申请/专利权人：中国海洋大学

申请日：2021-06-02

公开（公告）日：2024-06-11

公开（公告）号：CN113642826B

主分类号：G06Q10/0635

分类号：G06Q10/0635;G06F16/36;G06N3/04;G06N3/08;G06Q50/04

优先权：

专利状态码：有效-授权

法律状态：2024.06.11#授权;2023.07.11#著录事项变更;2021.11.30#实质审查的生效;2021.11.12#公开

摘要：本发明公开了一种供应商违约风险预测方法，本发明提出的供应商违约风险预测方法，将知识图谱技术用于构建供应商知识图谱，利用知识图谱预测链接技术还原具有时序特征的知识图谱中的部分缺失信息，综合跨域数据考量，采用神经网络对供应商违约风险进行预测，相比传统供应商违约风险预测中使用历史销量或用户反馈评价等单域数据预测的方式，能有效判断预测期间内供应商供货的风险性，有助于分析未来供应商的选取和保证供应链的安全运行、降低企业经营风险。

主权项：1.一种供应商违约风险预测方法，其特征在于，包括如下步骤：S1，获取供应商的历史数据，以及爬取互联网上供应商的相关数据；S2，基于所述历史数据和所述相关数据构建供应商知识图谱；具体包括：本体构建，结合当前制造企业现有的供应商选择指标和行业内关于供应商违约风险预测指标，定义知识图谱中的概念类别、属性和关系；数据获取，基于所述本体构建步骤中的定义对所述历史数据和所述相关数据进行识别；知识抽取和融合，对识别的知识进行实体抽取、关系抽取和属性抽取，采用基于命名实体属性关系相似性比较法完成供应商数据的实体对齐，形成供应商知识图谱；S3，基于TransE-TAE模型知识图谱链接预测技术，根据知识图谱中已有的事实预测所述供应商知识图谱的缺失信息，构建供应商时序知识图谱；S4，确定供应商供货风险的参数指标，并基于参数指标对供应商违约风险预测模型的输入数据进行分析和整形；其中，分析包括：将单一零部件的供应商的相关信息，以违约处理记录、产品交付情况、产品运营情况、产品验收及服务、消费者评价指标、互联网关注指数、企业股票市场股价跌涨、国家宏观经济GDP与CPI作为九类影响因素指标构建3*3影响因素矩阵，其中，产品运营情况为矩阵中心；整形包括：挑选所述单一零部件的供应商产品运营情况最接近的八种供应商的3*3影响因素矩阵，将分析步骤中所述单一零部件的供应商对应的3*3影响因素矩阵扩展为9*9的相关供应商影响因素矩阵，其中，所述八种供应商的3*3影响因素矩阵依据消费者评价指标从高到低排列在所述单一零部件的供应上的3*3影响因素矩阵周围；S5.构建并训练基于知识图谱的供应商违约风险预测模型；包括：构建RLSTM神经网络模型；所述RLSTM神经网络模型在输入信息进入各个门之前利用卷积结构对信息进行传递，为神经元的信息传递引入窥视连接到每个门上，让门层可以接收上一时刻的状态输出，其信息传递公式为： ；（1） ；（2） ；（3） ；（4） ；（5）其中，、、分别表示的输入门、输出门和遗忘门，*表示卷积计算，表示在t时刻时神经元的输入；是上一时刻的记忆单元，表示在t时刻时，神经元的信息数据状态；表示上一时刻的隐藏状态，表示在t时刻时，向后一时刻传递的状态信息，、、分别表示遗忘门中输入层、隐藏层和记忆单元的权重，、、分别表示输入门中输入层、隐藏层和记忆单元的权重，、、分别表示输出门中输入层、隐藏层和记忆单元的权重，、表示记忆单元中输入层、隐藏层的权重，表示sigmoid激活函数，表示双曲线正切激活函数，表示哈达玛积，、、、表示遗忘门、输入门、记忆单元、输出门中的偏置量；将二维的相关供应商违约风险影响因素矩阵进行扩展，加入时间标签成为三维的矩阵输入；对RLSTM模型的输入数据采用进行归一化；其中，t是时间,表示在t时刻当前的输入数据，和分别表示时序数据中数据的最大值与最小值，和分别表示映射之后的数据的最大值与最小值；利用归一化的输入数据，使用SGD算法训练所述RLSTM神经网络模型，利用RLSTM模型的卷积操作对不同供应商不同域的数据之间的高维逻辑联系进行挖掘，并对输出的结果采用进行数据还原得到模型的预测结果；S6.基于步骤S5训练得到的供应商违约预测模型，将基于步骤S1至S4得到的供应商知识图谱数据作为模型输入，得到供应商违约预测结果。

全文数据：

权利要求：

百度查询： 中国海洋大学 一种供应商违约风险预测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD