纺织化纤供应链智能协同方法及其系统与流程

1.本技术涉及供应链协同技术领域技术领域，且更为具体地，涉及一种纺织化纤供应链智能协同方法及其系统。


背景技术：

[0002]“纺丝-织造-后加工”供应链一体化协同网络所涉及的管理对象是一个产业集群的有机整体，包括相关联的多个节点企业和多种生产工序。不同企业处于不同工序上进行着价值创造活动，工序间可以无缝对接。
[0003]
供应链一体化协同网络可以通过节点企业之间信息流、物流、资金流的畅通来实现企业之间的更好合作。但是，在网络的实际应用过程中存在供应链协同风险。具体地，现有供应链中由包括相关联的多个节点企业和多种生产工序组成，如果供应链条上的一个节点企业出现问题，会有其他节点企业进行替代，但如果供应链条上的多个节点都出现问题，那么整个供应链就会存在危险，也就是存在供应链协同风险，这时就需要发出预警，以提醒供应链上的企业进行调整。
[0004]
因此，期望一种优化的纺织化纤供应链智能协同方案。


技术实现要素：

[0005]
本技术提供一种纺织化纤供应链智能协同方法及其系统，其通过深度学习和人工智能技术挖掘出所述纺织化纤供应链中各个节点的需求信息、生产信息和供给信息的语义理解特征与所述各个节点的供需拓扑关联特征间的关联性特征分布信息，以此来综合进行纺织化纤供应链中是否存在协同风险的检测判断，从而响应于存在协同风险时发出预警信号，以提醒供应链上的企业进行调整，保证纺织化纤供应链的正常运行。
[0006]
第一方面，提供了一种纺织化纤供应链智能协同方法，所述方法包括：获取纺织化纤供应链中各个节点的需求信息、生产信息和供给信息；
[0007]
将所述各个节点的需求信息、生产信息和供给信息分别通过包含词嵌入层的上下文编码器以得到多个节点信息语义理解特征向量；
[0008]
将所述多个节点信息语义理解特征向量排列为供应链全局特征矩阵；
[0009]
构造所述各个节点之间的供需矩阵，其中，所述供需矩阵中各个位置的特征值用于表示相应两个节点之间是否存在供需关系；
[0010]
将所述供需矩阵通过作为特征提取器的卷积神经网络模型以得到供需拓扑特征矩阵；
[0011]
将所述供应链全局特征矩阵和所述供需拓扑特征矩阵通过图神经网络以得到分类特征矩阵；
[0012]
基于所述供应链全局特征矩阵对于所述分类特征矩阵进行卷积式字典对照响应学习以得到优化分类特征矩阵；以及
[0013]
将所述优化分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示纺
织化纤供应链中是否存在协同风险。
[0014]
结合第一方面，在第一方面的一种实现方式中，将所述各个节点的需求信息、生产信息和供给信息分别通过包含词嵌入层的上下文编码器以得到多个节点信息语义理解特征向量，包括：
[0015]
对一个节点的需求信息、生产信息和供给信息进行分词处理以得到词序列；
[0016]
将所述词序列通过所述上下文编码器的词嵌入层以得到词嵌入向量的序列；
[0017]
将所述词嵌入向量的序列通过所述上下文编码器的基于转换器的bert模型以得到多个词语义特征向量；以及
[0018]
将所述多个词语义特征向量进行级联以得到所述节点信息语义理解特征向量。
[0019]
结合第一方面，在第一方面的一种实现方式中，将所述词嵌入向量的序列通过所述上下文编码器的基于转换器的bert模型以得到多个词语义特征向量，包括：使用所述上下文编码器的基于转换器的bert模型对所述词嵌入向量的序列进行基于全局的上下文语义编码以获得所述多个词语义特征向量。
[0020]
结合第一方面，在第一方面的一种实现方式中，将所述供需矩阵通过作为特征提取器的卷积神经网络模型以得到供需拓扑特征矩阵，包括：使用所述卷积神经网络模型的各层在层的正向传递中对输入数据分别进行：
[0021]
使用所述卷积神经网络模型的各层的卷积单元对所述输入数据进行基于二维卷积核的卷积处理以得到卷积特征图；
[0022]
使用所述卷积神经网络模型的各层的池化单元对所述卷积特征图进行沿通道维度的池化处理以得到池化特征图；以及
[0023]
使用所述卷积神经网络模型的各层的激活单元对所述池化特征图中各个位置的特征值进行非线性激活以得到激活特征图；
[0024]
其中，所述卷积神经网络模型的第一层的输入为所述供需矩阵，所述卷积神经网络模型的最后一层的输出为所述供需拓扑特征矩阵。
[0025]
结合第一方面，在第一方面的一种实现方式中，将所述供应链全局特征矩阵和所述供需拓扑特征矩阵通过图神经网络以得到分类特征矩阵，包括：所述图神经网络通过可学习的神经网络参数来对所述供应链全局特征矩阵和所述供需拓扑特征矩阵进行处理以得到包含不规则的供需拓扑关联特征和所述各个节点的需求、生产和供给语义理解特征信息的所述分类特征矩阵
[0026]
结合第一方面，在第一方面的一种实现方式中，基于所述供应链全局特征矩阵对于所述分类特征矩阵进行卷积式字典对照响应学习以得到优化分类特征矩阵，包括：
[0027]
基于所述供应链全局特征矩阵以如下优化公式对于所述分类特征矩阵进行卷积式字典对照响应学习以得到所述优化分类特征矩阵；
[0028]
其中，所述优化公式为：
[0029][0030]
其中m1和m2分别是所述供应链全局特征矩阵和所述分类特征矩阵，且||
·
||f表示矩阵的frobenius范数，表示矩阵减法，表示矩阵乘法，m2'表示所述优化分类特征矩阵。
[0031]
结合第一方面，在第一方面的一种实现方式中，将所述优化分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示纺织化纤供应链中是否存在协同风险，包括：使用所述分类器以如下分类公式对所述优化分类特征矩阵进行处理以获得所述分类结果；
[0032]
其中，所述分类公式为：o＝softmax{(wc,bc)|project(m2')，其中m2'表示所述优化分类特征矩阵，project(m2')表示将所述优化分类特征矩阵投影为向量，wc为权重矩阵，bc表示偏置向量，softmax表示归一化指数函数，o表示所述分类结果。
[0033]
第二方面，提供了一种纺织化纤供应链智能协同系统，所述系统包括：信息获取模块，用于获取纺织化纤供应链中各个节点的需求信息、生产信息和供给信息；
[0034]
上下文编码模块，用于将所述各个节点的需求信息、生产信息和供给信息分别通过包含词嵌入层的上下文编码器以得到多个节点信息语义理解特征向量；
[0035]
排列模块，用于将所述多个节点信息语义理解特征向量排列为供应链全局特征矩阵；
[0036]
构造矩阵模块，用于构造所述各个节点之间的供需矩阵，其中，所述供需矩阵中各个位置的特征值用于表示相应两个节点之间是否存在供需关系；
[0037]
卷积编码单元，用于将所述供需矩阵通过作为特征提取器的卷积神经网络模型以得到供需拓扑特征矩阵；
[0038]
图神经编码模块，用于将所述供应链全局特征矩阵和所述供需拓扑特征矩阵通过图神经网络以得到分类特征矩阵；
[0039]
优化模块，用于基于所述供应链全局特征矩阵对于所述分类特征矩阵进行卷积式字典对照响应学习以得到优化分类特征矩阵；以及
[0040]
分类模块，用于将所述优化分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示纺织化纤供应链中是否存在协同风险。
[0041]
结合第二方面，在第二方面的一种实现方式中，所述上下文编码模块，包括：
[0042]
分词处理单元，用于对一个节点的需求信息、生产信息和供给信息进行分词处理以得到词序列；
[0043]
嵌入单元，用于将所述词序列通过所述上下文编码器的词嵌入层以得到词嵌入向量的序列；
[0044]
编码单元，用于将所述词嵌入向量的序列通过所述上下文编码器的基于转换器的bert模型以得到多个词语义特征向量；
[0045]
级联单元，用于将所述多个词语义特征向量进行级联以得到所述节点信息语义理解特征向量。
[0046]
结合第二方面，在第二方面的一种实现方式中，所述优化模块，用于：
[0047]
基于所述供应链全局特征矩阵以如下优化公式对于所述分类特征矩阵进行卷积式字典对照响应学习以得到所述优化分类特征矩阵；
[0048]
其中，所述优化公式为：
[0049][0050]
其中m1和m2分别是所述供应链全局特征矩阵和所述分类特征矩阵，且||
·
||f表示矩阵的frobenius范数，表示矩阵减法，表示矩阵乘法，m2'表示所述优化分类特征矩
阵。
[0051]
第三方面，提供了一种芯片，该芯片包括输入输出接口、至少一个处理器、至少一个存储器和总线，该至少一个存储器用于存储指令，该至少一个处理器用于调用该至少一个存储器中的指令，以执行第一方面中的方法。
[0052]
第四方面，提供了一种计算机可读介质，用于存储计算机程序，所述计算机程序包括用于执行上述第一方面中的方法。
[0053]
第五方面，提供了一种包括指令的计算机程序产品，当计算机运行所述计算机程序产品的所述指时，所述计算机执行上述第一方面中的方法。
[0054]
本技术提供的一种纺织化纤供应链智能协同方法及其系统，其通过深度学习和人工智能技术挖掘出所述纺织化纤供应链中各个节点的需求信息、生产信息和供给信息的语义理解特征与所述各个节点的供需拓扑关联特征间的关联性特征分布信息，以此来综合进行纺织化纤供应链中是否存在协同风险的检测判断，从而响应于存在协同风险时发出预警信号，以提醒供应链上的企业进行调整，保证纺织化纤供应链的正常运行。
附图说明
[0055]
图1是本技术实施例的纺织化纤供应链智能协同方法的示意性流程图。
[0056]
图2是本技术实施例的纺织化纤供应链智能协同方法的模型架构的示意图。
[0057]
图3是本技术实施例的纺织化纤供应链智能协同方法中，将所述各个节点的需求信息、生产信息和供给信息分别通过包含词嵌入层的上下文编码器以得到多个节点信息语义理解特征向量的示意性流程图。
[0058]
图4是本技术实施例的纺织化纤供应链智能协同系统的示意性框图。
[0059]
图5是本技术实施例的纺织化纤供应链智能协同系统中，上下文编码模块的示意性框图。
具体实施方式
[0060]
下面将结合附图，对本技术中的技术方案进行描述。
[0061]
这里由于涉及到基于深度学习的深度神经网络模型，下面先对本技术实施例可能涉及的深度神经网络模型的相关术语和概念进行介绍。
[0062]
1、深度神经网络模型
[0063]
在深度神经网络模型中，隐藏层可以是卷积层和池化层。卷积层对应的一组权重值被称为滤波器，也被称为卷积核。滤波器和输入特征值都被表示为一个多维矩阵，对应地，表示成多维矩阵的滤波器也称为滤波器矩阵，表示成多维矩阵的输入特征值也称为输入特征矩阵，当然，除了可以输入特征矩阵，也可以输入特征图像，特征向量，这里只是以输入特征矩阵进行举例。卷积层的运算称为卷积运算，该卷积运算指的是，输入特征矩阵的一部分特征值与滤波器矩阵的权重值进行内积操作。
[0064]
深度神经网络模型中每一个卷积层的运算过程可以被编成软件，然后通过在运算装置中运行该软件，得到每层网络的输出结果，即输出特征矩阵。例如，软件通过滑动窗口的方式，以每层网络的输入特征矩阵的左上角为起点，以滤波器大小为窗口，每次从特征值矩阵中提取一个窗口的数据与滤波器进行内积操作。当输入特征矩阵的右下角窗口的数据
与滤波器完成内积操作后，便可得到每层网络的一个二维的输出特征矩阵。软件重复上述过程，直至产生每层网络的整个输出特征矩阵。
[0065]
卷积层运算的过程为，将一个滤波器大小的窗口滑动过整个输入图像(即输入特征矩阵)，在每个时刻对窗口内覆盖的输入特征值与该滤波器进行内积运算，其中，窗口滑动的步长为1。具体地，以输入特征矩阵的左上角为起点，以滤波器大小为窗口，窗口滑动的步长为1，每次从特征值矩阵中提取一个窗口的输入特征值与滤波器进行内积操作，当输入特征矩阵的右下角的数据与滤波器完成内积操作后，便可得到该输入特征矩阵的一个二维的输出特征矩阵。
[0066]
由于常常需要减少训练参数的数量，因此卷积层之后常常需要周期性的引入池化层，在图像处理过程中，池化层的唯一目的就是减少图像的空间大小。池化层可以包括平均池化算子和/或最大池化算子，以用于对输入图像进行采样得到较小尺寸的图像。平均池化算子可以在特定范围内对图像中的像素值进行计算产生平均值作为平均池化的结果。最大池化算子可以在特定范围内取该范围内值最大的像素作为最大池化的结果。另外，就像卷积层中用权重矩阵的大小应该与图像尺寸相关一样，池化层中的运算符也应该与图像的大小相关。通过池化层处理后输出的图像尺寸可以小于输入池化层的图像的尺寸，池化层输出的图像中每个像素点表示输入池化层的图像的对应子区域的平均值或最大值。
[0067]
由于实际在深度神经网络中需要模拟的函数往往是非线性的，而前面卷积和池化只能模拟线性函数，为了在深度神经网络模型中，引入非线性因素，以增加整个网络的表征能力，在池化层过后还会设置有激活层，激活层中设置有激活函数，常用的激励函数有sigmoid、tanh、relu函数等。
[0068]
2、softmax分类函数
[0069]
softmax分类函数又称软最大函数，归一化指数函数。能将一个含任意实数的k维向量“压缩”到另一个k维实向量中，使得每一个元素的范围都在(0,1)之间，并且所有元素的和为1。softmax分类函数常用于分类问题。
[0070]
在对本技术实施例可能涉及的深度神经网络模型的相关术语和概念进行介绍后，为了便于本领域技术人员的理解，下面将对本技术的基本原理进行介绍。
[0071]
如上所述，在供应链一体化协同网络的实际应用过程中存在供应链协同风险。具体地，现有供应链中由包括相关联的多个节点企业和多种生产工序组成，如果供应链条上的一个节点企业出现问题，会有其他节点企业进行替代，但如果供应链条上的多个节点都出现问题，那么整个供应链就会存在危险，也就是存在供应链协同风险，这时就需要发出预警，以提醒供应链上的企业进行调整。因此，期望一种优化的纺织化纤供应链智能协同方案。
[0072]
应可以理解，供应链一体化协同网络中的节点企业之间的需求信息会从需求方流向供应方，虽然没有实质性的物流，但信息的流动会带动物的流动，可以说是供应链产生了动力。不过供应链上还会存在企业之间的互动，更多时候信息是双向的，与信息流不同的是，物流是从供应方到需求方的流动。织造企业向纺丝企业购入化纤丝进行布匹生产。此外，物料的流动进一步引起资金流动。企业生产等活动消耗资源，产生成本，资金流出，而生产的产品销售给下游客户就会带来资金流入。
[0073]
相应地，考虑到在实际进行纺织化纤供应链一体化协同网络的运行过程中，为了
能够及时发现并处理供应链协同风险，以避免供应链整体出现问题，就需要对于纺织化纤供应链中各个节点的需求信息、生产信息和供给信息进行语义理解，并对于各个节点之间的供需拓扑关系进行深度分析，以此来综合进行协同风险的检测预警。但是，考虑到由于纺织化纤供应链中各个节点的这些数据信息之间具有着关于供需拓扑关系的关联性语义理解特征信息，因此，在此过程中，难点在于如何挖掘出所述纺织化纤供应链中各个节点的需求信息、生产信息和供给信息的语义理解特征与所述各个节点的供需拓扑关联特征间的关联性特征分布信息，以此来综合进行纺织化纤供应链中是否存在协同风险的检测判断，从而响应于存在协同风险时发出预警信号，以提醒供应链上的企业进行调整，保证纺织化纤供应链的正常运行。
[0074]
近年来，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。深度学习以及神经网络的发展为挖掘所述纺织化纤供应链中各个节点的需求信息、生产信息和供给信息的语义理解特征与所述各个节点的供需拓扑关联特征间的关联性特征分布信息提供了新的解决思路和方案。
[0075]
具体地，在本技术的技术方案中，首先，获取纺织化纤供应链中各个节点的需求信息、生产信息和供给信息。接着，考虑到由于所述纺织化纤供应链中各个节点的需求信息、生产信息和供给信息都是由各个词组成的，并且各个词之间具有着上下文的语义关联特征信息。因此，为了能够对于所述纺织化纤供应链中各个节点的需求信息、生产信息和供给信息进行充分地语义特征表达，在本技术的技术方案中，将所述各个节点的需求信息、生产信息和供给信息分别通过包含词嵌入层的上下文编码器中进行编码，以分别提取出所述各个节点的需求信息、生产信息和供给信息中的基于全局的上下文语义理解特征信息，从而得到多个节点信息语义理解特征向量。进一步地，再将所述多个节点信息语义理解特征向量排列为供应链全局特征矩阵，以此来整合所述各个节点的需求信息、生产信息和供给信息的全局上下文语义理解特征信息。
[0076]
然后，考虑到所述各个节点表示各个企业，而供应链一体化协同网络可以通过所述各个节点企业之间信息流、物流、资金流的畅通来实现企业之间的更好合作。因此，对于所述各个节点企业之间的供需关系进行分析是进行协同风险判断的关键所在。但是，由于所述各个节点企业之间的供需关系错综复杂，为了能够进行所述各个节点企业之间的供需拓扑关联特征的充分表达，在本技术的技术方案中，构造所述各个节点之间的供需矩阵，这里，所述供需矩阵中各个位置的特征值用于表示相应两个节点之间是否存在供需关系。接着，进一步再将所述供需矩阵通过作为特征提取器的卷积神经网络模型中进行特征挖掘，以提取出所述各个节点之间的供需拓扑关联特征信息，从而得到供需拓扑特征矩阵。
[0077]
进一步地，以所述各个节点信息语义理解特征向量作为节点的特征表示，而以所述供需拓扑特征矩阵作为节点与节点之间的边的特征表示，将由所述多个节点信息语义理解特征向量经二维排列得到的所述供应链全局特征矩阵和所述供需拓扑特征矩阵通过图神经网络以得到分类特征矩阵。具体地，所述图神经网络通过可学习的神经网络参数对所述供应链全局特征矩阵和所述供需拓扑特征矩阵进行图结构数据编码以得到包含不规则的供需拓扑关联特征和所述各个节点的需求、生产和供给语义理解特征信息的所述分类特征矩阵。
[0078]
然后，将所述分类特征矩阵通过分类器中进行分类处理就可以得到用于表示纺织
化纤供应链中是否存在协同风险的分类结果。也就是，在本技术的技术方案中，所述分类器的标签包括纺织化纤供应链中存在协同风险(第一标签)，以及，纺织化纤供应链中不存在协同风险(第二标签)，其中，所述分类器通过软最大值函数来确定所述分类特征矩阵属于哪个分类标签。值得注意的是，这里的所述第一标签p1和所述第二标签p2并不包含人为设定的概念，实际上在训练过程当中，计算机模型并没有“纺织化纤供应链中是否存在协同风险”这种概念，其只是有两种分类标签且输出特征在这两个分类标签下的概率，即p1和p2之和为一。因此，纺织化纤供应链中是否存在协同风险的分类结果实际上是通过分类标签转化为符合自然规律的二分类的类概率分布，实质上用到的是标签的自然概率分布的物理意义，而不是“纺织化纤供应链中是否存在协同风险”的语言文本意义。应可以理解，在本技术的技术方案中，所述分类器的分类标签为所述纺织化纤供应链中是否存在协同风险的检测评估标签，因此，在得到所述分类结果后，可基于所述分类结果来进行纺织化纤供应链中的协同风险检测判断，从而响应于存在协同风险时发出预警信号，以提醒供应链上的企业进行调整，保证纺织化纤供应链的正常运行。
[0079]
特别地，在本技术的技术方案中，这里，在将所述供应链全局特征矩阵和所述供需拓扑特征矩阵通过图神经网络得到所述分类特征矩阵时，可以将所述分类特征矩阵看作为所述供应链全局特征矩阵所表达的各节点的供应链语义特征在各个节点之间的供需逻辑拓扑关系的关联性表征响应，由于这种关联性表征响应偏向全局响应，如果能够基于所述分类特征矩阵和所述供应链全局特征矩阵之间的响应关系进一步提升所述分类特征矩阵对所述供应链全局特征矩阵的细粒度特征表达效果，则可以提升所述分类特征矩阵通过分类器的分类结果的准确性。
[0080]
基于此，本技术的申请人基于所述供应链全局特征矩阵，例如记为m1对于所述分类特征矩阵m2进行卷积式字典对照响应学习以优化所述分类特征矩阵，例如优化后的所述分类特征矩阵记为m2'，具体表示为：
[0081][0082]
其中||
·
||f表示矩阵的frobenius范数。
[0083]
也就是，基于所述供应链全局特征矩阵m1的类卷积神经网络的卷积核表征的邻域操作符属性，通过基于对应细粒度特征之间的差分特征流的卷积式字典对照学习，来对于所述分类特征矩阵m2的特征值的n级(n-hop)邻居进行本征先验结构的特征表达，并将低秩表示下的先验知识作为高维特征分布的特征响应参照，从而学习到细粒度特征间的可解释性响应，这样，就可以利用所述分类特征矩阵对所述供应链全局特征矩阵的响应特性来提升所述分类特征矩阵对所述供应链全局特征矩阵的细粒度特征表达效果，从而提升所述分类特征矩阵通过分类器的分类结果的准确性。这样，能够准确地进行纺织化纤供应链中是否存在协同风险的检测评估，从而响应于存在协同风险时发出预警信号，以提醒供应链上的企业进行调整，保证纺织化纤供应链的正常运行。
[0084]
以上在介绍了本技术的基本原理之后，下面将参考附图来具体介绍本技术的各种非限制性实施例。
[0085]
图1是本技术实施例的纺织化纤供应链智能协同方法的示意性流程图。如图1所示，所述纺织化纤供应链智能协同方法包括：s110，获取纺织化纤供应链中各个节点的需求
信息、生产信息和供给信息；s120，将所述各个节点的需求信息、生产信息和供给信息分别通过包含词嵌入层的上下文编码器以得到多个节点信息语义理解特征向量；s130，将所述多个节点信息语义理解特征向量排列为供应链全局特征矩阵；s140，构造所述各个节点之间的供需矩阵，其中，所述供需矩阵中各个位置的特征值用于表示相应两个节点之间是否存在供需关系；s150，将所述供需矩阵通过作为特征提取器的卷积神经网络模型以得到供需拓扑特征矩阵；s160，将所述供应链全局特征矩阵和所述供需拓扑特征矩阵通过图神经网络以得到分类特征矩阵；s170，基于所述供应链全局特征矩阵对于所述分类特征矩阵进行卷积式字典对照响应学习以得到优化分类特征矩阵；以及，s180，将所述优化分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示纺织化纤供应链中是否存在协同风险。
[0086]
图2是本技术实施例的纺织化纤供应链智能协同方法的模型架构的示意图。如图2所示，所述纺织化纤供应链智能协同方法的模型架构的输入为各个节点的需求信息、生产信息和供给信息以及构造的所述各个节点之间的供需矩阵。首先，将所述各个节点的需求信息、生产信息和供给信息分别通过包含词嵌入层的上下文编码器以得到多个节点信息语义理解特征向量。然后，将所述多个节点信息语义理解特征向量排列为供应链全局特征矩阵。同时，将所述供需矩阵通过作为特征提取器的卷积神经网络模型以得到供需拓扑特征矩阵。接着，将所述供应链全局特征矩阵和所述供需拓扑特征矩阵通过图神经网络以得到分类特征矩阵。最后，基于所述供应链全局特征矩阵对于所述分类特征矩阵进行卷积式字典对照响应学习以得到优化分类特征矩阵，并将所述优化分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示纺织化纤供应链中是否存在协同风险。
[0087]
步骤s110，获取纺织化纤供应链中各个节点的需求信息、生产信息和供给信息。应理解，供应链一体化协同网络中的节点企业之间的需求信息会从需求方流向供应方，虽然没有实质性的物流，但信息的流动会带动物的流动，可以说是供应链产生了动力。不过供应链上还会存在企业之间的互动，更多时候信息是双向的，与信息流不同的是，物流是从供应方到需求方的流动。织造企业向纺丝企业购入化纤丝进行布匹生产。此外，物料的流动进一步引起资金流动。企业生产等活动消耗资源，产生成本，资金流出，而生产的产品销售给下游客户就会带来资金流入。
[0088]
相应地，考虑到在实际进行纺织化纤供应链一体化协同网络的运行过程中，为了能够及时发现并处理供应链协同风险，以避免供应链整体出现问题，就需要对于纺织化纤供应链中各个节点的需求信息、生产信息和供给信息进行语义理解，并对于各个节点之间的供需拓扑关系进行深度分析，以此来综合进行协同风险的检测预警。但是，考虑到由于纺织化纤供应链中各个节点的这些数据信息之间具有着关于供需拓扑关系的关联性语义理解特征信息，因此，在此过程中，难点在于如何挖掘出所述纺织化纤供应链中各个节点的需求信息、生产信息和供给信息的语义理解特征与所述各个节点的供需拓扑关联特征间的关联性特征分布信息，以此来综合进行纺织化纤供应链中是否存在协同风险的检测判断，从而响应于存在协同风险时发出预警信号，以提醒供应链上的企业进行调整，保证纺织化纤供应链的正常运行。
[0089]
步骤s120，将所述各个节点的需求信息、生产信息和供给信息分别通过包含词嵌入层的上下文编码器以得到多个节点信息语义理解特征向量。应理解，考虑到由于所述纺
织化纤供应链中各个节点的需求信息、生产信息和供给信息都是由各个词组成的，并且各个词之间具有着上下文的语义关联特征信息。因此，为了能够对于所述纺织化纤供应链中各个节点的需求信息、生产信息和供给信息进行充分地语义特征表达，在本技术的技术方案中，将所述各个节点的需求信息、生产信息和供给信息分别通过包含词嵌入层的上下文编码器中进行编码，以分别提取出所述各个节点的需求信息、生产信息和供给信息中的基于全局的上下文语义理解特征信息，从而得到多个节点信息语义理解特征向量。
[0090]
图3是本技术实施例的纺织化纤供应链智能协同方法中，将所述各个节点的需求信息、生产信息和供给信息分别通过包含词嵌入层的上下文编码器以得到多个节点信息语义理解特征向量的示意性流程图。如图3所示，可选地，在本技术一实施例中，将所述各个节点的需求信息、生产信息和供给信息分别通过包含词嵌入层的上下文编码器以得到多个节点信息语义理解特征向量，包括：s210，对一个节点的需求信息、生产信息和供给信息进行分词处理以得到词序列；s220，将所述词序列通过所述上下文编码器的词嵌入层以得到词嵌入向量的序列；s230，将所述词嵌入向量的序列通过所述上下文编码器的基于转换器的bert模型以得到多个词语义特征向量；s240，将所述多个词语义特征向量进行级联以得到所述节点信息语义理解特征向量。应可以理解，这里是一个节点的需求信息、生产信息和供给信息进行举例，从这个实施例中，可以看出一个节点信息语义理解特征向量对应一个节点的需求信息、生产信息和供给信息。
[0091]
可选地，在本技术一实施例中，将所述词嵌入向量的序列通过所述上下文编码器的基于转换器的bert模型以得到多个词语义特征向量，包括：使用所述上下文编码器的基于转换器的bert模型对所述词嵌入向量的序列进行基于全局的上下文语义编码以获得所述多个词语义特征向量。
[0092]
步骤s130，将所述多个节点信息语义理解特征向量排列为供应链全局特征矩阵。应理解，通过将所述多个节点信息语义理解特征向量排列为供应链全局特征矩阵，以此来整合所述各个节点的需求信息、生产信息和供给信息的全局上下文语义理解特征信息以得到供应链全局特征矩阵。
[0093]
步骤s140，构造所述各个节点之间的供需矩阵，其中，所述供需矩阵中各个位置的特征值用于表示相应两个节点之间是否存在供需关系。应理解，考虑到所述各个节点表示各个企业，而供应链一体化协同网络可以通过所述各个节点企业之间信息流、物流、资金流的畅通来实现企业之间的更好合作。因此，对于所述各个节点企业之间的供需关系进行分析是进行协同风险判断的关键所在。但是，由于所述各个节点企业之间的供需关系错综复杂，为了能够进行所述各个节点企业之间的供需拓扑关联特征的充分表达，在本技术的技术方案中，构造所述各个节点之间的供需矩阵，这里，所述供需矩阵中各个位置的特征值用于表示相应两个节点之间是否存在供需关系。
[0094]
步骤s150，将所述供需矩阵通过作为特征提取器的卷积神经网络模型以得到供需拓扑特征矩阵。应理解，由于所述各个节点企业之间的供需关系错综复杂，为了能够进行提取到所述各个节点企业之间的供需拓扑关联特征，进一步再将所述供需矩阵通过作为特征提取器的卷积神经网络模型中进行特征挖掘，以提取出所述各个节点之间的供需拓扑关联特征信息，从而得到供需拓扑特征矩阵。
[0095]
可选地，在本技术一实施例中，将所述供需矩阵通过作为特征提取器的卷积神经
网络模型以得到供需拓扑特征矩阵，包括：使用所述卷积神经网络模型的各层在层的正向传递中对输入数据分别进行：使用所述卷积神经网络模型的各层的卷积单元对所述输入数据进行基于二维卷积核的卷积处理以得到卷积特征图；使用所述卷积神经网络模型的各层的池化单元对所述卷积特征图进行沿通道维度的池化处理以得到池化特征图；以及，使用所述卷积神经网络模型的各层的激活单元对所述池化特征图中各个位置的特征值进行非线性激活以得到激活特征图；其中，所述卷积神经网络模型的第一层的输入为所述供需矩阵，所述卷积神经网络模型的最后一层的输出为所述供需拓扑特征矩阵。
[0096]
步骤s160，将所述供应链全局特征矩阵和所述供需拓扑特征矩阵通过图神经网络以得到分类特征矩阵。应理解，以所述各个节点信息语义理解特征向量作为节点的特征表示，而以所述供需拓扑特征矩阵作为节点与节点之间的边的特征表示，将由所述多个节点信息语义理解特征向量经二维排列得到的所述供应链全局特征矩阵和所述供需拓扑特征矩阵通过图神经网络以得到分类特征矩阵。
[0097]
可选地，在本技术一实施例中，所述图神经网络通过可学习的神经网络参数对所述供应链全局特征矩阵和所述供需拓扑特征矩阵进行图结构数据编码以得到包含不规则的供需拓扑关联特征和所述各个节点的需求、生产和供给语义理解特征信息的所述分类特征矩阵。
[0098]
步骤s170，基于所述供应链全局特征矩阵对于所述分类特征矩阵进行卷积式字典对照响应学习以得到优化分类特征矩阵。应理解，在本技术的技术方案中，这里，在将所述供应链全局特征矩阵和所述供需拓扑特征矩阵通过图神经网络得到所述分类特征矩阵时，可以将所述分类特征矩阵看作为所述供应链全局特征矩阵所表达的各节点的供应链语义特征在各个节点之间的供需逻辑拓扑关系的关联性表征响应，由于这种关联性表征响应偏向全局响应，如果能够基于所述分类特征矩阵和所述供应链全局特征矩阵之间的响应关系进一步提升所述分类特征矩阵对所述供应链全局特征矩阵的细粒度特征表达效果，则可以提升所述分类特征矩阵通过分类器的分类结果的准确性。基于此，本技术的申请人基于所述供应链全局特征矩阵，例如记为m1对于所述分类特征矩阵m2进行卷积式字典对照响应学习以优化所述分类特征矩阵，例如优化后的所述分类特征矩阵记为m2'。
[0099]
可选地，在本技术一实施例中，基于所述供应链全局特征矩阵对于所述分类特征矩阵进行卷积式字典对照响应学习以得到优化分类特征矩阵，包括：
[0100]
基于所述供应链全局特征矩阵以如下优化公式对于所述分类特征矩阵进行卷积式字典对照响应学习以得到所述优化分类特征矩阵；
[0101]
其中，所述优化公式为：
[0102][0103]
其中m1和m2分别是所述供应链全局特征矩阵和所述分类特征矩阵，且||
·
||f表示矩阵的frobenius范数，表示矩阵减法，表示矩阵乘法，m2'表示所述优化分类特征矩阵。
[0104]
也就是，基于所述供应链全局特征矩阵m1的类卷积神经网络的卷积核表征的邻域操作符属性，通过基于对应细粒度特征之间的差分特征流的卷积式字典对照学习，来对于所述分类特征矩阵m2的特征值的n级(n-hop)邻居进行本征先验结构的特征表达，并将低秩
表示下的先验知识作为高维特征分布的特征响应参照，从而学习到细粒度特征间的可解释性响应，这样，就可以利用所述分类特征矩阵对所述供应链全局特征矩阵的响应特性来提升所述分类特征矩阵对所述供应链全局特征矩阵的细粒度特征表达效果，从而提升所述分类特征矩阵通过分类器的分类结果的准确性。这样，能够准确地进行纺织化纤供应链中是否存在协同风险的检测评估，从而响应于存在协同风险时发出预警信号，以提醒供应链上的企业进行调整，保证纺织化纤供应链的正常运行。
[0105]
步骤s180，将所述优化分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示纺织化纤供应链中是否存在协同风险。也就是，在本技术的技术方案中，所述分类器的标签包括纺织化纤供应链中存在协同风险(第一标签)，以及，纺织化纤供应链中不存在协同风险(第二标签)，其中，所述分类器通过软最大值函数来确定所述分类特征矩阵属于哪个分类标签。值得注意的是，这里的所述第一标签p1和所述第二标签p2并不包含人为设定的概念，实际上在训练过程当中，计算机模型并没有“纺织化纤供应链中是否存在协同风险”这种概念，其只是有两种分类标签且输出特征在这两个分类标签下的概率，即p1和p2之和为一。因此，纺织化纤供应链中是否存在协同风险的分类结果实际上是通过分类标签转化为符合自然规律的二分类的类概率分布，实质上用到的是标签的自然概率分布的物理意义，而不是“纺织化纤供应链中是否存在协同风险”的语言文本意义。应可以理解，在本技术的技术方案中，所述分类器的分类标签为所述纺织化纤供应链中是否存在协同风险的检测评估标签，因此，在得到所述分类结果后，可基于所述分类结果来进行纺织化纤供应链中的协同风险检测判断，从而响应于存在协同风险时发出预警信号，以提醒供应链上的企业进行调整，保证纺织化纤供应链的正常运行。
[0106]
可选地，在本技术一实施例中，将所述优化分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示纺织化纤供应链中是否存在协同风险，包括：使用所述分类器以如下分类公式对所述优化分类特征矩阵进行处理以获得所述分类结果；
[0107]
其中，所述分类公式为：o＝softmax{(wc,bc)}project(m2')，其中m2'表示所述优化分类特征矩阵，project(m2')表示将所述优化分类特征矩阵投影为向量，wc为权重矩阵，bc表示偏置向量，softmax表示归一化指数函数，o表示所述分类结果。
[0108]
综上，本技术提供的一种纺织化纤供应链智能协同方法，其通过深度学习和人工智能技术挖掘出所述纺织化纤供应链中各个节点的需求信息、生产信息和供给信息的语义理解特征与所述各个节点的供需拓扑关联特征间的关联性特征分布信息，以此来综合进行纺织化纤供应链中是否存在协同风险的检测判断，从而响应于存在协同风险时发出预警信号，以提醒供应链上的企业进行调整，保证纺织化纤供应链的正常运行。
[0109]
图4是本技术实施例的纺织化纤供应链智能协同系统的示意性框图。如图4所示，纺织化纤供应链智能协同系统100，包括：信息获取模块110，用于获取纺织化纤供应链中各个节点的需求信息、生产信息和供给信息；上下文编码模块120，用于将所述各个节点的需求信息、生产信息和供给信息分别通过包含词嵌入层的上下文编码器以得到多个节点信息语义理解特征向量；排列模块130，用于将所述多个节点信息语义理解特征向量排列为供应链全局特征矩阵；构造矩阵模块140，用于构造所述各个节点之间的供需矩阵，其中，所述供需矩阵中各个位置的特征值用于表示相应两个节点之间是否存在供需关系；卷积编码单元150，用于将所述供需矩阵通过作为特征提取器的卷积神经网络模型以得到供需拓扑特征
矩阵；图神经编码模块160，用于将所述供应链全局特征矩阵和所述供需拓扑特征矩阵通过图神经网络以得到分类特征矩阵；优化模块170，用于基于所述供应链全局特征矩阵对于所述分类特征矩阵进行卷积式字典对照响应学习以得到优化分类特征矩阵；以及，分类模块180，用于将所述优化分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示纺织化纤供应链中是否存在协同风险。
[0110]
图5是本技术实施例的纺织化纤供应链智能协同系统中上下文编码模块的示意性框图。如图5所示，可选地，在本技术一实施例中，所述上下文编码模块120，包括：分词处理单元121，用于对一个节点的需求信息、生产信息和供给信息进行分词处理以得到词序列；嵌入单元122，用于将所述词序列通过所述上下文编码器的词嵌入层以得到词嵌入向量的序列；编码单元123，用于将所述词嵌入向量的序列通过所述上下文编码器的基于转换器的bert模型以得到多个词语义特征向量；以及，级联单元124，用于将所述多个词语义特征向量进行级联以得到所述节点信息语义理解特征向量。
[0111]
可选地，在本技术一实施例中，所述优化模块，用于：基于所述供应链全局特征矩阵以如下优化公式对于所述分类特征矩阵进行卷积式字典对照响应学习以得到所述优化分类特征矩阵；其中，所述优化公式为：
[0112][0113]
其中m1和m2分别是所述供应链全局特征矩阵和所述分类特征矩阵，且||
·
||f表示矩阵的frobenius范数，表示矩阵减法，表示矩阵乘法，m2'表示所述优化分类特征矩阵。
[0114]
这里，本领域技术人员可以理解，上述纺织化纤供应链智能协同系统中的各个模块和单元的具体操作已经在上面参考图1到图3的纺织化纤供应链智能协同方法的描述中得到了详细介绍，并因此，将省略其重复描述。
[0115]
本发明实施例还提供一种芯片系统，芯片系统包括至少一个处理器，当程序指令在该至少一个处理器中执行时，使得本技术实施例提供的方法得以实现。
[0116]
本发明实施例还提供一种计算机存储介质，其上存储有计算机程序，该计算机程序被计算机执行时使得，该计算机执行上述方法实施例的方法。
[0117]
本发明实施例还提供一种包含指令的计算机程序产品，该指令被计算机执行时使得计算机执行上述方法实施例的方法。
[0118]
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其他任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(digital subscriber line，dsl))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存
储设备。所述可用介质可以是磁性介质(例如，软盘、硬盘、磁带)、光介质(例如数字视频光盘(digital video disc，dvd))、或者半导体介质(例如固态硬盘(solid state disk，ssd))等。
[0119]
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
[0120]
在本发明所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，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，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的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，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
[0121]
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者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者全部单元来实现本实施例方案的目的。
[0122]
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。

技术特征：
1.一种纺织化纤供应链智能协同方法，其特征在于，包括：获取纺织化纤供应链中各个节点的需求信息、生产信息和供给信息；将所述各个节点的需求信息、生产信息和供给信息分别通过包含词嵌入层的上下文编码器以得到多个节点信息语义理解特征向量；将所述多个节点信息语义理解特征向量排列为供应链全局特征矩阵；构造所述各个节点之间的供需矩阵，其中，所述供需矩阵中各个位置的特征值用于表示相应两个节点之间是否存在供需关系；将所述供需矩阵通过作为特征提取器的卷积神经网络模型以得到供需拓扑特征矩阵；将所述供应链全局特征矩阵和所述供需拓扑特征矩阵通过图神经网络以得到分类特征矩阵；基于所述供应链全局特征矩阵对于所述分类特征矩阵进行卷积式字典对照响应学习以得到优化分类特征矩阵；以及将所述优化分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示纺织化纤供应链中是否存在协同风险。2.根据权利要求1所述的纺织化纤供应链智能协同方法，其特征在于，将所述各个节点的需求信息、生产信息和供给信息分别通过包含词嵌入层的上下文编码器以得到多个节点信息语义理解特征向量，包括：对一个节点的需求信息、生产信息和供给信息进行分词处理以得到词序列；将所述词序列通过所述上下文编码器的词嵌入层以得到词嵌入向量的序列；将所述词嵌入向量的序列通过所述上下文编码器的基于转换器的bert模型以得到多个词语义特征向量；以及将所述多个词语义特征向量进行级联以得到所述节点信息语义理解特征向量。3.根据权利要求2所述的纺织化纤供应链智能协同方法，其特征在于，将所述词嵌入向量的序列通过所述上下文编码器的基于转换器的bert模型以得到多个词语义特征向量，包括：使用所述上下文编码器的基于转换器的bert模型对所述词嵌入向量的序列进行基于全局的上下文语义编码以获得所述多个词语义特征向量。4.根据权利要求3所述的纺织化纤供应链智能协同方法，其特征在于，将所述供需矩阵通过作为特征提取器的卷积神经网络模型以得到供需拓扑特征矩阵，包括：使用所述卷积神经网络模型的各层在层的正向传递中对输入数据分别进行：使用所述卷积神经网络模型的各层的卷积单元对所述输入数据进行基于二维卷积核的卷积处理以得到卷积特征图；使用所述卷积神经网络模型的各层的池化单元对所述卷积特征图进行沿通道维度的池化处理以得到池化特征图；以及使用所述卷积神经网络模型的各层的激活单元对所述池化特征图中各个位置的特征值进行非线性激活以得到激活特征图；其中，所述卷积神经网络模型的第一层的输入为所述供需矩阵，所述卷积神经网络模型的最后一层的输出为所述供需拓扑特征矩阵。5.根据权利要求4所述的纺织化纤供应链智能协同方法，其特征在于，将所述供应链全局特征矩阵和所述供需拓扑特征矩阵通过图神经网络以得到分类特征矩阵，包括：所述图
神经网络通过可学习的神经网络参数来对所述供应链全局特征矩阵和所述供需拓扑特征矩阵进行处理以得到包含不规则的供需拓扑关联特征和所述各个节点的需求、生产和供给语义理解特征信息的所述分类特征矩阵。6.根据权利要求5所述的纺织化纤供应链智能协同方法，其特征在于，基于所述供应链全局特征矩阵对于所述分类特征矩阵进行卷积式字典对照响应学习以得到优化分类特征矩阵，包括：基于所述供应链全局特征矩阵以如下优化公式对于所述分类特征矩阵进行卷积式字典对照响应学习以得到所述优化分类特征矩阵；其中，所述优化公式为：其中m1和m2分别是所述供应链全局特征矩阵和所述分类特征矩阵，m
2t
表示所述分类特征矩阵的转置，且||
·
||
f
表示矩阵的frobenius范数，表示矩阵减法，表示矩阵乘法，表示矩阵加法，m2'表示所述优化分类特征矩阵。7.根据权利要求6所述的纺织化纤供应链智能协同方法，其特征在于，将所述优化分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示纺织化纤供应链中是否存在协同风险，包括：使用所述分类器以如下分类公式对所述优化分类特征矩阵进行处理以获得所述分类结果；其中，所述分类公式为：o＝softmax{(w
c
,b
c
)|project(m2')}，其中m2'表示所述优化分类特征矩阵，project(m2')表示将所述优化分类特征矩阵投影为向量，w
c
为权重矩阵，b
c
表示偏置向量，softmax表示归一化指数函数，o表示所述分类结果。8.一种纺织化纤供应链智能协同系统，其特征在于，包括：信息获取模块，用于获取纺织化纤供应链中各个节点的需求信息、生产信息和供给信息；上下文编码模块，用于将所述各个节点的需求信息、生产信息和供给信息分别通过包含词嵌入层的上下文编码器以得到多个节点信息语义理解特征向量；排列模块，用于将所述多个节点信息语义理解特征向量排列为供应链全局特征矩阵；构造矩阵模块，用于构造所述各个节点之间的供需矩阵，其中，所述供需矩阵中各个位置的特征值用于表示相应两个节点之间是否存在供需关系；卷积编码单元，用于将所述供需矩阵通过作为特征提取器的卷积神经网络模型以得到供需拓扑特征矩阵；图神经编码模块，用于将所述供应链全局特征矩阵和所述供需拓扑特征矩阵通过图神经网络以得到分类特征矩阵；优化模块，用于基于所述供应链全局特征矩阵对于所述分类特征矩阵进行卷积式字典对照响应学习以得到优化分类特征矩阵；以及分类模块，用于将所述优化分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示纺织化纤供应链中是否存在协同风险。9.根据权利要求8所述的纺织化纤供应链智能协同系统，其特征在于，所述上下文编码模块，包括：
分词处理单元，用于对一个节点的需求信息、生产信息和供给信息进行分词处理以得到词序列；嵌入单元，用于将所述词序列通过所述上下文编码器的词嵌入层以得到词嵌入向量的序列；编码单元，用于将所述词嵌入向量的序列通过所述上下文编码器的基于转换器的bert模型以得到多个词语义特征向量；级联单元，用于将所述多个词语义特征向量进行级联以得到所述节点信息语义理解特征向量。10.根据权利要求9所述的纺织化纤供应链智能协同系统，其特征在于，所述优化模块，用于：基于所述供应链全局特征矩阵以如下优化公式对于所述分类特征矩阵进行卷积式字典对照响应学习以得到所述优化分类特征矩阵；其中，所述优化公式为：其中m1和m2分别是所述供应链全局特征矩阵和所述分类特征矩阵，m
2t
表示所述分类特征矩阵的转置，且||
·
||
f
表示矩阵的frobenius范数，表示矩阵减法，表示矩阵乘法，表示矩阵加法，m2'表示所述优化分类特征矩阵。

技术总结
本申请涉及供应链协同技术领域，其具体地公开了一种纺织化纤供应链智能协同方法及其系统，其首先采集获取纺织化纤供应链中各个节点的需求信息、生产信息和供给信息并构造所述各个节点之间的供需矩阵，然后，通过深度学习和人工智能技术挖掘出所述纺织化纤供应链中各个节点的需求信息、生产信息和供给信息的语义理解特征与所述各个节点的供需拓扑关联特征间的关联性特征分布信息，以此来综合进行纺织化纤供应链中是否存在协同风险的检测判断，从而响应于存在协同风险时发出预警信号，以提醒供应链上的企业进行调整，保证纺织化纤供应链的正常运行。链的正常运行。链的正常运行。


技术研发人员：刘杰 林辉 华晓男
受保护的技术使用者：杭州君方科技有限公司
技术研发日：2023.06.16
技术公布日：2023/9/6