本發明涉及供應鏈，尤其涉及一種基于機器學習的供應鏈智能評標優化方法及裝置。

背景技術：

1、隨著人工智能與機器學習技術的發展，供應鏈管理中逐步引入了智能化評估系統，在供應商評標環節智能評標技術能夠幫助采購方更快速、準確地判斷供應商的履約能力和潛在風險，然而，在傳統的評標體系中，供應商風險評估主要依賴于人工操作和靜態評分方法，評標人員需根據合同執行、履約表現和付款記錄多個方面的信息對供應商進行打分和風險分類，不僅耗時費力，而且主觀因素較多，容易造成評估結果的不一致，影響評標的準確性和客觀性。

2、當前的評標系統中部分企業開始引入自動評分模型或基于大數據分析的風險預測系統，通過簡單的統計分析或邏輯回歸等方法對供應商的信用和履約能力進行評估，然而，現有技術在實際應用中暴露出一些缺陷：

3、首先，基于靜態數據分析的評標模型難以動態地跟蹤供應商的行為變化，無法及時反映出供應商的潛在風險，供應商可能在某些履約階段表現良好但在后期存在違約或延遲付款的風險，現有技術無法及時檢測并做出有效反應。

4、其次，傳統的評分方法通常缺乏博弈論和風險博弈模型的引入，僅基于固定的評分標準對供應商進行評價，忽略了供應商可能的隱瞞行為以及買方在識別風險時的成本投入。

5、另外，現有的智能評標系統在處理供應商歷史數據時，多采用簡單的相似度匹配或固定權重的方法進行打分，未能根據每個供應商的具體表現評分權重，這樣使得導致評分結果的失真，在涉及大量供應商和多維風險因子的復雜環境中更為明顯，傳統的風險評估方式通常缺乏足夠的柔性，無法根據供應商的風險表現和買方的不同業務需求進行靈活調整，導致在應對供應鏈中不確定性風險時難以取得良好的效果。

6、對于現有的相關技術中存在的對供應鏈的風險控制評價不準確的問題，目前還沒有提出有效的解決方案。

技術實現思路

1、本發明提供一種基于機器學習的供應鏈智能評標優化方法及裝置，用以解決現有技術中存在的對供應鏈的風險控制評價不準確的缺陷。

2、第一個方面，本發明提供一種基于機器學習的供應鏈智能評標優化方法，包括：

3、獲取與供應商相關的歷史行為數據，并對所述歷史行為數據進行標準化和結構化處理，生成包含所述供應商履約行為的多維特征向量集；所述多維特征向量集中包括若干特征；

4、基于所述多維特征向量集中各維度數據的風險影響程度，為每個所述特征分配初始權重值，并生成與所述多維特征向量集相對應的信息權重矩陣；

5、根據所述信息權重矩陣，從所述歷史行為數據中識別并提取風險因子；

6、基于所述風險因子構建不對稱風險控制博弈模型，并通過所述不對稱風險控制博弈模型生成對于每個所述風險因子的判定策略；

7、迭代更新優化所述風險因子的判定策略，動態調整每個與所述風險因子對應的初始權重值，并基于最終的權重值，確定所述供應商的風險等級。

8、根據本發明提供的一種基于機器學習的供應鏈智能評標優化方法，獲取與供應商相關的歷史行為數據，并對所述歷史行為數據進行標準化和結構化處理，生成包含所述供應商履約行為的多維特征向量集，包括：

9、從供應商履約數據庫中獲取與所述供應商相關的歷史行為數據；

10、對所述歷史行為數據進行數據清洗和標準化，并將所述歷史行為數據轉換為無量綱形式，生成歷史行為矩陣；

11、對所述歷史行為矩陣進行結構化處理，生成包含所述供應商履約行為的多維特征向量集。

12、根據本發明提供的一種基于機器學習的供應鏈智能評標優化方法，基于所述多維特征向量集中各維度數據的風險影響程度，為每個所述特征分配初始權重值，并生成與所述多維特征向量集相對應的信息權重矩陣，包括：

13、基于所述歷史風險數據分析所述多維特征向量集中每個特征對所述供應商的風險影響程度；

14、基于所述多維特征向量集中每個特征對所述供應商的風險影響程度，為每個預設的風險影響系數賦予初始權重值，并生成初始權重向量；所述風險影響系數用于表示每個所述特征對所述供應商風險的潛在影響度；

15、基于所述初始權重向量，構建所述信息權重矩陣。

16、根據本發明提供的一種基于機器學習的供應鏈智能評標優化方法，根據所述信息權重矩陣，從所述歷史行為數據中識別并提取風險因子，包括：

17、對所述歷史行為數據中的數據按照所述多維特征向量集中的特征進行聚合，生成特征向量集；

18、利用所述特征向量集和所述信息權重矩陣中的權重值，確定所述特征向量集中每個特征的風險貢獻值；

19、基于所述風險貢獻值從所述歷史行為數據中識別并提取與風險高度關聯的風險因子。

20、根據本發明提供的一種基于機器學習的供應鏈智能評標優化方法，對所述歷史行為數據中的數據按照所述多維特征向量集中的特征進行聚合，包括：

21、對所述歷史行為數據中的履約記錄、合同執行記錄和付款記錄按照所述多維特征向量集中的特征進行聚合；

22、所述風險因子包括履約偏差、合同違約率和付款延遲率。

23、根據本發明提供的一種基于機器學習的供應鏈智能評標優化方法，基于所述風險因子構建不對稱風險控制博弈模型，包括：

24、根據所述風險因子，構建買方與所述供應商之間的不對稱風險控制博弈模型；在所述不對稱風險控制博弈模型中，所述買方作為信息優勢方，所述供應商作為信息劣勢方。

25、根據本發明提供的一種基于機器學習的供應鏈智能評標優化方法，通過所述不對稱風險控制博弈模型生成對于每個所述風險因子的判定策略，包括：

26、在所述不對稱風險控制博弈模型中，定義所述供應商隱藏風險行為的收益函數以及所述買方識別風險的成本函數；

27、根據所述收益函數構建所述供應商的最優隱藏策略，根據所述成本函數構建所述買方的最優識別策略；

28、通過對所述最優隱藏策略和所述最優識別策略的納什均衡，得到對每個所述風險因子的初始判定策略；

29、對所述供應商和所述買方的期望收益和所述成本函數進行優化，生成每個所述風險因子下的最優策略組合；所述最優策略組合用于表征所述供應商的最優隱藏概率和所述買方的最優識別概率；

30、根據所述最優策略組合構建對于每個所述風險因子的判定策略。

31、根據本發明提供的一種基于機器學習的供應鏈智能評標優化方法，迭代更新優化所述風險因子的判定策略，動態調整每個與所述風險因子對應的初始權重值，包括：

32、在所述不對稱風險控制博弈模型中，基于所述信息權重矩陣中的初始權重值，確定所述買方在不同的最優策略組合下的期望收益和所述供應商的收益期望；

33、基于所述買方的期望收益和所述供應商的收益期望，逐步調整所述信息權重矩陣中每個所述風險因子的權重值；

34、循環迭代更新所述買方的判定策略和所述信息權重矩陣中的權重值，直至滿足收斂條件，得到最終的信息權重矩陣和買方判定策略組合。

35、根據本發明提供的一種基于機器學習的供應鏈智能評標優化方法，基于最終的權重值，確定所述供應商的風險等級，包括：

36、根據動態調整后的所述信息權重矩陣中的權重值和所述買方判定策略組合，確定每個所述供應商的整體風險評分；

37、對所述供應商的整體風險評分進行閾值劃分，將所述供應商分為不同的風險等級。

38、第二個方面，本發明還提供一種基于機器學習的供應鏈智能評標優化裝置，包括：

39、獲取模塊，用于獲取與供應商相關的歷史行為數據，并對所述歷史行為數據進行標準化和結構化處理，生成包含所述供應商履約行為的多維特征向量集；所述多維特征向量集中包括若干特征；

40、分配模塊，用于基于所述多維特征向量集中各維度數據的風險影響程度，為每個所述特征分配初始權重值，并生成與所述多維特征向量集相對應的信息權重矩陣；

41、提取模塊，用于根據所述信息權重矩陣，從所述歷史行為數據中識別并提取風險因子；

42、處理模塊，用于基于所述風險因子構建不對稱風險控制博弈模型，并通過所述不對稱風險控制博弈模型生成對于每個所述風險因子的判定策略；

43、優化模塊，用于迭代更新優化所述風險因子的判定策略，動態調整每個與所述風險因子對應的初始權重值，并基于最終的權重值，確定所述供應商的風險等級。

44、第三個方面，本發明還提供一種電子設備，包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序，所述處理器執行所述程序時實現如上述第一個方面所述的基于機器學習的供應鏈智能評標優化方法。

45、第四個方面，本發明還提供一種非暫態計算機可讀存儲介質，其上存儲有計算機程序，該計算機程序被處理器執行時實現如上述第一個方面所述的基于機器學習的供應鏈智能評標優化方法。

46、第五個方面，本發明還提供一種計算機程序產品，包括計算機程序，所述計算機程序被處理器執行時實現如上述第一個方面所述的基于機器學習的供應鏈智能評標優化方法。

47、與現有技術相比，本發明具有以下有益效果：

48、1、本發明提供的基于機器學習的供應鏈智能評標優化方法，通過考慮到了供應商隱藏潛在風險因子和買方識別風險的成本因素，允許買方在信息不對稱的條件下通過博弈策略實現對供應商潛在風險的動態監測，傳統的評標方法未能充分利用買賣雙方的信息差異，而本方法通過調整風險因子的權重值和判定策略，確保評估結果的客觀性和準確性，有效減少因信息不對稱導致的風險漏檢，提升評標結果的可靠性，解決了現有的相關技術中存在的對供應鏈的風險控制評價不準確的問題。

49、2、在本發明的動態調整步驟中，信息權重矩陣會隨著風險因子的識別情況不斷迭代更新實現了權重的自適應調整，與傳統靜態權重方法不同，本發明通過循環迭代算法根據買方期望收益和供應商的收益期望，逐步優化每個風險因子的權重，有效提高了系統在多風險因子環境下的靈活性，使得系統能根據實時風險狀況調整各因子的貢獻度，從而提高風險評估的準確性和動態響應能力，顯著增強系統應對供應商風險波動的適應性。

50、3、本發明構建了包含調節系數、平滑因子及非線性風險因子權重的整體風險評分公式，能夠綜合考慮供應商在多個風險因子上的表現準確計算其風險等級，引入了指數衰減與非線性調節的參數結構以平滑不同風險因子的沖擊，避免評分失真。同時，通過閾值劃分機制，本發明實現了低、中、高三個等級的風險自動分類，為評標人員提供了明確的風險參考。