CN117436718A - 一种基于多维引擎的智能数据管理平台 - Google Patents
一种基于多维引擎的智能数据管理平台 Download PDFInfo
- Publication number
- CN117436718A CN117436718A CN202311290242.4A CN202311290242A CN117436718A CN 117436718 A CN117436718 A CN 117436718A CN 202311290242 A CN202311290242 A CN 202311290242A CN 117436718 A CN117436718 A CN 117436718A
- Authority
- CN
- China
- Prior art keywords
- data
- coefficient
- model
- retail
- unit
- 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
- 238000013523 data management Methods 0.000 title claims abstract description 30
- 238000004519 manufacturing process Methods 0.000 claims abstract description 122
- 238000004458 analytical method Methods 0.000 claims abstract description 60
- 238000013468 resource allocation Methods 0.000 claims abstract description 13
- 238000003912 environmental pollution Methods 0.000 claims abstract description 10
- 238000011156 evaluation Methods 0.000 claims description 48
- 238000003860 storage Methods 0.000 claims description 43
- 238000004364 calculation method Methods 0.000 claims description 27
- 238000012544 monitoring process Methods 0.000 claims description 24
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 22
- 238000007726 management method Methods 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 19
- 230000007613 environmental effect Effects 0.000 claims description 18
- 238000000034 method Methods 0.000 claims description 17
- 238000010223 real-time analysis Methods 0.000 claims description 17
- 230000006872 improvement Effects 0.000 claims description 16
- 238000012797 qualification Methods 0.000 claims description 16
- 239000003344 environmental pollutant Substances 0.000 claims description 15
- 231100000719 pollutant Toxicity 0.000 claims description 15
- 230000001932 seasonal effect Effects 0.000 claims description 13
- 238000003908 quality control method Methods 0.000 claims description 10
- MWUXSHHQAYIFBG-UHFFFAOYSA-N Nitric oxide Chemical compound O=[N] MWUXSHHQAYIFBG-UHFFFAOYSA-N 0.000 claims description 9
- 238000005265 energy consumption Methods 0.000 claims description 9
- 238000005065 mining Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 9
- 238000012423 maintenance Methods 0.000 claims description 8
- 239000002689 soil Substances 0.000 claims description 8
- 238000000611 regression analysis Methods 0.000 claims description 7
- 230000000007 visual effect Effects 0.000 claims description 7
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 claims description 6
- 238000012300 Sequence Analysis Methods 0.000 claims description 6
- 238000003070 Statistical process control Methods 0.000 claims description 6
- 230000006399 behavior Effects 0.000 claims description 6
- 238000000354 decomposition reaction Methods 0.000 claims description 6
- 230000001965 increasing effect Effects 0.000 claims description 6
- 230000007547 defect Effects 0.000 claims description 5
- 230000007774 longterm Effects 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 4
- 238000009499 grossing Methods 0.000 claims description 4
- 230000001737 promoting effect Effects 0.000 claims description 4
- 238000009825 accumulation Methods 0.000 claims description 3
- 239000008186 active pharmaceutical agent Substances 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 229910002092 carbon dioxide Inorganic materials 0.000 claims description 3
- 239000001569 carbon dioxide Substances 0.000 claims description 3
- 238000003066 decision tree Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 3
- 238000007477 logistic regression Methods 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 claims description 3
- 238000007637 random forest analysis Methods 0.000 claims description 3
- 230000008439 repair process Effects 0.000 claims description 3
- 238000012502 risk assessment Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 230000007306 turnover Effects 0.000 claims description 3
- 238000011161 development Methods 0.000 abstract description 8
- 230000003993 interaction Effects 0.000 abstract 1
- 230000009286 beneficial effect Effects 0.000 description 11
- 238000007405 data analysis Methods 0.000 description 6
- 238000009472 formulation Methods 0.000 description 3
- 238000013467 fragmentation Methods 0.000 description 3
- 238000006062 fragmentation reaction Methods 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 238000013439 planning Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000013486 operation strategy Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013068 supply chain management Methods 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
- 238000012384 transportation and delivery Methods 0.000 description 1
- 238000012800 visualization 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
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
-
- 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
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- 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
- G06F16/25—Integrating or interfacing systems involving database management systems
- G06F16/254—Extract, transform and load [ETL] procedures, e.g. ETL data flows in data warehouses
-
- 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
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
-
- 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
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
-
- 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
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- 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
-
- 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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/06—Asset management; Financial planning or analysis
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/20—Drawing from basic elements, e.g. lines or circles
- G06T11/206—Drawing of charts or graphs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2216/00—Indexing scheme relating to additional aspects of information retrieval not explicitly covered by G06F16/00 and subgroups
- G06F2216/03—Data mining
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Tourism & Hospitality (AREA)
- Databases & Information Systems (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Primary Health Care (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Manufacturing & Machinery (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Technology Law (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于多维引擎的智能数据管理平台,涉及数据管理技术领域,该平台通过多维引擎的智能分析,将金融、零售、制造和环境领域的数据综合在一起,建立了全局性的数据视图。这意味着决策者可以同时考虑多个领域的因素,更好地了解它们之间的相互影响。例如,一个零售机构的销售业绩可能会受到金融市场的波动、制造业的生产效率和环境污染水平的影响。有了这个综合的数据视图,决策者可以更准确地评估潜在风险和机会,制定更明智的决策。平台还提供了预测趋势分析,帮助决策者预测未来的发展趋势。通过时间序列模型,决策者获得关键指标的未来走势,从而更好地规划战略和资源分配。也促进企业能够更加灵活地应对市场变化和风险。
Description
技术领域
本发明涉及数据管理技术领域,具体为一种基于多维引擎的智能数据管理平台。
背景技术
随着信息技术的迅速发展,数据已经成为现代社会和商业决策的核心驱动力之一。金融机构、零售机构、自动化制造和能源环境监测领域越来越依赖于实时分析数据来实现更智能的决策制定和资源管理。为了满足这些需求,各行各业已经采用了各种数据管理和分析工具,但仍然存在许多技术和操作上的挑战。
在许多组织中,数据存储在不同的部门和系统中,导致数据孤岛和碎片化;大数据的应用也产生了大量的数据,并且在各个领域之间难以实现共通,目前的解决方案的制定都是单一领域单独进行,数据利用率只存在于单一领域,导致数据的利用率差,而且单一领域的数据维度由于领域间的不同维度也受限,难以综合不同领域的数据和信息。然而,许多决策需要考虑多个因素,这些因素跨越不同的领域。许多数据管理和分析工具侧重于历史数据的回顾性分析,缺乏对未来趋势的预测和智能决策支持。
发明内容
针对现有技术的不足,本发明提供了一种基于多维引擎的智能数据管理平台,该平台集成了多个引擎,针对不同领域的实时分析数据进行多维度的引擎分析和预测。这使得用户可以综合考虑多个因素,做出更全面的决策。具体针对金融机构、零售机构、自动化制造和能源环境监测领域的实时分析数据,该平台可以综合不同领域的数据,为用户提供更全面的视图。例如,金融机构可以考虑市场因素、用户信用和经济环境,以做出更明智的投资决策。
为实现以上目的,本发明通过以下技术方案予以实现:一种基于多维引擎的智能数据管理平台,包括集成数据模块、处理模块、多维度引擎存储模块、分析挖掘模块和预测趋势模块;
所述集成数据模块用于从多种来源采集数据,包括数据库、文件、API和云服务来源,以获取金融机构、零售机构、自动化制造和能源环境监测领域的实时分析数据;并通过处理模块进行数据清洗、去重、标准化和填充缺失值处理;
所述多维度引擎存储模块采用流数据处理引擎、大数据处理引擎、关系数据库处理引擎,对所述金融机构、零售机构、自动化制造和能源环境监测领域的实时分析数据进行存储,获得金融存储集、零售存储集、制造存储集和环境存储集,并统一生成引擎总集,并由分析挖掘模块对引擎总集进行智能建模分析;
所述分析挖掘模块包括金融引擎分析组、零售引擎分析组、制造孪生引擎分析组和环境引擎分析组;所述金融引擎分析组用于对金融存储集,建立信用评分模型、风险模型和违约预测模型,并计算获得用户信用评分系数xy、城市风险系数fx和违约预测系数wy;所述零售引擎分析组用于对零售存储集进行分析,建立销售模型、库存模型和客户细分模型,计算获得零售销售系数xs、库存供应系数kc和用户体量系数tL;所述制造孪生引擎分析组用于对制造存储集进行分析,建立工厂孪生模型、质量控制模型和设备故障模型,并计算获得生产效率系数sc、质量合格系数zh和设备故障系数Gz;所述环境引擎分析组用于对环境存储集进行分析,获得环境监测模型和资源管理模型,并计算获得环境污染系数wr和资源配置系数Zy;
所述预测趋势模块用于依据用户信用评分系数xy、城市风险系数fx和违约预测系数wy计算获得金融评估风险指数Fzs,依据零售销售系数xs、库存供应系数kc和用户体量系数tL计算获得销售稳定指数Xsx,依据生产效率系数sc、质量合格系数zh和设备故障系数Gz计算获得生产质量指数SCz,依据环境污染系数wr和资源配置系数Zy获得环境改善指数HJg,并将金融评估风险指数Fzs、销售稳定指数Xsx、生产质量指数SCz和环境改善指数HJg发送至预测趋势模块用于依据时间轴序列分析,建立预测模型,获得预测趋势信息并输出至客户端依据预测趋势信息制定相对应战略。
优选的,所述集成数据模块包括金融数据采集单元和零售数据采集单元,所述金融数据采集单元用于采集实时分析数据,包括用户数据和影响金融数据,
所述用户数据包括用户历史信用记录数据、收入数据、债务数据、就业稳定性数据、用户收支比例数据和历史违约行为数据;所述影响金融数据包括用户所在地理位置数据、实时当地城市的物价增长数据、失业率数据、灾害事故数据和贷款利率波动数据;
所述零售数据采集单元用于采集零售店的实时分析数据,包括零售销售数据、库存供应数据和用户体量数据;
所述零售销售数据包括零售店地理位置数据、不同季节的销售额和促销活动相关的销售数据;所述库存供应数据包括零售店的存库产品数量,供应链时间数据和订单处理数据;所述用户体量数据包括用户数量或时间周期端内新增客户量、客户购买频率、用户回购频率和热销产品种类类别数据。
优选的,所述集成数据模块还包括制造数据采集单元和环境采集单元;
所述制造数据采集单元用于采集制造业工厂的每个时间段内的产品制造产量数据,生产线的生产速度数据、制造设备运行时间和总时间的比率数据、生产产品周期时间数据、每个时间段内不合格产品数量数据、产品通过率、缺陷数量数据、每个时间段内设备故障数量数据、维修设备需要时间数据、设备故障概率数据和设备状态数据;
所述环境采集单元用于实时采集环境实时数据,包括不同类型的污染物排放量、大气质量数据、水质数据、土壤质量数据、噪音水平数据、资源供应数据、能源消耗率、水资源利用率和可再生资源供应比例数据;
所述不同类型的污染物排放量包括二氧化碳排放、氮氧化物排放量和颗粒物排放量。
优选的,所述金融引擎分析组包括第一特征单元、第一模型单元和第一评估单元;
所述第一特征单元用于从金融存储集中提取信用评分特征、市场风险特征和违约预测特征;所述第一模型单元用于使用逻辑回归、决策树、随机森林其中一种或多种特征算法建立信用评分模型、风险模型和违约预测模型,并通过第一评估单元进行评估获取用户信用评分系数xy、城市风险系数fx和违约预测系数wy的计算方式如下:
式中,szjy表示为用户收支比例值,Lsj表示用户历史信用记录评分值,zw表示用户债务值,jywd表示就业稳定评分值,Lswy表示用户历史违约行为评分值;Y1、Y2、Y3、Y4和Y5表示为权重值;且Y1+Y2+Y3+Y4+Y5=1.0;
DL表示为用户所在地理位置的城市风险评估值,wj表示为实时当地城市的物价增长比例值,syL表示为实业率数值,zh表示一段周期内灾害事故影响数值,Lbd表示为当地贷款波动数值;T1、T2、T3、T4和T5表示为权重值;且T1+T2+T3+T4+T5=1.0;
Wytz表示为用户违约特征,N表示违约特征的次数,pL表示为一年内违约的频率值,zcyw表示为违约预设阈值。
优选的,所述零售引擎分析组包括第二特征单元、第二模型单元和第二评估单元;
所述第二特征单元用于对零售存储集进行特征提取产品特征、销售时间特征、季节日销售量特征、库存周转率、供应链补货周期特征和用户群体细分特征;所述第二模型单元用于根据时间序列分析法、回归分析法,根据历史销售数据建立销售模型、库存模型和客户细分模型,用于进行训练;并通过第二评估单元进行评估获得零售销售系数xs、库存供应系数kc和用户体量系数tL的计算方式如下:
式中,LSd表示零售店地理位置评估值,xsT表示为不同季节的零售销售额,cxhd表示为促销活动的销售额;Y6、Y7和Y8表示为权重值;且Y6+Y7+Y8=1.0;
KCs表示零售药店的库存产品数量,Gzq表示为供应链供货周期,Ddz表示为订单给予零售用户的销售周期;T6、T7和T8表示为权重值;且T6+T7+T8=1.0;
xzkhL表示在季度周期或月周期内新增客户量,M表示为客户购买频率平均值,hgpL表示用于回购比例值,zqyh表示零售店目前的历史季度的增长客户数量,RLsL表示热销产品类别数量值。
优选的,所述制造孪生引擎分析组包括第三特征单元、第三模型单元和第三评估单元;
所述第三特征单元用于对制造存储集提取工厂运营和生产效率特征、设备利用率、生产线速度、工人效率、质量检测设备特征、与产品质量控制相关的特征和与设备状态和故障相关的特征;所述第三模型单元用于根据统计过程控制SPC模型、回归分析、机器学习计算法,建立工厂孪生模型、质量控制模型和设备故障模型,并由第三评估单元进行评估获取生产效率系数sc、质量合格系数zh和设备故障系数Gz的计算方式如下;
式中,sjsxcL表示为实际生产效率,mxyc表示为模型预测生产效率;HGcL表示为合格产品数量值,ZscSL表示为总生产数量值,hgcL表示为实际故障次数,zqyh表示为运行时间,XFGL表示为设备故障概率值,sj表示为设备维修时间平均值。
优选的,所述环境引擎分析组包括归一化单元、第四模型单元和第四评估单元;
所述归一化用于对环境存储集存储的污染物排放量、大气质量数据、水质数据、土壤数据和噪音数据进行归一化处理;并由第四模型单元建立环境监测模型和资源管理模型,并由第四评估单元进行评估获取获得环境污染系数wr和资源配置系数Zy的计算方式如下:
式中,WRW表示为归一化后的污染物排放量,DQZ表示归一化大气质量数值,SZ表示为归一化水质数值;ZY表示为归一化噪音水平数值,E1、E2、E3和E4表示为权重值;且E1+E2+E3+E4=1.0;
gy表示为归一化后的资源供应数值,NYxh表示归一化能源消耗率,SZY表示为归一化水资源利用率;ZSzy表示为归一化可再生资源供应比例,包括风能,太阳能和海洋能源E6、E7、E8和E9表示为权重值;且E6+E7+E8+E9=1.0。
优选的,所述预测趋势模块包括第一预测单元、第二预测单元、第三预测单元和第四预测单元;
所述第一预测单元用于依据用户信用评分系数xy、城市风险系数fx和违约预测系数wy计算获得金融评估风险指数Fzs;
Fzs=(xy*A)+(fx*B)+(wy*C);
式中,A、B和C分别是用户信用评分系数xy、城市风险系数fx和违约预测系数wy的权重值;
所述第二预测单元用于依据零售销售系数xs、库存供应系数kc和用户体量系数tL计算获得销售稳定指数Xsx:
Xsx=(xs*D)+(kc*E)+(tL*F);
式中,D、E和F分别是零售销售系数xs、库存供应系数kc和用户体量系数tL的权重值;
所述第三预测单元依据生产效率系数sc、质量合格系数zh和设备故障系数Gz计算获得生产质量指数SCz:
SCz=(sc*G)+(zh*H)+(Gz*I);
式中,G、H和I分别表示生产效率系数sc、质量合格系数zh和设备故障系数Gz的权重值;
所述第四预测单元依据环境污染系数wr和资源配置系数Zy获得环境改善指数HJg:
HJg=(wr*J)+(Zy*K);
式中,J和K分别是环境污染系数wr和资源配置系数Zy的权重值。
优选的,所述预测趋势模块还包括建立时间序列模型单元,所述建立时间序列模型单元用于获取金融评估风险指数Fzs、销售稳定指数Xsx、生产质量指数SCz和环境改善指数HJg内的每个指标的时间序列进行分解,将其分解为趋势、季节性和残差成分,并建立时间序列模型,对未来时间点的数据进行预测,确定预测的时间跨度,时间跨度包括短期预测和长期预测,采用季节性分解、指数平滑法建立预测模型,获取预测值、估计值和置信区间值;
并将所述预测值、估计值和置信区间值生成可视化趋势图表合格预测趋势信息,输出值至客户端依据预测趋势信息制定相对应战略。
本发明提供了一种基于多维引擎的智能数据管理平台。具备以下有益效果:
(1)该一种基于多维引擎的智能数据管理平台,该平台通过集成数据模块,能够从多种来源采集、清洗、标准化和整合数据,包括金融、零售、制造和环境领域的实时分析数据。这有助于打破数据孤岛,促进跨部门和跨系统的数据共享,提高数据的利用率和一致性。
(2)该一种基于多维引擎的智能数据管理平台,平台中的多维引擎分析模块针对不同领域建立了专门的分析引擎,包括金融、零售、制造和环境引擎。这些引擎可以智能地建立模型、分析数据并计算各种关键指标,如信用评分、销售稳定性、生产效率和环境污染等。这有助于各领域的决策者更好地理解数据,做出智能决策。
(3)该一种基于多维引擎的智能数据管理平台,预测趋势模块通过建立时间序列模型,对各指标的未来表现进行预测。这有助于决策者了解未来趋势,做出相应的战略规划。同时,生成可视化趋势图表,使预测结果更具可视化和直观性。
(4)该一种基于多维引擎的智能数据管理平台,根据不同领域和指标的需求,平台提供了定制化的决策支持。融评估风险指数Fzs、销售稳定指数Xsx、生产质量指数SCz和环境改善指数HJg关键指标可根据权重值进行定制,满足不同决策者的需求。这有助于制定更加精确和有针对性的战略。
附图说明
图1为本发明一种基于多维引擎的智能数据管理平台框图流程示意图。
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。
随着信息技术的迅速发展,数据已经成为现代社会和商业决策的核心驱动力之一。金融机构、零售机构、自动化制造和能源环境监测领域越来越依赖于实时分析数据来实现更智能的决策制定和资源管理。为了满足这些需求,各行各业已经采用了各种数据管理和分析工具,但仍然存在许多技术和操作上的挑战。
在许多组织中,数据存储在不同的部门和系统中,导致数据孤岛和碎片化;大数据的应用也产生了大量的数据,并且在各个领域之间难以实现共通,目前的解决方案的制定都是单一领域单独进行,数据利用率只存在于单一领域,导致数据的利用率差,而且单一领域的数据维度由于领域间的不同维度也受限,难以综合不同领域的数据和信息。然而,许多决策需要考虑多个因素,这些因素跨越不同的领域。许多数据管理和分析工具侧重于历史数据的回顾性分析,缺乏对未来趋势的预测和智能决策支持。
实施例1
一种基于多维引擎的智能数据管理平台,包括集成数据模块、处理模块、多维度引擎存储模块、分析挖掘模块和预测趋势模块;
所述集成数据模块用于从多种来源采集数据,包括数据库、文件、API和云服务来源,以获取金融机构、零售机构、自动化制造和能源环境监测领域的实时分析数据;并通过处理模块进行数据清洗、去重、标准化和填充缺失值处理;减少了数据碎片化和孤岛问题,提高了数据的可用性和质量。
所述多维度引擎存储模块采用流数据处理引擎、大数据处理引擎、关系数据库处理引擎,对所述金融机构、零售机构、自动化制造和能源环境监测领域的实时分析数据进行存储,获得金融存储集、零售存储集、制造存储集和环境存储集,并统一生成引擎总集,并由分析挖掘模块对引擎总集进行智能建模分析;统一生成引擎总集,使不同领域的数据能够进行跨领域综合分析。解决了数据在不同领域之间的维度限制,支持跨领域数据分析,提供更全面的信息。
所述分析挖掘模块包括金融引擎分析组、零售引擎分析组、制造孪生引擎分析组和环境引擎分析组;所述金融引擎分析组用于对金融存储集,建立信用评分模型、风险模型和违约预测模型,并计算获得用户信用评分系数xy、城市风险系数fx和违约预测系数wy;所述零售引擎分析组用于对零售存储集进行分析,建立销售模型、库存模型和客户细分模型,计算获得零售销售系数xs、库存供应系数kc和用户体量系数tL;所述制造孪生引擎分析组用于对制造存储集进行分析,建立工厂孪生模型、质量控制模型和设备故障模型,并计算获得生产效率系数sc、质量合格系数zh和设备故障系数Gz;所述环境引擎分析组用于对环境存储集进行分析,获得环境监测模型和资源管理模型,并计算获得环境污染系数wr和资源配置系数Zy;包括金融引擎、零售引擎、制造孪生引擎和环境引擎,针对不同领域的数据进行智能建模和分析。支持实时分析和智能决策,帮助不同领域的机构优化运营、降低风险、提高生产质量和环境监测。
所述预测趋势模块用于依据用户信用评分系数xy、城市风险系数fx和违约预测系数wy计算获得金融评估风险指数Fzs,依据零售销售系数xs、库存供应系数kc和用户体量系数tL计算获得销售稳定指数Xsx,依据生产效率系数sc、质量合格系数zh和设备故障系数Gz计算获得生产质量指数SCz,依据环境污染系数wr和资源配置系数Zy获得环境改善指数HJg,并将金融评估风险指数Fzs、销售稳定指数Xsx、生产质量指数SCz和环境改善指数HJg发送至预测趋势模块用于依据时间轴序列分析,建立预测模型,获得预测趋势信息并输出至客户端依据预测趋势信息制定相对应战略。提供未来趋势信息,支持决策者预测市场、销售、生产和环境的变化趋势。帮助机构制定具有前瞻性的战略,根据未来趋势做出智能决策。
本实施例中,通过整合数据、智能分析和预测,机构能够更好地理解市场和环境,降低风险,提高生产效率,推动环境改善,并在各个领域中取得更好的业务结果。提高跨领域决策的精度和效率,支持跨部门的协作和战略制定。最终效益包括降低成本、增加收入、提高客户满意度以及促进可持续发展。多维引擎的智能数据管理平台的优点在于综合不同领域的数据,提供综合性的视图,并支持智能分析和未来趋势预测,从而帮助机构更好地应对挑战、做出明智的决策,并实现可持续增长。
实施例2
本实施例是在实施例1中进行的解释说明,请参照图1,具体的,所述集成数据模块包括金融数据采集单元和零售数据采集单元,所述金融数据采集单元用于采集实时分析数据,包括用户数据和影响金融数据,
所述用户数据包括用户历史信用记录数据、收入数据、债务数据、就业稳定性数据、用户收支比例数据和历史违约行为数据;所述影响金融数据包括用户所在地理位置数据、实时当地城市的物价增长数据、失业率数据、灾害事故数据和贷款利率波动数据;
这使得金融机构能够更全面地了解客户的财务状况和信用历史,有助于更准确地评估风险和制定信贷政策。除了用户数据,金融数据采集单元还获取了影响金融数据的环境数据,如地理位置、物价增长、失业率、灾害事故和贷款利率波动数据。这些数据帮助金融机构更好地了解客户所处的环境情况,从而更准确地评估风险和制定贷款条件。
所述零售数据采集单元用于采集零售店的实时分析数据,包括零售销售数据、库存供应数据和用户体量数据;
所述零售销售数据包括零售店地理位置数据、不同季节的销售额和促销活动相关的销售数据;这使得零售机构能够深入了解销售趋势,更好地规划库存和促销策略。
所述库存供应数据包括零售店的存库产品数量,供应链时间数据和订单处理数据;这有助于优化供应链管理,减少库存成本和提高交付效率。
所述用户体量数据包括用户数量或时间周期端内新增客户量、客户购买频率、用户回购频率和热销产品种类类别数据。这些数据使零售机构能够更好地理解客户行为,进行客户细分,并提供个性化的产品和服务,从而增加客户忠诚度和销售额。
本实施例中,金融数据采集单元和零售数据采集单元的有益效果在于为多维引擎的智能数据管理平台提供了丰富多样的实时数据,使金融机构和零售机构能够更全面地了解客户、市场和供应链情况,从而更好地进行决策制定、风险管理和业务优化。这有助于提高效率、降低风险、增加收益,并提供更好的客户体验。
实施例3
本实施例是在实施例1中进行的解释说明,请参照图1,具体的,所述集成数据模块还包括制造数据采集单元和环境采集单元;
所述制造数据采集单元用于采集制造业工厂的每个时间段内的产品制造产量数据,生产线的生产速度数据、制造设备运行时间和总时间的比率数据、生产产品周期时间数据、每个时间段内不合格产品数量数据、产品通过率、缺陷数量数据、每个时间段内设备故障数量数据、维修设备需要时间数据、设备故障概率数据和设备状态数据;制造数据采集单元有助于制造业工厂实时监测生产过程,并优化生产流程,提高生产效率和产品质量。通过监测不合格产品数量、产品通过率和缺陷数量,制造业可以改善质量控制流程,减少废品和退货率,提高产品质量和客户满意度。采集的设备故障数量、维修时间和设备状态数据使工厂能够实施预测性维护,提前识别设备故障并减少生产中断时间,降低维修成本。
所述环境采集单元用于实时采集环境实时数据,包括不同类型的污染物排放量、大气质量数据、水质数据、土壤质量数据、噪音水平数据、资源供应数据、能源消耗率、水资源利用率和可再生资源供应比例数据;实时采集的污染物排放量、大气质量、水质、土壤质量和噪音水平数据有助于进行环境监测和评估。这有助于确保工厂和环境符合相关法规和标准。采集的资源供应数据、能源消耗率、水资源利用率和可再生资源供应比例数据有助于优化资源管理,降低资源消耗,提高生产效率,减少成本。通过实时监测和数据分析,环境采集单元有助于推动可持续发展实践,包括减少碳排放、提高资源利用效率和采用更环保的生产方法。
所述不同类型的污染物排放量包括二氧化碳排放、氮氧化物排放量和颗粒物排放量。
本实施例中,制造数据采集单元和环境采集单元的有益效果在于为制造业和环境监测领域提供了实时数据,支持生产过程的优化、设备维护的改进、质量管理的提高、环境合规性的确保和可持续发展目标的实现。这有助于工厂提高生产效率、降低成本、减少环境影响,并促进可持续经营。
实施例4
本实施例是在实施例1中进行的解释说明,请参照图1,具体的,所述金融引擎分析组包括第一特征单元、第一模型单元和第一评估单元;
所述第一特征单元用于从金融存储集中提取信用评分特征、市场风险特征和违约预测特征;所述第一模型单元用于使用逻辑回归、决策树、随机森林其中一种或多种特征算法建立信用评分模型、风险模型和违约预测模型,并通过第一评估单元进行评估获取用户信用评分系数xy、城市风险系数fx和违约预测系数wy的计算方式如下:
式中,szjy表示为用户收支比例值,Lsj表示用户历史信用记录评分值,zw表示用户债务值,jywd表示就业稳定评分值,Lswy表示用户历史违约行为评分值;Y1、Y2、Y3、Y4和Y5表示为权重值;且Y1+Y2+Y3+Y4+Y5=1.0;
DL表示为用户所在地理位置的城市风险评估值,wj表示为实时当地城市的物价增长比例值,syL表示为实业率数值,zh表示一段周期内灾害事故影响数值,Lbd表示为当地贷款波动数值;T1、T2、T3、T4和T5表示为权重值;且T1+T2+T3+T4+T5=1.0;
Wytz表示为用户违约特征,N表示违约特征的次数,pL表示为一年内违约的频率值,zcyw表示为违约预设阈值。
实施例5
本实施例是在实施例1中进行的解释说明,请参照图1,具体的,所述零售引擎分析组包括第二特征单元、第二模型单元和第二评估单元;
所述第二特征单元用于对零售存储集进行特征提取产品特征、销售时间特征、季节日销售量特征、库存周转率、供应链补货周期特征和用户群体细分特征;为零售业务提供了全面的数据视角;特征提取有助于深度分析零售存储集,识别销售和库存的模式、季节性变化、用户行为等关键因素,从而更好地理解业务运作;
所述第二模型单元用于根据时间序列分析法、回归分析法,根据历史销售数据建立销售模型、库存模型和客户细分模型,用于进行训练;并通过第二评估单元进行评估获得零售销售系数xs、库存供应系数kc和用户体量系数tL的计算方式如下:
式中,LSd表示零售店地理位置评估值,xsT表示为不同季节的零售销售额,cxhd表示为促销活动的销售额;Y6、Y7和Y8表示为权重值;且Y6+Y7+Y8=1.0;
KCs表示零售药店的库存产品数量,Gzq表示为供应链供货周期,Ddz表示为订单给予零售用户的销售周期;T6、T7和T8表示为权重值;且T6+T7+T8=1.0;
xzkhL表示在季度周期或月周期内新增客户量,M表示为客户购买频率平均值,hgpL表示用于回购比例值,zqyh表示零售店目前的历史季度的增长客户数量,RLsL表示热销产品类别数量值。
本实施例中,第二模型单元基于历史销售数据,采用时间序列分析和回归分析等方法,建立销售模型、库存模型和客户细分模型。这些模型能够预测未来销售趋势、库存需求和客户行为。第二评估单元利用一系列评估参数,如零售店地理位置评估值、季节性销售额、促销活动销售额、库存产品数量、供应链供货周期、销售周期、新增客户量、购买频率、回购比例等,综合评估零售销售系数xs、库存供应系数kc和用户体量系数tL;综合评估结果为零售业务提供了精准的决策支持,帮助管理层更好地了解业务情况,制定战略计划,并调整运营策略以实现更好的销售和库存管理。
实施例6
本实施例是在实施例1中进行的解释说明,请参照图1,具体的,所述制造孪生引擎分析组包括第三特征单元、第三模型单元和第三评估单元;
所述第三特征单元用于对制造存储集提取工厂运营和生产效率特征、设备利用率、生产线速度、工人效率、质量检测设备特征、与产品质量控制相关的特征和与设备状态和故障相关的特征;为工厂提供了全面的数据视角。所述第三模型单元用于根据统计过程控制SPC模型、回归分析、机器学习计算法,建立工厂孪生模型、质量控制模型和设备故障模型;孪生模型有助于优化工厂运营,提高生产效率和质量,降低不合格产品数量,减少废品率,并降低生产成本。
并由第三评估单元进行评估获取生产效率系数sc、质量合格系数zh和设备故障系数Gz的计算方式如下;
式中,sjsxcL表示为实际生产效率,mxyc表示为模型预测生产效率;HGcL表示为合格产品数量值,ZscSL表示为总生产数量值,hgcL表示为实际故障次数,zqyh表示为运行时间,XFGL表示为设备故障概率值,sj表示为设备维修时间平均值。
本实施例中,第三评估单元利用一系列评估参数,如实际生产效率、模型预测生产效率、合格产品数量、总生产数量、实际故障次数、运行时间、设备故障概率、设备维修时间平均值等,综合评估生产效率系数sc、质量合格系数zh和设备故障系数Gz。评估结果为工厂提供了精准的决策支持,帮助管理层更好地了解工厂运营情况,制定战略计划,并调整运营策略以提高生产效率和质量。
实施例7
本实施例是在实施例1中进行的解释说明,请参照图1,具体的,所述环境引擎分析组包括归一化单元、第四模型单元和第四评估单元;
所述归一化用于对环境存储集存储的污染物排放量、大气质量数据、水质数据、土壤数据和噪音数据进行归一化处理;归一化处理将不同类型的环境数据(如污染物排放量、大气质量、水质、土壤、噪音等)统一为相似的数值范围,增强了数据的一致性和可比性。归一化有助于减少数据中的噪音和不一致性,提高了数据的准确性,使后续的分析和建模更可靠。
并由第四模型单元建立环境监测模型和资源管理模型,资源管理模型利用归一化后的资源供应、能源消耗率、水资源利用率和可再生资源供应比例等数据,帮助管理者更好地规划和优化资源利用,包括能源管理、水资源管理和可再生能源利用等方面。并由第四评估单元进行评估获取获得环境污染系数wr和资源配置系数Zy的计算方式如下:
式中,WRW表示为归一化后的污染物排放量,DQZ表示归一化大气质量数值,SZ表示为归一化水质数值;ZY表示为归一化噪音水平数值,E1、E2、E3和E4表示为权重值;且E1+E2+E3+E4=1.0;
gy表示为归一化后的资源供应数值,NYxh表示归一化能源消耗率,SZY表示为归一化水资源利用率;ZSzy表示为归一化可再生资源供应比例,包括风能,太阳能和海洋能源E6、E7、E8和E9表示为权重值;且E6+E7+E8+E9=1.0。
本实施例中,第四模型单元基于归一化后的环境数据,建立了环境监测模型,能够预测环境污染趋势和变化,提供有关环境状况的实时信息。第四评估单元利用一系列评估参数,如归一化后的污染物排放量、大气质量、水质、噪音水平、资源供应、能源消耗率、水资源利用率和可再生资源供应比例等,综合评估环境污染系数wr和资源配置系数Zy。评估结果为环境管理和资源规划提供了决策支持,帮助管理层更好地了解环境状况,采取措施来减少污染、提高资源利用效率,实现可持续发展;
归一化单元、第四模型单元和第四评估单元在于通过数据处理、建模和评估,有助于更好地理解和管理环境因素,提高环境监测和资源管理的效率和准确性,有助于实现环境保护和资源可持续利用的目标。
实施例8
本实施例是在实施例1中进行的解释说明,请参照图1,具体的,所述预测趋势模块包括第一预测单元、第二预测单元、第三预测单元和第四预测单元;
所述第一预测单元用于依据用户信用评分系数xy、城市风险系数fx和违约预测系数wy计算获得金融评估风险指数Fzs;
Fzs=(xy*A)+(fx*B)+(wy*C);
式中,A、B和C分别是用户信用评分系数xy、城市风险系数fx和违约预测系数wy的权重值;公式的意义为,这有助于金融机构更准确地评估借款人的信用风险,制定合适的贷款政策和利率。
所述第二预测单元用于依据零售销售系数xs、库存供应系数kc和用户体量系数tL计算获得销售稳定指数Xsx:
Xsx=(xs*D)+(kc*E)+(tL*F);
式中,D、E和F分别是零售销售系数xs、库存供应系数kc和用户体量系数tL的权重值;公式的意义为,这有助于零售机构预测销售趋势,优化库存管理,以及更好地了解客户需求。
所述第三预测单元依据生产效率系数sc、质量合格系数zh和设备故障系数Gz计算获得生产质量指数SCz:
SCz=(sc*G)+(zh*H)+(Gz*I);
式中,G、H和I分别表示生产效率系数sc、质量合格系数zh和设备故障系数Gz的权重值;公式的意义为,这有助于制造业实时监测生产质量,降低不合格品率,提高生产效率。
所述第四预测单元依据环境污染系数wr和资源配置系数Zy获得环境改善指数HJg:
HJg=(wr*J)+(Zy*K);
式中,J和K分别是环境污染系数wr和资源配置系数Zy的权重值。这有助于能源环境监测领域更好地了解环境状况,采取措施减少污染,优化资源配置。
本实施例中,预测单元在不同领域中提供了重要的预测和评估功能,有助于企业和机构更好地管理风险、提高销售、优化生产和环境保护,为决策制定提供了有力支持。有益效果包括提高决策准确性、降低风险、提高效率和可持续发展。
实施例9
本实施例是在实施例1中进行的解释说明,请参照图1,具体的,所述预测趋势模块还包括建立时间序列模型单元,所述建立时间序列模型单元用于获取金融评估风险指数Fzs、销售稳定指数Xsx、生产质量指数SCz和环境改善指数HJg内的每个指标的时间序列进行分解,将其分解为趋势、季节性和残差成分,并建立时间序列模型,对未来时间点的数据进行预测,确定预测的时间跨度,时间跨度包括短期预测和长期预测,采用季节性分解、指数平滑法建立预测模型,获取预测值、估计值和置信区间值;这有助于理解数据中的趋势、季节性和残差成分,为更准确的预测提供了基础。
建立时间序列模型单元使用季节性分解和指数平滑法等方法建立预测模型,可以预测未来时间点的数据。这有助于预测每个指标在未来时间段内的表现,提供了对趋势的洞察,帮助决策者做出更明智的决策。
时间序列模型单元还确定了预测的时间跨度,包括短期预测和长期预测。这有助于满足不同时间范围内的决策需求,例如短期内的应急决策和长期内的战略规划。
并将所述预测值、估计值和置信区间值生成可视化趋势图表合格预测趋势信息,输出值至客户端依据预测趋势信息制定相对应战略。将预测值、估计值和置信区间值输出至客户端,使决策者能够实时访问和分析预测结果。这有助于及时采取行动,调整战略,并做出决策。
生成可视化趋势图表有助于将预测结果以直观的方式呈现给决策者。这样的图表可以帮助决策者更好地理解数据趋势,做出基于数据的决策。
本实施例中,建立时间序列模型单元通过分解时间序列、建立预测模型、确定时间跨度、生成可视化趋势图表和输出至客户端等步骤,提供了全面的预测和分析支持,有助于决策者更好地理解数据、制定战略和规划未来。有益效果包括提高决策的准确性、及时性和可视化程度。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (9)
1.一种基于多维引擎的智能数据管理平台,其特征在于:包括集成数据模块、处理模块、多维度引擎存储模块、分析挖掘模块和预测趋势模块;
所述集成数据模块用于从多种来源采集数据,包括数据库、文件、API和云服务来源,以获取金融机构、零售机构、自动化制造和能源环境监测领域的实时分析数据;并通过处理模块进行数据清洗、去重、标准化和填充缺失值处理;
所述多维度引擎存储模块采用流数据处理引擎、大数据处理引擎、关系数据库处理引擎,对所述金融机构、零售机构、自动化制造和能源环境监测领域的实时分析数据进行存储,获得金融存储集、零售存储集、制造存储集和环境存储集,并统一生成引擎总集,并由分析挖掘模块对引擎总集进行智能建模分析;
所述分析挖掘模块包括金融引擎分析组、零售引擎分析组、制造孪生引擎分析组和环境引擎分析组;所述金融引擎分析组用于对金融存储集,建立信用评分模型、风险模型和违约预测模型,并计算获得用户信用评分系数xy、城市风险系数fx和违约预测系数wy;所述零售引擎分析组用于对零售存储集进行分析,建立销售模型、库存模型和客户细分模型,计算获得零售销售系数xs、库存供应系数kc和用户体量系数tL;所述制造孪生引擎分析组用于对制造存储集进行分析,建立工厂孪生模型、质量控制模型和设备故障模型,并计算获得生产效率系数sc、质量合格系数zh和设备故障系数Gz;所述环境引擎分析组用于对环境存储集进行分析,获得环境监测模型和资源管理模型,并计算获得环境污染系数wr和资源配置系数Zy;
所述预测趋势模块用于依据用户信用评分系数xy、城市风险系数fx和违约预测系数wy计算获得金融评估风险指数Fzs,依据零售销售系数xs、库存供应系数kc和用户体量系数tL计算获得销售稳定指数Xsx,依据生产效率系数sc、质量合格系数zh和设备故障系数Gz计算获得生产质量指数SCz,依据环境污染系数wr和资源配置系数Zy获得环境改善指数HJg,并将金融评估风险指数Fzs、销售稳定指数Xsx、生产质量指数SCz和环境改善指数HJg发送至预测趋势模块用于依据时间轴序列分析,建立预测模型,获得预测趋势信息并输出至客户端。
2.根据权利要求1所述的一种基于多维引擎的智能数据管理平台,其特征在于:所述集成数据模块包括金融数据采集单元和零售数据采集单元,所述金融数据采集单元用于采集实时分析数据,包括用户数据和影响金融数据,
所述用户数据包括用户历史信用记录数据、收入数据、债务数据、就业稳定性数据、用户收支比例数据和历史违约行为数据;所述影响金融数据包括用户所在地理位置数据、实时当地城市的物价增长数据、失业率数据、灾害事故数据和贷款利率波动数据;
所述零售数据采集单元用于采集零售店的实时分析数据,包括零售销售数据、库存供应数据和用户体量数据;
所述零售销售数据包括零售店地理位置数据、不同季节的销售额和促销活动相关的销售数据;所述库存供应数据包括零售店的存库产品数量,供应链时间数据和订单处理数据;所述用户体量数据包括用户数量或时间周期端内新增客户量、客户购买频率、用户回购频率和热销产品种类类别数据。
3.根据权利要求1所述的一种基于多维引擎的智能数据管理平台,其特征在于:所述集成数据模块还包括制造数据采集单元和环境采集单元;
所述制造数据采集单元用于采集制造业工厂的每个时间段内的产品制造产量数据,生产线的生产速度数据、制造设备运行时间和总时间的比率数据、生产产品周期时间数据、每个时间段内不合格产品数量数据、产品通过率、缺陷数量数据、每个时间段内设备故障数量数据、维修设备需要时间数据、设备故障概率数据和设备状态数据;
所述环境采集单元用于实时采集环境实时数据,包括不同类型的污染物排放量、大气质量数据、水质数据、土壤质量数据、噪音水平数据、资源供应数据、能源消耗率、水资源利用率和可再生资源供应比例数据;
所述不同类型的污染物排放量包括二氧化碳排放、氮氧化物排放量和颗粒物排放量。
4.根据权利要求1所述的一种基于多维引擎的智能数据管理平台,其特征在于:所述金融引擎分析组包括第一特征单元、第一模型单元和第一评估单元;
所述第一特征单元用于从金融存储集中提取信用评分特征、市场风险特征和违约预测特征;所述第一模型单元用于使用逻辑回归、决策树、随机森林其中一种或多种特征算法建立信用评分模型、风险模型和违约预测模型,并通过第一评估单元进行评估获取用户信用评分系数xy、城市风险系数fx和违约预测系数wy的计算方式如下:
式中,szjy表示为用户收支比例值,Lsj表示用户历史信用记录评分值,zw表示用户债务值,jywd表示就业稳定评分值,Lswy表示用户历史违约行为评分值;Y1、Y2、Y3、Y4和Y5表示为权重值;且Y1+Y2+Y3+Y4+Y5=1.0;
DL表示为用户所在地理位置的城市风险评估值,wj表示为实时当地城市的物价增长比例值,syL表示为实业率数值,zh表示一段周期内灾害事故影响数值,Lbd表示为当地贷款波动数值;T1、T2、T3、T4和T5表示为权重值;且T1+T2+T3+T4+T5=1.0;
Wytz表示为用户违约特征,N表示违约特征的次数,pL表示为一年内违约的频率值,zcyw表示为违约预设阈值。
5.根据权利要求1所述的一种基于多维引擎的智能数据管理平台,其特征在于:所述零售引擎分析组包括第二特征单元、第二模型单元和第二评估单元;
所述第二特征单元用于对零售存储集进行特征提取产品特征、销售时间特征、季节日销售量特征、库存周转率、供应链补货周期特征和用户群体细分特征;所述第二模型单元用于根据时间序列分析法、回归分析法,根据历史销售数据建立销售模型、库存模型和客户细分模型,用于进行训练;并通过第二评估单元进行评估获得零售销售系数xs、库存供应系数kc和用户体量系数tL的计算方式如下:
式中,LSd表示零售店地理位置评估值,xsT表示为不同季节的零售销售额,cxhd表示为促销活动的销售额;Y6、Y7和Y8表示为权重值;且Y6+Y7+Y8=1.0;
KCs表示零售药店的库存产品数量,Gzq表示为供应链供货周期,Ddz表示为订单给予零售用户的销售周期;T6、T7和T8表示为权重值;且T6+T7+T8=1.0;
xzkhL表示在季度周期或月周期内新增客户量,M表示为客户购买频率平均值,hgpL表示用于回购比例值,zqyh表示零售店目前的历史季度的增长客户数量,RLsL表示热销产品类别数量值。
6.根据权利要求1所述的一种基于多维引擎的智能数据管理平台,其特征在于:所述制造孪生引擎分析组包括第三特征单元、第三模型单元和第三评估单元;
所述第三特征单元用于对制造存储集提取工厂运营和生产效率特征、设备利用率、生产线速度、工人效率、质量检测设备特征、与产品质量控制相关的特征和与设备状态和故障相关的特征;所述第三模型单元用于根据统计过程控制SPC模型、回归分析、机器学习计算法,建立工厂孪生模型、质量控制模型和设备故障模型,并由第三评估单元进行评估获取生产效率系数sc、质量合格系数zh和设备故障系数Gz的计算方式如下;
式中,sjsxcL表示为实际生产效率,mxyc表示为模型预测生产效率;HGcL表示为合格产品数量值,ZscSL表示为总生产数量值,hgcL表示为实际故障次数,zqyh表示为运行时间,XFGL表示为设备故障概率值,sj表示为设备维修时间平均值。
7.根据权利要求1所述的一种基于多维引擎的智能数据管理平台,其特征在于:所述环境引擎分析组包括归一化单元、第四模型单元和第四评估单元;
所述归一化用于对环境存储集存储的污染物排放量、大气质量数据、水质数据、土壤数据和噪音数据进行归一化处理;并由第四模型单元建立环境监测模型和资源管理模型,并由第四评估单元进行评估获取获得环境污染系数wr和资源配置系数Zy的计算方式如下:
式中,WRW表示为归一化后的污染物排放量,DQZ表示归一化大气质量数值,SZ表示为归一化水质数值;ZY表示为归一化噪音水平数值,E1、E2、E3和E4表示为权重值;且E1+E2+E3+E4=1.0;
gy表示为归一化后的资源供应数值,NYxh表示归一化能源消耗率,SZY表示为归一化水资源利用率;ZSzy表示为归一化可再生资源供应比例,包括风能,太阳能和海洋能源E6、E7、E8和E9表示为权重值;且E6+E7+E8+E9=1.0。
8.根据权利要求1所述的一种基于多维引擎的智能数据管理平台,其特征在于:所述预测趋势模块包括第一预测单元、第二预测单元、第三预测单元和第四预测单元;
所述第一预测单元用于依据用户信用评分系数xy、城市风险系数fx和违约预测系数wy计算获得金融评估风险指数Fzs;
Fzs=(xy*A)+(fx*B)+(wy*C);
式中,A、B和C分别是用户信用评分系数xy、城市风险系数fx和违约预测系数wy的权重值;
所述第二预测单元用于依据零售销售系数xs、库存供应系数kc和用户体量系数tL计算获得销售稳定指数Xsx:
Xsx=(xs*D)+(kc*E)+(tL*F);
式中,D、E和F分别是零售销售系数xs、库存供应系数kc和用户体量系数tL的权重值;
所述第三预测单元依据生产效率系数sc、质量合格系数zh和设备故障系数Gz计算获得生产质量指数SCz:
SCz=(sc*G)+(zh*H)+(Gz*I);
式中,G、H和I分别表示生产效率系数sc、质量合格系数zh和设备故障系数Gz的权重值;
所述第四预测单元依据环境污染系数wr和资源配置系数Zy获得环境改善指数HJg:
HJg=(wr*J)+(Zy*K);
式中,J和K分别是环境污染系数wr和资源配置系数Zy的权重值。
9.根据权利要求1所述的一种基于多维引擎的智能数据管理平台,其特征在于:所述预测趋势模块还包括建立时间序列模型单元,所述建立时间序列模型单元用于获取金融评估风险指数Fzs、销售稳定指数Xsx、生产质量指数SCz和环境改善指数HJg内的每个指标的时间序列进行分解,将其分解为趋势、季节性和残差成分,并建立时间序列模型,对未来时间点的数据进行预测,确定预测的时间跨度,时间跨度包括短期预测和长期预测,采用季节性分解、指数平滑法建立预测模型,获取预测值、估计值和置信区间值;
并将所述预测值、估计值和置信区间值生成可视化趋势图表合格预测趋势信息,输出值至客户端依据预测趋势信息制定相对应战略。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311290242.4A CN117436718B (zh) | 2023-10-06 | 2023-10-06 | 一种基于多维引擎的智能数据管理平台 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311290242.4A CN117436718B (zh) | 2023-10-06 | 2023-10-06 | 一种基于多维引擎的智能数据管理平台 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117436718A true CN117436718A (zh) | 2024-01-23 |
CN117436718B CN117436718B (zh) | 2024-05-14 |
Family
ID=89554491
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311290242.4A Active CN117436718B (zh) | 2023-10-06 | 2023-10-06 | 一种基于多维引擎的智能数据管理平台 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117436718B (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8781882B1 (en) * | 2008-08-07 | 2014-07-15 | Accenture Global Services Limited | Automotive industry high performance capability assessment |
CN105264556A (zh) * | 2013-03-12 | 2016-01-20 | 斯特拉斯佩皇冠有限公司 | 用于市场分析和自动化业务决策的系统和方法 |
US20170220943A1 (en) * | 2014-09-30 | 2017-08-03 | Mentorica Technology Pte Ltd | Systems and methods for automated data analysis and customer relationship management |
CN110147915A (zh) * | 2018-02-11 | 2019-08-20 | 陕西爱尚物联科技有限公司 | 一种资源配置的方法及其系统 |
CN110310191A (zh) * | 2018-03-20 | 2019-10-08 | 石言 | 用于数据分析、风险管理和自动合规的分布式计算机框架 |
US20210319458A1 (en) * | 2020-04-14 | 2021-10-14 | Capital One Services, Llc | Systems and methods for trend detection |
CN113902333A (zh) * | 2021-10-28 | 2022-01-07 | 王世虎 | 支撑城市运行服务的数据运营管理系统及构建其的方法 |
CN114418275A (zh) * | 2021-11-29 | 2022-04-29 | 航天科工网络信息发展有限公司 | 基于大数据的城市发展态势分析方法、装置及系统 |
CN114626938A (zh) * | 2022-03-25 | 2022-06-14 | 深圳微言科技有限责任公司 | 一种智能决策引擎、决策系统及决策方法 |
CN115714807A (zh) * | 2021-08-18 | 2023-02-24 | 上海宝信软件股份有限公司 | 工业场景数据中台的设计系统 |
CN116362570A (zh) * | 2023-06-02 | 2023-06-30 | 北京建工环境修复股份有限公司 | 一种基于大数据平台的多维度污染分析方法及系统 |
CN116739217A (zh) * | 2023-06-21 | 2023-09-12 | 贵州飞利达科技股份有限公司 | 一种基于供应链大数据平台的零售管理方法及系统 |
CN116823578A (zh) * | 2023-07-17 | 2023-09-29 | 鲁友燕 | 基于大数据分析的智能城市规划系统和方法 |
-
2023
- 2023-10-06 CN CN202311290242.4A patent/CN117436718B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8781882B1 (en) * | 2008-08-07 | 2014-07-15 | Accenture Global Services Limited | Automotive industry high performance capability assessment |
CN105264556A (zh) * | 2013-03-12 | 2016-01-20 | 斯特拉斯佩皇冠有限公司 | 用于市场分析和自动化业务决策的系统和方法 |
US20170220943A1 (en) * | 2014-09-30 | 2017-08-03 | Mentorica Technology Pte Ltd | Systems and methods for automated data analysis and customer relationship management |
CN110147915A (zh) * | 2018-02-11 | 2019-08-20 | 陕西爱尚物联科技有限公司 | 一种资源配置的方法及其系统 |
CN110310191A (zh) * | 2018-03-20 | 2019-10-08 | 石言 | 用于数据分析、风险管理和自动合规的分布式计算机框架 |
US20210319458A1 (en) * | 2020-04-14 | 2021-10-14 | Capital One Services, Llc | Systems and methods for trend detection |
CN115714807A (zh) * | 2021-08-18 | 2023-02-24 | 上海宝信软件股份有限公司 | 工业场景数据中台的设计系统 |
CN113902333A (zh) * | 2021-10-28 | 2022-01-07 | 王世虎 | 支撑城市运行服务的数据运营管理系统及构建其的方法 |
CN114418275A (zh) * | 2021-11-29 | 2022-04-29 | 航天科工网络信息发展有限公司 | 基于大数据的城市发展态势分析方法、装置及系统 |
CN114626938A (zh) * | 2022-03-25 | 2022-06-14 | 深圳微言科技有限责任公司 | 一种智能决策引擎、决策系统及决策方法 |
CN116362570A (zh) * | 2023-06-02 | 2023-06-30 | 北京建工环境修复股份有限公司 | 一种基于大数据平台的多维度污染分析方法及系统 |
CN116739217A (zh) * | 2023-06-21 | 2023-09-12 | 贵州飞利达科技股份有限公司 | 一种基于供应链大数据平台的零售管理方法及系统 |
CN116823578A (zh) * | 2023-07-17 | 2023-09-29 | 鲁友燕 | 基于大数据分析的智能城市规划系统和方法 |
Non-Patent Citations (3)
Title |
---|
曹斌;齐剑锋;涂序彦;: "商业智能决策支持系统(BIDSS)的原理及实现", 计算机科学, no. 03, pages 1 - 3 * |
李君;邱君降;柳杨;窦克勤;成雨;刘帅;文莎;: "工业互联网平台评价指标体系构建与应用研究", 中国科技论坛, no. 12, 5 December 2018 (2018-12-05), pages 70 - 86 * |
李坚飞;孙梦霞;任理;: "新零售服务供应链线下服务质量稳态的动力机制", 系统工程, no. 06, 28 June 2018 (2018-06-28), pages 79 - 89 * |
Also Published As
Publication number | Publication date |
---|---|
CN117436718B (zh) | 2024-05-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Thomas et al. | The costs and benefits of advanced maintenance in manufacturing | |
CN111898873A (zh) | 一种集团公司碳排放预警信息系统及其预警方法 | |
CN111291076A (zh) | 基于大数据的异常用水监测报警系统及其构建方法 | |
CN112053233B (zh) | 基于gra的动态中小企业信用评分方法及系统 | |
CN113379227A (zh) | 产业园区数据处理方法、装置、计算机设备及存储介质 | |
CN104133818A (zh) | 一种基于车联网的汽车历史数据分析方法及系统 | |
Khalili et al. | Performance evaluation in green supply chain using BSC, DEA and data mining | |
CN111340290A (zh) | 一种具有监控预警功能的审计系统 | |
CN117151345A (zh) | 一种基于ai技术的企业管理智能决策平台 | |
CN113449964A (zh) | 一种企业金融风险监测预警系统及监测预警方法 | |
Zhang et al. | Budget allocation in coping with supply chain disruption risks | |
Jetmarová | Benchmarking: methods of raising company efficiency by learning from the best-in-class | |
CN117436718B (zh) | 一种基于多维引擎的智能数据管理平台 | |
CN114282697A (zh) | 一种设备类供应商差异化绩效确定方法和系统 | |
Matondang et al. | Measurement and Proposed Improved Supply Chain Performance approach with PDCA frame work | |
CN116882673A (zh) | 一种煤炭供应链系统及调度方法 | |
CN116777140A (zh) | 一种企业业务管理方法、装置、设备及介质 | |
CN116308494A (zh) | 供应链需求预测方法 | |
Al Majzoub et al. | Comparative analysis of reverse e-logistics’ solution in Asia and Europe | |
CN115063046A (zh) | 基于大数据分析的电网物资供应商数智驾驶舱系统 | |
Kielhauser | A method for determining optimal intervention programs for interrelated infrastructure networks | |
CN113642873A (zh) | 网点考核方法、装置、设备和存储介质 | |
Ghasemi et al. | Big Data Analytics in Smart Energy Systems and Networks: A Review | |
Ye et al. | 4PL suppliers evaluating indicator system based on Grey Correlation Model | |
CN112446519A (zh) | 一种增量配电园区的用电需求预测方法及系统 |
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 |