CN111340516A - 基于信息熵与变异系数融合算法的满意度评价系统及方法 - Google Patents

基于信息熵与变异系数融合算法的满意度评价系统及方法 Download PDF

Info

Publication number
CN111340516A
CN111340516A CN202010177756.9A CN202010177756A CN111340516A CN 111340516 A CN111340516 A CN 111340516A CN 202010177756 A CN202010177756 A CN 202010177756A CN 111340516 A CN111340516 A CN 111340516A
Authority
CN
China
Prior art keywords
data
module
algorithm
comprehensive
comprehensive score
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
Application number
CN202010177756.9A
Other languages
English (en)
Inventor
王超
侯剑平
朱俊涛
王康
王景运
刘聪
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.)
Autobio Experimental Instrument Zhengzhou Co Ltd
Original Assignee
Autobio Experimental Instrument Zhengzhou 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 Autobio Experimental Instrument Zhengzhou Co Ltd filed Critical Autobio Experimental Instrument Zhengzhou Co Ltd
Priority to CN202010177756.9A priority Critical patent/CN111340516A/zh
Publication of CN111340516A publication Critical patent/CN111340516A/zh
Pending legal-status Critical Current

Links

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
    • G06Q30/00—Commerce
    • G06Q30/01—Customer relationship services
    • G06Q30/015—Providing customer assistance, e.g. assisting a customer within a business location or via helpdesk
    • G06Q30/016—After-sales
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/231—Hierarchical techniques, i.e. dividing or merging pattern sets so as to obtain a dendrogram
    • 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
    • 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

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Development Economics (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Finance (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • Physics & Mathematics (AREA)
  • Accounting & Taxation (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Educational Administration (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于信息熵与变异系数融合算法的满意度评价系统及方法，包括远程服务模块，用于提供售后设备的状态数据；数据处理模块，用于关联远程服务模块数据；指标权重计算模块，用于对处理后的数据分别基于信息熵与变异系数算法，计算出相应指标的权重系数；综合得分计算模块，用于分别对权重系数计算综合得分，求出最终满意度综合得分；无监督聚类算法模块，将计算得到的满意度综合得分输入到聚类模块的分层聚类算法中。本发明能够科学客观的对客服人员的上门服务满意度进行评估，并且具有运行速度快、算法稳定性高、模型可解释性强、分类准确率高、人为因素干扰性低、可移植性强的优点。

Description

基于信息熵与变异系数融合算法的满意度评价系统及方法
技术领域
本发明涉及满意度评价系统及方法，尤其是涉及基于信息熵与变异系数融合算法的满意度评价系统及方法。
背景技术
目前各设备制造厂家，当售后设备出现故障不能正常运行时，需要派售后人员上门服务，对设备进行针对性保养维护。然而，上门服务的满意效果却难以有效衡量。这是因为一方面缺乏足够的数据支撑，另一方面则是满意度评估一直以来容易受到人为因素的干扰，缺乏一个客观的标准评价系统。
发明内容
本发明目的在于提供一种基于信息熵与变异系数融合算法的满意度评价系统，本发明另一目的是提供该满意度评价系统的评价方法，实现满意度评价人为因素干扰性低、可移植性强。
为实现上述目的，本发明采取下述技术方案：
本发明所述基于信息熵与变异系数融合算法的满意度评价系统，包括下述模块：
远程服务模块，用于提供售后设备的状态数据，包括时间戳、故障码信息、上门服务记录台账数据、设备台账数据；
数据处理模块，用于关联远程服务模块数据，对缺失数据进行均值填充，构造上门服务前后所述售后设备的故障发生次数、发生频率、设备运行时长、设备工作状态的差分数据，对负值数据进行非复制转化；
指标权重计算模块，用于对处理后的数据分别基于信息熵与变异系数算法，计算出相应指标的权重系数；
综合得分计算模块，用于分别对所述权重系数计算综合得分，将各自综合得分进行最大、最小归一化处理，并进行综合得分融合操作，继而求出每次上门服务记录样本的最终满意度综合得分；
无监督聚类算法模块，将计算得到的所述满意度综合得分输入到聚类模块的分层聚类算法中；其中，满意度综合得分的相似性距离采用欧式距离，距离的评估方法采用平均链接距离算法。
本发明所述满意度评价系统的评价方法，包括下述步骤：
步骤1，通过所述远程服务模块访问相关数据库，获得所述售后设备的状态数据，包括时间戳、故障码信息、上门服务记录台账数据、设备台账数据；
步骤2，将读取到的所述数据输入给所述数据处理模块，执行数据按售后设备ID的关联操作，对缺失的数值数据进行均值填充，对缺失的离散数据进行空值补齐，填充‘None’；再次，构造上门服务前后该售后设备的故障发生次数、发生频率、设备运行时长、设备工作状态等一阶差分数据，对负值数据进行非复制转化；
步骤3，经过数据处理模块处理后的数据，输入到指标权重计算模块，对处理后的数据分别基于信息熵与变异系数算法，计算出相应指标的权重系数；
步骤3.1，首先基于变异系数的综合得分计算：
Figure 100002_DEST_PATH_IMAGE001
；
式中：
Figure 696606DEST_PATH_IMAGE002
是第i项指标的变异系数，也称为标准差系数；
Figure 100002_DEST_PATH_IMAGE003
是第i项指标的标准差；
Figure 280708DEST_PATH_IMAGE004
是第i项指标的平均值；各项指标的权重为：
Figure 100002_DEST_PATH_IMAGE005
；
步骤3.2，其次基于信息熵的综合得分计算：记
Figure 653920DEST_PATH_IMAGE006
为第i项指标下第j个样本
Figure 100002_DEST_PATH_IMAGE007
的概率密度；具体地，
Figure 108517DEST_PATH_IMAGE008
；
其中，M为样本数量，即上门服务的次数；
Figure 100002_DEST_PATH_IMAGE009
；
Figure 578681DEST_PATH_IMAGE010
；
Figure 100002_DEST_PATH_IMAGE011
；
各项指标的权重为：
Figure 994619DEST_PATH_IMAGE012
；
步骤4，得到基于变异系数与信息熵下的权重系数后，分别求出各自的综合得分，即可求出第j个样本在变异系数权重下的综合得分：
Figure 100002_DEST_PATH_IMAGE013
；
将所述综合得分最大、最小归一化处理：
Figure 386286DEST_PATH_IMAGE014
；
第j个样本在信息熵下的综合得分：
Figure 100002_DEST_PATH_IMAGE015
；
对综合得分进行最大最小归一化处理：
Figure 178662DEST_PATH_IMAGE016
；
分别对变异系数以及信息熵下的总额和得分归一化处理后，用下述公式计算第j个样本的最终综合得分：
Figure 100002_DEST_PATH_IMAGE017
；
步骤5，最后，指定要聚类的个数，即满意度划分类型个数，把所述最终综合得分输入到所述聚类模块中；聚类模块采用自底向上的层次聚类算法,即：
步骤5.1，将每个按上述公式计算得到的综合得分score j 都作为一个簇；
步骤5.2，计算两两簇之间的相似度，即采用基于欧式距离的平均链接距离算法，并加入到最相似的簇中；具体地，所述基于欧式距离平均链接距离算法的操作是：把两两簇r、s的欧式距离全部放在一起求一个平均值L(r,s)，
Figure 441016DEST_PATH_IMAGE018
；
其中
Figure 100002_DEST_PATH_IMAGE019
、
Figure 496697DEST_PATH_IMAGE020
代表簇r、s的样本数，
Figure 100002_DEST_PATH_IMAGE021
代表簇r、s中的第i个和第j个样本的欧式距离；
Figure 844501DEST_PATH_IMAGE022
；
步骤6，重复步骤5.1、步骤5.1，直到只剩下指定聚类个数的簇，从而完成了上门服务的满意度评价。
本发明能够科学客观的对客服人员的上门服务满意度进行评估，并且具有运行速度快、算法稳定性高、模型可解释性强、分类准确率高、人为因素干扰性低、可移植性强的优点。
附图说明
图1是本发明所述故障预测系统的结构框图。
图2是本发明所述预警方法的流程框图。
具体实施方式
下面结合附图对本发明的实施例作详细说明，本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述实施例。
如图1所示，本发明所述基于信息熵与变异系数融合算法的满意度评价系统，包括下述模块：
远程服务模块，用于提供售后设备的状态数据，包括故障码信息、上门服务记录台账数据、设备台账数据；
数据处理模块，用于关联远程服务模块数据，对缺失数据进行均值填充，构造上门服务前后所述售后设备的故障发生次数、发生频率、设备运行时长、设备工作状态的差分数据，对负值数据进行非复制转化；
指标权重计算模块，用于对处理后的数据分别基于信息熵与变异系数算法，计算出相应指标的权重系数；
综合得分计算模块，用于分别对所述权重系数计算综合得分，将各自综合得分进行最大、最小归一化处理，并进行综合得分融合操作，继而求出每次上门服务记录样本的最终满意度综合得分；
无监督聚类算法模块，将计算得到的所述满意度综合得分输入到聚类模块的分层聚类算法中；其中，满意度综合得分的相似性距离采用欧式距离，距离的评估方法采用法平均链接距离算法。
如图2所述，所述满意度评价系统的评价方法，按照下述步骤进行：
步骤1，通过所述远程服务模块访问相关数据库，获得所述售后设备的状态数据，包括设备ID、开机时间、工作时间、历史维护次数、元器件更换信息数据、故障码信息；上门服务记录台账数据，包括设备ID、上门服务类型、上门服务时间、上门人员数据；设备台账数据，包括设备类型、设备ID、设备地理信息数据；
步骤2，将读取到的所述数据输入给所述数据处理模块，执行数据按售后设备ID的关联操作，对缺失的数值数据进行均值填充，对缺失的离散数据进行空值补齐，填充‘None’；再次，构造上门服务前后该售后设备的故障发生次数，具体地，构造设备上门服务期间前后3天、前后7天、前后15天的故障发生次数、发生频率、设备运行时长等特征，并对负值数据进行非负值转化，具体地，对出现负值的特征列广播添加此列最小负值的绝对值，将处理后的特征值作为此列的最终值；
步骤3，经过数据处理模块处理后的数据，输入到指标权重计算模块，对处理后的数据分别基于信息熵与变异系数算法，计算出相应指标的权重系数；
步骤3.1，首先基于变异系数的综合得分计算：
Figure DEST_PATH_IMAGE023
；
式中：
Figure 249024DEST_PATH_IMAGE024
是第i项指标的变异系数，也称为标准差系数；
Figure DEST_PATH_IMAGE025
是第i项指标的标准差；
Figure 365885DEST_PATH_IMAGE026
是第i项指标的平均值；各项指标的权重为：
Figure DEST_PATH_IMAGE027
；
步骤3.2，其次基于信息熵的综合得分计算：记
Figure 389204DEST_PATH_IMAGE028
为第i项指标下第j个样本
Figure DEST_PATH_IMAGE029
的概率密度；具体地，
Figure 693147DEST_PATH_IMAGE030
；
其中，M为样本数量，即上门服务的次数；
Figure DEST_PATH_IMAGE031
；
Figure 30587DEST_PATH_IMAGE032
；
Figure DEST_PATH_IMAGE033
；
各项指标的权重为：
Figure 267533DEST_PATH_IMAGE034
；
步骤4，得到基于变异系数与信息熵下的权重系数后，分别求出各自的综合得分，即可求出第j个样本在变异系数权重下的综合得分：
Figure DEST_PATH_IMAGE035
；
将所述综合得分最大、最小归一化处理：
Figure 665017DEST_PATH_IMAGE036
；
第j个样本在信息熵下的综合得分：
Figure DEST_PATH_IMAGE037
；
对综合得分进行最大最小归一化处理：
Figure 987414DEST_PATH_IMAGE038
；
分别对变异系数以及信息熵下的满意度综合得分归一化处理后，用下述公式计算第j个样本的最终综合得分：
Figure DEST_PATH_IMAGE039
；
步骤5，最后，指定要聚类的个数，即满意度划分类型个数，把所述最终综合得分输入到所述聚类模块中；聚类模块采用自底向上的层次聚类算法,即：
步骤5.1，将每个按上述公式计算得到的综合得分score j 都作为一个簇；
步骤5.2，计算两两簇之间的相似度，即采用基于欧式距离的平均链接距离算法，并加入到最相似的簇中；具体地，所述基于欧式距离的平均链接距离算法的操作是：把两两簇r、s的欧式距离全部放在一起求一个平均值L(r,s)：
Figure 659703DEST_PATH_IMAGE040
；
其中
Figure DEST_PATH_IMAGE041
、
Figure 219998DEST_PATH_IMAGE042
代表簇r、s的样本数，
Figure DEST_PATH_IMAGE043
代表簇r、s中的第i个和第j个样本的欧式距离；
Figure 53962DEST_PATH_IMAGE044
；
步骤6，重复步骤5.1、步骤5.2，直到只剩下指定聚类个数的簇，从而完成了上门服务的满意度评价。
相关簇的合并算法的伪代码如下所示：
Given:
A set X of objects
Figure DEST_PATH_IMAGE045
A distance function
Figure 598075DEST_PATH_IMAGE046
A specified clusters as the number of satisfaction types cluster_ threshold
for i= 1 to
Figure DEST_PATH_IMAGE047
end for
Figure 542898DEST_PATH_IMAGE048
Figure DEST_PATH_IMAGE049
whileC.size > cluster_thresholddo
Figure 957699DEST_PATH_IMAGE050
= minimum
Figure DEST_PATH_IMAGE051
for all
Figure 962564DEST_PATH_IMAGE052
in
remove
Figure DEST_PATH_IMAGE053
and
Figure 993974DEST_PATH_IMAGE054
from
add
Figure DEST_PATH_IMAGE055
to
Figure 8066DEST_PATH_IMAGE056
end while。

Claims (2)

1.一种基于信息熵与变异系数融合算法的满意度评价系统，其特征在于：包括下述模块：
远程服务模块，用于提供售后设备的状态数据，包括时间戳、故障码信息、上门服务记录台账数据、设备台账数据；
数据处理模块，用于关联远程服务模块数据，对缺失数据进行均值填充，构造上门服务前后所述售后设备的故障发生次数、发生频率、设备运行时长、设备工作状态的差分数据，对负值数据进行非复制转化；
指标权重计算模块，用于对处理后的数据分别基于信息熵与变异系数算法，计算出相应指标的权重系数；
综合得分计算模块，用于分别对所述权重系数计算综合得分，将各自综合得分进行最大、最小归一化处理，并进行综合得分融合操作，继而求出每次上门服务记录样本的最终满意度综合得分；
无监督聚类算法模块，将计算得到的所述满意度综合得分输入到聚类模块的分层聚类算法中；其中，满意度综合得分的相似性距离采用欧式距离，距离的评估方法采用平均链接距离算法。
2.一种如权利要求1所述满意度评价系统的评价方法，其特征在于：包括下述步骤：
步骤1，通过所述远程服务模块访问相关数据库，获得所述售后设备的状态数据，包括时间戳、故障码信息、上门服务记录台账数据、设备台账数据；
步骤2，将读取到的所述数据输入给所述数据处理模块，执行数据按售后设备ID的关联操作，对缺失的数值数据进行均值填充，对缺失的离散数据进行空值补齐，填充‘None’；再次，构造上门服务前后该售后设备的故障发生次数、发生频率、设备运行时长、设备工作状态等一阶差分数据，对负值数据进行非复制转化；
步骤3，经过数据处理模块处理后的数据，输入到指标权重计算模块，对处理后的数据分别基于信息熵与变异系数算法，计算出相应指标的权重系数；
步骤3.1，首先基于变异系数的综合得分计算：
Figure DEST_PATH_IMAGE001
；
式中：
Figure 882015DEST_PATH_IMAGE002
是第i项指标的变异系数，也称为标准差系数；
Figure DEST_PATH_IMAGE003
是第i项指标的标准差；
Figure 408943DEST_PATH_IMAGE004
是第i项指标的平均值；各项指标的权重为：
Figure DEST_PATH_IMAGE005
;
步骤3.2，其次基于信息熵的综合得分计算：记
Figure 267309DEST_PATH_IMAGE006
为第i项指标下第j个样本
Figure DEST_PATH_IMAGE007
的概率密度；
Figure 272305DEST_PATH_IMAGE008
;
其中，M为样本数量，即上门服务的次数；
Figure DEST_PATH_IMAGE009
;
Figure 962043DEST_PATH_IMAGE010
;
Figure DEST_PATH_IMAGE011
;
各项指标的权重为：
Figure 175985DEST_PATH_IMAGE012
;
步骤4，得到基于变异系数与信息熵下的权重系数后，分别求出各自的综合得分，即可求出第j个样本在变异系数权重下的综合得分：
Figure DEST_PATH_IMAGE013
;
将所述综合得分最大、最小归一化处理：
Figure 256068DEST_PATH_IMAGE014
;
第j个样本在信息熵下的综合得分：
Figure DEST_PATH_IMAGE015
;
对综合得分进行最大最小归一化处理：
Figure 146313DEST_PATH_IMAGE016
;
分别对变异系数以及信息熵下的总额和得分归一化处理后，用下述公式计算第j个样本的最终综合得分：
Figure DEST_PATH_IMAGE017
;
步骤5，最后，指定要聚类的个数，即满意度划分类型个数，把所述最终综合得分输入到所述聚类模块中；聚类模块采用自底向上的层次聚类算法,即：
步骤5.1，将每个按上述公式计算得到的综合得分score j 都作为一个簇；
步骤5.2，计算两两簇之间的相似度，即采用基于欧式距离的平均链接距离算法，并加入到最相似的簇中；具体地，所述平均链接距离算法的操作是：把两两簇r、s的欧式距离全部放在一起求一个平均值L(r,s)，
Figure 304938DEST_PATH_IMAGE018
;
其中
Figure DEST_PATH_IMAGE019
、
Figure 173668DEST_PATH_IMAGE020
代表簇r、s的样本数，
Figure DEST_PATH_IMAGE021
代表簇r、s中的第i个和第j个样本的欧式距离；
Figure 678730DEST_PATH_IMAGE022
；
步骤6，重复步骤5.1、步骤5.1，直到只剩下指定个数的簇，从而完成了上门服务的满意度评价。
CN202010177756.9A 2020-03-13 2020-03-13 基于信息熵与变异系数融合算法的满意度评价系统及方法 Pending CN111340516A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010177756.9A CN111340516A (zh) 2020-03-13 2020-03-13 基于信息熵与变异系数融合算法的满意度评价系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010177756.9A CN111340516A (zh) 2020-03-13 2020-03-13 基于信息熵与变异系数融合算法的满意度评价系统及方法

Publications (1)

Publication Number Publication Date
CN111340516A true CN111340516A (zh) 2020-06-26

Family

ID=71186580

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010177756.9A Pending CN111340516A (zh) 2020-03-13 2020-03-13 基于信息熵与变异系数融合算法的满意度评价系统及方法

Country Status (1)

Country Link
CN (1) CN111340516A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115309872A (zh) * 2022-10-13 2022-11-08 深圳市龙光云众智慧科技有限公司 一种基于Kmeans召回的多模型熵加权检索方法及系统
CN116664173A (zh) * 2023-08-02 2023-08-29 成都信通信息技术有限公司 一种基于大数据模型的竞品分析方法、终端及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109460891A (zh) * 2018-09-25 2019-03-12 平安科技（深圳）有限公司 基于满意度评价的数据处理方法、装置和计算机设备
CN110222183A (zh) * 2019-06-12 2019-09-10 云南电网有限责任公司大理供电局 一种供电客户满意度评价模型的构建方法
CN110503283A (zh) * 2018-05-18 2019-11-26 重庆师范大学 一种县域高标准基本农田建设综合成效的评估方法
CN110533115A (zh) * 2019-09-04 2019-12-03 西南交通大学 基于变分模态分解的轨道电路传输特性定量评价方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110503283A (zh) * 2018-05-18 2019-11-26 重庆师范大学 一种县域高标准基本农田建设综合成效的评估方法
CN109460891A (zh) * 2018-09-25 2019-03-12 平安科技（深圳）有限公司 基于满意度评价的数据处理方法、装置和计算机设备
CN110222183A (zh) * 2019-06-12 2019-09-10 云南电网有限责任公司大理供电局 一种供电客户满意度评价模型的构建方法
CN110533115A (zh) * 2019-09-04 2019-12-03 西南交通大学 基于变分模态分解的轨道电路传输特性定量评价方法

Non-Patent Citations (14)

* Cited by examiner, † Cited by third party
Title
姜君: "基于熵权与变异系数组合赋权法的模糊综合评价模型——以白洋淀水环境质量评价为例", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅰ辑》 *
姜君: "基于熵权与变异系数组合赋权法的模糊综合评价模型——以白洋淀水环境质量评价为例", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅰ辑》, no. 2011, 15 August 2011 (2011-08-15), pages 13 - 33 *
岳毅蒙: "县域旅游服务质量满意度评价模型", 《微型电脑应用》, vol. 22, no. 9, pages 21 - 23 *
王欣: "基于用户视角的医疗设备售后满意度评价模型的构建", 《中国医疗设备》, vol. 34, no. 09, pages 140 - 142 *
王永弟等: "熵权、变异系数及模糊多准则决策在测量平差中的综合应用", 《工程勘察》 *
王永弟等: "熵权、变异系数及模糊多准则决策在测量平差中的综合应用", 《工程勘察》, no. 09, 1 September 2012 (2012-09-01) *
程赐胜: "基于模糊熵的物流企业客户满意度评价模型", 《铁道科学与工程学报》, vol. 3, no. 3, pages 79 - 82 *
钱晓辉等: "基于组合赋权的变异系数法在质量评价中的应用", 《南京师大学报(自然科学版)》 *
钱晓辉等: "基于组合赋权的变异系数法在质量评价中的应用", 《南京师大学报(自然科学版)》, no. 04, 31 December 2019 (2019-12-31) *
雷兴列等: "基于组合赋权与D-S证据理论的变压器状态评估", 《华东电力》 *
雷兴列等: "基于组合赋权与D-S证据理论的变压器状态评估", 《华东电力》, no. 10, 24 October 2013 (2013-10-24) *
韩忠明: "《数据分析与R》", 31 August 2014, 北京：北京邮电大学出版社, pages: 198 - 202 *
马骁等: "改进的尼梅罗污染指数法在地下水水质评价中的应用", 《环境工程》 *
马骁等: "改进的尼梅罗污染指数法在地下水水质评价中的应用", 《环境工程》, no. 03, 22 March 2017 (2017-03-22) *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115309872A (zh) * 2022-10-13 2022-11-08 深圳市龙光云众智慧科技有限公司 一种基于Kmeans召回的多模型熵加权检索方法及系统
CN116664173A (zh) * 2023-08-02 2023-08-29 成都信通信息技术有限公司 一种基于大数据模型的竞品分析方法、终端及存储介质
CN116664173B (zh) * 2023-08-02 2023-11-14 成都信通信息技术有限公司 一种基于大数据模型的竞品分析方法、终端及存储介质

Similar Documents

Publication Publication Date Title
CN109411082B (zh) 一种医疗质量评价及就诊推荐方法
CN112906473B (zh) 一种旋转设备故障诊断方法
CN112383052B (zh) 基于电力物联网的电网故障修复方法和装置
CN110929918A (zh) 一种基于CNN和LightGBM的10kV馈线故障预测方法
CN112132233A (zh) 一种基于有效影响因子的服刑人员危险行为预测方法及系统
CN106021545A (zh) 用于车辆远程诊断与备件检索的方法
CN111340516A (zh) 基于信息熵与变异系数融合算法的满意度评价系统及方法
CN106295332A (zh) 基于区间数和理想解的信息安全风险评估方法
CN110458039A (zh) 一种工业过程故障诊断模型的构建方法及其应用
CN109765332A (zh) 基于隔离森林的变压器异常值实时检测和故障诊断方法
CN108536866B (zh) 基于话题转移熵的微博隐蔽关键用户分析方法
CN115719283A (zh) 一种智能化会计管理系统
CN112418687A (zh) 基于用电特征的用户用电异常识别方法、装置和存储介质
CN116011827A (zh) 一种用于重点小区的停电监测分析与预警系统及方法
CN116448161A (zh) 一种基于人工智能的环境监测设备故障诊断方法
CN117194995A (zh) 基于数据挖掘的轨道车辆rams数据关联性分析方法
CN116451117A (zh) 一种基于联邦学习的电力数据异常检测方法
CN115994131A (zh) 基于用电时序数据的居民社区特征标签计算方法及系统
CN116823496A (zh) 基于人工智能的智能保险风险评估和定价系统
CN111339385A (zh) 基于cart的舆情类型识别方法及系统、存储介质、电子设备
CN110766248B (zh) 基于shel和区间直觉模糊评价的车间人因可靠性评估方法
CN114167837B (zh) 一种铁路信号系统的智能故障诊断方法及系统
CN113642669B (zh) 基于特征分析的防欺诈检测方法、装置、设备及存储介质
Theron The use of data mining for predicting injuries in professional football players
CN116224950A (zh) 面向无人生产线自组织重构的智能故障诊断方法和系统

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