CN114722094A - 一种基于kano-g1的供应链业务多源异构数据融合方法 - Google Patents

一种基于kano-g1的供应链业务多源异构数据融合方法 Download PDF

Info

Publication number
CN114722094A
CN114722094A CN202210311767.0A CN202210311767A CN114722094A CN 114722094 A CN114722094 A CN 114722094A CN 202210311767 A CN202210311767 A CN 202210311767A CN 114722094 A CN114722094 A CN 114722094A
Authority
CN
China
Prior art keywords
data
indexes
index
kano
source
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
Application number
CN202210311767.0A
Other languages
English (en)
Inventor
许晓鹄
张越然
牛占文
郭伟
王磊
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.)
Tianjin University
Original Assignee
Tianjin University
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 Tianjin University filed Critical Tianjin University
Priority to CN202210311767.0A priority Critical patent/CN114722094A/zh
Publication of CN114722094A publication Critical patent/CN114722094A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2462—Approximate or statistical queries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2431—Multiple classes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Accounting & Taxation (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Fuzzy Systems (AREA)
  • Game Theory and Decision Science (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种基于KANO‑G1的供应链业务多源异构数据融合方法，用于融合和集成多源异构数据，包括：1)整理需求数据，归纳数据指标，得到源数据集；2)根据不同的数据类别，选取对应的三角模糊数计算数据对决策的支持度值；3)确定指标权重wi；4)计算融合数据值。

Description

一种基于KANO-G1的供应链业务多源异构数据融合方法
技术领域
本发明涉及一种多源异构数据融合方法，具体是指一种基于KANO-G1的多源异构数据融合方法。
背景技术
数据融合本质上是对来自多方数据的协同处理，以达到减少冗余、综合互补和捕捉协同信息的目的，该技术已成为数据处理、目标识别、态势评估以及智能决策等领域的研究热点。数据的表示方式除了数值外，还存在着语言或符号等其他描述形式，多种描述导致了数据信息在结构和语义上的模糊性、差异性和异构性。决策过程需要综合考虑多方面的异构数据信息，并通过对数据信息的融合处理来制定最终决策。目前，在基于统计方法的数据融合研究中，大多使用层析分析法和G1分析法进行指标权重的分配。层次分析法既要构造判断矩阵又需要进行一致性检验，使得权重分配过程计算量大且复杂。G1分析法是根据两两指标相对重要性来分配权重，计算量与层次分析法相比成倍减少，但是指标的相对重要性是根据专家打分结果确定的，具有主观性。
发明内容
本发明提供一种基于KANO-G1的多源异构数据融合方法，通过该方法可以更客观更准确更快速地融合多源异构数据，完成多源异构数据的组合和统一表达。本发明解决上述技术问题所采用的技术方案为：
一种基于KANO-G1的多源异构数据融合方法，用于融合和集成多源异构数据，其特征在于：步骤如下：
1)整理需求数据，归纳数据指标，收集每种指标对应的数据，对采集到的数据进行清洗，剔除其中的异常数据和冗余数据，得到源数据集，分别对每个源数据集进行数据筛选、特征提取和统计操作；
2)根据不同的数据类别，选取对应的三角模糊数计算数据对决策的支持度值Sij＝(aij，bij，cij)，其中Sij为第i数据源对第j决策目标的支持度，(aij，bij，cij)为支持度的三角模糊数表示，且：0≤aij≤bij≤cij≤1；
3)确定指标权重wi，方法为：
第1步：对指标数据库模块中的指标进行问卷调查，根据KANO模型进行指标分类；
第2步：根据KANO模型分类的结果对基本需求指标、期望型需求指标和兴奋型需求指标分别赋予0.4、0.2、0.1的类别权重w0；
第3步：结合G1分析法，对于同一类别的需求指标按照问卷调查分数结果进行重要度递增排序，记评价指标集为U{u1,u2,…,um}，并将排序后相邻两指标的得分相除，得到相对重要度
Figure BDA0003568655980000021
Figure BDA0003568655980000022
计算类中指标权重
Figure BDA0003568655980000023
第4步：计算指标权重
Figure BDA0003568655980000024
4)计算融合数据值：
Figure BDA0003568655980000025
与现有技术相比，本发明的优点在于：本发明基于KANO-G1的多源异构数据融合方法，与传统的多源异构数据融合方法相比，由于采用了KANO-G1分析法，比使用层次分析法计算更简单快速，不需要构造判断矩阵和一致性检验且对同一层次中指标的个数没有限制，比单纯使用G1分析法更加客观且计算量更小效率更高，KANO-G1分析法是分类别处理数据的方法更适合处理多指标数据。
附图说明
图1为本发明涉及的基于KANO-G1的多源异构数据融合方法的实现流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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他实施例，都属于本发明保护的范围。
本发明建立了KANO-G1多源异构数据融合模型，包括指标数据库模块、支持度计算模块、KANO-G1权重分配模块以及异构数据融合计算模块，所述的指标数据库模块用于指标选取和指标数据收集和处理，实现对指标数据的集成、消除数据的异构型和差异性；所述的决策支持度计算模块用于计算各数据源对决策的支持度值；所述的KANO-G1权重分配模块用于分配多源异构数据指标权重，包括指标分类模块和权重分配模块，其中所述指标分类模块基于所述用户问卷调查的数据结果把指标分类；所述的权重分配模块基于指标分类结果分配指标权重。；所述异构数据融合计算模块用于计算最终的融合数据值。
本发明按以下步骤具体实现：
第一步，收集整理需求数据，归纳出需求数据指标。
针对智慧家居场景产品系统分别收集用户认知体验、市场竞品和用户反馈信息，基于基于扎根理论方法和KJ法对需求进行分类归纳，基于相关性分析和KANO模型对需求进行筛选和剔除，归纳需求指标。
举例来说，设指标归纳选取的指标为认知负荷、响应及时、愉悦度、操作时间、动作负荷、完成效果、恰当引导、布局合理、形式多样、视野清晰、个性偏好。采用问卷调查的形式，获取用户对指标的需求度，基于KANO模型把指标分为反向需求指标、基本需求指标、期望型需求指标和兴奋型需求指标，其中视野清晰为反向需求指标，则剔除反向需求指标。基于用户对指标的需求度进行指标间的相关性分析，对相关性高于0.5的指标进行合并，合并认知负荷和动作负荷为负荷指标、合并响应及时和操作时间为完成时间。最终选取的评价指标为负荷、完成时间、完成效果、愉悦度、恰当引导、布局合理、形式多样、个性偏好。
第二步，收集每种指标对应的数据，对采集到的数据进行清洗，剔除掉其中的异常数据和冗余数据，分别对每个源数据集进行数据筛选、特征提取和统计操作。
举例说明，负荷数据采用脑电仪、眼动仪进行采集，完成时间数据用视频记录后人工采集，完成效果、愉悦度、恰当引导、布局合理、形式多样、个性偏好采用调查问卷或用户访谈形式获取。
第三步，根据不同的数据类别，选取对应的三角模糊数计算数据对决策的支持度值Sij＝(aij，bij，cij)。
Sij为第i数据源对第j决策目标的支持度，(aij，bij，cij)为支持度的三角模糊数表示，且：0≤aij≤bij≤cij≤1，即
①随机数据设：
Figure BDA0003568655980000031
Figure BDA0003568655980000032
②二值型数据
Figure BDA0003568655980000033
其中m,n分别为数据源中取1和0的个数；
③程度类数据
表1 程度类型数据的支持度
Figure BDA0003568655980000034
④词汇术语类数据
设词汇空间w包含n个术语，对词汇按对决策支持度从低到高排序为：w＝{w0，w1，…，wn-1}，则支持度定义为：
Figure BDA0003568655980000035
举例说明，选取的评价指标中负荷和完成时间为随机数据，愉悦度、恰当引导、布局合理、形式多样、个性偏好为程度类数据，完成效果为二值型数据。
设愉悦的七级评价为{非常愉悦，愉悦，有点愉悦，一般，有点不愉悦，不愉悦，非常不愉悦}，针对某智慧家居场景产品系统愉悦度评价结果为有点愉悦，查询表1则其支持度Sij＝(0.50，0.67，0.84)；完成效果为成功完成次数占总共次数的比例，针对某智慧家居场景产品系统完成效果评价结果为0.65，则其支持度Sij＝(0.65，0.65，0.65)；负荷和完成时间的支持度计算步骤如下：1.计算出负荷和完成时间数据的方差σ和均值μ；2.计算
Figure BDA0003568655980000041
3.把X0,X'入计算S(x)，得到对应的支持度。
Figure BDA0003568655980000042
根据不同的数据类别分别计算指标的支持度。
第四步，对指标数据库模块中的指标进行针对需求度的七级量表问卷调查，对问卷结果进行数据处理，根据KANO模型进行指标分类。
第五步，根据KANO模型分类的结果对基本需求指标、期望型需求指标和兴奋型需求指标分别赋予0.1、0.2、0.4的类别权重w0；
第六步，结合G1分析法，对于同一类别的需求指标按照问卷调查分数结果进行重要度递增排序，记评价指标集为U{u1,u2,…,um}，
Figure BDA0003568655980000043
并将排序后相邻两指标的得分相除，得到相对重要度
Figure BDA0003568655980000044
Figure BDA0003568655980000045
计算类中指标权重
Figure BDA0003568655980000046
举例说明，假设负荷、完成时间、愉悦度、恰当引导、个性偏好为兴奋型需求指标，重要度结果分别为5.5、5、6.8、6、6.5。根据问卷调查分数结果进行重要度递增排序：U{完成时间,负荷,恰当引导,个性偏好,愉悦度}。将排序后相邻两指标的得分相除，得到相对重要度r1＝1.1,r2＝1.09,r3＝1.08,r4＝1.04，则
Figure BDA0003568655980000047
第七步，计算指标权重
Figure BDA0003568655980000048
得到权重指标矩阵wi＝{w1,w2,...,wn}；
举例说明，w1＝0.4,w2＝0.44,w3＝0.48,w4＝0.52,w5＝0.54，W＝{0.4,0.44,0.48,0.52,0.54},同理计算出其他指标的权重。
第八步，计算融合数据值：
Figure BDA0003568655980000049

Claims (1)

1.一种基于KANO-G1的供应链业务多源异构数据融合方法，用于融合和集成多源异构数据，其特征在于：步骤如下：
1)整理需求数据，归纳数据指标，收集每种指标对应的数据，对采集到的数据进行清洗，剔除其中的异常数据和冗余数据，得到源数据集，分别对每个源数据集进行数据筛选、特征提取和统计操作；
2)根据不同的数据类别，选取对应的三角模糊数计算数据对决策的支持度值Sij＝(aij，bij，cij)，其中Sij为第i数据源对第j决策目标的支持度，(aij，bij，cij)为支持度的三角模糊数表示，且：0≤aij≤bij≤cij≤1；
3)确定指标权重wi，方法为：
第1步：对指标数据库模块中的指标进行问卷调查，根据KANO模型进行指标分类；
第2步：根据KANO模型分类的结果对基本需求指标、期望型需求指标和兴奋型需求指标分别赋予0.4、0.2、0.1的类别权重w0；
第3步：结合G1分析法，对于同一类别的需求指标按照问卷调查分数结果进行重要度递增排序，记评价指标集为U{u1,u2,…,um}，并将排序后相邻两指标的得分相除，得到相对重要度
Figure FDA0003568655970000011
计算类中指标权重
Figure FDA0003568655970000012
第4步：计算指标权重
Figure FDA0003568655970000013
4)计算融合数据值：
Figure FDA0003568655970000014
CN202210311767.0A 2022-03-28 2022-03-28 一种基于kano-g1的供应链业务多源异构数据融合方法 Pending CN114722094A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210311767.0A CN114722094A (zh) 2022-03-28 2022-03-28 一种基于kano-g1的供应链业务多源异构数据融合方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210311767.0A CN114722094A (zh) 2022-03-28 2022-03-28 一种基于kano-g1的供应链业务多源异构数据融合方法

Publications (1)

Publication Number Publication Date
CN114722094A true CN114722094A (zh) 2022-07-08

Family

ID=82240666

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210311767.0A Pending CN114722094A (zh) 2022-03-28 2022-03-28 一种基于kano-g1的供应链业务多源异构数据融合方法

Country Status (1)

Country Link
CN (1) CN114722094A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115270798A (zh) * 2022-09-23 2022-11-01 深圳市华云中盛科技股份有限公司 一种用于案件审理的辅助决策方法和装置

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107305653A (zh) * 2016-04-22 2017-10-31 中国农业大学 基于属性数学的低压配电台区综合评价方法及装置
CN108764685A (zh) * 2018-05-21 2018-11-06 北京交通大学 轨道交通列控系统的运营服务质量评价方法
CN109784731A (zh) * 2019-01-17 2019-05-21 上海三零卫士信息安全有限公司 一种民办教育机构信用评分系统及其构建方法
CN109919219A (zh) * 2019-03-01 2019-06-21 北京邮电大学 一种基于粒计算ML-kNN的Xgboost多视角画像构建方法
CN112199421A (zh) * 2020-12-04 2021-01-08 中国电力科学研究院有限公司 一种多源异构数据融合和量测数据多源互校验方法及系统
CN113051249A (zh) * 2021-03-22 2021-06-29 江苏杰瑞信息科技有限公司 一种基于多源异构大数据融合的云服务平台设计方法
CN113419492A (zh) * 2021-06-02 2021-09-21 安徽理工大学环境友好材料与职业健康研究院(芜湖) 基于多源异构传感器数据融合的NB-IoT的工业污染物监测系统
CN113568928A (zh) * 2021-07-27 2021-10-29 广东电网有限责任公司 一种应用于能源产业链预警系统的数据管理系统
CN113947281A (zh) * 2021-09-09 2022-01-18 西华大学 城市轨道交通装备制造业集群竞争力评价方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107305653A (zh) * 2016-04-22 2017-10-31 中国农业大学 基于属性数学的低压配电台区综合评价方法及装置
CN108764685A (zh) * 2018-05-21 2018-11-06 北京交通大学 轨道交通列控系统的运营服务质量评价方法
CN109784731A (zh) * 2019-01-17 2019-05-21 上海三零卫士信息安全有限公司 一种民办教育机构信用评分系统及其构建方法
CN109919219A (zh) * 2019-03-01 2019-06-21 北京邮电大学 一种基于粒计算ML-kNN的Xgboost多视角画像构建方法
CN112199421A (zh) * 2020-12-04 2021-01-08 中国电力科学研究院有限公司 一种多源异构数据融合和量测数据多源互校验方法及系统
CN113051249A (zh) * 2021-03-22 2021-06-29 江苏杰瑞信息科技有限公司 一种基于多源异构大数据融合的云服务平台设计方法
CN113419492A (zh) * 2021-06-02 2021-09-21 安徽理工大学环境友好材料与职业健康研究院(芜湖) 基于多源异构传感器数据融合的NB-IoT的工业污染物监测系统
CN113568928A (zh) * 2021-07-27 2021-10-29 广东电网有限责任公司 一种应用于能源产业链预警系统的数据管理系统
CN113947281A (zh) * 2021-09-09 2022-01-18 西华大学 城市轨道交通装备制造业集群竞争力评价方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115270798A (zh) * 2022-09-23 2022-11-01 深圳市华云中盛科技股份有限公司 一种用于案件审理的辅助决策方法和装置

Similar Documents

Publication Publication Date Title
CN110956273A (zh) 融合多种机器学习模型的征信评分方法及系统
Chou et al. Identifying prospective customers
CN101957913B (zh) 一种基于信息融合技术的指纹识别方法及装置
CN111340121A (zh) 目标特征的确定方法及装置
CN109636482B (zh) 基于相似度模型的数据处理方法及系统
CN111967971A (zh) 银行客户数据处理方法及装置
CN110532429B (zh) 一种基于聚类和关联规则的线上用户群体分类方法及装置
Asadi et al. Developing a course recommender by combining clustering and fuzzy association rules
CN116595328B (zh) 一种基于知识图谱的数据评分卡模型智能构建装置及方法
CN110443290A (zh) 一种基于大数据的产品竞争关系量化生成方法及装置
CN114722094A (zh) 一种基于kano-g1的供应链业务多源异构数据融合方法
CN111967927A (zh) 一种多准则计算满意度的商业采购方法
Lamba et al. A MCDM-based performance of classification algorithms in breast cancer prediction for imbalanced datasets
CN109992592B (zh) 基于校园消费卡流水数据的高校贫困生识别方法
CN116127360A (zh) 一种基于图像识别与topsis综合评价的驾驶风格分类方法
CN114997959A (zh) 一种电子智造产品营销推荐方法
Han Researches of detection of fraudulent financial statements based on data mining
US8725724B2 (en) Method for efficient association of multiple distributions
CN116128275A (zh) 一种事件推演预测系统
CN110297977B (zh) 一种面向众筹平台的个性化推荐单目标进化方法
Wotaifi et al. Modified random forest based graduates earning of higher education mining
CN111611455A (zh) 一种微博热点话题下基于用户情感行为特征的用户群体划分方法
CN110659362A (zh) 一种自动调节候选范围的推荐方法和系统
Ueno et al. Ranking clusters of postal codes to improve recruitment in the Canadian Armed Forces
KR102614106B1 (ko) 학습모델에 기초한 주가 변동 예측 장치

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