郑国凯 黄彩娥
摘 要： 为了实现商务大数据的智能分析，提出基于大数据的智能商务分析平台设计方案，构建智能商务分析平台的大数据信息采样模型，进行智能商务分析平台的大数据管理。构建智能商务大数据分析的知识库、模型库及方法库，采用模糊综合决策的方法进行商务大数据的信息融合处理，提取商务大数据的相关性特征量。根据特征属性分布进行智能商务大数据分析，基于数据证据特征匹配的方法进行智能商务大数据分析和融合，通过大数据挖掘的方法构建一致性和完备性的有效知识库，在嵌入式的Linux内核中实现智能商务分析平台的开发和设计。测试结果表明，采用该方法进行商务大数据分析的智能性较好，具有很好的大数据开发和统一分析决策能力。
关键词： 大数据信息采样模型; 智能商务分析平台; 商务数据挖掘; 数据证据; 商务大数据信息融合; 回归分析模型
中图分类号： TN02?34; TP391 文献标识码： A 文章编号： 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
电子商务的发展日新月异，随着智能商务的快速发展，需要对大量的商务数据进行优化采集、存储和分析，构建商务大数据的分析模型，结合模糊聚类分析的方法进行智能商务分析平台开发，提高企业的科学化管理和决策能力。在商务数据分析中需要构建联机分析处理模型，通过对电子商务的数据建模、应用建模和知识建模方法进行智能商务分析平台的开发设计[1]，提高商务数据的采集、存储、分析能力，因此，研究智能商务分析平台的开发和设计方法，在实现商务数据的智能分析决策中具有重要意义[2]。对智能商务分析平台开发和设计是建立在对商务数据的优化采集和智能分析的基础上，通过构建智能商务大数据分析模型，结合大数据挖掘方法实现商务分析平台的开发和设计，本文提出基于大数据的智能商务分析平台设计方案。首先进行平台的总体设计构架分析，然后进行商务分析平台的大数据挖掘和智能分析算法设计，在嵌入式环境下实现平台的开发设计，最后进行仿真实验分析，展示了本文方法在提高智能商务分析能力方面的优越性能。
1 平台总体设计构架
为了实现智能商务分析平台的开发和优化设计，需要先构建智能商务分析平台的总体构架模型，系统设计分为智能商务分析平台的硬件设计、算法设计和软件设计部分。采用嵌入式的ARM Cortex?M0 处理器作为智能商务分析平台的核心处理器，在ZigBee结构体系下进行智能商务分析平台的组网设计。采用嵌入式的交叉编译方法进行智能商务分析平台的上位机通信协议设计，用ISA/EISA/Micro Channel扩充总线进行智能商务分析平台的总线开发，在初始INVITE过程进行系统的SIP用户代理（User Agent，UA）设计。智能商务分析平台主要由A/D信息采集模块、智能商务分析总线控制模块、上位机通信模块、大数据分析模块、商务数据的调度模块和集成信息处理模块等组成[3]。对商务信息进行总线控制和逻辑控制，在交叉编译模块中进行程序开发和指令加载，在嵌入式Linux的内核结构中进行智能商务分析平台的优化设计，得到总体结构如图1所示。
根据图1的总体设计构架进行功能模块开发设计。构建智能商务大数据分析的知识库、模型库及方法库，通过对智能商务大数据信息采样，建立商务大数据分析模型。采用统计信息分析方法进行商务信息挖掘和特征采样，在智能控制模块中进行商务信息的接口模块开发和人机交互设计。建立电子商务分析的上位机通信模块，在总线控制指令集中进行电子商务分析过程中的安全配置[4]，根据上述分析，构建商务分析平台的功能结构模块，如图2所示。
2 智能商务大数据分析
2.1 商务大数据的信息融合
在上述构建了智能商务分析平台总体结构的基础上，进行商务分析平台的算法设计，采用模糊综合决策的方法进行商务大数据的信息融合处理。假设[Nk][（k=0，1，2，…，L）]表示商务分析平台管理层中第[k]层的相关数据信息，[W（k）ij]表示智能商务大数据在第[k-1]层第[i]个节点采集的商务信息关联规则特征量，得到[k]层第[j]个传输节点的商务信息采样连接权值。采用子空间重构方法进行智能商务信息处理平台的大数据挖掘，构建智能商务大数据分析模型。采用模糊关联规则调度的方法进行智能商务信息挖掘，在重构的相空间中进行商务信息的统计特征重建，得到商务大数据的离散信息采样特征量为：
[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）
在大数据环境下进行商务大数据挖掘，采用相空间重构方法进行商务大数据的映射处理[5]，得到映射函数为[f]，构建一致性和完备性的有效知识库，得到商务大数据的三维重构输出为：
[y（0）j（n）=s（0）j（n）=x（0）j（n）] （4）
在模型库及算法库中建立商务分析平台的大数据输入层，得到第[l]层[（k=1，2，…，L）]智能商务大数据的统计特征量为：
[y（k）j（n）=j=1Nk-1W（k）ij（n）y（k-1）j（n）] （5）
在构建了模型库和方法库的基础上，通过资源整合的方法进行商务大数据的信息融合处理，提高商务分析能力[6]。
2.2 商务大数据特征提取
基于可信度特征提取的方法，进行智能商务大数据三维重建，在特征空间和项目潜在空间中进行商务数据的模糊层析性分析，设[{u1，u2，…，uN}]代表商务用户集合， [{v1，v2，…，vM}]代表商务项目的统计特征分布集合，构建商务信息的评分矩阵[Ru，v]和信任度矩阵[T]，采用模糊决策的方法，建立智能商务分析的模糊度评价函数改写为：
[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];商务大数据时间序列调度集[Si（i=1，2，…，L）]满足以下条件：
1） [Si?Sj=?]，[?i≠j];
2） [i=1LSi=V-{Sink}];
通过决策函数寻优，进行商务大数据时间序列信息重构，建立智能商务大数据的模糊信息融合模型，在信息融合度决策下[7]，得到最优解为：
[J=12Ex（n）2-R] （7）
其中：
[R=Ex（n）4Ex（n）2] （8）
利用时间窗口函数[TW]限定扰动步长，构建智能商务大数据的信息融合模型，采用自相关特征检测的方法进行商务大数据的优化调度，得到商务数据的模糊加权输出为：
[W（n+1）=W（n）+μy*（n）ε（n）] （9）
其中，[ε（n）]为误差，表达式如下：
[ε（n）=x（n）（R-x（n）2）] （10）
综上分析，对智能商务大数据序列进行线性特征重组，实现商务大数据的关联特征提取和挖掘，提高商务数据的统计分析能力[8]。
2.3 商务大数据的知识库构造
在上述根据特征属性分布进行智能商务大数据分析的基础上，进行商务大数据的知识库构造和商务分析平台设计。采用商务数据的模糊特征挖掘方法，建立智能商务大数据的优化挖掘模型，在模糊[C]均值聚类的约束下，得到商务大数据的挖掘维数为[ni]，商务数据的属性分布种类为[rj]，对商务数据的关联规则项进行平均互信息特征提取[9]，构建独立集[P（ni）={pkprkj=1，k=1，2，…，m}]，采用定量递归分析方法进行商务数据相似度特征分析，得到商务数据挖掘的相似度分析模型为：
[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]表示智能商务大数据的融合聚类中心;[Pdi]为商务数据挖掘的回归迭代系数。采用模糊子空间聚类分析的方法，得到商务数据挖掘的随机概率密度分布均值为：
[x=1Ni=1Nxi] （13）
根据商务数据的标签信息进行模糊聚类，得到商务数据分析的协方差函数为：
[σ2=1Ni=1Nxi-x2] （14）
采用自适应学习方法进行智能商务大数据回归分析，得到回归分析模型描述为：
[Xpu=sc（t）ej2πf0t=1TrecttTej2π（f0t+Kt2）2] （15）
式中：[sc（t）]表示智能商务数据分析的模糊关联规则项;[ej2πf0t]表示有限数据集合，[f0]为初始采样频率。采用大数据挖掘的方法建立智能商务大数据挖掘模型，通过自相关特征匹配的方法进行商务数据分析，商务数据模糊聚类函数为：
[ht=iaitejθitδt-iTs] （16）
结合关联特征分析方法，得到商务数据挖掘的相似度特征量为：
[x=i=1NsiΨi=Ψs， Ψ=[Ψ1，Ψ2，…，ΨN]] （17）
采用资源信息重组的方法，实现商务数据挖掘的知识库构造[10]，得到商务数据挖掘的模糊特征匹配集为：
[k=IntnQ1-Q+1] （18）
式中[Q]为初始能量分布系数。引入智能商务大数据采样的可靠性因子[11]，得到商务数据知识库构造函数为：
[flg-M（z）=（flg（z），flg-x（z），flg-y（z））=（flg（z），hx?flg（z），hy?flg（z））] （19）
商务数据优化检测的量化函数为：
[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）
综上分析，通过大数据挖掘的方法构建一致性和完备性的有效知识库，实现商务数据的信息融合和特征聚类[12]，根据聚类结果进行商务数据的统计分析[13]。
3 平台的软件设计实现
在上述进行商务分析平台算法设计的基础上，采用VIX总线控制技术进行智能商务分析平台的总线集成控制。在嵌入式的Linux环境下进行商务分析平台的集成设计和信息调度，构建智能商务分析平台的信息采集模块，并采用DS18B20作为智能商务分析平台的外围器件，在交叉编译环境下进行商务分析平台的总线开发和构造，在ISA/EISA构架模式下进行智能商务分析平台的总线开发设计[14]，设计智能商务分析平台的总线传输协议。采用ast_sip_config类函数实现智能商务分析平台的程序加载，在嵌入式的Linux内核中实现智能商务分析平台开发和设计[15]，采用BFCP协议（Binary Floor Control Protocol，BFCP）设计智能商务分析平台，得到平台的软件设计构造如图3所示。
4 实验测试分析
测试本文方法在实现智能商务大数据分析的性能，对商务大数据采样的样本长度为1 024，训练集规模数为200，对商务数据回归分析的迭代步数为100，仿真时间为120 ms，根据上述参数设定，进行商务数据的大数据分析，得到商务大数据采样结果如图4所示。
对商务数据进行信息融合处理，提取商务大数据的相关性特征量，根据特征属性分布进行智能商务数据的智能分析，得到商务数据的融合分析结果如图5所示。
测试不同方法进行商务数据分析的准确度水平，得到对比结果见表1，分析得知，采用本文方法进行商务大数据分析的智能性较好，具有良好的大数据开发和统一分析决策能力。
5 结 语
本文构建商务大数据的分析模型，结合模糊聚类分析的方法进行智能商务分析平台开发，提高企业的科学化管理和决策能力。本文提出基于大数据的智能商务分析平台设计方案，构建智能商务分析平台的大数据信息采样模型，进行智能商务分析平台的大数据管理，构建智能商务大数据分析的知识库、模型库及方法库。根据特征属性分布进行智能商务大数据分析，基于数据证据特征匹配的方法进行智能商务大数据分析和融合，通过大数据挖掘的方法构建一致性和完备性的有效知识库，在嵌入式的Linux内核中实现智能商务分析平台开发和设计。分析得知，采用本文方法进行商务大数据分析的智能性较好，具有优越的大数据开发和统一分析决策能力，在商务数据的统计分析和商务决策中具有很好的应用价值。
参考文献
[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] 田启华，黄超，于海东，等.基于AHP的耦合任务集资源分配权重确定方法[J].计算机工程与应用，2018，54（21）：25?30.
[9] 庞俊，于戈，许嘉，等.基于MapReduce框架的海量数据相似性连接研究进展[J].计算机科学，2015，42（1）：1?5.
[10] 李琰，刘嘉勇.基于作者主题模型和辐射模型的用户位置预测模型[J].计算机应用，2018，38（4）：939?944.
[11] 张丹普，付忠良，王莉莉，等.基于浮动阈值分类器组合的多标签分类算法[J].计算机应用，2015，35（1）：147?151.
[12] 张丹普，付忠良，王莉莉，等.基于浮动阈值分类器组合的多标签分类算法[J].计算机应用，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.
