CN110717244A - 基于平均偏离度算法的数据信任度分析计算机仿真方法 - Google Patents
基于平均偏离度算法的数据信任度分析计算机仿真方法 Download PDFInfo
- Publication number
- CN110717244A CN110717244A CN201910803829.8A CN201910803829A CN110717244A CN 110717244 A CN110717244 A CN 110717244A CN 201910803829 A CN201910803829 A CN 201910803829A CN 110717244 A CN110717244 A CN 110717244A
- Authority
- CN
- China
- Prior art keywords
- data
- value
- deviation
- degree
- average
- 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.)
- Granted
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于平均偏离度算法的数据信任度分析计算机仿真方法,属于计算机仿真的信任度分析技术领域。该方法首先,计算仿真结果数组中所有样本数据的平均值,之后,计算每个样本数据的偏差;接着,计算各个样本数据的偏离度;然后根据计算得到的各个样本数据的偏离度计算仿真结果数组平均偏离度;再根据得到的数组平均偏离度计算数组评估容忍值,并获得容忍值阈;之后,对仿真结果数组中所有样本数据进行判断,在该容忍值阈内的数据为信任度高的数据,不在该容忍值阈内的数据为干扰数据。本发明该方法精度高、评估效率高成本低,具有较高实用性,可以更全面分析,还可以对偏差特别大的干扰数据剔除后进行更为合理准确分析评估,易于推广应用。
Description
技术领域
本发明涉及计算机仿真的信任度分析技术领域,具体涉及一种基于平均偏离度算法的数据信任度分析计算机仿真方法。
背景技术
计算机的仿真信任度评估可以提高仿真系统的质量,增加仿真系统的认可程度。它作为一个定量概念,是指仿真用户在一定需求下对于特定仿真系统及其仿真结果是否正确的信任程度。抗干扰评估系统只有保证其正确性和信任度,最终得到的评估结果才具有实际应用的价值和意义,因此保证抗干扰评估的信任度是一项非常关键的工作。在实际的仿真信任度评估时:一种方法是根据系统结果和数据特征计算得出近似的评估结果,另一种方法是由人为的给出评估值,但是由于被评估对象的模糊性和评估人员认识的局限性导致评估人员很难给出精确的评估值,因此仿真信任度评估研究需要针对主观和客观划分、定性和定量转化两个方面展开。
目前存在的云模型发生器算法尽管实现了定性的和定量的有效转换,但是云模型是基于概率理论和模糊数学提出的。而平均偏离度数据分析算法,也是实现数据信任度分析的方法之一,同样是作为概率理论和模糊数学的基础,该算法既能实现定性和定量的有效转换,又能很好的解决了评估过程中的模糊性和随机性,通过运算可以为数据组提供一个合理区间作为样本合理科学的判断评价标准,将其用于审计业务、工程造价控制、基本建设管理、工农业技术、社会、经济管理和等数据分析与评估,将有助于获取科学合理的技术和经济指标信任度评价值,提高技术处理和经济管理水平,大幅降低评估成本,同时,这一计算方法应用到复杂仿真系统信任度评估的研究极少,该方法尤其是底层指标的评估值的获取较为简单方便。在以往的云模型发生器算法中,一般都是利用正态云模型进行定性定量转换,现有的正态云模型发生器尚不能处理此类数据信息,没有能够自动智能反映数据组合理区间的信任度评估算法。而完全基于平均偏离度数据算法的信任度分析的计算机仿真方法在国内和国外公开信息中尚未出现过。
发明内容
本发明的目的是为了解决现有技术的不足,提供一种基于平均偏离度算法的数据信任度分析方法,并将其应用于仿真系统的信任度评估体系。平均偏离度数据分析是对数值组成的数组计算出算术平均值后,再将数值样本与该平均值比较,计算各样本偏离状况,进一步计算平均偏离度,并根据平均值和平均偏离度计算出容忍值阈上限值,以及容忍值阈下限值。用这组阈值来分析样本值偏离可容忍的程度,进而实现信任度分析的技术理论方法。仿真实验表明:该平均偏离度算法通过对数据波动程度进行自动合理计算,为人们提供了便捷高效的评估方法,具有较高实用性,为信任度评估分析开创了一种新的数据运算思路和计算机表现方式;此外,仿真信任度评估结果表明:该方法精度高,包含数据的分散度和凝聚度信息,可以更全面评估,还可以对偏差较大数据自动去除进行合理的容忍度计算。
上述基于平均偏离度算法的数据信任度分析,其评估方法具有丰富的数学和社会学意义,因而更易于被人们感受其科学合理性。作为数学指标平均是评价数据中等水平的标准,而作为社会学意义,平均及其平均变动水平是社会优化常态,平均水平、稳定性,社会运行平稳度、交易标底价格可接受度、变动可信任度、技术运行平稳性、管理稳定可待续等等是各行业单位管理普遍稳定性的期望目标,实际是人们均等化追求的普遍数据目标。因此,平均偏离度算法的信任度分析可以用于有效解决技术稳定和社会的均等化问题。
为实现上述目的,本发明采用的技术方案如下:
一种基于平均偏离度算法的数据信任度分析方法,包括如下步骤:
步骤(1),计算仿真结果数组中所有样本数据的平均值:n表示样本数据个数,n≥4,αn表示第n个样本数据;之后,计算每个样本数据的偏差:λi=ai-a0,ai表示某一样本数据;接着,计算各个样本数据的偏离度:δi=λi/a0;
步骤(3),根据步骤(2)得到的数组平均偏离度计算数组评估容忍值:η=Δ×|a0|;之后获得容忍值阈(a0-η,a0+η);之后,对仿真结果数组中所有样本数据进行判断,在该容忍值阈内的数据为信任度高数据,不在该容忍值阈内的数据为信任度低的干扰数据。
进一步,优选的是,还包括校正判断步骤,具体为:当步骤(1)中,有样本数据的偏离度较大时,即|(样本数据值-所有样本数据的平均值)|/|(容忍值阈上限值-所有样本数据的平均值)|>m,m为常数且大于0,则直接判定该数据为干扰数据,将该样本数据剔除。m可根据实际情况进行设置。
进一步,优选的是,m=3。
经核查,目前没有相应的通过数据挖掘自动评估数据合理区间的方法,传统的分析是通过人工干预确定区间,相比于现有分析缺点和不足,本发明所提出的一种基于平均偏离度算法的数据信任度分析方法,具有以下有益效果:通过和传统的评估方法相比,本发明可以在不通过人工干预的情况下,自动计算数组数值的容忍值阈上限值和下限值(阈值),实现数组数值合理波动区间的智能分析,准确合理计算数据组的期望值信息;同时,在聚合过程中还可将评估值数据的偏离度信息和凝聚度信息纳入其中,综合考虑了评估值数据的完整信息,通过相应软件将每一个节点的参数数据进行输出和判断,获得可信任的数据样本和数值异常的数据样本,指导修整其行为;还可以通过校正偏离度算法对重大误差数据及时剔除并作进一步更高准确度的评估。
相比传统的人工定义数组区间值,该分析方法的容忍值阈上限和下限值计算完全避免了任何人工因素干扰,评估阈值区间智能分析判断完全处于客观状态,及大的提高了评估的可接受程度;该分析方法统一了计算判断运算式,在计算机仿真技术中,数组合理区间评估结果获取效率极高,是人工干预无法比的,由于评估效率极大提高,评估成本自然极小,极大提高人们科学评估兴趣,为解决技术和社会评估事项带来极大的便利;计算方法符合数学原理和社会均等化趋势,智能化评估偏离度上下限区间更加科学准确合理;分析方法能实现现有计算机技术仿真,为该方法的社会化应用创造了条件。该分析方法的准确合理性、评估的高效率低成本以及计算机仿真应用,具有较大的社会应用价值,需要得到知识产权法律保护。
附图说明
图1是本发明方法流程示意图;
图2是应用实例1单价的仿真结果示意图;
图3是应用实例1量差的仿真结果示意图;
图4是应用实例1有量价分析发现异常点效果图;
图5为应用实例2电流原始数据仿真结果示意图;
图6是应用实例2第一个循环电流波动仿真结果示意图;
图7是应用实例2第二个循环电流波动仿真结果示意图;
图8是应用实例2第三个循环电流波动仿真结果示意图;
图9是应用实例2第四个循环电流波动仿真结果示意图;
图10是应用实例2第五个循环电流波动仿真结果示意图;
图11是应用实例2第六个循环电流波动仿真结果示意图。
具体实施方式
下面结合实施例对本发明作进一步的详细描述。
本领域技术人员将会理解,下列实施例仅用于说明本发明,而不应视为限定本发明的范围。实施例中未注明具体技术或条件者,按照本领域内的文献所描述的技术或条件或者按照产品说明书进行。所用材料或设备未注明生产厂商者,均为可以通过购买获得的常规产品。
本发明提出了一种基于平均偏离度算法的数据信任度分析计算机仿真方法,具体是:当面对仿真结果数组时,利用平均偏离度数据分析理论对数值组成的数组计算出算术平均值后,再将数值样本与该平均值比较,计算各样本偏差的状况,进一步计算平均偏离度,并根据平均值和平均偏离度计算出容忍值阈上限值,以及容忍值阈下限值。用这组偏离度阈值来分析样本值偏离可容忍的程度,进而实现信任度分析。
所述的平均偏离度数据信任度分析:以数据偏离值的平均值为算法标准,对数据数值分布状态进行分析评估,科学反映有其内在联系的数组数据分布偏离状况,计算数组数据的容忍值阈上限值和容忍值阈下限值,该上限和下限值作为数组样本值的阈值,将上限与下限值之间的数据样本值评价为可信任样本,而之外的数值为异常的样本值。
基于平均偏离度算法的数据信任度分析方法,具体步骤为:
1)样本偏离度计算
样本偏离度是通过针对数组中样本数据的分布状态,以数组样本平均值为基线,反映样本偏离平均线距离,以及以平均值为基数计算样本偏离的程度。
其中,n表示数组个数,n≥4,αn表示第n个样本。
数组平均值为算术平均指标,反映数组全体样本数值的一般性水平。
(2)各个样本数据分布偏差计算:λi=ai-a0,ai表示某一样本数据;
反映样本偏离平均值的偏差值状况。
(3)各个样本数据的偏离度计算:δi=λi/a0=偏差/平均值;
反映样本偏离平均值的程度,是样本偏离的相对数。
上述偏离度计算方法基础,是以数组平均值为评价基准,不论数组基数如何变化,我们总能从中寻找到一个客观标准,作为数组的一般性水平值,用于衡量数组的分布情况。
2)数组平均偏离度的计算
仅反映个体样本偏离度不能说明总体的分布合理性,这时我们需要掌握整个数组分布偏离总体水平。仿真结果数组平均偏离度是以分析数组分布状态为目的,将所有样本偏离度的绝对值(非负)求和,以其平均值计算数组偏离度总体水平。
数组平均偏离度是数组分布状态的量化指标,从计算公式分析,是数组中各样本偏离度的平均水平,这个指标的出现,从数组平均值由线性分析向数据分布状态分析发展,它所代表的数学与社会意义将更加丰富。
3)基于平均偏离度计算后的数据信任度分析
对存在内在联系的反映事物情况的数组分析时,人们有获取评估分析该数据信任状况标准的需求,故此,我们定性的将数组平均偏离度作为计算数据信任度的算法标准,计算容忍值阈上限值和下限值,该值具有影响数据数值评估的能力,我们定性的将该上限值和下限值作为数组评估阈值(容忍值),以该阈值作为容忍性分析的标准,成为鉴别数据信任度的界限。
数组评估容忍值:η=Δ×|a0|;
容忍值阈(区间):(a0-η,a0+η);
即容忍值阈上限值为(a0+η),容忍值阈下限值为(a0-η)。
在此区间内的数据为信任度高的数据为可信任数据,游离在容忍值之外的数据定性为干扰数据,根据需要可通过计算机程序自动计算并标注区别其信任状况。所述的基于平均偏离度算法的数据信任度分析的方法,还包括多数组平均偏离度分析算法。
所述的基于平均偏离度算法的数据信任度分析的方法还包括校正偏离度算法,在计算数据中数值出现比平均值偏离度较大数据时,系统中需要剔除其样本偏差较大的值后,再计算校正后的偏离度,故需要一个科学合理的标准剔除不正常的数值后,再计算更加准确的平均偏离度。
即包括校正判断步骤,具体为:有样本数据的偏离度较大时,即|(样本数据值-所有样本数据的平均值)|/|(容忍值阈上限值-所有样本数据的平均值)|>3,则直接判定该数据为干扰数据,将该干扰值剔除,不参与平均偏离度的计算,使得平均偏离度样本更具有代表性。
应用实例1
不失一般性,以某项目的合同结算审计分析为例对本发明内容作进一步的说明。在本人研发的《信息化风险反映与审计业务系统》软件中,基于平均偏离度的信任度分析中实现了计算机仿真。
以下为路基C20片石混凝土为例,采用本发明方法考察路基C20片石混凝土单价、合同中成交数量与实际成交结算数量之差(以下简称为量差),结果如表1、图2、图3。表1中单价的单位为元/m3,数量的单位为m3。
表1:路基C20混凝土工程量价信任度分析数据表
根据表1中76组数据计算,价格平均偏离度13.88,容忍值阈为(334.09,441.81);量差平均偏离度341.40,容忍值阈为(-3001.18,1641.32)。
在工程造价审计中,对存在内在联系(同类工程项目价格)的工程项目单价和数量差情况的数组分析时,审计评估人员有获取评估分析不同合同同类工程项目价格信任度状况和评估标准的需求,故此,我们定性的将同类项目价格数组平均偏离度作为计算数据信任度的算法标准。以单价数组和合同与实际结算数量差数组作为信任度分析对象,按照本发明方法,我们对单价数组进行信任度分析,得到容忍值阈上限价格和下限价格,根据价格的市场属性,其价格区间反映了价格的合理市场水平,并客观的认可其价格波动性,并非仅限于唯一的平均价格值;同时,按照合同主导性,期望在合同执行过程中实际数量与合同数量相比波动较小,更加符合合同预期。故对实际数量与合同数量差值进行波动评估,同样可以得出波动容忍值阈上限值和下限值,以此评估数量波动的可容忍度。计算中对数据中波动较大的超过校正值的价格和数量数据进行剔除,使得信任度计算更加科学合理;本例,应用在工程造价审计中,本方法合理的计算出多个合同中同类工程价格可接受的信任度价格区间,为审计人员对市场价格可接受水平判断提供了十分方便高效的技术,是极低成本的审计评估方法,其科学合理的波动幅度更易被各方接受,极大的提高了审计技术水平和工作效率。从图4中我们可知,第13、21两个合同(a1)价格超出容忍值阈上限值,而量差增幅很大,可能存在违规低变更设计低价高套或多结算工程款问题。第27个合同(a2),价格低于容忍值阈下限值,而量差大幅度,在下限以下,可能存在违规变更设计减少低价项目数量的问题。通常有两种情况不作为审计重点:一种是数量增减较大超过限值,但其价格在容忍值阈内;另一种是价格较低,但数量无明显增减;因为这两种情况均无明显的经济利益,所以不作为审计重点,如合同53、61和68(b1)。该方法通过智能判断方式帮助审计人员查找问题线索其效果十分明显,具有显著的实用价值。
故此,我们定性的将数组平均偏离度作为计算数据信任度的算法标准,计算容忍值阈上限值和下限值(价格),该值具有影响数据数值评估的能力,定性的将该上限值和下限值作为价格数组评估阈值(容忍值),以该阈值作为容忍性分析的标准,成为鉴别数据(价格)信任度的界限。所述的信任度分析方法,将上限与下限值之间的数据样本值评价为可信任样本(价格),而之外的数值为异常的样本值(价格)。审计中我们将高于上限价或低于下限价的作为关注点,进一步分析是否存在高估冒算,低价高套、为经济利益变更设计和工程质量隐患的审计线索,或者作为与被审计单位进行科学沟通的工具,实现了价格审计智能化分析,对审计机构带来较大工作价值。本人在审计实践中应用此方法在大量的结算项目中快速找到高于或低于上下限价格,并结合数量差异分析,快速找到重点审计范围和审计线索,并揭示了违规多结算工程款的问题。由于合理避开可信任的许多项目,找准异常不可信任的项目,大大提高了审计工作效率,以及审计精准度。
应用实例2
在工业系统调试中,对特定荷载下设备状态进行调试其电压或电流等环境值时,等时段出现不同的电压、电流值波动,为了使设备状态更加平稳,需要电压、电流值波动更小。如何分段进行调试?我们可以应用本发明方法,计算出第一组数据的容忍值阈,对于此容忍值阈外的异常值查找原因后进行调整、修正测试,如将异常高值调试修正为容忍值阈上限值,异常低值调试修正为容忍值阈下限值,再运行得到第二组数据;对第二组数据再采用本发明方法进行分析,又得到新的容忍值阈,第二组数据的波动平稳性更优于第一组;以此循环进行,实现工业系统平稳性调试水平和效率的不断提高。以下是模似24小时电流波动调试6个循环的偏离度变化情况,如表2-表8、图4-图11所示。
表2:原始数据
表3:电流调试表第一循环数据
表4:电流调试表第二循环数据
表5:电流调试表第三循环数据
表6:电流调试表第四循环数据
表7:电流调试表第五循环数据
表8:电流调试表第六循环数据
多次进行平均偏离度运算,每次将异常值调为上限和下限值后,产生新的一组数据,反复多次计算将调试出更加平稳的数据参数。上述6次循环,其调试数据平均偏离度逐步减小,从23.02、17.3、13.6、11.36、9.38、8.8,而平均值并没有接近第一次的平均值147.82,而是减小至142.16,所以不能以第一次的平均值为作标准,该算法是在动态中进行多次合理性阈值区间分析,当循环调试次数增多时,其稳定性逐步提高。此方法告诉我们如何分段选择调整参数,提高调试效率水平。
本发明方法通过定量平均偏离度的容忍度分析,可以科学合理计算数据的期望阈值信息,综合考虑信任度评估值数据的完整信息,进而智能化的为评估者得到定性判断,发现容忍值阈外的干扰数据值;同时,系统算法对较大误差数据及时剔除得到更高准确度的信任度评估。还实现了将多个数组偏离度展现在同一组度坐标体系中,以及将多个偏离度综合合并成一个偏离度图,实现多维偏离度分析,使得多数组数据信任度评估进入综合智能评估的状态,其评估合理性度进一步提高。本方法可应用于来自任何业务二维数据表的数据信任度分析,包括财务、财政、工程、环保等各类管理、经济、技术和审计等数据,只要确定数据存在内在联系,就可以分析得出其上限和下限容忍度阈值。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (3)
1.一种基于平均偏离度算法的数据信任度分析方法,其特征在于,包括如下步骤:
步骤(1),计算仿真结果数组中所有样本数据的平均值:n表示样本数据个数,n≥4,αn表示第n个样本数据;之后,计算每个样本数据的偏差:λi=ai-a0,ai表示某一样本数据;接着,计算各个样本数据的偏离度:δi=λi/a0;
步骤(2),根据步骤(1)计算得到的各个样本数据的偏离度计算仿真结果数组平均偏离度:
步骤(3),根据步骤(2)得到的数组平均偏离度计算数组评估容忍值:η=Δ×|a0|;之后获得容忍值阈(a0-η,a0+η);之后,对仿真结果数组中所有样本数据进行判断,在该容忍值阈内的数据为信任度高数据,不在该容忍值阈内的数据为信任度低的干扰数据。
2.根据权利要求1所述的基于平均偏离度算法的数据信任度分析方法,其特征在于,还包括校正判断步骤,具体为:当步骤(1)中,有样本数据的偏离度较大时,即|(样本数据值-所有样本数据的平均值)|/|(容忍值阈上限值-所有样本数据的平均值)|>m,m为常数且大于0,则直接判定该数据为干扰数据,将该样本数据剔除。
3.根据权利要求2所述的基于平均偏离度算法的数据信任度分析方法,其特征在于,m=3。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910803829.8A CN110717244B (zh) | 2019-08-28 | 2019-08-28 | 基于平均偏离度算法的数据信任度分析计算机仿真方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910803829.8A CN110717244B (zh) | 2019-08-28 | 2019-08-28 | 基于平均偏离度算法的数据信任度分析计算机仿真方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110717244A true CN110717244A (zh) | 2020-01-21 |
CN110717244B CN110717244B (zh) | 2023-10-03 |
Family
ID=69210192
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910803829.8A Active CN110717244B (zh) | 2019-08-28 | 2019-08-28 | 基于平均偏离度算法的数据信任度分析计算机仿真方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110717244B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114154866A (zh) * | 2021-12-02 | 2022-03-08 | 北京顶象技术有限公司 | 一种上市企业财务风险预警方法和系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060085234A1 (en) * | 2004-09-17 | 2006-04-20 | First American Real Estate Solutions, L.P. | Method and apparatus for constructing a forecast standard deviation for automated valuation modeling |
CN109670202A (zh) * | 2018-11-15 | 2019-04-23 | 中国人民解放军空军工程大学 | 一种基于云模型的仿真可信度评估方法 |
-
2019
- 2019-08-28 CN CN201910803829.8A patent/CN110717244B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060085234A1 (en) * | 2004-09-17 | 2006-04-20 | First American Real Estate Solutions, L.P. | Method and apparatus for constructing a forecast standard deviation for automated valuation modeling |
CN109670202A (zh) * | 2018-11-15 | 2019-04-23 | 中国人民解放军空军工程大学 | 一种基于云模型的仿真可信度评估方法 |
Non-Patent Citations (2)
Title |
---|
刘书如 等: "基于置信区间的网络性能仿真可信度评估" * |
郑垚宇 等: "基于云模型的仿真可信度评估方法" * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114154866A (zh) * | 2021-12-02 | 2022-03-08 | 北京顶象技术有限公司 | 一种上市企业财务风险预警方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110717244B (zh) | 2023-10-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chai et al. | A decomposition–integration model with dynamic fuzzy reconstruction for crude oil price prediction and the implications for sustainable development | |
US20170330078A1 (en) | Method and system for automated model building | |
CN102467684A (zh) | 基于改进雷达图的综合性能评估系统和方法 | |
CN111861238A (zh) | 高速公路桥梁工程风险评估方法、装置及计算机设备 | |
CN110991985A (zh) | 一种项目进度数据处理方法 | |
Evans et al. | Multivariate data analytics in PV manufacturing—Four case studies using manufacturing datasets | |
Sanyal et al. | Simulation and big data challenges in tuning building energy models | |
CN114266289A (zh) | 一种复杂装备健康状态评估方法 | |
CN113986869A (zh) | 基于机器学习时序预测算法的建设工程材料价格信息数据计算方法 | |
CN111199493A (zh) | 一种基于客户缴费信息及征信信息的欠费风险识别方法 | |
CN112528762B (zh) | 一种基于数据关联分析的谐波源识别方法 | |
Wu et al. | Application of time serial model in water quality predicting | |
CN110717244A (zh) | 基于平均偏离度算法的数据信任度分析计算机仿真方法 | |
CN116384622A (zh) | 基于电力大数据的碳排放监测方法及装置 | |
Mo et al. | Discrete element analysis on the correlation between marketing means and economic benefits of island ecotourism | |
CN114595945B (zh) | 一种面向制造过程的航空产品mbom健康度评价方法 | |
CN111027799A (zh) | 一种国企产能分析系统 | |
CN115166625A (zh) | 智能电表误差估计方法及装置 | |
CN112396455A (zh) | 数据资产的定价方法、装置、设备和介质 | |
CN111768282A (zh) | 数据分析方法、装置、设备及存储介质 | |
CN105719098A (zh) | 企业利润敏感方案的检测方法及系统 | |
Chunshan et al. | Study and application of data mining and NARX neural networks in load forecasting | |
FAHRUDIN | Sequence clustering in process mining for business process analysis using k-means | |
CN113256018B (zh) | 一种基于条件分位数回归模型的风电功率超短期概率预测方法 | |
Li | Optimization Strategy of Comprehensive Evaluation Method Based on Relative Excellence Measure |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |