JP2022521146A - 改善されたコンピュータ実装の事象予測および情報提供 - Google Patents
改善されたコンピュータ実装の事象予測および情報提供 Download PDFInfo
- Publication number
- JP2022521146A JP2022521146A JP2021544208A JP2021544208A JP2022521146A JP 2022521146 A JP2022521146 A JP 2022521146A JP 2021544208 A JP2021544208 A JP 2021544208A JP 2021544208 A JP2021544208 A JP 2021544208A JP 2022521146 A JP2022521146 A JP 2022521146A
- Authority
- JP
- Japan
- Prior art keywords
- category
- entity
- subset
- categories
- target
- 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 claims abstract description 39
- 238000004590 computer program Methods 0.000 claims abstract description 12
- 238000004891 communication Methods 0.000 claims description 22
- 230000006870 function Effects 0.000 claims description 11
- 238000003491 array Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000012800 visualization Methods 0.000 claims description 2
- 238000009792 diffusion process Methods 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 13
- 238000004422 calculation algorithm Methods 0.000 description 10
- 230000007704 transition Effects 0.000 description 9
- 230000008520 organization Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 230000000670 limiting effect Effects 0.000 description 4
- 230000036961 partial effect Effects 0.000 description 4
- 230000002829 reductive effect Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000003993 interaction Effects 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 230000014759 maintenance of location Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000000717 retained effect Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 238000012994 industrial processing Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000008450 motivation Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
-
- 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
- G06F18/211—Selection of the most significant subset of features
- G06F18/2115—Selection of the most significant subset of features by evaluating different subsets according to an optimisation criterion, e.g. class separability, forward selection or backward elimination
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
- G06N5/045—Explanation of inference; Explainable artificial intelligence [XAI]; Interpretable artificial intelligence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
Abstract
Description
・装置のグループにおけるセンサに基づく故障追跡であって、装置の対象故障を予測することと、故障回避のために装置を保守点検するための情報を提供することと、
・ユーザのグループ内のコンピュータプログラム製品の機能の使用を追跡することと、ユーザの対象機能の使用を予測することと、ユーザに対象機能の使用の学習情報を提供することと、および/または、
・ユーザのグループ内のサービスとの対話を追跡することと、ユーザの対象対話を予測することと、ユーザに対象対話に関する情報を提供すること、
のために使用されることができる。
・エンティティのアクティブな下位グループ
・平均事象頻度に基づくアクティブな下位グループの決定
・対象カテゴリの部分集合
・モデルカテゴリの部分集合のカテゴリの最初の発生の期間に基づく、モデルカテゴリの部分集合からの対象カテゴリの部分集合の決定
・個々のエンティティは異なる動きをすることができ、先験的には知られていない固有の差異を有することができる。例えば、装置の場合、第1の故障が装置内で発生した場合、第2の故障は非常に高い発生の確率を有することができる。同様に、第3の故障が装置内で発生した場合、第4の故障は非常に高い発生の確率を有することができる。一方、第1と第3との故障が同じ装置内で発生する可能性は非常に低くなり得る。エンティティに対する特殊化がなければ、エンティティ間のこのような差異は推測されることができない。したがって、特定のエンティティの履歴は、特定のエンティティの将来を予測するのに最も重要であり、他の特定のエンティティの同様の履歴に基づくことができる。
・タイムスタンプと関連付けられる事象を配列に変換することによって、時間順の情報のみが通常保持されるが、絶対的または相対的な時間情報は保持されない。最初の発生の期間に基づく対象カテゴリの部分集合の作成は、対象エンティティのカテゴリを予測するための絶対的または相対的なタイムスタンプを明示的に利用する必要なしに、エンティティの事象の時間順序付けに追加してモデル空間内の時間情報を導入する。代わりに、対象カテゴリの部分集合は、モデルカテゴリの部分集合の対象カテゴリの部分集合内にどのカテゴリを含めるかの決定を介して、絶対的または相対的なタイムスタンプの態様を間接的に組み込む。
・エンティティのアクティブな下位グループは、実質的なエンティティのシーケンスマイニングが実行されることができるエンティティを提供する。また、高い事象頻度を有するエンティティが、同じ量の事象を有するが、より低い事象頻度を有するエンティティよりも有利に働くという追加の利点もある。同一の履歴を有する2つのエンティティは、事象頻度を除いて、次の事象のカテゴリの等しい確率分布を有するであろうが、より高い事象頻度を有するエンティティは、より早く発生するので、それを処理する緊急性がより大きくなるであろう。エンティティのグループにわたる保持は、高い事象頻度を有するエンティティ、すなわち、特定の期間内に発生する多数の事象を有するエンティティ、から推測することによって、最も有益となる。
・複数のエンティティのグループの各エンティティについて、1つまたは複数の、好ましくは複数の、事象、タイムスタンプと関連付けられる各事象、カテゴリの集合のカテゴリを取得すること。
・グループの各エンティティについて、平均事象頻度を計算すること。
・計算された平均事象頻度に基づいて、エンティティのアクティブな下位グループを決定すること。
・アクティブな下位グループ内のエンティティについて取得されるイベント内のカテゴリの集合のカテゴリの普及度に基づいて、カテゴリの集合からモデルカテゴリの部分集合を決定すること。
・アクティブな下位グループ内のエンティティについて取得される事象内のモデルカテゴリの部分集合のカテゴリの最初の発生の期間に基づいて、モデルカテゴリの部分集合から対象カテゴリの部分集合を決定すること。
・エンティティについて取得される事象は、対象カテゴリの部分集合の各カテゴリについて、カテゴリと関連付けられる少なくとも1つの事象を含む、複数のエンティティのグループの各エンティティについて、エンティティについて取得される事象内のモデルカテゴリの部分集合のカテゴリの時間順の発生に基づいて、モデルカテゴリの部分集合のカテゴリの配列を決定することであって、配列は、
・1つまたは複数のカテゴリを含む基部と、
・基部の後の末尾カテゴリと、
から成り、2つまたは複数のカテゴリを含む基部は、基部自身が、
・1つまたは複数のカテゴリを含む基部と、
・基部の後の末尾カテゴリと、
から成る配列である。
・決定された配列とそれらの下位配列との各配列について、配列の末尾カテゴリが配列の基部に続く確率を計算すること。
・エンティティについて取得される事象が、対象カテゴリの部分集合の少なくとも1つのカテゴリについて、カテゴリと関連付けられる事象を含まない、複数のエンティティのグループの対象エンティティについて、対象エンティティについて取得される事象内のモデルカテゴリの部分集合のカテゴリの時間順の発生に基づいて、モデルカテゴリの部分集合のカテゴリの対象配列を決定することと、対象配列と計算された確率とに基づいて、少なくとも1つのカテゴリの対象カテゴリを決定すること。
・対象エンティティと決定された対象カテゴリとに基づいて情報を提供すること。
[実施例]
複数のエンティティのグループの各エンティティについて、1つまたは複数の事象が取得される。各事象は、タイムスタンプとカテゴリの集合のカテゴリとに関連付けられる。カテゴリと関連付けられた事象がエンティティについて取得されると、カテゴリがエンティティについて「発生する」。カテゴリと関連付けられた事象がエンティティについて取得されていないと、カテゴリはエンティティについて「まだ発生していない」。
グループの各エンティティについて、平均事象頻度が計算される。例えば、エンティティの平均事象頻度は、昨年のエンティティの月当たりの事象の平均数とすることができる。また、エンティティが通年でまだアクティブでない場合は、エンティティの平均事象頻度は、アクティブな期間中のエンティティの月当たりの事象の平均数とすることができる。アクティブなエンティティのアクティブな下位グループが決定される。「アクティブなエンティティ」は、計算された平均事象頻度が所定の頻度のカットオフ値よりも大きいか、または小さくないエンティティである。他のエンティティは「非アクティブなエンティティ」と呼ばれる。
全トラック(track)のエンティティの全トラックの下位グループが決定される。対象カテゴリの部分集合の各対象カテゴリについて、対象カテゴリと関連付けられる少なくとも1つの事象が取得されると、つまり、エンティティについて、各対象カテゴリが発生すると、エンティティは全トラックのエンティティである。対象カテゴリの部分集合の少なくとも1つの対象カテゴリについて、少なくとも1つのカテゴリと関連付けられる事象が取得されていないエンティティ、すなわち、少なくとも1つの対象カテゴリがまだ発生していないエンティティは、部分トラックのエンティティと呼ばれる。当業者は次の4つの場合、アクティブな全トラックのエンティティ、非アクティブな全トラックのエンティティ、アクティブな部分トラックのエンティティ、および非アクティブな部分トラックのエンティティ、が生じ得ることを理解するであろう。
対象の部分トラックのエンティティについて、モデルカテゴリの部分集合のモデルカテゴリの対象配列が、対象エンティティについて取得される事象に基づいて決定される。これにより、配列は、対象の部分トラックのエンティティについて取得される事象内のモデルカテゴリの時間順の発生に基づいて決定される。これにより、決定された配列は各モデルカテゴリを一度で含むことができ、それにより、対象の部分トラックのエンティティについて取得される事象内のモデルカテゴリの部分集合のモデルカテゴリの時間順の第1の発生に従って、特に事象のタイムスタンプに従って、決定された配列のモデルカテゴリは順序付けられ、すなわち、モデルカテゴリの第1の発生のみが決定された配列内に表される。これにより、決定された配列は、代替的に、モデルカテゴリと関連付けられた対象の部分トラックのエンティティについて取得される事象の数に等しい回数で、モデルカテゴリを含むことができ、すなわち、モデルカテゴリの各発生は、決定された配列で表される。
対象の部分トラックのエンティティと決定された対象カテゴリとに基づく情報が提供される。
本実施例は実施例1をさらに基礎とし、組織とのユーザ対話に関連する。エンティティはユーザである。カテゴリは、事象の型とも呼ばれる。モデルカテゴリは、地点情報(waypoint)とも呼ばれる。対象カテゴリは、中間地点(milestone)とも呼ばれる。(モデルカテゴリの)配列は、(地点情報の)道程(journey)とも呼ばれる。基部は、副道程とも呼ばれる。全トラックのエンティティは、加入(onboarded)ユーザとも呼ばれる。部分トラックのエンティティは、加入前ユーザとも呼ばれる。
本実施例は、実施例1および2をさらに基礎とする。
本実施例では、例1、2、3をさらに基礎とする。
Claims (13)
- 事象予測および情報提供のためのコンピュータ実装方法であって、前記方法は、
複数のエンティティのグループの各エンティティについて、1つ又は複数の、好ましくは複数の、事象と、タイムスタンプと関連付けられた各事象と、カテゴリの集合のカテゴリと、を取得するステップと、
前記グループの各エンティティについて、平均事象頻度を計算するステップと、
前記計算された平均事象頻度に基づいて、エンティティのアクティブな下位グループを決定するステップと、
前記アクティブな下位グループ内の前記エンティティについて取得される前記事象内の前記カテゴリの集合の前記カテゴリの普及度に基づいて、前記カテゴリの集合からモデルカテゴリの部分集合を決定するステップと、
前記アクティブな下位グループ内の前記エンティティについて取得される前記事象内の前記モデルカテゴリの部分集合の前記カテゴリの最初の発生の期間に基づいて、前記モデルカテゴリの部分集合から対象カテゴリの部分集合を決定するステップと、
前記エンティティについて取得される前記事象が、前記対象カテゴリの部分集合の各カテゴリについて、前記カテゴリと関連付けられた少なくとも1つの事象を含む、前記複数のエンティティのグループの各エンティティについて、前記エンティティについて取得される前記事象内の前記モデルカテゴリの部分集合の前記カテゴリの時間順の発生に基づいて、前記モデルカテゴリの部分集合のカテゴリの配列を決定するステップであって、前記配列は、1つ又は複数のカテゴリを含む基部と、前記基部の後の末尾カテゴリと、から成り、2つ又は複数のカテゴリを含む基部は、基部自身が、1つ又は複数のカテゴリを含む基部と、前記基部の後の末尾カテゴリと、から成る下位配列である、ステップと、
前記決定された配列とその下位配列との各配列について、前記配列の前記末尾カテゴリが前記配列の前記基部に続く確率を計算するステップと、
前記エンティティについて取得される前記事象が、前記対象カテゴリの部分集合のうちの少なくとも1つのカテゴリについて、前記カテゴリと関連付けられた事象を含まない、前記複数のエンティティのグループの対象エンティティについて、前記対象エンティティについて取得される前記事象内の前記モデルカテゴリの部分集合の前記カテゴリの時間順の発生に基づいて前記モデルカテゴリの部分集合のカテゴリの対象配列を決定し、前記対象配列と前記計算された確率とに基づいて前記少なくとも1つのカテゴリの対象カテゴリを決定するステップと、
前記対象エンティティと前記決定された対象カテゴリとに基づいて情報を提供するステップと、
を含む、方法。 - 請求項1に記載のコンピュータ実装方法において、エンティティについて決定された配列は前記モデルカテゴリの部分集合の各カテゴリを最大で一度に含み、好ましくは、前記決定された配列が、前記エンティティについて取得される前記事象内の前記モデルカテゴリの部分集合の前記カテゴリの時間順の最初の発生に基づくものである、方法。
- 請求項1に記載のコンピュータ実装方法において、エンティティについて決定された配列が、前記モデルカテゴリの部分集合のカテゴリを、前記カテゴリと関連付けられた前記エンティティについて取得される事象の数に等しい回数で含む、方法。
- 請求項1から請求項3のいずれか1項に記載のコンピュータ実装方法において、前記アクティブな下位グループ内の前記エンティティについて取得される前記事象内の前記カテゴリの集合の前記カテゴリの普及度に基づいて、前記カテゴリの集合から前記モデルの部分集合を決定する前記ステップが、
前記カテゴリの集合の各カテゴリについて、前記アクティブな下位グループ内の前記エンティティについて取得される前記事象に基づいて、平均カテゴリ頻度を計算するステップと、
前記計算された平均カテゴリ頻度が最大である前記カテゴリの集合のカテゴリの所定の数、または所定の割合に基づいて、前記モデルカテゴリの部分集合を決定するステップと、
を含む、方法。 - 請求項1から請求項4のいずれか1項に記載のコンピュータ実装方法において、前記アクティブな下位グループ内の前記エンティティについて取得される前記事象内の前記モデルカテゴリの部分集合の前記カテゴリの最初の発生の期間に基づいて、前記モデルカテゴリの部分集合から対象カテゴリの部分集合を決定する前記ステップは、
前記モデルカテゴリの部分集合の各カテゴリについて、前記エンティティのアクティブな下位グループにわたって前記カテゴリと関連付けられた事象の最初の発生の平均期間を計算するステップと、
決定された前記平均期間が最小である前記モデルカテゴリの部分集合のカテゴリの所定の数、または所定の割合に基づいて、前記対象カテゴリの部分集合を決定するステップと、
を含む、方法。 - 請求項1から請求項5のいずれか1項に記載のコンピュータ実装方法において、前記エンティティのアクティブな下位グループが、前記計算された平均事象頻度が所定の頻度のカットオフ値より大きいか、または小さくない前記エンティティを含む、方法。
- 請求項1から請求項6のいずれか1項に記載のコンピュータ実装方法において、前記決定された配列とその下位配列との各配列について、前記配列の前記末尾カテゴリが前記配列の前記基部に続く確率を計算する前記ステップは、
前記決定された配列を含み、決定された配列ごとに、すべての対応する下位配列を1度に含む、入力配列の入力表を取得するステップと、
前記入力表の前記入力配列の全ての固有の基部を含む出力表を取得するステップと、
前記出力表の各基部について、入力配列が前記基部である前記入力表中の入力配列の先行数を決定するステップと、
前記入力表の各入力配列について、前記入力表内の前記入力配列の発生の回数を、前記出力表内のその基部の対応する前記先行数で除算することによって、前記入力配列の前記末尾カテゴリが前記入力配列の前記基部に続く確率を計算するステップと、
を含む、方法。 - 請求項1から請求項7のいずれか1項に記載のコンピュータ実装方法において、事象は通信チャネルの集まりの通信チャネルを含み、前記方法は、前記対象エンティティについて、前記集まりの対象通信チャネルを決定するステップを含み、前記対象エンティティと前記決定された対象カテゴリとに基づく前記情報は、前記対象通信チャネルを介して提供される、方法。
- 請求項1から請求項8のいずれか1項に記載の、装置における故障予測と情報提供とのためのコンピュータ実装方法において、エンティティは1つまたは複数のセンサを含む装置であり、各装置の1つまたは複数の前記事象は、前記装置の前記1つまたは複数のセンサからのデータに基づいて取得され、前記情報は故障回避のために提供される情報である、方法。
- 請求項1から請求項8のいずれか1項に記載の、コンピュータプログラム製品におけるユーザによる機能使用の予測と情報提供とのためのコンピュータ実装方法において、エンティティがユーザであり、カテゴリが前記コンピュータプログラム製品の機能であり、前記対象エンティティと前記対象カテゴリとに基づいて情報を提供する前記ステップが、対象の前記ユーザに対して、視覚化手段を介して対象の前記機能に関する学習情報を提供するステップである、方法。
- 請求項1から請求項8のいずれか1項に記載の、サービスとのユーザによる対話の型の予測と情報提供とのためのコンピュータ実装方法において、エンティティがユーザであり、カテゴリが対話の型であり、前記対象エンティティと前記対象カテゴリとに基づいて情報を提供する前記ステップが、前記ユーザに対象の前記対話の型に関する情報を提供するステップである、方法。
- 事象予測および情報提供のためのコンピュータシステムであって、前記コンピュータシステムは、請求項1から請求項11のいずれか1項に記載の前記コンピュータ実装方法を実行するように構成される、コンピュータシステム。
- 事象予測および情報提供のためのコンピュータプログラム製品であって、前記コンピュータプログラム製品は、前記コンピュータプログラム製品がコンピュータによって実行されると、前記コンピュータに、請求項1から請求項11のいずれか1項に記載の前記コンピュータ実装方法を実行させる命令を含む、コンピュータプログラム製品。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
EP19158636.1 | 2019-02-21 | ||
EP19158636.1A EP3699830A1 (en) | 2019-02-21 | 2019-02-21 | Improved computer-implemented event forecasting and information provision |
PCT/EP2020/054634 WO2020169807A1 (en) | 2019-02-21 | 2020-02-21 | Improved computer-implemented event forecasting and information provision |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2022521146A true JP2022521146A (ja) | 2022-04-06 |
Family
ID=65520183
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021544208A Pending JP2022521146A (ja) | 2019-02-21 | 2020-02-21 | 改善されたコンピュータ実装の事象予測および情報提供 |
Country Status (7)
Country | Link |
---|---|
US (1) | US20220108196A1 (ja) |
EP (2) | EP3699830A1 (ja) |
JP (1) | JP2022521146A (ja) |
AU (1) | AU2020225753A1 (ja) |
CA (1) | CA3127925A1 (ja) |
IL (1) | IL285174A (ja) |
WO (1) | WO2020169807A1 (ja) |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5465321A (en) | 1993-04-07 | 1995-11-07 | The United States Of America As Represented By The Administrator Of The National Aeronautics And Space Administration | Hidden markov models for fault detection in dynamic systems |
US6415276B1 (en) | 1998-08-14 | 2002-07-02 | University Of New Mexico | Bayesian belief networks for industrial processes |
US9092801B2 (en) | 2011-09-23 | 2015-07-28 | 24/7 Customer, Inc. | Customer journey prediction and resolution |
US10067990B1 (en) | 2016-03-03 | 2018-09-04 | Amdocs Development Limited | System, method, and computer program for identifying significant attributes of records |
US20170372347A1 (en) | 2016-06-22 | 2017-12-28 | International Business Machines Corporation | Sequence-based marketing attribution model for customer journeys |
-
2019
- 2019-02-21 EP EP19158636.1A patent/EP3699830A1/en not_active Withdrawn
-
2020
- 2020-02-21 CA CA3127925A patent/CA3127925A1/en active Pending
- 2020-02-21 EP EP20705217.6A patent/EP3928258A1/en not_active Withdrawn
- 2020-02-21 US US17/426,426 patent/US20220108196A1/en active Pending
- 2020-02-21 JP JP2021544208A patent/JP2022521146A/ja active Pending
- 2020-02-21 AU AU2020225753A patent/AU2020225753A1/en active Pending
- 2020-02-21 WO PCT/EP2020/054634 patent/WO2020169807A1/en unknown
-
2021
- 2021-07-27 IL IL285174A patent/IL285174A/en unknown
Also Published As
Publication number | Publication date |
---|---|
EP3699830A1 (en) | 2020-08-26 |
IL285174A (en) | 2021-09-30 |
WO2020169807A1 (en) | 2020-08-27 |
CA3127925A1 (en) | 2020-08-27 |
EP3928258A1 (en) | 2021-12-29 |
US20220108196A1 (en) | 2022-04-07 |
AU2020225753A1 (en) | 2021-08-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11240125B2 (en) | System and method for predicting and reducing subscriber churn | |
CN106656536B (zh) | 一种用于处理服务调用信息的方法与设备 | |
CN113381890B (zh) | 告警信息关联方法、装置、电子设备和可读存储介质 | |
JP5769138B2 (ja) | イベント解析装置およびコンピュータプログラム | |
US20200183946A1 (en) | Anomaly Detection in Big Data Time Series Analysis | |
US20150310336A1 (en) | Predicting customer churn in a telecommunications network environment | |
US20160055044A1 (en) | Fault analysis method, fault analysis system, and storage medium | |
CN110995482A (zh) | 告警分析方法、装置、计算机设备及计算机可读存储介质 | |
CN108170832B (zh) | 一种面向工业大数据的异构数据库的监控系统及监控方法 | |
JP5387779B2 (ja) | 運用管理装置、運用管理方法、及びプログラム | |
US11935077B2 (en) | Operational predictive scoring of components and services of an information technology system | |
CN106598822A (zh) | 一种用于容量评估的异常数据检测方法及装置 | |
Dunke et al. | Online optimization with gradual look-ahead | |
JP2018101201A (ja) | 施策導入効果予測装置、施策導入効果予測プログラム及び施策導入効果予測方法 | |
US20180285758A1 (en) | Methods for creating and analyzing dynamic trail networks | |
CN111106953B (zh) | 一种异常根因分析的方法及装置 | |
JP2022521146A (ja) | 改善されたコンピュータ実装の事象予測および情報提供 | |
US11755831B2 (en) | Detection of a topic | |
US20210248512A1 (en) | Intelligent machine learning recommendation platform | |
CN115134265B (zh) | 流程的实时监控预警方法、装置、设备及存储介质 | |
JP6923864B1 (ja) | 状態判定システム、状態判定方法および状態判定プログラム | |
Walden | Fault prediction in information systems | |
US20140316851A1 (en) | Predicting customer receptivity for commercial engagement | |
Xue et al. | Event Detection System | |
CN116881092A (zh) | 告警数据的预测方法、装置、设备和存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20221220 |
|
A711 | Notification of change in applicant |
Free format text: JAPANESE INTERMEDIATE CODE: A711 Effective date: 20230202 |
|
RD03 | Notification of appointment of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7423 Effective date: 20230320 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A821 Effective date: 20230322 |
|
RD04 | Notification of resignation of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7424 Effective date: 20230519 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20231213 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20231219 |
|
A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20240318 |