电梯制造企业目前面临两方面的状况,第一电梯需求的多元化,定制化、个性化需求下的电梯成本计算繁琐,第二电梯企业业务多源数据利用价值低,转化困难。企业在应对不同客户个性化需求,需要实现快速成本计算与电梯报价赢取客户。本文以电梯服务订单历史数据集为研究对象,基于知识图谱的知识体系提出了层次聚类的数据表示方法,实现了原始业务数据到机器学习使用的数据集的转化,基于数据均衡和基于阈值的特征选择方法完成数据改善提升数据模型性能,基于动态规则的映射方法完成原始输入的快速模型预测。最后基于知识图谱技术架构和机器学习框架平台相结合,在Python和Pycharm等开发环境下,设计并实现了电梯成本预测系统,并且使用电梯成本的测试数据集对本系统的核心流程进行检验。本文具体工作和贡献如下:（1）基于知识图谱的知识体系完成电梯成本相关的实体属性抽取,完成电梯成本的最初原始数据集构建;基于知识图谱的知识技术体系,提出了基于层次聚类的数据表示方法,将原始数据表示成能够被机器学习算法识别和学习的数据。（2）基于Tensorflow机器学习框架,使用DNN神经网络算法构建出了电梯成本数据的数据模型,并且结合数据均衡和基于特征贡献度的阈值特征选择方法对数据进行优化,进而完成数据模型的性能提升;在预测阶段,提出了动态规则的数据映射方式,实现原始数据到模型输入的准确数据的转化。（3）基于知识图谱的架构技术体系,结合Python和Pycharm集成环境,以及DjangoWeb框架结合以上技术流程设计了电梯成本预测系统的架构,并实现了电梯成本估算系统。基于企业生产和服务相关的数据进行数据决策是目前互联网和工业界等研究的热点话题,本文通过电梯企业中服务部门中的数据进行数据属性构建,并对数据知识表示以及数据建模进行研究,并应用于智能服务数据预测和决策系统。通过Python数据处理库和Tensorflow机器学习平台,对原始电梯数据集进行数据表示和数据建模,结合Django-Web框架完成了电梯成本系统构建,可以实现数据、模型、预测的管理、预处理、训练、查看等可视化操作。该系统的服务和交互方式以及预测准确性可以极大地满足当前使用人员的需求。