CN116502107B - 基于人工智能的数据智能运营平台供应链数据处理系统 - Google Patents

Abstract

本发明涉及数据处理技术领域，具体涉及一种基于人工智能的数据智能运营平台供应链数据处理系统，该系统根据供应链数据对应的时间分布密度进行分析，将所有供应链数据划分为至少两个稀疏数据聚类集合，根据稀疏数据聚类集合中不同种类供应链数据的数量和时间分布特征得到对应的集中程度，根据任意两个稀疏数据聚类集合对应种类数量、时间长度和集中程度的差异得到对应的整合必要性，通过整合必要性将两两稀疏数据聚类集合整合得到整合数据聚类集合，通过整合数据聚类集合进行供应链数据加密处理。本发明通过整合数据聚类集合进行供应链数据处理的过程对供应链数据的加密效果更好。

Description

基于人工智能的数据智能运营平台供应链数据处理系统

技术领域

本发明涉及数据处理技术领域，具体涉及一种基于人工智能的数据智能运营平台供应链数据处理系统。

背景技术

随着人工智能技术领域的持续发展，现有的人工智能技术已经能够对数据进行分析处理，并根据分析处理结果辅助企业进行决策，例如供应链数据，通过基于人工智能的数据智能运营平台根据供应链数据分析供求情况，并根据供求情况合理安排生产以提升生产计划效率。但是由于基于人工智能的数据平台的数据规模的持续膨胀，以及分析场景的多样化，使得对数据处理和存储方面的要求更高，例如在对反映供给需求等私密信息的供应链数据在存储过程中，需要进行加密处理。

现有技术中对数据的加密处理方法通常是对数据进行替换或置乱以隐藏原始数据信息，其本质是根据算法本身的规则对数据进行无差别处理，但是无差别处理对不同信息表现的数据的加密效果不同，例如对于供应链数据所反映的隐私信息主要表现为供应链数据的时间分布关系，若只是根据现有技术中的加密处理方法对供应链数据进行替换或置乱，则对供应链数据时间分布关系的隐藏效果较为随机，无法保证对供应链数据的加密效果。

发明内容

为了解决现有技术中的加密处理方法在对供应链数据进行数据加密时，所产生的数据时间分布关系隐藏效果较为随机，导致无法保证对供应链数据的加密效果的技术问题，本发明的目的在于提供一种基于人工智能的数据智能运营平台供应链数据处理系统，所采用的技术方案具体如下：

本发明提出了基于人工智能的数据智能运营平台供应链数据处理系统，所述系统包括：

供应链数据获取模块，用于在数据智能运营平台获取预设时间范围内的至少两种供应链数据；

整合必要性获取模块，用于根据供应链数据对应的时间分布密度特征进行聚类分析，将所有供应链数据划分为至少两个稀疏数据聚类集合；根据每种供应链数据在稀疏数据聚类集合中的整体时间差异特征、时间差异变化特征和密度，得到每种供应链数据在每个稀疏数据聚类集合中的集中程度；根据任意两个稀疏数据聚类集合中供应链数据的种类数量差异、时间长度差异和每种供应链数据的集中程度差异，得到任意两个稀疏数据聚类集合之间的整合必要性；

供应链数据处理模块，用于根据所述整合必要性将两两稀疏数据聚类集合整合，得到至少两个整合数据聚类集合；根据所述整合数据聚类集合进行供应链数据加密处理。

进一步地，所述稀疏数据聚类集合的获取方法包括：

将预设时间范围内的供应链数据映射到时间轴上，得到供应链数据时间轴；以供应链数据时间轴起点为起始中心点，根据均值漂移聚类算法得到每个漂移窗口的漂移向量，并基于均值漂移聚类算法根据取反后的漂移向量进行漂移聚类，得到至少两个稀疏数据聚类集合。

进一步地，所述集中程度的获取方法包括：

获取每个稀疏数据聚类集合对应的时间长度，任选一个稀疏数据聚类集合作为目标稀疏数据聚类集合，将目标稀疏数据聚类集合的聚类中心作为目标聚类中心，根据每种供应链数据在目标系数数据聚类集合中的数据数量和对应的时间长度，得到每种供应链数据在目标稀疏数据聚类集合中的密度，所述数据数量与所述密度呈正相关，所述时间长度与所述密度呈负相关；

在所述目标稀疏数据聚类集合中，将每种供应链数据中的每个数据与所述目标聚类中心之间的距离的均值，作为每种供应链数据在目标数据集合中的整体时间差异特征；

在所述目标稀疏数据聚类集合中，将每种供应链数据中每个数据与所述目标聚类中心之间的距离的标准差，作为每种供应链数据在目标数据集合中的时间差异变化特征；

根据所述密度、所述整体时间差异特征和所述时间差异变化特征，得到每种供应链数据在目标数据集合中的集中程度，所述密度与所述集中程度呈正相关，所述整体时间差异特征与所述集中程度呈负相关，所述时间差异变化特征与所述集中程度呈负相关。

进一步地，所述整合必要性的获取方法包括：

选取任意一个稀疏数据聚类集合作为目标稀疏数据聚类集合，将其他任意一个稀疏数据聚类集合作为对比稀疏数据聚类集合；将目标稀疏数据聚类集合与对比稀疏数据聚类集合之间的供应链数据种类数量的差异，作为种类数量差异特征；

获取每个稀疏数据聚类集合的时间长度；将目标稀疏数据聚类集合与对比稀疏数据聚类集合之间的时间长度的差异，作为时间长度差异特征；

计算每种供应链数据在目标稀疏数据聚类集合和对比稀疏数据聚类集合之间的集中程度差异，将目标稀疏数据聚类集合和对比稀疏数据聚类集合之间对应的所有集中程度差异的累加和，作为对应的集中程度整体差异特征；

根据所述种类数量差异特征、所述时间长度差异特征和所述集中程度整体差异特征，得到目标稀疏数据聚类集合和对比稀疏数据聚类集合之间的整合必要性，所述种类数量差异特征与所述整合必要性呈正相关，所述时间长度差异特征与所述整合必要性呈正相关，所述集中程度整体差异特征与所述整合必要性呈正相关。

进一步地，所述整合数据聚类集合的获取方法包括：

统计所有稀疏数据聚类集合对应的所有整合必要性，将整合必要性最大的两个稀疏数据聚类集合，作为第一待整合聚类集合，将除第一待整合聚类集合外的其他稀疏数据聚类集合作为第一未整合聚类集合；将两个第一待整合聚类集合对应的两个稀疏数据聚类集合整合为一个整合数据聚类集合；

将整合必要性最大的两个第一未整合聚类集合，作为第二待整合聚类集合，将除第二稀疏数据聚类集合外的其他第一未整合聚类集合作为第二未整合聚类集合；将两个第二待整合聚类集合对应的两个稀疏数据聚类集合整合为一个整合数据聚类集合；

依次类推，得到至少两个整合数据聚类集合；

当最后未整合稀疏数据聚类集合仅剩一个稀疏数据聚类集合时，将剩余的一个稀疏数据聚类集合作为一个整合数据聚类集合。

进一步地，所述两个稀疏数据聚类集合整合为一个整合数据聚类集合包括：

将每个稀疏数据聚类集合中对应时刻最早的供应链数据，作为每个稀疏数据聚类集合对应的起点数据；将两个待整合聚类集合对应起点数据之间的时间距离作为特征距离；

在所有供应链数据在所述预设时间范围对应的时间轴上，当两个待整合聚类集合对应的时间长度相等时，将任意一个待整合聚类集合数据向另一个待整合聚类集合方向平移对应特征距离长度后，得到整合数据聚类集合；当两个待整合聚类集合对应的时间长度不相等时，将其中时间长度最短的待整合聚类集合向时间长度最长的待整合聚类集合方向平移对应特征距离长度后，得到整合数据聚类集合。

进一步地，所述稀疏数据聚类集合的时间长度的获取方法包括：

将每个稀疏数据聚类集合中供应链数据对应的时间极差，作为每个稀疏数据聚类集合的时间长度。

本发明具有如下有益效果：

考虑到供应链数据中的隐私数据表现为时间分布关系，本发明对代表时序连续供应链数据的稀疏数据聚类集合进行整合得到整合数据聚类集合，通过整合过程破坏了原始数据在时间序列上的分布关系，使得供应链数据时间分布关系的隐藏效果更好，并且整合后的数据对应的时间区间更短，使得对供应链数据的加密效果更好的同时，便于数据存储。考虑到稀疏数据聚类集合之间差异越大时，整合后的整合数据聚类集合对原始数据对应时间序列上的分布关系破坏程度越大，因此本发明通过分析任意两个稀疏数据聚类集合之间的分布差异得到整合必要性，通过整合必要性对稀疏数据聚类集合进行整合判断，使得所得到的整合数据聚类集合对应的两个稀疏数据聚类集合为分布差异最大的集合，提高后续对供应链数据的加密效果。并且本发明在获取稀疏数据聚类集合的依据是供应链数据对应的时间分布密度特征，使得每个稀疏数据聚类集合中的数据时间聚集性差异更大，减小对原始供应链数据的表现程度，从而提高对供应链数据时间分布关系的隐藏效果，使得对供应链数据的加密效果更好。综上所述，本发明通过整合数据聚类集合进行供应链数据处理的过程对供应链数据的加密效果更好。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。

图1为本发明一个实施例所提供的一种基于人工智能的数据智能运营平台供应链数据处理系统结构框图。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种基于人工智能的数据智能运营平台供应链数据处理系统，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

下面结合附图具体的说明本发明所提供的一种基于人工智能的数据智能运营平台供应链数据处理系统的具体方案。

请参阅图1，其示出了本发明一个实施例提供的基于人工智能的数据智能运营平台供应链数据处理系统结构框图，该系统包括：供应链数据获取模块101、整合必要性获取模块102、供应链数据处理模块103。

供应链数据获取模块101，用于在数据智能运营平台获取预设时间范围内的至少两种供应链数据。

本发明实施例旨在提供一种基于人工智能的数据智能运营平台供应链数据处理系统，利用基于稀疏分布的聚类方法获取供应链数据在时序上的稀疏数据聚类集合，进一步对稀疏数据聚类集合进行分析，将两两稀疏数据聚类集合整合得到整合数据聚类集合，从而破坏供应链数据在时间分布关系，进一步根据整合数据聚类集合进行供应链数据加密处理，实现对供应链数据的高效加密。所以首先需要获取本发明实施例对应的数据处理对象。

本发明实施例首先在数据智能运营平台获取预设时间范围内的至少两种供应链数据。在本发明实施例中，预设时间范围设置为1天。由于供应链数据能够反映实际生产需求的供给，所以通常情况下，需要加密的供应链数据通常存在多种，例如：在不同原料的补给量或产出量对应的供应链数据中，每种原料的补给量对应一种供应链数据，同理，每种原料的产出率也对应一种供应链数据，且当产业规模越大时，对应的供应链数据种类越多。需要说明的是，在后续对供应链数据进行加密时需要结合供应链数据的种类标签；且当本发明实施例所设置的预设时间范围内只存在一种供应链数据时，需要进一步对预设时间范围进行扩大，直至所获取的供应链数据存在至少两种，且实施者可根据具体实施环境自行设置预设时间范围的大小，在此不做进一步赘述。

整合必要性获取模块102，用于根据供应链数据对应的时间分布密度特征进行聚类分析，将所有供应链数据划分为至少两个稀疏数据聚类集合；根据每种供应链数据在稀疏数据聚类集合中的整体时间差异特征、时间差异变化特征和密度，得到每种供应链数据在每个稀疏数据聚类集合中的集中程度；根据任意两个稀疏数据聚类集合中供应链数据的种类数量差异、时间长度差异和每种供应链数据的集中程度差异，得到任意两个稀疏数据聚类集合之间的整合必要性。

对于一个产业链，其供给需求信息非常重要，能够反映产业链的整体运行状况，所以需要严加保护。而供应链数据所反映的信息即包含供给需求信息，所以需要对供应链数据进行加密存储。而供应链数据是在时序上获得的，即每个供应链数据对应一个时间数据即时刻，若将供应链数据以时间顺序组成时间序列，则在对应的时间序列上供应链数据之间的时间关系能够反映原始供应链数据的时间分布关系，所以若需要对供应链数据进行加密，则需要破坏供应链数据的时间序列分布关系，且供应链数据在时间序列上分布越混乱，对应的加密效果越好。

考虑到在实际的供应链管理中，供给与产出的时间与大小能够反映供应链关系。由于供应链对应供给与产出数据之间的时间关系能够在时序上进行表现，所以本发明实施例仅根据供应链中数据的时序关系对供应链数据进行加密，对应的供应链数据在时序上越相近，对应的供应链关系表现越突出，因此可根据供应链数据在时序上的时间距离分布情况进行进一步分析。本发明实施例根据供应链数据对应的时间分布密度特征进行聚类分析，将所有供应链数据划分为至少两个稀疏数据聚类集合。通过获取稀疏数据聚类集合，弱化供应链数据对供应链关系的表现，并且通过稀疏数据聚类集合将时序相邻的数据整合在一起，使得后续对供应链数据的存储更加方便。

优选地，稀疏数据聚类集合的获取方法包括：

将预设时间范围内的供应链数据映射到时间轴上，得到供应链数据时间轴；以供应链数据时间轴起点为起始中心点，根据均值漂移聚类算法得到每个漂移窗口的漂移向量，并基于均值漂移聚类算法根据取反后的漂移向量进行漂移聚类，得到至少两个稀疏数据聚类集合。在本发明实施例中，漂移窗口大小设置为2h。需要说明的是，实施者可根据具体实施环境自行调节漂移窗口的大小，且实施者在选择均值漂移聚类算法的起始中心点时，可根据具体实施环境自行选择供应链数据时间轴上的其他时间节点，在此不做进一步赘述。

对于均值漂移聚类算法而言，漂移向量对应的方向即数据密度更大的方向，同理，通过对漂移向量的方向取反，即可得到每个数据密度更小的方向。所以进一步根据漂移向量的反方向进行漂移聚类，能够使得漂移窗口向数据稀疏的方向进行偏移，从而获取稀疏的聚类集合，即稀疏数据聚类集合。需要说明的是，漂移窗口、起始中心点、漂移向量均为均值漂移聚类算法中的技术名词，且均值漂移聚类算法为本领域技术人员所熟知的现有技术，在此不做进一步限定和赘述。此时所得到的稀疏数据聚类集合中供应链数据之间的时间相关性较小，对供应链关系表现程度也较小，使得后续根据稀疏数据聚类集合进行分析实现对供应链数据的加密处理时，对应供应链信息的隐藏效果更好。

稀疏数据聚类集合只是根据供应链数据对应的时间分布情况进行集合划分，并没有改变供应链数据的时序，因此若需要进一步实现对供应链数据的加密，需要对供应链数据的时序进行改变。考虑到稀疏数据聚类集合能够表征时序上连续的多个数据，且稀疏数据聚类集合对应的时间范围相差不大，因此可通过将两两稀疏数据聚类集合整合或者映射，在方便数据存储的同时实现对供应链数据时序的改变。但是需要考虑到对不同的两个稀疏数据聚类集合进行整合时，对应的整合后的数据集合对供应链数据时间分布关系的破坏程度不同，因此在选择稀疏数据聚类集合进行整合时，需要进一步对稀疏数据聚类集合进行分析，使得根据稀疏数据聚类集合整合后的数据集合对供应链数据时间分布关系的破坏程度更高。

考虑到供应链数据通常存在多种，且在正常运作的产业链上不同种类的供应链数据通常交错分布，因此每个稀疏数据聚类集合通常存在多种供应链数据。考虑到不同种类的供应链数据在稀疏数据聚类集合中的时间分布情况以及数量一般不同，所可根据每种供应链数据在每个稀疏数据聚类集合中的时间和数量的分布情况进行进一步分析。本发明实施例根据每种供应链数据在稀疏数据聚类集合中的整体时间差异特征、时间差异变化特征和密度，得到每种供应链数据在每个稀疏数据聚类集合中的集中程度。通过集中程度表征每种供应链数据在每个稀疏数据聚类集合中的分布情况。

优选地，集中程度的获取方法包括：

获取每个稀疏数据聚类集合对应的时间长度，任选一个稀疏数据聚类集合作为目标稀疏数据聚类集合，将目标稀疏数据聚类集合的聚类中心作为目标聚类中心，根据每种供应链数据在目标系数数据聚类集合中的数据数量和对应的时间长度，得到每种供应链数据在目标稀疏数据聚类集合中的密度，数据数量与密度呈正相关，时间长度与密度呈负相关。

优选地，稀疏数据聚类集合的时间长度的获取方法包括：

将每个稀疏数据聚类集合中供应链数据对应的时间极差，作为每个稀疏数据聚类集合的时间长度。

考虑到本发明实施例所获取的稀疏数据聚类集合的时间范围与均值漂移聚类算法中的漂移窗口大小有关，因此也可通过每种供应链数据在目标稀疏数据聚类集合中的数量表征密度，但是考虑到不同稀疏数据聚类集合的供应链数据时序分布不同，则对应的供应链数据对应的时间极差也不尽相同，因此通过时间长度进行密度的计算，能够在结合每种供应链数据数量的同时，结合目标稀疏数据聚类集合的供应链数据时间分布情况，使得后续对集中程度的表征更加准确。

在目标稀疏数据聚类集合中，将每种供应链数据中的每个数据与目标聚类中心之间的距离的均值，作为每种供应链数据在目标数据集合中的整体时间差异特征。在本发明实施例中，由于稀疏数据聚类集合根据均值漂移聚类算法得到，所以聚类中心通常为稀疏数据聚类集合对应时间范围的中心，因此通过计算每种供应链数据中的每个数据与聚类中心之间在时间上的距离均值，能够表现每种供应链数据的整体时间分布情况，即整体时间差异特征。

在目标稀疏数据聚类集合中，将每种供应链数据中每个数据与目标聚类中心之间的距离的标准差，作为每种供应链数据在目标数据集合中的时间差异变化特征。计算每种供应链数据中所有数据与聚类中心之间在时间上距离的标准差，反映每种供应链数据中每个数据相对于聚类中心的时间差异变化，即时间差异变化特征。需要说明的是，实施者也可根据具体实施环境通过方差替代标准差作为时间差异变化特征，在此不做进一步赘述。

根据密度、整体时间差异特征和时间差异变化特征，得到每种供应链数据在目标数据集合中的集中程度，密度与集中程度呈正相关，整体时间差异特征与集中程度呈负相关，时间差异变化特征与集中程度呈负相关。根据每种供应链数据在时序上的分布可知，当每种供应链数据中每个数据整体越靠近聚类中心，且每个数据与聚类中心之间的距离相差越小，密度越大，对应种类的供应链数据在目标数据集合中分布越集中，说明集中程度越大；即每种供应链数据在目标数据集合中的整体时间差异特征越小，时间差异变化特征越小，密度越大时，对应的集中程度越大。

在本发明实施例中，计算每种供应链数据在目标数据集合中的整体时间差异特征与时间差异变化特征的乘积，并计算该乘积与预设调节参数的和值，并将密度与该和值之间的比值的归一化值，作为对应的集中程度。需要说明的是，实施者也可根据具体实施情况通过其他方法根据密度、时间差异变化特征和整体时间差异特征得到集中程度，但需要保证密度与集中程度呈正相关，整体时间差异特征与集中程度呈负相关，时间差异变化特征与集中程度呈负相关，在此不做进一步赘述。

在本发明实施例中，第种供应链数据在第个稀疏数据聚类集合中的集中程度的获取方法在公式上表现为：

其中，为第种供应链数据在第个稀疏数据聚类集合中的集中程度，为第种供应链数据在第个稀疏数据聚类集合中的数据数量，为第个稀疏数据聚类集合的时间长度；为第种供应链数据在第个稀疏数据聚类集合中每个数据与聚类中心之间的距离均值，即整体时间差异特征；为第种供应链数据在第个稀疏数据聚类集合中每个数据与聚类中心之间的距离标准差，即时间差异变化特征，为预设调节参数，用于防止分母为0，在本发明实施例中预设调节参数设置为0.01，需要说明的是，实施者可根据具体实施环境自行调节预设调节参数的大小，在此不做进一步赘述。为第种供应链数据在第个稀疏数据聚类集合中的密度，为归一化函数，在本发明实施例中，归一化函数采用线性归一化；需要说明的是，实施者可根据具体实施环境采用其他归一化方法，且线性归一化为本领域技术人员所熟知的现有技术，在此不做进一步限定和赘述。进一步根据第种供应链数据在第个稀疏数据聚类集合中的集中程度的获取方法，得到每种供应链数据在每个稀疏数据聚类集合中的集中程度。

此外，实施者也可通过其他形式的公式得到第种供应链数据在第个稀疏数据聚类集合中的集中程度，例如：

其中，为以自然常数e为底的指数函数，其余参数与本发明实施例中集中程度的获取方法对应的公式中的参数含义相同，在此不做进一步赘述。

考虑到每种供应链数据在不同稀疏数据聚类集合中的集中程度不同外，对应每种供应链数据在不同稀疏数据聚类集合中的数量和时间长度也不尽相同，为了使得整合后的数据集合对供应链数据时间分布关系的破坏程度更高，本发明实施例根据任意两个稀疏数据聚类集合中供应链数据的种类数量差异、时间长度差异和每种供应链数据的集中程度差异，得到任意两个稀疏数据聚类集合之间的整合必要性。通过整合必要性表征两个稀疏数据聚类集合整合后的数据集合对供应链时间分布关系的破坏程度。

优选地，整合必要性的获取方法包括：

选取任意一个稀疏数据聚类集合作为目标稀疏数据聚类集合，将其他任意一个稀疏数据聚类集合作为对比稀疏数据聚类集合；将目标稀疏数据聚类集合与对比稀疏数据聚类集合之间的供应链数据种类数量的差异，作为种类数量差异特征；首先通过种类数据差异特征比对目标稀疏数据聚类集合和对比稀疏数据聚类集合之间数据分布的差异，对应的种类数量差异越大，说明两个稀疏数据聚类集合之间的供应链数据在组合后，对原供应链的关系的表现越弱，对应的整合必要性越大。

获取每个稀疏数据聚类集合的时间长度；将目标稀疏数据聚类集合与对比稀疏数据聚类集合之间的时间长度的差异，作为时间长度差异特征。时间长度即稀疏数据聚类集合中供应链数据对应的时间极差。虽然在获取稀疏数据聚类集合的过程中，每个稀疏数据聚类集合的时间范围在理论上应当相同，但通过时间极差能够表征不同稀疏数据聚类集合的供应链数据分布关系，对应的时间长度标准差越大，对应稀疏数据聚类集合之间的分布关系差异越大，说明两个稀疏数据聚类集合之间的供应链数据在组合后，对原供应链的关系的表现越弱，对应的整合必要性越大。

计算每种供应链数据在目标稀疏数据聚类集合和对比稀疏数据聚类集合之间的集中程度差异，将目标稀疏数据聚类集合和对比稀疏数据聚类集合之间对应的所有集中程度差异的累加和，作为对应的集中程度整体差异特征。集中程度能够反映每种供应链数据在每个稀疏数据聚类集合中的分布关系，且主要表现为每种供应链数据对应的多个数据与聚类中心之间的时间分布关系，考虑到每个稀疏数据聚类集合中一般存在多种供应链数据，即每个稀疏数据聚类集合对应多个集中程度，所以为了表征目标稀疏数据聚类集合和对比稀疏数据聚类集合之间在集中程度上的差异，本发明实施例通过所有种类的供应链数据在两个稀疏数据聚类集合中的集中程度差异累加和，来表征集中程度整体差异特征。对应的集中程度差异越大，集中程度整体差异特征越大，说明两个稀疏数据聚类集合之间的供应链数据在组合后，对原供应链的关系的表现越弱，对应的整合必要性越大。

根据种类数量差异特征、时间长度差异特征和集中程度整体差异特征，得到目标稀疏数据聚类集合和对比稀疏数据聚类集合之间的整合必要性，种类数量差异特征与整合必要性呈正相关，时间长度差异特征与整合必要性呈正相关，集中程度整体差异特征与整合必要性呈正相关。进一步可将两个稀疏数据聚类集合之间的种类数量差异特征、时间长度差异特征和集中程度整体差异特征结合，得到对应的整合必要性。由于种类数量差异特征越大，时间长度差异特征越大，集中程度整体特征差异越大时，对应的整合必要性越大，所以种类数量差异特征与整合必要性呈正相关，时间长度差异特征与整合必要性呈正相关，集中程度整体差异特征与整合必要性呈正相关。

在本发明实施例中，通过种类数量差异特征、时间长度差异特征和集中程度整体差异特征之间的乘积表征对应的整合必要性。需要说明的是，实施者也可通过其他方法根据种类数量差异特征、时间长度差异特征和集中程度整体差异特征表征整合必要性，例如将种类数量差异特征、时间长度差异特征和集中程度整体差异特征之间进行加权求和得到对应的整合必要性，在此不做进一步赘述。

在本发明实施例中，以第个稀疏数据聚类集合作为目标稀疏数据聚类集合，以第个稀疏数据聚类集合作为目标稀疏数据聚类集合对应的对比稀疏数据聚类集合，则目标稀疏数据聚类集合与对应的对比稀疏数据聚类集合之间的整合必要性的获取方法在公式上表现为：

其中，为第个稀疏数据聚类集合和第个稀疏数据聚类集合之间的整合必要性，为第个稀疏数据聚类集合对应的供应链数据种类数量，为第个稀疏数据聚类集合对应的供应链数据种类数量，为第个稀疏数据聚类集合对应的时间长度，为第个稀疏数据聚类集合对应的时间长度，为第种供应链数据在第个稀疏数据聚类集合中的集中程度，为第种供应链数据在第个稀疏数据聚类集合中的集中程度，为所有供应链数据对应的种类总数，为第个稀疏数据聚类集合和第个稀疏数据聚类集合之间的种类数量差异特征，为第个稀疏数据聚类集合和第个稀疏数据聚类集合之间的时间长度差异特征，为第个稀疏数据聚类集合和第个稀疏数据聚类集合之间的集中程度整体差异特征。进一步根据第个稀疏数据聚类集合和第个稀疏数据聚类集合之间的整合必要性的获取方法，得到其他两两稀疏数据聚类集合之间的整合必要性。

此外，实施者也可通过其他形式的公式得到目标稀疏数据聚类集合与对应的对比稀疏数据聚类集合之间的整合必要性，例如：

其中，公式中的参数与本发明实施例中，第个稀疏数据聚类集合和第个稀疏数据聚类集合之间的整合必要性的获取方法对应的公式相同，在此不做进一步赘述。

供应链数据处理模块103，用于根据整合必要性将两两稀疏数据聚类集合整合，得到至少两个整合数据聚类集合；根据整合数据聚类集合进行供应链数据加密处理。

通过整合必要性获取模块得到任意两个稀疏数据聚类集合之间的整合必要性，进一步可根据整合必要性对所有稀疏数据聚类集合进行整合。本发明实施例根据整合必要性将两两稀疏数据聚类集合整合，得到至少两个整合数据聚类集合。

优选地，整合数据聚类集合的获取方法包括：

统计所有稀疏数据聚类集合对应的所有整合必要性，将整合必要性最大的两个稀疏数据聚类集合，作为第一待整合聚类集合，将除第一待整合聚类集合外的其他稀疏数据聚类集合作为第一未整合聚类集合；将两个第一待整合聚类集合对应的两个稀疏数据聚类集合整合为一个整合数据聚类集合；将整合必要性最大的两个第一未整合聚类集合，作为第二待整合聚类集合，将除第二稀疏数据聚类集合外的其他第一未整合聚类集合作为第二未整合聚类集合；将两个第二待整合聚类集合对应的两个稀疏数据聚类集合整合为一个整合数据聚类集合；依次类推，得到至少两个整合数据聚类集合。

考虑到对于任意一个稀疏数据聚类集合而言，都能得到与该稀疏数据聚类集合对应整合必要性最高的另一个稀疏数据聚类集合，但是与另一个稀疏数据聚类集合对应整合必要性最高的稀疏数据聚类集合却可能不是该稀疏数据聚类集合。因此本发明实施例从整合必要性整体进行分析，选择所有整合必要性最高的稀疏数据聚类集合进行整合，使得得到的整合数据聚类集合对供应链数据时间分布关系的破坏程度达到最大。并且在获取每个整合数据聚类集合后，为了防止后续未整合稀疏数据聚类集合与整合后稀疏数据聚类集合进行整合导致数据重复，所以在剩余未整合稀疏数据聚类集合的基础上继续选择整合必要性最大的两个稀疏数据聚类集合进行整合，并且将该过程进行迭代，使得每个稀疏数据聚类集合都能得到整体最优的整合数据聚类集合，使得所得到的整合数据聚类集合整体对供应链数据时间分布关系的破坏程度达到最大。

当稀疏数据聚类集合的数量为偶数时，通过迭代能够将所有稀疏数据聚类集合进行整合。但是考虑到稀疏数据聚类集合的数量可能不为偶数，即进行两两稀疏数据聚类集合的整合时，可能剩余一个单独的稀疏数据聚类集合，对于最后剩余一个单独的稀疏数据聚类集合的情况，本发明实施例当未整合聚类集合剩余一个稀疏数据聚类集合时，将剩余的一个稀疏数据聚类集合作为一个整合数据聚类集合。

例如，若所有供应链数据对应七个稀疏数据聚类集合A、B、C、D、E、F、G，且两两稀疏数据聚类集合都能得到对应的整合必要性。若在所有的整合必要性中，A和B之间的整合必要性最大，则将A和B进行整合得到对应的整合数据聚类集合AB，即A和B为第一待整合聚类集合，剩余的C、D、E、F、G为第一未整合聚类集合；并且若剩余的C、D、E、F、G对应的所有整合必要性中，若C和D之间的整合必要性最大，则将C和D进行整合得到对应的整合数据聚类集合CD，即C和D为第二待整合聚类集合，剩余的E、F、G为第二未整合聚类集合；继续对剩余E、F、G对应的所有整合必要性进行分析，若在E、F、G对应的所有整合必要性中E和F之间的整合必要性最大，则将E和F进行整合得到对应的整合数据聚类集合EF，即E和F为第三待整合聚类集合，G为第三未整合聚类集合，此时未整合聚类集合剩余一个单独的稀疏数据聚类集合G，将该稀疏数据聚类集合G作为一个单独的整合数据聚类集合G。即对七个稀疏数据聚类集合A、B、C、D、E、F、G进行整合，得到AB、CD、EF和G四个整合数据聚类集合。

优选地，两个稀疏数据聚类集合整合为一个整合数据聚类集合包括：

将每个稀疏数据聚类集合中对应时刻最早的供应链数据，作为每个稀疏数据聚类集合对应的起点数据；将两个待整合聚类集合对应起点数据之间的时间距离作为特征距离；在所有供应链数据在预设时间范围对应的时间轴上，当两个待整合聚类集合对应的时间长度相等时，将任意一个待整合聚类集合数据向另一个待整合聚类集合方向平移对应特征距离长度后，得到整合数据聚类集合；当两个待整合聚类集合对应的时间长度不相等时，将其中时间长度最短的待整合聚类集合向时间长度最长的待整合聚类集合方向平移对应特征距离长度后，得到整合数据聚类集合。

考虑到不同的稀疏数据聚类集合在预设时间范围内对应的局部时间范围不同，即不同的稀疏数据聚类集合对应的时间范围不存在交叠，所以若将两个稀疏数据聚类集合进行整合，则需要将其中一个稀疏数据聚类集合映射或平移到另一个稀疏数据聚类集合，实现时间范围的交叠或重合，得到整合数据聚类集合。由于本发明实施例的目的在对供应链数据进行加密，所以为了方便能够根据密钥将加密后的供应链数据进行还原，通过计算特征距离，使得每个整合过程对应的映射或平移方法统一。即以特征距离作为整合过程对应的密钥，并且为了方便能够从整合数据聚类集合中分离出稀疏数据聚类集合，本发明实施例将通过时间平移而来的稀疏数据聚类集合对应的供应链数据的平移属性表示为1，时间没有发生变化的稀疏数据聚类集合对应的供应链数据的平移属性表示为0，为后续通过整合过程密钥还原供应链数据提供依据。

至此，得到所有供应链数据对应的所有整合数据聚类集合。进一步可根据整合数据聚类集合进行供应链数据加密处理。虽然整合数据聚类集合已经对整合过程进行加密，但是为了方便存储和对数据的保护，本发明实施例对每个整合数据聚类集合通过分组加密方法进行进一步加密，得到加密后的供应链密文数据，进一步将供应链密文数据和对应的加密密钥传输至数据智能运营平台后压缩存储。需要说明的是，分组加密为本领域技术人员所熟知的现有技术，且数据传输和压缩存储为本领域技术人员所熟知的技术手段，并非本发明实施例的重点内容，实施者可根据具体实施环境自行选择数据传输方法和压缩存储方法，在此不做进一步限定和赘述。

综上所述，本发明根据供应链数据对应的时间分布密度进行分析，将所有供应链数据划分为至少两个稀疏数据聚类集合，根据稀疏数据聚类集合中不同种类供应链数据的数量和时间分布特征得到对应的集中程度，根据任意两个稀疏数据聚类集合对应种类数量、时间长度和集中程度的差异得到对应的整合必要性，通过整合必要性将两两稀疏数据聚类集合整合得到整合数据聚类集合，通过整合数据聚类集合进行供应链数据加密处理。本发明通过整合数据聚类集合进行供应链数据处理的过程对供应链数据的加密效果更好。

需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。

Claims (5)

1.基于人工智能的数据智能运营平台供应链数据处理系统，其特征在于，所述系统包括：

供应链数据获取模块，用于在数据智能运营平台获取预设时间范围内的至少两种供应链数据；

整合必要性获取模块，用于根据供应链数据对应的时间分布密度特征进行聚类分析，将所有供应链数据划分为至少两个稀疏数据聚类集合；根据每种供应链数据在稀疏数据聚类集合中的整体时间差异特征、时间差异变化特征和密度，得到每种供应链数据在每个稀疏数据聚类集合中的集中程度；根据任意两个稀疏数据聚类集合中供应链数据的种类数量差异、时间长度差异和每种供应链数据的集中程度差异，得到任意两个稀疏数据聚类集合之间的整合必要性；

供应链数据处理模块，用于根据所述整合必要性将两两稀疏数据聚类集合整合，得到至少两个整合数据聚类集合；根据所述整合数据聚类集合进行供应链数据加密处理；

所述集中程度的获取方法包括：

获取每个稀疏数据聚类集合对应的时间长度，任选一个稀疏数据聚类集合作为目标稀疏数据聚类集合，将目标稀疏数据聚类集合的聚类中心作为目标聚类中心，根据每种供应链数据在目标系数数据聚类集合中的数据数量和对应的时间长度，得到每种供应链数据在目标稀疏数据聚类集合中的密度，所述数据数量与所述密度呈正相关，所述时间长度与所述密度呈负相关；

在所述目标稀疏数据聚类集合中，将每种供应链数据中的每个数据与所述目标聚类中心之间的距离的均值，作为每种供应链数据在目标数据集合中的整体时间差异特征；

在所述目标稀疏数据聚类集合中，将每种供应链数据中每个数据与所述目标聚类中心之间的距离的标准差，作为每种供应链数据在目标数据集合中的时间差异变化特征；

根据所述密度、所述整体时间差异特征和所述时间差异变化特征，得到每种供应链数据在目标数据集合中的集中程度，所述密度与所述集中程度呈正相关，所述整体时间差异特征与所述集中程度呈负相关，所述时间差异变化特征与所述集中程度呈负相关；

所述整合必要性的获取方法包括：

选取任意一个稀疏数据聚类集合作为目标稀疏数据聚类集合，将其他任意一个稀疏数据聚类集合作为对比稀疏数据聚类集合；将目标稀疏数据聚类集合与对比稀疏数据聚类集合之间的供应链数据种类数量的差异，作为种类数量差异特征；

获取每个稀疏数据聚类集合的时间长度；将目标稀疏数据聚类集合与对比稀疏数据聚类集合之间的时间长度的差异，作为时间长度差异特征；

计算每种供应链数据在目标稀疏数据聚类集合和对比稀疏数据聚类集合之间的集中程度差异，将目标稀疏数据聚类集合和对比稀疏数据聚类集合之间对应的所有集中程度差异的累加和，作为对应的集中程度整体差异特征；

根据所述种类数量差异特征、所述时间长度差异特征和所述集中程度整体差异特征，得到目标稀疏数据聚类集合和对比稀疏数据聚类集合之间的整合必要性，所述种类数量差异特征与所述整合必要性呈正相关，所述时间长度差异特征与所述整合必要性呈正相关，所述集中程度整体差异特征与所述整合必要性呈正相关。

2.根据权利要求1所述的基于人工智能的数据智能运营平台供应链数据处理系统，其特征在于，所述稀疏数据聚类集合的获取方法包括：

将预设时间范围内的供应链数据映射到时间轴上，得到供应链数据时间轴；以供应链数据时间轴起点为起始中心点，根据均值漂移聚类算法得到每个漂移窗口的漂移向量，并基于均值漂移聚类算法根据取反后的漂移向量进行漂移聚类，得到至少两个稀疏数据聚类集合。

3.根据权利要求1所述的基于人工智能的数据智能运营平台供应链数据处理系统，其特征在于，所述整合数据聚类集合的获取方法包括：

统计所有稀疏数据聚类集合对应的所有整合必要性，将整合必要性最大的两个稀疏数据聚类集合，作为第一待整合聚类集合，将除第一待整合聚类集合外的其他稀疏数据聚类集合作为第一未整合聚类集合；将两个第一待整合聚类集合对应的两个稀疏数据聚类集合整合为一个整合数据聚类集合；

将整合必要性最大的两个第一未整合聚类集合，作为第二待整合聚类集合，将除第二稀疏数据聚类集合外的其他第一未整合聚类集合作为第二未整合聚类集合；将两个第二待整合聚类集合对应的两个稀疏数据聚类集合整合为一个整合数据聚类集合；

依次类推，得到至少两个整合数据聚类集合；

当未整合聚类集合剩余一个稀疏数据聚类集合时，将剩余的一个稀疏数据聚类集合作为一个整合数据聚类集合。

4.根据权利要求3所述的基于人工智能的数据智能运营平台供应链数据处理系统，其特征在于，所述两个稀疏数据聚类集合整合为一个整合数据聚类集合包括：

将每个稀疏数据聚类集合中对应时刻最早的供应链数据，作为每个稀疏数据聚类集合对应的起点数据；将两个待整合聚类集合对应起点数据之间的时间距离作为特征距离；

在所有供应链数据在所述预设时间范围对应的时间轴上，当两个待整合聚类集合对应的时间长度相等时，将任意一个待整合聚类集合数据向另一个待整合聚类集合方向平移对应特征距离长度后，得到整合数据聚类集合；当两个待整合聚类集合对应的时间长度不相等时，将其中时间长度最短的待整合聚类集合向时间长度最长的待整合聚类集合方向平移对应特征距离长度后，得到整合数据聚类集合。

5.根据权利要求1所述的基于人工智能的数据智能运营平台供应链数据处理系统，其特征在于，所述稀疏数据聚类集合的时间长度的获取方法包括：

将每个稀疏数据聚类集合中供应链数据对应的时间极差，作为每个稀疏数据聚类集合的时间长度。