CN117011006A - 基于大数据挖掘的电子招标投标监督方法 - Google Patents
基于大数据挖掘的电子招标投标监督方法 Download PDFInfo
- Publication number
- CN117011006A CN117011006A CN202310983440.2A CN202310983440A CN117011006A CN 117011006 A CN117011006 A CN 117011006A CN 202310983440 A CN202310983440 A CN 202310983440A CN 117011006 A CN117011006 A CN 117011006A
- Authority
- CN
- China
- Prior art keywords
- group
- clustering
- bid
- bidding
- representing
- 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
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000007418 data mining Methods 0.000 title claims abstract description 17
- 230000006399 behavior Effects 0.000 claims abstract description 19
- 238000005065 mining Methods 0.000 claims abstract description 7
- 230000005856 abnormality Effects 0.000 claims abstract description 5
- 238000010586 diagram Methods 0.000 claims description 20
- 238000004458 analytical method Methods 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000011156 evaluation Methods 0.000 claims description 11
- 238000007417 hierarchical cluster analysis Methods 0.000 claims description 10
- 238000003064 k means clustering Methods 0.000 claims description 7
- 238000007405 data analysis Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000013178 mathematical model Methods 0.000 claims description 5
- 238000000691 measurement method Methods 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 239000000463 material Substances 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012847 principal component analysis method Methods 0.000 claims description 3
- 238000004088 simulation Methods 0.000 claims description 2
- 238000007621 cluster analysis Methods 0.000 abstract description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/08—Auctions
-
- 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
- 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
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Educational Administration (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Operations Research (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Tourism & Hospitality (AREA)
- Probability & Statistics with Applications (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了基于大数据挖掘的电子招标投标监督方法，属于投标监督技术领域，该监督方法具体步骤如下：(1)模拟围标以及串标行为并创建数据集；(2)对围标以及串标行为进行聚类分析；(3)模拟价格异常并通过离群点挖掘进行分析报警；(4)收集交易平台提供的数据并对违法违规进行报警；(5)构建系统数据库并对各组数据进行存储；本发明能够正确识别检测出是否存在招标投标违法违规现象，同时运用聚类挖掘算法识别这些违法违规行为，为监督人员提供线索，为招标人和评委提供决策参考。
Description
技术领域
本发明涉及投标监督技术领域，尤其涉及基于大数据挖掘的电子招标投标监督方法。
背景技术
投标人之间相互串通，重点是对投标总报价进行串通。目前国家规定的评分办法有两种，一种是综合评分法，另一种是经评审的最低投标价法，目前大部分的项目都采用综合评分法，综合评分法即招标文件中规定各项综合评价标准，评委根据综合情况进行打分，得分高的为中标候选人，其中投标价格得分大约占总得分的比例为50％-80％，一般情况下投标价格约接近所有投标价格平均值的报价得分越高。即由于投标报价得分占总得分的主导地位，如果哪个投标人的报价能够尽可能接近所有报价的平均值，那么中标的概率就会大大提升。这也是为什么投标人会想尽办法串通尽可能多的投标人一起参与投标，提前约定好金额相近的报价，围标团体的报价平均值与提前内部约定好的“中标人”报价几乎相同。经评审的最低投标价法，此外，投标人之间的串通还有可能体现在投标人单位人员之间的重合、保证金汇款账户的异常、投标文件和工程量清单编制异常相似等方面；因此，发明出基于大数据挖掘的电子招标投标监督方法变得尤为重要。
现有的电子招标投标监督方法无法正确识别检测出是否存在招标投标违法违规现象，且监督人员需浪费时间与人工去寻找线索；为此，我们提出基于大数据挖掘的电子招标投标监督方法。
发明内容
本发明的目的是为了解决现有技术中存在的缺陷，而提出的基于大数据挖掘的电子招标投标监督方法。
为了实现上述目的，本发明采用了如下技术方案：
基于大数据挖掘的电子招标投标监督方法，该监督方法具体步骤如下：
(1)模拟围标以及串标行为并创建数据集；
(2)对围标以及串标行为进行聚类分析；
(3)模拟价格异常并通过离群点挖掘进行分析报警；
(4)收集交易平台提供的数据并对违法违规进行报警；
(5)构建系统数据库并对各组数据进行存储。
作为本发明的进一步方案，步骤(1)中所述行为模拟创建数据集具体步骤如下：
步骤一：收集项目采集物品数并计算各物品市场参考价，之后模拟多组开标时顺利进入评标环节的企业数；
步骤二：依据无围标和串标行为、串通策略为价格非常接近、串通策略为价格间成比例以及串通策略为价格成比例将顺利进入评标环节的企业进行分类以获取对应数据集。
作为本发明的进一步方案，步骤(2)中所述聚类分析具体步骤如下：
步骤①：从p元总体中抽取多组样本，并将抽取的各组样本用X1到Xn表示，之后将第i组样本记为Xi＝(xi1,xi2,…,xip)(i＝1,2,…,n)；
步骤②：计算第i组样本Xi与第j组样本Xj之间的闵可夫基斯距离，再将距离最近的两类合成一类，之后计算与其他类之间的距离，不断重复，直至所有观测值合并成一类为止，通过平均联动方法对两类别间的距离进行标准化处理，再利用R语言数据处理工具通过层次聚类分析法绘制投标总报价聚类图；
步骤③：利用相关系数度量法对分项报价进行层次聚类分析，并绘制聚类图，再通过分析每组样本每组观测值之间的相关性对其进行分类；
步骤④：通过R语言中的NbCluster()和wssplot()函数依据数据集确定聚类个数，并画出投标总报价聚类个数组内平方的对比图，同时计算每组聚类内部的距离平方和，之后按照聚类个数进行K均值聚类分析，并生成聚类结果散点图；
步骤⑤：利用wssplot()函数的主成分分析法，画出投标分项报价聚类个数组内平方和的对比图，之后按照聚类个数进行K均值聚类分析，并生成聚类结果散点图；
步骤⑥：依据生成的各组聚类图判断投标人之间是否存在围标、串标行为，并划定类别范围。
作为本发明的进一步方案，步骤②中所述闵可夫基斯距离具体计算公式如下：
其中，q为正数，特别的，
当q＝1时，为绝对值距离；
特别的，当q＝2时，为绝对值距离为欧几里得距离；当q→2时，/>为切比雪夫距离；
步骤②中所述标准化处理具体计算公式如下：
式中，代表第j个指标的样本均值；Rj代表第j个指标的极差、Sj代表第j个指标的标准差；
步骤④中所述距离平方和具体计算公式如下：
(6)
式中，xij表示第i组观测值中第j个变量的值；xkj表示第k组观测值中第j个变量的值；p为变量的个数。
作为本发明的进一步方案，步骤(3)中所述离群点挖掘具体步骤如下：
步骤Ⅰ：利用R语言数据分析工具生成预设范围多组个正态分布的随机数值，并生成的数值作为某类物资项目历史交易结算价格，再拟定一个恶意投标人，之后绘制线箱图，线箱图依据四分位对数据进行可视化描述；
步骤Ⅱ：收集线箱图中正常区间的最小值、下四分位数Q1、中位数Q2、上四分位数Q3以及正常区间的最大值，之后计算线箱图检测出的离群点观测值；
步骤Ⅲ：收集模拟评委信息以组成评分数据集，之后分别对顺利进入评标环节的投标人进行综合打分，并设定某一评委与一组投标人串通；
步骤Ⅳ：利用R语言数据分析工具生成一组规定范围内的随机数值以作为某招标项目评标委员会其余评委的正常打分，另设置一组异常数值作为串标评委的打分，对模拟数据集进行层次聚类分析以获取对应聚类图，并建立对应数学模型；
步骤Ⅴ：对生成的聚类图进行分析，若出现某个评委打分与其他评委打分出现显著差异，存在明显区分类别，则作为离群点进行报警。
作为本发明的进一步方案，步骤Ⅱ中所述观测值具体计算公式如下：
IQR(Interquartile Range)＝Q3-Q1 (7)
其中，IQR为线箱图四分位极差；
步骤Ⅳ中所述数学模型具体表达形式如下：
式中，Hmax表示聚类图Height的最大值；Hsec表示聚类图中除了Hmax之外Height的最大值；Hmin表示Height的最小值。
相比于现有技术，本发明的有益效果在于：
该基于大数据挖掘的电子招标投标监督方法通过构建具有围标、串标行为代表性的数据集，并抽取多组样本再计算各组样本之间的闵可夫基斯距离，再将距离最近的两类合成一类，之后计算与其他类之间的距离，直至所有观测值合并成一类为止，利用相关系数度量法对分项报价进行层次聚类分析，再通过分析每组样本每组观测值之间的相关性对其进行分类，依据数据集确定聚类个数，之后按照聚类个数进行K均值聚类分析，之后按照聚类个数进行K均值聚类分析，依据生成的各组聚类图判断投标人之间是否存在围标、串标行为，并划定类别范围，创建价格数据集，并绘制对应线箱图，收集线箱图中项数据并计算线箱图检测出的离群点观测值，收集模拟评委信息以组成评分数据集，对模拟数据集进行层次聚类分析，并建立对应数学模型，若出现某个评委打分与其他评委打分出现显著差异，存在明显区分类别，则作为离群点进行报警，能够正确识别检测出是否存在招标投标违法违规现象，同时运用聚类挖掘算法识别这些违法违规行为，为监督人员提供线索，为招标人和评委提供决策参考。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。
图1为本发明提出的基于大数据挖掘的电子招标投标监督方法的流程框图。
具体实施方式
参照图1，基于大数据挖掘的电子招标投标监督方法，该监督方法具体步骤如下：
模拟围标以及串标行为并创建数据集。
具体的，收集项目采集物品数并计算各物品市场参考价，之后模拟多组开标时顺利进入评标环节的企业数，依据无围标和串标行为、串通策略为价格非常接近、串通策略为价格间成比例以及串通策略为价格成比例将顺利进入评标环节的企业进行分类以获取对应数据集。
对围标以及串标行为进行聚类分析。
具体的，从p元总体中抽取多组样本，并将抽取的各组样本用X1到Xn表示，之后将第i组样本记为Xi＝(xi1,xi2,…,xip)(i＝1,2,…,n)，计算第i组样本Xi与第j组样本Xj之间的闵可夫基斯距离，再将距离最近的两类合成一类，之后计算与其他类之间的距离，不断重复，直至所有观测值合并成一类为止，通过平均联动方法对两类别间的距离进行标准化处理，再利用R语言数据处理工具通过层次聚类分析法绘制投标总报价聚类图，利用相关系数度量法对分项报价进行层次聚类分析，并绘制聚类图，再通过分析每组样本每组观测值之间的相关性对其进行分类，通过R语言中的NbCluster()和wssplot()函数依据数据集确定聚类个数，并画出投标总报价聚类个数组内平方的对比图，同时计算每组聚类内部的距离平方和，之后按照聚类个数进行K均值聚类分析，并生成聚类结果散点图，利用wssplot()函数的主成分分析法，画出投标分项报价聚类个数组内平方和的对比图，之后按照聚类个数进行K均值聚类分析，并生成聚类结果散点图，依据生成的各组聚类图判断投标人之间是否存在围标、串标行为，并划定类别范围。
需要进一步说明的是，闵可夫基斯距离具体计算公式如下：
其中，q为正数，特别的，
当q＝1时，为绝对值距离；
特别的，当q＝2时，为绝对值距离为欧几里得距离；当q→2时，/>为切比雪夫距离；
标准化处理具体计算公式如下：
式中，代表第j个指标的样本均值；Rj代表第j个指标的极差、Sj代表第j个指标的标准差；
距离平方和具体计算公式如下：
式中，xij表示第i组观测值中第j个变量的值；表示第k组观测值中第j个变量的值；p为变量的个数。
模拟价格异常并通过离群点挖掘进行分析报警。
具体的，利用R语言数据分析工具生成预设范围多组个正态分布的随机数值，并生成的数值作为某类物资项目历史交易结算价格，再拟定一个恶意投标人，之后绘制线箱图，线箱图依据四分位对数据进行可视化描述，收集线箱图中正常区间的最小值、下四分位数Q1、中位数Q2、上四分位数Q3以及正常区间的最大值，之后计算线箱图检测出的离群点观测值，收集模拟评委信息以组成评分数据集，之后分别对顺利进入评标环节的投标人进行综合打分，并设定某一评委与一组投标人串通，利用R语言数据分析工具生成一组规定范围内的随机数值以作为某招标项目评标委员会其余评委的正常打分，另设置一组异常数值作为串标评委的打分，对模拟数据集进行层次聚类分析以获取对应聚类图，并建立对应数学模型，对生成的聚类图进行分析，若出现某个评委打分与其他评委打分出现显著差异，存在明显区分类别，则作为离群点进行报警。
需要进一步说明的是，观测值具体计算公式如下：
IQR(Interquartile Range)＝Q3-Q1 (7)
其中，IQR为线箱图四分位极差；
数学模型具体表达形式如下：
式中，Hmax表示聚类图Height的最大值；Hsec表示聚类图中除了Hmax之外Height的最大值；Hmin表示Height的最小值。
收集交易平台提供的数据并对违法违规进行报警。
构建系统数据库并对各组数据进行存储。
Claims (6)
1.基于大数据挖掘的电子招标投标监督方法，其特征在于，该监督方法具体步骤如下：
(1)模拟围标以及串标行为并创建数据集；
(2)对围标以及串标行为进行聚类分析；
(3)模拟价格异常并通过离群点挖掘进行分析报警；
(4)收集交易平台提供的数据并对违法违规进行报警；
(5)构建系统数据库并对各组数据进行存储。
2.根据权利要求1所述的基于大数据挖掘的电子招标投标监督方法，其特征在于，步骤(1)中所述行为模拟创建数据集具体步骤如下：
步骤一：收集项目采集物品数并计算各物品市场参考价，之后模拟多组开标时顺利进入评标环节的企业数；
步骤二：依据无围标和串标行为、串通策略为价格非常接近、串通策略为价格间成比例以及串通策略为价格成比例将顺利进入评标环节的企业进行分类以获取对应数据集。
3.根据权利要求2所述的基于大数据挖掘的电子招标投标监督方法，其特征在于，步骤(2)中所述聚类分析具体步骤如下：
步骤①：从p元总体中抽取多组样本，并将抽取的各组样本用X1到Xn表示，之后将第i组样本记为Xi＝(xi1,xi2,…,xip)(i＝1,2,…,n)；
步骤②：计算第i组样本Xi与第j组样本Xj之间的闵可夫基斯距离，再将距离最近的两类合成一类，之后计算与其他类之间的距离，不断重复，直至所有观测值合并成一类为止，通过平均联动方法对两类别间的距离进行标准化处理，再利用R语言数据处理工具通过层次聚类分析法绘制投标总报价聚类图；
步骤③：利用相关系数度量法对分项报价进行层次聚类分析，并绘制聚类图，再通过分析每组样本每组观测值之间的相关性对其进行分类；
步骤④：通过R语言中的NbCluster()和wssplot()函数依据数据集确定聚类个数，并画出投标总报价聚类个数组内平方的对比图，同时计算每组聚类内部的距离平方和，之后按照聚类个数进行K均值聚类分析，并生成聚类结果散点图；
步骤⑤：利用wssplot()函数的主成分分析法，画出投标分项报价聚类个数组内平方和的对比图，之后按照聚类个数进行K均值聚类分析，并生成聚类结果散点图；
步骤⑥：依据生成的各组聚类图判断投标人之间是否存在围标、串标行为，并划定类别范围。
4.根据权利要求3所述的基于大数据挖掘的电子招标投标监督方法，其特征在于，步骤②中所述闵可夫基斯距离具体计算公式如下：
其中，q为正数，特别的，
当q＝1时，为绝对值距离；
特别的，当q＝2时，为绝对值距离为欧几里得距离；当q→2时，为切比雪夫距离；
步骤②中所述标准化处理具体计算公式如下：
式中，代表第j个指标的样本均值；Rj代表第j个指标的极差、Sj代表第j个指标的标准差；
步骤④中所述距离平方和具体计算公式如下：
式中，xij表示第i组观测值中第j个变量的值；表示第k组观测值中第j个变量的值；p为变量的个数。
5.根据权利要求3所述的基于大数据挖掘的电子招标投标监督方法，其特征在于，步骤(3)中所述离群点挖掘具体步骤如下：
步骤Ⅰ：利用R语言数据分析工具生成预设范围多组个正态分布的随机数值，并生成的数值作为某类物资项目历史交易结算价格，再拟定一个恶意投标人，之后绘制线箱图，线箱图依据四分位对数据进行可视化描述；
步骤Ⅱ：收集线箱图中正常区间的最小值、下四分位数Q1、中位数Q2、上四分位数Q3以及正常区间的最大值，之后计算线箱图检测出的离群点观测值；
步骤Ⅲ：收集模拟评委信息以组成评分数据集，之后分别对顺利进入评标环节的投标人进行综合打分，并设定某一评委与一组投标人串通；
步骤Ⅳ：利用R语言数据分析工具生成一组规定范围内的随机数值以作为某招标项目评标委员会其余评委的正常打分，另设置一组异常数值作为串标评委的打分，对模拟数据集进行层次聚类分析以获取对应聚类图，并建立对应数学模型；
步骤Ⅴ：对生成的聚类图进行分析，若出现某个评委打分与其他评委打分出现显著差异，存在明显区分类别，则作为离群点进行报警。
6.根据权利要求5所述的基于大数据挖掘的电子招标投标监督方法，其特征在于，步骤Ⅱ中所述观测值具体计算公式如下：
IQR(Interquartile Range)＝Q3-Q1 (7)
其中，IQR为线箱图四分位极差；
步骤Ⅳ中所述数学模型具体表达形式如下：
式中，Hmax表示聚类图Height的最大值；Hsec表示聚类图中除了Hmax之外Height的最大值；Hmin表示Height的最小值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310983440.2A CN117011006A (zh) | 2023-08-07 | 2023-08-07 | 基于大数据挖掘的电子招标投标监督方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310983440.2A CN117011006A (zh) | 2023-08-07 | 2023-08-07 | 基于大数据挖掘的电子招标投标监督方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117011006A true CN117011006A (zh) | 2023-11-07 |
Family
ID=88572317
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310983440.2A Pending CN117011006A (zh) | 2023-08-07 | 2023-08-07 | 基于大数据挖掘的电子招标投标监督方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117011006A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117495516A (zh) * | 2024-01-02 | 2024-02-02 | 优材优建(青岛)供应链科技有限公司 | 异常报价监控方法、系统、计算机及存储介质 |
| CN117557347A (zh) * | 2024-01-11 | 2024-02-13 | 北京华电电子商务科技有限公司 | 一种电子商务平台用户行为管理方法 |
| CN117808441A (zh) * | 2024-03-01 | 2024-04-02 | 江苏省港口集团有限公司 | 一种投标信息核查方法及系统 |
| CN117853211A (zh) * | 2024-03-07 | 2024-04-09 | 安徽博诺思信息科技有限公司 | 一种投标现场智能化管理监控系统 |
-
2023
- 2023-08-07 CN CN202310983440.2A patent/CN117011006A/zh active Pending
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117495516A (zh) * | 2024-01-02 | 2024-02-02 | 优材优建(青岛)供应链科技有限公司 | 异常报价监控方法、系统、计算机及存储介质 |
| CN117495516B (zh) * | 2024-01-02 | 2024-04-05 | 优材优建(青岛)供应链科技有限公司 | 异常报价监控方法、系统、计算机及存储介质 |
| CN117557347A (zh) * | 2024-01-11 | 2024-02-13 | 北京华电电子商务科技有限公司 | 一种电子商务平台用户行为管理方法 |
| CN117557347B (zh) * | 2024-01-11 | 2024-04-12 | 北京华电电子商务科技有限公司 | 一种电子商务平台用户行为管理方法 |
| CN117808441A (zh) * | 2024-03-01 | 2024-04-02 | 江苏省港口集团有限公司 | 一种投标信息核查方法及系统 |
| CN117808441B (zh) * | 2024-03-01 | 2024-05-10 | 江苏省港口集团有限公司 | 一种投标信息核查方法及系统 |
| CN117853211A (zh) * | 2024-03-07 | 2024-04-09 | 安徽博诺思信息科技有限公司 | 一种投标现场智能化管理监控系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110009479B (zh) | 信用评价方法及装置、存储介质、计算机设备 | |
| CN117011006A (zh) | 基于大数据挖掘的电子招标投标监督方法 | |
| CN110223168B (zh) | 一种基于企业关系图谱的标签传播反欺诈检测方法及系统 | |
| CN111882446B (zh) | 一种基于图卷积网络的异常账户检测方法 | |
| CN109492945A (zh) | 企业风险识别监控方法、装置、设备及存储介质 | |
| CN110852856B (zh) | 一种基于动态网络表征的发票虚开识别方法 | |
| CN114066242A (zh) | 一种企业风险的预警方法及装置 | |
| JP2003535387A (ja) | 金融商品等の資産ポートフォリオの高速評価 | |
| JP2004506959A (ja) | 情報が欠けた状態での評価値予測モデル | |
| CN1413332A (zh) | 信用计分的自动推断估价的方法和系统 | |
| KR20010102452A (ko) | 가치를 찾고 위험을 줄이기 위한 방법 및 시스템 | |
| CN112801431B (zh) | 基于人工智能分析的企业经营风险评估方法及系统 | |
| CN1437736A (zh) | 用于量化现金流回收和风险的方法和系统 | |
| CN109377050A (zh) | 一种基于风险分析及ai人工智能模型风险分析方法 | |
| CN111797188B (zh) | 一种基于开源地理空间矢量数据的城市功能区定量识别方法 | |
| CN113781232A (zh) | 一种基于遗传算法的智能多因子投资方法 | |
| CN113240209A (zh) | 一种基于图神经网络的城市产业集群发展路径预测方法 | |
| CN115794803A (zh) | 一种基于大数据ai技术的工程审计问题监测方法与系统 | |
| KR20130083053A (ko) | 악성 해외건설 프로젝트 판별 시스템 | |
| CN112506930B (zh) | 一种基于机器学习技术的数据洞察系统 | |
| CN109214598A (zh) | 基于k-means和arima模型预测住宅小区抵押风险的批量评级方法 | |
| Yu et al. | An automatic recognition method of journal impact factor manipulation | |
| CN115187259A (zh) | 基于无监督式机器学习的区块链异常交易识别方法和系统 | |
| Kulothungan | Loan Forecast by Using Machine Learning | |
| CN110598973A (zh) | 一种基于iap的绿色家具产品认证过程风险评价方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication |