CN116702059B - 一种基于物联网的智能生产车间管理系统 - Google Patents
一种基于物联网的智能生产车间管理系统 Download PDFInfo
- Publication number
- CN116702059B CN116702059B CN202310659506.2A CN202310659506A CN116702059B CN 116702059 B CN116702059 B CN 116702059B CN 202310659506 A CN202310659506 A CN 202310659506A CN 116702059 B CN116702059 B CN 116702059B
- Authority
- CN
- China
- Prior art keywords
- information
- sample data
- data
- threshold value
- preference
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 85
- 238000007726 management method Methods 0.000 claims abstract description 20
- 238000003860 storage Methods 0.000 claims description 157
- 238000003066 decision tree Methods 0.000 claims description 47
- 238000000034 method Methods 0.000 claims description 32
- 238000004422 calculation algorithm Methods 0.000 claims description 31
- 238000005457 optimization Methods 0.000 claims description 27
- 239000011159 matrix material Substances 0.000 claims description 20
- 238000007637 random forest analysis Methods 0.000 claims description 10
- 238000013500 data storage Methods 0.000 abstract description 10
- 238000004891 communication Methods 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/31—Indexing; Data structures therefor; Storage structures
- G06F16/316—Indexing structures
- G06F16/325—Hash tables
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
- G06F16/353—Clustering; Classification into predefined classes
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- 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 Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Databases & Information Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及一种基于物联网的智能生产车间管理系统,属于数据处理技术领域,本发明通过基于决策树获取数据分类结果,并获取数据分类结果中每一数据类型的历史使用频率数据信息,根据每一数据类型的历史使用频率数据信息获取每一数据分类结果的使用偏好信息,进而构建信息服务器存储平台,并将每一数据分类结果的使用偏好信息输入到信息服务器存储平台中进行分级处理以及存储,最终通过对信息服务器存储平台的样本数据进行存储优化,生成样本数据的存取优化结果。本发明充分考虑了生产车间中数据的使用情况来调整数据存储目标,减轻了数据存储系统的通信负载,又可以提高与该数据相关事务的实时性。
Description
技术领域
本发明涉及数据处理技术领域,尤其涉及一种基于物联网的智能生产车间管理系统。
背景技术
伴随物联网技术的不断进步,物联网产业快速发展.智慧工厂、智慧交通、智慧社区、智慧家居等众多基于物联网技术的应用场景不断创新,给人们的工作和生活带来了巨大的便捷。大量传感器的接入、生产订单信息的长时间积累,对物联网平台的数据存储系统提出了新的要求。现如今,数据的长时间积累导致了数据存储系统产生了海量的数据,而在海量的数据中,可分为不常用的数据、常用的数据、无任何使用的数据等,其中若不定期清理数据存储系统中的数据,就会导致在查询数据存储系统中的数据时产生通信负载,信息搜索速度慢等情况,大大地降低了数据相关事务的实时性。
发明内容
本发明克服了现有技术的不足,提供了一种基于物联网的智能生产车间管理系统。
为达上述目的,本发明采用的技术方案为:
本发明第一方面提供了一种基于物联网的智能生产车间管理系统,系统包括存储器以及处理器,存储器中包含基于物联网的智能生产车间管理方法程序,基于物联网的智能生产车间管理方法程序被处理器执行时,实现如下步骤:
获取智能生产车间所采集的样本数据信息,并引入决策树算法对样本数据信息进行数据类型的划分,生成决策树;
基于决策树获取数据分类结果,并获取数据分类结果中每一数据类型的历史使用频率数据信息,根据每一数据类型的历史使用频率数据信息获取每一数据分类结果的使用偏好信息;
构建信息服务器存储平台,并将每一数据分类结果的使用偏好信息输入到信息服务器存储平台中进行分级处理以及存储;
通过对信息服务器存储平台的样本数据进行存储优化,生成样本数据的存取优化结果。
进一步地,在本实施例的较佳实施例中,引入决策树算法对样本数据信息进行数据类型的划分,生成决策树,具体包括以下步骤:
引入决策树算法对样本数据信息进行划分,并划分为若干个子集,并计算出每一子集属于相关类别的概率值,当概率值高于预设概率值,将该相关类别作为候选的分类类别;
引入多头注意力机制,通过多头注意力机制计算出候选分类类别与相关子集的关联性,并根据候选分类类别与相关子集的关联性进行排序,生成关联性排序结果;
获取关联性排序结果中最大关联性的相关类型,并根据最大关联性的相关类型以及概率值计算出在样本数据中识别所有样本需要的信息量;
根据识别所有样本需要的信息量计算出样本数据的期望值,并计算出样本数据的标准信息熵,并根据不同的标准信息熵对样本数据进行划分,生成若干个子集,并构建决策树。
进一步地,在本实施例的较佳实施例中,根据每一数据类型的历史使用频率数据信息获取每一数据分类结果的信息使用偏好信息,具体包括以下步骤:
基于LSTM构建用户数据使用偏好模型,根据每一数据类型的历史使用频率数据信息构建特征矩阵,并引入随机森林算法;
将特征矩阵输入到随机森林算法中进行相关性最高的特征数据进行提取,生成相关性最高的特征矩阵;
将相关性最高的特征矩阵输入到用户数据使用偏好模型中进行训练,生成训练完成的用户数据使用偏好模型;
根据训练完成的用户数据使用偏好模型对每一数据分类结果的数据进行使用偏好情况进行预测,获取每一数据分类结果的使用偏好信息。
进一步地,在本实施例的较佳实施例中,构建信息服务器存储平台,并将每一数据分类结果的使用偏好信息输入到信息服务器存储平台中进行分级处理以及存储,具体包括:
构建信息服务器存储平台,并将信息服务器存储平台分为暂存信息空间以及存储信息空间,并设置使用偏好阈值以及相关时限阈值,当使用偏好信息低于使用偏好阈值时,获取当前使用偏好信息低于使用偏好阈值的样本数据;
当使用偏好信息高于使用偏好阈值时,将获取当前使用偏好信息高于使用偏好阈值的样本数据,并将当前使用偏好信息高于使用偏好阈值的样本数据输入到存储信息空间中进行存储;
将当前使用偏好信息低于使用偏好阈值的样本数据输入到信息空间中,并判断当前使用偏好信息低于使用偏好阈值的样本数据在相关时限阈值之内是否有过使用的情况;
若当前使用偏好信息低于使用偏好阈值的样本数据在相关时限阈值之内有过使用的情况,将当前使用偏好信息低于使用偏好阈值的样本数据存储到存储信息空间中;
若使用偏好信息低于使用偏好阈值的样本数据在相关时限阈值之内未有过使用的情况,获取预设时间之内的生产订单信息,根据预设时间之内的生产订单信息确定最终的样本数据处理结果。
进一步地,在本实施例的较佳实施例中,通过对信息服务器存储平台的样本数据进行存储优化,生成样本数据的存取优化结果,具体为:
获取信息服务器存储平台中暂存信息空间以及存储信息空间的样本数据信息,并引入局部敏感哈希注意力机制;
根据局部敏感哈希注意力机制计算出暂存信息空间以及存储信息空间的每一样本数据信息的注意力分数,并获取每一样本数据信息所在的存储空间;
获取注意力分数相同的样本数据,并将注意力分数相同的样本数据合并到随机一个存储空间中,以生成新的数据存取结果;
将新的数据存取结果作为样本数据的存取优化结果进行输出。
进一步地,在本实施例的较佳实施例中,若使用偏好信息低于使用偏好阈值的样本数据在相关时限阈值之内未有过使用的情况,获取预设时间之内的生产订单信息,根据预设时间之内的生产订单信息确定最终的样本数据处理结果,具体为:
若使用偏好信息低于使用偏好阈值的样本数据在相关时限阈值之内未有过使用的情况,获取预设时间之内的生产订单信信息;
计算预设时间之内的生产订单信息与使用偏好信息低于使用偏好阈值的样本数据之间的关联程度,并判断关联程度是否大于预设关联程度;
当关联程度大于预设关联程度时,则将使用偏好信息低于使用偏好阈值的样本数据存储到存储信息空间中,并生成最终的样本数据处理结果;
当关联程度不大于预设关联程度时,则将使用偏好信息低于使用偏好阈值的样本数据删除,并生成最终的样本数据处理结果。
本发明第二方面提供了一种基于物联网的智能生产车间管理方法,包括以下步骤:
获取智能生产车间所采集的样本数据信息,并引入决策树算法对样本数据信息进行数据类型的划分,生成决策树;
基于决策树获取数据分类结果,并获取数据分类结果中每一数据类型的历史使用频率数据信息,根据每一数据类型的历史使用频率数据信息获取每一数据分类结果的使用偏好信息;
构建信息服务器存储平台,并将每一数据分类结果的使用偏好信息输入到信息服务器存储平台中进行分级处理以及存储;
通过对信息服务器存储平台的样本数据进行存储优化,生成样本数据的存取优化结果。
在本方法的实施例中,引入决策树算法对样本数据信息进行数据类型的划分,生成决策树,具体包括以下步骤:
引入决策树算法对样本数据信息进行划分,并划分为若干个子集,并计算出每一子集属于相关类别的概率值,当概率值高于预设概率值,将该相关类别作为候选的分类类别;
引入多头注意力机制,通过多头注意力机制计算出候选分类类别与相关子集的关联性,并根据候选分类类别与相关子集的关联性进行排序,生成关联性排序结果;
获取关联性排序结果中最大关联性的相关类型,并根据最大关联性的相关类型以及概率值计算出在样本数据中识别所有样本需要的信息量;
根据识别所有样本需要的信息量计算出样本数据的期望值,并计算出样本数据的标准信息熵,并根据不同的标准信息熵对样本数据进行划分,生成若干个子集,并构建决策树。
在本方法的实施例中,构建信息服务器存储平台,并将每一数据分类结果的使用偏好信息输入到信息服务器存储平台中进行分级处理以及存储,具体包括:
构建信息服务器存储平台,并将信息服务器存储平台分为暂存信息空间以及存储信息空间,并设置使用偏好阈值以及相关时限阈值,当使用偏好信息低于使用偏好阈值时,获取当前使用偏好信息低于使用偏好阈值的样本数据;
当使用偏好信息高于使用偏好阈值时,将获取当前使用偏好信息高于使用偏好阈值的样本数据,并将当前使用偏好信息高于使用偏好阈值的样本数据输入到存储信息空间中进行存储;
将当前使用偏好信息低于使用偏好阈值的样本数据输入到信息空间中,并判断当前使用偏好信息低于使用偏好阈值的样本数据在相关时限阈值之内是否有过使用的情况;
若当前使用偏好信息低于使用偏好阈值的样本数据在相关时限阈值之内有过使用的情况,将当前使用偏好信息低于使用偏好阈值的样本数据存储到存储信息空间中;
若使用偏好信息低于使用偏好阈值的样本数据在相关时限阈值之内未有过使用的情况,获取预设时间之内的生产订单信息,根据预设时间之内的生产订单信息确定最终的样本数据处理结果。
在本方法的实施例中,若使用偏好信息低于使用偏好阈值的样本数据在相关时限阈值之内未有过使用的情况,获取预设时间之内的生产订单信息,根据预设时间之内的生产订单信息确定最终的样本数据处理结果,具体为:
若使用偏好信息低于使用偏好阈值的样本数据在相关时限阈值之内未有过使用的情况,获取预设时间之内的生产订单信信息;
计算预设时间之内的生产订单信息与使用偏好信息低于使用偏好阈值的样本数据之间的关联程度,并判断关联程度是否大于预设关联程度;
当关联程度大于预设关联程度时,则将使用偏好信息低于使用偏好阈值的样本数据存储到存储信息空间中,并生成最终的样本数据处理结果;
当关联程度不大于预设关联程度时,则将使用偏好信息低于使用偏好阈值的样本数据删除,并生成最终的样本数据处理结果。
本发明解决了背景技术中存在的缺陷,本发明具备以下有益效果:
本发明通过获取智能生产车间所采集的样本数据信息,并引入决策树算法对样本数据信息进行数据类型的划分,生成决策树,进一步基于决策树获取数据分类结果,并获取数据分类结果中每一数据类型的历史使用频率数据信息,根据每一数据类型的历史使用频率数据信息获取每一数据分类结果的使用偏好信息,进而构建信息服务器存储平台,并将每一数据分类结果的使用偏好信息输入到信息服务器存储平台中进行分级处理以及存储,最终通过对信息服务器存储平台的样本数据进行存储优化,生成样本数据的存取优化结果。本发明充分考虑了生产车间中数据的使用情况来调整数据存储目标,减轻了数据存储系统的通信负载,又可以提高与该数据相关事务的实时性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术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发明的一些实施例,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他实施例的附图。
图1示出了一种基于物联网的智能生产车间管理系统的系统框图;
图2示出了一种基于物联网的智能生产车间管理方法的具体方法流程图;
图3示出了一种基于物联网的智能生产车间管理方法的第一方法流程图;
图4示出了一种基于物联网的智能生产车间管理方法的第二方法流程图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述的其他方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
本发明第一方面提供了一种基于物联网的智能生产车间管理系统4,系统包括存储器41以及处理器62,存储器41中包含基于物联网的智能生产车间管理方法程序,基于物联网的智能生产车间管理方法程序被处理器62执行时,实现如下步骤:
获取智能生产车间所采集的样本数据信息,并引入决策树算法对样本数据信息进行数据类型的划分,生成决策树;
基于决策树获取数据分类结果,并获取数据分类结果中每一数据类型的历史使用频率数据信息,根据每一数据类型的历史使用频率数据信息获取每一数据分类结果的使用偏好信息;
构建信息服务器存储平台,并将每一数据分类结果的使用偏好信息输入到信息服务器存储平台中进行分级处理以及存储;
通过对信息服务器存储平台的样本数据进行存储优化,生成样本数据的存取优化结果。
需要说明的是,本发明充分考虑了生产车间中数据的使用情况来调整数据存储目标,减轻了数据存储系统的通信负载,又可以提高与该数据相关事务的实时性。其中,样本数据信息包括生产中的加工图纸信息、相关技术人员的个人基本信息、生产订单信息、生产设备的型号信息等数据。
进一步地,在本实施例的较佳实施例中,引入决策树算法对样本数据信息进行数据类型的划分,生成决策树,具体包括以下步骤:
引入决策树算法对样本数据信息进行划分,并划分为若干个子集,并计算出每一子集属于相关类别的概率值,当概率值高于预设概率值,将该相关类别作为候选的分类类别;
引入多头注意力机制,通过多头注意力机制计算出候选分类类别与相关子集的关联性,并根据候选分类类别与相关子集的关联性进行排序,生成关联性排序结果;
获取关联性排序结果中最大关联性的相关类型,并根据最大关联性的相关类型以及概率值计算出在样本数据中识别所有样本需要的信息量;
根据识别所有样本需要的信息量计算出样本数据的期望值,并计算出样本数据的标准信息熵,并根据不同的标准信息熵对样本数据进行划分,生成若干个子集,并构建决策树。
需要说明的是,通过在决策树算法中引入多头注意力机制,从而在处理数据类型分类时,能够进一步提高决策树算法对数据分类的准确性。
进一步地,在本实施例的较佳实施例中,根据每一数据类型的历史使用频率数据信息获取每一数据分类结果的信息使用偏好信息,具体包括以下步骤:
基于LSTM构建用户数据使用偏好模型,根据每一数据类型的历史使用频率数据信息构建特征矩阵,并引入随机森林算法;
将特征矩阵输入到随机森林算法中进行相关性最高的特征数据进行提取,生成相关性最高的特征矩阵;
将相关性最高的特征矩阵输入到用户数据使用偏好模型中进行训练,生成训练完成的用户数据使用偏好模型;
根据训练完成的用户数据使用偏好模型对每一数据分类结果的数据进行使用偏好情况进行预测,获取每一数据分类结果的使用偏好信息。
需要说明的是,不同的数据类型或者数据均有着不同的使用频率,通过本方法能够进一步地预测出每一数据类型的使用偏好信息。
进一步地,在本实施例的较佳实施例中,构建信息服务器存储平台,并将每一数据分类结果的使用偏好信息输入到信息服务器存储平台中进行分级处理以及存储,具体包括:
构建信息服务器存储平台,并将信息服务器存储平台分为暂存信息空间以及存储信息空间,并设置使用偏好阈值以及相关时限阈值,当使用偏好信息低于使用偏好阈值时,获取当前使用偏好信息低于使用偏好阈值的样本数据;
当使用偏好信息高于使用偏好阈值时,将获取当前使用偏好信息高于使用偏好阈值的样本数据,并将当前使用偏好信息高于使用偏好阈值的样本数据输入到存储信息空间中进行存储;
将当前使用偏好信息低于使用偏好阈值的样本数据输入到信息空间中,并判断当前使用偏好信息低于使用偏好阈值的样本数据在相关时限阈值之内是否有过使用的情况;
若当前使用偏好信息低于使用偏好阈值的样本数据在相关时限阈值之内有过使用的情况,将当前使用偏好信息低于使用偏好阈值的样本数据存储到存储信息空间中;
若使用偏好信息低于使用偏好阈值的样本数据在相关时限阈值之内未有过使用的情况,获取预设时间之内的生产订单信息,根据预设时间之内的生产订单信息确定最终的样本数据处理结果。
需要说明的是,当当前使用偏好信息低于使用偏好阈值的样本数据在相关时限阈值之内有过使用的情况时,说明该数据还是在最近的时间之内有过使用的情况,如查询、搜索、调用等情况,将当前使用偏好信息低于使用偏好阈值的样本数据存储到存储信息空间中。通过本方法能够进一步优化数据的存储,有利于数据的资源分配。相关时限阈值可以是3年内或者5年内,用户可以自行设置,相关阈值可以设置为1次或者0次等数据。
进一步地,在本实施例的较佳实施例中,通过对信息服务器存储平台的样本数据进行存储优化,生成样本数据的存取优化结果,具体为:
获取信息服务器存储平台中暂存信息空间以及存储信息空间的样本数据信息,并引入局部敏感哈希注意力机制;
根据局部敏感哈希注意力机制计算出暂存信息空间以及存储信息空间的每一样本数据信息的注意力分数,并获取每一样本数据信息所在的存储空间;
获取注意力分数相同的样本数据,并将注意力分数相同的样本数据合并到随机一个存储空间中,以生成新的数据存取结果;
将新的数据存取结果作为样本数据的存取优化结果进行输出。
需要说明的是,通过引入局部敏感哈希注意力机制,当注意力分数相同的样本数据相同时,说明两个数据之间存在高度相似性,从而将注意力分数相同的样本数据合并到随机一个存储空间中,以生成新的数据存取结果,通过本方法能够进一步提高数据的查询以及识别速度。
进一步地,在本实施例的较佳实施例中,若使用偏好信息低于使用偏好阈值的样本数据在相关时限阈值之内未有过使用的情况,获取预设时间之内的生产订单信息,根据预设时间之内的生产订单信息确定最终的样本数据处理结果,具体为:
若使用偏好信息低于使用偏好阈值的样本数据在相关时限阈值之内未有过使用的情况,获取预设时间之内的生产订单信信息;
计算预设时间之内的生产订单信息与使用偏好信息低于使用偏好阈值的样本数据之间的关联程度,并判断关联程度是否大于预设关联程度;
当关联程度大于预设关联程度时,则将使用偏好信息低于使用偏好阈值的样本数据存储到存储信息空间中,并生成最终的样本数据处理结果;
当关联程度不大于预设关联程度时,则将使用偏好信息低于使用偏好阈值的样本数据删除,并生成最终的样本数据处理结果。
需要说明的是,通过本方法能够进一步结合预设时间之内的生产订单信息,来预测预设时间之内是否会继续使用,从而提高使用偏好信息低于使用偏好阈值的样本数据的数据处理合理性。关联程度不大于预设关联程度时,说明预设时间之内的生产订单信息与使用偏好信息低于使用偏好阈值的样本数据之间的关联程度低,两者不存在相关性;反之,则两者存在相关性。
如图2所示,本发明第二方面提供了一种基于物联网的智能生产车间管理方法,包括以下步骤:
S102:获取智能生产车间所采集的样本数据信息,并引入决策树算法对样本数据信息进行数据类型的划分,生成决策树;
S104:基于决策树获取数据分类结果,并获取数据分类结果中每一数据类型的历史使用频率数据信息,根据每一数据类型的历史使用频率数据信息获取每一数据分类结果的使用偏好信息;
S106:构建信息服务器存储平台,并将每一数据分类结果的使用偏好信息输入到信息服务器存储平台中进行分级处理以及存储;
S108:通过对信息服务器存储平台的样本数据进行存储优化,生成样本数据的存取优化结果。
在本方法的实施例中,引入决策树算法对样本数据信息进行数据类型的划分,生成决策树,具体包括以下步骤:
S202:引入决策树算法对样本数据信息进行划分,并划分为若干个子集,并计算出每一子集属于相关类别的概率值,当概率值高于预设概率值,将该相关类别作为候选的分类类别;
S204:引入多头注意力机制,通过多头注意力机制计算出候选分类类别与相关子集的关联性,并根据候选分类类别与相关子集的关联性进行排序,生成关联性排序结果;
S206:获取关联性排序结果中最大关联性的相关类型,并根据最大关联性的相关类型以及概率值计算出在样本数据中识别所有样本需要的信息量;
S208:根据识别所有样本需要的信息量计算出样本数据的期望值,并计算出样本数据的标准信息熵,并根据不同的标准信息熵对样本数据进行划分,生成若干个子集,并构建决策树。
在本方法的实施例中,构建信息服务器存储平台,并将每一数据分类结果的使用偏好信息输入到信息服务器存储平台中进行分级处理以及存储,具体包括:
构建信息服务器存储平台,并将信息服务器存储平台分为暂存信息空间以及存储信息空间,并设置使用偏好阈值以及相关时限阈值,当使用偏好信息低于使用偏好阈值时,获取当前使用偏好信息低于使用偏好阈值的样本数据;
当使用偏好信息高于使用偏好阈值时,将获取当前使用偏好信息高于使用偏好阈值的样本数据,并将当前使用偏好信息高于使用偏好阈值的样本数据输入到存储信息空间中进行存储;
将当前使用偏好信息低于使用偏好阈值的样本数据输入到信息空间中,并判断当前使用偏好信息低于使用偏好阈值的样本数据在相关时限阈值之内是否有过使用的情况;
若当前使用偏好信息低于使用偏好阈值的样本数据在相关时限阈值之内有过使用的情况,将当前使用偏好信息低于使用偏好阈值的样本数据存储到存储信息空间中;
若使用偏好信息低于使用偏好阈值的样本数据在相关时限阈值之内未有过使用的情况,获取预设时间之内的生产订单信息,根据预设时间之内的生产订单信息确定最终的样本数据处理结果。
在本方法的实施例中,若使用偏好信息低于使用偏好阈值的样本数据在相关时限阈值之内未有过使用的情况,获取预设时间之内的生产订单信息,根据预设时间之内的生产订单信息确定最终的样本数据处理结果,具体为:
S302:若使用偏好信息低于使用偏好阈值的样本数据在相关时限阈值之内未有过使用的情况,获取预设时间之内的生产订单信信息;
S304:计算预设时间之内的生产订单信息与使用偏好信息低于使用偏好阈值的样本数据之间的关联程度,并判断关联程度是否大于预设关联程度;
S306:当关联程度大于预设关联程度时,则将使用偏好信息低于使用偏好阈值的样本数据存储到存储信息空间中,并生成最终的样本数据处理结果;
S308:当关联程度不大于预设关联程度时,则将使用偏好信息低于使用偏好阈值的样本数据删除,并生成最终的样本数据处理结果。
其中,通过对信息服务器存储平台的样本数据进行存储优化,生成样本数据的存取优化结果,具体为:
获取信息服务器存储平台中暂存信息空间以及存储信息空间的样本数据信息,并引入局部敏感哈希注意力机制;
根据局部敏感哈希注意力机制计算出暂存信息空间以及存储信息空间的每一样本数据信息的注意力分数,并获取每一样本数据信息所在的存储空间;
获取注意力分数相同的样本数据,并将注意力分数相同的样本数据合并到随机一个存储空间中,以生成新的数据存取结果;
将新的数据存取结果作为样本数据的存取优化结果进行输出。
其中,根据每一数据类型的历史使用频率数据信息获取每一数据分类结果的信息使用偏好信息,具体包括以下步骤:
基于LSTM构建用户数据使用偏好模型,根据每一数据类型的历史使用频率数据信息构建特征矩阵,并引入随机森林算法;
将特征矩阵输入到随机森林算法中进行相关性最高的特征数据进行提取,生成相关性最高的特征矩阵;
将相关性最高的特征矩阵输入到用户数据使用偏好模型中进行训练,生成训练完成的用户数据使用偏好模型;
根据训练完成的用户数据使用偏好模型对每一数据分类结果的数据进行使用偏好情况进行预测,获取每一数据分类结果的使用偏好信息。
此外,本方法还可以包括以下步骤:
获取当前预定存入信息服务器存储平台的样本数据信息,并通过局部哈希注意力机制计算出所述当前预定存入信息服务器存储平台的样本数据信息的注意力分数;
将所述当前预定存入信息服务器存储平台的样本数据信息的注意力分数输入到所述信息服务器存储平台中进行数据匹配,获取相似度;
当所述相似度大于预设相似度时,获取所述信息服务器存储平台中相似度大于预设相似度的样本数据的所在存储空间;
将所述信息服务器存储平台中相似度大于预设相似度的样本数据的所在存储空间作为信息服务器存储平台中相似度大于预设相似度的样本数据的所在存储空间的输入空间。
需要说明的是,通过注意力分数的计算以及匹配,一方面能够提高相似的样本数据的匹配速度以及查询速度,另一方面能够避免数据的重复存储,从而有利于优化信息服务器存储平台的数据负载。
此外,本方法还可以包括以下步骤:
获取当前预定存入信息服务器存储平台的样本数据信息,并通过对所述当前预定存入信息服务器存储平台的样本数据信息进行文本数据进行提取,获取相关的语义文本数据信息;
通过对所述相关的语义文本数据信息进行语义理解以及分析,获取相关的语义文本数据信息的含义数据,并判断所述相关的语义文本数据信息的含义数据是否存在错误含义数据;
若所述相关的语义文本数据信息的含义数据存在错误含义数据,获取存在错误含义数据所在位置;
通过在信息服务器存储平台获取与错误含义数据相似度最高的文本数据,并根据所述与错误含义数据相似度最高的文本数据对所述当前预定存入信息服务器存储平台的样本数据信息进行更新。
需要说明的是,实际上,当前预定存入信息服务器存储平台的样本数据信息由于人为的失误性操作可能是错在一定的错误性,通过本方法能够及时对存在错误的样本数据进行更新,避免后续的数据误删情况。
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实施例方案的目的。
另外,在本发明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。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:移动存储设备、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
或者,本发明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,本发明实施例的技术方案本质上或者说对现有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一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例方法的全部或部分。而前述的存储介质包括:移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上,仅为本发明的具体实施方式,但本发明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发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (9)
1.一种基于物联网的智能生产车间管理系统,其特征在于,所述系统包括存储器以及处理器,所述存储器中包含基于物联网的智能生产车间管理方法程序,所述基于物联网的智能生产车间管理方法程序被处理器执行时,实现如下步骤:
获取智能生产车间所采集的样本数据信息,并引入决策树算法对所述样本数据信息进行数据类型的划分,生成决策树;
基于所述决策树获取数据分类结果,并获取数据分类结果中每一数据类型的历史使用频率数据信息,根据所述每一数据类型的历史使用频率数据信息获取每一数据分类结果的使用偏好信息;
构建信息服务器存储平台,并将所述每一数据分类结果的使用偏好信息输入到所述信息服务器存储平台中进行分级处理以及存储;
通过对所述信息服务器存储平台的样本数据进行存储优化,生成样本数据的存取优化结果;
根据所述每一数据类型的历史使用频率数据信息获取每一数据分类结果的信息使用偏好信息,具体包括以下步骤:
基于LSTM构建用户数据使用偏好模型,根据所述每一数据类型的历史使用频率数据信息构建特征矩阵,并引入随机森林算法;
将所述特征矩阵输入到随机森林算法中进行相关性最高的特征数据进行提取,生成相关性最高的特征矩阵;
将所述相关性最高的特征矩阵输入到所述用户数据使用偏好模型中进行训练,生成训练完成的用户数据使用偏好模型;
根据所述训练完成的用户数据使用偏好模型对每一数据分类结果的数据进行使用偏好情况进行预测,获取每一数据分类结果的使用偏好信息;
其中,样本数据信息包括生产中的加工图纸信息、相关技术人员的个人基本信息、生产订单信息、生产设备的型号信息。
2.根据权利要求1所述的一种基于物联网的智能生产车间管理系统,其特征在于,引入决策树算法对所述样本数据信息进行数据类型的划分,生成决策树,具体包括以下步骤:
引入决策树算法对所述样本数据信息进行划分,并划分为若干个子集,并计算出每一子集属于相关类别的概率值,当所述概率值高于预设概率值,将该相关类别作为候选的分类类别;
引入多头注意力机制,通过多头注意力机制计算出候选分类类别与相关子集的关联性,并根据所述候选分类类别与相关子集的关联性进行排序,生成关联性排序结果;
获取所述关联性排序结果中最大关联性的相关类型,并根据所述最大关联性的相关类型以及所述概率值计算出在所述样本数据中识别所有样本需要的信息量;
根据所述识别所有样本需要的信息量计算出所述样本数据的期望值,并计算出样本数据的标准信息熵,并根据不同的标准信息熵对样本数据进行划分,生成若干个子集,并构建决策树。
3.根据权利要求1所述的一种基于物联网的智能生产车间管理系统,其特征在于,构建信息服务器存储平台,并将所述每一数据分类结果的使用偏好信息输入到所述信息服务器存储平台中进行分级处理以及存储,具体包括:
构建信息服务器存储平台,并将所述信息服务器存储平台分为暂存信息空间以及存储信息空间,并设置使用偏好阈值以及相关时限阈值,当所述使用偏好信息低于所述使用偏好阈值时,获取当前所述使用偏好信息低于所述使用偏好阈值的样本数据;
当所述使用偏好信息高于所述使用偏好阈值时,将获取当前所述使用偏好信息高于所述使用偏好阈值的样本数据,并将所述当前所述使用偏好信息高于所述使用偏好阈值的样本数据输入到存储信息空间中进行存储;
将所述当前所述使用偏好信息低于所述使用偏好阈值的样本数据输入到所述信息空间中,并判断当前所述使用偏好信息低于所述使用偏好阈值的样本数据在相关时限阈值之内是否有过使用的情况;
若当前所述使用偏好信息低于所述使用偏好阈值的样本数据在相关时限阈值之内有过使用的情况,将当前所述使用偏好信息低于所述使用偏好阈值的样本数据存储到存储信息空间中;
若所述使用偏好信息低于所述使用偏好阈值的样本数据在相关时限阈值之内未有过使用的情况,获取预设时间之内的生产订单信息,根据所述预设时间之内的生产订单信息确定最终的样本数据处理结果。
4.根据权利要求1所述的基于物联网的智能生产车间管理系统,其特征在于,通过对所述信息服务器存储平台的样本数据进行存储优化,生成样本数据的存取优化结果,具体为:
获取所述信息服务器存储平台中暂存信息空间以及存储信息空间的样本数据信息,并引入局部敏感哈希注意力机制;
根据所述局部敏感哈希注意力机制计算出暂存信息空间以及存储信息空间的每一样本数据信息的注意力分数,并获取每一样本数据信息所在的存储空间;
获取注意力分数相同的样本数据,并将所述注意力分数相同的样本数据合并到随机一个存储空间中,以生成新的数据存取结果;
将所述新的数据存取结果作为样本数据的存取优化结果进行输出。
5.根据权利要求3所述的基于物联网的智能生产车间管理系统,其特征在于,若所述使用偏好信息低于所述使用偏好阈值的样本数据在相关时限阈值之内未有过使用的情况,获取预设时间之内的生产订单信息,根据所述预设时间之内的生产订单信息确定最终的样本数据处理结果,具体为:
若所述使用偏好信息低于所述使用偏好阈值的样本数据在相关时限阈值之内未有过使用的情况,获取预设时间之内的生产订单信信息;
计算所述预设时间之内的生产订单信息与所述使用偏好信息低于所述使用偏好阈值的样本数据之间的关联程度,并判断所述关联程度是否大于预设关联程度;
当所述关联程度大于预设关联程度时,则将所述使用偏好信息低于所述使用偏好阈值的样本数据存储到所述存储信息空间中,并生成最终的样本数据处理结果;
当所述关联程度不大于预设关联程度时,则将所述使用偏好信息低于所述使用偏好阈值的样本数据删除,并生成最终的样本数据处理结果。
6.一种基于物联网的智能生产车间管理方法,其特征在于,包括以下步骤:
获取智能生产车间所采集的样本数据信息,并引入决策树算法对所述样本数据信息进行数据类型的划分,生成决策树;
基于所述决策树获取数据分类结果,并获取数据分类结果中每一数据类型的历史使用频率数据信息,根据所述每一数据类型的历史使用频率数据信息获取每一数据分类结果的使用偏好信息;
构建信息服务器存储平台,并将所述每一数据分类结果的使用偏好信息输入到所述信息服务器存储平台中进行分级处理以及存储;
通过对所述信息服务器存储平台的样本数据进行存储优化,生成样本数据的存取优化结果;
根据所述每一数据类型的历史使用频率数据信息获取每一数据分类结果的信息使用偏好信息,具体包括以下步骤:
基于LSTM构建用户数据使用偏好模型,根据所述每一数据类型的历史使用频率数据信息构建特征矩阵,并引入随机森林算法;
将所述特征矩阵输入到随机森林算法中进行相关性最高的特征数据进行提取,生成相关性最高的特征矩阵;
将所述相关性最高的特征矩阵输入到所述用户数据使用偏好模型中进行训练,生成训练完成的用户数据使用偏好模型;
根据所述训练完成的用户数据使用偏好模型对每一数据分类结果的数据进行使用偏好情况进行预测,获取每一数据分类结果的使用偏好信息;
其中,样本数据信息包括生产中的加工图纸信息、相关技术人员的个人基本信息、生产订单信息、生产设备的型号信息。
7.根据权利要求6所述的一种基于物联网的智能生产车间管理方法,其特征在于,引入决策树算法对所述样本数据信息进行数据类型的划分,生成决策树,具体包括以下步骤:
引入决策树算法对所述样本数据信息进行划分,并划分为若干个子集,并计算出每一子集属于相关类别的概率值,当所述概率值高于预设概率值,将该相关类别作为候选的分类类别;
引入多头注意力机制,通过多头注意力机制计算出候选分类类别与相关子集的关联性,并根据所述候选分类类别与相关子集的关联性进行排序,生成关联性排序结果;
获取所述关联性排序结果中最大关联性的相关类型,并根据所述最大关联性的相关类型以及所述概率值计算出在所述样本数据中识别所有样本需要的信息量;
根据所述识别所有样本需要的信息量计算出所述样本数据的期望值,并计算出样本数据的标准信息熵,并根据不同的标准信息熵对样本数据进行划分,生成若干个子集,并构建决策树。
8.根据权利要求6所述的一种基于物联网的智能生产车间管理方法,其特征在于,构建信息服务器存储平台,并将所述每一数据分类结果的使用偏好信息输入到所述信息服务器存储平台中进行分级处理以及存储,具体包括:
构建信息服务器存储平台,并将所述信息服务器存储平台分为暂存信息空间以及存储信息空间,并设置使用偏好阈值以及相关时限阈值,当所述使用偏好信息低于所述使用偏好阈值时,获取当前所述使用偏好信息低于所述使用偏好阈值的样本数据;
当所述使用偏好信息高于所述使用偏好阈值时,将获取当前所述使用偏好信息高于所述使用偏好阈值的样本数据,并将所述当前所述使用偏好信息高于所述使用偏好阈值的样本数据输入到存储信息空间中进行存储;
将所述当前所述使用偏好信息低于所述使用偏好阈值的样本数据输入到所述信息空间中,并判断当前所述使用偏好信息低于所述使用偏好阈值的样本数据在相关时限阈值之内是否有过使用的情况;
若当前所述使用偏好信息低于所述使用偏好阈值的样本数据在相关时限阈值之内有过使用的情况,将当前所述使用偏好信息低于所述使用偏好阈值的样本数据存储到存储信息空间中;
若所述使用偏好信息低于所述使用偏好阈值的样本数据在相关时限阈值之内未有过使用的情况,获取预设时间之内的生产订单信息,根据所述预设时间之内的生产订单信息确定最终的样本数据处理结果。
9.根据权利要求8所述的一种基于物联网的智能生产车间管理方法,其特征在于,若所述使用偏好信息低于所述使用偏好阈值的样本数据在相关时限阈值之内未有过使用的情况,获取预设时间之内的生产订单信息,根据所述预设时间之内的生产订单信息确定最终的样本数据处理结果,具体为:
若所述使用偏好信息低于所述使用偏好阈值的样本数据在相关时限阈值之内未有过使用的情况,获取预设时间之内的生产订单信信息;
计算所述预设时间之内的生产订单信息与所述使用偏好信息低于所述使用偏好阈值的样本数据之间的关联程度,并判断所述关联程度是否大于预设关联程度;
当所述关联程度大于预设关联程度时,则将所述使用偏好信息低于所述使用偏好阈值的样本数据存储到所述存储信息空间中,并生成最终的样本数据处理结果;
当所述关联程度不大于预设关联程度时,则将所述使用偏好信息低于所述使用偏好阈值的样本数据删除,并生成最终的样本数据处理结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310659506.2A CN116702059B (zh) | 2023-06-05 | 2023-06-05 | 一种基于物联网的智能生产车间管理系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310659506.2A CN116702059B (zh) | 2023-06-05 | 2023-06-05 | 一种基于物联网的智能生产车间管理系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116702059A CN116702059A (zh) | 2023-09-05 |
CN116702059B true CN116702059B (zh) | 2023-12-19 |
Family
ID=87844498
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310659506.2A Active CN116702059B (zh) | 2023-06-05 | 2023-06-05 | 一种基于物联网的智能生产车间管理系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116702059B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117454277B (zh) * | 2023-10-11 | 2024-06-25 | 深圳励剑智能科技有限公司 | 一种基于人工智能的数据管理方法、系统及介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108334651A (zh) * | 2018-02-08 | 2018-07-27 | 北京小米移动软件有限公司 | 收集用户端数据实现预设需求的方法、装置及存储介质 |
CN108881474A (zh) * | 2018-07-10 | 2018-11-23 | 南京邮电大学 | 一种基于区块链的物联网数据分级保护架构 |
CN110598442A (zh) * | 2019-09-11 | 2019-12-20 | 国网浙江省电力有限公司信息通信分公司 | 一种敏感数据自适应的脱敏方法、系统 |
CN111260249A (zh) * | 2020-02-13 | 2020-06-09 | 武汉大学 | 一种基于lstm和随机森林混合模型的电力通信业务可靠性评估预测方法及装置 |
CN111702533A (zh) * | 2020-06-08 | 2020-09-25 | 苏州市联佳精密机械有限公司 | 一种改善航空产品加工的智能化加工方法及系统 |
CN111930948A (zh) * | 2020-09-08 | 2020-11-13 | 平安国际智慧城市科技股份有限公司 | 一种信息收集和分级方法、装置、计算机设备及存储介质 |
CN114186121A (zh) * | 2021-02-02 | 2022-03-15 | 寿带鸟信息科技(苏州)有限公司 | 一种基于服务记录的混合型推荐算法系统 |
CN114913008A (zh) * | 2022-04-08 | 2022-08-16 | 平安资产管理有限责任公司 | 基于决策树的债券价值分析方法、装置、设备及存储介质 |
CN115587877A (zh) * | 2022-09-06 | 2023-01-10 | 广东开放大学(广东理工职业学院) | 基于大数据的直播电商平台商品内容智能推送管理系统 |
CN115907608A (zh) * | 2022-11-15 | 2023-04-04 | 深圳市库宝软件有限公司 | 仓储物流项目的分析方法、系统、存储介质及计算机设备 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11556843B2 (en) * | 2019-07-15 | 2023-01-17 | At&T Intellectual Property I, L.P. | Predictive resolutions for tickets using semi-supervised machine learning |
-
2023
- 2023-06-05 CN CN202310659506.2A patent/CN116702059B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108334651A (zh) * | 2018-02-08 | 2018-07-27 | 北京小米移动软件有限公司 | 收集用户端数据实现预设需求的方法、装置及存储介质 |
CN108881474A (zh) * | 2018-07-10 | 2018-11-23 | 南京邮电大学 | 一种基于区块链的物联网数据分级保护架构 |
CN110598442A (zh) * | 2019-09-11 | 2019-12-20 | 国网浙江省电力有限公司信息通信分公司 | 一种敏感数据自适应的脱敏方法、系统 |
CN111260249A (zh) * | 2020-02-13 | 2020-06-09 | 武汉大学 | 一种基于lstm和随机森林混合模型的电力通信业务可靠性评估预测方法及装置 |
CN111702533A (zh) * | 2020-06-08 | 2020-09-25 | 苏州市联佳精密机械有限公司 | 一种改善航空产品加工的智能化加工方法及系统 |
CN111930948A (zh) * | 2020-09-08 | 2020-11-13 | 平安国际智慧城市科技股份有限公司 | 一种信息收集和分级方法、装置、计算机设备及存储介质 |
CN114186121A (zh) * | 2021-02-02 | 2022-03-15 | 寿带鸟信息科技(苏州)有限公司 | 一种基于服务记录的混合型推荐算法系统 |
CN114913008A (zh) * | 2022-04-08 | 2022-08-16 | 平安资产管理有限责任公司 | 基于决策树的债券价值分析方法、装置、设备及存储介质 |
CN115587877A (zh) * | 2022-09-06 | 2023-01-10 | 广东开放大学(广东理工职业学院) | 基于大数据的直播电商平台商品内容智能推送管理系统 |
CN115907608A (zh) * | 2022-11-15 | 2023-04-04 | 深圳市库宝软件有限公司 | 仓储物流项目的分析方法、系统、存储介质及计算机设备 |
Non-Patent Citations (1)
Title |
---|
基于多源数据的高铁游客画像研究;茅双双 等;合作经济与科技;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116702059A (zh) | 2023-09-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112235327A (zh) | 异常日志检测方法、装置、设备和计算机可读存储介质 | |
CN116702059B (zh) | 一种基于物联网的智能生产车间管理系统 | |
CN112364014B (zh) | 数据查询方法、装置、服务器及存储介质 | |
CN113486664A (zh) | 文本数据可视化分析方法、装置、设备及存储介质 | |
CN116340586A (zh) | 基于云平台的汽车故障管理方法、系统及存储介质 | |
CN112395881A (zh) | 物料标签的构建方法、装置、可读存储介质及电子设备 | |
CN113988195A (zh) | 一种私域流量线索挖掘方法、装置、车辆、可读介质 | |
CN116561230B (zh) | 一种基于云计算的分布式存储与检索系统 | |
Bot | Feature extraction for the k-nearest neighbour classifier with genetic programming | |
CN117056591A (zh) | 基于动态预测的电力缴费渠道智能推荐方法及系统 | |
CN111104422B (zh) | 一种数据推荐模型的训练方法、装置、设备及存储介质 | |
CN115982646B (zh) | 一种基于云平台的多源测试数据的管理方法及系统 | |
KR102005952B1 (ko) | 기계학습 모델링에서 잡음 데이터 제거를 위한 데이터 정제 장치 및 방법 | |
CN114943285B (zh) | 互联网新闻内容数据智能审核系统 | |
CN114282119B (zh) | 一种基于异构信息网络的科技信息资源检索方法及系统 | |
CN113706207B (zh) | 基于语义解析的订单成交率分析方法、装置、设备及介质 | |
CN114528908A (zh) | 网络请求数据分类模型训练方法、分类方法及存储介质 | |
CN115147020A (zh) | 装修数据处理方法、装置、设备及存储介质 | |
CN112529319A (zh) | 基于多维特征的评分方法、装置、计算机设备及存储介质 | |
CN111143436A (zh) | 用于大数据的数据挖掘方法 | |
CN117972113B (zh) | 基于属性知识图谱的专利授权预测评估的方法和系统 | |
CN117648444B (zh) | 基于图卷积属性聚合的专利聚类方法和系统 | |
CN115840834B (zh) | 一种人脸数据库快速搜索方法及系统 | |
CN117422484B (zh) | 一种数字化营销协同数据处理系统、方法、设备及介质 | |
CN117150046B (zh) | 基于上下文语义的任务自动分解方法和系统 |
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 |