CN114493641A - 信息显示方法、装置、电子设备和计算机可读介质 - Google Patents
信息显示方法、装置、电子设备和计算机可读介质 Download PDFInfo
- Publication number
- CN114493641A CN114493641A CN202011253834.5A CN202011253834A CN114493641A CN 114493641 A CN114493641 A CN 114493641A CN 202011253834 A CN202011253834 A CN 202011253834A CN 114493641 A CN114493641 A CN 114493641A
- Authority
- CN
- China
- Prior art keywords
- index
- target
- historical data
- sample
- determining
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- 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
- G06F16/2457—Query processing with adaptation to user needs
- G06F16/24575—Query processing with adaptation to user needs using context
-
- 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
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- 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
- G06F16/25—Integrating or interfacing systems involving database management systems
- G06F16/252—Integrating or interfacing systems involving database management systems between a Database Management System and a front-end application
-
- 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)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Computational Linguistics (AREA)
- Strategic Management (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Fuzzy Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Game Theory and Decision Science (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开的实施例公开了信息显示方法、装置、电子设备和计算机可读介质。该方法的一具体实施方式包括:获取历史数据集;基于历史数据集,确定标准批次指标集合;基于历史数据集,确定目标数组;基于标准批次指标集合,确定指标数组;基于指标数组和目标数组,确定性能指标数组;确定阈值;响应于性能指标数组不大于阈值,确定履约影响指标;将履约影响指标推送至具有显示功能的目标设备,以及控制目标设备显示履约影响指标。该实施方式生成结构化的目标数组。确定指标数组作为标杆,实现对目标数组中元素的相对性分析。通过控制阈值确定履约影响指标,能够有效提取影响目标数组的关键因素,提高对目标数组影响因素的拟合水平,提升履约效率。
Description
技术领域
本公开的实施例涉及计算机技术领域,具体涉及信息显示方法、装置、电子设备和计算机可读介质。
背景技术
随着新零售的发展,Online To Offline(简称O2O)已经成为一个趋势。越来越多的实体商家利用互联网拓宽自己的客户群体,同时有更多的人选择在线下单。大型商超新零售转型、线上线下融合阶段,催生出拣货、配送(生产履约)的大量需求,并且各个商超旗下有成千上万的线下门店,对于生产履约的效率管理提出不小挑战,急需对影响生产履约的相关因素进行科学有效的分析。
然而,当在对生产履约因素进行分析并将分析结果信息进行推送及显示时,经常会存在如下技术问题:
第一,基于业务经验根据收集到的数据报表进行简单的因果分析,由于因果分析本身存在虚假影响因素的问题,且影响生产履约水平的因素关系复杂,容易将相关性因素判断为因果关系,然后再通过因果分析的方法去寻找原因,大大影响了分析的水平。
第二,由于大型商超新零售门店数量众多,影响生产履约的因素非常混杂、种类繁多,缺少智能化的分析手段,导致分析的过程复杂、响应效率较低。
发明内容
本公开的内容部分用于以简要的形式介绍构思,这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征,也不旨在用于限制所要求的保护的技术方案的范围。
本公开的一些实施例提出了信息显示方法、装置、电子设备和计算机可读介质,来解决以上背景技术部分提到的技术问题中的一项或多项。
第一方面,本公开的一些实施例提供了一种用于信息显示的方法,该方法包括:获取历史数据集;基于历史数据集,确定标准批次指标集合;基于历史数据集,确定目标数组;基于标准批次指标集合,确定指标数组;基于指标数组和目标数组,确定性能指标数组;确定阈值;响应于性能指标数组不大于阈值,确定履约影响指标;将履约影响指标推送至具有显示功能的目标设备,以及控制目标设备显示履约影响指标。
第二方面,本公开的一些实施例提供了一种电子设备,包括:一个或多个处理器;存储装置,其上存储有一个或多个程序,当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现如第一方面中任一的方法。
第三方面,本公开的一些实施例提供了一种计算机可读介质,其上存储有计算机程序,其中,程序被处理器执行时实现如第一方面中任一的方法。
本公开的上述各个实施例中具有如下有益效果:通过本公开的一些实施例的信息显示的方法能够根据历史数据集生成结构化的目标数组,同时确定指标数组作为分析和对比的标杆,实现对目标数组中的元素的相对性分析。该方法通过控制阈值,确定履约影响指标,能够有效提取影响目标数组的关键因素,提高了对目标数组的影响因素拟合水平,提升了履约效率。具体来说,发明人发现,造成目前针对履约结果信息的拟合水平不够高的原因在于:影响生产履约水平的因素关系复杂,容易将相关性因素判断为因果关系。此外,对众多门店数据同时进行分析的效率较低,大大影响了分析的水平。基于此,首先,本公开的一些实施例构建了结构化的历史数据集,实现对影响生产履约水平的众多因素的结构化表示。根据结构化的历史数据集确定指标数组作为分析和对比的标杆,实现对目标数组中的元素的相对性分析,从而有效避免了因果关系分析方法中难以准确判断因果因素的问题。这种方法将多种影响因素结构化处理后进行相关性分析,提升了分析水平。其次,本公开的一些实施例通过控制阈值,确定履约影响指标。该阈值是根据众多门店履约情况综合分析得到的,能够有效提取影响目标数组的关键因素。根据与阈值的匹配结果,利用预先训练的预测模型确定履约影响指标,提高了对目标数组的影响因素拟合水平,提升了履约效率。
附图说明
结合附图并参考以下具体实施方式,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中,相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的,原件和元素不一定按照比例绘制。
图1是本公开的一些实施例可以应用于其中的示例性***的架构图;
图2是根据本公开的信息显示方法的一些实施例的流程图;
图3是根据本公开的用于训练预测模型的训练步骤的流程图;
图4是适于用来实现本公开的一些实施例的终端设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例。相反,提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。
需要注意,本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
下面将参考附图并结合实施例来详细说明本公开。
图1示出了可以应用本公开的信息显示方法的实施例的示例性***架构100。
如图1所示,***架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如数据处理应用、信息显示应用、数据分析应用等。
终端设备101、102、103可以是硬件,也可以是软件。当终端设备101、102、103为硬件时,可以是具有显示屏的各种终端设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时,可以安装在上述所列举的终端设备中。其可以实现成多个软件或软件模块(例如用来提供历史数据集输入等),也可以实现成单个软件或软件模块。在此不做具体限定。
服务器105可以是提供各种服务的服务器,例如对终端设备101、102、103输入的历史数据集进行存储的服务器等。服务器可以对接收到的历史数据集进行处理,并将处理结果(例如履约影响指标)反馈给终端设备。
需要说明的是,本公开实施例所提供的信息显示方法可以由服务器105,也可以由终端设备执行。
需要指出的是,服务器105的本地也可以直接存储历史数据集,服务器105可以直接提取本地的历史数据集通过处理后得到履约影响指标,此时,示例性***架构100可以不包括终端设备101、102、103和网络104。
还需要指出的是,终端设备101、102、103中也可以安装有信息显示应用,此时,处理方法也可以由终端设备101、102、103执行。此时,示例性***架构100也可以不包括服务器105和网络104。
需要说明的是,服务器105可以是硬件,也可以是软件。当服务器105为硬件时,可以实现成多个服务器组成的分布式服务器集群,也可以实现成单个服务器。当服务器为软件时,可以实现成多个软件或软件模块(例如用来提供信息显示服务),也可以实现成单个软件或软件模块。在此不做具体限定。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的电子设备、网络和服务器。
继续参考图2,示出了根据本公开的信息显示方法的一些实施例的流程200。该信息显示方法,包括以下步骤:
步骤201,获取历史数据集。
在一些实施例中,信息显示方法的执行主体(例如图1所示的服务器)可以通过有线连接方式或者无线连接方式获取历史数据集。需要指出的是,上述无线连接方式可以包括但不限于3G/4G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultrawideband)连接、以及其他现在已知或将来开发的无线连接方式。
可选的,历史数据集包括第一数目个历史数据。历史数据是第二数目维度的向量,历史数据表征零售门店订单配送任务的履约情况的历史状态。具体的,零售门店订单配送任务是门店根据用户下单的情况需要完成订单配送的工作任务。零售门店订单配送任务的履约情况可以是当日门店需要完成订单配送的工作任务的实际工作完成情况。零售门店订单配送任务的履约情况的历史状态可以是通过使用不同维度的状态信息对零售门店订单配送任务的履约情况进行描述。具体的,历史数据可以包括第二数目维度,历史数据可以根据第二数目个维度的状态信息对零售门店订单配送任务的履约情况进行描述。第二数目维度包括批次品类数量级数值、批次订单数、批次散装数、批次重量、冷藏状态指标、缺失商品数、覆盖楼层数、覆盖面积值、场所位置指标、拣货员身份标识、工具数量上限值、当日订单总数、拣货压力值、促销指标、天气指标、订单分配时间、拣货时间、返程时间、打包时间。具体的,批次可以是一次拣货、配送的单位,一个批次可以包含一个或多个订单。批次品类是指门店一个批次商品的品质级别。批次品类数量级是指门店全部商品包括的批次品类的类别数量级数值。批次订单数可以是一个批次中的订单数量。批次散装数可以是一个批次中的商品内属于散装类型的商品数量。批次重量可以是一个批次中商品的总重量数值。批次冷藏状态指标可以表征该批次的商品是否有需要冷藏存储的商品。批次缺失商品数可以是一个批次中丢失掉的商品总数。覆盖楼层数可以指一个批次内全部商品位于的楼层的总数。覆盖面积值可以是一个批次内全部商品存储时所占地面积的总数。场所位置指标可以用于表示该批次的商品所存储的位置。拣货员身份标识可以用于表示处理该批次商品的拣货员是全职拣货员还是兼职拣货员。工具数量上限值可以是完成针对该批次商品拣货所能够使用的工具总数。当日订单总数可以是当日的订单总数量。拣货压力值可以用于表征当天平均每个拣货员的的拣货压力。促销指标用于表征当日是否为特殊节假日。天气指标可以表征当日是否有极端恶劣的天气情况。订单分配时间可以表示订单从接单到分配至拣货员的时间。拣货时间可以是拣货员从接单到完成拣货的工作时间。返程时间可以是拣货员从拣货完成到返回打包点的工作时间。打包时间可以是拣货员从达到打包点到完成打包工作的时间。
具体的,对历史数据集中的每个历史数据进行结构化处理。将与历史数据相关的因素确定为量化后的变量,使用x表征量化后的变量,x是历史数据中的内容指标。具体包括:x1表示批次品类数量级,其中,k为批次品类数,每4品划分为一个等级,表示取整处理。批次订单数x2。批次散装数x3,具体的,x3表示批次内属于散装类型的商品数量。批次重量x4。是否包含冷藏x5,其中,x5=0表示否,x5=1表示是。
该批次缺失商品数x6。批次货品覆盖楼层数x7。批次货品覆盖面积x8。该批次所属位置x9,其中,x9=0表示该批次位于前场,x9=1表示该批次位于后仓。该批次分配的拣货员身份x10,其中,x10=0表示全职拣货员,x10=1表示兼职拣货员。该批次拣货工具数量上限x11。门店当日订单压力x12,具体的,当日订单压力是指门店当日的订单总量。当天平均每人的拣货压力x13,具体的,x13可以通过用当日订单总量除以当日上班人数而得到。当日是否是特殊日期情况指标x14,其中,x14=0表示当日不是特殊日期,x14=1表示当日是特殊日期。极端天气指标x15,其中,x15=0表示当日不存在极端天气,x15=1表示当日存在极端天气。
步骤202,基于历史数据集,确定标准批次指标集合。
在一些实施例中,上述执行主体基于历史数据集,确定标准批次指标集合。标准批次指标集合包括第三数目个标准批次指标。标准批次指标是第二数目维度的向量。
可选的,对于历史数据集中的每个历史数据,确定该历史数据的工作效率指标Ym,m表示序号,m可以表示第m个门店,Ym表示第m个工作效率指标,以得到工作效率指标集合。具体的,对于历史数据集中的每个历史数据,该历史数据可以表征零售行业门店一个完整拣货流程。该历史数据可以是第二数目维度的向量。另外,该历史数据可以从时间的角度进行分析,该历史数据表征的完整拣货流程可以包括4个阶段:订单分配、批次拣货、返程和打包。工作效率指标可以通过在一个小时的时间周期内完成完整拣货流程的订单数量来表示。
可选的,按照数值从小到大对工作效率指标集合进行排序,以得到工作效率指标序列。将工作效率指标序列中的前第三数目个工作效率指标对应的历史数据集中的历史数据的集合确定为标准批次指标集合。具体的,工作效率指标序列中的前第三数目个工作效率指标对应的历史数据是工作效率最高的第三数目个历史数据。将这些历史数据确定为标准批次指标,以得到标准批次指标集合。
步骤203,基于历史数据集,确定目标数组。
在一些实施例中,信息显示方法的执行主体基于历史数据集,确定目标数组。
可选的,对于历史数据集中的每个历史数据,利用下式,确定目标数组中的元素,以得到目标数组:
其中,n表示历史数据集中的历史数据数目,n为第一数目。t表示历史数据中的时间指标,t1表示订单分配时间,t2表示拣货时间,t3表示返程时间,t4表示打包时间。表示历史数据集中第k个历史数据的订单分配时间,表示历史数据集中第k个历史数据的拣货时间,表示历史数据集中第k个历史数据的返程时间,表示历史数据集中第k个历史数据的打包时间。x表示历史数据中的内容指标,m表示序号,tm表示第m个门店的目标数组。i表示x1内容指标序号,j表示x10内容指标序号。x1表示批次品类数量级,x1的值可以是q表示批次品类数,4表示每4个品类划分为一个批次,表示取整操作。表示第i个批次品类数量级。x10为表征拣货员身份的数值,表示第j个拣货员身份标识j的取值范围为0或1。k表示序号,k的取值范围为[1,n],表示第i个x1内容指标和第j个x10内容指标对应的第m个门店的目标数组。
步骤204,基于标准批次指标集合,确定指标数组。
在一些实施例中,上述执行主体于标准批次指标集合,确定指标数组。
可选的,对于标准批次指标集合中的每个标准批次指标,利用下式,确定指标数组中的元素,以得到指标数组:
其中,u表示标准批次指标集合中的标准批次指标数目,u可以为第三数目个标准集合中的批次指标总和数。t表示标准批次指标中的时间指标,t1表示订单分配时间,t2表示拣货时间,t3表示返程时间,t4表示打包时间。x表示标准批次指标中的内容指标,0表示序号,t0用于表征指标数组。i表示x1内容指标序号,j表示x10内容指标序号。x1表示批次品类数量级,x1的取值范围为q表示批次品类数,4表示每4个品类划分为一个批次,表示取整操作。表示第i个批次品类数量级。x10为表征拣货员身份的数值,表示第j个拣货员身份数值。j的取值范围为0或1。k表示序号,k的取值范围为[1,n],表示第i个x1内容指标和第j个x10内容指标对应的指标数组。
步骤205,基于指标数组和目标数组,确定性能指标数组。
在一些实施例中,上述执行主体利用下式,基于指标数组和目标数组,确定性能指标数组:
其中,表示指标数组,i表示x1内容指标的数值大小计数,j表示x10内容指标的数值大小计数。x1表示批次品类数量级数值,x10表示拣货员身份标识。表示指标数组,表示第i个x1内容指标和第j个x10内容指标对应的指标数组。表示目标数组,表示第i个x1内容指标和第j个x10内容指标对应的第m个门店的目标数组。X1表示批次品类数量级数值组成的序列。MAX(X1)表示X1中的最大值。F表示性能指标数组,F包括四个维度。
上述确定性能指标数组的处理步骤作为本公开的实施例的一个发明点,解决了背景技术提及的技术问题一“基于业务经验根据收集到的数据报表进行简单的因果分析,由于因果分析本身存在虚假影响因素的问题,且影响生产履约水平的因素关系复杂,容易将相关性因素判断为因果关系,然后再通过因果分析的方法去寻找原因,大大影响了分析的水平。”。导致分析生产履约水平的因素的准确度较低的因素往往如下:影响生产履约水平的因素关系复杂,容易将相关性因素判断为因果关系。直接使用因果分析法,受到管理者的常识偏差,无法准确得到真实的影响因素。如果解决了上述因素,就能够提高对生产履约水平影响因素的分析水平,提高拟合能力。为了达到这一效果,本公开构建了结构化的历史数据集,实现对影响生产履约水平的19个维度因素的结构化表示。之后,根据结构化的历史数据集确定指标数组作为分析和对比的标杆。指标数组是根据结构化的历史数据抽取的具有代表性的、可以用于衡量门店履约水平的标杆型数据。指标数组可以当作标杆作为分析不同门店的锚点。此外,根据结构化的历史数据集确定目标数组作为分析和对比的实例。最后,通过对指标数组和目标数组的分析,确定性能指标数组实现对目标数组中的元素的相对性分析,从而有效避免了因果关系分析方法中,由于混杂因子导致的难以准确判断因果因素的问题。这种方法将多种影响因素结构化处理后进行相关性分析,提升了分析水平。
步骤206,确定阈值。
在一些实施例中,上述执行主体确定阈值。可选的,阈值用于判断目标数组与指标数组的差异情况。具体的,可以将阈值确定为5%。
步骤207,响应于性能指标数组不大于阈值,确定履约影响指标。
在一些实施例中,上述执行主体根据阈值,判断履约影响指标。可选的,响应于性能指标数组不大于阈值,确定履约影响指标。对于性能指标数组中的元素,响应于F(t)≤5%,其中,t表示序号,F(t)表示性能指标数组中的第t个元素,可以判断该元素对应的目标数组与指标数组差异较小。此时,只需分析x1和x10就可以判断影响生产履约水平的因素。将x1和x10确定为履约影响指标。
可选的,响应于性能指标数组大于阈值,F(t)>5%,其中,t表示序号,F(t)表示性能指标数组中的第t个元素,可以判断该元素对应的目标数组与指标数组差异较大。将历史数据集合与标准批次指标集合的差,确定为差异样本集合。具体的,选择历史数据集合中的前第三数目个历史数据与标准批次指标集合中的第三数目个标准批次指标一一对应进行相减处理,以得到差异样本集合。其中,差异样本集合中包括第三数目个差异样本。具体的,可以利用下式计算得到差异样本:
其中,x2表示批次订单数。表示历史数据集合中的一个历史数据的批次订单数。具体的,可以用于表征历史数据集合中的目标历史数据的批次订单数。表示标准批次指标集合中的一个标准批次指标的批次订单数。x9表示该批次所属位置。表示历史数据集合中的一个目标历史数据的所属位置,表示标准批次指标集合中的一个标准批次指标的所属位置。x11表示该批次拣货工具数量上限x11。表示历史数据集合中的一个目标历史数据的拣货工具数量上限,表示标准批次指标集合中的一个标准批次指标的拣货工具数量上限。x13表示当天平均每人的拣货压力。表示历史数据集合中的一个目标历史数据的平均每人的拣货压力,表示标准批次指标集合中的一个标准批次指标的平均每人的拣货压力。将批次品类数量级x1、该批次分配的拣货员身份x10、当日是否是特殊日期情况指标x14、极端天气指标x15对应的历史数据集合和标准批次指标集合中的值确定为相同。Y表示工作效率指标。表示历史数据集合中目标历史数据对应的第1个工作效率指标,表示历史数据集合中目标历史数据对应的第4个工作效率指标。表示标准批次指标集合中标准批次指标对应的第1个工作效率指标,表示标准批次指标集合中标准批次指标对应的第4个工作效率指标。D'表示差异样本。
可选的,将差异样本集合输入预先训练的预测模型,以得到目标差异样本集合。具体的,预先训练的预测模型可以是随机森林模型。将输入预先训练的随机森林模型。其中,表示历史数据集合中的目标历史数据的批次订单数,表示标准批次指标集合中的一个标准批次指标的批次订单数。x9表示该批次所属位置。表示历史数据集合中的目标历史数据的所属位置,表示标准批次指标集合中的一个标准批次指标的所属位置。x11表示该批次拣货工具数量上限x11。表示历史数据集合中的目标历史数据的拣货工具数量上限,表示标准批次指标集合中的一个标准批次指标的拣货工具数量上限。x13表示当天平均每人的拣货压力。表示历史数据集合中的目标历史数据的平均每人的拣货压力,表示标准批次指标集合中的一个标准批次指标的平均每人的拣货压力。预先训练的随机森林模型的输出结果为特征其中,表示历史数据集合中目标历史数据对应的第1个工作效率指标,表示历史数据集合中目标历史数据对应的第4个工作效率指标。表示标准批次指标集合中标准批次指标对应的第1个工作效率指标,表示标准批次指标集合中标准批次指标对应的第4个工作效率指标。预先训练的预测模型的作用是进一步筛选出影响生产履约水平的众多因素中的重要因素。目标差异样本集合中包括的是影响生产履约水平的重要因素。
可选的,基于目标差异样本集合,确定特征贡献值集合。对于目标差异样本集合中的每个目标差异样本,利用下式确定该目标差异样本的特征贡献值,以得到特征贡献值集合:
其中,F表示目标差异样本的特征集合,q表示该目标差异样本的特征的计数序号。S为F去掉目标差异样本的特征q后的所有可能存在的目标差异样本的特征子集,()!表示阶乘处理,|F|!表示F中目标差异样本的特征数量的阶乘。|S|!表示S中目标差异样本的特征数量的阶乘。(|F|-|S|-1)!表示|F|和|S|的差减去1后的阶乘。表示在选择目标差异样本的特征子集S的多种可能性所对应的权值。f()表示随机森林模型估计值,fS∪{q}(xS∪{q})表示xS∪{q}对应的随机森林模型估计值,fS∪{q}(xS∪{q})为包含该目标差异样本特征q时的随机森林模型估计值。x表示f()的变量,xS∪{q}表示该目标差异样本的特征子集{S,q}之外的特征取总样本均值时对应的变量。fS(xS)为不包含该目标差异样本特征q时的随机森林模型估计值。xS表示该目标差异样本的特征子集S之外的特征取总样本均值时对应的变量,[fS∪{q}(xS∪{q})-fS(xS)]表征在包含该目标差异样本特征q时的随机森林模型估计值减去不包含该目标差异样本特征q时的随机森林模型估计值。φq表示该目标差异样本特征的特征贡献值。具体的,所有目标差异样本的φq取绝对平均数即为该特征最终贡献值。
按照数值从大到小的顺序对特征贡献值集合进行排序,以得到特征贡献值序列。将特征贡献值序列的第一个特征贡献值对应的历史数据集合中的历史数据确定为所述履约影响指标。特征贡献值序列中的第一个特征贡献值可以是特征贡献值序列中排在最前面的一个特征贡献值。
上述方法作为本公开的实施例的一个发明点,解决了背景技术提及的技术问题二“由于大型商超新零售门店数量众多,影响生产履约的因素非常混杂、种类繁多,缺少智能化的分析手段,导致分析的过程复杂、响应效率较低。”。导致分析的过程复杂、响应效率较低的因素往往如下:门店数量较多,不同门店的情况也不相同,在分析影响生产履约因素的时候难以发现关键因素。如果解决了上述因素,就能够缩短分析过程、提高响应效率。为了达到这一效果,本公开首先确定了阈值,通过阈值判断影响生产履约水平的是常规因素还是其它因素。响应于影响生产履约水平的是常规因素,将常规因素确定为履约影响指标。响应于影响生产履约水平的是其它因素,进一步的确定差异样本集合。将差异样本集合输入预先确定的预测模型,得到的目标差异样本集合中包括的是影响生产履约水平的重要因素。最后,根据目标差异样本集合确定履约影响指标。这种方法根据与阈值的匹配结果,利用预先训练的预测模型确定履约影响指标,提高了对目标数组的影响因素拟合水平,提升了履约效率。
步骤208,将履约影响指标推送至具有显示功能的目标设备,以及控制目标设备显示履约影响指标。
在一些实施例中,上述执行主体将履约影响指标推送至具有显示功能的目标设备,以及控制目标设备显示履约影响指标。其中,具有显示功能的目标设备可以是与上述执行主体通信连接的设备,可以根据接收到的履约影响指标进行显示。例如,当上述执行主体输出履约影响指标能够表明影响当前生产履约水平的重要因素,可以根据所显示的信息针对重要因素进行调整。例如,可以增加全职配送人员的数量,从而提高履约水平。本实现方式在履约行为产生的结构化数据的基础上,以规范化的方式,挖掘隐藏在诸多混杂因素之中的导致生产履约效率低下的重要因素,给出导致不同门店效率差异的因素贡献程度,以支持门店进行相关调整,达到提升生产履约效率的目的。
图2给出的一个实施例具有如下有益效果:获取历史数据集;基于历史数据集,确定标准批次指标集合;基于历史数据集,确定目标数组;基于标准批次指标集合,确定指标数组;基于指标数组和目标数组,确定性能指标数组;确定阈值;响应于性能指标数组不大于阈值,确定履约影响指标;将履约影响指标推送至具有显示功能的目标设备,以及控制目标设备显示履约影响指标。该实施方式生成结构化的目标数组。确定指标数组作为标杆,实现对目标数组中元素的相对性分析。通过控制阈值确定履约影响指标,能够有效提取影响目标数组的关键因素,提高对目标数组影响因素的拟合水平,提升履约效率。
继续参考图3,示出了根据本公开的预先训练的预测模型的训练步骤的一个实施例的流程300。该训练步骤可以包括以下步骤:
步骤301,确定初始预测模型的网络结构以及初始化初始预测模型的网络参数。
在本实施例中,该训练步骤的执行主体可以与信息显示方法的执行主体(例如图1所示的终端设备)相同或者不同。如果相同,则该训练步骤的执行主体可以在训练得到预测模型后将训练好的网络结构信息和网络参数的参数值存储在本地。如果不同,则该训练步骤的执行主体可以在训练得到预测模型后将训练好的网络结构信息和网络参数的参数值发送给信息显示方法的执行主体。
在本实施例中,该训练步骤的执行主体可以首先确定初始预测模型的网络结构。例如,需要确定初始预测模型包括哪些层,层与层之间的连接顺序关系,以及每层都包括哪些神经元,每个神经元对应的权重(weight)和偏置项(bias),每层的激活函数等等。可选的,预测模型可以包括递归神经网络、丢弃层和全连接层。
然后,该训练步骤的执行主体可以初始化初始预测模型的网络参数。实践中,可以将初始预测模型的各个网络参数(例如,权值参数和偏置参数)用一些不同的小随机数进行初始化。“小随机数”用来保证网络不会因权值过大而进入饱和状态,从而导致训练失败,“不同”用来保证网络可以正常地学习。
具体的,初始预测模型可以是随机森林。随机森林是用随机的方式建立一个森林,森林里面有很多的决策树组成,随机森林的每一棵决策树之间是没有关联的。将样本输入随机森林后,随机森林结构中的每一棵决策树基于所对应的分类算法分别进行判断,以得到分类结果。最终,将出现次数最多的分类结果确定为随机森林的输出。具体的,可以通过下述步骤生成随机森林中的决策树。初始随机森林中只有一个结点,循环执行步骤一,基于每个节点构建决策树:
步骤一:为每个结点找到最优的特征***点,使得划分的两个区域内数据平方误差和最小。
执行步骤一后,每一个结点的***都将输入空间划分为两个区域,接着对每个区域重复上述步骤一,直到不能再分为止。
步骤302,获取训练样本集。
在本实施例中,该训练步骤的执行主体可以本地或者远程地从与上述执行主体网络连接的其他终端设备获取训练样本集。其中,训练样本包括样本差异样本集合以及与样本差异样本集合对应的样本目标差异样本集合。
步骤303,从样本集中选取样本,将该样本包括的样本差异样本集合作为输入,将对应的预先得到的对应于样本差异样本集合的样本目标差异样本集合作为期望输出,训练预测模型。
在本实施例中,该训练步骤的执行主体可以执行步骤一,训练预测模型。
步骤一,预测模型训练过程。
首先,将选取的样本差异样本集合中的训练样本包括的样本差异样本集合输入至初始预测模型,得到选取的样本的目标差异样本集合。
第二,将选取的样本的目标差异样本集合与对应的样本目标差异样本集合进行比较。具体地,可以首先利用预设的损失函数计算所选取的样本的目标差异样本集合与对应的样本目标差异样本集合之间的差异。
第三,响应于确定初始预测模型达到优化目标,将初始预测模型作为训练完成的预先训练的预测模型,训练结束。具体的,这里预设的优化目标可以包括但不限于以下至少一项:训练时间超过预设时长;训练次数超过预设次数;计算所得的差异小于预设差异阈值。
步骤304,响应于确定初始预测模型未训练完成,调整初始预测模型中的相关参数,以及从样本集中重新选取样本,使用调整后的初始预测模型作为初始预测模型,再次执行训练步骤。
在本实施例中,该训练步骤的执行主体响应于确定初始预测模型未训练完成,具体的,可以是响应于初始预测模型未达到优化目标,调整初始预测模型中的相关参数。具体的,可以采用各种实现方式基于所选取的样本的目标差异样本集合与对应的样本目标差异样本集合之间的差异调整初始预测模型的网络参数。例如,可以采用Adam、BP(BackPropagation,反向传播)算法或者SGD(Stochastic Gradient Descent,随机梯度下降)算法来调整初始预测模型的网络参数。
可选的,上述执行主体从样本集中重新选取样本。将该样本包括的样本差异样本集合作为输入,将对应的预先得到的对应于样本差异样本集合的样本目标差异样本集合作为期望输出,使用调整后的初始预测模型作为初始预测模型,执行上述步骤一,再次训练预测模型。
在本实施例中,该训练步骤的执行主体将训练得到的初始预测模型确定为预先训练的预测模型。
图3给出的一个实施例具有如下有益效果:基于样本差异样本集合和对应于样本差异样本集合的样本目标差异样本集合训练得到预测模型。该预测模型并不直接用于输出预测信息,而是用于输出样本差异样本集合中的关键影响因素,将相关的影响因素确定为目标差异样本集合,从而辅助后续的生产履约重要因素分析。
下面参考图4,其示出了适于用来实现本公开实施例的服务器的计算机***400的结构示意图。图4示出的服务器仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图4所示,计算机***400包括中央处理单元(CPU,Central Processing Unit)401,其可以根据存储在只读存储器(ROM,Read Only Memory)402中的程序或者从存储部分408加载到随机访问存储器(RAM,Random Access Memory)403中的程序而执行各种适当的动作和处理。在RAM 403中,还存储有***400操作所需的各种程序和数据。CPU 401、ROM402以及RAM 403通过总线404彼此相连。输入/输出(I/O,Input/Output)接口405也连接至总线404。
以下部件连接至I/O接口405:包括硬盘等的存储部分406;以及包括诸如LAN(局域网,Local Area Network)卡、调制解调器等的网络接口卡的通信部分407。通信部分407经由诸如因特网的网络执行通信处理。驱动器408也根据需要连接至I/O接口405。可拆卸介质409,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器408上,以便于从其上读出的计算机程序根据需要被安装入存储部分406。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分407从网络上被下载和安装,和/或从可拆卸介质409被安装。在该计算机程序被中央处理单元(CPU)401执行时,执行本公开的方法中限定的上述功能。需要说明的是,本公开所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本公开中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如C语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (10)
1.一种信息显示方法,包括:
获取历史数据集,其中,所述历史数据集包括第一数目个历史数据,所述历史数据表征零售门店订单配送任务的履约情况的历史状态;
基于所述历史数据集,确定标准批次指标集合,其中,所述标准批次指标集合包括第三数目个标准批次指标,所述标准批次指标是第二数目维度的向量;
基于所述历史数据集,确定目标数组;
基于所述标准批次指标集合,确定指标数组;
基于所述指标数组和所述目标数组,确定性能指标数组;
确定阈值;
响应于所述性能指标数组不大于所述阈值,确定履约影响指标;
将所述履约影响指标推送至具有显示功能的目标设备,以及控制所述目标设备显示所述履约影响指标。
2.根据权利要求1所述的方法,其中,所述方法还包括:
响应于所述性能指标数组大于所述阈值,执行如下处理步骤:
将所述历史数据集合与所述标准批次指标集合的差,确定为差异样本集合;
将所述差异样本集合输入预先训练的预测模型,以得到目标差异样本集合;
基于所述目标差异样本集合,确定特征贡献值集合;
按照数值从大到小的顺序对所述特征贡献值集合进行排序,以得到特征贡献值序列;
将所述特征贡献值序列的第一个特征贡献值对应的所述历史数据集合中的历史数据确定为所述履约影响指标。
3.根据权利要求2所述的方法,其中,所述历史数据是第二数目维度的向量,所述第二数目维度包括批次品类数量级数值、批次订单数、批次散装数、批次重量、冷藏状态指标、缺失商品数、覆盖楼层数、覆盖面积值、场所位置指标、拣货员身份标识、工具数量上限值、当日订单总数、拣货压力值、促销指标、天气指标、订单分配时间、拣货时间、返程时间、打包时间。
4.根据权利要求3所述的方法,其中,所述基于所述历史数据集,确定目标数组,包括:
对于所述历史数据集中的每个历史数据,利用下式,确定目标数组元素,以得到目标数组:
其中,n表示历史数据集中的历史数据数目,n为第一数目,t表示历史数据中的时间指标,t1表示订单分配时间,t2表示拣货时间,t3表示返程时间,t4表示打包时间,表示历史数据集中第k个历史数据的订单分配时间,表示历史数据集中第k个历史数据的拣货时间,表示历史数据集中第k个历史数据的返程时间,表示历史数据集中第k个历史数据的打包时间,x表示历史数据中的内容指标,m表示序号,tm为所述目标数组中的第m个元素,i表示x1内容指标序号,j表示x10内容指标序号,x1表示批次品类数量级,x1的值为q表示批次品类数,4表示每4个品类划分为一个批次,表示取整操作,表示第i个批次品类数量级,x10为表征拣货员身份的数值,表示第j个拣货员身份数值,j的取值范围为0或1,k表示序号,k的取值范围为[1,n],表示第i个x1内容指标和第j个x10内容指标对应的目标数组元素。
5.根据权利要求4所述的方法,其中,所述预先训练的预测模型是通过如下步骤得到的:
确定初始预测模型的网络结构以及初始化所述初始预测模型的网络参数;
获取训练样本集,其中,训练样本包括样本差异样本集合以及与所述样本差异样本集合对应的样本目标差异样本集合;
从所述样本集中选取样本,以及执行以下训练步骤:
将选取的样本的样本差异样本集合输入至初始预测模型,得到所述选取的样本的目标差异样本集合;
将所述选取的样本的目标差异样本集合与对应的样本目标差异样本集合进行比较;
根据比较结果确定所述初始预测模型是否达到预设的优化目标;
响应于确定所述初始预测模型达到所述优化目标,将所述初始预测模型作为训练完成的所述预先训练的预测模型;
响应于确定初始预测模型未训练完成,调整初始预测模型中的相关参数,以及从所述样本集中重新选取样本,使用调整后的初始预测模型作为初始预测模型,再次执行所述训练步骤。
6.根据权利要求5所述的方法,其中,所述基于所述历史数据集,确定标准批次指标集合,包括:
对于所述历史数据集中的每个历史数据,利用下式,确定该历史数据的工作效率指标,以得到工作效率指标集合:
Ym=t1+t2+t3+t4,
其中,t表示历史数据中的时间指标,t1表示历史数据中的第一个时间指标,t2表示历史数据中的第二个时间指标,t3表示历史数据中的第三个时间指标,t4表示历史数据中的第四个时间指标,Y表示工作效率指标,m表示序号,Ym表示第m个工作效率指标;
按照数值从小到大对所述工作效率指标集合进行排序,以得到工作效率指标序列;
将所述工作效率指标序列中的前第三数目个工作效率指标对应的历史数据集中的历史数据的集合确定为所述标准批次指标集合。
7.根据权利要求6所述的方法,其中,所述基于所述目标差异样本集合,确定特征贡献值集合,还包括:
对于所述目标差异样本集合中的每个目标差异样本,利用下式确定该目标差异样本的特征贡献值,以得到所述特征贡献值集合:
其中,F表示所述目标差异样本的样本特征集合,q表示该目标差异样本的样本特征计数,S为F去掉目标差异样本的样本特征q后的所有存在的目标差异样本的样本特征子集,()!表示阶乘处理,|F|!表示F中目标差异样本的样本特征数量的阶乘,|S|!表示S中目标差异样本的样本特征数量的阶乘,(|F|-|S|-1)!表示|F|和|S|的差减去1后的阶乘,表示在选择所述目标差异样本的样本特征子集S的多种可能性所对应的权值,f()表示所述预先训练的预测模型估计值,fS∪{q}(xS∪{q})表示xS∪{q}对应的所述预先训练的预测模型估计值,fS∪{q}(xS∪{q})为包含目标差异样本特征q时的所述预先训练的预测模型估计值,x表示f()的变量,xS∪{q}表示所述目标差异样本的特征子集{S,q}之外的特征取总样本均值时对应的变量,fS(xS)表示不包含该目标差异样本特征q时的所述预先训练的预测模型估计值,xS表示该目标差异样本的特征子集S之外的特征取总样本均值时对应的变量,[fS∪{q}(xS∪{q})-fS(xS)]表征在包含该目标差异样本特征q时的所述预先训练的预测模型估计值减去不包含该目标差异样本特征q时的所述预先训练的预测模型估计值,φq表示该目标差异样本特征的特征贡献值。
9.一种第一终端设备,包括:
一个或多个处理器;
存储装置,其上存储有一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-8中任一所述的方法。
10.一种计算机可读介质,其上存储有计算机程序,其中,所述程序被处理器执行时实现如权利要求1-8中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011253834.5A CN114493641A (zh) | 2020-11-11 | 2020-11-11 | 信息显示方法、装置、电子设备和计算机可读介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011253834.5A CN114493641A (zh) | 2020-11-11 | 2020-11-11 | 信息显示方法、装置、电子设备和计算机可读介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114493641A true CN114493641A (zh) | 2022-05-13 |
Family
ID=81491227
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011253834.5A Pending CN114493641A (zh) | 2020-11-11 | 2020-11-11 | 信息显示方法、装置、电子设备和计算机可读介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114493641A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115865642A (zh) * | 2023-03-03 | 2023-03-28 | 中南大学 | 一种招募可信节点完成计算任务的方法和装置 |
CN117350897A (zh) * | 2023-12-04 | 2024-01-05 | 旗星(天津)科技有限公司 | 一种考虑空气湿度的转换功率预测的方法和*** |
-
2020
- 2020-11-11 CN CN202011253834.5A patent/CN114493641A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115865642A (zh) * | 2023-03-03 | 2023-03-28 | 中南大学 | 一种招募可信节点完成计算任务的方法和装置 |
CN115865642B (zh) * | 2023-03-03 | 2023-05-09 | 中南大学 | 一种招募可信节点完成计算任务的方法和装置 |
CN117350897A (zh) * | 2023-12-04 | 2024-01-05 | 旗星(天津)科技有限公司 | 一种考虑空气湿度的转换功率预测的方法和*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108734299A (zh) | 量子计算机器学习模块 | |
CN110995459B (zh) | 异常对象识别方法、装置、介质及电子设备 | |
CN110738527A (zh) | 一种特征重要性排序方法、装置、设备和存储介质 | |
CN112116184A (zh) | 使用历史检验数据的工厂风险估计 | |
US10963802B1 (en) | Distributed decision variable tuning system for machine learning | |
US10824956B1 (en) | System and method for price estimation of reports before execution in analytics | |
CN111738331A (zh) | 用户分类方法及装置、计算机可读存储介质、电子设备 | |
CN114493641A (zh) | 信息显示方法、装置、电子设备和计算机可读介质 | |
Siregar et al. | Forecasting of raw material needed for plastic products based in income data using ARIMA method | |
CN113469730A (zh) | 一种非合同场景下的基于RF-LightGBM融合模型的客户复购预测方法及装置 | |
CN110689140A (zh) | 一种通过大数据进行轨交报警数据智能管理的方法 | |
JP5831363B2 (ja) | 製造工期予測装置、製造工期予測方法、及びコンピュータプログラム | |
CN113361959A (zh) | 一种银行业务集中运营成熟度的计算方法和装置 | |
CN107480703A (zh) | 交易故障检测方法及装置 | |
CN111612491B (zh) | 状态分析模型构建方法、分析方法及装置 | |
CN116720600A (zh) | 落货量预测方法、装置、设备及存储介质 | |
KR20210091591A (ko) | 원천 기술의 평가 방법을 포함하는 전자 장치 | |
CN111177640A (zh) | 一种数据中心运维工作绩效评价*** | |
Shah et al. | Predictive Analytic Modeling: A Walkthrough | |
CN114298472A (zh) | 数字工厂上下游企业画像评价方法以及*** | |
CN115062687A (zh) | 企业信用监控方法、装置、设备及存储介质 | |
Rodpysh | Model to predict the behavior of customers churn at the industry | |
CN112529319A (zh) | 基于多维特征的评分方法、装置、计算机设备及存储介质 | |
Husain et al. | Predictive maintenance of single phase ac motor using iot sensor data and machine learning (simple linear regression and multiple linear regression algorithms) | |
CN116862561B (zh) | 基于卷积神经网络的产品热度分析方法和*** |
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 |