TWI775207B - 行為推薦裝置、行為推薦方法及其電腦程式產品 - Google Patents
行為推薦裝置、行為推薦方法及其電腦程式產品 Download PDFInfo
- Publication number
- TWI775207B TWI775207B TW109138576A TW109138576A TWI775207B TW I775207 B TWI775207 B TW I775207B TW 109138576 A TW109138576 A TW 109138576A TW 109138576 A TW109138576 A TW 109138576A TW I775207 B TWI775207 B TW I775207B
- Authority
- TW
- Taiwan
- Prior art keywords
- behavior
- parameter set
- sequence
- simulated
- digital avatar
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000004590 computer program Methods 0.000 title claims abstract description 18
- 230000006399 behavior Effects 0.000 claims abstract description 411
- 238000012544 monitoring process Methods 0.000 claims description 97
- 238000011156 evaluation Methods 0.000 claims description 27
- 230000009471 action Effects 0.000 claims description 14
- 238000003860 storage Methods 0.000 claims description 14
- 238000010606 normalization Methods 0.000 claims description 13
- 238000013135 deep learning Methods 0.000 claims description 12
- 238000013519 translation Methods 0.000 claims description 12
- 238000004088 simulation Methods 0.000 claims description 5
- 230000003542 behavioural effect Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 4
- 238000009395 breeding Methods 0.000 description 3
- 230000001488 breeding effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 229910052500 inorganic mineral Inorganic materials 0.000 description 3
- 239000011707 mineral Substances 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 239000006041 probiotic Substances 0.000 description 2
- 235000018291 probiotics Nutrition 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 239000010721 machine oil Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 235000013372 meat Nutrition 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41885—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by modeling, simulation of the manufacturing system
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/3003—Monitoring arrangements specially adapted to the computing system or computing system component being monitored
- G06F11/302—Monitoring arrangements specially adapted to the computing system or computing system component being monitored where the computing system component is a software system
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
- G06F11/3447—Performance evaluation by modeling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32339—Object oriented modeling, design, analysis, implementation, simulation language
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/3058—Monitoring arrangements for monitoring environmental properties or parameters of the computing system or of the computing system component, e.g. monitoring of power, currents, temperature, humidity, position, vibrations
-
- 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
-
- 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
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- Mathematical Physics (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Geometry (AREA)
- Manufacturing & Machinery (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Two-Way Televisions, Distribution Of Moving Picture Or The Like (AREA)
Abstract
一種行為推薦裝置、行為推薦方法及其電腦程式產品。行為推薦裝置儲存一數位分身模型,且該數位分身模型在輸入一行為序列和一監測參數集後會輸出一預測參數集。該行為序列包含具一第一順序的複數個行為及各該行為的一量化資料。該行為推薦裝置接收該監測參數集及一目標,且該目標對應該監測參數集其中的一特定參數。該行為推薦裝置依據該特定參數、該監測參數集、該數位分身模型與複數個模擬行為序列產生一推薦行為序列,且於一操作介面上顯示該推薦行為序列。
Description
本發明係關於一種行為推薦裝置、行為推薦方法及其電腦程式產品。具體而言,本發明係關於一種推薦行為序列的裝置、方法及其電腦程式產品。
許多領域(例如:農業、林業、漁業、畜牧業、製造業、健康醫療產業)都需要專業人士將其智慧傳承,讓使用者在工作現場進行各種操作時有所依據。習知技術主要是將領域中的標準知識整理成規則,再將工作現場所感測到的數據與所訂定的規則比對以提供行為指引,例如:當一機器的溫度超過預設溫度時,則建議降低室內空調溫度。這類習知技術面臨一些困境,許多專業人士所擁有的隱性知識與行為經驗難以規則化,以及許多操作行為是在考量多項因素後決定予以執行,無法依據單一的規則來執行。舉例而言,針對工廠的機器調機、機器維修與環境控制,專業人士會綜合考量工廠的環境及設備等多項因素,對環境及設備進行多種嘗試(例如:做某一或某些行為、微調某一或某些參數、改變某些行為的順序、依據不同狀況作不同選擇),並視情況再進行調整。由於習知技術所整理出來的規則未納入專業人士的這些隱性知識與行為經驗,因此使用者遵循習知技術所提供的行為指引在現場操作,往往無法達到使用者預期的效果。
有鑑於此,本領域仍亟需一種能吸收專業人士所擁有的隱性知識與行為經驗以針對不同領域提供行為指引的技術。
本發明的一目的在於提供一種行為推薦裝置。該行為推薦裝置包含一儲存器、一接收介面、一操作介面及一處理器,且該處理器電性連接至該儲存器、該接收介面及該操作介面。該儲存器儲存一數位分身模型,其中該數位分身模型係為輸入一行為序列和一監測參數集之後以輸出一預測參數集。該行為序列包含具一第一順序的複數個行為及各該行為的一量化資料,且該預測參數集係對應該監測參數集。該接收介面接收該監測參數集。該操作介面接收一目標,其中該目標係對應該監測參數集其中的一特定參數。該處理器依據該目標所對應的該特定參數、該監測參數集、該數位分身模型以及複數個模擬行為序列產生一推薦行為序列,且於該操作介面上顯示該推薦行為序列。
本發明的另一目的在於提供一種行為推薦方法,其係適用於一電子計算裝置。該電子計算裝儲存數位分身模型,其中該數位分身模型係為輸入一行為序列和一監測參數集之後以輸出一預測參數集。該行為序列包含具一第一順序的複數個行為及各該行為的一量化資料,且該預測參數集係對應該監測參數集。該行為推薦方法包含下列步驟:(a)接收該監測參數集,(b)接收一目標,其中該目標係對應該監測參數集其中的一特定參數,(c)依據該目標所對應的該特定參數、該監測參數集、該數位分身模型以及複數個模擬行為序列產生一推薦行為序列,以及(d)於一操作介面上顯示該推薦行為序列。
本發明的又一目的在於提供一種電腦程式產品。一電子計算裝置載入該電腦程式產品後,該電子計算裝置執行該電腦程式產品所包含的複數個程式指令以實現一種行為推薦方法。該電子計算裝儲存數位分身模型,且該數位分身模型係為輸入一行為序列和一監測參數集之後以輸出一預測參數集。該行為序列包含具一第一順序的複數個行為及各該行為的一量化資料,且該預測參數集係對應該監測參數集。該行為推薦方法包含下列步驟:(a)接收該監測參數集,(b)接收一目標,其中該目標係對應該監測參數集其中的一特定參數,(c)依據該目標所對應的該特定參數、該監測參數集、該數位分身模型以及複數個模擬行為序列產生一推薦行為序列,以及(d)於一操作介面上顯示該推薦行為序列。
本發明所提供的行為推薦技術(至少包含裝置、方法及電腦程式產品)採用一經訓練後的數位分身模型。該數位分身模型在輸入一行為序列和一監測參數集之後會輸出一預測參數集。由於輸入該數位分身模型的該行為序列包含具一順序的複數個行為及各該行為的一量化資料,代表該數位分身模型係綜合考量了多個面向(例如:該行為序列包含哪些行為、各該行為與其對應的量化資料、該等行為的順序)才產生該行為序列所對應的該預測參數集。該數位分身模型所綜合考量的多個面向相當於專業人士所擁有的隱性知識與行為經驗。
本發明所提供的行為推薦技術利用該數位分身模型來從多個面向(例如:該行為序列包含哪些行為、各該行為與其對應的量化資料、該等行為的順序)評估複數個模擬行為序列,再從中選取一個作為一推薦行為序列。前述的運作/步驟相當於依據專業人士所擁有的隱性知識與行為經驗提供推薦行為序列。因此,本發明所提供的行為推薦技術可解決習知技術以規則式方式提供行為指引的不足。
以下結合圖式闡述本發明的詳細技術及實施方式,俾使本發明所屬技術領域中具有通常知識者能理解所請求保護的發明的技術特徵。
以下將透過實施方式來解釋本發明所提供的行為推薦裝置、行為推薦方法及其電腦程式產品。然而,該等實施方式並非用以限制本發明需在如該等實施方式所述的任何環境、應用或方式方能實施。因此,關於以下實施方式的說明僅在於闡釋本發明的目的,而非用以限制本發明的範圍。應理解,在以下實施方式及圖式中,與本發明非直接相關的元件已省略而未繪示。此外,圖式中各元件的尺寸以及元件間的尺寸比例僅為便於繪示及說明,而非用以限制本發明的範圍。
本發明的第一實施方式為一行為推薦裝置1,其架構示意圖係描繪於第1A圖。行為推薦裝置1包含一儲存器11、一接收介面13、一操作介面15及一處理器17,其中處理器17電性連接至儲存器11、接收介面13及操作介面15。儲存器11可為一記憶體、一通用串列匯流排(Universal Serial Bus;USB)碟、一隨身碟、一光碟(Compact Disk;CD)、一數位多工光碟(Digital Versatile Disc;DVD)、一硬碟(Hard Disk Drive;HDD)或本發明所屬技術領域中具有通常知識者所知的任何其他具有相同功能的非暫態儲存媒體或裝置。接收介面13可為本發明所屬技術領域中具有通常知識者所知的一有線傳輸介面或一無線傳輸介面,其係用於連接至一網路(例如:網際網路、區域網路)且可在該網路收送訊號及資料。操作介面15可為本發明所屬技術領域中具有通常知識者所知的各種可供使用者輸入資訊且可呈現資訊讓使用者觀看的介面,例如:電腦程式所產生的介面及螢幕、觸控式螢幕等等。此外,處理器17可為各種處理器、中央處理單元(Central Processing Unit;CPU)、微處理器(Microprocessor Unit;MPU)、數位訊號處理器(Digital Signal Processor;DSP)或本發明所屬技術領域中具有通常知識者所知悉的其他計算裝置。
行為推薦裝置1可利用一數位分身模型10來針對一場域或一機器所需要執行的一連串行為,產生一推薦行為序列RS,其中數位分身模型10係已經過訓練。現先說明數位分身模型10。儲存器11儲存與該場域或該機器相關的數位分身模型10,其係用以預測該場域或該機器在某一條件下執行一連串行為後的結果。第1B圖係描繪數位分身模型10的資料流示意圖。如第1B圖所示,在對數位分身模型10輸入一行為序列BS和一監測參數集MP1之後,數位分身模型10會輸出一預測參數集PP。
具體而言,行為序列BS包含具一第一順序的複數個行為B1、……、BN以及複數個量化資料D1、……、DN。行為B1、……、BN一對一地對應至量化資料D1、……、DN,代表執行行為B1、……、BN時需分別遵循著量化資料D1、……、DN。需說明者,若一行為可採量化的方式執行(例如:執行多少量、執行到一目標量),則該行為對應的量化資料可為該行為的執行量或目標量。若一行為無法採量化的方式執行(亦即,僅為執行或不執行),則該行為對應的量化資料是一預設數值(例如:為1)用來表示要執行該行為或另一預設數值(例如:為0)用來表示不執行該行為。另外,監測參數集MP1包含場域或該機器所在之處所能監測到(例如:感測、量測)的複數個參數(例如:環境參數、設備參數)。預測參數集PP係對應監測參數集MP1(亦即,預測參數集PP與監測參數集MP1包含相同的參數,但參數的值可能不同。監測參數集MP1中的數值為實際量測到的值,預測參數集PP中的數值為數位分身模型10所預測出的數值)。
數位分身模型10係預測該場域或該機器在監測參數集MP1下執行行為序列BS(亦即,依據該第一順序執行行為B1、……、BN,且執行行為B1、……、BN時分別遵循著量化資料D1、……、DN)後會得到預測參數集PP。
為便於理解前述各用語,茲提供二個具體範例,但該二個具體範例並非用以限制本發明的範圍。
舉例而言,若應用於一工廠,則行為B1、……、BN個別地可為一需要在該工廠執行的行為,例如:調整放電面積(其對應的量化資料可為要調整的面積數值)、調整放電波形(其對應的量化資料可為要調整的放電波形)、調整電流(其對應的量化資料可為一調整電流幅度或一電流目標值)。行為序列BS可包含上述行為的全部或一部分以及對應的量化資料,且行為序列BS所包含的該等行為係以某一順序排列。監測參數集MP1可包含在該工廠所能監測到的參數,例如:機台膨脹係數、機台油溫、機台溫度、機台暖機時間。
再舉例而言,若應用於一養殖場,則行為B1、……、BN個別地可為一需要在該養殖場執行的行為,例如:啟動水車(其對應的量化資料可為要啟動水車的時間)、投餵飼料(其對應的量化資料可為要投餵的飼料量)、投入礦物質(其對應的量化資料可為要投入的礦物質的量)、投入益生菌(其對應的量化資料可為要投入的益生菌的量)。行為序列BS可包含上述行為的全部或一部分以及對應的量化資料,且行為序列BS所包含的該等行為係以某一順序排列。測參數集MP1可包含在該養殖場所能監測到的參數,例如:死亡率、成長狀況(例如:所養殖生物的身長或體重)、水質數據。預測參數集PP與監測參數集MP1係包含相同的參數,但參數的值可能不同。
現說明行為推薦裝置1如何利用數位分身模型10來針對需要執行一連串行為的一場域或一機器產生一推薦行為序列RS。
操作介面15接收一目標T,且目標T對應至監測參數集MP1其中的一或多個特定參數。目標T可理解為使用者希望該場域或該機器在執行一連串行為後所要達到的目的。在某些實施方式中,操作介面15可顯示複數個可選目標供使用者選取,使用者選取該等可選目標其中的一個或多個作為目標T,操作介面15再因應地接收目標T。舉例而言,若為養殖場,操作介面15可顯示「死亡率低」、「成長速度快」及「還肉率高」等三個可選目標(僅為舉例而已,並非用以限制本發明的範圍),使用者可選取其中的一個或多個作為目標T。若使用者選取多個可選目標作為多個目標T,則使用者還可進一步設定多個目標T的比例。使用者所選取的目標T對應至監測參數集MP1(例如:包含死亡率、成長狀況、水質數據)其中的一或多個特定參數。
接收介面13接收監測參數集MP1。處理器17依據目標T所對應的一或多個特定參數、監測參數集MP1、數位分身模型10以及複數個模擬行為序列S1、S2、……、SK,產生一推薦行為序列RS,且於操作介面15上顯示推薦行為序列RS。模擬行為序列S1、S2、……、SK是依據行為B1、……、BN(即行為序列BS)而產生,模擬行為序列S1、S2、……、SK會被輸入數位分身模型10中進行模擬。推薦行為序列RS可以是從模擬行為序列S1、S2、……、SK中選擇其中之一,其選擇方式是依據預測參數集P1、P2、……、PK中對應目標T的至少一特定參數而決定。
在另一些實施方式中,目標T可能需要經過多個階段(例如:多天)才能夠達成,因此需要針對多個階段中的每一階段進行模擬以產生每一階段對應的複數個模擬行為序列。在此過程中,處理器17依據達成目標T中所能執行的複數個行為,依據上述的處理方式,將不同的行為排列順序及不同的量化資料來進行多種組合以產生該等模擬行為序列。
請參考第1D圖所示的多階段模擬的一具體範例,這裡是以兩種模擬行為序列S1、S2以及三個階段(例如:三天)的模擬推薦行為來舉例說明。處理器17可分別選擇模擬行為序列S1、S2其中之一作為第一階段的模擬行為序列,之後根據數位分身模型10針對模擬行為序列S1、S2所產生的預測參數集(例如:為預測參數集P1、P2)分別作為第二階段的監測參數集MP1。處理器17依據目標T所對應的一或多個特定參數、第一階段的監測參數集MP1、數位分身模型10以及模擬行為序列S1、S2,產生第二階段的多個模擬行為序列S1、S2等。類似的,處理器17依據目標T所對應的一或多個特定參數、第二階段的監測參數集MP1、數位分身模型10以及模擬行為序列S1、S2,產生第三階段的多個模擬行為序列S1、S2等。最後,處理器17依據數位分身模型10針對第三階段的模擬行為序列S1、S2所產生的預測參數集中對應目標T的至少一特定參數,選擇一個推薦行為序列組合SP,其中推薦行為序列組合SP包含具有第二順序的複述個推薦行為序列(亦即,模擬行為序列S2、S1及S2)。
在另一些實施方式中,處理器17雖已產生三個階段的推薦行為序列組合SP,但可在每階段的推薦行為序列被執行後,評估是否重新產生推薦行為序列組合。具體而言,執行第一階段的推薦行為序列(亦即,模擬行為序列S2)之後,可再重新量測並取得實際的監測參數集MP1,處理器17可再依據目標T、實際的監測參數集MP1、數位分身模型10以及模擬行為序列S1、S2,重新產生第二階段模擬行為序列S1、S2所對應的預測參數集(例如:為預測參數集P1、P2),並採類似的方式模擬第三階段的模擬行為序列S1、S2,產生第三階段的預測參數集。此時,處理器17可以評估是否重新產生推薦行為序列組合,其可能是維持原來的組合,也可能會更換第二階段或第三階段的推薦行為序列。
在某些實施方式中,模擬行為序列S1、S2、……、SK則可為事先預設的,或以其他方式產生。需說明者,模擬行為序列S1、S2、……、SK個別地包含具一模擬順序的複數個行為及各該行為的一量化資料。
第1C圖係描繪行為推薦裝置1利用數位分身模型10來評估模擬行為序列S1、S2、……、SK的部分資料流示意圖。於本實施方式中,處理器17係將模擬行為序列S1、S2、……、SK個別地與監測參數集MP1輸入數位分身模型10,而數位分身模型10則產生模擬行為序列S1、S2、……、SK所分別對應的預測參數集P1、P2、……、PK。由於目標T對應至監測參數集MP1其中的一或多個特定參數,且預測參數集P1、P2、……、PK皆對應至監測參數集MP1,因此處理器17可依據模擬行為序列S1、S2、……、SK所分別對應的預測參數集P1、P2、……、PK中對應至該至少一特定參數的複數個預測參數來產生推薦行為序列RS。
舉例而言,處理器17可根據目標T所對應的一預設評估規則從模擬行為序列S1、S2、……、SK中選擇一個來作為推薦行為序列RS。由於目標T對應至監測參數集MP1其中的一或多個特定參數,且預測參數集P1、P2、……、PK皆有一或多個預測參數對應至一或多個特定參數,因此該預設評估規則可與該一或多個特定參數相關(亦即,與該一或多個預測參數相關)。若目標T對應至監測參數集MP1的一個特定參數,則該預設評估規則與該特定參數相關。若目標T對應至監測參數集MP1的多個特定參數,則各該特定參數被設定一目標比例,該預設評估規則係與該等特定參數以及該等目標比例相關。處理器17可根據該預設評估規則以及預測參數集P1、P2、……、PK各自的一或多個特定參數,從模擬行為序列S1、S2、……、SK中選擇一個來作為推薦行為序列RS。
茲舉一具體範例,但其非用以限制本發明的範圍。於該具體範例中,應用的場域為一養殖場,目標T為「死亡率低」,且目標T對應至監測參數集MP1中的特定參數「死亡率」。於該具體範例中,目標T所對應的該預設評估規則與特定參數「死亡率」相關,例如:選取死亡率最低者。處理器17便可從預測參數集P1、P2、……、PK中找出死亡率最低者,再以死亡率最低者所對應的模擬行為序列作為推薦行為序列RS。
茲再舉一具體範例,但其非用以限制本發明的範圍。於該具體範例中,應用的場域為一養殖場,目標T為「死亡率低」與「成長速度快」,且目標T對應至監測參數集MP1中的特定參數「死亡率」與「成長狀況」。特定參數「死亡率」與「成長狀況」分別被設定一目標比例,例如:分別被設定為2/3及1/3。針對預測參數集P1、P2、……、PK的每一個,處理器17可依該等目標比例及該等特定參數的數值計算一評估分數,再選取評估分數最高者所對應的模擬行為序列作為推薦行為序列RS。
在某些實施方式中,處理器17則是以其他的方式來產生推薦行為序列RS。具體而言,目標T可能需要經過多個階段才能夠達成,因此可針對多個階段中的每一階段進行模擬以產生每一階段所對應的複數個推薦行為序列。如第1D圖所示,處理器17可依據該複數個階段產生複數個模擬行為路徑,其中各該模擬行為路徑包含複數個路徑節點,每一層的路徑節點對應每一階段,且各該路徑節點對應具有順序的複數個模擬行為序列S1、S2、……、SK其中之一。需說明者,本發明未限制模擬行為路徑的數目,也未限制各模擬行未路徑的路徑節點的數目。第1D圖係描繪複數個模擬行為路徑的一具體範例的示意圖,但應理解樹狀圖只是一種呈現方式,而非用以限制本發明的範圍。舉例而言,處理器17可採用蒙地卡羅樹搜尋來產生前述的樹狀圖。在第1D圖的具體範例中,處理器17從根節點的第一層子節點到任一葉節點產生了複數個模擬行為路徑,且依據最後一階層的模擬行為序列的預測參數集中對應目標T的至少一特定參數,選擇具有第二順序的模擬行為序列S2、S1、S2的模擬行為路徑,作為推薦行為序列組合SP。
處理器17針對各該模擬行為路徑個別地執行運作(a)及運作(b)。運作(a)係將一模擬行為路徑的該等路徑節點所對應的該等模擬行為序列依序與對應的該監測參數集輸入數位分身模型10,俾數位分身模型10依序地產生各該路徑節點所對應的該模擬行為序列的該預測參數集。各該路徑節點的該預測參數集為下一路徑節點的該監測參數集,且第一個路徑節點的該監測參數集可為接收介面13所接收的監測參數集MP1。運作(b)係根據一模擬行為路徑中的最後一個路徑節點所對應的該預測參數集,產生該模擬行為路徑的一評估分數(未繪示)。舉例而言,處理器17可依據一模擬行為路徑中的最後一個路徑節點所對應的該預測參數集中對應至目標T的至少一特定參數,計算出該評估分數。若有多個特定參數,則可針對各該特定參數進行加權,以計算出該評估分數。以模擬行為路徑SP為例,其包含複數個路徑節點,且該等路徑節點分別對應至模擬行為序列S2、S1、S2。針對模擬行為路徑SP,處理器17將模擬行為序列S2、S1、S2依序與對應的該監測參數集輸入數位分身模型10,俾數位分身模型10依序地產生模擬行為序列S2、S1、S2所分別對應的預測參數集。針對模擬行為路徑SP,處理器17還會根據最後一個路徑節點所對應的該預測參數集,產生模擬行為路徑SP的評估分數。
類似的,處理器17可根據目標T所對應的一預設評估規則來計算各該模擬行為路徑的該評估分數。如前所述,由於目標T對應至監測參數集其中的至少一特定參數,且各該預測參數集皆有至少一預測參數對應至該至少一特定參數,因此該預設評估規則可與該至少一特定參數相關(亦即,與該至少一預測參數相關)。若目標T對應至監測參數集的一個特定參數,則該預設評估規則與該特定參數相關。若目標T對應至監測參數集的多個特定參數,則各該特定參數被設定一目標比例,該預設評估規則係與該等特定參數以及該等目標比例相關。處理器17可根據該預設評估規則以及各模擬行為路徑的預測參數集來產生評估分數,當目標T需要分階段來進行時,處理器17可根據該預設評估規則以及各階段產生複數個模擬行為路徑中的最後一個路徑節點所對應的該預測參數集,產生該複數個模擬行為路徑的一評估分數。
之後,處理器17根據該等評估分數選取一模擬行為序列來做為推薦行為序列RS,或是選取該等模擬行為路徑其中之一作為推薦行為序列組合。舉例而言,處理器17可從每個模擬行為路徑中最後一個路徑節點所對應的該預測參數集的評估分數,選取最高者所對應的該模擬行為路徑,其具有第二順序的複數個模擬行為序列作為推薦行為序列組合。
如前所述,處理器17產生推薦行為序列RS後,會於操作介面15上顯示推薦行為序列RS。推薦行為序列RS是從複數個模擬行為序列選擇其中之一,其包含具有一第一順序的推薦行為及各該推薦行為的一量化資料。推薦行為序列組合則包含有一具有第二順序的多個推薦行為序列,使用者便可在不同階段,依據推薦行為序列組合中在每一階段的推薦行為序列,執行各該推薦行為時遵循著對應的量化資料。
在某些實施方式中,行為推薦裝置1還具備優化數位分身模型10的機制。具體而言,接收介面13還接收對應至推薦行為序列RS被執行後的另一監測參數集MP2。處理器17判斷監測參數集MP2與推薦行為序列RS所對應的該預測參數集間的一差異(未繪示)是否大於一門檻值(未繪示)。此差異可以是測參數集MP2集中任一參數的差異大於其設定的門檻值,若判斷的結果為該差異大於該門檻值,處理器17基於推薦行為序列RS及監測參數集MP2再次訓練數位分身模型10。
於本實施方式中,行為推薦裝置1會先產生數位分身模型10,再利用數位分身模型10產生推薦行為序列RS。於其他實施方式中,行為推薦裝置1則可利用其他裝置以相同技術所產生的數位分身模型10。以下將詳述行為推薦裝置1如何產生推薦行為序列RS。
數位分身模型10係經由複數個歷史行為序列H1、……、HP及其對應的複數個歷史參數集Q1、……、QP所建立。請參第1E圖,其係描繪行為推薦裝置1利用歷史行為序列H1、……、HP來建立數位分身模型10的部分資料流示意圖。針對歷史行為序列H1、……、HP的每一個,行為推薦裝置1執行以下運作:由處理器17將該歷史行為序列及對應的該歷史參數集輸入數位分身模型10,俾數位分身模型10產生該歷史行為序列的一歷史預測參數集,由接收介面13接收該歷史行為序列被執行後的一歷史監測參數集,由處理器17計算該歷史監測參數集與該歷史預測參數集間的一差異,且由處理器17根據該差異來調整該數位分身模型10。
以歷史行為序列H1為例,處理器17將歷史行為序列H1及對應的歷史參數集Q1輸入數位分身模型10,數位分身模型10產生歷史行為序列H1的一歷史預測參數集E1,接收介面13接收歷史行為序列H1被執行後的一歷史監測參數集(未繪示),處理器17再計算該歷史監測參數集與歷史預測參數集E1間的一差異且根據該差異來調整該數位分身模型10。再以歷史行為序列HP為例,處理器17將歷史行為序列HP及對應的歷史參數集QP輸入數位分身模型10,數位分身模型10產生歷史行為序列HP的一歷史預測參數集EP,接收介面13接收歷史行為序列HP被執行後的一歷史監測參數集(未繪示),處理器17再計算該歷史監測參數集與歷史預測參數集EP間的一差異且根據該差異來調整該數位分身模型10
在某些實施方式中,數位分身模型10可採用如第1F圖所示的架構。於該等實施方式中,數位分身模型10可包含複數個第一全連接層、複數個層規格化(Layer Normalization)單元、一深度學習轉譯模型(Transformer)及複數個第二全連接層,其中該等第一全連接層一對一地連接至該等層規格化單元,該等層規格化單元連接至該深度學習轉譯模型,且該深度學習轉譯模型連接至該等第二全連接層。於該等實施方式中,行為序列BS所包含的該等行為B1、……、BN、量化資料D1、……、DN及監測參數集MP1所包含該等參數會個別地輸入一第一全連接層,而預測參數集PP所包含的該等參數則個別地由一第二全連接層輸出。
由上述說明可知,行為推薦裝置1係利用經訓練後的數位分身模型10來產生推薦行為序列RS。數位分身模型10在輸入行為序列BS和監測參數集MP1之後會輸出預測參數集PP。由於輸入數位分身模型10的行為序列BS包含具一順序的行為B1、……、BN與其所分別對應的量化資料D1、……、DN,代表數位分身模型10綜合考量了多個面向(例如:行為序列BS包含哪些行為、各該行為與其對應的量化資料、該等行為的順序)才產生行為序列BS所對應的預測參數集PP。數位分身模型10所綜合考量的多個面向相當於專業人士所擁有的隱性知識與行為經驗。行為推薦裝置1利用數位分身模型10來從多個面向評估複數個模擬行為序列S1、S2、……、SK,再從中選取一個作為推薦行為序列RS。行為推薦裝置1所執行的該等運作相當於依據專業人士所擁有的隱性知識與行為經驗提供推薦行為序列RS。因此,行為推薦裝置1可解決習知技術以規則式方式提供行為指引的不足。
本發明的第二實施方式為一種行為推薦方法,其主要流程圖係描繪於第2圖。該行為推薦方法適用於一電子計算裝置(例如:行為推薦裝置1),且該電子計算裝儲存一數位分身模型。該數位分身模型係為輸入一行為序列和一監測參數集之後以輸出一預測參數集,其中該行為序列包含具一第一順序的複數個行為及各該行為的一量化資料,且該預測參數集係對應該監測參數集。於本實施方式中,該行為推薦方法包含步驟S201至步驟S207。
於步驟S201,由該電子計算裝置接收該監測參數集。於步驟S203,由該電子計算裝置接收一目標,且該目標係對應該監測參數集其中的至少一特定參數。在某些實施方式中,若該目標對應該監測參數集的複數個特定參數,則各該特定參數可被設定一目標比例。需說明者,本發明未限制步驟S201與步驟S203的順序;換言之,行為推薦方法可先執行步驟S201再執行步驟S203,可先執行步驟S203再執行步驟S201,亦可同時執行步驟S201與步驟S203。
於步驟S205,由該電子計算裝置依據該目標所對應的該至少一特定參數、該監測參數集、該數位分身模型以及複數個模擬行為序列產生一推薦行為序列。
在某些實施方式中,該行為推薦方法會在執行步驟S205前執行另一步驟,將該行為序列中的複數個行為依據不同的行為排列順序及不同的量化資料來進行多種組合以產生該等模擬行為序列,並從其中選擇其中一組合作為推薦行為序列組合。關於評估規則、產生模擬行為路徑以及推薦行為序列組合、操作介面、訓練及優化數位分身模型的流程等,實施細節和前述實施例相同,在此不重複贅述。
在某些實施方式中,該數位分身模型包含複數個第一全連接層、複數個層規格化單元、一深度學習轉譯模型(Transformer)及複數個第二全連接層,其中該等第一全連接層一對一地連接至該等層規格化單元,該等層規格化單元連接至該深度學習轉譯模型,且該深度學習轉譯模型連接至該等第二全連接層。於該等實施方式中,該行為序列所包含的該等行為、該等量化資料及該監測參數集所包含的複數個參數會個別地輸入一第一全連接層,而該預測參數集所包含的複數個參數則個別地由一第二全連接層輸出。
除了上述步驟,第二實施方式還能執行行為推薦裝置1所能執行的所有運作及步驟,具有同樣的功能,且達到同樣的技術效果。本發明所屬技術領域中具有通常知識者可直接瞭解第二實施方式如何基於上述的行為推薦裝置1以執行此等運作及步驟,具有同樣的功能,並達到同樣的技術效果,故不贅述。
第二實施方式中所闡述的行為推薦方法可由包含複數個程式指令的一電腦程式產品實現。該電腦程式產品可為能被於網路上傳輸的檔案,亦可被儲存於一非暫態電腦可讀取儲存媒體中。該電腦程式產品所包含的該等程式指令被載入一電子計算裝置(例如:行為推薦裝置1)後,該電腦程式執行如在第二實施方式中所述的行為推薦方法。該非暫態電腦可讀取儲存媒體可為一電子產品,例如:一唯讀記憶體(Read Only Memory;ROM)、一快閃記憶體、一軟碟、一硬碟、一光碟(Compact Disk;CD)、一數位多功能光碟(Digital Versatile Disc;DVD)、一隨身碟、一可由網路存取的資料庫或本發明所屬技術領域中具有通常知識者所知且具有相同功能的任何其他儲存媒體。
需說明者,於本發明專利說明書及申請專利範圍中,某些用語(包含:順序、全連接層)前被冠以「第一」或「第二」,該等「第一」及「第二」僅用來區隔該等用語彼此不同。
本發明所提供的行為推薦技術(至少包含裝置、方法及電腦程式產品)採用一經訓練後的數位分身模型。該數位分身模型在輸入一行為序列和一監測參數集之後會輸出一預測參數集。由於輸入該數位分身模型的該行為序列包含具一順序的複數個行為及各該行為的一量化資料,代表該數位分身模型係綜合考量了多個面向(例如:該行為序列包含哪些行為、各該行為與其對應的量化資料、該等行為的順序)才產生該行為序列所對應的該預測參數集。該數位分身模型所綜合考量的多個面向相當於專業人士所擁有的隱性知識與行為經驗。
本發明所提供的行為推薦技術利用該數位分身模型來從多個面向(例如:該行為序列包含哪些行為、各該行為與其對應的量化資料、該等行為的順序)評估複數個模擬行為序列,再從中選取一個作為一推薦行為序列。前述的運作/步驟相當於依據專業人士所擁有的隱性知識與行為經驗提供推薦行為序列。因此,本發明所提供的行為推薦技術可解決習知技術以規則式方式提供行為指引的不足。
上述各實施方式係用以例示性地說明本發明的部分實施態樣,以及闡釋本發明的技術特徵,而非用來限制本發明的保護範疇及範圍。任何本發明所屬技術領域中具有通常知識者可輕易完成的改變或均等性的安排均屬於本發明所主張的範圍,本發明的權利保護範圍以申請專利範圍為準。
1:行為推薦裝置
10:數位分身模型
11:儲存器
13:接收介面
15:操作介面
17:處理器
BS:行為序列
B1、……、BN:行為
D1、……、DN:量化資料
E1、……、EP:歷史預測參數集
H1、……、HP:歷史行為序列
MP1、MP2:監測參數集
P1、P2、……、PK:預測參數集
PP:預測參數集
Q1、……、QP:歷史參數集
RS:推薦行為序列
S1、S2、……、SK:模擬行為序列
S3、S4:模擬行為序列
SP:模擬行為路徑
T:目標
S201~S207:步驟
第1A圖係描繪某些實施方式的行為推薦裝置1的架構示意圖。
第1B圖係描繪數位分身模型10的資料流示意圖。
第1C圖係描繪行為推薦裝置1利用數位分身模型10來評估模擬行為序列S1、S2、……、SK的部分資料流示意圖。
第1D圖係描繪複數個模擬行為路徑的一具體範例的示意圖。
第1E圖係描繪行為推薦裝置1利用歷史行為序列H1、……、HP來建立數位分身模型10的部分資料流示意圖。
第1F圖係描繪某些實施方式的數位分身模型10的架構示意圖。
第2圖係描繪本發明的行為推薦方法的主要流程圖。
無
S201~S207:步驟
Claims (18)
- 一種行為推薦裝置,包含:一儲存器,儲存一數位分身模型,其中該數位分身模型係為輸入一行為序列和一監測參數集之後以輸出一預測參數集,該行為序列包含具一第一順序的複數個行為及各該行為的一量化資料,且該預測參數集係對應該監測參數集;一接收介面,接收該監測參數集;一操作介面,接收一目標,其中該目標係對應該監測參數集其中的一特定參數;以及一處理器,電性連接至該儲存器、該接收介面及該操作介面,且依據該目標所對應的該特定參數、該監測參數集、該數位分身模型以及複數個模擬行為序列產生一推薦行為序列,且於該操作介面上顯示該推薦行為序列;其中該處理器還針對複數個階段的每一階段產生對應的複數個模擬行為序列,再依據最後一個階段的該等模擬行為序列產生一推薦行為序列組合,其中,該推薦行為序列組合包含對應至一第二順序的複數個推薦行為序列。
- 如請求項1所述的行為推薦裝置,其中該處理器還將各該模擬行為序列及該監測參數集輸入該數位分身模型,俾該數位分身模型分別產生各該模擬行為序列的一預測參數集,其中該處理器係依據該等模擬行為序列的該等預測參數集中對應至該特定參數的複數個預測參數來產生該推薦行為序列。
- 如請求項1所述的行為推薦裝置,其中該處理器還依據該等階段產生複數個模擬行為路徑,各該模擬行為路徑包含複數個路徑節點,各該路徑節點對應至該等模擬行為序列其中之一,各該模擬行為路徑分別包含具一第三 順序的複數個模擬行為序列,該處理器針對各該模擬行為路徑個別地執行以下運作:(a)將該模擬行為路徑的該等路徑節點所對應的該等模擬行為序列依序與對應的該監測參數集輸入該數位分身模型,俾該數位分身模型依序地產生各該路徑節點所對應的該模擬行為序列的該預測參數集,其中各該路徑節點的該預測參數集為下一路徑節點的該監測參數集,以及(b)根據該模擬行為路徑中的最後一個路徑節點所對應的該預測參數集,產生該模擬行為路徑的一評估分數,其中,該處理器還根據該等評估分數選取該等模擬行為路徑其中之一所對應的該等模擬行為序列作為該推薦行為序列組合。
- 如請求項1所述的行為推薦裝置,其中該處理器係根據該目標所對應的一預設評估規則以從該等模擬行為序列中選擇其中一個來作為該推薦行為序列。
- 如請求項1所述的行為推薦裝置,其中該接收介面還接收對應該推薦行為序列被執行後的另一監測參數集,且其中,該處理器還在判斷該另一監測參數集與該推薦行為序列所對應的該預測參數集間的一差異大於一門檻值後,基於該推薦行為序列及該另一監測參數集再次訓練該數位分身模型。
- 如請求項1所述的行為推薦裝置,其中該數位分身模型係經由複數個歷史行為序列及其對應的複數個歷史參數集所建立,針對各該歷史行為序列:該處理器將該歷史行為序列及該等歷史參數集其中之一輸入該數位分身模 型,俾該數位分身模型產生該歷史行為序列的一歷史預測參數集,該接收介面接收該歷史行為序列被執行後的一歷史監測參數集,該處理器還計算該歷史監測參數集與該歷史預測參數集間的一差異,以及該處理器還根據該差異來調整該數位分身模型。
- 如請求項1所述的行為推薦裝置,其中該數位分身模型包含複數個第一全連接層、複數個層規格化(Layer Normalization)單元、一深度學習轉譯模型(Transformer)及複數個第二全連接層,其中該等第一全連接層一對一地連接至該等層規格化單元,該等層規格化單元連接至該深度學習轉譯模型,且該深度學習轉譯模型連接至該等第二全連接層。
- 如請求項1所述的行為推薦裝置,其中該目標係對應該監測參數集的複數個特定參數,且各該特定參數被設定一目標比例。
- 如請求項1所述的行為推薦裝置,其中該處理器係將該行為序列中的複數個行為依據不同的行為排列順序及不同的量化資料來進行多種組合以產生該等模擬行為序列。
- 一種行為推薦方法,適用於一電子計算裝置,該電子計算裝儲存一數位分身模型,該數位分身模型係為輸入一行為序列和一監測參數集之後以輸出一預測參數集,該行為序列包含具一第一順序的複數個行為及各該行為的一量化資料,該預測參數集係對應該監測參數集,且該行為推薦方法包含下列步驟:(a)接收該監測參數集;(b)接收一目標,其中該目標係對應該監測參數集其中的一特定參數;(c)依據該目標所對應的該特定參數、該監測參數集、該數位分身模型以及 複數個模擬行為序列產生一推薦行為序列;以及(d)於一操作介面上顯示該推薦行為序列;其中,該步驟(c)包含下列步驟:針對複數個階段的每一個產生對應的複數模擬行為序列;以及依據最後一個階段的該等模擬行為序列產生一推薦行為序列組合,其中該推薦行為序列組合包含對應至一第二順序的複數個模擬行為序列。
- 如請求項10所述的行為推薦方法,其中該步驟(c)包含下列步驟:將各該模擬行為序列及該監測參數集輸入該數位分身模型,俾該數位分身模型分別產生各該模擬行為序列的一預測參數集;以及依據該等模擬行為序列的該等預測參數集中對應至該特定參數的複數個預測參數來產生該推薦行為序列。
- 如請求項10所述的行為推薦方法,其中該步驟(c)包含下列步驟:依據該等階段產生複數個模擬行為路徑,其中各該模擬行為路徑包含複數個路徑節點,各該路徑節點對應至該等模擬行為序列其中之一,各該模擬行為路徑包含具一第三順序的複數個模擬行為序列;針對各該模擬行為路徑個別地執行以下步驟:將該模擬行為路徑的該等路徑節點所對應的該等模擬行為序列依序與對應的該監測參數集輸入該數位分身模型,俾該數位分身模型依序地產生各該路徑節點所對應的該模擬行為序列的該預測參數集,其中各該路徑節點的該預測參數集為下一路徑節點的該監測參數集;以及 根據該模擬行為路徑中的最後一個路徑節點所對應的該預測參數集,產生該模擬行為路徑的一評估分數;以及根據該等評估分數選取該等模擬行為路徑其中之一所對應的該等模擬行為序列作為該推薦行為序列組合。
- 如請求項10所述的行為推薦方法,其中該步驟(c)係根據該目標所對應的一預設評估規則以從該等模擬行為序列中選擇其中一個來作為該推薦行為序列。
- 如請求項10所述的行為推薦方法,還包含下列步驟:接收對應該推薦行為序列被執行後的另一監測參數集;在判斷該另一監測參數集與該推薦行為序列所對應的該預測參數集間的一差異大於一門檻值後,基於該推薦行為序列及該另一監測參數集再次訓練該數位分身模型。
- 如請求項10所述的行為推薦方法,其中該數位分身模型係經由複數個歷史行為序列及其對應的複數個歷史參數集所建立,該行為推薦方法還包含下列步驟:針對各該歷史行為序列執行以下步驟:將該歷史行為序列及該等歷史參數集其中之一輸入該數位分身模型,俾該數位分身模型產生該歷史行為序列的一歷史預測參數集;接收該歷史行為序列被執行後的一歷史監測參數集;計算該歷史監測參數集與該歷史預測參數集間的一差異;以及該處理器還根據該差異來調整該數位分身模型。
- 如請求項10所述的行為推薦方法,其中該數位分身模型包含複數個第一全連接層、複數個層規格化單元、一深度學習轉譯模型及複數個第二全連接層,其中該等第一全連接層一對一地連接至該等層規格化單元,該等層規格化單元連接至該深度學習轉譯模型,且該深度學習轉譯模型連接至該等第二全連接層。
- 如請求項10所述的行為推薦方法,還包含下列步驟:將該行為序列中的複數個行為依據不同的行為排列順序及不同的量化資料來進行多種組合以產生該等模擬行為序列。
- 一種電腦程式產品,經由一電子計算裝置載入該電腦程式產品後,該電子計算裝置執行該電腦程式產品所包含的複數個程式指令以實現一種行為推薦方法,該電子計算裝儲存一數位分身模型,該數位分身模型係為輸入一行為序列和一監測參數集之後以輸出一預測參數集,該行為序列包含具一第一順序的複數個行為及各該行為的一量化資料,該預測參數集係對應該監測參數集,且該行為推薦方法包含下列步驟:(a)接收該監測參數集;(b)接收一目標,其中該目標係對應該監測參數集其中的一特定參數;(c)依據該目標所對應的該特定參數、該監測參數集、該數位分身模型以及複數個模擬行為序列產生一推薦行為序列;以及(d)於一操作介面上顯示該推薦行為序列;其中,該步驟(c)包含下列步驟:針對複數個階段的每一個產生對應的複數模擬行為序列;以及依據最後一個階段的該等模擬行為序列產生一推薦行為序列組合,其中該 推薦行為序列組合包含對應至一第二順序的複數個模擬行為序列。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW109138576A TWI775207B (zh) | 2020-11-05 | 2020-11-05 | 行為推薦裝置、行為推薦方法及其電腦程式產品 |
CN202011252071.2A CN114442566A (zh) | 2020-11-05 | 2020-11-11 | 行为推荐装置、行为推荐方法及其计算机存储介质 |
US17/105,464 US20220138560A1 (en) | 2020-11-05 | 2020-11-25 | Behavior recommendation apparatus, behavior recommendation method, and non-transitory computer readable storage medium thereof |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW109138576A TWI775207B (zh) | 2020-11-05 | 2020-11-05 | 行為推薦裝置、行為推薦方法及其電腦程式產品 |
Publications (2)
Publication Number | Publication Date |
---|---|
TW202219844A TW202219844A (zh) | 2022-05-16 |
TWI775207B true TWI775207B (zh) | 2022-08-21 |
Family
ID=81361365
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW109138576A TWI775207B (zh) | 2020-11-05 | 2020-11-05 | 行為推薦裝置、行為推薦方法及其電腦程式產品 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20220138560A1 (zh) |
CN (1) | CN114442566A (zh) |
TW (1) | TWI775207B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116738766B (zh) * | 2023-08-11 | 2023-10-13 | 安徽金海迪尔信息技术有限责任公司 | 基于数字孪生的智慧农业线上产业化服务系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200089826A1 (en) * | 2018-09-14 | 2020-03-19 | Northwestern University | Integrated process-structure-property modeling frameworks and methods for design optimization and/or performance prediction of material systems and applications of same |
TW202025005A (zh) * | 2018-12-21 | 2020-07-01 | 財團法人工業技術研究院 | 基於模型之機器學習系統 |
CN111771202A (zh) * | 2018-02-28 | 2020-10-13 | 西门子股份公司 | 用于对技术系统的计算机辅助设计的方法和装置 |
CN111831719A (zh) * | 2020-07-22 | 2020-10-27 | 山东钢铁股份有限公司 | 一种高炉炼铁的生产过程智能控制方法及系统 |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002206695A (ja) * | 2001-01-10 | 2002-07-26 | Tokyo Gas Co Ltd | ガス供給設備の運転計画方法 |
US9159021B2 (en) * | 2012-10-23 | 2015-10-13 | Numenta, Inc. | Performing multistep prediction using spatial and temporal memory system |
US9886867B2 (en) * | 2013-09-05 | 2018-02-06 | Analyttica Datalab Inc. | Simulation based learning system and method for training and scoring one or more challenges taken by a user |
US20180137219A1 (en) * | 2016-11-14 | 2018-05-17 | General Electric Company | Feature selection and feature synthesis methods for predictive modeling in a twinned physical system |
KR102086815B1 (ko) * | 2018-01-12 | 2020-03-09 | 세종대학교산학협력단 | 인공 신경망을 구성하는 복수의 학습 모델 중 최적 학습 모델 선택 방법 및 장치 |
EP3749863A1 (de) * | 2018-02-05 | 2020-12-16 | Ziehl-Abegg Se | Verfahren zur optimierung des wirkungsgrads und/oder der laufperformance eines ventilators oder einer ventilator-anordnung |
CN109902222B (zh) * | 2018-11-30 | 2022-05-13 | 华为技术有限公司 | 一种推荐方法及装置 |
US11562227B2 (en) * | 2019-03-13 | 2023-01-24 | Accenture Global Solutions Limited | Interactive assistant |
US11604459B2 (en) * | 2019-07-12 | 2023-03-14 | Emerson Process Management Power & Water Solutions, Inc. | Real-time control using directed predictive simulation within a control system of a process plant |
US20220027529A1 (en) * | 2020-07-21 | 2022-01-27 | Rockwell Automation Technologies, Inc. | Controls system based digital twin for supervisory control of independent cart technology tracks and lines |
US11415969B2 (en) * | 2020-09-21 | 2022-08-16 | Rockwell Automation Technologies, Inc. | Connectivity to an industrial information hub |
US11934755B2 (en) * | 2020-10-28 | 2024-03-19 | International Business Machines Corporation | Digital twin lubrication simulation |
-
2020
- 2020-11-05 TW TW109138576A patent/TWI775207B/zh active
- 2020-11-11 CN CN202011252071.2A patent/CN114442566A/zh active Pending
- 2020-11-25 US US17/105,464 patent/US20220138560A1/en active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111771202A (zh) * | 2018-02-28 | 2020-10-13 | 西门子股份公司 | 用于对技术系统的计算机辅助设计的方法和装置 |
US20200089826A1 (en) * | 2018-09-14 | 2020-03-19 | Northwestern University | Integrated process-structure-property modeling frameworks and methods for design optimization and/or performance prediction of material systems and applications of same |
TW202025005A (zh) * | 2018-12-21 | 2020-07-01 | 財團法人工業技術研究院 | 基於模型之機器學習系統 |
CN111831719A (zh) * | 2020-07-22 | 2020-10-27 | 山东钢铁股份有限公司 | 一种高炉炼铁的生产过程智能控制方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN114442566A (zh) | 2022-05-06 |
US20220138560A1 (en) | 2022-05-05 |
TW202219844A (zh) | 2022-05-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210390416A1 (en) | Variable parameter probability for machine-learning model generation and training | |
US20210342699A1 (en) | Cooperative execution of a genetic algorithm with an efficient training algorithm for data-driven model creation | |
Li et al. | Differential evolution algorithm with multi-population cooperation and multi-strategy integration | |
US11037061B2 (en) | Adaptive cataclysms in genetic algorithms | |
TWI775207B (zh) | 行為推薦裝置、行為推薦方法及其電腦程式產品 | |
CN103778482A (zh) | 基于多尺度分析的水产养殖溶解氧短期预测方法 | |
US20240095535A1 (en) | Executing a genetic algorithm on a low-power controller | |
JP2021174397A (ja) | 制御支援装置、制御支援方法、制御支援プログラム、および制御システム | |
JP2010020714A (ja) | 情報処理装置、情報処理方法、およびプログラム | |
US20230126776A1 (en) | Apparatus, method, and computer readable medium | |
Biswas et al. | Multi-objective simulated annealing variants to infer gene regulatory network: A comparative study | |
Walker et al. | Toward the online visualisation of algorithm performance for parameter selection | |
CN113642226A (zh) | 基于多目标进化算法的公平机器学习模型的训练方法 | |
Bashir | Solve simple linear equation using evolutionary algorithm | |
JP3275929B2 (ja) | 空気調和装置の最適制御規則表設計方法 | |
Pasandideh et al. | A new approach to solve multi-response statistical optimization problems using neural network, genetic algorithm, and goal attainment methods | |
Muraro et al. | Inference of the genetic network regulating lateral root initiation in Arabidopsis thaliana | |
GB2578708A (en) | Genetic disease modeling | |
Lin | Multicriteria–multistage planning for the optimal path selection using hybrid genetic algorithms | |
Grech et al. | A case-based reasoning approach to formulating university timetables using genetic algorithms | |
WO2023075631A1 (ru) | Система управления устройствами отопления, вентиляции и кондиционирования воздуха | |
Briffoteaux et al. | Towards Dynamic Selection of Evolution Controls in Parallel Bayesian Neural Network-assisted Genetic Algorithm | |
Hu et al. | A comprehensive fuzz‐rule‐based self‐adaptive genetic algorithm | |
Kiran Manthri et al. | Developmental Encodings in Neuroevolution-No Free Lunch but a Peak at the Menu is Allowed | |
JP2023161401A (ja) | 形質予測方法、形質予測モデル生成方法、形質予測装置、形質予測モデル生成装置、及び形質予測システム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
GD4A | Issue of patent certificate for granted invention patent |