CN110009229A - 基于区块链的供应链管理方法、装置、存储介质与设备 - Google Patents
基于区块链的供应链管理方法、装置、存储介质与设备 Download PDFInfo
- Publication number
- CN110009229A CN110009229A CN201910271250.1A CN201910271250A CN110009229A CN 110009229 A CN110009229 A CN 110009229A CN 201910271250 A CN201910271250 A CN 201910271250A CN 110009229 A CN110009229 A CN 110009229A
- Authority
- CN
- China
- Prior art keywords
- data
- target offerings
- offerings quotient
- node
- quotient
- 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.)
- Pending
Links
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
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] 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
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开提供了一种基于区块链的供应链管理方法、基于区块链的供应链管理装置、计算机可读存储介质与电子设备,属于区块链技术领域。该方法应用于区块链中的一节点,包括:在区块链上创建新区块,将目标供应商的第一特征数据写入新区块,第一特征数据为所述节点已获得的目标供应商的特征数据;在区块链上发布针对于目标供应商的评估需求,以使区块链中的其他节点响应于评估需求而将目标供应商的其他特征数据写入新区块;从新区块获取其他特征数据;基于第一特征数据与其他特征数据,评估目标供应商的风险状况。本公开可以解决企业内部各节点之间关于供应链信息不对称的问题,降低供应链风险,实现最优化决策。
Description
技术领域
本公开涉及区块链技术领域,尤其涉及一种基于区块链的供应链管理方法、基于区块链的供应链管理装置、计算机可读存储介质与电子设备。
背景技术
供应链管理是企业内维持正常的生产经营所必不可少的一项活动。现代企业借助于发达的交通与物流系统,越来越多地选择地域性发展,通过在不同的地区建立分公司、生产线、仓储站点等,以实现资源优化与市场占有。在此情况下,为供应链管理提出了新的挑战,例如:如何解决各个分公司之间存在的供应链信息不对称,以进行最优化决策;每个供应商对各条生产线的供应能力不同,如何选择合适的供应商,以维持各条生产线的原材料需求,从而最大限度的降低供应链风险,等等。这些都是现有技术亟待解决的问题。
需要说明的是,在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解,因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本公开提供了一种基于区块链的供应链管理方法、基于区块链的供应链管理装置、计算机可读存储介质与电子设备,进而至少在一定程度上克服现有技术中供应链信息不对称以及存在供应链风险的问题。
本公开的其他特性和优点将通过下面的详细描述变得显然,或部分地通过本公开的实践而习得。
根据本公开的一个方面,提供一种基于区块链的供应链管理方法,应用于区块链中的一节点,所述方法包括:在所述区块链上创建新区块,将目标供应商的第一特征数据写入所述新区块,所述第一特征数据为所述节点已获得的所述目标供应商的特征数据;在所述区块链上发布针对于所述目标供应商的评估需求,以使所述区块链中的其他节点响应于所述评估需求而将所述目标供应商的其他特征数据写入所述新区块,所述其他特征数据为所述其他节点已获得的所述目标供应商的特征数据;从所述新区块获取所述其他特征数据;基于所述第一特征数据与所述其他特征数据,评估所述目标供应商的风险状况。
在本公开的一种示例性实施例中,所述第一特征数据包括所述节点统计的所述目标供应商的历史交付数据,所述其他特征数据包括所述其他节点统计的所述目标供应商的历史交付数据;所述基于所述第一特征数据与所述其他特征数据,评估所述目标供应商的风险状况,包括:对所述目标供应商的历史交付数据进行分析,以预测所述目标供应商的未来交付数据。
在本公开的一种示例性实施例中,所述节点与所述其他节点按照周期统计所述目标供应商的历史交付数据;所述在所述区块链上创建新区块,将目标供应商的第一特征数据写入所述新区块,包括:响应于在每个所述周期内到达预定时间,在所述区块链上创建新区块,将第一特征数据写入所述新区块,所述第一特征数据包括所述节点已统计的所述目标供应商在上一周期的历史交付数据;所述在所述区块链上发布针对于所述目标供应商的评估需求,以使所述区块链中的其他节点响应于所述评估需求而将所述目标供应商的其他特征数据写入所述新区块,包括:周期性地在所述区块链上发布针对于所述目标供应商的评估需求,以使所述区块链中的其他节点响应于所述评估需求而将所述其他特征数据写入所述新区块,所述其他特征数据包括所述其他节点已统计的所述目标供应商在所述上一周期的历史交付数据;所述对所述目标供应商的历史交付数据进行分析,以预测所述目标供应商的未来交付数据,包括:对所述目标供应商在最近n个所述周期的历史交付数据进行分析,以预测所述目标供应商的未来交付数据,n为不小于2的自然数。
在本公开的一种示例性实施例中,所述节点为第1节点,其写入所述新区块的历史交付数据为第1交付数据;所述其他节点包括第2节点、第3节点、……、与第m节点,其写入所述新区块的历史交付数据分别为第2交付数据、第3交付数据、……、与第m交付数据,m为不小于2的自然数;所述对所述目标供应商的历史交付数据进行分析,以预测所述目标供应商的未来交付数据,包括:根据每个交付数据中的交付量大小确定每个交付数据的权重因子;基于每个交付数据的权重因子,对m个所述交付数据进行分析,以预测所述目标供应商的未来交付数据。
在本公开的一种示例性实施例中,所述方法还包括:将评估所述目标供应商的风险状况所得到的评估数据写入所述新区块。
在本公开的一种示例性实施例中,所述评估数据为第一评估数据;所述方法还包括:从所述新区块获取其他评估数据,所述其他评估数据为所述其他节点评估所述目标供应商的风险状况所得到的评估数据;基于所述第一评估数据与所述其他评估数据,得到关于所述目标供应商风险状况的最终评估数据。
在本公开的一种示例性实施例中,所述基于所述第一特征数据与所述其他特征数据,评估所述目标供应商的风险状况,包括:根据所述第一特征数据与所述其他特征数据,生成所述目标供应商的特征向量;将所述特征向量输入预先训练的机器学习模型,以输出所述目标供应商的风险等级。
根据本公开的一个方面,提供一种基于区块链的供应链管理装置,应用于区块链中的一节点,所述装置包括:区块创建模块,用于在所述区块链上创建新区块,将目标供应商的第一特征数据写入所述新区块,所述第一特征数据为所述节点已获得的所述目标供应商的特征数据;需求发布模块,用于在所述区块链上发布针对于所述目标供应商的评估需求,以使所述区块链中的其他节点响应于所述评估需求而将所述目标供应商的其他特征数据写入所述新区块,所述其他特征数据为所述其他节点已获得的所述目标供应商的特征数据;数据获取模块,用于从所述新区块获取所述其他特征数据;风险评估模块,用于基于所述第一特征数据与所述其他特征数据,评估所述目标供应商的风险状况。
在本公开的一种示例性实施例中,所述第一特征数据包括所述节点统计的所述目标供应商的历史交付数据,所述其他特征数据包括所述其他节点统计的所述目标供应商的历史交付数据;所述风险评估模块用于对所述目标供应商的历史交付数据进行分析,以预测所述目标供应商的未来交付数据。
在本公开的一种示例性实施例中,所述节点与所述其他节点按照周期统计所述目标供应商的历史交付数据;所述区块创建模块用于响应于在每个所述周期内到达预定时间,在所述区块链上创建新区块,将第一特征数据写入所述新区块,所述第一特征数据包括所述节点已统计的所述目标供应商在上一周期的历史交付数据;所述需求发布模块用于周期性地在所述区块链上发布针对于所述目标供应商的评估需求,以使所述区块链中的其他节点响应于所述评估需求而将所述其他特征数据写入所述新区块,所述其他特征数据包括所述其他节点已统计的所述目标供应商在所述上一周期的历史交付数据;所述风险评估模块用于对所述目标供应商在最近n个所述周期的历史交付数据进行分析,以预测所述目标供应商的未来交付数据,n为不小于2的自然数。
在本公开的一种示例性实施例中,所述节点为第1节点,其写入所述新区块的历史交付数据为第1交付数据;所述其他节点包括第2节点、第3节点、……、与第m节点,其写入所述新区块的历史交付数据分别为第2交付数据、第3交付数据、……、与第m交付数据,m为不小于2的自然数;所述风险评估模块用于根据每个交付数据中的交付量大小确定每个交付数据的权重因子,并基于每个交付数据的权重因子,对m个所述交付数据进行分析,以预测所述目标供应商的未来交付数据。
在本公开的一种示例性实施例中,所述区块创建模块还用于将评估所述目标供应商的风险状况所得到的评估数据写入所述新区块。
在本公开的一种示例性实施例中,所述评估数据为第一评估数据;所述数据获取模块还用于从所述新区块获取其他评估数据,所述其他评估数据为所述其他节点评估所述目标供应商的风险状况所得到的评估数据;所述风险评估模块还用于基于所述第一评估数据与所述其他评估数据,得到关于所述目标供应商风险状况的最终评估数据。
在本公开的一种示例性实施例中,所述风险评估模块包括:特征向量生成单元,用于根据所述第一特征数据与所述其他特征数据,生成所述目标供应商的特征向量;机器学习处理单元,用于将所述特征向量输入预先训练的机器学习模型,以输出所述目标供应商的风险等级。
根据本公开的一个方面,提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任意一项所述的方法。
根据本公开的一个方面,提供一种电子设备,包括:处理器;以及存储器,用于存储所述处理器的可执行指令;其中,所述处理器配置为经由执行所述可执行指令来执行上述任意一项所述的方法。
本公开的示例性实施例具有以下有益效果:
通过在区块链上创建新区块并发布评估需求,以将各节点所获得的关于目标供应商的特征数据集中存储于新区块,再利用这些特征数据评估目标供应商的风险状况,以进行供应链管理。一方面,各节点可以通过区块链实现供应链信息的共享,解决信息不对称的问题,并提高信息存储的安全性,且在信息全面的基础上进行供应链管理,可以实现最优化决策。另一方面,对目标供应商进行风险评估的前提是获得各节点共同上传的特征数据,使得风险评估能够考虑到各节点的实际情况,降低任一节点发生供应链事故的风险,改善供应链状况。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。显而易见地,下面描述中的附图仅仅是本公开的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1示出本示例性实施例的区块链系统架构图;
图2示出本示例性实施例中一种供应链管理方法的流程图;
图3示出本示例性实施例中另一种供应链管理方法的流程图;
图4示出本示例性实施例中一种供应链管理方法的子流程图;
图5示出本示例性实施例中一种供应链管理装置的结构框图;
图6示出本示例性实施例中一种用于实现上述方法的计算机可读存储介质;
图7示出本示例性实施例中一种用于实现上述方法的电子设备。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的范例;相反,提供这些实施方式使得本公开将更加全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中,提供许多具体细节从而给出对本公开的实施方式的充分理解。然而,本领域技术人员将意识到,可以实践本公开的技术方案而省略所述特定细节中的一个或更多,或者可以采用其它的方法、组元、装置、步骤等。在其它情况下,不详细示出或描述公知技术方案以避免喧宾夺主而使得本公开的各方面变得模糊。
此外,附图仅为本公开的示意性图解,并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
附图中所示的流程图仅是示例性说明,不是必须包括所有的步骤。例如,有的步骤还可以分解,而有的步骤可以合并或部分合并,因此实际执行的顺序有可能根据实际情况改变。
本公开的示例性实施例首先提供了一种基于区块链的供应链管理方法。图1示出了该区块链系统的一种架构。如图1所示,区块链100可以包括多个节点(101、102、103、104…),其中各节点(101、102、103、104…)之间是对等的,编号101、102、103、104仅作为标记使用,不是对各节点顺序的限定。举例说明:本示例性实施例可以应用于企业的供应链管理,各节点(101、102、103、104…)可以是企业内部各个分公司、各条生产线、各个仓储站点等的终端或服务器,基于区块链100中预设的机制上传与管理供应链信息;本示例性实施例也可以应用于产业联盟或产业园区内的供应链管理,各节点(101、102、103、104…)可以是产业联盟或产业园区内的企业、机构等的终端或服务器。
由于区块链100用于供应链管理,而供应链信息通常是企业或产业联盟内部较为机密的信息,因此区块链100可以是联盟链或私有链,各节点(101、102、103、104…)的加入需要满足一定的条件,例如身份验证、权限验证、共识机制等。
本示例性实施例中,供应链管理方法的执行主体为节点101,其可以是区块链100中的任一节点,例如企业内的每个分公司都可以单独的进行供应链管理,则每个分公司的终端都可以作为节点101,执行本示例性实施例的方法;节点101也可以是指定的一特殊节点,例如企业内设置唯一的供应链管理部门,其对所有分公司的供应链进行管理,则只有该部门的终端可以作为节点101。除了节点101外,区块链100中的节点102、103、104等统称为其他节点。
本示例性实施例的供应链管理方法,用于对供应链中的供应商进行风险评估。图2示出了该方法的一种流程,可以包括步骤S210~S240:
步骤S210,在区块链上创建新区块,将目标供应商的第一特征数据写入新区块。
其中,目标供应商是需要进行风险评估的供应商,可以是供应链中的任一供应商;特征数据是指与目标供应商相关的信息数据,例如目标供应商的地址、规模、外部环境信息、业务信息等。本示例性实施例中,由于目标供应商对于各节点(101、102、103、104…)的供应能力不同,且各节点(101、102、103、104…)的需求状况不同,导致各节点所掌握的目标供应商的业务信息不同,即存在信息不对称的情况。为便于区分各节点(101、102、103、104…)上的数据,将节点101已获得的目标供应商的特征数据记为第一特征数据,将其他节点(102、103、104…)已获得的目标供应商的特征数据记为其他特征数据。
节点101在启动对于目标供应商的风险评估后,可以在区块链100的尾部创建新区块,新区块用于存储本次风险评估的相关数据。新区块的区块头可以记录风险评估的相关标识,例如目标供应商的唯一标识,本次风险评估的编号、时间戳等,第一特征数据存储于新区块的区块体中。
步骤S220,在区块链上发布针对于目标供应商的评估需求,以使区块链中的其他节点响应于评估需求而将目标供应商的其他特征数据写入新区块。
如上所述,评估需求可视为数据上传指令,主要用于向其他节点(102、103、104…)索取目标供应商的其他特征数据,节点101可以在区块链100上广播该评估需求,评估需求中可以包含新区块的区块头信息、目标供应商的唯一标识等,通过评估需求,可以将目标供应商的全部特征数据集中到新区块中进行存储。
需要说明的是,步骤S220与S210可以同时执行,即节点101可以在发布评估需求的同时,创建新区块,各节点(101、102、103、104…)可以同时向新区块写入特征数据,区块链100可以对多个并发的数据写入请求依次处理,当然,各节点(101、102、103、104…)获取特征数据所需的时间不同,向新区块写入特征数据的时间也可以不同,本公开对此不做限定。
步骤S230,从上述新区块获取其他特征数据。
通过步骤S220可以从其他节点(102、103、104…)处收集目标供应商的特征数据,集中存储到新区块中。因此,每个节点(101、102、103、104…)都可以从新区块获取到全部的特征数据。本示例性实施例中,节点101执行供应商风险评估,其可以从新区块获取其他特征数据,新区块中的第一特征数据为节点101已有的数据,无需重复获取。
在区块链100中,每个节点(101、102、103、104…)上都维护一份所有区块的备份,在其他节点(102、103、104…)向新区块写入其他特征数据后,节点101通过更新区块即可获得其他特征数据。
步骤S240,基于第一特征数据与其他特征数据,评估目标供应商的风险状况。
节点101在获取目标供应商的第一特征数据与其他特征数据后,即得到了其全部的特征数据,从中可以提取出关于目标供应商的充分的信息,以进行风险状况评估与分析。本公开对于评估的具体方式不做限定,例如可以是:事先确定特征数据中每个指标数值的正常范围,例如供应商到各条生产线的距离需要处于正常范围内,供应商的供货时间波动需要处于正常范围内,供应商的价格波动需要处于正常范围内,根据特征数据超出正常范围的程度,确定目标供应商的风险等级;基于事先确定的评分规则,对目标供应商的各项特征数据进行打分,然后进行汇总,得到一个综合性的风险指标,以表示其风险状况。
在一示例性实施例中,也可以采用机器学习的方式进行风险评估,步骤S240可以具体通过以下步骤实现:
根据第一特征数据与其他特征数据,生成目标供应商的特征向量;
将特征向量输入预先训练的机器学习模型,以输出目标供应商的风险等级。
其中,特征向量是对目标供应商的特征数据进行必要的统计与预处理后,所得到的能够反映目标供应商各方面信息的多维参数。举例说明,可以先将第一特征数据与其他特征数据进行合并,相同的信息数据保留一个,定量的数据可以相加或求平均值,然后提取目标供应商的国别、地区、外部环境状况、供应链结构状况、交付时间、交付量等,每一类信息作为一个维度,进行数值化处理,得到特征向量。
本示例性实施例所采用的机器学习模型可以是回归模型(如线性回归、逻辑回归等),也可以是分类模型(如决策树、支持向量机、神经网络等)。以回归模型为例,可以事先获取大量的供应链管理案例,将其中的供应商信息数据作为样本数据,将供应商是否发生重大供应事故(发生事故为1,未发生为0)作为标签,训练回归模型。通常在训练过程中,将样本数据与标签划分训练集与验证集,训练集用于迭代调整模型的参数,验证集用于验证模型是否达到预定的准确率,如果在验证集上验证通过,则训练完成。使用训练后的机器学习模型对目标供应商的上述特征向量进行分析处理,将特征向量输入到模型中,可以输出目标供应商的风险指数,在0~1之间,指数越高表示其风险越高。可以对指数进行分级,例如0~0.25为0级风险,0.25~0.5为1级风险,0.5~0.75为2级风险,0.75~1.0为3级风险,从而可以实现风险等级的评定。
应当理解,采用分类模型的训练与应用过程与回归模型类似。在训练阶段,将供应链管理案例中供应商所发生的供应事故进行分级,例如未发生事故为0级风险,发生轻微的供货延迟为1级风险,发生供货不足为2级风险,发生彻底无法交付的事故为3级风险,则得到了分类结果形式的标签,通过样本数据与标签可以训练分类模型。在应用阶段,将特征向量输入模型后,可以输出风险等级的分类结果。
步骤S240评估出目标供应商的风险状况后,后续可以采取针对性的措施,例如:若目标供应商的风险状况非常良好,可以提高目标供应商的优先级,优先从目标供应商处采购原材料;若目标供应商的风险状况一般,可以将其列为备选的供应商;若目标供应商的风险状况恶化,可以将其从供应商名册中剔除,等等。
需要补充的是,步骤S210~S240针对于供应链中的目标供应商进行管理,也可以分别以每个供应商为目标供应商,执行步骤S210~S240,从而对供应链进行全面管理。
基于上述说明,本示例性实施例通过在区块链上创建新区块并发布评估需求,以将各节点所获得的关于目标供应商的特征数据集中存储于新区块,再利用这些特征数据评估目标供应商的风险状况,以进行供应链管理。一方面,各节点可以通过区块链实现供应链信息的共享,解决信息不对称的问题,并提高信息存储的安全性,且在信息全面的基础上进行供应链管理,可以实现最优化决策。另一方面,对目标供应商进行风险评估的前提是获得各节点共同上传的特征数据,使得风险评估能够考虑到各节点的实际情况,降低任一节点发生供应链事故的风险,改善供应链状况。
在一示例性实施例中,上述第一特征数据可以包括节点101统计的目标供应商的历史交付数据,上述其他特征数据可以包括其他节点(102、103、104…)统计的目标供应商的历史交付数据;相应的,步骤S240可以具体通过以下步骤实现:
对目标供应商的历史交付数据进行分析,以预测目标供应商的未来交付数据。
其中,历史交付数据是指各节点(101、102、103、104…)记录的目标供应商过去交付情况的数据,例如上个月的交付量、交付时间、交付的货品质量等。本示例性实施例中,目标供应商向各节点(101、102、103、104…)交付的情况一般都不相同,例如各节点(101、102、103、104…)的需求量不同,导致交付量不同,供应商到各节点(101、102、103、104…)的距离不同,导致交付时间不同,各节点(101、102、103、104…)仅统计自身的历史交付数据,因此各节点(101、102、103、104…)所上传的历史交付数据不同。节点101将历史交付数据汇总后进行分析,根据历史交付数据所体现的变化趋势等预测目标供应商的未来交付数据,未来交付数据是风险评估结果的一种具体形式,其可以是近期的交付数据,例如下周、下个月的交付数据,也可以是一段较长时间的交付数据,例如未来一年的交付数据,通过预测未来交付数据,可以评估目标供应商在未来是否能够正常交付,以此筛选掉不能正常交付的供应商,降低供应链风险。
通常供应商的交付行为是按照周期发生的,则历史交付数据也可以是按照周期统计的,例如供应商每个月交付一次货品,各节点(101、102、103、104…)每个月统计一次交付数据。基于此,在一示例性实施例中,上述历史交付数据可以是目标供应商在最近n个周期的交付数据,n为不小于2的自然数;相应的,图2中的方法步骤可以按照交付数据的周期执行,如图3所示,供应链管理方法可以包括步骤S310~S340:
步骤S310,响应于在每个周期内到达预定时间,在区块链上创建新区块,将第一特征数据写入新区块;
步骤S320,周期性地在区块链上发布针对于目标供应商的评估需求,以使其他节点响应于评估需求而将其他特征数据写入新区块;
步骤S330,从新区块获取其他特征数据;
步骤S340,对目标供应商在最近n个周期的历史交付数据进行分析,以预测目标供应商的未来交付数据。
其中,第一特征数据包括节点101已统计的目标供应商在上一周期的历史交付数据,其他特征数据包括其他节点(102、103、104…)已统计的目标供应商在上一周期的历史交付数据,n为不小于2的自然数。本示例性实施例中,可以将当前周期记为第0周期,上一周期记为第-1周期,下一周期记为第1周期。目标供应商最近一次交付的周期为第-1周期,第0周期内还未发生交付。最近n个周期即第-1周期到第-n周期。
预定时间是预先确定的进行供应商风险评估的时间,其周期与交付数据的周期同步,例如目标供应商每个月中旬交付一次货品,各节点(101、102、103、104…)在每个月下旬统计当月的交付数据,然后在月末的一个时间(如每月30日的9:00)启动供应商风险评估,执行一次步骤S310~S340。
本示例性实施例中,每次执行步骤S310~S340时,各节点(101、102、103、104…)仅将其统计的目标供应商在上一周期的历史交付数据写入新区块,即每个周期生成一个关于目标供应商的新区块,其中存储目标供应商在上一周期的历史交付数据。各节点(101、102、103、104…)通过查找带有目标供应商唯一标识的所有区块,可以获得其全部的历史交付数据,包括历史上每个周期每个节点(101、102、103、104…)所上传的数据。节点101可以从中选取最近n个周期的历史交付数据,进行分析,以预测目标供应商的未来交付数据,未来交付数据可以是目标供应商在未来任一周期的交付数据。
在一示例性实施例中,由于最近n个周期的历史交付数据具有一定的时序特征,可以通过预先训练的长短时记忆神经网络对其进行处理,得到未来交付数据的预测结果。
在一示例性实施例中,假设区块链100中共包括m个节点,m至少为2。节点101为第1节点,其写入新区块的历史交付数据为第1交付数据;节点102为第2节点,其写入新区块的历史交付数据为第2交付数据;以此类推,第m节点写入新区块的历史交付数据为第m交付数据。
步骤S240可以具体通过以下步骤实现:
根据每个交付数据中的交付量大小确定每个交付数据的权重因子;
基于每个交付数据的权重因子,对m个交付数据进行分析,以预测目标供应商的未来交付数据。
其中,第1交付数据通常是一组数据,包括第1节点所统计的目标供应商的交付量、交付时间等,如果交付了多类货品,还可以分类统计。第2交付数据、第3交付数据等情况类似,也分别为一组数据。通过提取每个交付数据中的交付量(如果交付数据中有多类货品的交付量,则可以计算其总和或加权和),根据每个交付数据的交付量为每个交付数据确定权重因子,通常交付量越大,权重因子越高,表示在进行供应商风险评估时,需要更多地考虑该节点的因素(即在进行供应链管理时,需要重点考虑需求量较大的那些分公司或生产线)。
假设第1交付数据中的交付量为S1,第2交付数据中的交付量为S2,……,第m交付数据中的交付量为Sm,则其中第i交付数据的权重因子Qi可以通过以下几种方式确定:
当然以上仅是举例说明,本公开对此不做限定。
在确定各交付数据的权重因子后,可以对上述m个交付数据分别进行分析计算,得到m个未来交付数据,然后通过权重因子对其进行加权计算,得到综合性的未来交付数据,或者在分析过程中,对m个交付数据分别添加权重因子,以体现出各节点的重要程度。基于权重因子的分析方法,可以更加准确的对目标供应商进行风险评估。
在一示例性实施例中,如图4所示,供应链管理方法还可以包括以下步骤:
步骤S250,将评估目标供应商的风险状况所得到的评估数据写入新区块。
即除了将目标供应商的第一特征数据写入新区块外,还将其评估数据写入新区块,使得新区块中记录了关于本次风险评估的完整数据,有利于日后进行数据回查,并且,其他节点也可以通过区块链得到上述评估结果,有利于信息共享。
进一步的,由于区块链中的每个节点都可以获得新区块中的特征数据,因此也可以评估目标供应商的风险状况。在一示例性实施例中,除了节点101外,其他节点(102、103、104…)中的至少一个节点可以进行风险评估,节点101得到的评估数据(即步骤S250中的评估数据)可以记为第一评估数据,其他节点评估目标供应商的风险状况所得到的评估数据可以记为其他评估数据,其他节点可以将其他评估数据写入新区块,则新区块存储有关于目标供应商的全部评估数据。参考上述图4所示,供应链管理方法还可以包括以下步骤:
步骤S260,从新区块获取其他评估数据;
步骤S270,基于第一评估数据与其他评估数据,得到关于目标供应商风险状况的最终评估数据。
其中,节点101从新区块获取其他评估数据后,可以将其与第一评估数据进行汇总,综合各节点的评估结果,得到最终评估数据。在汇总时,可以将各评估数据进行求和、求平均,也可以加权平均(可以参考使用上述交付数据的权重因子)等,本公开对此不做限定。相比于单个节点所做的风险评估,综合多个节点的评估数据所得到的最终评估数据通常具有更高的准确度。
在一示例性实施例中,可以周期性地启动对所有供应商的风险评估,在一轮评估中,对于每个供应商,可以生成一个新区块,以存储本次评估的全部相关数据,各节点在向新区块写入数据时,可以将数据经过哈希加密后写入。下面通过实例对新区块中的数据进行举例说明,在供应链管理的区块链系统中,如果启动对供应商A的风险评估,节点101可以向区块链系统上传第一特征数据,在区块链中可以生成一个新区块,如表1所示,新区块中可以包含以下信息:节点ID(Identity,身份标识)、供应商ID、隐私授权与密钥、签字等信息、特征数据与评估数据的哈希指针链接、相关的时间戳、以及访问该区块的相关记录信息。
表1
本公开的示例性实施例还提供了一种基于区块链的供应链管理装置,可以应用于图1中区块链100中的节点101,如图5所示,该装置500可以包括:区块创建模块510,用于在区块链100上创建新区块,将目标供应商的第一特征数据写入新区块,第一特征数据为节点101已获得的目标供应商的特征数据;需求发布模块520,用于在区块链100上发布针对于目标供应商的评估需求,以使区块链100中的其他节点(102、103、104…)响应于评估需求而将目标供应商的其他特征数据写入新区块,其他特征数据为其他节点(102、103、104…)已获得的目标供应商的特征数据;数据获取模块530,用于从新区块获取其他特征数据;风险评估模块540,用于基于第一特征数据与其他特征数据,评估目标供应商的风险状况。
在一示例性实施例中,第一特征数据可以包括节点101统计的目标供应商的历史交付数据,其他特征数据可以包括其他节点(102、103、104…)统计的目标供应商的历史交付数据;风险评估模块540可以用于对目标供应商的历史交付数据进行分析,以预测目标供应商的未来交付数据。
在一示例性实施例中,节点101与其他节点(102、103、104…)按照周期统计目标供应商的历史交付数据;区块创建模块110可以用于响应于在每个周期内到达预定时间,在区块链100上创建新区块,将第一特征数据写入新区块,第一特征数据包括节点101已统计的目标供应商在上一周期的历史交付数据;需求发布模块102可以用于周期性地在区块链100上发布针对于目标供应商的评估需求,以使区块链100中的其他节点(102、103、104…)响应于评估需求而将其他特征数据写入新区块,其他特征数据包括其他节点(102、103、104…)已统计的目标供应商在上一周期的历史交付数据;风险评估模块540可以用于对目标供应商在最近n个周期的历史交付数据进行分析,以预测目标供应商的未来交付数据,n为不小于2的自然数。
在一示例性实施例中,节点101为第1节点,其写入新区块的历史交付数据为第1交付数据;其他节点(102、103、104…)包括第2节点、第3节点、……、与第m节点,其写入新区块的历史交付数据分别为第2交付数据、第3交付数据、……、与第m交付数据,m为不小于2的自然数;风险评估模块540可以用于根据每个交付数据中的交付量大小确定每个交付数据的权重因子,并基于每个交付数据的权重因子,对m个交付数据进行分析,以预测目标供应商的未来交付数据。
在一示例性实施例中,区块创建模块540还可以用于将评估目标供应商的风险状况所得到的评估数据写入新区块。
在一示例性实施例中,上述评估数据为第一评估数据;数据获取模块530还可以用于从新区块获取其他评估数据,其他评估数据为其他节点(102、103、104…)评估目标供应商的风险状况所得到的评估数据;风险评估模块540还可以用于基于第一评估数据与其他评估数据,得到关于目标供应商风险状况的最终评估数据。
在一示例性实施例中,风险评估模块540可以包括:特征向量生成单元,用于根据第一特征数据与其他特征数据,生成目标供应商的特征向量;机器学习处理单元,用于将特征向量输入预先训练的机器学习模型,以输出目标供应商的风险等级。
上述装置中各模块/单元的具体细节在方法部分的实施例中已经详细说明,因此不再赘述。
本公开的示例性实施例还提供了一种计算机可读存储介质,其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中,本公开的各个方面还可以实现为一种程序产品的形式,其包括程序代码,当程序产品在终端设备上运行时,程序代码用于使终端设备执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。
参考图6所示,描述了根据本公开的示例性实施例的用于实现上述方法的程序产品600,其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码,并可以在终端设备,例如个人电脑上运行。然而,本公开的程序产品不限于此,在本文件中,可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、有线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本公开操作的程序代码,程序设计语言包括面向对象的程序设计语言—诸如Java、C++等,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
本公开的示例性实施例还提供了一种能够实现上述方法的电子设备。
所属技术领域的技术人员能够理解,本公开的各个方面可以实现为系统、方法或程序产品。因此,本公开的各个方面可以具体实现为以下形式,即:完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等),或硬件和软件方面结合的实施方式,这里可以统称为“电路”、“模块”或“系统”。
下面参照图7来描述根据本公开的这种示例性实施例的电子设备700。图7显示的电子设备700仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图7所示,电子设备700以通用计算设备的形式表现。电子设备700的组件可以包括但不限于:上述至少一个处理单元710、上述至少一个存储单元720、连接不同系统组件(包括存储单元720和处理单元710)的总线730、显示单元740。
其中,存储单元存储有程序代码,程序代码可以被处理单元710执行,使得处理单元710执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。例如,处理单元710可以执行图2、图3或图4所示的方法步骤等。
存储单元720可以包括易失性存储单元形式的可读介质,例如随机存取存储单元(RAM)721和/或高速缓存存储单元722,还可以进一步包括只读存储单元(ROM)723。
存储单元720还可以包括具有一组(至少一个)程序模块725的程序/实用工具724,这样的程序模块725包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线730可以为表示几类总线结构中的一种或多种,包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备700也可以与一个或多个外部设备800(例如键盘、指向设备、蓝牙设备等)通信,还可与一个或者多个使得用户能与该电子设备700交互的设备通信,和/或与使得该电子设备700能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口750进行。并且,电子设备700还可以通过网络适配器760与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器760通过总线730与电子设备700的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备700使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开示例性实施例的方法。
此外,上述附图仅是根据本公开示例性实施例的方法所包括的处理的示意性说明,而不是限制目的。易于理解,上述附图所示的处理并不表明或限制这些处理的时间顺序。另外,也易于理解,这些处理可以是例如在多个模块中同步或异步执行的。
应当注意,尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元,但是这种划分并非强制性的。实际上,根据本公开的示例性实施例,上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之,上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其他实施例。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由权利要求指出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限。
Claims (10)
1.一种基于区块链的供应链管理方法,应用于区块链中的一节点,其特征在于,所述方法包括:
在所述区块链上创建新区块,将目标供应商的第一特征数据写入所述新区块,所述第一特征数据为所述节点已获得的所述目标供应商的特征数据;
在所述区块链上发布针对于所述目标供应商的评估需求,以使所述区块链中的其他节点响应于所述评估需求而将所述目标供应商的其他特征数据写入所述新区块,所述其他特征数据为所述其他节点已获得的所述目标供应商的特征数据;
从所述新区块获取所述其他特征数据;
基于所述第一特征数据与所述其他特征数据,评估所述目标供应商的风险状况。
2.根据权利要求1所述的方法,其特征在于,所述第一特征数据包括所述节点统计的所述目标供应商的历史交付数据,所述其他特征数据包括所述其他节点统计的所述目标供应商的历史交付数据;
所述基于所述第一特征数据与所述其他特征数据,评估所述目标供应商的风险状况,包括:
对所述目标供应商的历史交付数据进行分析,以预测所述目标供应商的未来交付数据。
3.根据权利要求2所述的方法,其特征在于,所述节点与所述其他节点按照周期统计所述目标供应商的历史交付数据;
所述在所述区块链上创建新区块,将目标供应商的第一特征数据写入所述新区块,包括:
响应于在每个所述周期内到达预定时间,在所述区块链上创建新区块,将第一特征数据写入所述新区块,所述第一特征数据包括所述节点已统计的所述目标供应商在上一周期的历史交付数据;
所述在所述区块链上发布针对于所述目标供应商的评估需求,以使所述区块链中的其他节点响应于所述评估需求而将所述目标供应商的其他特征数据写入所述新区块,包括:
周期性地在所述区块链上发布针对于所述目标供应商的评估需求,以使所述区块链中的其他节点响应于所述评估需求而将所述其他特征数据写入所述新区块,所述其他特征数据包括所述其他节点已统计的所述目标供应商在所述上一周期的历史交付数据;
所述对所述目标供应商的历史交付数据进行分析,以预测所述目标供应商的未来交付数据,包括:
对所述目标供应商在最近n个所述周期的历史交付数据进行分析,以预测所述目标供应商的未来交付数据,n为不小于2的自然数。
4.根据权利要求2所述的方法,其特征在于,所述节点为第1节点,其写入所述新区块的历史交付数据为第1交付数据;
所述其他节点包括第2节点、第3节点、……、与第m节点,其写入所述新区块的历史交付数据分别为第2交付数据、第3交付数据、……、与第m交付数据,m为不小于2的自然数;
所述对所述目标供应商的历史交付数据进行分析,以预测所述目标供应商的未来交付数据,包括:
根据每个交付数据中的交付量大小确定每个交付数据的权重因子;
基于每个交付数据的权重因子,对m个所述交付数据进行分析,以预测所述目标供应商的未来交付数据。
5.根据权利要求1所述的方法,其特征在于,所述方法还包括:
将评估所述目标供应商的风险状况所得到的评估数据写入所述新区块。
6.根据权利要求5所述的方法,其特征在于,所述评估数据为第一评估数据;
所述方法还包括:
从所述新区块获取其他评估数据,所述其他评估数据为所述其他节点评估所述目标供应商的风险状况所得到的评估数据;
基于所述第一评估数据与所述其他评估数据,得到关于所述目标供应商风险状况的最终评估数据。
7.根据权利要求1所述的方法,其特征在于,所述基于所述第一特征数据与所述其他特征数据,评估所述目标供应商的风险状况,包括:
根据所述第一特征数据与所述其他特征数据,生成所述目标供应商的特征向量;
将所述特征向量输入预先训练的机器学习模型,以输出所述目标供应商的风险等级。
8.一种基于区块链的供应链管理装置,应用于区块链中的一节点,其特征在于,所述装置包括:
区块创建模块,用于在所述区块链上创建新区块,将目标供应商的第一特征数据写入所述新区块,所述第一特征数据为所述节点已获得的所述目标供应商的特征数据;
需求发布模块,用于在所述区块链上发布针对于所述目标供应商的评估需求,以使所述区块链中的其他节点响应于所述评估需求而将所述目标供应商的其他特征数据写入所述新区块,所述其他特征数据为所述其他节点已获得的所述目标供应商的特征数据;
数据获取模块,用于从所述新区块获取所述其他特征数据;
风险评估模块,用于基于所述第一特征数据与所述其他特征数据,评估所述目标供应商的风险状况。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1-7任一项所述的方法。
10.一种电子设备,其特征在于,包括:
处理器;以及
存储器,用于存储所述处理器的可执行指令;
其中,所述处理器配置为经由执行所述可执行指令来执行权利要求1-7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910271250.1A CN110009229A (zh) | 2019-04-04 | 2019-04-04 | 基于区块链的供应链管理方法、装置、存储介质与设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910271250.1A CN110009229A (zh) | 2019-04-04 | 2019-04-04 | 基于区块链的供应链管理方法、装置、存储介质与设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110009229A true CN110009229A (zh) | 2019-07-12 |
Family
ID=67169952
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910271250.1A Pending CN110009229A (zh) | 2019-04-04 | 2019-04-04 | 基于区块链的供应链管理方法、装置、存储介质与设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110009229A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111404910A (zh) * | 2020-03-11 | 2020-07-10 | 中国科学院信息工程研究所 | 一种基于区块链的制造业跨域数据安全共享管控方法 |
CN111784453A (zh) * | 2020-06-29 | 2020-10-16 | 平安国际智慧城市科技股份有限公司 | 基于区块链的跨平台医药集采价格同步方法及相关装置 |
CN112053079A (zh) * | 2020-09-15 | 2020-12-08 | 南京工程学院 | 一种电力监控系统供应链安全监测预警系统及方法 |
CN112561705A (zh) * | 2020-12-28 | 2021-03-26 | 杭州趣链科技有限公司 | 基于人工智能的联盟链自治方法及装置、设备、存储介质 |
CN112766981A (zh) * | 2020-12-30 | 2021-05-07 | 国网英大国际控股集团有限公司 | 一种基于机器学习的商圈树构建方法及系统 |
CN115115290A (zh) * | 2022-08-29 | 2022-09-27 | 深圳装速配科技有限公司 | 一种基于风险评估的建材供应商管理系统及方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107103480A (zh) * | 2017-05-18 | 2017-08-29 | 电子科技大学 | 基于主权区块链的供应链管理方法 |
CN107909274A (zh) * | 2017-11-17 | 2018-04-13 | 平安科技(深圳)有限公司 | 企业投资风险评估方法、装置及存储介质 |
CN108491266A (zh) * | 2018-03-09 | 2018-09-04 | 联想(北京)有限公司 | 基于区块链的数据处理方法、装置及电子设备 |
CN109036579A (zh) * | 2018-08-22 | 2018-12-18 | 泰康保险集团股份有限公司 | 基于区块链的信息预测方法、装置、介质及电子设备 |
CN109165959A (zh) * | 2018-09-10 | 2019-01-08 | 百度在线网络技术(北京)有限公司 | 基于区块链的供应链查询方法和装置 |
-
2019
- 2019-04-04 CN CN201910271250.1A patent/CN110009229A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107103480A (zh) * | 2017-05-18 | 2017-08-29 | 电子科技大学 | 基于主权区块链的供应链管理方法 |
CN107909274A (zh) * | 2017-11-17 | 2018-04-13 | 平安科技(深圳)有限公司 | 企业投资风险评估方法、装置及存储介质 |
CN108491266A (zh) * | 2018-03-09 | 2018-09-04 | 联想(北京)有限公司 | 基于区块链的数据处理方法、装置及电子设备 |
CN109036579A (zh) * | 2018-08-22 | 2018-12-18 | 泰康保险集团股份有限公司 | 基于区块链的信息预测方法、装置、介质及电子设备 |
CN109165959A (zh) * | 2018-09-10 | 2019-01-08 | 百度在线网络技术(北京)有限公司 | 基于区块链的供应链查询方法和装置 |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111404910A (zh) * | 2020-03-11 | 2020-07-10 | 中国科学院信息工程研究所 | 一种基于区块链的制造业跨域数据安全共享管控方法 |
CN111404910B (zh) * | 2020-03-11 | 2021-07-13 | 中国科学院信息工程研究所 | 一种基于区块链的制造业跨域数据安全共享管控方法 |
CN111784453A (zh) * | 2020-06-29 | 2020-10-16 | 平安国际智慧城市科技股份有限公司 | 基于区块链的跨平台医药集采价格同步方法及相关装置 |
CN111784453B (zh) * | 2020-06-29 | 2023-11-21 | 深圳平安智慧医健科技有限公司 | 基于区块链的跨平台医药集采价格同步方法及相关装置 |
CN112053079A (zh) * | 2020-09-15 | 2020-12-08 | 南京工程学院 | 一种电力监控系统供应链安全监测预警系统及方法 |
CN112053079B (zh) * | 2020-09-15 | 2024-04-16 | 南京工程学院 | 一种电力监控系统供应链安全监测预警系统及方法 |
CN112561705A (zh) * | 2020-12-28 | 2021-03-26 | 杭州趣链科技有限公司 | 基于人工智能的联盟链自治方法及装置、设备、存储介质 |
CN112766981A (zh) * | 2020-12-30 | 2021-05-07 | 国网英大国际控股集团有限公司 | 一种基于机器学习的商圈树构建方法及系统 |
CN115115290A (zh) * | 2022-08-29 | 2022-09-27 | 深圳装速配科技有限公司 | 一种基于风险评估的建材供应商管理系统及方法 |
CN115115290B (zh) * | 2022-08-29 | 2023-01-06 | 深圳装速配科技有限公司 | 一种基于风险评估的建材供应商管理系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110009229A (zh) | 基于区块链的供应链管理方法、装置、存储介质与设备 | |
US11710084B2 (en) | Transaction-enabled systems and methods for resource acquisition for a fleet of machines | |
Chou et al. | Forward forecast of stock price using sliding-window metaheuristic-optimized machine-learning regression | |
Li et al. | Individualized indicator for all: Stock-wise technical indicator optimization with stock embedding | |
KR102046501B1 (ko) | 창업 기업 진단에 기반한 가치 평가 및 육성 지원을 위한 서비스 제공 장치 및 방법 | |
JP2018092439A (ja) | データ処理システム及びデータ処理方法 | |
CN104115178A (zh) | 基于新闻和情绪分析来预测市场行为的方法和系统 | |
CN110111139A (zh) | 行为预估模型生成方法、装置、电子设备及可读介质 | |
CN109872015A (zh) | 用于行为数据评估的方法及装置 | |
KR20210001243A (ko) | 제품수명주기에 따른 수명주기별 온라인과 오프라인 정보분석 서비스 시스템 | |
CN110110012A (zh) | 用户预期价值评估方法、装置、电子设备及可读介质 | |
CN109035028A (zh) | 智能投顾策略生成方法及装置、电子设备、存储介质 | |
CN109359901A (zh) | 基于区块链的企业风险确定方法及装置、介质和电子设备 | |
CN109947811A (zh) | 通用特征库生成方法及装置、存储介质、电子设备 | |
CN109255693A (zh) | 基于区块链的数据处理方法、装置、介质及电子设备 | |
CN109118225A (zh) | 基于区块链的收藏品管理方法、装置、介质及电子设备 | |
Pal et al. | Towards dynamic demand response on efficient consumer grouping algorithmics | |
Capasso et al. | Big tech corporations and AI: a social license to operate and multi-stakeholder partnerships in the digital age | |
WO2022064894A1 (ja) | 情報処理装置、情報処理方法、およびプログラム | |
CN109472518A (zh) | 基于区块链的销售行为评价方法及装置、介质和电子设备 | |
Li et al. | Co-learning patterns as emergent market phenomena: An electricity market illustration | |
CN104408558B (zh) | 一种财务运营仿真模拟模型体系 | |
CN110300961A (zh) | 统一智能连接器 | |
CN110110250A (zh) | 信息输出方法和装置 | |
CN110362981A (zh) | 基于可信设备指纹判断异常行为的方法及系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190712 |
|
RJ01 | Rejection of invention patent application after publication |