CN111681022A - 一种网络平台数据资源价值评估方法 - Google Patents
一种网络平台数据资源价值评估方法 Download PDFInfo
- Publication number
- CN111681022A CN111681022A CN202010298734.8A CN202010298734A CN111681022A CN 111681022 A CN111681022 A CN 111681022A CN 202010298734 A CN202010298734 A CN 202010298734A CN 111681022 A CN111681022 A CN 111681022A
- Authority
- CN
- China
- Prior art keywords
- data
- data resource
- evaluation
- value
- model
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 120
- 238000000034 method Methods 0.000 claims abstract description 36
- 238000007637 random forest analysis Methods 0.000 claims abstract description 27
- 238000004364 calculation method Methods 0.000 claims abstract description 25
- 238000013210 evaluation model Methods 0.000 claims abstract description 25
- 238000012549 training Methods 0.000 claims abstract description 9
- 238000012216 screening Methods 0.000 claims abstract description 8
- 238000010219 correlation analysis Methods 0.000 claims abstract description 6
- 238000012937 correction Methods 0.000 claims abstract description 4
- 230000008901 benefit Effects 0.000 claims description 16
- 230000000694 effects Effects 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 6
- 238000012952 Resampling Methods 0.000 claims description 3
- 230000009977 dual effect Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000000875 corresponding effect Effects 0.000 description 6
- 238000011160 research Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 241000238413 Octopus Species 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000012098 association analyses Methods 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 230000009193 crawling Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
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
- G06Q30/02—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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
-
- 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
- G06Q30/0282—Rating or review of business operators or products
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Entrepreneurship & Innovation (AREA)
- Finance (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Data Mining & Analysis (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Complex Calculations (AREA)
Abstract
本发明涉及一种网络平台数据资源价值评估方法,包括1:构建网络平台交易环境下数据资源价值评估指标体系;2:基于熵值修正G1法确定评估指标权重;3:基于灰色关联分析法对平台已成交数据资源进行预筛选;筛选出与预评估数据资源的关联度大于等于阈值的已成交数据资源,构成模型样本集T;4:选择随机森林模型作为网络平台数据资源价值评估的基本模型,利用样本集T构建数据资源价值评估模型。将预评估数据资源的各项评估指标输入数据资源价值评估模型中,取每个回归树的输出值的平均值作为数据资源价值评估模型的数据资源价值评估结果。本发明不仅可显著提高对数据资源价值预测的精准度,还可以减少RFR模型的计算量,提升其训练效率。
Description
技术领域
本发明属于资源价值评估领域,涉及一种基于灰色关联分析-随机森林回归的网络平台数据资源价值评估方法。
背景技术
数据***时代,数据不仅仅发挥着记录、留档作用,多源头、跨领域的数据关联分析形成了更完整的知识和更深刻的智能,对未来的预测功能大大增强,数据资源作为可交易的商品开放流通日益成为普遍认知和客观需求。据国家信息中心发布的《2018中国大数据发展报告》预测,2020年中国大数据交易市场规模将达到731亿元。在“互联网+”的潮流下,网络平台成为了重要交易渠道与媒介,Factual、BDEX、Data Plaza、贵阳大数据交易所等数据交易平台相继出现。数据资源作为一种非标准化的新兴事物,数据供方可参考的市场积累交易有限,数据需方无法获得类似于有形商品的直接体验,其价值对数据供给侧和需求侧具有双向不确定性,导致数据网络交易平台供需错配,降低数据交易达成率和数据价值盘活率。因此,如何实现数据资源价值的精准评估是数据资源交易从“无序化”向“规范化”转变的关键。
随着数据交易的不断发展,部分数据交易平台意识到了数据资源价值评估的重要性并展开有益探索。然而,中国现有数据交易市场上,各网络交易平台仍以依靠专家经验的主观评价为主,采用一事一议的评价形式,存在数据资源价值评价置信度和透明度“双低”的问题,难以为数据资源交易所涉多方提供有效的价值参考,数据交易达成效果并不理想。已有理论研究中,数据资源价值评估方法包括资产评估、多属性综合评价和经济学方法三类,但多从数据拥有者角度展开探讨,与网络平台交易情境相差甚远。也有部分学者提出人工智能方法评价的研究思路,利用神经网络构建数据资源价值评评估模型成为该领域的一个研究趋势,但相关研究尚不丰富,缺乏实证检验。
发明内容
针对现有技术中存在的缺陷,本发明的目的在于提供一种基于灰色关联分析-随机森林回归的网络平台数据资源价值评估方法,构建了基于灰色关联分析(GCA)-随机森林回归(RFR)的数据资源价值评估模型。
为达到以上目的,本发明采取的技术方案是:
一种网络平台数据资源价值评估方法,包括以下步骤:
步骤1:构建网络平台交易环境下数据资源价值评估指标体系;
步骤2:基于熵值修正G1法确定评估指标权重;
步骤3:基于灰色关联分析(GCA)法对平台已成交数据资源进行预筛选;筛选出与预评估数据资源的关联度大于等于阈值的已成交数据资源,构成模型样本集T;
步骤4:选择随机森林(RFR)模型作为网络平台数据资源价值评估的基本模型,利用样本集T构建数据资源价值评估模型。将预评估数据资源的各项评估指标输入数据资源价值评估模型中,取每个回归树的输出值的平均值作为数据资源价值评估模型的数据资源价值评估结果。
所述步骤1具体为:在数据资源价值影响因素梳理结果的基础上,综合考虑各影响因素的使用频率和选取变量的可得性,并基于资源和资产的双重视角,选取7个因素作为评估指标,构建网络平台交易环境下数据资源价值评估指标体系;
所述评估指标包括效益性指标、成本型指标和标准化指标;所述效益性指标包括数据规模度、市场关注度和数据应用度,所述成本型指标包括数据新鲜度,标准化指标包括所述数据活性度、数据独占度和数据确权度,所述数据活性度、数据独占度和数据确权度为标准化数据。
所述步骤2具体为:首先通过专家对数据资源价值评估指标体系中的各评估指标按照重要程度排序;其次通过熵值法计算各个评估指标的信息熵和;然后计算相邻评估指标之间的重要程度之比;最后计算各评估指标权重。
其中其中1≤i≤m,1≤j≤7;fij=0时,fij ln fij=0;m为已成交数据资源的数量,xij为第i个已成交数据资源的第j项评估指标;hj表示第j项评估指标的信息熵和;yij表示数据的标准化处理,
相邻指标之间的重要程度之比计算公式为:
其中,rj表示相邻评估指标xj-1与xj之间的重要程度之比;hj-1表示第j-1项评估指标的信息熵和;hj表示第j项评估指标的信息熵和。
评估指标权重的计算公式为:
所述步骤3具体为:对预评估数据资源与已成交数据资源的效益型指标和成本型指标进行数据标准化处理;计算预评估数据资源Z0与每个已成交数据资源Zi在相对应评估指标上的绝对差值;计算两级最小和最大差;计算预评估数据资源Z0与已成交数据资源Zi在各项相应评估指标上的关联系数;计算预评估数据资源与已成交数据资源的关联度,选择关联度γi≥0.8的已成交数据资源构成模型样本集T。
效益型指标y1ij和成本型指标y2ij的数据标准化的公式为:
将标准化指标、数据标准化后的效益型指标或数据标准化后的成本型指标记为D,预评估数据资源Z0与已成交数据资源Zi在相对应评估指标上的绝对差值Z的计算公式为:
Z=∣D0(j)-Di(j)∣,j=1,2,…,7 (6)
两级最小差和两级最大差的计算公式为:
Z1=min1≤i≤mmin1≤j≤7∣D0(j)-Di(j)∣ (7)
Z2=max1≤i≤mmax1≤j≤7∣D0(j)-Di(j)∣ (8)
预评估数据资源Z0与已成交数据资源Zi在相应评估指标上的关联系数计算公式为:
上式中ρ为分辨系数,取值为0.5。
预评估数据资源与已成交数据资源的关联度计算公式为:
上式中wj为评估指标权重。
所述步骤4具体为:设置回归树的数量K;采用Bootstrap重抽样法从样本集T中随机抽取K个训练样本集,未被抽到的样本集称为袋外OOB数据;随机选取A个评估指标,1≤A≤7,训练生成RFR模型;将袋外OOB数据作为测试样本对RFR模型进行误差估计;调节参数K的值,建立多个RFR模型并计算每个模型的泛化误差,选择泛化误差最小的RFR模型作为最终的数据资源的价值评估模型;将预评估数据资源的各项评估指标输入数据资源的价值评估模型中,取回归树的输出值的平均值作为最终价值评估模型的数据资源价值评估结果。
回归树的输出值的平均值的计算公式为:
式中,fK表示每个回归树的输出值,K表示回归树的数量。
本发明的有益效果:
1、本发明利用八爪鱼数据采集软件在大数据交易平台上爬取网站上10类数据资源交易数据,运用真实可量化数据进行实证,有效保证了评价模型的有效性和实用性;
2、论证了数据资源价值影响因素与其价值间的相关关系,并且选取的数据资源价值影响因素均为可量化指标,打破了数据资源价值评估指标主观化、难计量的困境;
3、提供了一种数据资源基于市场历史交易状况进行价值判断的智能化方法,具有强客观性,也更加适用于网络平台数据资源的数量庞大、需求方未知等特性;
4、与基于神经网络、支持向量机等参数模型的智能价值评估方法相比,RFR模型只需设置回归树数量这一项参数值,具有调节参数少的优点,且当回归树的数量很多时,RFR的泛化误差将趋于收敛,不会发生过拟合的现象,此外由于其随机选取样本和特征指标的随机属性,降低了回归树间的相关性,具有良好的泛化性;
5、与单独使用RFR模型相比,本发明的GCA-RFR模型先采用灰色关联分析法对平台已成交数据资源商品进行预处理,筛选出与预评估数据资源商品在指标序列上相似度大的数据资源商品构成样本训练RFR模型,充分发挥了RFR模型需求样本数据少的优势,不仅可显著提高对数据资源价值预测的精准度,还可以减少RFR模型的计算量,提升其训练效率。
附图说明
本发明有如下附图:
图1本发明的方法流程图。
图2基于RFR的数据资源价值预测流程图。
具体实施方式
以下结合附图对本发明作进一步详细说明。
如图1-2所示,本发明所述的网络平台数据资源价值评估方法,包括以下步骤:
步骤1:构建网络平台交易环境下数据资源价值评估指标体系;
步骤2:基于熵值修正G1法确定评估指标权重;
步骤3:基于灰色关联分析(GCA)法对平台已成交数据资源进行预筛选;筛选出与预评估数据资源的关联度大于等于阈值的已成交数据资源,构成模型样本集T;
步骤4:选择随机森林(RFR)模型作为网络平台数据资源价值评估的基本模型,利用样本集T构建数据资源价值评估模型。将预评估数据资源的各项评估指标输入数据资源价值评估模型中,取每个回归树的输出值的平均值作为数据资源价值评估模型的数据资源价值评估结果。
所述步骤1具体为:在数据资源价值影响因素梳理结果的基础上,综合考虑各影响因素的使用频率和选取变量的可得性,并基于资源和资产的双重视角,选取7个因素作为评估指标,构建网络平台交易环境下数据资源价值评估指标体系。
所述评估指标包括数据活性度、数据规模度、数据新鲜度、数据独占度、数据确权度、市场关注度、数据应用度。
对评价结果呈正相关的指标为效益性指标(数据规模度、市场关注度、数据应用度),对评价结果成负相关的指标称为成本型指标(数据新鲜度)。数据活性度、数据独占度、数据确权度为标准化数据(0/1变量)。
所述步骤2具体为:首先通过专家对数据资源价值评估指标体系中的各评估指标xj按照重要程度排序;其次通过熵值法计算各个评估指标的信息熵和;然后计算相邻评估指标之间的重要程度之比;最后计算各评估指标权重。
其中其中1≤i≤m,1≤j≤7;fij=0时,fij ln fij=0;m为已成交数据资源的数量,xij为第i个已成交数据资源的第j项评估指标;hj表示第j项评估指标的信息熵和;yij表示数据的标准化处理,
相邻指标之间的重要程度之比计算公式为:
其中,rj表示相邻评估指标xj-1与xj之间的重要程度之比;hj-1表示第j-1项评估指标的信息熵和;hj表示第j项评估指标的信息熵和。
评估指标权重的计算公式为:
所述步骤3具体为:对预评估数据资源与已成交数据资源的效益型指标和成本型指标进行数据标准化处理;计算预评估数据资源Z0与每个已成交数据资源Zi在相对应评估指标上的绝对差值;计算两级最小和最大差;计算预评估数据资源Z0与已成交数据资源Zi在各项相应评估指标上的关联系数;计算预评估数据资源与已成交数据资源的关联度,选择关联度γi≥阈值r(本文r取0.8)的已成交数据资源构成模型样本集T。
效益型指标y1ij和成本型指标y2ij的数据标准化的公式为:
将数据活性度、数据独占度、数据确权度、数据标准化后的效益型指标或数据标准化后的成本型指标记为D,预评估数据资源Z0与已成交数据资源Zi在相对应评估指标上的绝对差值Z的计算公式为:
Z=∣D0(j)-Di(j)∣,j=1,2,…,7 (6)
两级最小差和两级最大差的计算公式为:
Z1=min1≤i≤mmin1≤j≤7∣D0(j)-Di(j)∣ (7)
Z2=max1≤i≤mmax1≤j≤7∣D0(j)-Di(j)∣ (8)
预评估数据资源Z0与已成交数据资源Zi在相应评估指标上的关联系数计算公式为:
上式中ρ为分辨系数,其值在0到1之间,本发明取值为0.5。
预评估数据资源与已成交数据资源的关联度计算公式为:
上式中wj为评估指标权重。
所述步骤4具体为:设置回归树的数量K;采用Bootstrap重抽样法从样本集T中随机抽取K个训练样本集t1、t2…tK,未被抽到的样本集称为袋外OOB(out of bag)数据。随机选取A(1≤A≤7)个评估指标,训练生成RFR模型;将袋外OOB数据作为测试样本对RFR模型进行误差估计;调节参数K的值,建立多个RFR模型并计算每个模型的泛化误差,选择泛化误差最小的RFR模型作为最终的数据资源的价值评估模型;将预评估数据资源的各项评估指标输入数据资源的价值评估模型中,取回归树的输出值的平均值作为最终价值评估模型的数据资源价值评估结果。
对RFR模型进行误差估计时,将袋外OOB数据作为测试样本,不需要交叉验证或其它单独的测试样本集。
输入预评估数据资源的各项评估指标,取回归树的输出值的平均值为最终价值评估模型的数据资源价值评估结果,计算公式为:
上式中,fK表示每个回归树的输出值,K表示回归树的数量。
以上所述仅为本发明的优选实施例,并不用以限制本发明,凡在本发明的形式和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
本说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。
Claims (10)
1.一种网络平台数据资源价值评估方法,其特征在于,包括以下步骤:
步骤1:构建网络平台交易环境下数据资源价值评估指标体系;
步骤2:基于熵值修正G1法确定评估指标权重;
步骤3:基于灰色关联分析法对平台已成交数据资源进行预筛选;筛选出与预评估数据资源的关联度大于等于阈值的已成交数据资源,构成模型样本集T;
步骤4:选择随机森林模型作为网络平台数据资源价值评估的基本模型,利用样本集T构建数据资源价值评估模型;将预评估数据资源的各项评估指标输入数据资源价值评估模型中,取每个回归树的输出值的平均值作为数据资源价值评估模型的数据资源价值评估结果。
2.如权利要求1所述的网络平台数据资源价值评估方法,其特征在于:所述步骤1具体为:在数据资源价值影响因素梳理结果的基础上,综合考虑各影响因素的使用频率和选取变量的可得性,并基于资源和资产的双重视角,选取7个因素作为评估指标,构建网络平台交易环境下数据资源价值评估指标体系;
所述评估指标包括效益性指标、成本型指标和标准化指标;所述效益性指标包括数据规模度、市场关注度和数据应用度,所述成本型指标包括数据新鲜度,标准化指标包括所述数据活性度、数据独占度和数据确权度,所述数据活性度、数据独占度和数据确权度为标准化数据。
3.如权利要求2所述的网络平台数据资源价值评估方法,其特征在于,所述步骤2具体为:首先通过专家对数据资源价值评估指标体系中的各评估指标按照重要程度排序;其次通过熵值法计算各个评估指标的信息熵和;然后计算相邻评估指标之间的重要程度之比;最后计算各评估指标权重。
6.如权利要求5所述的网络平台数据资源价值评估方法,其特征在于,所述步骤3具体为:对预评估数据资源与已成交数据资源的效益型指标和成本型指标进行数据标准化处理;计算预评估数据资源Z0与每个已成交数据资源Zi在相对应评估指标上的绝对差值;计算两级最小和最大差;计算预评估数据资源Z0与已成交数据资源Zi在各项相应评估指标上的关联系数;计算预评估数据资源与已成交数据资源的关联度,选择关联度γi≥0.8的已成交数据资源构成模型样本集T。
7.如权利要求6所述的网络平台数据资源价值评估方法,其特征在于,效益型指标y1ij和成本型指标y2ij的数据标准化的公式为:
将标准化指标、数据标准化后的效益型指标或数据标准化后的成本型指标记为D,预评估数据资源Z0与已成交数据资源Zi在相对应评估指标上的绝对差值Z的计算公式为:
Z=∣D0(j)-Di(j)∣,j=1,2,…,7 (6)
两级最小差和两级最大差的计算公式为:
Z1=min1≤i≤mmin1≤j≤7∣D0(j)-Di(j)∣ (7)
Z2=max1≤i≤mmax1≤j≤7∣D0(j)-Di(j)∣ (8)
预评估数据资源Z0与已成交数据资源Zi在相应评估指标上的关联系数计算公式为:
上式中ρ为分辨系数,取值为0.5。
9.如权利要求1所述的网络平台数据资源价值评估方法,其特征在于,所述步骤4具体为:设置回归树的数量K;采用Bootstrap重抽样法从样本集T中随机抽取K个训练样本集,未被抽到的样本集称为袋外OOB数据;随机选取A个评估指标,1≤A≤7,训练生成RFR模型;将袋外OOB数据作为测试样本对RFR模型进行误差估计;调节参数K的值,建立多个RFR模型并计算每个模型的泛化误差,选择泛化误差最小的RFR模型作为最终的数据资源的价值评估模型;将预评估数据资源的各项评估指标输入数据资源的价值评估模型中,取回归树的输出值的平均值作为最终价值评估模型的数据资源价值评估结果。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010298734.8A CN111681022A (zh) | 2020-04-16 | 2020-04-16 | 一种网络平台数据资源价值评估方法 |
NL2027964A NL2027964B1 (en) | 2020-04-16 | 2021-04-14 | Data resource valuation method for network platform |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010298734.8A CN111681022A (zh) | 2020-04-16 | 2020-04-16 | 一种网络平台数据资源价值评估方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111681022A true CN111681022A (zh) | 2020-09-18 |
Family
ID=72433321
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010298734.8A Pending CN111681022A (zh) | 2020-04-16 | 2020-04-16 | 一种网络平台数据资源价值评估方法 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN111681022A (zh) |
NL (1) | NL2027964B1 (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112668851A (zh) * | 2020-12-21 | 2021-04-16 | 浙江弄潮儿智慧科技有限公司 | 一种确定生物多样性保护关键区域的方法及*** |
CN112686530A (zh) * | 2020-12-28 | 2021-04-20 | 贵州电网有限责任公司 | 一种继电保护运行可靠性评价方法 |
CN113128907A (zh) * | 2021-05-12 | 2021-07-16 | 北京大学 | 专利价值在线评估方法和*** |
CN113128621A (zh) * | 2021-05-12 | 2021-07-16 | 北京大学 | 数据资源价值评估报告生成方法及装置 |
CN113128911A (zh) * | 2021-05-12 | 2021-07-16 | 北京大学 | 数据资源价值的在线评估方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20010035256A (ko) * | 2001-01-29 | 2001-05-07 | 이귀영 | 인터넷 웹 평가 모델을 이용한 기술가치 평가 방법 |
CN108074115A (zh) * | 2016-11-11 | 2018-05-25 | 上海文化广播影视集团有限公司 | 一种电视节目版权价值评估***及其评估方法 |
CN108805422A (zh) * | 2018-05-24 | 2018-11-13 | 国信优易数据有限公司 | 一种数据评估模型训练***、数据评估平台和方法 |
-
2020
- 2020-04-16 CN CN202010298734.8A patent/CN111681022A/zh active Pending
-
2021
- 2021-04-14 NL NL2027964A patent/NL2027964B1/en active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20010035256A (ko) * | 2001-01-29 | 2001-05-07 | 이귀영 | 인터넷 웹 평가 모델을 이용한 기술가치 평가 방법 |
CN108074115A (zh) * | 2016-11-11 | 2018-05-25 | 上海文化广播影视集团有限公司 | 一种电视节目版权价值评估***及其评估方法 |
CN108805422A (zh) * | 2018-05-24 | 2018-11-13 | 国信优易数据有限公司 | 一种数据评估模型训练***、数据评估平台和方法 |
Non-Patent Citations (2)
Title |
---|
倪渊等: "基于AGA-BP 神经网络的网络平台交易环境下数据资源价值评估研究" * |
王子焉等: "基于灰色关联分析-随机森林回归的网络平台专利价值评估方法研究" * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112668851A (zh) * | 2020-12-21 | 2021-04-16 | 浙江弄潮儿智慧科技有限公司 | 一种确定生物多样性保护关键区域的方法及*** |
CN112668851B (zh) * | 2020-12-21 | 2021-11-02 | 浙江弄潮儿智慧科技有限公司 | 一种确定生物多样性保护关键区域的方法及*** |
CN112686530A (zh) * | 2020-12-28 | 2021-04-20 | 贵州电网有限责任公司 | 一种继电保护运行可靠性评价方法 |
CN112686530B (zh) * | 2020-12-28 | 2022-07-26 | 贵州电网有限责任公司 | 一种继电保护运行可靠性评价方法 |
CN113128907A (zh) * | 2021-05-12 | 2021-07-16 | 北京大学 | 专利价值在线评估方法和*** |
CN113128621A (zh) * | 2021-05-12 | 2021-07-16 | 北京大学 | 数据资源价值评估报告生成方法及装置 |
CN113128911A (zh) * | 2021-05-12 | 2021-07-16 | 北京大学 | 数据资源价值的在线评估方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
NL2027964A (en) | 2021-10-25 |
NL2027964B1 (en) | 2022-06-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111681022A (zh) | 一种网络平台数据资源价值评估方法 | |
Piao et al. | Housing price prediction based on CNN | |
CN109376913A (zh) | 降水量的预测方法及装置 | |
CN109960737B (zh) | 半监督深度对抗自编码哈希学习的遥感影像内容检索方法 | |
CN112735097A (zh) | 一种区域滑坡预警方法及*** | |
CN115470962A (zh) | 一种基于LightGBM的企业失信风险预测模型构建方法 | |
CN112529683A (zh) | 一种基于cs-pnn的客户信贷风险的评估方法及*** | |
CN113111924A (zh) | 电力客户分类方法及装置 | |
CN116187835A (zh) | 一种基于数据驱动的台区理论线损区间估算方法及*** | |
CN116883157A (zh) | 一种基于度量学习的小样本信用评估方法及*** | |
CN115358437A (zh) | 基于卷积神经网络的供电负荷预测方法 | |
CN116169670A (zh) | 一种基于改进神经网络的短期非居民负荷预测方法及*** | |
CN115983622A (zh) | 一种内控协同管理***的风险预警方法 | |
CN113762591B (zh) | 一种基于gru和多核svm对抗学习的短期电量预测方法及*** | |
Sun | Real estate evaluation model based on genetic algorithm optimized neural network | |
CN117370766A (zh) | 一种基于深度学习的卫星任务规划方案评估方法 | |
CN113591947A (zh) | 基于用电行为的电力数据聚类方法、装置和存储介质 | |
CN116885697A (zh) | 一种基于聚类分析与智能算法组合的负荷预测方法 | |
Li et al. | An improved genetic-XGBoost classifier for customer consumption behavior prediction | |
CN114529063A (zh) | 一种基于机器学习的金融领域数据预测方法、设备及介质 | |
CN115239502A (zh) | 一种分析师模拟方法、***、电子设备及存储介质 | |
CN115423091A (zh) | 一种条件对抗神经网络训练方法、场景生成方法和*** | |
CN114862007A (zh) | 一种面向碳酸盐岩气井的短周期产气量预测方法及*** | |
CN114444654A (zh) | 一种面向nas的免训练神经网络性能评估方法、装置和设备 | |
CN114154617A (zh) | 一种基于vfl的低压居民用户异常用电识别方法及*** |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200918 |