纺织化纤供应链监管方法及其系统技术方案

一种纺织化纤供应链监管方法及其系统，其获取包含当天在内的过去多天的纺织化纤供应链的供应链信息，其中，所述供应链信息包括原料采购量、库存量和订单量；采用基于深度学习的人工智能技术，挖掘所述原料采购量、所述库存量和所述订单量的时序协同动态关联特征分布信息，基于此对于纺织化纤供应链的原材料供应和市场需求进行平衡评估，以对于库存量是否合理进行精准检测判断，从而实现降低库存成本，提升效益。提升效益。提升效益。

【技术实现步骤摘要】
纺织化纤供应链监管方法及其系统


[0001]本申请涉及智能化监管
，并且更具体地，涉及一种纺织化纤供应链监管方法及其系统。

技术介绍

[0002]供应链是基于生产和销售关系链接的、由多个企业将产品或服务从生产到销售至客户形成的网络关系。供应链中的企业需要从上游企业处订购原料或产品等，然后销售至有需求的下游企业或客户中。由于供应链中存在信息延迟以及市场会随时发生变化的问题，企业在订购和销售时，需要保证库存产品不会滞销，降低库存成本，提升效益。
[0003]在纺织化纤行业，生产企业一般会留有一定的库存，但为了降低成本，库存往往不会太多，一般会在原材料供应和市场需求之间进行动态平衡，但供应链中存在信息延迟以及市场会随时发生变化。因此，期待一种纺织化纤供应链智能管理方法，能够基于纺织化纤供应链的历史信息来判断企业当前的库存量是否合理。

技术实现思路

[0004]为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种纺织化纤供应链监管方法及其系统，其获取包含当天在内的过去多天的纺织化纤供应链的供应链信息，其中，所述供应链信息包括原料采购量、库存量和订单量；采用基于深度学习的人工智能技术，挖掘所述原料采购量、所述库存量和所述订单量的时序协同动态关联特征分布信息，基于此对于纺织化纤供应链的原材料供应和市场需求进行平衡评估，以对于库存量是否合理进行精准检测判断，从而实现降低库存成本，提升效益。
[0005]第一方面，提供了一种纺织化纤供应链监管方法，其包括：
[0006]获取包含当天在内的过去多天的纺织化纤供应链的供应链信息，其中，所述供应链信息包括原料采购量、库存量和订单量；
[0007]将所述包含当天在内的过去多天的纺织化纤供应链的供应链信息中的原料采购量、库存量和订单量分别按照时间维度排列为原料采购量时序输入向量、库存量时序输入向量和订单量时序输入向量；
[0008]将所述原料采购量时序输入向量、所述库存量时序输入向量和所述订单量时序输入向量分别通过多尺度邻域特征提取模块以得到原料采购量时序特征向量、库存量时序特征向量和订单量时序特征向量；
[0009]使用贝叶斯概率模型来融合所述原料采购量时序特征向量、所述库存量时序特征向量和所述订单量时序特征向量以得到后验概率特征向量；以及
[0010]将所述后验概率特征向量通过分类器以得到分类结果，所述分类结果用于表示当前的库存量是否合理。
[0011]在上述纺织化纤供应链监管方法中，所述多尺度邻域特征提取模块，包括：相互并行的第一卷积层和第二卷积层，以及，与所述第一卷积层和所述第二卷积层连接的融合层，
其中，所述第一卷积层和所述第二卷积层使用具有不同尺度的一维卷积核。
[0012]在上述纺织化纤供应链监管方法中，将所述原料采购量时序输入向量、所述库存量时序输入向量和所述订单量时序输入向量分别通过多尺度邻域特征提取模块以得到原料采购量时序特征向量、库存量时序特征向量和订单量时序特征向量，包括：使用所述多尺度邻域特征提取模块的第一卷积层以如下第一卷积公式对所述原料采购量时序输入向量进行一维卷积编码以得到第一尺度采购量特征向量；其中，所述第一卷积公式为：
[0013][0014]其中，a为第一一维卷积核在x方向上的宽度、F(a)为第一一维卷积核参数向量、G(x
‑
a)为与第一一维卷积核函数运算的局部向量矩阵，w为第一一维卷积核的尺寸，X表示所述原料采购量时序输入向量，Cov(X)表示对所述原料采购量时序输入向量进行一维卷积编码；使用所述多尺度邻域特征提取模块的第二卷积层以如下第二卷积公式对所述原料采购量时序输入向量进行一维卷积编码以得到第二尺度采购量特征向量；其中，所述第二卷积公式为：
[0015][0016]其中，b为第二一维卷积核在x方向上的宽度、F(b)为第二一维卷积核参数向量、G(x
‑
b)为与第二一维卷积核函数运算的局部向量矩阵，m为第二一维卷积核的尺寸，X表示所述原料采购量时序输入向量，Cov(X)表示对所述原料采购量时序输入向量进行一维卷积编码；以及，使用所述多尺度邻域特征提取模块的融合层对所述第一尺度采购量特征向量和所述第二尺度采购量特征向量进行级联以得到所述原料采购量时序特征向量。
[0017]在上述纺织化纤供应链监管方法中，使用贝叶斯概率模型来融合所述原料采购量时序特征向量、所述库存量时序特征向量和所述订单量时序特征向量以得到后验概率特征向量，包括：使用所述贝叶斯概率模型以如下融合公式来融合所述原料采购量时序特征向量、所述库存量时序特征向量和所述订单量时序特征向量以得到后验概率特征向量；其中，所述融合公式为：
[0018]q
i
＝p
i
*a
i
/b
i
[0019]其中，q
i
表示所述后验概率特征向量中各个位置的特征值、p
i
表示所述库存量时序特征向量中各个位置的特征值、a
i
表示所述订单量时序特征向量中各个位置的特征值，b
i
表示所述原料采购量时序特征向量中各个位置的特征值。
[0020]在上述纺织化纤供应链监管方法中，还包括对所述多尺度邻域特征提取模块和所述分类器进行训练；其中，对所述多尺度邻域特征提取模块和所述分类器进行训练，包括：获取训练数据，所述训练数据包括包含当天在内的过去多天的纺织化纤供应链的训练供应链信息，其中，所述训练供应链信息包括训练原料采购量、训练库存量和训练订单量，以及，所述当前的库存量是否合理的真实值；将所述包含当天在内的过去多天的纺织化纤供应链的训练供应链信息中的训练原料采购量、训练库存量和训练订单量分别按照时间维度排列为训练原料采购量时序输入向量、训练库存量时序输入向量和训练订单量时序输入向量；将所述训练原料采购量时序输入向量、所述训练库存量时序输入向量和所述训练订单量时
序输入向量分别通过所述多尺度邻域特征提取模块以得到训练原料采购量时序特征向量、训练库存量时序特征向量和训练订单量时序特征向量；使用贝叶斯概率模型来融合所述训练原料采购量时序特征向量、所述训练库存量时序特征向量和所述训练订单量时序特征向量以得到训练后验概率特征向量；将所述训练后验概率特征向量通过所述分类器以得到分类损失函数值；以及，基于所述分类损失函数值并通过梯度下降的方向传播来对所述多尺度邻域特征提取模块和所述分类器进行训练，其中，在所述训练的每一轮迭代中，对所述分类器的权重矩阵进行权重矩阵的空间正则化约束迭代。
[0021]在上述纺织化纤供应链监管方法中，将所述训练后验概率特征向量通过所述分类器以得到分类损失函数值，包括：所述分类器以如下分类公式对所述训练后验概率特征向量进行处理以生成训练分类结果，其中，所述分类公式为：softmax{(W
n
,B
n
):...:(W1,B1)|X}，其中，X表示所述训练后验概率特征向量，W1至W<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种纺织化纤供应链监管方法，其特征在于，包括：获取包含当天在内的过去多天的纺织化纤供应链的供应链信息，其中，所述供应链信息包括原料采购量、库存量和订单量；将所述包含当天在内的过去多天的纺织化纤供应链的供应链信息中的原料采购量、库存量和订单量分别按照时间维度排列为原料采购量时序输入向量、库存量时序输入向量和订单量时序输入向量；将所述原料采购量时序输入向量、所述库存量时序输入向量和所述订单量时序输入向量分别通过多尺度邻域特征提取模块以得到原料采购量时序特征向量、库存量时序特征向量和订单量时序特征向量；使用贝叶斯概率模型来融合所述原料采购量时序特征向量、所述库存量时序特征向量和所述订单量时序特征向量以得到后验概率特征向量；以及将所述后验概率特征向量通过分类器以得到分类结果，所述分类结果用于表示当前的库存量是否合理。2.根据权利要求1所述的纺织化纤供应链监管方法，其特征在于，所述多尺度邻域特征提取模块，包括：相互并行的第一卷积层和第二卷积层，以及，与所述第一卷积层和所述第二卷积层连接的融合层，其中，所述第一卷积层和所述第二卷积层使用具有不同尺度的一维卷积核。3.根据权利要求2所述的纺织化纤供应链监管方法，其特征在于，将所述原料采购量时序输入向量、所述库存量时序输入向量和所述订单量时序输入向量分别通过多尺度邻域特征提取模块以得到原料采购量时序特征向量、库存量时序特征向量和订单量时序特征向量，包括：使用所述多尺度邻域特征提取模块的第一卷积层以如下第一卷积公式对所述原料采购量时序输入向量进行一维卷积编码以得到第一尺度采购量特征向量；其中，所述第一卷积公式为：其中，a为第一一维卷积核在x方向上的宽度、F(a)为第一一维卷积核参数向量、G(x
‑
a)为与第一一维卷积核函数运算的局部向量矩阵，w为第一一维卷积核的尺寸，X表示所述原料采购量时序输入向量，Cov(X)表示对所述原料采购量时序输入向量进行一维卷积编码；使用所述多尺度邻域特征提取模块的第二卷积层以如下第二卷积公式对所述原料采购量时序输入向量进行一维卷积编码以得到第二尺度采购量特征向量；其中，所述第二卷积公式为：其中，b为第二一维卷积核在x方向上的宽度、F(b)为第二一维卷积核参数向量、G(x
‑
b)为与第二一维卷积核函数运算的局部向量矩阵，m为第二一维卷积核的尺寸，X表示所述原料采购量时序输入向量，Cov(X)表示对所述原料采购量时序输入向量进行一维卷积编码；
以及使用所述多尺度邻域特征提取模块的融合层对所述第一尺度采购量特征向量和所述第二尺度采购量特征向量进行级联以得到所述原料采购量时序特征向量。4.根据权利要求3所述的纺织化纤供应链监管方法，其特征在于，使用贝叶斯概率模型来融合所述原料采购量时序特征向量、所述库存量时序特征向量和所述订单量时序特征向量以得到后验概率特征向量，包括：使用所述贝叶斯概率模型以如下融合公式来融合所述原料采购量时序特征向量、所述库存量时序特征向量和所述订单量时序特征向量以得到后验概率特征向量；其中，所述融合公式为：q
i
＝p
i
*q
i
/b
i
其中，q
i
表示所述后验概率特征向量中各个位置的特征值、p
i
表示所述库存量时序特征向量中各个位置的特征值、a
i
表示所述订单量时序特征向量中各个位置的特征值，b
i
表示所述原料采购量时序特征向量中各个位置的特征值。5.根据权利要求4所述的纺织化纤供应链监管方法，其特征在于，还包括对所述多尺度邻域特征提取模块和所述分类器进行训练；其中，对所述多尺度邻域特征提取模块和所述分类器进行训练，包括：获取训练数据，所述训练数据包括包含当天在内的过去多天的纺织化纤供应链的训练供应链信息，其中，所述训练供应链信息包括训练原料采购量、训练库存量和训练订单量，以及，所述当前的库存量是否合理的真实值；将所述包含当天在内的过去多天的纺织化纤供应链的训练供应链信息中的训练原料采购量、训练库存量和训练订单量分别按照时间维度排列为训练原料采购量时序输入向量、训练库存量时序输入向量和训练订单量时序输入向量；将所述训练原料采购量时序输入向量、所述训练库存量时序输入向量和所述训练订单量时序输入向量分别通过所述多尺度邻域特征提取模块以得到训练原料采购量时序特征向量、训练库存量时序特征向量和训练订单量时序特征向量；使用贝叶斯概率模型来融合所述训练原料采购量...

【专利技术属性】
技术研发人员：林辉，黄会准，曹苗苗，
申请(专利权)人：杭州君方科技有限公司，
类型：发明
国别省市：