CN117634777A - 价值属性值预测方法、装置、电子设备和计算机可读介质 - Google Patents
价值属性值预测方法、装置、电子设备和计算机可读介质 Download PDFInfo
- Publication number
- CN117634777A CN117634777A CN202311475325.0A CN202311475325A CN117634777A CN 117634777 A CN117634777 A CN 117634777A CN 202311475325 A CN202311475325 A CN 202311475325A CN 117634777 A CN117634777 A CN 117634777A
- Authority
- CN
- China
- Prior art keywords
- value
- target
- sequence
- information
- predicted
- 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
- 238000000034 method Methods 0.000 title claims abstract description 50
- 239000000463 material Substances 0.000 claims abstract description 491
- 239000013077 target material Substances 0.000 claims abstract description 179
- 238000012549 training Methods 0.000 claims description 53
- 230000004044 response Effects 0.000 claims description 45
- 238000012545 processing Methods 0.000 claims description 16
- 230000005611 electricity Effects 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 8
- 239000002699 waste material Substances 0.000 abstract description 15
- 230000006870 function Effects 0.000 description 37
- 238000010586 diagram Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 230000015654 memory Effects 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 3
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 2
- HCHKCACWOHOZIP-UHFFFAOYSA-N Zinc Chemical compound [Zn] HCHKCACWOHOZIP-UHFFFAOYSA-N 0.000 description 2
- 229910052802 copper Inorganic materials 0.000 description 2
- 239000010949 copper Substances 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000008014 freezing Effects 0.000 description 2
- 238000007710 freezing Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000010959 steel Substances 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 229910052725 zinc Inorganic materials 0.000 description 2
- 239000011701 zinc Substances 0.000 description 2
- 239000000835 fiber Substances 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开的实施例公开了价值属性值预测方法、装置、电子设备和计算机可读介质。该方法的一具体实施方式包括:对材料基本信息序列集中满足预设合并条件的各个材料基本信息进行合并处理;对于目标材料信息序列集中的每个目标材料信息序列,执行以下输入步骤:将目标材料信息序列输入至第一价值属性值预测模型中;将目标材料信息序列输入至第二价值属性值预测模型中;将目标材料信息序列输入至第三价值属性值预测模型中;确定目标预测价值属性值序列;对于目标预测材料价值属性值组序列中的每个目标预测材料价值属性值组,执行以下调度步骤:确定目标材料标识集;调度运输车辆从材料供应端处调度材料至目标供应端。该实施方式可以减少调度资源的浪费。
Description
技术领域
本公开的实施例涉及计算机技术领域,具体涉及价值属性值预测方法、装置、电子设备和计算机可读介质。
背景技术
可以根据预测出各个材料的价值属性值来调整运输各个材料的策略,以便向供应端运输价值属性值较低的材料。目前,预测价值属性值,通常采用的方式为:将历史的价值属性值作为预测价值属性值,或通过单一时间序列预测模型预测出当前时间的价值属性值。
然而,采用上述方式通常存在以下技术问题:
第一,将历史的价值属性值作为预测价值属性值,导致预测价值属性值的准确度较低,导致通过调度运输车辆运输的材料不符合供应端需求,浪费了调度资源;
第二,由于不同的时间序列预测模型预测出的价值属性值均不相同,通过单一模型预测出的价值属性值的准确度较低,导致通过调度运输车辆向供应端运输的材料不符合供应端需求,浪费了调度资源;
第三,通过时间序列预测模型仅能预测出当前时间的价值属性值,之后每次调度运输设备运输材料时,均需要耗费计算资源再次调用时间序列预测模型预测价值属性值,导致浪费了计算资源;
第四,预测出价值属性值后,可以调度预设数量的运输车辆运输价值属性值较低的材料,当调度的运输车辆较少时,需要反复调度运输车辆,浪费了调度时间。
该背景技术部分中所公开的以上信息仅用于增强对本发明构思的背景的理解,并因此,其可包含并不形成本国的本领域普通技术人员已知的现有技术的信息。
发明内容
本公开的内容部分用于以简要的形式介绍构思,这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征,也不旨在用于限制所要求的保护的技术方案的范围。
本公开的一些实施例提出了运输车辆调度方法、装置、电子设备和计算机可读介质,来解决以上背景技术部分提到的技术问题中的一项或多项。
第一方面,本公开的一些实施例提供了一种价值属性值预测方法,该方法包括:获取每个材料的材料基本信息序列,得到材料基本信息序列集,其中,上述材料基本信息序列集中的材料基本信息包括:材料标识、材料体积信息、材料价值属性值和用电量;响应于接收到用户终端发送的目标时间粒度,对上述材料基本信息序列集中满足预设合并条件的各个材料基本信息进行合并处理,以生成目标材料信息序列集;对于上述目标材料信息序列集中的每个目标材料信息序列,执行以下输入步骤:将上述目标材料信息序列输入至预先训练的第一价值属性值预测模型中,得到第一预测价值属性值序列;将上述目标材料信息序列输入至预先训练的第二价值属性值预测模型中,得到第二预测价值属性值序列;将上述目标材料信息序列输入至预先训练的第三价值属性值预测模型中,得到第三预测价值属性值序列;基于上述第一预测价值属性值序列、上述第二预测价值属性值序列和上述第三预测价值属性值序列,确定目标预测价值属性值序列;将所确定的各个目标预测价值属性值序列进行组合处理,以生成目标预测材料价值属性值组序列;对于上述目标预测材料价值属性值组序列中的每个目标预测材料价值属性值组,执行以下调度步骤:将上述目标预测材料价值属性值组中满足预设运输条件的至少一个目标预测材料价值属性值、对应的至少一个材料标识、确定为目标材料标识集;获取每个材料供应端的材料供应端信息,得到材料供应端信息集,其中,上述材料供应端信息集中的材料供应端信息包括:材料供应端标识、材料数量信息组,材料数量信息组中的材料数量信息包括:材料标识、材料数量;响应于接收到目标供应端发送的材料申请信息,基于上述材料申请信息、上述材料供应端信息集、上述目标材料标识集,调度运输车辆从材料供应端处调度材料至上述目标供应端。
第二方面,本公开的一些实施例提供了一种价值属性值预测装置,装置包括:获取单元,被配置成获取每个材料的材料基本信息序列,得到材料基本信息序列集,其中,上述材料基本信息序列集中的材料基本信息包括:材料标识、材料体积信息、材料价值属性值和用电量;合并单元,被配置成响应于接收到用户终端发送的目标时间粒度,对上述材料基本信息序列集中满足预设合并条件的各个材料基本信息进行合并处理,以生成目标材料信息序列集;输入单元,被配置成对于上述目标材料信息序列集中的每个目标材料信息序列,执行以下输入步骤:将上述目标材料信息序列输入至预先训练的第一价值属性值预测模型中,得到第一预测价值属性值序列;将上述目标材料信息序列输入至预先训练的第二价值属性值预测模型中,得到第二预测价值属性值序列;将上述目标材料信息序列输入至预先训练的第三价值属性值预测模型中,得到第三预测价值属性值序列;基于上述第一预测价值属性值序列、上述第二预测价值属性值序列和上述第三预测价值属性值序列,确定目标预测价值属性值序列;组合单元,被配置成将所确定的各个目标预测价值属性值序列进行组合处理,以生成目标预测材料价值属性值组序列;调度单元,被配置成对于上述目标预测材料价值属性值组序列中的每个目标预测材料价值属性值组,执行以下调度步骤:将上述目标预测材料价值属性值组中满足预设运输条件的至少一个目标预测材料价值属性值、对应的至少一个材料标识、确定为目标材料标识集;获取每个材料供应端的材料供应端信息,得到材料供应端信息集,其中,上述材料供应端信息集中的材料供应端信息包括:材料供应端标识、材料数量信息组,材料数量信息组中的材料数量信息包括:材料标识、材料数量;响应于接收到目标供应端发送的材料申请信息,基于上述材料申请信息、上述材料供应端信息集、上述目标材料标识集,调度运输车辆从材料供应端处调度材料至上述目标供应端。
第三方面,本公开的一些实施例提供了一种电子设备,包括:一个或多个处理器;存储装置,其上存储有一个或多个程序,当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现上述第一方面任一实现方式所描述的方法。
第四方面,本公开的一些实施例提供了一种计算机可读介质,其上存储有计算机程序,其中,程序被处理器执行时实现上述第一方面任一实现方式所描述的方法。
本公开的上述各个实施例具有如下有益效果:通过本公开的一些实施例的价值属性值预测方法,可以减少调度资源的浪费。具体来说,造成浪费了调度资源的原因在于:将历史的价值属性值作为预测价值属性值,导致预测价值属性值的准确度较低,导致通过调度运输车辆运输的材料不符合用户需求。基于此,本公开的一些实施例的价值属性值预测方法,首先,获取每个材料的材料基本信息序列,得到材料基本信息序列集。其次,响应于接收到用户终端发送的目标时间粒度,对上述材料基本信息序列集中满足预设合并条件的各个材料基本信息进行合并处理,以生成目标材料信息序列集。由此,可以根据用户需求进行不同时间粒度的预测。接着,对于上述目标材料信息序列集中的每个目标材料信息序列,执行以下输入步骤:将上述目标材料信息序列输入至预先训练的第一价值属性值预测模型中,得到第一预测价值属性值序列;将上述目标材料信息序列输入至预先训练的第二价值属性值预测模型中,得到第二预测价值属性值序列;将上述目标材料信息序列输入至预先训练的第三价值属性值预测模型中,得到第三预测价值属性值序列;基于上述第一预测价值属性值序列、上述第二预测价值属性值序列和上述第三预测价值属性值序列,确定目标预测价值属性值序列。由此,可以通过第一价值属性值预测模型、第二价值属性值预测模型和第三价值属性值预测模型预测出较为准确的目标预测价值属性值序列。之后,将所确定的各个目标预测价值属性值序列进行组合处理,以生成目标预测材料价值属性值组序列。由此,可以得到目标预测材料价值属性值组序列,以便后续选择不同的材料进行运输。最后,对于上述目标预测材料价值属性值组序列中的每个目标预测材料价值属性值组,执行以下调度步骤:将上述目标预测材料价值属性值组中满足预设运输条件的至少一个目标预测材料价值属性值、对应的至少一个材料标识、确定为目标材料标识集;获取每个材料供应端的材料供应端信息,得到材料供应端信息集;响应于接收到目标供应端发送的材料申请信息,基于上述材料申请信息、上述材料供应端信息集、上述目标材料标识集,调度运输车辆从材料供应端处调度材料至上述目标供应端。由此,可以调度运输车辆从材料供应端处调度较为符合供应端需求的材料。因此,可以根据预测出的较为准确的目标预测价值属性值序列,调度运输车辆运输符合供应端需求的材料。从而,可以减少调度资源的浪费。
附图说明
结合附图并参考以下具体实施方式,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中,相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的,原件和元素不一定按照比例绘制。
图1是根据本公开的价值属性值预测方法的一些实施例的流程图;
图2是根据本公开的价值属性值预测装置的一些实施例的结构示意图;
图3是适于用来实现本公开的一些实施例的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例。相反,提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。
需要注意,本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
下面将参考附图并结合实施例来详细说明本公开。
参考图1,示出了根据本公开的价值属性值预测方法的一些实施例的流程100。该价值属性值预测方法,包括以下步骤:
步骤101,获取每个材料的材料基本信息序列,得到材料基本信息序列集。
在一些实施例中,价值属性值预测方法的执行主体(例如计算设备)可以通过有线连接或无线连接的方式从终端设备中获取每个材料的材料基本信息序列,得到材料基本信息序列集。其中,上述材料基本信息序列集中的材料基本信息可以包括但不限于以下至少一项:材料标识、材料体积信息、材料价值属性值和用电量。材料标识可以唯一确定一个材料。材料体积信息可以表征材料的体积。材料价值属性值可以是材料的价值属性值(价格)。用电量可以是使用上述材料生产电力设备的供应端的所使用的电量。供应端可以是使用材料生产电力设备的终端。例如,材料可以是但不限于:铜、锌、钢。电力设备可以是但不限于:变压器、互感器。
实践中,上述执行主体可以通过以下步骤获取每个材料的材料基本信息序列,得到材料基本信息序列集:
第一步,获取第一材料在预设时间段内每个时间粒度的第一材料基本信息,得到第一材料基本信息序列。其中,第一材料基本信息序列中的第一材料基本信息可以包括但不限于以下至少一项:材料价值属性值、用电量。例如,第一材料可以是铜。例如,预设时间段可以是但不限于:2022.1.1-2023.1.1、2022.5.1-2023.5.1。例如,时间粒度可以是:一天。
第二步,获取第二材料在上述预设时间段内每个时间粒度的第二材料基本信息,得到第二材料基本信息序列。其中,第二材料基本信息序列中的第二材料基本信息可以包括但不限于以下至少一项:材料价值属性值、用电量。例如,第二材料可以是锌。
第三步,获取第三材料在上述预设时间段内每个时间粒度的第三材料基本信息,得到第三材料基本信息序列。其中,第三材料基本信息序列中的第三材料基本信息可以包括但不限于以下至少一项:材料价值属性值、用电量。例如,第三材料可以是钢。
第四步,将上述第一材料基本信息序列、上述第二材料基本信息序列和上述第三材料基本信息序列添加至材料基本信息序列集中,其中,上述材料基本信息序列集初始为空。
步骤102,响应于接收到用户终端发送的目标时间粒度,对材料基本信息序列集中满足预设合并条件的各个材料基本信息进行合并处理,以生成目标材料信息序列集。
在一些实施例中,上述执行主体可以响应于接收到用户终端发送的目标时间粒度,对上述材料基本信息序列集中满足预设合并条件的各个材料基本信息进行合并处理,以生成目标材料信息序列集。其中,用户终端可以是查看预测出的价值属性值的终端。例如,目标时间粒度可以是但不限于:一天、一周、一个月。例如,当目标时间粒度是一天时,上述预设合并条件可以是材料基本信息序列中日期相同的各个材料基本信息序列。例如,当目标时间粒度是一周时,上述预设合并条件可以是材料基本信息序列中星期数相同的各个材料基本信息。例如,当目标时间粒度是一个月时,上述预设合并条件可以是材料基本信息序列中月份相同的各个材料基本信息。实践中,响应于接收到用户终端发送的目标时间粒度,首先,对于上述材料基本信息序列集中的每个材料基本信息序列,上述执行主体可以执行以下步骤:第一,对上述材料基本信息序列集中满足预设合并条件的各个材料基本信息包括的各个材料价值属性值的平均值确定为目标材料价值属性值。第二,对上述材料基本信息序列集中满足预设合并条件的各个材料基本信息包括的各个用电量的平均值确定为目标用电量。第三,对于所确定的每个目标材料价值属性值,将上述目标材料价值属性值和对应上述目标材料价值属性值的目标用电量组合为目标材料信息。第四,将所组合的各个目标材料信息确定为目标材料信息序列。这里,目标材料信息序列中目标材料信息的排列顺序可以是时间顺序。然后,上述执行主体可以将所确定的各个目标材料信息序列确定为目标材料信息序列集。
步骤103,对于目标材料信息序列集中的每个目标材料信息序列,执行以下输入步骤:
步骤1031,将目标材料信息序列输入至预先训练的第一价值属性值预测模型中,得到第一预测价值属性值序列。
在一些实施例中,上述执行主体可以将上述目标材料信息序列输入至预先训练的第一价值属性值预测模型中,得到第一预测价值属性值序列。其中,上述第一预测价值属性值序列可以是通过第一价值属性值预测模型预测出的包括预设个数的第一预测价值属性值(预测价格)。例如,上述预设个数可以是7。上述第一价值属性值预测模型可以是预先训练的以目标材料信息序列为输入,以第一预测价值属性值序列为输出的时间序列预测模型。
可选地,预先训练的第一价值属性值预测模型可以是通过以下步骤训练得到的:
第一步,获取第一训练样本集。
在一些实施例中,上述执行主体可以通过有线连接或无线连接的方式从终端设备中获取第一训练样本集。其中,上述第一训练样本集中的第一训练样本可以包括:样本目标材料信息序列和样本第一预测价值属性值序列。
第二步,确定第一初始价值属性值预测模型。
在一些实施例中,上述执行主体可以确定第一初始价值属性值预测模型。其中,上述第一初始价值属性值预测模型可以包括但不限于以下至少一项:第一初始预测模型、第一初始合并模型。
上述第一初始预测模型可以是以样本目标材料信息序列为输入,以第一初始预测值为输出的时间序列预测模型。这里,第一初始预测值可以是通过第一初始预测模型预测出的价值属性值(预测价格)。例如,上述第一初始预测模型可以是VAR模型(vectorautoregressive model,向量自回归模型)。
上述第一初始合并模型可以是以各个第一初始预测值为输入,以初始第一预测价值属性值序列为输出的排序模型。例如,上述初始合并模型可以用于:将各个第一初始预测值按照第一初始预测值生成时间的先后顺序、进行排序后生成初始第一预测价值属性值序列。
第三步,确定输入数值。
在一些实施例中,上述执行主体可以确定输入数值。其中,输入数值可以表征将样本目标材料信息序列输入第一初始预测模型的次数。例如,输入数值初始可以为0。
第四步,从上述第一训练样本集中选取第一训练样本。
在一些实施例中,上述执行主体可以从上述第一训练样本集中选取第一训练样本。实践中,上述执行主体可以随机从上述第一训练样本集中选取第一训练样本。
第五步,对于所选取的第一训练样本包括的样本目标材料信息序列,执行以下添加步骤:
第一子步骤,将样本目标材料信息序列输入至上述第一初始预测模型中,得到第一初始预测值。
第二子步骤,将输入数值更新为预设次数与输入数值的和。
第三子步骤,将第一初始预测值添加至样本目标材料信息序列中,以对样本目标材料信息序列进行更新。
第四子步骤,响应于确定更新后的输入数值大于等于预设数量,将上述第一初始预测模型输出的各个第一初始预测值输入至上述第一初始合并模型中,得到初始第一预测价值属性值序列。
第六步,响应于确定更新后的输入数值小于上述预设数量,将更新后的样本目标材料信息序列确定为样本目标材料信息序列,以及将更新后的输入数值确定为输入数值,以供再次执行上述添加步骤。
在一些实施例中,上述执行主体可以响应于确定更新后的输入数值小于上述预设数量,将更新后的样本目标材料信息序列确定为样本目标材料信息序列,以及将更新后的输入数值确定为输入数值,以供再次执行上述添加步骤。
第七步,基于预设的第一损失函数,确定上述初始第一预测价值属性值序列与所选取的第一训练样本包括的样本第一预测价值属性值序列之间的第一差异值。
在一些实施例中,基于预设的第一损失函数,上述执行主体可以确定上述初始第一预测价值属性值序列与所选取的第一训练样本包括的样本第一预测价值属性值序列之间的第一差异值。其中,预设的第一损失函数可以是但不限于:均方误差损失函数(MSE)、交叉熵损失函数(CrossEntropy)、0-1损失函数、绝对值损失函数、log对数损失函数、平方损失函数、指数损失函数等。
第八步,响应于确定上述第一差异值小于等于第一预设差异值,调整上述第一初始价值属性值预测模型的网络参数。
在一些实施例中,响应于确定上述第一差异值小于等于第一预设差异值,上述执行主体可以调整上述第一初始价值属性值预测模型的网络参数。例如,可以对上述第一差异值和第一预设差异值求差值。在此基础上,利用反向传播、随机梯度下降等方法将误差值从模型的最后一层向前传递,以调整每一层的参数。当然根据需要,也可以采用网络冻结(dropout)的方法,对其中的一些层的网络参数保持不变,不进行调整,对此,不做任何限定。其中,对于第一预设差异值的设定,不作限定,例如,第一预设差异值可以是0.1。
可选地,响应于确定上述第一差异值大于上述第一预设差异值,将上述第一初始价值属性值预测模型确定为训练后的第一价值属性值预测模型。
在一些实施例中,上述执行主体可以响应于确定上述第一差异值大于上述第一预设差异值,将上述第一初始价值属性值预测模型确定为训练后的第一价值属性值预测模型。
步骤1032,将目标材料信息序列输入至预先训练的第二价值属性值预测模型中,得到第二预测价值属性值序列。
在一些实施例中,上述执行主体可以将上述目标材料信息序列输入至预先训练的第二价值属性值预测模型中,得到第二预测价值属性值序列。上述第二预测价值属性值序列中的第二预测价值属性值可以对应上述第一预测价值属性值序列中的第一预测价值属性值。其中,上述第二预测价值属性值序列可以是通过第二价值属性值预测模型预测出的包括上述预设个数的第二预测价值属性值(预测价格)。上述第二价值属性值预测模型可以是预先训练的以目标材料信息序列为输入,以第二预测价值属性值序列为输出的时间序列预测模型。
可选地,预先训练的第二价值属性值预测模型可以是通过以下步骤训练得到的:
第一步,获取第二训练样本集。
在一些实施例中,上述执行主体可以通过有线连接或无线连接的方式从终端设备中获取第二训练样本集。其中,上述训练样本集中的训练样本可以包括:样本目标材料信息序列和样本第二预测价值属性值序列。
第二步,确定第二初始价值属性值预测模型。
在一些实施例中,上述执行主体可以确定第二初始价值属性值预测模型。其中,上述第二初始价值属性值预测模型可以包括但不限于以下至少一项:第二初始预测模型、第三初始预测模型和第二初始合并模型。
上述第二初始预测模型可以是以样本目标材料信息序列为输入,以第二初始预测值序列为输出的时间序列预测模型。这里,第二初始预测值序列可以是通过第二初始预测模型预测出的包括上述预设个数的价值属性值(预测价格)。例如,上述第二初始预测模型可以是ARIMA模型(Autoregressive Integrated Moving Average Model,自回归差分移动平均模型)。
上述第三初始预测模型可以是以样本目标材料信息序列为输入,以第三初始预测值序列为输出的第一自定义模型。这里,第三初始预测值序列可以是通过第三初始预测模型预测出的包括上述预设个数的价值属性值(预测价格)。上述第一自定义模型可以分为三层:
第一层:输入层,用于接收样本目标材料信息序列,以及将样本目标材料信息序列输入至第二层。
第二层,处理层,包括第一子模型和第二子模型。第一子模型可以是以样本目标材料信息序列为输入,以起始第一预测值序列为输出的模型。其中,起始第一预测值序列可以是通过第一子模型输出的包括上述预设个数的价值属性值(预测价格)。例如,第一子模型可以是Holt-Winters(三次指数平滑法)模型。第二子模型可以是以样本目标材料信息序列为输入,以起始第二预测值序列为输出的模型。其中,起始第二预测值序列可以是通过第二子模型输出的包括上述预设个数的价值属性值(预测价格)。例如,第二子模型可以是Facebook Prophet(脸书先知)模型。这里,上述起始第一预测值序列中的起始第一预测值可以对应上述起始第二预测值序列中的起始第二预测值。
第三层,输出层,用于将第一子模型的输出的第二子模型的输出的平均值确定为第三初始预测值序列以作为整个第一自定义模型的输出。例如,首先,对于起始第一预测值序列中的每个起始第一预测值,将上述起始第一预测值和起始第二预测值序列中与上述起始第一预测值的平均值确定为第三初始预测值;然后,将所确定的各个第三初始预测值确定为第三初始预测值序列。
上述第二初始合并模型可以是以第二初始预测值序列和第三初始预测值序列为输入,以初始第二预测价值属性值序列为输出的模型。例如,上述第二初始合并模型可以用于:首先,对于第二初始预测值序列中的每个第二初始预测值,将上述第二初始预测值和第三初始预测值序列中与上述第二初始预测值对应的第三初始预测值的平均值确定为初始第二预测价值属性值;然后,将所确定的各个初始第二预测价值属性值确定为初始第二预测价值属性值序列。
第三步,从上述第二训练样本集中选取第二训练样本。
在一些实施例中,上述执行主体可以从上述第二训练样本集中选取第二训练样本。实践中,上述执行主体可以随机从上述第二训练样本集中选取第二训练样本。
第四步,将所选取的第二训练样本包括的样本目标材料信息序列输入至上述第二初始预测模型中,得到第二初始预测值序列。
在一些实施例中,上述执行主体可以将所选取的第二训练样本包括的样本目标材料信息序列输入至上述第二初始预测模型中,得到第二初始预测值序列。
第五步,将所选取的第二训练样本包括的样本目标材料信息序列输入至上述第三初始预测模型中,得到第三初始预测值序列。
在一些实施例中,上述执行主体可以将所选取的第二训练样本包括的样本目标材料信息序列输入至上述第三初始预测模型中,得到第三初始预测值序列。
第六步,将上述第二初始预测值序列和上述第三初始预测值序列输入至上述第二初始合并模型中,得到初始第二预测价值属性值序列。
在一些实施例中,上述执行主体可以将上述第二初始预测值序列和上述第三初始预测值序列输入至上述第二初始合并模型中,得到初始第二预测价值属性值序列。
第七步,基于预设的第二损失函数,确定上述初始第二预测价值属性值序列与所选取的第二训练样本包括的样本第二预测价值属性值序列之间的第二差异值。
在一些实施例中,基于预设的第二损失函数,上述执行主体可以确定上述初始第二预测价值属性值序列与所选取的第二训练样本包括的样本第二预测价值属性值序列之间的第二差异值。其中,预设的第二损失函数可以是但不限于:均方误差损失函数(MSE)、交叉熵损失函数(CrossEntropy)、0-1损失函数、绝对值损失函数、log对数损失函数、平方损失函数、指数损失函数等。
第八步,响应于确定上述第二差异值小于等于第二预设差异值,调整上述第二初始价值属性值预测模型的网络参数。
在一些实施例中,响应于确定上述第二差异值小于等于第二预设差异值,上述执行主体可以调整上述初始用电负荷预测信息模型的网络参数。例如,可以对上述第二差异值和第二预设差异值求差值。在此基础上,利用反向传播、随机梯度下降等方法将误差值从模型的最后一层向前传递,以调整每一层的参数。当然根据需要,也可以采用网络冻结(dropout)的方法,对其中的一些层的网络参数保持不变,不进行调整,对此,不做任何限定。其中,对于第二预设差异值的设定,不作限定,例如,第二预设差异值可以是0.1。
步骤1032中的可选的技术内容结合步骤105中的技术内容作为本公开的实施例的一个发明点,解决了背景技术提及的技术问题二“浪费了调度资源”。浪费了调度资源的因素往往如下:由于不同的时间序列预测模型预测出的价值属性值均不相同,通过单一模型预测出的价值属性值的准确度较低,导致通过调度运输车辆向供应端运输的材料不符合供应端需求。如果解决了上述因素,就能达到可以减少调度资源浪费的效果。为了达到这一效果,首先,可以通过第二初始预测模型得到较为准确的第二初始预测值序列。然后,可以通过第三初始预测模型得到考虑了第一子模型和第二子模型的较为准确的第三初始预测值序列。最后,可以通过第二初始合并模型得到考虑了第二初始预测模型和第三初始预测模型两个模型的较为准确的第二预测价值属性值序列。由此,可以通过训练第二初始价值属性值预测模型得到较为准确的第二预测价值属性值序列。从而,可以调度运输车辆向供应端运输较为符合供应端需求的材料。因此,可以减少调度资源的浪费。
可选地,响应于确定上述第二差异值大于上述第二预设差异值,将上述第二初始价值属性值预测模型确定为训练后的第二价值属性值预测模型。
在一些实施例中,上述执行主体可以响应于确定上述第二差异值大于上述第二预设差异值,将上述第二初始价值属性值预测模型确定为训练后的第二价值属性值预测模型。
步骤1033,将目标材料信息序列输入至预先训练的第三价值属性值预测模型中,得到第三预测价值属性值序列。
在一些实施例中,上述执行主体可以将上述目标材料信息序列输入至预先训练的第三价值属性值预测模型中,得到第三预测价值属性值序列。其中,上述第三预测价值属性值序列中的第三预测价值属性值可以对应上述第一预测价值属性值序列中的第一预测价值属性值。这里,上述第三预测价值属性值序列可以是通过第三价值属性值预测模型预测出的包括上述预设个数的第三预测价值属性值(预测价格)。上述第三价值属性值预测模型可以是预先训练的以目标材料信息序列为输入,以第三预测价值属性值序列为输出的神经网络模型。
可选地,预先训练的第三价值属性值预测模型可以是通过以下步骤训练得到的:
第一步,获取第三训练样本集。
在一些实施例中,上述执行主体可以通过有线连接或无线连接的方式从终端设备中获取第三训练样本集。其中,上述第三训练样本集中的训练样本可以包括:样本目标材料信息序列和样本第三预测价值属性值序列。
第二步,确定第三初始价值属性值预测模型。
在一些实施例中,上述执行主体可以确定第三初始价值属性值预测模型。其中,上述第三初始价值属性值预测模型可以包括但不限于以下至少一项:第四初始预测模型、第五初始预测模型和第三初始合并模型。
上述第四初始预测模型可以是以样本目标材料信息序列为输入,以第四初始预测值序列为输出的神经网络模型。这里,上述第四初始预测值序列可以是通过第四初始预测模型预测出的包括上述预设个数的价值属性值(预测价格)。例如,上述第四初始预测模型可以是LSTM(Long Short-Term Memory,长短期记忆网络)模型。
上述第五初始预测模型可以是以样本目标材料信息序列为输入,以第五初始预测值序列为输出的第二自定义模型。这里,上述第五初始预测值序列可以是通过第五初始预测模型预测出的包括上述预设个数的价值属性值(预测价格)。例如,上述第二自定义模型可以包括三层:
第一层,输入层,用于接收样本目标材料信息序列,以及将样本目标材料信息序列输入至第二层。
第二层,处理层,包括第三子模型和第四子模型。第三子模型可以是以样本目标材料信息序列为输入,以起始第三预测值序列为输出的模型。其中,起始第三预测值序列可以是通过第三子模型输出的包括上述预设个数的价值属性值(预测价格)。例如,第三子模型可以是DeepAR(Deep Autoregression,深度自回归)模型。第四子模型可以是以样本目标材料信息序列为输入,以起始第四预测值序列为输出的模型。其中,起始第四预测值序列可以是通过第四子模型输出的包括上述预设个数的价值属性值(预测价格)。例如,第四子模型可以是transformer(转换)模型。这里,上述起始第三预测值序列中的起始第三预测值可以对应上述起始第四预测值序列中的起始第四预测值。
第三层,输出层,用于将第三子模型的输出和第四子模型的输出的平均值确定为第五初始预测值序列以作为整个第二自定义模型的输出。例如,首先,对于上述起始第三预测值序列中的每个起始第三预测值,将上述起始第三预测值和上述起始第四预测值序列中与上述起始第三预测值对应的起始第四预测值的平均值确定为第五初始预测值;然后,将所确定的各个第五初始预测值确定为第五初始预测值序列。
上述第三初始合并模型可以是以第四初始预测值序列和第五初始预测值序列为输入,以初始第三预测价值属性值序列为输出的模型。例如,上述第三初始合并模型可以用于:首先,对于第四初始预测值序列中的每个第四初始预测值,将上述第四初始预测值和第五初始预测值序列中与上述第四初始预测值对应的第五初始预测值的平均值确定为初始第三预测价值属性值;然后,将所确定的各个初始第三预测价值属性值确定为初始第三预测价值属性值序列。
第三步,从上述第三训练样本集中选取第三训练样本。
在一些实施例中,上述执行主体可以从上述第三训练样本集中选取第三训练样本。实践中,上述执行主体可以随机从上述第三训练样本集中选取第三训练样本。
第四步,将所选取的第三训练样本包括的样本目标材料信息序列输入至上述第四初始预测模型中,得到第四初始预测值序列。
在一些实施例中,上述执行主体可以将所选取的第三训练样本包括的样本目标材料信息序列输入至上述第四初始预测模型中,得到第四初始预测值序列。
第五步,将所选取的第三训练样本包括的样本目标材料信息序列输入至上述第五初始预测模型中,得到第五初始预测值序列。
在一些实施例中,上述执行主体可以将所选取的第三训练样本包括的样本目标材料信息序列输入至上述第五初始预测模型中,得到第五初始预测值序列。
第六步,将上述第四初始预测值序列和上述第五初始预测值序列输入至上述第三初始合并模型中,得到初始第三预测价值属性值序列。
在一些实施例中,上述执行主体可以将上述第四初始预测值序列和上述第五初始预测值序列输入至上述第三初始合并模型中,得到初始第三预测价值属性值序列。
第七步,基于预设的第三损失函数,确定上述初始第三预测价值属性值序列与所选取的第三训练样本包括的样本第三预测价值属性值序列之间的第三差异值。
在一些实施例中,基于预设的第三损失函数,上述执行主体可以确定上述初始第三预测价值属性值序列与所选取的第三训练样本包括的样本第三预测价值属性值序列之间的第三差异值。其中,预设的第三损失函数可以是但不限于:均方误差损失函数(MSE)、交叉熵损失函数(CrossEntropy)、0-1损失函数、绝对值损失函数、log对数损失函数、平方损失函数、指数损失函数等。
第八步,响应于确定上述第三差异值小于等于第三预设差异值,调整上述第三初始价值属性值预测模型的参数。
在一些实施例中,响应于确定上述第三差异值小于等于第三预设差异值,上述执行主体可以调整上述第三初始价值属性值预测模型的参数。例如,可以对上述第三差异值和第三预设差异值求差值。在此基础上,利用反向传播、梯度下降等方法对上述初始电力设备可运行数量识别模型的参数进行调整。需要说明的是,反向传播算法和梯度下降法是目前广泛研究和应用的公知技术,在此不再赘述。其中,对于第三预设差异值的设定,不作限定,例如,第三预设差异值可以是0.1。
步骤1033中的可选的技术内容作为本公开的实施例的一个发明点,解决了背景技术提及的技术问题三“导致浪费了计算资源”。导致浪费了计算资源的因素往往如下:通过时间序列预测模型仅能预测出当前时间的价值属性值,之后每次调度运输设备运输材料时,均需要耗费计算资源再次调用时间序列预测模型预测价值属性值。如果解决了上述因素,就能达到可以减少计算资源的浪费的效果。为了达到这一效果,首先,可以通过第四初始预测模型预测出较为准确的第四初始预测值序列。然后,可以通过第五初始预测模型预测出考虑了第三子模型和第四子模型的较为准确的第五初始预测值序列。最后,可以通过第三初始合并模型得到考虑了第四初始预测模型和第五初始预测模型的较为准确的第三预测价值属性值序列。由此,可以通过第三价值属性值预测模型预测出各个时间的第三预测价值属性值,可以通过模型的一次输出就能预测出多个价值属性值。因此,通过模型的一次输出即可调度多次运输车辆运输材料。从而,可以减少计算资源的浪费。
可选地,响应于确定上述第三差异值大于上述第三预设差异值,将上述第三初始价值属性值预测模型确定为训练后的第三价值属性值预测模型。
在一些实施例中,上述执行主体可以响应于确定上述第三差异值大于上述第三预设差异值,将上述第三初始价值属性值预测模型确定为训练后的第三价值属性值预测模型。
步骤1034,基于第一预测价值属性值序列、第二预测价值属性值序列和第三预测价值属性值序列,确定目标预测价值属性值序列。
在一些实施例中,基于上述第一预测价值属性值序列、上述第二预测价值属性值序列和上述第三预测价值属性值序列,上述执行主体可以确定目标预测价值属性值序列。
实践中,基于上述第一预测价值属性值序列、上述第二预测价值属性值序列和上述第三预测价值属性值序列,上述执行主体可以通过以下步骤确定目标预测价值属性值序列:
第一步,对于上述第一预测价值属性值序列中的每个第一预测价值属性值,执行以下确定子步骤:
第一子步骤,将上述第一预测价值属性值与第一预设权值的乘积确定为第一预测乘积值。这里,第一预设权值可以是预先设定的对应第一预测价值属性值的权值。例如,第一预设权值可以是三分之一。
第二子步骤,将上述第二预测价值属性值序列中与上述第一预测价值属性值对应的第二预测价值属性值和第二预设权值的乘积确定为第二预测乘积值。这里,第二预设权值可以是预先设定的对应第二预测价值属性值的权值。例如,第二预设权值可以是三分之一。
第三子步骤,将上述第三预测价值属性值序列中与上述第一预测价值属性值对应的第三预测价值属性值和第三预测权值的乘积确定为第三预测乘积值。这里,第三预设权值可以是预先设定的对应第三预测价值属性值的权值。例如,第三预设权值可以是三分之一。
第四子步骤,将上述第一预测乘积值、上述第二预测乘积值和上述第三预测乘积值的和确定为目标预测价值属性值。
第二步,将所确定的各个目标预测价值属性值确定为目标预测价值属性值序列。
步骤104,将所确定的各个目标预测价值属性值序列进行组合处理,以生成目标预测材料价值属性值组序列。
在一些实施例中,上述执行主体可以将所确定的各个目标预测价值属性值序列进行组合处理,以生成目标预测材料价值属性值组序列。实践中,上述执行主体可以将上述各个目标预测价值属性值序列中满足预设时间组合条件的各个目标预测价值属性值组合为目标预测材料价值属性值组,得到目标预测材料价值属性值组序列。这里,上述预设时间组合条件可以是各个目标预测价值属性值对应的时间相同。
可选地,上述执行主体还可以将上述目标预测材料价值属性值组序列发送至上述用户终端。
步骤105,对于目标预测材料价值属性值组序列中的每个目标预测材料价值属性值组,执行以下调度步骤:
步骤1051,将目标预测材料价值属性值组中满足预设运输条件的至少一个目标预测材料价值属性值、对应的至少一个材料标识、确定为目标材料标识集。
在一些实施例中,上述执行主体可以将上述目标预测材料价值属性值组中满足预设运输条件的至少一个目标预测材料价值属性值、对应的至少一个材料标识、确定为目标材料标识集。上述预设运输条件可以是但不限于:目标预测材料价值属性值组中最小的目标预测材料价值属性值、目标预测材料价值属性值小于预设属性值。例如,预设属性值可以是20。
步骤1052,获取每个材料供应端的材料供应端信息,得到材料供应端信息集。
在一些实施例中,上述执行主体可以获取每个材料供应端的材料供应端信息,得到材料供应端信息集。其中,上述材料供应端信息集中的材料供应端信息可以包括但不限于以下至少一项:材料供应端标识、材料数量信息组、材料供应端位置信息。材料数量信息组中的材料数量信息可以包括但不限于以下至少一项:材料标识、材料数量。材料供应端标识可以唯一确定一个材料供应端。材料供应端位置信息可以表征材料供应端在地理坐标系上的位置。材料供应端可以是目标供应端发送材料的终端。材料标识可以唯一确定一个材料。材料数量可以是材料供应端处的材料的数量。
步骤1053,响应于接收到目标供应端发送的材料申请信息,基于材料申请信息、材料供应端信息集、目标材料标识集,调度运输车辆从材料供应端处调度材料至上述目标供应端。
在一些实施例中,上述执行主体可以响应于接收到目标供应端发送的材料申请信息,基于上述材料申请信息、上述材料供应端信息集、上述目标材料标识集,调度运输车辆从材料供应端处调度材料至上述目标供应端。其中,运输车辆可以是运输材料的车辆。材料申请信息可以表征目标供应端需要的材料的情况。其中,上述材料申请信息可以包括但不限于以下至少一项:目标供应端位置信息、材料申请数量。目标供应端位置信息可以表征目标供应端在地理坐标系上的位置。材料申请数量可以表征目标供应端需要的材料的数量。目标供应端可以是申请材料以生产电力设备的终端。
实践中,上述执行主体可以基于上述材料申请信息、上述材料供应端信息集、上述目标材料标识集,通过以下步骤调度运输车辆从材料供应端处调度材料至上述目标供应端:
第一步,基于上述材料申请信息,生成上述材料供应端信息集对应的供应端距离值序列。实践中,首先,对于上述材料供应端信息集中的每个材料供应端信息,上述执行主体可以将材料供应端信息包括的材料供应端位置信息与上述材料申请信息包括的目标供应端位置信息在地理坐标系上的距离确定为供应端距离值。然后,上述执行主体可以按照从小到大的排列顺序,将所确定的各个供应端距离值进行排序处理,以生成供应端距离值序列。
第二步,对于上述供应端距离值序列,执行以下处理子步骤:
第一子步骤,将供应端距离值序列中的第一个供应端距离值确定为目标供应端距离值。
第二子步骤,响应于确定目标供应端距离值对应的材料供应端信息包括的目标材料数量、大于等于材料申请信息包括的材料申请数量,调度运输车辆从目标供应端距离值对应的材料供应端处、运输材料申请数量的材料至上述目标供应端。其中,目标材料数量可以由上述目标材料标识集和上述材料供应端信息集所确定。这里,目标材料数量可以是上述执行主体通过以下步骤生成的:首先,将上述材料供应端信息集中对应上述目标供应端距离值的材料供应端信息确定为目标材料供应端信息。然后,对于上述目标材料标识集中的每个目标材料标识,将上述目标材料供应端信息中与上述目标材料标识对应的材料数量信息确定为目标材料数量信息。最后,上述执行主体可以将所确定的各个目标材料数量信息包括的各个材料数量的和确定为目标材料数量。
实践中,响应于确定目标供应端距离值对应的材料供应端信息包括的目标材料数量、大于等于材料申请信息包括的材料申请数量,上述执行主体可以通过以下步骤调度运输车辆从目标供应端距离值对应的材料供应端处、运输材料申请数量的材料至上述目标供应端:
第一步,获取第一运输车辆的第一运输车辆信息、第二运输车辆的第二运输车辆信息、第三运输车辆的第三运输车辆信息。其中,上述第一运输车辆信息可以包括但不限于以下至少一项:第一车辆标识、第一车辆容量、第一车辆数量。上述第二运输车辆信息可以包括但不限于以下至少一项:第二车辆标识、第二车辆容量、第二车辆数量。第三运输车辆信息可以包括但不限于以下至少一项:第三车辆标识、第三车辆容量、第三车辆数量。这里,第一车辆标识可以唯一确定一个第一运输车辆。第二车辆标识可以唯一确定一个第二运输车辆。第三车辆标识可以唯一确定一个第三运输车辆。第一车辆标识可以唯一确定一个第一运输车辆。第二车辆标识可以唯一确定一个第二运输车辆。第三车辆标识可以唯一确定一个第三运输车辆。第一运输车辆、第二运输车辆、第三运输车辆可以是不同容量的运输车辆。运输车辆可以是用于运输材料的车辆。例如,第一车辆容量可以是200。第二车辆容量可以是150。第三车辆容量可以是100。第一车辆数量可以是50。第二车辆数量可以是60。第三车辆数量可以是40。
第二步,基于上述第一运输车辆信息、上述第二运输车辆信息、上述第三运输车辆信息、上述目标材料标识集对应的各个材料体积信息、上述材料供应端信息包括的材料数量信息组和预设调度条件,确定第一运输车辆数、第二运输车辆数和第三运输车辆数。实践中,上述执行主体可以基于预设调度条件,随机确定第一运输车辆数、第二运输车辆数、第三运输车辆数以及目标材料标识集中的每个目标材料标识对应的材料权值。这里,材料权值可以表征需要的目标材料标识对应的材料的数量。其中,预设调度条件可以是:第一运输车辆数小于等于第一车辆数量、第二运输车辆数小于等于第二车辆数量、第三运输车辆数小于等于第三车辆数量、目标材料标识对应的材料权值小于等于目标材料标识对应的材料供应端信息包括的材料数量、第一数值大于等于第二数值与1.1的乘积、以及第一数值小于第二数值与1.3的乘积。这里,第一数值可以是第一运输车辆数和第一车辆容量的乘积、第二运输车辆数和第二车辆容量的乘积、第三运输车辆数和第三车辆容量的乘积、之和。第二数值可以是上述目标材料标识集中的每个目标材料标识与目标材料标识对应的材料权值的乘积之和。
由此,可以通过预设调度条件确定出较为符合供应端需求的运输车辆。从而,可以避免调度过多的运输车辆浪费运输车辆资源,也可以避免调度的运输车辆较少,导致需要再次调度运输车辆运输材料,浪费了调度时间。
第三步,调度上述第一运输车辆数的第一运输车辆、上述第二运输车辆数的第二运输车辆和上述第三运输车辆数的第三运输车辆,从目标供应端距离值对应的材料供应端处运输材料申请数量的各个目标材料至上述目标供应端。其中,上述目标材料可以是上述目标材料标识集中目标材料标识对应的材料。
可选地,上述执行主体还可以执行以下步骤:
第一步,响应于确定目标供应端距离值对应的材料供应端信息包括的目标材料数量、小于材料申请信息包括的材料申请数量,执行以下更新子步骤:
第一子步骤,调度运输车辆从目标供应端距离值对应的材料供应端处、运输目标材料数量的材料至上述目标供应端。实践中,调度运输车辆从目标供应端距离值对应的材料供应端处、运输目标材料数量的材料至上述目标供应端的具体实现方式及所带来的技术效果可以参考上述实施例中的步骤1053,在此不再赘述。
第二子步骤,将材料申请信息包括的材料申请数量与目标材料数量的差值确定为材料申请数量包括的材料申请数量,以对材料申请信息进行更新。
第三子步骤,将更新后的材料申请信息确定为材料申请信息。
第四子步骤,将目标供应端距离值从供应端距离值序列中去除。
第五子步骤,将去除后的供应端距离值序列确定为供应端距离值序列。
第六子步骤,再次执行上述处理步骤。
步骤1053中的可选的技术内容作为本公开的实施例的一个发明点,解决了背景技术提及的技术问题四“浪费了调度时间”。浪费了调度时间的因素往往如下:预测出价值属性值后,可以调度预设数量的运输车辆运输价值属性值较低的材料,当调度的运输车辆较少时,需要反复调度运输车辆。如果解决了上述因素,就能达到可以减少调度时间的浪费的效果。为了达到这一效果,首先,可以通过供应端距离值序列,选择从距离目标供应端最近的材料供应端处运输材料,可以减少运输时间的浪费。然后,当距离目标供应端最近的材料供应端处的材料较少时,可以从距离目标供应端第二近的材料供应端处运输材料,可以减少供应端等待材料供应端补充材料的时间。之后,可以通过预设调度条件,调度较为符合目标供应端需求的车辆来运输材料,可以避免反复调度运输车辆。从而,可以减少调度时间的浪费。
本公开的上述各个实施例具有如下有益效果:通过本公开的一些实施例的价值属性值预测方法,可以减少调度资源的浪费。具体来说,造成浪费了调度资源的原因在于:将历史的价值属性值作为预测价值属性值,导致预测价值属性值的准确度较低,导致通过调度运输车辆运输的材料不符合用户需求。基于此,本公开的一些实施例的价值属性值预测方法,首先,获取每个材料的材料基本信息序列,得到材料基本信息序列集。其次,响应于接收到用户终端发送的目标时间粒度,对上述材料基本信息序列集中满足预设合并条件的各个材料基本信息进行合并处理,以生成目标材料信息序列集。由此,可以根据用户需求进行不同时间粒度的预测。接着,对于上述目标材料信息序列集中的每个目标材料信息序列,执行以下输入步骤:将上述目标材料信息序列输入至预先训练的第一价值属性值预测模型中,得到第一预测价值属性值序列;将上述目标材料信息序列输入至预先训练的第二价值属性值预测模型中,得到第二预测价值属性值序列;将上述目标材料信息序列输入至预先训练的第三价值属性值预测模型中,得到第三预测价值属性值序列;基于上述第一预测价值属性值序列、上述第二预测价值属性值序列和上述第三预测价值属性值序列,确定目标预测价值属性值序列。由此,可以通过第一价值属性值预测模型、第二价值属性值预测模型和第三价值属性值预测模型预测出较为准确的目标预测价值属性值序列。之后,将所确定的各个目标预测价值属性值序列进行组合处理,以生成目标预测材料价值属性值组序列。由此,可以得到目标预测材料价值属性值组序列,以便后续选择不同的材料进行运输。最后,对于上述目标预测材料价值属性值组序列中的每个目标预测材料价值属性值组,执行以下调度步骤:将上述目标预测材料价值属性值组中满足预设运输条件的至少一个目标预测材料价值属性值、对应的至少一个材料标识、确定为目标材料标识集;获取每个材料供应端的材料供应端信息,得到材料供应端信息集;响应于接收到目标供应端发送的材料申请信息,基于上述材料申请信息、上述材料供应端信息集、上述目标材料标识集,调度运输车辆从材料供应端处调度材料至上述目标供应端。由此,可以调度运输车辆从材料供应端处调度较为符合供应端需求的材料。因此,可以根据预测出的较为准确的目标预测价值属性值序列,调度运输车辆运输符合供应端需求的材料。从而,可以减少调度资源的浪费。
进一步参考图2,作为对上述各图所示方法的实现,本公开提供了一种价值属性值预测装置的一些实施例,这些价值属性值预测装置实施例与图1所示的那些方法实施例相对应,该价值属性值预测装置具体可以应用于各种电子设备中。
如图2所示,一些实施例的价值属性值预测装置200包括:获取单元201、合并单元202、输入单元203、组合单元204和调度单元205。其中,获取单元201,被配置成获取每个材料的材料基本信息序列,得到材料基本信息序列集,其中,上述材料基本信息序列集中的材料基本信息包括:材料标识、材料体积信息、材料价值属性值和用电量;合并单元202,被配置成响应于接收到用户终端发送的目标时间粒度,对上述材料基本信息序列集中满足预设合并条件的各个材料基本信息进行合并处理,以生成目标材料信息序列集;输入单元203,被配置成对于上述目标材料信息序列集中的每个目标材料信息序列,执行以下输入步骤:将上述目标材料信息序列输入至预先训练的第一价值属性值预测模型中,得到第一预测价值属性值序列;将上述目标材料信息序列输入至预先训练的第二价值属性值预测模型中,得到第二预测价值属性值序列;将上述目标材料信息序列输入至预先训练的第三价值属性值预测模型中,得到第三预测价值属性值序列;基于上述第一预测价值属性值序列、上述第二预测价值属性值序列和上述第三预测价值属性值序列,确定目标预测价值属性值序列;组合单元204,被配置成将所确定的各个目标预测价值属性值序列进行组合处理,以生成目标预测材料价值属性值组序列;调度单元205,被配置成对于上述目标预测材料价值属性值组序列中的每个目标预测材料价值属性值组,执行以下调度步骤:将上述目标预测材料价值属性值组中满足预设运输条件的至少一个目标预测材料价值属性值、对应的至少一个材料标识、确定为目标材料标识集;获取每个材料供应端的材料供应端信息,得到材料供应端信息集,其中,上述材料供应端信息集中的材料供应端信息包括:材料供应端标识、材料数量信息组,材料数量信息组中的材料数量信息包括:材料标识、材料数量;响应于接收到目标供应端发送的材料申请信息,基于上述材料申请信息、上述材料供应端信息集、上述目标材料标识集,调度运输车辆从材料供应端处调度材料至上述目标供应端。
可以理解的是,该价值属性值预测装置200中记载的诸单元与参考图1描述的方法中的各个步骤相对应。由此,上文针对方法描述的操作、特征以及产生的有益效果同样适用于价值属性值预测装置200及其中包含的单元,在此不再赘述。
下面参考图3,其示出了适于用来实现本公开的一些实施例的电子设备(例如计算设备)300的结构示意图。本公开的一些实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图3示出的电子设备仅仅是一个示例,不应对本公开的实施例的功能和使用范围带来任何限制。
如图3所示,电子设备300可以包括处理装置(例如中央处理器、图形处理器等)301,其可以根据存储在只读存储器(ROM)302中的程序或者从存储装置308加载到随机访问存储器(RAM)303中的程序而执行各种适当的动作和处理。在RAM303中,还存储有电子设备300操作所需的各种程序和数据。处理装置301、ROM302以及RAM 303通过总线304彼此相连。输入/输出(I/O)接口305也连接至总线304。
通常,以下装置可以连接至I/O接口305:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置306;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置307;包括例如磁带、硬盘等的存储装置308;以及通信装置309。通信装置309可以允许电子设备300与其他设备进行无线或有线通信以交换数据。虽然图3示出了具有各种装置的电子设备300,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图3中示出的每个方框可以代表一个装置,也可以根据需要代表多个装置。
特别地,根据本公开的一些实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的一些实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中,该计算机程序可以通过通信装置309从网络上被下载和安装,或者从存储装置308被安装,或者从ROM302被安装。在该计算机程序被处理装置301执行时,执行本公开的一些实施例的方法中限定的上述功能。
需要说明的是,本公开的一些实施例中记载的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的一些实施例中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的一些实施例中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
在一些实施方式中,客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol,超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信,并且可以与任意形式或介质的数字数据通信(例如,通信网络)互连。通信网络的示例包括局域网(“LAN”),广域网(“WAN”),网际网(例如,互联网)以及端对端网络(例如,ad hoc端对端网络),以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:获取每个材料的材料基本信息序列,得到材料基本信息序列集,其中,上述材料基本信息序列集中的材料基本信息包括:材料标识、材料体积信息、材料价值属性值和用电量;响应于接收到用户终端发送的目标时间粒度,对上述材料基本信息序列集中满足预设合并条件的各个材料基本信息进行合并处理,以生成目标材料信息序列集;对于上述目标材料信息序列集中的每个目标材料信息序列,执行以下输入步骤:将上述目标材料信息序列输入至预先训练的第一价值属性值预测模型中,得到第一预测价值属性值序列;将上述目标材料信息序列输入至预先训练的第二价值属性值预测模型中,得到第二预测价值属性值序列;将上述目标材料信息序列输入至预先训练的第三价值属性值预测模型中,得到第三预测价值属性值序列;基于上述第一预测价值属性值序列、上述第二预测价值属性值序列和上述第三预测价值属性值序列,确定目标预测价值属性值序列;将所确定的各个目标预测价值属性值序列进行组合处理,以生成目标预测材料价值属性值组序列;对于上述目标预测材料价值属性值组序列中的每个目标预测材料价值属性值组,执行以下调度步骤:将上述目标预测材料价值属性值组中满足预设运输条件的至少一个目标预测材料价值属性值、对应的至少一个材料标识、确定为目标材料标识集;获取每个材料供应端的材料供应端信息,得到材料供应端信息集,其中,上述材料供应端信息集中的材料供应端信息包括:材料供应端标识、材料数量信息组,材料数量信息组中的材料数量信息包括:材料标识、材料数量;响应于接收到目标供应端发送的材料申请信息,基于上述材料申请信息、上述材料供应端信息集、上述目标材料标识集,调度运输车辆从材料供应端处调度材料至上述目标供应端。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码,上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开的一些实施例中的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括获取单元、合并单元、输入单元、组合单元和调度单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,获取单元还可以被描述为“获取每个材料的材料基本信息序列,得到材料基本信息序列集的单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(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)等等。
以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开的实施例中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (10)
1.一种价值属性值预测方法,包括:
获取每个材料的材料基本信息序列,得到材料基本信息序列集,其中,所述材料基本信息序列集中的材料基本信息包括:材料标识、材料体积信息、材料价值属性值和用电量;
响应于接收到用户终端发送的目标时间粒度,对所述材料基本信息序列集中满足预设合并条件的各个材料基本信息进行合并处理,以生成目标材料信息序列集;
对于所述目标材料信息序列集中的每个目标材料信息序列,执行以下输入步骤:
将所述目标材料信息序列输入至预先训练的第一价值属性值预测模型中,得到第一预测价值属性值序列;
将所述目标材料信息序列输入至预先训练的第二价值属性值预测模型中,得到第二预测价值属性值序列;
将所述目标材料信息序列输入至预先训练的第三价值属性值预测模型中,得到第三预测价值属性值序列;
基于所述第一预测价值属性值序列、所述第二预测价值属性值序列和所述第三预测价值属性值序列,确定目标预测价值属性值序列;
将所确定的各个目标预测价值属性值序列进行组合处理,以生成目标预测材料价值属性值组序列;
对于所述目标预测材料价值属性值组序列中的每个目标预测材料价值属性值组,执行以下调度步骤:
将所述目标预测材料价值属性值组中满足预设运输条件的至少一个目标预测材料价值属性值、对应的至少一个材料标识、确定为目标材料标识集;
获取每个材料供应端的材料供应端信息,得到材料供应端信息集,其中,所述材料供应端信息集中的材料供应端信息包括:材料供应端标识、材料数量信息组,材料数量信息组中的材料数量信息包括:材料标识、材料数量;
响应于接收到目标供应端发送的材料申请信息,基于所述材料申请信息、所述材料供应端信息集、所述目标材料标识集,调度运输车辆从材料供应端处调度材料至所述目标供应端。
2.根据权利要求1所述的方法,其中,所述基于所述材料申请信息、所述材料供应端信息集、所述目标材料标识集,调度运输车辆从材料供应端处调度材料至所述目标供应端,包括:
基于所述材料申请信息,生成所述材料供应端信息集对应的供应端距离值序列,其中,所述材料申请信息包括:目标供应端位置信息、材料申请数量;
对于所述供应端距离值序列,执行以下处理步骤:
将供应端距离值序列中的第一个供应端距离值确定为目标供应端距离值;
响应于确定目标供应端距离值对应的材料供应端信息包括的目标材料数量、大于等于材料申请信息包括的材料申请数量,调度运输车辆从目标供应端距离值对应的材料供应端处、运输材料申请数量的材料至所述目标供应端,其中,目标材料数量由所述目标材料标识集和所述材料供应端信息集所确定。
3.根据权利要求2所述的方法,其中,所述方法还包括:
响应于确定目标供应端距离值对应的材料供应端信息包括的目标材料数量、小于材料申请信息包括的材料申请数量,执行以下更新步骤:
调度运输车辆从目标供应端距离值对应的材料供应端处、运输目标材料数量的材料至所述目标供应端;
将材料申请信息包括的材料申请数量与目标材料数量的差值确定为材料申请数量包括的材料申请数量,以对材料申请信息进行更新;
将更新后的材料申请信息确定为材料申请信息;
将目标供应端距离值从供应端距离值序列中去除;
将去除后的供应端距离值序列确定为供应端距离值序列;
再次执行所述处理步骤。
4.根据权利要求2所述的方法,其中,所述响应于确定目标供应端距离值对应的材料供应端信息包括的目标材料数量、大于等于材料申请信息包括的材料申请数量,调度运输车辆从目标供应端距离值对应的材料供应端处、运输材料申请数量的材料至所述目标供应端,包括:
获取第一运输车辆的第一运输车辆信息、第二运输车辆的第二运输车辆信息、第三运输车辆的第三运输车辆信息;
基于所述第一运输车辆信息、所述第二运输车辆信息、所述第三运输车辆信息、所述目标材料标识集对应的各个材料体积信息、所述材料供应端信息包括的材料数量信息组和预设调度条件,确定第一运输车辆数、第二运输车辆数和第三运输车辆数;
调度所述第一运输车辆数的第一运输车辆、所述第二运输车辆数的第二运输车辆和所述第三运输车辆数的第三运输车辆,从目标供应端距离值对应的材料供应端处运输材料申请数量的各个目标材料至所述目标供应端,其中,所述目标材料是所述目标材料标识集中目标材料标识对应的材料。
5.根据权利要求1所述的方法,其中,所述第二预测价值属性值序列中的第二预测价值属性值对应所述第一预测价值属性值序列中的第一预测价值属性值,所述第三预测价值属性值序列中的第三预测价值属性值对应所述第一预测价值属性值序列中的第一预测价值属性值;以及
所述基于所述第一预测价值属性值序列、所述第二预测价值属性值序列和所述第三预测价值属性值序列,确定目标预测价值属性值序列,包括:
对于所述第一预测价值属性值序列中的每个第一预测价值属性值,执行以下确定步骤:
将所述第一预测价值属性值与第一预设权值的乘积确定为第一预测乘积值;
将所述第二预测价值属性值序列中与所述第一预测价值属性值对应的第二预测价值属性值和第二预设权值的乘积确定为第二预测乘积值;
将所述第三预测价值属性值序列中与所述第一预测价值属性值对应的第三预测价值属性值和第三预测权值的乘积确定为第三预测乘积值;
将所述第一预测乘积值、所述第二预测乘积值和所述第三预测乘积值的和确定为目标预测价值属性值;
将所确定的各个目标预测价值属性值确定为目标预测价值属性值序列。
6.根据权利要求1所述的方法,其中,所述预先训练的第一价值属性值预测模型是通过以下步骤训练得到的:
获取第一训练样本集,其中,所述第一训练样本集中的第一训练样本包括:样本目标材料信息序列和样本第一预测价值属性值序列;
确定第一初始价值属性值预测模型,其中,所述第一初始价值属性值预测模型包括:第一初始预测模型、第一初始合并模型;
确定输入数值;
从所述第一训练样本集中选取第一训练样本;
对于所选取的第一训练样本包括的样本目标材料信息序列,执行以下添加步骤:
将样本目标材料信息序列输入至所述第一初始预测模型中,得到第一初始预测值;
将输入数值更新为预设次数与输入数值的和;
将第一初始预测值添加至样本目标材料信息序列中,以对样本目标材料信息序列进行更新;
响应于确定更新后的输入数值大于等于预设数量,将所述第一初始预测模型输出的各个第一初始预测值输入至所述第一初始合并模型中,得到初始第一预测价值属性值序列;
响应于确定更新后的输入数值小于所述预设数量,将更新后的样本目标材料信息序列确定为样本目标材料信息序列,以及将更新后的输入数值确定为输入数值,以供再次执行所述添加步骤;
基于预设的第一损失函数,确定所述初始第一预测价值属性值序列与所选取的第一训练样本包括的样本第一预测价值属性值序列之间的第一差异值;
响应于确定所述第一差异值小于等于第一预设差异值,调整所述第一初始价值属性值预测模型的网络参数。
7.根据权利要求6所述的方法,其中,所述方法还包括:
响应于确定所述第一差异值大于所述第一预设差异值,将所述第一初始价值属性值预测模型确定为训练后的第一价值属性值预测模型。
8.一种价值属性值预测装置,包括:
获取单元,被配置成获取每个材料的材料基本信息序列,得到材料基本信息序列集,其中,所述材料基本信息序列集中的材料基本信息包括:材料标识、材料体积信息、材料价值属性值和用电量;
合并单元,被配置成响应于接收到用户终端发送的目标时间粒度,对所述材料基本信息序列集中满足预设合并条件的各个材料基本信息进行合并处理,以生成目标材料信息序列集;
输入单元,被配置成对于所述目标材料信息序列集中的每个目标材料信息序列,执行以下输入步骤:将所述目标材料信息序列输入至预先训练的第一价值属性值预测模型中,得到第一预测价值属性值序列;将所述目标材料信息序列输入至预先训练的第二价值属性值预测模型中,得到第二预测价值属性值序列;将所述目标材料信息序列输入至预先训练的第三价值属性值预测模型中,得到第三预测价值属性值序列;基于所述第一预测价值属性值序列、所述第二预测价值属性值序列和所述第三预测价值属性值序列,确定目标预测价值属性值序列;
组合单元,被配置成将所确定的各个目标预测价值属性值序列进行组合处理,以生成目标预测材料价值属性值组序列;
调度单元,被配置成对于所述目标预测材料价值属性值组序列中的每个目标预测材料价值属性值组,执行以下调度步骤:将所述目标预测材料价值属性值组中满足预设运输条件的至少一个目标预测材料价值属性值、对应的至少一个材料标识、确定为目标材料标识集;获取每个材料供应端的材料供应端信息,得到材料供应端信息集,其中,所述材料供应端信息集中的材料供应端信息包括:材料供应端标识、材料数量信息组,材料数量信息组中的材料数量信息包括:材料标识、材料数量;响应于接收到目标供应端发送的材料申请信息,基于所述材料申请信息、所述材料供应端信息集、所述目标材料标识集,调度运输车辆从材料供应端处调度材料至所述目标供应端。
9.一种电子设备,包括:
一个或多个处理器;
存储装置,其上存储有一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-7中任一所述方法。
10.一种计算机可读介质,其上存储有计算机程序,其中,所述计算机程序被处理器执行时实现如权利要求1-7中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311475325.0A CN117634777A (zh) | 2023-11-07 | 2023-11-07 | 价值属性值预测方法、装置、电子设备和计算机可读介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311475325.0A CN117634777A (zh) | 2023-11-07 | 2023-11-07 | 价值属性值预测方法、装置、电子设备和计算机可读介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117634777A true CN117634777A (zh) | 2024-03-01 |
Family
ID=90024430
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311475325.0A Pending CN117634777A (zh) | 2023-11-07 | 2023-11-07 | 价值属性值预测方法、装置、电子设备和计算机可读介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117634777A (zh) |
-
2023
- 2023-11-07 CN CN202311475325.0A patent/CN117634777A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113408797B (zh) | 流转量预测多时序模型生成方法、信息发送方法和装置 | |
CN113034090B (zh) | 运输设备调度方法、装置、电子设备和计算机可读介质 | |
CN114429365A (zh) | 物品销量信息生成方法、装置、电子设备和计算机介质 | |
CN114202130A (zh) | 流转量预测多任务模型生成方法、调度方法、装置和设备 | |
CN114048931B (zh) | 补货信息生成方法、装置、电子设备和计算机可读介质 | |
CN116388112B (zh) | 异常供应端断电方法、装置、电子设备和计算机可读介质 | |
CN116703131B (zh) | 电力资源分配方法、装置、电子设备和计算机可读介质 | |
CN115907136B (zh) | 电动汽车调度方法、装置、设备和计算机可读介质 | |
CN113610448A (zh) | 物品调度方法、装置、电子设备和计算机可读介质 | |
CN115759444B (zh) | 电力设备分配方法、装置、电子设备和计算机可读介质 | |
CN112308378A (zh) | 调度设备控制方法、装置、电子设备和计算机可读介质 | |
CN115271582A (zh) | 物品调度方法、装置、电子设备和计算机可读介质 | |
CN117634777A (zh) | 价值属性值预测方法、装置、电子设备和计算机可读介质 | |
CN111985967A (zh) | 物品信息生成方法、装置、电子设备和计算机可读介质 | |
CN115344359A (zh) | 算力资源分配方法、装置、计算机可读存储介质及设备 | |
CN115577980B (zh) | 电力设备调控方法、装置、电子设备和介质 | |
CN117235535B (zh) | 异常供应端断电方法、装置、电子设备和介质 | |
CN116703262B (zh) | 配送资源调整方法、装置、电子设备和计算机可读介质 | |
CN114792258B (zh) | 信息生成方法、装置、电子设备和计算机可读介质 | |
CN116757443B (zh) | 新型配电网电力线损率预测方法、装置、电子设备和介质 | |
CN116800834B (zh) | 虚拟礼物合并方法、装置、电子设备和计算机可读介质 | |
CN117196199A (zh) | 物品调度方法、装置、电子设备和计算机可读介质 | |
CN117709816A (zh) | 基于物品需求量的物品运输方法、装置、电子设备与介质 | |
CN117689412A (zh) | 物品流转信息处理方法、装置、设备和计算机可读介质 | |
CN116205572A (zh) | 缓冲库存信息生成方法、装置、设备和计算机可读介质 |
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 |