CN115860485B - 一种基于大数据和人工智能的供应链风险控制系统及方法 - Google Patents
一种基于大数据和人工智能的供应链风险控制系统及方法 Download PDFInfo
- Publication number
- CN115860485B CN115860485B CN202310126904.8A CN202310126904A CN115860485B CN 115860485 B CN115860485 B CN 115860485B CN 202310126904 A CN202310126904 A CN 202310126904A CN 115860485 B CN115860485 B CN 115860485B
- Authority
- CN
- China
- Prior art keywords
- supply
- supply chain
- standby
- nodes
- node
- 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
Images
Classifications
-
- 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于大数据和人工智能的供应链风险控制系统及方法,属于供应链风险控制技术领域。本系统包括:供应链数据调用模块、供应链例外分析模块、备用供应节点智能处理模块、风险预警模块;所述供应链数据调用模块的输出端与所述供应链例外分析模块的输入端相连接;所述供应链例外分析模块的输出端与所述备用供应节点智能处理模块的输入端相连接;所述备用供应节点智能处理模块的输出端与所述风险预警模块的输入端相连接。本申请能够提前分析供应链例外下设置的备用供应节点的合理性,能够有效提高对于备用供应节点的监测与设置,提高供应链在面对风险时的承受能力,减少损失。
Description
技术领域
本发明涉及供应链风险控制技术领域,具体为一种基于大数据和人工智能的供应链风险控制系统及方法。
背景技术
当今供应链本质上倾向于全球化、在复杂的数以万计的全球各个国家和地区的公司和设施之间相互影响和流动、并在各行各业中运转。涉及整个链条各个环节的供应与需求,原材料与备品备件的采购、制造装配与物件的存放及库存查询、订单的录入与管理、渠道与分销及最终交付用户等。供应链上的各环节环环相扣、彼此依赖、相互影响,任何一个环节出现问题都可能波及其他环节、从而影响整个供应链的正常运作。
而在目前,绝大多数的供应链故障的发生是因为供应和需求的中断,在供应链的各个环节下均容易出现供应链例外,一旦供应链例外产生,一般会对企业造成较大的打击,目前大量企业对供应链进行风险控制的手段是采用备用的供应节点,然而,对备用供应节点的选择却缺乏一定的标准,考虑不到当前供应链下的供应链例外对于备用供应节点的影响,以及启用备用供应节点对原供应链的其他供应节点的影响,造成供应链依然无法正常运作,影响整个流程运转。
发明内容
本发明的目的在于提供一种基于大数据和人工智能的供应链风险控制系统及方法,以解决上述背景技术中提出的问题。
为了解决上述技术问题,本发明提供如下技术方案:一种基于大数据和人工智能的供应链风险控制方法,该方法包括以下步骤:
S1、获取当前供应链上的所有供应节点信息数据以及每个供应节点对应的备用供应节点信息数据;
S2、构建每个供应节点出现供应链例外的概率模型,生成出现供应链例外的供应节点的最优因素,若最优因素对相应的备用供应节点存在影响,标记该备用供应节点,计算供应链例外下同时出现标记备用供应节点的数量达到系统设置数量阈值时的最大概率P1;
S3、构建供应赤字风险模型,判断两个备用供应节点之间的关联性,输出供应链在供应链例外下的供应目标改变值Q1;所述供应链例外包括生产中断、物流中断、信用中断;
S4、设定风险预警提醒,在供应目标改变值Q1超出系统预设风险阈值时或最大概率P1超出系统预设概率阈值时,输出风险警告至管理员端口,提醒管理员管理备用供应节点。
根据上述技术方案,所述每个供应节点出现供应链例外的概率模型包括:
获取供应节点的特征数据,所述特征数据包括地理位置、产能规模和经济信用程度;
其中地理位置主要包括供应节点的地理交通情况,对运输方式、运输时间、运输费用等内容进行分析;产能规模主要指供应节点的规模,产品生产能力;经济信用程度主要包括经济、财务报表以及负债情况等等;
调用数据库中的历史数据,选取与当前供应节点的特征数据满足相似度阈值的供应节点:
其中,x0代表当前供应节点;y0代表数据库中的任一供应节点;sim(x0、y0)代表两节点的相似度;xi代表x0的特征数据归一化值;yi代表y0的特征数据归一化值;
在数据库对任一个供应节点选取N组满足相似度阈值的供应节点,记为测试数据集合A;
对测试数据集合A中出现供应链例外的数据进行调取,分别获取出现供应链例外的类型并记录;
将测试数据集合A中的供应节点随机分为三组,每一组对应一种供应链例外的类型,在每一组中,只有出现供应链例外的类型与对应的供应链例外的类型相同的供应节点被记为故障节点,分别计算每一组的故障节点概率,记为P(B)、P(C)、P(D);
计算供应节点出现供应链例外的概率模型:P(MT)=P(fT)*P(M丨ET)/[∑P(M丨ET)*P(fT)];其中,P(MT)记为供应节点出现第T种供应链例外的概率;T代表供应链例外的种类,取值为1、2、3;P(M丨ET)代表组内供应节点数量占比;P(fT)代表故障节点概率;
选取最大的P(MT)对应的供应链例外类型作为最优因素,分别计算供应节点与备用供应节点的最优因素,若相同,判断为供应节点的最优因素对相应的备用供应节点存在影响,标记该备用供应节点;
计算供应链例外下同时出现标记备用供应节点的数量达到系统设置数量阈值时的最大概率P1:P1=P(MT)1*P(MT)2*……*P(MT)m;其中,m代表系统设置数量阈值;P(MT)1、P(MT)2、……、P(MT)m分别代表每个供应节点取最优因素时的概率值。
根据上述技术方案,所述供应赤字风险模型包括:Q1=[k1*(S1-S11)+k2*(S2-S22)+k3*(S3-S33)+k4*(S4-S44)]*G
其中,k1、k2、k3、k4分别代表原供应节点转换为备用供应节点的物流影响系数;S1、S2、S3、S4分别代表更换为备用供应节点的物流里程;S11、S22、S33、S44分别代表原供应节点的物流里程;G代表单位里程消耗资源;
若存在更换的两个备用供应节点相邻,判断两个备用供应节点之间关联,判断两个备用供应节点之间的关联性:Q1=[k1*(S1-S11)+k5*S5+k4*(S4-S44)]*G-G0
其中,k5代表相邻两个备用供应节点之间的物流影响系数;其通过地理位置进行校准判定,例如两个备用节点之间属于直达区域,则相应系数按照历史运输数据拟合即可,若不属于直达,则进行分段拟合,最后以平均值作为相应系数;G0代表原供应节点相邻部分的物流消耗。
根据上述技术方案,所述风险预警提醒包括:
系统设定风险阈值与概率阈值,在供应目标改变值Q1超出系统预设风险阈值时或最大概率P1超出系统预设概率阈值时,输出风险警告至管理员端口,提醒管理员管理备用供应节点。
一种基于大数据和人工智能的供应链风险控制系统,该系统包括:供应链数据调用模块、供应链例外分析模块、备用供应节点智能处理模块和风险预警模块;所述供应链数据调用模块用于获取当前供应链上的所有供应节点信息数据以及每个供应节点对应的备用供应节点信息数据;所述供应链例外分析模块用于构建每个供应节点出现供应链例外的概率模型,生成出现供应链例外的供应节点的最优因素,若最优因素对相应的备用供应节点存在影响,标记该备用供应节点,计算供应链例外下同时出现标记备用供应节点的数量达到系统设置数量阈值时的最大概率P1;所述备用供应节点智能处理模块用于构建供应赤字风险模型,判断两个备用供应节点之间的关联性,输出供应链在供应链例外下的供应目标改变值Q1;所述供应链例外包括生产中断、物流中断、信用中断;
例外可以发生在供应链的各个环节,如供给、需求、运输、贮存、信用问题等环节都可能发生例外。本申请以生产中断、物流中断、信用中断为例,如供应节点向制造商运送零件时的物流中断,例如灾难性风险。这些风险是全球系统范围内的突发灾难导致供应链暂时无法避免的中断。比如战争、恐怖行动等。或者供应节点无法按照约定的价格交货的信用中断或者供应节点负债过多造成的信用中断。
所述风险预警模块用于设定风险预警提醒,在供应目标改变值Q1超出系统预设风险阈值时或最大概率P1超出系统预设概率阈值时,输出风险警告至管理员端口,提醒管理员管理备用供应节点;
所述供应链数据调用模块的输出端与所述供应链例外分析模块的输入端相连接;所述供应链例外分析模块的输出端与所述备用供应节点智能处理模块的输入端相连接;所述备用供应节点智能处理模块的输出端与所述风险预警模块的输入端相连接。
根据上述技术方案,所述供应链数据调用模块包括供应节点调用单元和备用供应节点调用单元;
所述供应节点调用单元用于获取当前供应链上的所有供应节点信息数据;所述备用供应节点调用单元用于获取每个供应节点对应的备用供应节点信息数据;所述供应节点调用单元与备用供应节点调用单元的输出端均连接至供应链例外分析模块。
根据上述技术方案,所述供应链例外分析模块包括最优因素分析单元和概率输出单元;
所述最优因素分析单元用于构建每个供应节点出现供应链例外的概率模型,生成出现供应链例外的供应节点的最优因素;所述概率输出单元用于在最优因素对相应的备用供应节点存在影响,标记该备用供应节点,计算供应链例外下同时出现标记备用供应节点的数量达到系统设置数量阈值时的最大概率;
所述最优因素分析单元的输出端与所述概率输出单元的输入端相连接。
根据上述技术方案,所述备用供应节点智能处理模块包括模型构建单元和关联处理单元;
所述模型构建单元用于构建供应赤字风险模型;所述关联处理单元用于判断两个备用供应节点之间的关联性,输出供应链在供应链例外下的供应目标改变值;
所述模型构建单元的输出端与所述关联处理单元的输入端相连接。
根据上述技术方案,所述风险预警模块包括阈值设置单元和预警单元;
所述阈值设置单元用于设定风险预警提醒,在供应目标改变值超出系统预设风险阈值时或最大概率超出系统预设概率阈值时,输出风险警告至管理员端口;所述预警单元用于提醒管理员管理备用供应节点;
所述阈值设置单元的输出端与所述预警单元的输入端相连接。
与现有技术相比,本发明所达到的有益效果是:
本申请能够提前分析供应链例外下设置的备用供应节点的合理性,在供应链出现供应链例外时,多个备用节点同时运行时造成的风险影响,能够有效提高对于备用供应节点的监测与设置,提高供应链在面对风险时的承受能力,减少损失。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1是本发明一种基于大数据和人工智能的供应链风险控制系统及方法的流程示意图。
实施方式
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,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做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。
请参阅图1,在本实施例一中,提供一种基于大数据和人工智能的供应链风险控制方法:
获取当前供应链上的所有供应节点信息数据以及每个供应节点对应的备用供应节点信息数据;
构建每个供应节点出现供应链例外的概率模型,生成出现供应链例外的供应节点的最优因素,若最优因素对相应的备用供应节点存在影响,标记该备用供应节点,计算供应链例外下同时出现标记备用供应节点的数量达到系统设置数量阈值时的最大概率P1;
获取供应节点的特征数据,所述特征数据包括地理位置、产能规模和经济信用程度;
调用数据库中的历史数据,选取与当前供应节点的特征数据满足相似度阈值的供应节点:
其中,x0代表当前供应节点;y0代表数据库中的任一供应节点;sim(x0、y0)代表两节点的相似度;xi代表x0的特征数据归一化值;yi代表y0的特征数据归一化值;
在数据库对任一个供应节点选取N组满足相似度阈值的供应节点,记为测试数据集合A;
对测试数据集合A中出现供应链例外的数据进行调取,分别获取出现供应链例外的类型并记录;
将测试数据集合A中的供应节点随机分为三组,每一组对应一种供应链例外的类型,在每一组中,只有出现供应链例外的类型与对应的供应链例外的类型相同的供应节点被记为故障节点,分别计算每一组的故障节点概率,记为P(B)、P(C)、P(D);
计算供应节点出现供应链例外的概率模型:P(MT)=P(fT)*P(M丨ET)/[∑P(M丨ET)*P(fT)];其中,P(MT)记为供应节点出现第T种供应链例外的概率;T代表供应链例外的种类,取值为1、2、3;P(M丨ET)代表组内供应节点数量占比;P(fT)代表故障节点概率;
选取最大的P(MT)对应的供应链例外类型作为最优因素,分别计算供应节点与备用供应节点的最优因素,若相同,判断为供应节点的最优因素对相应的备用供应节点存在影响,标记该备用供应节点;
计算供应链例外下同时出现标记备用供应节点的数量达到系统设置数量阈值时的最大概率P1:P1=P(MT)1*P(MT)2*……*P(MT)m;其中,m代表系统设置数量阈值;P(MT)1、P(MT)2、……、P(MT)m分别代表每个供应节点取最优因素时的概率值。
在本实施例中,以如下数据为例:
以1代表生产中断、2代表物流中断、3代表信用中断;
取数据库内供应节点150组,随机分为50、40、60,分别对应1、2、3;
计算每一组的故障节点概率,P(B)、P(C)、P(D)分别为10%、13%、11%;
根据概率公式,计算:P(M1)=P(fT)*P(M丨ET)/[∑P(M丨ET)*P(fT)]=29.8%;
依次计算得出P(M2)、P(M3);分别为30.9%、39.3%;
因此选择3代表的信用中断作为最优因素,再次计算备用供应节点的最优因素,若相同,进行标记;
在本实施例中,设置m=4,则存在四个备用供应节点的概率相乘超出系统阈值时,就代表本条供应链可能会有四个供应节点同时出现供应链例外,而其对应的备用供应节点也存在无法使用的风险;例如以信用危机为例,由于备用节点与供应节点的相似度高,且最优因素相同,在原供应节点出现问题时,大概率上,备用供应节点也会出现相同问题,导致无法使用,但若同时在供应链上出现四个,则系统报警。
构建供应赤字风险模型,判断两个备用供应节点之间的关联性,输出供应链在供应链例外下的供应目标改变值Q1;
所述供应赤字风险模型包括:Q1=[k1*(S1-S11)+k2*(S2-S22)+k3*(S3-S33)+k4*(S4-S44)]*G
其中,k1、k2、k3、k4分别代表原供应节点转换为备用供应节点的物流影响系数;S1、S2、S3、S4分别代表更换为备用供应节点的物流里程;S11、S22、S33、S44分别代表原供应节点的物流里程;G代表单位里程消耗资源;
若存在更换的两个备用供应节点相邻,判断两个备用供应节点之间关联,判断两个备用供应节点之间的关联性:Q1=[k1*(S1-S11)+k5*S5+k4*(S4-S44)]*G-G0
其中,k5代表相邻两个备用供应节点之间的物流影响系数;其通过地理位置进行校准判定,例如两个备用节点之间属于直达区域,则相应系数按照历史运输数据拟合即可,若不属于直达,则进行分段拟合,最后以平均值作为相应系数;G0代表原供应节点相邻部分的物流消耗。
所述风险预警提醒包括:
系统设定风险阈值与概率阈值,在供应目标改变值Q1超出系统预设风险阈值时或最大概率P1超出系统预设概率阈值时,输出风险警告至管理员端口,提醒管理员管理备用供应节点。
在本实施例二中,提供一种基于大数据和人工智能的供应链风险控制系统,该系统包括:供应链数据调用模块、供应链例外分析模块、备用供应节点智能处理模块和风险预警模块;所述供应链数据调用模块用于获取当前供应链上的所有供应节点信息数据以及每个供应节点对应的备用供应节点信息数据;所述供应链例外分析模块用于构建每个供应节点出现供应链例外的概率模型,生成出现供应链例外的供应节点的最优因素,若最优因素对相应的备用供应节点存在影响,标记该备用供应节点,计算供应链例外下同时出现标记备用供应节点的数量达到系统设置数量阈值时的最大概率P1;所述备用供应节点智能处理模块用于构建供应赤字风险模型,判断两个备用供应节点之间的关联性,输出供应链在供应链例外下的供应目标改变值Q1;所述供应链例外包括生产中断、物流中断、信用中断;所述风险预警模块用于设定风险预警提醒,在供应目标改变值Q1超出系统预设风险阈值时或最大概率P1超出系统预设概率阈值时,输出风险警告至管理员端口,提醒管理员管理备用供应节点;
所述供应链数据调用模块的输出端与所述供应链例外分析模块的输入端相连接;所述供应链例外分析模块的输出端与所述备用供应节点智能处理模块的输入端相连接;所述备用供应节点智能处理模块的输出端与所述风险预警模块的输入端相连接。
所述供应链数据调用模块包括供应节点调用单元和备用供应节点调用单元;
所述供应节点调用单元用于获取当前供应链上的所有供应节点信息数据;所述备用供应节点调用单元用于获取每个供应节点对应的备用供应节点信息数据;所述供应节点调用单元与备用供应节点调用单元的输出端均连接至供应链例外分析模块。
所述供应链例外分析模块包括最优因素分析单元和概率输出单元;
所述最优因素分析单元用于构建每个供应节点出现供应链例外的概率模型,生成出现供应链例外的供应节点的最优因素;所述概率输出单元用于在最优因素对相应的备用供应节点存在影响,标记该备用供应节点,计算供应链例外下同时出现标记备用供应节点的数量达到系统设置数量阈值时的最大概率;
所述最优因素分析单元的输出端与所述概率输出单元的输入端相连接。
所述备用供应节点智能处理模块包括模型构建单元和关联处理单元;
所述模型构建单元用于构建供应赤字风险模型;所述关联处理单元用于判断两个备用供应节点之间的关联性,输出供应链在供应链例外下的供应目标改变值;
所述模型构建单元的输出端与所述关联处理单元的输入端相连接。
所述风险预警模块包括阈值设置单元和预警单元;
所述阈值设置单元用于设定风险预警提醒,在供应目标改变值超出系统预设风险阈值时或最大概率超出系统预设概率阈值时,输出风险警告至管理员端口;所述预警单元用于提醒管理员管理备用供应节点;
所述阈值设置单元的输出端与所述预警单元的输入端相连接。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。
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,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。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 (7)
1.一种基于大数据和人工智能的供应链风险控制方法,其特征在于:该方法包括以下步骤:
S1、获取当前供应链上的所有供应节点信息数据以及每个供应节点对应的备用供应节点信息数据;
S2、构建每个供应节点出现供应链例外的概率模型,生成出现供应链例外的供应节点的最优因素,若最优因素对相应的备用供应节点存在影响,标记该备用供应节点,计算供应链例外下同时出现标记备用供应节点的数量达到系统设置数量阈值时的最大概率P1;
S3、构建供应赤字风险模型,判断两个备用供应节点之间的关联性,输出供应链在供应链例外下的供应目标改变值Q1;所述供应链例外包括生产中断、物流中断、信用中断;
S4、设定风险预警提醒,在供应目标改变值Q1超出系统预设风险阈值时或最大概率P1超出系统预设概率阈值时,输出风险警告至管理员端口,提醒管理员管理备用供应节点;
所述每个供应节点出现供应链例外的概率模型包括:
获取供应节点的特征数据,所述特征数据包括地理位置、产能规模和经济信用程度;
调用数据库中的历史数据,选取与当前供应节点的特征数据满足相似度阈值的供应节点:
其中,x0代表当前供应节点;y0代表数据库中的任一供应节点;sim(x0、y0)代表两节点的相似度;xi代表x0的特征数据归一化值;yi代表y0的特征数据归一化值;
在数据库对任一个供应节点选取N组满足相似度阈值的供应节点,记为测试数据集合A;
对测试数据集合A中出现供应链例外的数据进行调取,分别获取出现供应链例外的类型并记录;
将测试数据集合A中的供应节点随机分为三组,每一组对应一种供应链例外的类型,在每一组中,只有出现供应链例外的类型与对应的供应链例外的类型相同的供应节点被记为故障节点,分别计算每一组的故障节点概率,记为P(B)、P(C)、P(D);
计算供应节点出现供应链例外的概率模型:P(MT)=P(fT)*P(M丨ET)/[∑P(M丨ET)*P(fT)];其中,P(MT)记为供应节点出现第T种供应链例外的概率;T代表供应链例外的种类,取值为1、2、3;P(M丨ET)代表组内供应节点数量占比;P(fT)代表故障节点概率;
选取最大的P(MT)对应的供应链例外类型作为最优因素,分别计算供应节点与备用供应节点的最优因素,若相同,判断为供应节点的最优因素对相应的备用供应节点存在影响,标记该备用供应节点;
计算供应链例外下同时出现标记备用供应节点的数量达到系统设置数量阈值时的最大概率P1:P1=P(MT)1*P(MT)2*……*P(MT)m;其中,m代表系统设置数量阈值;P(MT)1、P(MT)2、……、P(MT)m分别代表每个供应节点取最优因素时的概率值;
所述供应赤字风险模型包括:Q1=[k1*(S1-S11)+k2*(S2-S22)+k3*(S3-S33)+k4*(S4-S44)]*G
其中,k1、k2、k3、k4分别代表原供应节点转换为备用供应节点的物流影响系数;S1、S2、S3、S4分别代表更换为备用供应节点的物流里程;S11、S22、S33、S44分别代表原供应节点的物流里程;G代表单位里程消耗资源;
若存在更换的两个备用供应节点相邻,判断两个备用供应节点之间关联,判断两个备用供应节点之间的关联性:Q1=[k1*(S1-S11)+k5*S5+k4*(S4-S44)]*G-G0
其中,k5代表相邻两个备用供应节点之间的物流影响系数;S5代表两个备用供应节点之间的物流里程;G0代表原供应节点相邻部分的物流消耗。
2.根据权利要求1所述的一种基于大数据和人工智能的供应链风险控制方法,其特征在于:所述风险预警提醒包括:
系统设定风险阈值与概率阈值,在供应目标改变值Q1超出系统预设风险阈值时或最大概率P1超出系统预设概率阈值时,输出风险警告至管理员端口,提醒管理员管理备用供应节点。
3.应用权利要求1所述的一种基于大数据和人工智能的供应链风险控制方法的一种基于大数据和人工智能的供应链风险控制系统,其特征在于:该系统包括:供应链数据调用模块、供应链例外分析模块、备用供应节点智能处理模块和风险预警模块;所述供应链数据调用模块用于获取当前供应链上的所有供应节点信息数据以及每个供应节点对应的备用供应节点信息数据;所述供应链例外分析模块用于构建每个供应节点出现供应链例外的概率模型,生成出现供应链例外的供应节点的最优因素,若最优因素对相应的备用供应节点存在影响,标记该备用供应节点,计算供应链例外下同时出现标记备用供应节点的数量达到系统设置数量阈值时的最大概率P1;所述备用供应节点智能处理模块用于构建供应赤字风险模型,判断两个备用供应节点之间的关联性,输出供应链在供应链例外下的供应目标改变值Q1;所述供应链例外包括生产中断、物流中断、信用中断;所述风险预警模块用于设定风险预警提醒,在供应目标改变值Q1超出系统预设风险阈值时或最大概率P1超出系统预设概率阈值时,输出风险警告至管理员端口,提醒管理员管理备用供应节点;
所述供应链数据调用模块的输出端与所述供应链例外分析模块的输入端相连接;所述供应链例外分析模块的输出端与所述备用供应节点智能处理模块的输入端相连接;所述备用供应节点智能处理模块的输出端与所述风险预警模块的输入端相连接。
4.根据权利要求3所述的一种基于大数据和人工智能的供应链风险控制系统,其特征在于:所述供应链数据调用模块包括供应节点调用单元和备用供应节点调用单元;
所述供应节点调用单元用于获取当前供应链上的所有供应节点信息数据;所述备用供应节点调用单元用于获取每个供应节点对应的备用供应节点信息数据;所述供应节点调用单元与备用供应节点调用单元的输出端均连接至供应链例外分析模块。
5.根据权利要求3所述的一种基于大数据和人工智能的供应链风险控制系统,其特征在于:所述供应链例外分析模块包括最优因素分析单元和概率输出单元;
所述最优因素分析单元用于构建每个供应节点出现供应链例外的概率模型,生成出现供应链例外的供应节点的最优因素;所述概率输出单元用于在最优因素对相应的备用供应节点存在影响,标记该备用供应节点,计算供应链例外下同时出现标记备用供应节点的数量达到系统设置数量阈值时的最大概率;
所述最优因素分析单元的输出端与所述概率输出单元的输入端相连接。
6.根据权利要求3所述的一种基于大数据和人工智能的供应链风险控制系统,其特征在于:所述备用供应节点智能处理模块包括模型构建单元和关联处理单元;
所述模型构建单元用于构建供应赤字风险模型;所述关联处理单元用于判断两个备用供应节点之间的关联性,输出供应链在供应链例外下的供应目标改变值;
所述模型构建单元的输出端与所述关联处理单元的输入端相连接。
7.根据权利要求3所述的一种基于大数据和人工智能的供应链风险控制系统,其特征在于:所述风险预警模块包括阈值设置单元和预警单元;
所述阈值设置单元用于设定风险预警提醒,在供应目标改变值超出系统预设风险阈值时或最大概率超出系统预设概率阈值时,输出风险警告至管理员端口;所述预警单元用于提醒管理员管理备用供应节点;
所述阈值设置单元的输出端与所述预警单元的输入端相连接。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310126904.8A CN115860485B (zh) | 2023-02-17 | 2023-02-17 | 一种基于大数据和人工智能的供应链风险控制系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310126904.8A CN115860485B (zh) | 2023-02-17 | 2023-02-17 | 一种基于大数据和人工智能的供应链风险控制系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115860485A CN115860485A (zh) | 2023-03-28 |
CN115860485B true CN115860485B (zh) | 2023-05-23 |
Family
ID=85658296
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310126904.8A Active CN115860485B (zh) | 2023-02-17 | 2023-02-17 | 一种基于大数据和人工智能的供应链风险控制系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115860485B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116205570B (zh) * | 2023-04-27 | 2023-08-11 | 苏州傲林科技有限公司 | 基于事件网的供应链应急响应方法、装置和电子设备 |
CN117610897B (zh) * | 2024-01-24 | 2024-04-09 | 工品行(苏州)数字科技有限公司 | 一种基于数据分析的供应链服务管理系统及方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CH703081B1 (de) * | 2003-03-19 | 2011-11-15 | Roland Pulfer | Analyse eines Modells eines komplexen Systems. |
CN104412283B (zh) * | 2012-07-05 | 2017-12-01 | 弗莱克斯电子有限责任公司 | 用于控制供应链的方法和系统 |
US10026049B2 (en) * | 2013-05-09 | 2018-07-17 | Rockwell Automation Technologies, Inc. | Risk assessment for industrial systems using big data |
US9438648B2 (en) * | 2013-05-09 | 2016-09-06 | Rockwell Automation Technologies, Inc. | Industrial data analytics in a cloud platform |
CN109660404A (zh) * | 2019-01-11 | 2019-04-19 | 郑州轻工业学院 | 一种基于欠载的供应链网络级联失效模型构建方法 |
CN112508644A (zh) * | 2020-12-02 | 2021-03-16 | 贵州航天云网科技有限公司 | 一种基于云平台的联动供给智能协同调度系统 |
CN113052441B (zh) * | 2021-03-09 | 2021-10-08 | 中国安全生产科学研究院 | 一种应急食品供应风险分析方法 |
CN115311011A (zh) * | 2022-08-09 | 2022-11-08 | 中国标准化研究院 | 一种基于供应链销售的电子商务采购系统 |
-
2023
- 2023-02-17 CN CN202310126904.8A patent/CN115860485B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN115860485A (zh) | 2023-03-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115860485B (zh) | 一种基于大数据和人工智能的供应链风险控制系统及方法 | |
Tukamuhabwa et al. | Supply chain resilience: definition, review and theoretical foundations for further study | |
US10339484B2 (en) | System and method for performing signal processing and dynamic analysis and forecasting of risk of third parties | |
Shukla et al. | Optimizing efficiency‐robustness trade‐offs in supply chain design under uncertainty due to disruptions | |
US7213007B2 (en) | Method for forecasting using a genetic algorithm | |
Aktepe et al. | A fuzzy analytic hierarchy process model for supplier selection and a case study | |
US9721294B1 (en) | Apparatus and method for evaluating and presenting supply chain condition of an enterprise | |
Fejér-Király | Bankruptcy prediction: A survey on evolution, critiques, and solutions | |
Bali et al. | Commercial-off-the shelf vendor selection: A multi-criteria decision-making approach using intuitionistic fuzzy sets and TOPSIS | |
CN113672230A (zh) | 一种工业要素标识编码方法 | |
Shi et al. | Research on supply network resilience considering the ripple effect with collaboration | |
Zhao et al. | An integrated approach based on the decision-theoretic rough set for resilient-sustainable supplier selection and order allocation | |
Emovon et al. | Machinery/Service system scheduled replacement time determination: a combine weighted aggregated sum product assessment, additive ratio assessment and age replacement model approach | |
Abir et al. | Multi-objective optimization for sustainable closed-loop supply chain network under demand uncertainty: A genetic algorithm | |
Ocampo et al. | A sustainable manufacturing strategy from different strategic responses under uncertainty | |
Anđelković | Proactive supply chain risk management approach: The case of Serbia | |
Ebrahimnejad et al. | A model for risk evaluation in construction projects based on fuzzy MADM | |
Demirel | Network science for the supply chain: theory, methods, and empirical results | |
Shu et al. | Managing risk of supply chain disruptions | |
Indrawati et al. | Development of supply chain risks interrelationships model using interpretive structural modeling and analytical network process | |
Dong et al. | Quantitative robustness index design for supply chain networks | |
CN115907937A (zh) | 基于神经网络的供应链金融风险监控方法及系统 | |
Ozfirat | A fuzzy event tree methodology modified to select and evaluate suppliers | |
CN114493172A (zh) | 一种应急产能调配预案推演方法及系统 | |
CN114219343A (zh) | 一种基于数据分析和智能算法的零件预测方法 |
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 |