大数据场景中增强学习的商务智能实现方法

发布时间：2021-05-07 08:30

　　大数据时代的来临让商务数据结构类型和成分发生了质变,在有些场景中传统商务智能工具已无法满足现代企业智能决策的需求。同时随着云计算、物联网等新技术的发展又催生了新的商务需求。因此将人工智能中机器学习研究的新成果增强学习应用于商务智能领域必将成为学术界研究的热点,具有重要的理论和实践意义。本文针对大数据背景,探讨机器学习方法中的增强学习在商务智能方面的应用方案及相关技术。运用增强学习算法,针对大数据场景中商务智能系统的特点探索增强学习商务智能系统构建方法和应用流程。改进了传统商务智能系统理念,协同应用大数据分析技术和机器学习领域的增强学习方法解决了制约未来智能系统实时分析和计算问题,提高企业决策水平和效率。在研究传统的马尔可夫决策过程理论的基础上,针对商务结果滞后、商务状态边界清晰的商务智能实现的问题中,利用大数据分析技术从商务状态环境中学习增强函数得到状态奖励参数和动作参数,从而得到最优决策解。实验以有限状态小型仓库库存商务问题为例,采用增强学习中的Q学习算法构建了Q学习矩阵并进行实证研究,结果表明所提方法行之有效。最后探索了大数据场景中增强学习的商务智能实现。 

【文章来源】：安徽财经大学安徽省

【文章页数】：71 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第一章 绪论
    第一节 研究背景及意义
        一、研究背景
        二、研究意义
    第二节 国内外研究现状
        一、商务智能的研究现状
        二、增强学习的研究现状
        三、增强学习在商务智能中的研究现状
    第三节 论文的研究目标、内容和结构安排
        一、研究目标
        二、研究内容
        三、研究创新点
        四、结构安排
第二章 增强学习的相关理论
    第一节 马尔科夫决策过程
    第二节 增强学习
        一、增强学习的模型
        二、增强学习的组成
        三、Bellman优化方程
    第三节 增强学习算法
        一、策略搜索算法
        二、蒙特卡罗算法
        三、TD算法
        四、Q学习算法
    第四节 本章小结
第三章 基于增强学习的商务智能实现
    第一节 商务智能的概述及应用
        一、商务智能
        二、商务智能的应用
    第二节 基于增强学习的商务智能的实现方案
        一、模型构建
        二、实现过程
        三、应用问题分析
    第三节 本章小结
第四章 基于大数据场景中增强学习的商务智能实现探索
    第一节 基于大数据场景中增强学习参数的确定
        一、数据感知
        二、数据处理
    第二节 基于大数据场景中增强学习算法精度的提升
    第三节 大数据场景中增强学习算法的实时性
    第四节 本章小结
第五章 实证研究
    第一节 案例介绍
        一、选取零库存案例的背景
        二、零库存现状的简要分析
    第二节 案例应用
        一、实验设计
        二、实验操作
        三、实验结果分析
    第三节 本章小结
第六章 总结和展望
    第一节 论文总结
    第二节 论文不足与展望
参考文献
在读期间科研成果
附录
致谢


【参考文献】：
期刊论文
[1]多机器人系统强化学习研究综述[J]. 马磊,张文旭,戴朝华.  西南交通大学学报. 2014(06)
[2]基于蚂蚁优化算法的分层强化学习[J]. 周晓柯,孙志毅,彭志平.  计算机应用研究. 2014(11)
[3]多步截断优先扫描强化学习算法[J]. 李春贵.  计算机工程. 2005(11)
[4]基于增强学习的多agent自动协商研究[J]. 杨明,嘉莉,邱玉辉.  计算机工程与应用. 2004(33)
[5]连续动作强化学习及其在机器人中的应用研究[J]. 张健沛,王醒策,张岩,张汝波,温丽华.  哈尔滨工程大学学报. 2000(03)
[6]基于Q学习算法和BP神经网络的倒立摆控制[J]. 蒋国飞,吴沧浦.  自动化学报. 1998(05)
[7]再励学习控制器结构与算法[J]. 马莉,蔡自兴.  模式识别与人工智能. 1998(01)
[8]强化学习系统及其基于可靠度最优的学习算法[J]. 俞星星,阎平凡.  信息与控制. 1997(05)
[9]用加强学习方法解决基于神经网络的时序实时建模问题[J]. 杨璐,洪家荣,黄梯云.  哈尔滨工业大学学报. 1996(04)

硕士论文
[1]H公司ERP系统商务智能研究[D]. 韩伟.南京师范大学 2016



本文编号：3173084