基于多源数据融合的供应商产能预测方法及系统与流程

本发明涉及供应商产能预测，尤其涉及基于多源数据融合的供应商产能预测方法及系统。

背景技术：

1、当前供应链数字化管理已成为各行业降本增效、提升抗风险能力的核心支撑，供应商产能预测作为供应链需求匹配、订单分配、风险预警的核心前置环节，直接决定了企业供应链的稳定性与运营成本。随着全球供应链不确定性持续提升，极端气象、区域政策调整、公共卫生事件、生产端突发故障等扰动因素频发，行业对供应商产能预测的精度、响应速度、多场景适配性提出了更高要求，核心需求为提前识别产能波动风险、量化扰动影响幅度，支撑企业快速制定应对方案，避免供应断供或库存积压损失。

2、目前主流的产能预测技术分为两类，第一类为传统人工摸排结合线性外推的预测方案，其工作原理为采购人员按固定周期对接供应商确认排程产能，结合过往一段周期的历史产能交付数据，采用移动平均、指数平滑等线性统计方法外推未来产能。该方案实现门槛低、无需复杂技术部署，在供应商规模较小、供应链环境稳定的场景下可满足基础需求。但该方案存在明显缺陷：仅依赖供应商上报的产能数据与历史交付数据，数据维度狭窄且真实性难以保障，无法覆盖上游原材料供应、外部环境等全链路影响因素；人工摸排效率极低，当合作供应商规模较大时需耗费大量人力成本，且信息更新存在明显滞后性；线性模型仅能拟合平稳趋势下的产能变化，无法捕捉产能的非线性波动规律，对突发扰动事件完全无响应能力，预测偏差普遍较高。

3、第二类为基于通用时序机器学习模型的预测方案，其工作原理为采集供应商生产端的有限历史数据，采用长短期记忆网络、prophet等通用时序模型训练拟合产能变化规律，输出未来产能预测值。该方案可降低人工依赖，在无突发扰动的平稳生产场景下预测精度较线性方案有明显提升。但该方案仍存在显著不足：特征融合采用固定权重设置，无法适配不同行业、不同规模供应商的产能影响逻辑差异，跨场景适配性差；特征筛选依赖相关性分析，易引入与产能存在伪关联的冗余特征，干扰模型拟合精度；未设置突发扰动校准机制，遭遇各类突发事件时预测偏差大幅上升；仅输出单点预测值，未提供预测结果的不确定性参考，易出现预警误报或漏报，无法支撑供应链决策的风险评估需求。

技术实现思路

1、本发明提出的基于多源数据融合的供应商产能预测方法及系统，以解决上述现有技术中提到的现有供应商产能预测技术数据维度窄、抗扰动能力弱、场景适配性差、预测精度低的问题。

2、为了实现上述目的，本发明采用了如下技术方案：基于多源数据融合的供应商产能预测方法，包括如下步骤：

3、s1搭建兼容多类业务系统、公开数据平台对接协议的标准化数据采集通道，按照统一时间戳对齐规则采集覆盖供应商生产域、供应链上游域、外部环境域、历史履约域的多源异构原始数据，针对不同采样频率的数据执行升采样或降采样粒度对齐，区分连续型特征与离散型特征执行分层预处理，识别并剔除异常离群值、补全数据断点，形成字段定义统一、时间粒度统一的标准化产能分析数据集，从数据源头消除跨源数据异构壁垒，为后续分析流程提供高质量数据基础；

4、s2从标准化产能分析数据集中提取全维度产能关联特征，采用因果推断方法识别不同特征间的传导方向与量化影响强度，构建节点分层排布、连接边带权的产能传导因果图谱，沿因果传导路径筛选对产能变化存在实质影响的有效特征，剔除存在伪关联关系的冗余特征，破解传统相关性分析下特征共线性干扰、影响路径模糊的问题；

5、s3搭建具备自适应权重校准能力的多源特征融合通道，基于特征对产能预测结果的实时贡献度动态调整不同维度特征的融合权重，对跨域异构特征进行维度统一的加权聚合，输出维度固定、信息无损耗的融合特征向量，解决传统固定权重融合模式对不同行业、不同规模供应商生产场景适配性不足的问题；

6、s4预训练嵌入波动感知单元的时序产能预测模型，将融合特征向量输入模型提取产能时序变化的长期趋势、季节波动与随机扰动规律，输出未来预设预测时间窗口内分时段的供应商初始产能预测值，实现对产能常规变化规律的高精度拟合；

7、s5构建覆盖全类型生产扰动事件的动态校准规则库，实时抓取预测窗口内的突发生产扰动事件信号，匹配对应事件的产能影响传导系数对初始产能预测值进行逐时段动态修正，生成最终的分时段供应商产能预测结果，结合预设的产能需求匹配阈值触发分级响应动作，将预测结果与对应响应指令推送至不同层级的供应链管理终端。

8、进一步的，步骤s1中的分层预处理过程针对连续型特征采用同期同生产班次的滑动窗口中位数填充缺失值，采用3σ准则识别离群噪声点并采用相邻窗口的有效值均值完成替换，针对离散型特征采用同特征类别下的众数填充缺失值，针对字段编码规则不统一的分类特征建立全局统一映射字典完成标准化编码转换；

9、预处理完成后逐字段计算数据质量得分，量化评估每个字段的数据可用性，数据质量得分计算形式为：，其中为第个字段的数据质量得分，取值范围为0到1，为该字段在采集周期内的缺失值数量，为该字段在采集周期内的离群值数量，为该字段对应的总样本量，当低于预设合格阈值时自动触发对应数据源的补采请求，通过对接备用采集渠道完成低质量字段的数据补全；

10、所采集的多源异构原始数据具体包括供应商生产域的设备运行参数、产线换型时长、人员到岗率、线体停线记录、各工序不良率数据，供应链上游域的原材料到货周期、核心零部件齐套率、在途物流拥堵指数、上游原材料备货量数据，外部环境域的属地产业管控政策、极端气象预警、区域交通管制、公共卫生管控等级数据，历史履约域的过往多个生产周期的分时段实际产能、订单交付延迟率、异常事件影响记录数据，通过覆盖全链路影响因素的数据采集保障产能分析维度的完整性。

11、进一步的，步骤s2中构建产能传导因果图谱的过程中，以各类产能关联特征、最终产能输出节点为图谱节点，按照外部环境层、上游供应层、生产要素层、产能输出层的逻辑层级划分节点所属层级，采用带滞后项约束的格兰杰因果检验识别不同节点间的因果传导关系，两个节点间的因果关联强度计算形式为：，其中为节点对节点的因果关联强度，为格兰杰因果检验输出的节点是节点变化原因的显著性值，为节点沿传导路径到达产能输出节点的最短路径长度，为预设的路径衰减系数，取值范围为0到1，用于表征传导路径越长、特征对产能的影响强度衰减幅度越大的生产规律；

12、因果检验过程中结合供应商的平均生产周期设置滞后阶数，与生产周期时间步长匹配，仅保留因果关联强度大于预设强度阈值的有向边作为图谱的连接关系，剔除无法沿传导路径到达产能节点、关联强度低于阈值的冗余特征，完成初始特征集合的筛选降维；

13、通过带路径衰减的因果强度计算规则，可准确刻画真实生产场景下影响因素的传导逻辑，避免传统相关性分析将无因果关系的伪关联特征纳入分析流程带来的预测干扰。

14、进一步的，步骤s3中的自适应特征融合权重计算过程融合数据驱动的注意力学习结果与因果图谱输出的先验关联强度，具体权重计算形式为：，其中为第个有效特征对应的融合权重，所有特征的融合权重之和为1，为全局平均池化操作，用于提取对应特征维度的全局均值分布信息，为全局最大池化操作，用于提取对应特征维度的局部极值响应信息，为全连接层的可学习权重参数，为全连接层的可学习偏置参数，为relu非线性激活函数，用于实现特征信息的非线性变换，为第个特征到产能输出节点的因果关联强度，为预设的先验权重调节系数，取值范围为0到1，用于平衡数据驱动学习结果与因果先验知识在权重分配中的占比；

15、权重计算完成后，对所有有效特征执行加权求和得到初始融合向量，引入残差连接机制将原始标准化特征与初始融合向量进行逐元素叠加，生成最终的融合特征向量，避免特征加权过程中有效信息的损耗；

16、通过融入因果先验的注意力权重分配机制，既能够通过数据驱动动态调整特征权重适配不同供应商的生产特性，又能够通过因果先验约束避免模型学习到不符合生产逻辑的权重分配结果，有效提升融合特征对产能变化规律的表征能力。

17、进一步的，步骤s4中的时序产能预测模型采用嵌入波动感知门控的长短期记忆网络与全连接输出层的串联结构，其中波动感知门控可根据输入特征的变化幅度自动调整记忆单元的信息保留比例，强化模型对产能非平稳波动的感知能力，全连接输出层用于将长短期记忆网络输出的时序隐状态映射为对应时段的产能数值；

18、模型预训练过程中采用双目标损失函数约束参数迭代方向，损失函数计算形式为：，其中为模型训练的总损失值，为模型预测值与真实产能值之间的平均绝对误差，用于衡量预测值的数值精度，为模型对产能波动方向预测的交叉熵损失，用于衡量模型对产能上升、下降趋势的判断准确率，为预设的损失平衡系数，取值范围为0到1，用于调整两类损失在总损失中的占比；

19、训练过程中采用滑动窗口方式构建训练样本集，滑动窗口长度与供应商生产周期匹配，将历史融合特征向量按时间顺序排列为输入序列，将对应窗口后预设预测周期的分时段实际产能值作为训练标签，采用adamw优化器迭代更新模型参数，训练时引入时序交叉验证机制，严格按照时间顺序划分训练集与验证集，避免随机划分样本导致的未来信息泄露问题，当验证集损失连续多轮不再下降时终止训练，保留验证集损失最小时的参数作为模型最终参数；

20、通过带波动感知单元的模型结构与双目标损失函数，可同时提升模型对产能长期趋势的拟合精度与对短期波动方向的识别准确率。

21、进一步的，步骤s5中的动态校准规则库内置扰动影响系数矩阵，矩阵元素基于历史周期内同区域、同行业供应商遭遇各类扰动事件时的实际产能波动数据统计得到，矩阵行维度对应不同类型的扰动事件，涵盖政策管控、气象灾害、公共卫生事件、设备故障、原材料断供、物流中断等核心扰动类型，矩阵列维度对应扰动事件的不同影响等级，按照事件影响范围、持续时长划分等级，矩阵元素为对应类型、对应等级事件在影响峰值期的产能影响比例；

22、实时获取扰动事件信号后，通过文本分类与影响范围研判确定事件类型、影响等级、影响起始与终止时间以及事件发展阶段，逐时段对初始产能预测值进行校准，校准计算形式为：，其中为时段校准后的产能预测值，为时段的初始产能预测值，为时段内正在产生影响的扰动事件总数，为第个事件对应影响等级下的峰值产能影响系数，为第个事件在时段的阶段影响强度系数，随事件从发生、峰值到衰退的发展过程动态调整取值；

23、扰动影响系数矩阵按照固定周期结合最新的事件影响数据完成更新，保证系数取值与实际生产场景的适配性；通过逐时段的多事件叠加校准机制，可量化多个扰动事件同时发生时的耦合影响，解决传统预测模型对突发扰动事件响应滞后、未考虑多事件叠加效应的问题。

24、进一步的，生成最终分时段供应商产能预测结果后，基于模型的历史预测残差序列构建残差自回归模型，预测每个时段的预测误差分布特征，计算指定置信水平下的预测值上下边界作为预测结果的置信度区间，为决策人员提供预测结果的不确定性参考；

25、将各时段的产能预测值与同期已锁定的订单需求值进行逐时段比对，计算对应时段的产能缺口率，当连续三个及以上时段的产能缺口率超过预设阈值，且对应时段置信区间的下边界取值仍低于订单需求值时，触发产能风险预警信号，避免单点预测随机波动导致的预警误报；预测结果与置信区间数据按照统一数据格式存储至供应链数据库，支持后续产能规划、订单分配、库存调度等业务环节调用。

26、进一步的，产能风险预警信号根据产能缺口率的区间范围划分为三个等级，当产能缺口率处于第一预设区间时触发一般等级预警，将预警信息推送至对应供应商的采购对接岗位，提醒岗位人员跟进核实供应商生产进度、确认产能交付能力；当产能缺口率处于第二预设区间时触发重要等级预警，将预警信息推送至供应链管理部门负责人，同步匹配展示同品类备选供应商的实时可用产能、最短交付周期、历史履约率数据，辅助管理人员提前开展备选产能调度；

27、当产能缺口率处于第三预设区间时触发重大等级预警，将预警信息推送至企业供应链决策层，自动生成包含安全库存释放、订单优先级调整、多供应商产能拆分的多维度应对方案参考；

28、预警推送采用多渠道触达机制，根据预警等级匹配系统站内消息、办公软件通知、短信提醒等不同触达渠道，确保相关责任人及时接收预警信息；通过分级匹配的预警响应机制，可在不同程度的产能风险发生时精准推送对应信息与决策参考，避免风险响应过度或响应不足的问题。

29、进一步的，一种基于多源数据融合的供应商产能预测系统，包括：

30、多源数据采集预处理模块，内置支持多类业务系统、公开数据平台对接的标准化协议适配器，配置时间戳对齐单元、分层数据清洗单元、数据质量量化校验单元，配置为自动完成多源异构数据的采集、粒度对齐、分层清洗与质量校验，当检测到低质量数据字段时自动触发补采流程，输出符合分析要求的标准化产能分析数据集；

31、因果特征构建模块，内置因果关系检验单元、图数据库存储单元、特征筛选单元，配置为自动识别产能影响特征间的因果传导方向与关联强度，按照逻辑层级构建产能传导因果图谱，基于图谱的连通性分析与关联强度计算结果筛选有效特征集合，剔除冗余伪关联特征；

32、自适应特征融合模块，内置融入因果先验的通道注意力计算单元、残差连接单元，配置为根据特征对预测结果的贡献度动态分配融合权重，完成跨域异构特征的维度统一聚合，输出信息完整的融合特征向量；

33、时序产能预测模块，内置预训练完成的带波动感知门控的长短期记忆预测模型、双目标损失计算单元，配置为基于融合特征向量提取产能变化的长期趋势与短期波动规律，输出预测窗口内分时段的初始产能预测值；

34、动态校准模块，内置扰动事件实时感知单元、扰动影响系数矩阵存储单元、多事件叠加校准单元，配置为实时抓取并识别预测窗口内的各类突发扰动事件，结合事件影响参数对初始预测值进行逐时段动态修正，输出最终分时段产能预测结果；

35、结果推送模块，内置置信度计算单元、分级预警单元、多渠道推送单元，配置为基于历史残差分布计算预测结果的置信区间，根据产能缺口幅度触发对应等级的预警信号，将预测结果与预警信息精准推送至对应层级的管理终端。

36、进一步的，还包括可视化交互单元、权限管理单元与增量学习单元，其中可视化交互单元提供可配置的数据看板，可按照供应商、产品品类、时间周期等维度展示产能预测曲线、置信区间、预警信息、历史预测准确率统计数据，支持用户通过自定义筛选条件查询所需数据，满足不同业务场景的数据查看需求；

37、权限管理单元按照企业岗位层级配置对应的数据查看权限与操作权限，对核心供应商产能数据进行访问加密，避免敏感供应数据的非授权访问；增量学习单元配置为自动归集用户反馈的供应商实际产能数据、扰动事件实际影响幅度数据，按照预设的固定周期触发预测模型的增量训练与参数更新，同步更新扰动影响系数矩阵中的系数取值，随着系统运行过程中积累的数据量增加，持续提升预测结果的准确性；通过可配置的交互功能与自优化机制，系统可适配不同行业、不同规模企业的供应商管理需求，降低系统长期运行的维护成本。

38、与现有的技术相比，本发明的有益效果是：

39、本发明通过全链路多源异构数据自动化采集结合因果传导图谱特征筛选的技术手段，覆盖供应商生产端、上游供应端、外部环境端全维度产能影响因素，基于因果推断逻辑识别特征真实影响路径，剔除存在伪关联关系的冗余特征，有效解决了现有技术数据采集维度狭窄、人工摸排信息滞后、特征共线性干扰大的问题，从输入层保障预测数据的可靠性与特征逻辑的可解释性。

40、本发明通过融入因果先验的自适应注意力特征融合机制，结合嵌入波动感知门控的双目标约束时序预测模型，基于特征贡献度动态调整融合权重适配不同行业、不同规模供应商的生产特性，同时兼顾产能长期趋势拟合精度与短期波动方向识别准确率，有效解决了现有技术固定权重融合场景适配性差、对产能非平稳波动感知不足的问题，大幅提升了常规生产场景下的预测精度。

41、本发明通过多扰动事件叠加的动态校准机制，结合置信度区间计算与分级预警响应体系，可实时捕捉各类突发生产扰动事件并量化耦合影响幅度，同时提供预测结果的不确定性参考，针对不同等级产能缺口匹配对应响应策略，有效解决了现有技术对突发扰动响应滞后、无风险参考导致的预警误报漏报、风险应对效率低的问题，大幅提升了高不确定性供应链环境下的预测可靠性。

42、本发明的技术方案可适配离散制造、快消消费、电子信息、生物医药等多个行业的供应商管理需求，支持自定义生产周期、扰动阈值、预警规则等参数匹配企业个性化管理要求，系统内置增量学习机制可随运行数据积累自动迭代优化模型参数与扰动系数，无需高频人工维护，具备较高的推广应用价值，可有效降低企业供应链运营成本，提升供应风险抵御能力。