基于语义的制造企业多价值链协同数据空间数字资源聚合识别方法研究

为解决制造企业多价值链协同数据空间数据体量较大、数据价值密度低、数据对象粒度大、数字资源边界模糊带来的数字资源聚合识别问题，本文基于语义理论对制造企业多价值链协同数据空间的数字资源聚合识别方法进行研究。首先，构建了制造企业多价值链协同数据空间的数字资源聚合模型；其次，提出了制造企业多价值链协同数据空间领域相关度计算方法；再次，基于概念度分布、D-S证据理论，引入信任函数、似然函数，提出了制造企业多价值链协同数据空间语义网络节点发现方法，形成了系统的数字资源聚合识别方法。以某电力装备制造企业数据为样本进行仿真，结果表明，所构建的制造企业多价值链协同数据空间语义网络连接紧密、语义清晰、体系明确，所提出的方法聚合效果好、纯度较高，能够为智能工厂数字资源聚合、知识资源发现、知识服务、智能决策提供有效支撑。     

考虑促销因素的医药电商平台需求预测研究

医药电商平台需求预测涉及到药品自身属性及电商平台推出的各种促销活动,本文针对以上影响药品销量的因素提出了时间序列-机器学习组合模型对医药电商平台进行需求预测。传统研究促销因素的需求预测文献将促销阶段商品销量拆分为常规销量和促销增量的线性组合,本文首先拟合各药品促销阶段的常规销量,根据各药品常规销量时间序列数据及服用周期,使用SARIMA模型拟合药品的常规销量预测值,并将常规销量预测值与商品促销特征数据一同输入XGBoost模型进行集成学习预测。本文使用国内某医药电商平台真实销售数据测试组合模型的有效性,结果显示组合预测模型的预测效果相比其他三种传统预测模型更优。此外,本文验证了不同折扣力度下组合预测模型的有效性,以及促销变量在预测模型中的有效性,同时研究了数据共享策略在需求预测中的应用场景,结果显示预测模型在引入促销变量和采用数据共享策略后都能显著降低模型的预测误差。     

基于数据挖掘的电力装备企业多价值链协同数据预处理方法研究及应用

在电力装备制造企业的数字化转型中，需要对数据空间中多价值链协同的高维数据进行挖掘与分析，本文针对电力装备制造业进销存大数据的预处理问题展开了研究。首先，给出了变点法和局部异常因子算法（local outlier factor method,LOF）组合的数据异常值检验校正预处理方法；其次，提出了基于LASSO(least absolute shrinkage and selection operator,LASSO)算法的栈式稀疏自编码器（stack sparse auto-encoder,SSAE）数据降噪降维组合机器学习处理方法（SSAE-LASSO），对特征进行压缩降维提取，去除严重干扰数据回归分析的噪声信息，并过滤影响度低的冗余数据，从而实现数据的降噪降维处理。最后，将本文提出的方法应用于不同的算法进行检验，通过对两种预处理的数据对比发现，本文提出的方法有效提高了电力产品销售量智能预测的精度。     

高端装备智能制造价值链的生产自组织与协同管理：设计制造一体化协同研发实践

新一代信息技术环境下，高端装备制造企业正在积极寻求和推动产品研制过程实现全球更大范围的物理空间、社会空间和信息空间中的数据串联、信息融合、业务协同和价值活动整合。作为一种以数据与模型集成融合为核心的新型制造服务模式，智能制造价值链成为数字化时代高端装备制造企业打造全新竞争优势的战略方向和核心途径。本文结合高端装备技术与管理深度融合的设计制造研发实践，探讨了高端装备设计制造一体化协同管理架构，从价值场景与工作场景两个维度揭示高端装备设计制造一体化协同流程的生成过程，分析了面向组织协同、资源协同、协同决策的生产自组织构建过程，为高端装备的协同创新和高质量研制提供理论方法支撑。     

面向数据空间体系构建的电力制造业多价值链经营风险识别与管控研究

目前，我国电力事业快速发展，智能制造也在不断推进，电力制造行业存在着科技创新不足、竞争能力较弱等问题。对于电力制造企业来说，如何有效识别和控制经营风险，形成新的多价值链风险管理模式，对提高电力制造企业风险管控水平，从而提高经济效益具有重要意义。本文基于数据空间和文本挖掘技术，通过大数据爬虫技术收集电力制造业相关风险政策和新闻报道共16034篇，利用文本挖掘模型进行风险主题的挖掘，识别经营风险关键因素和风险主题；然后利用风险识别结果，从多价值链角度构建电力制造企业全生命周期经营风险安全数据空间；最后，本文利用某电力制造企业近20年生产经营数据进行实例分析，验证风险数据空间构建的有效性。研究结果表明，从多价值链角度对电力制造企业经营风险进行识别具备合理性，电力制造企业全生命周期经营风险安全数据空间的构建能够在各环节实现风险的合理规避和智能管控。     

基于修剪平均的神经网络集成时序预测方法

由于复杂时序存在结构性断点和异常值等问题，往往导致预测模型训练效果不佳，并可能出现极端预测值的情况。为此，本文提出了基于修剪平均的神经网络集成预测方法。该方法首先从训练数据中生成多组训练集，然后分别训练多个神经网络预测模型，最后将多个神经网络的预测结果使用修剪平均策略进行集成。相较于简单平均策略而言，修剪平均策略不容易受到极值的影响，能够使集成模型获得鲁棒性强的预测效果。在实证研究中，本文构造了两种神经网络集成预测模型，分别为基于修剪平均的自举神经网络集成模型(Trimmed Average based Bootstrap Neural Network Ensemble, TA-BNNE)和基于修剪平均的蒙特卡洛神经网络集成模型(Trimmed Average based Monte Carlo Neural Network Ensemble, TA-MCNNE)，并采用这两种模型对NN3竞赛数据集进行预测，结果表明在常规和复杂数据集上，修剪平均策略比简单平均策略具有更好的预测精度。此外，本文将所提出的集成模型与NN3的前十名模型进行比较，发现两种模型在全部数据集上均超过了第6名，在复杂数据集上的表现均超过了第1名，进一步验证本文所提方法的有效性。     

基于多分类器动态选择与成本敏感优化集成的电信客户流失预测研究

针对不同样本在特征空间中具有不同的区域特性和不同分类算法之间的预测互补性,在电信客户流失预测理论基础上,融合多分类器动态集成理论和成本敏感学习理论,建立了电信客户流失多分类器集成预测的利润函数,并提出了一类新的基于多分类器动态选择与成本敏感优化集成的电信客户流失预测模型.首先使用K均值聚类法聚类训练样本成多个分区;接着使用NaiveBayes算法、多层感知机算法和J48算法在各分区样本上构建客户流失预测子分类器;最后使用改进人工鱼群算法分别对各分区的子分类器进行成本敏感优化集成.实验结果表明,所提出的基于多分类器动态选择与成本敏感优化集成模型的分类性能不仅优于由训练集全体样本所构建的3个单模型,也优于基于改进人工鱼群算法优化集成这3个单模型而得到的集成模型.     

基于蚁群算法的成本敏感线性集成多分类器的客户流失研究

针对电信客户流失预测问题的复杂性,融合自组织神经网络良好的连续属性值离散化优势、粗糙集理论出色的属性约简功能和蚁群优化算法全局的随机搜索特点,在模型集成技术和成本敏感学习理论的基础上,提出了一种新的基于蚁群算法的成本敏感线性集成多分类器的电信客户流失预测模型。构建该集成模型可分为4个阶段:(1)连续属性值的离散处理:利用自组织神经网络对连续属性值进行非监督离散化处理;(2)原始属性集的约简处理:使用粗糙集理论按属性重要性原则对离散属性进行约简;(3)子分类器的建立:分别使用NaiveBayes、Logistic回归、多层感知器和决策树等4种差异性很大的分类技术在约简属性集上建立4个对应的客户流失预测子分类器;(4)子分类器的集成:基于成本敏感学习理论,构建了4种不同的线性集成模型,采用蚁群优化算法求解集成模型的最优线性组合权重系数。将该模型应用于某电信客户流失预测,其实验结果表明该集成方法是可行且有效的。     

基于SEM和B-Z反应的集成供应链合作创新机制与动态演化研究——集成供应链关系质量视角

随着供应链与互联网、物联网深度融合，集成供应链企业间合作创新成为企业创造新模式、开拓新市场的重要路径。为揭示在集成供应链环境特征影响下，集成供应链企业间合作创新中集成供应链集成度、知识协同能力与合作创新绩效之间的作用机制，基于复杂系统理论，借鉴B-Z反应模型，在运用SEM模型对集成供应链企业间合作创新静态机制实证研究基础上，进一步构建三维Logistic动态分析模型，探索集成供应链企业间合作创新动态演进机制。结果表明：集成供应链集成度和知识协同能力对集成供应链企业间合作创新绩效有显著正向影响；集成供应链形成初期，集成度对合作创新绩效的影响效果更为明显；长期而言，在不同集成供应链关系质量作用下，知识协同能力的作用举足轻重，提高知识协同能力有利于合作创新绩效持续提升。     

基于特征融合的生鲜商品短期销量组合预测

生鲜产品由于保质期短、易腐易损等特点,对短期销量预测的准确度和可靠性要求极高.为此,本文综合时间、定价、竞价、新鲜度等多种微观层面因素,开展了特征工程分析,并在此基础上提出了生鲜商品销量的ARIMA-NARX组合预测模型.该组合模型首先利用ARIMA模型描述销量时间序列中的线性规律,然后借助衍生降维处理后的特征矩阵,采用NARX捕捉ARIMA残差中的非线性关系,并利用NARX残差预测结果修正ARIMA预测值.最后,将该组合模型的预测结果与ARIMA、NARX、ARIMA-NAR、SVM及回归决策树等模型预测结果及真实观测值进行对比分析,通过MSE/MAPE预测误差评价和DM检验,验证了该组合预测模型的预测能力合理性和有效性,并能较大幅度提高生鲜产品短期销量的预测精度.     

基于网络搜索信息的农村水环境质量灰色预测模型

针对农村水环境直接监测数据相对缺乏、间接数据难以有效引入的问题，综合灰色关联分析和预测模型，提出一种基于网络搜索信息的农村水环境质量灰色预测模型。首先，综合考虑数据重要性和可获得性，确定农村水环境相关的搜索关键词清单；然后，采用主成分分析法提取搜索关键词的主要特征，构建初始网络搜索变量，并利用灰色绝对关联度衡量各初始网络搜索变量与水环境质量之间的关联程度。在此基础上，构建不同频率数据的多变量离散灰色模型，将强关联变量的降频数据作为多变量离散灰色模型的驱动因素，从而构建基于网络搜索信息的农村水环境质灰色预测模型。实例分析结果表明，相对于传统灰色模型，引入网络搜索信息可以提高农村水环境预测精度，为农村水环境治理提供决策支持。     

基于LSTM神经网络的金融时间序列预测

本文提出将小波分析与纳入时间序列依赖特征的长短期记忆（LSTM）神经网络相结合，构建金融时间序列数据预测模型，以克服现有模型对金融时间序列数据非平稳、非线性、序列相关等复杂特征以及数据间非线性交互关系无法反映的缺陷。同时，以道琼斯工业指数日收盘价为例，探究LSTM神经网络对实际金融时间序列数据的预测能力，比较其与多层感知机、支持向量机、K近邻、GARCH四种模型的预测效果。实证结果表明LSTM神经网络具有更高的预测精度，能够有效预测金融时间序列数据的长短期动态变化趋势，说明了其对金融时间序列数据预测的适用性与有效性。此外，对金融时间序列数据进行小波分解与重构，可有效提高LSTM预测模型的泛化能力，以及对长短期动态趋势的预测精度。     

图嵌入下稀疏低秩集成预测的多因子资产选择策略

面对金融市场的大量不确定性因素,如何合理选择有效的定价因子并构建科学的资产定价体系,一直是金融理论研究的核心问题之一。本文利用图嵌入的方法,基于稀疏表示和低秩表示策略,深度挖掘潜含在数据集中的内在结构,构建了能够同时揭示数据局部结构信息和全局结构信息的集成学习策略,以实现不同维度的多源数据融合。从CAPM和APT理论出发,通过集成预测的方法构建量化多因子资产选择模型,代表性地选择了卷积神经网络、梯度提升决策树、时间序列及支持向量机等模型进行单一预测,并通过稀疏低秩的图近似最小二乘回归集成策略进行优化。实证结果表明基于集成预测的稀疏低秩策略其资产选择能力更强,超额收益率更高。采用机器学习的非线性预测方法更有利于揭示金融系统的复杂特性。实证结论对投资组合管理具有重要指导意义。     

知识管理的供应链核心竞争力提升研究

从核心竞争力知识属性出发,阐述了知识管理与核心竞争力的关系,提出了基于知识价值链的供应链核心竞争力提升模型,构建了基于虚拟知识中心的供应链知识管理网络模式。     

基于贝叶斯优化与集成算法的债券违约风险预测

本文选取2014-2022年发生实质违约与交叉违约的所有发行主体为研究对象，使用随机森林、AdaBoost、GBDT、XGBoost、LightGBM共5种集成算法构建了债券违约风险预测模型，并采用贝叶斯优化对模型的超参数进行优化。实证结果显示，在债券违约风险预测中，相较于传统机器学习算法，集成算法所构建的预警模型性能更为出色，具有更加优异的预测精度与稳定性，且在超参数优化中，贝叶斯优化运行效率更高、效果更好。同时，LightGBM算法在5个集成算法中表现最优，可以最为有效地进行债券违约风险预测。最后通过比较特征重要性，发现净资产收益率、总资产报酬率、营业利润率、第一大股东持股比例可以作为企业债券违约风险预警指标。     

面向灾害应急物资需求的灰色异构数据预测建模方法

多源信息集结对提高自然灾害环境下统计数据可信度具有重要作用,但信息渠道的多源性极易导致集结信息数据类型不一致、不兼容,形成灰色异构数据序列。本文应用灰色系统建模技术对灰色异构数据预测建模方法展开研究,首先,基于"核"和"灰度"对灰色异构数据进行规范化处理;然后,建立灰色异构数据"核"序列的DGM(1,1)模型,并以"核"为基础,根据灰度不减公理,以灰色异构数据序列中最大灰度值所对应的信息域作为预测结果之信息域,推导并构建了灰色异构数据预测模型;最后,将该模型应用于某地震帐篷需求量的预测。本文研究成果将传统灰色模拟及预测模型建模对象从"同质数据"拓展至"异构数据",对丰富与完善灰色模拟及预测模型理论体系,提高自然灾害救援效率具有积极意义。     

在线评论特征对知识付费产品销量的影响研究——基于产品类型的调节作用

与搜索品和体验品相比,知识付费产品具有信任品特性,意味着消费者具有更高的感知风险意识.因此,研究在线评论特征对于知识付费产品销量的影响机制尤为重要.本文基于信号理论构建了在线评论特征影响知识付费产品销量的理论模型,并探讨了产品类型的调节作用.本文采用4625条知乎Live数据验证模型与假设.结果 表明,评论数量、评论好评率以及评论可读性正向影响知识付费产品销量,评论长度负向影响知识付费产品销量,评论主观性对知识付费产品销量影响不显著.同时,与实用型产品相比,享乐型产品的评论数量、评论好评率和评论可读性对知识付费产品销量的正向影响更加明显,享乐型产品的评论长度对知识付费产品销量的负向影响更加明显.与享乐型产品相比,实用型产品的评论主观性对知识付费产品销量的负向影响更加明显.     

基于多尺度分析的小麦价格预测研究

本文基于分解-重构-集成的思想,构建了一个多尺度组合预测模型,选取小麦作为粮食的代表,预测其价格走势。首先,运用集合经验模态分解方法(EEMD)分解价格序列,然后,用灰色关联分析方法对分量序列进行重构,重构为高频、中频、低频和趋势项四个部分,并从不规则因素、季节因素、重大事件和世界经济水平等方面对这四个部分波动特点进行解释,针对不同特点的分量选择不同的方法进行预测,最后对各预测结果用支持向量机集成,并与其他预测模型的预测结果进行比较。实证结果表明,本文构建的多尺度组合模型的预测效果优于灰色预测GM(1,1)、BP神经网络、SVM方法、ARIMA模型等单模型方法和ARIMA-SVM组合模型以及基于EMD和EEMD分解的其他多尺度组合模型。     

集成k-means聚类和有监督特征选择的混合式协同过滤推荐

为了提高协同过滤推荐质量,提出了集成k-means聚类和有监督特征选择的混合式协同过滤推荐框架和KDICF算法。利用有监督特征选择的方法和技术,找出与待预测项目强相关的项目集,将高维稀疏的用户-项目评分数据集转为低维用户-项目评分数据集,并运用k-means聚类,在此基础上寻找近邻用户对目标用户未评分项目进行评分预测。实验结果表明,混合式KDICF算法有着优异的性能。     

融合内容分析和关联分析的短生命周期体验品需求特征模式挖掘方法研究

挖掘特定产品的需求模式无法从整体掌握该类产品的市场特征;短生命周期体验品因缺乏历史销售数据,并且销售总量波动性极大,尤其需要从整体掌握销售总量与产品属性间关系的需求特征规律,但又难以挖掘,亟待提出适用于该类产品的需求特征模式挖掘方法。基于按销售总量分区后各区的需求特征的规律性,提出了一种按销售总量分区、以已有产品介绍集和销售总量为源信息、适用于新产品开发前使用、融合内容分析和关联分析的短生命周期体验品需求特征模式挖掘方法。该方法包括基于内容分析法的产品属性挖掘方法和基于关联分析的产品属性关系模式挖掘方法。前者可以得到较全面的产品属性;后者能够构建不同销售总量区间内产品集的属性关系模式,得到各区间的产品属性关系网,获得高销售总量区间具备,但中、低区间不具备的属性关系模式,从而获得需求特征模式。通过不断更新产品介绍集和销售总量并迭代挖掘,该方法能够动态挖掘需求特征模式。最后利用2013至2016年国产犯罪和爱情类电影数据验证了该方法的可行性,并得到了这两类电影的产品属性及近年的需求特征模式,可用于指导这两类电影的创作。