【技术实现步骤摘要】
本专利技术涉及供应链管理，更具体地说，它涉及一种基于人工智能的供应链管理系统。
技术介绍
1、传统的工业配件的供应链管理系统通常是通过采购部门收集不同工业配件类型对应的供应商信息，并将供应商信息上报给上级审批人员进行审批，通过人工审批的方式完成对不同工业配件类型的供应商的筛选，然而这种方式存在信息滞后、决策效率低下的问题，并且人工审批的方式受主观性差异的影响，可能无法使得当前企业的利益最大化。
2、公开号为cn118052590a，专利名称为一种基于ai的汽车零部件供应链管理系统的中国专利，公开了：基于供应链中不同厂商类型的工作参数构建图网络数据，再通过图神经网络模型对图网络数据进行信息聚合获得不同生产厂商之间的预测评分，再通过蚁群算法获得预测评分最高的供应链。
3、上述方案虽然解决了传统供应链管理系统的弊端，但是上述方案主要侧重于不同厂商类型的工作参数的静态分析，缺乏对时间序列数据的有效建模和预测能力，导致其预测精度不高。
技术实现思路
1、本专利技术提供一种基于人工智能的供应链管理系统，解决上述
技术介绍
中的技术问题。
2、本专利技术提供了一种基于人工智能的供应链管理系统，包括：
3、数据采集模块，其用于在预设时间段t内，按照预设时间间隔t采集当前厂商和m个供应商的第一数据；
4、第一数据包括：厂商类型、产品单价、产品生产数量、产品库存数量、产品销售数量、产品合格率和产品生产成本；
5、数据预处理模块，其用于
6、特征矩阵的第i行的第j列的元素值表示第i个供应商或者当前厂商在第j个时间点的第二数据，其中1≤i≤m+1，1≤j≤n，n＝t/t；
7、第二数据在第一数据经过预处理后获得；
8、图结构数据构建模块，其用于根据特征矩阵构建图结构数据；
9、图结构数据包括：节点、节点的初始特征和节点之间的边；
10、节点包括：第一节点和第二节点；
11、第一节点与当前厂商建立数据联系；
12、第二节点与供应商建立数据联系；
13、第k个节点的初始特征通过特征矩阵的第k行的第1列到第n列的元素值来表示，其中1≤k≤m+1；
14、匹配预测模块，其用于将图结构数据输入到匹配度预测模型中，输出的值表示m个供应商与当前厂商的匹配度；
15、匹配度的取值范围为0到100，匹配度越大表示供应商与当前厂商的匹配程度越高；
16、供应链方案生成模块，其用于根据m个供应商与当前厂商的匹配度生成供应链方案。
17、进一步地，t、t和m均为自定义参数。
18、进一步地，供应商的产商类型根据当前产商的产商类型决定。
19、进一步地，第一数据经过预处理获得第二数据，包括以下步骤：
20、步骤s201，通过独热编码对第一数据中的厂商类型进行编码；
21、步骤s202，通过取平均值对第一数据中的缺失值进行填充；
22、步骤s203，通过标准分数转换对第一数据中除了厂商类型的其他数据类型进行归一化处理获得第二数据。
23、进一步地，节点之间的边包括：
24、第一节点与第二节点之间均构建边表示第一节点所数据联系的当前厂商与第二节点所数据联系的供应商之间存在潜在的合作关系；
25、第一节点与第二节点之间构建边表示第二节点所数据联系的供应商的产品单价小于第一阈值或者产品销售数量大于等于第二阈值，其中第一阈值和第二阈值均为自定义参数；
26、第二节点之间构建边表示第二节点所数据联系的供应商之间的厂商类型相同。
27、进一步地，匹配度预测模型包括：m+1个第一隐藏层、1个逻辑层、1个第二隐藏层、1个提取层和m个第一分类器；
28、每个第一隐藏层都包括n个隐藏单元，每个第一隐藏层都共享权重参数和偏置参数；
29、第u个第一隐藏层的第v个隐藏单元输入图结构数据的第u个节点的初始特征对应特征矩阵的第u行的第v列的元素值，输出第一更新特征；
30、逻辑层用于将m+1个第一隐藏层的第n个隐藏单元输出的第一更新特征进行堆叠获得第一更新矩阵；
31、第二隐藏层输入第一更新矩阵，输出第二更新矩阵，第二更新矩阵包括m+1个行向量，每个行向量对应图结构数据的一个节点的第二更新特征；
32、提取层用于提取第二更新矩阵中m个第二节点对应的第二更新特征；
33、m个第一分类器分别输入m个第二节点对应的第二更新特征，输出的值表示m个供应商与当前厂商的匹配度，每个第一分类器都共享权重参数和偏置参数；
34、定义：1≤u≤m+1，1≤v≤n。
35、进一步地，匹配度预测模型的计算公式包括：
36、第u个第一隐藏层的第v个隐藏单元的计算公式包括：
37、
38、
39、
40、
41、
42、
43、其中和分别表示第u个第一隐藏层的第v个隐藏单元的遗忘门、输入门、第一中间特征、第二中间特征和输出门，和分别表示第u个第一隐藏层的第v个隐藏单元的第一权重参数、第二权重参数、第三权重参数、第四权重参数、第五权重参数、第六权重参数、第七权重参数和第八权重参数，和分别表示第u个第一隐藏层的第v个隐藏单元的第一偏置参数、第二偏置参数、第三偏置参数和第四偏置参数，表示第u个第一隐藏层的第v个隐藏单元输入图结构数据的第u个节点的初始特征对应特征矩阵的第u行的第v列的元素值，和表示第u个第一隐藏层的第v个隐藏单元和第v-1个隐藏单元输出的第一更新特征，赋值为0，表示第u个第一隐藏层的第v个隐藏单元的第二中间特征，赋值为0，⊙表示逐点相乘，sigmoid表示sigmoid激活函数，tanh表示双曲正切激活函数；
44、第二隐藏层的计算公式包括：
45、
46、
47、其中1≤p≤m+1，s表示第二更新矩阵，表示第p个节点的第二更新特征，表示第p个第一隐藏层的第n个隐藏单元输出的第一更新特征，pilem+1表示将m+1个节点进行堆叠操作，np表示与第p个节点存在边连接的节点的集合，wp和bp表示第p个节点的权重参数和偏置参数，wq表示第q个节点的权重参数，dpq表示第p个节点和第q个节点之间的边的数量。
48、进一步地，将多个专家同时对同一个供应商进行评估获得的匹配度的平均值作为用于训练匹配度预测模型的训练样本的样本标签。
49、进一步地，在匹配度预测模型训练之前对其进行预训练，在匹配度预测模型的预训练过程中，在匹配度预测模型的第一隐藏层连接一个第二分类器，第二分类器的分类标签表示当前厂商或者供应商在下一个时间点的营业额，第二分类器的分类标签通过采集当前厂商或者供应商在历史时间点的本文档来自技高网...
【技术保护点】
1.一种基于人工智能的供应链管理系统，其特征在于，包括：
2.根据权利要求1所述的一种基于人工智能的供应链管理系统，其特征在于，T、t和M均为自定义参数。
3.根据权利要求1所述的一种基于人工智能的供应链管理系统，其特征在于，供应商的产商类型根据当前产商的产商类型决定。
4.根据权利要求1所述的一种基于人工智能的供应链管理系统，其特征在于，第一数据经过预处理获得第二数据，包括以下步骤：
5.根据权利要求1所述的一种基于人工智能的供应链管理系统，其特征在于，节点之间的边包括：
6.根据权利要求1所述的一种基于人工智能的供应链管理系统，其特征在于，匹配度预测模型包括：M+1个第一隐藏层、1个逻辑层、1个第二隐藏层、1个提取层和M个第一分类器；
7.根据权利要求6所述的一种基于人工智能的供应链管理系统，其特征在于，匹配度预测模型的计算公式包括：
8.根据权利要求1所述的一种基于人工智能的供应链管理系统，其特征在于，将多个专家同时对同一个供应商进行评估获得的匹配度的平均值作为用于训练匹配度预测模型的训练样
9.根据权利要求6所述的一种基于人工智能的供应链管理系统，其特征在于，在匹配度预测模型训练之前对其进行预训练，在匹配度预测模型的预训练过程中，在匹配度预测模型的第一隐藏层连接一个第二分类器，第二分类器的分类标签表示当前厂商或者供应商在下一个时间点的营业额，第二分类器的分类标签通过采集当前厂商或者供应商在历史时间点的营业额获得。
10.根据权利要求1所述的一种基于人工智能的供应链管理系统，其特征在于，分别为每个厂商类型选择1个与当前厂商的匹配度最大的供应商生成供应链方案。
...【技术特征摘要】
1.一种基于人工智能的供应链管理系统，其特征在于，包括：
2.根据权利要求1所述的一种基于人工智能的供应链管理系统，其特征在于，t、t和m均为自定义参数。
3.根据权利要求1所述的一种基于人工智能的供应链管理系统，其特征在于，供应商的产商类型根据当前产商的产商类型决定。
4.根据权利要求1所述的一种基于人工智能的供应链管理系统，其特征在于，第一数据经过预处理获得第二数据，包括以下步骤：
5.根据权利要求1所述的一种基于人工智能的供应链管理系统，其特征在于，节点之间的边包括：
6.根据权利要求1所述的一种基于人工智能的供应链管理系统，其特征在于，匹配度预测模型包括：m+1个第一隐藏层、1个逻辑层、1个第二隐藏层、1个提取层和m个第一分类器；
7.根据权利要求6所述的一种基于人...
【专利技术属性】
技术研发人员：陈毓生，李红，凌佳旭，
申请(专利权)人：深圳工融互联数字科技有限公司，
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。