一种基于机器学习的供应链韧性预测系统技术方案

本发明专利技术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，本发明专利技术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。的可靠性。的可靠性。

【技术实现步骤摘要】
一种基于机器学习的供应链韧性预测系统


[0001]本专利技术涉及供应链预测
，具体而言，涉及一种基于机器学习的供应链韧性预测系统。

技术介绍

[0002]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。
[0003]现有技术如公告号为CN116402241B专利技术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。
[0004]现有技术如公告号为CN109784979B专利技术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。本专利技术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。
[0005]针对上述方案，本专利技术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。

技术实现思路

[0006]为了克服
技术介绍
中的缺点，本专利技术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
技术介绍
中涉及的问题。
[0007]本专利技术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。
[0008]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。
[0009]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。
[0010]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。
[0011]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本文档来自技高网...

【技术保护点】

【技术特征摘要】
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。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3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。5.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...

【专利技术属性】
技术研发人员：何守慧，王艳，
申请(专利权)人：临沂市知行交通规划设计有限公司，
类型：发明
国别省市：