ansys數(shù)據(jù)建模的案例
大數(shù)據(jù)建模、分析、挖掘技術(shù)
隨著《關(guān)于印發(fā)促進(jìn)大數(shù)據(jù)發(fā)展行動(dòng)綱要的通知》發(fā)布，各類型數(shù)據(jù)呈現(xiàn)出了指數(shù)級(jí)增長(zhǎng)，數(shù)據(jù)成了每個(gè)組織的命脈。今天所產(chǎn)生的數(shù)據(jù)比過去幾年所產(chǎn)生的數(shù)據(jù)大好幾個(gè)數(shù)量級(jí)，企業(yè)有了能夠輕松訪問和分析數(shù)據(jù)以提高性能的新機(jī)會(huì)，如何從數(shù)據(jù)中獲取價(jià)值顯得尤為重要，也是大數(shù)據(jù)相關(guān)技術(shù)急需要解決的問題。大數(shù)據(jù)是需要新處理模式才能具有更強(qiáng)的決策力、洞察發(fā)現(xiàn)力和流程優(yōu)化能力來適應(yīng)海量、高增長(zhǎng)率和多樣化的信息資產(chǎn)。數(shù)據(jù)建模不僅僅是任意組織數(shù)據(jù)結(jié)構(gòu)和關(guān)系，還必須與最終用戶的需求和問題聯(lián)系起來，并提供指導(dǎo)，幫助確保正確的數(shù)據(jù)正確使用正確的方法獲得正確的結(jié)果。
為響應(yīng)科研及工作人員需求，根據(jù)《國務(wù)院關(guān)于推行終身職業(yè)技能培訓(xùn)制度的意見》提出的“緊跟新技術(shù)、新職業(yè)發(fā)展變化，建立職業(yè)分類動(dòng)態(tài)調(diào)整機(jī)制，加快職業(yè)標(biāo)準(zhǔn)開發(fā)工作”要求，中國管理科學(xué)研究院現(xiàn)代教育研究所（http://www.pdhb.org.cn）聯(lián)合北京龍騰亞太教育咨詢有限公司特舉辦“大數(shù)據(jù)建模、分析、挖掘技術(shù)應(yīng)用研修班”。本次培訓(xùn)采用實(shí)戰(zhàn)培訓(xùn)模式。
本次培訓(xùn)由北京龍騰亞太教育咨詢有限公司承辦并進(jìn)行相關(guān)費(fèi)用收取及發(fā)票開具。具體通知如下：
一、時(shí)間安排:
2023年8月18日 — 2023年8月22日 上海（同時(shí)轉(zhuǎn)線上直播）
（18日?qǐng)?bào)到發(fā)放上課材料，19日-22日上課）
二、培訓(xùn)目標(biāo)
1.掌握大數(shù)據(jù)建模分析與使用方法。
2.掌握大數(shù)據(jù)平臺(tái)技術(shù)架構(gòu)。
3.掌握國內(nèi)外主流的大數(shù)據(jù)分析與BI商業(yè)智能分析解決方案。
4.掌握大數(shù)據(jù)分析在搜索引擎、廣告服務(wù)推薦、電商數(shù)據(jù)分析、金融客戶分析方面的應(yīng)用。
5.掌握主流的基于大數(shù)據(jù)Hadoop和Spark、R的大數(shù)據(jù)分析平臺(tái)架構(gòu)和實(shí)際應(yīng)用。
展開 基于大數(shù)據(jù)模型的數(shù)字孿生建模方法
圖4 遷移學(xué)習(xí)與機(jī)器學(xué)習(xí)的差異
2.大數(shù)據(jù)建模的未來發(fā)展趨勢(shì)
從技術(shù)發(fā)展的角度來講，大數(shù)據(jù)建模一方面將會(huì)呈現(xiàn)特征工程與特征學(xué)習(xí)算法相結(jié)合的趨勢(shì)，提升大數(shù)據(jù)建模的準(zhǔn)確性；另一方面將會(huì)越來越多地探索無監(jiān)督學(xué)習(xí)的算法性能提升和應(yīng)用，解決數(shù)據(jù)標(biāo)記的問題同時(shí)，賦予機(jī)器真正的類人學(xué)習(xí)行為。
從技術(shù)應(yīng)用的角度來講，由于物理建模在進(jìn)行復(fù)雜系統(tǒng)建模是存在的不準(zhǔn)確的問題，將會(huì)越來越多地將新一代人工智能的算法與數(shù)控機(jī)床相結(jié)合，以開辟新的技術(shù)路線，提升預(yù)測(cè)的穩(wěn)定性與準(zhǔn)確性，使得機(jī)床具有更好知識(shí)學(xué)習(xí)、積累與應(yīng)用的能力。
因此，大數(shù)據(jù)建模一方面本身的內(nèi)涵和外延將會(huì)得到極大的擴(kuò)展和深化，另一方面，其將會(huì)在數(shù)控機(jī)床領(lǐng)域得到全面、廣泛而深入的應(yīng)用。
展開 智能數(shù)據(jù)建模軟件DTEmpower 新版本發(fā)布
天洑智能數(shù)據(jù)建模軟件DTEmpower在2025R1版本基礎(chǔ)上，新增大量更新和Bug修復(fù)，持續(xù)提升軟件性能，改善用戶體驗(yàn)。
現(xiàn)DTEmpower 2025R2版已正式上線天洑軟件官網(wǎng)，歡迎下載體驗(yàn)！
R2版本相比R1主要更新：
一、智能檢測(cè)功能
新增智能檢測(cè)功能，可自動(dòng)對(duì)數(shù)據(jù)進(jìn)行白噪聲、平穩(wěn)性、季節(jié)性和異方差性檢測(cè)。在輸出結(jié)果中，針對(duì)不同的檢測(cè)方法，智能檢測(cè)提供了對(duì)應(yīng)的檢測(cè)結(jié)論、P值、差分建議以及后續(xù)的時(shí)序預(yù)測(cè)算法推薦，無需用戶進(jìn)行繁瑣配置。
此外，點(diǎn)擊不同的檢測(cè)方法，下方會(huì)展示檢測(cè)方法對(duì)應(yīng)的繪圖，包括原始數(shù)據(jù)與移動(dòng)平均圖、自相關(guān)圖、差分時(shí)序圖和譜密度圖等，提升檢測(cè)結(jié)果的可讀性。
二、時(shí)序數(shù)據(jù)展示新增繪圖設(shè)置模塊
在時(shí)序數(shù)據(jù)展示頁面，引入繪圖設(shè)置模塊，用戶可靈活配置，包含變量選擇、標(biāo)簽格式、時(shí)間范圍、時(shí)間間隔等參數(shù)，便于洞察數(shù)據(jù)規(guī)律及報(bào)告編寫。
三、時(shí)序預(yù)測(cè)算法升級(jí)
■ 新增autoARIMA，ARIMA算法配置分為自動(dòng)模式和專業(yè)模式，用戶可以根據(jù)需要進(jìn)行配置；
■ 新增周期自動(dòng)識(shí)別與計(jì)算能力，無需用戶手動(dòng)輸入周期；
■ 優(yōu)化超參數(shù)配置體驗(yàn)，通過簡(jiǎn)化參數(shù)邏輯、降低調(diào)參門檻；
■ 豐富了時(shí)序算法的可視化后處理功能，用戶可結(jié)合圖像預(yù)覽進(jìn)行調(diào)參，提升算法的準(zhǔn)確性。
四、時(shí)序模型對(duì)比功能
新增時(shí)序模型對(duì)比功能，用戶可在同一界面比較多個(gè)時(shí)序模型，以評(píng)估不同模型的擬合和預(yù)測(cè)精度。這一功能簡(jiǎn)化了模型選擇過程，提高了預(yù)測(cè)分析的效率和準(zhǔn)確性。
五、數(shù)據(jù)庫導(dǎo)入數(shù)據(jù)集功能接入
在支持導(dǎo)入xlsx和csv文件的基礎(chǔ)上，新增支持從數(shù)據(jù)庫(包括MySQL、達(dá)夢(mèng)數(shù)據(jù)庫)導(dǎo)入數(shù)據(jù)集。拓寬了數(shù)據(jù)集的來源，滿足了更多業(yè)務(wù)場(chǎng)景的需求。
展開 數(shù)據(jù)建模平臺(tái) - DTEmpower V2.0 正式發(fā)布！
如何快速的從工業(yè)數(shù)據(jù)中建立模型，并將其作為知識(shí)進(jìn)行積淀和應(yīng)用，以提高自身業(yè)務(wù)的競(jìng)爭(zhēng)力，是工業(yè)企業(yè)非常關(guān)注的話題。人工智能和數(shù)據(jù)挖掘技術(shù)的發(fā)展雖然一定程度上降低了數(shù)據(jù)建模的上手難度，但是建立高質(zhì)量的模型并與自身工業(yè)具體場(chǎng)景的結(jié)合，仍然存在著一定的門檻。在此背景之下，南京天洑軟件有限公司通過多年自主研發(fā)，推出了數(shù)據(jù)建模平臺(tái)DTEmpower，致力于降低工業(yè)數(shù)據(jù)建模的門檻。通過在DTEmpower V1.0基礎(chǔ)之上深入研發(fā)，DTEmpower V2.0現(xiàn)正式發(fā)布！
圖 1 DTEmpower V2.0正式發(fā)布！
此次DTEmpower V2.0相對(duì)于V1.0主要具備6大亮點(diǎn)：
1）新增智能數(shù)據(jù)清理工具，異常點(diǎn)識(shí)別更精準(zhǔn)；
2）針對(duì)工業(yè)設(shè)計(jì)小數(shù)據(jù)集的智能訓(xùn)練算法；
3）在數(shù)據(jù)建模流程中方便的融合機(jī)理模型；
4）與天洑智能優(yōu)化平臺(tái)AIPOD的無縫集成，輕松開展優(yōu)化；
5）PHM擴(kuò)展工具箱，搭配預(yù)警模型運(yùn)行模塊，實(shí)現(xiàn)早期預(yù)警；
6）軟件優(yōu)化，運(yùn)行更穩(wěn)定，使用更便捷。
展開 
智能數(shù)據(jù)建模軟件DTEmpower 2025R3版本發(fā)布
天洑智能數(shù)據(jù)建模軟件DTEmpower在2025R2版本基礎(chǔ)上，新增大量更新和Bug修復(fù)，持續(xù)提升軟件性能，改善用戶體驗(yàn)。
現(xiàn)DTEmpower 2025R3版已正式上線天洑軟件官網(wǎng)，歡迎下載體驗(yàn)！
R3版本主要更新：
一、新增趨勢(shì)分析功能
數(shù)據(jù)管理模塊新增時(shí)間序列分析板塊，可從中進(jìn)入趨勢(shì)、突變分析功能。該功能內(nèi)置曼肯德爾檢驗(yàn)等分析方法，專門用于檢驗(yàn)時(shí)間序列數(shù)據(jù)中的趨勢(shì)特征，適配于金融、氣象、工業(yè)時(shí)序分析等場(chǎng)景。
支持用戶根據(jù)數(shù)據(jù)特性自定義選擇時(shí)間變量、序列變量及顯著性水平，滿足不同分析精度需求；執(zhí)行分析后，可在統(tǒng)計(jì)分析頁面一鍵查看包含趨勢(shì)分析圖、序列 / 時(shí)間變量匯總、假設(shè)、結(jié)果與結(jié)論的完整報(bào)告，高效完成時(shí)間序列數(shù)據(jù)的趨勢(shì)研判。
二、新增突變分析功能
數(shù)據(jù)管理模塊的時(shí)間序列分析板塊同步新增突變分析功能，集成曼 - 肯德爾檢驗(yàn)（序貫）核心算法，區(qū)別于整體趨勢(shì)檢驗(yàn)，可精準(zhǔn)追蹤趨勢(shì)演變過程并識(shí)別突變點(diǎn)，廣泛適配氣候?qū)W、水文學(xué)、生態(tài)學(xué)等突變檢測(cè)場(chǎng)景。
支持自定義選擇時(shí)間變量、序列變量及顯著性水平，執(zhí)行分析后可在統(tǒng)計(jì)分析頁面查看包含突變分析圖、UF-UB 統(tǒng)計(jì)量折線圖、序列 / 時(shí)間變量匯總、假設(shè)與結(jié)果的完整報(bào)告，精準(zhǔn)定位時(shí)間序列數(shù)據(jù)的異常突變節(jié)點(diǎn)。
三、新增質(zhì)量控制功能
數(shù)據(jù)管理模塊新增質(zhì)量控制板塊，內(nèi)置 I-MR 圖質(zhì)量控制核心方法，由單值控制圖（I 圖）和移動(dòng)極差控制圖（MR 圖）組成，適配連續(xù)變量的過程穩(wěn)定性監(jiān)控與異常識(shí)別。
展開 《使用R的線性回歸：數(shù)據(jù)建模導(dǎo)論，第二版》
《使用R的線性回歸：數(shù)據(jù)建模導(dǎo)論，第二版》以非正式教程風(fēng)格呈現(xiàn)了基礎(chǔ)數(shù)據(jù)建模技術(shù)之一。學(xué)習(xí)如何通過詳細(xì)的逐步流程預(yù)測(cè)測(cè)量數(shù)據(jù)的系統(tǒng)輸出，以開發(fā)、訓(xùn)練和測(cè)試可靠的回歸模型。關(guān)鍵建模和編程概念通過R語言直觀描述。
Deep Learning with PyTorch Quick Start Guide: Learn to train and deploy neural network models in Python
2018年12月24日 |ISBN：1789534092 |英文 |160頁 |真實(shí)（PDF，EPUB）+代碼 |40 MB
通過構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)和循環(huán)神經(jīng)網(wǎng)絡(luò)，深入了解深度學(xué)習(xí)和PyTorch，適用于圖像分類、遷移學(xué)習(xí)和自然語言處理等實(shí)際應(yīng)用場(chǎng)景。
主要特點(diǎn)
清晰簡(jiǎn)潔的解釋
提供深度學(xué)習(xí)模型
的重要見解 關(guān)鍵概念的實(shí)際演示
書籍簡(jiǎn)介
PyTorch 功能強(qiáng)大且易于學(xué)習(xí)。它提供先進(jìn)功能，如支持多處理器、分布式和并行計(jì)算。這本書是想利用 PyTorch 探索深度學(xué)習(xí)、利用其強(qiáng)大能力的人士的絕佳入門。
本書將向你介紹PyTorch深度學(xué)習(xí)庫，并教你如何輕松訓(xùn)練深度學(xué)習(xí)模型。我們將使用PyTorch搭建深度學(xué)習(xí)環(huán)境，然后訓(xùn)練和部署不同類型的深度學(xué)習(xí)模型，如CNN、RNN和自編碼器。
你將學(xué)習(xí)如何通過調(diào)整超參數(shù)來優(yōu)化模型，以及如何在多處理器和分布式環(huán)境中使用 PyTorch。我們將討論長(zhǎng)短期記憶網(wǎng)絡(luò)（LSTMs），并構(gòu)建一個(gè)用于預(yù)測(cè)文本的語言模型。
展開 【新聞】智能數(shù)據(jù)建模軟件 - DTEmpower 2022R1版本發(fā)布
圖2 全新的表格前處理操作
流程搭建效率大幅提升
復(fù)用性強(qiáng)是拖拽式建模的天然優(yōu)勢(shì)。在2022R1版本中，通過追加控件級(jí)、流程級(jí)以及項(xiàng)目級(jí)等不同層級(jí)的復(fù)用功能，幫助用戶實(shí)現(xiàn)模型搭建效率的大幅提升。
圖3 追加三類層級(jí)的復(fù)用功能
圖4 自定義工具箱
數(shù)據(jù)建模全流程完善
新版本中，作為DTEmpower核心功能的數(shù)據(jù)建模模塊也實(shí)現(xiàn)了適應(yīng)性升級(jí)。從流程起始節(jié)點(diǎn)的數(shù)據(jù)載入到最后的模型存儲(chǔ)，每一個(gè)老面孔都有新功能、新交互、新體驗(yàn)。
圖5 數(shù)據(jù)建模全流程完善
數(shù)據(jù)庫直連功能支持
DTEmpower 2022R1版本新增對(duì)數(shù)據(jù)庫直連功能的支持，并面向工業(yè)場(chǎng)景常用的時(shí)序型數(shù)據(jù)庫進(jìn)行了適配。無需SQL或編碼，簡(jiǎn)單快捷的數(shù)據(jù)源管理模塊助力數(shù)據(jù)分析人員的一天從連接DTEmpower數(shù)據(jù)源開始。
圖6 數(shù)據(jù)庫直連功能支持
除上述主要功能更新外，DTEmpower 2022R1還提供了中英文語言的切換，即開即用的客戶端啟動(dòng)方式，基于交叉驗(yàn)證的回歸訓(xùn)練模型精度顯示，基于風(fēng)險(xiǎn)閾值的異常點(diǎn)批量篩選等大量新功能，并通過引入多種容錯(cuò)機(jī)制進(jìn)一步提升了軟件的穩(wěn)定性。
DTEmpower更多詳細(xì)介紹及軟件試用申請(qǐng)，請(qǐng)點(diǎn)擊“DTEmpower——智能數(shù)據(jù)建模軟件”，前往查閱。
展開 智能數(shù)據(jù)建模軟件DTEmpower 2023R2新版本功能介紹
DTEmpower是由天洑軟件自主研發(fā)的一款通用的智能數(shù)據(jù)建模軟件，致力于幫助工程師及工科專業(yè)學(xué)生，利用工業(yè)領(lǐng)域中的仿真、試驗(yàn)、測(cè)量等各類數(shù)據(jù)進(jìn)行挖掘分析，建立高質(zhì)量的數(shù)據(jù)模型，實(shí)現(xiàn)快速設(shè)計(jì)評(píng)估、實(shí)時(shí)仿真預(yù)測(cè)、系統(tǒng)參數(shù)預(yù)警、設(shè)備狀態(tài)監(jiān)測(cè)等工程應(yīng)用。軟件內(nèi)置有圖形化、零編碼的數(shù)據(jù)分析建模環(huán)境，圍繞數(shù)據(jù)清理、特征生成、敏感性分析和模型訓(xùn)練等環(huán)節(jié)提供豐富的AI算法，提供從模型搭建到模型管理應(yīng)用的一站式解決方案，學(xué)習(xí)門檻低、模型質(zhì)量高，零基礎(chǔ)用戶也能快速挖掘得到優(yōu)秀的數(shù)據(jù)模型。
一、DTEmpower功能特色
● 豐富且先進(jìn)的智能算法
● 便利的圖形化數(shù)據(jù)建模流程搭建界面
● 數(shù)據(jù)分析建模全流程覆蓋
● 專業(yè)且靈活的數(shù)據(jù)可視化探索
● 低學(xué)習(xí)門檻
● 國產(chǎn)自主可控
二、版本更新介紹
DTEmpower 2023R2在軟件功能和操作體驗(yàn)上均實(shí)現(xiàn)了升級(jí)：
● 模型可視化功能豐富
● 時(shí)序數(shù)據(jù)分析算法提升
● 用戶自定義數(shù)據(jù)處理算法支持
● UI交互界面升級(jí)
圖1 智能數(shù)據(jù)建模軟件DTEmpower 2023R2啟動(dòng)界面
1）模型可視化功能豐富
DTEmpower 2023R2版本豐富了對(duì)數(shù)據(jù)清理、數(shù)據(jù)聚類、數(shù)據(jù)降維、數(shù)據(jù)變換等多種算法模型的可視化功能。此類數(shù)據(jù)預(yù)處理及特征工程算法的正確使用可以大幅提升數(shù)據(jù)建模的精度效果。
展開 理論加案例，一文讀懂數(shù)據(jù)分析中的分類建模
一、什么是分類
分類，是數(shù)據(jù)建模領(lǐng)域的重要分支，你每天也都會(huì)接觸。
手機(jī)垃圾短信過濾，就是分類算法給短信打的標(biāo)簽，比如0代表正常短信，1代表垃圾短信。
在醫(yī)學(xué)領(lǐng)域，根據(jù)影像檢查判斷腫瘤是良性還是惡性。在工業(yè)領(lǐng)域，根據(jù)設(shè)備工作特征做故障診斷。在材料領(lǐng)域，根據(jù)配方快速預(yù)測(cè)新材料的特性是否符合要求。
前面這些例子大多是二分類，即只有兩個(gè)標(biāo)簽，更細(xì)的還有多分類。
比如電子郵件分為正常郵件、廣告郵件、垃圾郵件或釣魚郵件。貸款風(fēng)險(xiǎn)評(píng)估，分類為高風(fēng)險(xiǎn)中風(fēng)險(xiǎn)低風(fēng)險(xiǎn)。工廠的質(zhì)量控制，分類為一級(jí)品、二級(jí)品以及廢品。
二、分類算法
分類算法的核心邏輯是找到數(shù)據(jù)中特征與標(biāo)簽之間的映射關(guān)系。簡(jiǎn)單來說，就是找到一個(gè)“函數(shù)”，根據(jù)輸入數(shù)據(jù)的特征，準(zhǔn)確地判斷數(shù)據(jù)所屬的類別。
根據(jù)算法原理和實(shí)現(xiàn)方式，分類算法可以分為線性算法，非線性算法和集成學(xué)習(xí)算法。這三類算法分別適合不同的建模場(chǎng)景，訓(xùn)練出的模型復(fù)雜度一般也越來越高。
針對(duì)每一大類，數(shù)據(jù)建模軟件DTEmpower也內(nèi)置了多種算法。
比如線性算法里的邏輯回歸算法Logistic，它的優(yōu)點(diǎn)是簡(jiǎn)單高效計(jì)算成本低，且可解釋性強(qiáng)，比如你能通過模型看出某個(gè)特征的重要性。
但線性算法更適合特征與目標(biāo)變量之間存在線性關(guān)系的場(chǎng)景。所謂線性關(guān)系，就是因變量y可以寫成y=ax1+bx2+cx3...這種形式。
非線性分類算法里的比較著名的KNN，K近鄰算法。它的優(yōu)點(diǎn)是原理簡(jiǎn)單且能處理非線性數(shù)據(jù)，對(duì)異常值不敏感。但缺點(diǎn)就是計(jì)算效率低，處理大數(shù)據(jù)時(shí)比較慢，因此也更適合數(shù)據(jù)量不大且數(shù)據(jù)集維度不高的情況。
集成學(xué)習(xí)算法里，RandomForest隨機(jī)森林算法很有代表性，它最顯著的優(yōu)點(diǎn)是抗過擬合能力強(qiáng)。
所謂過擬合，指的是模型在訓(xùn)練數(shù)據(jù)上表現(xiàn)非常好，精度很高。
展開 【技術(shù)】天洑數(shù)據(jù)建模實(shí)施案例集錦(7) - 玻璃模具快速設(shè)計(jì)
--------------The end--------------
您可能感興趣的文章
【技術(shù)】天洑數(shù)據(jù)建模實(shí)施案例集錦（1）- 電廠脫硝系統(tǒng)的優(yōu)化控制
【技術(shù)】天洑數(shù)據(jù)建模實(shí)施案例集錦（2）- 燃料電池?zé)峁芾砜焖僭u(píng)估
【技術(shù)】天洑數(shù)據(jù)建模實(shí)施案例集錦（3）- 風(fēng)力機(jī)輪轂強(qiáng)度快速評(píng)估
【技術(shù)】天洑數(shù)據(jù)建模實(shí)施案例集錦（4） - 用戶用電量時(shí)序預(yù)測(cè)
【技術(shù)】天洑數(shù)據(jù)建模實(shí)施案例集錦（5）- 變壓器繞組溫度預(yù)警
【技術(shù)】天洑數(shù)據(jù)建模實(shí)施案例集錦（6）- 船體型線智能設(shè)計(jì)
天洑最新動(dòng)態(tài)
1. 如果你夠?qū)嵙Γ孕艑懗鲞壿嬊逦母韶浳模裟芗狱c(diǎn)小幽默則風(fēng)味更佳，快加入我們的寫手行列吧，葉輪機(jī)械、汽車、航空航天、船舶海事等行業(yè)技術(shù)文章、軟件開發(fā)類文章、人工智能新技術(shù)、碼農(nóng)日常均可。我們的投稿郵箱：info@njtf.cn，投稿時(shí)郵件標(biāo)題請(qǐng)寫為“天洑投稿+文章題目+你的筆名+你的微信號(hào)”。
2.天洑招聘崗位如下：C++軟件開發(fā)工程師；求解器算法工程師；數(shù)字孿生算法工程師；CFD 開發(fā)工程師；有限元開發(fā)工程師；CFD仿真分析工程師；AI算法工程師；網(wǎng)格算法工程師等。崗位具體要求請(qǐng)點(diǎn)擊天洑軟件2022年人才招聘信息，應(yīng)聘人員請(qǐng)將簡(jiǎn)歷投至info@njtf.cn郵箱。
3.天洑誠招代理商，詳情請(qǐng)點(diǎn)擊【招聘】天洑軟件誠招銷售代理商。
展開 【產(chǎn)品】智能數(shù)據(jù)建模軟件DTEmpower 2023R1新版本功能介紹
對(duì)此，DTEmpower 2023R1版本推出了一鍵式、零基礎(chǔ)、可定制的向?qū)?em>建模模塊，幫助用戶快速上手，并過渡到數(shù)據(jù)建模專家。
圖7 一鍵完成數(shù)據(jù)挖掘全過程
圖8 可過渡至專業(yè)建模模式
圖9 支持行業(yè)專屬的數(shù)據(jù)挖掘工具定制
DTEmpower更多詳細(xì)介紹及軟件試用申請(qǐng)，請(qǐng)點(diǎn)擊“DTEmpower——智能數(shù)據(jù)建模軟件”，前往查閱。
第三屆“天洑杯”數(shù)據(jù)建模大賽圓滿收官
2025年5月22日，第三屆“天洑杯”數(shù)據(jù)建模大賽在江蘇南京圓滿收官。在為期四周的線上賽中，共有來自全國61所高校及企業(yè)的81支隊(duì)伍參與角逐，共8支隊(duì)伍進(jìn)入決賽。
本屆大賽由清華大學(xué)王凌教授、南京信息職業(yè)技術(shù)學(xué)院何淼教授、南京工業(yè)職業(yè)技術(shù)大學(xué)胡光永教授、天洑軟件首席聯(lián)絡(luò)官/文化官馮克列、天洑軟件常州子公司副總經(jīng)理王浩和天洑軟件高級(jí)研發(fā)專家陳博士擔(dān)任評(píng)委。
8支隊(duì)伍從選題意義、建模流程和展望建議等角度對(duì)自選題進(jìn)行了闡述，評(píng)委從研究?jī)?nèi)容、專業(yè)性、創(chuàng)新性等方面對(duì)作品進(jìn)行評(píng)審并打分。現(xiàn)場(chǎng)氛圍活躍熱烈，極具專業(yè)性與啟發(fā)性。
綜合線上初賽與線下答辯得分，最終各隊(duì)伍得分和排名公示如下：
在5月23日的第七屆“仿真優(yōu)化+工業(yè)人工智能”國產(chǎn)工業(yè)軟件研討會(huì)暨2025年天洑軟件用戶大會(huì)現(xiàn)場(chǎng)，嘉賓分別為獲獎(jiǎng)隊(duì)伍頒獎(jiǎng)。
本屆“天洑杯”數(shù)據(jù)建模大賽由江蘇省人工智能學(xué)會(huì)和江蘇省工業(yè)軟件產(chǎn)業(yè)鏈聯(lián)盟主辦，天洑軟件承辦，總獎(jiǎng)金超10萬元。
大賽旨在促進(jìn)數(shù)據(jù)分析建模技術(shù)的推廣和發(fā)展，培養(yǎng)一批具有用數(shù)據(jù)思維解決復(fù)雜問題能力的優(yōu)秀人才，推動(dòng)高水平人工智能交叉學(xué)科人才隊(duì)伍建設(shè)。大賽鼓勵(lì)參賽選手立足于自身專業(yè)背景和工程實(shí)踐，結(jié)合數(shù)據(jù)科學(xué)與人工智能相關(guān)的前沿理論知識(shí)，碰撞出實(shí)際問題解決方案的新火花。
感謝全國各地高校/企業(yè)的積極支持，恭喜獲獎(jiǎng)的隊(duì)伍！未獲獎(jiǎng)的隊(duì)伍也請(qǐng)?jiān)俳釉賲?，積極備戰(zhàn)明年的比賽。期待下屆與您不見不散！
展開 【產(chǎn)品】智能數(shù)據(jù)建模軟件 - DTEmpower 2022R2版本新功能詳解
DTEmpower是由天洑軟件自主研發(fā)的一款通用的智能數(shù)據(jù)建模軟件，提供了從模型搭建到模型管理應(yīng)用的一站式解決方案，讓用戶可以聚焦于業(yè)務(wù)而不是疲于數(shù)據(jù)分析，充分發(fā)揮數(shù)據(jù)的價(jià)值。相比于上一個(gè)版本，DTEmpower 2022R2在軟件功能和操作體驗(yàn)上均實(shí)現(xiàn)了升級(jí)，具體包括：
新增時(shí)間序列工具包；
新增軟件啟動(dòng)歡迎頁；
優(yōu)化數(shù)據(jù)可視化交互式配置；
優(yōu)化大數(shù)據(jù)集上傳及加載性能。
圖1 智能數(shù)據(jù)建模軟件DTEmpower 2022R2正式發(fā)布
新增時(shí)間序列工具包
新版本算法工具箱新增一系列應(yīng)用于時(shí)間序列分析的工具節(jié)點(diǎn)，完成了包含差分整合移動(dòng)平均自回歸模型ARIMA、指數(shù)平滑ES等線性時(shí)間序列預(yù)測(cè)算法的集成，可實(shí)現(xiàn)完整的時(shí)間序列數(shù)據(jù)預(yù)處理、算法建模、預(yù)測(cè)應(yīng)用等工作，進(jìn)一步拓展了用戶的使用場(chǎng)景。
圖2 時(shí)序預(yù)處理：數(shù)據(jù)集時(shí)間切片、缺失值填補(bǔ)、重采樣等功能一鍵觸達(dá)
圖3 時(shí)序預(yù)測(cè)算法：集成6類線性時(shí)間序列預(yù)測(cè)算法，搭配交互式超參配置及超參優(yōu)化
圖4 時(shí)序模型應(yīng)用：支持參數(shù)預(yù)測(cè)及置信區(qū)間可視化、模型更新、模型調(diào)用等一站式解決
新增軟件啟動(dòng)歡迎頁
為降低新用戶上手難度、優(yōu)化軟件使用體驗(yàn)，新版本DTEmpower客戶端推出了啟動(dòng)歡迎頁，其中內(nèi)置用戶使用幫助、示例項(xiàng)目模板、歷史項(xiàng)目快速打開以及舊版本項(xiàng)目自動(dòng)升級(jí)等功能。
展開 【技術(shù)】天洑數(shù)據(jù)建模實(shí)施案例集錦（4） - 用戶用電量時(shí)序預(yù)測(cè)
這會(huì)增加用電量預(yù)測(cè)的建模難度。
2. 電網(wǎng)短期用電量既具有波動(dòng)性又具有非線性特征，這會(huì)降低用電量的預(yù)測(cè)精度。
3. 傳統(tǒng)的用電量預(yù)測(cè)方法在挖掘種類多、體量大、緯度高和生成速度快的用電大數(shù)據(jù)時(shí)存在一定的局限性，難以準(zhǔn)確把握用戶的用電量關(guān)聯(lián)因素及變化規(guī)律。
解決方案：基于DTEmpower的時(shí)序預(yù)測(cè)建模實(shí)戰(zhàn)
為了對(duì)用戶用電量進(jìn)行精準(zhǔn)預(yù)測(cè)，并為智能配用電提供數(shù)據(jù)模型支撐，本案例基于DTEmpower數(shù)據(jù)建模平臺(tái)中的時(shí)序預(yù)測(cè)功能模塊（如圖1），采用數(shù)據(jù)驅(qū)動(dòng)的方法建立用戶用電量的預(yù)測(cè)模型（如圖2）。
圖1 DTEmpower不僅提供了一站式的數(shù)據(jù)建模解決方案，通過簡(jiǎn)單的節(jié)點(diǎn)拖拽即可搭建完整的建模流程；還集成了ARIMA、SARIMA、TBATS等常見的時(shí)序預(yù)測(cè)算法，滿足用戶對(duì)時(shí)序預(yù)測(cè)建模需求的同時(shí)，掃清了數(shù)據(jù)驅(qū)動(dòng)技術(shù)在實(shí)際工業(yè)應(yīng)用中落地的一大障礙
圖2 基于DTEmpower的用戶用電量預(yù)測(cè)建模過程，通過5個(gè)節(jié)點(diǎn)的連接即可搭建完整的時(shí)序預(yù)測(cè)模型，最終模型對(duì)t+1時(shí)刻預(yù)測(cè)值的R2指標(biāo)為94.27%
1. 【時(shí)序變量設(shè)定】節(jié)點(diǎn)可以設(shè)置時(shí)間變量、預(yù)測(cè)變量和外源變量三類：時(shí)間變量為時(shí)序模型的對(duì)應(yīng)時(shí)間索引列，預(yù)測(cè)變量為時(shí)序模型用于預(yù)測(cè)的變量，外源變量為影響預(yù)測(cè)變量的其他變量。
2. 【時(shí)序預(yù)處理】節(jié)點(diǎn)完成對(duì)時(shí)序數(shù)據(jù)校驗(yàn)：由于時(shí)序模型訓(xùn)練算法對(duì)于數(shù)據(jù)集有比較嚴(yán)格的限制，如連續(xù)采樣且時(shí)間間隔均勻等，因此為了避免后續(xù)算法節(jié)點(diǎn)運(yùn)行出錯(cuò)，需要結(jié)合【時(shí)序預(yù)處理】節(jié)點(diǎn)對(duì)數(shù)據(jù)進(jìn)行校驗(yàn)和預(yù)處理。
應(yīng)用價(jià)值
提前預(yù)知用戶用電量的變化
通過時(shí)序預(yù)測(cè)的方法，精確快速的預(yù)測(cè)用戶用電量的變化情況，為合理的電力輸送及調(diào)度提供模型支撐。
展開 【技術(shù)】天洑數(shù)據(jù)建模實(shí)施案例集錦(6) - 船體型線智能設(shè)計(jì)
同時(shí)為了提高代理模型精度，綜合采用HDDV高維可視化、HierarchicalStratify分層分類、ROD異常點(diǎn)清理以及AIAgent智能訓(xùn)練算法等多種核心技術(shù)用以輔助船體型線的智能化設(shè)計(jì)，目前這些核心技術(shù)已經(jīng)集成在天洑自研的數(shù)據(jù)建模軟件平臺(tái)DTEmpower之中。
圖1 船型智能優(yōu)化設(shè)計(jì)解決方案
1. 借助于參數(shù)化建模工具提取母型的幾何特征，并利用CFD仿真工具得到用于數(shù)據(jù)建模的仿真數(shù)據(jù)集；
2. 考慮到CFD工具的運(yùn)行速度限制導(dǎo)致生成的數(shù)據(jù)集規(guī)模通常較小，這會(huì)影響數(shù)據(jù)模型的精度。因此提出了一系列的提升方案，包括DTEmpower中集成的
HDDV高維可視化
、
HierarchicalStratify分層分類
、
ROD異常點(diǎn)清理
以及
AIAgent智能訓(xùn)練算法
等關(guān)鍵技術(shù)，用以提升代理模型精度
；
3. 在相關(guān)船型設(shè)計(jì)數(shù)據(jù)集上的建模結(jié)果表明，AIAgent智能訓(xùn)練算法相較于常見的開源算法具有顯著優(yōu)勢(shì)，可使模型的R2指標(biāo)從常見算法的83%提高到94%；
4. 用代理模型替換CFD仿真工具可使單個(gè)算例的評(píng)估時(shí)長(zhǎng)由小時(shí)級(jí)別縮短到秒級(jí)，這為基于大量算例的智能優(yōu)化奠定基礎(chǔ)。并且借助于一體化的設(shè)計(jì)平臺(tái)，能夠?qū)崿F(xiàn)船型設(shè)計(jì)的自動(dòng)化和智能化。
應(yīng)用價(jià)值
縮短船型設(shè)計(jì)的周期，提高設(shè)計(jì)效率
通過基于代理模型優(yōu)化的設(shè)計(jì)方法能夠在較短時(shí)間內(nèi)評(píng)估優(yōu)化上萬種設(shè)計(jì)方案，并且通過智能優(yōu)化算法能夠找到較優(yōu)的設(shè)計(jì)方案。
展開 