CN112508051A - 通过大数据平台进行建筑施工项目混合聚类工作方法 - Google Patents

通过大数据平台进行建筑施工项目混合聚类工作方法 Download PDF

Info

Publication number
CN112508051A
CN112508051A CN202011233247.XA CN202011233247A CN112508051A CN 112508051 A CN112508051 A CN 112508051A CN 202011233247 A CN202011233247 A CN 202011233247A CN 112508051 A CN112508051 A CN 112508051A
Authority
CN
China
Prior art keywords
data
construction project
construction
project
project data
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Withdrawn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
CN202011233247.XA
Other languages
English (en)
Inventor
洪敏�
万里
熊榆
白金龙
胡宇
唐良艳
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.)
Chongqing Hui Hui Information Technology Co ltd
Original Assignee
Chongqing Hui Hui Information 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 Chongqing Hui Hui Information Technology Co ltd filed Critical Chongqing Hui Hui Information Technology Co ltd
Priority to CN202011233247.XA priority Critical patent/CN112508051A/zh
Publication of CN112508051A publication Critical patent/CN112508051A/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Withdrawn legal-status Critical Current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
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • 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
    • G06Q50/08—Construction

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Economics (AREA)
  • Evolutionary Computation (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Algebra (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提出了一种通过大数据平台进行建筑施工项目混合聚类工作方法。包括如下步骤：S1，获取建筑施工项目数据进行数据均值计算，形成初始化均值，根据初始化均值获取建筑施工项目数据的对象目标；S2，根据对象目标的最大似然估计函数，获取建筑施工项目数据的聚类簇，并进行迭代运算；S3，对聚类簇迭代运算后的结果进行权重矩阵重构，使建筑施工项目数据完成混合聚类分析过程。

Description

通过大数据平台进行建筑施工项目混合聚类工作方法
技术领域
本发明涉及计算机大数据分析领域，尤其涉及一种通过大数据平台进行建筑施工项目混合聚类工作方法。
背景技术
现有技术中，建筑工程施工过程中，对项目的具体类别、施工周期、施工场景只能采用粗浅的分类和聚合，协同过滤的推荐方法无法在建筑施工项目中对相似性来产生推荐，并将相似建筑工程施工项目推荐给目标节点，这就为建筑施工中项目数据分类造成了障碍，无法准确提供数据支持，这就亟需本领域技术人员解决相应的技术问题。
发明内容
本发明旨在至少解决现有技术中存在的技术问题，特别创新地提出了一种通过大数据平台进行建筑施工项目混合聚类工作方法。
为了实现本发明的上述目的，本发明公开一种通过大数据平台进行建筑施工项目混合聚类工作方法，包括如下步骤：
针对大数据平台获取的海量建筑施工项目数据，对建筑施工项目的施工日期、施工工序列表、施工者基本数据和施工作业工种进行收集；
S1，获取建筑施工项目数据进行数据均值计算，形成初始化均值，根据初始化均值获取建筑施工项目数据的对象目标；
S2，根据对象目标的最大似然估计函数，获取建筑施工项目数据的聚类簇，并进行迭代运算；
S3，对聚类簇迭代运算后的结果进行权重矩阵重构，使建筑施工项目数据完成混合聚类分析过程。
优选的，所述S1包括：
S1-1，输入建筑施工项目数据集，根据建筑施工项目数据的聚类状态，随机选取m个项目数据集，对每个项目数据集进行初始化，经过不断收敛，形成收敛函数，
Figure BDA0002765900410000021
其中，Li为项目数据集中空间点集，Si为数据集的均值，D为数据集中包含的对象，从数据集中包含的对象D中任意选择m个对象，成为初始收敛函数的分母进行平均分配，在数据集中的空间点集Li与数据及的均值的差进行平方之后，能够映射至最近似的对象，更新对象均值，不断循环操作；
S1-2，对初始化数据集设定先验分布概率，将对象集进行建模输出；首先获取数据集概率分布s(ai,ci)＝s(ci)·s(ai)·s(ai|ci＝k；β)；其中ai为施工项目标签，ai为施工项目完成度，k为施工项目完成级别，k∈(1,2.3.4.5)，β为施工项目信息置换率；
通过输入建模比率进行施工项目信息输出，
Figure BDA0002765900410000022
其中，Ni为施工项目数据获取轨迹，μ为轨迹调节系数，通过施工项目完成级别分为5档，从获取轨迹中发现信息输出特征，
Figure BDA0002765900410000023
为施工项目规范值E的开平方，Γ为施工项目中特定数据分布强度，η为待定参量，r(p)为施工项目数据获取过程中p中施工项目数据的分布，T(t)为收集施工项目耗费时间的纹理值，时间t≥0；
S1-3，建模输出后形成建筑施工项目数据的对象目标；通过对象目标提取公式
Figure BDA0002765900410000024
其中，通过λ对象目标调节参数与对象提取函数Q(j)乘积后与等式右侧相等，等式右侧A施工项目数据的状态值IA，B施工项目数据的状态值IB，分别通过A施工项目转移概率ε1和B施工项目转移概率ε2进行调节，Z(j)为施工项目运行阶段数据目标函数，W(j)为施工项目停止阶段数据目标函数，A施工项目数据的置换率为θ1，B施工项目数据的置换率为θ2。
优选的，所述S2包括：
S2-1，根据最大似然估计函数将对象目标进行计算，
Figure BDA0002765900410000031
通过对施工项目属性方差Ψ，特征参数δ和项目混合参数Λ进行对象目标函数求解，Si为数据集的均值，X(Si|h)为项目施工估计函数，对于施工项目类别h进行求解，X(c)为施工项目实例c的估计函数，
S2-2，经过确定聚类簇之后，通过分布函数计算建筑施工项目数据分布概率；
该聚类簇C在大数据平台中没有传播任何施工项目数据的状态值，通过分布函数转化A施工项目数据和B施工项目数据的状态值IA或IB，在主动传播施工项目数据的状态值过程中，该分布概率对状态值产生影响，
S2-3，根据分布概率中聚类簇的分布状态，进行迭代运算，逐渐收敛建筑施工项目数据的状态信息；对项目混合参数Λ进行求解，在聚类簇
Figure BDA0002765900410000033
中获取i种j个类别的施工项目数据，通过施工项目实例特征xi与类别调节阈值σj的差值进行分布迭代收敛计算，
Figure BDA0002765900410000032
其中，Ri,j为施工项目数据，λ为施工校正参数；
通过算法的施工项目计算复杂度与施工项目数据相互之间通过相似度方法收敛聚类，对施工项目选择偏好的聚类分析，帮助寻找目标用户，该方法的施工项目复杂度M＝Λ·(|Ri,j|*|e|)，其中|Ri,j|为施工项目数据的数量，|e|为聚类算法的迭代次数。
优选的，所述S3包括：
S3-1，通过构建权重矩阵，遍历建筑施工项目数据中不稳定信息，并进行筛选；
对于施工项目数据的构建的权重矩阵，对于施工项目中的施工日期d、施工工序列表l、施工者基本数据b和施工作业工种r形成权重矩阵
Figure BDA0002765900410000041
其中，通过项目施工数据权重系数β1和项目施工数据稳定系数β2进行施工项目中的施工日期d、施工工序列表l、施工者基本数据b和施工作业工种r数据稳定，A施工项目数据的状态值IA和B施工项目数据的状态值IB将施工项目进行权重矩阵构建，经过遍历不稳定信息后，剔除无效施工项目数据，并对施工项目进行筛选操作；
S3-2，通过筛选的代价函数，进行建筑施工项目数据推荐准备；
该代价函数为，
Figure BDA0002765900410000042
其中，Ui为统计全部施工项目数据的空间轨迹数；h为施工项目类别，J为全部施工项目数据的信息向量。
综上所述，由于采用了上述技术方案，本发明的有益效果是：
本发明通过混合聚类方法在搜索和相似性判别过程中将数据进行处理，更好地利用监督信息，混合聚类方法能够挖掘准确的工程数据并更好地理解无标签数据的内容，并利用监督或者约束信息使聚类结果更符合建筑施工中分类的条件。
本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
图1是本发明总体流程图；
图2是本发明工作流程图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
如图1和2所示，本发明公开一种通过大数据平台进行建筑施工项目混合聚类工作方法，包括如下步骤：
针对大数据平台获取的海量建筑施工项目数据，对建筑施工项目的施工日期、施工工序列表、施工者基本数据和施工作业工种进行收集；
S1，获取建筑施工项目数据进行数据均值计算，形成初始化均值，根据初始化均值获取建筑施工项目数据的对象目标；
S2，根据对象目标的最大似然估计函数，获取建筑施工项目数据的聚类簇，并进行迭代运算；
S3，对聚类簇迭代运算后的结果进行权重矩阵重构，使建筑施工项目数据完成混合聚类分析过程。
优选的，所述S1包括：
S1-1，输入建筑施工项目数据集，根据建筑施工项目数据的聚类状态，随机选取m个项目数据集，对每个项目数据集进行初始化，经过不断收敛，形成收敛函数，
Figure BDA0002765900410000051
其中，Li为项目数据集中空间点集，Si为数据集的均值，D为数据集中包含的对象，从数据集中包含的对象D中任意选择m个对象，成为初始收敛函数的分母进行平均分配，在数据集中的空间点集Li与数据及的均值的差进行平方之后，能够映射至最近似的对象，更新对象均值，不断循环操作；
S1-2，对初始化数据集设定先验分布概率，将对象集进行建模输出；首先获取数据集概率分布s(ai,ci)＝s(ci)·s(ai)·s(ai|ci＝k；β)；其中ai为施工项目标签，ai为施工项目完成度，k为施工项目完成级别，k∈(1,2.3.4.5)，β为施工项目信息置换率；
通过输入建模比率进行施工项目信息输出，
Figure BDA0002765900410000061
其中，Ni为施工项目数据获取轨迹，μ为轨迹调节系数，通过施工项目完成级别分为5档，从获取轨迹中发现信息输出特征，
Figure BDA0002765900410000062
为施工项目规范值E的开平方，Γ为施工项目中特定数据分布强度，η为待定参量，r(p)为施工项目数据获取过程中p中施工项目数据的分布，T(t)为收集施工项目耗费时间的纹理值，时间t≥0；
S1-3，建模输出后形成建筑施工项目数据的对象目标；通过对象目标提取公式
Figure BDA0002765900410000063
其中，通过λ对象目标调节参数与对象提取函数Q(j)乘积后与等式右侧相等，等式右侧A施工项目数据的状态值IA，B施工项目数据的状态值IB，分别通过A施工项目转移概率ε1和B施工项目转移概率ε2进行调节，Z(j)为施工项目运行阶段数据目标函数，W(j)为施工项目停止阶段数据目标函数，A施工项目数据的置换率为θ1，B施工项目数据的置换率为θ2。
优选的，所述S2包括：
S2-1，根据最大似然估计函数将对象目标进行计算，
Figure BDA0002765900410000064
通过对施工项目属性方差Ψ，特征参数δ和项目混合参数Λ进行对象目标函数求解，Si为数据集的均值，X(Si|h)为项目施工估计函数，对于项目类别h进行求解，X(c)为施工项目实例c的估计函数，
S2-2，经过确定聚类簇之后，通过分布函数计算建筑施工项目数据分布概率；
该聚类簇C在大数据平台中没有传播任何施工项目数据的状态值，通过分布函数转化A施工项目数据和B施工项目数据的状态值IA或IB，在主动传播施工项目数据的状态值过程中，该分布概率对状态值产生影响，
S2-3，根据分布概率中聚类簇的分布状态，进行迭代运算，逐渐收敛建筑施工项目数据的状态信息；对项目混合参数Λ进行求解，在聚类簇
Figure BDA0002765900410000073
中获取i种j个类别的施工项目数据，通过施工项目实例特征xi与类别调节阈值σj的差值进行分布迭代收敛计算，
Figure BDA0002765900410000071
其中，Ri,j为施工项目数据，λ为施工校正参数；
通过算法的施工项目计算复杂度与施工项目数据相互之间通过相似度方法收敛聚类，对施工项目选择偏好的聚类分析，帮助寻找目标用户，该方法的施工项目复杂度M＝Λ·(|Ri,j|*|e|)，其中|Ri,j|为施工项目数据的数量，|e|为聚类算法的迭代次数。
优选的，所述S3包括：
S3-1，通过构建权重矩阵，遍历建筑施工项目数据中不稳定信息，并进行筛选；
对于施工项目数据的构建的权重矩阵，对于施工项目中的施工日期d、施工工序列表l、施工者基本数据b和施工作业工种r形成权重矩阵
Figure BDA0002765900410000072
其中，通过项目施工数据权重系数β1和项目施工数据稳定系数β2进行施工项目中的施工日期d、施工工序列表l、施工者基本数据b和施工作业工种r数据稳定，A施工项目数据的状态值IA和B施工项目数据的状态值IB将施工项目进行权重矩阵构建，经过遍历不稳定信息后，剔除无效施工项目数据，并对施工项目进行筛选操作；
S3-2，通过筛选的代价函数，进行建筑施工项目数据推荐准备；
该代价函数为，
Figure BDA0002765900410000081
其中，Ui为统计全部施工项目数据的空间轨迹数；h为施工项目类别，J为全部施工项目数据的信息向量。
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。

Claims (5)

1.一种通过大数据平台进行建筑施工项目混合聚类工作方法，其特征在于，包括如下步骤：
S1，获取建筑施工项目数据进行数据均值计算，形成初始化均值，根据初始化均值获取建筑施工项目数据的对象目标；
S2，根据对象目标的最大似然估计函数，获取建筑施工项目数据的聚类簇，并进行迭代运算；
S3，对聚类簇迭代运算后的结果进行权重矩阵重构，使建筑施工项目数据完成混合聚类分析过程。
2.根据权利要求1所述的通过大数据平台进行建筑施工项目混合聚类工作方法，其特征在于，所述S1包括：
S1-1，输入建筑施工项目数据集，根据建筑施工项目数据的聚类状态，随机选取m个项目数据集，对每个项目数据集进行初始化，经过不断收敛，形成收敛函数，
Figure FDA0002765900400000011
其中，Li为项目数据集中空间点集，Si为数据集的均值，D为数据集中包含的对象，从数据集中包含的对象D中任意选择m个对象，成为初始收敛函数的分母进行平均分配，在数据集中的空间点集Li与数据及的均值的差进行平方之后，能够映射至最近似的对象，更新对象均值，不断循环操作；
S1-2，对初始化数据集设定先验分布概率，将对象集进行建模输出；首先获取数据集概率分布s(ai,ci)＝s(ci)·s(ai)·s(ai|ci＝k；β)；其中ai为施工项目标签，ai为施工项目完成度，k为施工项目完成级别，k∈(1,2.3.4.5)，β为施工项目信息置换率；
通过输入建模比率进行施工项目信息输出，
Figure FDA0002765900400000021
其中，Ni为施工项目数据获取轨迹，μ为轨迹调节系数，通过施工项目完成级别分为5档，从获取轨迹中发现信息输出特征，
Figure FDA0002765900400000022
为施工项目规范值E的开平方，Γ为施工项目中特定数据分布强度，η为待定参量，r(p)为施工项目数据获取过程中p中施工项目数据的分布，T(t)为收集施工项目耗费时间的纹理值，时间t≥0；
S1-3，建模输出后形成建筑施工项目数据的对象目标；通过对象目标提取公式
Figure FDA0002765900400000023
其中，通过λ对象目标调节参数与对象提取函数Q(j)乘积后与等式右侧相等，等式右侧A施工项目数据的状态值IA，B施工项目数据的状态值IB，分别通过A施工项目转移概率ε1和B施工项目转移概率ε2进行调节，Z(j)为施工项目运行阶段数据目标函数，W(j)为施工项目停止阶段数据目标函数，A施工项目数据的置换率为θ1，B施工项目数据的置换率为θ2。
3.根据权利要求1所述的通过大数据平台进行建筑施工项目混合聚类工作方法，其特征在于，所述S2包括：
S2-1，根据最大似然估计函数将对象目标进行计算，
Figure FDA0002765900400000024
通过对施工项目属性方差Ψ，特征参数δ和项目混合参数Λ进行对象目标函数求解，Si为数据集的均值，X(Si|h)为项目施工估计函数，对于项目类别h进行求解，X(c)为施工项目实例c的估计函数，
S2-2，经过确定聚类簇之后，通过分布函数计算建筑施工项目数据分布概率；
该聚类簇C在大数据平台中没有传播任何施工项目数据的状态值，通过分布函数转化A施工项目数据和B施工项目数据的状态值IA或IB，在主动传播施工项目数据的状态值过程中，该分布概率对状态值产生影响。
4.根据权利要求3所述的通过大数据平台进行建筑施工项目混合聚类工作方法，其特征在于，所述S2还包括：
S2-3，根据分布概率中聚类簇的分布状态，进行迭代运算，逐渐收敛建筑施工项目数据的状态信息；对项目混合参数Λ进行求解，在聚类簇
Figure FDA0002765900400000033
中获取i种j个类别的施工项目数据，通过施工项目实例特征xi与类别调节阈值σj的差值进行分布迭代收敛计算，
Figure FDA0002765900400000031
其中，Ri,j为施工项目数据，λ为施工校正参数；
通过算法的施工项目计算复杂度与施工项目数据相互之间通过相似度方法收敛聚类，对施工项目选择偏好的聚类分析，帮助寻找目标用户，该方法的施工项目复杂度M＝Λ·(|Ri,j|*|e|)，其中|Ri,j|为施工项目数据的数量，|e|为聚类算法的迭代次数。
5.根据权利要求1所述的通过大数据平台进行建筑施工项目混合聚类工作方法，其特征在于，所述S3包括：
S3-1，通过构建权重矩阵，遍历建筑施工项目数据中不稳定信息，并进行筛选；
对于施工项目数据的构建的权重矩阵，对于施工项目中的施工日期d、施工工序列表l、施工者基本数据b和施工作业工种r形成权重矩阵
Figure FDA0002765900400000032
其中，通过项目施工数据权重系数β1和项目施工数据稳定系数β2进行施工项目中的施工日期d、施工工序列表l、施工者基本数据b和施工作业工种r数据稳定，A施工项目数据的状态值IA和B施工项目数据的状态值IB将施工项目进行权重矩阵构建，经过遍历不稳定信息后，剔除无效施工项目数据，并对施工项目进行筛选操作；
S3-2，筛选完成后进行建筑施工项目数据推荐准备。
CN202011233247.XA 2020-11-06 2020-11-06 通过大数据平台进行建筑施工项目混合聚类工作方法 Withdrawn CN112508051A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011233247.XA CN112508051A (zh) 2020-11-06 2020-11-06 通过大数据平台进行建筑施工项目混合聚类工作方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011233247.XA CN112508051A (zh) 2020-11-06 2020-11-06 通过大数据平台进行建筑施工项目混合聚类工作方法

Publications (1)

Publication Number Publication Date
CN112508051A true CN112508051A (zh) 2021-03-16

Family

ID=74955400

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011233247.XA Withdrawn CN112508051A (zh) 2020-11-06 2020-11-06 通过大数据平台进行建筑施工项目混合聚类工作方法

Country Status (1)

Country Link
CN (1) CN112508051A (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6226408B1 (en) * 1999-01-29 2001-05-01 Hnc Software, Inc. Unsupervised identification of nonlinear data cluster in multidimensional data
CN103077253A (zh) * 2013-01-25 2013-05-01 西安电子科技大学 Hadoop框架下高维海量数据GMM聚类方法
CN104636496A (zh) * 2015-03-04 2015-05-20 重庆理工大学 基于高斯分布和距离相似度的混合聚类的推荐方法
CN106960213A (zh) * 2017-02-14 2017-07-18 广东广业开元科技有限公司 一种基于大数据分析的消防安全重点单位等级排序系统
CN107153843A (zh) * 2017-05-03 2017-09-12 西安电子科技大学 基于支持向量机的地面沉降预测系统和方法
CN111429027A (zh) * 2020-04-15 2020-07-17 国网福建省电力有限公司经济技术研究院 一种基于大数据的地区输电网运行多维度分析方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6226408B1 (en) * 1999-01-29 2001-05-01 Hnc Software, Inc. Unsupervised identification of nonlinear data cluster in multidimensional data
CN103077253A (zh) * 2013-01-25 2013-05-01 西安电子科技大学 Hadoop框架下高维海量数据GMM聚类方法
CN104636496A (zh) * 2015-03-04 2015-05-20 重庆理工大学 基于高斯分布和距离相似度的混合聚类的推荐方法
CN106960213A (zh) * 2017-02-14 2017-07-18 广东广业开元科技有限公司 一种基于大数据分析的消防安全重点单位等级排序系统
CN107153843A (zh) * 2017-05-03 2017-09-12 西安电子科技大学 基于支持向量机的地面沉降预测系统和方法
CN111429027A (zh) * 2020-04-15 2020-07-17 国网福建省电力有限公司经济技术研究院 一种基于大数据的地区输电网运行多维度分析方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
MOHAMED AYMEN BEN HAJKACEM ET AL: "KP-S:A Spark-Based Design of the K-Prototypes Clustering of Big Data", 《2017 IEEE/ACS 14TH INTERNATIONAL CONFERENCE ON COMPUTER SYSTEMS AND APPLICATION》 *
徐艳: "基于模糊最大似然估计算法的遥感影像分割", 《测绘与空间地理信息》 *
李岑: "基于大数据技术的施工企业财务评价标准研究", 《中国优秀硕士学位论文全文数据库（经济与管理科学辑）》 *
王飞等: "K-means聚类分析在建筑施工风险评价中的应用", 《中国管理信息化》 *

Similar Documents

Publication Publication Date Title
CN107729943B (zh) 信息反馈极限学习机优化估值的缺失数据模糊聚类算法及其应用
WO2016101628A1 (zh) 一种数据建模中的数据处理方法及装置
CN101414183B (zh) 基于灰色关联分析的卷烟工序质量综合评价系统及其方法
CN104346481B (zh) 一种基于动态同步模型的社区检测方法
CN108334580A (zh) 一种结合链接和属性信息的社区发现方法
CN112862380B (zh) 一种基于混合算法的项目型产品装配车间人员调度方法、设备及存储介质
CN112182306B (zh) 一种基于不确定图的社区发现方法
CN112418476A (zh) 一种超短期电力负荷预测方法
CN112559963A (zh) 一种配电网动态参数辨识方法及装置
CN113515512A (zh) 一种工业互联网平台数据的质量治理及提升方法
CN113593004A (zh) 一种定制化三维模型空间装修组合设计方案的方法及系统
CN116681104A (zh) 分布式空间图神经网络的模型建立及实现方法
CN115237878A (zh) 基于增材制造的工艺数据库构建方法及介质
CN111932081A (zh) 一种电力信息系统运行状态评估方法及系统
CN111709460A (zh) 基于相关系数的互信息特征选择方法
CN106651461A (zh) 基于灰理论的电影个性化推荐方法
CN112734295A (zh) 一种行业指数分析管理系统及分析方法
CN112508051A (zh) 通过大数据平台进行建筑施工项目混合聚类工作方法
CN117056763A (zh) 基于变分图嵌入的社区发现方法
CN112529037A (zh) 基于大数据分析建筑工地建设优化方法
CN116541944A (zh) 一种基于变电站综合倾斜摄影建模模型的碳排放计算方法
CN111242266A (zh) 一种运行数据管理系统
CN111353525A (zh) 一种不均衡不完整数据集的建模及缺失值填补方法
CN113378900B (zh) 一种基于聚类的大规模不规则kpi时间序列的异常检测方法
CN112508050A (zh) 基于海量数据的建筑工程建设规划工作方法

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
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20210316