CN111815366A - 一种基于要素匹配的服装成本快速核算方法 - Google Patents
一种基于要素匹配的服装成本快速核算方法 Download PDFInfo
- Publication number
- CN111815366A CN111815366A CN202010710591.7A CN202010710591A CN111815366A CN 111815366 A CN111815366 A CN 111815366A CN 202010710591 A CN202010710591 A CN 202010710591A CN 111815366 A CN111815366 A CN 111815366A
- Authority
- CN
- China
- Prior art keywords
- clothing
- cost
- sample
- fabric
- lining
- 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
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000012545 processing Methods 0.000 claims abstract description 73
- 239000004744 fabric Substances 0.000 claims abstract description 64
- 238000010606 normalization Methods 0.000 claims abstract description 24
- 238000013139 quantization Methods 0.000 claims abstract description 9
- 238000013528 artificial neural network Methods 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 10
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 238000009826 distribution Methods 0.000 description 9
- 239000000463 material Substances 0.000 description 8
- 238000004519 manufacturing process Methods 0.000 description 6
- 238000013461 design Methods 0.000 description 5
- 240000002853 Nelumbo nucifera Species 0.000 description 4
- 235000006508 Nelumbo nucifera Nutrition 0.000 description 4
- 235000006510 Nelumbo pentapetala Nutrition 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 230000001537 neural effect Effects 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 3
- 238000011002 quantification Methods 0.000 description 3
- 239000002699 waste material Substances 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 210000004027 cell Anatomy 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000005520 cutting process Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 238000010276 construction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000009958 sewing Methods 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
- 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
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/903—Querying
- G06F16/90335—Query processing
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Marketing (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- General Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Computational Linguistics (AREA)
- Tourism & Hospitality (AREA)
- General Engineering & Computer Science (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Manufacturing & Machinery (AREA)
- Game Theory and Decision Science (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明基于要素匹配的服装成本快速核算方法包括：提取待估样本的各类服装要素，服装要素包括与面布成本相关的面布用量要素、与里布成本相关的里布用量要素和与服装加工成本相关的因素；对照要素量化规则，将各个服装要素转化为可计算的数值并进行归一化处理；计算经归一化处理的待估样本中各个服装要素与每一历史样本中同一服装要素间的相似度；基于各个服装要素的权重和相似度计算待估样本与每一历史样本的相似度；将各个相似度按数值大小排序，取相似度最大的历史样本作为匹配样本；获取匹配样本的面布单耗、里布单耗和服装加工成本；基于匹配样本的面布单耗、里布单耗和服装加工成本，计算出待估样本的面布成本、里布成本和服装加工成本。
Description
技术领域
本发明属于服装成本核算领域，适用于服装加工企业，具体涉及一种通过筛选服装要素，快速得到服装用料和加工成本的方法。
背景技术
为了缓解劳动力紧缺带给服装业的冲击，解决用工荒、过度依赖熟练技术工人等问题，越来越多的企业选择利用先进设备和信息化生产管理技术提高生产制造水平和管理水平。
由于服装加工企业成本核算体系不健全，成本核算工作具有明显的主观随意性，从而导致报价结果不够稳定和准确。特别在翻单或者生产相似款式服装时，如果报价与之前的区别较大，客户会对生产加工企业产生质疑和不满。如果报价低于之前的水平又会损害到服装加工企业的利益。此外，传统的服装成本核算工作中手工化迹象明显，成本核算工作同其他服装生产制造过程一样都是一环扣一环，一个环节出现问题，后面的环节都要因此耽搁停滞，极易造成工时浪费。这一系列突出问题纷纷指出成本管理信息化平台完善和革新方向，服装企业急需一种可以为缺乏经验的报价业务员提供可靠的成本依据的方法，让报价做到快速、准确、合理。
发明内容
本发明针对现有技术存在的问题和不足，提供一种基于要素匹配的服装成本快速核算方法，通过计算新开发样本与历史样本的相似度，从而匹配到在成本特征上与新开发样本最相似的历史样本，快速得到新开发样本面料成本和服装加工成本近似值。
本发明是通过下述技术方案来解决上述技术问题的：
本发明提供一种基于要素匹配的服装成本快速核算方法，其特点在于，其包括以下步骤：
S1、提取新开发款式的待估样本的各类服装要素，服装要素包括与面布成本相关的面布用量要素、与里布成本相关的里布用量要素和与服装加工成本相关的因素；
S2、对照要素量化规则，将各个服装要素转化为可计算的数值并进行归一化处理；
S3、计算经归一化处理的待估样本中各个服装要素与每一历史样本中同一服装要素之间的相似度；
S4、基于各个服装要素的权重和相似度，计算待估样本与每一历史样本的相似度；
S5、将各个相似度按照数值大小顺序进行排序，取相似度最大的历史样本作为匹配样本；
S6、获取匹配样本的面布单耗、里布单耗和服装加工成本；
S7、基于匹配样本的面布单耗、里布单耗和服装加工成本，计算出待估样本的面布成本、里布成本和服装加工成本。
较佳地，在步骤S2中，要素量化规则为：服装要素包括定量要素和定性要素，针对服装要素中的定性要素，通过专家评级的方式对服装要素中的定性要素进行量化。
较佳地，在步骤S4中，获得各个服装要素的权重包括：
对历史样本中的各个面布用量要素进行步骤S2的归一化处理，将经归一化处理后的各个面布用量要素代入BP神经网络中训练以获得各个面布用量要素权重；
对历史样本中的各个里布用量要素进行步骤S2的归一化处理，将经归一化处理后的各个里布用量要素代入BP神经网络中训练以获得各个里布用量要素权重；
对历史样本中的各个服装加工成本要素进行步骤S2的归一化处理，将经归一化处理后的各个服装加工成本要素代入BP神经网络中训练以获得各个服装加工成本要素权重。
较佳地，在步骤S3中，计算待估样本中各个服装要素与每一历史样本中同一服装要素之间欧式距离来表示对应的相似度。
较佳地，在步骤S4中，对各个服装要素的权重和对应相似度进行加权求和，计算出待估样本与每一历史样本的相似度。
在符合本领域常识的基础上，上述各优选条件，可任意组合，即得本发明各较佳实例。
本发明的积极进步效果在于：
本发明具有操作简单、易实现、效率高、精确好等优点。
(1)本发明可以有效解决传统成本核算工作手工化迹象明显、主观随意性显著和工时浪费等问题。
(2)本发明不仅可以应用于成本管理，还可以应用于产品设计阶段的成本预测，对于设计师而言，如果在设计阶段就考虑到成本因素，也可以一定程度上减少后续因成本控制决策造成的对设计作品整体性的破坏。
(3)本发明可以为成本管理部门提供降低成本的方案。在报价系统中，每进行一次服装特征要素的匹配都会生成对应的成本数据。每一次选择都记录在系统中，系统也可以根据指定的成本数据进行服装要素的配置，提供管理人员要素选择方案，即成本调节方案。
附图说明
图1为本发明较佳实施例的基于要素匹配的服装成本快速核算方法的流程图。
图2为本发明较佳实施例的报价单图。
图3为本发明较佳实施例的工艺单图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1所示，本实施例提供一种基于要素匹配的服装成本快速核算方法，其包括以下步骤：
步骤101、提取新开发款式的待估样本的各类服装要素，服装要素包括与面布成本相关的面布用量要素、与里布成本相关的里布用量要素和与服装加工成本相关的因素。
服装成本包括面料成本、辅料成本、特殊工艺成本和服装加工成本。辅料成本和特殊工艺成本的占比较小，不同的设计要求对这两类的影响较大，可以通过归纳企业历史订单中不同款式特点下辅料和特殊工艺成本的所在区间(成本区间表)，作为辅料和特殊工艺成本估算的参考。面料成本和服装加工成本是服装成本的主要部分，通过分类对比样本服装信息以及咨询相关专家，归纳出了具有普遍性和规律性的因素用于成本研究。以连衣裙品类影响因素为例，分析结果如下：
面料成本包含面布成本和里布成本，面布用量因素包括裙长、裙型、腰型、门襟结构、廓形、袖长、袖型、系带、系绳、领型、荷叶边面积、装饰层面积、纵拼缝分布、横斜拼缝分布、面料排料与裁剪规则、特殊工艺加工类型分布；里布用量因素包括裙长、裙型、领型、系带、底布分布、纵拼缝分布、拼缝数、荷叶边分布。影响服装加工成本的因素主要有系带、裙型、裙长、荷叶边长度、拼缝数、领型、纵拼缝分布、底布分布。
根据款式和工艺信息进行以上服装要素的分类提取，完成服装要素表的制作。
步骤102、对照要素量化规则，将各个服装要素转化为可计算的数值并进行归一化处理。
其中，要素量化规则为：服装要素包括定量要素和定性要素，针对服装要素中的定性要素，通过专家评级的方式对服装要素中的定性要素进行量化。
分别对面布要素、里布要素和服装加工成本要素进行量化，属于同一要素的某种特征对成本的影响越大则数值更大。要素中既包含定性指标又含有定量指标，它们的量化规则存在差异。以连衣裙为例，要素量化规则如下：
A.荷叶边长度、绳带长度、特殊工艺面积等属于定量指标，将标准化后的长度、面积数带入相似度计算公式中即可计算要素间的相似度。
B.裙型、廓形、腰型等定性指标不可以直接进行公式计算，选择专家评级法将定性指标内容转化为可以计算的数值，与定量指标共同参与相似度计算。
C.将所有数据按一定的比例缩放，使其在一个特定的小区间分布，将有单位意义的数据转换为纯粹的数值，消除数据单位的限制。这个过程即数据标准化的过程，最典型和常用的就是将数据按照一定比例映射到[0，1]区间。归一化后的数据是无量纲、小区间的纯数值，一方面在保证数据分布的同时提升数据的收敛速度；另一方面提高数据精度。标准化公式如下：
其中x、y分别为转换前、后的值，ymax、ymin分别为原始样本中的最大值和最小值。
步骤103、计算经归一化处理的待估样本中各个服装要素与每一历史样本中同一服装要素之间的欧式距离来表示对应相似度。
步骤104、基于各个服装要素的权重和相似度，计算待估样本与每一历史样本的相似度；即，对各个服装要素的权重和对应相似度进行加权求和，计算出待估样本与每一历史样本的相似度。
在步骤104中，获得各个服装要素的权重包括：
对历史样本中的各个面布用量要素进行步骤102的归一化处理，将经归一化处理后的各个面布用量要素代入BP神经网络中训练以获得各个面布用量要素权重。
对历史样本中的各个里布用量要素进行步骤102的归一化处理，将经归一化处理后的各个里布用量要素代入BP神经网络中训练以获得各个里布用量要素权重。
对历史样本中的各个服装加工成本要素进行步骤102的归一化处理，将经归一化处理后的各个服装加工成本要素代入BP神经网络中训练以获得各个服装加工成本要素权重。
本发明采用BP神经网络计算各要素的权重，分别对面布成本、里布成本和服装加工成本建立对应的神经网络。该方法会尽可能消除以往权重确定方法中的人为影响，增减要素时不会增加工作量。BP网络的构建涉及输入层、隐含层、输出层三个方面的设置:
在提取影响成本的服装各个要素之后，根据量化规则后得到服装要素特征值作为输入向量。服装要素对于面布成本、里布成本和服装加工成本的影响情况不同，因此需要对每一个神经网络设置不同的神经元单元数。
服装加工成本可以直接作为其神经网络的输出层数据，然而不同面料的单价和幅宽存在差异，面料的成本不能直接作为输出样本。本文通过公式计算出面料的面积单耗，作为面布成本和里布成本神经网络的输出层，三个神经网络的输出层个数均为1。
本发明建立的神经网络模型均采用一个隐含层的网络结构，并通过试错法确定隐含层神经单元数。隐含层的神经单元数目原则上应该大于输入层神经单元和输出层神经单元数目和的一半,小于输入层神经元和输出层神经元数目的和。
完成神经网络的构建后，需要对其进行训练，训练完成后再输出各要素权重，用以后续样本相似度的计算。
步骤105、将各个相似度按照数值大小顺序进行排序，取相似度最大的历史样本作为匹配样本。
步骤106、获取匹配样本的面布单耗、里布单耗和服装加工成本。
步骤107、基于匹配样本的面布单耗、里布单耗和服装加工成本，计算出待估样本的面布成本、里布成本和服装加工成本，基于面布单耗、里布单耗分别计算出面布成本、里布成本是现有技术。
本发明数据来源为服装加工企业历史订单的报价单(见图2)、工艺单(见图3)、特殊工艺单，其中包含了款式图、成衣照片、面辅料单耗及报价、加工费、裁剪信息、缝制工序、物料应用部位和特殊工艺加工要求等关键信息，由此分析得出成本构成情况和影响因素。
对面料和服装加工成本采用加权欧式距离计算样本相似度的方法进行成本匹配方法进行成本快速核算。以下将以连衣裙品类为例，结合具体实施例对本发明做进一步详细说明。
(1)根据企业连衣裙品类的历史订单中的样本信息进行要素提取，表1为分类提取后得到的三个连衣裙样本的要素提取结果。
(2)基于要素量化规则，将步骤(1)获得的关于服装要素文字性描述转化为可以计算的数值。本发明关于量化规则的设计是基于专家评级和二元对比排序法确定的，分别从面布、里布和服装加工成本三方面进行要素的量化，属于同一要素的某种特征对成本的影响越大则数值更大。为消除数据单位和量纲的影响，将数据进行标准化处理，即按照公式
将数据映射到[0，1]区间。x分别为三个连衣裙样本中与面布成本、里布成本、服装加工成本相关的要素量化结果。
(3)对足够多样本进行步骤(1)和步骤(2)处理后，可以得到大量样本的特征值作为输入向量。在本实施例中对255款连衣裙进行各要素的权重计算，输入层分别含17、10、15个单元；隐含层个数为1，隐含层神经单元数，分别为16、7、11个单元。权重输出结果如下表所示：
(4)根据加权欧式距离计算公式，先进行待估样本与历史样本同一要素之间相似度的计算，再计算待估样本与历史样本之间的相似度。
(5)将历史样本按照与代估样本相似度大小进行排序，取相似度最大的样本作为匹配样本。获取匹配样本的面料单耗数据和服装加工成本数据，根据公式将面布和里布面积单耗换算为成本数据，下表为匹配及换算结果。
共对10个连衣裙样本进行上述匹配实验，计算匹配值与实际值的误差，结果显示面布成本、里布成本和服装加工成本的平均误差分别为7.44％、8.90％、6.11％，均符合服装加工企业成本估算要求。
本发明只需要确定新开发款式的属性和要素，就能快速得到它的服装用料和加工成本。在应用中操作简单、容易上手，即使是缺乏经验的从业人员也可以从基本的款式信息中提取成本核算所需的服装要素。适用于累积了大量历史订单数据的服装加工企业的成本核算场景中，解决了该过程中手工化迹象明显、主观随意性显著和工时浪费等突出问题。
虽然以上描述了本发明的具体实施方式，但是本领域的技术人员应当理解，这些仅是举例说明，本发明的保护范围是由所附权利要求书限定的。本领域的技术人员在不背离本发明的原理和实质的前提下，可以对这些实施方式做出多种变更或修改，但这些变更和修改均落入本发明的保护范围。
Claims (5)
1.一种基于要素匹配的服装成本快速核算方法，其特征在于，其包括以下步骤：
S1、提取新开发款式的待估样本的各类服装要素，服装要素包括与面布成本相关的面布用量要素、与里布成本相关的里布用量要素和与服装加工成本相关的因素；
S2、对照要素量化规则，将各个服装要素转化为可计算的数值并进行归一化处理；
S3、计算经归一化处理的待估样本中各个服装要素与每一历史样本中同一服装要素之间的相似度；
S4、基于各个服装要素的权重和相似度，计算待估样本与每一历史样本的相似度；
S5、将各个相似度按照数值大小顺序进行排序，取相似度最大的历史样本作为匹配样本；
S6、获取匹配样本的面布单耗、里布单耗和服装加工成本；
S7、基于匹配样本的面布单耗、里布单耗和服装加工成本，计算出待估样本的面布成本、里布成本和服装加工成本。
2.如权利要求1所述的基于要素匹配的服装成本快速核算方法，其特征在于，在步骤S2中，要素量化规则为：服装要素包括定量要素和定性要素，针对服装要素中的定性要素，通过专家评级的方式对服装要素中的定性要素进行量化。
3.如权利要求1所述的基于要素匹配的服装成本快速核算方法，其特征在于，在步骤S4中，获得各个服装要素的权重包括：
对历史样本中的各个面布用量要素进行步骤S2的归一化处理，将经归一化处理后的各个面布用量要素代入BP神经网络中训练以获得各个面布用量要素权重；
对历史样本中的各个里布用量要素进行步骤S2的归一化处理，将经归一化处理后的各个里布用量要素代入BP神经网络中训练以获得各个里布用量要素权重；
对历史样本中的各个服装加工成本要素进行步骤S2的归一化处理，将经归一化处理后的各个服装加工成本要素代入BP神经网络中训练以获得各个服装加工成本要素权重。
4.如权利要求1所述的基于要素匹配的服装成本快速核算方法，其特征在于，在步骤S3中，计算待估样本中各个服装要素与每一历史样本中同一服装要素之间欧式距离来表示对应的相似度。
5.如权利要求1所述的基于要素匹配的服装成本快速核算方法，其特征在于，在步骤S4中，对各个服装要素的权重和对应相似度进行加权求和，计算出待估样本与每一历史样本的相似度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010710591.7A CN111815366A (zh) | 2020-07-22 | 2020-07-22 | 一种基于要素匹配的服装成本快速核算方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010710591.7A CN111815366A (zh) | 2020-07-22 | 2020-07-22 | 一种基于要素匹配的服装成本快速核算方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111815366A true CN111815366A (zh) | 2020-10-23 |
Family
ID=72861884
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010710591.7A Pending CN111815366A (zh) | 2020-07-22 | 2020-07-22 | 一种基于要素匹配的服装成本快速核算方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111815366A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113298627A (zh) * | 2021-07-21 | 2021-08-24 | 中运科技股份有限公司 | 一种基于人工智能的新零售商城系统 |
| CN113468623A (zh) * | 2021-07-05 | 2021-10-01 | 海澜之家集团股份有限公司 | 服装用料预估计算方法、系统以及设备 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2002140570A (ja) * | 2001-11-02 | 2002-05-17 | Olympus Optical Co Ltd | 情報サービスシステム |
| US20140344102A1 (en) * | 2013-05-18 | 2014-11-20 | Chaya Cooper | Virtual Personal Shopping System |
| CN106096723A (zh) * | 2016-05-27 | 2016-11-09 | 北京航空航天大学 | 一种基于混合神经网络算法的用于复杂工业产品性能评估方法 |
| CN107194736A (zh) * | 2017-05-25 | 2017-09-22 | 重庆汇集源科技有限公司 | 一种基于随机森林的房地产估价方法、系统及存储介质 |
| CN109146278A (zh) * | 2018-08-14 | 2019-01-04 | 南京智绘星图信息科技有限公司 | 一种基于机器学习的不动产评估方法 |
| CN109360018A (zh) * | 2018-09-27 | 2019-02-19 | 郑州轻工业学院 | 一种基于人工神经网络的模糊宗地地价评估方法 |
| CN109377260A (zh) * | 2018-09-14 | 2019-02-22 | 江阴逐日信息科技有限公司 | 面向服装行业的用户行为分析系统 |
| KR20190036094A (ko) * | 2017-09-27 | 2019-04-04 | 주식회사 종달랩 | 사용자 맞춤형 의류 부자재 추천 및 주문 시스템 |
| CN110322297A (zh) * | 2019-07-16 | 2019-10-11 | 山东科技大学 | 基于bp神经网络的中大型冲压模具报价预测方法 |
| CN110837997A (zh) * | 2018-08-16 | 2020-02-25 | 天津市飞尼克斯实业发展有限公司 | 服装企业生产各部门管理系统 |
| CN111028013A (zh) * | 2019-12-11 | 2020-04-17 | 广州地铁集团有限公司 | 一种轨道交通车站拟建工程造价评估方法 |
| CN111080356A (zh) * | 2019-12-11 | 2020-04-28 | 西南科技大学 | 一种利用机器学习回归模型计算住宅价格影响因素的方法 |
-
2020
- 2020-07-22 CN CN202010710591.7A patent/CN111815366A/zh active Pending
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2002140570A (ja) * | 2001-11-02 | 2002-05-17 | Olympus Optical Co Ltd | 情報サービスシステム |
| US20140344102A1 (en) * | 2013-05-18 | 2014-11-20 | Chaya Cooper | Virtual Personal Shopping System |
| CN106096723A (zh) * | 2016-05-27 | 2016-11-09 | 北京航空航天大学 | 一种基于混合神经网络算法的用于复杂工业产品性能评估方法 |
| CN107194736A (zh) * | 2017-05-25 | 2017-09-22 | 重庆汇集源科技有限公司 | 一种基于随机森林的房地产估价方法、系统及存储介质 |
| KR20190036094A (ko) * | 2017-09-27 | 2019-04-04 | 주식회사 종달랩 | 사용자 맞춤형 의류 부자재 추천 및 주문 시스템 |
| CN109146278A (zh) * | 2018-08-14 | 2019-01-04 | 南京智绘星图信息科技有限公司 | 一种基于机器学习的不动产评估方法 |
| CN110837997A (zh) * | 2018-08-16 | 2020-02-25 | 天津市飞尼克斯实业发展有限公司 | 服装企业生产各部门管理系统 |
| CN109377260A (zh) * | 2018-09-14 | 2019-02-22 | 江阴逐日信息科技有限公司 | 面向服装行业的用户行为分析系统 |
| CN109360018A (zh) * | 2018-09-27 | 2019-02-19 | 郑州轻工业学院 | 一种基于人工神经网络的模糊宗地地价评估方法 |
| CN110322297A (zh) * | 2019-07-16 | 2019-10-11 | 山东科技大学 | 基于bp神经网络的中大型冲压模具报价预测方法 |
| CN111028013A (zh) * | 2019-12-11 | 2020-04-17 | 广州地铁集团有限公司 | 一种轨道交通车站拟建工程造价评估方法 |
| CN111080356A (zh) * | 2019-12-11 | 2020-04-28 | 西南科技大学 | 一种利用机器学习回归模型计算住宅价格影响因素的方法 |
Non-Patent Citations (1)
| Title |
|---|
| 夏明等: "基于连衣裙结构特征匹配的款式识别技术", 《纺织学报》, vol. 41, no. 7, pages 141 - 146 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113468623A (zh) * | 2021-07-05 | 2021-10-01 | 海澜之家集团股份有限公司 | 服装用料预估计算方法、系统以及设备 |
| CN113298627A (zh) * | 2021-07-21 | 2021-08-24 | 中运科技股份有限公司 | 一种基于人工智能的新零售商城系统 |
| CN113298627B (zh) * | 2021-07-21 | 2021-11-02 | 中运科技股份有限公司 | 一种基于人工智能的新零售商城系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2022095864A1 (zh) | 一种基于加权rfm模型的电商平台客户细分方法 | |
| Peng et al. | Model research on forecast of second-hand house price in Chengdu based on XGboost algorithm | |
| CN111815366A (zh) | 一种基于要素匹配的服装成本快速核算方法 | |
| CN106874923A (zh) | 一种商品的风格分类确定方法及装置 | |
| CN110689162B (zh) | 一种基于用户侧分类的母线负荷预测方法、装置及系统 | |
| CN106446478B (zh) | 一种切削加工工艺优选方法 | |
| CN106055893A (zh) | 基于时尚模板库和自动匹配的服装搭配方案生成方法 | |
| CN110826886A (zh) | 一种基于聚类算法和主成分分析的电力客户画像构建方法 | |
| CN109344907A (zh) | 基于改进评判标准分类算法的判别方法 | |
| CN107146035A (zh) | 针织服装大货生产中批量系数的计算方法 | |
| CN109003010A (zh) | 电网项目投资效益的评价方法 | |
| CN111784109A (zh) | 一种基于毕达哥拉斯模糊集和vikor的供应商选择方法 | |
| CN107479522A (zh) | 一种改良的帝国竞争算法解决柔性作业车间调度问题的方法 | |
| CN108803519A (zh) | 一种改良的帝国竞争算法解决柔性作业车间调度问题的方法 | |
| CN113641733A (zh) | 一种河道断面流量实时智能推求方法 | |
| CN109840336B (zh) | 服装设计样本推荐方法和装置 | |
| CN113591947A (zh) | 基于用电行为的电力数据聚类方法、装置和存储介质 | |
| FAN et al. | Research and application of project settlement overdue prediction based on xgboost intelligent algorithm | |
| CN112163731A (zh) | 一种基于加权随机森林的专变用户电费回收风险识别方法 | |
| CN104281588B (zh) | 一种基于多粒度的布料图像检索方法 | |
| CN116797096A (zh) | 基于ahp-熵权法的供应链韧性水平模糊综合评估方法 | |
| Cattin et al. | FURTHER BEYOND CONJOINT MEASUREMENT: TOWARD A COMPARISON OF METHODS. | |
| CN108133296B (zh) | 基于活动的社交网络下的一种结合环境数据的活动出席预测方法 | |
| Rezaie et al. | Evaluating the business intelligence systems performance criteria using group fuzzy AHP approach | |
| CN116385632A (zh) | 一种用于服装制造企业智能设计的方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201023 |