CN116414430A - 一种基于规则引擎Drools的量化方法 - Google Patents
一种基于规则引擎Drools的量化方法 Download PDFInfo
- Publication number
- CN116414430A CN116414430A CN202310404013.4A CN202310404013A CN116414430A CN 116414430 A CN116414430 A CN 116414430A CN 202310404013 A CN202310404013 A CN 202310404013A CN 116414430 A CN116414430 A CN 116414430A
- Authority
- CN
- China
- Prior art keywords
- rule
- data
- drools
- acquisition
- service
- 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
- 238000000034 method Methods 0.000 title claims abstract description 79
- 238000013139 quantization Methods 0.000 title claims abstract description 28
- 230000008569 process Effects 0.000 claims abstract description 41
- 238000012423 maintenance Methods 0.000 claims abstract description 11
- 238000004445 quantitative analysis Methods 0.000 claims abstract description 10
- 238000009825 accumulation Methods 0.000 claims abstract description 9
- 230000010354 integration Effects 0.000 claims abstract description 8
- 238000005259 measurement Methods 0.000 claims description 25
- 238000000342 Monte Carlo simulation Methods 0.000 claims description 15
- 230000001419 dependent effect Effects 0.000 claims description 14
- 238000004140 cleaning Methods 0.000 claims description 11
- 230000008859 change Effects 0.000 claims description 10
- 230000000694 effects Effects 0.000 claims description 10
- 230000006872 improvement Effects 0.000 claims description 9
- 238000004088 simulation Methods 0.000 claims description 8
- 230000000737 periodic effect Effects 0.000 claims description 5
- 230000002085 persistent effect Effects 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 230000001960 triggered effect Effects 0.000 claims description 2
- 238000007726 management method Methods 0.000 description 10
- 238000012986 modification Methods 0.000 description 7
- 230000004048 modification Effects 0.000 description 7
- 238000011002 quantification Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000013480 data collection Methods 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F8/00—Arrangements for software engineering
- G06F8/70—Software maintenance or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/3003—Monitoring arrangements specially adapted to the computing system or computing system component being monitored
- G06F11/302—Monitoring arrangements specially adapted to the computing system or computing system component being monitored where the computing system component is a software system
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
- G06F11/3452—Performance evaluation by statistical analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
- G06F11/3466—Performance evaluation by tracing or monitoring
- G06F11/3476—Data logging
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/211—Schema design and management
- G06F16/212—Schema design and management with details for data modelling support
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Quality & Reliability (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Computer Hardware Design (AREA)
- Bioinformatics & Computational Biology (AREA)
- Pure & Applied Mathematics (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Algebra (AREA)
- Operations Research (AREA)
- Stored Programmes (AREA)
Abstract
本发明涉及一种基于规则引擎Drools的量化方法,属于面向软件研制过程中的量化管理领域。本发明首先执行基础平台的持续集成业务,依据Drools定义的采集指标收集持续集成各个环节产生的业务数据;其次采集接口运行规则文件,根据规则内容计算产生数据结果;最后业务数据的累计作为量化分析管理的基础,量化过程中可随数据的积累而不断迭代更新,以便高质量地实现质量与过程绩效目标。本发明通过Drools解决了业务维护困难,迭代成本高的问题。相比于其他量化方法,该发明更加灵活高效,同时具备高质量的过程管理方式,针对过程绩效目标地实现具备良好的管控方法。
Description
技术领域
本发明属于面向软件研制过程中的量化管理领域,具体涉及一种基于规则引擎Drools的量化方法。
背景技术
软件产品的系统架构日益复杂,迭代周期越来越短。而每次修改数据采集测量项,都需要开发人员开发、编译、重新部署上线,使得过程中花费时间较多,效率低下。因此针对此问题,本发明通过Drools进行数据采集测量项的维护,可线上实时修改,即改即用,节省维护成本,提升迭代速率。
发明内容
(一)要解决的技术问题
本发明要解决的技术问题是如何提供一种基于规则引擎Drools的量化方法,以解决业务维护困难,迭代成本高的问题。
(二)技术方案
为了解决上述技术问题,本发明提出一种基于规则引擎Drools的量化方法,该方法包括如下步骤:
步骤一:定义Drools规则内容,根据实际业务场景自定义规则实体;
步骤二:用户发起数据采集,触发数据采集项定义好的采集规则,获取持续集成环境执行过程中产生的数据,针对产生的数据进行清洗,筛选,分析获取采集规则相关的数据结果后,平台通过数据库对数据结果进行存储;
步骤三:模型库依据采集规则采集到的数据结果进行分析和清洗,然后建立模型、建立基线,通过蒙特卡罗模拟预测指导质量指标数据趋势,正向反馈于用户的数据采集,提升量化管理能力。
进一步地,所述步骤一具体包括:
S11、开发人员编写Drools规则,一个规则文件包含若干规则条目,Drools本身内置工作空间支持规则条目各之间依赖调用;
S12、当业务需求发生变化时,无需停止服务,直接线上修改规则实体。
进一步地,所述步骤S11中,Drools规则包括:
规则分组:一个规则文件分一个组,在执行时需指明规则分组,从而执行该组下的各规则条目;
规则条件:根据业务方传入的数据条件进行符合性匹配,即当条件满足时,执行该规则,规则条件为一种判断,同时各规则条目支持优先级的设定,优先级属性值越大越先执行;
规则内容:该部分为规则条目的主要部分,涉及sql和函数的运算,这些运算包含了对相关持续集成环境业务的调用;之后线上的动态维护针对规则内容和规则条件;
规则结论:规则内容运算完成之后产生的数据结果即为规则结论,该结论通过全局变量的形式供业务模块使用;结论数据的累计即为量化分析的基础数据;
以上四部分构成一个完整的规则条目,也称之为规则实体,各规则实体对应一个业务需求,业务需求的执行即通过规则实体的运行得到结果。
进一步地,所述步骤S12中,变化包括:采集条件变更、结论定义变更和业务需求的新增或修改。
进一步地,所述步骤二具体包括:
S21、用户进行定期采集、里程碑采集或结项采集三种方式的数据采集,根据步骤一中的规则定义,采集模块发起调用,执行规则文件;
S22、根据匹配的规则,执行规则实体,各规则实体发起持续集成环境业务的调用,规则运行后得到数据结果;
S23、上一步数据结果的清洗并汇总获得量化的目标数据,各目标数据表征当前改进活动;每次执行后将目标数据保存到业务方中的关系型数据库中。
进一步地,所述步骤S21中,
定期采集指:按时间月采集,或用户自由安排时间采集;
里程碑采集指:根据任务进度计划的设定,到某里程碑节点进行数据采集统计;
结项采集指:项目结项时进行,统计该项目完整周期的数据。
进一步地,所述步骤S23还包括:多次执行及项目横向对比累计后,根据目标的达成率反馈出活动的改进效果。
进一步地,所述步骤三具体包括:
S31、依据步骤二多次采集数据的积累,通过接口推送的方式,将数据进行清洗后,供基线、模型使用;
S32、基线衡量某测量项指标,确认其是否具有明确特征,是否服从正态分布,据此作为业务中参考值;
S33、模型是分析多测量项的分布关系,将各测量项作为其方程的自变量与因变量,通过其数据模拟得到其符合的数学拟合方程,直观反应出各测量项关系;同时基线作为某个因子的参考项,因子的选择范围需符合基线的上下限值;模型创建后,通过蒙特卡罗方法得到因变量的范围数据,因变量值作为过程改进的指标项,更好地反馈数据质量;
S34、根据模型方程,因子的上下限会根据基线自动加载设定,动态调整各因子的取值,从而得到因变量值的较优解;模型方程具备明显特征,这些特征供过程量化分析所用,同时量化的数据结果正向作用于模型模拟的基础数据,从而进一步得到基线及过程特征的最优值,不断改进量化目标。
进一步地,所述步骤S32中,建立基线时,用户自由选择数据例,同时支持分组比较。
进一步地,模型方程的特征包括:方差、极差和标准差。
(三)有益效果
本发明提出一种基于规则引擎Drools的量化方法,与现有技术相比,本发明具有以下明显的优势和有益效果:
(1)Drools规则支持用户自定义,用户通过修改规则条件、规则内容及规则结论可自定义业务边界,线上即改即用,无需重启服务。该方式简化运维的更新部署流程,提升效率。
(2)持续集成模块包括各质量数据,如静态代码扫描情况、代码编译情况等。各业务流程数据实现自动化流转清洗,无需人工采集操作。
(3)采用蒙特卡罗模拟的方式进行量化分析,数据推送以增量的形式进行,随着数据增多,样本数据增多,从而可不断优化模型、基线的结果。模型结果作为量化基础,递进正向反馈目标质量数据结果。该量化方式缩短分析数据的过程,省时省力,高效得到目标结果。以结果为导向,项目过程中通过分析目标结果的各影响因子(测量项),适时调整业务走向,对达成可行性目标提供价值参考和适当性决策。
附图说明
图1为本发明基于规则引擎Drools的量化方法框架图。
具体实施方式
为使本发明的目的、内容和优点更加清楚,下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。
本发明主要面向软件研制过程中的量化管理领域,针对项目质量数据的采集与预测问题,使用Drools可灵活定义各采集项,支持采集项之间的逻辑调用,支持采集项的循环使用,支持结果目标值的自由配置。为了提升项目数据的质量,依据已产生的历史数据,可作出量化指导。本发明通过Drools可快速解决数据采集项的定义,同时具备修改后即时生效,实现线上不停服的个性化配置使用,减少了停服再启动的人工运维成本。通过蒙特卡罗模拟方式,将模拟结果作用于项目过程,该方式可模拟出各测量项的阈值,阈值指导建议项目实施过程中相应环节的数据把控,从而提升项目过程质量。
针对软件迭代开发过程中,手动采集数据,修正数据,从而满足高质量的过程绩效量化目标,本发明提供了一种基于规则引擎Drools及蒙特卡罗模拟的量化方法。首先,执行基础平台的持续集成业务,依据Drools定义的采集指标收集持续集成各个环节产生的业务数据;其次,采集接口运行规则文件,根据规则内容计算产生数据结果;最后,业务数据的累计作为量化分析管理的基础,量化过程中可随数据的积累而不断迭代更新,以便高质量地实现质量与过程绩效目标。本发明通过Drools解决了业务维护困难,迭代成本高的问题。相比于其他量化方法,该发明更加灵活高效,同时具备高质量的过程管理方式,针对过程绩效目标地实现具备良好的管控方法。
Drools是用Java语言编写的规则引擎,易用方便维护,同时也具有快速的执行速度。此外,在线上使用时可不重启服务的情况下,随时对实体规则进行扩展和维护,从而快速响应需求变更,减少了硬编码业务规则的成本和风险。
蒙特卡罗模拟方法是利用随机性来解决理论上可能是确定性的问题,利用该方法近似求出最优解,也可为其过程量化目标提供参考帮助。同时正向反馈数据采集测量项,针对于其影响因子,进行适当调整,以便更好达成预先设置的量化目标。
本发明主要通过Drools规则的方式进行数据采集项的定义,实现了高效开发上线使用,通过蒙特卡罗模拟方法不断优化量化管理及原因分析,对项目策划及项目过程实施提供价值参考,对决策性的指标提供数据支持。基于规则引擎Drools的量化方法框架图如图1所示。以下步骤展开描述此过程:
步骤一:定义Drools规则内容,根据实际业务场景自定义规则实体,该方式优势在于线上实时调整;
S11、开发人员编写Drools规则,一个规则文件包含若干规则条目,Drools本身内置工作空间支持规则条目各之间依赖调用,Drools规则主要包括:
规则分组:一般一个规则文件分一个组,在执行时需指明规则分组,从而执行该组下的各规则条目。
规则条件:根据业务方传入的数据条件进行符合性匹配,即当条件满足时,执行该规则,规则条件通常意义上为一种判断,如常见的比较判断、包含关系判断等,同时各规则条目支持优先级的设定,优先级属性值越大越先执行。
规则内容:该部分为规则条目的主要部分,涉及sql和函数的运算,这些运算包含了对相关持续集成环境业务的调用;之后线上的动态维护主要针对于规则内容和规则条件。
规则结论:规则内容运算完成之后产生的数据结果即为规则结论,该结论可通过全局变量的形式供业务模块使用。结论数据的累计即为量化分析的基础数据。
以上四部分构成一个完整的规则条目,也称之为规则实体,各规则实体对应一个业务需求,业务需求的执行即通过规则实体的运行得到结果。
S12、当业务需求发生变化时,这种变化包括采集条件变更、结论定义变更和业务需求的新增或修改,这种情况无需停止服务,可直接线上修改规则实体。
步骤二:用户发起数据采集,触发数据采集项定义好的采集规则,获取持续集成环境执行过程中产生的数据,针对产生的数据进行清洗,筛选;分析获取采集规则相关的数据结果后,平台通过数据库对数据结果进行存储。其累计的数据也作为量化模型的基础数据。
S21、用户可进行定期采集、里程碑采集、结项采集三种方式的数据采集,根据步骤一中的规则定义,采集模块发起调用,执行规则文件;
定期采集:可按时间月采集,也可用户自由安排时间采集;
里程碑采集:即根据任务进度计划的设定,到某里程碑节点进行数据采集统计;
结项采集:即项目结项时进行,统计该项目完整周期的数据;
S22、根据匹配的规则,执行规则实体,各规则实体发起持续集成环境业务的调用,规则运行后得到数据结果;
S23、上一步数据结果的清洗并汇总获得量化的目标数据,各目标数据表征当前改进活动。每次执行后将目标数据保存到业务方中的关系型数据库中。多次执行及项目横向对比累计后,根据目标的达成率反馈出活动的改进效果。
步骤三:模型库依据采集规则采集到的数据结果进行分析和清洗,然后建立模型、建立基线,通过蒙特卡罗模拟预测指导质量指标数据趋势,正向反馈于用户的数据采集,提升量化管理能力
S31、依据步骤二多次采集数据的积累,通过接口推送的方式,将数据进行清洗后,供基线、模型使用。
S32、基线衡量某测量项指标,确认其是否具有明确特征,是否服从正态分布,据此可作为业务中参考值。建立基线时,用户可自由选择数据例,同时支持分组比较。
S33、模型是分析多测量项的分布关系,将各测量项作为其方程的自变量与因变量,通过其数据模拟得到其符合的数学拟合方程,这样可直观反应出各测量项关系。同时基线可作为某个因子的参考项,因子的选择范围需符合基线的上下限值。模型创建后,通过蒙特卡罗方法得到因变量的范围数据,因变量值一般作为过程改进的指标项,更好地反馈数据质量。
S34、根据模型方程,因子的上下限会根据基线自动加载设定,动态调整各因子的取值,从而得到因变量值的较优解。模型方程具备明显特征,如方差、极差、标准差等,这些特征供过程量化分析所用,同时量化的数据结果正向作用于模型模拟的基础数据,从而进一步得到基线及过程特征的最优值,不断改进量化目标。
实施例1:
基于规则引擎Drools的量化方法,包括以下步骤,
步骤一:定义Drools规则内容,根据实际业务场景自定义规则实体,该方式优势在于线上实时调整。
步骤二:用户发起数据采集,触发数据采集项定义好的采集规则,获取持续集成环境执行过程中产生的数据,针对产生的数据进行清洗,筛选。分析获取采集规则相关的数据结果后,平台通过数据库对数据结果进行存储。其累计的数据也作为量化模型的基础数据。
步骤三:模型库依据采集规则采集到的数据结果进行分析和清洗,然后建立模型、建立基线,通过蒙特卡罗模拟预测指导质量指标数据趋势,正向反馈于用户的数据采集,提升量化管理能力。
进一步地,采集项的采集规则定义基于Drools规则,Drools规则支持线上修改,动态扩展。Drools是Java语言编写的一个易于访问策略、易于调整及易于管理的业务规则引擎,速度快且效率高。可以将业务决策从代码中抽离出来,规则接受数据输入,解释业务规则,并根据规则作出业务决策,较好的融合各采集数据,最终产生的数据结果保存到数据库中;
进一步地,量化方法以蒙特卡罗模拟为基础,各个项目的结项采集项数据为依据,多项目累计作为模拟的基本条件,根据所建立的基线模型模拟预测出最有结果。最后在对关键过程实施量化管理及原因分析中,保障了量化结果的最优性,同时指导了量化领导决策。
与现有技术相比,本发明具有以下明显的优势和有益效果:
(1)Drools规则支持用户自定义,用户通过修改规则条件、规则内容及规则结论可自定义业务边界,线上即改即用,无需重启服务。该方式简化运维的更新部署流程,提升效率。
(2)持续集成模块包括各质量数据,如静态代码扫描情况、代码编译情况等。各业务流程数据实现自动化流转清洗,无需人工采集操作。
(3)采用蒙特卡罗模拟的方式进行量化分析,数据推送以增量的形式进行,随着数据增多,样本数据增多,从而可不断优化模型、基线的结果。模型结果作为量化基础,递进正向反馈目标质量数据结果。该量化方式缩短分析数据的过程,省时省力,高效得到目标结果。以结果为导向,项目过程中通过分析目标结果的各影响因子(测量项),适时调整业务走向,对达成可行性目标提供价值参考和适当性决策。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (10)
1.一种基于规则引擎Drools的量化方法,其特征在于,该方法包括如下步骤:
步骤一:定义Drools规则内容,根据实际业务场景自定义规则实体;
步骤二:用户发起数据采集,触发数据采集项定义好的采集规则,获取持续集成环境执行过程中产生的数据,针对产生的数据进行清洗,筛选,分析获取采集规则相关的数据结果后,平台通过数据库对数据结果进行存储;
步骤三:模型库依据采集规则采集到的数据结果进行分析和清洗,然后建立模型、建立基线,通过蒙特卡罗模拟预测指导质量指标数据趋势,正向反馈于用户的数据采集,提升量化管理能力。
2.如权利要求1所述的基于规则引擎Drools的量化方法,其特征在于,所述步骤一具体包括:
S11、开发人员编写Drools规则,一个规则文件包含若干规则条目,Drools本身内置工作空间支持规则条目各之间依赖调用;
S12、当业务需求发生变化时,无需停止服务,直接线上修改规则实体。
3.如权利要求2所述的基于规则引擎Drools的量化方法,其特征在于,所述步骤S11中,Drools规则包括:
规则分组:一个规则文件分一个组,在执行时需指明规则分组,从而执行该组下的各规则条目;
规则条件:根据业务方传入的数据条件进行符合性匹配,即当条件满足时,执行该规则,规则条件为一种判断,同时各规则条目支持优先级的设定,优先级属性值越大越先执行;
规则内容:该部分为规则条目的主要部分,涉及sql和函数的运算,这些运算包含了对相关持续集成环境业务的调用;之后线上的动态维护针对规则内容和规则条件;
规则结论:规则内容运算完成之后产生的数据结果即为规则结论,该结论通过全局变量的形式供业务模块使用;结论数据的累计即为量化分析的基础数据;
以上四部分构成一个完整的规则条目,也称之为规则实体,各规则实体对应一个业务需求,业务需求的执行即通过规则实体的运行得到结果。
4.如权利要求3所述的基于规则引擎Drools的量化方法,其特征在于,所述步骤S12中,变化包括:采集条件变更、结论定义变更和业务需求的新增或修改。
5.如权利要求1-4任一项所述的基于规则引擎Drools的量化方法,其特征在于,所述步骤二具体包括:
S21、用户进行定期采集、里程碑采集或结项采集三种方式的数据采集,根据步骤一中的规则定义,采集模块发起调用,执行规则文件;
S22、根据匹配的规则,执行规则实体,各规则实体发起持续集成环境业务的调用,规则运行后得到数据结果;
S23、上一步数据结果的清洗并汇总获得量化的目标数据,各目标数据表征当前改进活动;每次执行后将目标数据保存到业务方中的关系型数据库中。
6.如权利要求5所述的基于规则引擎Drools的量化方法,其特征在于,所述步骤S21中,
定期采集指:按时间月采集,或用户自由安排时间采集;
里程碑采集指:根据任务进度计划的设定,到某里程碑节点进行数据采集统计;
结项采集指:项目结项时进行,统计该项目完整周期的数据。
7.如权利要求5所述的基于规则引擎Drools的量化方法,其特征在于,所述步骤S23还包括:多次执行及项目横向对比累计后,根据目标的达成率反馈出活动的改进效果。
8.如权利要求5所述的基于规则引擎Drools的量化方法,其特征在于,所述步骤三具体包括:
S31、依据步骤二多次采集数据的积累,通过接口推送的方式,将数据进行清洗后,供基线、模型使用;
S32、基线衡量某测量项指标,确认其是否具有明确特征,是否服从正态分布,据此作为业务中参考值;
S33、模型是分析多测量项的分布关系,将各测量项作为其方程的自变量与因变量,通过其数据模拟得到其符合的数学拟合方程,直观反应出各测量项关系;同时基线作为某个因子的参考项,因子的选择范围需符合基线的上下限值;模型创建后,通过蒙特卡罗方法得到因变量的范围数据,因变量值作为过程改进的指标项,更好地反馈数据质量;
S34、根据模型方程,因子的上下限会根据基线自动加载设定,动态调整各因子的取值,从而得到因变量值的较优解;模型方程具备明显特征,这些特征供过程量化分析所用,同时量化的数据结果正向作用于模型模拟的基础数据,从而进一步得到基线及过程特征的最优值,不断改进量化目标。
9.如权利要求8所述的基于规则引擎Drools的量化方法,其特征在于,所述步骤S32中,建立基线时,用户自由选择数据例,同时支持分组比较。
10.如权利要求8所述的基于规则引擎Drools的量化方法,其特征在于,模型方程的特征包括:方差、极差和标准差。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310404013.4A CN116414430B (zh) | 2023-04-17 | 2023-04-17 | 一种基于规则引擎Drools的量化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310404013.4A CN116414430B (zh) | 2023-04-17 | 2023-04-17 | 一种基于规则引擎Drools的量化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116414430A true CN116414430A (zh) | 2023-07-11 |
CN116414430B CN116414430B (zh) | 2023-09-26 |
Family
ID=87051077
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310404013.4A Active CN116414430B (zh) | 2023-04-17 | 2023-04-17 | 一种基于规则引擎Drools的量化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116414430B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108039197A (zh) * | 2017-12-01 | 2018-05-15 | 首都医科大学附属北京天坛医院 | 医技辅助检查项目排程引导方法及系统 |
CN113254061A (zh) * | 2021-06-02 | 2021-08-13 | 深圳前海大道金融服务有限公司 | 基于规则引擎的业务决策方法、系统及存储介质 |
US20220050715A1 (en) * | 2013-03-15 | 2022-02-17 | Advanced Elemental Technologies, Inc. | Systems and methods configured to enable an operating system for connected computing that supports user use of suitable to user purpose resources sourced from one or more resource ecospheres |
CN114328682A (zh) * | 2021-12-21 | 2022-04-12 | 中国农业银行股份有限公司 | 一种基于规则引擎的数据处理方法、装置、设备及介质 |
US20220335023A1 (en) * | 2021-04-19 | 2022-10-20 | Agile Companion Technologies Ltd. | Database validation and repair tool |
CN115756901A (zh) * | 2022-11-30 | 2023-03-07 | 沈阳尚源智慧科技有限公司 | 一种业务决策处理方法及其规则引擎系统 |
CN115796758A (zh) * | 2022-10-21 | 2023-03-14 | 冶金自动化研究设计院有限公司 | 一种工厂规则管理平台 |
-
2023
- 2023-04-17 CN CN202310404013.4A patent/CN116414430B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220050715A1 (en) * | 2013-03-15 | 2022-02-17 | Advanced Elemental Technologies, Inc. | Systems and methods configured to enable an operating system for connected computing that supports user use of suitable to user purpose resources sourced from one or more resource ecospheres |
CN108039197A (zh) * | 2017-12-01 | 2018-05-15 | 首都医科大学附属北京天坛医院 | 医技辅助检查项目排程引导方法及系统 |
US20220335023A1 (en) * | 2021-04-19 | 2022-10-20 | Agile Companion Technologies Ltd. | Database validation and repair tool |
CN113254061A (zh) * | 2021-06-02 | 2021-08-13 | 深圳前海大道金融服务有限公司 | 基于规则引擎的业务决策方法、系统及存储介质 |
CN114328682A (zh) * | 2021-12-21 | 2022-04-12 | 中国农业银行股份有限公司 | 一种基于规则引擎的数据处理方法、装置、设备及介质 |
CN115796758A (zh) * | 2022-10-21 | 2023-03-14 | 冶金自动化研究设计院有限公司 | 一种工厂规则管理平台 |
CN115756901A (zh) * | 2022-11-30 | 2023-03-07 | 沈阳尚源智慧科技有限公司 | 一种业务决策处理方法及其规则引擎系统 |
Non-Patent Citations (4)
Title |
---|
BANQ: "Drools 业务规则引擎的完整教程", pages 1 - 37, Retrieved from the Internet <URL:《https://www.jdon.com/63199.html》> * |
MARK PROCTOR等: "Rule Modularity and Execution Control Enhancements for a Java-Based Rule Engine", 《2019 IEEE SECOND INTERNATIONAL CONFERENCE ON ARTIFICIAL INTELLIGENCE AND KNOWLEDGE ENGINEERING (AIKE)》, pages 1 - 8 * |
TOSHIYA KOBAYASHI: "DROOLS BASIC EXAMPLES", pages 1 - 12, Retrieved from the Internet <URL:《https://blog.kie.org/2021/11/drools-basic-examples.html》> * |
李娜: "基于规则的数据分析与可视化系统设计与实现", 《中国优秀硕士学位论文全文数据库 信息科技辑》, pages 138 - 419 * |
Also Published As
Publication number | Publication date |
---|---|
CN116414430B (zh) | 2023-09-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108958721B (zh) | 一种智能化持续集成与持续部署流水线方法及系统 | |
US10956422B2 (en) | Integrating event processing with map-reduce | |
CN107506442B (zh) | 一种模型的建模方法及装置 | |
CN108027763B (zh) | 关系型数据库的调整装置和方法 | |
CN102117306B (zh) | Etl数据处理过程的监控方法及其系统 | |
CN108052394B (zh) | 基于sql语句运行时间的资源分配的方法及计算机设备 | |
US20040034857A1 (en) | System and method for simulating a discrete event process using business system data | |
US8175852B2 (en) | Method of, and system for, process-driven analysis of operations | |
CN105335204A (zh) | 软件程序的灰度发布控制方法和灰度发布控制装置 | |
CN112989782A (zh) | 一种自动化模板配置及报告生成的方法 | |
US10642838B2 (en) | Real-time or event-based analysis of process data | |
CN109324905A (zh) | 数据库操作方法、装置、电子设备及存储介质 | |
US20070233532A1 (en) | Business process analysis apparatus | |
US20090119077A1 (en) | Use of simulation to generate predictions pertaining to a manufacturing facility | |
CN116414430B (zh) | 一种基于规则引擎Drools的量化方法 | |
Song et al. | Spark-based cloud data analytics using multi-objective optimization | |
US20140114728A1 (en) | Method and system for database benchmarking | |
US11651007B2 (en) | Visual data computing platform using a progressive computation engine | |
US7752100B1 (en) | Selector function for life-time value financial processing in a relational database management system | |
CN110908986B (zh) | 计算任务的分层方法、分布式调度方法、装置及电子设备 | |
Rao et al. | SODA: A semantics-aware optimization framework for data-intensive applications using hybrid program analysis | |
CN109634606A (zh) | 一种定义功能菜单的方法及装置 | |
CN115577050B (zh) | 一种电费数字化应用平台构建方法 | |
US20240152851A1 (en) | What-if simulation method of factory situation and device that implements same | |
Fayoumi | Data Mining Analysis of ERP System using Frequent Pattern Growth Algorithm |
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 |