CN116628525A - 一种新能源汽车产业链供应链的空间特征提取方法及系统 - Google Patents
一种新能源汽车产业链供应链的空间特征提取方法及系统 Download PDFInfo
- Publication number
- CN116628525A CN116628525A CN202310651119.4A CN202310651119A CN116628525A CN 116628525 A CN116628525 A CN 116628525A CN 202310651119 A CN202310651119 A CN 202310651119A CN 116628525 A CN116628525 A CN 116628525A
- Authority
- CN
- China
- Prior art keywords
- new energy
- energy automobile
- spatial
- enterprise
- chain
- 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
- 238000000605 extraction Methods 0.000 title claims abstract description 33
- 238000000034 method Methods 0.000 claims abstract description 28
- 238000004458 analytical method Methods 0.000 claims abstract description 18
- 238000007405 data analysis Methods 0.000 claims abstract description 7
- 238000004519 manufacturing process Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 10
- 238000007621 cluster analysis Methods 0.000 claims description 6
- 238000009826 distribution Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000001502 supplementing effect Effects 0.000 claims description 3
- 238000012935 Averaging Methods 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 5
- 238000004220 aggregation Methods 0.000 description 3
- 230000002776 aggregation Effects 0.000 description 3
- 238000007689 inspection Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000032823 cell division Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
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
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- 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)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Remote Sensing (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开一种新能源汽车产业链供应链的空间特征提取方法及系统,属于产业链供应链领域。将研究区域划分为多个小区,对所述企业数据集聚类后再进行空间聚类分析,提取新能源汽车产业链供应链的空间特征。本发明从空间特征提取方法着手,借助计算机软件技术和大数据分析技术,以新能源产业为对象,进行实体化应用,实现了对产业链供应链空间特征指标提取,弥补了技术方法的空白。
Description
技术领域
本发明涉及产业链供应链领域,特别是涉及一种新能源汽车产业链供应链的空间特征提取方法及系统。
背景技术
产业链、供应链是生产空间的核心要素,维护产业链、供应链韧性和稳定是推动经济发展的重要保障。围绕产业链、供应链空间特性的研究,是为了更好地实现产业的空间布局,是从空间布局的视角来保障产业链供应链韧性与安全的重要手段。当前对产业链供应链空间特征的研究成果还未形成体系,空间特征指标及提取方法、空间布局及优化方法等技术方法还不成熟。
在对环境污染、能源安全的担忧背景下,新能源汽车得到越来越多的关注,新能源汽车产业得到高速发展。因此,如何在城市群都市圈空间内对新能源汽车的产业链和供应链进行布局,对新能源汽车产业的发展具有重要意义。
发明内容
本发明的目的是提供一种新能源汽车产业链供应链的空间特征提取方法及系统,可实现对新能源汽车产业链供应链的空间特征指标提取。
为实现上述目的,本发明提供了如下方案:
一种新能源汽车产业链供应链的空间特征提取方法,包括:
选定待研究区域,并在待研究区域内以镇街为单元划分为多个小区;
建立待研究区域内新能源汽车产业链供应链上的企业数据集;所述企业数据集包括企业的生产要素和企业所属小区;
根据企业数据集中多个生产要素对所述企业数据集进行聚类,获得聚类后的企业数据集;
对聚类后的企业数据集进行空间聚类分析,提取新能源汽车产业链供应链的空间特征。
可选地,所述建立待研究区域内新能源汽车产业链供应链上的企业数据集,具体包括:
根据新能源汽车产业链供应链上各环节要素检索待研究区域内的新能源汽车企业;
查询并提取待研究区域内的新能源汽车企业工商注册数据;
获取待研究区域内的新能源汽车企业的POI坐标;
将待研究区域内的新能源汽车企业工商注册数据和POI坐标一起构成新能源汽车企业POI数据集;
采取大数据分析方法,确定待研究区域内的新能源汽车企业注册地址的经纬度坐标和所属小区,并补入新能源汽车企业POI数据集,获得待研究区域内新能源汽车产业链供应链上的企业数据集。
可选地,所述对聚类后的企业数据集进行空间聚类分析,提取新能源汽车产业链供应链的空间特征,具体包括:
基于所述聚类后的企业数据集,依据预设的空间关系属性分别对每个小区和待研究区域进行空间自相关分析,获得每个小区和待研究区域的莫兰指数;其中,莫兰指数的计算公式为:式中,I为莫兰指数,N为空间单元的总数,xi、xj分别为要素i、要素j的数据,/>为所有数据的平均值,ωij为对角线为0的空间权重矩阵,W为权重矩阵所有要素之和,/>
根据所述莫兰指数,确定全域空间聚类特征;所述全域空间聚类特征包括聚类趋势、离散趋势和随机分布;
若全域空间聚类特征为离散趋势或随机分布时,则对所述聚类后的企业数据集进行聚类和异常值分析,获得局部空间聚类结果;
根据局部空间聚类结果和企业在产业链供应链链条上的节点位置,获得不同链节点之间的高可达性及低可达性空间特征;
将全域空间聚类特征和不同链节点之间的高可达性及低可达性空间特征一起构成新能源汽车产业链供应链的空间特征。
可选地,根据所述莫兰指数,确定全域空间聚类特征,具体包括:
若莫兰指数为正,则判定同一小区内或待研究区域的企业呈聚类趋势;
若莫兰指数为负,则判定同一小区内或待研究区域的企业呈离散趋势;
若莫兰指数为零,则判定同一小区内或待研究区域的企业呈随机分布。
可选地,所述局部空间聚类结果包括:高值聚类、低值聚类、高值由低值围绕的异常值以及低值由高值围绕的异常值。
一种新能源汽车产业链供应链的空间特征提取系统,包括:
小区划分模块,用于选定待研究区域,并在待研究区域内以镇街为单元划分为多个小区;
企业数据集建立模块,用于建立待研究区域内新能源汽车产业链供应链上的企业数据集;所述企业数据集包括企业的生产要素和企业所属小区;
聚类模块,用于根据企业数据集中多个生产要素对所述企业数据集进行聚类,获得聚类后的企业数据集;
空间特征提取模块,用于对聚类后的企业数据集进行空间聚类分析,提取新能源汽车产业链供应链的空间特征。
一种电子设备,包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如前述的新能源汽车产业链供应链的空间特征提取方法。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被执行时实现如前述的新能源汽车产业链供应链的空间特征提取方法。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明公开一种新能源汽车产业链供应链的空间特征提取方法及系统,将研究区域划分为多个小区,对所述企业数据集聚类后再进行空间聚类分析,提取新能源汽车产业链供应链的空间特征。本发明从空间特征提取方法着手,借助计算机软件技术和大数据分析技术,以新能源产业为对象,进行实体化应用,实现了对产业链供应链空间特征指标提取,弥补了技术方法的空白。
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性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种新能源汽车产业链供应链的空间特征提取方法的流程图;
图2为本发明实施例提供的小区划分示意图;
图3为本发明实施例提供的企业数据集建立过程示意图;
图4为本发明实施例提供的SPSSAU软件进行企业主要指标的聚类过程示意图;
图5为本发明实施例提供的ArcGIS软件进行空间聚类分析流程示意图。
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。
本发明的目的是提供一种新能源汽车产业链供应链的空间特征提取方法及系统,可实现对新能源汽车产业链供应链的空间特征指标提取。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示,本发明实施例提供了一种新能源汽车产业链供应链的空间特征提取方法,包括:
步骤1:选定待研究区域,并在待研究区域内以镇街为单元划分为多个小区。
参照图2,在区域边界线内将待研究区域划分为小区1、小区2、…、小区i、…、小区n。
步骤2:建立待研究区域内新能源汽车产业链供应链上的企业数据集;所述企业数据集包括企业的生产要素和企业所属小区。
根据新能源汽车产业链供应链上各环节要素检索企业数据,通过企业工商注册查询平台(天眼查或企查查等)查询并提取区域范围内的新能源汽车企业工商注册数据,再通过地图开放平台(百度地图或高德地图等),采取大数据分析方法,补充企业注册地址的经纬度坐标、所属小区等属性数据,形成产业链供应链的企业数据集,如图3所示。
企业数据集格式如表1所示,表1中的节点编号是指产业链供应链链条上的节点编号,代表着上中下游的关系。
表1企业汇总数据表
步骤3:根据企业数据集中多个生产要素对所述企业数据集进行聚类,获得聚类后的企业数据集。
采用SPSSAU软件对表1数据进行聚类分析,根据生产经营要素、注册资金、人员规模等要素进行聚类,分析流程如图4所示。
通过对产业链供应链企业的主要指标进行聚类分析,可以得到各链节点的企业数据集(聚类后的企业数据集)。
步骤4:对聚类后的企业数据集进行空间聚类分析,提取新能源汽车产业链供应链的空间特征。
采用ArcGIS软件,对各链节点的企业数据集进行空间聚类分析,提取空间特征,分析流程如图5所示。
①判断空间全局聚集特征:
Moran’s I(莫兰)指数是运用最为广泛的全局指数之一,它通常使用单一属性来反映研究区域中邻近地区是相似、相异还是相互独立,判断该属性值在空间上是否存在聚集特征,进而反应其均等化程度。优选地,单一属性为距离。
全局莫兰指数的计算公式为:
上式中,I为莫兰指数,N为空间单元的总数,xi、xj分别为要素i、要素j的数据,为所有数据的平均值,ωij为对角线为0的空间权重矩阵,W为权重矩阵所有要素之和,
在ArcGIS软件中,基于各链节点的企业数据集显示XY数据后,点击空间统计工具—分析模式—空间自相关(Moran I)进行软件操作。
在上述给定一组要素及相关属性的情况下,该工具评估所表达的模式是聚类模式、离散模式还是随机模式。
空间自相关的结果包括Moran’s I指数、z得分和p值。z得分和p值是统计显著性的量度,用来判断是否拒绝零假设。对于此工具,零假设表示与要素相关的值随机分布。
使用z得分和p值指示统计显著性时,如果Moran’s I指数值为正则指示聚类趋势,如果Moran’s I指数值为负则指示离散趋势,Moran’s I指数值为零则表示数据是随机分布的。
②判断空间局部聚集特征:
局部Moran’s I指数是指给定一组加权要素,使用Anselin Local Moran’s I统计量来识别具有统计显著性的热点、冷点和空间异常值。正值I表示要素具有包含同样高或同样低的属性值的邻近要素;该要素是聚类的一部分。负值I表示要素具有包含不同值的邻近要素;该要素是异常值。
局部莫兰指数的计算公式为:
上式中Ii为要素i的局部莫兰指数,xi是要素i的属性,n为要素的总数,是对应属性的平均值,ωi,j是要素i和j的空间权重。
在ArcGIS软件中,基于各链节点的企业数据集显示XY数据后,点击空间统计工具—分析模式—聚类和异常值分析(Anselin LocalMoranI)进行软件操作。
在上述给定一组要素及相关属性的情况下,该工具评估所表达的生成具有统计显著性的高值(HH)聚类、低值(LL)聚类、高值主要由低值围绕的异常值(HL)以及低值主要由高值围绕的异常值(LH),通过图可分析高可达性和低可达性空间相关关系。
根据空间聚类分析后,可以得到新能源汽车产业链供应链全域空间聚类特征,不同链节点之间的高可达性及低可达性空间特征,这些特征可以通过报表文件解释,通过导出空间关系图来表达。
本专发明的空间特征提取方法,包括以下关键内容:
(1)提取产业链供应链企业POI数据,采用大数据分析方法,根据生产要素进行分类。
(2)根据区位分布,对分类后的要素再进行空间聚类分析,提取空间特征指标。
本发明从空间特征提取方法着手,借助计算机软件技术和大数据分析技术,以新能源产业为对象,进行实体化应用,可以实现对产业链供应链空间特征指标提取,弥补技术方法的空白,为在城市群都市圈空间内对新能源汽车的产业链和供应链进行布局,提供了重要依据。
本发明实施例还提供了一种新能源汽车产业链供应链的空间特征提取系统,包括:
小区划分模块,用于选定待研究区域,并在待研究区域内以镇街为单元划分为多个小区;
企业数据集建立模块,用于建立待研究区域内新能源汽车产业链供应链上的企业数据集;所述企业数据集包括企业的生产要素和企业所属小区;
聚类模块,用于根据企业数据集中多个生产要素对所述企业数据集进行聚类,获得聚类后的企业数据集;
空间特征提取模块,用于对聚类后的企业数据集进行空间聚类分析,提取新能源汽车产业链供应链的空间特征。
本发明实施例提供的新能源汽车产业链供应链的空间特征提取系统与上述实施例所述的新能源汽车产业链供应链的空间特征提取方法,其工作原理和有益效果类似,故此处不再详述,具体内容可参见上述方法实施例的介绍。
本发明还提供一种电子设备,包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如前述的新能源汽车产业链供应链的空间特征提取方法。
此外,上述的存储器中的计算机程序通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。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或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,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方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器、随机存取存储器、磁碟或者光盘等各种可以存储程序代码的介质。
进一步地,本发明还提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被执行时实现如前述的新能源汽车产业链供应链的空间特征提取方法。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种新能源汽车产业链供应链的空间特征提取方法,其特征在于,包括:
选定待研究区域,并在待研究区域内以镇街为单元划分为多个小区;
建立待研究区域内新能源汽车产业链供应链上的企业数据集;所述企业数据集包括企业的生产要素和企业所属小区;
根据企业数据集中多个生产要素对所述企业数据集进行聚类,获得聚类后的企业数据集;
对聚类后的企业数据集进行空间聚类分析,提取新能源汽车产业链供应链的空间特征。
2.根据权利要求1所述的新能源汽车产业链供应链的空间特征提取方法,其特征在于,所述建立待研究区域内新能源汽车产业链供应链上的企业数据集,具体包括:
根据新能源汽车产业链供应链上各环节要素检索待研究区域内的新能源汽车企业;
查询并提取待研究区域内的新能源汽车企业工商注册数据;
获取待研究区域内的新能源汽车企业的POI坐标;
将待研究区域内的新能源汽车企业工商注册数据和POI坐标一起构成新能源汽车企业POI数据集;
采取大数据分析方法,确定待研究区域内的新能源汽车企业注册地址的经纬度坐标和所属小区,并补入新能源汽车企业POI数据集,获得待研究区域内新能源汽车产业链供应链上的企业数据集。
3.根据权利要求1所述的新能源汽车产业链供应链的空间特征提取方法,其特征在于,所述对聚类后的企业数据集进行空间聚类分析,提取新能源汽车产业链供应链的空间特征,具体包括:
基于所述聚类后的企业数据集,依据预设的空间关系属性分别对每个小区和待研究区域进行空间自相关分析,获得每个小区和待研究区域的莫兰指数;其中,莫兰指数的计算公式为:式中,I为莫兰指数,N为空间单元的总数,xi、xj分别为要素i、要素j的数据,/>为所有数据的平均值,ωij为对角线为0的空间权重矩阵,W为权重矩阵所有要素之和,/>
根据所述莫兰指数,确定全域空间聚类特征;所述全域空间聚类特征包括聚类趋势、离散趋势和随机分布;
若全域空间聚类特征为离散趋势或随机分布时,则对所述聚类后的企业数据集进行聚类和异常值分析,获得局部空间聚类结果;
根据局部空间聚类结果和企业在产业链供应链链条上的节点位置,获得不同链节点之间的高可达性及低可达性空间特征;
将全域空间聚类特征和不同链节点之间的高可达性及低可达性空间特征一起构成新能源汽车产业链供应链的空间特征。
4.根据权利要求3所述的新能源汽车产业链供应链的空间特征提取方法,其特征在于,根据所述莫兰指数,确定全域空间聚类特征,具体包括:
若莫兰指数为正,则判定同一小区内或待研究区域的企业呈聚类趋势;
若莫兰指数为负,则判定同一小区内或待研究区域的企业呈离散趋势;
若莫兰指数为零,则判定同一小区内或待研究区域的企业呈随机分布。
5.根据权利要求3所述的新能源汽车产业链供应链的空间特征提取方法,其特征在于,所述局部空间聚类结果包括:高值聚类、低值聚类、高值由低值围绕的异常值以及低值由高值围绕的异常值。
6.一种新能源汽车产业链供应链的空间特征提取系统,其特征在于,包括:
小区划分模块,用于选定待研究区域,并在待研究区域内以镇街为单元划分为多个小区;
企业数据集建立模块,用于建立待研究区域内新能源汽车产业链供应链上的企业数据集;所述企业数据集包括企业的生产要素和企业所属小区;
聚类模块,用于根据企业数据集中多个生产要素对所述企业数据集进行聚类,获得聚类后的企业数据集;
空间特征提取模块,用于对聚类后的企业数据集进行空间聚类分析,提取新能源汽车产业链供应链的空间特征。
7.一种电子设备,其特征在于,包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至5中任一项所述的新能源汽车产业链供应链的空间特征提取方法。
8.一种计算机可读存储介质,其特征在于,其上存储有计算机程序,所述计算机程序被执行时实现如权利要求1至5中任一项所述的新能源汽车产业链供应链的空间特征提取方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310651119.4A CN116628525A (zh) | 2023-06-01 | 2023-06-01 | 一种新能源汽车产业链供应链的空间特征提取方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310651119.4A CN116628525A (zh) | 2023-06-01 | 2023-06-01 | 一种新能源汽车产业链供应链的空间特征提取方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116628525A true CN116628525A (zh) | 2023-08-22 |
Family
ID=87641643
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310651119.4A Pending CN116628525A (zh) | 2023-06-01 | 2023-06-01 | 一种新能源汽车产业链供应链的空间特征提取方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116628525A (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140288995A1 (en) * | 2013-03-14 | 2014-09-25 | Regents Of The University Of Minnesota | Criticality spatial analysis |
CN105138668A (zh) * | 2015-09-06 | 2015-12-09 | 中山大学 | 基于poi数据的城市商业中心与零售业态集聚区识别方法 |
CN108564520A (zh) * | 2018-04-13 | 2018-09-21 | 李安营 | 基于莫兰指数的gis矢量数据版权认证方法 |
WO2021103323A1 (zh) * | 2019-11-29 | 2021-06-03 | 青岛理工大学 | 一种历史城市保护发展协同控制方案辅助设计系统 |
US20210390458A1 (en) * | 2020-06-15 | 2021-12-16 | DataRobot, Inc. | Data analytics methods for spatial data, and related systems and devices |
CN114493346A (zh) * | 2022-02-16 | 2022-05-13 | 重庆大学 | 一种乡村产业集聚化布局方法、系统、装置及存储介质 |
CN115081746A (zh) * | 2022-07-27 | 2022-09-20 | 烟台尚美丽家新能源有限公司 | 基于大数据的生物质原料供应链管理系统及方法 |
CN115222189A (zh) * | 2022-05-16 | 2022-10-21 | 成都数之联科技股份有限公司 | 一种产业链集聚度评价方法、装置、设备及存储介质 |
-
2023
- 2023-06-01 CN CN202310651119.4A patent/CN116628525A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140288995A1 (en) * | 2013-03-14 | 2014-09-25 | Regents Of The University Of Minnesota | Criticality spatial analysis |
CN105138668A (zh) * | 2015-09-06 | 2015-12-09 | 中山大学 | 基于poi数据的城市商业中心与零售业态集聚区识别方法 |
CN108564520A (zh) * | 2018-04-13 | 2018-09-21 | 李安营 | 基于莫兰指数的gis矢量数据版权认证方法 |
WO2021103323A1 (zh) * | 2019-11-29 | 2021-06-03 | 青岛理工大学 | 一种历史城市保护发展协同控制方案辅助设计系统 |
US20210390458A1 (en) * | 2020-06-15 | 2021-12-16 | DataRobot, Inc. | Data analytics methods for spatial data, and related systems and devices |
CN114493346A (zh) * | 2022-02-16 | 2022-05-13 | 重庆大学 | 一种乡村产业集聚化布局方法、系统、装置及存储介质 |
CN115222189A (zh) * | 2022-05-16 | 2022-10-21 | 成都数之联科技股份有限公司 | 一种产业链集聚度评价方法、装置、设备及存储介质 |
CN115081746A (zh) * | 2022-07-27 | 2022-09-20 | 烟台尚美丽家新能源有限公司 | 基于大数据的生物质原料供应链管理系统及方法 |
Non-Patent Citations (1)
Title |
---|
吴彦艳: "基于灰色聚类评价方法的产业链环节研究", 《科技管理研究》, no. 15, 8 August 2010 (2010-08-08), pages 176 - 179 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Rankavat et al. | Pedestrian accident analysis in Delhi using GIS | |
Hosseini et al. | Mapping the intellectual structure of GIS-T field (2008–2019): A dynamic co-word analysis | |
CN110750573B (zh) | 一种基于网格化和时空聚类的交通拥堵演化规律的识别方法 | |
Liu et al. | Modelling the energy consumption of electric vehicles under uncertain and small data conditions | |
CN112508332A (zh) | 一种顾及多维特征的渐进式乡村聚落整治分区方法 | |
Paul et al. | Analyzing accident prone regions by clustering | |
CN112052405B (zh) | 一种基于司机经验的寻客区域推荐方法 | |
CN112883195B (zh) | 个体出行的交通知识图谱构建方法及系统 | |
CN116628525A (zh) | 一种新能源汽车产业链供应链的空间特征提取方法及系统 | |
Faroqi et al. | GIS-based ride-sharing and DRT in Tehran city | |
CN116013084A (zh) | 交通管控场景确定方法、装置、电子设备及存储介质 | |
Chen et al. | A Data-driven Region Generation Framework for Spatiotemporal Transportation Service Management | |
CN108764518B (zh) | 一种基于物联网大数据的交通资源动态优化方法 | |
Chen et al. | Detecting urban commercial patterns using a latent semantic information model: A case study of spatial-temporal evolution in Guangzhou, China | |
Li et al. | A multi‐scale partitioning and aggregation method for large volumes of buildings considering road networks association constraints | |
Mete | Geospatial Big Data Analytics for Sustainable Smart Cities | |
Xu et al. | An assistant decision-supporting method for urban transportation planning over big traffic data | |
Liu et al. | Research on the clustering algorithm of the bicycle stations based on OPTICS | |
Chen et al. | A real-time taxicab recommendation system using big trajectories data | |
Wang | Vehicle refueling behavior model based on spatio-temporal big data monitoring platform | |
Wang et al. | STME: An effective method for discovering spatiotemporal multi‐type clusters containing events with different densities | |
CN116878531B (zh) | 基于道路资源预测的智能导航方法 | |
Chang et al. | Landmark‐based summarized messages for flood warning | |
Li et al. | Ratel: Interactive analytics for large scale trajectories | |
CN112308339B (zh) | 充电数据的处理方法和装置 |
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 |