CN113379227A - 产业园区数据处理方法、装置、计算机设备及存储介质 - Google Patents
产业园区数据处理方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN113379227A CN113379227A CN202110635740.2A CN202110635740A CN113379227A CN 113379227 A CN113379227 A CN 113379227A CN 202110635740 A CN202110635740 A CN 202110635740A CN 113379227 A CN113379227 A CN 113379227A
- Authority
- CN
- China
- Prior art keywords
- park
- data
- decision
- recommendation
- campus
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 31
- 238000003860 storage Methods 0.000 title claims abstract description 16
- 238000012545 processing Methods 0.000 claims abstract description 42
- 238000000034 method Methods 0.000 claims abstract description 32
- 230000007115 recruitment Effects 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 16
- 238000010801 machine learning Methods 0.000 claims description 15
- 230000006399 behavior Effects 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 4
- 230000003993 interaction Effects 0.000 claims description 4
- 238000013439 planning Methods 0.000 description 14
- 238000011161 development Methods 0.000 description 11
- 238000004458 analytical method Methods 0.000 description 9
- 238000010276 construction Methods 0.000 description 9
- 238000012216 screening Methods 0.000 description 9
- 238000007726 management method Methods 0.000 description 8
- 238000004140 cleaning Methods 0.000 description 7
- 230000002776 aggregation Effects 0.000 description 5
- 238000004220 aggregation Methods 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 5
- 238000012163 sequencing technique Methods 0.000 description 5
- 238000011144 upstream manufacturing Methods 0.000 description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 5
- 238000013480 data collection Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 230000005611 electricity Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000009776 industrial production Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000004888 barrier function Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000000556 factor analysis Methods 0.000 description 1
- 238000011534 incubation Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000029305 taxis Effects 0.000 description 1
- 238000012384 transportation and delivery Methods 0.000 description 1
- 238000013024 troubleshooting Methods 0.000 description 1
- 239000002699 waste material Substances 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
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
-
- 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
- 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
- G06Q10/10—Office automation; Time management
- G06Q10/103—Workflow collaboration or project management
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Operations Research (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- General Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种产业园区数据处理方法、装置、计算机设备及存储介质。所述方法包括：获取产业园区的数据，形成数据集；在所述数据集中获取与预设园区决策推荐维度对应的输入数据；将所述园区决策推荐维度对应的输入数据输入至所述园区决策推荐维度对应的模型，得到所述对应的模型输出的园区决策推荐结果。本申请实施例可以降低产业园区数据处理的人工成本，提高产业园区数据处理的效率。
Description
技术领域
本发明实施例涉及数据处理领域，尤其涉及一种产业园区数据处理方法、装置、计算机设备及存储介质。
背景技术
产业园区作为产业聚集的载体，既是区域经济发展、产业调整升级的空间承载形式，又是社会经济发展水平的衡量标志，它肩负着聚集创新资源、培育新兴产业和推动城市化建设等重要使命。
通常，产业园区采用人工方式进行运营，主要为企业提供物业服务和政务服务等。
在上述方法中，产业园区运营以人力运营方式为主，运营方式和内容均由人工决策，效率低，并且主观性强。
发明内容
本发明实施例提供一种产业园区数据处理方法、装置、计算机设备及存储介质，可以降低产业园区数据处理的人工成本，提高产业园区数据处理的效率。
第一方面，本申请实施例提供了一种产业园区数据处理方法，所述方法包括：
获取产业园区的数据，形成数据集；
在所述数据集中获取与预设园区决策推荐维度对应的输入数据；
将所述园区决策推荐维度对应的输入数据输入至所述园区决策推荐维度对应的模型，得到所述对应的模型输出的园区决策推荐结果。
第二方面，本申请实施例还提供了一种产业园区数据处理装置，所述装置包括：
数据集获取模块，用于获取产业园区的数据，形成数据集；
输入数据获取模块，用于在所述数据集中获取与预设园区决策推荐维度对应的输入数据；
园区决策推荐结果确定模块，用于将所述园区决策推荐维度对应的输入数据输入至所述园区决策推荐维度对应的模型，得到所述对应的模型输出的园区决策推荐结果。
第三方面，本申请实施例提供了一种计算机设备，包括：
一个或多个处理器；
存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本申请任意实施例所述的产业园区数据处理方法。
第四方面，本申请实施例提供了一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现本申请任意实施例所述的产业园区数据处理方法。
本申请实施例提出了产业园区数据处理方法、装置、计算机设备及存储介质。通过形成数据集，可以对产业园区的数据进行统计处理，并将从数据集中得到的输入数据输入对应模型得到决策推荐结果，降低产业园区数据处理的人工成本，提高产业园区数据处理的效率，使决策更加精准、高效和智能化。
附图说明
图1为本申请实施例提供的一种产业园区数据处理方法流程图；
图2为本申请实施例提供的一种产业园区数据处理方法流程图；
图3为本申请实施例提供的一种产业园区数据处理方法流程图；
图4为本申请实施例提供的一种产业园区数据处理方法流程图；
图5为本申请实施例提供的一种产业园区数据处理方法流程图；
图6为本申请实施例提供的一种产业园区数据处理装置结构示意图；
图7为本申请实施例提供的一种计算机设备的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本申请，而非对本申请的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本申请相关的部分而非全部结构。
实施例一
图1是本发明实施例一提供的一种产业园区数据处理方法流程图，本实施例可适用于对产业园区数据进行处理，以辅助用户进行园区决策的情况，该方法可以由产业园区数据处理装置来执行，该装置可以由软件和/或硬件的方式实现，一般可集成在计算机设备中。具体包括以下步骤：
步骤110、获取产业园区的数据，形成数据集。
产业园区的数据用于为产业园区的决策推荐结果提供数据支撑，产业园区的数据可以是与产业园区决策推荐关联的参数，例如，可以包括产业园区的用户行为数据、产业园区的管理运营数据、网络中实时社会数据和产业园区的企业数据等中的至少一项数据。丰富的数据可以为数据处理提供更全面的判断依据，使数据处理结果更加准确。数据集用于精简产业园区的数据，并进行归类，以减少产业园区的数据的计算量和复杂度，可以是对产业园区的数据进行处理得到的数据集合。
具体的，获取产业园区的数据，包括下述至少一项：通过产业园区中的人机交互设备采集所述产业园区中用户的行为数据；获取产业园区的管理运营数据；采集网络中实时社会数据；和获取所述产业园区的企业数据。示例性的，产业园区中用户行为数据，具体的可以是位置数据、路线轨迹和其他行为习惯数据等；产业园区的企业数据，具体的可以是档案库数据、人才库数据、经济库数据和产业库数据等；产业园区的管理运营数据，具体的可以是规划数据、招商数据、项目建设数据和管理数据等；网络中实时社会数据，具体的可以是舆情数据、社会热点数据和经济态势数据等。对于上述数据的获取可以通过以下方式：对接产业园区内各类人机交互设备，示例性的，人机交互设备可以是，人脸识别摄像头、门禁、闸机、考勤机和其它物联网设备；统计产业园区信息化系统或材料；采取先进的数据采集工具收集网页信息，示例性的，数据采集工具可以为网络爬虫；采集产业园区的企业数据，示例性的，可以为统计企业报表。
步骤120、在所述数据集中获取与预设园区决策推荐维度对应的输入数据。
预设园区决策推荐维度用于表示园区发展全生命周期中的不同阶段需要决策内容，具体的，园区决策推荐维度包括下述至少一项：园区选址维度、园区布局规划维度、园区招商企业筛选维度、招商吸引力维度、企业服务需求维度、运营盈利点预测维度和安全管控维度。输入数据用于为预设园区决策推荐维度提供决策数据依据，可以是影响预设园区决策推荐维度的多个不同方面的数据，例如，园区选址维度对应的输入数据可以包含可选土地资源信息、产业生产资料供应商位置信息和环境影响评价等，具体的可以对应不同的园区决策推荐维度预先设置输入数据的内容类型，并根据输入数据的内容，进行针对性采集。这样输入数据更加具有针对性和综合性，为数据处理提供全面且具有针对性的数据支撑，对数据处理更有价值，数据处理结果更高效和精确。
步骤130、将所述园区决策推荐维度对应的输入数据输入至所述园区决策推荐维度对应的模型，得到所述对应的模型输出的园区决策推荐结果。
园区决策推荐维度对应的模型用于对园区决策推荐维度对应的输入数据进行处理，得到园区决策推荐维度对应的园区决策推荐结果。园区决策推荐维度对应的模型可以是预先训练的机器学习模型。园区决策推荐维度对应的模型的训练样本包括园区决策推荐维度对应的至少一个输入数据，和人工确定的园区决策推荐结果。示例性的，模型包括卷积神经网络模型。园区决策推荐结果用于为对应的园区决策推荐维度提供推荐内容、推荐内容排序和最佳推荐内容等，例如园区选址维度中对不同选址地址的推荐指数，其中推荐指数表示推荐程度，示例性的，可以为取值在0-2之间的数值，数值越大推荐程度越高。通过模型对数据进行处理降可以低产业园区数据处理的人工成本，提高产业园区数据处理的效率。
园区决策推荐维度对应的模型为针对不同园区决策推荐维度训练的不同模型，对于不同的园区决策推荐维度，将输入数据输入到相应的模型中，模型输出园区决策推荐结果。
示例性的，园区决策推荐维度对应的模型，具体可以为，选址模型，为园区选址提供决策建议；布局规划模型，为园区科学合理布局提供决策建议；招商企业筛选模型，从众多企业中筛选适合入驻的企业；招商吸引力系数模型，评价园区优势对企业吸引力情况；企业服务需求预测模型，感知众多企业服务需求，提出综合建议；和运营服务盈利点预测模型，分析盈利机会点，提出综合建议。建立园区发展全生命周期模型，通过智能数据分析，为园区的投资选址、规划定位、产业设计、建设施工、招商推广和运营服务等各阶段提供综合情况、发展趋势和风险与机会等运营支撑。
园区决策推荐结果，具体可以为，决策辅助、盈利点推荐、发展趋势、统计报表和方向选择手段改进等。围绕园区产业集聚、人才集聚、经济合作、办公办事和生活出行等各类场景发现服务需求及服务优化提升方法，为园区企业提供全方位的服务。
示例性的：将园区选址维度对应的输入数据，输入至选址模型中，得到推荐指数的排序结果；其中园区选址维度对应的输入数据包括可选土地资源信息(如，地形和土地利用资源类型等)、产业生产资料供应商位置信息、生产配套环境信息(如水电气供应和排污及废物处理)、环境影响评价(生产企业对环境的污染影响)、物流企业位置信息及交通运输便利程度和人才及人力资源信息(如就业形势和生活宜居指数)等。
将园区布局规划维度对应的输入数据，输入至布局规划模型中，得到企业选址推荐系数的排序结果；其中园区布局规划维度对应的输入数据包括建筑设计标准(如建筑物按用途和构造的分类分级；各类(级)建筑物的允许使用负荷、建筑面积、高度和层数的限制等；防火和疏散，有关建筑构造的要求等)、道路交通规划、市政管网规划、公共服务及功能区规划、产业上下游关联紧密度、招商企业数量预估、特殊企业需求(如取水和排污等)、企业员工规模和企业厂房用地需求等。
将园区招商企业筛选维度对应的输入数据，输入至招商企业筛选模型中，得到招商企业意愿系数和各招商企业意愿系数的排序结果；其中，园区招商企业筛选维度对应的输入数据包括政府区位定位与企业发展定位的匹配程度、产业链上下游匹配度和地域依赖度和环境影响评价(生产企业对环境的污染影响)等。
将招商吸引力维度对应的输入数据，输入至招商吸引力系数模型中，得到吸引力指数及排序结果；其中，招商吸引力维度对应的输入数据包括房租减免政策、税收减免政策、扶持资金政策、关税贸易政策、生产资料采购便利程度对比、合作伙伴和/或商圈便利程度对比、投资环境和/或资金吸引力对比、人才吸引力对比和物流吸引力对比等。
将企业服务需求维度对应的输入数据，输入至企业服务需求预测模型中，得到需求强烈系数(包括公共服务需求、投融资及资金需求、办公设施需求、人才需求、生活服务及电商服务需求、办事指南推送需求和物业服务需求等)；其中，企业服务需求维度对应的输入数据包括企业经营信息(营收、纳税和资产等)、人才信息(职称、学历、专业和履历等)、办事信息(工商税务办理、补贴扶持申请、专利申请转让和物业房租水电缴纳等)、办公资产信息(会议室和办公耗材等)、生活信息(食堂、用餐人数和各年龄段社区电商消费者群体人数等)和实时优惠补贴政策等。
将运营盈利点预测维度对应的输入数据，输入至运营服务盈利点预测模型中，得到盈利点发现及盈利能力排序(生活服务盈利、税收盈利、补贴盈利、交易撮合佣金盈利和投资盈利等)；其中，运营盈利点预测维度对应的输入数据包括企业纳税信息、企业补贴信息、企业交易往来信息、企业投融资需求及记录信息、办公资产信息(会议室和办公耗材等)和生活信息(食堂、用餐人数和各年龄段社区电商消费者群体人数等)等。
将安全管控维度对应的输入数据，输入至安全管控模型中，得到安全防控点及排序(如重点防控区域和人员；趋势预测；隐患告警)；其中，安全管控维度对应的输入数据包括施工安全信息(施工进度、灾害评估、噪声污染、扬尘、地下管网和规划红线等)、周界安全信息(周界告警信息、排查结果信息和处置工单信息)、视频监控信息(重点区域和重点人员监控信息、告警信息和违规信息)、人员通行信息(门禁、考勤、卡口人脸抓拍和重点防控人员轨迹信息等)、车辆通行信息(停车场道闸、红灯路口和园区出入口车行信息，具体包括，车辆号牌信息、停放信息和违规信息等)、巡更(巡更路线信息和告警信息)、环境监测信息(气象部门发布的及园区监测设备采集的空气、水质和土壤等信息)、能耗信息(园区管委会及企业用水、用电和用气信息)和资产信息(园区公共服务设施、管委会及企业贵重资产实时监控信息，灭失及报废信息)等。
建立园区发展全生命周期模型，通过智能数据分析，为园区的投资选址、规划定位、产业设计、建设施工、招商推广和运营服务等各阶段提供综合情况、发展趋势和风险与机会等运营支撑。同时通过数据智能处理模型建立用户画像和运营主题，实现机会点及风险点主动发现，提供态势分析及辅助决策推荐，让运营更有针对性、更有效率。
本申请实施例提出的产业园区数据处理方法，通过获取园区数据集，并将从数据集中得到的输入数据输入与预设园区决策推荐维度对应的模型得到决策推荐结果，降低产业园区数据处理的人工成本，提高产业园区数据处理的效率，同时使决策更加精准、高效和智能。
实施例二
图2是本发明实施例二提供的一种产业园区数据处理方法流程图。本实施例技术方案是上述技术方案进一步优化与扩展，并可以与上述各个可选实施方式进行结合，具体的，将形成数据集，具体化为：对所述产业园区的数据进行分类；对每类进行数据清洗，形成至少两个类型的数据集，所述类型包括下述至少两项：园区产业类型、园区招商类型、园区企业类型和园区运营类型。该方法包括：
步骤210、获取产业园区的数据。
步骤220、对所述产业园区的数据进行分类。
运营人员使用智能数据技术或系统，通过互联网数据采集、园区运行数据采集和运营人员填报等多种方式收集数据。为了使数据处理更有针对性和更高效，针对园区决策推荐维度中的不同影响因素对数据进行分类，示例性的，园区选址维度中，数据分类包括，土地资源信息、产业生产资料供应商位置信息、生产配套环境信息、环境影响评价、物流企业位置信息及交通运输便利程度和人才及人力资源等。
步骤230、对每类进行数据清洗，形成至少两个类型的数据集，所述类型包括下述至少两项：园区产业类型、园区招商类型、园区企业类型和园区运营类型。
其中，数据清洗包括去冗余数据、去冲突数据和丢弃不完整数据。具体的，去除冗余数据主要是去除多余和重复的数据。具体的，去冲突数据是当两个数据矛盾、不同或相反时去除其中一个，按照以公信力、权威的数据为准、以主字段为准和不同的应用需要等去除冲突数据，示例性的，被执行人以法院为准；婚姻信息以民政局为准等。具体的，丢弃不完整数据即对于不完整的数据直接丢弃。数据清洗去除无效和干扰数据有利于数据分类的进行，同时可以为数据处理提供更有价值的数据，形成不同类型的数据集可以使数据更有针对性，使数据处理更加精确和高效。
园区产业类型数据为从事某类行业的各类企业特征数据，具体的可以包括，产业链和上下游的企业等；园区招商类型数据为可以判断对招商企业引力的信息数据，具体的可以包括，与前述产业链关联的企业的基本信息、经营状况和政策等；园区企业类型数据为企业本身以及运营数据，具体的可以包括，企业的人才库、基本信息、偏好、交易的上下游信息和经营状况；园区运营类型数据为运营轨迹和运营活动等数据，具体的可以包括，每项服务上的盈利、例如税收、公共服务、房租和社区生活(超市)等方面的盈利。为了数据可以覆盖多种服务场景，数据类型至少包含上述四种类型中的两种。这样通过智能算法对数据处理后，可以围绕园区产业集聚、人才集聚、经济合作、办公办事和生活出行等各类场景发现服务需求及服务优化提升方法，为园区企业提供全方位的服务。
步骤240、在所述数据集中获取与预设园区决策推荐维度对应的输入数据。
步骤250、将所述园区决策推荐维度对应的输入数据输入至所述园区决策推荐维度对应的模型，得到所述对应的模型输出的园区决策推荐结果。
本申请实施例提出的数据集形成方法，将各维度数据收集后，通过分类、清洗后按主题归类，清洗可以减少无效和干扰数据，可以使后期数据处理模型训练更加高效和精确，打好数据智能基础；针对不同应用场景对数据归类，使数据更加具有针对性，可以提高数据处理效率。
实施例三
图3是本申请实施例三提供的一种产业园区数据处理方法流程图。本实施例技术方案是上述技术方案进一步优化与扩展，并可以与上述各个可选实施方式进行结合。具体的将在所述数据集中获取与预设园区决策推荐维度对应的输入数据具体化为：在预先配置的多个园区决策推荐维度中，获取与所述数据集对应的园区决策推荐维度；获取与所述数据集对应的园区决策推荐维度包括的影响因子；在所述数据集中，查询在与各所述影响因子对应的数据，确定为输入数据。该方法可以包括以下步骤：
步骤310、获取产业园区的数据，形成数据集。
步骤320、在预先配置的多个园区决策推荐维度中，获取与所述数据集对应的园区决策推荐维度。
数据集中包含多个类型的数据，获取与数据集对应的园区决策推荐维度。示例性的，园区产业类型数据库中包含园区选址维度和园区布局规划维度；园区招商类型数据库包含园区招商吸引力维度和园区招商企业筛选维度；园区企业类型数据库包含企业服务需求维度；园区运营类型数据库包含运营维度和安全管控维度。
步骤330、获取与所述数据集对应的园区决策推荐维度包括的影响因子。
影响因子用于表示园区决策推荐维度中不同影响因素，是园区决策推荐维度下细化的数据分类类型，可以预先设定园区决策推荐维度中包含的影响因子。园区决策推荐维度中包含多个影响因子，在确定了园区决策推荐维度后，需要进一步获取园区决策推荐维度中具体包含的影响因子。
步骤340、在所述数据集中，查询在与各所述影响因子对应的数据，确定为输入数据。
在获取园区决策推荐维度中具体包含的多个影响因子后，在数据集中获取各所述影响因子对应的数据即为输入数据。
步骤350、将所述园区决策推荐维度对应的输入数据输入至所述园区决策推荐维度对应的模型，得到所述对应的模型输出的园区决策推荐结果。
本申请实施例提出的输入数据确定方法，通过获取园区决策推荐维度，进一步获取园区决策推荐维度包括的影响因子对应数据确定为输入数据，使数据具有综合性和针对性，为模型的训练提供良好的数据样本支撑，对园区决策推荐维度进行细分，增加输入数据的多样性，从而提高园区决策推荐结果的准确率。
实施例四
图4是本申请实施例四提供的一种产业园区数据处理方法流程图。本实施例技术方案是上述技术方案进一步优化与扩展，并可以与上述各个可选实施方式进行结合。具体的在得到所述对应的模型输出的园区决策推荐结果之后，还包括：获取关联的至少两个园区决策推荐维度；对关联的各所述园区决策推荐维度下的园区决策推荐结果进行统计，得到所述产业园区的推荐决策信息。该方法可以包括以下步骤：
步骤410、获取产业园区的数据，形成数据集。
步骤420、在所述数据集中获取与预设园区决策推荐维度对应的输入数据。
步骤430、将所述园区决策推荐维度对应的输入数据输入至所述园区决策推荐维度对应的模型，得到所述对应的模型输出的园区决策推荐结果。
其中，在所述园区决策推荐维度对应的模型之前，还包括：
获取样本数据，所述样本数据包括所述园区决策推荐维度包括的目标影响因子对应的数据，和目标园区决策推荐结果；采用所述样本数据对机器学习模型进行训练；在所述机器学习模型训练完成时，将当前机器学习模型确定为所述园区决策推荐维度对应的模型。
机器学习模型的训练是一个模型自身在试错中调整参数的过程。训练样本包括所述园区决策推荐维度包括的目标影响因子对应的数据，和目标园区决策推荐结果，即目标影响因子对应的数据作为输入数据，目标园区决策推荐结果作为输出数据，目标园区决策推荐结果为人为设定的对应于目标影响因子对应的数据的最佳输出数据。采用所述样本数据对机器学习模型进行训练，即将园区决策推荐维度包括的目标影响因子对应的数据输入到模型中，如果模型对数据处理后输出的目标园区决策推荐结果在预设的在一定的数值区间内，则训练完成，将当前机器学习模型确定为所述园区决策推荐维度对应的模型；如果模型对数据处理后输出的目标园区决策推荐结果和样本数据中的预设值不在预设的数值区域内，则模型会对其参数进行调整，然后重新对样本数据进行处理，直到模型输出值在预设数值区间内，完成训练过程。
通过采用训练机器学习模型作为园区决策推荐维度对应的模型，可以提高园区决策推荐维度对应的园区决策推荐结果的检测准确率，同时针对不同园区决策推荐维度分别配置机器学习模型，可以精准实现获取不同园区决策推荐维度对应的园区决策推荐结果，可以增加园区决策推荐维度的范围，以及对应每个园区决策推荐维度实现精准推荐。
步骤440、获取关联的至少两个园区决策推荐维度。
关联的两个园区决策推荐维度可以是预先配置的，在步骤430中利用智能算法生成运营全场景分析模型，这些园区决策推荐维度并不是孤立的，而是相互关联的，在不同场景数字化运营中至少要关联两个园区决策推荐维度。示例性的，在招商场景中，可以关联园区招商企业筛选维度和招商吸引力维度，共同提供决策推荐结果，使决策推荐结果根据有全局性。
步骤450、对关联的各所述园区决策推荐维度下的园区决策推荐结果进行统计，得到所述产业园区的推荐决策信息。
可选的，所述对关联的各所述园区决策推荐维度下的园区决策推荐结果进行统计，得到所述产业园区的推荐决策信息，包括：获取关联的各所述园区决策推荐维度下各所述推荐内容对应的园区决策推荐分数及其权重，将各推荐内容对应的园区决策推荐分数与其权重相乘并进行求和运算得到决策推荐分数，园区决策推荐结果包括推荐内容和对应的园区决策推荐分数；根据统计结果，选择分数最高的推荐内容，确定为所述产业园区的推荐决策信息。
园区决策推荐分数为园区决策推荐维度对应模型的输出结果中相应结果的数值。权重为预先设定的，用于表示其在相关联的园区决策推荐维度中占得比重。通过合理的分配不同园区决策推荐维度在推荐决策信息中占得权重，能够使得最终的推荐结果更加合理，更加贴合实际，从而提高推荐结果的准确性。
本申请实施例提出的产业园区数据处理方法，通过在园区决策推荐维度对应模型输出的园区决策推荐结果之后，关联相应的园区决策推荐维度，并赋予不同的园区决策推荐维度相应的权重，加权求和得到最后的推荐决策信息，使得决策信息的得到更加具有综合性和合理性，更加贴合实际需求，从而提高推荐结果的准确性。
实施例五
图5是本申请实施例五提供的一种产业园区数据处理方法流程图。本实施例技术方案是上述技术方案在具体场景中的应用。
运营人员使用智能数据技术或系统，通过互联网数据采集、园区运行数据采集、运营人员填报等多种方式收集数据，对数据进行加工、清洗和整理，利用智能算法生成运营全场景分析模型，建立用户画像，生成产业、招商、企业服务和运营服务等全生命周期数据库，利用智能数据技术驱动各场景实现数字化运营。建立用户画像和运营主题，通过数据智能实现机会点及风险点主动发现，提供态势分析及辅助决策推荐，让运营更有针对性、更有效率。
示例性的，在规划场景中，对当地政策导向及资源、人才和物流等综合因素分析，为产业园选址提供智能决策建议；根据产业特征和产业规模分析，为用地规划提供决策依据；实时呈现施工进度信息及施工安全隐患排查等信息，实现建设施工科学管理。
示例性的，在招商场景中，根据既定的产业，分析上下游关联行业和企业；筛选目标企业群体；对比招商政策吸引力，锁定重点招商企业；综合分析各企业决策者特质，优选最佳信息推送渠道或招商方式，对目标企业进行精准招商。
示例性的，在服务场景中，梳理优惠、扶持和补贴政策，与企业进行精准匹配，为符合条件的企业提供“一对一”精准办事指南，并提供代办及其它政务办事帮办服务；整合人才招聘就业信息、投融资供需信息和财经参考信息，根据企业实际需求进行精准推送，帮助企业办公和经营；对企业办公人群年龄结构和消费偏好，以及物业维修记录等信息，为企业及员工提供精心生活配套及物业服务；同时，主动发现服务需求，在全园区进行线路引导及其它公共服务设施和广告设施等精准投放。围绕园区产业集聚、人才集聚、经济合作、办公办事、生活出行等各类场景发现服务需求及服务优化提升方法，为园区企业提供全方位的服务。
示例性的，在运营场景中，建立多盈利点分析模型，多角度提升园区收益能力。精细化监管企业属地化纳税进程，主动申报政策性补贴优惠，从税收分成和补贴返点获取相应收益；根据物业空置率及市场行情波动等信息调控地块及物业租售策略，提高资产运营收益；根据产业链及产品供需情况和专利转移及应用情况，通过交易撮合和专利转让等方式获取佣金收入；洞察产业风口机会，分析产业发展形势，对高成长企业进行重点孵化获取收益，为入股或投资高潜力企业做出辅助性决策支撑。充分利用数据智能提高服务深度和广度，从税收、租金、广告、投资入股、交易佣金、政策补贴等方面发现商机，既有效提高园区收益，又全面提高园区企业服务能力和满意度。
本申请实施例中以4个主要场景为例，详细介绍数据处理方法的应用。采取先进的智能数据处理技术，全方位汇集数据，建立全生命周期、多服务场景和多盈利点智能分析模型，以数字化手段面向园区管理者、企业和员工进行精准运营，支持产业园区经营内容中的众多盈利点挖掘和应用，既能扩大盈利面，又增加盈利值，从而有效提升园区盈利能力和价值。
实施例六
图6为本发明实施例六提供的一种产业园区数据处理装置结构示意图，实施例六是实现本发明上述实施例提供的产业园区数据处理方法的相应装置，该装置可采用软件和/或硬件的方式实现，并一般可集成计算机设备中。产业园区数据处理装置包括：
数据集获取模块510，用于获取产业园区的数据，形成数据集；
输入数据获取模块520，用于在所述数据集中获取与预设园区决策推荐维度对应的输入数据；
园区决策推荐结果确定模块530，用于将所述园区决策推荐维度对应的输入数据输入至所述园区决策推荐维度对应的模型，得到所述对应的模型输出的园区决策推荐结果。
本实施例的技术方案，通过大量数据的智能运算分析，应用于运营方向及运营内容选择的辅助决策、供需匹配的辅助决策、行为兴趣预测和发展趋势预测等，并向目标用户精准推送，降低产业园区数据处理的人工成本，提高产业园区数据处理的效率，使决策更加精准、高效和智能化，可有效提高运营效率和客户满意度。
可选的，产业园区数据处理装置，还包括：
样本数据获取模块，用于获取样本数据，所述样本数据包括所述园区决策推荐维度包括的目标影响因子对应的数据，和目标园区决策推荐结果；
模型训练模块，用于采用所述样本数据对机器学习模型进行训练；
模型确定模块，用于在所述机器学习模型训练完成时，将当前机器学习模型确定为所述园区决策推荐维度对应的模型。
进一步的，产业园区数据处理装置，还包括：
关联获取模块，用于获取关联的至少两个园区决策推荐维度；
推荐决策统计模块，用于对关联的各所述园区决策推荐维度下的园区决策推荐结果进行统计，得到所述产业园区的推荐决策信息。
进一步的，数据集获取模块包括：
数据分类单元，用于对所述产业园区的数据进行分类；
数据清洗单元，用于对每类进行数据清洗，形成至少两个类型的数据集，所述类型包括下述至少两项：园区产业类型、园区招商类型、园区企业类型和园区运营类型。
进一步的，输入数据获取模块包括：
推荐维度获取单元，用于在预先配置的多个园区决策推荐维度中，获取与所述数据集对应的园区决策推荐维度；
影响因子获取单元，用于获取与所述数据集对应的园区决策推荐维度包括的影响因子；
输入确定单元，用于在所述数据集中，查询在与各所述影响因子对应的数据，确定为输入数据。
进一步的，推荐决策统计模块包括：
推荐分数统计单元，用于获取关联的各所述园区决策推荐维度下各所述推荐内容对应的园区决策推荐分数，并对各所述推荐内容对应的园区决策推荐分数进行统计，所述园区决策推荐结果包括推荐内容和对应的园区决策推荐分数；
推荐决策确定单元，用于根据统计结果，选择分数最高的推荐内容，确定为所述产业园区的推荐决策信息。
上述装置可执行本发明实施例所提供的产业园区数据处理法，具备执行产业园区数据处理方法相应的功能模块和有益效果。
实施例七
图7为本发明实施例七提供的一种计算机设备的结构示意图，如图7所示，该设备包括处理器610、存储器620、输入装置630、输出装置640；设备中处理器610的数量可以是一个或多个，图6中以一个处理器610为例；设备中的处理器610、存储器620、输入装置630和输出装置640可以通过总线或其他方式连接，图7中以通过总线连接为例。
存储器620作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中的产业园区数据处理方法对应的程序指令/模块(例如，产业园区数据处理装置中的数据集获取模块510、输入数据获取模块520和园区决策推荐结果确定模块530)。处理器610通过运行存储在存储器620中的软件程序、指令以及模块，从而执行设备的各种功能应用以及数据处理，即实现上述的产业园区数据处理方法。
存储器620可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端的使用所创建的数据等。此外，存储器620可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器620可进一步包括相对于处理器610远程设置的存储器，这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置630可用于接收输入的数字或字符信息，以及产生与设备的用户设置以及功能控制有关的键信号输入。输出装置640可包括显示屏等显示设备。
实施例八
本发明实施例八还提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行一种产业园区数据处理方法，该方法包括：
获取产业园区的数据，形成数据集；
在所述数据集中获取与预设园区决策推荐维度对应的输入数据；
将所述园区决策推荐维度对应的输入数据输入至所述园区决策推荐维度对应的模型，得到所述对应的模型输出的园区决策推荐结果。
当然,本发明实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上所述的方法操作,还可以执行本发明任意实施例所提供的产业园区数据处理方法中的相关操作。
通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
值得注意的是，上述搜索装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种产业园区数据处理方法，其特征在于，包括：
获取产业园区的数据，形成数据集；
在所述数据集中获取与预设园区决策推荐维度对应的输入数据；
将所述园区决策推荐维度对应的输入数据输入至所述园区决策推荐维度对应的模型，得到所述对应的模型输出的园区决策推荐结果。
2.根据权利要求1所述的方法，其特征在于，所述形成数据集，包括：
对所述产业园区的数据进行分类；
对每类进行数据清洗，形成至少两个类型的数据集，所述类型包括下述至少两项：园区产业类型、园区招商类型、园区企业类型和园区运营类型。
3.根据权利要求1或2任一项所述的方法，其特征在于，所述在所述数据集中获取与预设园区决策推荐维度对应的输入数据，包括：
在预先配置的多个园区决策推荐维度中，获取与所述数据集对应的园区决策推荐维度；
获取与所述数据集对应的园区决策推荐维度包括的影响因子；
在所述数据集中，查询在与各所述影响因子对应的数据，确定为输入数据。
4.根据权利要求1所述的方法，其特征在于，在得到所述对应的模型输出的园区决策推荐结果之后，还包括：
获取关联的至少两个园区决策推荐维度；
对关联的各所述园区决策推荐维度下的园区决策推荐结果进行统计，得到所述产业园区的推荐决策信息。
5.根据权利要求4所述的方法，其特征在于，所述对关联的各所述园区决策推荐维度下的园区决策推荐结果进行统计，得到所述产业园区的推荐决策信息，包括：
获取关联的各所述园区决策推荐维度下各所述推荐内容对应的园区决策推荐分数，并对各所述推荐内容对应的园区决策推荐分数进行统计，所述园区决策推荐结果包括推荐内容和对应的园区决策推荐分数；
根据统计结果，选择分数最高的推荐内容，确定为所述产业园区的推荐决策信息。
6.根据权利要求1所述的方法，其特征在于，所述获取产业园区的数据，包括下述至少一项：
通过产业园区中的人机交互设备采集所述产业园区中用户的行为数据；
获取所述产业园区的管理运营数据；
采集网络中实时社会数据；和
获取所述产业园区的企业数据。
7.根据权利要求1所述的方法，其特征在于，在所述园区决策推荐维度对应的模型之前，还包括：
获取样本数据，所述样本数据包括所述园区决策推荐维度包括的目标影响因子对应的数据，和目标园区决策推荐结果；
采用所述样本数据对机器学习模型进行训练；
在所述机器学习模型训练完成时，将当前机器学习模型确定为所述园区决策推荐维度对应的模型。
8.一种产业园区数据处理装置，其特征在于，包括：
数据集获取模块，用于获取产业园区的数据，形成数据集；
输入数据获取模块，用于在所述数据集中获取与预设园区决策推荐维度对应的输入数据；
园区决策推荐结果确定模块，用于将所述园区决策推荐维度对应的输入数据输入至所述园区决策推荐维度对应的模型，得到所述对应的模型输出的园区决策推荐结果。
9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7中任一所述的产业园区数据处理方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一所述的产业园区数据处理方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110635740.2A CN113379227A (zh) | 2021-06-08 | 2021-06-08 | 产业园区数据处理方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110635740.2A CN113379227A (zh) | 2021-06-08 | 2021-06-08 | 产业园区数据处理方法、装置、计算机设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113379227A true CN113379227A (zh) | 2021-09-10 |
Family
ID=77576407
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110635740.2A Pending CN113379227A (zh) | 2021-06-08 | 2021-06-08 | 产业园区数据处理方法、装置、计算机设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113379227A (zh) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114219168A (zh) * | 2021-12-22 | 2022-03-22 | 中冶赛迪工程技术股份有限公司 | 一种基于多模型和大数据的物流园自动选址系统及方法 |
| CN114357308A (zh) * | 2021-09-17 | 2022-04-15 | 北京能科瑞元数字技术有限公司 | 一种基于推荐的制造企业供需对接方法及装置 |
| CN114549229A (zh) * | 2021-12-29 | 2022-05-27 | 广东飞企互联科技股份有限公司 | 一种园区用安全智慧监测管理系统及方法 |
| CN115034695A (zh) * | 2022-08-12 | 2022-09-09 | 吉林大学 | 基于大数据的制造业在孵企业生产经营状况实时监控方法 |
| CN115952427A (zh) * | 2023-03-14 | 2023-04-11 | 山东美航天天能源技术有限公司 | 一种产业园数字化运营管理方法及系统 |
| CN116303406A (zh) * | 2023-05-16 | 2023-06-23 | 河北中废通网络技术有限公司 | 废旧物数据的清洗方法、装置、电子设备及存储介质 |
| CN116383511A (zh) * | 2023-05-29 | 2023-07-04 | 四川邕合科技有限公司 | 基于产业链分析的园区招商推荐方法、系统、终端及介质 |
| CN117474645A (zh) * | 2023-11-14 | 2024-01-30 | 深圳市伙伴行网络科技有限公司 | 一种智能楼宇招商管理系统 |
| CN117575370A (zh) * | 2024-01-16 | 2024-02-20 | 浙江省发展规划研究院 | 基于园区物质流的项目推荐方法和装置 |
| TWI844140B (zh) * | 2022-10-17 | 2024-06-01 | 淡江大學學校財團法人淡江大學 | 開店地址選擇系統及店家詞向量模型之訓練方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20020133384A1 (en) * | 2001-03-16 | 2002-09-19 | Dimitruk Paul Arthur | Decision making and implementation system |
| CN104331779A (zh) * | 2014-11-21 | 2015-02-04 | 苏州天地微易智能科技有限公司 | 一种开发区建设项目管理系统及方法 |
| CN108921702A (zh) * | 2018-06-04 | 2018-11-30 | 北京至信普林科技有限公司 | 基于大数据的园区招商方法及装置 |
| CN109583796A (zh) * | 2019-01-08 | 2019-04-05 | 河南省灵山信息科技有限公司 | 一种用于物流园区运营分析的数据挖掘系统及方法 |
| CN110913023A (zh) * | 2019-12-27 | 2020-03-24 | 深圳云谷星辰信息技术有限公司 | 一种面向产业园区的大数据管理平台 |
-
2021
- 2021-06-08 CN CN202110635740.2A patent/CN113379227A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20020133384A1 (en) * | 2001-03-16 | 2002-09-19 | Dimitruk Paul Arthur | Decision making and implementation system |
| CN104331779A (zh) * | 2014-11-21 | 2015-02-04 | 苏州天地微易智能科技有限公司 | 一种开发区建设项目管理系统及方法 |
| CN108921702A (zh) * | 2018-06-04 | 2018-11-30 | 北京至信普林科技有限公司 | 基于大数据的园区招商方法及装置 |
| CN109583796A (zh) * | 2019-01-08 | 2019-04-05 | 河南省灵山信息科技有限公司 | 一种用于物流园区运营分析的数据挖掘系统及方法 |
| CN110913023A (zh) * | 2019-12-27 | 2020-03-24 | 深圳云谷星辰信息技术有限公司 | 一种面向产业园区的大数据管理平台 |
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114357308A (zh) * | 2021-09-17 | 2022-04-15 | 北京能科瑞元数字技术有限公司 | 一种基于推荐的制造企业供需对接方法及装置 |
| CN114219168A (zh) * | 2021-12-22 | 2022-03-22 | 中冶赛迪工程技术股份有限公司 | 一种基于多模型和大数据的物流园自动选址系统及方法 |
| CN114549229A (zh) * | 2021-12-29 | 2022-05-27 | 广东飞企互联科技股份有限公司 | 一种园区用安全智慧监测管理系统及方法 |
| CN114549229B (zh) * | 2021-12-29 | 2023-07-28 | 广东飞企互联科技股份有限公司 | 一种园区用安全智慧监测管理系统及方法 |
| CN115034695A (zh) * | 2022-08-12 | 2022-09-09 | 吉林大学 | 基于大数据的制造业在孵企业生产经营状况实时监控方法 |
| CN115034695B (zh) * | 2022-08-12 | 2022-11-11 | 吉林大学 | 基于大数据的制造业在孵企业生产经营状况实时监控方法 |
| TWI844140B (zh) * | 2022-10-17 | 2024-06-01 | 淡江大學學校財團法人淡江大學 | 開店地址選擇系統及店家詞向量模型之訓練方法 |
| CN115952427A (zh) * | 2023-03-14 | 2023-04-11 | 山东美航天天能源技术有限公司 | 一种产业园数字化运营管理方法及系统 |
| CN115952427B (zh) * | 2023-03-14 | 2023-05-30 | 山东美航天天能源技术有限公司 | 一种产业园数字化运营管理方法及系统 |
| CN116303406A (zh) * | 2023-05-16 | 2023-06-23 | 河北中废通网络技术有限公司 | 废旧物数据的清洗方法、装置、电子设备及存储介质 |
| CN116303406B (zh) * | 2023-05-16 | 2023-08-04 | 河北中废通网络技术有限公司 | 废旧物数据的清洗方法、装置、电子设备及存储介质 |
| CN116383511A (zh) * | 2023-05-29 | 2023-07-04 | 四川邕合科技有限公司 | 基于产业链分析的园区招商推荐方法、系统、终端及介质 |
| CN116383511B (zh) * | 2023-05-29 | 2023-08-04 | 四川邕合科技有限公司 | 基于产业链分析的园区招商推荐方法、系统、终端及介质 |
| CN117474645A (zh) * | 2023-11-14 | 2024-01-30 | 深圳市伙伴行网络科技有限公司 | 一种智能楼宇招商管理系统 |
| CN117575370A (zh) * | 2024-01-16 | 2024-02-20 | 浙江省发展规划研究院 | 基于园区物质流的项目推荐方法和装置 |
| CN117575370B (zh) * | 2024-01-16 | 2024-04-12 | 浙江省发展规划研究院 | 基于园区物质流的项目推荐方法和装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113379227A (zh) | 产业园区数据处理方法、装置、计算机设备及存储介质 | |
| Tekouabou | Intelligent management of bike sharing in smart cities using machine learning and Internet of Things | |
| CN109345339B (zh) | 电力行业垂直产业链一体化交易服务系统 | |
| CN116823578A (zh) | 基于大数据分析的智能城市规划系统和方法 | |
| Athawale et al. | Decision making for facility location selection using PROMETHEE II method | |
| CN110175788A (zh) | 一种智慧城市能源云平台 | |
| Akbari et al. | Building a rough sets-based prediction model for classifying large-scale construction projects based on sustainable success index | |
| KR102373276B1 (ko) | 빅데이터 기반의 공공 시설물의 입지 선정 장치 및 방법 | |
| CN112101732B (zh) | 一种基于gep指标体系的企业生态效率评价方法 | |
| CN106203938A (zh) | 一种基于云计算的园区智能服务平台 | |
| Bottero et al. | Decision support systems for evaluating urban regeneration | |
| Kijewska et al. | Analysis of data needs and having for the integrated urban freight transport management system | |
| KR101330519B1 (ko) | 도심재생 종합 사업관리 시스템 | |
| Li et al. | Land valuation systems using GIS technology case of Matara urban council area, Sri Lanka | |
| Ozdogan et al. | Performance evaluation of municipal services with fuzzy multi-criteria decision making approaches: a case study from Turkey | |
| Suryawan et al. | Two Meta-heuristic Algorithms for Solving Multi-objective Model for the Service Quality and Price in the Digital Supply Chain | |
| Perrini et al. | Stakeholder orientation and corporate reputation: A quantitative study on US companies | |
| De Lombaerde et al. | Quantitative monitoring and comparison of regional integration processes: Steps toward good practise | |
| Coelho et al. | Using SSM for structuring decision support in urban energy planning | |
| Bazan-Krzywoszanska et al. | The use of urban indicators in forecasting a real estate value with the use of deep neural network | |
| Rivai et al. | Assessment of social sustainability performance for residential building | |
| Mukim | Geography and exporting behavior: evidence from India | |
| Velumani et al. | A mass appraisal assessment study of land values using spatial analysis and multiple regression analysis model (MRA) | |
| Wang et al. | Case study of “project controlling” on a large HOPSCA project in China | |
| Vahabzadeh Najafi et al. | Green ports assessment model regarding uncertainty by best-worst and hesitant fuzzy VIKOR methods: Iranian ports |
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: 20210910 |
|
| RJ01 | Rejection of invention patent application after publication |