[发明专利]一种供应链牛鞭效应测度方法及系统、设备、存储介质

权利要求书

1.一种供应链牛鞭效应测度方法，其特征在于，包括以下内容：

获取供应链中各个成员的需求量数据；

基于拓扑图理论将复杂供应链拆解为多个二级供应链；

对于每个二级供应链，基于各个成员需求量数据的相关性分析成员之间的相关关系，并根据分析结果对需求量数据进行降维处理；

构造变权重绝对百分比误差模型以根据二级供应链中多个同级成员降维后的需求量数据筛选出对应的最优需求预测模型，分别利用筛选出的最优需求预测模型的需求预测结果计算二级供应链中多个同级成员的订货量数据；

基于二级供应链中多个同级成员的订货量数据和需求量数据进行加总得到每个二级供应链的订货量数据和需求量数据；

基于多个二级供应链的订货量数据和需求量数据利用递归运算计算得到整个供应链的牛鞭效应；

所述变权重绝对百分比误差模型为：

其中，k表示预测期数，表示第t+i期的需求预测值，表示第t+i期的需求实际值，通过计算目前常用的多个预测模型所对应的C-MAPE值，从中筛选出最小者作为最优需求预测模型。

2.如权利要求1所述的供应链牛鞭效应测度方法，其特征在于，所述基于拓扑图理论将复杂供应链拆解为多个二级供应链的过程包括以下内容：

将供应链成员作为拓扑图中的点、成员之间的联系作为拓扑图中的边，以将复杂供应链网络转化为拓扑图形式，通过对拓扑图进行点劈分以将复杂供应链拆分为多个简单的二级供应链。

3.如权利要求1所述的供应链牛鞭效应测度方法，其特征在于，所述基于各个成员需求量数据的相关性分析成员之间的相关关系，并根据分析结果对需求量数据进行降维处理的过程包括以下内容：

利用皮尔逊相关系数计算两个供应链成员的需求量数据之间的相关性，并构造二级供应链中多个成员之间的相关关系矩阵；

基于相关关系矩阵构造似然函数，并利用似然函数挑选出相关性强的需求量特征数据；

利用因子分析方法对相关性强的需求量特征数据进行压缩，以实现数据降维。

4.如权利要求3所述的供应链牛鞭效应测度方法，其特征在于，所述似然函数的表达式为：

其中，θ=A^-1，A表示相关关系矩阵，θ_ij为矩阵θ中的元素，d表示需求量数据的维数，λ表示强度系数。

5.如权利要求1所述的供应链牛鞭效应测度方法，其特征在于，在进行需求预测之前还包括以下内容：

对筛选出的最优需求预测模型进行拟合，获得最优需求预测模型的余项，利用Vinecopula构造多维分布以对最优需求预测模型的余项进行建模。

6.如权利要求1所述的供应链牛鞭效应测度方法，其特征在于，还包括以下内容：

根据供应链牛鞭效应计算结果制定防范策略。

7.一种供应链牛鞭效应测度系统，采用如权利要求1~6任一项所述的方法，其特征在于，包括：

数据获取模块，用于获取供应链中各个成员的需求量数据；

供应链拆解模块，用于基于拓扑图理论将复杂供应链拆解为多个二级供应链；

数据降维模块，用于基于二级供应链中各个成员需求量数据的相关性分析成员之间的相关关系，并根据分析结果对需求量数据进行降维处理；

第一计算模块，用于构造变权重绝对百分比误差模型以根据二级供应链中多个同级成员降维后的需求量数据筛选出对应的最优需求预测模型，分别利用筛选出的最优需求预测模型的需求预测结果计算二级供应链中多个同级成员的订货量数据；

第二计算模块，用于基于二级供应链中多个同级成员的订货量数据和需求量数据进行加总得到每个二级供应链的订货量数据和需求量数据；

第三计算模块，用于基于多个二级供应链的订货量数据和需求量数据利用递归运算计算得到整个供应链的牛鞭效应。

8.一种电子设备，其特征在于，包括处理器和存储器，所述存储器中存储有计算机程序，所述处理器通过调用所述存储器中存储的所述计算机程序，用于执行如权利要求1~6任一项所述的方法的步骤。

9.一种计算机可读取的存储介质，用于存储进行供应链牛鞭效应测度的计算机程序，其特征在于，所述计算机程序在计算机上运行时执行如权利要求1~6任一项所述的方法的步骤。