CN112070126A - 一种物联网数据挖掘方法 - Google Patents

一种物联网数据挖掘方法 Download PDF

Info

Publication number
CN112070126A
CN112070126A CN202010846397.1A CN202010846397A CN112070126A CN 112070126 A CN112070126 A CN 112070126A CN 202010846397 A CN202010846397 A CN 202010846397A CN 112070126 A CN112070126 A CN 112070126A
Authority
CN
China
Prior art keywords
data
analysis
internet
mining
customers
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.)
Withdrawn
Application number
CN202010846397.1A
Other languages
English (en)
Inventor
陈林辉
陈自飞
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.)
Chengdu Yidingyun Technology Co ltd
Jiangxi's Cloud Technology Co ltd
Original Assignee
Chengdu Yidingyun Technology Co ltd
Jiangxi's Cloud 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 Chengdu Yidingyun Technology Co ltd, Jiangxi's Cloud Technology Co ltd filed Critical Chengdu Yidingyun Technology Co ltd
Priority to CN202010846397.1A priority Critical patent/CN112070126A/zh
Publication of CN112070126A publication Critical patent/CN112070126A/zh
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2431—Multiple classes
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Accounting & Taxation (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • General Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种物联网数据挖掘方法，所述物联网数据挖掘方法步骤包括有分类、回顾分析、聚类、关联规则、特征、变化和偏差分析和Web页挖掘，所述该方法操作方式分为以下具体步骤。本发明所述的一种物联网数据挖掘方法，通过物联网采用多种方式挖掘后，便可对挖掘的数据进行分析处理步骤，处理时根据数据挖掘信息选取一个或多个优越的经营模式，并在此经过上述对应步骤多次验证该分析模式，然后选取数据相对稳定的作为评价预备数据，并将数据输入计算机进行虚拟模拟计算分析该经营模式，这样多次对网络挖掘数据的验证和分析可以使得数据更加趋于准确，并且对该网络数据进行相应的计算机模拟，使得可以更大化的规避经营风险。

Description

一种物联网数据挖掘方法
技术领域
本发明涉及网络数据挖掘领域，特别涉及一种物联网数据挖掘方法。
背景技术
数据挖掘通常与计算机科学有关，并通过统计、在线分析处理、情报检索、机器学习、专家系统（依靠过去的经验法则）和模式识别等诸多方法来实现上述目标，数据挖掘是通过分析每个数据，从大量数据中寻找其规律的技术，主要有数据准备、规律寻找和规律表示三个步骤，数据准备是从相关的数据源中选取所需的数据并整合成用于数据挖掘的数据集，规律寻找是用某种方法将数据集所含的规律找出来，规律表示是尽可能以用户可理解的方式（如可视化）将找出的规律表示出来；
然而现有的物联网数据挖掘方法在使用时存在一定的弊端，在经过多种物联网数据挖掘方法得出的数据中各有不同，因此在选择优越的挖掘数据结果后，其数据没有得到多次验证，从而使得数据不具有较高的精准性。
发明内容
本发明的主要目的在于提供一种物联网数据挖掘方法，可以有效解决背景技术中的问题。
为实现上述目的，本发明采取的技术方案为：
一种物联网数据挖掘方法，所述物联网数据挖掘方法步骤包括有分类、回顾分析、聚类、关联规则、特征、变化和偏差分析和Web页挖掘，所述该方法操作方式分为以下具体步骤：
S1、分类：找出数据库中一组数据对象的共同特点并按照分类模式将其划分为不同的类，其目的是通过分类模型，将数据库中的数据项映射到某个给定的类别，可以应用到客户的分类、客户的属性和特征分析、客户满意度分析、客户的购买趋势预测，当前的市场营销中很重要的一个特点是强调客户细分，客户类别分析的功能也在于此，采用数据挖掘中的分类技术，可以将客户分成不同的类别。比如呼叫中心设计时可以分为：呼叫频繁的客户、偶然大量呼叫的客户、稳定呼叫的客户、其他，帮助呼叫中心寻找出这些不同种类客户之间的特征，这样的分类模型可以让用户了解不同行为类别客户的分布特征；
S2、回归分析：反映的是事务数据库中属性值在时间上的特征，产生一个将数据项映射到一个实值预测变量的函数，发现变量或属性间的依赖关系，其主要研究问题包括数据序列的趋势特征、数据序列的预测以及数据间的相关关系；
S3、聚类分析：把一组数据按照相似性和差异性分为几个类别，其目的是使得属于同一类别的数据间的相似性尽可能大，不同类别中的数据间的相似性尽可能的小；
S4、关联规则：描述数据库中数据项之间所存在的关系的规则，即根据一个事务中某些项的出现可到处另一些项在同一事物中也出现，即隐藏在数据间的关联或相互关系；
S5、特征分析：从数据库中的一组数据中提取出关于这些数据的特征式，这些特征式表达了该数据集的总体特征，特征选择的目的在于从海量数据中提取出有用信息，从而提高数据的使用效率，其中，特征有效性的选择评价有概率论、数理统计、信息论、IR领域的度量；
S6、变化和偏差分析：偏差包括很大一类潜在有趣的知识，如分类中的反常实例，模式的例外，观察结果对期望的偏差等，其目的是寻找观察结果与参照量之间有意义的差别；
S7、Web页挖掘：随着Internet的迅速发展及Web的全球普及，使得Web上的信息量无比丰富，通过对Web的挖掘，可以利用Web的海量数据进行分析，收集政治、经济、政策、科技、金融、各种市场、竞争对手、供求信息、客户等有关的信息，集中精力分析和处理那些对企业有重大或潜在重大影响的外部环境信息和内部经营信息，并根据分析结果找出企业管理过程中出现的各种问题和可能引起危机的先兆，对这些信息进行分析和处理，一般是不分析、评价和管理危机；
S8、在通过物联网采用以上方式挖掘后，便可对挖掘的数据进行分析处理，处理时根据数据挖掘信息选取一个或多个优越的经营模式，并在此进过上述对应步骤多次验证该分析模式，然后选取数据相对稳定的作为评价预备数据，并将数据输入计算机进行虚拟模拟计算分析该经营模式。
优选的，所述S2中，其主管表现在几个方面：（1）判别自变量是否能解释因变量的显著变化---关系是否存在、（2）判别自变量能够在多大程度上解释因变量----关系的强度、（3）判别关系的结构或形式----反映因变量和自变量之间相关的数学表达式、（4）预测自变量的值、（5）当评价一个特殊变量或一组变量对因变量的贡献时，对其自变量进行控制。
优选的，所述S3中，其分析算法分为以下几类：（1）划分方法、（2）层次的方法、（3）基于密度的方法、（4）基于网格的方法、（5）基于模型的方法，该方法可以应用到客户群体的分类、客户背景分析、客户购买趋势预测、市场的细分，按忠诚卡记录的光临次数、光临时间、年龄、职业，还有银行信用卡的黄金客户，按储蓄额、刷卡消费金额和诚信度。
优选的，所述S1中，其主要分类方法有决策树、KNN法(K-Nearest Neighbor)、SVM法、VSM法、Bayes法、神经网络。
与现有技术相比，本发明具有如下有益效果：
本发明中，通过物联网采用多种方式挖掘后，便可对挖掘的数据进行分析处理步骤，处理时根据数据挖掘信息选取一个或多个优越的经营模式，并在此经过上述对应步骤多次验证该分析模式，然后选取数据相对稳定的作为评价预备数据，并将数据输入计算机进行虚拟模拟计算分析该经营模式，这样多次对网络挖掘数据的验证和分析可以使得数据更加趋于准确，并且对该网络数据进行相应的计算机模拟，使得可以更大化的规避经营风险。
附图说明
图1为本发明一种物联网数据挖掘方法的流程步骤图；
图2为本发明一种物联网数据挖掘方法的分析处理的步骤流程图；
图3为本发明一种物联网数据挖掘方法的回归分析图；
图4为本发明一种物联网数据挖掘方法的聚类分析图；
图5为本发明一种物联网数据挖掘方法的关联规则图；
图6为本发明一种物联网数据挖掘方法的特征分析图。
具体实施方式
为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体实施方式，进一步阐述本发明。
在本发明的描述中，需要说明的是，术语“上”、“下”、“内”、“外”“前端”、“后端”、“两端”、“一端”、“另一端”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性。在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“设置有”、“连接”等，应做广义理解，例如“连接”，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
如图1-6所示，一种物联网数据挖掘方法，物联网数据挖掘方法步骤包括有分类、回顾分析、聚类、关联规则、特征、变化和偏差分析和Web页挖掘，该方法操作方式分为以下具体步骤：
S1、分类：找出数据库中一组数据对象的共同特点并按照分类模式将其划分为不同的类，其目的是通过分类模型，将数据库中的数据项映射到某个给定的类别，可以应用到客户的分类、客户的属性和特征分析、客户满意度分析、客户的购买趋势预测，当前的市场营销中很重要的一个特点是强调客户细分，客户类别分析的功能也在于此，采用数据挖掘中的分类技术，可以将客户分成不同的类别。比如呼叫中心设计时可以分为：呼叫频繁的客户、偶然大量呼叫的客户、稳定呼叫的客户、其他，帮助呼叫中心寻找出这些不同种类客户之间的特征，这样的分类模型可以让用户了解不同行为类别客户的分布特征；
S2、回归分析：反映的是事务数据库中属性值在时间上的特征，产生一个将数据项映射到一个实值预测变量的函数，发现变量或属性间的依赖关系，其主要研究问题包括数据序列的趋势特征、数据序列的预测以及数据间的相关关系；
S3、聚类分析：把一组数据按照相似性和差异性分为几个类别，其目的是使得属于同一类别的数据间的相似性尽可能大，不同类别中的数据间的相似性尽可能的小；
S4、关联规则：描述数据库中数据项之间所存在的关系的规则，即根据一个事务中某些项的出现可到处另一些项在同一事物中也出现，即隐藏在数据间的关联或相互关系；
S5、特征分析：从数据库中的一组数据中提取出关于这些数据的特征式，这些特征式表达了该数据集的总体特征，特征选择的目的在于从海量数据中提取出有用信息，从而提高数据的使用效率，其中，特征有效性的选择评价有概率论、数理统计、信息论、IR领域的度量；
S6、变化和偏差分析：偏差包括很大一类潜在有趣的知识，如分类中的反常实例，模式的例外，观察结果对期望的偏差等，其目的是寻找观察结果与参照量之间有意义的差别；
S7、Web页挖掘：随着Internet的迅速发展及Web的全球普及，使得Web上的信息量无比丰富，通过对Web的挖掘，可以利用Web的海量数据进行分析，收集政治、经济、政策、科技、金融、各种市场、竞争对手、供求信息、客户等有关的信息，集中精力分析和处理那些对企业有重大或潜在重大影响的外部环境信息和内部经营信息，并根据分析结果找出企业管理过程中出现的各种问题和可能引起危机的先兆，对这些信息进行分析和处理，一般是不分析、评价和管理危机；
S8、在通过物联网采用以上方式挖掘后，便可对挖掘的数据进行分析处理，处理时根据数据挖掘信息选取一个或多个优越的经营模式，并在此进过上述对应步骤多次验证该分析模式，然后选取数据相对稳定的作为评价预备数据，并将数据输入计算机进行虚拟模拟计算分析该经营模式。；
S2中，其主管表现在几个方面：（1）判别自变量是否能解释因变量的显著变化---关系是否存在、（2）判别自变量能够在多大程度上解释因变量----关系的强度、（3）判别关系的结构或形式----反映因变量和自变量之间相关的数学表达式、（4）预测自变量的值、（5）当评价一个特殊变量或一组变量对因变量的贡献时，对其自变量进行控制；S3中，其分析算法分为以下几类：（1）划分方法、（2）层次的方法、（3）基于密度的方法、（4）基于网格的方法、（5）基于模型的方法，该方法可以应用到客户群体的分类、客户背景分析、客户购买趋势预测、市场的细分，按忠诚卡记录的光临次数、光临时间、年龄、职业，还有银行信用卡的黄金客户，按储蓄额、刷卡消费金额和诚信度；S1中，其主要分类方法有决策树、KNN法(K-Nearest Neighbor)、SVM法、VSM法、Bayes法、神经网络。
需要说明的是，本发明为一种物联网数据挖掘方法，在进行数据挖掘时其挖掘方法步骤分为以下步骤，首先分类，分类是找出数据库中一组数据对象的共同特点并按照分类模式将其划分为不同的类，其目的是通过分类模型，将数据库中的数据项映射到某个给定的类别，可以应用到客户的分类、客户的属性和特征分析、客户满意度分析、客户的购买趋势预测，当前的市场营销中很重要的一个特点是强调客户细分，客户类别分析的功能也在于此，采用数据挖掘中的分类技术，可以将客户分成不同的类别，比如呼叫中心设计时可以分为：呼叫频繁的客户、偶然大量呼叫的客户、稳定呼叫的客户、其他，帮助呼叫中心寻找出这些不同种类客户之间的特征，这样的分类模型可以让用户了解不同行为类别客户的分布特征，其主要分类方法有决策树、KNN法(K-Nearest Neighbor)、SVM法、VSM法、Bayes法、神经网络，回归分析，回归分析反映的是事务数据库中属性值在时间上的特征，产生一个将数据项映射到一个实值预测变量的函数，发现变量或属性间的依赖关系，其主要研究问题包括数据序列的趋势特征、数据序列的预测以及数据间的相关关系，主要表现在几个方面：（1）判别自变量是否能解释因变量的显著变化---关系是否存在、（2）判别自变量能够在多大程度上解释因变量----关系的强度、（3）判别关系的结构或形式----反映因变量和自变量之间相关的数学表达式、（4）预测自变量的值、（5）当评价一个特殊变量或一组变量对因变量的贡献时，对其自变量进行控制，聚类分析，聚类分析是把一组数据按照相似性和差异性分为几个类别，其目的是使得属于同一类别的数据间的相似性尽可能大，不同类别中的数据间的相似性尽可能的小，关联规则，关联规则描述数据库中数据项之间所存在的关系的规则，即根据一个事务中某些项的出现可到处另一些项在同一事物中也出现，即隐藏在数据间的关联或相互关系，特征分析，特征分析从数据库中的一组数据中提取出关于这些数据的特征式，这些特征式表达了该数据集的总体特征，特征选择的目的在于从海量数据中提取出有用信息，从而提高数据的使用效率，其中，特征有效性的选择评价有概率论、数理统计、信息论、IR领域的度量，变化和偏差分析，变化和偏差分析偏差包括很大一类潜在有趣的知识，如分类中的反常实例，模式的例外，观察结果对期望的偏差等，其目的是寻找观察结果与参照量之间有意义的差别，Web页挖掘，Web页挖掘是随着Internet的迅速发展及Web的全球普及，使得Web上的信息量无比丰富，通过对Web的挖掘，可以利用Web的海量数据进行分析，收集政治、经济、政策、科技、金融、各种市场、竞争对手、供求信息、客户等有关的信息，集中精力分析和处理那些对企业有重大或潜在重大影响的外部环境信息和内部经营信息，并根据分析结果找出企业管理过程中出现的各种问题和可能引起危机的先兆，对这些信息进行分析和处理，一般是不分析、评价和管理危机，最后在通过物联网采用以上方式挖掘后，便可对挖掘的数据进行分析处理，处理时根据数据挖掘信息选取一个或多个优越的经营模式，并在此经过上述对应步骤多次验证该分析模式，然后选取数据相对稳定的作为评价预备数据，并将数据输入计算机进行虚拟模拟计算分析该经营模式，这样多次对网络挖掘数据的验证和分析可以使得数据更加趋于准确，并且对该网络数据进行相应的计算机模拟，使得可以更大化的规避经营风险。
以上显示和描述了本发明的基本原理和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 (5)

1.一种物联网数据挖掘方法，其特征在于：所述物联网数据挖掘方法步骤包括有分类、回顾分析、聚类、关联规则、特征、变化和偏差分析和Web页挖掘，所述该方法操作方式分为以下具体步骤：
S1、分类：找出数据库中一组数据对象的共同特点并按照分类模式将其划分为不同的类，其目的是通过分类模型，将数据库中的数据项映射到某个给定的类别，可以应用到客户的分类、客户的属性和特征分析、客户满意度分析、客户的购买趋势预测，当前的市场营销中很重要的一个特点是强调客户细分，客户类别分析的功能也在于此，采用数据挖掘中的分类技术，可以将客户分成不同的类别。
2.比如呼叫中心设计时可以分为：呼叫频繁的客户、偶然大量呼叫的客户、稳定呼叫的客户、其他，帮助呼叫中心寻找出这些不同种类客户之间的特征，这样的分类模型可以让用户了解不同行为类别客户的分布特征；
S2、回归分析：反映的是事务数据库中属性值在时间上的特征，产生一个将数据项映射到一个实值预测变量的函数，发现变量或属性间的依赖关系，其主要研究问题包括数据序列的趋势特征、数据序列的预测以及数据间的相关关系；
S3、聚类分析：把一组数据按照相似性和差异性分为几个类别，其目的是使得属于同一类别的数据间的相似性尽可能大，不同类别中的数据间的相似性尽可能的小；
S4、关联规则：描述数据库中数据项之间所存在的关系的规则，即根据一个事务中某些项的出现可到处另一些项在同一事物中也出现，即隐藏在数据间的关联或相互关系；
S5、特征分析：从数据库中的一组数据中提取出关于这些数据的特征式，这些特征式表达了该数据集的总体特征，特征选择的目的在于从海量数据中提取出有用信息，从而提高数据的使用效率，其中，特征有效性的选择评价有概率论、数理统计、信息论、IR领域的度量；
S6、变化和偏差分析：偏差包括很大一类潜在有趣的知识，如分类中的反常实例，模式的例外，观察结果对期望的偏差等，其目的是寻找观察结果与参照量之间有意义的差别；
S7、Web页挖掘：随着Internet的迅速发展及Web的全球普及，使得Web上的信息量无比丰富，通过对Web的挖掘，可以利用Web的海量数据进行分析，收集政治、经济、政策、科技、金融、各种市场、竞争对手、供求信息、客户等有关的信息，集中精力分析和处理那些对企业有重大或潜在重大影响的外部环境信息和内部经营信息，并根据分析结果找出企业管理过程中出现的各种问题和可能引起危机的先兆，对这些信息进行分析和处理，一般是不分析、评价和管理危机；
S8、在通过物联网采用以上方式挖掘后，便可对挖掘的数据进行分析处理，处理时根据数据挖掘信息选取一个或多个优越的经营模式，并在此进过上述对应步骤多次验证该分析模式，然后选取数据相对稳定的作为评价预备数据，并将数据输入计算机进行虚拟模拟计算分析该经营模式。
3.根据权利要求1所述的一种物联网数据挖掘方法，其特征在于：所述S2中，其主管表现在几个方面：（1）判别自变量是否能解释因变量的显著变化---关系是否存在、（2）判别自变量能够在多大程度上解释因变量----关系的强度、（3）判别关系的结构或形式----反映因变量和自变量之间相关的数学表达式、（4）预测自变量的值、（5）当评价一个特殊变量或一组变量对因变量的贡献时，对其自变量进行控制。
4.根据权利要求1所述的一种物联网数据挖掘方法，其特征在于：所述S3中，其分析算法分为以下几类：（1）划分方法、（2）层次的方法、（3）基于密度的方法、（4）基于网格的方法、（5）基于模型的方法，该方法可以应用到客户群体的分类、客户背景分析、客户购买趋势预测、市场的细分，按忠诚卡记录的光临次数、光临时间、年龄、职业，还有银行信用卡的黄金客户，按储蓄额、刷卡消费金额和诚信度。
5.根据权利要求1所述的一种物联网数据挖掘方法，其特征在于：所述S1中，其主要分类方法有决策树、KNN法(K-Nearest Neighbor)、SVM法、VSM法、Bayes法、神经网络。
CN202010846397.1A 2020-08-21 2020-08-21 一种物联网数据挖掘方法 Withdrawn CN112070126A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010846397.1A CN112070126A (zh) 2020-08-21 2020-08-21 一种物联网数据挖掘方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010846397.1A CN112070126A (zh) 2020-08-21 2020-08-21 一种物联网数据挖掘方法

Publications (1)

Publication Number Publication Date
CN112070126A true CN112070126A (zh) 2020-12-11

Family

ID=73661451

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010846397.1A Withdrawn CN112070126A (zh) 2020-08-21 2020-08-21 一种物联网数据挖掘方法

Country Status (1)

Country Link
CN (1) CN112070126A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112579667A (zh) * 2020-12-15 2021-03-30 北京动力机械研究所 数据驱动的发动机多学科知识机器学习方法及装置
CN112685514A (zh) * 2021-01-08 2021-04-20 北京云桥智联科技有限公司 Ai智能客户价值管理平台
CN116383390A (zh) * 2023-06-05 2023-07-04 南京数策信息科技有限公司 一种用于经营管理信息的非结构化数据存储方法及云平台

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112579667A (zh) * 2020-12-15 2021-03-30 北京动力机械研究所 数据驱动的发动机多学科知识机器学习方法及装置
CN112579667B (zh) * 2020-12-15 2024-02-09 北京动力机械研究所 数据驱动的发动机多学科知识机器学习方法及装置
CN112685514A (zh) * 2021-01-08 2021-04-20 北京云桥智联科技有限公司 Ai智能客户价值管理平台
CN116383390A (zh) * 2023-06-05 2023-07-04 南京数策信息科技有限公司 一种用于经营管理信息的非结构化数据存储方法及云平台
CN116383390B (zh) * 2023-06-05 2023-08-08 南京数策信息科技有限公司 一种用于经营管理信息的非结构化数据存储方法及云平台

Similar Documents

Publication Publication Date Title
Adeniyi et al. Automated web usage data mining and recommendation system using K-Nearest Neighbor (KNN) classification method
Aher et al. Data mining in educational system using weka
Tsiptsis et al. Data mining techniques in CRM: inside customer segmentation
Seng et al. An analytic approach to select data mining for business decision
Zheng et al. An effective contrast sequential pattern mining approach to taxpayer behavior analysis
CN112070126A (zh) 一种物联网数据挖掘方法
CN116431931B (zh) 实时增量数据统计分析方法
Saxena et al. A comparative analysis of association rule mining algorithms
Li et al. RETRACTED ARTICLE: Data mining optimization model for financial management information system based on improved genetic algorithm
Tamilselvi et al. An overview of data mining techniques and applications
Vahidi Farashah et al. An analytics model for TelecoVAS customers’ basket clustering using ensemble learning approach
Sumathi et al. Introduction to data mining principles
Akerkar Advanced data analytics for business
Akhondzadeh-Noughabi et al. Mining the dominant patterns of customer shifts between segments by using top-k and distinguishing sequential rules
Maulina et al. Data mining approach for customer segmentation in B2B settings using centroid-based clustering
Zheng et al. Anomalous telecom customer behavior detection and clustering analysis based on ISP’s operating data
Babaiyan et al. Analyzing customers of South Khorasan telecommunication company with expansion of RFM to LRFM model
Weng et al. Mining time series data for segmentation by using Ant Colony Optimization
Lewaaelhamd Customer segmentation using machine learning model: an application of RFM analysis
Khajvand et al. Analyzing customer segmentation based on customer value components (case study: a private bank)
Ying et al. Preventing customer churn by using random forests modeling
Saraiya et al. Study of clustering techniques in the data mining domain
M. Bagirov et al. Introduction to clustering
CN113902533B (zh) 一种适用于财税领域指标自定义和自动化运行的应用方法
Koundourakis EnVisioner: a data mining framework based on decision trees

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
WW01 Invention patent application withdrawn after publication

Application publication date: 20201211

WW01 Invention patent application withdrawn after publication