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 |