JP2021018821A - データインテリジェント予測方法、装置、コンピュータ機器及び記憶媒体 - Google Patents
データインテリジェント予測方法、装置、コンピュータ機器及び記憶媒体 Download PDFInfo
- Publication number
- JP2021018821A JP2021018821A JP2020123386A JP2020123386A JP2021018821A JP 2021018821 A JP2021018821 A JP 2021018821A JP 2020123386 A JP2020123386 A JP 2020123386A JP 2020123386 A JP2020123386 A JP 2020123386A JP 2021018821 A JP2021018821 A JP 2021018821A
- Authority
- JP
- Japan
- Prior art keywords
- sensing node
- data
- sensing
- prediction model
- monitoring
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
Description
データインテリジェント予測方法であって、
複数のセンシングノードによる目標対象物の状態の監視データを周期的に取得し、全てのセンシングノードの監視データが1つの時間的かつ空間的に分布しているデータセットを形成するステップと、
時間的かつ空間的に分布しているデータセットからトレーニングセットを取得し、各センシングノードに対応する予測モデルを構築するステップと、
トレーニングセットを利用して予測モデルをトレーニングし、各センシングノードの監視データとほかのセンシングノードの監視データとのマッピング関係を作成するステップと、
トレーニングされた予測モデルを利用して各センシングノードをリアルタイムに予測し、各センシングノードの予測監視値を取得するステップと、
各センシングノードの予測監視値と該センシングノードによって収集された実際監視値との差分に基づいて、各センシングノードの故障診断を実現するステップとを含む。
トレーニングセットでは、1個のセンシングノードの監視データを予測モデルの出力とし、ほかのセンシングノードの監視データを予測モデルの入力とし、各センシングノードに対応する予測モデルを構築するステップを含む。
トレーニングセットでは、データマイニングによって、相関性の高いセンシングノードを取得し、相関性の高いセンシングノードを合併し、新たなセンシングノードセットを形成するステップと、
相関性の高いセンシングノードの監視データの平均値を算出し、前記平均値を新たなセンシングノードセット中の合併センシングノードの監視データとするステップと、
新たなセンシングノードセットに対して、1個のセンシングノードの監視データを予測モデルの出力とし、ほかのセンシングノードの監視データを予測モデルの入力とし、各センシングノードに対応する予測モデルを構築するステップとを含む。
任意の2個のセンシングノードの監視データ間の相関係数を算出するステップと、
相関係数が第1所定閾値より大きいと、これら2個のセンシングノードの相関性が高いと判断するステップとを含む。
1個のセンシングノードに対して、ほかのセンシングノードによって収集された実際監視データを、該センシングノードに対応する予測モデルの入力とし、トレーニングされた予測モデルを利用して該センシングノードの予測監視値を取得するステップを含む。
各センシングノードの予測監視値と該センシングノードによって収集された実際監視値との差分を算出するステップと、
特定のセンシングノードの予測監視値と該センシングノードによって収集された実際監視値との差分が第2所定閾値よりも大きいと、該センシングノードが故障すると診断するステップとを含む。
トレーニングセットを利用して、ランダムフォレストによって予測モデルをトレーニングし、各センシングノードの監視データとほかのセンシングノードの監視データとのマッピング関係を作成するステップ、
または、トレーニングセットを利用して、人工ニューラルネットワークによって予測モデルをトレーニングし、各センシングノードの監視データとほかのセンシングノードの監視データとのマッピング関係を作成するステップ、
または、トレーニングセットを利用して、深層学習アルゴリズムによって予測モデルをトレーニングし、各センシングノードの監視データとほかのセンシングノードの監視データとのマッピング関係を作成するステップとを含む。
トレーニングセットに対してデータ前処理を行うステップをさらに含み、前記データ前処理は、データクリーニング、データ統合、データ変換及びデータ縮約を含む。
データインテリジェント予測装置であって、
複数のセンシングノードによる目標対象物の状態の監視データを周期的に取得し、全てのセンシングノードの監視データが1つの時間的かつ空間的に分布しているデータセットを形成するための取得モジュールと、
時間的かつ空間的に分布しているデータセットからトレーニングセットを取得し、各センシングノードに対応する予測モデルを構築するための構築モジュールと、
トレーニングセットを利用して予測モデルをトレーニングし、各センシングノードの監視データとほかのセンシングノードの監視データとのマッピング関係を作成するためのトレーニングモジュールと、
トレーニングされた予測モデルを利用して各センシングノードをリアルタイムに予測し、各センシングノードの予測監視値を取得するための予測モジュールと、
各センシングノードの予測監視値と該センシングノードによって収集された実際監視値との差分に基づいて、各センシングノードの故障診断を実現するための故障診断モジュールとを備える。
コンピュータ機器であって、プロセッサと、プロセッサが実行可能なプログラムを記憶するためのメモリとを備え、前記プロセッサがメモリに記憶されるプログラムを実行するとき、上記のデータインテリジェント予測方法を実現する。
記憶媒体であって、プログラムが記憶され、前記プログラムがプロセッサによって実行されるとき、上記のデータインテリジェント予測方法を実現する。
図1に示すように、本実施例は、以下のステップを含むデータインテリジェント予測方法を提供する。
S101、複数のセンシングノードによる目標対象物の状態の監視データを周期的に取得する。
図4に示すように、本実施例は、データインテリジェント予測装置を提供し、該装置は、取得モジュール401、構築モジュール402、トレーニングモジュール403、予測モジュール404及び故障診断モジュール405を備え、各モジュールの具体的な機能は以下の通りである。
本実施例は、コンピュータ機器を提供し、該コンピュータ機器は、サーバであり得、図6に示すように、システムバス501を介して接続されるプロセッサ602、メモリ及びネットワークインターフェース603を備え、該プロセッサは、算出及び制御能力を提供することに用いられ、該メモリは、不揮発性記憶媒体604と、内部メモリ605とを備え、該不揮発性記憶媒体604は、オペレーティングシステム、コンピュータプログラム及びデータベースを記憶し、該内部メモリ605は、不揮発性記憶媒体中のオペレーティングシステム及びコンピュータプログラムの運転へ環境を提供し、プロセッサ602がメモリに記憶されるコンピュータプログラムを実行するとき、上記実施例1の以下のデータインテリジェント予測方法を実現する。
複数のセンシングノードによる目標対象物の状態の監視データを周期的に取得し、全てのセンシングノードの監視データが1つの時間的かつ空間的に分布しているデータセットを形成し、
時間的かつ空間的に分布しているデータセットからトレーニングセットを取得し、各センシングノードに対応する予測モデルを構築し、
トレーニングセットを利用して予測モデルをトレーニングし、各センシングノードの監視データとほかのセンシングノードの監視データとのマッピング関係を作成し、
トレーニングされた予測モデルを利用して各センシングノードをリアルタイムに予測し、各センシングノードの予測監視値を取得し、
各センシングノードの予測監視値と該センシングノードによって収集された実際監視値との差分に基づいて、各センシングノードの故障診断を実現する。
トレーニングセットに対してデータ前処理を行うステップをさらに含み、前記データ前処理がデータクリーニング、データ統合、データ変換及びデータ縮約を含む。
1個のセンシングノードに対して、ほかのセンシングノードによって収集された実際監視データを、該センシングノードに対応する予測モデルの入力とし、トレーニングされた予測モデルを利用して該センシングノードの予測監視値を取得する。
各センシングノードの予測監視値と該センシングノードによって収集された実際監視値との差分を算出するステップと、
特定のセンシングノードの予測監視値と該センシングノードによって収集された実際監視値との差分が第2所定閾値よりも大きいと、該センシングノードが故障すると診断するステップとを含む。
本実施例は、記憶媒体を提供し、該記憶媒体は、コンピュータプログラムが記憶された、コンピュータで読み取り可能な記憶媒体であり得、前記プログラムがプロセッサによって実行され、プロセッサがメモリに記憶されるコンピュータプログラムを実行するとき、上記実施例1の以下のデータインテリジェント予測方法を実現する。
複数のセンシングノードによる目標対象物の状態の監視データを周期的に取得し、全てのセンシングノードの監視データが1つの時間的かつ空間的に分布しているデータセットを形成し、
時間的かつ空間的に分布しているデータセットからトレーニングセットを取得し、各センシングノードに対応する予測モデルを構築し、
トレーニングセットを利用して予測モデルをトレーニングし、各センシングノードの監視データとほかのセンシングノードの監視データとのマッピング関係を作成し、
トレーニングされた予測モデルを利用して各センシングノードをリアルタイムに予測し、各センシングノードの予測監視値を取得し、
各センシングノードの予測監視値と該センシングノードによって収集された実際監視値との差分に基づいて、各センシングノードの故障診断を実現する。
トレーニングセットに対してデータ前処理を行うステップをさらに含み、前記データ前処理は、データクリーニング、データ統合、データ変換及びデータ縮約を含む。
1個のセンシングノードに対して、ほかのセンシングノードによって収集された実際監視データを、該センシングノードに対応する予測モデルの入力とし、トレーニングされた予測モデルを利用して該センシングノードの予測監視値を取得するステップを含む。
各センシングノードの予測監視値と該センシングノードによって収集された実際監視値との差分を算出するステップと、
特定のセンシングノードの予測監視値と該センシングノードによって収集された実際監視値との差分が第2所定閾値よりも大きいと、該センシングノードが故障すると診断するステップとを含む。
Claims (10)
- 複数のセンシングノードによる目標対象物の状態の監視データを周期的に取得し、全てのセンシングノードの監視データが1つの時間的かつ空間的に分布しているデータセットを形成するステップと、
時間的かつ空間的に分布しているデータセットからトレーニングセットを取得し、各センシングノードに対応する予測モデルを構築するステップと、
トレーニングセットを利用して予測モデルをトレーニングし、各センシングノードの監視データとほかのセンシングノードの監視データとのマッピング関係を作成するステップと、
トレーニングされた予測モデルを利用して各センシングノードをリアルタイムに予測し、各センシングノードの予測監視値を取得するステップと、
各センシングノードの予測監視値と該センシングノードによって収集された実際監視値との差分に基づいて、各センシングノードの故障診断を実現するステップとを含む、ことを特徴とするデータインテリジェント予測方法。 - 各センシングノードに対応する予測モデルを構築する前記ステップは、具体的には、
トレーニングセットでは、1個のセンシングノードの監視データを予測モデルの出力とし、ほかのセンシングノードの監視データを予測モデルの入力とし、各センシングノードに対応する予測モデルを構築するステップを含む、ことを特徴とする請求項1に記載のデータインテリジェント予測方法。 - 各センシングノードに対応する予測モデルを構築する前記ステップは、
トレーニングセットでは、データマイニングによって、相関性の高いセンシングノードを取得し、相関性の高いセンシングノードを合併し、新たなセンシングノードセットを形成するステップと、
相関性の高いセンシングノードの監視データの平均値を算出し、前記平均値を新たなセンシングノードセット中の合併センシングノードの監視データとするステップと、
新たなセンシングノードセットに対して、1個のセンシングノードの監視データを予測モデルの出力とし、ほかのセンシングノードの監視データを予測モデルの入力とし、各センシングノードに対応する予測モデルを構築するステップとを含む、ことを特徴とする請求項1に記載のデータインテリジェント予測方法。 - データマイニングによって、相関性の高いセンシングノードを取得する前記ステップは、具体的には、
任意の2個のセンシングノードの監視データ間の相関係数を算出するステップと、
相関係数が第1所定閾値より大きいと、これら2個のセンシングノードの相関性が高いと判断するステップとを含む、ことを特徴とする請求項3に記載のデータインテリジェント予測方法。 - トレーニングされた予測モデルを利用して各センシングノードをリアルタイムに予測し、各センシングノードの予測監視値を取得する前記ステップは、具体的には、
1個のセンシングノードに対して、ほかのセンシングノードによって収集された実際監視データを、該センシングノードに対応する予測モデルの入力とし、トレーニングされた予測モデルを利用して該センシングノードの予測監視値を取得するステップを含む、ことを特徴とする請求項1に記載のデータインテリジェント予測方法。 - 各センシングノードの予測監視値に基づいて、各センシングノードの故障診断を実現する前記ステップは、具体的には、
各センシングノードの予測監視値と該センシングノードによって収集された実際監視値との差分を算出するステップと、
特定のセンシングノードの予測監視値と該センシングノードによって収集された実際監視値との差分が第2所定閾値よりも大きいと、該センシングノードが故障すると診断するステップとを含む、ことを特徴とする請求項1に記載のデータインテリジェント予測方法。 - トレーニングセットを利用して予測モデルをトレーニングし、各センシングノードの監視データとほかのセンシングノードの監視データとのマッピング関係を作成する前記ステップは、具体的には、
トレーニングセットを利用して、ランダムフォレストによって予測モデルをトレーニングし、各センシングノードの監視データとほかのセンシングノードの監視データとのマッピング関係を作成するステップ、
または、トレーニングセットを利用して、人工ニューラルネットワークによって予測モデルをトレーニングし、各センシングノードの監視データとほかのセンシングノードの監視データとのマッピング関係を作成するステップ、
または、トレーニングセットを利用して、深層学習アルゴリズムによって予測モデルをトレーニングし、各センシングノードの監視データとほかのセンシングノードの監視データとのマッピング関係を作成するステップを含む、ことを特徴とする請求項1〜6のいずれか1項に記載のデータインテリジェント予測方法。 - 複数のセンシングノードによる目標対象物の状態の監視データを周期的に取得し、全てのセンシングノードの監視データが1つの時間的かつ空間的に分布しているデータセットを形成するための取得モジュールと、
時間的かつ空間的に分布しているデータセットからトレーニングセットを取得し、各センシングノードに対応する予測モデルを構築するための構築モジュールと、
トレーニングセットを利用して予測モデルをトレーニングし、各センシングノードの監視データとほかのセンシングノードの監視データとのマッピング関係を作成するためのトレーニングモジュールと、
トレーニングされた予測モデルを利用して各センシングノードをリアルタイムに予測し、各センシングノードの予測監視値を取得するための予測モジュールと、
各センシングノードの予測監視値と該センシングノードによって収集された実際監視値との差分に基づいて、各センシングノードの故障診断を実現するための故障診断モジュールを備える、ことを特徴とするデータインテリジェント予測装置。 - プロセッサと、プロセッサが実行可能なプログラムを記憶するためのメモリとを備えるコンピュータ機器であって、前記プロセッサがメモリに記憶されるプログラムを実行するとき、請求項1〜7のいずれか1項に記載のデータインテリジェント予測方法を実現する、ことを特徴とするコンピュータ機器。
- プログラムが記憶される記憶媒体であって、前記プログラムがプロセッサによって実行されるとき、請求項1〜7のいずれか1項に記載のデータインテリジェント予測方法を実現する、ことを特徴とする記憶媒体。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910648287.1A CN110348536A (zh) | 2019-07-18 | 2019-07-18 | 数据智能预测方法、装置、计算机设备及存储介质 |
CN201910648287.1 | 2019-07-18 |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2021018821A true JP2021018821A (ja) | 2021-02-15 |
Family
ID=68174991
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020123386A Pending JP2021018821A (ja) | 2019-07-18 | 2020-07-20 | データインテリジェント予測方法、装置、コンピュータ機器及び記憶媒体 |
Country Status (2)
Country | Link |
---|---|
JP (1) | JP2021018821A (ja) |
CN (1) | CN110348536A (ja) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113807593A (zh) * | 2021-09-22 | 2021-12-17 | 广东电网有限责任公司 | 基于电力调度的数据数量和数据质量预测方法及系统 |
CN114358400A (zh) * | 2021-12-21 | 2022-04-15 | 浙江高信技术股份有限公司 | 一种智慧桥隧涵边坡监控系统 |
CN115289606A (zh) * | 2022-07-13 | 2022-11-04 | 杭州安脉盛智能技术有限公司 | 除湿机在线故障诊断方法、系统、服务器及存储介质 |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111351664B (zh) * | 2020-02-13 | 2022-02-01 | 成都运达科技股份有限公司 | 一种基于lstm模型的轴承温度预测和报警诊断方法 |
CN112836180B (zh) * | 2021-04-19 | 2021-07-23 | 北京瑞莱智慧科技有限公司 | 传感数据确定方法、装置、电子设备及可读存储介质 |
CN114021475B (zh) * | 2021-11-17 | 2024-05-31 | 中国南方电网有限责任公司超高压输电公司昆明局 | 基于lstm的避雷器故障判断方法、装置、设备、介质和产品 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011243118A (ja) * | 2010-05-20 | 2011-12-01 | Hitachi Ltd | 監視診断装置および監視診断方法 |
JP2015104765A (ja) * | 2013-11-29 | 2015-06-08 | 株式会社ジェイテクト | 工作機械および工作機械における加工制御方法 |
JP2017207904A (ja) * | 2016-05-18 | 2017-11-24 | エヌ・ティ・ティ・コミュニケーションズ株式会社 | 異常検知システム、モデル生成装置、異常検知装置、異常検知方法、モデル生成プログラム、および、異常検知プログラム |
JP2019028929A (ja) * | 2017-08-03 | 2019-02-21 | 株式会社日立パワーソリューションズ | プリプロセッサおよび異常予兆診断システム |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8576392B2 (en) * | 2011-02-09 | 2013-11-05 | Siemens Energy, Inc. | Multiplexed optical fiber crack sensor |
US9447778B2 (en) * | 2011-11-02 | 2016-09-20 | Vestas Wind Systems A/S | Methods and systems for detecting sensor fault modes |
CN103546916B (zh) * | 2013-11-07 | 2016-08-17 | 东南大学 | 基于数据增量图的异常检测方法 |
JP2017537666A (ja) * | 2014-09-30 | 2017-12-21 | コーニンクレッカ フィリップス エヌ ヴェKoninklijke Philips N.V. | 光形状感知ファイバを用いたトリガ |
CN106998226B (zh) * | 2017-03-22 | 2019-04-19 | 信阳师范学院 | 光纤光栅传感器网络智能健康监测自修复系统及方法 |
CN107582030A (zh) * | 2017-08-25 | 2018-01-16 | 天津大学 | 基于bp神经网络的人体表面皮肤温度场测量方法 |
CN109186811B (zh) * | 2018-09-18 | 2021-01-05 | 天津科技大学 | 一种基于bp神经网络的fbg温度标定方法 |
CN109443430B (zh) * | 2018-10-31 | 2020-10-16 | 武汉理工大学 | 基于光纤光栅传感的液压管路实时在线监测与故障诊断系统 |
CN109743103B (zh) * | 2019-02-01 | 2021-07-27 | 福州大学 | 基于elm的fbg传感网络节点故障修复方法 |
-
2019
- 2019-07-18 CN CN201910648287.1A patent/CN110348536A/zh active Pending
-
2020
- 2020-07-20 JP JP2020123386A patent/JP2021018821A/ja active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011243118A (ja) * | 2010-05-20 | 2011-12-01 | Hitachi Ltd | 監視診断装置および監視診断方法 |
JP2015104765A (ja) * | 2013-11-29 | 2015-06-08 | 株式会社ジェイテクト | 工作機械および工作機械における加工制御方法 |
JP2017207904A (ja) * | 2016-05-18 | 2017-11-24 | エヌ・ティ・ティ・コミュニケーションズ株式会社 | 異常検知システム、モデル生成装置、異常検知装置、異常検知方法、モデル生成プログラム、および、異常検知プログラム |
JP2019028929A (ja) * | 2017-08-03 | 2019-02-21 | 株式会社日立パワーソリューションズ | プリプロセッサおよび異常予兆診断システム |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113807593A (zh) * | 2021-09-22 | 2021-12-17 | 广东电网有限责任公司 | 基于电力调度的数据数量和数据质量预测方法及系统 |
CN113807593B (zh) * | 2021-09-22 | 2024-01-23 | 广东电网有限责任公司 | 基于电力调度的数据数量和数据质量预测方法及系统 |
CN114358400A (zh) * | 2021-12-21 | 2022-04-15 | 浙江高信技术股份有限公司 | 一种智慧桥隧涵边坡监控系统 |
CN114358400B (zh) * | 2021-12-21 | 2023-06-23 | 浙江高信技术股份有限公司 | 一种智慧桥隧涵边坡监控系统 |
CN115289606A (zh) * | 2022-07-13 | 2022-11-04 | 杭州安脉盛智能技术有限公司 | 除湿机在线故障诊断方法、系统、服务器及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110348536A (zh) | 2019-10-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2021018821A (ja) | データインテリジェント予測方法、装置、コンピュータ機器及び記憶媒体 | |
Kumar et al. | A hybrid multi-agent based particle swarm optimization algorithm for economic power dispatch | |
US20180300621A1 (en) | Learning dependencies of performance metrics using recurrent neural networks | |
Deif et al. | A comprehensive wireless sensor network reliability metric for critical Internet of Things applications | |
CN112036540B (zh) | 一种基于双种群混合人工蜂群算法的传感器数目优化方法 | |
CN103365727A (zh) | 一种云计算环境中的主机负载预测方法 | |
Santos et al. | The internet of things for healthcare: Optimising e-health system availability in the fog and cloud | |
US11561950B2 (en) | System and method for facilitating an objective-oriented data structure and an objective via the data structure | |
WO2024039421A1 (en) | Interdependent causal networks for root cause localization | |
Sengar et al. | Ensemble approach for short term load forecasting in wind energy system using hybrid algorithm | |
ES2963926T3 (es) | Método para monitorización del estado de subsistemas dentro de una planta de generación renovable o microrred | |
US20230267164A1 (en) | Systems and methods for imputing missing values in data sets | |
US20190026410A1 (en) | Strategic improvisation design for adaptive resilience | |
Oliveira et al. | Dependability evaluation of a smart poultry house: Addressing availability issues through the edge, fog, and cloud computing | |
CN113825165A (zh) | 基于时间图网络的5g切片网络拥塞预警方法及装置 | |
Yang et al. | Bayesian network based software reliability prediction by dynamic simulation | |
Bertolli et al. | Analyzing memory requirements for pervasive grid applications | |
Mahato et al. | Reliability modeling and analysis for deadline-constrained grid service | |
Dan et al. | Application of machine learning in forecasting energy usage of building design | |
CN115618735A (zh) | 基于数字孪生的设施结构健康监测方法及相关装置 | |
Bieri et al. | A guide to calculating habitat‐quality metrics to inform conservation of highly mobile species | |
CN111368412B (zh) | 用于护理需求预测的仿真模型构建方法和装置 | |
Demirbaga et al. | Rootpath: Root cause and critical path analysis to ensure sustainable and resilient consumer-centric big data processing under fault scenarios | |
Balamurugan et al. | Artificial Intelligence Based Smart Farming and Data Collection Using Deep Learning | |
Schreiberhuber et al. | Causality Prediction with Neural-Symbolic Systems: A Case Study in Smart Grids. |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20200827 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20200827 |
|
A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20200827 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A821 Effective date: 20200827 |
|
A975 | Report on accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A971005 Effective date: 20201130 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20201208 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20210305 |
|
A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20210629 |