本發(fā)明涉及供應(yīng)鏈數(shù)據(jù)管理，尤其涉及用于供應(yīng)鏈數(shù)據(jù)要素的數(shù)據(jù)審核分析方法、系統(tǒng)及介質(zhì)。

背景技術(shù)：

1、隨著全球化和信息技術(shù)的飛速發(fā)展，供應(yīng)鏈管理已成為現(xiàn)代企業(yè)不可或缺的一部分。然而，供應(yīng)鏈數(shù)據(jù)的復(fù)雜性和多樣性使得數(shù)據(jù)管理和分析面臨諸多挑戰(zhàn)。當(dāng)前，盡管供應(yīng)鏈管理已經(jīng)實(shí)現(xiàn)了一定的信息化和自動(dòng)化，但在數(shù)據(jù)審核分析方面仍存在諸多不足。

2、首先，供應(yīng)鏈數(shù)據(jù)具有波動(dòng)大、特征多等特點(diǎn)，這使得傳統(tǒng)的數(shù)據(jù)分析方法難以有效應(yīng)對(duì)。供應(yīng)鏈中的每個(gè)環(huán)節(jié)都可能產(chǎn)生大量的數(shù)據(jù)，包括訂單信息、庫(kù)存狀態(tài)、運(yùn)輸軌跡、質(zhì)量檢測(cè)等，這些數(shù)據(jù)不僅數(shù)量龐大，而且種類繁多，包含了文本、數(shù)字、圖像等多種形式。此外，由于供應(yīng)鏈環(huán)境的動(dòng)態(tài)性和不確定性，這些數(shù)據(jù)往往具有高度的波動(dòng)性和不穩(wěn)定性，這給數(shù)據(jù)分析和挖掘帶來了極大的困難。

3、在數(shù)據(jù)審核分析方面，目前尚缺乏基于人工智能算法對(duì)供應(yīng)鏈數(shù)據(jù)要素進(jìn)行進(jìn)一步挖掘和分析的有效方法。盡管人工智能技術(shù)在其他領(lǐng)域已經(jīng)取得了顯著的應(yīng)用成果，但在供應(yīng)鏈管理領(lǐng)域的應(yīng)用并不多見。現(xiàn)有的供應(yīng)鏈數(shù)據(jù)分析方法大多基于統(tǒng)計(jì)分析和簡(jiǎn)單的規(guī)則匹配，無法深入挖掘數(shù)據(jù)背后的關(guān)聯(lián)性和規(guī)律性，難以滿足現(xiàn)代供應(yīng)鏈管理對(duì)精準(zhǔn)、高效的數(shù)據(jù)分析需求。

4、此外，尚缺乏對(duì)供應(yīng)鏈數(shù)據(jù)在傳輸過程中的安全性和完整性審查機(jī)制的研究。在供應(yīng)鏈中，數(shù)據(jù)的傳輸和共享是不可避免的，但這也帶來了數(shù)據(jù)泄露、篡改等安全風(fēng)險(xiǎn)。傳統(tǒng)的數(shù)據(jù)安全防護(hù)手段往往難以應(yīng)對(duì)這些挑戰(zhàn)，需要采用更加先進(jìn)的數(shù)據(jù)加密、數(shù)字簽名等技術(shù)手段來確保數(shù)據(jù)在傳輸過程中的安全性和完整性。

技術(shù)實(shí)現(xiàn)思路

1、有鑒于現(xiàn)有技術(shù)的上述缺陷，本發(fā)明提出用于供應(yīng)鏈數(shù)據(jù)要素的數(shù)據(jù)審核分析方法、系統(tǒng)及介質(zhì)，實(shí)現(xiàn)面向供應(yīng)鏈數(shù)據(jù)要素的數(shù)據(jù)挖掘、分析和審查。

2、為實(shí)現(xiàn)上述目的，本發(fā)明采用了如下技術(shù)方案：用于供應(yīng)鏈數(shù)據(jù)要素的數(shù)據(jù)審核分析方法，包括：

3、使用供應(yīng)鏈數(shù)據(jù)要素構(gòu)造數(shù)據(jù)集作為輸入數(shù)據(jù)源，并使用基于數(shù)據(jù)源的探索性數(shù)據(jù)分析構(gòu)建特征空間，隨后進(jìn)行探索性數(shù)據(jù)分析與供應(yīng)鏈數(shù)據(jù)要素預(yù)處理；

4、深度學(xué)習(xí)模型構(gòu)建與訓(xùn)練，形成lstm模型；

5、模型混合集成，通過混合集成策略，將幾組lstm模型由不同的子數(shù)據(jù)集和特征子空間離線訓(xùn)練，然后通過集成修剪的順序訓(xùn)練組合成供應(yīng)鏈需求預(yù)測(cè)模型；

6、將訓(xùn)練好的供應(yīng)鏈需求預(yù)測(cè)模型用于多步需求值的在線預(yù)測(cè)，對(duì)采集到的供應(yīng)鏈數(shù)據(jù)進(jìn)行安全傳輸和完整性審查，如果正確解密并審查通過，則構(gòu)造數(shù)據(jù)集并輸入到供應(yīng)鏈需求預(yù)測(cè)模型中，得到關(guān)于供應(yīng)鏈需求的預(yù)測(cè)。

7、進(jìn)一步的，所述模型混合集成，包括：

8、進(jìn)一步的，所述進(jìn)行探索性數(shù)據(jù)分析與供應(yīng)鏈數(shù)據(jù)要素預(yù)處理，具體為：

9、步驟1.1：采用探索性數(shù)據(jù)分析方法挖掘數(shù)據(jù)要素中供應(yīng)鏈需求的自相關(guān)性、周期性、趨勢(shì)性，以及供應(yīng)鏈需求與其他外部變量的相關(guān)性，自相關(guān)系數(shù)表示為：

10、其中為訓(xùn)練數(shù)據(jù)集樣本數(shù)量，為滯后時(shí)間，為第時(shí)刻的序列值，為第時(shí)刻的序列值，表示可近似替代真實(shí)均值的樣本均值，表示樣本的方差；

11、步驟1.2：根據(jù)相關(guān)因素分析，將一系列外部變量作為供應(yīng)鏈需求相關(guān)因素，然后，使用min-max歸一化將數(shù)據(jù)縮放到[0,1]范圍，使得與lstm激活函數(shù)的輸出范圍兼容，并保證每個(gè)輸入數(shù)據(jù)對(duì)輸出的貢獻(xiàn)成比例，標(biāo)準(zhǔn)化的定義為：

12、

13、其中，表示標(biāo)準(zhǔn)化的值，和分別表示時(shí)間序列的最小值和最大值，同時(shí)，給定時(shí)間段，對(duì)時(shí)間相關(guān)變量按小時(shí)、星期、月度分別進(jìn)行熱編碼預(yù)處理。

14、進(jìn)一步的，所述深度學(xué)習(xí)模型構(gòu)建與訓(xùn)練，具體為：

15、步驟2.1：構(gòu)造lstm模型，包含兩層lstm網(wǎng)絡(luò)，第一層50個(gè)單元，第二層100個(gè)單元，在每個(gè)lstm層之后設(shè)置一個(gè)dropout層進(jìn)行正則化操作，分別設(shè)置不同dropout層的速率0.2和0.3；

16、步驟2.2：設(shè)計(jì)損失函數(shù)，損失函數(shù)通過將全樣本平均誤差和不同樣本分布最大誤差組合為系數(shù)來幫助模型訓(xùn)練，并在全樣本平均誤差和不同樣本分布最大誤差之間進(jìn)行權(quán)衡，從而保證模型在每種情況下都表現(xiàn)出穩(wěn)健的預(yù)測(cè)性能，損失函數(shù)為：

17、其中為實(shí)際值，為預(yù)測(cè)值，為模型訓(xùn)練輔助參數(shù)，表示平均值，表示最大值；

18、步驟2.3：lstm模型進(jìn)行正向傳播和反向傳播，lstm模型的輸入層得到一個(gè)多元序列，為時(shí)間步長(zhǎng)；然后，第二層lstm輸出一個(gè)序列特征向量，表示時(shí)間步長(zhǎng)的隱層狀態(tài)，其中為第二層的單元數(shù)；解碼器設(shè)置為一個(gè)全連接的神經(jīng)網(wǎng)絡(luò)，將序列特征向量傳遞給有個(gè)輸出神經(jīng)元的密集層，并生成個(gè)時(shí)間步長(zhǎng)的預(yù)測(cè)值。

19、進(jìn)一步的，所述模型混合集成，包括：

20、步驟3.1：定義數(shù)據(jù)集為，其中為數(shù)據(jù)條目總數(shù)，為輸入項(xiàng)，為對(duì)應(yīng)的輸出項(xiàng)；定義為lstm中提升法的訓(xùn)練輪數(shù)，為lstm中隨機(jī)子空間法的訓(xùn)練輪數(shù)，為特征子集的空間大?。皇紫韧ㄟ^對(duì)輪進(jìn)行bootstrap抽樣，得到組訓(xùn)練數(shù)據(jù)子集，其中每組樣本個(gè)數(shù)與原始數(shù)據(jù)集相同；然后，從每個(gè)訓(xùn)練集的整個(gè)特征空間中隨機(jī)選取個(gè)的輸入變量；創(chuàng)建大小為×的訓(xùn)練集，以訓(xùn)練基礎(chǔ)學(xué)習(xí)器，即表達(dá)為，其中輪數(shù)子集，；基于最后一輪訓(xùn)練的預(yù)測(cè)誤差，采用boosting方法通過重采樣調(diào)整數(shù)據(jù)分布來提高模型的精度，第輪的數(shù)據(jù)子集可以表示為：

21、其中，，，是整個(gè)訓(xùn)練數(shù)據(jù)集，是根據(jù)第個(gè)學(xué)習(xí)器在上的平均絕對(duì)百分比誤差計(jì)算出的聚合系數(shù)，隨后，將誤差?超過閾值的樣本附加到訓(xùn)練數(shù)據(jù)集中，以進(jìn)行下一輪bootstrap抽樣；

22、步驟3.2：在輪中通過不同的特征子空間訓(xùn)練多個(gè)學(xué)習(xí)器后，進(jìn)行集合剪枝，然后保留驗(yàn)證誤差最低的最優(yōu)學(xué)習(xí)器，給定，對(duì)于一個(gè)學(xué)習(xí)器，存在如下等式：

23、其中，為從原始樣本中以5%的固定比例隨機(jī)選取數(shù)據(jù)創(chuàng)建的驗(yàn)證數(shù)據(jù)集，表示從訓(xùn)練的學(xué)習(xí)器中挑選的任意的對(duì)供應(yīng)鏈需求的預(yù)測(cè)值；然后，銷毀性能較差的基礎(chǔ)學(xué)習(xí)器，得到計(jì)算和內(nèi)存開銷較小的剪枝集成模型；

24、步驟3.3：所有基礎(chǔ)學(xué)習(xí)器的輸出基于聚合系數(shù)進(jìn)行聚合，對(duì)于輪bootstrap抽樣中被選中的學(xué)習(xí)器，定義其權(quán)重為

25、

26、根據(jù)以上的權(quán)重系數(shù)對(duì)模型進(jìn)行聚合，至此得到一個(gè)高性能的供應(yīng)鏈需求預(yù)測(cè)模型。

27、進(jìn)一步的，所述對(duì)采集到的供應(yīng)鏈數(shù)據(jù)進(jìn)行安全傳輸和完整性審查，包括：

28、步驟4.1：設(shè)定為兩個(gè)素?cái)?shù)階乘法循環(huán)群，為群的一個(gè)生成元，定義為雙線性映射操作，定義四個(gè)哈希函數(shù)，，，，其中表示任意長(zhǎng)度的比特串，表示長(zhǎng)度固定為常數(shù)的比特串；假設(shè)所有實(shí)時(shí)監(jiān)測(cè)數(shù)據(jù)將被轉(zhuǎn)換為一個(gè)長(zhǎng)度為的比特串，定義一個(gè)填充函數(shù)，用于將任意長(zhǎng)度為的比特串填充至長(zhǎng)度；抽取隨機(jī)數(shù)，其中為階整數(shù)循環(huán)群，計(jì)算公共參數(shù)組件，最終生成公共參數(shù)，以及系統(tǒng)主密鑰；

29、步驟4.2：輸入系統(tǒng)公共參數(shù)，供應(yīng)鏈數(shù)據(jù)提供方標(biāo)識(shí)碼id，計(jì)算生成加密密鑰，輸入系統(tǒng)主密鑰和供應(yīng)鏈數(shù)據(jù)分析方身份標(biāo)識(shí)碼id’，計(jì)算解密密鑰組件一，解密密鑰組件二、解密密鑰組件三，最后生成解密密鑰；對(duì)于任意供應(yīng)鏈數(shù)據(jù)提供方，抽取隨機(jī)數(shù)作為其私鑰，并計(jì)算生成對(duì)應(yīng)的公鑰；

30、步驟4.3：供應(yīng)鏈數(shù)據(jù)提供方準(zhǔn)備好供應(yīng)鏈數(shù)據(jù)后，指明供應(yīng)鏈數(shù)據(jù)分析方的標(biāo)識(shí)碼id’，抽取隨機(jī)數(shù)，計(jì)算密文組件一，密文組件二，計(jì)算密文中間件一以及密文中間件二，在此基礎(chǔ)上計(jì)算密文組件三；此外，計(jì)算關(guān)于供應(yīng)鏈數(shù)據(jù)的簽名，最終輸出供應(yīng)鏈數(shù)據(jù)簽密密文，并發(fā)送給供應(yīng)鏈數(shù)據(jù)分析方；

31、步驟4.4：供應(yīng)鏈數(shù)據(jù)分析方接收到供應(yīng)鏈數(shù)據(jù)提供方發(fā)來的密文后，首先明確其標(biāo)識(shí)碼id，計(jì)算恢復(fù)密文中間件一及密文中間件二；在此基礎(chǔ)上，計(jì)算恢復(fù)出供應(yīng)鏈數(shù)據(jù)，繼而得到供應(yīng)鏈數(shù)據(jù)，使用公鑰對(duì)簽名進(jìn)行驗(yàn)證，即判斷如下等式是否成立：

32、

33、如果等式不成立，說明供應(yīng)鏈數(shù)據(jù)的完整性存在疑問，存在被篡改的風(fēng)險(xiǎn)，應(yīng)當(dāng)丟棄；否則，說明供應(yīng)鏈數(shù)據(jù)可以被使用，則在此基礎(chǔ)上，將數(shù)據(jù)經(jīng)過探索性數(shù)據(jù)分析方法處理，得到供應(yīng)鏈數(shù)據(jù)輸入集；將供應(yīng)鏈數(shù)據(jù)輸入集輸入供應(yīng)鏈需求預(yù)測(cè)模型，得到對(duì)供應(yīng)鏈需求的預(yù)測(cè)。

34、進(jìn)一步的，所述步驟2.1中，模型中l(wèi)stm層的激活函數(shù)為sigmod和tanh，而對(duì)于密集層，在最后一個(gè)全連接的輸出層采用了線性激活函數(shù)。

35、進(jìn)一步的，所述步驟2.2在模型訓(xùn)練中，采用自適應(yīng)學(xué)習(xí)率方法rmsprop作為優(yōu)化器。

36、進(jìn)一步的，在模型訓(xùn)練的每個(gè)時(shí)期，使用損失函數(shù)和rmsprop優(yōu)化器來更新參數(shù)；其中，在密集層采用bp算法，在lstm層采用bptt算法。

37、本發(fā)明還提供一種計(jì)算機(jī)設(shè)備，包括存儲(chǔ)器、處理器及存儲(chǔ)在所述存儲(chǔ)器上并可在所述處理器上運(yùn)行的計(jì)算機(jī)程序，所述處理器執(zhí)行所述計(jì)算機(jī)程序時(shí)，實(shí)現(xiàn)如上述的用于供應(yīng)鏈數(shù)據(jù)要素的數(shù)據(jù)審核分析方法。

38、本發(fā)明具有以下技術(shù)效果：

39、1、本發(fā)明用探索性數(shù)據(jù)分析方法挖掘數(shù)據(jù)要素中供應(yīng)鏈需求的自相關(guān)性、周期性、趨勢(shì)性，以及供應(yīng)鏈需求與其他外部變量的相關(guān)性，以提高模型構(gòu)建和需求預(yù)測(cè)過程中對(duì)供應(yīng)鏈數(shù)據(jù)的利用率。

40、2、考慮到個(gè)別網(wǎng)絡(luò)的性能在某些情況下存在波動(dòng)，本發(fā)明設(shè)計(jì)了一種集合了裝袋法(bagging)、隨機(jī)子空間和提升法(boosting)的混合集成策略，以進(jìn)一步提高預(yù)測(cè)的準(zhǔn)確性和魯棒性。

41、3、本發(fā)明還實(shí)現(xiàn)了一種高效安全的供應(yīng)鏈數(shù)據(jù)傳輸和審查機(jī)制，使用較小的計(jì)算和存儲(chǔ)開銷，即可實(shí)現(xiàn)供應(yīng)鏈數(shù)據(jù)在傳輸過程中的安全保密和完整性可審查。