【技术实现步骤摘要】
本申请涉及供应链管理领域，且更为具体地，涉及一种基于多模态大数据分析的供应链管理方法及系统。
技术介绍
1、随着市场竞争加剧和消费需求多样化，现代供应链管理面临巨大挑战，尤其在生鲜、快时尚等行业，商品具有保质期短、需求波动大等特点，传统供应链管理模式已难以应对。传统erp或mrp系统依赖的移动平均、指数平滑等统计预测方法，仅适用于销量稳定的产品，难以准确预测受季节、节假日、促销甚至突发事件影响的商品需求，导致库存过剩或缺货频繁，增加运营风险。为实现精细化管理、降低损耗与缺货率，亟需构建更精准、智能的供应链预测系统，以提升需求预测的准确性与响应能力，推动供应链向高效、柔性方向升级。
2、为了应对上述挑战，业界开始尝试引入大数据分析技术来提升供应链预测的准确性。然而，现有的尝试往往存在诸多局限。一方面，在数据融合层面，影响商品需求的因素来源广泛且异构，包括结构化的历史销售数据、半结构化的天气数据以及非结构化的社交媒体热点、本地活动信息等。如何将这些格式、时间粒度各不相同的多源数据进行有效对齐与融合，是现有技术未能妥善解决的首要难...
【技术保护点】
1.一种基于多模态大数据分析的供应链管理方法，其特征在于，包括：对获取的原始销售数据、原始天气数据和原始社交事件数据进行预处理以得到洁净销售时序序列、结构化天气特征和事件日志；对洁净销售时序序列、结构化天气特征和事件日志进行多模态特征工程与嵌入化以得到时序数值特征、文本嵌入向量和类别嵌入向量；将时序数值特征、文本嵌入向量和类别嵌入向量按照时间步进行特征拼接以得到多模态特征向量后，为每个SKU_ID和区域_ID的组合构建多模态特征向量的时间序列；对所述多模态特征向量的时间序列进行基于Transformer的预测建模以得到预测需求向量和注意力权重矩阵；基于所述预测需求向量...
【技术特征摘要】
1.一种基于多模态大数据分析的供应链管理方法，其特征在于，包括：对获取的原始销售数据、原始天气数据和原始社交事件数据进行预处理以得到洁净销售时序序列、结构化天气特征和事件日志；对洁净销售时序序列、结构化天气特征和事件日志进行多模态特征工程与嵌入化以得到时序数值特征、文本嵌入向量和类别嵌入向量；将时序数值特征、文本嵌入向量和类别嵌入向量按照时间步进行特征拼接以得到多模态特征向量后，为每个sku_id和区域_id的组合构建多模态特征向量的时间序列；对所述多模态特征向量的时间序列进行基于transformer的预测建模以得到预测需求向量和注意力权重矩阵；基于所述预测需求向量和注意力权重矩阵，确定主要贡献因素列表。
2.根据权利要求1所述的基于多模态大数据分析的供应链管理方法，其特征在于，所述洁净销售时序序列包括时间戳、sku_id、区域_id和销量；所述结构化天气特征包括时间戳、区域_id、最高温、最低温和天气状况类别编码；所述事件日志包括时间戳、sku_id/区域_id、事件类型和事件关键信息。
3.根据权利要求2所述的基于多模态大数据分析的供应链管理方法，其特征在于，对洁净销售时序序列、结构化天气特征和事件日志进行多模态特征工程与嵌入化以得到时序数值特征、文本嵌入向量和类别嵌入向量，包括：对所述洁净销售时序序列中的销量进行归一化处理以得到销量时序数值特征；从所述洁净销售时序序列中的时间戳提取时间特征，并对所述时间特征进行独热编码以得到时间时序数值特征；对所述结构化天气特征中的数值型特征进行归一化处理以得到天气时序数值特征；将销量时序数值特征、时间时序数值特征和天气时序数值特征进行合并以得到时序数值特征；对所述事件日志中的事件关键信息进行文本特征嵌入以得到文本嵌入向量；对所述事件日志中的事件类型进行类别特征嵌入以得到所述类别嵌入向量。
4.根据权利要求1所述的基于多模态大数据分析的供应链管理方法，其特征在于，对所述多模态特征向量的时间序列进行基于transformer的预测建模以得到预测需求向量和注意力权重矩阵，包括：为所述多模态特征向量的时间序列中的各个多模态特征向量添加位置编码以得到带位置编码的多模态特征向量的时间序列；将所述带位置编码的多模态特征向量的时间序列输入基于transformer模型的处理模块以得到多模态特征时序上下文关联隐含编码向量和所述注意力权重矩阵；将所述多模态特征时序上下文关联隐含编码向量输入预测头以得到所述预测需求向量。
5.根据权利要求4所述的基于多模...
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。