基于区块链的供应链管理方法及供应链管理系统

摘要

本发明适用于区块链技术领域，提供了一种基于区块链的供应链管理方法及供应链管理系统，该方法包括：中央服务器在区块链上发布预测模型并进行共识；供应链中的各个企业客户端通过联邦学习算法对预测模型的参数进行联合训练，并根据训练后的预测模型预测自身的货物需求信息；各个企业客户端将自身的货物需求信息发布到区块链上并进行共识；每个企业客户端根据其他企业客户端发布的货物需求信息，通过区块链进行货物的供应运输管理。本发明能够打破供应链各节点之间的信息壁垒、实现供应链的优化。

说明书

技术领域

本发明属于区块链技术领域，尤其涉及一种基于区块链的供应链管理方法及供应链管理系统。

背景技术

随着计算机技术的发展，越来越多的企业开始利用其他企业的资源信息更改自身的需求响应，这些企业逐步形成一条从供应商到制造商再到客户的贯穿整个生产过程的供应链。同时，越来越多的企业希望通过供应链来准确了解生产、销售和仓储等部分的信息，以此来更新库存，并对自身的经营战略、生产计划和物流等做出修正，从而提高管理水平，降低成本与企业竞争力。

但是，由于供应链各节点之间的信息壁垒以及二次信息的真实可靠性无法保证，就容易产生“牛鞭效应”。由于企业之间的互不信任，对于自身核心数据的保密，即使是在供应链上也存在信息孤岛。正因如此，在供应链上频繁出现上下游企业之间的信息冲突，导致各方在制定生产与购买需求时沟通低下，容易导致供应链数据交互不均匀、信息核对复杂且重复等系列问题。

发明内容

有鉴于此，本发明实施例提供了一种基于区块链的供应链管理方法及供应链管理系统，以打破供应链各节点之间的信息壁垒、实现供应链的优化。

本发明实施例的第一方面提供了一种基于区块链的供应链管理方法，供应链中的每个企业客户端均对应区块链上的一个节点；该方法包括：

中央服务器在区块链上发布预测模型并进行共识；

供应链中的各个企业客户端通过联邦学习算法对预测模型的参数进行联合训练，并根据训练后的预测模型预测自身的货物需求信息；

各个企业客户端将自身的货物需求信息发布到区块链上并进行共识；

每个企业客户端根据其他企业客户端发布的货物需求信息，通过区块链进行货物的供应运输管理。

可选的，各个企业客户端通过联邦学习算法对预测模型的参数进行联合训练，包括：

步骤S1，各个企业客户端根据本地存储的历史货物需求信息对预测模型进行训练，得到预测模型的平均梯度，以及根据平均梯度更新预测模型，并将更新后的预测模型发送至中央服务器；

步骤S2，中央服务器将各个企业客户端更新后的预测模型聚合成新的预测模型，并判断新的预测模型的损失函数是否收敛；

步骤S3，若新的预测模型的损失函数收敛，则将新的预测模型确定为训练后的预测模型；若新的预测模型的损失函数没有收敛，则重复执行步骤S1至S2，直至新的预测模型的损失函数收敛。

可选的，在根据本地存储的历史货物需求信息对预测模型进行训练之前，还包括：

对历史货物需求信息进行预处理；预处理包括：数据标准化处理、以及对各个企业客户端输入到预测模型中的数据进行数据对齐。

可选的，根据平均梯度更新预测模型的公式为：

式中，

可选的，将各个企业客户端更新后的预测模型聚合成新的预测模型的公式为：

式中，Φ

可选的，新的预测模型的损失函数的计算公式为：

式中，l

可选的，企业客户端包括生产经销企业对应的企业客户端和物流运输企业对应的企业客户端；每个企业客户端根据其他企业客户端发布的货物需求信息，通过区块链进行货物的供应运输管理，包括：

生产经销企业对应的企业客户端对其下游企业客户端发布的货物需求信息进行汇总，并将汇总结果作为发货提案发布到区块链上；

物流运输企业对应的企业客户端根据发货提案制定运输计划，并将运输计划发布到区块链上进行共识，以便进行货物的运输。

可选的，在完成货物的运输之后，还包括：

物流运输企业对应的企业客户端将货物的运输结果发布到区块链上并进行共识存储。

可选的，预测模型为Seq2Seq神经网络模型。

本发明实施例的第二方面提供了一种供应链管理系统，包括：中央服务器和多个企业客户端，中央服务器和每个企业客户端均对应区块链上的一个节点；该系统根据如上述第一方面的基于区块链的供应链管理方法进行供应链管理。

本发明实施例与现有技术相比存在的有益效果是：

本发明实施例一方面通过联邦学习算法对各个企业的需求进行保护性预测，在不泄露企业的数据隐私的情况下，提高了企业需求预测的准确性；另一方面，通过区块链实现需求发布以及供应反馈，信息流的记录更加清晰，信息交互也不再存在间隔，能够更快更准确的满足企业需求，降低牛鞭效应所引起的不良反应。本发明从需求和供应两方面实现了供应链整体流程的优化。

附图说明

为了更清楚地说明本发明实施例中的技术方案，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地介绍，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性的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例提供的供应链管理系统框架的示意图；

图2是本发明实施例提供的供应链管理方法的流程示意图；

图3是本发明实施例提供的联邦学习的流程示意图；

图4是本发明实施例提供的Seq2Seq模型的示意图。

具体实施方式

以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。

为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。

首先介绍现有技术的发展状况：

现有技术一公开了一种基于大数据分析的人工智能自动供需精准匹配系统，包括供应链管理系统、物流管理系统、库存管理系统、运营管理系统、需求评估模块、供应评估模块、对账系统、需求派发模块、供应接收模块；供应链管理系统包括用于采集货物配送信息的信息管理系统，货物配送信息至少包括货物信息以及配送信息，配送信息至少包括配送路线信息和当前位置；物流管理系统包括接单单元、记录单单元、派单单元；基于大数据分析的人工智能自动供需精准匹配系统充分利用大数据和供应链对供需关系进行主动预测，并根据物料、库存、公司运营等多方面综合考虑评价供需关系，能够提高企业的竞争力。该方案的缺点是：由于供应链上数据存在隐私安全问题，该系统在运行预测过程中容易发生数据泄露问题，导致供应链信息暴露，危害企业安全。同时该系统由于过于复杂，模块过于繁杂，并不能快速的提供合理的预测结果，在快消品等多数需要积极响应的供应链场景中并不能有效发挥作用。

现有技术二公开了一种基于区块链的供应链大数据管理系统，包括供应链数据分类模块与供应链区块链对接模块；供应链数据分类模块包括供应链溯源模块与供应链运营模块。该发明的管理系统面向供应链中供应链溯源数据与供应链运营数据具备可信的安全管理功能，能够有效的保障和管理供应链中各节点的数据采集、存储和共享的安全、可信和透明，促进供应链产销无缝衔接、推动供应产业链转型升级；将供应链与区块链相结合，使区块链数据真实可靠，可有效提高供应链信息的透明度，保证信息对称，保障了消费者权益，通过开展大数据服务，扩展商机，并建立联盟链、私有链，完善行业分类，避免恶性竞争。该方案的缺点是：该系统中通过构建多个模块以此来保证供应链从生产、仓储、运输、配送等一系列供应链活动的数据安全，但其只是借鉴区块链技术作为公开账本，并没有与供应链产业实际结合，对供应链优化并没有实质性的提升，并不能有效解决供应链实际面临的生产、预测、供需问题。

现有技术三公开了一种基于销量预测的零售领域供应链库存优化方法，包括基于多态特征融合的商品销量精准预测方法和基于商品活跃度分类的物流约束下供应链库存优化方法。基于上述方法，提取并融合商品的多态特征数据，并根据商品预测销量进行活跃度分类来构建供应链库存优化模型，从而实现基于销量预测的零售领域供应链库存优化方法，加快资金周转。该方案的缺点是：该方案可以提高销量预测的准确率，降低缺货风险。但由于没有从供应角度考虑，只是单单从企业角度出发进行预测，并没有利用供应链数据进行整体的预测。并不能有效降低供应链上因为“牛鞭效应”引起的连锁反应，实质性的降低供应链所有企业的生产库存压力，从而降低供应链生产成本。

针对现有技术中的不足，本发明实施例提供了一种基于区块链的供应链管理方法，包括：

中央服务器在区块链上发布预测模型并进行共识；

供应链中的各个企业客户端通过联邦学习算法对预测模型的参数进行联合训练，并根据训练后的预测模型预测自身的货物需求信息；

各个企业客户端将自身的货物需求信息发布到区块链上并进行共识；

每个企业客户端根据其他企业客户端发布的货物需求信息，通过区块链进行货物的供应运输管理。

在本发明实施例中，基于区块链的供应链管理系统框架如图1所示，主要分为三部分。物理层为实际供应链场景下，从生产商到经销商再到底层客户，构成了一个供销网络。物理层之上将实际的企业模拟为节点，实现对实体的模拟再构，实现联邦学习。区块链层与每个企业对接，实现商品可溯源，信息可共享，历史需求可追溯。供应链企业作为数据拥有者有足够的计算和存储资源，可以利用供应链关系网构建联盟链，以此来满足各方需求。对于消费者，希望看到商品从生产到运输的整体过程，以此来确保商品的优劣，区块链作为记录数据库，恰好可以提供商品溯源服务。对于零售商，区块链可以增强库存跟踪服务，包括减少库存积压和库存不足。由于区块链使用高度安全的分布式记账格式，因此产品数据更加可靠和安全，不会被篡改。最后，区块链收集准确信息的能力可以减少供应链产品的浪费。对于生产者，区块链在提供上述服务的同时，也可以提供各企业的需求反馈，继而进行合适的生产调配，降低货物积压可能，从而缓解企业经济压力。并且为了实现对企业需求的精准预测和保障企业的数据隐私问题，采用联邦学习算法。联邦学习可以保证企业数据不出本地的同时，利用多方数据集实现对统一产品的预测，使训练结果更为准确、更加符合市场预期，在既满足企业需求的同时，提供更加优质的预测模型。

供应链管理方法可以参见图2所示，由中央服务器或某企业E

可见，本发明实施例一方面通过联邦学习算法对各个企业的需求进行保护性预测，在不泄露企业的数据隐私的情况下，提高了企业需求预测的准确性；另一方面，通过区块链实现需求发布以及供应反馈，信息流的记录更加清晰，信息交互也不再存在间隔，能够更快更准确的满足企业需求，降低牛鞭效应所引起的不良反应。即，从需求和供应两方面实现了供应链整体流程的优化。

作为一种可能的实现方式，参见图3所示，联邦学习中，在中央服务器的协调下，拥有本地私有数据的多个企业客户端协作来训练预测模型，联邦学习的训练过程如下：

步骤S1，各个企业客户端根据本地存储的历史货物需求信息对预测模型进行训练，得到预测模型的平均梯度，以及根据平均梯度更新预测模型，并将更新后的预测模型发送至中央服务器；

步骤S2，中央服务器将各个企业客户端更新后的预测模型聚合成新的预测模型，并判断新的预测模型的损失函数是否收敛；

步骤S3，若新的预测模型的损失函数收敛，则将新的预测模型确定为训练后的预测模型；若新的预测模型的损失函数没有收敛，则重复执行步骤S1至S2，直至新的预测模型的损失函数收敛。

在本实施例中，企业客户端由供应链企业自行掌控。需要进行训练的客户端根据本地存储的数据计算随机梯度下降(SGD)更新，然后服务器聚合客户端更新以构建新的预测模型。新的预测模型被发送回客户端子集。重复该过程，直到达到期望的预测精度。假设每个企业客户端所代表的边缘节点n都有一个本地数据样本S

其中，f

为了组合客户端更新，服务器使用联邦平均算法。首先，初始的预测模型是随机初始化的，或者使用公开可用的数据进行预训练。在全局迭代t中，所有边缘节点都共同使用优化算法通过训练其本地数据集得到其平均梯度g

因此，任务发布者将这些所有从各个边缘节点上传得到的本地模型更新通过加权聚合，就能更新共享的全局模型Φ

在本实施例，联邦学习中拥有越高质量、高可靠的本地数据样本的边缘节点越可以使本地损失函数l

由于预测模型利用时序预测算法通过多方协作训练，可以在保证数据隐私安全的前提下，准确预测各企业的需求。其中，本地的时序预测数据由企业提供，通过联邦学习实现训练。在一个实施例中，在将本地存储的时序预测数据(即历史货物需求信息)输入到预测模型进行训练或预测之前，还包括对历史货物需求信息进行标准化处理、数据对齐等预处理步骤。

在一个实施例中，预测模型为Seq2Seq神经网络模型。

在本实施例中，Seq2Seq框架的核心目的是引入了序列到序列结构，使输入与输出的长度设置不受限制，模型训练过程平稳，预测效果较好。输入序列的信息使用编码器编码成固定大小的语义向量，从解码器得到输出序列。序列到序列学习模型由两个RNN组成，一个作为输入序列的编码器生成固定长度的向量特征，另一个作为该向量的解码器输出相应的序列，框架如图4所示，包含Encoder和Decoder两个部分，在编码阶段，每个时刻输入一个值，隐藏状态根据下述公式改变：

h

其中，激活函数可以是sigmod、tanh、relu、softmax等。

读完序列的每一个值后会得到一个固定长度的语义向量C：

C＝q(h

在解码阶段，根据给定的C和输出序列y

在Encoder-Decoder模型的基础上，为了消除RNN模型的长期依赖问题，并且继承RNN的记忆功能，使用2个LSTM网络构建序列到序列模型框架。

在Encoder-Decoder结构中，Encoder把所有的输入序列都编码成一个统一的语义特征c再解码，因此，c中必须包含原始序列中的所有信息，它的长度就成了限制模型性能的瓶颈。如机器翻译问题，当要翻译的句子较长时，一个c可能存不下那么多信息，就会造成翻译精度的下降。因此，本实施例通过Attention机制在每个时间输入不同的c来解决这个问题，每一个c会自动去选取与当前所要输出的y最合适的上下文信息。具体来说，用a

在一个实施例中，企业客户端包括生产经销企业对应的企业客户端和物流运输企业对应的企业客户端。每个企业客户端根据其他企业客户端发布的货物需求信息，通过区块链进行货物的供应运输管理，包括：

生产经销企业对应的企业客户端对其下游企业客户端发布的货物需求信息进行汇总，并将汇总结果作为发货提案发布到区块链上；

物流运输企业对应的企业客户端根据发货提案制定运输计划，并将运输计划发布到区块链上进行共识，以便进行货物的运输。

在完成货物的运输之后，物流运输企业对应的企业客户端还将货物的运输结果发布到区块链上并进行共识存储。

在本实施例中，供应链中原本的信息流都是链式结构，只有其上下游企业知道其信息流，在数据传递过程中会发生失真，从而导致牛鞭效应的爆发，各方生产/仓储压力增大，不利于供应链整体发展与优化。利用区块链技术，实现供应链企业的联盟区块链，针对供应链上物流，信息流的记录更加清晰，其信息交互也不再存在间隔，对于企业的供应/需求请求，也能更快更准确的得知。

企业客户端通过区块链进行供应信息共享的具体流程如下：

第一步，各企业客户端根据需求预测结果向上游企业确定仓补需求订单，在区块链上提交订单需求，由企业签名后发送给所有背书节点。

第二步，生产经销企业客户端对各下游企业提出的仓补需求进行汇总。

第三步，生产经销企业客户端将计算得到的发货提案发布到区块链上。

第四步，物流运输企业客户端根据发货提案，合理安排运输计划，并将运输计划发布到区块链上。

第五步，经过共识后，物流方完成货物的运输，结束本次供应，并将货物的运输结果发布到区块链上并进行共识存储。

以下通过多组数据评估本发明实施例提供的供应链管理方法。

实验设置如下：

使用单机伪分布式模拟两个企业的联邦场景；

使用FedAvg算法；

训练模型使用LSTM算法，输出层使用Sigmoid激活函数做二分类；

将各数据集按照同样的划分比例，依照时间顺序从中划分为两部分，分别作为训练集与测试集，各数据集分别在本地进行存储。

模型参数调优可以视为一个最优化问题，即在模型的评价指标(RMSE)最小化的情况下，计算出每个参数的值。选择通过贝叶斯优化算法对模型的参数进行调优。基于Keras库构建LSTM模型，预测需求量趋势的模型结构为LSTM多输入单输出的结构，其输入值为需求量相关的多维特征因子，输出为需求量。我们通过参数优化，设定各项参数如表1所示：

表1模型参数表

其中，Learning_rate为学习率，默认为0.005；Batchsize为网络训练批数量，通常设置为2n个；loss为网络的损失函数，由于需求预测为回归问题，所以设置为损失函数选用MSE；optimizer为网络优化器，本次实验选用Adam算法作为优化器来更新隐藏层网络权重；Rounds为聚合更新次数，根据loss实际变化情况设置为10；Local_epochs为本次训练次数，默认为2次。

针对多组相同商品的不同地区销售情况，利用联邦学习对各地区数据进行30天的预测，即模型输出长度为30。经过不断训练与经验调参，对研究结果进行预测，具体的参数以及计算步骤设置如下：

第一步，对数据进行预处理。将原数据标准化，使用最小值和最大值为-1和1的范围设定来规范数据。

第二步，设置模型预测目标及输入数据。模型输出长度m为30，模型输入窗口大小n分别90。

第三步，建立编码层与解码层的网络结构。编码层和解码层均为单层LSTM，编码层隐藏层单元数量为256、512，解码层隐藏层单元数量为128、256。

第四步，利用训练集的样本训练模型。训练过程以均方误差为损失函数，使用Adam优化模型参数，学习率为0.005。由于数据集较大，将batch-size设置为512，最大训练次数为20。

第五步，对模型输出进行反归一化处理，得到时序预测结果。

第六步，结果分析。数据集中的数据从时间曲线来看，是具有季节性特征的平稳时间序列。对于这些商品来说，客户的购买需求是可以预测的，从而对预期的补仓需求进行尽可能精确的短期预测。利用LSTM算法和Seq2Seq算法实现对数据集的预测，选择MAE、MSE和RMSE指标对LSTM算法和Seq2Seq算法的预测结果进行评价。对比不同预测算法的评价指标结果可以发现，Seq2Seq模型整体效果优LSTM模型，且对于历史数据不够充足的的商品，联邦学习场景下的预测结果优于非联邦场景，能更好的优化供应链。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。

本发明实施例还提供了一种供应链管理系统，包括：中央服务器和多个企业客户端，中央服务器和每个企业客户端均对应区块链上的一个节点；供应链管理系统根据如上述的基于区块链的供应链管理方法进行供应链管理。

以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。