實(shí)時(shí)跨地點(diǎn)概率模擬方法與裝置制造方法
【專(zhuān)利摘要】本發(fā)明公開(kāi)了一種實(shí)時(shí)跨地點(diǎn)概率模擬方法與裝置。該方法允許多用戶在多地點(diǎn)進(jìn)行分布式“所見(jiàn)即所得”的概率模擬。該方法將一個(gè)問(wèn)題P投射到到k個(gè)子問(wèn)題空間，其中每個(gè)子空間至少有一個(gè)維度，然后對(duì)每個(gè)子問(wèn)題進(jìn)行與用戶的模型初始化和參數(shù)化過(guò)程不中斷的并行模擬。該方法采用“操作即模擬”和“批量生成批量計(jì)算”技術(shù)來(lái)進(jìn)行數(shù)據(jù)檢索調(diào)用，隨機(jī)數(shù)生成和模擬，并且上述過(guò)程是與用戶的模型初始化和參數(shù)化過(guò)程不中斷的并行進(jìn)行的。該裝置基于以往模型輸入輸出建立一個(gè)知識(shí)庫(kù)，從而增強(qiáng)數(shù)據(jù)可重復(fù)使用性。如果當(dāng)且僅當(dāng)模型的一部分被更新，該裝置只對(duì)受影響的模型部分進(jìn)行重復(fù)模擬，而固定未受影響的模型部分的輸入輸出。
【專(zhuān)利說(shuō)明】實(shí)時(shí)跨地點(diǎn)概率模擬方法與裝置
【技術(shù)領(lǐng)域】
[0001]該發(fā)明總體來(lái)說(shuō)與不確定性分析有關(guān)。特別的，該發(fā)明與概率模擬的效率提高有關(guān)。
【背景技術(shù)】
[0002]許多控制著復(fù)雜系統(tǒng)的特征，事件和過(guò)程不能很好地被確定性方法來(lái)認(rèn)識(shí)和理解。這是因?yàn)閷?duì)大多數(shù)真實(shí)系統(tǒng)而言，至少某些控制參數(shù)，過(guò)程和事件通常是隨機(jī)的和不被理解的。許多決策支持系統(tǒng)的目標(biāo)就是去識(shí)別和量化與某種觀點(diǎn)，計(jì)劃或設(shè)計(jì)有關(guān)的風(fēng)險(xiǎn)。在系統(tǒng)行為分析中引入不確定性被稱(chēng)作不確定性分析。不確定性分析幾乎與我們做的每個(gè)決定都有關(guān)系。我們經(jīng)常面對(duì)不確定性，模糊性和可變性。即使我們有前所未有的獲取信息的途徑，我們也不能準(zhǔn)確預(yù)測(cè)未來(lái)。計(jì)算機(jī)模擬，在這種情況下，是一種可以讓我們看到?jīng)Q策的所有可能結(jié)果并評(píng)估風(fēng)險(xiǎn)影響的方法，從而使得不確定性下的決策更加科學(xué)。在不確定性考量下模擬一個(gè)系統(tǒng)并且量化其風(fēng)險(xiǎn)，需要在計(jì)算中對(duì)不確定性進(jìn)行定量的分析。
[0003]許多模擬工具和方法實(shí)質(zhì)上還是基于確定性方法的，盡管它們看起來(lái)屬于不確定性方法。在一個(gè)基于確定性方法的模擬中，模型輸入由單個(gè)數(shù)值來(lái)表示(通常是“最佳估計(jì)值”或者是“三點(diǎn)估計(jì)值”，包括最佳值，最差值，和最可能值)。不幸的是，盡管此類(lèi)模擬能夠?qū)镜臋C(jī)制提供一定程度的解釋?zhuān)遣⒉贿m合用來(lái)做支持決策的預(yù)測(cè)，因?yàn)榇祟?lèi)模型沒(méi)能量化內(nèi)在的風(fēng)險(xiǎn)和不確定性。一個(gè)簡(jiǎn)單的例子是準(zhǔn)備一個(gè)項(xiàng)目的概預(yù)算。在解構(gòu)主義的框架下，一個(gè)項(xiàng)目依據(jù)WBS (任務(wù)分解結(jié)構(gòu))或商業(yè)功能被分解成若干子項(xiàng)目。每個(gè)子項(xiàng)目按照“最可能情況”來(lái)準(zhǔn)備概預(yù)算，然后整個(gè)項(xiàng)目的概預(yù)算就簡(jiǎn)單的是這些子項(xiàng)目概預(yù)算的加總。當(dāng)(子項(xiàng)目)的概率分布不是對(duì)稱(chēng)分布的時(shí)候，因?yàn)椤爸行臉O限定律”的存在，這種方法會(huì)產(chǎn)生有偏差的項(xiàng)目概預(yù)算。不幸的是，上述方法在很多行業(yè)都已經(jīng)成為標(biāo)準(zhǔn)。
[0004]而另一方面，概率模擬(也稱(chēng)為概率建模方法)，能夠更好的，符合一致性(coherently)原則的分析不確定性，并且反映統(tǒng)計(jì)學(xué)規(guī)則。概率模擬將一個(gè)真實(shí)系統(tǒng)抽象建模成一個(gè)或多個(gè)生成模型(generative models),并且模型內(nèi)元素彼此是隨機(jī)關(guān)聯(lián)的，最終系統(tǒng)的可能結(jié)果被以聚合方式模擬出來(lái)。概率模擬提供了一個(gè)分析和可視化復(fù)雜系統(tǒng)的有力框架，而這些復(fù)雜系統(tǒng)往往包含著來(lái)自于科學(xué)研究和日常生活中的大量數(shù)據(jù)。
[0005]定量的表達(dá)概率模擬的不確定性是可能的。在概率模擬過(guò)程中，通過(guò)將模型輸入表達(dá)為概率分布，來(lái)使不確定性得到精確的描述。如果一個(gè)系統(tǒng)的輸入是不確定的，那么對(duì)其未來(lái)結(jié)果的預(yù)測(cè)也會(huì)是不確定的。也就是說(shuō)，基于用概率分布表達(dá)的輸入的分析的結(jié)果也是概率分布。因此，雖然對(duì)一個(gè)不確定性系統(tǒng)的確定性模擬的結(jié)果可以被表達(dá)成某種泛泛的結(jié)論(比如:“如果我們建立這個(gè)水壩，那么此處三文魚(yú)可能會(huì)絕跡”)，對(duì)不確定性系統(tǒng)的不確定性模擬的結(jié)果則可以被表達(dá)成某種概率(比如:“如果我們建立這個(gè)水壩，那么此處三文魚(yú)絕跡的概率為20%”)。這樣一個(gè)結(jié)果(在上例中，三文魚(yú)絕跡的概率)通常對(duì)使用模擬結(jié)果的決策者更有用。
[0006]為了對(duì)被預(yù)測(cè)的系統(tǒng)結(jié)果的概率分布進(jìn)行計(jì)算，有必要將輸入中的不確定性傳遞(轉(zhuǎn)移)至輸出中的不確定性?，F(xiàn)在有很多傳遞不確定性的方法。其中一種將系統(tǒng)多方面的不確定性傳遞至其被預(yù)測(cè)的結(jié)果的方法是“蒙特卡羅模擬”(Monte Carlo Simulation)。在蒙特卡羅模擬中，對(duì)整個(gè)系統(tǒng)的模擬常常被重復(fù)很多次(比如1000次)。每次模擬都是等概率進(jìn)行的，并且都是對(duì)系統(tǒng)的完整實(shí)現(xiàn)。對(duì)每次實(shí)現(xiàn)，所有的隨機(jī)變量都被取樣(即按照某個(gè)隨機(jī)變量的概率分布函數(shù)產(chǎn)生一個(gè)隨機(jī)數(shù))。然后，整個(gè)系統(tǒng)按照時(shí)間進(jìn)行 模擬(對(duì)于給定的一組輸入變量)，這樣一來(lái)系統(tǒng)的結(jié)果就被計(jì)算出來(lái)了。這種方法的結(jié)果是大量獨(dú)立的不同的模擬結(jié)果，每個(gè)結(jié)果代表了一種可能的系統(tǒng)未來(lái)狀態(tài)(即系統(tǒng)會(huì)按照時(shí)間遵循一個(gè)可能的路徑)。這些獨(dú)立的系統(tǒng)實(shí)現(xiàn)被聚合成為概率分布來(lái)表達(dá)可能的系統(tǒng)結(jié)果。
[0007]上述過(guò)程看似簡(jiǎn)單，但在很多情形下卻效率低下。泛泛而言，一個(gè)概率模擬過(guò)程可以分成兩個(gè)主要步驟:建模和模擬。建模過(guò)程旨在重建真實(shí)問(wèn)題。用戶需要定義和參數(shù)化一系列的隨機(jī)變量以及隨機(jī)變量之間的運(yùn)算規(guī)則，包括算術(shù)運(yùn)算，邏輯運(yùn)算，矩陣運(yùn)算等等。在進(jìn)行模擬時(shí)，依照建模中定義的參數(shù)和運(yùn)算規(guī)則進(jìn)行計(jì)算并產(chǎn)生結(jié)果。傳統(tǒng)的概率模擬效率低下是因?yàn)樗鼘⒔：湍M兩個(gè)過(guò)程割裂開(kāi)來(lái)。對(duì)于一個(gè)傳統(tǒng)的概率模擬來(lái)說(shuō)，比如蒙特卡羅模擬，分析者首先對(duì)問(wèn)題建模并初始化一系列隨機(jī)數(shù)生成器。直到建模過(guò)程全部完成后模擬才可能開(kāi)始。接著，隨機(jī)數(shù)生成器會(huì)對(duì)每個(gè)模型變量產(chǎn)生一個(gè)隨機(jī)數(shù)實(shí)例，這些產(chǎn)生的隨機(jī)數(shù)被模型執(zhí)行，并且最終產(chǎn)生一個(gè)結(jié)果。這一過(guò)程叫做一次模擬試驗(yàn)(trial)。第二次模擬試驗(yàn)在第一次模擬試驗(yàn)結(jié)束后才會(huì)開(kāi)始。在這種情況下，模擬與建模式完全分開(kāi)的。
[0008]這種方法導(dǎo)致了很多現(xiàn)實(shí)問(wèn)題。對(duì)于簡(jiǎn)單模型，該方法運(yùn)行良好。但是面對(duì)有著數(shù)千，甚至數(shù)十萬(wàn)的隨機(jī)變量和可能更多運(yùn)算規(guī)則的復(fù)雜模型來(lái)說(shuō)，特別是當(dāng)今的復(fù)雜問(wèn)題，傳統(tǒng)方法變得不可忍受的低效。實(shí)時(shí)模擬幾乎是不可能的，這使得決策過(guò)程變得緩慢。另夕卜，對(duì)于“假設(shè)情景分析”(What-1f Scenario Analysis)來(lái)說(shuō)，當(dāng)只有模型的一部分被改變的時(shí)候，上述過(guò)程(隨機(jī)數(shù)生成和運(yùn)算過(guò)程)需要被全部重復(fù)，這顯然是一種浪費(fèi)計(jì)算資源的非直接成本。總之，傳統(tǒng)的概率模擬方法有如下缺陷:
[0009].建模與模擬過(guò)程彼此隔絕；
[0010].模擬效率主要取決于用戶使用的設(shè)備；質(zhì)量很難控制；
[0011].如果僅僅只有模型的一部分發(fā)生了改變，整個(gè)模型，包括未受影響的部分，也需要被重新計(jì)算，這對(duì)時(shí)間和系統(tǒng)資源都是一種浪費(fèi)；
[0012].很難在不同組織間交換風(fēng)險(xiǎn)模型和風(fēng)險(xiǎn)信息；或者是確保從別的來(lái)源地接收到的風(fēng)險(xiǎn)模型和風(fēng)險(xiǎn)信息的真實(shí)性；
[0013].建模和對(duì)風(fēng)險(xiǎn)信息的解釋需要如統(tǒng)計(jì)學(xué)家的專(zhuān)業(yè)人員的參與，而此類(lèi)專(zhuān)業(yè)人員并不是每個(gè)組織都具有的；
[0014].模型設(shè)置和建模過(guò)程的復(fù)雜性使得模擬成了一種“專(zhuān)業(yè)化”工作；在移動(dòng)設(shè)備上的傻瓜式的應(yīng)用是幾乎不可能的；
[0015].模擬和模擬后的深度分析之間缺乏集成；
[0016].目前的概率模擬方法缺乏可擴(kuò)展性(scalable)，因此不適用于大數(shù)據(jù)分析；
[0017].不同組織的風(fēng)險(xiǎn)模型彼此隔絕。在現(xiàn)存模擬框架下沒(méi)有可行方法來(lái)基準(zhǔn)比較某個(gè)企業(yè)的“風(fēng)險(xiǎn)程度”相對(duì)其它行業(yè)競(jìng)爭(zhēng)者的高低。
[0018]本發(fā)明介紹一種方法和裝置來(lái)實(shí)現(xiàn)對(duì)大型和復(fù)雜模型進(jìn)行實(shí)時(shí)的概率模擬，該方法和裝置基于兩個(gè)技術(shù)分別是“操作即模擬”(SAYO)和“批量生成批量計(jì)算”(BGBC)。該發(fā)明提出的方法將有可能完全改變概率模擬的用戶體驗(yàn)。
【發(fā)明內(nèi)容】

[0019]該發(fā)明介紹了一種方法和信息管理、分析與儲(chǔ)存裝置，即RISK (Real-timeInter-locational Simulation Kit,實(shí)時(shí)多地點(diǎn)模擬組件),通過(guò)采用流程優(yōu)化和云分布計(jì)算來(lái)達(dá)到實(shí)時(shí)跨地點(diǎn)和跨組織的概率模擬。該發(fā)明實(shí)現(xiàn)了跨地區(qū)團(tuán)隊(duì)之間的“所見(jiàn)即所得”式的模擬。
[0020]在其中一個(gè)實(shí)施例中，RISK將問(wèn)題P投射到k個(gè)子問(wèn)題空間，每個(gè)子問(wèn)題Pi內(nèi)嵌在一個(gè)維度為Hli的空間中。當(dāng)子問(wèn)題口1的Hli個(gè)變量被完整的參數(shù)化后，一個(gè)概率模擬將立刻可以在一個(gè)基于云的計(jì)算單位上執(zhí)行，而與此同時(shí)用戶可能仍在參數(shù)化其他子模型。當(dāng)所有子模型被定義和模擬完成后，模擬結(jié)果將被聚合，并被送回基于網(wǎng)絡(luò)的用戶界面。上述過(guò)程與用戶模型初始化和參數(shù)化的過(guò)程不中斷的同時(shí)并行執(zhí)行。
[0021]在另一個(gè)實(shí)施例中，RISK同步并行執(zhí)行用戶主導(dǎo)的模型參數(shù)化過(guò)程，以及不確定性和/或風(fēng)險(xiǎn)模型的數(shù)據(jù)檢索調(diào)用和/或隨機(jī)數(shù)生成(RNGs)過(guò)程。當(dāng)獲取至少一個(gè)模型輸入的分布參數(shù)后(參數(shù)化)，RISK首先檢測(cè)在隨機(jī)數(shù)數(shù)組數(shù)據(jù)庫(kù)DigitBank中是否儲(chǔ)存著來(lái)自于以前建模和模擬的，符合用戶此次定義的分布的隨機(jī)數(shù)數(shù)組(RNTs)。如果已有符合用戶定義的分布的隨機(jī)數(shù)數(shù)組，一個(gè)模型評(píng)估模塊會(huì)將這些隨機(jī)數(shù)數(shù)組移至一個(gè)臨時(shí)存儲(chǔ)空間或緩存空間，用以之后的計(jì)算使用。如果沒(méi)有符合用戶定義的分布等隨機(jī)數(shù)數(shù)組，模型評(píng)估模塊則會(huì)使用名為DigitSource的源隨機(jī)數(shù)來(lái)生成服從特定分布的隨機(jī)數(shù)，并將這些隨機(jī)數(shù)儲(chǔ)存在一個(gè)臨時(shí)存儲(chǔ)空間或緩存空間，用以之后的計(jì)算使用。上述過(guò)程與用戶模型初始化和參數(shù)化的過(guò)程不中斷的同步并行執(zhí)行。
[0022]在又另一個(gè)實(shí)施例中，系統(tǒng)會(huì)創(chuàng)建一個(gè)指針，該指針包含一條能夠?qū)⒂脩粽?qǐng)求映射到DigitSource或DigitBank中的特定地址的信息，用以進(jìn)行數(shù)據(jù)檢索調(diào)用和/或隨機(jī)數(shù)生成，并且將該指針和具體用戶或具體模型綁定，以提高信息可重復(fù)使用性，效率和速度。儲(chǔ)存在DigitSource中的真隨機(jī)數(shù)可以定期更新,但是特定用戶或特定模型的地址映射信息不會(huì)改變以確保一致性。上述過(guò)程與用戶模型初始化和參數(shù)化的過(guò)程不中斷的同步并行執(zhí)行。
[0023]在又另一個(gè)實(shí)施例中，如果當(dāng)僅僅模型的一部分更新了，系統(tǒng)將未受影響的模型的部分所對(duì)應(yīng)的輸入和輸出固定不變，如用于模擬的隨機(jī)數(shù)數(shù)組和模擬結(jié)果，而只對(duì)受影響的模型部分重復(fù)模擬過(guò)程。最終結(jié)果將被合成以反映模型的更新的影響。
[0024]在又另一個(gè)實(shí)施例中，模型平臺(tái)允許不同地點(diǎn)或不同組織的多用戶在RISK上進(jìn)行跨地點(diǎn)跨組織的“所見(jiàn)即所得”式的模擬。用戶可以啟動(dòng)一個(gè)與另一個(gè)地點(diǎn)的用戶的協(xié)同模擬項(xiàng)目。不同用戶對(duì)模型的動(dòng)作會(huì)被實(shí)時(shí)通過(guò)計(jì)算機(jī)網(wǎng)絡(luò)，如互聯(lián)網(wǎng)(internet)，送至RISK。RISK隨后會(huì)按照之前描述的流程執(zhí)行隨機(jī)數(shù)生成，隨機(jī)數(shù)數(shù)組檢索調(diào)用，模型評(píng)估，以及對(duì)模型或子模型的云計(jì)算等。如果模型的狀態(tài)有任何更新，其結(jié)果將被RISK合成，然后實(shí)時(shí)返回給基于網(wǎng)絡(luò)的用戶界面。由此，用戶能夠在發(fā)出動(dòng)作之后立刻看到他們發(fā)起的動(dòng)作以及相應(yīng)的模型狀態(tài)的變化。同時(shí)，讀取，控制和授權(quán)等操作如授予或撤銷(xiāo)修改和只讀權(quán)限，覆蓋結(jié)果，移動(dòng)或刪除模型，創(chuàng)造數(shù)據(jù)庫(kù)等，可以按照預(yù)先規(guī)定的安全權(quán)限政策由系統(tǒng)管理員進(jìn)行操作。
[0025]在又另一個(gè)實(shí)施例中，系統(tǒng)實(shí)現(xiàn)了與模型相關(guān)的統(tǒng)計(jì)信息的分享與基準(zhǔn)比較。一旦某個(gè)模擬項(xiàng)目在RISK上完成，用戶可以選擇通過(guò)提交相關(guān)信息來(lái)公布模擬結(jié)果，包括模型的背景信息，模型輸入，模型信息和模型模擬輸出。系統(tǒng)集成用戶提交的信息并計(jì)算用戶感興趣的統(tǒng)計(jì)指標(biāo)，包括但不限于:模型輸入(如模型變量的概率密度函數(shù)roF)，模型輸入輸出的均值，標(biāo)準(zhǔn)差，百分位，最大值與最小值等，模型輸入輸出的數(shù)量，模擬時(shí)間，領(lǐng)域或行業(yè)(如金融業(yè)，零售業(yè)，建筑產(chǎn)業(yè)，學(xué)術(shù)項(xiàng)目等等)，地理信息(如公司地點(diǎn))。對(duì)于某些具體模擬項(xiàng)目，如針對(duì)項(xiàng)目進(jìn)度計(jì)劃的PERT模擬(計(jì)劃評(píng)審技術(shù))，可計(jì)算的統(tǒng)計(jì)指標(biāo)可能包括一些該領(lǐng)域人員感興趣的指標(biāo)如項(xiàng)目周期，項(xiàng)目周期不確定性等等。該特點(diǎn)使得任何用戶都有機(jī)會(huì)將他/她的模擬結(jié)果與所有提交到RISK的結(jié)果進(jìn)行基準(zhǔn)比較。一個(gè)典型的例子是通過(guò)項(xiàng)目進(jìn)度計(jì)劃PERT模擬反映出的項(xiàng)目風(fēng)險(xiǎn)程度的百分位，或者是被模擬股票的風(fēng)險(xiǎn)排名。一系列的過(guò)濾器可以幫助用戶只集中關(guān)注感興趣的領(lǐng)域或方面。
[0026]在又另一個(gè)實(shí)施例中，嵌入在系統(tǒng)中的統(tǒng)計(jì)分析模塊和流程能夠?qū)崿F(xiàn)后臺(tái)深度統(tǒng)計(jì)分析。用戶可以將具體的統(tǒng)計(jì)分析請(qǐng)求，如考慮概率的回歸分析和時(shí)間序列分析，提交至系統(tǒng)，系統(tǒng)會(huì)利用提交的模型信息如模型輸入和模擬輸出來(lái)在后臺(tái)進(jìn)行深度統(tǒng)計(jì)分析，并實(shí)時(shí)將結(jié)果返回給用戶。如果某些統(tǒng)計(jì)分析請(qǐng)求超出系統(tǒng)能力，請(qǐng)求將被送至經(jīng)驗(yàn)豐富的統(tǒng)計(jì)學(xué)家來(lái)進(jìn)行后臺(tái)分析，并最終將結(jié)果返回給用戶。該分析服務(wù)由系統(tǒng)提供。分割原始問(wèn)題可以把具體和敏感的用戶信息在有人參與的流程中隱藏起來(lái)。
[0027]在又另一個(gè)實(shí)施例中，用戶界面不僅僅包括個(gè)人電腦，還包括移動(dòng)設(shè)備如智能手機(jī)，平板電腦，手表，谷歌眼鏡等等。模型參數(shù)化過(guò)程可以由不同方式實(shí)現(xiàn)，如觸摸屏，掃描，聲控等等。模擬過(guò)程將在云端服務(wù)器進(jìn)行，結(jié)果以數(shù)字，圖表，顏色，聲音等形式返回給用戶界面。
【專(zhuān)利附圖】

【附圖說(shuō)明】
[0028]為了更好的理解本發(fā)明，下列繪圖與一個(gè)詳細(xì)的關(guān)于本發(fā)明的描述一起提供。繪圖按照下述排列引用:
[0029]圖1是本發(fā)明提出的模擬問(wèn)題分類(lèi)說(shuō)明
[0030]圖2是本發(fā)明提出的模擬時(shí)間的四個(gè)組成部分
[0031]圖3是在本發(fā)明提出的流程和方法的基礎(chǔ)上對(duì)不同類(lèi)型問(wèn)題的模擬流程
[0032]圖4是實(shí)現(xiàn)本發(fā)明提出方法的裝置的系統(tǒng)架構(gòu)
[0033]圖5是典型的基于RISK的“所見(jiàn)即所得”式的模擬的流程圖
[0034]圖6是關(guān)于本發(fā)明提出的模擬方法的描述
[0035]圖7是關(guān)于只改變模型某一部分情況的圖解
[0036]圖8是跨組織和跨地點(diǎn)模擬的圖解
[0037]圖9是云基準(zhǔn)比較的圖解
[0038]圖10是一個(gè)項(xiàng)目進(jìn)度計(jì)劃例子的圖解(可拆分問(wèn)題)
[0039]圖11是有里程碑的項(xiàng)目進(jìn)度計(jì)劃被模擬的圖解
[0040]圖12是跨地區(qū)模擬的一個(gè)例子
[0041]圖13是沒(méi)有里程碑的項(xiàng)目進(jìn)度計(jì)劃被模擬的圖解
[0042]圖14是關(guān)于“在險(xiǎn)價(jià)值”(VaR)隨機(jī)數(shù)數(shù)組的描述
[0043]圖15是在移動(dòng)設(shè)備上進(jìn)行“在險(xiǎn)價(jià)值”(VaR)實(shí)時(shí)計(jì)算的圖解【具體實(shí)施方式】
[0044]所有本發(fā)明提及的科學(xué)和技術(shù)名詞具有能夠被該領(lǐng)域具有一般技能的專(zhuān)業(yè)人員所理解的一致含義。如若有具體說(shuō)明發(fā)生沖突，應(yīng)以本發(fā)明提供的描述為準(zhǔn)。RISK是一種方法和信息管理、分析與儲(chǔ)存裝置，其通過(guò)采用流程優(yōu)化和云分布計(jì)算來(lái)達(dá)到實(shí)時(shí)跨地點(diǎn)和跨組織的概率模擬。它實(shí)現(xiàn)了跨地區(qū)團(tuán)隊(duì)之間的“所見(jiàn)即所得”式的模擬。
[0045]一個(gè)模型是對(duì)真實(shí)世界問(wèn)題P的重建?；赗ISK，一個(gè)模型可以被定義為M個(gè)隨機(jī)變量的集合(M>=2)，以及隨機(jī)變量之間的運(yùn)算規(guī)則，記為F，包含算術(shù)運(yùn)算，邏輯運(yùn)算，矩陣運(yùn)算等等。模擬結(jié)果記為R，則有:
[0046]R = F (P)( I )
[0047]參照?qǐng)D1，按照具體的F，即一個(gè)問(wèn)題100怎樣被建模，RISK將問(wèn)題分為可拆分問(wèn)題101或不可拆分問(wèn)題102 ;可拆分問(wèn)題101可被進(jìn)一步分為完全可拆分105和不完全可拆分106。
[0048]參照?qǐng)D1，可拆分問(wèn)題101意味著原始問(wèn)題要么是可聚合的103，要么是嵌套的104。可聚合指的是原始問(wèn)題空間可以被投射到至少兩個(gè)彼此獨(dú)立的子空間。從實(shí)用角度上看，這意味著可聚合問(wèn)題至少有兩個(gè)彼此獨(dú)立的部分(子問(wèn)題)，每個(gè)子問(wèn)題能夠被獨(dú)立的和并行的模擬，其結(jié)果稍后可以被合成成最終結(jié)果。假設(shè)一個(gè)問(wèn)題P有M個(gè)變量:
[0049]P= {x1； x2, , xM}(2)
[0050]換言之，P屬于一個(gè)維度為M的問(wèn)題空間:
[0051]
【權(quán)利要求】
1.一個(gè)方法，包括: 將模擬問(wèn)題分為可拆分問(wèn)題和不可拆分問(wèn)題，其中可拆分問(wèn)題能被繼續(xù)分為完全可拆分問(wèn)題和不完全可拆分問(wèn)題； 通過(guò)一個(gè)信息裝置來(lái)執(zhí)行模型參數(shù)化，隨機(jī)數(shù)生成，模擬和合成，其中所說(shuō)的模型參數(shù)化不僅僅包括定義模型變量的概率密度函數(shù)，還包括檢索調(diào)用來(lái)自于之前隨機(jī)數(shù)生成過(guò)程的已有結(jié)果，其中所說(shuō)的隨機(jī)數(shù)生成包括從一個(gè)數(shù)據(jù)庫(kù)中調(diào)用按照給定概率密度函數(shù)的隨機(jī)數(shù)數(shù)組，以及利用來(lái)自于例如量子隨機(jī)數(shù)生成器產(chǎn)生的真隨機(jī)數(shù)并通過(guò)隨機(jī)數(shù)生成方法如馬科夫鏈蒙特卡羅來(lái)生成的服從用戶定義的任意概率密度函數(shù)的隨機(jī)數(shù)，其中所說(shuō)的執(zhí)行包括: 對(duì)所有類(lèi)型的問(wèn)題包括可拆分問(wèn)題和不可拆分問(wèn)題，與用戶參數(shù)化過(guò)程同步并行的執(zhí)行隨機(jī)數(shù)生成任務(wù)； 將不完全可拆分問(wèn)題P投射到k個(gè)子空間，其中2 ( k〈m，其中m是模型變量的個(gè)數(shù)，然后與用戶參數(shù)化過(guò)程同步并行的執(zhí)行隨機(jī)數(shù)生成任務(wù)和子模擬任務(wù)，其中某個(gè)模擬只有在某個(gè)子模型的全部變量都被參數(shù)化完成，并且對(duì)應(yīng)的隨機(jī)數(shù)數(shù)組都已被實(shí)現(xiàn)后才能被執(zhí)行；在k個(gè)子模型都被模擬完成后，k個(gè)子模擬的結(jié)果被合成以產(chǎn)生最終結(jié)果； 將完全可拆分問(wèn)題P投射到k個(gè)子空間，其中2 < k=m，其中m是模型變量的個(gè)數(shù)，然后與用戶參數(shù)化過(guò)程同步并行的執(zhí)行隨機(jī)數(shù)生成任務(wù)和子模擬任務(wù)，其中某個(gè)模擬只有在至少兩個(gè)變量被參數(shù)化完成，并且對(duì)應(yīng)的隨機(jī)數(shù)數(shù)組被實(shí)現(xiàn)后，或至少一個(gè)變量被參數(shù)化完成，并且對(duì)應(yīng)的隨機(jī)數(shù)數(shù)組被實(shí)現(xiàn)來(lái)更新之前子模擬的結(jié)果之后才能被執(zhí)行；每次子模擬的結(jié)果都被新參數(shù)化的變量更新，直到所有m個(gè)模型變量都被模擬完成以產(chǎn)生最終結(jié)果；如果當(dāng)僅僅模型的一個(gè)部分被改變，固定未受影響的模型部分的模型信息保持不變，如用在模擬中的隨機(jī)數(shù)數(shù) 組和模擬結(jié)果，而只對(duì)受影響的模型部分重復(fù)上述的過(guò)程；合成結(jié)果以反映模型的更新。
2.一個(gè)計(jì)算機(jī)執(zhí)行的方法，包括: 通過(guò)一個(gè)基于網(wǎng)絡(luò)的用戶界面定義模型，其中所說(shuō)的模型包括對(duì)模型變量的運(yùn)算規(guī)則包括算術(shù)運(yùn)算，邏輯運(yùn)算和矩陣運(yùn)算等； 通過(guò)一個(gè)基于網(wǎng)絡(luò)的用戶界面參數(shù)化模型變量，其中所說(shuō)的參數(shù)化包括定義模擬變量的概率密度函數(shù)和/或調(diào)用之前隨機(jī)數(shù)生成的已有結(jié)果； 通過(guò)一個(gè)計(jì)算機(jī)網(wǎng)絡(luò)，如互聯(lián)網(wǎng)，與模型參數(shù)化過(guò)程同步并行的將隨機(jī)數(shù)生成請(qǐng)求發(fā)送至一個(gè)遠(yuǎn)端的云服務(wù)器； 與模型參數(shù)化同步并行的在遠(yuǎn)端云服務(wù)器上生成隨機(jī)數(shù)數(shù)組，其中所說(shuō)的生成隨機(jī)數(shù)包括在遠(yuǎn)端服務(wù)器上調(diào)用之前隨機(jī)數(shù)生成的已有結(jié)果，其中所說(shuō)的隨機(jī)數(shù)生成還包括在遠(yuǎn)端服務(wù)器上利用來(lái)自于例如量子隨機(jī)數(shù)生成器產(chǎn)生的真隨機(jī)數(shù)并通過(guò)隨機(jī)數(shù)生成方法如馬科夫鏈蒙特卡羅來(lái)生成的服從用戶定義的任意概率密度函數(shù)的隨機(jī)數(shù)； 將模型和生成的隨機(jī)數(shù)數(shù)組送至遠(yuǎn)端服務(wù)器上的一個(gè)臨時(shí)存儲(chǔ)或緩存中，該臨時(shí)存儲(chǔ)或緩存會(huì)接著將模型和隨機(jī)數(shù)數(shù)組送至一個(gè)計(jì)算單元，例如，基于云的網(wǎng)格計(jì)算設(shè)施，在其中，模擬將被執(zhí)行，其中所說(shuō)的模擬包括對(duì)完全可拆分問(wèn)題的m-Ι個(gè)子模擬，其中m為模型變量的個(gè)數(shù)，或?qū)Σ煌耆刹鸱謫?wèn)題的k個(gè)子模擬，其中k是子模型的個(gè)數(shù)；并在一個(gè)合成模塊上合成子模擬的結(jié)果以產(chǎn)生最終結(jié)果；通過(guò)一個(gè)基于網(wǎng)絡(luò)的用戶界面將最終結(jié)果存儲(chǔ)在一個(gè)永久性儲(chǔ)存上，如遠(yuǎn)端服務(wù)器上的數(shù)據(jù)庫(kù)，并將存儲(chǔ)信息和結(jié)果一并返回給基于網(wǎng)絡(luò)的用戶界面； 通過(guò)一個(gè)基于網(wǎng)絡(luò)的用戶界面將模型更新請(qǐng)求發(fā)送至遠(yuǎn)端服務(wù)器上，其中所說(shuō)的更新包括對(duì)模型變量的修改以及模型本身，其中如果當(dāng)僅僅模型的一個(gè)部分被改變，固定未受影響的模型部分的模型信息保持不變，如用在模擬中的隨機(jī)數(shù)數(shù)組和模擬結(jié)果，而只對(duì)受影響的模型部分重復(fù)上述的過(guò)程；合成結(jié)果以反映模型的更新；通過(guò)一個(gè)基于網(wǎng)絡(luò)的用戶界面將最終結(jié)果存儲(chǔ)在一個(gè)永久性存儲(chǔ)設(shè)備上，如遠(yuǎn)端服務(wù)器上的數(shù)據(jù)庫(kù)，并將存儲(chǔ)信息和結(jié)果一并返回給基于網(wǎng)絡(luò)的用戶界面； 通過(guò)給遠(yuǎn)端服務(wù)器提交相關(guān)信息，來(lái)公布被批準(zhǔn)的結(jié)果，包括模型的一般背景信息，模型輸入，模型信息和模型模擬輸出，其中提交的信息和感興趣的計(jì)算統(tǒng)計(jì)指標(biāo)將被聚合，包括但不限于:模型輸入的概率密度函數(shù)，模型輸入輸出的均值和標(biāo)準(zhǔn)差，模型輸入輸出的最大值與最小值，模型輸入輸出的百分位值，模型輸入輸出的數(shù)量，模擬時(shí)間，領(lǐng)域或行業(yè)(如金融業(yè)，零售業(yè)，建筑產(chǎn)業(yè)，學(xué)術(shù)項(xiàng)目等等)，地理信息(如公司地點(diǎn));并且將提交的結(jié)果與所有之前提交的結(jié)果進(jìn)行基準(zhǔn)比較，其中一系列的過(guò)濾器可以幫助用戶只集中關(guān)注感興趣的領(lǐng)域或方面； 將高級(jí)統(tǒng)計(jì)分析請(qǐng)求發(fā)送至遠(yuǎn)端服務(wù)器，其中請(qǐng)求可能被統(tǒng)計(jì)分析模塊或有人干預(yù)的過(guò)程來(lái)處理，其中所說(shuō)的統(tǒng)計(jì)分析可能很難用已有的商用軟件來(lái)實(shí)現(xiàn)；并將統(tǒng)計(jì)分析結(jié)果返回給用戶界面； 允許不同地點(diǎn)或來(lái)自于不同組織的用戶依照事先授予的權(quán)限在同一模型上同一時(shí)間執(zhí)行上述描述的部分或全部過(guò)程，其中所說(shuō)的權(quán)限包括檢視，修改，覆蓋，移動(dòng)，刪除模型，為模型創(chuàng)建數(shù)據(jù)庫(kù)等等，這些權(quán)限由系統(tǒng)管理員按照事先決定的安全政策來(lái)授予或取消。
3.一個(gè)裝置，包括: 一個(gè)遠(yuǎn)端數(shù)據(jù)庫(kù)其中包括通過(guò)物理過(guò)程如量子儀器生成的真隨機(jī)數(shù)；` 一個(gè)儲(chǔ)存有用戶之前參數(shù)化的模型，模型輸入和模型模擬輸出的遠(yuǎn)端數(shù)據(jù)庫(kù)； 一個(gè)將建模，參數(shù)化和更新任務(wù)分配給其它模塊并且將完整問(wèn)題分割成一組子問(wèn)題以實(shí)現(xiàn)即時(shí)和并行計(jì)算的模型評(píng)價(jià)模塊； 一個(gè)儲(chǔ)存有子模型和對(duì)應(yīng)變量的臨時(shí)存儲(chǔ)服務(wù)器； 一個(gè)可以完成被分配的計(jì)算任務(wù)的基于云的計(jì)算網(wǎng)格； 一個(gè)將子問(wèn)題的模擬結(jié)果合成的合成模塊； 一個(gè)在用戶允許后將輸入和/或模擬結(jié)果聚合，并依請(qǐng)求基準(zhǔn)比較和展示特定模型，組織，行業(yè)的不確定性和風(fēng)險(xiǎn)水平的基準(zhǔn)比較模塊； 一個(gè)以表格或點(diǎn)擊形式為基礎(chǔ)的，能被移植至移動(dòng)設(shè)備的，包括但不限于:智能手機(jī)，平板電腦，手表，計(jì)算器，谷歌眼鏡等的，基于網(wǎng)絡(luò)的用戶界面。
【文檔編號(hào)】G06F19/00GK103559380SQ201310461382
【公開(kāi)日】2014年2月5日 申請(qǐng)日期:2013年9月27日 優(yōu)先權(quán)日:2013年6月28日
【發(fā)明者】杜晶 申請(qǐng)人:杜晶