申请/专利权人：深圳市晟晟科技有限公司

申请日：2024-03-12

公开（公告）日：2024-06-14

公开（公告）号：CN117875724B

主分类号：G06Q10/0635

分类号：G06Q10/0635;G06Q10/087;G06Q10/04;G06N3/098;G06N3/0499

优先权：

专利状态码：有效-授权

法律状态：2024.06.14#授权;2024.04.30#实质审查的生效;2024.04.12#公开

摘要：本发明涉及采购风险管控技术领域，尤其涉及一种基于云计算的采购风险管控方法及系统。该方法包括以下步骤：获取历史采购日志、物流补充节点数据及仓储数据；对物流补充节点数据进行异构边缘迁移计算，生成补充节点分布式边缘数据；对补充节点分布式边缘数据进行神经网络优化变构，构建节点分布式神经网络；对历史采购日志进行采购行为时序分析，生成历史采购行为时序数据；对历史采购行为时序数据进行风险感知关联分析，以生成采购风险影响关联数据；对采购风险影响关联数据进行瞬态风险演化分析，从而得到风险演化响应数据。本发明实现了及时、准确的采购风险管控。

主权项：1.一种基于云计算的采购风险管控方法，其特征在于，包括以下步骤：步骤S1：获取历史采购日志、物流补充节点数据及仓储数据；对物流补充节点数据进行异构边缘迁移计算，生成补充节点分布式边缘数据；对补充节点分布式边缘数据进行神经网络优化变构，构建节点分布式神经网络；步骤S2：对历史采购日志进行采购行为时序分析，生成历史采购行为时序数据；对历史采购行为时序数据进行风险感知关联分析，以生成采购风险影响关联数据；步骤S3：对采购风险影响关联数据进行瞬态风险演化分析，从而得到风险演化响应数据；基于风险演化响应数据对节点分布式神经网络进行动态风险时变网络优化，构建风险时变多维网络图谱；动态风险时变网络优化具体为：设计风险时变网络的结构，包括节点和边的设置，以及网络的拓扑结构，根据具体的优化目标，定义网络优化的目标函数，利用优化算法，对网络的参数进行优化调整，以最大程度地满足优化目标函数，执行网络优化算法，对网络进行迭代优化，直到达到收敛条件或预设的优化迭代次数，根据优化结果，构建风险时变多维网络图谱；步骤S4：对风险时变多维网络图谱进行虚拟空间风险仿真处理，以生成风险情景仿真数据；对风险情景仿真数据进行多阶段风险态势演变预测，以生成多阶段风险态势演变预测数据；步骤S5：对历史采购行为时序数据进行流转时延分布规律分析，以生成流转时延分布数据；对多阶段风险态势演变预测数据进行态势演变路径分析，以生成态势演变路径预测数据；基于流转时延分布数据对态势演变路径预测数据进行流向轨迹偏差识别，以生成流向风险区；步骤S5的具体步骤为：步骤S51：对历史采购行为时序数据进行订单流向轨迹分析，以生成历史流向轨迹数据；步骤S52：对历史流向轨迹数据进行流转时延分布规律分析，以生成流转时延分布数据；流转时延分布规律分析具体为：根据订单的流向轨迹数据，计算订单在不同节点之间的流转时延，对时延数据进行统计分析，以了解流转时延的分布规律；步骤S53：对多阶段风险态势演变预测数据进行态势演变路径分析，以生成态势演变路径预测数据；步骤S54：基于流转时延分布数据对态势演变路径预测数据进行流向轨迹偏差识别，从而生成流向轨迹异常数据；步骤S54的具体步骤为：步骤S541：对流转时延分布数据进行正常流转模式空间学习，生成正常流转数据；步骤S542：基于正常流转数据构建预测基准模型；步骤S543：利用预测基准模型对态势演变路径预测数据进行流向轨迹偏差识别，标记流向偏差轨迹数据；步骤S544：基于预设的预测流向轨迹偏差值对流向偏差轨迹数据进行偏差量化，当预设的预测流向轨迹偏差值小于或等于流向偏差轨迹数据，从而生成流向轨迹异常数据；步骤S55：利用流向轨迹异常数据对节点分布式神经网络进行区域风险标记，以生成流向风险区；步骤S6：对流向风险区进行风险适应性监测处理，以得到动态实时风险值；利用动态实时风险值对仓储数据进行数据驱动挖掘建模，构建动态采购风险决策模型，以执行采购风险管控作业。

全文数据：

权利要求：

百度查询： 深圳市晟晟科技有限公司 一种基于云计算的采购风险管控方法及系统

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