CN111984658B - 报表的处理方法及装置 - Google Patents
报表的处理方法及装置 Download PDFInfo
- Publication number
- CN111984658B CN111984658B CN202010928208.5A CN202010928208A CN111984658B CN 111984658 B CN111984658 B CN 111984658B CN 202010928208 A CN202010928208 A CN 202010928208A CN 111984658 B CN111984658 B CN 111984658B
- Authority
- CN
- China
- Prior art keywords
- processed
- batch
- report
- moving average
- historical
- 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.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/22—Indexing; Data structures therefor; Storage structures
- G06F16/2282—Tablespace storage structures; Management thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Debugging And Monitoring (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种报表的处理方法及装置,该方法包括:获得多个批次的待处理报表,查询每个批次的待处理报表的多个历史处理时长;将每个批次的待处理报表的多个历史处理时长分别输入指数加权移动平均模型,输出每个批次的待处理报表的指数加权移动平均值;根据多个批次的待处理报表的指数加权移动平均值,将多个批次的待处理报表分为多组,其中,各组待处理报表的总预测处理时长之间的差值小于预设阈值;并行处理多组待处理报表,串行处理每组的多个批次的待处理报表。本发明可以基于历史处理时长和指数加权移动平均模型提高多个批次报表分组的准确性,进而提高批量报表的处理效率。
Description
技术领域
本发明涉及数据处理技术领域,特别涉及一种报表的处理方法及装置。
背景技术
金融机构的交易***每日日终批量产生大量的交易报表和估值报表,并将这些报表下传给下游***进行分析和二次处理,随着金融市场价格的波动,不同金融产品的交易量会在不同时期出现大幅波动,由于交易量大小与报表处理时长往往呈现出正相关性,因此交易量的波动会引起报表处理时长的波动,目前常用的报表的调度工具为TivoliWorkload Scheduler(TWS),通过TWS计算历史多个批次报表的平均处理时长,根据平均处理时长手动将多个批次的报表分组,由于历史多个批次报表的平均处理时长并不能反映实际报表处理时长的波动性,导致预测情况与实际情况存在较大偏差,后续还需通过手动进行多次调整,效率较低。
针对上述问题,目前尚未提出有效的解决方案。
发明内容
本发明实施例提供一种报表的处理方法,用以提高批量报表的处理效率,该方法包括:
获得多个批次的待处理报表,查询每个批次的待处理报表的多个历史处理时长;
将每个批次的待处理报表的多个历史处理时长分别输入指数加权移动平均模型,输出每个批次的待处理报表的指数加权移动平均值;
根据多个批次的待处理报表的指数加权移动平均值,将多个批次的待处理报表分为多组,其中,各组待处理报表的总预测处理时长之间的差值小于预设阈值;
并行处理多组待处理报表,串行处理每组的多个批次的待处理报表;
其中,查询每个批次的待处理报表的多个历史处理时长,包括:
对于每个批次的待处理报表,查询该批次的待处理报表的历史第t天的处理时长,其中,t表示距离当天的天数,t的取值范围为:t=1,2,3,……,n;
将每个批次的待处理报表的多个历史处理时长分别输入指数加权移动平均模型,输出每个批次的待处理报表的指数加权移动平均值,包括:
对于每个批次的待处理报表,将该批次的待处理报表的历史第1天的处理时长输入指数加权移动平均模型,输出该批次的待处理报表的历史第1天的指数加权移动平均值;
令t=2,循环执行如下步骤,直至t=n为止,确定该批次的待处理报表的历史第n天的指数加权移动平均值;
将该批次的待处理报表的历史第t天的处理时长,以及该批次的待处理报表的历史第t-1天的指数加权移动平均值输入指数加权移动平均模型,输出该批次的待处理报表的历史第t天的指数加权移动平均值;
令t=t+1;
将该批次的待处理报表的历史第n天的指数加权移动平均值确定为该批次的待处理报表的指数加权移动平均值。
本发明实施例提供一种报表的处理装置,用以提高批量报表的处理效率,该装置包括:
数据获得模块,用于获得多个批次的待处理报表,查询各个批次的待处理报表的多个历史处理时长;
处理时长预测模块,用于将每个批次的待处理报表的多个历史处理时长分别输入指数加权移动平均模型,输出每个批次的待处理报表的指数加权移动平均值;
分组模块,用于根据多个批次的待处理报表的指数加权移动平均值,将多个批次的待处理报表分为多组,其中,各组待处理报表的总预测处理时长之间的差值小于预设阈值;
报表处理模块,用于并行处理多组待处理报表,串行处理每组的多个批次的待处理报表;
其中,数据获得模块具体用于:
对于每个批次的待处理报表,查询该批次的待处理报表的历史第t天的处理时长,其中,t表示距离当天的天数,t的取值范围为:t=1,2,3,……,n;
将每个批次的待处理报表的多个历史处理时长分别输入指数加权移动平均模型,输出每个批次的待处理报表的指数加权移动平均值,包括:
对于每个批次的待处理报表,将该批次的待处理报表的历史第1天的处理时长输入指数加权移动平均模型,输出该批次的待处理报表的历史第1天的指数加权移动平均值;
令t=2,循环执行如下步骤,直至t=n为止,确定该批次的待处理报表的历史第n天的指数加权移动平均值;
将该批次的待处理报表的历史第t天的处理时长,以及该批次的待处理报表的历史第t-1天的指数加权移动平均值输入指数加权移动平均模型,输出该批次的待处理报表的历史第t天的指数加权移动平均值;
令t=t+1;
将该批次的待处理报表的历史第n天的指数加权移动平均值确定为该批次的待处理报表的指数加权移动平均值。
本发明实施例还提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现上述报表的处理方法。
本发明实施例还提供了一种计算机可读存储介质,计算机可读存储介质存储有计算机程序,计算机程序被处理器执行时实现上述报表的处理方法。
本发明实施例通过:获得多个批次的待处理报表,查询每个批次的待处理报表的多个历史处理时长;将每个批次的待处理报表的多个历史处理时长分别输入指数加权移动平均模型,输出每个批次的待处理报表的指数加权移动平均值,基于历史处理时长和指数加权移动平均模型得到的指数加权移动平均值可以较好的反映批量报表处理时长在历史一段时间内的波动性;根据多个批次的待处理报表的指数加权移动平均值,将多个批次的待处理报表分为多组,其中,各组待处理报表的总预测处理时长之间的差值小于预设阈值;并行处理多组待处理报表,串行处理每组的多个批次的待处理报表,能够基于指数加权移动平均值提高多个批次报表分组的准确性,进而提高批量报表的处理效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有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发明的一些实施例,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。在附图中:
图1为本发明实施例中报表的处理方法流程的示意图;
图2为图1中步骤101和步骤102具体流程的示意图;
图3为本发明实施例中报表的处理装置结构的示意图;
图4为本发明实施例中报表的处理装置另一结构的示意图;
图5为本发明实施例中具体实施例的示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本领域技术技术人员知道,本发明的实施方式可以实现为一种***、装置、方法或计算机程序产品。因此,本发明公开可以具体实现为以下形式,即:完全的硬件、完全的软件(包括固件、驻留软件、微代码等),或者硬件和软件结合的形式。
为了解决现有技术基于TWS计算得到的平均处理时长不能反映实际报表处理时长的波动性,使得预测情况与实际情况存在较大偏差,需通过手动进行多次调整,导致效率较低的技术问题,本发明实施例提供一种报表的处理方法,用以提高批量报表的处理效率,图1为本发明实施例中报表的处理方法流程的示意图,如图1所示,该方法包括:
步骤101:获得多个批次的待处理报表,查询每个批次的待处理报表的多个历史处理时长;
步骤102:将每个批次的待处理报表的多个历史处理时长分别输入指数加权移动平均模型,输出每个批次的待处理报表的指数加权移动平均值;
步骤103:根据多个批次的待处理报表的指数加权移动平均值,将多个批次的待处理报表分为多组,其中,各组待处理报表的总预测处理时长之间的差值小于预设阈值;
步骤104:并行处理多组待处理报表,串行处理每组的多个批次的待处理报表。
如图1所示,本发明实施例通过:获得多个批次的待处理报表,查询每个批次的待处理报表的多个历史处理时长;将每个批次的待处理报表的多个历史处理时长分别输入指数加权移动平均模型,输出每个批次的待处理报表的指数加权移动平均值,基于历史处理时长和指数加权移动平均模型得到的指数加权移动平均值可以较好的反映批量报表处理时长在历史一段时间内的波动性;根据多个批次的待处理报表的指数加权移动平均值,将多个批次的待处理报表分为多组,其中,各组待处理报表的总预测处理时长之间的差值小于预设阈值;并行处理多组待处理报表,串行处理每组的多个批次的待处理报表,能够基于指数加权移动平均值提高多个批次报表分组的准确性,进而提高批量报表的处理效率。
具体实施时,步骤101中,可以从金融交易***的批量报表中筛选出可以动态调度的多个批次的待处理报表,从数据库中查询每个批次的待处理报表的多个历史处理时长,还可以预先确定每组报表的最大允许数目、报表处理失败是否重新执行,重新执行次数等配置参数,如果需要调整,仅需修改配置文件即可,不需要修改程序。
图2为图1中步骤101和步骤102具体流程的示意图,如图2所示,在一个实施例中,步骤101中查询每个批次的待处理报表的多个历史处理时长,可以包括:
步骤201:对于每个批次的待处理报表,查询该批次的待处理报表的历史第t天的处理时长,其中,t表示距离当天的天数,t的取值范围为:t=1,2,3,……,n;
步骤102中将每个批次的待处理报表的多个历史处理时长分别输入指数加权移动平均模型,输出每个批次的待处理报表的指数加权移动平均值,可以包括:
步骤202:对于每个批次的待处理报表,将该批次的待处理报表的历史第1天的处理时长输入指数加权移动平均模型,输出该批次的待处理报表的历史第1天的指数加权移动平均值;
步骤203:令t=2,循环执行如下步骤,直至t=n为止,确定该批次的待处理报表的历史第n天的指数加权移动平均值;
步骤204:将该批次的待处理报表的历史第t天的处理时长,以及该批次的待处理报表的历史第t-1天的指数加权移动平均值输入指数加权移动平均模型,输出该批次的待处理报表的历史第t天的指数加权移动平均值;
步骤205:令t=t+1;
步骤206:将该批次的待处理报表的历史第n天的指数加权移动平均值确定为该批次的待处理报表的指数加权移动平均值。
在一个实施例中,指数加权移动平均模型如公式(1)所示:
EWMA(t)=λ×y(t)+(1-λ)×EWMA(t-1),t=1,2,3,……,n (1)
式中,EWMA(t)为历史第t天的指数加权移动平均值,EWMA(t-1)为历史第t-1天的指数加权移动平均值,y(t)为历史第t天的处理时长,n为天数,λ为衰减因子。
EWMA(Exponentially Weighted Moving Average)指数加权移动平均模型,是一种常用的序列数据处理方式,EWMA模型中的衰减因子λ决定了EWMA模型跟踪实际数据突然发生变化的能力,也就是时效性。显然,随着λ值的增大,模型的时效性越强,反映最新信息的能力就越强。发明人经过大量的研究发现,EWMA模型常常应用于金融产品波动率的预测,由于波动率与交易量往往呈现正相关,交易量与报表处理时长也呈现出正相关的关系,因此可以通过EWMA反映批量报表耗时的时效性与聚集性。
具体实施时,可以在配置文件中预先设置EWMA模型的衰减因子λ的值、EWMA模型观测值个数n,其中,衰减因子λ的值基于历史数据训练得到,在查询每个批次的待处理报表的多个历史处理时长时,可以根据配置文件中EWMA模型观测值个数n,查询每个批次的待处理报表的历史第t天的处理时长,其中,t表示距离当天的天数,t的取值范围为:t=1,2,3,……,n,还可以配置其他间隔的时间尺度,本发明不以此为限定。然后,对于每个批次的待处理报表,将该批次的待处理报表的历史第1天的处理时长y(1)输入上述公式(1)的EWMA模型,由于EWMA(0)=0,该批次的待处理报表的历史第1天的指数加权移动平均值EWMA(1)=λ×y(1),接着,令t=2,将该批次的待处理报表的历史第2天的处理时长y(2),以及该批次的待处理报表的历史第1天的指数加权移动平均值EWMA(1)输入EWMA模型,输出该批次的待处理报表的历史第2天的指数加权移动平均值EWMA(2)=λ×y(2)+(1-λ)×EWMA(1),令t=t+1,循环执行上述操作,直至t=n为止,得到该批次的待处理报表的历史第n天的指数加权移动平均值EWMA(n)=λ×y(n)+(1-λ)×EWMA(n-1),最后,将EWMA(n)确定为该批次的待处理报表的指数加权移动平均值,对于每个批次的待处理报表执行上述操作,得到多个批次的待处理报表的指数加权移动平均值。
由于报表处理时长在一段时间内随交易量呈现聚集性特征,前一天的报表处理时长比起一个月前的报表处理时长对当天的报表处理时长的预测有更大的指示性作用,可以通过调整衰减因子的值赋予距当天最近的历史数据最大的权值,依次类推,赋予距当天最远的历史数据最小的权值,这样基于历史处理时长和指数加权移动平均模型得到的指数加权移动平均值可以较好的反映报表处理时长在历史一段时间内的时效性和聚集性,提高了报表处理时长的预测的准确性,无需后续人工干预,效率较高。
具体实施时,步骤103中可以根据多个批次的待处理报表的指数加权移动平均值,每组报表的最大允许数目,以各组待处理报表的总预测处理时长之间的差值尽可能小为目标,基于动态规划的算法,将多个批次的待处理报表分为N组,步骤104中,可以按照分组结果,进行批量报表的动态调度,并行处理N组待处理报表,串行处理每组的多个批次的待处理报表,在全部报表处理完成后,返回批量报表的处理结果。
在一个实施例中,该方法还包括:
在任一组待处理报表处理完成后,若其他组存在未处理完成的报表,将小于预设数目的未处理完成的报表调度至报表处理完成对应的组。
具体实施时,步骤104中,为了防止报表处理时长的预测结果与实际情况偏离,在并行处理N组待处理报表时,在任一组待处理报表处理完成后,需检查其他组是否存在未处理完成的报表,若存在,可以将未处理完成的报表动态调整到报表处理完成对应的组内进行处理,具体调整时,设置预设数目,将小于预设数目的未处理完成的报表调度至报表处理完成对应的组。
在一个实施例中,该方法还包括:
在任一批次的待处理报表处理失败时,根据预先设置的配置文件,跳过该批次的待处理报表或重新处理该批次的待处理报表。
具体实施时,步骤104中,在并行处理N组待处理报表时,在任一批次的待处理报表处理意外中断或报错时,可以根据步骤101中的配置文件中的报表处理失败是否重新执行,重新执行几次等配置参数,跳过该批次的待处理报表或重新处理该批次的待处理报表。
应当注意,尽管在附图中以特定顺序描述了本发明方法的操作,但是,这并非要求或者暗示必须按照该特定顺序来执行这些操作,或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地,可以省略某些步骤,将多个步骤合并为一个步骤执行,和/或将一个步骤分解为多个步骤执行。
基于同一发明构思,本发明实施例中还提供了一种报表的处理装置,如下面的实施例。由于报表的处理装置解决问题的原理与报表的处理方法相似,因此装置的实施可以参见方法的实施,重复之处不再赘述。以下所使用的,术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
图3为本发明实施例中报表的处理装置结构的示意图,如图3所示,在一个实施例中,该装置包括:
数据获得模块01,用于获得多个批次的待处理报表,查询各个批次的待处理报表的多个历史处理时长;
处理时长预测模块02,用于将每个批次的待处理报表的多个历史处理时长分别输入指数加权移动平均模型,输出每个批次的待处理报表的指数加权移动平均值;
分组模块03,用于根据多个批次的待处理报表的指数加权移动平均值,将多个批次的待处理报表分为多组,其中,各组待处理报表的总预测处理时长之间的差值小于预设阈值;
报表处理模块04,用于并行处理多组待处理报表,串行处理每组的多个批次的待处理报表。
在一个实施例中,数据获得模块01具体用于:
对于每个批次的待处理报表,查询该批次的待处理报表的历史第t天的处理时长,其中,t表示距离当天的天数,t的取值范围为:t=1,2,3,……,n;
处理时长预测模块02具体用于:
对于每个批次的待处理报表,将该批次的待处理报表的历史第1天的处理时长输入指数加权移动平均模型,输出该批次的待处理报表的历史第1天的指数加权移动平均值;
令t=2,循环执行如下步骤,直至t=n为止,确定该批次的待处理报表的历史第n天的指数加权移动平均值;
将该批次的待处理报表的历史第t天的处理时长,以及该批次的待处理报表的历史第t-1天的指数加权移动平均值输入指数加权移动平均模型,输出该批次的待处理报表的历史第t天的指数加权移动平均值;
令t=t+1;
将该批次的待处理报表的历史第n天的指数加权移动平均值确定为该批次的待处理报表的指数加权移动平均值。
在一个实施例中,指数加权移动平均模型如下:
EWMA(t)=λ×y(t)+(1-λ)×EWMA(t-1),t=1,2,3,……,n;
式中,EWMA(t)为历史第t天的指数加权移动平均值,EWMA(t-1)为历史第t-1天的指数加权移动平均值,y(t)为历史第t天的处理时长,n为天数,λ为衰减因子。
图4为本发明实施例中报表的处理装置另一结构的示意图,如图4所示,在一个实施例中,该装置还包括:调整模块05,用于:
在任一组待处理报表处理完成后,若其他组存在未处理完成的报表,将小于预设数目的未处理完成的报表调度至报表处理完成对应的组。
如图4所示,在一个实施例中,该装置还包括:失败重试模块06,用于:
在任一批次的待处理报表处理失败时,根据预先设置的配置文件,跳过该批次的待处理报表或重新处理该批次的待处理报表。
下面举一个具体的例子,以便于理解本发明如何实施。
图5为本发明实施例中具体实施例的示意图,如图5所示,包括如下步骤:
第一步:配置模块读取配置文件进入内存,配置参数包括:批量报表的范围、EWMA模型的衰减因子λ的值、EWMA模型观测值个数n、每组报表的最大数目、报表处理失败是否重新执行,重新执行次数等参数。
第二步:数据获得模块根据批量报表的范围,EWMA模型观测值个数n,查询每个批次的待处理报表的历史第t天的处理时长,其中,t表示距离当天的天数,t的取值范围为:t=1,2,3,……,n;
第三步:处理时长预测模块将每个批次的待处理报表的多个历史处理时长分别输入EWMA模型,输出每个批次的待处理报表的指数加权移动平均值;
第四步:分组模块根据多个批次的待处理报表的指数加权移动平均值,每组报表的最大允许数目,以各组待处理报表的总预测处理时长之间的差值尽可能小为目标,基于动态规划的算法,将多个批次的待处理报表分为N组;
第五步:报表处理模块并行处理N组待处理报表,串行处理每组的多个批次的待处理报表,在任一组待处理报表处理完成后,检查其他组是否存在未处理完成的报表,若存在,将未处理完成的报表动态调整到报表处理完成对应的组内进行处理,在任一批次的待处理报表处理意外中断或报错时,根据配置文件中的报表处理失败是否重新执行,重新执行次数等配置参数,跳过该批次的待处理报表或重新处理该批次的待处理报表,在全部报表处理完成后,返回批量报表的处理结果。
本发明实施例还提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现上述报表的处理方法。
本发明实施例还提供了一种计算机可读存储介质,计算机可读存储介质存储有执行上述报表的处理方法的计算机程序。
综上所述,本发明实施例通过:获得多个批次的待处理报表,查询每个批次的待处理报表的多个历史处理时长;将每个批次的待处理报表的多个历史处理时长分别输入指数加权移动平均模型,输出每个批次的待处理报表的指数加权移动平均值,基于历史处理时长和指数加权移动平均模型得到的指数加权移动平均值可以较好的反映批量报表处理时长在历史一段时间内的波动性;根据多个批次的待处理报表的指数加权移动平均值,将多个批次的待处理报表分为多组,其中,各组待处理报表的总预测处理时长之间的差值小于预设阈值;并行处理多组待处理报表,串行处理每组的多个批次的待处理报表,能够基于指数加权移动平均值提高多个批次报表分组的准确性,进而提高批量报表的处理效率。
本领域内的技术人员应明白,本发明的实施例可提供为方法、***、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明实施例可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种报表的处理方法,其特征在于,包括:
获得多个批次的待处理报表,查询每个批次的待处理报表的多个历史处理时长;
将每个批次的待处理报表的多个历史处理时长分别输入指数加权移动平均模型,输出每个批次的待处理报表的指数加权移动平均值;
根据多个批次的待处理报表的指数加权移动平均值,将多个批次的待处理报表分为多组,其中,各组待处理报表的总预测处理时长之间的差值小于预设阈值;
并行处理多组待处理报表,串行处理每组的多个批次的待处理报表;
其中,查询每个批次的待处理报表的多个历史处理时长,包括:
对于每个批次的待处理报表,查询该批次的待处理报表的历史第t天的处理时长,其中,t表示距离当天的天数,t的取值范围为:t=1,2,3,……,n;
将每个批次的待处理报表的多个历史处理时长分别输入指数加权移动平均模型,输出每个批次的待处理报表的指数加权移动平均值,包括:
对于每个批次的待处理报表,将该批次的待处理报表的历史第1天的处理时长输入指数加权移动平均模型,输出该批次的待处理报表的历史第1天的指数加权移动平均值;
令t=2,循环执行如下步骤,直至t=n为止,确定该批次的待处理报表的历史第n天的指数加权移动平均值;
将该批次的待处理报表的历史第t天的处理时长,以及该批次的待处理报表的历史第t-1天的指数加权移动平均值输入指数加权移动平均模型,输出该批次的待处理报表的历史第t天的指数加权移动平均值;
令t=t+1;
将该批次的待处理报表的历史第n天的指数加权移动平均值确定为该批次的待处理报表的指数加权移动平均值。
2.如权利要求1所述的方法,其特征在于,所述指数加权移动平均模型如下:
EWMA(t)=λ×y(t)+(1-λ)×EWMA(t-1),t=1,2,3,……,n;
式中,EWMA(t)为历史第t天的指数加权移动平均值,EWMA(t-1)为历史第t-1天的指数加权移动平均值,y(t)为历史第t天的处理时长,n为天数,λ为衰减因子。
3.如权利要求1所述的方法,其特征在于,还包括:
在任一组待处理报表处理完成后,若其他组存在未处理完成的报表,将小于预设数目的未处理完成的报表调度至报表处理完成对应的组。
4.如权利要求1所述的方法,其特征在于,还包括:
在任一批次的待处理报表处理失败时,根据预先设置的配置文件,跳过该批次的待处理报表或重新处理该批次的待处理报表。
5.一种报表的处理装置,其特征在于,包括:
数据获得模块,用于获得多个批次的待处理报表,查询各个批次的待处理报表的多个历史处理时长;
处理时长预测模块,用于将每个批次的待处理报表的多个历史处理时长分别输入指数加权移动平均模型,输出每个批次的待处理报表的指数加权移动平均值;
分组模块,用于根据多个批次的待处理报表的指数加权移动平均值,将多个批次的待处理报表分为多组,其中,各组待处理报表的总预测处理时长之间的差值小于预设阈值;
报表处理模块,用于并行处理多组待处理报表,串行处理每组的多个批次的待处理报表;
其中,数据获得模块具体用于:
对于每个批次的待处理报表,查询该批次的待处理报表的历史第t天的处理时长,其中,t表示距离当天的天数,t的取值范围为:t=1,2,3,……,n;
将每个批次的待处理报表的多个历史处理时长分别输入指数加权移动平均模型,输出每个批次的待处理报表的指数加权移动平均值,包括:
对于每个批次的待处理报表,将该批次的待处理报表的历史第1天的处理时长输入指数加权移动平均模型,输出该批次的待处理报表的历史第1天的指数加权移动平均值;
令t=2,循环执行如下步骤,直至t=n为止,确定该批次的待处理报表的历史第n天的指数加权移动平均值;
将该批次的待处理报表的历史第t天的处理时长,以及该批次的待处理报表的历史第t-1天的指数加权移动平均值输入指数加权移动平均模型,输出该批次的待处理报表的历史第t天的指数加权移动平均值;
令t=t+1;
将该批次的待处理报表的历史第n天的指数加权移动平均值确定为该批次的待处理报表的指数加权移动平均值。
6.如权利要求5所述的装置,其特征在于,所述指数加权移动平均模型如下:
EWMA(t)=λ×y(t)+(1-λ)×EWMA(t-1),t=1,2,3,……,n;
式中,EWMA(t)为历史第t天的指数加权移动平均值,EWMA(t-1)为历史第t-1天的指数加权移动平均值,y(t)为历史第t天的处理时长,n为天数,λ为衰减因子。
7.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,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4任一所述方法。
8.一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存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1至4任一所述方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010928208.5A CN111984658B (zh) | 2020-09-07 | 2020-09-07 | 报表的处理方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010928208.5A CN111984658B (zh) | 2020-09-07 | 2020-09-07 | 报表的处理方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111984658A CN111984658A (zh) | 2020-11-24 |
CN111984658B true CN111984658B (zh) | 2023-09-22 |
Family
ID=73448719
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010928208.5A Active CN111984658B (zh) | 2020-09-07 | 2020-09-07 | 报表的处理方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111984658B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107346464A (zh) * | 2016-05-06 | 2017-11-14 | 腾讯科技(深圳)有限公司 | 业务指标预测方法及装置 |
CN108804215A (zh) * | 2018-06-12 | 2018-11-13 | 北京奇艺世纪科技有限公司 | 一种任务处理方法、装置以及电子设备 |
CN111125097A (zh) * | 2019-11-29 | 2020-05-08 | 中盈优创资讯科技有限公司 | 报表调度方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2706488A1 (en) * | 2012-09-06 | 2014-03-12 | Siemens Aktiengesellschaft | Method and system for handling batch production parameter historian within ANSI/ISA/95 production scheduling extended thereof. |
-
2020
- 2020-09-07 CN CN202010928208.5A patent/CN111984658B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107346464A (zh) * | 2016-05-06 | 2017-11-14 | 腾讯科技(深圳)有限公司 | 业务指标预测方法及装置 |
CN108804215A (zh) * | 2018-06-12 | 2018-11-13 | 北京奇艺世纪科技有限公司 | 一种任务处理方法、装置以及电子设备 |
CN111125097A (zh) * | 2019-11-29 | 2020-05-08 | 中盈优创资讯科技有限公司 | 报表调度方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111984658A (zh) | 2020-11-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113159979A (zh) | 一种排产决策方法与*** | |
CN110909917A (zh) | 基于数据挖掘和工艺模型的优化排程方法、***、介质及设备 | |
JPH11232324A (ja) | 負荷区分型生産管理方式および生産管理方法 | |
Golmohammadi et al. | A genetic algorithm for preemptive scheduling of a single machine | |
CN111984658B (zh) | 报表的处理方法及装置 | |
Heydari et al. | Minimizing the maximum tardiness and makespan criteria in a job shop scheduling problem with sequence dependent setup times | |
CN112712236B (zh) | 一种造船企业线表负荷评估软件设计方法 | |
US20200097439A1 (en) | Systems and methods for improving the interpretability and transparency of machine learning models | |
CN111106953B (zh) | 一种异常根因分析的方法及装置 | |
Uikey et al. | Risk based scrum method: a conceptual framework | |
CN115963800A (zh) | 一种基于工业互联网的智能工厂调度方法、***及设备 | |
CN111984624B (zh) | 一种通过矫正迁移模型进行数据迁移的方法及*** | |
CN107301484B (zh) | 一种监控点设置方法及装置 | |
CN110865913B (zh) | 一种压力测试的方法及装置 | |
Gupta et al. | Bi-objective scheduling on parallel machines with uncertain processing time | |
CN113159479A (zh) | 一种基于项目管理的工作统计方法及*** | |
DE102016113968A1 (de) | Prozessor zur korrelationsbasierter Endlosschleifenerkennung | |
CN112070292A (zh) | 件量预测方法、装置、设备和存储介质 | |
CN111552545A (zh) | 任务的执行处理方法、装置、电子设备及存储介质 | |
Jamshidi | Bi-level Model for Reliability based Maintenance and Job Scheduling | |
CN109739916A (zh) | 数据装载或卸载方法及装置 | |
CN113836132B (zh) | 一种多端报表的核对方法及装置 | |
CN116485124A (zh) | 作业识别方法、装置、处理器及电子设备 | |
Kuhpfahl | Job Shop Scheduling–Formulation and Modeling | |
CN113971605A (zh) | 贷款风险降低方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |