CN116703470A - 供应信息的预测方法、装置、设备及存储介质 - Google Patents
供应信息的预测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116703470A CN116703470A CN202310993866.6A CN202310993866A CN116703470A CN 116703470 A CN116703470 A CN 116703470A CN 202310993866 A CN202310993866 A CN 202310993866A CN 116703470 A CN116703470 A CN 116703470A
- Authority
- CN
- China
- Prior art keywords
- prediction
- training
- depth model
- supply
- information
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 75
- 238000003860 storage Methods 0.000 title claims abstract description 16
- 230000009467 reduction Effects 0.000 claims abstract description 39
- 230000007774 longterm Effects 0.000 claims abstract description 35
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 238000012549 training Methods 0.000 claims description 150
- 238000012360 testing method Methods 0.000 claims description 60
- 238000012795 verification Methods 0.000 claims description 46
- 238000004422 calculation algorithm Methods 0.000 claims description 38
- 150000003839 salts Chemical class 0.000 claims description 30
- 238000012545 processing Methods 0.000 claims description 17
- 238000013528 artificial neural network Methods 0.000 claims description 16
- 230000011218 segmentation Effects 0.000 claims description 13
- 230000001105 regulatory effect Effects 0.000 claims description 12
- 230000004927 fusion Effects 0.000 claims description 11
- 230000015654 memory Effects 0.000 claims description 10
- 238000013135 deep learning Methods 0.000 claims description 9
- 238000007499 fusion processing Methods 0.000 claims description 9
- 230000007246 mechanism Effects 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 8
- 125000004122 cyclic group Chemical group 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 8
- 238000011176 pooling Methods 0.000 claims description 8
- 230000003044 adaptive effect Effects 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 5
- 238000009826 distribution Methods 0.000 claims description 5
- 238000007621 cluster analysis Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 3
- 230000002787 reinforcement Effects 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 230000009286 beneficial effect Effects 0.000 description 7
- 238000013068 supply chain management Methods 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000007689 inspection Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000000306 recurrent effect Effects 0.000 description 3
- 238000003066 decision tree Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000000546 chi-square test Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000013450 outlier detection Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
本发明涉及计算机技术及人工智能领域，公开了一种供应信息的预测方法、装置、设备及存储介质。所述供应信息的预测方法包括：获取与供应链相关的多维度样本数据，并对多维度样本数据进行预处理，得到与预测供应信息相关的数据，对与预测供应信息相关的数据进行关键特征提取，得到关键特征数据，以及对所述关键特征数据进行降维处理，得到降维后的特征集。本发明能够实现对供应量的短期与长期预测，提高预测的稳定性和可靠性。首先进行短期供应量预测，然后以此结果为基础进行长期供应量预测，这种混合预测方法能够充分利用两个模型的优势，使预测结果具有更高的准确性和稳健性。
Description
技术领域
本发明涉及计算机技术及人工智能领域，尤其涉及一种供应信息的预测方法、装置、设备及存储介质。
背景技术
随着全球经济一体化和市场竞争的加剧，供应链管理对于企业的生产、经营活动显得尤为关键。有效预测供应量是掌握供应链管理核心的基础，同时也是降低库存、减少浪费和提高企业竞争力的重要手段。然而，在实际运营中，由于供应链涉及多个环节，如原材料采购、生产加工、库存控制、物流配送等，涉及的数据量巨大且呈现出多维度、时空不连续、非线性等特点。因此，传统的预测方法，如多元线性回归、时间序列分析等，在面对如此复杂的数据时往往难以取得理想的预测效果。
近年来，深度学习技术在多个领域取得显著突破，这为解决供应链中供应量预测问题提供了新的思路。深度学习具有很强的数据挖掘和处理能力，可以自动提取多维度数据中的隐含特征，识别复杂的模式关系，从而在预测任务中表现出显著的优势。然而，将深度学习成功应用于供应链领域的供应量预测仍然面临一系列技术挑战，如如何在大量数据中筛选出对预测结果具有重要作用的特征，如何设计有效且稳定的深度预测模型，在实际场景中应用所得模型等。
因此，如何构建高效、稳定的预测模型，能够准确地预测短期和长期供应量，从而提高供应链管理的效率是有待解决的技术问题。
发明内容
本发明提供了一种供应信息的预测方法、装置、设备及存储介质，用于解决上述的技术问题。
本发明第一方面提供了一种供应信息的预测方法，所述供应信息的预测方法包括：
获取与供应链相关的多维度样本数据，并对多维度样本数据进行预处理，得到与预测供应信息相关的数据，对与预测供应信息相关的数据进行关键特征提取，得到关键特征数据，以及对所述关键特征数据进行降维处理，得到降维后的特征集；
将降维后的特征集按照预设的比例划分训练集、验证集和测试集，基于当前划分的训练集对第一预测深度模型进行预测性能训练；基于当前划分的验证集，调整第一预测深度模型的训练参数；基于当前划分的测试集对第一预测深度模型进行模型泛化能力检验，直至满足预设训练结束条件，得到训练后的第一预测深度模型；
将待分析的供应信息输入至训练后的第一预测深度模型中进行短期供应量预测，得到初次预测结果，并对所述初次预测结果进行标记；将标记后的初次预测结果输入至训练后的第二预测深度模型进行长期供应量预测，得到混合预测结果；其中，所述第二预测深度模型经过提前训练得到的。
可选的，在本发明第一方面的第一种实现方式中，所述获取与供应链相关的多维度样本数据之前，包括：
启动实时监听和验证用户的解锁操作，当监听到解锁操作时，自动发送校验解锁密码的第一请求至预先绑定的移动终端；
移动终端收到第一请求后，提示用户在移动终端上输入第一密码，并记录用户输入的密码信息；
获取当前用户操作对应的标识码，基于所述标识码生成随机盐值，并与输入的第一密码拼接为字符串；
利用哈希算法对拼接得到的字符串进行哈希处理，得到加密后的第二密码，并发送至服务器端进行比对；
服务器端将加密后的第二密码与存储在服务器端的加密后的解锁密码进行比对；如果比对成功，则通知移动终端解锁成功，并将解锁状态同步更新至数据库；若比对失败，则通知移动终端重新输入；其中，所述服务器端将预设的解锁密码与获取到的所述标识码以及基于所述标识码生成随机盐值预先进行与移动端相同的加密和哈希处理；
收到服务器端的解锁成功通知后，生成解锁指令并发送至供应链数据访问端；
供应链数据访问端接收解锁指令后，解除安全访问模式，允许用户访问供应链的多维度样本数据。
可选的，在本发明第一方面的第二种实现方式中，所述获取当前用户操作对应的标识码，基于所述标识码生成随机盐值，并与输入的第一密码拼接为字符串，包括：
获取包含用户操作指令及对应操作标识码的控制信号；其中，所述标识码为每次会话分配的一个唯一的标识码，并将所述标识码存储在控制器中；
解析接收到的控制信号，得到控制信号中标识码携带的标识字段；
获取所述标识字段的字符数量，根据所述字符数量匹配对应的字符分割策略；其中，预先存储有字符数量与字符分割策略的对应关系；
基于匹配的字符分割策略将标识字段拆分成多个有序的字符区间，得到多个依次排序的字符区间；
获取各个字符区间的首字母，并选择出首字母为预设字符的目标字符区间；获取目标字符区间中的字符作为指定标识符；根据所述指定标识符生成随机盐值；
将随机盐值与用户输入的第一密码进行拼接，得到字符串。
可选的，在本发明第一方面的第三种实现方式中，所述将降维后的特征集按照预设的比例划分训练集、验证集和测试集，基于当前划分的训练集对第一预测深度模型进行预测性能训练；基于当前划分的验证集，调整第一预测深度模型的训练参数；基于当前划分的测试集对第一预测深度模型进行模型泛化能力检验，直至满足预设训练结束条件，得到训练后的第一预测深度模型，包括：
获取降维后的特征集，基于聚类分析和信息熵的自适应划分算法，按照特征集的数据复杂度和数据分布将特征集划分为训练集、验证集和测试集；
基于当前划分的训练集对第一预测深度模型进行预测性能训练，通过强化学习的策略网络动态调整训练集样本权重；其中，训练集包括各个训练样本、各个训练样本对应的训练样本权重和各个训练样本对应的目标特征；
基于当前划分的验证集，利用融合协同进化算法调整第一预测深度模型的训练参数；其中，验证集包括各个验证样本、各个验证样本对应的验证样本权重和各个验证样本对应的目标特征；
基于当前划分的测试集对第一预测深度模型进行模型泛化能力检验；其中，测试集包括各个测试样本、各个测试样本对应的测试样本权重和各个测试样本对应的目标特征；
直至满足预设训练结束条件，得到训练后的第一预测深度模型。
可选的，在本发明第一方面的第四种实现方式中，所述将待分析的供应信息输入至训练后的第一预测深度模型中进行短期供应量预测，得到初次预测结果，并对所述初次预测结果进行标记；将标记后的初次预测结果输入至训练后的第二预测深度模型进行长期供应量预测，得到混合预测结果，包括：
获取历史供应量的序列值及与所述序列值对应的多个影响因子；
删除序列值中的异常值，将影响因子中的文本信息转换成数值信息，对影响因子中的数值信息进行归一化；
从所述序列值中进行特征提取，得到供应量特征，以及从所述影响因子中进行特征提取，得到影响因子特征；
通过所述供应量特征及所述影响因子特征，基于CatBoost算法训练第一预测深度模型，得到训练后的第一预测深度模型；其中，所述第一预测深度模型用于对短期供应量信息进行预测；
将对待分析的供应信息输入至训练后的第一预测深度模型中进行短期供应量预测，得到初次预测结果，并对所述初次预测结果进行标记，将标记后的初次预测结果输入至训练后的第二预测深度模型进行长期供应量预测，得到混合预测结果；其中，所述第二预测深度模型经过提前训练得到的。
可选的，在本发明第一方面的第五种实现方式中，所述第二预测深度模型的训练过程，包括：
获取训练数据，包括影响因子和序列值，利用基于时域和频域分析的联合特征提取算法，提取所述训练数据的第一影响因子特征值，其中，所述第一影响因子特征值包括对应的标签；
构建深度卷积网络，将第一影响因子特征值样本输入至深度卷积网络进行训练，得到第一预测调节值；
基于图神经网络的嵌入策略，将所述第一影响因子特征值与所述第一预测调节值通过预设的第一融合算法进行融合处理，得到第二影响因子特征值，将所述第二影响因子特征值输入至第二预测深度模型的多尺度池化层进行训练，得到第二预测调节值；
基于注意力机制以及循环神经网络，在时间和空间维度分别进行长短期依赖建模，将所述第二影响因子特征值与所述第二预测调节值通过预设的第二融合算法进行融合处理，得到第三影响因子特征值，将所述第三影响因子特征值输入至第二预测深度模型的自适应残差网络进行训练，得到第三预测调节值；
依次迭代调整所述第二预测深度模型中的模型参数，直至第二预测深度模型的激活函数层收敛，完成模型训练，得到训练后的第二预测深度模型；其中，所述第二预测深度模型经过深度学习算法的演进，包括：优化过的深度卷积网络、多尺度池化层、自适应残差网络、循环神经网络和带注意力机制的激活函数层。
本发明第二方面提供了一种供应信息的预测装置，所述供应信息的预测装置包括：
获取模块，用于获取与供应链相关的多维度样本数据，并对多维度样本数据进行预处理，得到与预测供应信息相关的数据，对与预测供应信息相关的数据进行关键特征提取，得到关键特征数据，以及对所述关键特征数据进行降维处理，得到降维后的特征集；
训练模块，用于将降维后的特征集按照预设的比例划分训练集、验证集和测试集，基于当前划分的训练集对第一预测深度模型进行预测性能训练；基于当前划分的验证集，调整第一预测深度模型的训练参数；基于当前划分的测试集对第一预测深度模型进行模型泛化能力检验，直至满足预设训练结束条件，得到训练后的第一预测深度模型；
处理模块，用于将对待分析的供应信息输入至训练后的第一预测深度模型中进行短期供应量预测，得到初次预测结果，并对所述初次预测结果进行标记；将标记后的初次预测结果输入至训练后的第二预测深度模型进行长期供应量预测，得到混合预测结果；其中，所述第二预测深度模型经过提前训练得到的。
本发明第三方面提供了一种供应信息的预测设备，包括：存储器和至少一个处理器，所述存储器中存储有指令；所述至少一个处理器调用所述存储器中的所述指令，以使得所述供应信息的预测设备执行上述的供应信息的预测方法。
本发明的第四方面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中存储有指令，当其在计算机上运行时，使得计算机执行上述的供应信息的预测方法。
本发明提供的技术方案中，有益效果：本发明提供的一种供应信息的预测方法、装置、设备及存储介质，通过对多维度样本数据的预处理，并对其关键特征进行提取和降维处理，本技术方案能够得到与预测供应信息相关的高质量数据，有效提高预测准确度。通过将降维后的特征集划分为训练集、验证集和测试集，并基于这些数据集对第一预测深度模型进行预测性能训练、训练参数调整和模型泛化能力检验，本技术方案能够实现对供应量的短期与长期预测，提高预测的稳定性和可靠性。采用两个预测深度模型的串联方式，首先进行短期供应量预测，然后以此结果为基础进行长期供应量预测，这种混合预测方法能够充分利用两个模型的优势，使预测结果具有更高的准确性和稳健性。
附图说明
图1为本发明实施例中供应信息的预测方法的一个实施例示意图；
图2为本发明实施例中供应信息的预测装置的一个实施例示意图。
具体实施方式
本发明实施例提供了一种供应信息的预测方法、装置、设备及存储介质。本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等（如果存在）是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”或“具有”及其任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解，下面对本发明实施例的具体流程进行描述，请参阅图1，本发明实施例中供应信息的预测方法的一个实施例包括：
步骤101、获取与供应链相关的多维度样本数据，并对多维度样本数据进行预处理，得到与预测供应信息相关的数据，对与预测供应信息相关的数据进行关键特征提取，得到关键特征数据，以及对所述关键特征数据进行降维处理，得到降维后的特征集；
具体的，这个步骤主要是对与供应链相关的多维度样本数据进行预处理、关键特征提取和降维处理，以便为后续深度学习模型提供输入数据。以下是关于这个步骤的详细解释：
获取多维度样本数据：此阶段的目标是收集各个供应链环节相关的原始数据，如生产数据、销售数据、库存数据、供应商数据。这些数据包括结构化（如数值、时间序列）和非结构化（如文本、图像）数据。
预处理：在这个阶段，对收集到的多维度数据进行清洗、处理，以消除数据中的噪声、异常值和缺失值。处理方法包括空值填充、异常值检测、数据标准化、数据离散化。
关键特征提取：从预处理后的数据中，提取对供应量预测具有重要作用的特征，过滤掉无关或冗余的信息。特征选择方法包括过滤法（如相关系数法、卡方检验法）、包裹法（如递归特征消除法）、嵌入法（如Lasso回归、决策树算法）。这一步骤能降低数据维度，简化模型的计算复杂度，同时保留预测能力。
降维处理：在关键特征提取之后，还通过降维方法进一步减少特征数量，同时保留数据中的主要信息。降维方法包括线性方法（如主成分分析PCA、线性判别分析LDA）和非线性方法（如t分布邻域嵌入t-SNE、局部线性嵌入LLE）。降维处理有助于提高模型的运算速度和泛化能力，防止过拟合。
通过以上四个步骤，得到一个较小维度、高质量的特征集，为后续构建和训练预测深度模型提供有效、可靠的输入。
可以理解的是，本发明的执行主体可以为供应信息的预测装置，还可以是终端或者服务器，具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。
步骤102、将降维后的特征集按照预设的比例划分训练集、验证集和测试集，基于当前划分的训练集对第一预测深度模型进行预测性能训练；基于当前划分的验证集，调整第一预测深度模型的训练参数；基于当前划分的测试集对第一预测深度模型进行模型泛化能力检验，直至满足预设训练结束条件，得到训练后的第一预测深度模型；
具体的，这个步骤的目的是使用降维后的特征集对第一预测深度模型进行训练、参数调整和泛化能力检验，以达到预设的训练结束条件，得到训练后的第一预测深度模型。以下是关于这个步骤的详细解释：
划分数据集：将降维后的特征集按照预设比例分为三个部分：训练集、验证集和测试集，其中，所述预设比例为60% / 20% / 20%或70% / 15% / 15%。训练集主要用于训练模型；验证集用于调整模型的超参数；测试集用于检验模型在未知数据上的泛化能力。
预测性能训练：基于当前划分的训练集对第一预测深度模型进行训练。第一预测深度模型至少包括如下深度模型之一：卷积神经网络（CNN）、循环神经网络（RNN）、长短时记忆网络（LSTM）。通过梯度下降优化方法，逐步调整模型参数以最小化预测误差。
超参数调整：基于当前划分的验证集，对第一预测深度模型的超参数进行调整。超参数是在模型训练过程中无法直接学到的参数，如学习率、批大小、优化器种类等。采用网格搜索算法、贝叶斯优化算法搜索合适的超参数值，以便提高模型在验证集上的表现。
模型泛化能力检验：在训练和超参数调整完成后，使用当前划分的测试集评估第一预测深度模型的泛化能力，采用如平均绝对误差（MAE）、均方误差（MSE），R^2 等评估指标，帮助判断模型是否存在过拟合或欠拟合现象。
预设训练结束条件：设置终止训练的条件，如最大迭代次数、验证集上性能收敛。当满足预设条件时，训练过程结束，得到最终的第一预测深度模型。
通过以上五个步骤，实现了第一预测深度模型的训练、参数调整和泛化能力检验。确保了模型具有在实际场景中进行短期供应量预测的准确性和稳定性。
步骤103、将待分析的供应信息输入至训练后的第一预测深度模型中进行短期供应量预测，得到初次预测结果，并对所述初次预测结果进行标记；将标记后的初次预测结果输入至训练后的第二预测深度模型进行长期供应量预测，得到混合预测结果；其中，所述第二预测深度模型经过提前训练得到的。
具体的，这个步骤的目标是将待分析的供应信息输入到经过训练的第一和第二预测深度模型中，分别进行短期和长期供应量预测，并得到综合的混合预测结果。以下是关于这个步骤的详细解释：
短期供应量预测：首先将待分析的供应信息输入到训练完成的第一预测深度模型中。该模型主要负责短期供应量预测，解决业务的短期需求。当输入数据经过第一预测深度模型计算后，将得到初次预测结果，即短期供应量预测值。
标记初次预测结果：对第一预测深度模型得到的短期供应量预测结果进行标记，用于区分短期预测值与后续长期预测值。
长期供应量预测：将标记后的初次预测结果输入到提前训练完成的第二预测深度模型中。第二预测深度模型主要关注长期供应量预测，为企业提供长期供应规划参考。与第一模型类似，第二模型同样采用深度学习框架，如卷积神经网络（CNN）、循环神经网络（RNN）、长短时记忆网络（LSTM）等。经过第二预测深度模型的计算，得到长期供应量的预测结果。
得到混合预测结果：根据短期和长期预测结果的特点，对它们进行有针对性的合成，得到最终混合预测结果。这一混合结果综合考虑了短期和长期供应需求，可以帮助企业在不同时间尺度上做出更为合理的供应链管理决策。
通过以上四个步骤，实现了对供应信息的短期和长期供应量预测，进而得到混合预测结果。采用两个深度模型的串联方式，能有效提高预测准确性和稳定性
本发明实施例中，有益效果：本发明提供的一种供应信息的预测方法，通过对多维度样本数据的预处理，并对其关键特征进行提取和降维处理，本技术方案能够得到与预测供应信息相关的高质量数据，有效提高预测准确度。通过将降维后的特征集划分为训练集、验证集和测试集，并基于这些数据集对第一预测深度模型进行预测性能训练、训练参数调整和模型泛化能力检验，本技术方案能够实现对供应量的短期与长期预测，提高预测的稳定性和可靠性。采用两个预测深度模型的串联方式，首先进行短期供应量预测，然后以此结果为基础进行长期供应量预测，这种混合预测方法能够充分利用两个模型的优势，使预测结果具有更高的准确性和稳健性。
本发明实施例中供应信息的预测方法的另一个实施例包括：
所述获取与供应链相关的多维度样本数据之前，包括：
启动实时监听和验证用户的解锁操作，当监听到解锁操作时，自动发送校验解锁密码的第一请求至预先绑定的移动终端；
移动终端收到第一请求后，提示用户在移动终端上输入第一密码，并记录用户输入的密码信息；
获取当前用户操作对应的标识码，基于所述标识码生成随机盐值，并与输入的第一密码拼接为字符串；
利用哈希算法对拼接得到的字符串进行哈希处理，得到加密后的第二密码，并发送至服务器端进行比对；
服务器端将加密后的第二密码与存储在服务器端的加密后的解锁密码进行比对；如果比对成功，则通知移动终端解锁成功，并将解锁状态同步更新至数据库；若比对失败，则通知移动终端重新输入；其中，所述服务器端将预设的解锁密码与获取到的所述标识码以及基于所述标识码生成随机盐值预先进行与移动端相同的加密和哈希处理；
收到服务器端的解锁成功通知后，生成解锁指令并发送至供应链数据访问端；
供应链数据访问端接收解锁指令后，解除安全访问模式，允许用户访问供应链的多维度样本数据。
本发明实施例中，有益效果：通过这个技术方案，确保了只有经过验证的用户才能访问供应链的多维度样本数据，从而维护数据的安全性。
本发明实施例中供应信息的预测方法的另一个实施例包括：
所述获取当前用户操作对应的标识码，基于所述标识码生成随机盐值，并与输入的第一密码拼接为字符串，包括：
获取包含用户操作指令及对应操作标识码的控制信号；其中，所述标识码为每次会话分配的一个唯一的标识码，并将所述标识码存储在控制器中；
解析接收到的控制信号，得到控制信号中标识码携带的标识字段；
获取所述标识字段的字符数量，根据所述字符数量匹配对应的字符分割策略；其中，预先存储有字符数量与字符分割策略的对应关系；
基于匹配的字符分割策略将标识字段拆分成多个有序的字符区间，得到多个依次排序的字符区间；
获取各个字符区间的首字母，并选择出首字母为预设字符的目标字符区间；获取目标字符区间中的字符作为指定标识符；根据所述指定标识符生成随机盐值；
将随机盐值与用户输入的第一密码进行拼接，得到字符串。
具体的，本发明实施例阐述了如何从当前用户操作中获取标识码，以及如何基于该标识码生成随机盐值和与第一密码拼接为字符串的过程。以下是对该过程的进一步解释：
获取包含用户操作指令及对应操作标识码的控制信号：
系统会获取一个包含用户操作指令及相应操作标识码的控制信号。每次会话都会分配一个唯一的标识码，这个标识码会存储在控制器中。
解析控制信号并获取标识字段：
系统会解析接收到的控制信号，得到标识码携带的标识字段。这个标识字段将作为随后生成盐值的核心信息。
获取字符数量和匹配字符分割策略：
系统会获取标识字段的字符数量，并根据字符数量匹配对应的字符分割策略。系统内预先存储了字符数量与字符分割策略的对应关系。
基于匹配的策略拆分标识字段：
接下来，系统会基于匹配的字符分割策略将标识字段拆分成多个有序的字符区间。这样，便得到了多个依次排序的字符区间。
获取各个字符区间的首字母并选出目标字符区间：
系统会获取各个字符区间的首字母，并选择出首字母为预设字符的目标字符区间。这个目标字符区间的字符将作为指定标识符。
根据指定标识符生成随机盐值：
系统会根据所选出的指定标识符生成随机盐值。这个盐值将与用户输入的第一密码拼接，用以增加密码的复杂度。
拼接随机盐值和第一密码：
最后，系统会将生成的随机盐值与用户输入的第一密码拼接为一个字符串。这个字符串之后会进行哈希处理，生成加密后的第二密码。
本发明实施例中，有益效果：本发明实施例通过每次用户操作都会生成一个在当前会话中唯一的标识码，同时借助随机盐值的生成，会增加密码破解的难度。这个技术方案进一步提高了供应链多维度样本数据的安全性。
本发明实施例中供应信息的预测方法的另一个实施例包括：
所述将降维后的特征集按照预设的比例划分训练集、验证集和测试集，基于当前划分的训练集对第一预测深度模型进行预测性能训练；基于当前划分的验证集，调整第一预测深度模型的训练参数；基于当前划分的测试集对第一预测深度模型进行模型泛化能力检验，直至满足预设训练结束条件，得到训练后的第一预测深度模型，包括：
获取降维后的特征集，基于聚类分析和信息熵的自适应划分算法，按照特征集的数据复杂度和数据分布将特征集划分为训练集、验证集和测试集；
基于当前划分的训练集对第一预测深度模型进行预测性能训练，通过强化学习的策略网络动态调整训练集样本权重；其中，训练集包括各个训练样本、各个训练样本对应的训练样本权重和各个训练样本对应的目标特征；
基于当前划分的验证集，利用融合协同进化算法调整第一预测深度模型的训练参数；其中，验证集包括各个验证样本、各个验证样本对应的验证样本权重和各个验证样本对应的目标特征；
基于当前划分的测试集对第一预测深度模型进行模型泛化能力检验；其中，测试集包括各个测试样本、各个测试样本对应的测试样本权重和各个测试样本对应的目标特征；
直至满足预设训练结束条件，得到训练后的第一预测深度模型。
本发明实施例中供应信息的预测方法的另一个实施例包括：
所述将待分析的供应信息输入至训练后的第一预测深度模型中进行短期供应量预测，得到初次预测结果，并对所述初次预测结果进行标记；将标记后的初次预测结果输入至训练后的第二预测深度模型进行长期供应量预测，得到混合预测结果，包括：
获取历史供应量的序列值及与所述序列值对应的多个影响因子；
删除序列值中的异常值，将影响因子中的文本信息转换成数值信息，对影响因子中的数值信息进行归一化；
从所述序列值中进行特征提取，得到供应量特征，以及从所述影响因子中进行特征提取，得到影响因子特征；
通过所述供应量特征及所述影响因子特征，基于CatBoost算法训练第一预测深度模型，得到训练后的第一预测深度模型；其中，所述第一预测深度模型用于对短期供应量信息进行预测；
将对待分析的供应信息输入至训练后的第一预测深度模型中进行短期供应量预测，得到初次预测结果，并对所述初次预测结果进行标记，将标记后的初次预测结果输入至训练后的第二预测深度模型进行长期供应量预测，得到混合预测结果；其中，所述第二预测深度模型经过提前训练得到的。
具体的，所述将待分析的供应信息输入至训练后的第一预测深度模型中进行短期供应量预测，得到初次预测结果，并对所述初次预测结果进行标记；将标记后的初次预测结果输入至训练后的第二预测深度模型进行长期供应量预测，得到混合预测结果，包括：
获取历史供应量的序列值及与所述序列值对应的多个影响因子；
删除序列值中的异常值，将影响因子中的文本信息转换成数值信息，对影响因子中的数值信息进行归一化；
从所述序列值中进行特征提取，得到供应量特征，以及从所述影响因子中进行特征提取，得到影响因子特征；
通过所述供应量特征及所述影响因子特征，基于CatBoost算法训练第一预测深度模型，得到训练后的第一预测深度模型；其中，所述第一预测深度模型用于对短期供应量信息进行预测；
将对待分析的供应信息输入至训练后的第一预测深度模型中进行短期供应量预测，得到初次预测结果，并对所述初次预测结果进行标记，将标记后的初次预测结果输入至训练后的第二预测深度模型进行长期供应量预测，得到混合预测结果；其中，所述第二预测深度模型经过提前训练得到的。
进一步地细化如何通过所述供应量特征及所述影响因子特征，基于CatBoost算法训练第一预测深度模型，得到训练后的第一预测深度模型，以下是具体步骤的解释细化：
准备数据：
首先，从历史数据中获取供应量序列值及其对应的多个影响因子。删除序列值中的异常值，并将影响因子中的文本信息转换为数值信息，然后，对影响因子中的数值信息进行归一化以消除数值范围差异的影响。
提取特征：
从序列值中进行特征提取，得到供应量特征。同样地，从影响因子中提取特征，得到影响因子特征。
CatBoost算法训练：
将供应量特征和影响因子特征作为输入，使用CatBoost算法进行训练。CatBoost是一种基于梯度提升决策树的机器学习算法，特别适用于具有分类和回归任务的结构化数据。
构建第一预测深度模型：
利用训练数据集基于CatBoost算法训练出的模型，构建第一预测深度模型。这个模型专门用于预测短期供应量信息。
第一预测深度模型的应用：
为了进行短期供应量预测，待分析的供应信息会被输入到训练后的第一预测深度模型中。然后，得到初次预测结果并对其进行标记。这些标记后的初次预测结果会进一步输入到第二预测深度模型中进行长期供应量预测。
本发明实施例中，有益效果：通过以上步骤，基于CatBoost算法训练出的第一预测深度模型可以有效地分析和预测短期供应量信息，为长期供应量预测提供重要依据。
本发明实施例中供应信息的预测方法的另一个实施例包括：
所述第二预测深度模型的训练过程，包括：
获取训练数据，包括影响因子和序列值，利用基于时域和频域分析的联合特征提取算法，提取所述训练数据的第一影响因子特征值，其中，所述第一影响因子特征值包括对应的标签；
构建深度卷积网络，将第一影响因子特征值样本输入至深度卷积网络进行训练，得到第一预测调节值；
基于图神经网络的嵌入策略，将所述第一影响因子特征值与所述第一预测调节值通过预设的第一融合算法进行融合处理，得到第二影响因子特征值，将所述第二影响因子特征值输入至第二预测深度模型的多尺度池化层进行训练，得到第二预测调节值；
基于注意力机制以及循环神经网络，在时间和空间维度分别进行长短期依赖建模，将所述第二影响因子特征值与所述第二预测调节值通过预设的第二融合算法进行融合处理，得到第三影响因子特征值，将所述第三影响因子特征值输入至第二预测深度模型的自适应残差网络进行训练，得到第三预测调节值；
依次迭代调整所述第二预测深度模型中的模型参数，直至第二预测深度模型的激活函数层收敛，完成模型训练，得到训练后的第二预测深度模型；其中，所述第二预测深度模型经过深度学习算法的演进，包括：优化过的深度卷积网络、多尺度池化层、自适应残差网络、循环神经网络和带注意力机制的激活函数层。
具体的，本发明实施例包含了多个深度学习算法的演进。以下是对该过程的深度解释：
获取训练数据及特征提取：
首先，获取训练数据，包括影响因子和序列值。采用基于时域和频域分析的联合特征提取算法，从训练数据中提取第一影响因子特征值，其中包括对应的标签。
深度卷积网络训练：
构建深度卷积网络，将第一影响因子特征值样本输入至深度卷积网络进行训练，得到第一预测调节值。深度卷积网络能够有效学习特征，捕获局部依赖关系。
图神经网络嵌入策略：
基于图神经网络的嵌入策略，将第一影响因子特征值与第一预测调节值通过预设的第一融合算法进行融合处理，得到第二影响因子特征值。随后，将第二影响因子特征值输入至第二预测深度模型的多尺度池化层进行训练，得到第二预测调节值。
注意力机制与循环神经网络：
结合注意力机制和循环神经网络，在时间和空间维度上分别进行长短期依赖建模。将第二影响因子特征值与第二预测调节值通过预设的第二融合算法进行融合处理，得到第三影响因子特征值。接着，将第三影响因子特征值输入至第二预测深度模型的自适应残差网络进行训练，得到第三预测调节值。
迭代训练及模型收敛：
依次迭代调整第二预测深度模型中的模型参数，直至模型的激活函数层收敛。最终完成模型训练，得到训练后的第二预测深度模型。
本发明实施例中，有益效果：本发明实施例利用了深度卷积网络、多尺度池化层、自适应残差网络、循环神经网络和带注意力机制的激活函数层等深度学习算法，以提高模型的预测性能。通过多阶段的融合处理和模型训练，最终实现对长期供应量的预测。这个技术方案有助于实现更准确的供应链预测，从而提高供应链管理的效率。
上面对本发明实施例中供应信息的预测方法进行了描述，下面对本发明实施例中供应信息的预测装置进行描述，请参阅图2，本发明实施例中供应信息的预测装置1一个实施例包括：
获取模块11，用于获取与供应链相关的多维度样本数据，并对多维度样本数据进行预处理，得到与预测供应信息相关的数据，对与预测供应信息相关的数据进行关键特征提取，得到关键特征数据，以及对所述关键特征数据进行降维处理，得到降维后的特征集；
训练模块12，用于将降维后的特征集按照预设的比例划分训练集、验证集和测试集，基于当前划分的训练集对第一预测深度模型进行预测性能训练；基于当前划分的验证集，调整第一预测深度模型的训练参数；基于当前划分的测试集对第一预测深度模型进行模型泛化能力检验，直至满足预设训练结束条件，得到训练后的第一预测深度模型；
处理模块13，用于将对待分析的供应信息输入至训练后的第一预测深度模型中进行短期供应量预测，得到初次预测结果，并对所述初次预测结果进行标记；将标记后的初次预测结果输入至训练后的第二预测深度模型进行长期供应量预测，得到混合预测结果；其中，所述第二预测深度模型经过提前训练得到的。
在本实施例中，上述供应信息的预测装置实施例中的各个模块的具体实现，请参照上述供应信息的预测方法实施例中所述，在此不再进行赘述。
本发明还提供一种供应信息的预测设备，所述供应信息的预测设备包括存储器和处理器，存储器中存储有计算机可读指令，计算机可读指令被处理器执行时，使得处理器执行上述各实施例中的所述供应信息的预测方法的步骤。
本发明还提供一种计算机可读存储介质，该计算机可读存储介质可以为非易失性计算机可读存储介质，该计算机可读存储介质也可以为易失性计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在计算机上运行时，使得计算机执行所述供应信息的预测方法的步骤。
有益效果：本发明提供的一种供应信息的预测方法、装置、设备及存储介质，通过对多维度样本数据的预处理，并对其关键特征进行提取和降维处理，本发明能够得到与预测供应信息相关的高质量数据，有效提高预测准确度。通过将降维后的特征集划分为训练集、验证集和测试集，并基于这些数据集对第一预测深度模型进行预测性能训练、训练参数调整和模型泛化能力检验，本发明能够实现对供应量的短期与长期预测，提高预测的稳定性和可靠性。采用两个预测深度模型的串联方式，首先进行短期供应量预测，然后以此结果为基础进行长期供应量预测，这种混合预测方法能够充分利用两个模型的优势，使预测结果具有更高的准确性和稳健性。
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例中的对应过程，在此不再赘述。
所述集成的单元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，本发明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该技术方案的全部或部分可以以软件产品的形式体现出来，该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）执行本发明各个实施例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（read-only memory，ROM）、随机存取存储器（random access memory，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，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：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；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (9)
1.一种供应信息的预测方法，其特征在于，包括：
获取与供应链相关的多维度样本数据，并对多维度样本数据进行预处理，得到与预测供应信息相关的数据，对与预测供应信息相关的数据进行关键特征提取，得到关键特征数据，以及对所述关键特征数据进行降维处理，得到降维后的特征集；
将降维后的特征集按照预设的比例划分训练集、验证集和测试集，基于当前划分的训练集对第一预测深度模型进行预测性能训练；基于当前划分的验证集，调整第一预测深度模型的训练参数；基于当前划分的测试集对第一预测深度模型进行模型泛化能力检验，直至满足预设训练结束条件，得到训练后的第一预测深度模型；
将待分析的供应信息输入至训练后的第一预测深度模型中进行短期供应量预测，得到初次预测结果，并对所述初次预测结果进行标记；将标记后的初次预测结果输入至训练后的第二预测深度模型进行长期供应量预测，得到混合预测结果；其中，所述第二预测深度模型经过提前训练得到的。
2.根据权利要求1所述的方法，其特征在于，所述获取与供应链相关的多维度样本数据之前，包括：
启动实时监听和验证用户的解锁操作，当监听到解锁操作时，自动发送校验解锁密码的第一请求至预先绑定的移动终端；
移动终端收到第一请求后，提示用户在移动终端上输入第一密码，并记录用户输入的密码信息；
获取当前用户操作对应的标识码，基于所述标识码生成随机盐值，并与输入的第一密码拼接为字符串；
利用哈希算法对拼接得到的字符串进行哈希处理，得到加密后的第二密码，并发送至服务器端进行比对；
服务器端将加密后的第二密码与存储在服务器端的加密后的解锁密码进行比对；如果比对成功，则通知移动终端解锁成功，并将解锁状态同步更新至数据库；若比对失败，则通知移动终端重新输入；其中，所述服务器端将预设的解锁密码与获取到的所述标识码以及基于所述标识码生成随机盐值预先进行与移动端相同的加密和哈希处理；
收到服务器端的解锁成功通知后，生成解锁指令并发送至供应链数据访问端；
供应链数据访问端接收解锁指令后，解除安全访问模式，允许用户访问供应链的多维度样本数据。
3.根据权利要求2所述的方法，其特征在于，所述获取当前用户操作对应的标识码，基于所述标识码生成随机盐值，并与输入的第一密码拼接为字符串，包括：
获取包含用户操作指令及对应操作标识码的控制信号；其中，所述标识码为每次会话分配的一个唯一的标识码，并将所述标识码存储在控制器中；
解析接收到的控制信号，得到控制信号中标识码携带的标识字段；
获取所述标识字段的字符数量，根据所述字符数量匹配对应的字符分割策略；其中，预先存储有字符数量与字符分割策略的对应关系；
基于匹配的字符分割策略将标识字段拆分成多个有序的字符区间，得到多个依次排序的字符区间；
获取各个字符区间的首字母，并选择出首字母为预设字符的目标字符区间；获取目标字符区间中的字符作为指定标识符；根据所述指定标识符生成随机盐值；
将随机盐值与用户输入的第一密码进行拼接，得到字符串。
4.根据权利要求1所述的方法，其特征在于，所述将降维后的特征集按照预设的比例划分训练集、验证集和测试集，基于当前划分的训练集对第一预测深度模型进行预测性能训练；基于当前划分的验证集，调整第一预测深度模型的训练参数；基于当前划分的测试集对第一预测深度模型进行模型泛化能力检验，直至满足预设训练结束条件，得到训练后的第一预测深度模型，包括：
获取降维后的特征集，基于聚类分析和信息熵的自适应划分算法，按照特征集的数据复杂度和数据分布将特征集划分为训练集、验证集和测试集；
基于当前划分的训练集对第一预测深度模型进行预测性能训练，通过强化学习的策略网络动态调整训练集样本权重；其中，训练集包括各个训练样本、各个训练样本对应的训练样本权重和各个训练样本对应的目标特征；
基于当前划分的验证集，利用融合协同进化算法调整第一预测深度模型的训练参数；其中，验证集包括各个验证样本、各个验证样本对应的验证样本权重和各个验证样本对应的目标特征；
基于当前划分的测试集对第一预测深度模型进行模型泛化能力检验；其中，测试集包括各个测试样本、各个测试样本对应的测试样本权重和各个测试样本对应的目标特征；
直至满足预设训练结束条件，得到训练后的第一预测深度模型。
5.根据权利要求1所述的方法，其特征在于，所述将待分析的供应信息输入至训练后的第一预测深度模型中进行短期供应量预测，得到初次预测结果，并对所述初次预测结果进行标记；将标记后的初次预测结果输入至训练后的第二预测深度模型进行长期供应量预测，得到混合预测结果，包括：
获取历史供应量的序列值及与所述序列值对应的多个影响因子；
删除序列值中的异常值，将影响因子中的文本信息转换成数值信息，对影响因子中的数值信息进行归一化；
从所述序列值中进行特征提取，得到供应量特征，以及从所述影响因子中进行特征提取，得到影响因子特征；
通过所述供应量特征及所述影响因子特征，基于CatBoost算法训练第一预测深度模型，得到训练后的第一预测深度模型；其中，所述第一预测深度模型用于对短期供应量信息进行预测；
将对待分析的供应信息输入至训练后的第一预测深度模型中进行短期供应量预测，得到初次预测结果，并对所述初次预测结果进行标记，将标记后的初次预测结果输入至训练后的第二预测深度模型进行长期供应量预测，得到混合预测结果；其中，所述第二预测深度模型经过提前训练得到的。
6.根据权利要求5所述的方法，其特征在于，所述第二预测深度模型的训练过程，包括：
获取训练数据，包括影响因子和序列值，利用基于时域和频域分析的联合特征提取算法，提取所述训练数据的第一影响因子特征值，其中，所述第一影响因子特征值包括对应的标签；
构建深度卷积网络，将第一影响因子特征值样本输入至深度卷积网络进行训练，得到第一预测调节值；
基于图神经网络的嵌入策略，将所述第一影响因子特征值与所述第一预测调节值通过预设的第一融合算法进行融合处理，得到第二影响因子特征值，将所述第二影响因子特征值输入至第二预测深度模型的多尺度池化层进行训练，得到第二预测调节值；
基于注意力机制以及循环神经网络，在时间和空间维度分别进行长短期依赖建模，将所述第二影响因子特征值与所述第二预测调节值通过预设的第二融合算法进行融合处理，得到第三影响因子特征值，将所述第三影响因子特征值输入至第二预测深度模型的自适应残差网络进行训练，得到第三预测调节值；
依次迭代调整所述第二预测深度模型中的模型参数，直至第二预测深度模型的激活函数层收敛，完成模型训练，得到训练后的第二预测深度模型；其中，所述第二预测深度模型经过深度学习算法的演进，包括：优化过的深度卷积网络、多尺度池化层、自适应残差网络、循环神经网络和带注意力机制的激活函数层。
7.一种供应信息的预测装置，其特征在于，所述供应信息的预测装置包括：
获取模块，用于获取与供应链相关的多维度样本数据，并对多维度样本数据进行预处理，得到与预测供应信息相关的数据，对与预测供应信息相关的数据进行关键特征提取，得到关键特征数据，以及对所述关键特征数据进行降维处理，得到降维后的特征集；
训练模块，用于将降维后的特征集按照预设的比例划分训练集、验证集和测试集，基于当前划分的训练集对第一预测深度模型进行预测性能训练；基于当前划分的验证集，调整第一预测深度模型的训练参数；基于当前划分的测试集对第一预测深度模型进行模型泛化能力检验，直至满足预设训练结束条件，得到训练后的第一预测深度模型；
处理模块，用于将对待分析的供应信息输入至训练后的第一预测深度模型中进行短期供应量预测，得到初次预测结果，并对所述初次预测结果进行标记；将标记后的初次预测结果输入至训练后的第二预测深度模型进行长期供应量预测，得到混合预测结果；其中，所述第二预测深度模型经过提前训练得到的。
8.一种供应信息的预测设备，其特征在于，所述供应信息的预测设备包括：存储器和至少一个处理器，所述存储器中存储有指令；
所述至少一个处理器调用所述存储器中的所述指令，以使得所述供应信息的预测设备执行如权利要求1-6中任一项所述的供应信息的预测方法。
9.一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，其特征在于，所述指令被处理器执行时实现如权利要求1-6中任一项所述的供应信息的预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310993866.6A CN116703470B (zh) | 2023-08-09 | 2023-08-09 | 供应信息的预测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310993866.6A CN116703470B (zh) | 2023-08-09 | 2023-08-09 | 供应信息的预测方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116703470A true CN116703470A (zh) | 2023-09-05 |
| CN116703470B CN116703470B (zh) | 2024-01-12 |
Family
ID=87824388
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310993866.6A Active CN116703470B (zh) | 2023-08-09 | 2023-08-09 | 供应信息的预测方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116703470B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118071179A (zh) * | 2024-04-19 | 2024-05-24 | 浪潮云洲工业互联网有限公司 | 一种多因子收猪数量预测方法、设备及存储介质 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107730087A (zh) * | 2017-09-20 | 2018-02-23 | 平安科技（深圳）有限公司 | 预测模型训练方法、数据监控方法、装置、设备及介质 |
| CN113746632A (zh) * | 2021-07-20 | 2021-12-03 | 南京邮电大学 | 一种物联网系统多级身份认证方法 |
| CN113837492A (zh) * | 2021-10-26 | 2021-12-24 | 北京沃东天骏信息技术有限公司 | 物品供应量的预测方法、设备、存储介质及程序产品 |
| CN114117404A (zh) * | 2021-11-30 | 2022-03-01 | 中国建设银行股份有限公司 | 一种用户认证方法、装置、设备、系统及存储介质 |
| CN115145901A (zh) * | 2022-06-30 | 2022-10-04 | 浙江天垂科技有限公司 | 一种基于多尺度的时间序列预测方法及系统 |
| CN115605894A (zh) * | 2020-09-03 | 2023-01-13 | 京东方科技集团股份有限公司（Cn） | 智能管理系统、智能管理方法和计算机程序产品 |
| CN116108991A (zh) * | 2023-02-13 | 2023-05-12 | 中国银联股份有限公司 | 数据处理方法、装置、设备及存储介质 |
| CN116245015A (zh) * | 2023-01-09 | 2023-06-09 | 四川通信科研规划设计有限责任公司 | 基于深度学习的数据变化趋势预测方法及系统 |
| CN116308494A (zh) * | 2023-03-31 | 2023-06-23 | 日日顺供应链科技股份有限公司 | 供应链需求预测方法 |
| CN116362799A (zh) * | 2023-04-04 | 2023-06-30 | 四川大学 | 基于供应链多源数据融合的产品需求预测方法及存储介质 |
-
2023
- 2023-08-09 CN CN202310993866.6A patent/CN116703470B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107730087A (zh) * | 2017-09-20 | 2018-02-23 | 平安科技（深圳）有限公司 | 预测模型训练方法、数据监控方法、装置、设备及介质 |
| CN115605894A (zh) * | 2020-09-03 | 2023-01-13 | 京东方科技集团股份有限公司（Cn） | 智能管理系统、智能管理方法和计算机程序产品 |
| CN113746632A (zh) * | 2021-07-20 | 2021-12-03 | 南京邮电大学 | 一种物联网系统多级身份认证方法 |
| CN113837492A (zh) * | 2021-10-26 | 2021-12-24 | 北京沃东天骏信息技术有限公司 | 物品供应量的预测方法、设备、存储介质及程序产品 |
| CN114117404A (zh) * | 2021-11-30 | 2022-03-01 | 中国建设银行股份有限公司 | 一种用户认证方法、装置、设备、系统及存储介质 |
| CN115145901A (zh) * | 2022-06-30 | 2022-10-04 | 浙江天垂科技有限公司 | 一种基于多尺度的时间序列预测方法及系统 |
| CN116245015A (zh) * | 2023-01-09 | 2023-06-09 | 四川通信科研规划设计有限责任公司 | 基于深度学习的数据变化趋势预测方法及系统 |
| CN116108991A (zh) * | 2023-02-13 | 2023-05-12 | 中国银联股份有限公司 | 数据处理方法、装置、设备及存储介质 |
| CN116308494A (zh) * | 2023-03-31 | 2023-06-23 | 日日顺供应链科技股份有限公司 | 供应链需求预测方法 |
| CN116362799A (zh) * | 2023-04-04 | 2023-06-30 | 四川大学 | 基于供应链多源数据融合的产品需求预测方法及存储介质 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118071179A (zh) * | 2024-04-19 | 2024-05-24 | 浪潮云洲工业互联网有限公司 | 一种多因子收猪数量预测方法、设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116703470B (zh) | 2024-01-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111897673B (zh) | 运维故障根因识别方法、装置、计算机设备和存储介质 | |
| CN109587713B (zh) | 一种基于arima模型的网络指标预测方法、装置及存储介质 | |
| CN111783442A (zh) | 入侵检测方法、设备和服务器、存储介质 | |
| CN113361680B (zh) | 一种神经网络架构搜索方法、装置、设备及介质 | |
| US7562054B2 (en) | Method and apparatus for automated feature selection | |
| CN116703470B (zh) | 供应信息的预测方法、装置、设备及存储介质 | |
| CN112488713A (zh) | 基于区块链大数据的安全识别方法、系统及云服务平台 | |
| CN111680856A (zh) | 电力监控系统用户行为安全预警方法和系统 | |
| CN114757432A (zh) | 基于流程日志和多任务学习的未来执行活动及时间预测方法及系统 | |
| CN111598329A (zh) | 基于自动化参数调整循环神经网络的时序数据预测方法 | |
| CN117973704B (zh) | 基于大数据的数据分析处理方法及系统 | |
| Čavojský et al. | Comparative Analysis of Feed-Forward and RNN Models for Intrusion Detection in Data Network Security with UNSW-NB15 Dataset | |
| CN116880867A (zh) | 基于策略大模型的决策引擎更新方法及装置 | |
| CN108363738B (zh) | 一种工业设备数据分析算法的推荐方法 | |
| US9159022B2 (en) | System, method and program product for automatically supplying missing parameters for matching new members of a population with analogous members | |
| CN115470854A (zh) | 信息系统故障分类方法及分类系统 | |
| JP2020140521A (ja) | 人的判断の予測装置、予測プログラム及び予測方法 | |
| CN112667394B (zh) | 一种计算机资源利用率优化方法 | |
| Fellir et al. | Analyzing the non-functional requirements to improve accuracy of software effort estimation through case based reasoning | |
| CN117792737B (zh) | 一种网络入侵检测方法、装置、电子设备及存储介质 | |
| Branchi et al. | Recommending the optimal policy by learning to act from temporal data | |
| CN118429145B (zh) | 一种多维度项目数据动态处理方法及系统 | |
| CN117973904B (zh) | 智能制造的产能分析方法及系统 | |
| CN115237606B (zh) | 一种边缘计算控制系统 | |
| US20220277228A1 (en) | Systems and methods of utilizing machine learning components across multiple platforms |
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 |