CN112581188A - 工程项目投标报价预测模型构建方法、预测方法及模型 - Google Patents

工程项目投标报价预测模型构建方法、预测方法及模型 Download PDF

Info

Publication number
CN112581188A
CN112581188A CN202011592745.3A CN202011592745A CN112581188A CN 112581188 A CN112581188 A CN 112581188A CN 202011592745 A CN202011592745 A CN 202011592745A CN 112581188 A CN112581188 A CN 112581188A
Authority
CN
China
Prior art keywords
model
data
bridge
prediction model
value
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Withdrawn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
CN202011592745.3A
Other languages
English (en)
Inventor
张森
黄学涛
曹政
谭卓
孙菲
游可欣
曾勇华
谢川
秦旺
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.)
Jianjian Tong Sanya International Technology Co ltd
Original Assignee
Jianjian Tong Sanya International 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 Jianjian Tong Sanya International Technology Co ltd filed Critical Jianjian Tong Sanya International Technology Co ltd
Priority to CN202011592745.3A priority Critical patent/CN112581188A/zh
Publication of CN112581188A publication Critical patent/CN112581188A/zh
Withdrawn legal-status Critical Current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
    • G06Q30/02—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
    • 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
    • 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/08—Construction

Abstract

本发明公开了一种工程项目投标报价预测模型构建方法、预测方法及模型。预测模型构建方法包括以下步骤：采用主成分分析或层次聚类的方法，对具有多个特征变量的原始数据进行特征提取，用提取出的少量特征变量对应的数据，构建多元线性回归模型。利用R‑squared值、P值和平均绝对误差MAE，确定最优预测模型并对该模型进行假设检验。最后用该模型进行实际工程中的投标报价的预测。采用该方法构建的预测模型，采集数据量较少，数据量通常在30条以上，预测速度快，省时省力，且准确度较高，具有很好的参考价值。

Description

工程项目投标报价预测模型构建方法、预测方法及模型
技术领域
本发明属于项目报价预测技术领域，具体地涉及一种工程项目投标报价预测模型构建方法、预测方法及模型。
背景技术
投标报价是一项复杂的综合性技术经济工作。报价准确与否关键在于正确地计算成本。由于建筑产品的单体性、类型多样性、价格的超前性、生产与销售的同步性等特点,因此,投标报价着眼于未来,而预测则是关键。
现有的项目报价预测是通过工程造价的方式做预算：乙方根据甲方提供的图纸、工程量等，套定额，预估投标报价。采用现有方式，费时费力。
发明内容
为了解决现有工程项目投标报价时人工根据甲方提供资料套定额、做预算带来的工作量大、耗费大量人力的问题，本发明提供一种工程项目投标报价预测模型构建方法、预测方法及模型，采用该方法构建的预测模型，采集数据量较少，预测速度快，省时省力，且准确度较高，具体一定参考价值。
本发明通过以下技术方案实现：
一种工程项目投标报价预测模型构建方法，包括以下步骤：
利用主成分分析PCA或层次聚类对数据进行特征提取，
构建初始的多元线性回归模型，
利用R-squared值、P值和平均绝对误差MAE，对初始模型进行筛选并确立最优的预测模型；
对最优模型进行假设检验。
一种道桥项目投标报价预测模型，其采用上述方法构建，该述预测模型为：
Avgoffer＝investment+investment:bridgeProp，
其中，Avgoffer为平均报价，investment为限价，bridgeProp为桥梁占比，investment:bridgeProp为investment与bridgeProp的交互作用。
一种道桥项目投标报价预测方法，包括以下步骤：
获取限价investment、桥梁占比bridgeProp数据；
将限价investment、桥梁占比bridgeProp数据带入上述预测模型中。
本发明与现有技术相比，至少具有以下优点和有益效果：
1、采用该方法构建的预测模型，采集数据较少，数据量通常在30条以上，预测速度快，省时省力，且准确度较高。
2、本方案的道桥项目投标报价预测模型，只需采集限价、桥梁占比两个数据，数据采集量小，预测速度快，预测准确度较高。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明预测模型构建方法的流程图。
图2是道桥项目中涉及到的数据表。
图3是采用主成分分析的方法对数据进行特征提取的结果图。
图4是采用层次聚类的方法对数据进行处理的结果图。
图5是对最优的预测模型进行线性相关检验的结果图。
图6是对最优的预测模型进行正态分布检验的结果图。
图7是对最优的预测模型进行同方差性检验的结果图。
具体实施方式
下面结合附图及具体实施例来对本发明作进一步阐述。在此需要说明的是，对于这些实施例方式的说明虽然是用于帮助理解本发明，但并不构成对本发明的限定。本文公开的特定结构和功能细节仅用于描述本发明的示例实施例。然而，可用很多备选的形式来体现本发明，并且不应当理解为本发明限制在本文阐述的实施例中。
应当理解，尽管本文可能使用术语第一、第二等等来描述各种单元，但是这些单元不应当受到这些术语的限制。这些术语仅用于区分一个单元和另一个单元。例如可以将第一单元称作第二单元,并且类似地可以将第二单元称作第一单元，同时不脱离本发明的示例实施例的范围。
应当理解，对于本文中可能出现的术语“和/或”，其仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，单独存在B，同时存在A和B三种情况；对于本文中可能出现的术语“/和”，其是描述另一种关联对象关系，表示可以存在两种关系，例如，A/和B，可以表示：单独存在A，单独存在A和B两种情况；另外，对于本文中可能出现的字符“/”，一般表示前后关联对象是一种“或”关系。
应当理解，在本文中若将单元称作与另一个单元“连接”、“相连”或“耦合”时，它可以与另一个单元直相连接或耦合，或中间单元可以存在。相対地，在本文中若将单元称作与另一个单元“直接相连”或“直接耦合”时，表示不存在中间单元。另外，应当以类似方式来解释用于描述单元之间的关系的其他单词(例如，“在……之间”对“直接在……之间”,“相邻”对“直接相邻”等等)。
应当理解，本文使用的术语仅用于描述特定实施例，并不意在限制本发明的示例实施例。若本文所使用的，单数形式“一”、“一个”以及“该”意在包括复数形式，除非上下文明确指示相反意思。还应当理解，若术语“包括”、“包括了”、“包含”和/或“包含了”在本文中被使用时,指定所声明的特征、整数、步骤、操作、单元和/或组件的存在性,并且不排除一个或多个其他特征、数量、步骤、操作、单元、组件和/或他们的组合存在性或增加。
应当理解，还应当注意到在一些备选可能设计中，所出现的功能/动作可能与附图出现的顺序不同。例如,取决于所涉及的功能/动作,实际上可以实质上并发地执行,或者有时可以以相反的顺序来执行连续示出的两个图。
应当理解，在下面的描述中提供了特定的细节,以便于对示例实施例的完全理解。然而,本领域普通技术人员应当理解可以在没有这些特定细节的情况下实现示例实施例。例如可以在框图中示出系统，以避免用不必要的细节来使得示例不清楚。在其他实例中，可以不以非必要的细节来示出众所周知的过程、结构和技术，以避免使得示例实施例不清楚。
实施例1
平均报价就是同一个项目的平均投标报价。影响工程项目平均报价的因素很多，但是并不是所有的特征变量均会对其产生影响。因此，一种工程项目投标报价预测模型构建方法需要先对原始数据进行特征提取。具体的，如图1所示，该方法包括以下步骤：
对原始数据进行特征提取，特征提取可基于多种方法，譬如，可采用主成分分析的方法或者层次聚类的方法的进行提取。
再根据提取的变量对应的数据构建初始预测模型，此时提取的特征变量并不是所有的均可采用，需要对其进行进一步的验证，以提高预测模型的准确度。
利用R-squared值、P值和平均绝对误差MAE等参数，对初始模型进行筛选并确立最优的预测模型。
R-squared值是指有多少因变量被自变量解释。
P值是假设检验中是否拒绝零假设的指标，通常某个特征变量的P值大于0.05，表明该特征变量不显著且没有很好的解释对应的平均报价值，可将其剔除。
平均绝对误差MAE是预测值和观测值之间绝对误差的平均值，其值越小，代表测试值和真实值越接近，即模型越好。综合考虑R-squared值，P值和平均绝对误差MAE,确定最优预测模型。
对最优模型进行假设检验。
采用上述方法构建的预测模型，其预测的准确率高。
实施例2
本实施例道桥项目为例，具体阐述本方法的实施方式。
关于道桥项目的特征提取包括标段长度length、海拔altitude、工期duration、长隧道bigTunnel、中隧道midTunnel、短隧道minTunnel、隧道长度lofTunnel、隧道占比tunnelProp、大桥bigBridge、中桥midBridge、小桥minBridge、桥梁长度lofBridge、桥梁占比bridgeProp、车道Nofroad、限价investment、平均报价Avgoffer。其数据如图2所示。项目的标段长度、工期、桥梁占比等因素，通常都会影响投标人的投标报价。即基于上述特征中的前15个特征变量，预测最后一个特征变量‘平均报价Avgoffer’。但是，并不是前15个特征变量均会对投标报价产生影响，需要对特征变量进行筛选，并建立预测模型，实现报价预测。具体的，该方法包括以下步骤：
提取特征变量，提取的特征变量包括桥梁长度lofBridge、桥梁占比bridgeProp、车道Nofroad、限价investment、平均报价Avgoffer。该步骤可采用主成分分析的方法或者层次聚类的方法的进行特征提取。
主成分分析的方法对特征变量进行降维，结果如图3中框A中所示，桥梁长度lofBridge、桥梁占比bridgeProp、车道Nofroad、限价investment、平均报价Avgoffer归为一类，其中，各点的坐标详见下表1。主成分分析从多个维度中选取少量的几个维度作为代表，用少量的几个维度的数据，能够还原且代表原始数据。
表1
Figure BDA0002869617070000051
具体的，主成分分析包括以下步骤：
标准化原始数据，将原始数据转换为均值为0，标准差为1的数据；
计算标准化后的数据的协方差矩阵；
计算协方差矩阵的特征值和特征向量；
把特征值按从大到小的顺序排序，对应的特征向量也随之按由大到小排序；
取出前2个值最大的特征值所对应的特征向量，画出biplot图，找出图中与目标变量相对靠近的特征变量。
采用层次聚类的方法对数据进行处理，得到图4结果，其结果与采用主成分分析的方法所得结果一致，详见图4中框B中内容。具体的，采用层次聚类方法包括以下步骤：
对数据进行预处理，通常是将原始数据转换为均值为0、标准差为1的数据。
对处理后的数据中的一对数据或是两个类别之间的数据，进行距离的测量，该距离为欧氏距离或者相对距离，本实施例选用相对距离。
将两组数据或两类数据，按照距离类别的不同进行聚合，此处的距离类别通常有最大距离、最小距离、平均距离、质心距离，本实施例选用最大距离。
用水平直线穿过树状图，即可得到类别的数目。同一类别的特征变量可归为一类。
根据提取的特征提取，构建初始预测模型，进行多元线性回归，模型为：Avgoffer＝investment+lofBridge+bridgeProp+Nofroad；
利用P值对预测模型中各特征变量进行验证，investment的P值为0.000，lofBridge的P值为0.962，bridgeProp的P值为0.049，Nofroad的P值为0.624，将P值均大于0.05的特征变量剔除，即剔除lofBridge、Nofroad。剔除后的特征变量仅剩下investment和bridgeProp，考虑特征变量之间的交互作用后可构成以下5种预测模型。
5种预测模型为：
1.Avgoffer＝investment+bridgeProp，
2.Avgoffer＝investment+bridgeProp+investment:bridgeProp，
3.Avgoffer＝investment+investment:bridgeProp，
4.Avgoffer＝bridgeProp+investment:bridgeProp，
5.Avgoffer＝investment:bridgeProp，
其中，investment:bridgeProp代表investment与bridgeProp的交互作用。
可先看R-squared值，R-squared值越趋近于1，代表模型拟合的越好。计算各模型的R-squared值，1～3号模型的R-squared均为0.996，4号模型的R-squared值为0.789，5号模型的R-squared值为0.719。可排除4号和5号模型。
然后测试上述5种预测模型的预测值与真实值的误差。具体的，可用测试集中的预测值与真实值的平均绝对误差MAE。选择平均绝对误差MAE值较小的模型，作为候选的预测模型。MAE值越小，代表预测值和真实值越接近，其预测准确度越高。
经测试上述5种预测模型的平均绝对误差MAE分别为1058.70、776.20、944.10、15756.21、21732.17。将2号和3号预测模型作为候选预测模型。
继续观察候选预测模型的P值，2号预测模型中的bridgeProp的P值为0.958，investment:bridgeProp的P值为0.087，均不满足P值小于0.05的要求，故剔除该预测模型。3号模型中，investment的P值为0.000，investment:bridgeProp的P值为0.001，均满足P值小于0.05的要求。
因此选择3号模型作为最优预测模型，即：Avgoffer＝investment+investment:bridgeProp。
模型搭建好后，对其进行验证，
1、进行线性相关检验：即Avgoffer与investment和bridgeProp呈现出一条直线的线性的关系，如图5所示，用SAS软件画图，验证满足要求。
2、进行正态分布检验：用Q-Q plot作图来检验，要求模型的残差(预测的y值与真实的y值之差)是呈正态分布的。如果Q-Q plot图中，残差是在一条直线上，则表明残差是满足正态分布。该模型的Q-Qplot如图6所示，验证满足。
3、同方差性检验：作出残差和预测值之间的散点图。如果图7中所示，图中的点，均匀分布在红线两端，而没有呈现出明显的形状，则表明残差满足同方差性。如图7所示，该模型验证满足。
经过假设检验，模型基本满足多元线性回归模型的假设条件。
模型搭建好后，在实际项目使用时，只需采集限价investment、桥梁占比bridgeProp两个特征变量对应的数据。将3组数据(每组含两个数据)输入到上述最优的预测模型中，即可输出预测的投标报价。
以下面3组数据为例：
标段 investment bridgeProp
1 77550 5.4
2 146178 100
3 67895 15.2
其预测结果与真实结果对比详见下表。
标段名称 开标后的真实平均报价(万元) 模型预测的平均报价(万元) 差值绝对值(万元)
1 70310.90754 70684.93638 374.02884
2 141470.1467 139365.9025 2104.2442
3 61077.30723 62435.27912 1357.97189
标段名称 平均报价的真实降幅 平均报价的预测降幅
1 9.33％ 8.85％
2 3.22％ 4.66％
3 10.04％ 8.04％
结论：预测结果与真实结果大体上接近，具有一定参考价值。
以上所描述的实施例仅仅是示意性的，若涉及到作为分离部件说明的单元，其可以是或者也可以不是物理上分开的；若涉及到作为单元显示的部件，其可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。而这些修改或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围。
最后应说明的是，本发明不局限于上述可选的实施方式，任何人在本发明的启示下都可得出其他各种形式的产品。上述具体实施方式不应理解成对本发明的保护范围的限制，本发明的保护范围应当以权利要求书中界定的为准，并且说明书可以用于解释权利要求书。

Claims (10)

1.一种工程项目投标报价预测模型构建方法，其特征在于，包括以下步骤：
利用主成分分析或层次聚类对数据进行特征提取，
构建初始的多元线性回归模型，
利用R-squared值、P值和平均绝对误差MAE，对初始模型进行筛选并确立最优的预测模型；
对最优模型进行假设检验。
2.根据权利要求1所述的一种工程项目投标报价预测模型构建方法，其特征在于，采用主成分分析的方法进行特征提取。
3.根据权利要求2所述的一种工程项目投标报价预测模型构建方法，其特征在于，特征提取的具体方法为：
标准化原始数据，将原始数据转换为均值为0，标准差为1的数据；
计算标准化后的数据的协方差矩阵；
计算协方差矩阵的特征值和特征向量；
把特征值按从大到小的顺序排序，对应的特征向量也随之按由大到小排序；
取出前2个值最大的特征值所对应的特征向量，画出biplot图，找出图中与目标变量相对靠近的特征变量。
4.根据权利要求1所述的一种工程项目投标报价预测模型构建方法，其特征在于，采用层次聚类进行特征提取具体为：
对数据进行预处理，通常是将原始数据转换为均值为0，标准差为1的数据；
对处理后的数据中的一对数据或是两个类别之间的数据，进行距离的测量；
将两组数据或两类数据，按照距离类别的不同进行聚合；
用水平直线穿过树状图，即可得到类别的数目，同一类别的特征变量可归为一类。
5.根据权利要求1所述的一种工程项目投标报价预测模型构建方法，其特征在于，
在初始模型中，采用R-squared值、P值和平均绝对误差MAE，对初始模型进行筛选，剔除P值大于0.05的特征变量以及R-squared值相对较小的模型。
6.根据权利要求1所述的一种工程项目投标报价预测模型构建方法，其特征在于，
将测试数据中的自变量代入预测模型中，得到预测值；
计算预测值与对应真实值的平均绝对误差MAE；
选取平均绝对误差MAE较小的模型作为最优模型。
7.根据权利要求1所述的一种工程项目投标报价预测模型构建方法，其特征在于，还包括对最优预测模型进行假设验证，该步骤采用线性相关检验，正态分布检验和同方差性检验。
8.根据权利要求1所述的一种工程项目投标报价预测模型构建方法，其特征在于，提取的特征变量包括限价investment，桥梁长度lofBridge、桥梁占比bridgeProp、车道Nofroad、平均报价Avgoffer；
初始预测模型为：Avgoffer＝investment+lofBridge+bridgeProp+Nofroad；
最优的预测模型为：Avgoffer＝investment+investment:bridgeProp，其中，investment:bridgeProp为investment与bridgeProp的交互作用。
9.一种道桥项目投标报价预测模型，其特征在于，其采用权利要求1-8任一所述方法构建，该述预测模型为：Avgoffer＝investment+investment:bridgeProp，其中，Avgoffer为平均报价，investment为限价，bridgeProp为桥梁占比，investment:bridgeProp为investment与bridgeProp的交互作用。
10.一种道桥项目投标报价预测方法，其特征在于，包括以下步骤：
获取限价investment、桥梁占比bridgeProp数据；
将限价investment、桥梁占比bridgeProp数据带入权利要求9所述的预测模型中。
CN202011592745.3A 2020-12-29 2020-12-29 工程项目投标报价预测模型构建方法、预测方法及模型 Withdrawn CN112581188A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011592745.3A CN112581188A (zh) 2020-12-29 2020-12-29 工程项目投标报价预测模型构建方法、预测方法及模型

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011592745.3A CN112581188A (zh) 2020-12-29 2020-12-29 工程项目投标报价预测模型构建方法、预测方法及模型

Publications (1)

Publication Number Publication Date
CN112581188A true CN112581188A (zh) 2021-03-30

Family

ID=75144079

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011592745.3A Withdrawn CN112581188A (zh) 2020-12-29 2020-12-29 工程项目投标报价预测模型构建方法、预测方法及模型

Country Status (1)

Country Link
CN (1) CN112581188A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113298624A (zh) * 2021-06-21 2021-08-24 四川隧唐科技股份有限公司 前馈全连接神经网络预测工程项目投标报价的方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113298624A (zh) * 2021-06-21 2021-08-24 四川隧唐科技股份有限公司 前馈全连接神经网络预测工程项目投标报价的方法

Similar Documents

Publication Publication Date Title
CN105975913B (zh) 一种基于自适应聚类学习的道路网提取的方法
CN110543616B (zh) 基于工业大数据的smt锡膏印刷体积预测方法
Wang et al. Searching for representative modes on hypergraphs for robust geometric model fitting
CN108985380B (zh) 一种基于聚类集成的转辙机故障识别方法
CN107563601A (zh) 一种智能电能表运行状态评价方法
WO2021088499A1 (zh) 一种基于动态网络表征的发票虚开识别方法及系统
CN107679734A (zh) 一种用于无标签数据分类预测的方法和系统
Prakash et al. Structural clustering of volatility regimes for dynamic trading strategies
CN114048436A (zh) 一种预测企业财务数据模型构建方法及构建装置
CN104155245A (zh) 一种基于模式识别与谱图映射的油品多类性质的检测方法
CN107133722A (zh) 基于电力企业大数据技术的配电网差异特征诊断分析方法
CN112581188A (zh) 工程项目投标报价预测模型构建方法、预测方法及模型
CN108428234B (zh) 基于图像分割结果评价的交互式分割性能优化方法
CN113222261A (zh) 一种基于灰色预测和bp-arima的科创板企业估值系统
CN113379059A (zh) 用于量子数据分类的模型训练方法以及量子数据分类方法
CN109919626B (zh) 一种高风险银行卡的识别方法及装置
CN109255638B (zh) 一种挖掘潜在客户的数学模型
CN115239947A (zh) 基于无监督学习的小麦条锈病严重度评估方法及装置
CN112163704B (zh) 一种用于建材投招标平台的优质供应商预测方法
CN110516750B (zh) 一种基于cart决策树的钢板板形质量异常检测方法
Krasnokutskaya et al. Estimating unobserved individual heterogeneity using pairwise comparisons
CN114626940A (zh) 数据分析方法、装置及电子设备
CN113111935A (zh) 一种大宗商品电子商务市场中基于交易数据实时聚类的相同交易主体判定方法
CN109034172B (zh) 一种基于模糊松弛约束多核学习的产品外观缺陷检测方法
CN111144910B (zh) 基于模糊熵均值阴影集的招投标“串标、陪标”对象推荐方法及装置

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: 20210330

WW01 Invention patent application withdrawn after publication