[發明專利]一種基于機器學習的商圈樹構建方法及系統

在審

• 申請號: 202011610584.6
• 申請日: 2020-12-30
• 公開（公告）號: CN112766981A
• 公開（公告）日: 2021-05-07
• 發明（設計）人: 劉英;朱朝勇;張濤
• 申請（專利權）人: 國網英大國際控股集團有限公司
• 主分類號: G06Q30/00
• 分類號: G06Q30/00;G06Q30/02;G06F16/215;G06F16/2458;G06F16/28
• 代理公司: 北京集佳知識產權代理有限公司 11227
• 代理人: 錢娜

1.一種基于機器學習的商圈樹構建方法，其特征在于，包括：

收集未在冊供應商的數據；

基于數據倉庫技術對所述數據進行預處理，得到預處理后的數據；

基于所述預處理后的數據構建目標評估模型；

基于所述目標評估模型預測所述未在冊供應商與商圈樹中供應商的供需關系，當所述供需關系滿足預設條件時，將所述未在冊供應商加入商圈樹構建出新的商圈樹。

2.根據權利要求1所述的方法，其特征在于，所述基于數據倉庫技術對所述數據進行預處理，包括：

基于數據倉庫技術對所述數據中的缺失值和偏離值進行處理，以及對所述數據進行規范化和轉換處理。

3.根據權利要求2所述的方法，其特征在于，所述基于所述預處理后的數據構建評估模型，包括：

對所述預處理后的數據進行特征構建與特征選擇，得到所述預處理后的數據的顯著特征；

基于所述顯著特征將所述預處理后的數據分割為訓練數據、驗證數據和測試數據；

利用所述訓練數據進行算法訓練評估模型；

利用所述測試數據計算訓練生成的評估模型的最終準確率；

基于所述最終準確率，利用所述驗證數據對訓練生成的評估模型的參數進行調整，得到目標評估模型。

4.根據權利要求3所述的方法，其特征在于，所述對所述預處理后的數據進行特征構建與特征選擇，得到所述預處理后的數據的顯著特征，包括：

對所述預處理后的數據進行特征提取和數據降維處理，得到所述預處理后的數據的顯著特征。

5.根據權利要求4所述的方法，其特征在于，所述利用所述訓練數據進行算法訓練評估模型，包括：

利用所述訓練數據，采用決策樹、樸素貝葉斯和神經網絡算法訓練評估模型。

6.一種基于機器學習的商圈樹構建系統，其特征在于，包括：

收集模塊，用于收集未在冊供應商的數據；

預處理模塊，用于基于數據倉庫技術對所述數據進行預處理，得到預處理后的數據；

第一構建模塊，用于基于所述預處理后的數據構建目標評估模型；

第二構建模塊，用于基于所述目標評估模型預測所述未在冊供應商與商圈樹中供應商的供需關系，當所述供需關系滿足預設條件時，將所述未在冊供應商加入商圈樹構建出新的商圈樹。

7.根據權利要求6所述的系統，其特征在于，所述預處理模塊在執行基于數據倉庫技術對所述數據進行預處理，得到預處理后的數據時，具體用于：

基于數據倉庫技術對所述數據中的缺失值和偏離值進行處理，以及對所述數據進行規范化和轉換處理。

8.根據權利要求7所述的系統，其特征在于，所述第一構建模塊在執行基于所述預處理后的數據構建目標評估模型時，包括：

特征處理單元，用于對所述預處理后的數據進行特征構建與特征選擇，得到所述預處理后的數據的顯著特征；

數據分割單元，用于基于所述顯著特征將所述預處理后的數據分割為訓練數據、驗證數據和測試數據；

訓練單元，用于利用所述訓練數據進行算法訓練評估模型；

計算單元，用于利用所述測試數據計算訓練生成的評估模型的最終準確率；

參數調整單元，用于基于所述最終準確率，利用所述驗證數據對訓練生成的評估模型的參數進行調整，得到目標評估模型。

9.根據權利要求8所述的系統，其特征在于，所述特征處理單元在執行對所述預處理后的數據進行特征構建與特征選擇，得到所述預處理后的數據的顯著特征時，具體用于：

對所述預處理后的數據進行特征提取和數據降維處理，得到所述預處理后的數據的顯著特征。

10.根據權利要求9所述的系統，其特征在于，所述訓練單元在執行利用所述訓練數據進行算法訓練評估模型時，具體用于：

利用所述訓練數據，采用決策樹、樸素貝葉斯和神經網絡算法訓練評估模型。