CN117575275A - 一种基于mpr的物料需求云计算分析系统、方法及介质 - Google Patents

一种基于mpr的物料需求云计算分析系统、方法及介质 Download PDF

Info

Publication number
CN117575275A
CN117575275A CN202311665942.7A CN202311665942A CN117575275A CN 117575275 A CN117575275 A CN 117575275A CN 202311665942 A CN202311665942 A CN 202311665942A CN 117575275 A CN117575275 A CN 117575275A
Authority
CN
China
Prior art keywords
market
data
feature
production
time
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.)
Withdrawn
Application number
CN202311665942.7A
Other languages
English (en)
Inventor
周益良
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Commercial Management Software Co ltd
Original Assignee
Shenzhen Commercial Management Software Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Commercial Management Software Co ltd filed Critical Shenzhen Commercial Management Software Co ltd
Priority to CN202311665942.7A priority Critical patent/CN117575275A/zh
Publication of CN117575275A publication Critical patent/CN117575275A/zh
Withdrawn legal-status Critical Current

Links

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
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06315—Needs-based resource requirements planning or analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/27—Regression, e.g. linear or logistic regression
    • 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
    • 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
    • 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)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Finance (AREA)
  • Data Mining & Analysis (AREA)
  • Accounting & Taxation (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Tourism & Hospitality (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Educational Administration (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及需求计算技术领域，发明了一种基于MPR的物料需求云计算分析系统、方法及介质，包括：获取历史生产数据以及历史生产数据对应的历史市场数据，将历史生产数据数据清洗成标准生产数据；对历史市场数据进行语义分析，得到历史市场语义，从标准生产数据中提取出历史生产计划；利用历史市场语义历史生产计划将市场时序模型训练成市场趋势模型；从实时市场数据中提取出实时市场语义，利用市场趋势模型计算出实时市场语义对应的预测生产计划；利用预测生产计划计算出实时生产数据对应的实时产品需求，根据实时产品需求和实时生产数据计算出实时物料需求。本发明可以提高物料需求分析的灵活性。

Description

一种基于MPR的物料需求云计算分析系统、方法及介质
技术领域
本发明涉及需求计算技术领域，尤其涉及一种基于MPR的物料需求云计算分析系统、方法及介质。
背景技术
随着市场的繁荣发展，产品的产量也在进一步提升，为了满足市场需求，确保在适当的时间生产出足够数量的产品，需要制定详细的生产计划和调度计划，进而需要对产品的物料需求进行分析。
现有的物料分需求析方法多为基于刚性生产计划的物料分析方法，即针对比较稳定的生产计划计算需求的物料，实际应用中，生产计划受经济环境影响较大，基于刚性生产计划的物料分析方法对生产计划的变化难以灵活适应，对市场需求的快速变化反应较慢，可能导致库存过多或过少，进而导致进行物料需求分析时的灵活性较低。
发明内容
本发明提供一种基于MPR的物料需求云计算分析系统、方法及介质，其主要目的在于解决进行物料需求分析时的灵活性较低的问题。
为实现上述目的，本发明提供的一种基于MPR的物料需求云计算分析方法，包括：
获取历史生产数据以及所述历史生产数据对应的历史市场数据，对所述历史生产数据进行数据清洗，得到标准生产数据；
对所述历史市场数据进行语义分析，得到历史市场语义，从所述标准生产数据中提取出历史生产计划，其中，所述对所述历史市场数据进行语义分析，得到历史市场语义，包括：对所述历史市场数据进行时序拆分，得到市场数据集；逐个选取所述市场数据集中的市场数据作为目标市场数据，依次对所述目标市场数据进行文本分词和停用词过滤操作，得到目标市场词集；依次对所述目标市场词集进行向量编码和位置编码，得到目标市场特征序列；利用如下的尺度注意力算法将所述目标市场特征序列编码成目标注意力市场特征：
其中，Ai是指第i个市场特征对应的所述目标注意力市场特征，σ()为归一化函数，ci是指所述目标市场特征序列中序号为i的市场特征，i为特征序号，*是点乘符号，qi是指所述目标市场特征序列中序号为i的市场特征的查询特征，ki是指所述目标市场特征序列中序号为i的市场特征的键特征，vi是指所述目标市场特征序列中序号为i的市场特征的值特征，d是指所述目标市场特征序列中每个市场特征的特征维度，l是预设的尺度系数，log为对数符号，n是所述目标市场特征序列的长度；对所述目标注意力市场特征进行前向反馈传播，得到目标市场语义，将所有的目标市场语义汇集成历史市场语义；
利用预设的市场时序模型分别提取出所述历史市场语义的时序语义特征以及所述历史生产计划的时序生产特征，根据所述时序语义特征、所述时序生产特征以及所述历史生产计划将所述市场时序模型训练成市场趋势模型；
获取实时生产数据以及所述实时生产数据对应的实时市场数据，从所述实时市场数据中提取出实时市场语义，利用所述市场趋势模型和所述实时生产数据计算出所述实时市场语义对应的预测生产计划；
利用所述预测生产计划计算出所述实时生产数据对应的实时物料需求。
可选地，所述对所述历史生产数据进行数据清洗，得到标准生产数据，包括：
从所述历史生产数据中提取出生产周期时间戳集；
根据所述生产周期时间戳集将所述历史生产数据排序成生产数据序列；
对所述生产数据序列进行单位统一，得到规范生产数据序列；
对所述规范生产数据序列进行哈希编码，得到生产哈希编码集；
利用所述生产哈希编码集对所述规范生产数据序列进行数据去重，得到去重生产数据序列；
对所述去重生产数据序列进行异常值除噪，得到标准生产数据序列；
将所述标准生产数据集汇集成标准生产数据。
可选地，所述对所述去重生产数据序列进行异常值除噪，得到标准生产数据序列，包括：
对所述去重生产数据序列进行数据特征提取，得到去重数据特征集；
对所述去重数据特征集进行聚类分组，得到去重数据特征组集；
逐个选取所述去重数据特征组集中的去重数据特征组作为目标去重数据特征组，逐个选取所述目标去重数据特征组中的去重数据特征作为目标去重数据特征；
利用如下的协方差轮廓距离算法计算出所述目标去重数据特征在所述目标去重数据特征组中的协方差轮廓距离：
其中，L是指所述协方差轮廓距离，p是指所述目标去重数据特征，N是所述去重数据特征组的特征总数，n是特征索引，pn是指所述去重数据特征组集中的第n个去重数据特征，T是转置符号，cov()是协方差函数符号；
根据所述目标去重数据特征组中各个目标去重数据特征的协方差轮廓距离从所述目标去重数据特征组中筛选出离群数据特征组；
利用所述离群数据特征组中各个目标去重数据特征的协方差轮廓距离将所述离群数据特征组更新成修复数据特征组；
利用所述修复数据特征组将所述目标去重数据特征组更新成目标标准数据特征组，将所有的目标标准数据特征组汇集成目标标准数据特征组集；
对所述目标标准数据特征组集进行数据映射，得到标准生产数据序列。
可选地，所述从所述标准生产数据中提取出历史生产计划，包括：
从所述标准生产数据中提取出生产周期时间戳集，根据所述生产周期时间戳集将所述标准生产数据排序成标准生产数据序列；
逐个选取所述标准生产数据序列中的标准生产数据作为目标标准生产数据，从所述生产周期时间戳集中筛选出所述目标标准生产数据对应的生产周期时间戳作为目标生产周期时间戳；
从所述目标标准生产数据中提取出目标生产总量，根据所述目标生产总量和所述目标生产周期时间戳生成目标周期生产计划；
将所有的目标周期生产计划汇集成历史生产计划。
可选地，所述利用预设的市场时序模型分别提取出所述历史市场语义的时序语义特征以及所述历史生产计划的时序生产特征，包括：
将所述历史市场语义按照时序拆分成市场语义序列；
利用预设的市场时序模型分别从所述市场语义序列中提取出长期市场语义特征和短期市场语义特征；
利用所述市场时序模型将所述长期市场语义特征和所述短期市场语义特征融合成时序语义特征；
将所述历史生产计划按照时序拆分成生产计划序列；
利用所述市场时序模型分别从所述生产计划序列中提取出长期生产计划特征和短期生产计划特征；
利用所述市场时序模型将所述长期生产计划特征和所述短期生产计划特征融合成时序生产特征。
可选地，所述利用预设的市场时序模型分别从所述市场语义序列中提取出长期市场语义特征和短期市场语义特征，包括：
利用预设的市场时序模型对所述市场语义序列进行时序卷积，得到市场时序特征；
利用如下的短期市场语义特征算法计算出所述市场时序特征的短期市场语义特征：
rt＝σ(xt·W1+ht-1·W2+b1)
ut＝σ(xt·W3+ht-1·W4+b2)
其中，rt是指所述短期市场语义特征在第t时刻的重置特征，t为时间序号，xt是指所述市场时序特征在第t时刻的特征值，W1、W2、W3、W4、W5、W6是所述市场时序模型的权重矩阵，ht-1是指所述短期市场语义特征在第t-1时刻的隐藏特征，b1是所述市场时序模型的重置权重，ut是指所述短期市场语义特征在第t时刻的更新特征，b2是所述市场时序模型的更新权重，ct是指所述短期市场语义特征在第t时刻的记忆特征，RELU为激活函数，为元素乘积，b3是所述市场时序模型的记忆权重，ht是指所述短期市场语义特征在第t时刻的特征值；
利用如下的长期市场语义特征算法计算出所述市场时序特征的长期市场语义特征：
其中，是指所述长期市场语义特征第t时刻的重置特征，/>是指所述长期市场语义特征在第t-o时刻的隐藏特征，o是所述市场时序模型的跳转递归层中隐藏单元的数量，/>是指所述长期市场语义特征在第t时刻的更新特征，/>是指所述长期市场语义特征在第t时刻的记忆特征，/>是指所述长期市场语义特征在第t时刻的特征值。
可选地，所述根据所述时序语义特征、所述时序生产特征以及所述历史生产计划将所述市场时序模型训练成市场趋势模型，包括：
利用所述市场时序模型的注意力机制将所述时序语义特征和所述时序生产特征融合成生产语义特征；
对所述生产语义特征进行全连接操作，得到预测生产计划；
计算出所述预测生产计划和所述历史生产计划之间的损失值；
根据所述损失值对所述市场时序模型进行梯度迭代更新，得到市场趋势模型。
可选地，所述利用所述预测生产计划计算出所述实时生产数据对应的实时物料需求，包括：
从所述实时生产数据中分别提取出库存数据、物料清单以及交付数据；
从所述预测生产计划中提取出总需求产量；
根据所述总需求产量、所述库存数据以及所述交付数据计算出需求产品数；
根据所述物料清单和所述需求产品数计算出实时物料需求。
为了解决上述问题，本发明还提供一种基于MPR的物料需求云计算分析系统，所述系统包括：
数据除噪模块，用于获取历史生产数据以及所述历史生产数据对应的历史市场数据，对所述历史生产数据进行数据清洗，得到标准生产数据；
语义分析模块，用于对所述历史市场数据进行语义分析，得到历史市场语义，从所述标准生产数据中提取出历史生产计划，其中，所述对所述历史市场数据进行语义分析，得到历史市场语义，包括：对所述历史市场数据进行时序拆分，得到市场数据集；逐个选取所述市场数据集中的市场数据作为目标市场数据，依次对所述目标市场数据进行文本分词和停用词过滤操作，得到目标市场词集；依次对所述目标市场词集进行向量编码和位置编码，得到目标市场特征序列；利用如下的尺度注意力算法将所述目标市场特征序列编码成目标注意力市场特征：
其中，Ai是指第i个市场特征对应的所述目标注意力市场特征，σ()为归一化函数，ci是指所述目标市场特征序列中序号为i的市场特征，i为特征序号，*是点乘符号，qi是指所述目标市场特征序列中序号为i的市场特征的查询特征，ki是指所述目标市场特征序列中序号为i的市场特征的键特征，vi是指所述目标市场特征序列中序号为i的市场特征的值特征，d是指所述目标市场特征序列中每个市场特征的特征维度，l是预设的尺度系数，log为对数符号，n是所述目标市场特征序列的长度；对所述目标注意力市场特征进行前向反馈传播，得到目标市场语义，将所有的目标市场语义汇集成历史市场语义；
模型训练模块，用于利用预设的市场时序模型分别提取出所述历史市场语义的时序语义特征以及所述历史生产计划的时序生产特征，根据所述时序语义特征、所述时序生产特征以及所述历史生产计划将所述市场时序模型训练成市场趋势模型；
生产预测模块，用于获取实时生产数据以及所述实时生产数据对应的实时市场数据，从所述实时市场数据中提取出实时市场语义，利用所述市场趋势模型和所述实时生产数据计算出所述实时市场语义对应的预测生产计划；
需求计算模块，用于利用所述预测生产计划计算出所述实时生产数据对应的实时物料需求。
为了解决上述问题，本发明还提供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至少一个计算机程序，所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的基于MPR的物料需求云计算分析方法。
本发明通过获取历史生产数据以及所述历史生产数据对应的历史市场数据，对所述历史生产数据进行数据清洗，得到标准生产数据，能够进一步提高获取到的历史生产数据的准确性，从而方便后续提取出更加准确的时序生产特征，通过对所述历史市场数据进行语义分析，得到历史市场语义，可以从历史市场数据中提取出关键的市场语义信息，从而更加方便提取市场数据和生产数据之间的关系，通过根据所述时序语义特征、所述时序生产特征以及所述历史生产计划将所述市场时序模型训练成市场趋势模型，可以根据市场语义和生产数据之间的时序关系以及生产数据的时序特征提取出市场语义和生产数据之间的变化关系，从而更加准确地分析生产计划的变动。
通过利用所述市场趋势模型和所述实时生产数据计算出所述实时市场语义对应的预测生产计划，可以结合实时的生产数据和实时的市场数据分析预测出当前时间段内需要生产产品的数量以及生产时间，提高了生产计划指定的灵活性，通过利用所述预测生产计划计算出所述实时生产数据对应的实时物料需求，能够结合物料需求计划计算出实时需要的物料数量，提高了物料需求计算的灵活性。因此本发明提出的基于MPR的物料需求云计算分析系统、方法及介质，可以解决进行客户关系挖掘时的效率较低的问题。
附图说明
图1为本发明一实施例提供的基于MPR的物料需求云计算分析方法的流程示意图；
图2为本发明一实施例提供的提取历史生产计划的流程示意图；
图3为本发明一实施例提供的计算实时物料需求的流程示意图；
图4为本发明一实施例提供的基于MPR的物料需求云计算分析系统的功能模块图；
本发明目的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本申请实施例提供一种基于MPR的物料需求云计算分析方法。所述基于MPR的物料需求云计算分析方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述基于MPR的物料需求云计算分析方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content DeliveryNetwork，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
参照图1所示，为本发明一实施例提供的基于MPR的物料需求云计算分析方法的流程示意图。在本实施例中，所述基于MPR的物料需求云计算分析方法包括：
S1、获取历史生产数据以及所述历史生产数据对应的历史市场数据，对所述历史生产数据进行数据清洗，得到标准生产数据。
本发明实施例中，所述历史生产数据是指过去时间段内机构或工厂记录的与生产有关的数据，例如销售订单、库存数据以及交付数据等，所述历史市场数据是与生产的产品相关的市场数据，例如市场预期、产品相关新闻以及原料供需数据等。
详细地，可以利用查询历史的销售、生产以及库存交付等数据记录获取历史生产数据，可以利用爬虫根据产品相关词语以及对应的时间关键词从网络上爬取所述历史市场数据。
本发明实施例中，所述对所述历史生产数据进行数据清洗，得到标准生产数据，包括：
从所述历史生产数据中提取出生产周期时间戳集；
根据所述生产周期时间戳集将所述历史生产数据排序成生产数据序列；
对所述生产数据序列进行单位统一，得到规范生产数据序列；
对所述规范生产数据序列进行哈希编码，得到生产哈希编码集；
利用所述生产哈希编码集对所述规范生产数据序列进行数据去重，得到去重生产数据序列；
对所述去重生产数据序列进行异常值除噪，得到标准生产数据序列；
将所述标准生产数据集汇集成标准生产数据。
详细地，所述生产周期时间戳集中的每个生产周期时间戳对应所述历史生产数据中每段生产计划的生产周期的时间戳，所述根据所述生产周期时间戳集将所述历史生产数据排序成生产数据序列是指按照所述生产周期时间戳集中各个生产周期时间戳的时序顺序对所述历史生产数据中的各个生产数据进行排序，其中，所述生产数据可以是库存数、产品数量或者订单数量等。
具体地，所述对所述生产数据序列进行单位统一，得到规范生产数据序列是指将所述生产数据中的每种类型的数据统一到预设的单位，例如将产量单位统一到千。
详细地，可以利用SHA-256、SHA-384或MD5等哈希编码方式对所述规范生产数据序列进行哈希编码，得到生产哈希编码集，所述利用所述生产哈希编码集对所述规范生产数据序列进行数据去重，得到去重生产数据序列是指将所述生产哈希编码集中数据一致的生产哈希编码作为重复编码，将所述去重生产数据序列中与所述重复编码对应的生产数据作为重复数据进行筛除，得到去重生产数据序列。
具体地，所述对所述去重生产数据序列进行异常值除噪，得到标准生产数据序列，包括：
对所述去重生产数据序列进行数据特征提取，得到去重数据特征集；
对所述去重数据特征集进行聚类分组，得到去重数据特征组集；
逐个选取所述去重数据特征组集中的去重数据特征组作为目标去重数据特征组，逐个选取所述目标去重数据特征组中的去重数据特征作为目标去重数据特征；
利用如下的协方差轮廓距离算法计算出所述目标去重数据特征在所述目标去重数据特征组中的协方差轮廓距离：
其中，L是指所述协方差轮廓距离，p是指所述目标去重数据特征，N是所述去重数据特征组的特征总数，n是特征索引，pn是指所述去重数据特征组集中的第n个去重数据特征，T是转置符号，cov()是协方差函数符号；
根据所述目标去重数据特征组中各个目标去重数据特征的协方差轮廓距离从所述目标去重数据特征组中筛选出离群数据特征组；
利用所述离群数据特征组中各个目标去重数据特征的协方差轮廓距离将所述离群数据特征组更新成修复数据特征组；
利用所述修复数据特征组将所述目标去重数据特征组更新成目标标准数据特征组，将所有的目标标准数据特征组汇集成目标标准数据特征组集；
对所述目标标准数据特征组集进行数据映射，得到标准生产数据序列。
具体地，所述对所述去重生产数据序列进行数据特征提取，得到去重数据特征集是指提取所述去重生产数据序列中各个生产数据的数据属性特征以及数据值特征，将数据属性特征和所述数据值特征维度融合成去重数据特征。
详细地，可以利用Kmeans聚类算法或DBSCAN聚类算法对所述去重数据特征集进行聚类分组，得到去重数据特征组集，通过利用如下的协方差轮廓距离算法计算出所述目标去重数据特征在所述目标去重数据特征组中的协方差轮廓距离，可以根据协方差矩阵实现特征的全局差异对比，进而提高协方差轮廓距离的表征性。
具体地，所述根据所述目标去重数据特征组中各个目标去重数据特征的协方差轮廓距离从所述目标去重数据特征组中筛选出离群数据特征组是指判断所述协方差轮廓距离是否大于预设的距离阈值；若否，则返回所述逐个选取所述目标去重数据特征组中的去重数据特征作为目标去重数据特征的步骤；若是，则将所述目标去重数据特征添加至离群数据特征组中，可以利用均方差离群值修复法利用所述离群数据特征组中各个目标去重数据特征的协方差轮廓距离将所述离群数据特征组更新成修复数据特征组。
本发明实施例中，通过获取历史生产数据以及所述历史生产数据对应的历史市场数据，对所述历史生产数据进行数据清洗，得到标准生产数据，能够进一步提高获取到的历史生产数据的准确性，从而方便后续提取出更加准确的时序生产特征。
S2、对所述历史市场数据进行语义分析，得到历史市场语义，从所述标准生产数据中提取出历史生产计划。
本发明实施例中，所述历史市场语义是用于反映市场情绪的相关语义，所述历史市场语义涉及市场中生产概念、数据动态变化、消费者反馈以及新闻报道中对生产有影响的语义信息。
本发明实施例中，所述对所述历史市场数据进行语义分析，得到历史市场语义，包括：
对所述历史市场数据进行时序拆分，得到市场数据集；
逐个选取所述市场数据集中的市场数据作为目标市场数据，依次对所述目标市场数据进行文本分词和停用词过滤操作，得到目标市场词集；
依次对所述目标市场词集进行向量编码和位置编码，得到目标市场特征序列；
利用如下的尺度注意力算法将所述目标市场特征序列编码成目标注意力市场特征：
其中，Ai是指第i个市场特征对应的所述目标注意力市场特征，σ()为归一化函数，ci是指所述目标市场特征序列中序号为i的市场特征，i为特征序号，*是点乘符号，qi是指所述目标市场特征序列中序号为i的市场特征的查询特征，ki是指所述目标市场特征序列中序号为i的市场特征的键特征，vi是指所述目标市场特征序列中序号为i的市场特征的值特征，d是指所述目标市场特征序列中每个市场特征的特征维度，l是预设的尺度系数，log为对数符号，n是所述目标市场特征序列的长度；
对所述目标注意力市场特征进行前向反馈传播，得到目标市场语义，将所有的目标市场语义汇集成历史市场语义。
详细地，所述对所述历史市场数据进行时序拆分，得到市场数据集是指按照所述历史市场数据的时间戳和爬取的位置将所述历史市场数据拆分成多个市场数据组成的市场数据集。
具体地，可以利用独热编码、Word2Vec或GloVe等编码方式对所述目标市场词集进行向量编码，可以利用ELMo或tokenizer等编码方式对所述目标市场词集进行位置编码。
详细地，通过利用所述尺度注意力算法将所述目标市场特征序列编码成目标注意力市场特征，可以减少注意力算法中词序列长度对注意力的影响，提高语义提取的准确性，可以利用BERT模型的model函数对所述目标注意力市场特征进行前向反馈传播，得到目标市场语义。
详细地，参照图2所示，所述从所述标准生产数据中提取出历史生产计划，包括：
S21、从所述标准生产数据中提取出生产周期时间戳集，根据所述生产周期时间戳集将所述标准生产数据排序成标准生产数据序列；
S22、逐个选取所述标准生产数据序列中的标准生产数据作为目标标准生产数据，从所述生产周期时间戳集中筛选出所述目标标准生产数据对应的生产周期时间戳作为目标生产周期时间戳；
S23、从所述目标标准生产数据中提取出目标生产总量，根据所述目标生产总量和所述目标生产周期时间戳生成目标周期生产计划；
S24、将所有的目标周期生产计划汇集成历史生产计划。
详细地，所述目标生产总量是所述目标标准生产数据中所有的产品生产量的统计总和，可以将所述目标标准生产数据中所有订单或工单的实际生产数量之和作为所述目标生产总量。
本发明实施例中，通过对所述历史市场数据进行语义分析，得到历史市场语义，可以从历史市场数据中提取出关键的市场语义信息，从而更加方便提取市场数据和生产数据之间的关系。
S3、利用预设的市场时序模型分别提取出所述历史市场语义的时序语义特征以及所述历史生产计划的时序生产特征，根据所述时序语义特征、所述时序生产特征以及所述历史生产计划将所述市场时序模型训练成市场趋势模型。
本发明实施例中，所述市场时序模型可以是长短时序模型(Long Short-TermMemory，简称LSTM)或循环网络模型(Recurrent Neural Network，RNN)。
具体地，所述时序语义特征是所述历史市场语义随时间变化的模式、趋势、周期性信息，所述时序生产特征是所述历史生产计划随时间变化的模式、趋势、周期性信息。
本发明实施例中，所述利用预设的市场时序模型分别提取出所述历史市场语义的时序语义特征以及所述历史生产计划的时序生产特征，包括：
将所述历史市场语义按照时序拆分成市场语义序列；
利用预设的市场时序模型分别从所述市场语义序列中提取出长期市场语义特征和短期市场语义特征；
利用所述市场时序模型将所述长期市场语义特征和所述短期市场语义特征融合成时序语义特征；
将所述历史生产计划按照时序拆分成生产计划序列；
利用所述市场时序模型分别从所述生产计划序列中提取出长期生产计划特征和短期生产计划特征；
利用所述市场时序模型将所述长期生产计划特征和所述短期生产计划特征融合成时序生产特征。
详细地，可以利用所述生产周期时间戳集将所述将所述历史市场语义按照时序拆分成市场语义序列。
本发明实施例中，所述利用预设的市场时序模型分别从所述市场语义序列中提取出长期市场语义特征和短期市场语义特征，包括：
利用预设的市场时序模型对所述市场语义序列进行时序卷积，得到市场时序特征；
利用如下的短期市场语义特征算法计算出所述市场时序特征的短期市场语义特征：
rt＝σ(xt·W1+ht-1·W2+b1)
ut＝σ(xt·W3+ht-1.W4+b2)
其中，rt是指所述短期市场语义特征在第t时刻的重置特征，t为时间序号，xt是指所述市场时序特征在第t时刻的特征值，W1、W2、W3、W4、W5、W6是所述市场时序模型的权重矩阵，ht-1是指所述短期市场语义特征在第t-1时刻的隐藏特征，b1是所述市场时序模型的重置权重，ut是指所述短期市场语义特征在第t时刻的更新特征，b2是所述市场时序模型的更新权重，ct是指所述短期市场语义特征在第t时刻的记忆特征，RELU为激活函数，为元素乘积，b3是所述市场时序模型的记忆权重，ht是指所述短期市场语义特征在第t时刻的特征值；
利用如下的长期市场语义特征算法计算出所述市场时序特征的长期市场语义特征：
其中，是指所述长期市场语义特征第t时刻的重置特征，/>是指所述长期市场语义特征在第t-o时刻的隐藏特征，o是所述市场时序模型的跳转递归层中隐藏单元的数量，/>是指所述长期市场语义特征在第t时刻的更新特征，/>是指所述长期市场语义特征在第t时刻的记忆特征，/>是指所述长期市场语义特征在第t时刻的特征值。
具体地，所述短期市场语义特征算法和所述长期市场语义特征算法能够结合门控循环单元中的重置门、更新门以及记忆状态等机制实现时序特征的提取，其中，所述重置特征是所述门控循环单元中重置门(reaet gate)的输出特征，所述更新特征是所述门控循环单元中更新门(update gate)的输出特征。
详细地，可以利用所述市场时序模型中时序卷积神经网络、注意力机制或集成学习的方法将所述长期市场语义特征和所述短期市场语义特征融合成时序语义特征。
详细地，所述根据所述时序语义特征、所述时序生产特征以及所述历史生产计划将所述市场时序模型训练成市场趋势模型，包括：
利用所述市场时序模型的注意力机制将所述时序语义特征和所述时序生产特征融合成生产语义特征；
对所述生产语义特征进行全连接操作，得到预测生产计划；
计算出所述预测生产计划和所述历史生产计划之间的损失值；
根据所述损失值对所述市场时序模型进行梯度迭代更新，得到市场趋势模型。
详细地，所述注意力机制(Attention Mechanism)能够提取出时序语义特征和时序生产特征之间不同尺度的信息，从而实现特征的融合，可以利用交叉熵损失值算法计算出所述预测生产计划和所述历史生产计划之间的损失值，可以利用梯度下降算法或自适应学习率算法根据所述损失值对所述市场时序模型进行梯度迭代更新，得到市场趋势模型。
本发明实施例中，通过根据所述时序语义特征、所述时序生产特征以及所述历史生产计划将所述市场时序模型训练成市场趋势模型，可以根据市场语义和生产数据之间的时序关系以及生产数据的时序特征提取出市场语义和生产数据之间的变化关系，从而更加准确地分析生产计划的变动。
S4、获取实时生产数据以及所述实时生产数据对应的实时市场数据，从所述实时市场数据中提取出实时市场语义，利用所述市场趋势模型和所述实时生产数据计算出所述实时市场语义对应的预测生产计划。
本发明实施例中，所述实时生产数据是指当前生产时间段内的生产数据，所述实时市场数据是指当前生产时间段内的市场数据。
详细地，所述从所述实时市场数据中提取出实时市场语义的方法与上述步骤S2中所述对所述历史市场数据进行语义分析，得到历史市场语义的方法一致，这里不再赘述。
具体地，所述利用所述市场趋势模型和所述实时生产数据计算出所述实时市场语义对应的预测生产计划是指从所述实时生产数据中提取出目标生产计划，利用所述市场趋势模型计算出所述目标生产计划以及所述实时市场语义对应的目标生产计划。
本发明实施例中，通过利用所述市场趋势模型和所述实时生产数据计算出所述实时市场语义对应的预测生产计划，可以结合实时的生产数据和实时的市场数据分析预测出当前时间段内需要生产产品的数量以及生产时间，提高了生产计划指定的灵活性。
S5、利用所述预测生产计划计算出所述实时生产数据对应的实时物料需求。
本发明实施例中，所述实时物料需求是指当前时间段内需要进行产品生产所需要的物料数量。
本发明实施例中，参照图3所示，所述利用所述预测生产计划计算出所述实时生产数据对应的实时物料需求，包括：
S31、从所述实时生产数据中分别提取出库存数据、物料清单以及交付数据；
S32、从所述预测生产计划中提取出总需求产量；
S33、根据所述总需求产量、所述库存数据以及所述交付数据计算出需求产品数；
S34、根据所述物料清单和所述需求产品数计算出实时物料需求。
具体地，所述库存数据中包括库存的物料数据以及未交付的产品数据，所述物料清单中包括产品所需的各个物料的数据，所述交付数据是指已经产出交付的产品数据，所述总需求产量是指所述预测生产计划对应的生产周期内需要生产的产品总数。
详细地，所述根据所述总需求产量、所述库存数据以及所述交付数据计算出需求产品数是指从所述库存数据中计算出待产产品数，利用所述总需求产量减去所述待产产品数、所述库存数据以及所述交付数据得到需求产品数据，所述根据所述物料清单和所述需求产品数计算出实时物料需求是指将所述物料清单乘以所述需求产品数得到所述实时物料需求。
本发明实施例中，通过利用所述预测生产计划计算出所述实时生产数据对应的实时物料需求，能够结合物料需求计划计算出实时需要的物料数量，提高了物料需求计算的灵活性。
本发明通过获取历史生产数据以及所述历史生产数据对应的历史市场数据，对所述历史生产数据进行数据清洗，得到标准生产数据，能够进一步提高获取到的历史生产数据的准确性，从而方便后续提取出更加准确的时序生产特征，通过对所述历史市场数据进行语义分析，得到历史市场语义，可以从历史市场数据中提取出关键的市场语义信息，从而更加方便提取市场数据和生产数据之间的关系，通过根据所述时序语义特征、所述时序生产特征以及所述历史生产计划将所述市场时序模型训练成市场趋势模型，可以根据市场语义和生产数据之间的时序关系以及生产数据的时序特征提取出市场语义和生产数据之间的变化关系，从而更加准确地分析生产计划的变动。
通过利用所述市场趋势模型和所述实时生产数据计算出所述实时市场语义对应的预测生产计划，可以结合实时的生产数据和实时的市场数据分析预测出当前时间段内需要生产产品的数量以及生产时间，提高了生产计划指定的灵活性，通过利用所述预测生产计划计算出所述实时生产数据对应的实时物料需求，能够结合物料需求计划计算出实时需要的物料数量，提高了物料需求计算的灵活性。因此本发明提出的基于MPR的物料需求云计算分析系统、方法，可以解决进行客户关系挖掘时的效率较低的问题。
如图4所示，是本发明一实施例提供的基于MPR的物料需求云计算分析系统的功能模块图。
本发明所述基于MPR的物料需求云计算分析系统100可以安装于电子设备中。根据实现的功能，所述基于MPR的物料需求云计算分析系统100可以包括数据除噪模块101、语义分析模块102、模型训练模块103、生产预测模块104及需求计算模块105。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
所述数据除噪模块101，用于获取历史生产数据以及所述历史生产数据对应的历史市场数据，对所述历史生产数据进行数据清洗，得到标准生产数据；
所述语义分析模块102，用于对所述历史市场数据进行语义分析，得到历史市场语义，从所述标准生产数据中提取出历史生产计划，其中，所述对所述历史市场数据进行语义分析，得到历史市场语义，包括：对所述历史市场数据进行时序拆分，得到市场数据集；逐个选取所述市场数据集中的市场数据作为目标市场数据，依次对所述目标市场数据进行文本分词和停用词过滤操作，得到目标市场词集；依次对所述目标市场词集进行向量编码和位置编码，得到目标市场特征序列；利用如下的尺度注意力算法将所述目标市场特征序列编码成目标注意力市场特征：
其中，Ai是指第i个市场特征对应的所述目标注意力市场特征，σ()为归一化函数，ci是指所述目标市场特征序列中序号为i的市场特征，i为特征序号，*是点乘符号，qi是指所述目标市场特征序列中序号为i的市场特征的查询特征，ki是指所述目标市场特征序列中序号为i的市场特征的键特征，vi是指所述目标市场特征序列中序号为i的市场特征的值特征，d是指所述目标市场特征序列中每个市场特征的特征维度，l是预设的尺度系数，log为对数符号，n是所述目标市场特征序列的长度；对所述目标注意力市场特征进行前向反馈传播，得到目标市场语义，将所有的目标市场语义汇集成历史市场语义；
所述模型训练模块103，用于利用预设的市场时序模型分别提取出所述历史市场语义的时序语义特征以及所述历史生产计划的时序生产特征，根据所述时序语义特征、所述时序生产特征以及所述历史生产计划将所述市场时序模型训练成市场趋势模型；
所述生产预测模块104，用于获取实时生产数据以及所述实时生产数据对应的实时市场数据，从所述实时市场数据中提取出实时市场语义，利用所述市场趋势模型和所述实时生产数据计算出所述实时市场语义对应的预测生产计划；
所述需求计算模块105，用于利用所述预测生产计划计算出所述实时生产数据对应的实时物料需求。
详细地，本发明实施例中所述基于MPR的物料需求云计算分析系统100中所述的各模块在使用时采用与上述图1至图3中所述的基于MPR的物料需求云计算分析方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。
本发明还提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：
获取历史生产数据以及所述历史生产数据对应的历史市场数据，对所述历史生产数据进行数据清洗，得到标准生产数据；
对所述历史市场数据进行语义分析，得到历史市场语义，从所述标准生产数据中提取出历史生产计划，其中，所述对所述历史市场数据进行语义分析，得到历史市场语义，包括：对所述历史市场数据进行时序拆分，得到市场数据集；逐个选取所述市场数据集中的市场数据作为目标市场数据，依次对所述目标市场数据进行文本分词和停用词过滤操作，得到目标市场词集；依次对所述目标市场词集进行向量编码和位置编码，得到目标市场特征序列；利用如下的尺度注意力算法将所述目标市场特征序列编码成目标注意力市场特征：
其中，Ai是指第i个市场特征对应的所述目标注意力市场特征，σ()为归一化函数，ci是指所述目标市场特征序列中序号为i的市场特征，i为特征序号，*是点乘符号，qi是指所述目标市场特征序列中序号为i的市场特征的查询特征，ki是指所述目标市场特征序列中序号为i的市场特征的键特征，vi是指所述目标市场特征序列中序号为i的市场特征的值特征，d是指所述目标市场特征序列中每个市场特征的特征维度，l是预设的尺度系数，log为对数符号，n是所述目标市场特征序列的长度；对所述目标注意力市场特征进行前向反馈传播，得到目标市场语义，将所有的目标市场语义汇集成历史市场语义；
利用预设的市场时序模型分别提取出所述历史市场语义的时序语义特征以及所述历史生产计划的时序生产特征，根据所述时序语义特征、所述时序生产特征以及所述历史生产计划将所述市场时序模型训练成市场趋势模型；
获取实时生产数据以及所述实时生产数据对应的实时市场数据，从所述实时市场数据中提取出实时市场语义，利用所述市场趋势模型和所述实时生产数据计算出所述实时市场语义对应的预测生产计划；
利用所述预测生产计划计算出所述实时生产数据对应的实时物料需求。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，系统和方法，可以通过其它的方式实现。例如，以上所描述的系统实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统实施例中陈述的多个单元或系统也可以由一个单元或系统通过软件或者硬件来实现。第一、第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。

Claims (10)

1.一种基于MPR的物料需求云计算分析方法，其特征在于，所述方法包括：
获取历史生产数据以及所述历史生产数据对应的历史市场数据，对所述历史生产数据进行数据清洗，得到标准生产数据；
对所述历史市场数据进行语义分析，得到历史市场语义，从所述标准生产数据中提取出历史生产计划，其中，所述对所述历史市场数据进行语义分析，得到历史市场语义，包括：对所述历史市场数据进行时序拆分，得到市场数据集；逐个选取所述市场数据集中的市场数据作为目标市场数据，依次对所述目标市场数据进行文本分词和停用词过滤操作，得到目标市场词集；依次对所述目标市场词集进行向量编码和位置编码，得到目标市场特征序列；利用如下的尺度注意力算法将所述目标市场特征序列编码成目标注意力市场特征：
其中，Ai是指第i个市场特征对应的所述目标注意力市场特征，σ()为归一化函数，ci是指所述目标市场特征序列中序号为i的市场特征，i为特征序号，*是点乘符号，qi是指所述目标市场特征序列中序号为i的市场特征的查询特征，ki是指所述目标市场特征序列中序号为i的市场特征的键特征，vi是指所述目标市场特征序列中序号为i的市场特征的值特征，d是指所述目标市场特征序列中每个市场特征的特征维度，l是预设的尺度系数，log为对数符号，n是所述目标市场特征序列的长度；对所述目标注意力市场特征进行前向反馈传播，得到目标市场语义，将所有的目标市场语义汇集成历史市场语义；
利用预设的市场时序模型分别提取出所述历史市场语义的时序语义特征以及所述历史生产计划的时序生产特征，根据所述时序语义特征、所述时序生产特征以及所述历史生产计划将所述市场时序模型训练成市场趋势模型；
获取实时生产数据以及所述实时生产数据对应的实时市场数据，从所述实时市场数据中提取出实时市场语义，利用所述市场趋势模型和所述实时生产数据计算出所述实时市场语义对应的预测生产计划；
利用所述预测生产计划计算出所述实时生产数据对应的实时物料需求。
2.如权利要求1所述的基于MPR的物料需求云计算分析方法，其特征在于，所述对所述历史生产数据进行数据清洗，得到标准生产数据，包括：
从所述历史生产数据中提取出生产周期时间戳集；
根据所述生产周期时间戳集将所述历史生产数据排序成生产数据序列；
对所述生产数据序列进行单位统一，得到规范生产数据序列；
对所述规范生产数据序列进行哈希编码，得到生产哈希编码集；
利用所述生产哈希编码集对所述规范生产数据序列进行数据去重，得到去重生产数据序列；
对所述去重生产数据序列进行异常值除噪，得到标准生产数据序列；
将所述标准生产数据集汇集成标准生产数据。
3.如权利要求2所述的基于MPR的物料需求云计算分析方法，其特征在于，所述对所述去重生产数据序列进行异常值除噪，得到标准生产数据序列，包括：
对所述去重生产数据序列进行数据特征提取，得到去重数据特征集；
对所述去重数据特征集进行聚类分组，得到去重数据特征组集；
逐个选取所述去重数据特征组集中的去重数据特征组作为目标去重数据特征组，逐个选取所述目标去重数据特征组中的去重数据特征作为目标去重数据特征；
利用如下的协方差轮廓距离算法计算出所述目标去重数据特征在所述目标去重数据特征组中的协方差轮廓距离：
其中，L是指所述协方差轮廓距离，p是指所述目标去重数据特征，N是所述去重数据特征组的特征总数，n是特征索引，pn是指所述去重数据特征组集中的第n个去重数据特征，T是转置符号，cov()是协方差函数符号；
根据所述目标去重数据特征组中各个目标去重数据特征的协方差轮廓距离从所述目标去重数据特征组中筛选出离群数据特征组；
利用所述离群数据特征组中各个目标去重数据特征的协方差轮廓距离将所述离群数据特征组更新成修复数据特征组；
利用所述修复数据特征组将所述目标去重数据特征组更新成目标标准数据特征组，将所有的目标标准数据特征组汇集成目标标准数据特征组集；
对所述目标标准数据特征组集进行数据映射，得到标准生产数据序列。
4.如权利要求1所述的基于MPR的物料需求云计算分析方法，其特征在于，所述从所述标准生产数据中提取出历史生产计划，包括：
从所述标准生产数据中提取出生产周期时间戳集，根据所述生产周期时间戳集将所述标准生产数据排序成标准生产数据序列；
逐个选取所述标准生产数据序列中的标准生产数据作为目标标准生产数据，从所述生产周期时间戳集中筛选出所述目标标准生产数据对应的生产周期时间戳作为目标生产周期时间戳；
从所述目标标准生产数据中提取出目标生产总量，根据所述目标生产总量和所述目标生产周期时间戳生成目标周期生产计划；
将所有的目标周期生产计划汇集成历史生产计划。
5.如权利要求1所述的基于MPR的物料需求云计算分析方法，其特征在于，所述利用预设的市场时序模型分别提取出所述历史市场语义的时序语义特征以及所述历史生产计划的时序生产特征，包括：
将所述历史市场语义按照时序拆分成市场语义序列；
利用预设的市场时序模型分别从所述市场语义序列中提取出长期市场语义特征和短期市场语义特征；
利用所述市场时序模型将所述长期市场语义特征和所述短期市场语义特征融合成时序语义特征；
将所述历史生产计划按照时序拆分成生产计划序列；
利用所述市场时序模型分别从所述生产计划序列中提取出长期生产计划特征和短期生产计划特征；
利用所述市场时序模型将所述长期生产计划特征和所述短期生产计划特征融合成时序生产特征。
6.如权利要求5所述的基于MPR的物料需求云计算分析方法，其特征在于，所述利用预设的市场时序模型分别从所述市场语义序列中提取出长期市场语义特征和短期市场语义特征，包括：
利用预设的市场时序模型对所述市场语义序列进行时序卷积，得到市场时序特征；
利用如下的短期市场语义特征算法计算出所述市场时序特征的短期市场语义特征：
rt＝σ(xt·W1+ht-1·W2+b1)
ut＝σ(xt·W3+ht-1·W4+b2)
其中，rt是指所述短期市场语义特征在第t时刻的重置特征，t为时间序号，xt是指所述市场时序特征在第t时刻的特征值，W1、W2、W3、W4、W5、W6是所述市场时序模型的权重矩阵，ht-1是指所述短期市场语义特征在第t-1时刻的隐藏特征，b1是所述市场时序模型的重置权重，ut是指所述短期市场语义特征在第t时刻的更新特征，b2是所述市场时序模型的更新权重，ct是指所述短期市场语义特征在第t时刻的记忆特征，RELU为激活函数，为元素乘积，b3是所述市场时序模型的记忆权重，ht是指所述短期市场语义特征在第t时刻的特征值；
利用如下的长期市场语义特征算法计算出所述市场时序特征的长期市场语义特征：
其中，是指所述长期市场语义特征第t时刻的重置特征，/>是指所述长期市场语义特征在第t-o时刻的隐藏特征，o是所述市场时序模型的跳转递归层中隐藏单元的数量，/>是指所述长期市场语义特征在第t时刻的更新特征，/>是指所述长期市场语义特征在第t时刻的记忆特征，/>是指所述长期市场语义特征在第t时刻的特征值。
7.如权利要求1所述的基于MPR的物料需求云计算分析方法，其特征在于，所述根据所述时序语义特征、所述时序生产特征以及所述历史生产计划将所述市场时序模型训练成市场趋势模型，包括：
利用所述市场时序模型的注意力机制将所述时序语义特征和所述时序生产特征融合成生产语义特征；
对所述生产语义特征进行全连接操作，得到预测生产计划；
计算出所述预测生产计划和所述历史生产计划之间的损失值；
根据所述损失值对所述市场时序模型进行梯度迭代更新，得到市场趋势模型。
8.如权利要求1所述的基于MPR的物料需求云计算分析方法，其特征在于，所述利用所述预测生产计划计算出所述实时生产数据对应的实时物料需求，包括：
从所述实时生产数据中分别提取出库存数据、物料清单以及交付数据；
从所述预测生产计划中提取出总需求产量；
根据所述总需求产量、所述库存数据以及所述交付数据计算出需求产品数；
根据所述物料清单和所述需求产品数计算出实时物料需求。
9.一种基于MPR的物料需求云计算分析系统，其特征在于，所述系统包括：
数据除噪模块，用于获取历史生产数据以及所述历史生产数据对应的历史市场数据，对所述历史生产数据进行数据清洗，得到标准生产数据；
语义分析模块，用于对所述历史市场数据进行语义分析，得到历史市场语义，从所述标准生产数据中提取出历史生产计划，其中，所述对所述历史市场数据进行语义分析，得到历史市场语义，包括：对所述历史市场数据进行时序拆分，得到市场数据集；逐个选取所述市场数据集中的市场数据作为目标市场数据，依次对所述目标市场数据进行文本分词和停用词过滤操作，得到目标市场词集；依次对所述目标市场词集进行向量编码和位置编码，得到目标市场特征序列；利用如下的尺度注意力算法将所述目标市场特征序列编码成目标注意力市场特征：
其中，Ai是指第i个市场特征对应的所述目标注意力市场特征，σ()为归一化函数，ci是指所述目标市场特征序列中序号为i的市场特征，i为特征序号，*是点乘符号，qi是指所述目标市场特征序列中序号为i的市场特征的查询特征，ki是指所述目标市场特征序列中序号为i的市场特征的键特征，vi是指所述目标市场特征序列中序号为i的市场特征的值特征，d是指所述目标市场特征序列中每个市场特征的特征维度，l是预设的尺度系数，log为对数符号，n是所述目标市场特征序列的长度；对所述目标注意力市场特征进行前向反馈传播，得到目标市场语义，将所有的目标市场语义汇集成历史市场语义；
模型训练模块，用于利用预设的市场时序模型分别提取出所述历史市场语义的时序语义特征以及所述历史生产计划的时序生产特征，根据所述时序语义特征、所述时序生产特征以及所述历史生产计划将所述市场时序模型训练成市场趋势模型；
生产预测模块，用于获取实时生产数据以及所述实时生产数据对应的实时市场数据，从所述实时市场数据中提取出实时市场语义，利用所述市场趋势模型和所述实时生产数据计算出所述实时市场语义对应的预测生产计划；
需求计算模块，用于利用所述预测生产计划计算出所述实时生产数据对应的实时物料需求。
10.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至8中任意一项所述的基于MPR的物料需求云计算分析方法。
CN202311665942.7A 2023-12-05 2023-12-05 一种基于mpr的物料需求云计算分析系统、方法及介质 Withdrawn CN117575275A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311665942.7A CN117575275A (zh) 2023-12-05 2023-12-05 一种基于mpr的物料需求云计算分析系统、方法及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311665942.7A CN117575275A (zh) 2023-12-05 2023-12-05 一种基于mpr的物料需求云计算分析系统、方法及介质

Publications (1)

Publication Number Publication Date
CN117575275A true CN117575275A (zh) 2024-02-20

Family

ID=89886230

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311665942.7A Withdrawn CN117575275A (zh) 2023-12-05 2023-12-05 一种基于mpr的物料需求云计算分析系统、方法及介质

Country Status (1)

Country Link
CN (1) CN117575275A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117787672A (zh) * 2024-02-28 2024-03-29 天津盛驰精工有限公司 原料用量计算方法、装置、设备及介质
CN118211940A (zh) * 2024-05-21 2024-06-18 江西中迅农化有限公司 农药生产管控方法、装置及设备

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117787672A (zh) * 2024-02-28 2024-03-29 天津盛驰精工有限公司 原料用量计算方法、装置、设备及介质
CN117787672B (zh) * 2024-02-28 2024-05-28 天津盛驰精工有限公司 原料用量计算方法、装置、设备及介质
CN118211940A (zh) * 2024-05-21 2024-06-18 江西中迅农化有限公司 农药生产管控方法、装置及设备

Similar Documents

Publication Publication Date Title
Li et al. DCT-GAN: dilated convolutional transformer-based GAN for time series anomaly detection
CN112667714B (zh) 基于深度学习的用户画像优化方法、装置及存储介质
CN111209386B (zh) 一种基于深度学习的个性化文本推荐方法
CN117575275A (zh) 一种基于mpr的物料需求云计算分析系统、方法及介质
CN111259243B (zh) 基于会话的并行推荐方法及系统
CN112381581A (zh) 一种基于改进Transformer的广告点击率预估方法
CN104572734A (zh) 问题推荐方法、装置及系统
CN111652280A (zh) 基于行为的目标物数据分析方法、装置及存储介质
US20220383145A1 (en) Regression and Time Series Forecasting
CN114971748A (zh) 预测数据生成、模型训练方法、计算机设备以及存储介质
CN115392237A (zh) 情感分析模型训练方法、装置、设备及存储介质
CN117314593B (zh) 一种基于用户行为分析的保险项目推送方法及系统
Deng et al. Disentangling Structured Components: Towards Adaptive, Interpretable and Scalable Time Series Forecasting
Chen et al. Behavioral targeting: The art of scaling up simple algorithms
Wu et al. Mining trajectory patterns with point-of-interest and behavior-of-interest
CN114611841A (zh) 一种景区游客流量预测方法及装置
CN113806410A (zh) 一种用于科技服务的服务推荐实验系统
CN112783740A (zh) 一种基于时间序列特征的服务器性能预测方法及系统
Zhe et al. Online spike-and-slab inference with stochastic expectation propagation
CN118538036B (zh) 一种基于深度学习方法的交通流短期预测方法及设备
CN114357271B (zh) 基于图神经网络融合文本和时序信息的微博热度预测方法
CN113793187B (zh) 基于实例权重平衡和双重注意力的点击率预测方法及系统
US20240119295A1 (en) Generalized Bags for Learning from Label Proportions
CN113792539B (zh) 基于人工智能的实体关系分类方法、装置、电子设备及介质
US20240048456A1 (en) Methods and apparatuses for updating traffic prediction system

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20240220