CN117035692A - 一种基于多维度数据的智能评议管理系统及方法 - Google Patents
一种基于多维度数据的智能评议管理系统及方法 Download PDFInfo
- Publication number
- CN117035692A CN117035692A CN202311270458.4A CN202311270458A CN117035692A CN 117035692 A CN117035692 A CN 117035692A CN 202311270458 A CN202311270458 A CN 202311270458A CN 117035692 A CN117035692 A CN 117035692A
- Authority
- CN
- China
- Prior art keywords
- evaluation
- value
- assessment
- index
- event
- 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 41
- 238000011156 evaluation Methods 0.000 claims abstract description 535
- 238000004458 analytical method Methods 0.000 claims abstract description 97
- 230000002159 abnormal effect Effects 0.000 claims abstract description 82
- 238000012216 screening Methods 0.000 claims abstract description 35
- 238000010276 construction Methods 0.000 claims abstract description 14
- 238000011157 data evaluation Methods 0.000 claims abstract description 11
- 238000000605 extraction Methods 0.000 claims abstract description 8
- 238000007726 management method Methods 0.000 claims description 26
- 238000004364 calculation method Methods 0.000 claims description 15
- 238000011835 investigation Methods 0.000 claims description 12
- 238000012544 monitoring process Methods 0.000 claims description 7
- 238000012423 maintenance Methods 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims description 6
- 230000004044 response Effects 0.000 claims description 5
- 206010042496 Sunburn Diseases 0.000 claims description 3
- 238000012417 linear regression Methods 0.000 claims description 3
- 238000012821 model calculation Methods 0.000 claims description 3
- 230000005856 abnormality Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 206010063385 Intellectualisation Diseases 0.000 description 2
- 238000013210 evaluation model Methods 0.000 description 2
- 238000012854 evaluation process Methods 0.000 description 2
- 238000010234 longitudinal analysis Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004064 recycling Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000012552 review Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012795 verification Methods 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
- G06Q10/10—Office automation; Time management
- G06Q10/103—Workflow collaboration or project management
-
- 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
- G06F16/25—Integrating or interfacing systems involving database management systems
- G06F16/252—Integrating or interfacing systems involving database management systems between a Database Management System and a front-end application
-
- 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- General Engineering & Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及智能评议技术领域,具体为一种基于多维度数据的智能评议管理系统及方法,包括历史评议事件提取模块、临界评议值分析模块、可筛除数据评议模型构建模块、可优化评议组分析模块和评议方法更新模块;历史评议事件提取模块用于获取评议系统应用历史评议方法记录的历史评议事件;临界评议值分析模块用于确定异常评议事件的临界评议值;可筛除数据评议模型构建模块用于基于历史评议事件,构建可筛除数据评议模型;可优化评议组分析模块用于分析有效评议事件和可筛除数据评议模型,输出可优化评议组;评议方法更新模块用于分析实时评议事件并在分析结果为异常评议事件时进行数据更换和数据筛除,输出满足要求的评议方法。
Description
技术领域
本发明涉及智能评议技术领域,具体为一种基于多维度数据的智能评议管理系统及方法。
背景技术
随着数据库技术和数据集成理论的深入研究以及相关技术的不断发展,各行各业都在将传统业务与新的技术成果相结合,通过信息化建设,使得传统业务更加智能和高效;
在传统方式下民主测评过程中的表格发放、填写、回收、统计、分析等依靠手工完成,工作繁琐、劳动量庞大,手工操作方式完全依赖操作人员,操作错、漏在所难免,而为避免工作失误则又必须增加人员投入;现有存在智能评议管理系统可以有效解决人力的问题,但是在对评议指标和指标权重的分析上不能智能化的对历史评议事件中不同评议指标和指标权重进行筛选,无法根据实时数据的新增进行动态指标的更新,以满足评议系统管理的优化,且现有评议系统无法自主判断并筛除无效的评议数值来提升评议的精确度和可靠性。
发明内容
本发明的目的在于提供一种基于多维度数据的智能评议管理系统及方法,以解决上述背景技术中提出的问题。
为了解决上述技术问题,本发明提供如下技术方案:一种基于多维度数据的智能评议管理方法,包括以下分析步骤:
步骤S1:获取评议系统应用历史评议方法记录的历史评议事件,历史评议方法是指对评议对象由参评人员基于评议指标和指标权重执行打分评议的方法;历史评议方法记录若干种,评议方法种类不同是指评议指标、指标权重不同或评议指标和指标权重均不同;基于历史评议事件,确定异常评议事件的临界评议值;
步骤S2:基于历史评议事件,构建可筛除数据评议模型;
步骤S3:筛除历史评议事件中的异常评议事件,将剩余历史评议事件作为有效评议事件;基于有效评议事件和可筛除数据评议模型,分析可优化评议组,可优化评议组是指由可优化评议指标和可优化指标权重构成的数据组;
步骤S4:监测评议系统的实时评议事件,判断是否存在异常评议事件,若不存在异常评议事件,则继续监测;若存在异常评议事件,分析实时评议事件记录的实时评议数据与筛除数据评议模型和可优化评议组的关系,进行二次判断并输出判断结果;
步骤S5:当步骤S4中的判断结果仍为异常评议事件时,输出预警信号进行系统维护预警响应;当二次判断的结果不为异常评议事件时,将实时评议事件对应的评议指标和指标权重作为下一评议事件的评议方法。
进一步的,确定异常评议事件的临界评议值,包括以下分析步骤:
步骤S11:提取历史评议事件记录的评议数据,评议数据包括参评人员的评议数值和系统评议反馈结果,每一评议事件对应一个评议对象和多个参评人员;将历史评议事件中系统评议反馈结果为异常结果的评议事件标记为异常评议事件;异常结果是指评议对象提出评议申诉进行二次评议的结果;
步骤S12:获取异常评议事件中第i个参评人员基于第j类评议指标的评议数值Pij,每类评议指标包含至少两个不同评议指标,且每类评议指标的评议数值是由所属对应类别下所有评议指标进行加权求和计算而得;
步骤S13:计算第j类评议指标下由第1、2、3、......、m个参评人员输入的第一评议差值Ej,Ej=Pjmax-Pjmin,Pjmax表示第j类评议指标对应参评人员输入评议数值的最大值,Pjmin表示第j类评议指标对应参评人员输入评议数值的最小值;遍历k类评议指标得到第一评议差值集合,计算第一评议差值集合的平均值P0,P0=(1/k)∑Ej,k≥j;将大于P0的第一评议差值作为第一目标评议差值;m≥i;k表示评议指标的总类型数,m表示参评人员的个数;目标评议差值的选取考量了多种评议指标类型下对异常评议指标类型的范围缩小;
从评议数值上入手分析异常是因为不论是权重设定不合理的影响还是指标不明确导致的评分偏差较大的影响,最终均会体现于数值的波动较大;横向分析是考虑评议指标选取带来的差异,
计算第i个参评人员对应第1、2、3、......、k类评议指标下的第二评议差值Ri,Ri=Qimax-Qimin,Qimax表示第i个参评人员对应评议指标的评议数值最大值,Qimin表示第i个参评人员对应评议指标的评议数值最小值;遍历m个参评人员得到第二评议差值集合,计算第二评议差值集合的平均值Q0,并将大于Q0的第二评议差值作为第二目标评议差值;纵向分析是考虑权重值带来的差异;
步骤S14:按照步骤S13的方式遍历所有异常评议事件,输出对应的第一目标评议差值和第二目标评议差值,计算所有异常评议事件的第一目标评议差值的平均值作为评议指标对应的临界评议值,计算所有异常评议事件的第二目标评议差值的平均值作为指标权重对应的临界评议值。
取均值作为临界评议值是为了降低选取最小值带来的误差,避免由于评议对象恶意申诉带来的影响。
进一步的,构建可筛除数据评议模型,包括以下分析步骤:
提取历史评议事件中基于所有类型评议指标对应评议数值均相同的参评人员为待分析人员;获取任一待分析人员对应每一评议指标的数值输入时刻t,计算待分析人员的平均间隔输入时长T,T=[1/(k-1)]*∑[t(j+1)-tj],t(j+1)表示第j+1个评议指标对应评议数值的输入时刻,tj表示第j个评议指标对应评议数值的输入时刻;
获取M个待分析人员的平均间隔输入时长的最大值Tmax;
若Tmax与评议数值不为均相同情况对应参评人员的平均间隔输入时长最小值T0的差值大于等于差值阈值且Tmax<T0,说明输入数值相同的参评人员与其他人员在输入时间隔时长差异较大,构成虚假随意评议的可能性越大,将其筛除可以有效的提高评议系统输出结果的精确性,则构建可筛除数据评议模型W1,W=w0-Tmax,w0表示实时获取的间隔输入时长;W1>0时,输出对应输入数值保留;W1≤0时,将对应输入数值筛除;
若Tmax与评议数值不为均相同情况对应参评人员的平均间隔输入时长最小值T0的差值小于差值阈值,或Tmax与评议数值不为均相同情况对应参评人员的平均间隔输入时长最小值T0的差值大于等于差值阈值且Tmax≥T0,则计算M个待分析人员的平均间隔输入时长的平均值T0;
并构建可筛除数据评议模型W2,W2=w0-T0;W2>0时,输出对应输入数值保留;W2≤0时,将对应输入数值筛除。
进一步的,分析可优化评议组包括以下分析步骤:
步骤S31:提取历史评议事件中记录的所有评议指标,每类评议指标包含的评议指标个数相同,将一类评议指标作为一个分析单元;标记每一分析单元中只存在于有效评议事件的评议指标的特征值为a1、只存在于异常评议事件的评议指标的特征值为a2和既存在有效评议事件又存在异常评议事件的特征值为a3,u1<a1<a3<a2<u2,u2-u1=1;
步骤S32:获取分析单元中每一评议指标对应存在可筛除数据的次数V1,利用公式:
F=s1*[V1*V2)/V0]+s2*a
a={a1,a2,a3}
计算每一分析单元中各评议指标的可优化指数F;V0表示历史评议事件个数,V2表示评议指标存在可筛除数据时对应的参评人员个数;s1、s2表示对应的线性回归系数;a表示选取由a1、a2、a3构成集合中的任一数值;
步骤S33:将每一分析单元中的评议指标按照可优化指数由小至大排序,选取前h个评议指标作为单元可优化评议指标,h表示历史评议事件中记录分析单元的评议指标个数;将所有分析单元对应的单元可优化评议指标构成评议事件的可优化评议指标;
步骤S34:获取每一分析单元对应单元可优化评议指标的应用次数,应用次数是指历史评议事件中记录对应单元可优化评议指标的次数;
若分析单元中所有单元可优化评议指标的应用次数相同,则输出可优化指标权重均为1/h;若分析单元中单元可优化评议指标的应用次数不同,则输出可优化指标权重对应为y/y0,y表示单元可优化评议指标的应用次数,y0表示分析单元中所有单元可优化评议指标的应用次数之和。
进一步的,步骤S4包括以下分析步骤:
获取实时评议事件记录的实时评议数值,
计算同一评议指标下包含所有参评人员的评议数值最大值和最小值差值为第一考察差值,若第一考察差值大于评议指标对应的临界评议值,则判断实时评议事件为异常评议事件;
或计算同一参评人员对应所有评议指标下评议数值最大值和最小值差值为第二考察差值,若第二考察差值大于指标权重对应的临界评议值,则判断实时评议事件为异常评议事件;
实时评议数据还包括实时评议指标、实时指标权重和实时数据输入时刻;
将实时评议指标与可优化评议组中的可优化评议指标进行对比,将不同于可优化评议指标的实时评议指标进行替换,以及将可优化评议指标的可优化指标权重对应实时指标权重进行设置,生成新的评议方法由相同参评人员再次评议,将实时数据输入时刻带入筛除数据评议模型计算,对满足数值筛除条件的评议数值进行筛除;并基于再次评议的评议数值二次判断是否为异常评议事件。
二次判断是为了验证替换为可优化评议指标和指标权重后的可信度和精确度,当替换后的判断结果不为异常时则说明可信度和精确度提高,如果可信度和精确度提高则将可优化评议指标和指标权重作为当前数据记载中的最优的评议方法,在每次评议事件时均进行判断且根据实际情况进行可优化评议指标和指标权重的更新设置,提高评议系统管理的智能化和评议高度精确化。本申请从参评人员数据、评议指标和指标权重多维度数据进行分析,选取评议系统当前最优的评议方法进行下一评议事件的分析,且评议系统不断判断并更新,实现智能化管理。
智能评议管理系统,包括历史评议事件提取模块、临界评议值分析模块、可筛除数据评议模型构建模块、可优化评议组分析模块和评议方法更新模块;
历史评议事件提取模块用于获取评议系统应用历史评议方法记录的历史评议事件;
临界评议值分析模块用于确定异常评议事件的临界评议值;
可筛除数据评议模型构建模块用于基于历史评议事件,构建可筛除数据评议模型;
可优化评议组分析模块用于分析有效评议事件和可筛除数据评议模型,输出可优化评议组;
评议方法更新模块用于分析实时评议事件并在分析结果为异常评议事件时进行数据更换和数据筛除,输出满足要求的评议方法。
进一步的,临界评议值分析模块包括评议数据获取单元、评议差值计算单元和临界评议值输出单元;
评议数据获取单元用于提取历史评议事件记录的评议数据,并将历史评议事件中系统评议反馈结果为异常结果的评议事件标记为异常评议事件;
评议差值计算单元用于计算评议指标下由参评人员输入的第一评议差值和参评人员对应类评议指标下的第二评议差值;
临界评议值输出单元用于基于第一评议差值和第二评议差值,分别输出评议指标对应的临界评议值和指标权重对应的临界评议值。
进一步的,可筛除数据评议模型构建模块包括待分析人员确定单元、平均间隔输入时长计算单元和模型分析单元;
待分析人员确定单元用于提取历史评议事件中基于所有类型评议指标对应评议数值均相同的参评人员为待分析人员;
平均间隔输入时长计算单元用于获取任一待分析人员对应每一评议指标的数值输入时刻,计算待分析人员的平均间隔输入时长;
模型分析单元用于获取待分析人员的平均间隔输入时长的最大值进行比较构建不同情况的可晒出数据评议模型。
进一步的,可优化评议组分析模块包括特征值设定单元、可优化指数计算单元、可优化评议指标输出单元和可优化指标权重输出单元;
特征值设定单元用于标记每一分析单元中不同情况下评议指标的特征值;
可优化指数计算单元用于基于特征值和分析单元中每一评议指标对应存在可筛除数据的次数、存在可筛除数据时对应的参评人员个数计算可优化指数;
可优化评议指标输出单元用于将每一分析单元中的评议指标按照可优化指数由小至大排序,依据指标个数选取单元可优化评议指标;
可优化指标权重输出单元基于分析单元中所有单元可优化评议指标的应用次数确定可优化指标权重。
与现有技术相比,本发明所达到的有益效果是:本发明相对于传统手工方式,大幅度提升工作效率,从测评表发放、回收、 监控、统计、分析及报告撰写等各环节全面提升效率,免除大量的手工操作,评议工作更加有序;且本发明基于历史记录的评议事件,将历史评议事件对应的评议方法进行评析,制定满足筛选条件的数据模型,对参评人员在评议过程中进行乱打分、不认真打分的数据进行筛除,从而提高评析系统的精确度和可靠性;同时评议系统在对评议指标和指标权重的管理分析上,进行实时动态判断更新,输出符合当前需求的最优评议方法,实现智能化评议系统的高效管理,避免因评议指标或指标权重设置不合理造成结果异常情况的产生。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1是本发明一种基于多维度数据的智能评议管理系统的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1,本发明提供技术方案:一种基于多维度数据的智能评议管理方法,包括以下分析步骤:
步骤S1:获取评议系统应用历史评议方法记录的历史评议事件,历史评议方法是指对评议对象由参评人员基于评议指标和指标权重执行打分评议的方法;历史评议方法记录若干种,评议方法种类不同是指评议指标、指标权重不同或评议指标和指标权重均不同;基于历史评议事件,确定异常评议事件的临界评议值;
确定异常评议事件的临界评议值,包括以下分析步骤:
步骤S11:提取历史评议事件记录的评议数据,评议数据包括参评人员的评议数值和系统评议反馈结果,每一评议事件对应一个评议对象和多个参评人员;将历史评议事件中系统评议反馈结果为异常结果的评议事件标记为异常评议事件;异常结果是指评议对象提出评议申诉进行二次评议的结果;
步骤S12:获取异常评议事件中第i个参评人员基于第j类评议指标的评议数值Pij,每类评议指标包含至少两个不同评议指标,且每类评议指标的评议数值是由所属对应类别下所有评议指标进行加权求和计算而得;
如“素质类”评议指标包含的评议指标有“政治素质、职业操守、作风建设和廉洁从业”,而评议数值则由对应上述四种评议指标进行加权求和计算得到,权表示评议指标对应的指标权重;
步骤S13:计算第j类评议指标下由第1、2、3、......、m个参评人员输入的第一评议差值Ej,Ej=Pjmax-Pjmin,Pjmax表示第j类评议指标对应参评人员输入评议数值的最大值,Pjmin表示第j类评议指标对应参评人员输入评议数值的最小值;遍历k类评议指标得到第一评议差值集合,计算第一评议差值集合的平均值P0,P0=(1/k)∑Ej,k≥j;将大于P0的第一评议差值作为第一目标评议差值;m≥i;k表示评议指标的总类型数,m表示参评人员的个数;目标评议差值的选取考量了多种评议指标类型下对异常评议指标类型的范围缩小;
从评议数值上入手分析异常是因为不论是权重设定不合理的影响还是指标不明确导致的评分偏差较大的影响,最终均会体现于数值的波动较大;横向分析是考虑评议指标选取带来的差异,
计算第i个参评人员对应第1、2、3、......、k类评议指标下的第二评议差值Ri,Ri=Qimax-Qimin,Qimax表示第i个参评人员对应评议指标的评议数值最大值,Qimin表示第i个参评人员对应评议指标的评议数值最小值;遍历m个参评人员得到第二评议差值集合,计算第二评议差值集合的平均值Q0,并将大于Q0的第二评议差值作为第二目标评议差值;纵向分析是考虑权重值带来的差异;
步骤S14:按照步骤S13的方式遍历所有异常评议事件,输出对应的第一目标评议差值和第二目标评议差值,计算所有异常评议事件的第一目标评议差值的平均值作为评议指标对应的临界评议值,计算所有异常评议事件的第二目标评议差值的平均值作为指标权重对应的临界评议值。
取均值作为临界评议值是为了降低选取最小值带来的误差,避免由于评议对象恶意申诉带来的影响。
步骤S2:基于历史评议事件,构建可筛除数据评议模型;
构建可筛除数据评议模型,包括以下分析步骤:
提取历史评议事件中基于所有类型评议指标对应评议数值均相同的参评人员为待分析人员;获取任一待分析人员对应每一评议指标的数值输入时刻t,计算待分析人员的平均间隔输入时长T,T=[1/(k-1)]*∑[t(j+1)-tj],t(j+1)表示第j+1个评议指标对应评议数值的输入时刻,tj表示第j个评议指标对应评议数值的输入时刻;
获取M个待分析人员的平均间隔输入时长的最大值Tmax;
若Tmax与评议数值不为均相同情况对应参评人员的平均间隔输入时长最小值T0的差值大于等于差值阈值且Tmax<T0,说明输入数值相同的参评人员与其他人员在输入时间隔时长差异较大,构成虚假随意评议的可能性越大,将其筛除可以有效的提高评议系统输出结果的精确性,则构建可筛除数据评议模型W1,W=w0-Tmax,w0表示实时获取的间隔输入时长;W1>0时,输出对应输入数值保留;W1≤0时,将对应输入数值筛除;
若Tmax与评议数值不为均相同情况对应参评人员的平均间隔输入时长最小值T0的差值小于差值阈值,或Tmax与评议数值不为均相同情况对应参评人员的平均间隔输入时长最小值T0的差值大于等于差值阈值且Tmax≥T0,则计算M个待分析人员的平均间隔输入时长的平均值T0;
并构建可筛除数据评议模型W2,W2=w0-T0;W2>0时,输出对应输入数值保留;W2≤0时,将对应输入数值筛除。
步骤S3:筛除历史评议事件中的异常评议事件,将剩余历史评议事件作为有效评议事件;基于有效评议事件和可筛除数据评议模型,分析可优化评议组,可优化评议组是指由可优化评议指标和可优化指标权重构成的数据组;
分析可优化评议组包括以下分析步骤:
步骤S31:提取历史评议事件中记录的所有评议指标,每类评议指标包含的评议指标个数相同,将一类评议指标作为一个分析单元;标记每一分析单元中只存在于有效评议事件的评议指标的特征值为a1、只存在于异常评议事件的评议指标的特征值为a2和既存在有效评议事件又存在异常评议事件的特征值为a3,u1<a1<a3<a2<u2,u2-u1=1;
步骤S32:获取分析单元中每一评议指标对应存在可筛除数据的次数V1,利用公式:
F=s1*[V1*V2)/V0]+s2*a
a={a1,a2,a3}
计算每一分析单元中各评议指标的可优化指数F;V0表示历史评议事件个数,V2表示评议指标存在可筛除数据时对应的参评人员个数;s1、s2表示对应的线性回归系数;a表示选取由a1、a2、a3构成集合中的任一数值;
步骤S33:将每一分析单元中的评议指标按照可优化指数由小至大排序,选取前h个评议指标作为单元可优化评议指标,h表示历史评议事件中记录分析单元的评议指标个数;将所有分析单元对应的单元可优化评议指标构成评议事件的可优化评议指标;
步骤S34:获取每一分析单元对应单元可优化评议指标的应用次数,应用次数是指历史评议事件中记录对应单元可优化评议指标的次数;
若分析单元中所有单元可优化评议指标的应用次数相同,则输出可优化指标权重均为1/h;如在一分析单元中存在4个单元可优化评议指标,应用次数相同,则对应指标权重均为0.25;若分析单元中单元可优化评议指标的应用次数不同,则输出可优化指标权重对应为y/y0,y表示单元可优化评议指标的应用次数,y0表示分析单元中所有单元可优化评议指标的应用次数之和。
步骤S4:监测评议系统的实时评议事件,判断是否存在异常评议事件,若不存在异常评议事件,则继续监测;若存在异常评议事件,分析实时评议事件记录的实时评议数据与筛除数据评议模型和可优化评议组的关系,进行二次判断并输出判断结果;
步骤S4包括以下分析步骤:
获取实时评议事件记录的实时评议数值,
计算同一评议指标下包含所有参评人员的评议数值最大值和最小值差值为第一考察差值,若第一考察差值大于评议指标对应的临界评议值,则判断实时评议事件为异常评议事件;
或计算同一参评人员对应所有评议指标下评议数值最大值和最小值差值为第二考察差值,若第二考察差值大于指标权重对应的临界评议值,则判断实时评议事件为异常评议事件;
上述两种判断情况至少存在一种时输出实时评议事件为异常评议事件;
实时评议数据还包括实时评议指标、实时指标权重和实时数据输入时刻;
将实时评议指标与可优化评议组中的可优化评议指标进行对比,将不同于可优化评议指标的实时评议指标进行替换,以及将可优化评议指标的可优化指标权重对应实时指标权重进行设置,生成新的评议方法由相同参评人员再次评议,将实时数据输入时刻带入筛除数据评议模型计算,对满足数值筛除条件的评议数值进行筛除;并基于再次评议的评议数值二次判断是否为异常评议事件。替换是替换成与可优化评议指标相同的实时评议指标。
二次判断是为了验证替换为可优化评议指标和指标权重后的可信度和精确度,当替换后的判断结果不为异常时则说明可信度和精确度提高,如果可信度和精确度提高则将可优化评议指标和指标权重作为当前数据记载中的最优的评议方法,在每次评议事件时均进行判断且根据实际情况进行可优化评议指标和指标权重的更新设置,提高评议系统管理的智能化和评议高度精确化。本申请从参评人员数据、评议指标和指标权重多维度数据进行分析,选取评议系统当前最优的评议方法进行下一评议事件的分析,且评议系统不断判断并更新,实现智能化管理。
步骤S5:当步骤S4中的判断结果仍为异常评议事件时,输出预警信号进行系统维护预警响应;当二次判断的结果不为异常评议事件时,将实时评议事件对应的评议指标和指标权重作为下一评议事件的评议方法。
作为下一评议事件的评议方法表示当前最优的评议指标和指标权重;系统维护预警响应是指对评议管理系统进行硬件维护或软件维护,考察是否是系统自身出现异常;
若下一评议事件出现异常时则返回步骤S1-步骤S3计算新的可优化评议组,若新的可优化评议组与上一可优化评议组相同则进行系统维护预警响应,若新的可优化评议组与上一可优化评议组不相同,则将新的可优化评议组的评议指标和指标权重进行步骤S4-S5的分析;总之当实时评议事件出现异常时需进行步骤S1-步骤S3的分析更新可优化评议组,再进行步骤S4-S5的验证,从而降低由于系统客观问题造成评议异常的概率,且每一评议事件判断过程中均要对可筛除数据评议模型进行分析,进行数据的筛除。
智能评议管理系统,包括历史评议事件提取模块、临界评议值分析模块、可筛除数据评议模型构建模块、可优化评议组分析模块和评议方法更新模块;
历史评议事件提取模块用于获取评议系统应用历史评议方法记录的历史评议事件;
临界评议值分析模块用于确定异常评议事件的临界评议值;
可筛除数据评议模型构建模块用于基于历史评议事件,构建可筛除数据评议模型;
可优化评议组分析模块用于分析有效评议事件和可筛除数据评议模型,输出可优化评议组;
评议方法更新模块用于分析实时评议事件并在分析结果为异常评议事件时进行数据更换和数据筛除,输出满足要求的评议方法。
临界评议值分析模块包括评议数据获取单元、评议差值计算单元和临界评议值输出单元;
评议数据获取单元用于提取历史评议事件记录的评议数据,并将历史评议事件中系统评议反馈结果为异常结果的评议事件标记为异常评议事件;
评议差值计算单元用于计算评议指标下由参评人员输入的第一评议差值和参评人员对应类评议指标下的第二评议差值;
临界评议值输出单元用于基于第一评议差值和第二评议差值,分别输出评议指标对应的临界评议值和指标权重对应的临界评议值。
可筛除数据评议模型构建模块包括待分析人员确定单元、平均间隔输入时长计算单元和模型分析单元;
待分析人员确定单元用于提取历史评议事件中基于所有类型评议指标对应评议数值均相同的参评人员为待分析人员;
平均间隔输入时长计算单元用于获取任一待分析人员对应每一评议指标的数值输入时刻,计算待分析人员的平均间隔输入时长;
模型分析单元用于获取待分析人员的平均间隔输入时长的最大值进行比较构建不同情况的可晒出数据评议模型。
可优化评议组分析模块包括特征值设定单元、可优化指数计算单元、可优化评议指标输出单元和可优化指标权重输出单元;
特征值设定单元用于标记每一分析单元中不同情况下评议指标的特征值;
可优化指数计算单元用于基于特征值和分析单元中每一评议指标对应存在可筛除数据的次数、存在可筛除数据时对应的参评人员个数计算可优化指数;
可优化评议指标输出单元用于将每一分析单元中的评议指标按照可优化指数由小至大排序,依据指标个数选取单元可优化评议指标;
可优化指标权重输出单元基于分析单元中所有单元可优化评议指标的应用次数确定可优化指标权重。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,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、物品或者设备不仅包括那些要素,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、物品或者设备所固有的要素。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于多维度数据的智能评议管理方法,其特征在于,包括以下分析步骤:
步骤S1:获取评议系统应用历史评议方法记录的历史评议事件,所述历史评议方法是指对评议对象由参评人员基于评议指标和指标权重执行打分评议的方法;历史评议方法记录若干种,评议方法种类不同是指评议指标、指标权重不同或评议指标和指标权重均不同;基于历史评议事件,确定异常评议事件的临界评议值;
步骤S2:基于历史评议事件,构建可筛除数据评议模型;
步骤S3:筛除历史评议事件中的异常评议事件,将剩余历史评议事件作为有效评议事件;基于有效评议事件和可筛除数据评议模型,分析可优化评议组,所述可优化评议组是指由可优化评议指标和可优化指标权重构成的数据组;
步骤S4:监测评议系统的实时评议事件,判断是否存在异常评议事件,若不存在异常评议事件,则继续监测;若存在异常评议事件,分析实时评议事件记录的实时评议数据与筛除数据评议模型和可优化评议组的关系,进行二次判断并输出判断结果;
步骤S5:当步骤S4中的判断结果仍为异常评议事件时,输出预警信号进行系统维护预警响应;当二次判断的结果不为异常评议事件时,将实时评议事件对应的评议指标和指标权重作为下一评议事件的评议方法。
2.根据权利要求1所述的一种基于多维度数据的智能评议管理方法,其特征在于:所述确定异常评议事件的临界评议值,包括以下分析步骤:
步骤S11:提取历史评议事件记录的评议数据,所述评议数据包括参评人员的评议数值和系统评议反馈结果,每一评议事件对应一个评议对象和多个参评人员;将历史评议事件中系统评议反馈结果为异常结果的评议事件标记为异常评议事件;所述异常结果是指评议对象提出评议申诉进行二次评议的结果;
步骤S12:获取异常评议事件中第i个参评人员基于第j类评议指标的评议数值Pij,每类评议指标包含至少两个不同评议指标,且每类评议指标的评议数值是由所属对应类别下所有评议指标进行加权求和计算而得;
步骤S13:计算第j类评议指标下由第1、2、3、......、m个参评人员输入的第一评议差值Ej,Ej=Pjmax-Pjmin,Pjmax表示第j类评议指标对应参评人员输入评议数值的最大值,Pjmin表示第j类评议指标对应参评人员输入评议数值的最小值;遍历k类评议指标得到第一评议差值集合,计算第一评议差值集合的平均值P0,P0=(1/k)∑Ej,k≥j;将大于P0的第一评议差值作为第一目标评议差值;m≥i;k表示评议指标的总类型数,m表示参评人员的个数;
计算第i个参评人员对应第1、2、3、......、k类评议指标下的第二评议差值Ri,Ri=Qimax-Qimin,Qimax表示第i个参评人员对应评议指标的评议数值最大值,Qimin表示第i个参评人员对应评议指标的评议数值最小值;遍历m个参评人员得到第二评议差值集合,计算第二评议差值集合的平均值Q0,并将大于Q0的第二评议差值作为第二目标评议差值;
步骤S14:按照步骤S13的方式遍历所有异常评议事件,输出对应的第一目标评议差值和第二目标评议差值,计算所有异常评议事件的第一目标评议差值的平均值作为评议指标对应的临界评议值,计算所有异常评议事件的第二目标评议差值的平均值作为指标权重对应的临界评议值。
3.根据权利要求2所述的一种基于多维度数据的智能评议管理方法,其特征在于:所述构建可筛除数据评议模型,包括以下分析步骤:
提取历史评议事件中基于所有类型评议指标对应评议数值均相同的参评人员为待分析人员;获取任一待分析人员对应每一评议指标的数值输入时刻t,计算待分析人员的平均间隔输入时长T,T=[1/(k-1)]*∑[t(j+1)-tj],t(j+1)表示第j+1个评议指标对应评议数值的输入时刻,tj表示第j个评议指标对应评议数值的输入时刻;
获取M个待分析人员的平均间隔输入时长的最大值Tmax;
若Tmax与评议数值不为均相同情况对应参评人员的平均间隔输入时长最小值T0的差值大于等于差值阈值且Tmax<T0,则构建可筛除数据评议模型W1,W=w0-Tmax,w0表示实时获取的间隔输入时长;W1>0时,输出对应输入数值保留;W1≤0时,将对应输入数值筛除;
若Tmax与评议数值不为均相同情况对应参评人员的平均间隔输入时长最小值T0的差值小于差值阈值,或Tmax与评议数值不为均相同情况对应参评人员的平均间隔输入时长最小值T0的差值大于等于差值阈值且Tmax≥T0,则计算M个待分析人员的平均间隔输入时长的平均值T0;
并构建可筛除数据评议模型W2,W2=w0-T0;W2>0时,输出对应输入数值保留;W2≤0时,将对应输入数值筛除。
4.根据权利要求3所述的一种基于多维度数据的智能评议管理方法,其特征在于:所述分析可优化评议组包括以下分析步骤:
步骤S31:提取历史评议事件中记录的所有评议指标,每类评议指标包含的评议指标个数相同,将一类评议指标作为一个分析单元;标记每一分析单元中只存在于有效评议事件的评议指标的特征值为a1、只存在于异常评议事件的评议指标的特征值为a2和既存在有效评议事件又存在异常评议事件的特征值为a3,u1<a1<a3<a2<u2,u2-u1=1;
步骤S32:获取分析单元中每一评议指标对应存在可筛除数据的次数V1,利用公式:
F=s1*[V1*V2)/V0]+s2*a
a={a1,a2,a3}
计算每一分析单元中各评议指标的可优化指数F;V0表示历史评议事件个数,V2表示评议指标存在可筛除数据时对应的参评人员个数;s1、s2表示对应的线性回归系数;a表示选取由a1、a2、a3构成集合中的任一数值;
步骤S33:将每一分析单元中的评议指标按照可优化指数由小至大排序,选取前h个评议指标作为单元可优化评议指标,h表示历史评议事件中记录分析单元的评议指标个数;将所有分析单元对应的单元可优化评议指标构成评议事件的可优化评议指标;
步骤S34:获取每一分析单元对应单元可优化评议指标的应用次数,所述应用次数是指历史评议事件中记录对应单元可优化评议指标的次数;
若分析单元中所有单元可优化评议指标的应用次数相同,则输出可优化指标权重均为1/h;若分析单元中单元可优化评议指标的应用次数不同,则输出可优化指标权重对应为y/y0,y表示单元可优化评议指标的应用次数,y0表示分析单元中所有单元可优化评议指标的应用次数之和。
5.根据权利要求4所述的一种基于多维度数据的智能评议管理方法,其特征在于:所述步骤S4包括以下分析步骤:
获取实时评议事件记录的实时评议数值,
计算同一评议指标下包含所有参评人员的评议数值最大值和最小值差值为第一考察差值,若第一考察差值大于评议指标对应的临界评议值,则判断实时评议事件为异常评议事件;
或计算同一参评人员对应所有评议指标下评议数值最大值和最小值差值为第二考察差值,若第二考察差值大于指标权重对应的临界评议值,则判断实时评议事件为异常评议事件;
所述实时评议数据还包括实时评议指标、实时指标权重和实时数据输入时刻;
将实时评议指标与可优化评议组中的可优化评议指标进行对比,将不同于可优化评议指标的实时评议指标进行替换,以及将可优化评议指标的可优化指标权重对应实时指标权重进行设置,生成新的评议方法由相同参评人员再次评议,将实时数据输入时刻带入筛除数据评议模型计算,对满足数值筛除条件的评议数值进行筛除;并基于再次评议的评议数值二次判断是否为异常评议事件。
6.应用权利要求1-5中任一项所述的一种基于多维度数据的智能评议管理方法的智能评议管理系统,其特征在于,包括历史评议事件提取模块、临界评议值分析模块、可筛除数据评议模型构建模块、可优化评议组分析模块和评议方法更新模块;
所述历史评议事件提取模块用于获取评议系统应用历史评议方法记录的历史评议事件;
所述临界评议值分析模块用于确定异常评议事件的临界评议值;
所述可筛除数据评议模型构建模块用于基于历史评议事件,构建可筛除数据评议模型;
所述可优化评议组分析模块用于分析有效评议事件和可筛除数据评议模型,输出可优化评议组;
所述评议方法更新模块用于分析实时评议事件并在分析结果为异常评议事件时进行数据更换和数据筛除,输出满足要求的评议方法。
7.根据权利要求6所述的智能评议管理系统,其特征在于:所述临界评议值分析模块包括评议数据获取单元、评议差值计算单元和临界评议值输出单元;
所述评议数据获取单元用于提取历史评议事件记录的评议数据,并将历史评议事件中系统评议反馈结果为异常结果的评议事件标记为异常评议事件;
所述评议差值计算单元用于计算评议指标下由参评人员输入的第一评议差值和参评人员对应类评议指标下的第二评议差值;
所述临界评议值输出单元用于基于第一评议差值和第二评议差值,分别输出评议指标对应的临界评议值和指标权重对应的临界评议值。
8.根据权利要求7所述的智能评议管理系统,其特征在于:所述可筛除数据评议模型构建模块包括待分析人员确定单元、平均间隔输入时长计算单元和模型分析单元;
所述待分析人员确定单元用于提取历史评议事件中基于所有类型评议指标对应评议数值均相同的参评人员为待分析人员;
所述平均间隔输入时长计算单元用于获取任一待分析人员对应每一评议指标的数值输入时刻,计算待分析人员的平均间隔输入时长;
所述模型分析单元用于获取待分析人员的平均间隔输入时长的最大值进行比较构建不同情况的可晒出数据评议模型。
9.根据权利要求8所述的智能评议管理系统,其特征在于:所述可优化评议组分析模块包括特征值设定单元、可优化指数计算单元、可优化评议指标输出单元和可优化指标权重输出单元;
所述特征值设定单元用于标记每一分析单元中不同情况下评议指标的特征值;
所述可优化指数计算单元用于基于特征值和分析单元中每一评议指标对应存在可筛除数据的次数、存在可筛除数据时对应的参评人员个数计算可优化指数;
所述可优化评议指标输出单元用于将每一分析单元中的评议指标按照可优化指数由小至大排序,依据指标个数选取单元可优化评议指标;
所述可优化指标权重输出单元基于分析单元中所有单元可优化评议指标的应用次数确定可优化指标权重。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311270458.4A CN117035692B (zh) | 2023-09-28 | 2023-09-28 | 一种基于多维度数据的智能评议管理系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311270458.4A CN117035692B (zh) | 2023-09-28 | 2023-09-28 | 一种基于多维度数据的智能评议管理系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117035692A true CN117035692A (zh) | 2023-11-10 |
CN117035692B CN117035692B (zh) | 2023-12-08 |
Family
ID=88632094
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311270458.4A Active CN117035692B (zh) | 2023-09-28 | 2023-09-28 | 一种基于多维度数据的智能评议管理系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117035692B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105679309A (zh) * | 2014-11-21 | 2016-06-15 | 科大讯飞股份有限公司 | 一种语音识别系统的优化方法及装置 |
CN109740924A (zh) * | 2018-12-29 | 2019-05-10 | 西安电子科技大学 | 融合属性信息网络和矩阵分解的物品评分预测方法 |
CN110929986A (zh) * | 2019-10-25 | 2020-03-27 | 贵州电网有限责任公司 | 基于台账、实时、历史信息的配电设备状态评价方法 |
CN111695823A (zh) * | 2020-06-16 | 2020-09-22 | 清华大学 | 一种基于工控网络流量的异常评估方法与系统 |
CN113704330A (zh) * | 2021-09-23 | 2021-11-26 | 北京网界科技有限公司 | 公平评议系统及其方法 |
CN114818506A (zh) * | 2022-05-12 | 2022-07-29 | 东南大学 | 一种综合能源系统热网故障危害评估方法、系统和装置 |
JP2022122297A (ja) * | 2021-02-10 | 2022-08-23 | 株式会社日立製作所 | データ評価システムおよび投稿評価方法 |
CN115618859A (zh) * | 2022-11-09 | 2023-01-17 | 中国平安财产保险股份有限公司 | 一种基于大数据的研效管理方法、装置、设备及存储介质 |
CN115618844A (zh) * | 2022-12-20 | 2023-01-17 | 江苏龙虎网信息科技股份有限公司 | 一种基于人工智能的内容审核系统及方法 |
-
2023
- 2023-09-28 CN CN202311270458.4A patent/CN117035692B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105679309A (zh) * | 2014-11-21 | 2016-06-15 | 科大讯飞股份有限公司 | 一种语音识别系统的优化方法及装置 |
CN109740924A (zh) * | 2018-12-29 | 2019-05-10 | 西安电子科技大学 | 融合属性信息网络和矩阵分解的物品评分预测方法 |
CN110929986A (zh) * | 2019-10-25 | 2020-03-27 | 贵州电网有限责任公司 | 基于台账、实时、历史信息的配电设备状态评价方法 |
CN111695823A (zh) * | 2020-06-16 | 2020-09-22 | 清华大学 | 一种基于工控网络流量的异常评估方法与系统 |
JP2022122297A (ja) * | 2021-02-10 | 2022-08-23 | 株式会社日立製作所 | データ評価システムおよび投稿評価方法 |
CN113704330A (zh) * | 2021-09-23 | 2021-11-26 | 北京网界科技有限公司 | 公平评议系统及其方法 |
WO2023046045A1 (zh) * | 2021-09-23 | 2023-03-30 | 马山河 | 公平评议系统及其方法 |
CN114818506A (zh) * | 2022-05-12 | 2022-07-29 | 东南大学 | 一种综合能源系统热网故障危害评估方法、系统和装置 |
CN115618859A (zh) * | 2022-11-09 | 2023-01-17 | 中国平安财产保险股份有限公司 | 一种基于大数据的研效管理方法、装置、设备及存储介质 |
CN115618844A (zh) * | 2022-12-20 | 2023-01-17 | 江苏龙虎网信息科技股份有限公司 | 一种基于人工智能的内容审核系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117035692B (zh) | 2023-12-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109033450B (zh) | 基于深度学习的电梯设备故障预测方法 | |
CN108197845B (zh) | 一种基于深度学习模型lstm的交易指标异常的监测方法 | |
CN110929918A (zh) | 一种基于CNN和LightGBM的10kV馈线故障预测方法 | |
CN108959736A (zh) | 一种基于bim的桥梁技术状况评定方法 | |
CN117235649B (zh) | 一种基于大数据的工业设备状态智能监测系统及方法 | |
CN115719283A (zh) | 一种智能化会计管理系统 | |
CN116703368B (zh) | 基于数据挖掘的同期线损智能闭环监测方法 | |
CN116821107A (zh) | 一种用于智慧电厂的主数据智能化管理方法及系统 | |
CN115953252A (zh) | 一种建工安责险保费的确定方法 | |
CN117035692B (zh) | 一种基于多维度数据的智能评议管理系统及方法 | |
CN109299201B (zh) | 基于两阶段聚类的电厂生产子系统异常监测方法及装置 | |
CN117149733B (zh) | 一种基于大数据的多平台日志审计分析系统及方法 | |
CN114548494A (zh) | 一种可视化造价数据预测智能分析系统 | |
CN117591679A (zh) | 基于知识图谱的积木式产品碳足迹智能分析系统及方法 | |
CN111553581A (zh) | 一种基于熵值的装备维修性评价模型 | |
CN115130872A (zh) | 一种基于深度学习判断的用工风险评估系统 | |
CN110766248A (zh) | 基于shel和区间直觉模糊评价的车间人因可靠性评估方法 | |
CN114943465A (zh) | 基于数据分析的企业管理咨询服务系统 | |
CN114757472A (zh) | 一种用于人事管理的综合评分系统 | |
CN114529036A (zh) | 一种语音客服员工离职预警与管理方法 | |
CN112115620A (zh) | 一种基于分形思想的学习曲线产品单位成本评估方法 | |
CN111860936A (zh) | 一种办公业务流程缺陷预测的方法 | |
CN117709576A (zh) | 一种核设施运行核安全指标量化方法和系统 | |
CN117273549B (zh) | 一种基于绩效考核指标体系的绩效考核方法及系统 | |
CN117495347A (zh) | 一种基于数据仓库预测afc设备状态的方法 |
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 |