CN111489192A - 融合ict供应链网络拓扑特征的产品份额趋势预测方法 - Google Patents

融合ict供应链网络拓扑特征的产品份额趋势预测方法 Download PDF

Info

Publication number
CN111489192A
CN111489192A CN202010233687.9A CN202010233687A CN111489192A CN 111489192 A CN111489192 A CN 111489192A CN 202010233687 A CN202010233687 A CN 202010233687A CN 111489192 A CN111489192 A CN 111489192A
Authority
CN
China
Prior art keywords
share
node
supply chain
industry
chain network
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
Application number
CN202010233687.9A
Other languages
English (en)
Inventor
潘丽敏
李新帅
罗森林
周妍汝
吴舟婷
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Institute of Technology BIT
Original Assignee
Beijing Institute of Technology BIT
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Institute of Technology BIT filed Critical Beijing Institute of Technology BIT
Priority to CN202010233687.9A priority Critical patent/CN111489192A/zh
Publication of CN111489192A publication Critical patent/CN111489192A/zh
Pending legal-status Critical Current

Links

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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0202—Market predictions or forecasting for commercial activities

Landscapes

  • Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Engineering & Computer Science (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Finance (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Data Mining & Analysis (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及融合ICT供应链网络拓扑特征的产品份额趋势预测方法，属于自然语言处理与机器学习领域。主要解决市场趋势受到供应链网络行业特征和份额分布的双重影响，且历史敏感性强的问题。首先利用霍克斯过程对时序属性信息进行建模，学习得到时间拓扑嵌入向量表示；其次对多行业复用供应链网络拓扑结构进行嵌入，学习得到供应商节点份额拓扑嵌入向量表示；最后供应商节点的时间拓扑嵌入向量和供应商节点份额拓扑嵌入向量，训练市场趋势预测模型，实现对市场趋势的预测。对招投标平台收集到的265家供应商近三年来的数据进行了实验，结果表明本发明能达到较好的分类效果，进一步提升了产品份额趋势预测的准确率。

Description

融合ICT供应链网络拓扑特征的产品份额趋势预测方法
技术领域
本发明涉及融合ICT供应链网络拓扑特征的产品份额趋势预测方法，属于供应链需求预测领域。
背景技术
产品份额趋势预测，就是对产品份额趋势进行估计和预测，通过分析产品份额趋势相关数据以加深对市场环境和招标商偏好的认识，从而有计划的针对变化中的市场制定未来的业务计划。因此，本发明将提供一种供应链网络产品的份额趋势预测方法，来提早预测行业发展趋势的变化以及供应商的供货能力随时间的变化。
目前，市场份额趋势预测方法主要是基于时间序列统计学模型的预测方法，例如常见的ARMA模型、ARIMA模型和马尔科夫模型等，通过分析历史数据，统计归纳时序数据的内在规律，得到历史份额与未来趋势的变化关系，从而实现产品份额变化趋势的预测。
综上所述，通常现有的趋势预测方法都会考虑时序信息和中标金额信息，但是在ICT供应链网络中，任何一组节点对的供应关系发生变化都会由供应链网络拓扑结构进行传播扩散，进而影响整个产品市场的趋势变化。因此，本发明融合ICT供应链网络的时序属性、份额属性拓扑结构特征。同时，因为各个行业属性和中标份额不同，还额外考虑行业特征。
发明内容
本发明的目的是解决ICT供应链网络产品份额趋势预测受行业特征和份额分布的双重影响，且历史敏感性强的问题，提出融合供应商行业属性信息、供应商节点产品份额拓扑信息以及时序拓扑信息的市场趋势预测模型。
本发明的设计原理为：首先利用霍克斯过程对时序属性信息进行建模，学习得到时间拓扑嵌入向量表示；其次对多行业复用供应链网络拓扑结构进行嵌入，学习得到供应商节点份额拓扑嵌入向量表示；最后供应商节点的时间拓扑嵌入向量和供应商节点份额拓扑嵌入向量，训练线性分类器，实现对市场趋势的预测。
本发明的技术方案是通过如下步骤实现的：
步骤1，利用霍克斯过程对时序属性信息进行建模，将时序信息加入到节点对的拓扑连接边的条件概率表示中，学习得到供应商节点的时间拓扑嵌入向量表示。
步骤1.1，将供应商的时序属性信息按时间先后顺序构造为邻居时序序列。
步骤1.2，利用Hawkes点过程对邻居时序序列进行建模。
步骤1.3，学习得到供应商节点的时间拓扑嵌入向量表示。
步骤2，对多行业复用供应链网络拓扑结构进行学习，得到供应商节点份额拓扑嵌入向量表示。
步骤2.1，将份额信息加入到节点对的拓扑连接边的条件概率表示中，并引入层向量表征不同行业的属性信息。
步骤2.2，通过最大化网络中边的似然函数，训练融合行业属性的供应商节点份额拓扑嵌入向量。
步骤3，合并供应商节点的时间拓扑嵌入向量和供应商节点份额拓扑嵌入向量，训练线性分类器，实现对市场趋势的预测。
有益效果
相比于过去的市场趋势预测方法，本发明构建的市场趋势预测模型可以融合供应商行业特征信息、中标份额分布信息以及时序属性信息，来完成预测任务。
附图说明
图1为本发明产品份额趋势预测方法的原理图。
具体实施方式
为了更好的说明本发明的目的和优点，下面结合实例对本发明方法的实施方式做进一步详细说明。
实验数据来自从各招投标平台获取的近三年的招标信息及其对应的中标信息，其中包括449个招标商和265个中标商，分布于通信、集成、金融、制造等9个行业，以及涵盖光纤、光缆、交换机等235类ICT产品的历史招投标信息。具体流程为：
步骤1，对从各招投标平台获取的历史招投标信息进行数据预处理，选择所需数据。
步骤2，利用Hawkes过程对数据集的时序属性信息进行建模，将时序信息加入到节点对的拓扑连接边的条件概率表示中，学习供应商节点的时间拓扑嵌入向量表示。
步骤2.1，对相同中标商的中标信息按中标时间的先后顺序构造为邻居时序序列。
步骤2.2，利用Hawkes点过程对邻居时序序列进行建模,学习供应商节点的时间拓扑嵌入向量表示。
步骤2.2.1，首先利用多变量Hawkes过程建模，我们可以推断出供应商节点x和目标邻居节点y在时间t处形成邻居序列的概率可用条件强度表示。
Figure BDA0002428197660000031
给定供应商节点x在时间t之前形成的邻域时序序列，表示为
Figure BDA0002428197660000032
其中，
Figure BDA0002428197660000033
μx,y＝f(ex,ey)＝-‖ex-ey‖2 (3)
Figure BDA0002428197660000034
λy|x(t)为每个历史邻居节点y的条件强度函数，其中μx,y为基强度影响，κ(t-th)为该历史邻居对供应商节点的时间衰变影响，αh,y,δs均为常参数。
步骤2.2.2，对网络中所有节点的邻居时序序列进行极大似然计算(优化目标函数)。
Figure BDA0002428197660000035
步骤3，对多行业复用供应链网络拓扑结构进行学习，得到供应商节点份额嵌入向量表示。
步骤3.1，将每个行业中的供应商节点嵌入到d维空间中，并强制行业之间的相同供应商节点的份额分布嵌入向量彼此接近，以便在嵌入之间共享所有行业结构。在损失函数中添加嵌入向量的方差正则项来实现这一过程。强制过程的计算公式如式(6)所示。其中β表示正则化系数，
Figure BDA0002428197660000036
表示嵌入张量，其包含给定多行业复用网络的所有嵌入向量。V[l]表示第l个行业中的节点的N×d维嵌入矩阵。L，N，d分别表示行业数，节点数和嵌入空间的维数。E[V]计算行业间的平均嵌入矩阵，
Figure BDA0002428197660000041
计算嵌入向量的方差。
Figure BDA0002428197660000042
Figure BDA0002428197660000043
Figure BDA0002428197660000044
步骤3.2，考虑到区分不同行业的问题，算法结合行业向量的思想，用来确定每个行业中所有节点对的边缘概率。节点对
Figure BDA0002428197660000045
的边缘概率计算公式如式(9)所示，
Figure BDA0002428197660000046
其中
Figure BDA0002428197660000047
表示
Figure BDA0002428197660000048
的头部嵌入向量，
Figure BDA0002428197660000049
表示
Figure BDA00024281976600000410
的尾嵌入向量，rl表示第l个行业的行业向量。
步骤3.3，优化嵌入向量和行业向量的损失函数设计如下公式(10)，
Figure BDA00024281976600000411
其中，其中VH，
Figure BDA00024281976600000412
分别表示头尾嵌入张量，包含所有头尾嵌入向量。
Figure BDA00024281976600000413
表示行业向量。εpos表示给定多行业复用网络中的所有现有边缘，εneg是一组负面样本。它们从给定多行业复用网络中的所有未连接节点对均匀和随机地采样。使用参数k，负样本的数量是k|εpos|。β表示该强制执行项的正则化系数
λ和γ分别表示用于嵌入向量和行业向量的正则化系数。第四项除以N以归一化λ的影响。
步骤3.4，通过使损失函数最小化，学习得到最佳的输出VH，VT和R，结合行业向量对每个行业每个供应商节点的份额分布嵌入向量进行加权，得到供应商节点份额嵌入向量表示。
步骤4，合并供应商节点的时间拓扑嵌入向量和供应商节点份额拓扑嵌入向量，训练市场趋势预测模型。
测试结果：实验采用准确率(Accuracy)评价市场份额趋势预测的结果，正确率计算方法如公式(11)所示：
Figure BDA0002428197660000051
其中，TP是将趋势向上预测为趋势向上的数目，FN是将趋势向上预测为趋势向下的数目，FP是将趋势向下预测为趋势向上的数目，TN是将趋势向下预测为趋势向下的数目。
实验基于产品份额趋势预测方法，对从招投标平台收集到的265家供应商近三年来的数据进行了产品份额趋势进行预测，预测准确率为72.23％。
以上所述的具体描述，对发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.融合ICT供应链网络拓扑特征的产品份额趋势预测方法，其特征在于所述方法包括如下步骤：
步骤1，利用霍克斯过程对时序属性信息进行建模，将时序信息加入到节点对的拓扑连接边的条件概率表示中，学习供应商节点的时间拓扑嵌入向量表示，首先，将供应商的时序属性信息按时间先后顺序构造为邻居时序序列，然后，利用Hawkes点过程对邻居时序序列进行建模，最后，学习得到供应商节点的时间拓扑嵌入向量表示；
步骤2，对多行业复用供应链网络拓扑结构进行学习，得到供应商节点份额嵌入向量表示，首先，引入层向量表征不同行业的属性信息，将份额信息加入到节点对的拓扑连接边的条件概率表示中；其次，通过最大化网络中边的似然函数，训练融合行业属性的供应商节点份额拓扑嵌入向量；
步骤3，合并供应商节点的时间拓扑嵌入向量和供应商节点份额拓扑嵌入向量，训练市场趋势预测模型。
2.根据权利要求1所述的融合ICT供应链网络拓扑特征的产品份额趋势预测方法，其特征在于：步骤1中利用霍克斯过程对供应商时序邻居序列进行建模，推断出供应商节点x和目标邻居节点y在时间t处形成邻居序列的概率可用条件强度：
Figure FDA0002428197650000011
3.根据权利要求1所述的融合ICT供应链网络拓扑特征的产品份额趋势预测方法，其特征在于：步骤1中对网络中所有节点的邻居时序序列进行极大似然计算(优化目标函数)。
Figure FDA0002428197650000012
4.根据权利要求1所述的融合ICT供应链网络拓扑特征的产品份额趋势预测方法，其特征在于：步骤2中利用供应商行业属性信息，考虑到区分不同行业的问题，用来确定每个行业中所有节点对的边缘概率。
Figure FDA0002428197650000013
5.根据权利要求1所述的融合ICT供应链网络拓扑特征的产品份额趋势预测方法，其特征在于：步骤2中优化嵌入向量和行业向量的损失函数，通过使损失函数最小化，学习得到最佳的输出VH，VT和R，结合行业向量对每个行业每个供应商节点的份额分布嵌入向量进行加权，得到供应商节点份额嵌入向量表示。
Figure FDA0002428197650000021
6.根据权利要求1所述的融合ICT供应链网络拓扑特征的产品份额趋势预测方法，其特征在于：步骤3中合并供应商节点的时间拓扑嵌入向量和供应商节点份额拓扑嵌入向量，得到融合供应商行业属性信息、份额分布信息以及时序属性信息的产品份额趋势预测方法。
CN202010233687.9A 2020-03-27 2020-03-27 融合ict供应链网络拓扑特征的产品份额趋势预测方法 Pending CN111489192A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010233687.9A CN111489192A (zh) 2020-03-27 2020-03-27 融合ict供应链网络拓扑特征的产品份额趋势预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010233687.9A CN111489192A (zh) 2020-03-27 2020-03-27 融合ict供应链网络拓扑特征的产品份额趋势预测方法

Publications (1)

Publication Number Publication Date
CN111489192A true CN111489192A (zh) 2020-08-04

Family

ID=71797586

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010233687.9A Pending CN111489192A (zh) 2020-03-27 2020-03-27 融合ict供应链网络拓扑特征的产品份额趋势预测方法

Country Status (1)

Country Link
CN (1) CN111489192A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112288495A (zh) * 2020-11-09 2021-01-29 北京理工大学 结合网络拓扑和商业属性的ict供应链关键节点识别方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102647439A (zh) * 2011-10-31 2012-08-22 李宗诚 企业价值链网络配置系统的ict 网络对接技术
JP2016091328A (ja) * 2014-11-05 2016-05-23 日本電信電話株式会社 個体行動モデル推定装置、購買行動モデル推定装置、外部刺激タイミング最適化装置、個体行動モデル推定方法、及びプログラム
CN110704694A (zh) * 2019-09-29 2020-01-17 哈尔滨工业大学（威海） 一种基于网络表示学习的组织层级划分方法及其应用
CN110851491A (zh) * 2019-10-17 2020-02-28 天津大学 基于多重邻居节点的多重语义影响的网络链接预测方法
CN110889282A (zh) * 2019-11-28 2020-03-17 哈尔滨工程大学 一种基于深度学习的文本情感分析方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102647439A (zh) * 2011-10-31 2012-08-22 李宗诚 企业价值链网络配置系统的ict 网络对接技术
JP2016091328A (ja) * 2014-11-05 2016-05-23 日本電信電話株式会社 個体行動モデル推定装置、購買行動モデル推定装置、外部刺激タイミング最適化装置、個体行動モデル推定方法、及びプログラム
CN110704694A (zh) * 2019-09-29 2020-01-17 哈尔滨工业大学（威海） 一种基于网络表示学习的组织层级划分方法及其应用
CN110851491A (zh) * 2019-10-17 2020-02-28 天津大学 基于多重邻居节点的多重语义影响的网络链接预测方法
CN110889282A (zh) * 2019-11-28 2020-03-17 哈尔滨工程大学 一种基于深度学习的文本情感分析方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
胡杨等: "面向短文本情感分类的特征拓扑聚合模型", 《中文信息学报》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112288495A (zh) * 2020-11-09 2021-01-29 北京理工大学 结合网络拓扑和商业属性的ict供应链关键节点识别方法

Similar Documents

Publication Publication Date Title
Höppner et al. Profit driven decision trees for churn prediction
Chang et al. Integrating a piecewise linear representation method and a neural network model for stock trading points prediction
CN107451267B (zh) 一种基于Spark平台的分布式推荐方法
CN110866819A (zh) 一种基于元学习的自动化信贷评分卡生成方法
Abidi et al. Optimal scheduling of flexible manufacturing system using improved lion-based hybrid machine learning approach
CN109766454A (zh) 一种投资者分类方法、装置、设备及介质
CN113344615B (zh) 一种基于gbdt和dl融合模型的营销活动预测方法
CN112967088A (zh) 基于知识蒸馏的营销活动预测模型结构和预测方法
Hao et al. Manufacturing service supply-demand optimization with dual diversities for industrial internet platforms
CN115270004B (zh) 一种基于场因子分解的教育资源推荐方法
CN111967271A (zh) 分析结果的生成方法、装置、设备及可读存储介质
CN110889560A (zh) 一种具有深度可解释性的快递序列预测的方法
CN111210072A (zh) 预测模型训练和用户资源额度确定方法及装置
CN112836750A (zh) 一种系统资源分配方法、装置及设备
CN117787569B (zh) 一种智能辅助评标方法及系统
CN115689443A (zh) 基于波动性聚类和区块链的供应链管理方法及系统
Liefooghe et al. Dominance, indicator and decomposition based search for multi-objective QAP: landscape analysis and automated algorithm selection
Abreu et al. Currency exchange prediction using machine learning, genetic algorithms and technical analysis
CN111489192A (zh) 融合ict供应链网络拓扑特征的产品份额趋势预测方法
He et al. GA-based optimization of generative adversarial networks on stock price prediction
CN114386966A (zh) 一种基于深度学习的区块链加密货币地址身份识别方法
CN116192650B (zh) 一种基于子图特征的链路预测方法
Afshar et al. Dynamic ad network ordering method using reinforcement learning
US20240054175A1 (en) Ai-assisted linear programming solver methods, systems, and media
KR102153540B1 (ko) 에이전트 기반 시뮬레이션에서 기계학습을 이용한 미시 시뮬레이션 파리미터 교정 방법 및 장치

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: 20200804

RJ01 Rejection of invention patent application after publication