شيه تيانباو، تيان تسوى

(شيان جامعة التكنولوجيا، وشيان 710054، الصين)

خلاصة القول: مع ظهور عصر البيانات الكبيرة، أصبح تطبيق شبكة البيانات القائمة على البحوث نقطة ساخنة. توقعات مبيعات السيارات العلامة التجارية هو الهدف، وتحليل الارتباط التقليدي ومجتمعة لاسو طريقة اختيار ميزة على أساس الملامح الرئيسية مختارة من بيانات البحث على الشبكة العالمية ذات الصلة لهذه العلامة التجارية، ثم أنشأ الانحدار لاسو، تراجع الدعم الموجه وعشوائية الغابات ثلاثة أنواع من التعلم الآلي نموذج التنبؤ، ومقارنة مع نموذج ARIMA التقليدي. وقد اظهرت النتائج أن متوسط خطأ التنبؤ نموذج غابة عشوائية كان 6.4، وانخفاض 12.2 نقطة مئوية عن نموذج ARIMA التكهن بنتائج يمكن أن توفر دعم اتخاذ القرار الفعال لتخطيط الإنتاج وبرامج التسويق تطوير شركات السيارات.

بيانات البحث على شبكة الإنترنت، وتتوقع مبيعات السيارات، لاسو اختيار ميزة، آلة التعلم خوارزمية

CLC: F272.1، TP181 كود الوثيقة: A DOI: 10.19358 / j.issn.2096-5133.2018.08.012

شكل الاقتباس: البحث شيه تيانباو، تسوى تيان شبكة مبيعات ماركة السيارة على أساس التنبؤ بيانات البحث [J] تكنولوجيا المعلومات وأمن الشبكات، 2018،37 (8): 50-53.

البحث عن العلامة التجارية التنبؤ مبيعات السيارات استنادا إلى بيانات شبكة البحث

شيه تيانباو، تيان تسوى

(شيان جامعة التكنولوجيا، وشيان 710054، الصين)

الخلاصة: مع ظهور عصر البيانات الكبيرة، أصبحت الأبحاث تطبيق استنادا إلى بيانات شبكة بقعة ساخنة. تهدف إلى العلامة التجارية التنبؤ مبيعات السيارات، فإن هذه الورقة الجمع بين تحليل الارتباط التقليدي مع أسلوب اختيار ميزة لاسو لتحديد الملامح الرئيسية للبحث على شبكة الإنترنت بيانات من العلامات التجارية ذات الصلة، ومن ثم إنشاء ثلاث آلة التعلم نماذج التنبؤ عقوبة الانحدار الخطي، والدعم الموجه الانحدار والغابات العشوائية ومقارنة مع نموذج ARIMA التقليدي، والنتائج التجريبية تشير إلى أن متوسط خطأ التنبؤ نموذج الغابات العشوائي 6.4، وهو أقل بنسبة 12.2 من أن نموذج ARIMA. ويمكن للنتائج المتوقعة تقديم دعم اتخاذ القرار أكثر فعالية لتخطيط الإنتاج وخطة التسويق للمؤسسات السيارات التصنيع.

الكلمات الرئيسية: بيانات البحث الشبكة؛ مبيعات السيارات التنبؤ بها؛ لاسو اختيار ميزة، آلة خوارزمية التعلم

0 مقدمة

في السنوات الأخيرة، أظهر انتاج السيارات فى الصين ومبيعات أسرع نمو والإنتاج وحجم المبيعات مستويات قياسية، وفقا للجمعية الصينية للإحصاءات صناعة السيارات، في عام 2016 مبيعات السيارات في الصين تجاوزت 2800000000، لمدة ثماني سنوات متتالية وفاز لأول مرة في العالم [1]. ووفقا للبيانات المقدمة من قبل أصحاب المواقع تبين أن 2009-2016، والمبيعات من أعلى عشر سيارات العلامة التجارية المحاسبة لمدة تصل إلى 55.84، بالنسبة للمستهلكين السيارات في الصين، والعلامة التجارية هي كبيرة جدا. ولكن هناك سعي العمى معين من شركات صناعة السيارات على نطاق و، مما يؤدي إلى مشاكل المفرطة أصبحت بارزة على نحو متزايد. في الوضع قاتما، ينبغي للمؤسسات انتاج السيارات تحليل بعناية الطلب ومستقبل الاتجاهات التي قد تكون موجودة في السوق، والتخطيط الرشيد للتخطيط الإنتاج، واستخدام استراتيجيات الإنتاج إلى قدرة السوق. مبيعات لذلك، وكيفية التنبؤ بدقة لمصنعي السيارات أبحاث السوق وتعديل استراتيجية أعمالها في غاية الأهمية. مع ظهور الذكاء الاصطناعي لتنفيذ البيانات القائمة على شبكة البحث والتنبؤ واسعة، بحث شبكة البيانات المستخدمة للتنبؤ مبيعات السيارات أصبحت بحث الساخن.

توقعت مبيعات السيارات الوسيلة الرئيسية التقليدية دراسة نظرية رمادية النظام [2]، وهذا نموذج السلاسل الزمنية [3]، والشبكات العصبية الاصطناعية [4]، وما شابه ذلك، ولكن البيانات في تحبب وقت هذه الدراسات استخدمت كبيرة، تركز معظمها فقط المتوقع أن يبلغ إجمالي مبيعات السيارات في العام، من الصعب تطبيق نتائج البحوث لتعزيز. [5] وعلى أساس إنشاء شبكة كلمات البحث البيانات ومبيعات السيارات في الإطار النظري، واستخدام التكنولوجيا ليوصي تلقائيا حدد الكلمات الرئيسية وتركيب الكلمات الرئيسية، والنمذجة والتنبؤ مع مؤشر مركب المقابلة لنطاق السعر مختلفة من مبيعات السيارات و يعني الخطأ المئوي المطلق لا تزيد عن 4، ولكن يحتوي على عدد من النماذج من مختلف العلامات التجارية في نفس النطاق السعري، لا يمكن التنبؤ بنتائج توفر دعم اتخاذ القرار قيما، الأدب [6] [7] توقعات الدراسة لفولكس واجن تيغوان وBMW مبيعات السيارات وذلك من خلال بيانات الشبكة اختيار الكلمات الرئيسية يدويا، وجدت الكلمة أن إضافة بايدو كنموذج المتغيرات التفسيرية مقارنة مع نموذج ARMA التقليدية، ودقة التنبؤ قد تحسنت إلى حد ما. [8] استخدام المتغيرات الاقتصادية والبيانات جوجل للبحث على الانترنت نموذج متعدد المتغيرات للتنبؤ بيانات مبيعات السيارات الشهرية، فقد بينت النتائج أن النموذج يتضمن بيانات البحث جوجل، بما في ذلك إحصائيا من معظم النماذج التقليدية تتنبأ المجالات. [9] اقترح بيانات البحث رئيسيا طريقة اختيار الميزة، ولكن أسلوب الاختيار النهائي بول فقط معظم الميزات ذات الصلة مفتاح، سيؤدي حتما إلى فقدان معلومات صحيحة.

وخلاصة القول، وتشمل موضوعات الدراسة مشاكل مع الوقت غير لائقة اختيار تحبب، وتحليل بيانات الشبكة ميزات الكتابة حدد نظام العلمي تشكيلها، النموذج التقليدي القيود أداء التنبؤية. هذه البيانات البحث على شبكة الإنترنت الورقية، يتم تحديد مبيعات السيارات من ماركة ككائن البحوث، وتحبب الوقت الشهري، وتحليل الارتباط التقليدي القائم لاسو طريقة اختيار ميزة جنبا إلى جنب مع البيانات مفتاح مميزة مرشح الأمثل، واستخدام مجموعة متنوعة من آلة تعلم خوارزمية مبيعات ماركة السيارة نموذج التنبؤ من أجل تحقيق مبيعات ماركة السيارة أكثر استهدافا وأكثر دقة وأكثر التنبؤية لها قيمة التطبيق.

مفتاح البحث شبكة البيانات اختيار ميزة

هذا يختار ورقة "العامة"، "هوندا"، جمعت "أودي" ثلاثة أكثر تمثيلا للسيارات العلامة التجارية للدراسة في يناير 2011 ماركة السيارة بيانات المبيعات الشهرية - ديسمبر 2017 الفترة. وبناء على عملية قرار شراء المستهلك، وبعد جيل من الطلب على السلع الاستهلاكية للسيارات، فإن غالبية المستهلكين السيارة الحصول بسرعة من خلال محرك البحث من شبكة إلى المعلومات التي يحتاجون إليها، والبحث عن الكلمات الرئيسية هي الأكثر استخداما استراتيجية البحث عن المعلومات على الانترنت، لذلك يتميز المفتاح من كلمات البحث شبكة المستخدم عن بيانات البحث. يختار ورقة محرك البحث المحلي الأكثر استخداما بايدو بايدو الويب فهرس الكلمات الرئيسية كمصدر بيانات. بعد المركبات التجارية "العامة"، على سبيل المثال وصفت بالتفصيل.

1.1 اختيار الكلمات الرئيسية والتوسع

في هذه الورقة، وطريقة التعدين النص، جنبا إلى جنب مع العلامة التجارية السيارات، وبيع معلومات عن جميع جوانب معلومات السيارة، وبيانات مؤشر التكوين السيارة، وما إلى ذلك، على الشبكة المرتبطة فولكس واجن سيارة ماركة الأخبار، منتدى وظائف، والتعليقات، وتبادل المعلومات حصة للعثور على جمع، باستثناء بعض المعلومات عديمة الفائدة، ثم استخدم NLPIR الصينية نظام كلمة تجزئة لاستخراج الكلمة النص الأصلي للحصول على قائمة من الكلمات الرئيسية وأوزانها، الذي تحديد قيمة الوزن أعلى "العام" و "متجر فولكس واجن 4S"، "فولكس واجن SUV "،" فولكس واجن بولو "،" المركبات التجارية العامة "، كما الكلمة الأولى. ثم حدد حول استخدام مزيج من الأولي ذيل طويل الكلمة كلمات قانون التوسع، أدوات مشرفي المواقع، وعمليات البحث ذات الصلة على شبكة الإنترنت وغيرها من الطرق لتوسيع عدد أكثر مستحسن من الكلمات الرئيسية، باستثناء كلمات مكررة أو غامضة تشمل إنشاء 276 المكنز الأولية الكلمات الرئيسية.

1.2 كلمات مؤشر البحث الارتباط تحليل

أولا الزاحف أدوات المكنز الأولية للحصول على نفس الفترة الزمنية من كل بيانات البحث الكلمات الرئيسية الشهرية، وتجهيزها (بيانات باستثناء المفقودين يتجاوز 6 أشهر أو مؤشر منخفض بحث البيانات الكلمة) لبيانات البحث الكلمات الرئيسية، وأخيرا إلى العطاء 118 تلبية متطلبات بيانات البحث الكلمات الرئيسية. ولكن لا يرتبط كل البيانات البحث عن الكلمات الرئيسية مع المبيعات الفعلية. أولا، يتم تطبيقه بطريقة تحليل الارتباط التقليدي تحديد المعنيين البيانات البحث عن الكلمات الرئيسية والعلامة التجارية الشهيرة من مبيعات السيارات معامل ارتباط سبيرمان رتبة، وكلما زاد معامل الارتباط من 0.5 الكلمة المختارة البحث (ارتباط كبير)، أي ما مجموعه 37. ثم باستخدام تحليل الارتباط لتحديد مؤشر البحث عن الكلمات الرئيسية خطوة الساعة فارق واحد المحدد وترتيب تأخير VW العلامة التجارية مبيعات السيارات هي في حدود 1-3 بهدف تأخر (سلوك البحث على الشبكة العالمية هو السلوك في الوقت الحقيقي، ونتيجة لشراء سيارة كبير بدأت القرارات الاقتصادية، والمستهلكين عادة بضعة أشهر قبل اتخاذ القرارات الشرائية للبحث عن المعلومات ذات الصلة).

نتائج البحوث القائمة لتحليل الارتباط عموما طريقتين: الأولى هي تحديد مباشرة أعلى ارتباط كمتغير فقط توضيحي، والطريقة الثانية لتوليف باستخدام مؤشر مفتاح المؤشر المركب كما المتغيرات التفسيرية. وكلتا الطريقتين يؤدي حتما إلى فقدان معلومات صحيحة. ومع ذلك، إذا الاحتفاظ بجميع المتغيرات التفسيرية، قد يكون هناك علاقة خطية متداخلة متعددة بين المتغيرات التفسيرية، الخوارزمية في هذه الورقة تحليل الارتباط لاسو على أساس مزيد من التحليل للخصائص مختارة [10].

ميزة 1.3 الاختيار على لاسو

في مجال البحوث طريقة اختيار عالية الأبعاد متغير البيانات، اقترح Tibshirani أقل المطلق انكماش في عام النماذج الخطية واختيار تشغيل (اسو) خوارزمية في عام 1996، لاسو الخوارزمية بعد فقدان وظيفة إضافة المدى جزاء (أي L1 تنظيم المدى) ، ليرة لبنانية تنظيم المدى المعادلات يمكن تبعثر القيد، والتي يمكن تطبيقها على ميزة اختيار تبعثر، وهذا الأسلوب هو مفيد في هذا مقارنة مع الخوارزمية التقليدية لا يمكن أن يؤديها في حين اختيار متغير باستمرار من تقدير المعلمة نموذج [11] . ويمكن لاسو خوارزمية حل فعال لمشكلة المتغيرات الخطية المتعددة التفسيرية، مما يجعل من إنشاء لاحق من هذا النموذج لديه أداء مستقر.

واحدة لتحليل الارتباط باستخدام خوارزمية R لاسو اللغة glmnet تنفذ حزمة تحليل البيانات البحث عن الكلمات الرئيسية واختيار الميزة. امدا حل ويمكن الاطلاع على تحليل نموذج الرسم البياني المسار، جنبا إلى جنب مع الجهود الرامية إلى زيادة العقاب، ستكون مضغوطة أكثر وأكثر متغير معامل إلى الصفر، وهذه المتغيرات لا تزال غير صفرية معامل كبيرة نسبيا عندما امدا هو أكثر أهمية المتغيرات التفسيرية [12-13]. تحديد الخطأ المطلق يعني هنا (MAE) كقيمة مؤشر التقييم هو الأمثل لامدا من قبل تصديق متقاطع، والعلاقة بين النموذج MAE امدا هو مبين في الشكل 1.

خط كسر في FIG 1 الجانب الأيسر هو أفضل قيمة لامدا (lambda.min = 0.143065)، أي قيمة في أدنى نموذج لامبدا MAE، وهذه المرة عدد من المتغيرات هو 12 فقط غير صفرية معاملات، بالمقارنة مع السابق 37 الكلمات الرئيسية قد انخفض بشكل كبير البيانات مميزة. ويمكن الحصول على عرض معاملات النموذج من 5،630 اعتراض المعلمة 5479632، اختيار الكلمات الرئيسية المتغيرات والتقديرات المقابلة المعلمة بهم هو مبين في الجدول 1.

حتى الآن، وقد تم اختيار هذه الورقة وتوسيع الكلمات الرئيسية، والبيانات المستخدمة في مجموعة من الكلمات الرئيسية بحث ثم حدد اختيار ميزة تحليل الارتباط التقليدي القائم لاسو، واختار في نهاية المطاف 12 بحث الويب الرئيسي للبيانات سيارة ماركة "العامة" الميزة. باستخدام نفس الأسلوب، وفحص نتائج بحث الويب ميزة المفتاح البيانات من "هوندا" و "أودي" ماركة السيارة المقابلة على التوالي إلى 12 و 13.

تحليل التجارب ومناقشة

من خلال تطبيق خوارزمية لاسو يمكن حل فعال لمشكلة المتغيرات الخطية المتعددة تفسيرية، بينما في عملية اختيار ميزة كما تم الخطي لاسو نموذج الانحدار تقدير المعلمة، ولكن معظم من طراز البحوث القائمة والانحدار الخطي على أساس طريقة المربعات الصغرى نموذج، لا يمكن حلها عدم تجانس والمتغيرات التفسيرية ومشكلة المتغير التابع هو علاقة غير خطية، الأمر الذي سيزيد من قيمة معامل تقدير التباين، مما أدى يقدر معامل غير مستقر، حساسة جدا إلى القيم المتطرفة، والتي بدورها سوف تؤثر تأثيرا خطيرا على خط الانحدار يؤثر في النهاية على دقة القيمة المتوقعة [14]. لذلك، اختارت هذه الورقة اثنين من آلة غير الخطية تعلم الخوارزميات نموذج وتحليل مقارن مفصل.

هذه الورقة يختار يناير 2011 - ديسمبر 2016 البيانات مثل مجموعة التدريب، والبيانات 2017-12 الشهر كمجموعة الاختبار، وذلك باستخدام لغة R أنشئت لمبيعات "هوندا"، "أودي" التنبؤات سيارة ماركة "العامة" نموذج الدعم الموجه الانحدار ونموذج الغابات عشوائي، وفقا لمبدأ المعلمات قيمة الحد الأدنى MAE طريقة البحث شبكة التطبيق (GridSearch) نموذج اللحن، في حين أن بناء التقليدية نماذج التنبؤ السلسلة الزمنية للعلامات التجارية الثلاث - لصناعة السيارات في تنازلية المتكاملة المتوسط المتحرك نموذج ( ARIMA) تحليل مقارن شامل. من أجل قياس فعالية وبشكل حدسي من القدرة التنبؤية لنماذج مختلفة، اختر هنا RMSE (وRMSE)، يعني الخطأ نسبة المطلقة (مايب) مؤشرين لتقييم نتائج التنبؤ، وتظهر كل مجموعة من نتائج اختبار نموذج التنبؤ في الجدول 2.

وكما يتبين من الجدول 2، من حيث RMSE أو مايب، وتأثير المتوقع للنماذج التعلم الآلي ومزايا هامة مقارنة مع الوقت نموذج سلسلة ARIMA التقليدية تحسن بشكل كبير من دقة التنبؤ، ولكن أيضا من نتائج مؤشر مايب، نماذج ARIMA لماركات مختلفة من مبيعات السيارات توقعت مختلفة جدا (من ارتفاع هوندا أودي ما يقرب من 15)، ونماذج التعلم الآلي وتتوقع أداء أكثر استقرارا. جميع النماذج في أفضل أداء نموذج الغابات عشوائي للتنبؤ متوسط الخطأ 6.4، وانخفاض 12.2 نقطة مئوية عن نموذج ARIMA، مقارنة مع الأدب [15]، [16] المبيعات الشهرية من فولكس واجن وأودي سياراتها العلامة التجارية نفس التنبؤ مايب بنسبة 2.81 و 4.63، وقد تحسنت بشكل كبير من دقة التنبؤ. من تحليل لطبيعة العلاقة بين البيانات بحث على الانترنت ومبيعات السيارات العلامة التجارية المقابلة ليست بسيطة خطية العلاقة، حيث درجة العلاقة غير الخطية يجب أن تكون أكبر من درجة العلاقة الخطية، لذلك كل التوقعات من آلة غير الخطية التعلم نماذج أكثر دقة .

في "العام" حالة العرض مجموعة اختبار النماذج القيمة المتوقعة ومقارنة القيمة الفعلية كما هو مبين في الشكل. حيث دقة التنبؤ يمكن أن ينظر إليه LASOO الخطية نموذج الانحدار (FIG (B))، والدعم الموجه نموذج الانحدار (FIG (C)) كان أفضل من نموذج ARIMA (الشكل (A))، على الرغم من أن نموذج الاتجاه ARIMA الأساسي للتنبؤ المبيعات، ولكن التأثير المتوقع عموما فقيرة نسبيا، وثلاثة أو أكثر من نماذج ذروة الحساسية منخفضة، أي خطأ التنبؤ الذروة هي كبيرة نسبيا. وبالمقارنة مع طراز غابة عشوائية (FIG (D))، فإنه يمكن رؤيتها بوضوح بالعين المجردة، نموذج غابة عشوائية مقارنة مع نماذج أخرى لديها اختلافات كبيرة في ذروة دقة التنبؤ، على ما يبدو الغابات عشوائية النتائج نموذجا للذروة كاملة وتوقع فهي أكثر دقة. ويمكن أن نخلص، مشكل التنبؤ لشهري حجم مبيعات السيارات العلامة التجارية، والبيانات نموذج غابة عشوائية لتأسيس الملامح الرئيسية للبحث على شبكة الإنترنت هو الحل العملي.

3 الخاتمة

في هذه الورقة مبيعات السيارات العلامة التجارية للدراسة، والتوسع من خلال اختيار الكلمات الرئيسية، التحليلات ذات الصلة واختيار روائي يعتمد على مزيج من لاسو تصفية في نهاية المطاف من البيانات لمفتاح البحث شبكة ملامح من مختلف العلامات التجارية للسيارات، وفي حل الخطية المتعددة تخفيض على العظام محفوظة على أساس البيانات الأكثر فعالية، وبعد ذلك تم إنشاء نماذج السلاسل الزمنية التقليدية وثلاثة أنواع من نماذج التعلم الجهاز، من خلال تحليل النتائج، تبين أن يتنبأ تأثير آلة نماذج التعلم لها مزايا كبيرة والغابات عشوائية نماذج التنبؤ الأداء الأمثل. طريقة التنبؤ المقترحة على أساس شبكة بيانات البحث يمكن الاستفادة من البيانات البحث على الإنترنت في وقت مبكر للتنبؤ مبيعات السيارات لاحقة، في حين أن العلامة التجارية المقابلة من شركات صناعة السيارات يمكن ضبط استراتيجيات الإنتاج والتسويق استنادا إلى النتائج المتوقعة. الموثوقية وتعزيز تطبيق هذا النموذج هو الاتجاه الأبحاث المقبل.

مراجع

[1] جمعية الصينية لصناعة السيارات التقرير السنوي تنمية صناعة السيارات في الصين (2016) [M] بكين: الأكاديمية للعلوم الاجتماعية، 2016.

[2] دراسة حول هوانغ التنبؤ مبيعات السيارات النظرية رمادية [J] ماكينات، 2013،51 (4): 78-80.

[3] نموذج هو Yanjun .ARIMA في التنبؤ مبيعات السيارات وSAS تحقيق [J] شركات خبى، 2012 (4): 11-12.

. [4] مبيعات السيارات وانغ شو اليوم على أساس BP التحليل التنبؤي الشبكة العصبية [D] شنغهاي: جامعة دونغ هوا، عام 2016.

. [5] يوان Qingyu، بنغ قنغ، ليو يينغ، وما إلى ذلك، بيانات مبيعات السيارات على شبكة الإنترنت البحث البحث عن الكلمات الرئيسية [J] خبراء المتوقعة عند إدارة (الطبعة الأكاديمية)، 2011 (1): 12-24.

[6] لينغ البحث أعلى الإنترنت على أساس كمية من كتلة مفهوم عبور التنبؤ مبيعات السيارات [J] فاينانشال تايمز، 2015 (30): 222، 226.

. [7] شو، وCuidong جيا بنغ قنغ BMW على شبكة الإنترنت مبيعات السيارات البحث بيانات البحث [J] الاقتصاديين التوقعات، 2013 (12): 22-24،26.

[8] FANTAZZINI D، TOKTAMYSOVA Z. التنبؤ مبيعات السيارات الألمانية باستخدام بيانات Google ونماذج متعددة المتغيرات [J] .International مجلة الاقتصاد الإنتاج، 2015.170: 97-135.

. [9] لى يى، وون جيا روي يانغ لى تشنغ مؤشر البحث على الشبكة العالمية الأبحاث والسيارات العلاقة المبيعات - التعدين النص المستندة إلى الكلمة الحصول على [J] المخابرات الحديثة، 2016،36 (8): 131-136،177.

. دراسة تشاو Dongbo [10] مشكلة الخطية المتعددة من نماذج الانحدار الخطي [D] جينتشو: جامعة بوهاي، 2017.

[11] لى فنغ المتغير المتكيف لاسو، غطاء التريكلوسان، لو Yijiang نماذج خطأ القياس [J] العلوم في طرق اختيار الصين: الرياضيات، 2014،44 (9): 983-1006.

. [12] ليو شياو نينغ لاسو طريقة المقارنة على أساس اختيار ميزة [J] انهوى كلية التدريب المهني الالكترونيات وتكنولوجيا المعلومات، 2014،13 (1): 26-30.

[13] LI تشون، وو يينغ، تان Chaoyong نموذج [J] لاسو طريقة اختيار متغير بناء على الاعلان على شبكة الانترنت من خلال النقر توقعات معدل للإحصاء والإدارة، 2016،35 (5): 803-809.

[14] PI قوه، وانغ لى هاو Yuantao نظام التنبؤ وباء انفلونزا اسو نموذج الانحدار على أساس بيانات البحث بايدو لبناء [J] الصينية إحصاءات الصحية، 2017،34 (2): 186-191.

. [15] بحوث المبيعات ماركة السيارة Cuidong جيا التجريبية في التنبؤ خلفية عصر البيانات الكبيرة [D] كايفنغ: جامعة خنان، 2014.

. [16] تيان رويفينج الجماع الجنسي مع نموذج المضاعف الموسمية للتنبؤ مبيعات أودي في الصين [J] الإحصاء والإدارة، 2016 (8): 70-71.

(تاريخ الاستلام: 2018/04/03)

نبذة عن الكاتب:

شيه تيانباو (1966-)، الذكور، دكتوراه، أستاذ مشارك، الاتجاه البحثي الرئيسي: استخراج البيانات، والتجارة الإلكترونية، ودعم اتخاذ القرار.

تيان تسوى (1991-)، ومؤلف كتاب المقابلة، الذكور، الدراسات العليا، والاهتمامات البحثية: استخراج البيانات، والتجارة الإلكترونية. البريد الإلكتروني: 328348221@qq.com.