(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111564052.8 (22)申请日 2021.12.20 (71)申请人 湖南大学 地址 410082 湖南省长 沙市岳麓区麓山 南 路2号 (72)发明人 赵欢　李俐璇　杨科华　张曼　 (74)专利代理 机构 长沙永星专利商标事务所 (普通合伙) 43001 代理人 周咏　米中业 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 10/06(2012.01) G06Q 10/08(2012.01) G06Q 50/04(2012.01) G06N 20/00(2019.01)G06N 3/04(2006.01) G06N 3/08(2006.01) G06K 9/62(2022.01) G06F 21/60(2013.01) (54)发明名称 一种基于联邦学习的生产链 协同调度方法 (57)摘要 本发明公开了一种基于联邦学习的生产链 协同调度方法， 包括参与生产链的供应方和需求 方对本地数据进行预处理， 并设置训练集和验证 集， 并进行数据增强； 供应方和需求方通过样本 对齐获得中间样本； 通过长短期记忆网络对供应 方和需求方分别建立本地数据模 型， 并通过增强 数据集进行训练； 将供应方、 需求方和第三方服 务器进行同态加密交互； 第三方服务器收集修正 后的加权计算数据并整合后将差值发送到供应 方或需求方； 构建供应方和需求方的图结构， 并 输出生产链序列， 进行协 同调度。 本发明在加密 的情况下进行， 极大地保护了参与双方的数据安 全。 本方法通过双方共同的评估结果， 协同地选 择出最优供应链， 实现随产随供， 降低了运营成 本， 提高了利 润。 权利要求书5页 说明书13页 附图4页 CN 114219160 A 2022.03.22 CN 114219160 A 1.一种基于联邦学习的生产链 协同调度方法， 其特 征在于包括如下步骤： S1.参与生产链的供应方和需求方对本地数据进行预处理， 并设置训练集和验证集， 并 进行数据增强， 获取增强数据集； S2.供应方和需求方通过样本对齐获得中间样本； S3.采用增强数据集， 通过长短期记忆网络对供应方和需求方分别建立本地数据模型， 并通过增强数据集进行训练； S4.将供应方、 需求方和第三方服 务器进行同态加密， 并进行交 互； S5.对若干供应方或需求方的数据贡献度进行加权计算和偏差修 正； S6.第三方服务器收集修正后的计算结果并整合后将当前最终的供应量和最终的需求 量的差值发送到供应方或需求方； S7.构建供应方和需求方的图结构， 并输出生产链序列， 采用输出的生产链进行协同调 度。 2.根据权利要求1所述的基于联邦学习的生产链协同调度方法， 其特征在于所述的步 骤S1， 包括如下步骤： A1.参与方包括供应方和需求方， 参与方各自获取历史供应量数据或历史需求量数据， 并获取坐标 数据， 将时间点进行分组并进行 数值化； A2.设置时间步； A3.对数据进行 预处理， 设置窗口长度； A4.按照设置的窗口长度将本地数据分为训练集和验证集； A5.将验证集分类， 并采用o nt‑hot编码标签； A6.评估参与方的历史供应量数据或历史需求量数据的数据量大小， 利用本地数据增 强， 对数据量小于平均数据量的参与方的数据进行扩展。 3.根据权利要求2所述的基于联邦学习的生产链协同调度方法， 其特征在于所述的步 骤S2， 包括如下步骤： B1.使用RSA算法进行样本对齐， 设供应方的样本集合为{ hs1,hs2,...,hsv}， 需求方的样 本集合为{hm1,hm2,...,hmw}； 其中， hsv表示供应方的第v个样本； hmv表示需求方的第w个样 本； B2.供应方生产RSA 获取RSA加密的公钥和秘钥， 随机选择两个大的质数求积， 根据欧拉 函数， 求得关于两质数的值命名为r； 选择一个小于r并与r互质的整 数， 定义为e； 并求得e关 于r的模反元素， 表 示为d； 秘钥(d,n)保留在供应方， 公钥(e,n)下发到需求方端； n表 示样本 数； B3.供应方生成一个全域哈希散列； B4.需求方生成一个小于n且与n互质的随机数， n表示样本数； B5.供应方计算样本对齐ID的最终签名； B6.需求方针对要对齐的ID进行公钥加密处理， 并采用步骤B4生成的随机数进行扰动， 将加了随机数扰动的乘积传递给 供应方； B7.供应方接收到需求方传递的数据后， 按照私钥对最终签名进行解密； B8.供应方将初步计算到的签名传送给需求方， 并采用欧拉定理进行解密， 需求方计算 后将初步计算后的签名发送到供应方进行样本对齐。权　利　要　求　书 1/5 页 2 CN 114219160 A 24.根据权利要求3所述的基于联邦学习的生产链协同调度方法， 其特征在于所述的步 骤S3， 包括如下步骤： C1.采用keras深度学习框架， 在隐藏单元中， 给定当前时间步的小批量输入和上一时 间步的隐藏状态； C2.计算输入门、 遗 忘门和输出门； C3.使用tanh函数作为激活函数， 计算在当前时间步的候选记 忆细胞； C4.计算当前时间步的记忆细胞， 包括组合上一时间步的记忆细胞和当前时间步的候 选记忆细胞的信息， 并通过遗 忘门和输入门控制信息的流动； C5.通过输出门控制记忆细胞到当前时间步的隐藏状态的信息流动： 当输出的当前时 间步的隐藏状态为 1时， 记忆细胞信息将传递到隐藏状态供输出层 使用； 当输出的当前时间 步的隐藏状态为0时， 记 忆细胞信息不进行传递， 进行保留； C6.输出训练结果， 并计算初始损失函数； 重复训练直到收敛， 获得训练后的本地梯度 参数。 5.根据权利要求4所述的基于联邦学习的生产链协同调度方法， 其特征在于所述的步 骤C1， 包括采用keras深度学习框架， 在h个隐藏单元中， 给定当前时间步t的小批量输入Xt ∈Rn*d和上一时间步t ‑1的隐藏状态Ht‑1∈Rn*h， 其中， n为样本数； d为输入个数； 所述的步骤C2， 包括计算输入门It、 遗忘门Ft和输出门Ot： It＝σ(XtWxi+Ht‑1Whi+bi) Ft＝σ(XtWxf+Ht‑1Whf+bf) Ot＝σ(XtWxo+Ht‑1Who+bo) 其中， σ(·)表示sigmod激活函数； Xt表示当前时间步t的小批量输入； Wxi表示输入门的 当前时间步t的小批 量输入的权重； Ht‑1表示上一时间步t ‑1的隐藏状态； Whi表示输入门 的上 一时间步t ‑1隐藏状态的权重； bi表示输入门的偏置项； Wxf表示遗忘门的时刻t的小批量输 入的权重； Whf表示遗忘门的上一时间步t ‑1隐藏状态的权重； bf表示遗忘门的偏置项； Wxo表 示输出门 的当前时间步t的小 批量输入的权重； Who表示输出门的上一时间步t ‑1的隐藏状态 的权重； bo表示输出门的偏置项； 所述的步骤C3， 包括使用值域在[ ‑1,1]的tanh函数作为激活函数， 计算在当前 时间步t 的候选记 忆细胞 其中， tanh( ·)为值域在[ ‑1,1]的tanh函数； Xt表示当前时间步t的小批量输入； Wxc表 示候选记忆细胞的当前时间步t的小批量输入的权重； Ht‑1表示上一时间步t ‑1的隐藏状态； Whc表示上一时间步t ‑1的隐藏状态的权 重； bc表示候选记忆细胞的偏置项； 所述的步骤C4， 包括计算当前时间步t的记 忆细胞Ct： 其中， Ft表示遗忘门； Ct‑1表示上一时间步t ‑1的记忆细胞； It表示输入 门； 当前时间 步t的候选记 忆细胞； 所述的步骤C5， 包括通过输出门控制记忆细胞到当前时间步t的隐藏状态Ht的信息流 动：权　利　要　求　书 2/5 页 3 CN 114219160 A 3