一种基于图神经网络的协同供应链预测方法 专利技术说明

计算;推算;计数设备的制造及其应用技术1.本发明涉及供应链预测技术领域，尤其是涉及一种基于图神经网络的协同供应链预测方法。背景技术：2.在现实的供应链中，协同供应关系的复杂性以及多重现实因素导致供应链预测的重要性日益凸显。为实现更高效和成本更低的供应链系统，需要对复杂的供应链结构进行有效的管理和协调。准确的供应链预测能够为企业提供更加精细化的库存控制和订单管理，从而减少库存成本，提高生产效率和客户满意度，实现供应链的高效和稳定运营。同时，多重现实因素使得供应链的需求变化不确定，客户需求与库存率之间的矛盾不断加剧，这使得传统的预测方法已经难以应对现实供应链的问题。3.传统的供应链预测方法在预测未来需求、库存、运输等方面采用了一系列方法，其中包括时间序列分析、回归分析等。时间序列分析是一种基于历史数据进行预测的方法，通过对时间序列数据的分析，掌握历史数据的规律和趋势，以此预测未来的需求和库存情况，常用的分析方法有移动平均、指数平滑、arima以及马尔科夫模型。回归分析则是通过建立回归方程，将一个或多个自变量与因变量之间的关系建立数学模型，从而预测未来的需求或库存情况。然而，这些方法在应对复杂的供应链结构和异质性的问题上存在着局限性。由于现实供应链中存在着多个供应商、多个客户以及复杂的供应协调机制，这些方法往往无法考虑到各种复杂的供应链因素之间的相互作用关系，从而难以准确预测供应链的未来情况。因此，为了更好地应对现实供应链的复杂性和异质性，需要研究和发展更加先进的供应链预测方法。4.与传统的数学建模方法相比，深度学习模型可以更好地解决供应链数据的非线性、非平稳性和异质性问题。目前，基于深度学习的供应链预测方法主要包括基于循环神经网络(rnn)的模型、基于卷积神经网络(cnn)的模型和基于深度自编码器(dae)的模型等。其中，rnn模型是目前应用最广泛的深度学习模型之一，它可以对时间序列数据进行建模和预测，该特性十分契合供应链预测的特点。而cnn模型则可以用于提取复杂供应链结构中不同结点之间的联系，获取供应链结构信息，从而实现预测。而dae模型则可以对供应链数据进行自编码和特征提取，提高模型的预测精度和鲁棒性。但是此类深度学习模型与供应链的结构特征吻合度不高，在处理供应链这种图的结构时容易产生与供应链结构无关的冗余信息，从而影响模型预测精度。5.传统的数学建模和神经网络方法在供应链预测中存在着无法应对动态供应链的缺陷。这种动态供应链包括了零售商或分销商的新增和消失，以及它们之间的联系发生变化的情况。在实际供应链系统里往往存在此类问题，使得上述两类模型只能用于静态的供应链问题。技术实现要素：6.为解决上述问题，本技术提出了一种基于图神经网络的协同供应链预测方法，基于图神经网络的预测模型，利用图神经网络与供应链结构的高度一致性，将供应链结构转化为图，同时引入注意力机制与时间序列分析的思想，通过注意力机制强化图的信息密度，再利用图神经网络对供应链数据进行时间序列分析，最终输出得到预测结果。本发明专利能够更加精准地预测供应链中未来的需求、库存、运输等情况，为企业提供更加准确的库存控制和订单管理。此外，所采用的高复杂度模型能够更好地适应供应链中不同节点之间的关系，从而提高预测精度和可靠性。7.本技术提供一种基于图神经网络的协同供应链预测方法，包括以下步骤：8.s10.将供应链信息转化为时序图；9.所述时序图的每一帧对应一个时间节点，所述时序图上的节点表示供应链的节点，节点与节点之间的边表示两个节点间进行供货的代价信息；10.s20.对步骤s10得到的时序图进行空间维度的特征聚合，输出经过特征强化的时序图；11.s30.将步骤s20得到的经过特征强化的时序图进行时间维度的特征聚合，得到供应链信息预测图；12.s40.对所述供应链信息预测图进行解码，得到最终预测结果。13.作为优选，步骤s20中，采用以下卷积公式对每一帧时序图进行卷积计算：[0014][0015]其中，h(l)表示第l层卷积计算时该时序图的特征矩阵，l＝1,2，...，l；l为卷积计算总层数；σ为激活函数，w(l)表示第l层卷积计算时权重矩阵；为该时序图的邻接矩阵，aij为该时序图中节点i的邻接矩阵，j为节点i的邻居节点；是的度矩阵；[0016]由此得到每一帧时序图中每个节点的特征信息。[0017]作为优选，步骤s30包括以下步骤:[0018]s31.将时序图中的时序信息转换为平面信息，并更新所述平面信息图中的边级别事件和点级别事件；[0019]所述边级别事件的更新为：[0020]mi(t)＝msgs(si(t-),sj(t-),δt,eij(t))，[0021]mj(t)＝msgd(sj(t-),si(t-),δt,eij(t))，[0022]其中，t为时序中的第t时刻，mi(t)和mj(t)分别为ij节点之间的交互事件后的i节点和j节点的特征信息；mags()和msgd()为可学习的边级别信息传递函数，mags()和msgd()相同或不同；si(t-)和sj(t-)分别为t-1时刻i节点和j节点的更新后的特征信息；δt为t时刻与t-1时刻之间的时间差，eij(t)为边级别事件，具体表示为供应链上两个节点间需求量、运输成本等信息的变化；[0023]所述点级别事件，即供应链上单个节点的货物储备量、生产能力等信息的变化的更新为：[0024][0025]其中，为t时刻节点i事件更新后的特征信息，magn()为可学习的点级别信息传递函数，vi(t)为步骤s20所得到的t时刻节点i的特征信息；[0026]边级别事件和点级别事件的更新不分先后顺序；[0027]s32.计算每个节点的聚合特征信息；[0028][0029]其中，mi(tk),1≤k≤n，表示从t1时刻到tn时刻i节点的聚合特征信息，agg()为聚合函数；[0030]s33.更新每个节点的节点信息；[0031][0032]其中，si(t)为更新后的i节点t时刻的节点信息，mem()为更新函数；[0033]s34.对更新的节点信息进行编码；[0034][0035]其中，h()为图注意力函数，zi(t)为0到t时刻与i节点所有相关的节点和边与i节点的耦合信息。[0036]采用本发明的一种基于图神经网络的协同供应链预测方法，相对于现有技术，至少具有以下有益效果：[0037]本发明基于图神经网络的预测模型，能够更加精准地预测供应链中未来的需求、库存、运输等情况，为企业提供更加准确的库存控制和订单管理。此外，所采用的高复杂度模型能够更好地适应供应链中不同节点之间的关系，从而提高预测精度和可靠性。附图说明[0038]为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面所描述的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。[0039]图1是本技术一种基于图神经网络的协同供应链预测方法的流程示意图。具体实施方式[0040]以下的说明提供了许多不同的实施例、或是例子，用来实施本发明的不同特征。以下特定例子所描述的元件和排列方式，仅用来精简的表达本发明，其仅作为例子，而并非用以限制本发明。[0041]一种基于图神经网络的协同供应链预测方法，如图1所示，包括以下步骤：[0042]s10.将供应链信息转化为时序图；[0043]所述时序图的每一帧对应一个时间节点，所述时序图上的节点表示供应链的节点，节点与节点之间的边表示两个节点间进行供货的代价信息；[0044]本领域技术人员可以理解，供应链包括原料、生产、仓库、运输、销售点中的至少两个；所述代价信息包括与供应链对应的仓储容量、生产数量、运输成本、需求量、销售数量等信息。[0045]该步骤中，将供应链信息按时间顺序形成t幅带时间信息的图。[0046]s20.对步骤s10得到的时序图进行空间维度的特征聚合，输出经过特征强化的时序图；[0047]步骤s20中，采用以下卷积公式对每一帧时序图进行卷积计算：[0048][0049]其中，h(l)表示第l层卷积计算时该时序图的特征矩阵，l＝1,2，...，l；l为卷积计算总层数；σ为激活函数，w(l)表示第l层卷积计算时权重矩阵；为该时序图的邻接矩阵，aij为该时序图中节点i的邻接矩阵，j为节点i的邻居节点；是的度矩阵，[0050]通过不断地迭代，可以得到每一帧时序图中每个节点的特征信息。[0051]作为优选，该步骤中，将步骤s10得到的时序图通过滑窗的方式将时序图输入到步骤s20的卷积神经网络进行计算。[0052]s30.将步骤s20得到的经过特征强化的时序图进行时间维度的特征聚合，得到供应链信息预测图；步骤s30包括以下步骤:[0053]s31.将时序图中的时序信息转换为平面信息，并更新所述平面信息图中的边级别事件和点级别事件；边级别事件即节点之间的需求变化、运输成本变化等，点级别事件即生产能力升降、销售数量增减、仓储数量增减等；[0054]所述边级别事件的更新为：[0055]mi(t)＝msgs(si(t-),sj(t-),δt,eij(t))，[0056]mj(t)＝msgd(sj(t-),si(t-),δt,eij(t))，[0057]其中，t为时序中的第t时刻，mi(t)和mj(t)分别为ij节点之间的交互事件后的i节点和j节点的特征信息；mags()和msgd()为可学习的边级别信息传递函数，mags()和msgd()相同或不同；si(t-)和sj(t-)分别为t-1时刻i节点和j节点的更新后的特征信息(参见步骤s33)；δt为t时刻与t-1时刻之间的时间差，即时间步长，eij(t)为边级别事件；[0058]其中，si(t-)和sj(t-)分别为t-1时刻i节点和j节点的更新后的特征信息，但是初始时刻ij节点并没有更新后的特征信息，本领域技术人员可以根据情况选择以下方式带入初始时刻的ij节点的特征信息：[0059]令si(0)＝vi(0)，或si(0)＝0；相应地，令sj(0)＝vj(0)，或sj(0)＝0。也就是说，将初始时刻ij节点的特征信息设置为0，或者直接采用步骤s20经过卷积计算得到的ij节点的特征信息数据。[0060]所述点级别事件的更新为：[0061][0062]其中，为t时刻节点i事件更新后的特征信息，magn()为可学习的点级别信息传递函数，vi(t)为步骤s20所得到的t时刻节点i的特征信息；[0063]其中，mags()、msgd()及magn()均可以选用可学习的信息传递函数，例如mlps等。[0064]边级别事件和点级别事件的更新不分先后顺序；[0065]s32.计算每个节点的聚合特征信息；[0066]考虑到批处理时间处理存在某一时刻需要同时更新节点的可能性，因此采用聚合方式来聚合每个节点的特征以减少计算的信息量：[0067][0068]其中，mi(tk)，1≤k≤n，表示从t1时刻到tn时刻i节点的聚合特征信息，agg()为聚合函数。[0069]s33.更新每个节点的节点信息；[0070]对于较长的时间序列数据，网络在处理过程中容易“遗忘”较早的时间序列数据，因此需要引入记忆模块，增强时序数据前后特征的联系。该模块输出一方面用于更新本模块中已经存储的记忆数据，另一方面用于更新嵌入模块的预测数据。[0071]在时间图网络中，节点的特征需要通过对应的事件进行动态更新，边需要与事件交互以更新关联节点对的特征，同时节点事件也需要更新对应的节点信息。具体更新公式如下：[0072][0073]其中，si(t)为更新后的i节点t时刻的节点信息，mem()为更新函数，更新函数选用lstm网络作为记忆更新模块。[0074]s34.对更新的节点信息进行编码；[0075]对于以上节点状态的更新，需要对t时刻节点i的特征进行编码得到嵌入表示：[0076][0077]其中，h()为图注意力函数，即选用图注意力层进行特征聚焦；zi(t)为0到t时刻与i节点所有相关的节点和边与i节点的耦合信息。[0078]s40.对所述供应链信息预测图进行解码，得到最终预测结果，对于预测供应链货物供应及生产的模型而言，输入的图的节点代表供应链上的生产商、制造商与分销商的生产能力以及销售能力；图的边表示任意两节点间的货物需求量及运输成本。输入数据为一段时间内供应链上生产商、制造商与分销商生产及销售数据的变化以及不同供应链层级间供货量的变化，最终输出结果为输入数据下一时刻不同供应链节点生产能力以及对于货物的需求数据。[0079]以上计算得到的数据相当于是经过图编码器编码的图，因此需要经过解码将图的数据还原。因而将前述输出的结果输入至由mlp多层感知机构成的解码器，经过mlp进行解码输出最终的预测结果。该步属于常规技术手段，因而在本技术中不再赘述。[0080]传统数学建模方法需要大量的参数调整和计算，而这种过程往往非常繁琐和耗时，同时也需要专业的数学知识和技能，这对于非专业人士来说是一个相当大的难度。而本技术的一种基于图神经网络的协同供应链预测方法，省去了这个过程，参数的选定与计算均由网络模型自行确定，因此能够减少复杂供应链建模的困难程度。[0081]并且，相比于一般的神经网络方法，本方法采用的图神经网络具有更强的表达能力，能够处理非欧几里得空间中的数据，并且具有更强的可解释性，因此可以很好地提取供应链的结构特征，从而实现更高的预测精度。同时本方法使用的模型可以处理动态供应链预测的问题，从而应对更复杂的供应链预测问题。[0082]针对一个包含供应商、制造商、分销商三种实体的三层供应链模型使用本方法进行预测，其中货物流动从供应商出发，经过制造商后到达分销商。首先将供应链的供应关系转化为单向图，其中图的节点代表供应商、制造商和分销商，节点数据含义为三种实体的生产能力或销售能力。图的边代表两个节点间是否存在货物流动关系，边的数据含义为两个节点间货物供应数量。则模型的输入数据包含时间和空间两个维度，空间维度为供应链的拓扑关系，时间维度为供应链上生产销售能力以及供货数量的变化。[0083]在进行预测时，首先利用图卷积网络对输入的时序图的每一帧进行编码(步骤s10)，将节点数据和边数据进行融合，得到新的节点特征表示，输出结果为一个与输入图拓扑结构相同，但数据经过聚合强化的时序图(步骤s20)。然后，将经过聚合强化后的时序图输入到时间图网络中，利用时间图网络对历史货物流动数据进行建模，并预测未来时间段内每个节点的货物的生产或者销售量，以及两个节点之间的货物供应量。时间图神经网络输出的结果为一个与输入图拓扑结构相同，但数据经过聚合强化的图(步骤s30)。[0084]最后将时间图神经网络的输出的图经过mlp解码，将聚合强化的数据特征重新还原为具有现实意义的数据，得到输入时序图的下一时刻的图，该图即为下一时刻供应链的需求状态(步骤s40)。[0085]以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!