j9.com官网本发明涉及数据处理领域,更具体地涉及一种基于人工智能的供应链数据处理方法及系统。
1、供应链是指涉及产品或服务从原材料供应商到最终消费者的整个过程的网络,包括一系列的组织、人员、技术、信息以及源,通过相互连接和协同作用,实现产品或服务的设计、生产、分销以及销售。
2、供应链数据处理是指对供应链各个环节产生的数据进行系统化的收集、存储、清洗、分析以及利用,以优化供应链管理,提高效率,降低成本,并增强整体供应链的透明度和响应能力,现有的供应链数据处理常被用在需求预测中,通过预测未来的产品需求量,从而优化采购和库存管理,减少库存积压和缺货情况。
3、现有的需求预测方法通常是根据公司的历史销售数据及季节性因素来对未来的产品需求量进行预测,但是刚开始运行的新公司没有足够的历史数据,这种预测方法无法对刚成立的公司进行准确的需求预测,无法有效的进行库存管理,且在市场变化中产品的需求随时可能会发生变化,不能及时进行库存管理会增加库存积压和缺货的风险。
1、为了克服现有技术的上述缺陷,本发明提供了一种基于人工智能的供应链数据处理方法及系统,以解决上述背景技术中存在的问题。
4、采集检测时间段产品的相关搜索量,根据搜索量与统计时间点绘制趋势折线图,根据时间段将折线图平均分为n份,得到n个子时间段,计算每个子时间段搜索量的上升率,将上升率作为特征进行聚类,根据聚类结果计算得到搜索趋势系数;
5、从市场上筛选出已经经历了完整生命周期的产品,记为历史产品,所述生命周期包括引入期、成长期、成熟期以及衰退期,并采集历史产品不同生命周期时的销售增长率、市场份额增加率以及利润增长率,通过卷积神经网络进行生命周期模型训练,得到生命周期预测模型;
6、采集市场上该产品的现阶段的销售增长率、市场份额增加率以及利润增长率,并导入生命周期预测模型中,预测得到当前产品所处的生命周期;
7、采集历史产品不同生命周期时的平均销售量,并对历史产品不同生命周期时的平均销售量进行均值计算,得到不同生命周期时的总体平均销售量,选择成熟期的总体平均销售量作为基准阶段,将生命周期与成熟期的总体平均销售量进行比值计算得到各生命周期的周期影响系数;
8、根据产品数据筛选出市场中同类型的产品,采集同类型产品在一段时间内的复购率,对同类型产品一段时间的复购率进行均值计算,将计算结果作为产品的预复购率,记为复购影响系数;
9、根据搜索趋势系数、周期影响系数以及复购影响系数计算得到需求预测指数,其计算公式为df=a1×st+a2×ci+a3×rc,其中df表示为需求预测指数,st表示为搜索趋势系数,ci表示为周期影响系数,rc表示为复购影响系数,a1、a2、a3表示为搜索趋势系数、周期影响系数以及复购影响系数的权重系数;
10、设定需求预测指数预设阈值,将需求预测指数与预设阈值进行比值计算,计算得到调整系数,将调整系数与固定储存量相乘计算出推荐库存量;
11、设定安全库存水平,并对库存量进行实时监测,当检测到库存量低于安全库存水平时,重新进行需求预测指数的评估,并根据需求预测指数重新计算出新的推荐库存量,根据新的推荐库存量进行库存补充。
13、步骤001:使用肘部法确定最佳聚类数k,将上升率作为聚类特征,收集所有子时间段搜索量的上升率作为数据集,并将数据集中每个上升率作为数据点;
14、步骤002:随机在数据集中选取k个数据点作为初始聚类中心,对剩余数据点使用欧式距离法计算与初始聚类中心的欧式距离,并将数据点分配到距离最短的聚类中心所在的聚类簇中;
15、步骤003:遍历完所有数据点,得到初始聚类簇,对于每个初始聚类簇,对簇中所有数据点进行均值计算得到新的聚类中心;
16、步骤004:重复步骤2与步骤3,直至聚类中心不再发生变化,得到最终聚类簇与最终聚类中心。
18、统计每个最终聚类簇中的数据点数量,将每个最终聚类簇中的数据点数量与数据集中所有数据点的数量进行比值计算,得到每个最终聚类簇的权重;
19、将每个最终聚类簇的最终聚类中心与权重进行加权求和得到搜索趋势系数,其计算公式为其中st表示为搜索趋势系数,ctj表示为第j个最终聚类簇的最终聚类中心,qj表示为第j个最终聚类簇的权重,k为聚类簇数。
20、优选的,所述通过卷积神经网络进行生命周期模型训练,得到生命周期预测模型步骤为:
21、步骤101:收集大量经历了完整生命周期的产品的历史数据,所述历史数据包括它们在不同生命周期阶段的销售增长率、市场份额增加率和利润增长率数据,并将历史数据分为训练集与验证集;
23、步骤103:使用训练集通过卷积神经网络中的输入层接受标准化后的输入数据,通过卷积层提取特征,通过池化层下采样和减少数据维度,通过全连接层将卷积和池化后的特征进行全连接,通过输出层根据任务设定输出层;
24、步骤104:使用交叉熵损失函数与自适应矩估计优化器通过反向传播算法训练模型,调整模型参数以最小化损失函数;
25、步骤105:使用验证集评估模型性能,所述模型性能包括准确率、精确率、召回率以及f1值,通过几何平均法综合评估模型性能得到模型性能指数,其计算公式为其中f性能表示为模型性能指数,f1为准确率,f2为精确率,f3为召回率,f4为f1值,将模型性能指数与预设阈值进行对比,若模型性能指数大于预设阈值,则输出当前模型作为生命周期模型,若生命周期模型小于预设阈值,则判定当前模型性能差,则返回步骤103继续进行模型训练,直至生命周期模型大于预设阈值。
26、优选的,所述根据产品数据筛选出市场中同类型的产品步骤为,根据产品类别与已知的类别进行匹配,筛选出属于同一类别的产品,使用余弦相似度算法计算同一类别产品名称之间的文本相似度,并将产品名称的文本相似度从高到低进行排序,选取排名靠前的产品作为市场中同类型的产品。
27、优选的,所述使用余弦相似度算法计算同一类别产品名称之间的文本相似度步骤为:
29、对每个产品名称构建词频向量,向量的维度为所有词项的总集合,计算每个词项在产品名称中的词频;
32、产品数据采集模块,用于采集产品的相关数据,所述相关数据包括搜索量、所处生命周期以及同类型产品的复购情况,并将产品的相关数据传输至产品数据分析模块;
33、产品数据分析模块,用于接收产品数据采集模块传输的产品的相关数据,并对产品的相关数据进行分析得到需求影响系数,所述需求影响系数包括搜索趋势系数、周期影响系数以及复购影响系数,将需求影响系数传输至需求评估模块;
34、需求评估模块,用于接收产品数据分析模块传输的需求影响系数,并进行综合评估得到需求预测指数,将需求预测指数传输至库存数量调整模块;
35、库存数量调整模块,用于接收需求评估模块传输的需求预测指数,根据需求预测指数计算得到推荐库存量,并对当前库存数量进行调整;
36、库存更新模块,用于对实时库存量进行检测,当检测到库存量低于安全库存水平时,重新进行需求预测指数的评估,并根据需求预测指数重新计算出新的推荐库存量,根据新的推荐库存量进行库存补充。
38、采集检测产品的相关数据,对产品的相关数据进行分析得到需求影响系数,对需求影响系数进行综合评估得到需求预测指数,根据需求预测指数计算得到推荐库存量,对当前库存数量进行调整,并对实时库存量进行检测,当检测到库存量低于安全库存水平时,则重新进行需求预测指数的评估,并根据需求预测指数重新计算出新的推荐库存量,根据新的推荐库存量进行库存补充,有效提高了需求预测的准确性,减少因不能及时进行库存管理导致的库存积压和缺货的风险。