CN116187695A - 一种决策分配方法及装置、电子设备、存储介质 - Google Patents

一种决策分配方法及装置、电子设备、存储介质 Download PDF

Info

Publication number
CN116187695A
CN116187695A CN202310158490.7A CN202310158490A CN116187695A CN 116187695 A CN116187695 A CN 116187695A CN 202310158490 A CN202310158490 A CN 202310158490A CN 116187695 A CN116187695 A CN 116187695A
Authority
CN
China
Prior art keywords
attribute
target object
determining
attributes
linear classifier
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
CN202310158490.7A
Other languages
English (en)
Inventor
陈建彬
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.)
Lenovo Beijing Ltd
Original Assignee
Lenovo Beijing 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 Lenovo Beijing Ltd filed Critical Lenovo Beijing Ltd
Priority to CN202310158490.7A priority Critical patent/CN116187695A/zh
Publication of CN116187695A publication Critical patent/CN116187695A/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
    • G06Q10/06—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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing
    • 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

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Software Systems (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Game Theory and Decision Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Operations Research (AREA)
  • Educational Administration (AREA)
  • Manufacturing & Machinery (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Artificial Intelligence (AREA)
  • Quality & Reliability (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Development Economics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请实施例公开了一种决策分配方法，包括：获取第一时间段内影响目标对象分配的第一属性集合；基于所述第一属性集合，确定至少一个线性分类器，得到目标对象分配的多变量决策树；其中，所述目标对象分配的多变量决策树用于通过所述至少一个线性分类器组成的至少一个分类边界对目标对象进行分配；基于所述多变量决策树，确定所述待分配目标对象的对应实体。本申请实施例还同时提供了一种决策分配装置、电子设备及存储介质。

Description

一种决策分配方法及装置、电子设备、存储介质
技术领域
本申请涉及电子设备技术领域，涉及但不限定于一种决策分配方法及装置、电子设备、存储介质。
背景技术
当前的离散制造业分配目标对象主要有三种分配方式：第一种是以客户为主的分配方式，客户下达目标对象生产的位置，为目标对象进行生产制造的实体的位置。第二种是以产品为中心的分配方式，产品制造的位置，为目标对象指定生产制造的位置，与下达目标对象生产的客户位置无关。第三种是建立多种规则的组合，按照特定的规则和优先级进行排序，产生目标对象的唯一分配规则并下达的实体进行生产制造。上述三种方式存在决策规则的影响因素多且复杂的、计算量过大、决策过程的顺序不合理，导致无效判断过多等问题。
发明内容
本申请实施例提供一种决策分配方法及装置、电子设备、存储介质。
本申请实施例的技术方案是这样实现的：
本申请实施例提供一种决策分配方法，所述方法包括：获取第一时间段内影响目标对象分配的第一属性集合；基于所述第一属性集合，确定至少一个线性分类器，得到目标对象分配的多变量决策树；其中，所述目标对象分配的多变量决策树用于通过所述至少一个线性分类器组成的至少一个分类边界对目标对象进行分配；基于所述多变量决策树，确定所述待分配目标对象的对应实体。
本申请实施例提供一种决策分配装置，所述装置包括：获取模块，用于获取第一时间段内影响目标对象分配的第一属性集合；确定获取模块，用于基于所述第一属性集合，确定至少一个线性分类器，得到目标对象分配的多变量决策树；其中，所述目标对象分配的多变量决策树用于通过所述至少一个线性分类器组成的至少一个分类边界对目标对象进行分配；基于所述多变量决策树，确定所述待分配目标对象的对应实体。
本申请实施例提供一种电子设备，包括存储器和处理器，所述存储器存储有可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述方法中的步骤。
本申请实施例提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述方法中的步骤。
本申请实施例提供的技术方案带来的有益效果至少包括：
在本申请实施例中，一方面，获取第一时间段内影响目标对象分配的第一属性集合。这样，能够通过分析目标对象的属性，确定属性的优先级，减少计算次数。另一方面，基于所述第一属性集合，确定至少一个线性分类器，得到目标对象分配的多变量决策树；其中，所述目标对象分配的多变量决策树用于通过所述至少一个线性分类器组成的至少一个分类边界对目标对象进行分配；基于所述多变量决策树，确定所述待分配目标对象的对应实体。这样，能够通过线性分类器，基于分类边界预测目标对象分配实体。如此，能够快速生成属性对应的决策顺序，减少数据决策计算量；对属性组合进行快速拟合并校验，减少数据维护工作量。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例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申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图，其中：
图1A为相关技术提供的一种决策分配方法的应用场景示意图；
图1B为相关技术提供的一种决策分配方法的应用场景示意图；
图2为本申请实施例提供的一种决策分配方法的流程示意图；
图3为本申请实施例提供的一种决策分配方法的流程示意图；
图4为本申请提供的一种决策分配方法的应用场景示意图；
图5为本申请提供的一种决策分配方法的应用场景示意图；
图6为本申请实施例提供的一种决策分配装置的组成结构示意图；
图7为本申请实施例提供的一种电子设备的硬件实体示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。以下实施例用于说明本申请，但不用来限制本申请的范围。基于本申请中的实施例，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例，都属于本申请保护的范围。
在以下的描述中，涉及到“一些实施例”，其描述了所有可能实施例的子集，但是可以理解，“一些实施例”可以是所有可能实施例的相同子集或不同子集，并且可以在不冲突的情况下相互结合。
需要指出，本申请实施例所涉及的术语“第一\第二\第三”仅仅是是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序，以使这里描述的本申请实施例能够以除了在这里图示或描述的以外的顺序实施。
本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)，具有与本申请实施例所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语，应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样被特定定义，否则不会用理想化或过于正式的含义来解释。
随着弹性制造的发展，越来越多的企业中存在多实体支持多品类，多单品的制造，如何平衡各个配送中心(Distribution Center，DC)，实体和代工生产(OriginalEquipment Manufacturer，OEM)之间的制造越来越困难。当前的离散制造业分配目标对象主要有三种分配方式：第一种是以客户为主的分配方式，客户下达目标对象生产的位置，为目标对象进行生产制造的实体的位置。第二种是以产品为中心的分配方式，产品制造的位置，为目标对象指定生产制造的位置，与下达目标对象生产的客户位置无关。第三种是建立多种规则的组合，按照特定的规则和优先级进行排序，产生目标对象的唯一分配规则并下达的实体进行生产制造。
在上述第一种方式中，适合目标对象从客户附近的位置发出，例如从库存地发出，一般支持成品可用库存检查。无法支持对于多产品跨区域制造实体的目标对象分配。典型案例是电商平台或者销售门店基于库存地到客户优先级确定目标对象分配。这种分配方式主要适合电商平台，难以适用于对大规模离散制造企业。
在上述第二种方式中，适合根据实体产线能力确定目标对象的分配，一旦有多个实体或产线具备同样的能力，没有充分考虑客户的属性，制造能力，供应链的支持能力等影响因素(即，目标对象的属性)。
在上述第三种方式中，在客户或者实体生产能力的因素变多，产品品类变复杂，供应链中因素变化，都会使维护和计算的工作量大到难于维护，且一旦出问题都会造成供应链的中断。
在上述第三种方式中，1)决策规则的影响因素多且复杂的情况下，将导致计算量过大；2)决策过程的顺序不合理，导致无效判断过多。
示例性地，图1A为相关技术中提供的一种决策分配方法的应用场景示意图，如图1A所示，以一个18个影响因素组成的27种组合(Xi)情况的顺序检查为例，维护每种Xi组合需要维护几万到上千万的数据。如图1所示，190620个目标对象在30天内分别访问27种影响因素组合的次数，在超过60％的目标对象要到第20种组合(X20)才能找到正确的实体，可以看出，前序19种组合对于60％以上的目标对象决策过程是无效的。理想状态下我们希望通过最优的属性组合，最短的决策路径得到正确的实体，如图1B所示，在最短的决策路径能够找满足60％的目标对象的组合X20。
为了解决上述问题，本申请提供了一种决策分配方法，图2为本申请实施例提供的一种决策分配方法的流程示意图，如图2所示，所述方法至少包括以下步骤：
步骤S201，获取第一时间段内影响目标对象分配的第一属性集合。
这里，所述目标对象可以为待分配的订单。所述第一时间段可以为历史时间段。这里，所述第一属性集合可以为影响订单分配的影响因素的集合。示例性地，获取历史时间段内影响订单分配的影响因素。
步骤S202，基于所述第一属性集合，确定至少一个线性分类器，得到目标对象分配的多变量决策树；其中，所述目标对象分配的多变量决策树用于通过所述至少一个线性分类器组成的至少一个分类边界对目标对象进行分配。
在一种可以实现的方式中，步骤S202，包括：从所述第一属性集合中确定至少一个属性组合；确定每一所述属性组合中每一属性的权重，得到至少一个线性分类器，其中，所述线性分类器为用于进行目标对象分配的多变量决策树；所述目标对象分配的多变量决策树用于通过所述至少一个线性分类器组成的至少一个分类边界对目标对象进行分配。
在一种可以实现的方式中，属性的权重与属性的优先级相关。示例性地，优先级高的属性比优先级低的属性权重大。通过限定属性的权重可以缩短决策树的查找路径，由最短路径找到目标对象对应的实体。
步骤S203，基于所述多变量决策树，确定所述待分配目标对象的对应实体。
在一种可以实现的方式中，所述步骤S201，获取第一时间段内影响目标对象分配的第一属性集合，包括：
步骤S2011，获取所述第一时间段内的目标对象集合；其中，所述目标对象集合中每一目标对象通过至少两个实体中任一实体生产。
这里，所述目标对象集合中不包括可以确定单一实体生产的目标对象。
示例性地，已知目标对象分配数据集为D＝{(X1,y1),(X2,y2),(X3,y3),…,(Xm,ym)},yi表示需要决策的实体，Xi表示属性组合。属性组合Xi＝{xi1,xi2,…,xij}j表示属性的个数，每个属性xij来自于属性集合Aj。
这里，目标对象获取并去除确定单一实体生产的目标对象，用于减少以客户为中心的分配方式和以产品为中心的分配方式中的目标对象对决策树的影响，因为可以用固定规则替换。
ya:Xi∈Xa，并且，yb:Xi∈Xb公式(2-1)；
如公式(2-1)所示，若预设属性Xa确定分配给ya实体，预设属性Xb确定分配给yb实体。则需要从去除公式(2-1)中的目标对象。
示例性地，以5种属性1天内7650个目标对象、14个实体为例进行说明。
首先，去掉包括属性Xa目标对象和包括属性Xb目标对象。其中，Xa类目标对象：为某个产品只能有某个实体生产。Xb类目标对象：某类目标对象由某个区域实体交付。这样，则目标对象减少到6353。
步骤S2012，确定影响所述目标对象集合中目标对象的属性，得到第二属性集合。
步骤S2013，基于量化后的属性，确定第二属性集合中的每一属性的信息增益。
在一种可以实现的方式中，所述步骤S2013，基于所述第二属性集合中的每一属性的量化值，确定第二属性集合中的每一属性的信息增益，包括：确定所述每一属性的量化值的信息熵；基于所述信息熵，确定每一所述信息增益；基于至少一个所述信息增益，确定第二属性集合，得到所述第二属性集合中每一属性的信息增益。
步骤S2014，基于至少一个所述信息增益，确定所述第一时间段内影响目标对象分配的第一属性集合。
示例性地，通过信息增益较大的属性确定优先判断的属性，同时也可以减少相关属性个数，得到第一属性集合。这里，对属性采用公式(2-2)进行信息增益分析；
Figure BDA0004094250440000061
其中，
Figure BDA0004094250440000071
表示信息熵，Pk为满足条件的比例，y表示满足条件的实体个数，Dv表示属性v对应的数据集。
这里，在减少属性个数，得到第一属性集合后，每个目标对象即为多元特征空间中的一个点，也可以对各个属性产生的组合进行简化，对于有效的组合生成新的决策树，减少决策层级，提升效率。
示例性地，6353个目标对象包括14个实体，每个实体的信息熵如表2-1所示：
表2-1不同实体的信息熵
实体 目标对象数量 比例 信息熵
A200 54 0.0085 0.05847
C400 4 0.00063 0.00669
H001 4252 0.66929 0.38772
H071 681 0.107193 0.34535
H301 223 0.035102 0.16962
J200 111 0.017472 0.10202
J203 23 0.00362 0.02936
N202 6 0.000944 0.00949
NL04 2 0.000315 0.00366
U400 931 0.146545 0.40602
U401 54 0.0085 0.05847
U403 5 0.000787 0.00812
U404 3 0.000472 0.00522
U472 4 0.00063 0.00669
基于表2-1得到14个实体的信息熵的总和为1.59。
这里，对于表2-1中的14个实体，即6353个目标对象，每个目标对象均包括5种属性，分别为目标对象所在的地理位置所属大区subGeo、生产目标对象的物料组MaterialGroup、生产目标对象的产品目录Product Hierarchy、目标对象售卖的地区Subregion和目标对象的产品编号Material Number。
以5种属性中的属性501(subGeo)为例，计算信息熵，属性1包括四个属性值，分别为：属性值1(JAPAN)、属性值2(ANZ)、属性值3(NA)和属性值4(WE)。其中，属性值1的信息熵为0.101024，计算过程为：
基于公式(2-2)和表2-2中，对于实体H001，比例0.377465为属性值1(JAPAN)为实体H001的概率pk，通过信息熵的计算公式pk*log2pk，可以得到实体H001的信息熵为0.377465*log20.377465＝0.53056；基于相同的计算原理，可以得到实体H071的信息熵0.49718；实体J200的信息熵0.52444；实体J203的信息熵0.25579。由此，不同实体的信息熵总和Ent(D1)为(0.53056+0.49718+0.52444+0.25579)＝1.80797。
基于公式(2-2)和表2-2中，属性值1(JAPAN)的目标对象的数量是134+87+111+23＝355个，属性1在6353个目标对象中出现的概率
Figure BDA0004094250440000081
为355/6353＝0.05587。由此可以得到，属性值1的信息熵
Figure BDA0004094250440000082
Ent(D1)为0.05587*1.80797＝0.101024。
同理，根据表2-3、表2-4、表2-5分别得到属性值2的信息熵为0.02229；属性值3的信息熵为0.661701；属性值4的信息熵为0.400443。
表2-2不同实体的信息熵
实体 目标对象数量 比例 信息熵
H001 134 0.377465 0.53056
H071 87 0.24507 0.49718
J200 111 0.312676 0.52444
J203 23 0.064789 0.25579
表2-3不同实体的信息熵
Figure BDA0004094250440000083
Figure BDA0004094250440000091
表2-4不同实体的信息熵
实体 目标对象数量 比例 信息熵
C400 4 0.001323 0.01265
H001 1807 0.597751 0.44376
H071 216 0.071452 0.27201
U400 931 0.307972 0.52328
U401 54 0.017863 0.10373
U403 4 0.001323 0.01265
U404 3 0.000992 0.0099
U472 4 0.001323 0.01265
表2-5不同实体的信息熵
实体 目标对象数量 比例 信息熵
H001 1963 0.771923 0.28829
H071 354 0.139206 0.396
H301 223 0.087692 0.30792
NL04 2 0.000786 0.00811
U403 1 0.000393 0.00445
这里，基于公式(2-2)，对于属性501(SubGeo)，
Figure BDA0004094250440000092
Figure BDA0004094250440000093
此外，6353个目标对象均包括属性501(SubGeo)，所以公式(2-2)中
Figure BDA0004094250440000094
y为14个实体，即，6353个目标对象的信息熵1.59。根据公式(2-2)得到Gain(D，属性1)＝1.59-1.185＝0.405，即属性501(SubGeo)的信息增益为0.405。
在一种可以实现的方式中，所述基于所述多变量决策树，确定所述待分配目标对象的对应实体，包括：获取所述待分配目标对象的属性信息；在所述多变量决策树中查找所述属性信息对应的叶子节点，确定生产所述待分配目标对象的实体；其中，所述多变量决策树的叶子节点为生产待分配目标对象的实体。
示例性地，如图4所示，待分配的目标对象包括属性401和属性402，其中，属性401包括N种属性值，即，属性值4011至属性值401N；属性402也包括N种属性值，即，属性值4021至属性值402N。基于待分配的目标对象通过两种属性值的组合，确定出待分配的目标对象的对应实体，例如，属性值4011和属性值4021组合的待分配的目标对象的对应实体为工厂A；属性值4011和属性值402i组合的待分配的目标对象的对应实体为工厂B；属性值4011和属性值402N组合的待分配的目标对象的对应实体为工厂C；属性值401N的待分配的目标对象的对应实体为工厂D。图4所示的各个属性之间无从属关系，根据信息增益的计算和判断，属性401比其他属性对于确定工厂的决定性更大，选取属性401作为优先分类的属性，即，第一个特征，在属性401的特征值确定的条件下，判断其他属性的信息增益，进行迭代构建完整的决策树，直到6353个目标对象中大部分找到对应的唯一实体。
如图4所示，在确定属性401为优先分类的属性之后，对于属性401中的每个属性值，逐一计算除属性401之外其他属性的信息增益，在属性402为信息增益最大的属性时，确定属性402为其他属性中的优先分类的属性，并计算出属性值4021、属性值402i和属性值402N，在属性402的信息增益接近属性值4011的信息熵时，根据属性402确定目标对象对应的工厂。
示例性地，如图5所示的决策树。对于属性值为JAPAN和PH1的目标对象，分配给实体1(J200)；对于属性值为JAPAN和PH2的目标对象，分配给实体2(J203)；对于属性值为JAPAN和PH3至PHN的目标对象，分配给实体3(H001)；对于属性值为WE和central的目标对象，分配给实体4(NL04)；对于属性值为WE、North、PH1的目标对象，分配给实体5(NL04)；对于属性值为WE、North、PH2的目标对象，分配给实体6(H001)；对于属性值为WE和South的目标对象，分配给实体7(H301)。
在一种可以实现的方式中，在所述确定每一所述属性组合中每一属性的权重，得到至少一个线性分类器之后，所述方法还包括：基于所述第一属性集合中每一属性的信息增益，确定与每一所述属性组合对应的线性分类器的决策层级。示例性地，根据信息增益的计算和判断，进行迭代构建完整的决策树。
在一种可以实现的方式中，所述基于所述第一属性集合中每一属性的信息增益，确定与每一所述属性组合对应的线性分类器的决策层级，包括：基于每一所述信息增益，确定与每一所述属性组合对应的线性分类器的优先级顺序；基于所述线性分类器的优先级顺序，确定所述线性分类器的决策层级。
示例性地，属性1(SubGeo)的信息增益为0.405、属性502(Material Group)的信息增益为0.25；属性503(Product Hierarchy)的信息增益为0.29；属性504(SubRegion)的信息增益为0.10；属性505(Material Number)的信息增益为0.23。基于上述信息增益，确定优先确定属性501。然后，在属性1(SubGeo)为JAPAN的条件下，计算属性502、属性503、属性504、属性505的信息增益。
表2-6不同实体的信息熵
实体 目标对象数量 比例 信息熵
J200 111 0.312676 0.52444
J203 23 0.064789 0.25579
H071 87 0.24507 0.49718
H001 134 0.377465 0.53056
J200 111 0.312676 0.52444
如表2-6所示，在属性1(SubGeo)为JAPAN的条件下，5个实体的信息熵为1.8。表2-7为属性503为属性值5031(PH1)时，不同实体的信息熵，表2-8为属性503为属性值5032(PH2)时，不同实体的信息熵，表2-9为属性503为属性值5033(PH3)时，不同实体的信息熵，表2-10为属性504为属性值5031(PH4)时，不同实体的信息熵；基于表2-7、表2-8、表2-9、表2-10、和公式(2-2)得到属性1(SubGeo)为JAPAN的条件下，属性值5031(PH1)的信息熵0.15、属性值5032(PH2)的信息熵0、属性值5033(PH3)的信息熵0.098、属性值5034(PH4)的信息熵0。根据属性值5031、属性值5032、属性值5033、属性值5034，计算出属性503的信息增益为1.546。
应用同样的方法，得到在属性1(SubGeo)为JAPAN的条件下，属性502(MaterialGroup)的信息增益为0.493、属性504(SubRegion)的信息增益为0.12、属性505(MaterialNumber)的信息增益为0.59。由此，可以得到在SubGeo确定为JAPAN的情况下，ProductHierarchy属性在确定目标对象的实体的决策过程中更明显，且Product Hierarchy信息增益与SubGeo为JAPAN的信息熵差距非常小。因此，根据Product Hierarchy即可为目标对象分配实体，如图5所示，为属性值5031(PH1)分配工厂J200、为属性值5032(PH2)分配工厂J203、为属性值5033(PH3)分配工厂H071、为属性值5034(PH4)分配工厂H001。
应用同样的方法，再次计算属性501(SubGeo)为属性值WE的情况下，ProductHierarchy，SubRegion和Material Group等信息增益对决策实体的影响效果。则，属性502(Material Group)的信息增益为：0.43、属性504(SubRegion)的信息增益为：0.98、属性505(Material Number)的信息增益为：0.49。由此可知，在SubGeo为WE的情况下，采用属性504(SubRegion)的信息增益更明显，更可以快速确定目标对象对应的实体，根据属性504(SubRegion)为目标对象分配实体，如图5所示，为属性值5041(central)分配工厂NL04、为属性值5043(South)分配工厂H301。
应用同样的方法，再次计算属性504为属性值5042(PH2)的情况下，其他属性的信息增益，得到属性503的信息增益相较于其他属性最大，分别计算属性503中属性值5031(PH1)和属性值5032(PH2)的信息熵，并根据计算结果为属性值5031(PH1)分配工厂NL04、为属性值5032(PH2)分配工厂H001。每种属性确定后再根据同样方法确定下一级的属性，直至构造出完整的决策树。
表2-7不同实体的信息熵
实体 目标对象数量 比例 信息熵
J200 99 0.891892 0.14722
H001 12 0.108108 0.34697
表2-8不同实体的信息熵
实体 目标对象数量 比例 信息熵
J203 23 1 0
表2-9不同实体的信息熵
实体 目标对象数量 比例 信息熵
H071 80 0.91954023 0.11127853
H001 7 0.08045977 0.292518621
表2-10不同实体的信息熵
实体 目标对象数量 比例 信息熵
H001 134 1 0
在上述实施例中，一方面，获取第一时间段内影响目标对象分配的第一属性集合。这样，能够通过分析目标对象的属性，确定属性的优先级，减少计算次数。另一方面，基于所述第一属性集合，确定至少一个线性分类器，得到目标对象分配的多变量决策树；其中，所述目标对象分配的多变量决策树用于通过所述至少一个线性分类器组成的至少一个分类边界对目标对象进行分配；基于所述多变量决策树，确定所述待分配目标对象的对应实体。这样，能够通过线性分类器，基于分类边界预测目标对象分配实体。如此，能够快速生成属性对应的决策顺序，减少数据决策计算量；对属性组合进行快速拟合并校验，减少数据维护工作量。
本申请提供了一种决策分配方法，图3为本申请实施例提供的一种决策分配方法的流程示意图，如图3所示，所述方法至少包括以下步骤：
步骤S301，获取第一时间段内的目标对象并去除包括预设属性的目标对象。
示例性地，已知目标对象分配数据集为D＝{(X1,y1),(X2,y2),(X3,y3),…,(Xm,ym)},yi表示需要决策的实体，Xi表示属性组合。属性组合Xi＝{xi1,xi2,…,xij}j表示属性的个数，每个属性xij来自于属性集合Aj。
这里，目标对象获取并去除特殊目标对象，用于减少以客户为中心的分配方式和以产品为中心的分配方式中的目标对象对决策树的影响，因为可以用固定规则替换。
ya:Xi∈Xa，并且，yb:Xi∈Xb公式(3-1)；
如公式(3-1)所示，若预设属性Xa确定分配给ya实体，预设属性Xb确定分配给yb实体。则需要从第一时间段内的目标对象中去除公式(3-1)中的目标对象。
步骤S302，对影响所述目标对象的属性进行量化。
步骤S303，对所述量化后的属性进行信息增益分析，得到第一属性集合。
步骤S304，将所述第一属性集合中的属性进行组合，确定线性分类器。
步骤S305，利用所述线性分类器，确定所述待分配目标对象的对应实体。
示例性地，用多变量决策树方式查找实体，每个实体为生成决策树的叶节点。通过信息增益较大的属性确定优先判断的属性，同时也可以减少相关属性个数，得到第一属性集合。这里，对属性采用公式(3-2)进行信息增益分析；
Figure BDA0004094250440000141
其中，
Figure BDA0004094250440000142
Pk为满足条件的比例，y表示满足条件的实体个数，Dv表示属性v对应的数据集。
这里，根据信息增益的计算和判断，进行迭代构建完整的决策树。直到每个目标对象找到对应的实体。如图4所示，待分配的目标对象包括属性401和属性402，其中，属性401包括N种属性值，即，属性值4011至属性值401N；属性402也包括N种属性值，即，属性值4021至属性值402N。基于待分配的目标对象通过两种属性值的组合，确定出待分配的目标对象的对应实体，例如，属性值4011和属性值4021组合的待分配的目标对象的对应实体为工厂A；属性值4011和属性值402i组合的待分配的目标对象的对应实体为工厂B；属性值4011和属性值402N组合的待分配的目标对象的对应实体为工厂C；属性值401N的待分配的目标对象的对应实体为工厂D。
这里，在减少属性个数，得到第一属性集合后，每个目标对象即为多元特征空间中的一个点，也可以对各个属性产生的组合进行简化，对于有效的组合生成新的决策树，减少决策层级，提升效率。
示例性地，以5种属性1天内7650个目标对象、14个实体为例进行说明。
首先，去掉包括属性Xa目标对象和包括属性Xb目标对象。其中，Xa类目标对象：为某个产品只能有某个实体生产。Xb类目标对象：某类目标对象由某个区域实体交付。这样，则目标对象减少到6353。
其次，基于6353个目标对象的5种属性计算信息增益如表3-1所示：
表3-1不同实体的信息熵
实体 目标对象数量 比例 信息熵
A200 54 0.0085 0.05847
C400 4 0.00063 0.00669
H001 4252 0.66929 0.38772
H071 681 0.107193 0.34535
H301 223 0.035102 0.16962
J200 111 0.017472 0.10202
J203 23 0.00362 0.02936
N202 6 0.000944 0.00949
NL04 2 0.000315 0.00366
U400 931 0.146545 0.40602
U401 54 0.0085 0.05847
U403 5 0.000787 0.00812
U404 3 0.000472 0.00522
U472 4 0.00063 0.00669
如表3-1所示，对于14个实体信息熵为1.59。以5种属性中的属性501(subGeo)为例，计算信息熵，属性1包括四个属性值，分别为：属性值1(JAPAN)、属性值2(ANZ)、属性值3(NA)和属性值4(WE)。其中，属性值1的信息熵为0.101024，计算过程如表3-2所示，属性值2的信息熵为0.02229，计算过程如表3-3所示，属性值3的信息熵为0.661701，计算过程如表3-4所示，属性值4的信息熵为0.400443，计算过程如表3-5所示，：
表3-2不同实体的信息熵
实体 目标对象数量 比例 信息熵
H001 134 0.377465 0.53056
H071 87 0.24507 0.49718
J200 111 0.312676 0.52444
J203 23 0.064789 0.25579
表3-3不同实体的信息熵
实体 目标对象数量 比例 信息熵
A200 54 0.0085 0.05847
H001 348 0.054777 0.22953
H071 24 0.003778 0.0304
N202 6 0.000944 0.00949
表3-4不同实体的信息熵
实体 目标对象数量 比例 信息熵
C400 4 0.001323 0.01265
H001 1807 0.597751 0.44376
H071 216 0.071452 0.27201
U400 931 0.307972 0.52328
U401 54 0.017863 0.10373
U403 4 0.001323 0.01265
U404 3 0.000992 0.0099
U472 4 0.001323 0.01265
表3-5不同实体的信息熵
Figure BDA0004094250440000161
Figure BDA0004094250440000171
这里，通过表3-2至表3-5可以计算得到可以计算出属性501(SubGeo)的信息增益为0.405。采用上述内容相同的方法，确定出属性502(Material Group)的信息增益为0.25；确定出属性503(Product Hierarchy)的信息增益为0.29；确定出属性504(SubRegion)的信息增益为0.10；确定出属性505(Material Number)的信息增益为0.23。基于上述信息增益，确定优先确定属性501，得到如图5所示的决策树。对于属性值为JAPAN和PH1的目标对象，分配给实体1(J200)；对于属性值为JAPAN和PH2的目标对象，分配给实体2(J203)；对于属性值为JAPAN和PH3至PHN的目标对象，分配给实体3(H001)；对于属性值为WE和central的目标对象，分配给实体4(NL04)；对于属性值为WE、North、PH1的目标对象，分配给实体5(NL04)；对于属性值为WE、North、PH2的目标对象，分配给实体6(H001)；对于属性值为WE和South的目标对象，分配给实体7(H301)。
在上述实施例中，一方面，获取第一时间段内的目标对象并去除包括预设属性的目标对象，这样，能够减少决策的属性，并根据目标对象的周期变化可以快速调整。另一方面，对所述量化后的属性进行信息增益分析，得到第一属性集合。又一方面，将所述第一属性集合中的属性进行组合，确定线性分类器，这样，能够通过基于历史数据建立的线性分类器，基于分类边界预测目标对象分配实体。如此，能够根据目标对象数据的阶段变化快速确定属性，减少人为主观影响；快速生成属性对应的决策顺序，减少数据决策计算量；对属性组合进行快速拟合并校验，减少数据维护工作量。
基于前述的实施例，本申请实施例再提供一种决策分配装置，所述控制装置包括所包括的各模块，可以通过电子设备中的处理器来实现；当然也可通过具体的逻辑电路实现；在实施的过程中，处理器可以为中央处理器(Central Processing Unit，CPU)、微处理器(Micro Processing Unit，MPU)、数字信号处理器(Digital Signal Processor，DSP)或现场可编程门阵列(Field Programmable Gate Array，FPGA)等。
图6为本申请实施例提供的一种决策分配装置的组成结构示意图，如图6所示，所述装置600包括获取模块601和确定模块602，其中：
获取模块601，用于获取第一时间段内影响目标对象分配的第一属性集合；
确定获取模块602，用于基于所述第一属性集合，确定至少一个线性分类器，得到目标对象分配的多变量决策树；其中，所述目标对象分配的多变量决策树用于通过所述至少一个线性分类器组成的至少一个分类边界对目标对象进行分配；基于所述多变量决策树，确定所述待分配目标对象的对应实体。
在一种可以实现的方式中，确定模块602，还用于：从所述第一属性集合中确定至少一个属性组合；确定每一所述属性组合中每一属性的权重，得到所述至少一个线性分类器。
在一种可以实现的方式中，所述获取模块，还用于：获取所述第一时间段内的目标对象集合；其中，所述目标对象集合中每一目标对象通过至少两个实体中任一实体生产；确定影响所述目标对象集合中目标对象的属性，得到第二属性集合；基于所述第二属性集合中的每一属性的量化值，确定第二属性集合中的每一属性的信息增益；基于至少一个所述信息增益，确定所述第一时间段内影响目标对象分配的第一属性集合。
在一种可以实现的方式中，确定模块602，还用于：获取所述待分配目标对象的属性信息；在所述多变量决策树中查找所述属性信息对应的叶子节点，确定生产所述待分配目标对象的实体；其中，所述多变量决策树的叶子节点为生产待分配目标对象的实体。
在一种可以实现的方式中，确定模块602，还用于：基于所述第一属性集合中每一属性的信息增益，确定与每一所述属性组合对应的线性分类器的决策层级。
在一种可以实现的方式中，确定模块602，还用于：确定所述每一属性的量化值的信息熵；基于所述信息熵，确定每一所述信息增益；基于至少一个所述信息增益，确定第二属性集合，得到所述第二属性集合中每一属性的信息增益。
在一种可以实现的方式中，确定模块602，还用于：基于每一所述信息增益，确定与每一所述属性组合对应的线性分类器的优先级顺序；基于所述线性分类器的优先级顺序，确定所述线性分类器的决策层级。
这里需要指出的是：以上装置实施例的描述，与上述方法实施例的描述是类似的，具有同方法实施例相似的有益效果。对于本申请装置实施例中未披露的技术细节，请参照本申请方法实施例的描述而理解。
需要说明的是，本申请实施例中，如果以软件功能模块的形式实现上述方法，并作为独立的产品销售或使用时，也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，本申请实施例的技术方案本质上或者说对相关技术做出贡献的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电子设备执行本申请各个实施例所述方法的全部或部分。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)、磁碟或者光盘等各种可以存储程序代码的介质。这样，本申请实施例不限制于任何特定的硬件和软件结合。
对应地，本申请实施例提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述实施例中任一所述方法中的步骤。
对应地，本申请实施例中，还提供了一种芯片，所述芯片包括可编程逻辑电路和/或程序指令，当所述芯片运行时，用于实现上述实施例中任一所述方法中的步骤。
对应地，本申请实施例中，还提供了一种计算机程序产品，当该计算机程序产品被电子设备的处理器执行时，其用于实现上述实施例中任一所述方法中的步骤。
基于同一技术构思，本申请实施例提供一种电子设备，用于实施上述方法实施例记载的决策分配方法。图7为本申请实施例提供的一种电子设备的硬件实体示意图，如图7所示，所述电子设备700包括存储器710和处理器720，所述存储器710存储有可在处理器720上运行的计算机程序，所述处理器720执行所述程序时实现本申请实施例任一所述方法中的步骤。
存储器710配置为存储由处理器720可执行的指令和应用，还可以缓存待处理器720以及电子设备中各模块待处理或已经处理的数据(例如，图像数据、音频数据、语音通信数据和视频通信数据)，可以通过闪存(FLASH)或随机访问存储器(Random Access Memory，RAM)实现。
处理器720执行程序时实现上述任一项的决策分配方法的步骤。处理器720通常控制电子设备700的总体操作。
上述处理器可以为特定用途集成电路(应用程序Application SpecificIntegrated Circuit，ASIC)、数字信号处理器(Digital Signal Processor，DSP)、数字信号处理装置(Digital Signal Processing Device，DSPD)、可编程逻辑装置(ProgrammableLogic Device，PLD)、现场可编程门阵列(Field Programmable Gate Array，FPGA)、中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器中的至少一种。可以理解地，实现上述处理器功能的电子器件还可以为其它，本申请实施例不作具体限定。
上述计算机存储介质/存储器可以是只读存储器(Read Only Memory，ROM)、可编程只读存储器(Programmable Read-Only Memory，PROM)、可擦除可编程只读存储器(Erasable Programmable Read-Only Memory，EPROM)、电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory，EEPROM)、磁性随机存取存储器(Ferromagnetic Random Access Memory，FRAM)、快闪存储器(Flash Memory)、磁表面存储器、光盘、或只读光盘(Compact Disc Read-Only Memory，CD-ROM)等存储器；也可以是包括上述存储器之一或任意组合的各种电子设备，如移动电话、计算机、平板设备、个人数字助理等。
这里需要指出的是：以上存储介质和设备实施例的描述，与上述方法实施例的描述是类似的，具有同方法实施例相似的有益效果。对于本申请存储介质和设备实施例中未披露的技术细节，请参照本申请方法实施例的描述而理解。
应理解，说明书通篇中提到的“一个实施例”或“一实施例”意味着与实施例有关的特定特征、结构或特性包括在本申请的至少一个实施例中。因此，在整个说明书各处出现的“在一个实施例中”或“在一实施例中”未必一定指相同的实施例。此外，这些特定的特征、结构或特性可以任意适合的方式结合在一个或多个实施例中。应理解，在本申请的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，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，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，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全部单元来实现本申请实施例方案的目的。
另外，在本申请各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，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单元的形式实现。
或者，本申请上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也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，本申请实施例的技术方案本质上或者说对相关技术做出贡献的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设备自动测试线执行本申请各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、磁碟或者光盘等各种可以存储程序代码的介质。
本申请所提供的几个方法实施例中所揭露的方法，在不冲突的情况下可以任意组合，得到新的方法实施例。
本申请所提供的几个方法或设备实施例中所揭露的特征，在不冲突的情况下可以任意组合，得到新的方法实施例或设备实施例。
以上所述，仅为本申请的实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。

Claims (10)

1.一种决策分配方法，所述方法包括：
获取第一时间段内影响目标对象分配的第一属性集合；
基于所述第一属性集合，确定至少一个线性分类器，得到目标对象分配的多变量决策树；其中，所述目标对象分配的多变量决策树用于通过所述至少一个线性分类器组成的至少一个分类边界对目标对象进行分配；
基于所述多变量决策树，确定所述待分配目标对象的对应实体。
2.如权利要求1所述的方法，所述基于所述第一属性集合，确定至少一个线性分类器，包括：
从所述第一属性集合中确定至少一个属性组合；
确定每一所述属性组合中每一属性的权重，得到所述至少一个线性分类器。
3.如权利要求1所述的方法，所述获取第一时间段内影响目标对象分配的第一属性集合，包括：
获取所述第一时间段内的目标对象集合；其中，所述目标对象集合中每一目标对象通过至少两个实体中任一实体生产；
确定影响所述目标对象集合中目标对象的属性，得到第二属性集合；
基于所述第二属性集合中的每一属性的量化值，确定第二属性集合中的每一属性的信息增益；
基于至少一个所述信息增益，确定所述第一时间段内影响目标对象分配的第一属性集合。
4.如权利要求1所述的方法，所述基于所述多变量决策树，确定所述待分配目标对象的对应实体，包括：
获取所述待分配目标对象的属性信息；
在所述多变量决策树中查找所述属性信息对应的叶子节点，确定生产所述待分配目标对象的实体；其中，所述多变量决策树的叶子节点为生产待分配目标对象的实体。
5.如权利要求2所述的方法，在所述确定每一所述属性组合中每一属性的权重，得到所述至少一个线性分类器之后，所述方法还包括：
基于所述第一属性集合中每一属性的信息增益，确定与每一所述属性组合对应的线性分类器的决策层级。
6.如权利要求3所述的方法，所述基于所述第二属性集合中的每一属性的量化值，确定第二属性集合中的每一属性的信息增益，包括：
确定所述每一属性的量化值的信息熵；
基于所述信息熵，确定每一所述信息增益；
基于至少一个所述信息增益，确定第二属性集合，得到所述第二属性集合中每一属性的信息增益。
7.如权利要求5所述的方法，所述基于所述第一属性集合中每一属性的信息增益，确定与每一所述属性组合对应的线性分类器的决策层级，包括：
基于每一所述信息增益，确定与每一所述属性组合对应的线性分类器的优先级顺序；
基于所述线性分类器的优先级顺序，确定所述线性分类器的决策层级。
8.一种决策分配装置，所述装置包括：
获取模块，用于获取第一时间段内影响目标对象分配的第一属性集合；
确定获取模块，用于基于所述第一属性集合，确定至少一个线性分类器，得到目标对象分配的多变量决策树；其中，所述目标对象分配的多变量决策树用于通过所述至少一个线性分类器组成的至少一个分类边界对目标对象进行分配；基于所述多变量决策树，确定所述待分配目标对象的对应实体。
9.一种电子设备，包括存储器和处理器，所述存储器存储有可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1至7任一项所述方法中的步骤。
10.一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，该计算机程序被处理器执行时实现权利要求1至7中任一项所述方法中的步骤。
CN202310158490.7A 2023-02-20 2023-02-20 一种决策分配方法及装置、电子设备、存储介质 Pending CN116187695A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310158490.7A CN116187695A (zh) 2023-02-20 2023-02-20 一种决策分配方法及装置、电子设备、存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310158490.7A CN116187695A (zh) 2023-02-20 2023-02-20 一种决策分配方法及装置、电子设备、存储介质

Publications (1)

Publication Number Publication Date
CN116187695A true CN116187695A (zh) 2023-05-30

Family

ID=86445915

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310158490.7A Pending CN116187695A (zh) 2023-02-20 2023-02-20 一种决策分配方法及装置、电子设备、存储介质

Country Status (1)

Country Link
CN (1) CN116187695A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116975626A (zh) * 2023-06-09 2023-10-31 浙江大学 一种供应链数据模型的自动更新方法及装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116975626A (zh) * 2023-06-09 2023-10-31 浙江大学 一种供应链数据模型的自动更新方法及装置
CN116975626B (zh) * 2023-06-09 2024-04-19 浙江大学 一种供应链数据模型的自动更新方法及装置

Similar Documents

Publication Publication Date Title
CN107291545A (zh) 计算集群中多用户的任务调度方法及设备
JP6779231B2 (ja) データ処理方法及びシステム
US20080027837A1 (en) Computer Implemented System for Determining a Distribution Policy for a Single Period Inventory System, Optimization Application Therefor, and Method Therefor, and Decision Support Tool for Facilitating User Determination of a Distribution Policy for a Single Period Inventory System
MXPA97002050A (en) Filter system of priority row and metodode operac
CN116187695A (zh) 一种决策分配方法及装置、电子设备、存储介质
CN115812209A (zh) 机器学习特征推荐
CN115394358A (zh) 基于深度学习的单细胞测序基因表达数据插补方法和系统
CN112395293A (zh) 分库分表方法、分库分表装置、分库分表设备及存储介质
CN111143685A (zh) 一种推荐系统的构建方法及装置
Won et al. Fuzzy ART/RRR-RSS: a two-phase neural network algorithm for part-machine grouping in cellular manufacturing
CN110020954B (zh) 一种收益分配方法、装置及计算机设备
CN116866281A (zh) 流量平衡方法、装置和计算机设备和存储介质
JP6647966B2 (ja) 在庫引当装置及び在庫引当方法
CN112580915A (zh) 一种项目里程碑确定方法、装置、存储介质及电子设备
Chen et al. Multiobjective Order Assignment Optimization in a Global Multiple‐Factory Environment
CN112015554B (zh) 任务处理方法和装置
Kazemi et al. A mathematical model for assessing the effects of a lot splitting feature on a dynamic cellular manufacturing system
Selim et al. Formation of machine groups and part families: a modified SLC method and comparative study
CN114519529A (zh) 基于卷积自编码器的企业信用评级方法、设备及介质
CN113760172A (zh) 一种分片分配方法、装置及电子设备
CN114265556B (zh) 一种数据存储方法及装置
WO2019012438A1 (en) COMPUTER-IMPLEMENTED EVALUATION SYSTEM AND ITS METHOD
JP2014038476A (ja) 情報処理装置
Mikayilova et al. Determination of the Level of Development of Commodity Markets by Segmentation of Economic Regions Based on the Theory of Fuzzy Sets
Tzovas et al. Distributing sparse matrix/graph applications in heterogeneous clusters-an experimental study

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