CN116502768B - 民航信息岗负荷预警方法、***及存储介质 - Google Patents
民航信息岗负荷预警方法、***及存储介质 Download PDFInfo
- Publication number
- CN116502768B CN116502768B CN202310590254.2A CN202310590254A CN116502768B CN 116502768 B CN116502768 B CN 116502768B CN 202310590254 A CN202310590254 A CN 202310590254A CN 116502768 B CN116502768 B CN 116502768B
- Authority
- CN
- China
- Prior art keywords
- post
- data
- sample data
- predicted
- day
- 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
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000003066 decision tree Methods 0.000 claims abstract description 38
- 238000012549 training Methods 0.000 claims abstract description 35
- 238000012216 screening Methods 0.000 claims abstract description 34
- 238000012545 processing Methods 0.000 claims abstract description 32
- 238000012805 post-processing Methods 0.000 claims abstract description 31
- 238000004458 analytical method Methods 0.000 claims abstract description 7
- 238000011156 evaluation Methods 0.000 claims description 61
- 238000004590 computer program Methods 0.000 claims description 22
- 230000010365 information processing Effects 0.000 claims description 18
- 230000002068 genetic effect Effects 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 6
- 238000012097 association analysis method Methods 0.000 claims description 5
- 238000012098 association analyses Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 238000000926 separation method Methods 0.000 claims description 4
- 230000006872 improvement Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000010219 correlation analysis Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000000295 complement effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000001502 supplementing effect Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06313—Resource planning in a project environment
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06314—Calendaring for a resource
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Physiology (AREA)
- Biodiversity & Conservation Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Genetics & Genomics (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种民航信息岗负荷预警方法、***及存储介质,该方法包括:根据预先采集的民航信息岗值班后台的岗位历史处理记录,构建历史样本集;实时采集待预测日的岗位处理数据;通过对待预测日的岗位处理数据与历史样本集中的历史样本数据进行关联分析,筛选出符合预设的关联度筛选条件的历史样本数据,作为相似日样本数据;采用相似日样本数据,对CART决策树进行训练,得到岗位负荷预测模型;根据岗位处理数据,采用岗位负荷预测模型进行岗位负荷预测,得到岗位负荷指数;当岗位负荷指数超过预设条件时,进行工作负荷预警;本发明能够根据民航信息岗值班***后台数据进行工作负荷预测,提高工作负荷预测与预警的准确性。
Description
技术领域
本发明涉及航班签派放行和运行监控技术领域,尤其涉及一种民航信息岗负荷预警方法、***及存储介质。
背景技术
民航的信息收集和分析工作是保障航空公司航班签派放行和运行控制不可或缺的一部分,对民航信息岗位的有效管理是确保各类信息上传下达完整、及时的有力措施。这与在岗工作人员工作状态息息相关,而工作负荷的大小无疑直接影响着工作人员的工作状态。随着民用航空业的高速发展,信息量快速增长、信息类型与来源也不断丰富。民航信息部门所面临的工作负荷也不断加大,对民航信息岗工作负荷的精确评价和预测有助于提升服务品质、保障飞行安全。
对民航从业人员工作负荷的分析过去集中在主观量表、工作时长以及生理指标等三个维度,其中主观量表往往通过问卷方式方法通过受评者自身的感受评测填写问卷,依据设定的方式方法确定系数,获得受评者的工作负荷情况,NASA-TLX为业界中较为常见的方法;工作时长的统计主要使用DORATASK评估方法,将工作分为可视、不可视和恢复时间,将工作内容细分为详细的工作进程,并归类到具体的工作部分,从而评估总的工作负荷;生理指标通过测量指标例如心跳速率、血压以及呼吸轻重等从而加以衡量受评者的工作负荷轻重。而基于主观量表的评价结果受个体差异性的影响较大,缺乏普适性;工作时长的统计缺乏统一、认可度高的方式方法,统计结果难以体现工作负荷的真实性;生理指标只能间接推断工作负荷大小,无法求得生理指标与工作负荷之间的函数关系。
因此,为了解决现有技术中存在的问题,在对管制业务进行组织管理的同时,研究一种准确的民航信息岗负荷预测和预警方法成为本领域亟待解决的技术问题。
发明内容
本发明实施例提供一种民航信息岗负荷预警方法、***及存储介质,其能够根据民航信息岗值班***后台数据进行工作负荷预测,有效缩短工作负荷评估周期,提高工作负荷预测与预警的准确性。
第一方面,本发明实施例提供了一种民航信息岗负荷预警方法,包括:
根据预先采集的民航信息岗值班后台的岗位历史处理记录,构建历史样本集;
实时采集待预测日的岗位处理数据;
通过对所述待预测日的岗位处理数据与所述历史样本集中的历史样本数据进行关联分析,筛选出符合预设的关联度筛选条件的历史样本数据,作为相似日样本数据;
采用所述相似日样本数据,对预先构建的CART决策树进行训练,得到岗位负荷预测模型;
根据所述岗位处理数据,采用所述岗位负荷预测模型进行岗位负荷预测,得到岗位负荷指数;
当所述岗位负荷指数超过预设条件时,进行工作负荷预警。
作为上述方案的改进,所述岗位历史处理记录包括:所处理信息的民航信息类型、单位时间内的信息处理数量以及单位时间内信息接收数量;
所述根据预先采集的民航信息岗值班后台的岗位历史处理记录,构建历史样本集,包括:
统计不同时间段内的所处理信息的民航信息类型,得到相应时间段的工作复杂性评价指标;
计算不同时间段的单位时间内信息处理数量与信息接收数量之比,得到相应时间段的工作负荷评价指标;
根据不同时间段的工作复杂性评价指标和工作负荷评价指标,构建历史样本集;其中,所述历史样本集中一个历史样本数据包括:一个时间段的工作复杂性评价指标和相应时间段的工作负荷评价指标。
作为上述方案的改进,所述通过对所述待预测日的岗位处理数据与所述历史样本集中的历史样本数据进行关联分析,筛选出符合预设的关联度筛选条件的历史样本数据,作为相似日样本数据,包括:
根据各个所述历史样本数据中的工作复杂性评价指标,构造相应历史样本数据的对比数据序列;
根据所述待预测日的岗位处理数据中的工作复杂性评价指标,构造被预测数据序列;
采用灰色关联分析法计算被预测数据序列与各个对比数据序列之间的关联度;
从所述历史样本集中筛选出关联度符合所述关联度筛选条件的对比数据序列对应的历史样本数据,作为相似日样本数据。
作为上述方案的改进,所述采用灰色关联分析法计算被预测数据序列与各个对比数据序列之间的关联度,包括:
采用公式(1),计算所述被预测数据序列与各个所述对比数据序列之间的关联度系数;
根据所述被预测数据序列与各个所述对比数据序列之间的关联度系数,采用公式(2),计算所述被预测数据序列与各个所述对比数据序列之间的关联度;:
其中,x0i=x0(k)-xi(k),Xi表示对比数据序列,Xi={xi(1),xi(2),…,xi(n)},X0表示被预测数据序列,X0={x0(1),x0(2),…,x0(n)};x0(k)表示被预测数据序列中k点的工作复杂性评价指标;xi(k)表示对比数据序列中k点的工作复杂性评价指标;表示k点x0(k)与xi(k)的最小绝对差值;/>表示k点x0(k)与xi(k)的最大绝对差值;ρ表示分辨率系数,在[0,1]之间,n表示工作复杂性评价指标的数量。
作为上述方案的改进,所述关联度筛选条件为关联度大于等于预设的关联度阈值;
所述从所述历史样本集中筛选出关联度符合所述关联度筛选条件的对比数据序列对应的历史样本数据,作为相似日样本数据,包括:
从所述历史样本集中筛选出关联度大于等于预设的关联度阈值的对比数据序列对应的历史样本数据,作为候选历史样本数据;
统计所述候选历史样本数据的样本数量,并当所述样本数量大于预设的数量阈值时,将所述候选历史样本数据按照时间顺序排序,并选取邻近所述待预测日的若干个候选历史样本数据;
对选取的邻近所述待预测日的若干个候选历史样本数据进行去重处理,得到相似日样本数据。
作为上述方案的改进,所述采用所述相似日样本数据,对预先构建的CART决策树进行训练,得到岗位负荷预测模型之前,还包括:
对所述相似日样本数据进行归一化处理;
对归一化处理后的相似日样本数据进行数据分离和混合后进行随机抽样,得到样本训练集和样本测试集。
作为上述方案的改进,所述采用所述相似日样本数据,对预先构建的CART决策树进行训练,得到岗位负荷预测模型,包括:
初始化所述相似日样本数据的样本权值分布;
采用所述相似日样本数据对所述CART决策树进行训练,并引入遗传算法对所述CART决策树和所述样本权值分布进行优化处理,以得到CART决策树预测模型;
将所述相似日样本数据及其优化后的样本权值分布输入到所述CART决策树预测模型中进行训练,以得到当前基学习器;
计算当前基学习器的预测误差,并根据当前基学习器的预测误差,计算出当前基学习器的权重系数;
根据当前基学习器的权重系数,调整所述样本权值分布;
将所述相似日样本数据及其调整后的样本权值分布输入到所述CART决策树预测模型中进行训练,以得到下一个基学习器,反复迭代直到满足预设终止条件,以得到多个基学习器;
根据各个所述基学习器的权重系数,将多个所述基学习器进行组合,得到岗位负荷预测模型。
作为上述方案的改进,所述根据所述岗位处理数据,采用所述岗位负荷预测模型进行岗位负荷预测,得到岗位负荷指数,包括:
统计所述岗位处理数据,得到待预测日的工作复杂性评价指标;
计算所述岗位处理数据中单位时间内信息处理数量与信息接收数量之比,得到待预测日的工作负荷评价指标;
根据待预测日的工作复杂性评价指标和工作负荷评价指标,构建待测数据序列;
将所述待测数据序列输入到所述岗位负荷预测模型进行预测,得到岗位负荷指数。
第二方面,本发明实施例提供了一种民航信息岗负荷预警***,包括:处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如第一方面中任意一项所述的民航信息岗负荷预警方法。
第三方面,本发明实施例提供了一种计算机可读存储介质,所述计算机可读存储介质存储计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如第一方面中任意一项所述的民航信息岗负荷预警方法。
相对于现有技术,本案实施例的有益效果在于:根据预先采集的民航信息岗值班后台的岗位历史处理记录,构建历史样本集;实时采集待预测日的岗位处理数据;通过对所述待预测日的岗位处理数据与所述历史样本集中的历史样本数据进行关联分析,筛选出符合预设的关联度筛选条件的历史样本数据,作为相似日样本数据;采用所述相似日样本数据,对预先构建的CART决策树进行训练,得到岗位负荷预测模型;根据所述岗位处理数据,采用所述岗位负荷预测模型进行岗位负荷预测,得到岗位负荷指数;当所述岗位负荷指数超过预设条件时,进行工作负荷预警。本发明实施例能够根据民航信息岗值班***后台数据进行工作负荷预测,有效缩短工作负荷评估周期,够将风险关口前移,能在工作人员超负荷工作之前成功告警,提高工作负荷预测与预警的准确性。
附图说明
为了更清楚地说明本发明的技术方案,下面将对实施方式中所占据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方式,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。
图1是本发明实施例提供的一种民航信息岗负荷预警方法的流程图;
图2是本发明实施例提供的相似日样本数据的提取流程示意图;
图3是本发明实施例提供的岗位负荷预测模型构建流程示意图;
图4是本发明实施例提供的工作负荷预测流程示意图;
图5是本发明实施例提供的一种民航信息岗负荷预警***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作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。
实施例一
请参见图1,其是本发明实施例提供的一种民航信息岗负荷预警方法的流程图。所述民航信息岗负荷预警方法,包括:
S1:根据预先采集的民航信息岗值班后台的岗位历史处理记录,构建历史样本集;
其中,所述岗位历史处理记录包括:所处理信息的民航信息类型、单位时间内的信息处理数量以及单位时间内信息接收数量;
进一步,根据预先采集的民航信息岗值班后台的岗位历史处理记录,构建历史样本集,包括:
统计不同时间段内的所处理信息的民航信息类型,得到相应时间段的工作复杂性评价指标;
计算不同时间段的单位时间内信息处理数量与信息接收数量之比,得到相应时间段的工作负荷评价指标;
根据不同时间段的工作复杂性评价指标和工作负荷评价指标,构建历史样本集;其中,所述历史样本集中一个历史样本数据包括:一个时间段的工作复杂性评价指标和相应时间段的工作负荷评价指标。
民航信息岗的信息处理体现在信息处理的数量与类型,而民航信息的及时处理与通报是民航信息岗的基本工作要求,因此,民航信息岗的整体工作负荷主要体现在单位时间内是否及时处理收到的通告。因此,本发明实施例以单位时间内民航信息处理数量与民航信息接收数量之比作为民航信息岗工作负荷的评价指标。示例性,以1小时为1个时间段,统计1个小时内民航信息类型、单位时间内信息处理数量与信息接收数量之比,得到该小时的工作复杂性评价指标和工作负荷评价指标,作为一个历史样本数据。
S2:实时采集待预测日的岗位处理数据;
S3:通过对所述待预测日的岗位处理数据与所述历史样本集中的历史样本数据进行关联分析,筛选出符合预设的关联度筛选条件的历史样本数据,作为相似日样本数据;
相似日是指待预测日在历史样本集中民航信息类型和数量(包括信息处理数量与信息接收数量)相似的历史日。即相似日样本数据能够反映特定民航信息类型与数量的信息收发情况下工作负荷的表现情况。
S4:采用所述相似日样本数据,对预先构建的CART决策树进行训练,得到岗位负荷预测模型;
S5:根据所述岗位处理数据,采用所述岗位负荷预测模型进行岗位负荷预测,得到岗位负荷指数;
S6:当所述岗位负荷指数超过预设条件时,进行工作负荷预警。
其中,当所述岗位负荷指数未超过预设条件时,不进行工作负荷预警。
在本发明实施例中,以单位时间内信息处理数量与信息接收数量之比作为评价岗位工作负荷的指标,采集所处理民航信息类型作为评价岗位工作复杂性的评价指标,并基于关联分析选取与待预测日的民航信息类型和数量相似的历史样本数据,作为相似日样本数据,并采用采用所述相似日样本数据,对预先构建的CART决策树进行训练,得到岗位负荷预测模型,最后采用该岗位负荷预测模型对待预测日机芯岗位工作负荷程度预测,可以实现对民航信息岗位的工作负荷状态的预测与告警,不同于以往事后分析的负荷研究方法,本发明实施例能够根据民航信息岗值班***后台数据进行工作负荷预测,有效缩短工作负荷评估周期,够将风险关口前移,能在工作人员超负荷工作之前成功告警,提高工作负荷预测与预警的准确性。
在一种可选的实施例中,所述通过对所述待预测日的岗位处理数据与所述历史样本集中的历史样本数据进行关联分析,筛选出符合预设的关联度筛选条件的历史样本数据,作为相似日样本数据,包括:
根据各个所述历史样本数据中的工作复杂性评价指标,构造相应历史样本数据的对比数据序列;
根据所述待预测日的岗位处理数据中的工作复杂性评价指标,构造被预测数据序列;
示例性,以民航业较为突出的航行通告工作举例:不同类型的民航信息,影响其处理难度、工作量以及处理过程的灵活程度,因此在分析航行通告岗的工作负荷时使用航行通告类型与收报情况作为评价航行通告的工作复杂性评价指标,所选指标如表1所示:
表1:航行通告的工作复杂性评价指标;
收报类型与数量的波动性和无规律性是影响工作负荷预测精度的重要原因,因此寻找待预测日与历史数据间的关系对于提升预测精度至关重要。本发明实施例选取灰色关联分析作为历史样本数据集的获取方法。灰色关联分析针对航行通告复杂性情况进行分析,以数据序列为基础,通过灰色关联度反映影响因子间的相似程度。
示例性,根据历史样本数据的相关工作复杂性评价指标构造对比数据序列Xi={xi(1),xi(2),…,xi(n)},xi(k)表示对比数据序列中k点的工作复杂性评价指标,例如上述的x(1)-x(14);根据待预测日的相关工作复杂性评价指标,构造被预测数据序列X0={x0(1),x0(2),…,x0(n)},x0(k)表示被预测数据序列中k点的工作复杂性评价指标。
采用灰色关联分析法计算被预测数据序列与各个对比数据序列之间的关联度;
具体地,采用公式(1),计算所述被预测数据序列与各个所述对比数据序列之间的关联度系数;
根据所述被预测数据序列与各个所述对比数据序列之间的关联度系数,采用公式(2),计算所述被预测数据序列与各个所述对比数据序列之间的关联度;:
其中,x0i=x0(k)-xi(k),Xi表示对比数据序列,Xi={xi(1),xi(2),…,xi(n)},X0表示被预测数据序列,X0={x0(1),x0(2),…,x0(n)};x0(k)表示被预测数据序列中k点的工作复杂性评价指标;xi(k)表示对比数据序列中k点的工作复杂性评价指标;表示k点x0(k)与xi(k)的最小绝对差值;/>表示k点x0(k)与xi(k)的最大绝对差值;ρ表示分辨率系数,在[0,1]之间,n表示工作复杂性评价指标的数量。
从所述历史样本集中筛选出关联度符合所述关联度筛选条件的对比数据序列对应的历史样本数据,作为相似日样本数据。
其中,所述关联度筛选条件为关联度大于等于预设的关联度阈值;
进一步,从所述历史样本集中筛选出关联度符合所述关联度筛选条件的对比数据序列对应的历史样本数据,作为相似日样本数据,包括:
从所述历史样本集中筛选出关联度大于等于预设的关联度阈值的对比数据序列对应的历史样本数据,作为候选历史样本数据;
统计所述候选历史样本数据的样本数量,并当所述样本数量大于预设的数量阈值时,将所述候选历史样本数据按照时间顺序排序,并选取邻近所述待预测日的若干个候选历史样本数据;
对选取的邻近所述待预测日的若干个候选历史样本数据进行去重处理,得到相似日样本数据。
示例性,所述关联度阈值为0.9,即从所述历史样本集中筛选出关联度≥0.9的对比数据序列对应的历史样本数据,作为候选历史样本数据。如图2所示,当候选历史样本数据的数量大于数量阈值时,说明相似日样本数据过多,则基于时间“近大远小”原则选择与待预测日相近的日期数据;对选取出的数据进一步进行去除重复日数后构成有效的相似日样本数据。需要说明的是,在本发明实施例中对数量阈值的数值不做具体限定,用户可以根据需要自定义设置。由于历史样本集中部分数据与待预测日之间的时间跨度较长,外界的变化(如航季变化、大规模军事演习、特殊地区的变化等)可能导致信息所反映的外在表现不同,导致相似日样本数据与待预测日的实际情况存在很大的不同。而相邻日与预测日之间,时间跨度短,除了信息类型与数量有所不同之外,其他情况大体上是一致的,弥补了仅以信息类型与数量作为依据进行预测的不足。因此,本发明实施例采取“近大远小”的时间原则,在选取相似日的数据后进行一步选取相邻日的数据,采用相似日和相邻日的合理使用能够起到取长补短、相得益彰的效果,确保最终得到的相似日样本数据与预测日的信息类型和数量相似,且时间跨度短,从而保证相似日样本数据与预测日的实际情况基本形同。
在一种可选的实施例中,所述采用所述相似日样本数据,对预先构建的CART决策树进行训练,得到岗位负荷预测模型之前,还包括:
对所述相似日样本数据进行归一化处理;
对归一化处理后的相似日样本数据进行数据分离和混合后进行随机抽样,得到样本训练集和样本测试集。
为了进一步提高数据的可靠性,对于筛选出的相似日样本数据进行数据分离和混合后,通过随机抽样,构造用于训练CART决策树的样本训练集和用于测试训练后得到的岗位负荷预测模型的样本测试集。在本发明实施例中,样本训练集与样本测试集的样本比例保持在2:1~4:1之间,数据处理过程如图2所述。
在一种可选的实施例中,所述采用所述相似日样本数据,对预先构建的CART决策树进行训练,得到岗位负荷预测模型,包括:
初始化所述相似日样本数据的样本权值分布;
采用所述相似日样本数据对所述CART决策树进行训练,并引入遗传算法对所述CART决策树和所述样本权值分布进行优化处理,以得到CART决策树预测模型;
将所述相似日样本数据及其优化后的样本权值分布输入到所述CART决策树预测模型中进行训练,以得到当前基学习器;
计算当前基学习器的预测误差,并根据当前基学习器的预测误差,计算出当前基学习器的权重系数;
根据当前基学习器的权重系数,调整所述样本权值分布;
将所述相似日样本数据及其调整后的样本权值分布输入到所述CART决策树预测模型中进行训练,以得到下一个基学习器,反复迭代直到满足预设终止条件,以得到多个基学习器;
根据各个所述基学习器的权重系数,将多个所述基学习器进行组合,得到岗位负荷预测模型。
在本发明实施例中,可以采用上述样本训练集中的相似日样本数据对CART决策树进行训练,训练过程如图3所示,在训练前先初始化相关相似日样本数据的样本权值分布、CART决策树、遗传算法(GA,Genetic Algorithms)。示例性,初始化的样本权值分布可为其中,m为样本容量,w1i表示第i个相似日样本数据的权值。
相对于CART决策树采用传统的二分法容易陷入局部最优,本发明实施例中的所述CART决策树采用遗传算法替代传统的二分法,利用遗传算法对数据进行分割,可获得全局***最优解,从而提升CART决策树的整体分类和预测的效果,下面以一个相似日样本数据作为一个个体,对CART决策树的训练流程进行以下说明:
(1)通过实数编码的方式对个体进行编码设置,对种群进行初始化;
(2)以分类精度作为适应度评价指标计算个体适应度值;
(3)根据每一代中问题域的个体适应度大小选择个体,根据遗传学中的概念,对遗传算子进行组合交叉和变异,生成代表新解集的群体;种群根据第一层决策树的特征进行迭代优化,迭代完成后输出最优个体和最优适应值,得到第一层决策树的最优***点;
(4)通过递进搜索方式,对末代种群的最优个体进行解码,获得初步的CART决策树预测模型和优化后的样本权值分布。
然后构建AdaBoost基学习器。结合图3,对基学习器的构建流程进行如下说明:
(1)使用样本权值分布为Dk的相似日样本数据,对T个决策树进行训练时,得到基学习器Gk(x)并计算预测误差eki;
其中,m为样本训练集中的相似日样本数据的数量。Gk(xi)表示第k个基学习器输出的预测岗位负荷指数,yi表示相应相似日样本数据的岗位负荷指数标签。
(2)计算基学习器的权重系数,更新样本权值分布。根据预测误差eki计算出第k个基学习器的回归误差率ek以及其权重系数αk,根据第k个基学习器权重Dk更新下一次样本权值分布;
其中,Zk表示规范化因子,
(3)构建最终强学习器并形成基于相似日的GA-CART-AdaBoost岗位负荷预测模型。根据以上步骤训练到设定的基学习器数量与其对应的权重系数αk,根据相应的组合策略得到最终强学习器:
其中,是所有/>的中位数值乘以对应序号k*对应的基学习器。
在一种可选的实施例中,所述根据所述岗位处理数据,采用所述岗位负荷预测模型进行岗位负荷预测,得到岗位负荷指数,包括:
统计所述岗位处理数据,得到待预测日的工作复杂性评价指标;
计算所述岗位处理数据中单位时间内信息处理数量与信息接收数量之比,得到待预测日的工作负荷评价指标;
根据待预测日的工作复杂性评价指标和工作负荷评价指标,构建待测数据序列;
将所述待测数据序列输入到所述岗位负荷预测模型进行预测,得到岗位负荷指数。
在本发明实施例中,接入民航信息岗值班***后台实时采集工作席位信息收报原始的岗位处理数据,对原始的岗位处理数据进行如历史岗位处理数据相同的特征提取与融合过程,得到待输入的预测数据,在线调用经过上述优化训练出的岗位负荷预测模型对岗位实时工作负荷进行预测,若岗位负荷指数超出预设条件,例如岗位负荷指数超出预设指数阈值,则响应警告,否则不响应警告,如图4所示。需要说明的是,在本发明实施例中,对预设指数阈值不做具体限定,用户可根据实际需要设定,例如设置其数值范围在0.8-0.9。
相对于现有技术,本发明实施例的有益效果在于:
(1)本发明实施例以单位时间内信息处理数量与信息接收数量之比作为岗位工作负荷评价指标,采集所处理民航信息类型作为岗位工作复杂性评价指标,构建基于AdaBoost复合算法的机器学习模型,并将所构建的模型用于岗位工作负荷程度预测,可以实现对民航信息岗位工作者负荷状态的预测与告警,不同于以往事后分析的负荷研究方法,本发明实施例能够将风险关口前移,在工作人员超负荷工作之前成功告警,本发明实施例可以实时根据***后台数据进行预测,有效缩短工作负荷评估周期,提高工作负荷预测与预警的准确性。
(2)本发明实施例选取与预测日在历史样本集中民航信息类型和数量相似的相似日的数据,能够反映特定类型与数量的信息收发情况下工作负荷的表现情况。同时取“近大远小”的时间原则进一步选取与预测日相近的日期的数据,时间跨度短,可以弥补了仅以信息类型与数量作为依据进行预测的不足;本发明少实施例通过相似日和相邻日的合理使用能够起到取长补短、相得益彰的效果,确保最终得到的相似日样本数据与预测日的信息类型和数量相似,且时间跨度短,从而保证相似日样本数据与预测日的实际情况基本形同。
(3)民航信息岗的信息处理体现在信息处理的数量与类型,而民航信息的及时处理与通报是民航信息岗的基本工作要求,因此民航信息岗的整体工作负荷主要体现在单位时间内是否及时处理收到的通告。本发明实施例以单位时间内民航信息处理数量与民航信息接收数量之比作为民航信息岗的工作负荷评价指标,采用“近大远小”时间原则筛选出相似日样本数据,以工作负荷为特征的训练集更具有类似性和时间延续性。
实施例二
参见图5,是本发明实施例提供的民航信息岗负荷预警设备的示意图。该实施例的民航信息岗负荷预警设备包括:处理器100、存储器200以及存储在所述存储器200中并可在所述处理器100上运行的计算机程序,例如民航信息岗负荷预警程序。所述处理器100执行所述计算机程序时实现上述各个民航信息岗负荷预警方法实施例中的步骤,例如图1所示的步骤S1-S3。
示例性的,所述计算机程序可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器中,并由所述处理器执行,以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序在所述民航信息岗负荷预警设备中的执行过程。
所述民航信息岗负荷预警设备可包括,但不仅限于,处理器、存储器。本领域技术人员可以理解,所述示意图仅仅是民航信息岗负荷预警设备的示例,并不构成对民航信息岗负荷预警设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述民航信息岗负荷预警设备还可以包括输入输出设备、网络接入设备、总线等。
所述处理器可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,所述处理器是所述民航信息岗负荷预警设备的控制中心,利用各种接口和线路连接整个民航信息岗负荷预警设备的各个部分。
所述存储器可用于存储所述计算机程序和/或模块,所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块,以及调用存储在存储器内的数据,实现所述民航信息岗负荷预警设备的各种功能。所述存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
其中,所述民航信息岗负荷预警设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。
需说明的是,以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外,本发明提供的装置实施例附图中,模块之间的连接关系表示它们之间具有通信连接,具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出多台改进和润饰,这些改进和润饰也视为本发明的保护范围。
Claims (5)
1.一种民航信息岗负荷预警方法,其特征在于,包括:
根据预先采集的民航信息岗值班后台的岗位历史处理记录,构建历史样本集;所述岗位历史处理记录包括:所处理信息的民航信息类型、单位时间内的信息处理数量以及单位时间内信息接收数量;
实时采集待预测日的岗位处理数据;
通过对所述待预测日的岗位处理数据与所述历史样本集中的历史样本数据进行关联分析,筛选出符合预设的关联度筛选条件的历史样本数据,作为相似日样本数据;所述关联度筛选条件为关联度大于等于预设的关联度阈值;相似日样本数据是指待预测日的岗位处理数据在历史样本集中民航信息类型和数量相似且基于时间近大远小原则选择的时间相邻的历史样本数据;
采用所述相似日样本数据,对预先构建的CART决策树进行训练,得到岗位负荷预测模型;
根据所述岗位处理数据,采用所述岗位负荷预测模型进行岗位负荷预测,得到岗位负荷指数;
当所述岗位负荷指数超过预设条件时,进行工作负荷预警;
所述根据预先采集的民航信息岗值班后台的岗位历史处理记录,构建历史样本集,包括:
统计不同时间段内的所处理信息的民航信息类型,得到相应时间段的工作复杂性评价指标;
计算不同时间段的单位时间内信息处理数量与信息接收数量之比,得到相应时间段的工作负荷评价指标;
根据不同时间段的工作复杂性评价指标和工作负荷评价指标,构建历史样本集;其中,所述历史样本集中一个历史样本数据包括:一个时间段的工作复杂性评价指标和相应时间段的工作负荷评价指标;
所述通过对所述待预测日的岗位处理数据与所述历史样本集中的历史样本数据进行关联分析,筛选出符合预设的关联度筛选条件的历史样本数据,作为相似日样本数据,包括:
根据各个所述历史样本数据中的工作复杂性评价指标,构造相应历史样本数据的对比数据序列;
根据所述待预测日的岗位处理数据中的工作复杂性评价指标,构造被预测数据序列;
采用灰色关联分析法计算被预测数据序列与各个对比数据序列之间的关联度;
从所述历史样本集中筛选出关联度符合所述关联度筛选条件的对比数据序列对应的历史样本数据,作为相似日样本数据;
所述采用灰色关联分析法计算被预测数据序列与各个对比数据序列之间的关联度,包括:
采用公式(1),计算所述被预测数据序列与各个所述对比数据序列之间的关联度系数;
根据所述被预测数据序列与各个所述对比数据序列之间的关联度系数,采用公式(2),计算所述被预测数据序列与各个所述对比数据序列之间的关联度:
其中,x0i=x0(k)-xi(k),Xi表示对比数据序列,Xi={xi(1),xi(2),…,xi(n)},X0表示被预测数据序列,X0={x0(1),x0(2),…,x0(n)};x0(k)表示被预测数据序列中k点的工作复杂性评价指标;xi(k)表示对比数据序列中k点的工作复杂性评价指标;表示k点x0(k)与xi(k)的最小绝对差值;/>表示k点x0(k)与xi(k)的最大绝对差值;ρ表示分辨率系数,在[0,1]之间,n表示工作复杂性评价指标的数量;
所述采用所述相似日样本数据,对预先构建的CART决策树进行训练,得到岗位负荷预测模型,包括:
初始化所述相似日样本数据的样本权值分布;
采用所述相似日样本数据对所述CART决策树进行训练,并引入遗传算法对所述CART决策树和所述样本权值分布进行优化处理,以得到CART决策树预测模型;
将所述相似日样本数据及其优化后的样本权值分布输入到所述CART决策树预测模型中进行训练,以得到当前基学习器;
计算当前基学习器的预测误差,并根据当前基学习器的预测误差,计算出当前基学习器的权重系数;
根据当前基学习器的权重系数,调整所述样本权值分布;
将所述相似日样本数据及其调整后的样本权值分布输入到所述CART决策树预测模型中进行训练,以得到下一个基学习器,反复迭代直到满足预设终止条件,以得到多个基学习器;
根据各个所述基学习器的权重系数,将多个所述基学习器进行组合,得到岗位负荷预测模型;
所述根据所述岗位处理数据,采用所述岗位负荷预测模型进行岗位负荷预测,得到岗位负荷指数,包括:
统计所述岗位处理数据,得到待预测日的工作复杂性评价指标;
计算所述岗位处理数据中单位时间内信息处理数量与信息接收数量之比,得到待预测日的工作负荷评价指标;
根据待预测日的工作复杂性评价指标和工作负荷评价指标,构建待测数据序列;
将所述待测数据序列输入到所述岗位负荷预测模型进行预测,得到岗位负荷指数。
2.如权利要求1所述的民航信息岗负荷预警方法,其特征在于,所述从所述历史样本集中筛选出关联度符合所述关联度筛选条件的对比数据序列对应的历史样本数据,作为相似日样本数据,包括:
从所述历史样本集中筛选出关联度大于等于预设的关联度阈值的对比数据序列对应的历史样本数据,作为候选历史样本数据;
统计所述候选历史样本数据的样本数量,并当所述样本数量大于预设的数量阈值时,将所述候选历史样本数据按照时间顺序排序,并选取邻近所述待预测日的若干个候选历史样本数据;
对选取的邻近所述待预测日的若干个候选历史样本数据进行去重处理,得到相似日样本数据。
3.如权利要求1所述的民航信息岗负荷预警方法,其特征在于,所述采用所述相似日样本数据,对预先构建的CART决策树进行训练,得到岗位负荷预测模型之前,还包括:
对所述相似日样本数据进行归一化处理;
对归一化处理后的相似日样本数据进行数据分离和混合后进行随机抽样,得到样本训练集和样本测试集。
4.一种民航信息岗负荷预警***,其特征在于,包括:处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至3中任意一项所述的民航信息岗负荷预警方法。
5.一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计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至3中任意一项所述的民航信息岗负荷预警方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310590254.2A CN116502768B (zh) | 2023-05-23 | 2023-05-23 | 民航信息岗负荷预警方法、***及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310590254.2A CN116502768B (zh) | 2023-05-23 | 2023-05-23 | 民航信息岗负荷预警方法、***及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116502768A CN116502768A (zh) | 2023-07-28 |
CN116502768B true CN116502768B (zh) | 2024-06-07 |
Family
ID=87316549
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310590254.2A Active CN116502768B (zh) | 2023-05-23 | 2023-05-23 | 民航信息岗负荷预警方法、***及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116502768B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104881706A (zh) * | 2014-12-31 | 2015-09-02 | 天津弘源慧能科技有限公司 | 一种基于大数据技术的电力***短期负荷预测方法 |
CN111028100A (zh) * | 2019-11-29 | 2020-04-17 | 南方电网能源发展研究院有限责任公司 | 考虑气象因素的精细化短期负荷预测方法、装置及介质 |
AU2020104000A4 (en) * | 2020-12-10 | 2021-02-18 | Guangxi University | Short-term Load Forecasting Method Based on TCN and IPSO-LSSVM Combined Model |
CN113361785A (zh) * | 2021-06-10 | 2021-09-07 | 国网河北省电力有限公司经济技术研究院 | 配电网短期负荷预测方法、装置、终端及存储介质 |
CN114530059A (zh) * | 2022-01-14 | 2022-05-24 | 南京航空航天大学 | 一种多扇区监控席位的动态配置方法及*** |
-
2023
- 2023-05-23 CN CN202310590254.2A patent/CN116502768B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104881706A (zh) * | 2014-12-31 | 2015-09-02 | 天津弘源慧能科技有限公司 | 一种基于大数据技术的电力***短期负荷预测方法 |
CN111028100A (zh) * | 2019-11-29 | 2020-04-17 | 南方电网能源发展研究院有限责任公司 | 考虑气象因素的精细化短期负荷预测方法、装置及介质 |
AU2020104000A4 (en) * | 2020-12-10 | 2021-02-18 | Guangxi University | Short-term Load Forecasting Method Based on TCN and IPSO-LSSVM Combined Model |
CN113361785A (zh) * | 2021-06-10 | 2021-09-07 | 国网河北省电力有限公司经济技术研究院 | 配电网短期负荷预测方法、装置、终端及存储介质 |
CN114530059A (zh) * | 2022-01-14 | 2022-05-24 | 南京航空航天大学 | 一种多扇区监控席位的动态配置方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN116502768A (zh) | 2023-07-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106909933B (zh) | 一种三阶段多视角特征融合的窃电分类预测方法 | |
CN111724211A (zh) | 一种线下门店商品销量预测方法、装置和设备 | |
CN108733631A (zh) | 一种数据评估方法、装置、终端设备及存储介质 | |
Kell et al. | Evaluation of the prediction skill of stock assessment using hindcasting | |
CN106154209A (zh) | 基于决策树算法的电能表故障预测方法 | |
CN106127242A (zh) | 基于集成学习的年极端降水预测***及其预测方法 | |
CN110348490A (zh) | 一种基于支持向量机算法的土壤质量预测方法及装置 | |
CN111695747A (zh) | 智能派工方法、装置及计算机可读储存介质 | |
CN110570097A (zh) | 基于大数据的业务人员风险识别方法、装置及存储介质 | |
CN116109195A (zh) | 一种基于图卷积神经网络的绩效评估方法及*** | |
CN111931992A (zh) | 一种电力负荷预测指标选取方法及装置 | |
CN116739317B (zh) | 一种矿用绞车自动化管理及调度平台、方法、设备及介质 | |
CN113177644A (zh) | 一种基于词嵌入和深度时序模型的自动建模*** | |
US20230386665A1 (en) | Method and device for constructing autism spectrum disorder (asd) risk prediction model | |
CN116502768B (zh) | 民航信息岗负荷预警方法、***及存储介质 | |
CN111882113A (zh) | 一种企业手机银行用户的预测方法和装置 | |
CN117254587A (zh) | 配电网的监测方法及其装置、电子设备及存储介质 | |
CN116843395A (zh) | 一种业务***的告警分级方法、装置、设备及存储介质 | |
CN113393169B (zh) | 基于大数据技术的金融行业交易***性能指标分析方法 | |
CN115376692A (zh) | 一种健康数据的处理方法、装置、电子设备及存储介质 | |
CN113888318A (zh) | 风险检测方法及*** | |
CN115204501A (zh) | 企业评估方法、装置、计算机设备和存储介质 | |
CN112418652B (zh) | 一种风险识别方法及相关装置 | |
CN113449923A (zh) | 一种多模型标的物行情预测方法和装置 | |
CN113934894A (zh) | 基于指标树的数据显示方法、终端设备 |
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 |