本发明涉及一种需求预测方法，尤其是涉及一种结合企业盈利和需求状态的需求数据预测方法。
背景技术：
：需求预测作为未来工业智能制造发展的一部分，已经得到广泛关注。现有需求方法主要是：对目标群体的需求进行调查，并对不同需求属性进行重要程度区分，利用三角模糊函数对需求进行去模糊化，进而运用产品质量屋构建需求—技术矩阵计算出技术重要度，最后利用预测模型如自回归滑动平均模型、灰色预测、马尔科夫链、神经网络等对需求重要度或者技术重要度进行预测，从而对下一阶段的设计做出方向性指导。目前，现有的预测都注重于需求数据规律的寻找，期望预测出精度更高、误差更小的需求结果，过于注重数据本身却忽略了各个需求的状态和类型会对预测的结果产生影响。kano模型将需求分为5种状态，每一种需求状态对企业提出不同程度的要求。在需求预测的过程中，企业盈利能力也是一个重要的影响因素，不同企业在某个需求方面的竞争优劣状况影响着各企业在该方面的需求重要度。所以，如果能够结合企业盈利能力和需求状态对需求重要度进行预测，能够使预测的结果更加精准，更加立足于现状。技术实现要素：为了解决
背景技术：
中存在的问题，本发明的目的在于提出一种结合企业盈利和需求状态的需求数据预测方法，利用关键指标对企业盈利能力进行计算，用差距对比法构建盈利能力调整系数；划分每个产品功能的需求状态，利用预测算法预测出未来的需求状态，结合需求状态调整系数做二次调整，最终预测出结合企业自身情况的目标群体需求重要度。为了实现上述目的，本发明采用技术方案是方法步骤如下：1)根据目标群体需求特点，构建目标群体的需求信息模型crq，建立需求调查问卷数据库crq；2)结合需求调查问卷数据库crq下的功能需求偏好集合pre和生产力来计算企业生产力综合调整系数g；3)利用需求调查问卷数据库crq下的评价集合eva计算交互矩阵s，根据需求标准阈值a比较获得需求状态矩阵c，利用企业历史数据计算状态转移矩阵t，再预测下一阶段的预测需求状态矩阵c’，进而计算得到需求状态调整系数矩阵x；4)计算初步需求重要度cr1，利用灰色预测方法gm(1,1)计算得到直接预测的下一阶段的需求重要度cr2，再结合企业生产力调整系数g和需求状态调整系数x计算获得目标群体的最终需求重要度cr2’。所述步骤1)中，目标群体的需求信息模型crq表示为：crq＝{fuc,imp,eva,pre}其中，fuc表示产品的功能集合，fuc＝{fuc1,fuc2,…fuck}，fuc1代表第一个产品功能，fuck代表第k个产品功能；imp表示产品功能的重要度评价集合，imp＝{imp1,imp2,…impk}，imp1代表产品第一个产品功能的重要度评价，impk代表产品第k个产品功能的重要度评价；eva表示目标群体对产品功能的kano模型评价集合，eva＝{eva1,eva2,…,evai,…,evak}，eva1代表目标群体对第一个产品功能的kano模型评价，evak代表目标群体对第k个产品功能的kano模型评价；evai＝[pi,ni]，其中pi表示第i个产品功能下可实现情况的功能矩阵，ni表示第i个产品功能下不可实现情况的功能矩阵；pre表示功能的需求偏好集合，pre＝{pre1,pre2,…prek}，pre1表示目标群体对第一个产品功能的需求偏好值，prek表示目标群体对第k个产品功能的需求偏好值；一个需求信息模型crq代表一个目标群体对产品的需求信息，由所有的需求信息模型crq组成需求调查问卷数据库crq，表示为：crq＝{crq1,crq2,…crqn}其中，crq1代表第1个的需求信息模型，crqn代表第n个的需求信息模型，n表示需求信息模型的总数，也表示目标群体的总数。本发明将目标群体的需求以产品的功能体现。所述步骤2)企业生产力调整系数g的计算方法如下：2.1)由设备新度、设备利用率、生产人员比重以及历史生产产品转化率构建生产力集合h，表示为：h＝{h1,h2,h3,h4}其中，h1,h2,h3,h4分别表示设备新度、设备利用率、生产人员比重以及历史生产产品转化率；利用生产力集合h计算得到企业生产力值p：p＝λ×h其中，λ为设备新度、设备利用率、生产人员比重以及历史生产产品转化率对应的权重，具体实施中λ的取值为λ＝[0.166，0.166，0.166,0.0.502]；再由所有制造客体的企业生产力值p组成企业盈利能力集合es，利用差距对比法以制造客体的生产力p对比企业生产力集合es中的生产力p的最大值max(es)，采用以下公式计算得到生产力调整系数e：e＝max(es)/p由数学性质知，e>＝1；2.2)依次从需求调查问卷数据库crq中获取每个需求信息模型crq中的需求偏好集合pre，采用以下方式重组形成初始偏好矩阵e：e[i,j]＝crqj[i,4]其中，初始偏好矩阵e[i,j]是一个k行n列的矩阵，每一行表示所有的目标群体对该行对应的功能的需求偏好；crqj[i,4]表示第j个目标群体的需求信息模型crqj中目标群体需求偏好集合pre的第i个需求偏好值，i表示功能的序数，i取1，2…k，k表示功能的总数，j表示需求信息模型crq的序数，j取1，2…n，n表示目标群体的总数，也为需求信息模型的总数；将初始偏好矩阵e采用以下公式运算获得平均偏好矩阵：其中，f[i,1]表示平均偏好矩阵f的第i行第1列的元素，为所有目标群体对第i个产品功能的需求偏好值的平均值；依据制造客体对所有功能的真实需求偏好目标集合pre’(这是已知数据)采用以下公式计算获得需求偏好调整系数集合v：v[j]＝pre′[j]/f′[1,j]其中，f’[1,j]为平均偏好矩阵f[i,1]的转置矩阵，pre′[j]表示企业自身对第j个产品功能的期望值，v[j]表示第j个目标群体的需求偏好调整系数集合；需求偏好调整系数集合v中的元素依次代表各个产品功能在目标群体需求偏好相对于目标要求的改进系数。最后采用以下公式计算获得企业生产力综合调整系数集合g为：g[j]＝e*v[j]其中，e为生产力调整系数。所述步骤3)具体如下：3.1)针对需求信息模型crq的kano模型评价集合eva中第一个产品功能所对应的kano模型评价eva1，即第一个kano模型评价eva1，取其下属的功能矩阵p1和功能矩阵n1采用以下公式进行计算获得交互矩阵s：s＝p1t*n1其中，p1表示第1个产品功能下可实现情况的功能矩阵，p1t为矩阵p的转置矩阵表示第1个产品功能下不可实现情况的功能矩阵；接着，将交互矩阵s中的各个元素，参照kano模型分类表按照同类需求状态概率相加得到需求类别隶属度向量l，表示为：其中，m，o，a，i，r，q代表需求状态，分别是m—基本型需求状态，o—期望型需求状态，a—兴奋型需求状态，i—无关紧要需求状态，r—逆向需求状态，q—问题需求状态；ε1～ε6分别表示基本型需求状态、期望型需求状态、兴奋型需求状态、无关紧要需求状态、逆向需求状态和问题需求状态的概率；然后，根据产品具体客观情况，设置阈值a作为需求判断标准，针对需求类别隶属度向量l中的各个概率ε1～ε6，与需求标准阈值b进行比较，若概率ε的值大于b，概率ε赋值为1，否则赋值为1，从而由需求类别隶属度向量l进行重新赋值后获得需求类别向量l’；3.2)将所有目标群体的需求信息模型crq对应的第一个评价集合eva1采用步骤3.1)进行处理计算，得到第一个产品功能对应的需求类别向量l’，再采用以下公式将所有产品功能对应的需求类别向量l’累加得到需求状态判别矩阵u：计算获得的需求状态判别矩阵u表示为：u＝[u1,u2,u3,u4,u5,u6]，u1,u2,u3,u4,u5,u6分别表示所有的目标群体对第一个产品功能的评价落在m、o、a、i、r、q状态下的频数值；需求状态判别矩阵u中最大取值元素对应的需求状态表示该产品功能下的该需求状态的概率最大，故在需求状态判别矩阵u中，取max{u1，u2，u3，u4，u5，u6}作为单个产品功能的需求状态取值c；3.3)重复上述步骤3.1)和3.1)，获得所有产品功能的需求状态取值c，组成需求状态矩阵c：c＝{c1，c2…ck}其中，c1,c2…ck表示k个产品功能的需求状态取值；具体实施中，由于c1取m、o或者a，m、o和a的表示不利于计算，故用取值1表示m状态，取值2表示o状态，取值3表示a状态。预测下一时期的需求状态矩阵c’，得到需求状态调整系数矩阵x；3.4)预设当前时间段下的需求状态矩阵c1，由已知的制造客体历史数据进行3.1)～3.3)步骤计算后获得产品功能的前m个时间段的各个需求状态矩阵，分别表示为cm，cm-1…c1，对每个产品功能进行markov状态转移概率计算获得功能的预测需求状态取值c’；针对每个产品功能，在各个阶段中，产品功能处在m、o和a需求状态下的状态频数分别为d1、d2、d3：在相应的状态频数中，d1表示为d1＝{d11，d12，d13}，其中d11表示本时间段功能的需求状态为m、下一时间段转化为m，即m→m，d12表示本时间段功能的需求状态为m、下一时间段转化为o，即m→o，d13表示本时间段功能的需求状态为m、下一时间段转化为a，即m→a；在相应的状态频数中，d2表示为d2＝{d21，d22，d23}，其中d21表示本时间段功能的需求状态为o，下一时间段转化为m，即m→m，d22表示本时间段功能的需求状态为o，下一时间段转化为o，即m→o，d23表示本时间段功能的需求状态为o，下一时间段转化为a，即m→a；在相应的状态频数中，d3表示为d3＝{d31，d32，d33}，其中d31表示本时间段功能的需求状态为o，下一时间段转化为m，即m→m，d32表示本时间段功能的需求状态为o，下一时间段转化为o，即m→o，d33表示本时间段功能的需求状态为o，下一时间段转化为a，即m→a；接着，采用以下公式计算获得产品功能的状态转移矩阵t为：其中，m＝d1+d2+d3；d1+d2+d3分别表示产品功能处在m、o和a需求状态下的状态频数；然后构建产品功能的初始需求状态矩阵为π(0)，π(0)表示为π(0)＝{π0m，π0o，π0a}，其中π0m，π0o，π0a分别表示初始状态产品功能处于基本型需求状态m、期望型需求状态o和兴奋型需求状态a的概率取值；并且用步骤3.3)获得的需求状态判别矩阵u的前三项u1,u2,u3计算π(0)，后三种状态概率极小，可以忽略掉计算公式如下：再根据状态转移矩阵t和初始需求状态矩阵π(0)采用以下公式计算预测出下一阶段的需求状态矩阵π(1)：π(1)＝π(0)*t其中，π(1)的格式与π(0)相同，π(1)＝{π1m，π1o，π1a}，其中π1m，π1o，π1a分别表示预测出的状态产品功能处于基本型需求状态m、期望型需求状态o和兴奋型需求状态a的概率取值；下一阶段的需求状态矩阵π(1)中取π1m，π1o，π1a的三个需求状态概率最大所对应的需求状态作为产品功能的预测需求状态取值c’；3.5)重复上述步骤3.1)～3.4)对所有的产品功能进行计算处理，获得各个产品功能对应的预测需求状态取值c’，组成预测需求状态矩阵c’：c’＝{c’1，c’2…c’k}其中，c’1表示第1个产品功能的预测需求状态取值；3.6)最后将预测需求状态矩阵c’采用以下方式进行映射转换得到需求状态调整系数矩阵x。若需求状态为基本型需求m，则需求状态在状态调整系数矩阵x中对应位置的元素值为2；若需求状态为期望型需求o，则需求状态在状态调整系数矩阵x中对应位置的元素值为1；若需求状态为兴奋型需求a，则需求状态在状态调整系数矩阵x中对应位置的元素值为1/2。所述步骤4)具体为：对需求信息模型crq下属的产品功能的重要度评价集合imp进行平均计算，得到当前时间段目标群体的初步需求重要度cr1：cr1＝{cr1,cr2,…,crj,…,crk}其中，j取1，2…k，crqi[j,2]表示第i个目标群体需求信息模型的imp集合的第j个元素；利用制造客体的历史数据，与步骤3.4)取相同时间段间隔，用灰色预测方法gm(1,1)以m个时间段的客户需求重要度crm，crm-1,…cr1预测下一时间段的目标群体的需求重要度为cr2，结合企业盈利状态和需求状态，引入调整系数g和x，采用以下公式计算获得目标群体的最终需求重要度cr2’：cr2’[j]＝cr2[j]*g[j]x[j]其中，x[j]表示状态调整系数矩阵x中的第j个元素。本发明具有的有益效果是：1.结合企业盈利状态和目标群体需求偏好两个要素，对目标群体需求重要度进行调整，使得预测结果更加切合企业自身状况。2.结合需求状态，将需求分为基本型需求、期望型需求、兴奋型需求，区分各个需求的优先顺序和重要程度，进一步调整目标群体需求重要度，使得预测结果更加直观。3.相比直接用预测算法进行预测，本方法输出的结果能够使企业满足最少的功能需求达到最大化目标群体满意程度。附图说明图1是本发明需求预测方法总逻辑框图；图2是企业盈利调整系数计算方法流程图；图3是需求状态调整系数计算方法流程图。具体实施方式下面结合附图和实施例对本发明作进一步说明。本发明的实施例如下：注塑机是社会生产中一个必不可缺的制造机器。以下就以生产注塑机的注塑机公司为例，来对注塑机的需求进行预测。1.注塑机调查问卷数据库的建立对注塑机进行功能需求分类，注塑机的功能需求可以划分为以下8个功能，1.机器工作的稳定性和可靠性，2.自动化程度和生产效率，3.节能环保，4，人机交互和可操作性，5.机器维护难易程度，6.注塑机的重量和空间，7.注塑机的性价比，8，注塑机的使用寿命。用以上8种功能需求为代表，设计模糊kano模型调查问卷上表是以第4种功能进行设计的问卷，其中可以实现与不可以实现代表该种功能在注塑机上存在与否的两种状态，满足、必须这样、中立、可忍受、不满足这五种状态代表购买注塑机的目标群体对此功能存在与否的态度，其中对应的数值表示可以接受的程度，100分为满分。对产品功能的重要度和需求偏好调查表如下：产品功能重要程度imp愿意购买程度pre人机交互和可操作性54其中重要程度分5级，1代表不重要，2代表有点重要，3表示重要，4表示很重要，5表示非常重要。愿意够买程度分5级，1表示勉强接受，处于行业末端；2表示可以接受，效果一般，基本满足需求，3表示效果不错，稍有优势；4表示效果先进，非常愿意购买；5表示行业顶尖，无可挑剔。将所有的注塑机功能问卷发放给目标群体，最终得到注塑机需求的调查问卷数据库crq。2.计算本企业的生产力调整系数g根据注塑机企业的实际情况，构建生产力矩阵。o＝[o1,o2,o3,o4]＝[0.633,0.811,0.424,0.675]其中，o1,o2,o3,o4分别表示设备新度、设备利用率、生产人员比重以及历史生产产品转化率；利用生产力集合o计算得到企业生产力值p：p＝λ*ot＝0.646其中，λ为设备新度、设备利用率、生产人员比重以及历史生产产品转化率对应的权重，具体实施中λ的取值为λ＝[0.166，0.166，0.166,0.0.502]；再由所有制造客体的企业生产力值p组成企业盈利能力集合es。利用差距对比法，以制造客体的生产力值p对比企业生产力集合es中的生产力p的最大值max(es)，采用以下公式计算得到生产力调整系数e，假设max(es)为0.835：e＝max(es)/p＝0.835/0.646＝1.292依次从需求调查问卷数据库crq中获取每个需求信息模型crq中的需求偏好集合pre，采用以下方式重组形成初始偏好矩阵r：r[i,j]＝crqj[i,4]其中，初始偏好矩阵r[i,j]是一个k行n列的矩阵，此时k＝8，每一行表示所有的目标群体对该行对应的功能的需求偏好；crqj[i,4]表示第j个目标群体的需求信息模型crqj中目标群体需求偏好集合pre的第i个需求偏好值，i表示功能的序数，i取1，2…k，k表示功能的总数，j表示需求信息模型crq的序数，j取1，2…n，n表示目标群体的总数，也为需求信息模型的总数；将初始偏好矩阵m采用以下公式运算获得平均偏好矩阵：其中，f[i,1]表示平均偏好矩阵f的第i行第1列的元素，为所有目标群体对第i个产品功能的需求偏好值的平均值，求得f为：f＝[3.42,3.21,3.54,3.84,4.12,4.28,4.31,3.89]t依据制造客体对所有功能的真实需求偏好目标集合pre’＝[3.60,3.30,3.60,3.90,4.20,4.30,4.40,4.00]，采用以下公式计算获得需求偏好调整系数集合v：v[j]＝pre′[j]/f′[1,j]其中，f’[1,j]为平均偏好矩阵f[i,1]的转置矩阵，pre′[j]表示企业自身对第j个产品功能的期望值，v[j]表示第j个目标群体的需求偏好调整系数集合；求得v：v＝[1.05,1.03,1.02,1.02,1.02,1.02,1.02,1.03]需求偏好调整系数集合v中的元素依次代表各个产品功能在目标群体需求偏好相对于目标要求的改进系数。最后采用以下公式计算获得企业生产力综合调整系数集合g为：g＝e*v＝[1.36,1.33,1.32,1.32,1.32,1.32,1.32,1.33]其中，e为生产力调整系数。3.计算需求状态3.1)针对需求信息模型crq的kano模型评价集合eva中第4个产品功能——人机交互和可操作性，所对应的kano模型评价eva1，即第一个kano模型评价eva1，取其下属的功能矩阵p1和功能矩阵n1采用以下公式进行计算获得交互矩阵s：s＝p1t*n1其中，p1表示第1个产品功能下可实现情况的功能矩阵，p1t为矩阵p的转置矩阵表示第1个产品功能下不可实现情况的功能矩阵；p1＝[50,50,0,0,0]n1＝[0,0,0,20,80]需求状态分类表如下：接着，将交互矩阵s中的各个元素，参照kano模型分类表按照同类需求状态概率相加得到需求类别隶属度向量l，表示为：其中，m，o，a，i，r，q代表需求状态，分别是m—基本型需求状态，o—期望型需求状态，a—兴奋型需求状态，i—无关紧要需求状态，r—逆向需求状态，q—问题需求状态；ε1～ε6分别表示基本型需求状态、期望型需求状态、兴奋型需求状态、无关紧要需求状态、逆向需求状态和问题需求状态的概率；然后，根据产品具体客观情况，设置阈值a＝0.4作为需求判断标准，针对需求类别隶属度向量l中的各个概率ε1～ε6，与需求标准阈值b进行比较，若概率ε的值大于b，概率ε赋值为1，否则赋值为1，从而由需求类别隶属度向量l进行重新赋值后获得需求类别向量l’；l’＝[1,1,0,0,0,0]3.2)将所有目标群体的需求信息模型crq对应的第一个评价集合eva1采用上述步骤进行处理计算，得到第一个产品功能对应的需求类别向量l’，再采用以下公式将所有产品功能对应的需求类别向量l’累加得到需求状态判别矩阵u：计算获得的需求状态判别矩阵u表示为：u＝[u1,u2,u3,u4,u5,u6]，假设计算获得的u为u＝[275,384,436,0,0,0]则max(u)＝436，对应的第4中功能需求的状态为a3.3)重复上述步骤3.1)和3.1)，获得所有产品功能的需求状态取值c，组成需求状态矩阵c：c＝{c1，c2…ck}＝{m,a,m,o,a,o,m,o}其中，c1,c2…ck表示k个产品功能的需求状态取值；具体实施中，由于c1取m、o或者a，m、o和a的表示不利于计算，故用取值1表示m状态，取值2表示o状态，取值3表示a状态。c＝[1，2，1，3，2，3，1，3]预测下一时期的需求状态矩阵c’，得到需求状态调整系数矩阵x4.预测需求状态，计算需求状态调整系数利用现有调查数据进行3.1)～3.3)步骤，可以作为当前时间段下的产品需求状态c1，可以以月、季度、年等时间间隔作为单位时间间隔，由已知的制造客体历史数据进行3.1)～3.3)步骤计算后，获得产品功能的前m个时间段的需求状态，分别表示为cm，cm-1…c1矩阵，对每个产品功能进行markov状态转移概率计算，获得功能的预测需求状态取值c’；针对每个产品功能，在各个阶段中，产品功能处在m、o和a需求状态下的状态频数分别为d1、d2、d3：在相应的状态频数中，d1表示为d1＝{d11，d12，d13}，其中d11表示本时间段功能的需求状态为m，下一时间段转化为m，即m→m，d12表示本时间段功能的需求状态为m，下一时间段转化为o，，m→o，d13表示本时间段功能的需求状态为m，下一时间段转化为a，，m→a；在相应的状态频数中，d2表示为d2＝{d21，d22，d23}，其中d21表示本时间段功能的需求状态为o，下一时间段转化为m，即m→m，d22表示本时间段功能的需求状态为o，下一时间段转化为o，，m→o，d23表示本时间段功能的需求状态为o，下一时间段转化为a，，m→a；在相应的状态频数中，d3表示为d3＝{d31，d32，d33}，其中d31表示本时间段功能的需求状态为o，下一时间段转化为m，即m→m，d32表示本时间段功能的需求状态为o，下一时间段转化为o，，m→o，d33表示本时间段功能的需求状态为o，下一时间段转化为a，，m→a；接着，采用以下公式计算获得产品功能的状态转移矩阵t为：其中，m＝d1+d2+d3；若选100个阶段，其中d1＝31,d2＝28,d3＝41；d11＝14,d12＝6,d13＝11；d21＝7,d22＝12,d23＝9；d31＝11,d32＝13,d33＝17。则计算得到t为：然后构建产品功能的初始需求状态矩阵为π(0)，π(0)表示为π(0)＝{π0m，π0o，π0a}，其中π0m，π0o，π0a分别表示初始状态产品功能处于m—基本型需求状态、o—期望型需求状态和a—兴奋型需求状态的概率取值；并且用步骤3.3)获得的需求状态判别矩阵u的前三项u1,u2,u3计算π(0)，后三种状态概率极小，可以忽略掉计算公式如下：π(0)＝[0.25,0.35,0.40]再根据状态转移矩阵t和初始需求状态矩阵π(0)采用以下公式计算预测出下一阶段的需求状态矩阵π(1)：π(1)＝π(0)*t代入数值，计算得到：π(1)＝[0.31,0.33,0.36]π(1)＝{π1m，π1o，π1a}，其中π1m，π1o，π1a分别表示预测出的状态产品功能处于m—基本型需求状态、o—期望型需求状态和a—兴奋型需求状态的概率取值；其中处在a状态下的概率最大，故产品功能的预测需求状态取值c’取a＝3重复上述步骤对所有的产品功能进行计算处理，获得各个产品功能对应的预测需求状态取值c’，组成预测需求状态矩阵c’：c’＝{c’1，c’2…c’k}其中，c’1表示第1个产品功能的预测需求状态取值；假设预测出的c’取值为c’＝[2,1,3,3,2,1,1,2]；最后将预测需求状态矩阵c’采用以下方式进行映射转换得到需求状态调整系数矩阵x。若需求状态为基本型需求m，则需求状态在状态调整系数矩阵x中对应位置的元素值为2；若需求状态为期望型需求o，则需求状态在状态调整系数矩阵x中对应位置的元素值为1；若需求状态为兴奋型需求a，则需求状态在状态调整系数矩阵x中对应位置的元素值为1/2。代入数值，x取值为：x＝[1,2,0.5,0.5,1,2,2,1]5利用历史数据，完成需求预测对需求信息模型crq下属的产品功能的重要度评价集合imp进行平均计算，得到当前时间段目标群体的初步需求重要度cr1：cr1＝{cr1,cr2,…,crj,…,crk}其中，j取1，2…k，crqi[j,2]表示第i个目标群体需求信息模型的imp集合的第j个元素；利用制造客体历史数据，用灰色预测方法gm(1,1)以m个时间段的客户需求重要度crm，crm-1,…cr1预测下一时间段的目标群体的需求重要度为cr2，结合企业盈利状态和需求状态，引入调整系数g和x，采用以下公式计算获得目标群体的最终需求重要度cr2’：cr2’[j]＝cr2[j]*g[j]x[j]其中，x[j]表示状态调整系数矩阵x中的第j个元素。若gm(1.1)输出的cr2为：cr2＝[3.22,3.33,3.36,2.75,3.31,3.17,3.48,2.89]则代入生产力综合调整系数g和需求状态调整系数x，调整后的cr2’为cr2’＝[4.37,5.89,3.86,3.15,4.37,5.52,6.06,3.84]可以看出，不同的功能由于需求状态和调整系数不同，经过改变后，重要程度差异明显增大，更加符合实际情况。当前第1页12