制造业多价值链协同数据空间产品知识属性与销量预测关联性研究

doi:10.16381/j.cnki.issn1003-207x.2022.2692

摘要/Abstract

摘要：

制造业领域多价值链协同数据空间知识引擎在本体建模的过程中，通常会出现由于产品知识不完备所导致的部门间知识管理与知识共享效率低下的问题。因而，需要系统地分析本体、属性与特征之间的关联与约束关系，提出结合产品生产、销售、供应、服务等多价值链数据协同的智能本体构建模型。制造业多价值链协同数据知识引擎本体的构建，是知识引擎应用场景的关键环节之一。针对数据空间中特征关联性挖掘的需求，本文构建了基于轻量梯度提升机、极度梯度提升与随机森林的树集成销量预测模型，并提出了以销量预测任务为中心的制造业多价值链协同数据空间的特征关联分析方法。对企业网上销售平台的销售数据进行预测实验。在树集成销量预测模型实验结果基础上，计算SHAP值，分析各项特征与预测结果之间关联性，并在消融实验中验证了SHAP值获得的特征关联性对树集成销量模型的影响。本文提出的树集成销量预测模型与SHAP值的特征关联度分析法为制造业知识引擎的建模过程的本体与属性的自动化筛选提供了可靠的理论与数据支撑。

关键词: 销量预测, 机器学习, 知识引擎, 数据空间, 多价值链

Abstract:

During the processing of ontology modeling multi-value chain collaborative data space knowledge engine in the manufacturing field， it should be aimed at the problem of low efficiency of knowledge management and sharing caused by incomplete product knowledge. It is necessary to analyze the relationship among ontology， attributes and features. This is to complete the ontology modeling method of multi-value chain collaborative data space， including production， sales， supply and service. As one of the key links in knowledge engine application scenarios， the construction of multi-value chain collaborative data knowledge engine ontology in manufacturing industry needs to fully mine the characteristic relationship in data space. The tree integration sale forecast model is constructed based on LightGBM， XGBoost and Random Forest， and a feature correlation analysis method of manufacturing multi-value chain collaborative data space is proposed. On the prediction results of the tree integration model， the correlation between the characteristics and the influence of the characteristics on the sales prediction results are analyzed through the SHAP value. The effect of feature correlation obtained by using SHAP value on sales forecast in tree ensemble model is demonstrated through ablation experiments. The tree-integrated sales forecast model proposed in this paper and the feature correlation analysis method of SHAP value provide reliable theoretical and data support for the automatic screening of ontology and attributes in the modeling process of manufacturing knowledge engine.

Key words: sales forecast, machine learning, knowledge graph engine, data space, multi-value chain

中图分类号:

F8332

张键,谢庭玉,彭鹏,王宏伟. 制造业多价值链协同数据空间产品知识属性与销量预测关联性研究[J]. 中国管理科学, 2023, 31(11): 341-348.

Jian ZHANG,Ting-yu XIE,Peng PENG,Hong-wei WANG. Research on the Correlation between Product Knowledge Attributes and Sales Forecast in Multi-Value Chain Collaborative Data Space of Manufacturing Industry[J]. Chinese Journal of Management Science, 2023, 31(11): 341-348.

图/表 13

图1

图2

表1

图3

表2

表3

图4

图5

图6

图7

图8

图9

表4

参考文献 24

1	Porter’s V C M. What is value chain［J］. E-Commer， 1985： 1-13.
2	Horvath L. Collaboration： the key to value creation in supply chain management［J］.Supply Chain Management： An International Journal， 2001， 6（5）： 205-207.
3	洪江涛，黄沛. 企业价值链上协同知识创新的动态决策模型［J］.中国管理科学，2011，19（4）： 130-136.
	Hong Jiangtao， Huang Pei. Dynamic decision model of collaboration knowledge creation in enterprise value chain［J］. Chinese Journal of Management Science， 2011， 19（4）： 130-136.
4	Wu Liang， Liu Heng， Bao Yongchuan. Outside-in thinking， value chain collaboration and business model innovation in manufacturing firms［J］. Journal of Business & Industrial Marketing， 2021.
5	Kubat C， Yuce B. A hybrid intelligent approach for supply chain management system［J］. Journal of Intelligent Manufacturing， 2012， 23（4）： 1237-1244.
6	Rettore P H， Maia G， Villas L A， et al. Vehicular data space： the data point of view［J］. IEEE Communications Surveys & Tutorials， 2019， 21（3）： 2392-2418.
7	蓝伯雄，王亚明，王威. 企业资源优化与企业价值链分析［J］.中国管理科学， 2011，19（1）： 69-76.
	Lan Boxiong， Wang Yaming， Wang Wei. Enterprise resource optimization and value chain analysis［J］. Chinese Journal of Management Science， 2011， 19（1）： 69-76.
8	王长峰，王化兰，史志武，等. 复杂动态环境下特大型科技（工程）项目组织知识流程集成优化和实证研究［J］.中国管理科学， 2012，20（S1）： 247-256.
	Wang Changfeng， Wang Hualan， Shi Zhiwu， et al. The research on of the extra large - scale science and technology （engineering） project organizational knowledge process integration and optimization under the complex dynamic environment［J］ Chinese Journal of Management Science， 2012， 20（S1）， 247-256.
9	Zhou Ji. Digitalization and intelligentization of manufacturing industry［J］. Advances in Manufacturing， 2013， 1（1）： 1-7.
10	Lahat D， Adali T， Jutten C. Multimodal data fusion： an overview of methods， challenges， and prospects［J］. Proceedings of the IEEE， 2015， 103（9）： 1449-1477.
11	Baird L， Henderson J C. The knowledge engine： how to create fast cycles of knowledge-to-performance and performance-to-knowledge［M］.San Francisco， Berrett-Koehler Publishers， 2001.
12	朱禹涛，肖霖，陈泽仁，等. 面向智慧工厂的工业互联网边缘智能协同计算技术研究［J］. 信息通信技术与政策， 2021， 47（3）： 1-5.
	Zhu Yutao， Xiao Lin， Chen Zeren， et al. Research on edge intelligent cooperative computing technology in Industrial Internet for intelligent factory［J］. Information and Communications Technology and Policy， 2021， 47（3）： 1-5.
13	张博，贾晓亮，周丹晨，等. 基于语义特征项列表的工艺知识推送技术研究［J］.现代制造工程，2016（9）： 63-74.
	Zhang Bo， Jia Xiaoliang， Zhou Danchen， et al. Research on process knowledge push based on semantic feature list［J］. Modern Manufactruing Engineering，2016（9）： 63-74.
14	倪子健，李文强，唐忠. 基于网络表示学习的本体语义挖掘与功能语义检索方法［J］. 工程设计学报， 2021， 28（5）： 539-547.
	Ni Zijian， Li Wenqiang， Tang Zhong. Ontology semantic mining and functional semantic retrieval method based on network representation learning［J］. Chinese Journal of Engineering Design， 2021， 28（5）： 539-547.
15	何焱，马军，白卫星，等. 基于本体语义的复杂产品可重构制造服务协同建模研究［J］. 制造业自动化， 2013， 35（15）： 57-59.
	He Yan， Ma Jun， Bai Weixing， et al. Research on complex product reconfi guration manufacture service collaboration modeling based on ontology semantic［J］. Manufacturing Automation， 2013， 35（15）： 57-59.
16	丁乐宁.多维耦合约束下的铁路站场横断面本体建模［C］//第十八届站场与枢纽年会.中国陕西西安，2017： 358-361.
	Ding Lening. Ontology modeling of railway station Cross-section under Multi-dimensional coupling constraints.［C］//In Proceedings of the 18th Annual Conference on Station and Hub，Xi'an， Shanxi， China， 2017：358-361.
17	Friedman J H. Greedy function approximation： a gradient boosting machine［J］. Annals of statistics， 2001： 1189-1232.
18	Segal M R. Machine learning benchmarks and random forest regression［J/OL］.2004［2022-11-24］. .
19	Lundberg S M， Lee S I. A unified approach to interpreting model predictions［C/OL］//Advances in Neural Information Processing Systems Curran Associates， Inc.， 2017［2022-11-25］. .
20	刘航，杜江，白瑀. 基于多维度本体的制造业领域知识语义建模研究［J/OL］. 制造技术与机床， 2019（9）： 140-146. DOI：10.19287/j.cnki.1005-2402.2019.09.030 . doi: 10.19287/j.cnki.1005-2402.2019.09.030
	Liu Hang， Du Jiang， Bai Yu. Ｒesearch on semantic modeling based on multi－dimension ontology for manufacturing domain knowledge［J/OL］. Manufacturing Technology & Machine Tool， 2019（9）： 140-146.DOI：10.19287/j.cnki.1005-2402.2019.09.030 . doi: 10.19287/j.cnki.1005-2402.2019.09.030
21	Ke Guolin， Meng Qi， Finley T， et al. LightGBM： a highly efficient gradient boosting decision tree［C/OL］//Advances in Neural Information Processing Systems Curran Associates， Inc.， 2017［2022-11-24］..
22	Chen Tianqi， Guestrin C. XGBoost： a scalable tree boosting system［C/OL］//Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining， San Francisco California USA： ACM， 2016： 785-794 ［2022-11-24］. . DOI：10.1145/2939672.2939785 . doi: 10.1145/2939672.2939785
23	Lundberg S M， Erion G G， Lee S I. Consistent individualized feature attribution for tree ensembles［M/OL］. arXiv， 2019［2022-11-25］. .
24	Hung Y H， Wang Yijie， Chang R I. Investigation of the effective use of ensemble learning algorithms for cyber data analytics-the prediction of the customer revenue on the google merchandise store （GStore）［C/OL］//2020 The 4th International Conference on E-Society， E-Education and E-Technology， Taipei Taiwan， ACM， 2020： 76-82 ［2022-11-25］. . DOI：10.1145/3421682.3421690 . doi: 10.1145/3421682.3421690

字段名	字段意义	类型
fullVisitorId	用户唯一标识符	Int
channelGrouping	用户访问商店的渠道	Str
date	用户访问的日期	Int
device	用户访问的设备	Dict
geoNetwork	用户访问的地理位置	Dict
soicalEngagementType	用户的社交参与类型	Bool
totals	用户会话聚合属性	Dict
trafficeSource	用户会话流量来源	Dict
visitId	用户会话标识符	Int
visitNumber	用户会话的编号	Int
visitStartTime	用户会话起始时间	Int
customDimensions	用户会话设置的自定义维度	Str

模型	训练集			测试集
模型	RMSE	MAE	运行时间	RMSE	MAE	运行时间
LightGBM	3.396	0.382	2.70	3.446	0.380	0.28
XGBoost	3.367	0.379	59.62	3.452	0.396	0.11
Random Forest	3.392	0.381	433.38	3.448	0.397	3.52

数据字段	LightGBM	XGBoost	RF
学习率	0.05	0.05	-
随机状态	16	16	16
正则化项	L2	L2	-
最大深度	6	6	6
叶节点	32	32	32
树数量	100	100	100

模型	训练集			测试集
模型	RMSE	MAE	运行时间	RMSE	MAE	运行时间
LightGBM	3.396	0.382	2.70	3.345	0.380	0.28
LightGBM-WO-dayofmonth	3.410	0.382	2.17	3.345	0.381	0.32
LightGBM-WO-dayofmonth-hits	3.409	0.382	2.15	3.345	0.383	0.30

[1]	李树良,杨爽艺,曾波,孟伟,白云. 离散型灰色预测模型的无偏性与自适应性及其应用[J]. 中国管理科学, 2024, 32(8): 149-158.
[2]	雷欣南,林乐凡,肖斌卿,俞红海. 小微企业违约特征再探索：基于SHAP解释方法的机器学习模型[J]. 中国管理科学, 2024, 32(5): 1-12.
[3]	韩洁平,顾美玲,杨晓龙,赵丹,张焕粉. 面向制造业服务化数据空间体系构建的多价值链协同创新管理研究[J]. 中国管理科学, 2024, 32(1): 299-308.
[4]	严雨婷,毕文杰. 基于XGBoost算法的数据驱动单周期报童问题研究[J]. 中国管理科学, 2024, 32(1): 260-267.
[5]	刘连义,刘思峰,吴利丰. 基于离散时间灰色幂模型的新能源汽车销售量预测[J]. 中国管理科学, 2024, 32(1): 106-114.
[6]	梁墨, 李鸿翔, 张顺明. 基于ST预测的财务困境测度与股票横截面收益[J]. 中国管理科学, 2023, 31(2): 138-149.
[7]	张鹏,党世力,黄梅雨,李璟欣. 基于机器学习预测股票收益率的两步骤M-SV投资组合优化[J]. 中国管理科学, 2023, 31(12): 96-106.
[8]	李明钰,牛东晓,纪正森,施博文,兰心怡,张焕粉. 面向数据空间体系构建的电力制造业多价值链经营风险识别与管控研究[J]. 中国管理科学, 2023, 31(11): 349-360.
[9]	韩洁平,赵丹,杨晓龙,顾美玲,张焕粉. 基于语义的制造企业多价值链协同数据空间数字资源聚合识别方法研究[J]. 中国管理科学, 2023, 31(11): 332-340.
[10]	牛东晓,斯琴卓娅,王董禹,许晓敏,张焕粉. 基于数据挖掘的电力装备企业多价值链协同数据预处理方法研究及应用[J]. 中国管理科学, 2023, 31(11): 321-331.
[11]	刘德文, 高维和, 闵凉宇. 可读性和吸引性对商品销量的影响——基于电影简介的文本分析[J]. 中国管理科学, 2022, 30(6): 167-177.
[12]	梁超, 魏宇, 马锋, 李霞飞. 我国黄金期货价格波动率预测研究：来自模型缩减方法的新证据[J]. 中国管理科学, 2022, 30(4): 30-41.
[13]	陈凯杰, 唐振鹏, 吴俊传, 张婷婷, 杜晓旭. 贵金属期货价格预测方法及实证研究[J]. 中国管理科学, 2022, 30(12): 245-253.
[14]	袁先智, 赵旻, 刘海洋, 周云鹏, 严诚幸, 石宝峰, 柴娜娜, 林健武, 何诚颖, 马胜, 张千友, 丁晓蔚. 乡村农户贫困状态特征因子筛选与分析框架：兼论我国乡村振兴路径选择[J]. 中国管理科学, 2022, 30(12): 234-244.
[15]	李建斌, 雷鸣颢, 戴宾, 蔡学媛. 考虑促销因素的医药电商平台需求预测研究[J]. 中国管理科学, 2022, 30(12): 120-130.