CN116860833B - 一种多域数据的主体信息服务系统 - Google Patents

一种多域数据的主体信息服务系统 Download PDF

Info

Publication number
CN116860833B
CN116860833B CN202310881918.0A CN202310881918A CN116860833B CN 116860833 B CN116860833 B CN 116860833B CN 202310881918 A CN202310881918 A CN 202310881918A CN 116860833 B CN116860833 B CN 116860833B
Authority
CN
China
Prior art keywords
bidding
data
bid
information
simulation
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.)
Active
Application number
CN202310881918.0A
Other languages
English (en)
Other versions
CN116860833A (zh
Inventor
陈戈
梁敏华
柳青
文铭
吴颖霞
谢庆笙
张文娟
刘丽雅
蓝文奕
郑雨婷
朱忠洋
罗嘉明
李艳军
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.)
Shenzhen Trading Group Co ltd
Original Assignee
Shenzhen Trading Group Co ltd
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 Shenzhen Trading Group Co ltd filed Critical Shenzhen Trading Group Co ltd
Priority to CN202310881918.0A priority Critical patent/CN116860833B/zh
Publication of CN116860833A publication Critical patent/CN116860833A/zh
Application granted granted Critical
Publication of CN116860833B publication Critical patent/CN116860833B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F16/2465—Query processing support for facilitating data mining operations in structured databases
    • 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
    • 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
    • G06F16/248—Presentation of query results
    • 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
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/29—Graphical models, e.g. Bayesian networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • 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
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Probability & Statistics with Applications (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Fuzzy Systems (AREA)
  • Algebra (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computing Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

一种多域数据的主体信息服务系统，包括数据采集模块、数据存储模块、数据分析模块、模拟招投标模块、用户界面模块，构成多个领域的数据处理功能结构；数据采集模块用于从各个数据源获取招投标和主体信息；数据存储模块用以存储采集到的数据信息；数据分析模块用以对采集到的数据信息进行分析处理，以供用户查阅参考；模拟招投标模块，根据采集到的数据信息和分析处理后的数据信息，采用蒙特卡罗模拟算法为用户进行指定的招投标模拟；用户界面模块，设有与用户交互的可视化装置，用以显示或输入指令。本发明能够提供用户更为全面的招投标信息，通过模拟招投标的方式获得招投标预测，供用户指定更为有效的招投标策略。

Description

一种多域数据的主体信息服务系统
技术领域
本发明涉及一种信息数据技术，尤其是涉及一种多域数据的主体信息服务系统。
背景技术
招投标是当今一种用于采购方寻求更合适的供应商的一种商业合作的竞争形式。采购方也就是招标方，发出相关的项目需求，而投标方则是根据自己产品或服务的市场价格和成本的权衡进行投标竞争的一个角色。招标方和投标方的关系一般是一对多的关系，至于哪个投标方能够竞标胜出，是一种关于市场变化、企业实力以及销售策略的博弈。由于投标方较多，且最终一般只有一个投标方胜出，因此招投标的活动的竞争非常激烈，而企业在参加了招投标后，很难判断用户自己是否能够胜出。只能通过有限的可能的竞争对手的资料来进行分析和判断，无法获得更直观的分析支持。
发明内容
本发明解决的技术问题是提供一种多域数据的主体信息服务系统，其能够提供用户更为全面的招投标信息，并且能够通过模拟招投标的方式获得招投标预测，供用户指定更为有效的招投标策略。
本发明的技术解决方案是：
一种多域数据的主体信息服务系统，其中，包括数据采集模块、数据存储模块、数据分析模块、模拟招投标模块、用户界面模块，构成多个领域的数据处理功能结构；
所述数据采集模块用于从各个数据源获取招投标信息、招标方信息、历史招投标信息和主体信息；
所述数据存储模块用以存储采集到的数据信息，包括招投标信息、招标方信息、历史招投标信息和主体信息；
所述数据分析模块用以对采集到的数据信息进行分析处理，以供用户查阅参考；
所述模拟招投标模块，根据采集到的数据信息和分析处理后的数据信息，采用蒙特卡罗模拟算法为用户进行指定的招投标模拟；
所述用户界面模块，设有与用户交互的可视化装置，用以显示或输入指令。
如上所述的多域数据的主体信息服务系统，其中，所述数据采集模块采用技术对目标数据源进行数据采集，并对采集的数据进行数据清洗；
所述采集的数据信息包括：招标公告、招标文件、中标公告、中标结果、招标方名称、招标方地址、招标方联系方式、历史投标方名称、历史投标方地址、历史投标方联系方式以及投标方的主体信息。
如上所述的多域数据的主体信息服务系统，其中，所述数据分析模块从数据存储模块中提取数据，采用数据挖掘技术进行市场数据分析、采用统计分析方法进行历史招投标数据分析，采用竞争对手分析工具进行竞争对手分析；具体分析的数据信息包括：招投标信息、招标方信息、历史投标方信息。
如上所述的多域数据的主体信息服务系统，其中，采用K-Means算法进行竞争对手分析，其公式为：
J＝∑i＝1k∑x∈Ci||x-μi||2
其中，J为目标函数，k为聚类数，Ci为第ii个聚类，μi为第i个聚类的中心点，x为数据点；数据分析结果包括：市场份额分析、历史中标率分析和竞争对手分析。
如上所述的多域数据的主体信息服务系统，其中，采用所述K-Means算法进行数据分析的步骤如下：
(1)选择聚类数k，初始化k个聚类中心点；
(2)将数据集中的每个数据点分配到距离最近的聚类中心点所在的聚类中；
(3)重新计算每个聚类的中心点；
(4)重复步骤(2)和步骤(3)，直到聚类中心点不再发生变化或达到最大迭代次数。
如上所述的多域数据的主体信息服务系统，其中，所述模拟招投标模块采用蒙特卡罗模拟算法进行招投标模拟，采用Excel工具进行投标模拟。
如上所述的多域数据的主体信息服务系统，其中，所述模拟招投标模块模拟用户自身招投标的流程步骤如下：
(1)输入预投标数据，包括投标价格、材料成本、人工成本；
(2)输入模拟参数，包括模拟次数、材料价格波动范围、人工成本变化范围；
(3)采用蒙特卡罗模拟算法，模拟投标价格的不确定性因素，得到模拟投标价格；
(4)根据模拟投标价格和预投标数据，计算投标利润；
(5)重复步骤(3)和步骤(4)，直到达到模拟次数；
(6)统计模拟投标结果，包括平均投标价格、最高投标价格、最低投标价格、投标利润；
(7)根据模拟投标结果，以供用户分析投标风险和利润，制定更加有效的投标策略。
如上所述的多域数据的主体信息服务系统，其中，
所述模拟招投标模块根据所采集的竞争对手数据、招标方数据、市场数据，模拟用户与竞争对手对同一个标进行投标的结果，根据结果信息给予用户招投标的预测；
所述模拟招投标模块采用博弈论算法进行用户与竞争对手的招投标模拟，采用Python工具进行模拟投标；模拟招投标的流程步骤如下：
(1)输入竞争对手数据、招标方数据、市场数据；
(2)采用博弈论算法，分析用户与竞争对手对同一个标进行投标的策略和结果；
(3)编写模拟投标程序，模拟用户和竞争对手的投标过程，得到模拟投标结果；
(4)根据模拟投标结果，分析用户和竞争对手的投标策略和结果，得到招投标预测；
(5)根据招投标预测，制定更加有效的投标策略。
如上所述的多域数据的主体信息服务系统，其中，
所述采用博弈论算法，分析用户与竞争对手对同一个标进行投标的策略和结果，包括：
确定博弈模型：在招投标模拟中，采用二人零和博弈模型；
确定策略集合：在招投标模拟中，用户和竞争对手的策略集合是投标价格；
确定收益矩阵：在招投标模拟中，收益矩阵是用户和竞争对手的利润矩阵；
确定博弈解：在招投标模拟中，博弈解是指用户和竞争对手的最优策略和结果，采用纳什均衡的博弈解概念进行分析。
所述编写模拟投标程序，模拟用户和竞争对手的投标过程，得到模拟投标结果，采用Python编程语言进行实现。
由以上说明得知，本发明确实具有如下的优点：
本发明的一种多域数据的主体信息服务系统，设有数据采集模块、数据存储模块、数据分析模块、模拟招投标模块、用户界面模块，不仅能够通过数据采集模块、数据存储模块、数据分析模块、用户界面模块实现全面的招投标的信息查询分析，而且还可以通过模拟招投标模块，根据所获取的各种数据信息，进行指定标的的招投标模拟，从而得出招投标预测，提供给用户，使得用户能够更为直观地获得招投标的参考信息。本发明能够提供用户获得更为全面的招投标信息，并且能够通过模拟招投标的方式获得招投标预测，供用户指定更为有效的招投标策略。
附图说明
图1为本发明的较佳实施例的系统结构示意框图。
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解，现对照附图说明本发明的具体实施方式。
本发明的一种多域数据的主体信息服务系统，其较佳的实施例中，请参照图1所示，本发明的多域数据的主体信息服务系统包括数据采集模块、数据存储模块、数据分析模块、模拟招投标模块、用户界面模块，构成多个领域的数据处理功能结构；借此，本发明能够通过多各不同的数据域来对数据进行处理和分析，以实现数据处理多个领域的分析功能。
所述数据采集模块用于从各个数据源获取招投标信息、招标方信息、历史招投标信息和主体信息；数据源可以包括政府采购网、招标代理机构、企业官网等。数据采集模块需要采用不同的数据采集方式和数据清洗方式，以便于获取高质量的数据。
所述数据存储模块用以存储采集到的数据信息，包括招投标信息、招标方信息、历史招投标信息和主体信息；数据存储模块需要采用合适的数据存储方式和数据管理方式，以便于数据的管理和维护。
所述数据分析模块用以对采集到的数据信息进行分析处理，以供用户查阅参考；包括市场数据分析、历史招投标数据分析、竞争对手分析等。数据分析模块需要采用合适的数据分析方法和工具，以便于获取有用的分析结果。
所述模拟招投标模块，根据采集到的数据信息和分析处理后的数据信息，采用蒙特卡罗模拟算法为用户进行指定的招投标模拟；该模块用于根据用户输入的预投标数据，进行招投标模拟，给出招投标的模拟结果。模拟招投标模块需要采用合适的模拟算法和工具，以便于给出准确的模拟结果。
所述用户界面模块，设有与用户交互的可视化装置，用以显示或输入指令。该模块用于提供用户界面，方便用户进行招投标信息查询和模拟投标。用户界面模块需要采用合适的界面设计和交互方式，以便于用户进行操作。
借此，本发明的多域数据的主体信息服务系统，能够有效地提供用户查询招投标的相关信息，并且通过模拟招投标模块提供用户更为直观的招投标结果预测，以供用户制定更为有效的招投标策略。
如上所述的本发明的多域数据的主体信息服务系统，其较佳的实施例中，所述数据采集模块采用网络数据抓取技术对目标数据源进行数据采集，并对采集的数据进行数据清洗；
所述采集的数据信息包括：招标公告、招标文件、中标公告、中标结果、招标方名称、招标方地址、招标方联系方式、历史投标方名称、历史投标方地址、历史投标方联系方式以及投标方的主体信息。该模块的具体内容包括数据源的选择、数据采集方式的选择、数据清洗方式的选择等。例如，可以选择政府采购网作为数据源，采用网络数据抓取技术进行数据采集，采用数据清洗工具进行数据清洗。数据采集模块需要考虑数据源的稳定性、数据采集效率、数据清洗准确性等因素。
如上所述的本发明的多域数据的主体信息服务系统，其较佳的实施例中，所述数据分析模块从数据存储模块中提取数据，采用数据挖掘技术进行市场数据分析、采用统计分析方法进行历史招投标数据分析，采用竞争对手分析工具进行竞争对手分析；具体分析的数据信息包括：招投标信息、招标方信息、历史投标方信息。数据分析模块需要考虑到数据分析的准确性、数据分析的效率、数据分析结果的可视化等因素。
如上所述的本发明的多域数据的主体信息服务系统，其较佳的实施例中，采用K-Means算法进行竞争对手分析，其公式为：
J＝∑i＝1k∑x∈Ci||x-μi||2
其中，J为目标函数，k为聚类数，Ci为第ii个聚类，μi为第i个聚类的中心点，x为数据点；数据分析结果包括：市场份额分析、历史中标率分析和竞争对手分析。
一个完整的招投标信息查询需要考虑多个方面的因素，包括数据采集、数据存储、数据分析、模拟投标和用户界面等。在实际开发中，需要根据具体的业务需求和数据特点进行调整，以便于实现一个高效、准确、易用的招投标信息查询系统。
如上所述的本发明的多域数据的主体信息服务系统，其较佳的实施例中，K-Means算法是一种聚类算法，采用所述K-Means算法进行数据分析的步骤如下：
(1)选择聚类数k，初始化k个聚类中心点；
(2)将数据集中的每个数据点分配到距离最近的聚类中心点所在的聚类中；
(3)重新计算每个聚类的中心点；
(4)重复步骤(2)和步骤(3)，直到聚类中心点不再发生变化或达到最大迭代次数。
较佳的，采用K-Means算法进行竞争对手分析。具体分析流程如下：
从数据存储模块中获取竞争对手的相关数据，包括竞争对手名称、竞争对手地址、竞争对手联系方式等。
根据竞争对手的相关数据，计算每个竞争对手的市场份额。具体计算方法为：将竞争对手的中标金额除以所有竞争对手的中标金额之和，得到竞争对手的市场份额。
将竞争对手的市场份额作为数据集，采用K-Means算法进行聚类分析，得到不同的竞争对手类别。
根据聚类结果，分析不同竞争对手类别的市场份额、历史中标率等指标，得到市场份额分析、历史中标率分析、竞争对手分析的结果。
以一个例子说明：
假设有3个竞争对手A、B、C，他们的中标金额分别为100万元、200万元、300万元，总中标金额为600万元。
则A的市场份额为16.67％(100/600)，B的市场份额为33.33％(200/600)，C的市场份额为50％(300/600)。
将市场份额作为数据集，采用K-Means算法进行聚类分析，得到不同的竞争对手类别，例如类别1包括A和B，类别2包括C。然后可以分析不同竞争对手类别的市场份额、历史中标率等指标，得到市场份额分析、历史中标率分析、竞争对手分析的结果。
例如，类别1的市场份额为50％(A和B的市场份额之和)，历史中标率为60％(A和B历史中标次数之和除以A和B历史投标次数之和)，类别2的市场份额为50％(C的市场份额)，历史中标率为40％(C历史中标次数除以C历史投标次数)。
通过这些分析结果，可以帮助用户更好地了解市场情况、竞争对手情况，从而制定更加有效的投标策略。
如上所述的本发明的多域数据的主体信息服务系统，其较佳的实施例中，所述模拟招投标模块采用蒙特卡罗模拟算法进行招投标模拟，采用Excel工具进行投标模拟。其中：
a、蒙特卡罗模拟算法：蒙特卡罗模拟算法是一种基于随机数的模拟方法，可以用于模拟各种不确定性因素对结果的影响。在招投标模拟中，可以采用蒙特卡罗模拟算法模拟投标价格的不确定性因素，例如材料价格波动、人工成本变化等。
b、Excel模拟工具：Excel是一种常用的电子表格软件，可以用于数据处理、计算、图表制作等。在招投标模拟中，可以采用Excel进行模拟投标，通过输入预投标数据和模拟参数，得到模拟投标结果。
如上所述的本发明的多域数据的主体信息服务系统，其较佳的实施例中，所述模拟招投标模块模拟用户自身招投标的流程步骤如下：
(1)输入预投标数据，包括投标价格、材料成本、人工成本；
(2)输入模拟参数，包括模拟次数、材料价格波动范围、人工成本变化范围；
(3)采用蒙特卡罗模拟算法，模拟投标价格的不确定性因素，得到模拟投标价格；
(4)根据模拟投标价格和预投标数据，计算投标利润；
(5)重复步骤(3)和步骤(4)，直到达到模拟次数；
(6)统计模拟投标结果，包括平均投标价格、最高投标价格、最低投标价格、投标利润；
(7)根据模拟投标结果，以供用户分析投标风险和利润，制定更加有效的投标策略。
下面以一个具体例子说明：
假设用户预计投标价格为100万元，材料成本为20万元，人工成本为30万元，模拟参数为模拟100次，材料价格波动范围为±5％，人工成本变化范围为±10％。
则可以采用Excel进行模拟投标，输入预投标数据和模拟参数，然后采用蒙特卡罗模拟算法，模拟投标价格的不确定性因素，得到模拟投标价格。
例如，第一次模拟投标价格为105万元，第二次模拟投标价格为98万元，第三次模拟投标价格为110万元，以此类推。然后根据模拟投标价格和预投标数据，计算投标利润。
例如，第一次模拟投标利润为55万元(105-20-30)，第二次模拟投标利润为48万元(98-20-30)，第三次模拟投标利润为60万元(110-20-30)，以此类推。重复步骤3和步骤4，直到达到模拟次数。
例如，模拟100次后，得到100个模拟投标价格和模拟投标利润。然后统计模拟投标结果，包括平均投标价格、最高投标价格、最低投标价格、投标利润等。
例如，平均投标价格为102万元，最高投标价格为120万元，最低投标价格为90万元，投标利润的平均值为50万元。最后根据模拟投标结果，分析投标风险和利润，制定更加有效的投标策略。
根据模拟结果，可以发现投标价格的不确定性较大，投标利润的波动较大，因此需要制定更加谨慎的投标策略，适当提高投标价格，降低投标风险。
通过上述用户自身的招投标的模拟，能够给予用户更为明确的招投标风险提示，以便于更好地指定招投标策略。
如上所述的本发明的多域数据的主体信息服务系统，其较佳的实施例中，所述模拟招投标模块根据所采集的竞争对手数据、招标方数据、市场数据，模拟用户与竞争对手对同一个标进行投标的结果，根据结果信息给予用户招投标的预测；
所述模拟招投标模块采用博弈论算法进行用户与竞争对手的招投标模拟，采用Python工具进行模拟投标；模拟招投标的流程步骤如下：
(1)输入竞争对手数据、招标方数据、市场数据；
(2)采用博弈论算法，分析用户与竞争对手对同一个标进行投标的策略和结果；
(3)编写模拟投标程序，模拟用户和竞争对手的投标过程，得到模拟投标结果；
(4)根据模拟投标结果，分析用户和竞争对手的投标策略和结果，得到招投标预测；
(5)根据招投标预测，制定更加有效的投标策略。
其中：(1)博弈论算法：博弈论是一种研究决策制定的数学理论，可以用于分析竞争对手之间的策略和结果。在招投标模拟中，可以采用博弈论算法模拟用户与竞争对手对同一个标进行投标的结果。
(2)Python模拟工具：Python是一种常用的编程语言，可以用于数据处理、计算、模拟等。在招投标模拟中，可以采用Python进行模拟投标，通过编写模拟投标程序，得到模拟投标结果。
下面以一个具体的例子说明：
假设用户和竞争对手A、B、C对同一个标进行投标，用户预计投标价格为100万元，竞争对手A预计投标价格为90万元，竞争对手B预计投标价格为110万元，竞争对手C预计投标价格为95万元。
则可以采用博弈论算法分析用户和竞争对手的投标策略和结果，得到用户和竞争对手的最优策略和结果。然后编写模拟投标程序，模拟用户和竞争对手的投标过程，得到模拟投标结果。
例如，模拟投标结果为用户投标价格为105万元，竞争对手A投标价格为92万元，竞争对手B投标价格为108万元，竞争对手C投标价格为96万元。然后根据模拟投标结果，分析用户和竞争对手的投标策略和结果，得到招投标预测。
例如，根据模拟结果，可以发现竞争对手B的投标价格最高，竞争对手A的投标价格最低，用户的投标价格处于中间水平，因此需要制定更加灵活的投标策略，例如，对于模拟招投标模块的另一个重要功能，即根据所采集的可能存在的竞争对手的数据、招标方的数据、市场数据，以一种有效的算法方式来模拟用户与可能的竞争对手对同一个标进行投标的结果，并根据结果信息给予用户更直观的招投标预测，具体流程如下：
收集数据：收集竞争对手的数据、招标方的数据和市场数据，包括竞争对手的投标价格、投标次数、投标利润等信息，招标方的需求、预算等信息，市场的供需情况、价格趋势等信息。
确定模拟投标模型：根据收集到的数据，确定模拟投标模型，包括博弈模型、策略集合和收益矩阵等。
进行模拟投标：根据模拟投标模型，进行模拟投标，得到模拟投标价格和模拟投标利润等结果。可以采用蒙特卡罗模拟算法等方法，模拟投标价格的不确定性因素，得到模拟投标价格。
分析模拟投标结果：根据模拟投标结果，分析用户和竞争对手的投标策略和结果，得到招投标预测。可以计算投标价格的均值、方差等统计量，分析投标价格的不确定性和投标利润的波动情况，制定更加有效的投标策略。同时，可以分析竞争对手的投标策略和结果，得到竞争对手的投标价格、投标次数、投标利润等信息，预测竞争对手的行为。
给出招投标预测：根据分析结果，给出招投标预测，包括投标价格的范围、投标利润的波动情况、竞争对手的策略和结果等。招投标预测可以帮助用户更好地制定投标策略，降低投标风险，提高投标成功率。
不断优化模型：根据实际情况，不断优化模拟投标模型，包括博弈模型、策略集合和收益矩阵等，提高模拟投标的准确性和可靠性。
例如，假设在招标过程中，用户和竞争对手A、B、C对同一个标进行投标，用户预计投标价格为100万元，竞争对手A预计投标价格为90万元，竞争对手B预计投标价格为110万元，竞争对手C预计投标价格为95万元。
通过模拟投标程序，得到100次模拟投标价格和模拟投标利润等结果。根据模拟投标结果，可以分析用户和竞争对手的投标策略和结果，得到招投标预测。例如，可以预测投标价格的范围、投标利润的波动情况、竞争对手的策略和结果等。招投标预测可以帮助用户更好地制定投标策略，降低投标风险，提高投标成功率。
如上所述的本发明的多域数据的主体信息服务系统，其较佳的实施例中，
所述采用博弈论算法，分析用户与竞争对手对同一个标进行投标的策略和结果，包括：
确定博弈模型：在招投标模拟中，采用二人零和博弈模型；即用户和竞争对手之间的利益是互相矛盾的，一方的利益损失就是另一方的利益收益。
确定策略集合：在招投标模拟中，用户和竞争对手的策略集合是投标价格；即用户和竞争对手可以选择不同的投标价格来争夺标的中标权。
确定收益矩阵：在招投标模拟中，收益矩阵是用户和竞争对手的利润矩阵；即用户和竞争对手在不同的投标价格下的利润情况。
确定博弈解：在招投标模拟中，博弈解是指用户和竞争对手的最优策略和结果，采用纳什均衡的博弈解概念进行分析。
所述编写模拟投标程序，模拟用户和竞争对手的投标过程，得到模拟投标结果，采用Python编程语言进行实现。
具体的，博弈论算法：博弈论是一种研究决策制定的数学理论，可以用于分析竞争对手之间的策略和结果。在招投标模拟中，可以采用博弈论算法模拟用户与竞争对手对同一个标进行投标的结果。
Python模拟工具：Python是一种常用的编程语言，可以用于数据处理、计算、模拟等。在招投标模拟中，可以采用Python进行模拟投标，通过编写模拟投标程序，得到模拟投标结果。
下面以一个实际例子来说明博弈论算法和模拟投标程序的具体内容。
假设用户和竞争对手A、B、C对同一个标进行投标，用户预计投标价格为100万元，竞争对手A预计投标价格为90万元，竞争对手B预计投标价格为110万元，竞争对手C预计投标价格为95万元。则可以采用博弈论算法分析用户和竞争对手的最优策略和结果。
确定博弈模型：在招投标模拟中，采用二人零和博弈模型。
确定策略集合：用户和竞争对手的策略集合是投标价格，即用户和竞争对手可以选择不同的投标价格来争夺标的中标权。
确定收益矩阵：用户和竞争对手在不同的投标价格下的利润情况。
如下具体例子的数据所示：
确定博弈解：采用纳什均衡概念进行分析，得到用户和竞争对手的最优策略和结果如下：
根据博弈论分析结果，用户的最优策略是投标105万元，竞争对手A的最优策略是投标90万元，竞争对手B的最优策略是投标110万元，竞争对手C的最优策略是投标95万元。用户的最优结果是投标利润为-5万元，竞争对手A的最优结果是投标利润为15万元，竞争对手B的最优结果是投标利润为5万元，竞争对手C的最优结果是投标利润为-10万元。
然后编写模拟投标程序，模拟用户和竞争对手的投标过程，得到模拟投标结果。可以采用Python进行实现，具体流程如下：
输入竞争对手数据、招标方数据、市场数据等。
根据博弈论算法，分析用户和竞争对手的最优策略和结果。
编写模拟投标程序，模拟用户和竞争对手的投标过程，得到模拟投标结果。
例如，可以采用蒙特卡罗模拟算法，模拟投标价格的不确定性因素，得到模拟投标价格。例如，第一次模拟投标价格为105万元，第二次模拟投标价格为98万元，第三次模拟投标价格为110万元，以此类推。然后根据模拟投标价格和预投标数据，计算投标利润。
例如，第一次模拟投标利润为55万元(105-20-30)，第二次模拟投标利润为48万元(98-20-30)，第三次模拟投标利润为60万元(110-20-30)，以此类推。重复步骤3和步骤4，直到达到模拟次数。
例如，模拟100次后，得到100个模拟投标价格和模拟投标利润。
根据模拟投标结果，分析用户和竞争对手的投标策略和结果，得到招投标预测。例如，根据模拟结果，可以发现投标价格的不确定性较大，投标利润的波动较大，因此需要制定更加谨慎的投标策略，例如适当提高投标价格，降低投标风险。
综上所述，模拟招投标模块的博弈论算法和模拟投标程序可以帮助用户更好地分析竞争对手的策略和结果，制定更加有效的投标策略，降低投标风险，提高投标成功率。
以上面的具体例子的数据为例，
其中，每个元素表示在该投标价格下，用户和竞争对手的利润情况。
确定博弈解：采用纳什均衡概念进行分析，得到用户和竞争对手的最优策略和结果。纳什均衡是指在博弈中，每个参与者都采取了最优策略，没有任何一个参与者可以通过改变自己的策略来获得更多的收益。在招投标模拟中，可以通过以下公式计算纳什均衡：
NE＝(S1,S2,…,Sn)
其中，NE表示纳什均衡，S1,S2,…,Sn表示每个参与者的最优策略。
在招投标模拟中，可以通过以下步骤计算纳什均衡：
对于每个参与者，计算其在每个投标价格下的最大收益。
对于每个参与者，选择最大收益对应的投标价格作为其最优策略。
判断是否存在多个参与者选择同一个投标价格作为最优策略，如果存在，则继续计算。
重复步骤1-3，直到不存在多个参与者选择同一个投标价格作为最优策略。
例如，在上述收益矩阵中，可以得到以下纳什均衡：
NE＝(105,90,110,95)
其中，用户的最优策略是投标105万元，竞争对手A的最优策略是投标90万元，竞争对手B的最优策略是投标110万元，竞争对手C的最优策略是投标95万元。
综上所述，根据博弈论算法，分析用户和竞争对手的最优策略和结果需要确定博弈模型、策略集合和收益矩阵，然后采用纳什均衡等概念进行分析，得到最优策略和结果。
本发明较佳的实施例中，根据模拟投标结果，分析用户和竞争对手的投标策略和结果，得到招投标预测；
收集模拟投标结果：根据模拟投标程序，得到模拟投标价格和模拟投标利润等结果，收集这些结果。
分析投标价格的不确定性：根据模拟投标价格的分布情况，计算投标价格的均值、方差等统计量，分析投标价格的不确定性。例如，如果投标价格的方差较大，说明投标价格的波动较大，需要制定更加谨慎的投标策略。
分析投标利润的波动情况：根据模拟投标利润的分布情况，计算投标利润的均值、方差等统计量，分析投标利润的波动情况。例如，如果投标利润的方差较大，说明投标利润的波动较大，需要制定更加稳健的投标策略。
分析竞争对手的策略和结果：根据模拟投标结果，分析竞争对手的投标策略和结果。例如，可以计算竞争对手的投标价格的均值、方差等统计量，分析竞争对手的投标策略和结果。
制定投标策略：根据分析结果，制定更加有效的投标策略。例如，如果投标价格的不确定性较大，可以适当提高投标价格，降低投标风险；如果竞争对手的投标价格较低，可以考虑采取其他策略，例如提高服务质量、降低成本等。
得出招投标预测：根据分析结果和制定的投标策略，得出招投标预测。例如，可以预测投标价格的范围、投标利润的波动情况、竞争对手的策略和结果等。招投标预测可以帮助用户更好地制定投标策略，降低投标风险，提高投标成功率。
综上所述，根据模拟投标结果，分析用户和竞争对手的投标策略和结果，得到招投标预测需要分析投标价格的不确定性、投标利润的波动情况、竞争对手的策略和结果等因素，制定更加有效的投标策略，得出招投标预测。
较佳的，本发明的较佳实施例中，分析竞争对手的策略和结果：根据模拟投标结果，分析竞争对手的投标策略和结果。例如，可以计算竞争对手的投标价格的均值、方差等统计量，分析竞争对手的投标策略和结果。
假设在招标过程中，用户和竞争对手A、B、C对同一个标进行投标，用户预计投标价格为100万元，竞争对手A预计投标价格为90万元，竞争对手B预计投标价格为110万元，竞争对手C预计投标价格为95万元。通过模拟投标程序，得到100次模拟投标价格和模拟投标利润等结果。现在需要分析竞争对手的投标策略和结果，具体流程步骤如下：
计算竞争对手的投标价格的均值和方差：根据模拟投标价格的分布情况，计算竞争对手的投标价格的均值和方差。例如，可以使用以下公式计算均值和方差：
均值＝Σ(xi)/n方差＝Σ(xi-μ)2/n
其中，xi表示第i次模拟投标价格，μ表示均值，n表示模拟次数。例如，假设竞争对手A的投标价格分别为92、89、91、93、90万元，计算得到均值为91万元，方差为2.5万元2。
分析竞争对手的投标策略：根据模拟投标结果，分析竞争对手的投标策略。例如，可以计算竞争对手在每个投标价格下的投标次数，分析竞争对手的投标策略。例如，假设竞争对手A在90万元、91万元、92万元、93万元、94万元等5个投标价格下的投标次数分别为20、30、25、15、10次，可以得到竞争对手A的投标策略是在91万元的投标价格下投标次数最多。
分析竞争对手的投标结果：根据模拟投标结果，分析竞争对手的投标结果。例如，可以计算竞争对手在每个投标价格下的平均投标利润，分析竞争对手的投标结果。例如，假设竞争对手A在90万元、91万元、92万元、93万元、94万元等5个投标价格下的平均投标利润分别为10万元、12万元、8万元、5万元、3万元，可以得到竞争对手A的投标结果是在91万元的投标价格下获得最高的平均投标利润。
综上所述，分析竞争对手的策略和结果需要计算竞争对手的投标价格的均值和方差，分析竞争对手的投标策略和结果。可以使用均值、方差、投标次数、平均投标利润等指标进行分析，得到竞争对手的投标策略和结果。
本发明的一种多域数据的主体信息服务系统，设有数据采集模块、数据存储模块、数据分析模块、模拟招投标模块、用户界面模块，不仅能够通过数据采集模块、数据存储模块、数据分析模块、用户界面模块实现全面的招投标的信息查询分析，而且还可以通过模拟招投标模块，根据所获取的各种数据信息，进行指定标的的招投标模拟，从而得出招投标预测，提供给用户，使得用户能够更为直观地获得招投标的参考信息。本发明能够提供用户获得更为全面的招投标信息，并且能够通过模拟招投标的方式获得招投标预测，供用户指定更为有效的招投标策略。
以上所述仅为本发明示意性的具体实施方式，并非用以限定本发明的范围。任何本领域的技术人员，在不脱离本发明的构思和原则的前提下所作出的等同变化与修改，均应属于本发明保护的范围。

Claims (4)

1.一种多域数据的主体信息服务系统，其特征在于，包括数据采集模块、数据存储模块、数据分析模块、模拟招投标模块、用户界面模块，构成多个区域的数据处理功能结构；
所述数据采集模块用于从各个数据源获取招投标信息、招标方信息、历史招投标信息和主体信息；
所述数据存储模块用以存储采集到的数据信息，包括招投标信息、招标方信息、历史招投标信息和主体信息；
所述数据分析模块用以对采集到的数据信息进行分析处理，以供用户查阅参考；
所述模拟招投标模块，根据采集到的数据信息和分析处理后的数据信息，采用蒙特卡罗模拟算法为用户进行指定的招投标模拟；
所述用户界面模块，设有与用户交互的可视化装置，用以显示或输入指令；
所述数据采集模块采用技术对目标数据源进行数据采集，并对采集的数据进行数据清洗；
采集的所述数据信息包括：招标公告、招标文件、中标公告、中标结果、招标方名称、招标方地址、招标方联系方式、历史投标方名称、历史投标方地址、历史投标方联系方式以及投标方的主体信息；
所述数据分析模块从数据存储模块中提取数据，采用数据挖掘技术进行市场数据分析、采用统计分析方法进行历史招投标数据分析，采用竞争对手分析工具进行竞争对手分析；具体分析的数据信息包括：招投标信息、招标方信息、历史投标方信息；
采用K-Means算法进行竞争对手分析，其数据分析的步骤如下：
（1）选择聚类数k，初始化k个聚类中心点；
（2）将数据集中的每个数据点分配到距离最近的聚类中心点所在的聚类中；
（3）重新计算每个聚类的中心点；
（4）重复步骤（2）和步骤（3），直到聚类中心点不再发生变化或达到最大迭代次数；
所述模拟招投标模块根据所采集的竞争对手数据、招标方数据、市场数据，模拟用户与竞争对手对同一个标进行投标的结果，根据结果信息给予用户招投标的预测；
所述模拟招投标模块采用博弈论算法进行用户与竞争对手的招投标模拟，采用Python工具进行模拟投标；模拟招投标的流程步骤如下：
（1）输入竞争对手数据、招标方数据、市场数据；
（2）采用博弈论算法，分析用户与竞争对手对同一个标进行投标的策略和结果；
（3）编写模拟投标程序，模拟用户和竞争对手的投标过程，得到模拟投标结果；
（4）根据模拟投标结果，分析用户和竞争对手的投标策略和结果，得到招投标预测；
（5）根据招投标预测，制定更加有效的投标策略。
2.如权利要求1所述的多域数据的主体信息服务系统，其特征在于，所述模拟招投标模块采用蒙特卡罗模拟算法进行招投标模拟，采用Excel工具进行投标模拟。
3.如权利要求2所述的多域数据的主体信息服务系统，其特征在于，所述模拟招投标模块模拟用户自身招投标的流程步骤如下：
（1）输入预投标数据，包括投标价格、材料成本、人工成本；
（2）输入模拟参数，包括模拟次数、材料价格波动范围、人工成本变化范围；
（3）采用蒙特卡罗模拟算法，模拟投标价格的不确定性因素，得到模拟投标价格；
（4）根据模拟投标价格和预投标数据，计算投标利润；
（5）重复步骤（3）和步骤（4），直到达到模拟次数；
（6）统计模拟投标结果，包括平均投标价格、最高投标价格、最低投标价格、投标利润；
（7）根据模拟投标结果，以供用户分析投标风险和利润，制定更加有效的投标策略。
4.如权利要求3所述的多域数据的主体信息服务系统，其特征在于，
所述采用博弈论算法，分析用户与竞争对手对同一个标进行投标的策略和结果，包括：
确定博弈模型：在招投标模拟中，采用二人零和博弈模型；
确定策略集合：在招投标模拟中，用户和竞争对手的策略集合是投标价格；
确定收益矩阵：在招投标模拟中，收益矩阵是用户和竞争对手的利润矩阵；
确定博弈解：在招投标模拟中，博弈解是指用户和竞争对手的最优策略和结果，采用纳什均衡的博弈解概念进行分析；
所述编写模拟投标程序，模拟用户和竞争对手的投标过程，得到模拟投标结果，采用Python编程语言进行实现。
CN202310881918.0A 2023-07-18 2023-07-18 一种多域数据的主体信息服务系统 Active CN116860833B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310881918.0A CN116860833B (zh) 2023-07-18 2023-07-18 一种多域数据的主体信息服务系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310881918.0A CN116860833B (zh) 2023-07-18 2023-07-18 一种多域数据的主体信息服务系统

Publications (2)

Publication Number Publication Date
CN116860833A CN116860833A (zh) 2023-10-10
CN116860833B true CN116860833B (zh) 2024-04-16

Family

ID=88221325

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310881918.0A Active CN116860833B (zh) 2023-07-18 2023-07-18 一种多域数据的主体信息服务系统

Country Status (1)

Country Link
CN (1) CN116860833B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20170123217A (ko) * 2016-04-28 2017-11-07 (주)전자조달연구원 입찰 전문가와 입찰 참여자의 매칭 플랫폼 시스템 및 방법
CN108183473A (zh) * 2017-12-13 2018-06-19 国网上海市电力公司 一种集群电动汽车参与辅助服务市场的优化投标方法
CN109658174A (zh) * 2018-09-27 2019-04-19 深圳壹账通智能科技有限公司 投标招标方法、装置、设备及计算机可读存储介质
CN111563781A (zh) * 2019-02-13 2020-08-21 武汉梓金山科技有限公司 智能投标系统
US11037204B1 (en) * 2017-08-08 2021-06-15 Amazon Technologies, Inc. Content bidding simulator
CN113627132A (zh) * 2021-08-27 2021-11-09 北京智慧星光信息技术有限公司 数据去重标记码生成方法、系统、电子设备及存储介质
CN114648393A (zh) * 2022-05-19 2022-06-21 四川隧唐科技股份有限公司 一种应用于招投标的数据挖掘方法、系统及设备
US11410203B1 (en) * 2020-11-04 2022-08-09 Amazon Technologies, Inc. Optimized management of online advertising auctions
CN115760251A (zh) * 2022-11-29 2023-03-07 北银金融科技有限责任公司 一种基于蒙特卡洛模拟的辅助投标报价方法及系统

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060167785A1 (en) * 2005-01-27 2006-07-27 Mullany Francis J Bidding a price for goods and/or services in an auction of wireless communication access requests within a marketplace
US7693755B2 (en) * 2006-09-19 2010-04-06 Karr Donald E Auction program with auctioneer character figure, closeout countdown and bid paddle displays
US20130117070A1 (en) * 2011-11-08 2013-05-09 Xerox Corporation Method and apparatus for providing market simulation service

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20170123217A (ko) * 2016-04-28 2017-11-07 (주)전자조달연구원 입찰 전문가와 입찰 참여자의 매칭 플랫폼 시스템 및 방법
US11037204B1 (en) * 2017-08-08 2021-06-15 Amazon Technologies, Inc. Content bidding simulator
CN108183473A (zh) * 2017-12-13 2018-06-19 国网上海市电力公司 一种集群电动汽车参与辅助服务市场的优化投标方法
CN109658174A (zh) * 2018-09-27 2019-04-19 深圳壹账通智能科技有限公司 投标招标方法、装置、设备及计算机可读存储介质
CN111563781A (zh) * 2019-02-13 2020-08-21 武汉梓金山科技有限公司 智能投标系统
US11410203B1 (en) * 2020-11-04 2022-08-09 Amazon Technologies, Inc. Optimized management of online advertising auctions
CN113627132A (zh) * 2021-08-27 2021-11-09 北京智慧星光信息技术有限公司 数据去重标记码生成方法、系统、电子设备及存储介质
CN114648393A (zh) * 2022-05-19 2022-06-21 四川隧唐科技股份有限公司 一种应用于招投标的数据挖掘方法、系统及设备
CN115760251A (zh) * 2022-11-29 2023-03-07 北银金融科技有限责任公司 一种基于蒙特卡洛模拟的辅助投标报价方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
企业面向微博客采集竞争对手情报的策略研究;徐颖;;情报理论与实践;20120830(08);全文 *
模拟技术在运输项目报价决策中的应用;林思能;;广东工业大学学报;20100315(01);第90-93页 *

Also Published As

Publication number Publication date
CN116860833A (zh) 2023-10-10

Similar Documents

Publication Publication Date Title
Cesa-Bianchi et al. Regret minimization for reserve prices in second-price auctions
Iyer et al. Mean field equilibria of dynamic auctions with learning
Mithas et al. Do auction parameters affect buyer surplus in e‐auctions for procurement?
Horton et al. The labor economics of paid crowdsourcing
US10410255B2 (en) Method and apparatus for advertising bidding
US11216850B2 (en) Predictive platform for determining incremental lift
Huang et al. Optimal inventory control with sequential online auction in agriculture supply chain: An agent-based simulation optimisation approach
Krasnokutskaya et al. The role of quality in internet service markets
KR101679328B1 (ko) 키워드의 프로파일을 수집 및 활용하는 프로파일링 시스템 및 방법
Gonen et al. Increased efficiency through pricing in online labor markets
Jordan et al. Strategy and mechanism lessons from the first ad auctions trading agent competition
US20160342699A1 (en) Systems, methods, and devices for profiling audience populations of websites
CN116860833B (zh) 一种多域数据的主体信息服务系统
US7249088B2 (en) Joint estimation of bidders' risk attitudes and private information
Bapna et al. Allocative Efficiency in Online Auctions: Improving the Performance of Multiple Online Auctions Via Seek‐and‐Protect Agents
CN111445088A (zh) 家庭财务规划方法及装置
Wodecki The reserve price optimization for publishers on real-time bidding on-line marketplaces with time-series forecasting
Cao et al. From labor to trader: Opinion elicitation via online crowds as a market
US20130117070A1 (en) Method and apparatus for providing market simulation service
Chen et al. Reverse double auction mechanism: An efficient algorithm for E-commerce platform operations
CN110765355A (zh) 金融市场产品交易策略课程的推送方法及装置
CN113781188B (zh) 一种计算机实施的竞标方法、计算机设备及存储介质
Xiong et al. Popularity, face and voice: Predicting and interpreting livestreamers' retail performance using machine learning techniques
Sinha et al. Attribution IQ: Scalable Game Theoretic Attribution in Web Analytics
Mizuyama Prediction market system using VIPS, Gaussian forecast distribution and batch-updating central market maker for demand forecasting

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
GR01 Patent grant
GR01 Patent grant