CN116167519A - 一种监测量预测方法、装置、设备及介质 - Google Patents
一种监测量预测方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN116167519A CN116167519A CN202310141089.2A CN202310141089A CN116167519A CN 116167519 A CN116167519 A CN 116167519A CN 202310141089 A CN202310141089 A CN 202310141089A CN 116167519 A CN116167519 A CN 116167519A
- Authority
- CN
- China
- Prior art keywords
- monitoring
- predicted
- monitoring quantity
- determining
- distribution
- 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
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Biomedical Technology (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Operations Research (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本申请实施例公开了一种监测量预测方法、装置、设备及介质,涉及数据处理技术领域。该方法包括:获取待预测对象在不同维度下对应监测量的监测量分布;根据监测量分布,确定待预测对象在相应维度下的监测量预测结果;根据不同维度下的监测量预测结果,确定待预测对象的监测量最终预测结果。采用上述技术方案,可以根据监测量分布确定待预测对象的不同维度下的监测量预测结果,进而确定待预测对象的监测量最终预测结果,避免了现有技术通过监督学习进行模型训练出现监测量过拟合现象,从而提高了监测量最终预测结果的可信度。
Description
技术领域
本申请实施例涉及数据处理技术领域技术,尤其涉及一种监测量预测方法、装置、设备及介质。
背景技术
通过对监测量进行预测,可以根据监测量的预测结果,制定并实施相应措施,若监测量的预测结果可信度不高,则难以准确制定相应措施。因此,对监测量进行可信度较高的预测十分重要。
现有技术中,监测量的预测方法主要通过监督学习的方式,训练监测量的预测模型,基于预测模型对监测量进行预测,存在监测量的预测结果可信度较低的缺陷。
发明内容
本申请提供一种监测量预测方法、装置、设备及介质,以提高监测量最终预测结果的可信度。
第一方面,本申请实施例提供了一种监测量预测方法,该方法包括:
获取待预测对象在不同维度下对应监测量的监测量分布;
根据监测量分布,确定待预测对象在相应维度下的监测量预测结果;
根据不同维度下的监测量预测结果,确定待预测对象的监测量最终预测结果。
第二方面,本申请实施例还提供了一种监测量预测装置,该装置包括:
监测量分布确定模块,用于获取待预测对象在不同维度下对应监测量的监测量分布;
监测量预测结果确定模块,用于根据监测量分布,确定待预测对象在相应维度下的监测量预测结果;
最终预测结果确定模块,用于根据不同维度下的监测量预测结果,确定待预测对象的监测量最终预测结果。
第三方面,本申请实施例还提供了一种电子设备,电子设备包括:
至少一个处理器;以及
与至少一个处理器通信连接的存储器;其中,
存储器存储有可被至少一个处理器执行的计算机程序,计算机程序被至少一个处理器执行,以使至少一个处理器能够执行本申请任一实施例的一种监测量预测方法。
第四方面,本申请实施例还提供了一种计算机可读存储介质,计算机可读存储介质存储有计算机指令,计算机指令用于使处理器执行时实现本申请任一实施例的一种监测量预测方法。
本发明实施例通过获取待预测对象在不同维度下对应监测量的监测量分布;根据监测量分布,确定待预测对象在相应维度下的监测量预测结果;根据不同维度下的监测量预测结果,确定待预测对象的监测量最终预测结果。采用上述技术方案,可以根据监测量分布确定待预测对象的不同维度下的监测量预测结果,进而确定待预测对象的监测量最终预测结果,避免了现有技术通过监督学习进行模型训练出现监测量过拟合现象,从而提高了监测量最终预测结果的可信度。
应当理解,本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征,也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
图1是本申请实施例一中的一种监测量预测方法的流程图;
图2是本申请实施例二中的一种监测量预测方法的流程图;
图3是本申请实施例三中的一种监测量预测方法的流程图;
图4是本申请实施例四种的一种监测量预测装置的结构图;
图5是实现本申请实施例的一种监测量预测方法的电子设备的结构图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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的实施例,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,都应当属于本发明保护的范围。
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“包括”和“具有”以及他们的任何变形,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。
此外,还需要说明的是,本发明的技术方案中,所涉及的待预测对象的监测量分布数据等的使用、加工、传输、提供和公开等处理,均符合相关法律法规的规定,且不违背公序良俗。
实施例一
图1为本申请实施例一提供的一种监测量预测方法的流程图,本实施例可适用于对待预测对象的监测量进行预测的情况,该方法可以由一种监测量预测装置来执行,该监测量预测装置可以采用硬件和/或软件的形式实现,该监测量预测装置可配置于电子设备中,例如服务器中。
如图1所示,该方法包括:
S101、获取待预测对象在不同维度下对应监测量的监测量分布。
本实施例中,待预测对象可以是企业、组织、机构和个人等;监测量可以是待预测对象在相应维度下数据的监测值;监测量分布可以用于表征待预测对象在相应维度下的监测量的概率分布情况。
在一个可选实施例中,待预测对象可以是用碳对象,监测量可以为用碳量,监测量分布即为用碳对象在不同维度下对应的用碳量的用碳量分布。用碳对象的维度可以包括但不限于,用碳对象的所属行业和用碳对象的用碳模式等;用碳模式可以理解为用碳量随时间变化的模式;需要说明的是,本申请对用碳对象所属行业的划分标准不作限定,例如用碳对象的所属行业的划分标准可以是国家标准或行业标准等。
在另一个可选实施例中,待预测对象可以是监测用户,监测量可以是生理参数值,监测量分布即为监测用户在不同维度下对应的生理参数的生理参数值分布。监测用户的维度可以包括但不限于,监测用户的疾病类别和监测用户的生理参数值类别等;生理参数值类别可以理解为生理参数值随时间变化的类别;生理参数值可以包括但不限于血压值、血糖值、血脂值、血氧值和心率值等中的至少一种。
S102、根据监测量分布,确定待预测对象在相应维度下的监测量预测结果。
本实施例中,监测量预测结果可以是待预测对象在相应维度下的监测量预测值。
具体的,可以采取一定的数值采样的方法,从服从不同维度下监测量分布的监测量数据集中监测量数值;根据各维度下的监测量数值,确定待预测对象在相应维度下的监测量预测值,也即待预测对象在相应维度下的监测量预测结果。
S103、根据不同维度下的监测量预测结果,确定待预测对象的监测量最终预测结果。
本实施例中,监测量最终预测结果可以是最终确定的待预测对象的监测量预测值。
具体的,通过对不同维度下的监测量预测结果加权求和,确定待预测对象的监测量最终预测结果。
在一个可选实施例中,待预测对象为用碳对象,监测量为用碳量,则可以根据用碳对象的用碳量最终预测结果,对用碳对象进行能源调度或管理。示例性的,可以根据用碳对象的用碳量最终预测结果,确定用碳对象的减碳量或能源购买量等。
在另一可选实施例中,待预测对象为监测用户,监测量为生理参数值,则可以根据监测用户的生理参数值最终预测结果,确定监测用户是否需要进行随访;若监测用户需要进行随访,则可以根据监测用户的生理参数值最终预测结果,确定监测用户的随访时间和随访频率等。
本申请实施例通过获取待预测对象在不同维度下对应监测量的监测量分布;根据监测量分布,确定待预测对象在相应维度下的监测量预测结果;根据不同维度下的监测量预测结果,确定待预测对象的监测量最终预测结果。采用上述技术方案,可以根据监测量分布确定待预测对象的不同维度下的监测量预测结果,进而确定待预测对象的监测量最终预测结果,避免了现有技术通过监督学习进行模型训练出现监测量过拟合现象,从而提高了监测量最终预测结果的可信度。
实施例二
图2为本申请实施例二提供的一种监测量预测方法的流程图,本实施例在上述各实施例的基础上,进行了追加优化。
进一步的,在“获取待预测对象在不同维度下对应监测量的监测量分布”之前,追加“获取待预测对象在相同维度下的样本关联对象的样本监测量;根据样本监测量,确定相应维度下的监测量分布”,以完善各维度下监测量分布的确定操作。
需要说明的是,在本申请实施例中未详述部分,可参见其他实施例的相关表述,在此不再赘述。
S201、获取待预测对象在相同维度下的样本关联对象的样本监测量。
其中,样本关联对象可以是与待预测对象在相同维度下的监测对象;样本监测量即是与待预测对象在相同维度下的监测对象的监测量。
在一个可选实施例中,若待预测对象为用碳对象,监测量为用碳量,则样本关对象可以是与用碳对象在相同维度下的其他用碳对象,样本监测量即是与用碳对象在相同维度下的其他用碳对象的用碳量。
示例性的,可以将与用碳对象在相同行业的其他用碳对象作为该用碳对象在所属行业维度下的样本关联对象,并根据所属行业维度下其他用碳对象的样本用碳量,确定用碳对象在所属行业维度下的用碳量分布。
示例性的,可以将与用碳对象在相同用碳模式的其他用碳对象作为该用碳对象在用碳模式维度下的样本关联对象,并根据用碳模式维度下其他用碳对象的用碳量,确定用碳对象在用碳模式维度下的用碳量分布。
在另一个可选实施例中,若待预测对象为监测用户,监测量为生理参数值,则样本关对象可以是与监测用户在相同维度下的其他监测用户,样本监测量即是与监测用户在相同维度下的其他监测用户的生理参数值。
示例性的,可以将与监测用户有相同疾病的其他监测用户作为该监测用户在所属疾病类别下的样本关联对象,并根据疾病类别维度下其他监测用户的生理参数值,确定监测用户在疾病类别维度下的生理参数值分布。
可以理解的是,采用上述技术方案,根据各维度下的样本监测量,确定待预测对象在各维度下的监测量分布,提高了监测量分布的准确度,进而提高了监测量预测结果的准确度。
S202、根据样本监测量,确定相应维度下的监测量分布。
可选的,根据样本监测量,确定相应维度下的监测量分布,包括:确定样本监测量在预设分布模型下的样本统计参数;根据样本统计参数和预设分布模型,确定相应维度下的监测量分布。
其中,预设分布模型可以由技术人员根据实际需求或实践经验自主设定,本申请对此不作限定;样本统计参数可以包括但不限于样本均值和样本方差等。
具体的,针对任一维度,根据该维度下的样本监测量,确定该维度下样本监测量的样本均值和样本方差;将该维度下的样本均值作为预设分布模型的模型均值,且将该维度下的样本方差作为预设分布模型的模型方差,确定该维度下的监测量分布。
示例性的,可以用以下形式表示在维度x下的监测对象的监测量X,所服从的监测量分布:
可以理解的是,采用上述技术方案,通过样本统计参数和预设分布模型确定相应维度下的监测量分布,进一步提高了监测量分布的准确度,提高了监测量预测结果的准确度。
在一个可选实施例中,预设分布模型可以是正态分布模型。
本实施例中,若待预测对象在任一维度下样本关联对象的数量足够多,也即样本关联对象对应的样本监测量的数量足够多,则该维度下的监测量分布接近于正态分布,因此可以预先将预设分布模型设定为正态分布模型,避免通过其他类型的预设分布模型确定监测量分布,导致出现监测量分布不准确的情况。
具体的,将以任一维度下样本均值为模型均值,以同一维度下样本方差为模型方差的正态分布模型,作为相应维度的监测量分布。
示例性的,可以用以下形式表示在维度x下的监测对象的监测量X,所服从的监测量分布监测量分布:
可以理解的是,通过将预测分布模型确定为正态分布模型,可以避免通过其他类型的预设分布模型确定监测量分布,导致出现监测量分布不准确的情况,提高了待预测对象各维度下的监测量分布的准确度,进而提高了监测量预测结果的准确度。
S203、获取待预测对象在不同维度下对应的监测量分布。
S204、根据监测量分布,确定待预测对象在相应维度下的监测量预测结果。
S205、根据不同维度下的监测量预测结果,确定待预测对象的监测量最终预测结果。
本申请实施例通过获取各维度下的样本监测量,确定相应维度的样本统计参数,并根据相应维度的样本统计参数和预设分布模型,确定相应维度下的监测量分布;根据相应维度下的监测量分布,确定待预测对象在相应维度下的监测量预测结果;根据不同维度下的监测量预测结果,确定待预测对象的监测量最终预测结果。采用上述技术方案,通过样本统计参数和预设分布模型确定监测量分布,提高了监测量分布的准确度,进而提高了监测量预测结果的准确度。
实施例三
图3为本申请实施例三提供的一种监测量预测方法的流程图,本实施例在上述各实施例的基础上,对监测量预测结果的确定操作进行了优化改进。
进一步地,将“根据监测量分布,确定待预测对象在相应维度下的监测量预测结果”细化为“根据监测量分布,进行监测量采样;根据监测量采样结果,确定待预测对象在相应维度下的监测量预测结果”,以完善监测量预测结果的确定操作。
需要说明的是,在本申请实施例中未详述部分,可参见其他实施例的相关表述,在此不再赘述。
如图3所示,该方法包括:
S301、获取待预测对象在不同维度下对应监测量的监测量分布。
S302、根据监测量分布,进行监测量采样。
本实施例中,采用一定的采样方法,从服从监测量分布的监测量数据集中进行监测量采样。需要说明的是,采样方法可以是现有技术中的任一种,本申请对采样方法不作限定,例如采样方法可以是随机采样、系统采样或分层采样等。
S303、根据监测量采样结果,确定待预测对象在相应维度下的监测量预测结果。
本实施例中,监测量采样结果可以是从服从监测量分布的监测量数据集中中采样得到的监测量数值;各维度下的监测量采样次数为至少一次,相应的,监测量采样结果数量为至少一个。
在一个可选实施例中,若相应维度下的监测量采样结果数量为一个,则直接将该监测量采样结果作为监测量预测结果;若相应维度下的监测量采样结果数量为至少两个,则可以将监测量采样结果的均值作为监测量预测结果。
S304、根据不同维度下的监测量预测结果,确定待预测对象的监测量最终预测结果。
可选的,根据不同维度下的监测量预测结果,确定待预测对象的监测量最终预测结果,包括:根据各监测量分布的统计参数,分别确定不同维度下的监测量预测权重;根据不同维度下的监测量预测权重和监测量预测结果,确定待预测对象的监测量最终预测结果。
其中,统计参数可以包括但不限于相应监测量分布的监测量均值和监测量方差等;监测量预测权重可以用于表征相应维度下的监测量预测结果对于监测量最终预测结果的重要程度。
具体的,根据各监测量分布的均值或方差等,分别确定不同维度下的监测量预测权重;将相应维度下的监测量预测权重与监测量预测结果相乘,得到相应维度下的加权监测量预测结果;将不同维度下的加权监测量预测结果相加,得到待预测对象的监测量最终预测结果。示例性的,可以通过以下公式确定监测量最终预测结果:
具体的,根据各维度下的监测量分布中的监测量,确定各维度下的监测量分布的监测量均值;将各监测量分布的监测量均值相加,得到总均值;将各维度下的监测量分布的监测量均值除以总均值,得到对应各维度下的监测量预测权重。示例性的,可以通过如下公式确定相应维度下的监测量预测权重:
其中,ωi表示第i个维度下的监测量预测权重;μi′表示第i个维度下的监测量均值;k表示维度总数量。
以通过两个不同维度进行待预测对象的监测量最终预测结果确定,为例对监测量预测方法进行详细说明。
示例性的,若待预测对象有两个不同维度,则可以通过如下公式确定监测量最终预测结果:
其中,表示待预测对象的监测量最终预测结果;ωx表示待预测对象在维度x下的监测量预测权重;ωy表示待预测对象在维度y下的监测量预测权重;/>表示待预测对象在维度x下的监测量预测结果;/>表示待预测对象在维度y下的监测量预测结果。
可以理解的是,采用上述技术方案,根据不同维度下的监测量预测权重和监测量预测结果,确定监测量最终预测结果,可以综合不同维度的监测量预测结果,从而确定监测量最终预测结果,提高了监测量最终预测结果的可信度。
可选的,根据各监测量分布的统计参数,分别确定不同维度下的监测量预测权重,包括:确定各监测量分布的监测量均值;根据监测量均值,分别确定不同维度下的监测量预测权重。
其中,监测量均值可以是相应维度下的监测量分布中各监测量的均值。
示例性的,若待预测对象有两个不同维度,则可以通过如下公式确定监测量预测权重:
其中,ωx表示维度x下的监测量预测权重;ωy表示维度y下的监测量预测权重;μ′x表示维度x下所服从监测量分布对应的监测量均值;μ′y表示维度y下所服从监测量分布对应的监测量均值。
可以理解的是,采用上述技术方案,根据监测量均值确定相应维度的监测量预测权重,提高了监测量预测权重的准确度,进而提高了监测量最终预测结果的可信度。
在一个可选实施例中,还可以确定各监测量分布的监测量方差,并根据监测量方差,分别确定不同维度下的监测量预测权重;或确定各监测量分布的监测量中位数,并根据监测量中位数,分别确定不同维度下的监测量预测权重。需要说明的是,根据监测量方差或监测量中位数确定对应的不同维度下的监测量预测权重的方法,同上述根据监测量均值分别确定不同维度下的监测量预测权重的方法类似,此处不再赘述。
在一个可选实施例中,根据监测量最终预测结果的方差,对监测量最终预测结果的可信度进行评价;方差越大则监测量最终预测结果的可信度越高,方差越小则监测量最终预测结果的可信度越低。
具体的,将各维度下监测量分布的监测量方差相加,得到总方差;将待预测对象相应维度下样本关联对象数量与总方差的比值开根号,得到相应维度下的开根比值;将相应维度下的开根比值与同一维度下的监测量方差相乘,得到相应维度下的乘积;将各维度下的乘积相加,得到监测量最终预测结果的方差。
示例性的,若待预测对象有两个不同维度,可以通过如下公式确定监测量最终预测结果的可信度:
其中,表示待预测对象的监测量最终预测结果/>的可信度,/>表示维度x下所服从监测量分布对应的监测量方差;/>表示维度y下所服从监测量分布对应的监测量方差;m表示待预测对象在维度x下的样本关联对象的数量;n表示待预测对象在维度y下的样本关联对象的数量。
本申请实施例通过获取待预测对象在不同维度下对应监测量的监测量分布;根据监测量分布,进行监测量采样;根据监测量采样结果,确定待预测对象在相应维度下的监测量预测结果;根据不同维度下的监测量预测结果,确定待预测对象的监测量最终预测结果。采用上述技术方案,通过监测量采样获得各维度下的监测量预测结果,提高了监测量最终预测结果的准确度,进而提高了监测量最终预测结果的可信度。
实施例四
图4为本申请实施例四提供的一种监测量预测装置的结构图,本实施例可适用于对待预测对象的监测量进行预测的情况,该装置可以由软件和/或硬件实现,并具体配置于电子设备中,例如服务器中。
如图4所示的监测量预测装置,包括:监测量分布确定模块401、监测量预测结果确定模块402和最终预测结果确定模块403。其中,
监测量分布确定模块401,获取待预测对象在不同维度下对应监测量的监测量分布;
监测量预测结果确定模块402,用于根据监测量预测方法监测量分布,确定监测量预测方法待预测对象在相应维度下的监测量预测结果;
最终预测结果确定模块403,用于根据不同维度下的监测量预测结果,确定监测量预测方法待预测对象的监测量最终预测结果。
本申请实施例通过监测量分布确定模块,获取待预测对象在不同维度下对应监测量的监测量分布;通过监测量预测结果确定模块,根据监测量分布,确定待预测对象在相应维度下的监测量预测结果;通过最终预测结果确定模块,根据不同维度下的监测量预测结果,确定待预测对象的监测量最终预测结果。采用上述技术方案,可以根据监测量分布确定待预测对象的不同维度下的监测量预测结果,进而确定待预测对象的监测量最终预测结果,避免了现有技术通过监督学习进行模型训练出现监测量过拟合现象,从而提高了监测量最终预测结果的可信度。
可选的,监测量分布确定模块401,包括:
样本监测量确定单元,用于获取监测量预测方法待预测对象在相同维度下的样本关联对象的样本监测量;
监测量分布确定单元,用于根据监测量预测方法样本监测量,确定相应维度下的监测量分布。
可选的,监测量分布确定单元,包括:
参数确定子单元,用于监测量预测方法样本监测量在预设分布模型下的样本统计参数;
监测量分布确定子单元,用于根据监测量预测方法样本统计参数和监测量预测方法预设分布模型,确定相应维度下的监测量分布。
可选的,监测量分布确定子单元,其中,监测量预测方法预测分布模型为正态分布模型。
可选的,监测量预测结果确定模块402,包括:
监测量采用确定单元,用于根据监测量预测方法监测量分布,进行监测量采样;
监测量预测结果确定单元,用于根据监测量采样结果,确定监测量预测方法待预测对象在相应维度下的监测量预测结果。
可选的,最终预测结果确定模块403,包括:
预测权重确定单元,用于根据各监测量预测方法监测量分布的统计参数,分别确定不同维度下的监测量预测权重;
最终预测结果确定单元,用于根据不同维度下的监测量预测方法监测量预测权重和监测量预测方法监测量预测结果,确定监测量预测方法带预测对象的监测量最终预测结果。
可选的,预测权重确定单元,包括:
监测量均值确定子单元,用于确定各监测量预测方法监测量分布的监测量均值;
预测权重确定子单元,用于根据监测量预测方法监测量均值,分别确定不同维度下的监测量预测权重。
可选的,该监测量预测装置,其中:
待预测对象为用碳对象,监测量为用碳量;或者,
待预测对象为监测用户,监测量为生理参数值。
上述监测量预测装置可执行本申请任意实施例所提供的监测量预测方法,具备执行各监测量预测方法相应的功能模块和有益效果。
实施例五
图5示出了可以用来实施本申请的实施例的电子设备510的结构示意图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图5所示,电子设备510包括至少一个处理器511,以及与至少一个处理器511通信连接的存储器,如只读存储器(ROM)512、随机访问存储器(RAM)513等,其中,存储器存储有可被至少一个处理器执行的计算机程序,处理器511可以根据存储在只读存储器(ROM)512中的计算机程序或者从存储单元518加载到随机访问存储器(RAM)513中的计算机程序,来执行各种适当的动作和处理。在RAM 513中,还可存储电子设备510操作所需的各种程序和数据。处理器511、ROM 512以及RAM 513通过总线514彼此相连。输入/输出(I/O)接口515也连接至总线514。
电子设备510中的多个部件连接至I/O接口515,包括:输入单元516,例如键盘、鼠标等;输出单元517,例如各种类型的显示器、扬声器等;存储单元518,例如磁盘、光盘等;以及通信单元519,例如网卡、调制解调器、无线通信收发机等。通信单元519允许电子设备510通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器511可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器511的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器511执行上文所描述的各个方法和处理,例如监测量预测方法。
在一些实施例中,监测量预测方法可被实现为计算机程序,其被有形地包含于计算机可读存储介质,例如存储单元518。在一些实施例中,计算机程序的部分或者全部可以经由ROM 512和/或通信单元519而被载入和/或安装到电子设备510上。当计算机程序加载到RAM 513并由处理器511执行时,可以执行上文描述的监测量预测方法的一个或多个步骤。备选地,在其他实施例中,处理器511可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行监测量预测方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本申请的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本申请的上下文中,计算机可读存储介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。备选地,计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在电子设备上实施此处描述的系统和技术,该电子设备具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本申请的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本申请保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等,均应包含在本申请保护范围之内。
Claims (11)
1.一种监测量预测方法,其特征在于,包括:
获取待预测对象在不同维度下对应监测量的监测量分布;
根据所述监测量分布,确定所述待预测对象在相应维度下的监测量预测结果;
根据不同维度下的监测量预测结果,确定所述待预测对象的监测量最终预测结果。
2.根据权利要求1所述的方法,其特征在于,各维度下的监测量分布,采用以下方式确定:
获取所述待预测对象在相同维度下的样本关联对象的样本监测量;
根据所述样本监测量,确定相应维度下的监测量分布。
3.根据权利要求2所述的方法,其特征在于,所述根据所述样本监测量,确定相应维度下的监测量分布,包括:
确定所述样本监测量在预设分布模型下的样本统计参数;
根据所述样本统计参数和所述预设分布模型,确定相应维度下的监测量分布。
4.根据权利要求3所述的方法,其特征在于,所述预设分布模型为正态分布模型。
5.根据权利要求1所述的方法,其特征在于,所述根据所述监测量分布,确定所述待预测对象在相应维度下的监测量预测结果,包括:
根据所述监测量分布,进行监测量采样;
根据监测量采样结果,确定所述待预测对象在相应维度下的监测量预测结果。
6.根据权利要求1-5任一项所述的方法,其特征在于,所述根据不同维度下的监测量预测结果,确定所述待预测对象的监测量最终预测结果,包括:
根据各所述监测量分布的统计参数,分别确定不同维度下的监测量预测权重;
根据不同维度下的所述监测量预测权重和所述监测量预测结果,确定所述待预测对象的监测量最终预测结果。
7.根据权利要求6所述的方法,其特征在于,所述根据各所述监测量分布的统计参数,分别确定不同维度下的监测量预测权重,包括:
确定各所述监测量分布的监测量均值;
根据所述监测量均值,分别确定不同维度下的监测量预测权重。
8.根据权利要求1-5任一项所述的方法,其特征在于:
所述待预测对象为用碳对象,所述监测量为用碳量;或者,
所述待预测对象为监测用户,所述监测量为生理参数值。
9.一种监测量预测装置,其特征在于,包括:
监测量分布确定模块,用于获取待预测对象在不同维度下对应监测量的监测量分布;
监测量预测结果确定模块,用于根据所述监测量分布,确定所述待预测对象在相应维度下的监测量预测结果;
最终预测结果确定模块,用于根据不同维度下的监测量预测结果,确定所述待预测对象的监测量最终预测结果。
10.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-8任一项所述的一种监测量预测方法。
11.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-8任一项所述的一种监测量预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310141089.2A CN116167519A (zh) | 2023-02-21 | 2023-02-21 | 一种监测量预测方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310141089.2A CN116167519A (zh) | 2023-02-21 | 2023-02-21 | 一种监测量预测方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116167519A true CN116167519A (zh) | 2023-05-26 |
Family
ID=86414442
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310141089.2A Pending CN116167519A (zh) | 2023-02-21 | 2023-02-21 | 一种监测量预测方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116167519A (zh) |
-
2023
- 2023-02-21 CN CN202310141089.2A patent/CN116167519A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7270691B2 (ja) | データをラベリングするための方法、装置、電子機器、記憶媒体およびコンピュータプログラム | |
CN116307215A (zh) | 一种电力系统的负荷预测方法、装置、设备及存储介质 | |
CN117593115A (zh) | 信贷风险评估模型的特征值确定方法、装置、设备和介质 | |
CN116167519A (zh) | 一种监测量预测方法、装置、设备及介质 | |
CN114999665A (zh) | 数据处理方法、装置、电子设备及存储介质 | |
CN114816758B (zh) | 资源分配方法和装置 | |
CN115373449B (zh) | 一种数据处理方法、装置、设备及存储介质 | |
CN115578583B (zh) | 图像处理方法、装置、电子设备和存储介质 | |
CN113220967B (zh) | 互联网环境的生态健康程度衡量方法、装置和电子设备 | |
CN115576830A (zh) | 一种用例质量确定方法、装置、电子设备及存储介质 | |
CN116166506A (zh) | 一种系统运行数据的处理方法、装置、设备及存储介质 | |
CN117764696A (zh) | 一种估值方法、装置、电子设备及存储介质 | |
CN116703109A (zh) | 一种配电网项目选取方法、装置、设备及存储介质 | |
CN116974621A (zh) | 一种参数配置方法、装置及设备 | |
CN117575419A (zh) | 一种考核指标确定方法、装置、电子设备及存储介质 | |
CN116304796A (zh) | 一种数据分类方法、装置、设备及介质 | |
CN117932474A (zh) | 一种通信缺失数据确定模型的训练方法、装置、设备及存储介质 | |
CN114926447A (zh) | 用于训练模型的方法、用于检测目标的方法和装置 | |
CN115146997A (zh) | 基于电力数据的评估方法、装置、电子设备及存储介质 | |
CN114936802A (zh) | 一种指标系统构建方法、装置、存储介质及电子设备 | |
CN117635300A (zh) | 一种企业融资结果的预测方法、装置及电子设备 | |
CN116049555A (zh) | 信息推荐方法、装置、设备和存储介质 | |
CN116167846A (zh) | 校准方法、装置、电子设备及计算机可读存储介质 | |
CN115829320A (zh) | 一种水资源短缺风险预测方法、装置及电子设备 | |
CN117236995A (zh) | 付费率预估方法、装置、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 |