CN117077536A - 一种数据处理方法、装置及电子设备 - Google Patents
一种数据处理方法、装置及电子设备 Download PDFInfo
- Publication number
- CN117077536A CN117077536A CN202311117852.4A CN202311117852A CN117077536A CN 117077536 A CN117077536 A CN 117077536A CN 202311117852 A CN202311117852 A CN 202311117852A CN 117077536 A CN117077536 A CN 117077536A
- Authority
- CN
- China
- Prior art keywords
- option
- various devices
- period
- devices
- constraint
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 24
- 238000012545 processing Methods 0.000 claims abstract description 48
- 238000010606 normalization Methods 0.000 claims description 66
- 238000012549 training Methods 0.000 claims description 37
- 230000006870 function Effects 0.000 claims description 18
- 238000013528 artificial neural network Methods 0.000 claims description 16
- 230000015654 memory Effects 0.000 claims description 14
- 238000000034 method Methods 0.000 abstract description 12
- 238000004891 communication Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 230000003287 optical effect Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000003993 interaction Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种数据处理方法、装置及电子设备,该方法包括:获取多种器件在第一时段之前的多个相邻时段内的选项占比信息;第一时段为当前时段之后的时段;基于预测模型中的预测模块,对选项占比信息进行处理,得到预测的各种器件在第一时段的第一选项占比;基于预测模型中的约束模块,对各种器件对应的第一选项占比进行约束处理,得到各种器件对应的第二选项占比,其中,各种器件对应的第二选项占比之和满足约束条件。
Description
技术领域
本申请涉及信息技术领域,尤其涉及一种数据处理方法、装置及电子设备。
背景技术
针对一些实体行业,例如电子产品行业,器件的留料预测,是整个生产活动中非常重要的一个环节。在器件的留料预测中,我们要预测的指标为选项占比,即同一类型的各种器件在一个产品中的使用率。器件选项占比预测需要符合一定的约束,该约束为同一类型的各种器件的选项占比之和是一个1~x的范围内的整数值,x由产品类型确定。因此,如何在满足该约束的情况下,预测到器件准确的选项占比,是亟需解决的问题。
发明内容
有鉴于此,本申请实施例提供了一种数据处理方法、装置及电子设备。
根据本申请第一方面,本申请实施例提供了一种数据处理方法,包括:
获取多种器件在第一时段之前的多个相邻时段内的选项占比信息;第一时段为当前时段之后的时段;
基于预测模型中的预测模块,对选项占比信息进行处理,得到预测的各种器件在第一时段的第一选项占比;
基于预测模型中的约束模块,对各种器件对应的第一选项占比进行约束处理,得到各种器件对应的第二选项占比,其中,各种器件对应的第二选项占比之和满足约束条件。
可选地,基于预测模型中的约束模块,对各种器件对应的第一选项占比进行约束处理,得到各种器件对应的第二选项占比,其中,各种器件对应的第二选项占比之和满足约束条件,包括:
基于预测模型中的约束模块,确定多种器件对应的归一化参数的取值;
基于归一化参数的取值,对各种器件对应的第一选项占比进行归一化处理,得到各种器件对应的第二选项占比,其中,根据归一化参数的取值确定各种器件对应的第二选项占比之和。
可选地,基于预测模型中的约束模块,确定多种器件对应的归一化参数的取值,包括:
基于预测模型中的约束模块,识别多种器件所属的目标类型;
确定与目标类型对应的归一化参数的取值;
将目标类型对应的归一化参数的取值,作为多种器件对应的归一化参数的取值。
可选地,基于预测模型中的约束模块,确定多种器件对应的归一化参数的取值,包括:
基于预测模型中的约束模块,对选项占比信息进行计算,确定多种器件对应的归一化参数的取值。
可选地,基于归一化参数的取值,对各种器件对应的第一选项占比进行归一化处理,得到各种器件对应的第二选项占比,包括:
将归一化参数作为归一化指数函数的系数;
基于带有系数的归一化指数函数,对各种器件的第一选项占比进行归一化处理,得到各种器件对应的第二选项占比。
可选地,预测模型的训练步骤包括:
获取训练数据,训练数据至少包括目标类型的多种器件在第二时段之前的多个相邻时段内的样本选项占比信息,以及样本选项占比信息对应的标签数据;第二时段为当前时段之前的时段;样本选项占比信息对应的标签数据为多种器件在第二时段的选项占比;
基于训练数据对第一神经网络层进行训练,得到预测模型的预测模块。
可选地,数据处理方法还包括:
基于第一神经网络层训练时的输出、归一化指数函数,以及样本选项占比信息对应的标签数据,对第二神经网络层进行训练,得到约束模块,以及至少目标类型对应的归一化参数的取值。
可选地,通过如下公式计算第二选项占比:
其中,Dj为第j种器件的第二选项占比,dj为第j种器件的第一选项占比,n为多种器件的种数,x为归一化参数。
根据本申请第二方面,本申请实施例提供了一种数据处理装置,包括:
获取模块,用于获取到多种器件在第一时段之前的多个相邻时段内的选项占比信息;第一时段为当前时段之后的时段;
预测模块,用于对选项占比信息进行约束处理,得到预测的各种器件在第一时段的第一选项占比;
约束模块,用于对各种器件对应的第一选项占比进行约束处理,得到各种器件对应的第二选项占比,其中,各种器件对应的第二选项占比之和满足约束条件。
根据本申请第三方面,本申请实施例提供了一种电子设备,包括:
至少一个处理器;以及与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器执行如第一方面或第一方面任意实施方式中的数据处理方法。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
图1为本申请实施例中一种数据处理方法的流程示意图;
图2为本申请实施例中预测模型的训练流程示意图;
图3为本申请实施例中预测模型的训练及预测流程示意图;
图4为本申请实施例中预测模型的另一训练流程示意图;
图5为本申请实施例中一种数据处理装置的结构示意图;
图6为本申请实施例中一种电子设备的硬件结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
本申请实施例提供了一种数据处理方法,如图1所示,包括:
S101,获取多种器件在第一时段之前的多个相邻时段内的选项占比信息;第一时段为当前时段之后的时段。
在本实施例中,多种器件可以为电子产品中的同一类型,且不同型号的器件。电子产品中具有不同类型的器件,例如,电源、主板、CPU、内存、硬盘、声卡、显卡、网卡、解调器、光驱等。多种器件可以为多种不同型号的内存条,多种器件可以为多种不同型号的CPU,多种器件可以为多种不同型号的电源等。
在本实施例中,可以分别统计第一时段之前的多个相邻时段内已销售的电子产品的数量及电子产品中目标类型的各种型号的器件的数量,并基于已销售的电子产品的数量,及各种型号的器件的数量计算多个相邻时段内目标类型的各种型号的器件的选项占比信息。例如,当前时段为6月份,第一时段为7月份,可以分别统计3、4、5月份已销售的电子产品的数量,以及各种型号的CPU的数量,然后将3月份各种型号的CPU的数量除于3月份已销售的电子产品的数量,计算得到3月份各种型号的CPU的选项占比信息。同理,可以计算到4月份各种型号的CPU的选项占比信息,以及5月份各种型号的CPU的选项占比信息,得到多种型号的CPU在第一时段之前的多个相邻时段内的选项占比信息。
S102,基于预测模型中的预测模块,对选项占比信息进行处理,得到预测的各种器件在第一时段的第一选项占比。
在本实施例中,可以预先训练一个预测模型,预测模型包括预测模块和约束模块。预测模块用于基于多种器件在第一时段之前的多个相邻时段内的选项占比信息,预测该多种器件中的各种器件在第一时段的第一选项占比。
在本实施例中,可以将获取的多种器件在第一时段之前的多个相邻时段内的选项占比信息输入至预测模型的预测模块,预测模块输出各种器件在第一时段的第一选项占比。
S103,基于预测模型中的约束模块,对各种器件对应的第一选项占比进行约束处理,得到各种器件对应的第二选项占比,其中,各种器件对应的第二选项占比之和满足约束条件。
在本实施例中,预测模型的约束模块,用于对各种器件对应的第一选项占比进行约束处理,使得约束处理后得到的各种器件对应的第二选项占比之和满足约束条件。例如,电子产品中只设置一个CPU,则第一时段内多种型号的CPU的选项占比之和需要为1,但预测的多种型号的CPU的选项占比之和一般不能做到符合这个约束条件,则可以通过约束模块,强行将预测的各种器件在第一时段的选项占比,映射到0~1之间,并使得映射后的多种型号的CPU的选项占比之和为1,符合约束条件。
在本实施例中,对于不同类型的器件,其第二选项占比之和的取值可以动态变化。例如,对于CPU,各种型号的CPU的第二选项占比之和可以为1;对于内存,各种型号的内存的第二选项占比之和可以为2。
本申请实施例提供的数据处理方法,通过获取多种器件在第一时段之前的多个相邻时段内的选项占比信息;第一时段为当前时段之后的时段;基于预测模型中的预测模块,对选项占比信息进行处理,得到预测的各种器件在第一时段的第一选项占比;基于预测模型中的约束模块,对各种器件对应的第一选项占比进行约束处理,得到各种器件对应的第二选项占比,其中,各种器件对应的第二选项占比之和满足约束条件;如此,是对多种器件一起做预测,考虑了多种器件在时序上的相互关系,可以使得预测的第一时段内各种器件的第一选项占比更加准确;而且,通过预测模型的约束模块,对各种器件的第一选项占比进行约束处理,可以使得输出的各种器件的第二选项占比,符合选项占比约束条件,提高预测的效率。
在一个可选的实施例中,预测模型的训练步骤如图2所示,包括:
S201,获取训练数据,训练数据至少包括目标类型的多种器件在第二时段之前的多个相邻时段内的样本选项占比信息,以及样本选项占比信息对应的标签数据;第二时段为当前时段之前的时段;样本选项占比信息对应的标签数据为多种器件在第二时段的选项占比。
具体实施时,如图3所示,可以根据不同类型器件可选型号的数量N对不同类型器件进行分组,针对每组器件,训练一个预测模型。例如针对可选型号数量为2的器件,其可以训练得到一个输出维度为2的预测模型。针对可选型号数量为n的器件,可以训练得到一个输出维度为n的预测模型。例如,电源有两种型号可选,则电源可选型号的数量为2,主板有两种型号可选,则主板可选型号的数量为2,则电源和主板为同一组器件,通过电源和主板的训练数据,可以训练得到一个输出维度为2的预测模型。
从而在训练该多种器件的预测模型时,可以首先确定该目标类型的多种器件的可选型号的数量,然后获取多种器件在第二时段及第二时段之前的多个相邻时段内的样本选项占比信息,当然也可以再获取其他类型的多种器件在第二时段及第二时段之前的多个相邻时段内的样本选项占比信息,得到训练数据;其中,该其他类型的多种器件的可选型号数量,与目标型号的多种器件的可选型号数量相同。
S202,基于训练数据对第一神经网络层进行训练,得到预测模型的预测模块。
具体实施时,如图4所示,每种器件在第二时段之前的多个相邻时段内的样本选项占比信息以及样本选项占比信息对应的标签数据,分别对应T1、T2、T3…Tn。采用T1、T2、T3…Tn对第一神经网络层,如LSTNet进行训练,得到预测模型的预测模块,第一神经网络层训练时输出预测的每种器件在第二时段的选项占比,分别对应d1、d2、d3…dn。
S203,基于第一神经网络层训练时的输出、归一化指数函数,以及样本选项占比信息对应的标签数据,对第二神经网络层进行训练,得到约束模块,以及至少目标类型对应的归一化参数的取值。
具体实施时,如图4所示,可以在第二神经网络层预置带有系数的归一化指数函数,归一化指数函数为其中,dj为第j种器件在第二时段的选项占比,n为多种器件的种数,x为归一化参数,也即为归一化指数函数的系数。然后采用d1、d2、d3…dn,带有系数的归一化指数函数,以及样本选项占比信息对应的标签数据,对第二神经网络层进行训练,得到约束模块,约束模块输出约束后的每种器件在第二时段的选项占比,分别对应d1′、d2′、d3′…dn′,并且d1′、d2′、d3′…dn′的和为x,即/>如此,可以训练得到约束模块,以及至少目标类型对应的归一化参数x的取值。
在本实施例中,对于同一预测模型,针对不同类型的器件,归一化参数x的取值可以动态变化。例如,对于CPU,归一化参数x的取值可以为1;对于内存,归一化参数x的取值可以为2。
在本实施例中,通过训练数据对第一神经网络层进行训练,训练数据至少包括目标类型的多种器件在第二时段之前的多个相邻时段内的样本选项占比信息,以及样本选项占比信息对应的标签数据,如此,可以使得训练得到的预测模块能够同时对多种器件的选项占比进行预测,且能够考虑多种器件在时序上的关系,预测结果准确;且通过第一神经网络层训练时的输出、归一化指数函数,以及样本选项占比信息对应的标签数据,对第二神经网络层进行训练,可以使得训练得到的约束模块能够自动对预测模块输出的预测结果进行约束,使得预测模型输出的结果符合选项占比的约束条件,不再需要进行其他后续处理。
在一个可选的实施例中,步骤S103,基于预测模型中的约束模块,对各种器件对应的第一选项占比进行约束处理,得到各种器件对应的第二选项占比,其中,各种器件对应的第二选项占比之和满足约束条件,包括:
S1031,基于预测模型中的约束模块,确定多种器件对应的归一化参数的取值。
S1032,基于归一化参数的取值,对各种器件对应的第一选项占比进行归一化处理,得到各种器件对应的第二选项占比,其中,根据归一化参数的取值确定各种器件对应的第二选项占比之和。
针对步骤S1031,在一种实现方式中,可以基于预测模型中的约束模块,识别多种器件所属的目标类型;然后确定与目标类型对应的归一化参数的取值;然后将目标类型对应的归一化参数的取值,作为多种器件对应的归一化参数的取值。
具体实施时,由于约束模块训练时,确定了目标类型对应的归一化参数x的取值,从而可以通过约束模块,识别多种器件所属的目标类型,例如识别多种器件属于CPU,则确定CPU对应的归一化参数的取值,例如1,然后,将1作为多种器件对应的归一化参数的取值。
在本实现方式中,通过确定多种器件所属的目标类型,从而可以快速匹配到对应的归一化参数的取值。
在另一种实现方式中,可以基于预测模型中的约束模块,对选项占比信息进行计算,确定多种器件对应的归一化参数的取值。
具体实施时,由于多种器件在第一时段之前的多个相邻时段内的选项占比信息,是根据实际情况计算到的,从而该多个相邻时段内任意一个时段内多种器件的选项占比之和均满足约束条件,从而可以从该多个相邻时段内的选项占比信息中选取任意一个时段内的选项占比信息,然后基于该任意一个时段内多种器件的选项占比信息进行选项占比的加和计算,得到多种器件对应的归一化参数的取值。
在本实现方式中,可以不对预测模型进行归一化参数的取值的训练,直接通过多种器件在第一时段之前的多个相邻时段内的选项占比信息,来确定多种器件对应的归一化参数的取值,简单且准确。
针对步骤S1032,在一种实现方式中,可以将归一化参数作为归一化指数函数的系数;基于带有系数的归一化指数函数,对各种器件的第一选项占比进行归一化处理,得到各种器件对应的第二选项占比。
具体实施时,可以通过如下公式计算第二选项占比:
其中,Dj为第j种器件的第二选项占比,dj为第j种器件的第一选项占比,n为多种器件的种数,x为归一化参数,也即为归一化指数函数的系数。
在本实现方式中,是通过将归一化参数作为归一化指数函数的系数,对各种器件的第一选项占比进行归一化处理,从而既可以实现对各种器件的第一选项占比进行归一化,又可以使得各种器件的第二选项占比满足约束条件,归一化处理流程简单。
在本实施例中,基于预测模型中的约束模块,确定多种器件对应的归一化参数的取值,基于归一化参数的取值,对各种器件对应的第一选项占比进行归一化处理,得到各种器件对应的第二选项占比,其中,根据归一化参数的取值确定各种器件对应的第二选项占比之和,如此,是通过确定归一化参数的取值,采用归一化的方式,对各种器件对应的第一选项占比进行约束处理,可以使得约束处理后得到的各种器件的第二选项占比之和直接就等于归一化参数的取值,直接就满足约束条件,简单、快速。
本申请实施例还提供了一种数据处理装置,如图5所示,包括:
获取模块51,用于获取到多种器件在第一时段之前的多个相邻时段内的选项占比信息;第一时段为当前时段之后的时段;
预测模块52,用于对选项占比信息进行约束处理,得到预测的各种器件在第一时段的第一选项占比;
约束模块53,用于对各种器件对应的第一选项占比进行约束处理,得到各种器件对应的第二选项占比,其中,各种器件对应的第二选项占比之和满足约束条件。
本申请实施例提供的数据处理装置,通过获取多种器件在第一时段之前的多个相邻时段内的选项占比信息;第一时段为当前时段之后的时段;基于预测模型中的预测模块,对选项占比信息进行处理,得到预测的各种器件在第一时段的第一选项占比;基于预测模型中的约束模块,对各种器件对应的第一选项占比进行约束处理,得到各种器件对应的第二选项占比,其中,各种器件对应的第二选项占比之和满足约束条件;如此,是对多种器件一起做预测,考虑了多种器件在时序上的相互关系,可以使得预测的第一时段内各种器件的第一选项占比更加准确;而且,通过预测模型的约束模块,对各种器件的第一选项占比进行约束处理,可以使得输出的各种器件的第二选项占比,符合选项占比约束条件,无需再对预测的第一选项占比进行后处理,提高预测的效率。
根据本申请的实施例,本申请还提供了一种电子设备和一种可读存储介质。
图6示出了可以用来实施本申请的实施例的示例电子设备800的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图6所示,电子设备800包括计算单元801,其可以根据存储在只读存储器(ROM)802中的计算机程序或者从存储单元808加载到随机访问存储器(RAM)803中的计算机程序,来执行各种适当的动作和处理。在RAM 803中,还可存储电子设备800操作所需的各种程序和数据。计算单元801、ROM802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。
电子设备800中的多个部件连接至I/O接口805,包括:输入单元806,例如键盘、鼠标等;输出单元807,例如各种类型的显示器、扬声器等;存储单元808,例如磁盘、光盘等;以及通信单元809,例如网卡、调制解调器、无线通信收发机等。通信单元809允许电子设备800通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元801可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元801的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元801执行上文所描述的各个方法和处理,例如数据处理方法。例如,在一些实施例中,数据处理方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元808。在一些实施例中,计算机程序的部分或者全部可以经由ROM 802和/或通信单元809而被载入和/或安装到电子设备800上。当计算机程序加载到RAM 803并由计算单元801执行时,可以执行上文描述的数据处理方法的一个或多个步骤。备选地,在其他实施例中,计算单元801可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行数据处理方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本申请的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本申请的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,也可以为分布式系统的服务器,或者是结合了区块链的服务器。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本申请公开的技术方案所期望的结果,本文在此不进行限制。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或隐含地包括至少一个该特征。在本申请的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种数据处理方法,包括:
获取多种器件在第一时段之前的多个相邻时段内的选项占比信息;第一时段为当前时段之后的时段;
基于预测模型中的预测模块,对所述选项占比信息进行处理,得到预测的各种所述器件在第一时段的第一选项占比;
基于预测模型中的约束模块,对各种所述器件对应的第一选项占比进行约束处理,得到各种所述器件对应的第二选项占比,其中,各种所述器件对应的第二选项占比之和满足约束条件。
2.根据权利要求1所述的数据处理方法,所述基于预测模型中的约束模块,对各种所述器件对应的第一选项占比进行约束处理,得到各种所述器件对应的第二选项占比,其中,各种所述器件对应的第二选项占比之和满足约束条件,包括:
基于预测模型中的约束模块,确定多种所述器件对应的归一化参数的取值;
基于所述归一化参数的取值,对各种所述器件对应的第一选项占比进行归一化处理,得到各种所述器件对应的第二选项占比,其中,根据所述归一化参数的取值确定各种所述器件对应的第二选项占比之和。
3.根据权利要求2所述的数据处理方法,所述基于预测模型中的约束模块,确定多种所述器件对应的归一化参数的取值,包括:
基于预测模型中的约束模块,识别多种所述器件所属的目标类型;
确定与所述目标类型对应的归一化参数的取值;
将所述目标类型对应的归一化参数的取值,作为多种所述器件对应的归一化参数的取值。
4.根据权利要求2所述的数据处理方法,所述基于预测模型中的约束模块,确定多种所述器件对应的归一化参数的取值,包括:
基于预测模型中的约束模块,对所述选项占比信息进行计算,确定多种所述器件对应的归一化参数的取值。
5.根据权利要求2所述的数据处理方法,所述基于所述归一化参数的取值,对各种所述器件对应的第一选项占比进行归一化处理,得到各种所述器件对应的第二选项占比,包括:
将所述归一化参数作为归一化指数函数的系数;
基于带有所述系数的归一化指数函数,对各种所述器件的所述第一选项占比进行归一化处理,得到各种所述器件对应的第二选项占比。
6.根据权利要求1所述的数据处理方法,所述预测模型的训练步骤包括:
获取训练数据,所述训练数据至少包括目标类型的多种器件在第二时段之前的多个相邻时段内的样本选项占比信息,以及所述样本选项占比信息对应的标签数据;第二时段为当前时段之前的时段;所述样本选项占比信息对应的标签数据为多种所述器件在第二时段的选项占比;
基于所述训练数据对第一神经网络层进行训练,得到预测模型的预测模块。
7.根据权利要求6所述的数据处理方法,还包括:
基于所述第一神经网络层训练时的输出、归一化指数函数,以及所述样本选项占比信息对应的标签数据,对第二神经网络层进行训练,得到约束模块,以及至少所述目标类型对应的归一化参数的取值。
8.根据权利要求5所述的数据处理方法,通过如下公式计算第二选项占比:
其中,Dj为第j种器件的第二选项占比,dj为第j种器件的第一选项占比,n为多种所述器件的种数,x为归一化参数。
9.一种数据处理装置,包括:
获取模块,用于获取到多种器件在第一时段之前的多个相邻时段内的选项占比信息;第一时段为当前时段之后的时段;
预测模块,用于对所述选项占比信息进行约束处理,得到预测的各种所述器件在第一时段的第一选项占比;
约束模块,用于对各种所述器件对应的第一选项占比进行约束处理,得到各种所述器件对应的第二选项占比,其中,各种所述器件对应的第二选项占比之和满足约束条件。
10.一种电子设备,包括:
至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器执行如权利要求1-8任意一项所述的数据处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311117852.4A CN117077536A (zh) | 2023-08-31 | 2023-08-31 | 一种数据处理方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311117852.4A CN117077536A (zh) | 2023-08-31 | 2023-08-31 | 一种数据处理方法、装置及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117077536A true CN117077536A (zh) | 2023-11-17 |
Family
ID=88702237
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311117852.4A Pending CN117077536A (zh) | 2023-08-31 | 2023-08-31 | 一种数据处理方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117077536A (zh) |
-
2023
- 2023-08-31 CN CN202311117852.4A patent/CN117077536A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109697522B (zh) | 一种数据预测的方法和装置 | |
CN107220217A (zh) | 基于逻辑回归的特征系数训练方法和装置 | |
US20140025418A1 (en) | Clustering Based Resource Planning, Work Assignment, and Cross-Skill Training Planning in Services Management | |
US20230206024A1 (en) | Resource allocation method, resource allocation apparatus, device, medium and computer program produ | |
CN113011155B (zh) | 用于文本匹配的方法、装置、设备和存储介质 | |
CN114049162B (zh) | 模型训练方法、需求量预测方法、装置、设备和存储介质 | |
CN113791882B (zh) | 多任务的部署方法、装置、电子设备及存储介质 | |
CN114663015A (zh) | 补货方法和装置 | |
CN113435632A (zh) | 信息生成方法、装置、电子设备和计算机可读介质 | |
CN117077536A (zh) | 一种数据处理方法、装置及电子设备 | |
CN115983759A (zh) | 物品需求量预测方法及装置、电子设备和存储介质 | |
CN113129127A (zh) | 预警方法和装置 | |
CN113051472B (zh) | 点击通过率预估模型的建模方法、装置、设备以及存储介质 | |
CN114331379B (zh) | 用于输出待办任务的方法、模型训练方法和装置 | |
CN114491416B (zh) | 特征信息的处理方法、装置、电子设备和存储介质 | |
CN116416500B (zh) | 图像识别模型训练方法、图像识别方法、装置及电子设备 | |
CN110298742B (zh) | 数据处理方法和装置 | |
CN116032927A (zh) | 确定资源流量上限的方法、装置、设备和介质 | |
CN117407439A (zh) | 转化数据确定方法、装置、设备及存储介质 | |
CN115421696A (zh) | 问题代码确定方法及装置 | |
CN115908011A (zh) | 财务数据自动化预算方法及其相关设备 | |
CN115526592A (zh) | 一种工时确定方法、装置、设备及存储介质 | |
CN116795771A (zh) | 数据处理装置、方法、电子设备和存储介质 | |
CN115545341A (zh) | 一种事件预测方法、装置、电子设备及存储介质 | |
CN113342903A (zh) | 一种数据仓库中模型的管理方法及装置 |
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 |