【技術實現步驟摘要】
本專利技術涉及供應鏈管理，具體是指基于人工智能的供應鏈需求預測與動態調整系統。
技術介紹
1、隨著經濟全球化的發展，企業面臨的市場競爭日益激烈。供應鏈管理作為企業提高競爭力的關鍵環節，其重要性日益凸顯。需求預測與動態調整作為供應鏈管理的核心環節，其準確性直接影響到企業的庫存控制、生產計劃、物流配送等各個方面。傳統的需求預測方法面臨一定的局限性，難以跟上市場需求的快速變動。在這一挑戰之下，人工智能技術的迅猛發展為供應鏈需求預測領域開辟了新的可能性。然而現有的基于人工智能的供應鏈需求預測與動態調整系統，存在難以捕捉數據的時序序列的長距離依賴關系和周期性模式的問題，存在缺乏供應鏈根據市場需求的變化進行快速調整策略的問題。
技術實現思路
1、針對上述情況，為克服現有技術的缺陷，本專利技術提供了基于人工智能的供應鏈需求預測與動態調整系統。針對難以捕捉數據的時序序列的長距離依賴關系和周期性模式的問題，本專利技術設計了改進transformer-bilstm模型，提取日期的相關特征并通過日期特征編碼替代傳統transformer模型中的絕對位置編碼，從而更加精準地揭示數據中的周期性規律。同時，模型融合了深度學習的自注意力機制和雙向長短期記憶網絡的核心優勢，有效識別并提取數據中的長期依賴關系和周期性模式，顯著提升了預測的準確性；針對缺乏供應鏈根據市場需求的變化進行快速調整策略的問題，本專利技術結合改進transformer-bilstm模型的需求預測結果，制定供應鏈中的庫存、生產和物流的調整策略，
2、本專利技術采取的技術方案如下：本專利技術提供了基于人工智能的供應鏈需求預測與動態調整系統，具體包括：數據預處理模塊、需求預測模塊、動態調整模塊和用戶交互模塊；所述的數據預處理模塊的輸出端連接需求預測模塊的輸入端，所述的需求預測模塊的輸出端連接動態調整模塊的輸入端，所述的需求預測模塊和動態調整模塊的輸出端連接用戶交互模塊的輸入端；
3、所述的數據預處理模塊獲得銷售數據并進行預處理；
4、所述的需求預測模塊提取和處理銷售數據中日期的特征信息，并利用改進transformer-bilstm模型得到需求預測結果；
5、所述的動態調整模塊根據需求預測結果建立調整策略；
6、所述的用戶交互模塊提供用戶與系統進行交互的數據可視化界面，將需求預測結果和調整策略以圖表、儀表盤的形式進行展示。
7、所述的數據預處理模塊獲得銷售數據并進行預處理的具體步驟如下所述：
8、s1：獲得銷售數據，銷售數據包括日期和銷售數量兩部分；
9、s2：將日期統一為yyyy-mm-dd格式，將銷售數量以四舍五入的方式統一為整數；
10、s3：銷售數據中的缺省數據處理：以缺省數據前后各一天的銷售數量的均值補全缺省數據的銷售數量。
11、所述的需求預測模塊提取和處理銷售數據中日期的特征信息，并利用改進transformer-bilstm模型得到需求預測結果的具體步驟如下所述：
12、d1：日期特征提取：提取每個日期的天數、月份和星期，天數表示月份中的第幾天；
13、d2：日期特征編碼：將銷售數據中的日期作為輸入序列，利用正弦函數和余弦函數的周期公式分別對每個日期的天數、月份和星期進行位置編碼，得到天數位置編碼、月份位置編碼和星期位置編碼，具體公式如下所述：
14、天數位置編碼的公式如下所述：
15、;
16、;
17、其中，表示輸入序列的第個日期的天數位置編碼的第個元素的值，表示后一個元素的值，表示正弦函數，表示余弦函數，表示第個日期的天數，為所在月份的天數。
18、月份位置編碼的公式如下所述：
19、;
20、;
21、其中，表示輸入序列的第個日期的月份位置編碼的第個元素的值，表示后一個元素的值，表示第個日期的月份，表示月份的最大周期值。
22、星期位置編碼的公式如下所述：
23、;
24、;
25、其中，表示輸入序列的第個日期的星期位置編碼的第個元素的值，表示后一個元素的值，表示第個日期的星期，表示星期的最大周期值。
26、d3：節假日特征處理：對輸入序列中的每個日期是否處于節假日進行標記，得到節假日標記序列，將節假日標記序列轉換為嵌入向量，得到節假日嵌入向量；
27、d4：構建并訓練改進transformer-bilstm模型：改進transformer-bilstm模型包括輸入模塊、transformer模塊、bilstm模塊和輸出模塊，通過改進transformer-bilstm模型得到需求預測結果，利用均方差損失函數將需求預測結果與銷售數量進行對比，進而優化改進transformer-bilstm模型的網絡參數；
28、d5：輸入起始日期和預測天數，通過改進transformer-bilstm模型得到需求預測結果。
29、進一步地，所述的輸入模塊將輸入序列轉換為嵌入向量，然后將輸入序列的嵌入向量與節假日嵌入向量進行拼接，得到輸入向量，將天數位置編碼、月份位置編碼和星期位置編碼依次進行相加，得到日期位置編碼，輸入模塊的公式如下所述：
30、;
31、;
32、其中，表示輸入向量，表示日期位置編碼，表示拼接操作，表示輸入序列的嵌入向量，表示節假日嵌入向量，、和分別表示天數位置編碼、月份位置編碼和星期位置編碼。
33、進一步地，所述的transformer模塊包含transformer模型的編碼器，將輸入向量投入至編碼器中，用日期位置編碼替換編碼器原有的絕對位置編碼，并與輸入向量進行相加，transformer模塊的公式如下所述：
34、;
35、;
36、;
37、其中，表示輸入向量與日期位置編碼之和，、、分別表示的查詢向量、鍵向量和值向量，、和分別表示的權重矩陣，的權重矩陣和的權重矩陣，表示tf特征序列，表示多頭注意力機制，表示頭的個數，表示第個頭的輸出結果。
38、進一步地，所述的bilstm模塊包含一個前向lstm層和一個后向lstm層，bilstm模塊將transformer模塊的輸出作為tf特征序列，前向lstm層從tf特征序列的開始到結束進行正向傳播，后向lstm層從tf特征序列的結束到開始進行反向傳播，每個時間步將前向lstm層和后向lstm層的輸出進行拼接，bilstm模塊的公式如下所述：
39、;
40、其中，為時間步索引，為第個時間步bilstm模塊的輸出向量，和分別為第個時間步前向lstm和后向lstm的輸出向量，為在第個時間步的特征向量。
41、進一步地，所述的輸出模塊通過一個線性層對bilstm模塊的輸出進行線性變換，得到需求預測結果本文檔來自技高網...
【技術保護點】
1.基于人工智能的供應鏈需求預測與動態調整系統，其特征在于：具體包括：數據預處理模塊、需求預測模塊、動態調整模塊和用戶交互模塊；
2.根據權利要求1所述的基于人工智能的供應鏈需求預測與動態調整系統，其特征在于：所述的改進Transformer-BiLSTM模型具體包括輸入模塊、Transformer模塊、BiLSTM模塊和輸出模塊，通過改進Transformer-BiLSTM模型得到需求預測結果，利用均方差損失函數將需求預測結果與銷售數量進行對比，進而優化改進Transformer-BiLSTM模型的網絡參數。
3.根據權利要求2所述的基于人工智能的供應鏈需求預測與動態調整系統，其特征在于：所述的輸入模塊將輸入序列轉換為嵌入向量，然后將輸入序列的嵌入向量與節假日嵌入向量進行拼接，得到輸入向量，將天數位置編碼、月份位置編碼和星期位置編碼依次進行相加，得到日期位置編碼。
4.根據權利要求3所述的基于人工智能的供應鏈需求預測與動態調整系統，其特征在于：所述的Transformer模塊包含Transformer模型的編碼器，將輸入向量投入至編碼器中，用
5.根據權利要求2所述的基于人工智能的供應鏈需求預測與動態調整系統，其特征在于：所述的BiLSTM模塊包含一個前向LSTM層和一個后向LSTM層，BiLSTM模塊將Transformer模塊的輸出作為TF特征序列，前向LSTM層從TF特征序列的開始到結束進行正向傳播，后向LSTM層從TF特征序列的結束到開始進行反向傳播，每個時間步將前向LSTM層和后向LSTM層的輸出進行拼接。
6.根據權利要求2所述的基于人工智能的供應鏈需求預測與動態調整系統，其特征在于：所述的輸出模塊通過一個線性層對BiLSTM模塊的輸出進行線性變換，得到需求預測結果。
7.根據權利要求1所述的基于人工智能的供應鏈需求預測與動態調整系統，其特征在于：
...【技術特征摘要】
1.基于人工智能的供應鏈需求預測與動態調整系統，其特征在于：具體包括：數據預處理模塊、需求預測模塊、動態調整模塊和用戶交互模塊；
2.根據權利要求1所述的基于人工智能的供應鏈需求預測與動態調整系統，其特征在于：所述的改進transformer-bilstm模型具體包括輸入模塊、transformer模塊、bilstm模塊和輸出模塊，通過改進transformer-bilstm模型得到需求預測結果，利用均方差損失函數將需求預測結果與銷售數量進行對比，進而優化改進transformer-bilstm模型的網絡參數。
3.根據權利要求2所述的基于人工智能的供應鏈需求預測與動態調整系統，其特征在于：所述的輸入模塊將輸入序列轉換為嵌入向量，然后將輸入序列的嵌入向量與節假日嵌入向量進行拼接，得到輸入向量，將天數位置編碼、月份位置編碼和星期位置編碼依次進行相加，得到日期位置編碼。
4.根據權利要求3所述的基于人工智能的供應鏈需求...
【專利技術屬性】
技術研發人員：朱德龍，杜星，左大發，殷旅江，李保林，鄢曹政，胡姜，王紅英，肖俊濤，姚麗萍，薛昌春，高佳星，
申請(專利權)人：北京妙想科技有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。