CN116485020B - 一种基于大数据的供应链风险识别预警方法、***及介质 - Google Patents
一种基于大数据的供应链风险识别预警方法、***及介质 Download PDFInfo
- Publication number
- CN116485020B CN116485020B CN202310411982.2A CN202310411982A CN116485020B CN 116485020 B CN116485020 B CN 116485020B CN 202310411982 A CN202310411982 A CN 202310411982A CN 116485020 B CN116485020 B CN 116485020B
- Authority
- CN
- China
- Prior art keywords
- supply chain
- node
- data
- risk
- characteristic
- 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 63
- 238000012544 monitoring process Methods 0.000 claims abstract description 20
- 238000005259 measurement Methods 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 14
- 238000003860 storage Methods 0.000 claims description 13
- 238000012937 correction Methods 0.000 claims description 12
- 238000009826 distribution Methods 0.000 claims description 12
- 238000007726 management method Methods 0.000 claims description 12
- 238000011144 upstream manufacturing Methods 0.000 claims description 12
- 238000011156 evaluation Methods 0.000 claims description 6
- 239000002994 raw material Substances 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 5
- 238000013210 evaluation model Methods 0.000 claims description 4
- 238000004519 manufacturing process Methods 0.000 abstract description 10
- 238000004458 analytical method Methods 0.000 description 10
- 238000007405 data analysis Methods 0.000 description 6
- 230000019771 cognition Effects 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 3
- 238000004220 aggregation Methods 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000001149 cognitive effect Effects 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012502 risk assessment Methods 0.000 description 2
- 238000013058 risk prediction model Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- 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
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B31/00—Predictive alarm systems characterised by extrapolation or other computation using updated historic data
-
- 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)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Manufacturing & Machinery (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Emergency Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例提供了一种基于大数据的供应链风险识别预警方法、***及介质,该方法包括:获取供应链节点,对供应链节点进行分析归类,并提取供应链节点历史数据;根据供应链节点历史数据建立供应链识别模型进行识别供应链节点运行数据;提取供应链节点运行数据特征值,将供应链节点运行数据特征值与预设特征值进行比较,得到特征偏差率;判断所述特征偏差率是否大于或等于预设偏差率阈值;若大于或等于,则生成预警信息,通过预警信息对供应链进行实时预警;若小于,则实时监控供应链节点数据,并将供应链节点数据存储至数据库;通过大数据为企业生产经营提供有价值的数据,为供应链节点进行动态监测和预警,确保供应链的科学性和安全性。
Description
技术领域
本申请涉及供应链风险识别预警领域,具体而言,涉及一种基于大数据的供应链风险识别预警方法、***及介质。
背景技术
汽车零部件是整个汽车工业的基础,其供应效率是影响汽车制造企业竞争力的主要因素之一,汽车制造过程非常复杂,一辆汽车大约需要三万多个零部件组装而成,而汽车制造业供应链环节多、节点间关系复杂,很容易受到外部环境波动的冲击,加强汽车零部件供应链的稳定性管理,是动态环境下汽车制造企业提质增效面临的重要问题,现有的供应链风险识别预警***中无法根据供应链节点历史数据建立供应链识别模型进行识别供应链节点运行数据对供应链数据进行动态检测与预警,难以保证供应链的智能识别与预警,供应链的安全性较差。
针对上述问题,目前亟待有效的技术解决方案。
发明内容
本申请实施例的目的在于提供一种基于大数据的供应链风险识别预警方法、***及介质,可以通过大数据为企业生产经营提供有价值的数据,为供应链节点进行动态监测和预警,确保供应链的科学性和安全性的技术。
本申请实施例还提供了一种基于大数据的供应链风险识别预警方法,包括:获取供应链节点,对供应链节点进行分析归类,并提取供应链节点历史数据;
根据供应链节点历史数据建立供应链识别模型进行识别供应链节点运行数据;
提取供应链节点运行数据特征值,将供应链节点运行数据特征值与预设特征值进行比较,得到特征偏差率;
判断所述特征偏差率是否大于或等于预设偏差率阈值;
若大于或等于,则生成预警信息,通过预警信息对供应链进行实时预警;
若小于,则实时监控供应链节点数据,并将供应链节点数据存储至数据库。
可选地,在本申请实施例的基于大数据的供应链风险识别预警方法中,所述获取供应链节点,对供应链节点进行分析归类,并提取供应链节点历史数据,包括:
获取若干个供应链节点,提取供应链节点特征值;
随机抽取两个供应链节点,将两个供应链节点对应的供应链节点特征值进行相似度计算,得到供应链相似度信息;
将所述供应链相似度信息与预设的相似度信息进行比较,得到相似度偏差率;
判断所述相似度偏差率是否大于或等于预设的相似度偏差率阈值;
若大于或等于,则将对应的两个供应链分为不同类别;
若小于,则将对应的两个供应链分为相同类别;
所述供应链节点包括原料供货商、供应商、制造商、仓储商、运输商、分销商、零售商以及终端客户;
所述供应链节点历史数据包括供应链节点的历史运营数据,历史评价数据,历史风险数据以及历史预警数据,以及历史管控调整数据。
可选地,在本申请实施例的基于大数据的供应链风险识别预警方法中,所述获取供应链节点,对供应链节点进行分析归类,并提取供应链节点历史数据,还包括:
获取供应链节点,对供应链节点进行分析归类,生成上游企业、中游企业与下游企业;
通过大数据获取上游企业、中游企业与下游企业的关联度图谱;
根据关联度图谱分析上游企业、中游企业与下游企业的关联关系,并计算关联度;
判断所述关联度是否大于预设的关联阈值;
若大于,则将对应的企业分配到同一类别;
若小于,则将对应的企业分配到不同类别。
可选地,在本申请实施例的基于大数据的供应链风险识别预警方法中,所述提取供应链节点运行数据特征值,将供应链节点运行数据特征值与预设特征值进行比较,得到特征偏差率,包括:
获取供应链节点,将供应链节点分割为若干个子节点,并获取每一个子节点数据;
将子节点数据进行特征提取生成子节点特征值;
将子节点特征值与预设的第一特征阈值进行差值计算,得到第一特征差值;
若第一特征差值大于或等于差值阈值,则生成修正参数,根据修正参数对子节点供应参数进行修正,记为脆弱节点,并对脆弱节点进行计数;
当所述脆弱节点的数量大于第一数量阈值时,则进行对应子节点的预警;
当所述脆弱节点的数量大于第二数量阈值时,则进行对应子节点的整体更换;
若第一特征差值小于差值阈值时,生成监测参数,对子节点进行实时监控;
所述第一数量阈值小于所述第二数量阈值。
可选地,在本申请实施例的基于大数据的供应链风险识别预警方法中,还包括:采集供应链节点运营数据,提取运营特征值;
将运营特征值输入评价模型,得到供应链节点运营评分;
若供应链节点运营评分大于或等于第一评分值,则生成供应链节点;
若供应链节点运营评分小于第一评分值时,则将供应链节点运营数据输入预设的风险度量模型;
根据风险度量模型输出供应链节点的风险度量值;
将风险度量值与预设的度量阈值进行比较,得到度量偏差率;
判断所述度量偏差率是否大于预设的度量偏差率阈值;
若大于,则判定对应的供应链节点风险大,并生成风险数据;
若小于,则判定对应的供应链节点风险小,通过对应的供应链进行企业运行。
可选地,在本申请实施例的基于大数据的供应链风险识别预警方法中,还包括:
建立搜索条件,通过搜索条件对企业信息进行搜索,得到企业类型、企业经营规模、企业经营状态以及企业区域分布;
根据企业信息构建企业供应链预测模型;
根据企业供应链预测模型生成企业供应链参数信息;
根据供应链参数信息构建供应链体系架构,并分析供应链子节点风险等级;
判断所述供应链子节点风险等级是否大于预设的风险等级;
若大于,则生成供应链未来规划信息;
根据供应链未来规划信息对供应链参数信息进行调整。
第二方面,本申请实施例提供了一种基于大数据的供应链风险识别预警***,该***包括:存储器及处理器,存储器中包括基于大数据的供应链风险识别预警方法的程序,基于大数据的供应链风险识别预警方法的程序被处理器执行时实现以下步骤:
获取供应链节点,对供应链节点进行分析归类,并提取供应链节点历史数据;
根据供应链节点历史数据建立供应链识别模型进行识别供应链节点运行数据;
提取供应链节点运行数据特征值,将供应链节点运行数据特征值与预设特征值进行比较,得到特征偏差率;
判断所述特征偏差率是否大于或等于预设偏差率阈值;
若大于或等于,则生成预警信息,通过预警信息对供应链进行实时预警;
若小于,则实时监控供应链节点数据,并将供应链节点数据存储至数据库。
可选地,在本申请实施例的基于大数据的供应链风险识别预警***中,所述获取供应链节点,对供应链节点进行分析归类,并提取供应链节点历史数据,包括:
获取若干个供应链节点,提取供应链节点特征值;
随机抽取两个供应链节点,将两个供应链节点对应的供应链节点特征值进行相似度计算,得到供应链相似度信息;
将所述供应链相似度信息与预设的相似度信息进行比较,得到相似度偏差率;
判断所述相似度偏差率是否大于或等于预设的相似度偏差率阈值;
若大于或等于,则将对应的两个供应链分为不同类别;
若小于,则将对应的两个供应链分为相同类别;
所述供应链节点包括原料供货商、供应商、制造商、仓储商、运输商、分销商、零售商以及终端客户;
所述供应链节点历史数据包括供应链节点的历史运营数据,历史评价数据,历史风险数据以及历史预警数据,以及历史管控调整数据。
可选地,在本申请实施例的基于大数据的供应链风险识别预警***中,所述提取供应链节点运行数据特征值,将供应链节点运行数据特征值与预设特征值进行比较,得到特征偏差率,包括:
获取供应链节点,将供应链节点分割为若干个子节点,并获取每一个子节点数据;
将子节点数据进行特征提取生成子节点特征值;
将子节点特征值与预设的第一特征阈值进行差值计算,得到第一特征差值;
若第一特征差值大于或等于差值阈值,则生成修正参数,根据修正参数对子节点供应参数进行修正,记为脆弱节点,并对脆弱节点进行计数;
当所述脆弱节点的数量大于第一数量阈值时,则进行对应子节点的预警;
当所述脆弱节点的数量大于第二数量阈值时,则进行对应子节点的整体更换;
若第一特征差值小于差值阈值时,生成监测参数,对子节点进行实时监控;
所述第一数量阈值小于所述第二数量阈值。
第三方面,本申请实施例还提供了一种计算机可读存储介质,计算机可读存储介质中包括基于大数据的供应链风险识别预警方法程序,基于大数据的供应链风险识别预警方法程序被处理器执行时,实现如上述任一项的基于大数据的供应链风险识别预警方法的步骤。
由上可知,本申请实施例提供的一种基于大数据的供应链风险识别预警方法、***及介质,通过获取供应链节点,对供应链节点进行分析归类,并提取供应链节点历史数据;根据供应链节点历史数据建立供应链识别模型进行识别供应链节点运行数据;提取供应链节点运行数据特征值,将供应链节点运行数据特征值与预设特征值进行比较,得到特征偏差率;判断所述特征偏差率是否大于或等于预设偏差率阈值;若大于或等于,则生成预警信息,通过预警信息对供应链进行实时预警;若小于,则实时监控供应链节点数据,并将供应链节点数据存储至数据库;通过大数据为企业生产经营提供有价值的数据,为供应链节点进行动态监测和预警,确保供应链的科学性和安全性的技术。
本申请的其他特征和优点将在随后的说明书阐述,并且,本申请的优点部分地从说明书中变得显而易见,或者通过实施本申请实施例了解。本申请的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本申请实施例提供的基于大数据的供应链风险识别预警方法的流程图;
图2为本申请实施例提供的基于大数据的供应链风险识别预警方法的供应链类别划分流程图;
图3为本申请实施例提供的基于大数据的供应链风险识别预警方法的企业分配方法流程图;
图4为本申请实施例提供的基于大数据的供应链风险识别预警方法的脆弱节点判断方法流程图;
图5为本申请实施例提供的基于大数据的供应链风险识别预警方法的风险数据获取方法流程图;
图6为本申请实施例提供的基于大数据的供应链风险识别预警方法的供应链参数信息调整方法流程图;
图7为本申请实施例提供的基于大数据的供应链风险识别预警***的结构示意图。
具体实施方式
下面将结合本申请实施例中附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
应注意到,相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。同时,在本申请的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
请参照图1,图1是本申请一些实施例中的一种基于大数据的供应链风险识别预警方法的流程图。该基于大数据的供应链风险识别预警方法用于终端设备中,该基于大数据的供应链风险识别预警方法,包括以下步骤:
S101,获取供应链节点,对供应链节点进行分析归类,并提取供应链节点历史数据;
S102,根据供应链节点历史数据建立供应链识别模型进行识别供应链节点运行数据;
S103,提取供应链节点运行数据特征值,将供应链节点运行数据特征值与预设特征值进行比较,得到特征偏差率;
S104,判断特征偏差率是否大于或等于预设偏差率阈值;
S105,若大于或等于,则生成预警信息,通过预警信息对供应链进行实时预警;若小于,则实时监控供应链节点数据,并将供应链节点数据存储至数据库。
请参照图2,图2是本申请一些实施例中的一种基于大数据的供应链风险识别预警方法的供应链类别划分流程图。根据本发明实施例,获取供应链节点,对供应链节点进行分析归类,并提取供应链节点历史数据,包括:
S201,获取若干个供应链节点,提取供应链节点特征值;
S202,随机抽取两个供应链节点,将两个供应链节点对应的供应链节点特征值进行相似度计算,得到供应链相似度信息;
S203,将供应链相似度信息与预设的相似度信息进行比较,得到相似度偏差率;
S204,判断相似度偏差率是否大于或等于预设的相似度偏差率阈值;
S205,若大于或等于,则将对应的两个供应链分为不同类别;若小于,则将对应的两个供应链分为相同类别;
供应链节点包括原料供货商、供应商、制造商、仓储商、运输商、分销商、零售商以及终端客户;
供应链节点历史数据包括供应链节点的历史运营数据,历史评价数据,历史风险数据以及历史预警数据,以及历史管控调整数据。
请参照图3,图3是本申请一些实施例中的一种基于大数据的供应链风险识别预警方法的企业分配方法流程图。根据本发明实施例,获取供应链节点,对供应链节点进行分析归类,并提取供应链节点历史数据,还包括:
S301,获取供应链节点,对供应链节点进行分析归类,生成上游企业、中游企业与下游企业;
S302,通过大数据获取上游企业、中游企业与下游企业的关联度图谱;
S303,根据关联度图谱分析上游企业、中游企业与下游企业的关联关系,并计算关联度;
S304,判断关联度是否大于预设的关联阈值;
S305,若大于,则将对应的企业分配到同一类别;若小于,则将对应的企业分配到不同类别。
需要说明的是,利用多态聚合算法,对获取到的汽车零部件信息进行上、中、下游产业链信息自动构建与整合,识别出完整的汽车上、中、下游产业链区域分布;利用隐马尔科夫模型、条件随机场模型等深度机器学习模型,对前道工序获取到的文本信息进行汽车零部件供应商规模、经营情况的分析;利用神经网络和逻辑回归算法,构建汽车零部件供应链预测模型,利用已公开数据的验证和比对,对预测模型进行参数优化调整,形成较为精准的汽车供应链预测模型。
进一步的,采用搭建的搜索引擎、数据分析引擎和数据整合引擎等基本工具,进行汽车零部件生产企业与供应商之间的供应链目标智能识别和数据获取,以可视化页面呈现动态情报分析,构建基于大数据分析的汽车零部件供应链关联度动态图谱。
请参照图4,图4是本申请一些实施例中的一种基于大数据的供应链风险识别预警方法的脆弱节点判断方法流程图。根据本发明实施例,提取供应链节点运行数据特征值,将供应链节点运行数据特征值与预设特征值进行比较,得到特征偏差率,包括:
S401,获取供应链节点,将供应链节点分割为若干个子节点,并获取每一个子节点数据;
S402,将子节点数据进行特征提取生成子节点特征值;
S403,将子节点特征值与预设的第一特征阈值进行差值计算,得到第一特征差值;
S404,若第一特征差值大于或等于差值阈值,则生成修正参数,根据修正参数对子节点供应参数进行修正,记为脆弱节点,并对脆弱节点进行计数;
S405,当脆弱节点的数量大于第一数量阈值时,则进行对应子节点的预警;当脆弱节点的数量大于第二数量阈值时,则进行对应子节点的整体更换;
S406,若第一特征差值小于差值阈值时,生成监测参数,对子节点进行实时监控;
第一数量阈值小于第二数量阈值。
请参照图5,图5是本申请一些实施例中的一种基于大数据的供应链风险识别预警方法的风险数据获取方法流程图。根据本发明实施例,还包括:采集供应链节点运营数据,提取运营特征值;
S501,将运营特征值输入评价模型,得到供应链节点运营评分;
S502,若供应链节点运营评分大于或等于第一评分值,则生成供应链节点;
若供应链节点运营评分小于第一评分值时,则将供应链节点运营数据输入预设的风险度量模型;
S503,根据风险度量模型输出供应链节点的风险度量值;
S504,将风险度量值与预设的度量阈值进行比较,得到度量偏差率;
S505,判断度量偏差率是否大于预设的度量偏差率阈值;
S506,若大于,则判定对应的供应链节点风险大,并生成风险数据;若小于,则判定对应的供应链节点风险小,通过对应的供应链进行企业运行。
请参照图6,图6是本申请一些实施例中的一种基于大数据的供应链风险识别预警方法的供应链参数信息调整方法流程图。根据本发明实施例,还包括:
S601,建立搜索条件,通过搜索条件对企业信息进行搜索,得到企业类型、企业经营规模、企业经营状态以及企业区域分布;
S602,根据企业信息构建企业供应链预测模型;
S603,根据企业供应链预测模型生成企业供应链参数信息;
S604,根据供应链参数信息构建供应链体系架构,并分析供应链子节点风险等级;
S605,判断供应链子节点风险等级是否大于预设的风险等级;若大于,则生成供应链未来规划信息;根据供应链未来规划信息对供应链参数信息进行调整。
根据本发明实施例,还包括从供应链数据中采集有效的数据信息,通过有效的数据信息分析供应链风险类别,得到每个风险类别的风险权重和风险值,通过风险权重和风险值的加权计算得到风险分值,得到供应链的风险信息,根据风险信息建立供应链调整信息,根据调整信息对供应链运行信息进行调整。
根据本发明实施例,还包括:构建供应链风险准则集合,风险准则集合包括决策者、供应商选择、确定供应商选择的目标、风险源、风险准则选择原理、潜在的供应商、可用供应商和采购分析;
获取风险准则权重,包括供应商分析准则集合、风险权重确定方法、风险权重系数获得;
获得风险准则度量,包括数据采集、数据处理、风险准则度量和供应商的风险准则度量值;
获取供应商的风险源,包括供应商风险权重系数、供应商的风险准则度量值,从而确定供应商的风险源,最后做出选择和决策;
根据得出的风险决策模型和管理体系,结合大数据分析和认知技术,以值得信赖的数据为基础,通过机器学习的自然语言处理分析和多种认知服务,对历史数据进行训练生成预测模型,进行风险预测来满足预测性的、认知的或复杂的分析问题逻辑,从而建立高性能的风险评估和预测模型。
请参照图7,图7是本申请一些实施例中的一种基于大数据的供应链风险识别预警***的结构示意图。第二方面,本申请实施例提供了一种基于大数据的供应链风险识别预警***7,该***包括:存储器71及处理器72,存储器71中包括基于大数据的供应链风险识别预警方法的程序,基于大数据的供应链风险识别预警方法的程序被处理器执行时实现以下步骤:
获取供应链节点,对供应链节点进行分析归类,并提取供应链节点历史数据;
根据供应链节点历史数据建立供应链识别模型进行识别供应链节点运行数据;
提取供应链节点运行数据特征值,将供应链节点运行数据特征值与预设特征值进行比较,得到特征偏差率;
判断特征偏差率是否大于或等于预设偏差率阈值;
若大于或等于,则生成预警信息,通过预警信息对供应链进行实时预警;
若小于,则实时监控供应链节点数据,并将供应链节点数据存储至数据库。
根据本发明实施例,获取供应链节点,对供应链节点进行分析归类,并提取供应链节点历史数据,包括:
获取若干个供应链节点,提取供应链节点特征值;
随机抽取两个供应链节点,将两个供应链节点对应的供应链节点特征值进行相似度计算,得到供应链相似度信息;
将供应链相似度信息与预设的相似度信息进行比较,得到相似度偏差率;
判断相似度偏差率是否大于或等于预设的相似度偏差率阈值;
若大于或等于,则将对应的两个供应链分为不同类别;
若小于,则将对应的两个供应链分为相同类别;
供应链节点包括原料供货商、供应商、制造商、仓储商、运输商、分销商、零售商以及终端客户;
供应链节点历史数据包括供应链节点的历史运营数据,历史评价数据,历史风险数据以及历史预警数据,以及历史管控调整数据。
根据本发明实施例,提取供应链节点运行数据特征值,将供应链节点运行数据特征值与预设特征值进行比较,得到特征偏差率,包括:
获取供应链节点,将供应链节点分割为若干个子节点,并获取每一个子节点数据;
将子节点数据进行特征提取生成子节点特征值;
将子节点特征值与预设的第一特征阈值进行差值计算,得到第一特征差值;
若第一特征差值大于或等于差值阈值,则生成修正参数,根据修正参数对子节点供应参数进行修正,记为脆弱节点,并对脆弱节点进行计数;
当脆弱节点的数量大于第一数量阈值时,则进行对应子节点的预警;
当脆弱节点的数量大于第二数量阈值时,则进行对应子节点的整体更换;
若第一特征差值小于差值阈值时,生成监测参数,对子节点进行实时监控;
第一数量阈值小于第二数量阈值。
根据本发明实施例,获取供应链节点,对供应链节点进行分析归类,并提取供应链节点历史数据,还包括:
获取供应链节点,对供应链节点进行分析归类,生成上游企业、中游企业与下游企业;
通过大数据获取上游企业、中游企业与下游企业的关联度图谱;
根据关联度图谱分析上游企业、中游企业与下游企业的关联关系,并计算关联度;
判断关联度是否大于预设的关联阈值;
若大于,则将对应的企业分配到同一类别;
若小于,则将对应的企业分配到不同类别。
需要说明的是,利用多态聚合算法,对获取到的汽车零部件信息进行上、中、下游产业链信息自动构建与整合,识别出完整的汽车上、中、下游产业链区域分布;利用隐马尔科夫模型、条件随机场模型等深度机器学习模型,对前道工序获取到的文本信息进行汽车零部件供应商规模、经营情况的分析;利用神经网络和逻辑回归算法,构建汽车零部件供应链预测模型,利用已公开数据的验证和比对,对预测模型进行参数优化调整,形成较为精准的汽车供应链预测模型。
进一步的,采用搭建的搜索引擎、数据分析引擎和数据整合引擎等基本工具,进行汽车零部件生产企业与供应商之间的供应链目标智能识别和数据获取,以可视化页面呈现动态情报分析,构建基于大数据分析的汽车零部件供应链关联度动态图谱。
根据本发明实施例,还包括:采集供应链节点运营数据,提取运营特征值;
将运营特征值输入评价模型,得到供应链节点运营评分;
若供应链节点运营评分大于或等于第一评分值,则生成供应链节点;
若供应链节点运营评分小于第一评分值时,则将供应链节点运营数据输入预设的风险度量模型;
根据风险度量模型输出供应链节点的风险度量值;
将风险度量值与预设的度量阈值进行比较,得到度量偏差率;
判断度量偏差率是否大于预设的度量偏差率阈值;
若大于,则判定对应的供应链节点风险大,并生成风险数据;
若小于,则判定对应的供应链节点风险小,通过对应的供应链进行企业运行。
根据本发明实施例,还包括:
建立搜索条件,通过搜索条件对企业信息进行搜索,得到企业类型、企业经营规模、企业经营状态以及企业区域分布;
根据企业信息构建企业供应链预测模型;
根据企业供应链预测模型生成企业供应链参数信息;
根据供应链参数信息构建供应链体系架构,并分析供应链子节点风险等级;
判断供应链子节点风险等级是否大于预设的风险等级;
若大于,则生成供应链未来规划信息;
根据供应链未来规划信息对供应链参数信息进行调整。
根据本发明实施例,还包括从供应链数据中采集有效的数据信息,通过有效的数据信息分析供应链风险类别,得到每个风险类别的风险权重和风险值,通过风险权重和风险值的加权计算得到风险分值,得到供应链的风险信息,根据风险信息建立供应链调整信息,根据调整信息对供应链运行信息进行调整。
根据本发明实施例,还包括:构建供应链风险准则集合,风险准则集合包括决策者、供应商选择、确定供应商选择的目标、风险源、风险准则选择原理、潜在的供应商、可用供应商和采购分析;
获取风险准则权重,包括供应商分析准则集合、风险权重确定方法、风险权重系数获得;
获得风险准则度量,包括数据采集、数据处理、风险准则度量和供应商的风险准则度量值;
获取供应商的风险源,包括供应商风险权重系数、供应商的风险准则度量值,从而确定供应商的风险源,最后做出选择和决策;
根据得出的风险决策模型和管理体系,结合大数据分析和认知技术,以值得信赖的数据为基础,通过机器学习的自然语言处理分析和多种认知服务,对历史数据进行训练生成预测模型,进行风险预测来满足预测性的、认知的或复杂的分析问题逻辑,从而建立高性能的风险评估和预测模型。
本发明第三方面提供了一种计算机可读存储介质,可读存储介质中包括基于大数据的供应链风险识别预警方法程序,基于大数据的供应链风险识别预警方法程序被处理器执行时,实现如上述任一项的基于大数据的供应链风险识别预警方法的步骤。
本发明公开的一种基于大数据的供应链风险识别预警方法、***及介质,通过获取供应链节点,对供应链节点进行分析归类,并提取供应链节点历史数据;根据供应链节点历史数据建立供应链识别模型进行识别供应链节点运行数据;提取供应链节点运行数据特征值,将供应链节点运行数据特征值与预设特征值进行比较,得到特征偏差率;判断特征偏差率是否大于或等于预设偏差率阈值;若大于或等于,则生成预警信息,通过预警信息对供应链进行实时预警;若小于,则实时监控供应链节点数据,并将供应链节点数据存储至数据库;通过大数据为企业生产经营提供有价值的数据,为供应链节点进行动态监测和预警,确保供应链的科学性和安全性的技术。
在本申请所提供的几个实施例中,应该理解到,所揭露的设备和方法,可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的,例如,单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,如:多个单元或组件可以结合,或可以集成到另一个***,或一些特征可以忽略,或不执行。另外,所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口,设备或单元的间接耦合或通信连接,可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的,作为单元显示的部件可以是、或也可以不是物理单元;既可以位于一个地方,也可以分布到多个网络单元上;可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外,在本发明各实施例中的各功能单元可以全部集成在一个处理单元中,也可以是各单元分别单独作为一个单元,也可以两个或两个以上单元集成在一个单元中;上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:移动存储设备、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
或者,本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个可读取存储介质中。基于这样的理解,本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括:移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
Claims (8)
1.一种基于大数据的供应链风险识别预警方法,其特征在于,包括:
获取供应链节点,对供应链节点进行分析归类,并提取供应链节点历史数据;
根据供应链节点历史数据建立供应链识别模型进行识别供应链节点运行数据;
提取供应链节点运行数据特征值,将供应链节点运行数据特征值与预设特征值进行比较,得到特征偏差率;
判断所述特征偏差率是否大于或等于预设偏差率阈值;
若大于或等于,则生成预警信息,通过预警信息对供应链进行实时预警;
若小于,则实时监控供应链节点数据,并将供应链节点数据存储至数据库;
所述提取供应链节点运行数据特征值,将供应链节点运行数据特征值与预设特征值进行比较,得到特征偏差率,包括:
获取供应链节点,将供应链节点分割为若干个子节点,并获取每一个子节点数据;
将子节点数据进行特征提取生成子节点特征值;
将子节点特征值与预设的第一特征阈值进行差值计算,得到第一特征差值;
若第一特征差值大于或等于差值阈值,则生成修正参数,根据修正参数对子节点供应参数进行修正,记为脆弱节点,并对脆弱节点进行计数;
当所述脆弱节点的数量大于第一数量阈值时,则进行对应子节点的预警;
当所述脆弱节点的数量大于第二数量阈值时,则进行对应子节点的整体更换;
若第一特征差值小于差值阈值时,生成监测参数,对子节点进行实时监控;
所述第一数量阈值小于所述第二数量阈值。
2.根据权利要求1所述的基于大数据的供应链风险识别预警方法,其特征在于,所述获取供应链节点,对供应链节点进行分析归类,并提取供应链节点历史数据,包括:
获取若干个供应链节点,提取供应链节点特征值;
随机抽取两个供应链节点,将两个供应链节点对应的供应链节点特征值进行相似度计算,得到供应链相似度信息;
将所述供应链相似度信息与预设的相似度信息进行比较,得到相似度偏差率;
判断所述相似度偏差率是否大于或等于预设的相似度偏差率阈值;
若大于或等于,则将对应的两个供应链分为不同类别;
若小于,则将对应的两个供应链分为相同类别;
所述供应链节点包括原料供货商、供应商、制造商、仓储商、运输商、分销商、零售商以及终端客户;
所述供应链节点历史数据包括供应链节点的历史运营数据,历史评价数据,历史风险数据以及历史预警数据,以及历史管控调整数据。
3.根据权利要求2所述的基于大数据的供应链风险识别预警方法,其特征在于,所述获取供应链节点,对供应链节点进行分析归类,并提取供应链节点历史数据,还包括:
获取供应链节点,对供应链节点进行分析归类,生成上游企业、中游企业与下游企业;
通过大数据获取上游企业、中游企业与下游企业的关联度图谱;
根据关联度图谱分析上游企业、中游企业与下游企业的关联关系,并计算关联度;
判断所述关联度是否大于预设的关联阈值;
若大于,则将对应的企业分配到同一类别;
若小于,则将对应的企业分配到不同类别。
4.根据权利要求3所述的基于大数据的供应链风险识别预警方法,其特征在于,还包括:采集供应链节点运营数据,提取运营特征值;
将运营特征值输入评价模型,得到供应链节点运营评分;
若供应链节点运营评分大于或等于第一评分值,则生成供应链节点;
若供应链节点运营评分小于第一评分值时,则将供应链节点运营数据输入预设的风险度量模型;
根据风险度量模型输出供应链节点的风险度量值;
将风险度量值与预设的度量阈值进行比较,得到度量偏差率;
判断所述度量偏差率是否大于预设的度量偏差率阈值;
若大于,则判定对应的供应链节点风险大,并生成风险数据;
若小于,则判定对应的供应链节点风险小,通过对应的供应链进行企业运行。
5.根据权利要求4所述的基于大数据的供应链风险识别预警方法,其特征在于,还包括:
建立搜索条件,通过搜索条件对企业信息进行搜索,得到企业类型、企业经营规模、企业经营状态以及企业区域分布;
根据企业信息构建企业供应链预测模型;
根据企业供应链预测模型生成企业供应链参数信息;
根据供应链参数信息构建供应链体系架构,并分析供应链子节点风险等级;
判断所述供应链子节点风险等级是否大于预设的风险等级;
若大于,则生成供应链未来规划信息;
根据供应链未来规划信息对供应链参数信息进行调整。
6.一种基于大数据的供应链风险识别预警***,其特征在于,该***包括:存储器及处理器,所述存储器中包括基于大数据的供应链风险识别预警方法的程序,所述基于大数据的供应链风险识别预警方法的程序被所述处理器执行时实现以下步骤:
获取供应链节点,对供应链节点进行分析归类,并提取供应链节点历史数据;
根据供应链节点历史数据建立供应链识别模型进行识别供应链节点运行数据;
提取供应链节点运行数据特征值,将供应链节点运行数据特征值与预设特征值进行比较,得到特征偏差率;
判断所述特征偏差率是否大于或等于预设偏差率阈值;
若大于或等于,则生成预警信息,通过预警信息对供应链进行实时预警;
若小于,则实时监控供应链节点数据,并将供应链节点数据存储至数据库;
所述提取供应链节点运行数据特征值,将供应链节点运行数据特征值与预设特征值进行比较,得到特征偏差率,包括:
获取供应链节点,将供应链节点分割为若干个子节点,并获取每一个子节点数据;
将子节点数据进行特征提取生成子节点特征值;
将子节点特征值与预设的第一特征阈值进行差值计算,得到第一特征差值;
若第一特征差值大于或等于差值阈值,则生成修正参数,根据修正参数对子节点供应参数进行修正,记为脆弱节点,并对脆弱节点进行计数;
当所述脆弱节点的数量大于第一数量阈值时,则进行对应子节点的预警;
当所述脆弱节点的数量大于第二数量阈值时,则进行对应子节点的整体更换;
若第一特征差值小于差值阈值时,生成监测参数,对子节点进行实时监控;
所述第一数量阈值小于所述第二数量阈值。
7.根据权利要求6所述的基于大数据的供应链风险识别预警***,其特征在于,所述获取供应链节点,对供应链节点进行分析归类,并提取供应链节点历史数据,包括:
获取若干个供应链节点,提取供应链节点特征值;
随机抽取两个供应链节点,将两个供应链节点对应的供应链节点特征值进行相似度计算,得到供应链相似度信息;
将所述供应链相似度信息与预设的相似度信息进行比较,得到相似度偏差率;
判断所述相似度偏差率是否大于或等于预设的相似度偏差率阈值;
若大于或等于,则将对应的两个供应链分为不同类别;
若小于,则将对应的两个供应链分为相同类别;
所述供应链节点包括原料供货商、供应商、制造商、仓储商、运输商、分销商、零售商以及终端客户;
所述供应链节点历史数据包括供应链节点的历史运营数据,历史评价数据,历史风险数据以及历史预警数据,以及历史管控调整数据。
8.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中包括基于大数据的供应链风险识别预警方法程序,所述基于大数据的供应链风险识别预警方法程序被处理器执行时,实现如权利要求1至5中任一项所述的基于大数据的供应链风险识别预警方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310411982.2A CN116485020B (zh) | 2023-04-18 | 2023-04-18 | 一种基于大数据的供应链风险识别预警方法、***及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310411982.2A CN116485020B (zh) | 2023-04-18 | 2023-04-18 | 一种基于大数据的供应链风险识别预警方法、***及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116485020A CN116485020A (zh) | 2023-07-25 |
CN116485020B true CN116485020B (zh) | 2024-02-23 |
Family
ID=87226257
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310411982.2A Active CN116485020B (zh) | 2023-04-18 | 2023-04-18 | 一种基于大数据的供应链风险识别预警方法、***及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116485020B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117973805B (zh) * | 2024-03-28 | 2024-06-14 | 国网浙江省电力有限公司金华供电公司 | 采购检测储备配送融合协同供应链管控方法及*** |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021218553A1 (zh) * | 2020-04-30 | 2021-11-04 | 炬星科技(深圳)有限公司 | 基于机器人的网状供应链决策方法、设备及存储介质 |
CN113869722A (zh) * | 2021-09-27 | 2021-12-31 | 青岛海尔工业智能研究院有限公司 | 基于工业互联网的家电供应链风险预警***、方法及设备 |
CN114266473A (zh) * | 2021-12-21 | 2022-04-01 | 工品行(苏州)数字科技有限公司 | 一种基于数据分析的供应链需求预测***及方法 |
CN115081913A (zh) * | 2022-06-29 | 2022-09-20 | 青岛蓝智现代服务业数字工程技术研究中心 | 一种供应链风险评估与防控*** |
CN115907590A (zh) * | 2022-11-28 | 2023-04-04 | 张瀚茹 | 一种基于大数据的供应链数字化管理***及方法 |
-
2023
- 2023-04-18 CN CN202310411982.2A patent/CN116485020B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021218553A1 (zh) * | 2020-04-30 | 2021-11-04 | 炬星科技(深圳)有限公司 | 基于机器人的网状供应链决策方法、设备及存储介质 |
CN113869722A (zh) * | 2021-09-27 | 2021-12-31 | 青岛海尔工业智能研究院有限公司 | 基于工业互联网的家电供应链风险预警***、方法及设备 |
CN114266473A (zh) * | 2021-12-21 | 2022-04-01 | 工品行(苏州)数字科技有限公司 | 一种基于数据分析的供应链需求预测***及方法 |
CN115081913A (zh) * | 2022-06-29 | 2022-09-20 | 青岛蓝智现代服务业数字工程技术研究中心 | 一种供应链风险评估与防控*** |
CN115907590A (zh) * | 2022-11-28 | 2023-04-04 | 张瀚茹 | 一种基于大数据的供应链数字化管理***及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116485020A (zh) | 2023-07-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021184630A1 (zh) | 基于知识图谱定位排污对象的方法及相关设备 | |
CN106951984B (zh) | 一种***健康度动态分析预测方法及装置 | |
US11093519B2 (en) | Artificial intelligence (AI) based automatic data remediation | |
US10339484B2 (en) | System and method for performing signal processing and dynamic analysis and forecasting of risk of third parties | |
Kurniadi et al. | The prediction of scholarship recipients in higher education using k-Nearest neighbor algorithm | |
CN105069470A (zh) | 分类模型训练方法及装置 | |
CN111047122A (zh) | 企业数据成熟度评估方法、装置及计算机设备 | |
CN114116397A (zh) | 一种监控指标的预警归因方法、装置、设备及存储介质 | |
EP1958034B1 (en) | Use of sequential clustering for instance selection in machine condition monitoring | |
CN116485020B (zh) | 一种基于大数据的供应链风险识别预警方法、***及介质 | |
CN111539493A (zh) | 一种告警预测方法、装置、电子设备及存储介质 | |
CN111277459A (zh) | 一种设备异常检测方法、装置和机器可读存储介质 | |
CN113704389A (zh) | 一种数据评估方法、装置、计算机设备及存储介质 | |
CN117669384A (zh) | 基于物联网的温度传感器生产智能监测方法及*** | |
Asaddulloh et al. | Machine Learning Techniques to Predict Rain Tomorrow for Automated Plant Watering System | |
Burmeister et al. | Exploration of production data for predictive maintenance of industrial equipment: A case study | |
CN109636194B (zh) | 一种输变电项目重大变动多源协同检测方法与*** | |
CN117132383A (zh) | 一种信贷数据处理方法、装置、设备及可读存储介质 | |
CN110517731A (zh) | 基因检测质量监控数据处理方法和*** | |
CN115952914A (zh) | 一种基于大数据的电力计量运维工作判别规划方法 | |
CN113610575B (zh) | 一种产品销量的预测方法及预测*** | |
CN115619539A (zh) | 贷前风险评价方法以及装置 | |
CN112733903B (zh) | 基于svm-rf-dt组合的空气质量监测与告警方法、***、装置和介质 | |
KR101629178B1 (ko) | 다중 특허지표를 이용한 기술 수명 주기 분석 장치 | |
CN112506930B (zh) | 一种基于机器学习技术的数据洞察*** |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |