文摘

共享经济和新的商业模式出现了由于近年来经济的快速增长。共享经济和创新的商业模式使人们彼此交易,节省时间和金钱。物联网的增长已经被引入辅助大数据。本研究将着眼于如何使用大数据从物联网检查共享经济增长和新商业模式。本研究提出了一种BP神经网络算法基于物联网的大数据(物联网),这不仅可以有效地将大量数据共享经济还预测共享经济的发展方向和新商业模式。本研究的实验结果表明,共享办公室的经济效益在2017年是110亿元,和共享的经济效益在2018年是206亿元,与2017年相比2018年增长了87.3%。知识和技能的经济效益在2017年是1382亿元,和共享办公室在2018年的经济效益2353亿元,与2017年相比2018年增长了70.3%。可以看出,共享经济带来的经济效益非常高,还有很大的增长空间。因此,基于物联网大数据的背景下,有必要进行研究分享经济发展和新的商业模式。

1。介绍

随着大数据的时代,现代数字技术,如互联网,大数据技术,人工智能,信息和通信技术每天都在改变,和商业模式诞生了。在当前的背景下,经济变化和升级和互联网革命,共享经济作为一种新的经济模式正在蓬勃发展。现在,分享经济的商业模式的实践,从消费到生产,积极渗透各种行业,积极促进创新、转型和产业升级。与物联网的发展、移动终端和云计算,创新和应用程序的共享模式的可能性也增加。战略性新兴产业充分应用共享模型来实现商业模式创新,策略的价值和研究是非常重要的。

大多数的商业模式下的企业分享中国经济从模仿其他国家的模型。但最终成功分享经济模型不仅模仿其他国家也实现了中国和本地化创新,结合中国虚拟社会资本的创新力量。如今,越来越多的创新商业模式,企业的竞争力也不断增加。因此,为了让以后参与者看到共享经济更加合理的发展趋势,有必要研究新的商业模式。

本研究的创新如下:(1)本研究引入了物联网的概念大数据和共享经济的几款新业务并进行详细的研究。(2)本研究分析的意义共享经济和新的商业模式。通过实验,结果表明,BP神经网络算法不仅可以执行数据分类也执行数据预测。

2。相关工作

在当今时代,绿色经济的概念,可持续发展,环境保护已经深深扎根于人民的心。的背景下共享经济的蓬勃发展,新的商业模式也出现了。许多学者对共享经济进行了研究。纳史木汗等人发现,分享经济已经引起了极大的兴趣,和分享经济的快速增长使他们提高几个有趣的问题需要研究,提供一些理论知识为未来的研究方向1]。Acquier等人的矛盾和竞争共享经济。他强调共享经济的矛盾的性质和提供解决这些矛盾,缓解他们(2]。法拉利发现,分享经济现象预计将扩大和稳步增长在未来几年。然而,业内缺乏可靠的监管提出了共享经济的潜在风险的担忧。他发现的风险共享经济并试图找到相应的解决方案3]。穆尼奥斯和科恩发现共享经济业务已成为破坏性的方法对传统规划、建模和做生意。这个现象已经引起人们的关注等广泛的领域创新的技术和管理,但分享经济商业模式的可持续性还有待研究[4]。Teubner等人发现,信任是共享租赁的一个关键条件。因此,运营商实现建立互信机制,用户界面,和声誉系统。他采用了享乐价格回归模型之间的关系来分析新用户的信任和分享经济(5]。郭等人发现,分享经济,人们与他人分享自己的社会资源闲置。那些提供服务可以通过以社区为基础的在线平台赚取佣金,而其他人可能受益(6]。

物联网和大数据是近年来最热门的话题。在物联网概念,设备开关网络连接到对方。物联网是最新的趋势在今天的大数据市场,并预计在未来十年,将会有大约250亿的设备连接到网络上,这超过了总数的个人电脑、手机和平板电脑(7]。在物联网的一个影响因素是数据的管理和使用。物联网和大数据是影响人们的生活和经济随时随地。尽管共享经济和新商业模式都对人们带来了许多方便,他们也需要不断创新。传统的共享经济和新的商业模式分析方法已经无法跟上时代的步伐,不能处理大量数据的共享经济。因此,有必要利用物联网和大数据共享经济发展进行研究和新的商业模式8]。

3所示。基于物联网的BP神经网络算法大数据

3.1。共享经济的发展和新商业模式

在中国创新变化的当今社会,更多的关注加强技术创新、高新技术开发和产业化。分享中国经济保持快速增长的趋势,并扮演了一个至关重要的角色,在促进就业、创新应用模型,促进企业生态系统的扩张(9]。共享经济实践可以解决问题在一些传统的领域,发现新的市场机会,甚至破坏传统的商业结构(10]。在过去的企业,一些新的共享经济实践模型是颠覆性的,和影响是巨大的11]。

共享经济指的是一个机构或个人谁拥有闲置资源和使用资源的权利转移给别人收费,让与人获得回报,分配者创造价值通过分享他人的空闲资源(12]。近年来,各种商业模式参与分享经济已经出现,不仅吸引了许多企业家也引发投资繁荣和资本市场的扩张。积极参与经济共享后,大多数企业家和投资者已成为输家,但仍有许多的继任者(13]。新商业模式的类型,如图所示1。

如图1,新的商业模式是企业现有资源的整合和营销方法,充分利用互联网和电子商务和其他手段,结合传统的分销渠道,进行有效的资源分配,以实现短期利润和长期品牌发展在公司的销售。新商业模式的类型包括P2P模型,B2C模式,B2B模式。在P2P模型,需求和供应方面的个人或企业。企业提供它供个人使用,个人与企业同时共享它。在B2C模式,企业供应商和个人要求者。通过第三方平台,要求者和供应商共享资源,这样消费者可以很容易地使用社区所需的资源(14]。在B2B模式中,供应商和分割的企业,和企业可以共享和交换空闲状态或剩余资源的企业通过一个共享的平台。

共享经济的蓬勃发展已经生下平台经济,改变人们的信息获取需求和消费习惯15]。互联的时代,智慧,和共享已经到来,企业需要积极探索自身发展和转型的方向16]。的概念和模型共享经济带来了广阔的发展空间和创新企业,如图2。

如图2,分享经济进入了最好的发展机会,但一些公司的动机参与分享经济还不清楚。加上滥用的概念分享和缺乏理论分析框架,一些不能分享经济实践可持续发展(17]。本研究分析了市场规模的分享中国经济的关键领域,是列在表中1和2。

表中所列1和2办公室、共享和知识技能增加了87.3%和70.3%,分别排名前三的发展速度。可以看出,共享办公室,知识和技能在经济开始出现。作为一个可持续发展的经济模式,分享经济提供了一个为服务提供者和用户双赢的运作模式,使共享服务平台更大(18]。因为它的资源整合功能,它还可以提高用户获取知识的效率,吸引更多的人加入到共享服务平台。与现代的改变用户的移动,在网上,和支离破碎的信息需求,建立一个共享的知识服务平台可以更好地满足日益复杂的信息需求的用户(19]。

3.2。分享经济发展的意义和新的商业模式

个人和微妙的变化最终会导致大企业和社会变化通过积累和整合。分享经济发展的几个重要的意义[20.),如图3。

如图3,分享经济发展的意义和新的商业模式如下:

分享经济增长的数量事务对象可用。(1)人们被动接受商家提供的商品信息在旧的商业模式,和每个人的经验评估商品被压缩成成熟的圈子。基于网络平台的共享经济模型扩展可用特定的供应商的数量,避免不公平的交易和交易成本,有助于从根本上提高交易质量和双方的工作效率21]。(2)传统行业的经营环境已经发生了变化,由于共享经济。

与一个新的供应模型,发展事务连接。企业家将组织生产变量之前提供物品的生产方法,生产过程非常有组织,消费者一般蔓延在众多客户中(22]。根据组织的程度,共享经济可能降低整体社会供应(23,24]。

3.3。BP神经网络分类算法

大数据,或大量的数据,是指所涉及的数据量太大,它不能被捕获,管理,处理和组织到信息,帮助公司更积极的商业决策在一个合理的时间内通过主流软件工具。在无线通信技术的快速发展的背景下,物联网和大数据已经迅速成为热门话题。物联网是一个大概念,通常可以被视为一个扩展现有的互联网,所以它将继承现有网络的许多资源和研究成果。然而,由于大量的数据和资源和环境的限制,它也带来了许多的问题,这并没有出现。数据传输和数据处理,如图所示4。

如图4、智能处理是指使用云计算、人工智能、神经网络等计算机技术实现智能处理大量高层原始数据信息在互联网上。

数据分类一直是被视为最重要的一个数据处理的人,也是人类改变世界的第一步从自我认知。数据分类技术起源于人类大脑的分类思想的扩张领域的信息处理。首先,数据的属性建立分类模型,分析了模型用于分类和处理未知的数据最后达到分类的目的。

数据分类是将数据与特定的共同属性或特征和区分数据类别的属性或特征。在整个数据分类过程中,最关键的部分是选择正确的数据分类算法。一般来说,数据分类算法的选择需要分析的效率、准确性和可伸缩性。

3.3.1。贝叶斯分类

贝叶斯分类是任何样本组成的n属性属于类的标志 ,如以下公式所示:

贝叶斯定理显示如下:

贝叶斯分类是一个一般术语的分类算法,所有这些都是基于贝叶斯定理,所以他们统称为贝叶斯分类。朴素贝叶斯分类是最简单和最常见的分类方法在贝叶斯分类。天真的假设是使用以下公式计算:

3.3.2。前馈神经网络分类

前馈神经网络是最简单的一种神经网络。每个神经元排列成层,每个神经元只与前一层神经元。学习错误,前馈神经网络分类是基于一个逆属性的数据分类方法的算法。的基本前提是,每个样本训练样本集输入前馈神经网络的输入层、连接层的权重计算每一层的神经元的输出。图5显示了神经网络的输出和输入。

如图5,输入层传输原始数据,然后判断和处理的隐层神经元,在输出层生成的数据。BP神经网络层之间的连接权值不会改变在数据传输。

能量函数是一个度量来描述整个系统的状态。越命令系统或概率分布越集中,越小的能量系统。相反,越无序或均匀分布的系统,系统的能量就越大。在理解算法的基本原理,推导中使用的能量函数误差均方误差,计算公式如下:

调整神经网络的权值显示在以下公式:

神经网络的局部最小值和全局最小值误差如图6:

如图6,误差函数是一个非基本函数,它有一个广泛的应用概率论,统计、偏微分方程和半导体物理学。但对非常复杂的网络误差函数是多维考虑重量训练时间。

3.4。改进的BP算法

目前,前馈神经网络是有限的小型或中型系统对于复杂系统建模。主要原因是现有的神经网络学习算法收敛太慢或太困难,如果遇到大规模的问题。在物联网系统中,神经网络必须适应各种各样的大型系统。

3.4.1。可变学习速率

学习速率有很大的影响在网络训练的效果。一般来说,进一步,学习速率越小,可以手动调整,但可变学习速率将更加方便。网络学习速率的值有显著影响BP算法的收敛性和有效性。其最优值是经常与独特的任务,因此不存在普遍适用的学习速率。因为BP方法对学习速率的变化非常敏感,收敛速度将非常缓慢,如果学习速率设置过低。

新的误差相比以前的错误使用BP网络的输出,和误差计算如下:

在公式中,如果学习速率过大,虽然可以加快收敛速度,它可能会导致振荡在权重的调整,如以下公式所示:

在时间的负梯度n如下:

当新的重量是通过当前的学习速率和误差函数,并不急于抛弃旧的错误但等到新的错误后修改生成。转换误差太大如果对比度值大于设定的值,和人们必须减少他们的学习时间如以下公式所示:

3.4.2。添加动量项克服局部最小值

添加动量项的方法用于修改网络权值和参数,这可以避免在训练神经网络的收敛速度慢。本研究提出了动量项添加到体重调整公式,并调整数量的每个重量如下:

的公式,动量系数,通常约为0.9。引入动量项后,然后平均大约可以表示如下:

其中, 是比例系数。添加动量项后,比例系数可以使重量修改过程摆脱局部饱和区域。

如果体重是一个变量,然后公式(11)可以改写如下:

本研究提出结合可变学习速率和动量词的增加,所以,网络不会陷入局部最小值,而且还可以有效地提高训练收敛速度和误差不会振荡在同一地区。

3.5。共享经济基于BP神经网络的预测

因为它的自组织、自学习和自适应能力,原理简单,容易实现,BP网络广泛应用于预测领域的研究经济和环境中,证明了模型的可靠性。在连续应用和改进,BP神经网络已成为一个相对成熟的预测方法,如图7。

如图7处理,输出层节点来获取网络输出结果。输出结果和期望值之间的差异进行比较,如果它不满足标准,通过网络误差向后传播。每一层的误差传递给每个节点在传播为了改变每一层的重量。

3.5.1。BP神经网络的原理

从正面传播阶段。向前传播阶段是神经网络运行的基础,也是更重要的部分。在这个阶段,输入样本从输入层来发送每个隐层,然后一层一层地处理之前发送到输出层。第二阶段输入输出层的实际输出与预期输出,和这个级别的数学公式如下:

n在输出层神经元的输出显示在以下公式:

激活函数是用来激活神经元网络。激活功能的要求是,他们必须导出无处不在。最常见的激活函数s形的函数。在信息科学、乙状结肠函数通常是用作激活函数的神经网络由于其mono-increasing和反函数mono-increasing属性。乙状结肠函数很简单,一个优秀的非线性映射功能,如以下公式所示:

隐层节点数的确定,目前没有成熟的理论。最常用的方法来确定隐藏节点的数量的试验和错误的方法,确定最优网络结构的修改在隐层节点的数目很多次。隐藏节点的数量的初始值可以由以下公式:

隐层的权值调整如下:

3.5.2。数据预处理

数据规范化是之前比较数据神经网络预测的方法。数据标准化转换所有数据值在[0,1]。这样做的目的是避免各种维度的数据之间的差异,避免大型网络的预测误差,从而提高神经网络的收敛速度。本研究使用下列公式标准化样本数据如下:

然而,如果值是接近0或1归一化后,其效果在训练将会显著降低。即使培训的数量增加,它可能无法达到设定的标准网络。因此,这些数据需要进一步修正达到最好的培训效果,如以下公式所示:

其对应的反规范化功能如下:

人工神经网络的研究方法可以在大规模并行处理信息。它具有较强的容错性,能力的感知、记忆、思维、推理,和强大的自学习能力和自适应能力。通过分析统计数据中提取Macro-statistical规则。因此,使用人工神经网络经济预测可以正确评价经济发展水平,准确地预测未来的经济发展趋势,发挥重要作用及时反映宏观经济监督的影响。

4所示。实验分类和BP神经网络的预测性能

4.1。实验对BP神经网络的分类性能

在分享经济发展和新的商业模式,大量的数据很混乱。如果我们想要准确分析共享的新商业模式的发展经济,那么数据应准确分类。因此,本研究主要对BP神经网络进行分类精度实验共享经济和新的商业模式。

本研究将分析网络的收敛速度和分类误差与各隐层节点的数量,以便发现理想的网络布局。另外实验系统需要用户输入目标网络训练精度和最大时间之前的训练。整个培训时将结束训练BP神经网络实现了这两个标准之一。0.1网络精度设置为在这个实验中,和最大数量的训练周期设置为100。系统开始培训网络完成通过设置BP当单击训练BP网络按钮,如图8。

如图8根据收敛图训练后,可以发现,当训练的迭代的数量达到100年设置最大值,改善前的BP网络的学习速率显然是无法实现目标网络的准确性。后设置的学习速率变量和添加动量因子,BP神经网络的网络精度训练曲线平滑。添加一个动量因子帮助BP神经网络的反馈误差信号reoscillate神经元的权重。此外,它可以被训练的结果,当训练的迭代的数量达到50,神经网络的网络精度已达到目标网络的准确性。

本研究采用经典的方法,多次修改后的技术培训,以便更好地描述网络培训环境。培训目标网络的准确性是保持常数为0.1,和迭代的数量在稳步提高。表3列出了最终的结果。

列在表3,训练结果表明,神经网络收敛更快的培训和减缓倍增长。这个试验的分类表现良好。

在这个实验中,网络的分类性能在不同结构下的均方误差测量网络测试集上的分类结果,结果如图9。

实验研究结果表明,增加节点的数量的隐层神经网络的均方误差可能会降低分类在一个特定的范围内,如图9。在现实中,各种结构所需的培训时间获得相同的网络精度反映不同的网络架构收敛的速度。如培训时间在图所示9所需的培训时间呈指数级增长,隐层节点的数量。可以看到,选择是一个很好的一个。

列在表4相同的测试集数据下,有88个数据正确分类的BP神经网络算法在改善之前,和分类准确率是58.6%。

4.2。BP网络分享经济预测实验

本文将使用从2018年到2019年的数据作为样本训练神经网络。通过使用BP网络试验标准化样本数据,前2年的样本数据将被用作输入向量。以分享经济2018年和2019年的数据作为测试样本,创建的模型是最好的效果是最好的,如图10。

图10显示了错误的预测值和实际值之间共享经济通过BP神经网络建模在2018 - 2019年。可以看出,BP神经网络的拟合效果相对较好。神经网络可以用任意精度近似非线性函数,并基于神经网络的时间序列预测模型可以反映信息的非线性发展趋势。因此,培训和使用该模型预测的结果理论上是可行的。从上面的分析,我们可以知道,BP神经网络具有良好的泛化和短期扩展效应,因此,BP神经网络模型用于预测经济发展。

5。结论

作为一种创新的商业形式,分享经济,随着技术的发展,依赖于这个平台,通过人员的广泛参与,在交易过程中大大降低了时间成本,提高资源配置的效率。这个经济受到企业和用户的欢迎,但是在分享经济发展和新的商业模式,有很多数据的过程。因此,基于物联网的大数据,本研究提出了一种BP神经网络算法能够有效地对这些数据进行分类。本研究在方法部分,简要介绍了共享经济和新的商业模式,提出了一种改进算法的BP神经网络算法,并比较了BP神经网络算法改进前后的实验。结果表明,改进的BP神经网络算法不仅具有较强的收敛性能,而且具有更高的分类比改进前的算法的速度和精度。在实验部分,算法的预报函数也进行了分析,并发现BP神经网络算法的预测功能也非常强大。但毕竟,作者的知识相对薄弱,所以在文本中仍存在一些缺陷。

数据可用性

没有数据被用来支持本研究。

的利益冲突

作者宣称没有利益冲突。