CN115914410B - 基于数据驱动的数字孪生仿真方法 - Google Patents

基于数据驱动的数字孪生仿真方法 Download PDF

Info

Publication number
CN115914410B
CN115914410B CN202310195828.6A CN202310195828A CN115914410B CN 115914410 B CN115914410 B CN 115914410B CN 202310195828 A CN202310195828 A CN 202310195828A CN 115914410 B CN115914410 B CN 115914410B
Authority
CN
China
Prior art keywords
data
digital twin
data stream
simulation method
liquid crystal
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
Application number
CN202310195828.6A
Other languages
English (en)
Other versions
CN115914410A (zh
Inventor
范柘
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.)
Wuxi Dingshi Technology Co ltd
Original Assignee
Wuxi Dingshi Technology 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 Wuxi Dingshi Technology Co ltd filed Critical Wuxi Dingshi Technology Co ltd
Priority to CN202310195828.6A priority Critical patent/CN115914410B/zh
Publication of CN115914410A publication Critical patent/CN115914410A/zh
Application granted granted Critical
Publication of CN115914410B publication Critical patent/CN115914410B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Abstract

本发明涉及数字孪生、实时仿真技术领域，尤其为基于数据驱动的数字孪生仿真方法，包括如下步骤：客户端连接服务端；通过消息中间件获取数据源，历史/排产数据通过接口查询数据库；对获取的数据进行缓冲；通过批对齐模式形成数据流；将数据流以固定心跳推送给前端，驱动ue4模型做呈现。本发明采用时序数据库，吞吐量高，写入、查询速度快，节省存储空间，具有提供丰富的聚合运算，有利于数据的统计分析。兼容自由模式，引出批对齐模式。对数据进行分段处理，再通过差值处理预测数据，可以提高模型驱动的平滑度，对数据做出更为准确的预测。选型Websocket应用层协议，大幅度减轻客户端压力，提高动画流畅度。

Description

基于数据驱动的数字孪生仿真方法
技术领域
本发明涉及数字孪生、实时仿真技术领域，尤其是基于数据驱动的数字孪生仿真方法。
背景技术
随着人工智能、大数据等领域的成熟及发展，各行业中小型企业开始依赖于数字孪生技术向数字化转型升级，尤其在工业制造方向上产生深远影响。数字孪生可以整合人工智能、软件分析、机器学习数据等来为产品构建虚实融合的数字孪生模型，并且提供物体变化和模型变化的数据。虚拟模型可以通过数据了解物理行为的状态，并进行估计和分析其动态变化过程，最终驱动ue4（Unreal Engine 4，虚幻引擎4）进行模型动态呈现。
现有技术中在一些如港口、机场、工厂等较复杂的场景下的设备在工作期间，会持续不断产生实时数据。随着时间推移，这些数据积累起来将会是海量的，数据库层面会产生瓶颈。使用传统关系型数据库mysql作为存储会存在诸多问题。比如，写入的吞吐量低，不能满足时序数据百万级写入压力；数据结构压缩不佳，需要占用大量机器资源；查询性能差，难以满足用户需求；维护成本高，需要人工分库分表。
此外，在数据呈现表现上，绝大多数软件系统针对数据的处理方案都为实时推送（这里称之为自由模式）。这种方式虽然符合实际情况，但是因为不同设备产生数据及频率不一样，模型动态呈现不同步，降级了用户体验。
最后，就是数据的交互方式，前端Ajax轮训后端接口将会给客户端增加压力，针对实时数据场景，哪怕是后端没有产生新数据，客户端仍然需要发送请求，增加了CPU开销和内存占用。
发明内容
本发明的目的是通过提出基于数据驱动的数字孪生仿真方法，以解决上述背景技术中提出的缺陷。
本发明采用的技术方案如下：
提供基于数据驱动的数字孪生仿真方法，包括如下步骤：
S1.1：客户端连接服务端；
S1.2：通过消息中间件获取数据源，历史/排产数据通过接口查询数据库；
S1.3：对获取的数据进行缓冲；
S1.4：通过批对齐模式形成数据流；
S1.5：将数据流以固定心跳推送给前端，驱动ue4模型做呈现。
作为本发明的一种优选技术方案：所述S1.1中，服务端记录连接时间作为基准时钟，并启动定时任务。
作为本发明的一种优选技术方案：所述S1.2中，数据库采用吞吐量高、且进行压缩存储的时序数据库。
作为本发明的一种优选技术方案：所述S1.3中，将所述S1.1中获取的数据源加入一个有界队列中，新数据加入到队尾，旧数据从队头删除，队列内始终保持固定大小数据量。
作为本发明的一种优选技术方案：所述S1.4中，兼容自由模式进行数据处理。
作为本发明的一种优选技术方案：所述S1.4中，批对齐模式将各个设备上报的数据载入到自己缓冲队列中，并将新上报的实时/历史数据更新到缓冲队列，以基准时钟为起点，固定推送帧率作为批对齐标准，对于采集频率跨度大的设备上报的数据，通过差值处理来预测数据，形成一股标准的数据流。
作为本发明的一种优选技术方案：所述差值处理过程中，对获取的数据流进行分段处理获取分段的数据流，分段步骤如下：
对于获取的数据流片段
Figure SMS_1
，其中，/>
Figure SMS_2
和/>
Figure SMS_3
为源时间序列数据中的序号，分别代表该片段的起点和终点序号，计算段内数据的协方差矩阵/>
Figure SMS_4
：
Figure SMS_5
其中，
Figure SMS_6
为段内数据的均值，/>
Figure SMS_7
为段内第/>
Figure SMS_8
个数据，/>
Figure SMS_9
为对计算结果的转置，对协方差矩阵进行SVD分解：/>
Figure SMS_10
；对于片段/>
Figure SMS_11
，计算如下：
Figure SMS_12
Figure SMS_13
其中，
Figure SMS_15
为段内第/>
Figure SMS_18
个数据的转置，/>
Figure SMS_20
是前p个最大主元对应的特征列向量组成的矩阵，/>
Figure SMS_16
为/>
Figure SMS_17
的转置，/>
Figure SMS_19
是/>
Figure SMS_21
个数据在前p个最大的主元的低维空间投影的均方误差；/>
Figure SMS_14
为基于Q指标的误差；
对于分为c段的方案
Figure SMS_22
，基于Q指标的总误差为隔断目标函数值之和：
Figure SMS_23
其中，
Figure SMS_24
为对于方案/>
Figure SMS_25
的基于Q指标的总误差。
作为本发明的一种优选技术方案：所述分段步骤中，通过迭代法进行寻优，步骤如下：
S2.1：给定时间序列
Figure SMS_26
，设定一个滑动窗口/>
Figure SMS_27
起始点处于序列/>
Figure SMS_28
起始点位置；
S2.2：依次从
Figure SMS_29
中截取长度为/>
Figure SMS_30
的一端数据/>
Figure SMS_31
，对/>
Figure SMS_32
进行分段，直至窗口
Figure SMS_33
终点与时间序列/>
Figure SMS_34
终点重合；
S2.3：从S中所有分段中找
Figure SMS_37
最大的段，该段的长度为/>
Figure SMS_39
；遍历/>
Figure SMS_41
中所有位置，寻找位置/>
Figure SMS_36
使得/>
Figure SMS_38
最小；将段/>
Figure SMS_40
在位置k分为两个段：
Figure SMS_42
和/>
Figure SMS_35
；直至满足终止条件。
作为本发明的一种优选技术方案：所述差值处理步骤中，通过对数据流中的多维特征变量时间序列按照所属类别进行分段，使得段内数据相关性结构一致，再进行差值处理，实现对数据的准确预测。
作为本发明的一种优选技术方案：所述S1.5中通过Websocket应用层协议将形成标准的数据流主动推送给ue4驱动模型。
本发明提供的基于数据驱动的数字孪生仿真方法，与现有技术相比，其有益效果有：
1、数据库层面，采用时序数据库TimescaleDB代替关系型数据库mysql。选用时序库的原因，是因为其吞吐量超高，每秒钟写入达到千万，查询更是达到上亿的吞吐量，在存储上合理的选择了压缩算法，提高数据压缩比，节省了存储空间。此外，TimescaleDB是最接近与关系型数据库的时序数据库，在sql语法上极为相似，有提供丰富的聚合运算，有利于数据的统计分析。
2、数据处理层面，在向上兼容了自由模式，并在次基础之上，引出了批对齐模式。批对齐模式是一种将各个设备一定数量的数据load到自己缓冲队列中，并将新上报的实时/历史数据更新到缓冲队列，以基准时钟为起点，固定推送帧率作为批对齐标准，最终形成一股标准的数据流，以固定心跳推送给前端，驱动ue4模型做呈现。
3、数据处理层面，对于一些采集频率跨度较大设备上报的数据，通过对数据分段处理，再通过差值处理预测数据，可以提高模型驱动的平滑度，对数据做出更为准确的预测。
4、驱动ue4层面，摒弃通过前端做Ajax轮训后端接口方式，选型Websocket应用层协议，后端将形成标准的数据流主动推送给前端做呈现。这种方式很大限度减轻客户端压力，提高动画流畅度。
附图说明
图1为本发明优选实施例的方法流程图。
图2为本发明优选实施例中基准时钟（心跳）选择图。
图3为本发明优选实施例中缓冲队列数据结构图。
图4为本发明优选实施例中批对齐模式概念图。
具体实施方式
需要说明的是，在不冲突的情况下，本实施例中的实施例及实施例中的特征可以相互组合，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
参照图1，本发明优选实施例提供了基于数据驱动的数字孪生仿真方法，包括如下步骤：
S1.1：客户端连接服务端；
S1.2：通过消息中间件获取数据源，历史/排产数据通过接口查询数据库；
S1.3：对获取的数据进行缓冲；
S1.4：通过批对齐模式形成数据流；
S1.5：将数据流以固定心跳推送给前端，驱动ue4模型做呈现。
所述S1.1中，服务端记录连接时间作为基准时钟，并启动定时任务。
所述S1.2中，数据库采用吞吐量高、且进行压缩存储的时序数据库。
所述S1.3中，将所述S1.1中获取的数据源加入一个有界队列中，新数据加入到队尾，旧数据从队头删除，队列内始终保持固定大小数据量。
所述S1.4中，兼容自由模式进行数据处理。
本实施例中，客户端连接到服务端之后，如图2，服务端会记录连接时间作为基准时钟，并启动定时任务；实时数据通过消息中间件接入，历史/排产数据通过接口查询时序数据库；参照图3，连接服务端获取到的数据源会加入到一个有界队列中，新上来的数据加入到队尾，旧数据从队头删除，队列内始终保持固定大小数据量；定时任务以固定心跳从缓冲队列中获取各设备数据经过批对齐后，形成一股数据流；参照图4，批对齐模式是一种将各个设备上报的数据load（载入）到自己缓冲队列（缓冲队列的长度与内存容量有关，长度并不固定，本实施例配置缓冲队列可容纳的数据量为10000）中，并将新上报的实时/历史数据更新到缓冲队列，以基准时钟为起点，固定推送帧率作为批对齐标准，对于一些采集频率跨度较大设备上报的数据，通过差值处理来预测数据，形成一股标准的数据流。
所述差值处理过程中，对获取的数据流进行分段处理获取分段的数据流，分段步骤如下：
对于获取的数据流片段
Figure SMS_43
，其中，/>
Figure SMS_44
和/>
Figure SMS_45
为源时间序列数据中的序号，分别代表该片段的起点和终点序号，计算段内数据的协方差矩阵/>
Figure SMS_46
：
Figure SMS_47
其中，
Figure SMS_48
为段内数据的均值，/>
Figure SMS_49
为段内第/>
Figure SMS_50
个数据，/>
Figure SMS_51
为对计算结果的转置，对协方差矩阵进行SVD分解：/>
Figure SMS_52
；对于片段/>
Figure SMS_53
，计算如下：
Figure SMS_54
Figure SMS_55
其中，
Figure SMS_56
为段内第/>
Figure SMS_60
个数据的转置，/>
Figure SMS_62
是前p个最大主元对应的特征列向量组成的矩阵，/>
Figure SMS_57
为/>
Figure SMS_59
的转置，/>
Figure SMS_61
是/>
Figure SMS_63
个数据在前p个最大的主元的低维空间投影的均方误差；/>
Figure SMS_58
为基于Q指标的误差；
对于分为c段的方案
Figure SMS_64
，基于Q指标的总误差为隔断目标函数值之和：
Figure SMS_65
其中，
Figure SMS_66
为对于方案/>
Figure SMS_67
的基于Q指标的总误差。
所述分段步骤中，通过迭代法进行寻优，步骤如下：
S2.1：给定时间序列
Figure SMS_68
，设定一个滑动窗口/>
Figure SMS_69
起始点处于序列/>
Figure SMS_70
起始点位置；
S2.2：依次从
Figure SMS_71
中截取长度为/>
Figure SMS_72
的一端数据/>
Figure SMS_73
，对/>
Figure SMS_74
进行分段，直至窗口
Figure SMS_75
终点与时间序列/>
Figure SMS_76
终点重合；
S2.3：从S中所有分段中找
Figure SMS_77
最大的段，该段的长度为/>
Figure SMS_78
；遍历/>
Figure SMS_79
中所有位置，寻找位置k使得/>
Figure SMS_80
最小；将段/>
Figure SMS_81
在位置k分为两个段：
Figure SMS_82
和/>
Figure SMS_83
；直至满足终止条件。
所述差值处理步骤中，通过对数据流中的多维特征变量时间序列按照所属类别进行分段，使得段内数据相关性结构一致，再进行差值处理，实现对数据的准确预测。
所述S1.5中通过Websocket应用层协议将形成标准的数据流主动推送给ue4驱动模型。
通过对数据流中的多维特征变量时间序列按照所属类别进行分段，使得段内数据相关性结构一致，再进行差值处理，实现对数据的准确预测。可以提高模型驱动的平滑度，对数据做出更为准确的预测。最终形成一股标准的数据流，以固定心跳推送给前端，驱动ue4模型做呈现。摒弃通过前端做Ajax轮训后端接口方式，通过Websocket应用层协议将数据流推送给ue4驱动模型。
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囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。

Claims (7)

1.基于数据驱动的数字孪生仿真方法，其特征在于：包括如下步骤：
S1.1：客户端连接服务端，所述服务端记录连接时间作为基准时钟，并启动定时任务；
S1.2：通过消息中间件获取数据源，通过接口查询数据库获取历史/排产数据；
S1.3：对获取的数据进行缓冲；
S1.4：通过批对齐模式形成数据流；
S1.5：将数据流以固定心跳推送给前端，驱动ue4模型做呈现；
其中，所述S1.4中，批对齐模式将各个设备上报的数据载入到自己缓冲队列中，并将新上报的实时/历史数据更新到缓冲队列，以基准时钟为起点，固定推送帧率作为批对齐标准，对于采集频率跨度大的设备上报的数据，通过差值处理来预测数据，形成一股标准的数据流；
其中，所述差值处理过程中，对获取的数据流进行分段处理获取分段的数据流，分段步骤如下：
对于获取的数据流片段
Figure QLYQS_1
，其中，/>
Figure QLYQS_2
和/>
Figure QLYQS_3
为源时间序列数据中的序号，分别代表该片段的起点和终点序号，计算段内数据的协方差矩阵/>
Figure QLYQS_4
：
Figure QLYQS_5
其中，
Figure QLYQS_6
为段内数据的均值，/>
Figure QLYQS_7
为段内第/>
Figure QLYQS_8
个数据，/>
Figure QLYQS_9
为对计算结果的转置，对协方差矩阵进行SVD分解：/>
Figure QLYQS_10
；对于片段/>
Figure QLYQS_11
，计算如下：
Figure QLYQS_12
Figure QLYQS_13
其中，
Figure QLYQS_14
为段内第/>
Figure QLYQS_17
个数据的转置，/>
Figure QLYQS_19
是前p个最大主元对应的特征列向量组成的矩阵，/>
Figure QLYQS_16
为/>
Figure QLYQS_18
的转置，/>
Figure QLYQS_20
是/>
Figure QLYQS_21
个数据在前p个最大的主元的低维空间投影的均方误差；
Figure QLYQS_15
为基于Q指标的误差；
对于分为c段的方案
Figure QLYQS_22
，基于Q指标的总误差为隔断目标函数值之和：
Figure QLYQS_23
其中，
Figure QLYQS_24
为对于方案/>
Figure QLYQS_25
的基于Q指标的总误差。
2.根据权利要求1所述的基于数据驱动的数字孪生仿真方法，其特征在于：所述S1.2中，数据库采用吞吐量高、且进行压缩存储的时序数据库。
3.根据权利要求1所述的基于数据驱动的数字孪生仿真方法，其特征在于：所述S1.3中，将所述S1.1中获取的数据源加入一个有界队列中，新数据加入到队尾，旧数据从队头删除，队列内始终保持固定大小数据量。
4.根据权利要求1所述的基于数据驱动的数字孪生仿真方法，其特征在于：所述S1.4中，兼容自由模式进行数据处理。
5.根据权利要求1所述的基于数据驱动的数字孪生仿真方法，其特征在于：所述分段步骤中，通过迭代法进行寻优，步骤如下：
S2.1：给定时间序列
Figure QLYQS_26
，设定一个滑动窗口/>
Figure QLYQS_27
起始点处于序列/>
Figure QLYQS_28
起始点位置；
S2.2：依次从
Figure QLYQS_29
中截取长度为/>
Figure QLYQS_30
的一端数据/>
Figure QLYQS_31
，对/>
Figure QLYQS_32
进行分段，直至窗口/>
Figure QLYQS_33
终点与时间序列/>
Figure QLYQS_34
终点重合；
S2.3：从S中所有分段中找
Figure QLYQS_35
最大的段，该段的长度为/>
Figure QLYQS_36
；遍历/>
Figure QLYQS_37
中所有位置，寻找位置k使得/>
Figure QLYQS_38
最小；将段/>
Figure QLYQS_39
在位置k分为两个段：
Figure QLYQS_40
和/>
Figure QLYQS_41
；直至满足终止条件。
6.根据权利要求5所述的基于数据驱动的数字孪生仿真方法，其特征在于：所述差值处理步骤中，通过对数据流中的多维特征变量时间序列按照所属类别进行分段，使得段内数据相关性结构一致，再进行差值处理，实现对数据的准确预测。
7.根据权利要求1所述的基于数据驱动的数字孪生仿真方法，其特征在于：所述S1.5中通过Websocket应用层协议将形成标准的数据流主动推送给ue4驱动模型。
CN202310195828.6A 2023-03-03 2023-03-03 基于数据驱动的数字孪生仿真方法 Active CN115914410B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310195828.6A CN115914410B (zh) 2023-03-03 2023-03-03 基于数据驱动的数字孪生仿真方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310195828.6A CN115914410B (zh) 2023-03-03 2023-03-03 基于数据驱动的数字孪生仿真方法

Publications (2)

Publication Number Publication Date
CN115914410A CN115914410A (zh) 2023-04-04
CN115914410B true CN115914410B (zh) 2023-07-14

Family

ID=86489973

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310195828.6A Active CN115914410B (zh) 2023-03-03 2023-03-03 基于数据驱动的数字孪生仿真方法

Country Status (1)

Country Link
CN (1) CN115914410B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112926770A (zh) * 2021-02-22 2021-06-08 胡书恺 一种基于数字孪生的统一数据计量采集系统
CN114357732A (zh) * 2021-12-17 2022-04-15 中国电子科技集团公司第三十八研究所 电子装备数字孪生模型及其构建方法和应用
CN115034638A (zh) * 2022-06-21 2022-09-09 海尔数字科技（上海）有限公司 数字孪生处理方法及数字孪生系统
CN115080275A (zh) * 2022-07-12 2022-09-20 泽恩科技有限公司 一种基于实时数据模型的孪生服务组件及其方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160337424A1 (en) * 2015-05-13 2016-11-17 Qualcomm Incorporated Transferring media data using a websocket subprotocol
CN112800106B (zh) * 2021-01-15 2022-04-01 上海大学 一种基于数字孪生技术采用历史数据驱动虚拟模型仿真的方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112926770A (zh) * 2021-02-22 2021-06-08 胡书恺 一种基于数字孪生的统一数据计量采集系统
CN114357732A (zh) * 2021-12-17 2022-04-15 中国电子科技集团公司第三十八研究所 电子装备数字孪生模型及其构建方法和应用
CN115034638A (zh) * 2022-06-21 2022-09-09 海尔数字科技（上海）有限公司 数字孪生处理方法及数字孪生系统
CN115080275A (zh) * 2022-07-12 2022-09-20 泽恩科技有限公司 一种基于实时数据模型的孪生服务组件及其方法

Also Published As

Publication number Publication date
CN115914410A (zh) 2023-04-04

Similar Documents

Publication Publication Date Title
Kabiljo et al. Social hash partitioner: a scalable distributed hypergraph partitioner
US11663213B2 (en) Distinct value estimation for query planning
EP2321746B1 (en) Efficient large-scale processing of column based data encoded structures
Paparrizos et al. VergeDB: A Database for IoT Analytics on Edge Devices.
CN100416560C (zh) 通过在线和离线组件聚类进化数据流的方法和设备
CN116701398A (zh) 存储器中数据库的选择性数据压缩
EP3940555A2 (en) Method and apparatus of processing information, method and apparatus of recommending information, electronic device, and storage medium
CN111489201A (zh) 一种客户价值分析的方法、设备、存储介质
CN113032427B (zh) 一种用于cpu和gpu平台的向量化查询处理方法
WO2022047335A1 (en) Systems and methods for artificial intelligence-based data system optimization
CN111898698A (zh) 对象的处理方法及装置、存储介质和电子设备
CN110263917B (zh) 一种神经网络压缩方法及装置
CN115914410B (zh) 基于数据驱动的数字孪生仿真方法
CN114841309A (zh) 数据处理方法、装置以及电子设备
CN112182031B (zh) 数据查询方法及装置、存储介质、电子装置
CN114895985B (zh) 一种面向基于采样的图神经网络训练的数据加载系统
Wang et al. EL-rec: Efficient large-scale recommendation model training via tensor-train embedding table
CN112463904B (zh) 一种分布式空间矢量数据与单点空间数据混合分析方法
CN116257584A (zh) 数据同步方法及装置
CN112783740B (zh) 一种基于时间序列特征的服务器性能预测方法及系统
CN113609126B (zh) 一种众源时空数据的一体化存储管理方法及系统
US10324943B2 (en) Auto-monitoring and adjustment of dynamic data visualizations
WO2017186049A1 (zh) 信息处理方法和装置
WO2024021630A1 (zh) 一种计算指标数据的方法和装置
CN116011551B (zh) 优化数据加载的图采样训练方法、系统、设备及存储介质

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