差特征、历史物资周期特征以及历史物资趋势特征,包括:
对所述时序历史物资数据进行平滑滤波,得到标准时序物资数据;
根据所述标准时序物资数据配置分解周期,根据所述分解周期对所述标准时序物资数据进行滤波,得到历史物资周期特征;
根据所述历史物资周期特征的特征数量对所述标准时序物资数据进行滤波,得到历史物资趋势特征;
根据所述历史物资周期特征和所述历史物资趋势特征对所述标准时序物资数据进行加权回归拟合,得到历史物资残差特征。
5.如权利要求4所述的基于分布式物资供应下的物资抽检方法,其特征在于,所述对所述时序历史物资数据进行平滑滤波,得到标准时序物资数据,包括:
计算出所述时序历史物资数据的平均值,并根据所述平均值计算出所述时序历史物资数据的标准差;
按照时序逐个选取所述时序历史物资数据作为目标时序数据,利用如下的平滑滤波公式计算出所述目标时序数据对应的卷积核:
利用所述卷积核对所述目标时序数据进行平滑滤波,得到目标滤波数据,并将所有的所述目标滤波数据汇集成标准时序物资数据。
6.如权利要求4所述的基于分布式物资供应下的物资抽检方法,其特征在于,所述根据所述历史物资周期特征和所述历史物资趋势特征对所述标准时序物资数据进行加权回归拟合,得到历史物资残差特征,包括:
根据所述历史物资周期特征和所述历史物资趋势特征确定所述标准时序物资数据的拟合点;
选取以所述拟合点为中心的若干个回归点,并计算出每个回归点的回归权重;
根据各个所述回归点和各个所述回归点对应的所述回归权重进行多项式拟合,得到历史物资残差特征。
7.如权利要求1所述的基于分布式物资供应下的物资抽检方法,其特征在于,所述利用预设的时序分析模型分别计算出所述历史物资残差特征对应的时序物资残差值、所述历史物资周期特征对应的时序物资周期值以及所述历史趋势特征对应的时序物资趋势值,包括:
利用预设的时序分析模型中的残差分析模型计算出所述历史物资残差特征对应的时序物资残差值;
利用所述时序分析模型中的周期分析模型计算出所述历史物资周期特征对应的时序物资周期值;
利用所述时序分析模型中的趋势分析模型计算出所述历史物资趋势特征对应的时序物资趋势值。
8.如权利要求7所述的基于分布式物资供应下的物资抽检方法,其特征在于,所述利用预设的时序分析模型中的残差分析模型计算出所述历史物资残差特征对应的时序物资残差值,包括:
利用预设的时序分析模型中的残差分析模型的残差更新门计算出所述历史物资残差特征的残差更新特征;
利用所述残差分析模型的残差重置门计算出所述历史物资残差特征的残差重置特征;
根据所述残差分析模型的残差记忆门和所述残差重置特征计算出所述历史物资残差特征的残差记忆特征;
根据所述残差记忆特征和所述残差更新特征计算出所述历史物资残差特征对应的时序物资残差值。
9.如权利要求1所述的基于分布式物资供应下的物资抽检方法,其特征在于,所述利用所述损失值对所述时序分析模型进行迭代优化,得到所述目标供应商对应的标准分析模型,包括:
判断所述损失值是否小于预设的损失阈值;
若否,则根据所述损失值对所述时序分析模型中的参数进行优化,并返回所述利用预设的时序分析模型分别计算出所述历史物资残差特征对应的时序物资残差值、所述历史物资周期特征对应的时序物资周期值以及所述历史趋势特征对应的时序物资趋势值的步骤;
若是,则将参数更新后的所述时序分析模型作为所述目标供应商对应的标准分析模型。
10.一种基于分布式物资供应下的物资抽检装置,其特征在于,所述装置包括:
数据清洗模块,用于逐个选取待抽检的物资供应商作为目标供应商,获取所述目标供应商的供应商历史物资数据,对所述供应商历史物资数据进行数据清洗以及数据填充,得到标准历史物资数据;
特征拆分模块,用于对所述标准历史物资数据进行时序变换,得到时序历史物资数据,从所述时序历史物资数据中分别提取出历史物资残差特征、历史物资周期特征以及历史物资趋势特征;
特征量化模块,用于利用预设的时序分析模型分别计算出所述历史物资残差特征对应的时序物资残差值、所述历史物资周期特征对应的时序物资周期值以及所述历史趋势特征对应的时序物资趋势值;
模型优化模块,用于根据所述时序物资残差值、所述时序物资周期值以及所述时序物资趋势值计算出时序物资分析值,根据所述时序物资分析值和所述标准历史物资数据计算出所述时序分析模型对应的损失值,利用所述损失值对所述时序分析模型进行迭代优化,得到所述目标供应商对应的标准分析模型,其中,所述根据所述时序物资分析值和所述标准历史物资数据计算出所述时序分析模型对应的损失值,包括:计算出所述标准历史物资数据对应的抽检平均值;利用如下的分析损失值算法根据所述抽检平均值、所述时序物资分析值和所述标准历史物资数据计算出所述时序分析模型对应的损失值:
其中,是指所述损失值,是指所述标准历史物资数据对应的数据总数,且所述标准历
史物资数据对应的数据总数和所述时序物资分析值对应的数据总数相同,是指所述标准
历史物资数据中的第个数据,是指所述时序物资分析值中的第个数据,是指所述抽检
平均值;
物资抽检模块,用于获取所述目标供应商对应的实时物资数据,利用所述标准分析模型对所述实时物资数据进行分析,得到时序分析结果,根据所述时序分析结果为所述目标供应商配置物资抽检方法,直至所述目标供应商为最后一个待抽检的物资供应商时,结束物资抽检。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310026327.5A CN115759885B (zh) | 2023-01-09 | 2023-01-09 | 一种基于分布式物资供应下的物资抽检方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310026327.5A CN115759885B (zh) | 2023-01-09 | 2023-01-09 | 一种基于分布式物资供应下的物资抽检方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115759885A true CN115759885A (zh) | 2023-03-07 |
CN115759885B CN115759885B (zh) | 2023-04-18 |
Family
ID=85348738
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310026327.5A Active CN115759885B (zh) | 2023-01-09 | 2023-01-09 | 一种基于分布式物资供应下的物资抽检方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115759885B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116154239A (zh) * | 2023-04-14 | 2023-05-23 | 湖南省计量检测研究院 | 一种基于多层次实现的氢燃料电池能量转换方法和装置 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110135612A (zh) * | 2018-07-05 | 2019-08-16 | 国网江苏省电力有限公司物资分公司 | 基于用电量分析的物资供应商生产能力监控及异常预警方法 |
CN111161538A (zh) * | 2020-01-06 | 2020-05-15 | 东南大学 | 一种基于时间序列分解的短时交通流预测方法 |
CN111639814A (zh) * | 2020-06-02 | 2020-09-08 | 贝壳技术有限公司 | 预测变动行为发生概率的方法、装置、介质和电子设备 |
CN112541745A (zh) * | 2020-12-22 | 2021-03-23 | 平安银行股份有限公司 | 用户行为数据分析方法、装置、电子设备及可读存储介质 |
CN113240170A (zh) * | 2021-05-10 | 2021-08-10 | 中国地质大学(武汉) | 一种基于季节性循环神经网络的空气质量预测方法 |
CN113329128A (zh) * | 2021-06-04 | 2021-08-31 | 中国电信股份有限公司 | 话务数据预测方法及装置、电子设备、存储介质 |
WO2021212752A1 (zh) * | 2020-04-23 | 2021-10-28 | 平安科技(深圳)有限公司 | 基于设备指标数据的异常检测方法、装置、设备及存储介质 |
CN113591993A (zh) * | 2021-08-02 | 2021-11-02 | 上海华能电子商务有限公司 | 一种基于时空聚类的电力物资需求预测方法 |
CN114077492A (zh) * | 2020-08-18 | 2022-02-22 | 中国电信股份有限公司 | 云计算基础设施资源的预测模型训练、预测方法和系统 |
US20220069694A1 (en) * | 2020-08-27 | 2022-03-03 | Robert Bosch Gmbh | Method and Device for Controlling an Electronic Converter in a Technical System Using Methods of Artificial Intelligence |
CN114676896A (zh) * | 2022-03-16 | 2022-06-28 | 佰聆数据股份有限公司 | 基于时间分解改进算法的电力运行监测方法及系统 |
CN115146764A (zh) * | 2022-06-27 | 2022-10-04 | 中国电信股份有限公司 | 一种预测模型的训练方法、装置、电子设备及存储介质 |
-
2023
- 2023-01-09 CN CN202310026327.5A patent/CN115759885B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110135612A (zh) * | 2018-07-05 | 2019-08-16 | 国网江苏省电力有限公司物资分公司 | 基于用电量分析的物资供应商生产能力监控及异常预警方法 |
CN111161538A (zh) * | 2020-01-06 | 2020-05-15 | 东南大学 | 一种基于时间序列分解的短时交通流预测方法 |
WO2021212752A1 (zh) * | 2020-04-23 | 2021-10-28 | 平安科技(深圳)有限公司 | 基于设备指标数据的异常检测方法、装置、设备及存储介质 |
CN111639814A (zh) * | 2020-06-02 | 2020-09-08 | 贝壳技术有限公司 | 预测变动行为发生概率的方法、装置、介质和电子设备 |
CN114077492A (zh) * | 2020-08-18 | 2022-02-22 | 中国电信股份有限公司 | 云计算基础设施资源的预测模型训练、预测方法和系统 |
US20220069694A1 (en) * | 2020-08-27 | 2022-03-03 | Robert Bosch Gmbh | Method and Device for Controlling an Electronic Converter in a Technical System Using Methods of Artificial Intelligence |
CN112541745A (zh) * | 2020-12-22 | 2021-03-23 | 平安银行股份有限公司 | 用户行为数据分析方法、装置、电子设备及可读存储介质 |
CN113240170A (zh) * | 2021-05-10 | 2021-08-10 | 中国地质大学(武汉) | 一种基于季节性循环神经网络的空气质量预测方法 |
CN113329128A (zh) * | 2021-06-04 | 2021-08-31 | 中国电信股份有限公司 | 话务数据预测方法及装置、电子设备、存储介质 |
CN113591993A (zh) * | 2021-08-02 | 2021-11-02 | 上海华能电子商务有限公司 | 一种基于时空聚类的电力物资需求预测方法 |
CN114676896A (zh) * | 2022-03-16 | 2022-06-28 | 佰聆数据股份有限公司 | 基于时间分解改进算法的电力运行监测方法及系统 |
CN115146764A (zh) * | 2022-06-27 | 2022-10-04 | 中国电信股份有限公司 | 一种预测模型的训练方法、装置、电子设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
王卫;杨志强;杨建华;王滕军;: "变形观测数据时间序列建模中的几个问题", 地球科学与环境学报 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116154239A (zh) * | 2023-04-14 | 2023-05-23 | 湖南省计量检测研究院 | 一种基于多层次实现的氢燃料电池能量转换方法和装置 |
CN116154239B (zh) * | 2023-04-14 | 2023-11-21 | 湖南省计量检测研究院 | 一种基于多层次实现的氢燃料电池能量转换方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN115759885B (zh) | 2023-04-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111724211A (zh) | 一种线下门店商品销量预测方法、装置和设备 | |
CN110147367B (zh) | 一种温度缺失数据填补方法、系统及电子设备 | |
CN110336838B (zh) | 账号异常检测方法、装置、终端及存储介质 | |
CN106803799B (zh) | 一种性能测试方法和装置 | |
CN106933691B (zh) | 一种针对季节性时序数据序列中异常点的识别方法及系统 | |
CN107908548A (zh) | 一种生成测试用例的方法和装置 | |
CN115759885B (zh) | 一种基于分布式物资供应下的物资抽检方法和装置 | |
CN112416778A (zh) | 测试用例推荐方法、装置和电子设备 | |
CN110134845A (zh) | 项目舆情监控方法、装置、计算机设备及存储介质 | |
CN112836020A (zh) | 房源信息的查询方法、装置、设备以及计算机存储介质 | |
CN112527676A (zh) | 模型自动化测试方法、装置及存储介质 | |
CN111767193A (zh) | 一种服务器数据异常检测方法、装置、存储介质及设备 | |
CN114818353A (zh) | 一种基于故障特征关系图谱的列控车载设备故障预测方法 | |
CN113793057A (zh) | 一种基于回归分析模型的建筑招投标数据生成方法 | |
CN111444635B (zh) | 一种基于xml语言的系统动力学仿真建模方法及系统 | |
CN113553341A (zh) | 多维数据分析方法、装置、设备及计算机可读存储介质 | |
CN115809795A (zh) | 一种基于数字化的生产班组的承载能力评估方法和装置 | |
CN113554524B (zh) | 基于工业互联网的生产智能监控方法、系统及存储介质 | |
CN115599621A (zh) | 微服务异常诊断方法、装置、设备及存储介质 | |
CN110738379A (zh) | 一种被子植物主要病虫害大数据预测平台 | |
CN112967066A (zh) | 一种配电自动化设备检测全过程管控分析系统 | |
CN113377801A (zh) | 数据检验方法、装置、电子设备及计算机存储介质 | |
Faniriantsoa et al. | ADT: The automatic weather station data tool | |
CN111989662A (zh) | 自主混合分析建模平台 | |
CN111309623B (zh) | 一种坐标类数据分类测试方法及装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |