CN117541200B - 一种基于ltc流程的项目管理方法及系统 - Google Patents
一种基于ltc流程的项目管理方法及系统 Download PDFInfo
- Publication number
- CN117541200B CN117541200B CN202410033045.2A CN202410033045A CN117541200B CN 117541200 B CN117541200 B CN 117541200B CN 202410033045 A CN202410033045 A CN 202410033045A CN 117541200 B CN117541200 B CN 117541200B
- Authority
- CN
- China
- Prior art keywords
- data
- target
- order quantity
- value
- sequence
- 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
- 238000007726 management method Methods 0.000 title claims abstract description 50
- 238000010586 diagram Methods 0.000 claims abstract description 89
- 238000011156 evaluation Methods 0.000 claims abstract description 18
- 238000000034 method Methods 0.000 claims description 41
- 230000005856 abnormality Effects 0.000 claims description 23
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 238000000354 decomposition reaction Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 9
- 230000002159 abnormal effect Effects 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 230000000737 periodic effect Effects 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 15
- 238000012545 processing Methods 0.000 abstract description 2
- 230000008859 change Effects 0.000 description 7
- 230000035772 mutation Effects 0.000 description 6
- 238000013468 resource allocation Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000013210 evaluation model Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002354 daily effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 238000006467 substitution reaction 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2323—Non-hierarchical techniques based on graph theory, e.g. minimum spanning trees [MST] or graph cuts
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Economics (AREA)
- Discrete Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及适用于管理目的的数据处理技术领域，具体涉及一种基于LTC流程的项目管理方法及系统，包括：采集订单数据集构建订单量分布散点图，获取待选邻域半径序列和其中每个待选邻域半径的最小样本数，构建新订单量分布散点图，获取待选邻域半径序列中的每个待选邻域半径的聚类结果评价值，由此获取最优邻域半径，从而得到订单量分布散点图上的若干个聚类簇，至此获取订单量数据拟合曲线，进行基于LTC流程的项目管理。本实施例通过自适应邻域半径和最小样本数，得到较好的聚类效果，提高了订单量数据拟合曲线的可信度，从而提高了基于LTC流程的项目管理的效果。
Description
技术领域
本发明涉及适用于管理目的的数据处理技术领域，具体涉及一种基于LTC流程的项目管理方法及系统。
背景技术
基于LTC流程的项目管理是一种以客户为中心的项目管理方法，关注从销售线索到订单执行和现金收款的整个流程。该方法强调整个业务流程的集成和协同，以确保客户需求得到满足，同时最大化组织的效率和盈利能力。为了满足上述需求，基于LTC流程的项目管理需要通过对一天内每个不同时间节点分别投入不同的人力分配，以最大的效率和盈利能力满足客户需求，现有方法通常基于数据预测，预测一天内不同时间节点的业务需求量。在此可以通过DBSCAN聚类算法，对历史业务需求量的时序数据曲线用聚类中心进行拟合，以得到历史数据的拟合曲线，从而对每个时间节点的业务需求量进行预测，进而进行资源分配管理。
现有的问题：由于业务需求量具有一定的随机性，而DBSCAN聚类算法中的邻域半径和最小样本数固定，故存在可能会陷入局部最优解的问题，导致聚类结果不准确，数据拟合效果不佳，影响预测结果，进而导致项目管理的效率降低。
发明内容
本发明提供一种基于LTC流程的项目管理方法及系统，以解决现有的问题。
本发明的一种基于LTC流程的项目管理方法及系统采用如下技术方案：
本发明一个实施例提供了一种基于LTC流程的项目管理方法，该方法包括以下步骤：
采集一段时间内的客户订单数据，得到一个订单数据集；根据订单数据集构建订单量分布散点图；
将订单量分布散点图沿横轴方向等分为若干个区间；根据每个区间内的数据点之间的距离，分别得到每个区间的小邻域半径和大邻域半径；根据每个区间的小邻域半径和大邻域半径，得到待选邻域半径序列和待选邻域半径序列中每个待选邻域半径的最小样本数；
根据所有区间中的数据构建新订单量分布散点图；在新订单量分布散点图上，根据待选邻域半径序列中每个待选邻域半径对应的聚类簇中的数据差异，得到待选邻域半径序列中的每个待选邻域半径的聚类结果评价值；
在待选邻域半径序列中，统计所有待选邻域半径的聚类结果评价值中的最大值，将所述最大值对应的待选邻域半径，记为最优邻域半径；在订单量分布散点图上，根据最优邻域半径和最优邻域半径的最小样本数对所有数据点进行聚类操作，得到订单量分布散点图上的若干个聚类簇；根据订单量分布散点图上所有聚类簇中数据点的横、纵坐标值，得到订单量数据拟合曲线；根据订单量数据拟合曲线，进行基于LTC流程的项目管理。
进一步地，所述根据订单数据集构建订单量分布散点图，包括的具体步骤如下：
以时间为横轴、订单数量为纵轴，构建平面直角坐标系；
在平面直角坐标系上，按照时间顺序，根据订单数据集中每个订单的产生时间，统计每一分钟内的订单数量，得到订单量分布散点图。
进一步地，所述根据每个区间内的数据点之间的距离，分别得到每个区间的小邻域半径和大邻域半径，包括的具体步骤如下：
将订单量分布散点图上的任意一个数据点，记为目标点；
在订单量分布散点图上，将目标点分别与其它所有数据点之间的距离中的最小值，记为目标点的最近距离；
将订单量分布散点图上所有数据点的最近距离的均值，记为基础距离；
将任意一个区间，记为目标区间；
将目标区间中以所有数据点的横坐标均值为横坐标值、以所有数据点的纵坐标均值为纵坐标值的数据点，记为目标区间中心点；
在订单量分布散点图上的目标区间中，将到目标区间中心点的距离小于基础距离的数据点，记为参考点；
在订单量分布散点图的横轴方向上，将目标区间中心点左侧的所有参考点，记为左参考点，将目标区间中心点右侧的所有参考点，记为右参考点；
在所有左参考点中，将距离目标区间中心点最小的左参考点，记为左近参考点，将距离目标区间中心点最大的左参考点，记为左远参考点；
在所有右参考点中，将距离目标区间中心点最小的右参考点，记为右近参考点，将距离目标区间中心点最大的右参考点，记为右远参考点；
根据基础距离、目标区间中数据点和参考点的数量、左近参考点到右远参考点的距离、左远参考点到右远参考点的距离，分别得到目标区间的小邻域半径和大邻域半径。
进一步地，所述根据基础距离、目标区间中数据点和参考点的数量、左近参考点到右远参考点的距离、左远参考点到右远参考点的距离，分别得到目标区间的小邻域半径和大邻域半径对应的具体计算公式为：
；
其中为目标区间的小邻域半径，为目标区间的大邻域半径，为基础距离，为左近参考点到右远参考点的距离，为左远参考点到右远参考点的距离，为目标区间中数据点的数量，为目标区间中参考点的数量，为向上取整函数。
进一步地，所述根据每个区间的小邻域半径和大邻域半径，得到待选邻域半径序列和待选邻域半径序列中每个待选邻域半径的最小样本数，包括的具体步骤如下：
将所有区间的小邻域半径中的最小值，记为最小邻域半径；
将所有区间的大邻域半径中的最大值，记为最大邻域半径；
从最小邻域半径开始，进行加1递增的迭代，依次统计每次迭代后的数据，直至到达最大邻域半径，得到一个待选邻域半径序列；
在待选邻域半径序列中，将每个待选邻域半径与预设的数量系数的乘积，记为每个待选邻域半径的最小样本数。
进一步地，所述根据所有区间中的数据构建新订单量分布散点图，包括的具体步骤如下：
在每个区间中，按照时间顺序，依次统计每个时间点上的订单数量，得到每个区间对应的订单量数据序列；
以序数值为横轴、订单数量为纵轴，构建新平面直角坐标系；所述序数值为每个区间对应的订单量数据序列中的序数值；
在所有区间对应的订单量数据序列中，以每个数据的订单量和序数值，确定每个数据对应在新平面直角坐标系上的数据点，根据所有数据对应在新平面直角坐标系上的数据点，得到新订单量分布散点图。
进一步地，所述在新订单量分布散点图上，根据待选邻域半径序列中每个待选邻域半径对应的聚类簇中的数据差异，得到待选邻域半径序列中的每个待选邻域半径的聚类结果评价值，包括的具体步骤如下：
分别对每个区间对应的订单量数据序列进行STL分解，得到每个区间对应的订单量数据序列的周期项和残差项；
将待选邻域半径序列中的任意一个待选邻域半径，记为目标邻域半径；
在新订单量分布散点图中，根据目标邻域半径和目标邻域半径的最小样本数，使用DBSCAN聚类算法进行聚类操作，得到新订单量分布散点图中的若干个聚类簇；
将新订单量分布散点图中的任意一个聚类簇，记为目标簇；
将所有区间对应的订单量数据序列中的任意一个订单量数据序列，记为目标序列；
将目标簇中所有数据点对应的目标序列中的数据，记为目标数据；
根据所有目标数据对应的目标序列的周期项和残差项中的数据差异，得到目标簇中的目标序列的异常程度；
在所有区间对应的订单量数据序列中，将目标簇中的所有订单量数据序列的异常程度的均值，记为目标簇的局部最优异常程度；
在新订单量分布散点图中的所有聚类簇中，计算1减去每个聚类簇的局部最优异常程度的差值，将1分别减去所有聚类簇的局部最优异常程度的差值的均值，记为目标邻域半径的聚类结果评价值。
进一步地，所述根据所有目标数据对应的目标序列的周期项和残差项中的数据差异，得到目标簇中的目标序列的异常程度，包括的具体步骤如下：
将目标序列的残差项中所有数据的均值，记为标准残差值；
在目标序列中，使用一阶导数法，得到若干个局部极值点；
在目标序列的周期项中，使用一阶导数法，得到若干个局部极大值和局部极小值；
在目标序列的周期项中，统计每个局部极大值相邻的两个局部极小值的序数值，将所述序数值的差值的绝对值，记为每个局部极大值的周期值，再统计所述两个局部极小值中的最小值，将每个局部极大值减去所述最小值的差值，记为每个局部极大值的波动值；
将每个局部极大值的波动值除以周期值的商值，记为每个局部极大值的陡峭值；
将所有目标数据对应的目标序列的周期项中的局部极大值，记为参考极大值；
将所有目标数据对应的目标序列的残差项中的数据，记为参考残差数据；
根据所有参考残差数据、所有参考极大值的陡峭值、所有目标数据中的局部极值点的数量，得到目标簇中的目标序列的异常程度对应的具体计算公式为：
；
其中R为目标簇中的目标序列的异常程度，为参考残差数据的数量，为第个参考残差数据，为标准残差值，为参考极大值的数量，为第个参考极大值的陡峭值，为所有参考极大值的陡峭值的均值，为所有目标数据中的局部极值点的数量，为线性归一化函数，为绝对值函数。
进一步地，所述根据订单量分布散点图上所有聚类簇中数据点的横、纵坐标值，得到订单量数据拟合曲线；根据订单量数据拟合曲线，进行基于LTC流程的项目管理，包括的具体步骤如下：
在订单量分布散点图上的每个聚类簇中，将以所有数据点的横坐标均值为横坐标值、以所有数据点的纵坐标均值为纵坐标值的数据点，记为每个聚类簇的中心点；
在订单量分布散点图上，使用最小二乘法对所有聚类簇的中心点进行曲线拟合，得到订单量数据拟合曲线；
根据订单量数据拟合曲线进行数据预测，得到所述一段时间内的下一分钟内的预测订单量；
根据所述一段时间内的下一分钟内的预测订单量，对所述一段时间内的下一分钟进行基于LTC流程的项目管理。
本发明还提出了一种基于LTC流程的项目管理系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述存储器存储的计算机程序，以实现前述所述的一种基于LTC流程的项目管理方法的步骤。
本发明的技术方案的有益效果是：
本发明实施例中，采集订单数据集构建订单量分布散点图，获取待选邻域半径序列和待选邻域半径序列中每个待选邻域半径的最小样本数，其通过计算邻域半径的选取范围和对应的最小样本数，提高了最优邻域半径选取的优异性，从而保障拟合曲线的可信度。构建新订单量分布散点图，在新订单量分布散点图上，根据待选邻域半径序列中每个待选邻域半径对应的聚类簇中的数据差异，得到待选邻域半径序列中的每个待选邻域半径的聚类结果评价值，由此获取最优邻域半径，其通过分析不同邻域半径的聚类效果，得到最好效果对应的邻域半径，由此进一步最优邻域半径选取的优异性，从而得到订单量分布散点图上的若干个聚类簇，由此获取订单量数据拟合曲线，保障了拟合曲线中数据的可信度，使用可信的拟合数据进行分析和预测，从而进行基于LTC流程的项目管理。至此本实施例通过自适应邻域半径和最小样本数，得到较好的聚类效果，提高了订单量数据拟合曲线的可信度，使用可信的拟合数据进行分析和预测，从而提高了基于LTC流程的项目管理的效果。
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的附图。
图1为本发明一种基于LTC流程的项目管理方法的步骤流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种基于LTC流程的项目管理方法及系统，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种基于LTC流程的项目管理方法及系统的具体方案。
请参阅图1，其示出了本发明一个实施例提供的一种基于LTC流程的项目管理方法的步骤流程图，该方法包括以下步骤：
步骤S001：采集一段时间内的客户订单数据，得到一个订单数据集；根据订单数据集构建订单量分布散点图。
本实施例的主要目的是，通过业务需求量时序数据局部的分布变化特征，自适应DBSCAN聚类算法中的邻域半径和最小样本数固定，由此进行聚类操作，得到较准确的聚类结果，从而获得较理想的历史数据拟合曲线作为预测曲线，实现基于LTC流程的项目管理的资源分配优化。其中，LTC的英文全称为Leads to Cash，一种从线索到现金的企业运营管理思想，一个集成的业务流程。DBSCAN的英文全称为Density-Based Spatial Clustering ofApplications with Noise，DBSCAN的中文名称为基于密度的空间聚类算法。
由此先采集一段时间内的客户订单数据，得到一个订单数据集。
所需说明的是：本实施例在第三方电子商务平台中采集客户的订单数据，第三方电子商务平台，如京东、淘宝等。所述一段时间为10天，以此为例进行叙述，其它实施方式中可设置为其它值，本实施例不进行限定。
以时间为横轴、订单数量为纵轴，构建平面直角坐标系。所述时间的单位为分钟，所述订单数量的单位为件数，所述平面直角坐标系的横轴正方向为水平向右。
在平面直角坐标系上，按照时间顺序，根据订单数据集中每个订单的产生时间，统计每分钟内的订单数量，得到订单量分布散点图。
所需说明的是：本实施例设定的时间单位为1分钟，以此为例进行叙述，其它实施方式中可设置为其它值，本实施例不进行限定。当某一分钟内，无订单时，订单量分布散点图中的该时间上无数据点。
步骤S002：将订单量分布散点图沿横轴方向等分为若干个区间；根据每个区间内的数据点之间的距离，分别得到每个区间的小邻域半径和大邻域半径；根据每个区间的小邻域半径和大邻域半径，得到待选邻域半径序列和待选邻域半径序列中每个待选邻域半径的最小样本数。
由于客户不同时段订单量的随机性，会导致固定邻域半径和最小样本数时，聚类结果易陷入局部最优解，因此需要对邻域半径和最小样本数进行自适应。先获得邻域半径的取值范围，以对范围内不同邻域半径获得的聚类结果进行评价，来获得最优的邻域半径对应的聚类结果。再进行评价模型构建，结合聚簇结果，分析每日订单量随着时间的变化曲线波动，由此获得陷入局部最优解异常程度较高的数据聚类簇，从而降低随机性导致数据易陷入局部最优解的缺陷，最终根据聚类结果拟合中心点，获取用于项目管理的拟合预测曲线。
由此数据采集的时间为10天，本实施例预设的等分数量n为10，为例进行叙述，其它实施方式中可设置为其它值，本实施例不进行限定。
将订单量分布散点图沿横轴方向等分为n个区间。
所需说明的是：所述每个区间的横向范围相等，且每个区间内的数据为一天内的采集数据。
将订单量分布散点图沿横轴方向等分的任意一个区间，记为目标区间。
在订单量分布散点图上的目标区间中，将以所有数据点的横坐标均值为横坐标值、以所有数据点的纵坐标均值为纵坐标值的数据点，记为目标区间中心点。
按照上述方式，得到每个区间的中心点。
由于在固定邻域半径下，出现客户订单量较高的随机性，会导致聚类结果易陷入局部最优解，所以需要先获取邻域半径的取值范围。通过获取订单量分布散点图中相邻最近两点的距离的均值，可以获取整体聚类的基础距离。在此基础上使用该距离从中心点开始连接所有中心点周围可以连接到的数据点，可组成n个点簇。以基础距离为一部分，加和求均拟合获得最小最大距离，另一部分的获取如下，对每个区间内的中心点簇中最近两点的欧式距离的均值作为最小邻域半径，获取中心点簇中最远两点的欧式距离，并将区间内的中心点簇外的数据点数量与点簇内的数量作比，该比值越大说明点簇外数据点越多，则需要提升的最大邻域半径的上限越高，因此通过比值加权的点簇内最远欧式距离，获得聚类的最大邻域半径。
将订单量分布散点图上的任意一个数据点，记为目标点。
在订单量分布散点图上，将目标点分别与其它所有数据点之间的距离中的最小值，记为目标点的最近距离。
按照上述方式，得到订单量分布散点图上每个数据点的最近距离。
将订单量分布散点图上所有数据点的最近距离的均值，记为基础距离。
在订单量分布散点图上的目标区间中，将到目标区间中心点的距离小于基础距离的数据点，记为参考点。即所有参考点组成一个点簇。
在订单量分布散点图的横轴方向上，将目标区间中心点左侧的所有参考点，记为左参考点，将目标区间中心点右侧的所有参考点，记为右参考点。
所需说明的是：若左参考点或者右参考点的数量小于2时，后续分析中的数据量较少，因此本实施例取2倍的基础距离进行参考点筛选，其它实施方式中可设置为其它值，本实施例不进行限定，令左参考点和右参考点的数量都不小于2。
在所有左参考点中，将距离目标区间中心点最小的左参考点，记为左近参考点，将距离目标区间中心点最大的左参考点，记为左远参考点。
在所有右参考点中，将距离目标区间中心点最小的右参考点，记为右近参考点，将距离目标区间中心点最大的右参考点，记为右远参考点。
所需说明的是：左近参考点、左远参考点、右近参考点、右远参考点都唯一，若存在多个最小或者最大距离的参考点，则任选一个。
由此可知目标区间的小邻域半径和大邻域半径的计算公式为：
；
其中为目标区间的小邻域半径，为目标区间的大邻域半径，为基础距离，为左近参考点到右远参考点的距离，为左远参考点到右远参考点的距离，为目标区间中数据点的数量，为目标区间中参考点的数量。为向上取整函数。
所需说明的是：为基础距离，是订单量分布散点图上所有数据点的最近距离的均值，其能够根据数据点的分布，较好的自适应密集数据点和离散数据点。为左近参考点到右远参考点的距离，体现了符合基础距离下，中心点两侧距离最近的数据点的距离，故用表示目标区间的小邻域半径。而为左远参考点到右远参考点的距离，体现了符合基础距离下，中心点两侧距离最远的数据点的距离，表示目标区间中心点对应的参考点之外的数据点数量，以为的调整值，防止参考点较小，导致小于。由此用表示目标区间的大邻域半径，向上取整是为了保障邻域半径为整数，方便后续的聚类操作。
按照上述方式，得到每个区间的小邻域半径和大邻域半径。
将所有区间的小邻域半径中的最小值，记为最小邻域半径。
将所有区间的大邻域半径中的最大值，记为最大邻域半径。
从最小邻域半径开始，进行加1递增的迭代，直至到达最大邻域半径，依次统计每次迭代后的数据，得到一个待选邻域半径序列。
已知DBSCAN聚类算法中的邻域半径和最小样本数共同决定聚类的效果。因此本实施例预设的数量系数为1.2，以此为例进行叙述，其它实施方式中可设置为其它值，本实施例不进行限定。由于订单量按照时间顺序排列，因此每个数据点的邻域半径内的数据点数量，最多为邻域半径的2倍，因此预设的数量系数应小于2。
在待选邻域半径序列中，将每个待选邻域半径与预设的数量系数的乘积，记为每个待选邻域半径的最小样本数。
步骤S003：根据所有区间中的数据构建新订单量分布散点图；在新订单量分布散点图上，根据待选邻域半径序列中每个待选邻域半径对应的聚类簇中的数据差异，得到待选邻域半径序列中的每个待选邻域半径的聚类结果评价值。
由于客户订单量的随机性，DBSCAN聚类算法的聚类结果存在陷入局部最优解的异常可能，所以需要构建聚类评价模型，对每个待选邻域半径对应的聚类结果进行评价，获得其中最优的聚类结果对应的待选邻域半径为最优邻域半径。
在目标区间中，按照时间顺序，依次统计每个时间点上的订单量，得到目标区间对应的订单量数据序列。
按照上述方式，得到订单量分布散点图沿横轴方向等分的每个区间对应的订单量数据序列。
以序数值为横轴、订单量为纵轴，构建新平面直角坐标系。所述序数值为所有区间对应的订单量数据序列中的序数值。
在所有区间对应的订单量数据序列中，根据每个数据的订单量和序数值，得到每个数据对应在新平面直角坐标系上的数据点，根据所有数据对应在新平面直角坐标系上的数据点，得到新订单量分布散点图。即新订单量分布散点图中，一个序数值对应10个数据点。
所需说明的是：由于各天采集的数据直接存在一定的像素波动，因此本实施例将每天采集的数据纵向排列在同一坐标系中，进行每天与每天之间的分析。
已知当聚类簇中的数据变化波动存在较强的周期性时，该区域数据变化的波动较为均匀，则其随机性低，对应存在局部最优的风险较低。进一步的，每天的数据变化会呈现不同的周期项，当不同天的数据变化的周期项之间的差异越大，说明该区域整体的均匀性越低，对应该区域为局部最优的可能性会增大。因此通过每个聚类簇部分的非周期性与周期项差异构成特征周期程度，作为聚类簇的局部最优异常程度的特征之一。
在订单量数据序列中，峰值点越多，说明数据变化波动越剧烈，由此会导致局部最优解的可能性越大，因此需要获得聚类簇中数据变化的整体突变程度，其可通过峰值点的个数与每个峰值点的单独突变程度乘积得到，峰值点个数越多，每个峰值点越陡峭，则整体的突变程度越高，该特征可作为聚簇的局部最优异常程度的特征之一。
故局部最优异常程度模型可根据特征周期程度与特征突变程度获取。特征周期程度中的非周期性，通过依次对10天中每天的订单量数据序列进行STL时序分解，分解获得趋势项、周期项、与残差项，残差项中当数据点的差异越小，说明原数据序列中的数据突变程度越小，在此通过10天的订单量数据序列的残差项内各聚类簇中的数据特征，以及再周期项中的周期特征，分析局部最优异常程度。
分别对每个区间对应的订单量数据序列进行STL分解，得到每个区间对应的订单量数据序列的周期项和残差项。
所需说明的是：STL时序分解为公知技术，具体方法在此不做介绍。STL分解的中文全称是季节和趋势分解法，英文全称是Seasonal and Trend decomposition usingLoess。并且经过STL分解后，周期项仍然是一个数据序列。
由此，将待选邻域半径序列中的任意一个待选邻域半径，记为目标邻域半径。
在新订单量分布散点图中，根据目标邻域半径和目标邻域半径的最小样本数，使用DBSCAN聚类算法进行聚类操作，得到新订单量分布散点图中的若干个聚类簇。其中DBSCAN聚类算法为公知技术，具体方法在此不做介绍。
将新订单量分布散点图中的任意一个聚类簇，记为目标簇。
在所有区间对应的订单量数据序列中，将任意一个订单量数据序列，记为目标序列。
将目标序列的残差项中所有数据的均值，记为标准残差值。
在目标序列中，使用一阶导数法，得到若干个局部极值点。
在目标序列的周期项中，使用一阶导数法，得到若干个局部极大值和局部极小值。其中，一阶导数法为公知技术，具体方法在此不做介绍。
将目标序列的周期项中的任意一个局部极大值，记为目标极大值。
在目标序列的周期项中，统计目标极大值相邻的两个局部极小值的序数值，将所述序数值的差值的绝对值，记为目标极大值的周期值。
在目标序列的周期项中，统计目标极大值相邻的两个局部极小值中的最小值，将目标极大值减去所述最小值的差值，记为目标极大值的波动值。
所需说明的是：若目标极大值处于目标序列的周期项首尾是，可能只有一个相邻的局部极小值，则取第一个数据或者最后一个数据与该局部极小值的序数值的差值的绝对值，为目标极大值的周期值。并且将目标极大值减去该局部极小值的差值，记为目标极大值的波动值。
将目标极大值的波动值除以目标极大值的周期值的商值，记为目标极大值的陡峭值。
按照上述方式，得到目标序列的周期项中每个局部极大值的陡峭值。
将目标簇中所有数据点对应的目标序列中的数据，记为目标数据。
将所有目标数据对应的目标序列的周期项中的局部极大值，记为参考极大值。
将所有目标数据对应的目标序列的残差项中的数据，记为参考残差数据。
由此可知目标簇中的目标序列的异常程度R的计算公式为：
；
其中R为目标簇中的目标序列的异常程度，为参考残差数据的数量，为第个参考残差数据，为标准残差值，为参考极大值的数量，为第个参考极大值的陡峭值，为所有参考极大值的陡峭值的均值，为所有目标数据中的局部极值点的数量。为线性归一化函数，将数据值归一化至[0,1]区间内。为绝对值函数。
所需说明的是：越大，说明目标簇中目标序列中的残差数据之间的差异越大，即目标簇中目标序列的数据越异常，越可能造成局部最优。越大，说明目标簇中目标序列中的各数据波动的波动周期和波动幅度的差异越大，即越可能造成局部最优，而S越大，说明目标簇中目标序列中数据波动频率越大，即越可能造成局部最优，因此用的归一化值，表示目标簇中的目标序列的异常程度。R越大，越可能造成局部最优解。
按照上述方式，在所有区间对应的订单量数据序列中，得到目标簇中的每个订单量数据序列的异常程度。
在所有区间对应的订单量数据序列中，将目标簇中的所有订单量数据序列的异常程度的均值，记为目标簇的局部最优异常程度。
按照上述方式，得到新订单量分布散点图中的每个聚类簇的局部最优异常程度。
由此可知目标邻域半径的聚类结果评价值P的计算公式为：
；
其中P为目标邻域半径的聚类结果评价值，为新订单量分布散点图中的第个聚类簇的局部最优异常程度，为新订单量分布散点图中的聚类簇数量。
所需说明的是：越大，说明第个聚类簇陷入局部最优解的可能性越大，即聚类效果越差，因此用所有聚类簇的局部最优异常程度的反比例值的均值，表示目标邻域半径的聚类结果评价值，P越大，聚类效果越好。
按照上述方式，得到待选邻域半径序列中的每个待选邻域半径的聚类结果评价值。
步骤S004：在待选邻域半径序列中，统计所有待选邻域半径的聚类结果评价值中的最大值，将所述最大值对应的待选邻域半径，记为最优邻域半径；在订单量分布散点图上，根据最优邻域半径和最优邻域半径的最小样本数对所有数据点进行聚类操作，得到订单量分布散点图上的若干个聚类簇；根据订单量分布散点图上所有聚类簇中数据点的横、纵坐标值，得到订单量数据拟合曲线；根据订单量数据拟合曲线，进行基于LTC流程的项目管理。
在待选邻域半径序列中，统计所有待选邻域半径的聚类结果评价值中的最大值，将所述最大值对应的待选邻域半径，记为最优邻域半径。
在订单量分布散点图上，根据最优邻域半径和最优邻域半径的最小样本数，使用DBSCAN聚类算法进行聚类操作，得到订单量分布散点图上的若干个聚类簇。
在订单量分布散点图上的每个聚类簇中，将以所有数据点的横坐标均值为横坐标值、以所有数据点的纵坐标均值为纵坐标值的数据点，记为每个聚类簇的中心点。
在订单量分布散点图上，使用最小二乘法对所有聚类簇的中心点进行曲线拟合，得到订单量数据拟合曲线。其中，最小二乘法为公知技术，具体方法在此不做介绍。
由此，可根据订单量数据拟合曲线进行数据预测，得到所述一段时间内的下一分钟内的预测订单量。根据所述一段时间内的下一分钟内的预测订单量，对所述一段时间内的下一分钟进行基于LTC流程的项目管理。
所需说明的是：使用拟合曲线进行数据预测是一种公知的方法，其可以通过已有的数据点拟合出一个函数模型，然后使用该模型来预测下一时刻的数据，具体方法在此不做介绍。由于本实施例采集10天的订单数据，记录每分钟内的订单量，其他实施例，可以采集长时间的订单数据，从而记录每小时或者每两小时内的订单量，由此可通过上述操作，得到未来每小时或者每两小时内的预测订单量，对未来每小时或者每两小时进行一次项目规划，完成未来每小时或者每两小时的项目管理。其根据未来的预测订单量，确定项目目标和范围，并明确项目的关键要素和限制条件，从而制定项目计划，包括工期安排、资源分配和预算等，考虑历史订单数据中的类似项目情况。再根据项目计划，对项目进行资源分配优化，即通过建立线性规划模型，确定最优的资源分配方案，以达到项目目标的最佳效果，以及按照项目计划，按时完成各项任务，并监督项目进展，由此完成基于LTC流程的项目管理。
至此，本发明完成。
综上所述，在本发明实施例中，采集订单数据集构建订单量分布散点图，将订单量分布散点图沿横轴方向等分为若干个区间，获取每个区间的小邻域半径和大邻域半径，从而得到待选邻域半径序列和待选邻域半径序列中每个待选邻域半径的最小样本数，根据所有区间中的数据构建新订单量分布散点图，在新订单量分布散点图上，根据待选邻域半径序列中每个待选邻域半径对应的聚类簇中的数据差异，得到待选邻域半径序列中的每个待选邻域半径的聚类结果评价值，由此获取最优邻域半径，从而得到订单量分布散点图上的若干个聚类簇，由此获取订单量数据拟合曲线，进行基于LTC流程的项目管理。本实施例通过自适应邻域半径和最小样本数，得到较好的聚类效果，提高了订单量数据拟合曲线的可信度，从而提高了基于LTC流程的项目管理的效果。
本发明还提供了一种基于LTC流程的项目管理系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述存储器存储的计算机程序，以实现前述所述的一种基于LTC流程的项目管理方法的步骤。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的原则之内，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 (8)
1.一种基于LTC流程的项目管理方法，其特征在于，该方法包括以下步骤：
采集一段时间内的客户订单数据，得到一个订单数据集；根据订单数据集构建订单量分布散点图；
将订单量分布散点图沿横轴方向等分为若干个区间；根据每个区间内的数据点之间的距离，分别得到每个区间的小邻域半径和大邻域半径；根据每个区间的小邻域半径和大邻域半径，得到待选邻域半径序列和待选邻域半径序列中每个待选邻域半径的最小样本数；
根据所有区间中的数据构建新订单量分布散点图；在新订单量分布散点图上，根据待选邻域半径序列中每个待选邻域半径对应的聚类簇中的数据差异，得到待选邻域半径序列中的每个待选邻域半径的聚类结果评价值；
在待选邻域半径序列中，统计所有待选邻域半径的聚类结果评价值中的最大值，将所述最大值对应的待选邻域半径，记为最优邻域半径；在订单量分布散点图上，根据最优邻域半径和最优邻域半径的最小样本数对所有数据点进行聚类操作，得到订单量分布散点图上的若干个聚类簇；根据订单量分布散点图上所有聚类簇中数据点的横、纵坐标值，得到订单量数据拟合曲线；根据订单量数据拟合曲线，进行基于LTC流程的项目管理；
其中，根据每个区间内的数据点之间的距离，分别得到每个区间的小邻域半径和大邻域半径，包括的具体步骤如下：
将订单量分布散点图上的任意一个数据点，记为目标点；
在订单量分布散点图上，将目标点分别与其它所有数据点之间的距离中的最小值，记为目标点的最近距离；
将订单量分布散点图上所有数据点的最近距离的均值，记为基础距离；
将任意一个区间，记为目标区间；
将目标区间中以所有数据点的横坐标均值为横坐标值、以所有数据点的纵坐标均值为纵坐标值所构成的数据点，记为目标区间中心点；
在订单量分布散点图上的目标区间中，将到目标区间中心点的距离小于基础距离的数据点，记为参考点；
在订单量分布散点图的横轴方向上，将目标区间中心点左侧的所有参考点，记为左参考点，将目标区间中心点右侧的所有参考点，记为右参考点；
在所有左参考点中，将距离目标区间中心点最小的左参考点，记为左近参考点，将距离目标区间中心点最大的左参考点，记为左远参考点；
在所有右参考点中，将距离目标区间中心点最小的右参考点，记为右近参考点，将距离目标区间中心点最大的右参考点，记为右远参考点；
根据基础距离、目标区间中数据点和参考点的数量、左近参考点到右远参考点的距离、左远参考点到右远参考点的距离，分别得到目标区间的小邻域半径和大邻域半径；
其中，根据基础距离、目标区间中数据点和参考点的数量、左近参考点到右远参考点的距离、左远参考点到右远参考点的距离，分别得到目标区间的小邻域半径和大邻域半径对应的计算公式为：
其中为目标区间的小邻域半径，为目标区间的大邻域半径，为基础距离，为左近参考点到右远参考点的距离，为左远参考点到右远参考点的距离，为目标区间中数据点的数量，为目标区间中参考点的数量，为向上取整函数。
2.根据权利要求1所述一种基于LTC流程的项目管理方法，其特征在于，所述根据订单数据集构建订单量分布散点图，包括的具体步骤如下：
以时间为横轴、订单数量为纵轴，构建平面直角坐标系；
在平面直角坐标系上，按照时间顺序，根据订单数据集中每个订单的产生时间，统计每一分钟内的订单数量，得到订单量分布散点图。
3.根据权利要求1所述一种基于LTC流程的项目管理方法，其特征在于，所述根据每个区间的小邻域半径和大邻域半径，得到待选邻域半径序列和待选邻域半径序列中每个待选邻域半径的最小样本数，包括的具体步骤如下：
将所有区间的小邻域半径中的最小值，记为最小邻域半径；
将所有区间的大邻域半径中的最大值，记为最大邻域半径；
从最小邻域半径开始，进行加1递增的迭代，依次统计每次迭代后的数据，直至到达最大邻域半径，得到一个待选邻域半径序列；
在待选邻域半径序列中，将每个待选邻域半径与预设的数量系数的乘积，记为每个待选邻域半径的最小样本数。
4.根据权利要求1所述一种基于LTC流程的项目管理方法，其特征在于，所述根据所有区间中的数据构建新订单量分布散点图，包括的具体步骤如下：
在每个区间中，按照时间顺序，依次统计每个时间点上的订单数量，得到每个区间对应的订单量数据序列；
以序数值为横轴、订单数量为纵轴，构建新平面直角坐标系；所述序数值为每个区间对应的订单量数据序列中的序数值；
在所有区间对应的订单量数据序列中，以每个数据的订单量和序数值，确定每个数据对应在新平面直角坐标系上的数据点，根据所有数据对应在新平面直角坐标系上的数据点，得到新订单量分布散点图。
5.根据权利要求4所述一种基于LTC流程的项目管理方法，其特征在于，所述在新订单量分布散点图上，根据待选邻域半径序列中每个待选邻域半径对应的聚类簇中的数据差异，得到待选邻域半径序列中的每个待选邻域半径的聚类结果评价值，包括的具体步骤如下：
分别对每个区间对应的订单量数据序列进行STL时序分解，得到每个区间对应的订单量数据序列的周期项和残差项；
将待选邻域半径序列中的任意一个待选邻域半径，记为目标邻域半径；
在新订单量分布散点图中，根据目标邻域半径和目标邻域半径的最小样本数，使用DBSCAN聚类算法进行聚类操作，得到新订单量分布散点图中的若干个聚类簇；
将新订单量分布散点图中的任意一个聚类簇，记为目标簇；
将所有区间对应的订单量数据序列中的任意一个订单量数据序列，记为目标序列；
将目标簇中所有数据点对应的目标序列中的数据，记为目标数据；
根据所有目标数据对应的目标序列的周期项和残差项中的数据差异，得到目标簇中的目标序列的异常程度；
在所有区间对应的订单量数据序列中，将目标簇中的所有订单量数据序列的异常程度的均值，记为目标簇的局部最优异常程度；
在新订单量分布散点图中的所有聚类簇中，计算1减去每个聚类簇的局部最优异常程度的差值，将1分别减去所有聚类簇的局部最优异常程度的差值的均值，记为目标邻域半径的聚类结果评价值。
6.根据权利要求5所述一种基于LTC流程的项目管理方法，其特征在于，所述根据所有目标数据对应的目标序列的周期项和残差项中的数据差异，得到目标簇中的目标序列的异常程度，包括的具体步骤如下：
将目标序列的残差项中所有数据的均值，记为标准残差值；
在目标序列的周期项中，使用一阶导数法，得到若干个局部极大值和局部极小值；
在目标序列的周期项中，统计每个局部极大值相邻的两个局部极小值的序数值，将所述序数值的差值的绝对值，记为每个局部极大值的周期值，再统计所述两个局部极小值中的最小值，将每个局部极大值减去所述最小值的差值，记为每个局部极大值的波动值；
将每个局部极大值的波动值除以周期值的商值，记为每个局部极大值的陡峭值；
将所有目标数据对应的目标序列的周期项中的局部极大值，记为参考极大值；
将所有目标数据对应的目标序列的残差项中的数据，记为参考残差数据；
根据所有参考残差数据、所有参考极大值的陡峭值、所有目标数据中的局部极值点的数量，得到目标簇中的目标序列的异常程度对应的计算公式为：
其中R为目标簇中的目标序列的异常程度，为参考残差数据的数量，为第个参考残差数据，为标准残差值，为参考极大值的数量，为第个参考极大值的陡峭值，为所有参考极大值的陡峭值的均值，为所有目标数据中的局部极值点的数量，为线性归一化函数，为绝对值函数。
7.根据权利要求1所述一种基于LTC流程的项目管理方法，其特征在于，所述根据订单量分布散点图上所有聚类簇中数据点的横、纵坐标值，得到订单量数据拟合曲线；根据订单量数据拟合曲线，进行基于LTC流程的项目管理，包括的具体步骤如下：
在订单量分布散点图上的每个聚类簇中，将以所有数据点的横坐标均值为横坐标值、以所有数据点的纵坐标均值为纵坐标值的数据点，记为每个聚类簇的中心点；
在订单量分布散点图上，使用最小二乘法对所有聚类簇的中心点进行曲线拟合，得到订单量数据拟合曲线；
根据订单量数据拟合曲线进行数据预测，得到所述一段时间内的下一分钟内的预测订单量；
根据所述一段时间内的下一分钟内的预测订单量，对所述一段时间内的下一分钟进行基于LTC流程的项目管理。
8.一种基于LTC流程的项目管理系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-7中任一项所述的一种基于LTC流程的项目管理方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410033045.2A CN117541200B (zh) | 2024-01-10 | 2024-01-10 | 一种基于ltc流程的项目管理方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410033045.2A CN117541200B (zh) | 2024-01-10 | 2024-01-10 | 一种基于ltc流程的项目管理方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117541200A CN117541200A (zh) | 2024-02-09 |
| CN117541200B true CN117541200B (zh) | 2024-03-29 |
Family
ID=89792373
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410033045.2A Active CN117541200B (zh) | 2024-01-10 | 2024-01-10 | 一种基于ltc流程的项目管理方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117541200B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112990610A (zh) * | 2021-05-06 | 2021-06-18 | 北京工业大学 | 一种基于多元线性回归预测火车站出租车运力需求的方法 |
| CN113642861A (zh) * | 2021-07-29 | 2021-11-12 | 上海东普信息科技有限公司 | 订单分配方法、装置、设备及存储介质 |
| CN113722617A (zh) * | 2021-09-30 | 2021-11-30 | 京东城市(北京)数字科技有限公司 | 企业实际办公地址的识别方法、装置及电子设备 |
| KR20220121074A (ko) * | 2021-02-24 | 2022-08-31 | 주식회사 그로비 | 머신 러닝에 기반하는 수요 예측 시스템 및 수요 예측 방법 |
| CN116071102A (zh) * | 2023-03-01 | 2023-05-05 | 国网能源研究院有限公司 | 一种基于订单的电力变压器供应预警方法及系统 |
| CN116739645A (zh) * | 2023-07-26 | 2023-09-12 | 淄博海草软件服务有限公司 | 基于企业管理的订单异常监督系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113780691B (zh) * | 2020-06-09 | 2023-09-29 | 富泰华工业（深圳）有限公司 | 数据测试方法、装置、电子设备及存储介质 |
-
2024
- 2024-01-10 CN CN202410033045.2A patent/CN117541200B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20220121074A (ko) * | 2021-02-24 | 2022-08-31 | 주식회사 그로비 | 머신 러닝에 기반하는 수요 예측 시스템 및 수요 예측 방법 |
| CN112990610A (zh) * | 2021-05-06 | 2021-06-18 | 北京工业大学 | 一种基于多元线性回归预测火车站出租车运力需求的方法 |
| CN113642861A (zh) * | 2021-07-29 | 2021-11-12 | 上海东普信息科技有限公司 | 订单分配方法、装置、设备及存储介质 |
| CN113722617A (zh) * | 2021-09-30 | 2021-11-30 | 京东城市(北京)数字科技有限公司 | 企业实际办公地址的识别方法、装置及电子设备 |
| CN116071102A (zh) * | 2023-03-01 | 2023-05-05 | 国网能源研究院有限公司 | 一种基于订单的电力变压器供应预警方法及系统 |
| CN116739645A (zh) * | 2023-07-26 | 2023-09-12 | 淄博海草软件服务有限公司 | 基于企业管理的订单异常监督系统 |
Non-Patent Citations (1)
| Title |
|---|
| 约束聚类下的B2C电商物流网络区域聚合;高宝鑫 等;《哈尔滨商业大学学报(自然科学版)》;20160215;第32期(第01期);第71-75页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117541200A (zh) | 2024-02-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110503256B (zh) | 基于大数据技术的短期负荷预测方法及系统 | |
| Jin et al. | Comparison of clustering techniques for residential energy behavior using smart meter data | |
| CN111324642A (zh) | 一种面向电网大数据分析的模型算法选型与评价方法 | |
| CN116523262B (zh) | 基于大数据的生产计划智能规划方法、系统和介质 | |
| CN116805785B (zh) | 基于随机聚类的电力负荷层次时间序列预测方法 | |
| CN113515512B (zh) | 一种工业互联网平台数据的质量治理及提升方法 | |
| CN117078048B (zh) | 基于数字孪生的智慧城市资源管理方法及系统 | |
| CN111915083B (zh) | 一种基于时间分层组合的风电功率预测方法及预测系统 | |
| CN116976707A (zh) | 基于用电信息采集的用户用电数据异常分析方法及系统 | |
| CN112712203A (zh) | 一种配电网日最高负荷预测方法和系统 | |
| CN110555058A (zh) | 基于改进决策树的电力通信设备状态的预测方法 | |
| CN113744089B (zh) | 一种台区户变关系辨识方法及设备 | |
| CN116361679A (zh) | 基于数据驱动的电缆寿命智能预测方法及系统 | |
| CN117649027B (zh) | 基于智慧车站的数据处理方法及系统 | |
| CN112258337A (zh) | 一种自我补全修正的基站能耗模型预测方法 | |
| CN118229459B (zh) | 基于数据处理的水源调度优化方法 | |
| CN116187835A (zh) | 一种基于数据驱动的台区理论线损区间估算方法及系统 | |
| CN114519651A (zh) | 基于电力大数据的智能配电方法 | |
| CN118037000A (zh) | 基于数字经济的城市资源动态调度方法及系统 | |
| CN117851908B (zh) | 一种改进的在线低压台区电能表失准监测方法及装置 | |
| Wang et al. | Semi-empirical service composition: A clustering based approach | |
| Ho et al. | An adaptive information-theoretic approach for identifying temporal correlations in big data sets | |
| CN117541200B (zh) | 一种基于ltc流程的项目管理方法及系统 | |
| CN110175705B (zh) | 一种负荷预测方法及包含该方法的存储器、系统 | |
| Horton et al. | Clustering simulated snow profiles to form avalanche forecast regions |
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 |