job

本文介绍如何在Oracle数据库中使用DBMS_JOB调度器来安排不同频率的任务,包括分钟、小时、天、周、月等,并展示了如何通过创建作业在特定时间重置序列。

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

1:每分钟执行

Interval => TRUNC(sysdate,'mi') + 1/ (24*60)

Interval => sysdate+1/1440

2:每天定时执行

例如:每天的凌晨1点执行

Interval => TRUNC(sysdate) + 1 +1/ (24)

3:每周定时执行

例如:每周一凌晨1点执行

Interval => TRUNC(next_day(sysdate,'星期一'))+1/24

4:每月定时执行

例如:每月1日凌晨1点执行

Interval =>TRUNC(LAST_DAY(SYSDATE))+1+1/24

5:每季度定时执行

例如每季度的第一天凌晨1点执行

Interval => TRUNC(ADD_MONTHS(SYSDATE,3),'Q') + 1/24

6:每半年定时执行

例如:每年7月1日和1月1日凌晨1点

Interval => ADD_MONTHS(trunc(sysdate,'yyyy'),6)+1/24

7:每年定时执行

例如:每年1月1日凌晨1点执行

Interval =>ADD_MONTHS(trunc(sysdate,'yyyy'),12)+1/24

 

 

variable job1 number;                 
begin 
  sys.dbms_job.submit(job => :job1 ,             
                      what => 'declare out_state varchar2(10); begin person_market(out_state); end;',  
                      next_date => sysdate,  
                      interval => 'TRUNC(sysdate) + 1 +20/ (24)');  
  commit;  
end;

variable job number;
begin
  sys.dbms_job.submit(job => :job,
                      what => 'declare out_state varchar2(10); begin person_market(out_state); end;',
                      next_date => sysdate,
                      interval => 'sysdate+1+1/1440');
  sys.dbms_job.broken(job => :job,
                      broken => true,
                      next_date => sysdate);
  commit;
end;

 

 

begin
  sys.dbms_job.submit(job => :job,
                      what => 'declare out_state varchar2(10); begin person_market(out_state); end;',
                      next_date => to_date('01-01-4000', 'dd-mm-yyyy'),
                      interval => 'TRUNC(sysdate) + 1 +20/ (24)');
  sys.dbms_job.broken(job => :job,
                      broken => true,
                      next_date => to_date('01-01-4000', 'dd-mm-yyyy'));
  commit;
end;

 

 


--创建一个job,这个job在创建的时候已经被运行
variable test_job number;              
begin
  sys.dbms_job.submit(job => :test_job,           --对应的唯一id(jobId<->jobName)唯一映射
                      what => 'declare out_state varchar2(10); begin person_market(out_state); end;',--调用的存储过程
                      next_date => sysdate,       --第一次执行时间
                      interval => 'sysdate+1/1440');--执行间隔
  commit;
end;
/

--查看创建的JOB
select * from sys.user_jobs;

--执行job
begin
   dbms_job.run(:job);       
end;
/

--停止JOB
begin
  sys.dbms_job.broken(48,true);
end;
/


begin 
 dbms_job.remove(:job1);  
end; 

-------------------------------------------------------------------------------------------------

1.创建序列

CREATE SEQUENCE hpcms_case_number
INCREMENT BY 1 -- 每次加几个
START WITH 1 -- 从1开始计数
NOMAXvalue -- 不设置最大值
NOCYCLE -- 一直累加,不循环
noCACHE ;
2.查看序列
select case_notes_number.currval from dual ;
select case_notes_number.nextval from dual ;

 

3.创建重置序列的存储过程

create or replace procedure reset_seq as
  n_temp number(30);
  s_tsql varchar2(100);
begin
  execute immediate ' select hpcms_case_number.nextval from dual' into n_temp;

  if n_temp <> 1 then
    n_temp := - (n_temp - 1);
    s_tsql := ' alter sequence hpcms_case_number increment by ' || n_temp;
    execute immediate s_tsql;
    execute immediate ' select hpcms_case_number.nextval from dual' into n_temp;
    s_tsql := ' alter sequence hpcms_case_number increment by 1 ';
    execute immediate s_tsql;
  end if;
end;

 

4.通过job 每天凌晨12点重置序列


variable seq_job number;               
begin
  sys.dbms_job.submit(job => :seq_job,
                      what => ' begin reset_seq; end;',
                      next_date => sysdate,
                      interval => 'TRUNC(SYSDATE + 1)');
  commit;
end;

内容概要:本文档详细介绍了一个基于MATLAB实现的跨尺度注意力机制(CSA)结合Transformer编码器的多变量时间序列预测项目。项目旨在精准捕捉多尺度时间序列特征,提升多变量时间序列的预测性能,降低模型计算复杂度与训练时间,增强模型的解释性和可视化能力。通过跨尺度注意力机制,模型可以同时捕获局部细节和全局趋势,显著提升预测精度和泛化能力。文档还探讨了项目面临的挑战,如多尺度特征融合、多变量复杂依赖关系、计算资源瓶颈等问题,并提出了相应的解决方案。此外,项目模型架构包括跨尺度注意力机制模块、Transformer编码器层和输出预测层,文档最后提供了部分MATLAB代码示例。 适合人群:具备一定编程基础,尤其是熟悉MATLAB和深度学习的科研人员、工程师和研究生。 使用场景及目标:①需要处理多变量、多尺度时间序列数据的研究和应用场景,如金融市场分析、气象预测、工业设备监控、交通流量预测等;②希望深入了解跨尺度注意力机制和Transformer编码器在时间序列预测中的应用;③希望通过MATLAB实现高效的多变量时间序列预测模型,提升预测精度和模型解释性。 其他说明:此项目不仅提供了一种新的技术路径来处理复杂的时间序列数据,还推动了多领域多变量时间序列应用的创新。文档中的代码示例和详细的模型描述有助于读者快速理解和复现该项目,促进学术和技术交流。建议读者在实践中结合自己的数据集进行调试和优化,以达到最佳的预测效果。
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