面向多维稀疏数据仓库的欺诈销售行为挖掘

分销渠道系统中,产品制造商会分配给销售额较大的分销商更多返点利润鼓励销售,而分销商之间可能会联合起来将多个分销商的销售业绩累计在其中一个分销商上,获取高额利润,这种商业欺诈行为被称为挂单或窜货.由于数据中大量正常极值点的存在,使得传统异常探测算法很难区分正常极值和由挂单导致的异常极值;另外,多维销售数据本身就存在的稀疏性导致多维数据异常探测算法无法有效运行.为了克服上述问题,将人工智能和数据库技术结合起来,提出了基于分割率的特征提取方法和基于张量重构的挂单行为挖掘算法.同时,由于分销商之间存在多种挂单行为,设计了基于挂单模式偏序格的特征提取方法来对销售数据集中存在的挂单行为进行分类.在合成数据的实验中,所提出的挂单点挖掘算法能达到65%的平均AUC值,而传统特征提取方法仅达到36%和30%的平均AUC值.在真实数据上的实验结果表明,挂单行为探测方法能区分正常销售极值和挂单行为产生的异常极值.

面向制造任务的云制造虚拟车间构造方法

针对云制造模式下快速选择和组织相关制造资源、保证制造任务执行的问题,提出一种面向制造任务的云制造虚拟车间构造方法。该方法将制造过程抽象为制造任务执行链,链中的节点对应制造设备云服务或检验云服务,链中的有向边对应物流云服务;并通过行业域、地域和类型域来组织管理云服务,以构造规模较小的候选云服务集,同时减少功能匹配、性能匹配、价格匹配和时间匹配的计算量,达到快速构建云制造虚拟车间的目的。算例分析表明,相比其他方法,该方法能够在更短的时间内完成云服务的选择,并保证所选云服务的服务质量(QoS)在相关域中是更好的。