CN113256148A - 一种用于大数据模式的分析方法和系统 - Google Patents
一种用于大数据模式的分析方法和系统 Download PDFInfo
- Publication number
- CN113256148A CN113256148A CN202110647958.XA CN202110647958A CN113256148A CN 113256148 A CN113256148 A CN 113256148A CN 202110647958 A CN202110647958 A CN 202110647958A CN 113256148 A CN113256148 A CN 113256148A
- Authority
- CN
- China
- Prior art keywords
- grade
- index
- characteristic index
- evaluated
- evaluation
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 25
- 239000013598 vector Substances 0.000 claims abstract description 71
- 238000011156 evaluation Methods 0.000 claims abstract description 49
- 238000000034 method Methods 0.000 claims abstract description 32
- 239000011159 matrix material Substances 0.000 claims abstract description 25
- 238000012545 processing Methods 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000012854 evaluation process Methods 0.000 abstract description 4
- 230000008901 benefit Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 3
- 238000005314 correlation function Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000012954 risk control 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
- 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
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Accounting & Taxation (AREA)
- Economics (AREA)
- Finance (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Data Mining & Analysis (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种用于大数据模式的分析方法,该方法包括:根据大数据模式的不同方面构建物元R;基于所述物元R的待评价等级、待评价等级对应的事物、n个特征指标向量、每个特征指标向量对应量值v确定经典域矩阵;基于评价等级的全集,确定节域矩阵;对各个特征指标进行归一化处理;基于各个指标与对应的经典域、节域的距计算各个特征指标向量对于评价等级的关联度;根据各特征指标向量的熵值变量确定对应指标的权重;根据所述权重对各个特征指标向量对于评价等级的关联度进行加权,确定大数据模式的评价等级,通过本发明,能够建立基于过程维和对象维的模式评价过程,能够量化分析结果,给出分析的等级。
Description
技术领域
本发明涉及数据分析与处理技术领域,尤其涉及一种用于大数据模式的分析方法和系统。
背景技术
在评估一个商业模式时,大多是在产品、货币化、可持续性等方面进行主观分析,最终形成的是一个主观印象,目前没有任何评价系统或者方法,采用一定的流程或者特定的技术手段,能够对商业模式、大数据模式形成量化的分析过程或者结论。
发明内容
鉴于上述问题,提出了本发明,以便提供一种克服上述问题或者至少部分地解决上述问题的技术方案。因此,本发明的一个方面,提供了一种用于大数据模式的分析方法,该方法包括:根据大数据模式的不同方面构建物元R,所述物元包括不同事物N,每个事物N对应n个特征指标向量c,每个特征指标向量对应量值v;基于所述物元R的待评价等级、待评价等级对应的事物、n个特征指标向量、每个特征指标向量对应量值v确定经典域矩阵;基于评价等级的全集,确定节域矩阵;对各个特征指标进行归一化处理;基于各个指标与对应的经典域、节域的距计算各个特征指标向量对于评价等级的关联度;根据各特征指标向量的熵值变量确定对应指标的权重;根据所述权重对各个特征指标向量对于评价等级的关联度进行加权,确定大数据模式的评价等级。
可选的,基于待评价等级、对应所述待评价等级的特征指标向量、所述特征指标向量的量值范围构建经典域矩阵。
可选的,基于评价等级的全集,所述全集涉及到的特征指标向量、全集中特征指标向量的量值范围构建节点域矩阵。
可选的,该方法包括:基于不同层次对各指标进行第一权重赋值;根据各特征指标向量的熵值变量确定对应指标的第二权重赋值,对所述第一权重赋值、第二权重赋值进行加权平均,获得各指标的组合权重。
可选的,基于最大隶属度原则,根据所述加权后的关联度,确定待评价物元的所属的等级。
可选的,基于物元可拓模型获取待评价物元的变量特征值,即待评价物元偏向相邻等级的程度。
本发明还提供一种用于大数据模式的分析系统,该系统包括:物元构建模块,用于根据大数据模式的不同方面构建物元R;所述物元包括不同事物N,每个事物N对应n个特征指标向量c,每个特征指标向量c对应量值v;经典域确定模块,用于基于所述物元R的待评价等级、待评价等级对应的事物、n个特征指标向量、每个特征指标向量对应量值v确定经典域矩阵;节域矩阵确定模块,用于基于评价等级的全集,确定节域矩阵;归一化处理模块,用于对各个特征指标进行归一化处理;关联度计算模块,用于基于各个指标与对应的经典域、节域的距计算各个特征指标向量对于评价等级的关联度;根据各特征指标向量的熵值变量确定对应指标的权重;赋权模块,用于根据所述权重对各个特征指标向量对于评价等级的关联度进行加权,确定大数据模式的评价等级。
本申请提供的技术方案,至少具有如下技术效果或优点:对于商业模式、大数据模式中各个阶段的对象与各类因素加以整合,建立基于过程维和对象维的模式评价过程,能够量化分析结果,给出分析的等级。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述技术方案和其目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1示出了本发明提供的用于大数据模式的分析方法的流程图。
具体实施方式
下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例,然而应当理解,可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本发明,并且能够将本发明的范围完整的传达给本领域的技术人员。
本发明的一个方面,提供了一种用于大数据模式的分析方法,如图1所示,该方法包括:
S1.根据大数据模式的不同方面构建物元R;所述物元包括不同事物N,每个事物N对应n个特征指标向量c,每个特征指标向量对应量值v;
S2.基于所述物元R的待评价等级、待评价等级对应的事物、n个特征指标向量、每个特征指标向量对应量值v确定经典域矩阵;
S3.基于评价等级的全集,确定节域矩阵;
S4.对各个特征指标进行归一化处理;
S5.基于各个指标与对应的经典域、节域的距计算各个特征指标向量对于评价等级的关联度;
S6.根据各特征指标向量的熵值变量确定对应指标的权重;
S7.根据所述权重对各个特征指标向量对于评价等级的关联度进行加权,确定大数据模式的评价等级。
为了实现上述方法,本发明引入物元-可拓模型。物元-可拓模型的基本概念是将待评价的事物N用一个有序三元组R进行表述,即R=<N,c,v>,其中,R表示物元,c=(c1,c2,c3,…cn)为事物N特征指标向量,v=(v1,v2,v3,…vn)为对应特征指标的量值。假设物元R有m个待评价等级,则R可表示为矩阵形式如公式(1)所示:
物元对应能源大数据商业模式这个评价对象的评价方面,c=(c1,c2,c3,…cn)对应各个指标(三级指标),m个待评价等级可对应于能源的大数据评级的“优”、“良”、“中”、“差”、“劣”5个等级。
作为具体实施方式来说,比如要分析一个大数据增值服务商业模式,那么首先构建物元,即分析的方面(一级指标),比如是商业价值、技术创新性、风险控制、整体协调、核心优势,每个一级指标对应特征指标向量,即每个一级指标对应的三级指标,比如物元(一级指标)“商业价值”对应的特征指标向量:利润增长率、EVA经济增加值、客户满意度、产品影响力、单位成本利润率、资本积累率、资本增值率,每个特征指标向量都对应一个量值。作为一种具体实施方式,对于一种大数据增值服务商业模式,构建的物元和特征指标向量如下表所示:
表1大数据增值服务商业模式物元以及特征指标向量构建
在步骤S2中,基于待评价等级、对应所述待评价等级的特征指标向量、所述特征指标向量的量值范围构建经典域矩阵。
每个待评价等级物元Rj的经典域水平如公式(2)所示:
其中,ci表示为待评价等级Nj的第i个特征向量指标,i≤n,j≤m;dji=(vji,qji)表示指标ci的量值范围,即为待评价等级物元Rj的经典域水平。
基于评价等级的全集,所述全集涉及到的特征指标向量、全集中特征指标向量的量值范围构建节点域矩阵。
在步骤S3中,确定节域水平,如公式(3)所示:
其中,p表示评价等级的全集;dpn=(vp1,qp1)表示p关于特征指标向量ci。
在步骤S4中,构建待评价物元模型:
基于待评价物元R对于特征向量的原始数据或者实际情况,用物元模型将待评价物元表示为:
其中,R0为待评价的物元;p0为待评价事物,v1,v2,…,vn分别为p0关于特征向量指标的实际数据。
为了便于数据对比分析,对指标进行无量纲化处理和归一化处理。指标分为两类:越大越优型指标和越小越优型指标。这两类指标的处理方式为:
式(5)为越小越优型指标归一化处理方式;式(6)为越大越优型指标归一化处理方式。
在步骤S5中,建立评价关联函数并确定关联度:
基于物元理论中的关联函数计算各评价指标对于各个待评价等级的关联度,具体如公式(7)所示:
其中,hij(vi)即为第i个指标关于第j个评价等级的关联函数值;ρ(vi,dji)表示第i个指标与其对应经典域的距;ρ(vi,dpi)则表示第i个指标与其对应节域的距。ρ(vi,dji),ρ(vi,dpi)具体计算方式如公式(8)所示:
在步骤S6中,对各指标进行确定权重:
本发明基于不同层次对各指标进行第一权重赋值;根据各特征指标向量的熵值变量确定对应指标的第二权重赋值,对所述第一权重赋值、第二权重赋值进行加权平均,获得各指标的组合权重。
本发明采用AHP-熵权法的组合赋权方法对各指标权重进行赋权。层次分析法(Analytics Hierarchy Process,AHP)是一种层次权重决策分析方法,按目标、准则和方案等层次将与决策有关的元素进行分解。在形成重要度关系矩阵的过程中,存在专家的主观判断,得出的权重主观性较强。而熵权法则是基于原有评价数据,从信息熵的角度对指标进行赋权,主要考虑了指标原始数据的信息度,熵值越大信息也就相对重要,因此,本文中采用改进熵权法对指标进行客观赋权,并最终通过组合赋权形成最终指标权重。本部分主要对熵权法及组合赋权过程进行阐述,具体如下:
其中,h为待对比方案序数,i为指标个数,L为待对比方案数;vmax,vmin分别表示统一指标下不同方案指标的平均值,最大值和最小值。Hi即为对应指标ci的熵值变量。进而可以得出对应指标的权重,如公式(10)所示:
其中,wi H即为熵权法得出的评价指标ci的权重。通过层次分析法得出的主观权重与熵权法得出的权重进行加权平均,可得出指标ci的组合权重,如公式(11)所示:
wi=Hiwi A+(1-Hi)wi H (11)
其中,wi,wi A和wi H分别表示指标ci的组合权重,得出的主观权重和熵权法得出的客观权重;利用指标熵值作为加权系数,能够让组合权重更加客观有效。
在步骤S7中,基于最大隶属度原则,根据所述加权后的关联度,确定待评价物元的具体评价等级。
将各评价指标与不同评价等级的关联度进行加权,得出对于第m个待评价的加权关联度,可表示为:
根据最大隶属度原则,最终可得出待评价物元R0的具体评价等级,即:
其中,m0即为待评价物元R0所在的等级水平;此外,根据物元-可拓模型还可得出评价等级的变量特征值,如公式(14)所示:
其中,j*即为待评价物元的变量特征值,可以表示待评价物元偏向相邻等级的程度,可以用于待评价物元发展变化趋势分析。
本发明还提供一种用于大数据模式的分析系统,该系统包括:物元构建模块,用于根据大数据模式的不同方面构建物元R;所述物元包括不同事物N,每个事物N对应n个特征指标向量c,每个特征指标向量c对应量值v;经典域确定模块,用于基于所述物元R的待评价等级、待评价等级对应的事物、n个特征指标向量、每个特征指标向量对应量值v确定经典域矩阵;节域矩阵确定模块,用于基于评价等级的全集,确定节域矩阵;归一化处理模块,用于对各个特征指标进行归一化处理;关联度计算模块,用于基于各个指标与对应的经典域、节域的距计算各个特征指标向量对于评价等级的关联度;根据各特征指标向量的熵值变量确定对应指标的权重;赋权模块,用于根据所述权重对各个特征指标向量对于评价等级的关联度进行加权,确定大数据模式的评价等级。
下面具体说明一种利用熵权物元可拓模型对非绑定式商业模式的分析评价过程,目的是选出更适应于当前能源大数据发展的模式。
能源大数据评价等级分为“优”、“良”、“中”、“差”、“劣”5个等级,等级之间界值为90、80、70、60,专家根据指标实际打分,分值范围0~100,分值越高,指标越优。指标属于越大越优型指标,其归一化处理方式参照式(8),得出如表2所示等级划分。
表2商业模式等级划分
等级 | 优 | 良 | 中 | 差 | 劣 |
区间 | [100,90) | [90,80) | [80,70) | [70,60) | [60,0) |
归一化 | [0,0.1) | [0.1,0.2) | [0.2,0.3) | [0.3,0.4) | [0.4,1) |
由熵权物元可拓模型中关联度和权重计算公式可得评价指标的关联度和权重。并利用式(9)-式(11),计算得出能源大数据商业模式二级指标权重,如表3所示。可以看出,wA1=0.3、wA2=0.25、wA3=0.15、wA4=0.15、wA5=0.15,商业价值权重最大,对商业模式的评价起着主导作用。
表3能源大数据商业模式评分值
下面,以非绑定式商业模式为例进行评价,运用式(7)-式(8)求解得出免费商业模式各一级、二级指标关联度如表4所示。由式(12)可得能源大数据商业模式评价关联度为:Kp=(0.3499,-0.36545,-0.7679,-0.65825,-0.2742)。由式(15)可以得到j*=3.487,非绑定式商业模式等级为“中”等级,在“中”和“差”之间偏向于“中”等级。
表4免费式商业模式各指标关联度
已知的商业模式还有多边平台式商业模式、开放式商业模式、长尾式商业模式,按照上述对非绑定式商业模式进行分析评价的方法,可依次对这些商业模式进行等级评价,过程不再赘述,最后得出各类能源大数据商业模式等级评价结果如下:
商业模式 | 等级 |
免费式商业模式 | 优,偏优 |
多边平台式商业模式 | 优,偏良 |
开放式商业模式 | 良,偏良 |
长尾式商业模式 | 良,偏良 |
非绑定式商业模式 | 中,偏中 |
可以发现,免费式商业模式、多边平台式商业模式相较于其余商业模式对能源大数据的推广和盈利有着更好的促进作用,均为“优”等级,免费平台偏“优”,较多边平台更适应与现行的能源的大数据商业模式。
本申请提供的技术方案,至少具有如下技术效果或优点:对于商业模式、大数据模式中各个阶段的对象与各类因素加以整合,建立基于过程维和对象维的模式评价过程,从而对于在构建好物元的情况下,能够清晰地哪个模式更优。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
类似地,应当理解,为了精简本发明并帮助理解各个发明方面中的一个或多个,在上面对本发明的示例性实施例的描述中,本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而,并不应将该公开的方法解释成反映如下意图:即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说,如下面的权利要求书所反映的那样,发明方面在于少于前面公开的单个实施例的所有特征。因此,遵循具体实施方式的权利要求书由此明确地并入该具体实施方式,其中每个权利要求本身都作为本发明的单独实施例。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制,并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。
Claims (7)
1.一种用于大数据模式的分析方法,其特征在于,该方法包括:根据大数据模式的不同方面构建物元R;所述物元包括不同事物N,每个事物N对应n个特征指标向量c,每个特征指标向量对应量值v;基于所述物元R的待评价等级、待评价等级对应的事物、n个特征指标向量、每个特征指标向量对应量值v确定经典域矩阵;基于评价等级的全集,确定节域矩阵;对各个特征指标进行归一化处理;基于各个指标与对应的经典域、节域的距计算各个特征指标向量对于评价等级的关联度;根据各特征指标向量的熵值变量确定对应指标的权重;根据所述权重对各个特征指标向量对于评价等级的关联度进行加权,确定大数据模式的评价等级。
2.根据权利要求1所述的分析方法,其特征还在于,基于待评价等级、对应所述待评价等级的特征指标向量、所述特征指标向量的量值范围构建经典域矩阵。
3.根据权利要求1所述的分析方法,其特征还在于,基于评价等级的全集,所述全集涉及到的特征指标向量、全集中特征指标向量的量值范围构建节点域矩阵。
4.根据权利要求1所述的分析方法,其特征还在于,该方法包括:基于不同层次对各指标进行第一权重赋值;根据各特征指标向量的熵值变量确定对应指标的第二权重赋值,对所述第一权重赋值、第二权重赋值进行加权平均,获得各指标的组合权重。
5.根据权利要求1所述的分析方法,其特征还在于,基于最大隶属度原则,根据所述加权后的关联度,确定待评价物元所属的等级。
6.根据权利要求1所述的分析方法,其特征还在于,该方法还包括:基于物元可拓模型获取待评价物元的变量特征值,即待评价物元偏向相邻等级的程度。
7.一种用于大数据模式的分析系统,其特征在于,该系统包括:物元构建模块,用于根据大数据模式的不同方面构建物元R;所述物元包括不同事物N,每个事物N对应n个特征指标向量c,每个特征指标向量c对应量值v;经典域确定模块,用于基于所述物元R的待评价等级、待评价等级对应的事物、n个特征指标向量、每个特征指标向量对应量值v确定经典域矩阵;节域矩阵确定模块,用于基于评价等级的全集,确定节域矩阵;归一化处理模块,用于对各个特征指标进行归一化处理;关联度计算模块,用于基于各个指标与对应的经典域、节域的距计算各个特征指标向量对于评价等级的关联度;赋权模块,用于根据各特征指标向量的熵值变量确定对应指标的权重;等级确定模块,用于根据所述权重对各个特征指标向量对于评价等级的关联度进行加权,确定大数据模式的评价等级。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110647958.XA CN113256148A (zh) | 2021-06-10 | 2021-06-10 | 一种用于大数据模式的分析方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110647958.XA CN113256148A (zh) | 2021-06-10 | 2021-06-10 | 一种用于大数据模式的分析方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113256148A true CN113256148A (zh) | 2021-08-13 |
Family
ID=77187426
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110647958.XA Pending CN113256148A (zh) | 2021-06-10 | 2021-06-10 | 一种用于大数据模式的分析方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113256148A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114862285A (zh) * | 2022-07-06 | 2022-08-05 | 中国长江三峡集团有限公司 | 生态流量的评价方法和装置、电子设备和存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107330590A (zh) * | 2017-06-19 | 2017-11-07 | 华北电力大学 | 一种基于熵值法和物元可拓法的核电站安全运行评价方法 |
CN109377093A (zh) * | 2018-11-22 | 2019-02-22 | 国网湖南省电力有限公司 | 配电网项目投资效益评价方法 |
CN110135759A (zh) * | 2019-05-24 | 2019-08-16 | 贵州大学 | 一种基于熵权物元可拓模型的煤矿安全评价方法 |
CN110598968A (zh) * | 2019-06-18 | 2019-12-20 | 国网安徽省电力有限公司滁州供电公司 | 一种基于改进物元可拓模型的电网投资效益评价方法 |
CN110659814A (zh) * | 2019-09-12 | 2020-01-07 | 国网山东省电力公司寿光市供电公司 | 一种基于熵权法电网作业风险评价方法及系统 |
US20200081898A1 (en) * | 2017-11-22 | 2020-03-12 | Beijing Kedong Power Control System Co Ltd | A Method for Constructing Electricity Transaction Index System Based on Big Data Technology |
CN111738601A (zh) * | 2020-06-23 | 2020-10-02 | 吉林建筑大学 | 一种基于熵权物元可拓模型的城市应急能力评估方法 |
-
2021
- 2021-06-10 CN CN202110647958.XA patent/CN113256148A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107330590A (zh) * | 2017-06-19 | 2017-11-07 | 华北电力大学 | 一种基于熵值法和物元可拓法的核电站安全运行评价方法 |
US20200081898A1 (en) * | 2017-11-22 | 2020-03-12 | Beijing Kedong Power Control System Co Ltd | A Method for Constructing Electricity Transaction Index System Based on Big Data Technology |
CN109377093A (zh) * | 2018-11-22 | 2019-02-22 | 国网湖南省电力有限公司 | 配电网项目投资效益评价方法 |
CN110135759A (zh) * | 2019-05-24 | 2019-08-16 | 贵州大学 | 一种基于熵权物元可拓模型的煤矿安全评价方法 |
CN110598968A (zh) * | 2019-06-18 | 2019-12-20 | 国网安徽省电力有限公司滁州供电公司 | 一种基于改进物元可拓模型的电网投资效益评价方法 |
CN110659814A (zh) * | 2019-09-12 | 2020-01-07 | 国网山东省电力公司寿光市供电公司 | 一种基于熵权法电网作业风险评价方法及系统 |
CN111738601A (zh) * | 2020-06-23 | 2020-10-02 | 吉林建筑大学 | 一种基于熵权物元可拓模型的城市应急能力评估方法 |
Non-Patent Citations (1)
Title |
---|
张令伟: "《高校艺术学学科竞争力系统分析与评价研究》", 30 June 2018 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114862285A (zh) * | 2022-07-06 | 2022-08-05 | 中国长江三峡集团有限公司 | 生态流量的评价方法和装置、电子设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111428147B (zh) | 结合社交和兴趣信息的异源图卷积网络的社交推荐方法 | |
CN107885778B (zh) | 一种基于动态临近点谱聚类的个性化推荐方法 | |
CN102508907A (zh) | 一种基于训练集优化的推荐系统的动态推荐方法 | |
CN113537728A (zh) | 一种基于产业园区招商智能推荐系统及推荐方法 | |
CN111339478B (zh) | 基于改进模糊层次分析法的气象数据质量评估方法 | |
CN113256148A (zh) | 一种用于大数据模式的分析方法和系统 | |
CN105117820B (zh) | 一种基于dea-ahp的粮食储藏绿色度评价方法 | |
CN115221402A (zh) | 基于自编码器的美食个性化推荐方法及系统 | |
CN110910528A (zh) | 纸页抗张强度的预测方法及装置 | |
KR101585384B1 (ko) | 고객의 요구사항을 반영한 제품의 형상 설계 방법 및 시스템 | |
CN112818544B (zh) | 计及终端差异化可靠性需求的配电网可靠性评估方法 | |
CN109272397A (zh) | 一种基于层次分析的个人评分方法 | |
CN115018247A (zh) | 基于模糊层次分析和改进加权组合的输变电工程评估方法 | |
CN114707784A (zh) | 一种基于组合赋权法的权重确定方法及系统 | |
CN112667969A (zh) | 一种车辆商品性评分计算方法 | |
CN110503291A (zh) | 基本公共文化服务均等化综合评估系统及评估方法 | |
Kolak et al. | Sustainability Performance Evaluation of Transportation Networks Using MCDM Analysis | |
Alatriste-Contreras et al. | Strategic sectors and the diffusion of the effect of a shock in Mexico for 2008 and 2012 | |
CN111967578B (zh) | 基于非补偿决策机制的深度推荐系统框架的构建方法 | |
CN117035837B (zh) | 一种电力用户购电需求预测及零售合同定制方法 | |
Agustin et al. | On the Weights for Characteristics and Comparables for Property Valuation using Quality Rating Valuation Estimation | |
CN113297496B (zh) | 一种基于改进用户相似度的协同过滤推荐算法 | |
CN111859301B (zh) | 基于改进Apriori算法和贝叶斯网络推理的数据可靠性评价方法 | |
CN105005738A (zh) | 一种多属性决策的信息安全效用提升方法 | |
CN113095667A (zh) | 一种道路交通安全隐患改善评价方法及系统 |
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 |
Application publication date: 20210813 |
|
RJ01 | Rejection of invention patent application after publication |