技术新讯 > 计算推算,计数设备的制造及其应用技术 > 基于大数据和智能算法的市场趋势分析在投标设计中的应用的制作方法  >  正文

基于大数据和智能算法的市场趋势分析在投标设计中的应用的制作方法

  • 国知局
  • 2024-09-05 14:50:30

本发明涉及投标设计,尤其涉及基于大数据和智能算法的市场趋势分析在投标设计中的应用。

背景技术:

1、投标是指在招标过程中,潜在的供应商、承包商或服务提供者根据招标方的要求,在规定的时间内提交书面或电子化的报价和方案,以争取获得合同或订单的过程,投标过程是商品经济高度发展的产物,应用了技术、经济的方法和市场经济的竞争机制,是一种择优成交的方式,在进行投标设计过程中,现有技术中,通常是采用人工分析的方式对市场趋势以及竞争对手的投标策略进行分析,并根据其分析的结果,制定针对性的投标方案;

2、现有技术中采用人工分析的方式,劳动强度大,且分析时的全面性以及分析准确性不理想,从而影响投标成功率,不能满足使用需求,综合上述情况,因此我们提出了基于大数据和智能算法的市场趋势分析在投标设计中的应用。

技术实现思路

1、基于背景技术存在的技术问题,本发明提出了基于大数据和智能算法的市场趋势分析在投标设计中的应用。

2、本发明提出的基于大数据和智能算法的市场趋势分析在投标设计中的应用,包括以下步骤:

3、s1:收集相关的市场数据,包括市场需求、竞争情况、行业发展趋势和竞争对手信息等;

4、s2:对s1中收集到的数据进行数据清洗和处理,确保数据质量;

5、s3:利用大数据分析工具和智能算法对数据进行分析,揭示市场中的规律和趋势;

6、s4:基于s3中数据分析的结果,利用机器学习模型技术预测市场未来的发展走势;

7、s5:通过智能算法对竞争对手的动态和行位进行监测和分析,了解竞争对手的投标策略和举措;

8、s6:基于市场趋势分析和竞争情况监测的结果,优化企业的投标策略,制定针对性的投标方案。

9、优选地,所述s1中,收集相关的市场数据时,可采用从各类市场调研报告、行业数据统计等渠道获取数据,也可以通过网络爬虫的技术手段进行数据采集,在采用网络爬虫的技术手段进行数据采集时,采用从互联网上抓取信息,其网络爬虫技术的操作步骤如下:

10、s101:在beautifulsoup网络爬虫工具中设定需要抓取的竞争公司的数据类型、入口网址、抓取深度和抓取频率的规则,并根据设定的规则,编写网络爬虫程序,其程序中包括页面请求、数据解析、数据存储等功能;

11、s102:s101中编写好的网络爬虫程序,开始对竞争公司的数据源进行抓取,程序会按照设定的规则逐步访问网页,抓取数据并进行处理,并将抓取处理后的数据存储到数据库中。

12、优选地,所述s3的具体步骤如下:

13、s301:通过数据可视化工具对数据进行探索性分析,并绘制图表,通过图标展现数据的分布以及相关性特征,其相关性特征指不同市场指标或变量之间的关联程度,其分为正相关、负相关和无相关;

14、s302:对s301中的数据进行特征提取、转换和选择,选取最具代表性的特征用于建模分析,并采用特征缩放的技术优化数据特征,其提取的特征包括需求特征:投标项目的需求量、项目类型、项目规模;竞争对手特征:竞争对手的参与情况、投标胜率、定价水平等信息;投标历史特征:企业自身的投标历史、成功率、投标项目类型等信息;行业趋势特征:行业发展趋势、市场规模、政策变化等信息;成本特征:投标成本、预算限制、盈利预期等信息;

15、s303:选择神经网络机器学习算法进行数据建模,并采用回归算法进行模型训练和评估;

16、s304:通过交叉验证的方法评估模型的表现,并根据模型效果调整参数,提高模型的预测精度;

17、s305:评估建立的模型的质量,包括模型的准确性、精确度、召回率等指标,同时,对模型进行解释,了解模型对结果的影响,解释模型背后的规律和趋势;

18、s306:将数据模型应用到市场预测中,将采集的数据输入到数据模型中,输出市场的发展走势,其输出的结果包括市场是处于增长、下降还是波动状态,根据其输出的结果,揭示市场中的规律和趋势。

19、优选地,所述s4的具体步骤如下:

20、s401:将上述s306中分析的数据结果采用交叉验证划分为训练集和测试集,训练集用于训练机器学习模型,测试集用于评估模型的性能;

21、s402:选择支持向量机作为市场预测的机器学习模型,并利用上述s401中划分的训练集对选定的机器学习模型进行训练,学习数据之间的关系和模式;

22、s403:利用测试集对s402中训练好的模型采用均方误差评估指标进行评估,评估模型的泛化能力和预测准确度,其中均方误差评估指标进行评估时,采用的表达式为:其中mse为均方误差,n为数据分析结果的样本数量,yi为第i个观测值的真实值,为第i个观测值的预测值,通过计算每个样本的预测值与真实值的差值,对差值进行平方处理,然后求和,将总和除以样本数量n,得到均方误差mse,mse值越小,说明模型在预测上的准确性越高;

23、s404:根据评估结果采用交叉验证法对模型的超参数进行调优,将分析的数据结果输入到调优过的机器学习模型中,输出未来的市场走势的预测结果,其输出的结果可为市场将继续增长、趋于稳定或呈现下降趋势。

24、优选地,所述s5的具体步骤如下:

25、s501:通过文本挖掘技术,对s2中处理后的竞争对手的文本数据进行分析,提取关键词、短语,识别重要信息和关键信息,根据文本内容分析竞争对手的相关举措和投标策略;

26、s502:运用情感分析技术,对竞争对手的公开资料、新闻报道等进行情感分析,了解他们在公开信息中传递的情感和态度,从而推断其可能的投标策略;

27、s503:利用主题建模技术,探查竞争对手在不同话题或领域中的投标举措和策略,通过发现文本数据中的主题,理解竞争对手的投标重点和战略;

28、s504:对竞争对手在互联网上的活动和交流进行网络分析,了解其在社交媒体平台、行业论坛等平台上的参与和互动情况,推断其可能的投标策略;

29、s506:通过计量分析技术,对竞争对手的数据进行量化分析,可以比较不同竞争对手的投标案例数量、报价水平、中标率等指标,从数据中发现其潜在策略和对策;

30、s507:对竞争对手的数据进行时序分析,观察其投标举措和策略随时间的变化趋势,其采用自回归移动平均模型用于表示时间序列数据的线性关系,其表达式为:(x_t=c+\sum_{i=1}^{p}\phi_i x_{t-i}+\sum_{i=1}^{q}\theta_i\varepsilon_{t-i}+\varepsilon_t),其中(x_t)是时间序列数据,(\phi_i)和(\theta_i)是模型的参数,(\varepsilon_t)是误差项,c是常数项,p和q分别表示ar和ma模型的阶数;

31、s508:运用数据可视化工具,将分析结果以图表或图形的形式呈现,通过可视化展示,直观地了解竞争对手的投标策略和举措,发现潜在的模式和规律。

32、优选地,所述s101中,网络爬虫程序如下:

33、soup=beautifulsoup(response.text,'html.parser');

34、#查找目标数据,这里以抓取页面标题为例

35、title=soup.find('title').get_text()

36、#输出抓取的数据

37、print('页面标题:',title)

38、else:print('请求失败')。

39、优选地,所述s2中,对数据进行清洗和处理时,用于处理缺失值、重复值、异常值等问题,另外需要对数据进行标准化、归一化等处理,将数据整理成可分析的格式,为后续分析做准备。

40、优选地,所述s303中,采用回归算法进行模型训练和评估时,使用的数学表达式为:y=\beta_0+\beta_1x_1+\beta_2x_2+\ldots+\beta_n x_n+\varepsilon],其中(x_1,x_2,\ldots,x_n)表示多个自变量,(\beta_0,\beta_1,\beta_2,\ldots,\beta_n)分别是每个自变量对应的系数,(\varepsilon)是误差项,这个模型描述了因变量(y)与多个自变量间线性关系的复杂形式,在模型训练过程中,通过最小二乘法等方法,求解出最佳的参数(\beta_0,\beta_1,\ldots)来使得预测值尽可能拟合观测值。

41、与现有的技术相比,本发明的有益效果是:

42、本发明通过采用大数据和智能算法对市场趋势以及竞争对手的数据进行分析,可以帮助企业了解市场需求和竞争情况,通过分析市场数据,可以识别出潜在的市场机会和挑战,及时了解竞争对手的投标策略和举措,还可以预测市场发展的走势,从而为企业精准定位目标市场和目标客户,指导企业制定相应的投标方案,降低投标风险,提高投标成功率。

本文地址:https://www.jishuxx.com/zhuanli/20240905/288385.html

版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容, 请发送邮件至 YYfuon@163.com 举报,一经查实,本站将立刻删除。