精彩专栏推荐订阅:在 下方专栏👇🏻👇🏻👇🏻👇🏻
💖🔥作者主页:计算机毕设木哥🔥 💖
文章目录
一、项目介绍
第一段:研究背景
随着信息技术的快速发展和大数据时代的到来,各行各业开始意识到数据的重要性,并希望通过数据分析来优化决策过程。在石油零售行业中,加油站作为主要的服务终端,日常运营过程中会产生大量的数据,包括销售数据、客户数据、库存数据等。这些数据不仅数量庞大,而且种类繁多,如何有效管理和利用这些数据,以提高运营效率和服务质量,成为了行业内的迫切需求。因此,基于大数据的加油站数据可视化分析系统的研究具有重要的现实意义和实际应用价值。
第二段:现有解决方案存在的问题
目前,加油站数据可视化分析系统的研究还处于初级阶段,存在很多问题。首先,很多加油站使用的数据管理系统仍然是传统的数据库管理系统,数据处理能力有限,无法处理大量的数据。其次,现有的数据分析工具缺乏直观的可视化界面,用户难以理解和使用。此外,现有的系统缺乏对数据的深度分析和挖掘能力,无法提供全面的数据支持和决策辅助。这些问题进一步强调了研究基于大数据的加油站数据可视化分析系统的必要性。
第三段:研究目的与意义
本课题旨在开发一套基于大数据的加油站数据可视化分析系统,通过对海量数据的收集、整理、分析和可视化,为加油站运营提供全面的数据支持和决策辅助。本课题的研究具有以下意义:
提高加油站的运营效率和服务质量:通过数据分析和可视化,可以实时监控加油站的运营情况,及时发现问题并进行处理,从而提高运营效率和服务质量。
制定更为精准的市场策略:通过对市场数据的分析和挖掘,可以了解市场需求和竞争情况,制定更为精准的市场策略,提高市场竞争力。
降低运营风险:通过对数据的分析和监控,可以及时发现潜在的风险和问题,并进行处理和解决,从而降低运营风险。
推动大数据技术在石油零售行业的应用和发展:本课题的研究可以推动大数据技术在石油零售行业的应用和发展,为行业的可持续发展提供支持。
二、开发环境
- 大数据技术:Hadoop、Spark、Hive
- 开发技术:Python、Django框架、Vue、Echarts
- 软件工具:Pycharm、DataGrip、Anaconda、VM虚拟机
三、系统展示-基于大数据的加油站数据可视化分析系统
四、代码展示
import sys
sys.path.append(r'F:\workplace\Python\ml\LSTM-Agricultural-Products-Prices\Time-Series-Prediction-with-LSTM/')
from utils import eemd_tools, data_tools, networks_factory, data_metrics
from utils.constants import const
# fix random seed for reproducibility
np.random.seed(7)
data_multi = np.load(const.PROJECT_DIR + "data/eemd/apple/data_multi.npy")
print("# shape", data_multi.shape) # not .shape()
# print(data_multi)
n_dims = data_multi.shape[1] # magic number !
print("# dims: ", n_dims)
# normalize features
scaler = data_tools.Po_MinMaxScaler
scaled = scaler.fit_transform(data_multi)
output = 1
lag = const.LOOK_BACK
reframed = data_tools.series_to_supervised(scaled, lag, output)
# drop columns we don't want to predict
index_drop = [-j-1 for j in range(data_multi.shape[1] - 1)]
reframed.drop(reframed.columns[index_drop], axis=1, inplace=True)
data_supervised = reframed.values
print("# shape:", reframed.shape)
print(len(data_multi) == len(reframed) + lag)
# print(reframed.head(3))
# split into train and test sets
train_size = int(len(data_supervised) * const.TRAIN_SCALE)
test_size = len(data_supervised) - train_size
train_data, test_data = data_supervised[0:train_size,:], data_supervised[train_size:len(data_multi),:]
print(len(train_data), len(test_data))
print(len(data_supervised) == len(train_data) + len(test_data))
# print(train_data)
# split into input and outputs
train_X, train_Y = train_data[:, :-1], train_data[:, -1]
test_X, test_Y = test_data[:, :-1], test_data[:, -1]
print("# shape:", train_X.shape)
print("# shape:", train_Y.shape)
from sklearn.utils import shuffle
from scipy.sparse import coo_matrix
# shuffle train set (include validation set)
trainX_sparse = coo_matrix(train_X) # sparse matrix
train_X, trainX_sparse, train_Y = shuffle(train_X, trainX_sparse, train_Y, random_state=0)
time_steps = lag
n_lstm_neurons = [8, 16, 32, 64, 128]
# n_lstm_neurons = [8] # for once
n_epoch = networks_factory.EPOCHS
n_batch_size = networks_factory.BATCH_SIZE
# reshape input to be 3D [samples, timesteps, features]
train_X = train_X.reshape((train_X.shape[0], time_steps, train_X.shape[1]//time_steps))
test_X = test_X.reshape((test_X.shape[0], time_steps, test_X.shape[1]//time_steps))
print(train_X.shape, train_Y.shape)
print(test_X.shape, test_Y.shape)
for i, n_lstm_neuron in enumerate(n_lstm_neurons):
print("-----------n_lstm_neuron: %d--------------" % n_lstm_neuron)
s, model = networks_factory.create_lstm_model_dropout(lstm_neurons=n_lstm_neuron, hidden_layers=2,
lenth=time_steps, dims=n_dims, n_out=1)
model.compile(loss='mean_squared_error', optimizer='adam')
history = model.fit(train_X, train_Y, epochs=10, batch_size=n_batch_size, validation_split=const.VALIDATION_SCALE,
verbose=0, callbacks=[networks_factory.ES]) # callbacks=[networks_factory.ES]
print("# Finished Training...")
# make a prediction
train_predict = model.predict(train_X)
test_predict = model.predict(test_X)
# invert predictions
inv_trainP, inv_trainY = data_tools.inv_transform_multi(scaler, train_X, train_predict, train_Y)
inv_testP, inv_testY = data_tools.inv_transform_multi(scaler, test_X, test_predict, test_Y)
# calculate RMSE, MAPE, Dstat
train_rmse = sqrt(mean_squared_error(inv_trainP, inv_trainY))
test_rmse = sqrt(mean_squared_error(inv_testP, inv_testY))
print('Train RMSE: %.4f, Test RMSE: %.4f' % (train_rmse, test_rmse))
train_mape = data_metrics.MAPE(inv_trainP, inv_trainY)
test_mape = data_metrics.MAPE(inv_testP, inv_testY)
print('Train MAPE: %.4f, Test MAPE: %.4f' % (train_mape, test_mape))
train_ds = data_metrics.Dstat(inv_trainP, inv_trainY)
test_ds = data_metrics.Dstat(inv_testP, inv_testY)
print('Train Dstat: %.4f, Test Dstat: %.4f' % (train_ds, test_ds))
print("# All Done!")
五、项目总结
本研究致力于开发一套基于大数据的加油站数据可视化分析系统,旨在解决石油零售行业中加油站在数据处理、分析和可视化方面的挑战。通过深入研究和实地测试,我们成功地开发出一套高效、直观且易于使用的系统,能够实时收集、整理、分析和呈现加油站的各种运营数据,从而为加油站运营提供全面的数据支持和决策辅助。