CN116933941A - 一种智慧供应链物流智能优化方法、系统及存储介质 - Google Patents
一种智慧供应链物流智能优化方法、系统及存储介质 Download PDFInfo
- Publication number
- CN116933941A CN116933941A CN202310936500.5A CN202310936500A CN116933941A CN 116933941 A CN116933941 A CN 116933941A CN 202310936500 A CN202310936500 A CN 202310936500A CN 116933941 A CN116933941 A CN 116933941A
- Authority
- CN
- China
- Prior art keywords
- supply
- logistics
- feature vector
- supply chain
- semantic coding
- 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
- 238000005457 optimization Methods 0.000 title claims abstract description 52
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000003860 storage Methods 0.000 title claims abstract description 14
- 239000013598 vector Substances 0.000 claims abstract description 203
- 238000009826 distribution Methods 0.000 claims description 21
- 238000000605 extraction Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 239000000047 product Substances 0.000 description 82
- 230000006870 function Effects 0.000 description 14
- 230000004927 fusion Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000013068 supply chain management Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000015654 memory Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000013067 intermediate product Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000012706 support-vector machine Methods 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
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
- G06N5/041—Abduction
-
- 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
- G06Q10/083—Shipping
-
- 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)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
公开了一种智慧供应链物流智能优化方法、系统及存储介质。其首先获取物流产品供应链信息，接着，提取所述物流产品供应链信息中的后验推断模式以得到物流供应后验特征向量，然后，基于所述物流供应后验特征向量，确定物流供应等级。这样，可以合理分配供应链资源，将有限的资源优先分配给重要性和紧急程度较高的物流产品，以确保它们能够及时得到供应和配送，从而提高整体的供应链效率。
Description
技术领域
本申请涉及智慧供应链领域，且更为具体地，涉及一种智慧供应链物流智能优化方法、系统及存储介质。
背景技术
供应链是指围绕核心物流企业，将多方物流整合起来形成的完整的供应链，简单的来说，就是从配套零件开始，制成中间产品以及最终产品，最后由销售网络把产品送到消费者手中的、将供应商、制造商、分销商直到最终用户连成一个整体的供应链结构。
然而，在供应链的管理过程中，由于物流产品的种类多，调动频率大，物流产品之间信息差异比较大，供应区域分布散乱，常规的供应链物流管理方法效率低下，无法针对众多的物流产品实现动态监督及优化，从而不能够及时地、针对性地提供相应的供应方案。
因此，期待一种供应链物流的优化方案。
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智慧供应链物流智能优化方法、系统及存储介质。其可以合理分配供应链资源，将有限的资源优先分配给重要性和紧急程度较高的物流产品，以确保它们能够及时得到供应和配送，从而提高整体的供应链效率。
根据本申请的一个方面，提供了一种智慧供应链物流智能优化方法，其包括：
获取物流产品供应链信息；
提取所述物流产品供应链信息中的后验推断模式以得到物流供应后验特征向量；以及
基于所述物流供应后验特征向量，确定物流供应等级。
根据本申请的另一个方面，提供了一种智慧供应链物流智能优化系统，其包括：
信息采集模块，用于获取物流产品供应链信息；
信息提取模块，用于提取所述物流产品供应链信息中的后验推断模式以得到物流供应后验特征向量；以及
物流供应等级确定模块，用于基于所述物流供应后验特征向量，确定物流供应等级。
根据本申请的另一个方面，提供了一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在计算机中执行时，令所述计算机执行前述的方法。
与现有技术相比，本申请提供的智慧供应链物流智能优化方法、系统及存储介质，其首先获取物流产品供应链信息，接着，提取所述物流产品供应链信息中的后验推断模式以得到物流供应后验特征向量，然后，基于所述物流供应后验特征向量，确定物流供应等级。这样，可以合理分配供应链资源，将有限的资源优先分配给重要性和紧急程度较高的物流产品，以确保它们能够及时得到供应和配送，从而提高整体的供应链效率。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，以下附图并未刻意按实际尺寸等比例缩放绘制，重点在于示出本申请的主旨。
图1为根据本申请实施例的智慧供应链物流智能优化方法的流程图。
图2为根据本申请实施例的智慧供应链物流智能优化方法的架构示意图。
图3为根据本申请实施例的智慧供应链物流智能优化方法的子步骤S120的流程图。
图4为根据本申请实施例的智慧供应链物流智能优化方法的子步骤S130的流程图。
图5为根据本申请实施例的智慧供应链物流智能优化方法的子步骤S131的流程图。
图6为根据本申请实施例的智慧供应链物流智能优化系统的框图。
图7为根据本申请实施例的智慧供应链物流智能优化方法的应用场景图。
具体实施方式
下面将结合附图对本申请实施例中的技术方案进行清楚、完整地描述，显而易见地，所描述的实施例仅仅是本申请的部分实施例，而不是全部的实施例。基于本申请实施例，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，也属于本申请保护的范围。
如本申请和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其他的步骤或元素。
虽然本申请对根据本申请的实施例的系统中的某些模块做出了各种引用，然而，任何数量的不同模块可以被使用并运行在用户终端和/或服务器上。所述模块仅是说明性的，并且所述系统和方法的不同方面可以使用不同模块。
本申请中使用了流程图用来说明根据本申请的实施例的系统所执行的操作。应当理解的是，前面或下面操作不一定按照顺序来精确地执行。相反，根据需要，可以按照倒序或同时处理各种步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。
下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
针对上述技术问题，本申请的技术构思为：结合人工智能技术，基于物流产品供应链信息(包括产品基础数据、供应链节点信息和供应设备信息)来确定物流供应等级。
应可以理解，确定物流供应等级有助于对不同物流产品进行分类管理，并根据其重要性和紧急程度调整处理的优先级别，以提供更加个性化和针对性的供应方案。通过这样的方式，可以合理分配供应链资源，将有限的资源优先分配给重要性和紧急程度较高的物流产品，以确保它们能够及时得到供应和配送，从而提高整体的供应链效率。
基于此，在本申请的技术方案中，图1为根据本申请实施例的智慧供应链物流智能优化方法的流程图。图2为根据本申请实施例的智慧供应链物流智能优化方法的架构示意图。如图1和图2所示，根据本申请实施例的智慧供应链物流智能优化方法，包括步骤：S110，获取物流产品供应链信息；S120，提取所述物流产品供应链信息中的后验推断模式以得到物流供应后验特征向量；以及，S130，基于所述物流供应后验特征向量，确定物流供应等级。
相应地，首先获取物流产品供应链信息，其中，所述物流产品供应链信息包括产品基础数据、供应链节点信息和供应设备信息。
更具体地，所述产品基础数据包括但不局限于所述物流产品的发货信息，收货信息、货物名称、货物体积、货物重量以及时限信息。供应链信息涵盖货物取件时填写的物流订单信息中所有信息，包括发货人信息、发货人地址信息、发货人联系信息、收货人信息、收货人地址信息、收货人联系信息、货物名称、货物体积、货物重量以及到货签收时限信息。物流产品供应链信息还包括物流产品配送过程中，物流管理中心所搭建的各个物流配送中转和集散节点，以及物流配送过程中的车辆等供应设备信息，供应设备信息还包括通过GPS等进行定位的供应设备位置信息。
接着，分别对所述产品基础数据、所述供应链节点信息和所述供应设备信息进行语义编码以得到产品基础数据语义编码特征向量、供应链节点信息语义编码特征向量、供应设备信息语义编码特征向量。值得一提的是，语义编码的处理步骤中，应包括将所述产品基础数据、所述供应链节点信息和所述供应设备信息的非结构化的数据表达形式转化为便于计算机读取和分析的数据表达形式。这样，再进行语义分析和理解，以提取所述产品基础数据、所述供应链节点信息和所述供应设备信息中的上下文语义信息。
然后，基于贝叶斯概率模型来融合所述产品基础数据语义编码特征向量、供应链节点信息语义编码特征向量、供应设备信息语义编码特征向量以得到物流供应后验特征向量。这里，贝叶斯概率模型是一种基于先验知识和观测数据来更新后验概率的方法。具体而言，产品基础数据语义编码特征向量代表了物流产品本身的特性和需求，如产品类型、规格、产品对供应的紧急程度；供应链节点信息语义编码特征向量包括供应链中的各个节点或环节的信息，如供应商、制造商、分销商等。供应链节点信息可以反映物流产品的供应来源和供应能力。供应设备信息语义编码特征向量设计到物流供应的设备和工具，如运输工具、仓储设备等，不同的供应设备对物流产品的供应时间和成本产生影响。也就是说，在确定物流供应等级时，上述三者之间存在一定的先验关系，是确定物流供应等级的重要因素，贝叶斯概率模型能够通过学习和推断这些特征向量之间的条件概率和相关性，从而更准确地评估物流供应的后验概率，进而确定物流供应等级。
相应地，如图3所示，提取所述物流产品供应链信息中的后验推断模式以得到物流供应后验特征向量，包括：S121，分别对所述产品基础数据、所述供应链节点信息和所述供应设备信息进行语义编码以得到产品基础数据语义编码特征向量、供应链节点信息语义编码特征向量、供应设备信息语义编码特征向量；以及，S122，融合所述产品基础数据语义编码特征向量、所述供应链节点信息语义编码特征向量、所述供应设备信息语义编码特征向量以得到所述物流供应后验特征向量。应可以理解，在步骤S121中，对物流产品的基础数据、供应链节点信息和供应设备信息进行语义编码，以得到它们各自的语义编码特征向量，这些特征向量可以捕捉到物流产品、供应链节点和供应设备的关键特征，为后续的特征融合提供基础，对产品基础数据进行语义编码的目的是将产品的关键属性转化为数值化的特征表示，例如使用向量表示产品的特性、规格、品牌等信息，对供应链节点信息进行语义编码的目的是将节点的关键属性转化为特征向量，例如使用向量表示节点的位置、角色、历史性能等信息，对供应设备信息进行语义编码的目的是将设备的关键属性转化为特征向量，例如使用向量表示设备的类型、规格、技术参数等信息。在步骤S122中，将产品基础数据语义编码特征向量、供应链节点信息语义编码特征向量和供应设备信息语义编码特征向量进行融合，以得到物流供应的后验特征向量。这一步骤的目标是综合考虑产品、供应链节点和供应设备的特征，生成一个综合的特征向量来描述物流供应的后验特征，通过将这些特征向量进行融合，可以提取出物流供应链中的关键特征，为后续的分析和决策提供有用的信息，这些后验特征向量可以用于预测物流供应的性能、评估供应链的可靠性、优化供应链配置等任务。
更具体地，在步骤S122中，融合所述产品基础数据语义编码特征向量、所述供应链节点信息语义编码特征向量、所述供应设备信息语义编码特征向量以得到所述物流供应后验特征向量，包括：基于贝叶斯概率模型来融合所述产品基础数据语义编码特征向量、所述供应链节点信息语义编码特征向量、所述供应设备信息语义编码特征向量以得到所述物流供应后验特征向量。值得一提的是，贝叶斯概率模型是一种统计模型，用于描述和推断未知参数的不确定性。在物流供应链中，贝叶斯概率模型可以用于融合产品基础数据、供应链节点信息和供应设备信息的语义编码特征向量，从而得到物流供应的后验特征向量。具体而言，基于贝叶斯概率模型来融合这些特征向量的过程可以包括以下步骤：1.定义先验概率分布：根据先验知识和经验，对物流供应的特征进行建模，定义它们的先验概率分布，先验概率分布反映了对特征的初始信念和不确定性；2.计算似然函数：似然函数描述了观测数据在给定参数下的概率分布，在这里，似然函数表示了给定产品基础数据、供应链节点信息和供应设备信息的条件下，得到特征向量的概率；3.应用贝叶斯定理：根据贝叶斯定理，将先验概率分布和似然函数结合起来，计算得到参数的后验概率分布，后验概率分布表示在观测到数据后更新的参数信念；4.融合特征向量：根据后验概率分布，将产品基础数据、供应链节点信息和供应设备信息的语义编码特征向量进行融合，得到物流供应的后验特征向量，融合可以通过加权平均、线性组合等方式进行。贝叶斯概率模型的主要用途是提供一种推断框架，通过考虑先验知识和观测数据，更新对未知参数的估计，并提供参数的后验概率分布。在物流供应链中，通过应用贝叶斯概率模型，可以将不同特征的信息进行融合，得到更全面和准确的物流供应的后验特征向量。这些后验特征向量可以用于预测物流供应的性能、评估供应链的可靠性、优化供应链配置等任务，从而帮助优化物流供应链管理和决策过程。
进一步地，将所述物流供应后验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物流供应等级标签。
相应地，如图4所示，基于所述物流供应后验特征向量，确定物流供应等级，包括：S131，对所述物流供应后验特征向量进行特征分布优化以得到优化物流供应后验特征向量；以及，S132，将所述优化物流供应后验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物流供应等级标签。应可以理解，在步骤S131中，通过对特征向量进行优化，提高特征的区分度和表达能力，以更好地描述物流供应的特征，特征分布优化可以包括特征选择、特征加权、特征变换等技术，以提高特征的质量和相关性。在步骤S132中，使用分类器模型，将优化后的特征向量作为输入，通过学习和训练，对物流供应进行分类，分类器可以是各种机器学习算法，如决策树、支持向量机、神经网络等。分类结果表示物流供应的等级标签，可以是离散的分类标签，如高、中、低，或者是连续的分数，如0-100的评分。通过这两个步骤，可以根据物流供应的后验特征向量确定物流供应的等级。S131步骤通过特征分布优化提高特征的质量，S132步骤通过分类器将优化后的特征向量转化为具体的分类结果。这样可以根据分类结果对物流供应进行等级划分，帮助进行供应链管理和决策。
更具体地，在步骤S131中，如图5所示，对所述物流供应后验特征向量进行特征分布优化以得到优化物流供应后验特征向量，包括：S1311，计算所述产品基础数据语义编码特征向量、所述供应链节点信息语义编码特征向量、所述供应设备信息语义编码特征向量中的每个特征向量以及所述物流供应后验特征向量的可转移特征的量化的可转移性感知因数；S1312，以所述可转移性感知因数作为权重，分别对所述产品基础数据语义编码特征向量、所述供应链节点信息语义编码特征向量、所述供应设备信息语义编码特征向量进行加权以得到加权后产品基础数据语义编码特征向量、加权后供应链节点信息语义编码特征向量和加权后供应设备信息语义编码特征向量；以及，S1313，基于贝叶斯概率模型来融合所述加权后产品基础数据语义编码特征向量、所述加权后供应链节点信息语义编码特征向量、所述加权后供应设备信息语义编码特征向量以得到所述优化物流供应后验特征向量。应可以理解，在步骤S1311中，可转移性感知因数表示特征向量在不同环境或任务中的适应能力，可以用于衡量特征的通用性和可迁移性；在步骤S1312中，使用可转移性感知因数作为权重，对产品基础数据语义编码特征向量、供应链节点信息语义编码特征向量和供应设备信息语义编码特征向量进行加权，通过加权，可以突出具有更高可转移性的特征向量，使其在后续的特征融合过程中起到更重要的作用。加权后得到加权后的产品基础数据语义编码特征向量、加权后的供应链节点信息语义编码特征向量和加权后的供应设备信息语义编码特征向量；在步骤S1313中，基于贝叶斯概率模型，将加权后的产品基础数据语义编码特征向量、加权后的供应链节点信息语义编码特征向量和加权后的供应设备信息语义编码特征向量进行融合，得到优化后的物流供应后验特征向量。贝叶斯概率模型利用先验概率分布、似然函数和贝叶斯定理，将不同特征的信息进行融合，得到更准确和全面的后验特征向量。这些步骤可以提高特征的表达能力和区分度，使得优化后的特征向量更适合用于分类和等级划分的任务，从而提升物流供应链管理和决策的效果。
在本申请的技术方案中，基于贝叶斯概率模型来融合所述产品基础数据语义编码特征向量、供应链节点信息语义编码特征向量、供应设备信息语义编码特征向量得到所述物流供应后验特征向量，并将所述物流供应后验特征向量通过分类器进行分类时，考虑到所述产品基础数据语义编码特征向量、供应链节点信息语义编码特征向量、供应设备信息语义编码特征向量分别表达所述产品基础数据、所述供应链节点信息和所述供应设备信息的文本语义特征，由于源数据本身的数据性质及其在文本语义编码上的差异，会使得所述产品基础数据语义编码特征向量、所述供应链节点信息语义编码特征向量、所述供应设备信息语义编码特征向量在特征表示上具有到贝叶斯融合空间的域转移差异，因此，如果能够在各个特征向量的特征融合和分类时考虑域转移差异来进行特征融合，就可以提升特征融合效果。
基于此，本申请的申请人对于所述产品基础数据语义编码特征向量、所述供应链节点信息语义编码特征向量、所述供应设备信息语义编码特征向量中的每个特征向量，例如记为Vi，其中i＝1～3，以及所述物流供应后验特征向量，例如记为Vc，计算其可转移特征的量化的可转移性感知因数。
相应地，在一个具体示例中，计算所述产品基础数据语义编码特征向量、所述供应链节点信息语义编码特征向量、所述供应设备信息语义编码特征向量中的每个特征向量以及所述物流供应后验特征向量的可转移特征的量化的可转移性感知因数，包括：以如下因数计算公式分别计算所述产品基础数据语义编码特征向量、所述供应链节点信息语义编码特征向量、所述供应设备信息语义编码特征向量中的每个特征向量以及所述物流供应后验特征向量的可转移特征的量化的可转移性感知因数；其中，所述因数计算公式为：
其中，fij分别是所述产品基础数据语义编码特征向量、所述供应链节点信息语义编码特征向量、所述供应设备信息语义编码特征向量的特征值，fcj是所述物流供应后验特征向量的特征值，log为以2为底的对数函数，且α是加权超参数，wi是所述产品基础数据语义编码特征向量、所述供应链节点信息语义编码特征向量、所述供应设备信息语义编码特征向量中的每个特征向量以及所述物流供应后验特征向量的可转移特征的量化的可转移性感知因数。
这里，所述可转移特征的量化的可转移性感知因数通过域转移下的不确定性度量来估计特征空间域到分类目标域的域不确定性，且由于该域不确定性估计可以用于标识已经在域间转移的特征表示，因此通过以该因数来作为权重分别对所述产品基础数据语义编码特征向量、所述供应链节点信息语义编码特征向量、所述供应设备信息语义编码特征向量进行加权，就可以通过特征空间域到分类目标域的跨域对齐来鉴别特征映射是否在域间有效转移，从而量化地感知不同特征向量中的可转移特征的可转移性，以实现域间自适应的贝叶斯特征融合。
进一步地，在步骤S132中，将所述优化物流供应后验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物流供应等级标签，包括：使用所述分类器的全连接层对所述优化物流供应后验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输入所述分类器的Softmax分类函数以得到所述分类结果。
应可以理解，分类器的作用是利用给定的类别、已知的训练数据来学习分类规则和分类器，然后对未知数据进行分类(或预测)。逻辑回归(logistics)、SVM等常用于解决二分类问题，对于多分类问题(multi-class classification)，同样也可以用逻辑回归或SVM，只是需要多个二分类来组成多分类，但这样容易出错且效率不高，常用的多分类方法有Softmax分类函数。
值得一提的是，全连接层和全连接编码是深度学习中常用的概念，用于对输入数据进行特征提取和分类。全连接层(Fully Connected Layer)是神经网络中的一种常见层类型，也称为密集连接层或全连接层。在全连接层中，每个神经元都与前一层的所有神经元相连接，每个连接都有一个权重。全连接层通过学习权重和偏差，将输入数据进行非线性变换和特征提取。全连接层的输出可以作为下一层的输入，通过多个全连接层的堆叠，网络可以学习更高级的特征表示。全连接编码(Fully Connected Encoding)是指将输入数据通过全连接层进行编码，得到编码分类特征向量。在物流供应等级分类任务中，优化后的物流供应后验特征向量经过全连接层的处理，可以得到更高层次的特征表示。全连接编码利用神经网络的非线性变换能力，将输入数据映射到一个低维的特征空间，提取出更具有区分性的特征。分类器的Softmax分类函数是一种常用的分类函数，用于将编码分类特征向量映射为分类结果。Softmax函数可以将输入向量的每个元素转化为一个概率值，表示该元素属于各个类别的概率。通过Softmax函数，可以将编码分类特征向量转化为表示不同物流供应等级的分类结果。换言之，全连接层和全连接编码用于对优化后的物流供应后验特征向量进行特征提取和编码，提高特征的表达能力和区分度。Softmax分类函数则将编码分类特征向量映射为具体的分类结果，用于表示物流供应的等级标签。这样可以通过深度学习模型对物流供应进行自动化的分类和等级划分，辅助供应链管理和决策。
综上，基于本申请实施例的智慧供应链物流智能优化方法被阐明，其可以合理分配供应链资源，将有限的资源优先分配给重要性和紧急程度较高的物流产品，以确保它们能够及时得到供应和配送，从而提高整体的供应链效率。
图6为根据本申请实施例的智慧供应链物流智能优化系统100的框图。如图6所示，根据本申请实施例的智慧供应链物流智能优化系统100，包括：信息采集模块110，用于获取物流产品供应链信息；信息提取模块120，用于提取所述物流产品供应链信息中的后验推断模式以得到物流供应后验特征向量；以及，物流供应等级确定模块130，用于基于所述物流供应后验特征向量，确定物流供应等级。
在一个示例中，在上述智慧供应链物流智能优化系统100中，所述物流产品供应链信息包括产品基础数据、供应链节点信息和供应设备信息。
这里，本领域技术人员可以理解，上述智慧供应链物流智能优化系统100中的各个模块的具体功能和操作已经在上面参考图1到图5的智慧供应链物流智能优化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智慧供应链物流智能优化系统100可以实现在各种无线终端中，例如具有智慧供应链物流智能优化算法的服务器等。在一个示例中，根据本申请实施例的智慧供应链物流智能优化系统100可以作为一个软件模块和/或硬件模块而集成到无线终端中。例如，该智慧供应链物流智能优化系统100可以是该无线终端的操作系统中的一个软件模块，或者可以是针对于该无线终端所开发的一个应用程序；当然，该智慧供应链物流智能优化系统100同样可以是该无线终端的众多硬件模块之一。
替换地，在另一示例中，该智慧供应链物流智能优化系统100与该无线终端也可以是分立的设备，并且该智慧供应链物流智能优化系统100可以通过有线和/或无线网络连接到该无线终端，并且按照约定的数据格式来传输交互信息。
图7为根据本申请实施例的智慧供应链物流智能优化方法的应用场景图。如图7所示，在该应用场景中，首先，获取物流产品供应链信息(例如，图7中所示意的D)，然后，将所述物流产品供应链信息输入至部署有智慧供应链物流智能优化算法的服务器中(例如，图7中所示意的S)，其中，所述服务器能够使用所述智慧供应链物流智能优化算法对所述物流产品供应链信息进行处理以得到用于表示物流供应等级标签的分类结果。
根据本申请的另一方面，还提供了一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在计算机中执行时，令所述计算机执行如前所述的任一项的所述的方法
技术中的程序部分可以被认为是以可执行的代码和/或相关数据的形式而存在的“产品”或“制品”，通过计算机可读的介质所参与或实现的。有形的、永久的储存介质可以包括任何计算机、处理器、或类似设备或相关的模块所用到的内存或存储器。例如，各种半导体存储器、磁带驱动器、磁盘驱动器或者类似任何能够为软件提供存储功能的设备。
所有软件或其中的一部分有时可能会通过网络进行通信，如互联网或其他通信网络。此类通信可以将软件从一个计算机设备或处理器加载到另一个。例如：从视频目标检测设备的一个服务器或主机计算机加载至一个计算机环境的硬件平台，或其他实现系统的计算机环境，或与提供目标检测所需要的信息相关的类似功能的系统。因此，另一种能够传递软件元素的介质也可以被用作局部设备之间的物理连接，例如光波、电波、电磁波等，通过电缆、光缆或者空气等实现传播。用来载波的物理介质如电缆、无线连接或光缆等类似设备，也可以被认为是承载软件的介质。在这里的用法除非限制了有形的“储存”介质，其他表示计算机或机器“可读介质”的术语都表示在处理器执行任何指令的过程中参与的介质。
此外，本领域技术人员可以理解，本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述，包括任何新的和有用的工序、机器、产品或物质的组合，或对他们的任何新的和有用的改进。相应地，本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外，本申请的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品，该产品包括计算机可读程序编码。
除非另有定义，这里使用的所有术语(包括技术和科学术语)具有与本发明所属领域的普通技术人员共同理解的相同含义。还应当理解，诸如在通常字典里定义的那些术语应当被解释为具有与它们在相关技术的上下文中的含义相一致的含义，而不应用理想化或极度形式化的意义来解释，除非这里明确地这样定义。
上面是对本发明的说明，而不应被认为是对其的限制。尽管描述了本发明的若干示例性实施例，但本领域技术人员将容易地理解，在不背离本发明的新颖教学和优点的前提下可以对示例性实施例进行许多修改。因此，所有这些修改都意图包含在权利要求书所限定的本发明范围内。应当理解，上面是对本发明的说明，而不应被认为是限于所公开的特定实施例，并且对所公开的实施例以及其他实施例的修改意图包含在所附权利要求书的范围内。本发明由权利要求书及其等效物限定。
Claims (10)
1.一种智慧供应链物流智能优化方法，其特征在于，包括：
获取物流产品供应链信息；
提取所述物流产品供应链信息中的后验推断模式以得到物流供应后验特征向量；以及
基于所述物流供应后验特征向量，确定物流供应等级。
2.根据权利要求1所述的智慧供应链物流智能优化方法，其特征在于，所述物流产品供应链信息包括产品基础数据、供应链节点信息和供应设备信息。
3.根据权利要求2所述的智慧供应链物流智能优化方法，其特征在于，提取所述物流产品供应链信息中的后验推断模式以得到物流供应后验特征向量，包括：
分别对所述产品基础数据、所述供应链节点信息和所述供应设备信息进行语义编码以得到产品基础数据语义编码特征向量、供应链节点信息语义编码特征向量、供应设备信息语义编码特征向量；以及
融合所述产品基础数据语义编码特征向量、所述供应链节点信息语义编码特征向量、所述供应设备信息语义编码特征向量以得到所述物流供应后验特征向量。
4.根据权利要求3所述的智慧供应链物流智能优化方法，其特征在于，融合所述产品基础数据语义编码特征向量、所述供应链节点信息语义编码特征向量、所述供应设备信息语义编码特征向量以得到所述物流供应后验特征向量，包括：
基于贝叶斯概率模型来融合所述产品基础数据语义编码特征向量、所述供应链节点信息语义编码特征向量、所述供应设备信息语义编码特征向量以得到所述物流供应后验特征向量。
5.根据权利要求4所述的智慧供应链物流智能优化方法，其特征在于，基于所述物流供应后验特征向量，确定物流供应等级，包括：
对所述物流供应后验特征向量进行特征分布优化以得到优化物流供应后验特征向量；以及
将所述优化物流供应后验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物流供应等级标签。
6.根据权利要求5所述的智慧供应链物流智能优化方法，其特征在于，对所述物流供应后验特征向量进行特征分布优化以得到优化物流供应后验特征向量，包括：
计算所述产品基础数据语义编码特征向量、所述供应链节点信息语义编码特征向量、所述供应设备信息语义编码特征向量中的每个特征向量以及所述物流供应后验特征向量的可转移特征的量化的可转移性感知因数；
以所述可转移性感知因数作为权重，分别对所述产品基础数据语义编码特征向量、所述供应链节点信息语义编码特征向量、所述供应设备信息语义编码特征向量进行加权以得到加权后产品基础数据语义编码特征向量、加权后供应链节点信息语义编码特征向量和加权后供应设备信息语义编码特征向量；以及
基于贝叶斯概率模型来融合所述加权后产品基础数据语义编码特征向量、所述加权后供应链节点信息语义编码特征向量、所述加权后供应设备信息语义编码特征向量以得到所述优化物流供应后验特征向量。
7.根据权利要求6所述的智慧供应链物流智能优化方法，其特征在于，计算所述产品基础数据语义编码特征向量、所述供应链节点信息语义编码特征向量、所述供应设备信息语义编码特征向量中的每个特征向量以及所述物流供应后验特征向量的可转移特征的量化的可转移性感知因数，包括：
以如下因数计算公式分别计算所述产品基础数据语义编码特征向量、所述供应链节点信息语义编码特征向量、所述供应设备信息语义编码特征向量中的每个特征向量以及所述物流供应后验特征向量的可转移特征的量化的可转移性感知因数；
其中，所述因数计算公式为：
其中，fij分别是所述产品基础数据语义编码特征向量、所述供应链节点信息语义编码特征向量、所述供应设备信息语义编码特征向量的特征值，fcj是所述物流供应后验特征向量的特征值，log为以2为底的对数函数，且α是加权超参数，wi是所述产品基础数据语义编码特征向量、所述供应链节点信息语义编码特征向量、所述供应设备信息语义编码特征向量中的每个特征向量以及所述物流供应后验特征向量的可转移特征的量化的可转移性感知因数。
8.一种智慧供应链物流智能优化系统，其特征在于，包括：
信息采集模块，用于获取物流产品供应链信息；
信息提取模块，用于提取所述物流产品供应链信息中的后验推断模式以得到物流供应后验特征向量；以及
物流供应等级确定模块，用于基于所述物流供应后验特征向量，确定物流供应等级。
9.根据权利要求8所述的智慧供应链物流智能优化系统，其特征在于，所述物流产品供应链信息包括产品基础数据、供应链节点信息和供应设备信息。
10.一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在计算机中执行时，令所述计算机执行权利要求1-7中任一项的所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310936500.5A CN116933941B (zh) | 2023-07-27 | 2023-07-27 | 一种智慧供应链物流智能优化方法、系统及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310936500.5A CN116933941B (zh) | 2023-07-27 | 2023-07-27 | 一种智慧供应链物流智能优化方法、系统及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116933941A true CN116933941A (zh) | 2023-10-24 |
| CN116933941B CN116933941B (zh) | 2024-06-21 |
Family
ID=88389536
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310936500.5A Active CN116933941B (zh) | 2023-07-27 | 2023-07-27 | 一种智慧供应链物流智能优化方法、系统及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116933941B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2009140140A (ja) * | 2007-12-05 | 2009-06-25 | Konica Minolta Holdings Inc | サプライチェーン最適化システム及びサプライチェーン最適化方法 |
| CN113888096A (zh) * | 2021-10-28 | 2022-01-04 | 江南大学 | 一种物流园区的货物管理方法及系统 |
| CN114399123A (zh) * | 2022-03-24 | 2022-04-26 | 深圳市磅旗科技智能发展有限公司 | 一种智慧供应链物流智能优化管理方法和系统 |
| CN114881365A (zh) * | 2022-06-08 | 2022-08-09 | 国网河北省电力有限公司信息通信分公司 | 基于区块链的供应链管理方法及供应链管理系统 |
| CN115271757A (zh) * | 2022-07-11 | 2022-11-01 | 北京京东振世信息技术有限公司 | 需求信息生成方法、装置、电子设备和计算机可读介质 |
| CN115689442A (zh) * | 2022-10-21 | 2023-02-03 | 重庆海科保温材料有限公司 | 基于大数据的商品跨区域供应链管理方法、装置和介质 |
| CN115960144A (zh) * | 2023-01-03 | 2023-04-14 | 上海华茂药业有限公司 | 低聚异麦芽糖铁配合物的智能化生产系统及其方法 |
| CN116151604A (zh) * | 2023-02-20 | 2023-05-23 | 南京南栀科技有限公司 | 一种web环境下办公系统流程分析系统及其方法 |
| CN116204266A (zh) * | 2023-05-04 | 2023-06-02 | 深圳市联合信息技术有限公司 | 远程协助的信息创建运维系统及其方法 |
-
2023
- 2023-07-27 CN CN202310936500.5A patent/CN116933941B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2009140140A (ja) * | 2007-12-05 | 2009-06-25 | Konica Minolta Holdings Inc | サプライチェーン最適化システム及びサプライチェーン最適化方法 |
| CN113888096A (zh) * | 2021-10-28 | 2022-01-04 | 江南大学 | 一种物流园区的货物管理方法及系统 |
| CN114399123A (zh) * | 2022-03-24 | 2022-04-26 | 深圳市磅旗科技智能发展有限公司 | 一种智慧供应链物流智能优化管理方法和系统 |
| CN114881365A (zh) * | 2022-06-08 | 2022-08-09 | 国网河北省电力有限公司信息通信分公司 | 基于区块链的供应链管理方法及供应链管理系统 |
| CN115271757A (zh) * | 2022-07-11 | 2022-11-01 | 北京京东振世信息技术有限公司 | 需求信息生成方法、装置、电子设备和计算机可读介质 |
| CN115689442A (zh) * | 2022-10-21 | 2023-02-03 | 重庆海科保温材料有限公司 | 基于大数据的商品跨区域供应链管理方法、装置和介质 |
| CN115960144A (zh) * | 2023-01-03 | 2023-04-14 | 上海华茂药业有限公司 | 低聚异麦芽糖铁配合物的智能化生产系统及其方法 |
| CN116151604A (zh) * | 2023-02-20 | 2023-05-23 | 南京南栀科技有限公司 | 一种web环境下办公系统流程分析系统及其方法 |
| CN116204266A (zh) * | 2023-05-04 | 2023-06-02 | 深圳市联合信息技术有限公司 | 远程协助的信息创建运维系统及其方法 |
Non-Patent Citations (3)
| Title |
|---|
| 夏萍;刘凯;: "应急物流中基于PPSVM的应急物资分类研究", 交通运输系统工程与信息, no. 02, 15 April 2010 (2010-04-15) * |
| 蔡超;刘艳秋;: "基于模糊贝叶斯网络的物流服务供应链系统可靠性分析", 中国流通经济, no. 04, 11 April 2018 (2018-04-11), pages 49 - 58 * |
| 高鹏;谢忠秋;王志华;: "基于最小期望损失的供应链供货违约等级识别模型", 工业技术经济, no. 06, 25 June 2011 (2011-06-25) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116933941B (zh) | 2024-06-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20230161843A1 (en) | Detecting suitability of machine learning models for datasets | |
| KR102101974B1 (ko) | 어노말리 디텍션 | |
| US10387768B2 (en) | Enhanced restricted boltzmann machine with prognosibility regularization for prognostics and health assessment | |
| KR102295805B1 (ko) | 학습 데이터 관리 방법 | |
| JP2022514508A (ja) | 機械学習モデルの解説可能性ベースの調節 | |
| CN110310114B (zh) | 对象分类方法、装置、服务器及存储介质 | |
| CN116577677B (zh) | 退役动力电池的放电测试系统及其方法 | |
| Huang et al. | Machine fault detection for intelligent self-driving networks | |
| CN111126576A (zh) | 一种深度学习的新型训练策略 | |
| CN117578715A (zh) | 一种电力运维智能监测预警方法、系统及存储介质 | |
| CN115146764A (zh) | 一种预测模型的训练方法、装置、电子设备及存储介质 | |
| CN116824481A (zh) | 基于图像识别的变电站巡检方法及其系统 | |
| CN116624903A (zh) | 一种用于油烟管道的智能监测方法及系统 | |
| US20220221843A1 (en) | Anomaly detection in high-volume manufacturing lines | |
| US20230152787A1 (en) | Performance optimization of complex industrial systems and processes | |
| Kathiravan et al. | Predicting the Sale Price of Pre-Owned Vehicles with the Ensemble ML Model | |
| CN117807244A (zh) | 基于强化学习的异常检测知识图谱构建方法及系统 | |
| CN116933941B (zh) | 一种智慧供应链物流智能优化方法、系统及存储介质 | |
| CN116402777B (zh) | 基于机器视觉的电力设备检测方法及系统 | |
| CN113255977B (zh) | 基于工业互联网的智慧工厂生产设备故障预测方法及系统 | |
| KR102696928B1 (ko) | 소프트웨어의 잠재적 오류 테스트 방법 | |
| CN113283184B (zh) | 一种出行推荐方法、装置、计算机设备和存储介质 | |
| US20240220824A1 (en) | Condition based asset management | |
| US20220269953A1 (en) | Learning device, prediction system, method, and program | |
| Anderson | Situational awareness on a graph: towards graph neural networks for spectrum analysis and battlefield management |
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 |