CN116451866A - 预测方法及装置、电子设备和存储介质 - Google Patents
预测方法及装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN116451866A CN116451866A CN202310442542.3A CN202310442542A CN116451866A CN 116451866 A CN116451866 A CN 116451866A CN 202310442542 A CN202310442542 A CN 202310442542A CN 116451866 A CN116451866 A CN 116451866A
- Authority
- CN
- China
- Prior art keywords
- data
- time
- vector
- training
- value
- 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
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000003860 storage Methods 0.000 title claims abstract description 15
- 230000008859 change Effects 0.000 claims abstract description 30
- 230000002776 aggregation Effects 0.000 claims abstract description 27
- 238000004220 aggregation Methods 0.000 claims abstract description 27
- 239000013598 vector Substances 0.000 claims description 180
- 238000012549 training Methods 0.000 claims description 143
- 239000011159 matrix material Substances 0.000 claims description 79
- 230000001932 seasonal effect Effects 0.000 claims description 39
- 230000006870 function Effects 0.000 claims description 19
- 238000007781 pre-processing Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 9
- 238000000354 decomposition reaction Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 230000004931 aggregating effect Effects 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 abstract description 51
- 238000012545 processing Methods 0.000 description 27
- 238000005516 engineering process Methods 0.000 description 11
- 238000004891 communication Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- 238000004821 distillation Methods 0.000 description 7
- 239000000047 product Substances 0.000 description 7
- 238000010295 mobile communication Methods 0.000 description 5
- 230000010365 information processing Effects 0.000 description 4
- 230000007774 longterm Effects 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000004140 cleaning Methods 0.000 description 3
- 230000000295 complement effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 239000004973 liquid crystal related substance Substances 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000007795 chemical reaction product Substances 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000000873 masking effect Effects 0.000 description 1
- 229910044991 metal oxide Inorganic materials 0.000 description 1
- 150000004706 metal oxides Chemical class 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000009469 supplementation Effects 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
- G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
- G06N3/0455—Auto-encoder networks; Encoder-decoder networks
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Economics (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Human Resources & Organizations (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Computing Systems (AREA)
- General Business, Economics & Management (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Probability & Statistics with Applications (AREA)
- Primary Health Care (AREA)
- Entrepreneurship & Innovation (AREA)
- Manufacturing & Machinery (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
Abstract
本公开涉及一种预测方法及装置、电子设备和存储介质,所述方法包括:获取第一数据,所述第一数据为历史时间段内针对产能的时间序列数据;对所述第一数据进行分解得到第二数据,所述第二数据用于表示所述第一数据的变化趋势;对所述第一数据和所述第二数据进行时间聚合,得到第三数据;将所述第三数据输入预测模型得到针对未来产能的预测数据。本公开实施例可以通过历史时间段内针对产能的时间序列数据及其变化趋势得到工厂未来产能的预测数据,优化生产流程,提高生产效率。
Description
技术领域
本公开涉及深度学习领域,尤其涉及一种预测方法及装置、电子设备和存储介质。
背景技术
制造执行系统(Manufacturing Execution System,MES)是一种面向车间生产的管理系统,用于实现制造流程控制和优化,可以跟踪、监视和控制生产流程中的各个环节,提高制造效率和质量。MES看板是基于MES系统数据的可视化工具,可以将生产数据以图表、表格、图形等形式呈现,帮助生产人员实时了解生产情况,及时发现异常和问题。在智能生产过程中,通过MES看板,生产人员可以实时监控设备状态、工单进度、生产效率、品质指标等数据,提高生产效率和质量。
目前,MES只能对生产设备的实时状态进行监测,想要进一步提高生产效率需要对工厂中各个设备未来的产能进行预测,依次实时了解生产情况,并根据未来的产能对生产设备进行调整。因此,如何基于MES系统收集到的数据对工厂未来的产能进行预测是一个需要解决的问题。
发明内容
有鉴于此,本公开提出了一种预测方法及装置、电子设备和存储介质,可以对MES系统收集到的数据进行预测,得到工厂未来产能的预测数据,提高生产效率。
根据本公开的一方面,提供了一种预测方法,所述方法包括:获取第一数据,所述第一数据为历史时间段内针对产能的时间序列数据;对所述第一数据进行分解得到第二数据,所述第二数据用于表示所述第一数据的变化趋势;对所述第一数据和所述第二数据进行时间聚合,得到第三数据;将所述第三数据输入预测模型得到针对未来产能的预测数据。
在一种可能的实现方式中,所述对所述第一数据进行分解得到第二数据包括:对所述第一数据进行预处理得到第四数据,所述预处理用于保证数据的完整性和可靠性;对所述第四数据进行分解得到所述第二数据。
在一种可能的实现方式中,所述对所述第四数据进行分解得到所述第二数据包括:计算所述第四数据的季节性值,所述季节性值用于指示所述第四数据的周期性重复变化趋势;根据所述第四数据和所述季节性值得到所述第四数据的趋势值,所述趋势值用于指示所述第四数据的线性变化趋势;根据所述第四数据的季节性值和趋势值得到所述第四数据的残差值,所述残差值用于指示所述第四数据的随机变化趋势;将所述第四数据的趋势值和残差值确定为所述第二数据。
在一种可能的实现方式中,所述历史时间段中包括多个采集时刻,所述采集时刻与所述时间序列数据一一对应,所述对所述第一数据和所述第二数据进行时间聚合,得到第三数据包括:针对每个采集时刻,将所述第一数据中与所述采集时刻对应的时间序列数据以及所述第二数据中与所述采集时刻对应的趋势值和残差值共同作为所述采集时刻的第三数据。
在一种可能的实现方式中,所述预测模型包括编码器和解码器,所述预测模型的训练方法包括:获取训练数据集,所述训练数据集中包括多个训练数据,每个训练数据由第五数据和第六数据进行时间聚合后得到,所述第五数据为第一时间段内针对产能的时间序列数据,所述第六数据用于表示所述第五数据的变化趋势;提取所述训练数据的位置信息和时间信息得到第七数据,所述训练数据的位置信息用于指示所述训练数据中每个时间序列数据在所述训练数据中的位置,所述时间信息用于指示所述训练数据中每个时间序列数据对应的采集时刻;将所述第七数据输入编码器得到第一特征向量,所述编码器用于提取输入的数据中的特征向量;将所述第一特征向量和所述第七数据输入解码器得到预测结果,所述解码器用于将输入的特征向量解码以输出数据;根据所述第七数据和所述预测结果确定所述预测结果的损失;根据所述预测结果的损失调整所述预测模型的参数。
在一种可能的实现方式中,所述提取所述训练数据的位置信息和时间信息得到第七数据包括:对所述训练数据进行卷积得到所述训练数据的标量投影,所述标量投影表示与所述预测模型的维度一致的向量;基于所述训练数据的长度和每个数据所处的位置确定所述训练数据的局部时间戳,所述局部时间戳用于指示所述训练数据的位置信息;基于所述训练数据的长度和每个数据所处的时刻确定所述训练数据的全局时间戳,所述全局时间戳用于指示所述训练数据的时间信息;根据所述训练数据的标量投影、局部时间戳和全局时间戳得到所述第七数据。
在一种可能的实现方式中,所述将所述第七数据输入编码器得到第一特征向量包括:基于所述第七数据和参数矩阵得到多组第一向量矩阵、第二向量矩阵和第三向量矩阵;根据所述多组第一向量矩阵、第二向量矩阵和第三向量矩阵得到多个第二特征向量;降低所述多个第二特征向量的维度并进行连接得到所述第一特征向量。
在一种可能的实现方式中,所述根据所述多组第一向量矩阵、第二向量矩阵和第三向量矩阵得到多个第二特征向量包括:从所述第一向量矩阵中选择多个第一向量;根据所述第一向量和所述第二向量矩阵得到相似度矩阵,所述相似度矩阵用于表示所述多个第一向量与第二向量矩阵的相似度;对所述相似度矩阵进行归一化处理得到包含多个权重系数的权重矩阵;基于所述权重矩阵和所述第三向量矩阵得到所述第二特征向量。
在一种可能的实现方式中,所述将所述第一特征向量和所述第七数据输入解码器得到预测结果包括:将所述第七数据中的后半部分数据用0替换得到更新后第七数据;将所述第一特征向量和所述更新后的第七数据输入解码器得到预测结果。
在一种可能的实现方式中,所述根据所述第七数据和所述预测结果确定所述预测结果的损失包括:根据所述第七数据和所述预测结果得到预测误差;对预测误差进行双曲余弦函数变换并取对数得到所述预测结果的损失。
根据本公开的一方面,提供了一种预测装置,所述装置包括:第一获取模块,用于获取第一数据,所述第一数据为历史时间段内针对产能的时间序列数据;第一分解模块,用于对所述第一数据进行分解得到第二数据,所述第二数据用于表示所述第一数据的变化趋势;第一聚合模块,用于对所述第一数据和所述第二数据进行时间聚合,得到第三数据;预测模块,用于将所述第三数据输入预测模型得到针对未来产能的预测数据。
在一种可能的实现方式中,所述第一分解模块还用于:对所述第一数据进行预处理得到第四数据,所述预处理用于保证数据的完整性和可靠性;对所述第四数据进行分解得到所述第二数据。
在一种可能的实现方式中,所述对所述第四数据进行分解得到所述第二数据包括:计算所述第四数据的季节性值,所述季节性值用于指示所述第四数据的周期性重复变化趋势;根据所述第四数据和所述季节性值得到所述第四数据的趋势值,所述趋势值用于指示所述第四数据的线性变化趋势;根据所述第四数据的季节性值和趋势值得到所述第四数据的残差值,所述残差值用于指示所述第四数据的随机变化趋势;将所述第四数据的趋势值和残差值确定为所述第二数据。
在一种可能的实现方式中,所述历史时间段中包括多个采集时刻,所述采集时刻与所述时间序列数据一一对应,所述第一聚合模块还用于:针对每个采集时刻,将所述第一数据中与所述采集时刻对应的时间序列数据以及所述第二数据中与所述采集时刻对应的趋势值和残差值共同作为所述采集时刻的第三数据。
在一种可能的实现方式中,所述预测模型包括编码器和解码器,所述预测模型的训练装置包括:第二获取模块,用于获取训练数据集,所述训练数据集中包括多个训练数据,每个训练数据由第五数据和第六数据进行时间聚合后得到,所述第五数据为第一时间段内针对产能的时间序列数据,所述第六数据用于表示所述第五数据的变化趋势;第一提取模块,用于提取所述训练数据的位置信息和时间信息得到第七数据,所述训练数据的位置信息用于指示所述训练数据中每个时间序列数据在所述训练数据中的位置,所述时间信息用于指示所述训练数据中每个时间序列数据对应的采集时刻;编码器模块,用于将所述第七数据输入编码器得到第一特征向量,所述编码器用于提取输入的数据中的特征向量;解码器模块,用于将所述第一特征向量和所述第七数据输入解码器得到预测结果,所述解码器用于将输入的特征向量解码以输出数据;第一确定模块,用于根据所述第七数据和所述预测结果确定所述预测结果的损失;第一调整模块,用于根据所述预测结果的损失调整所述预测模型的参数。
在一种可能的实现方式中,所述第一提取模块还用于:对所述训练数据进行卷积得到所述训练数据的标量投影,所述标量投影表示与所述预测模型的维度一致的向量;基于所述训练数据的长度和每个数据所处的位置确定所述训练数据的局部时间戳,所述局部时间戳用于指示所述训练数据的位置信息;基于所述训练数据的长度和每个数据所处的时刻确定所述训练数据的全局时间戳,所述全局时间戳用于指示所述训练数据的时间信息;根据所述训练数据的标量投影、局部时间戳和全局时间戳得到所述第七数据。
在一种可能的实现方式中,所述编码器模块还用于:基于所述第七数据和参数矩阵得到多组第一向量矩阵、第二向量矩阵和第三向量矩阵;根据所述多组第一向量矩阵、第二向量矩阵和第三向量矩阵得到多个第二特征向量;降低所述多个第二特征向量的维度并进行连接得到所述第一特征向量。
在一种可能的实现方式中,所述根据所述多组第一向量矩阵、第二向量矩阵和第三向量矩阵得到多个第二特征向量包括:从所述第一向量矩阵中选择多个第一向量;根据所述第一向量和所述第二向量矩阵得到相似度矩阵,所述相似度矩阵用于表示所述多个第一向量与第二向量矩阵的相似度;对所述相似度矩阵进行归一化处理得到包含多个权重系数的权重矩阵;基于所述权重矩阵和所述第三向量矩阵得到所述第二特征向量。
在一种可能的实现方式中,所述解码器模块还用于:将所述第七数据中的后半部分数据用0替换得到更新后第七数据;将所述第一特征向量和所述更新后的第七数据输入解码器得到预测结果。
在一种可能的实现方式中,所述第一确定模块还用于:根据所述第七数据和所述预测结果得到预测误差;对预测误差进行双曲余弦函数变换并取对数得到所述预测结果的损失。
根据本公开的一方面,提供了一种电子设备,包括:处理器;用于存储处理器可执行指令的存储器;其中,所述处理器被配置为调用所述存储器存储的指令,以执行上述方法。
根据本公开的一方面,提供了一种计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现上述方法。
在本公开实施例中,通过将历史数据和历史数据输入预测模型得到未来产能的预测数据,让工厂可以实时了解生产情况,及时发现问题和异常,优化生产流程,提高生产效率和质量。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,而非限制本公开。根据下面参考附图对示例性实施例的详细说明,本公开的其它特征及方面将变得清楚。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,这些附图示出了符合本公开的实施例,并与说明书一起用于说明本公开的技术方案。
图1示出根据本公开实施例的预测方法的流程图。
图2示出了根据本公开实施例的预测模型的网络结构图。
图3示出根据本公开实施例的预测模型训练方法的流程图。
图4示出了本公开实施例提供的预测装置的结构示意图。
图5示出根据本公开实施例的一种电子设备800的框图。
图6示出根据本公开实施例的一种电子设备1900的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面,但是除非特别指出,不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合,例如,包括A、B、C中的至少一种,可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
另外,为了更好地说明本公开,在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解,没有某些具体细节,本公开同样可以实施。在一些实例中,对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述,以便于凸显本公开的主旨。
MES系统可以监视生产过程,提供所有时期工作及其处置的可视性。其状态信息可包括:谁在进行该工作;供应者提供的零件、物料、批量、序列号;任何警告、返工或与产品相关的其它例外信息。其在线跟踪功能也创建一个历史记录,该记录给予零件和每个末端产品使用的可跟踪性。通过MES系统,生产人员可以实时监控设备状态、工单进度、生产效率、品质指标等数据,在生产过程中除了需要实时的数据外,对未来的数据进行预测是必要的,通过未来的产能数据,生产人员可以及时根据计划调整未来的生产流程,提高生产效率。
为了解决上述技术问题,本公开提出了一种预测方法,图1示出根据本公开实施例的预测方法的流程图。如图1所示,所述预测方法包括:
步骤S11,获取第一数据,所述第一数据为历史时间段内针对产能的时间序列数据。
步骤S12,对所述第一数据进行分解得到第二数据,所述第二数据用于表示所述第一数据的变化趋势。
步骤S13,对所述第一数据和所述第二数据进行时间聚合,得到第三数据。
步骤S14,将所述第三数据输入预测模型得到针对未来产能的预测数据。
在本公开实施例中,通过将历史数据和历史数据的变化趋势输入预测模型得到未来产能的预测数据,让工厂可以实时了解生产情况,及时发现问题和异常,优化生产流程,提高生产效率和质量。
在一种可能的实现方式中,所述预测方法可以由终端设备或服务器等电子设备执行,终端设备可以为用户设备(User Equipment,UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字助理(Personal Digital Assistant,PDA)、手持设备、计算设备、车载设备、可穿戴设备等,所述方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。或者,可通过服务器执行所述方法。
在步骤S11中,获取第一数据。其中,所述第一数据为历史时间段内针对产能的时间序列数据。
在本公开实施例中,所述第一数据可以是通过工厂的MES系统获取产线历史报工的时序数据,第一数据可以包含时间、所属的产线、材料编号、当前时刻产线良率等,即通过MES系统可以获取的历史数据都可以作为第一数据。其中,当前时刻的产线良率表示过去当前时刻至过去若干个小时(例如五个小时)之间,产品完成的数量与计划数量之比,产线良率反映了当前产线的产能。在一个示例中,可以选择MES中包含产线良率在内的多类数据的历史数据作为第一数据。所述历史时间段可以是当前时刻之前的任意两个时刻之间所经历的时间历程,所述历史时间段的选择可以根据需要进行设置,但是因为MES系统存储的历史数据是有限的,因此,历史时间段受到MES系统的数据存储容量的影响。
在步骤S12中,对所述第一数据进行分解得到第二数据。其中,所述第二数据可以用于表示所述第一数据的变化趋势。
在本公开实施例中,第一数据作为时间序列数据是具有一定的变化趋势的,在基于第一数据对产能进行预测前,可以将其变化趋势提取出来,以辅助第一数据进行产能预测。第一数据的变化趋势具有三种特性值,即趋势值、季节性值以及残差值。其中,趋势值可以反映出第一数据的线性变化趋势,即反映出第一数据在一定时间内的单调性,通常来说趋势性斜率是固定的。季节性值可以反映出第一数据的季节性,即反映出第一数据周期性重复变化趋势。残差值可以反映第一数据的对极变化趋势。残差值是第一数据去除趋势值和季节性值剩余的部分,即两者都无法解释的“杂音”。
可以看出,通过第一数据可以提炼出直观的能够理解的反映其变化趋势的值,可以将这些可以表示第一数据变化趋势的数据作为第二数据,即第二数据可以看作由可预测的具有延续性、重复性的成分和未知的随机变化的成分组成的数据。
在一种可能的实现方式中,所述对所述第一数据进行分解得到第二数据包括:对所述第一数据进行预处理得到第四数据,所述预处理用于保证数据的完整性和可靠性;对所述第四数据进行分解得到所述第二数据。
考虑到第一数据是从MES系统上直接提取出来的历史数据,提取后的第一数据无法保证数据的完整性和可靠性,因此在对第一数据进行分解前,可以对其进行数据清洗,即对第一数据进行数据预处理得到第四数据。
在本公开实施例中,对第一数据进行预处理时,可以对第一数据选择子集,即先从第一数据中选择需要进行分析的数据列,将其余的不参与分析的数据列进行隐藏处理。之后依次对其进行列名重命名、删除重复值、缺失值处理、异常值处理得到清洗后的第四数据。
列名重命名是指若数据集中出现同样列名称,或者含义相同的两个列名,为避免干扰分析结果需要针对某一个数据列的列名进行重命名。即需要对第一数据中的列名进行搜索,将其中重复出现或含义相同的列名选中作为等待更改的列名,在需要更改的列名中选择一个列名不变将其余的列名进行重命名。
删除重复值是指删除数据中的重复数据值,保留重复数据中的第一条数据。可以理解,即将重复的值保留第一条数据删除其余的数据。
缺失值处理是指对第一数据中无数据的数据单元格进行补全。在第一数据中可能会出现数据值的缺失,通过定位的方式寻找到缺失值,并通过人工手动补全或者输入公式自动补全等方式将缺失值补全。
异常值处理是指对数据集中存在的不合理的值进行删除或者修改,简单来说,可以对每列数据设置一个最大值和一个最小值,通过这两个最值来判断这列中的变量的取值是否超出范围。异常值可以通过人工手动修改,也可以通过公式自动修改,例如,用该列数据的平均值代替异常值。
在对第一数据完成数据预处理后,就可以得到完整可靠的第四数据,可以理解,第四数据同样是历史时间段内针对产能的时间序列数据,因此,下面要对第四数据进行分解得到第二数据。
在一种可能的实现方式中,所述对所述第四数据进行分解得到所述第二数据包括:计算所述第四数据的季节性值,所述季节性值用于指示所述第四数据的周期性重复变化趋势;根据所述第四数据和所述季节性值得到所述第四数据的趋势值,所述趋势值用于指示所述第四数据的线性变化趋势;根据所述第四数据的季节性值和趋势值得到所述第四数据的残差值,所述残差值用于指示所述第四数据的随机变化趋势;将所述第四数据的趋势值和残差值确定为所述第二数据。
如上所述,季节性值可以表示出时间序列的有规律的、周期性的变化,在实际生产中,季节性值通常表示每天、每月、每年的变化,在确定季节性因素时是主观的,即根据人为设定的周期不同季节性趋势线也是不一样的,在本公开实施例中,季节性值通过公式1得到:
其中,St表示目标值在时间点t的季节性值,Yt表示目标值的原始值,m表示季节性周期的长度。目标值可以是第四数据中任意一列的数据,通过公式1即可得到目标值在时间点t的季节性值。
趋势值可以表示时间序列的有规律的平稳的变化,在本公开实施例中,趋势值可以通过公式2得到:
Tt=αYt+(1-α)Tt-1 (公式2)
其中,Tt表示时间序列中标签列在时间点t的趋势值,Yt表示标签列在时间点t的原始值,Tt-1表示标签列在t-1的的趋势值,α为平滑系数,表示对时间序列进行平滑处理的权重,取值为0~1之间。
残差值可以表示时间序列的随机波动变化,在本公开实施例中,残差值可以通过公式3得到:
Rt=Yt-Tt-St (公式3)
其中,Rt即表示时间序列的残差值,可以看出,将原始数据减去季节性值和趋势值之后剩余的部分即为随机波动。
在得到第四数据的季节性值、趋势值和残差值后,就可以将所述第四数据的趋势值和残差值作为表示第一数据变化趋势的第二数据。
在步骤S13中,对所述第一数据和所述第二数据进行时间聚合,得到第三数据。
其中,第三数据表示第一数据和第二数据进行时间聚合后的结果。这里时间聚合实际就是将对应同一采集时刻的第一数据和第二数据聚合在一起。
在一种可能的实现方式中,所述历史时间段中包括多个采集时刻,所述采集时刻与所述时间序列数据一一对应,步骤S13可以包括:针对每个采集时刻,将所述第一数据中与所述采集时刻对应的时间序列数据以及所述第二数据中与所述采集时刻对应的趋势值和残差值共同作为所述采集时刻的第三数据。
在本公开实施例中,在得到表示历史时间内产能的第一数据和表示第一数据的变化趋势的第二数据后,就可以将所述第一数据和第二数据进行时间聚合,得到既包括历史数据(即第一数据)又包括其变化趋势(即第二数据)的第三数据。
在步骤S14中,将所述第三数据输入预测模型得到针对未来产能的预测数据。
在本公开的实施例中,在得到待预测的第三数据后,就可以将第三数据输入到预测模型中对未来的产能进行预测,以此得到针对未来产能的预测数据。由于第三数据即包括历史数据又包括历史数据的趋势,因此基于第三数据进行产能预测,可以提高准确性。
下面对本公开实施例涉及的预测模型进行详细的介绍。图2示出了根据本公开实施例的预测模型的网络结构图。如图2所示,所述预测模型采用编码器-解码器的结构,主要包括输入数据、编码器和解码器。上文步骤S11和步骤S12已经介绍了获取预测模型输入数据的方法,同样的方式,在对预测模型进行训练时,可以从MES系统中获取历史数据,经过数据清洗(例如缺失值补充)和时间聚合后,得到训练数据。之后,可以对训练数据进行处理得到时间嵌入、位置嵌入和特征变量三部分的叠加组成的输入数据。将输入数据输入到编码器中得到特征向量,再将特征向量和经过处理后的输入数据(后半段数据用0掩码)输入到解码器中,解码器输出的特征向量经过全连接层得到预测输出,将预测数据和验证集通过损失函数求取损失,通过损失训练模型的参数。
下面本公开实施例涉及的预测模型的训练方法及进行详细的介绍。图3示出根据本公开实施例的预测模型训练方法的流程图。如图3所示,所述预测模型的训练方法包括:
S21,获取训练数据集。
其中,所述训练数据集中包括多个训练数据,每个训练数据由第五数据和第六数据进行时间聚合后得到,所述第五数据为第一时间段内针对产能的时间序列数据,所述第六数据用于表示所述第五数据的变化趋势。
所述第五数据可以是通过MES系统得到的历史数据,可以与待预测的第一数据所包含的数据类型相同,即可以为包含时间、所属的产线、材料编号、当前时刻的产线良率等。如前所述,第五数据同样作为时间序列数据是具有一定的变化趋势的,在对第五数据预测前,可以将其变化趋势提取出来,同样作为一个数据辅助第五数据进行预测,这个数据即为第六数据。第六数据可以与第二数据包含的数据类型相同,即可以包含第五数据的趋势值和残差值。
在本公开实施例中,在得到训练模型用的第五数据后,可以对第五数据进行数据清洗,对其中的不可靠数据和错误数据进行调整,以此确保第五数据的完整性和可靠性。在对第五数据进行过数据清洗后,可以分别通过公式1、公式2和公式3对其求取季节性值、趋势值和残差值,之后将第五数据的趋势值和残差值作为表示第五数据变化趋势的第六数据。在得到清洗后的第五数据和第六数据后对其进行时间聚合,即针对每个采集时刻,将第五数据中该时刻的时间序列数据和第六数据中对应的趋势值和残差值共同作为所述采集时刻的训练数据。第五数据可以参照第一数据、第六数据可以参照第二数据、训练数据可以参照第三数据,这里不再赘述。
在得到训练数据后,为了减轻训练模型的训练负担,可以将训练数据中离散的非数值特征转换为数值特征。再对编码后的数据进行归一化处理,将不同时间间隔的数据缩放到相同的范围内。至此对训练数据的处理结束,为了能够对预测模型的效果进行验证,可以将清洗后的训练数据分为训练集、测试集和验证集三个部分,在一个示例中,可以将训练数据中的70%划分为训练集,20%划分为测试集,10%划分为验证集,当然也可以根据需要进行其他方式的划分,对此本公开实施例不做限制。
S22,提取所述训练数据的位置信息和时间信息得到第七数据。
其中,所述训练数据的位置信息用于指示所述训练数据中每个时间序列数据在所述训练数据中的位置,所述时间信息用于指示所述训练数据中每个时间序列数据对应的采集时刻。
训练数据是一种长时间序列数据,为了对其进行预测,除了通过数据本身进行训练外,还需要对其位置信息进行提取,位置信息即训练数据中每个时刻的数据所在的位置,使得每条数据都拥有时间特征,即看作是数据的先后位置。很明显对于长时间序列数据,当前时刻的数据可能和过去很长时期内的数据存在长期依赖关系,为了更好的训练模型,我们也可以将这种暗藏在长序列中的长期依赖挖掘出来,即训练数据的时间信息,如日、周、月、年等层次时间戳和假期、时间等不可知的时间戳。
在一种可能的实现方式中,所述提取所述训练数据的位置信息和时间信息得到第七数据包括:对所述训练数据进行卷积得到所述训练数据的标量投影,所述标量投影表示与所述预测模型的维度一致的向量;基于所述训练数据的长度和每个数据所处的位置确定所述训练数据的局部时间戳,所述局部时间戳用于指示所述训练数据的位置信息;基于所述训练数据的长度和每个数据所处的时刻确定所述训练数据的全局时间戳,所述全局时间戳用于指示所述训练数据的时间信息;根据所述训练数据的标量投影、局部时间戳和全局时间戳得到所述第七数据。
在本公开实施例中,将所述训练数据的位置信息和时间信息提取后即可得到第七数据,第七数据可以由训练数据的标量投影、局部时间戳和全局时间戳三部分叠加而成。
对于一条时间序列x(本公开实施例中的训练数据)中t时刻的标量值,标量投影是利用dmodel个卷积核尺寸为3、步长为1的一维卷积滤波器将标量值投影为dmodel维度的矢量,其中dmodel表示模型的维度。
对于时间序列x(本公开实施例中的训练数据)中t时刻的局部时间戳为该时刻在序列中的固定位置编码,具体公式如下:
其中,PE表示训练数据中的每个数据的位置信息,pos为序列次序,是整数,表示t时刻在序列中的固定位置,j=1,2,……,dmodel,表示数据维度,Lx为输入序列的长度,编码器和解码器的输入序列长度不同,因此,Lx的取值分别为他们输入序列的长度。通过上述的公式即可得到训练数据的位置信息。
全局时间戳则可以是小时、天、星期和月份等不同种类型时间戳的和,每一种时间戳SE(pos)都可以由全连接层得到。这部分可以自行选择种类和数量。
第七数据即可通过将上述得到的标量投影、局部时间戳和全局时间戳进行叠加得到:
x=αui+PE(Lx×(t-1)+i)+∑p[SE(Lx×(t-1)+i)]p (公式6)
其中,α是平衡标量投影和局部时间戳、全局时间戳之间大小的因子,取值为0-1,p为全局时间戳中选择的时间戳的种类,取值为1至选择的时间戳种类的总数量。
对每个时刻的训练数据都通过上述方式进行求解,既可以得到各个时刻对应的第七数据。
S23,将所述第七数据输入编码器得到第一特征向量,所述编码器用于提取输入的数据中的特征向量。
如图2所示,编码器以待测时刻之前一定长度的序列为输入,通过多头自注意力和自注意力蒸馏,学习长序列中的长期依赖特征。
在一种可能的实现方式中,所述将所述第七数据输入编码器得到第一特征向量包括:基于所述第七数据和参数矩阵得到多组第一向量矩阵、第二向量矩阵和第三向量矩阵;根据所述多组第一向量矩阵、第二向量矩阵和第三向量矩阵得到多个第二特征向量;降低所述多个第二特征向量的维度并进行连接得到所述第一特征向量。
在一种可能的实现方式中,所述根据所述多组第一向量矩阵、第二向量矩阵和第三向量矩阵得到多个第二特征向量包括:从所述第一向量矩阵中选择多个第一向量;根据所述第一向量和所述第二向量矩阵得到相似度矩阵,所述相似度矩阵用于表示所述多个第一向量与第二向量矩阵的相似度;对所述相似度矩阵进行归一化处理得到包含多个权重系数的权重矩阵;基于所述权重矩阵和所述第三向量矩阵得到所述第二特征向量。
通过多头自注意力层可以得到第二特征向量,多个第二特征向量经过蒸馏层后进行连接即可得到第一特征向量,所述第二特征向量可以通过公式7得到:
其中,Q表示第一向量矩阵,可以表示查询矩阵,K表示第二向量矩阵,可以表示键矩阵,V表示第三向量矩阵,可以表示值矩阵。所述第一向量矩阵、第二向量矩阵和第三向量矩阵可以分别通过第七数据和参数矩阵得到。即通过第七矩阵X分别与参数矩阵WQ、WK和WV相乘得到Q、K和V矩阵。通过参数矩阵与第七数据相乘生成三个矩阵,可以通过三个可训练的参数矩阵增强模型的拟合能力。
通过第一向量矩阵Q与第二向量矩阵K的转置KT相乘,得到相似度矩阵,再将得到的相似度矩阵除以dk为K的维度大小,在dk很大时,QKT的乘法结果方差变大,通过除以可以使得方差变小,训练时梯度更新更稳定。之后对其进行归一化处理既可以得到每个值都为大于0小于1的权重系数组成的权重矩阵。最后利用权重矩阵与V相乘计算加权求和即可得到第二特征向量。
上述方法即为自注意力层,在本公开实施例中,为了增强拟合性能,可以采用多头注意力机制,即对于同样的第七数据X,定义多组参数矩阵,这样就可以得到多组不同的第一向量矩阵Q、第二向量矩阵K和第三向量矩阵V,通过这种方式即可得到多个第二特征向量。
在一个示例中,可以采用8头注意力机制,即特征同时有8种不同维度的投影。在得到输入的第七数据X后,定义8组参数矩阵,既可以得到8组不同的Q、K、V矩阵,凭此即可得到8个不同的第二特征向量。为了得到可以输入下一层的维度,可以将8个第二特征向量拼接在一起,之后乘以一个降维矩阵,即可将维度降低到想要的维度。
经过上面的介绍即可以通过公式7得到第二特征向量,但是很明显公式7的复杂度为O(L2),为了降低算法的复杂度,可以将第一向量矩阵Q稀疏化,即利用Q矩阵的稀疏性筛选出少数对注意力贡献较大的部分。Q矩阵的稀疏性即少数点积对主要注意力有贡献,其他点积可以忽略,将这部分贡献较大的向量成为主导第一向量。
在本公开实施例中,通过KL散度来定量计算:
其中,qi表示第i个第一向量q,LK表示第二向量矩阵中向量的数量。公式8中即为qi与第二向量矩阵K的最小二乘估计值,/>为两者的算数平均值,M(qi,K)表示了qi与K的相关性,关联越大则表示qi包含主导点积对的概率越大。
基于公式7和公式8既可以得到稀疏性自注意力机制的公式:
其中,只包含在稀疏性评估M(qi,K)中选择出来的u个最大值对应的q,u的数量根据需要进行设定。通过公式9即可将算法复杂度从O(L2)降低至O(L×logL)。
在本公开实施例中,通过概率稀疏性自注意力层即可得到第二特征向量,将第二特征向量输入至自注意力蒸馏层,进一步降低算法复杂度。自注意力蒸馏层有一个一维卷积层构成,卷积之后通过池化层既可以完成蒸馏操作,通过自注意力蒸馏层可以将第二特征向量的维度降低至原始维度的一半,压缩特征维度以提取出主要信息。在通过自注意力蒸馏层后即得到了第一特征向量。
S24,将所述第一特征向量和所述第七数据输入解码器得到预测结果,所述解码器用于将输入的特征向量解码以输出数据。
在一种可能的实现方式中,所述将所述第一特征向量和所述第七数据输入解码器得到预测结果包括:将所述第七数据中的后半部分数据用0替换得到更新后第七数据;将所述第一特征向量和所述更新后的第七数据输入解码器得到预测结果。
在本公开实施例中,解码器部分的输入为编码器输出的第一特征向量和第七数据,但是与编码器部分输入的第七数据不同,解码器输入的数据需要经过掩码处理,即将第七数据的后半部分用0替换,训练过程中,整个模型的目的就是预测被掩盖的部分。解码器的输出经过全连接层即可得到预测结果。
S25,根据所述第七数据和所述预测结果确定所述预测结果的损失;
在一种可能的实现方式中,所述根据所述第七数据和所述预测结果确定所述预测结果的损失包括:根据所述第七数据和所述预测结果得到预测误差;对预测误差进行双曲余弦函数变换并取对数得到所述预测结果的损失。
在得到预测结果后,可以通过预设的损失函数对真实值和预测值进行预测误差的计算,在本公开实施例中,损失函数可以为:
其中,y表示真实值,表示预测结果,通过Log-Cosh函数对预测值和真实值之间的误差进行双曲余弦函数变换,并取对数,得到一个平滑、可导的损失函数,对异常值不敏感,可以有效处理异常值。
S26,根据所述预测结果的损失调整所述预测模型的参数。
在本公开实施例中,计算损失函数后进行反向的梯度传播,不断迭代优化预测模型,根据损失函数结果,调整预测模型中的参数,通过验证进一步提高预测模型的准确性和稳定性。
在模型损失函数结果达到最小且稳定后,即可将预测模型放入生产环境的MES系统中,通过MES系统对预测模型输入历史数据,就可以对未来的产能进行预测,并可以通过MES系统得到未来预测趋势变化。
本公开实施例提出一种预测方法,能够基于多维度时间聚合深度学习预测工厂产能,即在工厂生产环境中,为工厂MES系统增加产线产能预测能力,首先收集MES产线数据并进行预处理,用经典分解法将时间序列的趋势、残差作为特征加入训练数据当中做时间聚合。再将时间聚合后的数据进行编码并划分数据集。使用Log-Cosh损失函数对预测模型进行训练和预测,将输入的时间序列数据转换成预测的时间序列数据。最后对模型进行评估,并根据评估结果进行调整和优化。本公开实施例利用多维度,高层次特征信息,丰富了原本数据特征,做到数据增强,有效预测了工厂产线的产能和其趋势变化。可以帮助企业实时了解生产情况,及时发现问题和异常,优化生产流程,提高生产效率和质量。
可以理解,本公开提及的上述各个方法实施例,在不违背原理逻辑的情况下,均可以彼此相互结合形成结合后的实施例,限于篇幅,本公开不再赘述。本领域技术人员可以理解,在具体实施方式的上述方法中,各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
此外,本公开还提供了预测装置、电子设备、计算机可读存储介质、程序,上述均可用来实现本公开提供的任一种预测方法,相应技术方案和描述和参见方法部分的相应记载,不再赘述。
图4示出了本公开实施例提供的预测装置的结构示意图。如图4所示,该装置可以包括:
第一获取模块41,用于获取第一数据,所述第一数据为历史时间段内针对产能的时间序列数据;
第一分解模块42,用于对所述第一数据进行分解得到第二数据,所述第二数据用于表示所述第一数据的变化趋势;
第一聚合模块43,用于对所述第一数据和所述第二数据进行时间聚合,得到第三数据;
预测模块44,用于将所述第三数据输入预测模型得到针对未来产能的预测数据。
在一种可能的实现方式中,所述第一分解模块42还用于:对所述第一数据进行预处理得到第四数据,所述预处理用于保证数据的完整性和可靠性;对所述第四数据进行分解得到所述第二数据。
在一种可能的实现方式中,所述对所述第四数据进行分解得到所述第二数据包括:计算所述第四数据的季节性值,所述季节性值用于指示所述第四数据的周期性重复变化趋势;根据所述第四数据和所述季节性值得到所述第四数据的趋势值,所述趋势值用于指示所述第四数据的线性变化趋势;根据所述第四数据的季节性值和趋势值得到所述第四数据的残差值,所述残差值用于指示所述第四数据的随机变化趋势;将所述第四数据的趋势值和残差值确定为所述第二数据。
在一种可能的实现方式中,所述历史时间段中包括多个采集时刻,所述采集时刻与所述时间序列数据一一对应,所述第一聚合模块43还用于:针对每个采集时刻,将所述第一数据中与所述采集时刻对应的时间序列数据以及所述第二数据中与所述采集时刻对应的趋势值和残差值共同作为所述采集时刻的第三数据。
在一种可能的实现方式中,所述预测模型包括编码器和解码器,所述预测模型的训练装置包括:第二获取模块,用于获取训练数据集,所述训练数据集中包括多个训练数据,每个训练数据由第五数据和第六数据进行时间聚合后得到,所述第五数据为第一时间段内针对产能的时间序列数据,所述第六数据用于表示所述第五数据的变化趋势;第一提取模块,用于提取所述训练数据的位置信息和时间信息得到第七数据,所述训练数据的位置信息用于指示所述训练数据中每个时间序列数据在所述训练数据中的位置,所述时间信息用于指示所述训练数据中每个时间序列数据对应的采集时刻;编码器模块,用于将所述第七数据输入编码器得到第一特征向量,所述编码器用于提取输入的数据中的特征向量;解码器模块,用于将所述第一特征向量和所述第七数据输入解码器得到预测结果,所述解码器用于将输入的特征向量解码以输出数据;第一确定模块,用于根据所述第七数据和所述预测结果确定所述预测结果的损失;第一调整模块,用于根据所述预测结果的损失调整所述预测模型的参数。
在一种可能的实现方式中,所述第一提取模块还用于:对所述训练数据进行卷积得到所述训练数据的标量投影,所述标量投影表示与所述预测模型的维度一致的向量;基于所述训练数据的长度和每个数据所处的位置确定所述训练数据的局部时间戳,所述局部时间戳用于指示所述训练数据的位置信息;基于所述训练数据的长度和每个数据所处的时刻确定所述训练数据的全局时间戳,所述全局时间戳用于指示所述训练数据的时间信息;根据所述训练数据的标量投影、局部时间戳和全局时间戳得到所述第七数据。
在一种可能的实现方式中,所述编码器模块还用于:基于所述第七数据和参数矩阵得到多组第一向量矩阵、第二向量矩阵和第三向量矩阵;根据所述多组第一向量矩阵、第二向量矩阵和第三向量矩阵得到多个第二特征向量;降低所述多个第二特征向量的维度并进行连接得到所述第一特征向量。
在一种可能的实现方式中,所述根据所述多组第一向量矩阵、第二向量矩阵和第三向量矩阵得到多个第二特征向量包括:从所述第一向量矩阵中选择多个第一向量;根据所述第一向量和所述第二向量矩阵得到相似度矩阵,所述相似度矩阵用于表示所述多个第一向量与第二向量矩阵的相似度;对所述相似度矩阵进行归一化处理得到包含多个权重系数的权重矩阵;基于所述权重矩阵和所述第三向量矩阵得到所述第二特征向量。
在一种可能的实现方式中,所述解码器模块还用于:将所述第七数据中的后半部分数据用0替换得到更新后第七数据;将所述第一特征向量和所述更新后的第七数据输入解码器得到预测结果。
在一种可能的实现方式中,所述第一确定模块还用于:根据所述第七数据和所述预测结果得到预测误差;对预测误差进行双曲余弦函数变换并取对数得到所述预测结果的损失。
该方法与计算机系统的内部结构存在特定技术关联,且能够解决如何提升硬件运算效率或执行效果的技术问题(包括减少数据存储量、减少数据传输量、提高硬件处理速度等),从而获得符合自然规律的计算机系统内部性能改进的技术效果。
在一些实施例中,本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法,其具体实现可以参照上文方法实施例的描述,为了简洁,这里不再赘述。
本公开实施例还提出一种计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现上述方法。计算机可读存储介质可以是易失性或非易失性计算机可读存储介质。
本公开实施例还提出一种电子设备,包括:处理器;用于存储处理器可执行指令的存储器;其中,所述处理器被配置为调用所述存储器存储的指令,以执行上述方法。
本公开实施例还提供了一种计算机程序产品,包括计算机可读代码,或者承载有计算机可读代码的非易失性计算机可读存储介质,当所述计算机可读代码在电子设备的处理器中运行时,所述电子设备中的处理器执行上述方法。
电子设备可以被提供为终端、服务器或其它形态的设备。
图5示出根据本公开实施例的一种电子设备800的框图。例如,电子设备800可以是用户设备(User Equipment,UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字处理(Personal Digital Assistant,PDA)、手持设备、计算设备、车载设备、可穿戴设备等终端设备。
参照图5,电子设备800可以包括以下一个或多个组件:处理组件802,存储器804,电源组件806,多媒体组件808,音频组件810,输入/输出(I/O)接口812,传感器组件814,以及通信组件816。
处理组件802通常控制电子设备800的整体操作,诸如与显示,电话呼叫,数据通信,相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令,以完成上述的方法的全部或部分步骤。此外,处理组件802可以包括一个或多个模块,便于处理组件802和其他组件之间的交互。例如,处理组件802可以包括多媒体模块,以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令,联系人数据,电话簿数据,消息,图片,视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统,一个或多个电源,及其他与为电子设备800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中,屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板,屏幕可以被实现为触摸屏,以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界,而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中,多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式,如拍摄模式或视频模式时,前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如,音频组件810包括一个麦克风(MIC),当电子设备800处于操作模式,如呼叫模式、记录模式和语音识别模式时,麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中,音频组件810还包括一个扬声器,用于输出音频信号。
I/O接口812为处理组件802和外围接口模块之间提供接口,上述外围接口模块可以是键盘,点击轮,按钮等。这些按钮可包括但不限于:主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器,用于为电子设备800提供各个方面的状态评估。例如,传感器组件814可以检测到电子设备800的打开/关闭状态,组件的相对定位,例如所述组件为电子设备800的显示器和小键盘,传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变,用户与电子设备800接触的存在或不存在,电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器,被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器,如互补金属氧化物半导体(CMOS)或电荷耦合装置(CCD)图像传感器,用于在成像应用中使用。在一些实施例中,该传感器组件814还可以包括加速度传感器,陀螺仪传感器,磁传感器,压力传感器或温度传感器。
通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络,如无线网络(Wi-Fi)、第二代移动通信技术(2G)、第三代移动通信技术(3G)、第四代移动通信技术(4G)、通用移动通信技术的长期演进(LTE)、第五代移动通信技术(5G)或它们的组合。在一个示例性实施例中,通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中,所述通信组件816还包括近场通信(NFC)模块,以促进短程通信。例如,在NFC模块可基于射频识别(RFID)技术,红外数据协会(IrDA)技术,超宽带(UWB)技术,蓝牙(BT)技术和其他技术来实现。
在示例性实施例中,电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述方法。
在示例性实施例中,还提供了一种非易失性计算机可读存储介质,例如包括计算机程序指令的存储器804,上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。
图6示出根据本公开实施例的一种电子设备1900的框图。例如,电子设备1900可以被提供为一服务器或终端设备。参照图6,电子设备1900包括处理组件1922,其进一步包括一个或多个处理器,以及由存储器1932所代表的存储器资源,用于存储可由处理组件1922的执行的指令,例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外,处理组件1922被配置为执行指令,以执行上述方法。
电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理,一个有线或无线网络接口1950被配置为将电子设备1900连接到网络,和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统,例如微软服务器操作系统(Windows ServerTM),苹果公司推出的基于图形用户界面操作系统(Mac OSXTM),多用户多进程的计算机操作系统(UnixTM),自由和开放原代码的类Unix操作系统(LinuxTM),开放原代码的类Unix操作系统(FreeBSDTM)或类似。
在示例性实施例中,还提供了一种非易失性计算机可读存储介质,例如包括计算机程序指令的存储器1932,上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。该计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一个可选实施例中,所述计算机程序产品具体体现为计算机存储介质,在另一个可选实施例中,计算机程序产品具体体现为软件产品,例如软件开发包(Software Development Kit,SDK)等等。
上文对各个实施例的描述倾向于强调各个实施例之间的不同之处,其相同或相似之处可以互相参考,为了简洁,本文不再赘述。
本领域技术人员可以理解,在具体实施方式的上述方法中,各步骤的撰写顺序并不意味着严格的执行顺序而对实施过程构成任何限定,各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
若本申请技术方案涉及个人信息,应用本申请技术方案的产品在处理个人信息前,已明确告知个人信息处理规则,并取得个人自主同意。若本申请技术方案涉及敏感个人信息,应用本申请技术方案的产品在处理敏感个人信息前,已取得个人单独同意,并且同时满足“明示同意”的要求。例如,在摄像头等个人信息采集装置处,设置明确显著的标识告知已进入个人信息采集范围,将会对个人信息进行采集,若个人自愿进入采集范围即视为同意对其个人信息进行采集;或者在个人信息处理的装置上,利用明显的标识/信息告知个人信息处理规则的情况下,通过弹窗信息或请个人自行上传其个人信息等方式获得个人授权;其中,个人信息处理规则可包括个人信息处理者、个人信息处理目的、处理方式以及处理的个人信息种类等信息。
以上已经描述了本公开的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (22)
1.一种预测方法,其特征在于,所述方法包括:
获取第一数据,所述第一数据为历史时间段内针对产能的时间序列数据;
对所述第一数据进行分解得到第二数据,所述第二数据用于表示所述第一数据的变化趋势;
对所述第一数据和所述第二数据进行时间聚合,得到第三数据;
将所述第三数据输入预测模型得到针对未来产能的预测数据。
2.根据权利要求1所述的方法,其特征在于,所述对所述第一数据进行分解得到第二数据包括:
对所述第一数据进行预处理得到第四数据,所述预处理用于保证数据的完整性和可靠性;
对所述第四数据进行分解得到所述第二数据。
3.根据权利要求2所述的方法,其特征在于,所述对所述第四数据进行分解得到所述第二数据包括:
计算所述第四数据的季节性值,所述季节性值用于指示所述第四数据的周期性重复变化趋势;
根据所述第四数据和所述季节性值得到所述第四数据的趋势值,所述趋势值用于指示所述第四数据的线性变化趋势;
根据所述第四数据的季节性值和趋势值得到所述第四数据的残差值,所述残差值用于指示所述第四数据的随机变化趋势;
将所述第四数据的趋势值和残差值确定为所述第二数据。
4.根据权利要求3所述的方法,其特征在于,所述历史时间段中包括多个采集时刻,所述采集时刻与所述时间序列数据一一对应,所述对所述第一数据和所述第二数据进行时间聚合,得到第三数据包括:
针对每个采集时刻,将所述第一数据中与所述采集时刻对应的时间序列数据以及所述第二数据中与所述采集时刻对应的趋势值和残差值共同作为所述采集时刻的第三数据。
5.根据权利要求1所述的方法,其特征在于,所述预测模型包括编码器和解码器,所述预测模型的训练方法包括:
获取训练数据集,所述训练数据集中包括多个训练数据,每个训练数据由第五数据和第六数据进行时间聚合后得到,所述第五数据为第一时间段内针对产能的时间序列数据,所述第六数据用于表示所述第五数据的变化趋势;
提取所述训练数据的位置信息和时间信息得到第七数据,所述训练数据的位置信息用于指示所述训练数据中每个时间序列数据在所述训练数据中的位置,所述时间信息用于指示所述训练数据中每个时间序列数据对应的采集时刻;
将所述第七数据输入编码器得到第一特征向量,所述编码器用于提取输入的数据中的特征向量;
将所述第一特征向量和所述第七数据输入解码器得到预测结果,所述解码器用于将输入的特征向量解码以输出数据;
根据所述第七数据和所述预测结果确定所述预测结果的损失;
根据所述预测结果的损失调整所述预测模型的参数。
6.根据权利要求5所述的方法,其特征在于,所述提取所述训练数据的位置信息和时间信息得到第七数据包括:
对所述训练数据进行卷积得到所述训练数据的标量投影,所述标量投影表示与所述预测模型的维度一致的向量;
基于所述训练数据的长度和每个数据所处的位置确定所述训练数据的局部时间戳,所述局部时间戳用于指示所述训练数据的位置信息;
基于所述训练数据的长度和每个数据所处的时刻确定所述训练数据的全局时间戳,所述全局时间戳用于指示所述训练数据的时间信息;
根据所述训练数据的标量投影、局部时间戳和全局时间戳得到所述第七数据。
7.根据权利要求5所述的方法,其特征在于,所述将所述第七数据输入编码器得到第一特征向量包括:
基于所述第七数据和参数矩阵得到多组第一向量矩阵、第二向量矩阵和第三向量矩阵;
根据所述多组第一向量矩阵、第二向量矩阵和第三向量矩阵得到多个第二特征向量;
降低所述多个第二特征向量的维度并进行连接得到所述第一特征向量。
8.根据权利要求7所述的方法,其特征在于,所述根据所述多组第一向量矩阵、第二向量矩阵和第三向量矩阵得到多个第二特征向量包括:
从所述第一向量矩阵中选择多个第一向量;
根据所述第一向量和所述第二向量矩阵得到相似度矩阵,所述相似度矩阵用于表示所述多个第一向量与第二向量矩阵的相似度;
对所述相似度矩阵进行归一化处理得到包含多个权重系数的权重矩阵;
基于所述权重矩阵和所述第三向量矩阵得到所述第二特征向量。
9.根据权利要求5所述的方法,其特征在于,所述将所述第一特征向量和所述第七数据输入解码器得到预测结果包括:
将所述第七数据中的后半部分数据用0替换得到更新后第七数据;
将所述第一特征向量和所述更新后的第七数据输入解码器得到预测结果。
10.根据权利要求5所述的方法,其特征在于,所述根据所述第七数据和所述预测结果确定所述预测结果的损失包括:
根据所述第七数据和所述预测结果得到预测误差;
对预测误差进行双曲余弦函数变换并取对数得到所述预测结果的损失。
11.一种预测装置,其特征在于,所述装置包括:
第一获取模块,用于获取第一数据,所述第一数据为历史时间段内针对产能的时间序列数据;
第一分解模块,用于对所述第一数据进行分解得到第二数据,所述第二数据用于表示所述第一数据的变化趋势;
第一聚合模块,用于对所述第一数据和所述第二数据进行时间聚合,得到第三数据;
预测模块,用于将所述第三数据输入预测模型得到针对未来产能的预测数据。
12.根据权利要求11所述的装置,其特征在于,所述第一分解模块还用于:
对所述第一数据进行预处理得到第四数据,所述预处理用于保证数据的完整性和可靠性;
对所述第四数据进行分解得到所述第二数据。
13.根据权利要求12所述的装置,其特征在于,所述对所述第四数据进行分解得到所述第二数据包括:
计算所述第四数据的季节性值,所述季节性值用于指示所述第四数据的周期性重复变化趋势;
根据所述第四数据和所述季节性值得到所述第四数据的趋势值,所述趋势值用于指示所述第四数据的线性变化趋势;
根据所述第四数据的季节性值和趋势值得到所述第四数据的残差值,所述残差值用于指示所述第四数据的随机变化趋势;
将所述第四数据的趋势值和残差值确定为所述第二数据。
14.根据权利要求13所述的装置,其特征在于,所述历史时间段中包括多个采集时刻,所述采集时刻与所述时间序列数据一一对应,所述第一聚合模块还用于:
针对每个采集时刻,将所述第一数据中与所述采集时刻对应的时间序列数据以及所述第二数据中与所述采集时刻对应的趋势值和残差值共同作为所述采集时刻的第三数据。
15.根据权利要求11所述的装置,其特征在于,所述预测模型包括编码器和解码器,所述预测模型的训练装置包括:
第二获取模块,用于获取训练数据集,所述训练数据集中包括多个训练数据,每个训练数据由第五数据和第六数据进行时间聚合后得到,所述第五数据为第一时间段内针对产能的时间序列数据,所述第六数据用于表示所述第五数据的变化趋势;
第一提取模块,用于提取所述训练数据的位置信息和时间信息得到第七数据,所述训练数据的位置信息用于指示所述训练数据中每个时间序列数据在所述训练数据中的位置,所述时间信息用于指示所述训练数据中每个时间序列数据对应的采集时刻;
编码器模块,用于将所述第七数据输入编码器得到第一特征向量,所述编码器用于提取输入的数据中的特征向量;
解码器模块,用于将所述第一特征向量和所述第七数据输入解码器得到预测结果,所述解码器用于将输入的特征向量解码以输出数据;
第一确定模块,用于根据所述第七数据和所述预测结果确定所述预测结果的损失;
第一调整模块,用于根据所述预测结果的损失调整所述预测模型的参数。
16.根据权利要求15所述的装置,其特征在于,所述第一提取模块还用于:
对所述训练数据进行卷积得到所述训练数据的标量投影,所述标量投影表示与所述预测模型的维度一致的向量;
基于所述训练数据的长度和每个数据所处的位置确定所述训练数据的局部时间戳,所述局部时间戳用于指示所述训练数据的位置信息;
基于所述训练数据的长度和每个数据所处的时刻确定所述训练数据的全局时间戳,所述全局时间戳用于指示所述训练数据的时间信息;
根据所述训练数据的标量投影、局部时间戳和全局时间戳得到所述第七数据。
17.根据权利要求15所述的装置,其特征在于,所述编码器模块还用于:
基于所述第七数据和参数矩阵得到多组第一向量矩阵、第二向量矩阵和第三向量矩阵;
根据所述多组第一向量矩阵、第二向量矩阵和第三向量矩阵得到多个第二特征向量;
降低所述多个第二特征向量的维度并进行连接得到所述第一特征向量。
18.根据权利要求17所述的装置,其特征在于,所述根据所述多组第一向量矩阵、第二向量矩阵和第三向量矩阵得到多个第二特征向量包括:
从所述第一向量矩阵中选择多个第一向量;
根据所述第一向量和所述第二向量矩阵得到相似度矩阵,所述相似度矩阵用于表示所述多个第一向量与第二向量矩阵的相似度;
对所述相似度矩阵进行归一化处理得到包含多个权重系数的权重矩阵;
基于所述权重矩阵和所述第三向量矩阵得到所述第二特征向量。
19.根据权利要求15所述的装置,其特征在于,所述解码器模块还用于:
将所述第七数据中的后半部分数据用0替换得到更新后第七数据;
将所述第一特征向量和所述更新后的第七数据输入解码器得到预测结果。
20.根据权利要求15所述的装置,其特征在于,所述第一确定模块还用于:
根据所述第七数据和所述预测结果得到预测误差;
对预测误差进行双曲余弦函数变换并取对数得到所述预测结果的损失。
21.一种电子设备,其特征在于,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为调用所述存储器存储的指令,以执行权利要求1至10中任意一项所述的方法。
22.一种计算机可读存储介质,其上存储有计算机程序指令,其特征在于,所述计算机程序指令被处理器执行时实现权利要求1至10中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310442542.3A CN116451866A (zh) | 2023-04-23 | 2023-04-23 | 预测方法及装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310442542.3A CN116451866A (zh) | 2023-04-23 | 2023-04-23 | 预测方法及装置、电子设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116451866A true CN116451866A (zh) | 2023-07-18 |
Family
ID=87123577
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310442542.3A Pending CN116451866A (zh) | 2023-04-23 | 2023-04-23 | 预测方法及装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116451866A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117035373A (zh) * | 2023-10-09 | 2023-11-10 | 中国电建集团山东电力管道工程有限公司 | 一种管道预制生产线智能管理方法及系统 |
CN117951695A (zh) * | 2024-03-27 | 2024-04-30 | 南京中科齐信科技有限公司 | 一种工业未知威胁检测方法及系统 |
CN117951695B (zh) * | 2024-03-27 | 2024-06-11 | 南京中科齐信科技有限公司 | 一种工业未知威胁检测方法及系统 |
-
2023
- 2023-04-23 CN CN202310442542.3A patent/CN116451866A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117035373A (zh) * | 2023-10-09 | 2023-11-10 | 中国电建集团山东电力管道工程有限公司 | 一种管道预制生产线智能管理方法及系统 |
CN117035373B (zh) * | 2023-10-09 | 2024-01-23 | 中国电建集团山东电力管道工程有限公司 | 一种管道预制生产线智能管理方法及系统 |
CN117951695A (zh) * | 2024-03-27 | 2024-04-30 | 南京中科齐信科技有限公司 | 一种工业未知威胁检测方法及系统 |
CN117951695B (zh) * | 2024-03-27 | 2024-06-11 | 南京中科齐信科技有限公司 | 一种工业未知威胁检测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20200293905A1 (en) | Method and apparatus for generating neural network | |
CN112163676B (zh) | 多任务服务预测模型训练方法、装置、设备以及存储介质 | |
WO2020056978A1 (zh) | 按键预测方法、装置及计算机可读存储介质 | |
CN116451866A (zh) | 预测方法及装置、电子设备和存储介质 | |
WO2024022354A1 (zh) | 结合rpa及ai实现ia的对象推荐方法、装置及存储介质 | |
US20210350175A1 (en) | Key-value memory network for predicting time-series metrics of target entities | |
CN114971748B (zh) | 预测数据生成、模型训练方法、计算机设备以及存储介质 | |
CN111814538B (zh) | 目标对象的类别识别方法、装置、电子设备及存储介质 | |
CN108985501B (zh) | 基于指数特征提取的股指预测方法、服务器及存储介质 | |
CN111191834A (zh) | 用户行为的预测方法、装置及服务器 | |
CN111597401B (zh) | 基于图关系网络的数据处理方法、装置、设备及介质 | |
CN114418093B (zh) | 训练路径表征模型、输出信息的方法和装置 | |
CN115545832A (zh) | 商品搜索推荐方法及其装置、设备、介质 | |
EP4198809A1 (en) | Pitman-yor process topic modeling pre-seeded by keyword groupings | |
CN114943583A (zh) | 用户喜好物品信息生成方法、装置、电子设备和介质 | |
CN116028319A (zh) | 基于用户交互行为的预测方法、装置及存储介质 | |
US11893069B2 (en) | Platform, method, and system for a search engine of time series data | |
CN115630219A (zh) | 推荐模型的训练方法、装置和计算机设备 | |
CN110826949A (zh) | 产能控制实现方法和装置 | |
CN114971766A (zh) | 商品推荐方法及其装置、设备、介质、产品 | |
CN113609397A (zh) | 用于推送信息的方法和装置 | |
CN115796984A (zh) | 物品推荐模型的训练方法、存储介质及相关设备 | |
CN115700548A (zh) | 用户行为预测的方法、设备和计算机程序产品 | |
CN113298265A (zh) | 一种基于深度学习的异构传感器潜在相关性学习方法 | |
CN111738536B (zh) | 设备操作方法、装置、电子设备和计算机可读介质 |
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 |