CN113269431B - 库存风险预测方法、设备、介质及计算机程序产品 - Google Patents
库存风险预测方法、设备、介质及计算机程序产品 Download PDFInfo
- Publication number
- CN113269431B CN113269431B CN202110551608.3A CN202110551608A CN113269431B CN 113269431 B CN113269431 B CN 113269431B CN 202110551608 A CN202110551608 A CN 202110551608A CN 113269431 B CN113269431 B CN 113269431B
- Authority
- CN
- China
- Prior art keywords
- inventory
- risk prediction
- related data
- model
- result
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000004590 computer program Methods 0.000 title description 10
- 238000013058 risk prediction model Methods 0.000 claims abstract description 89
- 238000000605 extraction Methods 0.000 claims description 80
- 230000002159 abnormal effect Effects 0.000 claims description 17
- 238000003860 storage Methods 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 abstract description 20
- 230000004931 aggregating effect Effects 0.000 abstract description 8
- 238000004364 calculation method Methods 0.000 description 9
- 238000009826 distribution Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 6
- 238000004220 aggregation Methods 0.000 description 5
- 230000002776 aggregation Effects 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 5
- 239000000654 additive Substances 0.000 description 4
- 230000000996 additive effect Effects 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 230000001419 dependent effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 1
- 239000003999 initiator Substances 0.000 description 1
- 238000013486 operation strategy Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
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
- G06Q10/08—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
Abstract
本申请公开了一种库存风险预测方法，所述库存风险预测方法包括：获取目标用户的库存关联数据，并基于库存风险预测模型和库存关联数据，对目标用户进行库存风险预测，获得第一库存风险预测结果；对第一库存风险预测结果进行针对于库存风险预测模型的模型解释，获得第一模型解释结果；接收各第二设备发送的第二模型解释结果和第二库存风险预测结果；基于第一模型解释结果和各第二模型解释结果，在第一库存风险预测结果和各第二库存风险预测结果中剔除基于篡改库存关联数据生成的待剔除库存风险预测结果，获得各目标库存风险预测结果；对各目标库存风险预测结果进行聚合，获得联邦库存风险预测结果。本申请解决了库存状况分析准确度低的技术问题。
Description
技术领域
本申请涉及的人工智能技术领域，尤其涉及一种库存风险预测方法、设备、介质及计算机程序产品。
背景技术
随着计算机软件和人工智能、大数据云服务应用的不断发展，人工智能技术的应用也越来越广泛。库存情况是一个企业运营策略制定的重要因素，主宰着企业的发展趋向。目前，通常由工作人员对企业用户的库存状况进行统计计算，但是由于库存状况分析常常会与工作人员的主观性相关联，导致库存分析结果具有较大的误差，且工作人员也可在进行库存状况分析时，对库存数据进行篡改，进而将进一步降低企业用户的库存状况分析的准确度。
发明内容
本申请的主要目的在于提供一种库存风险预测方法、设备、介质及计算机程序产品，旨在解决现有技术中库存状况分析准确度低的技术问题。
为实现上述目的，本申请提供一种库存风险预测方法，所述库存风险预测方法应用于第一设备，所述库存风险预测方法包括：
获取目标用户的库存关联数据，并基于库存风险预测模型和所述库存关联数据，对所述目标用户进行库存风险预测，获得第一库存风险预测结果；
对所述第一库存风险预测结果进行针对于所述库存风险预测模型的模型解释，获得第一模型解释结果；
接收各第二设备发送的第二模型解释结果和第二库存风险预测结果，其中，所述第二库存风险预测结果由所述第二设备基于本地库存关联数据和本地库存风险预测模型进行库存风险预测得到，所述第二模型解释结果由所述第二设备对所述第二库存风险预测结果进行针对于所述本地库存风险预测模型的模型解释得到；
基于所述第一模型解释结果和各所述第二模型解释结果，在所述第一库存风险预测结果和各所述第二库存风险预测结果中剔除基于篡改库存关联数据生成的待剔除库存风险预测结果，获得各目标库存风险预测结果；
对各所述目标库存风险预测结果进行聚合，获得联邦库存风险预测结果。
本申请还提供一种库存风险预测方法，所述库存风险预测方法应用于第二设备，所述库存风险预测方法包括：
获取目标用户的本地库存关联数据，并基于本地库存风险预测模型和所述本地库存关联数据，对所述目标用户进行库存风险预测，获得第二库存风险预测结果；
对所述第二库存风险预测结果进行针对于所述本地库存风险预测模型的模型解释，获得第二模型解释结果；
将所述第二库存风险预测结果和所述第二模型解释结果发送至第一设备，以供所述第一设备基于生成的第一模型解释结果和各所述第二设备发送的第二模型解释结果，在所述第一模型解释结果对应的第一库存风险预测结果和各所述第二模型解释结果中选取各目标库存风险预测结果，并聚合各所述目标库存风险预测结果，得到联邦库存风险预测结果。
本申请还提供一种库存风险预测装置，所述库存风险预测装置为虚拟装置，且所述库存风险预测装置应用于第一设备，所述库存风险预测装置包括：
库存风险预测模块，用于获取目标用户的库存关联数据，并基于库存风险预测模型和所述库存关联数据，对所述目标用户进行库存风险预测，获得第一库存风险预测结果；
模型解释模块，用于对所述第一库存风险预测结果进行针对于所述库存风险预测模型的模型解释，获得第一模型解释结果；
接收模块，用于接收各第二设备发送的第二模型解释结果和第二库存风险预测结果，其中，所述第二库存风险预测结果由所述第二设备基于本地库存关联数据和本地库存风险预测模型进行库存风险预测得到，所述第二模型解释结果由所述第二设备对所述第二库存风险预测结果进行针对于所述本地库存风险预测模型的模型解释得到；
剔除模块，用于基于所述第一模型解释结果和各所述第二模型解释结果，在所述第一库存风险预测结果和各所述第二库存风险预测结果中剔除基于篡改库存关联数据生成的待剔除库存风险预测结果，获得各目标库存风险预测结果；
聚合模块，用于对各所述目标库存风险预测结果进行聚合，获得联邦库存风险预测结果。
本申请还提供一种库存风险预测装置，所述库存风险预测装置为虚拟装置，且所述库存风险预测装置应用于第二设备，所述库存风险预测装置包括：
库存风险预测模块，用于获取目标用户的本地库存关联数据，并基于本地库存风险预测模型和所述本地库存关联数据，对所述目标用户进行库存风险预测，获得第二库存风险预测结果；
模型解释模块，用于对所述第二库存风险预测结果进行针对于所述本地库存风险预测模型的模型解释，获得第二模型解释结果；
发送模块，用于将所述第二库存风险预测结果和所述第二模型解释结果发送至第一设备，以供所述第一设备基于生成的第一模型解释结果和各所述第二设备发送的第二模型解释结果，在所述第一模型解释结果对应的第一库存风险预测结果和各所述第二模型解释结果中选取各目标库存风险预测结果，并聚合各所述目标库存风险预测结果，得到联邦库存风险预测结果。
本申请还提供一种库存风险预测设备，所述库存风险预测设备为实体设备，所述库存风险预测设备包括：存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的所述库存风险预测方法的程序，所述库存风险预测方法的程序被处理器执行时可实现如上述的库存风险预测方法的步骤。
本申请还提供一种可读存储介质，所述可读存储介质上存储有实现库存风险预测方法的程序，所述库存风险预测方法的程序被处理器执行时实现如上述的库存风险预测方法的步骤。
本申请还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述的库存风险预测方法的步骤。
本申请提供了一种库存风险预测方法、设备、介质及计算机程序产品，相比于现有技术采用的由工作人员对企业用户的库存状况进行统计计算的技术手段，本申请首先获取目标用户的库存关联数据，并基于库存风险预测模型和所述库存关联数据，对所述目标用户进行库存风险预测，获得第一库存风险预测结果，进而对所述第一库存风险预测结果进行针对于所述库存风险预测模型的模型解释，获得第一模型解释结果，进而接收各第二设备发送的第二模型解释结果和第二库存风险预测结果，其中，所述第二库存风险预测结果由所述第二设备基于本地库存关联数据和本地库存风险预测模型进行库存风险预测得到，所述第二模型解释结果由所述第二设备对所述第二库存风险预测结果进行针对于所述本地库存风险预测模型的模型解释得到，进而基于所述第一模型解释结果和各所述第二模型解释结果，在所述第一库存风险预测结果和各所述第二库存风险预测结果中剔除基于篡改库存关联数据生成的待剔除库存风险预测结果，实现了在联合各第二设备联邦预测目标用户的库存风险基础上，通过模型解释的方式，检测第一设备生成的第一库存风险预测结果和各第二设备生成的第二库存风险预测结果中的基于篡改库存关联数据生成的待剔除库存风险预测结果，进而得到各目标库存风险预测结果，进而对各所述目标库存风险预测结果进行聚合，获得联邦库存风险预测结果，实现了以模型解释的方式，有选择性地聚合各目标库存风险预测结果，防止由于库存关联数据被篡改而导致联邦预测库存风险的准确度降低的情况方式，提升了联邦预测库存风险的准确度，实现了客观预测库存风险的目的，不依赖工作人员主观进行库存状况分析，进而克服了现有技术中由于库存状况分析常常会与工作人员的主观性相关联，导致库存分析结果具有较大的误差，且工作人员也可在进行库存状况分析时，对库存数据进行篡改，进而将进一步降低企业用户的库存状况分析的准确度的技术缺陷，提升了库存风险预测的准确度。
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，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本申请库存风险预测方法第一实施例的流程示意图；
图2为本申请库存风险预测方法第二实施例的流程示意图；
图3为本申请实施例中库存风险预测方法涉及的硬件运行环境的设备结构示意图。
本申请目的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。
本申请实施例提供一种库存风险预测方法，在本申请库存风险预测方法的第一实施例中，参照图1，所述库存风险预测方法应用于第一设备，所述库存风险预测方法包括：
步骤S10，获取目标用户的库存关联数据，并基于库存风险预测模型和所述库存关联数据，对所述目标用户进行库存风险预测，获得第一库存风险预测结果；
在本实施例中，需要说明的是，所述目标用户可以为企业用户，也可以为个人用户，所述库存关联数据为第一设备中与库存相关联的数据，其中，库存可以为现金的库存，也可以为物品的库存，所述库存关联数据至少包括一预设数据类型的库存关联数据样本，其中，所述预设数据类型可以设置为根据数据本身的类型确定数据类型，例如，进销存类型数据、发票类型数据和支付工具流水类型数据等，也即可以为根据数据对应的数据源确定的数据，例如，预设数据类型A为来自数据源A(银行)的数据的所属类型，预设数据类型B为来自数据源B(支付工具)的数据的所属类型等。
另外地，需要说明的是，所述第一设备为联邦预测的任务发起方，第二设备为联邦预测的任务协作方，所述库存风险预测模型为第一设备与各第二设备进行纵向联邦学习构建的机器学习模型，其中，每一所述第二设备在纵向联邦后获得各自的本地库存风险预测模型。
获取目标用户的库存关联数据，并基于库存风险预测模型和所述库存关联数据，对所述目标用户进行库存风险预测，获得第一库存风险预测结果，具体地，获取目标用户的库存关联数据，并通过将库存关联数据输入库存风险预测模型执行模型预测，对所述目标用户进行库存风险预测，获得第一库存风险预测结果。
其中，所述通过将库存关联数据输入库存风险预测模型执行模型预测，对所述目标用户进行库存风险预测，获得第一库存风险预测结果的步骤包括：
通过将库存关联数据输入库存风险预测模型执行模型预测，对所述库存关联数据进行二分类，获得二分类结果，进而基于所述二分类结果，确定所述目标用户对应的第一库存风险预测结果，例如，假设可设置当二分类结果为类别A，则表示目标用户对应的第一库存风险预测结果为高库存风险，当二分类结果为类别B，则表示目标用户对应的第一库存风险预测结果为低库存风险。
其中，所述库存关联数据至少包括一预设数据类型的库存关联数据样本，
所述基于库存风险预测模型和所述库存关联数据，对所述目标用户进行库存风险预测，获得第一库存风险预测结果的步骤包括：
步骤S11，基于各所述预设数据类型对应的特征提取模型，分别对各所述库存关联数据样本进行特征提取，获得各库存关联数据特征，其中，所述特征提取模型通过基于预设篡改库存关联数据和预设未篡改库存关联数据进行对比学习得到；
在本实施例中，需要说明的是，一所述预设数据类型对应一所述特征提取模型。
基于各所述预设数据类型对应的特征提取模型，分别对各所述库存关联数据样本进行特征提取，获得各库存关联数据特征，其中，所述特征提取模型通过基于预设篡改库存关联数据和预设未篡改库存关联数据进行对比学习得到，具体地，基于各所述预设数据类型对应的特征提取模型，分别对各所述库存关联数据样本进行特征提取，以分别将各所述库存关联数据样本映射至预设样本维度，获得各所述库存关联数据样本对应的库存关联数据特征，其中，所述特征提取模型为基于预设篡改库存关联数据和预设未篡改库存关联数据进行对比学习得到的机器学习模型。
步骤S12，基于预设组合权重，对各所述库存关联数据特征进行加权组合，获得库存关联组合特征；
在本实施例中，基于预设组合权重，对各所述库存关联数据特征进行加权组合，获得库存关联组合特征，具体地，基于预设组合权重，将各所述库存关联数据特征加权拼接为库存关联组合特征。
步骤S13，基于所述库存关联组合特征和所述库存风险预测模型，对所述目标用户进行库存风险预测，获得所述第一库存风险预测结果。
在本实施例中，基于所述库存关联组合特征和所述库存风险预测模型，对所述目标用户进行库存风险预测，获得所述第一库存风险预测结果，具体地，通过将所述库存关联组合特征输入所述库存风险预测模型执行模型预测，对所述目标用户进行库存风险预测，获得所述第一库存风险预测结果。
进一步地，所述通过将所述库存关联组合特征输入所述库存风险预测模型执行模型预测，对所述目标用户进行库存风险预测，获得所述第一库存风险预测结果的步骤还包括：
通过将库存关联组合特征输入库存风险预测模型执行模型预测，对所述库存关联组合特征进行二分类，获得特征二分类结果，进而基于所述特征二分类结果，确定所述目标用户对应的第一库存风险预测结果。
其中，在基于各所述预设数据类型对应的特征提取模型，分别对各所述库存关联数据样本进行特征提取，获得各库存关联数据特征，其中，所述特征提取模型通过基于预设篡改库存关联数据和预设未篡改库存关联数据进行对比学习得到的步骤之前，所述库存风险预测方法还包括：
步骤A10，获取训练样本和所述训练样本对应的样本篡改标识，并基于所述样本篡改标识，在所述预设篡改库存关联数据和所述预设未篡改库存关联数据中提取所述训练样本对应的正例库存关联数据样本和对应的负例库存关联数据样本；
在本实施例中，所述样本篡改标识为表示训练样本是否被篡改的标识，例如，设置样本篡改标识为1，则表示训练样本被篡改，设置样本篡改表示为0，则表示训练样本未被篡改。
获取训练样本和所述训练样本对应的样本篡改标识，并基于所述样本篡改标识，在所述预设篡改库存关联数据和所述预设未篡改库存关联数据中提取所述训练样本对应的正例库存关联数据样本和对应的负例库存关联数据样本，具体地，获取训练样本和所述训练样本对应的样本篡改标识，并基于所述样本篡改标识，判断所述训练样本是否被篡改，若所述训练样本被篡改，则在所述预设篡改库存关联数据中随机选取正例样本作为所述训练样本对应的正例库存关联数据样本，在所述预设未篡改库存关联数据中随机选取预设数量的负例样本作为所述训练样本对应的负例库存关联数据样本，若所述训练样本未被篡改，则在所述预设篡改库存关联数据中随机选取预设数量的负例样本作为所述训练样本对应的负例库存关联数据样本，在所述预设未篡改库存关联数据中随机选取正例样本作为所述训练样本对应的正例库存关联数据样本。
步骤A20，基于待训练特征提取模型，对所述训练样本进行特征提取，获得所述训练样本对应的训练库存关联数据特征；
在本实施例中，需要说明的是，所述待训练特征提取模型为未训练好的特征提取模型。
基于待训练特征提取模型，对所述训练样本进行特征提取，获得所述训练样本对应的训练库存关联数据特征，具体地，通过将训练样本输入待训练特征提取模型，以将训练样本映射至预设样本维度，对所述训练样本进行特征提取，获得所述训练样本对应的训练库存关联数据特征。
步骤A30，基于预设先验特征提取模型，分别对所述正例库存关联数据样本和所述负例库存关联数据样本进行特征提取，获得所述正例库存关联数据样本对应的正例库存关联数据特征和所述负例库存关联数据样本对应的负例库存关联数据特征；
在本实施例中，需要说明的是，所述预设先验特征提取模型为预先训练好的特征提取模型，所述负例库存关联数据样本的数量至少为1。
基于预设先验特征提取模型，分别对所述正例库存关联数据样本和所述负例库存关联数据样本进行特征提取，获得所述正例库存关联数据样本对应的正例库存关联数据特征和所述负例库存关联数据样本对应的负例库存关联数据特征，具体地，通过将正例库存关联数据样本输入预设先验特征提取模型，以将正例库存关联数据样本映射至预设样本维度，对所述正例库存关联数据样本进行特征提取，获得所述正例库存关联数据样本对应的正例库存关联数据特征，相同地，通过将负例库存关联数据样本输入预设先验特征提取模型，以将负例库存关联数据样本映射至预设样本维度，对所述负例库存关联数据样本进行特征提取，获得所述负例库存关联数据样本对应的负例库存关联数据特征。
步骤A40，基于所述训练样本特征与所述正例库存关联数据特征之间的差异度以及所述训练样本特征与所述负例库存关联数据特征之间的差异度，构建对比学习损失；
在本实施例中，基于所述训练样本特征与所述正例库存关联数据特征之间的差异度以及所述训练样本特征与所述负例库存关联数据特征之间的差异度，通过预设对比学习损失计算公式构建对比学习损失，其中，所述预设对比学习损失计算公式具体如下：
其中，L为所述对比学习损失，uA为所述训练样本特征，uB为所述正例库存关联数据特征，ui B为所述负例库存关联数据特征，M为负例库存关联数据特征的数量，进而当正例库存关联数据特征与训练样本特征之间的距离足够小，而各负例库存关联数据特征与训练样本特征的距离足够大时，所述对比学习损失即可收敛，进而基于对比学习损失更新得到的特征提取模型即可具备拉近库存关联数据特征与作为正例的正例库存关联数据特征的距离，以及拉远库存关联数据特征与作为负例的负例库存关联数据特征的距离的能力，进而特征提取模型可基于不同样本类型(正例还是负例)的样本，生成不同的库存关联数据特征，使得生成的库存关联数据特征具备样本类别信息，提升了特征提取生成的库存关联数据特征所包含的信息量，进而可为进行库存风险预测提供更多的决策依据，提升了库存风险预测的准确性，且同时也可以促进待训练特征提取模型学习预设先验特征提取模型的知识，使得待训练特征提取模型在训练过程中更快地收敛，提升了特征提取模型的训练效率。
步骤A50，基于所述对比学习损失，优化所述待训练特征提取模型，获得所述特征提取模型。
在本实施例中，基于所述对比学习损失，优化所述待训练特征提取模型，获得所述特征提取模型，具体地，判断所述对比学习损失是否收敛，若所述对比学习损失收敛，则将所述待训练特征提取模型作为特征提取模型，若所述对比学习损失未收敛，则基于所述对比学习损失计算得到的模型梯度，通过预设模型更新方法，更新所述待训练特征提取模型，并返回执行所述获取训练样本和所述训练样本对应的样本篡改标识的步骤，其中，所述预设模型更新方法包括梯度上升法和梯度下降法。
步骤S20，对所述第一库存风险预测结果进行针对于所述库存风险预测模型的模型解释，获得第一模型解释结果；
在本实施例中，需要说明的是，所述第一模型解释结果至少包括一所述库存关联数据特征对所述第一库存风险预测结果的第一特征贡献度。
对所述第一库存风险预测结果进行针对于所述库存风险预测模型的模型解释，获得第一模型解释结果，具体地，确定所述库存关联数据对应的各库存关联数据特征，并对所述第一库存风险预测结果进行针对于所述库存风险预测模型的模型解释，以分别计算各库存关联数据特征对所述库存风险预测模型生成所述第一库存风险预测结果的特征贡献度，获得各第一特征贡献度。
其中，所述第一模型解释结果至少包括一第一特征贡献度，
所述对所述第一库存风险预测结果进行针对于所述库存风险预测模型的模型解释，获得第一模型解释结果的步骤包括：
步骤S21，确定所述库存关联数据对应的各库存关联数据特征；
在本实施例中，需要说明的是，所述库存关联数据至少包括一库存关联数据样本，所述库存关联数据特征为对所述库存关联数据样本进行特征提取的结果。
步骤S22，对所述第一库存风险预测结果进行针对于所述库存风险预测模型的模型解释，以分别计算各所述库存关联数据特征对所述第一库存风险预测结果的特征贡献度，获得各第一特征贡献度。
在本实施例中，需要说明的是，所述第一特征贡献度为所述库存关联数据特征对所述第一库存风险预测结果的影响程度，其中，所述第一特征贡献度包括正特征贡献度和负特征贡献度，其中，正特征贡献度表示对所述第一库存风险预测结果具有正向的影响，负特征贡献度表示对所述第一库存风险预测结果具有负向的影响，例如，例如所述第一库存风险预测结果为库存风险高，则正特征贡献度表示对库存风险的提升具备正向激励作用，负特征贡献度表示对库存风险的提升具备负向激励作用。
对所述第一库存风险预测结果进行针对于所述库存风险预测模型的模型解释，以分别计算各所述库存关联数据特征对所述第一库存风险预测结果的特征贡献度，获得各第一特征贡献度，具体地，基于所述库存风险预测模型，通过预设特征贡献度计算方式，分别计算各所述库存关联数据特征对所述第一库存风险预测结果的特征贡献度，获得各所述库存关联数据特征对应的第一特征贡献度，其中，所述预设特征贡献度计算方式包括SHAP(SHapley Additive exPlanations，沙普利可加性模型解释)和LIME(LocalInterpretable Model-Agnostic Explanations，模型无关局部解释)等。
步骤S30，接收各第二设备发送的第二模型解释结果和第二库存风险预测结果，其中，所述第二库存风险预测结果由所述第二设备基于本地库存关联数据和本地库存风险预测模型进行库存风险预测得到，所述第二模型解释结果由所述第二设备对所述第二库存风险预测结果进行针对于所述本地库存风险预测模型的模型解释得到；
在本实施例中，需要说明的是，所述第二设备获取目标用户的本地库存关联数据，并通过将所述本地库存关联数据输入本地库存风险预测模型执行模型预测，对所述目标用户进行库存风险预测，获得第二库存风险预测结果，进而对所述第二库存风险预测结果进行针对于所述本地库存风险预测模型的模型解释，获得第二模型解释结果，其中，第二设备生成第二模型解释结果和第二库存风险预测结果的步骤具体可参照步骤S10及其细化步骤中的内容，以及步骤S20及其细化步骤中的内容。
步骤S40，基于所述第一模型解释结果和各所述第二模型解释结果，在所述第一库存风险预测结果和各所述第二库存风险预测结果中剔除基于篡改库存关联数据生成的待剔除库存风险预测结果，获得各目标库存风险预测结果；
在本实施例中，需要说明的是，所述第一模型解释解释至少包括一第一特征贡献度，所述第二模型解释结果至少包括一第二特征贡献度。
基于所述第一模型解释结果和各所述第二模型解释结果，在所述第一库存风险预测结果和各所述第二库存风险预测结果中剔除基于篡改库存关联数据生成的待剔除库存风险预测结果，获得各目标库存风险预测结果，具体地，基于所述第一模型解释结果中各第一特征贡献度的取值分布与每一所述第二模型解释结果中各第二特征贡献度的取值分布，在各所述第一模型解释结果和各所述第二模型解释结果中选取出取值分布异常的目标模型解释结果，并在所述第一库存风险预测结果和各所述第二库存风险预测结果中将所述目标模型解释结果对应的库存风险预测结果作为基于篡改库存关联数据生成的待剔除库存风险预测结果，并在所述第一库存风险预测结果和各所述第二库存风险预测结果中剔除所述待剔除库存风险预测结果，获得各目标库存风险预测结果。
其中，所述基于所述第一模型解释结果和各所述第二模型解释结果，在所述第一库存风险预测结果和各所述第二库存风险预测结果中剔除基于篡改库存关联数据生成的待剔除库存风险预测结果，获得各目标库存风险预测结果的步骤包括：
步骤S41，基于预设异常判别模型，检测所述第一模型解释结果和各所述第二模型解释结果中的异常模型解释结果；
在本实施例中，需要说明的是，所述预设依存判别模型为对模型解释结果的取值进行异常判别的机器学习模型。
基于预设异常判别模型，检测所述第一模型解释结果和各所述第二模型解释结果中的异常模型解释结果，具体地，基于预设异常判别模型，分别对各所述第一模型解释结果和各所述第二模型解释结果进行取值分布分类，获得各取值分布分类结果，其中，一所述取值分布分类结果对应一第一模型解释结果或者一第二模型解释结果，进而基于各所述取值分布分类结果，在所述第一模型解释结果和各所述第二模型解释结果中确定异常模型解释结果，例如，可设置取值分布分类结果为类别A对应的模型解释结果为异常模型解释结果，取值分布分类结果为类别B对应的模型解释结果不为异常模型解释结果。
步骤S42，将所述异常模型解释结果对应的库存风险预测结果作为所述待剔除库存风险预测结果；
在本实施例中，将所述异常模型解释结果对应的库存风险预测结果作为基于篡改库存关联数据生成的待剔除库存风险预测结果。
步骤S43，在所述第一库存风险预测结果和各所述第二库存风险预测结果中剔除所述待剔除库存风险预测结果，获得各所述目标库存风险预测结果。
在本实施例中，在所述第一库存风险预测结果和各所述第二库存风险预测结果中剔除所述待剔除库存风险预测结果，获得各所述目标库存风险预测结果，具体地，在所述第一库存风险预测结果和各所述第二库存风险预测结果中剔除所述待剔除库存风险预测结果，并将所述第一库存风险预测结果和各所述第二库存风险预测结果中剔除所述待剔除库存风险预测结果剩下的各库存风险预测结果作为各目标库存风险预测结果。
步骤S50，对各所述目标库存风险预测结果进行聚合，获得联邦库存风险预测结果。
在本实施例中，对各所述目标库存风险预测结果进行聚合，获得联邦库存风险预测结果，具体地，基于预设聚合规则，将各所述目标库存风险预测结果聚合为联邦库存风险预测结果，其中，所述预设聚合规则包括加权平均和求和等。
本申请实施例提供了一种库存风险预测方法，相比于现有技术采用的由工作人员对企业用户的库存状况进行统计计算的技术手段，本申请实施例首先获取目标用户的库存关联数据，并基于库存风险预测模型和所述库存关联数据，对所述目标用户进行库存风险预测，获得第一库存风险预测结果，进而对所述第一库存风险预测结果进行针对于所述库存风险预测模型的模型解释，获得第一模型解释结果，进而接收各第二设备发送的第二模型解释结果和第二库存风险预测结果，其中，所述第二库存风险预测结果由所述第二设备基于本地库存关联数据和本地库存风险预测模型进行库存风险预测得到，所述第二模型解释结果由所述第二设备对所述第二库存风险预测结果进行针对于所述本地库存风险预测模型的模型解释得到，进而基于所述第一模型解释结果和各所述第二模型解释结果，在所述第一库存风险预测结果和各所述第二库存风险预测结果中剔除基于篡改库存关联数据生成的待剔除库存风险预测结果，实现了在联合各第二设备联邦预测目标用户的库存风险基础上，通过模型解释的方式，检测第一设备生成的第一库存风险预测结果和各第二设备生成的第二库存风险预测结果中的基于篡改库存关联数据生成的待剔除库存风险预测结果，进而得到各目标库存风险预测结果，进而对各所述目标库存风险预测结果进行聚合，获得联邦库存风险预测结果，实现了以模型解释的方式，有选择性地聚合各目标库存风险预测结果，防止由于库存关联数据被篡改而导致联邦预测库存风险的准确度降低的情况方式，提升了联邦预测库存风险的准确度，实现了客观预测库存风险的目的，不依赖工作人员主观进行库存状况分析，进而克服了现有技术中由于库存状况分析常常会与工作人员的主观性相关联，导致库存分析结果具有较大的误差，且工作人员也可在进行库存状况分析时，对库存数据进行篡改，进而将进一步降低企业用户的库存状况分析的准确度的技术缺陷，提升了库存风险预测的准确度
进一步地，参照图2，在本申请另一实施例中，所述库存风险预测方法应用于第二设备，所述库存风险预测方法包括：
步骤B10，获取目标用户的本地库存关联数据，并基于本地库存风险预测模型和所述本地库存关联数据，对所述目标用户进行库存风险预测，获得第二库存风险预测结果；
在本实施例中，需要说明的是，所述第一设备和所述第二设备均为纵向联邦学习的参与方，所述本地库存风险预测模型为第二设备与第一设备进行纵向联邦学习生成的机器学习模型，其中，所述第一设备在基于纵向联邦学习生成己方的库存风险预测模型，所述第二设备的数量至少为1。
获取目标用户的本地库存关联数据，并基于本地库存风险预测模型和所述本地库存关联数据，对所述目标用户进行库存风险预测，获得第二库存风险预测结果，具体地，获取目标用户的本地库存关联数据，并通过将所述本地库存关联数据输入本地库存风险预测模型执行模型预测，对所述目标用户进行库存风险预测，获得第二库存风险预测结果。
其中，所述通过将所述本地库存关联数据输入本地库存风险预测模型执行模型预测，对所述目标用户进行库存风险预测，获得第二库存风险预测结果的步骤还包括：
通过将所述本地库存关联数据输入本地库存风险预测模型执行模型预测，对所述本地库存关联数据进行二分类，获得本地二分类结果，进而基于所述本地二分类结果，确定所述目标用户对应的第二库存风险预测结果。
其中，所述本地库存关联数据至少包括一预设数据类型的本地库存关联数据样本，
所述基于本地库存风险预测模型和所述本地库存关联数据，对所述目标用户进行库存风险预测，获得第二库存风险预测结果的步骤包括：
步骤B11，基于各所述预设数据类型对应的本地特征提取模型，分别对各所述本地库存关联数据样本进行特征提取，获得各本地库存关联数据特征，其中，所述本地特征提取模型通过基于预设篡改库存关联数据和预设未篡改库存关联数据进行对比学习得到；
在本实施例中，需要说明的是，一所述预设数据类型对应一所述特征提取模型。
基于各所述预设数据类型对应的本地特征提取模型，分别对各所述本地库存关联数据样本进行特征提取，获得各本地库存关联数据特征，其中，所述本地特征提取模型通过基于预设篡改库存关联数据和预设未篡改库存关联数据进行对比学习得到，具体地，基于各所述预设数据类型对应的本地特征提取模型，分别对各所述本地库存关联数据样本进行特征提取，以分别将各所述本地库存关联数据样本映射至预设样本维度，获得各所述本地库存关联数据样本对应的本地库存关联数据特征，其中，所述本地特征提取模型为基于预设篡改库存关联数据和预设未篡改库存关联数据进行对比学习得到的机器学习模型，其中，所述本地特征提取模型的构建过程具体可参照步骤A10至步骤A50中的内容，在此不再赘述。
步骤B12，基于预设组合权重，对各所述本地库存关联数据特征进行加权组合，获得本地库存关联组合特征；
在本实施例中，基于预设组合权重，对各所述本地库存关联数据特征进行加权组合，获得本地库存关联组合特征，具体地，基于预设组合权重，将各所述本地库存关联数据特征加权拼接为本地库存关联组合特征。
步骤B13，基于所述本地库存关联组合特征和所述本地库存风险预测模型，对所述目标用户进行库存风险预测，获得所述第二库存风险预测结果。
在本实施例中，基于所述本地库存关联组合特征和所述本地库存风险预测模型，对所述目标用户进行库存风险预测，获得所述第二库存风险预测结果，具体地，通过将所述本地库存关联组合特征输入所述本地库存风险预测模型执行模型预测，对所述目标用户进行库存风险预测，获得所述第二库存风险预测结果。
进一步地，所述通过将所述本地库存关联组合特征输入所述本地库存风险预测模型执行模型预测，对所述目标用户进行库存风险预测，获得所述第二库存风险预测结果的步骤还包括：
通过将本地库存关联组合特征输入本地库存风险预测模型执行模型预测，对所述本地库存关联组合特征进行二分类，获得本地特征二分类结果，进而基于所述本地特征二分类结果，确定所述目标用户对应的第二库存风险预测结果。
步骤B20，对所述第二库存风险预测结果进行针对于所述本地库存风险预测模型的模型解释，获得第二模型解释结果；
在本实施例中，需要说明的是，所述第二模型解释结果至少包括一所述本地库存关联数据特征对所述第二库存风险预测结果的第二特征贡献度。
对所述第二库存风险预测结果进行针对于所述本地库存风险预测模型的模型解释，获得第二模型解释结果，具体地，确定所述本地库存关联数据对应的各本地库存关联数据特征，并对所述第二库存风险预测结果进行针对于所述本地库存风险预测模型的模型解释，以分别计算各本地库存关联数据特征对所述本地库存风险预测模型生成所述第二库存风险预测结果的特征贡献度，获得各第二特征贡献度。
进一步地，步骤B20还包括：
基于所述本地库存风险预测模型，通过预设特征贡献度计算方式，分别计算各所述本地库存关联数据特征对所述第二库存风险预测结果的特征贡献度，获得各所述本地库存关联数据特征对应的第二特征贡献度，其中，所述预设特征贡献度计算方式包括SHAP(SHapley Additive exPlanations，沙普利可加性模型解释)和LIME(LocalInterpretable Model-Agnostic Explanations，模型无关局部解释)等。
步骤B30，将所述第二库存风险预测结果和所述第二模型解释结果发送至第一设备，以供所述第一设备基于生成的第一模型解释结果和各所述第二设备发送的第二模型解释结果，在所述第一模型解释结果对应的第一库存风险预测结果和各所述第二模型解释结果中选取各目标库存风险预测结果，并聚合各所述目标库存风险预测结果，得到联邦库存风险预测结果。
在本实施例中，将所述第二库存风险预测结果和所述第二模型解释结果发送至第一设备，以供所述第一设备基于生成的第一模型解释结果和各所述第二设备发送的第二模型解释结果，在所述第一模型解释结果对应的第一库存风险预测结果和各所述第二模型解释结果中选取各目标库存风险预测结果，并聚合各所述目标库存风险预测结果，得到联邦库存风险预测结果，具体地，将所述第二库存风险预测结果和所述第二模型解释结果发送至第一设备，以供所述第一设备基于所述第一模型解释结果和各所述第二模型解释结果，在所述第一库存风险预测结果和各所述第二库存风险预测结果中剔除基于篡改库存关联数据生成的待剔除库存风险预测结果，获得各目标库存风险预测结果，进而第一设备对各所述目标库存风险预测结果进行聚合，获得联邦库存风险预测结果，其中，第一设备在接收第二模型解释结果和第二库存风险预测结果后，生成联邦库存风险预测结果的具体过程可参照步骤S40及其细化步骤和步骤S50及其细化步骤中的内容，在此不再赘述。
本申请实施例提供了一种库存风险预测方法，相比于现有技术采用的由工作人员对企业用户的库存状况进行统计计算的技术手段，本申请实施例获取目标用户的本地库存关联数据，并基于本地库存风险预测模型和所述本地库存关联数据，对所述目标用户进行库存风险预测，获得第二库存风险预测结果，进而对所述第二库存风险预测结果进行针对于所述本地库存风险预测模型的模型解释，获得第二模型解释结果，进而将所述第二库存风险预测结果和所述第二模型解释结果发送至第一设备，所述第一设备即可基于生成的第一模型解释结果和各所述第二设备发送的第二模型解释结果，在所述第一模型解释结果对应的第一库存风险预测结果和各所述第二模型解释结果中选取各目标库存风险预测结果，实现了在联合各第二设备联邦预测目标用户的库存风险基础上，通过模型解释的方式，检测第一设备生成的第一库存风险预测结果和各第二设备生成的第二库存风险预测结果中的基于篡改库存关联数据生成的待剔除库存风险预测结果，进而得到各目标库存风险预测结果，进而第一设备聚合各目标库存风险预测结果，即可得到联邦库存风险预测结果，实现了以模型解释的方式，有选择性地聚合各目标库存风险预测结果，防止由于库存关联数据被篡改而导致联邦预测库存风险的准确度降低的情况方式，提升了联邦预测库存风险的准确度，实现了客观预测库存风险的目的，不依赖工作人员主观进行库存状况分析，进而克服了现有技术中由于库存状况分析常常会与工作人员的主观性相关联，导致库存分析结果具有较大的误差，且工作人员也可在进行库存状况分析时，对库存数据进行篡改，进而将进一步降低企业用户的库存状况分析的准确度的技术缺陷，提升了库存风险预测的准确度。
参照图3，图3是本申请实施例方案涉及的硬件运行环境的设备结构示意图。
如图3所示，该库存风险预测设备可以包括：处理器1001，例如CPU，存储器1005，通信总线1002。其中，通信总线1002用于实现处理器1001和存储器1005之间的连接通信。存储器1005可以是高速RAM存储器，也可以是稳定的存储器(non-volatile memory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储设备。
可选地，该库存风险预测设备还可以包括矩形用户接口、网络接口、摄像头、RF(Radio Frequency，射频)电路，传感器、音频电路、WiFi模块等等。矩形用户接口可以包括显示屏(Display)、输入子模块比如键盘(Keyboard)，可选矩形用户接口还可以包括标准的有线接口、无线接口。网络接口可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。
本领域技术人员可以理解，图3中示出的库存风险预测设备结构并不构成对库存风险预测设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图3所示，作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块以及库存风险预测程序。操作系统是管理和控制库存风险预测设备硬件和软件资源的程序，支持库存风险预测程序以及其它软件和/或，程序的运行。网络通信模块用于实现存储器1005内部各组件之间的通信，以及与库存风险预测系统中其它硬件和软件之间通信。
在图3所示的库存风险预测设备中，处理器1001用于执行存储器1005中存储的库存风险预测程序，实现上述任一项所述的库存风险预测方法的步骤。
本申请库存风险预测设备具体实施方式与上述库存风险预测方法各实施例基本相同，在此不再赘述。
本申请实施例还提供一种库存风险预测装置，所述库存风险预测装置应用于第一设备，所述库存风险预测装置包括：
库存风险预测模块，用于获取目标用户的库存关联数据，并基于库存风险预测模型和所述库存关联数据，对所述目标用户进行库存风险预测，获得第一库存风险预测结果；
模型解释模块，用于对所述第一库存风险预测结果进行针对于所述库存风险预测模型的模型解释，获得第一模型解释结果；
接收模块，用于接收各第二设备发送的第二模型解释结果和第二库存风险预测结果，其中，所述第二库存风险预测结果由所述第二设备基于本地库存关联数据和本地库存风险预测模型进行库存风险预测得到，所述第二模型解释结果由所述第二设备对所述第二库存风险预测结果进行针对于所述本地库存风险预测模型的模型解释得到；
剔除模块，用于基于所述第一模型解释结果和各所述第二模型解释结果，在所述第一库存风险预测结果和各所述第二库存风险预测结果中剔除基于篡改库存关联数据生成的待剔除库存风险预测结果，获得各目标库存风险预测结果；
聚合模块，用于对各所述目标库存风险预测结果进行聚合，获得联邦库存风险预测结果。
可选地，所述模型解释模块还用于：
确定所述库存关联数据对应的各库存关联数据特征；
对所述第一库存风险预测结果进行针对于所述库存风险预测模型的模型解释，以分别计算各所述库存关联数据特征对所述第一库存风险预测结果的特征贡献度，获得各第一特征贡献度。
可选地，所述剔除模块还用于：
基于预设异常判别模型，检测所述第一模型解释结果和各所述第二模型解释结果中的异常模型解释结果；
将所述异常模型解释结果对应的库存风险预测结果作为所述待剔除库存风险预测结果；
在所述第一库存风险预测结果和各所述第二库存风险预测结果中剔除所述待剔除库存风险预测结果，获得各所述目标库存风险预测结果。
可选地，所述库存风险预测模块还用于：
基于各所述预设数据类型对应的特征提取模型，分别对各所述库存关联数据样本进行特征提取，获得各库存关联数据特征，其中，所述特征提取模型通过基于预设篡改库存关联数据和预设未篡改库存关联数据进行对比学习得到；
基于预设组合权重，对各所述库存关联数据特征进行加权组合，获得库存关联组合特征；
基于所述库存关联组合特征和所述库存风险预测模型，对所述目标用户进行库存风险预测，获得所述第一库存风险预测结果。
可选地，所述库存风险预测装置还用于：
获取训练样本和所述训练样本对应的样本篡改标识，并基于所述样本篡改标识，在所述预设篡改库存关联数据和所述预设未篡改库存关联数据中提取所述训练样本对应的正例库存关联数据样本和对应的负例库存关联数据样本；
基于待训练特征提取模型，对所述训练样本进行特征提取，获得所述训练样本对应的训练库存关联数据特征；
基于预设先验特征提取模型，分别对所述正例库存关联数据样本和所述负例库存关联数据样本进行特征提取，获得所述正例库存关联数据样本对应的正例库存关联数据特征和所述负例库存关联数据样本对应的负例库存关联数据特征；
基于所述训练样本特征与所述正例库存关联数据特征之间的差异度以及所述训练样本特征与所述负例库存关联数据特征之间的差异度，构建对比学习损失；
基于所述对比学习损失，优化所述待训练特征提取模型，获得所述特征提取模型。
本申请库存风险预测装置的具体实施方式与上述库存风险预测方法各实施例基本相同，在此不再赘述。
本申请实施例还提供一种库存风险预测装置，所述库存风险预测装置应用于第二设备，所述库存风险预测装置包括：
库存风险预测模块，用于获取目标用户的本地库存关联数据，并基于本地库存风险预测模型和所述本地库存关联数据，对所述目标用户进行库存风险预测，获得第二库存风险预测结果；
模型解释模块，用于对所述第二库存风险预测结果进行针对于所述本地库存风险预测模型的模型解释，获得第二模型解释结果；
发送模块，用于将所述第二库存风险预测结果和所述第二模型解释结果发送至第一设备，以供所述第一设备基于生成的第一模型解释结果和各所述第二设备发送的第二模型解释结果，在所述第一模型解释结果对应的第一库存风险预测结果和各所述第二模型解释结果中选取各目标库存风险预测结果，并聚合各所述目标库存风险预测结果，得到联邦库存风险预测结果。
可选地，所述库存风险预测模块还用于：
基于各所述预设数据类型对应的本地特征提取模型，分别对各所述本地库存关联数据样本进行特征提取，获得各本地库存关联数据特征，其中，所述本地特征提取模型通过基于预设篡改库存关联数据和预设未篡改库存关联数据进行对比学习得到；
基于预设组合权重，对各所述本地库存关联数据特征进行加权组合，获得本地库存关联组合特征；
基于所述本地库存关联组合特征和所述本地库存风险预测模型，对所述目标用户进行库存风险预测，获得所述第二库存风险预测结果。
本申请库存风险预测装置的具体实施方式与上述库存风险预测方法各实施例基本相同，在此不再赘述。
本申请实施例提供了一种可读存储介质，且所述可读存储介质存储有一个或者一个以上程序，所述一个或者一个以上程序还可被一个或者一个以上的处理器执行以用于实现上述任一项所述的库存风险预测方法的步骤。
本申请可读存储介质具体实施方式与上述库存风险预测方法各实施例基本相同，在此不再赘述。
本申请实施例提供了一种计算机程序产品，且所述计算机程序产品包括有一个或者一个以上计算机程序，所述一个或者一个以上计算机程序还可被一个或者一个以上的处理器执行以用于实现上述任一项所述的库存风险预测方法的步骤。
本申请计算机程序产品具体实施方式与上述库存风险预测方法各实施例基本相同，在此不再赘述。
以上仅为本申请的优选实施例，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利处理范围内。
Claims (8)
1.一种库存风险预测方法，其特征在于，所述库存风险预测方法包括：
第一设备获取目标用户的库存关联数据，并基于库存风险预测模型和所述库存关联数据，对所述目标用户进行库存风险预测，获得第一库存风险预测结果；
第一设备对所述第一库存风险预测结果进行针对于所述库存风险预测模型的模型解释，获得第一模型解释结果；
第二设备获取目标用户的本地库存关联数据，并基于本地库存风险预测模型和所述本地库存关联数据，对所述目标用户进行库存风险预测，获得第二库存风险预测结果；
第二设备对所述第二库存风险预测结果进行针对于所述本地库存风险预测模型的模型解释，获得第二模型解释结果；
第二设备将所述第二库存风险预测结果和所述第二模型解释结果发送至第一设备；
第一设备接收各第二设备发送的第二模型解释结果和第二库存风险预测结果；
第一设备基于所述第一模型解释结果和各所述第二模型解释结果，在所述第一库存风险预测结果和各所述第二库存风险预测结果中剔除基于篡改库存关联数据生成的待剔除库存风险预测结果，获得各目标库存风险预测结果；
第一设备对各所述目标库存风险预测结果进行聚合，获得联邦库存风险预测结果。
2.如权利要求1所述库存风险预测方法，其特征在于，所述第一模型解释结果至少包括一第一特征贡献度，
所述对所述第一库存风险预测结果进行针对于所述库存风险预测模型的模型解释，获得第一模型解释结果的步骤包括：
确定所述库存关联数据对应的各库存关联数据特征；
对所述第一库存风险预测结果进行针对于所述库存风险预测模型的模型解释，以分别计算各所述库存关联数据特征对所述第一库存风险预测结果的特征贡献度，获得各第一特征贡献度。
3.如权利要求1所述库存风险预测方法，其特征在于，所述基于所述第一模型解释结果和各所述第二模型解释结果，在所述第一库存风险预测结果和各所述第二库存风险预测结果中剔除基于篡改库存关联数据生成的待剔除库存风险预测结果，获得各目标库存风险预测结果的步骤包括：
基于预设异常判别模型，检测所述第一模型解释结果和各所述第二模型解释结果中的异常模型解释结果；
将所述异常模型解释结果对应的库存风险预测结果作为所述待剔除库存风险预测结果；
在所述第一库存风险预测结果和各所述第二库存风险预测结果中剔除所述待剔除库存风险预测结果，获得各所述目标库存风险预测结果。
4.如权利要求1所述库存风险预测方法，其特征在于，所述库存关联数据至少包括一预设数据类型的库存关联数据样本，
所述基于库存风险预测模型和所述库存关联数据，对所述目标用户进行库存风险预测，获得第一库存风险预测结果的步骤包括：
基于各所述预设数据类型对应的特征提取模型，分别对各所述库存关联数据样本进行特征提取，获得各库存关联数据特征，其中，所述特征提取模型通过基于预设篡改库存关联数据和预设未篡改库存关联数据进行对比学习得到；
基于预设组合权重，对各所述库存关联数据特征进行加权组合，获得库存关联组合特征；
基于所述库存关联组合特征和所述库存风险预测模型，对所述目标用户进行库存风险预测，获得所述第一库存风险预测结果。
5.如权利要求4所述库存风险预测方法，其特征在于，在基于各所述预设数据类型对应的特征提取模型，分别对各所述库存关联数据样本进行特征提取，获得各库存关联数据特征，其中，所述特征提取模型通过基于预设篡改库存关联数据和预设未篡改库存关联数据进行对比学习得到的步骤之前，所述库存风险预测方法还包括：
获取训练样本和所述训练样本对应的样本篡改标识，并基于所述样本篡改标识，在所述预设篡改库存关联数据和所述预设未篡改库存关联数据中提取所述训练样本对应的正例库存关联数据样本和对应的负例库存关联数据样本；
基于待训练特征提取模型，对所述训练样本进行特征提取，获得所述训练样本对应的训练库存关联数据特征；
基于预设先验特征提取模型，分别对所述正例库存关联数据样本和所述负例库存关联数据样本进行特征提取，获得所述正例库存关联数据样本对应的正例库存关联数据特征和所述负例库存关联数据样本对应的负例库存关联数据特征；
基于所述训练样本特征与所述正例库存关联数据特征之间的差异度以及所述训练样本特征与所述负例库存关联数据特征之间的差异度，构建对比学习损失；
基于所述对比学习损失，优化所述待训练特征提取模型，获得所述特征提取模型。
6.如权利要求1所述库存风险预测方法，其特征在于，所述本地库存关联数据至少包括一预设数据类型的本地库存关联数据样本，
所述基于本地库存风险预测模型和所述本地库存关联数据，对所述目标用户进行库存风险预测，获得第二库存风险预测结果的步骤包括：
基于各所述预设数据类型对应的本地特征提取模型，分别对各所述本地库存关联数据样本进行特征提取，获得各本地库存关联数据特征，其中，所述本地特征提取模型通过基于预设篡改库存关联数据和预设未篡改库存关联数据进行对比学习得到；
基于预设组合权重，对各所述本地库存关联数据特征进行加权组合，获得本地库存关联组合特征；
基于所述本地库存关联组合特征和所述本地库存风险预测模型，对所述目标用户进行库存风险预测，获得所述第二库存风险预测结果。
7.一种库存风险预测设备，其特征在于，所述库存风险预测设备包括：存储器、处理器以及存储在存储器上的用于实现所述库存风险预测方法的程序，
所述存储器用于存储实现库存风险预测方法的程序；
所述处理器用于执行实现所述库存风险预测方法的程序，以实现如权利要求1至6中任一项所述库存风险预测方法的步骤。
8.一种介质，所述介质为可读存储介质，其特征在于，所述可读存储介质上存储有实现库存风险预测方法的程序，所述实现库存风险预测方法的程序被处理器执行以实现如权利要求1至6至中任一项所述库存风险预测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110551608.3A CN113269431B (zh) | 2021-05-20 | 2021-05-20 | 库存风险预测方法、设备、介质及计算机程序产品 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110551608.3A CN113269431B (zh) | 2021-05-20 | 2021-05-20 | 库存风险预测方法、设备、介质及计算机程序产品 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113269431A CN113269431A (zh) | 2021-08-17 |
| CN113269431B true CN113269431B (zh) | 2023-12-05 |
Family
ID=77232064
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110551608.3A Active CN113269431B (zh) | 2021-05-20 | 2021-05-20 | 库存风险预测方法、设备、介质及计算机程序产品 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113269431B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8332285B1 (en) * | 2010-08-11 | 2012-12-11 | Sprint Communications Company L.P. | Inventory loss prediction |
| CN109711656A (zh) * | 2018-08-20 | 2019-05-03 | 平安普惠企业管理有限公司 | 多系统关联预警方法、装置、设备及计算机可读存储介质 |
| CN110956275A (zh) * | 2019-11-27 | 2020-04-03 | 支付宝(杭州)信息技术有限公司 | 风险预测和风险预测模型的训练方法、装置及电子设备 |
| CN111144718A (zh) * | 2019-12-12 | 2020-05-12 | 支付宝(杭州)信息技术有限公司 | 基于私有数据保护的风险决策方法、装置、系统及设备 |
| CN111784472A (zh) * | 2020-07-03 | 2020-10-16 | 深圳前海微众银行股份有限公司 | 基于消费数据的风控方法、装置、系统及可读存储介质 |
| CN112132676A (zh) * | 2020-09-16 | 2020-12-25 | 建信金融科技有限责任公司 | 联合训练目标模型的贡献度的确定方法、装置和终端设备 |
| CN112541556A (zh) * | 2020-12-24 | 2021-03-23 | 深圳前海微众银行股份有限公司 | 模型构建优化方法、设备、介质及计算机程序产品 |
| CN112668913A (zh) * | 2020-12-31 | 2021-04-16 | 深圳前海微众银行股份有限公司 | 基于联邦学习的网络构建方法、装置、设备及存储介质 |
-
2021
- 2021-05-20 CN CN202110551608.3A patent/CN113269431B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8332285B1 (en) * | 2010-08-11 | 2012-12-11 | Sprint Communications Company L.P. | Inventory loss prediction |
| CN109711656A (zh) * | 2018-08-20 | 2019-05-03 | 平安普惠企业管理有限公司 | 多系统关联预警方法、装置、设备及计算机可读存储介质 |
| CN110956275A (zh) * | 2019-11-27 | 2020-04-03 | 支付宝(杭州)信息技术有限公司 | 风险预测和风险预测模型的训练方法、装置及电子设备 |
| CN111144718A (zh) * | 2019-12-12 | 2020-05-12 | 支付宝(杭州)信息技术有限公司 | 基于私有数据保护的风险决策方法、装置、系统及设备 |
| CN111784472A (zh) * | 2020-07-03 | 2020-10-16 | 深圳前海微众银行股份有限公司 | 基于消费数据的风控方法、装置、系统及可读存储介质 |
| CN112132676A (zh) * | 2020-09-16 | 2020-12-25 | 建信金融科技有限责任公司 | 联合训练目标模型的贡献度的确定方法、装置和终端设备 |
| CN112541556A (zh) * | 2020-12-24 | 2021-03-23 | 深圳前海微众银行股份有限公司 | 模型构建优化方法、设备、介质及计算机程序产品 |
| CN112668913A (zh) * | 2020-12-31 | 2021-04-16 | 深圳前海微众银行股份有限公司 | 基于联邦学习的网络构建方法、装置、设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113269431A (zh) | 2021-08-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10755196B2 (en) | Determining retraining of predictive models | |
| CN108833458B (zh) | 一种应用推荐方法、装置、介质及设备 | |
| CN108762907B (zh) | 基于多个客户端的任务处理方法及系统 | |
| CN111383101A (zh) | 贷后风险监控方法、装置、设备及计算机可读存储介质 | |
| CN112801773A (zh) | 企业风险预警方法、装置、设备及存储介质 | |
| JP2016099915A (ja) | 与信審査用サーバと与信審査用システム及び与信審査用プログラム | |
| CN111754241A (zh) | 一种用户行为感知方法、装置、设备及介质 | |
| CN112328869A (zh) | 一种用户贷款意愿的预测方法、装置及计算机系统 | |
| CN113269359B (zh) | 用户财务状况预测方法、设备、介质及计算机程序产品 | |
| CN111930603A (zh) | 服务器性能检测方法、装置、系统及介质 | |
| CN111210022A (zh) | 向后模型选择方法、设备及可读存储介质 | |
| CN113378067A (zh) | 基于用户挖掘的消息推荐方法、设备、介质及程序产品 | |
| CN111553685B (zh) | 确定交易路由通道的方法、装置、电子设备和存储介质 | |
| CN113269431B (zh) | 库存风险预测方法、设备、介质及计算机程序产品 | |
| CN113269433B (zh) | 税收风险预测方法、设备、介质及计算机程序产品 | |
| CN111784053A (zh) | 交易风险检测方法、设备及可读存储介质 | |
| CN111858267A (zh) | 预警方法、装置、电子设备及存储介质 | |
| CN111951008A (zh) | 一种风险预测方法、装置、电子设备和可读存储介质 | |
| CN107357703B (zh) | 一种终端应用耗电检测方法及服务器 | |
| CN110880117A (zh) | 虚假业务识别方法、装置、设备和存储介质 | |
| CN113590484B (zh) | 算法模型服务测试方法、系统、设备及存储介质 | |
| US20210248512A1 (en) | Intelligent machine learning recommendation platform | |
| CN114387089A (zh) | 客户信用风险评估方法、装置、设备及存储介质 | |
| CN112732519A (zh) | 一种事件监控方法及装置 | |
| JP6570501B2 (ja) | 情報提供装置、情報提供方法、および情報提供プログラム |
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 |