CN115587295A - 一种基于机器自学习的供应链策略智能生成方法和系统 - Google Patents

Abstract

本发明涉及一种基于机器自学习的供应链策略智能生成方法和系统，包括获取供应链业务异常数据，并载入随机森林决策模型中，获取使得供应链运营效率最高的决策方案；随机森林决策模型生成决策方案的过程为：预先构建有项目内容标签库、问题标签库和问题处理规则标签库；根据供应链业务异常数据，从问题标签库中确定对应的已知问题和原因，然后从问题处理规则标签库中获取对应的处理方案，并反馈给项目内容标签库中对应的处理人员。与现有技术相比，本发明以科学、合理的供应链策略建议指导业务作业，实现了电网物资精益化管理的目标，不断增强物资响应能力和可靠性，实现用数据精准指导、指挥业务运作转变，保障项目物资供应。

Description

一种基于机器自学习的供应链策略智能生成方法和系统

技术领域

本发明涉及业务策略智能生成技术领域，尤其是涉及一种基于机器自学习的供应链策略智能生成方法和系统。

背景技术

物资采购对电网公司的生产建设起着至关重要的作用，采购策略的科学性可能会直接影响项目建设里程碑进度。目前存在部分物资采购工作流程周期长，未系统性地针对各环节进行异常原因分析，异常处理策略不够科学有效，因此难以对供应链全过程各环节实施效率进行有效把控。物资采购及供应情况复杂，在面临不同业务场景，包括交货期提前或交货期延后等不同场景，需要根据实际情况选择合理业务策略；在面临不同环节问题时，如何提出问题解决方案和选择最佳业务路径。目前业务选择主要依赖物资管理人员经验判断，缺少解决方案横向对比展示，影响物资管理人员决策效率。

发明内容

本发明的目的就是为了克服上述现有技术存在目前业务策略务选择主要依赖物资管理人员经验判断的缺陷而提供一种基于机器自学习的供应链策略智能生成方法和系统。

本发明的目的可以通过以下技术方案来实现：

一种基于机器自学习的供应链策略智能生成方法，包括以下步骤：

在物资供应链处理过程中，获取供应链业务异常数据，并载入预先建立并训练好的随机森林决策模型中，获取使得供应链运营效率最高的决策方案；

所述随机森林决策模型生成决策方案的过程具体为，预先构建有项目内容标签库、问题标签库和问题处理规则标签库；

所述项目内容标签库包括维护项目类型和维护项目类型与处理人员的对应关系，所述维护项目类型与所述供应链业务异常数据相匹配；所述问题标签库包括已知问题和原因，该已知问题和原因与所述供应链业务异常数据相匹配；所述问题处理规则标签库包括处理方案，该处理方案与所述已知问题和原因相对应；

根据所述供应链业务异常数据，从所述问题标签库中确定对应的已知问题和原因，然后从问题处理规则标签库中获取对应的处理方案，并反馈给项目内容标签库中对应的处理人员；

所述随机森林决策模型包括多个决策树，每个决策树均通过上述生成决策方案的过程获取预测决策方案，最终采用投票的方式，集合各个决策树的预测决策方案，获取最终的决策方案。

进一步地，所述决策树的构建过程包括：收集构建决策树的原始信息，该原始信息包括多种属性的取值和对应的结果，然后构建决策树的根节点，计算原始结果的信息熵，以及原始结果在提供了各种属性之下的条件熵，并进而求出各个属性能够提供的互信息的量，选取互信息量最大的那个属性构建根节点的分支；在根节点之下，依据这个分支分出来的数据集，用剩余的其他属性按照相同的方式建立后续分支。

进一步地，所述多个属性包括项目内容标签库、问题标签库和问题处理规则标签库。

进一步地，所述信息熵E(S)的计算表达式为：

式中，S是事件的随机变量，C是衡量的信息的结果个数，Pi是第i个结果出现的概率。

进一步地，所述条件熵E(S，X)的计算表达式为：

式中，X是信息的给定属性，p(x)是属性值X＝x的概率。

进一步地，所述互信息Gain(S，X)的计算表达式为：

Gain(S，X)＝E(S)-E(S，X)。

进一步地，所述随机森林决策模型的训练过程包括：

获取训练用的原始数据集；

采用bootstrap抽样技术从原始数据集中抽取n个训练集；

为每一个训练集分别建立分类回归树，共产生n棵决策树，n棵决策树均不进行剪枝；

在每棵树生长过程中，从随机选择的m≤M个属性中选择最优属性进行分支；

集合n棵决策树的预测结果，采用投票的方式决定最终的决策方案。

进一步地，所述供应链业务异常数据包括物资计划数据和履约供应数据。

进一步地，将所述供应链业务异常数据进行预处理后，载入随机森林决策模型中；

所述预处理包括判断所述供应链业务异常数据是否符合正态分布，若符合正态分布，则采用3σ方法，当样本距离平均值大于3σ时，作为异常值剔除；若不符合正态分布，则采用箱型图的方法，将大于或小于箱型图设定的上下界的数值作为异常值剔除。

本发明还提供一种基于机器自学习的供应链策略智能生成系统，包括存储器和处理器，所述存储器存储有计算机程序，处理器调用所述计算机程序执行如上所述的方法的步骤。

与现有技术相比，本发明具有以下优点：

(1)全程管理更精益：通过将供应链全流程的异常问题进行标签化管理和深度学习，结合策略影响因素多维分析和历史数据，进行异常策略的只能推荐，对供应链各环节问题提出合理化建议，负能供应链细分和精益化管理。

(2)策略标签规范化：以主数据管理的形式，形成策略标签库，针对各类异常问题手动或自动打上相关异常责任主体、异常原因、对应策略等标签，形成策略标签库，为后续机器学习及其他人工智能场景奠定良好的数据基础。

(3)数据服务中台化：通过将供应链策略智能推荐功能封装为中台服务，以“数据共享-算法共享-模型共享”服务形式满足营销部、基建部等需求侧对各种异常策略的实时调取和应用需求，信息资源得到充分整合，进一步发挥数据价值，形成“功能-服务”的拓展应用模式。

附图说明

图1为本发明实施例中提供的一种基于机器自学习的供应链策略智能生成方法；

图2为本发明实施例中提供的一种决策树算法示意图；

图3为本发明实施例中提供的一种随机森林决策模型示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。

因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例1

如图1所示，本实施例提供一种基于机器自学习的供应链策略智能生成方法，包括以下步骤：

在物资供应链处理过程中，获取供应链业务异常数据，并载入预先建立并训练好的随机森林决策模型中，获取使得供应链运营效率最高的决策方案；

随机森林决策模型生成决策方案的过程具体为，预先构建有项目内容标签库、问题标签库和问题处理规则标签库；

项目内容标签库包括维护项目类型和维护项目类型与处理人员的对应关系，维护项目类型与供应链业务异常数据相匹配；问题标签库包括已知问题和原因，该已知问题和原因与供应链业务异常数据相匹配；问题处理规则标签库包括处理方案，该处理方案与已知问题和原因相对应；

根据供应链业务异常数据，从问题标签库中确定对应的已知问题和原因，然后从问题处理规则标签库中获取对应的处理方案，并反馈给项目内容标签库中对应的处理人员；

随机森林决策模型包括多个决策树，每个决策树均通过上述生成决策方案的过程获取预测决策方案，最终采用投票的方式，集合各个决策树的预测决策方案，获取最终的决策方案。

决策树的构建过程包括：收集构建决策树的原始信息，该原始信息包括多种属性的取值和对应的结果，然后构建决策树的根节点，计算原始结果的信息熵，以及原始结果在提供了各种属性之下的条件熵，并进而求出各个属性能够提供的互信息的量，选取互信息量最大的那个属性构建根节点的分支；在根节点之下，依据这个分支分出来的数据集，用剩余的其他属性按照相同的方式建立后续分支。多个属性包括项目内容标签库、问题标签库和问题处理规则标签库。

下面对本实施例供应链策略智能生成方法进行具体描述。

1、核心功能介绍

基于机器自学习的供应链策略智能生成方法以业务监控预警输出的异常报警为依据，推动异常报警向异常业务处理任务转化，通过构建项目标签库、问题标签库、规则标签库、业务策略库和标签策略选择机制，借助大数据和人工智能，实现异常问题精准定位、快速协同和标准化处理，进行异常业务处理全过程跟踪、协同和督办，同时通过控制台和指挥塔两级处理平台，实现高效快速的跨业务协同异常处理和资源调配，提高异常问题的处置效率和能力。

1.1、构建完备的标签库和策略库

通过对问题处理流程和机制的深入研究，发现项目是影响异常问题处理的关键因素，因此针对不同项目建立项目内容标签库，并建立及维护项目类型与处理人员对应关系，实现人员自动分配。

通过大数据分析，对历史异常数据进行深度学习，归纳梳理各业务环节常见问题及原因，将这些已知问题和原因打上分类标签，并进行分层和分级管理。

针对已知问题和原因，对业务中常见的处理方案进行归纳总结，并结合相应的法律法规和制度规范，建立问题处理规则标签库。

通过人工智能算法，高效将项目标签库、问题标签库和规则标签库进行智能匹配，生成符合业务实践的处理策略。

1.2、搭建两级处理平台

为了提高问题的快速分配、快速处置和快速闭环，充分发挥各层业务人员的处理能力，搭建了控制台与指挥塔两级处理异常业务处理平台。控制台主要对业务链内的简单异常问题进行处理，当异常问题跨业务链时，将交由指挥塔对该异常问题进行处理。

1.3、处理策略智能推荐

当业务预警问题产生后，首先与项目标签进行匹配，确定问题所涉及的责任主体，根据既定规则将业务链内的简单异常问题分发给控制台处理，此时解决措施一般采用单一策略；将跨业务链的异常问题分发给指挥塔处理，并通过问题标签库判断问题的复杂程度，遵循“简单问题简单处理和复杂问题协同处理”的方针，分别针对简单问题和复杂问题推荐单一处理策略和复杂处理策略。

1.4、策略自主优化

建立平台异常处理后评价机制，开展异常处理后的成效评估和异常成因分析，基于业务明细数据和分析结果，建立业务策略优化模型，通过系统自学习、自进化，对业务策略自动优化，并用优化结果更新预设业务策略库，实现策略集自学习。

2、数据源及预处理技术

供应链策略智能推荐的数据主要来源于ERP、计划辅助工具和履约辅助工具。其中，计划辅助工具主要提供从物资需求提报到计划审查阶段的物资计划数据；履约辅助工具主要提供初始供应计划生成到物资收货阶段的履约供应数据。从外围系统将数据接入数据中心后，首先需要进行数据治理和清洗。数据质量与准确性对于后期计算结果有着至关重要的作用，因此需要通过数据清洗消除数据异常值。

数据异常可以从统计角度和业务角度进行判断。从统计角度来看，数据异常指数据缺漏以及字段值存在明显异常情况，可以给定一个置信概率，并确定一个置信限，凡超过此限的误差，就认为它不属于随机误差范围，将其视为异常值。首先可以通过假设检定对数据的分布情况进行判定。检验数据是否符合正态分布的常用方法为Q-Q图：以样本的分位数作为横坐标，以按照正态分布计算的相应分位点作为纵坐标，把样本表现为直角坐标系中的散点；如果数据服从正态分布，则样本点应围绕第一象限的对角线分布。当数据服从正态分布时，对于异常值的认定，将采取3σ方法，当样本距离平均值大于3δ，则认定该样本为异常值。当数据不服从正态分布时，对于异常值的认定，将采取箱型图的方法，大于或小于箱型图设定的上下界的数值即为异常值。

从业务角度来看包括日期数据异常、日期逻辑异常和业务单据异常三类。日期数据指要求完成日期等关键日期字段缺失或错误等情况；日期逻辑异常指前后节点倒置情况，业务单据异常指关键单据号缺失、采购申请或订单删除等情况。

3、核心算法模型

如图2和3所示，随机森林决策模型使用了随机森林算法来进行智能决策，在数据预处理及数据清洗完成后，对影响供应链总体时效性、运营效率的因素进行相关性分析，利用随机森林算法模型，通过历史数据进行模型训练，识别出能够使供应链运营效率最高的决策方案。

海量数据的分析离不开迅速高效的数据分析算法，传统的数据处理算法如神经网络算法，贝叶斯算法和决策树算法等，由于其处理高维数据的时间复杂度比较高，难以适应大数据环境下数据的快速产生和更新，随机森林算法就是在这样的环境下提出的。随机森林是以决策树为基础的一种更高级的算法。像决策树一样，随机森林即可以用于回归也可以用于分类。随机森林的表现一般要优于单一的决策树，因为随机森林的结果是通过多个决策树结果投票来决定最后的结果。

首先需要进行决策树的设计。决策树的信息熵是衡量信息不确定性的指标，是用来度量各种结果蕴含信息的量。信息的不确定性越大，计算出的熵也就越大，表明衡量的结果揭示信息的量就越小。信息的熵是通过信息出现的概率来计算的，信息熵E(S)的计算表达式为：

式中，S是事件的随机变量，C是衡量的信息的结果个数，Pi是第i个结果出现的概率。

了解了每种结果反映不确定性的计算之后，还需要知道每种属性和结果之间因果性的大小。衡量这种因果关系的量的计算，就是条件熵的计算。通过条件熵的计算，可以通过了解不同属性的取值消除结果的不确定性。因此可以通过属性取值来预测结果，条件熵E(S，X)的计算表达式为：

式中，X是信息的给定属性，p(x)是属性值X＝x的概率.

互信息就是用来衡量观测的属性结果能够为信息不确定性降低的程度，互信息Gain(S，X)的计算表达式为：

Gain(S，X)＝E(S)-E(S，X)。

直观来说，也就相当于引入了属性X之后，我们对于结果预测的把握增加了多少。

在了解决策树三个基本要素之后，可以开始构建决策树了。首先要收集构建决策树的原始信息，包括几种属性的取值和对应的结果。然后开始构建决策树的根节点，计算原始结果的信息熵，以及原始结果在提供了各种属性之下条件熵，并进而求出各个属性能够提供的互信息的量，选取互信息量最大的那个属性构建根节点的分支。在根节点之下，算法将依据这个分支分出来的更小的数据集，用剩余的其他属性按照相同的方式建立后续分支。在决策树构建完成之后，决策树就可以被用来进行预测了，代入被预测数据的各种属性，系统就可以沿着分支走到相应的叶节点，得到最后的最优决策结果。

然而，决策树的构建主要依赖于历史信息训练集，只构建一棵决策树需要运用大量样本数据，其预测结果错误率也可能会不稳定，可扩展性也不是很好。随机森林方法采用有放回的多次随机抽样有效地避免了这个问题，每次随机抽样构建一棵决策树，构建的每颗决策树彼此独立进行预测，最终分类结果是将每棵树的预测结果进行投票，进而选取票数最高的分类作为预测结果，或者是将每棵树的预测结果求平均，最终得到预测的系统输出值。随机森林示例如下图所示。

相比于决策树，随机森林的构建更加迅速，正确率更高，可扩展性更高，针对高维数据的预测，随机森林具有更显著的优势，在大数据环境下获得了广泛应用。随机森林作为一种组合分类器，其算法基本思想是：

①采用bootstrap抽样技术从原始数据集中抽取n个训练集，每个训练集的数据数量可以和原数据集数据数量相同或者略小。

②为每一个训练集分别建立分类回归树，共产生n棵决策树构成一片“森林”，这些决策树均不进行剪枝。

③在每棵树生长过程中，并不是选择全部M个属性中的最优属性作为内部节点进行分支，而是从随机选择的m≤M个属性中选择最优属性进行分支。在决策树生成过程中，m的值保持不变。

④集合n棵决策树的预测结果，采用投票的方式决定新样本的类别。

与现有供应链策略推荐模式相比，本发明实现对供应链各个环节的异常问题推荐最优的处理策略。基于电力大数据算法，以多角度供应链异常原因和策略分析发现影响供应链运营效率的关键点，以科学、合理的供应链策略建议指导业务作业，实现了电网物资精益化管理的目标，不断增强物资响应能力和可靠性，实现用数据精准指导、指挥业务运作转变，保障项目物资供应。

本实施例还提供一种基于机器自学习的供应链策略智能生成系统，包括存储器和处理器，所述存储器存储有计算机程序，处理器调用所述计算机程序执行如上所述的基于机器自学习的供应链策略智能生成方法的步骤。

以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思做出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。

Claims (10)

1.一种基于机器自学习的供应链策略智能生成方法，其特征在于，包括以下步骤：

在物资供应链处理过程中，获取供应链业务异常数据，并载入预先建立并训练好的随机森林决策模型中，获取使得供应链运营效率最高的决策方案；

所述随机森林决策模型生成决策方案的过程具体为，预先构建有项目内容标签库、问题标签库和问题处理规则标签库；

所述项目内容标签库包括维护项目类型和维护项目类型与处理人员的对应关系，所述维护项目类型与所述供应链业务异常数据相匹配；所述问题标签库包括已知问题和原因，该已知问题和原因与所述供应链业务异常数据相匹配；所述问题处理规则标签库包括处理方案，该处理方案与所述已知问题和原因相对应；

根据所述供应链业务异常数据，从所述问题标签库中确定对应的已知问题和原因，然后从问题处理规则标签库中获取对应的处理方案，并反馈给项目内容标签库中对应的处理人员；

所述随机森林决策模型包括多个决策树，每个决策树均通过上述生成决策方案的过程获取预测决策方案，最终采用投票的方式，集合各个决策树的预测决策方案，获取最终的决策方案。

2.根据权利要求1所述的一种基于机器自学习的供应链策略智能生成方法，其特征在于，所述决策树的构建过程包括：收集构建决策树的原始信息，该原始信息包括多种属性的取值和对应的结果，然后构建决策树的根节点，计算原始结果的信息熵，以及原始结果在提供了各种属性之下的条件熵，并进而求出各个属性能够提供的互信息的量，选取互信息量最大的那个属性构建根节点的分支；在根节点之下，依据这个分支分出来的数据集，用剩余的其他属性按照相同的方式建立后续分支。

3.根据权利要求2所述的一种基于机器自学习的供应链策略智能生成方法，其特征在于，所述多个属性包括项目内容标签库、问题标签库和问题处理规则标签库。

4.根据权利要求2所述的一种基于机器自学习的供应链策略智能生成方法，其特征在于，所述信息熵E(S)的计算表达式为：

式中，S是事件的随机变量，C是衡量的信息的结果个数，Pi是第i个结果出现的概率。

5.根据权利要求4所述的一种基于机器自学习的供应链策略智能生成方法，其特征在于，所述条件熵E(S，X)的计算表达式为：

式中，X是信息的给定属性，p(x)是属性值X＝x的概率。

6.根据权利要求5所述的一种基于机器自学习的供应链策略智能生成方法，其特征在于，所述互信息Gain(S，X)的计算表达式为：

Gain(S，X)＝E(S)-E(S，X)。

7.根据权利要求1所述的一种基于机器自学习的供应链策略智能生成方法，其特征在于，所述随机森林决策模型的训练过程包括：

获取训练用的原始数据集；

采用bootstrap抽样技术从原始数据集中抽取n个训练集；

为每一个训练集分别建立分类回归树，共产生n棵决策树，n棵决策树均不进行剪枝；

在每棵树生长过程中，从随机选择的m≤M个属性中选择最优属性进行分支；

集合n棵决策树的预测结果，采用投票的方式决定最终的决策方案。

8.根据权利要求1所述的一种基于机器自学习的供应链策略智能生成方法，其特征在于，所述供应链业务异常数据包括物资计划数据和履约供应数据。

9.根据权利要求1所述的一种基于机器自学习的供应链策略智能生成方法，其特征在于，将所述供应链业务异常数据进行预处理后，载入随机森林决策模型中；

所述预处理包括判断所述供应链业务异常数据是否符合正态分布，若符合正态分布，则采用3σ方法，当样本距离平均值大于3σ时，作为异常值剔除；若不符合正态分布，则采用箱型图的方法，将大于或小于箱型图设定的上下界的数值作为异常值剔除。

10.一种基于机器自学习的供应链策略智能生成系统，其特征在于，包括存储器和处理器，所述存储器存储有计算机程序，处理器调用所述计算机程序执行如权利要求1至9任一所述的方法的步骤。

Images