K-Means聚类和时间序列的在线短租共享经济分析

来源 :信息技术与信息化 | 被引量 : 0次 | 上传用户:yunkang0820
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
互联网创新浪潮下,共享经济作为一种新型商业模式,改变了人们参与经济及消费方式。传统的酒店住宿不再是人们唯一的选择,随着消费者对住宿的需求多样化,传统酒店行业已无法满足用户个性化需求。在与互联网的共同推动下,在线短租应运而生。然而,在线短租作为新兴住宿,业态的相关研究甚少。针对以上不足,提出一种基于K-Means聚类和时间序列ARIMA模型的预测分析算法,依托数据可视化从多维度挖掘蚂蚁短租网有关贵州短租房相关数据,并预测地区短租房房价波动情况。提出的算法可广泛运用于全国在线短租房价预测分析,对商家如何占据共
其他文献
提出了一种机载机电管理计算机的电磁兼容正向设计方法,在方案阶段根据系统需求明确要求和目标,对机电管理计算机所处电磁环境进行分析并进行预设计与风险评估,在功能研制阶段进行详细的滤波、接地设计、PCB设计、结构屏蔽、软件设计和元器件选型,在工程化之前使用电磁场仿真工具对机电管理计算机进行建模仿真,将电磁兼容设计融入产品开发的各个方面,以期在降低成本的同时获得最佳的电磁兼容性能。
针对融合多传感器节点数据使信息可视化,提出了一种多传感器网络实时监视系统的设计,多传感器节点之间组网协同进行目标识别,将所获得的数据上传到智能网关,基于C#程序设计框架实现监视系统界面的设计,系统对网关发来的数据进行整合,给出判别结果,同时系统设有远程使用人员端口,建立连接后识别出目标会给使用人员发送预警信号。在野外环境进行了多次实验,实时监视系统能够有效识别出进入监控范围内的目标,结果准确,预警效果良好,完成了设计目的,能够在实际的应用场景中发挥作用。
储备林在国家生态环境建设过程中发挥着不可或缺的作用,能够满足生态环境需求和木材需求。但就目前而言,在进行国家储备林建设时,主要面临国民建设意愿不强、建设管理制度单一、资金缺口大,以及林业资源不足等问题。针对此类问题,本文提出相应的解决对策,以期为国家储备林建设提供一定的参考。
林业的绿化覆盖程度影响着苗木的存活率。为了符合绿化要求,就不得不关注和分析苗木的死因。虽然各种树木的病症在表面都能看出来,但致病的主要因素却在根部,我们不能只解决苗木外部的问题,本文阐述了经过观测和信息收集之后的研讨和总结,深入剖析影响苗木存活率的根本原因,并且提出对应的改进措施,为林业绿化工作提供了参考。
森林是指由多种树木为主体构成的地表覆盖群。从一定意义上来讲,森林中涵盖的树木种类极其丰富,整体结构较为复杂,同时凸显出一定的生态性,能够自主进行环境的协调,凸显出其功能的多样化。基于此,本文首先就森林资源调查的主要内容进行了深入分析,在此基础上寻求开展森林资源调查的主要方式方法,进一步明确开展森林资源调查工作的重要性。
林业造林管理是推进生态可持续发展的重要方法,在日常管理工作中需注重对原则的把控以及对方法的应用。在本文中,以林业工程造林管理的意义为切入点,探讨在林业工程造林管理工作中所需遵循的原则以及可采用的方法,以期起到抛砖引玉的作用。
介绍了物联网的概念、现状和技术发展以及5G技术的特点,通过对物联网形势下5G通信技术的应用研究和分析,指出5G通信网作为建设物联网的重要网络载体,是实现万物互联的物联网的重要技术支撑。为发挥5G通信技术在未来物联网建设和应用中的作用,结合当前物联网和5G技术发展的整体趋势,分析了制定统一的通信标准,加强信息技术的研发和无线网络通信信道建设,并利用高频传输技术、密集网络技术以及智能化技术,实现物联网
针对如何维护管理和使用好IP数字微波传输网、保障广播电视IP微波网络安全问题,从广播电视IP数字微波传输系统的基本组成、IP数字微波传输及设备的维护、排除网络故障的常用方法以及IP数字微波传输网络故障的处理技巧等方面进行了探讨,从而确保广播电视IP数字微波传输的质量及应用水平,让广播电视IP数字微波传输网络运行水平能够得到相应的提升,并在此过程中不断地提高处理网络故障的效率。
针对传统校园网哑终端设备管理混乱、子网边界模糊、信息点分散、网络运维难度大等问题,提出运用SDN(software defi ned network,软件定义网络)技术构建新一代校园网的方法,研究分析了SDN关键技术包括Openfl ow协议、NETCONF协议、SDN控制器和数据转发等工作原理和过程,并结合校园网实际情况进行了SDN技术的具体实践。实践结果表明SDN技术应用于校园网将有利于校园网运维化繁为简,有利于实现业务子网精细化管理,有利于构建可定义、可编程的新一代校园网。为各类学校建设下一代校园网
针对DQN和Dueling-DQN这两种结合深度学习的强化学习算法,在经验池、学习率和批量采样大小固定的情况下,选取大小分别为15、30和50的动作空间,在不同复杂程度的游戏环境下进行了算法性能对比。对算法进行初始化后,固定训练步数,对比两种算法的损失值和累计奖励,同时比较达到相同的损失值和累计奖励所需要的训练步数,两种方法相互验证,得出结论。结果表明,Dueling-DQN算法可以更好地提升算法性能,并且拥有更好的收敛性,其收敛速度相较DQN算法提升了20%。