CN116029571B - 基于元宇宙的数据处理方法及相关装置 - Google Patents
基于元宇宙的数据处理方法及相关装置 Download PDFInfo
- Publication number
- CN116029571B CN116029571B CN202310319453.XA CN202310319453A CN116029571B CN 116029571 B CN116029571 B CN 116029571B CN 202310319453 A CN202310319453 A CN 202310319453A CN 116029571 B CN116029571 B CN 116029571B
- Authority
- CN
- China
- Prior art keywords
- data
- decision
- target
- operation data
- model
- 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
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及数据处理领域,公开了一种基于元宇宙的数据处理方法及相关装置,用于实现智能化运营数据分析决策并提高运营数据决策的准确率。方法包括:获取每种数据源的数据类型并查询数据分类策略,根据数据分类策略对原始运营数据进行数据分类提取,得到多个目标运营数据;获取数据类型与决策之间的映射关系并匹配目标决策类型;根据目标决策类型获取每个目标运营数据对应的目标决策模型;分别将多个目标运营数据输入目标决策模型进行决策分析,生成对应的决策结果;将每个目标运营数据对应的决策结果反馈至元宇宙业务系统,并通过元宇宙业务系统对决策结果进行智能化运营。
Description
技术领域
本发明涉及数据处理领域,尤其涉及一种基于元宇宙的数据处理方法及相关装置。
背景技术
元宇宙业务系统是指基于虚拟现实技术,用户可以在其中进行互动、交流、创造等活动的系统。该系统可以应用于多个领域,如游戏、教育、文化娱乐、社交等,具有极大的商业潜力和发展前景。智能决策是基于多年智能决策模型算法研发和各行业痛点场景积累而推出的智能软件系统。通过智能决策算法模型结合元宇宙元素,提升决策准确率。
决策模型算法研发和各行业痛点场景积累而推出的智能决策优化引擎和数据治理模块,现有方案无法实现智能化的运营决策,进而导致运营决策的准确率低。
发明内容
本发明提供了一种基于元宇宙的数据处理方法及相关装置,用于实现智能化运营数据分析决策并提高运营数据决策的准确率。
本发明第一方面提供了一种基于元宇宙的数据处理方法,所述基于元宇宙的数据处理方法包括:
基于预置的元宇宙业务系统获取待处理的原始运营数据,并对所述原始运营数据进行数据源解析,得到多种数据源,并获取每种数据源的数据类型;
根据所述数据类型查询数据分类策略,并根据所述数据分类策略对所述原始运营数据进行数据分类提取,得到多个目标运营数据;
获取预置的数据类型与决策之间的映射关系,并根据所述映射关系匹配每个目标运营数据对应的目标决策类型,其中,所述目标决策类型包括以下至少一种:分配、调度、成本控制、权限管理、路径以及编程;
根据所述目标决策类型,从预置的决策模型集合中获取每个目标运营数据对应的目标决策模型,其中,所述决策模型集合包括:智能生产制造优化模型、智能生产排程优化模型、仓储管理优化模型、分配调度决策模型、智能广告投放模型、智能收益管理模型、智能家居编程维护模型以及维修调度优化模型;
分别将所述多个目标运营数据输入所述目标决策模型进行决策分析,生成每个目标运营数据对应的决策结果;
将每个目标运营数据对应的决策结果反馈至所述元宇宙业务系统,并通过所述元宇宙业务系统对所述决策结果进行智能化运营。
结合第一方面,在本发明第一方面的第一实施方式中,所述基于预置的元宇宙业务系统获取待处理的原始运营数据,并对所述原始运营数据进行数据源解析,得到多种数据源,并获取每种数据源的数据类型,包括:
基于预置的元宇宙业务系统获取待处理的原始运营数据;
对所述原始运营数据进行关键字段提取,得到至少一个关键字段,并获取所述至少一个关键字段对应的字段属性;
根据所述字段属性,对所述原始运营数据进行数据源解析,得到多种数据源,并获取每种数据源的数据类型。
结合第一方面,在本发明第一方面的第二实施方式中,所述根据所述数据类型查询数据分类策略,并根据所述数据分类策略对所述原始运营数据进行数据分类提取,得到多个目标运营数据,包括:
根据所述数据类型,从预置的数据分类表中查询每个数据类型对应的数据分类策略;
根据每个数据类型对应的数据分类策略,对所述原始运营数据进行数据标识提取,得到目标数据标识;
根据所述目标数据标识,对所述原始运营数据进行数据分类提取,得到多个目标运营数据。
结合第一方面,在本发明第一方面的第三实施方式中,所述获取预置的数据类型与决策之间的映射关系,并根据所述映射关系匹配每个目标运营数据对应的目标决策类型,其中,所述目标决策类型包括以下至少一种:分配、调度、成本控制、权限管理、路径以及编程,包括:
获取预置的数据类型与决策之间的映射关系;
计算所述映射关系与每个运营数据之间的相似度;
根据所述相似度,匹配每个目标运营数据对应的目标决策类型,其中,所述目标决策类型包括以下至少一种:分配、调度、成本控制、权限管理、路径以及编程。
结合第一方面,在本发明第一方面的第四实施方式中,所述根据所述目标决策类型,从预置的决策模型集合中获取每个目标运营数据对应的目标决策模型,包括:
获取每一决策类型对应的至少一个决策模型,并根据所述至少一个决策模型构建决策模型集合,其中,所述决策模型集合包括:智能生产制造优化模型、智能生产排程优化模型、仓储管理优化模型、分配调度决策模型、智能广告投放模型、智能收益管理模型、智能家居编程维护模型以及维修调度优化模型;
根据所述目标决策类型,从所述决策模型集合中获取每个目标运营数据对应的目标决策模型,其中,所述目标决策模型包括所述决策模型集合中的至少一个决策模型。
结合第一方面,在本发明第一方面的第五实施方式中,所述分别将所述多个目标运营数据输入所述目标决策模型进行决策分析,生成每个目标运营数据对应的决策结果,包括:
分别将所述多个目标运营数据输入所述目标决策模型;
通过所述目标决策模型对每个目标运营数据进行决策分析,生成每个目标运营数据对应的决策因子;
对每个目标运营数据对应的决策因子进行决策方案生成,输出每个目标运营数据对应的决策结果。
结合第一方面,在本发明第一方面的第六实施方式中,所述基于元宇宙的数据处理方法还包括:
获取多个结构化运营数据;
分别将所述多个结构化运营数据输入所述决策模型集合中的多个决策模型进行决策模型训练迭代,得到多个训练完成的决策模型;
根据所述多个训练完成的决策模型,对所述决策模型集合进行模型优化,生成优化决策模型集合。
本发明第二方面提供了一种基于元宇宙的数据处理装置,所述基于元宇宙的数据处理装置包括:
获取模块,用于基于预置的元宇宙业务系统获取待处理的原始运营数据,并对所述原始运营数据进行数据源解析,得到多种数据源,并获取每种数据源的数据类型;
分类模块,用于根据所述数据类型查询数据分类策略,并根据所述数据分类策略对所述原始运营数据进行数据分类提取,得到多个目标运营数据;
匹配模块,用于获取预置的数据类型与决策之间的映射关系,并根据所述映射关系匹配每个目标运营数据对应的目标决策类型,其中,所述目标决策类型包括以下至少一种:分配、调度、成本控制、权限管理、路径以及编程;
处理模块,用于根据所述目标决策类型,从预置的决策模型集合中获取每个目标运营数据对应的目标决策模型,其中,所述决策模型集合包括:智能生产制造优化模型、智能生产排程优化模型、仓储管理优化模型、分配调度决策模型、智能广告投放模型、智能收益管理模型、智能家居编程维护模型以及维修调度优化模型;
分析模块,用于分别将所述多个目标运营数据输入所述目标决策模型进行决策分析,生成每个目标运营数据对应的决策结果;
反馈模块,用于将每个目标运营数据对应的决策结果反馈至所述元宇宙业务系统,并通过所述元宇宙业务系统对所述决策结果进行智能化运营。
结合第二方面,在本发明第二方面的第一实施方式中,所述获取模块具体用于:
基于预置的元宇宙业务系统获取待处理的原始运营数据;
对所述原始运营数据进行关键字段提取,得到至少一个关键字段,并获取所述至少一个关键字段对应的字段属性;
根据所述字段属性,对所述原始运营数据进行数据源解析,得到多种数据源,并获取每种数据源的数据类型。
结合第二方面,在本发明第二方面的第二实施方式中,所述分类模块具体用于:
根据所述数据类型,从预置的数据分类表中查询每个数据类型对应的数据分类策略;
根据每个数据类型对应的数据分类策略,对所述原始运营数据进行数据标识提取,得到目标数据标识;
根据所述目标数据标识,对所述原始运营数据进行数据分类提取,得到多个目标运营数据。
结合第二方面,在本发明第二方面的第三实施方式中,所述匹配模块具体用于:
获取预置的数据类型与决策之间的映射关系;
计算所述映射关系与每个运营数据之间的相似度;
根据所述相似度,匹配每个目标运营数据对应的目标决策类型,其中,所述目标决策类型包括以下至少一种:分配、调度、成本控制、权限管理、路径以及编程。
结合第二方面,在本发明第二方面的第四实施方式中,所述处理模块具体用于:
获取每一决策类型对应的至少一个决策模型,并根据所述至少一个决策模型构建决策模型集合,其中,所述决策模型集合包括:智能生产制造优化模型、智能生产排程优化模型、仓储管理优化模型、分配调度决策模型、智能广告投放模型、智能收益管理模型、智能家居编程维护模型以及维修调度优化模型;
根据所述目标决策类型,从所述决策模型集合中获取每个目标运营数据对应的目标决策模型,其中,所述目标决策模型包括所述决策模型集合中的至少一个决策模型。
结合第二方面,在本发明第二方面的第五实施方式中,所述分析模块具体用于:
分别将所述多个目标运营数据输入所述目标决策模型;
通过所述目标决策模型对每个目标运营数据进行决策分析,生成每个目标运营数据对应的决策因子;
对每个目标运营数据对应的决策因子进行决策方案生成,输出每个目标运营数据对应的决策结果。
结合第二方面,在本发明第二方面的第六实施方式中,所述基于元宇宙的数据处理装置还包括:
迭代模块,用于获取多个结构化运营数据;分别将所述多个结构化运营数据输入所述决策模型集合中的多个决策模型进行决策模型训练迭代,得到多个训练完成的决策模型;根据所述多个训练完成的决策模型,对所述决策模型集合进行模型优化,生成优化决策模型集合。
本发明第三方面提供了一种基于元宇宙的数据处理设备,包括:存储器和至少一个处理器,所述存储器中存储有指令;所述至少一个处理器调用所述存储器中的所述指令,以使得所述基于元宇宙的数据处理设备执行上述的基于元宇宙的数据处理方法。
本发明的第四方面提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有指令,当其在计算机上运行时,使得计算机执行上述的基于元宇宙的数据处理方法。
本发明提供的技术方案中,获取每种数据源的数据类型;根据数据类型查询数据分类策略,并根据数据分类策略对原始运营数据进行数据分类提取,得到多个目标运营数据;获取数据类型与决策之间的映射关系,并根据映射关系匹配目标决策类型;根据目标决策类型,从决策模型集合中获取每个目标运营数据对应的目标决策模型;分别将多个目标运营数据输入目标决策模型进行决策分析,生成每个目标运营数据对应的决策结果;将每个目标运营数据对应的决策结果反馈至元宇宙业务系统,并通过元宇宙业务系统对决策结果进行智能化运营,本发明通过对原始运营数据中的多种数据类型进行分类运算,然后匹配对应的目标决策模型进行智能化决策,提升了元宇宙业务系统对分配、调度、成本控制、权限管理、路径以及编程这几种类型的决策准确率,实现了智能化的运营数据分析以及决策处理。
附图说明
图1为本发明实施例中基于元宇宙的数据处理方法的一个实施例示意图;
图2为本发明实施例中数据分类提取的流程图;
图3为本发明实施例中匹配目标决策类型的流程图;
图4为本发明实施例中获取目标决策模型的流程图;
图5为本发明实施例中基于元宇宙的数据处理装置的一个实施例示意图;
图6为本发明实施例中基于元宇宙的数据处理装置的另一个实施例示意图;
图7为本发明实施例中基于元宇宙的数据处理设备的一个实施例示意图。
具体实施方式
本发明实施例提供了一种基于元宇宙的数据处理方法及相关装置,用于实现智能化运营数据分析决策并提高运营数据决策的准确率。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”、“第三”、“第四”等(如果存在)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。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外,术语“包括”或“具有”及其任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解,下面对本发明实施例的具体流程进行描述,请参阅图1,本发明实施例中基于元宇宙的数据处理方法的一个实施例包括:
S101、基于预置的元宇宙业务系统获取待处理的原始运营数据,并对原始运营数据进行数据源解析,得到多种数据源,并获取每种数据源的数据类型;
可以理解的是,本发明的执行主体可以为基于元宇宙的数据处理装置,还可以是终端或者服务器,具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。
具体的,服务器基于预置的元宇宙业务系统获取待处理的原始运营数据预置的元宇宙业务系统是指已经搭建好的系统,用来收集和处理运营数据。通过该系统获取待处理的原始运营数据。对原始运营数据进行数据源解析原始运营数据可能来自于多个数据源,需要进行数据源解析,将数据按照不同的来源进行分类,方便后续处理和分析。得到多种数据源,并获取每种数据源的数据类型在进行数据源解析后,我们可以得到多种数据源,每种数据源都有其特定的数据类型,如数字、文本、日期等,对于每种数据源,进行数据类型的识别和分类,以便后续的数据清洗、转换和分析。
S102、根据数据类型查询数据分类策略,并根据数据分类策略对原始运营数据进行数据分类提取,得到多个目标运营数据;
具体的,服务器首先确定要查询的数据类型,如用户行为数据、销售数据、营销数据等,进一步的,根据不同的数据类型,查询相应的数据分类策略,需要说明的是,数据分类策略可以包括数据分段、数据聚合、数据过滤等方法,进而,服务器根据查询到的数据分类策略,对原始运营数据进行数据分类提取,需要说明的是,对于不同的数据类型,可以采用不同的数据分类策略,例如:用户行为数据:对于用户行为数据,可以采用数据分段的方法进行分类,将用户行为数据按照时间、地域、设备、行为类型等维度进行分段。对于销售数据,可以采用数据聚合的方法进行分类,将销售数据按照产品类别、销售地域、销售时间等维度进行聚合,对于营销数据,可以采用数据过滤的方法进行分类,将营销数据按照营销渠道、受众人群、营销方案等维度进行过滤。通过以上的数据分类策略,可以对原始运营数据进行分类提取,得到多个目标运营数据。
S103、获取预置的数据类型与决策之间的映射关系,并根据映射关系匹配每个目标运营数据对应的目标决策类型,其中,目标决策类型包括以下至少一种:分配、调度、成本控制、权限管理、路径以及编程;
需要说明的是,服务器首先确定预置的数据类型,如用户行为数据、销售数据、营销数据等,进一步的,服务器根据业务需求,确定需要进行的决策类型,如分配、调度、成本控制、权限管理、路径以及编程等,进一步的,在确定好数据类型和决策类型之后,建立数据类型以及决策类型之间的映射关系,进而,服务器将建立好的映射关系存储到数据库或文件中,需要说明的是,在服务器根据映射关系匹配每个目标运营数据对应的目标决策类型时,服务器首先需要获取每个目标运营数据,进而服务器根据获取到的目标运营数据,确定其对应的数据类型,其中,服务器通过查询存储的映射关系,确定该数据类型行对应的目标决策类型,需要说明的是,在服务器确定目标决策类型时,服务器通过查询存储的映射关系,确定该数据类型对应的目标决策类型,最终,服务器将每个目标运营数据对应的目标决策类型存储到数据库或文件中。
S104、根据目标决策类型,从预置的决策模型集合中获取每个目标运营数据对应的目标决策模型,其中,决策模型集合包括:智能生产制造优化模型、智能生产排程优化模型、仓储管理优化模型、分配调度决策模型、智能广告投放模型、智能收益管理模型、智能家居编程维护模型以及维修调度优化模型;
具体的,根据目标决策类型,从预置的决策模型集合中获取每个目标运营数据对应的目标决策模型,其中,根据目标决策类型,匹配到对应的决策模型,首先需要了解目标运营数据,包括数据类型、数据来源、数据量、数据质量等,进一步的,服务器根据目标运营数据的数据类型,确定所需要的目标决策类型,例如生产调度、物流配送、市场营销等,进而,服务器根据目标决策类型,从预置的决策模型集合中获取对应的决策模型集合。例如,如果目标决策类型为生产调度,可以从决策模型集合中选择智能生产排程优化模型、智能生产制造优化模型等,最终,服务器根据目标运营数据确定适合的决策模型。例如,如果目标运营数据中包含大量的历史生产数据,可以选择基于历史数据的预测模型,其中,需要说明的是,决策模型集合包括:智能生产制造优化模型、智能生产排程优化模型、仓储管理优化模型、分配调度决策模型、智能广告投放模型、智能收益管理模型、智能家居编程维护模型以及维修调度优化模型。
S105、分别将多个目标运营数据输入目标决策模型进行决策分析,生成每个目标运营数据对应的决策结果;
具体的,服务器从数据源中获取多个目标运营数据,对数据进行清洗、处理、转换等操作,根据每个目标运营数据的类型和特点,从预置的决策模型集合中选择相应的决策模型,例如生产调度、物流配送、市场营销等,将目标运营数据输入到所选择的决策模型中,进行决策分析,根据所输入的目标运营数据和决策模型,生成每个目标运营数据对应的决策结果,需要说明的是,决策结果可以是数字、图表、文本等形式,具体形式根据业务需求而定,在本发明实施例中,还可以对生成的决策结果进行验证和调整,确保结果的准确性和可靠性,具体的,可以通过历史数据或者模拟数据进行验证,对模型进行调整优化。
S106、将每个目标运营数据对应的决策结果反馈至元宇宙业务系统,并通过元宇宙业务系统对决策结果进行智能化运营。
具体的,根据业务需求,创建元宇宙业务系统,包括数据存储、数据处理、用户界面等,将每个目标运营数据对应的决策结果导入到元宇宙业务系统中,以便后续的运营分析和决策,通过元宇宙业务系统对决策结果进行智能化运营。
本发明实施例中,获取每种数据源的数据类型;根据数据类型查询数据分类策略,并根据数据分类策略对原始运营数据进行数据分类提取,得到多个目标运营数据;获取数据类型与决策之间的映射关系,并根据映射关系匹配目标决策类型;根据目标决策类型,从决策模型集合中获取每个目标运营数据对应的目标决策模型;分别将多个目标运营数据输入目标决策模型进行决策分析,生成每个目标运营数据对应的决策结果;将每个目标运营数据对应的决策结果反馈至元宇宙业务系统,并通过元宇宙业务系统对决策结果进行智能化运营,本发明通过对原始运营数据中的多种数据类型进行分类运算,然后匹配对应的目标决策模型进行智能化决策,提升了元宇宙业务系统对分配、调度、成本控制、权限管理、路径以及编程这几种类型的决策准确率,实现了智能化的运营数据分析以及决策处理。
在一具体实施例中,执行步骤S101的过程可以具体包括如下步骤:
(1)基于预置的元宇宙业务系统获取待处理的原始运营数据;
(2)对原始运营数据进行关键字段提取,得到至少一个关键字段,并获取至少一个关键字段对应的字段属性;
(3)根据字段属性,对原始运营数据进行数据源解析,得到多种数据源,并获取每种数据源的数据类型。
具体的,服务器基于预置的元宇宙业务系统获取待处理的原始运营数据,从数据源中获取原始运营数据,对数据进行清洗、处理、转换等处理,进一步的,确定关键字段,服务器根据业务需求和分析目的,确定需要提取的关键字段,例如订单号、产品编号、客户ID等,通过数据挖掘、机器学习等技术,从原始运营数据中提取关键字段,并将其存储到数据仓库或数据集合中,需要说明的是,对于每个关键字段,获取其对应的字段属性,包括数据类型、长度、精度等信息,这个过程可以通过数据字典或元数据管理工具来实现,最终,服务器根据字段属性,对原始运营数据进行数据源解析,得到多种数据源,并获取每种数据源的数据类型。
在一具体实施例中,如图2所示,执行步骤S102的过程可以具体包括如下步骤:
S201、根据数据类型,从预置的数据分类表中查询每个数据类型对应的数据分类策略;
S202、根据每个数据类型对应的数据分类策略,对原始运营数据进行数据标识提取,得到目标数据标识;
S203、根据目标数据标识,对原始运营数据进行数据分类提取,得到多个目标运营数据。
具体的,服务器确定需要查询的数据类型,例如文本、数字、日期,进一步的,从预置的数据分类表中查找所选数据类型对应的数据分类策略,该表中应该包括各种数据类型及其对应的分类策略,进而,服务器根据查询结果,获取所选数据类型对应的数据分类策略,该策略应该包括数据分类的规则、方法、工具等,例如,服务器查询文本数据类型的分类策略,进而从预置的数据分类表中查找文本数据类型对应的数据分类策略,该表中应该包括各种数据类型及其对应的分类策略,最终,服务器根据查询结果,获取文本数据类型对应的数据分类策略,进一步的,服务器根据每个数据类型对应的数据分类策略,对原始运营数据进行数据标识提取,得到目标数据标识,根据目标数据标识,对原始运营数据进行数据分类提取,得到多个目标运营数据。
在一具体实施例中,如图3所示,执行步骤S103的过程可以具体包括如下步骤:
S301、获取预置的数据类型与决策之间的映射关系;
S302、计算映射关系与每个运营数据之间的相似度;
S303、根据相似度,匹配每个目标运营数据对应的目标决策类型,其中,目标决策类型包括以下至少一种:分配、调度、成本控制、权限管理、路径以及编程。
具体的,服务器获取预置的数据类型与决策之间的映射关系,其中,在计算映射关系与每个运营数据之间的相似度时,可以通过各种相似度计算方法,例如余弦相似度、欧几里得距离等。根据相似度匹配每个目标运营数据对应的目标决策类型时,设定一个阈值,只有当相似度超过该阈值时才进行匹配,匹配时可以根据相似度的大小,按照从大到小的顺序匹配,直到确定一个合适的目标决策类型为止,最终,服务器根据相似度,匹配每个目标运营数据对应的目标决策类型,其中,目标决策类型包括以下至少一种:分配、调度、成本控制、权限管理、路径以及编程。
在一具体实施例中,如图4所示,执行步骤S104的过程可以具体包括如下步骤:
S401、获取每一决策类型对应的至少一个决策模型,并根据至少一个决策模型构建决策模型集合,其中,决策模型集合包括:智能生产制造优化模型、智能生产排程优化模型、仓储管理优化模型、分配调度决策模型、智能广告投放模型、智能收益管理模型、智能家居编程维护模型以及维修调度优化模型;
S402、根据目标决策类型,从决策模型集合中获取每个目标运营数据对应的目标决策模型,其中,目标决策模型包括决策模型集合中的至少一个决策模型。
具体的,服务器获取每一决策类型对应的至少一个决策模型,并根据至少一个决策模型构建决策模型集合,其中,决策模型集合包括:智能生产制造优化模型、智能生产排程优化模型、仓储管理优化模型、分配调度决策模型、智能广告投放模型、智能收益管理模型、智能家居编程维护模型以及维修调度优化模型,根据目标决策类型,从决策模型集合中获取每个目标运营数据对应的目标决策模型,其中,目标决策模型包括决策模型集合中的至少一个决策模型。
在一具体实施例中,执行步骤S105的过程可以具体包括如下步骤:
(1)分别将多个目标运营数据输入目标决策模型;
(2)通过目标决策模型对每个目标运营数据进行决策分析,生成每个目标运营数据对应的决策因子;
(3)对每个目标运营数据对应的决策因子进行决策方案生成,输出每个目标运营数据对应的决策结果。
具体的,服务器分别将多个目标运营数据输入目标决策模型,进而,服务器根据目标运营数据和对应的目标决策模型,确定适用于该目标运营数据的决策因子,其中,服务器依据目标运营数据的类型,采集相关数据,包括历史数据、市场数据、产品数据等,对采集到的数据进行处理和分析,得出相应的指标和数据结果,将得出的指标和数据结果代入目标决策模型中,进行决策分析,最终,服务器根据分析结果,生成每个目标运营数据对应的决策因子。以物流配送问题为例,假设选用线性规划模型进行决策分析,具体的,服务器确定适用于该目标运营数据的决策因子,采集相关数据,包括历史配送数据、市场需求数据、产品类型数据等,对采集到的数据进行处理和分析,得出相应的指标和数据结果,例如不同地区的配送需求量、不同产品的配送数量等,将得出的指标和数据结果代入线性规划模型中,进行决策分析,最终,根据分析结果,生成每个目标运营数据对应的决策因子。
在一具体实施例中,上述基于元宇宙的数据处理方法还包括如下步骤:
(1)获取多个结构化运营数据;
(2)分别将多个结构化运营数据输入决策模型集合中的多个决策模型进行决策模型训练迭代,得到多个训练完成的决策模型;
(3)根据多个训练完成的决策模型,对决策模型集合进行模型优化,生成优化决策模型集合。
具体的,获取多个结构化运营数据,进而,服务器收集多个结构化运营数据,包括历史数据、市场数据、产品数据等,进一步的,服务器选择适合的决策模型集合和多个决策模型,例如分类模型、聚类模型、回归模型等,将收集到的运营数据输入到各个决策模型中进行训练,得到初步的训练结果,对初步的训练结果进行评估和优化,例如根据训练结果的准确度和泛化能力,选择最优的模型参数和算法,根据评估和优化的结果,重新训练决策模型,得到训练完成的多个决策模型,最终,服务器根据多个训练完成的决策模型,对决策模型集合进行模型优化,生成优化决策模型集合。
上面对本发明实施例中基于元宇宙的数据处理方法进行了描述,下面对本发明实施例中基于元宇宙的数据处理装置进行描述,请参阅图5,本发明实施例中基于元宇宙的数据处理装置一个实施例包括:
获取模块501,用于基于预置的元宇宙业务系统获取待处理的原始运营数据,并对所述原始运营数据进行数据源解析,得到多种数据源,并获取每种数据源的数据类型;
分类模块502,用于根据所述数据类型查询数据分类策略,并根据所述数据分类策略对所述原始运营数据进行数据分类提取,得到多个目标运营数据;
匹配模块503,用于获取预置的数据类型与决策之间的映射关系,并根据所述映射关系匹配每个目标运营数据对应的目标决策类型,其中,所述目标决策类型包括以下至少一种:分配、调度、成本控制、权限管理、路径以及编程;
处理模块504,用于根据所述目标决策类型,从预置的决策模型集合中获取每个目标运营数据对应的目标决策模型,其中,所述决策模型集合包括:智能生产制造优化模型、智能生产排程优化模型、仓储管理优化模型、分配调度决策模型、智能广告投放模型、智能收益管理模型、智能家居编程维护模型以及维修调度优化模型;
分析模块505,用于分别将所述多个目标运营数据输入所述目标决策模型进行决策分析,生成每个目标运营数据对应的决策结果;
反馈模块506,用于将每个目标运营数据对应的决策结果反馈至所述元宇宙业务系统,并通过所述元宇宙业务系统对所述决策结果进行智能化运营。
通过上述各个组成部分的协同合作,获取每种数据源的数据类型;根据数据类型查询数据分类策略,并根据数据分类策略对原始运营数据进行数据分类提取,得到多个目标运营数据;获取数据类型与决策之间的映射关系,并根据映射关系匹配目标决策类型;根据目标决策类型,从决策模型集合中获取每个目标运营数据对应的目标决策模型;分别将多个目标运营数据输入目标决策模型进行决策分析,生成每个目标运营数据对应的决策结果;将每个目标运营数据对应的决策结果反馈至元宇宙业务系统,并通过元宇宙业务系统对决策结果进行智能化运营,本发明通过对原始运营数据中的多种数据类型进行分类运算,然后匹配对应的目标决策模型进行智能化决策,提升了元宇宙业务系统对分配、调度、成本控制、权限管理、路径以及编程这几种类型的决策准确率,实现了智能化的运营数据分析以及决策处理。
请参阅图6,本发明实施例中基于元宇宙的数据处理装置另一个实施例包括:
获取模块501,用于基于预置的元宇宙业务系统获取待处理的原始运营数据,并对所述原始运营数据进行数据源解析,得到多种数据源,并获取每种数据源的数据类型;
分类模块502,用于根据所述数据类型查询数据分类策略,并根据所述数据分类策略对所述原始运营数据进行数据分类提取,得到多个目标运营数据;
匹配模块503,用于获取预置的数据类型与决策之间的映射关系,并根据所述映射关系匹配每个目标运营数据对应的目标决策类型,其中,所述目标决策类型包括以下至少一种:分配、调度、成本控制、权限管理、路径以及编程;
处理模块504,用于根据所述目标决策类型,从预置的决策模型集合中获取每个目标运营数据对应的目标决策模型,其中,所述决策模型集合包括:智能生产制造优化模型、智能生产排程优化模型、仓储管理优化模型、分配调度决策模型、智能广告投放模型、智能收益管理模型、智能家居编程维护模型以及维修调度优化模型;
分析模块505,用于分别将所述多个目标运营数据输入所述目标决策模型进行决策分析,生成每个目标运营数据对应的决策结果;
反馈模块506,用于将每个目标运营数据对应的决策结果反馈至所述元宇宙业务系统,并通过所述元宇宙业务系统对所述决策结果进行智能化运营。
可选的,所述获取模块501具体用于:
基于预置的元宇宙业务系统获取待处理的原始运营数据;
对所述原始运营数据进行关键字段提取,得到至少一个关键字段,并获取所述至少一个关键字段对应的字段属性;
根据所述字段属性,对所述原始运营数据进行数据源解析,得到多种数据源,并获取每种数据源的数据类型。
可选的,所述分类模块502具体用于:
根据所述数据类型,从预置的数据分类表中查询每个数据类型对应的数据分类策略;
根据每个数据类型对应的数据分类策略,对所述原始运营数据进行数据标识提取,得到目标数据标识;
根据所述目标数据标识,对所述原始运营数据进行数据分类提取,得到多个目标运营数据。
可选的,所述匹配模块503具体用于:
获取预置的数据类型与决策之间的映射关系;
计算所述映射关系与每个运营数据之间的相似度;
根据所述相似度,匹配每个目标运营数据对应的目标决策类型,其中,所述目标决策类型包括以下至少一种:分配、调度、成本控制、权限管理、路径以及编程。
可选的,所述处理模块504具体用于:
获取每一决策类型对应的至少一个决策模型,并根据所述至少一个决策模型构建决策模型集合,其中,所述决策模型集合包括:智能生产制造优化模型、智能生产排程优化模型、仓储管理优化模型、分配调度决策模型、智能广告投放模型、智能收益管理模型、智能家居编程维护模型以及维修调度优化模型;
根据所述目标决策类型,从所述决策模型集合中获取每个目标运营数据对应的目标决策模型,其中,所述目标决策模型包括所述决策模型集合中的至少一个决策模型。
可选的,所述分析模块505具体用于:
分别将所述多个目标运营数据输入所述目标决策模型;
通过所述目标决策模型对每个目标运营数据进行决策分析,生成每个目标运营数据对应的决策因子;
对每个目标运营数据对应的决策因子进行决策方案生成,输出每个目标运营数据对应的决策结果。
可选的,所述基于元宇宙的数据处理装置还包括:
迭代模块507,用于获取多个结构化运营数据;分别将所述多个结构化运营数据输入所述决策模型集合中的多个决策模型进行决策模型训练迭代,得到多个训练完成的决策模型;根据所述多个训练完成的决策模型,对所述决策模型集合进行模型优化,生成优化决策模型集合。
本发明实施例中,获取每种数据源的数据类型;根据数据类型查询数据分类策略,并根据数据分类策略对原始运营数据进行数据分类提取,得到多个目标运营数据;获取数据类型与决策之间的映射关系,并根据映射关系匹配目标决策类型;根据目标决策类型,从决策模型集合中获取每个目标运营数据对应的目标决策模型;分别将多个目标运营数据输入目标决策模型进行决策分析,生成每个目标运营数据对应的决策结果;将每个目标运营数据对应的决策结果反馈至元宇宙业务系统,并通过元宇宙业务系统对决策结果进行智能化运营,本发明通过对原始运营数据中的多种数据类型进行分类运算,然后匹配对应的目标决策模型进行智能化决策,提升了元宇宙业务系统对分配、调度、成本控制、权限管理、路径以及编程这几种类型的决策准确率,实现了智能化的运营数据分析以及决策处理。
上面图5和图6从模块化功能实体的角度对本发明实施例中的基于元宇宙的数据处理装置进行详细描述,下面从硬件处理的角度对本发明实施例中基于元宇宙的数据处理设备进行详细描述。
图7是本发明实施例提供的一种基于元宇宙的数据处理设备的结构示意图,该基于元宇宙的数据处理设备600可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上处理器(central processing units,CPU)610(例如,一个或一个以上处理器)和存储器620,一个或一个以上存储应用程序633或数据632的存储介质630(例如一个或一个以上海量存储设备)。其中,存储器620和存储介质630可以是短暂存储或持久存储。存储在存储介质630的程序可以包括一个或一个以上模块(图示没标出),每个模块可以包括对基于元宇宙的数据处理设备600中的一系列指令操作。更进一步地,处理器610可以设置为与存储介质630通信,在基于元宇宙的数据处理设备600上执行存储介质630中的一系列指令操作。
基于元宇宙的数据处理设备600还可以包括一个或一个以上电源640,一个或一个以上有线或无线网络接口650,一个或一个以上输入输出接口660,和/或,一个或一个以上操作系统631,例如Windows Serve,Mac OS X,Unix,Linux,FreeBSD等等。本领域技术人员可以理解,图7示出的基于元宇宙的数据处理设备结构并不构成对基于元宇宙的数据处理设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
本发明还提供一种基于元宇宙的数据处理设备,所述基于元宇宙的数据处理设备包括存储器和处理器,存储器中存储有计算机可读指令,计算机可读指令被处理器执行时,使得处理器执行上述各实施例中的所述基于元宇宙的数据处理方法的步骤。
本发明还提供一种计算机可读存储介质,该计算机可读存储介质可以为非易失性计算机可读存储介质,该计算机可读存储介质也可以为易失性计算机可读存储介质,所述计算机可读存储介质中存储有指令,当所述指令在计算机上运行时,使得计算机执行所述基于元宇宙的数据处理方法的步骤。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
所述集成的单元如果以软件功能单元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全部或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,服务器,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(read-only memory,ROM)、随机存取存储器(random acceS memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (9)
1.一种基于元宇宙的数据处理方法,其特征在于,所述基于元宇宙的数据处理方法包括:
基于预置的元宇宙业务系统获取待处理的原始运营数据,并对所述原始运营数据进行数据源解析,得到多种数据源,并获取每种数据源的数据类型;
根据所述数据类型查询数据分类策略,并根据所述数据分类策略对所述原始运营数据进行数据分类提取,得到多个目标运营数据;
获取预置的数据类型与决策之间的映射关系,并根据所述映射关系匹配每个目标运营数据对应的目标决策类型,其中,所述目标决策类型包括以下至少一种:分配、调度、成本控制、权限管理、路径以及编程;其中,所述获取预置的数据类型与决策之间的映射关系,并根据所述映射关系匹配每个目标运营数据对应的目标决策类型,包括:获取预置的数据类型与决策之间的映射关系;计算所述映射关系与每个运营数据之间的相似度;根据所述相似度,匹配每个目标运营数据对应的目标决策类型;
根据所述目标决策类型,从预置的决策模型集合中获取每个目标运营数据对应的目标决策模型,其中,所述决策模型集合包括:智能生产制造优化模型、智能生产排程优化模型、仓储管理优化模型、分配调度决策模型、智能广告投放模型、智能收益管理模型、智能家居编程维护模型以及维修调度优化模型;
分别将所述多个目标运营数据输入所述目标决策模型进行决策分析,生成每个目标运营数据对应的决策结果;
将每个目标运营数据对应的决策结果反馈至所述元宇宙业务系统,并通过所述元宇宙业务系统对所述决策结果进行智能化运营。
2.根据权利要求1所述的基于元宇宙的数据处理方法,其特征在于,所述基于预置的元宇宙业务系统获取待处理的原始运营数据,并对所述原始运营数据进行数据源解析,得到多种数据源,并获取每种数据源的数据类型,包括:
基于预置的元宇宙业务系统获取待处理的原始运营数据;
对所述原始运营数据进行关键字段提取,得到至少一个关键字段,并获取所述至少一个关键字段对应的字段属性;
根据所述字段属性,对所述原始运营数据进行数据源解析,得到多种数据源,并获取每种数据源的数据类型。
3.根据权利要求1所述的基于元宇宙的数据处理方法,其特征在于,所述根据所述数据类型查询数据分类策略,并根据所述数据分类策略对所述原始运营数据进行数据分类提取,得到多个目标运营数据,包括:
根据所述数据类型,从预置的数据分类表中查询每个数据类型对应的数据分类策略;
根据每个数据类型对应的数据分类策略,对所述原始运营数据进行数据标识提取,得到目标数据标识;
根据所述目标数据标识,对所述原始运营数据进行数据分类提取,得到多个目标运营数据。
4.根据权利要求1所述的基于元宇宙的数据处理方法,其特征在于,所述根据所述目标决策类型,从预置的决策模型集合中获取每个目标运营数据对应的目标决策模型,包括:
获取每一决策类型对应的至少一个决策模型,并根据所述至少一个决策模型构建决策模型集合,其中,所述决策模型集合包括:智能生产制造优化模型、智能生产排程优化模型、仓储管理优化模型、分配调度决策模型、智能广告投放模型、智能收益管理模型、智能家居编程维护模型以及维修调度优化模型;
根据所述目标决策类型,从所述决策模型集合中获取每个目标运营数据对应的目标决策模型,其中,所述目标决策模型包括所述决策模型集合中的至少一个决策模型。
5.根据权利要求1所述的基于元宇宙的数据处理方法,其特征在于,所述分别将所述多个目标运营数据输入所述目标决策模型进行决策分析,生成每个目标运营数据对应的决策结果,包括:
分别将所述多个目标运营数据输入所述目标决策模型;
通过所述目标决策模型对每个目标运营数据进行决策分析,生成每个目标运营数据对应的决策因子;
对每个目标运营数据对应的决策因子进行决策方案生成,输出每个目标运营数据对应的决策结果。
6.根据权利要求1所述的基于元宇宙的数据处理方法,其特征在于,所述基于元宇宙的数据处理方法还包括:
获取多个结构化运营数据;
分别将所述多个结构化运营数据输入所述决策模型集合中的多个决策模型进行决策模型训练迭代,得到多个训练完成的决策模型;
根据所述多个训练完成的决策模型,对所述决策模型集合进行模型优化,生成优化决策模型集合。
7.一种基于元宇宙的数据处理装置,其特征在于,所述基于元宇宙的数据处理装置包括:
获取模块,用于基于预置的元宇宙业务系统获取待处理的原始运营数据,并对所述原始运营数据进行数据源解析,得到多种数据源,并获取每种数据源的数据类型;
分类模块,用于根据所述数据类型查询数据分类策略,并根据所述数据分类策略对所述原始运营数据进行数据分类提取,得到多个目标运营数据;
匹配模块,用于获取预置的数据类型与决策之间的映射关系,并根据所述映射关系匹配每个目标运营数据对应的目标决策类型,其中,所述目标决策类型包括以下至少一种:分配、调度、成本控制、权限管理、路径以及编程;其中,所述获取预置的数据类型与决策之间的映射关系,并根据所述映射关系匹配每个目标运营数据对应的目标决策类型,包括:获取预置的数据类型与决策之间的映射关系;计算所述映射关系与每个运营数据之间的相似度;根据所述相似度,匹配每个目标运营数据对应的目标决策类型;
处理模块,用于根据所述目标决策类型,从预置的决策模型集合中获取每个目标运营数据对应的目标决策模型,其中,所述决策模型集合包括:智能生产制造优化模型、智能生产排程优化模型、仓储管理优化模型、分配调度决策模型、智能广告投放模型、智能收益管理模型、智能家居编程维护模型以及维修调度优化模型;
分析模块,用于分别将所述多个目标运营数据输入所述目标决策模型进行决策分析,生成每个目标运营数据对应的决策结果;
反馈模块,用于将每个目标运营数据对应的决策结果反馈至所述元宇宙业务系统,并通过所述元宇宙业务系统对所述决策结果进行智能化运营。
8.一种基于元宇宙的数据处理设备,其特征在于,所述基于元宇宙的数据处理设备包括:存储器和至少一个处理器,所述存储器中存储有指令;
所述至少一个处理器调用所述存储器中的所述指令,以使得所述基于元宇宙的数据处理设备执行如权利要求1-6中任一项所述的基于元宇宙的数据处理方法。
9.一种计算机可读存储介质,所述计算机可读存储介质上存储有指令,其特征在于,所述指令被处理器执行时实现如权利要求1-6中任一项所述的基于元宇宙的数据处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310319453.XA CN116029571B (zh) | 2023-03-29 | 2023-03-29 | 基于元宇宙的数据处理方法及相关装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310319453.XA CN116029571B (zh) | 2023-03-29 | 2023-03-29 | 基于元宇宙的数据处理方法及相关装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116029571A CN116029571A (zh) | 2023-04-28 |
CN116029571B true CN116029571B (zh) | 2023-06-16 |
Family
ID=86089661
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310319453.XA Active CN116029571B (zh) | 2023-03-29 | 2023-03-29 | 基于元宇宙的数据处理方法及相关装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116029571B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116663938B (zh) * | 2023-07-28 | 2023-12-12 | 珠海大横琴泛旅游发展有限公司 | 基于企业数据中台系统的信息化管理方法及其相关装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2007147166A2 (en) * | 2006-06-16 | 2007-12-21 | Quantum Leap Research, Inc. | Consilence of data-mining |
WO2022206604A1 (zh) * | 2021-04-01 | 2022-10-06 | 腾讯科技(深圳)有限公司 | 分类模型训练和分类方法、装置、计算机设备和存储介质 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7100422B2 (ja) * | 2016-10-21 | 2022-07-13 | 富士通株式会社 | データプロパティ認識のための装置、プログラム、及び方法 |
CN108960950A (zh) * | 2017-05-23 | 2018-12-07 | 王四春 | 一种跨境电商商务大数据决策的智能系统及方法 |
CN107193994A (zh) * | 2017-06-07 | 2017-09-22 | 前海梧桐(深圳)数据有限公司 | 基于海量数据的企业决策点挖掘方法及其系统 |
CN109583796A (zh) * | 2019-01-08 | 2019-04-05 | 河南省灵山信息科技有限公司 | 一种用于物流园区运营分析的数据挖掘系统及方法 |
CN112633998B (zh) * | 2020-12-23 | 2024-03-22 | 航天信息股份有限公司海外业务分公司 | 税务大数据决策分析方法及系统 |
CN113590691B (zh) * | 2021-08-04 | 2024-06-28 | 浙江网商银行股份有限公司 | 目标对象处理方法以及装置 |
CN114691645A (zh) * | 2022-03-28 | 2022-07-01 | 孙超 | 基于数字化智能的大数据需求分析方法及服务器 |
CN115756407A (zh) * | 2022-11-17 | 2023-03-07 | 哈尔滨工业大学 | 基于场景-行为融合和模型驱动的元宇宙服务开发方法 |
-
2023
- 2023-03-29 CN CN202310319453.XA patent/CN116029571B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2007147166A2 (en) * | 2006-06-16 | 2007-12-21 | Quantum Leap Research, Inc. | Consilence of data-mining |
WO2022206604A1 (zh) * | 2021-04-01 | 2022-10-06 | 腾讯科技(深圳)有限公司 | 分类模型训练和分类方法、装置、计算机设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN116029571A (zh) | 2023-04-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111062757B (zh) | 基于多路径寻优匹配的信息推荐方法及系统 | |
CN111831636B (zh) | 一种数据处理方法、装置、计算机系统及可读存储介质 | |
Pool et al. | Description-driven community detection | |
US8332343B2 (en) | Solution recommendation based on incomplete data sets | |
US10600011B2 (en) | Methods and systems for improving engagement with a recommendation engine that recommends items, peers, and services | |
CN116029571B (zh) | 基于元宇宙的数据处理方法及相关装置 | |
Shihab et al. | RFM based market segmentation approach using advanced k-means and agglomerative clustering: a comparative study | |
CN113362102A (zh) | 一种客户线索分发方法、系统及存储介质 | |
CN112418656A (zh) | 智能坐席分派方法、装置、计算机设备和存储介质 | |
Martinez-Gil et al. | Recommendation of job offers using random forests and support vector machines | |
CN116663938B (zh) | 基于企业数据中台系统的信息化管理方法及其相关装置 | |
CN115471283B (zh) | 广告批量投放方法、装置、设备及存储介质 | |
CN110795610B (zh) | 一种基于聚类的电力负荷分析方法 | |
CN110148028B (zh) | 向用户推荐菜单的方法、装置及计算机可读存储介质 | |
CN113836310A (zh) | 知识图谱驱动的工业品供应链管理方法和系统 | |
CN117495512B (zh) | 订单数据的管理方法、装置、设备及存储介质 | |
CN116433339A (zh) | 订单数据的处理方法、装置、设备及存储介质 | |
Chen et al. | DPM-IEDA: dual probabilistic model assisted interactive estimation of distribution algorithm for personalized search | |
CN116909751B (zh) | 一种云计算系统中的资源分配方法 | |
CN114399367A (zh) | 保险产品推荐方法、装置、设备及存储介质 | |
CN110442614B (zh) | 元数据的搜索方法及装置、电子设备、存储介质 | |
AKGÜL et al. | Forecasting TV ratings of Turkish television series using a two-level machinelearning framework | |
Mohbey et al. | A parallel approach for high utility-based frequent pattern mining in a big data environment | |
CN112488773A (zh) | 智能电视用户分类方法、计算机设备及存储介质 | |
CN112308419A (zh) | 数据处理方法、装置、设备及计算机存储介质 |
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 |