本文關鍵詞：工業(yè)大數(shù)據(jù)分析技術與輪胎銷售數(shù)據(jù)預測　出處：《計算機工程與應用》2017年11期 　論文類型：期刊論文

  更多相關文章： 大數(shù)據(jù) 工業(yè)大數(shù)據(jù) 工業(yè)大數(shù)據(jù)計算架構 銷售預測

【摘要】：工業(yè)大數(shù)據(jù)是在工業(yè)領域信息化應用中所產(chǎn)生的海量數(shù)據(jù),作為決策問題服務的大數(shù)據(jù)集、大數(shù)據(jù)技術和大數(shù)據(jù)應用的總稱。首先分析工業(yè)大數(shù)據(jù)4V特性與工業(yè)數(shù)據(jù)的特有特征,以及工業(yè)大數(shù)據(jù)來源;從多源異構工業(yè)數(shù)據(jù)集成與數(shù)據(jù)融合方法、工業(yè)大數(shù)據(jù)計算架構、大數(shù)據(jù)帶來的信息安全等三方面論述工業(yè)大數(shù)據(jù)面臨的挑戰(zhàn)與潛在價值。探討了工業(yè)大數(shù)據(jù)分析與挖掘方法,提出了工業(yè)大數(shù)據(jù)平臺的計算架構與大數(shù)據(jù)處理平臺,構建輪胎企業(yè)大數(shù)據(jù)資源中心、大數(shù)據(jù)分析與決策應用系統(tǒng)。從銷售數(shù)據(jù)分析和宏觀數(shù)據(jù)趨勢兩個層面進行輪胎銷售大數(shù)據(jù)分析與預測。采用多個不同領域的銷售數(shù)據(jù)源來解決銷售預測歷史數(shù)據(jù)特征空間稀疏的問題,使用LASSO(The Least Absolute Shrinkage and Selectionator Operator)方法的多任務學習方法來解決高維樣本空間的缺點,實驗數(shù)據(jù)驗證能夠提升輪胎銷售預測的準確率。
[Abstract]:Industrial big data is a set of big data, which is produced in the application of information technology in the field of industry, as a service of decision problems. The general name of big data technology and big data application. Firstly, it analyzes the characteristic of industrial big data 4V and the characteristic of industrial data, and the origin of industrial big data. From the multi-source heterogeneous industrial data integration and data fusion method, industrial big data computing architecture. This paper discusses the challenge and potential value of industrial big data from three aspects of information security brought by big data, and probes into the analysis and mining methods of industrial big data. The paper puts forward the computing framework of industrial big data platform and big data processing platform, and constructs big data resource center of tire enterprise. Big data analysis and decision-making application system. Analysis and prediction of tire sales big data from two aspects of sales data analysis and macro data trend. The use of multiple sales data sources in different fields to solve sales forecasting history. According to the problem of sparse feature space. Using LASSO(The Least Absolute Shrinkage and Selectionator operator). The method of multitask learning is used to solve the shortcoming of high dimensional sample space. Experimental data can improve the accuracy of tire sales prediction.
【作者單位】： 復旦大學軟件學院;復旦大學上海市數(shù)據(jù)科學重點實驗室;海軍航空工程學院信息融合研究所;
【基金】：國家自然科學基金(No.61671157,No.61531020,No.6147383) 山東省科技重大專項(No.2015ZDZX01001)
【分類號】：F274;F426.72;TP311.13
【正文快照】： 1引言多種數(shù)據(jù)類型。大數(shù)據(jù)(big data)概念最早是在20世紀80年代(3)快速性(Velocity),機器設備運行實時監(jiān)測數(shù)據(jù)。提出的,2008年9月,《科學》雜志發(fā)表文章“Big Data:(4)價值性(Valve),工業(yè)大數(shù)據(jù)的價值需要通過海Science in the Peta byte Era”,“大數(shù)據(jù)”開始廣泛傳量數(shù)據(jù)

【相似文獻】

相關期刊論文 前3條

1 閆博;李國和;黎旭;;基于ARMA的銷售預測方法與系統(tǒng)實現(xiàn)[J];計算機與現(xiàn)代化;2014年05期

2 趙玉欣;商秀娟;陳美娜;;基于Excel的季節(jié)性銷售預測——以某小型海鮮酒樓為例[J];財會通訊;2010年04期

3 ;[J];;年期

相關碩士學位論文 前8條

1 石鶴群;面向產(chǎn)品生命周期的ARMA銷售預測模型設計與實現(xiàn)[D];上海交通大學;2014年

2 徐玨;基于Hadoop的企業(yè)營銷系統(tǒng)銷售預測的研究與實現(xiàn)[D];浙江理工大學;2016年

3 王建偉;基于地域特征的網(wǎng)購數(shù)據(jù)模式分析及應用[D];中國礦業(yè)大學;2016年

4 陳沖;南方煤礦銷售預測與調配系統(tǒng)的設計與實現(xiàn)[D];廈門大學;2014年

5 何煜;針對通信終端產(chǎn)品的銷售預測系統(tǒng)分析與設計[D];華南理工大學;2010年

6 葉偉強;OEM供應商如何建立銷售預測系統(tǒng)[D];天津大學;2012年

7 梁炯聰;基于時間序列的服裝銷售預測系統(tǒng)研究與應用[D];廣東工業(yè)大學;2015年

8 李鋮瀚;基于海量數(shù)據(jù)的銷售預測研究與實現(xiàn)[D];浙江理工大學;2015年

，

本文編號：1364829