CN115018207B - 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 PDFInfo
- Publication number
- CN115018207B CN115018207B CN202210931623.5A CN202210931623A CN115018207B CN 115018207 B CN115018207 B CN 115018207B CN 202210931623 A CN202210931623 A CN 202210931623A CN 115018207 B CN115018207 B CN 115018207B
- Authority
- CN
- China
- Prior art keywords
- downstream
- supply chain
- data
- user
- 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.)
- Active
Links
- 238000011144 upstream manufacturing Methods 0.000 title claims abstract description 71
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000013068 supply chain management Methods 0.000 title claims abstract description 37
- 230000006870 function Effects 0.000 claims abstract description 22
- 230000008901 benefit Effects 0.000 claims abstract description 20
- 238000010801 machine learning Methods 0.000 claims abstract description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 17
- 238000013481 data capture Methods 0.000 claims description 17
- 230000015654 memory Effects 0.000 claims description 14
- 230000006399 behavior Effects 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 8
- 239000002994 raw material Substances 0.000 claims description 7
- 238000012706 support-vector machine Methods 0.000 claims description 5
- 238000009826 distribution Methods 0.000 claims description 4
- 238000005265 energy consumption Methods 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 238000013439 planning Methods 0.000 claims description 3
- 238000013461 design Methods 0.000 description 16
- 238000004088 simulation Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 8
- 230000000694 effects Effects 0.000 description 6
- 238000003860 storage Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—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)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Finance (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Accounting & Taxation (AREA)
- Evolutionary Computation (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (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
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:
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:
其中,表示最大化用户利益目标函数,表示满足下游用户需求目标函数,o表示下游用户的编号,表示交付给下游用户的第一种产品数量,表示下游用户对第一种产品的常规需求数量,表示下游用户对产品的额外需求量,表示交付给下游用户的第v种产品数量,表示下游用户对第v种产品的常规需求数量,表示产品的供应量,表示产品v的单位能耗,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:
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:
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。
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:
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:
其中,表示最大化用户利益目标函数,表示满足下游用户需求目标函数,o表示下游用户的编号,表示交付给下游用户的第一种产品数量,表示下游用户对第一种产品的常规需求数量,表示下游用户对产品的额外需求量,表示交付给下游用户的第v种产品数量,表示下游用户对第v种产品的常规需求数量,表示产品的供应量,表示产品v的单位能耗,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 (9)
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;
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:
根据关键词和关键词权重,确定下游用户感兴趣的数据。
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,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。
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,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。
5.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:
6.根据权利要求5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。
7.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。
8.一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;
在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时,数据取向确定模块具体用于:
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:
根据关键词和关键词权重,确定下游用户感兴趣的数据。
9.一种计算机设备,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1-7任意一项所述的基于上下游的供应链管理方法。
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 CN115018207A (zh) | 2022-09-06 |
CN115018207B true 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) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107918818B (zh) * | 2016-10-10 | 2022-01-21 | 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 |
US10902356B2 (en) * | 2017-09-07 | 2021-01-26 | International Business Machines Corporation | Real-time cognitive supply chain optimization |
WO2020229904A1 (en) * | 2019-05-10 | 2020-11-19 | 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 |
CN114581012B (zh) * | 2022-03-08 | 2024-07-16 | 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 |
-
2022
- 2022-08-04 CN CN202210931623.5A patent/CN115018207B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN115018207A (zh) | 2022-09-06 |
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 | |
CN102215300B (zh) | 电信业务推荐方法和系统 | |
CN111143681A (zh) | 一种资讯推荐装置、方法、设备及系统 | |
CN106447066A (zh) | 一种大数据的特征提取方法和装置 | |
CN106445988A (zh) | 一种大数据的智能处理方法和系统 | |
CN111897963B (zh) | 一种基于文本信息和机器学习的商品分类方法 | |
CN113468227A (zh) | 基于图神经网络的信息推荐方法、系统、设备和存储介质 | |
CN110852785B (zh) | 用户分级方法、装置及计算机可读存储介质 | |
CN116468460B (zh) | 基于人工智能的消费金融客户画像识别系统及其方法 | |
CN115018207B (zh) | 一种基于上下游的供应链管理方法、系统和设备 | |
CN111966886A (zh) | 对象推荐方法、对象推荐装置、电子设备及存储介质 | |
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 | |
Yu | Credit risk evaluation with a least squares fuzzy support vector machines classifier | |
Li et al. | A novel method for credit scoring based on feature transformation and ensemble model | |
CN116977095A (zh) | 一种动态风控预警方法、装置、计算机设备及存储介质 | |
WO2023225529A2 (en) | Predictive systems and processes for product attribute research and development | |
CN111260490A (zh) | 基于树模型的车险快速理赔方法和系统 | |
CN116188120B (zh) | 一种有声书的推荐方法、装置、系统及存储介质 | |
CN117195061A (zh) | 事件响应预测模型处理方法、装置和计算机设备 | |
CN106033546A (zh) | 基于自上而下学习的行为分类方法 | |
Lo et al. | An emperical study on application of big data analytics to automate service desk business process | |
Airoldi et al. | A Poisson convolution model for characterizing topical content with word frequency and exclusivity | |
CN114463085A (zh) | 自动化营销的通用沟通互动方法、装置、电子设备及存储介质 | |
US20210125031A1 (en) | Method and system for generating aspects associated with a future event for a subject |
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 | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A supply chain management method, system, and equipment based on upstream and downstream Granted publication date: 20221111 Pledgee: Shenzhen Branch of Guangdong Huaxing Bank Co.,Ltd. Pledgor: Gongxing Technology (Shenzhen) Co.,Ltd. Registration number: Y2024980017037 |
|
PE01 | Entry into force of the registration of the contract for pledge of patent right |