基于机器学习的供应链多类型风险智能识别与预判方法与流程
本发明涉及人工智能与供应链管理,具体涉及基于机器学习的供应链多类型风险智能识别与预判方法。
背景技术:
1、人工智能与供应链管理技术领域涉及以机器学习、模型训练、特征提取和预测推理为基础,对供应链运行过程中的订单、库存、物流、供应商履约、交易记录和异常事件数据进行采集、整理、标注、计算和分类判断的技术,通常由业务终端、服务器、数据库、处理器和存储器配合完成数据调用、模型输入和结果输出。其中,传统基于机器学习的供应链多类型风险智能识别与预判方法是指按照字段清洗、时间排序、特征编码、样本标签配置和模型训练流程,将供应链历史数据和待识别数据输入分类模型、预测模型或神经网络模型,并依据模型输出的类别值、风险等级值和趋势序列形成风险识别与预判结果。
2、传统基于机器学习的供应链风险识别流程以字段清洗,时间排序,特征编码和样本标签配置为主要处理方式,订单,库存,物流,供应商履约,交易记录和异常事件数据多以分散字段进入模型,实际运行中不同业务对象之间的履约联系和风险传导关系难以被共同表达,模型输出多停留在类别值,风险等级值或趋势序列层面,风险来源路径,前兆演化过程和后续修正依据缺乏稳定关联,容易造成预判结果滞后或偏离运行状态。
技术实现思路
1、本发明的目的在于提供一种基于机器学习的供应链多类型风险智能识别与预判方法,用于在供应链运行数据分散输入、风险前兆表达不足以及多类型风险传导关系难以被共同处理的情况下,通过对供应链运行数据进行链路化重构、时序连接、前兆片段提取、关联校验、阈值校正和反馈修正,使风险识别与预判结果能够对应供应链运行状态、风险来源链路和触发事件单元。
2、为实现所述发明目的,本发明采用如下技术方案:一种基于机器学习的供应链多类型风险智能识别与预判方法,包括以下步骤:
3、获取订单数据、库存数据、物流数据、供应商履约数据、交易记录和异常事件数据形成供应链运行数据。依据订单标识、物料标识、供应商标识、物流节点标识和交易状态,将供应链运行数据重构为履约链路事件单元。按照事件发生时间、业务节点顺序和订单履约流程顺序,对多个履约链路事件单元进行连接,生成订单履约时序链路。在订单履约时序链路中,按照风险类型对应的观察窗口提取风险前兆片段。将风险前兆片段、履约链路特征和供应链当前运行状态输入机器学习模型,得到多类型风险的初始识别结果和预判结果。当初始识别结果和预判结果满足风险共现关系、上下游传导关系或事件先后关系时,执行关联校验;当初始识别结果和预判结果不满足风险共现关系、上下游传导关系和事件先后关系时,保留单项风险结果。依据库存安全余量、订单交付剩余时间、物流节点状态、供应商履约稳定性或替代资源可用性校正风险判断阈值,并输出风险识别与预判结果、风险来源链路和触发事件单元。根据实际风险发生结果、人工确认结果、处置结果或恢复时间,对样本标签置信度、样本权重、风险前兆片段规则或动态阈值进行反馈修正。
4、进一步地,履约链路事件单元包括事件主体、事件类型、事件发生时间、关联订单标识、关联物料标识、关联供应商标识、关联物流节点标识、履约偏差值、交易状态和异常来源标识。生成履约链路事件单元时,先按照订单标识与物料标识对供应链运行数据进行归集,再按照供应商标识、物流节点标识和交易状态补充对应业务节点。当同一业务节点存在多条供应链运行数据时,以事件发生时间靠后的供应链运行数据作为状态更新依据,并保留事件发生时间靠前的供应链运行数据作为履约偏差值计算依据。
5、进一步地,履约偏差值的生成过程包括:以关联订单标识对应的计划交付时间、计划发货时间、计划到达时间或计划结算时间作为基准时间;以同一履约链路事件单元中的实际交付时间、实际发货时间、实际到达时间或实际结算时间作为比对时间;当比对时间晚于基准时间时,将比对时间与基准时间之间的时间差写入履约偏差值,当比对时间不晚于基准时间时,将履约偏差值写入为无延迟状态。
6、进一步地,订单履约时序链路的生成过程包括:按照关联订单标识确定同一订单对应的多个履约链路事件单元;依据事件发生时间对履约链路事件单元进行初始排序,并依据业务节点顺序对初始排序结果进行顺序校验;当事件发生时间排序结果与业务节点顺序一致时生成订单履约时序链路,当事件发生时间排序结果与业务节点顺序不一致时,以业务节点顺序为主序列并将存在时间偏差的履约链路事件单元标记为时序异常节点。
7、进一步地,风险前兆片段的提取过程包括:按照风险类型从订单履约时序链路中确定观察窗口;在观察窗口内统计履约偏差值、库存变化状态、物流节点滞留状态、供应商响应状态和交易异常状态;当同一观察窗口内至少两个状态满足对应风险类型的触发条件时,生成与风险类型对应的风险前兆片段,当同一观察窗口内不足两个状态满足对应风险类型的触发条件时,不生成风险前兆片段。
8、进一步地,将风险前兆片段、履约链路特征和供应链当前运行状态输入机器学习模型的过程包括:按照风险前兆片段对应的风险类型确定模型输入字段组;当供应链当前运行状态中的库存安全余量低于预设余量条件时,将库存变化状态、未到货订单数量和物流预计到达偏差写入模型输入字段组;当供应链当前运行状态中的供应商履约稳定性低于预设稳定条件时,将供应商历史延迟状态、异常响应次数和履约偏差趋势写入模型输入字段组,并由机器学习模型基于模型输入字段组输出初始识别结果和预判结果。
9、进一步地,初始识别结果和预判结果的关联校验过程包括:将初始识别结果和预判结果分别与风险共现关系、上下游传导关系和事件先后关系进行顺序比对;当同一订单履约时序链路中的供应商履约风险、物流延误风险和库存不足风险满足风险共现关系时,生成风险覆盖结果;当同一订单履约时序链路中的在前风险事件指向在后风险事件且业务节点顺序匹配上下游传导关系时,将风险覆盖结果作为风险识别与预判结果的校验依据。
10、进一步地,校正风险判断阈值的过程包括:按照初始识别结果和预判结果对应的风险类型确定初始阈值;将库存安全余量、订单交付剩余时间、物流节点状态、供应商履约稳定性和替代资源可用性分别与对应运行条件进行比对;当库存安全余量低于安全余量条件且订单交付剩余时间短于风险处置时间时,降低初始阈值得到风险判断阈值,当替代资源可用性满足替代调用条件且物流节点状态不满足拥堵条件时,维持初始阈值作为风险判断阈值。
11、进一步地,输出风险来源链路和触发事件单元的过程包括:按照风险识别与预判结果对应的风险类型,回查生成风险前兆片段的订单履约时序链路;将订单履约时序链路中满足风险类型触发条件的履约链路事件单元确定为触发事件单元;依据触发事件单元之间的事件发生时间和业务节点顺序生成风险来源链路,并将风险来源链路与风险识别与预判结果共同输出。
12、进一步地,反馈修正的过程包括:接收实际风险发生结果、人工确认结果、处置结果和恢复时间;当实际风险发生结果与风险识别与预判结果一致时,提高对应样本标签置信度并保留动态阈值;当实际风险发生结果与风险识别与预判结果不一致时,依据人工确认结果修正样本标签置信度并依据恢复时间调整动态阈值;将修正后的样本标签置信度和动态阈值写入后续模型训练和风险判断流程。
13、本发明实施例提供的技术方案带来的有益效果至少包括:
14、本发明中,通过将供应链运行数据重构为履约链路事件单元,并按照事件发生时间,业务节点顺序和订单履约流程顺序生成订单履约时序链路,订单,库存,物流,供应商履约和交易记录之间形成链路化输入。风险前兆片段与履约链路特征进入机器学习模型后,先形成初始识别结果和预判结果,再依据风险共现关系,上下游传导关系和事件先后关系进行关联校验,并结合库存安全余量,订单交付剩余时间校正风险判断阈值,使风险识别与预判结果对应风险来源链路和触发事件单元,反馈修正促使样本标签置信度和动态阈值与实际处置结果保持一致。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com