CN116775751A - 一种基于数据建模实现智能预测分析系统 - Google Patents
一种基于数据建模实现智能预测分析系统 Download PDFInfo
- Publication number
- CN116775751A CN116775751A CN202311033794.7A CN202311033794A CN116775751A CN 116775751 A CN116775751 A CN 116775751A CN 202311033794 A CN202311033794 A CN 202311033794A CN 116775751 A CN116775751 A CN 116775751A
- Authority
- CN
- China
- Prior art keywords
- data
- unit
- module
- analysis
- risk
- 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 69
- 238000012545 processing Methods 0.000 claims abstract description 44
- 238000007405 data analysis Methods 0.000 claims abstract description 33
- 238000001514 detection method Methods 0.000 claims abstract description 24
- 238000012502 risk assessment Methods 0.000 claims abstract description 18
- 238000004140 cleaning Methods 0.000 claims abstract description 15
- 238000011156 evaluation Methods 0.000 claims abstract description 5
- 230000001131 transforming effect Effects 0.000 claims abstract description 4
- 230000010354 integration Effects 0.000 claims description 15
- 230000014759 maintenance of location Effects 0.000 claims description 15
- 238000007781 pre-processing Methods 0.000 claims description 15
- 238000012360 testing method Methods 0.000 claims description 15
- 238000012800 visualization Methods 0.000 claims description 14
- 230000006399 behavior Effects 0.000 claims description 6
- 238000013501 data transformation Methods 0.000 claims description 6
- 238000009499 grossing Methods 0.000 claims description 6
- 230000002457 bidirectional effect Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 3
- 238000011160 research Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 description 6
- 238000000034 method Methods 0.000 description 5
- 230000000007 visual effect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000005065 mining Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000000844 transformation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06F16/26—Visual data mining; Browsing structured data
-
- 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
- G06F16/22—Indexing; Data structures therefor; Storage structures
- G06F16/2219—Large Object storage; Management thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于数据建模实现智能预测分析系统，涉及大数据技术领域，现提出如下方案，包括数据处理单元、特征库建立单元、数据建模单元、数据分析单元、安全检测单元和风险评估单元，所述数据处理单元用于对获取到的数据中的干扰数据和不完整数据进行清洗、集成、规约和变换处理。本发明不仅通过数据分析单元对构建的数据模块的数据信息通过获取数据特征库的对应数据信息根据模型中要分析或计算的指标，采用相应的分析方法进行数据分析，得出目标分析结果，同时通过风险评估单元将检测后的数据与风险数据库中的数据进行分析对比处理，从而判断检测分析后的数据是否存在风险，同时对风险等级进行评估处理。
Description
技术领域
本发明涉及大数据技术领域，尤其涉及一种基于数据建模实现智能预测分析系统。
背景技术
大数据是指无法在一定时间范围内用常规软件工具进行捕捉、管理和处理的数据集合，是需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力的海量、高增长率和多样化的信息资产，农作物预测产量是在农作物收获前采取一定方法预先测定的产量，农作物预测产量对制订农产品收购计划具有非常重要的参考价值，但是，目前的农作物预测产量只能够在农作物成熟以后进行预测，并且，不能够根据预测的产量和最佳产量之间的差距进行一系列的调整以提高产量，为此，本发明提出一种基于数据建模实现智能预测分析系统。
发明内容
本发明提出的一种基于数据建模实现智能预测分析系统，以解决现有技术中的上述不足之处。
为了实现上述目的，本发明采用了如下技术方案：
一种基于数据建模实现智能预测分析系统，包括数据处理单元、特征库建立单元、数据建模单元、数据分析单元、安全检测单元和风险评估单元，所述数据处理单元用于对获取到的数据中的干扰数据和不完整数据进行清洗、集成、规约和变换处理，并将处理后的数据信息分别发送给特征库建立单元和数据建模单元；
所述特征库建立单元用于对处理后的数据信息进行所有数据特征的统一存储，并组成特征数据库；
所述数据建模单元用于根据数据处理单元处理后的数据信息进行模型建立处理，同时将组建后的数据信息发送给数据分析单元；
所述数据分析单元用于对数据建模单元构建的数据模块的数据信息通过获取数据特征库的对应数据信息根据模型中要分析或计算的指标，采用相应的分析方法进行数据分析，得出目标分析结果，并将分析得到的数据信息发送给安全检测单元；
所述安全检测单元用于对通过数据分析单元分析后的模型数据信息进行安全系数的检测处理，并将检测后的数据信息发送给风险评估单元；
所述风险评估单元用于将安全检测单元检测后的数据与风险数据库中的数据进行分析对比处理，从而判断检测分析后的数据是否存在风险，同时对风险等级进行评估处理。
进一步地，还包括数据采集单元、预处理单元、风险数据库和预警可视化单元，所述数据采集单元通常来自于企业内部或外部，企业内部数据直接从系统获得，外部数据需要通过购买或者通过爬虫数据采集工具进行数据采集；
所述风险数据库的风险通过风险模型进行风险等级划分处理，所述风险模型建立通过：
；
，其中U代表安全风险指标，Un为安全风险指标的个数，Unm为各项安全风险指标的风险等级，所述风险等级由具体的指标体系决定；
所述预处理单元用于对通过分析评估单元评估后的风险数据信息进行自动修改弥补和进行安全防护处理，同时进行危险数据的标记，并将修改弥补和标记后的数据信息发送给预警可视化单元；
所述预警可视化单元包括可视显示屏和危险报警提醒设备，通过危险报警提醒设备和可视显示屏用于对通过预处理单元修正和危险标记后的数据信息进行安全预警提示和数据展示处理。
进一步地，所述数据处理单元包括数据清洗模块、数据集成模块、数据规约模块和数据变换模块；
所述数据清洗模块用于通过填补缺失值、光滑噪声数据，平滑或删除离群点，纠正数据的不一致，从而达到数据清洗的目的；
所述数据集成模块用于对多个数据源集成时遇到的实体识别问题、冗余问题和数据值的冲突与处理，所述冗余问题通过特征的信息熵定义公式如下：，其中/>表示特征/>的概率密度函数，/>的取值在0～1之间；
特征和/>的联合熵和条件熵的定义公式如下：/>和/>，其中/>表示特征/>和/>的联合概率密度函数，/> 表示在特征/>的条件下/>的概率密度函数
特征的联合熵定义如下：/>，其中/>表示特征/>的联合概率密度函数；
特征和/>的互信息定义如下：/>，互信息可以度量特征与类别或特征之间的相关性，当一个特征与类别的互信息越大时，这个特征与类别之间的相关度越大；当两个特征之间的互信息越大时，则这两个特征的冗余度越大；
所述数据规约模块用于对得到的数据集进行的规约表示，在接近或保持原始数据完整性的同时将数据集规模减小，对规约后的数据集分析将更有效，并产生相同的分析结果，常见方法有：维度规约、维度变换、数值规约；
所述数据变换模块用于对数据进行规范化、离散化和稀疏化处理，达到适用于挖掘的目的。
进一步地，所述数据分析单元包括对比分析模块、留存分析模块和A/B测试模块；
所述对比分析模块主要是将两个相互联系的指标数据进行比较，从数量上展示和说明研究对象的规模大小，水平高低，速度快慢的相对数值，通过相同维度下的指标对比和发现，找出业务在不同阶段的问题，常见的对比方法包括：时间对比，空间对比和标准对比；
时间对比：包含同比、环比和定基比，时间不同其他条件相同，例如：本周和上周进行对比就是环比；
本月第一周和上月第一周对比就是同比；
所有数据同今年的第一周对比则为定基比，通过三种方式，分析业务增长水平和速度信息；
空间对比：就是同类现象或指标在同一时间不同空间的指标数值进行对比，例如：6月份A成交额与B成交额对比就是空间对比；
标准对比：对某指标设定标准值，该指标所有数据与标准值对比；
例如：学生成绩及格设定在60，大于等于60的为及格，小于的60则为不及格，这就是标准对比；
所述留存分析模块用于对用户参与情况和活跃程度进行分析处理，考察进行初始行为的用户中，有多少人会进行后续行为；
所述A/B测试模块用于将产品的两个或多个版本，在同一时间维度，分别让类似访客群组来访问，收集各群组的用户体验数据和业务数据，最后分析评估出最好版本正式采用处理。
进一步地，所述数据采集单元的输出端与数据处理单元的输入端相连接，所述数据处理单元的输出端分别与特征库建立单元和数据建模单元的输入端相连接，所述特征库建立单元与数据分析单元之间实现双向连接，所述数据建模单元的输出端与数据分析单元的输入端相连接，所述数据分析单元的输出端与安全检测单元的输入端相连接，所述安全单元的输出端与风险评估单元的输入端相连接，所述风险评估单元的输出端与预处理单元的输入端相连接，所述预处理单元的输出端与预警可视化单元的输入端相连接，所述风险评估单元与风险数据库之间实现双向连接。
进一步地，所述数据采集单元的输出端与数据清洗模块的输入端相连接，所述数据清洗模块的输出端与数据集成模块的输入端相连接，所述数据集成模块的输入端与数据规约模块的输入端相连接，所述数据规约模块的输出端与数据变换模块的输入端相连接，所述数据变换模块的输出端分别与特征库建立单元和数据建模单元的输入端相连接。
进一步地，所述数据建模单元的输出端与对比分析模块的输入端相连接，所述对比分析模块的输出端与留存分析模块的输入端相连接，信息留存分析模块的输出端与A/B测试模块的输入端相连接，所述A/B测试模块的输出端与安全检测单元的输入端相连接，所述对比分析模块、留存分析模块和A/B测试模块分别与特征库建立单元之间实现双向连接。
与现有的技术相比，本发明的有益效果是：
本发明不仅通过数据分析单元对构建的数据模块的数据信息通过获取数据特征库的对应数据信息根据模型中要分析或计算的指标，采用相应的分析方法进行数据分析，得出目标分析结果，同时通过风险评估单元将检测后的数据与风险数据库中的数据进行分析对比处理，从而判断检测分析后的数据是否存在风险，同时对风险等级进行评估处理。
附图说明
图1为本发明提出的一种基于数据建模实现智能预测分析系统的整体系统框图；
图2为本发明提出的一种基于数据建模实现智能预测分析系统的数据处理单元的模块框图；
图3为本发明提出的一种基于数据建模实现智能预测分析系统的数据分析单元的模块框图。
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。
在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”、“顺时针”、“逆时针”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个所述特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。此外，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义，下面将结合附图对本发明作进一步的详细介绍。
实施例
参照图1-3：一种基于数据建模实现智能预测分析系统，包括数据处理单元、特征库建立单元、数据建模单元、数据分析单元、安全检测单元和风险评估单元，数据处理单元用于对获取到的数据中的干扰数据和不完整数据进行清洗、集成、规约和变换处理，并将处理后的数据信息分别发送给特征库建立单元和数据建模单元；
特征库建立单元用于对处理后的数据信息进行所有数据特征的统一存储，并组成特征数据库；
数据建模单元用于根据数据处理单元处理后的数据信息进行模型建立处理，同时将组建后的数据信息发送给数据分析单元；
数据分析单元用于对数据建模单元构建的数据模块的数据信息通过获取数据特征库的对应数据信息根据模型中要分析或计算的指标，采用相应的分析方法进行数据分析，得出目标分析结果，并将分析得到的数据信息发送给安全检测单元；
安全检测单元用于对通过数据分析单元分析后的模型数据信息进行安全系数的检测处理，并将检测后的数据信息发送给风险评估单元
风险评估单元用于将安全检测单元检测后的数据与风险数据库中的数据进行分析对比处理，从而判断检测分析后的数据是否存在风险，同时对风险等级进行评估处理。
本发明中，还包括数据采集单元、预处理单元、风险数据库和预警可视化单元，数据采集单元通常来自于企业内部或外部，企业内部数据直接从系统获得，外部数据需要通过购买或者通过爬虫数据采集工具进行数据采集；
风险数据库的风险通过风险模型进行风险等级划分处理，风险模型建立通过：
；
，其中U代表安全风险指标，Un为安全风险指标的个数，Unm为各项安全风险指标的风险等级，风险等级由具体的指标体系决定；
预处理单元用于对通过分析评估单元评估后的风险数据信息进行自动修改弥补和进行安全防护处理，同时进行危险数据的标记，并将修改弥补和标记后的数据信息发送给预警可视化单元；
预警可视化单元包括可视显示屏和危险报警提醒设备，通过危险报警提醒设备和可视显示屏用于对通过预处理单元修正和危险标记后的数据信息进行安全预警提示和数据展示处理。
本发明中，数据处理单元包括数据清洗模块、数据集成模块、数据规约模块和数据变换模块；
数据清洗模块用于通过填补缺失值、光滑噪声数据，平滑或删除离群点，纠正数据的不一致，从而达到数据清洗的目的；
数据集成模块用于对多个数据源集成时遇到的实体识别问题、冗余问题和数据值的冲突与处理，冗余问题通过特征的信息熵定义公式如下：/>，其中/>表示特征/>的概率密度函数，/>的取值在0～1之间；
特征和/>的联合熵和条件熵的定义公式如下：/>和/>，其中/>表示特征/>和/>的联合概率密度函数，/> 表示在特征/>的条件下/>的概率密度函数
特征的联合熵定义如下：/>，其中/>表示特征/>的联合概率密度函数；
特征和/>的互信息定义如下：/>，互信息可以度量特征与类别或特征之间的相关性，当一个特征与类别的互信息越大时，这个特征与类别之间的相关度越大；当两个特征之间的互信息越大时，则这两个特征的冗余度越大；
数据规约模块用于对得到的数据集进行的规约表示，在接近或保持原始数据完整性的同时将数据集规模减小，对规约后的数据集分析将更有效，并产生相同的分析结果，常见方法有：维度规约、维度变换、数值规约；
数据变换模块用于对数据进行规范化、离散化和稀疏化处理，达到适用于挖掘的目的。
本发明中，数据分析单元包括对比分析模块、留存分析模块和A/B测试模块；
对比分析模块主要是将两个相互联系的指标数据进行比较，从数量上展示和说明研究对象的规模大小，水平高低，速度快慢的相对数值，通过相同维度下的指标对比和发现，找出业务在不同阶段的问题，常见的对比方法包括：时间对比，空间对比和标准对比；
时间对比：包含同比、环比和定基比，时间不同其他条件相同，例如：本周和上周进行对比就是环比；
本月第一周和上月第一周对比就是同比；
所有数据同今年的第一周对比则为定基比，通过三种方式，分析业务增长水平和速度信息；
空间对比：就是同类现象或指标在同一时间不同空间的指标数值进行对比，例如：6月份A成交额与B成交额对比就是空间对比；
标准对比：对某指标设定标准值，该指标所有数据与标准值对比；
例如：学生成绩及格设定在60，大于等于60的为及格，小于的60则为不及格，这就是标准对比；
留存分析模块用于对用户参与情况和活跃程度进行分析处理，考察进行初始行为的用户中，有多少人会进行后续行为；
A/B测试模块用于将产品的两个或多个版本，在同一时间维度，分别让类似访客群组来访问，收集各群组的用户体验数据和业务数据，最后分析评估出最好版本正式采用处理。
实施例
参照图1-3：本实施例在实施例一的基础上提供了一种技术方案：数据采集单元的输出端与数据处理单元的输入端相连接，数据处理单元的输出端分别与特征库建立单元和数据建模单元的输入端相连接，特征库建立单元与数据分析单元之间实现双向连接，数据建模单元的输出端与数据分析单元的输入端相连接，数据分析单元的输出端与安全检测单元的输入端相连接，安全单元的输出端与风险评估单元的输入端相连接，风险评估单元的输出端与预处理单元的输入端相连接，预处理单元的输出端与预警可视化单元的输入端相连接，风险评估单元与风险数据库之间实现双向连接。
本发明中，数据采集单元的输出端与数据清洗模块的输入端相连接，数据清洗模块的输出端与数据集成模块的输入端相连接，数据集成模块的输入端与数据规约模块的输入端相连接，数据规约模块的输出端与数据变换模块的输入端相连接，数据变换模块的输出端分别与特征库建立单元和数据建模单元的输入端相连接。
本发明中，数据建模单元的输出端与对比分析模块的输入端相连接，对比分析模块的输出端与留存分析模块的输入端相连接，信息留存分析模块的输出端与A/B测试模块的输入端相连接，A/B测试模块的输出端与安全检测单元的输入端相连接，对比分析模块、留存分析模块和A/B测试模块分别与特征库建立单元之间实现双向连接。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。
Claims (7)
1.一种基于数据建模实现智能预测分析系统，包括数据处理单元、特征库建立单元、数据建模单元、数据分析单元、安全检测单元和风险评估单元，其特征在于；
所述数据处理单元用于对获取到的数据中的干扰数据和不完整数据进行清洗、集成、规约和变换处理，并将处理后的数据信息分别发送给特征库建立单元和数据建模单元；
所述特征库建立单元用于对处理后的数据信息进行所有数据特征的统一存储，并组成特征数据库；
所述数据建模单元用于根据数据处理单元处理后的数据信息进行模型建立处理，同时将组建后的数据信息发送给数据分析单元；
所述数据分析单元用于对数据建模单元构建的数据模块的数据信息通过获取数据特征库的对应数据信息根据模型中要分析或计算的指标，采用相应的分析方法进行数据分析，得出目标分析结果，并将分析得到的数据信息发送给安全检测单元；
所述安全检测单元用于对通过数据分析单元分析后的模型数据信息进行安全系数的检测处理，并将检测后的数据信息发送给风险评估单元
所述风险评估单元用于将安全检测单元检测后的数据与风险数据库中的数据进行分析对比处理，从而判断检测分析后的数据是否存在风险，同时对风险等级进行评估处理。
2.根据权利要求1所述的一种基于数据建模实现智能预测分析系统，还包括数据采集单元、预处理单元、风险数据库和预警可视化单元，其特征在于；
所述数据采集单元通常来自于企业内部或外部，企业内部数据直接从系统获得，外部数据需要通过购买或者通过爬虫数据采集工具进行数据采集；
所述风险数据库的风险通过风险模型进行风险等级划分处理，所述风险模型建立通过：
；
，其中U代表安全风险指标，Un为安全风险指标的个数，Unm为各项安全风险指标的风险等级，所述风险等级由具体的指标体系决定；
所述预处理单元用于对通过分析评估单元评估后的风险数据信息进行自动修改弥补和进行安全防护处理，同时进行危险数据的标记，并将修改弥补和标记后的数据信息发送给预警可视化单元；
所述预警可视化单元用于对通过预处理单元修正和危险标记后的数据信息进行安全预警提示和数据展示处理。
3.根据权利要求2所述的一种基于数据建模实现智能预测分析系统，其特征在于，所述数据处理单元包括数据清洗模块、数据集成模块、数据规约模块和数据变换模块；
所述数据清洗模块用于通过填补缺失值、光滑噪声数据，平滑或删除离群点，纠正数据的不一致；
所述数据集成模块用于对多个数据源集成时遇到的实体识别问题、冗余问题和数据值的冲突与处理；
所述数据规约模块用于对得到的数据集进行的规约表示，在接近或保持原始数据完整性的同时将数据集规模减小，并产生相同的分析结果；
所述数据变换模块用于对数据进行规范化、离散化和稀疏化处理。
4.根据权利要求1所述的一种基于数据建模实现智能预测分析系统，其特征在于，所述数据分析单元包括对比分析模块、留存分析模块和A/B测试模块；
所述对比分析模块主要是将两个相互联系的指标数据进行比较，从数量上展示和说明研究对象的规模大小，水平高低，速度快慢的相对数值，通过相同维度下的指标对比和发现，找出业务在不同阶段的问题；
所述留存分析模块用于对用户参与情况和活跃程度进行分析处理，考察进行初始行为的用户中，有多少人会进行后续行为；
所述A/B测试模块用于将产品的两个或多个版本，在同一时间维度，分别让类似访客群组来访问，收集各群组的用户体验数据和业务数据，最后分析评估出最好版本正式采用处理。
5.根据权利要求2所述的一种基于数据建模实现智能预测分析系统，其特征在于，所述数据采集单元的输出端与数据处理单元的输入端相连接，所述数据处理单元的输出端分别与特征库建立单元和数据建模单元的输入端相连接，所述特征库建立单元与数据分析单元之间实现双向连接，所述数据建模单元的输出端与数据分析单元的输入端相连接，所述数据分析单元的输出端与安全检测单元的输入端相连接，所述安全单元的输出端与风险评估单元的输入端相连接，所述风险评估单元的输出端与预处理单元的输入端相连接，所述预处理单元的输出端与预警可视化单元的输入端相连接，所述风险评估单元与风险数据库之间实现双向连接。
6.根据权利要求3所述的一种基于数据建模实现智能预测分析系统，其特征在于，所述数据采集单元的输出端与数据清洗模块的输入端相连接，所述数据清洗模块的输出端与数据集成模块的输入端相连接，所述数据集成模块的输入端与数据规约模块的输入端相连接，所述数据规约模块的输出端与数据变换模块的输入端相连接，所述数据变换模块的输出端分别与特征库建立单元和数据建模单元的输入端相连接。
7.根据权利要求4所述的一种基于数据建模实现智能预测分析系统，其特征在于，所述数据建模单元的输出端与对比分析模块的输入端相连接，所述对比分析模块的输出端与留存分析模块的输入端相连接，信息留存分析模块的输出端与A/B测试模块的输入端相连接，所述A/B测试模块的输出端与安全检测单元的输入端相连接，所述对比分析模块、留存分析模块和A/B测试模块分别与特征库建立单元之间实现双向连接。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311033794.7A CN116775751A (zh) | 2023-08-17 | 2023-08-17 | 一种基于数据建模实现智能预测分析系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311033794.7A CN116775751A (zh) | 2023-08-17 | 2023-08-17 | 一种基于数据建模实现智能预测分析系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116775751A true CN116775751A (zh) | 2023-09-19 |
Family
ID=88013693
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311033794.7A Pending CN116775751A (zh) | 2023-08-17 | 2023-08-17 | 一种基于数据建模实现智能预测分析系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116775751A (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2001063445A2 (en) * | 2000-02-22 | 2001-08-30 | Eqe International, Inc. | Comprehensive risk assessment system and autonomous methods of insurance underwriting utilizing same |
| CN110401649A (zh) * | 2019-07-17 | 2019-11-01 | 湖北央中巨石信息技术有限公司 | 基于态势感知学习的信息安全风险评估方法和系统 |
| CN111915229A (zh) * | 2020-08-22 | 2020-11-10 | 武汉空心科技有限公司 | 一种基于大数据的工作平台任务风险评估方法及系统 |
| CN114664445A (zh) * | 2022-03-30 | 2022-06-24 | 新乡医学院第一附属医院 | 一种脑卒中复发风险患者用预测系统 |
-
2023
- 2023-08-17 CN CN202311033794.7A patent/CN116775751A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2001063445A2 (en) * | 2000-02-22 | 2001-08-30 | Eqe International, Inc. | Comprehensive risk assessment system and autonomous methods of insurance underwriting utilizing same |
| CN110401649A (zh) * | 2019-07-17 | 2019-11-01 | 湖北央中巨石信息技术有限公司 | 基于态势感知学习的信息安全风险评估方法和系统 |
| CN111915229A (zh) * | 2020-08-22 | 2020-11-10 | 武汉空心科技有限公司 | 一种基于大数据的工作平台任务风险评估方法及系统 |
| CN114664445A (zh) * | 2022-03-30 | 2022-06-24 | 新乡医学院第一附属医院 | 一种脑卒中复发风险患者用预测系统 |
Non-Patent Citations (1)
| Title |
|---|
| PYTHON小墨: "数据分析之数据预处理、分析建模、可视化", pages 1 - 11, Retrieved from the Internet <URL:https://zhuanlan.zhihu.com/p/608201294> * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Hermosilla et al. | Regional detection, characterization, and attribution of annual forest change from 1984 to 2012 using Landsat-derived time-series metrics | |
| Herrero-Huerta et al. | Yield prediction by machine learning from UAS-based multi-sensor data fusion in soybean | |
| Zhao et al. | Lidar remote sensing of forest biomass: A scale-invariant estimation approach using airborne lasers | |
| US20150371161A1 (en) | System and methods for identifying, evaluating and predicting land use and agricultural production | |
| Hu et al. | Decoupling of greenness and gross primary productivity as aridity decreases | |
| Liu et al. | Detecting land degradation in eastern China grasslands with time series segmentation and residual trend analysis (TSS-RESTREND) and GIMMS NDVI3g data | |
| CN111126511B (zh) | 一种基于植被指数融合的lai定量模型建立的方法 | |
| DE112018005619T5 (de) | Software, gesundheitszustandsbestimmungsvorrichtung und gesundheitszustandsbestimmungsverfahren | |
| CN110729054B (zh) | 异常就诊行为检测方法、装置、计算机设备及存储介质 | |
| CN116452316A (zh) | 农业贷款的贷后风险监测方法及装置、电子设备 | |
| Guan et al. | An improved approach to estimating crop lodging percentage with Sentinel-2 imagery using machine learning | |
| CN114280276A (zh) | 一种农业监测系统及方法 | |
| Ha et al. | Quantifying hail damage in crops using sentinel-2 imagery | |
| Peter et al. | Errors in time-series remote sensing and an open access application for detecting and visualizing spatial data outliers using google earth engine | |
| CN116775751A (zh) | 一种基于数据建模实现智能预测分析系统 | |
| EP3701450A1 (de) | Bestimmen von un/günstigen zeiträumen zur applikation von pflanzenschutzmitteln | |
| Nghiem et al. | Detection of vegetation cover change in renewable energy development zones of southern California using MODIS NDVI time series analysis, 2000 to 2018 | |
| CN115662653A (zh) | 一种大数据可视化平台的慢性病风险预警设置与处理方法 | |
| Robbez-Masson et al. | Localising missing plants in squared-grid patterns of discontinuous crops from remotely sensed imagery | |
| Liu et al. | Research on application of data mining in hospital management | |
| CN115995044B (zh) | 一种生态工程全类型绿化措施的监控方法及装置 | |
| CN114565295A (zh) | 智慧林业决策分析的装置 | |
| Conti et al. | AGDATABOX-RS computational application: Remote sensing data management | |
| CN118094266B (zh) | 一种智能终端核辐射检测分析方法及系统 | |
| CN113297998B (zh) | 国土空间规划问题的识别方法、装置、设备及存储介质 |
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: 20230919 |