CN116629464B - 货品的流向图数据的生成方法、装置、设备和介质 - Google Patents
货品的流向图数据的生成方法、装置、设备和介质 Download PDFInfo
- Publication number
- CN116629464B CN116629464B CN202310913976.7A CN202310913976A CN116629464B CN 116629464 B CN116629464 B CN 116629464B CN 202310913976 A CN202310913976 A CN 202310913976A CN 116629464 B CN116629464 B CN 116629464B
- Authority
- CN
- China
- Prior art keywords
- matrix
- data
- flow chart
- specified
- history
- 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
- 238000000034 method Methods 0.000 title claims abstract description 112
- 239000011159 matrix material Substances 0.000 claims abstract description 658
- 239000013598 vector Substances 0.000 claims description 53
- 238000012549 training Methods 0.000 claims description 37
- 238000003672 processing method Methods 0.000 claims description 32
- 230000015654 memory Effects 0.000 claims description 28
- 238000012545 processing Methods 0.000 claims description 21
- 230000008569 process Effects 0.000 claims description 20
- 238000000605 extraction Methods 0.000 claims description 12
- 230000002159 abnormal effect Effects 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 10
- 238000003860 storage Methods 0.000 claims description 8
- 238000010586 diagram Methods 0.000 description 10
- 238000010801 machine learning Methods 0.000 description 7
- 238000009826 distribution Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 5
- LSQZJLSUYDQPKJ-NJBDSQKTSA-N amoxicillin Chemical compound C1([C@@H](N)C(=O)N[C@H]2[C@H]3SC([C@@H](N3C2=O)C(O)=O)(C)C)=CC=C(O)C=C1 LSQZJLSUYDQPKJ-NJBDSQKTSA-N 0.000 description 4
- 229960003022 amoxicillin Drugs 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 230000000295 complement effect Effects 0.000 description 4
- LSQZJLSUYDQPKJ-UHFFFAOYSA-N p-Hydroxyampicillin Natural products O=C1N2C(C(O)=O)C(C)(C)SC2C1NC(=O)C(N)C1=CC=C(O)C=C1 LSQZJLSUYDQPKJ-UHFFFAOYSA-N 0.000 description 4
- 238000005096 rolling process Methods 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000006403 short-term memory Effects 0.000 description 3
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000007787 long-term memory Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000004931 aggregating effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- VSZGPKBBMSAYNT-RRFJBIMHSA-N oseltamivir Chemical compound CCOC(=O)C1=C[C@@H](OC(CC)CC)[C@H](NC(C)=O)[C@@H](N)C1 VSZGPKBBMSAYNT-RRFJBIMHSA-N 0.000 description 1
- 229960003752 oseltamivir Drugs 0.000 description 1
- 239000000825 pharmaceutical preparation Substances 0.000 description 1
- 229940127557 pharmaceutical product Drugs 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
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
- 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
- G06N3/0475—Generative networks
-
- 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
- G06N3/094—Adversarial learning
-
- 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)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Strategic Management (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本说明书实施方式提供了一种货品的流向图数据的生成方法、装置、设备和介质。方法包括:获取指定货品在指定时间段之前的历史流向图数据对应的历史邻接矩阵;历史邻接矩阵中每个数据位对应有实体,每个数据位的取值用于表示指定货品在对应的实体之间的流通关系;基于历史邻接矩阵,预测出表示指定货品在指定时间段的流向图数据的预测邻接矩阵;预测邻接矩阵中每个数据位对应有实体,每个数据位的取值用于表示指定时间段内指定货品在对应实体之间预计产生的流通关系;使用预测邻接矩阵,生成指定时间段内指定货品的流向图数据。通过历史邻接矩阵预测出预测邻接矩阵,以生成指定时间段内指定货品的流向图数据,可以提高生成流向图数据的准确性。
Description
技术领域
本说明书中实施方式关于供应链数据处理领域,具体关于一种货品的流向图数据的生成方法、装置、设备和介质。
背景技术
在货品的销售过程中,货品从生产企业生产至售卖给消费者这一过程可能需要经过多级经销商中转。在经销商中转的过程中,可能会出现货品的流通数据出现丢失的情况。因此,为了便于管控货品流向,需要针丢失的流通数据进行预测。
然而,现有技术中存在针对丢失的流通数据预测的准确性较低的技术问题。
发明内容
有鉴于此,本说明书多个实施方式致力于提供一种货品的流向图数据的生成方法、装置、设备和介质,以一定程度上提升生成的货品的流向图数据准确性。
本说明书中多个实施方式提供一种货品的流向图数据的生成方法,所述流向图数据包括表示指定货品流通过程中涉及的实体的节点数据,以及用于指示货品在实体之间的流通关系的流向数据;所述方法包括:获取指定货品在指定时间段之前的历史流向图数据对应的历史邻接矩阵;其中,所述历史邻接矩阵中每个数据位对应有实体,不同数据位对应的实体不相同,每个数据位的取值用于表示所述指定货品在对应的实体之间的流通关系;基于所述历史邻接矩阵,预测出表示所述指定货品在所述指定时间段的流向图数据的预测邻接矩阵;其中,所述预测邻接矩阵中每个数据位对应有实体,不同数据位对应的实体不相同,每个数据位的取值用于表示所述指定时间段内所述指定货品在对应实体之间预计产生的流通关系;使用所述预测邻接矩阵,生成所述指定时间段内所述指定货品的流向图数据。
本说明书的一个实施方式提供一种货品的流向图数据生成模型的训练方法,所述训练方法使用生成对抗模型训练所述流向图数据生成模型;所述生成对抗模型包括生成网络和判别网络;所述流向图数据生成模型作为所述生成网络;所述训练方法包括:获取指定货品的样本流向图数据对应的样本邻接矩阵,以及所述指定货品的目标流向图数据对应的目标邻接矩阵;其中,所述样本邻接矩阵中每个数据位对应有实体,不同数据位对应的实体不相同,每个数据位的取值用于表示样本时间段内所述指定货品在对应的实体之间的流通关系;所述目标邻接矩阵中每个数据位对应有实体,不同数据位对应的实体不相同,每个数据位的取值用于表示目标时间段内所述指定货品在对应的实体之间的流通关系;所述样本邻接矩阵的数据位对应的实体与所述目标邻接矩阵的数据位对应的实体至少部分相同;所述样本时间段的起始时间早于所述目标时间段的起始时间;以所述样本邻接矩阵作为所述生成网络的输入,以所述生成网络的输出向量和所述目标邻接矩阵作为所述判别网络的输入,得到所述判别网络的判别结果;其中,所述判别结果用于表示所述输出向量确定的推测邻接矩阵和所述目标邻接矩阵之间的差异性;其中,所述推测邻接矩阵中每个数据位对应有实体,不同数据位对应的实体不相同,每个数据位的取值用于表示基于所述样本邻接矩阵推测得到的所述目标时间段内所述指定货品在对应实体之间的流通关系;根据所述判别结果调整所述流向图数据生成模型的参数,至所述判别网络的输出结果符合指定条件,得到目标流向图数据生成模型。
本说明书的一个实施方式提供一种货品的流向图数据的生成装置,所述流向图数据包括多个表示货品流通过程中涉及的实体的节点数据,以及用于指示货品在实体之间的流通关系的流向数据;所述生成装置包括:获取模块,用于获取指定货品在指定时间段之前的历史流向图数据对应的历史邻接矩阵;其中,所述历史邻接矩阵中每个数据位对应有实体,不同数据位对应的实体不相同,每个数据位的取值用于表示所述指定货品在对应的实体之间的流通关系;预测模块,用于基于所述历史邻接矩阵,预测出表示所述指定货品在所述指定时间段的流向图数据的预测邻接矩阵;其中,所述预测邻接矩阵中每个数据位对应有实体,不同数据位对应的实体不相同,每个数据位的取值用于表示所述指定时间段内所述指定货品在对应实体之间预计产生的流通关系;生成模块,用于使用所述预测邻接矩阵,生成所述指定时间段内所述指定货品的流向图数据。
本说明书的一个实施方式提供一种货品的流向图数据生成模型的训练装置,所述训练装置使用生成对抗模型训练所述流向图数据生成模型;所述生成对抗模型包括生成网络和判别网络;所述流向图数据生成模型作为所述生成网络;所述装置包括:获取模块,用于获取指定货品的样本流向图数据对应的样本邻接矩阵,以及所述指定货品的目标流向图数据对应的目标邻接矩阵;其中,所述样本邻接矩阵中每个数据位对应有实体,不同数据位对应的实体不相同,每个数据位的取值用于表示样本时间段内所述指定货品在对应的实体之间的流通关系;所述目标邻接矩阵中每个数据位对应有实体,不同数据位对应的实体不相同,每个数据位的取值用于表示目标时间段内所述指定货品在对应的实体之间的流通关系;所述样本邻接矩阵的数据位对应的实体与所述目标邻接矩阵的数据位对应的实体至少部分相同;所述样本时间段的起始时间早于所述目标时间段的起始时间;判别模块,以所述样本邻接矩阵作为所述生成网络的输入,以所述生成网络的输出向量和所述目标邻接矩阵作为所述判别网络的输入,得到所述判别网络的判别结果;其中,所述判别结果用于表示所述输出向量确定的推测邻接矩阵和所述目标邻接矩阵之间的差异性;其中,所述推测邻接矩阵中每个数据位对应有实体,不同数据位对应的实体不相同,每个数据位的取值用于表示基于所述样本邻接矩阵推测得到的所述目标时间段内所述指定货品在对应实体之间的流通关系;参数调整模块,用于根据所述判别结果调整所述流向图数据生成模型的参数,至所述判别网络的输出结果符合指定条件,得到目标流向图数据生成模型。
本说明书实施方式提出一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述实施方式所述的方法。
本说明书实施方式提供一种计算机可读存储介质,其上存储有计算机程序指令,该程序被处理器执行时实现上述实施方式所述的方法。
本说明书提供的多个实施方式,通过指定货品在指定时间段之前的历史流向图数据对应的历史邻接矩阵,对指定时间段内指定货品在实体之间的流通关系进行预测,得到表征所述流通关系的预测邻接矩阵,以生成所述指定时间段内所述指定货品的流向图数据,其中,历史邻接矩阵中每个数据位对应有实体,不同数据位对应的实体不相同,每个数据位的取值用于表示所述指定货品在对应的实体之间的流通关系;所述预测邻接矩阵中每个数据位对应有实体,不同数据位对应的实体不相同,每个数据位的取值用于表示所述指定时间段内所述指定货品在对应实体之间预计产生的流通关系。基于邻接矩阵指示的针对指定货品在多个实体之间流通关系对指定货品在指定时间段的流通关系进行预测,可以实现在一定程度上提高生成流向图数据的准确性。
附图说明
图1为本说明书的一个实施方式提供的货品的流向图数据生成模型示意图。
图2为本说明书的一个实施方式提供的货品的流向图数据生成方法的流程示意图。
图3为本说明书的一个实施方式提供的基于区块链技术收集流向图数据的示意图。
图4为本说明书的一个实施方式提供的货品的流向图数据生成模型的训练方法的流程示意图。
图5为本说明书的一个实施方式提供的生成对抗模型的示意图。
图6为本说明书的一个实施方式提供的货品的流向图数据生成装置的示意图。
图7为本说明书的一个实施方式提供的货品的流向图数据生成模型的训练装置的示意图。
图8为本说明书的一个实施方式提供的计算机设备的示意图。
具体实施方式
在相关技术中,货品的流通数据可以表示货品在多个实体之间的流通关系。其中,货品的流通数据可以通过图数据的形式表示。具体的,流通数据可以是流向图数据。其中,流向图数据可以包括表征货品流通过程中涉及的实体的节点数据,以及表示实体之间的流通关系的流向数据。由于流向图数据的形成涉及多个数据源,因此,流向图数据中的部分流向数据可能发生缺失。例如,流向图数据可能由货品的多个供应商和经销商提供,不同的经销商和供应商可能维护有自己的数据库,在出入库过程中,可能造成数据缺失。相关技术中可能针对每个节点数据的特征信息,对该节点数据是否缺失流向数据进行预测。例如,一级经销商可以为二级经销商供货。一级经销商的数量可能有1个,二级经销商的数量可能有10个,一级经销商可以向部分二级经销商供货。相应的,表示一级经销商的节点数据与部分表示二级经销商的节点数据之间可以存在流向数据。相关技术中可能通过表示一级经销商的节点数据的特征信息,以及与其存在流向数据的节点数据的特征信息预测该节点数据在指定时间段内可能存在的流通关系。即通过历史上存在货品流通的实体的特征信息,可以对指定时间段内货品在可能存在的实体之间的流通关系进行预测。
相关技术中对节点数据缺失的流向数据的预测只基于该节点数据的特征信息,以及历史上与该节点数据具有流向数据的节点数据的特征信息。然而,在货品的销售过程中,整个供应链之间相互关联、相互影响。例如,一级经销商1将较多数量的货品提供给二级经销商1后,一级经销商2可能会减少提供给与二级经销商1的销售区域相邻或者具有部分重叠的二级经销商2的货品数量。因此,相关技术中对缺失的流向图数据的预测的准确性可能较低。
因此,有必要提供一种流向图数据的生成方法、装置、设备和介质,可以采用指示较多实体之间的流通关系的历史邻接矩阵进行预测。其中,历史邻接矩阵中每个数据位对应有实体,不同数据位对应的实体不相同,每个数据位的取值用于表示所述指定货品在对应的实体之间的流通关系。具体的,通过指定货品在指定时间段之前的历史流向图数据对应的历史邻接矩阵,对指定时间段内指定货品在实体之间的流通关系进行预测,得到表征所述流通关系的预测邻接矩阵,以生成所述指定时间段内所述指定货品的流向图数据。其中,所述预测邻接矩阵中每个数据位对应有实体,不同数据位对应的实体不相同,每个数据位的取值用于表示所述指定时间段内所述指定货品在对应实体之间预计产生的流通关系。基于邻接矩阵指示的针对指定货品在较多数量实体之间流通关系对指定货品在指定时间段的流通关系进行预测,可以实现解决如何提高流向图数据生成的准确性的技术问题。
本说明书中提供一种货品的流向图数据的生成系统的应用场景示例。
货品的流向图数据的生成系统的用户可能是供应链领域的工作人员。当前时间点可能是2023年7月1日。用户可能想要知晓“阿莫西林”在2023年7月份在多个实体之间的可能出现的流通关系。
请参阅图1,货品的流向图数据的生成系统可以获取根据“阿莫西林”在2023年7月份之前的历史流向图数据,对2023年7月份的流向图数据进行预测。货品的流向图数据的生成系统可以根据每个月份,构建表示相应月份的流向图数据。其中,月份可以作为历史时间片段。具体的,货品的流向图数据的生成系统可以针对2023年1月份至2023年6月份,分别构建表示每个月份的流向图数据的历史邻接矩阵。其中,历史邻接矩阵可以是方阵。历史邻接矩阵的维度可以对应历史流向图数据中节点数据。节点数据可以表示供应商、经销商等实体。历史邻接矩阵中每个数据位的取值可以是0或1。0可以表示不存在流向,1可以表示存在流向。矩阵中每行数据位的取值可以表示对应的实体的货品流向其他实体,每列数据位的取值可以表示其他实体的货品流向对应实体,主对角线由于实体自指向可以全设为0。
针对对应2023年1月份至2023年6月份中不同月份的历史邻接矩阵,货品的流向图数据的生成系统可以利用矩阵分解变换模块(MFTM)执行矩阵分解变换,将非对称邻接矩阵分解为两个对称的邻接矩阵。具体的,货品的流向图数据的生成系统可以将多个历史邻接矩阵分别拆分为右上三角阵和左下三角阵。然后,将这个两类三角阵进行对称化处理,可以得到第一对称矩阵和第二对称矩阵,其中,第一对称矩阵可以作为第一历史邻接矩阵,第二对称矩阵可以作为第二历史邻接矩阵。接着,针对第一对称矩阵和第二对称矩阵,可以通过货品的流向图数据生成模型进行预测,得到预测邻接矩阵。
货品的流向图数据生成模型可以包括结构相似的第一子生成模型和第二子生成模型。第一子生成模型可以用于处理第一对称矩阵。第二子生成模型可以用于处理第二对称矩阵。具体的,第一子生成模型可以包括图特征提取网络和邻接矩阵预测网络。其中,图特征提取网络可以是图卷积网络。邻接矩阵预测网络可以基于长短期记忆网络构建。针对第一对称矩阵,可以通过图卷积网络编码后,依照第一对称矩阵对应每个月份的先后关系,依次输入长短期记忆网络,得到第一输出向量。类似的,针对第二对称矩阵,可以通过第二子生成模型,得到第二输出向量。
接着,针对第一输出向量和第二输出向量,可以分别构建出第一预测邻接矩阵和第二预测邻接矩阵。针对第一预测邻接矩阵和第二预测邻接矩阵,可以将其对称化后使用矩阵分解变换模块(MFTM),执行矩阵分解变换的逆运算,将第一预测邻接矩阵和第二预测邻接矩阵合并为预测邻接矩阵。预测邻接矩阵可以表示指定货品在所述指定时间段的流向图数据。预测邻接矩阵中每个数据位也可以对应有实体,不同数据位对应的实体可以不相同。其中,预测邻接矩阵中每个数据位的取值可以用于表示指定时间段内指定货品在对应实体之间预计产生的流通关系。因此,用户根据预测邻接矩阵,可以确定2023年7月份“阿莫西林”的流向图数据。
本说明书实施方式提供一种货品的流向图数据的生成系统。所述货品的流向图数据的生成系统可以包括客户端和服务器。服务器可以执行货品的流向图数据的生成方法。客户端可以将服务器生成的流向图数据图形化展示给用户。所述客户端可以是具有网络访问能力的电子设备。具体的,例如,客户端可以是台式电脑、平板电脑、笔记本电脑、智能手机、数字助理、智能可穿戴设备、导购终端、电视机、智能音箱、麦克风等。其中,智能可穿戴设备包括但不限于智能手环、智能手表、智能眼镜、智能头盔、智能项链等。或者,客户端也可以为能够运行于所述电子设备中的软件。服务器可以是具有一定运算处理能力的电子设备。其可以具有网络通信模块、处理器和存储器等。当然,所述服务器也可以是指运行于所述电子设备中的软体。所述服务器还可以为分布式服务器,可以是具有多个处理器、存储器、网络通信模块等协同运作的系统。或者,服务器还可以为若干服务器形成的服务器集群。或者,随着科学技术的发展,服务器还可以是能够实现说明书实施方式相应功能的新的技术手段。例如,可以是基于量子计算实现的新形态的“服务器”。
请参阅图2,本说明书的一个实施方式提供一种货品的流向图数据的生成方法。所述货品的流向图数据的生成方法可以应用于服务器。所述流向图数据包括表示指定货品流通过程中涉及的实体的节点数据,以及用于指示货品在实体之间的流通关系的流向数据。具体的,节点数据可以包括对应实体的数据标识。所述货品的流向图数据的生成方法可以包括以下步骤。
步骤S110:获取指定货品在指定时间段之前的历史流向图数据对应的历史邻接矩阵;其中,所述历史邻接矩阵中每个数据位对应有实体,不同数据位对应的实体不相同,每个数据位的取值用于表示所述指定货品在对应的实体之间的流通关系。
在一些情况下,通过指定时间段之前的历史流向图数据可以对指定时间段的流向图数据进行预测。历史流向图数据可以通过邻接矩阵的形式表示,所述邻接矩阵可以作为历史邻接矩阵。历史邻接矩阵中的每个数据位可以对应实体。数据位的取值可以表示指定时间段之前指定货品在对应的实体之间的流通关系。相比于相关技术中,只通过历史上与缺失流向数据的节点数据之间存在流通关系的节点数据进行预测,邻接矩阵的数据位可以表示较多的实体之间的流通关系。具体的,邻接矩阵的数据位对应的可以是与缺失流向数据的节点数据之间存在历史流通关系的实体,也可以是与缺失流向数据的节点数据之间不存在历史流通关系的实体。因此,通过获取指定时间段之前的历史流向图数据对应的历史邻接矩阵,进一步地通过历史邻接矩阵预测指定时间段实体之间的流通关系,可以提高预测得到的流通关系的准确性。
在本实施方式中,货品的流向图数据可以表示货品在销售过程中不同实体之间的流通关系。具体的,货品的流向图数据通常涉及货品的流动路径和相关信息,可以用于分析货物从供应链中的一环到另一环的运动和变化。实体可以包括供应商、经销商和消费者等。例如,货品的流向图数据可以表示的指定货品从供应商A至一级经销商A至二级经销商A至消费者A这一销售过程。通过在货物上粘贴相关的码来生成入库单和出库单,进而能够后续能够确定货物的具体流向,从而可以记录货品的流通图数据。
在本实施方式中,货品的流向图数据可以通过分销商数据集成系统(Distributors Data Integration,DDI)实现渠道数据自动采集,通过在经销商终端安装数据抓取与传输软件,可以实现指定数据在经销商与生产企业之间的定时自动传输。当然,请参阅图3,货品的流向图数据也可以通过区块链技术进行收集。具体的,相关技术中使用一台服务器来进行集中存储数据,往往很容易被篡改和丢失,并且该服务器一旦宕机将会造成大量的损失。因此,通过采用区块链技术来进行去中心化处理,可以将各个相关生产厂、各级经销商、各种终端和追溯企业等实体的数据进行公开,并且每个实体都可以参与进来。通过利用区块链中数据不能修改和篡改的特性,终端名称第一次记录进入区块链中后,后续其他实体可以直接使用该终端名称,避免同一个终端在各个数据库中具有多个名称。同时,当某个实体向区块链中存储数据时,会检查区块链中是否已经存在该数据,只有当区块链中不存在该数据时才会进行上传,并会通知区块链中的各个实体并进行同步保存数据至本地,使得区块链中的所有实体的数据具有一致性。
在本实施方式中,各个实体之间的货品的流向数据可以通过入库单和出库单进行统计。其中,入库单可以包括货物的详细信息以及货物的来源,出库单可以包括货品的详细信息以及货物的去向。在一些情况下,如果实体A与实体B之间存在货物流向,当实体A将货物运至实体B后,实体A具有从A指向B的出库单,实体B具有从A指向B的入库单。当存在入库单和出库单至少存在一个时,可以表示实体A具有指向B的流向。当然,也可以认为当入库单和出库单同时存在时,才可以表示实体A具有指向B的流向。
在本实施方式中,货品的流向图数据的可以是图数据。流向图数据包括表示指定货品流通过程中涉及的实体的节点数据,以及用于指示货品在实体之间的流通关系的流向数据。其中,起始节点数据表示的实体可以是供应商,终止节点数据表示的实体可以是消费者。当然,流向图数据的起始节点数据表示的实体,或者终止节点数据表示的实体也可以是货品流转过程中的任一实体。
在本实施方式中,节点数据可以包括对应实体的特征信息。特征信息可以包括实体的名称、实体涉及的历史流通数据、实体的位置信息等。流向数据可以是节点数据之间的边数据。流向数据可以具有方向,也可以不具有方向。流向数据也可以包括指示货品在流通过程的信息。例如,流向数据可以包括流通过程中货品涉及的制造批次、数量、物流信息等。
在本实施方式中,流向图数据可以通过邻接矩阵表示。其中,邻接矩阵可以是方阵。其中,邻接矩阵的每一列的数据位可以对应同一个实体,每一行的数据位也可以对应同一个实体。不同列或者不同行对应的实体可以不同。邻接矩阵所有列的数据位对应的实体的集合可以和邻接矩阵所有行对应的实体的集合相同。在一些实施方式中,邻接矩阵所有列的数据位对应的实体的集合可以和邻接矩阵所有行对应的实体的集合也可以部分相同。邻接矩阵的每个数据位的取值,可以表示对应实体之间的流通关系。例如,邻接矩阵的每个数据位的取值可以是0或1,可以分别表示数据位的列对应的实体与数据位的行对应的实体之间不存在流通关系或者存在流通关系。当然,邻接矩阵的每个数据位的取值也可以是其他数值,例如,每个数据位的取值发生流通关系的货品的数量、金额等。具体的,例如,某一个数据位的列可以对应供应商1,行可以对应一级经销商1,取值为50,可以表示供应商1向一级经销商1提供了数量为50的指定货品。在一些实施方式中,数据位的取值也可以是经过归一化或者其他方式处理后的数值。其中,邻接矩阵中数据位的行列对应同一个实体的,数据位的取值可以为0。在一些实施方式中,邻接矩阵中主对角线上的数据位的行和列均对应同一个实体。相应的,邻接矩阵中主对角线上取值可以均为0。
在本实施方式中,指定货品可以表示任一货品。例如,指定货品可以是药品。具体可以是“阿莫西林”、“奥司他韦”等。或者,指定货品也可以是手机、吸尘器、投影仪等。
在本实施方式中,指定时间段可以表示缺失的流向数据的时间段。例如, 2023年6月份的至少部分流向图数据缺失。相应的,指定时间段可以表示2023年6月份。通过2023年6月份之间的流向图数据,可以对2023年6月份的至少部分流向图数据进行预测,以补全2023年6月份缺失的至少部分流向图数据。
在本实施方式中,历史邻接矩阵可以表示指定时间段之前的流向图数据。指定时间段之前的流向图数据可以作为历史流向图数据。其中,历史邻接矩阵中每个数据位也可以对应有实体。具体的,根据数据位在历史邻接矩阵中的行、列可以确定数据位对应的实体。每个数据位的取值可以用于表示指定货品在对应的实体之间的流通关系。具体的,流通关系可以表示数据位所在行对应的实体向数据位所在列对应的实体提供指定货品。当然,流通关系可以表示数据位所在列对应的实体向数据位所在行对应的实体提供指定货品。在一些实施方式中,历史邻接矩阵对角线上的数据位的行和列对应的可以是同一个实体。相应的,对角线上数据位的取值可以通过指定数值标记。
在本实施方式中,历史邻接矩阵的不同数据位对应的实体不相同可以表示不同数据位之间,每个数据位对应的实体,以及所述对应的实体之间针对指定货品的采供关系均不同。
在本实施方式中,历史流向图数据可以通过历史邻接矩阵存储在服务器。相应的,获取指定货品在指定时间段之前的历史流向图数据对应的历史邻接矩阵的方法,可以在服务器中查询出表示历史流向图数据的历史邻接矩阵。当然,历史流向图数据也可以以图数据的形式存储在图数据库。相应的,获取指定货品在指定时间段之前的历史流向图数据对应的历史邻接矩阵的方法,也可以是在图数据库中查询出所述历史流向图数据,接着获取使用所述历史流向图数据实时生成的历史邻接矩阵。
步骤S120:基于所述历史邻接矩阵,预测出表示所述指定货品在所述指定时间段的流向图数据的预测邻接矩阵;其中,所述预测邻接矩阵中每个数据位对应有实体,不同数据位对应的实体不相同,每个数据位的取值用于表示所述指定时间段内所述指定货品在对应实体之间预计产生的流通关系。
在一些情况下,根据历史邻接矩阵可以预测出表示指定货品在指定时间段的流向图数据的预测邻接矩阵。进一步的,可以通过预测邻接矩阵生成准确性较高的指定时间段内指定货品的流向图数据。
在本实施方式中,预测邻接矩阵可以表示指定货品在所述指定时间段的流向图数据。预测邻接矩阵中每个数据位也可以对应有实体,不同数据位对应的实体可以不相同。其中,预测邻接矩阵中每个数据位的取值可以用于表示指定时间段内指定货品在对应实体之间预计产生的流通关系。其中,预计产生的流通关系可以是对还没有发生的指定货品的流通关系进行预测得到的流通关系,也可以是对已经发生但是缺失的流通关系进行预测得到的流通关系。
在本实施方式中,基于所述历史邻接矩阵,预测出表示所述指定货品在所述指定时间段的流向图数据的预测邻接矩阵的方法,可以是通过指定机器学习模型进行预测得到。其中,指定机器学习模型的输入可以是历史邻接矩阵,输出可以是预测邻接矩阵。通过历史上的流向图数据可以构建所述指定机器学习模型的训练样本,可以实现指定机器学习模型通过历史邻接矩阵生成预测邻接矩阵。在一些实施方式中,基于所述历史邻接矩阵,预测出表示所述指定货品在所述指定时间段的流向图数据的预测邻接矩阵的方法,也可以是通过历史邻接矩阵统计出历史上不同实体之间存在指定货品的流通关系的次数和流通的货品数量,并根据流通的货品数量和流通关系的次数对存在流通关系的实体进行排序,选择排序靠前的预设数量个实体,确认为指定时间段内存在流通关系的实体,以构建预测邻接矩阵。
步骤S130:使用所述预测邻接矩阵,生成所述指定时间段内所述指定货品的流向图数据。
在一些情况下,通过历史邻接矩阵预测出预测邻接矩阵后,可以根据预测邻接矩阵生成预测的所述指定时间段内所述指定货品的流向图数据。
在本实施方式中,使用所述预测邻接矩阵,生成所述指定时间段内所述指定货品的流向图数据的方法,可以根据述预测邻接矩阵中的数据位的取值,确定具有流通关系的实体。接着,服务器中可以存储有描述所述实体的实体数据。所述实体数据可以包括但不限于实体的实体名称和属性信息。服务器可以根据邻接矩阵中每个数据位对应实体的实体数据,构建所述实体的节点数据,以及数据位的取值表示的流通关系,构建对应实体之间的流向数据,以形成述指定货品的流向图数据。具体的,节点数据可以是对应所述实体的数据标识。每个节点数据可以唯一对应一个实体。在一些实施方式中,节点数据可以是使用实体数据按照指定算法生成的。
在一些实施方式中,指定货品的流向图数据也可以是通过邻接矩阵的形式存储,并且服务器存储有邻接矩阵中每个数据位对应实体的实体数据,使用所述预测邻接矩阵,生成所述指定时间段内所述指定货品的流向图数据的方法可以是将预测邻接矩阵作为所述通过邻接矩阵的形式存储的流向图数据。或者,指定货品的流向图数据也可以是通过三元组的形式存储,使用所述预测邻接矩阵,生成所述指定时间段内所述指定货品的流向图数据的方法可以通过预测邻接矩阵构建出三元组,作为所述指定货品的流向图数据。具体的,可以获取邻接矩阵中存在取值的数据位对应的实体的实体数据,分别作为三元组中的实体数据。进一步地,通过数据位的取值,可以构建出实体之间的流向关系,作为三元组中的关联两个实体数据的关系数据。
在一些实施方式中,流向图数据也可以表示展示多个节点数据以及节点数据之间的流向图数据的图片数据。相应的,使用所述预测邻接矩阵,生成所述指定时间段内所述指定货品的流向图数据,也可以是基于预测邻接矩阵指示的实体,以及实体之间的流通关系,生成一个表征实体之间流通关系的图片数据。图片数据被展示为图片的情况下,图中可以包括表征实体的第一图形。至少部分第一图形之间可以通过第二图形连接,表征所连接的两个第一图形对应的实体之间存在流通关系。
在一些实施方式中,基于所述历史邻接矩阵,预测出表示所述指定货品在所述指定时间段的流向图数据的预测邻接矩阵的步骤,可以包括:根据指定矩阵处理方法,使用所述历史邻接矩阵构建出第一历史邻接矩阵和第二历史邻接矩阵;其中,所述第一历史邻接矩阵和所述第二历史邻接矩阵分别包括所述历史邻接矩阵中的部分数据位的取值,且所述第一历史邻接矩阵和所述第二历史邻接矩阵包括取值的数据位不相同;分别使用所述第一历史邻接矩阵和第二历史邻接矩阵,对所述指定货品在所述指定时间段的流向图数据进行预测,得到第一预测邻接矩阵和第二预测邻接矩阵;基于所述指定矩阵处理方法的逆向处理方法,将所述第一预测邻接矩阵和第二预测邻接矩阵进行合并,得到所述预测邻接矩阵。
在一些情况下,通过历史邻接矩阵预测出预测邻接矩阵,预测邻接矩阵中的数据位的取值可能只受到历史邻接矩阵中一部分的数据位的取值影响,造成预测邻接矩阵的准确性不高。因此,可以根据历史邻接矩阵构建出第一历史邻接矩阵和第二历史邻接矩阵,接着分别通过第一历史邻接矩阵和第二历史邻接矩阵,预测得到第一预测邻接矩阵和第二预测邻接矩阵。进一步地,通过第一预测邻接矩阵和第二预测邻接矩阵生成所述预测邻接矩阵,可以在一定程度上避免预测邻接矩阵只受到历史邻接矩阵中一部分的数据位的取值影响,从而可以提高预测邻接矩阵的准确性。
在本实施方式中,指定矩阵处理方法可以用于基于历史邻接矩阵构建出第一历史邻接矩阵和第二历史邻接矩阵。具体的,例如,指定矩阵处理方法可以是指定的矩阵运算方法。例如,所述矩阵运算方法可以表示矩阵加法。相应的,根据指定矩阵处理方法,使用所述历史邻接矩阵构建出第一历史邻接矩阵和第二历史邻接矩阵的方法,可以是依照矩阵加法将历史邻接矩阵拆分为第一历史邻接矩阵和第二历史邻接矩阵。其中,第一历史邻接矩阵和第二历史邻接矩阵之和为所述历史邻接矩阵。具体的,将历史邻接矩阵拆分为第一历史邻接矩阵和第二历史邻接矩阵的方法,可以表示将历史邻接矩阵的数据位的取值,分别按照数据位在矩阵中的位置映射至两个和历史邻接矩阵尺寸相同的矩阵之中,分别作为第一历史邻接矩阵和第二历史邻接矩阵。或者,指定矩阵处理方法也可以是在历史邻接矩阵中提取出右上部分的数据位的取值,形成右上三角阵,以及在历史邻接矩阵中提取出左下部分的数据位的取值,形成左下三角阵。其中,右上三角阵和左下三角阵可以通过多维可变数组表示。接着,对右上三角阵和左下三角阵进行对称化处理,分别得到可以作为第一历史邻接矩阵的第一对称矩阵,以及可以作为第二历史邻接矩阵的第二对称矩阵。例如,请参考公式1,历史邻接矩阵A可以是一个三阶的方阵。历史邻接矩阵A的主对角线上的取值可以为0。相应的,基于历史邻接矩阵A构建得到的第一历史邻接矩阵B和第二历史邻接矩阵C可以分别通过公式2和公式3表示。其中,第一历史邻接矩阵B可以包括历史邻接矩阵的右上部分的数据位的取值。第二历史邻接矩阵C可以包括历史邻接矩阵中左下部分的数据位的取值。
公式1
公式2
公式3
在本实施方式中,第一历史邻接矩阵和第二历史邻接矩阵可以分别包括历史邻接矩阵中的部分数据位的取值,且第一历史邻接矩阵和第二历史邻接矩阵中包括取值的数据位不相同。具体的,例如,指定矩阵处理方法可以表示矩阵加法,第一历史邻接矩阵可以包括历史邻接矩阵中奇数列的数据位的取值,第二历史邻接矩阵可以包括历史邻接矩阵中偶数列的数据位的取值。
在本实施方式中,第一预测邻接矩阵和第二预测邻接矩阵可以分别通过第一历史邻接矩阵和第二历史邻接矩阵预测得到。通过第一历史邻接矩阵预测得到第一预测邻接矩阵,和通过第二历史邻接矩阵预测得到第二预测邻接矩阵的方法可以相同,也可以不同。
在本实施方式中,分别使用所述第一历史邻接矩阵和第二历史邻接矩阵,对所述指定货品在所述指定时间段的流向图数据进行预测,得到第一预测邻接矩阵和第二预测邻接矩阵方法,可以是通过指定机器学习模型进行预测得到。当然,分别使用所述第一历史邻接矩阵和第二历史邻接矩阵,对所述指定货品在所述指定时间段的流向图数据进行预测,得到第一预测邻接矩阵和第二预测邻接矩阵方法,也可以是分别通过第一历史邻接矩阵和第二历史邻接矩阵分别统计出历史上不同实体之间存在指定货品的流通关系的次数和流通的货品数量,并根据流通的货品数量和流通关系的次数对存在流通关系的实体进行排序,选择排序靠前的预设数量个实体,确认为指定时间段内存在流通关系的实体,以构建第一预测邻接矩阵和第二预测邻接矩阵。
在本实施方式中,指定矩阵处理方法的逆向处理方法可以和指定矩阵处理方法对应。例如,指定矩阵处理方法可以是将历史邻接矩阵拆分为第一历史邻接矩阵和第二历史邻接矩阵,且第一历史邻接矩阵和第二历史邻接矩阵之和形成所述历史邻接矩阵。相应的,基于所述指定矩阵处理方法的逆向处理方法,将所述第一预测邻接矩阵和第二预测邻接矩阵进行合并,得到所述预测邻接矩阵的方法,可以将第一预测邻接矩阵和第二预测邻接矩阵进行矩阵加法,得到预测邻接矩阵。或者,指定矩阵处理方法也可以是指定的矩阵运算方法,将历史邻接矩阵分解为能够通过矩阵运算得到的两个矩阵,分别作为第一历史邻接矩阵和第二历史邻接矩阵。相应的,基于所述指定矩阵处理方法的逆向处理方法可以表示所述矩阵运算方法的逆向算法。通过所述逆向算法,可以将第一预测邻接矩阵和第二预测邻接矩阵合并为预测邻接矩阵。针对不同的指定矩阵处理方法,基于所述指定矩阵处理方法的逆向处理方法,将所述第一预测邻接矩阵和第二预测邻接矩阵进行合并,得到所述预测邻接矩阵的方法也可以适应性调整。
在一些实施方式中,根据指定矩阵处理方法,使用所述历史邻接矩阵构建出第一历史邻接矩阵和第二历史邻接矩阵的步骤,可以包括:将所述历史邻接矩阵拆分为上三角阵和下三角阵;分别对所述上三角阵和下三角阵进行对称化处理,得到第一对称矩阵和第二对称矩阵;其中,所述第一对称矩阵作为所述第一历史邻接矩阵;所述第二对称矩阵作为所述第二历史邻接矩阵。
在一些情况下,邻接矩阵中每个数据位的列可以对应提供指定货品的实体,邻接矩阵中每个数据位的行可以对应接收指定货品的实体。提供指定货品的实体可以发出一定的数量的指定货品,相应的,接收指定货品的实体就可能接收到一定的数量的指定货品。因此,货品的提供和接收可以具有一定的对应关系。历史邻接矩阵中可以包括提供指定货品的实体的发货信息,以及接收指定货品的实体的收货信息。因此,通过将历史邻接矩阵拆分为上三角矩阵和下三角矩阵,可以在一定程度上分离具有一定的对应关系的两部分信息,且针对每一部分信息都可以保留较多的指示实体间流通关系的内容。具体的,上三角阵可以涉及全部提供指定货品的实体对至少一个接收指定货品的实体的发货信息。下三角阵可以涉及全部接收指定货品的实体对至少一个提供指定货品的实体的收货信息。因此,通过上三角矩阵和下三角矩阵分别进行预测,得到第一预测邻接矩阵和第二预测邻接矩阵,可以更好地提高第一预测邻接矩阵和第二预测邻接矩阵关于指定时间段的流向图数据预测的准确性,进一步地提高预测邻接矩阵的准确性。
在本实施方式中,所述上三角阵可以依照历史邻接矩阵的主对角线或者次对角线,提取历史邻接矩阵中处于主对角线或者次对角线上方的数据位的取值形成。所述下三角阵可以依照历史邻接矩阵的主对角线或者次对角线,提取历史邻接矩阵中处于主对角线或者次对角线下方的数据位的取值形成。所述上三角阵可以是右上三角阵。所述下三角阵可以是左下三角阵。所述上三角阵和下三角阵可以用任一数据结构的数据表示。例如,可以通过多维可变数据表示。通过对上三角矩阵和下三角矩阵进行对称化处理,可以得到第一对称矩阵和第二对称矩阵,更便于进行预测。例如,针对部分机器学习模型,使用对称矩阵可以较好地提高模型的训练速率和精度。
在本实施方式中,分别对所述上三角阵和下三角阵进行对称化处理,得到第一对称矩阵和第二对称矩阵的方法,可以分别将上三角阵和下三角阵拆分时依据的主对角线作为对称轴,将数据位的取值映射至对称的数据位,从而得到第一对称矩阵和第二对称矩阵。其中,
相应的,分别使用所述第一历史邻接矩阵和第二历史邻接矩阵,对所述指定货品在所述指定时间段的流向图数据进行预测,得到第一预测邻接矩阵和第二预测邻接矩阵的步骤,可以包括:分别使用所述第一对称矩阵和所述第二对称矩阵,对所述指定货品在所述指定时间段的流通图数据进行预测,得到所述第一预测邻接矩阵和所述第二预测邻接矩阵的方法,可以是通过指定机器学习模型进行预测得到。当然,分别使用所述第一对称矩阵和所述第二对称矩阵,对所述指定货品在所述指定时间段的流通图数据进行预测,得到所述第一预测邻接矩阵和所述第二预测邻接矩阵的方法,也可以是分别通过第一对称矩阵和第二对称矩阵分别统计出历史上不同实体之间存在指定货品的流通关系的次数和流通的货品数量,并根据流通的货品数量和流通关系的次数对存在流通关系的实体进行排序,选择排序靠前的预设数量个实体,确认为指定时间段内存在流通关系的实体,以构建第一预测邻接矩阵和第二预测邻接矩阵。
在一些实施方式中,分别使用所述第一对称矩阵和所述第二对称矩阵,对所述指定货品在所述指定时间段的流通图数据进行预测,得到所述第一预测邻接矩阵和所述第二预测邻接矩阵的方法,可以分别将所述第一对称矩阵和所述第二对称矩阵输入货品的流向图数据生成模型,得到第一初始矩阵和第二初始矩阵。进一步地,可以对第一初始矩阵和第二初始矩阵进行对称化处理,得到第一预测邻接矩阵和第二预测邻接矩阵。其中,对第一初始矩阵和第二初始矩阵进行对称化处理可以通过公式4处理得到。
公式4
其中,D对称化处理后得到的矩阵,该矩阵可以是第一预测邻接矩阵或者第二预测邻接矩阵。为需要进行对称化处理的矩阵,该矩阵可以是第一初始矩阵或者第二初始矩阵。
在一些实施方式中,所述历史邻接矩阵的数量为多个,且分别对应所述指定时间段之前多个历史时间片段的流向图数据;基于所述历史邻接矩阵,预测出表示所述指定货品在所述指定时间段的流向图数据的预测邻接矩阵的步骤,包括:使用图特征提取网络分别处理所述多个历史邻接矩阵,形成对应历史时间片段的多个特征向量;依照所述历史时间片段的时序关系,将对应的特征向量输入邻接矩阵预测网络,得到所述预测邻接矩阵。
在一些情况下,与指定时间段在时间维度上靠近的流向图数据对指定时间段内的流向图数据的预测的影响可能较大。因此,可以在指定时间段之间划分出多个历史时间片段,并针对多个历史时间片段的流向图数据对应的历史邻接矩阵进行预测,可以提高预测邻接矩阵的准确性。
在本实施方式中,历史时间片段可以是指定时间段之前的时间片段。历史时间片段可以有多个。例如,指定时间段可以是2023年6月。多个历史时间片段可以分别表示2023年3月、2023年4月和2023年5月。
在本实施方式中,历史邻接矩阵可以对应历史时间片段,用于表示相应历史时间片段指定货品在实体之间的流通关系。
在本实施方式中,图特征提取网络可以用于针对历史邻接矩阵,提取历史邻接矩阵表示的流向图数据的特征。图特征提取网络可以针对历史邻接矩阵表示的每个节点数据,根据该节点数据的特征、流向数据特征以及邻居节点数据的特征等,构建出历史邻接矩阵的特征向量。具体的,例如,图特征提取网络可以是图卷积网络(Graph ConvolutionalNetworks,GCN)。图卷积网络可以用于处理图数据。具体的,图卷积网络可以用通过将邻居节点数据的特征聚合到中心节点数据上,实现了节点特征的传播和更新。当然,图特征提取网络也可以指的是图注意力网络(Graph Attention Network,GAT)。图注意力网络可以通过学习节点数据之间的注意力权重,能够有效地捕捉到图数据中不同节点数据之间的关系。实际的流向图数据在不同时间片段可能会出现节点数据的数量不一致的情况。例如,2023年6月份的销售指定货品的经销商和2023年5月份销售指定货品的经销商可能不同。通过图卷积网络进行处理较为困难。因此,借助图注意力网络的性质,通过图注意力网络提取出历史邻接矩阵的特征向量,可以较好地提高预测邻接矩阵的预测的准确性。另外,通过图注意力网络提取出历史邻接矩阵的特征向量,还可以针对指定时间段发送改变的实体,以及所述实体涉及的流通关系进行预测。相应的,预测邻接矩阵和历史邻接矩阵的尺寸可能不同。
在本实施方式中,使用图特征提取网络分别处理所述多个历史邻接矩阵,形成对应历史时间片段的多个特征向量的方法,可以是将多个历史邻接矩阵分别输入图特征提取网络,得到表征相应历史邻接矩阵的特征向量。其中,不同特征向量对应不同的历史时间片段。
在本实施方式中,邻接矩阵预测网络可以根据输入的特征向量,预测出预测邻接矩阵。邻接矩阵预测网络可以是全连接网络。当然,邻接矩阵预测网络也可以是时序模型,例如,邻接矩阵预测网络可以是长短时记忆(Long Short-Term Memory,LSTM)神经网络或者Transformer等。
在本实施方式中,依照所述历史时间片段的时序关系,将对应的特征向量输入邻接矩阵预测网络,得到所述预测邻接矩阵的方法,可以是依照时序关系将对应不同历史片段的特征向量拼接后,输入邻接矩阵预测网络,得到预测邻接矩阵。或者,在所述邻接矩阵预测网络是时序模型的情况下,也可以依照时序关系,依次将对应不同历史片段的特征向量输入时序模型,以得到预测邻接矩阵。在一些实施方式中,邻接矩阵预测网络的输出也可以是表征预测邻接矩阵的向量。将所述向量经过进一步的处理后,可以得到预测邻接矩阵。
在一些实施方式中,所述货品的流向图数据的生成方法还可以包括:根据通过所述预测邻接矩阵生成的流向图数据,对统计得到的所述指定时间段的实际流向图数据中的缺失数据的进行补全;其中,所述缺失数据表示所述实际流向图数据中缺失的所述指定货品在实体之间流通关系。
在一些情况下,指定时间段可能已经统计到部分流向图数据。但是,统计到的部分流向图数据可能不确定是否存在缺失数据,或者由于已知的某些实体之间可能缺少货品的出入库单而被判定为可能存在缺失数据。因此,通过所述预测邻接矩阵生成的流向图数据后,可以对统计得到的所述指定时间段的实际流向图数据中的缺失数据的进行补全,以提高流向图数据的完整性。
在本实施方式中,实际流向图数据可以表示指定时间段内统计得到的流向图数据。
在本实施方式中,缺失数据可以表示所述实际流向图数据中缺失的所述指定货品在实体之间流通关系。例如,在统计流向图数据的过程中,可能发现部分实体缺少货品的出库单或者入库单,则需要补全。或者,工作人员可能对统计的流向图数据不确定是否完整。同样可以通过预测邻接矩阵生成的流向图数据进行判断是否缺失,并在缺失的情况下进行补全。
在本实施方式中,根据通过所述预测邻接矩阵生成的流向图数据,对统计得到的所述指定时间段的实际流向图数据中的缺失数据的进行补全的方法,可以是在已知具有缺失数据的节点数据的情况下,提取预测邻接矩阵生成的流向图数据中涉及所述节点数据的流向数据,以补全缺失数据。或者,在不确定流向图数据是否完整的情况下,可以将已知的流向图数据与预测邻接矩阵生成的流向图数据进行比对,对预测邻接矩阵生成的流向图数据中相比已知的流向图数据具有新增的流向数据或节点数据后,对新增的流向数据或节点数据进行核实,以补全缺失数据。
在一些实施方式中,根据通过所述预测邻接矩阵生成的流向图数据,对统计得到的所述指定时间段的实际流向图数据中的缺失数据的进行补全的方法,也可以将已经统计得到的所述指定时间段的实际流向图数据,构建一个待预测的邻接矩阵。进一步的,使用待预测的邻接矩阵和历史邻接矩阵,对待预测的邻接矩阵中缺失取值的数据位进行预测,得到预测邻接矩阵,以补全待预测的邻接矩阵。
在一些实施方式中,所述货品的流向图数据的生成方法还可以包括:获取基于所述指定时间段的实际流向图数据对应的实际邻接矩阵;其中,所述实际流向图数据表示统计得到的所述指定时间段内实体之间的流通关系;将所述实际邻接矩阵与所述预测邻接矩阵进行异或操作,得到异常邻接矩阵;其中,所述异常邻接矩阵用于指示所述实际流向图数据表示的流通关系中的异常流通关系。
在一些情况下,经销商可能会针对指定货品执行“窜货”或者“回流”,以谋取利益。因此,供应商可能对货品有控销要求。然而,相关技术中至少部分流向图数据可能由经销商提供,如果经销商提供虚假数据可能会导致供应商较难实现监管和控销。相关技术中只能通过人工核实供应商提供的部分流向图数据。但是,流向图数据的数据量较大,人工核实成本较高。因此,在通过历史邻接矩阵生成预测邻接矩阵后,可以将预测邻接矩阵和实际邻接矩阵进行比对,并对比对结果不一致的环节进行重点监管,在一定程度上可以减少人工核实的成本并预防“窜货”或者“回流”等现象。
在本实施方式,实际流向图数据可以通过实际邻接矩阵存储在服务器。相应的,获取基于所述指定时间段的实际流向图数据对应的实际邻接矩阵的方法,可以在服务器中查询出表示实际流向图数据的实际邻接矩阵。当然,实际流向图数据也可以以图数据的形式存储在图数据库。相应的,获取基于所述指定时间段的实际流向图数据对应的实际邻接矩阵的方法,也可以是在图数据库中查询出所述实际流向图数据,接着获取使用所述实际流向图数据实时生成的实际邻接矩阵。
在本实施方式中,异常邻接矩阵可以用于指示所述实际流向图数据表示的流通关系中的异常流通关系。其中,异常邻接矩阵可以将实际邻接矩阵与预测邻接矩阵进行异或操作得到。相应的,所述异常邻接矩阵的取值为1的数据位可以表示该数据位对应的实体之间的流通关系在预测邻接矩阵中和在实际邻接矩阵中不同,即可以表示实际流向图数据中可能出现异常的异常流通关系。在一些实施方式中,实际邻接矩阵和预测邻接矩阵的数据位的取值还可以表示货品的数量等信息。在一些情况下,实际邻接矩阵中数据位的取值表示的货品数量,和预测邻接矩阵中数据位的取值表示的货品数量之间的差异在指定范围内可以认定为该数据位对应的实体之间的流通关系的正常。因此,在一些实施方式中,将所述实际邻接矩阵与所述预测邻接矩阵进行异或操作之前,可以先将实际邻接矩阵范围和预测邻接矩阵每个数据位的取值进行近似处理,再执行异或操作。其中,所述近似处理可以包括对每个数据位的取值进行取整、截断或者四舍五入等处理方法。
请参阅图4,本说明书实施方式还提供了一种货品的流向图数据生成模型的训练方法。所述货品的流向图数据生成模型的训练方法可以使用生成对抗模型训练所述流向图数据生成模型。所述生成对抗模型可以包括生成网络和判别网络。所述流向图数据生成模型可以作为所述生成网络。所述货品的流向图数据生成模型的训练方法可以应用于服务器。所述货品的流向图数据生成模型的训练方法可以包括以下步骤。
步骤S210:获取指定货品的样本流向图数据对应的样本邻接矩阵,以及所述指定货品的目标流向图数据对应的目标邻接矩阵;其中,所述样本邻接矩阵中每个数据位对应有实体,不同数据位对应的实体不相同,每个数据位的取值用于表示样本时间段内所述指定货品在对应的实体之间的流通关系;所述目标邻接矩阵中每个数据位对应有实体,不同数据位对应的实体不相同,每个数据位的取值用于表示目标时间段内所述指定货品在对应的实体之间的流通关系;所述样本邻接矩阵的数据位对应的实体与所述目标邻接矩阵的数据位对应的实体至少部分相同;所述样本时间段的起始时间早于所述目标时间段的起始时间。
在一些情况下,根据历史的流向图数据可以构建货品的流向图数据生成模型的训练样本,以训练得到货品的流向图数据生成模型。另外,流向图数据可能具有冗余的信息,因此,通过生成对抗模型来训练流向图数据生成模型,还可以较好地提高训练得到流向图数据生成模型预测的准确性和鲁棒性。
在本实施方式中,生成对抗模型可以包括生成网络和判别网络。其中,流向图数据生成模型可以作为所述生成网络。判别网络可以接收生成网络生成的预测数据和历史的真实数据,以将二者区分开来,以优化流向图数据生成模型。
在本实施方式中,样本流向图数据可以是历史的真实的货品流向图数据,用于作为流向图数据生成模型输入。样本邻接矩阵可以表示样本流向图数据。样本邻接矩阵中每个数据位可以对应有实体,不同数据位对应的实体不相同,每个数据位的取值可以用于表示样本时间段内所述指定货品在对应的实体之间的流通关系。
在本实施方式中,目标流向图数据也可以是历史的真实的货品流向图数据,且目标流向图数据产生的时间晚于样本流向图数据产生的时间。目标邻接矩阵可以表示目标流向图数据。目标邻接矩阵中每个数据位可以对应有实体,不同数据位对应的实体不相同,每个数据位的取值可以用于表示目标时间段内所述指定货品在对应的实体之间的流通关系。
在本实施方式中,目标流向图数据对应的时间段为目标时间段,样本流向图数据对应的时间段为样本时间段。目标时间段和样本时间段不同,且样本时间段的起始时间早于所述目标时间段的起始时间。
步骤S220:以所述样本邻接矩阵作为所述生成网络的输入,以所述生成网络的输出向量和所述目标邻接矩阵作为所述判别网络的输入,得到所述判别网络的判别结果;其中,所述判别结果用于表示所述输出向量确定的推测邻接矩阵和所述目标邻接矩阵之间的差异性;其中,所述推测邻接矩阵中每个数据位对应有实体,不同数据位对应的实体不相同,每个数据位的取值用于表示基于所述样本邻接矩阵推测得到的所述目标时间段内所述指定货品在对应实体之间的流通关系。
在一些情况下,通过样本邻接矩阵和目标邻接矩阵,可以构建得到流向图数据生成模型的训练样本。进一步的,通过对抗生成模型,可以训练得到目标流向图数据生成模型。
在本实施实施方式中,推测邻接矩阵可以表示生成网络基于输入的样本邻接矩阵推测得到的目标时间段的流向图数据。
在本实施方式中,生成网络的输出可以是用于形成推测邻接矩阵的输出向量。具体的,输出向量可以经过尺寸变换后形成推测邻接矩阵。当然,输出向量也可以通过进行矩阵变换,得到推测邻接矩阵。
在本实施方式中,以所述样本邻接矩阵作为所述生成网络的输入,以所述生成网络的输出向量和所述目标邻接矩阵作为所述判别网络的输入,可以用于判别网络对生成网络的输出向量和所述目标邻接矩阵之间的差异进行判别,得到判别结果。其中,判别结果可以作为图数据生成模型的损失,用于调整所述流向图数据生成模型的参数,至图数据生成模型的损失小于指定阈值。
步骤S230:根据所述判别结果调整所述流向图数据生成模型的参数,至所述判别网络的输出结果符合指定条件,得到目标流向图数据生成模型。
在一些情况下,通过判别网络输出的判别结果,可以调整图数据生成模型的参数,得到目标流向图数据生成模型。其中,根据所述判别结果调整所述流向图数据生成模型的参数,至所述判别网络的输出结果符合指定条件,得到目标流向图数据生成模型的方法,可以基于梯度下降、随机梯度下降等常见的优化方法。
请参阅图5,在一些实施方式中,所述流向图数据生成模型包括第一子生成模型和第二子生成模型;以所述样本邻接矩阵作为所述生成网络的输入,以所述生成网络的输出向量和所述目标邻接矩阵作为所述判别网络的输入,得到所述判别网络的判别结果的步骤,可以包括:根据指定矩阵处理方法,使用所述样本邻接矩阵构建出第一样本邻接矩阵和第二样本邻接矩阵;其中,所述第一样本邻接矩阵和所述第二样本邻接矩阵分别包括所述样本邻接矩阵中的部分数据位,且所述第一样本邻接矩阵和所述第二样本邻接矩阵包括的数据位不相同;以所述第一样本邻接矩阵作为所述第一子生成模型的输入,以所述第二样本邻接矩阵作为所述第二子生成模型的输入,得到所述第一子生成模型输出的第一输出向量,以及所述第二子生成模型输出的第二输出向量;其中,所述第二输出向量和所述第二输出向量形成所述生成网络的输出向量;基于所述指定矩阵处理方法的逆向处理方法,使用所述第一输出向量和所述第二输出向量构建得到所述推测邻接矩阵;以所述推测邻接矩阵和所述目标邻接矩阵作为所述判别网络的输入,得到所述判别结果。
在一些情况下,将样本邻接矩阵拆分第一样本邻接矩阵和第二样本邻接矩阵,针对第一样本邻接矩阵和第二样本邻接矩阵分别预测,并将二者的预测结果合并得到最终的预测结果,可以提高流向图数据生成模型的鲁棒性和准确性,可以在一定程度上减轻模型在训练的时候产生的过拟合的问题。
在本实施方式中,流向图数据生成模型可以包括第一子生成模型和第二子生成模型。其中,第一子生成模型在训练阶段可以用于处理第一样本邻接矩阵。相应的,第一子生成模型在预测阶段可以用于处理第一历史邻接矩阵。第二子生成模型在训练阶段可以用于处理第二样本邻接矩阵。相应的,第二子生成模型在预测阶段可以用于处理第二历史邻接矩阵。其中,第一子生成模型和第二子生成模型可以分别包括图特征提取网络和邻接矩阵预测网络。第一子生成模型和第二子生成模型的模型结构可以类似,训练完成的第一子生成模型和第二子生成模型的参数可以至少部分不同。
请参阅图6,本说明书的一个实施方式还提供一种货品的流向图数据的生成装置。所述流向图数据包括多个表示货品流通过程中涉及的实体的节点数据,以及用于指示货品在实体之间的流通关系的流向数据。所述装置可以包括:获取模块、预测模块和生成模块。
获取模块,用于获取指定货品在指定时间段之前的历史流向图数据对应的历史邻接矩阵;其中,所述历史邻接矩阵中每个数据位对应有实体,不同数据位对应的实体不相同,每个数据位的取值用于表示所述指定货品在对应的实体之间的流通关系。
预测模块,用于基于所述历史邻接矩阵,预测出表示所述指定货品在所述指定时间段的流向图数据的预测邻接矩阵;其中,所述预测邻接矩阵中每个数据位对应有实体,不同数据位对应的实体不相同,每个数据位的取值用于表示所述指定时间段内所述指定货品在对应实体之间预计产生的流通关系。
生成模块,用于使用所述预测邻接矩阵,生成所述指定时间段内所述指定货品的流向图数据。
请参阅图7,本说明书的一个实施方式还提供一种货品的流向图数据生成模型的训练装置。所述货品的流向图数据生成模型的训练装置使用生成对抗模型训练所述流向图数据生成模型。所述生成对抗模型包括生成网络和判别网络。所述流向图数据生成模型作为所述生成网络。所述货品的流向图数据生成模型的训练装置可以包括:获取模块、判别模块和参数调整模块。
获取模块,用于获取指定货品的样本流向图数据对应的样本邻接矩阵,以及所述指定货品的目标流向图数据对应的目标邻接矩阵;其中,所述样本邻接矩阵中每个数据位对应有实体,不同数据位对应的实体不相同,每个数据位的取值用于表示样本时间段内所述指定货品在对应的实体之间的流通关系;所述目标邻接矩阵中每个数据位对应有实体,不同数据位对应的实体不相同,每个数据位的取值用于表示目标时间段内所述指定货品在对应的实体之间的流通关系;所述样本邻接矩阵的数据位对应的实体与所述目标邻接矩阵的数据位对应的实体至少部分相同;所述样本时间段的起始时间早于所述目标时间段的起始时间。
判别模块,以所述样本邻接矩阵作为所述生成网络的输入,以所述生成网络的输出向量和所述目标邻接矩阵作为所述判别网络的输入,得到所述判别网络的判别结果;其中,所述判别结果用于表示所述输出向量确定的推测邻接矩阵和所述目标邻接矩阵之间的差异性;其中,所述推测邻接矩阵中每个数据位对应有实体,不同数据位对应的实体不相同,每个数据位的取值用于表示基于所述样本邻接矩阵推测得到的所述目标时间段内所述指定货品在对应实体之间的流通关系。
参数调整模块,用于根据所述判别结果调整所述流向图数据生成模型的参数,至所述判别网络的输出结果符合指定条件,得到目标流向图数据生成模型。
关于流向图数据的生成装置和货品的流向图数据生成模型的训练装置实现的具体功能和效果,可以参照本说明书其他实施方式对照解释,在此不再赘述。所述流向图数据的生成装置和货品的流向图数据生成模型的训练装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。所述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
请参阅图8,本说明书实施方式还提供一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现上述任一实施方式中的流向图数据的生成方法和货品的流向图数据生成模型的训练方法。
本说明书实施方式还提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被计算机执行时使得,该计算机执行上述任一实施方式中的流向图数据的生成方法和货品的流向图数据生成模型的训练方法。
本说明书实施方式还提供一种包含指令的计算机程序产品,该指令被计算机执行时使得计算机执行上述任一实施方式中的流向图数据的生成方法和货品的流向图数据生成模型的训练方法。
本说明书多个实施方式中所涉及的流量数据、用户账户或者账户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据等),均为经过用户授权或者经过各方充分授权的信息和数据,并且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律规定和标准,并提供有相应的操作入口,供用户选择授权或者拒绝。
可以理解,本文中的具体的例子只是为了帮助本领域技术人员更好地理解本说明书实施方式,而非限制本发明的范围。
可以理解,在本说明书中的各种实施方式中,各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本说明书实施方式的实施过程构成任何限定。
可以理解,本说明书中描述的各种实施方式,既可以单独实施,也可以组合实施,本说明书实施方式对此并不限定。
除非另有说明,本说明书实施方式所使用的所有技术和科学术语与本说明书的技术领域的技术人员通常理解的含义相同。本说明书中所使用的术语只是为了描述具体的实施方式的目的,不是旨在限制本说明书的范围。本说明书所使用的术语“和/或”包括一个或多个相关的所列项的任意的和所有的组合。在本说明书实施方式和所附权利要求书中所使用的单数形式的“一种”、“上述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。
可以理解,本说明书实施方式的处理器可以是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法实施方式的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器、数字信号处理器(Digital SignalProcessor,DSP)、专用集成电路(Application SpecificIntegratedCircuit,ASIC)、现成可编程门阵列(FieldProgrammable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本说明书实施方式中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本说明书实施方式所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器,处理器读取存储器中的信息,结合其硬件完成上述方法的步骤。
可以理解,本说明书实施方式中的存储器可以是易失性存储器或非易失性存储器,或可包括易失性和非易失性存储器两者。其中,非易失性存储器可以是只读存储器(ROM)、可编程只读存储器(programmableROM,PROM)、可擦除可编程只读存储器(erasablePROM,EPROM)、电可擦除可编程只读存储器(EEPROM)或闪存。易失性存储器可以是随机存取存储器(RAM)。应注意,本文描述的系统和方法的存储器旨在包括但不限于这些和任意其它适合类型的存储器。
本领域普通技术人员可以意识到,结合本文中所公开的实施方式描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本说明书的范围。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施方式中的对应过程,在此不再赘述。
在本说明书所提供的几个实施方式中,应所述理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施方式仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施方式方案的目的。
另外,在本说明书各个实施方式中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本说明书的技术方案本质上或者说对现有技术做出贡献的部分或者所述技术方案的部分可以以软件产品的形式体现出来,所述计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本说明书各个实施方式所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM)、随机存取存储器(RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本说明书的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本说明书揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本说明书的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (12)
1.一种货品的流向图数据的生成方法,其特征在于,所述流向图数据包括表示指定货品流通过程中涉及的实体的节点数据,以及用于指示货品在实体之间的流通关系的流向数据;所述方法包括:
获取指定货品在指定时间段之前的历史流向图数据对应的历史邻接矩阵;其中,所述历史邻接矩阵中每个数据位对应有实体,不同数据位对应的实体不相同,每个数据位的取值用于表示所述指定货品在对应的实体之间的流通关系;
基于所述历史邻接矩阵,使用流向图数据生成模型,预测出表示所述指定货品在所述指定时间段的流向图数据的预测邻接矩阵;其中,所述预测邻接矩阵中每个数据位对应有实体,不同数据位对应的实体不相同,每个数据位的取值用于表示所述指定时间段内所述指定货品在对应实体之间预计产生的流通关系;其中,所述流向图数据生成模型通过所述指定货品的样本流向图数据对应的样本邻接矩阵,以及所述指定货品的目标流向图数据对应的目标邻接矩阵训练得到;所述样本邻接矩阵中每个数据位对应有实体,不同数据位对应的实体不相同,每个数据位的取值用于表示样本时间段内所述指定货品在对应的实体之间的流通关系;所述目标邻接矩阵中每个数据位对应有实体,不同数据位对应的实体不相同,每个数据位的取值用于表示目标时间段内所述指定货品在对应的实体之间的流通关系;所述样本邻接矩阵的数据位对应的实体与所述目标邻接矩阵的数据位对应的实体至少部分相同;所述样本时间段的起始时间早于所述目标时间段的起始时间;
使用所述预测邻接矩阵,生成所述指定时间段内所述指定货品的流向图数据。
2.根据权利要求1所述的方法,其特征在于,所述流向图数据生成模型包括第一子生成模型和第二子生成模型;基于所述历史邻接矩阵,使用流向图数据生成模型,预测出表示所述指定货品在所述指定时间段的流向图数据的预测邻接矩阵的步骤,包括:
根据指定矩阵处理方法,使用所述历史邻接矩阵构建出第一历史邻接矩阵和第二历史邻接矩阵;其中,所述第一历史邻接矩阵和所述第二历史邻接矩阵分别包括所述历史邻接矩阵中的部分数据位的取值,且所述第一历史邻接矩阵和所述第二历史邻接矩阵包括取值的数据位不相同;
将所述第一历史邻接矩阵作为所述第一子生成模型的输入,所述第二历史邻接矩阵作为所述第二子生成模型的输入,对所述指定货品在所述指定时间段的流向图数据进行预测,得到对应所述第一历史邻接矩阵的第一预测邻接矩阵,和对应所述第二历史邻接矩阵的第二预测邻接矩阵;
基于所述指定矩阵处理方法的逆向处理方法,将所述第一预测邻接矩阵和第二预测邻接矩阵进行合并,得到所述预测邻接矩阵。
3.根据权利要求2所述的方法,其特征在于,矩阵处理方法根据指定矩阵处理方法,使用所述历史邻接矩阵构建出第一历史邻接矩阵和第二历史邻接矩阵的步骤,包括:
将所述历史邻接矩阵拆分为上三角阵和下三角阵;
分别对所述上三角阵和下三角阵进行对称化处理,得到第一对称矩阵和第二对称矩阵;其中,所述第一对称矩阵作为所述第一历史邻接矩阵;所述第二对称矩阵作为所述第二历史邻接矩阵。
4.根据权利要求1所述的方法,其特征在于,所述历史邻接矩阵的数量为多个,且分别对应所述指定时间段之前多个历史时间片段的流向图数据;所述流向图数据生成模型包括图特征提取网络和邻接矩阵预测网络;基于所述历史邻接矩阵,使用流向图数据生成模型,预测出表示所述指定货品在所述指定时间段的流向图数据的预测邻接矩阵的步骤,包括:
使用所述图特征提取网络分别处理所述多个历史邻接矩阵,形成对应历史时间片段的多个特征向量;
依照所述历史时间片段的时序关系,将对应的特征向量输入所述邻接矩阵预测网络,得到所述预测邻接矩阵。
5.根据权利要求1所述的方法,其特征在于,所述方法还包括:
根据通过所述预测邻接矩阵生成的流向图数据,对统计得到的所述指定时间段的实际流向图数据中的缺失数据的进行补全;其中,所述缺失数据表示所述实际流向图数据中缺失的所述指定货品在实体之间流通关系。
6.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取基于所述指定时间段的实际流向图数据对应的实际邻接矩阵;其中,所述实际流向图数据表示统计得到的所述指定时间段内实体之间的流通关系;
将所述实际邻接矩阵与所述预测邻接矩阵进行异或操作,得到异常邻接矩阵;其中,所述异常邻接矩阵用于指示所述实际流向图数据表示的流通关系中的异常流通关系。
7.一种货品的流向图数据生成模型的训练方法,其特征在于,所述训练方法使用生成对抗模型训练所述流向图数据生成模型;所述生成对抗模型包括生成器和判别器;所述流向图数据生成模型作为所述生成器;所述训练方法包括:
获取指定货品的样本流向图数据对应的样本邻接矩阵,以及所述指定货品的目标流向图数据对应的目标邻接矩阵;其中,所述样本邻接矩阵中每个数据位对应有实体,不同数据位对应的实体不相同,每个数据位的取值用于表示样本时间段内所述指定货品在对应的实体之间的流通关系;所述目标邻接矩阵中每个数据位对应有实体,不同数据位对应的实体不相同,每个数据位的取值用于表示目标时间段内所述指定货品在对应的实体之间的流通关系;所述样本邻接矩阵的数据位对应的实体与所述目标邻接矩阵的数据位对应的实体至少部分相同;所述样本时间段的起始时间早于所述目标时间段的起始时间;
以所述样本邻接矩阵作为所述生成器的输入,以所述生成器的输出向量和所述目标邻接矩阵作为所述判别器的输入,得到所述判别器的判别结果;其中,所述判别结果用于表示所述输出向量确定的推测邻接矩阵和所述目标邻接矩阵之间的差异性;其中,所述推测邻接矩阵中每个数据位对应有实体,不同数据位对应的实体不相同,每个数据位的取值用于表示基于所述样本邻接矩阵推测得到的所述目标时间段内所述指定货品在对应实体之间的流通关系;
根据所述判别结果调整所述流向图数据生成模型的参数,至所述判别器的输出结果符合指定条件,得到目标流向图数据生成模型。
8.根据权利要求7所述的方法,其特征在于,所述流向图数据生成模型包括第一子生成模型和第二子生成模型;以所述样本邻接矩阵作为所述生成器的输入,以所述生成器的输出向量和所述目标邻接矩阵作为所述判别器的输入,得到所述判别器的判别结果的步骤,包括:
根据指定矩阵处理方法,使用所述样本邻接矩阵构建出第一样本邻接矩阵和第二样本邻接矩阵;其中,所述第一样本邻接矩阵和所述第二样本邻接矩阵分别包括所述样本邻接矩阵中的部分数据位,且所述第一样本邻接矩阵和所述第二样本邻接矩阵包括的数据位不相同;
以所述第一样本邻接矩阵作为所述第一子生成模型的输入,以所述第二样本邻接矩阵作为所述第二子生成模型的输入,得到所述第一子生成模型输出的第一输出向量,以及所述第二子生成模型输出的第二输出向量;其中,所述第二输出向量和所述第二输出向量形成所述生成器的输出向量;
基于所述指定矩阵处理方法的逆向处理方法,使用所述第一输出向量和所述第二输出向量构建得到所述推测邻接矩阵;
以所述推测邻接矩阵和所述目标邻接矩阵作为所述判别器的输入,得到所述判别结果。
9.一种货品的流向图数据的生成装置,其特征在于,所述流向图数据包括多个表示货品流通过程中涉及的实体的节点数据,以及用于指示货品在实体之间的流通关系的流向数据;所述生成装置包括:
获取模块,用于获取指定货品在指定时间段之前的历史流向图数据对应的历史邻接矩阵;其中,所述历史邻接矩阵中每个数据位对应有实体,不同数据位对应的实体不相同,每个数据位的取值用于表示所述指定货品在对应的实体之间的流通关系;
预测模块,用于基于所述历史邻接矩阵,使用流向图数据生成模型,预测出表示所述指定货品在所述指定时间段的流向图数据的预测邻接矩阵;其中,所述预测邻接矩阵中每个数据位对应有实体,不同数据位对应的实体不相同,每个数据位的取值用于表示所述指定时间段内所述指定货品在对应实体之间预计产生的流通关系;其中,所述流向图数据生成模型通过所述指定货品的样本流向图数据对应的样本邻接矩阵,以及所述指定货品的目标流向图数据对应的目标邻接矩阵训练得到;所述样本邻接矩阵中每个数据位对应有实体,不同数据位对应的实体不相同,每个数据位的取值用于表示样本时间段内所述指定货品在对应的实体之间的流通关系;所述目标邻接矩阵中每个数据位对应有实体,不同数据位对应的实体不相同,每个数据位的取值用于表示目标时间段内所述指定货品在对应的实体之间的流通关系;所述样本邻接矩阵的数据位对应的实体与所述目标邻接矩阵的数据位对应的实体至少部分相同;所述样本时间段的起始时间早于所述目标时间段的起始时间;生成模块,用于使用所述预测邻接矩阵,生成所述指定时间段内所述指定货品的流向图数据。
10.一种货品的流向图数据生成模型的训练装置,其特征在于,所述训练装置使用生成对抗模型训练所述流向图数据生成模型;所述生成对抗模型包括生成器和判别器;所述流向图数据生成模型作为所述生成器;所述装置包括:
获取模块,用于获取指定货品的样本流向图数据对应的样本邻接矩阵,以及所述指定货品的目标流向图数据对应的目标邻接矩阵;其中,所述样本邻接矩阵中每个数据位对应有实体,不同数据位对应的实体不相同,每个数据位的取值用于表示样本时间段内所述指定货品在对应的实体之间的流通关系;所述目标邻接矩阵中每个数据位对应有实体,不同数据位对应的实体不相同,每个数据位的取值用于表示目标时间段内所述指定货品在对应的实体之间的流通关系;所述样本邻接矩阵的数据位对应的实体与所述目标邻接矩阵的数据位对应的实体至少部分相同;所述样本时间段的起始时间早于所述目标时间段的起始时间;
判别模块,以所述样本邻接矩阵作为所述生成器的输入,以所述生成器的输出向量和所述目标邻接矩阵作为所述判别器的输入,得到所述判别器的判别结果;其中,所述判别结果用于表示所述输出向量确定的推测邻接矩阵和所述目标邻接矩阵之间的差异性;其中,所述推测邻接矩阵中每个数据位对应有实体,不同数据位对应的实体不相同,每个数据位的取值用于表示基于所述样本邻接矩阵推测得到的所述目标时间段内所述指定货品在对应实体之间的流通关系;
参数调整模块,用于根据所述判别结果调整所述流向图数据生成模型的参数,至所述判别器的输出结果符合指定条件,得到目标流向图数据生成模型。
11.一种计算机设备,其特征在于,所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现权利要求1至8任一所述的方法。
12.一种计算机可读存储介质,其特征在于,所述可读存储介质上存储有计算机程序指令,该程序被处理器执行时实现权利要求1至8任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310913976.7A CN116629464B (zh) | 2023-07-25 | 2023-07-25 | 货品的流向图数据的生成方法、装置、设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310913976.7A CN116629464B (zh) | 2023-07-25 | 2023-07-25 | 货品的流向图数据的生成方法、装置、设备和介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116629464A CN116629464A (zh) | 2023-08-22 |
CN116629464B true CN116629464B (zh) | 2023-09-29 |
Family
ID=87613868
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310913976.7A Active CN116629464B (zh) | 2023-07-25 | 2023-07-25 | 货品的流向图数据的生成方法、装置、设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116629464B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113487066A (zh) * | 2021-06-18 | 2021-10-08 | 山西云时代智慧城市技术发展有限公司 | 基于多属性增强图卷积-Informer模型的长时序货运量预测方法 |
CN115271833A (zh) * | 2022-09-28 | 2022-11-01 | 湖北省楚天云有限公司 | 一种共享单车需求量预测方法及预测系统 |
CN115409446A (zh) * | 2022-08-30 | 2022-11-29 | 阿里健康科技(中国)有限公司 | 流向补全方法、装置、系统、模型训练方法及电子设备 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA3131843A1 (en) * | 2020-09-25 | 2022-03-25 | Royal Bank Of Canada | System and method for structure learning for graph neural networks |
-
2023
- 2023-07-25 CN CN202310913976.7A patent/CN116629464B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113487066A (zh) * | 2021-06-18 | 2021-10-08 | 山西云时代智慧城市技术发展有限公司 | 基于多属性增强图卷积-Informer模型的长时序货运量预测方法 |
CN115409446A (zh) * | 2022-08-30 | 2022-11-29 | 阿里健康科技(中国)有限公司 | 流向补全方法、装置、系统、模型训练方法及电子设备 |
CN115271833A (zh) * | 2022-09-28 | 2022-11-01 | 湖北省楚天云有限公司 | 一种共享单车需求量预测方法及预测系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116629464A (zh) | 2023-08-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Crutchfield et al. | Time’s barbed arrow: Irreversibility, crypticity, and stored information | |
US20210176262A1 (en) | Event monitoring and response system and method | |
EP3482353A1 (en) | Machine learning and prediction using graph communities | |
US11595361B2 (en) | Geolocation-aware, cyber-enabled inventory and asset management system with automated state prediction capability | |
Esquivel et al. | Spatio-temporal prediction of Baltimore crime events using CLSTM neural networks | |
US20200111174A1 (en) | Probabilistic Load Forecasting via Point Forecast Feature Integration | |
WO2017100278A1 (en) | Systems and methods of utilizing multiple forecast models in forecasting customer demands for products at retail facilities | |
US20210174367A1 (en) | System and method including accurate scoring and response | |
US10963799B1 (en) | Predictive data analysis of stocks | |
CN112036631B (zh) | 采购量确定方法、装置、设备及存储介质 | |
CN114971748A (zh) | 预测数据生成、模型训练方法、计算机设备以及存储介质 | |
CN110543565A (zh) | 基于卷积神经网络模型的审计方法、系统和可读存储介质 | |
US20180158147A1 (en) | Modeling multi-peril catastrophe using a distributed simulation engine | |
Machani et al. | A variable neighbourhood search for integrated production and preventive maintenance planning in multi-state systems | |
Coulaud et al. | Modeling dwell time in a data-rich railway environment: with operations and passenger flows data | |
CN116629464B (zh) | 货品的流向图数据的生成方法、装置、设备和介质 | |
US20210004716A1 (en) | Real-time global ai platform | |
CN114048330B (zh) | 风险传导概率知识图谱生成方法、装置、设备及存储介质 | |
WO2016116958A1 (ja) | 系列データ分析装置及プログラム | |
CN111737319B (zh) | 用户集群的预测方法、装置、计算机设备和存储介质 | |
CN114358186A (zh) | 一种数据处理方法、装置及计算机可读存储介质 | |
US9532165B2 (en) | Method and apparatus for location prediction using short text | |
US11551041B2 (en) | Method and device for conducting measurements for an N-dimensional data structure | |
Zhang et al. | Learning Spatial‐Temporal Features of Ride‐Hailing Services with Fusion Convolutional Networks | |
CN111951011A (zh) | 监控系统阈值确定方法及装置 |
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 |