会员中心
搜索
登录
注册

解决方案

数字化转型通用方案行业方案安全方案大数据人工智能物联网行业展望自动控制其他

产品|技术

白皮书产品介绍技术介绍技术创新模型算法

政策|规范

政策规范行动计划

电子书

电子书课件

报告|论文

报告模板论文

案例|钢铁行业能源智能导航系统

本案例以河南省最大的钢铁企业安阳钢铁（以下简称安钢）为场景，以构建钢铁行业工业互联网平台为契机，先行对包括煤气/蒸汽/压空等介质进行数字化监控与智能化调度升级改造，开发满足安钢场景的能源资源智能化平衡调配相关应用功能，从而推动安钢在能源资源运营有效性方面得到显著提升。

  • 2022-11-28
  • 阅读573

中国智能制造软件路在何方？

中国、美国、日本和德国等主要制造强国均已将制造业升级提升至国家战略层面，相关政策文件包括中国的《中国制造2025》、美国的《先进制造业国家战略计划》、日本的《社会5.0战略》和德国的《”工业4.0“战略计划》等。

  • 2022-11-24
  • 阅读617

CMMM|智能制造能力成熟度评估手册(2022)

CMMM | 智能制造能力成熟度评估手册(2022)

  • 2022-11-25
  • 阅读940

1—10月我国软件业务收入84214亿元同比增长10%

1—10月份，我国软件和信息技术服务业（以下简称软件业）运行态势平稳向好，软件业务收入增速小幅回升，利润总额增长加快，软件业务出口平稳增长。

  • 2022-11-24
  • 阅读992

机器学习知识点全面总结（有监督+无监督）

简单的归纳就是，是否有监督（supervised），就看输入数据是否有标签（label）。输入数据有标签，则为有监督学习；没标签则为无监督学习。

  • 2022-11-23
  • 阅读567

时序模型prophet的简单介绍

prophet是一个专门用来处理时间序列数据的模型。 prophet的基本原理是：

  • 2022-11-21
  • 阅读509

12篇顶会论文，深度学习时间序列预测经典方案汇总

早期的时间序列预测主要模型是诸如ARIMA这样的单序列线性模型。这种模型对每个序列分别进行拟合。在ARIMA的基础上，又提出了引入非线性、引入外部特征等的优化。然而，ARIMA类模型在处理大规模时间序列时效率较低，并且由于每个序列分别独立拟合，无法共享不同序列存在的相似规律。深度学习模型在NLP、CV等领域取得了成功应用后，也被逐渐引入到解决时间序列预测问题中。通过不同序列共享一个深度学习模型，让模型能从多个序列中学到知识，并且提升了在大规模数据上的求解效率。

  • 2022-11-21
  • 阅读539

分解学习+对比学习实现更清晰的时间序列预测建模

基于深度学习的时间序列预测方法一般采用端到端的方式训练模型，将原始的时间序列通过网络映射到一个表示，再基于这个表示进行预测。然而，这种方法将时间序列的所有信息映射成一个向量，这个向量耦合了很多不同维度的信息，容易造成过拟合，对序列中噪声的敏感程度也更高。

  • 2022-11-21
  • 阅读532