【JSP笔记】日期计算|页面结构|sql字段求和

本文介绍了如何使用Java进行日期格式化与计算,并通过示例展示了如何在SQL中实现字段求和,同时分享了一个简单的前后端分离的新闻发布系统的实现思路。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

1、关于日期的计算,这几天总结的,应该差不多了吧。

 String str="2007-8-3 12:40:08";
 SimpleDateFormat df=new SimpleDateFormat("yyyy-MM-dd HH:mm:ss"); //创建日期时间格式
 java.util.Date myDate=df.parse(str);       //定义 日期时间型 变量 myDate
 out.println(myDate); //输出为:Fri Aug 03 12:40:08 CST 2007
 out.println(df.format(myDate)); //输出为2007-08-03 12:40:08

 
//日期计算
 Calendar c = Calendar.getInstance(); //生成一个实例
// out.print(c.getTime());  // -- 取得现在的服务器时间 Fri Aug 03 12:57:34 CST 2007
 c.setTime(myDate);       // 设置一个需要计算的时间,如上面的 myDate
 c.add(Calendar.DATE,1);  // DATE 加 1
 out.print(c.getTime()); // 得到加1天后的时间 

2、前后台结构

       昨晚看了一个简单的发布新闻的jsp代码,文章的“添加”、“修改”、“删除”分别由“addarticle.jsp”、“editarticle.jsp”、“delarticle.jsp”构成,addarticle.jsp 的数据提交到 savearticle.jsp,editarticle.jsp的提交到editarticleover.jsp,也就是前者前台,主要给客户端输入数据,后者是后台,用来保存和更新数据。这才恍然大悟,不用只在一个页面里if else了。

3、sql字段简单求和

      早上,要在数据库里简单的给字段求和。对于sql语言是一点都不懂,网上查了好久才找到这条简单的语句:"select sum(字段1) as a,sum(字段2) as b ,from (表) group by " group by 后面我就直接ctrl+v access里的东西了,具体现在还看不懂,是按月统计的。"SELECT sum(hstj.I_hs_weight) as sumIW, Sum(hstj.I_hs_price) AS sumIP, Sum(hstj.E_hs_weight) AS sumEW, Sum(hstj.E_hs_price) AS sumEP, Sum(hstj.people_number) AS sumPN from hstj group by Format$([hstj].[date],'mmmm yyyy'), Year([hstj].[date])*12+DatePart('m',[hstj].[date])-1;"

     

内容概要:本文档详细介绍了基于弹性架构搜索(Elastic Architecture Search, EAS)结合Transformer编码器进行多变量时间序列预测的项目实例。项目旨在自动化优化多变量时间序列预测模型结构,提升预测精度与鲁棒性,降低计算资源消耗,实现模型轻量化。通过MATLAB实现,项目采用Transformer编码器的多头自注意力机制,结合EAS的弹性权重共享和分阶段搜索策略,解决了高维多变量时间序列的复杂依赖建模、架构搜索计算资源需求高、模型过拟合、多步预测误差积累、数据异构性与缺失值处理、复杂模型训练收敛等挑战。最终,项目构建了个高度模块化和可扩展的系统设计,适用于智能制造、能源管理、智慧交通等多个工业场景。 适合人群:具备定编程基础,对时间序列预测、深度学习及MATLAB有定了解的研发人员和研究人员。 使用场景及目标:①自动化优化多变量时间序列预测模型结构,提升预测精度与鲁棒性;②降低计算资源消耗,实现模型轻量化;③实现高度模块化与可扩展的系统设计,促进人工智能在工业领域的深度应用;④提供科研与教学的典范案例与工具,探索深度学习架构搜索在时序预测的前沿技术;⑤促进多变量时序数据融合与异质信息处理能力,推动MATLAB深度学习工具箱的应用与扩展。 其他说明:项目不仅聚焦于模型性能提升,更注重计算资源节约和应用落地的可行性。借助弹性架构搜索自动化调参,减少人工经验依赖,加快模型迭代速度,降低开发门槛。结合Transformer编码器的表达能力,显著改善多变量时间序列预测中的长期依赖捕捉和异质数据融合问题,为各类时间序列分析任务提供种全新的解决方案。项目通过详细的代码实现和注释,帮助用户理解Transformer机制与弹性架构搜索如何协同工作,实现多变量时间序列预测。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值