CN112396211A - 一种数据预测方法及装置、设备和计算机存储介质 - Google Patents
一种数据预测方法及装置、设备和计算机存储介质 Download PDFInfo
- Publication number
- CN112396211A CN112396211A CN201910765675.8A CN201910765675A CN112396211A CN 112396211 A CN112396211 A CN 112396211A CN 201910765675 A CN201910765675 A CN 201910765675A CN 112396211 A CN112396211 A CN 112396211A
- Authority
- CN
- China
- Prior art keywords
- bid
- historical
- data
- determining
- supplier
- 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.)
- Granted
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
- 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
- G06Q10/06—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
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/08—Auctions
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例提供了一种数据预测方法及装置、设备和计算及存储介质,其中,所述方法包括:获取待预测供应商的本次投标数据和历史投标数据,基于历史投标数据确定预设的投标评价指标对应的权重,基于本次投标数据确定投标评价指标的当前值,根据该权重和投标评价指标的当前值,确定待预测供应商本次投标的中标概率;以此避免过度依赖样本数据而出现的大规模错分现象,也能够实现通过对本次投标数据进行加权融合来提高确定潜在供应商的可信度和可靠性,从而快速准确地确定出潜在供应商,为招标准备工作提供依据和保障。
Description
技术领域
本申请属于数据预测技术领域,涉及但不限于一种数据预测方法及装置、设备和计算及存储介质。
背景技术
在各个公司对于某个产品的采购招投标准备工作中,各个招投标方通常在自身数据库中存储了大量历史参与投标的各个供应商的公司信息,但却不能快速、有效地通过人为筛选确定出有可能投标或者整体素质较高的供应商;现有技术多是通过评判供应商的信誉等级或价值而忽略其他相关因素确定出的潜在供应商,评判指标过于单一,不能体现供应商的综合实力。因此,在筛选潜在供应商时采用单一指标判断潜在供应商的意义和可信度并不大。
并且,部分相关技术使用确定的样本数据以及分类算法对供应商的价值进行评估,这样使得样本数据的主观依赖度过高时容易出现大规模的错分现象,从而给潜在供应商的筛选造成极大的负面影响,因此如何快速有效地通过量化指标判断和筛选出潜在供应商是一个值得研究的问题。
发明内容
有鉴于此,本申请实施例的主要目的在于提供一种数据预测方法及装置、设备和计算机存储介质,至少能够解决评判供应商指标过于单一以及出现大规模错分现象的问题,提高确定潜在供应商的可信度和可靠性,从而快速确定出潜在供应商,为招标准备工作提供依据。
本申请实施例提供一种数据预测方法,所述方法包括:
获取待预测供应商的本次投标数据和历史投标数据;
基于所述历史投标数据,确定预设的投标评价指标对应的权重;
基于所述本次投标数据,确定所述投标评价指标的当前值;
根据所述权重和所述投标评价指标的当前值,确定待预测供应商本次投标的中标概率。
本申请实施例提供一种数据预测装置,所述装置至少包括:获取模块、第一确定模块、第二确定模块和第三确定模块,其中:
所述获取模块,用于获取待预测供应商的本次投标数据和历史投标数据;
所述第一确定模块,用于基于所述历史投标数据,确定预设的投标评价指标对应的权重;
所述第二确定模块,用于基于所述本次投标数据,确定所述投标评价指标的当前值;
所述第三确定模块,用于根据所述权重和所述投标评价指标的当前值,确定待预测供应商本次投标的中标概率。
本申请实施例提供一种数据预测设备,所属设备至少包括:存储器、通信总线及处理器,其中:
所述存储器,用于存储数据预测程序;
所述通信总线,用于实现所述处理器和所述存储器之间的通信连接;
所述处理器,用于执行所述存储器中存储的数据预测程序,以实现本申请实施例提供的数据预测方法。
本申请实施例提供一种计算机存储介质,所述计算机存储介质存储有数据预测程序,所述数据预测程序被所述处理器执行时实现本申请实施例提供的数据预测方法。
在本申请实施例提供的数据预测方法中,通过供应商的历史投标数据确定出供应商的投标评价指标的权值,以此避免过度依赖样本数据而出现的大规模错分现象,并且基于该权值和供应商的本次投标数据确定本次投标的中标概率,以此实现通过对本次投标数据进行加权融合来提高确定潜在供应商的可信度和可靠性,从而快速准确地确定出潜在供应商,为招标准备工作提供依据和保障。
附图说明
图1为本申请实施例提供的数据预测方法的一种实现流程示意图;
图2为本申请实施例中基于所述历史投标数据,确定预设的投标评价指标对应的权重的实现流程示意图;
图3为本申请实施例中确定所述待预测供应商在各次历史投标中投标评价指标对应的历史值的实现流程示意图;
图4为本申请实施例中基于所述归一化历史值和所述历史中标概率,确定所述投标评价指标对应的权重的实现流程示意图;
图5为本申请实施例中根据所述训练数据集,确定所述投标评价指标对应的权重训练值的实现流程示意图;
图6为本申请实施例提供的数据预测方法的又一实现流程示意图;
图7为本申请实施例提供的数据预测装置的示意图;
图8为本申请实施例提供的数据预测设备的结构示意图。
具体实施方式
为了使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请作进一步地详细描述,所描述的实施例不应视为对本申请的限制,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本申请保护的范围。
在以下的描述中,涉及到“一些实施例”,其描述了所有可能实施例的子集,但是可以理解,“一些实施例”可以是所有可能实施例的相同子集或不同子集,并且可以在不冲突的情况下相互结合。
在以下的描述中,所涉及的术语“第一\第二\第三”仅仅是是区别类似的对象,不代表针对对象的特定排序,可以理解地,“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序,以使这里描述的本申请实施例能够以除了在这里图示或描述的以外的顺序实施。
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的,不是旨在限制本申请。
本申请实施例提供一种数据预测方法,应用于数据预测设备,该数据预测设备可以是终端,也可以是服务器。在本申请实施例中,所述终端可以是平板电脑、笔记本电脑等具有无线通信能力的移动终端,还可以是不便移动的具有计算功能的台式计算机、桌面电脑等。服务器可以是指一台服务器,也可以是由多台服务器构成的服务器集群、云计算中心等等,在此不加以限定。图1为本申请实施例提供的数据预测方法的一种实现流程示意图,如图1所示,所述方法包括:
步骤S101:获取待预测供应商的本次投标数据和历史投标数据。
这里,所述数据预测设备中存储待预测供应商的本次投标数据和历史投标数据,所述本次投标数据可以是待预测供应商正在进行的投标行为生成的投标数据,所述历史投标数据可以是针对待预测供应商在本次投标之前已完成的多次历史投标行为产生的投标数据;所述投标数据可以包括待预测供应商的累计投标次数、累计中标次数、初次投标日期、应答时间、购买标书时间、应答截止时间,以及参与每次投标的所有供应商的平均得分等等,此处不做限定。
由于现有技术中使用分类算法对事先确定的样本数据进行分类,基于分类的结果确定待预测供应商的信誉等级,该信誉等级的确定需要获取样本数据,对样本数据的依赖过高,如果样本数据发生变化,确定出的信誉等级也会改变,这样确定出的潜在供应商的可信度和可靠性显然不高;为了解决此问题,本实施例利用待预测供应商的历史投标数据来确定该待测供应商是否为潜在供应商,由于已完成的多次历史投标行为产生的投标数据并不会发生变化,那么,根据该历史投标数据确定出的评判指标也会更具有说服力,从而确定出该待预测供应商是否为潜在供应商的判定结果也会更具有可信度和可靠性。
步骤S102:基于所述历史投标数据,确定预设的投标评价指标对应的权重。
这里,基于所述历史投标数据,首先确定出预设的投标评价指标,所述预设的投标评价指标可以包括供应商评分、中标频率、更替率、供应商等级和应答速度这5个指标,然后再确定每一个指标对应的权重,也就是供应商评分的权重、中标频率的权重、更替率的权重、供应商等级的权重和应答速度的权重。
利用所述历史投标数据确定出的5个指标能够解决使用单一评判指标导致不能体现待预测供应商的综合实力的问题,也能够为初步判断出待预测供应商的综合实力奠定基础;而确定出的每一个指标对应的权重,是为了对待预测供应商的本次投标数据进行加权融合,将加权融合后的结果作为待预测供应商本次投标的中标概率,根据该中标概率的高低就能初步判断该预测供应商的综合实力,以便为招标准备提供依据。
步骤S103:基于所述本次投标数据,确定所述投标评价指标的当前值。
这里,对于待预测供应商的历史投标数据和本次投标数据,都可以认为是至少针对供应商评分、中标频率、更替率、供应商等级和应答速度这5个指标的投标数据,并且,基于所述本次投标数据,确定出的是5个指标的当前值,也就是待预测供应商在本次投标中的供应商评分的当前取值、中标频率的当前取值、更替率的当前取值、供应商等级的当前取值以及应答速度的当前取值,以此为后续通过加权融合确定待预测供应商本次投标的中标概率奠定基础。
步骤S104:根据所述权重和所述投标评价指标的当前值,确定待预测供应商本次投标的中标概率。
这里,所述待预测供应商本次投标的中标概率,可以是使用所述权重对所述投标评价指标的当前值进行加权融合后的结果,也就是利用已确定出的5个指标的权重对5个指标的当前值进行加权融合,可以是将供应商评分的当前值与供应商评分的权重相乘、将中标频率的当前值与中标频率的权重相乘、将更替率的当前值与更替率的权重相乘、将供应商等级的当前值与供应商等级的权重相乘,以及将应答速度的当前值与应答速度的权重相乘,并将5个乘积值相加后的结果,确定为待预测供应商本次投标的中标概率。
在本申请实施例提供的数据预测方法中,通过供应商的历史投标数据确定出供应商的投标评价指标的权值,避免过度依赖样本数据而出现的大规模错分现象,并且基于该权值和供应商的本次投标数据确定本次投标的中标概率,以此实现通过采用权值对本次投标数据进行加权来提高确定潜在供应商的可信度和可靠性,从而快速确定出潜在供应商,为招标准备工作提供依据。
在一些实施例中,参照图2,步骤S102基于所述历史投标数据,确定预设的投标评价指标对应的权重的过程,可以通过以下步骤实现:
步骤S1021:基于所述历史投标数据,确定所述待预测供应商的历史中标概率。
这里,所述历史投标数据可以是针对待预测供应商在本次投标之前已完成的多次历史投标行为产生的投标数据,因此可以确定待预测供应商的历史投标次数以及多次历史投标中的历史中标次数,从而根据已知的历史投标次数和历史中标次数,确定出所述待预测供应商在每次历史中标中的历史中标概率,历史中标概率的个数与历史中标次数一一对应。
步骤S1022:基于所述历史投标数据,确定所述待预测供应商在各次历史投标中投标评价指标对应的历史值。
这里,由于待预测供应商的历史投标数据,可以认为是至少针对供应商评分、中标频率、更替率、供应商等级和应答速度这5个指标的投标数据,并且所述历史投标数据是针对待预测供应商在本次投标之前已完成的多次历史投标行为产生的投标数据,因此根据所述历史投标数据,确定出5个指标对应的历史值,也就是供应商评分的历史值、中标频率的历史值的历史值、更替率的历史值、供应商等级的历史值和应答速度的历史值。
由于所述历史投标数据针对的是本次投标之前已完成的多次历史投标行为,而每次历史投标行为产生的投标数据都会确定出5个指标对应的历史值,因此,此处根据所述历史投标数据确定的是投标评价指标对应的历史值并不是只有5个,而是一个由多组历史数据构成的历史数据集,其中每组历史数据为5个历史值;也可以认为所述历史数据集是横坐标为历史投标次数、纵坐标为5个指标对应的历史值的二维矩阵,此处不做限定。
步骤S1023:对所述历史值进行归一化,以确定归一化历史值。
这里,归一化历史值的个数与所述历史值的个数相等且一一对应,因此所述归一化历史值也可以认为是由多组历史归一化数据构成的历史归一化数据集,其中每组归一化历史数据为5个归一化历史值;也可以认为所述归一化历史数据集是横坐标为历史投标次数、纵坐标为5个归一化历史值的二维矩阵;并且,对所述历史值进行归一化,可以是对所述历史数据集中的每组5个历史值进行归一化,归一化的过程是将每组的5个历史值分别转换为[0,1]区间的小数,使之相加后的总和为1;比如任意选取一组历史值,该组的5个历史值为{A B C D E},对该组的5个历史值归一化后的结果为{A/A+B+C+D+E B/A+B+C+D+E C/A+B+C+D+E D/A+B+C+D+E A/A+B+C+D+E E/A+B+C+D+E};归一化的目的是为了方便快捷地处理数据,而归一化历史值的确定也为后续的步骤提供了依据。
步骤S1024:基于所述归一化历史值和所述历史中标概率,确定所述投标评价指标对应的权重。
这里,使用机器学习模型中的相关向量机对所述归一化历史值和所述历史中标概率中的部分数据进行训练,确定出5个指标的权重训练值,再使用所述归一化历史值和所述历史中标概率中的剩余数据对5个指标的权重训练值进行测试,将通过测试的权重训练值确定为所述投标评价指标对应的权重。
在本实施例中,在获取到待预测供应商的历史投标数据时,通过待预测供应商已完成的多次历史投标行为产生的投标数据确定多个历史中标概率以及多组历史数据,采用归一化方法对多组历史数据分别进行归一化,以使得后续的数据处理过程更加方便快捷,并且基于归一化历史值和历史中标概率确定每个投标评价指标对应的权重,保证了所确定的权重的可靠性,也为后续使用权重进行加权融合提供了依据。
在一些实施例中,参照图3,步骤S1022基于所述历史投标数据,确定所述待预测供应商在各次历史投标中投标评价指标对应的历史值的过程,可以通过以下步骤实现:
步骤S31:获取所述历史投标数据中的累计投标次数以及所述待预测供应商的每次中标份额。
这里,待预测供应商的历史投标数据中的累计投标次数和累计中标次数是已知且确定的,并且参与每次历史投标的所有供应商以及每次历史投标中中标的至少一个供应商也是已知且确定的,因此,基于所述历史投标数据可以确定出所述待预测供应商的每次中标份额,所述中标份额可以认为是中标在招标中的比重,比如待预测供应商在某次历史投标中中标了100万,且该次招标是500万,那么,待预测供应商的该次中标份额为0.2。
步骤S32:基于所述累计投标次数和所述每次中标份额,确定所述待预测供应商的平均中标份额。
在实际应用中,可以通过公式(1-1)确定待预测供应商的平均中标份额:
在公式(1-1)中,Pa为所述待预测供应商的平均中标份额,Por1为所述待预测供应商的第1次中标份额,Por2为所述待预测供应商的第2次中标份额,Porl为所述待预测供应商的第l次中标份额,l为所述历史投标数据中的累计中标次数,Q为所述历史投标数据中的累计投标次数。
步骤S33:将所述平均中标份额确定为所述历史投标数据的历史中标概率。
这里,考虑到现有技术中多是采用中标次数与投标次数的比值确定中标概率,中标概率的确定过于简单,且没有考虑中标份额,因此在本实施例中,将待预测供应商的平均中标份额作为所述历史投标数据的历史中标概率,使得确定出的历史中标概率更加具有说服力。
在本实施例中,基于待预测供应商的历史数据通过执行步骤31至步骤33确定历史中标概率时,将待预测用户在每次历史中标中的中标份额之和与历史投标次数的比值确定为历史中标概率,以此避免现有技术中仅采用中标次数与投标次数的比值确定中标率的过程单一性以及体现不了供应商实力的缺点,有效提高了确定历史中标概率的过程全面性。
在一些实施例中,参照图4,步骤S1024基于所述归一化历史值和所述历史中标概率,确定所述投标评价指标对应的权重的过程,可以通过以下步骤实现:
步骤S41:将所述归一化历史值和所述历史中标概率合并,得到合并数据集。
这里,所述归一化历史值是由多组历史归一化数据构成的历史归一化数据集,将所述历史归一化数据集与所述历史中标概率合并为合并数据集,其中,合并可以是将所述历史中标概率并入到所述历史归一化数据集中的前半部分、中间部分或者后半部分,也可以是将所述历史中标概率随机插入进所述历史归一化数据集中,此处不做限定。
步骤S42:基于预设规则,将所述合并数据集划分为训练数据集和测试数据集。
此处,所述预设规则可以是系统默认规则,由系统默认规则将所述合并数据集划分为训练数据集合测试数据集,也可以是在所述合并数据集中每隔几个合并数据选取一个合并数据作为训练测试集,剩余的其他合并数据作为测试数据集,当然也可以采用其它人为设置规则进行划分,此处也不做限定。
步骤S43:根据所述训练数据集,确定所述投标评价指标对应的权重训练值。
这里,采用相关向量机对所述训练数据集进行训练,可以是采用相关向量机中的线性回归模型对所述训练数据集进行训练,也可以是采用其他模型训练所述训练数据集,此处不做限定。
步骤S44:利用所述测试数据集对所述权重训练值进行测试,判断所述权重训练值是否通过测试。
这里,如果所述权重训练值测试通过,进入步骤S45;反之,如果测试未通过,进入步骤S46。
其中,判断所述权重训练值是否通过测试,可以认为是判断根据所述权重训练值确定的理论中标概率是否与所述测试数据集中对应历史中标概率之间的差值绝对值是否小于或者等于一预设差值阈值,如果根据所述权重训练值确定的理论中标概率与所述测试数据集中对应历史中标概率之间的差值绝对值小于或者等于一预设差值阈值,说明所述权重训练值通过测试;反之,如果根据所述权重训练值确定的理论中标概率与所述测试数据集中对应历史中标概率之间的差值绝对值大于一预设差值阈值,说明所述权重训练值通过测试。
步骤S45:将所述权重训练值确定为所述投标评价指标对应的权重。
这里,将通过测试的权重训练值确定为所述投标评价指标对应的权重,表明所确定出的权重是低误差高精度的权值,是能够用于后续步骤的加权融合的。
步骤S46:基于所述测试数据集,对所述权重训练值进行调整。
这里,对所述权重训练值进行调整,可以是直接对所述权重训练值进行调整,直至根据调整后的权重训练值确定的理论中标概率与所述测试数据集中对应历史中标概率的差值绝对值小于一预设差值阈值;也可以是重新对所述合并数据集进行划分,利用重新划分得到的训练数据集重新进行训练,使得根据重新训练得到的权重训练值确定的理论中标概率与所述测试数据集中对应历史中标概率的差值绝对值小于一预设差值阈值,此时进入步骤S47。
步骤S47:将调整后的权重训练值确定为所述投标评价指标对应的权重。
这里,如果根据所述调整后的权重训练值权重训练值确定的理论中标概率与所述测试数据集中对应历史中标概率之间的差值绝对值小于或者等于一预设差值阈值,说明调整后的权重训练值也通过了通过测试,从而将调整后的权重训练值确定为所述投标评价指标对应的权重,同样也是能够用于后续步骤的加权融合的。
在本实施例中,基于所述归一化历史值和所述历史中标概率通过步骤S41至步骤S47确定投标评价指标对应的权重,先使用训练数据集确定出权重训练值,再使用测试数据集对权重训练值进行测试,测试不通过时及时对该权重训练值进行调整,目的是保证所确定出的权重是低误差高精度的权值,为后续步骤进行加权融合结果的准确性和可靠性提供保证和依据。
在一些实施例中,参照图5,步骤S43根据所述训练数据集,确定所述投标评价指标对应的权重训练值的过程,可以通过以下步骤实现:
步骤S431:利用所述训练数据集对预设的线性回归模型进行迭代训练,并判断是否达到预设的迭代终止条件。
这里,如果达到预设的迭代终止条件,进入步骤S432;反之,如果没有达到预设的迭代终止条件,令当前的迭代次数加1,进入步骤S431。
在进行迭代训练时,首先确定第一预设参数和第二预设参数的迭代值,并且所述第一预设参数和第二预设参数的初值是事先设置好的;设置所述第一预设参数与所述第二预设参数是为了确定线性回归模型输出参数信息的协方差矩阵,从而根据所述协方差矩阵确定输出参数信息的后验估计均值;所述迭代终止条件可以是第一预设参数的当前迭代值收敛和当前迭代次数达到设置的最大迭代次数中任意一个,收敛条件是第一预设参数的当前迭代值与上一次迭代值的差值小于一设定阈值。
预设的回归模型可以是相关向量机,相关向量机具有的高预测精度、训练速度快以及数据处理量大的优点,保证了权重训练值的快速性和准确性。
步骤S432:获取所述线性回归模型的参数信息,并进入步骤S433。
这里,所述线性回归模型的参数信息可以是所需确定的权重训练值的后验估计均值。
步骤S433:基于所述线性回归模型的参数信息,确定所述投标评价指标对应的权重训练值。
这里,所述回归模型的参数信息包括的后验估计均值个数与所述投标评价指标的个数相等且一一对应,由于所述投标评价指标包括供应商评分、中标频率、更替率、供应商等级和应答速度这5个指标,因此,所述参数信息中也包括5个后验估计均值,将该5个后验估计均值确定为所述投标评价指标对应的权重训练值,且所述权重训练值也为5个,分别为供应商评分的权重训练值、中标频率的权重训练值、更替率的权重训练值、供应商等级的权重训练值和应答速度的权重训练值。
在本实施例中,将训练数据集作为线性回归模型的输入进行迭代训练,并在满足迭代终止条件时将线性回归模型的输出参数确定为所述投标评价指标对应的权重训练值,有效提高了确定权重训练值的快速性和准确性。
在一些实施例中,步骤S44中利用所述测试数据集对所述权重训练值进行测试的过程可以通过以下步骤实现:
步骤S441:基于所述权重训练值和所述测试数据集中的测试数据,确定所述测试数据对应的理论中标概率。
这里,所述理论中标概率,可以是将由所述测试数据集中测试数据确定出的5个指标的历史值与5个权重训练值对应相乘后再相加的和;在实际实现过程中,可以通过公式(2-1)确定所述测试数据对应的理论中标概率:
Pt=P1'×w'1+P2'×w'2+P3'×w'3+P4'×w'4+P5'×w'5 (2-1);
在公式(2-1)中,Pt为所述测试数据对应的理论中标概率,P1'为供应商评分的历史值,w'1为供应商评分的权重训练值,P2'为中标频率的历史值,w'2为中标频率的权重训练值,P3'为更替率的历史值,w'3为更替率的权重训练值,P4'为供应商等级的历史值,w'4为供应商等级的权重训练值,P5'为应答速度的历史值,w'5为应答速度的权重训练值。
步骤S442:确定所述理论中标概率是否与所述测试数据的历史中标概率满足预设条件。
这里,当所述理论中标概率与所述测试数据的历史中标概率满足预设条件时,表明所述权重训练值测试通过,进入步骤S45;反之,当所述理论中标概率与所述测试数据的历史中标概率不满足预设条件时,表明所述权重训练值未通过测试,进入步骤S46。
其中,所述预设条件可以是所述理论中标概率与所述测试数据的历史中标概率的差值绝对值小于或等于一预设概率阈值。
在本实施例中,基于权重训练值和测试数据集中的测试数据确定的所述测试数据对应的理论中标概率与该测试数据的历史中标概率之间的关系,确定权重训练值是否为高精度低误差的权值,并且在未通过测试时对该权重训练值进行调整直至确定出高精度低误差的权值,提高了确定权重训练值的有效性和可靠性。
在一些实施例中,所述投标评价指标至少为供应商评分、中标频率、更替率、供应商等级和应答速度,对应地,步骤S1022基于所述历史投标数据,确定所述待预测供应商在各次历史投标中投标评价指标对应的历史值的过程,可以通过以下步骤实现:
步骤S51:基于所述待预测供应商在各次历史投标中的历史平均评分以及参与每次历史投标的各个供应商的历史平均评分,确定所述供应商评分的历史值。
这里,所述评分可以认为是专家评分,专家评分时供应商能否中标的直接体现,在同一次招标中,专家评分越高,中标概率越高;反之,专家评分越低,中标概率也就越低。
步骤S52:基于预设时间内所述待预测供应商在各次历史投标中的累计中标次数和初次投标时间,确定所述中标频率的历史值。
这里,所述中标频率可以认为是体现供应商中标的频繁程度的,中标越频繁,说明供应商的投标频率以及项目完成度越高;反之,中标不频繁,说明供应商的投标频率低或者项目完成度低。
步骤S53:基于预设时间内的每次历史投标中投标产品的历史招投标次数,确定所述更替率的历史值。
这里,所述更替率针对的是每次招标中的投标产品,投标产品的需求量越高、更替频率越快,就会大大拉大相关供应商的中标率;反之,投标产品的需求量低或更替频率满,也会大幅度降低相关供应商的中标率。
步骤S54:基于所述待预测供应商在各次历史投标中的历史等级以及每次历史投标的各个投标供应商中的历史最高等级,确定所述供应商等级的历史值。
这里,所述供应商等级是可以直接体现供应商的资质的,供应商等级越高,供应商的资质越好,中标概率也会更高;反之,供应商等级越低,供应商的资质越差,中标概率也会降低。
步骤S55:基于所述待预测供应商在各次历史投标中的历史应答时间、历史购买标书时间以及历史应答截止时间,确定所述应答速度的历史值。
这里,所述应答速度可以是供应商从购买标书到提交投标文件的应答速度,应答速度反映的是投标供应商的专业态度与能力,因此,应答速度与中标概率的高低在一定程度上也是具有关联性的。
在本实施例中,步骤S51至步骤S55没有先后顺序,可以同时执行,也可以依次执行,并且通过步骤S51至步骤S55在待供应商的历史投标数据中确定出5个指标,用以丰富和多样化评判供应商是否为潜在供应商的评判指标,也避免了评估供应商价值时出现的错分现象,从而也为后续的招标工作提供了有力依据。
基于前述实施例,本实施例针对现有技术中每次筛选供应商时,仅通过供应商资质等相关单一指标判定潜在供应商不够全面、且实际显示供应商投标质量的评价指标非常多而无法统一兼顾的技术问题,将涉及供应商投标评价的指标进行转换和加权组合,最终得出一个判定潜在供应商的计算公式,通过定量的指标快速判断潜在供应商。
体现供应商投标情况的指标极多,本实施例主要涉及以下几项指标:
1.专家评分:原则上,专家评分是供应商能否中标的直接体现,同一次招标中,评分越高,中标概率越大,反之亦然。
2.中标频率:原则上,中标越频繁,显示该供应商的投标频率、项目完成质量越高,反之亦然。
3.中标产品更替率:原则上,投标产品的需求量越高、更替频率越快,则会大大拉高相关供应商的中标率,反之亦然。
4.供应商等级:原则上,供应商等级也可以直接体现供应商的资质,等级越高则资质越好,中标概率也更高,反之亦然。
5.应答速度:原则上,从购买标书到提交投标文件的应答速度则反映投标供应商的专业态度与能力,应答速度与中标概率在一定程度上有关联性。
首先,专家评分指标若只看专家对某供应商的评分而不作对比,则无法体现专家对中标结果的影响,本实施例中对专家评分指标构建如下模型:
在公式(3-1)中,Si为某位专家对该供应商的评分,为该供应商的平均得分,n为专家个数,m为参加本次投标的供应商个数,SSj为任意一位参加本次投标的供应商平均得分(即所有专家对某供应商评分的平均分),为参与本次投标的所有供应商的平均得分。
由公式(3-1)可以看出,P1的取值越大,则代表相应供应商在本次招标中的专家评分越高,该供应商在本次招标里中标概率就越大;P1与前述实施例中的所述供应商评分的历史值对应,与前述实施例中的所述待预测供应商在各次历史投标中的历史平均评分对应,与前述实施例中的参与每次历史投标的各个供应商的历史平均评分对应。
然后,对于中标频率,转化模型比较简单,只需求得单位之间内某供应商的中标次数即可,模型如下:
P2=E/(ME-MS) (3-2);
在公式(3-2)中,E为截止统计日期某供应商的累积中标次数,ME为截止统计日期,MS为该供应商的初次投标日期,ME-MS为累积月份;P2与前述实施例中的所述中标频率的历史值对应,E与前述实施例中的所述预设时间内所述待预测供应商在各次历史投标中的累计中标次数对应,ME与前述实施例中的所述预设时间内对应,MS与前述实施例中的所述初次投标时间对应。
再者,招标产品的更替率可以理解为单位时间内某产品的采购需求频率,计算模型如下:
P3=C/(ME-MS) (3-3);
在公式(3-3)中,C为到统计截止日期某产品的采购需求提单次数或招投标次数,ME为截止统计日期,MS为该供应商的初次投标日期,ME-MS为累积月份;P3与前述实施例中的所述更替率的历史值对应,C与前述实施例中的所述对应预设时间内的每次历史投标中投标产品的历史招投标次数。
另外,供应商等级转化为以下模型:
P4=R/Rmax (3-4);
在公式(3-4)中,R为某供应商的等级评分,Rmax为同类供应商最高等级评分或等级满分评分;P4与前述实施例中的所述供应商等级的历史值对应,R与前述实施例中的所述待预测供应商在各次历史投标中的历史等级对应,Rmax与前述实施例中的所述每次历史投标的各个投标供应商中的历史最高等级对应。
另外,应答速度的计算模型如下:
P5=(TR-To)/(Tmax-To) (3-5);
在公式(3-5)中,TR为某供应商的应答时间,To为购买标书时间,Tmax为应答截止时间;P5与前述实施例中的所述应答速度的历史值对应,TR与前述实施例中的所述待预测供应商在各次历史投标中的历史应答时间对应,To与前述实施例中的所述历史购买标书时间对应,Tmax与前述实施例中的所述历史应答截止时间对应。
基于以上5个供应商相关指标可以得出某供应商在某次评标中的中标概率为其中,分别为P1、P2、P3、P4、P5归一化到[0,1]区间内的值,即 为5个指标各自对应的权值,因为每个指标所占比重不同,因此权值也各不相同;P与前述实施例中的所述待预测供应商的历史中标概率对应,与前述实施例中的所述归一化历史值对应。
同时,为已知项,均可以由已有的历史数据计算得到,而5个权值均为未知项,在本实施例中将运用机器学习算法训练得到;其中,某供应商或该供应商均与前述实施例中的所述待预测供应商对应,所述已有的历史数据与前述实施例的所述历史投标数据对应。
对于供应商的中标概率P,如果仅以中标率(即中标次数与投标次数的比值)作为中标率则过于简单,且未考虑中标份额,因此本实施例中将以同类供应商的平均中标份额作为中标概率P,计算公式如下:
在公式(3-6)中,Proi为某供应商的第i次中标份额,k为该供应商的累积中标次数,q为该供应商的累积投标次数;q与前述实施例中的所述历史投标数据中的累计投标次数Q对应,Proi与前述实施例中的所述待预测供应商的每次中标份额Pa对应,与前述实施例中的所述待预测供应商的平均中标份额对应,k与前述实施例中的所述历史投标数据中的累计中标次数l对应。
由以上分析即可得到的结论,本实施例中对于已知项的计算则由各类供应商的历史数据计算得到。机器学习模型则选用相关向量机(Relevance Vector Machine,RVM),RVM不仅具有高预测精度的优点,还具备了训练速度快、数据处理量大等优点。
与SVM相比稀疏性更好,从而测试时间更短,并且在回归问题或分类问题上,RVM的准确率近似于SVM。
模型的训练即为对权值的回归求值,一般是针对线性模型的权值向量wT的回归,即对wT的估计。在RVM中,为了估计权值w,引入与wi一一对应的超参数αi,通过对w的后验分布的均值和协方差矩阵的转化、推导以及第二类最大似然估计的应用,得出估计w的后验估计均值μ的迭代式如下:
通过对公式(3-7)中的上个迭代式的迭代,最终求得w的后验估计均值μ,且w=μ。则本实施例中RVM训练5个供应商关键指标的相应权值的步骤如图6所示,图6为本申请实施例提供的数据预测方法的又一实现流程示意图,所述方法可以包括:
步骤S602:设置αi和σ2的初值。
这里,αi和σ2的初值均为一个方阵,且维度相同;αi与前述实施例中的第一预设参数对应,σ2与前述实施例中的第二预设参数对应。
步骤S603:计算四个迭代式的值。
在公式(3-8)中,γi=1-αi∑ii,∑ii为方阵Σ的第i行、第i列,Φ为根据某供应商的历史投标数据中的打分项、中标率等样本数据生成的方阵,N为αi或σ2的方阵维度,∑iγi为方阵Σ的第i行,σ-2为σ2的逆,ΦT为Φ的转置,A为由αi构成的矩阵;Σ与前述实施例中的所述线性回归模型输出参数信息的协方差矩阵对应,μ与前述实施例中的所述输出参数信息的后验估计均值对应。
步骤S604:检测αi是否满足终止条件。
其中,如果αi满足终止条件,则进入步骤S605;反之,如果αi不满足终止条件,则令当前的迭代次数加1,进入步骤S604;检测αi是否满足终止条件与前述实施例中的所述判断是否达到预设的迭代终止条件对应。
这里,所述终止条件可以为αi的值收敛,比如当前迭代的αi的值与上次迭代的αi的值之间的差值绝对值小于一设定阈值,或者当前迭代次数达到设置的最大迭代次数,此处不作限定。
步骤S605:输出参数训练值:w1=μ1,w2=μ2,w3=μ3,w4=μ4,w5=μ5。
这里,基于所得到5个参数训练值w1,w2,w3,w4,w5与测试集中的测试数据,计算所述测试数据的中标概率,如果计算出的中标概率与所述测试数据的原始中标概率之差在预设的误差范围内时,将所得到的w1,w2,w3,w4,w5确定为5个指标对应的权值;其中,w1,w2,w3,w4,w5与前述实施例中的所述线性回归模型的参数信息对应,所述参数训练值与前述实施例中的所述权重训练值对应,所述测试数据的中标概率与前述实施例中的所述测试数据对应的理论中标概率Pt对应,所述测试数据的中标概率的计算过程与前述实施例中的所述测试数据对应的理论中标概率Pt的确定过程对应。
相应地,如果计算出的中标概率与所述测试数据的原始中标概率之差不在预设的误差范围内时,对w1,w2,w3,w4,w5进行调整,直至基于调整后的参数计算出的中标概率与所述测试数据的原始中标概率之差在预设的误差范围内,此时也可以将调整后的参数确定为5个指标对应的权值
其中,与前述实施例中的所述投标评价指标对应的权重对应,对w1,w2,w3,w4,w5进行调整的过程与前述实施例中所述的对所述权重训练值进行调整的过程对应;所述基于调整后的参数计算出的中标概率与所述测试数据的原始中标概率之差在预设的误差范围内,与前述实施例中所述的根据调整后的权重训练值确定的理论中标概率与所述测试数据集中对应历史中标概率的差值绝对值小于一预设差值阈值对应。
根据步骤S601至步骤S605的训练步骤可知,在某产品的招投标准备工作中,可以初步提前筛选新投标的供应商或者即将邀请招标的供应商,且供应商相应的中标概率可由计算而得,而历史数据计算的和由基于历史数据训练而得的权值都为已知项,该供应商的中标概率也可计算得出,而预估中标概率P越高的供应商,不仅表示其中标概率越大,更意味着该供应商的综合实力较强,为招投标工作提供有效的可量化的参考依据,可以大大减少招投标初期准备工作的工作量;其中,所述权值可以是w1,w2,w3,w4,w5,也可以是
基于前述实施例的发明构思,本实施例提供一种数据预测系统,图7为本申请实施例提供的数据预测装置的示意图,如图7所示,所述数据预测装置700至少包括:获取模块701、第一确定模块702、第二确定模块703和第三确定模块704,其中:
所述获取模块701,用于获取待预测供应商的本次投标数据和历史投标数据。
所述第一确定模块702,用于基于所述历史投标数据,确定预设的投标评价指标对应的权重。
所述第二确定模块703,用于基于所述本次投标数据,确定投标评价指标的当前值;
所述第三确定模块704,用于根据所述权重和所述投标评价指标的当前值,确定待预测供应商本次投标的中标概率。
在本实施例中,所述第一确定模块702,包括:第一确定单元、第二确定单元、第三确定单元和第四确定单元,其中:
第一确定单元,用于基于所述历史投标数据,确定所述待预测供应商的历史中标概率。
第二确定单元,用于基于所述历史投标数据,确定所述待预测供应商在各次历史投标中投标评价指标对应的历史值。
第三确定单元,用于对所述历史值进行归一化,以确定归一化历史值。
第四确定单元,用于基于所述归一化历史值和所述历史中标概率,确定所述投标评价指标对应的权重。
在本实施例中,所述第一确定单元,包括:第一获取子单元、第一确定子单元和第二确定子单元,其中:
第一获取子单元,用于获取所述历史投标数据中的累计投标次数以及所述待预测供应商的每次中标份额。
第一确定子单元,用于基于所述累计投标次数和所述每次中标份额,确定所述待预测供应商的平均中标份额。
第二确定子单元,用于将所述平均中标份额确定为所述历史投标数据的历史中标概率。
在本实施例中,所述第四确定单元,包括:第一得到子单元、第一划分子单元、第三确定子单元、第一测试子单元和第四确定子单元,其中:
第一得到子单元,用于将所述归一化历史值和所述历史中标概率合并,得到合并数据集。
第一划分子单元,用于基于预设规则,将所述合并数据集划分为训练数据集和测试数据集。
第三确定子单元,用于根据所述训练数据集,确定所述投标评价指标对应的权重训练值。
第一测试子单元,用于利用所述测试数据集对所述权重训练值进行测试。
第四确定子单元,用于如果所述权重训练值测试通过,将所述权重训练值确定为所述投标评价指标对应的权重。
在本实施例中,所述第三确定子单元,还可以进一步用于:利用所述训练数据集对预设的线性回归模型进行迭代训练;
当达到预设的迭代终止条件时,获取所述线性回归模型的参数信息;
基于所述线性回归模型的参数信息,确定所述投标评价指标对应的权重训练值。
在本实施例中,所述第一测试子单元,还可以用于:基于所述权重训练值和所述测试数据集中的测试数据,确定所述测试数据对应的理论中标概率;
确定所述理论中标概率是否与所述测试数据的历史中标概率满足预设条件,其中,当所述理论中标概率与所述测试数据的历史中标概率满足预设条件时,表明所述权重训练值测试通过。
在本实施例中,所述第一测试子单元,还可以进一步用于:如果所述权重训练值未通过测试,基于所述测试数据集,对所述权重训练值进行调整;
将调整后的权重训练值确定为所述投标评价指标对应的权重。
在本实施例中,所述投标评价指标至少为供应商评分、中标频率、更替率、供应商等级和应答速度,对应地,所述第二确定单元包括:第五确定子单元、第六确定子单元、第七确定子单元、第八确定子单元、第九确定子单元,其中:
第五确定子单元,用于基于所述待预测供应商在各次历史投标中的历史平均评分以及参与每次历史投标的各个供应商的历史平均评分,确定所述供应商评分的历史值。
第六确定子单元,用于基于预设时间内所述待预测供应商在各次历史投标中的累计中标次数和初次投标时间,确定所述中标频率的历史值。
第七确定子单元,用于基于预设时间内的每次历史投标中投标产品的历史招投标次数,确定所述更替率的历史值。
第八确定子单元,用于基于所述待预测供应商在各次历史投标中的历史等级以及每次历史投标的各个投标供应商中的历史最高等级,确定所述供应商等级的历史值。
第九确定子单元,用于基于所述待预测供应商在各次历史投标中的历史应答时间、历史购买标书时间以及历史应答截止时间,确定所述应答速度的历史值。
在实际应用中,上述获取模块701、第一确定模块702、第二确定模块703和第三确定模块704可由位于所述预测装置700上的处理器实现,具体为中央处理器(CPU,CentralProcessing Unit)、微处理器(MPU,Microprocessor Unit)、数字信号处理器(DSP,DigitalSignal Processing)或现场可编程门阵列(FPGA,Field Programmable Gate Array)等实现。
基于前述的实施例,本实施例提供一种数据预测设备,如图8所示,所述设备800至少包括:存储器801、通信总线802及处理器803,其中:
所述存储器801,用于存储数据预测程序。
所述通信总线802,用于实现所述处理器803和所述存储器801之间的通信连接。
所述处理器803,用于执行所述存储器801中存储的数据预测程序,以实现如前述实施例所述的数据预测方法的步骤。
对应地,本实施例再提供一种计算机存储介质,所述计算机存储戒指存储有数据预测程序,所述数据预测程序被处理器执行时实现如前述实施例所述的数据预测方法的步骤。
本领域内的技术人员应明白,本申请的实施例可提供为方法、装置、或计算机程序产品。因此,本申请可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、装置、设备、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述,仅为本申请的较佳实施例而已,并非用于限定本申请的保护范围。
Claims (11)
1.一种数据预测方法,其特征在于,所述方法包括:
获取待预测供应商的本次投标数据和历史投标数据;
基于所述历史投标数据,确定预设的投标评价指标对应的权重;
基于所述本次投标数据,确定所述投标评价指标的当前值;
根据所述权重和所述投标评价指标的当前值,确定待预测供应商本次投标的中标概率。
2.根据权利要求1中所述的方法,其特征在于,所述基于所述历史投标数据,确定预设的投标评价指标对应的权重,包括:
基于所述历史投标数据,确定所述待预测供应商的历史中标概率;
基于所述历史投标数据,确定所述待预测供应商在各次历史投标中投标评价指标对应的历史值;
对所述历史值进行归一化,以确定归一化历史值;
基于所述归一化历史值和所述历史中标概率,确定所述投标评价指标对应的权重。
3.根据权利要求2中所述的方法,其特征在于,所述基于所述历史投标数据,确定所述待预测供应商的历史中标概率,包括:
获取所述历史投标数据中的累计投标次数以及所述待预测供应商的每次中标份额;
基于所述累计投标次数和所述每次中标份额,确定所述待预测供应商的平均中标份额;
将所述平均中标份额确定为所述历史投标数据的历史中标概率。
4.根据权利要求2中所述的方法,其特征在于,所述基于所述归一化历史值和所述历史中标概率,确定所述投标评价指标对应的权重,包括:
将所述归一化历史值和所述历史中标概率合并,得到合并数据集;
基于预设规则,将所述合并数据集划分为训练数据集和测试数据集;
根据所述训练数据集,确定所述投标评价指标对应的权重训练值;
利用所述测试数据集对所述权重训练值进行测试;
如果所述权重训练值测试通过,将所述权重训练值确定为所述投标评价指标对应的权重。
5.根据权利要求4中所述的方法,其特征在于,所述根据所述训练数据集,确定所述投标评价指标对应的权重训练值,包括:
利用所述训练数据集对预设的线性回归模型进行迭代训练;
当达到预设的迭代终止条件时,获取所述线性回归模型的参数信息;
基于所述线性回归模型的参数信息,确定所述投标评价指标对应的权重训练值。
6.根据权利要求4中所述的方法,其特征在于,所述利用所述测试数据集对所述权重训练值进行测试,包括:
基于所述权重训练值和所述测试数据集中的测试数据,确定所述测试数据对应的理论中标概率;
确定所述理论中标概率是否与所述测试数据的历史中标概率满足预设条件,其中,当所述理论中标概率与所述测试数据的历史中标概率满足预设条件时,表明所述权重训练值测试通过。
7.根据权利要求6中所述的方法,其特征在于,所述方法还包括:
如果所述权重训练值未通过测试,基于所述测试数据集,对所述权重训练值进行调整;
将调整后的权重训练值确定为所述投标评价指标对应的权重。
8.根据权利要求2中所述的方法,其特征在于,所述投标评价指标至少为供应商评分、中标频率、更替率、供应商等级和应答速度,对应地,基于所述历史投标数据,确定所述待预测供应商在各次历史投标中投标评价指标对应的历史值,包括:
基于所述待预测供应商在各次历史投标中的历史平均评分以及参与每次历史投标的各个供应商的历史平均评分,确定所述供应商评分的历史值;
基于预设时间内所述待预测供应商在各次历史投标中的累计中标次数和初次投标时间,确定所述中标频率的历史值;
基于预设时间内的每次历史投标中投标产品的历史招投标次数,确定所述更替率的历史值;
基于所述待预测供应商在各次历史投标中的历史等级以及每次历史投标的各个投标供应商中的历史最高等级,确定所述供应商等级的历史值;
基于所述待预测供应商在各次历史投标中的历史应答时间、历史购买标书时间以及历史应答截止时间,确定所述应答速度的历史值。
9.一种数据预测装置,其特征在于,所述装置至少包括:获取模块、第一确定模块、第二确定模块和第三确定模块,其中:
所述获取模块,用于获取待预测供应商的本次投标数据和历史投标数据;
所述第一确定模块,用于基于所述历史投标数据,确定预设的投标评价指标对应的权重;
所述第二确定模块,用于基于所述本次投标数据,确定所述投标评价指标的当前值;
所述第三确定模块,用于根据所述权重和所述投标评价指标的当前值,确定待预测供应商本次投标的中标概率。
10.一种数据预测设备,其特征在于,所述设备至少包括:存储器、通信总线及处理器,其中:
所述存储器,用于存储数据预测程序;
所述通信总线,用于实现所述处理器和所述存储器之间的通信连接;
所述处理器,用于执行所述存储器中存储的数据预测程序,以实现如权利要求1至8中任一项所述的数据预测方法的步骤。
11.一种计算机存储介质,其特征在于,所述计算机存储介质存储有数据预测程序,所述数据预测程序被所述处理器执行时实现如权利要求1至8中任一项所述的数据预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910765675.8A CN112396211B (zh) | 2019-08-19 | 2019-08-19 | 一种数据预测方法及装置、设备和计算机存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910765675.8A CN112396211B (zh) | 2019-08-19 | 2019-08-19 | 一种数据预测方法及装置、设备和计算机存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112396211A true CN112396211A (zh) | 2021-02-23 |
CN112396211B CN112396211B (zh) | 2022-12-13 |
Family
ID=74603542
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910765675.8A Active CN112396211B (zh) | 2019-08-19 | 2019-08-19 | 一种数据预测方法及装置、设备和计算机存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112396211B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113781188A (zh) * | 2021-08-13 | 2021-12-10 | 百威投资(中国)有限公司 | 一种计算机实施的竞标方法、计算机设备及存储介质 |
CN113793024A (zh) * | 2021-09-13 | 2021-12-14 | 四川省建筑设计研究院有限公司 | 一种基于招投标参与方行为画像的投标方法及评估系统 |
CN114741482A (zh) * | 2022-05-19 | 2022-07-12 | 北京拓普丰联信息科技股份有限公司 | 基于招标信息的中标信息匹配方法、系统、设备及介质 |
CN116342234A (zh) * | 2023-05-26 | 2023-06-27 | 山东纵横易购产业互联网有限公司 | 一种针对货物实现自动招标采购的方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106504015A (zh) * | 2016-10-17 | 2017-03-15 | 鞍钢集团矿业有限公司 | 一种结合bp神经网络的企业领域供应商推荐方法 |
CN107688876A (zh) * | 2017-09-04 | 2018-02-13 | 北京京东尚科信息技术有限公司 | 业务目标预估方法及装置、存储介质和电子设备 |
CN108764743A (zh) * | 2018-06-04 | 2018-11-06 | 筑客网络技术(上海)有限公司 | 一种用于建材采购的自动评标方法 |
CN108876199A (zh) * | 2018-07-23 | 2018-11-23 | 昆明理工大学 | 一种基于多维加权模糊贴近度法的商务标评标方法 |
-
2019
- 2019-08-19 CN CN201910765675.8A patent/CN112396211B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106504015A (zh) * | 2016-10-17 | 2017-03-15 | 鞍钢集团矿业有限公司 | 一种结合bp神经网络的企业领域供应商推荐方法 |
CN107688876A (zh) * | 2017-09-04 | 2018-02-13 | 北京京东尚科信息技术有限公司 | 业务目标预估方法及装置、存储介质和电子设备 |
CN108764743A (zh) * | 2018-06-04 | 2018-11-06 | 筑客网络技术(上海)有限公司 | 一种用于建材采购的自动评标方法 |
CN108876199A (zh) * | 2018-07-23 | 2018-11-23 | 昆明理工大学 | 一种基于多维加权模糊贴近度法的商务标评标方法 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113781188A (zh) * | 2021-08-13 | 2021-12-10 | 百威投资(中国)有限公司 | 一种计算机实施的竞标方法、计算机设备及存储介质 |
WO2023015679A1 (zh) * | 2021-08-13 | 2023-02-16 | 百威投资(中国)有限公司 | 一种计算机实施的竞标方法、计算机设备及存储介质 |
CN113781188B (zh) * | 2021-08-13 | 2024-02-23 | 百威投资(中国)有限公司 | 一种计算机实施的竞标方法、计算机设备及存储介质 |
CN113793024A (zh) * | 2021-09-13 | 2021-12-14 | 四川省建筑设计研究院有限公司 | 一种基于招投标参与方行为画像的投标方法及评估系统 |
CN114741482A (zh) * | 2022-05-19 | 2022-07-12 | 北京拓普丰联信息科技股份有限公司 | 基于招标信息的中标信息匹配方法、系统、设备及介质 |
CN116342234A (zh) * | 2023-05-26 | 2023-06-27 | 山东纵横易购产业互联网有限公司 | 一种针对货物实现自动招标采购的方法 |
CN116342234B (zh) * | 2023-05-26 | 2023-08-29 | 山东纵横易购产业互联网有限公司 | 一种针对货物实现自动招标采购的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112396211B (zh) | 2022-12-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112396211B (zh) | 一种数据预测方法及装置、设备和计算机存储介质 | |
Liu et al. | Calibrated fairness in bandits | |
CN108833458B (zh) | 一种应用推荐方法、装置、介质及设备 | |
WO2019205325A1 (zh) | 确定用户风险等级的方法、终端设备及计算机可读存储介质 | |
Lerch et al. | Simulation-based comparison of multivariate ensemble post-processing methods | |
US20210103858A1 (en) | Method and system for model auto-selection using an ensemble of machine learning models | |
CN106251174A (zh) | 信息推荐方法及装置 | |
CN111105265A (zh) | 基于客户信息的预测方法、装置、计算机设备及存储介质 | |
CN114418035A (zh) | 决策树模型生成方法、基于决策树模型的数据推荐方法 | |
CN111797320A (zh) | 数据处理方法、装置、设备及存储介质 | |
CN110633859A (zh) | 一种两阶段分解集成的水文序列预测方法 | |
CN113256335B (zh) | 数据筛选方法、多媒体数据的投放效果预测方法及装置 | |
CN114519508A (zh) | 基于时序深度学习和法律文书信息的信用风险评估方法 | |
Shi et al. | Boosting conditional logit model | |
CN112434862B (zh) | 上市企业财务困境预测方法及装置 | |
US20130013244A1 (en) | Pattern based test prioritization using weight factors | |
CN111325255B (zh) | 特定人群圈定方法、装置、电子设备及存储介质 | |
CN110264364B (zh) | 一种投资方的推荐方法 | |
Almomani et al. | Selecting a good stochastic system for the large number of alternatives | |
CN112463964B (zh) | 文本分类及模型训练方法、装置、设备及存储介质 | |
WO2021129368A1 (zh) | 一种客户类型的确定方法及装置 | |
CN115204501A (zh) | 企业评估方法、装置、计算机设备和存储介质 | |
CN114282657A (zh) | 一种市场数据长期预测模型训练方法、装置、设备及存储介质 | |
CN110264306B (zh) | 基于大数据的产品推荐方法、装置、服务器及介质 | |
Sherwood et al. | Additive nonlinear quantile regression in ultra-high dimension |
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 |