谁能帮忙分析多个角色分配占有率问题,急急急急急急急!

linjin8866 2013-08-13 02:34:41
现有表T1,
订单金额|角色1占有率(%)、角色2、角色3、角色4|角色1比率、角色2、角色3、角色4
100 40 30 20 10 100 100 100 100

1.四个角色占有率之和应等于100%
2.默认情况下所有角色的比率都是100%
3.计算角色所占金额 = 订单金额 * 角色占有率 * 角色比率

现在有个问题,比如上面的一条订单信息,角色4的所占金额是 10,如果该角色只要6元,把其余的4元按照占有率分配到其他3个角色,此时角色4的比率变成了60,在角色占有率不变的情况下,应该如何计算其他角色的比率?

占有率是不能变动的,只能变动角色的比率

计算的结果应该是 订单金额 * 角色1占有率 * 角色1比率 + 订单金额 * 角色2占有率 * 角色2比率 +...
+ 订单金额 * 角色5占有率 * 角色5比率 = 1000
...全文
218 2 打赏 收藏 转发到动态 举报
写回复
用AI写文章
2 条回复
切换为时间正序
请发表友善的回复…
发表回复
linjin8866 2013-08-13
  • 打赏
  • 举报
回复
问题已经搞定,感谢楼上的朋友!
Shawn 2013-08-13
  • 打赏
  • 举报
回复
其实,楼主的公式相对来说也不复杂。问题是:已知其中一个,再确定其它3个,还需要一定的算法,例如: #1.剩下3个尽量让角色比率平均,在平均的基础上达到最后相加100% #2.剩下3个的分配方式,楼主再给出分配公式
内容概要:本文围绕基于CNN-BiLSTM-Attention混合神经网络模型的电力负荷预测展开研究,提出一种结合卷积神经网络(CNN)、双向长短期记忆网络(BiLSTM)与注意力机制(Attention)的深度学习框架,并通过Python代码实现高精度的短期与超短期负荷预测。该模型充分利用CNN对局部特征的提取能力,捕捉负荷数据中的周期性与趋势性模式;借助BiLSTM对时间序列前后向依赖关系的建模能力,增强对动态变化的感知;并通过Attention机制自适应地聚焦关键历史时刻,提升预测准确性。文中详细阐述了数据预处理、模型结构设计、训练流程及超参数调优方法,并在真实负荷数据集上进行了实验验证,结果表明该混合模型相比传统单一模型和其他基准模型具有更优的预测性能,尤其在应对非线性、非平稳负荷波动方面表现突出。; 适合人群:具备一定Python编程能力和机器学习基础,从事电力系统分析、能源管理、智能电网或时序预测相关工作的科研人员、工程师及高校研究生。; 使用场景及目标:①应用于电网调度、电力市场出清、需求响应管理等场景下的精细化负荷预测;②为研究人员提供一套完整的、可复现的深度学习负荷预测代码框架,推动AI技术在能源领域的落地应用;③帮助理解CNN、BiLSTM与Attention模块之间的协同机制及其在时序建模中的集成方式。; 阅读建议:建议读者结合所提供的Python代码进行动手实践,重点掌握数据归一化、滑动窗口构造、模型搭建与训练技巧,并尝试在不同地区、不同季节的负荷数据上进行迁移测试,以深入理解模型泛化能力与调参策略。

22,296

社区成员

发帖
与我相关
我的任务
社区描述
MS-SQL Server 疑难问题
社区管理员
  • 疑难问题社区
  • 尘觉
加入社区
  • 近7日
  • 近30日
  • 至今
社区公告
暂无公告

试试用AI创作助手写篇文章吧