一种出货预警方法、装置、设备及存储介质制造方法及图纸

本申请实施例公开一种出货预警方法、装置、设备及存储介质。该方法包括：通过多个预先训练好的卷积窗口对当前时刻的多维时间序列进行滑动卷积，根据卷积次数和每次的卷积结果确定各个卷积窗口的第一卷积特征，各个卷积窗口的高度不同，多维时间序列的每一维度的时间序列对应一个仓库的历史流速数据；将各个卷积窗口的第一卷积特征输入预先训练的注意力模型中，得到注意力模型输出的加权特征；将加权特征输入预先训练好的全连接层，得到全连接层输出的异常预测结果，根据异常预测结果确定各个仓库的出货流速状态。采用上述技术手段，解决现有出货流速预测技术的预测结果不够全面准确的问题。准确的问题。准确的问题。

【技术实现步骤摘要】
一种出货预警方法、装置、设备及存储介质


[0001]本申请实施例涉及供应链管理
，尤其涉及一种出货预警方法、装置、设备及存储介质。

技术介绍

[0002]物料分仓出货流速是供应链管理中至关重要的环节。准确的出货流速预测能够更好的帮助供应链管理人员在发现出货系统出现异常时，及时调整物料的在途数、库存数以及需求数，保证物料的正常供应，实现智能化的仓储管理。
[0003]现有的出货流速预测技术主要通过时间序列预测算法对出货流速进行预测。但专利技术人发现，现有的时间序列预测模型只是简单的利用消耗量的时间序列建模然后根据阈值进行异常检测。基于消耗量建立的时间序列模型没有考虑其他因素对需求量的影响，预测结果不能反应其他因素对需求量的影响，预测结果不够全面准确，降低异常检测结果的准确性。

技术实现思路

[0004]本申请实施例提供一种出货预警方法、装置、设备及存储介质，解决现有出货流速预测技术的预测结果不够全面准确的问题，提高异常检测结果的准确性。
[0005]在第一方面，本申请实施例提供了一种出货预警方法，包括：
[0006]通过多个预先训练好的卷积窗口对当前时刻的多维时间序列进行滑动卷积，根据卷积次数和每次的卷积结果确定各个所述卷积窗口的第一卷积特征，各个所述卷积窗口的高度不同，所述多维时间序列的每一维度的时间序列对应一个仓库的历史流速数据；
[0007]将各个所述卷积窗口的第一卷积特征输入预先训练的注意力模型中，得到所述注意力模型输出的加权特征；
[0008]将所述加权特征输入预先训练好的全连接层，得到所述全连接层输出的异常预测结果，根据所述异常预测结果确定各个仓库的出货流速状态。
[0009]在第二方面，本申请实施例提供了一种出货预警装置，包括：
[0010]滑窗卷积模块，被配置为通过多个预先训练好的卷积窗口对当前时刻的多维时间序列进行滑动卷积，根据卷积次数和每次的卷积结果确定各个所述卷积窗口的第一卷积特征，各个所述卷积窗口的高度不同，所述多维时间序列的每一维度的时间序列对应一个仓库历史流速数据；
[0011]注意力加权模块，被配置为将各个所述卷积窗口的第一卷积特征输入预先训练的注意力模型中，得到所述注意力模型输出的加权特征；
[0012]异常预测模块，被配置为将所述加权特征输入预先训练好的全连接层，得到所述全连接层输出的异常预测结果，根据所述异常预测结果确定各个仓库的出货流速状态。
[0013]在第三方面，本申请实施例提供了一种出货预警设备，包括：
[0014]一个或多个处理器；
[0015]存储器，用于存储一个或多个程序；
[0016]当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如第一方面所述的出货预警方法。
[0017]在第四方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如第一方面所述的出货预警方法。
[0018]上述出货预警方法、装置、设备及存储介质，通过多种结构的卷积窗口捕获不同时间段的多维特征的相互影响关系，并基于注意力机制对不同结构的卷积窗口进行自适应选择，使得模型能够自主学习不同时间段的多维特征对当前时刻的出货流速的影响程度。通过上述技术手段，充分考虑了多个仓库的出货流速在不同时间段的相互影响，以获取更加全面准确的卷积特征，通过注意力机制自主学习对当前时刻影响程度更高的卷积特征，以获取更加准确的加权特征，将加权特征输入全连接层，以获取更加准确的预测结果，提高预测结果的全面性和准确性。
附图说明
[0019]图1是本申请一个实施例提供的一种出货预警方法的流程图；
[0020]图2是本申请实施例提供的滑动卷积的模型示意图；
[0021]图3是本申请实施例提供的加权处理的模型示意图；
[0022]图4是本申请实施例提供的异常检测的模型示意图；
[0023]图5是本实施例提供的多变量时间序列卷积网络的模型示意图；
[0024]图6是本申请一个实施例提供的一种出货预警装置的结构示意图；
[0025]图7是本申请一个实施例提供的一种出货预警设备的结构示意图。
具体实施方式
[0026]下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例用于解释本申请，而非对本申请的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本申请相关的部分而非全部结构。
[0027]需要说明的是，在本文中，诸如第一和第二之类的关系术语仅仅用来将一个实体或操作或对象与另一个实体或操作或对象区分开来，而不一定要求或者暗示这些实体或操作或对象之前存在任何这种实际的关系或顺序。例如，第一样本集和第二样本集的“第一”和“第二”用来区分不同的样本集合。
[0028]本申请实施例中提供的出货预警方法可以由出货预警设备执行，该出货预警设备可以通过软件和/或硬件的方式实现，该出货预警设备可以是两个或多个物理实体构成，也可以是一个物理实体构成。例如，出货预警设备可以是电脑这一类智能设备。
[0029]出货预警设备安装有至少一类操作系统，其中，操作系统包括但不限定于安卓系统、Linux系统及Windows系统。出货预警设备可以基于操作系统安装至少一个应用程序，应用程序可以为操作系统自带的应用程序，也可以为从第三方设备或者服务器中下载的应用程序，实施例中，出货预警设备至少按照有可以执行出货预警方法的应用程序，因此，出货预警设备也可以是应用程序本身。
[0030]为了便于理解，实施例中以电脑为出货预警设备进行示例性描述。
[0031]图1是本申请一个实施例提供的一种出货预警方法的流程图。参考图1，该出货预警方法包括：
[0032]S110、通过多个预先训练好的卷积窗口对当前时刻的多维时间序列进行滑动卷积，根据卷积次数和每次的卷积结果确定各个所述卷积窗口的第一卷积特征，各个所述卷积窗口的高度不同，所述多维时间序列的每一维度的时间序列对应一个仓库的历史流速数据。
[0033]示例性的，目前大多数的时序预测流速异常方法都是基于单个仓库的时间序列对该仓库进行异常检测。但在实际的供应链管理系统中，各个仓库之间的出库流速是相互影响的，比如供应链管理系统中的仓库A缺货时，除了从工厂补货外还可能从就近的仓库B调拨补货，因此各个仓库间的相互影响对仓库的异常预测也十分重要，甚至影响各个仓库的预测结果的准确度。除此之外，不同时间段的各个仓库间的相互影响程度也不同，比如仓库A缺货时，其想要从就近的仓库B调拨补货，而刚好该时间段内就近仓库B只能保证自身的正常出货而不能调给仓库A，仓库A要从稍微远点的仓库C调货，此时仓库A的出货流速会稍微降低。对此，本实施例提供一种出货预警方法，充分考虑了多个仓库的出货流速在不同时间段的相互影响，通过不同结构的卷积窗口与供应链管理系统中所有仓库的多维时间序列进行卷积，以提取更加全面的卷积特征。
[003本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种出货预警方法，其特征在于，包括：通过多个预先训练好的卷积窗口对当前时刻的多维时间序列进行滑动卷积，根据卷积次数和每次的卷积结果确定各个所述卷积窗口的第一卷积特征，各个所述卷积窗口的高度不同，所述多维时间序列的每一维度的时间序列对应一个仓库的历史流速数据；将各个所述卷积窗口的第一卷积特征输入预先训练的注意力模型中，得到所述注意力模型输出的加权特征；将所述加权特征输入预先训练好的全连接层，得到所述全连接层输出的异常预测结果，根据所述异常预测结果确定各个仓库的出货流速状态。2.根据权利要求1所述的方法，其特征在于，各个所述卷积窗口包括相同数量的卷积核；相应的，所述通过多个预先训练好的卷积窗口对当前时刻的多维时间序列进行滑动卷积包括：在每次卷积时，将所述卷积窗口的每个卷积核与所述多维时间序列中对应的多维子序列进行一维卷积，将一维卷积结果进行池化处理得到每个卷积核对应的特征值；将所述卷积窗口的每个卷积核在同一次卷积时得到特征值组合成特征向量，得到所述卷积窗口对应于该次卷积的卷积结果。3.根据权利要求1所述的方法，其特征在于，所述历史流速数据包括当前时刻之前的预设时间段内的每一时间节点的出货流速，各个所述卷积窗口以预设步长进行滑动；相应的，所述根据卷积次数和每次的卷积结果确定各个所述卷积窗口的第一卷积特征包括：根据各个所述卷积窗口的高度、所述多维时间序列的长度和滑动步长，确定各个所述卷积窗口历遍所述多维时间序列的卷积次数；根据所述卷积次数确定各个所述卷积窗口的第二卷积特征的维度数，所述第二卷积特征由每次的卷积结果组合得到；确定各个所述第二卷积特征的最小维度数，对维度数大于所述最小维度数的第二卷积特征进行卷积截取，以将该第二卷积特征的维度数压缩至所述最小维度数，得到各个所述卷积窗口的第一卷积特征。4.根据权利要求1所述的方法，其特征在于，所述注意力模型包括多个预先训练好的第一权重矩阵，所述第一权重矩阵的数量与所述第一卷积特征的维度数相同；相应的，所述将各个所述卷积窗口的第一卷积特征输入预先训练的注意力模型中，得到所述注意力模型输出的加权特征包括：获取各个所述第一卷积特征的同一维度的特征向量，将每个维度的各个特征向量分别与对应第一权重矩阵的对应行向量相乘并归一化，得到每个特征向量的权重系数；将每个维度的各个特征向量与对应的权重系数进行加权求和，得到每个维度的加权特征。5.根据权利要求1所述的方法，其特征在于，所述全连接层包括预先训练好的第二权重矩阵；相应的，所述将所述加权特征输入预先训练好的全连接层，得到所述全连接层输出的异常预测结果包括：
通过预设的连接函数将各个维度的加权特征进行连接，并将连接的加权特征输入所述全连接层；将...

【专利技术属性】
技术研发人员：陈俊伍，
申请(专利权)人：广州视源人工智能创新研究院有限公司，
类型：发明
国别省市：