CN110750549B - 一种基于大数据的车辆库存管理系统 - Google Patents

一种基于大数据的车辆库存管理系统 Download PDF

Info

Publication number
CN110750549B
CN110750549B CN201910987995.8A CN201910987995A CN110750549B CN 110750549 B CN110750549 B CN 110750549B CN 201910987995 A CN201910987995 A CN 201910987995A CN 110750549 B CN110750549 B CN 110750549B
Authority
CN
China
Prior art keywords
class
information
inventory
data
clustering
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.)
Active
Application number
CN201910987995.8A
Other languages
English (en)
Other versions
CN110750549A (zh
Inventor
郝润清
于大江
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.)
Qingdao Lunuo Electronic Technology Co ltd
Original Assignee
Qingdao Lunuo Electronic 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 Qingdao Lunuo Electronic Technology Co ltd filed Critical Qingdao Lunuo Electronic Technology Co ltd
Priority to CN201910987995.8A priority Critical patent/CN110750549B/zh
Publication of CN110750549A publication Critical patent/CN110750549A/zh
Application granted granted Critical
Publication of CN110750549B publication Critical patent/CN110750549B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/28—Databases characterised by their database models, e.g. relational or object models
    • G06F16/284—Relational databases
    • G06F16/285—Clustering or classification
    • 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
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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"
    • 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
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Databases & Information Systems (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Human Resources & Organizations (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Quality & Reliability (AREA)
  • Mathematical Physics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Game Theory and Decision Science (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

一种基于大数据的车辆库存管理系统，包括库存信息管理模块和库存信息服务平台，所述库存信息管理模块用于对库存商品进行记录和查询，所述库存信息服务平台包括信息采集单元、信息处理单元、数据库和市场分析单元，所述信息采集单元用于获取与库存商品相关的历史订单信息、市场信息和政策信息，并将获取的信息输入到数据库中进行存储，所述信息处理单元用于对获取的信息进行处理和聚类，所述市场分析单元根据聚类后的信息对库存商品的市场趋势进行预测，并将预测结果进行显示。本发明的有益效果为：通过对车辆库存商品相关信息的持续监测，实现了对车辆相关商品的市场趋势的有效预测，可以实现对车辆库存的动态及时调整。

Description

一种基于大数据的车辆库存管理系统
技术领域
本发明创造涉及大数据领域，具体涉及一种基于大数据的车辆库存管理系统。
背景技术
随着互联网和大数据等信息技术的深入发展，各行各业越来越重视数据的价值，并且通过数据挖掘相关技术对已有数据进行二次分析利用产生了良好的经济效益。库存管理信息的准确性和及时性对企业的生产和运作至关重要，通过对车辆库存商品相关的历史订单信息、市场信息和政策信息的持续监测，实现了对车辆相关商品的市场趋势的有效预测，根据预测的市场趋势调整车辆相关商品的库存，可以实现对车辆库存的动态及时调整。
发明内容
针对上述问题，本发明旨在提供一种基于大数据的车辆库存管理系统。
本发明创造的目的通过以下技术方案实现：
一种基于大数据的车辆库存管理系统，包括库存信息管理模块和库存信息服务平台，所述库存信息管理模块包括库存信息记录单元和库存信息查询单元，所述库存信息记录单元用于记录库存商品信息，用户可以通过库存信息查询单元对库存信息记录单元中的库存商品信息进行查询，所述库存信息服务平台包括信息采集单元、信息处理单元、数据库和市场分析单元，所述信息采集单元用于获取与库存商品相关的历史订单信息、市场信息和政策信息，并将获取的信息输入到数据库中进行存储，所述信息处理单元用于对获取的信息进行预处理，并对预处理后的信息进行聚类，所述市场分析单元根据聚类结果对库存商品的市场趋势进行预测，并将预测结果进行显示。
优选地，所述库存商品信息包括库存商品类型和该库存商品对应的库存数量、货架位置和出入库情况。
优选地，所述信息处理单元包括信息预处理部分和信息聚类部分，所述信息预处理部分用于对获取的信息进行归一化处理，所述信息聚类部分用于对预处理后的信息进行聚类。
优选地，所述信息聚类部分采用半监督的K均值算法对获取的信息进行聚类，具体为：
在带标签的数据中随机选取N0个数据点作为初始聚类中心，组成聚类中心集合
Figure BDA0002237323060000011
设每个初始聚类中心对应一个初始类，所述初始类为以聚类中心为中心、初始半径为R(0)的球体，包含在该球体内的数据组成该初始类，则聚类中心集合V对应的聚类集合为
Figure BDA0002237323060000021
所述类的标签和聚类中心的标签相同，对不包括在初始类中的数据进行聚类，定义数据点xi的聚类因子为p(xi，cl)，则ρ(xi，cl)的计算公式为：
Figure BDA0002237323060000022
式中，vl为类cl的聚类中心，cl为聚类集合C中的第l个类，cm为聚类集合C中的第m个类，xj为类cl中的数据，xh为类ch中的数据，Nt为当前的聚类数，α和β为权重系数，且α+β＝1；
数据xi选取使得聚类因子ρ(xi，cl)取最小值的类加入，设
Figure BDA0002237323060000023
当数据xi为未带标签数据时，则xi直接加入类cj；当数据xi为带标签数据时，则对数据xi和类cj进行标签检测，当数据xi的标签和类cj的标签相同时，则数据xi直接加入类cj，并采用下式对类cj的聚类中心vj进行调整，并对聚类中心集合V进行更新，用调整后的聚类中心v′j代替聚类中心集合V中原有的聚类中心vj：
v′j＝vj+α(xi-vj)
式中，α表示调整步长，且0＜α＜1，xi表示当前输入的数据，v′j表示修正后的类cj的聚类中心；
当数据xi的标签和类cj的标签不同时，则以数据xi为聚类中心生成一个新的类，并对聚类中心集合V和聚类集合C进行更新，设生成的新的类表示为
Figure BDA0002237323060000024
则类
Figure BDA0002237323060000025
的类半径
Figure BDA0002237323060000026
和类cj的类半径R(cj)分别调整为：
Figure BDA0002237323060000027
Figure BDA0002237323060000028
式中，vj表示类cj的聚类中心。
优选地，制定聚类检测机制，对每次迭代后的聚类集合C中的类进行检测，当聚类中心vi和聚类中心vj的标签相同，且类ci和类cj满足
Figure BDA0002237323060000029
时，则将类ci和类cj进行合并，并对聚类集合C进行更新；其中，Cb为类ci和类cj的并集，且Cb＝ci∪cj，
Figure BDA00022373230600000210
为类Cb的聚类中心，R(Cb)为类Cb的类半径，Cs为类ci和类cj的交集，且Cs＝ci∩cj，
Figure BDA0002237323060000031
为类Cs的聚类中心，R(Cs)为类Cs的类半径，δ为调节参数，且0＜δ＜1；
将合并后的类表示为cn，将类cn的类半径R(cn)设置为：
Figure BDA0002237323060000032
式中，R(Cb)为类Cb的类半径，R(Cs)为类Cs的类半径，
Figure BDA0002237323060000033
为类Cb的聚类中心，
Figure BDA0002237323060000034
为类Cs的聚类中心。
优选地，市场分析单元采用BP神经网络算法对库存商品的市场趋势进行预测，所述BP神经网络的包括输入层、隐含层和输出层，所述BP神经网络输入层的输入值为信息聚类部分的聚类结果。
本发明创造的有益效果：提供一种基于大数据的车辆库存管理系统，通过对车辆库存商品相关的历史订单信息、市场信息和政策信息的持续监测，实现了对车辆相关商品的市场趋势的有效预测，根据预测的市场趋势调整车辆相关商品的库存，可以实现对车辆库存的动态及时调整。
附图说明
利用附图对发明创造作进一步说明，但附图中的实施例不构成对本发明创造的任何限制，对于本领域的普通技术人员，在不付出创造性劳动的前提下，还可以根据以下附图获得其它的附图。
图1是本发明结构示意图。
附图标记：
库存信息管理模块；库存信息记录单元；库存信息查询单元；库存信息服务平台；信息采集单元；信息处理单元；数据库；市场分析单元。
具体实施方式
结合以下实施例对本发明作进一步描述。
参见图1，本实施例的一种基于大数据的车辆库存管理系统，包括库存信息管理模块和库存信息服务平台，所述库存信息管理模块包括库存信息记录单元和库存信息查询单元，所述库存信息记录单元用于记录库存商品信息，用户可以通过库存信息查询单元对库存信息记录单元中的库存商品信息进行查询，所述库存信息服务平台包括信息采集单元、信息处理单元、数据库和市场分析单元，所述信息采集单元用于获取与库存商品相关的历史订单信息、市场信息和政策信息，并将获取的信息输入到数据库中进行存储，所述信息处理单元用于对获取的信息进行预处理，并对预处理后的信息进行聚类，所述市场分析单元根据聚类结果对库存商品的市场趋势进行预测，并将预测结果进行显示。
优选地，所述库存商品信息包括库存商品类型和该库存商品对应的库存数量、货架位置和出入库情况。
本优选实施例提供一种基于大数据的车辆库存管理系统，通过对车辆库存商品相关的历史订单信息、市场信息和政策信息的持续监测，实现了对车辆相关商品的市场趋势的有效预测，根据预测的市场趋势调整车辆相关商品的库存，可以实现对车辆库存的动态及时调整。
优选地，所述信息处理单元包括信息预处理部分和信息聚类部分，所述信息预处理部分用于对获取的信息进行归一化处理，所述信息聚类部分用于对预处理后的信息进行聚类。
优选地，所述信息聚类部分采用半监督K均值算法对获取的信息进行聚类，具体为：
在带标签的数据中随机选取N0个数据点作为初始聚类中心，组成聚类中心集合
Figure BDA0002237323060000041
设每个初始聚类中心对应一个初始类，所述初始类为以聚类中心为中心、初始半径为R(0)的球体，包含在该球体内的数据组成该初始类，则聚类中心集合V对应的聚类集合为
Figure BDA0002237323060000042
所述类的标签和聚类中心的标签相同，对不包括在初始类中的数据进行聚类，定义数据点xi的聚类因子为p(xi，cl)，则ρ(xi，cl)的计算公式为：
Figure BDA0002237323060000043
式中，vl为类cl的聚类中心，cl为聚类集合C中的第l个类，cm为聚类集合C中的第m个类，xj为类cl中的数据，xh为类ch中的数据，Nt为当前的聚类数，α和β为权重系数，且α+β＝1；
数据xi选取使得聚类因子ρ(xi，cl)取最小值的类加入，设
Figure BDA0002237323060000044
当数据xi为未带标签数据时，则xi直接加入类cj；当数据xi为带标签数据时，则对数据xi和类cj进行标签检测，当数据xi的标签和类cj的标签相同时，则数据xi直接加入类cj，并采用下式对类cj的聚类中心vj进行调整，并对聚类中心集合V进行更新，用调整后的聚类中心v′j代替聚类中心集合V中原有的聚类中心vj：
v′j＝vj+α(xi-vj)
式中，α表示调整步长，且0＜α＜1，xi表示当前输入的数据，v′j表示修正后的类cj的聚类中心；
当数据xi的标签和类cj的标签不同时，则以数据xi为聚类中心生成一个新的类，并对聚类中心集合V和聚类集合C进行更新，设生成的新的类表示为
Figure BDA0002237323060000051
则类
Figure BDA0002237323060000052
的类半径
Figure BDA0002237323060000053
和类cj的类半径R(cj)分别调整为：
Figure BDA0002237323060000054
Figure BDA0002237323060000055
式中，vj表示类cj的聚类中心。
本优选实施例采用半监督的K均值聚类算法对预处理后的信息进行聚类，从而实现高维信息的降维，在采用的半监督K均值聚类算法中，利用少量标记样本确定初始聚类中心的选取，这样使得聚类有了指导信息，既减少了随机初始聚类中心对聚类结果的影响，又提高了聚类的准确率；根据选取的聚类中心确定初始类，考虑到在局部区域内，经常有大量的数据聚集在一起，本优选实施例将初始类设置为以聚类中心为中心、半径为R(0)的球体，位于该球体内的数据即为该类中的数据，初始类的设置可以有效的减少聚类过程中处理的数据量，提高了聚类的速度，又能保证聚类质量；当初始类确定后，对不包含在初始类中的数据进行聚类，定义聚类因子，数据选取具有最小聚类因子的类加入，相较于传统的数据选择类的方法，本优选实施例定义的聚类因子不仅考虑了聚类中心对数据的吸引力，同时考虑了类中数据对该数据的吸引力，避免了单纯采用聚类中心作为衡量标准而聚类中心位置出现偏差时造成的影响，提高了聚类结果的准确性，此外，当数据为带标签数据时，则对数据和类进行标签检测，当数据和类的标签不同时，即以该数据为中心生成新的类，并对新生成的类和原有的类的半径进行调整，保证类中的所有数据点均为同种标签类别，即在聚类的过程中，根据带标签的数据和聚类中心的标签进行检测，实时调整类的半径，保证类中标签的统一性，提高了聚类的准确性。
优选地，制定聚类检测机制，对每次迭代后的聚类集合C中的类进行检测，当聚类中心vi和聚类中心vj的标签相同，且类ci和类cj满足
Figure BDA0002237323060000056
时，则将类ci和类cj进行合并，并对聚类集合C进行更新；其中，Cb为类ci和类cj的并集，且Cb＝ci∪cj，
Figure BDA0002237323060000061
为类Cb的聚类中心，R(Cb)为类Cb的类半径，Cs为类ci和类cj的交集，且Cs＝ci∩cj，
Figure BDA0002237323060000062
为类Cs的聚类中心，R(Cs)为类Cs的类半径，δ为调节参数，且0＜δ＜1；
将合并后的类表示为cn，将类cn的类半径R(cn)设置为：
Figure BDA0002237323060000063
式中，R(Cb)为类Cb的类半径，R(Cs)为类Cs的类半径，
Figure BDA0002237323060000064
为类Cb的聚类中心，
Figure BDA0002237323060000065
为类Cs的聚类中心。
本优选实施例在每次迭代后对聚类集合C中的类进行检测，当两个类之间满足设置的条件时，即将两个类进行合并，有效的避免了类之间的重叠情况，增加了聚类结果的准确性；本优选实施例采用的聚类检测机制，通过两个类之间的并集和合集的聚类中心以及类半径的关系进行检测，能够有效的避免类之间的重叠情况，提高聚类结果的准确性。
优选地，市场分析单元采用BP神经网络算法对库存商品的市场趋势进行预测，所述BP神经网络的包括输入层、隐含层和输出层，所述BP神经网络输入层的输入值为信息聚类部分的聚类结果。
本优选实施例采用BP神经网络算法根据信息聚类部分的聚类结果对库存商品的市场趋势进行预测，实现了对车辆相关商品的市场趋势的有效预测。
最后应当说明的是，以上实施例仅用以说明本发明的技术方案，而非对本发明保护范围的限制，尽管参照较佳实施例对本发明作了详细地说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的实质和范围。

Claims (3)

1.一种基于大数据的车辆库存管理系统，其特征是，包括库存信息管理模块和库存信息服务平台，所述库存信息管理模块包括库存信息记录单元和库存信息查询单元，所述库存信息记录单元用于记录库存商品信息，用户可以通过库存信息查询单元对库存信息记录单元中的库存商品信息进行查询，所述库存信息服务平台包括信息采集单元、信息处理单元、数据库和市场分析单元，所述信息采集单元用于获取与库存商品相关的历史订单信息、市场信息和政策信息，并将获取的信息输入到数据库中进行存储，所述信息处理单元用于对获取的信息进行预处理，并对预处理后的信息进行聚类，信息处理单元包括信息预处理部分和信息聚类部分，所述信息预处理部分用于对获取的信息进行归一化处理，所述信息聚类部分用于对预处理后的信息进行聚类，所述信息聚类部分采用半监督的K均值算法对获取的信息进行聚类，具体为：
在带标签的数据中随机选取N0个数据点作为初始聚类中心，组成聚类中心集合
Figure FDA0002499823290000011
Figure FDA0002499823290000012
设每个初始聚类中心对应一个初始类，所述初始类为以聚类中心为中心、初始半径为R(0)的球体，包含在该球体内的数据组成该初始类，聚类中心集合V对应的聚类集合为
Figure FDA0002499823290000013
所述类的标签和聚类中心的标签相同，对不包括在初始类中的数据进行聚类，定义数据xi的聚类因子为ρ(xi，cl)，则ρ(xi，cl)的计算公式为：
Figure FDA0002499823290000014
式中，vl为类cl的聚类中心，cl为聚类集合C中的第l个类，cm为聚类集合C中的第m个类，xj为类cl中的数据，xh为类ch中的数据，Nt为当前的聚类数，α和β为权重系数，且α+β＝1；
数据xi选取使得聚类因子ρ(xi，cl)取最小值的类加入，设
Figure FDA0002499823290000015
当数据xi为未带标签数据时，则xi直接加入类cj；当数据xi为带标签数据时，则对数据xi和类cj进行标签检测，当数据xi的标签和类cj的标签相同时，则数据xi直接加入类cj，并采用下式对类cj的聚类中心vj进行调整，并对聚类中心集合V进行更新，用调整后的聚类中心v′j代替聚类中心集合V中原有的聚类中心vj：
v′j＝vj+α(xi-vj)
式中，α表示调整步长，且0<α<1，xi表示当前输入的数据，v′j表示修正后的类cj的聚类中心；
当数据xi的标签和类cj的标签不同时，则以数据xi为聚类中心生成一个新的类，并对聚类中心集合V和聚类集合C进行更新，设生成的新的类表示为
Figure FDA0002499823290000021
则类
Figure FDA0002499823290000022
的类半径
Figure FDA0002499823290000023
和类cj的类半径R(cj)分别调整为：
Figure FDA0002499823290000024
Figure FDA0002499823290000025
式中，vj表示类cj的聚类中心；制定聚类检测机制，对每次迭代后的聚类集合C中的类进行检测，当聚类中心vi和聚类中心vj的标签相同，且类ci和类cj满足
Figure FDA0002499823290000026
Figure FDA0002499823290000027
时，则将类ci和类cj进行合并，并对聚类集合C进行更新；其中，Cb为类ci和类cj的并集，且Cb＝ci∪cj，
Figure FDA0002499823290000028
为类Cb的聚类中心，R(Cb)为类Cb的类半径，Cs为类ci和类cj的交集，且Cs＝ci∩cj，
Figure FDA0002499823290000029
为类Cs的聚类中心，R(Cs)为类Cs的类半径，δ为调节参数，且0<δ<1；
将合并后的类表示为cn，将类cn的类半径R(cn)设置为：
Figure FDA00024998232900000210
式中，R(Cb)为类Cb的类半径，R(Cs)为类Cs的类半径，
Figure FDA00024998232900000211
为类Cb的聚类中心，
Figure FDA00024998232900000212
为类Cs的聚类中心，所述市场分析单元根据聚类结果对库存商品的市场趋势进行预测，并将预测结果进行显示。
2.根据权利要求1所述的一种基于大数据的车辆库存管理系统，其特征是，所述库存商品信息包括库存商品类型和该库存商品对应的库存数量、货架位置和出入库情况。
3.根据权利要求2所述的一种基于大数据的车辆库存管理系统，其特征是，市场分析单元采用BP神经网络算法对库存商品的市场趋势进行预测，所述BP神经网络的包括输入层、隐含层和输出层，所述BP神经网络输入层的输入值为信息聚类部分的聚类结果。
CN201910987995.8A 2019-10-17 2019-10-17 一种基于大数据的车辆库存管理系统 Active CN110750549B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910987995.8A CN110750549B (zh) 2019-10-17 2019-10-17 一种基于大数据的车辆库存管理系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910987995.8A CN110750549B (zh) 2019-10-17 2019-10-17 一种基于大数据的车辆库存管理系统

Publications (2)

Publication Number Publication Date
CN110750549A CN110750549A (zh) 2020-02-04
CN110750549B true CN110750549B (zh) 2020-06-30

Family

ID=69278698

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910987995.8A Active CN110750549B (zh) 2019-10-17 2019-10-17 一种基于大数据的车辆库存管理系统

Country Status (1)

Country Link
CN (1) CN110750549B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111461628B (zh) * 2020-04-29 2022-05-03 众能联合数字技术有限公司 一种设备租赁的动态库存预测方法
CN112232606B (zh) * 2020-12-16 2021-04-02 平安科技（深圳）有限公司 业务数据的预测方法、装置、设备及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106447411A (zh) * 2016-12-27 2017-02-22 东华互联宜家数据服务有限公司 撮合平台和系统
CN107103038A (zh) * 2017-03-24 2017-08-29 武汉理工数字传播工程有限公司 一种基于大数据的选题策划系统
CN108053286A (zh) * 2017-12-26 2018-05-18 广州大汗科技有限公司 一种基于互联网的汽车销售服务管理系统
CN108876328A (zh) * 2018-09-28 2018-11-23 赛拓信息技术有限公司 汽车4s店管理信息系统

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9146603B2 (en) * 2012-05-08 2015-09-29 William Reber, Llc Cloud computing system, vehicle cloud processing device and methods for use therewith
CN103425762A (zh) * 2013-08-05 2013-12-04 南京邮电大学 基于Hadoop平台的电信运营商海量数据处理方法
CN103679478A (zh) * 2013-12-17 2014-03-26 南京联创科技集团股份有限公司 一种生成生鲜商城宅配套餐的方法及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106447411A (zh) * 2016-12-27 2017-02-22 东华互联宜家数据服务有限公司 撮合平台和系统
CN107103038A (zh) * 2017-03-24 2017-08-29 武汉理工数字传播工程有限公司 一种基于大数据的选题策划系统
CN108053286A (zh) * 2017-12-26 2018-05-18 广州大汗科技有限公司 一种基于互联网的汽车销售服务管理系统
CN108876328A (zh) * 2018-09-28 2018-11-23 赛拓信息技术有限公司 汽车4s店管理信息系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于强类别特征近邻传播的半监督文本聚类;文翰等;《模式识别与人工智能》;20140731;第27卷(第7期);第646-652页 *

Also Published As

Publication number Publication date
CN110750549A (zh) 2020-02-04

Similar Documents

Publication Publication Date Title
US11928567B2 (en) System and method for improving machine learning models by detecting and removing inaccurate training data
AU2022204241A1 (en) Machine learning classification and prediction system
US10366435B2 (en) Vehicle data system for rules based determination and real-time distribution of enhanced vehicle data in an online networked environment
US11741094B2 (en) Method and system for identifying core product terms
CN110750549B (zh) 一种基于大数据的车辆库存管理系统
US20210012359A1 (en) Device, method and computer-readable medium for making recommendations on the basis of customer attribute information
US20220366488A1 (en) Transmitting proactive notifications based on machine learning model predictions
US11966933B2 (en) System and method for correlating and enhancing data obtained from distributed sources in a network of distributed computer systems
CN114596031A (zh) 基于全生命周期数据的快递终端用户画像模型
CN116468464A (zh) 基于大数据的商品智能定价方法及系统
EP4091106B1 (en) Systems and methods for protecting against exposure to content violating a content policy
CN112861895A (zh) 一种异常物品的检测方法和装置
CN110599281A (zh) 一种确定目标店铺的方法和装置
CN111612583A (zh) 一种基于聚类的个性化导购系统
US20080120123A1 (en) Method and system for finding similar charts for financial analysis
CN110880119A (zh) 一种数据处理方法和装置
CN111400567B (zh) 一种基于ai的用户数据的处理方法、装置及系统
CN114240553A (zh) 车辆保险产品的推荐方法、装置、设备及存储介质
CN113127755A (zh) 一种人工智能虚拟形象信息推荐算法系统及方法
CN110738538A (zh) 识别相似物品的方法和装置
CN113837764B (zh) 风险预警方法、装置、电子设备和存储介质
US11868860B1 (en) Systems and methods for cohort-based predictions in clustered time-series data in order to detect significant rate-of-change events
WO2022249266A1 (ja) 不正検知システム、不正検知方法およびプログラム記録媒体
US11367091B2 (en) Methods and apparatus to identify retail pricing strategies
US20230073643A1 (en) Predicting Events Based On Time Series Data

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