供应链的成熟度评估方法、装置、计算机设备、可读存储介质和程序产品与流程
导航:X技术最新专利计算;推算;计数设备的制造及其应用技术
本技术针对传统供应链运力分析依赖主观判断导致的准确性不足问题,提出通过特征提取识别非线性关系的运输关键项,结合预设评估模型量化分析,实现供应链成熟度的高效精准评估。方法包括数据集处理、关键项提取、参考值计算及模型评估,提升分析可靠性。
本技术涉及供应链运输,特别是涉及一种供应链的成熟度评估方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
1、随着物流技术的发展,供应链路可能愈加复杂,企业之间的竞争力也逐渐增加。为提升对供应链路上的运力资源的管理,企业可以对供应链路上的运力资源进行分析,以了解运力资源在供应链路上的优势和劣势。然而,目前供应链的运力资源的数据量较大,对于运力资源的分析往往依赖于主观判断和定性分析,如此会导致对供应链路的运力资源的分析的可靠性低且不准确。
1、基于此,有必要针对上述技术问题,提供一种能够高效且准确地对供应链的成熟度进行评估的供应链的成熟度评估方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
4、对所述运力资源数据集进行特征提取,分析所述运力资源数据集,得到存在非线性关系的运输信息关键项;
6、将各个所述运输信息关键项的分值分别输入至预设评估模型,以得到各个所述运输信息关键项分别对应的评估结果;
7、基于所述运输信息关键项对应的评估结果,得到所述目标供应链的成熟度评估结果。
8、在其中一个实施例中,对所述运力资源数据集进行特征提取,分析所述运力资源数据集,得到存在非线性关系的运输信息关键项的步骤包括:
9、对所述运力资源数据集进行特征提取,得到所述运力资源数据集对应的特征值以及所述特征值对应的特征向量;
10、基于符合第一预设条件的所述特征值对应的特征向量,得到所述运输信息关键项。
11、在其中一个实施例中, 对所述运力资源数据集进行特征提取的步骤,包括:
14、对所述协方差矩阵进行特征分解,以得到所述运力资源数据集对应的特征值以及所述特征值对应的特征向量。
15、在其中一个实施例中,基于所述运力资源数据集得到各个所述运输信息关键项分别对应的参考值的步骤,包括:
16、基于所述运力资源数据集中的每个数据组和所述运输信息关键项,得到每个所述数据组对应于所述运输信息关键项的数值;
17、基于每个数据组对应于所述运输信息关键项的数值,得到所述运输信息关键项的参考值。
18、在其中一个实施例中,基于各个所述运输信息关键项对应的评估结果得到所述目标供应链的成熟度评估结果的步骤,包括:
19、从所述运输信息关键项对应的评估结果中获得大于预设阈值的目标评估结果;
20、获得所述目标评估结果相对于所述运输信息关键项对应的评估结果的数量占比;
24、将所述模型训练数据集分为训练集和测试集,初始化随机森林模型的参数;
25、基于所述训练集训练优化所述随机森林模型的参数,得到待确认随机森林模型;
27、当所述待确认随机森林模型的性能满足预设标准时,将所述待确认随机森林模型确认为所述预设评估模型。
30、分析模块,用于对所述运力资源数据集进行特征提取,分析所述运力资源数据集,得到存在非线性关系的运输信息关键项;
31、定量模块,用于基于所述运力资源数据集得到各个所述运输信息关键项分别对应的参考值;
32、评估模块,用于将各个所述运输信息关键项的参考值分别输入至预设评估模型,以得到各个所述运输信息关键项分别对应的评估结果;
33、确认模块,用于基于各个所述运输信息关键项对应的评估结果得到所述目标供应链的成熟度评估结果。
34、第三方面,本技术还提供了一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
36、对所述运力资源数据集进行特征提取,分析所述运力资源数据集,得到存在非线性关系的运输信息关键项;
37、基于所述运力资源数据集得到各个所述运输信息关键项分别对应的参考值;
38、将各个所述运输信息关键项的参考值分别输入至预设评估模型,以得到各个所述运输信息关键项分别对应的评估结果;
39、基于各个所述运输信息关键项对应的评估结果,得到所述目标供应链的成熟度评估结果。
40、第四方面,本技术还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
42、对所述运力资源数据集进行特征提取,分析所述运力资源数据集,得到存在非线性关系的运输信息关键项;
43、基于所述运力资源数据集得到各个所述运输信息关键项分别对应的参考值;
44、将各个所述运输信息关键项的参考值分别输入至预设评估模型,以得到各个所述运输信息关键项分别对应的评估结果;
45、基于各个所述运输信息关键项对应的评估结果,得到所述目标供应链的成熟度评估结果。
46、第五方面,本技术还提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:
48、对所述运力资源数据集进行特征提取,分析所述运力资源数据集,得到存在非线性关系的运输信息关键项;
49、基于所述运力资源数据集得到所述各个运输信息关键项分别对应的参考值;
50、将各个所述运输信息关键项的参考值分别输入至预设评估模型,以得到各个所述运输信息关键项分别对应的评估结果;
51、基于各个所述运输信息关键项对应的评估结果,得到所述目标供应链的成熟度评估结果。
52、上述供应链的成熟度评估方法、装置、计算机设备、计算机可读存储介质和计算机程序产品,通过获取目标供应链对应的运力资源数据集,对运力资源数据集进行特征提取,分析运力资源数据集,得到存在非线性关系的运输信息关键项,如此可以基于少量的数据代表运力资源数据集,减少评估的计算量,之后再基于运力资源数据集得到各个运输信息关键项分别对应的参考值,将各个运输信息关键项的参考值分别输入至预设评估模型中,得到各个运输信息关键项分别对应的评估结果,如此能够将各个运输信息关键项对目标供应链的成熟度的作用进行量化,从而可以在基于各个运输信息关键项对应的评估结果,得到目标供应链的成熟度评估结果,进而可以准确地高效地对目标供应链进行成熟度评估。
技术研发人员:桂媛,刘厚钦,黄山,王谦,陈令曦,夏武,张桂源,陈睿,项兰岚
针对现有派单系统在订单参数识别片面、服务链分解逻辑不系统、运力匹配不精准等问题,提出构建需求量化+资源量化+基础属性+时空成本多维参数体系,创新分解触发判定+方案分层匹配双逻辑体系,并...
针对大宗散货物流调度中人工匹配效率低、实时性差的问题,提出基于人工智能的多维度特征提取与动态优化方法,通过任务与运力特征智能匹配提升调度精度与效率。 ...
针对传统供应链资源供应对象评估依赖人工导致效率低、准确度差的问题,提出基于机器学习的自动化评估方案。通过获取多维度评估数据,利用特征提取技术构建评估特征库,并结合预训练异常评估模型,实现对异常...
发现传统供应链评估依赖主观定性指标,存在数据偏差问题。创新性采用德尔菲法构建三级量化指标体系,将定性指标转化为可计算的客观数据,通过多维度权重分配实现科学评估,提升发电企业供应链效益评价的准确性与可...
从事计算机控制等方面的教学工作,科研方向为智能算法在地质灾害预报等领域的交叉应用研究。
研究领域及方向: 1. 供应链复杂系统建模、仿线. 供应链数字化与智能决策; 3. 基于人工智能算法、机器学习的生产调度优化; 4. 物联网与大数据分析在供应链管控中的应用。
主要研究方向:云计算安全,物联网安全,人工智能安全,网络攻击检测,支付欺诈检测,公钥密码,隐私计算等。