CN111047137A - 物流绩效综合评价体系构建方法、装置和计算机设备 - Google Patents
物流绩效综合评价体系构建方法、装置和计算机设备 Download PDFInfo
- Publication number
- CN111047137A CN111047137A CN201911080476.XA CN201911080476A CN111047137A CN 111047137 A CN111047137 A CN 111047137A CN 201911080476 A CN201911080476 A CN 201911080476A CN 111047137 A CN111047137 A CN 111047137A
- Authority
- CN
- China
- Prior art keywords
- evaluation index
- performance evaluation
- system data
- logistics
- performance
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 541
- 238000000034 method Methods 0.000 title claims abstract description 45
- 239000011159 matrix material Substances 0.000 claims description 167
- 238000013528 artificial neural network Methods 0.000 claims description 46
- 239000013598 vector Substances 0.000 claims description 38
- 238000004590 computer program Methods 0.000 claims description 26
- 238000012545 processing Methods 0.000 claims description 18
- 238000012216 screening Methods 0.000 claims description 17
- 238000010276 construction Methods 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 9
- 230000008901 benefit Effects 0.000 claims description 7
- 238000011478 gradient descent method Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 5
- 238000011161 development Methods 0.000 abstract description 13
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 210000002569 neuron Anatomy 0.000 description 4
- 238000001914 filtration Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000013551 empirical research Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- G06Q10/083—Shipping
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供一种物流绩效综合评价体系构建方法、装置和计算机设备,从城市绩效评价指标体系数据、企业绩效评价指标体系数据以及跨境物流绩效评价指标体系数据三个方面入手,根据预设的评价指标设立原则,从上述绩效评价指标体系中筛选出能够直接影响绩效的有效评价指标,得到对应的初始物流绩效评价指标体系数据,再确定初始物流绩效评价指标体系数据中评价指标的权重,进而构建公正合理的物流绩效综合评价体系,能够结合评价对象的实际情况,全面分析出影响企业物流发展的根本因素,有针对性地给出建设性的参考意见,有助于企业的发展。
Description
技术领域
本申请涉及绩效管理技术领域,特别是涉及一种物流绩效综合评价体系构建方法、装置、计算机设备和存储介质。
背景技术
绩效评价是指运用一定的评价方法、量化指标及评价标准,对职能部门为实现其职能所确定的绩效目标的实现程度,及为实现这一目标所安排预算的执行结果所进行的综合性评价。绩效评价是当前许多企业探索企业整体绩效、提高企业竞争力的有力途径。
随着电子商务的发展和消费需求个性化的加强,社会物流需求也显著增加,越来越多的企业开始发展自己的物流业,在经济全球化和电子商务的双重推动下,物流业正在从传统物流向现代物流迅速转型并成为当前物流业发展的必然趋势
然而,目前物流业发展错综复杂,对于物流体系的绩效评价方案参差不齐,多是基于各评价指标权重确定的权重向量与绩效评语的判定概率矩阵的乘积构建的物流绩效评价体系来进行绩效评价,基于该方式构建的物流绩效评价体系不够完善缺乏针对性,无法分析出各指标对企业发展的影响,给出建设性参考意见,影响企业的发展。
发明内容
基于此,有必要针对现有的绩效评价体系不够完善缺乏针对性的问题,提供一种物流绩效综合评价体系构建方法,实现全面且有针对性的绩效评价。
一种物流绩效综合评价体系构建方法,方法包括:
获取绩效评价指标体系数据,绩效评价指标体系数据包括城市绩效评价指标体系数据、企业绩效评价指标体系数据以及跨境物流绩效评价指标体系数据;
根据预设评价指标设立原则,分别对城市绩效评价指标体系数据、企业绩效评价指标体系数据以及跨境物流绩效评价指标体系数据进行评估筛选,得到对应的初始物流绩效评价指标体系数据;
分别确定各初始物流绩效评价指标体系数据中各评价指标的权重,得到对应的目标物流绩效评价指标体系数据;
基于各目标物流绩效评价指标体系数据,构建物流绩效综合评价体系。
在其中一个实施例中,分别确定各初始物流绩效评价指标体系数据中各评价指标的权重,得到目标物流绩效评价指标体系数据包括:
基于各初始物流绩效评价指标体系数据,分别构建绩效评价指标矩阵;
采用预设BP(Back Propagation,反向传播)神经网络,确定各绩效评价指标矩阵中各评价指标间的直接影响矩阵;
基于直接影响矩阵,确定各评价指标的权重,得到目标物流绩效评价指标体系数据。
在其中一个实施例中,采用预设BP神经网络,确定各绩效评价指标矩阵中各评价指标间的直接影响矩阵包括:
将各绩效评价指标矩阵中的成本型指标值转化为效益型指标值,并对各绩效评价指标矩阵以及预设目标指标矩阵进行归一化处理;
将归一化后的各绩效评价指标矩阵和预设目标指标矩阵输入预设BP神经网络,确定各评价指标间的直接影响矩阵。
在其中一个实施例中,将归一化后的各绩效评价指标矩阵和预设目标指标矩阵输入预设BP神经网络,确定各评价指标间的直接影响矩阵包括:
将归一化后的各绩效评价指标矩阵和预设目标指标矩阵分别标记为预设BP神经网络的输入向量以及输出向量,采用梯度下降法训练得到预设BP神经网络的输入层与隐含层的权值矩阵以及预设BP神经网络的隐含层与输出层的权值向量;
根据权值矩阵以及权值向量,得到整体权值向量;
基于整体权值向量,确定各评价指标间的直接影响矩阵。
在其中一个实施例中,基于直接影响矩阵,确定各评价指标的权重,得到目标物流绩效评价指标体系数据包括:
对直接影响矩阵进行归一化处理;
基于归一化处理后的直接影响矩阵,得到各评价指标间的综合影响矩阵;
根据综合影响矩阵,确定各评价指标的中心度和原因度;
根据各评价指标的中心度和原因度,确定各评价指标的权重,得到目标物流绩效评价指标体系数据。
在其中一个实施例中,基于各初始物流绩效评价指标体系数据,分别构建绩效评价指标矩阵包括:
分别对各初始物流绩效评价指标体系数据中的评价指标进行编号,构建初始绩效评价指标矩阵;
对各初始绩效评价指标矩阵进行标准化处理,得到对应的绩效评价指标矩阵。
在其中一个实施例中,基于各目标物流绩效评价指标体系数据,构建物流绩效综合评价体系包括:
确定各目标物流绩效评价指标体系数据的权重,结合加权法,构建物流绩效综合评价体系。
一种物流绩效综合评价体系构建装置,装置包括:
数据获取模块,用于获取绩效评价指标体系数据,绩效评价指标体系数据包括城市绩效评价指标体系数据、企业绩效评价指标体系数据以及跨境物流绩效评价指标体系数据;
指标筛选模块,用于根据预设评价指标设立原则,分别对城市绩效评价指标体系数据、企业绩效评价指标体系数据以及跨境物流绩效评价指标体系数据进行评估筛选,得到对应的初始物流绩效评价指标体系数据;
权重确定模块,用于分别确定各初始物流绩效评价指标体系数据中各评价指标的权重,得到对应的目标物流绩效评价指标体系数据
评价体系构建模块,用于基于各目标物流绩效评价指标体系数据,构建物流绩效综合评价体系。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取绩效评价指标体系数据,绩效评价指标体系数据包括城市绩效评价指标体系数据、企业绩效评价指标体系数据以及跨境物流绩效评价指标体系数据;
根据预设评价指标设立原则,分别对城市绩效评价指标体系数据、企业绩效评价指标体系数据以及跨境物流绩效评价指标体系数据进行评估筛选,得到对应的初始物流绩效评价指标体系数据;
分别确定各初始物流绩效评价指标体系数据中各评价指标的权重,得到对应的目标物流绩效评价指标体系数据;
基于各目标物流绩效评价指标体系数据,构建物流绩效综合评价体系。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
获取绩效评价指标体系数据,绩效评价指标体系数据包括城市绩效评价指标体系数据、企业绩效评价指标体系数据以及跨境物流绩效评价指标体系数据;
根据预设评价指标设立原则,分别对城市绩效评价指标体系数据、企业绩效评价指标体系数据以及跨境物流绩效评价指标体系数据进行评估筛选,得到对应的初始物流绩效评价指标体系数据;
分别确定各初始物流绩效评价指标体系数据中各评价指标的权重,得到对应的目标物流绩效评价指标体系数据;
基于各目标物流绩效评价指标体系数据,构建物流绩效综合评价体系。
上述物流绩效综合评价体系构建方法、装置、计算机设备和存储介质,从城市绩效评价指标体系数据、企业绩效评价指标体系数据以及跨境物流绩效评价指标体系数据三个方面入手,根据预设的评价指标设立原则,从上述绩效评价指标体系中筛选出能够直接影响绩效的有效评价指标,得到对应的初始物流绩效评价指标体系数据,再确定初始物流绩效评价指标体系数据中评价指标的权重,进而构建公正合理的物流绩效综合评价体系,能够结合评价对象的实际情况,全面分析出影响企业物流发展的根本因素,有针对性地给出建设性的参考意见,有助于企业的发展。
附图说明
图1为一个实施例中物流绩效综合评价体系构建方法的应用环境图;
图2为一个实施例中物流绩效综合评价体系构建方法的流程示意图;
图3为另一个实施例中物流绩效综合评价体系构建方法的流程示意图;
图4为一个实施例中步骤基于直接影响矩阵,确定各评价指标的权重,得到目标物流绩效评价指标体系数据的详细流程示意图;
图5为一个实施例中物流绩效综合评价体系构建装置的结构框图;
图6为另一个实施例中物流绩效综合评价体系构建装置的结构框图;
图7为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请提供的物流绩效综合评价体系构建方法,可以应用于如图1所示的应用环境中。具体可以是用户于终端102操作构建物流绩效评价体系,通过终端102发送评价体系构建请求至服务器104,服务器104响应该请求,获取其数据库中预存的绩效评价指标体系数据,具体包括城市绩效评价指标体系数据、企业绩效评价指标体系数据以及跨境物流绩效评价指标体系数据,根据预设评价指标设立原则,分别对城市绩效评价指标体系数据、企业绩效评价指标体系数据以及跨境物流绩效评价指标体系数据进行评估筛选,得到对应的初始物流绩效评价指标体系数据,分别确定各初始物流绩效评价指标体系数据中各评价指标的权重,得到对应的目标物流绩效评价指标体系数据,基于各目标物流绩效评价指标体系数据,构建物流绩效综合评价体系。其中,终端102通过网络与服务器104通过网络进行通信。其中,终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备,服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在其中一个实施例中,如图2所示,提供了一种物流绩效综合评价体系构建方法,以该方法应用于图1中的服务器104为例进行说明,包括以下步骤:
步骤S200,获取绩效评价指标体系数据。
绩效评价指标体系数据即指用于评定绩效考核成绩的指标体系数据。具体的,其可以包括城市绩效评价指标体系数据、企业绩效评价指标体系数据以及跨境物流绩效评价指标体系数据。其中,城市绩效评价指标体系数据用于着重对城市在推进城乡高效配送发展中采取的措施和取得的成效进行综合评估,注重实效性,围绕基础设施、运行效率、技术应用、发展环境4个方面设置了13项指标,并对各项指标赋予标准和适当的权重,具体包括城市配送网络建设、农村配送网络建设、物流成本占GDP比例以及企业市场占有率等13项指标;企业绩效评价指标体系是结合企业经营管理与创新发展实际,注重可操作性,围绕网点布局、运作效率、技术应用、绿色发展、模式创新5个方面设置的包含16项指标的指标体系,其中,各项指标赋予标准和适当的权重,具体的,企业绩效评价指标体系数据包括仓库面积、配送网点布局、末端配送节点共享率、门店整合率、供应商整合率以及仓库利用率等16项指标;跨境物流绩效评价指标体系是以国际物流专业人员在国际货运领域的实践经验为基础,结合近期的理论和实证研究,选择了六个方面的关键构成要素组成的指标体系,具体包括海关和边境管理清关的效率、贸易和运输基础设施的质量以及有价格竞争力的运输服务等6项指标。
步骤S400,根据预设评价指标设立原则,分别对城市绩效评价指标体系数据、企业绩效评价指标体系数据以及跨境物流绩效评价指标体系数据进行评估筛选,得到对应的初始物流绩效评价指标体系数据。
在实际应用中,上述三个指标体系中包含对物流绩效评价没有直接影响的价值不高的指标数据,因此,为了提高物流绩效评价的有效性,可以是根据企业本身的实际情况,对评价体系中的评价指标进行价值评估,预设评价指标设立原则。然后,根据预设的评价指标设立原则,筛选出绩效评价指标体系数据中影响绩效的指标数据,得到绩效评价指标数据,具体的,在筛选之前,还包括对获取的城市绩效评价指标体系数据、企业绩效评价指标体系数据以及跨境物流绩效评价指标体系数据进行数据分类,以便筛选出有效的评价指标,得到对应的三个初始的物流绩效评价指标体系数据,即初始城市物流绩效评价指标体系、初始企业物流绩效评价指标体系以及初始跨境物流绩效评价指标体系。可以理解的是,在其他实施例中,数据筛选的方式还可以通过人工筛选实现。
步骤S600,分别确定各初始物流绩效评价指标体系数据中各评价指标的权重,得到对应的目标物流绩效评价指标体系数据。
实际应用中,各初始物流绩效评价指标体系数据中评价指标的权重的确定,可以是对各初始物流绩效评价指标体系数据中各评价指标进行数据矩阵化,构建相应的指标矩阵,然后结合预设神经网络进行评价指标的加权,确定评价指标的权重,构建目标物流绩效评价指标体系,按照上述方式,基于筛选后的城市绩效评价指标体系数据、企业绩效评价指标体系数据以及跨境物流绩效评价指标体系数据,依次构建对应的确定好权重的目标物流绩效评价指标体系数据,即包含分别用于评价城市物流绩效、评价企业物流绩效以及评价跨境物流绩效的城市物流绩效评价指标体系、企业物流绩效评价指标体系以及跨境物流绩效评价指标体系。
步骤S800,基于各目标物流绩效评价指标体系数据,构建物流绩效综合评价体系。
由于现有的物流业缺乏统一的物流绩效评价体系,如上述实施例所述,在得到相应的三个目标物流绩效评价指标体系数据之后,可以是分别为目标物流绩效评价指标体系数据赋予一定的加权值,构建物流绩效综合评价体系。此物流绩效综合评价体系可综合用于对城乡配送、企业物流以及跨境交易的物流绩效评价,例如,当评价对象为主要业务为城乡配送的物流企业来说,则可在绩效评价之前,将城市物流绩效评价指标体系的权重调整得相对高一点,有利于进行合理的绩效评价。
上述物流绩效综合评价体系构建方法,从城市绩效评价指标体系数据、企业绩效评价指标体系数据以及跨境物流绩效评价指标体系数据三个方面入手,根据预设的评价指标设立原则,从上述绩效评价指标体系中筛选出能够直接影响绩效的有效评价指标,得到对应的初始物流绩效评价指标体系数据,再确定初始物流绩效评价指标体系数据中评价指标的权重,进而构建公正合理的物流绩效综合评价体系,能够结合评价对象的实际情况,全面分析出影响企业物流发展的根本因素,有针对性地给出建设性的参考意见,有助于企业的发展。
在其中一个实施例中,如图3所示,分别确定各初始物流绩效评价指标体系数据中各评价指标的权重,得到目标物流绩效评价指标体系数据包括:步骤S620,基于各初始物流绩效评价指标体系数据,分别构建绩效评价指标矩阵,采用预设BP神经网络,确定各绩效评价指标矩阵中各评价指标间的直接影响矩阵,基于直接影响矩阵,确定各评价指标的权重,得到目标物流绩效评价指标体系数据。
BP神经网络是一种按照误差逆向传播算法训练的多层前馈神经网络。本实施例中的BP神经网络基于历史绩效评价指标数据构建,其包含输入层、隐藏层以及输出层。BP神经网络的计算过程由正向计算过程和反向计算过程组成。正向传播过程,输入模式从输入层经隐含层逐层处理,并转向输出层,每一层神经元的状态只影响下一层神经元的状态。如果在输出层不能得到期望的输出,则转入反向传播,将误差信号沿原来的连接通路返回,通过修改各神经元的权值,使得误差信号最小。通过BP神经网络求解出绩效评价指标矩阵中各评价指标间的直接影响矩阵。直接影响矩阵即用于表征两个评价指标之间的重要性的矩阵。具体的,得到目标物流绩效评价指标体系数据的方式可以是将得到的各初始物流绩效评价指标体系数据进行矩阵化,可以基于绩效评价指标体系中的评价指标,分别构建对应的绩效评价指标矩阵,然后,利用预设的BP神经网络,求解出各绩效评价指标矩阵中各评价指标间的直接影响矩阵,再基于直接影响矩阵,确定各评价指标的权重,得到可用于物流绩效评价的目标物流绩效评价指标体系数据。
在其中一个实施例中,基于各初始物流绩效评价指标体系数据,分别构建绩效评价指标矩阵包括:分别对各初始物流绩效评价指标体系数据中的评价指标进行编号,构建初始绩效评价指标矩阵,对各初始绩效评价指标矩阵进行标准化处理,得到对应的绩效评价指标矩阵。
在实际应用中,可以是对初始物流绩效评价指标体系数据中的评价指标依次编号为a1,a2,…,an,构建初始绩效评价指标矩阵S=(sij)m×n,然后,对初始绩效评价指标矩阵进行标准化处理得到标准化的绩效评价指标矩阵X=(xij)m×n,其中xti表示第i个对象的第j个评价指标值,m,n分别表示对象个数和指标个数。本实施例中,通过对绩效评价指标矩阵进行标准化处理,能够使得数据更加规范,有助于提高后续数据处理的效率。
在其中一个实施例中,采用预设的BP神经网络,确定绩效评价指标矩阵中各评价指标间的直接影响矩阵包括:将各绩效评价指标矩阵中的成本型指标值转化为效益型指标值,并对各绩效评价指标矩阵以及预设目标指标矩阵进行归一化处理,将归一化后的各绩效评价指标矩阵和预设目标指标矩阵输入预设BP神经网络,确定各评价指标间的直接影响矩阵。
在实际应用中,采用BP神经网络求解绩效评价指标矩阵中各评价指标间的直接影响矩阵可以是:将绩效评价指标矩阵中的成本型指标值取倒数转化为效益型指标值,即若xj为成本型指标,则取然后,对绩效评价指标矩阵X=(xij)m×n和预设目标指标矩阵Y=(yi)m×1进行归一化处理,得到矩阵和然后,将归一化后的绩效评价指标矩阵和预设目标指标矩阵输入至预设BP神经网络,求解出直接影响矩阵。具体的,在另一个实施例中,可以是将归一化后的绩效评价指标矩阵标记为输入向量,将归一化后的预设目标矩阵标记为目标输出向量,然后,采用引入动量项的自适应变速率的梯度下降法训练BP神经网络,得到BP神经网络的输入层与隐含层的权值矩阵(W)n×l,以及隐含层与输出层的权值向量(w)l×1,其中l为隐含层神经元的个数。根据权值矩阵(W)n×l和权值向量(w)l×1,计算得到整体权值向量w=mean(|W|×|w|),其中w=(w1,w2,…,wn),mean表示对|W|×|w|中的每列取平均值,再基于整体权值向量w,计算得到各评价指标间的直接影响矩阵:
其中,bii=0,(若wj=0,则bij=0)。bij表示第i个评价指标相对于第j个评价指标的重要性。本实施例中,取BP神经网络的输入层与隐含层的权值矩阵以及隐含层与输出层的权值向量,可直接求解出绩效评价指标矩阵中各评价指标间的直接影响矩阵,节省了大量计算量,提高数据处理的效率。
在其中一个实施例中,如图4所示,基于直接影响矩阵,确定各评价指标的权重,得到目标物流绩效评价指标体系数据包括:
步骤S622,对直接影响矩阵进行归一化处理;
步骤S624,基于归一化处理后的直接影响矩阵,得到各评价指标间的综合影响矩阵;
步骤S626,根据综合影响矩阵,确定各评价指标的中心度和原因度;
步骤S628,根据各评价指标的中心度和原因度,确定各评价指标的权重,构建绩效评价体系。
在得到绩效评价指标矩阵中各评价指标间的直接影响矩阵B后,可以是对直接影响矩阵进行归一化处理,得到归一化后的直接影响矩阵基于归一化后的直接影响矩阵,计算绩效评价指标矩阵中各评价指标的综合影响矩阵T=(tij)n×n=H(I-H)-1,其中,(I-H)-1为I-H的逆矩阵,I为单位矩阵。当确定综合影响矩阵后,便可确定评价指标的中心度和原因度,得到表征评价指标间的因果关系图。具体的,分别将T按行和列相加得到Ri和Dj,指标aj的中心度为Mj=Ri+Dj(i=j),原因度为Nj=Ri-Dj(i=j)。中心度表示指标aj对其他指标的综合影响值,中心度越大,表征指标aj在系统中越重要;原因度表示指标aj受其他指标的综合影响值,若原因度Nj大于0,则表明该评价指标对其他评价指标的影响较大,若原因度Nj小于0,则表明该评价指标受其他评价指标的影响较大。当确定中心度Mj和原因度Nj之后,便可确定各评价指标的权重其中,然后,根据确定的权重,构建绩效评价体系。本实施例中,采用DEMATEL方法确定各评价指标的权重,能够从实际情况出发赋予各评价指标相应的权重,使得评价指标的权重更具可信服和公正性。
在其中一个实施例中,如图3所示,基于各目标物流绩效评价指标体系数据,构建物流绩效综合评价体系包括:步骤S920,确定各目标物流绩效评价指标体系数据的权重,结合加权法,构建物流绩效综合评价体系。
当确定了各初始物流绩效评价指标体系数据中各评价指标的权重后,构建得到目标物流绩效评价指标体系即城市物流绩效评价指标体系、企业物流绩效评价指标体系以及跨境物流绩效评价指标体系之后,可根据实际情况,为各目标物流绩效评价指标体系赋予相应的权重,然后采用加权法进行加权求和得到评价对象的物流绩效综合评价值,即由此计算公式确定评价方式,构建物流绩效综合评价体系,使得绩效评价体系能够基于输入的评价指标值,计算得出绩效综合评价值。可以理解的是,在其他实施例中,权重赋予的方式可以是人为设置,也可以是基于预设的权重设立原则,赋予相应的权重。
应该理解的是,虽然图2-4的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2-4中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在其中一个实施例中,如图5所示,提供了一种物流绩效综合评价体系构建装置,包括:数据获取模块510、指标筛选模块520、权重确定模块530和评价体系构建模块540,其中:
数据获取模块510,用于获取绩效评价指标体系数据,绩效评价指标体系数据包括城市绩效评价指标体系数据、企业绩效评价指标体系数据以及跨境物流绩效评价指标体系数据;
指标筛选模块520,用于根据预设评价指标设立原则,分别对城市绩效评价指标体系数据、企业绩效评价指标体系数据以及跨境物流绩效评价指标体系数据进行评估筛选,得到对应的初始物流绩效评价指标体系数据;
权重确定模块530,用于分别确定各初始物流绩效评价指标体系数据中各评价指标的权重,得到对应的目标物流绩效评价指标体系数据
评价体系构建模块540,用于基于各目标物流绩效评价指标体系数据,构建物流绩效综合评价体系。
在其中一个实施例中,权重确定模块530还用于基于各初始物流绩效评价指标体系数据,分别构建绩效评价指标矩阵,采用预设BP神经网络,确定各绩效评价指标矩阵中各评价指标间的直接影响矩阵,基于直接影响矩阵,确定各评价指标的权重,得到目标物流绩效评价指标体系数据。
在其中一个实施例中,如图6所示,权重确定模块530还包括直接影响矩阵确定单元532,用于将各绩效评价指标矩阵中的成本型指标值转化为效益型指标值,并对各绩效评价指标矩阵以及预设目标指标矩阵进行归一化处理,将归一化后的各绩效评价指标矩阵和预设目标指标矩阵输入预设BP神经网络,确定各评价指标间的直接影响矩阵。
在其中一个实施例中,直接影响矩阵确定单元532,还用于将归一化后的各绩效评价指标矩阵和预设目标指标矩阵分别标记为预设BP神经网络的输入向量以及输出向量,采用梯度下降法训练得到预设BP神经网络的输入层与隐含层的权值矩阵以及预设BP神经网络的隐含层与输出层的权值向量,根据权值矩阵以及权值向量,得到整体权值向量,基于整体权值向量,确定各评价指标间的直接影响矩阵。
在其中一个实施例中,权重确定模块530还用于对直接影响矩阵进行归一化处理,基于归一化处理后的直接影响矩阵,得到各评价指标间的综合影响矩阵,根据综合影响矩阵,确定各评价指标的中心度和原因度,根据各评价指标的中心度和原因度,确定各评价指标的权重,得到目标物流绩效评价指标体系数据。
在其中一个实施例中,如图6所示,权重确定模块530还包括矩阵构建单元534,用于分别对各初始物流绩效评价指标体系数据中的评价指标进行编号,构建初始绩效评价指标矩阵,对各初始绩效评价指标矩阵进行标准化处理,得到对应的绩效评价指标矩阵。
在其中一个实施例中,评价体系构建模块540还用于确定各目标物流绩效评价指标体系数据的权重,结合加权法,构建物流绩效综合评价体系。
关于物流绩效综合评价体系构建装置的具体限定可以参见上文中对于物流绩效综合评价体系构建方法的限定,在此不再赘述。上述物流绩效综合评价体系构建装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在其中一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储绩效评价指标数据以及BP神经网络等数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种物流绩效综合评价体系构建方法。
本领域技术人员可以理解,图7中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在其中一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:获取绩效评价指标体系数据,绩效评价指标体系数据包括城市绩效评价指标体系数据、企业绩效评价指标体系数据以及跨境物流绩效评价指标体系数据,根据预设评价指标设立原则,分别对城市绩效评价指标体系数据、企业绩效评价指标体系数据以及跨境物流绩效评价指标体系数据进行评估筛选,得到对应的初始物流绩效评价指标体系数据,分别确定各初始物流绩效评价指标体系数据中各评价指标的权重,得到对应的目标物流绩效评价指标体系数据,基于各目标物流绩效评价指标体系数据,构建物流绩效综合评价体系。
在其中一个实施例中,处理器执行计算机程序时还实现以下步骤:基于各初始物流绩效评价指标体系数据,分别构建绩效评价指标矩阵;采用预设BP神经网络,确定各绩效评价指标矩阵中各评价指标间的直接影响矩阵,基于直接影响矩阵,确定各评价指标的权重,得到目标物流绩效评价指标体系数据。
在其中一个实施例中,处理器执行计算机程序时还实现以下步骤:将各绩效评价指标矩阵中的成本型指标值转化为效益型指标值,并对各绩效评价指标矩阵以及预设目标指标矩阵进行归一化处理,将归一化后的各绩效评价指标矩阵和预设目标指标矩阵输入预设BP神经网络,确定各评价指标间的直接影响矩阵。
在其中一个实施例中,处理器执行计算机程序时还实现以下步骤:将归一化后的各绩效评价指标矩阵和预设目标指标矩阵分别标记为预设BP神经网络的输入向量以及输出向量,采用梯度下降法训练得到预设BP神经网络的输入层与隐含层的权值矩阵以及预设BP神经网络的隐含层与输出层的权值向量,根据权值矩阵以及权值向量,得到整体权值向量,基于整体权值向量,确定各评价指标间的直接影响矩阵。
在其中一个实施例中,处理器执行计算机程序时还实现以下步骤:对直接影响矩阵进行归一化处理,基于归一化处理后的直接影响矩阵,得到各评价指标间的综合影响矩阵,根据综合影响矩阵,确定各评价指标的中心度和原因度,根据各评价指标的中心度和原因度,确定各评价指标的权重,得到目标物流绩效评价指标体系数据。
在其中一个实施例中,处理器执行计算机程序时还实现以下步骤:分别对各初始物流绩效评价指标体系数据中的评价指标进行编号,构建初始绩效评价指标矩阵,对各初始绩效评价指标矩阵进行标准化处理,得到对应的绩效评价指标矩阵。
在其中一个实施例中,处理器执行计算机程序时还实现以下步骤:确定各目标物流绩效评价指标体系数据的权重,结合加权法,构建物流绩效综合评价体系。
在其中一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:获取绩效评价指标数据,根据绩效评价指标数据,构建绩效评价指标矩阵,采用预设BP神经网络,确定绩效评价指标矩阵中各评价指标间的直接影响矩阵,基于直接影响矩阵,采用DEMATEL方法确定各评价指标的权重,构建绩效评价体系。
在其中一个实施例中,计算机程序被处理器执行时还实现以下步骤:获取绩效评价指标体系数据,绩效评价指标体系数据包括城市绩效评价指标体系数据、企业绩效评价指标体系数据以及跨境物流绩效评价指标体系数据,根据预设评价指标设立原则,分别对城市绩效评价指标体系数据、企业绩效评价指标体系数据以及跨境物流绩效评价指标体系数据进行评估筛选,得到对应的初始物流绩效评价指标体系数据,分别确定各初始物流绩效评价指标体系数据中各评价指标的权重,得到对应的目标物流绩效评价指标体系数据,基于各目标物流绩效评价指标体系数据,构建物流绩效综合评价体系。
在其中一个实施例中,计算机程序被处理器执行时还实现以下步骤:基于各初始物流绩效评价指标体系数据,分别构建绩效评价指标矩阵;采用预设BP神经网络,确定各绩效评价指标矩阵中各评价指标间的直接影响矩阵,基于直接影响矩阵,确定各评价指标的权重,得到目标物流绩效评价指标体系数据。
在其中一个实施例中,计算机程序被处理器执行时还实现以下步骤:将各绩效评价指标矩阵中的成本型指标值转化为效益型指标值,并对各绩效评价指标矩阵以及预设目标指标矩阵进行归一化处理,将归一化后的各绩效评价指标矩阵和预设目标指标矩阵输入预设BP神经网络,确定各评价指标间的直接影响矩阵。
在其中一个实施例中,计算机程序被处理器执行时还实现以下步骤:将归一化后的各绩效评价指标矩阵和预设目标指标矩阵分别标记为预设BP神经网络的输入向量以及输出向量,采用梯度下降法训练得到预设BP神经网络的输入层与隐含层的权值矩阵以及预设BP神经网络的隐含层与输出层的权值向量,根据权值矩阵以及权值向量,得到整体权值向量,基于整体权值向量,确定各评价指标间的直接影响矩阵。
在其中一个实施例中,计算机程序被处理器执行时还实现以下步骤:对直接影响矩阵进行归一化处理,基于归一化处理后的直接影响矩阵,得到各评价指标间的综合影响矩阵,根据综合影响矩阵,确定各评价指标的中心度和原因度,根据各评价指标的中心度和原因度,确定各评价指标的权重,得到目标物流绩效评价指标体系数据。
在其中一个实施例中,计算机程序被处理器执行时还实现以下步骤:分别对各初始物流绩效评价指标体系数据中的评价指标进行编号,构建初始绩效评价指标矩阵,对各初始绩效评价指标矩阵进行标准化处理,得到对应的绩效评价指标矩阵。
在其中一个实施例中,计算机程序被处理器执行时还实现以下步骤:确定各目标物流绩效评价指标体系数据的权重,结合加权法,构建物流绩效综合评价体系。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种物流绩效综合评价体系构建方法,所述方法包括:
获取绩效评价指标体系数据,所述绩效评价指标体系数据包括城市绩效评价指标体系数据、企业绩效评价指标体系数据以及跨境物流绩效评价指标体系数据;
根据预设评价指标设立原则,分别对所述城市绩效评价指标体系数据、所述企业绩效评价指标体系数据以及所述跨境物流绩效评价指标体系数据进行评估筛选,得到对应的初始物流绩效评价指标体系数据;
分别确定各初始物流绩效评价指标体系数据中各评价指标的权重,得到对应的目标物流绩效评价指标体系数据;
基于各目标物流绩效评价指标体系数据,构建物流绩效综合评价体系。
2.根据权利要求1所述的物流绩效综合评价体系构建方法,其特征在于,所述分别确定各初始物流绩效评价指标体系数据中各评价指标的权重,得到目标物流绩效评价指标体系数据包括:
基于各初始物流绩效评价指标体系数据,分别构建绩效评价指标矩阵;
采用预设BP神经网络,确定各绩效评价指标矩阵中各评价指标间的直接影响矩阵;
基于所述直接影响矩阵,确定各评价指标的权重,得到目标物流绩效评价指标体系数据。
3.根据权利要求2所述的物流绩效综合评价体系构建方法,其特征在于,所述采用预设BP神经网络,确定所述各绩效评价指标矩阵中各评价指标间的直接影响矩阵包括:
将所述各绩效评价指标矩阵中的成本型指标值转化为效益型指标值,并对所述各绩效评价指标矩阵以及预设目标指标矩阵进行归一化处理;
将归一化后的所述各绩效评价指标矩阵和所述预设目标指标矩阵输入所述预设BP神经网络,确定各评价指标间的直接影响矩阵。
4.根据权利要求3所述的物流绩效综合评价体系构建方法,其特征在于,所述将归一化后的所述各绩效评价指标矩阵和所述预设目标指标矩阵输入所述预设BP神经网络,确定各评价指标间的直接影响矩阵包括:
将归一化后的所述各绩效评价指标矩阵和所述预设目标指标矩阵分别标记为所述预设BP神经网络的输入向量以及输出向量,采用梯度下降法训练得到所述预设BP神经网络的输入层与隐含层的权值矩阵以及所述预设BP神经网络的隐含层与输出层的权值向量;
根据所述权值矩阵以及所述权值向量,得到整体权值向量;
基于所述整体权值向量,确定各评价指标间的直接影响矩阵。
5.根据权利要求2所述的物流绩效综合评价体系构建方法,其特征在于,所述基于所述直接影响矩阵,确定所述各评价指标的权重,得到目标物流绩效评价指标体系数据包括:
对所述直接影响矩阵进行归一化处理;
基于归一化处理后的直接影响矩阵,得到各评价指标间的综合影响矩阵;
根据所述综合影响矩阵,确定各评价指标的中心度和原因度;
根据所述各评价指标的中心度和原因度,确定所述各评价指标的权重,得到目标物流绩效评价指标体系数据。
6.根据权利要求2所述的物流绩效综合评价体系构建方法,其特征在于,所述基于各初始物流绩效评价指标体系数据,分别构建绩效评价指标矩阵包括:
分别对所述各初始物流绩效评价指标体系数据中的评价指标进行编号,构建初始绩效评价指标矩阵;
对所述各初始绩效评价指标矩阵进行标准化处理,得到对应的绩效评价指标矩阵。
7.根据权利要求1所述的物流绩效综合评价体系构建方法,其特征在于,所述基于各目标物流绩效评价指标体系数据,构建物流绩效综合评价体系包括:
确定各目标物流绩效评价指标体系数据的权重,结合加权法,构建物流绩效综合评价体系。
8.一种物流绩效综合评价体系构建装置,其特征在于,所述装置包括:
数据获取模块,用于获取绩效评价指标体系数据,所述绩效评价指标体系数据包括城市绩效评价指标体系数据、企业绩效评价指标体系数据以及跨境物流绩效评价指标体系数据;
指标筛选模块,用于根据预设评价指标设立原则,分别对所述城市绩效评价指标体系数据、企业绩效评价指标体系数据以及跨境物流绩效评价指标体系数据进行评估筛选,得到对应的初始物流绩效评价指标体系数据;
权重确定模块,用于分别确定各初始物流绩效评价指标体系数据中各评价指标的权重,得到对应的目标物流绩效评价指标体系数据
评价体系构建模块,用于基于各目标物流绩效评价指标体系数据,构建物流绩效综合评价体系。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911080476.XA CN111047137A (zh) | 2019-11-07 | 2019-11-07 | 物流绩效综合评价体系构建方法、装置和计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911080476.XA CN111047137A (zh) | 2019-11-07 | 2019-11-07 | 物流绩效综合评价体系构建方法、装置和计算机设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111047137A true CN111047137A (zh) | 2020-04-21 |
Family
ID=70233005
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911080476.XA Pending CN111047137A (zh) | 2019-11-07 | 2019-11-07 | 物流绩效综合评价体系构建方法、装置和计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111047137A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111882222A (zh) * | 2020-07-30 | 2020-11-03 | 南昌市国土资源勘测规划院有限公司 | 一种产业用地绩效评估方法及评估用装置 |
CN113393267A (zh) * | 2021-05-31 | 2021-09-14 | 上海东普信息科技有限公司 | 快递物流中心位置的确定方法、装置、设备及存储介质 |
CN113723865A (zh) * | 2021-09-16 | 2021-11-30 | 中国银行股份有限公司 | 网点运营水平评估方法及装置、电子设备、存储介质 |
CN114091791A (zh) * | 2022-01-21 | 2022-02-25 | 科大智能物联技术股份有限公司 | 一种基于改进dea的ahp的物流绩效评估方法 |
-
2019
- 2019-11-07 CN CN201911080476.XA patent/CN111047137A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111882222A (zh) * | 2020-07-30 | 2020-11-03 | 南昌市国土资源勘测规划院有限公司 | 一种产业用地绩效评估方法及评估用装置 |
CN111882222B (zh) * | 2020-07-30 | 2024-05-28 | 哈尔滨国土源土地房地产估价有限公司 | 一种产业用地绩效评估方法 |
CN113393267A (zh) * | 2021-05-31 | 2021-09-14 | 上海东普信息科技有限公司 | 快递物流中心位置的确定方法、装置、设备及存储介质 |
CN113723865A (zh) * | 2021-09-16 | 2021-11-30 | 中国银行股份有限公司 | 网点运营水平评估方法及装置、电子设备、存储介质 |
CN114091791A (zh) * | 2022-01-21 | 2022-02-25 | 科大智能物联技术股份有限公司 | 一种基于改进dea的ahp的物流绩效评估方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111047137A (zh) | 物流绩效综合评价体系构建方法、装置和计算机设备 | |
WO2020253357A1 (zh) | 数据产品推荐方法、装置、计算机设备和存储介质 | |
Tsionas et al. | A spatial stochastic frontier model with spillovers: Evidence for Italian regions | |
Rossi et al. | Evaluating predictive densities of US output growth and inflation in a large macroeconomic data set | |
CN110610382B (zh) | 车辆销售量预测方法、装置、计算机设备和存储介质 | |
WO2020073727A1 (zh) | 风险预测方法、装置、计算机设备和存储介质 | |
Zhang et al. | Validation and calibration of an agent‐based model: A surrogate approach | |
Frini et al. | MUPOM: A multi-criteria multi-period outranking method for decision-making in sustainable development context | |
CN108182633B (zh) | 贷款数据处理方法、装置、计算机设备和存储介质 | |
CN115564152A (zh) | 基于stirpat模型的碳排放量预测方法及装置 | |
CN112819353A (zh) | 一种基于企业图谱的风险分析方法和计算机设备 | |
CN108764553B (zh) | 用户规模预测方法、装置及计算机设备 | |
CN112925723B (zh) | 测试服务推荐方法、装置、计算机设备及存储介质 | |
CN110826777A (zh) | 风电竞价场内交易数据分析方法、装置、设备及介质 | |
CN117455234A (zh) | 风险分类模型的确定方法、装置、计算机设备和存储介质 | |
CN112257958A (zh) | 一种电力饱和负荷预测方法及装置 | |
CN115511562A (zh) | 虚拟产品推荐方法、装置、计算机设备和存储介质 | |
CN113837467B (zh) | 点对点能源项目评估方法、装置、计算机设备和存储介质 | |
CN112990260B (zh) | 一种基于多方安全计算的模型评估方法和系统 | |
CN112862570A (zh) | 商显产业链交易推荐方法、装置、设备、存储介质及系统 | |
CN110795255B (zh) | 数据批量值调整方法、装置、可读存储介质和设备 | |
Shybaiev et al. | Predicting system for the estimated cost of real estate objects development using neural networks | |
CN114723239A (zh) | 一种多方协同建模方法、装置、设备、介质及程序产品 | |
CN113779116A (zh) | 对象排序方法、相关设备及介质 | |
Clemente | Improving loan portfolio optimization by importance sampling techniques: evidence on Italian Banking books |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200421 |
|
RJ01 | Rejection of invention patent application after publication |