CN116562760B - 纺织化纤供应链监管方法及其系统 - Google Patents

纺织化纤供应链监管方法及其系统 Download PDF

Info

Publication number
CN116562760B
CN116562760B CN202310516251.4A CN202310516251A CN116562760B CN 116562760 B CN116562760 B CN 116562760B CN 202310516251 A CN202310516251 A CN 202310516251A CN 116562760 B CN116562760 B CN 116562760B
Authority
CN
China
Prior art keywords
time sequence
training
raw material
feature vector
vector
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
Application number
CN202310516251.4A
Other languages
English (en)
Other versions
CN116562760A (zh
Inventor
林辉
黄会准
曹苗苗
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.)
Hangzhou Junfang Technology Co ltd
Original Assignee
Hangzhou Junfang Technology 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 Hangzhou Junfang Technology Co ltd filed Critical Hangzhou Junfang Technology Co ltd
Priority to CN202310516251.4A priority Critical patent/CN116562760B/zh
Publication of CN116562760A publication Critical patent/CN116562760A/zh
Application granted granted Critical
Publication of CN116562760B publication Critical patent/CN116562760B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q10/08—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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G06F18/24155—Bayesian classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Human Resources & Organizations (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Development Economics (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • General Business, Economics & Management (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

一种纺织化纤供应链监管方法及其系统，其获取包含当天在内的过去多天的纺织化纤供应链的供应链信息，其中，所述供应链信息包括原料采购量、库存量和订单量；采用基于深度学习的人工智能技术，挖掘所述原料采购量、所述库存量和所述订单量的时序协同动态关联特征分布信息，基于此对于纺织化纤供应链的原材料供应和市场需求进行平衡评估，以对于库存量是否合理进行精准检测判断，从而实现降低库存成本，提升效益。

Description

纺织化纤供应链监管方法及其系统
技术领域
本申请涉及智能化监管技术领域，并且更具体地，涉及一种纺织化纤供应链监管方法及其系统。
背景技术
供应链是基于生产和销售关系链接的、由多个企业将产品或服务从生产到销售至客户形成的网络关系。供应链中的企业需要从上游企业处订购原料或产品等，然后销售至有需求的下游企业或客户中。由于供应链中存在信息延迟以及市场会随时发生变化的问题，企业在订购和销售时，需要保证库存产品不会滞销，降低库存成本，提升效益。
在纺织化纤行业，生产企业一般会留有一定的库存，但为了降低成本，库存往往不会太多，一般会在原材料供应和市场需求之间进行动态平衡，但供应链中存在信息延迟以及市场会随时发生变化。因此，期待一种纺织化纤供应链智能管理方法，能够基于纺织化纤供应链的历史信息来判断企业当前的库存量是否合理。
发明内容
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种纺织化纤供应链监管方法及其系统，其获取包含当天在内的过去多天的纺织化纤供应链的供应链信息，其中，所述供应链信息包括原料采购量、库存量和订单量；采用基于深度学习的人工智能技术，挖掘所述原料采购量、所述库存量和所述订单量的时序协同动态关联特征分布信息，基于此对于纺织化纤供应链的原材料供应和市场需求进行平衡评估，以对于库存量是否合理进行精准检测判断，从而实现降低库存成本，提升效益。
第一方面，提供了一种纺织化纤供应链监管方法，其包括：
获取包含当天在内的过去多天的纺织化纤供应链的供应链信息，其中，所述供应链信息包括原料采购量、库存量和订单量；
将所述包含当天在内的过去多天的纺织化纤供应链的供应链信息中的原料采购量、库存量和订单量分别按照时间维度排列为原料采购量时序输入向量、库存量时序输入向量和订单量时序输入向量；
将所述原料采购量时序输入向量、所述库存量时序输入向量和所述订单量时序输入向量分别通过多尺度邻域特征提取模块以得到原料采购量时序特征向量、库存量时序特征向量和订单量时序特征向量；
使用贝叶斯概率模型来融合所述原料采购量时序特征向量、所述库存量时序特征向量和所述订单量时序特征向量以得到后验概率特征向量；以及
将所述后验概率特征向量通过分类器以得到分类结果，所述分类结果用于表示当前的库存量是否合理。
在上述纺织化纤供应链监管方法中，所述多尺度邻域特征提取模块，包括：相互并行的第一卷积层和第二卷积层，以及，与所述第一卷积层和所述第二卷积层连接的融合层，其中，所述第一卷积层和所述第二卷积层使用具有不同尺度的一维卷积核。
在上述纺织化纤供应链监管方法中，将所述原料采购量时序输入向量、所述库存量时序输入向量和所述订单量时序输入向量分别通过多尺度邻域特征提取模块以得到原料采购量时序特征向量、库存量时序特征向量和订单量时序特征向量，包括：使用所述多尺度邻域特征提取模块的第一卷积层以如下第一卷积公式对所述原料采购量时序输入向量进行一维卷积编码以得到第一尺度采购量特征向量；其中，所述第一卷积公式为：
其中，a为第一一维卷积核在x方向上的宽度、F(a)为第一一维卷积核参数向量、G(x-a)为与第一一维卷积核函数运算的局部向量矩阵，w为第一一维卷积核的尺寸，X表示所述原料采购量时序输入向量，Cov(X)表示对所述原料采购量时序输入向量进行一维卷积编码；使用所述多尺度邻域特征提取模块的第二卷积层以如下第二卷积公式对所述原料采购量时序输入向量进行一维卷积编码以得到第二尺度采购量特征向量；其中，所述第二卷积公式为：
其中，b为第二一维卷积核在x方向上的宽度、F(b)为第二一维卷积核参数向量、G(x-b)为与第二一维卷积核函数运算的局部向量矩阵，m为第二一维卷积核的尺寸，X表示所述原料采购量时序输入向量，Cov(X)表示对所述原料采购量时序输入向量进行一维卷积编码；以及，使用所述多尺度邻域特征提取模块的融合层对所述第一尺度采购量特征向量和所述第二尺度采购量特征向量进行级联以得到所述原料采购量时序特征向量。
在上述纺织化纤供应链监管方法中，使用贝叶斯概率模型来融合所述原料采购量时序特征向量、所述库存量时序特征向量和所述订单量时序特征向量以得到后验概率特征向量，包括：使用所述贝叶斯概率模型以如下融合公式来融合所述原料采购量时序特征向量、所述库存量时序特征向量和所述订单量时序特征向量以得到后验概率特征向量；其中，所述融合公式为：
qi＝pi*ai/bi
其中，qi表示所述后验概率特征向量中各个位置的特征值、pi表示所述库存量时序特征向量中各个位置的特征值、ai表示所述订单量时序特征向量中各个位置的特征值，bi表示所述原料采购量时序特征向量中各个位置的特征值。
在上述纺织化纤供应链监管方法中，还包括对所述多尺度邻域特征提取模块和所述分类器进行训练；其中，对所述多尺度邻域特征提取模块和所述分类器进行训练，包括：获取训练数据，所述训练数据包括包含当天在内的过去多天的纺织化纤供应链的训练供应链信息，其中，所述训练供应链信息包括训练原料采购量、训练库存量和训练订单量，以及，所述当前的库存量是否合理的真实值；将所述包含当天在内的过去多天的纺织化纤供应链的训练供应链信息中的训练原料采购量、训练库存量和训练订单量分别按照时间维度排列为训练原料采购量时序输入向量、训练库存量时序输入向量和训练订单量时序输入向量；将所述训练原料采购量时序输入向量、所述训练库存量时序输入向量和所述训练订单量时序输入向量分别通过所述多尺度邻域特征提取模块以得到训练原料采购量时序特征向量、训练库存量时序特征向量和训练订单量时序特征向量；使用贝叶斯概率模型来融合所述训练原料采购量时序特征向量、所述训练库存量时序特征向量和所述训练订单量时序特征向量以得到训练后验概率特征向量；将所述训练后验概率特征向量通过所述分类器以得到分类损失函数值；以及，基于所述分类损失函数值并通过梯度下降的方向传播来对所述多尺度邻域特征提取模块和所述分类器进行训练，其中，在所述训练的每一轮迭代中，对所述分类器的权重矩阵进行权重矩阵的空间正则化约束迭代。
在上述纺织化纤供应链监管方法中，将所述训练后验概率特征向量通过所述分类器以得到分类损失函数值，包括：所述分类器以如下分类公式对所述训练后验概率特征向量进行处理以生成训练分类结果，其中，所述分类公式为：softmax{(Wn,Bn):...:(W1,B1)|X}，其中，X表示所述训练后验概率特征向量，W1至Wn为权重矩阵，B1至Bn表示偏置矩阵；以及，计算所述训练分类结果与真实值之间的交叉熵值作为所述分类损失函数值。
在上述纺织化纤供应链监管方法中，在所述训练的每一轮迭代中，以如下优化公式对所述分类器的权重矩阵进行权重矩阵的空间正则化约束迭代；其中，所述优化公式为：
其中，M是所述分类器的权重矩阵，MT是所述分类器的权重矩阵的转置矩阵，||·||F表示矩阵的Frobenius范数，Mb是偏置矩阵，表示矩阵乘法，/>表示矩阵加法，⊙表示按位置点乘，exp(·)表示矩阵的指数运算，所述矩阵的指数运算表示计算以矩阵中各个位置的特征值为幂的自然指数函数值，M'表示迭代后的所述分类器的权重矩阵。
第二方面，提供了一种纺织化纤供应链监管系统，其包括：
数据获取模块，用于获取包含当天在内的过去多天的纺织化纤供应链的供应链信息，其中，所述供应链信息包括原料采购量、库存量和订单量；
向量排列模块，用于将所述包含当天在内的过去多天的纺织化纤供应链的供应链信息中的原料采购量、库存量和订单量分别按照时间维度排列为原料采购量时序输入向量、库存量时序输入向量和订单量时序输入向量；
多尺度特征提取模块，用于将所述原料采购量时序输入向量、所述库存量时序输入向量和所述订单量时序输入向量分别通过多尺度邻域特征提取模块以得到原料采购量时序特征向量、库存量时序特征向量和订单量时序特征向量；
融合模块，用于使用贝叶斯概率模型来融合所述原料采购量时序特征向量、所述库存量时序特征向量和所述订单量时序特征向量以得到后验概率特征向量；以及
库存量结果生成模块，用于将所述后验概率特征向量通过分类器以得到分类结果，所述分类结果用于表示当前的库存量是否合理。
在上述纺织化纤供应链监管系统中，所述多尺度邻域特征提取模块，包括：相互并行的第一卷积层和第二卷积层，以及，与所述第一卷积层和所述第二卷积层连接的融合层，其中，所述第一卷积层和所述第二卷积层使用具有不同尺度的一维卷积核。
在上述纺织化纤供应链监管系统中，所述多尺度特征提取模块，包括：第一尺度采购量提取单元，用于使用所述多尺度邻域特征提取模块的第一卷积层以如下第一卷积公式对所述原料采购量时序输入向量进行一维卷积编码以得到第一尺度采购量特征向量；其中，所述第一卷积公式为：
其中，a为第一一维卷积核在x方向上的宽度、F(a)为第一一维卷积核参数向量、G(x-a)为与第一一维卷积核函数运算的局部向量矩阵，w为第一一维卷积核的尺寸，X表示所述原料采购量时序输入向量，Cov(X)表示对所述原料采购量时序输入向量进行一维卷积编码；第二尺度采购量提取单元，用于使用所述多尺度邻域特征提取模块的第二卷积层以如下第二卷积公式对所述原料采购量时序输入向量进行一维卷积编码以得到第二尺度采购量特征向量；其中，所述第二卷积公式为：
其中，b为第二一维卷积核在x方向上的宽度、F(b)为第二一维卷积核参数向量、G(x-b)为与第二一维卷积核函数运算的局部向量矩阵，m为第二一维卷积核的尺寸，X表示所述原料采购量时序输入向量，Cov(X)表示对所述原料采购量时序输入向量进行一维卷积编码；以及，采购量级联单元，用于使用所述多尺度邻域特征提取模块的融合层对所述第一尺度采购量特征向量和所述第二尺度采购量特征向量进行级联以得到所述原料采购量时序特征向量。
与现有技术相比，本申请提供的纺织化纤供应链监管方法及其系统，其获取包含当天在内的过去多天的纺织化纤供应链的供应链信息，其中，所述供应链信息包括原料采购量、库存量和订单量；采用基于深度学习的人工智能技术，挖掘所述原料采购量、所述库存量和所述订单量的时序协同动态关联特征分布信息，基于此对于纺织化纤供应链的原材料供应和市场需求进行平衡评估，以对于库存量是否合理进行精准检测判断，从而实现降低库存成本，提升效益。
附图说明
为了更清楚地说明本申请实施例的技术方案，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，下面描述中的附图仅仅是本申请的一些实施例，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。
图1为根据本申请实施例的纺织化纤供应链监管方法的场景示意图。
图2为根据本申请实施例的纺织化纤供应链监管方法的流程图。
图3为根据本申请实施例的纺织化纤供应链监管方法的架构示意图。
图4为根据本申请实施例的纺织化纤供应链监管方法中步骤160的子步骤的流程图。
图5为根据本申请实施例的纺织化纤供应链监管系统的框图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
除非另有说明，本申请实施例所使用的所有技术和科学术语与本申请的技术领域的技术人员通常理解的含义相同。本申请中所使用的术语只是为了描述具体的实施例的目的，不是旨在限制本申请的范围。
在本申请实施例记载中，需要说明的是，除非另有说明和限定，术语“连接”应做广义理解，例如，可以是电连接，也可以是两个元件内部的连通，可以是直接相连，也可以通过中间媒介间接相连，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
需要说明的是，本申请实施例所涉及的术语“第一\第二\第三”仅仅是是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二\第三”区分的对象在适当情况下可以互换，以使这里描述的本申请的实施例可以除了在这里图示或描述的那些以外的顺序实施。
如上所述，在纺织化纤行业，生产企业一般会留有一定的库存，但为了降低成本，库存往往不会太多，一般会在原材料供应和市场需求之间进行动态平衡，但供应链中存在信息延迟以及市场会随时发生变化。因此，期待一种纺织化纤供应链智能管理方法，能够基于纺织化纤供应链的历史信息来判断企业当前的库存量是否合理。
相应地，考虑到在实际进行纺织化纤供应链的库存管理过程中，为了能够使得原材料供应和市场需求之间达到动态平衡，需要基于纺织化纤供应链的历史信息来判断企业当前的库存量是否合理。因此，在本申请的技术方案中，期望基于纺织化纤供应链的原料采购量、库存量和订单量来综合进行纺织化纤供应链的原材料供应和市场需求的平衡分析，以对于库存量是否合理进行精准检测判断。但是，由于原料采购量、库存量和订单量不仅都在时间维度上有着各自的动态变化规律，而且这些数据之间还具有着时序的协同关联，以对于供需平衡分析产生影响。因此，在此过程中，难点在于如何挖掘所述原料采购量、所述库存量和所述订单量的时序协同动态关联特征分布信息，以此来对于纺织化纤供应链的原材料供应和市场需求进行平衡评估，从而对于库存量是否合理进行精准检测判断。
近年来，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。深度学习以及神经网络的发展为挖掘所述原料采购量、所述库存量和所述订单量的时序协同动态关联特征分布信息提供了新的解决思路和方案。
具体地，在本申请的技术方案中，首先，获取包含当天在内的过去多天的纺织化纤供应链的供应链信息，其中，所述供应链信息包括原料采购量、库存量和订单量。接着，考虑到由于所述原料采购量、所述库存量和所述订单量都在时间维度上有着时序动态变化特征信息，因此，为了能够充分地进行所述原料采购量、所述库存量和所述订单量的时序动态特征表达，以便于后续对于这三者的供需平衡特征进行精准表达，在本申请的技术方案中，进一步将所述包含当天在内的过去多天的纺织化纤供应链的供应链信息中的原料采购量、库存量和订单量分别按照时间维度排列为原料采购量时序输入向量、库存量时序输入向量和订单量时序输入向量，以此来分别整合所述原料采购量、所述库存量和所述订单量在时间维度上的数据时序分布信息。
然后，还考虑到由于所述原料采购量、所述库存量和所述订单量在时间维度上都具有着波动性和不确定性，使得所述原料采购量、所述库存量和所述订单量在包含当天在内的过去多天时间段内的不同时间周期跨度下呈现出不同的动态变化特性。因此，在本申请的技术方案中，为了能够刻画出更为充分地关于原料采购量、所述库存量和所述订单量的时序动态变化规律，进一步将所述原料采购量时序输入向量、所述库存量时序输入向量和所述订单量时序输入向量分别通过多尺度邻域特征提取模块中进行特征挖掘，以分别提取出所述原料采购量、所述库存量和所述订单量在不同时间跨度下的动态多尺度邻域关联特征，从而得到原料采购量时序特征向量、库存量时序特征向量和订单量时序特征向量。
进一步地，考虑到使用所述库存量时序特征向量作为先验概率，本申请的技术方案的目的是在有新的采购量和订单量变化时，更新先验概率得到后验概率。那么根据贝叶斯公式，后验概率为先验概率乘以事件概率除以证据概率，因此，在本申请的技术方案中，使用贝叶斯概率模型来融合所述原料采购量时序特征向量、所述库存量时序特征向量和所述订单量时序特征向量以得到后验概率特征向量。特别地，这里，所述库存量时序特征向量作为先验，所述原料采购量时序特征向量作为事件，且所述订单量时序特征向量作为证据，以此来利用所述贝叶斯模型来融合所述原料采购量、所述库存量和所述订单量的时序动态变化特征信息，即所述纺织化纤供应链的供需关联时序变化特征信息。
接着，进一步再将所述后验概率特征向量作为分类特征向量通过分类器以得到分类结果，所述分类结果用于表示当前的库存量是否合理。也就是说，以所述纺织化纤供应链的原材料供应和市场需求的时序协同关联特征来进行分类，以此来综合进行纺织化纤供应链的原材料供应和市场需求的平衡分析，以对于库存量是否合理进行精准检测判断。
具体地，在本申请的技术方案中，所述分类器的标签包括当前的库存量合理(第一标签)，以及，当前的库存量不合理(第二标签)，其中，所述分类器通过软最大值函数来确定所述分类特征向量属于哪个分类标签。值得注意的是，这里的所述第一标签p1和所述第二标签p2并不包含人为设定的概念，实际上在训练过程当中，计算机模型并没有“当前的库存量是否合理”这种概念，其只是有两种分类标签且输出特征在这两个分类标签下的概率，即p1和p2之和为一。因此，当前的库存量是否合理的分类结果实际上是通过分类标签转化为符合自然规律的二分类的类概率分布，实质上用到的是标签的自然概率分布的物理意义，而不是“当前的库存量是否合理”的语言文本意义。应可以理解，在本申请的技术方案中，所述分类器的分类标签为所述当前的库存量是否合理的检测评估标。因此，在得到所述分类结果后，可基于所述分类结果来对于库存量是否合理进行精准检测判断。
特别地，在本申请的技术方案中，这里，在使用贝叶斯概率模型来融合所述原料采购量时序特征向量、所述库存量时序特征向量和所述订单量时序特征向量得到所述后验概率特征向量时，由于所述后验概率特征向量基于贝叶斯概率关系融合了所述原料采购量时序特征向量、所述库存量时序特征向量和所述订单量时序特征向量各自的特征分布，尽管所述原料采购量时序特征向量、所述库存量时序特征向量和所述订单量时序特征向量级基本上都遵循时序分布，但在时序维度上各个特征值之间不能保证完全对应，因此，所述后验概率特征向量沿时序的整体特征分布的离散化程度会比较高，使得在训练过程中所述分类器的权重矩阵的收敛速度慢，从而影响模型的整体训练速度。
因此，在本申请的技术方案中，本申请的申请人在每次分类器的权重矩阵的迭代时进行权重矩阵的空间正则化约束，表示为：
M是分类器的权重矩阵，||·||F表示矩阵的Frobenius范数，Mb是偏置矩阵，例如可以初始设置为单位矩阵。
所述权重矩阵的空间正则化约束在权重矩阵与其自身转置进行空间嵌入得到的内生相关性矩阵的基础上，对权重矩阵进行基于其欧式空间的内生相关分布的L2正则化，从而与待加权特征的数值分布和按位置数值大小无关地，反映出权重空间对于特征所表达的特定模式的语义依赖程度，从而使得权重空间反应出所提取的特征的内在本质知识的传递效果，加快权重矩阵的收敛，从而提升模型的整体训练速度。这样，能够准确地对于纺织化纤供应链的原材料供应和市场需求进行平衡评估，从而对于库存量是否合理进行精准地检测判断，以降低库存成本，提升效益。
图1为根据本申请实施例的纺织化纤供应链监管方法的场景示意图。如图1所示，在该应用场景中，首先，获取包含当天在内的过去多天的纺织化纤供应链的供应链信息，其中，所述供应链信息包括原料采购量(例如，如图1中所示意的C1)、库存量(例如，如图1中所示意的C2)和订单量(例如，如图1中所示意的C3)；然后，将获取的原料采购量、库存量和订单量输入至部署有纺织化纤供应链监管算法的服务器(例如，如图1中所示意的S)中，其中所述服务器能够基于纺织化纤供应链监管算法对所述原料采购量、所述库存量和所述订单量进行处理，以生成用于表示当前的库存量是否合理的分类结果。
在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。
在本申请的一个实施例中，图2为根据本申请实施例的纺织化纤供应链监管方法的流程图。如图2所示，根据本申请实施例的纺织化纤供应链监管方法100，包括：110，获取包含当天在内的过去多天的纺织化纤供应链的供应链信息，其中，所述供应链信息包括原料采购量、库存量和订单量；120，将所述包含当天在内的过去多天的纺织化纤供应链的供应链信息中的原料采购量、库存量和订单量分别按照时间维度排列为原料采购量时序输入向量、库存量时序输入向量和订单量时序输入向量；130，将所述原料采购量时序输入向量、所述库存量时序输入向量和所述订单量时序输入向量分别通过多尺度邻域特征提取模块以得到原料采购量时序特征向量、库存量时序特征向量和订单量时序特征向量；140，使用贝叶斯概率模型来融合所述原料采购量时序特征向量、所述库存量时序特征向量和所述订单量时序特征向量以得到后验概率特征向量；以及，150，将所述后验概率特征向量通过分类器以得到分类结果，所述分类结果用于表示当前的库存量是否合理。
图3为根据本申请实施例的纺织化纤供应链监管方法的架构示意图。如图3所示，在该网络架构中，首先，获取包含当天在内的过去多天的纺织化纤供应链的供应链信息，其中，所述供应链信息包括原料采购量、库存量和订单量；然后，将所述包含当天在内的过去多天的纺织化纤供应链的供应链信息中的原料采购量、库存量和订单量分别按照时间维度排列为原料采购量时序输入向量、库存量时序输入向量和订单量时序输入向量；接着，将所述原料采购量时序输入向量、所述库存量时序输入向量和所述订单量时序输入向量分别通过多尺度邻域特征提取模块以得到原料采购量时序特征向量、库存量时序特征向量和订单量时序特征向量；然后，使用贝叶斯概率模型来融合所述原料采购量时序特征向量、所述库存量时序特征向量和所述订单量时序特征向量以得到后验概率特征向量；以及，最后，将所述后验概率特征向量通过分类器以得到分类结果，所述分类结果用于表示当前的库存量是否合理。
具体地，在步骤110中，获取包含当天在内的过去多天的纺织化纤供应链的供应链信息，其中，所述供应链信息包括原料采购量、库存量和订单量。如上所述，在纺织化纤行业，生产企业一般会留有一定的库存，但为了降低成本，库存往往不会太多，一般会在原材料供应和市场需求之间进行动态平衡，但供应链中存在信息延迟以及市场会随时发生变化。因此，期待一种纺织化纤供应链智能管理方法，能够基于纺织化纤供应链的历史信息来判断企业当前的库存量是否合理。
相应地，考虑到在实际进行纺织化纤供应链的库存管理过程中，为了能够使得原材料供应和市场需求之间达到动态平衡，需要基于纺织化纤供应链的历史信息来判断企业当前的库存量是否合理。因此，在本申请的技术方案中，期望基于纺织化纤供应链的原料采购量、库存量和订单量来综合进行纺织化纤供应链的原材料供应和市场需求的平衡分析，以对于库存量是否合理进行精准检测判断。但是，由于原料采购量、库存量和订单量不仅都在时间维度上有着各自的动态变化规律，而且这些数据之间还具有着时序的协同关联，以对于供需平衡分析产生影响。因此，在此过程中，难点在于如何挖掘所述原料采购量、所述库存量和所述订单量的时序协同动态关联特征分布信息，以此来对于纺织化纤供应链的原材料供应和市场需求进行平衡评估，从而对于库存量是否合理进行精准检测判断。
近年来，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。深度学习以及神经网络的发展为挖掘所述原料采购量、所述库存量和所述订单量的时序协同动态关联特征分布信息提供了新的解决思路和方案。
具体地，在本申请的技术方案中，首先，获取包含当天在内的过去多天的纺织化纤供应链的供应链信息，其中，所述供应链信息包括原料采购量、库存量和订单量。
具体地，在步骤120中，将所述包含当天在内的过去多天的纺织化纤供应链的供应链信息中的原料采购量、库存量和订单量分别按照时间维度排列为原料采购量时序输入向量、库存量时序输入向量和订单量时序输入向量。接着，考虑到由于所述原料采购量、所述库存量和所述订单量都在时间维度上有着时序动态变化特征信息，因此，为了能够充分地进行所述原料采购量、所述库存量和所述订单量的时序动态特征表达，以便于后续对于这三者的供需平衡特征进行精准表达，在本申请的技术方案中，进一步将所述包含当天在内的过去多天的纺织化纤供应链的供应链信息中的原料采购量、库存量和订单量分别按照时间维度排列为原料采购量时序输入向量、库存量时序输入向量和订单量时序输入向量，以此来分别整合所述原料采购量、所述库存量和所述订单量在时间维度上的数据时序分布信息。
具体地，在步骤130中，将所述原料采购量时序输入向量、所述库存量时序输入向量和所述订单量时序输入向量分别通过多尺度邻域特征提取模块以得到原料采购量时序特征向量、库存量时序特征向量和订单量时序特征向量。然后，还考虑到由于所述原料采购量、所述库存量和所述订单量在时间维度上都具有着波动性和不确定性，使得所述原料采购量、所述库存量和所述订单量在包含当天在内的过去多天时间段内的不同时间周期跨度下呈现出不同的动态变化特性。
因此，在本申请的技术方案中，为了能够刻画出更为充分地关于原料采购量、所述库存量和所述订单量的时序动态变化规律，进一步将所述原料采购量时序输入向量、所述库存量时序输入向量和所述订单量时序输入向量分别通过多尺度邻域特征提取模块中进行特征挖掘，以分别提取出所述原料采购量、所述库存量和所述订单量在不同时间跨度下的动态多尺度邻域关联特征，从而得到原料采购量时序特征向量、库存量时序特征向量和订单量时序特征向量。
所述多尺度邻域特征提取模块，包括：相互并行的第一卷积层和第二卷积层，以及，与所述第一卷积层和所述第二卷积层连接的融合层，其中，所述第一卷积层和所述第二卷积层使用具有不同尺度的一维卷积核。
在本申请的一个实施例中，将所述原料采购量时序输入向量、所述库存量时序输入向量和所述订单量时序输入向量分别通过多尺度邻域特征提取模块以得到原料采购量时序特征向量、库存量时序特征向量和订单量时序特征向量，包括：使用所述多尺度邻域特征提取模块的第一卷积层以如下第一卷积公式对所述原料采购量时序输入向量进行一维卷积编码以得到第一尺度采购量特征向量；其中，所述第一卷积公式为：
其中，a为第一一维卷积核在x方向上的宽度、F(a)为第一一维卷积核参数向量、G(x-a)为与第一一维卷积核函数运算的局部向量矩阵，w为第一一维卷积核的尺寸，X表示所述原料采购量时序输入向量，Cov(X)表示对所述原料采购量时序输入向量进行一维卷积编码；使用所述多尺度邻域特征提取模块的第二卷积层以如下第二卷积公式对所述原料采购量时序输入向量进行一维卷积编码以得到第二尺度采购量特征向量；其中，所述第二卷积公式为：
其中，b为第二一维卷积核在x方向上的宽度、F(b)为第二一维卷积核参数向量、G(x-b)为与第二一维卷积核函数运算的局部向量矩阵，m为第二一维卷积核的尺寸，X表示所述原料采购量时序输入向量，Cov(X)表示对所述原料采购量时序输入向量进行一维卷积编码；以及，使用所述多尺度邻域特征提取模块的融合层对所述第一尺度采购量特征向量和所述第二尺度采购量特征向量进行级联以得到所述原料采购量时序特征向量。
进一步地，还包括：使用所述多尺度邻域特征提取模块的第一卷积层以如下第三卷积公式对所述库存量时序输入向量进行一维卷积编码以得到第一尺度库存量特征向量；其中，所述第三卷积公式为：
其中，c为第三一维卷积核在x方向上的宽度、F(c)为第三一维卷积核参数向量、G(x-c)为与第三一维卷积核函数运算的局部向量矩阵，n为第三一维卷积核的尺寸，Y表示所述库存量时序输入向量，Cov(Y)表示对所述库存量时序输入向量进行一维卷积编码；使用所述多尺度邻域特征提取模块的第二卷积层以如下第四卷积公式对所述库存量时序输入向量进行一维卷积编码以得到第二尺度库存量特征向量；其中，所述第四卷积公式为：
其中，d为第四一维卷积核在x方向上的宽度、F(d)为第四一维卷积核参数向量、G(x-d)为与第四一维卷积核函数运算的局部向量矩阵，g为第四一维卷积核的尺寸，Y表示所述库存量时序输入向量，Cov(Y)表示对所述库存量时序输入向量进行一维卷积编码；以及，使用所述多尺度邻域特征提取模块的融合层对所述第一尺度库存量特征向量和所述第二尺度库存量特征向量进行级联以得到所述库存量时序特征向量。
更进一步地，还包括：使用所述多尺度邻域特征提取模块的第一卷积层以如下第五卷积公式对所述订单量时序输入向量进行一维卷积编码以得到第一尺度订单量特征向量；其中，所述第五卷积公式为：
其中，e为第五一维卷积核在x方向上的宽度、F(e)为第五一维卷积核参数向量、G(x-e)为与第五一维卷积核函数运算的局部向量矩阵，h为第五一维卷积核的尺寸，P表示所述订单量时序输入向量，Cov(P)表示对所述订单量时序输入向量进行一维卷积编码；使用所述多尺度邻域特征提取模块的第二卷积层以如下第六卷积公式对所述订单量时序输入向量进行一维卷积编码以得到第二尺度订单量特征向量；其中，所述第六卷积公式为：
其中，f为第六一维卷积核在x方向上的宽度、F(f)为第六一维卷积核参数向量、G(x-f)为与第六一维卷积核函数运算的局部向量矩阵，k为第六一维卷积核的尺寸，P表示所述订单量时序输入向量，Cov(P)表示对所述订单量时序输入向量进行一维卷积编码；以及，使用所述多尺度邻域特征提取模块的融合层对所述第一尺度订单量特征向量和所述第二尺度订单量特征向量进行级联以得到所述订单量时序特征向量。
值得一提的是，相较于传统的特征工程，所述多尺度邻域特征提取模块本质上是一个基于深度学习的深度神经网络模型，其能够通过预定训练策略来拟合任何函数功能，且具有更高的特征提取泛化能力。
所述多尺度邻域特征提取模块包含多个并行的一维卷积层，其中，在所述多尺度邻域特征提取模块进行特征提取的过程中，所述多个并行的一维卷积层分别以具有不同尺度的一维卷积核对输入数据进行一维卷积编码以捕捉序列局部隐含特征。
具体地，在步骤140中，使用贝叶斯概率模型来融合所述原料采购量时序特征向量、所述库存量时序特征向量和所述订单量时序特征向量以得到后验概率特征向量。进一步地，考虑到使用所述库存量时序特征向量作为先验概率，本申请的技术方案的目的是在有新的采购量和订单量变化时，更新先验概率得到后验概率。
那么根据贝叶斯公式，后验概率为先验概率乘以事件概率除以证据概率，因此，在本申请的技术方案中，使用贝叶斯概率模型来融合所述原料采购量时序特征向量、所述库存量时序特征向量和所述订单量时序特征向量以得到后验概率特征向量。特别地，这里，所述库存量时序特征向量作为先验，所述原料采购量时序特征向量作为事件，且所述订单量时序特征向量作为证据，以此来利用所述贝叶斯模型来融合所述原料采购量、所述库存量和所述订单量的时序动态变化特征信息，即所述纺织化纤供应链的供需关联时序变化特征信息。
其中，使用贝叶斯概率模型来融合所述原料采购量时序特征向量、所述库存量时序特征向量和所述订单量时序特征向量以得到后验概率特征向量，包括：使用所述贝叶斯概率模型以如下融合公式来融合所述原料采购量时序特征向量、所述库存量时序特征向量和所述订单量时序特征向量以得到后验概率特征向量；其中，所述融合公式为：
qi＝pi*ai/bi
其中，qi表示所述后验概率特征向量中各个位置的特征值、pi表示所述库存量时序特征向量中各个位置的特征值、ai表示所述订单量时序特征向量中各个位置的特征值，bi表示所述原料采购量时序特征向量中各个位置的特征值。
贝叶斯网络(bayesian network)是一种概率图形模型，它在图形模型中显式捕获已知的有向边的条件依赖性，它通过有向无环图(DAG)表示一组变量及其条件依赖关系。贝叶斯网络经常用来回答关于它们的概率查询，当有其他变量时，网络可用于更新变量子集状态的知识。这种计算后验分布的过程称为概率推理。当选择变量子集的值时，可以最小化某些期望损失函数，例如决策错误的概率。所以贝叶斯网络可以被认为是一种自动应用贝叶斯定理的机制复杂的问题。贝叶斯网络的模型有分为几种形态：直连，表示有向图的方向成直线状，并指向同一方向，表示为：G→S→R；汇连，两个独立的节点指向同一个节点，表示为：G→S→R；分连，一个节点分别指向两个不同的节点，表示为：G←S→R。
具体地，在步骤150中，将所述后验概率特征向量通过分类器以得到分类结果，所述分类结果用于表示当前的库存量是否合理。接着，进一步再将所述后验概率特征向量作为分类特征向量通过分类器以得到分类结果，所述分类结果用于表示当前的库存量是否合理。也就是说，以所述纺织化纤供应链的原材料供应和市场需求的时序协同关联特征来进行分类，以此来综合进行纺织化纤供应链的原材料供应和市场需求的平衡分析，以对于库存量是否合理进行精准检测判断。
具体地，在本申请的技术方案中，所述分类器的标签包括当前的库存量合理(第一标签)，以及，当前的库存量不合理(第二标签)，其中，所述分类器通过软最大值函数来确定所述分类特征向量属于哪个分类标签。值得注意的是，这里的所述第一标签p1和所述第二标签p2并不包含人为设定的概念，实际上在训练过程当中，计算机模型并没有“当前的库存量是否合理”这种概念，其只是有两种分类标签且输出特征在这两个分类标签下的概率，即p1和p2之和为一。
因此，当前的库存量是否合理的分类结果实际上是通过分类标签转化为符合自然规律的二分类的类概率分布，实质上用到的是标签的自然概率分布的物理意义，而不是“当前的库存量是否合理”的语言文本意义。应可以理解，在本申请的技术方案中，所述分类器的分类标签为所述当前的库存量是否合理的检测评估标。因此，在得到所述分类结果后，可基于所述分类结果来对于库存量是否合理进行精准检测判断。
将所述后验概率特征向量通过分类器以得到分类结果，所述分类结果用于表示当前的库存量是否合理，包括：使用所述分类器的多个全连接层对所述后验概率特征向量进行全连接编码以得到编码分类特征向量；以及，将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
进一步地，所述纺织化纤供应链监管方法，还包括对所述多尺度邻域特征提取模块和所述分类器进行训练；图4为根据本申请实施例的纺织化纤供应链监管方法中步骤160的子步骤的流程图，如图4所示，其中，对所述多尺度邻域特征提取模块和所述分类器进行训练160，包括：161，获取训练数据，所述训练数据包括包含当天在内的过去多天的纺织化纤供应链的训练供应链信息，其中，所述训练供应链信息包括训练原料采购量、训练库存量和训练订单量，以及，所述当前的库存量是否合理的真实值；162，将所述包含当天在内的过去多天的纺织化纤供应链的训练供应链信息中的训练原料采购量、训练库存量和训练订单量分别按照时间维度排列为训练原料采购量时序输入向量、训练库存量时序输入向量和训练订单量时序输入向量；163，将所述训练原料采购量时序输入向量、所述训练库存量时序输入向量和所述训练订单量时序输入向量分别通过所述多尺度邻域特征提取模块以得到训练原料采购量时序特征向量、训练库存量时序特征向量和训练订单量时序特征向量；164，使用贝叶斯概率模型来融合所述训练原料采购量时序特征向量、所述训练库存量时序特征向量和所述训练订单量时序特征向量以得到训练后验概率特征向量；165，将所述训练后验概率特征向量通过所述分类器以得到分类损失函数值；以及，166，基于所述分类损失函数值并通过梯度下降的方向传播来对所述多尺度邻域特征提取模块和所述分类器进行训练，其中，在所述训练的每一轮迭代中，对所述分类器的权重矩阵进行权重矩阵的空间正则化约束迭代。
其中，将所述训练后验概率特征向量通过所述分类器以得到分类损失函数值，包括：所述分类器以如下分类公式对所述训练后验概率特征向量进行处理以生成训练分类结果，其中，所述分类公式为：softmax{(Wn,Bn):...:(W1,B1)|X}，其中，X表示所述训练后验概率特征向量，W1至Wn为权重矩阵，B1至Bn表示偏置矩阵；以及，计算所述训练分类结果与真实值之间的交叉熵值作为所述分类损失函数值。
特别地，在本申请的技术方案中，这里，在使用贝叶斯概率模型来融合所述原料采购量时序特征向量、所述库存量时序特征向量和所述订单量时序特征向量得到所述后验概率特征向量时，由于所述后验概率特征向量基于贝叶斯概率关系融合了所述原料采购量时序特征向量、所述库存量时序特征向量和所述订单量时序特征向量各自的特征分布，尽管所述原料采购量时序特征向量、所述库存量时序特征向量和所述订单量时序特征向量级基本上都遵循时序分布，但在时序维度上各个特征值之间不能保证完全对应，因此，所述后验概率特征向量沿时序的整体特征分布的离散化程度会比较高，使得在训练过程中所述分类器的权重矩阵的收敛速度慢，从而影响模型的整体训练速度。
因此，在本申请的技术方案中，本申请的申请人在每次分类器的权重矩阵的迭代时进行权重矩阵的空间正则化约束，表示为：以如下优化公式对所述分类器的权重矩阵进行权重矩阵的空间正则化约束迭代；其中，所述优化公式为：
其中，M是所述分类器的权重矩阵，MT是所述分类器的权重矩阵的转置矩阵，||·||F表示矩阵的Frobenius范数，Mb是偏置矩阵，表示矩阵乘法，/>表示矩阵加法，⊙表示按位置点乘，exp(·)表示矩阵的指数运算，所述矩阵的指数运算表示计算以矩阵中各个位置的特征值为幂的自然指数函数值，M'表示迭代后的所述分类器的权重矩阵。
所述权重矩阵的空间正则化约束在权重矩阵与其自身转置进行空间嵌入得到的内生相关性矩阵的基础上，对权重矩阵进行基于其欧式空间的内生相关分布的L2正则化，从而与待加权特征的数值分布和按位置数值大小无关地，反映出权重空间对于特征所表达的特定模式的语义依赖程度，从而使得权重空间反应出所提取的特征的内在本质知识的传递效果，加快权重矩阵的收敛，从而提升模型的整体训练速度。这样，能够准确地对于纺织化纤供应链的原材料供应和市场需求进行平衡评估，从而对于库存量是否合理进行精准地检测判断，以降低库存成本，提升效益。
综上，基于本申请实施例的纺织化纤供应链监管方法100被阐明，其获取包含当天在内的过去多天的纺织化纤供应链的供应链信息，其中，所述供应链信息包括原料采购量、库存量和订单量；采用基于深度学习的人工智能技术，挖掘所述原料采购量、所述库存量和所述订单量的时序协同动态关联特征分布信息，基于此对于纺织化纤供应链的原材料供应和市场需求进行平衡评估，以对于库存量是否合理进行精准检测判断，从而实现降低库存成本，提升效益。
在本申请的一个实施例中，图5为根据本申请实施例的纺织化纤供应链监管系统的框图。如图5所示，根据本申请实施例的纺织化纤供应链监管系统200，包括：数据获取模块210，用于获取包含当天在内的过去多天的纺织化纤供应链的供应链信息，其中，所述供应链信息包括原料采购量、库存量和订单量；向量排列模块220，用于将所述包含当天在内的过去多天的纺织化纤供应链的供应链信息中的原料采购量、库存量和订单量分别按照时间维度排列为原料采购量时序输入向量、库存量时序输入向量和订单量时序输入向量；多尺度特征提取模块230，用于将所述原料采购量时序输入向量、所述库存量时序输入向量和所述订单量时序输入向量分别通过多尺度邻域特征提取模块以得到原料采购量时序特征向量、库存量时序特征向量和订单量时序特征向量；融合模块240，用于使用贝叶斯概率模型来融合所述原料采购量时序特征向量、所述库存量时序特征向量和所述订单量时序特征向量以得到后验概率特征向量；以及。库存量结果生成模块250，用于将所述后验概率特征向量通过分类器以得到分类结果，所述分类结果用于表示当前的库存量是否合理。
在一个具体示例中，在上述纺织化纤供应链监管系统中，所述多尺度邻域特征提取模块，包括：相互并行的第一卷积层和第二卷积层，以及，与所述第一卷积层和所述第二卷积层连接的融合层，其中，所述第一卷积层和所述第二卷积层使用具有不同尺度的一维卷积核。
在一个具体示例中，在上述纺织化纤供应链监管系统中，所述多尺度特征提取模块，包括：第一尺度采购量提取单元，用于使用所述多尺度邻域特征提取模块的第一卷积层以如下第一卷积公式对所述原料采购量时序输入向量进行一维卷积编码以得到第一尺度采购量特征向量；其中，所述第一卷积公式为：
/>
其中，a为第一一维卷积核在x方向上的宽度、F(a)为第一一维卷积核参数向量、G(x-a)为与第一一维卷积核函数运算的局部向量矩阵，w为第一一维卷积核的尺寸，X表示所述原料采购量时序输入向量，Cov(X)表示对所述原料采购量时序输入向量进行一维卷积编码；第二尺度采购量提取单元，用于使用所述多尺度邻域特征提取模块的第二卷积层以如下第二卷积公式对所述原料采购量时序输入向量进行一维卷积编码以得到第二尺度采购量特征向量；其中，所述第二卷积公式为：
其中，b为第二一维卷积核在x方向上的宽度、F(b)为第二一维卷积核参数向量、G(x-b)为与第二一维卷积核函数运算的局部向量矩阵，m为第二一维卷积核的尺寸，X表示所述原料采购量时序输入向量，Cov(X)表示对所述原料采购量时序输入向量进行一维卷积编码；以及，采购量级联单元，用于使用所述多尺度邻域特征提取模块的融合层对所述第一尺度采购量特征向量和所述第二尺度采购量特征向量进行级联以得到所述原料采购量时序特征向量。
在一个具体示例中，在上述纺织化纤供应链监管系统中，所述融合模块，用于：使用所述贝叶斯概率模型以如下融合公式来融合所述原料采购量时序特征向量、所述库存量时序特征向量和所述订单量时序特征向量以得到后验概率特征向量；其中，所述融合公式为：
qi＝pi*ai/bi
其中，qi表示所述后验概率特征向量中各个位置的特征值、pi表示所述库存量时序特征向量中各个位置的特征值、ai表示所述订单量时序特征向量中各个位置的特征值，bi表示所述原料采购量时序特征向量中各个位置的特征值。
在一个具体示例中，在上述纺织化纤供应链监管系统中，还包括对所述多尺度邻域特征提取模块和所述分类器进行训练的训练模块；其中，所述训练模块，包括：训练数据获取单元，用于获取训练数据，所述训练数据包括包含当天在内的过去多天的纺织化纤供应链的训练供应链信息，其中，所述训练供应链信息包括训练原料采购量、训练库存量和训练订单量，以及，所述当前的库存量是否合理的真实值；训练向量排列单元，用于将所述包含当天在内的过去多天的纺织化纤供应链的训练供应链信息中的训练原料采购量、训练库存量和训练订单量分别按照时间维度排列为训练原料采购量时序输入向量、训练库存量时序输入向量和训练订单量时序输入向量；训练多尺度特征提取单元，用于将所述训练原料采购量时序输入向量、所述训练库存量时序输入向量和所述训练订单量时序输入向量分别通过所述多尺度邻域特征提取模块以得到训练原料采购量时序特征向量、训练库存量时序特征向量和训练订单量时序特征向量；训练融合单元，用于使用贝叶斯概率模型来融合所述训练原料采购量时序特征向量、所述训练库存量时序特征向量和所述训练订单量时序特征向量以得到训练后验概率特征向量；分类损失函数值计算单元，用于将所述训练后验概率特征向量通过所述分类器以得到分类损失函数值；以及，迭代单元，用于基于所述分类损失函数值并通过梯度下降的方向传播来对所述多尺度邻域特征提取模块和所述分类器进行训练，其中，在所述训练的每一轮迭代中，对所述分类器的权重矩阵进行权重矩阵的空间正则化约束迭代。
在一个具体示例中，在上述纺织化纤供应链监管系统中，所述分类损失函数值计算单元，包括：分类结果子单元，用于所述分类器以如下分类公式对所述训练后验概率特征向量进行处理以生成训练分类结果，其中，所述分类公式为：
softmax{(Wn,Bn):...:(W1,B1)|X}，其中，X表示所述训练后验概率特征向量，W1至Wn为权重矩阵，B1至Bn表示偏置矩阵；以及，计算子单元，用于计算所述训练分类结果与真实值之间的交叉熵值作为所述分类损失函数值。
在一个具体示例中，在上述纺织化纤供应链监管系统中，所述迭代单元，用于：以如下优化公式对所述分类器的权重矩阵进行权重矩阵的空间正则化约束迭代；其中，所述优化公式为：
其中，M是所述分类器的权重矩阵，MT是所述分类器的权重矩阵的转置矩阵，||·||F表示矩阵的Frobenius范数，Mb是偏置矩阵，表示矩阵乘法，/>表示矩阵加法，⊙表示按位置点乘，exp(·)表示矩阵的指数运算，所述矩阵的指数运算表示计算以矩阵中各个位置的特征值为幂的自然指数函数值，M'表示迭代后的所述分类器的权重矩阵。
这里，本领域技术人员可以理解，上述纺织化纤供应链监管系统中的各个单元和模块的具体功能和操作已经在上面参考图1到图4的纺织化纤供应链监管方法的描述中得到了详细介绍，并因此，将省略其重复描述。
如上所述，根据本申请实施例的纺织化纤供应链监管系统200可以实现在各种终端设备中，例如用于纺织化纤供应链监管的服务器等。在一个示例中，根据本申请实施例的纺织化纤供应链监管系统200可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该纺织化纤供应链监管系统200可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该纺织化纤供应链监管系统200同样可以是该终端设备的众多硬件模块之一。
替换地，在另一示例中，该纺织化纤供应链监管系统200与该终端设备也可以是分立的设备，并且纺织化纤供应链监管系统200可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
本申请还提供了一种计算机程序产品，所述计算机程序产品包括指令，当所述指令被执行时，以使得装置执行对应于上述方法中的操作。
在本申请的一个实施例中，还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有执行上述所述方法的计算机程序。
应可以理解，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请实施例的方法、系统、和计算机程序产品的流程图和/或框图来描述的。应理解可由计算机程序指令实现流程图和/或框图中的每一流程和/或方框、以及流程图和/或框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或框图一个方框或多个方框中指定的功能的步骤。
以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
最后，还需要说明的是，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、物品或者终端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、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。

Claims (3)

1.一种纺织化纤供应链监管方法，其特征在于，包括：
获取包含当天在内的过去多天的纺织化纤供应链的供应链信息，其中，所述供应链信息包括原料采购量、库存量和订单量；
将所述包含当天在内的过去多天的纺织化纤供应链的供应链信息中的原料采购量、库存量和订单量分别按照时间维度排列为原料采购量时序输入向量、库存量时序输入向量和订单量时序输入向量；
将所述原料采购量时序输入向量、所述库存量时序输入向量和所述订单量时序输入向量分别通过多尺度邻域特征提取模块以得到原料采购量时序特征向量、库存量时序特征向量和订单量时序特征向量；
使用贝叶斯概率模型来融合所述原料采购量时序特征向量、所述库存量时序特征向量和所述订单量时序特征向量以得到后验概率特征向量；以及
将所述后验概率特征向量通过分类器以得到分类结果，所述分类结果用于表示当前的库存量是否合理；
其中，所述多尺度邻域特征提取模块，包括：相互并行的第一卷积层和第二卷积层，以及，与所述第一卷积层和所述第二卷积层连接的融合层，其中，所述第一卷积层和所述第二卷积层使用具有不同尺度的一维卷积核；
其中，将所述原料采购量时序输入向量、所述库存量时序输入向量和所述订单量时序输入向量分别通过多尺度邻域特征提取模块以得到原料采购量时序特征向量、库存量时序特征向量和订单量时序特征向量，包括：
使用所述多尺度邻域特征提取模块的第一卷积层以如下第一卷积公式对所述原料采购量时序输入向量进行一维卷积编码以得到第一尺度采购量特征向量；
其中，所述第一卷积公式为：
其中，a为第一一维卷积核在x方向上的宽度、F(a)为第一一维卷积核参数向量、G(x-a)为与第一一维卷积核函数运算的局部向量矩阵，w为第一一维卷积核的尺寸，X表示所述原料采购量时序输入向量，Cov(X)表示对所述原料采购量时序输入向量进行一维卷积编码；
使用所述多尺度邻域特征提取模块的第二卷积层以如下第二卷积公式对所述原料采购量时序输入向量进行一维卷积编码以得到第二尺度采购量特征向量；
其中，所述第二卷积公式为：
其中，b为第二一维卷积核在x方向上的宽度、F(b)为第二一维卷积核参数向量、G(x-b)为与第二一维卷积核函数运算的局部向量矩阵，m为第二一维卷积核的尺寸，X表示所述原料采购量时序输入向量，Cov(X)表示对所述原料采购量时序输入向量进行一维卷积编码；以及
使用所述多尺度邻域特征提取模块的融合层对所述第一尺度采购量特征向量和所述第二尺度采购量特征向量进行级联以得到所述原料采购量时序特征向量；
其中，还包括对所述多尺度邻域特征提取模块和所述分类器进行训练；
其中，对所述多尺度邻域特征提取模块和所述分类器进行训练，包括：
获取训练数据，所述训练数据包括包含当天在内的过去多天的纺织化纤供应链的训练供应链信息，其中，所述训练供应链信息包括训练原料采购量、训练库存量和训练订单量，以及，所述当前的库存量是否合理的真实值；
将所述包含当天在内的过去多天的纺织化纤供应链的训练供应链信息中的训练原料采购量、训练库存量和训练订单量分别按照时间维度排列为训练原料采购量时序输入向量、训练库存量时序输入向量和训练订单量时序输入向量；
将所述训练原料采购量时序输入向量、所述训练库存量时序输入向量和所述训练订单量时序输入向量分别通过所述多尺度邻域特征提取模块以得到训练原料采购量时序特征向量、训练库存量时序特征向量和训练订单量时序特征向量；
使用贝叶斯概率模型来融合所述训练原料采购量时序特征向量、所述训练库存量时序特征向量和所述训练订单量时序特征向量以得到训练后验概率特征向量；
将所述训练后验概率特征向量通过所述分类器以得到分类损失函数值；以及
基于所述分类损失函数值并通过梯度下降的方向传播来对所述多尺度邻域特征提取模块和所述分类器进行训练，其中，在所述训练的每一轮迭代中，对所述分类器的权重矩阵进行权重矩阵的空间正则化约束迭代；
其中，将所述训练后验概率特征向量通过所述分类器以得到分类损失函数值，包括：
所述分类器以如下分类公式对所述训练后验概率特征向量进行处理以生成训练分类结果，其中，所述分类公式为：softmax{(Wn,Bn):…:(W1,B1)|X}，其中，X表示所述训练后验概率特征向量，W1至Wn为权重矩阵，B1至Bn表示偏置矩阵；以及
计算所述训练分类结果与真实值之间的交叉熵值作为所述分类损失函数值；
其中，在所述训练的每一轮迭代中，以如下优化公式对所述分类器的权重矩阵进行权重矩阵的空间正则化约束迭代；
其中，所述优化公式为：
其中，M是所述分类器的权重矩阵，MT是所述分类器的权重矩阵的转置矩阵，‖·‖F表示矩阵的Frobenius范数，Mb是偏置矩阵，表示矩阵乘法，/>表示矩阵加法，⊙表示按位置点乘，exp(·)表示矩阵的指数运算，所述矩阵的指数运算表示计算以矩阵中各个位置的特征值为幂的自然指数函数值，M′表示迭代后的所述分类器的权重矩阵。
2.根据权利要求1所述的纺织化纤供应链监管方法，其特征在于，使用贝叶斯概率模型来融合所述原料采购量时序特征向量、所述库存量时序特征向量和所述订单量时序特征向量以得到后验概率特征向量，包括：使用所述贝叶斯概率模型以如下融合公式来融合所述原料采购量时序特征向量、所述库存量时序特征向量和所述订单量时序特征向量以得到后验概率特征向量；
其中，所述融合公式为：
qi＝pi*ai/bi
其中，qi表示所述后验概率特征向量中各个位置的特征值、pi表示所述库存量时序特征向量中各个位置的特征值、ai表示所述订单量时序特征向量中各个位置的特征值，bi表示所述原料采购量时序特征向量中各个位置的特征值。
3.一种纺织化纤供应链监管系统，其特征在于，包括：
数据获取模块，用于获取包含当天在内的过去多天的纺织化纤供应链的供应链信息，其中，所述供应链信息包括原料采购量、库存量和订单量；
向量排列模块，用于将所述包含当天在内的过去多天的纺织化纤供应链的供应链信息中的原料采购量、库存量和订单量分别按照时间维度排列为原料采购量时序输入向量、库存量时序输入向量和订单量时序输入向量；
多尺度特征提取模块，用于将所述原料采购量时序输入向量、所述库存量时序输入向量和所述订单量时序输入向量分别通过多尺度邻域特征提取模块以得到原料采购量时序特征向量、库存量时序特征向量和订单量时序特征向量；
融合模块，用于使用贝叶斯概率模型来融合所述原料采购量时序特征向量、所述库存量时序特征向量和所述订单量时序特征向量以得到后验概率特征向量；以及
库存量结果生成模块，用于将所述后验概率特征向量通过分类器以得到分类结果，所述分类结果用于表示当前的库存量是否合理；
其中，所述多尺度邻域特征提取模块，包括：相互并行的第一卷积层和第二卷积层，以及，与所述第一卷积层和所述第二卷积层连接的融合层，其中，所述第一卷积层和所述第二卷积层使用具有不同尺度的一维卷积核；
其中，所述多尺度特征提取模块，包括：
第一尺度采购量提取单元，用于使用所述多尺度邻域特征提取模块的第一卷积层以如下第一卷积公式对所述原料采购量时序输入向量进行一维卷积编码以得到第一尺度采购量特征向量；
其中，所述第一卷积公式为：
其中，a为第一一维卷积核在x方向上的宽度、F(a)为第一一维卷积核参数向量、G(x-a)为与第一一维卷积核函数运算的局部向量矩阵，w为第一一维卷积核的尺寸，X表示所述原料采购量时序输入向量，Cov(X)表示对所述原料采购量时序输入向量进行一维卷积编码；
第二尺度采购量提取单元，用于使用所述多尺度邻域特征提取模块的第二卷积层以如下第二卷积公式对所述原料采购量时序输入向量进行一维卷积编码以得到第二尺度采购量特征向量；
其中，所述第二卷积公式为：
其中，b为第二一维卷积核在x方向上的宽度、F(b)为第二一维卷积核参数向量、G(x-b)为与第二一维卷积核函数运算的局部向量矩阵，m为第二一维卷积核的尺寸，X表示所述原料采购量时序输入向量，Cov(X)表示对所述原料采购量时序输入向量进行一维卷积编码；以及
采购量级联单元，用于使用所述多尺度邻域特征提取模块的融合层对所述第一尺度采购量特征向量和所述第二尺度采购量特征向量进行级联以得到所述原料采购量时序特征向量；
其中，所述纺织化纤供应链监管系统还包括对所述多尺度邻域特征提取模块和所述分类器进行训练的训练模块；其中，所述训练模块，包括：训练数据获取单元，用于获取训练数据，所述训练数据包括包含当天在内的过去多天的纺织化纤供应链的训练供应链信息，其中，所述训练供应链信息包括训练原料采购量、训练库存量和训练订单量，以及，所述当前的库存量是否合理的真实值；训练向量排列单元，用于将所述包含当天在内的过去多天的纺织化纤供应链的训练供应链信息中的训练原料采购量、训练库存量和训练订单量分别按照时间维度排列为训练原料采购量时序输入向量、训练库存量时序输入向量和训练订单量时序输入向量；训练多尺度特征提取单元，用于将所述训练原料采购量时序输入向量、所述训练库存量时序输入向量和所述训练订单量时序输入向量分别通过所述多尺度邻域特征提取模块以得到训练原料采购量时序特征向量、训练库存量时序特征向量和训练订单量时序特征向量；训练融合单元，用于使用贝叶斯概率模型来融合所述训练原料采购量时序特征向量、所述训练库存量时序特征向量和所述训练订单量时序特征向量以得到训练后验概率特征向量；分类损失函数值计算单元，用于将所述训练后验概率特征向量通过所述分类器以得到分类损失函数值；以及，迭代单元，用于基于所述分类损失函数值并通过梯度下降的方向传播来对所述多尺度邻域特征提取模块和所述分类器进行训练，其中，在所述训练的每一轮迭代中，对所述分类器的权重矩阵进行权重矩阵的空间正则化约束迭代；
其中，所述分类损失函数值计算单元，包括：分类结果子单元，用于所述分类器以如下分类公式对所述训练后验概率特征向量进行处理以生成训练分类结果，其中，所述分类公式为：
softmax{(Wn,Bn):…:(W1,B1)|X}，其中，X表示所述训练后验概率特征向量，W1至Wn为权重矩阵，B1至Bn表示偏置矩阵；以及，计算子单元，用于计算所述训练分类结果与真实值之间的交叉熵值作为所述分类损失函数值；
其中，所述迭代单元，用于：以如下优化公式对所述分类器的权重矩阵进行权重矩阵的空间正则化约束迭代；其中，所述优化公式为：
其中，M是所述分类器的权重矩阵，MT是所述分类器的权重矩阵的转置矩阵，‖·‖F表示矩阵的Frobenius范数，Mb是偏置矩阵，表示矩阵乘法，/>表示矩阵加法，⊙表示按位置点乘，exp(·)表示矩阵的指数运算，所述矩阵的指数运算表示计算以矩阵中各个位置的特征值为幂的自然指数函数值，M′表示迭代后的所述分类器的权重矩阵。
CN202310516251.4A 2023-05-09 2023-05-09 纺织化纤供应链监管方法及其系统 Active CN116562760B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310516251.4A CN116562760B (zh) 2023-05-09 2023-05-09 纺织化纤供应链监管方法及其系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310516251.4A CN116562760B (zh) 2023-05-09 2023-05-09 纺织化纤供应链监管方法及其系统

Publications (2)

Publication Number Publication Date
CN116562760A CN116562760A (zh) 2023-08-08
CN116562760B true CN116562760B (zh) 2024-04-26

Family

ID=87499497

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310516251.4A Active CN116562760B (zh) 2023-05-09 2023-05-09 纺织化纤供应链监管方法及其系统

Country Status (1)

Country Link
CN (1) CN116562760B (zh)

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109784806A (zh) * 2018-12-27 2019-05-21 北京航天智造科技发展有限公司 供应链控制方法、系统以及存储介质
WO2020140386A1 (zh) * 2019-01-02 2020-07-09 平安科技（深圳）有限公司 基于TextCNN知识抽取方法、装置、计算机设备及存储介质
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
CN115309215A (zh) * 2022-08-05 2022-11-08 福建龙氟化工有限公司 氟化铵制备用的自动配料控制系统及其控制方法
CN115545520A (zh) * 2022-10-20 2022-12-30 山东滨津纺织科技有限公司 陶瓷纤维无纺防火布智能化制备方法及其系统
CN115661090A (zh) * 2022-11-01 2023-01-31 安徽万方织染有限公司 纺织面料的智能化加工工艺及其系统
WO2023056889A1 (zh) * 2021-10-09 2023-04-13 百果园技术(新加坡)有限公司 模型训练和场景识别方法、装置、设备及介质
CN116015837A (zh) * 2022-12-22 2023-04-25 南阳理工学院 用于计算机网络信息安全的入侵检测方法及系统
CN116052050A (zh) * 2023-02-03 2023-05-02 深圳市橙洁士日用化工科技有限公司 洗涤剂智能化生产系统及其方法
CN116046810A (zh) * 2023-04-03 2023-05-02 云南通衢工程检测有限公司 基于rpc盖板破坏荷载的无损检测方法
CN116048031A (zh) * 2023-03-31 2023-05-02 克拉玛依市蓝润环保科技有限责任公司 用于石油助剂生产的控制系统及其方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109784806A (zh) * 2018-12-27 2019-05-21 北京航天智造科技发展有限公司 供应链控制方法、系统以及存储介质
WO2020140386A1 (zh) * 2019-01-02 2020-07-09 平安科技（深圳）有限公司 基于TextCNN知识抽取方法、装置、计算机设备及存储介质
WO2023056889A1 (zh) * 2021-10-09 2023-04-13 百果园技术(新加坡)有限公司 模型训练和场景识别方法、装置、设备及介质
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
CN115309215A (zh) * 2022-08-05 2022-11-08 福建龙氟化工有限公司 氟化铵制备用的自动配料控制系统及其控制方法
CN115545520A (zh) * 2022-10-20 2022-12-30 山东滨津纺织科技有限公司 陶瓷纤维无纺防火布智能化制备方法及其系统
CN115661090A (zh) * 2022-11-01 2023-01-31 安徽万方织染有限公司 纺织面料的智能化加工工艺及其系统
CN116015837A (zh) * 2022-12-22 2023-04-25 南阳理工学院 用于计算机网络信息安全的入侵检测方法及系统
CN116052050A (zh) * 2023-02-03 2023-05-02 深圳市橙洁士日用化工科技有限公司 洗涤剂智能化生产系统及其方法
CN116048031A (zh) * 2023-03-31 2023-05-02 克拉玛依市蓝润环保科技有限责任公司 用于石油助剂生产的控制系统及其方法
CN116046810A (zh) * 2023-04-03 2023-05-02 云南通衢工程检测有限公司 基于rpc盖板破坏荷载的无损检测方法

Also Published As

Publication number Publication date
CN116562760A (zh) 2023-08-08

Similar Documents

Publication Publication Date Title
Jagabathula et al. A nonparametric joint assortment and price choice model
CN110852881B (zh) 风险账户识别方法、装置、电子设备及介质
Ge et al. An integrated logarithmic fuzzy preference programming based methodology for optimum maintenance strategies selection
CN117041017B (zh) 数据中心的智能运维管理方法及系统
CN116402352A (zh) 一种企业风险预测方法、装置、电子设备及介质
Banga et al. Accurate detection of electricity theft using classification algorithms and Internet of Things in smart grid
CN116910621A (zh) 纺织化纤供应链管理决策支持系统及其方法
Chen et al. DCAP: Deep cross attentional product network for user response prediction
CN112990584B (zh) 一种基于深度强化学习的自动生产决策系统及方法
CN116562760B (zh) 纺织化纤供应链监管方法及其系统
Wan XGBoost based supply chain fraud detection model
CN110033113B (zh) 信息处理系统及信息处理系统的学习方法
Vavliakis et al. Optimizing Sales Forecasting in e-Commerce with ARIMA and LSTM Models.
Azadeh et al. An intelligent algorithm for optimum forecasting of manufacturing lead times in fuzzy and crisp environments
Mitrai et al. Taking the human out of decomposition-based optimization via artificial intelligence, Part I: Learning when to decompose
US20240168467A1 (en) Computer-Implemented Methods Referring to an Industrial Process for Manufacturing a Product and System for Performing Said Methods
Li et al. Challenges in developing a computational platform to integrate data analytics with simulation-based optimization
Farooq et al. Prediction of Top Trade Leading Countries Through Social Network Analysis Using Hybrid Classification Techniques
Das et al. Supplier Selection in Risk Environment, Fuzzy Interval Type-2 Topsis Method
KR20210020442A (ko) 사용자의 사용특성을 고려한 전력 사용량 예측 알고리즘
Alves et al. Learning algorithms to deal with failures in production planning
CN110288114A (zh) 基于电力营销数据的违规用电行为预测方法
Sivarajan et al. Forecasting Stability of Smart Grids using Highway Deep Pyramid Convolutional Neural Network (HPDCNN) Approach
EP3904974A1 (en) Predicting at least one feature to be predicted of a target entity
Jenifer et al. The Fuzzy Analytic Hierarchy Process to measure qualitative weight factor and Fuzzy MCDM methods for ranking the best alternatives in team selection process

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