CN109087134A - 时间分段决策方法、装置、介质及设备 - Google Patents
时间分段决策方法、装置、介质及设备 Download PDFInfo
- Publication number
- CN109087134A CN109087134A CN201810819311.9A CN201810819311A CN109087134A CN 109087134 A CN109087134 A CN 109087134A CN 201810819311 A CN201810819311 A CN 201810819311A CN 109087134 A CN109087134 A CN 109087134A
- Authority
- CN
- China
- Prior art keywords
- transaction data
- section
- cluster centre
- descending
- density
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0206—Price or cost determination based on market factors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Finance (AREA)
- Economics (AREA)
- Accounting & Taxation (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Game Theory and Decision Science (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Life Sciences & Earth Sciences (AREA)
- Tourism & Hospitality (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种时间分段决策方法包括:将交易数据按照交易时间划分为多个时间段,构建以时间段编号为横坐标,以销量为纵坐标的交易数据集;将交易数据集中的元素按照密度进行聚类,得到潜在聚类中心;将距离小于距离阈值的两个以上潜在聚类中心聚为一类;将可聚为一类的潜在聚类中心的横坐标的最大值和最小值作为端点,得到时间段区间,将剩余时间段中的每段连续的时间段作为一个区间;将以上区间作为交易时间的最终分段。本发明能够在整个交易时间序列内,找出密度较大的时间序列,并准确划分交易时间。
Description
技术领域
本发明涉及一种时间分段决策方法、装置、介质及设备,以及一种智能定价方法。
背景技术
目前,商品零售的定价问题已获得密切关注。商品的零售价主要通过成本+预期利润二项来确定的。零售商通常经营数量众多的商品,如果依照传统方法对商品进行频繁的改价,调价成本会很高;而如果在相对较长的时间周期保持不变则容易导致资金占用、资源浪费或未能及时补货的,导致零售商亏损许多利润。
目前,对零售商品进行智能定价愈发重要,商家可针对不同的销售时间对商品定不同的售价,以扩大利润、减少库存等。以往通常凭借人工经验划分时间,分别定价,效率低且准确率难以保证;而有些智能定价系统采用固定的时间段划分,可能会划分的过多或过少,或者把销量峰值的时间段划分为不同时间段,难以凸显销量在定价系统中的调控作用。
发明内容
本发明的目的在于提供一种时间分段决策方法,使整个分段过程自动化的同时更加智能化,有效帮助智能定价系统在合理的时间点来制定合理的销售价格。
本发明的第一方面提供了一种时间分段决策方法,包括:
将交易数据按照交易时间划分为多个时间段,构建以时间段编号为横坐标,以销量为纵坐标的交易数据集;
将交易数据集中的元素按照密度进行聚类,得到潜在聚类中心;
将距离小于距离阈值的两个以上潜在聚类中心聚为一类;
将可聚为一类的潜在聚类中心的横坐标的最大值和最小值作为端点,得到时间段区间,将剩余时间段中的每段连续的时间段作为一个区间;
将以上区间作为交易时间的最终分段。
进一步地,将交易数据集中的元素按照密度进行聚类,得到潜在聚类中心的步骤包括:
计算交易数据集中每个元素之间的欧氏距离;
计算交易数据集中每个元素的局部密度值ρ和聚类中心指标γ;
将元素按照γ降序排列,并从降序表中得到拐点ap;
将在降序表中排列在拐点ap之前的元素作为潜在聚类中心。
进一步地,在将元素按照γ降序排列并从降序表中得到拐点ap时,只记录降序表中前一部分的元素。
进一步地,距离阈值根据元素的数量和最多允许出现的峰值类簇预先设置。
进一步地,将交易数据集中的元素按照密度进行聚类前,将交易数据集进行归一化处理。
与现有技术相比,本发明能够在整个交易时间序列内,找出密度较大的时间序列,并准确划分交易时间,能够在很大程度上帮助零售商在合理的时间点来制定合理的销售价格,从而保证利润最大化。
本发明的第二方面提供了一种时间分段决策装置,包括:
交易数据集构建单元,被配置为将参考交易日的交易数据按照交易时间划分为多个时间段,构建以时间段编号为横坐标,以销量为纵坐标的交易数据集;
初步聚类单元,被配置为将交易数据集中的元素按照密度进行聚类,得到潜在聚类中心;
二次聚类单元,被配置为将距离小于距离阈值的两个以上潜在聚类中心聚为一类;
区间划分单元,被配置为将可聚为一类的潜在聚类中心的横坐标的最大值和最小值作为端点,得到时间段区间,并将剩余时间段中的每段连续的时间段作为一个区间;
分段单元,被配置为将以上区间作为交易时间的最终分段。
进一步地,初步聚类单元进一步被配置为:
计算交易数据集中每个元素之间的欧氏距离;
计算交易数据集中每个元素的局部密度值ρ和聚类中心指标γ;
将元素按照γ降序排列,并从降序表中得到拐点ap;
将在降序表中排列在拐点ap之前的元素作为潜在聚类中心。
进一步地,在将元素按照γ降序排列并从降序表中得到拐点ap时,只记录降序表中前一部分的元素。
进一步地,距离阈值根据元素的数量和最多允许出现的峰值类簇预先设置。
进一步地,将交易数据集中的元素按照密度进行聚类前,将交易数据集进行归一化处理。
本发明的第三方面提供了一种设备,该设备包括处理器、存储器,处理器与存储器建立通信连接;
处理器,用于读取存储器中的程序,以执行前述第一方面或第一方面的任一实现方式提供的方法。
本发明的第四方面提供了一种非易失性存储介质,该非易失性存储介质中存储了程序,该程序被计算设备运行时,计算设备执行前述第一方面或第一方面的任一实现方式提供的方法。
本发明第五方面提供了一种智能定价系统,该系统包括前述第二方面或第二方面的任一实现方式提供的装置。
本发明利用参考交易日的销量和时间的特征来为该交易日的时间分段做决策。相比于于人工手动时间分段或者固定时间分段,整个过程全自动化,效率高,速度快。并且自动分段更加科学化智能化,可以在整个销量时间序列内,找出销量较高且密度较大的时间序列,这种准确的时间分段方案能够在很大程度上帮助智能定价系统在合理的时间点来制定合理的销售价格,从而保证零售商的利润最大化。
附图说明
图1是根据本发明的实施例的时间分段决策方法的流程图。
图2是根据本发明的实施例的时间分段决策装置的框图。
图3是根据本发明的实施例的聚类中心指标γ排序图。
图4是根据本发明的实施例的各时间段的销量示意图。
具体实施方式
下面结合具体实施例和附图对本发明做进一步说明。可以理解的是,此处描述的具体实施例仅仅是为了解释本发明,而非对本发明的限定。此外,为了便于描述,附图中仅示出了与本发明相关的部分而非全部的结构或过程。
根据本发明的一个实施例,提供一种时间分段决策装置10,如图2所示,该装置10可以应用于各种智能定价系统,为定价系统提供准确的时间分段,帮助智能定价系统在合理的时间点来制定合理的销售价格。装置10可以包括交易数据集构建单元101、初步聚类单元102、二次聚类单元103、区间划分单元104和分段单元105。
交易数据集构建单元101被配置为将参考交易日的交易数据按照交易时间划分为多个时间段,构建以时间段编号为横坐标,以销量为纵坐标的交易数据集。例如,此处可以将数据集的个数作为坐标轴的横轴最大值,将数据集中各个元素的值作为坐标轴的纵轴,为了后续计算方便,在一些实施例中,可以将横纵轴坐标以横轴为基准进行归一化。
初步聚类单元102可以利用交易数据集构建单元构建的数据集,将所述交易数据集中的元素按照密度进行聚类,得到潜在聚类中心。例如,可以计算所述交易数据集中每个元素的局部密度值ρ,随后通过局部密度值得到所述交易数据集中每个元素的聚类中心指标γ,将所述元素按照γ降序排列,并从中得到拐点ap,在γ降序排列表中的拐点ap之前的元素即可作为潜在聚类中心,在将所述元素按照γ降序排列寻找拐点ap时,可以只记录降序表中前一部分的元素。利用数据集得到潜在聚类中心的方法将在后文详细说明。
二次聚类单元103将距离小于阈值的两个以上潜在聚类中心聚为一类。该阈值可以是一个距离的阈值,表示一个类簇的范围,该距离阈值可以根据元素的数量结合最多允许出现的峰值类簇预先设置。
区间划分单元104用于划分区间,将可聚为一类的潜在聚类中心的横坐标的最大值和最小值作为端点,得到时间段区间,并将剩余时间段中的每段连续的时间段作为一个区间。区间划分完成后,分段单元105可以将以上区间作为交易时间的最终分段。
下面结合图1介绍根据本发明的一个实施例进行时间分段决策的方法。如图1所示,该方法包括:
步骤S101,采集参考交易日的交易数据,将参考交易日的交易数据按照交易时间划分为多个时间段,构建以时间段编号为横坐标,以销量为纵坐标的交易数据集。
该参考交易日可从历史交易日中以一定方式筛选,例如通过历史交易日的标记数据与预交易日的标记数据进行比较,筛选出某些特征相同或相似的历史交易日作为参考交易日等,也可由智能定价系统的其他模块传输过来。
举例来说,假设从智能定价系统传输过来参考交易日的数据,并假设该数据已经过数据清洗或无需清洗,将参考交易日从开店时间到闭店时间按一定时间间隔等比分割成长度为N(横坐标)、每段表示销量(纵坐标)的数据集。(例如,假设一天营业时间为7:00-21:00,每20分钟为一段,划分后得到42段,即N=42)。则可得到:
X=[0,1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16,17,18,19,20,21,22,23,24,25,26,27,28,29,30,31,32,33,34,35,36,37,38,39,40,41]
Y=[1.9,3.7,5.5,4.6,2.8,8.2,9.1,10.0,8.3,8.1,7.3,8.6,2.2,1.3,5.64,3.22,2.54,6.34,6.35,3.63,1.34,9.34,9.77,9.65,9.45,11.21,10.33,12.42,1.12,6.12,1.98,4.87,6.76,1.65,7.54,1.43,3.32,1.34,5.55,1.77,5.65,7.0]
在得到数据集后,可以根据数据集的长度将数据集归一化。归一化后,横坐标数值为:
x={0.0,0.02,0.049,0.073,0.098,0.12,0.15,0.17,0.20,0.22,0.24,0.27,0.29,0.32,0.34,0.37,0.39,0.41,0.44,0.46,0.49,0.51,0.54,0.56,0.59,0.61,0.63,0.66,0.68,0.71,0.73,0.76,0.78,0.80,0.83,0.85,0.88,0.90,0.93,0.95,0.98,1.0}
纵坐标的数值为:
y={0.019,0.063,0.11,0.085,0.041,0.17,0.20,0.22,0.18,0.17,0.15,0.18,0.026,0.0044,0.11,0.051,0.035,0.13,0.13,0.061,0.0054,0.20,0.21,0.21,0.20,0.25,0.23,0.28,0.0,0.12,0.021,0.092,0.14,0.013,0.16,0.0076,0.054,0.0054,0.11,0.016,0.11,0.14}
随后,步骤S102,将所述交易数据集中的元素按照密度进行聚类,得到潜在聚类中心。
得到归一化的数据集后,计算数据集中每个元素之间的欧氏距离djk,将得到的欧氏距离djk按数值进行降序排列并去重。
设定距离阈值dc,在一个实施例中,可以在每个元素之间的距离djk降序排序后的数组中,选取第(N*(N-1)/P)个元素作为dc,其中,P为元素邻居点总数占数据集样本总数的比例值,例如,此处可以把P取作0.33或0.3,因为在我们使用的场景中,一天之中大致会出现两到三个销量峰值,按照三个来计算,此时P表示最多允许出现三个峰值类簇。
在拿到每个元素之间的距离djk和距离阈值dc后,可以通过判断该距离djk是否在dc的范围内,求取每个元素的局部密度值ρ,若在,则该元素的局部密度值加1。
对于元素j而言,ρj的计算方式为:
其中,
对于前述数据集,可以得到如下数组:
ρ={8,11,13,14,15,15,15,14,17,19,18,19,19,15,19,15,15,19,19,16,15,16,15,15,17,13,15,12,15,19,15,19,19,14,16,14,14,14,13,12,11,9}
随后,通过ρ和X值,计算所述交易数据集中每个元素的聚类中心指标γ,γi=ρi*Xi,将γ从大到小降序排序,记录元素的横坐标和排序后元素的编号,排序后的编号可以以下标的形式记录,可选择地,在排序时,可以只记录前DN=(N*P)个元素制作γ排序表。然后绘制γ排序图,如图3所示。
从排序图中寻找拐点ap。拐点ap为γ排序表中,γ|1,2,…,ap|与γ|ap,ap+1,…,DN|前后整体差异较大的元素,可以用以下条件判断ap:
ap=max{i|||γi-1-γi|-|γi-γi+1||>θ,i=2,3,…,DN-1}
其中,
得到拐点ap后,记录ap的坐标值。在γ排序表中,通过ap的下标值(即γ排序表排序后的编号),得到在ap之前的元素,这些点都可以作为潜在聚类中心,记录这些潜在聚类中心的横坐标值。例如,在上述示例中,我们可以得到如下数组:
C={21,9,22,25,11,24,8,27,6,10,26}
随后,步骤S103,将距离小于距离阈值的两个以上潜在聚类中心聚为一类。
计算数组C中任意两个潜在聚类中心之间的距离,如果两个潜在聚类中心之间的距离小于距离阈值dc,那么将这两个点聚为一类。若某个潜在聚类中心到任意潜在聚类中心的距离都大于dc,则将其视为一个独立的聚类中心。循环查找判断直到确定所有的聚类中心。
随后,步骤S104,将可聚为一类的潜在聚类中心的横坐标的最大值和最小值作为区间的端点,得到时间段区间,将剩余时间段中的每段连续的时间段作为一个区间。
在上述示例中,数组C中,6、8、9、10、11可聚为一类,21、22、23、24、25、26、27可聚为一类,得到时间段区间:[6,11]和[21,27]。将剩余时间段中的每段连续的时间段作为一个区间,得到剩余时间段的三个区间[0,5]、[12,20]、[28,41]。由此,聚类后得到的区间为:{[0,5],[6,11],[12,20],[21,27],[28,41]}。结合图4可以看到,[6,11]、[21,27]两段为密度销量峰值,各自为一段,这个时间段被分为了五段,即为最终划分结果。
随后,步骤S105,将以上区间作为交易时间的最终分段。
按照前述示例中假设的一天营业时间为7:00-21:00,得到最终时间段划分为{7:00-9:00}{9:00-11:00}{11:00-14:00}{14:00-16:20}{16:20-21:00},并为上述五个时间段分别定价。
该时间分段决策方法可以应用于智能定价系统,通过可以在整个交易时间序列内,找出销量较高且密度较大的时间序列,并准确划分交易时间,能够在很大程度上帮助智能定价系统在合理的时间点来制定合理的销售价格,从而保证零售商的利润最大化。
在上述实施例中,数据的形式、数值、编号、表示方式、记录方式等均仅仅是作为示例进行的描述,以便解释本发明的思想,不应理解为对本发明的限制。
根据本发明的另一个实施例,还提供了一种计算设备,包括处理器和存储器,处理器和存储器建立通信连接,所述处理器,用于读取存储器中的程序,以执行图1中所示的方法。
根据本发明的另一个实施例,还提供了一种非易失性存储介质,所述非易失性存储介质中存储了程序,该程序被计算设备运行时,所述计算设备执行图1中所示的方法。
本发明利用参考交易日的销量和时间的特征来为该交易日的时间分段做决策。本发明优于人工手动时间分段的地方在于:整个过程全自动化,效率高,速度快;相比较凭借人工经验型分段,自动分段更加科学化智能化,准确率高。可以在整个销量时间序列内,找出销量较高且密度较大的时间序列。准确的时间分段,能够在很大程度上帮助智能定价系统在合理的时间点来制定合理的销售价格,从而保证零售商的利润最大化。
上面结合附图对本发明的实施例做了详细说明,但本发明技术方案的使用不仅仅局限于本专利实施例中提及的各种应用,各种结构和变型都可以参考本发明技术方案轻易地实施,以达到本文中提及的各种有益效果。在本领域普通技术人员所具备的知识范围内,在不脱离本发明宗旨的前提下做出的各种变化,均应归属于本发明专利涵盖范围。
Claims (13)
1.一种时间分段决策方法,其特征在于,包括:
将交易数据按照交易时间划分为多个时间段,构建以时间段编号为横坐标,以销量为纵坐标的交易数据集;
将所述交易数据集中的元素按照密度进行聚类,得到潜在聚类中心;
将距离小于距离阈值的两个以上潜在聚类中心聚为一类;
将可聚为一类的潜在聚类中心的横坐标的最大值和最小值作为端点,得到时间段区间,将剩余时间段中的每段连续的时间段作为一个区间;
将以上区间作为交易时间的最终分段。
2.根据权利要求1所述的方法,其特征在于,将所述交易数据集中的元素按照密度进行聚类,得到潜在聚类中心的步骤包括:
计算所述交易数据集中每个元素之间的欧氏距离;
计算所述交易数据集中每个元素的局部密度值ρ和聚类中心指标γ;
将所述元素按照γ降序排列,并从降序表中得到拐点ap;
将在所述降序表中排列在拐点ap之前的元素作为潜在聚类中心。
3.根据权利要求2所述的方法,其特征在于,在将所述元素按照γ降序排列并从降序表中得到拐点ap时,只记录所述降序表中前一部分的元素。
4.根据权利要求1所述的方法,其特征在于,所述距离阈值根据所述元素的数量和最多允许出现的峰值类簇预先设置。
5.根据权利要求1所述的方法,其特征在于,将所述交易数据集中的元素按照密度进行聚类前,将所述交易数据集进行归一化处理。
6.一种时间分段决策装置,其特征在于,包括:
交易数据集构建单元,被配置为将参考交易日的交易数据按照交易时间划分为多个时间段,构建以时间段编号为横坐标,以销量为纵坐标的交易数据集;
初步聚类单元,被配置为将所述交易数据集中的元素按照密度进行聚类,得到潜在聚类中心;
二次聚类单元,被配置为将距离小于距离阈值的两个以上潜在聚类中心聚为一类;
区间划分单元,被配置为将可聚为一类的潜在聚类中心的横坐标的最大值和最小值作为端点,得到时间段区间,并将剩余时间段中的每段连续的时间段作为一个区间;
分段单元,被配置为将以上区间作为交易时间的最终分段。
7.根据权利要求6所述的装置,其特征在于,所述初步聚类单元进一步被配置为:
计算所述交易数据集中每个元素之间的欧氏距离;
计算所述交易数据集中每个元素的局部密度值ρ和聚类中心指标γ;
将所述元素按照γ降序排列,并从降序表中得到拐点ap;
将在所述降序表中排列在拐点ap之前的元素作为潜在聚类中心。
8.根据权利要求7所述的装置,其特征在于,在将所述元素按照γ降序排列并从降序表中得到拐点ap时,只记录所述降序表中前一部分的元素。
9.根据权利要求6所述的装置,其特征在于,所述距离阈值根据所述元素的数量和最多允许出现的峰值类簇预先设置。
10.根据权利要求6所述的装置,其特征在于,将所述交易数据集中的元素按照密度进行聚类前,将所述交易数据集进行归一化处理。
11.一种设备,其特征在于,包括处理器、存储器,所述处理器与所述存储器建立通信连接;
所述处理器,用于读取所述存储器中的程序,以执行如权利要求1-5中任一项所述的方法。
12.一种非易失性存储介质,其特征在于,所述非易失性存储介质中存储了程序,该程序被计算设备运行时,所述计算设备执行如权利要求1-5中任一项所述的方法。
13.一种智能定价系统,其特征在于,包括如权利要求6-10中任一项所述的时间分段决策装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810819311.9A CN109087134A (zh) | 2018-07-24 | 2018-07-24 | 时间分段决策方法、装置、介质及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810819311.9A CN109087134A (zh) | 2018-07-24 | 2018-07-24 | 时间分段决策方法、装置、介质及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109087134A true CN109087134A (zh) | 2018-12-25 |
Family
ID=64838373
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810819311.9A Pending CN109087134A (zh) | 2018-07-24 | 2018-07-24 | 时间分段决策方法、装置、介质及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109087134A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113111935A (zh) * | 2021-04-07 | 2021-07-13 | 东南大学 | 一种大宗商品电子商务市场中基于交易数据实时聚类的相同交易主体判定方法 |
CN114972828A (zh) * | 2022-05-14 | 2022-08-30 | 上海贝特威自动化科技有限公司 | 一种基于聚类的二维坐标行列排序方法及装置 |
CN117808473A (zh) * | 2024-03-01 | 2024-04-02 | 深圳迅策科技股份有限公司 | 一种交易数据的隐私计算方法及系统 |
-
2018
- 2018-07-24 CN CN201810819311.9A patent/CN109087134A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113111935A (zh) * | 2021-04-07 | 2021-07-13 | 东南大学 | 一种大宗商品电子商务市场中基于交易数据实时聚类的相同交易主体判定方法 |
CN113111935B (zh) * | 2021-04-07 | 2024-04-09 | 东南大学 | 一种大宗商品电子商务市场中基于交易数据实时聚类的相同交易主体判定方法 |
CN114972828A (zh) * | 2022-05-14 | 2022-08-30 | 上海贝特威自动化科技有限公司 | 一种基于聚类的二维坐标行列排序方法及装置 |
CN117808473A (zh) * | 2024-03-01 | 2024-04-02 | 深圳迅策科技股份有限公司 | 一种交易数据的隐私计算方法及系统 |
CN117808473B (zh) * | 2024-03-01 | 2024-05-31 | 深圳迅策科技股份有限公司 | 一种交易数据的隐私计算方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104281882B (zh) | 基于用户特征的预测社交网络信息流行度的方法及系统 | |
CN109087134A (zh) | 时间分段决策方法、装置、介质及设备 | |
CN110046993A (zh) | 非法所得合法化行为监测方法、系统、计算机装置及介质 | |
CN107146089A (zh) | 一种刷单识别方法及装置,电子设备 | |
CN106952159A (zh) | 一种不动产抵押品风险控制方法、系统及存储介质 | |
CN106209874A (zh) | 一种群智感知分配系统及其任务分配方法 | |
CN106534302A (zh) | 多任务需求服务组合方法和系统 | |
CN108304266A (zh) | 一种移动多目标群智感知任务分配方法 | |
CN113674013B (zh) | 一种基于商户自定义规则的广告竞价调整方法及系统 | |
CN115170294A (zh) | 一种客户分类方法、装置及服务器 | |
CN109584076A (zh) | 股票因子收益分析方法、装置、计算机设备以及存储介质 | |
CN109492863A (zh) | 金融单证的自动生成方法及装置 | |
CN107909478A (zh) | 基于社会网络聚类和信息增益熵指标的fof基金投资组合系统及方法 | |
CN109840957A (zh) | 一种基于区块链的分布式停车共享系统及实现方法 | |
CN109102042A (zh) | 一种基于特征参数的rfid货品定位管理系统及方法 | |
CN111008871A (zh) | 一种房地产复购客户跟进数量计算方法、装置及存储介质 | |
CN108428009A (zh) | 一种渠道分配方法及装置 | |
CN116361542A (zh) | 产品推荐方法、装置、计算机设备和存储介质 | |
CN110532266A (zh) | 一种数据处理的方法和装置 | |
CN114519629A (zh) | 一种基于大数据技术的财政收支数据动态监管方法及系统 | |
CN112348657A (zh) | 目标信贷用户的确定方法、装置、计算机设备及存储介质 | |
CN106503871A (zh) | 一种基于多相似股票投票统计的股票近期预测方法 | |
CN112232945A (zh) | 一种确定个人客户授信的方法及装置 | |
CN112488786A (zh) | 一种基于用户协同过滤的供应商推荐方法及装置 | |
Mawia et al. | Choice of savings instruments among rural women maize farmers: evidence from Uganda |
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: 20181225 |