【技术实现步骤摘要】
本专利技术涉及基于人工智能的货源分配的方法领域，更具体地说，本专利技术涉及一种基于人工智能的货源分配的方法。
技术介绍
1、合理的货源分配可以确保产品按需供应到市场上的不同地区或渠道，通过根据需求和市场趋势合理分配货源，企业可以最大程度地满足消费者的需求，提高销售量和利润，可以帮助企业避免库存过剩或短缺的问题。过剩的库存会增加成本，占用资金，并可能导致产品贬值或报废，相反，库存短缺会导致销售机会的丧失和消费者不满。通过准确预测需求并进行合理的货源分配，企业可以避免这些问题，可以确保产品能够及时地到达消费者手中。消费者通常希望在需要时能够方便地购买所需产品，而不想面临长时间的等待或无法获得所需产品的情况，通过合理分配货源，企业可以更好地满足消费者的需求，提高客户满意度，可以促进供应链的优化和效率提升。通过在供应链的不同环节中合理分配货源，可以减少库存积压、降低运输成本、缩短交付周期等，从而提高整个供应链的运作效率。
2、现有技术存在以下不足：
3、1.现在市场上的货源在分配时，不能准确的提供下一季度或者下一个月的某地区的货源供应数据，不能准确的预测出某地区的需求，从而影响商家利润与客户满意度，造成经济损失。
4、2.供应商在选择不同地区对某地进行发货时，不能准确的选择最为合适的运输地区，从而造成预定的损失。
5、为了解决上述两个缺陷，现提供一种技术方案。
技术实现思路
1、为了克服现有技术的上述缺陷，本专利技术的实施例提供一种基于人工智
2、为实现上述目的，本专利技术提供如下技术方案：
3、一种基于人工智能的货源分配的方法，包括其特征在于：
4、s1：预测需要的货源。
5、s2：通过建立卷积神经网络预测6月武汉的货源需求mz。
6、s3：计算各地的生产量ei。
7、s4：计算各地到武汉的运输时间ti。
8、s5：计算各地在到武汉运输货物时的延误率gi。
9、s6：通过建立发往系数zi来判断从哪个地区发往武汉货物，做出最优选择。
10、在一个优选地实施方式中，收集样本数据：
11、收集样本数据：
12、采集节假日活动的周期及历史订单数据，经过归一化处理得到训练样本集，即d＝[(x1、z1,y1),(x2、z2,y2),(x3、z3,y3),...,(xn、zn,yn)]，其中，xi(i＝1,2,3,...,n)表示节假日活动的周期，zi(i＝1,2,3,...,n)表示相对应的历史订单数据；yi(i＝1,2,3,...,n)与xi、zi相对应的下个月的货源需求预测mz。
13、预测下个月的货源需求预测包含两类参数：节假日活动的周期和历史订单数据；节假日活动的周期包括618活动周期，历史订单数据包括去年6历史订单量，一年12组数据。
14、4、在一个优选地实施方式中，步骤二，用于预测下月的货源需求神经网络模型由输入层、隐含层、输出层构成；输入层由618活动持续时间的周期、去年6月订单量，1组数据组成，共15个神经元节点；隐含层由经验公式确定；输出层为下月的货源需求预测pl,p2,…p30,
15、建立所述模糊贝叶斯神经网络预测模型，确定模型的激励函数、训练函数、学习函数及神经网络性能指标；激励函数选择sigmod函数训练函数选择trainlm函数，学习函数选择贝叶斯函数，神经网络性能指标为：
16、创建神经网络权值集：影响神经网络运算精确性和泛化能力的权值集合用ω表示，即ω＝{ω1，ω2，ω3，...，ωn},其中,ωi(i＝1,2,3...n)表示权值分量；
17、创建权值评判集：采用改进专家评分法对神经网络权值模糊化，专家首先无交流进行评分，对评分结果进行由大到小排序，首尾专家进行协商再次评分，重新排序，依次类推，直到评分完为止。评判集用v表示，即v＝{v1,v2,v3,...,vn}，其中，vi(i＝1,2,3...n)表示权值分量的重要程度；
18、进行专家评分：采用专家评分法对神经网络权值模糊化；
19、解模糊化：采用加权平均法进行解模糊，获得神经网络权值的先验概率，公式为：
20、式中，p(ωi)表示神经网络权值的先验概率，bj表示评判者人数，vi表示评判者做出可能的评判结果；
21、确定似然函数：假设目标值t1,t2,t3,...,tn是在高斯白噪声下产生的，似然函数为：
22、其中，zd(γ)为归一化因子，γ为超参数；
23、确定权值的后验概率公式：
24、式中，i＝(1,2,3,...,n)，j＝(1,2,3,...,n)，为误差函数，
25、在一个优选地实施方式中，随机选取训练样本集d对模糊贝叶斯神经网络预测模型进行学习训练，用模糊知识及贝叶斯函数确定输入层、隐含层、输出层各权值，通过训练样本数据判断输出层的实际输出与期望输出是否满足神经网络性能指标要求；若未满足要求，则适当改变隐含层神经元数量，重新由模糊知识以及贝叶斯函数确定输入层、隐含层、输出层各权值，再次通过训练样本数据判断输出层的实际输出与期望输出是否满足神经网络性能指标要求；若满足要求，则训练结束，否则继续进行训练，直到满足神经网络性能指标要求为止，将得到的最佳网络预测模型应用在下个月的货源需求预测中，用以获取在不同因素条件下的货源的需求mz。
26、在一个优选地实施方式中，所述产量所述各地的产量ei可以通过可以直接通过调取某城市今年前n个月产量的平均值进行取值进行计算，所述某个地区产量ei越大，优先从该地区发货。
27、在一个优选地实施方式中，所述运输时间所述各地发往时间ti可以直接通过调取m次某城市之前到时间的平均值进行取值，所述运输时间ti越小，花费的时间越短，优先选用哪个地区进行发送。
28、在一个优选地实施方式中，所述延误率gi表达式为：
29、
30、当某地在当供货数量mz大于p1时,延误率为5％，某地在当供货数量mz大于p2时，延误率为10％.......，通过判断该地区运往武汉货物的延误率的大小进行优选哪个地区进行发货。
31、9、在一个优选地实施方式中，所述发往系数zi的表达式为：
32、
33、计算出北京、上海、南京的zi，进行比较，此时zi最小的地区优选发货，优先从该城市发往武汉。
34、本专利技术的技术效果和优点：
35、1、本专利技术通过建立模糊贝叶斯神经网络模型，输入层由618活动的周期、去年6月订单量，1组数据组成，共2个神经元节点，隐含层由经验公式确定；输出层为下月每天的货源需求预测pl,p2,…p30；经过预设训练后的精度分析，确定隐含层神经元数量为16，最终确定的神经网络最优结构2×16×本文档来自技高网...
【技术保护点】
1.一种基于人工智能的货源分配的方法，包括其特征在于：
2.根据权利要求1所述的一种基于人工智能的货源分配的方法，其特征在于：
3.根据权利要求2所述的一种基于人工智能的货源分配的方法，其特征在于：步骤二，用于预测下月的货源需求神经网络模型由输入层、隐含层、输出层构成；输入层由618活动持续时间的周期、去年6月订单量，1组数据组成，共15个神经元节点；隐含层由经验公式确定；输出层为下月的货源需求预测Pl,P2,…P30，
4.根据权利要求3所述的一种基于人工智能的货源分配的方法，其特征在于：随机选取训练样本集D对模糊贝叶斯神经网络预测模型进行学习训练，用模糊知识及贝叶斯函数确定输入层、隐含层、输出层各权值，通过训练样本数据判断输出层的实际输出与期望输出是否满足神经网络性能指标要求；若未满足要求，则适当改变隐含层神经元数量，重新由模糊知识以及贝叶斯函数确定输入层、隐含层、输出层各权值，再次通过训练样本数据判断输出层的实际输出与期望输出是否满足神经网络性能指标要求；若满足要求，则训练结束，否则继续进行训练，直到满足神经网络性能指标要求为止，将得到的
5.根据权利要求1所述的一种基于人工智能的货源分配的方法，其特征在于：所述产量各地的产量Ei通过产量的平均值进行取值进行计算。
6.根据权利要求1所述的一种基于人工智能的货源分配的方法，其特征在于：所述运输时间发往时间Ti通过调取之前到时间的平均值进行取值。
7.根据权利要求1所述的一种基于人工智能的货源分配的方法，其特征在于：所述延误率Gi表达式为：
8.根据权利要求1所述的一种基于人工智能的货源分配的方法，其特征在于：所述发往系数Zi的表达式为：
...【技术特征摘要】
1.一种基于人工智能的货源分配的方法，包括其特征在于：
2.根据权利要求1所述的一种基于人工智能的货源分配的方法，其特征在于：
3.根据权利要求2所述的一种基于人工智能的货源分配的方法，其特征在于：步骤二，用于预测下月的货源需求神经网络模型由输入层、隐含层、输出层构成；输入层由618活动持续时间的周期、去年6月订单量，1组数据组成，共15个神经元节点；隐含层由经验公式确定；输出层为下月的货源需求预测pl,p2,…p30，
4.根据权利要求3所述的一种基于人工智能的货源分配的方法，其特征在于：随机选取训练样本集d对模糊贝叶斯神经网络预测模型进行学习训练，用模糊知识及贝叶斯函数确定输入层、隐含层、输出层各权值，通过训练样本数据判断输出层的实际输出与期望输出是否满足神经网络性能指标要求；若未满足要求，则适当改变隐含层神经元数量，重新由模糊知识以及贝叶斯函...
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。