CN113537728A - 一种基于产业园区招商智能推荐***及推荐方法 - Google Patents
一种基于产业园区招商智能推荐***及推荐方法 Download PDFInfo
- Publication number
- CN113537728A CN113537728A CN202110706177.3A CN202110706177A CN113537728A CN 113537728 A CN113537728 A CN 113537728A CN 202110706177 A CN202110706177 A CN 202110706177A CN 113537728 A CN113537728 A CN 113537728A
- Authority
- CN
- China
- Prior art keywords
- index
- weight
- layer
- module
- industry
- 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 190
- 230000007115 recruitment Effects 0.000 title claims abstract description 63
- 238000011156 evaluation Methods 0.000 claims abstract description 93
- 230000008569 process Effects 0.000 claims abstract description 62
- 238000004364 calculation method Methods 0.000 claims abstract description 51
- 238000012216 screening Methods 0.000 claims abstract description 25
- 238000013210 evaluation model Methods 0.000 claims abstract description 10
- 210000002569 neuron Anatomy 0.000 claims description 106
- 239000011159 matrix material Substances 0.000 claims description 82
- 238000013528 artificial neural network Methods 0.000 claims description 53
- 230000006870 function Effects 0.000 claims description 47
- 230000008901 benefit Effects 0.000 claims description 35
- 230000004913 activation Effects 0.000 claims description 25
- 239000013598 vector Substances 0.000 claims description 22
- 238000013135 deep learning Methods 0.000 claims description 18
- 238000005457 optimization Methods 0.000 claims description 13
- 238000012546 transfer Methods 0.000 claims description 13
- 238000004519 manufacturing process Methods 0.000 claims description 12
- 238000011161 development Methods 0.000 claims description 10
- 230000018109 developmental process Effects 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 9
- 230000011218 segmentation Effects 0.000 claims description 9
- 238000011160 research Methods 0.000 claims description 7
- 230000000052 comparative effect Effects 0.000 claims description 6
- 238000009795 derivation Methods 0.000 claims description 6
- 238000007726 management method Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 238000004451 qualitative analysis Methods 0.000 claims description 5
- 238000004445 quantitative analysis Methods 0.000 claims description 5
- 230000008447 perception Effects 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 230000007547 defect Effects 0.000 abstract description 10
- 238000004422 calculation algorithm Methods 0.000 description 9
- 238000004587 chromatography analysis Methods 0.000 description 8
- 210000004205 output neuron Anatomy 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000013139 quantization Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003032 molecular docking Methods 0.000 description 1
- 238000011144 upstream manufacturing Methods 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
- 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
- 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
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Theoretical Computer Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于产业园区招商智能推荐***，包括产业评估筛选模块、园区印象模块、企业印象模块、招商策略模块和智能推荐模块；产业评估筛选模块用于建立组合赋权评价模型；园区印象模块用于全方位介绍产业园区的条块信息；企业印象模块用于在企业大数据库中对企业信息进行精准查询；招商策略模块用以给智能推荐模块提供模型基础；智能推荐模块用以产业园区招商精准推荐优质企业；还公开了一种用于产业园区招商智能推荐***的推荐方法。本发明利用AHP层次分析法+熵权法组合赋权进行指标权重计算，既消除层次分析法计算结果主观性较强的弊端，又避免出现指标权重与实际情况不符的情况，指标权重计算结果更加科学精准，提高产业园区招商效率。
Description
技术领域
本发明涉及到智能招商技术领域，特别涉及一种基于产业园区招商智能推荐***及推荐方法。
背景技术
精准招商是提升区域经济核心竞争力、适应招商活动规律性的必然选择。如何改进我们的招商引资工作，实施精准招商，优化产业结构，是目前所要研究的重点。其中最重要的就是精准招商问题，如何选择最优细分产业、最适合的企业进行招商是我们所最关心的事情。但是因为绩效、信息不对称等因素的影响，导致各地盲目招商，不充分考虑招商的精准度与产业的契合度，最终造成招商企业不能带动当地经济的发展，甚至需要政府的扶持，阻碍了当地经济的发展。
精准招商的核心内容是提高招商的针对性，避免招商活动的随意性，降低招商风险，使招进的企业更符合地方经济发展要求。
精准招商具有以下一些基本特征，首先，精准招商表现为产业定位项目化、招商对象点位化、信息对接专业化等；其次，精准招商具有招商服务个性化的特点；最后，精准招商结果可以由产业结构升级和传统企业改造情况、财税增长情况、就业情况等衡量。因此，通过精准招商才能更好地吸引投资，发展经济。
一篇专利号：201910366550.8的发明专利，公开了一种基于大数据的精准招商企业投资意向评估***及方法，所述包括用于选择、确定招商城市的招商城市确定模块；用于选择与分析确定招商目标的招商目标确定模块；用于在企业大数据库中对政府所提出的招商目标进行分析并在企业大数据库进行筛选，确定精准招商行业的精准招商行业确定模块；用于确定精准招商行业内各企业的各项投资意向指标的投资意向指标确定模块；用于对各项投资意向指标进行权重分析，对每一项指标进行赋权的投资意向指标赋权模块；用于计算企业投资意向评估指数，确定精准招商企业的企业投资意向评估模块。其显著效果是：大大提高了招商效率，能够助力地方政府进行产业定位，实现精准招商。
但是，上述专利号：201910366550.8的发明专利，主要应用了开源算法TOPSIS优劣解距离法，算法逻辑相对单一，求规范决策矩阵时比较复杂，不易求出正理想和负理想解。
发明内容
针对现有技术存在的问题，本发明提供了一种基于产业园区招商智能推荐***及推荐方法，使用该招商智能推荐***及推荐方法后，利用基于偏差最小原则的AHP层次分析法+熵权法组合赋权进行指标权重计算时与单一赋权法相比具有明显的优势，既可以消除层次分析法计算出来的结果主观性较强的弊端，又可以避免出现指标权重可能与实际情况不相符的情况，同时兼具了两种评价方法的优点，从而使指标权重计算结果更加科学和精准，招商智能推荐模块通过多层感知机MLP，结合产业优势、区域优势、政策优势、人才优势等各类模型、指标来搭建神经网络进行深度学习，丰富了算法逻辑，更有效的进行产业园区的精准招商。
为解决上述技术问题，本发明采用的技术方案是：
提供一种基于产业园区招商智能推荐***，产业评估筛选模块、园区印象模块、企业印象模块、招商策略模块和智能推荐模块；
所述产业评估筛选模块，用于建立组合赋权评价模型，采用AHP层次分析法+熵权法计算基于最小偏差原则下的园区产业评价指标组合权重，确定最优的细分产业；
所述园区印象模块，用于全方位介绍产业园区的条块信息；
所述企业印象模块，用于在企业大数据库中对企业信息进行自定义精准查询；
所述招商策略模块，通过所述产业评估筛选模块和所述园区印象模块来定义招商策略，用以给所述智能推荐模块提供模型基础；
所述智能推荐模块，通过所述招商策略模块和所述企业印象模块搭建神经网络MLP多层感知机深度学习框架，用以产业园区招商精准推荐优质企业。
本发明为了解决其技术问题，所采用的进一步技术方案是：
进一步地说，在所述园区印象模块中，所述条块信息包括区位优势、发展战略、产业集群、园区政策、人才引进、企业服务、创新运营、特色建筑和成功案例。
进一步地说，在所述企业印象模块中，所述企业信息包括企业基本信息、资产规模、营收水平、企业发展、企业高管社会关系、企业所在区政策指数、企业所在区行业结构指数。
进一步地说，在所述招商策略模块中，所述招商策略包括产业链招商策略、区域优势策略、政策优势策略、人才策略。
进一步地说，步骤1所述园区产业评价指标组合权重的具体计算步骤如下：
通过五大维度区位、政策、人才、空间、产业，25个指标推导适合产业园区的细分产业；
比如产业园区A，主导产业为物联网产业，通过产业评估模块推导出适合本地的物联网细分产业为：智慧家居、智慧运动装备、智慧汽车、智慧城市管理设备；
主要算法为AHP层析分析法+熵权法筛选最优的细分产业；
AHP层析分析法+熵权法组合赋权的基本思想：
AHP层析分析法+熵权法，即最小偏差原则的层次分析法与熵权法的组合赋权法，是一种基于组合赋权与层次分析法、熵权法获取的权重之间偏差最小建立的一种组合赋权优化模型。其中，层次分析法是一种将与评价对象相关的指标分解层目标、准则、指标等层次而进行定性和定量分析的方法；熵权法是评价者根据指标在评价中所提供的信息量的大小确定指标权重值的一种常用客观赋权法；
基于偏差最小原则的AHP层析分析法+熵权法组合赋权在进行指标权重计算时与单一赋权法相比具有明显的优势，既可以消除层次分析法计算出来的结果主观性较强的弊端又可以避免出现指标权重可能与实际情况不相符的情况，同时兼具了两种评价方法的优点，从而使指标权重计算结果更加科学和精准；
步骤1.1：AHP层次分析法计算评价指标权重；
传统的层次分析法通过采用九标度法确定判断矩阵，采用该标度判断各指标之间的相对重要程度时因选择较多，难以做出准确判断；传统的层次分析法还存在着计算量大，易出现误差，判断矩阵一致性检验繁琐等缺陷。为此本专利对层次分析法计算权重进行了改进，a、采用了三标度法，即指标i与指标j的比较结果为{0,1,2}，降低判断的难度；b、利用最优传递矩阵构建判断矩阵，避免进行判断矩阵的一致性检验而直接计算出指标权重，减少计算量；
步骤1.1所述AHP层次分析法计算评价指标权重的具体计算步骤如下：
步骤1.1.1：建立递阶层次结构，递阶层次结构包括目标层、准则层和指标层，在产业评估筛选模块中，将组合赋权评价模型中的一级指标作为目标层，二级指标作为其准则层，三级指标作为指标层；
步骤1.1.2：采用三度指标法进行标度，构造反映步骤1.1.1中各个指标相对重要性的比较矩阵A；
其中，aij表示第i个指标相对第j个指标的重要性，n是比较矩阵的阶数；
aij＝0，第j个指标比第i个指标重要；
aij＝1，第i个指标比第j个指标同等重要；
aij＝2，第i个指标比第j个指标重要；
步骤1.1.3：计算排序指数hi；
求出步骤1.1.2中第i个指标与其他指标的比较结果并分别求和，即可得到排序指数，排序指数用hi表示；
步骤1.1.4：构造判断矩阵B；
根据计算出的排序指数hi构造判断矩阵B，判断矩阵B中的元素bij可通过下面公式求得：
其中:
步骤1.1.5：求步骤1.1.4中判断矩阵B的拟优矩阵B’；
按照传统的层次分析法，要进行判断矩阵一致性检验，由于一致性检验复杂，一致性检验存在各种缺陷，现通过构建判断矩阵的拟优矩阵，并求解其特征值与特征向量来获取指标的权重值；
设判断矩阵B的拟优矩阵为B’，则B’内的元素bij’通过下面公式求得：首先计算出Cij，
将Cij带入下面公式求得bij’，
其中Cij构成的矩阵为最优传递矩阵C；
步骤1.1.6：求解拟优矩阵B’的最大特征值及其对应的特征向量，归一化处理得到各个指标的权重值；
通过步骤1.1.2至步骤步骤1.1.6可以得到某一层次指标相对于上一层次指标权重,递阶层次结构为三层，若计算第三层指标相对于第一层指标即三级指标相对于一级指标的权重，计算公式如下：
其中，m表示二级指标指数，n表示三级指标个数；wj表示二级指标中第j个指标相对于一级指标的权重，wij表示三级指标中第i个指标相对于二级指标中第j个指标的权重；若三级指标中第i个指标与二级指标中第j个指标之间没有关系，则wij＝0；
步骤1.2：熵权法计算评价指标权重；
熵权法计算权重时，将综合指标的重要性和指标提供的信息量两个方面来确定各个指标的最终权重；
步骤1.2所述熵权法计算评价指标权重的具体计算步骤如下：
步骤1.2.1：设m个评价对象，n个评价指标，则形成下面原始数据矩阵X，
x＝(xij)m×n
其中，xij为第i个评价对象在第j个指标上的平均值；
在矩阵x＝(xij)m×n中，对于第j项评价指标，xij的变异程度越大，则说明该指标提供的信息量相对较多，相对地，权重值也越大；
在产业评估的评价指标体系中由于不同的指标含义不同，相应的量化单位不同，无法直接进行赋权计算，为了消除指标量纲不同所导致的不可比性，需要对评价指标进行无量化处理，得到一个标准化矩阵；
步骤1.2.2：对原始数据矩阵X标准化处理，得到标准化矩阵Y；
Y＝(xij’)m×n
其中：xij’表示第i个评价对象在第j项评价指标的标准化值，xij表示第i个评价对象在第j个项评价指标上的原始数据；
步骤1.2.3：计算指标权重；
首先，计算指标标准化值的比重；
对标准化矩阵Y中各个评价指标的标准化进行比重变换，计算对于第j个指标，第i个评价对象的贡献度Zij，
然后，计算各个指标的信息熵ej；
其中：定义Zij＝0时，ZijlnZij＝0；
再然后，计算信息熵冗余度dj；
dj＝1-ej
最后，直接计算出指标权重w；
步骤1.3：基于最小偏差原则构建层次分析法与熵权法的组合赋权模型计算各指标的组合权重阵；
步骤1.3所述基于最小偏差原则构建层次分析法与熵权法的组合赋权模型计算各指标的组合权重阵的具体计算步骤如下：
步骤1.3.1：设由AHP层次分析法得到的n个指标的权重向量为，
设由熵权法得到的n个指标的权重向量为，
在组合赋权模型中，设定k种方法得到的权重向量为fk，则两种赋权方法的权重向量为，
f＝(f1，f2)T，且f1+f2＝1；
步骤1.3.2：构造单目标优化模型和对应拉格朗日函数，求得两种方法的权重f1和f2的值以及最优组合权重向量；
常见的主客观赋权法的组合方法是将两种赋权法进行线性加权，即
其中α是主观偏好系数且0≤α≤1，1-α是客观偏好系数，一般α值是根据经验确定的，存在着很大的主观性，因此赋权结果也具有较大主观性；未来避免这种情况，采用基于偏差最小原则的组合赋权优化模型，在该模型中，指标权重向量ω＝(ω1，ω2，…，ωn)T应使计算结果与层次分析法和熵权法分别计算的权重值总偏差最小；
为此，构造单目标优化模型，
构建相应的拉格朗日函数，并求极值，
对以上函数进行求导，并使得L(f，λ)’＝0，即：
其中k＝1，2，构成包含3个未知数，3个方程的方程解，并且系数矩阵不等于零，由克莱姆法则可知，该方程组有唯一的非零解，在该组合赋权计算中为两种方法的组合，则s分别等于1和2时，将AHP层次分析法与熵权法求解的指标权重代入上述公式中，经过计算可求得两种方法的权重f1和f2的值以及最优组合权重向量f1ωu+f2ωv，推导出适合园区的最佳细分产业链排序，获取最优的细分产业类别。
进一步地说，步骤5所述神经网络MLP多层感知机深度学习框架的具体深度学习步骤如下：
MLP多层感知机基本思想：
MLP(多层感知机)是基于神经网络深度学习模型；典型的MLP包括三层：输入层、隐层和输出层，MLP神经网络不同层之间是全连接的(上一层的任何一个神经元与下一层的所有神经元都有连接)；
神经网络主要有三个基本要素：权重、偏置和激活函数；
权重：神经元之间的连接强度由权重表示，权重的大小表示可能性的大小；
偏置：偏置的设置是为了正确分类样本，是模型中一个重要的参数，即保证通过输入算出的输出值不能随便激活；
激活函数：起非线性映射的作用，其可将神经元的输出幅度限制在一定范围内，一般限制在(-1～1)或(0～1)之间；最常用的激活函数是Sigmoid函数，其可将(-∞，+∞)的数映射到(0～1)的范围内；
步骤5.1：计算基于MLP神经网络的第一阶段输出；
计算每一层每个神经元的触发值，触发值通过计算链接当前神经元的前一层的所有神经元的值与相应的权重的乘积之和得到；
激活函数是用来归一化每个神经元的输出，激活函数在感知机的分析中经常出现，神经元的输出的计算在神经网络中一层层往前直到输出层得到一些输出值，这些输出值一开始的时候都是随机的，跟我们的目标值没有什么关系，但这里是反向传递算法的开始之处；
步骤5.1所述计算基于MLP神经网络的第一阶段输出的具体计算步骤如下：
步骤5.1.1：计算加权求和hj,
其中,hj为当前节点所输入加权之和；wij为上一层各神经元到当前神经元的权重，即神经元j的权重；
步骤5.1.2：计算隐藏层的神经元输出aj，
其中i作为上一层神经元的下标，或者是输出层节点；j作为当前神经元的下标，或者隐藏层神经元；aj表示隐藏层神经元的输出值；g()代表激活函数；wij表示上一层各神经元到当前神经元的权重，即神经元j的权重；x是输入，w0jx0j表示偏移节点；当aj＝xjk时,表示当前层神经元的输出值等于下一层神经元的输入值；
步骤5.1.3：计算输出层的输入值y，
y表示输出层的输入值；hk表示输出层神经元k的输出加权之和；wjk表示当前神经元与下一层各神经元的权重，即神经元k的权重；
步骤5.1.4：采用激活函数Sigmoid’和g(h)归一化每个神经元的输出值，
Sigmoid’＝σ′(x)＝σ(x)[1-σ(x)]；
将aj＝g(hj)代入上面公式可得，
g′(h)＝dj(1-dj)；
步骤5.1.5：采用误差方和计算损失函数E，
对(y-t)采用平方处理是为了避免超平面两端的误差点相互抵消(y-t存在正负)；
前面系数取1/2是为了之后采用梯度下降时，求梯度(偏导数)时能抵消平方求导后的系数2；
步骤5.2：计算基于MLP神经网络的第二阶段反向传递；
计算从输出的每个神经元开始往回直到输入层的每个神经元的局部梯度下降delta；
反向传递算法使用了delta梯度下降规则，计算从输出神经元开始往回直到输入层的每个神经元的局部梯度下降；要计算输出神经元的delta，首先要得到每个输出神经元的误差，因为多层感知器是有监督的训练网络，所以误差就是神经网络的输出与实际输出的差别，这一部分在delta规则中是很重要的，是反向传递算法的精髓；通过反向传递求导的值，前面的神经元就会知道权重要变化多少以更好地让神经网络的输出符合实际的输出，这一切都要从神经网络的输出与实际输出的差别开始算起；
步骤5.2所述计算基于MLP神经网络的第二阶段反向传递的具体计算步骤如下：
步骤5.2.1：反向传递，更新权重；
采用梯度下降求最优解，即求损失函数E关于权重w的偏导数，
上面公式的等式右边可以理解为：如果我们想知道当权重w改变时，输出的误差E是如何变化的，可以通过观察误差E是如何随着激活函数的输入值h变化，以及激活函数的输入值h是如何随着权重w变化；
其中，hk表示输出层神经元k的所有输入加权之和，即激活函数g(h)的输入值；
上面公式的等式右边第二项，最终可以推导出下面公式，即上一层神经元的输出值aj，
步骤5.3：重新计算进行第三阶段权重调整；
在计算所有神经元的梯度下降delta之后，开始最后一个阶段的计算；
步骤5.3所述重新计算进行第三阶段权重调整的具体计算步骤如下：
步骤5.3.1：更新输出层增项量δ0；
通过链式法推导，得到输出层的增项量，
步骤5.3.2：更新输出层权重wjk；
对损失函数使用梯度下降法更新权重，
得到公式，
wjk＝wjk-ηδo(k)ai；
其中，ai是上一层的输出值，即输出层的输入值xj；
步骤5.3.3：更新隐藏层增项量δh；
其中wjk是当前隐藏神经元j与输出层神经元k之间的权重；
步骤5.3.4：更新隐藏层权重vj；
aj＝g(hj)；
∑aijwij＝hj；
其中，aj是当前神经元的输出值；ai是当前神经元的输入值，即上一层的输出值。
本发明还提供一种基于产业园区招商智能推荐***的推荐方法，包括以下步骤：
步骤1：通过产业评估筛选模块筛选最优的细分产业，建立组合赋权评价模型，采用AHP层次分析法+熵权法计算基于最小偏差原则下的园区产业评价指标组合权重，确定最优的细分产业；
步骤2：通过园区印象模块，对产业园区的条块信息进行全方位介绍，打造产业园区的精品画像；
步骤3：企业大数据库通过ETL过程后匹配产业园区的宏观层面的产业图谱，通过企业印象模块，在企业大数据库中对输入的企业信息进行自定义精准查询；
步骤4：由产业评估筛选模块和园区印象模块来定义招商策略，通过招商策略模块，给智能推荐模块提供模型基础；
步骤5：通过招商策略模块和企业印象模块来搭建神经网络MLP多层感知机深度学习框架，通过智能推荐模块，给产业园区精准推荐优质企业进行招商。
本发明为了解决其技术问题，所采用的进一步技术方案是：
进一步地说，在步骤1中，通过5个一类指标、25个二类指标推导适合产业园区的最优的细分产业；
所述5个一类指标为区位、政策、人才、空间、产业；
所述25个二类指标为区域地位、区域资源、生活环境、生产环境、生态环境、土地政策、人才政策、金融政策、创新政策、专项政策、劳动人口占比、招工难易程度、劳动生产率、科研机构、人才引进、生产型建筑、生活型建筑、服务型建筑、基础配套设施、在线政府指数、产业基础、比较优势、产业关联、产业贡献、生态效益；
将所述5个一类指标与所述25个二类指标一一对应，如下：
区位：区域地位、区域资源、生活环境、生产环境、生态环境；
政策：土地政策、人才政策、金融政策、创新政策、专项政策；
人才：劳动人口占比、招工难易程度、劳动生产率、科研机构、人才引进；
空间：生产型建筑、生活型建筑、服务型建筑、基础配套设施、在线政府指数；
产业：产业基础、比较优势、产业关联、产业贡献、生态效益。
进一步地说，在步骤1中，所述AHP层次分析法+熵权法为最小偏差原则的组合赋权法，在基于组合赋权与AHP层次分析法、熵权法获取的权重之间偏差最小建立的组合赋权优化模型，其中，AHP层次分析法将与评价对象相关的指标分解层目标、准则、指标并进行定性和定量分析；熵权法将基于评价者根据指标在评价中所提供的信息量的大小来确定指标权重值。
进一步地说，在步骤5中，所述神经网络MLP多层感知机深度学习框架具有6层神经网络层，所述6层神经网络层分别为1个输入层、4个隐藏层和1个输出层；其中，所述输入层为神经网络的输入，企业画像输入数相当于神经元数，所述输入层为企业精准画像；所述隐藏层位于所述输入层与所述输出层之间，所述隐藏层将输入映射至输出，所述隐藏层为4个招商策略，所述4个招商策略分别为产业链招商策略、区域优势策略、政策优势策略、人才策略；所述输出层为招商优质企业。
本发明的有益效果是：
一、本发明在产业链分析筛选应用AHP层次分析法+熵权法组合，利用基于偏差最小原则的AHP层次分析法+熵权法组合赋权进行指标权重计算时与单一赋权法相比具有明显的优势，既可以消除层次分析法计算出来的结果主观性较强的弊端，又可以避免出现指标权重可能与实际情况不相符的情况，同时兼具了两种评价方法的优点，从而使指标权重计算结果更加科学和精准，招商智能推荐模块通过多层感知机MLP，结合产业优势、区域优势、政策优势、人才优势等各类模型、指标来搭建神经网络进行深度学习，丰富了算法逻辑，更有效的进行产业园区的精准招商；
二、本发明对AHP层次分析法计算权重进行了改进，a、采用了三标度法，即指标i与指标j的比较结果为{0,1,2}，降低判断的难度；b、利用最优传递矩阵构建判断矩阵，避免进行判断矩阵的一致性检验而直接计算出指标权重，减少计算量，克服了传统的层次分析法通过采用九标度法确定判断矩阵，采用该标度判断各指标之间的相对重要程度时，因选择较多，难以做出准确判断的问题，解决了传统的层次分析法计算量大，易出现误差，判断矩阵一致性检验繁琐等技术缺陷；
三、本发明根据AHP层次分析法+熵权法组合梳理的产业链细分领域，自动生成全产业链图谱，展示产业链上中下游、衍生、配套企业信息及分布情况，从而作为产业园区产业发展规划的有力依据，并且根据招商策略基于MLP神经网络深度学习，精准高效的为产业园区智能推荐优质的企业名录，大大提升基于产业园区的招商效率。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，并可依照说明书的内容予以实施，以下以本发明的较佳实施例并配合附图详细说明如后。
附图说明
图1是本发明所述的基于产业园区招商智能推荐***的功能架构图；
图2是本发明所述的园区印象模块的架构图；
图3是本发明所述的企业印象模块的架构图；
图4是本发明所述的招商策略模块的架构图；
图5是本发明所述的神经网络MLP多层感知机的框架示意图；
图6是本发明所述的基于产业园区招商智能推荐***的推荐方法的流程示意图；
附图中各部分标记如下：
产业评估筛选模块1、园区印象模块2、企业印象模块3、招商策略模块4和智能推荐模块5。
具体实施方式
以下通过特定的具体实施例说明本发明的具体实施方式，本领域技术人员可由本说明书所揭示的内容轻易地了解本发明的优点及功效。本发明也可以其它不同的方式予以实施，即，在不背离本发明所揭示的范畴下，能予不同的修饰与改变。
实施例1：一种基于产业园区招商智能推荐***，如图1-图6所示，包括：产业评估筛选模块1、园区印象模块2、企业印象模块3、招商策略模块4和智能推荐模块5；
所述产业评估筛选模块，用于建立组合赋权评价模型，采用AHP层次分析法+熵权法计算基于最小偏差原则下的园区产业评价指标组合权重，确定最优的细分产业；
所述园区印象模块，用于全方位介绍产业园区的条块信息；
所述企业印象模块，用于在企业大数据库中对企业信息进行自定义精准查询；
所述招商策略模块，通过所述产业评估筛选模块和所述园区印象模块来定义招商策略，用以给所述智能推荐模块提供模型基础；
所述智能推荐模块，通过所述招商策略模块和所述企业印象模块搭建神经网络MLP多层感知机深度学习框架，用以产业园区招商精准推荐优质企业。
在所述园区印象模块中，所述条块信息包括区位优势、发展战略、产业集群、园区政策、人才引进、企业服务、创新运营、特色建筑和成功案例。
在所述企业印象模块中，所述企业信息包括企业基本信息、资产规模、营收水平、企业发展、企业高管社会关系、企业所在区政策指数、企业所在区行业结构指数。
在所述招商策略模块中，所述招商策略包括产业链招商策略、区域优势策略、政策优势策略、人才策略。
步骤1所述园区产业评价指标组合权重的具体计算步骤如下：
通过五大维度区位、政策、人才、空间、产业，25个指标推导适合产业园区的细分产业；
比如产业园区A，主导产业为物联网产业，通过产业评估模块推导出适合本地的物联网细分产业为：智慧家居、智慧运动装备、智慧汽车、智慧城市管理设备；
主要算法为AHP层析分析法+熵权法筛选最优的细分产业；
AHP层析分析法+熵权法组合赋权的基本思想：
AHP层析分析法+熵权法，即最小偏差原则的层次分析法与熵权法的组合赋权法，是一种基于组合赋权与层次分析法、熵权法获取的权重之间偏差最小建立的一种组合赋权优化模型。其中，层次分析法是一种将与评价对象相关的指标分解层目标、准则、指标等层次而进行定性和定量分析的方法；熵权法是评价者根据指标在评价中所提供的信息量的大小确定指标权重值的一种常用客观赋权法；
基于偏差最小原则的AHP层析分析法+熵权法组合赋权在进行指标权重计算时与单一赋权法相比具有明显的优势，既可以消除层次分析法计算出来的结果主观性较强的弊端又可以避免出现指标权重可能与实际情况不相符的情况，同时兼具了两种评价方法的优点，从而使指标权重计算结果更加科学和精准；
步骤1.1：AHP层次分析法计算评价指标权重；
传统的层次分析法通过采用九标度法确定判断矩阵，采用该标度判断各指标之间的相对重要程度时因选择较多，难以做出准确判断；传统的层次分析法还存在着计算量大，易出现误差，判断矩阵一致性检验繁琐等缺陷。为此本专利对层次分析法计算权重进行了改进，a、采用了三标度法，即指标i与指标j的比较结果为{0,1,2}，降低判断的难度；b、利用最优传递矩阵构建判断矩阵，避免进行判断矩阵的一致性检验而直接计算出指标权重，减少计算量；
步骤1.1所述AHP层次分析法计算评价指标权重的具体计算步骤如下：
步骤1.1.1：建立递阶层次结构，递阶层次结构包括目标层、准则层和指标层，在产业评估筛选模块中，将组合赋权评价模型中的一级指标作为目标层，二级指标作为其准则层，三级指标作为指标层；
步骤1.1.2：采用三度指标法进行标度，构造反映步骤1.1.1中各个指标相对重要性的比较矩阵A；
其中，aij表示第i个指标相对第j个指标的重要性，n是比较矩阵的阶数；
aij＝0，第j个指标比第i个指标重要；
aij＝1，第i个指标比第j个指标同等重要；
aij＝2，第i个指标比第j个指标重要；
步骤1.1.3：计算排序指数hi；
求出步骤1.1.2中第i个指标与其他指标的比较结果并分别求和，即可得到排序指数，排序指数用hi表示；
步骤1.1.4：构造判断矩阵B；
根据计算出的排序指数hi构造判断矩阵B，判断矩阵B中的元素bij可通过下面公式求得：
其中:
步骤1.1.5：求步骤1.1.4中判断矩阵B的拟优矩阵B’；
按照传统的层次分析法，要进行判断矩阵一致性检验，由于一致性检验复杂，一致性检验存在各种缺陷，现通过构建判断矩阵的拟优矩阵，并求解其特征值与特征向量来获取指标的权重值；
设判断矩阵B的拟优矩阵为B’，则B’内的元素bij’通过下面公式求得：首先计算出Cij，
将Cij带入下面公式求得bij’，
其中Cij构成的矩阵为最优传递矩阵C；
步骤1.1.6：求解拟优矩阵B’的最大特征值及其对应的特征向量，归一化处理得到各个指标的权重值；
通过步骤1.1.2至步骤步骤1.1.6可以得到某一层次指标相对于上一层次指标权重，递阶层次结构为三层，若计算第三层指标相对于第一层指标即三级指标相对于一级指标的权重，计算公式如下：
其中，m表示二级指标指数，n表示三级指标个数；wj表示二级指标中第j个指标相对于一级指标的权重，wij表示三级指标中第i个指标相对于二级指标中第j个指标的权重；若三级指标中第i个指标与二级指标中第j个指标之间没有关系，则wij＝0；
步骤1.2：熵权法计算评价指标权重；
熵权法计算权重时，将综合指标的重要性和指标提供的信息量两个方面来确定各个指标的最终权重；
步骤1.2所述熵权法计算评价指标权重的具体计算步骤如下：
步骤1.2.1：设m个评价对象，n个评价指标，则形成下面原始数据矩阵X，
X＝(xij)m×n
其中，xij为第i个评价对象在第j个指标上的平均值；
在矩阵X＝(xij)m×n中，对于第j项评价指标，xij的变异程度越大，则说明该指标提供的信息量相对较多，相对地，权重值也越大；
在产业评估的评价指标体系中由于不同的指标含义不同，相应的量化单位不同，无法直接进行赋权计算，为了消除指标量纲不同所导致的不可比性，需要对评价指标进行无量化处理，得到一个标准化矩阵；
步骤1.2.2：对原始数据矩阵X标准化处理，得到标准化矩阵Y；
Y＝(xij’)m×n
其中：xij’表示第i个评价对象在第j项评价指标的标准化值，xij表示第i个评价对象在第j个项评价指标上的原始数据；
步骤1.2.3：计算指标权重；
首先，计算指标标准化值的比重；
对标准化矩阵Y中各个评价指标的标准化进行比重变换，计算对于第j个指标，第i个评价对象的贡献度Zij，
然后，计算各个指标的信息熵ej；
其中：定义Zij＝0时，ZijlnZij＝0；
再然后，计算信息熵冗余度dj；
dj＝1-ej
最后，直接计算出指标权重w；
步骤1.3：基于最小偏差原则构建层次分析法与熵权法的组合赋权模型计算各指标的组合权重阵；
步骤1.3所述基于最小偏差原则构建层次分析法与熵权法的组合赋权模型计算各指标的组合权重阵的具体计算步骤如下：
步骤1.3.1：设由AHP层次分析法得到的n个指标的权重向量为，
设由熵权法得到的n个指标的权重向量为，
在组合赋权模型中，设定k种方法得到的权重向量为fk，则两种赋权方法的权重向量为，
f＝(f1，f2)T，且f1++2＝1；
步骤1.3.2：构造单目标优化模型和对应拉格朗日函数，求得两种方法的权重f1和f2的值以及最优组合权重向量；
常见的主客观赋权法的组合方法是将两种赋权法进行线性加权，即
其中α是主观偏好系数且0≤α≤1，1-α是客观偏好系数，一般α值是根据经验确定的，存在着很大的主观性，因此赋权结果也具有较大主观性；未来避免这种情况，采用基于偏差最小原则的组合赋权优化模型，在该模型中，指标权重向量ω＝(ω1，ω2，…，ωn)T应使计算结果与层次分析法和熵权法分别计算的权重值总偏差最小；
为此，构造单目标优化模型，
构建相应的拉格朗日函数，并求极值，
对以上函数进行求导，并使得L(f，λ)＝0，即：
其中k＝1，2，构成包含3个未知数，3个方程的方程解，并且系数矩阵不等于零，由克莱姆法则可知，该方程组有唯一的非零解，在该组合赋权计算中为两种方法的组合，则s分别等于1和2时，将AHP层次分析法与熵权法求解的指标权重代入上述公式中，经过计算可求得两种方法的权重f1和f2的值以及最优组合权重向量f1ωu+f2ωv，推导出适合园区的最佳细分产业链排序，获取最优的细分产业类别。
步骤5所述神经网络MLP多层感知机深度学习框架的具体深度学习步骤如下：
MLP多层感知机基本思想：
MLP(多层感知机)是基于神经网络深度学习模型；典型的MLP包括三层：输入层、隐层和输出层，MLP神经网络不同层之间是全连接的(上一层的任何一个神经元与下一层的所有神经元都有连接)；
神经网络主要有三个基本要素：权重、偏置和激活函数；
权重：神经元之间的连接强度由权重表示，权重的大小表示可能性的大小；
偏置：偏置的设置是为了正确分类样本，是模型中一个重要的参数，即保证通过输入算出的输出值不能随便激活；
激活函数：起非线性映射的作用，其可将神经元的输出幅度限制在一定范围内，一般限制在(-1～1)或(0～1)之间；最常用的激活函数是Sigmoid函数，其可将(-∞，+∞)的数映射到(0～1)的范围内；
步骤5.1：计算基于MLP神经网络的第一阶段输出；
计算每一层每个神经元的触发值，触发值通过计算链接当前神经元的前一层的所有神经元的值与相应的权重的乘积之和得到；
激活函数是用来归一化每个神经元的输出，激活函数在感知机的分析中经常出现，神经元的输出的计算在神经网络中一层层往前直到输出层得到一些输出值，这些输出值一开始的时候都是随机的，跟我们的目标值没有什么关系，但这里是反向传递算法的开始之处；
步骤5.1所述计算基于MLP神经网络的第一阶段输出的具体计算步骤如下：
步骤5.1.1：计算加权求和hj,
其中,hj为当前节点所输入加权之和；wij为上一层各神经元到当前神经元的权重，即神经元j的权重；
步骤5.1.2：计算隐藏层的神经元输出aj，
其中i作为上一层神经元的下标，或者是输出层节点；j作为当前神经元的下标，或者隐藏层神经元；aj表示隐藏层神经元的输出值；g()代表激活函数；wij表示上一层各神经元到当前神经元的权重，即神经元j的权重；x是输入，w0jx0j表示偏移节点；当aj＝xjk时，表示当前层神经元的输出值等于下一层神经元的输入值；
步骤5.1.3：计算输出层的输入值y，
y表示输出层的输入值；hk表示输出层神经元k的输出加权之和；wjk表示当前神经元与下一层各神经元的权重，即神经元k的权重；
步骤5.1.4：采用激活函数Sigmoid’和g(h)归一化每个神经元的输出值，
Sigmoid’＝σ′(x)＝σ(x)[1-σ(x)]：
将aj＝g(hj)代入上面公式可得，
g′(h)＝aj(1-aj)；
步骤5.1.5：采用误差方和计算损失函数E，
对(y-t)采用平方处理是为了避免超平面两端的误差点相互抵消(y-t存在正负)；
前面系数取1/2是为了之后采用梯度下降时，求梯度(偏导数)时能抵消平方求导后的系数2；
步骤5.2：计算基于MLP神经网络的第二阶段反向传递；
计算从输出的每个神经元开始往回直到输入层的每个神经元的局部梯度下降delta；
反向传递算法使用了delta梯度下降规则，计算从输出神经元开始往回直到输入层的每个神经元的局部梯度下降；要计算输出神经元的delta，首先要得到每个输出神经元的误差，因为多层感知器是有监督的训练网络，所以误差就是神经网络的输出与实际输出的差别，这一部分在delta规则中是很重要的，是反向传递算法的精髓；通过反向传递求导的值，前面的神经元就会知道权重要变化多少以更好地让神经网络的输出符合实际的输出，这一切都要从神经网络的输出与实际输出的差别开始算起；
步骤5.2所述计算基于MLP神经网络的第二阶段反向传递的具体计算步骤如下：
步骤5.2.1：反向传递，更新权重；
采用梯度下降求最优解，即求损失函数E关于权重w的偏导数，
上面公式的等式右边可以理解为：如果我们想知道当权重w改变时，输出的误差E是如何变化的，可以通过观察误差E是如何随着激活函数的输入值h变化，以及激活函数的输入值h是如何随着权重w变化；
其中，hk表示输出层神经元k的所有输入加权之和，即激活函数g(h)的输入值；
上面公式的等式右边第二项，最终可以推导出下面公式，即上一层神经元的输出值aj，
步骤5.3：重新计算进行第三阶段权重调整；
在计算所有神经元的梯度下降delta之后，开始最后一个阶段的计算；
步骤5.3所述重新计算进行第三阶段权重调整的具体计算步骤如下：
步骤5.3.1：更新输出层增项量δ0；
通过链式法推导，得到输出层的增项量，
步骤5.3.2：更新输出层权重wjk；
对损失函数使用梯度下降法更新权重，
得到公式，
wjk＝wjk-ηδ0(k)ai；
其中，ai是上一层的输出值，即输出层的输入值xj；
步骤5.3.3：更新隐藏层增项量δh；
其中wjk是当前隐藏神经元j与输出层神经元k之间的权重；
步骤5.3.4：更新隐藏层权重vj；
aj＝g(hj)；
∑aijwij＝hj；
其中，aj是当前神经元的输出值；ai是当前神经元的输入值，即上一层的输出值。
实施例2：一种基于产业园区招商智能推荐***的推荐方法，如图1-图6所示，包括以下步骤：
步骤1：通过产业评估筛选模块筛选最优的细分产业，建立组合赋权评价模型，采用AHP层次分析法+熵权法计算基于最小偏差原则下的园区产业评价指标组合权重，确定最优的细分产业；
步骤2：通过园区印象模块，对产业园区的条块信息进行全方位介绍，打造产业园区的精品画像；
步骤3：企业大数据库通过ETL过程后匹配产业园区的宏观层面的产业图谱，通过企业印象模块，在企业大数据库中对输入的企业信息进行自定义精准查询；
步骤4：由产业评估筛选模块和园区印象模块来定义招商策略，通过招商策略模块，给智能推荐模块提供模型基础；
步骤5：通过招商策略模块和企业印象模块来搭建神经网络MLP多层感知机深度学习框架，通过智能推荐模块，给产业园区精准推荐优质企业进行招商。
在步骤1中，通过5个一类指标、25个二类指标推导适合产业园区的最优的细分产业；
所述5个一类指标为区位、政策、人才、空间、产业；
所述25个二类指标为区域地位、区域资源、生活环境、生产环境、生态环境、土地政策、人才政策、金融政策、创新政策、专项政策、劳动人口占比、招工难易程度、劳动生产率、科研机构、人才引进、生产型建筑、生活型建筑、服务型建筑、基础配套设施、在线政府指数、产业基础、比较优势、产业关联、产业贡献、生态效益；
将所述5个一类指标与所述25个二类指标一一对应，如下：
区位：区域地位、区域资源、生活环境、生产环境、生态环境；
政策：土地政策、人才政策、金融政策、创新政策、专项政策；
人才：劳动人口占比、招工难易程度、劳动生产率、科研机构、人才引进；
空间：生产型建筑、生活型建筑、服务型建筑、基础配套设施、在线政府指数；
产业：产业基础、比较优势、产业关联、产业贡献、生态效益。
在步骤1中，所述AHP层次分析法+熵权法为最小偏差原则的组合赋权法，在基于组合赋权与AHP层次分析法、熵权法获取的权重之间偏差最小建立的组合赋权优化模型，其中，AHP层次分析法将与评价对象相关的指标分解层目标、准则、指标并进行定性和定量分析；熵权法将基于评价者根据指标在评价中所提供的信息量的大小来确定指标权重值。
在步骤5中，所述神经网络MLP多层感知机深度学习框架具有6层神经网络层，所述6层神经网络层分别为1个输入层、4个隐藏层和1个输出层；其中，所述输入层为神经网络的输入，企业画像输入数相当于神经元数，所述输入层为企业精准画像；所述隐藏层位于所述输入层与所述输出层之间，所述隐藏层将输入映射至输出，所述隐藏层为4个招商策略，所述4个招商策略分别为产业链招商策略、区域优势策略、政策优势策略、人才策略；所述输出层为招商优质企业。
以上所述仅为本发明的实施例，并非因此以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种基于产业园区招商智能推荐***，其特征在于，包括：产业评估筛选模块(1)、园区印象模块(2)、企业印象模块(3)、招商策略模块(4)和智能推荐模块(5)；
所述产业评估筛选模块，用于建立组合赋权评价模型，采用AHP层次分析法+熵权法计算基于最小偏差原则下的园区产业评价指标组合权重，确定最优的细分产业；
所述园区印象模块，用于全方位介绍产业园区的条块信息；
所述企业印象模块，用于在企业大数据库中对企业信息进行自定义精准查询；
所述招商策略模块，通过所述产业评估筛选模块和所述园区印象模块来定义招商策略，用以给所述智能推荐模块提供模型基础；
所述智能推荐模块，通过所述招商策略模块和所述企业印象模块搭建神经网络MLP多层感知机深度学习框架，用以产业园区招商精准推荐优质企业。
2.根据权利要求1所述的一种基于产业园区招商智能推荐***，其特征在于：在所述园区印象模块中，所述条块信息包括区位优势、发展战略、产业集群、园区政策、人才引进、企业服务、创新运营、特色建筑和成功案例。
3.根据权利要求1所述的一种基于产业园区招商智能推荐***，其特征在于：在所述企业印象模块中，所述企业信息包括企业基本信息、资产规模、营收水平、企业发展、企业高管社会关系、企业所在区政策指数、企业所在区行业结构指数。
4.根据权利要求1所述的一种基于产业园区招商智能推荐***，其特征在于：在所述招商策略模块中，所述招商策略包括产业链招商策略、区域优势策略、政策优势策略、人才策略。
5.根据权利要求1所述的一种基于产业园区招商智能推荐***，其特征在于：步骤1所述园区产业评价指标组合权重的具体计算步骤如下：
步骤1.1：AHP层次分析法计算评价指标权重；
步骤1.1所述AHP层次分析法计算评价指标权重的具体计算步骤如下：
步骤1.1.1：建立递阶层次结构，递阶层次结构包括目标层、准则层和指标层，在产业评估筛选模块中，将组合赋权评价模型中的一级指标作为目标层，二级指标作为其准则层，三级指标作为指标层；
步骤1.1.2：采用三度指标法进行标度，构造反映步骤1.1.1中各个指标相对重要性的比较矩阵A；
其中，aij表示第i个指标相对第j个指标的重要性，n是比较矩阵的阶数；
aij＝0，第j个指标比第i个指标重要；
aij＝1，第i个指标比第j个指标同等重要；
aij＝2，第i个指标比第j个指标重要；
步骤1.1.3：计算排序指数hi；
求出步骤1.1.2中第i个指标与其他指标的比较结果并分别求和，即可得到排序指数，排序指数用hi表示；
步骤1.1.4：构造判断矩阵B；
根据计算出的排序指数hi构造判断矩阵B，判断矩阵B中的元素bij可通过下面公式求得：
其中:
hmax＝max(hi)，hmin＝min(hi)，
步骤1.1.5：求步骤1.1.4中判断矩阵B的拟优矩阵B’；
设判断矩阵B的拟优矩阵为B’，则B’内的元素bij’通过下面公式求得：首先计算出Cij，
将Cij带入下面公式求得bij’，
其中Cij构成的矩阵为最优传递矩阵C；
步骤1.1.6：求解拟优矩阵B’的最大特征值及其对应的特征向量，归一化处理得到各个指标的权重值；
通过步骤1.1.2至步骤步骤1.1.6可以得到某一层次指标相对于上一层次指标权重,递阶层次结构为三层，若计算第三层指标相对于第一层指标即三级指标相对于一级指标的权重，计算公式如下：
其中，m表示二级指标指数，n表示三级指标个数；wj表示二级指标中第j个指标相对于一级指标的权重，wij表示三级指标中第i个指标相对于二级指标中第j个指标的权重；若三级指标中第i个指标与二级指标中第j个指标之间没有关系，则wij＝0；
步骤1.2：熵权法计算评价指标权重；
步骤1.2所述熵权法计算评价指标权重的具体计算步骤如下：
步骤1.2.1：设m个评价对象，n个评价指标，则形成下面原始数据矩阵X，
X＝(xij)m×n
其中，xij为第i个评价对象在第j个指标上的平均值；
步骤1.2.2：对原始数据矩阵X标准化处理,得到标准化矩阵Y；
Y＝(xij′)m×n
其中：xij’表示第i个评价对象在第j项评价指标的标准化值，xij表示第i个评价对象在第j个项评价指标上的原始数据；
步骤1.2.3：计算指标权重；
首先，计算指标标准化值的比重；
对标准化矩阵Y中各个评价指标的标准化进行比重变换，计算对于第j个指标，第i个评价对象的贡献度Zij，
然后，计算各个指标的信息熵ej；
其中：定义Zij＝0时，ZijlnZij＝0；
再然后，计算信息熵冗余度dj；
dj＝1-ej
最后，直接计算出指标权重w；
步骤1.3：基于最小偏差原则构建层次分析法与熵权法的组合赋权模型计算各指标的组合权重阵；
步骤1.3所述基于最小偏差原则构建层次分析法与熵权法的组合赋权模型计算各指标的组合权重阵的具体计算步骤如下：
步骤1.3.1：设由AHP层次分析法得到的n个指标的权重向量为,
设由熵权法得到的n个指标的权重向量为,
在组合赋权模型中，设定k种方法得到的权重向量为fk，则两种赋权方法的权重向量为,
f＝(f1，f2)T，且f1+f2＝1；
步骤1.3.2：构造单目标优化模型和对应拉格朗日函数,求得两种方法的权重f1和f2的值以及最优组合权重向量；
构造单目标优化模型，
构建相应的拉格朗日函数，并求极值,
对以上函数进行求导，并使得L(f，λ)′＝0，即：
其中k＝1,2,构成包含3个未知数，3个方程的方程解，并且系数矩阵不等于零，由克莱姆法则可知，该方程组有唯一的非零解，在该组合赋权计算中为两种方法的组合，则s分别等于1和2时，将AHP层次分析法与熵权法求解的指标权重代入上述公式中，经过计算可求得两种方法的权重f1和f2的值以及最优组合权重向量f1ωu+f2ωv,推导出适合园区的最佳细分产业链排序，获取最优的细分产业类别。
6.根据权利要求1所述的一种基于产业园区招商智能推荐***，其特征在于：步骤5所述神经网络MLP多层感知机深度学习框架的具体深度学习步骤如下：
步骤5.1：计算基于MLP神经网络的第一阶段输出；
计算每一层每个神经元的触发值，触发值通过计算链接当前神经元的前一层的所有神经元的值与相应的权重的乘积之和得到；
步骤5.1所述计算基于MLP神经网络的第一阶段输出的具体计算步骤如下：
步骤5.1.1：计算加权求和hj,
其中,hj为当前节点所输入加权之和；wij为上一层各神经元到当前神经元的权重，即神经元j的权重；
步骤5.1.2：计算隐藏层的神经元输出aj，
其中i作为上一层神经元的下标，或者是输出层节点；j作为当前神经元的下标，或者隐藏层神经元；aj表示隐藏层神经元的输出值；g()代表激活函数；wij表示上一层各神经元到当前神经元的权重，即神经元j的权重；x是输入，w0jx0j表示偏移节点；当aj＝xjk时,表示当前层神经元的输出值等于下一层神经元的输入值；
步骤5.1.3：计算输出层的输入值y，
y表示输出层的输入值；hk表示输出层神经元k的输出加权之和；wjk表示当前神经元与下一层各神经元的权重，即神经元k的权重；
步骤5.1.4：采用激活函数Sigmoid’和g(h)归一化每个神经元的输出值，
Sigmoid’＝σ′(x)＝σ(x)[1-σ(x)]；
将aj＝g(hj)代入上面公式可得，
g′(h)＝aj(1-aj)；
步骤5.1.5：采用误差方和计算损失函数E，
步骤5.2：计算基于MLP神经网络的第二阶段反向传递；
计算从输出的每个神经元开始往回直到输入层的每个神经元的局部梯度下降delta；
步骤5.2所述计算基于MLP神经网络的第二阶段反向传递的具体计算步骤如下：
步骤5.2.1：反向传递，更新权重；
采用梯度下降求最优解，即求损失函数E关于权重w的偏导数，
上面公式的等式右边可以理解为：如果我们想知道当权重w改变时，输出的误差E是如何变化的，可以通过观察误差E是如何随着激活函数的输入值h变化，以及激活函数的输入值h是如何随着权重w变化；
其中，hk表示输出层神经元k的所有输入加权之和，即激活函数g(h)的输入值；
上面公式的等式右边第二项，最终可以推导出下面公式，即上一层神经元的输出值aj，
步骤5.3：重新计算进行第三阶段权重调整；
在计算所有神经元的梯度下降delta之后，开始最后一个阶段的计算；
步骤5.3所述重新计算进行第三阶段权重调整的具体计算步骤如下：
步骤5.3.1：更新输出层增项量δ0；
通过链式法推导，得到输出层的增项量，
步骤5.3.2：更新输出层权重wjk；
对损失函数使用梯度下降法更新权重，
得到公式，
wjk＝wjk-ηδo(k)ai；
其中，ai是上一层的输出值，即输出层的输入值xj；
步骤5.3.3：更新隐藏层增项量δh；
其中wjk是当前隐藏神经元j与输出层神经元k之间的权重；
步骤5.3.4：更新隐藏层权重vj；
aj＝g(hj)；
∑aijwij＝hj；
其中，aj是当前神经元的输出值；ai是当前神经元的输入值，即上一层的输出值。
7.一种用于根据权利要求1所述的基于产业园区招商智能推荐***的推荐方法，其特征在于：包括以下步骤：
步骤1：通过产业评估筛选模块筛选最优的细分产业，建立组合赋权评价模型，采用AHP层次分析法+熵权法计算基于最小偏差原则下的园区产业评价指标组合权重，确定最优的细分产业；
步骤2：通过园区印象模块，对产业园区的条块信息进行全方位介绍，打造产业园区的精品画像；
步骤3：企业大数据库通过ETL过程后匹配产业园区的宏观层面的产业图谱，通过企业印象模块，在企业大数据库中对输入的企业信息进行自定义精准查询；
步骤4：由产业评估筛选模块和园区印象模块来定义招商策略，通过招商策略模块，给智能推荐模块提供模型基础；
步骤5：通过招商策略模块和企业印象模块来搭建神经网络MLP多层感知机深度学习框架，通过智能推荐模块，给产业园区精准推荐优质企业进行招商。
8.根据权利要求7所述的一种基于产业园区招商智能推荐***的推荐方法，其特征在于：在步骤1中，通过5个一类指标、25个二类指标推导适合产业园区的最优的细分产业；
所述5个一类指标为区位、政策、人才、空间、产业；
所述25个二类指标为区域地位、区域资源、生活环境、生产环境、生态环境、土地政策、人才政策、金融政策、创新政策、专项政策、劳动人口占比、招工难易程度、劳动生产率、科研机构、人才引进、生产型建筑、生活型建筑、服务型建筑、基础配套设施、在线政府指数、产业基础、比较优势、产业关联、产业贡献、生态效益；
将所述5个一类指标与所述25个二类指标一一对应，如下：
区位：区域地位、区域资源、生活环境、生产环境、生态环境；
政策：土地政策、人才政策、金融政策、创新政策、专项政策；
人才：劳动人口占比、招工难易程度、劳动生产率、科研机构、人才引进；
空间：生产型建筑、生活型建筑、服务型建筑、基础配套设施、在线政府指数；
产业：产业基础、比较优势、产业关联、产业贡献、生态效益。
9.根据权利要求7所述的一种基于产业园区招商智能推荐***的推荐方法，其特征在于：在步骤1中，所述AHP层次分析法+熵权法为最小偏差原则的组合赋权法，在基于组合赋权与AHP层次分析法、熵权法获取的权重之间偏差最小建立的组合赋权优化模型，其中，AHP层次分析法将与评价对象相关的指标分解层目标、准则、指标并进行定性和定量分析；熵权法将基于评价者根据指标在评价中所提供的信息量的大小来确定指标权重值。
10.根据权利要求7所述的一种基于产业园区招商智能推荐***的推荐方法，其特征在于：在步骤5中，所述神经网络MLP多层感知机深度学习框架具有6层神经网络层，所述6层神经网络层分别为1个输入层、4个隐藏层和1个输出层；其中，所述输入层为神经网络的输入，企业画像输入数相当于神经元数，所述输入层为企业精准画像；所述隐藏层位于所述输入层与所述输出层之间，所述隐藏层将输入映射至输出，所述隐藏层为4个招商策略，所述4个招商策略分别为产业链招商策略、区域优势策略、政策优势策略、人才策略；所述输出层为招商优质企业。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110706177.3A CN113537728A (zh) | 2021-06-24 | 2021-06-24 | 一种基于产业园区招商智能推荐***及推荐方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110706177.3A CN113537728A (zh) | 2021-06-24 | 2021-06-24 | 一种基于产业园区招商智能推荐***及推荐方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113537728A true CN113537728A (zh) | 2021-10-22 |
Family
ID=78096684
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110706177.3A Pending CN113537728A (zh) | 2021-06-24 | 2021-06-24 | 一种基于产业园区招商智能推荐***及推荐方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113537728A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114757730A (zh) * | 2022-03-24 | 2022-07-15 | 联通（山东）产业互联网有限公司 | 基于智慧供应链平台的供应商推荐的方法 |
| CN114819590A (zh) * | 2022-04-20 | 2022-07-29 | 平安科技（深圳）有限公司 | 策略智能推荐方法、装置、设备及存储介质 |
| CN115238753A (zh) * | 2022-09-21 | 2022-10-25 | 西南交通大学 | 一种基于局部离群因子的自适应shm数据清洗方法 |
| CN116383511A (zh) * | 2023-05-29 | 2023-07-04 | 四川邕合科技有限公司 | 基于产业链分析的园区招商推荐方法、***、终端及介质 |
| CN116720792A (zh) * | 2023-08-10 | 2023-09-08 | 北京正开科技有限公司 | 一种基于数据处理的孵化器公共管理服务*** |
| CN117520864A (zh) * | 2024-01-08 | 2024-02-06 | 四川易利数字城市科技有限公司 | 一种数据要素多特征融合智能匹配方法 |
| CN117575370A (zh) * | 2024-01-16 | 2024-02-20 | 浙江省发展规划研究院 | 基于园区物质流的项目推荐方法和装置 |
-
2021
- 2021-06-24 CN CN202110706177.3A patent/CN113537728A/zh active Pending
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114757730A (zh) * | 2022-03-24 | 2022-07-15 | 联通（山东）产业互联网有限公司 | 基于智慧供应链平台的供应商推荐的方法 |
| CN114819590A (zh) * | 2022-04-20 | 2022-07-29 | 平安科技（深圳）有限公司 | 策略智能推荐方法、装置、设备及存储介质 |
| CN114819590B (zh) * | 2022-04-20 | 2023-07-18 | 平安科技（深圳）有限公司 | 策略智能推荐方法、装置、设备及存储介质 |
| CN115238753A (zh) * | 2022-09-21 | 2022-10-25 | 西南交通大学 | 一种基于局部离群因子的自适应shm数据清洗方法 |
| CN115238753B (zh) * | 2022-09-21 | 2022-12-06 | 西南交通大学 | 一种基于局部离群因子的自适应shm数据清洗方法 |
| CN116383511A (zh) * | 2023-05-29 | 2023-07-04 | 四川邕合科技有限公司 | 基于产业链分析的园区招商推荐方法、***、终端及介质 |
| CN116383511B (zh) * | 2023-05-29 | 2023-08-04 | 四川邕合科技有限公司 | 基于产业链分析的园区招商推荐方法、***、终端及介质 |
| CN116720792A (zh) * | 2023-08-10 | 2023-09-08 | 北京正开科技有限公司 | 一种基于数据处理的孵化器公共管理服务*** |
| CN117520864A (zh) * | 2024-01-08 | 2024-02-06 | 四川易利数字城市科技有限公司 | 一种数据要素多特征融合智能匹配方法 |
| CN117520864B (zh) * | 2024-01-08 | 2024-03-19 | 四川易利数字城市科技有限公司 | 一种数据要素多特征融合智能匹配方法 |
| CN117575370A (zh) * | 2024-01-16 | 2024-02-20 | 浙江省发展规划研究院 | 基于园区物质流的项目推荐方法和装置 |
| CN117575370B (zh) * | 2024-01-16 | 2024-04-12 | 浙江省发展规划研究院 | 基于园区物质流的项目推荐方法和装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113537728A (zh) | 一种基于产业园区招商智能推荐***及推荐方法 | |
| CN106951976B (zh) | 一种基于模式分类的公交客流预测方法 | |
| Bonaccorsi et al. | One or more growth processes? Evidence from new Italian firms | |
| CN111160750A (zh) | 一种基于关联规则挖掘的配网分析和投资决策方法 | |
| CN112232561B (zh) | 基于约束并行lstm分位数回归的电力负荷概率预测方法 | |
| CN113408869A (zh) | 一种配电网建设目标风险评估方法 | |
| CN110751355A (zh) | 一种科技成果评估方法和装置 | |
| CN113822499B (zh) | 一种基于模型融合的列车备件损耗预测方法 | |
| Hsu | A hybrid multiple criteria decision-making model for investment decision making | |
| Chen | Evaluating Sustainable Liveable City via Multi‐MCDM and Hopfield Neural Network | |
| CN110968651A (zh) | 一种基于灰色模糊聚类的数据处理方法及*** | |
| CN114298834A (zh) | 一种基于自组织映射网络的个人信用评估方法及*** | |
| CN115660170A (zh) | 多维指标权重协同优化的数据资产管理成效差异化评估方法和*** | |
| CN117575564A (zh) | 可扩展的基础设施网络组件维修与改造决策评估方法及*** | |
| CN116485021A (zh) | 一种煤炭企业技术技能人才人岗匹配预测方法与*** | |
| CN116629904A (zh) | 一种基于大数据的客户分层匹配方法 | |
| CN116823487A (zh) | 一种esg评价体系投资决策*** | |
| CN115860552A (zh) | 一种农村能源互联网综合效益评价方法 | |
| Reig-Mullor et al. | Sustainability performance assessment with intuitionistic fuzzy composite metrics and its application to the motor industry | |
| CN112465253B (zh) | 一种城市路网中的链路预测方法及装置 | |
| Ding et al. | Implementation of dynamic credit rating method based on clustering and classification technology | |
| Petersohn | Assessment of clusteranalysis and self-organizing maps | |
| El‐Sawalhi et al. | Forecasting contractor performance using a neural network and genetic algorithm in a pre‐qualification model | |
| CN112116238A (zh) | 一种基于指标权重体系设计的满意度评估方法 | |
| Milosavljević et al. | The selection of optimal transport vehicle using multi criteria decision making methods |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20211022 |