CN117236666B - 应急物资需求分析方法及系统 - Google Patents

Abstract

本发明公开了一种应急物资需求分析方法及系统，其获取预定时间段内多个预定时间点的物资需求数据；将所述多个预定时间点的物资需求数据按照时间维度排列为物资需求时序输入向量；对所述物资需求时序输入向量进行局部时序特征提取和全局时序关联编码以得到物资需求时序编码特征；以及，基于所述物资需求时序编码特征，确定应急物资需求的预测值。这样，能够依托实时数据，综合研判并稽查物资需求，为编制应急物资的生产、储备、采购、供应计划提供依据，有助于制定科学的应急预案和合理的物资储备目标。

Description

应急物资需求分析方法及系统

技术领域

本发明涉及智能化分析技术领域，尤其涉及一种应急物资需求分析方法及系统。

背景技术

传统应急物资需求分析方案依赖于专家经验和人工主观判断，容易受到主观偏见和误差的影响。人工主观判断可能会导致需求预测的不准确性，影响应急物资的合理生产、储备、采购和供应计划的制定。并且，传统方案通常采用静态模型进行需求分析，无法充分考虑突发事件的动态变化和不确定性因素，难以应对复杂多变的应急情况。也就是说，需求情况可能会随着时间推移和事件发展而发生变化，传统方案无法及时捕捉和反应这些变化。

此外，传统方案依赖于历史数据和统计信息，缺乏及时的实时数据支持。在应急物资需求分析中，实时数据对于准确预测和决策支持至关重要。然而，传统方案往往无法及时获取实时数据，导致需求分析结果滞后或不准确。

因此，期望一种优化的应急物资需求分析方案。

发明内容

本发明实施例提供一种应急物资需求分析方法及系统，其获取预定时间段内多个预定时间点的物资需求数据；将所述多个预定时间点的物资需求数据按照时间维度排列为物资需求时序输入向量；对所述物资需求时序输入向量进行局部时序特征提取和全局时序关联编码以得到物资需求时序编码特征；以及，基于所述物资需求时序编码特征，确定应急物资需求的预测值。这样，能够依托实时数据，综合研判并稽查物资需求，为编制应急物资的生产、储备、采购、供应计划提供依据，有助于制定科学的应急预案和合理的物资储备目标。

本发明实施例还提供了一种应急物资需求分析方法，其包括：

获取预定时间段内多个预定时间点的物资需求数据；

将所述多个预定时间点的物资需求数据按照时间维度排列为物资需求时序输入向量；

对所述物资需求时序输入向量进行局部时序特征提取和全局时序关联编码以得到物资需求时序编码特征；以及

基于所述物资需求时序编码特征，确定应急物资需求的预测值。

本发明实施例还提供了一种应急物资需求分析系统，其包括：

数据获取模块，用于获取预定时间段内多个预定时间点的物资需求数据；

向量排列模块，用于将所述多个预定时间点的物资需求数据按照时间维度排列为物资需求时序输入向量；

关联编码模块，用于对所述物资需求时序输入向量进行局部时序特征提取和全局时序关联编码以得到物资需求时序编码特征；以及

预测值确定模块，用于基于所述物资需求时序编码特征，确定应急物资需求的预测值。

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，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的前提下，还可以根据这些附图获得其他的附图。在附图中：

图1为本发明实施例中提供的一种应急物资需求分析方法的流程图。

图2为本发明实施例中提供的一种应急物资需求分析方法的系统架构的示意图。

图3为本发明实施例中提供的一种应急物资需求分析方法中步骤130的子步骤的流程图。

图4为本发明实施例中提供的一种应急物资需求分析系统的框图。

图5为本发明实施例中提供的一种应急物资需求分析方法的应用场景图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。

除非另有说明，本申请实施例所使用的所有技术和科学术语与本申请的技术领域的技术人员通常理解的含义相同。本申请中所使用的术语只是为了描述具体的实施例的目的，不是旨在限制本申请的范围。

在本申请实施例记载中，需要说明的是，除非另有说明和限定，术语“连接”应做广义理解，例如，可以是电连接，也可以是两个元件内部的连通，可以是直接相连，也可以通过中间媒介间接相连，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。

需要说明的是，本申请实施例所涉及的术语“第一\第二\第三”仅仅是是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二\第三”区分的对象在适当情况下可以互换，以使这里描述的本申请的实施例可以除了在这里图示或描述的那些以外的顺序实施。

在本发明的一个实施例中，图1为本发明实施例中提供的一种应急物资需求分析方法的流程图。图2为本发明实施例中提供的一种应急物资需求分析方法的系统架构的示意图。如图1和图2所示，根据本发明实施例的应急物资需求分析方法，包括：110，获取预定时间段内多个预定时间点的物资需求数据；120，将所述多个预定时间点的物资需求数据按照时间维度排列为物资需求时序输入向量；130，对所述物资需求时序输入向量进行局部时序特征提取和全局时序关联编码以得到物资需求时序编码特征；以及，140，基于所述物资需求时序编码特征，确定应急物资需求的预测值。

在所述步骤110中，确保准确地获取预定时间段内的多个预定时间点的物资需求数据，可以通过灾区调查、相关部门报告、社会媒体等渠道获取数据，确保数据的可靠性和完整性。其中，获取准确的物资需求数据可以作为后续分析和预测的基础，为应急物资的调度和分配提供可靠的依据。

在所述步骤120中，按照时间维度排列物资需求数据，确保数据的顺序正确，并将其组织成适合分析和处理的时序输入向量，可以使用时间戳或时间间隔来标记每个时间点的数据。这样，将物资需求数据按照时间维度排列为时序输入向量，可以捕捉到需求的时间序列特征，为后续的时序分析和预测提供基础。

在所述步骤130中，使用合适的时序分析方法，对物资需求时序输入向量进行局部时序特征提取，例如使用滑动窗口、时间序列分解等方法提取局部特征。同时，可以考虑使用编码器-解码器模型、循环神经网络（RNN）、长短时记忆网络（LSTM）等方法进行全局时序关联编码，以得到物资需求的时序编码特征。这样，通过提取局部时序特征和全局时序关联编码，可以捕捉到物资需求的时序模式和关联性，提高对需求的理解和预测能力。

在所述步骤140中，利用物资需求的时序编码特征，可以使用适当的预测模型（如时间序列预测模型、机器学习模型等）进行需求的预测，选择合适的预测方法和模型，并进行模型训练和验证，确保预测结果的准确性和可靠性。基于物资需求的时序编码特征进行预测，可以提供对未来时间段内应急物资需求的预测值，为应急物资调度的决策提供参考，优化物资的调度和分配。

针对上述技术问题，本申请的技术构思为通过获取多个时间点的物资需求数据，并在后端引入数据处理和分析算法来对于应急物资需求数据进行时序分析，以评估不同时间段中关于应急物资需求的动态趋势，为应急物资的需求预测和决策提供支持，通过这样的方式，能够依托实时数据，综合研判并稽查物资需求，为编制应急物资的生产、储备、采购、供应计划提供依据，有助于制定科学的应急预案和合理的物资储备目标。

具体地，在本申请的技术方案中，首先，获取预定时间段内多个预定时间点的物资需求数据。物资需求数据是进行需求预测的基础数据，通过获取预定时间段内多个预定时间点的物资需求数据，可以建立一个数据集，包含不同时间点的需求量信息，这些数据可以用于训练和构建预测模型。物资需求数据的时序性可以揭示出需求的趋势和变化，通过分析历史物资需求数据，可以发现一些规律和趋势，如季节性波动、周期性变化等，这些趋势性信息可以帮助预测未来的物资需求，以便更好地调度和分配应急物资。物资需求数据可以用于训练需求预测模型，通过将历史的物资需求数据作为输入，结合相应的时间特征，可以训练出能够对未来需求进行预测的模型，这些模型可以基于统计方法、机器学习算法或深度学习模型等进行构建，以实现更准确的需求预测。通过预测应急物资的需求，可以更好地规划和优化物资的调度和分配，准确的需求预测可以帮助决策者合理安排物资的采购、储备和供应计划。

获取预定时间段内多个预定时间点的物资需求数据是预测应急物资需求的重要基础，提供了历史趋势、训练数据和决策支持，有助于提高需求预测的准确性和科学性。

接着，考虑到由于在不同阶段所需要的应急物资具有不同的需求，因此，所述物资需求数据在时间维度上是不断变化的，其具有着时序的动态特征。基于此，为了能够对于所述物资需求数据时序动态变化趋势特征进行有效捕捉刻画，以此来进行应急物资的需求值预测，在本申请的技术方案中，需要将所述多个预定时间点的物资需求数据按照时间维度排列为物资需求时序输入向量，以此来整合所述物资需求数据的时序分布信息。

图3为本发明实施例中提供的一种应急物资需求分析方法中步骤130的子步骤的流程图。如图3所示，对所述物资需求时序输入向量进行局部时序特征提取和全局时序关联编码以得到物资需求时序编码特征，包括：131，将所述物资需求时序输入向量通过上采样模块以得到上采样物资需求时序输入向量；132，对所述上采样物资需求时序输入向量进行向量切分以得到上采样物资需求局部时序输入向量的序列；以及，133，通过物资需求时序模式特征提取器对所述上采样物资需求局部时序输入向量的序列进行时序特征提取以得到物资需求时序编码特征向量作为所述物资需求时序编码特征。

其中，所述物资需求时序模式特征提取器为包含一维卷积层和LSTM模型的物资需求时序模式特征提取器。

首先，将所述物资需求时序输入向量通过上采样模块以得到上采样物资需求时序输入向量。其中，上采样是指将原始的物资需求时序输入向量进行插值或扩展，使其具有更高的时间分辨率或更多的时间点。通过上采样，可以细化物资需求的时间维度，提高对需求变化的捕捉能力，进一步优化后续的时序特征提取和需求预测。

然后，对所述上采样物资需求时序输入向量进行向量切分以得到上采样物资需求局部时序输入向量的序列。其中，将上采样后的物资需求时序输入向量进行向量切分，可以得到具有连续时间片段的局部时序输入向量序列，这样做有助于提取局部时序特征，捕捉需求变化的细节和趋势，使后续的时序特征提取和需求预测更加准确和可靠。

最后，通过物资需求时序模式特征提取器对所述上采样物资需求局部时序输入向量的序列进行时序特征提取以得到物资需求时序编码特征向量作为所述物资需求时序编码特征。其中，物资需求时序模式特征提取器是用于从上采样物资需求局部时序输入向量序列中提取有代表性的时序特征的模块，通过对序列进行特征提取，可以捕捉到需求的时序模式、周期性、趋势等重要特征。提取的时序特征可以用于构建物资需求的时序编码特征向量，进一步提升预测模型的性能和准确性。

通过上采样、向量切分和时序特征提取等步骤，可以将原始的物资需求时序输入向量转化为具有更高时间分辨率和更丰富特征表示的物资需求时序编码特征，这样，可以提升对需求变化的捕捉能力、提高预测模型的准确性和可靠性，从而为应急物资需求的预测和决策提供更好的支持。

然后，为了能够提高所述物资需求数据在预定时间段内的不同阶段的时序细微变化特征的捕捉能力，在本申请的技术方案中，进一步将所述物资需求时序输入向量通过上采样模块以得到上采样物资需求时序输入向量，以增加数据的密度和平滑度，从而便于后续更好地表示物资需求数据的时序变化特征。应可以理解，通过线性插值的上采样，可以将原始的所述物资需求时序输入向量中的数据点进行插值，生成更多的数据点。这样，有助于增加时间维度上的分辨率，使得物资需求数据在不同阶段的时序变化更加细致可见。同时，线性插值可以在采样点之间进行平滑插值，减少噪声和突变的影响，提高数据的连续性和稳定性。也就是说，上采样后的所述上采样物资需求时序输入向量可以提供更详细和准确的网络流量变化信息，为后续的物资需求数据时序变化趋势捕捉和物资需求预测提供更丰富的数据。

继而，在对于所述物资需求数据的时序变化特征进行提取时，为了能够更好地捕捉到所述物资需求数据在时间维度上的时序变化特征信息，进一步需要对所述上采样物资需求时序输入向量进行向量切分以得到上采样物资需求局部时序输入向量的序列，以便于后续更好地提取出不同时间段内的物资需求数据局部时序细节变化特征信息。

进一步地，为了能够捕捉到所述物资需求数据在整个预定时间段内的变化趋势和特征，以更准确地进行应急物资需求的预测，在本申请的技术方案中，进一步将所述上采样物资需求局部时序输入向量的序列通过包含一维卷积层和LSTM模型的物资需求时序模式特征提取器以得到物资需求时序编码特征向量。具体地，通过所述一维卷积层对所述上采样物资需求局部时序输入向量的序列进行特征提取，能够提取出所述物资需求数据在时间维度上的各个局部时间段内的局部时序细节变化特征信息，即所述物资需求数据在突发事件后的不同阶段中的局部时序变化特，从而得到物资需求局部时序特征向量的序列。接着，通过所述LSTM模型再对所述物资需求局部时序特征向量的序列进行关联编码，能够提取出所述物资需求数据在各个时间段内的局部时序特征之间的上下文时序关联特征信息，以得到所述物资需求时序编码特征向量。

在本申请的一个实施例中，基于所述物资需求时序编码特征，确定应急物资需求的预测值，包括：将所述物资需求时序编码特征向量通过解码器进行解码回归以得到解码值，所述解码值用于表示应急物资需求的预测值。

进而，将所述物资需求时序编码特征向量通过解码器进行解码回归以得到解码值，所述解码值用于表示应急物资需求的预测值。也就是说，利用所述物资需求的全时序特征来进行解码回归，以基于应急物资需求在不同阶段的动态关联变化趋势来为应急物资的需求预测和决策提供支持，通过这样的方式，能够依托实时数据，综合研判并稽查物资需求，为编制应急物资的生产、储备、采购、供应计划提供依据。

解码器将物资需求时序编码特征向量转换回原始的需求数值，即解码值，这个解码值可以用于表示应急物资的预测需求。通过解码器的回归过程，可以将抽象的编码特征转化为实际的需求数值，提供了对应急物资需求的具体预测。通过解码器进行解码回归，可以将物资需求时序编码特征向量还原为原始需求数值，从而提供准确的需求预测。解码器的设计和训练目标是最小化解码值与实际需求之间的差距，使得解码值能够尽可能地接近真实需求，提高预测的准确性。解码值作为应急物资需求的预测值，可以为决策者提供重要的参考信息，基于解码值，决策者可以制定合理的物资采购、储备和供应计划，解码值还可以用于优化物资的调度和分配。

通过将物资需求时序编码特征向量输入解码器，可以实现端到端的需求预测过程，从原始的物资需求数据到编码特征向量再到解码值，整个过程是无缝连接的，这种端到端的预测方法可以减少信息丢失和误差传播，提高预测的一致性和可靠性。其中，将所述优化训练物资需求时序编码特征向量通过所述解码器以得到解码损失函数值，包括：使用所述解码器以如下解码公式对所述优化训练物资需求时序编码特征向量进行解码回归以得到所述解码损失函数值；其中，所述解码公式为：，其中，/>表示所述优化训练物资需求时序编码特征向量，/>表示所述解码损失函数值，/>表示权重矩阵，/>表示偏置向量，/>表示矩阵乘。

在本申请的一个实施例中，所述应急物资需求分析方法，还包括训练步骤：用于对所述包含一维卷积层和LSTM模型的物资需求时序模式特征提取器和所述解码器进行训练。所述训练步骤，包括：获取训练数据，所述训练数据包括预定时间段内多个预定时间点的训练物资需求数据，以及，所述应急物资需求的预测值的真实值；将所述多个预定时间点的训练物资需求数据按照时间维度排列为训练物资需求时序输入向量；将所述训练物资需求时序输入向量通过上采样模块以得到训练上采样物资需求时序输入向量；对所述训练上采样物资需求时序输入向量进行向量切分以得到训练上采样物资需求局部时序输入向量的序列；将所述训练上采样物资需求局部时序输入向量的序列通过所述包含一维卷积层和LSTM模型的物资需求时序模式特征提取器以得到训练物资需求时序编码特征向量；对所述训练物资需求时序编码特征向量的各个特征值进行优化以得到优化训练物资需求时序编码特征向量；将所述优化训练物资需求时序编码特征向量通过所述解码器以得到解码损失函数值；以及，基于所述解码损失函数值并通过梯度下降的反向传播来对所述包含一维卷积层和LSTM模型的物资需求时序模式特征提取器和所述解码器进行训练。

特别地，在本申请的技术方案中，在本申请的技术方案中，将所述训练上采样物资需求局部时序输入向量的序列通过包含一维卷积层和LSTM模型的物资需求时序模式特征提取器时，首先对各个训练上采样物资需求局部时序输入向量进行局部时域内的物资需求数据的局部时序关联特征的提取，再提取全局时域内各个局部时域间的近程-远程双向上下文关联特征，由此，将所述训练物资需求时序编码特征向量通过解码器进行解码回归时，也是基于所述训练物资需求时序编码特征向量的以局部时域为单位的特征分布来进行局部分布启发式的回归概率映射，但是考虑到各个局部时域下的特征分布也具有的局部时域内的局部时域间的混合时序关联特征分布表示，会导致所述训练物资需求时序编码特征向量的整体特征分布的混合时序关联特征分布的分布稀疏化，从而导致将所述训练物资需求时序编码特征向量通过解码器进行解码概率回归映射时，所述训练物资需求时序编码特征向量的各个特征值的回归概率的概率密度分布的收敛性差，影响通过解码器得到的解码结果的准确性。

因此，优选地，对所述训练物资需求时序编码特征向量的各个特征值进行优化，具体表示为：以如下优化公式对所述训练物资需求时序编码特征向量的各个特征值进行优化以得到所述优化训练物资需求时序编码特征向量；其中，所述优化公式为：

，

其中，是所述物资需求时序编码特征向量，/>和/>是所述物资需求时序编码特征向量的第/>和第/>个特征值，且/>是所述物资需求时序编码特征向量的全局特征均值，/>是所述优化训练物资需求时序编码特征向量的第/>个特征值。

具体地，针对所述训练物资需求时序编码特征向量在高维特征空间内的稀疏分布导致的概率空间内概率密度分布的局部概率密度不匹配，通过正则化全局自洽类编码，来模仿所述训练物资需求时序编码特征向量的高维特征在概率空间内的编码行为的全局自洽关系，以调整在高维开放空间域内的特征流形的误差景观，实现所述训练物资需求时序编码特征向量的高维特征对显式概率空间嵌入的自洽匹配式类编码，从而提升所述训练物资需求时序编码特征向量的回归概率的概率密度分布的收敛性，改进其通过解码器得到的解码结果的准确性。这样，能够基于应急物资需求在不同阶段的动态关联变化趋势来进行应急物资需求的预测，从而为编制应急物资的生产、储备、采购、供应计划提供依据，有助于制定科学的应急预案和合理的物资储备目标。

综上，基于本发明实施例的应急物资需求分析方法被阐明，其通过获取多个时间点的物资需求数据，并在后端引入数据处理和分析算法来对于应急物资需求数据进行时序分析，以评估不同时间段中关于应急物资需求的动态趋势，为应急物资的需求预测和决策提供支持，通过这样的方式，能够依托实时数据，综合研判并稽查物资需求，为编制应急物资的生产、储备、采购、供应计划提供依据，有助于制定科学的应急预案和合理的物资储备目标。

图4为本发明实施例中提供的一种应急物资需求分析系统的框图。如图4所示，所述应急物资需求分析系统，包括：数据获取模块210，用于获取预定时间段内多个预定时间点的物资需求数据；向量排列模块220，用于将所述多个预定时间点的物资需求数据按照时间维度排列为物资需求时序输入向量；关联编码模块230，用于对所述物资需求时序输入向量进行局部时序特征提取和全局时序关联编码以得到物资需求时序编码特征；以及，预测值确定模块240，用于基于所述物资需求时序编码特征，确定应急物资需求的预测值。

在所述应急物资需求分析系统中，所述关联编码模块，包括：上采样单元，用于将所述物资需求时序输入向量通过上采样模块以得到上采样物资需求时序输入向量；向量切分单元，用于对所述上采样物资需求时序输入向量进行向量切分以得到上采样物资需求局部时序输入向量的序列；以及，时序特征提取单元，用于通过物资需求时序模式特征提取器对所述上采样物资需求局部时序输入向量的序列进行时序特征提取以得到物资需求时序编码特征向量作为所述物资需求时序编码特征。

本领域技术人员可以理解，上述应急物资需求分析系统中的各个步骤的具体操作已经在上面参考图1到图3的应急物资需求分析方法的描述中得到了详细介绍，并因此，将省略其重复描述。

如上所述，根据本发明实施例的应急物资需求分析系统200可以实现在各种终端设备中，例如用于应急物资需求分析的服务器等。在一个示例中，根据本发明实施例的应急物资需求分析系统200可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该充电桩的充电管理系统200可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该应急物资需求分析系统200同样可以是该终端设备的众多硬件模块之一。

替换地，在另一示例中，该应急物资需求分析系统200与该终端设备也可以是分立的设备，并且该应急物资需求分析系统200可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。

图5为本发明实施例中提供的一种应急物资需求分析方法的应用场景图。如图5所示，在该应用场景中，首先，获取预定时间段内多个预定时间点的物资需求数据（例如，如图5中所示意的C）；然后，将获取的物资需求数据输入至部署有应急物资需求分析算法的服务器（例如，如图5中所示意的S）中，其中所述服务器能够基于应急物资需求分析算法对所述物资需求数据进行处理，以确定应急物资需求的预测值。

以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (3)

1.一种应急物资需求分析方法，其特征在于，包括：

获取预定时间段内多个预定时间点的物资需求数据；

将所述多个预定时间点的物资需求数据按照时间维度排列为物资需求时序输入向量；

对所述物资需求时序输入向量进行局部时序特征提取和全局时序关联编码以得到物资需求时序编码特征；以及基于所述物资需求时序编码特征，确定应急物资需求的预测值；

其中，对所述物资需求时序输入向量进行局部时序特征提取和全局时序关联编码以得到物资需求时序编码特征，包括：

将所述物资需求时序输入向量通过上采样模块以得到上采样物资需求时序输入向量；

对所述上采样物资需求时序输入向量进行向量切分以得到上采样物资需求局部时序输入向量的序列；以及通过物资需求时序模式特征提取器对所述上采样物资需求局部时序输入向量的序列进行时序特征提取以得到物资需求时序编码特征向量作为所述物资需求时序编码特征；

其中，所述物资需求时序模式特征提取器为包含一维卷积层和LSTM模型的物资需求时序模式特征提取器；

其中，基于所述物资需求时序编码特征，确定应急物资需求的预测值，包括：将所述物资需求时序编码特征向量通过解码器进行解码回归以得到解码值，所述解码值用于表示应急物资需求的预测值；

其中，还包括训练步骤：用于对包含一维卷积层和LSTM模型的物资需求时序模式特征提取器和解码器进行训练；

其中，所述训练步骤，包括：

获取训练数据，所述训练数据包括预定时间段内多个预定时间点的训练物资需求数据，以及，所述应急物资需求的预测值的真实值；

将所述多个预定时间点的训练物资需求数据按照时间维度排列为训练物资需求时序输入向量；

将所述训练物资需求时序输入向量通过上采样模块以得到训练上采样物资需求时序输入向量；

对所述训练上采样物资需求时序输入向量进行向量切分以得到训练上采样物资需求局部时序输入向量的序列；

将所述训练上采样物资需求局部时序输入向量的序列通过所述包含一维卷积层和LSTM模型的物资需求时序模式特征提取器以得到训练物资需求时序编码特征向量；

对所述训练物资需求时序编码特征向量的各个特征值进行优化以得到优化训练物资需求时序编码特征向量；

将所述优化训练物资需求时序编码特征向量通过所述解码器以得到解码损失函数值；以及

基于所述解码损失函数值并通过梯度下降的反向传播来对所述包含一维卷积层和LSTM模型的物资需求时序模式特征提取器和所述解码器进行训练；

其中，对所述训练物资需求时序编码特征向量的各个特征值进行优化以得到优化训练物资需求时序编码特征向量，包括：

以如下优化公式对所述训练物资需求时序编码特征向量的各个特征值进行优化以得到所述优化训练物资需求时序编码特征向量；

其中，所述优化公式为：

，

其中，是所述物资需求时序编码特征向量，/>和/>是所述物资需求时序编码特征向量的第/>和第/>个特征值，且/>是所述物资需求时序编码特征向量的全局特征均值，/>是所述优化训练物资需求时序编码特征向量的第/>个特征值。

2.根据权利要求1所述的应急物资需求分析方法，其特征在于，将所述优化训练物资需求时序编码特征向量通过所述解码器以得到解码损失函数值，包括：使用所述解码器以如下解码公式对所述优化训练物资需求时序编码特征向量进行解码回归以得到所述解码损失函数值；

其中，所述解码公式为：，其中，/>表示所述优化训练物资需求时序编码特征向量，/>表示所述解码损失函数值，/>表示权重矩阵，/>表示偏置向量，/>表示矩阵乘。

3.一种应急物资需求分析系统，其特征在于，包括：

数据获取模块，用于获取预定时间段内多个预定时间点的物资需求数据；

向量排列模块，用于将所述多个预定时间点的物资需求数据按照时间维度排列为物资需求时序输入向量；

关联编码模块，用于对所述物资需求时序输入向量进行局部时序特征提取和全局时序关联编码以得到物资需求时序编码特征；以及预测值确定模块，用于基于所述物资需求时序编码特征，确定应急物资需求的预测值；

其中，所述关联编码模块，包括：

上采样单元，用于将所述物资需求时序输入向量通过上采样模块以得到上采样物资需求时序输入向量；

向量切分单元，用于对所述上采样物资需求时序输入向量进行向量切分以得到上采样物资需求局部时序输入向量的序列；以及时序特征提取单元，用于通过物资需求时序模式特征提取器对所述上采样物资需求局部时序输入向量的序列进行时序特征提取以得到物资需求时序编码特征向量作为所述物资需求时序编码特征；

其中，所述物资需求时序模式特征提取器为包含一维卷积层和LSTM模型的物资需求时序模式特征提取器；

其中，所述预测值确定模块，包括：将所述物资需求时序编码特征向量通过解码器进行解码回归以得到解码值，所述解码值用于表示应急物资需求的预测值；

其中，还包括：对包含一维卷积层和LSTM模型的物资需求时序模式特征提取器和解码器进行训练；

其中，对包含一维卷积层和LSTM模型的物资需求时序模式特征提取器和解码器进行训练，包括：

获取训练数据，所述训练数据包括预定时间段内多个预定时间点的训练物资需求数据，以及，所述应急物资需求的预测值的真实值；

将所述多个预定时间点的训练物资需求数据按照时间维度排列为训练物资需求时序输入向量；

将所述训练物资需求时序输入向量通过上采样模块以得到训练上采样物资需求时序输入向量；

对所述训练上采样物资需求时序输入向量进行向量切分以得到训练上采样物资需求局部时序输入向量的序列；

将所述训练上采样物资需求局部时序输入向量的序列通过所述包含一维卷积层和LSTM模型的物资需求时序模式特征提取器以得到训练物资需求时序编码特征向量；

对所述训练物资需求时序编码特征向量的各个特征值进行优化以得到优化训练物资需求时序编码特征向量；

将所述优化训练物资需求时序编码特征向量通过所述解码器以得到解码损失函数值；以及

基于所述解码损失函数值并通过梯度下降的反向传播来对所述包含一维卷积层和LSTM模型的物资需求时序模式特征提取器和所述解码器进行训练；

其中，对所述训练物资需求时序编码特征向量的各个特征值进行优化以得到优化训练物资需求时序编码特征向量，包括：

以如下优化公式对所述训练物资需求时序编码特征向量的各个特征值进行优化以得到所述优化训练物资需求时序编码特征向量；

其中，所述优化公式为：

，

其中，是所述物资需求时序编码特征向量，/>和/>是所述物资需求时序编码特征向量的第/>和第/>个特征值，且/>是所述物资需求时序编码特征向量的全局特征均值，/>是所述优化训练物资需求时序编码特征向量的第/>个特征值。