[发明专利]基于K-means算法的供应链信息分析方法

说明书

本发明涉及一种基于K‑means算法的供应链信息分析方法，包括：对供应链数据进行数据清洗，提取出第一矩阵数列，所述第一矩阵是营收‑成本矩阵数列；利用第一聚类个数K1的K‑means算法对所述第一矩阵数列进行聚类，并生成散点图形式的第一图像；对所述第一图像添加第一参考线和第二参考线；根据所述第一参考线和所述第二参考线，将所述第一图像切割成三部分，中间部分区域表示企业运营平稳的情况，上下两部分则显示企业异常经营的情况。上述基于K‑means算法的供应链信息分析方法，对营收、成本、毛利进行K‑means算法聚类分析，通过建立参考线，改进K‑means算法，使得该算法更加适用于供应链领域数据。

技术领域

本发明涉及供应链信息分析，特别是涉及基于K-means算法的供应链信息分析方法。

背景技术

当今研究提出了很多对于供应链庞杂信息进行提取、分析的相关算法以及实验方案。在基于单个企业的供应链数据的基础上，最典型的就是传统意义上的常规数据统计算法，该算法非常容易实现。此外在这个基础上，出现了交叉数据对比分析算法，将数据切成多个片段，通过不同数据片段的比较实现数据分析。在冗杂且庞大的供应链数据中，大多数应用多停留在数据统计阶段，通过将供应链中的物流数据进行整合、统计与可视化，从而促进整个供应链流程的高效运行。常规的数据统计方法主要集中于描述性统计、交叉报表、假设检验等一些问题。逐渐也有人针对供应链信息采用数据挖掘算法，采用朴素贝叶斯分类算法的确能够对供应链数据进行有效分类，但是所挖掘的信息对企业运营现状的体现有着很大局限性。

传统技术存在以下技术问题：

目前对供应链信息进行数据挖掘与分析非常普遍，常用的数据分析方法集中在统计与分类算法上，但是这一类算法的结果仅仅局限在提高整个供应链流程的效率，很难对公司的整体运营现状以及未来业务决策做出分析。

发明内容

基于此，有必要针对上述技术问题，提供一种基于K-means算法的供应链信息分析方法，对营收、成本、毛利进行K-means算法聚类分析，通过建立参考线，改进K-means算法，使得该算法更加适用于供应链领域数据。

一种基于K-means算法的供应链信息分析方法，包括：

对供应链数据进行数据清洗，提取出第一矩阵数列，所述第一矩阵是营收-成本矩阵数列；

利用第一聚类个数K1的K-means算法对所述第一矩阵数列进行聚类，并生成散点图形式的第一图像；

对所述第一图像添加第一参考线和第二参考线；

根据所述第一参考线和所述第二参考线，将所述第一图像切割成三部分，中间部分区域表示企业运营平稳的情况，上下两部分则显示企业异常经营的情况；

其中，所述第一参考线是y＝ax，tan50°atan60°；

所述第二参考线是y＝bx，tan30°btan40°。

在另外的一个实施例中，a＝tan55°。

在另外的一个实施例中，b＝tan35°。

在另外的一个实施例中，根据所述第一图像中的K1个类别数据点的分布情况，对所述第一图像继续添加第三参考线；

所述第三参考线是x＝Lk(1≤k≤K1)；所述第三参考线将营收划分成K1+1个片段，将营收分成K1+1个部分进行分析企业供应链的盈亏情况。

一种基于K-means算法的供应链信息分析方法，包括：

对供应链数据进行数据清洗，提取出第二矩阵数列，所述第一矩阵是营收-毛利矩阵数列；

利用第二聚类个数K2的K-means算法对所述第二矩阵数列进行聚类，并生成散点图形式的第二图像；