2017第十屆挑戰(zhàn)賽優(yōu)秀特等獎(jiǎng)1087c

編號(hào)專用頁參賽隊(duì)伍的參賽隊(duì)號(hào)：（請(qǐng)各個(gè)參賽隊(duì)提前填寫好競(jìng)賽統(tǒng)一編號(hào)（由競(jìng)賽送至評(píng)委團(tuán)前編號(hào)競(jìng)賽評(píng)閱編號(hào)（由競(jìng)賽評(píng)委團(tuán)評(píng)閱前進(jìn)行編號(hào)數(shù)學(xué)建模網(wǎng)絡(luò)賽第一階段 移動(dòng)端考研產(chǎn)品的春天真的來了關(guān)鍵 數(shù)據(jù)挖掘利潤最大化定價(jià)模型TSA-BP神經(jīng)網(wǎng)絡(luò)變權(quán)層次分析 要1，數(shù)據(jù)挖掘RFM模型并用該模平均每日考研復(fù)習(xí)時(shí)間、平均每日PC端復(fù)習(xí)時(shí)間、備考期長度、所在城市和考研次數(shù)。最對(duì)于問題2，本文首先建立了利潤最大化的定價(jià)模型。通過綜合考慮各類移動(dòng)端考/題庫/練習(xí)類產(chǎn)品116.9元/賬號(hào)單詞/詞典類產(chǎn)品58元/賬號(hào)考點(diǎn)類產(chǎn)品55.45/賬號(hào)。然后，基于TSABP神經(jīng)網(wǎng)絡(luò)，帶入2016年1月-2016年12月移動(dòng)端考研學(xué)習(xí)產(chǎn)品的市場(chǎng)占有率數(shù)據(jù)，并預(yù)測(cè)了其2017年1月-2017年7月的市場(chǎng)占有率，即從23.9360%持續(xù)增長到25.6048%。對(duì)于問題3，首先，本文以為研究城市，評(píng)價(jià)多因子與可行性之間的關(guān)系，建立了變權(quán)層次分析模型。接著，從家庭經(jīng)濟(jì)、考研政策、考研資源等九個(gè)角度，對(duì)線下考PC端考研教育和線上移動(dòng)端考研教育的可行性進(jìn)行了對(duì)比分析。從而得本文的優(yōu)點(diǎn)在于充分發(fā)揮EXCEL、SPSS、對(duì)不同數(shù)據(jù)處理的優(yōu)勢(shì)，能夠RFM模型、傳統(tǒng)定關(guān)鍵字RFM參賽隊(duì)號(hào):

所選題目 TSABP英要（選填I(lǐng)nthispaper,wehaveyzedthedevelopmentofproductsforgraduateenrollment-examination.Firstofall,accordingtothestatisticsofthequestionnairesandusingdatamining,wefigureoutthemainfactorsthatwouldhaveanimpactonthedevelopmentofproductsforgraduate-enrollmentexamination.Then,weestablishprofit pricingmodelandthenestimatethereasonablepricesforeachkindofproductsonthephone.Basedonthepriceranges,wealsovaluetheirpotentialmarketsharesusingTSAnetwork.Atlast,wechooseNanjingasourtargetcityandusevariableweightytichierarchyprocesstocalculatethefeasibilityofproductsforgraduate-enrollmentexamination.Consideringquestion1,wemainlyuseamethodcalleddatamining.Firstly,wemakesomeimprovementsonthepresentRFMmodeltoclassifytheusersintothreegroups.Andthen,byusinguserattributereductiontocalculateinformationgainrate,wefigureoutthethreemainfactorsthatinfluencetheusageofproductsforgraduateenrollmentexaminationandtheresultsareaveragedailyreviewtime,averagedailyreviewtimeforgraduateenrollmentexam,averagedailyPCreviewtime,timespanforexaminationpreparation,citythecandidatessituatedinandthetimefortheexampreparationtheinfluencethedevelopmentofthiskindofproducts.Intheend,weusedecisiontreetoevaluatethestatedmodeltoverifyitsaccuracy.Consideringquestion2,firstofall,weestablishaprofit-izingpricingmodel.Takingthecostsofvarioustypesofgraduate-enrollmentexamproductsandthedemandsforeachproductof10000surveyintoaccount,weputthemintothepricingmodel.Thepricesofeachtypeproductareasfollows:recordingcourseproductsare5.93yuan/class,livecourseproductsis17.25yuan/class,exam/practiceproductsare116.9yuan/account,word/dictionaryproductsare58yuan/account,testgistproductsare55.45Yuan/account.Then,basedontheTSABPneuralnetwork,wemeasurethemarketsharedatafromJanuary2016toDecember2016andwepredictitsmarketsharefromJanuary2017toJuly2017,whichisfrom23.9360%continuinglygrowingto25.6048%.Consideringquestion3,firstofall,weselectNanjingastheresearchcitytoevaluatetherelationshipbetweenmulti-factorandfeasibilityandestablishthevariableweightytichierarchymodel.Then,fromnineincludingfamilyeconomy,entranceexamination,entranceexaminationresourcesandsoon,wecompareandyzethefeasibilityofoff-lineundergraduateeducation,on-linePCeducationandon-lineeducation.Asaresult,wegetthefeasibilityofthecurrentdevelopmentoftheproductsandgiverationalproposalstoimproveitsfeasibility.Themeritsofthispaperaretomakefulluseof EXCEL,SPSSandconsideringtheirownadvantagesforprocessingdifferentkindsofdataandthencompletethedataprocessingatahighspeedandaccuracy.Combiningdatacharacteristics,weimprovetheexistingRFMmodel,thetraditionalpricingmodelandthelevel ysismodeltomakeiteasiertooperateandpromote.:RFM DecisionTree izationPricingTSABPNeuralNetworkVariableWeightyticHierarchy一、問題重2017年的招生考試共有201萬人報(bào)名參加，比去年增加了24萬名考生，增加13.56%。近年來，隨著社會(huì)考研熱情的逐年增長，考研教學(xué)和培訓(xùn)市場(chǎng)學(xué)app，題庫，單詞本，錯(cuò)題本或依托于現(xiàn)有移動(dòng)端 端產(chǎn)品的使用人數(shù)較PC端更高，使用時(shí)長更長。國內(nèi)某知名 動(dòng)端考研產(chǎn)品的市場(chǎng)占有率和發(fā)展趨勢(shì)，開展了網(wǎng)上問卷，并從中隨機(jī)抽取出二、問題分對(duì)于問題1：根據(jù)問卷中的數(shù)據(jù)進(jìn)行數(shù)據(jù)挖掘，對(duì)現(xiàn)有的RFM模型了進(jìn)行修改，重新定義了衡量用戶價(jià)值的三個(gè)指標(biāo)并最終將用戶分成三類。通過JAVA語言實(shí)對(duì)于問題2：的各類移動(dòng)端考研產(chǎn)品的成本值和10000份問卷中每對(duì)于問題3，以為研究城市進(jìn)行了相關(guān)，利用變權(quán)層次分析模型建立了移三、基本假設(shè)與符號(hào)說四、模型的建立與求解符 含n,pxs

樣本容量，樣本的類j類的樣本的標(biāo)準(zhǔn)j類的樣本的平均j類的樣本（i1,2,nj1,2,p 每日移動(dòng)端學(xué)習(xí)時(shí)間 傾向的學(xué)習(xí)方式 獲得考研資訊的途徑 價(jià) 利 最大學(xué)習(xí)次數(shù)的循環(huán)控制變 學(xué)習(xí)精問題一：影響移動(dòng)端考研產(chǎn)品發(fā)展的主要因素---數(shù)據(jù)挖掘技術(shù)RFM將Arthur和HughesRFM模型進(jìn)行修改[2]，重新定義了衡量用戶價(jià)值的三個(gè)RoutineRFM來分析用戶行為，對(duì)用戶進(jìn)行分類，識(shí)別目標(biāo)用戶，衡量用戶的內(nèi)在PAMRFM數(shù)據(jù)標(biāo)PAM聚成三類，最后根據(jù)三類的特征，將用戶RFM進(jìn)行標(biāo)準(zhǔn)化處理，即先將數(shù)據(jù)中心化，再除以標(biāo)準(zhǔn)差。數(shù)據(jù)標(biāo)準(zhǔn)化的如下：x'xijxj

i1,2,,n;j1,2,, j 1xj j1,2,, 2Sj2

n1

ijXj.RFM通過RFM模型中時(shí)長、傾向和途徑的值，來確定當(dāng)前的客戶等級(jí)，每個(gè)類別的RFM平均值和總RFM的平均值進(jìn)行比較，如果單個(gè)類別的RFM均值大于或等于總RFM均值，用一個(gè)向上的箭頭標(biāo)記，記為“記為“一個(gè)劃分的結(jié)果就有兩個(gè)，RFM三個(gè)劃分的可能性總共為8個(gè)，可以將用戶劃分為8個(gè)類型：1：RFM：這類用戶每日使用移動(dòng)端考研產(chǎn)品的時(shí)間長，且更傾向于用移2：RFM：這類用戶每日使用移動(dòng)端考研產(chǎn)品的時(shí)間長，且更傾向于用移類型3：RFM：這類用戶每日使用移動(dòng)端考研產(chǎn)品的時(shí)間長，且地通過線4：RFM：這類用戶每日使用移動(dòng)端考研產(chǎn)品的時(shí)間長，但更傾向于用非5：RFM：這類用戶每日使用移動(dòng)端考研產(chǎn)品的時(shí)間短，但更傾向于使用6：RFM：這類用戶每日使用移動(dòng)端考研產(chǎn)品的時(shí)間短，更傾向于使用非7：RFM：這類用戶每日使用移動(dòng)端考研產(chǎn)品的時(shí)間短，且通過線下方式8：RFM：這類用戶每日使用移動(dòng)端考研產(chǎn)品的時(shí)間短，且通過線下方式礎(chǔ)，如表1所示。符 RFM劃 客戶類1R↑F↑M重要保持客2R↑F↑重要發(fā)展客3R↑F↓M一般重要用4R↑F↓M重要發(fā)展用 R↓F↑M R↓F↓M R↓F↑M R↓F↓M

長度、備考地點(diǎn)、每日備考時(shí)間、傾向備考、每日PC端學(xué)習(xí)時(shí)間、每日移動(dòng)端學(xué)的特點(diǎn)、備考地點(diǎn)、PC端的學(xué)習(xí)產(chǎn)品、移動(dòng)端的學(xué)習(xí)產(chǎn)品、移動(dòng)端考研類產(chǎn)品相較于進(jìn)行了刪除。因此，本文用于數(shù)據(jù)分析的問卷的數(shù)量是9918對(duì)問卷進(jìn)行整理。對(duì)單選題的選項(xiàng)用數(shù)字表示，對(duì)于多選題，問卷是比較難0/1轉(zhuǎn)化后的屬性如下：序號(hào)、、、城市、考研次數(shù)、考研原因、考研種類、信息 下輔導(dǎo)班類型、備考期長度、備考地點(diǎn)、每天學(xué)習(xí)時(shí)間、傾向?qū)W習(xí)方式、每日平均PC人數(shù)增長趨勢(shì)、移動(dòng)端相比PC端優(yōu)勢(shì)、對(duì)移動(dòng)端產(chǎn)品的期待，共24個(gè)。2RFM R（時(shí)長 0- 1- 2- 3- F（傾向）線下線上PC 線上移動(dòng) — —）M（）

線上— — —量單位對(duì)聚類結(jié)果產(chǎn)生不合理的影先對(duì)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，即將數(shù)據(jù)中心化，除以標(biāo)準(zhǔn)差。再確定聚類中心的個(gè)數(shù)為3個(gè)。采用R語言實(shí)現(xiàn)PAM算法。用戶[4]，如表33均 數(shù) 時(shí)長（R）傾向（F）途徑 比較結(jié) 客戶級(jí)屬性約簡?？鐚I(yè)、是否屬于跨校本專業(yè)、是否屬于跨?？鐚I(yè)、是否通過線下了解備考資訊、是否通過線上了解備考咨詢、是否通過線下學(xué)長介紹、是否通過線下館查閱資料、是否通過線下講座、是否查閱線上考研講座、是否使用線上考研APP、是學(xué)習(xí)時(shí)長、使用PC端學(xué)習(xí)產(chǎn)品、平均每天移動(dòng)端考研學(xué)習(xí)時(shí)長、是否傾向錄播課程、是否傾向課程、是否傾向題庫/練習(xí)類產(chǎn)品、是否傾向單詞/詞典類產(chǎn)品、是否傾向PCa1,a2,a3,a4,a5,a6,a7,a8,a9,a10,a11,a12,a13,a14,a15a31,a32,a33,a34,a35,a36,a37,a38,a39,a40,a41,a42,a43,a44決策屬性為顧客類別，定義為Db，該決策表S是一個(gè)單一的決策表核集和約簡Java實(shí)現(xiàn)基于依賴度的改進(jìn)的決策表屬性約簡算法，通過計(jì)算，可以得到，每一個(gè)屬性的正POSCD，所以核集為集。且得到的約簡集為：RedC,Da3,a4,a25,a29,a33,a35即得到的約簡屬性為所在城市、考研次數(shù)、備考期、平均每日學(xué)習(xí)時(shí)長、平均每日決策樹模型的構(gòu)建

4

類 取 取值說 所在城 輸 考研次 輸 考研備考 輸 每日備考時(shí) 輸 每日PC端 考研學(xué)習(xí)時(shí) 每日移動(dòng) 終端學(xué)習(xí)

個(gè)月、12個(gè)月以上小時(shí)、12小時(shí)以上0-1小時(shí)、1-2小時(shí)、2-3小時(shí)、3小時(shí)以上0-1小時(shí)、1-2小時(shí)、2-3小時(shí)、3小時(shí)以上 顧客類 輸 離散 表 占用總樣 訓(xùn)練 測(cè)試 通過ID3算法和C4.5算法：訓(xùn)練集為D，它的屬性集合為A，|D|為樣本容量，樣本有kK類Ck，k1,2,K，|Ck|為樣本個(gè)數(shù)，且 |Ck||D|。設(shè)特征A有n個(gè)不同的取ka1a2anA的值，將D劃分n個(gè)子D1D2，Dn|Di|Di的樣本數(shù)，n|Di||D|。記子Di中屬于類Ck的樣本集合DikDikDiCk，|Dik|Dik的4-1：數(shù)據(jù)DH||Ck|kHD-|k

|Ck2|D定義4-2：特征A對(duì)數(shù)據(jù)D的條件經(jīng)驗(yàn)HD||D K|DHD|An

iHD

|Di

iklog|Dik

i1|D i1|D|k1|Di 2|DigainD,AHDHD|

|Dj|log2|DjA

j1|D |DAgain_ratioAsplit_infA

gainratio 對(duì)訓(xùn)練集采用SPSS Clementine構(gòu)建原始的決策樹模型，得到一棵多叉樹。并R分類情況，如表7、表8所示。7預(yù)測(cè)類

總 正確 錯(cuò)誤AABC0總8預(yù)測(cè)類

總 正確 錯(cuò)誤AABC總他們的影響程度從高到底。結(jié)果如表9示：9影響因素123456問題二（1）：估計(jì)移動(dòng)端考研產(chǎn)品的價(jià)利益最大化模型的建立設(shè)市場(chǎng)中企業(yè)的需求函數(shù)為QQP，Q為需求量，P為價(jià)企業(yè)的總成本為TC利潤為，同時(shí)引入需求量價(jià)格彈性dQP、總收益TRPQ、邊際收益MRdTRdP dPQ 1MR MRdQQPP1dQPP1E

d11，則 PMC 1。令m PMC11，則 PC1mIc代表了生產(chǎn)方的成本情況，m定價(jià)模型克服了傳統(tǒng)的成本加成法和需求導(dǎo)向法的缺路，反映了定價(jià)的兩條最基本原則：考慮消費(fèi)者對(duì)價(jià)格的敏感度和考慮成本，是在企業(yè)利潤最大化條件下的定價(jià)模具體問題的分析10移動(dòng)端考研產(chǎn)品成本表515表11問 結(jié)12移動(dòng)端各類考研產(chǎn)品價(jià)目表需求量55需求量需求量需求量需求量根據(jù)我們上面的定價(jià)模型，要計(jì)算出m和MC13移動(dòng)端各項(xiàng)考研產(chǎn)品定價(jià)表EdQ dPm EdPMC1考點(diǎn)類產(chǎn)品（元/賬號(hào)問題二（2）：預(yù)測(cè)考研端產(chǎn)品的潛在市場(chǎng)占有率--基于TSABP神經(jīng)網(wǎng)時(shí)間序列分析模型ARMA模型[8]結(jié)構(gòu)可通過方程Y

m iti jtj j1Y在t時(shí)刻的觀察值，ii1,2,n為自回歸系數(shù)，jj1,2,m為滑動(dòng)平均系數(shù)，at為殘差項(xiàng)，n為自回歸階數(shù)，m為滑動(dòng)平均階數(shù)。式1是一個(gè)具有n階自回歸部分，m階滑動(dòng)平均部分ARMA模型，故YtARMA時(shí)序ARMA過程可以看出，式1將Yt 分解成確定性部分與隨機(jī)性部分，確定性部分為iYtijatj。因?yàn)閠 jYt1,Yt2,,均是已經(jīng)確定ARMA模型是時(shí)間序列分析中一種最基本、應(yīng)用最廣的模型，其模型結(jié)構(gòu)可通過的觀察值，盡管at是隨機(jī)干擾序列，是不可測(cè)的，但是t時(shí)刻以前所有的at1,at2,,都已經(jīng)發(fā)生，因而該部分是確定的；Yt的隨機(jī)部分由不可觀察的隨機(jī)干擾at來確定。m,n的不同取值組成了ARMA的龐大體系；當(dāng)m,n取較大值時(shí)，求解會(huì)有困難。本文中采用BP神經(jīng)網(wǎng)絡(luò)來進(jìn)行TSA建模[9]。預(yù)測(cè)模型原理的競(jìng)爭(zhēng)結(jié)果，它必然與以前時(shí)刻的產(chǎn)品競(jìng)爭(zhēng)結(jié)果有關(guān)。設(shè)Yt為在t時(shí)刻，某一個(gè)區(qū)域市依次類推，可以得到Y(jié)tTSAYt1t1,2,,N。按式（2）構(gòu)造BP神經(jīng)網(wǎng)絡(luò)模型，即以Yt1Yt作為輸出模式，將時(shí)間序列Y0Y1,,YNN個(gè)樣本對(duì)：Y0Y1Y1,Y2,YN1YN，提供BP網(wǎng)絡(luò)學(xué)習(xí)，使之逐漸近TSA，從而BP網(wǎng)絡(luò)掌由于Y0Y1YNN1個(gè)數(shù)據(jù)，按Yt1,YtN個(gè)樣本BP網(wǎng)絡(luò)模型進(jìn)BP網(wǎng)將信息凝聚在權(quán)空間W上，權(quán)空間W上的元素取代ARMA模型中的i,jatBP神經(jīng)網(wǎng)絡(luò)模型的學(xué)習(xí)預(yù)測(cè)模型的結(jié)構(gòu)和算法1模型結(jié)構(gòu)出模式還原）組成（圖1。wij,vjk分別為不同層次的連接權(quán)。網(wǎng)絡(luò)隱層的學(xué)習(xí)函數(shù)采Sigmoid函數(shù)，輸出層的學(xué)習(xí)函數(shù)采用線性函數(shù)fxx，網(wǎng)絡(luò)輸入層的神經(jīng)元個(gè)數(shù)n即為向量Yt的維數(shù)，也是本文研究的既定市場(chǎng)上主要競(jìng)爭(zhēng)企業(yè)的個(gè)數(shù)，輸出層的神經(jīng)元個(gè)數(shù)為m。顯然，本模型中n與m相等。隱層的神經(jīng)元個(gè)數(shù)l由輸入層神經(jīng)元個(gè)數(shù)n與輸出層神經(jīng)元個(gè)數(shù)ml3nm12/23n/2；設(shè)輸出層到隱層的連接權(quán)為wij，隱層到輸出層的連接權(quán)為vjkj為隱層的閾值，k為輸出層的閾值。其中i1,2,nj1,2,lk1,2,m

'xx'。x代表tXY,Y|t1,2,N，其中Yt 1 22對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，將原輸入數(shù)據(jù)等比例壓縮到-1,1 選取一個(gè)輸入模式Y(jié)xx',

進(jìn)行循環(huán)；計(jì)算隱層輸入值s esje sjwijxij,bjesjesj,Lkvjkbjk,Ck jk計(jì)算輸出層誤差dtk k et。dtYtCk,etdtv k 4計(jì)算各個(gè)樣本的誤差總和E，并判斷E是否滿足精度要求，若E小于精度值，則學(xué)習(xí)停止，轉(zhuǎn)8）；否則，按式（4.5）修正連接權(quán)值和閾值，并返回4。式(4.5p為最大學(xué)習(xí)次數(shù)的循環(huán)控制變量，，，是在0,1區(qū)間的系數(shù)，統(tǒng)稱為84利用網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)（已知Yt1來預(yù)測(cè)Yt預(yù)測(cè)模型的應(yīng)用PC2下學(xué)習(xí)市場(chǎng)占有率函線7偏相關(guān)函142016-2016-2016-2016-2016-2016-2016-2016-2016-2016-2016-2016-152017-2017-2017-2017-2017-2017-2017-從表格中我們可以得知，文提到的合理的定價(jià)方式下，即錄播課程類產(chǎn)品價(jià)格為5.93元/、課程類產(chǎn)品為17.25元/、題庫/練習(xí)類產(chǎn)品為116.9元/賬號(hào)、單詞/詞典類產(chǎn)品為58元/賬號(hào)、考點(diǎn)類產(chǎn)品為55.45元/賬號(hào)時(shí)，利用TSA-BP神2016.01-2016.12PC問題三：評(píng)價(jià)移動(dòng)端產(chǎn)品可行性—變權(quán)層次分析法模型分析和建立為克服傳統(tǒng)層次分析法[1因采用固定不變的權(quán)重體系以及在此基礎(chǔ)上不因方案變化為變化的符合排序方法而復(fù)雜系統(tǒng)非線性、涌現(xiàn)性等本質(zhì)特征的缺陷，我們借鑒了現(xiàn)有多標(biāo)變權(quán)決策方案的思想，通過構(gòu)建評(píng)價(jià)問題的新分析結(jié)構(gòu)和方案評(píng)價(jià)的價(jià)給了選序權(quán)P實(shí)現(xiàn)方法，構(gòu)建了如圖所示的復(fù)雜評(píng)價(jià)問題HPG1,gM表示的是分目標(biāo)集中的Mc1cH、s1sN、a1aRH、N、R個(gè)因素。與固AHP的分析結(jié)果相比，新分析結(jié)構(gòu)有如下兩方面的不同：其一，因素集（方案集合P的還原論分析思之間的相對(duì)重要性，最后將各因素局部權(quán)重進(jìn)行簡單還原綜合（即認(rèn)為整體為部分之和；與此相對(duì)應(yīng)，新分析結(jié)構(gòu)在系統(tǒng)分解的基礎(chǔ)上，依據(jù)整體論系統(tǒng)思維認(rèn)為，下層88品評(píng)價(jià)的分析結(jié)方案優(yōu)選排序的變權(quán)AHP實(shí)現(xiàn)步運(yùn)用變權(quán)AHP進(jìn)行方案優(yōu)選排序，可以按如下7個(gè)步驟進(jìn)行：步驟1建立如圖所示的復(fù)雜評(píng)價(jià)問題的新分析結(jié)構(gòu)。步驟2分析結(jié)構(gòu)下方案評(píng)價(jià)的價(jià)值體系是對(duì)應(yīng)圖中個(gè)系統(tǒng)因素（不包括方案和總目標(biāo)）水平狀態(tài)的一組效用偏好值（價(jià)值。其構(gòu)建方法為：請(qǐng)E位專家共同對(duì)圖中因素集（不包括方案和總目標(biāo)）中各個(gè)因素的各個(gè)狀態(tài)進(jìn)行偏好判斷，并予以介于0-100的效用偏（1）步驟3令r1步驟4ar（）各水平狀態(tài)的概論（相當(dāng)于理論性質(zhì)函數(shù)或概論）并計(jì)算出ar上的期根據(jù)圖中分析結(jié)構(gòu)和層次屬性，可以將概論劃分為指標(biāo)集中因素各水平狀態(tài)指標(biāo)集中因素各狀態(tài)概論及各因素期望價(jià)值的確定結(jié)合圖中方案對(duì)指標(biāo)的影響關(guān)系，針對(duì)任意一個(gè)方案arr1,2,,R，邀E位專家分別判斷出方案ar在指標(biāo)s1上所處的水平狀態(tài)。如果認(rèn)為ars1上處于狀態(tài)L11，，L1N1，的專家數(shù)分別為Es1,,Es1 ，那么a在s處于狀態(tài)L 概論ps1,,ps1分別為 1N1Es1E,Es1 E類似地，可以邀請(qǐng)專家判斷出方案a處于指標(biāo)s,s 態(tài) 概論。若在方案評(píng)價(jià)的價(jià)值體系中指標(biāo)s1各狀態(tài)L11，L1N1 概論分別Es1E,Es1ps1,,ps1 E。類似地，可以邀請(qǐng)專家判斷出方案a 1N1 標(biāo)s2,sN相應(yīng)水平狀態(tài) 概論。若在方案評(píng)價(jià)的價(jià)值體系中指標(biāo)s1各狀態(tài)L 的價(jià)值為us1,,us1，則方案a在s狀態(tài)上的期望價(jià)值計(jì)算為s

ss

Ur

p1u

n1

1n1,r類似地，可以計(jì)算出方案a在指標(biāo)s,s狀態(tài)上的期望價(jià)值Us2,,UsN 針對(duì)任意一個(gè)方案ar，請(qǐng)E位專家分別基于對(duì)c1影響的指標(biāo)（即s1、s2）的期望水狀態(tài)或期望狀態(tài)區(qū)間，應(yīng)用全景法判斷出ar在c1上所處的水平狀態(tài)。若認(rèn)為ar在c1上處于狀態(tài)L，，L的專家人數(shù)分別為Ec1,,Ec1 ，則方案a在c上處于狀 L 概論pc1,,pc1分別為Ec1/E,, /E。類似地，可以邀請(qǐng) 1H1 1H1家判斷出方案ar處于準(zhǔn)則c2,,cH相應(yīng)水平狀態(tài)的概論arc1,cH Uc1,,UcH 步驟5令rr1若rR（R為待評(píng)價(jià)方案?jìng)€(gè)數(shù)）4,；若rR6步驟6邀請(qǐng)專家按照擺幅置權(quán)

weightingSW方法確定分目標(biāo)g1,g2, 方案是在每一個(gè)分目標(biāo)上都是狀態(tài)，記作方案L 另一個(gè)假設(shè)方 是在每一個(gè)分目標(biāo)上都是最好狀態(tài)，記作最好方 ，

請(qǐng)專家從M個(gè)分目標(biāo)中挑選出一個(gè)最有希望首先改進(jìn)方案的分目標(biāo)（設(shè)該目標(biāo) 當(dāng)于ug

g的初步權(quán)重 重。最后，對(duì)上述初步權(quán)重進(jìn)行規(guī)一化，得出分目標(biāo)g1,,gM的規(guī)一化權(quán)重向量步驟7計(jì)算出方案a1,aR的相對(duì)總效用偏好評(píng)價(jià)排序值U1,,UR并依據(jù)設(shè) 為在分目標(biāo)g1,, 上的狀態(tài)效用變化（ug1ug1,ugMugM） M UgM ar1,2,UgM 'Ur'U

g1

ug1

r M另外，由sw相對(duì)重要性權(quán)重內(nèi)涵可知2ug2ug2 211 211

M M

11ugug11

1 1 令ug1ug1/顯然0，則由式（4）和式（5）可知如下表達(dá)式成立。1 Ug1ug1 Ug2ug2 UgMugM U' 1G1 2G2 M,GM ug1ug1 ug2ug2 ugMugM M M M 在式（6）中，由于的取值不影響U',,U'之間的排序，因此可定義方案a 對(duì)總效用偏好評(píng)價(jià)排序值（即相對(duì)效用）Ur(4.9)方法的變權(quán)機(jī)理設(shè)任意方案ar在各指標(biāo)上的取值狀態(tài)向量為Yy1yNAHP中的因素權(quán)重可逐層分解到底層指標(biāo)，因AHP合排序可知，方案Yy1,,yN的綜合評(píng) (4.10) l1 其中，,,y,y的復(fù)合排序權(quán)重，N1，uy的單調(diào)性效用y1,yN被視作連續(xù)變量，V在y1, l1 由式（2）可知，Ur表示的是方案ar的相對(duì)效用，因此它與V之間存在一個(gè)正的比例系

Ur 的函數(shù)，從而有l(wèi)Flu1,uNFl表示的是l與u1,uN之間的函數(shù)關(guān)系。而ul又是因素yl的函數(shù)，即ululyl，這樣由式（5）可知：lFlu1y1,uNyN該式表明y1,yNyl的權(quán)重l也是隨著變化的，即如下式（6）所示(4.15)上式（4.15）為l相對(duì)于方案Yy1yNyl的權(quán)重l并不只依賴yl的變化而變化，而是依賴于所有因素y1,yN取值組合的變化而變化的，即一產(chǎn)品類型（視作a1a2,a3）和八位風(fēng)險(xiǎn)評(píng)價(jià)專家；對(duì)于該評(píng)價(jià)問題，建立了如圖所在圖8中，總目標(biāo)為移動(dòng)端考研產(chǎn)品的可行性，評(píng)價(jià)分目標(biāo)為經(jīng)濟(jì)可行性g1、社可行性 和考研教育可行性 ，影響經(jīng)濟(jì)可行性的指標(biāo)因素包括地區(qū)經(jīng)濟(jì)因C11、家庭經(jīng)濟(jì)因素C12，反映社會(huì)可行性的指標(biāo)因素 校質(zhì)量因素C21、教水平因素 ，反映考研教育可行性的指標(biāo)因素包括考研教育理念因素 和考研向因素C32 運(yùn)用前文給出的步驟方法，首先選定八位專家都熟悉的某一類考研產(chǎn)品投狀態(tài)級(jí)別劃分。然后，請(qǐng)專家判斷出各方案在各指標(biāo)上所處的狀態(tài)，從而得出了a1,a2,a3在各指標(biāo)上各個(gè)狀態(tài)的概率；根據(jù)a1,a2,a3在各指標(biāo)上各狀態(tài)的概論及價(jià)值體標(biāo)狀態(tài)上的期望價(jià)值，在此對(duì)對(duì)g1,g2上各個(gè)狀態(tài)的概論；由各產(chǎn)品在g1,g2狀態(tài)上的期望價(jià)值計(jì)算出了各產(chǎn)品在g1,g2狀態(tài)上的期望價(jià)值。最后，請(qǐng)專家按照sw的方法確態(tài)的價(jià)值及各案在g1和g2狀態(tài)上的期望價(jià)值（利用式（2，求出了各方案的相對(duì)總16000L12L12L12L13L13L13u11u11u11u12u12u12u13u13u13000L21L21L21L22L22L22L23L23L23u21u21u21u22u22u22u23u23u23000L31L31L31L32L32L32L33L33L33u31u31u31u32u32u32u33u33u3300017Uc11rUc12rUc13rUc21rUc22rUc23rUc31rUc32rUc33r表18產(chǎn)品在指標(biāo)與分目標(biāo)上的概0Ug1rUg2rUg3r依據(jù)表4第5列數(shù)據(jù)可知，方案的優(yōu)劣次序依次為a2a1a3，即就現(xiàn)在的市PC端 在上述實(shí)例應(yīng)用過程中，無論是劃分因素的水平還是確定概論，均沒有遇到方

五、模型的評(píng)價(jià)與推變權(quán)層次分析法可以克服傳統(tǒng)層次分析法因采用固定不變的權(quán)重體系以及在此基礎(chǔ)上不因方案變化為變化的符合排序方法而復(fù)雜系統(tǒng)非線性、涌現(xiàn)性等本質(zhì)特征g1g2,gM六、參考文[1],.基于神經(jīng)網(wǎng)絡(luò)的管理信息系統(tǒng)綜合評(píng)價(jià)方法[J].系統(tǒng)工程學(xué)報(bào),2002,17(5):445-450.研究[J].機(jī)電高等?？茖W(xué)校學(xué)報(bào),2003,11(1):61-63.2010,26(11):80-83.[4].市場(chǎng)占有率預(yù)測(cè)——基于馬爾可夫鏈的研究[J].商場(chǎng)現(xiàn)代化,[J].中國學(xué)報(bào),2000,5(6):29-[6],.基于聯(lián)合分析的新產(chǎn)品市場(chǎng)占有率預(yù)測(cè)——學(xué)生筆記本電腦市場(chǎng)的實(shí)證分析[J].技術(shù)經(jīng)濟(jì),2007,26(4):44-47.[7],,屈瓊斐.基于數(shù)據(jù)挖掘的學(xué)生投入模型與學(xué)習(xí)分析[J].教育,2015(1):39-47.,朱家明,劉弘揚(yáng).基于數(shù)據(jù)挖掘下的銷售額影響因素 策略的計(jì)量析[J].邢臺(tái)學(xué)院學(xué)報(bào),2015(1):89-.用數(shù)據(jù)挖掘方法分析學(xué)生成績的影響因素[J].電腦編程技巧 2014(19):60-.基于數(shù)據(jù)挖掘的網(wǎng)絡(luò)團(tuán)購顧客行為模式分析研究[D].杭州電子技大學(xué),2016.,好,.變權(quán)層次分析法[C]//青年管理科學(xué)與系統(tǒng)科學(xué)學(xué)術(shù)會(huì)議.2007.,李家銘,,等.層次分析法權(quán)重計(jì)算方法分析及其應(yīng)用研究[J].數(shù)學(xué)的實(shí)踐與認(rèn)識(shí),2012,42(7):93-100.七、附中應(yīng)用利用TSA-BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)%fori=1:n-laginputs(:,i)=iinput(i:i+lag-hiddenLayerSize10;%隱藏層神經(jīng)元個(gè)net=避免過擬合，劃分訓(xùn)練，測(cè)試和驗(yàn)證數(shù)據(jù)的比例net.divideParam.trainRatio=70/100;net.divideParam.valRatio=15/100;net.divideParam.testRatio=15/100;%訓(xùn)練網(wǎng)[net,tr]=%%figure %繪制誤差的自相關(guān)情況figure %繪制偏相關(guān)情 %Ljung－BoxQ檢驗(yàn) %看預(yù)測(cè)的趨勢(shì)與原趨%figure %誤差直方%figure %誤差下降 %預(yù)測(cè)輸 多步預(yù)測(cè)時(shí)，用下面的循環(huán)將網(wǎng)絡(luò)輸出重新輸for%R語言代碼：決策樹data_train<-audit2[sub,]#3/4的數(shù)據(jù)做訓(xùn)練集data_test<-audit2[-sub,]#1/4的數(shù)據(jù)做測(cè)試集dim(data_test)#測(cè)試集的行數(shù)和列數(shù)table(data_train$是否轉(zhuǎn)化)#看該列分布的Java語言代碼：決策樹Cluster類：packagecom.kmeds;publicclassCluster{privateStringclusterName;//privateMedmed;//類簇的質(zhì)//publicCluster(String{this.clusterName=this.med=null;//willbesetbycallingsetCentroid()dataPoints=newArrayList<DataPoint>();}publicvoid d{ d=}publicMedgetMe{returnme}publicvoidaddDataPoint(DataPointdp)calledfromCAInstancedp.setCluster(this);//標(biāo)注該類簇屬于某點(diǎn),計(jì)算歐式距離}}publicint{return}}publicString{return}{return}}Clusnalysis類：packagecom.kmeds;importjava.util.ArrayList;publicclassClusnalysis{privateClusterclusters;//privateintmiter;//>>();//clusters=newCluster[k];//for(inti=0;i<k;i++)clusters[i]=newCluster("Cluster:"+}this.miter=iter;} {return}{ArrayList<DataPoint>v[]=newArrayList[clusters.length];for(inti=0;i<clusters.length;i++){v[i]=}return}publicvoid {setInitialMeds(me double[][]newMe for(intm=0;m<clusters.length;m++){//每