CN117035430A - 供应商风险预测方法及系统 - Google Patents
供应商风险预测方法及系统 Download PDFInfo
- Publication number
- CN117035430A CN117035430A CN202311213367.7A CN202311213367A CN117035430A CN 117035430 A CN117035430 A CN 117035430A CN 202311213367 A CN202311213367 A CN 202311213367A CN 117035430 A CN117035430 A CN 117035430A
- Authority
- CN
- China
- Prior art keywords
- risk
- neural network
- network model
- vendor
- graph
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000003062 neural network model Methods 0.000 claims abstract description 25
- 238000012545 processing Methods 0.000 claims abstract description 19
- 239000011159 matrix material Substances 0.000 claims description 8
- 238000005096 rolling process Methods 0.000 claims description 2
- 238000011156 evaluation Methods 0.000 description 25
- 230000006870 function Effects 0.000 description 20
- 238000011160 research Methods 0.000 description 10
- 238000004458 analytical method Methods 0.000 description 8
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 6
- 238000013500 data storage Methods 0.000 description 6
- 238000013210 evaluation model Methods 0.000 description 6
- 238000000605 extraction Methods 0.000 description 6
- 229910052744 lithium Inorganic materials 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 238000012216 screening Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 238000013439 planning Methods 0.000 description 4
- 238000011144 upstream manufacturing Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 3
- 238000007689 inspection Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000012502 risk assessment Methods 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013486 operation strategy Methods 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 238000012384 transportation and delivery Methods 0.000 description 1
- 230000002087 whitening 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
- G06N3/042—Knowledge-based neural networks; Logical representations of neural 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供供应商风险预测方法及系统,方法包括:确定待预测供应商的实体属性,据以建立图数据库;根据供货影响因素数据,对所有待预测供应商,建立指标体系;根据指标体系,设计图神经网络模型,利用图神经网络模型的嵌入层,处理得到所有供应商节点对应的公司的风险特征集合,利用图神经网络模型的关联嵌入层,处理得到图数据库中,风险特征集合,以获取风险间关联特征,求取并根据损失函数,据以根据风险间关联特征预测供货商风险。本发明解决了传统数据的非结构化特点导致风险预测困难,以及对风险间关联数据考虑不充分的技术问题。
Description
技术领域
本发明锂电池制造数据处理领域,具体涉及供应商风险预测方法及系统。
背景技术
锂电行业制造和装配工序繁多且复杂,因此构建价格低廉,质量优异,交货及时、准时,服务体系完善,一切过程有保障的供应链,是实现企业快速发展的经营战略。供应商作为供应链的前置环节,在供应链中发挥着十分重要的作用。一旦供应商出现风险事件,或是违约,或是出现潜质量问题等都有可能引起整个供应链的停止。但是,由于供应链风险的突发性和不确定性,同时激烈的市场竞争导致了的供应链内部结构变得复杂化,使得供应链在不断提升运作效率与效益,获得竞争优势的同时,也面临着各种风险的挑战,变得更加脆弱,使得供应链风险的预测越来越重要。
企业在选定目前,对供应商风险的研究主要是集中于对供应链和供应商的风险指标筛选和优化上,以及分析评价模型的研究诸如模糊综合评价、灰色评价、SCOR模型,还有一部分研究供应链库存管理、库存需求预测方法等降低供应链风险。
对供应商风险的研究主要是集中于对供应链和供应商的风险指标筛选和优化上,以及分析评价模型的研究诸如模糊综合评价、灰色评价、SCOR模型,还有一部分研究供应链库存管理、库存需求预测方法等降低供应链风险。例如公布号为CN116452154A的现有发明专利申请文献《一种适用于通信运营商的项目管理系统》,该现有文献中披露的系统包括:项目启动单元、项目规划单元、项目执行单元、项目监控单元、项目收尾单元,项目启动单元进行项目的可行性研究,项目规划单元根据可行性研究成果,规划项目的管理工作,项目执行单元执行项目规划单元制定的规划,项目监控单元实现监控与评估,并及时做出必要调整,项目收尾单元对项目审查与评估,项目收尾单元包括审查数据采集模块、数据存储模块、审查分析模块、价值预测模块和项目建议模块;审查数据采集模块采集功能板块上线后的使用信息数据,并将获取的使用信息数据发送至数据存储模块;审查分析模块获取数据存储模块归档后的数据,通过构建模糊综合评价模型获取综合评价值;审查分析模块的模糊综合评价模型具体为:构建评价因素集合,其中n为第n项数据指标,将评价等级分为m个等级,构建评价等级,并根据隶属函数表达式,得到隶属度矩阵Z,并计算得出各项数据指标的权重系数后,合成综合评价结果向量C,其中:W为每项数据指标的权重系数;最终对评价等级赋值,,并设定k为各项数据指标的影响程度,并计算得出综合评价值P;价值预测模块通过构建灰色马尔科夫预测模型,以归档后的现实数据为数据样本,获取预测数据;数据存储模块接收审查数据采集模块获取的使用信息数据以及价值预测模块的预测数据,并进行归档;项目建议模块根据不同项目的综合评价值,以判断分析用户对项目的需求程度和重要性;项目建议模块对项目的需求程度和重要性的分析以及提出建议的步骤为:从数据存储模块获取项目当前时间的实际综合评价值P实,并将不同项目的实际综合评价值P实直接进行比对评价,将项目上线时间短且实际综合评价值P实大的项目作为优质项目,获取一次判断结果,而后设定项目上线周期为T,获取此时的实际综合评价值P实或预测综合评价值P预,在项目上线T周期所有项目均具有实际综合评价值P实条件下,将实际综合评价值P实大的项目作为优质项目,获取二次判断结果,在项目上线T周期所有项目均具有预测综合评价值P预条件下,将预测综合评价值P预大的项目作为优质项目,获取三次判断结果,根据三次判断结果实现对优质项目的分析。以及公布号为CN113763154A的现有发明专利申请文献《一种基于模糊灰色评价的钢贸供应链金融风险评估方法》包括:对融资企业的信用初步审核,审核通过后建立风险评价指标集并确定各指标权重;读取并收集风险评估所需的所有数据;专家基于所有数据与模糊评语集对各指标综合评分,建立评价矩阵;再根据灰类计算白化权函数、评价权矩阵,最终计算得到各级指标的综合评价值与企业的综合风险评价值。然而,由于供应链风险自身复杂、多样、动态的特点,使用前述传统方法和理论对风险进行预测的研究变得越来越困难。
综上,现有技术存在传统数据的非结构化特点导致风险预测困难,以及对风险间关联数据考虑不充分的技术问题。
发明内容
本发明所要解决的技术问题在于:如何解决现有技术中传统数据的非结构化特点导致风险预测困难,以及对风险间关联数据考虑不充分的技术问题。
本发明是采用以下技术方案解决上述技术问题的:供应商风险预测方法包括:
S1、确定待预测供应商的实体属性,据以建立图数据库;
S2、根据供货影响因素数据,对所有待预测供应商,建立指标体系;
S3、根据指标体系,设计图神经网络模型,利用图神经网络模型的嵌入层,处理得到所有供应商节点对应的公司的风险特征集合,利用图神经网络模型的关联嵌入层,处理得到图数据库中,风险特征集合,以获取风险间关联特征,求取并根据损失函数,据以根据风险间关联特征预测供货商风险。
本发明从处理传统非结构化数据推广到更高层次的结构化数据,大规模的图数据可以表达丰富和蕴含逻辑关系的规则,表达了供应链条上节点之间的依赖、从属、逻辑规则等推理关系。本发明的供应链中各个风险之间存在的关联,对数据进行分析,并通过算法对风险之间的相关性进行挖掘预测。本发明提供的供应商风险预测方法可以应用于锂电池生产的其他行业。
在更具体的技术方案中,步骤S1中,实体属性包括:供应商名称、地址、联系方式以及产品类型。
在更具体的技术方案中,步骤S1包括:
S11、创建供应商节点,以表达供应商实体;
S12、基于neo4j的预置查询工具,建立供应商节点之间关系;
S13、获取并根据实际供应场景信息,定义供应商节点之间关系的关系类型。
在更具体的技术方案中,步骤S3包括:
S31、设置嵌入层Embedding Layer;
S32、在嵌入层Embedding Layer,利用XGboost模型,提取并处理特定的公司的风险特征,以得到风险特征集合;
S33、利用关联嵌入层Relational Embedding Layer,经过图卷积网络处理风险特征集合,据以生成新特征表示;
S34、根据新特征表示,求取并表达关系-强度函数;
S35、利用下述逻辑,求取图神经网络模型的损失函数。
在更具体的技术方案中,步骤S32中,利用下述逻辑处理得到风险特征集合:
式中,EC表示所有公司的特征集合,e代表不同公司的经过Xgboost提取到的特征,C代表公司名称。
针对现有的技术在特征提取中未考虑公司与公司之间的相关联的关系,对于供应链的体系通常“动一发而牵全身”,导致现有技术存在的局限性。本发明提出关联嵌入层,在特征提取的时候引入公司之间的关联性,使得风险预测结果更加贴近实际。
在更具体的技术方案中,步骤S33中,利用下述逻辑,生成新特征表示集合:
本发明针对传统方法集中于对供应链和供应商的风险指标筛选和优化上,以及分析评价模型的研究,并没有考虑供应商其本身上下游直接的逻辑关系,因考虑到公司与公司之间并非割裂,得到他们的特征集合,利用特征集合对复杂、多样、动态供应链进行风险预测。
在更具体的技术方案中,步骤S32中,利用下述逻辑,处理得的图神经网络模型的
新特征表示:
式中,i表示供应商序号,相关联的j公司的随时间变化的一种特征,dj表示有多少与i公司相连的公司,表示邻接矩阵。
在更具体的技术方案中,步骤S34中,利用下述逻辑求取并表达关系-强度函数g:
对于某一个公司而言,同行业及上下游公司对其影响程度是不一样的,而本申请采用的关系-强度函数就是对影响程度的一种函数表征。针对现有技术并未考虑这些影响,且默认为相同的问题,同时在实际应用场景中,对于企业而言,每年战略是会依据市场进行调整的,因而公司之间影响因素是动态变化的;本发明通过引入关系-强度函数充分考虑了隐私信息以及企业调整的情形,能够更加准确地预测风险。
在更具体的技术方案中,步骤S35包括:利用下述逻辑,求取图神经网络模型的损失函数:
式中,表示预测风险,γt+1表示真实风险,α为惩罚因子,用以平衡前后损失函数,l代表损失loss,只是表征。
本发明中的第一个回归项惩罚了真实值与预测值之间的差异,第二项回归项,配对最大边际损失,预测风险与真实风险相对排序,充分考虑了i和j的预测结果与真实结果之间的潜在关系。
在更具体的技术方案中,供应商风险预测系统包括:
图数据库建立模块,用以确定待预测供应商的实体属性,据以建立图数据库;
指标体系建立模块,用以根据供货影响因素数据,对所有待预测供应商,建立指标体系;
风险预测模块,用以根据指标体系,设计图神经网络模型,利用图神经网络模型的嵌入层,处理得到图数据库中,所有供应商节点对应的公司的风险特征集合,利用图神经网络模型的关联嵌入层,处理风险特征集合,以获取风险间关联特征,求取并根据损失函数,据以根据风险间关联特征预测供货商风险,风险预测模块与指标体系建立模块及图数据库建立模块连接。
本发明相比现有技术具有以下优点:本发明从处理传统非结构化数据推广到更高层次的结构化数据,大规模的图数据可以表达丰富和蕴含逻辑关系的规则,表达了供应链条上节点之间的依赖、从属、逻辑规则等推理关系。本发明的供应链中各个风险之间存在的关联,对数据进行分析,并通过算法对风险之间的相关性进行挖掘预测。本发明提供的供应商风险预测方法可以应用于锂电池生产的其他行业。
针对现有的技术在特征提取中未考虑公司与公司之间的相关联的关系,对于供应链的体系通常“动一发而牵全身”,导致现有技术存在的局限性。本发明提出关联嵌入层,在特征提取的时候引入公司之间的关联性,使得风险预测结果更加贴近实际。
本发明针对传统方法集中于对供应链和供应商的风险指标筛选和优化上,以及分析评价模型的研究,并没有考虑供应商其本身上下游直接的逻辑关系,因考虑到公司与公司之间并非割裂,得到他们的特征集合,利用特征集合对复杂、多样、动态供应链进行风险预测。
对于某一个公司而言,同行业及上下游公司对其影响程度是不一样的,而本申请采用的关系-强度函数就是对影响程度的一种函数表征。针对现有技术并未考虑这些影响,且默认为相同的问题,同时在实际应用场景中,对于企业而言,每年战略是会依据市场进行调整的,因而公司之间影响因素是动态变化的;本发明通过引入关系-强度函数充分考虑了隐私信息以及企业调整的情形,能够更加准确地预测风险。
本发明中的第一个回归项惩罚了真实值与预测值之间的差异,第二项回归项,配对最大边际损失,预测风险与真实风险相对排序,充分考虑了i和j的预测结果与真实结果之间的潜在关系。
本发明解决了现有技术中存在的传统数据的非结构化特点导致风险预测困难,以及对风险间关联数据考虑不充分的技术问题。
附图说明
图1为本发明实施例1的供应商风险预测方法基本步骤示意图;
图2为本发明实施例1的建立图数据库的具体步骤示意图;
图3为本发明实施例1的预测供货商风险的具体步骤示意图;
图4为本发明实施例1的图神经网络模型结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例,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作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。
实施例1
如图1所示,本发明提供的供应商风险预测方法,包括以下基本步骤:
S1、建立图数据库;
在本实施例中,基于neo4j创建供应商实体之间的关系,首先,确定供应商实体的属性并设计数据模型,在本实施例中,属性包括但不限于:供应商名称、地址、联系方式以及产品类型。
如图2所示,在本实施例中,建立图数据库的步骤S1,还包括以下具体步骤:
S11、创建供应商节点;
在本实施例采用的Neo4j中,以节点表示实体。在本实施例中,使用Neo4j的Cypher查询语言创建供应商节点,并为每个节点设置相应的属性。
S12、建立供应商之间的关系;
在本实施例中,可采用例如:CREATE(:Supplier{name:'供应商A',address:'Address1',contact:'Contact 1',productType:'Product 1'}),CREATE(:Supplier{name:'供应商B',address:'Address 2',contact:'Contact 2',productType:'Product2'})建立关系:使用Cypher查询语言建立供应商之间的关系。
S13、根据实际情况定义供应商之间的关系类型;
在本实施例中,可采用例如:MATCH(s1:Supplier{name:'供应商A'})MATCH(s2:Supplier{name:'供应商B'})CREATE(s1)-[:采购]->(s2),CREATE(s2)-[:销售]->(s1)
S2、建立各公司指标体系;
在本实施例中,公式指标体系如下表所示:
S3、设计图神经网络模型,以处理得到风险间关联特征,根据风险间关联特征预测供货商风险;
如图3所示,在本实施例中,预测供货商风险的步骤S3,还包括以下具体步骤:
S31、设置嵌入层,在嵌入层得到所有公司的特征集合;
如图4所示,在本实施例中,在嵌入层Embedding Layer中,利用成熟XGboost模型提取相关公司的风险特征,把供应商公司所有的相关公司的特征以及指标体系输入到Xgboost模型当中,因考虑到公司与公司之间并非割裂,利用下式得到前述公司的特征集合:
其中,EC表示所有公司的特征集合。
在本实施例中,相关公司包括但不限于:上下游公司,所投资的公司以及同行业公司。
S32、在关联嵌入层,在关联嵌入层获取风险间关联特征,以预测真实风险;
在本实施例中,关联嵌入层Relational Embedding Layer经过图卷积网络,形成新的特征表示:
其中,图卷积神经网络的新的特征计算:
该含义表示每一支与i供应商相关联的j公司的随时间变化的一种特征,dj表示有多少与i公司相连的公司,表示邻接矩阵。g称为关系-强度函数,如下式:
在本实施例中,损失函数选用:
其中表示预测风险,γt+1表示真实风险,其中第一个回归项惩罚了真实值与预测值之间的差异,第二项回归项,配对最大边际损失,预测风险与真是风险相对排序。
综上,本发明从处理传统非结构化数据推广到更高层次的结构化数据,大规模的图数据可以表达丰富和蕴含逻辑关系的规则,表达了供应链条上节点之间的依赖、从属、逻辑规则等推理关系。本发明的供应链中各个风险之间存在的关联,对数据进行分析,并通过算法对风险之间的相关性进行挖掘预测。本发明提供的供应商风险预测方法可以应用于锂电池生产的其他行业。
针对现有的技术在特征提取中未考虑公司与公司之间的相关联的关系,对于供应链的体系通常“动一发而牵全身”,导致现有技术存在的局限性。本发明提出关联嵌入层,在特征提取的时候引入公司之间的关联性,使得风险预测结果更加贴近实际。
本发明针对传统方法集中于对供应链和供应商的风险指标筛选和优化上,以及分析评价模型的研究,并没有考虑供应商其本身上下游直接的逻辑关系,因考虑到公司与公司之间并非割裂,得到他们的特征集合,利用特征集合对复杂、多样、动态供应链进行风险预测。
对于某一个公司而言,同行业及上下游公司对其影响程度是不一样的,而本申请采用的关系-强度函数就是对影响程度的一种函数表征。针对现有技术并未考虑这些影响,且默认为相同的问题,同时在实际应用场景中,对于企业而言,每年战略是会依据市场进行调整的,因而公司之间影响因素是动态变化的;本发明通过引入关系-强度函数充分考虑了隐私信息以及企业调整的情形,能够更加准确地预测风险。
本发明中的第一个回归项惩罚了真实值与预测值之间的差异,第二项回归项,配对最大边际损失,预测风险与真实风险相对排序,充分考虑了i和j的预测结果与真实结果之间的潜在关系。
本发明解决了现有技术中存在的传统数据的非结构化特点导致风险预测困难,以及对风险间关联数据考虑不充分的技术问题。
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 (10)
1.供应商风险预测方法,其特征在于,所述方法包括:
S1、确定待预测供应商的实体属性,据以建立图数据库;
S2、根据供货影响因素数据,对所有所述待预测供应商,建立指标体系;
S3、根据所述指标体系,设计图神经网络模型,利用所述图神经网络模型的嵌入层,处理得到所有所述供应商节点对应的公司的风险特征集合,利用所述图神经网络模型的关联嵌入层,处理得到所述图数据库中,所述风险特征集合,以获取风险间关联特征,求取并根据损失函数,据以根据所述风险间关联特征预测供货商风险。
2.根据权利要求1所述的供应商风险预测方法,其特征在于,所述步骤S1中,所述实体属性包括:供应商名称、地址、联系方式以及产品类型。
3.根据权利要求1所述的供应商风险预测方法,其特征在于,所述步骤S1包括:
S11、创建供应商节点,以表达供应商实体;
S12、基于neo4j的预置查询工具,建立供应商节点之间关系;
S13、获取并根据实际供应场景信息,定义所述供应商节点之间关系的关系类型。
4.根据权利要求1所述的供应商风险预测方法,其特征在于,所述步骤S3包括:
S31、设置所述嵌入层Embedding Layer;
S32、在所述所述嵌入层Embedding Layer,利用XGboost模型,提取并处理特定的所述公司的风险特征,以得到所述风险特征集合;
S33、利用所述关联嵌入层Relational Embedding Layer,经过图卷积网络处理所述风险特征集合,据以生成新特征表示;
S34、根据所述新特征表示,求取并表达关系-强度函数;
S35、利用下述逻辑,求取所述图神经网络模型的所述损失函数:
式中表示预测风险,γt+1表示真实风险。
5.根据权利要求4所述的供应商风险预测方法,其特征在于,所述步骤S32中,利用下述逻辑处理得到所述风险特征集合:
式中,EC表示所有公司的特征集合,e代表不同公司的经过Xgboost提取到的特征,C代表公司名称。
6.根据权利要求4所述的供应商风险预测方法,其特征在于,所述步骤S33中,利用下述逻辑,生成新特征表示集合:
7.根据权利要求4所述的供应商风险预测方法,其特征在于,所述步骤S32中,利用下述逻辑,处理得的所述图神经网络模型的新特征表示:
式中,i表示供应商序号,相关联的j公司的随时间变化的一种特征,dj表示有多少与i公司相连的公司,表示邻接矩阵。
8.根据权利要求1所述的供应商风险预测方法,其特征在于,所述步骤S34中,利用下述逻辑求取并表达关系-强度函数g:
9.根据权利要求1所述的供应商风险预测方法,其特征在于,所述步骤S35包括:利用下述逻辑,求取所述图神经网络模型的所述损失函数:
式中,表示预测风险,γt+1表示真实风险,α为惩罚因子,l代表损失loss,只是表征。
10.供应商风险预测系统,其特征在于,所述系统包括:
图数据库建立模块,用以确定待预测供应商的实体属性,据以建立图数据库;
指标体系建立模块,用以根据供货影响因素数据,对所有所述待预测供应商,建立指标体系;
风险预测模块,用以根据所述指标体系,设计图神经网络模型,利用所述图神经网络模型的嵌入层,处理得到所述图数据库中,所有所述供应商节点对应的公司的风险特征集合,利用所述图神经网络模型的关联嵌入层,处理所述风险特征集合,以获取风险间关联特征,求取并根据损失函数,据以根据所述风险间关联特征预测供货商风险,所述风险预测模块与所述指标体系建立模块及所述图数据库建立模块连接。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311213367.7A CN117035430A (zh) | 2023-09-19 | 2023-09-19 | 供应商风险预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311213367.7A CN117035430A (zh) | 2023-09-19 | 2023-09-19 | 供应商风险预测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117035430A true CN117035430A (zh) | 2023-11-10 |
Family
ID=88602657
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311213367.7A Pending CN117035430A (zh) | 2023-09-19 | 2023-09-19 | 供应商风险预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117035430A (zh) |
-
2023
- 2023-09-19 CN CN202311213367.7A patent/CN117035430A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109784806B (zh) | 供应链控制方法、系统以及存储介质 | |
US7930242B2 (en) | Methods and systems for multi-credit reporting agency data modeling | |
US8200526B2 (en) | Method and system for collecting stakeholder relationship data | |
CN107480141B (zh) | 一种基于文本和开发者活跃度的软件缺陷辅助分派方法 | |
WO2020257782A1 (en) | Factory risk estimation using historical inspection data | |
Siddiqi et al. | A posteriori design change analysis for complex engineering projects | |
CN111583012B (zh) | 融合文本信息的信用债发债主体违约风险评估方法 | |
CN114048436A (zh) | 一种预测企业财务数据模型构建方法及构建装置 | |
Ungermann et al. | Data analytics for manufacturing systems–a data-driven approach for process optimization | |
KR20160104064A (ko) | 복잡한 양자 또는 다자 상대방 관계를 탐색하기 위해 이용되는 다차원 재귀적 학습 과정 및 시스템 | |
CN111639850A (zh) | 多源异构数据的质量评估方法与系统 | |
CN114202243A (zh) | 一种基于随机森林的工程项目管理风险预警方法及系统 | |
CN116468536A (zh) | 一种自动化风险控制规则生成的方法 | |
CN116861924A (zh) | 基于人工智能的项目风险预警方法及系统 | |
CN107798137B (zh) | 一种基于可加模型的多源异构数据融合架构系统 | |
CN114548494A (zh) | 一种可视化造价数据预测智能分析系统 | |
CN116911994B (zh) | 对外贸易风险预警系统 | |
CN112860973A (zh) | 基于社交网络分析的组织健康评估方法 | |
CN110738565A (zh) | 基于数据集合的房产金融人工智能复合风控模型 | |
CN117035430A (zh) | 供应商风险预测方法及系统 | |
KR102543211B1 (ko) | 비정형 기업 데이터를 이용한 기업성장 예측 시스템 | |
PosPieszny | Application of data mining techniques in project management–an overview | |
CN117455681A (zh) | 业务风险预测方法和装置 | |
Liu et al. | An intelligent system for estimating full product Life Cycle Cost at the early design stage | |
CN117668205B (zh) | 智慧物流客服处理方法、系统、设备及存储介质 |
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 |