CN114358422A - 研发进度的异常预测方法及装置、存储介质和电子设备 - Google Patents
研发进度的异常预测方法及装置、存储介质和电子设备 Download PDFInfo
- Publication number
- CN114358422A CN114358422A CN202210004810.9A CN202210004810A CN114358422A CN 114358422 A CN114358422 A CN 114358422A CN 202210004810 A CN202210004810 A CN 202210004810A CN 114358422 A CN114358422 A CN 114358422A
- Authority
- CN
- China
- Prior art keywords
- target data
- data set
- research
- development progress
- progress
- 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.)
- Granted
Links
- 238000012827 research and development Methods 0.000 title claims abstract description 188
- 238000000034 method Methods 0.000 title claims abstract description 88
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 75
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 76
- 238000012545 processing Methods 0.000 claims abstract description 26
- 238000011161 development Methods 0.000 claims abstract description 11
- 230000005856 abnormality Effects 0.000 claims description 66
- 230000015654 memory Effects 0.000 claims description 31
- 230000008859 change Effects 0.000 claims description 25
- 230000008569 process Effects 0.000 claims description 22
- 239000013598 vector Substances 0.000 claims description 20
- 238000005516 engineering process Methods 0.000 abstract description 6
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000013461 design Methods 0.000 description 15
- 238000004364 calculation method Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 14
- 238000004590 computer program Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 238000001514 detection method Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000002085 persistent effect Effects 0.000 description 3
- 238000007637 random forest analysis Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
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
- 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
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Business, Economics & Management (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Human Resources & Organizations (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Strategic Management (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Neurology (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Debugging And Monitoring (AREA)
Abstract
本申请公开了一种研发进度的异常预测方法及装置、存储介质和电子设备，涉及人工智能领域。该方法包括：获取第一目标数据集，其中，第一目标数据集中至少包括目标数据的统计信息值，其中，目标数据用于表示研发进度数据的波动特征，统计信息值用于表示目标数据的属性信息；根据预设算法一和自动编码器，对第一目标数据集中的数据进行处理，得到第二目标数据集，其中，第二目标数据集中的数据的波动特征强于第一目标数据集中的数据的波动特征；根据预设算法二和第二目标数据集，对研发进度进行异常预测。通过本申请，解决了相关技术中采用设定阈值的方式对研发进度进行异常预测时，难以提前做出异常预警，导致研发效率较低的问题。
Description
技术领域
本申请涉及人工智能领域，具体而言，涉及一种研发进度的异常预测方法及装置、存储介质和电子设备。
背景技术
研发进度是精细化管理的重要数据基础，且研发进度由设计进度、编码进度、测试进度组成。目前相关技术中，针对研发进度的异常检测一般是由设定阈值来完成预警，即基于相关工作人员的任务已经超过规定期限而产生告警。具体为，根据DoD(完成标准)制定研发周期模型，并且根据研发周期模型会得到一个详细的完整的研发周期，即不同阶段需要在固定的时间节点完成。基于研发周期模型，对研发进度预先设置对应的工作周期和天数，若超过预先设置的工作周期和天数，则判定为研发进度滞后，并发出预警。
但是，采用设定阈值的方式来对研发进度发出预警，存在明显的弊端。由于研发内容、规模、资源投入等差异，会导致模型周期各不相同。故在项目推进的过程中，有时会出现潜在的进度异常情况。如果只根据人为设定阈值来判断是否发生进度异常，在发出异常预警的时候，任务进度已经超过了规定的时间。虽然可以将预警的时间提前，但这种方式灵活度低，反应速度慢，只能按照研发周期模型给定的时间，设置固定的预警时间，无法根据不同的任务进度的情况加以区分。
针对相关技术中采用设定阈值的方式对研发进度进行异常预测时，难以提前做出异常预警，导致研发效率较低的问题，目前尚未提出有效的解决方案。
发明内容
本申请的主要目的在于提供一种研发进度的异常预测方法及装置、存储介质和电子设备，以解决相关技术中采用设定阈值的方式对研发进度进行异常预测时，难以提前做出异常预警，导致研发效率较低的问题。
为了实现上述目的，根据本申请的一个方面，提供了一种研发进度的异常预测方法。该方法包括：获取第一目标数据集，其中，所述第一目标数据集中至少包括目标数据的统计信息值，其中，所述目标数据用于表示研发进度数据的波动特征，所述统计信息值用于表示所述目标数据的属性信息；根据预设算法一和自动编码器，对所述第一目标数据集中的数据进行处理，得到第二目标数据集，其中，所述第二目标数据集中的数据的波动特征强于所述第一目标数据集中的数据的波动特征，所述自动编码器用于在对所述第一目标数据集中的数据进行编码处理时加强所述第一目标数据集中的数据的波动特征；根据预设算法二和所述第二目标数据集，对所述研发进度进行异常预测。
进一步地，在获取第一目标数据集之前，所述方法还包括：获取第三目标数据集，其中，所述第三目标数据集中至少包括所述目标数据；根据所述第三目标数据集和滑动窗口算法，计算得到所述目标数据的统计信息值；将所述目标数据的统计信息值进行组合，得到所述第一目标数据集。
进一步地，在获取第三目标数据集之前，所述方法还包括：获取原始数据集中的原始数据，其中，所述原始数据为代表所述研发进度的数据；依据所述原始数据和所述滑动窗口算法，计算得到所述原始数据的L2范数和范数变化率；将所述L2范数和所述范数变化率进行组合，得到所述第三目标数据集。
进一步地，在获取原始数据集中的原始数据之前，所述方法还包括：根据目标设备，计算所述研发进度中已完成的工作量；根据所述已完成的工作量和预设公式，计算所述研发进度；将所述研发进度转化为向量表示，得到所述原始数据。
进一步地，根据预设算法二和所述第二目标数据集，对所述研发进度进行异常预测包括：根据所述预设算法二，确定所述第二目标数据集中的异常数值；依据所述异常数值对所述研发进度进行异常预测。
进一步地，依据所述异常数值对所述研发进度进行异常预测包括：若所述异常数值与预设值的差值大于第一预设值，则确定所述研发进度存在异常的可能性大于第一预设概率；若所述异常数值与预设值的差值小于第二预设值，则确定所述研发进度存在异常的可能性小于第二预设概率。
为了实现上述目的，根据本申请的另一方面，提供了一种研发进度的异常预测装置。该装置包括：第一获取单元，用于获取第一目标数据集，其中，所述第一目标数据集中至少包括目标数据的统计信息值，其中，所述目标数据用于表示研发进度数据的波动特征，所述统计信息值用于表示所述目标数据的属性信息；第一处理单元，用于根据预设算法一和自动编码器，对所述第一目标数据集中的数据进行处理，得到第二目标数据集，其中，所述第二目标数据集中的数据的波动特征强于所述第一目标数据集中的数据的波动特征，所述自动编码器用于在对所述第一目标数据集中的数据进行编码处理时加强所述第一目标数据集中的数据的波动特征；第一预测单元，用于根据预设算法二和所述第二目标数据集，对所述研发进度进行异常预测。
进一步地，所述装置还包括：第二获取单元，用于在获取第一目标数据集之前，获取第三目标数据集，其中，所述第三目标数据集中至少包括所述目标数据；第一计算单元，用于根据所述第三目标数据集和滑动窗口算法，计算得到所述目标数据的统计信息值；第一组合单元，用于将所述目标数据的统计信息值进行组合，得到所述第一目标数据集。
进一步地，所述装置还包括：第三获取单元，用于在获取第三目标数据集之前，获取原始数据集中的原始数据，其中，所述原始数据为代表所述研发进度的数据；第二计算单元，用于依据所述原始数据和所述滑动窗口算法，计算得到所述原始数据的L2范数和范数变化率；第二组合单元，用于将所述L2范数和所述范数变化率进行组合，得到所述第三目标数据集。
进一步地，所述装置还包括：第三计算单元，用于在获取原始数据集中的原始数据之前，根据目标设备，计算所述研发进度中已完成的工作量；第四计算单元，用于根据所述已完成的工作量和预设公式，计算所述研发进度；第一转化单元，用于将所述研发进度转化为向量表示，得到所述原始数据。
进一步地，所述第一预测单元包括：第一确定模块，用于根据所述预设算法二，确定所述第二目标数据集中的异常数值；第一预测模块，用于依据所述异常数值对所述研发进度进行异常预测。
进一步地，所述第一预测模块包括：第一处理子模块，用于若所述异常数值与预设值的差值大于第一预设值，则确定所述研发进度存在异常的可能性大于第一预设概率；第二处理子模块，用于若所述异常数值与预设值的差值小于第二预设值，则确定所述研发进度存在异常的可能性小于第二预设概率。
为了实现上述目的，根据本申请的另一方面，提供了一种计算机可读存储介质，所述存储介质包括存储的程序，其中，所述程序执行上述的任意一项所述的研发进度的异常预测方法。
为了实现上述目的，根据本申请的另一方面，提供了一种电子设备，所述电子设备包括一个或多个处理器和存储器，所述存储器用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现上述的任意一项所述的研发进度的异常预测方法。
通过本申请，采用以下步骤：获取第一目标数据集，其中，第一目标数据集中至少包括目标数据的统计信息值，其中，目标数据用于表示研发进度数据的波动特征，统计信息值用于表示目标数据的属性信息；根据预设算法一和自动编码器，对第一目标数据集中的数据进行处理，得到第二目标数据集，其中，第二目标数据集中的数据的波动特征强于第一目标数据集中的数据的波动特征，自动编码器用于在对第一目标数据集中的数据进行编码处理时加强第一目标数据集中的数据的波动特征；根据预设算法二和第二目标数据集，对研发进度进行异常预测，解决了相关技术中采用设定阈值的方式对研发进度进行异常预测时，难以提前做出异常预警，导致研发效率较低的问题。通过对获取到的第一目标数据集中的数据进行处理，得到第二目标数据集，并根据预设算法二和第二目标数据集，对研发进度进行异常预测，从而可以对研发进度中存在的异常提前做出预警，进而达到了提升研发效率的效果。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1是根据本申请实施例提供的研发进度的异常预测方法的流程图；
图2是本申请实施例中的计算波动数据的统计信息值的示意图；
图3是本申请实施例中的计算数据范数和范数变化率的示意图；
图4是本申请实施例中的利用孤立森林算法检测异常数值的示意图；
图5是根据本申请实施例提供的可选的研发进度的异常预测方法的示意图；
图6是根据本申请实施例提供的研发进度的异常预测装置的示意图；
图7是根据本申请实施例提供的电子设备的示意图。
具体实施方式
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请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申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，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，都应当属于本申请保护的范围。
需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
需要说明的是，本公开所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于展示的数据、分析的数据等)，均为经用户授权或者经过各方充分授权的信息和数据。
下面结合优选的实施步骤对本发明进行说明，图1是根据本申请实施例提供的研发进度的异常预测方法的流程图，如图1所示，该方法包括如下步骤：
步骤S101，获取第一目标数据集，其中，第一目标数据集中至少包括目标数据的统计信息值，其中，目标数据用于表示研发进度数据的波动特征，统计信息值用于表示目标数据的属性信息。
例如，上述的第一目标数据集可以为带有统计信息的波动特征数据集，上述的目标数据可以为具有波动特征的研发进度数据，上述的统计信息值可以为具有波动特征的研发进度数据的均值(mean)、标准差(std)、最小值(min)、最大值(max)、四分位数(quars)和极差(range)。故需要获取带有统计信息的波动特征数据集。
步骤S102，根据预设算法一和自动编码器，对第一目标数据集中的数据进行处理，得到第二目标数据集，其中，第二目标数据集中的数据的波动特征强于第一目标数据集中的数据的波动特征，自动编码器用于在对第一目标数据集中的数据进行编码处理时加强第一目标数据集中的数据的波动特征。
例如，上述的预设算法一可以为人工神经网络算法，具体可以为长短时记忆网络算法(LSTM)或门控循环单元结构算法(GRU)或循环神经网络算法(RNN)，上述的自动编码器可以为对带有统计信息的波动特征数据集中的数据进行编码处理的编码器。虽然前一时间窗的进度数据对后一时间窗的进度数据影响很大，但相隔多个时间窗的研发进度数据间的影响会逐步减弱，所以可以利用LSTM中引入的“遗忘门”结构学习这一特征。另外，由于自编码器的输入向量与目标向量是一样的，故波动信息在编码解码的过程中也会被突出表达。所以，将带有统计信息的波动特征数据集，接入基于LSTM的自动编码器，经过LSTM的“输入门”、“输出门”的学习和自编码之后，得到具有加强特征的数据集，而且具有加强特征的数据集中的研发进度的特征数据之间会有明显的时序特征。因此，在研发进度中，如果发现进度滞后的潜在风险后，即发现进度中存在异常后，可以在这一步的模型学习过程中，被突出表达。
步骤S103，根据预设算法二和第二目标数据集，对研发进度进行异常预测。
例如，上述的预设算法二可以为孤立森林算法或随机森林算法。经过算法学习特征之后，使用孤立森林算法或随机森林算法，检测出研发进度中是否存在异常。
通过上述的步骤S101至S103，通过对获取到的第一目标数据集中的数据进行处理，得到第二目标数据集，并根据预设算法二和第二目标数据集，对研发进度进行异常预测，从而可以对研发进度中存在的异常提前做出预警，进而达到了提升研发效率的效果。
可选地，在本申请实施例提供的研发进度的异常预测方法中，在获取第一目标数据集之前，该方法还包括：获取第三目标数据集，其中，第三目标数据集中至少包括目标数据；根据第三目标数据集和滑动窗口算法，计算得到目标数据的统计信息值；将目标数据的统计信息值进行组合，得到第一目标数据集。
例如，上述的第三目标数据集可以为波动特征数据集，由具有波动特征的研发进度数据组成。获取波动特征数据集之后，根据波动特征数据集和滑动窗口算法，计算时间窗口内波动数据的统计信息值，计算过程如图2所示，图中的N1可以代表范数，DN1可以代表范数变化率。其中，统计信息值包括均值、标准差、最小值、最大值、四分位数和极差，再将带有统计信息的波动特征数据进行组合，得到带有统计信息的波动特征数据集。
通过上述的方案，根据进度数据的波动特征和滑动窗口算法，可以丰富具有波动特征的数据集的信息表达。
可选地，在本申请实施例提供的研发进度的异常预测方法中，在获取第三目标数据集之前，该方法还包括：获取原始数据集中的原始数据，其中，原始数据为代表研发进度的数据；依据原始数据和滑动窗口算法，计算得到原始数据的L2范数和范数变化率，计算过程如图3所示，图中的N1可以代表范数，DN1可以代表范数变化率，T1可以代表设计进度，T2可以代表编码进度，T3可以代表测试进度，t1可以代表在不同时间下计算得到的表示设计进度的数据；将L2范数和范数变化率进行组合，得到第三目标数据集。
例如，获取研发进度的原始数据，根据研发进度的原始数据、滑动窗口算法和L2范数公式，计算得到研发进度数据的L2范数和范数变化率，再将L2范数和范数变化率组合成具有波动特征的数据集。其中，范数是一个函数，是矢量空间内的所有矢量赋予非零的正长度或大小，所有范数经常被用来度量某个向量空间(或矩阵)中的每个向量的长度或大小，也就是说向量的范数可以简单的理解为向量的长度，或者向量到零点的距离，或者相应的两个点之间的距离。而L2范数为向量各个元素平方和的1/2次方。
通过上述的方案，根据滑动窗口算法和L2范数公式，可以从代表研发进度的原始数据中提取数据的波动特征。
可选地，在本申请实施例提供的研发进度的异常预测方法中，在获取原始数据集中的原始数据之前，该方法还包括：根据目标设备，计算研发进度中已完成的工作量；根据已完成的工作量和预设公式，计算研发进度；将研发进度转化为向量表示，得到原始数据。
例如，在获取研发进度的原始数据之前，需要先做研发进度数据准备。如设计进度的计算方式可以为如下步骤：首先根据JIRA(项目与事务跟踪工具)工作量，计算出已完成的设计工作量，再根据完成的设计工作量计算当前的设计进度。其中，具体计算公式为：需求子条目完成的设计工作量＝(设计完成的JIRA工作量/设计JIRA总工作量)*需求子条目的开发工作量*拆分系数；需求项的设计进度D1＝∑需求子条目完成设计工作量/需求项的开发工作量*100％。另外，编码进度和测试进度的计算方式与设计进度的计算方式相同。
综上所述，通过对工作量的计算，可以准确的得到代表研发进度的数据。
可选地，在本申请实施例提供的研发进度的异常预测方法中，根据预设算法二和第二目标数据集，对研发进度进行异常预测包括：根据预设算法二，确定第二目标数据集中的异常数值；依据异常数值对研发进度进行异常预测。
例如，使用孤立森林算法或随机森林算法，检测出具有加强特征的数据集中的异常值，具体过程如图4所示，根据异常数值，检测研发进度中是否存在异常。
通过上述的方案，若发现研发进度过程中存在潜藏风险的数据特征，可以提前发出警示，即可以将研发进度的风险或异常情况前置，从而可以使工作人员及时梳理进度，并进行查漏补缺，进而保证研发过程中的进度正常进行和项目正常推进的效果。
可选地，在本申请实施例提供的研发进度的异常预测方法中，依据异常数值对研发进度进行异常预测包括：若异常数值与预设值的差值大于第一预设值，则确定研发进度存在异常的可能性大于第一预设概率；若异常数值与预设值的差值小于第二预设值，则确定研发进度存在异常的可能性小于第二预设概率。
例如，如果检测到的异常数值与1的差值越大，则代表研发进度中存在异常的可能性越大；如果检测到的异常数值与1的差值越小，则代表研发进度中存在异常的可能性越小。
通过上述的方案，可以准确的判断研发进度中存在异常的可能性。
可选的研发进度的异常预测方法的示意图，如图5所示。例如，将研发进度数据划分为设计进度数据D1、编码进度数据D2、测试进度数据D3，用以表达一个完整的研发周期各阶段进度状态，即D1、D2、D3标志3个阶段的进度数据集。而且数据可以以天为单位，细化到各个开发团队，便于对开发测试人员进行精细化管理，实现准确的进度追踪。另外，考虑到研发进度数据是典型的多维时间序列，以及为达到挖掘潜藏的研发进度风险的目的，模型通过计算数据时间刻度上的变化值，提取变化值中的统计特征，重构原始数据集，并抓取数据的波动特征，借助深度神经网络加强研发进度数据特征表达，形成特征数据向量，将波动特征加权处理。由于考虑到数据的多维特征，所以使用孤立森林算法进行异常检测，挖掘数据变化过程中的异常节点。所以，搭建异常检测模型一共分为以下三步：特征提取、数据重构、异常检测。
由于研发进度中的异常情况往往是数据项之间的变化异于平常波动的一段数据，所以研发进度的数据是最能表达数据出现异常的特征之一。首先，将研发进度数据D1、编码进度数据D2、测试进度数据D3转化为向量表示，例如：
D1＝[0.124,0.212,0342,0.453,0.458,...,0.877,0.996]；
D2＝[0.153,0.278,0.398,0.573,0.611,...0.853,0.998]；
D3＝[0.142,0.284,0.378,0.498,0.623,...0.889,0.999]。
然后利用滑动窗口1计算进度数据的L2范数和范数变化，提取数据的波动特征，假定两个时间窗口取值均为2，则每一组数据，由1*N维转化为2*N，且提取数据波动特征后的研发进度情况如下：
提取波动特征后，计算时间窗口内数据的统计信息值，其中包括均值、标准差、最小值、最大值、四分位数和极差，且由2*N转为2*((N-1)*8)维的数据。另外，由于设计进度、编码进度、测试进度属于3组有关联但也相对独立的数据，所以考虑到它们之间的关联关系，将D1，D2，D3拼接，形成6*((N-1)*8)维的输入数据集。样本数据如下所示：
再将包含统计信息的波动特征数据集，接入基于LSTM的自编码器，对波动特征数据的特征向量加权，强化波动特征。最后使用孤立森林，对波动特征数据集进行异常检测。因此，通过将人工神经网络算法和孤立森林算法结合，从而对研发进度进行异常检测，可以很好的利用研发进度数据，学习研发进度数据特征，挖掘研发进度数据中的信息，主要分析研发进度的波动情况，发现当前进度存在的潜藏风险，而且还可以更灵活的分析研发进度数据，可以根据研发过程中不同时期的进度数据的波动变化特征不同，从而灵活的给出预警。
综上，本申请实施例提供的研发进度的异常预测方法，通过获取第一目标数据集，其中，第一目标数据集中至少包括目标数据的统计信息值，其中，目标数据用于表示研发进度数据的波动特征，统计信息值用于表示目标数据的属性信息；根据预设算法一和自动编码器，对第一目标数据集中的数据进行处理，得到第二目标数据集，其中，第二目标数据集中的数据的波动特征强于第一目标数据集中的数据的波动特征，自动编码器用于在对第一目标数据集中的数据进行编码处理时加强第一目标数据集中的数据的波动特征；根据预设算法二和第二目标数据集，对研发进度进行异常预测，解决了相关技术中采用设定阈值的方式对研发进度进行异常预测时，难以提前做出异常预警，导致研发效率较低的问题。通过对获取到的第一目标数据集中的数据进行处理，得到第二目标数据集，并根据预设算法二和第二目标数据集，对研发进度进行异常预测，从而可以对研发进度中存在的异常提前做出预警，进而达到了提升研发效率的效果。
需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
本申请实施例还提供了一种研发进度的异常预测装置，需要说明的是，本申请实施例的研发进度的异常预测装置可以用于执行本申请实施例所提供的用于研发进度的异常预测方法。以下对本申请实施例提供的研发进度的异常预测装置进行介绍。
图6是根据本申请实施例的研发进度的异常预测装置的示意图。如图6所示，该装置包括：第一获取单元601、第一处理单元602和第一预测单元603。
具体地，第一获取单元601，用于获取第一目标数据集，其中，第一目标数据集中至少包括目标数据的统计信息值，其中，目标数据用于表示研发进度数据的波动特征，统计信息值用于表示目标数据的属性信息；
第一处理单元602，用于根据预设算法一和自动编码器，对第一目标数据集中的数据进行处理，得到第二目标数据集，其中，第二目标数据集中的数据的波动特征强于第一目标数据集中的数据的波动特征，自动编码器用于在对第一目标数据集中的数据进行编码处理时加强第一目标数据集中的数据的波动特征；
第一预测单元603，用于根据预设算法二和第二目标数据集，对研发进度进行异常预测。
综上，本申请实施例提供的研发进度的异常预测装置，通过第一获取单元601获取第一目标数据集，其中，第一目标数据集中至少包括目标数据的统计信息值，其中，目标数据用于表示研发进度数据的波动特征，统计信息值用于表示目标数据的属性信息；第一处理单元602根据预设算法一和自动编码器，对第一目标数据集中的数据进行处理，得到第二目标数据集，其中，第二目标数据集中的数据的波动特征强于第一目标数据集中的数据的波动特征，自动编码器用于在对第一目标数据集中的数据进行编码处理时加强第一目标数据集中的数据的波动特征；第一预测单元603根据预设算法二和第二目标数据集，对研发进度进行异常预测，解决了相关技术中采用设定阈值的方式对研发进度进行异常预测时，难以提前做出异常预警，导致研发效率较低的问题，通过对获取到的第一目标数据集中的数据进行处理，得到第二目标数据集，并根据预设算法二和第二目标数据集，对研发进度进行异常预测，从而可以对研发进度中存在的异常提前做出预警，进而达到了提升研发效率的效果。
可选地，在本申请实施例提供的研发进度的异常预测装置中，该装置还包括：第二获取单元，用于在获取第一目标数据集之前，获取第三目标数据集，其中，第三目标数据集中至少包括目标数据；第一计算单元，用于根据第三目标数据集和滑动窗口算法，计算得到目标数据的统计信息值；第一组合单元，用于将目标数据的统计信息值进行组合，得到第一目标数据集。
可选地，在本申请实施例提供的研发进度的异常预测装置中，该装置还包括：第三获取单元，用于在获取第三目标数据集之前，获取原始数据集中的原始数据，其中，原始数据为代表研发进度的数据；第二计算单元，用于依据原始数据和滑动窗口算法，计算得到原始数据的L2范数和范数变化率；第二组合单元，用于将L2范数和范数变化率进行组合，得到第三目标数据集。
可选地，在本申请实施例提供的研发进度的异常预测装置中，该装置还包括：第三计算单元，用于在获取原始数据集中的原始数据之前，根据目标设备，计算研发进度中已完成的工作量；第四计算单元，用于根据已完成的工作量和预设公式，计算研发进度；第一转化单元，用于将研发进度转化为向量表示，得到原始数据。
可选地，在本申请实施例提供的研发进度的异常预测装置中，第一预测单元包括：第一确定模块，用于根据预设算法二，确定第二目标数据集中的异常数值；第一预测模块，用于依据异常数值对研发进度进行异常预测。
可选地，在本申请实施例提供的研发进度的异常预测装置中，第一预测模块包括：第一处理子模块，用于若异常数值与预设值的差值大于第一预设值，则确定研发进度存在异常的可能性大于第一预设概率；第二处理子模块，用于若异常数值与预设值的差值小于第二预设值，则确定研发进度存在异常的可能性小于第二预设概率。
所述研发进度的异常预测装置包括处理器和存储器，上述第一获取单元601、第一处理单元602和第一预测单元603等均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数来提升研发效率。
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)，存储器包括至少一个存储芯片。
本发明实施例提供了一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现所述研发进度的异常预测方法。
本发明实施例提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行所述研发进度的异常预测方法。
如图7所示，本发明实施例提供了一种设备，设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序，处理器执行程序时实现以下步骤：获取第一目标数据集，其中，所述第一目标数据集中至少包括目标数据的统计信息值，其中，所述目标数据用于表示研发进度数据的波动特征，所述统计信息值用于表示所述目标数据的属性信息；根据预设算法一和自动编码器，对所述第一目标数据集中的数据进行处理，得到第二目标数据集，其中，所述第二目标数据集中的数据的波动特征强于所述第一目标数据集中的数据的波动特征，所述自动编码器用于在对所述第一目标数据集中的数据进行编码处理时加强所述第一目标数据集中的数据的波动特征；根据预设算法二和所述第二目标数据集，对所述研发进度进行异常预测。
处理器执行程序时还实现以下步骤：在获取第一目标数据集之前，所述方法还包括：获取第三目标数据集，其中，所述第三目标数据集中至少包括所述目标数据；根据所述第三目标数据集和滑动窗口算法，计算得到所述目标数据的统计信息值；将所述目标数据的统计信息值进行组合，得到所述第一目标数据集。
处理器执行程序时还实现以下步骤：在获取第三目标数据集之前，所述方法还包括：获取原始数据集中的原始数据，其中，所述原始数据为代表所述研发进度的数据；依据所述原始数据和所述滑动窗口算法，计算得到所述原始数据的L2范数和范数变化率；将所述L2范数和所述范数变化率进行组合，得到所述第三目标数据集。
处理器执行程序时还实现以下步骤：在获取原始数据集中的原始数据之前，所述方法还包括：根据目标设备，计算所述研发进度中已完成的工作量；根据所述已完成的工作量和预设公式，计算所述研发进度；将所述研发进度转化为向量表示，得到所述原始数据。
处理器执行程序时还实现以下步骤：根据预设算法二和所述第二目标数据集，对所述研发进度进行异常预测包括：根据所述预设算法二，确定所述第二目标数据集中的异常数值；依据所述异常数值对所述研发进度进行异常预测。
处理器执行程序时还实现以下步骤：依据所述异常数值对所述研发进度进行异常预测包括：若所述异常数值与预设值的差值大于第一预设值，则确定所述研发进度存在异常的可能性大于第一预设概率；若所述异常数值与预设值的差值小于第二预设值，则确定所述研发进度存在异常的可能性小于第二预设概率。本文中的设备可以是服务器、PC、PAD、手机等。
本申请还提供了一种计算机程序产品，当在数据处理设备上执行时，适于执行初始化有如下方法步骤的程序：获取第一目标数据集，其中，所述第一目标数据集中至少包括目标数据的统计信息值，其中，所述目标数据用于表示研发进度数据的波动特征，所述统计信息值用于表示所述目标数据的属性信息；根据预设算法一和自动编码器，对所述第一目标数据集中的数据进行处理，得到第二目标数据集，其中，所述第二目标数据集中的数据的波动特征强于所述第一目标数据集中的数据的波动特征，所述自动编码器用于在对所述第一目标数据集中的数据进行编码处理时加强所述第一目标数据集中的数据的波动特征；根据预设算法二和所述第二目标数据集，对所述研发进度进行异常预测。
当在数据处理设备上执行时，还适于执行初始化有如下方法步骤的程序：在获取第一目标数据集之前，所述方法还包括：获取第三目标数据集，其中，所述第三目标数据集中至少包括所述目标数据；根据所述第三目标数据集和滑动窗口算法，计算得到所述目标数据的统计信息值；将所述目标数据的统计信息值进行组合，得到所述第一目标数据集。
当在数据处理设备上执行时，还适于执行初始化有如下方法步骤的程序：在获取第三目标数据集之前，所述方法还包括：获取原始数据集中的原始数据，其中，所述原始数据为代表所述研发进度的数据；依据所述原始数据和所述滑动窗口算法，计算得到所述原始数据的L2范数和范数变化率；将所述L2范数和所述范数变化率进行组合，得到所述第三目标数据集。
当在数据处理设备上执行时，还适于执行初始化有如下方法步骤的程序：在获取原始数据集中的原始数据之前，所述方法还包括：根据目标设备，计算所述研发进度中已完成的工作量；根据所述已完成的工作量和预设公式，计算所述研发进度；将所述研发进度转化为向量表示，得到所述原始数据。
当在数据处理设备上执行时，还适于执行初始化有如下方法步骤的程序：根据预设算法二和所述第二目标数据集，对所述研发进度进行异常预测包括：根据所述预设算法二，确定所述第二目标数据集中的异常数值；依据所述异常数值对所述研发进度进行异常预测。
当在数据处理设备上执行时，还适于执行初始化有如下方法步骤的程序：依据所述异常数值对所述研发进度进行异常预测包括：若所述异常数值与预设值的差值大于第一预设值，则确定所述研发进度存在异常的可能性大于第一预设概率；若所述异常数值与预设值的差值小于第二预设值，则确定所述研发进度存在异常的可能性小于第二预设概率。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请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，本申请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。
本申请是参照根据本申请实施例的方法、设备(系统)、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。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请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，本申请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。
以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种研发进度的异常预测方法，其特征在于，包括：
获取第一目标数据集，其中，所述第一目标数据集中至少包括目标数据的统计信息值，其中，所述目标数据用于表示研发进度数据的波动特征，所述统计信息值用于表示所述目标数据的属性信息；
根据预设算法一和自动编码器，对所述第一目标数据集中的数据进行处理，得到第二目标数据集，其中，所述第二目标数据集中的数据的波动特征强于所述第一目标数据集中的数据的波动特征，所述自动编码器用于在对所述第一目标数据集中的数据进行编码处理时加强所述第一目标数据集中的数据的波动特征；
根据预设算法二和所述第二目标数据集，对所述研发进度进行异常预测。
2.根据权利要求1所述的方法，其特征在于，在获取第一目标数据集之前，所述方法还包括：
获取第三目标数据集，其中，所述第三目标数据集中至少包括所述目标数据；
根据所述第三目标数据集和滑动窗口算法，计算得到所述目标数据的统计信息值；
将所述目标数据的统计信息值进行组合，得到所述第一目标数据集。
3.根据权利要求2所述的方法，其特征在于，在获取第三目标数据集之前，所述方法还包括：
获取原始数据集中的原始数据，其中，所述原始数据为代表所述研发进度的数据；
依据所述原始数据和所述滑动窗口算法，计算得到所述原始数据的L2范数和范数变化率；
将所述L2范数和所述范数变化率进行组合，得到所述第三目标数据集。
4.根据权利要求3所述的方法，其特征在于，在获取原始数据集中的原始数据之前，所述方法还包括：
根据目标设备，计算所述研发进度中已完成的工作量；
根据所述已完成的工作量和预设公式，计算所述研发进度；
将所述研发进度转化为向量表示，得到所述原始数据。
5.根据权利要求1所述的方法，其特征在于，根据预设算法二和所述第二目标数据集，对所述研发进度进行异常预测包括：
根据所述预设算法二，确定所述第二目标数据集中的异常数值；
依据所述异常数值对所述研发进度进行异常预测。
6.根据权利要求5所述的方法，其特征在于，依据所述异常数值对所述研发进度进行异常预测包括：
若所述异常数值与预设值的差值大于第一预设值，则确定所述研发进度存在异常的可能性大于第一预设概率；
若所述异常数值与预设值的差值小于第二预设值，则确定所述研发进度存在异常的可能性小于第二预设概率。
7.一种研发进度的异常预测装置，其特征在于，包括：
第一获取单元，用于获取第一目标数据集，其中，所述第一目标数据集中至少包括目标数据的统计信息值，其中，所述目标数据用于表示研发进度数据的波动特征，所述统计信息值用于表示所述目标数据的属性信息；
第一处理单元，用于根据预设算法一和自动编码器，对所述第一目标数据集中的数据进行处理，得到第二目标数据集，其中，所述第二目标数据集中的数据的波动特征强于所述第一目标数据集中的数据的波动特征，所述自动编码器用于在对所述第一目标数据集中的数据进行编码处理时加强所述第一目标数据集中的数据的波动特征；
第一预测单元，用于根据预设算法二和所述第二目标数据集，对所述研发进度进行异常预测。
8.根据权利要求7所述的装置，其特征在于，所述装置还包括：
第二获取单元，用于在获取第一目标数据集之前，获取第三目标数据集，其中，所述第三目标数据集中至少包括所述目标数据；
第一计算单元，用于根据所述第三目标数据集和滑动窗口算法，计算得到所述目标数据的统计信息值；
第一组合单元，用于将所述目标数据的统计信息值进行组合，得到所述第一目标数据集。
9.一种计算机可读存储介质，其特征在于，所述存储介质包括存储的程序，其中，所述程序执行权利要求1至6中任意一项所述的研发进度的异常预测方法。
10.一种电子设备，其特征在于，包括一个或多个处理器和存储器，所述存储器用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现权利要求1至6中任意一项所述的研发进度的异常预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210004810.9A CN114358422B (zh) | 2022-01-04 | 2022-01-04 | 研发进度的异常预测方法及装置、存储介质和电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210004810.9A CN114358422B (zh) | 2022-01-04 | 2022-01-04 | 研发进度的异常预测方法及装置、存储介质和电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114358422A true CN114358422A (zh) | 2022-04-15 |
| CN114358422B CN114358422B (zh) | 2024-12-27 |
Family
ID=81107401
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210004810.9A Active CN114358422B (zh) | 2022-01-04 | 2022-01-04 | 研发进度的异常预测方法及装置、存储介质和电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114358422B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117273391A (zh) * | 2023-11-07 | 2023-12-22 | 中航机载系统共性技术有限公司 | 一种复杂机载系统研制计划的管理方法、装置及电子设备 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106656637A (zh) * | 2017-02-24 | 2017-05-10 | 国网河南省电力公司电力科学研究院 | 一种异常检测方法及装置 |
| CN110021165A (zh) * | 2019-03-18 | 2019-07-16 | 浙江工业大学 | 一种基于Autoencoder-LSTM融合模型的交通流预测方法 |
| CN110516833A (zh) * | 2019-07-03 | 2019-11-29 | 浙江工业大学 | 一种基于特征提取的Bi-LSTM预测道路交通状态的方法 |
| CN110675959A (zh) * | 2019-08-19 | 2020-01-10 | 平安科技（深圳）有限公司 | 数据智能分析方法、装置、计算机设备及存储介质 |
| CN111178523A (zh) * | 2019-08-02 | 2020-05-19 | 腾讯科技（深圳）有限公司 | 一种行为检测方法、装置、电子设备及存储介质 |
| CN111914873A (zh) * | 2020-06-05 | 2020-11-10 | 华南理工大学 | 一种两阶段云服务器无监督异常预测方法 |
| CN112016734A (zh) * | 2020-04-07 | 2020-12-01 | 沈阳工业大学 | 基于lstm栈式自编码多模型荷预测方法及系统 |
| CN112257901A (zh) * | 2020-09-24 | 2021-01-22 | 北京航天测控技术有限公司 | 一种航天器的异常预警方法和装置 |
| CN112561215A (zh) * | 2021-02-24 | 2021-03-26 | 江苏铨铨信息科技有限公司 | 一种基于sae-lstm模型的大气雾霾预测方法 |
| CN113076975A (zh) * | 2021-03-17 | 2021-07-06 | 长江水利委员会长江科学院 | 一种基于无监督学习的大坝安全监测数据异常检测方法 |
-
2022
- 2022-01-04 CN CN202210004810.9A patent/CN114358422B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106656637A (zh) * | 2017-02-24 | 2017-05-10 | 国网河南省电力公司电力科学研究院 | 一种异常检测方法及装置 |
| CN110021165A (zh) * | 2019-03-18 | 2019-07-16 | 浙江工业大学 | 一种基于Autoencoder-LSTM融合模型的交通流预测方法 |
| CN110516833A (zh) * | 2019-07-03 | 2019-11-29 | 浙江工业大学 | 一种基于特征提取的Bi-LSTM预测道路交通状态的方法 |
| CN111178523A (zh) * | 2019-08-02 | 2020-05-19 | 腾讯科技（深圳）有限公司 | 一种行为检测方法、装置、电子设备及存储介质 |
| CN110675959A (zh) * | 2019-08-19 | 2020-01-10 | 平安科技（深圳）有限公司 | 数据智能分析方法、装置、计算机设备及存储介质 |
| CN112016734A (zh) * | 2020-04-07 | 2020-12-01 | 沈阳工业大学 | 基于lstm栈式自编码多模型荷预测方法及系统 |
| CN111914873A (zh) * | 2020-06-05 | 2020-11-10 | 华南理工大学 | 一种两阶段云服务器无监督异常预测方法 |
| CN112257901A (zh) * | 2020-09-24 | 2021-01-22 | 北京航天测控技术有限公司 | 一种航天器的异常预警方法和装置 |
| CN112561215A (zh) * | 2021-02-24 | 2021-03-26 | 江苏铨铨信息科技有限公司 | 一种基于sae-lstm模型的大气雾霾预测方法 |
| CN113076975A (zh) * | 2021-03-17 | 2021-07-06 | 长江水利委员会长江科学院 | 一种基于无监督学习的大坝安全监测数据异常检测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 崔正权等: "边坡工程：理论与实践最新发展"", 31 December 1999, 中国水电出版社, pages: 248 - 253 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117273391A (zh) * | 2023-11-07 | 2023-12-22 | 中航机载系统共性技术有限公司 | 一种复杂机载系统研制计划的管理方法、装置及电子设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114358422B (zh) | 2024-12-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107642347B (zh) | 页岩气压裂井下事故预测预警方法及装置 | |
| CN110686633A (zh) | 一种滑坡位移预测方法、装置及电子设备 | |
| CN114580263A (zh) | 基于知识图谱的信息系统故障预测方法及相关设备 | |
| CN110807014B (zh) | 一种基于交叉验证的台区数据异常甄别方法和装置 | |
| CN111767957A (zh) | 一种日志异常的检测方法、装置、存储介质及电子设备 | |
| CN116383645A (zh) | 一种基于异常检测的系统健康度智能监测评估方法 | |
| CN110348578A (zh) | 一种安全事件情景推演构建方法、系统、设备及介质 | |
| Siang et al. | Anomaly detection based on tiny machine learning: A review | |
| Qin et al. | Evaluation of goaf stability based on transfer learning theory of artificial intelligence | |
| CN115827257A (zh) | 用于处理器体系的cpu容量预测方法及其系统 | |
| CN114726581B (zh) | 一种异常检测方法、装置、电子设备及存储介质 | |
| CN107391230B (zh) | 一种确定虚拟机负载的实现方法和装置 | |
| CN114358422A (zh) | 研发进度的异常预测方法及装置、存储介质和电子设备 | |
| CN116028798A (zh) | 水害预警数据处理方法、装置、计算机设备和存储介质 | |
| CN111832636A (zh) | 基于特征组合的朴素贝叶斯岩相分类方法及装置 | |
| CN114861922A (zh) | 一种量子比特读取数据的分析方法、装置、设备及介质 | |
| CN114066261A (zh) | 一种电表的篡改检测方法、装置、计算机设备和存储介质 | |
| EP4254182A1 (en) | Method and apparatus of detecting running state of a virtual machine based on kernel density estimation | |
| CN117670366A (zh) | 风险预测方法、装置、设备、介质和程序产品 | |
| CN115238805B (zh) | 异常数据识别模型的训练方法及相关设备 | |
| CN113518983A (zh) | 用于处理大宽数据的过程控制工具 | |
| CN117349768A (zh) | 服装生产线异常检测模型的训练方法、异常检测方法 | |
| CN113157992B (zh) | 风机传感器数据重构方法、装置与计算机可读存储介质 | |
| CN115936217A (zh) | 一种研判商机成熟度的方法、装置、存储介质及电子设备 | |
| CN111027680A (zh) | 基于变分自编码器的监控量不确定性预测方法及系统 |
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 |