基于大數據的智能商務分析平臺開發和設計

鄭國凱 黃彩娥

摘? 要： 為了實現商務大數據的智能分析，提出基于大數據的智能商務分析平臺設計方案，構建智能商務分析平臺的大數據信息采樣模型，進行智能商務分析平臺的大數據管理。構建智能商務大數據分析的知識庫、模型庫及方法庫，采用模糊綜合決策的方法進行商務大數據的信息融合處理，提取商務大數據的相關性特征量。根據特征屬性分布進行智能商務大數據分析，基于數據證據特征匹配的方法進行智能商務大數據分析和融合，通過大數據挖掘的方法構建一致性和完備性的有效知識庫，在嵌入式的Linux內核中實現智能商務分析平臺的開發和設計。測試結果表明，采用該方法進行商務大數據分析的智能性較好，具有很好的大數據開發和統一分析決策能力。

關鍵詞： 大數據信息采樣模型; 智能商務分析平臺; 商務數據挖掘; 數據證據; 商務大數據信息融合; 回歸分析模型

中圖分類號： TN02?34; TP391? ? ? ? ? ? ? ? ? ? 文獻標識碼： A? ? ? ? ? ? ? ? ? ? ? 文章編號： 1004?373X（2020）05?0163?04

Development and design of intelligent business analysis platform based on big data

ZHENG Guokai， HUANG Caie

（Guangzhou College of Technology and Business， Guangzhou 510850， China）

Abstract： A design scheme of an intelligent business analysis platform based on big data is proposed to realize the intelligent analysis of business big data. In the design scheme， the big data information sampling model of the intelligent business analysis platform is built， the big data management of the intelligent business analysis platform is performed， the knowledge base， model base and method base of the intelligent business big data analysis are built， the information fusion processing of the business big data is performed with the method of the fuzzy comprehensive decision， and the correlation characteristic quantities of the business big data are extracted， the intelligent business big data analysis is performed according to the distribution of feature attributes， the intelligent business big data analysis and fusion are performed on the basis of data evidence feature match， the effective knowledge base with consistency and completeness is built with the method of big data mining and the intelligent business analysis platform is developed and designed in the embedded Linux kernel. The test results show that this scheme has good intelligent performance in business big data analysis and has good big data development capability and unified analysis and decision?making capability.

Keywords： big data information sampling model; intelligent business analysis platform; business data mining; data evidence; business big data information fusion; regression analysis model

0? 引? 言

電子商務的發展日新月異，隨著智能商務的快速發展，需要對大量的商務數據進行優化采集、存儲和分析，構建商務大數據的分析模型，結合模糊聚類分析的方法進行智能商務分析平臺開發，提高企業的科學化管理和決策能力。在商務數據分析中需要構建聯機分析處理模型，通過對電子商務的數據建模、應用建模和知識建模方法進行智能商務分析平臺的開發設計[1]，提高商務數據的采集、存儲、分析能力，因此，研究智能商務分析平臺的開發和設計方法，在實現商務數據的智能分析決策中具有重要意義[2]。對智能商務分析平臺開發和設計是建立在對商務數據的優化采集和智能分析的基礎上，通過構建智能商務大數據分析模型，結合大數據挖掘方法實現商務分析平臺的開發和設計，本文提出基于大數據的智能商務分析平臺設計方案。首先進行平臺的總體設計構架分析，然后進行商務分析平臺的大數據挖掘和智能分析算法設計，在嵌入式環境下實現平臺的開發設計，最后進行仿真實驗分析，展示了本文方法在提高智能商務分析能力方面的優越性能。

1? 平臺總體設計構架

為了實現智能商務分析平臺的開發和優化設計，需要先構建智能商務分析平臺的總體構架模型，系統設計分為智能商務分析平臺的硬件設計、算法設計和軟件設計部分。采用嵌入式的ARM Cortex?M0 處理器作為智能商務分析平臺的核心處理器，在ZigBee結構體系下進行智能商務分析平臺的組網設計。采用嵌入式的交叉編譯方法進行智能商務分析平臺的上位機通信協議設計，用ISA/EISA/Micro Channel擴充總線進行智能商務分析平臺的總線開發，在初始INVITE過程進行系統的SIP用戶代理（User Agent，UA）設計。智能商務分析平臺主要由A/D信息采集模塊、智能商務分析總線控制模塊、上位機通信模塊、大數據分析模塊、商務數據的調度模塊和集成信息處理模塊等組成[3]。對商務信息進行總線控制和邏輯控制，在交叉編譯模塊中進行程序開發和指令加載，在嵌入式Linux的內核結構中進行智能商務分析平臺的優化設計，得到總體結構如圖1所示。

根據圖1的總體設計構架進行功能模塊開發設計。構建智能商務大數據分析的知識庫、模型庫及方法庫，通過對智能商務大數據信息采樣，建立商務大數據分析模型。采用統計信息分析方法進行商務信息挖掘和特征采樣，在智能控制模塊中進行商務信息的接口模塊開發和人機交互設計。建立電子商務分析的上位機通信模塊，在總線控制指令集中進行電子商務分析過程中的安全配置[4]，根據上述分析，構建商務分析平臺的功能結構模塊，如圖2所示。

2? 智能商務大數據分析

2.1? 商務大數據的信息融合

在上述構建了智能商務分析平臺總體結構的基礎上，進行商務分析平臺的算法設計，采用模糊綜合決策的方法進行商務大數據的信息融合處理。假設[Nk][（k=0，1，2，…，L）]表示商務分析平臺管理層中第[k]層的相關數據信息，[W（k）ij]表示智能商務大數據在第[k-1]層第[i]個節點采集的商務信息關聯規則特征量，得到[k]層第[j]個傳輸節點的商務信息采樣連接權值。采用子空間重構方法進行智能商務信息處理平臺的大數據挖掘，構建智能商務大數據分析模型。采用模糊關聯規則調度的方法進行智能商務信息挖掘，在重構的相空間中進行商務信息的統計特征重建，得到商務大數據的離散信息采樣特征量為：

[x（k）=[x（k）1，x（k）2，…，x（k）Nk-1]T] （1）

[s（k）=[s（k）1，s（k）2，…，s（k）Nk]T] （2）

[y（k）=[y（k）1，y（k）2，…，y（k）Nk]T] （3）

在大數據環境下進行商務大數據挖掘，采用相空間重構方法進行商務大數據的映射處理[5]，得到映射函數為[f]，構建一致性和完備性的有效知識庫，得到商務大數據的三維重構輸出為：

[y（0）j（n）=s（0）j（n）=x（0）j（n）] （4）

在模型庫及算法庫中建立商務分析平臺的大數據輸入層，得到第[l]層[（k=1，2，…，L）]智能商務大數據的統計特征量為：

[y（k）j（n）=j=1Nk-1W（k）ij（n）y（k-1）j（n）] （5）

在構建了模型庫和方法庫的基礎上，通過資源整合的方法進行商務大數據的信息融合處理，提高商務分析能力[6]。

2.2? 商務大數據特征提取

基于可信度特征提取的方法，進行智能商務大數據三維重建，在特征空間和項目潛在空間中進行商務數據的模糊層析性分析，設[{u1，u2，…，uN}]代表商務用戶集合， [{v1，v2，…，vM}]代表商務項目的統計特征分布集合，構建商務信息的評分矩陣[Ru，v]和信任度矩陣[T]，采用模糊決策的方法，建立智能商務分析的模糊度評價函數改寫為：

[W（k）i（n）=W（k）i（n-1）+μg（k）i（n）ε（k）i（n）] （6）

式中：[μ=1，μ0，] [k=Lk=1，2，…，L-1];商務大數據時間序列調度集[Si（i=1，2，…，L）]滿足以下條件：

1） [Si?Sj=?]，[?i≠j];

2） [i=1LSi=V-{Sink}];

通過決策函數尋優，進行商務大數據時間序列信息重構，建立智能商務大數據的模糊信息融合模型，在信息融合度決策下[7]，得到最優解為：

[J=12Ex（n）2-R] （7）

其中：

[R=Ex（n）4Ex（n）2] （8）

利用時間窗口函數[TW]限定擾動步長，構建智能商務大數據的信息融合模型，采用自相關特征檢測的方法進行商務大數據的優化調度，得到商務數據的模糊加權輸出為：

[W（n+1）=W（n）+μy*（n）ε（n）] （9）

其中，[ε（n）]為誤差，表達式如下：

[ε（n）=x（n）（R-x（n）2）] （10）

綜上分析，對智能商務大數據序列進行線性特征重組，實現商務大數據的關聯特征提取和挖掘，提高商務數據的統計分析能力[8]。

2.3? 商務大數據的知識庫構造

在上述根據特征屬性分布進行智能商務大數據分析的基礎上，進行商務大數據的知識庫構造和商務分析平臺設計。采用商務數據的模糊特征挖掘方法，建立智能商務大數據的優化挖掘模型，在模糊[C]均值聚類的約束下，得到商務大數據的挖掘維數為[ni]，商務數據的屬性分布種類為[rj]，對商務數據的關聯規則項進行平均互信息特征提取[9]，構建獨立集[P（ni）={pkprkj=1，k=1，2，…，m}]，采用定量遞歸分析方法進行商務數據相似度特征分析，得到商務數據挖掘的相似度分析模型為：

[PF=j=kN ui=ji=1N（Pfi）ui（1-Pfi）1-ui] （11）

[PD=j=kN ui=ji=1N（Pdi）ui（1-Pdi）1-ui] （12）

式中：[Pfi]表示智能商務大數據的融合聚類中心;[Pdi]為商務數據挖掘的回歸迭代系數。采用模糊子空間聚類分析的方法，得到商務數據挖掘的隨機概率密度分布均值為：

[x=1Ni=1Nxi] （13）

根據商務數據的標簽信息進行模糊聚類，得到商務數據分析的協方差函數為：

[σ2=1Ni=1Nxi-x2] （14）

采用自適應學習方法進行智能商務大數據回歸分析，得到回歸分析模型描述為：

[Xpu=sc（t）ej2πf0t=1TrecttTej2π（f0t+Kt2）2] （15）

式中：[sc（t）]表示智能商務數據分析的模糊關聯規則項;[ej2πf0t]表示有限數據集合，[f0]為初始采樣頻率。采用大數據挖掘的方法建立智能商務大數據挖掘模型，通過自相關特征匹配的方法進行商務數據分析，商務數據模糊聚類函數為：

[ht=iaitejθitδt-iTs] （16）

結合關聯特征分析方法，得到商務數據挖掘的相似度特征量為：

[x=i=1NsiΨi=Ψs，? ? Ψ=[Ψ1，Ψ2，…，ΨN]] （17）

采用資源信息重組的方法，實現商務數據挖掘的知識庫構造[10]，得到商務數據挖掘的模糊特征匹配集為：

[k=IntnQ1-Q+1] （18）

式中[Q]為初始能量分布系數。引入智能商務大數據采樣的可靠性因子[11]，得到商務數據知識庫構造函數為：

[flg-M（z）=（flg（z），flg-x（z），flg-y（z））=（flg（z），hx?flg（z），hy?flg（z））] （19）

商務數據優化檢測的量化函數為：

[maxxi，yi，jTP=1tp，? ?i，j∈0，1，2，…，v+1] （20）

其中：

[tp=maxmaxi∈Vxi?siηpi∈Vxi，max（i，j）∈Edi，j（xi-xj）2yi，j] （21）

綜上分析，通過大數據挖掘的方法構建一致性和完備性的有效知識庫，實現商務數據的信息融合和特征聚類[12]，根據聚類結果進行商務數據的統計分析[13]。

3? 平臺的軟件設計實現

在上述進行商務分析平臺算法設計的基礎上，采用VIX總線控制技術進行智能商務分析平臺的總線集成控制。在嵌入式的Linux環境下進行商務分析平臺的集成設計和信息調度，構建智能商務分析平臺的信息采集模塊，并采用DS18B20作為智能商務分析平臺的外圍器件，在交叉編譯環境下進行商務分析平臺的總線開發和構造，在ISA/EISA構架模式下進行智能商務分析平臺的總線開發設計[14]，設計智能商務分析平臺的總線傳輸協議。采用ast_sip_config類函數實現智能商務分析平臺的程序加載，在嵌入式的Linux內核中實現智能商務分析平臺開發和設計[15]，采用BFCP協議（Binary Floor Control Protocol，BFCP）設計智能商務分析平臺，得到平臺的軟件設計構造如圖3所示。

4? 實驗測試分析

測試本文方法在實現智能商務大數據分析的性能，對商務大數據采樣的樣本長度為1 024，訓練集規模數為200，對商務數據回歸分析的迭代步數為100，仿真時間為120 ms，根據上述參數設定，進行商務數據的大數據分析，得到商務大數據采樣結果如圖4所示。

對商務數據進行信息融合處理，提取商務大數據的相關性特征量，根據特征屬性分布進行智能商務數據的智能分析，得到商務數據的融合分析結果如圖5所示。

測試不同方法進行商務數據分析的準確度水平，得到對比結果見表1，分析得知，采用本文方法進行商務大數據分析的智能性較好，具有良好的大數據開發和統一分析決策能力。

5? 結? 語

本文構建商務大數據的分析模型，結合模糊聚類分析的方法進行智能商務分析平臺開發，提高企業的科學化管理和決策能力。本文提出基于大數據的智能商務分析平臺設計方案，構建智能商務分析平臺的大數據信息采樣模型，進行智能商務分析平臺的大數據管理，構建智能商務大數據分析的知識庫、模型庫及方法庫。根據特征屬性分布進行智能商務大數據分析，基于數據證據特征匹配的方法進行智能商務大數據分析和融合，通過大數據挖掘的方法構建一致性和完備性的有效知識庫，在嵌入式的Linux內核中實現智能商務分析平臺開發和設計。分析得知，采用本文方法進行商務大數據分析的智能性較好，具有優越的大數據開發和統一分析決策能力，在商務數據的統計分析和商務決策中具有很好的應用價值。

參考文獻

[1] TU Guangsheng， YANG Xiaoyuan， ZHOU Tanping. Efficient identity?based multi?identity fully homomorphic encryption scheme [J]. Journal of computer applications， 2019， 39（3）： 750?755.

[2] WANG Zhihe， HUANG Mengying， DU Hui， et al. Integrated algorithm based on density peaks and density?based clustering [J]. Journal of computer applications， 2019， 39（2）： 398?402.

[3] FARNADI G， BACH S H， MOENS M F， et al. Soft quantification in statistical relational learning [J]. Machine learning， 2017， 106（12）： 1971?1991.

[4] RAMES A， RODRIGUEZ M， GETOOR L. Multi?relational influence models for online professional networks [C]// Procee?dings of the 2017 International Conference on Web Intelligence. Leipzig， Germany： ACM， 2017： 291?298.

[5] LIN Xiaoyong， DAI Lingling， SHI Shenghui， et al. Matrix factorization recommendation based on topic model [J]. Journal of computer applications， 2015， 35（S2）： 122?124.

[6] LIU M， SHI Y. Model predictive control for thermostatically controlled appliances providing balancing service [J]. IEEE transactions on control systems technology， 2016， 24（6）： 2082?2093.

[7] XU B， DVORKIN Y， KIRSCHEN D S， et al. A comparison of policies on the participation of storage in U.S. frequency regulation markets [C]// IEEE Power and Energy Society General Meeting. Boston： IEEE， 2016： 1?5.

[8] 田啟華，黃超，于海東，等.基于AHP的耦合任務集資源分配權重確定方法[J].計算機工程與應用，2018，54（21）：25?30.

[9] 龐俊，于戈，許嘉，等.基于MapReduce框架的海量數據相似性連接研究進展[J].計算機科學，2015，42（1）：1?5.

[10] 李琰，劉嘉勇.基于作者主題模型和輻射模型的用戶位置預測模型[J].計算機應用，2018，38（4）：939?944.

[11] 張丹普，付忠良，王莉莉，等.基于浮動閾值分類器組合的多標簽分類算法[J].計算機應用，2015，35（1）：147?151.

[12] 張丹普，付忠良，王莉莉，等.基于浮動閾值分類器組合的多標簽分類算法[J].計算機應用，2015，35（1）：147?151.

[13] STOEAN C， PREUSS M， STOEAN R， et al. Multimodal optimization by means of a topological species conservation algorithm [J]. IEEE transaction on evolutionary computation， 2010， 14（6）： 842?864.

[14] LIANG J J， QU B Y， MAO X B， et al. Differential evolution based on fitness Euclidean?distance ratio for multimodal optimization [J]. Neurocomputing， 2014， 137（8）： 252?260.

[15] MORADI M， KEYVANPOUR M R. An analytical review of XML association rules mining [J]. Artificial intelligence review， 2015， 43（2）： 277?300.