CN108921702A - 基于大数据的园区招商方法及装置 - Google Patents
基于大数据的园区招商方法及装置 Download PDFInfo
- Publication number
- CN108921702A CN108921702A CN201810563043.9A CN201810563043A CN108921702A CN 108921702 A CN108921702 A CN 108921702A CN 201810563043 A CN201810563043 A CN 201810563043A CN 108921702 A CN108921702 A CN 108921702A
- Authority
- CN
- China
- Prior art keywords
- trade
- data
- garden
- investment promotion
- enterprise
- 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
Links
Classifications
-
- 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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/06—Asset management; Financial planning or analysis
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Human Resources & Organizations (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于大数据的园区招商方法及装置，所述方法包括：获取园区招商数据；将所述园区招商数据输入预设分析模型，以使得所述预设分析模型分析与所述园区相匹配的招商企业；根据分析结果，推荐相匹配的招商企业；其中所述园区招商数据包括园区内部数据和园区外部数据。本发明实施例的技术方案通过园区招商数据，采用预设分析模型对园区招商数据进行分析，不再单纯依赖于人工判别，提升了预测的准确度；同时不需要招商人员进行非必要的招商运维工作，进而达到降低成本之目的，极大地为园区降低了人力物力成本；对推荐的企业开展招商工作，真正做到有的放矢。
Description
技术领域
本发明涉及大数据领域，特别涉及一种基于大数据的园区招商方 法及装置。
背景技术
园区招商是指产业园区，将一系列优惠政策和服务平台面向一定 范围的企业进行发布，以招募企业厂商进入园区共同发展。在园区招 商时，园区需要根据自身的区位优势、资源拥有情况进行发展定位、 产业遴选。比如，适合发展制造业的园区，对于制造型企业就会重点 关注。同时，还要考虑制造型企业对于地理位置的要求更高一些，需 要考虑园区的物流、配套等条件。
传统的园区招商方式，由于对于自身的定位不够清晰，往往依靠 行业专家结合现有的数据及经验，根据业务标准判断园区的产业类型、 产业发展方向。而且，园区招商途径简单，对于企业的了解不够全面。 例如，通过电话寻访、招商手册或网上发布信息，公布园区的发展规 划，来招募有需求的企业。
但是，在园区招商领域具有深厚行业经验的专家屈指可数，而且 随着信息技术和物流业等配套领域的发展，仅通过人为经验判断，无 法实现准确高效地处理。而且，通过以上方式进行招商，不但需要消 耗大量的人力成本和运营成本，而且能够招募到的企业非常少，需要 消耗大量成本(人力资源、运营等)。
发明内容
有鉴于此，本发明实施例为解决背景技术中提出的一个或多个技 术问题，提供至少一种有益的选择。
为了实现上述目的，本发明实施例提供了一种基于大数据的园区 招商方法，包括：
获取园区招商数据；
将所述园区招商数据输入预设分析模型，以使得所述预设分析模 型分析与所述园区相匹配的招商企业；
根据分析结果，推荐相匹配的招商企业；
其中所述园区招商数据包括园区内部数据和园区外部数据。
优选的，获取园区招商数据之后，所述方法还包括：
对所述园区招商数据进行数据质量检查；
根据检查结果对检查后的园区招商数据进行数据清洗。
优选的，其中，所述数据质量检查包括以下至少一种操作：缺失 值分析、异常值分析、数据分布分析和属性与目标字段相关性分析；
所述数据清洗包括以下至少一种操作：缺失值处理、异常值处理、 离散化处理、归一化处理和二值化处理。
优选的，将所述园区招商数据输入预设分析模型之前，所述方法 包括：
获取园区招商历史数据；
根据所述园区招商历史数据，采用机器学习算法构建预设分析模 型。
优选的，所述招商历史数据包括：服务数据、基础设施数据、配 套设施数据和环境分析数据。
优选的，根据分析结果，推荐相匹配的招商企业包括：
采用聚类算法对所述相匹配的招商企业进行聚类，以获得预设类 别的招商企业；
根据预设类别的招商企业的信用评级与注册资本，对所述预设类 别的招商企业采用聚类算法进行聚类，以获得预设数量的招商企业；
推荐所述预设数量的招商企业。
优选的，根据分析结果，推荐相匹配的招商企业之后，所述方法 还包括：
对所述预设分析模型进行优化处理。
优选的，所述分析结果包括以下至少一种：
各行业产业指数、各行业产值分析、关键词热度指数和产业链分 析。
优选的，其中，所述园区内部数据包括以下至少一种：园区内企 业运营数据、基础设施数据和园区现有平台存储数据；
其中，所述园区外部数据包括以下至少一种：园区外部企业运营 数据和企业基池数据。
本发明实施例还提供一种基于大数据的园区招商装置，所述装置 包括：
第一获取模块，配置为获取园区招商数据；
输入模块，配置为将所述园区招商数据输入预设分析模型，以使 得所述预设分析模型分析与所述园区相匹配的招商企业；
第一推荐模块，配置为根据分析结果，推荐相匹配的招商企业；
其中所述园区招商数据包括园区内部数据和园区外部数据。
优选的，所述装置还包括：
第二获取模块，配置为将所述园区招商数据输入预设分析模型之 前，获取园区招商历史数据；
构建模块，配置为根据所述园区招商历史数据，采用机器学习算 法构建预设分析模型。
优选的，所述第一推荐模块包括：
第一聚类模块，采用聚类算法对所述相匹配的招商企业进行聚类， 以获得预设类别的招商企业；
第二聚类模块，根据预设类别的招商企业的信用评级与注册资本， 对所述预设类别的招商企业采用聚类算法进行聚类，以获得预设数量 的招商企业；
第二推荐模块，推荐所述预设数量的招商企业。
本发明实施例的技术方案通过园区招商数据，采用预设分析模型 对园区招商数据进行分析，不再单纯依赖于人工判别，提升了预测的 准确度；同时不需要招商人员进行非必要的招商运维工作，进而达到 降低成本之目的，极大地为园区降低了人力物力成本；对推荐的企业 开展招商工作，真正做到有的放矢。
本发明其中一个实施例可以实现，对园区招商数据进行数据质量 把控，通过数据清洗的方法产生高质量的数据，避免了因为数据质量 过低而导致的后期建模过程中模型质量不高的问题。
本发明其中一个实施例可以实现，采用机器学习算法构建预设分 析模型，分析结果较为准确；并且根据机器学习算法的特性，使得预 设分析模型具备推荐结果反馈机制，可以及时进行模型优化及重构， 保证模型性能的不断优化。
附图说明
图1为本发明实施例一的基于大数据的园区招商方法的流程图；
图2为本发明实施例二的基于大数据的园区招商方法的流程图；
图3为本发明的实施例二的基于大数据的园区招商方法中对于园 区产业链分析的示意图；
图4为本发明实施例三的基于大数据的园区招商装置的示意图。
具体实施方式
下面结合附图和实施例，对本发明的具体实施方式作进一步详细 描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
实施例一
图1为本发明实施例一的基于大数据的园区招商方法的流程图， 如图1所示，本发明实施例一的基于大数据的园区招商方法，具体可 以包括如下步骤：
S101，获取园区招商数据。
其中，所述园区招商数据包括园区内部数据和园区外部数据。
其中，所述园区内部数据包括以下至少一种：园区内企业运营数 据、基础设施数据和园区现有平台存储数据；
其中，所述园区外部数据包括以下至少一种：园区外部企业运营 数据和企业基池数据。
本发明实施例的园区内部数据从园区内部运营平台中获取，园区 外部数据可由园区外部各数据平台，例如分布式文件系统，获得。
S102，将所述园区招商数据输入预设分析模型，以使得所述预设 分析模型分析与所述园区相匹配的招商企业。
本发明实施例从不同的数据源获取园区招商数据，然后将这些园 区招商数据输入预设分析模型，使预设分析模型从中选择与招商引资 相关性较高的属性，例如，区位优势描述，产业基础描述，招商策略 描述，创新引领描述，产城融合描述，机制体制创新描述；行政区划， 交通情况等。然后对这些属性进行分析，例如，获得其中的的产业指 数、园区就业、配置设施等方面的信息。
其中，所述产业指数包括以下至少一种：产业投资表现，信贷表 现，企业绩效，产品表现，政策舆情；
其中，所述园区就业包括以下至少一种：性别，年龄，学历，籍 贯，毕业院校，专业，从事行业，职位，收入；
其中，所述配套设施包括以下至少一种：住宅面积，容积率，绿 化率；星级酒店个数，入住率；商业单位类型，商户面积，商业收入； 食堂面积，可容纳人数，消费价格指数等。
S103，根据分析结果，推荐相匹配的招商企业。
所述分析结果包括以下至少一种：各行业产业指数、各行业产值 分析、关键词热度指数和产业链分析。
然后根据分析结果寻找与行业产业指数、行为产值、关键词热度 与分析结果相匹配，同时属于产业链中的一环的企业。并推荐该招商 企业。
本发明实施例在获取所述园区外部数据时，主要是获取与园区管 理相关的海量数据，例如，由分布式文件系统、非关系型数据库和计 算引擎等获得的数据。本发明实施例支持分布式计算与流式计算，为 上层数据分析、挖掘提供基础支撑与环境。例如，a.本发明实旋例提 供大数据基础处理平台，基础大数据分布式处理框架及相关组件，以 及提供大数据分布式存储、计算等数据功能；b.本发明实施例的大数 据平台管理系统，大数据基础平台的管理界面，可实时监测平台运行 状态、性能及风险；同时，可自定义配置、管理平台组件、实现平台 统一可视化管理。
本发明实施例的技术方案通过园区招商数据，采用预设分析模型 对园区招商数据进行分析，不再单纯依赖于人工判别，提升了预测的 准确度；同时不需要招商人员进行非必要的招商运维工作，进而达到 降低成本之目的，极大地为园区降低了人力物力成本；对推荐的企业 开展招商工作，真正做到有的放矢。
实施例二
图2为本发明实施例二的基于大数据的园区招商方法的流程图， 如图2所示，本发明实施例二的基于大数据的园区招商方法，具体可 以包括如下步骤：
S201，获取园区招商数据。
所述步骤S201对应实施例一的步骤S101。
S202，对所述园区招商数据进行数据质量检查。
本发明实施例所获取的数据量较大，需要对数据进行数据质量检 查。其中，所述数据质量检查包括以下至少一种操作：缺失值分析、 异常值分析、数据分布分析和属性与目标字段相关性分析。
S203，根据检查结果对检查后的园区招商数据进行数据清洗。
本发明实施例在数据质量检查中没有达到业务及建模标准的数据 进行相应的数据清洗处理，其中，所述数据清洗包括以下至少一种操 作：缺失值处理、异常值处理、离散化处理、归一化处理和二值化处 理。
另外，从建模环节所提取的数据表中可以看出，如果数据只有少 数字段有缺失。那么在后续建模分析时，如果数据量足够可以直接删 除该有缺失的记录，如果数据量不够则需要采用均值填充、k近邻填充 等技术将缺失的数据补充起来。其他不重要的字段，若对建模意义不 大同时缺失严重的，则应该考虑直接删除该字段。
本发明实施例使用线性回归算法作为基础，对数据进行数据检测， 并根据具体需求进行数据清洗，删除异常值，利用数据补全算法补全 缺失值，对园区的各项指标进行合理离散化与标准化，使得输入数据 大小区间一致，提高算法准确度。例如，共有32项指标，输出园区各 项指标的指数的时间序列，数据归一化到0-100区间。这样使得输入 数据大小区间一致，提高算法准确度。
其中，多元线性回归计算公式如下：
Yi＝β0+β1Xi1+β2Xi2+...βpXip+∈i.
其中，Y表示满意度指数，β表示固定的系数(回归系数)，X表 示各项特征指标，ε表示随机误差。
在其中一个实施例中，在获取园区各年度的数据指标的具体数值 后，将每一个小维度量化后，归一化到同一个区间中。然后可以利用 多元线性回归及熵权法，结合专家评分来得出分析结果，这样主客观 结合赋予各个指标权重，最后得出满意度指数。
S204，获取园区招商历史数据。
其中，所述招商历史数据包括：服务数据、基础设施数据、配套 设施数据和环境分析数据。
在其中一个应用场景中，以某工业园区为例，对某工业园的历史 数据进行分析，其中包括服务分析、基础设施分析、配套设施分析和 环境分析。
其中，对企业服务的分析维度包括月租是否减免、税收政策、工 商手续是否代办、是否有投资路演、是否有产业联盟、是否有企业孵 化等。对园区的基础设施分析维度包括照明设施、排水设施、用电设 施、垃圾处理、车库、便民设施等。对园区配套设施分析维度包括住 宿、银行、快递、食堂、医院、学校、娱乐等。对园区环境分析维度 包括道路建设、公交系统、通勤车、绿化率、容积率、道路规划、厂 房布局、功能定位等。
S205，根据所述园区招商历史数据，采用机器学习算法构建预设 分析模型。
本发明实施例可以采用多种算法构建多个分析模型，然后根据该 多个分析模型对历史数据分别进行分析，然后获得其中分析结果较为 模型的模型形成为最终采用的预设分析模型。例如，采用随机森林算 法(Random Forest,RF)、决策树算法(GradientBoosting Decision Tree,GBDT)、极致梯度迭代(eXtreme Gradient Boosting，XGBoost)、轻量级梯度提升机(Light Gradient Boosting Machine，LightGBM)、 迭代算法(Adaboost)、逻辑回归算法(Logistic Regression,LR)、多粒 度级联森林算法(multi-Grained Cascade forest，Gcforest)、支持向量机 算法(Support Vector Machines，SVM)和基于域感知的分解机库(A Library for Field-aware Factorization Machines，Libffm)等构建分析模 型。
例如，本发明实施例的预设分析模型采用时间序列移动平均法作 为基本算法，把时间序列连续N期的平均数作为最近一期(第t期) 的趋势值，如此逐项递移求得一系列的移动平均数，形成一个新的、 派生的平均数时间序列。在新的时间序列中偶然因素的影响被削弱， 从而呈现出现象在较长时间的基本发展趋势。
S206，将所述园区招商数据输入预设分析模型，以使得所述预设 分析模型分析与所述园区相匹配的招商企业。
上述步骤S206对应实施例一的步骤S102。
S207，采用聚类算法对所述相匹配的招商企业进行聚类，以获得 预设类别的招商企业。
S208，根据预设类别的招商企业的信用评级与注册资本，对所述 预设类别的招商企业采用聚类算法进行聚类，以获得预设数量的招商 企业。
S209，推荐所述预设数量的招商企业。
仍以上述某工业园区为例，其关键词热度指数计算方法如下：
该某工业园区的关键字包括：某湾创业项目、某教育网、某人才、 某银滩、某医院、广西教育、广西科技信息网、某湾、某湾旅游、某 地区旅游、西部大开发、西部大开发优惠政策、某湾经济区、某港湾、 东盟自由贸易区等。根据上述关键词在互联网不同的网页搜索的热度， 采用神经网络算法得出上述关键词的热度，该关键词的热度采用 sigmoid函数进行归一化处理，然后进行1到100的区间映射，最终得 到1到100的一个指数。这样使得输入数据大小区间一致，提高算法 准确度。
根据上述关键词热度指数、某工业园区的预设分析模型(或者某 园区的自画像)，得到某工业园区的产业链分析。例如，某工业园区 总体产业可以分为核心产业链条，与辅助核心产业链的非核心产业链。 如图3所示，其中，核心产业链条由五个完整的产业链组成：分别是 石油化工、建筑建材、电子电工、信息产业和专业服务。这五个完整 的产业链是该某工业园区中企业数量较多的五个优势产业。这五个产 业之间又构成上下游关系，以专业服务为核心，构成更加完备的产品 链。
结合大数据技术，根据以上的分析结果，可以得出与该某工业园 区在电子商务、互联网金融、基础软件、智能硬件、大数据服务5大 新型产业的企业招商名单。
另外，得出分析结果时，由于数据量较大，符合要求的企业较多， 因此，还需要对结果进行聚类处理。具体地，可以采用K-means聚类 算法，对企业基池中的所有企业进行聚类，并提取出某工业园区需要 招商五大类别的企业名单。之后，从信用评级与注册资本两个维度进 行K-means聚类，选取信用评级与注册资本都靠前的类别作为全部备 选方案。根据各类企业占比，按需从备选名单中选取推荐招商名单。 例如，电子商务企业占比为20％，预推荐50个企业，则从上述招商名 单中选择10家电子商务企业推荐给园区。
上述步骤S207至步骤S209对应实施例一的步骤S103。
S210，对所述预设分析模型进行优化处理。
本发明实施例在具体实施时，运营维护系统积累了大量的招商成 功或失败的数据。可以将这些数据与推荐的招商企业进行比较，总结 分析正确和分析错误的样本，对预设分析模型进行修正，从而使得模 型能够不断进行优化。
本发明实施例具有以下有益效果：根据预先构建的金融指数分析 模型对所述金融数据进行分析，并获得城市金融指数分析结果，可以 获得城市金融指数的准确分析结果，从而可以通过指数的分析结果， 促进各城市金融业的发展。
实施例三
图4为本发明的基于大数据的园区招商装置的示意图，如图4所 示，本实施例的基于大数据的园区招商装置，具体可以包括获取模块 41、输入模块42和推荐模块43。
第一获取模块41，配置为获取园区招商数据；
输入模块42，配置为将所述园区招商数据输入预设分析模型，以 使得所述预设分析模型分析与所述园区相匹配的招商企业；
第一推荐模块43，配置为根据分析结果，推荐相匹配的招商企业；
其中所述园区招商数据包括园区内部数据和园区外部数据。
进一步地，所述装置还包括：
第二获取模块44，配置为将所述园区招商数据输入预设分析模型 之前，获取园区招商历史数据；
构建模块45，配置为根据所述园区招商历史数据，采用机器学习 算法构建预设分析模型。
具体地，所述第一推荐模块43包括：
第一聚类模块431，采用聚类算法对所述相匹配的招商企业进行聚 类，以获得预设类别的招商企业；
第二聚类模块432，根据预设类别的招商企业的信用评级与注册资 本，对所述预设类别的招商企业采用聚类算法进行聚类，以获得预设 数量的招商企业；
第二推荐模块433，推荐所述预设数量的招商企业。
本实施例的基于大数据的园区招商装置，可以实现根据用户的理 财历史数据向用户推荐理财产品，其实现机制与上述图2所示实施例 的基于大数据的园区招商方法的实现机制相同，详细可以参考上述图2 示实施例的记载，在此不再赘述。
以上实施例仅为本发明的示例性实施例，不用于限制本发明，本 发明的保护范围由权利要求书限定。本领域技术人员可以在本发明的 实质和保护范围内，对本发明做出各种修改或等同替换，这种修改或 等同替换也应视为落在本发明的保护范围内。
Claims (12)
1.一种基于大数据的园区招商方法，其特征在于，包括：
获取园区招商数据；
将所述园区招商数据输入预设分析模型，以使得所述预设分析模型分析与所述园区相匹配的招商企业；
根据分析结果，推荐相匹配的招商企业；
其中所述园区招商数据包括园区内部数据和园区外部数据。
2.根据权利要求1所述的方法，其特征在于，获取园区招商数据之后，所述方法还包括：
对所述园区招商数据进行数据质量检查；
根据检查结果对检查后的园区招商数据进行数据清洗。
3.根据权利要求2所述的方法，其特征在于，其中，所述数据质量检查包括以下至少一种操作：缺失值分析、异常值分析、数据分布分析和属性与目标字段相关性分析；
所述数据清洗包括以下至少一种操作：缺失值处理、异常值处理、离散化处理、归一化处理和二值化处理。
4.根据权利要求1所述的方法，其特征在于，将所述园区招商数据输入预设分析模型之前，所述方法包括：
获取园区招商历史数据；
根据所述园区招商历史数据，采用机器学习算法构建预设分析模型。
5.根据权利要求4所述的方法，其特征在于，所述招商历史数据包括：服务数据、基础设施数据、配套设施数据和环境分析数据。
6.根据权利要求1所述的方法，其特征在于，根据分析结果，推荐相匹配的招商企业包括：
采用聚类算法对所述相匹配的招商企业进行聚类，以获得预设类别的招商企业；
根据预设类别的招商企业的信用评级与注册资本，对所述预设类别的招商企业采用聚类算法进行聚类，以获得预设数量的招商企业；
推荐所述预设数量的招商企业。
7.根据权利要求1所述的方法，其特征在于，根据分析结果，推荐相匹配的招商企业之后，所述方法还包括：
对所述预设分析模型进行优化处理。
8.根据权利要求1所述的方法，其特征在于，所述分析结果包括以下至少一种：
各行业产业指数、各行业产值分析、关键词热度指数和产业链分析。
9.根据权利要求1所述的方法，其特征在于，其中，所述园区内部数据包括以下至少一种：园区内企业运营数据、基础设施数据和园区现有平台存储数据；
其中，所述园区外部数据包括以下至少一种：园区外部企业运营数据和企业基池数据。
10.一种基于大数据的园区招商装置，其特征在于，所述装置包括：
第一获取模块，配置为获取园区招商数据；
输入模块，配置为将所述园区招商数据输入预设分析模型，以使得所述预设分析模型分析与所述园区相匹配的招商企业；
第一推荐模块，配置为根据分析结果，推荐相匹配的招商企业；
其中所述园区招商数据包括园区内部数据和园区外部数据。
11.根据权利要求10所述的装置，其特征在于，所述装置还包括：
第二获取模块，配置为将所述园区招商数据输入预设分析模型之前，获取园区招商历史数据；
构建模块，配置为根据所述园区招商历史数据，采用机器学习算法构建预设分析模型。
12.根据权利要求10所述的装置，其特征在于，所述第一推荐模块包括：
第一聚类模块，采用聚类算法对所述相匹配的招商企业进行聚类，以获得预设类别的招商企业；
第二聚类模块，根据预设类别的招商企业的信用评级与注册资本，对所述预设类别的招商企业采用聚类算法进行聚类，以获得预设数量的招商企业；
第二推荐模块，推荐所述预设数量的招商企业。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810563043.9A CN108921702A (zh) | 2018-06-04 | 2018-06-04 | 基于大数据的园区招商方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810563043.9A CN108921702A (zh) | 2018-06-04 | 2018-06-04 | 基于大数据的园区招商方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108921702A true CN108921702A (zh) | 2018-11-30 |
Family
ID=64418190
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810563043.9A Pending CN108921702A (zh) | 2018-06-04 | 2018-06-04 | 基于大数据的园区招商方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108921702A (zh) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109903142A (zh) * | 2019-03-21 | 2019-06-18 | 中国联合网络通信集团有限公司 | 一种流量包匹配方法及装置 |
| CN110046931A (zh) * | 2019-03-25 | 2019-07-23 | 江苏苏宁物流有限公司 | 一种基于服务能力预测的招商方法及装置 |
| CN110084485A (zh) * | 2019-03-30 | 2019-08-02 | 邵美琪 | 一种园区关联企业孵化管理系统 |
| CN110210816A (zh) * | 2019-04-15 | 2019-09-06 | 广东康云科技有限公司 | 基于ai的园区企业信息处理方法、系统、装置和介质 |
| CN110634019A (zh) * | 2019-09-06 | 2019-12-31 | 京东城市(北京)数字科技有限公司 | 基于企业与地区的匹配方法、电子设备和存储介质 |
| CN110675959A (zh) * | 2019-08-19 | 2020-01-10 | 平安科技（深圳）有限公司 | 数据智能分析方法、装置、计算机设备及存储介质 |
| CN112396550A (zh) * | 2020-11-26 | 2021-02-23 | 深圳市中博科创信息技术有限公司 | 一种智慧招商平台的构建管理方法 |
| CN112767079A (zh) * | 2021-01-19 | 2021-05-07 | 珠海大横琴科技发展有限公司 | 一种运营服务平台 |
| CN113379227A (zh) * | 2021-06-08 | 2021-09-10 | 软通智慧信息技术有限公司 | 产业园区数据处理方法、装置、计算机设备及存储介质 |
| CN114741600A (zh) * | 2022-04-21 | 2022-07-12 | 深圳市城市产业发展集团有限公司 | 一种产业园区企业招商推荐的方法和装置 |
-
2018
- 2018-06-04 CN CN201810563043.9A patent/CN108921702A/zh active Pending
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109903142A (zh) * | 2019-03-21 | 2019-06-18 | 中国联合网络通信集团有限公司 | 一种流量包匹配方法及装置 |
| CN110046931A (zh) * | 2019-03-25 | 2019-07-23 | 江苏苏宁物流有限公司 | 一种基于服务能力预测的招商方法及装置 |
| CN110084485B (zh) * | 2019-03-30 | 2021-12-14 | 深圳市智客空间科技有限公司 | 一种园区关联企业孵化管理方法 |
| CN110084485A (zh) * | 2019-03-30 | 2019-08-02 | 邵美琪 | 一种园区关联企业孵化管理系统 |
| CN110210816A (zh) * | 2019-04-15 | 2019-09-06 | 广东康云科技有限公司 | 基于ai的园区企业信息处理方法、系统、装置和介质 |
| CN110675959A (zh) * | 2019-08-19 | 2020-01-10 | 平安科技（深圳）有限公司 | 数据智能分析方法、装置、计算机设备及存储介质 |
| CN110675959B (zh) * | 2019-08-19 | 2023-07-07 | 平安科技（深圳）有限公司 | 数据智能分析方法、装置、计算机设备及存储介质 |
| CN110634019A (zh) * | 2019-09-06 | 2019-12-31 | 京东城市(北京)数字科技有限公司 | 基于企业与地区的匹配方法、电子设备和存储介质 |
| CN112396550A (zh) * | 2020-11-26 | 2021-02-23 | 深圳市中博科创信息技术有限公司 | 一种智慧招商平台的构建管理方法 |
| CN112767079A (zh) * | 2021-01-19 | 2021-05-07 | 珠海大横琴科技发展有限公司 | 一种运营服务平台 |
| CN113379227A (zh) * | 2021-06-08 | 2021-09-10 | 软通智慧信息技术有限公司 | 产业园区数据处理方法、装置、计算机设备及存储介质 |
| CN114741600A (zh) * | 2022-04-21 | 2022-07-12 | 深圳市城市产业发展集团有限公司 | 一种产业园区企业招商推荐的方法和装置 |
| CN114741600B (zh) * | 2022-04-21 | 2022-12-27 | 深圳市城市产业发展集团有限公司 | 一种产业园区企业招商推荐的方法和装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108921702A (zh) | 基于大数据的园区招商方法及装置 | |
| Pramanik et al. | Resilient supplier selection using AHP-TOPSIS-QFD under a fuzzy environment | |
| Azadnia et al. | Sustainable supplier selection and order lot-sizing: an integrated multi-objective decision-making process | |
| Zouggari et al. | Simulation based fuzzy TOPSIS approach for group multi-criteria supplier selection problem | |
| Wu et al. | A literature review of decision-making models and approaches for partner selection in agile supply chains | |
| Badakhshan et al. | Applying digital twins for inventory and cash management in supply chains under physical and financial disruptions | |
| Becker et al. | ANP-based analysis of ICT usage in Central European enterprises | |
| CN111723292B (zh) | 基于图神经网络的推荐方法、系统、电子设备及存储介质 | |
| CN114219169A (zh) | 颖幡供应链销售和库存预测算法模型和应用系统 | |
| Yuen | A hybrid fuzzy quality function deployment framework using cognitive network process and aggregative grading clustering: An application to cloud software product development | |
| US20210125207A1 (en) | Multi-layered market forecast framework for hotel revenue management by continuously learning market dynamics | |
| Zhao et al. | Modelling consumer satisfaction based on online reviews using the improved Kano model from the perspective of risk attitude and aspiration | |
| Saiz et al. | A clustering‐based review on project portfolio optimization methods | |
| CN110147389A (zh) | 帐号处理方法和装置、存储介质及电子装置 | |
| Mishra et al. | Multi-attribute group decision-making (MAGDM) for supplier selection using fuzzy linguistic modelling integrated with VIKOR method | |
| US11468271B2 (en) | Method of data prediction and system thereof | |
| Hariri et al. | Integration of multi-criteria decision-making approaches adapted for quality function deployment: an analytical literature review and future research agenda | |
| Zema et al. | Deep learning and forecasting in practice: an alternative costs case | |
| Singha et al. | Application of different machine learning models for supply chain demand forecasting: comparative analysis | |
| Goker et al. | A novel IFCM integrated distance based hierarchical intuitionistic decision making procedure for agile supplier selection | |
| Aloini et al. | A hybrid fuzzy-PROMETHEE method for logistics service selection: design of a decision support tool | |
| Yadav et al. | Three-stage supply chain coordination under fuzzy random demand and production rate with imperfect production process | |
| Fournier-Viger et al. | Machine learning for intelligent industrial design | |
| US20230244990A1 (en) | Semantic graphing of heterogeneous documents for automated decision making and resource allocation using reinforcement learning | |
| Zietsman et al. | A generic decision support framework for inventory procurement planning in distribution centres |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20181130 |
|
| WD01 | Invention patent application deemed withdrawn after publication |