一种基于分布式物资供应下的物资抽检方法和装置制造方法及图纸

本发明专利技术涉及物资抽检技术，揭露了一种基于分布式物资供应下的物资抽检方法及装置，包括：逐个获取目标供应商的标准历史物资数据；从标准历史物资数据中分别提取出历史物资残差特征、历史物资周期特征以及历史物资趋势特征；分别计算出时序物资残差值、时序物资周期值以及时序物资趋势值，并计算出时序物资分析值，根据时序物资分析值对时序分析模型进行迭代优化，得到目标供应商对应的标准分析模型；获取目标供应商对应的实时物资数据，利用标准分析模型对实时物资数据进行分析，得到时序分析结果，根据时序分析结果为目标供应商指定物资抽检方法。本发明专利技术还提出一种基于分布式物资供应下的物资抽检装置。本发明专利技术可以提高物资抽检的效率。检的效率。检的效率。

【技术实现步骤摘要】
一种基于分布式物资供应下的物资抽检方法和装置


[0001]本专利技术涉及物资抽检
，尤其涉及一种基于分布式物资供应下的物资抽检方法和装置。

技术介绍

[0002]随着全球化程度的加剧，分布式物资供应凭借着成本优势成为了制造商的供应链中的重要组成部分，但为了确保供应物资的合格率，提高产品的良品率，需要对供应的物资进行抽检；现有的物资抽检技术多为基于人工的抽检，例如，通过统计供应商的个人信息数据，并由专业人员通过对过去的数据、资料的总结，结合自身经验进行分析和判断，作出抽检的判断，实际应用中，分布式物资供应拥有多个物资供应商，且每个物资供应商的良品率有所差别，单纯的基于人工的抽检可能导致抽检费时费力，导致对物资进行抽检的效率较低。

技术实现思路

[0003]本专利技术提供一种基于分布式物资供应下的物资抽检方法和装置，其主要目的在于解决对物资进行抽检的效率较低的问题。
[0004]为实现上述目的，本专利技术提供的一种基于分布式物资供应下的物资抽检方法，包括：逐个选取待抽检的物资供应商作为目标供应商，获取所述目标供应商的供应商历史物资数据，对所述供应商历史物资数据进行数据清洗以及数据填充，得到标准历史物资数据；对所述标准历史物资数据进行时序变换，得到时序历史物资数据，从所述时序历史物资数据中分别提取出历史物资残差特征、历史物资周期特征以及历史物资趋势特征；利用预设的时序分析模型分别计算出所述历史物资残差特征对应的时序物资残差值、所述历史物资周期特征对应的时序物资周期值以及所述历史趋势特征对应的时序物资趋势值；根据所述时序物资残差值、所述时序物资周期值以及所述时序物资趋势值计算出时序物资分析值，根据所述时序物资分析值和所述标准历史物资数据计算出所述时序分析模型对应的损失值，利用所述损失值对所述时序分析模型进行迭代优化，得到所述目标供应商对应的标准分析模型，其中，所述根据所述时序物资分析值和所述标准历史物资数据计算出所述时序分析模型对应的损失值，包括：计算出所述标准历史物资数据对应的抽检平均值；利用如下的分析损失值算法根据所述抽检平均值、所述时序物资分析值和所述标准历史物资数据计算出所述时序分析模型对应的损失值：
其中，是指所述损失值，是指所述标准历史物资数据对应的数据总数，且所述标准历史物资数据对应的数据总数和所述时序物资分析值对应的数据总数相同，是指第个，是指所述标准历史物资数据中的第个数据，是指所述时序物资分析值中的第个数据，是指所述抽检平均值；获取所述目标供应商对应的实时物资数据，利用所述标准分析模型对所述实时物资数据进行分析，得到时序分析结果，根据所述时序分析结果为所述目标供应商配置物资抽检方法，直至所述目标供应商为最后一个待抽检的物资供应商时，结束物资抽检。
[0005]可选地，所述对所述供应商历史物资数据进行数据清洗以及数据填充，得到标准历史物资数据，包括：从所述供应商历史物资数据中筛除越位数据以及乱码数据，得到初级历史物资数据；对所述初级历史物资数据中的缺失数据进行聚类填充，得到标准历史物资数据。
[0006]可选地，所述对所述初级历史物资数据中的缺失数据进行聚类填充，得到标准历史物资数据，包括：将所述初级历史物资数据拆分为若干个物资数据组，随机选取各物资数据组的中心数据，并计算所述初级历史物资数据中各数据与各物资数据组的所述中心数据之间的第一数据差值；根据所述第一数据差值以及就近原则对所述初级历史物资数据中的各数据进行分组，得到多个标准物资数据组；计算出各标准物资数据组对应的均值数据，并计算各标准物资数据组中各数据与对应的所述均值数据之间的第二数据差值；根据所述第二数据差值以及就近原则重新对所述初级历史物资数据中的各数据进行分组以重复迭代计算每组数据的均值数据，得到所述初级历史物资数据对应的多个聚类数据组；逐个选取所述初级历史物资数据中的缺失数据作为目标缺失数据，将所述目标缺失数据对应的聚类数据组作为目标聚类数据组；利用所述目标聚类数据组对应的均值数据替换所述目标缺失数据，直至所述目标缺失数据为所述初级历史物资数据中的最后一个所述缺失数据时，将更新后的所述初级历史物资数据作为标准历史物资数据。
[0007]可选地，所述从所述时序历史物资数据中分别提取出历史物资残差特征、历史物资周期特征以及历史物资趋势特征，包括：对所述时序历史物资数据进行平滑滤波，得到标准时序物资数据；根据所述标准时序物资数据配置分解周期，根据所述分解周期对所述标准时序物资数据进行滤波，得到历史物资周期特征；
根据所述历史物资周期特征的特征数量对所述标准时序物资数据进行滤波，得到历史物资趋势特征；根据所述历史物资周期特征和所述历史物资趋势特征对所述标准时序物资数据进行加权回归拟合，得到历史物资残差特征。
[0008]可选地，所述对所述时序历史物资数据进行平滑滤波，得到标准时序物资数据，包括：计算出所述时序历史物资数据的平均值，并根据所述平均值计算出所述时序历史物资数据的标准差；按照时序逐个选取所述时序历史物资数据作为目标时序数据，利用如下的平滑滤波公式计算出所述目标时序数据对应的卷积核：其中，所述是指所述卷积核中坐标值为的点对应的卷积权值，为圆周率系数，是指所述标准差，是指数函数符号，是指所述目标时序数据对应的横轴坐标值，是指所述目标时序数据对应的竖轴坐标值；利用所述卷积核对所述目标时序数据进行平滑滤波，得到目标滤波数据，并将所有的所述目标滤波数据汇集成标准时序物资数据。
[0009]可选地，所述根据所述历史物资周期特征和所述历史物资趋势特征对所述标准时序物资数据进行加权回归拟合，得到历史物资残差特征，包括：根据所述历史物资周期特征和所述历史物资趋势特征确定所述标准时序物资数据的拟合点；选取以所述拟合点为中心的若干个回归点，并计算出每个回归点的回归权重；根据各个所述回归点和各个所述回归点对应的所述回归权重进行多项式拟合，得到历史物资残差特征。
[0010]可选地，所述利用预设的时序分析模型分别计算出所述历史物资残差特征对应的时序物资残差值、所述历史物资周期特征对应的时序物资周期值以及所述历史趋势特征对应的时序物资趋势值，包括：利用预设的时序分析模型中的残差分析模型计算出所述历史物资残差特征对应的时序物资残差值；利用所述时序分析模型中的周期分析模型计算出所述历史物资周期特征对应的时序物资周期值；利用所述时序分析模型中的趋势分析模型计算出所述历史物资趋势特征对应的时序物资趋势值。
[0011]可选地，所述利用预设的时序分析模型中的残差分析模型计算出所述历史物资残差特征对应的时序物资残差值，包括：利用预设的时序分析模型中的残差分析模型的残差更新门计算出所述历史物资残差特征的残差更新特征；利用所述残差分析模型的残差重置门计算出所述历史物资残差特征的残差重置
特征；根据所述残差分析模型的残差记忆门和所述残差重置特征计算出所述历史物资残差特征的残差记忆特征；根据所述残差记忆特征和所述残差更新特征计算出所述历史物资残差特征对应的时序物资残差值。
[0012]可选地，所述利用所述损失值对本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于分布式物资供应下的物资抽检方法，其特征在于，所述方法包括：S1：逐个选取待抽检的物资供应商作为目标供应商，获取所述目标供应商的供应商历史物资数据，对所述供应商历史物资数据进行数据清洗以及数据填充，得到标准历史物资数据；S2：对所述标准历史物资数据进行时序变换，得到时序历史物资数据，从所述时序历史物资数据中分别提取出历史物资残差特征、历史物资周期特征以及历史物资趋势特征；S3：利用预设的时序分析模型分别计算出所述历史物资残差特征对应的时序物资残差值、所述历史物资周期特征对应的时序物资周期值以及所述历史趋势特征对应的时序物资趋势值；S4：根据所述时序物资残差值、所述时序物资周期值以及所述时序物资趋势值计算出时序物资分析值，根据所述时序物资分析值和所述标准历史物资数据计算出所述时序分析模型对应的损失值，利用所述损失值对所述时序分析模型进行迭代优化，得到所述目标供应商对应的标准分析模型，其中，所述根据所述时序物资分析值和所述标准历史物资数据计算出所述时序分析模型对应的损失值，包括：S41：计算出所述标准历史物资数据对应的抽检平均值；S42：利用如下的分析损失值算法根据所述抽检平均值、所述时序物资分析值和所述标准历史物资数据计算出所述时序分析模型对应的损失值：其中，是指所述损失值，是指所述标准历史物资数据对应的数据总数，且所述标准历史物资数据对应的数据总数和所述时序物资分析值对应的数据总数相同，是指所述标准历史物资数据中的第个数据，是指所述时序物资分析值中的第个数据，是指所述抽检平均值；S5：获取所述目标供应商对应的实时物资数据，利用所述标准分析模型对所述实时物资数据进行分析，得到时序分析结果，根据所述时序分析结果为所述目标供应商配置物资抽检方法，直至所述目标供应商为最后一个待抽检的物资供应商时，结束物资抽检。2.如权利要求1所述的基于分布式物资供应下的物资抽检方法，其特征在于，所述对所述供应商历史物资数据进行数据清洗以及数据填充，得到标准历史物资数据，包括：从所述供应商历史物资数据中筛除越位数据以及乱码数据，得到初级历史物资数据；对所述初级历史物资数据中的缺失数据进行聚类填充，得到标准历史物资数据。3.如权利要求2所述的基于分布式物资供应下的物资抽检方法，其特征在于，所述对所述初级历史物资数据中的缺失数据进行聚类填充，得到标准历史物资数据，包括：将所述初级历史物资数据拆分为若干个物资数据组，随机选取各物资数据组的中心数据，并计算所述初级历史物资数据中各数据与各物资数据组的所述中心数据之间的第一数据差值；根据所述第一数据差值以及就近原则对所述初级历史物资数据中的各数据进行分组，
得到多个标准物资数据组；计算出各标准物资数据组对应的均值数据，并计算各标准物资数据组中各数据与对应的所述均值数据之间的第二数据差值；根据所述第二数据差值以及就近原则重新对所述初级历史物资数据中的各数据进行分组以重复迭代计算每组数据的均值数据，得到所述初级历史物资数据对应的多个聚类数据组；逐个选取所述初级历史物资数据中的缺失数据作为目标缺失数据，将所述目标缺失数据对应的聚类数据组作为目标聚类数据组；利用所述目标聚类数据组对应的均值数据替换所述目标缺失数据，直至所述目标缺失数据为所述初级历史物资数据中的最后一个所述缺失数据时，将更新后的所述初级历史物资数据作为标准历史物资数据。4.如权利要求1所述的基于分布式物资供应下的物资抽检方法，其特征在于，所述从所述时序历史物资数据中分别提取出历史物资残差特征、历史物资周期特征以及历史物资趋势特征，包括：对所述时序历史物资数据进行平滑滤波，得到标准时序物资数据；根据所述标准时序物资数据配置分解周期，根据所述分解周期对所述标准时序物资数据进行滤波，得到历史物资周期特征；根据所述历史物资周期特征的特征数量对所述标准时序物资数据进行滤波，得到历史物资趋势特征；根据所述历史物资周期特征和所述历史物资趋势特征对所述标准时序物资数据进行加权回归拟合，得到历史物资残差特征。5.如权利要求4所述的基于分布式物资供应下的物资抽检方法，其特征在于，所述对所述时序历史物资数据进行平滑滤波，得到标准时序物资数据，包括：计算出所述时序历史物资数据的平均值，并根据所述平均值计算出所述时序历史物资数据的标准差；按照时序逐个选取所述时序历史物资数据作为目标时序数据，利用如下的平滑滤波公式计算出所述目标时序数据对应的卷积核：其中，所述是指所述卷积核中坐标值为的点对应的卷积权值，为圆周率系数，是指所述标准差，...

【专利技术属性】
技术研发人员：姜磊，林恺，梁立江，郑静楠，
申请(专利权)人：佰聆数据股份有限公司，
类型：发明
国别省市：