业务数据的处理方法、装置、存储介质和电子设备与流程

本申请涉及数据处理领域，且更为具体的涉及一种业务数据的处理方法、装置、存储介质和电子设备。

背景技术：

1、处理业务数据的方法可以根据具体的需求和数据类型而异。具体而言，在供应链管理中，涉及到大量的数据，包括供应商信息、库存数据、销售数据、物流信息等。处理这些数据可以帮助企业实现更高效的供应链运作，减少成本，提高客户满意度。具体地，服装供应链管理系统包括：数据集成和管理、需求预测和计划、供应商管理、库存优化、物流管理、风险管理等，旨在提高供应链的效率。在库存优化的过程中，传统的进行库存优化的方法通常包括以下几个方面：1、abc分析：将库存商品按照销售额或销售数量进行分类，划分为a类、b类和c类。a类商品通常销售额或销售数量最高，而c类商品销售额或销售数量最低。通过对不同类别商品的管理策略进行差异化，可以实现库存的优化。2、定期盘点：定期对库存进行盘点，确保库存数据的准确性。盘点结果可以与实际销售数据进行比对，及时调整库存水平，避免过多的库存积压或缺货情况。3、定期订货：基于销售数据和需求预测，制定合理的定期订货计划。通过准确的需求预测和及时的订货，可以避免缺货和过多的库存。然而，传统的库存优化方法存在一些缺点：1、基于经验和规则：传统方法通常依赖于经验和规则，如abc分析和定期盘点。这些方法可能过于简化和静态，无法充分考虑复杂的市场变化和需求波动。缺乏数据驱动和灵活性，可能导致库存过多或缺货的问题。2、人工干预和操作：传统方法中的库存优化通常需要人工干预和操作。例如，定期盘点和定期订货需要人工参与和决策。这样容易引入人为误差和延迟，同时也增加了人力成本和工作量。3、缺乏实时性和灵活性：传统方法中的库存优化通常是基于周期性的计划和操作，缺乏实时性和灵活性。这意味着无法及时应对市场变化、需求波动和供应链风险，导致库存管理的响应性不足。4、无法处理复杂关系和非线性模式：传统方法通常使用简单的统计方法和规则，无法处理复杂的关系和非线性模式。例如，对于具有多个影响因素和相互关联的商品，传统方法往往无法准确捕捉和建模，导致库存优化的效果不佳。

2、因此，期待一种优化的业务数据的处理方案。

技术实现思路

1、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业务数据的处理方法、装置、存储介质和电子设备，其使用基于深度学习模型的人工智能技术来对业务数据进行特征编码与提取，以得到库存优化的方案。这样，通过智能生成库存优化方案，提高了库存优化灵活性与实时性，降低了人工成本和工作量。

2、根据本申请的一个方面，提供了一种业务数据的处理方法，其包括：

3、获取库存数据；

4、将所述库存数据通过包含嵌入层的基于转换器的上下文编码器以得到多个库存上下文特征向量；

5、计算所述多个库存上下文特征向量中每两个库存上下文特征向量之间的距离以得到库存相似度度量矩阵；

6、将所述库存相似度度量矩阵通过基于卷积神经网络模型的相似度特征提取器以得到库存相似度度量特征矩阵；

7、将所述多个库存上下文特征向量进行二维排列以得到库存全局特征矩阵；

8、将所述库存全局特征矩阵通过双向注意力机制结构以得到增强库存全局特征矩阵；

9、将所述库存相似度度量特征矩阵和所述增强库存全局特征矩阵通过图神经网络模型以得到库存优化特征矩阵；

10、计算所述库存优化特征矩阵的相对于目标生成函数的运动参数化模型的隐特征表达以得到优化库存优化特征矩阵；

11、将所述优化库存优化特征矩阵通过生成器以得到库存优化方案。

12、根据本申请的另一方面，还提供了一种业务数据的处理装置，其包括：

13、库存数据获取模块，用于获取库存数据；

14、库存数据编码模块，用于将所述库存数据通过包含嵌入层的基于转换器的上下文编码器以得到多个库存上下文特征向量；

15、库存相似度计算模块，用于计算所述多个库存上下文特征向量中每两个库存上下文特征向量之间的距离以得到库存相似度度量矩阵；

16、库存相似度特征提取器，用于将所述库存相似度度量矩阵通过基于卷积神经网络模型的相似度特征提取器以得到库存相似度度量特征矩阵；

17、库存全局矩阵化模块，用于将所述多个库存上下文特征向量进行二维排列以得到库存全局特征矩阵；

18、双向注意力增强模块，用于将所述库存全局特征矩阵通过双向注意力机制结构以得到增强库存全局特征矩阵；

19、图神经编码模块，用于将所述库存相似度度量特征矩阵和所述增强库存全局特征矩阵通过图神经网络模型以得到库存优化特征矩阵；

20、优化模块，用于计算所述库存优化特征矩阵的相对于目标生成函数的运动参数化模型的隐特征表达以得到优化库存优化特征矩阵；

21、库存优化方案生成模块，用于将所述优化库存优化特征矩阵通过生成器以得到库存优化方案。

22、与现有技术相比，本申请提供的业务数据的处理方法、装置、存储介质和电子设备，其使用基于深度学习模型的人工智能技术来对业务数据进行特征编码与提取，以得到库存优化的方案。这样，通过智能生成库存优化方案，提高了库存优化灵活性与实时性，降低了人工成本和工作量。

技术特征：

1.一种业务数据的处理方法，其特征在于，包括：

2.根据权利要求1所述的业务数据的处理方法，其特征在于，将所述库存数据通过包含嵌入层的基于转换器的上下文编码器以得到多个库存上下文特征向量，包括：

3.根据权利要求2所述的业务数据的处理方法，其特征在于，将所述多个库存向量输入所述基于转换器的上下文编码器以得到多个库存上下文特征向量，包括：

4.根据权利要求3所述的业务数据的处理方法，其特征在于，计算所述多个库存上下文特征向量中每两个库存上下文特征向量之间的距离以得到库存相似度度量矩阵，包括：

5.根据权利要求4所述的业务数据的处理方法，其特征在于，将所述库存相似度度量矩阵通过基于卷积神经网络模型的相似度特征提取器以得到库存相似度度量特征矩阵，包括：

6.根据权利要求5所述的业务数据的处理方法，其特征在于，将所述库存全局特征矩阵通过双向注意力机制结构以得到增强库存全局特征矩阵，包括：

7.根据权利要求6所述的业务数据的处理方法，其特征在于，计算所述库存优化特征矩阵的相对于目标生成函数的运动参数化模型的隐特征表达以得到优化库存优化特征矩阵，包括：

8.一种业务数据的处理装置，其特征在于，包括：

9.一种电子设备，其特征在于，包括：

10.一种计算机可读存储介质，其特征在于，用于保存计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的业务数据的处理方法。

技术总结
本申请涉及数据处理领域，其具体公开了一种业务数据的处理方法、装置、存储介质和电子设备，其使用基于深度学习模型的人工智能技术来对业务数据进行特征编码与提取，以得到库存优化的方案。这样，通过智能生成库存优化方案，提高了库存优化灵活性与实时性，降低了人工成本和工作量。

技术研发人员：瞿贻松
受保护的技术使用者：合肥泉柏网络科技有限公司
技术研发日：
技术公布日：2024/4/17