[发明专利]一种制造业多价值链协同数据空间机器学习数据分析方法

说明书

本发明提出一种制造业多价值链协同数据空间机器学习数据分析方法，采集制造业多价值链的供应、营销、服务和生产环节的异域、异源、异构数据，并对数据预处理，建立多源异构数据集；将供应、营销及服务环节个影响因素作为输入，生产作为输出，利用多个神经网络分别进行学习建立预测模型库，同时建立参数优化库；将数据集按照一定比例划分为训练集、验证集和测试集，对模型库中的各个模型进行训练，同时利用参数优化库中的优化算法对各模型的参数进行优化得到最优模型，利用该模型进行制造业企业的生产预测。本发明方法进一步提高了制造业及其协作企业在研究多模态数据时的协同处理能力，更加可靠地帮助制造业企业做出精确的生产库存决策。

技术领域

本发明属于多源异构数据机器学习领域，尤其涉及一种制造业多价值链协同数据空间机器学习数据分析方法。

背景技术

数据空间作为新兴的数据储存和管理技术，可以帮助数据生产单位有效地管理和维护数据，保护数据资产、打通数据孤岛。制造业多价值链协同数据空间是指将数据空间概念应用于当前制造业，由制造企业主体和协作企业的多条协同价值链所产生的大量多源异构数据及关系组成的集合。

目前，多价值链协同数据空间中的异域、异源、异构数据问题，广泛存在于我国制造业及其协作企业中。如何依托数据空间，充分利用智能计算、云计算等技术支持，建立机器学习决策及优化算法库，创新性地构建多学科交叉的组合机器学习方法，从而为制造业的生产及库存提供决策支持，是制造业行业亟待解决的问题。

通过利用处理分析后的多源异构数据对比结果可以提升制造业企业及其协作企业运营能力、加强企业间的合作、促使企业实现经营管理的横向统一，从生产、供应、营销和服务等多方面以合作形式展开一系列增值活动，形成制造业多价值链。

发明内容

针对上述问题，本发明提出一种制造业多价值链协同数据空间机器学习数据分析方法，在制造业及其协作企业多价值链协同数据空间的大背景下，以制造业及其协作企业为主体，构建制造业多价值链协同数据空间机器学习智能优化决策方法，包括运用爬虫、离线采集ETL、实时采集Flume/Kafka等方法的数据采集与数据预处理；运用BP(BackPropagation)神经网络、卷积神经网络(Convolutional Neural Networks，CNN)、循环神经网络(Recurrent Neural Network,RNN)等方法的数据关联与建模；运用划分训练集进行的模型训练与参数调整，利用处理分析后的多源异构数据对比结果为企业提供节约成本、智能管理、竞价定价等多方面的决策支持。

一种制造业多价值链协同数据空间机器学习数据分析方法，包括以下步骤：

步骤1：数据采集与数据预处理；

采集制造业多价值链的供应、营销、服务和生产环节各影响因素的异域、异源、异构数据，同时对采集的多源异构数据进行数据预处理，初步建立多源异构数据集；

步骤2：预测模型库以及模型参数优化库的建立；

将制造业多多价值链的供应、营销及服务环节的各影响因素作为输入，生产作为输出，利用多个神经网络分别进行学习建立预测模型库；根据预测模型的特点建立参数优化库；

步骤3：模型训练及优化；

将所述步骤1中的数据集按照一定比例划分为训练集、验证集和测试集，对所述步骤2所建立的模型库中的各个模型进行训练，同时利用参数优化库中的优化算法对各模型的参数进行优化得到最优模型；

步骤4：生产预测；

将制造业多价值链的供应、营销及服务环节的各影响因素数据输入所述步骤3得到的最优模型中，得到制造业企业的生产预测值。

进一步，步骤1中的数据采集方法包括爬虫、离线采集ETL、实时采集Flume/Kafka。