预测性维护功能 设备概览操作 登录数字孪生管理控制台。 单击左半侧目录“设备概览统计”。 图1 设备概览统计 预测设备台账操作 登录数字孪生管理控制台。 单击左半侧目录“预测设备台账”。 单击页面右侧页面内容左上方“添加”，进入“添加预测设备台账”页面。 图2 添加预测设备台账1

查看更多 →

查看预测外呼 管理员建立了预测外呼任务，业务代表请参考本章节，在座席外呼任务进行预测外呼的相关操作。 前提条件 管理员已为指定座席人员建立预测外呼任务，并启动任务。 座席处于空闲态，预测外呼配有外呼数据且已经启动。 操作步骤 外呼业务代表进入云联络中心，输入账号、密码登录。 选择“外呼任务

查看更多 →

degree)：返回ARMA模型的权值。 ARIMA_PRED(field, degree, derivativeOrder)：使用ARIMA预测新数据。 表1 参数说明 参数 是否必选 说明 默认值 field 是 数据在数据流中的字段名。 - degree 否 指定使用之前数据项的个数，当前实现中限定p

查看更多 →

使用 TICS 联邦预测进行新数据离线预测 场景描述 准备数据 发布数据集 创建联邦预测作业 发起联邦预测 父主题： 纵向联邦建模场景

查看更多 →

预测接口（文本标签） 分词模型 命名实体识别模型 父主题： 在线服务API

查看更多 →

分子属性预测（MPP） ADMET属性预测接口 ADMET属性预测接口(默认+自定义属性) 父主题： API（AI辅助药物设计）

查看更多 →

包含预测数据。“Data结构”说明请参见表2。 表2 Data结构说明 字段名 类型 描述 req_data ReqData结构数组 预测数据列表。 “ReqData”，是“Object”类型，表示预测数据，数据的具体组成结构由业务场景决定。使用该模式的模型，其自定义的推理代码中的预处理逻辑应能正确处理模式所定义的输入数据格式。

查看更多 →

“部署类型”：默认选择“在线部署”。 图5 导入模型 参数填写完成后，单击“立即创建”。页面自动跳转至AI应用列表页面，等待创建结果，预计2分钟左右。 当AI应用的状态变为“正常”时，表示创建成功。您可以在“AI应用”列表页面查看已导入的模型及其版本。 步骤5：部署上线 在“AI应用管理 > AI应用 >

查看更多 →

为云OBS中创建桶并上传数据。 本示例使用数据集基本信息可参见表1和表2。更多详细信息可见网址：https://www.kaggle.com/c/restaurant-revenue-prediction/data 表1 数据源的具体字段 字段名 含义 类型 描述 Id 餐厅id

查看更多 →

模型存放在OBS上的完整路径，包括模型结构和模型权值。 is_dl4j_model 是 是否是deeplearning4j的模型。 true代表是deeplearning4j，false代表是keras模型。 keras_model_config_path 是 模型结构存放在OBS上的完整路径。在keras中通过model

查看更多 →

在左侧导航树上依次选择“作业管理 > 联邦预测”，打开联邦预测作业页面。 在“联邦预测”页面，选择实时预测的Tab页，单击创建。 图1 创建作业 在弹出的对话框中编辑“作业名称”，选择“算法类型”。 选择“算法类型”之后，勾选“选择训练作业”列表中的某一训练作业，然后勾选“选择模型”列表中对应模型，再勾选

查看更多 →

GBDT PMML模型预测 概述 读取由scikit-learn等平台生产的GBDT的PMML模型文件，并对新的数据进行预测。当前只支持GBDT的分类模型。预测的结果包含预测的类别及其概率，以及一个包含各个类别，及其概率的详细信息字段。 输入 参数 子参数 参数说明 inputs

查看更多 →

用于表达呼出快慢的预测因子阈值，系统根据经验模型计算。 建议针对不同的项目类型以及拨测结果，预测阈值根据不同的平均通话时长进行配置，100秒以下的项目建议配置成70，100~140秒的项目建议配置40，140~180的项目配置成20。 座席利用率 最低呼损率 呼损率表示排队过程中挂机的呼叫数/用户的摘机的总呼叫数。

查看更多 →

模型存放在OBS上的完整路径，包括模型结构和模型权值。 is_dl4j_model 是 是否是deeplearning4j的模型。 true代表是deeplearning4j，false代表是keras模型。 keras_model_config_path 是 模型结构存放在OBS上的完整路径。在keras中通过model

查看更多 →

删除实时预测作业 删除实时预测作业 用户登录进入计算节点页面。 在左侧导航树上依次选择“作业管理 > 联邦预测”，打开联邦预测作业页面。 在“联邦预测”页面实时预测tab页，查找待删除的作业，单击“删除”。如果作业处于“部署完成“状态，需要单击“停止部署”后，方可删除。 删除操作无法撤销，请谨慎操作。

查看更多 →

对重试操作配置后，配置CPU配额和内存配额。执行批量预测作业时，会创建新容器来执行，这两个配额参数的值为创建新容器的CPU核数和内存大小，默认CPU核数为1，内存大小512M。 然后勾选“选择训练作业”列表中的某一训练作业，然后勾选“选择模型”列表中对应模型，最后单击“确定”按钮完成作业创建。

查看更多 →

0/{project_id}/hyg/{graph_name}/algorithm 表1 路径参数 参数 是否必选 类型 说明 project_id 是 String 项目ID。获取方法请参见获取项目ID。 graph_name 是 String 图名称。 请求参数 表2 请求Body参数 参数 是否必选 类型 说明

查看更多 →

创建联邦预测作业 企业A单击“联邦预测 > 批量预测 > 创建”按钮，进入联邦预测作业的创建页面。企业A需要通过“算法类型”、“训练作业”等筛选条件可以找到用于预测的模型，点选使用的模型后单击“确定”按钮即完成联邦预测作业的创建。 父主题： 使用TI CS 联邦预测进行新数据离线预测

查看更多 →

时序预测学件 创建项目 时序预测 父主题： 学件开发指南

查看更多 →

删除批量预测作业 删除批量预测作业 用户登录进入计算节点页面。 在左侧导航树上依次选择“作业管理 > 联邦预测”，打开联邦预测作业页面。 在“联邦预测”页面批量预测，查找待删除的作业，单击“删除”。 删除操作无法撤销，请谨慎操作。 图1 删除作业 父主题： 批量预测

查看更多 →

编辑批量预测作业 用户登录进入计算节点页面。 在左侧导航树上依次选择“作业管理 > 可信联邦学习”，打开可信联邦学习作业页面。 在“联邦预测”页面，选择批量预测的Tab页，找到待开发的作业，单击“开发”。 图1 开发作业 在弹出的对话框中编辑“选择模型”。只允许选择模型，其它作业参数暂时不支持修改。

查看更多 →