基于K-medoids聚类的异构环境多源烟草物流数据集成方法研究

打开文本图片集

摘  要：由于烟草物流行业在运营过程中涉及的数据来源极其广泛且多样，数据不仅格式各异、结构复杂，而且往往分散存储在不同的信息系统中，导致物流数据在集成的过程中，出现数据吞吐量较低的现象。针对上述现象，提出基于K-medoids聚类的异构环境多源烟草物流数据集成方法。通过欠采样平衡类别分布，利用数据相关性和阈值清洗剔除冗余信息，提高异构环境多源烟草物流数据质量，设计基于K-medoids聚类的烟草物流数据集成框架，使用迁移学习动态调整源域权重以优化目标域聚类性能，引入带有相似性约束的新数据点作为初始聚类中心，实现异构环境多源烟草物流数据的有效集成。（剩余7705字）