【技术实现步骤摘要】
本专利技术涉及供应链韧性评估，具体是指基于人工智能的供应链韧性评估方法及系统。
技术介绍
1、供应链韧性评估是衡量供应链在面临风险和突发事件时保持正常运作、迅速恢复和适应变化的能力。通过评估，企业能够识别潜在的脆弱环节，优化资源配置和应急响应策略，提高供应链的响应速度和恢复能力，从而减少外部冲击对业务的影响，提升竞争力。
2、然而，传统的供应链韧性评估方法存在面对复杂、高维且非线性的供应链时序数据时，难以自动捕捉到数据中的潜在模式和复杂关系，供应链时序数据的多尺度特性和局部依赖关系难以有效建模的技术问题；传统的供应链韧性评估方法存在面对数据维度较大的供应链时序数据时，计算复杂度高，且在多变量和多尺度数据分析时，无法有效提取潜在的全局和局部特征，导致模型性能不稳定的技术问题。
技术实现思路
1、针对上述情况，为克服现有技术的缺陷，本专利技术提供了基于人工智能的供应链韧性评估方法及系统，针对传统的供应链韧性评估方法存在面对复杂、高维且非线性的供应链时序数据时，难以自动捕捉到数据中的潜在模式和复杂关系，供应链时序数据的多尺度特性和局部依赖关系难以有效建模的技术问题，本方案创造性地采用了基于鹿群优化算法将供应链时序数据转换为rgb图像数据进行处理的方法，在最大程度保留特征信息的基础上，能够将复杂的时间序列模式转化为图像空间特征，使得传统的时序分析方法无法捕捉到的非线性关联和动态变化得以显示；针对传统的供应链韧性评估方法存在面对数据维度较大的供应链时序数据时，计算复杂度高，且在多
2、本专利技术采取的技术方案如下：本专利技术提供的基于人工智能的供应链韧性评估方法，该方法包括以下步骤：
3、步骤s1：数据采集；
4、步骤s2：数据预处理；
5、步骤s3：时序数据转换；
6、步骤s4：韧性评估模型构建；
7、步骤s5：供应链韧性评估。
8、进一步地，在步骤s1中，所述数据采集，用于采集评估供应链韧性所需的原始数据，具体为通过数据采集，得到韧性评估原始数据集；
9、所述韧性评估原始数据集，具体包括供应链结构数据、供应链运营数据、外部环境数据、企业财务数据和供应链风险数据，所述供应链结构数据，具体包括供应商数量、供应商地理位置、供应商合作模式和供应商可替代性，所述供应链运营数据，具体包括运营订单数据、产量波动数据、生产线冗余度和需求波动数据，所述外部环境数据，具体包括物流效率和市场需求波动数据，所述企业财务数据，具体包括企业财务状况数据、企业库存周转率和企业资金流动数据，所述供应链风险数据，具体包括供应链停止次数、供应链恢复时长和供应链恢复成本。
10、进一步地，在步骤s2中，所述数据预处理，用于对采集到的原始数据进行预处理，具体包括以下步骤：
11、步骤s21：数据清洗，用于清洗原始数据，具体为去除所述韧性评估原始数据集中的缺失值和重复值，得到粗处理数据集；
12、步骤s22：数据标注，用于标注粗处理数据，具体为标注所述粗处理数据集中的数据为劣等、良等和优等，并作为数据标签，得到标注数据集；
13、步骤s23：数据编码，用于对标注数据进行编码，具体为采用独热编码法对所述标注数据集进行数据编码，得到编码数据集；
14、步骤s24：数据归一化，用于对编码数据进行归一化，具体为采用最小-最大法对所述编码数据集进行数据归一化，得到韧性评估初步数据集；
15、步骤s25：进行预处理，具体为通过所述数据清洗、所述数据标注、所述数据编码和所述数据归一化，对所述韧性评估原始数据集进行预处理，得到韧性评估初步数据集。
16、进一步地，在步骤s3中，所述时序数据转换，用于将初步数据中的时间序列数据转换为rgb图像数据，具体为将所述韧性评估初步数据集中的时间序列数据转换为格拉米安角场图像数据，并基于鹿群优化算法，将格拉米安角场图像数据转换为rgb图像数据；
17、所述时序数据转换，具体包括以下步骤：
18、步骤s31：初步转换，具体为将所述韧性评估初步数据集中的时间序列数据转换为格拉米安角场图像数据，步骤包括：
19、步骤s311：转换为极坐标形式，所用公式如下：
20、；
21、式中，表示第a个时间序列数据在t时间点的值，表示第a个时间序列数据在t时间点的值转换成的角度值，表示反余弦函数，a表示时间序列数据的索引，t表示时间序列数据时间点的索引；
22、步骤s312：构建格拉米安角场矩阵，所用公式如下：
23、；
24、式中，gaf表示格拉米安角场矩阵，其元素为时间序列数据在不同时间点的值转换成的角度之间的相似度，表示格拉米安角场矩阵第行第列的元素，为时间序列数据在时间点的值和时间点的值转换成的角度之间的相似度，表示第a个时间序列数据在时间点的值转换成的角度值，表示第a个时间序列数据在时间点的值转换成的角度值；
25、步骤s313：构建格拉米安角场图像数据，具体为通过所述转换为极坐标形式和所述构建格拉米安角场矩阵，对所述韧性评估初步数据集中的时间序列数据进行处理，得到格拉米安角场图像数据集；
26、步骤s32：图像数据降维，用于对格拉米安角场图像数据进行数据降维，具体为基于鹿群优化算法将所述格拉米安角场图像数据集中的多通道图像数据降维为三通道图像数据，以便于进一步转换为rgb图像数据；
27、所述图像数据降维，步骤包括：
28、步骤s321：设计通道映射，所用公式如下：
29、；
30、式中，表示rgb图像数据的r通道，表示rgb图像数据的g通道，表示rgb图像数据的b通道，c表示格拉米安角场图像数据的通道数，表示第b个格拉米安角场图像数据的通道映射为r通道的映射权重，表示第b个格拉米安角场图像数据的通道映射为g通道的映射权重，表示第b个格拉米安角场图像数据的通道映射为b通道的映射权重，表示第b个格拉米安角场图像数据的通道；
31、步骤s322：初始化鹿群优化算法，步骤包括：
32、步骤s3221：初始化搜索空间，具体为构造鹿单元集，并初始化鹿单元初始位置矩阵，所述鹿单元，用于表示格拉米安角场图像数据映射为三通道的权重组合，其在不同维度上的位置表示格拉米安角场图像数据不同通道映射为三通道的权重值，所述鹿单元初始位置矩阵，表示如下：
33、；
34、式中，表示鹿单元初始位置矩阵，表示第m个鹿单元在第n个维度上的位置，表示第m个鹿单元在第n个维度上的位置，表示第一个鹿单元的位置，表示第二个鹿单元的位置，表示第本文档来自技高网...
【技术保护点】
1.基于人工智能的供应链韧性评估方法，其特征在于：该方法包括以下步骤：
2.根据权利要求1所述的基于人工智能的供应链韧性评估方法，其特征在于：所述时序数据转换，具体包括以下步骤：
3.根据权利要求2所述的基于人工智能的供应链韧性评估方法，其特征在于：所述图像数据降维，步骤包括：
4.根据权利要求2所述的基于人工智能的供应链韧性评估方法，其特征在于：韧性评估模型构建，具体包括以下步骤：
5.根据权利要求1所述的基于人工智能的供应链韧性评估方法，其特征在于：在步骤S1中，所述数据采集，用于采集评估供应链韧性所需的原始数据，具体为通过数据采集，得到韧性评估原始数据集；
6.根据权利要求1所述的基于人工智能的供应链韧性评估方法，其特征在于：在步骤S2中，所述数据预处理，用于对采集到的原始数据进行预处理，具体包括以下步骤：
7.根据权利要求1所述的基于人工智能的供应链韧性评估方法，其特征在于：在步骤S5中，所述供应链韧性评估，具体为通过所述韧性评估模型对供应链韧性进行评估，得到供应链韧性等级参考数据，并基于所述供应链韧
8.基于人工智能的供应链韧性评估系统，用于实现如权利要求1-7中任一项所述的基于人工智能的供应链韧性评估方法，其特征在于：包括数据采集模块、数据预处理模块、时序数据转换模块、韧性评估模型构建模块和供应链韧性评估模块。
9.根据权利要求8所述的基于人工智能的供应链韧性评估系统，其特征在于：所述数据采集模块，用于数据采集，通过数据采集，得到韧性评估原始数据集，并将所述韧性评估原始数据集发送至数据预处理模块；
...【技术特征摘要】
1.基于人工智能的供应链韧性评估方法，其特征在于：该方法包括以下步骤：
2.根据权利要求1所述的基于人工智能的供应链韧性评估方法，其特征在于：所述时序数据转换，具体包括以下步骤：
3.根据权利要求2所述的基于人工智能的供应链韧性评估方法，其特征在于：所述图像数据降维，步骤包括：
4.根据权利要求2所述的基于人工智能的供应链韧性评估方法，其特征在于：韧性评估模型构建，具体包括以下步骤：
5.根据权利要求1所述的基于人工智能的供应链韧性评估方法，其特征在于：在步骤s1中，所述数据采集，用于采集评估供应链韧性所需的原始数据，具体为通过数据采集，得到韧性评估原始数据集；
6.根据权利要求1所述的基于人工智能的供应链韧性评估方法，其特征在于：在步骤s2中，所述数据预处理，用于...
【专利技术属性】
技术研发人员：戴博，杨冬，龙昭达，丰帅，曹万里，杨玫，黄思颖，李穿，
申请(专利权)人：湖南工商大学，
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。