【技术实现步骤摘要】
本专利技术涉及电数据处理、人工智能，具体而言，涉及一种产业链时序数据存储分析方法及系统。
技术介绍
1、随着科技的进步和数据技术的发展，产业链和供应链中产生的大量数据也日益增多。这些数据包含了从原材料采购、生产过程、库存管理、物流配送到销售情况等方方面面的信息。供应链是一个产品或服务从原材料、生产制造、配送到最终消费者的全过程。它包括了各个环节的供应商、生产商、经销商、零售商等多个参与方。在全球化的背景下，供应链往往跨越多个国家和地区，涉及复杂的物流和信息流动。时序数据指的是按照时间顺序记录的数据，即根据不同的时间点或时间段来记录和整理的数据。分析产业链和供应链时序数据可以帮助企业更好地掌握整个供应链的运作情况和效率，实现供需匹配、减少库存积压、提高交付准时率等目标。通过对供应链时序数据的分析，企业可以识别出供应链中的瓶颈环节，优化资源配置，提高整体效率和竞争力。其中，对供应链时序数据进行风险识别和分析具有重要的意义。供应链中存在各种潜在的风险，如供应商延误、物流故障、质量问题等。通过对时序数据的监测和分析，可以及时发现供应链中的异常情况，识别风险点，并采取相应的措施来应对风险，保障供应链的稳定性和可靠性。如何进行有效、合理、准确的产业链时序数据识别，是建立工业数据库前数据存储的前提。
技术实现思路
1、本专利技术的目的在于提供一种产业链时序数据存储分析方法及系统。
2、本专利技术实施例是这样实现的：
3、第一方面，本专利技术实施例提供了一种产业链时序数据存
4、获取产业链时序数据；
5、对产业链时序数据包括的各数据子集进行表征载体提炼处理，获得相应的子集表征载体集合；
6、对所述子集表征载体集合进行通过递回机制的特征信息还原，并通过还原得到的各个风险还原信息，生成所述产业链时序数据的风险评估信息，并将所述产业链时序数据及其对应的所述风险评估信息进行存储；对于每一次特征信息还原，包括：
7、通过各预设风险产业数据分别对应的数据表征载体，获得上一次还原得到的风险还原信息对应的风险数据表征载体；
8、通过在上一次还原时得到的集合还原状态与所述子集表征载体集合之间的关联评分，对所述子集表征载体集合进行载体聚焦处理，获得当前还原对应的数据依赖性表征载体，所述集合还原状态代表所述子集表征载体集合的历史还原信息；
9、通过所述数据依赖性表征载体和所述风险数据表征载体，对所述集合还原状态进行优化，并通过优化后的集合还原状态进行风险推理，获得当前还原的风险还原信息。
10、作为一种实施方式，所述产业链时序数据存储分析方法通过调优完成的时序数据风险识别算法执行，所述方法还包括：
11、根据多个风险时序训练样例对数据低维映射算法包括的低维映射张量进行迭代调优，在调优完成时，获得调优完成的低维映射张量；其中，每个风险时序训练样例为多个数据项分别对应的风险标签构成的数据集合，所述数据低维映射算法用于通过所述低维映射张量将风险时序训练样例投影为对应的低维映射表征载体；
12、通过所述调优完成的低维映射张量，对时序数据风险识别算法中的低维映射张量进行元素值分配，获得目标低维映射张量，所述目标低维映射张量包括所述各预设风险产业数据分别对应的数据表征载体；
13、根据多个训练数据对元素值分配后的时序数据风险识别算法进行迭代调优，并在调优完成时，获得所述调优完成的时序数据风险识别算法；其中，每个训练数据包括产业链时序训练数据及其对应的风险类型注释集合。
14、作为一种实施方式，根据多个风险时序训练样例对数据低维映射算法包括的低维映射张量进行迭代调优，包括：
15、通过所述多个风险时序训练样例对所述数据低维映射算法进行多次调优，在所述数据低维映射算法收敛时停止；
16、每次调优时，包括：
17、分别对本次加载的各个风险时序训练样例进行数据屏蔽，以扰乱各个风险时序训练样例中屏蔽位置的数据项；
18、通过本次采取的低维映射张量，分别获得数据屏蔽后的各个风险时序训练样例分别对应的低维映射表征载体；
19、通过得到的各个低维映射表征载体，分别推理各个风险时序训练样例中屏蔽位置对应的数据项；
20、通过所述各个风险时序训练样例各自真正扰乱的数据项与推理的数据项之间的误差，对所述低维映射张量进行参数修正；
21、在根据多个风险时序训练样例对数据低维映射算法包括的低维映射张量进行迭代调优之前，所述方法还包括：
22、从多种风险识别结果的产业链时序数据库中提取产业链时序数据，得到原始产业链时序数据集；
23、从所述原始产业链时序数据集排除未达到训练数据质量限制的产业链时序数据，获得目标产业链时序数据集；
24、针对所述目标产业链时序数据集中各产业链时序数据，通过风险标签索引表进行风险标签索引确定，得到所述多个风险时序训练样例；其中，所述风险标签索引表中涵盖每个数据项对应的风险标签。
25、作为一种实施方式，所述通过在上一次还原时得到的集合还原状态与所述子集表征载体集合之间的关联评分，对所述子集表征载体集合进行载体聚焦处理，获得当前还原对应的数据依赖性表征载体，包括：
26、对所述集合还原状态与所述子集表征载体集合进行相似性评估，获得所述子集表征载体集合中各个子集表征载体分别对应的显著性评分；其中，每个显著性评分代表所述集合还原状态与相应子集表征载体之间的关联评分；
27、通过所述各个子集表征载体分别对应的显著性评分，对所述子集表征载体集合进行表征载体显著性调节，获得所述数据依赖性表征载体。
28、作为一种实施方式，对所述集合还原状态与所述子集表征载体集合进行相似性评估，获得所述子集表征载体集合中各个子集表征载体分别对应的显著性评分，包括：
29、将所述集合还原状态和所述各个子集表征载体分别关联到预设载体空间；
30、通过关联后的集合还原状态与所述各个子集表征载体在所述预设载体空间中的空间相似性，分别获得所述各个子集表征载体分别对应的显著性评分；空间相似性越大，显著性评分越高；
31、所述对所述集合还原状态与所述子集表征载体集合进行相似性评估，获得所述子集表征载体集合中各个子集表征载体分别对应的显著性评分，包括：
32、从上一次还原得到的显著性评分中确定显著性评分大于预设临界评分的产业链时序数据，或者显著性评分最大的产业链时序数据；
33、通过所述产业链时序数据，对所述子集表征载体集合进行分离，以从子集表征载体集合中排除所述产业链时序数据之前的数据子集；
34、对所述集合还原状态与分离好的所述子集表征载体集合进行相似性评估，获得所述分离好的所述子集表征载体集合中的各个子集表征载体分别对应的显著性评分；所述通过所述各个子集表征载体分别对应的显著性评分，对所述子集表征本文档来自技高网...
【技术保护点】
1.一种产业链时序数据存储分析方法，其特征在于，所述方法包括：
2.如权利要求1所述的方法，其特征在于，所述产业链时序数据存储分析方法通过调优完成的时序数据风险识别算法执行，所述方法还包括：
3.如权利要求2所述的方法，其特征在于，根据多个风险时序训练样例对数据低维映射算法包括的低维映射张量进行迭代调优，包括：
4.如权利要求1～3任一所述的方法，其特征在于，所述通过在上一次还原时得到的集合还原状态与所述子集表征载体集合之间的关联评分，对所述子集表征载体集合进行载体聚焦处理，获得当前还原对应的数据依赖性表征载体，包括：
5.如权利要求4所述的方法，其特征在于，对所述集合还原状态与所述子集表征载体集合进行相似性评估，获得所述子集表征载体集合中各个子集表征载体分别对应的显著性评分，包括：
6.如权利要求4所述的方法，其特征在于，通过所述各个子集表征载体分别对应的显著性评分，对所述子集表征载体集合进行表征载体显著性调节，获得所述数据依赖性表征载体，包括：
7.如权利要求1～3任一所述的方法，其特征在于，通过所述数据
8.如权利要求1～3任一所述的方法，其特征在于，对产业链时序数据包括的各数据子集进行表征载体提炼处理，获得相应的子集表征载体集合，包括：
9.如权利要求8所述的方法，其特征在于，对所述产业链时序数据进行风险表征载体抽取，获得相应的风险表征载体集合，包括：
10.一种数据存储分析系统，其特征在于，包括：
...【技术特征摘要】
1.一种产业链时序数据存储分析方法，其特征在于，所述方法包括：
2.如权利要求1所述的方法，其特征在于，所述产业链时序数据存储分析方法通过调优完成的时序数据风险识别算法执行，所述方法还包括：
3.如权利要求2所述的方法，其特征在于，根据多个风险时序训练样例对数据低维映射算法包括的低维映射张量进行迭代调优，包括：
4.如权利要求1～3任一所述的方法，其特征在于，所述通过在上一次还原时得到的集合还原状态与所述子集表征载体集合之间的关联评分，对所述子集表征载体集合进行载体聚焦处理，获得当前还原对应的数据依赖性表征载体，包括：
5.如权利要求4所述的方法，其特征在于，对所述集合还原状态与所述子集表征载体集合进行相似性评估，获得所述子集表征载体集合中各个子集...
【专利技术属性】
技术研发人员：钱晓钧，胡建国，
申请(专利权)人：北京国联视讯信息技术股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。