CN119494510A 一种基于人工智能的智能化产业链优化方法及系统 （江西省铜豌豆文化传播有限公司）

大道169号置地商业广场1#办公楼1#一种基于人工智能的智能化产业链优化方本发明提供了一种基于人工智能的智能化史产业链数据进行数据分割并输入到市场需求对目标产业链数据进行数据波动分析和残差波2对历史产业链数据进行数据分割生成多组子样本数据，将多组子样本数据分基于市场需求预测值对每组子样本数据进行残差分析，提取出每组获取企业当前的目标产业链数据并输入到市场需求预测对目标产业链数据进行数据波动分析生成数据波动参数，对目标产业链基于第一需求预测结果和第二异常波动范围生成第二需求预通过多模态数据输入层接收训练数据集中的多模态数据后，通通过多模态数据动态融合层通过全连接单元和加权融合单元对局部融合特征进行处理生成全局融合特征，包括通过全连接单元确定局部融合特征中每个模态时序特征的权重，通过加权融合单元基于每个模态时序特征的权重对多个模态时序特征进行特征融合，生成全局融合特征后通过LSTM层对多个时间步之间的长短3基于市场需求预测值对每组子样本数据进行残差分析，提取到包含多组子样本数据的残差特征的需求残差序提取出需求残差序列的均值和标准差，在对需求残差序列进行正态分t根据目标产业链数据确定当前时间步t和上一个时间步t_1，确定分别确定时间步t_1和时间步t_2下市场需求预测模型的第一预测残差和第二预测残根据第二异常波动范围对第一需求预测结果中的目标市场需求预测值进行波动分析，其中，对于第二异常波动范围，根据数据波动参数和残差波动4模型训练模块，用于基于历史产业链数据构建训练数据集，通过训练数据集样本预测模块，用于对历史产业链数据进行数据分割生成多组子样本数市场需求分析模块，用于获取企业当前的目标产业链数预测波动分析模块，用于基于市场需求预测值对每组子样本数据进预测波动修正模块，用于对目标产业链数据进行数据波动分析对第一预测波动范围进行修正生成第二异常市场需求修正模块，用于基于第一需求预测结果和市场需求预测模型包括多模态数据输入层、局部子模5数据，局部子模态处理层用于通过多个子模态处理网络分别提取出多模态数据的时序特6征，多模态数据动态融合层用于对多模态数据的时序特征进行特征融合生成全局融合特[0014]通过多模态数据动态融合层通过全连接单元和加权融合单元对局部融合特征进权重，通过加权融合单元基于每个模态时序特征的权重对多个模态时序特征进行特征融[0017]生成全局融合特征后通过LSTM层对多个时间步之间的长建得到包含多组子样本数据的残差特征的需求残差序列；t场需求预测模型生成的第一预测值和上一时间步下市场需求预测模型生成的第二预测值，7[0025]分别确定时间步t_1和时间步t_2下市场需求预测模型的第一预测残差和第二预[0029]根据第二异常波动范围对第一需求预测结果中的目标市场需求预测值进行波动[0037]预测波动分析模块，用于基于市场需求预测值对每组子[0038]预测波动修正模块，用于对目标产业链数据进行数据波动分析生成数据波动参动参数对第一预测波动范围进行修正生成第二8[0044]图1为本发明实施例提供的一种基于人工智能的智能化产业链优化方法的流程示[0045]图2为本发明实施例提供的一种基于人工智能的智能化产业链优化系统的结构示9[0053]具体而言，基于模型生成的多个市场需求预测值每组子之间的偏差，对反映历史数据规律的第一预测波动范围进行修正得到第二预测波动范围，[0061]局部子模态处理层用于通过多个子模态处理网络分别提取出多模态数据的时序[0062]多模态数据动态融合层用于对多模态数据的时序特征进行特征融合生成全局融据转换成一个固定维度的向量，即通过线性变换将其转换为适合与时序数据融合的向量，成全局融合特征，多模态数据动态融合层通过全连接单元和加权融合单元实现这个过程。[0070]模型的训练该过程中采用均方误差损失函数分析输出的预测值与样本数据集中正态分布检验，以验证残差序列是否符合正态分布。可以采用Shapiro_Wilk检验、t间步下市场需求预测模型生成的第一预测值和上一时间步下市场需求预测模型生成的第步的预测值所对应的真实值还未知，用历史残差的变化特征来表征当前数据的变化特征，[0083]为了更精确地反映当前市场的需求不确定性，本发明中引入了第二异常波动范[0084]对于第二异常波动范围根据数据波动参数和残差波动参数对第一预测波动范围[0085]在确定第二异常波动范围后，基于第二异常波动范围确数据，局部子模态处理层用于通过多个子模态处理网络分别提取出多模态数据的时序特征，多模态数据动态融合层用于对多模态数据的时序特征进行特征融合生成全局融合特出层用于基于多个时序隐藏特征生成市场需求[0092]通过多模态数据动态融合层通过全连接单元和加权融合单元对局部融合特征进权重，通过加权融合单元基于每个模态时序特征的权重对多个模态时序特征进行特征融[0095]生成全局融合特征后通过LSTM层对多个时间步之间的长