CN116993395B - 一种基于机器学习的供应链韧性预测系统 - Google Patents
一种基于机器学习的供应链韧性预测系统 Download PDFInfo
- Publication number
- CN116993395B CN116993395B CN202311234446.6A CN202311234446A CN116993395B CN 116993395 B CN116993395 B CN 116993395B CN 202311234446 A CN202311234446 A CN 202311234446A CN 116993395 B CN116993395 B CN 116993395B
- Authority
- CN
- China
- Prior art keywords
- supply
- architecture layer
- toughness
- data
- supply chain
- 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
- 238000010801 machine learning Methods 0.000 title claims abstract description 16
- 238000009826 distribution Methods 0.000 claims abstract description 77
- 238000000034 method Methods 0.000 claims abstract description 59
- 238000004458 analytical method Methods 0.000 claims abstract description 36
- 230000008569 process Effects 0.000 claims abstract description 27
- 238000012545 processing Methods 0.000 claims abstract description 23
- 230000008901 benefit Effects 0.000 claims description 30
- 230000005540 biological transmission Effects 0.000 claims description 30
- 238000004519 manufacturing process Methods 0.000 claims description 29
- 238000011156 evaluation Methods 0.000 claims description 28
- 238000012937 correction Methods 0.000 claims description 22
- 238000006243 chemical reaction Methods 0.000 claims description 20
- 238000005259 measurement Methods 0.000 claims description 13
- 230000008520 organization Effects 0.000 claims description 10
- 230000008859 change Effects 0.000 claims description 9
- 238000012512 characterization method Methods 0.000 claims description 4
- 230000007547 defect Effects 0.000 claims description 4
- 239000000470 constituent Substances 0.000 claims description 3
- 230000006735 deficit Effects 0.000 claims description 3
- -1 period Chemical class 0.000 claims description 3
- 238000001802 infusion Methods 0.000 claims description 2
- 238000007405 data analysis Methods 0.000 abstract description 9
- 238000013461 design Methods 0.000 description 7
- 230000009286 beneficial effect Effects 0.000 description 5
- 239000002699 waste material Substances 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000004141 dimensional analysis Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- 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
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及供应链预测技术领域,具体公开一种基于机器学习的供应链韧性预测系统,该系统包括:供应链层级划分模块、供应链韧性度分析模块、WEB反馈云端、数据虚拟仓,本发明通过统计主体供应架构层、用户群体架构层以及动态分销架构层,并依次进行针对性的数值分析,使得对供应链的预测关注层面较为全面且具体,同时在数据的处理过程中,能够针对深层次的预测干扰因素进行分析,因而有力提升了数据分析的针对性以及精准性,能够有效预测供应链的韧性水准,并可以为相关组织机构提供充分全面的数据分析结果,大幅提高了供应链的预测合理水平,且具备高度的预测分析精确度以及实质应用的可靠性。
Description
技术领域
本发明涉及供应链预测技术领域,具体而言,涉及一种基于机器学习的供应链韧性预测系统。
背景技术
供应链预测能够辅助对未来市场需求以及供应状况进行及时地数据判断,通过供应链预测分析,有助于企业了解消费者的需求变化以及趋势性,据此根据预测结果进行生产和采购等方面计划的调整,避免造成资源的浪费以及出现供应链不稳定所导致的消极现象。
现有技术如公告号为CN116402241B发明专利申请公开的一种基于多模型的供应链数据预测方法及装置,通过在训练阶段,将离线的供应链数据集切分为多批离线样本,然后分别基于该多批离线样本,训练不同的机器学习模型,得到多个预测模型。在预测阶段,先将在线的供应链数据集切分为多批在线样本。然后针对每批在线样本,从多批离线样本中确定出与其最相似的一批离线样本,并利用对应于该批离线样本的目标预测模型,针对该批在线样本进行预测,得到其中的各个在线样本的预测结果,由此解决数据漂移问题,进而提高数据预测的准确率。
现有技术如公告号为CN109784979B发明专利申请公开的一种大数据驱动的供应链需求预测方法,包括:对商品数据进行数据预处理操作。根据商品历史销售数据划分数据集。对划分的数据集进行特征工程构建操作。104对构建的特征进行特征选择。建立机器学习模型,并进行模型融合操作。通过构建的模型,预测商品未来一周的销量。本发明主要通过对商品在用户的表现数据、商品信息、商品销售数据、商品sku映射表、商品促销价格表和平台活动时间表进行预处理和分析提取特征,建立机器学习模型并进行线性加权模型融合,从而准确预测商品未来一周的销量。
针对上述方案,本发明申请人发现上述技术至少存在如下技术问题:现有针对供应链的预测所关注的层面并不够全面具体,在一些数据的处理过程中,没有考虑到深层次的预测干扰因素,致使针对性以及精准性的分析相对不足,因而无法有效预测供应链的韧性水准,不能为相关组织机构提供充分全面的数据分析结果,大幅抑制了供应链的预测合理水平。
发明内容
为了克服背景技术中的缺点,本发明实施例提供了一种基于机器学习的供应链韧性预测系统,能够有效解决上述背景技术中涉及的问题。
本发明的目的可以通过以下技术方案来实现:一种基于机器学习的供应链韧性预测系统,包括:供应链层级划分模块,用于划分供应链的层级结构,由此统计主体供应架构层、用户群体架构层以及动态分销架构层。
供应链韧性度分析模块,用于依次对主体供应架构层、用户群体架构层以及动态分销架构层进行信息识别分析,并分别判定主体供应架构层对应的韧性特征定义值以及用户群体架构层和动态分销架构层对应的韧性需求特征定义值。
WEB反馈云端,用于分析供应链的韧性所属态势效益值,并进行辅助决策反馈提示。
数据虚拟仓,用于存储各关联供给端所属常态月度供应日期以及原件对应组建主体占比,存储各类别输配工具对应的参照经营速率,并存储正向词汇集以及负向词汇集。
作为一种优选设计方案,所述主体供应架构层,具体信息识别分析过程包括:统计主体供应架构层的关联供给数据、生产转换数据以及输配信息,其中关联供给数据包括历史周期中各关联供给端在各月度的原件交付量以及原件交付日期/>,生产转换数据包括历史周期中各月度的组建主体实质产出量/>以及瑕损量/>,输配信息包括各关联供给端的输配路线、输配工具类别以及各次输配起始时间点和抵达时间点,d为各关联供给端的编号,/>,j为各月度的编号,/>。依据数据虚拟仓中的各关联供给端所属常态月度供应日期/>,由此提取历史周期中各关联供给端在各月度的原件交付时延/>,/>。提取各关联供给端的输配路线长度。计算主体供应架构层的各关联供给端对应的原件交付供给态势值/>,具体执行约束表达式为:。式中,/>、/>、/>依次为设定的修正补偿交付时延值、单位输配路线长度对应的许可偏离时延值以及参照界定时延值,n为月度数目,/>、/>分别为预定义的关联供给端所属供给态势修正因子以及原件交付量所属补偿值。依次通过数值处理,分析主体供应架构层的生产转换数据以及输配信息对应的态势表征值。作为一种优选设计方案,所述主体供应架构层的生产转换数据以及输配信息对应的态势表征值,具体数值过程包括:(1)提取数据虚拟仓中的各关联供给端所属原件对应组建主体占比/>,并根据预拟定的生产界定瑕疵率/>,由此计算主体供应架构层的生产转换数据对应的态势表征值/>,执行表达式为:。式中,,/>和/>分别为设定的第d个关联供给端的原件许可应用偏离量以及校正补偿瑕疵率。(2)根据各关联供给端的输配路线、各次输配起始时间点和抵达时间点,统计各关联供给端的输配路线长度/>以及各次输配的时长/>,i为各次输配的编号,/>。根据各关联供给端的输配工具类别,从数据虚拟仓中匹配各关联供给端的输配工具对应的参照经营速率/>。计算主体供应架构层的输配信息对应的态势表征值,表达式为:。式中,和/>分别为设定的增设补偿速率以及许可偏差速率,/>为设定的输配信息对应的态势表征修正因子,k为输配总次数。作为一种优选设计方案,所述主体供应架构层对应的韧性特征定义值处理公式为:/>。式中,/>和/>分别为主体供应架构层对应的韧性特征定义值以及预设参照韧性特征阈值,/>、/>和/>分别为设定的关联供给端、生产转换数据和输配信息对应的权值因子。作为一种优选设计方案,所述用户群体架构层,具体信息识别分析过程包括:识别提取用户群体架构层的历史购置信息以及媒介导向数据,其中历史购置信息包括在历史周期中各月度的组建主体购置量/>,媒介导向数据包括在各数据媒介平台的关联评价内容。提取历史周期中的组建主体月度最大购置量/>和最小购置量/>以及最大和最小购置量之间间隔的月度时长/>,由此计算用户群体架构层的购置特征量度值/>,执行表达式为:/>。式中,/>,/>和/>为设定的参照购置量界定变化速率以修正补偿速率,/>和/>为设定的参照许可偏离购置量以及单位偏差购置量对应的特征量度干扰因子。通过数值分析处理得到用户群体架构层的数据媒介趋向量度值。作为一种优选设计方案,所述用户群体架构层的数据媒介趋向量度值,具体处理过程包括:根据用户群体架构层在各数据媒介平台的关联评价内容,并与数据虚拟仓中存储的正向词汇集以及负向词汇集进行比对,由此统计用户群体架构层在各数据媒介平台的正向评价词汇数/>以及负向评价词汇数/>,m为各数据媒介平台的编号,。计算用户群体架构层的数据媒介趋向量度值/>,约束执行表达式为:/>。式中,/>和分别为设定的正向评价以及负向评价对应的修正系数,/>和/>分别为设定的单个正向评价词汇所属趋向量度因子以及单个负向评价词汇所属趋向量度减损因子,e为自然常数。作为一种优选设计方案,所述用户群体架构层,其对应的韧性需求特征定义值/>的处理表达式为:/>。式中,/>和/>分别为设定的用户群体架构层的购置特征量度和数据媒介趋向量度值对应的需求特征定义补偿比例系数,/>为设定的用户群体架构层的韧性需求特征参照界限定义值。作为一种优选设计方案,所述动态分销架构层,具体信息识别分析过程包括:以设定周期时长划分得到预估供应周期,并统计预估供应周期中的各特定销售日,标定为各动态特定销售日。获取动态分销架构层在各动态特定销售日所属各历史年度的组建主体销售量/>以及折扣率/>,p为各动态特定销售日的编号,/>,g为各历史年度的编号,。分析预估供应周期中动态分销架构层的销售预计稳态值/>,执行表达式为:/>。式中,为设定的修正补偿销售量,/>为预定义的组建主体单位销售量的预计稳态影响因子,z为历史年度数目,/>为设定的销售预计稳态修正系数。分析预估供应周期中动态分销架构层的促销态势值/>,具体约束表达式为:。式中,/>为设定的促销态势修正比例系数,/>为预定义的折扣率所属单位数值对应的促销因子。作为一种优选设计方案,所述动态分销架构层,其对应的韧性需求特征定义值/>的处理表达式为:。式中,/>、/>分别为设定的动态分销架构层的销售预计稳态值和促销态势值对应的影响比例系数。作为一种优选设计方案,所述供应链的韧性所属态势效益值,具体分析过程包括:根据主体供应架构层对应的韧性特征定义值/>,并提取用户群体架构层对应的韧性需求特征定义值/>,整合计算供应链的韧性所属态势效益值,具体表达式为:/>。式中,/>为供应链的韧性所属态势效益值,/>为设定的态势效益修正值,/>为设定的供应链的韧性所属态势效益参照界限值。
相对于现有技术,本发明的实施例至少具有如下优点或有益效果:1、本发明通过统计主体供应架构层、用户群体架构层以及动态分销架构层,并依次进行针对性的数值分析,使得对供应链的预测关注层面较为全面且具体,同时在数据的处理过程中,能够针对深层次的预测干扰因素进行分析,例如关联供给端的月度原件交付状况以及输配信息等,因而有力提升了数据分析的针对性以及精准性,能够有效预测供应链的韧性水准,并可以为相关组织机构提供充分全面的数据分析结果,大幅提高了供应链的预测合理水平。
2、本发明通过统计主体供应架构层的关联供给数据、生产转换数据以及输配信息进行数值处理分析,充分考虑到主体供应架构层的层级重要性,通过多维度的分析,能够充分反映主体供应架构层的韧性水平,进而为后续的供应链的韧性所属态势效益值的判定提供充分合理的数据支撑基础,有助于及时反馈供应链的韧性问题并采取相应的调节措施,以确保供应链常态运维的稳定性和可靠性。
3、本发明通过提取用户群体架构层的历史购置信息以及媒介导向数据进行分析,能够深度地了解用户群体对于供应链提供的供应主体所具备的市面购置状况以及趋势状况,并辅助相关组织机构进行市场需求趋势的变化了解,从而及时地调整供应生产计划以及库存策略和物流安排的优化,有利于实现供应链自身的调整以适应市场的变化幅度。
4、本发明通过分析动态分销架构层对应的韧性需求特征定义值,将分销架构层纳入至供应链韧性预测的一个维度,提高了数据分析的多样性以及灵活性,并及时地预测市场的波动变化趋向,进一步规避产能浪费或产能不足情况的发生,同时动态分销架构层的分析与供应链预测之间的相互结合,能够辅助相关组织机构快速调整供应链计划、调整生产和配送的速度,以满足动态分销架构层的需求变化,有助于相关组织机构更好地把握机会,从而大幅提高供应调节水平。
附图说明
利用附图对本发明作进一步说明,但附图中的实施例不构成对本发明的任何限制,对于本领域的普通技术人员,在不付出创造性劳动的前提下,还可以根据以下附图获得其它的附图。
图1为本发明的系统模块连接示意图。
图2为本发明实施例中供应链层级分布示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
参照图1所示,本发明提供一种基于机器学习的供应链韧性预测系统,包括:供应链层级划分模块、供应链韧性度分析模块、WEB反馈云端、数据虚拟仓。
所述供应链层级划分模块,用于划分供应链的层级结构,由此统计主体供应架构层、用户群体架构层以及动态分销架构层。
参照图2所示,本发明实施例中所提供的供应链层级分布示意图中,供应链的具体流程为:由多个关联供给端进行原件的供给,由主体供应架构层进行多个原件的组建装配,形成组建主体流向动态分销架构层,用户作为购置群体与动态分销架构层直接关联,并进行组建主体的购置。
进一步需要理解的是,在供应链层级分布示意图中,关联供给端的数目可以为多个,而不仅限于示意图中呈现的3个,同时,用户群体架构层由多个用户组成,而不仅限于示意图中呈现的4个。
所述供应链韧性度分析模块,用于依次对主体供应架构层、用户群体架构层以及动态分销架构层进行信息识别分析,并分别判定主体供应架构层对应的韧性特征定义值以及用户群体架构层和动态分销架构层对应的韧性需求特征定义值。
本发明实施例中,通过统计主体供应架构层、用户群体架构层以及动态分销架构层,并依次进行针对性的数值分析,使得对供应链的预测关注层面较为全面且具体,同时在数据的处理过程中,能够针对深层次的预测干扰因素进行分析,例如关联供给端的月度原件交付状况以及输配信息等,因而有力提升了数据分析的针对性以及精准性,能够有效预测供应链的韧性水准,并可以为相关组织机构提供充分全面的数据分析结果,大幅提高了供应链的预测合理水平。
具体地,所述主体供应架构层,具体信息识别分析过程包括:统计主体供应架构层的关联供给数据、生产转换数据以及输配信息,其中关联供给数据包括历史周期中各关联供给端在各月度的原件交付量以及原件交付日期/>,生产转换数据包括历史周期中各月度的组建主体实质产出量/>以及瑕损量/>,输配信息包括各关联供给端的输配路线、输配工具类别以及各次输配起始时间点和抵达时间点,d为各关联供给端的编号,,j为各月度的编号,/>。本发明实施例中,通过统计主体供应架构层的关联供给数据、生产转换数据以及输配信息进行数值处理分析,充分考虑到主体供应架构层的层级重要性,通过多维度的分析,能够充分反映主体供应架构层的韧性水平,进而为后续的供应链的韧性所属态势效益值的判定提供充分合理的数据支撑基础,有助于及时反馈供应链的韧性问题并采取相应的调节措施,以确保供应链常态运维的稳定性和可靠性。
依据数据虚拟仓中的各关联供给端所属常态月度供应日期,由此提取历史周期中各关联供给端在各月度的原件交付时延/>,/>。提取各关联供给端的输配路线长度/>。计算主体供应架构层的各关联供给端对应的原件交付供给态势值/>,具体执行约束表达式为:。式中,/>、/>、/>依次为设定的修正补偿交付时延值、单位输配路线长度对应的许可偏离时延值以及参照界定时延值,n为月度数目,/>、/>分别为预定义的关联供给端所属供给态势修正因子以及原件交付量所属补偿值。依次通过数值处理,分析主体供应架构层的生产转换数据以及输配信息对应的态势表征值。进一步地,所述主体供应架构层的生产转换数据以及输配信息对应的态势表征值,具体数值过程包括:(1)提取数据虚拟仓中的各关联供给端所属原件对应组建主体占比/>,并根据预拟定的生产界定瑕疵率/>,由此计算主体供应架构层的生产转换数据对应的态势表征值/>,执行表达式为:。式中,,/>和/>分别为设定的第d个关联供给端的原件许可应用偏离量以及校正补偿瑕疵率。应当说明的是,上述原件对应组建主体占比,作为说明,以手机为例,手机作为组建主体,所关联的原件包括显示屏、电池、主板以及摄像头等,其中显示屏对应手机的占比大概为百分之二十,电池对应手机的占比大概为百分之十五,主板对应手机的占比大概为百分之三十,不同的手机型号对应的各个原件的占比也会有所差异,本发明考虑到原件对应组建主体占比这一维度,通过针对性的数值处理,能够反映出主体供应架构层对于原件的使用消耗状况,有助于进一步分析出主体供应架构层对应供应链的韧性水平。(2)根据各关联供给端的输配路线、各次输配起始时间点和抵达时间点,统计各关联供给端的输配路线长度/>以及各次输配的时长/>,i为各次输配的编号,。根据各关联供给端的输配工具类别,从数据虚拟仓中匹配各关联供给端的输配工具对应的参照经营速率/>。计算主体供应架构层的输配信息对应的态势表征值,表达式为:。式中,和/>分别为设定/>的增设补偿速率以及许可偏差速率,为设定的输配信息对应的态势表征修正因子,k为输配总次数。更加进一步地,所述主体供应架构层对应的韧性特征定义值处理公式为:/>。式中,/>和/>分别为主体供应架构层对应的韧性特征定义值以及预设参照韧性特征阈值,/>、和/>分别为设定的关联供给端、生产转换数据和输配信息对应的权值因子。具体地,所述用户群体架构层,具体信息识别分析过程包括:识别提取用户群体架构层的历史购置信息以及媒介导向数据,其中历史购置信息包括在历史周期中各月度的组建主体购置量,媒介导向数据包括在各数据媒介平台的关联评价内容。在一个具体实施例中,上述各数据媒介平台的关联评价内容具体为利用Python应用技术进行数据的抓取,数据媒介平台为具备多人可交流评论功能的多个市面常用公共社交平台,通过对关联评价内容进行抓取分析,有助于了解用户群体对组建主体的看法以及评价导向,从而辅助相关组织机构更好地洞察市场需求趋势、预测销售趋势、评估市场潜力,据此进行供应链的管理和规划,为后续供应链的韧性所属态势效益值的分析评定提供更加科学合理的数据基础。
本发明实施例中,通过提取用户群体架构层的历史购置信息以及媒介导向数据进行分析,能够深度地了解用户群体对于供应链提供的供应主体所具备的市面购置状况以及趋势状况,并辅助相关组织机构进行市场需求趋势的变化了解,从而及时地调整供应生产计划以及库存策略和物流安排的优化,有利于实现供应链自身的调整以适应市场的变化幅度。提取历史周期中的组建主体月度最大购置量和最小购置量/>以及最大和最小购置量之间间隔的月度时长/>,由此计算用户群体架构层的购置特征量度值/>,执行表达式为:。式中,,/>和/>为设定的参照购置量界定变化速率以修正补偿速率,/>和/>为设定的参照许可偏离购置量以及单位偏差购置量对应的特征量度干扰因子。通过数值分析处理得到用户群体架构层的数据媒介趋向量度值/>。进一步地,所述用户群体架构层的数据媒介趋向量度值,具体处理过程包括:根据用户群体架构层在各数据媒介平台的关联评价内容,并与数据虚拟仓中存储的正向词汇集以及负向词汇集进行比对,由此统计用户群体架构层在各数据媒介平台的正向评价词汇数/>以及负向评价词汇数/>,m为各数据媒介平台的编号,/>。计算用户群体架构层的数据媒介趋向量度值/>,约束执行表达式为:。式中,/>和分别为设定的正向评价以及负向评价对应的修正系数,/>和/>分别为设定的单个正向评价词汇所属趋向量度因子以及单个负向评价词汇所属趋向量度减损因子,e为自然常数。更加进一步地,所述用户群体架构层,其对应的韧性需求特征定义值/>的处理表达式为:/>。式中,/>和/>分别为设定的用户群体架构层的购置特征量度值和数据媒介趋向量度值对应的需求特征定义补偿比例系数,/>为设定的用户群体架构层的韧性需求特征参照界限定义值。具体地,所述动态分销架构层,具体信息识别分析过程包括:以设定周期时长划分得到预估供应周期,并统计预估供应周期中的各特定销售日,标定为各动态特定销售日。获取动态分销架构层在各动态特定销售日所属各历史年度的组建主体销售量/>以及折扣率/>,p为各动态特定销售日的编号,/>,g为各历史年度的编号,/>。分析预估供应周期中动态分销架构层的销售预计稳态值/>,执行表达式为:。式中,/>为设定的修正补偿销售量,/>为预定义的组建主体单位销售量的预计稳态影响因子,z为历史年度数目,/>为设定的销售预计稳态修正系数。分析预估供应周期中动态分销架构层的促销态势值/>,具体约束表达式为:。式中,/>为设定的促销态势修正比例系数,/>为预定义的折扣率所属单位数值对应的促销因子。进一步地,所述动态分销架构层,其对应的韧性需求特征定义值/>的处理表达式为:/>。式中,/>、/>分别为设定的动态分销架构层的销售预计稳态值和促销态势值对应的影响比例系数。本发明实施例中,通过分析动态分销架构层对应的韧性需求特征定义值,将分销架构层纳入至供应链韧性预测的一个维度,提高了数据分析的多样性以及灵活性,并及时地预测市场的波动变化趋向,进一步规避产能浪费或产能不足情况的发生,同时动态分销架构层的分析与供应链预测之间的相互结合,能够辅助相关组织机构快速调整供应链计划、调整生产和配送的速度,以满足动态分销架构层的需求变化,有助于相关组织机构更好地把握机会,从而大幅提高供应调节水平。所述WEB反馈云端,用于分析供应链的韧性所属态势效益值,并进行辅助决策反馈提示。应阐述的是,上述进行辅助决策反馈提示,具体包括:将供应链的韧性所属态势效益值与设定的各态势效益水平对应的属态势效益值区间进行比对,得到供应链的韧性所属态势效益水平,其中态势效益水平包括初级需优化水平、中级浅优化水平、稳态效益水平,由此进行辅助决策反馈提示,通过态势效益水平的判定,能够辅助相关组织机构更好地把握供应链的稳定性和弹性,从而针对供应链的不同层级进行调整和优化,有利于提高供应链业务的连续性。
具体地,所述供应链的韧性所属态势效益值,具体分析过程包括:根据主体供应架构层对应的韧性特征定义值,并提取用户群体架构层对应的韧性需求特征定义值/>,整合计算供应链的韧性所属态势效益值,具体表达式为:。式中,/>为供应链的韧性所属态势效益值,/>为设定的态势效益修正值,/>为设定的供应链的韧性所属态势效益参照界限值。所述数据虚拟仓,用于存储各关联供给端所属常态月度供应日期以及原件对应组建主体占比,存储各类别输配工具对应的参照经营速率,并存储正向词汇集以及负向词汇集。进一步需要补充说明的是,上述正向词汇集以及负向词汇集中,示例地,其中正向词汇集所囊括的词汇包括但不仅限于高品质、先进、特色、新颖、专业等,负向词汇集所囊括的词汇包括但不仅限于过时、低效、难用、质量差、不耐用等。以上内容仅仅是对本发明结构所作的举例和说明,所属本技术领域的技术人员对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,只要不偏离发明的结构或者超越本发明所定义的范围,均应属于本发明的保护范围。/>
Claims (6)
1.一种基于机器学习的供应链韧性预测系统,其特征在于,包括:
供应链层级划分模块,用于划分供应链的层级结构,由此统计主体供应架构层、用户群体架构层以及动态分销架构层;
供应链韧性度分析模块,用于依次对主体供应架构层、用户群体架构层以及动态分销架构层进行信息识别分析,并分别判定主体供应架构层对应的韧性特征定义值以及用户群体架构层和动态分销架构层对应的韧性需求特征定义值;
WEB反馈云端,用于分析供应链的韧性所属态势效益值,并进行辅助决策反馈提示;
数据虚拟仓,用于存储各关联供给端所属常态月度供应日期以及原件对应组建主体占比,存储各类别输配工具对应的参照经营速率,并存储正向词汇集以及负向词汇集;
所述主体供应架构层对应的韧性特征定义值处理公式为:;式中,/>和/>分别为主体供应架构层对应的韧性特征定义值以及预设参照韧性特征阈值,/>、/>和/>分别为设定的关联供给端、生产转换数据和输配信息对应的权值因子,/>表示主体供应架构层的各关联供给端对应的原件交付供给态势值,/>表示主体供应架构层的生产转换数据对应的态势表征值,/>表示主体供应架构层的输配信息对应的态势表征值;
所述用户群体架构层,其对应的韧性需求特征定义值的处理表达式为:;式中,/>和/>分别为设定的用户群体架构层的购置特征量度值和数据媒介趋向量度值对应的需求特征定义补偿比例系数,为设定的用户群体架构层的韧性需求特征参照界限定义值,/>表示用户群体架构层的购置特征量度值,/>表示用户群体架构层的数据媒介趋向量度值;
所述供应链的韧性所属态势效益值,具体分析过程包括:根据主体供应架构层对应的韧性特征定义值,并提取用户群体架构层对应的韧性需求特征定义值/>,整合计算供应链的韧性所属态势效益值,具体表达式为:/>;式中,/>为供应链的韧性所属态势效益值,/>为设定的态势效益修正值,/>为设定的供应链的韧性所属态势效益参照界限值;
所述动态分销架构层,其对应的韧性需求特征定义值的处理表达式为:;式中,/>、/>分别为设定的动态分销架构层的销售预计稳态值和促销态势值对应的影响比例系数,/>表示供应周期中动态分销架构层的销售预计稳态值,/>表示供应周期中动态分销架构层的促销态势值。
2.根据权利要求1所述的一种基于机器学习的供应链韧性预测系统,其特征在于:所述主体供应架构层,具体信息识别分析过程包括:
统计主体供应架构层的关联供给数据、生产转换数据以及输配信息,其中关联供给数据包括历史周期中各关联供给端在各月度的原件交付量以及原件交付日期/>,生产转换数据包括历史周期中各月度的组建主体实质产出量/>以及瑕损量/>,输配信息包括各关联供给端的输配路线、输配工具类别以及各次输配起始时间点和抵达时间点,d为各关联供给端的编号,/>,j为各月度的编号,/>;依据数据虚拟仓中的各关联供给端所属常态月度供应日期/>,由此提取历史周期中各关联供给端在各月度的原件交付时延/>,/>;提取各关联供给端的输配路线长度/>;计算主体供应架构层的各关联供给端对应的原件交付供给态势值/>,具体执行约束表达式为:;式中,/>、、/>依次为设定的修正补偿交付时延值、单位输配路线长度对应的许可偏离时延值以及参照界定时延值,n为月度数目,/>、/>分别为预定义的关联供给端所属供给态势修正因子以及原件交付量所属补偿值;依次通过数值处理,分析主体供应架构层的生产转换数据以及输配信息对应的态势表征值。
3.根据权利要求2所述的一种基于机器学习的供应链韧性预测系统,其特征在于:所述主体供应架构层的生产转换数据以及输配信息对应的态势表征值,具体数值过程包括:(1)提取数据虚拟仓中的各关联供给端所属原件对应组建主体占比,并根据预拟定的生产界定瑕疵率/>,由此计算主体供应架构层的生产转换数据对应的态势表征值/>,执行表达式为:/>;式中,/>,/>和/>分别为设定的第d个关联供给端的原件许可应用偏离量以及校正补偿瑕疵率;(2)根据各关联供给端的输配路线、各次输配起始时间点和抵达时间点,统计各关联供给端的输配路线长度/>以及各次输配的时长/>,i为各次输配的编号,/>;根据各关联供给端的输配工具类别,从数据虚拟仓中匹配各关联供给端的输配工具对应的参照经营速率/>;计算主体供应架构层的输配信息对应的态势表征值,表达式为:;式中,和/>分别为设定的增设补偿速率以及许可偏差速率,/>为设定的输配信息对应的态势表征修正因子,k为输配总次数。
4.根据权利要求1所述的一种基于机器学习的供应链韧性预测系统,其特征在于:所述用户群体架构层,具体信息识别分析过程包括:
识别提取用户群体架构层的历史购置信息以及媒介导向数据,其中历史购置信息包括在历史周期中各月度的组建主体购置量,媒介导向数据包括在各数据媒介平台的关联评价内容;提取历史周期中的组建主体月度最大购置量/>和最小购置量/>以及最大和最小购置量之间间隔的月度时长/>,由此计算用户群体架构层的购置特征量度值/>,执行表达式为:;式中,,/>和/>为设定的参照购置量界定变化速率以修正补偿速率,/>和/>为设定的参照许可偏离购置量以及单位偏差购置量对应的特征量度干扰因子;通过数值分析处理得到用户群体架构层的数据媒介趋向量度值/>。
5.根据权利要求4所述的一种基于机器学习的供应链韧性预测系统,其特征在于:所述用户群体架构层的数据媒介趋向量度值,具体处理过程包括:
根据用户群体架构层在各数据媒介平台的关联评价内容,并与数据虚拟仓中存储的正向词汇集以及负向词汇集进行比对,由此统计用户群体架构层在各数据媒介平台的正向评价词汇数以及负向评价词汇数/>,m为各数据媒介平台的编号;计算用户群体架构层的数据媒介趋向量度值/>,约束执行表达式为:/>;式中,/>和分别为设定的正向评价以及负向评价对应的修正系数,/>和/>分别为设定的单个正向评价词汇所属趋向量度因子以及单个负向评价词汇所属趋向量度减损因子,e为自然常数。
6.根据权利要求5所述的一种基于机器学习的供应链韧性预测系统,其特征在于:所述动态分销架构层,具体信息识别分析过程包括:
以设定周期时长划分得到预估供应周期,并统计预估供应周期中的各特定销售日,标定为各动态特定销售日;
获取动态分销架构层在各动态特定销售日所属各历史年度的组建主体销售量以及折扣率/>,p为各动态特定销售日的编号,/>,g为各历史年度的编号,;分析预估供应周期中动态分销架构层的销售预计稳态值/>,执行表达式为:/>;式中,为设定的修正补偿销售量,/>为预定义的组建主体单位销售量的预计稳态影响因子,z为历史年度数目,/>为设定的销售预计稳态修正系数;分析预估供应周期中动态分销架构层的促销态势值/>,具体约束表达式为:;式中,/>为设定的促销态势修正比例系数,/>为预定义的折扣率所属单位数值对应的促销因子。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311234446.6A CN116993395B (zh) | 2023-09-25 | 2023-09-25 | 一种基于机器学习的供应链韧性预测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311234446.6A CN116993395B (zh) | 2023-09-25 | 2023-09-25 | 一种基于机器学习的供应链韧性预测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116993395A CN116993395A (zh) | 2023-11-03 |
CN116993395B true CN116993395B (zh) | 2023-12-29 |
Family
ID=88532379
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311234446.6A Active CN116993395B (zh) | 2023-09-25 | 2023-09-25 | 一种基于机器学习的供应链韧性预测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116993395B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20030046168A (ko) * | 2001-12-05 | 2003-06-12 | 김학수 | 공급사슬관리 시스템 및 운용방법 |
WO2007007351A2 (en) * | 2005-07-07 | 2007-01-18 | Gorur Narayana Srinivasa Prasa | Novel methods for supply chain management incorporating uncertainity |
JP2007265127A (ja) * | 2006-03-29 | 2007-10-11 | Konica Minolta Holdings Inc | サプライチェーンの最適化支援方法 |
US8332249B1 (en) * | 2003-07-07 | 2012-12-11 | Turgut Aykin | System and method for integrated supply chain and contact center management |
US10061300B1 (en) * | 2017-09-29 | 2018-08-28 | Xometry, Inc. | Methods and apparatus for machine learning predictions and multi-objective optimization of manufacturing processes |
CN108805609A (zh) * | 2018-05-07 | 2018-11-13 | 河南金凤电子科技有限公司 | 一种套餐分析方法与装置 |
CN109784979A (zh) * | 2018-12-19 | 2019-05-21 | 重庆邮电大学 | 一种大数据驱动的供应链需求预测方法 |
CN110728605A (zh) * | 2019-08-23 | 2020-01-24 | 广东工业大学 | 基于区块链的开放式监管平台以及其执行方法 |
CN114219169A (zh) * | 2021-12-23 | 2022-03-22 | 上海颖幡技术有限公司 | 颖幡供应链销售和库存预测算法模型和应用系统 |
CN114971688A (zh) * | 2022-04-26 | 2022-08-30 | 西安建筑科技大学 | 一种基于组合模型的供应链生产预测方法 |
US11544724B1 (en) * | 2019-01-09 | 2023-01-03 | Blue Yonder Group, Inc. | System and method of cyclic boosting for explainable supervised machine learning |
CN116797096A (zh) * | 2023-07-06 | 2023-09-22 | 重庆邮电大学 | 基于ahp-熵权法的供应链韧性水平模糊综合评估方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003048621A (ja) * | 2001-08-06 | 2003-02-21 | Sony Corp | サプライチェーン管理システム、流通業者側装置、部品製造者側装置、サプライチェーン管理装置、サプライチェーン管理方法、それらのプログラム、ならびにプログラム記録媒体 |
US10832196B2 (en) * | 2018-08-31 | 2020-11-10 | Kinaxis Inc. | Analysis and correction of supply chain design through machine learning |
-
2023
- 2023-09-25 CN CN202311234446.6A patent/CN116993395B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20030046168A (ko) * | 2001-12-05 | 2003-06-12 | 김학수 | 공급사슬관리 시스템 및 운용방법 |
US8332249B1 (en) * | 2003-07-07 | 2012-12-11 | Turgut Aykin | System and method for integrated supply chain and contact center management |
WO2007007351A2 (en) * | 2005-07-07 | 2007-01-18 | Gorur Narayana Srinivasa Prasa | Novel methods for supply chain management incorporating uncertainity |
JP2007265127A (ja) * | 2006-03-29 | 2007-10-11 | Konica Minolta Holdings Inc | サプライチェーンの最適化支援方法 |
US10061300B1 (en) * | 2017-09-29 | 2018-08-28 | Xometry, Inc. | Methods and apparatus for machine learning predictions and multi-objective optimization of manufacturing processes |
CN108805609A (zh) * | 2018-05-07 | 2018-11-13 | 河南金凤电子科技有限公司 | 一种套餐分析方法与装置 |
CN109784979A (zh) * | 2018-12-19 | 2019-05-21 | 重庆邮电大学 | 一种大数据驱动的供应链需求预测方法 |
US11544724B1 (en) * | 2019-01-09 | 2023-01-03 | Blue Yonder Group, Inc. | System and method of cyclic boosting for explainable supervised machine learning |
CN110728605A (zh) * | 2019-08-23 | 2020-01-24 | 广东工业大学 | 基于区块链的开放式监管平台以及其执行方法 |
CN114219169A (zh) * | 2021-12-23 | 2022-03-22 | 上海颖幡技术有限公司 | 颖幡供应链销售和库存预测算法模型和应用系统 |
CN114971688A (zh) * | 2022-04-26 | 2022-08-30 | 西安建筑科技大学 | 一种基于组合模型的供应链生产预测方法 |
CN116797096A (zh) * | 2023-07-06 | 2023-09-22 | 重庆邮电大学 | 基于ahp-熵权法的供应链韧性水平模糊综合评估方法 |
Non-Patent Citations (3)
Title |
---|
Supply Chain 4.0: A Machine Learning-Based Bayesian-Optimized LightGBM Model for Predicting Supply Chain Risk;Sani, S等;《MACHINES》;第11卷(第9期);1-20 * |
基于PSO-GRNN算法的物流运输风险预测;赵晨阳等;《物流技术》;第42卷(第2期);49-53 * |
如何提升供应链的韧性;肖勇波等;《清华管理评论》(第6期);16-23 * |
Also Published As
Publication number | Publication date |
---|---|
CN116993395A (zh) | 2023-11-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US7945472B2 (en) | Business management tool | |
KR20210065563A (ko) | 광고 마케팅 업무 관리 방법 및 시스템 | |
CN112529449A (zh) | 一种基于大数据的供应商质量评价方法及系统 | |
Gagliardi et al. | Upstreamness, wages and gender: Equal benefits for all? | |
CN107392426A (zh) | 一种电力供应商的评价及选择方法 | |
Xin et al. | Green product supply chain coordination under demand uncertainty | |
US20210065128A1 (en) | System and method for recruitment candidate equity modeling | |
CN110717666A (zh) | 一种企业产品的市场竞争力评价方法 | |
CN1776729A (zh) | 开展商品和服务预测的方法和系统 | |
CN101324939A (zh) | 基于数据挖掘的新业务市场预测系统及其方法 | |
CN116993395B (zh) | 一种基于机器学习的供应链韧性预测系统 | |
Sivula et al. | End-to-end servitization model in Industry 4.0 | |
CN117236989A (zh) | 一种基于大数据分析的市场营销管理方法及系统 | |
CN112884534A (zh) | 一种收益法估值模型 | |
CN116304374B (zh) | 一种基于包装数据的客户匹配方法及系统 | |
CN117237054A (zh) | 电力市场中长期集中竞价交易策略推荐方法、系统及设备 | |
Buchmann et al. | Towards an estimation model for software maintenance costs | |
CN115081921A (zh) | 一种基于大数据的erp电商管理系统 | |
CN112700153A (zh) | 一种效益核算模型及其构建方法和使用方法 | |
Delisle | The Canadian national tourism indicators: a dynamic picture of the satellite account | |
Ucenic et al. | Improving performance in supply chain | |
CN116796908B (zh) | 基于人工智能云平台的数字员工自动化业务流程处理系统 | |
CN113421148A (zh) | 商品数据处理方法、装置、电子设备及计算机存储介质 | |
CN110781451A (zh) | 一种酒店线上收益的管理方法及系统 | |
CN111080456B (zh) | 一种基于环境效应反馈的erp项目辅助决策支持系统及方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |