一种基于深度学习的数字化转型成熟度评估方法及系统与流程

本申请涉及数字化转型评估，具体而言，涉及一种基于深度学习的数字化转型成熟度评估方法及系统。

背景技术：

1、在企业数字化转型成熟度评估领域，利用深度学习模型处理多模态数据并进行时序性评估已成为重要手段。为了适应业务环境的动态变化，现有系统通常内嵌特征漂移检测逻辑，通过滑动窗口计算当前数据分布与历史基准分布的统计距离，当距离超过设定阈值时，自动触发深度学习模型的增量训练或微调。

2、然而，在制造业企业数字化转型深化期，企业常伴随季节性生产波动（如第四季度订单冲量），导致设备开动率和人员加班时长出现大幅但短暂的脉冲式波动。现有的特征漂移检测逻辑主要依赖单一的分布距离计算，缺乏区分临时性业务冲击与转型驱动的持久性特征漂移的能力。当季节性抢工数据进入滑动窗口后，系统会因统计差异突破阈值而触发不必要的增量训练，将短期噪声内化为模型特征。当次年第一季度生产回归常态后，模型基于已学习的高负荷模式进行评估，会将正常的生产节奏误判为效率下降，导致成熟度评分出现非真实的显著下滑。这种对短期噪声的过度敏感，使得闭环演化不仅未能实现自我纠正，反而引入了新的评估偏差，造成生产回归常态后成熟度评估结果的系统性偏低。

3、针对上述问题，现有技术亟需改进。

技术实现思路

1、为了解决现有技术的不足，本申请公开了一种基于深度学习的数字化转型成熟度评估方法及系统，旨在解决现有技术中因无法区分临时性业务冲击与持久性特征漂移，导致模型对短期噪声过度敏感并引入评估偏差的技术问题。

2、本申请的技术方案如下：

3、第一方面，本申请公开了一种基于深度学习的数字化转型成熟度评估方法，步骤包括：

4、获取表征企业当期数字化运营水平的待评估时序数据、反映企业稳定运营基准状态的历史稳态基准数据以及体现同期年度运营规律的历史周期参考数据；

5、提取待评估时序数据相对于历史稳态基准数据以及历史周期参考数据的时序变化特征；

6、根据时序变化特征，判定待评估时序数据的偏离性质，偏离性质包括平稳小幅偏离、暂态波动、周期性波动以及趋势性漂移；

7、若判定偏离性质为趋势性漂移，则对时序变化特征执行预设周期的持续性复核；

8、根据偏离性质的判定结果以及复核结果，生成针对预设的评估模型的分类控制策略，分类控制策略包括：若判定偏离性质为平稳小幅偏离，则直接将待评估时序数据输入至评估模型，计算并输出成熟度评估结果；若判定偏离性质为暂态波动或周期性波动，则冻结评估模型的全局权重，将待评估时序数据输入至全局权重冻结后的评估模型，计算并输出带有环境解释标记的成熟度评估结果；若复核确认偏离性质为趋势性漂移，则定位受影响的特征子集，基于受影响的特征子集，对评估模型中与特征子集对应的局部网络分支执行定向参数更新，保持评估模型的映射权重处于冻结状态，将待评估时序数据输入至局部网络分支更新完成后的评估模型，计算并输出成熟度评估结果。

9、第二方面，本申请公开了一种基于深度学习的数字化转型成熟度评估系统，包括：

10、数据获取模块，用于获取表征企业当期数字化运营水平的待评估时序数据、反映企业稳定运营基准状态的历史稳态基准数据以及体现同期年度运营规律的历史周期参考数据；

11、特征提取模块，用于提取待评估时序数据相对于历史稳态基准数据以及历史周期参考数据的时序变化特征；

12、性质判定模块，用于根据时序变化特征，判定待评估时序数据的偏离性质，偏离性质包括平稳小幅偏离、暂态波动、周期性波动以及趋势性漂移；

13、持续复核模块，用于若判定偏离性质为趋势性漂移，则对时序变化特征执行预设周期的持续性复核；

14、策略生成模块，用于根据偏离性质的判定结果以及复核结果，生成针对预设的评估模型的分类控制策略，分类控制策略包括：若判定偏离性质为平稳小幅偏离，则直接将待评估时序数据输入至评估模型，计算并输出成熟度评估结果；若判定偏离性质为暂态波动或周期性波动，则冻结评估模型的全局权重，将待评估时序数据输入至全局权重冻结后的评估模型，计算并输出带有环境解释标记的成熟度评估结果；若复核确认偏离性质为趋势性漂移，则定位受影响的特征子集，基于受影响的特征子集，对评估模型中与特征子集对应的局部网络分支执行定向参数更新，保持评估模型的映射权重处于冻结状态，将待评估时序数据输入至局部网络分支更新完成后的评估模型，计算并输出成熟度评估结果。

15、综合而言，本申请提供的了一种基于深度学习的数字化转型成熟度评估方法及系统，通过构建多维度的时序基准状态，并引入时序变化特征的深度量化与性质判定机制，实现了对数字化转型成熟度评估中特征漂移的精准识别。该方案能够有效区分短期业务冲击、周期性波动与持久性转型变化，通过分级控制策略，在面对短期噪声时冻结模型权重并提供环境解释，在面对真实转型时执行定向局部参数更新。这种机制不仅避免了因季节性波动导致的模型误训练和评估偏差，还确保了深度学习模型在吸收新转型特征的同时，能够保持历史评估基准的连贯性与纵向深度，从而显著提升了复杂动态业务环境下数字化转型成熟度评估的准确性与鲁棒性。

1.一种基于深度学习的数字化转型成熟度评估方法，其特征在于，该方法的步骤包括：

2.根据权利要求1所述的一种基于深度学习的数字化转型成熟度评估方法，其特征在于，所述获取企业的待评估时序数据、历史稳态基准数据以及历史周期参考数据的步骤包括：

3.根据权利要求1所述的一种基于深度学习的数字化转型成熟度评估方法，其特征在于，所述提取所述待评估时序数据相对于所述历史稳态基准数据以及所述历史周期参考数据的时序变化特征的步骤包括：

4.根据权利要求3所述的一种基于深度学习的数字化转型成熟度评估方法，其特征在于，所述将所述待评估时序数据输入至预设的深度学习模型中以提取隐含表征向量的步骤包括：

5.根据权利要求1所述的一种基于深度学习的数字化转型成熟度评估方法，其特征在于，所述时序变化特征包括变化幅度、持续时长、数值回落趋势、跨模态特征关联结构变化以及周期性相似度；

6.根据权利要求5所述的一种基于深度学习的数字化转型成熟度评估方法，其特征在于，对判定为所述趋势性漂移的偏离事件执行预设周期的持续性复核的步骤包括：

7.根据权利要求5所述的一种基于深度学习的数字化转型成熟度评估方法，其特征在于，在根据所述时序变化特征，判定所述待评估时序数据的偏离性质之前，该方法还包括：

8.根据权利要求1所述的一种基于深度学习的数字化转型成熟度评估方法，其特征在于，所述输出带有环境解释标记的成熟度评估结果的步骤包括：

9.根据权利要求1所述的一种基于深度学习的数字化转型成熟度评估方法，其特征在于，所述基于所述受影响的特征子集，对所述评估模型中与所述特征子集对应的局部网络分支执行定向参数更新的步骤包括：

10.一种基于深度学习的数字化转型成熟度评估系统，其特征在于，包括：