一种基于大数据和人工智能的供应链风险控制系统及方法技术方案

本发明专利技术公开了一种基于大数据和人工智能的供应链风险控制系统及方法，属于供应链风险控制技术领域。本系统包括：供应链数据调用模块、供应链例外分析模块、备用供应节点智能处理模块、风险预警模块；所述供应链数据调用模块的输出端与所述供应链例外分析模块的输入端相连接；所述供应链例外分析模块的输出端与所述备用供应节点智能处理模块的输入端相连接；所述备用供应节点智能处理模块的输出端与所述风险预警模块的输入端相连接。本申请能够提前分析供应链例外下设置的备用供应节点的合理性，能够有效提高对于备用供应节点的监测与设置，提高供应链在面对风险时的承受能力，减少损失。减少损失。减少损失。

【技术实现步骤摘要】
一种基于大数据和人工智能的供应链风险控制系统及方法


[0001]本专利技术涉及供应链风险控制
，具体为一种基于大数据和人工智能的供应链风险控制系统及方法。

技术介绍

[0002]当今供应链本质上倾向于全球化、在复杂的数以万计的全球各个国家和地区的公司和设施之间相互影响和流动、并在各行各业中运转。涉及整个链条各个环节的供应与需求，原材料与备品备件的采购、制造装配与物件的存放及库存查询、订单的录入与管理、渠道与分销及最终交付用户等。供应链上的各环节环环相扣、彼此依赖、相互影响，任何一个环节出现问题都可能波及其他环节、从而影响整个供应链的正常运作。
[0003]而在目前，绝大多数的供应链故障的发生是因为供应和需求的中断，在供应链的各个环节下均容易出现供应链例外，一旦供应链例外产生，一般会对企业造成较大的打击，目前大量企业对供应链进行风险控制的手段是采用备用的供应节点，然而，对备用供应节点的选择却缺乏一定的标准，考虑不到当前供应链下的供应链例外对于备用供应节点的影响，以及启用备用供应节点对原供应链的其他供应节点的影响，造成供应链依然无法正常运作，影响整个流程运转。

技术实现思路

[0004]本专利技术的目的在于提供一种基于大数据和人工智能的供应链风险控制系统及方法，以解决上述
技术介绍
中提出的问题。
[0005]为了解决上述技术问题，本专利技术提供如下技术方案：一种基于大数据和人工智能的供应链风险控制方法，该方法包括以下步骤：S1、获取当前供应链上的所有供应节点信息数据以及每个供应节点对应的备用供应节点信息数据；S2、构建每个供应节点出现供应链例外的概率模型，生成出现供应链例外的供应节点的最优因素，若最优因素对相应的备用供应节点存在影响，标记该备用供应节点，计算供应链例外下同时出现标记备用供应节点的数量达到系统设置数量阈值时的最大概率P1；S3、构建供应赤字风险模型，判断两个备用供应节点之间的关联性，输出供应链在供应链例外下的供应目标改变值Q1；所述供应链例外包括生产中断、物流中断、信用中断；S4、设定风险预警提醒，在供应目标改变值Q1超出系统预设风险阈值时或最大概率P1超出系统预设概率阈值时，输出风险警告至管理员端口，提醒管理员管理备用供应节点。
[0006]根据上述技术方案，所述每个供应节点出现供应链例外的概率模型包括：获取供应节点的特征数据，所述特征数据包括地理位置、产能规模和经济信用程度；其中地理位置主要包括供应节点的地理交通情况，对运输方式、运输时间、运输费
用等内容进行分析；产能规模主要指供应节点的规模，产品生产能力；经济信用程度主要包括经济、财务报表以及负债情况等等；调用数据库中的历史数据，选取与当前供应节点的特征数据满足相似度阈值的供应节点：，其中，x0代表当前供应节点；y0代表数据库中的任一供应节点；sim(x0、y0)代表两节点的相似度；x
i
代表x0的特征数据归一化值；y
i
代表y0的特征数据归一化值；在数据库对任一个供应节点选取N组满足相似度阈值的供应节点，记为测试数据集合A；对测试数据集合A中出现供应链例外的数据进行调取，分别获取出现供应链例外的类型并记录；将测试数据集合A中的供应节点随机分为三组，每一组对应一种供应链例外的类型，在每一组中，只有出现供应链例外的类型与对应的供应链例外的类型相同的供应节点被记为故障节点，分别计算每一组的故障节点概率，记为P（B）、P（C）、P（D）；计算供应节点出现供应链例外的概率模型：P（M
T
）=P（f
T
）*P（M丨E
T
）/[∑P（M丨E
T
）*]P（f
T
）；其中，P（M
T
）记为供应节点出现第T种供应链例外的概率；T代表供应链例外的种类，取值为1、2、3；P（M丨E
T
）代表组内供应节点数量占比；P（f
T
）代表故障节点概率；选取最大的P（M
T
）对应的供应链例外类型作为最优因素，分别计算供应节点与备用供应节点的最优因素，若相同，判断为供应节点的最优因素对相应的备用供应节点存在影响，标记该备用供应节点；计算供应链例外下同时出现标记备用供应节点的数量达到系统设置数量阈值时的最大概率P1：P1=P（M
T
）1*P（M
T
）2*
……
*P（M
T
）
m
；其中，m代表系统设置数量阈值；P（M
T
）1、P（M
T
）2、
……
、P（M
T
）
m
分别代表每个供应节点取最优因素时的概率值。
[0007]根据上述技术方案，所述供应赤字风险模型包括：Q1=[k1*(S1‑
S
11
)+k2*(S2‑
S
22
)+k3*(S3‑
S
33
)+k4*(S4‑
S
44
)]*G其中，k1、k2、k3、k4分别代表原供应节点转换为备用供应节点的物流影响系数；S1、S2、S3、S4分别代表更换为备用供应节点的物流里程；S
11
、S
22
、S
33
、S
44
分别代表原供应节点的物流里程；G代表单位里程消耗资源；若存在更换的两个备用供应节点相邻，判断两个备用供应节点之间关联，判断两个备用供应节点之间的关联性：Q1=[k1*(S1‑
S
11
)+k5*S5+k4*(S4‑
S
44
)]*G
‑
G0其中，k5代表相邻两个备用供应节点之间的物流影响系数；其通过地理位置进行校准判定，例如两个备用节点之间属于直达区域，则相应系数按照历史运输数据拟合即可，若不属于直达，则进行分段拟合，最后以平均值作为相应系数；G0代表原供应节点相邻部分的物流消耗。
[0008]根据上述技术方案，所述风险预警提醒包括：系统设定风险阈值与概率阈值，在供应目标改变值Q1超出系统预设风险阈值时或最大概率P1超出系统预设概率阈值时，输出风险警告至管理员端口，提醒管理员管理备用供应节点。
[0009]一种基于大数据和人工智能的供应链风险控制系统，该系统包括：供应链数据调
用模块、供应链例外分析模块、备用供应节点智能处理模块和风险预警模块；所述供应链数据调用模块用于获取当前供应链上的所有供应节点信息数据以及每个供应节点对应的备用供应节点信息数据；所述供应链例外分析模块用于构建每个供应节点出现供应链例外的概率模型，生成出现供应链例外的供应节点的最优因素，若最优因素对相应的备用供应节点存在影响，标记该备用供应节点，计算供应链例外下同时出现标记备用供应节点的数量达到系统设置数量阈值时的最大概率P1；所述备用供应节点智能处理模块用于构建供应赤字风险模型，判断两个备用供应节点之间的关联性，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于大数据和人工智能的供应链风险控制方法，其特征在于：该方法包括以下步骤：S1、获取当前供应链上的所有供应节点信息数据以及每个供应节点对应的备用供应节点信息数据；S2、构建每个供应节点出现供应链例外的概率模型，生成出现供应链例外的供应节点的最优因素，若最优因素对相应的备用供应节点存在影响，标记该备用供应节点，计算供应链例外下同时出现标记备用供应节点的数量达到系统设置数量阈值时的最大概率P1；S3、构建供应赤字风险模型，判断两个备用供应节点之间的关联性，输出供应链在供应链例外下的供应目标改变值Q1；所述供应链例外包括生产中断、物流中断、信用中断；S4、设定风险预警提醒，在供应目标改变值Q1超出系统预设风险阈值时或最大概率P1超出系统预设概率阈值时，输出风险警告至管理员端口，提醒管理员管理备用供应节点。2.根据权利要求1所述的一种基于大数据和人工智能的供应链风险控制方法，其特征在于：所述每个供应节点出现供应链例外的概率模型包括：获取供应节点的特征数据，所述特征数据包括地理位置、产能规模和经济信用程度；调用数据库中的历史数据，选取与当前供应节点的特征数据满足相似度阈值的供应节点：，其中，x0代表当前供应节点；y0代表数据库中的任一供应节点；sim(x0、y0)代表两节点的相似度；x
i
代表x0的特征数据归一化值；y
i
代表y0的特征数据归一化值；在数据库对任一个供应节点选取N组满足相似度阈值的供应节点，记为测试数据集合A；对测试数据集合A中出现供应链例外的数据进行调取，分别获取出现供应链例外的类型并记录；将测试数据集合A中的供应节点随机分为三组，每一组对应一种供应链例外的类型，在每一组中，只有出现供应链例外的类型与对应的供应链例外的类型相同的供应节点被记为故障节点，分别计算每一组的故障节点概率，记为P（B）、P（C）、P（D）；计算供应节点出现供应链例外的概率模型：P（M
T
）=P（f
T
）*P（M丨E
T
）/[∑P（M丨E
T
）*]P（f
T
）；其中，P（M
T
）记为供应节点出现第T种供应链例外的概率；T代表供应链例外的种类，取值为1、2、3；P（M丨E
T
）代表组内供应节点数量占比；P（f
T
）代表故障节点概率；选取最大的P（M
T
）对应的供应链例外类型作为最优因素，分别计算供应节点与备用供应节点的最优因素，若相同，判断为供应节点的最优因素对相应的备用供应节点存在影响，标记该备用供应节点；计算供应链例外下同时出现标记备用供应节点的数量达到系统设置数量阈值时的最大概率P1：P1=P（M
T
）1*P（M
T
）2*
……
*P（M
T
）
m
；其中，m代表系统设置数量阈值；P（M
T
）1、P（M
T
）2、
……
、P（M
T
）
m
分别代表每个供应节点取最优因素时的概率值。3.根据权利要求2所述的一种基于大数据和人工智能的供应链风险控制方法，其特征在于：所述供应赤字风险模型包括：Q1=[k1*(S1‑
S
11
)+k2*(S2‑
S
22
)+k3*(S3‑
S
33
)+k4*(S4‑
S
44
)]*G其中，k1、k2、k3、k4分别代表原供应节点转换为备用供应节点的物流影响系数；S1、S2、S3、
S4分别代表更换为备用供应节点的物流里程；S
11
、S
22
...

【专利技术属性】
技术研发人员：卞智伟，李宝贵，董文浩，
申请(专利权)人：南京币鑫数据科技有限公司，
类型：发明
国别省市：