CN116993393A - 服装生产订单管理***及其方法 - Google Patents
服装生产订单管理***及其方法 Download PDFInfo
- Publication number
- CN116993393A CN116993393A CN202310836182.5A CN202310836182A CN116993393A CN 116993393 A CN116993393 A CN 116993393A CN 202310836182 A CN202310836182 A CN 202310836182A CN 116993393 A CN116993393 A CN 116993393A
- Authority
- CN
- China
- Prior art keywords
- data
- historical sales
- vectors
- sales data
- training
- 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.)
- Pending
Links
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 69
- 238000000034 method Methods 0.000 title claims description 32
- 238000007726 management method Methods 0.000 claims abstract description 54
- 239000013598 vector Substances 0.000 claims description 331
- 239000011159 matrix material Substances 0.000 claims description 54
- 230000006870 function Effects 0.000 claims description 36
- 230000004913 activation Effects 0.000 claims description 15
- 238000004140 cleaning Methods 0.000 claims description 15
- 239000004744 fabric Substances 0.000 claims description 14
- 239000000463 material Substances 0.000 claims description 12
- 230000009471 action Effects 0.000 claims description 10
- 239000003086 colorant Substances 0.000 claims description 8
- 230000002787 reinforcement Effects 0.000 claims description 8
- 238000011176 pooling Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 abstract description 17
- 230000008901 benefit Effects 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 15
- 238000009826 distribution Methods 0.000 description 8
- 238000003062 neural network model Methods 0.000 description 7
- 230000003213 activating effect Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 238000012821 model calculation Methods 0.000 description 4
- 230000003252 repetitive effect Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000003042 antagnostic effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- -1 styles Substances 0.000 description 2
- 238000009472 formulation Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005728 strengthening Methods 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- 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
- G06N3/045—Combinations of networks
- G06N3/0455—Auto-encoder networks; Encoder-decoder networks
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Marketing (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Human Resources & Organizations (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Manufacturing & Machinery (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及服装生产技术领域,且更为具体地公开了一种服装的生产管理***及其方法,其通过对历史销售数据进行语义建模和预测分析,来预测未来季度的销售量,以便于制定合理的库存计划和采购计划。该方案通过准确的销售预测,可以更好地管理库存,避免过多的库存积压或者无法满足市场需求的情况,提高供应链稳定性和经济效益。
Description
技术领域
本申请涉及服装生产技术领域,且更为具体地,涉及一种服装的生产管理***及其方法。
背景技术
由于服装生产周期较长,一旦错判市场需求,就可能导致库存积压或者产能滞销,影响供应链稳定。如果生产过多的服装,但是销售不畅,将导致库存积压,给企业带来巨大的成本和资金压力;而过少的库存又有可能导致生产中断和客户订单无法及时交付。
在服装的生产管理中,历史销售数据是非常重要的信息,通过历史销售数据进行分析,可以了解消费者购买习惯和喜好,预测未来的销售量和需求趋势,从而对库存进行管理。
因此,期待一种服装的生产管理***及其方法。
发明内容
为了解决上述技术问题,提出了本申请。本申请的实施例提供了一种服装的生产管理***及其方法,其通过对历史销售数据进行语义建模和预测分析,来预测未来季度的销售量,以便于制定合理的库存计划和采购计划。该方案通过准确的销售预测,可以更好地管理库存,避免过多的库存积压或者无法满足市场需求的情况,提高供应链稳定性和经济效益。
相应地,根据本申请的一个方面,提供了一种服装的生产管理***,其包括:
历史数据采集模块,用于获取历史销售数据,其中,所述历史销售数据包括颜色、款式和面料材质;
数据清洗模块,用于对所述历史销售数据进行数据清洗以得到多个数据项,其中,所述多个数据项包含数据属性和数据值;
属性嵌入编码模块,用于将所述多个数据项中各个数据项的数据属性分别通过词嵌入层以得到多个数据项属性词嵌入向量;
数据添加模块,用于将所述多个数据项中各个数据项的数据值分别添加于所述各个数据项属性词嵌入向量的末尾以得到多个数据项嵌入向量;
历史销售数据语义理解模块,用于将所述多个数据项嵌入向量输入基于转换器的上下文编码器以得到历史销售数据语义特征向量;
空间增强模块,用于将所述历史销售数据语义特征向量通过空间注意力模块以得到增强历史销售数据语义特征向量;以及
销售量预测模块,用于将所述增强历史销售数据语义特征向量通过解码器进行回归解码以得到解码值,所述解码值用于表示季度销售量预测值。
在上述服装的生产管理***中,所述历史销售数据语义理解模块,包括:上下文语义编码单元,用于将所述多个数据项嵌入向量输入所述基于转换器的上下文编码器以得到多个历史销售数据特征向量;以及,级联单元,用于将所述多个历史销售数据特征向量进行级联以得到所述历史销售数据语义特征向量。
在上述服装的生产管理***中,所述上下文语义编码单元,包括:转化子单元,用于将所述多个数据项嵌入向量排列为输入向量后通过可学习嵌入矩阵分别转化为查询向量和关键向量;自注意子单元,用于计算所述查询向量和所述关键向量的转置向量之间的乘积以得到自注意关联矩阵;标准化自注意子单元,用于对所述自注意关联矩阵进行标准化处理以得到标准化自注意关联矩阵;注意力计算子单元,用于将所述标准化自注意关联矩阵输入Softmax激活函数进行激活以得到自注意力特征矩阵;以及,注意力施加子单元,用于将所述自注意力特征矩阵与所述多个数据项嵌入向量中各个数据项嵌入向量分别进行相乘以得到所述多个历史销售数据特征向量。
在上述服装的生产管理***中,所述空间增强模块,包括:深度卷积编码单元,用于使用所述空间注意力模块的卷积编码部分对所述历史销售数据语义特征向量进行深度卷积编码以得到初始卷积特征图;空间注意力单元,用于将所述初始卷积特征图输入所述空间注意力模块的空间注意力部分以得到空间注意力图;激活单元,用于将所述空间注意力图通过Softmax激活函数以得到空间注意力特征图;计算单元,用于计算所述空间注意力特征图和所述初始卷积特征图的按位置点乘以得到所述历史销售特征图;以及,池化单元,用于对所述历史销售特征图进行沿通道维度的各个特征矩阵的均值池化处理以得到所述增强历史销售数据语义特征向量。
在上述服装的生产管理***中,所述销售量预测模块,用于:使用所述解码器以如下解码公式对所述增强历史销售数据语义特征向量进行解码回归以获得所述解码值;其中,所述解码公式为:其中X是所述增强历史销售数据语义特征向量,Y是所述解码值,W是权重矩阵,/>表示矩阵相乘。
在上述服装的生产管理***中,还包括,用于对所述词嵌入层、所述基于转换器的上下文编码器、所述空间注意力模块和所述解码器进行训练的训练模块;其中,所述训练模块,包括:训练历史数据采集单元,用于获取训练历史销售数据;训练数据清洗单元,用于对所述训练历史销售数据进行数据清洗以得到多个训练数据项;训练属性嵌入编码单元,用于将所述多个训练数据项中各个训练数据项的数据属性分别通过所述词嵌入层以得到多个训练数据项属性词嵌入向量;训练数据添加单元,用于将所述多个训练数据项中各个训练数据项的数据值分别添加于所述各个训练数据项属性词嵌入向量的末尾以得到多个训练数据项嵌入向量;训练历史销售数据语义理解单元,用于将所述多个训练数据项嵌入向量输入所述基于转换器的上下文编码器以得到训练历史销售数据语义特征向量;训练空间增强单元,用于将所述训练历史销售数据语义特征向量通过所述空间注意力模块以得到训练增强历史销售数据语义特征向量;特征向量迭代单元,用于对所述训练增强历史销售数据语义特征向量进行基于扰动的特征表达随机强化以得到迭代增强历史销售数据语义特征向量;解码损失函数获取单元,用于将所述迭代增强历史销售数据语义特征向量通过所述解码器以得到解码损失函数值;以及,模型训练单元,用于基于所述解码损失函数值并通过梯度下降的方向传播来对所述词嵌入层、所述基于转换器的上下文编码器、所述空间注意力模块和所述解码器进行训练。
在上述服装的生产管理***中,所述特征向量迭代单元,包括:随机扰动值生成子单元,用于定义一个随机扰动函数,通过所述随机扰动函数生成预定数量的随机扰动值,所述预定数量与所述训练增强历史销售数据语义特征向量的尺度相同;随机扰动值排列子单元,用于将所述预定数量的随机扰动值排列为随机扰动输入向量;激活子单元,用于将所述随机扰动输入向量通过Softmax函数进行激活以得到归一化随机扰动输入向量,其中,所述归一化随机扰动输入向量中所有位置的特征值之和为1;随机扰动施加子单元,用于计算所述归一化随机扰动输入向量和所述训练增强历史销售数据语义特征向量之间的按位置点乘以得到随机作用增强历史销售数据语义特征向量;以及,级联子单元,用于将所述随机作用增强历史销售数据语义特征向量和所述训练增强历史销售数据语义特征向量进行级联以得到迭代增强历史销售数据语义特征向量。
根据本申请的另一个方面,提供了一种服装的生产管理方法,其包括:
获取历史销售数据,其中,所述历史销售数据包括颜色、款式和面料材质;
对所述历史销售数据进行数据清洗以得到多个数据项,其中,所述多个数据项包含数据属性和数据值;
将所述多个数据项中各个数据项的数据属性分别通过词嵌入层以得到多个数据项属性词嵌入向量;
将所述多个数据项中各个数据项的数据值分别添加于所述各个数据项属性词嵌入向量的末尾以得到多个数据项嵌入向量;
将所述多个数据项嵌入向量输入基于转换器的上下文编码器以得到历史销售数据语义特征向量;
将所述历史销售数据语义特征向量通过空间注意力模块以得到增强历史销售数据语义特征向量;以及
将所述增强历史销售数据语义特征向量通过解码器进行回归解码以得到解码值,所述解码值用于表示季度销售量预测值。
在上述服装的生产管理方法中,将所述多个数据项嵌入向量输入基于转换器的上下文编码器以得到历史销售数据语义特征向量,包括:将所述多个数据项嵌入向量输入所述基于转换器的上下文编码器以得到多个历史销售数据特征向量;以及,将所述多个历史销售数据特征向量进行级联以得到所述历史销售数据语义特征向量。
在上述服装的生产管理方法中,将所述多个数据项嵌入向量输入所述基于转换器的上下文编码器以得到多个历史销售数据特征向量,包括:将所述多个数据项嵌入向量排列为输入向量后通过可学习嵌入矩阵分别转化为查询向量和关键向量;计算所述查询向量和所述关键向量的转置向量之间的乘积以得到自注意关联矩阵;对所述自注意关联矩阵进行标准化处理以得到标准化自注意关联矩阵;将所述标准化自注意关联矩阵输入Softmax激活函数进行激活以得到自注意力特征矩阵;以及,将所述自注意力特征矩阵与所述多个数据项嵌入向量中各个数据项嵌入向量分别进行相乘以得到所述多个历史销售数据特征向量。
与现有技术相比,本申请提供的服装的生产管理***及其方法,其通过对历史销售数据进行语义建模和预测分析,来预测未来季度的销售量,以便于制定合理的库存计划和采购计划。该方案通过准确的销售预测,可以更好地管理库存,避免过多的库存积压或者无法满足市场需求的情况,提高供应链稳定性和经济效益。
附图说明
通过结合附图对本申请实施例进行更详细的描述,本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解,并且构成说明书的一部分,与本申请实施例一起用于解释本申请,并不构成对本申请的限制。在附图中,相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的服装的生产管理***的框图。
图2为根据本申请实施例的服装的生产管理***的架构示意图。
图3为根据本申请实施例的服装的生产管理***中历史销售数据语义理解模块的框图。
图4为根据本申请实施例的服装的生产管理***中上下文语义编码单元的框图。
图5为根据本申请实施例的服装的生产管理***中空间增强模块的框图。
图6为根据本申请实施例的服装的生产管理***中训练模块的框图。
图7为根据本申请实施例的服装的生产管理方法的流程图。
具体实施方式
下面,将参考附图详细地描述根据本申请的示例实施例。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
申请概述
针对上述问题,本申请的技术构思为通过对历史销售数据进行语义建模和预测分析,来预测未来季度的销售量,以便于制定合理的库存计划和采购计划。该方案通过准确的销售预测,可以更好地管理库存,避免过多的库存积压或者无法满足市场需求的情况,提高供应链稳定性和经济效益。
获取历史销售数据是进行服装销售预测的前提条件,其中,历史销售数据包括颜色、款式和面料材质等信息。这些数据项都是消费者购买时考虑的重要因素,可以反映消费者对服装产品的偏好和购买习惯,有助于分析和预测未来市场需求和趋势。因此,在本方案中,首先获取获取包括颜色、款式和面料材质等信息的历史销售数据。
接着,为了提高数据质量、方便数据处理和分析,对历史销售数据进行数据清洗,以将数据整理成方便计算机处理和分析的格式。考虑到,历史销售数据中可能存在一些不规范、重复或错误的数据,这些数据会严重影响后续预测模型的准确性。通过对历史销售数据进行数据清洗,可以去除这些无效数据,从而提高数据质量。经过数据清洗后的历史销售数据,可以按照属性和数值进行分类,并进行相关的统计分析,以发现数据之间的关系和特征,为预测建模提供基础。
为了将数据属性信息转化为转换成计算机可以处理的向量形式,在对历史销售数据进行预测分析时,将历史销售数据中各个数据项的数据属性分别通过词嵌入层以得到多个数据项属性词嵌入向量。对于历史销售数据中的数据属性,其通常为离散型变量,无法直接输入到神经网络模型中。而通过使用词嵌入技术,可以将离散型变量转化为连续性向量表示,从而便于在神经网络中进行处理和运算。由于历史销售数据中存在大量的数据属性,通过词嵌入技术可以将其压缩到一个低维度的向量空间中,降低模型计算复杂度和存储空间。具体来说,词嵌入技术能够将相似的词映射到相近的向量空间,并保留词语的语义相似性。在历史销售数据中,某些数据属性可能含义相近或相关,通过词嵌入,可以将这些相关属性映射到相近的向量空间,提高预测模型的学习能力。
接着,为了将不同特征的数据融合到一个向量表示中,以提高预测模型的准确性,将历史销售数据中各个数据项的数据值分别添加于各个数据项属性词嵌入向量的末尾。历史销售数据中的各个数据项之间可能存在关联或相互作用,通过将数据值与属性词嵌入向量融合,可以更好地利用这些数据的关联信息。并且,将历史销售数据中的多个数据项融合到一个向量空间中,可以方便地将数据特征表示成一个全局的向量形式,以便于后续模型使用。
考虑到,历史销售数据中的各个数据项之间可能存在复杂的语义关联,如颜色、款式和面料等不同属性之间的关系。通过基于转换器的上下文编码器,可以考虑不同数据项之间的语义关联,并将其转化成一个全局的语义特征向量。并且,历史销售数据中的数据项和属性可能非常较多,导致数据量庞大,通过使用基于转换器的上下文编码器,可以将历史销售数据的语义信息压缩到一个较低维度的向量空间中,从而降低数据量和模型计算复杂度。
为了更好地捕捉历史销售数据中各个数据项之间的关系和重要性,采用空间注意力模块对历史销售数据语义特征向量进行加权融合,从而增强关键特征的表达。历史销售数据中的数据项和属性非常多,其中一些特征对于预测分析更为重要,通过空间注意力模块,可以对历史销售数据语义特征向量进行加权融合,并突出重要特征的影响,从而提高后续预测分析的准确性。
最后,将增强历史销售数据语义特征向量通过解码器进行回归解码,以将历史销售数据的语义信息转化为季度销售量预测值,完成销售量预测任务。在前面的处理过程中,历史销售数据经过了多次嵌入和编码操作,最后得到了增强历史销售数据语义特征向量,通过解码器进行回归解码,可以将这些处理过程还原,得到基于原始数据的季度销售量预测值。通过将增强历史销售数据语义特征向量解码为季度销售量预测值,可以实现对未来销售量的预测,并为企业的生产、采购和库存等方面提供重要参考。
特别地,在本申请的技术方案中,考虑到在实际推断时,输入数据或模型会存在微小的变化或干扰。这些微小的变化或干扰可能是由于数据噪声、数据不完整和数据分布的变化等造成的,具体地,输入数据可能包含噪声,如数据采集错误,这些噪声会对模型的训练和推断产生影响。输入数据可能缺少某些特征或属性,或者存在缺失值。这种不完整性会导致模型在处理数据时产生不确定性。模型在训练时通常基于一定的数据分布进行建模,但实际应用中的数据分布可能会发生变化,这种分布的变化也会引起模型的扰动。因此,如果能够在所述增强历史销售数据语义特征向量中添加一些微小的随机扰动,使得深度神经网络模型和分类器能够适应这些扰动,无疑是能够提高对于对抗样本的抵抗能力,从而提高模型的鲁棒性。
基于此,在本申请的技术方案中,对所述训练增强历史销售数据语义特征向量进行基于扰动的特征表达随机强化以得到迭代增强历史销售数据语义特征向量,包括:定义一个随机扰动函数;通过所述随机扰动函数生成预定数量的随机扰动值,所述预定数量与所述训练增强历史销售数据语义特征向量的尺度相同;将所述预定数量的随机扰动值排列为随机扰动输入向量;将所述随机扰动输入向量通过Softmax函数进行激活以得到归一化随机扰动输入向量,其中,所述归一化随机扰动输入向量中所有位置的特征值之和为1;计算所述归一化随机扰动输入向量和所述训练增强历史销售数据语义特征向量之间的按位置点乘以得到随机作用增强历史销售数据语义特征向量;以及,将所述随机作用增强历史销售数据语义特征向量和所述训练增强历史销售数据语义特征向量进行级联以得到迭代增强历史销售数据语义特征向量。
在训练阶段的每一次迭代循环中,对增强历史销售数据语义特征向量进行基于扰动的特征表达随机强化以在每一次迭代循环中在所述增强历史销售数据语义特征向量中添加一些微小的随机扰动,使得深度神经网络模型和解码器能够适应这些扰动,提高对于对抗样本的抵抗能力。通过这样的方式,可以降低模型的复杂度,避免过拟合,提高模型的解释性,可以增强模型对噪声和异常值的抵抗力,提高模型的鲁棒性,可以改善模型的收敛速度和收敛性,提高模型的优化效率,且还可以调节模型的敏感度和稀疏度,提高模型的特征选择能力。
在介绍了本申请的基本原理之后,下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性***
图1为根据本申请实施例的服装的生产管理***的框图。如图1所示,根据本申请实施例的服装的生产管理***100,包括:历史数据采集模块110,用于获取历史销售数据,其中,所述历史销售数据包括颜色、款式和面料材质;数据清洗模块120,用于对所述历史销售数据进行数据清洗以得到多个数据项,其中,所述多个数据项包含数据属性和数据值;属性嵌入编码模块130,用于将所述多个数据项中各个数据项的数据属性分别通过词嵌入层以得到多个数据项属性词嵌入向量;数据添加模块140,用于将所述多个数据项中各个数据项的数据值分别添加于所述各个数据项属性词嵌入向量的末尾以得到多个数据项嵌入向量;历史销售数据语义理解模块150,用于将所述多个数据项嵌入向量输入基于转换器的上下文编码器以得到历史销售数据语义特征向量;空间增强模块160,用于将所述历史销售数据语义特征向量通过空间注意力模块以得到增强历史销售数据语义特征向量;以及,销售量预测模块170,用于将所述增强历史销售数据语义特征向量通过解码器进行回归解码以得到解码值,所述解码值用于表示季度销售量预测值。
图2为根据本申请实施例的服装的生产管理***的架构示意图。如图2所示,首先,获取历史销售数据,其中,所述历史销售数据包括颜色、款式和面料材质。接着,对所述历史销售数据进行数据清洗以得到多个数据项,其中,所述多个数据项包含数据属性和数据值。然后,将所述多个数据项中各个数据项的数据属性分别通过词嵌入层以得到多个数据项属性词嵌入向量。其次,将所述多个数据项中各个数据项的数据值分别添加于所述各个数据项属性词嵌入向量的末尾以得到多个数据项嵌入向量。接着,将所述多个数据项嵌入向量输入基于转换器的上下文编码器以得到历史销售数据语义特征向量。然后,将所述历史销售数据语义特征向量通过空间注意力模块以得到增强历史销售数据语义特征向量。最后,将所述增强历史销售数据语义特征向量通过解码器进行回归解码以得到解码值,所述解码值用于表示季度销售量预测值。
在上述服装的生产管理***100中,所述历史数据采集模块110,用于获取历史销售数据,其中,所述历史销售数据包括颜色、款式和面料材质。获取历史销售数据是进行服装销售预测的前提条件,其中,历史销售数据包括颜色、款式和面料材质等信息。这些数据项都是消费者购买时考虑的重要因素,可以反映消费者对服装产品的偏好和购买习惯,有助于分析和预测未来市场需求和趋势。所以,本申请的技术构思为通过对历史销售数据进行语义建模和预测分析,来预测未来季度的销售量,以便于制定合理的库存计划和采购计划。因此,在本申请的技术方案中,首先获取获取包括颜色、款式和面料材质等信息的历史销售数据。
在上述服装的生产管理***100中,所述数据清洗模块120,用于对所述历史销售数据进行数据清洗以得到多个数据项,其中,所述多个数据项包含数据属性和数据值。为了提高数据质量、方便数据处理和分析,对历史销售数据进行数据清洗,以将数据整理成方便计算机处理和分析的格式。考虑到,历史销售数据中可能存在一些不规范、重复或错误的数据,这些数据会严重影响后续预测模型的准确性。通过对历史销售数据进行数据清洗,可以去除这些无效数据,从而提高数据质量。经过数据清洗后的历史销售数据,可以按照属性和数值进行分类,并进行相关的统计分析,以发现数据之间的关系和特征,为预测建模提供基础。
在上述服装的生产管理***100中,所述属性嵌入编码模块130,用于将所述多个数据项中各个数据项的数据属性分别通过词嵌入层以得到多个数据项属性词嵌入向量。为了将数据属性信息转化为转换成计算机可以处理的向量形式,在对历史销售数据进行预测分析时,将历史销售数据中各个数据项的数据属性分别通过词嵌入层以得到多个数据项属性词嵌入向量。对于历史销售数据中的数据属性,其通常为离散型变量,无法直接输入到神经网络模型中。而通过使用词嵌入技术,可以将离散型变量转化为连续性向量表示,从而便于在神经网络中进行处理和运算。由于历史销售数据中存在大量的数据属性,通过词嵌入技术可以将其压缩到一个低维度的向量空间中,降低模型计算复杂度和存储空间。具体来说,词嵌入技术能够将相似的词映射到相近的向量空间,并保留词语的语义相似性。在历史销售数据中,某些数据属性可能含义相近或相关,通过词嵌入,可以将这些相关属性映射到相近的向量空间,提高预测模型的学习能力。
在上述服装的生产管理***100中,所述数据添加模块140,用于将所述多个数据项中各个数据项的数据值分别添加于所述各个数据项属性词嵌入向量的末尾以得到多个数据项嵌入向量。为了将不同特征的数据融合到一个向量表示中,以提高预测模型的准确性,将历史销售数据中各个数据项的数据值分别添加于各个数据项属性词嵌入向量的末尾。历史销售数据中的各个数据项之间可能存在关联或相互作用,通过将数据值与属性词嵌入向量融合,可以更好地利用这些数据的关联信息。并且,将历史销售数据中的多个数据项融合到一个向量空间中,可以方便地将数据特征表示成一个全局的向量形式,以便于后续模型使用。
在上述服装的生产管理***100中,所述历史销售数据语义理解模块150,用于将所述多个数据项嵌入向量输入基于转换器的上下文编码器以得到历史销售数据语义特征向量。考虑到,历史销售数据中的各个数据项之间可能存在复杂的语义关联,如颜色、款式和面料等不同属性之间的关系。通过基于转换器的上下文编码器,可以考虑不同数据项之间的语义关联,并将其转化成一个全局的语义特征向量。并且,历史销售数据中的数据项和属性可能非常较多,导致数据量庞大,通过使用基于转换器的上下文编码器,可以将历史销售数据的语义信息压缩到一个较低维度的向量空间中,从而降低数据量和模型计算复杂度。
图3为根据本申请实施例的服装的生产管理***中历史销售数据语义理解模块的框图。如图3所示,所述历史销售数据语义理解模块150,包括:上下文语义编码单元151,用于将所述多个数据项嵌入向量输入所述基于转换器的上下文编码器以得到多个历史销售数据特征向量;以及,级联单元152,用于将所述多个历史销售数据特征向量进行级联以得到所述历史销售数据语义特征向量。
图4为根据本申请实施例的服装的生产管理***中上下文语义编码单元的框图。如图4所示,所述上下文语义编码单元151,包括:转化子单元1511,用于将所述多个数据项嵌入向量排列为输入向量后通过可学习嵌入矩阵分别转化为查询向量和关键向量;自注意子单元1512,用于计算所述查询向量和所述关键向量的转置向量之间的乘积以得到自注意关联矩阵;标准化自注意子单元1513,用于对所述自注意关联矩阵进行标准化处理以得到标准化自注意关联矩阵;注意力计算子单元1514,用于将所述标准化自注意关联矩阵输入Softmax激活函数进行激活以得到自注意力特征矩阵;以及,注意力施加子单元1515,用于将所述自注意力特征矩阵与所述多个数据项嵌入向量中各个数据项嵌入向量分别进行相乘以得到所述多个历史销售数据特征向量。
在上述服装的生产管理***100中,所述空间增强模块160,用于将所述历史销售数据语义特征向量通过空间注意力模块以得到增强历史销售数据语义特征向量。为了更好地捕捉历史销售数据中各个数据项之间的关系和重要性,采用空间注意力模块对历史销售数据语义特征向量进行加权融合,从而增强关键特征的表达。历史销售数据中的数据项和属性非常多,其中一些特征对于预测分析更为重要,通过空间注意力模块,可以对历史销售数据语义特征向量进行加权融合,并突出重要特征的影响,从而提高后续预测分析的准确性。
图5为根据本申请实施例的服装的生产管理***中空间增强模块的框图。如图5所示,所述空间增强模块160,包括:深度卷积编码单元161,用于使用所述空间注意力模块的卷积编码部分对所述历史销售数据语义特征向量进行深度卷积编码以得到初始卷积特征图;空间注意力单元162,用于将所述初始卷积特征图输入所述空间注意力模块的空间注意力部分以得到空间注意力图;激活单元163,用于将所述空间注意力图通过Softmax激活函数以得到空间注意力特征图;计算单元164,用于计算所述空间注意力特征图和所述初始卷积特征图的按位置点乘以得到所述历史销售特征图;以及,池化单元165,用于对所述历史销售特征图进行沿通道维度的各个特征矩阵的均值池化处理以得到所述增强历史销售数据语义特征向量。
在上述服装的生产管理***100中,所述销售量预测模块170,用于将所述增强历史销售数据语义特征向量通过解码器进行回归解码以得到解码值,所述解码值用于表示季度销售量预测值。将增强历史销售数据语义特征向量通过解码器进行回归解码,以将历史销售数据的语义信息转化为季度销售量预测值,完成销售量预测任务。在前面的处理过程中,历史销售数据经过了多次嵌入和编码操作,最后得到了增强历史销售数据语义特征向量,通过解码器进行回归解码,可以将这些处理过程还原,得到基于原始数据的季度销售量预测值。通过将增强历史销售数据语义特征向量解码为季度销售量预测值,可以实现对未来销售量的预测,并为企业的生产、采购和库存等方面提供重要参考。
相应地,在一个具体示例中,所述销售量预测模块170,用于:使用所述解码器以如下解码公式对所述增强历史销售数据语义特征向量进行解码回归以获得所述解码值;其中,所述解码公式为:其中X是所述增强历史销售数据语义特征向量,Y是所述解码值,W是权重矩阵,/>表示矩阵相乘。
应可以理解,在利用上述神经网络模型之前,需要对所述词嵌入层、所述基于转换器的上下文编码器、所述空间注意力模块和所述解码器进行训练。也就是说,在本申请的服装的生产管理***中,还包括用于对所述词嵌入层、所述基于转换器的上下文编码器、所述空间注意力模块和所述解码器进行训练的训练模块。
图6为根据本申请实施例的服装的生产管理***中训练模块的框图。如图6所示,所述训练模块200,包括:训练历史数据采集单元210,用于获取训练历史销售数据;训练数据清洗单元220,用于对所述训练历史销售数据进行数据清洗以得到多个训练数据项;训练属性嵌入编码单元230,用于将所述多个训练数据项中各个训练数据项的数据属性分别通过所述词嵌入层以得到多个训练数据项属性词嵌入向量;训练数据添加单元240,用于将所述多个训练数据项中各个训练数据项的数据值分别添加于所述各个训练数据项属性词嵌入向量的末尾以得到多个训练数据项嵌入向量;训练历史销售数据语义理解单元250,用于将所述多个训练数据项嵌入向量输入所述基于转换器的上下文编码器以得到训练历史销售数据语义特征向量;训练空间增强单元260,用于将所述训练历史销售数据语义特征向量通过所述空间注意力模块以得到训练增强历史销售数据语义特征向量;特征向量迭代单元270,用于对所述训练增强历史销售数据语义特征向量进行基于扰动的特征表达随机强化以得到迭代增强历史销售数据语义特征向量;解码损失函数获取单元280,用于将所述迭代增强历史销售数据语义特征向量通过所述解码器以得到解码损失函数值;以及,模型训练单元290,用于基于所述解码损失函数值并通过梯度下降的方向传播来对所述词嵌入层、所述基于转换器的上下文编码器、所述空间注意力模块和所述解码器进行训练。
特别地,在本申请的技术方案中,考虑到在实际推断时,输入数据或模型会存在微小的变化或干扰。这些微小的变化或干扰可能是由于数据噪声、数据不完整和数据分布的变化等造成的,具体地,输入数据可能包含噪声,如数据采集错误,这些噪声会对模型的训练和推断产生影响。输入数据可能缺少某些特征或属性,或者存在缺失值。这种不完整性会导致模型在处理数据时产生不确定性。模型在训练时通常基于一定的数据分布进行建模,但实际应用中的数据分布可能会发生变化,这种分布的变化也会引起模型的扰动。因此,如果能够在所述增强历史销售数据语义特征向量中添加一些微小的随机扰动,使得深度神经网络模型和分类器能够适应这些扰动,无疑是能够提高对于对抗样本的抵抗能力,从而提高模型的鲁棒性。
因此,在本申请的技术方案中,对所述训练增强历史销售数据语义特征向量进行基于扰动的特征表达随机强化以得到迭代增强历史销售数据语义特征向量,包括:定义一个随机扰动函数;通过所述随机扰动函数生成预定数量的随机扰动值,所述预定数量与所述训练增强历史销售数据语义特征向量的尺度相同;将所述预定数量的随机扰动值排列为随机扰动输入向量;将所述随机扰动输入向量通过Softmax函数进行激活以得到归一化随机扰动输入向量,其中,所述归一化随机扰动输入向量中所有位置的特征值之和为1;计算所述归一化随机扰动输入向量和所述训练增强历史销售数据语义特征向量之间的按位置点乘以得到随机作用增强历史销售数据语义特征向量;以及,将所述随机作用增强历史销售数据语义特征向量和所述训练增强历史销售数据语义特征向量进行级联以得到迭代增强历史销售数据语义特征向量。
在训练阶段的每一次迭代循环中,对增强历史销售数据语义特征向量进行基于扰动的特征表达随机强化以在每一次迭代循环中在所述增强历史销售数据语义特征向量中添加一些微小的随机扰动,使得深度神经网络模型和解码器能够适应这些扰动,提高对于对抗样本的抵抗能力。通过这样的方式,可以降低模型的复杂度,避免过拟合,提高模型的解释性,可以增强模型对噪声和异常值的抵抗力,提高模型的鲁棒性,可以改善模型的收敛速度和收敛性,提高模型的优化效率,且还可以调节模型的敏感度和稀疏度,提高模型的特征选择能力。
综上,根据本申请实施例的服装的生产管理***被阐明,其通过对历史销售数据进行语义建模和预测分析,来预测未来季度的销售量,以便于制定合理的库存计划和采购计划。该方案通过准确的销售预测,可以更好地管理库存,避免过多的库存积压或者无法满足市场需求的情况,提高供应链稳定性和经济效益。
示例性方法
图7为根据本申请实施例的服装的生产管理方法的流程图。如图7所示,根据本申请实施例的服装的生产管理方法,包括步骤:S110,获取历史销售数据,其中,所述历史销售数据包括颜色、款式和面料材质;S120,对所述历史销售数据进行数据清洗以得到多个数据项,其中,所述多个数据项包含数据属性和数据值;S130,将所述多个数据项中各个数据项的数据属性分别通过词嵌入层以得到多个数据项属性词嵌入向量;S140,将所述多个数据项中各个数据项的数据值分别添加于所述各个数据项属性词嵌入向量的末尾以得到多个数据项嵌入向量;S150,将所述多个数据项嵌入向量输入基于转换器的上下文编码器以得到历史销售数据语义特征向量;S160,将所述历史销售数据语义特征向量通过空间注意力模块以得到增强历史销售数据语义特征向量;以及,S170,将所述增强历史销售数据语义特征向量通过解码器进行回归解码以得到解码值,所述解码值用于表示季度销售量预测值。
在一个具体示例中,在上述服装的生产管理方法中,所述步骤S150,将所述多个数据项嵌入向量输入基于转换器的上下文编码器以得到历史销售数据语义特征向量,包括:将所述多个数据项嵌入向量输入所述基于转换器的上下文编码器以得到多个历史销售数据特征向量;以及,将所述多个历史销售数据特征向量进行级联以得到所述历史销售数据语义特征向量。
在一个具体示例中,在上述服装的生产管理方法中,将所述多个数据项嵌入向量输入所述基于转换器的上下文编码器以得到多个历史销售数据特征向量,包括:将所述多个数据项嵌入向量排列为输入向量后通过可学习嵌入矩阵分别转化为查询向量和关键向量;计算所述查询向量和所述关键向量的转置向量之间的乘积以得到自注意关联矩阵;对所述自注意关联矩阵进行标准化处理以得到标准化自注意关联矩阵;将所述标准化自注意关联矩阵输入Softmax激活函数进行激活以得到自注意力特征矩阵;以及,将所述自注意力特征矩阵与所述多个数据项嵌入向量中各个数据项嵌入向量分别进行相乘以得到所述多个历史销售数据特征向量。
在一个具体示例中,在上述服装的生产管理方法中,所述步骤S160,将所述历史销售数据语义特征向量通过空间注意力模块以得到增强历史销售数据语义特征向量,包括:使用所述空间注意力模块的卷积编码部分对所述历史销售数据语义特征向量进行深度卷积编码以得到初始卷积特征图;将所述初始卷积特征图输入所述空间注意力模块的空间注意力部分以得到空间注意力图;将所述空间注意力图通过Softmax激活函数以得到空间注意力特征图;计算所述空间注意力特征图和所述初始卷积特征图的按位置点乘以得到所述历史销售特征图;以及,对所述历史销售特征图进行沿通道维度的各个特征矩阵的均值池化处理以得到所述增强历史销售数据语义特征向量。
在一个具体示例中,在上述服装的生产管理方法中,所述步骤S170,将所述增强历史销售数据语义特征向量通过解码器进行回归解码以得到解码值,所述解码值用于表示季度销售量预测值,包括:使用所述解码器以如下解码公式对所述增强历史销售数据语义特征向量进行解码回归以获得所述解码值;其中,所述解码公式为:其中X是所述增强历史销售数据语义特征向量,Y是所述解码值,W是权重矩阵,/>表示矩阵相乘。
在一个具体示例中,在上述服装的生产管理方法中,还包括对所述词嵌入层、所述基于转换器的上下文编码器、所述空间注意力模块和所述解码器进行训练;其中,对所述词嵌入层、所述基于转换器的上下文编码器、所述空间注意力模块和所述解码器进行训练,包括:获取训练历史销售数据;对所述训练历史销售数据进行数据清洗以得到多个训练数据项;将所述多个训练数据项中各个训练数据项的数据属性分别通过所述词嵌入层以得到多个训练数据项属性词嵌入向量;将所述多个训练数据项中各个训练数据项的数据值分别添加于所述各个训练数据项属性词嵌入向量的末尾以得到多个训练数据项嵌入向量;将所述多个训练数据项嵌入向量输入所述基于转换器的上下文编码器以得到训练历史销售数据语义特征向量;将所述训练历史销售数据语义特征向量通过所述空间注意力模块以得到训练增强历史销售数据语义特征向量;对所述训练增强历史销售数据语义特征向量进行基于扰动的特征表达随机强化以得到迭代增强历史销售数据语义特征向量;将所述迭代增强历史销售数据语义特征向量通过所述解码器以得到解码损失函数值;以及,基于所述解码损失函数值并通过梯度下降的方向传播来对所述词嵌入层、所述基于转换器的上下文编码器、所述空间注意力模块和所述解码器进行训练。
在一个具体示例中,在上述服装的生产管理方法中,对所述训练增强历史销售数据语义特征向量进行基于扰动的特征表达随机强化以得到迭代增强历史销售数据语义特征向量,包括:定义一个随机扰动函数;通过所述随机扰动函数生成预定数量的随机扰动值,所述预定数量与所述训练增强历史销售数据语义特征向量的尺度相同;将所述预定数量的随机扰动值排列为随机扰动输入向量;将所述随机扰动输入向量通过Softmax函数进行激活以得到归一化随机扰动输入向量,其中,所述归一化随机扰动输入向量中所有位置的特征值之和为1;计算所述归一化随机扰动输入向量和所述训练增强历史销售数据语义特征向量之间的按位置点乘以得到随机作用增强历史销售数据语义特征向量;以及,将所述随机作用增强历史销售数据语义特征向量和所述训练增强历史销售数据语义特征向量进行级联以得到迭代增强历史销售数据语义特征向量。
这里,本领域技术人员可以理解,上述服装的生产管理方法中的各个步骤的具体操作已经在上面参考图1到图6的服装的生产管理***的描述中得到了详细介绍,并因此,将省略其重复描述。
Claims (10)
1.一种服装的生产管理***,其特征在于,包括:
历史数据采集模块,用于获取历史销售数据,其中,所述历史销售数据包括颜色、款式和面料材质;
数据清洗模块,用于对所述历史销售数据进行数据清洗以得到多个数据项,其中,所述多个数据项包含数据属性和数据值;
属性嵌入编码模块,用于将所述多个数据项中各个数据项的数据属性分别通过词嵌入层以得到多个数据项属性词嵌入向量;
数据添加模块,用于将所述多个数据项中各个数据项的数据值分别添加于所述各个数据项属性词嵌入向量的末尾以得到多个数据项嵌入向量;
历史销售数据语义理解模块,用于将所述多个数据项嵌入向量输入基于转换器的上下文编码器以得到历史销售数据语义特征向量;
空间增强模块,用于将所述历史销售数据语义特征向量通过空间注意力模块以得到增强历史销售数据语义特征向量;以及
销售量预测模块,用于将所述增强历史销售数据语义特征向量通过解码器进行回归解码以得到解码值,所述解码值用于表示季度销售量预测值。
2.根据权利要求1所述的服装的生产管理***,其特征在于,所述历史销售数据语义理解模块,包括:
上下文语义编码单元,用于将所述多个数据项嵌入向量输入所述基于转换器的上下文编码器以得到多个历史销售数据特征向量;以及
级联单元,用于将所述多个历史销售数据特征向量进行级联以得到所述历史销售数据语义特征向量。
3.根据权利要求2所述的服装的生产管理***,其特征在于,所述上下文语义编码单元,包括:
转化子单元,用于将所述多个数据项嵌入向量排列为输入向量后通过可学习嵌入矩阵分别转化为查询向量和关键向量;
自注意子单元,用于计算所述查询向量和所述关键向量的转置向量之间的乘积以得到自注意关联矩阵;
标准化自注意子单元,用于对所述自注意关联矩阵进行标准化处理以得到标准化自注意关联矩阵;
注意力计算子单元,用于将所述标准化自注意关联矩阵输入Softmax激活函数进行激活以得到自注意力特征矩阵;以及
注意力施加子单元,用于将所述自注意力特征矩阵与所述多个数据项嵌入向量中各个数据项嵌入向量分别进行相乘以得到所述多个历史销售数据特征向量。
4.根据权利要求3所述的服装的生产管理***,其特征在于,所述空间增强模块,包括:
深度卷积编码单元,用于使用所述空间注意力模块的卷积编码部分对所述历史销售数据语义特征向量进行深度卷积编码以得到初始卷积特征图;
空间注意力单元,用于将所述初始卷积特征图输入所述空间注意力模块的空间注意力部分以得到空间注意力图;
激活单元,用于将所述空间注意力图通过Softmax激活函数以得到空间注意力特征图;
计算单元,用于计算所述空间注意力特征图和所述初始卷积特征图的按位置点乘以得到所述历史销售特征图;以及
池化单元,用于对所述历史销售特征图进行沿通道维度的各个特征矩阵的均值池化处理以得到所述增强历史销售数据语义特征向量。
5.根据权利要求4所述的服装的生产管理***,其特征在于,所述销售量预测模块,用于:
使用所述解码器以如下解码公式对所述增强历史销售数据语义特征向量进行解码回归以获得所述解码值;其中,所述解码公式为:其中X是所述增强历史销售数据语义特征向量,Y是所述解码值,W是权重矩阵,/>表示矩阵相乘。
6.根据权利要求5所述的服装的生产管理***,其特征在于,还包括,用于对所述词嵌入层、所述基于转换器的上下文编码器、所述空间注意力模块和所述解码器进行训练的训练模块;
其中,所述训练模块,包括:
训练历史数据采集单元,用于获取训练历史销售数据;
训练数据清洗单元,用于对所述训练历史销售数据进行数据清洗以得到多个训练数据项;
训练属性嵌入编码单元,用于将所述多个训练数据项中各个训练数据项的数据属性分别通过所述词嵌入层以得到多个训练数据项属性词嵌入向量;
训练数据添加单元,用于将所述多个训练数据项中各个训练数据项的数据值分别添加于所述各个训练数据项属性词嵌入向量的末尾以得到多个训练数据项嵌入向量;
训练历史销售数据语义理解单元,用于将所述多个训练数据项嵌入向量输入所述基于转换器的上下文编码器以得到训练历史销售数据语义特征向量;
训练空间增强单元,用于将所述训练历史销售数据语义特征向量通过所述空间注意力模块以得到训练增强历史销售数据语义特征向量;
特征向量迭代单元,用于对所述训练增强历史销售数据语义特征向量进行基于扰动的特征表达随机强化以得到迭代增强历史销售数据语义特征向量;
解码损失函数获取单元,用于将所述迭代增强历史销售数据语义特征向量通过所述解码器以得到解码损失函数值;以及
模型训练单元,用于基于所述解码损失函数值并通过梯度下降的方向传播来对所述词嵌入层、所述基于转换器的上下文编码器、所述空间注意力模块和所述解码器进行训练。
7.根据权利要求6所述的服装的生产管理***,其特征在于,所述特征向量迭代单元,包括:
随机扰动值生成子单元,用于定义一个随机扰动函数,通过所述随机扰动函数生成预定数量的随机扰动值,所述预定数量与所述训练增强历史销售数据语义特征向量的尺度相同;
随机扰动值排列子单元,用于将所述预定数量的随机扰动值排列为随机扰动输入向量;
激活子单元,用于将所述随机扰动输入向量通过Softmax函数进行激活以得到归一化随机扰动输入向量,其中,所述归一化随机扰动输入向量中所有位置的特征值之和为1;
随机扰动施加子单元,用于计算所述归一化随机扰动输入向量和所述训练增强历史销售数据语义特征向量之间的按位置点乘以得到随机作用增强历史销售数据语义特征向量;以及
级联子单元,用于将所述随机作用增强历史销售数据语义特征向量和所述训练增强历史销售数据语义特征向量进行级联以得到迭代增强历史销售数据语义特征向量。
8.一种服装的生产管理方法,其特征在于,包括:
获取历史销售数据,其中,所述历史销售数据包括颜色、款式和面料材质;
对所述历史销售数据进行数据清洗以得到多个数据项,其中,所述多个数据项包含数据属性和数据值;
将所述多个数据项中各个数据项的数据属性分别通过词嵌入层以得到多个数据项属性词嵌入向量;
将所述多个数据项中各个数据项的数据值分别添加于所述各个数据项属性词嵌入向量的末尾以得到多个数据项嵌入向量;
将所述多个数据项嵌入向量输入基于转换器的上下文编码器以得到历史销售数据语义特征向量;
将所述历史销售数据语义特征向量通过空间注意力模块以得到增强历史销售数据语义特征向量;以及
将所述增强历史销售数据语义特征向量通过解码器进行回归解码以得到解码值,所述解码值用于表示季度销售量预测值。
9.根据权利要求8所述的服装的生产管理方法,其特征在于,将所述多个数据项嵌入向量输入基于转换器的上下文编码器以得到历史销售数据语义特征向量,包括:
将所述多个数据项嵌入向量输入所述基于转换器的上下文编码器以得到多个历史销售数据特征向量;以及
将所述多个历史销售数据特征向量进行级联以得到所述历史销售数据语义特征向量。
10.根据权利要求9所述的服装的生产管理方法,其特征在于,将所述多个数据项嵌入向量输入所述基于转换器的上下文编码器以得到多个历史销售数据特征向量,包括:
将所述多个数据项嵌入向量排列为输入向量后通过可学习嵌入矩阵分别转化为查询向量和关键向量;
计算所述查询向量和所述关键向量的转置向量之间的乘积以得到自注意关联矩阵;
对所述自注意关联矩阵进行标准化处理以得到标准化自注意关联矩阵;
将所述标准化自注意关联矩阵输入Softmax激活函数进行激活以得到自注意力特征矩阵;以及
将所述自注意力特征矩阵与所述多个数据项嵌入向量中各个数据项嵌入向量分别进行相乘以得到所述多个历史销售数据特征向量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310836182.5A CN116993393A (zh) | 2023-07-07 | 2023-07-07 | 服装生产订单管理***及其方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310836182.5A CN116993393A (zh) | 2023-07-07 | 2023-07-07 | 服装生产订单管理***及其方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116993393A true CN116993393A (zh) | 2023-11-03 |
Family
ID=88520532
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310836182.5A Pending CN116993393A (zh) | 2023-07-07 | 2023-07-07 | 服装生产订单管理***及其方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116993393A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117455059A (zh) * | 2023-11-06 | 2024-01-26 | 深圳市乐思软件技术有限公司 | 一种基于数据采集的行业趋势评估*** |
-
2023
- 2023-07-07 CN CN202310836182.5A patent/CN116993393A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117455059A (zh) * | 2023-11-06 | 2024-01-26 | 深圳市乐思软件技术有限公司 | 一种基于数据采集的行业趋势评估*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Guo et al. | Supplier selection based on hierarchical potential support vector machine | |
US20240177075A1 (en) | Method and system for hierarchical forecasting | |
CN114372573B (zh) | 用户画像信息识别方法、装置、计算机设备和存储介质 | |
WO2019214455A1 (zh) | 一种数据序列预测方法及计算设备 | |
Shchetinin | Cluster-based energy consumption forecasting in smart grids | |
CN116993393A (zh) | 服装生产订单管理***及其方法 | |
CN110727855A (zh) | 一种基于改进因子分解机的个性化推荐方法 | |
CN115099502B (zh) | 一种基于用户间用电行为相似性的短期电力负荷预测方法 | |
CN111695024A (zh) | 对象评估值的预测方法及***、推荐方法及*** | |
CN116629977A (zh) | 基于大数据的电子商务决策方法及其*** | |
CN114066510A (zh) | 物品销量预测方法、装置、计算机设备和存储介质 | |
CN113298546A (zh) | 销量预测方法及装置、商品处理方法及装置 | |
CN114861050A (zh) | 一种基于神经网络的特征融合推荐方法及*** | |
CN114547307A (zh) | 文本向量模型训练方法、文本匹配方法、装置及设备 | |
Mohamed et al. | Price Prediction of Seasonal Items Using Machine Learning and Statistical Methods. | |
CN108846692B (zh) | 一种基于多因素循环神经网络的消费者消费行为预测方法 | |
Andra | E-commerce Recommender System Using PCA and K-Means Clustering | |
CN110738363A (zh) | 一种光伏发电功率预测模型及其构建方法和应用 | |
CN111738812B (zh) | 一种基于用户群微细分的信息推送方法及*** | |
CN116777528A (zh) | 一种商品信息推荐方法、装置、计算机设备和存储介质 | |
CN115130554A (zh) | 对象分类方法、装置、电子设备及存储介质 | |
CN114092188A (zh) | 一种轻量级b2b电商平台的推荐***算法 | |
Li et al. | Analysis and research of retail customer consumption behavior based on support vector machine | |
Nareklishvili et al. | Deep partial least squares for instrumental variable regression | |
CN111782802A (zh) | 基于机器学习获得商品对应国民经济制造业的方法及*** |
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 |