一种企业竞争力的预测方法技术

本发明专利技术实施例公开了一种企业竞争力的预测方法，包括当新标A产生时，确定标A的发标区域以及对应的参加标A的企业；使用线性回归模型预测参加标A的企业相对于标A的分数，并将分数最大的企业预测为中标企业。实施本发明专利技术，能降低现有技术中预测算法的复杂程度，使得预测的准确度较高。

A prediction method of enterprise competitiveness

The embodiment of the invention discloses a method for predicting the competitiveness of an enterprise, including determining the bidding area of a bid and the corresponding enterprises participating in a bid when a new bid A is generated; predicting the score of an enterprise participating in a bid relative to a bid A by using a linear regression model, and predicting the enterprise with the highest score as a successful bid enterprise. The implementation of the invention can reduce the complexity of the prediction algorithm in the prior art and make the prediction accuracy higher.

【技术实现步骤摘要】
一种企业竞争力的预测方法
本专利技术涉及计算机
，尤其涉及一种企业竞争力的预测方法。
技术介绍
当有一个新的招标公告产生时，企业用户可能想知道对这个标感兴趣的其他企业用户的竞争力如何。对标感兴趣的企业用户有两个来源，一是由推荐算法自动生成，二是由企业用户根据自身经验选择。企业用户获取到自己及对手的竞争力后，可以调整投标策略来提高中标的概率。在现实生活中，企业能否中标涉及多方面的原因，例如企业的历史业绩、企业投标报价、企业投标现场答辩情况以及企业的社会关系等。因此直接预测企业能否中标难度比较多。本专利技术企业竞争力预测是在企业以往参、中标数据上完成的，以中标企业为研究对象，考察中标企业评分在所有参标企业评分的排名。企业的参标、投标数据是企业竞争力的一种体现，根据企业的参标次数、投标次数、平均参标金额来预测企业的竞争力从机器学习的角度来看属于回归问题，但现有的求解回归问题的方法比较复杂，且准确度不高。
技术实现思路
本专利技术实施例的目的在于提供一种企业竞争力的预测方法，能降低现有技术中预测算法的复杂程度，使得预测的准确度较高。为了解决上述技术问题，本专利技术实施例提供了一种企业竞争力的预测方法，所述方法包括以下步骤：步骤S1、当新标A产生时，设标A的发标区域是areaA，有l个企业参加标A的投标分别为{c1,c2,…cl}；其中，xc1是企业c1在areaA区域的业绩数据，xc1＝{企业c1在areaA的投标次数，企业c1在areaA的中标次数，企业c1在areaA的中标平均金额}；X＝{xc1,xc2,…xcl}是l个企业在areaA区域的业绩数据(X∈Rl*3)，wT＝{w1,w2,w3}，w1表示投标次数的权重，w2表示中标次数的权重，w3表示平均中标金额的权重；步骤S2、使用线性回归模型预测中标企业，Scorec1＝xc1·w是企业c1相对于标A的分数即竞争力；ScoreA＝{Scorec1，Scorec2，……，Scorecl}是l个企业相对于标A的分数，将Score最大的企业预测为中标企业，具体预测方法如下：企业参标数据是以[标ID、企业ID、企业区域参标次数、企业区域投标次数、企业投过标的平均金额]的形式存放，一个标有很多条参标记录组成；假设参加标A的企业有l个，参加标A所有企业组成了数据xA＝{xA1,xA2,…,xAl}：xAw是一个长度为l的行向量，代表的是l个企业中标的可能性：设中标企业的序号是i，xAw值最大的那个元素的下标是j；其中j是一个变量，在迭代过程中，xAw最大值的下标会发生改变，定义目标函数为:希望xAiw尽可能的大，即尽可能的接近于1：将损失函数L定义为:损失函数L对w求偏导：使用梯度下降法进行w的更新,α为学习率：其中，所述方法进一步包括：设rank为中标企业的排名，其中rank＝r/l，l为参标企业列表数目，r是算法给出中标企业的排名；目标是希望rank这个值尽量小：已知r/l∈(0,1]，将(0,1]这个区间若干区间；在测试数据上统计中标企业排名在不同区间分别有多少家；靠前的区间里的企业越多，算法的性能越好。实施本专利技术实施例，具有如下有益效果：本专利技术基于企业历史参标数据(企业的参标次数、投标次数、平均参标金额)预测中标企业的排名，在方法部分确定了预测的目标函数，采用平方和损失作为损失函数L，采用梯度下降的方法求解权重向量w，从而降低现有技术中预测算法的复杂程度，使得预测的准确度较高。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，根据这些附图获得其他的附图仍属于本专利技术的范畴。图1为本专利技术实施例提供的一种企业竞争力的预测方法的流程图。具体实施方式为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。如图1所示，为本专利技术实施例中，提出的一种企业竞争力的预测方法，包括步骤：步骤S1当新标A产生时，设标A的发标区域是areaA，有l个企业参加标A的投标分别为{c1,c2,…cl}；其中，xc1是企业c1在areaA区域的业绩数据，xc1＝{企业c1在areaA的投标次数，企业c1在areaA的中标次数，企业c1在areaA的中标平均金额}；X＝{xc1,xc2,…xcl}是l个企业在areaA区域的业绩数据(X∈Rl*3)，wT＝{w1,w2,w3}，w1表示投标次数的权重，w2表示中标次数的权重，w3表示平均中标金额的权重；步骤S2、使用线性回归模型预测中标企业，Scorec1＝xc1w是企业c1相对于标A的分数即竞争力；ScoreA＝{Scorec1，Scorec2，……，Scorecl}是l个企业相对于标A的分数，将Score最大的企业预测为中标企业，具体预测方法如下：企业参标数据是以[标ID、企业ID、企业区域参标次数、企业区域投标次数、企业投过标的平均金额]的形式存放，一个标有很多条参标记录组成；假设参加标A的企业有l个，参加标A所有企业组成了数据xA＝{xA1,xA2,…,xAl}：xAw是一个长度为l的行向量，代表的是l个企业中标的可能性：设中标企业的序号是i，xAw值最大的那个元素的下标是j；其中j是一个变量，在迭代过程中，xAw最大值的下标会发生改变，定义目标函数为:希望xAiw尽可能的大，即尽可能的接近于1：将损失函数L定义为:损失函数L对w求偏导：使用梯度下降法进行w的更新,α为学习率：在专利技术实施例中，根据企业历史参标数据(企业的参标次数、投标次数、平均参标金额)预测中标企业的排名。在方法部分确定了预测的目标函数，采用平方和损失作为损失函数L，采用梯度下降的方法求解权重向量w。使用十折交叉进行试验。实验结果能反映了大部分企业的竞争力。由于直接预测中标的企业是比较困难的，希望算法给出实际中标企业的排名尽量排在前面。因此所述方法进一步包括：设rank为中标企业的排名，其中rank＝r/l，l为参标企业列表数目，r是算法给出中标企业的排名；目标是希望rank这个值尽量小：已知r/l∈(0，1]，将(0，1]这个区间若干区间；在测试数据上统计中标企业排名在不同区间分别有多少家；靠前的区间里的企业越多，算法的性能越好。在一个实例中，如表1所示，企业参标数据是以[标ID、企业ID、企业区域参标次数、企业区域投标次数、企业投过标的平均金额]的形式一行一行存放。一个标会有很多的企业参加，因此一个标有很多条参标记录组成。表1企业参中标及中标平均金额projectidcompanyidattendtimesgettimestotal_bidisbid57581493826517561.87157581557390005758147311100057581473213000575814733230005758147341000057581473670005758147374000575814738800057581473914000575814933201107680575本文档来自技高网...

【技术保护点】
1.一种企业竞争力的预测方法，其特征在于，所述方法包括以下步骤：步骤S1、当新标A产生时，设标A的发标区域是areaA，有l个企业参加标A的投标分别为{c1,c2,…cl}；其中，xc1是企业c1在areaA区域的业绩数据，xc1＝{企业c1在areaA的投标次数，企业c1在areaA的中标次数，企业c1在areaA的中标平均金额}；X＝{xc1,xc2,…xcl}是l个企业在areaA区域的业绩数据(X∈Rl*3)，wT＝{w1,w2,w3}，w1表示投标次数的权重，w2表示中标次数的权重，w3表示平均中标金额的权重；步骤S2、使用线性回归模型预测中标企业，Scorec1＝xc1w是企业c1相对于标A的分数即竞争力；ScoreA＝{Scorec1，Scorec2，……，Scorecl}是l个企业相对于标A的分数，将Score最大的企业预测为中标企业，具体预测方法如下：企业参标数据是以[标ID、企业ID、企业区域参标次数、企业区域投标次数、企业投过标的平均金额]的形式存放，一个标有很多条参标记录组成；假设参加标A的企业有l个，参加标A所有企业组成了数据xA＝{xA1,xA2,…,xAl}：xAw是一个长度为l的行向量，代表的是l个企业中标的可能性：设中标企业的序号是i，xAw值最大的那个元素的下标是j；其中j是一个变量，在迭代过程中，xAw最大值的下标会发生改变，定义目标函数为:...

【技术特征摘要】
1.一种企业竞争力的预测方法，其特征在于，所述方法包括以下步骤：步骤S1、当新标A产生时，设标A的发标区域是areaA，有l个企业参加标A的投标分别为{c1,c2,…cl}；其中，xc1是企业c1在areaA区域的业绩数据，xc1＝{企业c1在areaA的投标次数，企业c1在areaA的中标次数，企业c1在areaA的中标平均金额}；X＝{xc1,xc2,…xcl}是l个企业在areaA区域的业绩数据(X∈Rl*3)，wT＝{w1,w2,w3}，w1表示投标次数的权重，w2表示中标次数的权重，w3表示平均中标金额的权重；步骤S2、使用线性回归模型预测中标企业，Scorec1＝xc1w是企业c1相对于标A的分数即竞争力；ScoreA＝{Scorec1，Scorec2，……，Scorecl}是l个企业相对于标A的分数，将Score最大的企业预测为中标企业，具体预测方法如下：企业参标数据是以[标ID、企业ID、企业区域参标次...

【专利技术属性】
技术研发人员：刘文斌，叶晓峰，成鹏，
申请(专利权)人：温州大学，
类型：发明
国别省市：浙江,33