数学建模竞赛篇--使用tensorflow搭建了一个预测货物线路定价的网络
最近参加了2020年的第十届MathorCup高校数学建模挑战赛,这次竞赛的问题总的来说是一个定价问题。由于我和我的小伙伴是第一次参加所以感觉有很多做的不是很好的地方,希望大家多多批评指正。我现在把自己做的答案和代码记录下来。
我会把我的所有实现代码及数据放到博客上,大家有兴趣可以去下载。首先附上我的代码结构图。
目录
- 问题分析
- 第一题的思路及具体做法
- 第二题的思路
- 第三题的思路及具体做法
1. 问题分析
首先是相关数据的解读
附件1是已经交易完成的货运线路任务数据,其中附件1数据文件中的线路指导价为平台首次发布的线路价格。附件2是尚未完成定价的货运线路任务单包含了线路任务的一些基本信息,包括总里程、业务类型、交易对象、需求紧急程度等指标。附件3为附件2的计算结果,通过建立适当的数学模型计算出附件2的线路任务的三次报价以及总成本定价,并填充在附件3的表格中。
下面是附件一字段释义
字段 | 释义 |
任务id | 唯一标识任务ID |
总里程 | 任务里程 |
业务类型 | 运输产品的大类,重货,速运(普通快递) |
需求类型1 | 需求的业务场景,如普通,接驳等 |
需求类型2 | 需求产生的形式,计划&临时 |
线路价格(不含税) | 线路成交价 |
线路编码 | 线路id(线路的定义为始发地地点+目的地地点+执行时间) |
调价比例 | 调整后的价格和原价格的比值 |
线路指导价(不含税) | 线路指导价,不一定成交 |
是否续签 | 若本期任务执行较好,可选择以某个价格在下个承包周期继续执行这些任务 |
始发网点 | 始发地地点 |
实际到车时间 | 任务执行时实际的到达目的地点的时间 |
目的网点 | 目的地地点 |
交易成功时长 | 从发布交易到交易结束的耗时 |
交易成功时间 | 交易成功的具体时间 |
交易成功日期 | 交易成功的具体日期 |
计划发车时间 | 任务计划发车的时间 |
计划发车日期 | 任务计划发车的日期 |
分拨时间 | 任务信息准备完成时间 |
成交对象 | 成交的对象类型(B:承运商 C:个体司机) |
车辆长度 | 车长 |
车辆吨位 | 吨位 |
标的展示策略 | 发布信息的方式,BDC:发布平台抢单交易,DIR:定向指派 |
打包类型 | 线路任务组合的方式 |
C端议价反馈数量 | C端反馈价格司机的数量 |
最后一次询价时间 | 最后一次询问价格的时间 |
子包号 | 线路任务组合的代号 |
装卸的次数 | 装卸共多少次 |
装的次数 | 装的总次数 |
运输等级 | 运输任务的线路等级 |
卸的次数 | 卸的总次数 |
调价审核完成时间 | 调价需要的行政审批流程完成时间 |
调价类型 | 调价的类型(成交价在指导价的95%-105%内都属于未调整) |
调价紧急程度 | 调价的紧急情况描述 |
调价ECP创建时间 | 调价需要的行政审批流程创建时间 |
是否需要装卸 | 运输过程是否需要装卸 |
始发地省份名称 | 始发地省份的名称 |
实际靠车时间 | 车辆执行任务时实际到达任务出发点的时间 |
实际结束时间 | 车辆执行任务时实际完成任务的时间 |
实际发车时间 | 车辆执行任务时实际的发车时间 |
任务状态 | 当前任务的执行状态 |
车辆类型分类 | 车辆的类型 |
目的地省份名称 | 目的地省份的名称 |
交易开始时间 | 该任务交易开始的时间 |
交易结束时间 | 该任务交易结束的时间 |
交易对象 | 交易面向的司机类型 |
计划卸货完成时间 | 该任务计划卸货完成的时间 |
计划卸货等待时长 | 该任务从到车到卸货之间的等待时长 |
计划靠车时间 | 该任务计划车辆到达出发点的时间 |
计划到达时间 | 该任务计划车辆到达目的地点的时间 |
地区类型 | 地区的类型 |
地区 | 地区代码 |
标的状态 | 任务标的的状态 |
标的_创建时间 | 标的创建的时间 |
标的_创建日期 | 标的创建的日期 |
异常状态 | 标的的异常状态 |
交易模式 | 标的的交易模式 |
C端议价最低价 | C端司机给出的最低价格 |
B端议价最低价 | B端司机给出的最低价格 |
B端议价反馈数量 | B端反馈价格的司机数量 |
线路总成本 | 任务的执行成本(参考) |
需求状态 | 任务需求当前的状态 |
需求紧急程度 | 需求的紧急程度 |
可以看出字段非常多而且复杂,让人眼花缭乱一时不知从何下手。其实是我们根据他们给出的问题一步一步来进行就好了。
问题重述
问题一:通过定量分析的方法,研究影响无车承运人平台进行货运线路定价的主要因素有哪些,并说明理由。
问题二:根据附件1数据,通过建立数学模型,对已经成交货运线路历史交易数据中的定价进行评价。
问题三:建立关于线路定价的数学模型,给出附件2的线路任务的三次报价以及总成本定价,并填充在附件3的表格中;给出合适的调价策略;并对附件2的线路任务所给出的定价进行评价。附件3将用于测试报价的准确性,对于某个确定的任务,三次报价中有一次成交,则后续价格将不再考虑。
问题四:结合对上述问题的研究,给无车承运人平台写一封不超过一页的建议信。
2. 问题一的思路及解法
思路
问题一要求我们运用定量分析的方法,对影响无车承运人平台进行货运线路定价的主要因素进行分析。我们主要采用相关性分析的方法对两个或多个具备相关性的变量进行分析,计算其相关系数,从而衡量两个变量因素的相关密切程度。相关性分析需要对于数据进行无量纲化处理,因此,该问的难点主要在于对附件1数据的预处理。
我的数据处理是使用python的pandas库进行数据处理的。程序在jupyter notebook中全部运行通过
数据处理完成之后,分别将定价和附件1中的因素进行相关性分析,计算出相关系数并进行排序,得出影响平台线路定价的主要因素。
具体做法
首先导入所需要的包
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
然后把附件一的数据读取到pandas对象中
data = pd.read_excel("附件1:货运线路历史交易数据.xlsx")
查看一下数据的信息
可以看出数据量比较大,而且存在很多离散型变量和时间类型的数据,而且我们需要对离散型变量进行编码然后才能做相关系数的运算。由于没有找到更好的编码方式 所以采用硬编码的方式。比如对于{'二级运输', '三级运输', '一级运输'} 编码为{1,2,3}。对于时间类型的数据我采用直接删除的方式处理
对数据进行硬编码
首先查看这些离散型数据都包含什么数值
print(set(data["业务类型"]))
print(set(data["需求类型1"]))
print(set(data["需求类型2"]))
print(set(data["是否续签"]))
print(set(data["成交对象"]))
print(set(data["标的展示策略"]))
print(set(data["打包类型"]))
print(set(data["子包号"]))
print(set(data["运输等级"]))
print(set(data["调价类型"]))
print(set(data["调价紧急程度"]))
print(set(data["车辆类型分类"]))
print(set(data["交易对象"]))
print(set(data["地区类型"]))
print(set(data["需求紧急程度"]))
运行结果如下
然后对他们进行编码,在编码的时候我对(“业务类型”,“需求类型1”,“运输等级”,“调价类型”,“调价紧急程度”,“需求紧急程度”)字段进行了指定重要性的编码,其他的字段的编码时随机编码。
代码如下
Map1 = {elem:index+1 for index,elem in enumerate(['重货', '速运'])}
Map2 = {elem:index+1 for index,elem in enumerate([ '普通','区域发运'])}
Map3 = {elem:index+1 for index,elem in enumerate(set(data["需求类型2"]))}
Map4 = {elem:index+1 for index,elem in enumerate(set(data["是否续签"]))}
Map6 = {elem:index+1 for index,elem in enumerate(set(data["成交对象"]))}
Map7 = {elem:index+1 for index,elem in enumerate(set(data["标的展示策略"]))}
Map8 = {elem:index+1 for index,elem in enumerate(set(data["打包类型"]))}
Map9 = {elem:index+1 for index,elem in enumerate(set(data["子包号"]))}
Map10 = {elem:index+1 for index,elem in enumerate(['三级运输','二级运输', '一级运输'])}
Map11 = {elem:index+1 for index,elem in enumerate(['调低', '未调整', '调高'])}
Map12 = {elem:index+1 for index,elem in enumerate(['N', '常规', '紧急', '非常紧急'])}
Map13 = {elem:index+1 for index,elem in enumerate(set(data["车辆类型分类"]))}
Map14 = {elem:index+1 for index,elem in enumerate(set(data["交易对象"]))}
Map15 = {elem:index+1 for index,elem in enumerate(set(data["地区类型"]))}
Map16 = {elem:index+1 for index,elem in enumerate([ '常规订单', '紧急订单','特急订单'])}
data['业务类型'] = data['业务类型'].map(Map1)
data['需求类型1'] = data['需求类型1'].map(Map2)
data['需求类型2'] = data['需求类型2'].map(Map3)
data['是否续签'] = data['是否续签'].map(Map4)
data['成交对象'] = data['成交对象'].map(Map6)
data['标的展示策略'] = data['标的展示策略'].map(Map7)
data['打包类型'] = data['打包类型'].map(Map8)
data['子包号'] = data['子包号'].map(Map9)
data['运输等级'] = data['运输等级'].map(Map10)
data['调价类型'] = data['调价类型'].map(Map11)
data['调价紧急程度'] = data['调价紧急程度'].map(Map12)
data['车辆类型分类'] = data['车辆类型分类'].map(Map13)
data['交易对象'] = data['交易对象'].map(Map14)
data['地区类型'] = data['地区类型'].map(Map15)
data['需求紧急程度'] = data['需求紧急程度'].map(Map16)
编码完成后我们的数据就变成了这样
对数据进行清洗
在这一步我们需要对无用的数据以及空数据进行清洗
第一步:删除无用的列
dfclr = data.drop(["任务id","始发网点","实际到车时间","目的网点","交易成功时间","交易成功日期","计划发车时间","计划发车日期","分拨时间","最后一次询价时间","装卸的次数","装的次数","卸的次数","调价审核完成时间","调价ECP创建时间","是否需要装卸","始发地省份名称","实际靠车时间","实际结束时间","实际发车时间","任务状态","目的地省份名称","交易开始时间","交易结束时间","计划卸货完成时间","计划卸货等待时长","计划靠车时间","计划到达时间","地区","标的状态","标的_创建时间","标的_创建日期","异常状态","交易模式","需求状态","C端议价最低价","B端议价最低价","车辆类型分类","B端议价反馈数量"],axis=1)
第二步:删除线路总成本字段中有空值的行
dfclr = dfclr[~dfclr["线路总成本"].isin(["N"])]
第三步:将所有的数值转换成float类型
dfclr=pd.DataFrame(dfclr,dtype=np.float)
处理完成后查看我们的数据信息感觉清爽了很多 ,只剩下了23个字段,并且所有字段的数据类型都是float类型
相关系数的计算
下面进入我们的正题,计算相关系数。相关系数可以考察两个事物(在数据里我们称之为变量)之间的相关程度。下面是它的计算公式
下面是计算相关系数的代码,直接调用pandas库的函数计算
dfclr.corr()
现在我们就得到了所有字段之间的相关系数,下面我们根据这些相关系数画出他们的热力图
#设置字体为SimHei显示中文
plt.rcParams['font.sans-serif'] = 'SimHei'
#设置正常显示字符
plt.rcParams['axes.unicode_minus'] = False
# 设置图幅大小
plt.rcParams['figure.figsize'] = (17, 12)
plt.title('相关系数热力图',fontsize="xx-large")
plt.tick_params(labelsize=17)
# 计算相关系数
corrmatrix = dfclr.corr()
# 绘制热力图,热力图横纵坐标分别是data的index/column,vmax/vmin设置热力图颜色标识上下限,center显示颜色标识中心位置,cmap颜色标识颜色设置
sns.heatmap(corrmatrix,square=True,vmax=1,annot=True,vmin=-1,center=0.0,cmap='coolwarm')
然而我们需要的知识跟定价有关的相关系数 ,现在我们把那一列单独摘出来画一个柱状图并按相关系数值的大小进行排序
import numpy as np
# 将全局的字体设置为黑体
plt.rcParams['font.family'] = 'SimHei'
# 设置图幅大小
plt.rcParams['figure.figsize'] = (15, 10)
list = dfclr.corr()["线路价格(不含税)"]
list = sorted(np.abs(np.array(list)),reverse=True)
# 数据
N = 24
x = np.arange(N)
# 显示纵轴标签
plt.ylabel("相关系数",fontsize="xx-large")
# 添加地名坐标
str1 = ["线路价格(不含税)","总里程","线路总成本","线路指导价格","车辆吨位","车辆长度","运输等级","调价类型","地区类型","业务类型","调价比例","需求类型2","需求紧急程度","C端反馈数量","交易成功时长","交易对象","打包类型","线路编码","调价紧急程度", "是否续签","成交对象","标的展示策略","子包号","需求类型1"]# 绘图 x x轴, height 高度, 默认:color="blue", width=0.8
p1 = plt.bar(x, height=list, width=0.5, label="相关系数柱状图", tick_label=str1)
plt.xticks(rotation=-90)
# 添加数据标签
for a, b in zip(x, list):plt.text(a, b+ 0.02,'%.2f' % b, ha='center', va='bottom', fontsize=13)plt.tick_params(labelsize=18)
# 添加图例
plt.legend(fontsize="xx-large")# 展示图形
plt.show()
我们还需要一个线路指导价格的先关系数柱状图,也一并画出来
import numpy as np
# 将全局的字体设置为黑体
plt.rcParams['font.family'] = 'SimHei'
# 设置图幅大小
plt.rcParams['figure.figsize'] = (15, 10)
list = dfclr.corr()["线路指导价(不含税)"]
list = sorted(np.abs(np.array(list)),reverse=True)
# 数据
N = 24
x = np.arange(N)
# 显示纵轴标签
plt.ylabel("相关系数",fontsize="xx-large")
# 添加地名坐标
str1 = ["线路指导价格","总里程","线路总成本","线路价格(不含税)","车辆吨位","车辆长度","运输等级","调价类型","地区类型","业务类型","调价比例","需求类型2","需求紧急程度","C端反馈数量","交易成功时长","交易对象","打包类型","线路编码","调价紧急程度", "是否续签","成交对象","标的展示策略","子包号","需求类型1"]# 绘图 x x轴, height 高度, 默认:color="blue", width=0.8
p1 = plt.bar(x, height=list, width=0.5, label="相关系数柱状图", tick_label=str1)
plt.xticks(rotation=-90)
# 添加数据标签
for a, b in zip(x, list):plt.text(a, b+ 0.02,'%.2f' % b, ha='center', va='bottom', fontsize=13)plt.tick_params(labelsize=18)
# 添加图例
plt.legend(fontsize="xx-large")# 展示图形
plt.show()
进行到这里我们可以根据柱状图很容易得出结果,我们只考虑相关系数0.5以上的字段。
3. 问题二的思路以及具体实现
思路
问题二要求我们建立适当的数学模型对附件1中已成交的线路任务定价数据进行评价。本文中平台采用的是动态定价方式,因此我们站在平台的角度以价格溢出率[(成交价-成本价)/成本价]为评价指标对附件1中的定价数据进行评价。
在这个问题中主要是对数据进行了可视化分析
这是我们的整体思路
具体实现
首先导入所需要的库
from pyecharts.charts import Line
from pyecharts import options as opts
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
读取数据
data = pd.read_excel("附件1:货运线路历史交易数据.xlsx")
在这里我们只对线路成交价格和线路指导价格进行分析
df1 = pd.DataFrame({"线路价格":data['线路价格(不含税)'],"线路指导价(不含税)":data["线路指导价(不含税)"]})
首先我们画出调价比例的箱线图
# 将全局的字体设置为黑体
plt.rcParams['font.family'] = 'SimHei'
plt.style.use("ggplot") #使用ggplot的图形style
plt.rcParams["font.sans-serif"] = "SimHei"
plt.rcParams["axes.unicode_minus"] = False # 设置中文、负号正常显示
plt.figure(figsize=(10,12))
plt.boxplot(x = data["调价比例"], # 绘图数据 widths=0.2, #设置箱体宽度medianprops={'color':'red'}, #中位线设置为红色boxprops=dict(color="blue"), #箱体边框设置为蓝色labels="A", #设置标签whiskerprops = {'color': "black"}, #设置须的颜色,黑色capprops = {'color': "green"}, #设置箱线图顶端和末端横线的属性,颜色为绿色flierprops={'color':'purple','markeredgecolor':"purple"} #异常值属性,这里没有异常值,所以没表现出来)
plt.ylim(0,3.5) # 设置y轴的取值范围
plt.tick_params(labelsize=18)
plt.title("调价比例箱线图",fontsize="xx-large",color="#DE0052")
plt.tick_params(top="off", right="off") # 去掉o箱线图的上方及右方边框的刻度标签
plt.show() # 显示图形,jupyter notebook有另一种写法,可以不用每一次画图都码这句
从调价比例箱线图可以看出调价比例大部分分布在0.9~1.5之间
下面我们将调价比例画成散点图
import numpy as np
import matplotlib.pyplot as plt
x = sorted(data.index.to_list())
y = data["调价比例"]plt.scatter(x,y,c="b",marker='.',s=50,edgecolor='b',alpha=0.5)
plt.show()
额... ...效果好像不是很好,但也能反映出一些问题
下面我们来分析线路知道价格与线路成交价格之间的差值频率分布直方图
#设置字体为SimHei显示中文
plt.rcParams['font.sans-serif'] = 'SimHei'
# 将全局的字体设置为黑体
plt.rcParams['font.family'] = 'SimHei'
df2["new"] = df2["线路指导价(不含税)"] - df2["线路价格"]
plt.hist(df2["new"], bins=50, facecolor="g",density=True, edgecolor="black", alpha=0.7)
# 显示横轴标签
plt.xlabel("区间",fontsize="xx-large")
# 显示纵轴标签
plt.ylabel("频数/频率",fontsize="xx-large")
# 显示图标题
plt.title("频数/频率分布直方图")
plt.tick_params(labelsize=18)
plt.show()
对该图进行分析,发现两种价格差值极小值为-10000,极大值为7500,,差值为0附近的所有数据频率约为0.002,而99%以上的线路指导价格都经过调整,即平台首次发布的线路指导价格不合理,不符合承运人的接受价格,在超过一定时间无人交易后需要进行调价处理。
然后其实还画了其它很多乱七八糟的图,但都有点辣眼睛,这里就不展示了
4. 问题三的思路与 具体实现
对于问题三,应该是本次竞赛的核心问题了。
这里给出我们的定价策略
需求等级程度 | 第一次定价 | 第二次定价 | 第三次定价 |
特急订单 | Min(成本价,预测价) | Min+(Max-min)/2 | Max(成本价,预测价) |
紧急订单 | Min(成本价,预测价) | Min+(Max-min)/2 | Max(成本价,预测价) |
常规订单 | Min(成本价,预测价) | Min+(Max-min)/2 | Max(成本价,预测价) |
目标变化趋势 | 较低的承运成本 交易完成率和交易完成时间 |
对于价格我们根据附件一的数据训练了两个模型,第一个是对线路总成本的预测模型,第二个是对最终成交价的预测,分别对应上表中的成本价和预测价,对于调价策略自我感觉我们做的不是很好,但由于时间有限能力有限我们只能选择了当时认为最好的策略。
对于附件一和附件二的数据预处理主要有以下操作
- 若任务的某个指标的数据信息缺失严重,则直接剔除该指标;若对于某一特定指标的任务相对应的数据信息缺失严重则直接剔除相应的任务。
- 由于我们的值集群较多因此选用z-score 标准化的方法对数据进行标准化。这种方法基于原始数据的均值(mean)和标准差(standard deviation)进行数据的标准化。将A的原始值x使用z-score标准化到x'。该方法适用于属性A的最大值和最小值未知的情况,或有超出取值范围的离群数据的情况。表达式如下:新数据=(原数据-均值)/标准差
- 在第三问中我们对附件1中的离散型数据采用one-Hot编码进行了量化。One-Hot编码是分类编码作为二进制向量的表示,主要采用N位状态寄存器来对N个状态进行编码,每个状态都有它独立的寄存器位,并且在任意时候只有一位有效。
对于网络模型的结构参考下图
数据清洗
数据清洗包括对附件一和附件2的数据清洗,对于附件一由于要预测的值不同,所以要清洗出两份表格,这里只展示了对附件1的线路总成本预测模型所需要的数据进行清洗的流程。其他两个数据清洗流程跟这个大同小异,这里就不进行展示了。
首先是对附件一的数据清洗
导入所需要的库
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
读取数据
data = pd.read_excel("附件1:货运线路历史交易数据.xlsx")
对数据进行清理,清除掉不能用的字段
dfclr = data.drop(["任务id","始发网点","实际到车时间","目的网点","交易成功时间","交易成功日期","计划发车时间","计划发车日期","分拨时间","最后一次询价时间","装卸的次数","成交对象","调价紧急程度","调价类型","子包号","需求类型1","装的次数","卸的次数","调价审核完成时间","调价ECP创建时间","是否需要装卸","始发地省份名称","实际靠车时间","实际结束时间","实际发车时间","任务状态","目的地省份名称","交易开始时间","交易结束时间","计划卸货完成时间","计划靠车时间","C端议价反馈数量","线路价格(不含税)","交易成功时长","计划卸货等待时长","线路指导价(不含税)","计划到达时间","地区","标的状态","标的_创建时间","标的_创建日期","异常状态","交易模式","需求状态","C端议价最低价","B端议价最低价","车辆类型分类","B端议价反馈数量","调价比例"],axis=1)
删除线路总成本中空值行
dfclr = dfclr[~dfclr["线路总成本"].isin(["N"])]
对离散型数据进行one-hot编码
先将线路总成本对应的列弹出
dfclr1 = dfclr.copy()
dfclr1.pop("线路总成本")
进行编码
dfclr1 = pd.get_dummies(dfclr1)
删除附件二中没有对应字段的字段
dfclr1.pop("是否续签_续签ECP审批驳回或撤销")
查看编码完成后的数据对象信息
查看前五行数据
现在将线路总成本列添加进来,然后将所有数据 类型转化为float类型
dfclr1["线路总成本"] = dfclr["线路总成本"]
dfclr1=pd.DataFrame(dfclr1,dtype=np.float)
为了更好地训练网络,对数据进行标准化处理
首先将我们要预测的列弹出
dfclr1.pop("线路总成本")
将数据进行标准化处理
新数据=(原数据-均值)/标准差
def norm(x):return (x - dfclr1.mean()) / dfclr1.std()
data_normal = norm(dfclr1)
查看标准化完成后的数据
现在将要预测的数据列添加进来
data_normal["线路总成本"] = dfclr["线路总成本"]
data_normal=pd.DataFrame(data_normal,dtype=np.float)
最后将处理好的数据保存到Excel文件中
data_normal.to_excel('清洗完成后的数据1.xlsx')
搭建神经网络模型,并进行训练
在这里我搭建了两个模型,一个是对线路总成本进行预测的模型,另一个是对最终成交价进行预测的模型,这里只展示对线路总成本进行预测的模型训练过程
导入所需要的库
from __future__ import absolute_import, division, print_function, unicode_literalsimport pathlibimport matplotlib.pyplot as plt
import pandas as pd
import seaborn as snsimport tensorflow as tffrom tensorflow import keras
from tensorflow.keras import layersprint(tf.__version__)
加载数据,这里用的是清洗完成后的数据
data = pd.read_excel("清洗完成后的数据1.xlsx")
dataset = data.copy()
dataset.tail()
运行结果
查看是否有缺失值
dataset.isna().sum()
拆分训练数据和测试数据集
现在需要将数据集拆分为一个训练数据集和一个测试数据集。
我们最后将使用测试数据集对模型进行评估。
train_dataset = dataset.sample(frac=0.8,random_state=0)
test_dataset = dataset.drop(train_dataset.index)
数据检查
快速查看训练集中的几队列联合分布
# 将全局的字体设置为黑体
plt.rcParams['font.family'] = 'SimHei'
#设置正常显示字符
plt.rcParams['axes.unicode_minus'] = False
sns.pairplot(train_dataset[["线路总成本", "总里程", "车辆吨位", "车辆长度"]], diag_kind="kde")
plt.show()
将要预测的标签特征分离出来
train_labels = train_dataset.pop('线路总成本')
test_labels = test_dataset.pop('线路总成本')
搭建模型
这个模型有两个全连接层和一个连续值的输出层
def build_model():model = keras.Sequential([layers.Dense(64, activation='relu', input_shape=[len(train_dataset.keys())]),layers.Dense(32, activation='relu'),layers.Dense(1)])optimizer = tf.keras.optimizers.RMSprop(0.001)model.compile(loss='mse',optimizer=optimizer,metrics=['mae', 'mse'])return model
创建一个模型实例
model = build_model()
查看模型信息
model.summary()
现在试用下这个模型。从训练数据中批量获取‘10’条例子并对这些例子调用 model.predict 。
example_batch = train_dataset[:10]
example_result = model.predict(example_batch)
example_result
它在正常工作,产生了我们预期的输出数据类型的结果
训练模型
对模型进行500个周期的训练,并在 history 对象中记录训练和验证的准确性。
# 通过为每个完成的时期打印一个点来显示训练进度
class PrintDot(keras.callbacks.Callback):def on_epoch_end(self, epoch, logs):if epoch % 100 == 0: print('')print('.', end='')EPOCHS = 500history = model.fit(train_dataset, train_labels,epochs=EPOCHS, validation_split = 0.2, verbose=0,callbacks=[PrintDot()])
使用 history 对象中存储的统计信息可视化模型的训练进度。
hist = pd.DataFrame(history.history)
hist['epoch'] = history.epoch
hist.tail()
下面是输出的结果
loss | mae | mse | val_loss | val_mae | val_mse | epoch | |
---|---|---|---|---|---|---|---|
495 | 30695.359375 | 68.665344 | 30695.359375 | 32048.011719 | 71.150337 | 32048.011719 | 495 |
496 | 30554.220703 | 68.847916 | 30554.220703 | 27903.931641 | 63.927765 | 27903.931641 | 496 |
497 | 30955.892578 | 68.828369 | 30955.892578 | 28582.398438 | 65.227196 | 28582.398438 | 497 |
498 | 31000.634766 | 68.847435 | 31000.634766 | 28017.330078 | 65.293777 | 28017.330078 | 498 |
499 | 30943.394531 | 68.540855 | 30943.394531 | 28377.320312 | 65.544685 | 28377.320312 | 499 |
我们将训练过程进行可视化
def plot_history(history):hist = pd.DataFrame(history.history)hist['epoch'] = history.epochplt.figure()plt.xlabel('Epoch')plt.ylabel('Mean Abs Error [MPG]')plt.plot(hist['epoch'], hist['mae'],label='Train Error')plt.plot(hist['epoch'], hist['val_mae'],label = 'Val Error')plt.ylim([0,2000])plt.legend()plt.figure()plt.xlabel('Epoch')plt.ylabel('Mean Square Error [$MPG^2$]')plt.plot(hist['epoch'], hist['mse'],label='Train Error')plt.plot(hist['epoch'], hist['val_mse'],label = 'Val Error')plt.ylim([0,100000])plt.legend()plt.show()plot_history(history)
该图表显示在约100个 epochs 之后误差非但没有改进,反而出现恶化。 让我们更新 model.fit 调用,当验证值没有提高上是自动停止训练。 我们将使用一个 EarlyStopping callback 来测试每个 epoch 的训练条件。如果经过一定数量的 epochs 后没有改进,则自动停止训练。
model = build_model()# patience 值用来检查改进 epochs 的数量
early_stop = keras.callbacks.EarlyStopping(monitor='val_loss', patience=10)history = model.fit(train_dataset, train_labels, epochs=EPOCHS,validation_split = 0.2, verbose=0, callbacks=[early_stop, PrintDot()])plot_history(history)
现在让我们看看通过使用 测试集 来泛化模型的效果如何,我们在训练模型时没有使用测试集。
loss, mae, mse = model.evaluate(test_dataset, test_labels, verbose=2)print("Testing set Mean Abs Error: {:5.2f} 元".format(mae))
结果还不错
下面要用我们的模型来对测试数据做预测
#设置字体为SimHei显示中文
plt.rcParams['font.sans-serif'] = 'SimHei'
#设置正常显示字符
plt.rcParams['axes.unicode_minus'] = False
# 设置图幅大小
plt.rcParams['figure.figsize'] = (10, 8)
test_predictions = model.predict(test_dataset).flatten()
plt.tick_params(labelsize=17)
plt.scatter(test_labels, test_predictions)
plt.xlabel('真实值 [线路总成本]',fontsize="xx-large")
plt.ylabel('预测值 [线路总成本]',fontsize="xx-large")
plt.axis('equal')
plt.axis('square')
plt.xlim([0,plt.xlim()[1]])
plt.ylim([0,plt.ylim()[1]])
_ = plt.plot([-15000, 15000], [-15000, 15000])
从图中可以看出模型预测结果基本拟合在一条直线上,说明我们的模型预测结果还不错
下面我们来看一下模型预测的误差分布
#设置字体为SimHei显示中文
plt.rcParams['font.sans-serif'] = 'SimHei'
#设置正常显示字符
plt.rcParams['axes.unicode_minus'] = False
# 设置图幅大小
plt.rcParams['figure.figsize'] = (10, 8)
plt.tick_params(labelsize=17)
error = test_predictions - test_labels
plt.hist(error, bins = 25)
plt.xlabel("预测值损失 [线路总成本]",fontsize="xx-large")
_ = plt.ylabel("数量",fontsize="xx-large")
从图中可以看出我们的模型预测结果误差分布呈高斯分布,大部分误差值都分布在0附近。
最后一步,使用我们的模型对附件2 的数据进行定价
导入附件2清洗后的数据
df_pre = pd.read_excel("附件2数据清理.xlsx")
做预测
result = model.predict(df_pre).flatten()
将预测结果存储到一个pandas对象中
data={'线路总成本':result
}
df_result = pd.DataFrame(data)
将预测的结果存到一个Excel表格中
df_result.to_excel('线路总成本的预测结果.xlsx')
至此,我们的定价预测已经完成
最后针对问题四,要求向无车承运人平台提出合理化建议。首先结合前三问的研究成果对当前无车承运人平台的线路定价策略进行评价,并且指出现阶段该无车承运人平台模式的优势以及劣势,最后,结合自己的研究成果向无车承运人平台提出合理化建议。这个我没有参与太多,这里就不多说了。
如若内容造成侵权/违法违规/事实不符,请联系编程学习网邮箱:809451989@qq.com进行投诉反馈,一经查实,立即删除!
相关文章
- alias中&&后面的命令不执行的问题(没有解决 )
alias startmeta="hive --service metastore&&hiveserver2 &"其中&&表示,前面一句命令执行成功才会执行后面一句...
2024/4/23 22:36:18 - 解决虚拟机以独占方式配置文件失败问题
问题原因:另一个正在运行的VMware进程可能正在使用配置文件,可能是因为当时关闭虚拟机时没有完全正常关闭,再次打开时就会内部错误,资源占用。如何解决:通过禁用启动项的方式结束旧进程占用,再次开启相关服务即可重新正常打开虚拟机1、“win +R”,输入msconfig,回车 2、…...
2024/4/24 10:07:47 - C++内存管理
C++程序运行时使用三种内存,一种是static内存,还有一种是stack内存,以及heap内存(动态内存池)。static内存用于local static object,class static members,以及在函数外定义的全局对象。static对象在生成后一直存在,直到程序结束。static内存由编译器直接管理,程序无法控…...
2024/5/4 5:30:28 - VMware 虚拟机与宿主机之间ping不通
环境VMware 15Windows server 2016原因虚拟机与宿主机之间,虚拟机可以ping通宿主机,但是宿主机却ping不通虚拟机;且 虚拟机和宿主机不在同一网段内。解决方法“我的计算机” 上,选择 “编辑” —“虚拟网络编辑器”11001 是自己定义的 ,然后点击确定连接工具:SecureCRT参…...
2024/4/24 10:07:43 - 【python实用特性】- yield生成器
文章目录1、什么是生成器?2、为何要用生成器?有何好处?3、python中如何实现生成器?4、yield生成器的运行机制5、使用循环来迭代生成器 这个概念较难理解,我们可以通过解答以下几个问题来掌握它。 本节会用到可迭代对象及列表生成器知识,建议先看下之前的文章进行了解。 【…...
2024/4/24 10:07:43 - MYSQL 一 安装方法
MYSQL 一 安装方法下载地址常用命令MYSQLadmin命令MYSQL安装yum安装通用二进制方式安装MYSQL编译安装实战案例:一键安装mysql-5.6二进制包的脚本 下载地址 CentOS 安装光盘 项目官方:https://downloads.mariadb.org/mariadb/repositories/ 国内镜像: https://mirrors.tuna.t…...
2024/4/24 6:41:36 - Hadoop分布式文件系统(HDFS)优缺点、角色、副本机制及文件读写
HDFS特点 HDFS优点 支持处理超大文件 可运行在廉价机器上 高容错性 流式文件写入 HDFS缺点 不适合低延时数据访问场景(立即响应) 不适合小文件存取场景 不适合并发写入,文件随机修改场景 HDFS CLI (命令行) 基本格式 hdfs dfs -cmd<args> hadoop fs -cmd<args>(…...
2024/4/16 8:22:36 - 带锁存器的时序逻辑综合
带锁存器的时序逻辑综合锁存器的无意综合锁存器的有意综合 锁存器生成的方式有两种:有意的和无意的。无意综合出的锁存器只会浪费面积,所以知道什么时候该综合出锁存器就很有必要。一个无反馈的组合原语网表可综合成无锁存的组合逻辑 描述组合逻辑的一组连续赋值中一定不能有…...
2024/4/16 8:22:51 - Docker搭建nexus并配置docker私有仓库
搭建Nexus是用于Maven私服的,不过在官网上发现最新的Nexus 3.x还支持Docker仓库了,所以使用docker来搭建一下Nexus查找镜像docker search nexus选取使用次数较多是镜像 拉取镜像docker pull sonatype/nexus3查看拉取的镜像docker images启动容器docker run -d --name nexus3 …...
2024/4/16 8:22:26 - liunx操作系统中虚拟机的安装配置简介
1.新建虚拟电脑:如图所配置2.设置环境属性:(1)系统:①主板:启动顺序改为:光驱->硬盘②处理器:数量由1->4(2)显示:显卡控制器:更改为VBoxVGA(3)存储:选择centOs虚拟盘:(4)网卡:①网卡1:连接方式改为仅主机(Host-Only)网络②网卡2:启动网络连接,连接方式选择网络地址转换。…...
2024/4/16 8:22:36 - LAMMPS 服务器安装过程
由于我之前已经在服务器里装好了gromacs和NAMD,因此openmpi fftw等都已经装好了。 假装所有的依赖包都没有安装,那么在root权限下输入下面的命令: apt-get install gcc apt-get install g++ apt-get install mpi-default-* apt-get install libfftw3* 即可把这些包都安装好。…...
2024/4/19 15:11:07 - PAT A1062 Talent and Virtue
文章目录题目描述知识点实现码前思考代码实现码后反思题目描述 根据给定规则,对人进行排序 知识点 排序 实现 码前思考主要就是要看清题目中条件,要仔细看是大于,还是等于,还是小于,不要粗心; 此外,在输入数据时就应该对人划分等级呀,这样后面排序会好弄很多。你要是排…...
2024/4/16 8:22:36 - 百度-鼠标拖拽移动
一、思路 1、创建一个盒子 2、监听 mousedown、mouseup、mousemove事件 3、创建一个机制 let canMove = false 来处理鼠标是否抬起 4、盒子定位、把鼠标的值赋过去 5、阻止默认事件 和浏览器失去焦点 6、控制盒子在浏览器内不出去<div class="demo"><p>…...
2024/4/16 8:22:51 - 三、手机自动化测试平台搭建----第三节STF环境连接手机
一、背景stf 连接各操作系统上安卓设备的操作方法分享,二、目的将没有安装stf组件电脑上连接的android设备,添加映射到装有stf平台服务的机器上(可以看作Master-Slave主从关系) 三、环境前置环境示例1: Mac 服务器,安装stf完整组件,作为master节点。[IP:172.17.9.49] Wi…...
2024/5/4 2:53:16 - 解决iconfont 只显示小方框的问题
将自己需要的图标加入到购物车,随后添加到创建的项目中css引入 http://at.alicdn.com/t/font_1858400_ymr5z8mnbsf.css <link rel="stylesheet" href="http://at.alicdn.com/t/font_1858400_ymr5z8mnbsf.css"><i class="iconfont icon-jzan…...
2024/4/24 10:07:40 - 【堆栈】中缀表达式转化为后缀表达式以及后缀表达式的计算
一、中缀表达式转化为后缀表达式 1.规则从头到尾读取,对不同的对象操作不同数字:直接输出左括号(:直接压入堆栈,不用管优先级,但在左括号压入堆栈之后,左括号默认为优先级最低右括号):遇到右括号以后就一个一个pop运算符,直到遇到左括号,把右括号pop以后停止操作运算…...
2024/4/24 10:07:39 - [leetcode/lintcode 题解] 滴滴面试题:字符删除
【题目描述】 输入两个字符串,从第一字符串中删除第二个字符串中所有的字符 在线评测地址: https://www.lintcode.com/problem/character-deletion/?utm_source=sc-csdn-fks0602 样例 : 输入: str=”They are students”,sub=”aeiou” 输出: ”Thy r stdnts”【题解】 用一…...
2024/4/24 10:07:38 - 街景字符编码识别项目学习笔记(五)
学习目标:学习集成学习方法以及交叉验证情况下的模型集成、学会使用深度学习模型的集成学习、以及对5月31号安神的直播做了一些总结一、模型集成 1 机器学习中的集成学习方法 在机器学习中的集成学习可以在一定程度上提高预测精度,常见的集成学习方法有Stacking、Bagging和Bo…...
2024/4/24 10:07:37 - SpringCloud Sleuth+Zipkin 分布式链路追踪
目录Sleuth的使用Zipkin的使用服务a调用服务b,服务b调用服务c,a->b->c,这就形成了一个链路,链路追踪可以查看链路数据、分析链路耗时,针对性地进行优化。 Sleuth用于日志埋点,记录、收集链路数据,Zipkin用于可视化地展示收集的链路数据。Sleuth的使用 1、创建消费…...
2024/4/24 10:07:36 - 服务器搭建(01)Gerrit服务器搭建 & 内网访问
说明:本次服务器的搭建主要是在window上VMWare虚拟机上 搭建一个gerrit服务器 作为测试,了解gerrit服务器搭建的整个流程,最后确保 gerrit 可以在本机的ubuntu虚拟机上可以正常运行。1 基本环境搭建与配置(针对ubuntu18.04):Linux基本软件的安装:$sudo apt-get install …...
2024/4/24 10:07:35
最新文章
- [C++基础学习]----04-一维数组和二维数组详解
前言 在C中,数组是一种用来存储相同类型元素的数据结构。一维数组是最简单的数组形式,它由一系列按顺序存储的元素组成。二维数组则是由一维数组构成的数组,可以看作是一堆一维数组堆叠在一起形成的矩阵。 正文 01-数组简介 一维数组和二维…...
2024/5/4 5:35:55 - 梯度消失和梯度爆炸的一些处理方法
在这里是记录一下梯度消失或梯度爆炸的一些处理技巧。全当学习总结了如有错误还请留言,在此感激不尽。 权重和梯度的更新公式如下: w w − η ⋅ ∇ w w w - \eta \cdot \nabla w ww−η⋅∇w 个人通俗的理解梯度消失就是网络模型在反向求导的时候出…...
2024/3/20 10:50:27 - 第十三届蓝桥杯大赛软件赛省赛C/C++ 大学 B 组 题解
VP比赛链接 : 数据加载中... - 蓝桥云课 1 . 九进制 转 十进制 直接模拟就好了 #include <iostream> using namespace std; int main() {// 请在此输入您的代码int x 22*92*81*9;cout << x << endl ;return 0; } 2 . 顺子日期 枚举出每个情况即可 : …...
2024/4/30 1:59:34 - STM32-GPIO
🤓🤓🤓 122.1 2.22.3 344.14.24.34.44.54.64.74.8 56788.18.299.19.2 STM32 第一个外设 1 对我们来说 和IO口没区别 ST公司非叫GPIO 2 2.1 第二个是超频了 F1 72M 这翻转就36 2.2 有cmos 和ttl两种数据手册里给出整个芯片最低电流为150ma 单…...
2024/5/1 13:09:46 - 【外汇早评】美通胀数据走低,美元调整
原标题:【外汇早评】美通胀数据走低,美元调整昨日美国方面公布了新一期的核心PCE物价指数数据,同比增长1.6%,低于前值和预期值的1.7%,距离美联储的通胀目标2%继续走低,通胀压力较低,且此前美国一季度GDP初值中的消费部分下滑明显,因此市场对美联储后续更可能降息的政策…...
2024/5/1 17:30:59 - 【原油贵金属周评】原油多头拥挤,价格调整
原标题:【原油贵金属周评】原油多头拥挤,价格调整本周国际劳动节,我们喜迎四天假期,但是整个金融市场确实流动性充沛,大事频发,各个商品波动剧烈。美国方面,在本周四凌晨公布5月份的利率决议和新闻发布会,维持联邦基金利率在2.25%-2.50%不变,符合市场预期。同时美联储…...
2024/5/2 16:16:39 - 【外汇周评】靓丽非农不及疲软通胀影响
原标题:【外汇周评】靓丽非农不及疲软通胀影响在刚结束的周五,美国方面公布了新一期的非农就业数据,大幅好于前值和预期,新增就业重新回到20万以上。具体数据: 美国4月非农就业人口变动 26.3万人,预期 19万人,前值 19.6万人。 美国4月失业率 3.6%,预期 3.8%,前值 3…...
2024/4/29 2:29:43 - 【原油贵金属早评】库存继续增加,油价收跌
原标题:【原油贵金属早评】库存继续增加,油价收跌周三清晨公布美国当周API原油库存数据,上周原油库存增加281万桶至4.692亿桶,增幅超过预期的74.4万桶。且有消息人士称,沙特阿美据悉将于6月向亚洲炼油厂额外出售更多原油,印度炼油商预计将每日获得至多20万桶的额外原油供…...
2024/5/3 23:10:03 - 【外汇早评】日本央行会议纪要不改日元强势
原标题:【外汇早评】日本央行会议纪要不改日元强势近两日日元大幅走强与近期市场风险情绪上升,避险资金回流日元有关,也与前一段时间的美日贸易谈判给日本缓冲期,日本方面对汇率问题也避免继续贬值有关。虽然今日早间日本央行公布的利率会议纪要仍然是支持宽松政策,但这符…...
2024/4/27 17:58:04 - 【原油贵金属早评】欧佩克稳定市场,填补伊朗问题的影响
原标题:【原油贵金属早评】欧佩克稳定市场,填补伊朗问题的影响近日伊朗局势升温,导致市场担忧影响原油供给,油价试图反弹。此时OPEC表态稳定市场。据消息人士透露,沙特6月石油出口料将低于700万桶/日,沙特已经收到石油消费国提出的6月份扩大出口的“适度要求”,沙特将满…...
2024/4/27 14:22:49 - 【外汇早评】美欲与伊朗重谈协议
原标题:【外汇早评】美欲与伊朗重谈协议美国对伊朗的制裁遭到伊朗的抗议,昨日伊朗方面提出将部分退出伊核协议。而此行为又遭到欧洲方面对伊朗的谴责和警告,伊朗外长昨日回应称,欧洲国家履行它们的义务,伊核协议就能保证存续。据传闻伊朗的导弹已经对准了以色列和美国的航…...
2024/4/28 1:28:33 - 【原油贵金属早评】波动率飙升,市场情绪动荡
原标题:【原油贵金属早评】波动率飙升,市场情绪动荡因中美贸易谈判不安情绪影响,金融市场各资产品种出现明显的波动。随着美国与中方开启第十一轮谈判之际,美国按照既定计划向中国2000亿商品征收25%的关税,市场情绪有所平复,已经开始接受这一事实。虽然波动率-恐慌指数VI…...
2024/4/30 9:43:09 - 【原油贵金属周评】伊朗局势升温,黄金多头跃跃欲试
原标题:【原油贵金属周评】伊朗局势升温,黄金多头跃跃欲试美国和伊朗的局势继续升温,市场风险情绪上升,避险黄金有向上突破阻力的迹象。原油方面稍显平稳,近期美国和OPEC加大供给及市场需求回落的影响,伊朗局势并未推升油价走强。近期中美贸易谈判摩擦再度升级,美国对中…...
2024/4/27 17:59:30 - 【原油贵金属早评】市场情绪继续恶化,黄金上破
原标题:【原油贵金属早评】市场情绪继续恶化,黄金上破周初中国针对于美国加征关税的进行的反制措施引发市场情绪的大幅波动,人民币汇率出现大幅的贬值动能,金融市场受到非常明显的冲击。尤其是波动率起来之后,对于股市的表现尤其不安。隔夜美国股市出现明显的下行走势,这…...
2024/5/2 15:04:34 - 【外汇早评】美伊僵持,风险情绪继续升温
原标题:【外汇早评】美伊僵持,风险情绪继续升温昨日沙特两艘油轮再次发生爆炸事件,导致波斯湾局势进一步恶化,市场担忧美伊可能会出现摩擦生火,避险品种获得支撑,黄金和日元大幅走强。美指受中美贸易问题影响而在低位震荡。继5月12日,四艘商船在阿联酋领海附近的阿曼湾、…...
2024/4/28 1:34:08 - 【原油贵金属早评】贸易冲突导致需求低迷,油价弱势
原标题:【原油贵金属早评】贸易冲突导致需求低迷,油价弱势近日虽然伊朗局势升温,中东地区几起油船被袭击事件影响,但油价并未走高,而是出于调整结构中。由于市场预期局势失控的可能性较低,而中美贸易问题导致的全球经济衰退风险更大,需求会持续低迷,因此油价调整压力较…...
2024/4/26 19:03:37 - 氧生福地 玩美北湖(上)——为时光守候两千年
原标题:氧生福地 玩美北湖(上)——为时光守候两千年一次说走就走的旅行,只有一张高铁票的距离~ 所以,湖南郴州,我来了~ 从广州南站出发,一个半小时就到达郴州西站了。在动车上,同时改票的南风兄和我居然被分到了一个车厢,所以一路非常愉快地聊了过来。 挺好,最起…...
2024/4/29 20:46:55 - 氧生福地 玩美北湖(中)——永春梯田里的美与鲜
原标题:氧生福地 玩美北湖(中)——永春梯田里的美与鲜一觉醒来,因为大家太爱“美”照,在柳毅山庄去寻找龙女而错过了早餐时间。近十点,向导坏坏还是带着饥肠辘辘的我们去吃郴州最富有盛名的“鱼头粉”。说这是“十二分推荐”,到郴州必吃的美食之一。 哇塞!那个味美香甜…...
2024/4/30 22:21:04 - 氧生福地 玩美北湖(下)——奔跑吧骚年!
原标题:氧生福地 玩美北湖(下)——奔跑吧骚年!让我们红尘做伴 活得潇潇洒洒 策马奔腾共享人世繁华 对酒当歌唱出心中喜悦 轰轰烈烈把握青春年华 让我们红尘做伴 活得潇潇洒洒 策马奔腾共享人世繁华 对酒当歌唱出心中喜悦 轰轰烈烈把握青春年华 啊……啊……啊 两…...
2024/5/1 4:32:01 - 扒开伪装医用面膜,翻六倍价格宰客,小姐姐注意了!
原标题:扒开伪装医用面膜,翻六倍价格宰客,小姐姐注意了!扒开伪装医用面膜,翻六倍价格宰客!当行业里的某一品项火爆了,就会有很多商家蹭热度,装逼忽悠,最近火爆朋友圈的医用面膜,被沾上了污点,到底怎么回事呢? “比普通面膜安全、效果好!痘痘、痘印、敏感肌都能用…...
2024/5/4 2:59:34 - 「发现」铁皮石斛仙草之神奇功效用于医用面膜
原标题:「发现」铁皮石斛仙草之神奇功效用于医用面膜丽彦妆铁皮石斛医用面膜|石斛多糖无菌修护补水贴19大优势: 1、铁皮石斛:自唐宋以来,一直被列为皇室贡品,铁皮石斛生于海拔1600米的悬崖峭壁之上,繁殖力差,产量极低,所以古代仅供皇室、贵族享用 2、铁皮石斛自古民间…...
2024/4/28 5:48:52 - 丽彦妆\医用面膜\冷敷贴轻奢医学护肤引导者
原标题:丽彦妆\医用面膜\冷敷贴轻奢医学护肤引导者【公司简介】 广州华彬企业隶属香港华彬集团有限公司,专注美业21年,其旗下品牌: 「圣茵美」私密荷尔蒙抗衰,产后修复 「圣仪轩」私密荷尔蒙抗衰,产后修复 「花茵莳」私密荷尔蒙抗衰,产后修复 「丽彦妆」专注医学护…...
2024/4/30 9:42:22 - 广州械字号面膜生产厂家OEM/ODM4项须知!
原标题:广州械字号面膜生产厂家OEM/ODM4项须知!广州械字号面膜生产厂家OEM/ODM流程及注意事项解读: 械字号医用面膜,其实在我国并没有严格的定义,通常我们说的医美面膜指的应该是一种「医用敷料」,也就是说,医用面膜其实算作「医疗器械」的一种,又称「医用冷敷贴」。 …...
2024/5/2 9:07:46 - 械字号医用眼膜缓解用眼过度到底有无作用?
原标题:械字号医用眼膜缓解用眼过度到底有无作用?医用眼膜/械字号眼膜/医用冷敷眼贴 凝胶层为亲水高分子材料,含70%以上的水分。体表皮肤温度传导到本产品的凝胶层,热量被凝胶内水分子吸收,通过水分的蒸发带走大量的热量,可迅速地降低体表皮肤局部温度,减轻局部皮肤的灼…...
2024/4/30 9:42:49 - 配置失败还原请勿关闭计算机,电脑开机屏幕上面显示,配置失败还原更改 请勿关闭计算机 开不了机 这个问题怎么办...
解析如下:1、长按电脑电源键直至关机,然后再按一次电源健重启电脑,按F8健进入安全模式2、安全模式下进入Windows系统桌面后,按住“winR”打开运行窗口,输入“services.msc”打开服务设置3、在服务界面,选中…...
2022/11/19 21:17:18 - 错误使用 reshape要执行 RESHAPE,请勿更改元素数目。
%读入6幅图像(每一幅图像的大小是564*564) f1 imread(WashingtonDC_Band1_564.tif); subplot(3,2,1),imshow(f1); f2 imread(WashingtonDC_Band2_564.tif); subplot(3,2,2),imshow(f2); f3 imread(WashingtonDC_Band3_564.tif); subplot(3,2,3),imsho…...
2022/11/19 21:17:16 - 配置 已完成 请勿关闭计算机,win7系统关机提示“配置Windows Update已完成30%请勿关闭计算机...
win7系统关机提示“配置Windows Update已完成30%请勿关闭计算机”问题的解决方法在win7系统关机时如果有升级系统的或者其他需要会直接进入一个 等待界面,在等待界面中我们需要等待操作结束才能关机,虽然这比较麻烦,但是对系统进行配置和升级…...
2022/11/19 21:17:15 - 台式电脑显示配置100%请勿关闭计算机,“准备配置windows 请勿关闭计算机”的解决方法...
有不少用户在重装Win7系统或更新系统后会遇到“准备配置windows,请勿关闭计算机”的提示,要过很久才能进入系统,有的用户甚至几个小时也无法进入,下面就教大家这个问题的解决方法。第一种方法:我们首先在左下角的“开始…...
2022/11/19 21:17:14 - win7 正在配置 请勿关闭计算机,怎么办Win7开机显示正在配置Windows Update请勿关机...
置信有很多用户都跟小编一样遇到过这样的问题,电脑时发现开机屏幕显现“正在配置Windows Update,请勿关机”(如下图所示),而且还需求等大约5分钟才干进入系统。这是怎样回事呢?一切都是正常操作的,为什么开时机呈现“正…...
2022/11/19 21:17:13 - 准备配置windows 请勿关闭计算机 蓝屏,Win7开机总是出现提示“配置Windows请勿关机”...
Win7系统开机启动时总是出现“配置Windows请勿关机”的提示,没过几秒后电脑自动重启,每次开机都这样无法进入系统,此时碰到这种现象的用户就可以使用以下5种方法解决问题。方法一:开机按下F8,在出现的Windows高级启动选…...
2022/11/19 21:17:12 - 准备windows请勿关闭计算机要多久,windows10系统提示正在准备windows请勿关闭计算机怎么办...
有不少windows10系统用户反映说碰到这样一个情况,就是电脑提示正在准备windows请勿关闭计算机,碰到这样的问题该怎么解决呢,现在小编就给大家分享一下windows10系统提示正在准备windows请勿关闭计算机的具体第一种方法:1、2、依次…...
2022/11/19 21:17:11 - 配置 已完成 请勿关闭计算机,win7系统关机提示“配置Windows Update已完成30%请勿关闭计算机”的解决方法...
今天和大家分享一下win7系统重装了Win7旗舰版系统后,每次关机的时候桌面上都会显示一个“配置Windows Update的界面,提示请勿关闭计算机”,每次停留好几分钟才能正常关机,导致什么情况引起的呢?出现配置Windows Update…...
2022/11/19 21:17:10 - 电脑桌面一直是清理请关闭计算机,windows7一直卡在清理 请勿关闭计算机-win7清理请勿关机,win7配置更新35%不动...
只能是等着,别无他法。说是卡着如果你看硬盘灯应该在读写。如果从 Win 10 无法正常回滚,只能是考虑备份数据后重装系统了。解决来方案一:管理员运行cmd:net stop WuAuServcd %windir%ren SoftwareDistribution SDoldnet start WuA…...
2022/11/19 21:17:09 - 计算机配置更新不起,电脑提示“配置Windows Update请勿关闭计算机”怎么办?
原标题:电脑提示“配置Windows Update请勿关闭计算机”怎么办?win7系统中在开机与关闭的时候总是显示“配置windows update请勿关闭计算机”相信有不少朋友都曾遇到过一次两次还能忍但经常遇到就叫人感到心烦了遇到这种问题怎么办呢?一般的方…...
2022/11/19 21:17:08 - 计算机正在配置无法关机,关机提示 windows7 正在配置windows 请勿关闭计算机 ,然后等了一晚上也没有关掉。现在电脑无法正常关机...
关机提示 windows7 正在配置windows 请勿关闭计算机 ,然后等了一晚上也没有关掉。现在电脑无法正常关机以下文字资料是由(历史新知网www.lishixinzhi.com)小编为大家搜集整理后发布的内容,让我们赶快一起来看一下吧!关机提示 windows7 正在配…...
2022/11/19 21:17:05 - 钉钉提示请勿通过开发者调试模式_钉钉请勿通过开发者调试模式是真的吗好不好用...
钉钉请勿通过开发者调试模式是真的吗好不好用 更新时间:2020-04-20 22:24:19 浏览次数:729次 区域: 南阳 > 卧龙 列举网提醒您:为保障您的权益,请不要提前支付任何费用! 虚拟位置外设器!!轨迹模拟&虚拟位置外设神器 专业用于:钉钉,外勤365,红圈通,企业微信和…...
2022/11/19 21:17:05 - 配置失败还原请勿关闭计算机怎么办,win7系统出现“配置windows update失败 还原更改 请勿关闭计算机”,长时间没反应,无法进入系统的解决方案...
前几天班里有位学生电脑(windows 7系统)出问题了,具体表现是开机时一直停留在“配置windows update失败 还原更改 请勿关闭计算机”这个界面,长时间没反应,无法进入系统。这个问题原来帮其他同学也解决过,网上搜了不少资料&#x…...
2022/11/19 21:17:04 - 一个电脑无法关闭计算机你应该怎么办,电脑显示“清理请勿关闭计算机”怎么办?...
本文为你提供了3个有效解决电脑显示“清理请勿关闭计算机”问题的方法,并在最后教给你1种保护系统安全的好方法,一起来看看!电脑出现“清理请勿关闭计算机”在Windows 7(SP1)和Windows Server 2008 R2 SP1中,添加了1个新功能在“磁…...
2022/11/19 21:17:03 - 请勿关闭计算机还原更改要多久,电脑显示:配置windows更新失败,正在还原更改,请勿关闭计算机怎么办...
许多用户在长期不使用电脑的时候,开启电脑发现电脑显示:配置windows更新失败,正在还原更改,请勿关闭计算机。。.这要怎么办呢?下面小编就带着大家一起看看吧!如果能够正常进入系统,建议您暂时移…...
2022/11/19 21:17:02 - 还原更改请勿关闭计算机 要多久,配置windows update失败 还原更改 请勿关闭计算机,电脑开机后一直显示以...
配置windows update失败 还原更改 请勿关闭计算机,电脑开机后一直显示以以下文字资料是由(历史新知网www.lishixinzhi.com)小编为大家搜集整理后发布的内容,让我们赶快一起来看一下吧!配置windows update失败 还原更改 请勿关闭计算机&#x…...
2022/11/19 21:17:01 - 电脑配置中请勿关闭计算机怎么办,准备配置windows请勿关闭计算机一直显示怎么办【图解】...
不知道大家有没有遇到过这样的一个问题,就是我们的win7系统在关机的时候,总是喜欢显示“准备配置windows,请勿关机”这样的一个页面,没有什么大碍,但是如果一直等着的话就要两个小时甚至更久都关不了机,非常…...
2022/11/19 21:17:00 - 正在准备配置请勿关闭计算机,正在准备配置windows请勿关闭计算机时间长了解决教程...
当电脑出现正在准备配置windows请勿关闭计算机时,一般是您正对windows进行升级,但是这个要是长时间没有反应,我们不能再傻等下去了。可能是电脑出了别的问题了,来看看教程的说法。正在准备配置windows请勿关闭计算机时间长了方法一…...
2022/11/19 21:16:59 - 配置失败还原请勿关闭计算机,配置Windows Update失败,还原更改请勿关闭计算机...
我们使用电脑的过程中有时会遇到这种情况,当我们打开电脑之后,发现一直停留在一个界面:“配置Windows Update失败,还原更改请勿关闭计算机”,等了许久还是无法进入系统。如果我们遇到此类问题应该如何解决呢࿰…...
2022/11/19 21:16:58 - 如何在iPhone上关闭“请勿打扰”
Apple’s “Do Not Disturb While Driving” is a potentially lifesaving iPhone feature, but it doesn’t always turn on automatically at the appropriate time. For example, you might be a passenger in a moving car, but your iPhone may think you’re the one dri…...
2022/11/19 21:16:57