CN116739645A - 基于企业管理的订单异常监督系统 - Google Patents
基于企业管理的订单异常监督系统 Download PDFInfo
- Publication number
- CN116739645A CN116739645A CN202310921273.9A CN202310921273A CN116739645A CN 116739645 A CN116739645 A CN 116739645A CN 202310921273 A CN202310921273 A CN 202310921273A CN 116739645 A CN116739645 A CN 116739645A
- Authority
- CN
- China
- Prior art keywords
- feature space
- clustering
- order
- data
- region
- 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
- 230000002159 abnormal effect Effects 0.000 claims abstract description 39
- 238000000034 method Methods 0.000 claims description 30
- 230000008569 process Effects 0.000 claims description 6
- 238000005192 partition Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 4
- 230000001174 ascending effect Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 3
- 230000005856 abnormality Effects 0.000 abstract description 18
- 238000012544 monitoring process Methods 0.000 abstract description 14
- 238000004422 calculation algorithm Methods 0.000 abstract description 13
- 230000000694 effects Effects 0.000 abstract description 13
- 238000012545 processing Methods 0.000 abstract description 2
- 238000010276 construction Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 230000006378 damage Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
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
-
- 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
- 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
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
-
- 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
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0633—Lists, e.g. purchase orders, compilation or processing
- G06Q30/0635—Processing of requisition or of purchase orders
-
- 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)
- Business, Economics & Management (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及数据处理技术领域,具体涉及基于企业管理的订单异常监督系统,包括:获取企业的订单信息数据;分析企业的订单信息数据中各个指标数据构建聚类特征空间;对聚类特征空间进行自适应划分并设定最优聚类参数规则,获取最优聚类参数;根据最优聚类参数对企业的订单信息数据进行聚类操作得到异常数据。本发明对于DBSCAN算法在企业订单异常监测场景下聚类效果不确定性进行改进;结合场景进行参数的分析和选择,自适应得到最优聚类参数;保证DBSCAN聚类算法在当前订单异常监测场景下的聚类效果;达到准确监测订单异常的目的。优化监督系统。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及基于企业管理的订单异常监督系统。
背景技术
订单异常在企业管理中是一个需要密切关注的问题;其可能会导致库存不足,资金问题和客户满意度下降等问题;订单的异常会导致库存水平出现波动,给库存管理带来困难,增加了积压库存和缺货的风险;也可能导致企业面临直接的财务损失;异常订单甚至涉及非法活动,例如欺诈等,该类情况很可能导致企业面临法律纠纷、监管处罚及合规风险。为了降低订单异常带来的危害和影响,企业一般会建立内部的审查极致,传统采用人工审查或其他方式对异常情况作出检测和预警;并迅速采取相应的措施。而现如今,企业对订单异常的传统监测方式主要是采取人工审查和阈值设置统计分析的方式,人工审查一般仅适用小规模的企业,但随着订单数量的增加,该方法的监测效率和准确性得不到保证;第二种常用的方式为企业针对某些关键的指标设定阈值,当订单的某个指标超过阈值时;系统会自动触发预警,但该方式可能无法识别隐藏其中复杂的异常情况,即无法针对于具体异常展开分析和判断。此类阈值设定法仅可对一类指标进行异常监测未将各指标之间进行联系和分析,进而无法得到各异常数据的真实异常程度。
由此当下更多企业会采用人工智能,机器学习中算法对订单数据进行异常监测和管理;其中常使用数据聚类算法进行异常数据的筛选,其是一种基于密度的聚类算法,可以有效的解决传统监测方法的不足;而算法中特征空间的构建以及参数点的选择为其难以选择和评估难题,由于算法对于参数具有较强的敏感性,不同的参数设定会带来差异甚大的聚类效果,进而会导致异常数据的筛选结果并不准确。
发明内容
本发明提供基于企业管理的订单异常监督系统,以解决现有的问题。
本发明的基于企业管理的订单异常监督系统采用如下技术方案:
本发明一个实施例提供了基于企业管理的订单异常监督系统,该系统包括:
数据采集模块:获取企业的订单信息数据;
构建特征空间模块:分析企业的订单信息数据中各个指标数据构建聚类特征空间;
获取最优参数模块:根据订单信息数据中各个指标数据获取划分节点数值;根据划分节点数值对聚类特征空间构自适应获取划分区域,得到多个聚类特征空间区域以及每个聚类特征空间区域的序号;根据聚类特征空间区域的序号选取不同邻近数据点,根据邻近数据点之间的距离得到任意聚类特征空间区域的最优聚类参数中的邻域半径;根据聚类特征空间区域的序号得到任意聚类特征空间区域的最优聚类参数中的邻域半径区域内最小数据点个数;
数据检测模块:根据聚类特征空间区域的最优聚类参数中的邻域半径和邻域半径区域内最小数据点个数对企业的订单信息数据进行聚类操作得到异常数据,实现企业订单异常监督和管理。
优选的,所述分析企业的订单信息数据中各个指标数据构建聚类特征空间,包括的具体步骤如下:
将指标数据退货率进行归一化处理后作为聚类特征空间中的纵轴;将指标数据订单总金额和订单数量的比值作为聚类特征空间中的横轴;所述纵轴和横轴构成聚类特征空间。
优选的,所述根据订单信息数据中各个指标数据获取划分节点数值,包括的具体公式如下:
式中,分别表示聚类特征空间中横纵轴划分节点数值,/>表示企业的订单信息数据所有订单号数量;/>表示企业的订单信息数据中第/>个订单号所对应的特征指标数据退货率;/>表示企业的订单信息数据中第/>个订单号所对应的特征指标数据订单数量;/>表示企业的订单信息数据中第/>个订单号所对应的特征指标数据订单交易金额;/>为线性归一化函数。
优选的,所述多个聚类特征空间区域以及每个聚类特征空间区域的序号的获取方法如下:
设定为聚类特征空间区域的序号,/>取值:/>;设定/>时表示聚类特征空间中右上方区域;设定/>时表示聚类特征空间中右下方区域;设定/>时表示聚类特征空间的左上方区域;设定/>时表示聚类特征空间中左下方区域;由此得到四个聚类特征空间区域及其聚类特征空间区域的序号。
优选的,所述根据聚类特征空间区域的序号选取不同邻近数据点,根据邻近数据点之间的距离得到任意聚类特征空间区域的最优聚类参数中的邻域半径,包括的具体步骤如下:
预设一个参数,对于聚类特征空间中任意一个区域/>,获取该聚类特征空间区域/>内每/>个数据点/>到其最近的/>个近邻数据点的欧式距离,记为第/>个数据点的距离集合,在所有数据点的距离集合中,将所有数据点的距离集合中的欧式距离进行升序排序组成集合/>;将集合/>中元素从左向右,相邻元素值做差,获取作差的结果的最大值,将该最大值对应的欧式距离作为该聚类特征空间区域/>的最优聚类邻域半径参数/>。
优选的,所述根据聚类特征空间区域的序号得到任意聚类特征空间区域的最优聚类参数中的邻域半径区域内最小数据点个数,包括的具体步骤如下:
在聚类特征空间中的第个区域内的邻域半径区域内最小数据点个数的计算表达式为:
式中,表示在聚类特征空间中的第/>个区域内的邻域半径区域内最小数据点个数;/>表示聚类特征空间中的第/>个区域;/>表示聚类特征空间的维度。
本发明的技术方案的有益效果是:本发明对于算法在企业订单异常监测场景下聚类效果不确定性进行改进;结合场景进行参数的分析和选择,自适应得到最优聚类参数;保证/>聚类算法在当前订单异常监测场景下的聚类效果;达到准确监测订单异常的目的。优化监督系统。
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为本发明基于企业管理的订单异常监督系统的模块框架图;
图2为本发明基于企业管理的订单异常监督系统的聚类特征空间划分结果示意图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的基于企业管理的订单异常监督系统,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的基于企业管理的订单异常监督系统的具体方案。
请参阅图1,其示出了本发明一个实施例提供的基于企业管理的订单异常监督系统的模块框架图,该系统包括以下模块:
数据采集模块:获取企业的订单信息数据。
需要说明的是,在获取企业系统中存储的订单信息表单时;其中需要包含重要的指标信息数据;比如:订单号、客户、订单金额、订单数量、退货率等指标数据,以及各订单号和客户对应的指标信息数据。若任意客户的订单号对应的某个指标的数值存在较大的异常则认为该客户的订单有可能为异常订单,在对于客户的订单号对应的不同指标数据异常时,其异常的影响程度也存在着差异。
具体的,因此按照订单号的时间顺序,将企业的订单信息数据中订单号对应的各指标数据分别进行存储;即建立集合用于存储采集得到的订单金额数据序列,, />表示企业的订单信息数据中第/>个订单号对应的订单交易金额,表示企业的订单信息数据中订单号总数量;建立/>集合用于存储采集得到的订单数量数据序列/>,/>表示企业的订单信息数据中第/>个订单号对应的订单数量,/>表示企业的订单信息数据中订单号总数量;由此进行企业的订单信息数据的采集和存储。
至此,完成企业的订单信息数据的采集。
构建特征空间模块:分析企业的订单信息数据中各个指标数据构建聚类特征空间。
需要说明的是,聚类算法前期特征空间的构建对于整个聚类结果的影响甚大,传统方式下仅选择任意两个有相关性的指标进行特征空间中横纵坐标的构建得到的聚类效果难以保证,所以本实施例需要分析各订单异常的关键指标数据的影响程度综合得到特征空间构建参数以及对于特征空间自适应获取最优聚类参数,使得订单异常的关键指标数据影响程度较小的异常也能够被归为非离群点,而订单异常的关键指标数据影响程度较大的异常能够被归为离群点;得到较为准确的分类结果,进而实现个性化且有效的异常监督管理。
通常对于聚类特征空间的构建需要确定对比参数即横轴纵轴指标的确定;一般较为有效的方式是选择两个与订单异常相关的特征指标数据;比如横轴设定为订单金额,纵轴设定为订单数量等;为了结合本实施的异常监测场景并得到该场景下最优的聚类效果,需要对企业的订单信息数据中各个指标数据进行分析。
具体分析为:若订单异常中存在订单量的突增或突减,其为订单数量出现异常的波动,可能是由于促销活动,季节性需求或供应链问题引起的,该问题一般并不严重,为较为正常的市场变化或客户购买行为的差异。而对于指标中的订单金额异常,即订单金额明显偏离正常范围,其可能是由于错误的报价,折扣未正确计算或恶意篡改导致,因此该类订单异常为较为严重的情况;对于指标中的退货率数据异常而言,其同样为较为严重的订单异常现象,其为某个产品的退货率突然上升,暗示了产品的质量问题、描述不符或物流损坏等情况。因此本实施例需要将所述的三类特征指标数据联系起来;综合进行订单异常评估。
本实施以所述三个特征指标数据为例,使用降维思想,将三个特征指标数据表现在二维特征空间中,这样做同时可以客观且有效的反应企业的订单信息数据的异常属性;由此获取聚类特征空间参数。
具体的,将特征指标数据退货率进行归一化处理后作为聚类特征空间中的纵轴代表,即;将特征指标数据订单总金额和订单数量的两者比值作为聚类特征空间中的横轴代表,即/>。
所述表示聚类特征空间中的纵轴;/>表示聚类特征空间中的横轴,/>表示特征指标数据退货率,若任意一个订单所对应的产品退货率较高,则该订单在特征空间中的所标记的数据点纵轴数据越大,其更位于空间中的上方,反之则位于特征空间中的下方;/>表示特征指标数据订单总金额;/>表示特征指标数据订单数量;/>则为二者比值,/>为线性归一化函数;使结果映射到值域{0~1}之间;值越大表示订单的单个金额越高,此时该订单在特征空间中的所标记的数据点的横轴数值越大,即位于特征空间的右侧;若比值越小,则表示订单的单个金额越小,即该订单在特征空间中的所标记的数据点位于特征空间的左侧。
进一步需要说明的是,本实施例构建聚类特征空间的方式对比其传统聚类特征空间的构建方式而言效果更好,更能通过数据点在特征空间中的分布情况,分析其指标异常的具体情况;进而根据不同指标的异常影响程度对其进行自适应的聚类规则参数调节,达到较佳的个性化聚簇效果,准确识别较为严重的订单异常。
至此,完成聚类特征空间的构建。
获取最优参数模块:对聚类特征空间进行自适应划分并设定最优聚类参数规则,获取最优聚类参数。
1. 对聚类特征空间进行自适应划分。
需要说明的是,由于异常的订单信息数据在整体订单信息数据中所占比值较小;因此取所有订单的横轴指标数据值的均值以及纵轴指标数据值的均值作为划分标准;越偏离划分数值的节点对应的订单指标数据越有可能为异常数据点;由此对聚类特征空间进行区域的划分。
具体的,根据上述聚类特征空间构建原理自适应获取划分区域;获取划分数值节点阈值:
式中,分别表示聚类特征空间中横纵轴划分节点数值,/>表示企业的订单信息数据所有订单号数量;/>表示企业的订单信息数据中第/>个订单号所对应的特征指标数据退货率;/>表示企业的订单信息数据中第/>个订单号所对应的特征指标数据订单数量;/>表示企业的订单信息数据中第/>个订单号所对应的特征指标数据订单交易金额;/>为线性归一化函数。
根据上述所得聚类特征空间划分节点,对聚类特征空间进行划分,聚类特征空间划分结果示意图如图2所示;图中为聚类特征空间划分节点,/>为聚类特征空间区域的序号。
至此,完成聚类特征空间进行自适应划分,得到聚类特征空间的四个区域以及聚类特征空间区域的序号。
2.获取聚类特征空间任意区域的最优聚类参数中的邻域半径。
需要说明的是,由于对聚类特征空间进行了影响程度的区域划分,用表示划分的聚类特征空间区域,不同的聚类特征空间区域对应/>的取值大小不同,其对应该聚类特征空间区域的影响程度也不同。
设定为划分的区域,/>取值:/>;其不同的取值代表不同空间区域,设定时表示聚类特征空间中右上方区域,该区域为退货率较高且订单金额较高区域,该区域中的数据点异常对于企业的订单信息数据影响甚大;设定/>时表示聚类特征空间中右下方区域;该区域为订单金额较高,相较于右上方区域的异常数据点而言影响次之;设定时表示聚类特征空间的左上方区域;该区域为退货率较高但订单金额相对正常,该区域异常数据点影响相对一般,而设定/>时表示聚类特征空间中左下方区域;该区域为订单金额相对正常且退货率较低的区域,该区域的异常数据点对于企业的订单信息数据影响并不大。
预设一个参数,其中本实施例以/>例进行叙述,本实施例不进行具体限定,其中/>根据具体实施情况而定。
具体的,对于聚类特征空间中的各区域进行最优聚类参数的设定;其中设定邻域半径规则为:
对于聚类特征空间中任意一个区域,获取该聚类特征空间区域/>内每/>个数据点/>到其最近的/>个近邻数据点的欧式距离,记为第/>个数据点的距离集合,在所有数据点的距离集合中,将所有数据点的距离集合中的欧式距离进行升序排序组成集合/>;将集合/>中元素从左向右,相邻元素值做差,获取作差的结果的最大值,将该最大值对应的欧式距离作为该聚类特征空间区域/>的最优聚类邻域半径参数/>。
上述操作的目的为:若某个聚类特征空间区域出现异常数据点会对企业的订单信息数据异常影响大,则此时该聚类特征空间区域的聚类算法需要保持对离群点的敏感度,即此时设定较小的邻域判定半径;而对于反应影响较小的空间区域,此时的聚类算法可以适当保持对离群点的钝感力,即扩大邻域半径,将一些原则上离散但程度不是很高的数据点归为核心点或簇内的边界点。
至此,获得聚类特征空间任意区域的最优聚类参数中的邻域半径。
3. 获取聚类特征空间任意区域的最优聚类参数中的邻域半径区域内最小数据点个数。
具体的,对于聚类特征空间中的各区域进行最优聚类参数的设定;其中邻域半径区域内最小数据点个数的设定参数为:
式中,表示在聚类特征空间中的第/>个区域内的邻域半径区域内最小数据点个数;/>表示聚类特征空间中的第/>个区域;/>表示聚类特征空间的维度,本实施例中/>。
至此,获得聚类特征空间任意区域的最优聚类参数中的邻域半径及邻域半径区域内最小数据点个数。
数据检测模块:根据最优聚类参数对企业的订单信息数据进行聚类操作得到异常数据。
根据上述的得到聚类特征空间任意区域的最优聚类参数/>和对得到聚类特征空间划分的各个区域进行/>聚类操作,并将最终聚类所得到的离群点进行统计,将所述的离群点对应在企业的订单信息数据中的异常订单进行实时监督;而对于/>聚类算法所得核心点和边界点,认定其为非异常数据点进而不做处理;由此实现准确的个性化订单异常监督和管理。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.基于企业管理的订单异常监督系统,其特征在于,该系统包括以下模块:
数据采集模块:获取企业的订单信息数据;
构建特征空间模块:分析企业的订单信息数据中各个指标数据构建聚类特征空间;
获取最优参数模块:根据订单信息数据中各个指标数据获取划分节点数值;根据划分节点数值对聚类特征空间构自适应获取划分区域,得到多个聚类特征空间区域以及每个聚类特征空间区域的序号;根据聚类特征空间区域的序号选取不同邻近数据点,根据邻近数据点之间的距离得到任意聚类特征空间区域的最优聚类参数中的邻域半径;根据聚类特征空间区域的序号得到任意聚类特征空间区域的最优聚类参数中的邻域半径区域内最小数据点个数;
数据检测模块:根据聚类特征空间区域的最优聚类参数中的邻域半径和邻域半径区域内最小数据点个数对企业的订单信息数据进行聚类操作得到异常数据,实现企业订单异常监督和管理。
2.根据权利要求1所述基于企业管理的订单异常监督系统,其特征在于,所述分析企业的订单信息数据中各个指标数据构建聚类特征空间,包括的具体步骤如下:
将指标数据退货率进行归一化处理后作为聚类特征空间中的纵轴;将指标数据订单总金额和订单数量的比值作为聚类特征空间中的横轴;所述纵轴和横轴构成聚类特征空间。
3.根据权利要求1所述基于企业管理的订单异常监督系统,其特征在于,所述根据订单信息数据中各个指标数据获取划分节点数值,包括的具体公式如下:
式中,分别表示聚类特征空间中横纵轴划分节点数值,/>表示企业的订单信息数据所有订单号数量;/>表示企业的订单信息数据中第/>个订单号所对应的特征指标数据退货率;/>表示企业的订单信息数据中第/>个订单号所对应的特征指标数据订单数量;/>表示企业的订单信息数据中第/>个订单号所对应的特征指标数据订单交易金额;/>为线性归一化函数。
4.根据权利要求1所述基于企业管理的订单异常监督系统,其特征在于,所述多个聚类特征空间区域以及每个聚类特征空间区域的序号的获取方法如下:
设定为聚类特征空间区域的序号,/>取值:/>;设定/>时表示聚类特征空间中右上方区域;设定/>时表示聚类特征空间中右下方区域;设定/>时表示聚类特征空间的左上方区域;设定/>时表示聚类特征空间中左下方区域;由此得到四个聚类特征空间区域及其聚类特征空间区域的序号。
5.根据权利要求1所述基于企业管理的订单异常监督系统,其特征在于,所述根据聚类特征空间区域的序号选取不同邻近数据点,根据邻近数据点之间的距离得到任意聚类特征空间区域的最优聚类参数中的邻域半径,包括的具体步骤如下:
预设一个参数,对于聚类特征空间中任意一个区域/>,获取该聚类特征空间区域/>内每个数据点/>到其最近的/>个近邻数据点的欧式距离,记为第/>个数据点的距离集合,在所有数据点的距离集合中,将所有数据点的距离集合中的欧式距离进行升序排序组成集合/>;将集合/>中元素从左向右,相邻元素值做差,获取作差的结果的最大值,将该最大值对应的欧式距离作为该聚类特征空间区域/>的最优聚类邻域半径参数/>。
6.根据权利要求1所述基于企业管理的订单异常监督系统,其特征在于,所述根据聚类特征空间区域的序号得到任意聚类特征空间区域的最优聚类参数中的邻域半径区域内最小数据点个数,包括的具体步骤如下:
在聚类特征空间中的第个区域内的邻域半径区域内最小数据点个数的计算表达式为:
式中,表示在聚类特征空间中的第/>个区域内的邻域半径区域内最小数据点个数;/>表示聚类特征空间中的第/>个区域;/>表示聚类特征空间的维度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310921273.9A CN116739645A (zh) | 2023-07-26 | 2023-07-26 | 基于企业管理的订单异常监督系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310921273.9A CN116739645A (zh) | 2023-07-26 | 2023-07-26 | 基于企业管理的订单异常监督系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116739645A true CN116739645A (zh) | 2023-09-12 |
Family
ID=87902875
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310921273.9A Pending CN116739645A (zh) | 2023-07-26 | 2023-07-26 | 基于企业管理的订单异常监督系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116739645A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116957751A (zh) * | 2023-09-20 | 2023-10-27 | 淄博海草软件服务有限公司 | 一种订单业务异常监控方法及系统 |
CN117370823A (zh) * | 2023-12-05 | 2024-01-09 | 恒健达(辽宁)医学科技有限公司 | 一种用于农业种植的喷淋控制方法及系统 |
CN117541200A (zh) * | 2024-01-10 | 2024-02-09 | 福建亿安智能技术股份有限公司 | 一种基于ltc流程的项目管理方法及系统 |
CN117575546A (zh) * | 2024-01-17 | 2024-02-20 | 北京白龙马云行科技有限公司 | 一种网约车平台用后台管理系统 |
-
2023
- 2023-07-26 CN CN202310921273.9A patent/CN116739645A/zh active Pending
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116957751A (zh) * | 2023-09-20 | 2023-10-27 | 淄博海草软件服务有限公司 | 一种订单业务异常监控方法及系统 |
CN116957751B (zh) * | 2023-09-20 | 2023-12-19 | 淄博海草软件服务有限公司 | 一种订单业务异常监控方法及系统 |
CN117370823A (zh) * | 2023-12-05 | 2024-01-09 | 恒健达(辽宁)医学科技有限公司 | 一种用于农业种植的喷淋控制方法及系统 |
CN117370823B (zh) * | 2023-12-05 | 2024-02-20 | 恒健达(辽宁)医学科技有限公司 | 一种用于农业种植的喷淋控制方法及系统 |
CN117541200A (zh) * | 2024-01-10 | 2024-02-09 | 福建亿安智能技术股份有限公司 | 一种基于ltc流程的项目管理方法及系统 |
CN117541200B (zh) * | 2024-01-10 | 2024-03-29 | 福建亿安智能技术股份有限公司 | 一种基于ltc流程的项目管理方法及系统 |
CN117575546A (zh) * | 2024-01-17 | 2024-02-20 | 北京白龙马云行科技有限公司 | 一种网约车平台用后台管理系统 |
CN117575546B (zh) * | 2024-01-17 | 2024-04-05 | 北京白龙马云行科技有限公司 | 一种网约车平台用后台管理系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116739645A (zh) | 基于企业管理的订单异常监督系统 | |
WO2021052031A1 (zh) | 基于统计四分位距的商品库存风险预警方法、系统及计算机可读存储介质 | |
CN109657547A (zh) | 一种基于伴随模型的异常轨迹分析方法 | |
CN113572625B (zh) | 故障预警方法、预警装置、设备及计算机介质 | |
CN101714273A (zh) | 一种基于规则引擎的银行异常业务监控方法和系统 | |
CN113344133B (zh) | 一种时序行为异常波动检测方法及系统 | |
CN109947815B (zh) | 一种基于离群点算法的窃电辨识方法 | |
WO2019200739A1 (zh) | 数据欺诈识别方法、装置、计算机设备和存储介质 | |
CN116562746B (zh) | 一种被服物流站点的被服数据监控方法及相关装置 | |
CN115358155A (zh) | 一种电力大数据异常预警方法、装置、设备及可读存储介质 | |
CN116914917A (zh) | 一种基于大数据的配电柜运行状态监测管理系统 | |
CN112978128A (zh) | 基于大数据和图像分析技术的冷链物流运输商品品质监测管理系统 | |
CN117422938B (zh) | 基于三维分析平台的坝坡混凝土结构异常分析方法 | |
CN109976986B (zh) | 异常设备的检测方法及装置 | |
CN107274025B (zh) | 一种实现用电模式智能识别与管理的系统和方法 | |
CN117171157A (zh) | 基于数据分析的清算数据采集清洗方法 | |
CN116823125A (zh) | 基于多源数据的白酒仓储异常预警系统 | |
CN113835947A (zh) | 一种基于异常识别结果确定异常原因的方法和系统 | |
CN113705920B (zh) | 火电厂用水数据样本集的生成方法和终端设备 | |
Jianyao et al. | Technical methods of national security supervision: grain storage security as an example | |
CN111612302A (zh) | 一种集团级数据管理方法和设备 | |
CN114492877B (zh) | 一种业务系统的运维分析方法及装置 | |
CN117953252B (zh) | 高速公路资产数据自动化采集方法及系统 | |
Cheetham et al. | Applications of soft CBR at General Electric | |
Kheirallah et al. | Anomaly Detection in a Production Line: an Online/Offline Statistical Learning Approach |
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 |