CN117493817A - 一种对处理卫星异常的效益进行评估的方法、系统及装置 - Google Patents
一种对处理卫星异常的效益进行评估的方法、系统及装置 Download PDFInfo
- Publication number
- CN117493817A CN117493817A CN202311848423.4A CN202311848423A CN117493817A CN 117493817 A CN117493817 A CN 117493817A CN 202311848423 A CN202311848423 A CN 202311848423A CN 117493817 A CN117493817 A CN 117493817A
- Authority
- CN
- China
- Prior art keywords
- data
- benefit
- analysis model
- envelope analysis
- clustering
- 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
- 230000008901 benefit Effects 0.000 title claims abstract description 96
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000012545 processing Methods 0.000 title claims abstract description 30
- 238000004458 analytical method Methods 0.000 claims abstract description 57
- 239000011159 matrix material Substances 0.000 claims description 25
- 239000013598 vector Substances 0.000 claims description 21
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 230000003595 spectral effect Effects 0.000 claims description 8
- 238000012163 sequencing technique Methods 0.000 claims description 6
- 238000000638 solvent extraction Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 2
- 230000002159 abnormal effect Effects 0.000 abstract description 16
- 238000011156 evaluation Methods 0.000 abstract description 15
- 230000000007 visual effect Effects 0.000 abstract description 3
- 238000005259 measurement Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000007726 management method Methods 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 5
- 230000006872 improvement Effects 0.000 description 3
- 238000001228 spectrum Methods 0.000 description 3
- 238000004220 aggregation Methods 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 2
- 238000005520 cutting process Methods 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 238000003064 k means clustering Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000006116 polymerization reaction Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 238000013077 scoring method Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B7/00—Radio transmission systems, i.e. using radiation field
- H04B7/14—Relay systems
- H04B7/15—Active relay systems
- H04B7/185—Space-based or airborne stations; Stations for satellite systems
- H04B7/1851—Systems using a satellite or space-based relay
- H04B7/18519—Operations control, administration or maintenance
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Astronomy & Astrophysics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例是关于一种对处理卫星异常的效益进行评估的方法、系统及装置。所述方法包括：基于相同类型的成本指标和收益指标确定待评估的对卫星异常进行处理的业务；获取所述业务的成本数据和收益数据；将所述成本数据作为输入，将所述收益数据作为输出，建立数据包络分析模型，并基于所述数据包络分析模型确定所述业务的有效性和效益数据；对有效的所述数据包络分析模型的所述效益数据，依据评级进行聚类。本发明实施例通过数据包络分析的方法将卫星异常处理的业务进行效益的评估，并通过聚类的方式将评估结果以更加直观的方式呈现。
Description
技术领域
本发明实施例涉及卫星异常处理技术领域，尤其涉及一种对处理卫星异常的效益进行评估的方法、系统及装置。
背景技术
在大数量在轨卫星管理中，异常处理效率是其测控管理能力的重要体现，快速、准确的卫星异常处理在其中扮演着极为重要的角色。当前，异常处理能力制约着大数量卫星管理水平，但异常处理存在环节多、目标难量化、异常操作流程复杂等特点。提出可操作量化评估的评估模型和指标，发现不同异常处理绩效差距，探索低效率的原因是迫切需要回答的问题。
相关技术中，在处理多项卫星异常业务时，不能及时了解到卫星异常业务进行处理的收益，从而无法更优地对卫星异常业务的处理顺序进行安排，影响了卫星异常业务的整体效率。
因此，有必要改善上述相关技术方案中存在的一个或者多个问题。
需要说明的是，在上述背景技术部分公开的信息仅用于加强对本发明的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本发明实施例的目的在于提供一种对处理卫星异常的效益进行评估的方法、系统及装置，进而至少实现对异常处理效率的快速评估。
本发明的目的采用以下技术方案实现：
第一方面，本发明提供了一种对处理卫星异常的效益进行评估的方法，该方法包括：
基于相同类型的成本指标和收益指标确定待评估的对卫星异常进行处理的业务；
获取所述业务的成本数据和收益数据；
将所述成本数据作为输入，将所述收益数据作为输出，建立数据包络分析模型，并基于所述数据包络分析模型确定所述业务的有效性和效益数据；
对有效的所述数据包络分析模型的所述效益数据，依据评级进行聚类。
可选地，还包括：所述成本数据包括：测控资源使用量、人力资源使用量及处置时间占用量。
可选地，将所述成本数据作为输入，将所述收益数据作为输出，建立数据包络分析模型，并基于所述数据包络分析模型确定所述业务的有效性的步骤，包括：
将所述业务设为所述数据包络分析模型的决策单元，每个决策单元均设有m个决策单位，其形式为：
；
；
其中，每个决策单元中分别对应一个输入向量X和一个输出向量Y，分别表示为/>和/>；/>为对第/>种类型输入的一种度量；/>为第/>个决策单元对第/>种类型输入的投入总量，/>＞0；/>为对第/>种类型输出的一种度量；/>为第/>个决策单元对第/>种类型输出的产出总量，/>＞0；其中，；/>；/>、/>和/>均为正整数。
可选地，还包括：
所述数据包络分析模型采用可变规模创建模型：
；
s.t.；
其中，为一个有效的决策单元的指标权重；/>为决策单元效率值，/>为引入的非阿基米德无穷小量；/>,/>为输入输出松弛变量，/>分别为输入输出指标个数；min[]表示取最小值；X0为初始成本数据；Y0为初始收益数据。
可选地，对有效的所述数据包络分析模型的所述效益数据，依据评级进行聚类的步骤，包括：
通过谱聚类算法对所述数据包络分析模型的所述效益数据进行聚类。
可选地，还包括：所述效益数据包括：综合技术效率、纯技术效率以及规模效率。
可选地，还包括：根据不同类型的所述效益数据构建所述效益数据的相似度矩阵；
根据所述相似度矩阵计算拉普拉斯矩阵；
根据所述拉普拉斯矩阵的特征值从小到大进行排序；
根据排序后得到的拉普拉斯矩阵对每个行向量进行谱系划分，并得到聚类结果。
可选地，还包括：
获取排序后得到的拉普拉斯矩阵中的行向量；
根据行向量中每个数据之间的距离进行聚类，并采用无向图切割进行谱系划分。
可选地，还包括：根据聚类后的所述效益数据，对最低评级的所述业务依据所述成本指标和所述收益指标进行分析。
第二方面，本发明还提供了一种对处理卫星异常的效益进行评估的系统，包括：
业务确定模块，所述业务确定模块用于基于相同类型的成本指标和收益指标确定待评估的对卫星异常进行处理的业务；
数据获取模块，所述数据获取模块用于获取所述业务的成本数据和收益数据；
分析模块，所述分析模块用于将所述成本数据作为输入，将所述收益数据作为输出，建立数据包络分析模型，并基于所述数据包络分析模型确定所述业务的有效性和效益数据；
聚类模块，所述聚类模块用于对有效的所述数据包络分析模型的所述效益数据，依据评级进行聚类。
第三方面，本发明还提供了一种对处理卫星异常的效益进行评估的装置，包括：
处理器；以及
存储器，用于存储所述处理器的可执行指令；
其中，所述处理器配置为经由执行所述可执行指令来执行上述任一项的对处理卫星异常的效益进行评估的方法的步骤。
本发明的实施例提供的技术方案可以包括以下有益效果：
本发明的实施例中，通过数据包络分析的方法将卫星异常处理的业务进行效益的评估，并通过聚类的方式将评估结果以更加直观的方式呈现，实现对异常处理效率的快速评估。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。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的附图。
图1示出本发明示例性实施例中对处理卫星异常的效益进行评估的方法的流程示意图；
图2示出本发明示例性实施例中采用谱系聚合的效益评估方法的流程示意图；
图3示出本发明示例性实施例中DEA模型中规模效率测算的示意图；
图4示出本发明示例性实施例中对效益结果进行谱聚类的示意图；
图5示出本发明示例性实施例中对处理卫星异常的效益进行评估的系统的结构示意图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本发明将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。
此外，附图仅为本发明的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
本示例实施方式中首先提供了一种对处理卫星异常的效益进行评估的方法，参考图1中所示，该方法可以包括下述步骤。
步骤S101：基于相同类型的成本指标和收益指标确定待评估的对卫星异常进行处理的业务。
步骤S102：获取业务的成本数据和收益数据。
步骤S103：将成本数据作为输入，将收益数据作为输出，建立数据包络分析模型，并基于数据包络分析模型确定业务的有效性和效益数据。
步骤S104：对有效的数据包络分析模型的效益数据，依据评级进行聚类。
需要理解的是，成本指标和收益指标是对卫星异常处理业务的评估指标，可以反映卫星异常处理效益水平相关成本因素和变化趋势，从而能够全面体现卫星异常处理期间所涉及的各方面原因。另外，指标的选取要能够充分反映卫星异常处理效果和目标，从而能够对异常处理过程中产生的各种变化趋势做出合理的反应。另外，选取的指标要能够准确反映卫星异常处理过程中各种因素的影响，指标的选择具有稳定性和动态性。另外，选取的指标要反映卫星异常处理事件特性，具有通用性，能够反映各类卫星异常处理效率水平。
还需要理解的是，卫星异常处理业务在数据包络分析模型中作为决策单元，其个数是不限的。为使不同的卫星异常处理业务具有可比性，对决策单元进行选取时，应是同类型的选取。具体的，卫星异常处理业务作为决策单元的选取应具有相同的投入和产出指标。另外，进一步的，还可以有相同的工作内容和相同的外部环境，从而使卫星异常处理业务基于相同类型的成本指标和收益指标确定。
还需要理解的是，收益指标也可称为产出指标Y1，为异常处理效益指标，其计算公式如下：
（1）
其中，是第i颗卫星的经济价值的度量值；/>是第/>颗卫星异常严重等级的度量值，无量纲。
还需要理解的是，数据包络分析（DEA，Data Envelopment Analysis）方法是一种用来确定有效生产前沿面和评估决策单元相对有效性的一种非参数分析方法。通过建立一组具有多种投入和产出的决策单元（DMU，DecisionMakingUnits），以最大产出或者最小投入连线为效率边界，并且以此边界来衡量比较DMU的生产效率。DEA常用模型主要有CCR模型、BCC模型、ACE模型和Malmquist指数模型等。
还需要理解的是，参考图2所示，可以先对卫星异常处置评价投入和产出指标进行选取，并选取决策单元放入DEA算法BCC模型进行卫星异常处置综合效益评估，对综合效益分析结果进行谱系聚合，最后还可以分析卫星异常处置效益不足的原因。
还需要理解的是，DEA模型对于具有多个输入、多个输出评价单元的规模有效性和技术有效性研究是一种卓有成效的方法，谱聚类分析方法在任意形状的样本空间上聚类且收敛于全局最优解，较其他效率评估方法更具有优势。另外，由于数据包络分析方法结果直观性较差，所以不能很好看出不同处置效率的差异性和不足。通过对不同异常处理效率进行聚类，可以实现异常处理效率的快速评估和综合分析，为卫星管理人员分析影响卫星异常处理的原因和改进方向提供依据。
通过数据包络分析的方法将卫星异常处理的业务进行效益的评估，并通过聚类的方式将评估结果以更加直观的方式呈现。
下面，将参考图1至图4对本示例实施方式中的上述方法的各个步骤进行更详细的说明。
在一个实施例中，成本数据包括：测控资源使用量、人力资源使用量及处置时间占用量。
需要理解的是，测控资源使用量X1为卫星异常处理过程中测控资源使用总时长，其计算公式如下：
（2）
其中，是异常处理中使用测控资源总数；/>是第/>个测控资源参与实施卫星异常处理的时长，单位为分钟。
人力资源使用量X2为卫星异常处理过程中卫星管理人员占用工时，其计算公式如下：
（3）
其中，是异常处理累计小时数；/>是第/>个累计小时参与异常处理的人员数量，单位为小时。
处置时间占用量X3为卫星异常处理时间消耗量，即从异常发生时刻至异常处理结束总时长，单位为小时。
在一个实施例中，参考图3所示，步骤S103可以包括下述步骤：
将业务设为数据包络分析模型的决策单元，并设有m个决策单位，其形式为：
（4）
（5）
其中，每个决策单元对应一个输入向量/>和一个输出向量/>；/>为第/>个决策单元对第/>种类型输入的投入总量，＞0；/>为第/>个决策单元对第/>种类型输出的产出总量，/>＞0；/>为对第/>种类型输入的一种度量；/>为对第/>种类型输出的一种度量；其中，/>；；/>、/>和/>均为正整数。
需要理解的是，每个决策单元（DMU）都有种类型的输入（表示对资源的耗费）以及/>种类型的输出（表明成效的信息量）。数据包络分析模型可以采用BCC模型和CCR模型。参考图3所示，CCR模型假设的规模报酬是不变的，而BCC模型则是可变规模报酬。图3为DEA模型中的规模效率测算，DEA模型通过保持决策单元的输入或者输出不变，确定相对有效的生产前沿面。将决策单元投影到DEA生产前沿面上，通过衡量决策单元偏离DEA前沿的程度来测度相对有效性。其中，x表示卫星异常处置的投入，y表示卫星异常处置的产出。M、N、P均为决策单元。A为过P点做平行x轴的直线与y轴的交点。PC和PB分别表示决策单元P在CCR模型和BCC模型的前沿点。
具体的，数据包络分析模型采用可变规模创建模型（BCC模型）：
（6）
s.t.（7）
其中，为一个有效的决策单元的指标权重。/>为决策单元效率值，/>为引入的非阿基米德无穷小量。/>,/>为输入输出松弛变量，/>分别为输入输出指标个数；X0为初始成本数据；Y0为初始收益数据。
需要理解的是，,/>作为输入输出松弛变量，应均为非负数。另外。/>作为决策单元效率值，其表示离有效前沿面的径向优化量或“距离”，越接近1表示决策单元越合理。若满足/>，则决策单元/>为弱DEA有效；当/>，且/>时，称/>为DEA有效；当/>时，则/>为DEA无效。
在一个实施例中，参考图4所示，步骤S104可以包括下述步骤：
通过谱聚类算法对数据包络分析模型的效益数据进行聚类。
需要理解的是，谱聚类分析方法是建立在图谱理论基础上，谱聚类算法将所有数据看做可以连接起来的空间中的点。距离较远的两个点之间的边权重值较低，而距离较近的两个点之间的边权重值较高，通过对所有数据点组成的图进行切图，让切图后不同的子图之间边权重和尽可能的低，而子图内的边权重和尽可能的高，从而达到聚类的目的。
在一个实施例中，参考图4所示，效益数据包括：综合技术效率、纯技术效率以及规模效率。需要理解的是，数据包络分析方法可以确定尽可能相似的投入和产出组合有效投影点，因此，基于不同类型的成本指标作为输入可以生成不同类型的效益数据。将多个类型的效益数据作为谱聚类分析方法的输入，从而实现异常处理效率的快速评估和综合分析。
在一个实施例中，步骤S104可以包括下述步骤：
根据不同类型的效益数据构建效益数据的相似度矩阵；
根据相似度矩阵计算拉普拉斯矩阵；
根据拉普拉斯矩阵的特征值从小到大进行排序；
从排序后得到的拉普拉斯矩阵中对每个行向量进行谱系划分，并得到聚类结果。
需要理解的是，构建相似度矩阵/>：
（8）
其中，为/>组成的相似度矩阵。
计算度矩阵，相似度矩阵/>的每一行元素之和为：
（9）
其中，为/>组成的/>对角矩阵。
计算拉普拉斯矩阵L：
（10）
其中，W为组成的矩阵。计算L的特征值，将特征值从小到大排序，取前k个特征值，并计算前k个特征值的特征向量/>。
k个列向量组成矩阵。
令是/>的第/>行的向量，其中，/>。
对每个行向量进行谱系划分，输出簇中心及聚类结果。
在一个实施例中，步骤S104可以包括下述步骤：
获取排序后得到的拉普拉斯矩阵中的行向量；
根据行向量中每个数据之间的距离进行聚类，并采用无向图切割进行谱系划分。
需要理解的是，通过上述的k个列向量组成矩阵，令/>是/>的第/>行的向量，其中，/>。行向量中每个数据作为新样本点：，采用K-mean聚类方式进行聚类，采用无向图切割进行谱系划分。K-mean聚类又称k均值聚类算法（k-means clustering algorithm），是一种迭代求解的聚类分析算法，具体的，预将数据分为K组，则随机选取K个对象作为初始的聚类中心，然后计算每个对象与各个子聚类中心之间的距离，把每个对象分配给距离它最近的聚类中心。聚类中心以及分配给它们的对象就代表一个聚类。每分配一个样本，聚类的聚类中心会根据聚类中现有的对象被重新计算。这个过程将不断重复直到满足某个终止条件。终止条件可以是没有（或最小数目）对象被重新分配给不同的聚类，没有（或最小数目）聚类中心再发生变化，误差平方和局部最小。
在一个实施例中，参考图2所示，对处理卫星异常的效益进行评估的方法还包括：根据聚类后的效益数据，对最低评级的业务依据成本指标和收益指标进行分析。需要理解的是，当进行聚类后，可以明显的看到各个卫星异常处理业务所在的评级。可以针对评级较低的卫星异常处理业务进行分析，并根据成本指标和收益指标等方面分析卫星异常处理业务效益不足的原因。
在一个实施例中，参考图2所示，对处理卫星异常的效益进行评估的方法还包括：根据最低评级的业务成本指标和收益指标进行权重分析，并标注出权重最高的数据类型。需要理解的是，基于分析结果标注出影响其效益的主要原因，从而可以更加直观理解评级较低的卫星异常处理业务的具体原因。
本示例实施方式中，还提供了一种对处理卫星异常的效益进行评估的系统，参考图5中所示，该系统可以包括：
业务确定模块，所述业务确定模块用于基于相同类型的成本指标和收益指标确定待评估的对卫星异常进行处理的业务。
数据获取模块，所述数据获取模块用于获取所述业务的成本数据和收益数据。
分析模块，所述分析模块用于将所述成本数据作为输入，将所述收益数据作为输出，建立数据包络分析模型，并基于所述数据包络分析模型确定所述业务的有效性和效益数据。
聚类模块，所述聚类模块用于对有效的所述数据包络分析模型的所述效益数据，依据评级进行聚类。
需要理解的是，其中对处理卫星异常的效益进行评估的系统的具体方式，已经在有关该对处理卫星异常的效益进行评估的方法的实施例中进行了详细描述，此处将不做详细阐述说明。
本示例实施方式中，还提供了一种对处理卫星异常的效益进行评估的装置，包括：处理器以及存储器。
其中，存储器用于存储处理器的可执行指令。处理器配置为经由执行可执行指令来执行上述任一项实施例中对处理卫星异常的效益进行评估的方法的步骤。
需要理解的是，处理卫星异常的效益进行评估的装置还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行本说明书上述对处理卫星异常的效益进行评估的方法部分中描述的根据本发明各种示例性实施方式的步骤。
结合上述对处理卫星异常的效益进行评估的方法，本发明提供具体的实验结果以示说明。
实验一：
选取2016年至2020年对在轨典型卫星能源异常处理事件进行效率测算。卫星异常处理效率虽然难以使用明确的物理产出指标进行描述和衡量，但可以看出，不同等级卫星异常处理效率存在差异，如对高价值星和空间试验星的异常处理虽然投入成本相同，但其经济效益也存在一定差别。因此，综合了不同等级的卫星和不同类别的异常处理效益，采用专家打分法以经济产出测算方式进行了处置效益指标量化，异常处理效益计算量化方法如下。
表1 异常处理效益产出量化表
从投入角度来看，以上3个异常等级的投入指标从资源、人力和时间3个角度综合考虑了决策单元的投入；而对于产出指标、异常等级和卫星等级的综合效能打分指标较好地反映了异常处理后的经济效益。综上所述，本研究建立的投入产出指标体系，较好地反映了异常处理效率评价的投入和产出，符合决策单元处置效率所蕴含的要求。
考虑到Multi-Stage方法可以确定尽可能相似的投入和产出组合有效投影点，基于Multi-Stage的BCC模型进行测算，计算结果如下表。
表2 2016年-2020年卫星能源异常处理效率及分解效率
其中，综合技术效率（OE:overall efficiency）是决策单元在一定（最优规模时）投入要素的生产效率，是对决策单元的资源配置能力，资源使用效率等多方面能力的综合衡量与评价。纯技术效率（TE:technical efficiency）是在给定的投入水平下，决策单元的实际产出与最优产出之比，可以用来衡量在现有水平上获得最大产出能力。规模效率（SE:scale efficiency）是综合效率/技术效率。衡量在未达到最优规模时，通过提升规模而获得的综合效率的提升。drs为规模收益递减，irs为规模收益递增。三者之间关系如下：
从上表可以看出，近5年卫星能源异常处理平均技术效率为0.558，从DEA有效性可以看出，卫星能源异常处理达到有效，其中，Sat8、Sat9和Sat13卫星能源异常属于纯技术拉动，Sat7、Sat11、Sat15和Sat16依靠规模效率提升。
采用系统谱聚类方法对各星能源异常处理效率结果进行谱系聚合，得到结果如下表所示。
表3 异常处理效率卫星分类结果
从聚类结果来看，异常处理效率较高的第一类卫星主要集中在ST1、ST3、ST5、ST8系列，一方面此类卫星大多等级较高，异常处理效益值高，另一方面应急预案准备相对充分，异常定位及时准确，异常处理中花费时间和人力成本相对较少；第三类卫星主要集中在新研和ST6、ST7、ST9等试验平台，一方面原因是小卫星异常处理应急方案和流程运行机制尚未成熟，另一方面原因是此类卫星等级和异常等级相对较低，降低了异常处理效益分值，建议此类卫星后续重点加强异常处理预案准备以及加强和研制方的异常协同机制，减少异常处理的资源投入；第二类卫星的等级、处置成本都相处于一、三两类之间，建议结合异常处理过程有针对性地降低处置时间或者投入人员。
另外，本发明各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本发明的其它实施方案。本发明旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。
Claims (10)
1.一种对处理卫星异常的效益进行评估的方法，其特征在于，包括：
基于相同类型的成本指标和收益指标确定待评估的对卫星异常进行处理的业务；
获取所述业务的成本数据和收益数据；
将所述成本数据作为输入，将所述收益数据作为输出，建立数据包络分析模型，并基于所述数据包络分析模型确定所述业务的有效性和效益数据；
对有效的所述数据包络分析模型的所述效益数据，依据评级进行聚类。
2.根据权利要求1所述方法，其特征在于，还包括：
所述成本数据包括：测控资源使用量、人力资源使用量及处置时间占用量。
3.根据权利要求1所述方法，其特征在于，将所述成本数据作为输入，将所述收益数据作为输出，建立数据包络分析模型，并基于所述数据包络分析模型确定所述业务的有效性的步骤，包括：
将所述业务设为所述数据包络分析模型的决策单元，每个决策单元均设有m个决策单位，其形式为：
；
；
其中，每个决策单元中分别对应一个输入向量X和一个输出向量Y，分别表示为/>和/>；/>为对第/>种类型输入的一种度量；/>为第/>个决策单元对第/>种类型输入的投入总量，/>＞0；/>为对第/>种类型输出的一种度量；/>为第/>个决策单元对第/>种类型输出的产出总量，/>＞0；其中，；/>；/>、/>和/>均为正整数。
4.根据权利要求3所述方法，其特征在于，还包括：
所述数据包络分析模型采用可变规模创建模型：
；
s.t.；
其中，为一个有效的决策单元的指标权重；/>为决策单元效率值，/>为引入的非阿基米德无穷小量；/>,/>为输入输出松弛变量，/>分别为输入输出指标个数；min[]表示取最小值；X 0为初始成本数据；Y 0为初始收益数据。
5.根据权利要求1所述方法，其特征在于，对有效的所述数据包络分析模型的所述效益数据，依据评级进行聚类的步骤，包括：
通过谱聚类算法对所述数据包络分析模型的所述效益数据进行聚类。
6.根据权利要求5所述方法，其特征在于，还包括：
根据不同类型的所述效益数据构建所述效益数据的相似度矩阵；
根据所述相似度矩阵计算拉普拉斯矩阵；
根据所述拉普拉斯矩阵的特征值从小到大进行排序；
根据排序后得到的拉普拉斯矩阵对每个行向量进行谱系划分，并得到聚类结果。
7.根据权利要求6所述方法，其特征在于，还包括：
获取排序后得到的拉普拉斯矩阵中的行向量；
根据行向量中每个数据之间的距离进行聚类，并采用无向图切割进行谱系划分。
8.根据权利要求1-7任一项所述方法，其特征在于，还包括：
根据聚类后的所述效益数据，对最低评级的所述业务依据所述成本指标和所述收益指标进行分析。
9.一种对处理卫星异常的效益进行评估的系统，其特征在于，包括：
业务确定模块，所述业务确定模块用于基于相同类型的成本指标和收益指标确定待评估的对卫星异常进行处理的业务；
数据获取模块，所述数据获取模块用于获取所述业务的成本数据和收益数据；
分析模块，所述分析模块用于将所述成本数据作为输入，将所述收益数据作为输出，建立数据包络分析模型，并基于所述数据包络分析模型确定所述业务的有效性和效益数据；
聚类模块，所述聚类模块用于对有效的所述数据包络分析模型的所述效益数据，依据评级进行聚类。
10.一种对处理卫星异常的效益进行评估的装置，其特征在于，包括：
处理器；以及
存储器，用于存储所述处理器的可执行指令；
其中，所述处理器配置为经由执行所述可执行指令来执行权利要求1-8任一项所述对处理卫星异常的效益进行评估的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311848423.4A CN117493817B (zh) | 2023-12-29 | 2023-12-29 | 一种对处理卫星异常的效益进行评估的方法、系统及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311848423.4A CN117493817B (zh) | 2023-12-29 | 2023-12-29 | 一种对处理卫星异常的效益进行评估的方法、系统及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117493817A true CN117493817A (zh) | 2024-02-02 |
| CN117493817B CN117493817B (zh) | 2024-04-16 |
Family
ID=89681487
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311848423.4A Active CN117493817B (zh) | 2023-12-29 | 2023-12-29 | 一种对处理卫星异常的效益进行评估的方法、系统及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117493817B (zh) |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006215737A (ja) * | 2005-02-02 | 2006-08-17 | Osaka Prefecture | 新規クラスター分析方法 |
| CN106454857A (zh) * | 2015-08-13 | 2017-02-22 | 中国移动通信集团设计院有限公司 | 一种网络规划的评估方法及装置 |
| CN106570634A (zh) * | 2016-10-28 | 2017-04-19 | 中国科学院地理科学与资源研究所 | 城市群经济环境效率评估方法 |
| CN110135718A (zh) * | 2019-05-08 | 2019-08-16 | 北京市劳动保护科学研究所 | 综合性城市安全生产态势评估方法及系统 |
| CN110991915A (zh) * | 2019-12-09 | 2020-04-10 | 华南理工大学广州学院 | 基于数据包络分析电网核心指标综合效益方法 |
| CN112132440A (zh) * | 2020-09-18 | 2020-12-25 | 国网四川省电力公司经济技术研究院 | 一种基于dea理论的多维效益指数分析方法 |
| CN114493087A (zh) * | 2021-12-10 | 2022-05-13 | 中国卫通集团股份有限公司 | 卫星效能评估方法、装置及电子设备 |
| CN115018357A (zh) * | 2022-06-23 | 2022-09-06 | 中国农业大学 | 一种面向生产绩效提升的农户画像构建方法及系统 |
| CN115049209A (zh) * | 2022-05-08 | 2022-09-13 | 广东科贸职业学院 | 基于dea-rbf的电网企业综合运营效益分析方法 |
| CN115796341A (zh) * | 2022-11-16 | 2023-03-14 | 国网浙江省电力有限公司湖州供电公司 | 一种基于碳效码的企业低碳经济表现的协同测度方法 |
| KR20230065693A (ko) * | 2021-11-05 | 2023-05-12 | 서울대학교산학협력단 | 자료포락면분석을 이용한 스마트화 진단평가 시스템 및 방법 |
| CN117078484A (zh) * | 2023-08-24 | 2023-11-17 | 中国人民解放军陆军工程大学 | 一种基于超效率dea模型的指挥所指挥效率评估方法 |
-
2023
- 2023-12-29 CN CN202311848423.4A patent/CN117493817B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006215737A (ja) * | 2005-02-02 | 2006-08-17 | Osaka Prefecture | 新規クラスター分析方法 |
| CN106454857A (zh) * | 2015-08-13 | 2017-02-22 | 中国移动通信集团设计院有限公司 | 一种网络规划的评估方法及装置 |
| CN106570634A (zh) * | 2016-10-28 | 2017-04-19 | 中国科学院地理科学与资源研究所 | 城市群经济环境效率评估方法 |
| CN110135718A (zh) * | 2019-05-08 | 2019-08-16 | 北京市劳动保护科学研究所 | 综合性城市安全生产态势评估方法及系统 |
| CN110991915A (zh) * | 2019-12-09 | 2020-04-10 | 华南理工大学广州学院 | 基于数据包络分析电网核心指标综合效益方法 |
| CN112132440A (zh) * | 2020-09-18 | 2020-12-25 | 国网四川省电力公司经济技术研究院 | 一种基于dea理论的多维效益指数分析方法 |
| KR20230065693A (ko) * | 2021-11-05 | 2023-05-12 | 서울대학교산학협력단 | 자료포락면분석을 이용한 스마트화 진단평가 시스템 및 방법 |
| CN114493087A (zh) * | 2021-12-10 | 2022-05-13 | 中国卫通集团股份有限公司 | 卫星效能评估方法、装置及电子设备 |
| CN115049209A (zh) * | 2022-05-08 | 2022-09-13 | 广东科贸职业学院 | 基于dea-rbf的电网企业综合运营效益分析方法 |
| CN115018357A (zh) * | 2022-06-23 | 2022-09-06 | 中国农业大学 | 一种面向生产绩效提升的农户画像构建方法及系统 |
| CN115796341A (zh) * | 2022-11-16 | 2023-03-14 | 国网浙江省电力有限公司湖州供电公司 | 一种基于碳效码的企业低碳经济表现的协同测度方法 |
| CN117078484A (zh) * | 2023-08-24 | 2023-11-17 | 中国人民解放军陆军工程大学 | 一种基于超效率dea模型的指挥所指挥效率评估方法 |
Non-Patent Citations (7)
| Title |
|---|
| HASAN NAJADAT 等: "A Hybrid Model of Ensemble Method and Data Envelopment Analysis (DEA) for E-government Websites Efficiency Evaluation", 2019 INTERNATIONAL ARAB CONFERENCE ON INFORMATION TECHNOLOGY (ACIT), 13 February 2020 (2020-02-13), pages 182 - 187 * |
| TIANSHE YANG 等: "Data mining-based fault detection and prediction methods for in-orbit satellite", PROCEEDINGS OF 2013 2ND INTERNATIONAL CONFERENCE ON MEASUREMENT, INFORMATION AND CONTROL, 6 March 2014 (2014-03-06), pages 805 - 808 * |
| 周宜昕: "中国制造业国际产能合作商业模式及推进机制", 30 September 2021, 上海科学技术文献出版社, pages: 81 - 85 * |
| 李海军;朱昌锋;: "基于DEA的中间站资源配置效率评价", 兰州交通大学学报, no. 06, 15 December 2009 (2009-12-15), pages 115 - 118 * |
| 王铮: "基于超效率DEA的电网项目投资效益评价与投资决策研究", 中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑, vol. 2019, no. 4, 15 April 2019 (2019-04-15), pages 042 - 61 * |
| 胡国飞;程月华;杨天社;陆宁云;: "基于性能退化的动量轮系统故障危害评估", 航天控制, no. 05, 15 October 2016 (2016-10-15), pages 86 - 92 * |
| 范林榜 等: "DEA在电力业上市公司绩效分析中的应用", 企业经济, no. 2, 29 February 2008 (2008-02-29), pages 102 - 104 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117493817B (zh) | 2024-04-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110263827B (zh) | 基于交易规律识别的异常交易检测方法及装置 | |
| CN111402017A (zh) | 一种基于大数据的信用评分方法和系统 | |
| CN111984544B (zh) | 设备性能测试方法、装置、电子设备及存储介质 | |
| CN111160329A (zh) | 一种根因分析的方法及装置 | |
| CN110147493B (zh) | 活跃因子的确定方法、装置、计算机设备及存储介质 | |
| CN111598387A (zh) | 一种于多维度确定电能表质量的方法及系统 | |
| CN114186789A (zh) | 综合能源市场成熟度评价及发展阶段划分方法、系统及存储介质 | |
| CN114139931A (zh) | 企业数据评估方法、装置、计算机设备及存储介质 | |
| CN113793057A (zh) | 一种基于回归分析模型的建筑招投标数据生成方法 | |
| CN111367782A (zh) | 回归测试数据自动生成的方法及装置 | |
| CN117493817B (zh) | 一种对处理卫星异常的效益进行评估的方法、系统及装置 | |
| CN113835947A (zh) | 一种基于异常识别结果确定异常原因的方法和系统 | |
| CN112465321A (zh) | 一种任务分析方法、装置、设备及存储介质 | |
| CN114546841B (zh) | 基于云计算的软件质量评估方法 | |
| CN116739742A (zh) | 信贷风控模型的监控方法、装置、设备及存储介质 | |
| CN107957944B (zh) | 面向用户数据覆盖率的测试用例自动生成方法 | |
| CN112288117A (zh) | 目标客户的成交概率预测方法、装置与电子设备 | |
| CN114936204A (zh) | 一种特征筛选方法、装置、存储介质及电子设备 | |
| CN110458707B (zh) | 基于分类模型的行为评估方法、装置及终端设备 | |
| CN111143763B (zh) | 电力设备状态的评估方法、装置及其存储介质 | |
| CN114742412A (zh) | 一种软件技术服务系统及方法 | |
| CN114510405A (zh) | 指标数据评估方法、装置、设备、存储介质及程序产品 | |
| CN112529428A (zh) | 银行网点设备运营效能评估的方法及设备 | |
| CN109492913B (zh) | 一种配电终端的模块化风险预测方法、装置及可存储介质 | |
| CN113487440A (zh) | 模型生成、健康险理赔的确定方法、装置、设备及介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |