CN118014616A - 基于区块链的生产物料价格跟踪系统及方法 - Google Patents
基于区块链的生产物料价格跟踪系统及方法 Download PDFInfo
- Publication number
- CN118014616A CN118014616A CN202410159094.0A CN202410159094A CN118014616A CN 118014616 A CN118014616 A CN 118014616A CN 202410159094 A CN202410159094 A CN 202410159094A CN 118014616 A CN118014616 A CN 118014616A
- Authority
- CN
- China
- Prior art keywords
- price
- production material
- time sequence
- material price
- fluctuation
- 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
- 239000000463 material Substances 0.000 title claims abstract description 306
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 301
- 238000000034 method Methods 0.000 title claims abstract description 21
- 238000005457 optimization Methods 0.000 claims abstract description 15
- 239000011159 matrix material Substances 0.000 claims description 88
- 239000013598 vector Substances 0.000 claims description 80
- 230000008859 change Effects 0.000 claims description 55
- 238000010586 diagram Methods 0.000 claims description 28
- 238000012546 transfer Methods 0.000 claims description 23
- 238000009826 distribution Methods 0.000 claims description 21
- 238000000605 extraction Methods 0.000 claims description 14
- 238000007781 pre-processing Methods 0.000 claims description 13
- 238000011176 pooling Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 230000011218 segmentation Effects 0.000 claims description 7
- 239000003623 enhancer Substances 0.000 claims description 5
- 238000012544 monitoring process Methods 0.000 claims description 5
- 238000005259 measurement Methods 0.000 claims description 4
- 230000008901 benefit Effects 0.000 abstract description 6
- 238000004458 analytical method Methods 0.000 description 12
- 238000013473 artificial intelligence Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000002708 enhancing effect Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000000694 effects 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
- 230000036651 mood Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 239000011265 semifinished product Substances 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及智能预测技术领域,其具体地公开了一种基于区块链的生产物料价格跟踪系统及方法,其利用基于深度学习的人工智能技术来监测和分析生产物料的历史价格变动记录,捕捉到生产物料的价格时序波动特征表达,进而实现生产物料的短期价格智能预测。这样,企业可以根据预测结果进行相应的风险管理和供应链优化,从而提高企业竞争力和经济效益。
Description
技术领域
本申请涉及智能预测技术领域,且更为具体地,涉及一种基于区块链的生产物料价格跟踪系统及方法。
背景技术
生产物料是指用于生产产品或提供服务的原材料、半成品、辅助材料等。生产物料的价格是影响企业生产成本和利润的重要因素。如果生产物料价格上涨,企业的生产成本也会随之上涨,从而影响企业的利润。因此,企业需要密切关注物料价格的波动,对生产物料的价格进行有效的跟踪和预测,以便及时调整生产计划和成本结构,从而保持竞争力和盈利能力。
目前,生产物料的价格跟踪和分析主要依赖于人工分析和经验判断,这种方法存在很多不足,如信息不全面、分析效率低、预测精度差等。因此,期待一种优化的基于区块链的生产物料价格跟踪系统及方法。
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基于区块链的生产物料价格跟踪系统及方法,其利用基于深度学习的人工智能技术来监测和分析生产物料的历史价格变动记录,捕捉到生产物料的价格时序波动特征表达,进而实现生产物料的短期价格智能预测。这样,企业可以根据预测结果进行相应的风险管理和供应链优化,从而提高企业竞争力和经济效益。
相应地,根据本申请的一个方面,提供了一种基于区块链的生产物料价格跟踪系统,其包括:
生产物料价格监控模块,用于从区块链获取生产物料在预定时间段内的价格变动记录,其中,所述价格变动记录包括所述预定时间段内各天的生产物料价格;
局部时序编码模块,用于提取所述预定时间段内的价格变动记录的局部时序特征以得到局部生产物料价格时序特征向量的序列;
价格时序波动特征提取模块,用于提取所述局部生产物料价格时序特征向量的序列的时序关联变化特征以得到生产物料价格时序波动特征图;
特征显著化模块,用于对所述生产物料价格时序波动特征图进行特征显著化处理以得到显著化生产物料价格时序波动特征矩阵;
生产物料价格预测模块,用于基于所述显著化生产物料价格时序波动特征矩阵,确定生产物料的短期价格预测值。
在上述基于区块链的生产物料价格跟踪系统中,所述局部时序编码模块,包括:数据预处理单元,用于对所述预定时间段内的价格变动记录进行数据预处理以得到局部生产物料价格时序输入向量的序列;时序特征提取单元,用于将所述局部生产物料价格时序输入向量的序列中的各个局部生产物料价格时序输入向量分别通过基于一维卷积层的时序特征提取器以得到所述局部生产物料价格时序特征向量的序列。
在上述基于区块链的生产物料价格跟踪系统中,所述数据预处理单元,包括:时序排列子单元,用于将所述预定时间段内的价格变动记录按照时间维度排列为生产物料价格时序输入向量;时序切分子单元,用于基于预定时间尺度对所述生产物料价格时序输入向量进行向量切分以得到所述局部生产物料价格时序输入向量的序列。
在上述基于区块链的生产物料价格跟踪系统中,所述价格时序波动特征提取模块,用于:计算所述局部生产物料价格时序特征向量的序列中每相邻两个局部生产物料价格时序特征向量之间的转移矩阵以得到由多个转移矩阵组成的所述生产物料价格时序波动特征图。
在上述基于区块链的生产物料价格跟踪系统中,所述价格时序波动特征提取模块,用于:以如下转移计算公式计算所述局部生产物料价格时序特征向量的序列中每相邻两个局部生产物料价格时序特征向量之间的转移矩阵;
其中,所述转移计算公式为:
其中,Vi表示所述局部生产物料价格时序特征向量的序列中第i个局部生产物料价格时序特征向量,V2表示所述局部生产物料价格时序特征向量的序列中第i+1个局部生产物料价格时序特征向量,表示矩阵乘法,M表示第i个所述转移矩阵。在上述基于区块链的生产物料价格跟踪系统中,所述特征显著化模块,包括:通道特征增强单元,用于将所述生产物料价格时序波动特征图通过包含通道注意力层的特征增强器以得到显著化生产物料价格时序波动特征图;池化单元,用于对所述显著化生产物料价格时序波动特征图进行沿通道维度的池化处理以得到所述显著化生产物料价格时序波动特征矩阵。
在上述基于区块链的生产物料价格跟踪系统中,所述生产物料价格预测模块,包括:优化单元,用于对所述显著化生产物料价格时序波动特征矩阵进行位置间概率密度分布相关性超凸度量以得到优化显著化生产物料价格时序波动特征矩阵;解码单元,用于将所述优化显著化生产物料价格时序波动特征矩阵通过解码器以得到解码结果,所述解码结果用于表示生产物料的短期价格预测值。
在上述基于区块链的生产物料价格跟踪系统中,所述优化单元,用于:以如下优化公式对所述显著化生产物料价格时序波动特征矩阵进行位置间概率密度分布相关性超凸度量以得到所述优化显著化生产物料价格时序波动特征矩阵;其中,所述优化公式为:
其中,mi,j表示所述显著化生产物料价格时序波动特征矩阵中(i,j)位置的特征值,表示所述显著化生产物料价格时序波动特征矩阵的全局均值,mi,j′表示所述优化显著化生产物料价格时序波动特征矩阵中(i,j)位置的特征值。
在上述基于区块链的生产物料价格跟踪系统中,所述解码单元,用于:使用所述解码器以如下解码公式对所述优化显著化生产物料价格时序波动特征矩阵进行解码回归以得到所述生产物料的短期价格预测值,其中,所述解码公式为:其中,X是所述优化显著化生产物料价格时序波动特征矩阵,Y是所述生产物料的短期价格预测值,W是权重矩阵,/>表示矩阵乘法。
根据本申请的另一个方面,提供了一种基于区块链的生产物料价格跟踪方法,其包括:
从区块链获取生产物料在预定时间段内的价格变动记录,其中,所述价格变动记录包括所述预定时间段内各天的生产物料价格;
提取所述预定时间段内的价格变动记录的局部时序特征以得到局部生产物料价格时序特征向量的序列;
提取所述局部生产物料价格时序特征向量的序列的时序关联变化特征以得到生产物料价格时序波动特征图;
对所述生产物料价格时序波动特征图进行特征显著化处理以得到显著化生产物料价格时序波动特征矩阵;
基于所述显著化生产物料价格时序波动特征矩阵,确定生产物料的短期价格预测值。
与现有技术相比,本申请提供的基于区块链的生产物料价格跟踪系统及方法,其利用基于深度学习的人工智能技术来监测和分析生产物料的历史价格变动记录,捕捉到生产物料的价格时序波动特征表达,进而实现生产物料的短期价格智能预测。这样,企业可以根据预测结果进行相应的风险管理和供应链优化,从而提高企业竞争力和经济效益。
附图说明
通过结合附图对本申请实施例进行更详细的描述,本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解,并且构成说明书的一部分,与本申请实施例一起用于解释本申请,并不构成对本申请的限制。在附图中,相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的基于区块链的生产物料价格跟踪系统的框图。
图2为根据本申请实施例的基于区块链的生产物料价格跟踪系统的架构示意图。
图3为根据本申请实施例的基于区块链的生产物料价格跟踪系统中局部时序编码模块的框图。
图4为根据本申请实施例的基于区块链的生产物料价格跟踪系统中数据预处理单元的框图。
图5为根据本申请实施例的基于区块链的生产物料价格跟踪系统中生产物料价格预测模块的框图。
图6为根据本申请实施例的基于区块链的生产物料价格跟踪方法的流程图。
具体实施方式
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。
图1为根据本申请实施例的基于区块链的生产物料价格跟踪系统的框图。图2为根据本申请实施例的基于区块链的生产物料价格跟踪系统的架构示意图。如图1和图2所示,根据本申请实施例的基于区块链的生产物料价格跟踪系统100,包括:生产物料价格监控模块110,用于从区块链获取生产物料在预定时间段内的价格变动记录,其中,所述价格变动记录包括所述预定时间段内各天的生产物料价格;局部时序编码模块120,用于提取所述预定时间段内的价格变动记录的局部时序特征以得到局部生产物料价格时序特征向量的序列;价格时序波动特征提取模块130,用于提取所述局部生产物料价格时序特征向量的序列的时序关联变化特征以得到生产物料价格时序波动特征图;特征显著化模块140,用于对所述生产物料价格时序波动特征图进行特征显著化处理以得到显著化生产物料价格时序波动特征矩阵;生产物料价格预测模块150,用于基于所述显著化生产物料价格时序波动特征矩阵,确定生产物料的短期价格预测值。
如上述背景技术所言,目前的生产物料的价格跟踪和分析主要依赖于人工分析和经验判断,这种方法存在很多不足,如信息不全面、分析效率低、预测精度差等。针对上述技术问题,本申请的技术构思为利用基于深度学习的人工智能技术来监测和分析生产物料的历史价格变动记录,捕捉到生产物料的价格时序波动特征表达,进而实现生产物料的短期价格智能预测。这样,企业可以根据预测结果进行相应的风险管理和供应链优化,从而提高企业竞争力和经济效益。
在上述基于区块链的生产物料价格跟踪系统100中,所述生产物料价格监控模块110,用于从区块链获取生产物料在预定时间段内的价格变动记录,其中,所述价格变动记录包括所述预定时间段内各天的生产物料价格。应可以理解,区块链是一个分布式的数据库,没有中心化的控制机构,区块链上的数据是使用密码学技术进行加密和验证的,一旦数据被写入区块链,就无法被篡改。这意味着从区块链获取的生产物料价格变动记录是可信的,没有被篡改的风险。并且,区块链上的交易和数据是公开可见的,任何人都可以查看和验证。也就是说,区块链具有去中心化、不可篡改和透明性等特点,通过从区块链获取生产物料在预定时间段内的价格变动记录,可以确保数据的可靠性和公正性,使得对于生产物料价格变动的监测和分析更加可靠和可信。
在上述基于区块链的生产物料价格跟踪系统100中,所述局部时序编码模块120,用于提取所述预定时间段内的价格变动记录的局部时序特征以得到局部生产物料价格时序特征向量的序列。具体地,图3为根据本申请实施例的基于区块链的生产物料价格跟踪系统中局部时序编码模块的框图。如图3所示,所述局部时序编码模块120,包括:数据预处理单元121,用于对所述预定时间段内的价格变动记录进行数据预处理以得到局部生产物料价格时序输入向量的序列;时序特征提取单元122,用于将所述局部生产物料价格时序输入向量的序列中的各个局部生产物料价格时序输入向量分别通过基于一维卷积层的时序特征提取器以得到所述局部生产物料价格时序特征向量的序列。
具体地,所述数据预处理单元121,用于对所述预定时间段内的价格变动记录进行数据预处理以得到局部生产物料价格时序输入向量的序列。更为具体地,图4为根据本申请实施例的基于区块链的生产物料价格跟踪系统中数据预处理单元的框图。如图4所示,所述数据预处理单元121,包括:时序排列子单元1211,用于将所述预定时间段内的价格变动记录按照时间维度排列为生产物料价格时序输入向量;时序切分子单元1212,用于基于预定时间尺度对所述生产物料价格时序输入向量进行向量切分以得到所述局部生产物料价格时序输入向量的序列。
应可以理解,通过将所述预定时间段内的价格变动记录按照时间维度排列,可以将价格的历史变化转化为时间序列形式,以保留数据的时序关系。进而可以利用时间序列分析方法来探索和分析价格的动态特征,例如变化趋势、季节性变化、周期性变化等,从而捕捉到生产物料价格的时序信息和趋势,为后续的价格预测和分析提供基础。同时,考虑到由于所述价格变动记录整体的时间尺度过大,如果直接对所述生产物料价格时序输入向量进行时序特征分析,可能会造成细节信息的损失。因此,为了对所述价格变动记录进行更精细的时序变化特征分析,进一步基于预定时间尺度对所述生产物料价格时序输入向量进行向量切分,将其划分为多个局部生产物料价格时序输入向量。这样,可以对各个局部生产物料价格时序输入向量进行独立的时序特征分析,有助于提高对于生产物料的短期价格变化的感知能力,更细致地捕捉到生产物料价格的时序变化特征,为后续的价格分析和预测提供有价值的数据基础。
具体地,所述时序特征提取单元122,用于将所述局部生产物料价格时序输入向量的序列中的各个局部生产物料价格时序输入向量分别通过基于一维卷积层的时序特征提取器以得到所述局部生产物料价格时序特征向量的序列。本领域普通技术人员应知晓,一维卷积层(1D Convolutional Layer)是卷积神经网络(Convolutional Neural Network,CNN)中的一种基本层级结构,主要用于处理具有时序性结构的数据。一维卷积层的输入是一个一维的数据序列,通常表示为向量形式。一维卷积层通过使用一维卷积核(一维滤波器)对输入数据进行卷积操作,能够提取出输入数据中的局部特征,有效地捕捉到时序数据中的模式和规律。在本申请的技术方案中,使用基于一维卷积层的时序特征提取器来对所述局部生产物料价格时序输入向量的序列进行时序特征提取。所述时序特征提取器能够通过滑动窗口的方式,在所述局部生产物料价格时序输入向量的不同时间位置上进行卷积操作,以捕捉到生产物料价格变动的模式和规律。此外,生产物料的价格变动可能会受到多个因素的影响,包括供需关系、市场情绪、宏观经济等。而一维卷积层通过在时序特征提取的过程中引入了非线性操作,可以更好地捕捉到价格变动的非线性关系,为后续的价格预测提供更具有表达能力的特征表示,从而提高价格预测的准确性。
在上述基于区块链的生产物料价格跟踪系统100中,所述价格时序波动特征提取模块130,用于提取所述局部生产物料价格时序特征向量的序列的时序关联变化特征以得到生产物料价格时序波动特征图。在本申请的一个具体示例中,提取所述局部生产物料价格时序特征向量的序列的时序关联变化特征以得到生产物料价格时序波动特征图的实现方式是计算所述局部生产物料价格时序特征向量的序列中每相邻两个局部生产物料价格时序特征向量之间的转移矩阵以得到由多个转移矩阵组成的所述生产物料价格时序波动特征图。也就是,通过计算相邻两个局部生产物料价格时序特征向量之间的转移矩阵来表征相邻时间段之间的价格变动关系。具体来说,所述转移矩阵中的元素表示了从一个价格状态转移到另一个价格状态的概率或权重。例如,如果相邻时间段的价格变动趋势相似,那么对应的转移矩阵的元素值可能较大;另一方面,如果价格变动存在较大的波动或者趋势不一致,那么对应的转移矩阵的元素值可能较小。这样,通过计算每相邻两个局部生产物料价格时序特征向量之间的转移矩阵以得到由多个转移矩阵组成的生产物料价格时序波动特征图。所述生产物料价格时序波动特征图可以提供全面的价格波动信息,包括价格的上升、下降、震荡等情况,有助于更好地了解到价格变动的传递和演化过程,发现价格波动的潜在规律,从而为后续的价格预测提供更丰富的数据输入。
具体地,所述价格时序波动特征提取模块130,用于:以如下转移计算公式计算所述局部生产物料价格时序特征向量的序列中每相邻两个局部生产物料价格时序特征向量之间的转移矩阵;
其中,所述转移计算公式为:
其中,Vi表示所述局部生产物料价格时序特征向量的序列中第i个局部生产物料价格时序特征向量,V2表示所述局部生产物料价格时序特征向量的序列中第i+1个局部生产物料价格时序特征向量,表示矩阵乘法,M表示第i个所述转移矩阵。
在上述基于区块链的生产物料价格跟踪系统100中,所述特征显著化模块140,用于对所述生产物料价格时序波动特征图进行特征显著化处理以得到显著化生产物料价格时序波动特征矩阵。在本申请的一个具体示例中,所述特征显著化模块140,包括:通道特征增强单元,用于将所述生产物料价格时序波动特征图通过包含通道注意力层的特征增强器以得到显著化生产物料价格时序波动特征图;池化单元,用于对所述显著化生产物料价格时序波动特征图进行沿通道维度的池化处理以得到所述显著化生产物料价格时序波动特征矩阵。
具体地,所述通道特征增强单元,用于将所述生产物料价格时序波动特征图通过包含通道注意力层的特征增强器以得到显著化生产物料价格时序波动特征图。应可以理解,通道注意力是一种用于增强特征表示的注意力机制,其能够自动学习特征图的各个特征通道之间的相关性,来对不同特征通道进行自适应加权,以强化重要特征,并减弱无关特征的影响。在本申请的技术方案中,所述生产物料价格时序波动特征图的不同通道特征对应着不同的价格波动模式。通过将所述生产物料价格时序波动特征图输入包含通道注意力层的特征增强器进行特征强化处理,所述通道注意力层可以通过学习所述生产物料价格时序波动特征图各个特征通道之间的相关性,以生成注意力权重向量。其中,注意力权重向量中的每个元素表示对应通道的重要性权重。通过将所述生产物料价格时序波动特征图与注意力权重向量进行逐通道相乘,以实现对不同通道特征的加权组合,使得模型更加关注对价格预测有贡献的特征,而减弱对无关特征的关注,从而增强特征的表达能力和区分度,增强特征的表达能力和区分度,提高价格预测的准确性和可靠性。
具体地,所述池化单元,用于对所述显著化生产物料价格时序波动特征图进行沿通道维度的池化处理以得到所述显著化生产物料价格时序波动特征矩阵。应可以理解,所述显著化生产物料价格时序波动特征图具有较高的通道维度。通过对所述显著化生产物料价格时序波动特征图沿通道维度进行池化处理,可以将特征图的通道维度降低,从而减少模型的参数量和计算复杂度。同时,沿通道维度的池化操作可以对所述显著化生产物料价格时序波动特征图各个通道的特征进行统计汇总,例如取最大值、平均值等,从而捕捉到每个通道的最显著特征,以减少噪声和冗余信息的影响,提取出对价格预测任务有用的特征表示,进而提高价格预测的准确性。
在上述基于区块链的生产物料价格跟踪系统100中,所述生产物料价格预测模块150,用于基于所述显著化生产物料价格时序波动特征矩阵,确定生产物料的短期价格预测值。具体地,图5为根据本申请实施例的基于区块链的生产物料价格跟踪系统中生产物料价格预测模块的框图。如图5所示,所述生产物料价格预测模块150,包括:优化单元151,用于对所述显著化生产物料价格时序波动特征矩阵进行位置间概率密度分布相关性超凸度量以得到优化显著化生产物料价格时序波动特征矩阵;解码单元152,用于将所述优化显著化生产物料价格时序波动特征矩阵通过解码器以得到解码结果,所述解码结果用于表示生产物料的短期价格预测值。
具体地,所述优化单元151,用于对所述显著化生产物料价格时序波动特征矩阵进行位置间概率密度分布相关性超凸度量以得到优化显著化生产物料价格时序波动特征矩阵。特别地,在本申请的技术方案中,考虑到生产物料价格的波动可能受到各种因素的影响,例如自然灾害、政策变化、市场供求关系等。如果在预定时间段内发生了异常事件,例如价格突然暴涨或暴跌,这些异常数据可能导致离群样例的出现。在从区块链获取生产物料价格变动记录的过程中,可能存在数据采集错误。例如,由于技术故障或人为错误,某些价格数据可能被错误地记录或传输,导致离群样例的出现。离群样例的存在会影响所述显著化生产物料价格时序波动特征矩阵在概率分布上的位置间一致性,因为离群样例与其他数据点的差异较大,可能导致整体分布的偏移或扭曲。这会对解码器的解码精准度和鲁棒性产生负面影响,因为解码器在处理具有离群样例的特征矩阵时可能无法准确地捕捉到整体趋势和模式。为了解决这个问题,基于此,对所述显著化生产物料价格时序波动特征矩阵进行位置间概率密度分布相关性超凸度量,以改进了所述显著化生产物料价格时序波动特征矩阵在概率分布上的位置间一致性,提升了其通过解码器的解码精准度和鲁棒性。
在本申请的一个具体示例中,所述优化单元151,用于:以如下优化公式对所述显著化生产物料价格时序波动特征矩阵进行位置间概率密度分布相关性超凸度量以得到所述优化显著化生产物料价格时序波动特征矩阵;其中,所述优化公式为:
其中,mi,j表示所述显著化生产物料价格时序波动特征矩阵中(i,j)位置的特征值,表示所述显著化生产物料价格时序波动特征矩阵的全局均值,mi,j′表示所述优化显著化生产物料价格时序波动特征矩阵中(i,j)位置的特征值。
也就是说,考虑到所述显著化生产物料价格时序波动特征矩阵中可能存在离群样例(instance),这使得所述显著化生产物料价格时序波动特征矩阵在概率分布上的位置间一致性相对较差,影响其通过解码器的解码精准度和鲁棒性。
基于此,在本申请的技术方案中,对所述显著化生产物料价格时序波动特征矩阵进行位置间概率密度分布相关性超凸度量,即通过构建一个基于显著化生产物料价格时序波动特征矩阵的概率密度分布相关性的超凸度量的优化函数,使得显著化生产物料价格时序波动特征矩阵间的每个位置的概率密度分布都能够在其子维度上保持与目标域的一致性,从而实现显著化生产物料价格时序波动特征矩阵的概率密度分布相关性的匹配。具体地,所述基于显著化生产物料价格时序波动特征矩阵的概率密度分布相关性的超凸度量的优化函数,将所述显著化生产物料价格时序波动特征矩阵中各个位置的特征值解释为该位置的特征值与所述显著化生产物料价格时序波动特征矩阵的统计特征中心的单变量差分的负对数来获得包含特殊分布的一般性概率分布,以保证所述显著化生产物料价格时序波动特征矩阵中的特殊示例对于分布整体的扰动的隐蔽性,这样,改进了所述显著化生产物料价格时序波动特征矩阵在概率分布上的位置间一致性,提升了所述显著化生产物料价格时序波动特征矩阵的解码能力。
具体地,所述解码单元152,用于将所述优化显著化生产物料价格时序波动特征矩阵通过解码器以得到解码结果,所述解码结果用于表示生产物料的短期价格预测值。应可以理解,解码器是神经网络中的一种组件或模块,用于将输入特征转化为目标输出。解码器的结构和功能与编码器相对应,编码器负责将输入数据编码为特征表示,而解码器则负责根据特征表示生成目标输出。在本申请的技术方案中,解码器被用于将所述优化显著化生产物料价格时序波动特征矩阵的抽象特征表示映射到实际数值空间。也就是,将所述优化显著化生产物料价格时序波动特征矩阵转换为具体的生产物料价格预测值,从而更直观地反映未来价格的趋势和波动性。这样,企业可以基于所述生产物料价格预测值更好地规划生产、采购和销售策略,以适应市场的价格波动。同时,还可以制定相应的风险管理策略,例如合理制定价格合同、进行对冲操作或采取其他风险管理手段,以降低价格波动带来的风险和损失。
在本申请的一个具体示例中,所述解码单元152,用于:使用所述解码器以如下解码公式对所述优化显著化生产物料价格时序波动特征矩阵进行解码回归以得到所述生产物料的短期价格预测值,其中,所述解码公式为:其中,X是所述优化显著化生产物料价格时序波动特征矩阵,Y是所述生产物料的短期价格预测值,W是权重矩阵,/>表示矩阵乘法。
综上,根据本申请实施例的基于区块链的生产物料价格跟踪系统被阐明,其利用基于深度学习的人工智能技术来监测和分析生产物料的历史价格变动记录,捕捉到生产物料的价格时序波动特征表达,进而实现生产物料的短期价格智能预测。这样,企业可以根据预测结果进行相应的风险管理和供应链优化,从而提高企业竞争力和经济效益。
图6为根据本申请实施例的基于区块链的生产物料价格跟踪方法的流程图。如图6所示,根据本申请实施例的基于区块链的生产物料价格跟踪方法,包括步骤:S110,从区块链获取生产物料在预定时间段内的价格变动记录,其中,所述价格变动记录包括所述预定时间段内各天的生产物料价格;S120,提取所述预定时间段内的价格变动记录的局部时序特征以得到局部生产物料价格时序特征向量的序列;S130,提取所述局部生产物料价格时序特征向量的序列的时序关联变化特征以得到生产物料价格时序波动特征图;S140,对所述生产物料价格时序波动特征图进行特征显著化处理以得到显著化生产物料价格时序波动特征矩阵;S150,基于所述显著化生产物料价格时序波动特征矩阵,确定生产物料的短期价格预测值。
这里,本领域技术人员可以理解,上述基于区块链的生产物料价格跟踪方法中的各个步骤的具体操作已经在上面参考图1到图5的基于区块链的生产物料价格跟踪系统的描述中得到了详细介绍,并因此,将省略其重复描述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。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。
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。系统权利要求中陈述的多个单元也可以由一个单元通过软件或者硬件来实现。
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)
1.一种基于区块链的生产物料价格跟踪系统,其特征在于,包括:
生产物料价格监控模块,用于从区块链获取生产物料在预定时间段内的价格变动记录,其中,所述价格变动记录包括所述预定时间段内各天的生产物料价格;
局部时序编码模块,用于提取所述预定时间段内的价格变动记录的局部时序特征以得到局部生产物料价格时序特征向量的序列;
价格时序波动特征提取模块,用于提取所述局部生产物料价格时序特征向量的序列的时序关联变化特征以得到生产物料价格时序波动特征图;
特征显著化模块,用于对所述生产物料价格时序波动特征图进行特征显著化处理以得到显著化生产物料价格时序波动特征矩阵;
生产物料价格预测模块,用于基于所述显著化生产物料价格时序波动特征矩阵,确定生产物料的短期价格预测值。
2.根据权利要求1所述的基于区块链的生产物料价格跟踪系统,其特征在于,所述局部时序编码模块,包括:
数据预处理单元,用于对所述预定时间段内的价格变动记录进行数据预处理以得到局部生产物料价格时序输入向量的序列;
时序特征提取单元,用于将所述局部生产物料价格时序输入向量的序列中的各个局部生产物料价格时序输入向量分别通过基于一维卷积层的时序特征提取器以得到所述局部生产物料价格时序特征向量的序列。
3.根据权利要求2所述的基于区块链的生产物料价格跟踪系统,其特征在于,所述数据预处理单元,包括:
时序排列子单元,用于将所述预定时间段内的价格变动记录按照时间维度排列为生产物料价格时序输入向量;
时序切分子单元,用于基于预定时间尺度对所述生产物料价格时序输入向量进行向量切分以得到所述局部生产物料价格时序输入向量的序列。
4.根据权利要求3所述的基于区块链的生产物料价格跟踪系统,其特征在于,所述价格时序波动特征提取模块,用于:
计算所述局部生产物料价格时序特征向量的序列中每相邻两个局部生产物料价格时序特征向量之间的转移矩阵以得到由多个转移矩阵组成的所述生产物料价格时序波动特征图。
5.根据权利要求4所述的基于区块链的生产物料价格跟踪系统,其特征在于,所述价格时序波动特征提取模块,用于:
以如下转移计算公式计算所述局部生产物料价格时序特征向量的序列中每相邻两个局部生产物料价格时序特征向量之间的转移矩阵;
其中,所述转移计算公式为:
其中,Vi表示所述局部生产物料价格时序特征向量的序列中第i个局部生产物料价格时序特征向量,V2表示所述局部生产物料价格时序特征向量的序列中第i+1个局部生产物料价格时序特征向量,表示矩阵乘法,M表示第i个所述转移矩阵。
6.根据权利要求5所述的基于区块链的生产物料价格跟踪系统,其特征在于,所述特征显著化模块,包括:
通道特征增强单元,用于将所述生产物料价格时序波动特征图通过包含通道注意力层的特征增强器以得到显著化生产物料价格时序波动特征图;
池化单元,用于对所述显著化生产物料价格时序波动特征图进行沿通道维度的池化处理以得到所述显著化生产物料价格时序波动特征矩阵。
7.根据权利要求6所述的基于区块链的生产物料价格跟踪系统,其特征在于,所述生产物料价格预测模块,包括:
优化单元,用于对所述显著化生产物料价格时序波动特征矩阵进行位置间概率密度分布相关性超凸度量以得到优化显著化生产物料价格时序波动特征矩阵;
解码单元,用于将所述优化显著化生产物料价格时序波动特征矩阵通过解码器以得到解码结果,所述解码结果用于表示生产物料的短期价格预测值。
8.根据权利要求7所述的基于区块链的生产物料价格跟踪系统,其特征在于,所述优化单元,用于:
以如下优化公式对所述显著化生产物料价格时序波动特征矩阵进行位置间概率密度分布相关性超凸度量以得到所述优化显著化生产物料价格时序波动特征矩阵;其中,所述优化公式为:
其中,mi,j表示所述显著化生产物料价格时序波动特征矩阵中(i,j)位置的特征值,表示所述显著化生产物料价格时序波动特征矩阵的全局均值,mi,j′表示所述优化显著化生产物料价格时序波动特征矩阵中(i,j)位置的特征值。
9.根据权利要求8所述的基于区块链的生产物料价格跟踪系统,其特征在于,所述解码单元,用于:
使用所述解码器以如下解码公式对所述优化显著化生产物料价格时序波动特征矩阵进行解码回归以得到所述生产物料的短期价格预测值,其中,所述解码公式为:其中,X是所述优化显著化生产物料价格时序波动特征矩阵,Y是所述生产物料的短期价格预测值,W是权重矩阵,/>表示矩阵乘法。
10.一种基于区块链的生产物料价格跟踪方法,其特征在于,包括:
从区块链获取生产物料在预定时间段内的价格变动记录,其中,所述价格变动记录包括所述预定时间段内各天的生产物料价格;
提取所述预定时间段内的价格变动记录的局部时序特征以得到局部生产物料价格时序特征向量的序列;
提取所述局部生产物料价格时序特征向量的序列的时序关联变化特征以得到生产物料价格时序波动特征图;
对所述生产物料价格时序波动特征图进行特征显著化处理以得到显著化生产物料价格时序波动特征矩阵;
基于所述显著化生产物料价格时序波动特征矩阵,确定生产物料的短期价格预测值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410159094.0A CN118014616A (zh) | 2024-02-02 | 2024-02-02 | 基于区块链的生产物料价格跟踪系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410159094.0A CN118014616A (zh) | 2024-02-02 | 2024-02-02 | 基于区块链的生产物料价格跟踪系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118014616A true CN118014616A (zh) | 2024-05-10 |
Family
ID=90955531
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410159094.0A Pending CN118014616A (zh) | 2024-02-02 | 2024-02-02 | 基于区块链的生产物料价格跟踪系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118014616A (zh) |
-
2024
- 2024-02-02 CN CN202410159094.0A patent/CN118014616A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Eisenach et al. | Mqtransformer: Multi-horizon forecasts with context dependent and feedback-aware attention | |
CN114048436A (zh) | 一种预测企业财务数据模型构建方法及构建装置 | |
CN116340796B (zh) | 时序数据分析方法、装置、设备及存储介质 | |
CN113449919B (zh) | 一种基于特征和趋势感知的用电量预测方法及系统 | |
CN117455417B (zh) | 一种智能风控审批策略自动迭代优化方法及系统 | |
CN111738504A (zh) | 企业财务指标资金量预测方法和装置、设备及存储介质 | |
CN117670066B (zh) | 基于智能决策的司库管理方法、系统、设备及存储介质 | |
CN110059126B (zh) | 基于lkj异常值数据的复杂关联网络分析方法及系统 | |
CN116362799A (zh) | 基于供应链多源数据融合的产品需求预测方法及存储介质 | |
CN114154716A (zh) | 一种基于图神经网络的企业能耗预测方法及装置 | |
US11995667B2 (en) | Systems and methods for business analytics model scoring and selection | |
CN117151276A (zh) | 售电平台的智能化管理系统 | |
CN109829115B (zh) | 搜索引擎关键词优化方法 | |
Wang et al. | A Transformer-based multi-entity load forecasting method for integrated energy systems | |
CN118014616A (zh) | 基于区块链的生产物料价格跟踪系统及方法 | |
CN112348220A (zh) | 一种基于企业行为模式的信用风险评估预测方法及系统 | |
CN111815458A (zh) | 基于细粒度量化标注和集成方法的动态投资组合配置方法 | |
CN117649209B (zh) | 企业营收稽核方法、系统、设备及存储介质 | |
Wang et al. | Risk assessment of customer churn in telco using FCLCNN-LSTM model | |
CN116760033B (zh) | 一种基于人工智能的实时电力需求预测系统 | |
CN117495109B (zh) | 一种基于神经网络的窃电用户识别系统 | |
Li et al. | HiMuV: Hierarchical framework for modeling multi-modality multi-resolution data | |
Zeng et al. | Selection Of Variables And Indicators In Financial Distress Prediction Model-Svm Method Based On Sparse Principal Component Analysis | |
CN117494896A (zh) | 基于高斯混合模型聚类的光伏功率短期预测方法及系统 | |
CN117134315A (zh) | 一种基于bert算法的配电变压器负荷预测方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination |