CN116976755A - 一种基于数据处理的产业协同分析评价系统 - Google Patents
一种基于数据处理的产业协同分析评价系统 Download PDFInfo
- Publication number
- CN116976755A CN116976755A CN202311211223.8A CN202311211223A CN116976755A CN 116976755 A CN116976755 A CN 116976755A CN 202311211223 A CN202311211223 A CN 202311211223A CN 116976755 A CN116976755 A CN 116976755A
- Authority
- CN
- China
- Prior art keywords
- data
- collaborative
- industry
- evaluation
- efficiency
- 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.)
- Granted
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 128
- 238000004458 analytical method Methods 0.000 title claims abstract description 52
- 238000012545 processing Methods 0.000 title claims abstract description 19
- 238000007405 data analysis Methods 0.000 claims abstract description 22
- 230000000007 visual effect Effects 0.000 claims abstract description 8
- 238000000034 method Methods 0.000 claims description 27
- 238000004422 calculation algorithm Methods 0.000 claims description 21
- 238000012800 visualization Methods 0.000 claims description 20
- 230000002452 interceptive effect Effects 0.000 claims description 19
- 238000007781 pre-processing Methods 0.000 claims description 13
- 238000005516 engineering process Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 7
- 238000010801 machine learning Methods 0.000 claims description 7
- 238000013480 data collection Methods 0.000 claims description 5
- 230000010354 integration Effects 0.000 claims description 5
- 238000003909 pattern recognition Methods 0.000 claims description 5
- 238000007794 visualization technique Methods 0.000 claims description 5
- 238000013473 artificial intelligence Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 abstract description 9
- 230000000694 effects Effects 0.000 abstract description 7
- 230000002195 synergetic effect Effects 0.000 description 28
- 238000004519 manufacturing process Methods 0.000 description 26
- 238000004364 calculation method Methods 0.000 description 11
- 230000008859 change Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 10
- 230000003993 interaction Effects 0.000 description 9
- 238000011161 development Methods 0.000 description 8
- 230000018109 developmental process Effects 0.000 description 8
- 238000010606 normalization Methods 0.000 description 8
- 239000002994 raw material Substances 0.000 description 8
- 230000002787 reinforcement Effects 0.000 description 7
- 238000013135 deep learning Methods 0.000 description 4
- 238000013136 deep learning model Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 230000006872 improvement Effects 0.000 description 3
- 238000012384 transportation and delivery Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000013068 supply chain management Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 239000008186 active pharmaceutical agent Substances 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013079 data visualisation Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003012 network analysis Methods 0.000 description 1
- 238000004091 panning Methods 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
- 230000004382 visual function Effects 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
- 238000002759 z-score normalization 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/092—Reinforcement learning
-
- 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
- G06Q10/10—Office automation; Time management
- G06Q10/103—Workflow collaboration or project management
-
- 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)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Mathematical Physics (AREA)
- Economics (AREA)
- Operations Research (AREA)
- Software Systems (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Marketing (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Game Theory and Decision Science (AREA)
- Algebra (AREA)
Abstract
本发明提出一种基于数据处理的产业协同分析评价系统,涉及数据处理领域,该系统包括数据预处理模块,用于获取产业协同的原始数据并进行预处理。数据分析模块对预处理后的数据进行分析,识别出产业协同的角色、他们之间的协同关系,以及相关的效率、质量和稳定性数据。评价模块根据数据分析模块的结果,对产业协同进行综合评价,获得产业协同的评价结果。最后,可视化模块将评价结果以各种可视化形式清晰展示,帮助用户快速理解和判断产业协同的状态和效果。通过该系统,可以更有效地分析和评价产业协同,有助于优化产业协同策略,提高产业协同的效率和效果。
Description
技术领域
本申请涉及数据处理领域,特别涉及一种基于数据处理的产业协同分析评价系统。
背景技术
产业协同是现代经济中的重要组成部分,它涉及到不同产业间的协作与互动,可以提高产业的效率和效果。然而,产业协同的分析和评价是一个复杂的问题,需要处理大量的数据,并识别出产业协同的角色、他们之间的协同关系,以及相关的效率、质量和稳定性数据。传统的方法通常是手动进行数据处理和分析,这不仅效率低下,而且容易出错。
随着信息技术的发展,数据处理和机器学习技术在很多领域都得到了广泛的应用,包括产业协同的分析和评价。然而,现有的基于数据处理的产业协同分析评价系统存在一些问题。例如,它们通常没有进行深度分析,不能识别出产业协同的角色和他们之间的协同关系;它们的评价方法也往往过于简单,不能准确反映产业协同的效率、质量和稳定性;另外,它们的可视化功能也不够强大,不能清晰地展示评价结果。
因此,有必要研发一种新的基于数据处理的产业协同分析评价系统,以便更加有效地分析和评价产业协同。
发明内容
本申请提供一种基于数据处理的产业协同分析评价系统,以便更加有效地分析和评价产业协同。
所述产业协同分析评价系统,包括:
数据预处理模块,用于获取产业协同的原始数据,对原始数据进行预处理,输出预处理后的数据;
数据分析模块,用于对预处理后的数据进行分析,识别出产业协同的角色、角色之间的协同关系以及相关的效率、质量和稳定性数据;
评价模块,用于根据数据分析模块的结果,对产业协同进行评价,获得产业协同的评价结果;
可视化模块,用于将评价结果以可视化形式展现出来。
更进一步地,所述评价模块具体用于;
构建产业协同的图模型;
根据所述图模型,计算图中每个节点的中心性指标;
根据所述中心性指标,生成对产业协同的评价结果。
更进一步地,所述产业协同的图模型中,每个节点代表一个参与协同的角色,每个边代表角色之间的协同关系,边的权重是根据协同效率、质量和稳定性的评价指标计算得出的。
更进一步地,所述边的权重的计算基于熵权法,具体包括:
根据产业协同的效率、质量和稳定性数据,计算各评价指标的概率密度;
据所述概率密度,计算各评价指标的信息熵;
根据所述信息熵,计算各评价指标的熵权;
根据所述熵权,计算各评价指标的权重。
更进一步地,所述产业协同的图模型中,所述每个节点的中心性指标包括节点的度中心性、接近中心性、媒介中心性;其中,所述度中心性是指该节点的度,所述接近中心性是指该节点到其他所有节点的平均最短路径长度,所述媒介中心性是指该节点在所有节点对之间的最短路径上出现的频率。
更进一步地,所述数据分析模块还用于,利用机器学习和人工智能算法,进行模式识别,发现存在的问题。
更进一步地,所述可视化模块使用基于图的交互式可视化技术来展示产业协同的评价结果。
更进一步地,所述基于图的交互式可视化技术包括力导向图、树状图、网络图等,这些图可以清晰地展示协同角色之间的关系和他们的评价指标。
更进一步地,所述基于图的交互式可视化技术提供交互界面,用户通过该界面可以直观地操作和探索图来理解协同角色之间的关系、效率、质量和稳定性的评价结果。
更进一步地,所述基于图的交互式可视化技术,还包括数据驱动的故事讲述功能,通过一系列故事步骤引导用户了解产业协同和其评价结果。
更进一步地,所述数据预处理模块具体用于获取数据源、数据收集、数据整合和数据更新。
本申请提出的基于数据处理的产业协同分析评价系统,其创造性体现在以下几个方面:
系统的数据预处理模块可以获取产业协同的原始数据,对原始数据进行预处理,如数据清洗、数据归一化等。数据分析模块能够识别出产业协同的角色,角色之间的协同关系,以及相关的效率、质量和稳定性数据。评价模块根据数据分析模块的结果,构建产业协同的图模型;根据所述图模型,计算图中每个节点的中心性指标;根据所述中心性指标,生成对产业协同的评价结果。可视化模块使用了基于图的交互式可视化技术,将评价结果以直观的形式展现出来。该系统首次整合了数据预处理、分析、评价和可视化等多个模块,形成了一个完整的产业协同分析评价系统。
该系统的有益技术效果主要体现在以下几点:
(1)通过自动化的数据预处理和分析,大大提高了产业协同分析的效率。
(2)通过科学的评价方法,提高了产业协同评价的准确性。
(3)通过交互式的可视化技术,使评价结果更易于理解,有利于用户对产业协同的理解和决策。
(4)系统结构模块化,能适应各种类型和规模的产业协同分析需求。
附图说明
图1是本申请第一实施例提供的一种基于数据处理的产业协同分析评价系统的示意图。
图2是本申请第一实施例涉及的基于图模型的协同评价算法的流程图。
具体实施方式
在下面的描述中阐述了很多具体细节以便于充分理解本申请。但是本申请能够以很多不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本申请内涵的情况下做类似推广,因此本申请不受下面公开的具体实施的限制。
本申请第一实施例提供一种基于数据处理的产业协同分析评价系统。请参看图1,该图为本申请第一实施例的示意图。以下结合图1对本申请第一实施例提供一种基于数据处理的产业协同分析评价系统进行详细说明。
下面,本实施例对相关本实施例涉及的相关概念做出说明。
产业协同通常是指在某个产业链或者产业集群中,不同企业或者不同部门之间通过协调和合作,共享资源,提高效率和创新能力。这种协同可能包括信息的共享、技术的共享、市场的共享等。
例如,汽车制造行业中,原材料供应商、零部件生产商、汽车制造商、销售商等各环节可以进行协同。比如,汽车制造商可以与零部件生产商共享生产计划信息,以帮助零部件生产商优化生产计划,减少库存,降低成本。销售商可以与汽车制造商共享市场信息,帮助汽车制造商更好地理解市场需求,优化产品设计。
产业协同的目标通常是通过优化资源配置,提高整体效率,提高竞争力,推动创新。因此,产业协同分析评价系统的目标就是通过收集和分析相关数据,了解产业协同的效率、质量和稳定性,为优化产业协同提供决策支持。
本实施例中,把产业协同看作是一系列的参与者或者实体(可以将其称为“角色”)通过一种或多种方式相互作用或协作,以达到共同的目标。这种相互作用或协作就是本实施例所说的“协同关系”。
为了举例说明,假设有一个简单的产业协同环境,包括三个角色:供应商A、制造商B和分销商C。他们的协同关系可以简单描述如下:
供应商A向制造商B提供原材料;
制造商B利用原材料制造产品;
制造商B将产品提供给分销商C;
分销商C将产品销售给最终客户。
协同效率:这是一个表示协同工作完成速度或生产率的指标。它可以通过完成的任务数量除以使用的时间或资源计算得出。例如,如果A和B在一个小时内完成了8个任务,那么他们的协同效率可以表示为8/10=0.8(这里假设最高效率为每小时10个任务)。
协同质量:这是一个表示协同工作结果质量的指标。它可以通过质量评分、错误率、客户满意度等多种方式计算得出。例如,如果A和B完成的8个任务中,有7个任务的质量得到了高度评价,那么他们的协同质量可以表示为7/8=0.9。
协同稳定性:这是一个表示协同工作的稳定性或一致性的指标。它可以通过变异系数、标准差等统计方法计算得出。例如,如果A和B的协同工作效率在不同的时间段中的变动很小,说明他们的工作很稳定,协同稳定性得分较高。
所述产业协同分析评价系统,包括数据预处理模块102,数据分析模块104,评价模块106以及可视化模块108。
所述数据预处理模块102,用于获取产业协同的原始数据,对原始数据进行预处理,输出预处理后的数据。
所述数据预处理模块102可以通过如下步骤实施:
步骤S2001获取数据源: 数据可以来自多个源,例如企业的生产管理系统、供应链管理系统、销售系统等。这些系统通常会记录大量的运营数据,如生产数量、生产时间、产品质量、供应商性能等。此外,数据还可以来自外部的市场调研、行业报告、公开的经济数据等。
步骤S2003数据收集: 数据收集是将这些分散在不同系统和报告中的数据集中起来的过程。例如,可以从生产管理系统中获取每个工厂的生产效率数据,从供应链管理系统中获取供应商的性能数据,从销售系统中获取销售数据。这些数据可以通过各种方式收集,例如使用API、数据库查询、文件导入等。
步骤S2005数据整合: 数据整合是将收集来的数据整理成统一的格式,并将其存储在数据库中的过程。在这个过程中,需要处理各种数据质量问题,例如缺失值、重复值、错误值等。还需要对数据进行转换,使其满足分析的需求。例如,可能需要计算出每个角色的协同效率、质量和稳定性,然后将这些计算结果作为新的字段添加到数据库中。
步骤S2007数据更新: 数据库建立后,需要定期更新数据,以反映产业协同的最新状态。这可以通过定期运行数据收集和整合的程序来实现。将数据库作为预处理后的数据,输出到系统的下一个模块104。
数据分析模块104,用于对预处理后的数据进行深度分析,识别出产业协同的角色、角色之间的协同关系以及相关的效率、质量和稳定性数据;
数据分析模块104,可以从数据预处理模块102建立的数据库中识别出产业协同的角色、角色之间的协同关系以及相关的效率、质量和稳定性数据。
除此之外,所述数据分析模块104还用于,利用机器学习和人工智能算法,进行模式识别,发现存在的问题,并能自我学习和优化模型和策略,适应产业环境的变化和发展。
数据分析模块104是产业协同分析评价系统的核心,其任务是对预处理后的数据进行深度分析,获得协同的角色、他们之间的协同关系以及相关的效率、质量和稳定性数据,并揭示产业协同的模式、规律和问题。
下面举例说明其实施步骤。
例如,三个角色参与协同:原料供应商A,生产厂家B,和分销商C。希望通过数据分析提升协同效率、质量和稳定性。
(1)特征选择:对于这个问题,能会选择以下特征进行分析:A的供应效率(如,每天供应的原料数量)、B的生产效率(如,每天生产的产品数量)和质量(如,不良品率)、C的销售效率(如,每天销售的产品数量)等。这些特征反映了产业协同的效率、质量和稳定性。
(2)模型训练:可以使用各种人工智能和机器学习算法对数据进行训练。例如,可以利用深度学习算法识别供应-生产-销售的模式,利用强化学习算法优化生产和销售策略。为此,需要大量的历史数据,如A、B、C的历史效率、质量数据等。
深度学习是一种基于神经网络的机器学习算法,它能够在大量数据中自动地学习和提取特征。在产业协同分析中,可以利用深度学习算法对大量的历史数据进行模式识别。举例来说,假设A、B和C分别代表供应、生产和销售环节,收集了一段时间内这三者的效率、质量等数据,可以使用深度学习模型(例如深度神经网络或者卷积神经网络等)来学习和理解这些环节之间的动态关系,例如,当供应效率提高时,生产和销售的效率可能如何变化。这种模式识别的结果可以帮助理解并预测产业协同的效率和效果。
深度学习模型的输入是用于进行学习和预测的原始数据。在本实施例的例子中,输入可以是各个协同角色的历史数据,这些数据可能包括但不限于:
每个角色(例如,供应商A、生产商B和销售商C)的历史效率数据:例如,每天或每周的生产数量、销售额等。
协同关系的数据:例如,A、B和C之间的交互频率,交互的稳定性等。
与协同相关的其他环境因素:例如,市场需求、原材料价格、工艺条件等。
这些数据可以以时间序列的形式,或者经过特定处理(例如,归一化、特征选择或降维等)后的形式,提供给深度学习模型进行学习。
深度学习模型的输出是在给定输入数据后,预测或推断出的结果。在本实施例的例子中,输出可以是各个协同角色的未来性能预测,例如:
每个角色的未来效率预测:例如,预测A、B和C在未来一段时间内的生产数量、销售额等。
协同关系的预测:例如,预测A、B和C之间的交互频率、交互稳定性在未来一段时间内的可能变化。
协同的总体效果预测:例如,预测整个产业协同系统在未来一段时间内的总体效率、效果等。
这些预测结果可以帮助我们理解和预见产业协同的发展趋势,进而提前做出决策和策略调整。
强化学习是一种通过试错来学习决策策略的机器学习方法,它在控制和优化等任务上有很好的应用。在产业协同分析中,可以利用强化学习算法对协同策略进行优化。还是以A、B和C为例,可以定义一个强化学习任务,其中的状态可以是A、B和C的效率、质量等数据,动作可以是调整生产和销售策略,奖赏可以是总体的协同效率或者效果。强化学习算法(如Q-learning或者策略梯度等)可以通过不断地尝试和学习,找到一个最优的策略,使得总体的协同效率或者效果最大化。
总的来说,深度学习和强化学习都是利用数据进行学习和优化的工具,前者更注重于理解和预测,后者更注重于决策和优化。在产业协同分析中,可以根据需求和数据情况,灵活地选择和应用这些工具。
(3)模式识别:利用训练好的模型,对新的数据进行预测,识别出产业协同的模式和规律。例如,模型可能会发现,当A的供应效率提高时,B的生产效率和质量也会提高,而C的销售效率可能会下降。
识别出的产业协同的模式和规律主要有两个应用:
优化决策:识别出的模式和规律可以为管理者提供洞见,帮助他们做出更好的决策。例如,在上面的例子中,发现当A的供应效率提高时,B的生产效率和质量也会提高,而C的销售效率可能会下降。管理者可以根据这个规律调整生产和销售策略,如通过平衡供应和销售来优化整体效率。
预测和规划:识别出的模式和规律可以用于预测未来的产业协同状况,或者规划更好的协同策略。例如,如果发现B的生产效率和C的销售效率总是有一定的延迟关系,那么我们可以预测未来的销售效率,并据此调整生产策略。
(4)问题发现:通过对模式和规律的分析,可以找出存在的问题。例如,发现当A的供应效率提高时,C的销售效率下降,这可能是因为C无法及时消化增加的产品,导致库存积压,销售效率下降。
(5)自我学习和优化:根据上面的分析结果,可以优化模型和策略。例如,可以调整B的生产策略,使其不完全依赖A的供应,而是考虑C的销售情况。同时,也可以通过强化学习算法,让模型自我学习和优化,适应产业环境的变化和发展。
评价模块106,用于根据数据分析模块的结果,对产业协同进行评价。
评价模块的目的在于根据数据分析结果,比如产业协同的角色、角色之间的协同关系以及相关的效率、质量和稳定性数据,对产业协同进行全面、客观的评价,并生成评价结果。评价结果是对产业协同效果的定量或定性描述,这可以为决策者提供依据。此外,该模块能够根据评价结果自动提出优化建议和改进措施,以驱动产业协同的持续改进和优化。
评价模块106的实施步骤包括:
S801确定评价指标:首先,需要确定评价产业协同效果的具体指标。这可能包括生产效率、产品质量、交货时间等,这些都是评价产业协同效率和质量的重要指标。稳定性的评价则可能涉及到这些指标的波动情况。
S802结果评价:然后,根据数据分析模块的结果和确定的评价指标,对产业协同进行全面、客观的评价。这可能需要使用一定的评价模型或算法,比如权重评价法、模糊评价法等。
本实施例提出一种基于图模型的协同评价算法,使用该算法可以更加准确地反映出产业协同中的复杂性和不确定性。
在该算法中,可以将产业协同视为一个图模型,其中的节点代表参与协同的各方,边代表他们之间的协同关系,边的权重则代表协同的效率、质量和稳定性。
下面对图模型进行简要说明:
图模型(Graph Model)是一个数学模型,用于表示对象间的复杂关系。在图模型中,对象被表示为节点(也称为顶点),而对象间的关系被表示为边(也称为链接或弧)。
图模型主要包括两种类型:无向图和有向图。
无向图:在无向图中,边没有方向,只表示两个节点之间存在某种关系。例如,社交网络可以用无向图来表示,其中节点代表人,边表示他们之间的友谊关系。
有向图:在有向图中,边有方向,表示关系是单向的。例如,网页链接可以用有向图来表示,其中节点代表网页,边表示从一个网页链接到另一个网页。
在这两种类型的图中,边可以被赋予权重,表示关系的强度或重要性。例如,在社交网络中,边的权重可能表示朋友的亲密程度;在交通网络中,边的权重可能表示道路的长度或交通量。
图模型在许多领域都有广泛的应用,例如社交网络分析、网络路由、推荐系统、知识图谱、生物信息学等。在产业协同分析中,图模型可以有效地表示多个角色之间的复杂协同关系,并提供一种直观的方式来理解和分析这些关系。
本实施例把产业协同看作是一系列的参与者或者实体(或者将其称为“角色”)通过一种或多种方式相互作用或协作,以达到共同的目标。这种相互作用或协作就是所说的“协同关系”。
可以把这种关系看成是一张网,参与者是网中的节点,他们之间的协同关系则是连接节点的边。而边的权重就是用来衡量这种协同关系的质量、效率和稳定性的指标。
下面进行举例说明,假设有一个简单的产业协同环境,包括三个角色:供应商、制造商和分销商。他们的协同关系可以简单描述如下:
供应商向制造商提供原材料;
制造商利用原材料制造产品;
制造商将产品提供给分销商;
分销商将产品销售给最终客户。
在这个例子中,可以将这个产业协同环境视为一个图模型,其中的节点包括供应商、制造商和分销商,他们之间的协同关系就是图中的边,而边的权重则可以通过各种方式计算得出。
下面结合图2对于该算法具体的实施步骤进行详细的说明。
步骤S201,构建图模型。
根据数据分析的结果,构建产业协同的图模型。每个节点代表一个参与协同的角色,每个边代表他们之间的协同关系。边的权重是根据协同效率、质量和稳定性的评价指标计算得出的。
例如,协同环境中有三个角色:A、B和C,它们之间的协同关系和相关的效率、质量和稳定性数据如下:
A与B协同,协同效率为0.8,协同质量为0.9,协同稳定性为0.7;
B与C协同,协同效率为0.7,协同质量为0.8,协同稳定性为0.9;
A与C协同,协同效率为0.9,协同质量为0.7,协同稳定性为0.8。
协同效率:这是一个表示协同工作完成速度或生产率的指标。它可以通过完成的任务数量除以使用的时间或资源计算得出。例如,如果A和B在一个小时内完成了8个任务,那么他们的协同效率可以表示为8/10=0.8(这里假设最高效率为每小时10个任务)。
协同质量:这是一个表示协同工作结果质量的指标。它可以通过质量评分、错误率、客户满意度等多种方式计算得出。例如,如果A和B完成的8个任务中,有7个任务的质量得到了高度评价,那么他们的协同质量可以表示为7/8=0.9。
协同稳定性:这是一个表示协同工作的稳定性或一致性的指标。它可以通过变异系数、标准差等统计方法计算得出。例如,如果A和B的协同工作效率在不同的时间段中的变动很小,说明他们的工作很稳定,协同稳定性得分较高。
这些数据可以直接从数据库中读取。
为了得到边的权重,需要将协同效率、协同质量和协同稳定性进行综合评价。一种可能的方法是计算它们的平均值。因此,可以得到以下的权重:
A与B的权重为(0.8 + 0.9 + 0.7)/ 3 = 0.8;
B与C的权重为(0.7 + 0.8 + 0.9)/ 3 = 0.8;
A与C的权重为(0.9 + 0.7 + 0.8)/ 3 = 0.8。
通过以上计算,可以得到每条边的权重。然后,可以将这些权重用于构建图模型,其中的节点代表参与协同的角色,边代表他们之间的协同关系,边的权重则代表协同的效率、质量和稳定性。
注意,以上的权重计算方法只是一种可能的方法。在实际应用中,可能需要根据具体的应用场景和需求,选择合适的权重计算方法。例如,可以根据各个评价指标的重要性,给它们分配不同的权重,然后进行加权平均计算。
在产业协同分析中,还可以引入一种基于熵权法的权重计算方法。熵权法是一种多指标决策方法,可以反映各个指标的重要性。它的基本思想是:一个指标的变异程度越大,其信息量就越大,其权重就应该越大。下面是基于熵权法计算权重的例子:
考虑一个具体的例子,包含三个协同角色A、B、C。假设收集了以下数据:
角色A的协同效率为90%,质量为80%,稳定性为70%
角色B的协同效率为70%,质量为80%,稳定性为90%
角色C的协同效率为80%,质量为70%,稳定性为90%
根据上述熵权法计算权重的步骤,进行如下操作:
数据标准化:由于数据已经是百分比形式,因此可以省略这一步。如果这里的数据是其他范围或单位,可能需要使用最大-最小标准化或Z分数标准化等方法进行标准化。
计算指标的信息熵:需要计算三个指标:协同效率、质量和稳定性的信息熵。
例如,对于协同效率,首先计算每个角色的概率密度。角色A、B和C的协同效率的概率密度分别为0.9/(0.9+0.7+0.8)、0.7/(0.9+0.7+0.8)和0.8/(0.9+0.7+0.8)。然后,利用公式E_j = -ksum(p_ijlog(p_ij))计算信息熵,其中p_ij为各角色协同效率的概率密度,k=1/log(n),n为样本数,即角色的数量,sum是求和操作,E_j是评价指标的信息熵。
在这个具体的例子中,所说的"概率密度"实际上是对数据的归一化处理。例如,对于协同效率,首先计算每个角色的协同效率与所有角色协同效率之和的比例,这就是这里所说的"概率密度"。
可以按照同样的步骤计算质量和稳定性的信息熵。
计算指标的熵权:然后利用公式d_j = 1 - E_j计算每个指标的熵权,表示该指标的重要性,其中,d_j是评价指标的熵权。
计算指标的权重:最后,根据公式w_j = d_j / sum(d_j)计算每个指标的权重,其中w_j是评价指标的权重,sum是求和操作。这些权重可以用于进一步的分析或评价。
通过这个过程,得到了协同效率、质量和稳定性的权重,然后可以将这些权重用于图模型中边的权重计算,从而得到更准确的产业协同评价结果。
步骤S202,计算图的中心性指标
计算图中每个节点的中心性指标,如度中心性、接近中心性和媒介中心性等。这些指标可以反映出每个角色在协同中的重要性和影响力。
度中心性:这是最基本的中心性指标,计算一个节点的度(即与其直接相连的边的数量)。在产业协同中,度中心性高的节点可能在协同中扮演核心角色,因为它与许多其他角色有直接的协同关系。
对于无向图,度中心性是节点的度(即与它相连的边的数目),对于有向图,度中心性可以分为入度中心性和出度中心性。在标准化后,节点的度中心性可以表示为:
C_D(v) = deg(v) / [n-1]
其中,C_D(v)是节点v的度中心性,deg(v)是节点v的度,n是网络中节点的总数。
接近中心性:这是一种全局中心性指标,计算一个节点到其他所有节点的平均最短路径长度。在产业协同中,接近中心性高的节点可能在协同中扮演关键角色,因为它可以快速地影响到其他角色。
节点的接近中心性是所有节点到该节点的最短路径的平均长度的倒数。在标准化后,接近中心性的计算公式为:
C_C(v) = [n-1] / sum(d(v, u))
其中,C_C(v)是节点v的接近中心性,d(v, u)是节点v和节点u之间的最短路径长度,sum(d(v, u))是节点v到网络中所有其他节点的最短路径长度之和,n是网络中节点的总数。
媒介中心性:这是另一种全局中心性指标,计算一个节点在所有节点对之间的最短路径上出现的频率。在产业协同中,媒介中心性高的节点可能在协同中扮演桥梁角色,因为它在传递协同信息和影响中起到关键作用。
节点的媒介中心性是所有最短路径中经过该节点的路径数目。在标准化后,媒介中心性的计算公式为:
C_B(v) = sum(s,t∈V) [σ_st(v) / σ_st]
其中,C_B(v)是节点v的媒介中心性,σ_st是节点s到节点t的最短路径数目,σ_st(v)是这些路径中经过节点v的路径数目。
步骤S203,生成评价结果
根据图的中心性指标和边的权重,生成对产业协同的全面、客观的评价结果。一种可能的方式是,对每个节点的中心性指标进行归一化,然后将归一化的中心性指标和边的权重相乘,得到每个节点的综合评价分数。然后,根据综合评价分数,对所有节点进行排序,得到最终的评价结果。
例如,如果有三个参与协同的角色:A、B和C,他们的中心性指标和边的权重如表1所示:
表1
那么,可以计算出他们的综合评价分数,然后进行排序,得到最终的评价结果。
下面以表1为例,给出具体的计算过程。首先,需要对每个角色的中心性指标进行归一化,方法是将每个指标除以其最大值。然后,将归一化的中心性指标和边的权重相乘,得到每个角色的综合评价分数。以下是具体的计算过程:
(1)归一化中心性指标:
对于度中心性,最大值为3,所以每个角色的度中心性归一化后的值为:
A:3 / 3 = 1.0
B:2 / 3 = 0.67
C:1 / 3 = 0.33
对于接近中心性,最大值为0.6,所以每个角色的接近中心性归一化后的值为:
A:0.6 / 0.6 = 1.0
B:0.5 / 0.6 = 0.83
C:0.4 / 0.6 = 0.67
对于媒介中心性,最大值为0.5,所以每个角色的媒介中心性归一化后的值为:
A:0.5 / 0.5 = 1.0
B:0.3 / 0.5 = 0.6
C:0.2 / 0.5 = 0.4
(2)计算综合评价分数
每个角色的综合评价分数是归一化的中心性指标和边的权重的乘积。可以将三个中心性指标的平均值作为最终的中心性指标。所以,每个角色的综合评价分数为:
A:(1.0 + 1.0 + 1.0) / 3 * 0.7 = 0.7
B:(0.67 + 0.83 + 0.6) / 3 * 0.8 = 0.56
C:(0.33 + 0.67 + 0.4) / 3 * 0.6 = 0.27
(3)排序
根据综合评价分数进行排序,得到最终的评价结果:
A:0.7
B:0.56
C:0.27
因此,角色A在产业协同中的表现最好,其次是角色B,最后是角色C。
另外,根据评价结果,自动提出优化建议和改进措施。例如,如果发现某一环节的效率低下,可能建议优化该环节的工作流程或引入新的技术。
以汽车制造产业链为例,评价模块首先确定评价指标,包括生产效率、产品质量和交货时间等。然后,根据数据分析模块的结果,评价各个参与者(如零部件生产商、汽车制造商)在协同过程中的表现。如果发现某个零部件生产商的交货时间过长,影响了整体的生产效率,系统会生成这样的评价结果,并自动提出优化建议,比如建议零部件生产商提高生产效率,或者调整生产计划等。
本实施例提出的基于图模型的产业协同评价算法具有多个优势:
全面性:图模型能够全面地反映出产业协同的各个环节和关系,能够更加全面和深入地理解和分析产业协同。
灵活性:可以通过调整图模型中边的权重来反映不同的评价指标,使得评价过程更加灵活。
可视化:图模型可以方便地进行可视化展示,能够直观地理解和解释评价结果。
扩展性:图模型有良好的扩展性,可以方便地添加新的角色和关系,能够方便地适应产业协同的变化和发展。
客观性和公正性:该评价算法基于客观数据进行计算,不受主观因素影响,能够公正、客观地评价产业协同的效果。
自适应性:通过反复更新和学习,算法能够自适应不断变化的产业环境和协同关系。
通过以上几点,可以看出基于图模型的产业协同评价算法对于评价和优化产业协同具有重要的意义,是一种具有高度创新性和实用性的产业协同的评价方法。
可视化模块110,用于将所述评价结果以可视化形式展现出来。
所述可视化模块使用基于图的交互式可视化技术来展示产业协同的评价结果。
所述基于图的交互式可视化技术包括力导向图、树状图、网络图等,这些图可以清晰地展示协同角色之间的关系和他们的评价指标。
在产业协同分析评价系统中,基于图的交互式可视化技术可以将评价结果以直观易理解的形式展示出来。以下是这些图表的一些具体例子:
力导向图(Force-directed graph):力导向图是一种常用的图形表示技术,可以清晰地表示协同角色之间的关系。在力导向图中,协同角色被表示为节点,而他们之间的协同关系被表示为连接这些节点的边。每个节点的大小和颜色可以表示协同效率、质量和稳定性等评价指标的大小,而边的长度和粗细可以表示协同关系的强度和稳定性。通过调整节点和边的属性,用户可以清晰地看到各角色在协同中的位置和角色。
树状图(Tree diagram):树状图是另一种常用的图形表示技术,通常用于表示层次结构或分类结构。在产业协同分析中,如果协同角色之间的关系具有层次结构(例如,有上游和下游的关系),则可以使用树状图来表示这种关系。在树状图中,每个节点可以表示一个协同角色,而节点之间的边可以表示他们之间的协同关系。节点的大小和颜色可以表示协同效率、质量和稳定性等评价指标的大小。
网络图(Network diagram):网络图是一种用于表示复杂网络关系的图形表示技术。在产业协同分析中,如果协同角色之间的关系是多对多的,那么网络图是一种理想的表示方式。网络图中的节点表示协同角色,而节点之间的边表示他们之间的协同关系。节点的大小和颜色,以及边的粗细和颜色,可以表示各种评价指标的大小。
这些图表都可以用交互式的方式呈现,用户可以通过鼠标悬停、点击等操作来查看更多的信息,或者改变图表的视角和缩放级别,以获得更好的视觉体验和理解。
下面进行具体的举例说明:
(1)首先,可以使用网络图来展示产业协同的结构和关系。在这个网络图中,每个节点代表一个协同角色,每个边代表一个协同关系。边的颜色和粗细可以表示协同的效率、质量和稳定性,而节点的大小和颜色可以表示节点的中心性。通过这个网络图,用户可以一目了然地看到产业协同的整体结构和状态。
(2)为了让用户更好地理解和分析评价结果,还可以提供丰富的交互界面。例如,用户可以点击任意一个节点,查看该节点的详细信息和统计数据;用户可以拖动和缩放网络图,查看不同的区域和层次;用户还可以通过搜索和过滤功能,找到感兴趣的节点和边;用户可以通过交互功能,直观地操作和探索图来理解协同角色之间的关系、效率、质量和稳定性的评价结果。
另外,作为一个基于数据处理的产业协同分析评价系统,交互式可视化模块可以为用户提供丰富的交互功能,帮助用户更好地理解和探索产业协同的评价结果。下面是一些可能的交互功能和对应的应用例子:
缩放和平移:用户可以通过鼠标滚轮进行缩放,或者通过鼠标拖拽进行平移,以观察图的不同部分。例如,如果用户对某一个协同角色特别感兴趣,他可以放大这个角色周围的图区,查看与该角色有直接协同关系的其他角色,以及他们之间的协同效率、质量和稳定性。
提示和详情:当用户将鼠标悬停在图的某个节点或者边上时,可以显示该节点或者边的提示信息,如角色的名称、评价指标的数值等。用户还可以点击某个节点或者边,查看更详细的信息,如角色的描述、协同关系的详细数据等。
筛选和高亮:用户可以根据各种条件对图进行筛选或者高亮。例如,用户可以选择只显示效率高于某个阈值的协同关系,或者高亮显示质量低于某个阈值的协同关系。这样,用户可以更加集中地关注那些满足特定条件的协同角色或者协同关系。
动态调整:用户可以通过滑动条或者输入框等工具,动态调整评价指标的权重,观察权重调整对评价结果的影响。例如,如果用户认为稳定性比效率和质量更重要,他可以提高稳定性的权重,然后系统会立即更新图,反映新的评价结果。
以上这些交互功能,不仅可以帮助用户直观地理解产业协同的评价结果,还可以让用户按照自己的需求和兴趣,进行个性化的操作和探索。这是本系统区别于传统产业协同分析工具的一个重要特点。
(3)还可以添加一个时间轴控件,让用户可以查看产业协同的动态变化。例如,用户可以通过滑动时间轴,观察网络图的变化,从而了解产业协同的发展趋势和模式。
在基于数据处理的产业协同分析评价系统中,时间轴控件是一个强大的工具,它使得用户可以动态观察产业协同随时间的变化,从而深入理解其发展趋势和模式。以下是一个具体的使用示例:
假设用户正在研究一种跨行业的产业协同,例如汽车制造和能源产业的协同,这种协同涉及到许多不同的角色,包括汽车制造商、电池供应商、充电站运营商等。每一个角色都有其在协同中的效率、质量和稳定性,这些数据随着时间的推移会发生变化。
当用户打开系统,他会看到一个网络图,图中的节点代表协同的角色,边代表他们之间的协同关系,边的厚度和颜色表示效率、质量和稳定性的评价结果。此外,屏幕的下方还有一个时间轴控件,标记着数据的时间范围,例如从2000年到2023年。
用户可以通过滑动时间轴,选择观察某一特定时间点或者时间段的协同状态。例如,他可以滑动到2005年,网络图会立即更新,展示2005年的协同状态。他可以看到,这时的网络中心是汽车制造商,周围围绕着一些零部件供应商,电池供应商和充电站运营商还相对边缘。
然后,用户可以慢慢地向右滑动时间轴,观察网络图的动态变化。他会看到,随着时间的推移,电池供应商和充电站运营商逐渐移向网络中心,他们的效率和质量也在提高,这可能反映出汽车产业从燃油车转向电动车的趋势。
过这种方式,用户不仅可以了解各个角色在特定时间点的协同状态,还可以观察他们随时间的变化,从而得到更深层次的洞见,例如产业协同的发展趋势、模式变化等。这是静态分析无法做到的,也是本系统的一个重要创新点。
(4)还可以使用数据驱动的故事讲述技术,来引导用户探索和理解产业协同。例如,可以设计一系列的故事步骤,每一步都展示一种特定的产业协同模式或问题,用户可以按照这些步骤,逐步深入了解产业协同。
数据驱动的故事讲述,也被称为数据故事讲述或数据可视化故事讲述,是一种使用数据和可视化元素来讲述一个有说服力的故事的技术。它结合了数据分析、可视化设计和叙事技术,可以帮助用户更好地理解和利用数据。
在产业协同的场景中,可以使用数据驱动的故事讲述技术来引导用户探索和理解评价结果。具体来说,可以设计一系列的故事步骤,每一步都展示一种特定的产业协同模式或问题。
例如,可以先展示一个全局的网络图,简单介绍产业协同的整体结构和状态;然后,可以聚焦到一些关键的节点和边,详细讲述它们的角色和影响力;接着,可以通过比较和对比,揭示一些重要的协同模式和规律;最后,可以使用动画和时间轴,展示产业协同的动态变化和发展趋势。
假设用户正在研究一种复杂的产业协同,涉及到制药产业和生物科技产业。这个协同网络包括了多个角色,例如制药公司、生物科技研究机构、药品销售商等。
整体结构和状态:首先,系统会展示一个全局的网络图,其中节点代表协同角色,边代表他们之间的协同关系,边的颜色和厚度表示效率、质量和稳定性的评价结果。系统会简单介绍这个网络的整体结构和状态,例如网络的中心是哪些角色,边缘是哪些角色,哪些关系效率高,哪些效率低等。
关键节点和边:接着,系统会聚焦到一些关键的节点和边。例如,它可能会选取一个大型的制药公司和一个主要的生物科技研究机构,详细介绍他们在协同中的角色,如何影响整个网络的效率和稳定性等。
协同模式和规律:然后,系统会进一步深入,比如通过比较不同的制药公司或者生物科技研究机构,揭示一些重要的协同模式和规律,例如哪些类型的合作更有效,哪些合作可能存在问题等。
动态变化和发展趋势:最后,系统会使用动画和时间轴,展示产业协同的动态变化和发展趋势。用户可以看到,随着时间的推移,网络的结构是如何变化的,哪些角色的位置上升,哪些下降,这些变化可能反映了哪些产业动态和趋势等。
通过这种方式,系统可以将复杂的数据和信息,转化为一系列易于理解和吸收的故事,使得用户可以更好地理解产业协同的结构和动态,从而更有效地做出决策。
另外在整个故事讲述过程中,用户不仅可以观看和听取,还可以参与和互动。例如,用户可以点击查看详细信息,可以拖动和缩放查看不同的视角,可以滑动时间轴查看历史变化,等等。
通过这种方式,不仅可以帮助用户理解和记住复杂的数据信息,还可以引导用户发现和提出自己的问题,激发用户的思考和探索。这是一种很有效的数据沟通和数据教育方式,可以大大增强用户的数据洞察力和数据利用能力。
本申请虽然以较佳实施例公开如上,但其并不是用来限定本申请,任何本领域技术人员在不脱离本申请的精神和范围内,都可以做出可能的变动和修改,因此本申请的保护范围应当以本申请权利要求所界定的范围为准。
Claims (10)
1.一种基于数据处理的产业协同分析评价系统,包括:
数据预处理模块,用于获取产业协同的原始数据,对原始数据进行预处理,输出预处理后的数据;
数据分析模块,用于对预处理后的数据进行分析,识别出产业协同的角色、角色之间的协同关系以及相关的效率、质量和稳定性数据;
评价模块,用于根据数据分析模块的结果,构建产业协同的图模型;根据所述图模型,计算图中每个节点的中心性指标;根据所述中心性指标,生成对产业协同的评价结果;
可视化模块,用于将评价结果以可视化形式展现出来。
2.根据权利要求1所述的产业协同分析评价系统,其特征在于,所述产业协同的图模型中,每个节点代表一个参与协同的角色,每个边代表角色之间的协同关系,边的权重是根据协同效率、质量和稳定性的评价指标计算得出的。
3.根据权利要求2所述的产业协同分析评价系统,其特征在于,所述边的权重的计算基于熵权法,具体包括:
根据产业协同的效率、质量和稳定性数据,计算各评价指标的概率密度;
据所述概率密度,计算各评价指标的信息熵;
根据所述信息熵,计算各评价指标的熵权;
根据所述熵权,计算各评价指标的权重。
4.根据权利要求1所述的产业协同分析评价系统,其特征在于,所述产业协同的图模型中,所述每个节点的中心性指标包括节点的度中心性、接近中心性、媒介中心性;其中,所述度中心性是指该节点的度,所述接近中心性是指该节点到其他所有节点的平均最短路径长度,所述媒介中心性是指该节点在所有节点对之间的最短路径上出现的频率。
5.根据权利要求1所述的产业协同分析评价系统,其特征在于,所述数据分析模块还用于,利用机器学习和人工智能算法,进行模式识别,发现存在的问题。
6.根据权利要求1所述的产业协同分析评价系统,其特征在于,所述可视化模块使用基于图的交互式可视化技术来展示产业协同的评价结果。
7.根据权利要求6所述的产业协同分析评价系统,其特征在于,所述基于图的交互式可视化技术包括力导向图、树状图、网络图,这些图用于清晰地展示协同角色之间的关系。
8.根据权利要求6所述的产业协同分析评价系统,其特征在于,所述基于图的交互式可视化技术提供交互界面,用户通过该界面可以直观地操作和探索图来理解协同角色之间的关系、效率、质量和稳定性的评价结果。
9.根据权利要求6所述的产业协同分析评价系统,其特征在于,所述基于图的交互式可视化技术,还包括数据驱动的故事讲述功能,通过一系列故事步骤引导用户了解产业协同和其评价结果。
10.根据权利要求1所述的产业协同分析评价系统,其特征在于,所述数据预处理模块具体用于获取数据源、数据收集、数据整合和数据更新。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311211223.8A CN116976755B (zh) | 2023-09-20 | 2023-09-20 | 一种基于数据处理的产业协同分析评价系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311211223.8A CN116976755B (zh) | 2023-09-20 | 2023-09-20 | 一种基于数据处理的产业协同分析评价系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116976755A true CN116976755A (zh) | 2023-10-31 |
CN116976755B CN116976755B (zh) | 2024-03-19 |
Family
ID=88476966
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311211223.8A Active CN116976755B (zh) | 2023-09-20 | 2023-09-20 | 一种基于数据处理的产业协同分析评价系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116976755B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105469180A (zh) * | 2014-09-12 | 2016-04-06 | 东北大学 | 基于tps的产业集群企业生产协同管理评价系统 |
CN107402927A (zh) * | 2016-05-19 | 2017-11-28 | 上海斯睿德信息技术有限公司 | 一种基于图模型的企业关联关系拓扑建立方法及查询方法 |
KR20180061458A (ko) * | 2016-11-28 | 2018-06-08 | 전자부품연구원 | 정형/비정형 데이터 융합 기반 산업평가 정보 분석 방법 및 시스템 |
CN111697590A (zh) * | 2020-06-19 | 2020-09-22 | 上海交通大学 | 一种基于熵权法的电力系统关键节点识别方法及系统 |
CN113706009A (zh) * | 2021-08-26 | 2021-11-26 | 四川启睿克科技有限公司 | 基于多维度物料数据的供应商智能评价和分级系统 |
US20220253780A1 (en) * | 2021-02-11 | 2022-08-11 | Solutioneering, LLC | Analytical tool for collaborative competitive pursuit analysis and creation of enterprise value |
CN114925835A (zh) * | 2022-06-27 | 2022-08-19 | 天津联创科技发展有限公司 | 一种产业图谱智能生成方法及系统 |
CN115375118A (zh) * | 2022-08-10 | 2022-11-22 | 国网山东省电力公司枣庄供电公司 | 一种基于电力数据的锂电产业链协调发展评价方法 |
CN116128213A (zh) * | 2022-12-22 | 2023-05-16 | 北京航天智造科技发展有限公司 | 一种产业链图谱构建及分析方法和系统 |
CN116307841A (zh) * | 2023-02-14 | 2023-06-23 | 河海大学 | 一种集成多指标的高校评价系统的构建方法 |
CN116307794A (zh) * | 2022-11-02 | 2023-06-23 | 中国电子科技集团公司第二十八研究所 | 一种基于复杂网络的民航信息协同体系建模与评估方法 |
-
2023
- 2023-09-20 CN CN202311211223.8A patent/CN116976755B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105469180A (zh) * | 2014-09-12 | 2016-04-06 | 东北大学 | 基于tps的产业集群企业生产协同管理评价系统 |
CN107402927A (zh) * | 2016-05-19 | 2017-11-28 | 上海斯睿德信息技术有限公司 | 一种基于图模型的企业关联关系拓扑建立方法及查询方法 |
KR20180061458A (ko) * | 2016-11-28 | 2018-06-08 | 전자부품연구원 | 정형/비정형 데이터 융합 기반 산업평가 정보 분석 방법 및 시스템 |
CN111697590A (zh) * | 2020-06-19 | 2020-09-22 | 上海交通大学 | 一种基于熵权法的电力系统关键节点识别方法及系统 |
US20220253780A1 (en) * | 2021-02-11 | 2022-08-11 | Solutioneering, LLC | Analytical tool for collaborative competitive pursuit analysis and creation of enterprise value |
CN113706009A (zh) * | 2021-08-26 | 2021-11-26 | 四川启睿克科技有限公司 | 基于多维度物料数据的供应商智能评价和分级系统 |
CN114925835A (zh) * | 2022-06-27 | 2022-08-19 | 天津联创科技发展有限公司 | 一种产业图谱智能生成方法及系统 |
CN115375118A (zh) * | 2022-08-10 | 2022-11-22 | 国网山东省电力公司枣庄供电公司 | 一种基于电力数据的锂电产业链协调发展评价方法 |
CN116307794A (zh) * | 2022-11-02 | 2023-06-23 | 中国电子科技集团公司第二十八研究所 | 一种基于复杂网络的民航信息协同体系建模与评估方法 |
CN116128213A (zh) * | 2022-12-22 | 2023-05-16 | 北京航天智造科技发展有限公司 | 一种产业链图谱构建及分析方法和系统 |
CN116307841A (zh) * | 2023-02-14 | 2023-06-23 | 河海大学 | 一种集成多指标的高校评价系统的构建方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116976755B (zh) | 2024-03-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Meindl et al. | The four smarts of Industry 4.0: Evolution of ten years of research and future perspectives | |
Ji et al. | A study on decision-making of food supply chain based on big data | |
Keršulienė et al. | Integrated fuzzy multiple criteria decision making model for architect selection | |
Baležentis et al. | MULTIMOORA-FG: a multi-objective decision making method for linguistic reasoning with an application to personnel selection | |
Khaleie et al. | Supplier selection using a novel intuitionist fuzzy clustering approach | |
US9489419B2 (en) | System and method for optimizing business performance with automated social discovery | |
Corney et al. | Putting the crowd to work in a knowledge-based factory | |
US20150081396A1 (en) | System and method for optimizing business performance with automated social discovery | |
Prasad et al. | Interdependency analysis of lean manufacturing practices in case of Bulgarian SMEs: interpretive structural modelling and interpretive ranking modelling approach | |
Fung et al. | A fuzzy expected value-based goal programing model for product planning using quality function deployment | |
Chan et al. | Fuzzy time series forecasting for supply chain disruptions | |
Gracia et al. | A framework for strategy formulation in sustainable supply chains: a case study in the electric industry | |
Boukhris et al. | What is smart about services? Breaking the bond between the smart product and the service | |
Eydi et al. | A decision support system for single-period single sourcing problem in supply chain management | |
Hariri et al. | Integration of multi-criteria decision-making approaches adapted for quality function deployment: an analytical literature review and future research agenda | |
Thakur et al. | Survey into predictive key performance indicator analysis from data mining perspective | |
Ziegenbein et al. | Machine learning algorithms in machining: A guideline for efficient algorithm selection | |
Riesener et al. | Applying supervised and reinforcement learning to design product portfolios in accordance with corporate goals | |
Han et al. | New approach for quality function deployment based on multi-granular unbalanced linguistic information and consensus reaching process | |
CN116976755B (zh) | 一种基于数据处理的产业协同分析评价系统 | |
Sahu et al. | Performance estimation of firms by GLA supply chain under imperfect data | |
Biyeme et al. | An analytical model for analyzing the value of information flow in the production chain model using regression algorithms and neural networks | |
Ebrahimi et al. | A predictive analytics approach to improve the dealers-manufacturer relationship in the after-sales service network; case study in the automotive industry | |
Lidberg et al. | Reproducible decision support for industrial decision making using a knowledge extraction platform on multi-objective optimisation data | |
Duxbury | Trustable decision support for dynamic applications |
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 |