CN113642826B - 一种供应商违约风险预测方法 - Google Patents
一种供应商违约风险预测方法 Download PDFInfo
- Publication number
- CN113642826B CN113642826B CN202110614810.6A CN202110614810A CN113642826B CN 113642826 B CN113642826 B CN 113642826B CN 202110614810 A CN202110614810 A CN 202110614810A CN 113642826 B CN113642826 B CN 113642826B
- Authority
- CN
- China
- Prior art keywords
- data
- provider
- knowledge graph
- input
- supplier
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000005516 engineering process Methods 0.000 claims abstract description 14
- 238000011156 evaluation Methods 0.000 claims abstract description 12
- 238000004519 manufacturing process Methods 0.000 claims description 26
- 239000011159 matrix material Substances 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 14
- 238000000605 extraction Methods 0.000 claims description 11
- 238000013058 risk prediction model Methods 0.000 claims description 11
- 238000007493 shaping process Methods 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 8
- 210000002569 neuron Anatomy 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 238000012384 transportation and delivery Methods 0.000 claims description 5
- 230000005540 biological transmission Effects 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 230000009193 crawling Effects 0.000 claims description 2
- 230000004913 activation Effects 0.000 claims 2
- 210000004027 cell Anatomy 0.000 claims 1
- 238000005065 mining Methods 0.000 claims 1
- 244000144985 peep Species 0.000 claims 1
- 238000013528 artificial neural network Methods 0.000 description 10
- 238000011161 development Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 230000001976 improved effect Effects 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013486 operation strategy Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000000275 quality assurance Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013068 supply chain management Methods 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 208000008918 voyeurism Diseases 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- General Business, Economics & Management (AREA)
- Biomedical Technology (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Artificial Intelligence (AREA)
- Tourism & Hospitality (AREA)
- Manufacturing & Machinery (AREA)
- Animal Behavior & Ethology (AREA)
- Databases & Information Systems (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
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。
Description
技术领域
本发明属于制造业供应链管理技术领域，具体地说，是涉及一种供应商违约风险预测方法。
背景技术
制造业相比其他行业，制造和装配程序繁多且复杂，单一的企业不能进行全部工作，目前制造业企业大多是将自己的非核心业务外包，通过采购零部件进行生产制造。零部件供应商掌握着越来越多的主动权和技术力量，因此在越来越激烈的竞争环境下，提高供应链效率，是企业实现快速发展的经营战略。供应商作为供应链的前置环节，在供应链中发挥着十分重要的作用。产业供应链上任意一段环节的中断或者暂停都有可能引起整个供应链的停止，科学管理供应链是实现企业完成战略规划和目标的关键因素。供应商在提高设计能力和研发水平的前提下，保质保量的提交零部件对制造业企业是非常重要的，但是随着当前经济形式的变幻莫测，零部件供应商违约风险也变得越来越复杂，一旦出现问题很可能造成供应链中断从而给各方带来不可挽回的损失。因此有效对供应商进行风险预测是十分有必要的。
在规避供应商风险方面，制造业企业可以根据过去的供应商数据，预测当前供应商违约情况并对该供应商当前以及未来的发展趋势做预测。企业的管理现状，现金流、资源、产业链等重要信息都可能从供应商违约风险预测数据中得到反映。随着互联网技术的不断的发展，消费者的购买决策过程开始从线下转向线上，不同维度和不同域的销售数据得以记录，为制造业零部件供应商违约预测和选取提供了更为丰富的研究视角。诸如消费者评价、互联网关注度、厂商股价信息和宏观经济表现对制造业企业的购买需求的影响也在逐步放大，销售数据的类型不再单一，多种因素的叠加作用导致销售数据本身变得至关重要。因而企业可以将自身掌握的销售域的数据与互联网上不同域的信息相结合，通过数据融合甚至通过跨域数据指导制造业企业的生产决策。
供应商违约风险预测可以作为一种新型的企业管理方法，通过对供应商销售数据的研究分析以及预测，为制造业企业选择供应商提供帮助。对于制造业企业而言，精准的供应商违约风险预测可以使得企业在购买和使用商品时事半功倍，从另一个角度而言，可以提高零件的附加价值。从行业发展角度而言，掌握市场动态的公司的发展势必会更加欣欣向荣，从而促进社会各个行业繁荣发展。
综上，供应商风违约风险预测有着重要意义，好的供应商违约风险预测决定着公司的发展前景和方向，是一个值得研究的方向。
发明内容
针对目前制造业供应商违约风险预测研究匮乏，数据维度单一等问题，本发明提出一种供应商违约风险预测方法，基于知识图谱和RLSTM算法技术进行，实现提高企业供应链***的稳定性，能够尽快的判断供应商违约风险，以及减少企业经济和时间损失的技术效果。
本发明采用以下技术方案予以实现：
提出一种供应商违约风险预测方法，包括如下步骤：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；基于所述历史数据和所述相关数据构建供应商知识图谱；基于知识图谱链接预测技术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；确定供应商供货风险的参数指标，并基于所述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；构建并训练基于知识图谱的供应商违约风险预测模型；基于所述供应商违约风险预测模型得到供应商违约风险预测结果。
进一步的，构建供应商知识图谱，具体包括：本体构建，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，形成知识图谱。
进一步的，对输入数据进行分析和整形，具体包括：分析：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：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。
进一步的，构建并基于知识图谱的供应商违约风险预测模型，具体包括：采用归一化输入数据；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；构建RLSTM神经网络模型；使用SGD算法训练所述RLSTM神经网络模型。
进一步的，所述方法还包括：采用将供应商违约风险预测结果进行数据还原；其中，t是时间,/>表示在t时刻实际的预测值，和/>分别表示整个训练的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。
与现有技术相比，本发明的优点和积极效果是：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。
结合附图阅读本发明实施方式的详细描述后，本发明的其他特点和优点将变得更加清楚。
附图说明
图1 为本发明提出的企业供应商违约风险预测方法的流程图；
图2为本发明中知识图谱构建示意图；
图3为本发明中输入数据分析中影响因素矩阵的示意图；
图4为本发明中输入数据整形中影响因数矩阵的示意图；
图5为本发明中RLSTM神经网络的训练示意图。
实施方式
下面结合附图对本发明的具体实施方式作进一步详细的说明。
本发明旨在提出一种供应商违约风险预测方法，基于风险指标体系五大原则，结合制造业领域的特点，***性的分析对于制造业企业供应商违约风险的影响因素，并使用相关的指标将影响因素量化。针对制造业企业的供应商违约等问题，采用基于RLSTM神经网络构进行供应商违约风险的预测，将供应商信息整合到供应商知识图谱中，并通过知识图谱链接预测技术进行供应商知识图谱的补全，将临近零部件的相关供应商的信息通过整形输入RLSTM模型，充分利用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，进而得出预测结果。
相比传统的预测算法，本方法通过结合企业存档数据和互联网数据让参考数据更加全面，通过知识图谱链接预测技术建立供应商时序知识图谱，并通过数据整形让模型预测有了更好的数据支持，通过RLSTM有了更精准的预测方法。
具体的，如图1所示，本发明提出的供应商违约预测方法，包括如下步骤：
步骤S11：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。
供应商的历史数据例如历史交易数据、历史违约处理记录、产品交付情况、产品运营情况、产品验收及服务数据等。
相关数据基于爬虫技术从互联网获取，例如：不同的供应商的零部件数据，微博上用户的对该产品的喜恶数据。通过文字分析，区分和计算用户对产品的评价是正面评价还是负面评价；百度搜索引擎中用户搜索该厂商的次数；通过股票交易数据，收集当月相应厂商的股价涨跌幅度的百分比；通过国家***相关数据，收集该供应商当月GDP与CPI的值；搜集企业之前购物数据，获取之前与供应商进行交易时的数据。
步骤S12：基于历史数据和相关数据构建供应商知识图谱。
知识图谱由模式层和数据层两层结构构成，基于该结构，如图2所示，本发明构建供应商知识图谱包括：
1）本体构建。
模式层又名本体层，用于对领域本体进行定义，在本发明实施例中，本体设计之前充分搜集制造业供应商违约风险相关的领域知识，首先通过浏览各大网站制造业页面全面了解相关知识，列举相关概念，然后根据本文应用场景咨询企业采购部门专家。最后结合当前制造业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，定义供应商知识图谱中的概念类别、属性和关系。
2）数据获取。
基于本体构建中的定义对步骤S11中得到的历史数据和相关数据进行识别：数据层主要任务是从获取的历史数据和相关数据中中识别本体层定义的概念类别、属性、关系等。
3）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BiLSTM-CRF（Bi-directionalLong Short-Term Memory-conditional random field algorithm）的命名实体识别和基于BiLSTM-CRF的属性抽取分别提取供应商的实体和属性。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，形成知识图谱并存储。
步骤S13：基于知识图谱链接预测技术预测供应商知识图谱的缺失信息，构建供应商时序知识图谱。
虽然知识谱图的数据采集方向广泛，但是语义丰富度、质量精良程度会有些许欠缺，一些结构化的事实只在特定时间内有效，事实的演变遵循一个时间序列，所以在此利用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来自动预测实体之间缺失的链接。
步骤S14：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。
分析供应商违约原因，遵循风险指标体系构建的五大原则，归纳制造业供应商违约风险的影响因素，确定供应商供货风险的参数指标。
在本发明实施例中，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，包括以下内容：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；如图3所示。
在本发明实施例中，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整形，包括以下内容：制造业零部件供应商选择往往具有排他性，企业在同一时刻往往只会购买一类零部件中的一个，本发明以下的实施中，预采用RLSTM神经网络模型对供应商违约风险进行预测，而对于RLSTM模型的输入而言，3*3的影响insurance矩阵进行卷积的效果不够理想，故本发明实施例中，将输入数据扩展为9*9的相关供应商影响因素矩阵，具体的，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，如图4所示。
步骤S15：构建并训练基于知识图谱的供应商违约风险预测模型。
在模型网络的设计中，对于非单一的跨域数据而言，卷积神经网络可以通过卷积池化的操作学习数据的高维逻辑关系，因此，在本发明实施例中，采用RLSTM模型，并结合跨域供应商违约风险数据，构建针对跨域供应商违约风险预测的模型。
RLSTM神经网络是对RLTM的进一步改进，传统的LSTM在神经元状态转换时采用全连接形式对信息进行传递，而RLSTM将输入信息进入各个门之前的全连接形式替换成了卷积的形式，利用卷积结构提取输入信息的空间信息。RLSTM神经网络能够很好的将一维数据输入的LSTM神经网络扩展到多维数据输入，同时，为神经元的信息传递引入了窥视连接到每个门上，让门层可以接收上溢时刻的状态输出，RLSTM信息传递的公式如下：
（1）
（2）
（3）
（4）
（5）
其中，*表示卷积计算，表示在t时刻时神经元的输入；/>表示在t时刻时，神经元的信息数据状态；/>表示在t时刻时，向后一时刻传递的状态信息和/>所表示的输入门、输出门和遗忘门；/>、/>和/>分别表示输入层、隐藏层和输出层的权重，/>、/>、、/>均表示偏置量。
对RLSTM模型而言，输入的数据是带有时间标记的三维数据，需要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。
为了取得更好的训练模型，防止梯度消失问题的发生，需要对原始数据进行相关优化预处理，因而，本发明对RLSTM模型的输入数据进行归一化处理，不同维度的数据的数值范围会影响到预测数据的准确性，通过归一化预处理，能够方便数据的分析，又能提升模型训练的速度，具体的，本发明采用
（6）
归一化输入数据；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；考虑到供应商相关数据不存在小于0的情况，在本模型的归一化处理中，此处可分别设为1和0。
在本发明实施例中，基于tensorflow框架构建RLSTM神经网络，在数据输入模型开始训练前，需要在基于tensorflow编写的模型代码中设置选择好方法和参数，本发明中采用SGD算法训练RLSTM神经网络。
具体的训练过程如图5所示，达到相应设定的退出条件后，自行退出训练，并输出学习曲线；而具体的训练过程以及涉及的损失函数、参数等数据，本领域技术人员根据常规RSLTM申请网络的应用手段即可实现，本发明申请不予具体限定。
由于在本发明实施例中，对模型输入数据进行了归一化，因此，RLSTM神经网络输出的结果并不是最终的结果，需要将其进行数据还原得到模型的预测结果，具体的，采用
（7）
将供应商违约风险预测结果进行数据还原；其中，t是时间,表示在t时刻实际的预测值，/>和/>分别表示整个训练的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。
步骤S16：基于供应商违约风险预测模型得到供应商违约风险预测结果。
基于步骤S15训练得到的供应商违约预测模型，将基于步骤S11至S14得到的供应商知识图谱数据作为模型输入，即可得到供应商违约预测结果。
对于制造业企业而言，准确的供应商违约风险预测十分重要，本发明基于知识图谱相关技术与RLSTM算法模型，针对目前制造业供应商违约风险预测研究匮乏，数据维度单一等问题，提出一种具有普遍意义的基于知识图谱的制造业供应商风险预测方法，与现有技术相比，本发明将知识图谱技术用于构建供应商知识图谱，针对知识图谱语义丰富度、质量精良程度会有些许欠缺，一些结构化的事实只在特定时间内有效，事实的演变遵循一个时间序列的现状，利用TransE-TAE模型对知识图谱补全，根据知识图谱中已有的事实来自动预测实体之间缺失的链接；传统供应商违约风险预测往往只针对历史销量这一单域的数据或者用户反馈评价进行供应商违约风险预测，本发明提出跨域数据供应商违约风险预测，结合产品历史销量、产品在互联网上的搜索关注指数、产品在社交网络平台的口碑指数、制造企业股市变化情况，综合跨域数据综合考量，通过神经网络，对供应商风险进行预测，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。
应该指出的是，上述说明并非是对本发明的限制，本发明也并不仅限于上述举例，本技术领域的普通技术人员在本发明的实质范围内所做出的变化、改型、添加或替换，也应属于本发明的保护范围。
Claims (1)
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。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110614810.6A CN113642826B (zh) | 2021-06-02 | 2021-06-02 | 一种供应商违约风险预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110614810.6A CN113642826B (zh) | 2021-06-02 | 2021-06-02 | 一种供应商违约风险预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113642826A CN113642826A (zh) | 2021-11-12 |
| CN113642826B true CN113642826B (zh) | 2024-06-11 |
Family
ID=78415894
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110614810.6A Active CN113642826B (zh) | 2021-06-02 | 2021-06-02 | 一种供应商违约风险预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113642826B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114254916A (zh) * | 2021-12-20 | 2022-03-29 | 国网江苏省电力有限公司物资分公司 | 具有电网业务特色的多维度供应商风险实时预警方法 |
| CN115964503B (zh) * | 2021-12-28 | 2023-07-07 | 北方工业大学 | 基于社区设备设施的安全风险预测方法及*** |
| CN114707883A (zh) * | 2022-04-18 | 2022-07-05 | 工银瑞信基金管理有限公司 | 基于时序特征的债券违约预测方法、装置、设备和介质 |
| CN114648260B (zh) * | 2022-05-24 | 2023-06-13 | 中交(厦门)电子商务有限公司 | 一种建材采购方法及建材采购平台 |
| CN115099504B (zh) * | 2022-06-29 | 2024-06-25 | 中南民族大学 | 基于知识图谱补全模型的文物安防风险要素识别方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109657837A (zh) * | 2018-11-19 | 2019-04-19 | 平安科技（深圳）有限公司 | 违约概率预测方法、装置、计算机设备和存储介质 |
| CN112256887A (zh) * | 2020-10-28 | 2021-01-22 | 福建亿榕信息技术有限公司 | 基于知识图谱的智能供应链管理方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018187632A1 (en) * | 2017-04-05 | 2018-10-11 | Carnegie Mellon University | Deep learning methods for estimating density and/or flow of objects, and related methods and software |
| CN110892484B (zh) * | 2018-07-11 | 2024-05-28 | 因美纳有限公司 | 用于识别引起序列特异性错误(sse)的序列图案的基于深度学习的框架 |
-
2021
- 2021-06-02 CN CN202110614810.6A patent/CN113642826B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109657837A (zh) * | 2018-11-19 | 2019-04-19 | 平安科技（深圳）有限公司 | 违约概率预测方法、装置、计算机设备和存储介质 |
| CN112256887A (zh) * | 2020-10-28 | 2021-01-22 | 福建亿榕信息技术有限公司 | 基于知识图谱的智能供应链管理方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113642826A (zh) | 2021-11-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113642826B (zh) | 一种供应商违约风险预测方法 | |
| Huang et al. | Deep learning in finance and banking: A literature review and classification | |
| Yalcin et al. | The use of multi-criteria decision-making methods in business analytics: A comprehensive literature review | |
| Kahraman et al. | An integrated intuitionistic fuzzy AHP and TOPSIS approach to evaluation of outsource manufacturers | |
| Zhang et al. | A credit risk assessment model based on SVM for small and medium enterprises in supply chain finance | |
| Niu et al. | [Retracted] Big Data Analytics for Complex Credit Risk Assessment of Network Lending Based on SMOTE Algorithm | |
| Lai | Smart Financial Management System Based on Data Ming and Man‐Machine Management | |
| Cheng et al. | A Seasonal Time‐Series Model Based on Gene Expression Programming for Predicting Financial Distress | |
| Sun et al. | Design of macroeconomic growth prediction algorithm based on data mining | |
| Gulzat et al. | RESEARCH ON PREDICTIVE MODEL BASED ON CLASSIFICATION WITH PARAMETERS OF OPTIMIZATION. | |
| Li et al. | A novel financial risk assessment model for companies based on heterogeneous information and aggregated historical data | |
| Agarwal et al. | Machine Learning and Natural Language Processing in Supply Chain Management: A Comprehensive Review and Future Research Directions. | |
| Peng | Research on credit evaluation of financial enterprises based on the genetic backpropagation neural network | |
| Wang et al. | E‐Commerce Credit Risk Assessment Based on Fuzzy Neural Network | |
| Li et al. | Multi‐criteria probabilistic dual hesitant fuzzy group decision making for supply chain finance credit risk assessments | |
| Wang et al. | Modeling of individual customer delivery satisfaction: An AutoML and multi-agent system approach | |
| Zhang et al. | A dynamic attributes-driven graph attention network modeling on behavioral finance for stock prediction | |
| Kalyani et al. | Is artificial intelligence and machine learning changing the ways of banking: a systematic literature review and meta analysis | |
| Iwai et al. | Bayesian Network Oriented Transfer Learning Method for Credit Scoring Model | |
| Ta et al. | Sustainable reuse strategies of enterprise financial management model following deep learning under big data | |
| Piao et al. | Analyzing the Effectiveness of Finance in Supply Chain in Solving the Financing Difficulties of SMEs Based on Grey Theory Model | |
| Agarwal et al. | Applications of Machine Learning Techniques in Supply Chain Management | |
| Jiang et al. | Construction and Application of the Financial Early‐Warning Model Based on the BP Neural Network | |
| Daniati et al. | TOPSIS in Decision-Making Framework Based on Twitter Sentiment Analysis | |
| Sun et al. | Research on the Impact of Green Technology Innovation on Enterprise Financial Information Management Based on Compound Neural Network |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| CB03 | Change of inventor or designer information |
Inventor after: Gao Xiaoyan Inventor after: Yu Shusong Inventor after: Guo Baoqi Inventor after: Yang Ning Inventor after: Ding Xiangqian Inventor after: Shi Shuo Inventor after: Hou Ruichun Inventor after: Gong Huili Inventor before: Yu Shusong Inventor before: Gao Xiaoyan Inventor before: Guo Baoqi Inventor before: Yang Ning Inventor before: Ding Xiangqian Inventor before: Shi Shuo Inventor before: Hou Ruichun Inventor before: Gong Huili |
|
| CB03 | Change of inventor or designer information | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |