CN117708186A - 一种应用系统智能调整优化方法 - Google Patents
一种应用系统智能调整优化方法 Download PDFInfo
- Publication number
- CN117708186A CN117708186A CN202311709768.1A CN202311709768A CN117708186A CN 117708186 A CN117708186 A CN 117708186A CN 202311709768 A CN202311709768 A CN 202311709768A CN 117708186 A CN117708186 A CN 117708186A
- Authority
- CN
- China
- Prior art keywords
- data
- filling
- value
- missing
- steps
- 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 57
- 238000005457 optimization Methods 0.000 title claims abstract description 22
- 238000004140 cleaning Methods 0.000 claims abstract description 16
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 11
- 238000012549 training Methods 0.000 claims abstract description 7
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 238000012545 processing Methods 0.000 claims description 28
- 230000010354 integration Effects 0.000 claims description 13
- 238000013524 data verification Methods 0.000 claims description 7
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 238000010801 machine learning Methods 0.000 claims description 5
- 238000013480 data collection Methods 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000007619 statistical method Methods 0.000 claims description 3
- 238000012217 deletion Methods 0.000 claims description 2
- 230000037430 deletion Effects 0.000 claims description 2
- 238000001514 detection method Methods 0.000 claims description 2
- 238000000605 extraction Methods 0.000 claims description 2
- 238000006116 polymerization reaction Methods 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 abstract description 2
- 230000000694 effects Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013502 data validation Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种应用系统智能调整优化方法,涉及系统优化技术领域。包括以下步骤:步骤一:员工获取云端数据库,步骤二:人工智能收集使用者的使用数据和习惯,步骤三:数据进行预处理,数据清洗,步骤四:自行提取原始数据库中的数据和特征,步骤五:自行进行计算机学习模型训练,步骤六:提供使用参考协助员工生产数据模板,步骤七:提交模板。本发明通过人工智能学习布局方式,使得在使用过程中可以通过人工智能协助员工进行模板布局,使得在使用过程中可以提高设备的生成效率,当新手进行操作时可以提供推荐方案,使得新手更快适应系统,确保生成效率,增加了设备的实用性,增加了设备的适用性。
Description
技术领域
本发明涉及系统优化技术领域,具体为一种应用系统智能调整优化方法。
背景技术
授权公告号为“CN116069773A”的一种针对Linux的自动优化方法、系统、智能终端及存储介质,得到关键词;在预设的优化数据库中存储的优化方法集中,获取与所述关键词匹配的目标优化方法;根据所述目标优化方法优化所述目标操作系统。本申请首先获取需求数据,并根据需求数据中的关键词匹配目标优化方法,从而无需人为逐一对系统进行优化,起到在优化系统时有效节省人力的效果。
该设备能够节省人力的效果,但该设备在使用过程中需要人工手动通过系统调动数据进行排版布局,导致在使用中耗时较长,使得设备在使用时生成过程中效率较慢,而且无法快速的形成模块构建,导致在进行排版布局过程中所耗时长,而且人工手动进行调动数据,对于新手来说存在生成模板较慢的情况出现,更进一步的减缓布局效率,导致设备在使用的实用性和适用性较低,为此,本发明提出一种新型解决方案。
发明内容
本发明的目的在于提供一种应用系统智能调整优化方法,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:一种应用系统智能调整优化方法,包括:
以下步骤:
步骤一:员工获取云端数据库;
步骤二:人工智能收集使用者的使用数据和习惯;
步骤三:数据进行预处理,数据清洗;
步骤四:自行提取原始数据库中的数据和特征;
步骤五:自行进行计算机学习模型训练;
步骤六:提供使用参考协助员工生产数据模板;
步骤七:提交模板。
更进一步地,所述步骤三包括:
检测和处理数据中缺失值:选择删除包含缺失值的数据记录,或者使用插补方法填充缺失值;
检测和处理数据中的异常值或者离群点:使用统计方法或基于规则的方法来识别和处理异常值;
数据转换为正确的数据类型:将字符串转换为数值型数据,将日期时间数据转换为标准格式;
检测和处理数据中重复的记录:根据特定的字段或属性来识别和删除重复的数据;
统一数据单位和格式:统一日期时间格式、货币单位、度量单位;
对数据进行标准化处理:消除不同尺度或范围的影响;
根据使用情况旋转抽取方式:数据采样;
数据集成:处理不同数据源的字段匹配、解决命名不一致;
数据验证:对清洗后的数据进行验证。
更进一步地,所述检测和处理数据中重复的记录包括:
发现重复值;
标记重复值:对存放数值进行标重,不对其进行删除以便后续分选和处理;
聚合重复值:将重复的数据合并计算得到新的数据记录;
删除重复值:找到重复数据对重复值进行删除。
更进一步地,所述发现重复值通过对数据进行遍历,找出其中的重复数据记录。
更进一步地,所述检测和处理数据中缺失值;
删除缺失值:直接删除包含缺失值的数据记录;
插值填充:插值方法填充缺失值:
默认值填充:默认值进行填充;
预测模型填充:机器学习模型来预测缺失值,并进行填充;
多重填补:通过对缺失值进行多次填补得到多个完整数据集。
更进一步地,所述统一数据格式和单位:
数据采集与整合:
数据采集,从不同的数据源中收集数据,并确保它们具有一致的格式和单位,数据整合:将来自不同数据源的数据进行整合,确保它们采用相同的格式和单位;
数据验证与清理:
数据验证,检查数据是否符合预期的格式和单位,确保数据中没有缺失值、错误值或异常值,数据清理,对于发现的任何问题,进行删除重复项、填充缺失值或修复错误值的数据清理操作。
与现有技术相比,本发明的有益效果是:
该应用系统智能调整优化方法,通过人工智能学习布局方式,使得在使用过程中可以通过人工智能协助员工进行模板布局,使得在使用过程中可以提高设备的生成效率,当新手进行操作时可以提供推荐方案,使得新手更快适应系统,确保生成效率,增加了设备的实用性,增加了设备的适用性。
附图说明
图1为本发明的整体流程结构示意图;
图2为本发明的数据收集处理流程结构示意图;
图3为本发明的检测和处理数据重复记录流程结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在应用系统建设时需要通过人工手动建设布局模板,本发明提供的应用系统智能调整优化方法,专门用于根据员工使用学习布局建模方式,后续自动进行建模布局提供参考使用,设备在使用过程中需要对人工智能提交模板进行校验,确保可以正常运行后即可进行使用,确保设备在使用过程中可以正常运行。
如图1-图3所示,本发明提供一种技术方案:一种应用系统智能调整优化方法,包括:
以下步骤:
步骤一:员工获取云端数据库,步骤二:人工智能收集使用者的使用数据和习惯,步骤三:数据进行预处理,数据清洗,步骤四:自行提取原始数据库中的数据和特征,步骤五:自行进行计算机学习模型训练,步骤六:提供使用参考协助员工生产数据模板,步骤七:提交模板,步骤三包括检测和处理数据中缺失值:选择删除包含缺失值的数据记录,或者使用插补方法填充缺失值,检测和处理数据中的异常值或者离群点:使用统计方法或基于规则的方法来识别和处理异常值,数据转换为正确的数据类型:将字符串转换为数值型数据,将日期时间数据转换为标准格式,检测和处理数据中重复的记录:根据特定的字段或属性来识别和删除重复的数据,统一数据单位和格式:统一日期时间格式、货币单位、度量单位,对数据进行标准化处理:消除不同尺度或范围的影响,根据使用情况旋转抽取方式:数据采样,数据集成:处理不同数据源的字段匹配、解决命名不一致,数据验证:对清洗后的数据进行验证。
需要注意的是,通过该步骤的设置,实现了设备在使用过程中可以达到通过员工获取云端数据库和人工智能收集使用者的使用数据和习惯,准备数据用于后续的分析和建模,数据清洗和预处理:在步骤三和步骤七中对数据进行缺失值处理、异常值处理、数据类型转换、去重、数据标准化等操作,可以提高数据质量和准确性,保证后续分析的可靠性,步骤四中自行提取原始数据库中的数据和特征,可以根据具体业务需求提取相关的特征,为模型训练提供更有针对性的数据,步骤五和步骤六中提供使用参考协助员工生产数据模板,并进行计算机学习模型训练,帮助员工更快的建立模板生成,在流程中包括了数据集成和数据验证的步骤,可以确保处理后的数据能够被正确地应用于机器学习模型训练和业务决策中,使得设备在使用时可以对数据进行初步的整理,使得人工智能可以通过初步整理的数据协助员工进行模板的生成,达到更加快速的生成效率,减少生成时长,提供工作效率,增加了设备的实用性,增加了设备的适用性。
如图2-图3所示,检测和处理数据中重复的记录包括发现重复值,发现重复值通过对数据进行遍历,找出其中的重复数据记录,标记重复值:对存放数值进行标重,不对其进行删除以便后续分选和处理,聚合重复值:将重复的数据合并计算得到新的数据记录,删除重复值:找到重复数据对重复值进行删除,检测和处理数据中缺失值,删除缺失值:直接删除包含缺失值的数据记录,插值填充:插值方法填充缺失值,默认值填充:默认值进行填充,预测模型填充:机器学习模型来预测缺失值,并进行填充,多重填补:通过对缺失值进行多次填补得到多个完整数据集,统一数据格式和单位:数据采集与整合:数据采集,从不同的数据源中收集数据,并确保它们具有一致的格式和单位,数据整合:将来自不同数据源的数据进行整合,确保它们采用相同的格式和单位,数据验证与清理:数据验证,检查数据是否符合预期的格式和单位,确保数据中没有缺失值、错误值或异常值,数据清理,对于发现的任何问题,进行删除重复项、填充缺失值或修复错误值的数据清理操作。
需要注意的是,通过该步骤的设置,实现了设备在使用过程中可以确保数据质量:通过对数据进行遍历,找出其中的重复数据记录,然后可以标记重复值、聚合重复值或删除重复值,可以采用多种方法来处理缺失值,比如直接删除包含缺失值的数据记录、使用插值方法填充缺失值、使用默认值进行填充、使用机器学习模型来预测缺失值并进行填充,或者通过对缺失值进行多次填补得到多个完整数据集,在数据采集与整合过程中,需要确保不同的数据源具有一致的格式和单位,可以通过数据采集、数据整合和数据验证与清理等方法来实现,在数据验证阶段,需要检查数据是否符合预期的格式和单位,并确保数据中没有缺失值、错误值或异常值,在数据清理阶段,需要对发现的任何问题进行删除重复项、填充缺失值或修复错误值的数据清理操作,更进一步的确保了设备在使用时可以达到良好的处理效果,使得数据在使用时可以达到良好的整理效果,方便人工智能进行学习,协助员工进行生成模板进行使用,使得可以达到更好的生成效率,增加设备的实用性,增加设备的适用性。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附实施例及其等同物限定。
Claims (6)
1.一种应用系统智能调整优化方法,其特征在于:包括:
以下步骤:
步骤一:员工获取云端数据库;
步骤二:人工智能收集使用者的使用数据和习惯;
步骤三:数据进行预处理,数据清洗;
步骤四:自行提取原始数据库中的数据和特征;
步骤五:自行进行计算机学习模型训练;
步骤六:提供使用参考协助员工生产数据模板;
步骤七:提交模板。
2.根据权利要求1所述的一种应用系统智能调整优化方法,其特征在于:所述步骤三包括:
检测和处理数据中缺失值:选择删除包含缺失值的数据记录,或者使用插补方法填充缺失值;
检测和处理数据中的异常值或者离群点:使用统计方法或基于规则的方法来识别和处理异常值;
数据转换为正确的数据类型:将字符串转换为数值型数据,将日期时间数据转换为标准格式;
检测和处理数据中重复的记录:根据特定的字段或属性来识别和删除重复的数据;
统一数据单位和格式:统一日期时间格式、货币单位、度量单位;
对数据进行标准化处理:消除不同尺度或范围的影响;
根据使用情况旋转抽取方式:数据采样;
数据集成:处理不同数据源的字段匹配、解决命名不一致;
数据验证:对清洗后的数据进行验证。
3.根据权利要求2所述的一种应用系统智能调整优化方法,其特征在于:所述检测和处理数据中重复的记录包括:
发现重复值;
标记重复值:对存放数值进行标重,不对其进行删除以便后续分选和处理;
聚合重复值:将重复的数据合并计算得到新的数据记录;
删除重复值:找到重复数据对重复值进行删除。
4.根据权利要求1所述的一种应用系统智能调整优化方法,其特征在于:所述发现重复值通过对数据进行遍历,找出其中的重复数据记录。
5.根据权利要求2所述的一种应用系统智能调整优化方法,其特征在于:所述检测和处理数据中缺失值:
删除缺失值:直接删除包含缺失值的数据记录;
插值填充:插值方法填充缺失值:
默认值填充:默认值进行填充;
预测模型填充:机器学习模型来预测缺失值,并进行填充;
多重填补:通过对缺失值进行多次填补得到多个完整数据集。
6.根据权利要求2所述的一种应用系统智能调整优化方法,其特征在于:所述统一数据格式和单位:
数据采集与整合:
数据采集,从不同的数据源中收集数据,并确保它们具有一致的格式和单位,数据整合:将来自不同数据源的数据进行整合,确保它们采用相同的格式和单位;
数据验证与清理:
数据验证,检查数据是否符合预期的格式和单位,确保数据中没有缺失值、错误值或异常值,数据清理,对于发现的任何问题,进行删除重复项、填充缺失值或修复错误值的数据清理操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311709768.1A CN117708186A (zh) | 2023-12-13 | 2023-12-13 | 一种应用系统智能调整优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311709768.1A CN117708186A (zh) | 2023-12-13 | 2023-12-13 | 一种应用系统智能调整优化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117708186A true CN117708186A (zh) | 2024-03-15 |
Family
ID=90150934
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311709768.1A Pending CN117708186A (zh) | 2023-12-13 | 2023-12-13 | 一种应用系统智能调整优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117708186A (zh) |
-
2023
- 2023-12-13 CN CN202311709768.1A patent/CN117708186A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8868985B2 (en) | Supervised fault learning using rule-generated samples for machine condition monitoring | |
CN117056867B (zh) | 一种可用于数字孪生的多源异构数据融合方法及系统 | |
CN111027615A (zh) | 基于机器学习的中间件故障预警方法和系统 | |
CN113568928B (zh) | 一种应用于能源产业链预警系统的数据管理系统 | |
CN116881430B (zh) | 一种产业链识别方法、装置、电子设备及可读存储介质 | |
CN116932523B (zh) | 一种整合和监管第三方环境检测机构的平台 | |
CN117131449A (zh) | 面向数据治理的具有传播学习能力的异常识别方法及系统 | |
CN114528284A (zh) | 一种底层数据清洗方法、装置、移动终端和存储介质 | |
CN114968727A (zh) | 基于人工智能运维的数据库贯穿基础设施的故障定位方法 | |
CN116522111A (zh) | 远程停复电故障自动诊断方法 | |
CN117708186A (zh) | 一种应用系统智能调整优化方法 | |
CN114757097B (zh) | 一种线路故障诊断方法及装置 | |
CN116431828A (zh) | 一种基于神经网络技术构建的电网中台数据资产知识图谱数据库的构建方法 | |
CN114722960A (zh) | 一种业务过程事件日志不完整轨迹检测方法与系统 | |
CN114416705A (zh) | 一种多源异构数据融合建模方法 | |
CN112329411B (zh) | 一种工程预算核算管控管理软件 | |
CN117539920B (zh) | 基于房产交易多维度数据的数据查询方法及系统 | |
CN117708720A (zh) | 一种基于知识图谱的设备故障诊断系统 | |
CN112115124A (zh) | 一种数据影响度分析方法、装置、电子设备及存储介质 | |
CN117591840A (zh) | 一种识别房源数据是否重复的方法 | |
CN118025921A (zh) | 一种基于大数据和神经网络的电梯故障分析和检测方法 | |
Wei et al. | A Method of Abnormal Measurement Screening for Special Transformer Users Based on Correlation Measurement Algorithm | |
CN117973901A (zh) | 基于知识图谱的面向多协议碳计量核算方法 | |
CN113865642A (zh) | 日线损率异常检测方法、装置、计算机设备及存储介质 | |
CN117807072A (zh) | 一种电网数据治理方法及系统 |
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 |