CN108629361A - 工程机械数据融合分析的方法及装置 - Google Patents

工程机械数据融合分析的方法及装置 Download PDF

Info

Publication number
CN108629361A
CN108629361A CN201711262714.XA CN201711262714A CN108629361A CN 108629361 A CN108629361 A CN 108629361A CN 201711262714 A CN201711262714 A CN 201711262714A CN 108629361 A CN108629361 A CN 108629361A
Authority
CN
China
Prior art keywords
data
variable
engineering machinery
equipment supply
demand information
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201711262714.XA
Other languages
English (en)
Inventor
不公告发明人
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing Tian Chao Computer Network Technology Co Ltd
Original Assignee
Nanjing Tian Chao Computer Network Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nanjing Tian Chao Computer Network Technology Co Ltd filed Critical Nanjing Tian Chao Computer Network Technology Co Ltd
Priority to CN201711262714.XA priority Critical patent/CN108629361A/zh
Publication of CN108629361A publication Critical patent/CN108629361A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/251—Fusion techniques of input or preprocessed data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0202—Market predictions or forecasting for commercial activities

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Development Economics (AREA)
  • Finance (AREA)
  • Economics (AREA)
  • Physics & Mathematics (AREA)
  • Accounting & Taxation (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • Educational Administration (AREA)
  • General Business, Economics & Management (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提出了一种工程机械数据融合分析的方法及装置。本发明的工程机械数据融合分析的方法，包括：获取海量的工程机械数据；汇总传输至数据融合分析系统；分析处理所述工程机械数据，获得工程机械交易信息的关联规则；预测工程机械交易信息，生成交易决策。本发明的工程机械数据融合分析的方法及装置能够提前匹配机械设备的供求客户，提高机械设备的利用效率，促进交易相关方的利益最大化。无论是租用机械的用户或是拥有机械的机主，在卖买交易中都可以准确迅速地得到可靠的交易信息。

Description

工程机械数据融合分析的方法及装置
技术领域
本发明涉及一种数据分析方法，尤其涉及一种工程机械数据融合分析的方法。
背景技术
随着共享经济的越来越普及，很多的生活与工作用具都可以以共享的形式来为用户提供服务，或是以租赁、公共售卖的形式获得用户，在这种情况下，设备设施的使用，仅仅依靠现场服务，已经是不能够满足要求的，自然会使用其它的方式或方法，特别是各类工程机构的数据分析处理，以及基于数据的优化与应用，基于目前互联网与数据分析技术的发展，可以于这些工程机械类设备设施的数据进行分析提取，以提高整个平台及系统的运营。但是，目前还缺少这样的针对于工程机械设施设备的整体技术解决方案。
发明内容
本发明提出了一种工程机械数据融合分析的方法及装置。
本发明的工程机械数据融合分析的方法，包括：
获取海量的工程机械数据；
汇总传输至数据融合分析系统；
分析处理所述工程机械数据，获得工程机械交易信息的关联规则；
预测工程机械交易信息，生成交易决策。
所述海量的工程机械数据包括工程项目数据、机械设备数据、工程交易数据；所述工程项目数据包括项目类型、项目时间、机械类型、项目工期、每月工程量、每月工程量增长率、设备提供方、设备需求方等；所述机械设备数据包括机械设备的产品性能、技术指标、每次工作时间、每月作业量、工作频次、出厂时间、额定每月作业量、最大每月作业量、使用寿命、单台设备每月维修次数等；所述工程交易数据包括工程中标、中标时间、设备租售、交易金额、交易时间等。
优选通过通信网络将海量的工程机械数据汇总传输至数据融合分析系统；所述通信网络可以选用全球卫星定位系统、手机通信网络和互联网中的一种或多种，以实现数据信息的远距离传输交换和共享。
所述数据融合分析系统优选包括数据管理子系统、数据分析子系统、决策生成和执行子系统。
所述数据管理子系统能够监控、记录、存储海量的工程机械数据，可以实现工程机械设备的智能化识别、定位、跟踪、监控和工程项目、工程交易的信息管理，使工程机械、机主、用户、操作手、技术服务工程师、代理店与制造厂达成异地、远程、动态及全天候的数据联系网。
所述数据分析子系统能够分析处理所述工程机械数据，获得工程机械交易信息的关联规则。
所述数据分析子系统优选采用以下步骤分析处理所述工程机械数据，获得工程机械交易信息的关联规则：
（1）预设机械设备供求信息变量；
（2）根据已知数据集获取所述预设机械设备供求信息变量与已知自变量的关联公式；获得包含所述设备供求信息变量与已知自变量的数据集；
（3）在包含所述设备供求信息变量与已知自变量的数据集中找出所有的频繁项集；根据置信度产生反映设备供求信息的关联规则；
在所述步骤（1）中，可以采用行业内已知的反映机械设备供求信息的变量，也可以自定义反映机械设备供求信息的变量。以自定义反映机械设备供求信息的变量为例，定义机械设备需求指数变量I求和/或机械设备供应指数变量I供，设定变量取值规则；例如，当设备需求方未增加设备时（既没有购买，也没有租用），设定机械设备需求指数变量I求的值为0，当设备需求方增加设备时（购买或租用），设定机械设备需求指数变量I求的值为大于等于阈值K求；当设备供应方未增加设备时（既没有生产，也没有租用），设定机械设备供应指数变量I供的值为0，当设备供应方增加设备时（生产），设定机械设备供应指数变量I供的值为大于等于阈值K供；
在所述步骤（2）中，优选采用主成分分析方法、神经网络方法、或回归分析方法获取所述设备供求信息变量与已知自变量的关联公式，更优选采用主成分分析方法获取所述设备供求信息变量与已知自变量的关联公式；
所述已知自变量包含已知的n种变量，包括工程项目变量、机械设备变量、工程交易变量；例如项目类型、项目时间、机械类型、项目工期、每月工程量、每月工程量增长率、设备提供方、设备需求方、机械设备的工作时间、每月作业量、工作频次、出厂时间、额定每月作业量、最大每月作业量、使用寿命、单台设备每月维修次数、工程中标、中标时间、设备租售、交易金额和交易时间中的一种或多种。n的取值可以为1~500之间的整数，优选5~200之间的整数；所述关联公式的自变量为m，m为小于或等于n的正整数；步骤（2）中的已知数据集为包含所述n种变量均已知的数据集；所述已知数据集的样本数量优选100~10000；
获取所述预设机械设备供求信息变量与已知自变量的关联公式之后；可以根据所述关联公式得到所述设备供求信息变量的值，从而获得包含所述设备供求信息变量与已知自变量的数据集；还可以继续增加样本数量或者使用新的样本，根据所述关联公式得到所述设备供求信息变量的值，从而获得包含所述设备供求信息变量与已知自变量的数据集；
在所述步骤（3）中，优选采用Apriori算法在包含所述设备供求信息变量与已知自变量的数据集中找出所有的频繁项集；根据置信度产生反映设备供求信息的关联规则；
利用获得的工程机械交易信息的关联规则预测工程机械交易信息，生成交易决策，以促使交易成功。
本发明还提供了一种工程机械数据融合分析的装置。
本发明的工程机械数据融合分析的装置，包括：
工程机械数据获取单元；
工程机械数据传输单元；
工程机械数据分析单元；
工程机械数据决策单元；
所述工程机械数据获取单元能够获取海量的工程机械数据，可以从公开信息获取，也可以通过设置在机械设备上的传感器获得；
所述海量的工程机械数据包括工程项目数据、机械设备数据、工程交易数据；所述工程项目数据包括项目类型、项目时间、机械类型、项目工期、每月工程量、每月工程量增长率、设备提供方、设备需求方等；所述机械设备数据包括机械设备的产品性能、技术指标、每次工作时间、每月作业量、工作频次、出厂时间、额定每月作业量、最大每月作业量、使用寿命、单台设备每月维修次数等；所述工程交易数据包括工程中标、中标时间、设备租售、交易金额、交易时间等；
所述工程机械数据传输单元能够通过通信网络将海量的工程机械数据汇总传输至工程机械数据分析单元；所述通信网络可以选用全球卫星定位系统、手机通信网络和互联网中的一种或多种，以实现数据信息的远距离传输交换和共享；
所述工程机械数据分析单元能够分析处理所述工程机械数据，获得工程机械交易信息的关联规则；所述工程机械数据分析单元优选通过数据融合分析系统分析处理所述工程机械数据，获得工程机械交易信息的关联规则；
所述数据融合分析系统优选包括数据管理子系统、数据分析子系统、决策生成和执行子系统；
所述数据管理子系统能够监控、记录、存储海量的工程机械数据，可以实现工程机械设备的智能化识别、定位、跟踪、监控和工程项目、工程交易的信息管理，使工程机械、机主、用户、操作手、技术服务工程师、代理店与制造厂达成异地、远程、动态及全天候的数据联系网；
所述数据分析子系统能够分析处理所述工程机械数据，获得工程机械交易信息的关联规则；
所述数据分析子系统优选采用以下步骤分析处理所述工程机械数据，获得工程机械交易信息的关联规则：
（1）预设机械设备供求信息变量；
（2）根据已知数据集获取所述预设机械设备供求信息变量与已知自变量的关联公式；获得包含所述设备供求信息变量与已知自变量的数据集；
（3）在包含所述设备供求信息变量与已知自变量的数据集中找出所有的频繁项集；根据置信度产生反映设备供求信息的关联规则；
在所述步骤（1）中，可以采用行业内已知的反映机械设备供求信息的变量，也可以自定义反映机械设备供求信息的变量。以自定义反映机械设备供求信息的变量为例，定义机械设备需求指数变量I求和/或机械设备供应指数变量I供，设定变量取值规则；例如，当设备需求方未增加设备时（既没有购买，也没有租用），设定机械设备需求指数变量I求的值为0，当设备需求方增加设备时（购买或租用），设定机械设备需求指数变量I求的值为大于等于阈值K求；当设备供应方未增加设备时（既没有生产，也没有租用），设定机械设备供应指数变量I供的值为0，当设备供应方增加设备时（生产），设定机械设备供应指数变量I供的值为大于等于阈值K供；
在所述步骤（2）中，优选采用主成分分析方法、神经网络方法、或回归分析方法获取所述设备供求信息变量与已知自变量的关联公式，更优选采用主成分分析方法获取所述设备供求信息变量与已知自变量的关联公式；
所述已知自变量包含已知的n种变量，包括工程项目变量、机械设备变量、工程交易变量；例如项目类型、项目时间、机械类型、项目工期、每月工程量、每月工程量增长率、设备提供方、设备需求方、机械设备的工作时间、每月作业量、工作频次、出厂时间、额定每月作业量、最大每月作业量、使用寿命、单台设备每月维修次数、工程中标、中标时间、设备租售、交易金额和交易时间中的一种或多种。n的取值可以为1~500之间的整数，优选5~200之间的整数；所述关联公式的自变量为m，m为小于或等于n的正整数；步骤（2）中的已知数据集为包含所述n种变量均已知的数据集；所述已知数据集的样本数量优选100~10000；
获取所述预设机械设备供求信息变量与已知自变量的关联公式之后；可以根据所述关联公式得到所述设备供求信息变量的值，从而获得包含所述设备供求信息变量与已知自变量的数据集；还可以继续增加样本数量或者使用新的样本，根据所述关联公式得到所述设备供求信息变量的值，从而获得包含所述设备供求信息变量与已知自变量的数据集；
在所述步骤（3）中，优选采用Apriori算法在包含所述设备供求信息变量与已知自变量的数据集中找出所有的频繁项集；根据置信度产生反映设备供求信息的关联规则；
所述工程机械数据决策单元利用所述获得的反映设备供求信息的关联规则预测工程机械交易信息，生成交易决策，以促使交易成功。所述工程机械数据决策单元能够根据所述关联规则实时计算所述反映设备供求信息变量的值，根据所述设备供求信息变量的值预测设备供求关系，生成交易决策，供管理者作为执行依据。
本发明的工程机械数据融合分析的方法及装置能够通过工程机械数据分析产生反映设备供求信息的关联规则，预测工程机械交易信息，生成交易决策。本发明的方法和装置能够提前匹配机械设备的供求客户，提高机械设备的利用效率，促进交易相关方的利益最大化。无论是租用机械的用户或是拥有机械的机主，在卖买交易中都可以准确迅速地得到可靠的交易信息。
附图说明
图1为本发明方法的逻辑框图。
具体实施方式
下面对本发明的具体实施方式进行详细说明，但是需要指出的是，本发明的保护范围并不受这些具体实施方式的限制。
在以下实施方式中，采用自定义的反映机械设备供求信息的变量。自定义的变量包括：机械设备需求指数变量I求和/或机械设备供应指数变量I供，并设定变量取值规则如下；当设备需求方未增加设备时（既没有购买，也没有租用），设定机械设备需求指数变量I求的值为0，当设备需求方增加设备时（购买或租用），设定机械设备需求指数变量I求的值为等于阈值K求；当设备供应方未增加设备时（既没有生产，也没有租用），设定机械设备供应指数变量I供的值为0，当设备供应方增加设备时（生产），设定机械设备供应指数变量I供的值为等于阈值K供；
所述已知自变量包含已知的n种变量，包括项目类型、项目时间、机械类型、项目工期、每月工程量、每月工程量增长率、设备提供方、设备需求方、机械设备的工作时间、每月作业量、工作频次（每月工作次数）、出厂时间、额定每月作业量、最大每月作业量、使用寿命、单台设备每月维修次数、工程中标、中标时间、设备租售、交易金额和交易时间。n的取值为1~500之间的整数；所述关联公式的自变量为m，m为小于或等于n的正整数。
在获取所述预设机械设备供求信息变量与已知自变量的关联公式之后；根据所述关联公式得到所述设备供求信息变量的值，获得包含所述设备供求信息变量与已知自变量的数据集；继续增加样本数量根据所述关联公式得到所述设备供求信息变量的值，获得包含所述设备供求信息变量与已知自变量的数据集。
实施例1
选取十家工程机械设备使用方的工程机械数据463组，包含的数据信息对应上面所述的变量，对于某些没有记录的信息，可以将其对应的变量值设定为0，将这463组数据集汇总传输至数据融合分析系统；所述数据融合分析系统包括数据管理子系统、数据分析子系统、决策生成和执行子系统。
在数据分析子系统中，设定I求为因变量，阈值K求的值为100，上面所述的变量为自变量（21个），进行主成分分析计算，计算结果为I求的值主要取决于每月工程量增长率、工作频次（每月工作次数）、单台设备每月维修次数，其中每月工程量增长率的方差贡献率为59.1%，工作频次的方差贡献率为26.8%，单台设备每月维修次数的方差贡献率为10.3%，前3个主成分累计方差贡献率为96.2%，因此以每月工程量增长率、工作频次、单台设备每月维修次数这3个主成分确定I求的计算公式；
利用I求的计算公式重新计算每个数据集中的I求的值，其值可以为整数或非整数；
将I求与其它变量重新作为自变量，采用Apriori算法在数据集中找出所有的频繁项集；根据置信度产生反映设备供求信息的关联规则；得到的主要结果包括：95.7%的用户在每月工程量增长率为40%以上、工作频次为20以上时增购了新设备；91.5%的用户在每月工程量增长率为50%以上、单台设备每月维修次数为3次以上时，增购了新设备。因此可以确定在每月工程量增长率为40%以上、工作频次为20以上用户会增购设备的关联规则及在每月工程量增长率为50%以上、单台设备每月维修次数为3次以上时用户会增购设备的关联规则。
在决策生成和执行子系统利用上述关联规则，监控实施收集的数据集，在满足该规则条件时生成工程机械交易决策，报管理者执行。
实施例2
将与实施例1相同的463组数据集汇总传输至数据融合分析系统；所述数据融合分析系统包括数据管理子系统、数据分析子系统、决策生成和执行子系统。
在数据分析子系统中采用神经网络算法获取所述设备供求信息变量与已知自变量（21个）的关联公式，设定I求为输出层神经元，其阈值K求的值为100，上面所述的变量为输入层神经元，基于R语言AMORE软件包选用３层BP神经网络进行计算。经计算，确定隐含层神经元的个数为4～11。通过试凑法逐一测试，以LMS（最小均方）误差达到0.001为评判标准，得到最佳隐含层为6，即BP模型为21－6－1。计算得到的实际输出与期望输出的相关系数为0.96，表明模型精度较高。经神经网络计算得到计算I求的关联公式，其中包括6个自变量，分别为每月工程量增长率、工作频次（每月工作次数）、单台设备每月维修次数、每月作业量、每月工程量、使用寿命。
利用I求的计算公式重新计算每个数据集中的I求的值，其值可以为整数或非整数；
将I求与其它变量重新作为自变量，采用Apriori算法在数据集中找出所有的频繁项集；根据置信度产生反映设备供求信息的关联规则；得到的主要结果包括：89.3%的用户在每月工程量增长率为40%以上、工作频次为20以上时增购了新设备；82.9%的用户在每月工程量增长率为50%以上、单台设备每月维修次数为3次以上时，增购了新设备。因此可以确定在每月工程量增长率为40%以上、工作频次为20以上用户会增购设备的关联规则及在每月工程量增长率为50%以上、单台设备每月维修次数为3次以上时用户会增购设备的关联规则。
在决策生成和执行子系统利用上述关联规则，监控实施收集的数据集，在满足该规则条件时生成工程机械交易决策，报管理者执行。
实施例3
将与实施例1相同的463组数据集汇总传输至数据融合分析系统；所述数据融合分析系统包括数据管理子系统、数据分析子系统、决策生成和执行子系统。
在数据分析子系统中，设定I求为因变量，阈值K求的值为100，上面所述的变量为自变量（21个），进行线性回归分析计算，计算得到I求的值与21个自变量的线性关系式。
利用I求的计算公式重新计算每个数据集中的I求的值，其值可以为整数或非整数；
将I求与其它变量重新作为自变量，采用Apriori算法在数据集中找出所有的频繁项集；根据置信度产生反映设备供求信息的关联规则；得到的主要结果包括：83.7%的用户在每月工程量增长率为40%以上、工作频次为20以上时增购了新设备；45.2%的用户在每月工程量增长率为50%以上、单台设备每月维修次数为3次以上时，增购了新设备。因此可以确定在每月工程量增长率为40%以上、工作频次为20以上用户会增购设备的关联规则，但不能确立在每月工程量增长率为50%以上、单台设备每月维修次数为3次以上时用户会增购设备的关联规则。
在决策生成和执行子系统利用上述关联规则，监控实施收集的数据集，在满足该规则条件时生成工程机械交易决策，报管理者执行。
实施例4
将与实施例1相同的463组数据集汇总传输至数据融合分析系统；所述数据融合分析系统包括数据管理子系统、数据分析子系统、决策生成和执行子系统。
自定义机械设备需求指数变量I求，其阈值K求设为100；
采用Apriori算法在数据集中找出所有的频繁项集；根据置信度产生反映设备供求信息的关联规则；得到的主要结果包括：71.5%的用户在每月工程量增长率为40%以上、工作频次为20以上时增购了新设备；42.8%的用户在每月工程量增长率为50%以上、单台设备每月维修次数为3次以上时，增购了新设备。因此可以确定在每月工程量增长率为40%以上、工作频次为20以上用户会增购设备的关联规则，但不能确立在每月工程量增长率为50%以上、单台设备每月维修次数为3次以上时用户会增购设备的关联规则。因为在所使用的数据集之中，关于维修次数这一信息的样本量较少，因此本实施例并未产生涉及维修次数的关联规则。
在决策生成和执行子系统利用上述关联规则，监控实施收集的数据集，在满足该规则条件时生成工程机械交易决策，报管理者执行。

Claims (10)

1.一种工程机械数据融合分析的方法，包括：
获取海量的工程机械数据；
汇总传输至数据融合分析系统；
分析处理所述工程机械数据，获得工程机械交易信息的关联规则；
预测工程机械交易信息，生成交易决策。
2.按照权利要求1所述的方法，其特征在于， 所述数据融合分析系统包括数据管理子系统、数据分析子系统、决策生成和执行子系统； 所述数据管理子系统能够监控、记录、存储海量的工程机械数据； 所述数据分析子系统能够分析处理所述工程机械数据，获得工程机械交易信息的关联规则； 所述决策生成和执行子系统能够预测工程机械交易信息，生成交易决策。
3.按照权利要求2所述的方法，其特征在于，所述数据分析子系统采用以下步骤分析处理所述工程机械数据，获得工程机械交易信息的关联规则：
（1）预设机械设备供求信息变量；
（2）根据已知数据集获取所述预设机械设备供求信息变量与已知自变量的关联公式；获得包含所述设备供求信息变量与已知自变量的数据集；
（3）在包含所述设备供求信息变量与已知自变量的数据集中找出所有的频繁项集；根据置信度产生反映设备供求信息的关联规则。
4.按照权利要求3所述的方法，其特征在于， 在所述步骤（1）中，所述机械设备供求信息变量为已知的反映机械设备供求信息的变量或自定义的反映机械设备供求信息的变量；在所述步骤（2）中，采用主成分分析方法、神经网络方法、或回归分析方法获取所述设备供求信息变量与已知自变量的关联公式； 在所述步骤（3）中，采用Apriori算法在包含所述设备供求信息变量与已知自变量的数据集中找出所有的频繁项集；根据置信度产生反映设备供求信息的关联规则。
5.按照权利要求4所述的方法，其特征在于， 在所述步骤（1）中，所述机械设备供求信息变量为自定义的反映机械设备供求信息的变量，定义机械设备需求指数变量I求和/或机械设备供应指数变量I供，设定变量取值规则。
6.按照权利要求5所述的方法，其特征在于，在获取所述预设机械设备供求信息变量与已知自变量的关联公式之后，根据所述关联公式得到所述设备供求信息变量的值，从而获得包含所述设备供求信息变量与已知自变量的数据集。
7.一种工程机械数据融合分析的装置，包括：
工程机械数据获取单元；
工程机械数据传输单元；
工程机械数据分析单元；
工程机械数据决策单元；
所述工程机械数据获取单元能够获取海量的工程机械数据；
所述工程机械数据传输单元能够通过通信网络将海量的工程机械数据汇总传输至工程机械数据分析单元；
所述工程机械数据分析单元能够分析处理所述工程机械数据，获得工程机械交易信息的关联规则；
所述工程机械数据决策单元能够预测工程机械交易信息，生成交易决策。
8.按照权利要求7所述的装置，其特征在于，所述工程机械数据分析单元通过数据融合分析系统分析处理所述工程机械数据，获得工程机械交易信息的关联规则；
所述数据融合分析系统优选包括数据管理子系统、数据分析子系统、决策生成和执行子系统；
所述数据管理子系统能够监控、记录、存储海量的工程机械数据；
所述数据分析子系统能够分析处理所述工程机械数据，获得工程机械交易信息的关联规则；
所述决策生成和执行子系统能够预测工程机械交易信息，生成交易决策。
9.按照权利要求8所述的装置，其特征在于， 所述数据分析子系统采用以下步骤分析处理所述工程机械数据，获得工程机械交易信息的关联规则：
（1）预设机械设备供求信息变量；
（2）根据已知数据集获取所述预设机械设备供求信息变量与已知自变量的关联公式；获得包含所述设备供求信息变量与已知自变量的数据集；
（3）在包含所述设备供求信息变量与已知自变量的数据集中找出所有的频繁项集；根据置信度产生反映设备供求信息的关联规则。
10.按照权利要求9所述的装置，其特征在于， 在所述步骤（1）中，所述机械设备供求信息变量为已知的反映机械设备供求信息的变量或自定义的反映机械设备供求信息的变量；在所述步骤（2）中，采用主成分分析方法、神经网络方法、或回归分析方法获取所述设备供求信息变量与已知自变量的关联公式； 在所述步骤（3）中，采用Apriori算法在包含所述设备供求信息变量与已知自变量的数据集中找出所有的频繁项集；根据置信度产生反映设备供求信息的关联规则。
CN201711262714.XA 2017-12-05 2017-12-05 工程机械数据融合分析的方法及装置 Pending CN108629361A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711262714.XA CN108629361A (zh) 2017-12-05 2017-12-05 工程机械数据融合分析的方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711262714.XA CN108629361A (zh) 2017-12-05 2017-12-05 工程机械数据融合分析的方法及装置

Publications (1)

Publication Number Publication Date
CN108629361A true CN108629361A (zh) 2018-10-09

Family

ID=63705899

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711262714.XA Pending CN108629361A (zh) 2017-12-05 2017-12-05 工程机械数据融合分析的方法及装置

Country Status (1)

Country Link
CN (1) CN108629361A (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102880915A (zh) * 2012-09-06 2013-01-16 中山大学 一种基于对热点事件进行关联挖掘的电量预测方法
CN103020256A (zh) * 2012-12-21 2013-04-03 电子科技大学 一种大规模数据的关联规则挖掘方法
CN104636479A (zh) * 2015-02-15 2015-05-20 西安电子科技大学 一种工业大数据驱动的总完工时间预测方法
US20160179903A1 (en) * 2014-12-23 2016-06-23 Ran Bittmann Enhancing frequent itemset mining
US20170011096A1 (en) * 2015-07-07 2017-01-12 Sap Se Frequent item-set mining based on item absence
CN107391515A (zh) * 2016-05-17 2017-11-24 李明轩 基于关联规则分析的电力系统指标分析方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102880915A (zh) * 2012-09-06 2013-01-16 中山大学 一种基于对热点事件进行关联挖掘的电量预测方法
CN103020256A (zh) * 2012-12-21 2013-04-03 电子科技大学 一种大规模数据的关联规则挖掘方法
US20160179903A1 (en) * 2014-12-23 2016-06-23 Ran Bittmann Enhancing frequent itemset mining
CN104636479A (zh) * 2015-02-15 2015-05-20 西安电子科技大学 一种工业大数据驱动的总完工时间预测方法
US20170011096A1 (en) * 2015-07-07 2017-01-12 Sap Se Frequent item-set mining based on item absence
CN107391515A (zh) * 2016-05-17 2017-11-24 李明轩 基于关联规则分析的电力系统指标分析方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
邹金萍等: "基于关联规则Apriori算法改进", 《信息通信》 *

Similar Documents

Publication Publication Date Title
US10896203B2 (en) Digital analytics system
KR101935652B1 (ko) 빅데이터 플랫폼을 이용한 스마트 공장 운영 관리 솔루션 서비스 시스템 및 방법
AU2001255994B2 (en) Method of business analysis
Sivadasan et al. An information‐theoretic methodology for measuring the operational complexity of supplier‐customer systems
CN103002005B (zh) 云服务监测系统
CN111143097B (zh) 面向gnss定位服务的故障治理系统和方法
US20110208565A1 (en) complex process management
CN108280760A (zh) 一种金融风险在线监控方法和装置
CN105976242A (zh) 一种基于实时流数据分析的交易欺诈检测方法及系统
AU2001255994A1 (en) Method of Business Analysis
Katona et al. Building predictive maintenance framework for smart environment application systems
KR20210001243A (ko) 제품수명주기에 따른 수명주기별 온라인과 오프라인 정보분석 서비스 시스템
CN106716454A (zh) 利用机器学习来识别非技术性损失
CN109934268A (zh) 异常交易检测方法及系统
CN104573996A (zh) 一种铸造企业用自动报价系统
Wawale et al. [Retracted] Minimizing the Error Gap in Smart Framing by Forecasting Production and Demand Using ARIMA Model
CA2713597A1 (en) Risk and reward assessment mechanism
Ilonen et al. Toward automatic forecasts for diffusion of innovations
CN107480703B (zh) 交易故障检测方法及装置
KR100410714B1 (ko) 인터넷을 이용한 금융자산 가격예측 정보제공시스템
KR102183328B1 (ko) 클라우드 상에서 레이아웃을 기반으로 스마트 공장을 진단하고 개선 방안을 제안하기 위한 시스템
CN109086446A (zh) Nps客户体验管理方法、装置及计算机可读存储介质
CN112581291A (zh) 风险测评异动检测方法、装置、设备及存储介质
Mitsopoulou et al. A cost-aware incentive mechanism in mobile crowdsourcing systems
CN108629361A (zh) 工程机械数据融合分析的方法及装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20181009