本发明涉及数据处理，特别是一种基于人工智能的分布式数据匹配方法及系统。
背景技术：
1、随着信息技术的快速发展，智能制造已经成为各个行业的热门话题，在智能制造中，海量数据是不可避免的，这些数据通过网络和计算技术与传统制造业相结合，实现采购、生产过程的智能化和自动化，提高工业生产的效率和质量，其中，分布式计算匹配数据技术在智能制造中起着重要的作用，可在智能制造中实现大规模数据匹配和实时的决策支持，而现有的分布式数据匹配技术在将生产或采购过程的数据进行匹配找寻时，难以贯通智能制造的上游、中游和下游的数据信息，有时会导致匹配的数据信息并不全面，进而影响数据匹配的准确性，降低数据处理匹配效率，对智能制造的采购或生产会产生延时。
技术实现思路
1、鉴于上述现有的数据处理技术领域中存在的问题，提出了本发明。
2、因此，本发明其中的一个目的是提供一种基于人工智能的分布式数据匹配方法及系统，其利用人工智能增强学习技术，在进行数据匹配时，可贯通智能制造的上游、中游和下游的数据信息，使匹配的数据信息更全面，提高了数据匹配的准确性，提升数据处理匹配效率，避免智能制造的采购或生产产生延时。
3、为解决上述技术问题，本发明提供如下技术方案：
4、一方面，本发明提供一种基于人工智能的分布式数据匹配方法，所述方法包括：
5、构建数据集，采集所述数据集中的历史匹配数据，并将所述历史匹配数据进行划分；
6、获取所述历史匹配数据中的特征数据，并分析所述历史匹配数据中各特征数据的关联规律，同时生成数据模型；
7、于所述历史匹配数据中进行数据溯源，采集包括与匹配数据所对应的采购和/或制造流程，将所述数据溯源信息上传至所述数据集中，并对所述数据集进行更新；
8、于所述数据集中获取历史匹配次数最多的数据，并采集所述数据与采购和/或制造流程的关联特征，并对所述关联特征进行数据标注。
9、作为本发明的一种优选方案，其中：将所述历史匹配数据按照业务系统、时间节点和/或数据容量进行划分，分析所述业务系统、时间节点和/或数据容量三者间匹配数据的变化特征，并预设业务系统范围和时间节点范围，同时获取所述范围内匹配次数最多的数据，并获取与所述数据对应的上游、中游及下游生产和采购信息数据，计算出预设范围内匹配数据与所述生产和采购信息数据的变化规律，公式如下：
10、其中，qij表示于所述预设业务系统中，于某个时间节点第i次采集的第j个生产和采购信息数据；
11、式中，m表示于所述预设业务系统中，不同时间节点间的生产和采购信息数据变化量，表示预设业务系统于历史同期第t个时间节点下第g次采集的不同生产和采购信息数据，并分析历史同期t时间节点下采集的不同生产和采购信息数据的变化规律。
12、作为本发明的一种优选方案，其中：获取上游、中游及下游制造厂家间的关联生产和采购信息数据，并将所述生产和采购信息数据按照高峰期数据和低峰期数据进行划分，同时分析不同期数据间的关联变化，采用q-learning算法增强学习，形成增强后的预测模型。
13、作为本发明的一种优选方案，其中：将高峰期数据和低峰期数据分为若干个评估指标，统计上游、中游及下游制造厂家于关联业务系统内的评估指标数据，将所述评估指标数据中的非数值数据转换为数值数据，对于空值按规则填充，将数据归一化处理，计算出每个评估指标的权重，根据如下公式计算得出：
14、其中，wi表示上游、中游及下游制造厂家于历史同期t第i次获取的最大评估指标权重数据；
15、式中，k表示评估指标数据中的调整值，δi表示于预设业务系统范围内第i次采集的生产和采购信息数据差值，n表示所述数据差值于所述高峰期数据和低峰期数据的历史变化特征值；
16、作为本发明的一种优选方案，其中：采集上游、中游及下游制造厂家于预设业务系统范围内关联产品的制造用时和原材料消耗量数据，分析所述制造用时与所述原材料消耗量数据的变化规律，并将所述制造用时划分为τ1，τ2，....，τn，其中，n表示第n次制造用时，同时分析不同制造用时情况下原材料消耗量数据的变化特征，并对所述原材料消耗量数据变化特征预设安全阈值，当某次制造用时的原材料消耗量低于所述安全阈值时，则判定与该次制造用时对应的制造产品制造异常，并发出数据匹配预警，反之，则不判定。
17、作为本发明的一种优选方案，其中：获取预设业务系统范围内于产品制造异常时的历史匹配数据，并形成数据库，同时基于数据库中所述历史匹配数据预设异常特征识别技术及多维信息融合数据判别技术，并通过异常特征识别技术及多维信息数据判别技术进行人工智能辅助处理，当未来时段输入的匹配数据被异常特征识别技术和/或多维信息数据判别技术识别和/或判别与所述数据库中的历史匹配数据一致时，则判定输入的匹配数据为异常数据，反之，则不判定。
18、作为本发明的一种优选方案，其中：将所述数据库中的历史匹配数据划分为其中，n代表第n种历史匹配数据，并获取与所划分的历史匹配数据所对应的异常信息，计算出所述数据库中划分的历史匹配数据占上游、中游及下游制造厂家整体异常信息的比重，根据如下公式计算得出：
19、其中，cο表示上游、中游及下游制造厂家于第o个制造流程所出现的最多异常信息数据；
20、式中，y代表所述数据库中输入次数最多的历史匹配数据，ρ为给定特征，代表用户于未来时段输入某个匹配数据时上游、中游及下游制造厂家的采购状态特征，εt代表上游、中游及下游制造厂家于第t个时间节点时的生产状态特征，表示所述数据库中历史匹配数据的划分种类。
21、作为本发明的一种优选方案，其中：获取上游、中游及下游制造厂家出现异常匹配数据时更新制定的匹配决策策略，采集于匹配决策策略更新后的匹配数据特征，并采用深度强化学习的决策路径分析所述匹配数据特征与匹配决策策略更新的关联规律，同时生成决策模型。
22、作为本发明的一种优选方案，其中：分析所述决策模型中匹配数据的数据容量，采集与所述数据容量对应的上游、中游及下游制造厂家的采购和/或生产状态特征，并获取所述状态特征中的数据信息文本，对所获取的数据信息文本进行清洗、分词、转换以及标准化处理，将处理后的数据信息文本上传至所述决策模型中，并对所述决策模型进行更新。
23、另一方面，本发明提供一种基于人工智能的分布式数据匹配方法的系统，包括：
24、信息获取模块，用于获取上游、中游及下游制造厂家的历史匹配数据，并获取与所述历史匹配数据对应的生产和采购信息数据，采集历史匹配数据中的特征数据，同时构建数据集；
25、数据处理模块，用于对历史匹配数据中的特征数据进行关联性分析，并生成数据模型；
26、融合分析单元，所述融合分析单元包括溯源模块、状态采集模块、边缘信息获取模块和分析模块；
27、所述溯源模块用于对历史匹配数据进行数据溯源，以获取历史匹配数据时上游、中游及下游制造厂家的生产和采购信息状态；
28、所述状态采集模块用于获取上游、中游及下游制造厂家的每日生产和采购数据，并于不同时间节点分析生产和采购数据变化规律；
29、所述边缘信息获取模块用于获取上游、中游及下游制造厂家的相互影响因素；
30、所述分析模块用于分析上游、中游及下游制造厂家于受影响因素情况下匹配数据的历史更改、处理和再匹配数据；
31、数据决策模块，基于所述分析模块对匹配数据的历史更改、处理和再匹配数据，获取更改后的匹配数据特征，并采用深度强化学习的决策路径分析所述匹配数据特征与匹配决策策略更新的关联规律，同时生成决策模型。
32、本发明的有益效果：本发明利用人工智能增强学习技术，在进行数据匹配时，可贯通智能制造的上游、中游和下游的数据信息，使匹配的数据信息更全面，提高了数据匹配的准确性，提升数据处理匹配效率，避免智能制造的采购或生产产生延时。同时，于数据匹配失效时，可对上游、中游及下游制造厂家的采购和/或生产状态数据进行分析，同时分析匹配失效数据与上游、中游及下游制造厂家的采购和/或生产状态数据的关联特征，并通过深度强化学习的决策路径生成新的决策策略，以对数据进行再匹配。
1.一种基于人工智能的分布式数据匹配方法，其特征在于，所述方法包括：
2.如权利要求1所述的一种基于人工智能的分布式数据匹配方法，其特征在于，将所述历史匹配数据按照业务系统、时间节点和/或数据容量进行划分，分析所述业务系统、时间节点和/或数据容量三者间匹配数据的变化特征，并预设业务系统范围和时间节点范围，同时获取所述范围内匹配次数最多的数据，并获取与所述数据对应的上游、中游及下游生产和采购信息数据，计算出预设范围内匹配数据与所述生产和采购信息数据的变化规律，公式如下：
3.如权利要求1所述的一种基于人工智能的分布式数据匹配方法，其特征在于，获取上游、中游及下游制造厂家间的关联生产和采购信息数据，并将所述生产和采购信息数据按照高峰期数据和低峰期数据进行划分，同时分析不同期数据间的关联变化，采用q-learning算法增强学习，形成增强后的预测模型。
4.如权利要求3所述的一种基于人工智能的分布式数据匹配方法，其特征在于，将高峰期数据和低峰期数据分为若干个评估指标，统计上游、中游及下游制造厂家于关联业务系统内的评估指标数据，将所述评估指标数据中的非数值数据转换为数值数据，对于空值按规则填充，将数据归一化处理，计算出每个评估指标的权重，根据如下公式计算得出：
5.如权利要求2所述的一种基于人工智能的分布式数据匹配方法，其特征在于，采集上游、中游及下游制造厂家于预设业务系统范围内关联产品的制造用时和原材料消耗量数据，分析所述制造用时与所述原材料消耗量数据的变化规律，并将所述制造用时划分为τ1，τ2，....，τn，其中，n表示第n次制造用时，同时分析不同制造用时情况下原材料消耗量数据的变化特征，并对所述原材料消耗量数据变化特征预设安全阈值，当某次制造用时的原材料消耗量低于所述安全阈值时，则判定与该次制造用时对应的制造产品制造异常，并发出数据匹配预警，反之，则不判定。
6.如权利要求5所述的一种基于人工智能的分布式数据匹配方法，其特征在于，获取预设业务系统范围内于产品制造异常时的历史匹配数据，并形成数据库，同时基于数据库中所述历史匹配数据预设异常特征识别技术及多维信息融合数据判别技术，并通过异常特征识别技术及多维信息数据判别技术进行人工智能辅助处理，当未来时段输入的匹配数据被异常特征识别技术和/或多维信息数据判别技术识别和/或判别与所述数据库中的历史匹配数据一致时，则判定输入的匹配数据为异常数据，反之，则不判定。
7.如权利要求6所述的一种基于人工智能的分布式数据匹配方法，其特征在于，将所述数据库中的历史匹配数据划分为其中，n代表第n种历史匹配数据，并获取与所划分的历史匹配数据所对应的异常信息，计算出所述数据库中划分的历史匹配数据占上游、中游及下游制造厂家整体异常信息的比重，根据如下公式计算得出：
8.如权利要求7所述的一种基于人工智能的分布式数据匹配方法，其特征在于，获取上游、中游及下游制造厂家出现异常匹配数据时更新制定的匹配决策策略，采集于匹配决策策略更新后的匹配数据特征，并采用深度强化学习的决策路径分析所述匹配数据特征与匹配决策策略更新的关联规律，同时生成决策模型。
9.如权利要求8所述的一种基于人工智能的分布式数据匹配方法，其特征在于，分析所述决策模型中匹配数据的数据容量，采集与所述数据容量对应的上游、中游及下游制造厂家的采购和/或生产状态特征，并获取所述状态特征中的数据信息文本，对所获取的数据信息文本进行清洗、分词、转换以及标准化处理，将处理后的数据信息文本上传至所述决策模型中，并对所述决策模型进行更新。
10.应用于如权利要求1所述的一种基于人工智能的分布式数据匹配方法的系统，其特征在于，包括：
