CN116777325A - 一种基于大数据分析的宠食供应链管理系统和方法 - Google Patents
一种基于大数据分析的宠食供应链管理系统和方法 Download PDFInfo
- Publication number
- CN116777325A CN116777325A CN202310827905.5A CN202310827905A CN116777325A CN 116777325 A CN116777325 A CN 116777325A CN 202310827905 A CN202310827905 A CN 202310827905A CN 116777325 A CN116777325 A CN 116777325A
- Authority
- CN
- China
- Prior art keywords
- supply chain
- data
- matrix
- pet food
- sample
- 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
- 235000013305 food Nutrition 0.000 title claims abstract description 39
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000013068 supply chain management Methods 0.000 title claims abstract description 19
- 238000007405 data analysis Methods 0.000 title claims abstract description 17
- 238000007418 data mining Methods 0.000 claims abstract description 8
- 238000013500 data storage Methods 0.000 claims abstract description 7
- 239000011159 matrix material Substances 0.000 claims description 46
- 238000007781 pre-processing Methods 0.000 claims description 19
- 238000004519 manufacturing process Methods 0.000 claims description 14
- 238000005065 mining Methods 0.000 claims description 8
- 230000009466 transformation Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 4
- 238000004220 aggregation Methods 0.000 claims description 3
- 230000002776 aggregation Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 2
- 238000013480 data collection Methods 0.000 abstract 2
- 230000000694 effects Effects 0.000 description 3
- 230000004044 response Effects 0.000 description 2
- 238000012384 transportation and delivery Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于大数据分析的宠食供应链管理系统和方法，属于大数据分析技术领域。本发明包括数据采集模块、数据处理模块、数据平衡模块、数据挖掘模块、中央控制模块和数据存储模块，通过充分利用大数据分析技术，分析获取到的宠食供应链数据集，得出影响宠食供应链效率的因素，从而为宠食供应链厂商对提高宠食供应链效率提供数据辅助和支撑。
Description
技术领域
本发明属于大数据分析技术领域，具体涉及一种基于大数据分析的宠食供应链管理系统和方法。
背景技术
宠食供应链管理是指对宠物食品从原材料采购到生产制造、仓储物流和销售等各个环节进行有效管理和协调，以确保供应链的高效运作和产品的质量可靠性。目前，针对在宠食供应链中所产生的数据明显缺乏对大数据进行分析和利用的能力，导致在提升宠食供应链效率方面没有数据辅助和支撑。
发明内容
为解决现有技术中存在的上述问题，本发明提供了一种基于大数据分析的宠食供应链管理系统和方法，通过充分利用大数据分析技术，分析获取到的宠食供应链数据集，得出影响宠食供应链效率的因素，从而为宠食供应链厂商对提高宠食供应链效率提供数据辅助和支撑。
本发明的目的可以通过以下技术方案实现：
一种基于大数据分析的宠食供应链管理方法，包括：
S1：获取宠食供应链预处理数据，所述预处理数据包括供应商数据、运输数据和生产加工数据；
S2：将所述供应链预处理数据进行数据预处理，所述数据预处理包括以日期作为主键整合，通过分组聚合得到供应链数据集；
S3：通过基于K-means算法优化平衡所述供应链数据集得到供应链平衡数据集；
S4：通过设置约束条件对所述供应链平衡数据集进行挖掘并输出供应链效率影响因素。
优选地，所述步骤S3具体实现方法为：
S301：将所述供应链数据集分成大样本数据集和小样本数据集；
S302：通过K-means算法对所述小样本数据集进行聚类得到子样本集；
S303：计算所述子样本集的样本比；
S304：以欧氏距离为标准计算所述子样本集中的样本到子样本集中其他样本的距离，得到样本近邻；
S305：计算所述大样本数据集和所述小样本数据集之间的差值，根据所述样本比确定采样倍率；
S306：从所述子样本集中的样本的近邻中挑选若干样本；
S307：根据步骤S306中挑选的若干样本，通过Ynew＝y+rand(0,1)·|y-yn|构造新样本，其中，Ynew为新样本，y为挑选的若干样本，yn为近邻；
S308：将所述新样本与所述供应链数据集合并生成所述供应链平衡数据集。
优选地，所述步骤S4具体实现方法为：
S401：根据所述供应链平衡数据集，预设对应的约束条件集合；
S402：通过得到所述供应链平衡数据集对应所述约束条件集合的权重；
S403：将所述供应链平衡数据集通过变换转换为供应链矩阵，所述变换为若第i个事务中存在第j个项，则将矩阵的第i行第j列的值设为1，否则将其值设为0；
S404：在所述供应链矩阵的基础上增加两行Sup和WSup，增加一列sum_c，得到供应链对应矩阵；
S405：设定最小加权支持度min_wsup，比较所述供应链对应矩阵中项的支持数，得到新供应链矩阵，所述项为所述供应链对应矩阵中最后一行记录的项；
S406：重复步骤S405，产生频繁k项集(k≥2)，若频繁项集的个数小于k+1时，则终止搜索过程，否则重复步骤S404和步骤S406，直到不再生成新的频繁集为止；
S407：设定最小的加权置信度，计算所有约束条件的最小加权置信度并与设定的最小加权置信度进行比较，若大于或者等于最小加权置信度，则输出所述供应链效率影响因素。
优选地，所述步骤S404包括所述Sup为支持度，且用于记录所述供应链矩阵不同项的支持数，所述WSup为所述供应链平衡数据集的加权支持度，且WSup(Y)＝W(Y)×Sup(Y)，用于记录所述供应链矩阵相对应的加权支持度，所述sum_c用于记录所述供应链矩阵包含的项的总数。
优选地，所述步骤S405具体包括若所述项的支持数不小于min_sup，则记为频繁1项集，否则将对应的列删除。重新对矩阵的最后一列进行计算，若某元素对应的值为0，则将对应的行删除。
优选地，所述步骤S406具体包括删除在频繁k-1项集中出现次数小于k的项Ij对应的矩阵列并重新计算矩阵的sum_c列，重新计算矩阵的sum_r行，若某元素值小于min_sup，则将该元素对应的列删除。
一种基于大数据分析的宠食供应链管理系统，包括数据采集模块、数据处理模块、数据平衡模块、数据挖掘模块、中央控制模块和数据存储模块；
所述数据采集单元用于获取宠食供应链预处理数据；
所述数据处理模块将所述供应链预处理数据进行数据预处理；
所述数据平衡模块用于通过基于K-means算法优化平衡所述供应链数据集得到所述供应链平衡数据集；
所述数据挖掘模块用于通过设置约束条件对所述供应链平衡数据集进行挖掘并输出所述供应链效率影响因素；
所述中央控制模块用于通过单片机控制各个模块正常工作；
所述数据存储模块用于存放数据库以存储各个模块所产生的数据。
本发明的有益效果为：
(1)通过基于K-means算法优化平衡数据确保数据之间关联完整，保证了宠食供应链系统输出可能影响供应链效率的因素完整性；
(2)通过设置约束条件客观分配数据属性权重，有利于提升宠食供应链系统输出可能影响供应链效率的因素的准确性。
附图说明
为了便于本领域技术人员理解，下面结合附图对本发明作进一步的说明。
图1为本发明的一种基于大数据分析的宠食供应链管理方法的流程示意图；
图2为本发明的一种基于大数据分析的宠食供应链管理系统的模块示意图。
具体实施方式
为更进一步阐述本发明为实现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，对依据本发明的具体实施方式、结构、特征及其功效，详细说明如下。
为方便本领域技术人员能够更好地理解本发明内容，需要对供应链数据管理过程进行统一的描述：定义Y用于表示供应链数据集，定义i用于表示供应链数据库的项，定义I用于表示不同的供应链数据组成的集合，定义s用于表示供应链数据库中的具体事务，定义k－用于表示项集，含义为包含k个不同项的集合。
请参阅图1，一种基于大数据分析的宠食供应链管理方法，包括：
S1：获取宠食供应链预处理数据，所述预处理数据包括供应商数据、运输数据和生产加工数据；
S2：将所述供应链预处理数据进行数据预处理，所述数据预处理包括以日期作为主键整合，通过分组聚合得到供应链数据集；
S3：通过基于K-means算法优化平衡所述供应链数据集得到供应链平衡数据集；
S4：通过设置约束条件对所述供应链平衡数据集进行挖掘并输出可能供应链效率的影响因素。
步骤S1涉及获取宠食供应链预处理数据，其中，供应商数据通过de fget_supplier_data(supplier_id)实现根据供应商ID获取供应商信息、采购数量、价格和交货时间数据，通过forsupplier_idindatabase:supplier_datage t_supplier_data(supplier_id)；database.append(supplier_data)提供遍历供应商列表，采集数据并添加到数据库中，通过df_database＝pd.DataFrame(datab ase)将供应商数据转换为DataFrame格式。
运输数据通过url＝f"https://api.example.com/shipment/{shipment_id}/tracking"headers＝{'Authorization':'API_KEY'}response＝requests.get(url,headers＝headers)实现根据货运编号获取，通过forshipment_idinshipments:transp ort_data＝get_transport_data(shipment_id)；database.append(shipment_data)提供遍历货运列表，采集数据并添加到数据库中，通过df_database＝pd.Data Frame(database)将生产加工数据转换为DataFrame格式。
生产加工数据通过defget_production_data(date)根据日期获取，通过forraw_material_consumptionindatabase:material_dataget_material_data(mate rial_data)；database.append(material_data)提供遍历生产加工列表，采集数据并添加到数据库中，通过material_data＝response.json()returntransport_data返回运输数据的JSON格式。
在步骤S2中，创建merged_data空数据帧用于保存整合后的数据，通过data1＝pd.read_csv('data_supplier.csv')读取并处理供应商数据，通过data1＝data1[['日期','数值']]删除不需要的列，通过data1.drop_duplicates(inpl ace＝True)去除重复数据行，使用插值方法中的线性插值data1['数值']＝dat a1['数值'].interpolate(method＝'linear')填充缺失值，保存清洗后的供应商数据merged_data['日期']＝data1['日期']merged_data['数值1']＝data1['数值']。通过data2＝pd.read_csv('data_transport.csv')读取并处理运输数据，通过data2＝data2[['日期','数值']]删除不需要的列，通过data2.drop_duplicates(inplace＝True)去除重复数据行，通过data2.loc[data2['数值']<0,'数值']＝0纠正采集错误的运输数据，使用插值方法中的向前填充data2['数值']＝data2['数值'].fillna(method＝'ffill')填充缺失值，保存清洗后的运输数据merged_data['日期']＝data2['日期']merged_data['数值2']＝data2['数值']；通过data3＝pd.read_csv('data_material.csv')读取并处理生产加工数据，通过data3＝data3[['Date','Value']]删除不需要的列。通过data3.drop_duplicates(inplace＝True)去除重复数据行，通过data3['Date']＝pd.to_datetime(data3['Date']).dt.strftime('％Y-％m-％d')将生产加工数据的日期格式转换为与其他数据源一致，保存清洗后的生产加工数据merged_data['日期']＝data3['Date']merged_data['数值3']＝data3['Value']；通过merged_data＝merged_data.groupby('日期').mean()根据日期合并供应商数据、运输数据和生产加工数据，并通过merged_data.to_csv('merged_data.csv')保存数据。
步骤S3具体实现方法为：
S301：将所述供应链数据集分成大样本数据集和小样本数据集；
S302：通过K-means算法对所述小样本数据集进行聚类得到子样本集；
S303：计算所述子样本集的样本比；
S304：以欧氏距离为标准计算所述子样本集中的样本到子样本集中其他样本的距离，得到样本近邻；
S305：计算所述大样本数据集和所述小样本数据集之间的差值，根据所述样本比确定采样倍率；
S306：从所述子样本集中的样本的近邻中挑选若干样本；
S307：根据步骤S306中挑选的若干样本，通过Ynew＝y+rand(0,1)·|y-yn|构造新样本，其中，Ynew为新样本，y为挑选的若干样本，yn为近邻；
S308：将所述新样本与所述供应链数据集合并生成所述供应链平衡数据集。
步骤S4具体实现方法为：
S401：根据所述供应链平衡数据集，预设对应的约束条件集合；
S402：通过得到所述供应链平衡数据集对应所述约束条件集合的权重；
S403：将所述供应链平衡数据集通过变换转换为供应链矩阵，所述变换为若第i个事务中存在第j个项，则将矩阵的第i行第j列的值设为1，否则将其值设为0；
S404：在所述供应链矩阵的基础上增加两行Sup和WSup，增加一列sum_c，得到供应链对应矩阵；
S405：设定最小加权支持度min_wsup，比较所述供应链对应矩阵中项的支持数，得到新供应链矩阵，所述项为所述供应链对应矩阵中最后一行记录的项；
S406：重复步骤S405，产生频繁k项集(k≥2)若频繁k-1项集的个数小于k+1时，则终止搜索过程，否则重复步骤S404和步骤S406，直到不再生成新的频繁集为止；
S407：设定最小的加权置信度，计算所有约束条件的最小加权置信度并与设定的最小加权置信度进行比较，若大于或者等于最小加权置信度，则输出供应链效率影响因素。
步骤S404包括所述Sup为支持度，且用于记录所述供应链矩阵不同项的支持数，所述WSup为所述供应链平衡数据集的加权支持度，且WSup(Y)＝W(Y)×Sup(Y)，用于记录所述供应链矩阵相对应的加权支持度，所述sum_c用于记录所述供应链矩阵包含的项的总数。
由于对供应链平衡数据集进行挖掘中，不同供应链平衡数据集对应设置的支持度大不相同，如供应商平衡数据集大于运输平衡数据集，如果最小支持度设置大，则挖掘出的供应链效率影响因素数量较少，很可能存在一些重要供应链效率影响因素被遗漏；反之，如果最小支持度设置太小，则挖掘出的供应链效率影响因素数量较多，很可能会产生大量的供应链效率影响因素，故本发明中，将最小支持度阈值设定为1.5％，最小置信度阈值设定为15％。
步骤S405具体包括若所述项的支持数不小于min_sup，则记为频繁1项集，否则将对应的列删除。重新对矩阵的最后一列进行计算，若某元素对应的值为0，则将对应的行删除。
步骤S406具体包括删除在频繁k-1项集中出现次数小于k的项Ij对应的矩阵列并重新计算矩阵的sum_c列，重新计算矩阵的sum_r行，若某元素值小于min_sup，则将该元素对应的列删除，若某元素值小于k，则删除矩阵中该元素对应的行。
请参阅图2，本发明还提供了一种基于大数据分析的宠食供应链管理系统，其特征在于，包括数据采集模块、数据处理模块、数据平衡模块、数据挖掘模块、中央控制模块和数据存储模块；
所述数据采集模块用于获取宠食供应链预处理数据；
所述数据处理模块将所述供应链预处理数据进行数据预处理；
所述数据平衡模块用于通过基于K-means算法优化平衡所述供应链数据集得到所述供应链平衡数据集；
所述数据挖掘模块用于通过设置约束条件对所述供应链平衡数据集进行挖掘并输出所述供应链效率影响因素；
所述中央控制模块用于通过单片机控制各个模块正常工作；
所述数据存储模块用于存放数据库以存储各个模块所产生的数据。
本发明的工作原理是：
通过数据采集模块获取宠食供应链的供应商数据、运输数据和生产加工数据，数据处理模块对供应商数据、运输数据和生产加工数据进行清洗、去重、插值和纠正，同时将供应商数据、运输数据和生产加工数据整合为一致的格式得到供应链数据集。数据平衡模块使用基于K-means算法优化对数据处理模块处理后得到的供应链数据集进行平衡处理得到供应链平衡数据集。最后通过数据挖掘模块设置约束条件对供应链平衡数据集进行挖掘并输出供应链效率影响因素。
本发明实施例的系统中包含的程序代码可以用任何适当的介质传输，包括但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行，或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，虽然本发明已以较佳实施例揭示如上，然而并非用以限定本发明，任何本领域技术人员，在不脱离本发明技术方案范围内，当可利用上述揭示的技术内容做出些许更动或修饰为等同变化的等效实施例，但凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所做的任何简介修改、等同变化与修饰，均仍属于本发明技术方案的范围内。
Claims (7)
1.一种基于大数据分析的宠食供应链管理方法，其特征在于，包括：
S1：获取宠食供应链预处理数据，所述预处理数据包括供应商数据、运输数据和生产加工数据；
S2：将所述供应链预处理数据进行数据预处理，所述数据预处理包括以日期作为主键整合，通过分组聚合得到供应链数据集；
S3：通过基于K-means算法优化平衡所述供应链数据集得到供应链平衡数据集；
S4：通过设置约束条件对所述供应链平衡数据集进行挖掘并输出供应链效率影响因素。
2.根据权利要求1所述的宠食供应链管理方法，其特征在于，所述步骤S3具体实现方法为：
S301：将所述供应链数据集分成大样本数据集和小样本数据集；
S302：通过K-means算法对所述小样本数据集进行聚类得到子样本集；
S303：计算所述子样本集的样本比；
S304：以欧氏距离为标准计算所述子样本集中的样本到子样本集中其他样本的距离，得到样本近邻；
S305：计算所述大样本数据集和所述小样本数据集之间的差值，根据所述样本比确定采样倍率；
S306：从所述子样本集中的样本的近邻中挑选若干样本；
S307：根据步骤S306中挑选的若干样本，通过Ynew＝y+rand(0,1)·|y-yn|构造新样本，其中，Ynew为新样本，y为挑选的若干样本，yn为近邻；
S308：将所述新样本与所述供应链数据集合并生成所述供应链平衡数据集。
3.根据权利要求1所述的宠食供应链管理方法，其特征在于，所述步骤S4具体实现方法为：
S401：根据所述供应链平衡数据集，预设对应的约束条件集合；
S402：通过得到所述供应链平衡数据集对应所述约束条件集合的权重；
S403：将所述供应链平衡数据集通过变换转换为供应链矩阵，所述变换为若第i个事务中存在第j个项，则将矩阵的第i行第j列的值设为1，否则将其值设为0；
S404：在所述供应链矩阵的基础上增加两行Sup和WSup，增加一列sum_c，得到供应链对应矩阵；
S405：设定最小加权支持度min_wsup，比较所述供应链对应矩阵中项的支持数，得到新供应链矩阵，所述项为所述供应链对应矩阵中最后一行记录的项；
S406：重复步骤S405，产生频繁k项集(k≥2)若频繁k-1项集的个数小于k+1时，则终止搜索过程，否则重复步骤S404和步骤S406，直到不再生成新的频繁集为止；
S407：设定最小的加权置信度，计算所有约束条件的最小加权置信度并与设定的最小加权置信度进行比较，若大于或者等于最小加权置信度，则输出所述供应链效率影响因素。
4.根据权利要求3所述的宠食供应链管理方法，其特征在于，所述步骤S404包括所述Sup为支持度，且用于记录所述供应链矩阵不同项的支持数，所述WSup为所述供应链平衡数据集的加权支持度，且WSup(Y)＝W(Y)×Sup(Y)，用于记录所述供应链矩阵相对应的加权支持度，所述sum_c用于记录所述供应链矩阵包含的项的总数。
5.根据权利要求3所述的宠食供应链管理方法，其特征在于，所述步骤S405具体包括若所述项的支持数不小于min_sup，则记为频繁1项集，否则将对应的列删除。重新对矩阵的最后一列进行计算，若某元素对应的值为0，则将对应的行删除。
6.根据权利要求3所述的宠食供应链管理方法，其特征在于，所述步骤S406具体包括删除在频繁k-1项集中出现次数小于k的项Ij对应的矩阵列并重新计算矩阵的sum_c列，重新计算矩阵的sum_r行，若某元素值小于min_sup，则将该元素对应的列删除。
7.一种基于大数据分析的宠食供应链管理系统，其特征在于，包括数据采集模块、数据处理模块、数据平衡模块、数据挖掘模块、中央控制模块和数据存储模块；
所述数据采集单元用于获取宠食供应链预处理数据；
所述数据处理模块将所述供应链预处理数据进行数据预处理；
所述数据平衡模块用于通过基于K-means算法优化平衡所述供应链数据集得到所述供应链平衡数据集；
所述数据挖掘模块用于通过设置约束条件对所述供应链平衡数据集进行挖掘并输出所述供应链效率影响因素；
所述中央控制模块用于通过单片机控制各个模块正常工作；
所述数据存储模块用于存放数据库以存储各个模块所产生的数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310827905.5A CN116777325A (zh) | 2023-07-07 | 2023-07-07 | 一种基于大数据分析的宠食供应链管理系统和方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310827905.5A CN116777325A (zh) | 2023-07-07 | 2023-07-07 | 一种基于大数据分析的宠食供应链管理系统和方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116777325A true CN116777325A (zh) | 2023-09-19 |
Family
ID=87987836
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310827905.5A Pending CN116777325A (zh) | 2023-07-07 | 2023-07-07 | 一种基于大数据分析的宠食供应链管理系统和方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116777325A (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103729349A (zh) * | 2013-12-23 | 2014-04-16 | 武汉传神信息技术有限公司 | 一种对翻译质量影响因素的分析方法 |
| WO2017113774A1 (zh) * | 2015-12-28 | 2017-07-06 | 中兴通讯股份有限公司 | 一种无线通讯系统用户优先级的判别方法及装置 |
| CN110852388A (zh) * | 2019-11-13 | 2020-02-28 | 吉林大学 | 基于K-means改进的SMOTE算法 |
-
2023
- 2023-07-07 CN CN202310827905.5A patent/CN116777325A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103729349A (zh) * | 2013-12-23 | 2014-04-16 | 武汉传神信息技术有限公司 | 一种对翻译质量影响因素的分析方法 |
| WO2017113774A1 (zh) * | 2015-12-28 | 2017-07-06 | 中兴通讯股份有限公司 | 一种无线通讯系统用户优先级的判别方法及装置 |
| CN110852388A (zh) * | 2019-11-13 | 2020-02-28 | 吉林大学 | 基于K-means改进的SMOTE算法 |
Non-Patent Citations (2)
| Title |
|---|
| 白浩;袁智勇;孙睿;张强;史训涛;: "基于Apriori算法和卷积神经网络的配电设备运行效率主要影响因素挖掘", 电力建设, no. 03, 1 March 2020 (2020-03-01) * |
| 陈昕: "加权频繁模式在电网告警频报信号分析中的应用", 电力工程技术, vol. 37, no. 2, 31 March 2018 (2018-03-31), pages 138 - 140 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11790383B2 (en) | System and method for selecting promotional products for retail | |
| US20210209705A1 (en) | System and Method for Managing and Operating an Agricultural-Origin-Product Manufacturing Supply Chain | |
| US11334845B2 (en) | System and method for generating notification of an order delivery | |
| US20150371161A1 (en) | System and methods for identifying, evaluating and predicting land use and agricultural production | |
| US7437323B1 (en) | Method and system for spot pricing via clustering based demand estimation | |
| US20230085704A1 (en) | Systems and methods for dynamic demand sensing | |
| EP3876177A1 (en) | System and method for retail price optimization | |
| US8781919B2 (en) | Data row packing apparatus, systems, and methods | |
| CN112614011A (zh) | 电力配网物资需求预测方法和装置、存储介质及电子设备 | |
| CN110533467A (zh) | 基于大数据分析的用户行为分析平台及其工作方法 | |
| US20240095256A1 (en) | Method and system for persisting data | |
| US20180121526A1 (en) | Method, apparatus, and computer-readable medium for non-structured data profiling | |
| CN115422415A (zh) | 一种用于葡萄酒生产的数字孪生体构造系统 | |
| CN101739454A (zh) | 数据处理系统 | |
| CN110163722B (zh) | 用于农产品精准销售的大数据分析系统及分析方法 | |
| CN116757779A (zh) | 一种基于用户画像的推荐方法 | |
| CN113127537B (zh) | 融合时序预测模型和机器学习模型的备件需求预测方法 | |
| CN116777325A (zh) | 一种基于大数据分析的宠食供应链管理系统和方法 | |
| CN107357919A (zh) | 行为日志查询系统及方法 | |
| US20220309595A1 (en) | System and Method for Managing and Operating an Agricultural-Origin-Product Manufacturing Supply Chain | |
| CN114116694A (zh) | 面向工业热源对象的工业热源信息表达提取方法及装置 | |
| CN111768282B (zh) | 数据分析方法、装置、设备及存储介质 | |
| CN101159050A (zh) | 一种看板数据处理方法及一种看板应用集成系统 | |
| Kandan et al. | Implementation of Crop Yield Forecasting System based on Climatic and Agricultural Parameters | |
| US20230014241A1 (en) | Systems and Methods for Supply Chain Intelligence |
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 | ||
| CB02 | Change of applicant information |
Country or region after: China Address after: No. 1-8, Lane 366, Xutang Road, Songjiang District, Shanghai, 2016 Applicant after: Shanghai Fubei Pet Products Co.,Ltd. Address before: Room 501, Building 2, No. 299 Zhongchen Road, Songjiang District, Shanghai, 2016 Applicant before: Shanghai Fubei Pet Products Co.,Ltd. Country or region before: China |
|
| CB02 | Change of applicant information |