CN115018207A - 一种基于上下游的供应链管理方法、系统和设备 - Google Patents

一种基于上下游的供应链管理方法、系统和设备 Download PDF

Info

Publication number
CN115018207A
CN115018207A CN202210931623.5A CN202210931623A CN115018207A CN 115018207 A CN115018207 A CN 115018207A CN 202210931623 A CN202210931623 A CN 202210931623A CN 115018207 A CN115018207 A CN 115018207A
Authority
CN
China
Prior art keywords
downstream
supply chain
user
data
upstream
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.)
Granted
Application number
CN202210931623.5A
Other languages
English (en)
Other versions
CN115018207B (zh
Inventor
周维
刘压超
俞小栋
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.)
Gongxing Technology Shenzhen Co ltd
Original Assignee
Gongxing Technology Shenzhen Co ltd
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 Gongxing Technology Shenzhen Co ltd filed Critical Gongxing Technology Shenzhen Co ltd
Priority to CN202210931623.5A priority Critical patent/CN115018207B/zh
Publication of CN115018207A publication Critical patent/CN115018207A/zh
Application granted granted Critical
Publication of CN115018207B publication Critical patent/CN115018207B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based CAD
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Finance (AREA)
  • Evolutionary Computation (AREA)
  • Accounting & Taxation (AREA)
  • Tourism & Hospitality (AREA)
  • Software Systems (AREA)
  • Operations Research (AREA)
  • Artificial Intelligence (AREA)
  • Quality & Reliability (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Educational Administration (AREA)
  • Biomedical Technology (AREA)
  • Geometry (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于上下游的供应链管理方法、系统和设备，方法包括：分别对供应链系统中各上下游用户的业务类型和历史数据进行分类，得到每一业务类型下对应的供应链数据集；构建下游用户兴趣模型，确定下游用户感兴趣的数据；构建基于机器学习的供应链数据捕捉模型，对下游用户所需的供应链数据进行捕捉；以最大化上游用户利益和满足下游用户需求为目标函数构建供应计划模型，计算得到上游用户的最优供应量。本发明能够了解到每一下游用户的个性化需求，并根据了解到的需求，基于预设的供应计划模型计算到上游用户的最佳供应量，从而在满足下游用户的需求的同时，使得上游用户的利益能够最大化，提高了供应链管理的效率。

Description

一种基于上下游的供应链管理方法、系统和设备
技术领域
本发明属于供应链管理技术领域，具体涉及一种基于上下游的供应链管理方法、系统和设备。
背景技术
汽车后市场是指汽车销售以后，围绕汽车使用过程中的各种服务，它涵盖了消费者买车后所需要的一切服务，即为汽车从售出到报废的过程中，围绕汽车售后使用环节中各种后继需要和服务而产生的一系列交易活动的总称，包括但不限于汽保、汽车金融、汽车IT、汽车养护、汽车维修及配件、汽车文化及汽车运动、二手车以及汽车租赁。
汽车后市场的蓬勃发展，对其供应链的管理提出了更高要求。供应链作为由企业间供求关系形成的一种网链式结构，是产品生产和流通过程中所涉及的原材料供应商、生产商、分销商、零售商以及最终消费者等成员通过与上游和下游成员的连接组成的网络结构。在市场高度信息化的今天，成员自身和成员之间产生了海量的信息，而对于下游成员来说，如何从海量的信息中捕捉到感兴趣的上游成员信息和感兴趣数据，成为目前亟待解决的问题。
发明内容
本发明的目的是提供一种基于上下游的供应链管理方法、系统和设备，用于解决现有技术中存在的难以海量的信息中捕捉到感兴趣的上游成员信息和感兴趣数据的技术问题。
为了实现上述目的，本发明采用以下技术方案：
第一方面，本发明提供一种基于上下游的供应链管理方法，包括：
分别对供应链系统中各上下游用户的业务类型和历史数据进行分类，并将分类得到的业务类型和供应链数据集进行匹配，得到每一业务类型下对应的供应链数据集；
根据供应链数据集构建下游用户兴趣模型，并根据所述下游用户兴趣模型确定下游用户感兴趣的数据；
构建基于机器学习的供应链数据捕捉模型，并根据下游用户感兴趣的数据，利用所述供应链数据捕捉模型对下游用户所需的供应链数据进行捕捉；
根据下游用户所需的供应链数据，以最大化上游用户利益和满足下游用户需求为目标函数构建供应计划模型，并通过所述供应计划模型计算得到上游用户的最优供应量。
在一种可能可能的设计中，分别对供应链系统中各上下游用户的业务类型和历史数据进行分类，并将分类得到的业务类型和供应链数据集进行匹配，得到每一业务类型下对应的供应链数据集，包括：
分别对供应链系统中各上下游用户的业务类型和历史数据进行分类，根据业务类型的分类结果，构建与业务类型数量相同的数据库，将供应链系统中若干历史数据按照预设的分类标准分别存储在各数据库中；
将每一业务类型与其中一个数据库进行匹配，得到该业务类型下对应的供应链数据集。
在一种可能的设计中，根据供应链数据集构建下游用户兴趣模型，并根据所述下游用户兴趣模型确定下游用户感兴趣的数据，包括：
根据下游用户在供应链系统中的历史行为数据，并根据历史行为数据确定用户感兴趣的供应链主题；
根据用户感兴趣的供应链主题，构建下游用户兴趣模型，模型的表达式如下：
Figure 235003DEST_PATH_IMAGE001
；（1）
其中，
Figure 88689DEST_PATH_IMAGE002
表示第
Figure 747204DEST_PATH_IMAGE003
个主题的感兴趣特征，
Figure 256814DEST_PATH_IMAGE004
表示第
Figure 26186DEST_PATH_IMAGE003
个主题的主题权重，
Figure 999959DEST_PATH_IMAGE005
表示第
Figure 563795DEST_PATH_IMAGE006
个主题中的数据量；
初始化主题权重，此时
Figure 888597DEST_PATH_IMAGE007
，
其中，
Figure 664923DEST_PATH_IMAGE008
表示下游用户对某一主题的兴趣度；
根据下游用户兴趣模型，从兴趣度大于阈值的主题中提取关键特征，得到第
Figure 555519DEST_PATH_IMAGE009
个主题下的关键特征组，表达式如下：
Figure 821415DEST_PATH_IMAGE010
；（2）
其中，
Figure 102355DEST_PATH_IMAGE011
表示第
Figure 744689DEST_PATH_IMAGE012
个主题下的第
Figure 489791DEST_PATH_IMAGE013
个关键词项，
Figure 926589DEST_PATH_IMAGE014
表示关键词，
Figure 491562DEST_PATH_IMAGE015
表示关键词权重；
根据关键词和关键词权重，确定下游用户感兴趣的数据。
在一种可能可能的设计中，在根据关键词和关键词权重，确定下游用户感兴趣的数据之后，还包括：
基于词频-逆文本算法确定主题文本中词位置和词跨度对数据捕捉时关键词权重的影响，包括：
将关键词标注方法融合应用至数据结构中，实现对主题文本的预处理；
根据主题文本中各固定词的位置权重和跨度权重，利用词频-逆文本算法计算各固定词的综合权重，并选取综合权重大于阈值的若干固定词作为当前文本的关键词。
在一种可能可能的设计中，构建基于机器学习的供应链数据捕捉模型，并根据下游用户感兴趣的数据，利用所述供应链数据捕捉模型对下游用户所需的供应链数据进行捕捉包括：
构建基于支持向量机的供应链数据捕捉模型，并根据选取的文本关键词，利用供应链数据捕捉模型对下游用户所需的供应链数据进行捕捉。
在一种可能可能的设计中，根据下游用户所需的供应链数据，以最大化上游用户利益和满足下游用户需求为目标函数构建供应计划模型，包括：
假定下游用户所需的供应链数据是随机变量，且服从正态分布，考虑需求损失以及不考虑物流成本，以最大化用户利益和满足下游用户需求为目标函数，构建供应计划模型，如下:
Figure 609691DEST_PATH_IMAGE016
；（3）
Figure 474879DEST_PATH_IMAGE017
；（4）
Figure 82578DEST_PATH_IMAGE018
；（5）
Figure 338110DEST_PATH_IMAGE019
；（6）
Figure 56667DEST_PATH_IMAGE020
；（7）
Figure 245203DEST_PATH_IMAGE021
；（8）
其中，
Figure 961486DEST_PATH_IMAGE022
表示最大化用户利益目标函数，
Figure 173156DEST_PATH_IMAGE023
表示满足下游用户需求目标函数，o表示下游用户的编号，
Figure 164245DEST_PATH_IMAGE024
表示交付给下游用户的第一种产品数量，
Figure 941709DEST_PATH_IMAGE025
表示下游用户对第一种产品的常规需求数量，
Figure 156789DEST_PATH_IMAGE026
表示下游用户对产品的额外需求量，
Figure 262280DEST_PATH_IMAGE027
表示交付给下游用户的第v种产品数量，
Figure 260323DEST_PATH_IMAGE028
表示下游用户对第v种产品的常规需求数量，
Figure 892292DEST_PATH_IMAGE029
表示产品的供应量，
Figure 278274DEST_PATH_IMAGE030
表示产品v的单位能耗，
Figure 995694DEST_PATH_IMAGE031
表示最大供应能力。
在一种可能可能的设计中，通过所述供应计划模型计算得到上游用户的最优供应量，包括：
利用供应计划算法对所述供应计划模型进行求解，得到上游用户的最优供应量。
在一种可能可能的设计中，供应链系统中的上下游用户包括原材料供应商、生产商、分销商、零售商以及最终消费者。
第二方面，本发明提供一种基于上下游的供应链管理系统，包括：
数据集获取模块，用于分别对供应链系统中各上下游用户的业务类型和历史数据进行分类，并将分类得到的业务类型和供应链数据集进行匹配，得到每一业务类型下对应的供应链数据集；
数据取向确定模块，用于根据供应链数据集构建下游用户兴趣模型，并根据所述下游用户兴趣模型确定下游用户感兴趣的数据；
需求数据获取模块，用于构建基于机器学习的供应链数据捕捉模型，并根据下游用户感兴趣的数据，利用所述供应链数据捕捉模型对下游用户所需的供应链数据进行捕捉；
最优供应量确定模块，用于根据下游用户所需的供应链数据，以最大化上游用户利益和满足下游用户需求为目标函数构建供应计划模型，并通过所述供应计划模型计算得到上游用户的最优供应量。
第三方面，本发明提供一种计算机设备，其特征在于，包括依次通信相连的存储器、处理器和收发器，其中，所述存储器用于存储计算机程序，所述收发器用于收发消息，所述处理器用于读取所述计算机程序，执行如第一方面任意一种可能的设计中所述的基于上下游的供应链管理方法。
第四方面，本发明提供一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，当所述指令在计算机上运行时，执行如第一方面任意一种可能的设计中所述的基于上下游的供应链管理方法。
第五方面，本发明提供一种包含指令的计算机程序产品，当所述指令在计算机上运行时，使所述计算机执行如第一方面任意一种可能的设计中所述的基于上下游的供应链管理方法。
有益效果：
本发明通过将分类后的业务类型和供应链数据集进行匹配，得到每一业务类型下对应的供应链数据集；然后根据供应链数据集构建下游用户兴趣模型来确定下游用户感兴趣的数据；然后通过供应链数据捕捉模型对下游用户所需的供应链数据进行捕捉；最后通过所述供应计划模型计算得到上游用户的最优供应量。即本发明通过对业务类型和供应链数据进行分类和匹配，并通过匹配后的数据集确定下游用户感兴趣的数据，根据下游用户感兴趣的数据可以利用专用的数据捕捉模型从海量的数据集中捕捉到用户所需的供应链数据，从而了解到每一下游用户的个性化需求，并根据了解到的需求，基于预设的供应计划模型计算到上游用户的最佳供应量，从而在满足下游用户的需求的同时，使得上游用户的利益也能够最大化，提高了供应链管理的效率，尤其在汽车后市场的应用中，及时了解到供应链系统中各方的需求，能够提高汽车后市场的运行效率。
附图说明
图1为本实施例中的基于上下游的供应链管理方法的流程示意图；
图2为本实施例中的基于上下游的供应链管理系统的结构示意图。
具体实施方式
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将结合附图和实施例或现有技术的描述对本发明作简单地介绍，显而易见地，下面关于附图结构的描述仅仅是本发明的一些实施例，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。在此需要说明的是，对于这些实施例方式的说明用于帮助理解本发明，但并不构成对本发明的限定。
实施例
为了解决现有技术中的供应链管理方法无法有效了解到下游用户的需求数据的技术问题，本发明提供了一种基于上下游的供应链管理方法，该方法通过对业务类型和供应链数据进行分类和匹配，并通过匹配后的数据集确定下游用户感兴趣的数据，根据下游用户感兴趣的数据可以利用专用的数据捕捉模型从海量的数据集中捕捉到用户所需的供应链数据，从而了解到每一下游用户的个性化需求，并根据了解到的需求，基于预设的供应计划模型计算到上游用户的最佳供应量，从而在满足下游用户的需求的同时，使得上游用户的利益也能够最大化，提高了供应链管理的效率。其中，优选的，本实施例中的方法和系统主要应用于汽车后市场的供应链管理中，包括但不限于汽保行业、汽车金融行业、汽车IT行业、汽车养护行业、汽车维修及配件行业、汽车文化及汽车运动行业、二手车以及汽车租赁行业等的供应链管理。以下通过具体实施例对该方法进行详细说明。
实施例
如图1所示，第一方面，本实施例提供一种基于上下游的供应链管理方法，包括但不限于由步骤S1~S4实现：
步骤S1.分别对供应链系统中各上下游用户的业务类型和历史数据进行分类，并将分类得到的业务类型和供应链数据集进行匹配，得到每一业务类型下对应的供应链数据集；
其中，需要说明的是，本实施例中供应链系统中的上下游用户包括原材料供应商、生产商、分销商、零售商以及最终消费者，优选的是汽车后市场行业中的各个上下游用户，例如汽车零件原材料供应商、汽车零件制造商、汽车零件分销商、汽车零件零售商以及消费者等，此处不做限定。
在步骤S1中，分别对供应链系统中各上下游用户的业务类型和历史数据进行分类，并将分类得到的业务类型和供应链数据集进行匹配，得到每一业务类型下对应的供应链数据集，包括：
步骤S11.分别对供应链系统中各上下游用户的业务类型和历史数据进行分类，根据业务类型的分类结果，构建与业务类型数量相同的数据库，将供应链系统中若干历史数据按照预设的分类标准分别存储在各数据库中；
其中，需要说明的是，本实施例中的业务类型可以按照用户本身的经营特性进行分类，例如汽车零部件原材料供应、汽车零部件生产、汽车零部件分销、汽车零部件零售以及汽车零部件消费者，同理，还可以根据原材料的种类不同或零部件等的不同，在每一大类下面细分多个层次的小类，从而构成树形结构的分类模型。
其中，需要说明的是，供应链系统中的历史数据包括但不限于交易数据、物流数据、仓储数据、财务数据等等，此处不做限定，由供应链系统的特性可知，本实施例中涉及到的数据是海量的，因此，通过对数据进行分类存储，能够提高数据的处理效率。
步骤S12.将每一业务类型与其中一个数据库进行匹配，得到该业务类型下对应的供应链数据集。
那么，通过将业务类型作为供应链数据集的名称，可以清楚知道当前数据属于业务类型，从而在后续获知用户需求时，能够清晰明了，提高系统处理数据的效率。
步骤S2.根据供应链数据集构建下游用户兴趣模型，并根据所述下游用户兴趣模型确定下游用户感兴趣的数据；
其中，需要说明的是，在对下游用户需求信息进行捕捉之前，需要了解下游用户具体是对哪些类型的数据感兴趣，从而能够以用户为核心，并根据用户需求为其提取想要的数据资源，基于此，本实施例构建了下游用户兴趣模型，来解决这一问题，具体如下。
在步骤S2中，根据供应链数据集构建下游用户兴趣模型，并根据所述下游用户兴趣模型确定下游用户感兴趣的数据，包括：
步骤S21.根据下游用户在供应链系统中的历史行为数据，并根据历史行为数据确定用户感兴趣的供应链主题，其中，所述历史行为数据至少包括交易数据和浏览数据，其中，浏览数据至少包括存储、打印、标记、访问次数以及停留时间；
其中，需要说明的是，本实施例中的供应链系统可以设有各个用户端，例如智能手机端、平板电脑或笔记本电脑上安装有系统APP等，用户通过在用户端存储历史交易数据，或者浏览上游或下游用户的供应链信息，从而在主题中留下了浏览数据，其中，根据该浏览数据，可以初步获知用户感兴趣的业务类型和/或主题，例如，若用户对某供应链信息采取了保存、打印或者标记收藏等操作，则说明用户对该信息兴趣度较高，同样，若用户在某页面的浏览速率较缓慢，或访问次数较多，则也能够说明用户对该供应链信息的兴趣度较高。基于此，可以提取到用户感兴趣的供应链主题，或者说是业务类型。
步骤S22.根据用户感兴趣的供应链主题，构建下游用户兴趣模型，模型的表达式如下：
Figure 797428DEST_PATH_IMAGE032
；（1）
其中，
Figure 549484DEST_PATH_IMAGE002
表示第
Figure 801908DEST_PATH_IMAGE033
个主题的感兴趣特征，
Figure 6625DEST_PATH_IMAGE034
表示第
Figure 877629DEST_PATH_IMAGE035
个主题的主题权重，
Figure 280928DEST_PATH_IMAGE036
表示第
Figure 211975DEST_PATH_IMAGE037
个主题中的数据量；
步骤S23.初始化主题权重，此时
Figure 435146DEST_PATH_IMAGE038
，
其中，
Figure 109841DEST_PATH_IMAGE039
表示下游用户对某一主题的兴趣度；
步骤S24.根据下游用户兴趣模型，从兴趣度大于阈值的主题中提取关键特征，得到第
Figure 102068DEST_PATH_IMAGE003
个主题下的关键特征组，表达式如下：
Figure 754DEST_PATH_IMAGE040
；（2）
其中，
Figure 914483DEST_PATH_IMAGE011
表示第
Figure 189607DEST_PATH_IMAGE035
个主题下的第
Figure 36340DEST_PATH_IMAGE041
个关键词项，
Figure 309189DEST_PATH_IMAGE014
表示关键词，
Figure 241373DEST_PATH_IMAGE015
表示关键词权重；
步骤S25.根据关键词和关键词权重，确定下游用户感兴趣的数据。
其中，需要说明的是，由于某一主题下可能有若干供应链信息，为了进一步了解到用户更具体的兴趣度数据，通过提取各个主题下的关键词以及关键词权重，可以获得用户更详细感兴趣的数据。
其中，优选的，在明确用户对供应链感兴趣的数据后，能够为后续定向捕捉数据信息提供有利依据，而在构建数据捕捉模型之前，需要确定词位置和词跨度对于定向捕捉中关键词权重的影响，从而排除多余信息干扰。具体的，在根据关键词和关键词权重，确定下游用户感兴趣的数据之后，还包括：
步骤S26.基于词频-逆文本算法确定主题文本中词位置和词跨度对数据捕捉时关键词权重的影响，包括：
（1）将关键词标注方法融合应用至数据结构中，以对数据进行预处理；
其中，需要说明的是，对数据进行预处理具体包括：将供应链数据的语料库进行分词处理；去除停用词，即去除对于获取用户信息没有助力的低频词语；去除现有词典无法有效识别的词，例如网络词汇等；统计分析，对数据中的词频、位置和出现该词语的段落数量等进行统计，得预处理后的供应链数据集。
（2）根据主题文本中各固定词的位置权重和跨度权重，利用词频-逆文本算法计算各固定词的综合权重，并选取综合权重大于阈值的若干固定词作为当前文本的关键词。
首先，利用词频-逆文本算法计算各固定词的权重解析式：
Figure 320188DEST_PATH_IMAGE042
；
其中，
Figure 287007DEST_PATH_IMAGE043
表示某词语在主题文文本
Figure 465178DEST_PATH_IMAGE044
中出现的频率，
Figure 884658DEST_PATH_IMAGE045
表示文本内出现词语的文本个数，
Figure 173688DEST_PATH_IMAGE046
表示经验值。
那么，根据上述公式可以获知，词语在文本内出现的频率越大，在文本集合内出现的概率越小，词语的权重越大，则该词语具有较高的代表性。
此外，词语的跨度表明了词语能够表达的范围，跨度越大，说明词语越关键，通过公式
Figure 667118DEST_PATH_IMAGE047
可计算得到词语的跨度权重，
Figure 281770DEST_PATH_IMAGE048
表示词语出现的段落，L表示段落数量总和。
那么，根据词语的位置权重和跨度权重，能够利用词频-逆文本算法计算各固定词的综合权重，计算公式如下：
Figure 454125DEST_PATH_IMAGE049
。
那么，根据综合权重，可以获知哪些词语是文本关键词，并将权重高于阈值的关键词作为用户数据取向。
步骤S3.构建基于机器学习的供应链数据捕捉模型，并根据下游用户感兴趣的数据，利用所述供应链数据捕捉模型对下游用户所需的供应链数据进行捕捉；
在步骤S3中，构建基于机器学习的供应链数据捕捉模型，并根据下游用户感兴趣的数据，利用所述供应链数据捕捉模型对下游用户所需的供应链数据进行捕捉包括：
构建基于支持向量机的供应链数据捕捉模型，并根据选取的文本关键词，利用供应链数据捕捉模型对下游用户所需的供应链数据进行捕捉。
其中，需要说明的是，本实施例中的支持向量机是一种机器学习方法，在该方法中，为了提高捕捉模型的捕捉性能，需要使得支持向量机的分类超平面能够最大程度地划分样本，即需要将样本间的间隔为最大，同时分类超平面距离最接近，从而能够关键词与其他词汇进行分离，进行数据定向捕捉。
步骤S4.根据下游用户所需的供应链数据，以最大化上游用户利益和满足下游用户需求为目标函数构建供应计划模型，并通过所述供应计划模型计算得到上游用户的最优供应量。
在步骤S4中，根据下游用户所需的供应链数据，以最大化上游用户利益和满足下游用户需求为目标函数构建供应计划模型，包括：
假定下游用户所需的供应链数据是随机变量，且服从正态分布，考虑需求损失以及不考虑物流成本，以最大化用户利益和满足下游用户需求为目标函数，构建供应计划模型，如下:
Figure 609163DEST_PATH_IMAGE016
；（3）
Figure 488257DEST_PATH_IMAGE017
；（4）
Figure 336128DEST_PATH_IMAGE050
；（5）
Figure 730200DEST_PATH_IMAGE019
；（6）
Figure 423349DEST_PATH_IMAGE020
；（7）
Figure 422529DEST_PATH_IMAGE021
；（8）
其中，
Figure 441301DEST_PATH_IMAGE022
表示最大化用户利益目标函数，
Figure 57090DEST_PATH_IMAGE023
表示满足下游用户需求目标函数，o表示下游用户的编号，
Figure 757193DEST_PATH_IMAGE051
表示交付给下游用户的第一种产品数量，
Figure 673196DEST_PATH_IMAGE052
表示下游用户对第一种产品的常规需求数量，
Figure 597290DEST_PATH_IMAGE053
表示下游用户对产品的额外需求量，
Figure 169217DEST_PATH_IMAGE054
表示交付给下游用户的第v种产品数量，
Figure 204169DEST_PATH_IMAGE028
表示下游用户对第v种产品的常规需求数量，
Figure 709099DEST_PATH_IMAGE055
表示产品的供应量，
Figure 69674DEST_PATH_IMAGE056
表示产品v的单位能耗，
Figure 863317DEST_PATH_IMAGE057
表示最大供应能力。
其中，需要说明的是，本实施例以最大化用户利益和满足下游用户需求为目标函数，以产品供应量不超过市场需求量以及上游用户的供应能力为约束条件，能够得到满足下游用户需求和实现上游用户利益最大化的定量分析模型。
在步骤S4中，通过所述供应计划模型计算得到上游用户的最优供应量，包括：
利用供应计划算法对所述供应计划模型进行求解，得到上游用户的最优供应量。
其中，优选的，所述供应计划算法采用NSGA-II算法与仿真优化方法的结合来求得最优供应量，其中，NSGA-II算法用于对供应计划模型进行求解，仿真优化方法用于对供应计划模型中的随机变量进行处理。其中，需要说明的是，本实施例所采用的NSGA-II算法原理为现有的算法原理，具体如下：
1）随机产生初始种群，对种群中每个个体均执行初始数量的随机仿真，将仿真解的目标函数均值作为初始个体的函数值，构建初始的非支配解集；
2）根据 NSGA-II 算法择优策略选择父代个体执行交叉变异操作，产生子代个体；
3）利用自适应解码器对新产生的子代个体进行解析，获得个体对应的仿真解与仿真次数，根据获得的仿真次数进行随机仿真，统计所有新仿真解的均值和方差特征值，更新当前的非支配解集；
4）若达到停止条件，则输出所获得的非支配解集；否则，跳转至转步骤 2）。
基于上述公开内容，本实施例通过将分类后的业务类型和供应链数据集进行匹配，得到每一业务类型下对应的供应链数据集；然后根据供应链数据集构建下游用户兴趣模型来确定下游用户感兴趣的数据；然后通过供应链数据捕捉模型对下游用户所需的供应链数据进行捕捉；最后通过所述供应计划模型计算得到上游用户的最优供应量。即本发明通过对业务类型和供应链数据进行分类和匹配，并通过匹配后的数据集确定下游用户感兴趣的数据，根据下游用户感兴趣的数据可以利用专用的数据捕捉模型从海量的数据集中捕捉到用户所需的供应链数据，从而了解到每一下游用户的个性化需求，并根据了解到的需求，基于预设的供应计划模型计算到上游用户的最佳供应量，从而在满足下游用户的需求的同时，使得上游用户的利益也能够最大化，提高了供应链管理的效率，尤其在汽车后市场的应用中，及时了解到供应链系统中各方的需求，能够提高汽车后市场的运行效率。
如图2所示，第二方面，本发明提供一种基于上下游的供应链管理系统，包括：
数据集获取模块，用于分别对供应链系统中各上下游用户的业务类型和历史数据进行分类，并将分类得到的业务类型和供应链数据集进行匹配，得到每一业务类型下对应的供应链数据集；
数据取向确定模块，用于根据供应链数据集构建下游用户兴趣模型，并根据所述下游用户兴趣模型确定下游用户感兴趣的数据；
需求数据获取模块，用于构建基于机器学习的供应链数据捕捉模型，并根据下游用户感兴趣的数据，利用所述供应链数据捕捉模型对下游用户所需的供应链数据进行捕捉；
最优供应量确定模块，用于根据下游用户所需的供应链数据，以最大化上游用户利益和满足下游用户需求为目标函数构建供应计划模型，并通过所述供应计划模型计算得到上游用户的最优供应量。
本实施例第二方面提供的前述系统的工作过程、工作细节和技术效果，可以参见如上第一方面或第一方面中任意一种可能设计所述的方法，于此不再赘述。
第三方面，本发明提供一种计算机设备，包括依次通信相连的存储器、处理器和收发器，其中，所述存储器用于存储计算机程序，所述收发器用于收发消息，所述处理器用于读取所述计算机程序，执行如第一方面任意一种可能的设计中所述的基于上下游的供应链管理方法。
具体举例的，所述存储器可以但不限于包括随机存取存储器（Random-AccessMemory，RAM）、只读存储器（Read-Only Memory，ROM）、闪存（Flash Memory）、先进先出存储器（First Input First Output，FIFO）和/或先进后出存储器（First Input Last Output，FILO）等等；所述处理器可以不限于采用型号为STM32F105系列的微处理器；所述收发器可以但不限于为WiFi（无线保真）无线收发器、蓝牙无线收发器、GPRS（General Packet RadioService，通用分组无线服务技术）无线收发器和/或ZigBee（紫蜂协议，基于IEEE802 .15.4标准的低功耗局域网协议）无线收发器等。此外，所述计算机设备还可以但不限于包括有电源模块、显示屏和其它必要的部件。
本实施例第三方面提供的前述计算机设备的工作过程、工作细节和技术效果，可以参见如上第一方面或第一方面中任意一种可能设计所述的方法，于此不再赘述。
第四方面，本发明提供一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，当所述指令在计算机上运行时，执行如第一方面任意一种可能的设计中所述的基于上下游的供应链管理方法。
其中，所述计算机可读存储介质是指存储数据的载体，可以但不限于包括软盘、光盘、硬盘、闪存、优盘和/或记忆棒(Memory Stick)等，所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。
本实施例第四方面提供的前述计算机设备的工作过程、工作细节和技术效果，可以参见如上第一方面或第一方面中任意一种可能设计所述的方法，于此不再赘述。
第五方面，本发明提供一种包含指令的计算机程序产品，当所述指令在计算机上运行时，使所述计算机执行如第一方面任意一种可能的设计中所述的基于上下游的供应链管理方法。
本实施例第五方面提供的前述计算机可读存储介质的工作过程、工作细节和技术效果，可以参见如上第一方面或第一方面中任意一种可能设计所述的方法，于此不再赘述。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于上下游的供应链管理方法，其特征在于，包括：
分别对供应链系统中各上下游用户的业务类型和历史数据进行分类，并将分类得到的业务类型和供应链数据集进行匹配，得到每一业务类型下对应的供应链数据集；
根据供应链数据集构建下游用户兴趣模型，并根据所述下游用户兴趣模型确定下游用户感兴趣的数据；
构建基于机器学习的供应链数据捕捉模型，并根据下游用户感兴趣的数据，利用所述供应链数据捕捉模型对下游用户所需的供应链数据进行捕捉；
根据下游用户所需的供应链数据，以最大化上游用户利益和满足下游用户需求为目标函数构建供应计划模型，并通过所述供应计划模型计算得到上游用户的最优供应量。
2.根据权利要求1所述的基于上下游的供应链管理方法，其特征在于，分别对供应链系统中各上下游用户的业务类型和历史数据进行分类，并将分类得到的业务类型和供应链数据集进行匹配，得到每一业务类型下对应的供应链数据集，包括：
分别对供应链系统中各上下游用户的业务类型和历史数据进行分类，根据业务类型的分类结果，构建与业务类型数量相同的数据库，将供应链系统中若干历史数据按照预设的分类标准分别存储在各数据库中；
将每一业务类型与其中一个数据库进行匹配，得到该业务类型下对应的供应链数据集。
3.根据权利要求1所述的基于上下游的供应链管理方法，其特征在于，根据供应链数据集构建下游用户兴趣模型，并根据所述下游用户兴趣模型确定下游用户感兴趣的数据，包括：
根据下游用户在供应链系统中的历史行为数据，并根据历史行为数据确定用户感兴趣的供应链主题；
根据用户感兴趣的供应链主题，构建下游用户兴趣模型，模型的表达式如下：
Figure 57236DEST_PATH_IMAGE001
；（1）
其中，
Figure 340450DEST_PATH_IMAGE002
表示第
Figure 897333DEST_PATH_IMAGE003
个主题的感兴趣特征，
Figure 836470DEST_PATH_IMAGE004
表示第
Figure 504212DEST_PATH_IMAGE005
个主题的主题权重，
Figure 376353DEST_PATH_IMAGE006
表示第
Figure 104138DEST_PATH_IMAGE007
个主题中的数据量；
初始化主题权重，此时
Figure 327308DEST_PATH_IMAGE008
，其中，
Figure 543217DEST_PATH_IMAGE009
表示下游用户对某一主题的兴趣度；
根据下游用户兴趣模型，从兴趣度大于阈值的主题中提取关键特征，得到第
Figure 738707DEST_PATH_IMAGE010
个主题下的关键特征组，表达式如下：
Figure 902972DEST_PATH_IMAGE011
；（2）
其中，
Figure 347859DEST_PATH_IMAGE012
表示第
Figure 357404DEST_PATH_IMAGE013
个主题下的第
Figure 672979DEST_PATH_IMAGE014
个关键词项，
Figure 742566DEST_PATH_IMAGE015
表示关键词，
Figure 143591DEST_PATH_IMAGE016
表示关键词权重；
根据关键词和关键词权重，确定下游用户感兴趣的数据。
4.根据权利要求3所述的基于上下游的供应链管理方法，其特征在于，在根据关键词和关键词权重，确定下游用户感兴趣的数据之后，还包括：
基于词频-逆文本算法确定主题文本中词位置和词跨度对数据捕捉时关键词权重的影响，包括：
将关键词标注方法融合应用至数据结构中，实现对主题文本的预处理；
根据主题文本中各固定词的位置权重和跨度权重，利用词频-逆文本算法计算各固定词的综合权重，并选取综合权重大于阈值的若干固定词作为当前文本的关键词。
5.根据权利要求4所述的基于上下游的供应链管理方法，其特征在于，构建基于机器学习的供应链数据捕捉模型，并根据下游用户感兴趣的数据，利用所述供应链数据捕捉模型对下游用户所需的供应链数据进行捕捉包括：
构建基于支持向量机的供应链数据捕捉模型，并根据选取的文本关键词，利用供应链数据捕捉模型对下游用户所需的供应链数据进行捕捉。
6.根据权利要求1所述的基于上下游的供应链管理方法，其特征在于，根据下游用户所需的供应链数据，以最大化上游用户利益和满足下游用户需求为目标函数构建供应计划模型，包括：
假定下游用户所需的供应链数据是随机变量，且服从正态分布，考虑需求损失以及不考虑物流成本，以最大化用户利益和满足下游用户需求为目标函数，构建供应计划模型，如下:
Figure 691247DEST_PATH_IMAGE017
；（3）
Figure 658066DEST_PATH_IMAGE018
；（4）
Figure 101817DEST_PATH_IMAGE019
；（5）
Figure 52455DEST_PATH_IMAGE020
；（6）
Figure 872644DEST_PATH_IMAGE021
；（7）
Figure 897232DEST_PATH_IMAGE022
；（8）
其中，
Figure 308622DEST_PATH_IMAGE023
表示最大化用户利益目标函数，
Figure 215398DEST_PATH_IMAGE024
表示满足下游用户需求目标函数，o表示下游用户的编号，
Figure 104856DEST_PATH_IMAGE025
表示交付给下游用户的第一种产品数量，
Figure 311847DEST_PATH_IMAGE026
表示下游用户对第一种产品的常规需求数量，
Figure 831821DEST_PATH_IMAGE027
表示下游用户对产品的额外需求量，
Figure 491472DEST_PATH_IMAGE028
表示交付给下游用户的第v种产品数量，
Figure 653463DEST_PATH_IMAGE029
表示下游用户对第v种产品的常规需求数量，
Figure 918223DEST_PATH_IMAGE030
表示产品的供应量，
Figure 140257DEST_PATH_IMAGE031
表示产品v的单位能耗，
Figure 21625DEST_PATH_IMAGE032
表示最大供应能力。
7.根据权利要求6所述的基于上下游的供应链管理方法，其特征在于，通过所述供应计划模型计算得到上游用户的最优供应量，包括：
利用供应计划算法对所述供应计划模型进行求解，得到上游用户的最优供应量。
8.根据权利要求1所述的基于上下游的供应链管理方法，其特征在于，供应链系统中的上下游用户包括原材料供应商、生产商、分销商、零售商以及最终消费者。
9.一种基于上下游的供应链管理系统，其特征在于，包括：
数据集获取模块，用于分别对供应链系统中各上下游用户的业务类型和历史数据进行分类，并将分类得到的业务类型和供应链数据集进行匹配，得到每一业务类型下对应的供应链数据集；
数据取向确定模块，用于根据供应链数据集构建下游用户兴趣模型，并根据所述下游用户兴趣模型确定下游用户感兴趣的数据；
需求数据获取模块，用于构建基于机器学习的供应链数据捕捉模型，并根据下游用户感兴趣的数据，利用所述供应链数据捕捉模型对下游用户所需的供应链数据进行捕捉；
最优供应量确定模块，用于根据下游用户所需的供应链数据，以最大化上游用户利益和满足下游用户需求为目标函数构建供应计划模型，并通过所述供应计划模型计算得到上游用户的最优供应量。
10.一种计算机设备，其特征在于，包括依次通信相连的存储器、处理器和收发器，其中，所述存储器用于存储计算机程序，所述收发器用于收发消息，所述处理器用于读取所述计算机程序，执行如权利要求1-8任意一项所述的基于上下游的供应链管理方法。
CN202210931623.5A 2022-08-04 2022-08-04 一种基于上下游的供应链管理方法、系统和设备 Active CN115018207B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210931623.5A CN115018207B (zh) 2022-08-04 2022-08-04 一种基于上下游的供应链管理方法、系统和设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210931623.5A CN115018207B (zh) 2022-08-04 2022-08-04 一种基于上下游的供应链管理方法、系统和设备

Publications (2)

Publication Number Publication Date
CN115018207A true CN115018207A (zh) 2022-09-06
CN115018207B CN115018207B (zh) 2022-11-11

Family

ID=83065945

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210931623.5A Active CN115018207B (zh) 2022-08-04 2022-08-04 一种基于上下游的供应链管理方法、系统和设备

Country Status (1)

Country Link
CN (1) CN115018207B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115564497A (zh) * 2022-11-09 2023-01-03 深圳市鼎山科技有限公司 一种基于大数据的芯片供应管理系统及方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107918818A (zh) * 2016-10-10 2018-04-17 香港纺织及成衣研发中心有限公司 基于大数据技术的供应链管理决策支持系统
US20190073611A1 (en) * 2017-09-07 2019-03-07 International Business Machines Corporation Real-time cognitive supply chain optimization
CN112446769A (zh) * 2021-02-01 2021-03-05 旗美供应链(深圳)有限公司 一种供应链管理方法、系统、服务器及计算机可读介质
US20210158259A1 (en) * 2019-11-25 2021-05-27 David Michael Evans Orchestrated intelligent supply chain optimizer
CN113129048A (zh) * 2019-12-31 2021-07-16 阿里巴巴集团控股有限公司 资源供给方法、装置、电子设备及计算机可读存储介质
CN114581012A (zh) * 2022-03-08 2022-06-03 深圳市天人供应链管理有限公司 一种基于供应链管理的库存调整方法及系统
US20220180026A1 (en) * 2019-05-10 2022-06-09 Tata Consultancy Services Limited System and method for actor based simulation of complex system using reinforcement learning

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107918818A (zh) * 2016-10-10 2018-04-17 香港纺织及成衣研发中心有限公司 基于大数据技术的供应链管理决策支持系统
US20190073611A1 (en) * 2017-09-07 2019-03-07 International Business Machines Corporation Real-time cognitive supply chain optimization
US20220180026A1 (en) * 2019-05-10 2022-06-09 Tata Consultancy Services Limited System and method for actor based simulation of complex system using reinforcement learning
US20210158259A1 (en) * 2019-11-25 2021-05-27 David Michael Evans Orchestrated intelligent supply chain optimizer
CN113129048A (zh) * 2019-12-31 2021-07-16 阿里巴巴集团控股有限公司 资源供给方法、装置、电子设备及计算机可读存储介质
CN112446769A (zh) * 2021-02-01 2021-03-05 旗美供应链(深圳)有限公司 一种供应链管理方法、系统、服务器及计算机可读介质
CN114581012A (zh) * 2022-03-08 2022-06-03 深圳市天人供应链管理有限公司 一种基于供应链管理的库存调整方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115564497A (zh) * 2022-11-09 2023-01-03 深圳市鼎山科技有限公司 一种基于大数据的芯片供应管理系统及方法
CN115564497B (zh) * 2022-11-09 2023-08-15 深圳市鼎山科技有限公司 一种基于大数据的芯片供应管理系统及方法

Also Published As

Publication number Publication date
CN115018207B (zh) 2022-11-11

Similar Documents

Publication Publication Date Title
US11348012B2 (en) System and method for forming predictions using event-based sentiment analysis
Thorleuchter et al. Analyzing existing customers’ websites to improve the customer acquisition process as well as the profitability prediction in B-to-B marketing
CN108363821A (zh) 一种信息推送方法、装置、终端设备及存储介质
CN112085565B (zh) 基于深度学习的信息推荐方法、装置、设备及存储介质
CN106445988A (zh) 一种大数据的智能处理方法和系统
CN111143681A (zh) 一种资讯推荐装置、方法、设备及系统
CN110852785B (zh) 用户分级方法、装置及计算机可读存储介质
CN110362689A (zh) 一种风险评估方法、装置、存储介质和服务器
CN115018207B (zh) 一种基于上下游的供应链管理方法、系统和设备
CN112734569A (zh) 一种基于用户画像和知识图谱的股票风险预测方法及系统
CN110019820A (zh) 一种病历中主诉与现病史症状时间一致性检测方法
CN114782076A (zh) 一种线上商城消费平台奖券积分兑换智能管理方法、系统及计算机存储介质
Li et al. A novel method for credit scoring based on feature transformation and ensemble model
Reddy et al. Prediction of star ratings from online reviews
CN116188120B (zh) 一种有声书的推荐方法、装置、系统及存储介质
CN111737607B (zh) 数据处理方法、装置、电子设备以及存储介质
CN113569048A (zh) 一种基于企业经营范围自动划分所属行业的方法及系统
Lo et al. An emperical study on application of big data analytics to automate service desk business process
Chen et al. Analysis of e-commerce marketing strategy based on Xgboost algorithm
CN114004513A (zh) 一种需求预测方法、系统及存储介质
Airoldi et al. A Poisson convolution model for characterizing topical content with word frequency and exclusivity
CN113762415A (zh) 一种基于神经网络的汽车金融产品智能匹配方法和系统
Devi et al. Semantic enhanced social media sentiments for stock market prediction
CN116304358B (zh) 一种用户数据采集方法
CN117195061B (zh) 事件响应预测模型处理方法、装置和计算机设备

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