面向重要产品追溯系统的数据挖掘与风险管控
| 摘要 | 第10-12页 |
| ABSTRACT | 第12-13页 |
| 第一章 绪论 | 第14-28页 |
| 1.1 研究背景与意义 | 第14-17页 |
| 1.2 国内外研究现状 | 第17-23页 |
| 1.2.1 重要产品追溯系统研究现状 | 第17-18页 |
| 1.2.2 追溯数据挖掘与数据可视化研究现状 | 第18-21页 |
| 1.2.3 基于复杂网络的供应链风险管理研究现状 | 第21-23页 |
| 1.3 论文研究内容 | 第23-26页 |
| 1.3.1 研究内容 | 第23-25页 |
| 1.3.2 主要创新点 | 第25-26页 |
| 1.4 论文组织结构 | 第26-28页 |
| 第二章 面向追溯数据的相关性分析和趋势预测 | 第28-50页 |
| 2.1 追溯数据特征与数据预处理 | 第28-32页 |
| 2.2 追溯供应链的数据相关性分析 | 第32-42页 |
| 2.2.1 距离与进场量相关性分析 | 第32-36页 |
| 2.2.2 城市空间相关性分析 | 第36-40页 |
| 2.2.3 价格影响因素相关性分析 | 第40-42页 |
| 2.3 基于BP神经网络的价格数据趋势预测 | 第42-49页 |
| 2.3.1 BP神经网络算法 | 第43-44页 |
| 2.3.2 遗传算法改进的BP神经网络算法 | 第44-45页 |
| 2.3.3 对上海猪肉价格趋势预测的实例分析 | 第45-49页 |
| 2.4 本章小结 | 第49-50页 |
| 第三章 基于异常检测和聚类分析的流通模式发现 | 第50-63页 |
| 3.1 供应链数据处理与变化模式分析 | 第50-55页 |
| 3.1.1 全年猪肉屠宰量数据处理 | 第50-52页 |
| 3.1.2 各城市猪肉屠宰量波动分析 | 第52-55页 |
| 3.2 基于统计的异常检测与聚类分析 | 第55-58页 |
| 3.2.1 异常检测 | 第55-56页 |
| 3.2.2 聚类分析 | 第56-58页 |
| 3.3 面向供应链数据的分析结果和流通模式发现 | 第58-62页 |
| 3.3.1 全年数据异常检测 | 第58-59页 |
| 3.3.2 春节期间的城市模式聚类分析 | 第59-60页 |
| 3.3.3 试点城市的假期模式聚类分析 | 第60-62页 |
| 3.4 本章小结 | 第62-63页 |
| 第四章 基于贝叶斯推断的追溯网络建模与算法设计 | 第63-80页 |
| 4.1 基于贝叶斯推断的网络建模 | 第63-66页 |
| 4.1.1 食品供应链网络模型 | 第63-65页 |
| 4.1.2 基于贝叶斯推断的追溯矩阵 | 第65-66页 |
| 4.2 基于追溯熵的追溯算法 | 第66-73页 |
| 4.2.1 追溯熵指标 | 第66-67页 |
| 4.2.2 追溯贡献度 | 第67-70页 |
| 4.2.3 追溯算法流程 | 第70-73页 |
| 4.3 考虑时间因素的追溯熵改进算法 | 第73-79页 |
| 4.3.1 基于时间因素的影响因子 | 第73-74页 |
| 4.3.2 基于蒙特卡洛的不同网络结构模拟 | 第74-76页 |
| 4.3.3 不同网络结构下仿真效果分析 | 第76-79页 |
| 4.4 本章小结 | 第79-80页 |
| 第五章 面向风险管控的贝叶斯追溯算法 | 第80-92页 |
| 5.1 数据预处理与追溯网络建模 | 第80-84页 |
| 5.1.1 南京数据预处理与规律发现 | 第80-81页 |
| 5.1.2 网络结构简化处理 | 第81-84页 |
| 5.2 基于追溯数据的风险管控方案设计 | 第84-89页 |
| 5.2.1 一个观测者条件下的风险管控方案设计 | 第84-85页 |
| 5.2.2 随机观测者条件下的风险管控效果 | 第85-89页 |
| 5.3 考虑时间因素的风险管控方案改进 | 第89-91页 |
| 5.3.1 考虑时间因素的改进算法示例 | 第89-90页 |
| 5.3.2 改进风险管控方案的追溯效果对比 | 第90-91页 |
| 5.4 本章小结 | 第91-92页 |
| 结束语 | 第92-94页 |
| 致谢 | 第94-96页 |
| 参考文献 | 第96-104页 |
| 作者在学期间取得的学术成果 | 第104-106页 |
| 附录A 攻读硕士学位期间参加科研与竞赛获奖情况 | 第106-107页 |
| 附录B 一批重点城市流通可视化效果图 | 第107-111页 |
| 附录C 各城市网络度分布图 | 第111-112页 |
