CN118036443A - 舒适性量化方法、装置、设备、存储介质和程序产品 - Google Patents
舒适性量化方法、装置、设备、存储介质和程序产品 Download PDFInfo
- Publication number
- CN118036443A CN118036443A CN202410070628.2A CN202410070628A CN118036443A CN 118036443 A CN118036443 A CN 118036443A CN 202410070628 A CN202410070628 A CN 202410070628A CN 118036443 A CN118036443 A CN 118036443A
- Authority
- CN
- China
- Prior art keywords
- index
- comfort
- weight
- data set
- evaluation data
- 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 66
- 238000013139 quantization Methods 0.000 title claims abstract description 42
- 238000011156 evaluation Methods 0.000 claims abstract description 183
- 238000003066 decision tree Methods 0.000 claims abstract description 60
- 238000012545 processing Methods 0.000 claims abstract description 29
- 230000008569 process Effects 0.000 claims abstract description 23
- 239000013598 vector Substances 0.000 claims description 71
- 239000011159 matrix material Substances 0.000 claims description 58
- 238000004590 computer program Methods 0.000 claims description 38
- 238000004422 calculation algorithm Methods 0.000 claims description 16
- 238000004458 analytical method Methods 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 10
- 238000010276 construction Methods 0.000 description 7
- 230000000007 visual effect Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000013461 design Methods 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 5
- 238000009423 ventilation Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000004378 air conditioning Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000035939 shock Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000013077 scoring method Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- 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
- Complex Calculations (AREA)
Abstract
本申请涉及一种舒适性量化方法、装置、设备、存储介质和程序产品。所述方法包括:基于层次分析算法和预先获取到的重要性评价数据集,确定目标机械机型各个舒适性指标对应的指标权重;所述重要性评价数据集包括多个重要性评价数据,所述重要性评价数据用于表征所述舒适性指标的重要性;若存在未确定出的指标权重,则基于预先获取到的第一主观评价数据集和预设的决策树模型,确定更新后的指标权重;基于所述更新后的指标权重和预先获取到的第二主观评价数据集,对所述目标机械机型的各所述舒适性指标进行量化处理,得到舒适性评分。采用本方法能够系统性评价工程机械驾驶舒适性。
Description
技术领域
本申请涉及工程机械领域技术领域,特别是涉及一种舒适性量化方法、装置、设备、存储介质和程序产品。
背景技术
在当今工程机械领域,舒适性成为设计和制造的关键焦点。随着80后和90后驾驶员成为主要用户,他们对设备的要求不仅仅关乎性能,更注重驾驶的舒适性。这一变革驱动着工程机械行业向更加舒适的方向发展。
当前的舒适性研究主要侧重于驾驶室操纵部件的布局,主要考虑满足驾驶员可及范围的设计。同时,对振动、噪声等物理参数也进行了舒适性评估。然而,这种研究方向导致了工程机械驾驶舒适性问题长期得不到有效解决。
发明内容
基于此,有必要针对上述技术问题,提供一种能够系统性评价工程机械驾驶舒适性的舒适性量化方法、装置、设备、存储介质和程序产品。
第一方面,本申请提供了一种舒适性量化方法,该方法包括:
基于层次分析算法和预先获取到的重要性评价数据集,确定目标机械机型各个舒适性指标对应的指标权重;重要性评价数据集包括多个重要性评价数据,重要性评价数据用于表征舒适性指标的重要性;
若存在未确定出的指标权重,则基于预先获取到的第一主观评价数据集和预设的决策树模型,确定更新后的指标权重;
基于更新后的指标权重和预先获取到的第二主观评价数据集,对目标机械机型的各舒适性指标进行量化处理,得到舒适性评分。
在其中一个实施例中,上述若存在未确定出的指标权重,则基于预先获取到的第一主观评价数据集和预设的决策树模型,确定更新后的指标权重,包括:
针对未确定出的指标权重,获取同一类型的多个下级指标;
针对每类型的下级指标,从第一主观评价数据集中获取各下级指标对应的第一主观评价数据;
将多个第一主观评价数据依次输入到决策树模型中,得到决策树模型输出的各下级指标对应的指标权重。
在其中一个实施例中,上述基于层次分析算法和预先获取到的重要性评价数据集,确定目标机械机型各个舒适性指标对应的指标权重,包括:
针对每一舒适性指标,基于重要性评价数据集分别计算舒适性指标的各个下级指标对应的分数均值;
基于分数均值构建判断矩阵;
计算判断矩阵对应的权重向量,并基于权重向量确定舒适性指标对应的指标权重。
在其中一个实施例中,上述计算判断矩阵对应的权重向量,包括:
计算判断矩阵的最大特征值以及最大特征值对应的特征向量;
对特征向量进行归一化处理,得到特征向量对应的权重向量。
在其中一个实施例中,上述基于权重向量确定舒适性指标对应的指标权重,包括:
采用一致性检验算法对判断矩阵的一致性进行检验;
在检验通过的情况下,将权重向量对应的数值确定为权重指标。
在其中一个实施例中,上述基于更新后的指标权重和预先获取到的第二主观评价数据集,对目标机械机型的各舒适性指标进行量化处理,得到舒适性评分,包括:
分别对更新后的指标权重和第二主观评价数据集对应的数值进行相乘处理,得到舒适性评分。
在其中一个实施例中,该方法还包括:
若确定出各指标权重,则对指标权重和第一主观评价数据集对应的数值做相乘处理,得到舒适性评分。
第二方面,本申请还提供了一种舒适性量化装置,该装置包括:
第一指标权重确定模块,用于基于层次分析算法和预先获取到的重要性评价数据集,确定目标机械机型各个舒适性指标对应的指标权重;重要性评价数据集包括多个重要性评价数据,重要性评价数据用于表征舒适性指标的重要性;
第二指标权重确定模块,用于若存在未确定出的指标权重,则基于预先获取到的第一主观评价数据集和预设的决策树模型,确定更新后的指标权重;
量化模块,用于基于更新后的指标权重和预先获取到的第二主观评价数据集,对目标机械机型的各舒适性指标进行量化处理,得到舒适性评分。
第三方面,本申请还提供了一种计算机设备,包括存储器和处理器,存储器存储有计算机程序,处理器执行计算机程序时实现以下步骤:
基于层次分析算法和预先获取到的重要性评价数据集,确定目标机械机型各个舒适性指标对应的指标权重;重要性评价数据集包括多个重要性评价数据,重要性评价数据用于表征舒适性指标的重要性;
若存在未确定出的指标权重,则基于预先获取到的第一主观评价数据集和预设的决策树模型,确定更新后的指标权重;
基于更新后的指标权重和预先获取到的第二主观评价数据集,对目标机械机型的各舒适性指标进行量化处理,得到舒适性评分。
第四方面,本申请还提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
基于层次分析算法和预先获取到的重要性评价数据集,确定目标机械机型各个舒适性指标对应的指标权重;重要性评价数据集包括多个重要性评价数据,重要性评价数据用于表征舒适性指标的重要性;
若存在未确定出的指标权重,则基于预先获取到的第一主观评价数据集和预设的决策树模型,确定更新后的指标权重;
基于更新后的指标权重和预先获取到的第二主观评价数据集,对目标机械机型的各舒适性指标进行量化处理,得到舒适性评分。
第五方面,本申请还提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:
基于层次分析算法和预先获取到的重要性评价数据集,确定目标机械机型各个舒适性指标对应的指标权重;重要性评价数据集包括多个重要性评价数据,重要性评价数据用于表征舒适性指标的重要性;
若存在未确定出的指标权重,则基于预先获取到的第一主观评价数据集和预设的决策树模型,确定更新后的指标权重;
基于更新后的指标权重和预先获取到的第二主观评价数据集,对目标机械机型的各舒适性指标进行量化处理,得到舒适性评分。
上述舒适性量化方法、装置、设备、存储介质和程序产品,首先,基于层次分析算法和预先获取到的重要性评价数据集,确定目标机械机型各个舒适性指标对应的指标权重。在这一大框架的权重模型中,通过专家评价和分层结构分析,得到了各指标的相对权重。其次,当存在未确定的指标权重时,利用预先获取到的第一主观评价数据集和预设的决策树模型,确定了这些指标的更新后权重。决策树模型在填补底层指标到上一层指标权重时发挥了关键作用,尤其是对于无法使用层次分析算法计算的权重。最后,基于更新后的指标权重和预先获取到的第二主观评价数据集,对目标机械机型的各舒适性指标进行量化处理,从而得到了舒适性评分。这一综合性的评分模型结合了层次分析算法和决策树模型,填补了底层指标权重的空白,构建了一个更完整的舒适性评价体系。另外,决策树模型可以为工程机械舒适性评价提供更全面的信息,特别是在难以通过专家评价法确定权重的情况下,通过机器学习的方式挖掘指标之间的关系。
附图说明
为了更清楚地说明本申请实施例或相关技术中的技术方案,下面将对实施例或相关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申请的一些实施例,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为一个实施例中计算机设备的内部结构图;
图2为一个实施例中舒适性量化方法的流程示意图;
图3为另一个实施例中舒适性量化方法的流程示意图;
图4为另一个实施例中舒适性量化方法的流程示意图;
图5为另一个实施例中舒适性量化方法的流程示意图;
图6为另一个实施例中舒适性量化方法的流程示意图;
图7为一个实施例中舒适性量化装置的结构框图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
在一个示例性的实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图1所示。该计算机设备包括处理器、存储器、输入/输出接口(Input/Output,简称I/O)和通信接口。其中,处理器、存储器和输入/输出接口通过系统总线连接,通信接口通过输入/输出接口连接到系统总线。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储对目标机械机型进行舒适性量化过程中的数据。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种舒适性量化方法。
本领域技术人员可以理解,图1中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个示例性的实施例中,如图2所示,提供了一种舒适性量化方法,以该方法应用于图1中的计算机设备为例进行说明,包括以下S202至S206。其中:
S202,基于层次分析算法和预先获取到的重要性评价数据集,确定目标机械机型各个舒适性指标对应的指标权重。
其中,层次分析法(Analytic Hierarchy Process,简称AHP)是一种多准则决策分析方法,用于解决涉及多个层次和多个因素的问题。AHP能够将主观判断纳入到决策过程中,这使得AHP在面对复杂、多因素、多层次的决策问题时具有广泛的应用前景。
舒适性指标是用于评估产品、设备或环境对用户舒适性程度的量化标准或度量指标。在工程机械领域,舒适性指标通常涉及到驾驶员在操作工程机械时的感觉和体验。以下是一些用于评估工程机械舒适性的常见指标:
(1)座椅舒适性:包括座椅的设计、材料、调节性能等因素。座椅的支撑性、通风性和对腰部的支持都可以成为座椅舒适性的指标。
(1)操纵舒适性:涉及操纵杆、脚踏板、控制按钮等的设计和布局,以确保驾驶员在操纵工程机械时感到方便、轻松。
(3)振动和震动控制:考虑到工程机械常常在不平坦的地面操作,振动和震动的控制是关键因素。减小驾驶室内的振动可以提高驾驶员的舒适性。
(4)噪声水平:高噪声水平可能对驾驶员的健康和工作效率产生负面影响。评估噪声水平是一个重要的舒适性指标。
(5)空调和通风系统:在恶劣天气条件下,空调和通风系统的性能对于维持良好的驾驶环境至关重要。
(6)显示交互界面:工程机械的显示屏和控制界面的设计,以及信息的布局和呈现方式,也直接影响驾驶员的操作舒适性。
(7)驾驶室布局:驾驶室内的空间布局、可达性和通风性等因素都会影响到驾驶员的舒适性。
重要性评价数据集是一组用于评估舒适性指标重要性的数据,其目的是为了量化各舒适性指标对整体舒适性的影响程度。这些数据通常包含了人机工程研究人员、工程机械驾驶员以及工程机械研究人员对不同舒适性指标重要性。重要性评价数据集包括多个重要性评价数据,重要性评价数据用于表征舒适性指标的重要性。以下是构建重要性评价数据集涉及的一些步骤:
(1)专家评分组的构建:组织一组包括人机工程研究人员、工程机械驾驶员、工程机械研究人员等专业领域的专家评分组。这些专家应该具备对工程机械舒适性有深入理解的知识。
(2)指标体系的建立:根据所测目标工程机械机型,由专家构建综合性的舒适性测评指标体系。这个体系应该涵盖座椅、操纵、显示交互、振动、噪声等方面,形成多层次的指标结构。
(3)主客观评价实验室的建立:在实际工程机械机型或模拟驾驶室环境中进行座椅、操纵、显示交互等主客观测量实验。这可以通过模拟实际使用场景来获取客观数据,同时记录用户的主观感受。
(4)专家评分体系的建立:专家评分组根据工程机械特点建立包含空间、设备、环境等一级指标的大规模、多层级指标体系,并建立合适的评分方法。评价底层指标分数计算规则,将测量得到的主观分数或客观数据统一按照专家定下的标准转化为1至10的评价分数。
(5)重要性评分的获取:专家评分组对可评价的各指标进行评分,将重要性评价指标表中各项评价指标进行测量,并按照专家规定的评价规则转化为1至10的评分,初步构建驾驶舒适性重要性评价数据集。
指标权重是指各个评价指标对于整体评价结果的相对重要程度。在舒适性评价中,这些指标权重反映了驾驶员或专家对不同舒适性指标的看重程度。
在本申请实施例中,基于层次分析算法和预先获取到的重要性评价数据集,确定目标机械机型各个舒适性指标对应的指标权重。
S204,若存在未确定出的指标权重,则基于预先获取到的第一主观评价数据集和预设的决策树模型,确定更新后的指标权重。
其中,第一主观评价数据集是由额外组织的驾驶员评价组对不能确定出指标权重的舒适性指标进行评分所形成的数据集。
其中,决策树模型是一种机器学习算法,用于对一系列观测结果进行建模,并从中推断出最佳的决策路径。在工程机械舒适性评价中,决策树模型可以用于预测难以通过专家评价法确定的指标之间的重要性关系。
具体而言,使用决策树模型的步骤包括:
(1)组织驾驶员评价组:创建一个由驾驶员组成的评价组,他们对无法确定出指标权重的舒适性指标进行主观评价。
(2)数据收集:收集大量主观评价数据。
(3)数据预处理:对数据进行清洗和预处理,提高数据质量,可以包括缺失值填充、异常值处理等。
(4)构建决策树模型:利用机器学习库(如Scikit-learn)构建一个决策树模型。模型的输入是舒适性指标的评分,输出是对应的指标权重。
(5)训练模型:使用收集到的数据对决策树模型进行训练。
(6)模型评估:对模型进行评估,使用验证数据集验证模型性能,使得对未见过的数据也能做出准确的预测。
在本申请实施例中,对于未确定出的指标权重,利用预设的决策树模型,将第一主观评价数据集中的未确定指标的评分输入到模型中。决策树模型会根据已有的关系,预测更新后的指标权重。
S206,基于更新后的指标权重和预先获取到的第二主观评价数据集,对目标机械机型的各舒适性指标进行量化处理,得到舒适性评分。
其中,量化处理指的是将指标权重和预先获取到的第二主观评价数据集转化为具体的数值,以便进行进一步的分析和综合。
其中,第二主观评价数据集是指专家提供的关于舒适性指标的主观评价数据。这些数据可能包括专家的经验意见。第二主观评价数据集是对舒适性指标进行客观评估的一种手段,通过这些数据可以更全面地了解目标机械机型在不同条件下的实际表现。
在本申请实施例中,基于更新后的指标权重和预先获取到的第二主观评价数据集,对目标机械机型的各舒适性指标进行量化处理,得到舒适性评分。
在一些实施例中,可以使用更新后的指标权重和预先获取到的第二主观评价数据集,对每个舒适性指标的主观评分进行加权。将加权后的各指标分数综合起来,得到一个最终的综合得分。这个得分即为舒适性评分,代表了目标机械机型在舒适性方面的整体表现,反映了各个指标在整体舒适性中的相对重要性。
需要说明的是,在某些情况下,不同的指标可能具有不同的评分尺度或范围。为了使得不同指标的分值具有可比性,需要进行标准化处理。这可以包括将评分映射到相同的尺度,通常是0到1之间。
上述舒适性量化方法中,首先,基于层次分析算法和预先获取到的重要性评价数据集,确定目标机械机型各个舒适性指标对应的指标权重。在这一大框架的权重模型中,通过专家评价和分层结构分析,得到了各指标的相对权重。其次,当存在未确定的指标权重时,利用预先获取到的第一主观评价数据集和预设的决策树模型,确定了这些指标的更新后权重。决策树模型在填补底层指标到上一层指标权重时发挥了关键作用,尤其是对于无法使用层次分析算法计算的权重。最后,基于更新后的指标权重和预先获取到的第二主观评价数据集,对目标机械机型的各舒适性指标进行量化处理,从而得到了舒适性评分。这一综合性的评分模型结合了层次分析算法和决策树模型,填补了底层指标权重的空白,构建了一个更完整的舒适性评价体系。另外,决策树模型可以为工程机械舒适性评价提供更全面的信息,特别是在难以通过专家评价法确定权重的情况下,通过机器学习的方式挖掘指标之间的关系。
在一个示例性的实施例中,如图3所示,S204包括S302至S306。其中:
S302,针对未确定出的指标权重,获取同一类型的多个下级指标。
在本申请实施例中,对于未确定出的指标权重,获取该指标权重对应的舒适性指标,以及该舒适性指标对应的多个下级指标。参见表1所示,表1为部分驾驶评价舒适性指标表。若未确定出的舒适性指标为视野3.1和视野3.2到上级舒适性指标视野3的指标权重,则获取视野3类型下的视野3.1和视野3.2。
表1
S304,针对每类型的下级指标,从第一主观评价数据集中获取各下级指标对应的第一主观评价数据。
在本申请实施例中,针对每类型的下级指标,从第一主观评价数据集中获取各下级指标对应的第一主观评价数据。
在一些实施例中,将第一主观评价数据集划分为不同的子集,每个子集对应一组相关的下级指标。然后,从每个子集中获取相应下级指标的数据。例如,如果下级指标包括振动1、振动2和振动3,可以将第一主观评价数据集划分为三个子集,每个子集包含相应舒适性指标的评价数据。
在一些实施例中,可以随机从整个第一主观评价数据集中选择样本,使得每个下级指标都有代表性的数据被选中。
在一些实施例中,如果存在某种规律或映射关系可以明确指导选择过程,可以按照这种规律获取对应下级指标的数据。比如某个下级指标的评价总是出现在数据集的特定位置,可以按照这个规律进行选择。
选择合适的方式取决于具体的情况和数据集的性质。在实际应用中,可能需要根据数据集的结构和需求灵活选择不同的方式或结合多种方式,以使得获取到的数据具有代表性和全面性。
S306,将多个第一主观评价数据依次输入到决策树模型中,得到决策树模型输出的各下级指标对应的指标权重。
在本申请实施例中,将多个第一主观评价数据依次输入到决策树模型中,得到决策树模型输出的各下级指标对应的指标权重。
在一些实施例中,将多个第一主观评价数据按行或列方向进行拼接,形成一个更大的输入向量或矩阵,作为决策树模型的输入,得到决策树模型输出的各下级指标对应的指标权重。可选的,将多个第一主观评价数据按行或列方向进行拼接,形成一个大的输入向量或矩阵。例如,如果每个第一主观评价数据是一个向量,可以按行拼接成一个更长的向量,或者按列拼接成一个矩阵。将拼接后的数据作为输入,输入到预设的决策树模型中。决策树模型对输入的数据进行学习和预测,得到决策树模型输出的各下级指标对应的指标权重。
在一些实施例中,将每个第一主观评价数据视为一个独立的向量,直接作为决策树模型的输入,得到决策树模型输出的各下级指标对应的指标权重。
在一些实施例中,如果每个第一主观评价数据本身已经是一个矩阵,可以直接将这个矩阵作为决策树模型的输入,得到决策树模型输出的各下级指标对应的指标权重。
上述实施例中,利用机器学习中的决策树模型填补部分底层指标到上一层指标权重无法使用层次分析算法计算的空白,进而构建完整的舒适性评价体系。决策树模型方法相较于多层感知机、支持向量机等神经网络模型,具有对分类数据感知敏感、所需数据量小的特点,更加适用于数据量难以大范围取得的工程机械驾驶舒适性测量中。
在一个示例性的实施例中,如图4所示,S202包括S402至S406。其中:
S402,针对每一舒适性指标,基于重要性评价数据集分别计算舒适性指标的各个下级指标对应的分数均值。
在本申请实施例中,对于每个舒适性指标,使用重要性评价数据集中与之相关的下级指标的分数数据,计算这些分数的均值。假设有n个下级指标,计算均值的方式可以是简单地将n个分数相加后除以n。
S404,基于分数均值构建判断矩阵。
其中,判断矩阵用于表示两两比较不同元素之间的相对重要性。在AHP中,对于一个层次结构中的每一层,都需要专家对其下属元素进行两两比较,从而构建判断矩阵。
在舒适性评价中,对于每个舒适性指标及其下属的各个子指标,专家将进行两两比较,得到相应的判断矩阵。这些矩阵的构建基于专家的主观判断,反映了各指标之间的相对重要性。
在本申请实施例中,使用计算得到的分数均值,构建一个判断矩阵。
S406,计算判断矩阵对应的权重向量,并基于权重向量确定舒适性指标对应的指标权重。
在本申请实施例中,计算判断矩阵对应的权重向量,并基于权重向量确定舒适性指标对应的指标权重。
上述实施例中,通过计算各下级指标的分数均值,采用客观的数据驱动方式确定各指标在总体舒适性中的相对重要性。这有助于减少主观因素对权重确定的影响,使结果更为客观和可信。通过构建判断矩阵,可以在不同层次上细致地体现各指标之间的关系。通过计算分数均值,可以综合考虑这些因素,有效地捕捉到各下级指标的整体表现,从而更好地反映总体舒适性。判断矩阵的权重向量提供了每个指标的相对权重,这有助于在评价体系中进行细粒度的权重调整。可以根据具体需求对每个指标的权重进行调整,以更好地适应实际情况。综上所述,采用此方法有助于结合主观评价数据和客观统计数据,全面而有层次地确定舒适性指标的权重,提高评价的科学性和合理性。
在一个示例性的实施例中,如图5所示,S406中的“计算判断矩阵对应的权重向量”,包括S502至S504。其中:
S502,计算判断矩阵的最大特征值以及最大特征值对应的特征向量。
S504,对特征向量进行归一化处理,得到特征向量对应的权重向量。
在本申请实施例中,可以使用数值计算工具,例如线性代数库或专业的数学软件,对给定的舒适性判断矩阵进行特征值分解。这将得到判断矩阵的最大特征值和其对应的特征向量。
对得到的特征向量进行归一化处理。将特征向量中的每个元素除以元素之和,以确保归一化后的向量元素之和为1。归一化后的特征向量即为判断矩阵K的权重向量。这个权重向量可以用于确定舒适性指标的权重。
上述实施例中,通过计算最大特征值对应的特征向量,将其进行归一化处理,得到的权重向量用于反映各指标在总体舒适性中的相对重要性。这有助于全局层面上的指标权重确定,为舒适性评价提供了整体性的信息。
在一个示例性的实施例中,如图6所示,S406中的“基于权重向量确定舒适性指标对应的指标权重”,包括S602至S604。其中:
S602,采用一致性检验算法对判断矩阵的一致性进行检验。
S604,在检验通过的情况下,将权重向量对应的数值确定为权重指标。
其中,一致性检验的目标是确保专家判断矩阵是一致的,即专家在进行两两比较时的判断是稳定的和可靠的。只有通过了一致性检验的权重才能作为最终的权重指标使用。
在本申请实施例中,先计算一致性指标CI,CI=(λ-n)/(n-1),其中λ为判断矩阵的最大特征值,n为判断矩阵的阶数。接着根据矩阵的阶数n,查找随机一致性指标表,参见表2,表2为随机一致性指标表。取相应的随机一致性指标RI。利用CI和RI计算一致性比CR,CR=CI/RI,如果CR小于一个合理的阈值(通常设定为0.1),则认为判断矩阵通过了一致性检验。如果一致性检验通过,那么权重向量对应的数值即为权重指标。
表2
n阶 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 | 11 | 12 | 13 | 14 |
RI | 0.52 | 0.89 | 1.12 | 1.26 | 1.36 | 1.41 | 1.46 | 1.49 | 1.52 | 1.54 | 1.56 | 1.58 |
n | 15 | 16 | 17 | 18 | 19 | 20 | 21 | 22 | 23 | 24 | 25 | 26 |
RI | 1.59 | 1.5943 | 1.6064 | 1.6133 | 1.6207 | 1.6292 | 1.6358 | 1.6403 | 1.6462 | 1.6497 | 1.6556 | 1.6587 |
上述实施例中,通过一致性检验,可以验证所得权重向量的合理性和可信度。如果判断矩阵通过一致性检验,说明权重计算是基于相对一致的专家判断,提高了决策者对权重指标的信任度。一致性检验过程不仅提供了一个一致性比率,还为决策者提供了判断矩阵的一致性程度。综上所述,采用一致性检验算法对判断矩阵的一致性进行检验,有益于提高权重计算的可靠性、合理性,为决策提供更加稳定和可信的权重指标。
在一个示例性的实施例中,S206包括:
分别对更新后的指标权重和第二主观评价数据集对应的数值进行相乘处理,得到舒适性评分。
在本申请实施例中,将更新后的指标权重向量中的每个权重与第二主观评价数据集中对应的数值相乘。最后将所有相乘得到的结果求和,得到一个总分数,该总分数即为舒适性评分。舒适性评分反映了目标机械机型在舒适性方面的整体表现。通过考虑不同指标的权重和实际评价数值,综合评估了各项舒适性指标的影响,为目标机械机型提供了一个全面的舒适性评价。
上述实施例中,权重与第二主观评价数据集进行相乘,能够将主观评价数据与具体指标的个性化权重相结合。这有助于更好地反映驾驶员对不同指标的个性化重视程度。考虑第二主观评价数据集的数值,可以更全面地了解驾驶员对舒适性的主观感受。
在一个示例性的实施例中,该方法还包括:
若确定出各指标权重,则对指标权重和第一主观评价数据集对应的数值做相乘处理,得到舒适性评分。
在本申请实施例中,对于可以确定出各权重指标的舒适性指标,将指标权重和第一主观评价数据集对应的数值做相乘处理,得到舒适性评分。
上述实施例中,由于各指标的权重是通过例如层次分析法获得的,通过将这些准确的权重与第一主观评价数据集相乘,可以准确地反映各指标在整体舒适性中的相对重要性。
以下给出一个详细实施例来对本申请实施例中舒适性量化方法的过程进行说明,在上述实施例的基础上,该方法的实现过程可以包括以下内容:
S1,针对每一舒适性指标,基于重要性评价数据集分别计算舒适性指标的各个下级指标对应的分数均值;重要性评价数据集包括多个重要性评价数据,重要性评价数据用于表征舒适性指标的重要性。
S2,基于分数均值构建判断矩阵。
S3,计算判断矩阵的最大特征值以及最大特征值对应的特征向量。
S4,对特征向量进行归一化处理,得到特征向量对应的权重向量。
S5,采用一致性检验算法对判断矩阵的一致性进行检验。
S6,在检验通过的情况下,将权重向量对应的数值确定为权重指标。针对未确定出的指标权重,执行S7~S10。针对确定出的指标权重,执行S11。
S7,针对未确定出的指标权重,获取同一类型的多个下级指标。
S8,针对每类型的下级指标,从第一主观评价数据集中获取各下级指标对应的第一主观评价数据。
S9,将多个第一主观评价数据依次输入到决策树模型中,得到决策树模型输出的各下级指标对应的指标权重。
S10,分别对更新后的指标权重和第二主观评价数据集对应的数值进行相乘处理,得到舒适性评分。
S11,针对确定出的指标权重,则对指标权重和第一主观评价数据集对应的数值做相乘处理,得到舒适性评分。
应该理解的是,虽然如上的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的舒适性量化方法的舒适性量化装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个舒适性量化装置实施例中的具体限定可以参见上文中对于舒适性量化方法的限定,在此不再赘述。
在一个示例性的实施例中,如图7所示,提供了一种舒适性量化装置,包括:第一指标权重确定模块11、第二指标权重确定模块12和量化模块13,其中:
第一指标权重确定模块11,用于基于层次分析算法和预先获取到的重要性评价数据集,确定目标机械机型各个舒适性指标对应的指标权重;重要性评价数据集包括多个重要性评价数据,重要性评价数据用于表征舒适性指标的重要性;
第二指标权重确定模块12,用于若存在未确定出的指标权重,则基于预先获取到的第一主观评价数据集和预设的决策树模型,确定更新后的指标权重;
量化模块13,用于基于更新后的指标权重和预先获取到的第二主观评价数据集,对目标机械机型的各舒适性指标进行量化处理,得到舒适性评分。
在另一个实施例中,提供了另一种舒适性量化装置,在上述实施例的基础上,上述第二指标权重确定模块12可以包括:
第一获取单元,用于针对未确定出的指标权重,获取同一类型的多个下级指标;
第二获取单元,用于针对每类型的下级指标,从第一主观评价数据集中获取各下级指标对应的第一主观评价数据;
输入单元,用于将多个第一主观评价数据依次输入到决策树模型中,得到决策树模型输出的各下级指标对应的指标权重。
在另一个实施例中,提供了另一种舒适性量化装置,在上述实施例的基础上,上述第一指标权重确定模块11可以包括:
计算单元,用于针对每一舒适性指标,基于重要性评价数据集分别计算舒适性指标的各个下级指标对应的分数均值;
构建单元,用于基于分数均值构建判断矩阵;
确定单元,用于计算判断矩阵对应的权重向量,并基于权重向量确定舒适性指标对应的指标权重。
在另一个实施例中,提供了另一种舒适性量化装置,在上述实施例的基础上,上述确定单元可以包括:
计算子单元,用于计算判断矩阵的最大特征值以及最大特征值对应的特征向量;
处理子单元,用于对特征向量进行归一化处理,得到特征向量对应的权重向量;
检验子单元,用于采用一致性检验算法对判断矩阵的一致性进行检验;
确定子单元,用于在检验通过的情况下,将权重向量对应的数值确定为权重指标。
在另一个实施例中,提供了另一种舒适性量化装置,在上述实施例的基础上,上述量化模块13具体用于分别对更新后的指标权重和第二主观评价数据集对应的数值进行相乘处理,得到舒适性评分。
在另一个实施例中,提供了另一种舒适性量化装置,在上述实施例的基础上,上述装置还可以包括:
处理模块,用于若确定出各指标权重,则对指标权重和第一主观评价数据集对应的数值做相乘处理,得到舒适性评分。
上述舒适性量化装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个示例性的实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
基于层次分析算法和预先获取到的重要性评价数据集,确定目标机械机型各个舒适性指标对应的指标权重;重要性评价数据集包括多个重要性评价数据,重要性评价数据用于表征舒适性指标的重要性;
若存在未确定出的指标权重,则基于预先获取到的第一主观评价数据集和预设的决策树模型,确定更新后的指标权重;
基于更新后的指标权重和预先获取到的第二主观评价数据集,对目标机械机型的各舒适性指标进行量化处理,得到舒适性评分。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
针对未确定出的指标权重,获取同一类型的多个下级指标;
针对每类型的下级指标,从第一主观评价数据集中获取各下级指标对应的第一主观评价数据;
将多个第一主观评价数据依次输入到决策树模型中,得到决策树模型输出的各下级指标对应的指标权重。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
针对每一舒适性指标,基于重要性评价数据集分别计算舒适性指标的各个下级指标对应的分数均值;
基于分数均值构建判断矩阵;
计算判断矩阵对应的权重向量,并基于权重向量确定舒适性指标对应的指标权重。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
计算判断矩阵的最大特征值以及最大特征值对应的特征向量;
对特征向量进行归一化处理,得到特征向量对应的权重向量。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
采用一致性检验算法对判断矩阵的一致性进行检验;
在检验通过的情况下,将权重向量对应的数值确定为权重指标。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
分别对更新后的指标权重和第二主观评价数据集对应的数值进行相乘处理,得到舒适性评分。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
基于层次分析算法和预先获取到的重要性评价数据集,确定目标机械机型各个舒适性指标对应的指标权重;重要性评价数据集包括多个重要性评价数据,重要性评价数据用于表征舒适性指标的重要性;
若存在未确定出的指标权重,则基于预先获取到的第一主观评价数据集和预设的决策树模型,确定更新后的指标权重;
基于更新后的指标权重和预先获取到的第二主观评价数据集,对目标机械机型的各舒适性指标进行量化处理,得到舒适性评分。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
针对未确定出的指标权重,获取同一类型的多个下级指标;
针对每类型的下级指标,从第一主观评价数据集中获取各下级指标对应的第一主观评价数据;
将多个第一主观评价数据依次输入到决策树模型中,得到决策树模型输出的各下级指标对应的指标权重。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
针对每一舒适性指标,基于重要性评价数据集分别计算舒适性指标的各个下级指标对应的分数均值;
基于分数均值构建判断矩阵;
计算判断矩阵对应的权重向量,并基于权重向量确定舒适性指标对应的指标权重。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
计算判断矩阵的最大特征值以及最大特征值对应的特征向量;
对特征向量进行归一化处理,得到特征向量对应的权重向量。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
采用一致性检验算法对判断矩阵的一致性进行检验;
在检验通过的情况下,将权重向量对应的数值确定为权重指标。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
分别对更新后的指标权重和第二主观评价数据集对应的数值进行相乘处理,得到舒适性评分。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
若确定出各指标权重,则对指标权重和第一主观评价数据集对应的数值做相乘处理,得到舒适性评分。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:
基于层次分析算法和预先获取到的重要性评价数据集,确定目标机械机型各个舒适性指标对应的指标权重;重要性评价数据集包括多个重要性评价数据,重要性评价数据用于表征舒适性指标的重要性;
若存在未确定出的指标权重,则基于预先获取到的第一主观评价数据集和预设的决策树模型,确定更新后的指标权重;
基于更新后的指标权重和预先获取到的第二主观评价数据集,对目标机械机型的各舒适性指标进行量化处理,得到舒适性评分。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
针对未确定出的指标权重,获取同一类型的多个下级指标;
针对每类型的下级指标,从第一主观评价数据集中获取各下级指标对应的第一主观评价数据;
将多个第一主观评价数据依次输入到决策树模型中,得到决策树模型输出的各下级指标对应的指标权重。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
针对每一舒适性指标,基于重要性评价数据集分别计算舒适性指标的各个下级指标对应的分数均值;
基于分数均值构建判断矩阵;
计算判断矩阵对应的权重向量,并基于权重向量确定舒适性指标对应的指标权重。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
计算判断矩阵的最大特征值以及最大特征值对应的特征向量;
对特征向量进行归一化处理,得到特征向量对应的权重向量。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
采用一致性检验算法对判断矩阵的一致性进行检验;
在检验通过的情况下,将权重向量对应的数值确定为权重指标。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
分别对更新后的指标权重和第二主观评价数据集对应的数值进行相乘处理,得到舒适性评分。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
若确定出各指标权重,则对指标权重和第一主观评价数据集对应的数值做相乘处理,得到舒适性评分。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上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本申请专利范围的限制。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,本申请的保护范围应以所附权利要求为准。
Claims (11)
1.一种舒适性量化方法,其特征在于,所述方法包括:
基于层次分析算法和预先获取到的重要性评价数据集,确定目标机械机型各个舒适性指标对应的指标权重;所述重要性评价数据集包括多个重要性评价数据,所述重要性评价数据用于表征所述舒适性指标的重要性;
若存在未确定出的指标权重,则基于预先获取到的第一主观评价数据集和预设的决策树模型,确定更新后的指标权重;
基于所述更新后的指标权重和预先获取到的第二主观评价数据集,对所述目标机械机型的各所述舒适性指标进行量化处理,得到舒适性评分。
2.根据权利要求1所述的方法,其特征在于,所述若存在未确定出的指标权重,则基于预先获取到的第一主观评价数据集和预设的决策树模型,确定更新后的指标权重,包括:
针对所述未确定出的指标权重,获取同一类型的多个下级指标;
针对每类型的下级指标,从所述第一主观评价数据集中获取各所述下级指标对应的第一主观评价数据;
将多个所述第一主观评价数据依次输入到所述决策树模型中,得到所述决策树模型输出的各所述下级指标对应的指标权重。
3.根据权利要求1所述的方法,其特征在于,所述基于层次分析算法和预先获取到的重要性评价数据集,确定目标机械机型各个舒适性指标对应的指标权重,包括:
针对每一所述舒适性指标,基于所述重要性评价数据集分别计算所述舒适性指标的各个下级指标对应的分数均值;
基于所述分数均值构建判断矩阵;
计算所述判断矩阵对应的权重向量,并基于所述权重向量确定所述舒适性指标对应的指标权重。
4.根据权利要求3所述的方法,其特征在于,所述计算所述判断矩阵对应的权重向量,包括:
计算所述判断矩阵的最大特征值以及所述最大特征值对应的特征向量;
对所述特征向量进行归一化处理,得到所述特征向量对应的权重向量。
5.根据权利要求3所述的方法,其特征在于,所述基于所述权重向量确定所述舒适性指标对应的指标权重,包括:
采用一致性检验算法对所述判断矩阵的一致性进行检验;
在检验通过的情况下,将所述权重向量对应的数值确定为所述权重指标。
6.根据权利要求1所述的方法,其特征在于,所述基于所述更新后的指标权重和预先获取到的第二主观评价数据集,对所述目标机械机型的各所述舒适性指标进行量化处理,得到舒适性评分,包括:
分别对所述更新后的指标权重和所述第二主观评价数据集对应的数值进行相乘处理,得到所述舒适性评分。
7.根据权利要求1至6任意一项所述的方法,其特征在于,所述方法还包括:
若确定出各所述指标权重,则对所述指标权重和所述第一主观评价数据集对应的数值做相乘处理,得到所述舒适性评分。
8.一种舒适性量化装置,其特征在于,所述装置包括:
第一指标权重确定模块,用于基于层次分析算法和预先获取到的重要性评价数据集,确定目标机械机型各个舒适性指标对应的指标权重;所述重要性评价数据集包括多个重要性评价数据,所述重要性评价数据用于表征所述舒适性指标的重要性;
第二指标权重确定模块,用于若存在未确定出的指标权重,则基于预先获取到的第一主观评价数据集和预设的决策树模型,确定更新后的指标权重;
量化模块,用于基于所述更新后的指标权重和预先获取到的第二主观评价数据集,对所述目标机械机型的各所述舒适性指标进行量化处理,得到舒适性评分。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
11.一种计算机程序产品,包括计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410070628.2A CN118036443A (zh) | 2024-01-17 | 2024-01-17 | 舒适性量化方法、装置、设备、存储介质和程序产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410070628.2A CN118036443A (zh) | 2024-01-17 | 2024-01-17 | 舒适性量化方法、装置、设备、存储介质和程序产品 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118036443A true CN118036443A (zh) | 2024-05-14 |
Family
ID=90998057
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410070628.2A Pending CN118036443A (zh) | 2024-01-17 | 2024-01-17 | 舒适性量化方法、装置、设备、存储介质和程序产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118036443A (zh) |
-
2024
- 2024-01-17 CN CN202410070628.2A patent/CN118036443A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9235813B1 (en) | General framework for cross-validation of machine learning algorithms using SQL on distributed systems | |
Matthews et al. | Fitting and comparing competing models of the species abundance distribution: assessment and prospect | |
CN104834479A (zh) | 面向云平台的自动优化存储系统配置的方法及系统 | |
Pavoine et al. | Testing for phylogenetic signal in biological traits: the ubiquity of cross-product statistics | |
JP7411977B2 (ja) | 機械学習支援方法及び機械学習支援装置 | |
CN115659177A (zh) | 数据推荐模型的生成方法、装置和计算机设备 | |
CN112559900A (zh) | 产品推荐方法、装置、计算机设备和存储介质 | |
CN113822499A (zh) | 一种基于模型融合的列车备件损耗预测方法 | |
Reig-Mullor et al. | The evaluation performance for commercial banks by intuitionistic fuzzy numbers: The case of Spain | |
CN114881343A (zh) | 基于特征选择的电力系统短期负荷预测方法及装置 | |
CN114298659A (zh) | 评价对象指标的数据处理方法、装置、计算机设备 | |
CN118036443A (zh) | 舒适性量化方法、装置、设备、存储介质和程序产品 | |
Aydin et al. | Censored nonparametric time-series analysis with autoregressive error models | |
CN116050475A (zh) | 关键污染物浓度预测模型的训练方法、装置和计算机设备 | |
CN115935761A (zh) | 设备的可靠性仿真方法、装置、计算机设备和存储介质 | |
CN112528500B (zh) | 一种场景图构造模型的评估方法及评估设备 | |
CN115473219A (zh) | 负荷预测方法、装置、计算机设备和存储介质 | |
Nosek et al. | What values of Moran’s I and Theil index decomposition really mean under different conditions: On the issue of interpretation | |
CN115184055A (zh) | 一种分级测试性优化的测试集确定方法及系统 | |
CN114784795A (zh) | 风电功率预测方法、装置、电子设备及存储介质 | |
CN114819344A (zh) | 一种基于关键影响因子的全局时空气象农灾预测方法 | |
WO2011163390A1 (en) | Systems and methods for impact analysis in a computer network | |
CN116050949B (zh) | 基于坐标编码的量化指标体系生成及诊断方法以及系统 | |
Ciuperca | Automatic variable selection in a linear model on massive data | |
WO2023085195A1 (ja) | モデル生成装置、モデル生成方法及びデータ推定装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination |