CN109034552B - 面向供需不确定的社群化制造服务匹配方法及系统 - Google Patents
面向供需不确定的社群化制造服务匹配方法及系统 Download PDFInfo
- Publication number
- CN109034552B CN109034552B CN201810728308.6A CN201810728308A CN109034552B CN 109034552 B CN109034552 B CN 109034552B CN 201810728308 A CN201810728308 A CN 201810728308A CN 109034552 B CN109034552 B CN 109034552B
- Authority
- CN
- China
- Prior art keywords
- service
- matching
- time window
- demand
- comprehensive
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 91
- 238000000034 method Methods 0.000 title claims abstract description 59
- 230000006870 function Effects 0.000 claims abstract description 88
- 238000012549 training Methods 0.000 claims abstract description 76
- 238000010801 machine learning Methods 0.000 claims abstract description 16
- 238000012216 screening Methods 0.000 claims abstract description 11
- 238000005457 optimization Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 238000004806 packaging method and process Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 description 14
- 238000011156 evaluation Methods 0.000 description 10
- 238000002474 experimental method Methods 0.000 description 10
- 230000008859 change Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 230000003247 decreasing effect Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000002441 reversible effect Effects 0.000 description 3
- 230000002349 favourable effect Effects 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000026676 system process Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012803 optimization experiment Methods 0.000 description 1
- 238000012946 outsourcing Methods 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000003313 weakening effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/08—Construction
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种面向供需不确定的社群化制造服务匹配方法及系统，该方法包括：以固定的时间间隔更新封装为Web服务的各制造服务的综合服务质量函数值；选取时间分界点，将服务匹配时间窗分为初始时间窗和调整时间窗；在初始时间窗中：从各制造服务中筛选出各需求的候选服务集合；将函数值最优的候选服务作为各需求的匹配服务，并作为训练样本；获取训练样本集的客户满意度的平均值：若低于第一预设阈值，则根据训练样本中服务质量属性的权重值和客户满意度，采用机器学习算法对综合服务质量函数进行训练，更新函数的权重参数；在调整时间窗中：根据函数，计算各需求的候选服务的函数值，将最优的候选服务作为对应需求的匹配服务。
Description
技术领域
本发明涉及制造服务技术领域。更具体地，涉及一种面向供需不确定的社群化制造服务匹配方法及系统。
背景技术
随着信息技术的发展，企业以自身信息系统中的业务模块为依托，对企业的制造能力进行Web封装，并通过平台进行服务资源的注册与发布。企业之间的协同制造需要通过服务资源之间的动态组合来实现。
社群化制造模式(Social Manufacturing)，其通过社会媒介工具将分散的各种类型的社会化企业制造服务资源和客户进行高效的互联及匹配,客户仅借助媒介工具来在线发布专业化的服务外包，就可以实现从产品设计、产品制作到产品交付的全过程。作为社群化制造模式的运行支撑平台，其服务系统的核心功能在于：基于客户的需求来匹配最优的服务组合方案。而服务匹配策略又在服务系统中处于核心地位，直接决定着系统运行的效果。因此，应当为社群化制造服务系统选择合适的服务匹配策略。
针对社群化制造模式的需求和特点，目前对制造服务供需匹配的求解方法主要分为以下几类：基于模板/本体和关键字的方法、基于流程驱动的方法、基于人工智能和规划的方法、基于服务组合的方法等。上述方法大部分都主要针对某个时刻的供需匹配问题进行研究并给出求解方案。而在现实环境中，社群化制造模式下的服务供需匹配具有内在的复杂性：
第一、候选服务的不确定性：系统中的候选服务是由社会化的企业所提供，由于企业自身的成长性和自治性，其资源服务的服务质量(QoS，Quality of Service)信息会不断地扩充和变化，例如业务种类的增加或者减少、业务能力的增强或者削弱等；由于社会化制造模式的开放性，企业可以方便地加入或退出，这样会导致服务的数量也处于一个不断动态变化的过程中。另外，候选服务的某些QoS属性会随着当前运行状态的变化而变化，例如候选服务的“响应时间”会根据目前承担的任务数量而发生变化。
第二、客户需求偏好的不确定性：实际上，由于客户样本选择的局限性及客户需求的模糊性，想要给出符合客户实际需求的服务属性权重非常困难。现有的方法多是根据专家经验或者客户反馈给出各服务属性的权重值，并且假定这些值是固定不变的。但是，在社群化制造模式中，不同客户的需求偏好差异很大，有的特别关注某些指标的实现，如价格、质量、成本等；有的则希望综合指标能够比较均衡；而且对于不同服务属性的关注权重还会随着时间变化而不同。
在实际应用中，上述这些不确定因素会直接影响后续的服务匹配效果。如何实现不确定环境下社群化制造服务的供需匹配，已成为阻碍社群化制造模式实际推广应用的关键挑战之一。
因此，需要提供一种可提高制造服务的供需匹配质量、适应不确定环境下的社群化制造服务匹配方法及系统。
发明内容
有鉴于此，本发明的目的在于提供一种面向供需不确定的社群化制造服务匹配方法及系统。
为达到上述目的，本发明采用下述技术方案：
本发明第一方面提供了一种面向供需不确定的社群化制造服务匹配方法，包括：
以固定的时间间隔，根据服务质量属性的更新信息，更新封装为Web服务的各制造服务的综合服务质量函数值；
选取服务匹配时间窗中的时间分界点，将服务匹配时间窗分为初始时间窗和调整时间窗；
在初始时间窗中：基于各需求信息及各制造服务的服务质量属性，从各制造服务中筛选出各需求的候选服务集合；针对各需求信息，将综合服务质量函数值最优的候选服务作为该需求的匹配服务，并将其作为训练样本，得到训练样本集；获取训练样本集的客户满意度的平均值：若满意度的平均值低于第一预设阈值，则根据训练样本中服务质量属性的权重值和客户满意度，采用机器学习算法对综合服务质量函数进行训练，并根据训练结果更新综合服务质量函数的权重参数；
在调整时间窗中：根据综合服务质量函数，计算各需求的候选服务的综合服务质量函数值，将各需求的综合服务质量函数值最优的候选服务，作为对应需求的匹配服务。
优选地，所述筛选出各需求的候选服务集合，利用需求信息中的服务类别信息、服务名称信息、服务描述信息和输入/输出接口信息及服务质量属性值中的产品属性值和企业属性值。
优选地，所述机器学习算法为BP神经网络算法。
本发明第二方面提供了一种面向供需不确定的社群化制造服务优化匹配方法，包括：
以固定的时间间隔，根据服务质量属性的更新信息，更新封装为Web服务的各制造服务的综合服务质量函数中作为变量的服务质量属性及综合服务质量函数值；
选取服务匹配时间窗中的时间分界点，将每个服务匹配时间窗分为初始时间窗和调整时间窗；
在第i个服务匹配时间窗的初始时间窗中：基于各需求信息及各制造服务的服务质量属性，从各制造服务中筛选出各需求的候选服务集合；针对各需求信息，将综合服务质量函数值最优的候选服务作为该需求的匹配服务，并将其作为训练样本，得到训练样本集；获取训练样本集的客户满意度的平均值：若满意度的平均值低于第一预设阈值，则根据训练样本中服务质量属性的权重值和客户满意度，采用机器学习算法对综合服务质量函数进行训练，并根据训练结果更新综合服务质量函数的权重参数；
在第i个服务匹配时间窗的调整时间窗中：根据综合服务质量函数，计算各需求的候选服务的综合服务质量函数值，将各需求的综合服务质量函数值最优的候选服务作为对应需求的匹配服务；
在第i个服务匹配时间窗结束后，计算各需求和匹配服务的客户满意度的平均值，作为第i个服务匹配时间窗的匹配满意度；若第i个服务匹配时间窗的匹配满意度低于第二预设阈值，则调整第i+1个服务匹配时间窗的时间分界点。
优选地，所述调整第i+1个服务匹配时间窗的时间分界点进一步包括：对第i个服务匹配时间窗的时间分界点以一个步进向前或向后调整，得到第i+1个服务匹配时间窗的时间分界点。
优选地，该方法还包括：若调整第i+1个服务匹配时间窗的时间分界点后，第i+1个服务匹配时间窗的匹配满意度反而低于第i个服务匹配时间窗的匹配满意度，则对第i个服务匹配时间窗的时间分界点以当前步进向后或向前(即，与当前步进反方向的步进)调整，得到第i+2个服务匹配时间窗的时间分界点。
优选地，该方法还包括：若调整第i+1个服务匹配时间窗的时间分界点后，第i+1个服务匹配时间窗的匹配满意度高于第i个服务匹配时间窗的匹配满意度且低于第二预设阈值，则对第i+1个服务匹配时间窗的时间分界点以小于当前幅度的步进向前或向后(即，与当前步进同方向但幅度较小的步进)调整，得到第i+2个服务匹配时间窗的时间分界点。
优选地，所述筛选出各需求的候选服务集合，利用需求信息中的服务类别信息、服务名称信息、服务描述信息和输入/输出接口信息及服务质量属性值中的产品属性值和企业属性值。
本发明第三方面提供了一种面向供需不确定的社群化制造服务匹配系统，包括：
综合服务质量计算模块，以固定的时间间隔，根据服务质量属性的更新信息，更新封装为Web服务的各制造服务的综合服务质量函数中作为变量的服务质量属性值及综合服务质量函数值；
服务匹配时间窗划分模块，选取服务匹配时间窗中的时间分界点，将服务匹配时间窗分为初始时间窗和调整时间窗；
服务匹配模块，在初始时间窗中：基于各需求信息及各制造服务的服务质量属性，从各制造服务中筛选出各需求的候选服务集合；针对各需求信息，将综合服务质量函数值最优的候选服务作为对应需求的匹配服务，并将其作为训练样本，得到训练样本集；获取训练样本集的满意度的平均值：若满意度的平均值低于第一预设阈值，则根据训练样本中服务质量属性的权重值和客户满意度，采用机器学习算法对综合服务质量函数进行训练，并根据训练结果更新综合服务质量函数的权重参数；在调整时间窗中：根据综合服务质量函数，计算各需求的候选服务集合中每个候选服务的综合服务质量函数值，将综合服务质量函数值最优的候选服务作为对应需求的匹配服务。
本发明第四方面提供的面向供需不确定的社群化制造服务优化匹配系统，包括：
综合服务质量计算模块，以固定的时间间隔，根据服务质量属性的更新信息，更新封装为Web服务的各制造服务的综合服务质量函数值；
服务匹配时间窗划分模块，选取服务匹配时间窗中的时间分界点，将每个服务匹配时间窗分为初始时间窗和调整时间窗；
服务匹配模块，在第i个服务匹配时间窗的初始时间窗中：基于各需求信息及各制造服务的服务质量属性，从各制造服务中筛选出各需求的候选服务集合；针对各需求信息，将综合服务质量函数值最优的候选服务作为对应需求的匹配服务，并将其作为训练样本，得到训练样本集；获取训练样本集的客户满意度的平均值：若满意度的平均值低于第一预设阈值，则根据训练样本中服务质量属性的权重值和客户满意度，采用机器学习算法对综合服务质量函数进行训练，并根据训练结果更新综合服务质量函数的权重参数；在第i个服务匹配时间窗的调整时间窗中：根据综合服务质量函数，计算各需求的候选服务集合中每个候选服务的综合服务质量函数值，将综合服务质量函数值最优的候选服务作为对应需求的匹配服务；
时间分界点调整模块，计算第i个服务匹配时间窗中，各需求和匹配服务的客户满意度的平均值，作为第i个服务匹配时间窗的匹配满意度；若第i个服务匹配时间窗的匹配满意度低于第二预设阈值，则调整第i+1个服务匹配时间窗的时间分界点。
本发明的有益效果如下：
本发明所述技术方案可实现动态不确定环境下的社群化制造服务的供需匹配。进一步，本发明中的服务匹配策略具有不断地自我调整、自主进化的能力，能够实现对服务推荐方案的随需动态构建、调整和优化，从而可以更为有效地支撑社群化制造企业间的协作，提高制造服务的供需匹配质量及客户满意度。
附图说明
下面结合附图对本发明的具体实施方式作进一步详细的说明；
图1示出本发明实施例提供的面向供需不确定的社群化制造服务匹配方法的流程图。
图2示出服务匹配时间窗的示意图。
图3示出调整服务匹配时间窗的时间分界点的示意图。
图4示出需求序列的产品数量变化趋势的示意图。
图5示出两种需求情景下策略1-3的演化实验结果的数据比较图。
图6示出两种需求情景下策略4的优化示意图。
图7示出本发明实施例提供的面向供需不确定的社群化制造服务匹配系统的示意图。
具体实施方式
为了更清楚地说明本发明，下面结合优选实施例和附图对本发明做进一步的说明。本领域技术人员应当理解，下面所具体描述的内容是说明性的而非限制性的，不应以此限制本发明的保护范围。
如图1所示，本发明的一个实施例提供了一种面向供需不确定的社群化制造服务匹配方法，包括：
以固定的时间间隔，根据服务质量属性的更新信息，更新封装为Web服务的各制造服务的综合服务质量函数值，具体为更新综合服务质量函数中作为变量的服务质量属性值，进而更新综合服务质量函数值；
如图2所示，选取服务匹配时间窗中的时间分界点，将服务匹配时间窗分为初始时间窗和调整时间窗；
在第i个服务匹配时间窗的初始时间窗中：基于各需求信息及各制造服务的服务质量属性，从各制造服务中筛选出各需求的候选服务集合；将各需求的综合服务质量函数值最优的候选服务对应需求的匹配服务，并将其作为训练样本，得到训练样本集；获取训练样本集的客户满意度的平均值：若客户满意度的平均值低于第一预设阈值，则根据训练样本中服务质量属性的权重值和客户满意度，采用机器学习算法对综合服务质量函数进行训练，并根据训练结果更新综合服务质量函数的权重参数；其中，第一预设阈值可根据匹配要求设定；
在第i个服务匹配时间窗的调整时间窗中：根据更新后的综合服务质量函数，计算各需求的候选服务集合中每个服务的综合服务质量函数值，将各需求的综合服务质量函数值最优的候选服务作为对应需求的匹配服务；
在第i个服务匹配时间窗结束后，计算第i个服务匹配时间窗中各需求和匹配服务的客户满意度的平均值，作为第i个服务匹配时间窗的匹配满意度；若第i个服务匹配时间窗的匹配满意度低于第二预设阈值，则调整第i+1个服务匹配时间窗的时间分界点，其中，第二预设阈值可根据匹配要求设定。
在具体实施时，调整第i+1个服务匹配时间窗的时间分界点进一步包括：如图3所示，对第i个服务匹配时间窗的时间分界点，以一个步进向前或向后调整，得到第i+1个服务匹配时间窗的时间分界点。
在具体实施时，本实施例提供的面向供需不确定的社群化制造服务匹配方法还包括：若调整第i+1个服务匹配时间窗的时间分界点后，第i+1个服务匹配时间窗的匹配满意度低于第i个服务匹配时间窗的匹配满意度，则对第i个服务匹配时间窗的时间分界点以当前步进反方向(向后或向前)调整(即第一次尝试的相反方向)，得到第i+2个服务匹配时间窗的时间分界点。
在具体实施时，本实施例提供的面向供需不确定的社群化制造服务匹配方法还包括：若调整第i+1个服务匹配时间窗的时间分界点后，第i+1个服务匹配时间窗的匹配满意度高于第i个服务匹配时间窗的匹配满意度但低于第二预设阈值，则对第i+1个服务匹配时间窗的时间分界点以小于当前幅度的步进按照原方向(向前或向后)调整，得到第i+2个服务匹配时间窗的时间分界点。
在具体实施时，本实施例提供的面向供需不确定的社群化制造服务匹配方法中，筛选出各需求的候选服务集合，主要利用需求信息中的服务类别信息、服务名称信息、服务描述信息和输入/输出接口信息及服务质量属性值中的产品属性值和企业属性值。
在具体实施时，本实施例提供的面向供需不确定的社群化制造服务匹配方法中，机器学习算法为BP神经网络算法。
本实施例提供的面向供需不确定的社群化制造服务匹配方法涉及四种服务匹配策略，分别为：面向供应侧的服务匹配策略、面向需求侧的服务匹配策略、面向供需不确定的初始服务匹配策略和面向供需不确定的优化服务匹配策略。
首先，对这四种服务匹配策略相关的客户需求和制造服务的概念加以说明。
(1)客户需求
如图4所示，执行面向供需不确定的社群化制造服务匹配方法的服务支撑系统，需要在每个时间周期(服务匹配时间窗包含多个时间周期)内处理一个新的需求序列(在一个需求序列中包括多个需求)。需求序列由随机数量的订单组成，每个订单代表的是在一定时间周期内处理一定数量的产品的任务。
客户需求的形式化描述为：User_Req＝<CategoryUser,ProfileUser,IOUser,QoSUser>。其中，CategoryUser表示客户对所需服务的所属服务类别要求；ProfileUser表示客户对所需服务的概貌信息，包括客户需求名称Name和所需求服务的描述信息Description；IOUser表示客户对所需服务的输入/输出接口信息；QoSUser表示客户对所需服务的服务质量要求。客户对服务的需求，也就是客户如何对服务进行QoS评价的问题，客户对于服务的QoS评价公式，即服务质量满意度函数fuser(QoS)如式(1)所示：
其中，[sq1,sq2,sq3......sqm]表示客户对于服务所要求的服务质量属性，[w1、w2......wm]表示客户对每一个服务质量属性的偏好权重。
(2)制造服务
制造服务的形式化描述为ES＝<CategoryES,ProfileES,IOES,QoSES>。其中，ES(Enterprise Service)表示企业提供的制造服务，简称服务；CategoryES表示服务所属的服务类别；ProfileES表示服务的概貌信息；IOES表示服务的输入/输出接口；QoSES表示候选服务的服务质量指标。服务的综合服务质量函数fsystem(QoS)如式(2)所示：
其中，sqi表示服务的第i个服务质量属性，si表示用户(需求方)对第i个服务质量属性的偏好权重。
为了逼近fuser(QoS)，服务系统需要根据客户的反馈及时调整fsystem(QoS)。如图3所示，在一个服务匹配时间窗(To-Tn)中，Ti作为整个服务匹配过程的分界点，将服务匹配时间窗(To-Tn)分为两段，包括前一段的初始时间窗(T0-Ti)和后一段的调整时间窗(Ti-Tn)。
在初始时间窗中，采用旧的即未调整之前的fsystem(QoS)来实现服务匹配。然后，将初始时间窗内(T0-Ti)的服务匹配数据和客户满意度评价作为训练样本集，通过对数据的分析学习以发现客户选择服务的规律变化，从而及时调整fsystem(QoS)的参数，更新fsystem(QoS)。在调整时间窗中，采用更新后的fsystem(QoS)来实现服务匹配。fsystem(QoS)与fuser(QoS)越接近，越能够提高客户对所匹配服务的满意度。
下面分别对本实施例提供的面向供需不确定的社群化制造服务匹配方法所涉及的四种服务匹配策略加以说明。
策略1、面向供应侧的服务匹配策略(Supply-SM)：
一般来说，服务的某些QoS属性是实时更新的。如果某些服务的这些QoS值在系统中没有及时更新，那么系统推荐的服务可能并不能满足客户的要求。为此，本实施例提出了面向供应侧的服务匹配策略(简称Supply-SM)，以保证服务匹配方案的有效性。Supply-SM服务匹配策略的主要思想是：服务系统在根据客户的需求匹配服务之前，需要根据企业提供的更新信息对系统内部的服务QoS属性信息进行更新，从而保证所匹配的服务方案及时有效。依据服务资源QoS属性的特点可将其分为状态属性和特征属性：
①状态属性：这类QoS属性与服务当前运行状态直接相关，会直接影响后续的服务匹配，主要包括服务价格、企业资本值、企业当前产能等。因此，服务系统通过轮询机制来检测服务的这些属性是否发生变化。若变化，则对服务系统中相应的服务组件属性值进行更新，从而为后续的服务匹配做好准备。
②特征属性：这类QoS属性与服务的当前运行状态没有直接关系，它包括两个类别：产品属性和企业属性。产品属性是衡量服务的一个重要指标，主要包括产品的质量、性能价格比、产品寿命等。企业属性是衡量服务的另一个重要的指标，包括企业信誉、企业规模、市场份额等。由于这类QoS属性的变化频率相对较低，可以通过触发机制通知服务系统完成更新。
服务系统执行Supply-SM策略的输入为当前服务匹配时间窗中的需求序列，输出为需求序列中每个需求匹配的服务。
Supply-SM策略的实现过程主要如下：
Step1、分析当前需求，构建fsystem(QoS)：
从需求队列中依次取出需求(假设当前需求队列中有n个需求)；
分析该需求的QoS强制性约束条件(这里主要是特征QoS属性的限制)；
构建fsystem(QoS)。
Step2、功能性的匹配：
服务系统处理每一个客户需求时，首先进行功能性的匹配，即服务类别、服务名称、服务描述，及输入/输出的匹配。匹配过程可以采用语义近似度的方法来实现。
Step3、候选服务的状态属性更新：
以固定的时间间隔，根据服务质量属性的变化更新每个服务在fsystem(QoS)中作为变量的QoS属性值，并根据更新后的QoS属性值，更新(重新计算)每个服务的综合服务质量函数值。
Step4、依据fsystem(QoS)匹配服务：
根据fsystem(QoS)，将综合服务质量函数值最大的服务作为服务匹配方案，即对应需求的匹配服务。
策略2、面向需求侧的服务匹配策略(Demand-SM)：
在现实的市场环境中，对于客户来说，其对于不同的服务QoS属性(如企业产品的质量、价格等)的偏好会随着时间而发生改变，这在现实中是很常见的情况。为了确保服务匹配的有效性，服务系统需要针对依据客户偏好而构建的fsystem(QoS)进行不断调整，以减少fsystem(QoS)与fuser(QoS)之间的差距，从而获得较高的客户满意度。
面向需求侧的服务匹配策略的主要思想是：其在服务匹配与客户评价之间建立了一个反馈循环，将客户对服务的评价作为服务系统反馈学习的训练数据，采用机器学习算法来消除系统中假定的客户需求模型fsystem(QoS)与客户实际需求模型fuser(QoS)之间的偏差，从而使服务系统能够根据客户的反馈信息实时调整fsystem(QoS)，进而使所匹配的方案能够持续符合客户的预期目标。
服务系统执行Demand-SM策略的输入为当前服务匹配时间窗中的需求序列，输出为需求序列中每个需求匹配的服务。
Demand-SM策略的实现过程主要如下：
Step1、分析当前需求，构建fsystem(QoS)：
从需求队列中依次取出需求(假设当前需求队列中有n个需求)；
分析该需求的QoS强制性约束条件(这里主要是特征QoS属性的限制)；
构建fsystem(QoS)。
Step2、功能性的匹配：
服务系统处理每一个客户需求时，首先进行功能性的匹配，即服务类别、服务名称、服务描述，及输入/输出的匹配。匹配过程可以采用语义近似度的方法来实现。
Step3、按初始的fsystem(QoS)匹配服务
在初始时间窗(T0-Ti)中，根据初始的fsystem(QoS)，选用综合服务质量函数值最大的服务进行推荐，并将初始时间窗内的服务匹配数据和客户满意度评价作为训练样本。
Step4、获取训练样本集的客户评价(满意度)的平均值：
在初始时间窗(T0-Ti)中，客户对服务系统匹配的服务进行满意度评价，然后计算该时间段内所有需求的平均满意度率，计算公式如3所示：
如果客户平均满意度比率低于预设的第一满意度阈值，则转到Step5；否则，转到Step6。
Step5、调整fsystem(QoS)：
在T0-Ti中，将系统推荐的服务及客户相应的满意度评价作为训练样本，采用一维向量[q1、q2、...、qm:E]来表示，q1、q2、...、qm为某个所选择服务的QoS属性值，E为客户对该服务的满意度评价，利用各训练样本构成训练样本集。采用机器学习算法中的BP神经网络算法来训练样本集，即将服务的QoS属性值作为输入，其相应的客户满意度评价作为输出。通过训练后，系统将发现客户选择服务的偏好，然后更新fsystem(QoS)的参数(即fsystem(QoS)中的si)。
Step6、基于更新后的fsystem(QoS)进行服务匹配：
在Ti-Tn中，根据更新后的fsystem(QoS)来匹配服务。
策略3、面向供需不确定的初始供需匹配策略(Initial-SuppDem-SM)：
根据上述说明，Supply-SM策略的主要优点是定期更新候选服务的QoS状态属性。Demand-SM策略的主要优点是“根据客户反馈来调整fsystem(QoS)”。为了进一步提高服务匹配的性能，面向供需不确定的初始SuppDem-SM策略在执行Demand-SM策略的流程的同时，执行Supply-SM策略中的“以固定时间间隔，根据服务质量属性变化来更新服务在fsystem(QoS)中作为变量的QoS属性值”，并根据更新后的QoS属性值来更新(重新计算)服务的综合服务质量函数fsystem(QoS)值。由此，初始的SuppDem-SM策略整合了Supply-SM策略与Demand-SM策略这两者的优点，在定期更新候选服务的QoS状态属性的同时，根据客户反馈来调整fsystem(QoS)。
策略4、面向供需不确定的优化服务匹配策略(Optimal-SuppDem-SM)：
在策略3中，为了缩小fuser(QoS)与fsystem(QoS)之间的偏差，通过选取时间分界点Ti，在Ti时调整fsystem(QoS)来适应供应侧和需求侧的变化。然而，时间分界点Ti的选取会影响fsystem(QoS)与fuser(QoS)的相似性，这可能会产生完全不同的匹配效果:①如果fsystem(QoS)的调整时机(即时间分界点Ti)较早，由于训练数据的缺失，新的fsystem(QoS)与fuser(QoS)之间的差距仍旧可能较大。因此，客户满意度平均值并不能得到很大提高。②如果fsystem(QoS)的调整时机(即时间分界点Ti)较晚，则会有更多的训练数据，新的fsystem(QoS)与fuser(QoS)之间的差距将越小。但是由于新的fsystem(QoS)的执行时间会变短，仍然会得到较低的客户满意度平均值。
因此，可对时间分界点Ti进行调整，使fsystem(QoS)尽可能接近fuser(QoS)，同时也使新的fsystem(QoS)有较长的执行时间，从而进一步提高客户满意度的平均值。策略4采用微调时间分界点Ti的方法来进一步优化Initial-SuppDem-SM策略。
服务系统执行时间分界点调整的输入为当前时间窗口中的每个需求序列，初始时间分界点Ti及其调整幅度η；输出为最佳时间分界点Tp。
Optimal-SuppDem-SM策略在执行Initial-SuppDem-SM策略的同时，执行时间分界点调整的实现过程主要如下：
Step1、在第i个服务匹配时间窗的调整时间窗中，对于需求序列，选取时间分界点Ti。当第i个服务匹配时间窗结束时，计算并记录这个时间窗内整体的平均客户满意度，计算公式如式4所示：
其中，AveSatisfyRadio(i)为第i个服务匹配时间窗内的平均客户满意度，Satisfyinitial代表To-Ti内客户对系统推荐的服务评价为满意的总个数，即采用未调整之前的fsystem(QoS)进行服务匹配，其中达到要求的满意度总个数；
Satisfyadjust代表Ti-Tn内客户对系统推荐的服务评价为满意的总个数，即采用调整之后的fsystem(QoS)进行服务匹配，得到的匹配服务达到要求的满意度总个数；n代表第i个服务匹配时间窗内的需求总数。
Step2、尝试改变调整时间分界点Ti的值：
如果第i个服务匹配时间窗的平均客户满意度低于预设的阈值，基于第i个时间窗口内的时间分界点Ti，按随机的方向以步进η随机调整为Ti’，可能是(Ti-η)或(Ti+η)。在第i+1个服务匹配时间窗中：在T0-Ti’阶段，采用本时间窗内未调整之前的fsystem(QoS)来匹配服务，利用BP神经网络算法训练在T0-Ti’采集的训练样本集，调整fsystem(QoS)的参数，更新fsystem(QoS)；在Ti’-Tn阶段，按照更新后的fsystem(QoS)来匹配服务。
Step3、最佳调整时机Tp的初步识别：
当以Ti’为时间分界点时，计算第i+1个服务匹配时间窗的平均客户满意度S’。如果第i+1个服务匹配时间窗的平均客户满意度S’高于第i个服务匹配时间窗的匹配满意度，Ti被设置为Ti’，然后继续按原来的调整方向进行调整。如果第i+1个服务匹配时间窗的平均客户满意度S’低于第i个服务匹配时间窗的平均客户满意度，则时间分界点仍然选取原始值Ti为基准，尝试以与上次调整相反的方向对时间分界点进行调整。最后，可以找到近似的最优时间分界点Tp。
Step4、最优调整时间点Tp的进一步识别：
初始时，赋予步进η一个较大的初始值来提高最优时间分界点的搜索速度。当无论是正向还是反向按照步进η调整时间分界点，都没有当前时间分界点Tp的平均客户满意度高，则可以判定当前时间分界点为近似的最优时间分界点Tp。在接下来的服务匹配时间窗内，逐步缩小步进幅度η，从而在一个相对较小的范围内继续对最优时间分界点进行搜索。最后，得到对应最大平均客户满意度的时间分界点Tp。
当然，可以不以寻找最优时间分界点为最终目的，只要调整时间分界点后，服务匹配时间窗内的平均客户满意度符合预设的阈值即可。
下面结合社群化制造的目标特征及计算实验的方法，通过在不同场景下进行大量重复的实验，从而将本实施例提出的匹配方法进行对比，为验证本实施例采用的服务匹配策略的优劣提供决策依据。
实验分为两部分：①实验1主要是：需求稳定及需求波动两种情景下综合评估本实施例中的前三种服务匹配策略Supply-SM、Demand-SM、Initial-SuppDem-SM在处理客户需求序列时的性能差异，确定性能最优的匹配策略。②实验2主要是：将Initial-SuppDem-SM与Optimal-SuppDem-SM策略进行对比，以验证Optimal-SuppDem-SM策略是否能够进一步提高服务匹配质量。
为了使实验结果更具有参考价值，实验参数设置以我国2016年国家工业生产者中制造业出厂价格指数、购进价格指数与商品零售价格指数为基础，构建了一个与真实情况相似的集群协同制造生产环境，具体的实验参数设置如表1所示。
表1实验参数设置
本实施例对服务匹配的策略性能以定量的方式进行评估，将客户的服务满意度、所有服务商的平均规模作为性能评价指标。
客户的满意度S用来评估服务系统所匹配的服务方案是否能够正确地为服务对象提供服务。其中，A代表所有客户中对系统匹配的服务评价为满意的数量；B代表客户评价的总数量。
所有制造商的平均资本AverageCapital可用来反映系统服务匹配策略对服务资源利用率的影响。好的服务匹配策略，所有的制造商都有被选中的概率，服务资源的利用率更高；反之，会导致很多服务质量较优的企业被忽视，造成资源闲置浪费且企业资本得不到更新。其中，K代表所有制造商的资本值之和；M代表制造商的个数。
实验1、服务策略的评估实验
本实验的目的是用于评估在市场需求稳定及市场需求波动两种情景下三种服务匹配策略(Supply-SM、Demand-SM、Initial-SuppDem-SM)在处理客户需求序列时的性能。
两种市场需求场景下的实验结果如图5所示：左列表示市场需求相对稳定情景下三种策略的实验结果比较，右列表示市场需求波动情景下三种策略的实验结果比较。
从图5中可得出如下结论：①两种需求场景下三种策略的制造商数量：随着处理的客户需求序列的增多，三种策略下的制造商数量均呈逐渐减小的趋势，并且Supply-SM策略与Demand-SM这两种策略下制造商数量减小的趋势基本相同。但是，Initial-SuppDem-SM策略下企业数量减少的趋势明显小于其它两种策略。②两种需求场景下三种策略的制造商的平均资本值：从整体来看，随着处理的客户需求的增多，无论在哪种需求场景下，三种策略下制造商的平均资本在前64个周期内都分别相同；64个周期过后，Initial-SuppDem-SM策略的制造商平均资本开始呈逐渐增加的趋势，而另外两种策略的制造商平均资本呈逐渐减小的趋势；③由①和②可知，Initial-SuppDem-SM策略的资源利用率要比其它两种策略的高，每种企业都有得到订单的机会，这更适合企业集群的规模发展；④两种需求场景下三种策略的客户满意度方面：随着客户的需求偏好和制造商属性的动态变化，三种服务匹配策略下的客户满意度比例开始出现一定的波动性变化。但是，从整体的客户满意度比例来看，Initial-SuppDem-SM策略的客户满意度比例要略优于Demand-SM策略及Supply-SM策略；⑤总的来说，在服务匹配方面，Initial-SuppDem-SM策略的效果要优于其它两种策略。
实验2、服务策略的优化实验
本实验主要用于比较在市场需求波动情景下本实施例中策略4的优化措施是否有效。验证策略4在客户需求偏好变化频繁(每个时间窗口客户需求偏好变化一次)与客户需求偏好变化稳定(每两个时间窗口客户需求偏好变化一次)时的效果。
在市场需求波动情景下的实验结果如图6所示：左列表示Optimal-SuppDem-SM策略与Initial-SuppDem-SM策略在客户需求偏好变化频繁下的实验对比，右列表示Optimal-SuppDem-SM策略与Initial-SuppDem-SM策略在客户需求偏好变化稳定下的实验对比。
从图6中可以得出如下结论：①图6中A与B分别表示了在两种场景下(客户需求偏好变化频繁或者稳定)，fsystem(QoS)的最佳调整时间Tp的寻找过程。②图6中C与D分别表示了在两种场景下(客户需求偏好变化频繁或者稳定)，fsystem(QoS)的最佳调整时间Tp的变化过程。在客户需求偏好变化频繁的场景下，最佳调整时间Tp也会变化比较频繁。③图6中E与F分别表示了在两种场景下(客户需求偏好变化频繁或者稳定)，Initial-SuppDem-SM策略与Optimal-SuppDem-SM策略在用户满意度比例方面的比较。开始的时候，Initial-SuppDem-SM策略在调整fsystem(QoS)参数时要略早于Optimal-SuppDem-SM策略，因此调整后其客户满意度比例开始也略高于Optimal-SuppDem-SM策略的客户满意度比例。但是，系统运行一定的周期后，在Optimal-SuppDem-SM策略调整fsystem(QoS)参数之后，其客户满意度比例开始明显高于Initial-SuppDem-SM策略的客户满意度比例。④从总体来看，在客户需求偏好频繁改变的情景下，Optimal-SuppDem-SM策略的客户满意度比例要略高于Initial-SuppDem-SM策略。这说明了策略4进一步提高了服务匹配质量。
如图7所示，本发明的另一个实施例提供了一种面向供需不确定的社群化制造服务匹配系统，包括：
综合服务质量计算模块：以固定的时间间隔，根据服务质量属性的更新信息，更新封装为Web服务的各制造服务的综合服务质量函数中作为变量的服务质量属性值及综合服务质量函数值；
服务匹配时间窗划分模块：选取服务匹配时间窗中的时间分界点，将每个服务匹配时间窗分为初始时间窗和调整时间窗；
服务匹配模块：在第i个服务匹配时间窗的初始时间窗中：基于各需求信息及各制造服务的服务质量属性，从各制造服务中筛选出各需求的候选服务集合；针对各需求信息，将综合服务质量函数值最优的候选服务作为对应需求的匹配服务，并将其作为训练样本，得到训练样本集；获取训练样本集的客户满意度的平均值：若客户满意度的平均值低于第一预设阈值，则根据训练样本中服务质量属性的权重值和客户满意度，采用机器学习算法对综合服务质量函数进行训练，并根据训练结果更新综合服务质量函数的权重参数；在第i个服务匹配时间窗的调整时间窗中：根据综合服务质量函数，计算各需求的候选服务集合中每个服务的综合服务质量函数值，将综合服务质量函数值最优的候选服务作为对应需求的匹配服务；
时间分界点调整模块：计算第i个服务匹配时间窗中各需求和匹配服务的客户满意度的平均值，作为第i个服务匹配时间窗的匹配满意度；若第i个服务匹配时间窗的匹配满意度低于第二预设阈值，则调整第i+1个服务匹配时间窗的时间分界点。
需要说明的是，本实施例提供的面向供需不确定的社群化制造服务匹配系统的原理与上述匹配方法相似，相关之处可以参照上述说明，在此不再赘述。
在本发明的描述中，需要说明的是，术语“上”、“下”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
还需要说明的是，在本发明的描述中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定，对于本领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动，这里无法对所有的实施方式予以穷举，凡是属于本发明的技术方案所引伸出的显而易见的变化或变动仍处于本发明的保护范围之列。
Claims (10)
1.一种面向供需不确定的社群化制造服务匹配方法，其特征在于，包括：
以固定的时间间隔，根据服务质量属性的更新信息，更新封装为Web服务的各制造服务的综合服务质量函数值；
选取服务匹配时间窗中的时间分界点，将服务匹配时间窗分为初始时间窗和调整时间窗；
在初始时间窗中：基于各需求信息及各制造服务的服务质量属性，从各制造服务中筛选出各需求的候选服务集合；针对各需求信息，将综合服务质量函数值最优的候选服务作为该需求的匹配服务，并将其作为训练样本，得到训练样本集；获取训练样本集的客户满意度的平均值：若客户满意度的平均值低于第一预设阈值，则根据训练样本中服务质量属性的权重值和客户满意度，采用机器学习算法对综合服务质量函数进行训练，并根据训练结果更新综合服务质量函数的权重参数；
在调整时间窗中：根据综合服务质量函数，计算各需求的候选服务的综合服务质量函数值，将各需求的综合服务质量函数值最优的候选服务，作为对应需求的匹配服务。
2.根据权利要求1所述的面向供需不确定的社群化制造服务匹配方法，其特征在于，所述筛选出各需求的候选服务集合利用需求信息中的服务类别信息、服务名称信息、服务描述信息和输入/输出接口信息及服务质量属性值中的产品属性值和企业属性值。
3.根据权利要求1所述的面向供需不确定的社群化制造服务匹配方法，其特征在于，所述机器学习算法为BP神经网络算法。
4.一种面向供需不确定的社群化制造服务优化匹配方法，其特征在于，包括：
以固定的时间间隔，根据服务质量属性的更新信息，更新封装为Web服务的各制造服务的综合服务质量函数值；
选取服务匹配时间窗中的时间分界点，将每个服务匹配时间窗分为初始时间窗和调整时间窗；
在第i个服务匹配时间窗的初始时间窗中：基于各需求信息及各制造服务的服务质量属性，从各制造服务中筛选出各需求的候选服务集合；针对各需求信息，将综合服务质量函数值最优的候选服务作为该需求的匹配服务，并将其作为训练样本，得到训练样本集；获取训练样本集的客户满意度的平均值：若客户满意度的平均值低于第一预设阈值，则根据训练样本中服务质量属性的权重值和客户满意度，采用机器学习算法对综合服务质量函数进行训练，并根据训练结果更新综合服务质量函数的权重参数；
在第i个服务匹配时间窗的调整时间窗中：根据综合服务质量函数，计算各需求的候选服务的综合服务质量函数值，将各需求的综合服务质量函数值最优的候选服务作为对应需求的匹配服务；
在第i个服务匹配时间窗结束后，计算各需求和匹配服务的客户满意度的平均值，作为第i个服务匹配时间窗的匹配满意度；若第i个服务匹配时间窗的匹配满意度低于第二预设阈值，则调整第i+1个服务匹配时间窗的时间分界点。
5.根据权利要求4所述的面向供需不确定的社群化制造服务优化匹配方法，其特征在于，所述调整第i+1个服务匹配时间窗的时间分界点进一步包括：对第i个服务匹配时间窗的时间分界点以一个步进向前或向后调整，得到第i+1个服务匹配时间窗的时间分界点。
6.根据权利要求5所述的面向供需不确定的社群化制造服务优化匹配方法，其特征在于，该方法还包括：若调整第i+1个服务匹配时间窗的时间分界点后，第i+1个服务匹配时间窗的匹配满意度低于第i个服务匹配时间窗的匹配满意度，则：如果第i+1个服务匹配时间窗的时间分界点是对第i个服务匹配时间窗的时间分界点以一个步进向前调整的，对第i个服务匹配时间窗的时间分界点以当前步进向后调整，得到第i+2个服务匹配时间窗的时间分界点；如果第i+1个服务匹配时间窗的时间分界点是对第i个服务匹配时间窗的时间分界点以一个步进向后调整的，对第i个服务匹配时间窗的时间分界点以当前步进向前调整，得到第i+2个服务匹配时间窗的时间分界点。
7.根据权利要求5所述的面向供需不确定的社群化制造服务优化匹配方法，其特征在于，该方法还包括：若调整第i+1个服务匹配时间窗的时间分界点后，第i+1个服务匹配时间窗的匹配满意度高于第i个服务匹配时间窗的匹配满意度且低于第二预设阈值，则：如果第i+1个服务匹配时间窗的时间分界点是对第i个服务匹配时间窗的时间分界点以一个步进向前调整的，对第i+1个服务匹配时间窗的时间分界点以小于当前幅度的步进向前调整，得到第i+2个服务匹配时间窗的时间分界点；如果第i+1个服务匹配时间窗的时间分界点是对第i个服务匹配时间窗的时间分界点以一个步进向后调整的，对第i+1个服务匹配时间窗的时间分界点以小于当前幅度的步进向后调整，得到第i+2个服务匹配时间窗的时间分界点。
8.根据权利要求4所述的面向供需不确定的社群化制造服务优化匹配方法，其特征在于，所述筛选出各需求的候选服务集合利用需求信息中的服务类别信息、服务名称信息、服务描述信息和输入/输出接口信息及服务质量属性值中的产品属性值和企业属性值。
9.一种面向供需不确定的社群化制造服务匹配系统，其特征在于，包括：
综合服务质量计算模块，以固定的时间间隔，根据服务质量属性的更新信息，更新封装为Web服务的各制造服务的综合服务质量函数值；
服务匹配时间窗划分模块，选取服务匹配时间窗中的时间分界点，将服务匹配时间窗分为初始时间窗和调整时间窗；
服务匹配模块，在初始时间窗中：基于各需求信息及各制造服务服务质量属性，由各制造服务中筛选出各需求的候选服务集合；将各需求的综合服务质量函数值最优的候选服务作为该需求的匹配服务，并将其作为训练样本，得到训练样本集；获取各训练样本的客户满意度的平均值：若满意度的平均值低于第一预设阈值，则根据训练样本中服务质量属性的权重值和客户满意度，采用机器学习算法对综合服务质量函数进行训练，并根据训练结果更新综合服务质量函数的权重参数；在调整时间窗中：根据综合服务质量函数，计算各需求的候选服务的综合服务质量函数值，将各需求的综合服务质量函数值最优的候选服务作为对应需求的匹配服务。
10.一种面向供需不确定的社群化制造服务优化匹配系统，其特征在于，包括：
综合服务质量计算模块，以固定的时间间隔，根据服务质量属性的更新信息，更新封装为Web服务的各制造服务的综合服务质量函数值；
服务匹配时间窗划分模块，选取服务匹配时间窗中的时间分界点，将每个服务匹配时间窗分为初始时间窗和调整时间窗；
服务匹配模块，在第i个服务匹配时间窗的初始时间窗中：基于各需求信息及各制造服务服务质量属性，由各制造服务中筛选出各需求的候选服务集合；将各需求的综合服务质量函数值最优的候选服务作为该需求的匹配服务，并将其作为训练样本，得到训练样本集；获取各训练样本的客户满意度的平均值：若满意度的平均值低于第一预设阈值，则根据训练样本中服务质量属性的权重值和客户满意度，采用机器学习算法对综合服务质量函数进行训练，并根据训练结果更新综合服务质量函数的权重参数；在第i个服务匹配时间窗的调整时间窗中：根据综合服务质量函数，计算各需求的候选服务的综合服务质量函数值，将各需求的综合服务质量函数值最优的候选服务作为对应需求的匹配服务；
时间分界点调整模块，计算第i个服务匹配时间窗中各需求和匹配服务的客户满意度的平均值，作为第i个服务匹配时间窗的匹配满意度；若第i个服务匹配时间窗的匹配满意度低于第二预设阈值，则调整第i+1个服务匹配时间窗的时间分界点。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810728308.6A CN109034552B (zh) | 2018-07-05 | 2018-07-05 | 面向供需不确定的社群化制造服务匹配方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810728308.6A CN109034552B (zh) | 2018-07-05 | 2018-07-05 | 面向供需不确定的社群化制造服务匹配方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109034552A CN109034552A (zh) | 2018-12-18 |
| CN109034552B true CN109034552B (zh) | 2020-07-03 |
Family
ID=65522374
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810728308.6A Expired - Fee Related CN109034552B (zh) | 2018-07-05 | 2018-07-05 | 面向供需不确定的社群化制造服务匹配方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109034552B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112543116A (zh) * | 2020-11-24 | 2021-03-23 | 哈尔滨工业大学 | 一种基于精确QoS的快速服务匹配方法 |
| CN115394394B (zh) * | 2022-10-27 | 2023-04-07 | 曹县人民医院 | 基于大数据处理技术的居民健康服务预约方法及系统 |
| CN116610896B (zh) * | 2023-07-07 | 2023-10-27 | 浙江大学高端装备研究院 | 一种基于子图同构的制造服务供需匹配方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1324534A1 (en) * | 2001-12-24 | 2003-07-02 | Whisperwire, Inc. | Expert system assisting agent and customer in determining an optimum network solution |
| CN101674328A (zh) * | 2009-11-18 | 2010-03-17 | 南京理工大学 | 基于语义和QoS约束的主体服务描述和匹配方法 |
| CN102546754A (zh) * | 2011-11-23 | 2012-07-04 | 河南理工大学 | 服务质量可定制的Web服务组合方法 |
| CN103942283A (zh) * | 2014-04-04 | 2014-07-23 | 河南理工大学 | 基于Web服务的制造资源推荐方法及系统 |
-
2018
- 2018-07-05 CN CN201810728308.6A patent/CN109034552B/zh not_active Expired - Fee Related
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1324534A1 (en) * | 2001-12-24 | 2003-07-02 | Whisperwire, Inc. | Expert system assisting agent and customer in determining an optimum network solution |
| CN101674328A (zh) * | 2009-11-18 | 2010-03-17 | 南京理工大学 | 基于语义和QoS约束的主体服务描述和匹配方法 |
| CN102546754A (zh) * | 2011-11-23 | 2012-07-04 | 河南理工大学 | 服务质量可定制的Web服务组合方法 |
| CN103942283A (zh) * | 2014-04-04 | 2014-07-23 | 河南理工大学 | 基于Web服务的制造资源推荐方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| O2O服务推荐策略的计算实验比较;薛霄 等;《计算机科学》;20170531;第23卷(第5期);1091-1102 * |
| 基于SLE范式的社群化制造计算实验比较研究;施曼 等;《计算机科学》;20180228;第45卷(第2期);140-146 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109034552A (zh) | 2018-12-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11481653B2 (en) | Predictive asset optimization for computer resources | |
| CN109034552B (zh) | 面向供需不确定的社群化制造服务匹配方法及系统 | |
| CN111222665A (zh) | 基于偏好nsga-ⅲ算法的云制造服务组合优化选择方法 | |
| CN108764805A (zh) | 一种协同物流服务组合的多模型自适应推荐方法及系统 | |
| CN102521283B (zh) | 一种基于贝叶斯原理的服务组合推荐方法及系统 | |
| CN107527236A (zh) | 一种基于市场效应的协同过滤推荐方法及推荐系统 | |
| CN116466672B (zh) | 基于人工智能的数据中心机房参数调控方法及相关装置 | |
| US12058215B2 (en) | Methods, industrial internet of things systems, and storage mediums for controlling production line detection data | |
| CN114706840A (zh) | 面向负载感知的多模数据库ArangoDB参数调优的方法 | |
| Chen et al. | Pricing policies of a dynamic green supply chain with strategies of retail service | |
| CN118312861A (zh) | 一种基于ai云计算的文件导出方法及系统 | |
| CN117495512B (zh) | 订单数据的管理方法、装置、设备及存储介质 | |
| CN117931446A (zh) | 一种基于任务需求预测的算力调度方法及系统 | |
| CN112348259A (zh) | 电力设备采购价格预测方法 | |
| CN109002965B (zh) | 一种云制造服务合作水平评估系统及使用方法 | |
| CN116976612A (zh) | 任务调度方法、装置、终端设备以及存储介质 | |
| CN116703533A (zh) | 一种商业管理数据优化存储分析方法 | |
| Ren et al. | DeepQSC: A GNN and attention mechanism-based framework for QoS-aware service composition | |
| CN116562917A (zh) | 一种电网售电量预测方法及售电管理系统 | |
| CN108205721B (zh) | 基于聚类的样条插值典型日负荷曲线选取装置 | |
| Qayyum et al. | A survey on machine learning based requirement prioritization techniques | |
| CN109522477B (zh) | 资源受限的o2o服务组合推荐方法及系统 | |
| Zhang et al. | Oasis: Online all-phase quality-aware incentive mechanism for MCS | |
| CN110288482B (zh) | 钢厂期货交易方法及系统 | |
| Guo et al. | A dynamic trust consensus model based on personalized adjustment mechanism under multi-granular probabilistic linguistic environment |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200703 |