CN118313568A - 设备运行状态预测方法、电子设备及存储介质 - Google Patents
设备运行状态预测方法、电子设备及存储介质 Download PDFInfo
- Publication number
- CN118313568A CN118313568A CN202410738054.1A CN202410738054A CN118313568A CN 118313568 A CN118313568 A CN 118313568A CN 202410738054 A CN202410738054 A CN 202410738054A CN 118313568 A CN118313568 A CN 118313568A
- Authority
- CN
- China
- Prior art keywords
- determining
- window
- busyness
- influence degree
- prediction
- 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 39
- 230000008859 change Effects 0.000 claims abstract description 90
- 238000002372 labelling Methods 0.000 claims description 27
- 238000012549 training Methods 0.000 claims description 24
- 238000012545 processing Methods 0.000 claims description 21
- 238000013528 artificial neural network Methods 0.000 claims description 17
- 230000000694 effects Effects 0.000 claims description 13
- 239000013598 vector Substances 0.000 claims description 13
- 238000013507 mapping Methods 0.000 claims description 8
- 230000001737 promoting effect Effects 0.000 claims description 7
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 230000000875 corresponding effect Effects 0.000 description 32
- 238000010586 diagram Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 3
- 230000008439 repair process Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000001125 extrusion Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000005491 wire drawing Methods 0.000 description 1
Abstract
本申请属于人工智能领域,提供一种设备运行状态预测方法、电子设备及存储介质。该方法获取企业的运营数据,运营数据包括产品的历史订单及推广信息;基于历史订单确定产品的需求趋势变化值;基于推广信息及预先训练的影响度预估模型,确定产品的推广影响度;基于需求趋势变化值和推广影响度,预测产品的需求量;基于产品的运行设备的历史故障信息,确定运行设备的的故障发生频率及故障解除时长;基于需求量、故障发生频率及故障解除时长,计算运行设备的繁忙程度;根据运行设备对应的可容许故障频率,确定运行设备的基准繁忙指标;根据繁忙程度及基准繁忙指标,确定运行设备的运行状态。上述方法能够提高运行状态的准确性。
Description
技术领域
本申请属于人工智能技术领域,尤其涉及一种设备运行状态预测方法、电子设备及存储介质。
背景技术
目前,为了更好的调度设备资源,设备的运行状态的预测显得非常重要。在目前的预测方案中,通常直接根据已有订单对设备的运行状态的确定。然而,这种方式受限于已有订单,导致无法准确的确定出设备的运行状态。
发明内容
本申请提供一种设备运行状态预测方法、电子设备及存储介质,以解决无法准确的确定出设备的运行状态的技术问题。
本申请实施例第一方面提供一种设备运行状态预测方法,所述方法包括:获取企业的运营数据,所述运营数据包括产品的历史订单及推广信息;基于所述历史订单确定所述产品的需求趋势变化值;基于所述推广信息及预先训练的影响度预估模型,确定所述产品的推广影响度;基于所述需求趋势变化值和所述推广影响度,预测所述产品的需求量;基于所述产品的运行设备的历史故障信息,确定所述运行设备的的故障发生频率及故障解除时长;基于所述需求量、所述故障发生频率及所述故障解除时长,计算所述运行设备的繁忙程度;根据所述运行设备对应的可容许故障频率,确定所述运行设备的基准繁忙指标;根据所述繁忙程度及所述基准繁忙指标,确定所述运行设备的运行状态。
根据本申请实施例,所述基于所述历史订单确定所述产品的需求趋势变化值包括:确定所述历史订单的订单数量及所述历史订单的订单时间;基于预设映射表确定所述订单数量对应的目标比例;所述预设映射表中包括多个预设比例及每个预设比例对应的数量区间;根据所述订单数量及所述目标比例,确定窗口数量;基于所述窗口数量对所述订单时间进行划分,得到多个时间窗口;基于所述历史订单,确定所述产品在每个所述时间窗口上的出库总量作为特征值;依据每个所述时间窗口的时间顺序,对多个所述特征值进行排序,得到特征队列;计算所述特征队列中任意相邻两个特征值的特征变化值;根据多个所述特征变化值确定所述需求趋势变化值。
根据本申请实施例,所述根据多个所述特征变化值确定所述需求趋势变化值包括:确定所述多个特征变化值的平均变化值,并确定所述多个特征变化值的标准差;根据所述平均变化值及所述标准差,确定变化值区间;统计取值在所述变化值区间的特征变化值的数量作为第一数量,并统计所述多个特征变化值的总量作为第二数量;若所述第一数量与所述第二数量的比值大于或者等于预设阈值,确定所述平均变化值作为所述需求趋势变化值;若所述比值小于所述预设阈值,根据所述特征队列中排序最后对应的特征变化值、所述特征队列中排序最前对应的特征变化值及所述第二数量,确定所述需求趋势变化值。
根据本申请实施例,所述基于所述需求趋势变化值和所述推广影响度,预测所述产品的需求量包括:确定所述特征队列中排序最后的特征值对应的时间窗口作为第一窗口;依据所述第一窗口的窗口长度,对状态预测时间进行窗口划分,得到预测窗口;确定每个所述预测窗口中的最晚时间至所述第一窗口中的最晚时间的时间长度;根据所述时间长度与所述窗口长度的长度比值、所述排序最后的特征值、所述需求趋势变化值和所述推广影响度,计算所述产品在每个所述预测窗口的需求量。
根据本申请实施例,所述基于所述需求量、所述故障发生频率及所述故障解除时长,计算所述运行设备的繁忙程度包括:基于所述故障发生频率及所述运行设备的历史故障时间,确定所述运行设备的预测故障时间;确定所述预测故障时间所处的预测窗口作为第二窗口;对于所述第二窗口,根据所述第二窗口的窗口长度及所述故障解除时长,确定所述第二窗口的可处理时长;根据所述第二窗口对应的需求量及所述可处理时长,确定所述运行设备对所述产品的目标处理速度;根据所述目标处理速度及所述产品的基准处理速度,确定所述繁忙程度。
根据本申请实施例,在基于所述推广信息及预先训练的影响度预估模型,确定所述产品的推广影响度之前,所述方法还包括:获取宣传训练信息及所述宣传训练信息的标注影响度及所述标注影响度的标注类别;获取神经网络结构,所述神经网络结构包括预设分类层、预设预测层;基于所述神经网络结构对所述宣传训练信息进行预测,得到输出结果,所述输出结果包括预测影响度及所述预测影响度的影响度类别;若所述影响度类别与所述标注类别相同,根据所述预测影响度及所述标注影响度确定所述神经网络结构对所述宣传训练信息的损失值;若所述影响度类别与所述标注类别不同,将所述损失值确定为预设值;统计取值大于预设损失阈值的损失值的数量作为第三数量,并统计多个所述损失值的数量作为第四数量;若所述第三数量在所述第四数量上的占比小于或者等于第一预设占比,统计取值等于所述预设值的损失值的数量作为第五数量;若所述第五数量在所述第四数量上的占比大于第二预设占比,调整所述预设分类层的网络参数,并根据调整后的预设分类层及所述预设预测层确定所述影响度预估模型。
根据本申请实施例,所述影响度预估模型包括编码网络层、分类网络层及程度预测网络层,所述基于所述推广信息及预先训练的影响度预估模型,确定所述产品的推广影响度包括:基于所述编码网络层将所述推广信息编码为信息向量;基于所述分类网络层对所述信息向量进行分类,得到所述推广信息的反馈类别;基于所述预测网络层对所述信息向量进行预测,得到影响程度;根据所述反馈类别及所述影响程度确定所述推广影响度。
根据本申请实施例,所述根据所述繁忙程度及所述基准繁忙指标,确定所述运行设备的运行状态包括:比较所述繁忙程度及所述基准繁忙指标;若所述繁忙程度大于所述基准繁忙指标,确定所述运行状态为忙碌状态;若所述繁忙程度等于所述基准繁忙指标,确定所述运行状态为正常状态;若所述繁忙程度小于所述基准繁忙指标,确定所述运行状态为空闲状态。
本申请实施例第二方面提供一种设备运行状态预测装置,所述装置包括:获取单元,用于获取企业的运营数据,所述运营数据包括产品的历史订单及推广信息;确定单元,用于基于所述历史订单确定所述产品的需求趋势变化值;所述确定单元,还用于基于所述推广信息及预先训练的影响度预估模型,确定所述产品的推广影响度;预测单元,用于基于所述需求趋势变化值和所述推广影响度,预测所述产品的需求量;所述确定单元,还用于基于所述产品的运行设备的历史故障信息,确定所述运行设备的的故障发生频率及故障解除时长;计算单元,用于基于所述需求量、所述故障发生频率及所述故障解除时长,计算所述运行设备的繁忙程度;所述确定单元,还用于根据所述运行设备对应的可容许故障频率,确定所述运行设备的基准繁忙指标;所述确定单元,还用于根据所述繁忙程度及所述基准繁忙指标,确定所述运行设备的运行状态。
本申请实施例第三方面提供一种电子设备,所述电子设备包括:存储器,存储计算机可读指令;及处理器,执行所述存储器中存储的计算机可读指令以实现所述设备运行状态预测方法。
本申请实施例第四方面提供一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机可读指令,所述计算机可读指令被电子设备中的处理器执行以实现所述设备运行状态预测方法。
在本申请的多个实施例中,本申请实施例通过结合需求趋势变化值和推广影响度,能够准确的预测出产品的需求量,通过运行设备的历史故障信息,能够预估运行设备的的故障发生频率及故障解除时长,进而结合需求量、所述故障发生频率及所述故障解除时长,能够准确的预测出运行设备的繁忙程度,进而通过繁忙程度及基准繁忙指标,能够提高运行状态的预测准确性。
附图说明
图1是本申请实施例提供的一种设备运行状态预测方法的电子设备的结构示意图。
图2是本申请实施例提供的设备运行状态预测方法的流程图。
图3是本申请实施例提供的设备运行状态预测装置的功能模块图。
具体实施方式
为了使本申请的目的、技术方案和优点更加清楚,下面结合附图和具体实施例对本申请进行详细描述。
需要说明的是,本申请中“至少一个”是指一个或者多个,“多个”是指两个或多于两个。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B可以表示:单独存在A,同时存在A和B,单独存在B的情况,其中A,B可以是单数或者复数。本申请的说明书和权利要求书及附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不是用于描述特定的顺序或先后次序。
在本申请实施例中,“示例性的”或者“例如”等词用于表示作例子、例证或说明。本申请实施例中被描述为“示例性的”或者“例如”的任何实施例或设计方案不应被解释为比其它实施例或设计方案更优选或更具优势。确切而言,使用“示例性的”或者“例如”等词旨在以具体方式呈现相关概念。在不冲突的情况下,下述的实施例及实施例中的特征可以相互组合。
如图1所示,是本申请实施例提供的一种设备运行状态预测方法的电子设备的结构示意图。
在本申请实施例中,设备运行状态预测方法应用于一个或者多个电子设备1中,电子设备1包括但不限于:存储器12、处理器13,以及存储在存储器12中并可在处理器13上运行的计算机可读指令,例如设备运行状态预测程序。
本领域技术人员可以理解,示意图仅仅是电子设备1的示例,并不构成对电子设备1的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如电子设备1还可以包括输入输出设备、网络接入设备、总线等。
其中,处理器13可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者处理器也可以是任何常规的处理器等,处理器13是电子设备1的运算核心和控制中心,利用各种接口和线路连接整个电子设备1的各个部分,及执行电子设备1的操作系统以及安装的各类应用程序、程序代码等。
其中,存储器12可以是电子设备1的外部存储器和/或内部存储器。进一步地,存储器12可以是具有实物形式的存储器,如内存条、TF卡(Trans-flash Card)等等。
结合图2,电子设备1中的存储器12存储计算机可读指令,处理器13可执行存储器12中存储的计算机可读指令从而实现如图2所示的多个流程以实现设备运行状态预测方法。
如图2所示,是本申请实施例提供的设备运行状态预测方法的流程图。根据不同的需求,该流程图中步骤的顺序可以改变,某些步骤可以省略。设备运行状态预测方法包括如下步骤。
S201,获取企业的运营数据。
在本申请的至少一个实施例中,运营数据包括产品的历史订单及推广信息,其中,产品可以为企业的生产产品,产品也可以为企业的销售产品,历史订单包括产品的出库时间及出库量,例如,历史订单包括A产品在10点钟对应的出库量为100件。推广信息包括用于向潜在客户宣传产品的信息,具体地,推广信息可以包括产品的购买活动信息,例如,推广信息可以包括买二送一的购买活动信息等。
在本申请的至少一个实施例中,电子设备从与企业关联的分布式系统中获取运营数据,其中,分布式系统包括各个渠道对应的系统,例如,分布式系统可以包括某一店铺对应的平台系统等。本实施例通过从分布式系统中获取运营数据,提高运营数据的全面性,通过与企业关联的分布式系统对运营数据的获取,提高运营数据的获取准确性。
S202,基于历史订单确定产品的需求趋势变化值。
在本申请的至少一个实施例中,电子设备基于历史订单确定产品的需求趋势变化值包括:确定历史订单的订单数量及历史订单的订单时间,及基于预设映射表确定订单数量对应的目标比例,根据订单数量及目标比例,确定窗口数量。电子设备基于窗口数量对订单时间进行划分,得到多个时间窗口,及基于历史订单,确定产品在每个时间窗口上的出库总量作为特征值。电子设备依据每个时间窗口的时间顺序,对多个特征值进行排序,得到特征队列,计算特征队列中任意相邻两个特征值的特征变化值,根据多个特征变化值确定需求趋势变化值。
其中,订单数量表示历史订单的数量,例如,历史订单有100份,则订单数量为100,每个历史订单中相应记录有产品的出库量。订单时间可以表示时间段,例如,订单时间可以表示最早的历史订单的生成时间至最晚的历史订单的生成时间,例如,最早的历史订单的生成时间为10月3日9点钟,最晚的历史订单的生成时间为10月3日19点钟,则订单时间可以为10月3日9点钟-10月3日19点钟。预设映射表中包括多个预设比例及每个预设比例对应的数量区间,例如,数量区间[1,100)对应的预设比例为0.5,数量区间[100,200)对应的预设比例为1等等,对于订单数量为100的历史订单,对应的目标比例为1。窗口数量可以为订单数量与目标比例的乘积。任意两个时间窗口的时长可以相同或者不相同,例如,订单时间可以为10月3日9点钟-10月3日19点钟,若窗口数量为7,则划分得到的时间窗口的时长可以为85分钟或者86分钟。每个时间窗口可以对应有一份或者多份历史订单,任一时间窗口也可以不包含历史订单。特征变化值可以是任意相邻两个特征值的差值,特征变化值也可以是任意相邻两个特征值的差值与原始特征值的比值,原始特征值可以是任意相邻两个特征值中时间最小对应的特征值。
本实施例通过结合订单数量及目标比例,能够合理的确定出窗口数量,从而提高时间窗口的划分合理性,根据每个时间窗口的时间顺序,对每个时间窗口对应的特征值进行排序,有利于准确的确定出特征变化值,从而提高需求趋势变化值的准确性。
在本申请的至少一个实施例中,电子设备基于窗口数量对订单时间进行划分,得到多个时间窗口包括:确定订单时间的订单时长,计算订单时长与窗口数量的比值作为窗口长度,若窗口长度为整数,依据窗口长度对订单时间进行滑动,得到多个时间窗口。若窗口长度不为整数,对窗口长度进行取整,依据取整后的窗口长度对订单时间进行滑动,得到多个时间窗口。例如,若窗口长度为6.67,订单时间为1-20分钟,取整后的窗口长度为7,则依据取整后的窗口长度7对订单时间进行滑动,得到的时间窗口包括:1-7分钟、8-14分钟、15-20分钟。
在本申请的至少一个实施例中,电子设备根据多个特征变化值确定需求趋势变化值包括:电子设备确定多个特征变化值的平均变化值,并确定多个特征变化值的标准差,根据平均变化值及标准差,确定变化值区间。电子设备统计取值在变化值区间的特征变化值的数量作为第一数量,并统计多个特征变化值的总量作为第二数量。若第一数量与第二数量的比值大于或者等于预设阈值,电子设备确定平均变化值作为需求趋势变化值。若比值小于预设阈值,电子设备根据特征队列中排序最后对应的特征变化值、特征队列中排序最前对应的特征变化值及第二数量,确定需求趋势变化值,需求趋势变化值的计算公式可以为:y=(a-b)*n,其中,y表示需求趋势变化值,a表示排序最后对应的特征变化值,b表示排序最前对应的特征变化值,n表示第二数量。
其中,变化值区间的左区间可以为平均变化值与标准差的倍数的差值,变化值区间的右区间可以为平均变化值与标准差的倍数的和。预设阈值可以根据需求趋势变化值的精确度需求确定,需求趋势变化值的精确度需求越高,预设阈值越大,例如,预设阈值可以设定为0.7。
本实施例通过第一数量与第二数量的比值和预设阈值的关系,能够采取不同方式确定需求趋势变化值,提高需求趋势变化值的准确性。
S203,基于推广信息及预先训练的影响度预估模型,确定产品的推广影响度。
在本申请的至少一个实施例中,影响度预估模型包括编码网络层、分类网络层及程度预测网络层,编码网络层用于将文本信息编码为向量信息,分类网络层用于识别文本信息属于积极正向信息或者消极负向信息,程度预测网络层用于识别文本信息的影响程度。
在本申请的至少一个实施例中,在基于推广信息及预先训练的影响度预估模型,确定产品的推广影响度之前,方法还包括:电子设备获取宣传训练信息及宣传训练信息的标注影响度及标注影响度的标注类别,获取神经网络结构,神经网络结构包括预设分类层、预设预测层。电子设备基于神经网络结构对宣传训练信息进行预测,得到输出结果,输出结果包括预测影响度及预测影响度的影响度类别。若影响度类别与标注类别相同,根据预测影响度及标注影响度确定神经网络结构对宣传训练信息的损失值,损失值可以为预测影响度与标注影响度的差值绝对值在标注影响度上的占比。若影响度类别与标注类别不同,将损失值确定为预设值。电子设备统计取值大于预设损失阈值的损失值的数量作为第三数量,并统计多个损失值的数量作为第四数量。若第三数量在第四数量上的占比小于或者等于第一预设占比,电子设备统计取值等于预设值的损失值的数量作为第五数量。若第五数量在第四数量上的占比大于第二预设占比,电子设备调整预设分类层的网络参数,并根据调整后的预设分类层及预设预测层确定影响度预估模型。
其中,标注影响度、预测影响度可以表示宣传训练信息对用户的影响程度,标注类别、影响度类别可以表示宣传训练信息属于积极正向信息或者消极负向信息,标注影响度和标注类别可以为用户对宣传训练信息的标注信息,预测影响度和影响度类别为神经网络结构对宣传训练信息预测得到的信息。预设值可以设定为1。第一预设占比大于第二预设占比。预设损失阈值可以根据影响度预估模型的训练精确度需求确定,预设损失阈值与训练精确度需求成正比,例如,对影响度预估模型的训练精确度需求越高,预设损失阈值越大。
本实施例根据影响度类别与标注类别的关系,采取不同方式确定损失值,提高损失值的准确性,进而通过分析取值大于预设损失阈值的损失值的第三数量,根据第三数量与第四数量的数量关系,确定对预设分类层和/或预设预测层的网络参数进行调整,能够提高影响度预估模型的训练效率。
在另一实施例中,若第三数量在第四数量上的占比大于第一预设占比,电子设备调整预设分类层的网络参数和预设预测层的网络参数,根据调整后的预设分类层及调整后的预设预测层确定影响度预估模型。若第五数量在第四数量上的占比小于或者等于第二预设占比,电子设备调整预设预测层的网络参数,并根据预设分类层及调整后的预设预测层确定影响度预估模型。
在本申请的至少一个实施例中,电子设备基于推广信息及预先训练的影响度预估模型,确定产品的推广影响度包括:电子设备基于编码网络层将推广信息编码为信息向量,基于分类网络层对信息向量进行分类,得到推广信息的反馈类别,基于预测网络层对信息向量进行预测,得到影响程度,及根据反馈类别及影响程度确定推广影响度。
S204,基于需求趋势变化值和推广影响度,预测产品的需求量。
在本申请的至少一个实施例中,需求量包括产品在每个预测窗口的需求量。
在本申请的至少一个实施例中,电子设备基于需求趋势变化值和推广影响度,预测产品的需求量包括:电子设备确定特征队列中排序最后的特征值对应的时间窗口作为第一窗口,依据第一窗口的窗口长度,对状态预测时间进行窗口划分,得到预测窗口。电子设备确定每个预测窗口中的最晚时间至第一窗口中的最晚时间的时间长度,根据时间长度与窗口长度的长度比值、排序最后的特征值、需求趋势变化值和推广影响度,计算产品在每个预测窗口的需求量,需求量的计算公式可以为:Q=L*M*P*(1+K),其中,Q表示需求量,L表示长度比值,M表示排序最后的特征值,P表示需求趋势变化值,K表示推广影响度。其中,预测窗口的获得方式与时间窗口的获得方式相似,本申请对此不再重复说明。
本实施例结合时间长度与窗口长度的长度比值、排序最后的特征值、需求趋势变化值和推广影响度,能够准确的计算出产品在每个预测窗口的需求量。
S205,基于产品的运行设备的历史故障信息,确定运行设备的的故障发生频率及故障解除时长。
在本申请的至少一个实施例中,运行设备可以为产品的生产设备,例如拉丝机、挤塑机,运行设备也可以为自动化贩卖机等生活商品设备等等。历史故障信息表示运行设备在历史时刻发生的故障的相关信息,例如,历史故障信息包括运行设备出现故障的类型、出现故障的时间及修复故障所需的时间。故障发生频率可以根据任意两次相同故障类型的故障时间差值的平均值确定,例如,任意两次相同故障类型的故障时间差值包括11天、12天、13天,则该故障类型对应的故障发生频率可以为(11+12+13)/3=12天/次。故障发生频率也可以根据任意两次故障类型的故障时间差值的平均值确定,例如,在运行设备出现A故障类型的13天后,运行设备出现B故障类型,在运行设备出现B故障类型的15天后,运行设备出现A故障类型,则故障发生频率可以为(13+15)/2=14天/次。故障解除时长表示修复故障所需的时间。若故障发生频率为任意两次相同故障类型的故障时间差值的平均值,则故障解除时长为对应故障类型的修复时长的平均值。若故障发生频率为任意两次故障类型的故障时间差值的平均值,则故障解除时长为所有故障的修复时长的平均值。
S206,基于需求量、故障发生频率及故障解除时长,计算运行设备的繁忙程度。
在本申请的至少一个实施例中,繁忙程度用于指示运行设备处于忙碌状态的程度值。
在本申请的至少一个实施例中,电子设备基于需求量、故障发生频率及故障解除时长,计算运行设备的繁忙程度包括:电子设备基于故障发生频率及运行设备的历史故障时间,确定运行设备的预测故障时间,确定预测故障时间所处的预测窗口作为第二窗口。电子设备对于第二窗口,根据第二窗口的窗口长度及故障解除时长,确定第二窗口的可处理时长,根据第二窗口对应的需求量及可处理时长,确定运行设备对产品的目标处理速度,根据目标处理速度及产品的基准处理速度,确定繁忙程度。
其中,预测故障时间可以根据故障发生频率及历史故障时间中最晚的故障时间确定。例如,故障发生频率为10天/次,历史故障时间中最晚的故障时间为10月7号3点钟,则预测故障时间可以为10月17号3点钟。可处理时长可以根据第二窗口的窗口长度与故障解除时长的差值确定。目标处理速度可以根据第二窗口对应的需求量与可处理时长的比值确定。繁忙程度可以根据目标处理速度与基准处理速度的比值确定。
本实施例通过结合窗口长度及故障解除时长,能够准确的确定出可处理时长,从而基于需求量及可处理时长确定目标处理速度,根据目标处理速度及产品的基准处理速度,提高繁忙程度的确定准确性。
在另一实施例中,对于除第二窗口外的其他预测窗口,其他预测窗口的窗口长度作为可处理时长。
S207,根据运行设备对应的可容许故障频率,确定运行设备的基准繁忙指标。
在本申请的至少一个实施例中,基准繁忙指标与可容许故障频率成正相关。
S208,根据繁忙程度及基准繁忙指标,确定运行设备的运行状态。
在本申请的至少一个实施例中,运行状态可以包括忙碌状态、正常状态和空闲状态等。
在本申请的至少一个实施例中,电子设备根据繁忙程度及基准繁忙指标,确定运行设备的运行状态包括:比较繁忙程度及基准繁忙指标,若繁忙程度大于基准繁忙指标,确定运行状态为忙碌状态。若繁忙程度等于基准繁忙指标,确定运行状态为正常状态。若繁忙程度小于基准繁忙指标,确定运行状态为空闲状态。
本实施例通过繁忙程度与基准繁忙指标的比较,能够准确的确定出运行状态。
在本申请的多个实施例中,本申请实施例通过结合需求趋势变化值和推广影响度,能够准确的预测出产品的需求量,通过运行设备的历史故障信息,能够预估运行设备的的故障发生频率及故障解除时长,进而结合需求量、故障发生频率及故障解除时长,能够准确的预测出运行设备的繁忙程度,进而通过繁忙程度及基准繁忙指标,能够提高运行状态的预测准确性。
如图3所示,是本申请实施例提供的设备运行状态预测装置的功能模块图。设备运行状态预测装置11包括获取单元110、确定单元111、预测单元112、计算单元113及统计单元114。本申请所称的模块/单元是指一种能够被处理器13所获取,并且能够完成固定功能的一系列计算机可读指令段,其存储在存储器12中。
一实施例中,获取单元110,用于获取企业的运营数据,运营数据包括产品的历史订单及推广信息;确定单元111,用于基于历史订单确定产品的需求趋势变化值;确定单元111,还用于基于推广信息及预先训练的影响度预估模型,确定产品的推广影响度;预测单元112,用于基于需求趋势变化值和推广影响度,预测产品的需求量;确定单元111,还用于基于产品的运行设备的历史故障信息,确定运行设备的的故障发生频率及故障解除时长;计算单元113,用于基于需求量、故障发生频率及故障解除时长,计算运行设备的繁忙程度;确定单元111,还用于根据运行设备对应的可容许故障频率,确定运行设备的基准繁忙指标;确定单元111,还用于根据繁忙程度及基准繁忙指标,确定运行设备的运行状态。
一实施例中,确定单元111,具体用于:确定历史订单的订单数量及历史订单的订单时间;基于预设映射表确定订单数量对应的目标比例;预设映射表中包括多个预设比例及每个预设比例对应的数量区间;根据订单数量及目标比例,确定窗口数量;基于窗口数量对订单时间进行划分,得到多个时间窗口;基于历史订单,确定产品在每个时间窗口上的出库总量作为特征值;依据每个时间窗口的时间顺序,对多个特征值进行排序,得到特征队列;计算特征队列中任意相邻两个特征值的特征变化值;根据多个特征变化值确定需求趋势变化值。
一实施例中,确定单元111,具体还用于:确定多个特征变化值的平均变化值,并确定多个特征变化值的标准差;根据平均变化值及标准差,确定变化值区间;统计取值在变化值区间的特征变化值的数量作为第一数量,并统计多个特征变化值的总量作为第二数量;若第一数量与第二数量的比值大于或者等于预设阈值,确定平均变化值作为需求趋势变化值;若比值小于预设阈值,根据特征队列中排序最后对应的特征变化值、特征队列中排序最前对应的特征变化值及第二数量,确定需求趋势变化值。
一实施例中,预测单元112,具体用于:确定特征队列中排序最后的特征值对应的时间窗口作为第一窗口;依据第一窗口的窗口长度,对状态预测时间进行窗口划分,得到预测窗口;确定每个预测窗口中的最晚时间至第一窗口中的最晚时间的时间长度;根据时间长度与窗口长度的长度比值、排序最后的特征值、需求趋势变化值和推广影响度,计算产品在每个预测窗口的需求量。
一实施例中,计算单元113,具体用于:基于故障发生频率及运行设备的历史故障时间,确定运行设备的预测故障时间;确定预测故障时间所处的预测窗口作为第二窗口;对于第二窗口,根据第二窗口的窗口长度及故障解除时长,确定第二窗口的可处理时长;根据第二窗口对应的需求量及可处理时长,确定运行设备对产品的目标处理速度;根据目标处理速度及产品的基准处理速度,确定繁忙程度。
一实施例中,在基于推广信息及预先训练的影响度预估模型,确定产品的推广影响度之前,获取单元110,还用于获取宣传训练信息及宣传训练信息的标注影响度及标注影响度的标注类别;获取单元110,还用于获取神经网络结构,神经网络结构包括预设分类层、预设预测层;预测单元112,还用于基于神经网络结构对宣传训练信息进行预测,得到输出结果,输出结果包括预测影响度及预测影响度的影响度类别;确定单元111,还用于若影响度类别与标注类别相同,根据预测影响度及标注影响度确定神经网络结构对宣传训练信息的损失值;确定单元111,还用于若影响度类别与标注类别不同,将损失值确定为预设值;统计单元114,用于统计取值大于预设损失阈值的损失值的数量作为第三数量,并统计多个损失值的数量作为第四数量;统计单元114,还用于若第三数量在第四数量上的占比小于或者等于第一预设占比,统计取值等于预设值的损失值的数量作为第五数量;确定单元111,还用于若第五数量在第四数量上的占比大于第二预设占比,调整预设分类层的网络参数,并根据调整后的预设分类层及预设预测层确定影响度预估模型。
一实施例中,影响度预估模型包括编码网络层、分类网络层及程度预测网络层,确定单元111,具体用于:基于编码网络层将推广信息编码为信息向量;基于分类网络层对信息向量进行分类,得到推广信息的反馈类别;基于预测网络层对信息向量进行预测,得到影响程度;根据反馈类别及影响程度确定推广影响度。
一实施例中,确定单元111,具体用于:比较繁忙程度及基准繁忙指标;若繁忙程度大于基准繁忙指标,确定运行状态为忙碌状态;若繁忙程度等于基准繁忙指标,确定运行状态为正常状态;若繁忙程度小于基准繁忙指标,确定运行状态为空闲状态。
在本申请的多个实施例中,本申请实施例通过结合需求趋势变化值和推广影响度,能够准确的预测出产品的需求量,通过运行设备的历史故障信息,能够预估运行设备的的故障发生频率及故障解除时长,进而结合需求量、故障发生频率及故障解除时长,能够准确的预测出运行设备的繁忙程度,进而通过繁忙程度及基准繁忙指标,能够提高运行状态的预测准确性。
电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请实现上述实施例方法中的全部或部分流程,也可以通过计算机可读指令来指令相关的硬件完成,计算机可读指令可存储于一计算机可读存储介质中,该计算机可读指令在被处理器执行时,可实现上述各个方法实施例的步骤。
其中,计算机可读指令包括计算机可读指令代码,计算机可读指令代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括:能够携带计算机可读指令代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random AccessMemory)。
具体地,处理器13对上述计算机可读指令的具体实现方法可参考图2对应实施例中相关步骤的描述,在此不赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本申请的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本申请内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本申请的技术方案而非限制,尽管参照较佳实施例对本申请进行了详细说明,本领域的普通技术人员应当理解,可以对本申请的技术方案进行修改或等同替换,而不脱离本申请技术方案的精神和范围。
Claims (10)
1.一种设备运行状态预测方法,其特征在于,所述方法包括:
获取企业的运营数据,所述运营数据包括产品的历史订单及推广信息;
基于所述历史订单确定所述产品的需求趋势变化值;
基于所述推广信息及预先训练的影响度预估模型,确定所述产品的推广影响度;
基于所述需求趋势变化值和所述推广影响度,预测所述产品的需求量;
基于所述产品的运行设备的历史故障信息,确定所述运行设备的的故障发生频率及故障解除时长;
基于所述需求量、所述故障发生频率及所述故障解除时长,计算所述运行设备的繁忙程度;
根据所述运行设备对应的可容许故障频率,确定所述运行设备的基准繁忙指标;
根据所述繁忙程度及所述基准繁忙指标,确定所述运行设备的运行状态。
2.根据权利要求1所述的设备运行状态预测方法,其特征在于,所述基于所述历史订单确定所述产品的需求趋势变化值包括:
确定所述历史订单的订单数量及所述历史订单的订单时间;
基于预设映射表确定所述订单数量对应的目标比例;所述预设映射表中包括多个预设比例及每个预设比例对应的数量区间;
根据所述订单数量及所述目标比例,确定窗口数量;
基于所述窗口数量对所述订单时间进行划分,得到多个时间窗口;
基于所述历史订单,确定所述产品在每个所述时间窗口上的出库总量作为特征值;
依据每个所述时间窗口的时间顺序,对多个所述特征值进行排序,得到特征队列;
计算所述特征队列中任意相邻两个特征值的特征变化值;
根据多个所述特征变化值确定所述需求趋势变化值。
3.根据权利要求2所述的设备运行状态预测方法,其特征在于,所述根据多个所述特征变化值确定所述需求趋势变化值包括:
确定所述多个特征变化值的平均变化值,并确定所述多个特征变化值的标准差;
根据所述平均变化值及所述标准差,确定变化值区间;
统计取值在所述变化值区间的特征变化值的数量作为第一数量,并统计所述多个特征变化值的总量作为第二数量;
若所述第一数量与所述第二数量的比值大于或者等于预设阈值,确定所述平均变化值作为所述需求趋势变化值;
若所述比值小于所述预设阈值,根据所述特征队列中排序最后对应的特征变化值、所述特征队列中排序最前对应的特征变化值及所述第二数量,确定所述需求趋势变化值。
4.根据权利要求2所述的设备运行状态预测方法,其特征在于,所述基于所述需求趋势变化值和所述推广影响度,预测所述产品的需求量包括:
确定所述特征队列中排序最后的特征值对应的时间窗口作为第一窗口;
依据所述第一窗口的窗口长度,对状态预测时间进行窗口划分,得到预测窗口;
确定每个所述预测窗口中的最晚时间至所述第一窗口中的最晚时间的时间长度;
根据所述时间长度与所述窗口长度的长度比值、所述排序最后的特征值、所述需求趋势变化值和所述推广影响度,计算所述产品在每个所述预测窗口的需求量。
5.根据权利要求4所述的设备运行状态预测方法,其特征在于,所述基于所述需求量、所述故障发生频率及所述故障解除时长,计算所述运行设备的繁忙程度包括:
基于所述故障发生频率及所述运行设备的历史故障时间,确定所述运行设备的预测故障时间;
确定所述预测故障时间所处的预测窗口作为第二窗口;
对于所述第二窗口,根据所述第二窗口的窗口长度及所述故障解除时长,确定所述第二窗口的可处理时长;
根据所述第二窗口对应的需求量及所述可处理时长,确定所述运行设备对所述产品的目标处理速度;
根据所述目标处理速度及所述产品的基准处理速度,确定所述繁忙程度。
6.根据权利要求1所述的设备运行状态预测方法,其特征在于,在基于所述推广信息及预先训练的影响度预估模型,确定所述产品的推广影响度之前,所述方法还包括:
获取宣传训练信息及所述宣传训练信息的标注影响度及所述标注影响度的标注类别;
获取神经网络结构,所述神经网络结构包括预设分类层、预设预测层;
基于所述神经网络结构对所述宣传训练信息进行预测,得到输出结果,所述输出结果包括预测影响度及所述预测影响度的影响度类别;
若所述影响度类别与所述标注类别相同,根据所述预测影响度及所述标注影响度确定所述神经网络结构对所述宣传训练信息的损失值;若所述影响度类别与所述标注类别不同,将所述损失值确定为预设值;
统计取值大于预设损失阈值的损失值的数量作为第三数量,并统计多个所述损失值的数量作为第四数量;
若所述第三数量在所述第四数量上的占比小于或者等于第一预设占比,统计取值等于所述预设值的损失值的数量作为第五数量;
若所述第五数量在所述第四数量上的占比大于第二预设占比,调整所述预设分类层的网络参数,并根据调整后的预设分类层及所述预设预测层确定所述影响度预估模型。
7.根据权利要求1所述的设备运行状态预测方法,其特征在于,所述影响度预估模型包括编码网络层、分类网络层及程度预测网络层,所述基于所述推广信息及预先训练的影响度预估模型,确定所述产品的推广影响度包括:
基于所述编码网络层将所述推广信息编码为信息向量;
基于所述分类网络层对所述信息向量进行分类,得到所述推广信息的反馈类别;
基于所述预测网络层对所述信息向量进行预测,得到影响程度;
根据所述反馈类别及所述影响程度确定所述推广影响度。
8.根据权利要求1所述的设备运行状态预测方法,其特征在于,所述根据所述繁忙程度及所述基准繁忙指标,确定所述运行设备的运行状态包括:
比较所述繁忙程度及所述基准繁忙指标;
若所述繁忙程度大于所述基准繁忙指标,确定所述运行状态为忙碌状态;
若所述繁忙程度等于所述基准繁忙指标,确定所述运行状态为正常状态;
若所述繁忙程度小于所述基准繁忙指标,确定所述运行状态为空闲状态。
9. 一种电子设备,其特征在于,包括:
存储器,存储有计算机可读指令;及
处理器,执行所述存储器中存储的计算机可读指令以实现如权利要求1至8中任一项所述的设备运行状态预测方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机可读指令,所述计算机可读指令被电子设备中的处理器执行以实现如权利要求1至8中任一项所述的设备运行状态预测方法。
Publications (1)
Publication Number | Publication Date |
---|---|
CN118313568A true CN118313568A (zh) | 2024-07-09 |
Family
ID=
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112150237B (zh) | 多模型融合的订单逾期预警方法、装置、设备及存储介质 | |
US20130166350A1 (en) | Cluster based processing for forecasting intermittent demand | |
CN112581182B (zh) | 自动售货设备的销售管理方法及系统 | |
US20200111174A1 (en) | Probabilistic Load Forecasting via Point Forecast Feature Integration | |
CN111786385B (zh) | 一种电网运维方案规划方法、系统及设备 | |
CN110555578A (zh) | 一种销量预测方法和装置 | |
CN111339157B (zh) | 一种配电网日运行效率计算及预测方法、系统及设备 | |
CN113191533A (zh) | 仓库用工预测方法、装置、设备及存储介质 | |
CN117557199B (zh) | 一种基于数学模型的智慧仓储方法、系统及存储介质 | |
CN111127114A (zh) | 一种电力负荷申报数据的确定方法以及装置 | |
CN111523083A (zh) | 一种电力负荷申报数据的确定方法以及装置 | |
CN118313568A (zh) | 设备运行状态预测方法、电子设备及存储介质 | |
CN115759401A (zh) | 一种电力市场成员竞价行为预测标签生成方法和系统 | |
CN115689713A (zh) | 异常风险数据处理方法、装置、计算机设备和存储介质 | |
CN115345663A (zh) | 营销策略评估方法、装置、电子设备及存储介质 | |
CN111815348B (zh) | 一种基于各门店商品相似度聚类的区域商品生产计划方法 | |
CN113379125B (zh) | 一种基于TCN和LightGBM组合模型的物流仓储销售量预测方法 | |
CN114817408B (zh) | 调度资源识别方法、装置、电子设备及存储介质 | |
CN116107849B (zh) | 一种基于人工智能的数据中台能耗管理系统 | |
CN115034645B (zh) | 生产计划可行性判断方法、系统、电子设备及存储介质 | |
CN116070781B (zh) | 电能计量设备需求预测方法、装置和计算机设备 | |
CN117762577B (zh) | 基于网格化实现的数字产品区域调度方法及系统 | |
CN111754056B (zh) | 模型评估方法以及相关装置 | |
CN115689623A (zh) | 数据预测方法及系统 | |
CN118333528A (zh) | 采购计划排配方法、装置及电子设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication |