本發(fā)明屬于供應(yīng)鏈風(fēng)險評估，具體的說是基于視覺技術(shù)的下層供應(yīng)鏈風(fēng)險可視化預(yù)測方法及系統(tǒng)。

背景技術(shù)：

1、供應(yīng)鏈已從簡單的線性鏈條演變成包含眾多層級與環(huán)節(jié)的復(fù)雜網(wǎng)絡(luò)結(jié)構(gòu)，下層供應(yīng)鏈，作為直接支撐核心企業(yè)生產(chǎn)運營的基礎(chǔ)層級，涵蓋原材料供應(yīng)商、零部件制造商、物流分包商等諸多關(guān)鍵節(jié)點，其運行的穩(wěn)定性對整個供應(yīng)鏈的穩(wěn)定運行起著舉足輕重的作用。

2、傳統(tǒng)的供應(yīng)鏈風(fēng)險預(yù)測手段主要集中于對歷史交易數(shù)據(jù)的統(tǒng)計分析，通過構(gòu)建回歸模型、時間序列模型等來預(yù)測諸如原材料價格波動、供應(yīng)商交貨延遲等常見風(fēng)險。然而，這種依賴歷史數(shù)據(jù)的方法存在諸多弊端。一方面，歷史數(shù)據(jù)反映的是過去的市場環(huán)境與運營狀況；另一方面，問卷調(diào)查和人工經(jīng)驗判斷也是常用的風(fēng)險評估方式，問卷調(diào)查過程繁瑣、耗時長且回復(fù)的主觀性強(qiáng)。

3、基于視覺技術(shù)的供應(yīng)鏈風(fēng)險管理尚處于探索階段，盡管已有一些嘗試，但大部分應(yīng)用仍集中在靜態(tài)的視覺分析和物品識別層面，無法全面融合多模態(tài)數(shù)據(jù)和動態(tài)變化的信息進(jìn)行高效的風(fēng)險預(yù)測和可視化，因此，基于視覺技術(shù)的下層供應(yīng)鏈風(fēng)險可視化預(yù)測方法的提出，旨在克服傳統(tǒng)供應(yīng)鏈風(fēng)險管理方法的局限性，結(jié)合現(xiàn)代視覺技術(shù)與大數(shù)據(jù)分析，提供一種基于視覺數(shù)據(jù)多模態(tài)融合、動態(tài)更新、實時反饋的風(fēng)險評估和預(yù)測方法。

技術(shù)實現(xiàn)思路

1、針對現(xiàn)有技術(shù)的不足，本發(fā)明提出了基于視覺技術(shù)的下層供應(yīng)鏈風(fēng)險可視化預(yù)測方法及系統(tǒng)，對多模態(tài)數(shù)據(jù)進(jìn)行綜合分析、實時更新與動態(tài)反饋和智能化決策支持，能夠提升供應(yīng)鏈金融的風(fēng)險預(yù)測精度與反應(yīng)速度。

2、為實現(xiàn)上述目的，本發(fā)明提供如下技術(shù)方案：

3、基于視覺技術(shù)的下層供應(yīng)鏈風(fēng)險可視化預(yù)測方法，包括：

4、獲取下層供應(yīng)鏈的相關(guān)數(shù)據(jù)，并進(jìn)行預(yù)處理，得到第一監(jiān)測數(shù)據(jù)；

5、構(gòu)建目標(biāo)識別模型，對第一監(jiān)測數(shù)據(jù)的時空特征和時序特征進(jìn)行識別和提?。?/p>

6、構(gòu)建多層次風(fēng)險評估模型，評估下層供應(yīng)鏈的綜合風(fēng)險評分，并對未來風(fēng)險進(jìn)行預(yù)測。

7、具體的，所述構(gòu)建目標(biāo)識別模型，對第一監(jiān)測數(shù)據(jù)的時空特征和時序特征進(jìn)行識別和提取，包括：

8、構(gòu)建目標(biāo)識別模型，并對目標(biāo)識別模型進(jìn)行訓(xùn)練，得到訓(xùn)練好的目標(biāo)識別模型；

9、將第一監(jiān)測數(shù)據(jù)輸入訓(xùn)練好的目標(biāo)識別模型中，提取第一監(jiān)測數(shù)據(jù)中圖像的時空特征和時序特征。

10、具體的，所述構(gòu)建目標(biāo)識別模型，并對目標(biāo)識別模型進(jìn)行訓(xùn)練，包括：

11、根據(jù)下層供應(yīng)鏈的特點和場景，選擇cnn和lstm網(wǎng)絡(luò)構(gòu)建目標(biāo)識別模型，配置卷積層、池化層和全連接層的數(shù)量、順序以及參數(shù)；

12、將標(biāo)注好的公共數(shù)據(jù)集劃分為訓(xùn)練集、驗證集和測試集，使用訓(xùn)練集對目標(biāo)識別模型進(jìn)行訓(xùn)練，通過反向傳播算法和優(yōu)化器調(diào)整目標(biāo)識別模型的參數(shù)，設(shè)定損失函數(shù)，對目標(biāo)識別模型進(jìn)行訓(xùn)練直至損失函數(shù)收斂不變，停止訓(xùn)練；

13、訓(xùn)練完成后，使用測試集對目標(biāo)識別模型進(jìn)行最終評估，計算準(zhǔn)確率、召回率、f1值來衡量目標(biāo)識別模型的性能，如果模型性能達(dá)到預(yù)期要求，得到訓(xùn)練好的目標(biāo)識別模型，如果模型性能未達(dá)到預(yù)期要求，對目標(biāo)識別模型進(jìn)行優(yōu)化后，得到訓(xùn)練好的目標(biāo)識別模型。

14、具體的，所述提取第一監(jiān)測數(shù)據(jù)中圖像的時空特征和時序特征，包括：

15、將第一監(jiān)測數(shù)據(jù)輸入至訓(xùn)練好的目標(biāo)識別模型中，設(shè)定第一監(jiān)測數(shù)據(jù)中任意圖像中的一個窗口內(nèi)像素坐標(biāo)為，在時間和時的灰度值分別為和，表示單位時間間隔，表示單位時間間隔內(nèi)的橫坐標(biāo)變化量，表示單位時間間隔內(nèi)的縱坐標(biāo)變化量，建立光流約束方程；

16、對第一監(jiān)測數(shù)據(jù)中任意圖像中的窗口內(nèi)多個像素點建立光流約束方程，求解超定方程組，即多個光流約束方程，計算得到光流矢量，確定第一監(jiān)測數(shù)據(jù)中任意圖像中的物體運動速度和方向，得到第一監(jiān)測數(shù)據(jù)中圖像的時空特征；

17、捕捉第一監(jiān)測數(shù)據(jù)中視頻的長時依賴性和動態(tài)變化，提取視頻中的時序特征。

18、具體的，所述構(gòu)建多層次風(fēng)險評估模型，評估下層供應(yīng)鏈的綜合風(fēng)險評分，并對未來風(fēng)險進(jìn)行預(yù)測，包括：

19、構(gòu)建多層次風(fēng)險評估模型，包括第一層評估、第二層評估和第三層評估；

20、根據(jù)第一層評估、第二層評估和第三層評估的結(jié)果，計算下層供應(yīng)鏈的綜合風(fēng)險評分；

21、對下層供應(yīng)鏈的未來風(fēng)險進(jìn)行預(yù)測，識別出潛在的高風(fēng)險區(qū)域。

22、具體的，所述構(gòu)建多層次風(fēng)險評估模型，包括第一層評估、第二層評估和第三層評估，包括：

23、在第一層評估中，對提取的時空特征和時序特征進(jìn)行初步識別，得到第一監(jiān)測數(shù)據(jù)中每個數(shù)據(jù)樣本的風(fēng)險預(yù)測標(biāo)簽，包括：無風(fēng)險和有風(fēng)險；

24、在第二層評估中，對第一層評估中有風(fēng)險的數(shù)據(jù)樣本對應(yīng)的時空特征和時序特征進(jìn)行異常檢測和分類，識別出潛在的異常行為或問題區(qū)域，并對異常行為或問題區(qū)域進(jìn)行分類；

25、在第三次評估中，綜合第一層評估和第二層評估的輸出，使用多層次風(fēng)險評分模型對風(fēng)險進(jìn)行量化評分；

26、通過本地訓(xùn)練多層次風(fēng)險評估模型，引入差分隱私技術(shù)，通過聯(lián)邦聚合機(jī)制共享模型參數(shù)，利用自適應(yīng)多模型加權(quán)聚合，根據(jù)每個模型在本地數(shù)據(jù)集上的性能指標(biāo)動態(tài)分配第一權(quán)重，針對模型的差異，使用相同的數(shù)據(jù)節(jié)點或相鄰數(shù)據(jù)節(jié)點進(jìn)行訓(xùn)練，得到模型性能指標(biāo)，并動態(tài)分配第二權(quán)重，對第一權(quán)重對應(yīng)的模型參數(shù)和第二權(quán)重對應(yīng)的模型參數(shù)進(jìn)行加權(quán)求和，得到模型共享參數(shù)。

27、具體的，所述對下層供應(yīng)鏈的未來風(fēng)險進(jìn)行預(yù)測，識別出潛在的高風(fēng)險區(qū)域，包括：

28、使用聚類算法，將下層供應(yīng)鏈的不同環(huán)節(jié)按照風(fēng)險評分進(jìn)行聚類，每個聚類簇的中心點表示中心點對應(yīng)區(qū)域的平均風(fēng)險水平；

29、根據(jù)每個區(qū)域的平均風(fēng)險水平，生成風(fēng)險熱力圖，識別出潛在的高風(fēng)險區(qū)域。

30、具體的，所述下層供應(yīng)鏈的相關(guān)數(shù)據(jù)，包括：生產(chǎn)環(huán)境監(jiān)控數(shù)據(jù)、倉儲現(xiàn)場監(jiān)控數(shù)據(jù)、財務(wù)數(shù)據(jù)和物流運輸監(jiān)控數(shù)據(jù)。

31、基于視覺技術(shù)的下層供應(yīng)鏈風(fēng)險可視化預(yù)測系統(tǒng)，用于實現(xiàn)所述的基于視覺技術(shù)的下層供應(yīng)鏈風(fēng)險可視化預(yù)測方法，包括：數(shù)據(jù)處理模塊，特征提取模塊和風(fēng)險評估與預(yù)測模塊；

32、所述數(shù)據(jù)處理模塊，用于獲取下層供應(yīng)鏈的相關(guān)數(shù)據(jù)，并進(jìn)行預(yù)處理，得到第一監(jiān)測數(shù)據(jù)；

33、所述特征提取模塊，用于構(gòu)建目標(biāo)識別模型，對第一監(jiān)測數(shù)據(jù)的時空特征和時序特征進(jìn)行識別和提??；

34、所述風(fēng)險評估與預(yù)測模塊，用于構(gòu)建多層次風(fēng)險評估模型，評估下層供應(yīng)鏈的綜合風(fēng)險評分，并對未來風(fēng)險進(jìn)行預(yù)測。

35、具體的，所述風(fēng)險評估與預(yù)測模塊，包括：第一評估單元、第二評估單元、第三評估單元、綜合評估單元和預(yù)測單元；

36、所述第一評估單元，用于初步識別第一監(jiān)測數(shù)據(jù)中每個數(shù)據(jù)樣本的風(fēng)險預(yù)測標(biāo)簽；

37、所述第二評估單元，用于對第一層評估中有風(fēng)險的數(shù)據(jù)樣本對應(yīng)的時空特征和時序特征進(jìn)行異常檢測和分類；

38、所述第三評估單元，用于綜合第一層評估和第二層評估的輸出，使用多層次風(fēng)險評分模型對風(fēng)險進(jìn)行量化評分；

39、所述綜合評估單元，用于綜合計算下層供應(yīng)鏈的風(fēng)險；

40、所述預(yù)測單元，用于對下層供應(yīng)鏈的未來風(fēng)險進(jìn)行預(yù)測，識別出潛在的高風(fēng)險區(qū)域。

41、與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果是：

42、1.本發(fā)明提出基于視覺技術(shù)的下層供應(yīng)鏈風(fēng)險可視化預(yù)測方法，通過對采集到的多模態(tài)數(shù)據(jù)進(jìn)行特征提取與識別，能夠精準(zhǔn)定位供應(yīng)鏈中的關(guān)鍵要素，結(jié)合風(fēng)險評估模型，能夠有效識別出潛在的風(fēng)險因素和評估綜合風(fēng)險值。

43、2.本發(fā)明提出基于視覺技術(shù)的下層供應(yīng)鏈風(fēng)險可視化預(yù)測方法，通過結(jié)合來自不同模態(tài)的數(shù)據(jù)，能夠從多個維度對供應(yīng)鏈風(fēng)險進(jìn)行綜合分析，使得風(fēng)險評估模型可以更加全面地評估風(fēng)險，識別出潛在的關(guān)聯(lián)因素，進(jìn)一步提升了風(fēng)險預(yù)測的精度。

44、3.本發(fā)明提出基于視覺技術(shù)的下層供應(yīng)鏈風(fēng)險可視化預(yù)測方法及系統(tǒng)，能夠?qū)?fù)雜的風(fēng)險評估結(jié)果以圖形化、可視化的方式呈現(xiàn)給決策者，通過圖表、熱力圖、風(fēng)險地圖等直觀方式，快速了解供應(yīng)鏈中的潛在風(fēng)險區(qū)域，為決策提供有力支持。