CN117408787A - 一种基于决策树的根因挖掘分析方法及系统 - Google Patents
一种基于决策树的根因挖掘分析方法及系统 Download PDFInfo
- Publication number
- CN117408787A CN117408787A CN202311723832.1A CN202311723832A CN117408787A CN 117408787 A CN117408787 A CN 117408787A CN 202311723832 A CN202311723832 A CN 202311723832A CN 117408787 A CN117408787 A CN 117408787A
- Authority
- CN
- China
- Prior art keywords
- sub
- decision tree
- feature
- features
- root node
- 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
- 238000003066 decision tree Methods 0.000 title claims abstract description 83
- 238000004458 analytical method Methods 0.000 title claims abstract description 46
- 238000005065 mining Methods 0.000 title claims abstract description 34
- 238000000034 method Methods 0.000 claims abstract description 48
- 230000008569 process Effects 0.000 claims description 43
- 238000004364 calculation method Methods 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 12
- 238000010276 construction Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012546 transfer 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
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0633—Lists, e.g. purchase orders, compilation or processing
- G06Q30/0635—Processing of requisition or of purchase orders
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/27—Regression, e.g. linear or logistic regression
-
- 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)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Business, Economics & Management (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供了一种基于决策树的根因挖掘分析方法及系统,所述方法包括提取CFR目标,并从订单数据中提取不达标订单数据;提取不达标订单数据的订单特征,将订单特征进行独热编码,以得到若干编码特征,将编码特征进行组合,以得到组合特征;对组合特征中的每个子特征进行分支选择,并在子特征中选取根节点,基于根节点与组合特征构建回归决策树;遍历回归决策树的每条路径并确定每条路径对应的超卖值,将超卖值超出超卖阈值所对应的路径作为决策路径,提取决策路径的特征组合,以得到根因分析结果,本发明采用回归决策树模型进行训练和特征提取,在保持较高分析准确率的同时,能够快速识别影响订单满足率的关键维度组合。
Description
技术领域
本发明属于订单管理的技术领域,具体地涉及一种基于决策树的根因挖掘分析方法及系统。
背景技术
在现有技术中,通常通过经验丰富的工作人员对订单数据进行手动分析,以此判断导致CFR不达标的关键维度,即影响因素,但会导致以下问题:1、现有方法局限于工作人员的行业经验,无法准确定位造成CFR不达标的关键维度组合;2、现有方法依赖于人工对订单数据的手动分析,效率低下,无法快速提取重要特征变量和影响CFR的维度组合。
发明内容
为了解决上述技术问题,本发明提供了一种基于决策树的根因挖掘分析方法及系统,用于解决现有技术中的技术问题。
一方面,该发明提供以下技术方案,一种基于决策树的根因挖掘分析方法,包括:
在订单数据库中选取预设时间范围内的订单数据,提取所述预设时间范围内的CFR目标,并根据所述CFR目标从所述订单数据中提取不达标订单数据;
提取所述不达标订单数据的订单特征,将所述不达标订单数据的订单特征进行独热编码,以得到若干编码特征,将所述编码特征进行组合,以得到组合特征,其中,所述编码特征为一串由布尔值1或0组成的特征字符;
对所述组合特征中的每个子特征进行分支选择,并在所述子特征中选取主特征作为根节点,基于所述根节点与所述组合特征构建回归决策树;
遍历所述回归决策树的每条路径并确定每条路径对应的超卖值,将所述超卖值超出超卖阈值所对应的路径作为决策路径,提取所述决策路径的特征组合,以得到根因分析结果。
相比现有技术,本申请的有益效果为:本申请首先在订单数据库中选取预设时间范围内的订单数据,提取所述预设时间范围内的CFR目标,并根据所述CFR目标从所述订单数据中提取不达标订单数据;之后提取所述不达标订单数据的订单特征,将所述不达标订单数据的订单特征进行独热编码,以得到若干编码特征,将所述编码特征进行组合,以得到组合特征,其中,所述编码特征为一串由布尔值1或0组成的特征字符;而后对所述组合特征中的每个子特征进行分支选择,并在所述子特征中选取主特征作为根节点,基于所述根节点与所述组合特征构建回归决策树;最后遍历所述回归决策树的每条路径并确定每条路径对应的超卖值,将所述超卖值超出超卖阈值所对应的路径作为决策路径,提取所述决策路径的特征组合,以得到根因分析结果,本发明采用回归决策树模型进行训练和特征提取,在保持较高分析准确率的同时,能够快速识别影响订单满足率的关键维度组合,同时通过使用本发明的提供的基于决策树的根因挖掘分析方法,分析准确率可达到95%以上,并且能够快速提取重要的特征变量和影响订单满足率的维度组合,为后续改进工作提供了有力支持。
较佳的,在所述提取所述不达标订单数据的订单特征,将所述不达标订单数据的订单特征进行编码组合,以得到转换特征数据的步骤中,所述订单特征至少包括产品编号、订单所在日期、发货地、经销商。
较佳的,所述对所述组合特征中的每个子特征进行分支选择,并在所述子特征中选取主特征作为根节点的步骤包括:
将所述组合特征中的每个特征字符作为所述组合特征的子特征,对每个所述子特征均进行分支选择,以使每个所述子特征均存在与之对应的两个分选节点;
基于两个所述分选节点对应的超卖值,并基于所述分选节点对应的超卖值计算信息熵增益;
将信息熵增益最大时对应的子特征作为主特征,并将所述主特征作为根节点。
较佳的,所述基于所述根节点与所述组合特征构建回归决策树的步骤包括:
基于所述根节点将所述组合特征划分为若干子节点,对每个所述子节点均进行分支选择、信息熵增益计算、根节点选择,以得到新根节点;
采用递归方式并基于所述新根节点将所述子节点进行划分,以得到若干新子节点,通过递归方式对所述新子节点进行分支选择、信息熵增益计算、根节点选择;
若递归过程满足停止条件,则输出回归决策树,若递归过程不满足停止条件,则继续递归过程。
较佳的,所述若递归过程满足停止条件,则输出回归决策树,若递归过程不满足停止条件,则继续递归过程的步骤包括:
计算当前递归过程中得到的若干新子节点的超卖值,并计算若干新子节点的超卖值之间的超卖差值;
判断所述超卖差值是否大于差值阈值;
若所述超卖差值大于差值阈值,则所述递归过程不满足停止条件并继续递归过程,若所述超卖差值不大于差值阈值,则所述递归过程满足停止条件并输出回归决策树。
第二方面,该发明提供以下技术方案,一种基于决策树的根因挖掘分析系统,所述系统包括:
订单提取模块,用于在订单数据库中选取预设时间范围内的订单数据,提取所述预设时间范围内的CFR目标,并根据所述CFR目标从所述订单数据中提取不达标订单数据;
编码模块,用于提取所述不达标订单数据的订单特征,将所述不达标订单数据的订单特征进行独热编码,以得到若干编码特征,将所述编码特征进行组合,以得到组合特征,其中,所述编码特征为一串由布尔值1或0组成的特征字符;
回归决策树构建子模块,用于对所述组合特征中的每个子特征进行分支选择,并在所述子特征中选取主特征作为根节点,基于所述根节点与所述组合特征构建回归决策树;
结果输出子模块,用于遍历所述回归决策树的每条路径并确定每条路径对应的超卖值,将所述超卖值超出超卖阈值所对应的路径作为决策路径,提取所述决策路径的特征组合,以得到根因分析结果。
较佳的,所述回归决策树构建子模块包括:
分支选择子模块,用于将所述组合特征中的每个特征字符作为所述组合特征的子特征,对每个所述子特征均进行分支选择,以使每个所述子特征均存在与之对应的两个分选节点;
增益计算子模块,用于基于两个所述分选节点对应的超卖值,并基于所述分选节点对应的超卖值计算信息熵增益;
根节点选择子模块,用于将信息熵增益最大时对应的子特征作为主特征,并将所述主特征作为根节点。
较佳的,所述回归决策树构建子模块包括:
根节点更新子模块,用于基于所述根节点将所述组合特征划分为若干子节点,对每个所述子节点均进行分支选择、信息熵增益计算、根节点选择,以得到新根节点;
递归子模块,用于采用递归方式并基于所述新根节点将所述子节点进行划分,以得到若干新子节点,通过递归方式对所述新子节点进行分支选择、信息熵增益计算、根节点选择;
回归决策树输出子模块,用于若递归过程满足停止条件,则输出回归决策树,若递归过程不满足停止条件,则继续递归过程。
第三方面,该发明提供以下技术方案,一种计算机,包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上述的基于决策树的根因挖掘分析方法。
第四方面,该发明提供以下技术方案,一种存储介质,所述存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如上述的基于决策树的根因挖掘分析方法。
附图说明
为了更清楚地说明本发明实施例中的技术方案,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性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例一提供的基于决策树的根因挖掘分析方法的流程图;
图2为本发明实施例一提供的基于决策树的根因挖掘分析方法中步骤S31的详细流程图;
图3为本发明实施例一提供的第一实施例提供的基于决策树的根因挖掘分析方法中步骤S32的详细流程图;
图4为本发明实施例一提供的第一实施例提供的基于决策树的根因挖掘分析方法中步骤S323的详细流程图;
图5为本发明实施例二提供的基于决策树的根因挖掘分析系统的结构框图;
图6为本发明另一实施例提供的计算机的硬件结构示意图。
以下将结合附图对本发明实施例作进一步说明。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明的实施例,而不能理解为对本发明的限制。
在本发明实施例的描述中,需要理解的是,术语“长度”、“宽度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明实施例和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
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”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明实施例的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
在本发明实施例中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或成一体;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明实施例中的具体含义。
实施例一
在本发明的实施例一中,如图1所示,一种基于决策树的根因挖掘分析方法,包括:
S1、在订单数据库中选取预设时间范围内的订单数据,提取所述预设时间范围内的CFR目标,并根据所述CFR目标从所述订单数据中提取不达标订单数据;
具体的,订单数据库中存储在一段时间内的所有订单的特征信息,而CFR目标具体为客户满足度目标,而不达标订单数据具体指该订单数据未能达到让客户满足的目标,例如当某个客户的需求为某个产品需要若干件,而实际供给客户的产品没有满足客户的需求量,则视为该订单未满足CFR目标,即为不达标订单数据。
S2、提取所述不达标订单数据的订单特征,将所述不达标订单数据的订单特征进行独热编码,以得到若干编码特征,将所述编码特征进行组合,以得到组合特征,其中,所述编码特征为一串由布尔值1或0组成的特征字符;
具体的,所述订单特征至少包括产品编号、订单所在日期、发货地、经销商;
其中,在本发明中以订单数据的各维度作为订单特征,即将订单数据中的将所有产品编号、所有订单所在日期、所有发货地、所有分销商都记作一个状态位,对每个订单的特征信息通过独热编码进行表达,从而实现维度列转行,每列为布尔值1或0,以此可得到若干个编码特征,之后按照订单特征的排序关系,将其以此排列,以此可以得到一串特征字符,即为组合特征,例如:假设订单数据中总共有10个产品编号,4个订单周,3个发货地和2个经销商,则组合特征的1-10位的特征字符表示产品编号,其为产品编号对应的编码特征,11-14位的特征字符表示订单所在日期,其为订单所在日期对应的编码特征,15-17位的特征字符表示发货地,其为发货地对应的编码特征,18-19位的特征字符表示经销商,其为经销商对应的编码特征,而0010000000 0010 010 10表示第3个产品编号在第3个订单日期从第2个发货地发给第1个经销商;
在产品编号对应的编码特征中,当编码特征的第一位特征字符为1时,则表示该订单的产品为第一个产品编号对应的产品,当编码特征的第一位特征字符为0时,则表示该订单的产品不为第一个产品编号对应的产品,以此类推,在订单所在日期对应的编码特征中,当编码特征的第一位特征字符为1时,则表示该订单所在日期为第一个订单日,当编码特征的第一位特征字符为0时,则表示该订单所在日期不为第一个订单日,在发货地对应的编码特征中,当编码特征的第一位特征字符为1时,则表示该订单产品的发货地为第一个发货地,当编码特征的第一位特征字符为0时,则表示该订单产品的发货地不为第一个发货地,在经销商对应的编码特征中,当编码特征的第一位特征字符为1时,则表示该订单产品的经销商为第一个经销商,当编码特征的第一位特征字符为0时,则表示该订单产品的经销商不为第一个经销商;
且通过对订单特征进行独热编码,可将离散的特征数据映射到一个高维空间中,每个特征数据的取值均对应于高维空间的一个点,在这些点上的取值为1,其余为0。
S3、对所述组合特征中的每个子特征进行分支选择,并在所述子特征中选取主特征作为根节点,基于所述根节点与所述组合特征构建回归决策树;
具体的,其中组合特征的子特征具体为组合特征中的单个特征字符,当组合特征的特征字符位数为A个时,则对应存在A个子特征,通过对每个子特征进行分支选择,且该分支选择只存在两个子分支,以产品编号对应的子特征为例,组合特征中第一位特征字符对应为订单数据的产品是否为第一个产品编号对应的产品,因此对该子特征进行选择之后,会存在两条子分支,其中一条分支为产品编号为第一个产品编号的产品,另一条分支为产品编号不为第一个产品编号的产品,因此分支选择之后每个子特征均会对应生成两条分支,之后根据两条分支对应的超卖值便可选择对应根节点并构建回归决策树。
所述步骤S3包括:S31、对所述组合特征中的每个子特征进行分支选择,并在所述子特征中选取主特征作为根节点;S32基于所述根节点与所述组合特征构建回归决策树。
如图2所示,其中,所述步骤S31包括:
S311、将所述组合特征中的每个特征字符作为所述组合特征的子特征,对每个所述子特征均进行分支选择,以使每个所述子特征均存在与之对应的两个分选节点;
具体的,每位特征字符均可作为子特征,因此组合特征中特征字符的数量等于子特征的数量,通过判断子特征对应的特征字符是否为1,便可得到两个分选节点,一个分选节点为该子特征对应的特征字符为1,另一个分选节点为该子特征对应的特征字符为0。
S312、基于两个所述分选节点对应的超卖值,并基于所述分选节点对应的超卖值计算信息熵增益;
具体的,在得到两个分选节点之后,每个分选节点均存在对应的超卖值,例如,某个客户对于第一个产品编号的产品的需求量为B件,而实际供货量为C件,则超卖值则为∣B-C∣/B,同理对于订单数据的其他特征也会存在对应的超卖值,之后便可计算每个子特征下对应量分选节点对应的信息熵增益,信息熵增益为两分选节点超卖值之间的差值的绝对值。
S313、将信息熵增益最大时对应的子特征作为主特征,并将所述主特征作为根节点;
具体的,通过选择信息熵增益最大对应的子特征作为主特征并将其作为根节点,其目的为了该主特征对CFR的影响程度最大,因此将其作为回归决策树的根节点,以此为起点向下划分处若干子节点。
如图3所示,其中,所述步骤S32包括:
S321、基于所述根节点将所述组合特征划分为若干子节点,对每个所述子节点均进行分支选择、信息熵增益计算、根节点选择,以得到新根节点;
具体的,步骤S321中的分支选择、信息熵增益计算、根节点选择的步骤与上述步骤S311至步骤S313中公开的内容相同,只是将子节点替换上述步骤中的主特征并重复步骤S311至步骤S313的过程。
S322、采用递归方式并基于所述新根节点将所述子节点进行划分,以得到若干新子节点,通过递归方式对所述新子节点进行分支选择、信息熵增益计算、根节点选择;
具体的,在本实施例中,将步骤S321中的子节点记为第一子节点,因此在步骤S322中,将经过分支选择、信息熵增益计算、根节点选择后得到的第一子节点作为根节点进行划分,以得到第二子节点,并对第二子节点重复进行上述步骤中公开的分支选择、信息熵增益计算、根节点选择,以此可在第二子节点中选择一个根节点,之后进行划分,以得到第三子节点,以递归的方式类推,可得到第N子节点以及若干条路径。
S323、若递归过程满足停止条件,则输出回归决策树,若递归过程不满足停止条件,则继续递归过程。
如图4所示,其中,所述步骤S323包括:
S3231、计算当前递归过程中得到的若干新子节点的超卖值,并计算若干新子节点的超卖值之间的超卖差值;
具体的,此处的超卖差值可能同于上文中的信息熵增益。
S3232、判断所述超卖差值是否大于差值阈值。
S3233、若所述超卖差值大于差值阈值,则所述递归过程不满足停止条件并继续递归过程,若所述超卖差值不大于差值阈值,则所述递归过程满足停止条件并输出回归决策树;
具体的,当超卖差值不大于差值阈值时,此时继续划分没有意义,因此递归过程就此结束,因此结合得到的若干路径可生成回归决策树。
S4、遍历所述回归决策树的每条路径并确定每条路径对应的超卖值,将所述超卖值超出超卖阈值所对应的路径作为决策路径,提取所述决策路径的特征组合,以得到根因分析结果;
具体的,此处的超卖阈值为订单整体超卖MSU的110%~120%,其中,MSU为超卖量单位,订单整体超卖MSU即为订单整体超卖量,在实际过程中,若该条路径对应的超卖值未超出超卖阈值,则以为该条路径对应的订单不具备显著代表性,因此需要将其剔除,所以将所述超卖值超出超卖阈值所对应的路径作为决策路径,提取所述决策路径的特征组合,以得到根因分析结果,此处的特征组合记为该条决策路径中的产品编号、订单所在日期、发货地、经销商。
本发明实施例一提供的基于决策树的根因挖掘分析方法,本申请首先在订单数据库中选取预设时间范围内的订单数据,提取所述预设时间范围内的CFR目标,并根据所述CFR目标从所述订单数据中提取不达标订单数据;之后提取所述不达标订单数据的订单特征,将所述不达标订单数据的订单特征进行独热编码,以得到若干编码特征,将所述编码特征进行组合,以得到组合特征,其中,所述编码特征为一串由布尔值1或0组成的特征字符;而后对所述组合特征中的每个子特征进行分支选择,并在所述子特征中选取主特征作为根节点,基于所述根节点与所述组合特征构建回归决策树;最后遍历所述回归决策树的每条路径并确定每条路径对应的超卖值,将所述超卖值超出超卖阈值所对应的路径作为决策路径,提取所述决策路径的特征组合,以得到根因分析结果,本发明采用回归决策树模型进行训练和特征提取,在保持较高分析准确率的同时,能够快速识别影响订单满足率的关键维度组合,同时通过使用本发明的提供的基于决策树的根因挖掘分析方法,分析准确率可达到95%以上,并且能够快速提取重要的特征变量和影响订单满足率的维度组合,为后续改进工作提供了有力支持。
实施例二
如图5所示,在本发明的实施例二提供了一种基于决策树的根因挖掘分析系统,所述系统包括:
订单提取模块1,用于在订单数据库中选取预设时间范围内的订单数据,提取所述预设时间范围内的CFR目标,并根据所述CFR目标从所述订单数据中提取不达标订单数据;
编码模块2,用于提取所述不达标订单数据的订单特征,将所述不达标订单数据的订单特征进行独热编码,以得到若干编码特征,将所述编码特征进行组合,以得到组合特征,其中,所述编码特征为一串由布尔值1或0组成的特征字符;
回归决策树构建子模块3,用于对所述组合特征中的每个子特征进行分支选择,并在所述子特征中选取主特征作为根节点,基于所述根节点与所述组合特征构建回归决策树;
结果输出子模块4,用于遍历所述回归决策树的每条路径并确定每条路径对应的超卖值,将所述超卖值超出超卖阈值所对应的路径作为决策路径,提取所述决策路径的特征组合,以得到根因分析结果。
较佳的,所述回归决策树构建子模块3包括:
分支选择子模块,用于将所述组合特征中的每个特征字符作为所述组合特征的子特征,对每个所述子特征均进行分支选择,以使每个所述子特征均存在与之对应的两个分选节点;
增益计算子模块,用于基于两个所述分选节点对应的超卖值,并基于所述分选节点对应的超卖值计算信息熵增益;
根节点选择子模块,用于将信息熵增益最大时对应的子特征作为主特征,并将所述主特征作为根节点。
所述回归决策树构建子模块还包括:
根节点更新子模块,用于基于所述根节点将所述组合特征划分为若干子节点,对每个所述子节点均进行分支选择、信息熵增益计算、根节点选择,以得到新根节点;
递归子模块,用于采用递归方式并基于所述新根节点将所述子节点进行划分,以得到若干新子节点,通过递归方式对所述新子节点进行分支选择、信息熵增益计算、根节点选择;
回归决策树输出子模块,用于若递归过程满足停止条件,则输出回归决策树,若递归过程不满足停止条件,则继续递归过程。
所述回归决策树输出子模块包括:
超卖差值计算单元,用于计算当前递归过程中得到的若干新子节点的超卖值,并计算若干新子节点的超卖值之间的超卖差值;
判断单元,用于判断所述超卖差值是否大于差值阈值;
回归决策树输出单元,用于若所述超卖差值大于差值阈值,则所述递归过程不满足停止条件并继续递归过程,若所述超卖差值不大于差值阈值,则所述递归过程满足停止条件并输出回归决策树。
在本发明的另一些实施例中,本发明实施例提供以下技术方案,一种计算机,包括存储器102、处理器101以及存储在所述存储器102上并可在所述处理器101上运行的计算机程序,所述处理器101执行所述计算机程序时实现如上所述的基于决策树的根因挖掘分析方法。
具体的,上述处理器101可以包括中央处理器(CPU),或者特定集成电路(Application Specific Integrated Circuit,简称为ASIC),或者可以被配置成实施本申请实施例的一个或多个集成电路。
其中,存储器102可以包括用于数据或指令的大容量存储器。举例来说而非限制,存储器102可包括硬盘驱动器(Hard Disk Drive,简称为HDD)、软盘驱动器、固态驱动器(Solid State Drive,简称为SSD)、闪存、光盘、磁光盘、磁带或通用串行总线(UniversalSerial Bus,简称为USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下,存储器102可包括可移除或不可移除(或固定)的介质。在合适的情况下,存储器102可在数据处理装置的内部或外部。在特定实施例中,存储器102是非易失性(Non-Volatile)存储器。在特定实施例中,存储器102包括只读存储器(Read-Only Memory,简称为ROM)和随机存取存储器(Random Access Memory,简称为RAM)。在合适的情况下,该ROM可以是掩模编程的ROM、可编程ROM(Programmable Read-Only Memory,简称为PROM)、可擦除PROM(ErasableProgrammable Read-Only Memory,简称为EPROM)、电可擦除PROM(Electrically ErasableProgrammable Read-Only Memory,简称为EEPROM)、电可改写ROM(ElectricallyAlterable Read-Only Memory,简称为EAROM)或闪存(FLASH)或者两个或更多个以上这些的组合。在合适的情况下,该RAM可以是静态随机存取存储器(Static Random-AccessMemory,简称为SRAM)或动态随机存取存储器(Dynamic Random Access Memory,简称为DRAM),其中,DRAM可以是快速页模式动态随机存取存储器(Fast Page Mode DynamicRandom Access Memory,简称为FPMDRAM)、扩展数据输出动态随机存取存储器(ExtendedDate Out Dynamic Random Access Memory,简称为EDODRAM)、同步动态随机存取内存(Synchronous Dynamic Random-Access Memory,简称SDRAM)等。
存储器102可以用来存储或者缓存需要处理和/或通信使用的各种数据文件,以及处理器101所执行的可能的计算机程序指令。
处理器101通过读取并执行存储器102中存储的计算机程序指令,以实现上述基于决策树的根因挖掘分析方法。
在其中一些实施例中,计算机还可包括通信接口103和总线100。其中,如图6所示,处理器101、存储器102、通信接口103通过总线100连接并完成相互间的通信。
通信接口103用于实现本申请实施例中各模块、装置、单元和/或设备之间的通信。通信接口103还可以实现与其他部件例如:外接设备、图像/数据采集设备、数据库、外部存储以及图像/数据处理工作站等之间进行数据通信。
总线100包括硬件、软件或两者,将计算机设备的部件彼此耦接在一起。总线100包括但不限于以下至少之一:数据总线(Data Bus)、地址总线(Address Bus)、控制总线(Control Bus)、扩展总线(Expansion Bus)、局部总线(Local Bus)。举例来说而非限制,总线100可包括图形加速接口(Accelerated Graphics Port,简称为AGP)或其他图形总线、增强工业标准架构(Extended Industry Standard Architecture,简称为EISA)总线、前端总线(Front Side Bus,简称为FSB)、超传输(Hyper Transport,简称为HT)互连、工业标准架构(Industry Standard Architecture,简称为ISA)总线、无线带宽(InfiniBand)互连、低引脚数(Low Pin Count,简称为LPC)总线、存储器总线、微信道架构(Micro ChannelArchitecture,简称为MCA)总线、外围组件互连(Peripheral Component Interconnect,简称为PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(Serial AdvancedTechnology Attachment,简称为SATA)总线、视频电子标准协会局部(Video ElectronicsStandards Association Local Bus,简称为VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下,总线100可包括一个或多个总线。尽管本申请实施例描述和示出了特定的总线,但本申请考虑任何合适的总线或互连。
该计算机可以基于获取到基于决策树的根因挖掘分析系统,执行本申请的基于决策树的根因挖掘分析方法,从而实现订单数据的根因挖掘分析。
在本发明的再一些实施例中,结合上述的基于决策树的根因挖掘分析方法,本发明实施例提供以下技术方案,一种存储介质,所述存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现上述的基于决策树的根因挖掘分析方法。
本领域技术人员可以理解,在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或它们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种基于决策树的根因挖掘分析方法,其特征在于,包括:
在订单数据库中选取预设时间范围内的订单数据,提取所述预设时间范围内的CFR目标,并根据所述CFR目标从所述订单数据中提取不达标订单数据;
提取所述不达标订单数据的订单特征,将所述不达标订单数据的订单特征进行独热编码,以得到若干编码特征,将所述编码特征进行组合,以得到组合特征,其中,所述编码特征为一串由布尔值1或0组成的特征字符;
对所述组合特征中的每个子特征进行分支选择,并在所述子特征中选取主特征作为根节点,基于所述根节点与所述组合特征构建回归决策树;
遍历所述回归决策树的每条路径并确定每条路径对应的超卖值,将所述超卖值超出超卖阈值所对应的路径作为决策路径,提取所述决策路径的特征组合,以得到根因分析结果。
2.根据权利要求1所述的基于决策树的根因挖掘分析方法,其特征在于,在所述提取所述不达标订单数据的订单特征,将所述不达标订单数据的订单特征进行编码组合,以得到转换特征数据的步骤中,所述订单特征至少包括产品编号、订单所在日期、发货地、经销商。
3.根据权利要求1所述的基于决策树的根因挖掘分析方法,其特征在于,所述对所述组合特征中的每个子特征进行分支选择,并在所述子特征中选取主特征作为根节点的步骤包括:
将所述组合特征中的每个特征字符作为所述组合特征的子特征,对每个所述子特征均进行分支选择,以使每个所述子特征均存在与之对应的两个分选节点;
基于两个所述分选节点对应的超卖值,并基于所述分选节点对应的超卖值计算信息熵增益;
将信息熵增益最大时对应的子特征作为主特征,并将所述主特征作为根节点。
4.根据权利要求1所述的基于决策树的根因挖掘分析方法,其特征在于,所述基于所述根节点与所述组合特征构建回归决策树的步骤包括:
基于所述根节点将所述组合特征划分为若干子节点,对每个所述子节点均进行分支选择、信息熵增益计算、根节点选择,以得到新根节点;
采用递归方式并基于所述新根节点将所述子节点进行划分,以得到若干新子节点,通过递归方式对所述新子节点进行分支选择、信息熵增益计算、根节点选择;
若递归过程满足停止条件,则输出回归决策树,若递归过程不满足停止条件,则继续递归过程。
5.根据权利要求4所述的基于决策树的根因挖掘分析方法,其特征在于,所述若递归过程满足停止条件,则输出回归决策树,若递归过程不满足停止条件,则继续递归过程的步骤包括:
计算当前递归过程中得到的若干新子节点的超卖值,并计算若干新子节点的超卖值之间的超卖差值;
判断所述超卖差值是否大于差值阈值;
若所述超卖差值大于差值阈值,则所述递归过程不满足停止条件并继续递归过程,若所述超卖差值不大于差值阈值,则所述递归过程满足停止条件并输出回归决策树。
6.一种基于决策树的根因挖掘分析系统,其特征在于,所述系统包括:
订单提取模块,用于在订单数据库中选取预设时间范围内的订单数据,提取所述预设时间范围内的CFR目标,并根据所述CFR目标从所述订单数据中提取不达标订单数据;
编码模块,用于提取所述不达标订单数据的订单特征,将所述不达标订单数据的订单特征进行独热编码,以得到若干编码特征,将所述编码特征进行组合,以得到组合特征,其中,所述编码特征为一串由布尔值1或0组成的特征字符;
回归决策树构建子模块,用于对所述组合特征中的每个子特征进行分支选择,并在所述子特征中选取主特征作为根节点,基于所述根节点与所述组合特征构建回归决策树;
结果输出子模块,用于遍历所述回归决策树的每条路径并确定每条路径对应的超卖值,将所述超卖值超出超卖阈值所对应的路径作为决策路径,提取所述决策路径的特征组合,以得到根因分析结果。
7.根据权利要求6所述的基于决策树的根因挖掘分析系统,其特征在于,所述回归决策树构建子模块包括:
分支选择子模块,用于将所述组合特征中的每个特征字符作为所述组合特征的子特征,对每个所述子特征均进行分支选择,以使每个所述子特征均存在与之对应的两个分选节点;
增益计算子模块,用于基于两个所述分选节点对应的超卖值,并基于所述分选节点对应的超卖值计算信息熵增益;
根节点选择子模块,用于将信息熵增益最大时对应的子特征作为主特征,并将所述主特征作为根节点。
8.根据权利要求6所述的基于决策树的根因挖掘分析系统,其特征在于,所述回归决策树构建子模块包括:
根节点更新子模块,用于基于所述根节点将所述组合特征划分为若干子节点,对每个所述子节点均进行分支选择、信息熵增益计算、根节点选择,以得到新根节点;
递归子模块,用于采用递归方式并基于所述新根节点将所述子节点进行划分,以得到若干新子节点,通过递归方式对所述新子节点进行分支选择、信息熵增益计算、根节点选择;
回归决策树输出子模块,用于若递归过程满足停止条件,则输出回归决策树,若递归过程不满足停止条件,则继续递归过程。
9.一种计算机,包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至5任一项所述的基于决策树的根因挖掘分析方法。
10.一种存储介质,其特征在于,所述存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至5任一项所述的基于决策树的根因挖掘分析方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311723832.1A CN117408787B (zh) | 2023-12-15 | 2023-12-15 | 一种基于决策树的根因挖掘分析方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311723832.1A CN117408787B (zh) | 2023-12-15 | 2023-12-15 | 一种基于决策树的根因挖掘分析方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117408787A true CN117408787A (zh) | 2024-01-16 |
CN117408787B CN117408787B (zh) | 2024-03-05 |
Family
ID=89492950
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311723832.1A Active CN117408787B (zh) | 2023-12-15 | 2023-12-15 | 一种基于决策树的根因挖掘分析方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117408787B (zh) |
Citations (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104407589A (zh) * | 2014-11-26 | 2015-03-11 | 西北工业大学 | 面向车间制造过程的实时生成性能主动感知与异常分析方法 |
CN104636933A (zh) * | 2015-02-11 | 2015-05-20 | 广州唯品会信息科技有限公司 | 电子商务网站超卖原因定位的方法及装置 |
CN106096748A (zh) * | 2016-04-28 | 2016-11-09 | 武汉宝钢华中贸易有限公司 | 基于聚类分析和决策树算法的装车工时预测模型 |
CN106408108A (zh) * | 2016-08-28 | 2017-02-15 | 青岛百灵信息科技股份有限公司 | 一种基于互联网的气象预警方法 |
CN108764273A (zh) * | 2018-04-09 | 2018-11-06 | 中国平安人寿保险股份有限公司 | 一种数据处理的方法、装置、终端设备及存储介质 |
CN109409644A (zh) * | 2018-09-07 | 2019-03-01 | 昆明理工大学 | 一种基于改进的c4.5算法的学生成绩分析方法 |
CN109639283A (zh) * | 2018-11-26 | 2019-04-16 | 南京理工大学 | 基于决策树的工件编码方法 |
CN109947760A (zh) * | 2017-07-26 | 2019-06-28 | 华为技术有限公司 | 一种挖掘kpi根因的方法及装置 |
CN110162422A (zh) * | 2019-04-30 | 2019-08-23 | 阿里巴巴集团控股有限公司 | 一种基于决策树的问题定位方法和装置 |
US20190287171A1 (en) * | 2018-03-14 | 2019-09-19 | Chicago Mercantile Exchange Inc. | Decision tree data structure based processing system |
CN110569867A (zh) * | 2019-07-15 | 2019-12-13 | 山东电工电气集团有限公司 | 基于决策树算法的输电线路故障原因判别方法、介质及设备 |
US20200204680A1 (en) * | 2018-12-21 | 2020-06-25 | T-Mobile Usa, Inc. | Framework for predictive customer care support |
US10713622B1 (en) * | 2019-12-06 | 2020-07-14 | Coupang Corp. | Computer-implemented systems and methods for intelligent prediction of out of stock items and proactive reordering |
CN111861750A (zh) * | 2020-07-22 | 2020-10-30 | 北京睿知图远科技有限公司 | 一种基于决策树方法的特征衍生系统及可读存储介质 |
CN111858695A (zh) * | 2019-12-11 | 2020-10-30 | 北京嘀嘀无限科技发展有限公司 | 路段数据筛选方法、系统和存储介质 |
CN112329874A (zh) * | 2020-11-12 | 2021-02-05 | 京东数字科技控股股份有限公司 | 数据业务的决策方法、装置、电子设备和存储介质 |
CN112907321A (zh) * | 2021-02-03 | 2021-06-04 | 珠海市鸿瑞信息技术股份有限公司 | 一种基于大数据的数据挖掘与分析的信息安全异常感知平台 |
CN113689036A (zh) * | 2021-08-24 | 2021-11-23 | 成都电科智联科技有限公司 | 一种基于决策树c4.5算法的热像仪质量问题原因预测方法 |
CN115186754A (zh) * | 2022-07-18 | 2022-10-14 | 国网江苏省电力有限公司 | 基于信息熵及自联想回归模型的机组能效监测诊断方法 |
WO2023272850A1 (zh) * | 2021-06-29 | 2023-01-05 | 未鲲(上海)科技服务有限公司 | 基于决策树的产品匹配方法、装置、设备及存储介质 |
CN115757801A (zh) * | 2022-12-22 | 2023-03-07 | 北京壹永科技有限公司 | 用于医疗文本的基于决策树的模型训练方法和装置 |
CN116578637A (zh) * | 2023-05-18 | 2023-08-11 | 数通十方(深圳)数字科技有限公司 | 一种基于大数据的数据挖掘系统 |
CN117081914A (zh) * | 2023-07-12 | 2023-11-17 | 中国石油化工股份有限公司 | 基于决策树的故障分析方法及装置 |
CN117114116A (zh) * | 2023-08-04 | 2023-11-24 | 北京杰成合力科技有限公司 | 一种基于机器学习的根因分析方法、介质和设备 |
-
2023
- 2023-12-15 CN CN202311723832.1A patent/CN117408787B/zh active Active
Patent Citations (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104407589A (zh) * | 2014-11-26 | 2015-03-11 | 西北工业大学 | 面向车间制造过程的实时生成性能主动感知与异常分析方法 |
CN104636933A (zh) * | 2015-02-11 | 2015-05-20 | 广州唯品会信息科技有限公司 | 电子商务网站超卖原因定位的方法及装置 |
CN106096748A (zh) * | 2016-04-28 | 2016-11-09 | 武汉宝钢华中贸易有限公司 | 基于聚类分析和决策树算法的装车工时预测模型 |
CN106408108A (zh) * | 2016-08-28 | 2017-02-15 | 青岛百灵信息科技股份有限公司 | 一种基于互联网的气象预警方法 |
CN109947760A (zh) * | 2017-07-26 | 2019-06-28 | 华为技术有限公司 | 一种挖掘kpi根因的方法及装置 |
US20190287171A1 (en) * | 2018-03-14 | 2019-09-19 | Chicago Mercantile Exchange Inc. | Decision tree data structure based processing system |
CN108764273A (zh) * | 2018-04-09 | 2018-11-06 | 中国平安人寿保险股份有限公司 | 一种数据处理的方法、装置、终端设备及存储介质 |
CN109409644A (zh) * | 2018-09-07 | 2019-03-01 | 昆明理工大学 | 一种基于改进的c4.5算法的学生成绩分析方法 |
CN109639283A (zh) * | 2018-11-26 | 2019-04-16 | 南京理工大学 | 基于决策树的工件编码方法 |
US20200204680A1 (en) * | 2018-12-21 | 2020-06-25 | T-Mobile Usa, Inc. | Framework for predictive customer care support |
CN110162422A (zh) * | 2019-04-30 | 2019-08-23 | 阿里巴巴集团控股有限公司 | 一种基于决策树的问题定位方法和装置 |
CN110569867A (zh) * | 2019-07-15 | 2019-12-13 | 山东电工电气集团有限公司 | 基于决策树算法的输电线路故障原因判别方法、介质及设备 |
US10713622B1 (en) * | 2019-12-06 | 2020-07-14 | Coupang Corp. | Computer-implemented systems and methods for intelligent prediction of out of stock items and proactive reordering |
CN111858695A (zh) * | 2019-12-11 | 2020-10-30 | 北京嘀嘀无限科技发展有限公司 | 路段数据筛选方法、系统和存储介质 |
CN111861750A (zh) * | 2020-07-22 | 2020-10-30 | 北京睿知图远科技有限公司 | 一种基于决策树方法的特征衍生系统及可读存储介质 |
CN112329874A (zh) * | 2020-11-12 | 2021-02-05 | 京东数字科技控股股份有限公司 | 数据业务的决策方法、装置、电子设备和存储介质 |
CN112907321A (zh) * | 2021-02-03 | 2021-06-04 | 珠海市鸿瑞信息技术股份有限公司 | 一种基于大数据的数据挖掘与分析的信息安全异常感知平台 |
WO2023272850A1 (zh) * | 2021-06-29 | 2023-01-05 | 未鲲(上海)科技服务有限公司 | 基于决策树的产品匹配方法、装置、设备及存储介质 |
CN113689036A (zh) * | 2021-08-24 | 2021-11-23 | 成都电科智联科技有限公司 | 一种基于决策树c4.5算法的热像仪质量问题原因预测方法 |
CN115186754A (zh) * | 2022-07-18 | 2022-10-14 | 国网江苏省电力有限公司 | 基于信息熵及自联想回归模型的机组能效监测诊断方法 |
CN115757801A (zh) * | 2022-12-22 | 2023-03-07 | 北京壹永科技有限公司 | 用于医疗文本的基于决策树的模型训练方法和装置 |
CN116578637A (zh) * | 2023-05-18 | 2023-08-11 | 数通十方(深圳)数字科技有限公司 | 一种基于大数据的数据挖掘系统 |
CN117081914A (zh) * | 2023-07-12 | 2023-11-17 | 中国石油化工股份有限公司 | 基于决策树的故障分析方法及装置 |
CN117114116A (zh) * | 2023-08-04 | 2023-11-24 | 北京杰成合力科技有限公司 | 一种基于机器学习的根因分析方法、介质和设备 |
Non-Patent Citations (1)
Title |
---|
王小乐;张玉锋;袁媛;高波;: "基于决策树的卫星故障诊断知识挖掘方法", 电子设计工程, no. 03, 5 February 2018 (2018-02-05) * |
Also Published As
Publication number | Publication date |
---|---|
CN117408787B (zh) | 2024-03-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109345388A (zh) | 区块链智能合约验证方法、装置及存储介质 | |
CN112291348A (zh) | 远程抄表异常监测方法及燃气表系统 | |
CN113505936A (zh) | 项目审批结果的预测方法、装置、设备及存储介质 | |
CN110517154A (zh) | 数据模型训练方法、系统及计算机设备 | |
CN111476375B (zh) | 一种确定识别模型的方法、装置、电子设备及存储介质 | |
CN110796060B (zh) | 高速行车路线确定方法、装置、设备和存储介质 | |
CN112579621A (zh) | 数据展示方法、装置、电子设备及计算机存储介质 | |
CN103401569A (zh) | 一种(n,k,m)系统卷积码盲识别的方法 | |
CN117408787B (zh) | 一种基于决策树的根因挖掘分析方法及系统 | |
CN113592529B (zh) | 债券产品的潜在客户推荐方法和装置 | |
CN116049644A (zh) | 特征筛选和聚类分箱方法、装置、电子设备及存储介质 | |
CN109670976B (zh) | 特征因子确定方法及设备 | |
CN108304467A (zh) | 用于文本间匹配的方法 | |
CN114792007A (zh) | 代码检测方法、装置、设备、存储介质和计算机程序产品 | |
CN114444721A (zh) | 模型训练方法、装置、电子设备及计算机存储介质 | |
US8566529B2 (en) | Method, system and computer program product for generalized LRU in cache and memory performance analysis and modeling | |
CN113434680A (zh) | 基于坐席数据的用户意愿分析方法、装置、电子设备 | |
Zhu et al. | Fast grid splitting detection for n-1 contingency analysis by graph computing | |
CN110109907B (zh) | 一种税务数据的存储、查询方法及装置 | |
CN111768290A (zh) | 确定业务的风险权重系数的方法及装置 | |
CN118334872B (zh) | 用于交通设备违法配置的数据处理方法和装置 | |
CN112035484B (zh) | 一种故障录波数据的局部故障特征提取方法及系统 | |
CN113469235B (zh) | 用水波动异常识别方法及装置、计算机装置及存储介质 | |
CN117787729B (zh) | 基于标识解析的智慧园区管理方法及相关装置 | |
CN113434705B (zh) | 一种基于关系图谱的提现额度调整方法、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 |