时间和空间供应链风险分析

背景技术

供应链管理是涉及从供应到制造到销售来组织组件的稳健行业。例如，传统的供应链管理软件解决方案可以辅助用户将组件组织成从一个或多个供应品到一个或多个制造、组装和/或准备设施的多个单独的后勤路线，并且在其中组织这些组件的成品版本的后勤路线以运输到这些组件/产品可以被销售和/或递送以供使用的一个或多个目的地。换句话说，传统的供应链管理软件解决方案可以帮助用户组织组件如何从各种来源来，并且在其中组织随后完成的后续产品如何被运走。例如，用户可以在传统的供应链管理解决方案内存储用于供应商的许多选项、用于制造厂的许多选项和/或用于运输的许多选项，以更好地比较最终产品的不同价格和/或质量，这取决于供应链是如何构造的。

发明内容

本公开的各方面涉及与时间和空间供应链风险分析有关的方法、系统和计算机程序产品。例如，一种方法包括接收供应链的数据。该数据包括多个组件，每个组件在多个时间点移动通过多个位置。该方法还包括识别与多个位置中的至少一些位置相关的多个风险。该方法还包括通过模拟跨空间和时间散布的风险，计算多个风险中的每一个风险在多个时间点中的任何时间点、在多个位置中的任何位置处影响多个组件中的任何组件的可能性。该方法还包括识别多个风险中的风险具有超过在多个时间点中的未来时间点、在多个位置中的相应位置处影响多个组件中的至少一个组件的阈值可能性的可能性。该方法还包括向用户提供供应链的改变，该改变将风险在相应时间点、在相应位置处影响至少一个组件的可能性降低到阈值可能性以下。还公开了一种被配置为执行上述方法的系统和计算机产品。

上述发明内容并非旨在描述本公开的每个所示实施例或每种实施方式。

附图说明

本申请中包括的附图被并入说明书中并形成说明书的一部分。它们示出了本公开的实施例，并且与说明书一起用于解释本公开的原理。附图仅说明某些实施例，而不限制本公开。

图1描绘了计算环境的一个实施例的概念图，其中控制器识别供应链的潜在风险并且模拟这些风险可以如何随时间和空间的改变来影响供应链。

图2描绘了供应链和可以由图1的控制器评估的在模拟一个或多个风险可以如何影响供应链时关于该一个或多个风险的用于供应链的其他选项的概念图。

图3描绘了图1的控制器的一个实施例的概念框图。

图4描绘了控制器通过模拟关于供应链的风险如何随时间和空间的改变来评估供应链的风险的示例方法的一个实施例的流程图。

虽然本发明可以有各种修改和替换形式，但是其细节已经在附图中通过示例的方式示出并且将被详细描述。然而，应当理解，其目的不是将本发明限制于所描述的特定实施例。相反，本发明覆盖落入本发明范围内的所有修改、等效和替换。

具体实施方式

本公开的各方面涉及管理供应链，比起如何随着时间和空间的变化管理(例如，收集/运输/组装/递送)供应链的组件，本公开的更具体的方面涉及模拟随着时间和空间的变化的各种风险的相互关系。虽然本公开不一定限于此类应用，但是通过使用此上下文的各种示例的讨论可以理解本公开的各方面。

许多现代产品需要复杂的供应链来完全实现这些产品。例如，诸如手机的现代产品可以包括原材料提取的初始供应链分支、组件制造的第二供应链分支、组装的第三供应链分支和/或产品递送的第四供应链分支。传统的供应链管理解决方案可以被配置成辅助用户构造这些供应链。例如，传统的供应链管理解决方案可以提供用户可以组织和可视化供应链的方式。单个供应链可以包括跨许多大陆(continent)的使用数百台运载工具被运载到数十个位置以用于多步骤生产的组件和组装件。此外，在供应链中的一个点处的未预料到的延迟可能影响整个供应链。例如，如果按照合同，供应链需要从一组矿开采的稀土元素来组装组件，该组件然后被组装成最终产品，而自然灾害破坏了该组矿的生产，则整个供应链可能由于该单个组件的单个故障而被损坏至停止。

因此，传统的供应链管理系统和方法被建立以快速地使用户能够响应于检测到的当前事件而改变供应链，使得不可避免的停机时间量可以被最小化。然而，当检测到事件时，可能太晚而不能避免减速。因而，一些人类用户可以优先地监视事件以确定何时可能发生将影响供应链的风险，使得供应链应当被改变。

然而，对于人类思想来说可能难以理解事件在时间和空间上散布时如何相互关联，使得对于用户来说可能难以和/或不可能准确地预测何时风险具有影响供应链的高可能性并且还难以和/或不可能确定具有最小中断同时仍保持在风险阈值以下的路线。换句话说，对于人类来说，可能难以或不可能在精神上理解具有在时间和空间上散布的相互关联的数百个事件的供应链如何被本身也在时间和空间上移出的风险影响，更不用说确定用于减轻该风险的数百个替代选项中的哪个选项在供应链当前在空间和时间上如何操作的结构的其余部分内最佳地发挥作用。此外，如果用户过分规避风险并且决定改变供应链，但该风险不可能实现和/或不可能影响供应链，则用户可能冒着经由该改变将低效率引入系统的风险。例如，即使用户正确地识别出风险事件将发生在与供应链相关的位置，用户也可能无法确定风险将在供应链不使用该位置的时间点存在于该位置，从而针对每个该风险修改供应链将不必要地中断供应链。类似地，即使用户正确地识别出风险事件将在与供应链相关的位置处、在供应链的组件移动通过该位置时发生，用户也可能将供应链的该步骤移动到不同的大陆，却无法识别出同一大陆上的相邻位置能够以可接受的低影响率使该组件移动通过，从而引入额外的低效率。

本公开的各方面可以提高以下能力：准确地预测何时改变、增长和/或移动通过空间和时间的风险在供应链的一个或多个特定时间点具有足够高的影响组件的可能性，并且其中确定低于风险阈值的一个或多个选项同时最小化改变量和/或低效率(例如，原始供应链与改变的供应链之间的低效率，其中低效率涉及供应链成功结束所花费的额外时间和/或金钱)。例如，本公开的各方面可以识别潜在风险，然后通过跨时间和空间模拟这些风险来计算这些风险影响供应链的可能性，以识别出风险传播与所模拟的供应链之间的在时间和空间上的交集。

一个或多个计算控制器(这些计算控制器在本文中一般地讨论为单个计算控制器)可以跨时间和空间模拟这些风险，以确定是否有任何风险将与供应链在预期时间点在预期位置处的预期组件重叠，该一个或多个计算控制器包括执行存储在一个或多个计算存储器上的指令的一个或多个处理器。如果控制器确定这种重叠的风险大于阈值，使得该风险具有大于阈值的影响供应链的可能性(例如，其中影响供应链意味着导致组件未能在预定时间点在预定时间窗口内成功地穿越预定位置)，则控制器可以警告用户。在一些示例中，控制器还可以识别出将以最小化的低效率量维持供应链同时避免风险的一个或多个选项。控制器可以向用户提供这些选项。在某些示例中，控制器还可以响应于确定对供应链的改变满足一个或多个标准(例如，其可以以高置信度分数完成、影响的可能性相对高和/或风险的定时相对快)而自主地执行这些选项中的一个或多个。

例如，图1描绘了包括控制器110的环境100，该控制器被配置为通过模拟供应链操作通过空间和时间的同时模拟识别出的风险传播通过空间和时间，来计算该风险是否可能影响供应链。控制器110可以包括计算设备，例如图3的计算设备200，其包括通信地耦合到存储器的处理器，该存储器包括指令，当由处理器执行时，该指令使控制器110执行下面描述的操作。

控制器110可以响应于来自用户的请求和/或提示来分析供应链。例如，用户可以经由用户设备120发送提示，用户设备120可以是计算设备(例如，类似于图3的计算设备200的计算设备)。响应于接收到这样的提示，控制器110可以收集和/或接收关于供应链的信息。在一些示例中，控制器110可以在来自用户的初始提示内接收供应链上的初始信息集(和/或完整信息集)。替代地或附加地，控制器110可以从供应链数据库130接收和/或收集该信息。

供应链数据库130可以包括由处理供应链的组织(例如，销售供应链制造和/或递送的产品的组织)所有的一个或多个计算设备(例如，类似于图3的计算设备200的计算设备)。虽然控制器110被描绘为与供应链数据库130相关的单独且分立的设备的一部分，但是在一些示例中，控制器110可以集成到供应链数据库130中。

供应链数据库130可以包括关于组织的一个或多个供应链的数据。如在此使用的，供应链包括后勤和/或组织数据结构，其定义了组件移动通过空间和时间的过程，包括从接收来自源的组件到将成品递送给买方的所有步骤，其中这些组件经常经由供应链改变和/或组合成更大的组件。例如，供应链数据库130可以包括关于组件134的数据，其可以包括在预定时间点138期间当移动通过供应链时物理地占据预定位置136的对象。基于供应链在不同的预定时间点138将多个组件134移动通过不同的预定位置136以在预定时间点138一起和/或分别到达预定位置136，存储在供应链数据库130中的供应链可以被计量为成功的。例如，如本领域普通技术人员将理解的，现代供应链通常最终确定有供应、运输、制造和买方之间的合同协议，使得组件134在各个位置136和时间138处的具体相对定时可以影响由这些合同协议指定的性能度量。这样，存储在供应链数据库130内并由控制器110管理和/或利用的关于组件134、位置136和时间点138的数据可以在结构上连接，例如通过全部存储在自参考二维或三维电子表格内的关于组件134和位置136和时间点138的数据等。

一旦控制器110收集了供应链上的足够量的数据，使得控制器110已经完全定义了组件134如何需要移动位置136和时间点138之间的关系以便供应链成功，控制器110就可以识别供应链的一个或多个风险132。如本文所述，风险132包括使得任何组件134能够在由供应链数据库130定义的预定时间点138处的预定时间窗口期间相对不太可能遍历到和/或通过预定位置136的事件和/或事件发生。

在一些示例中，控制器110可以从用户设备120接收关于风险132的信息。例如，控制器110可以从用户设备120接收消息，该消息识别并提供关于控制器110要分析的风险132的信息。在接收到该信息时，如图1所示，控制器110可以将该信息保存在供应链数据库130中。另外或替代地，控制器110识别已经存储在供应链数据库130内的关于风险132的数据。

在一些示例中，控制器110可以通过在一个或多个储存库140上爬行来收集关于风险132的数据。例如，控制器110可以从用户设备120接收识别要分析的供应链的请求，此后控制器110可以收集(和/或接收)关于供应链的位置136和/或时间点138的数据。一旦控制器110接收到关于这些位置136和/或时间点138的数据，控制器110就可以在知识库140中搜索与这些位置136相关的风险132的指示。例如，控制器110可以搜索储存库140以寻找天气类型的风险132(例如，飓风、野火等)、病毒大流行风险132、地缘政治类型的风险132等。一旦被发现，控制器110可以使用本领域公知的和本文讨论的自然语言处理(NLP)技术来发现和/或摄取这些数据。在一些示例中，控制器110可以在模拟供应链之后收集关于风险132的数据，以在搜索储存库140以寻找与位置136和/或时间点138相关的风险132之前识别组件134将处于这些位置136处的相应时间点138。

控制器110可以通过网络150访问这样的储存库140和语料库120。网络150可以包括计算网络，通过该计算网络可以发送和/或接收计算消息和/或计算数据。例如，网络150可以包括因特网、局域网(LAN)、广域网(WAN)、诸如无线LAN(WLAN)的无线网络等。网络150可以包括铜传输电缆、光传输光纤、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备(例如，控制器110、用户设备120、供应链数据库130和/或储存库140)中的网络适配卡或网络接口可以从和/或通过网络150接收消息和/或指令，并且将用于存储或执行等的消息和/或指令转发到相应计算/处理设备的相应存储器或处理器。

尽管出于说明的目的，网络150在图1中被描绘为单个实体，但是在其他示例中，网络150可以包括多个私有或公共网络。例如，控制器110、用户设备120和供应链数据库130可以通过网络150的专用LAN一起通信(例如，因为这三者可以由销售供应链的产品的组织所有和/或使用)。另外，控制器110可以使用因特网通过网络150的公共部分从储存库140收集与用户有关的数据。

一旦控制器110已经识别出风险132(并且收集了关于风险132的数据)，控制器110就可以模拟风险通过空间和时间，以确定风险132如何通过空间和时间传播与组件134如何在时间点138处于位置136之间的任何重叠和/或相互关系。控制器110可以计算在任何给定时间点138影响任何给定组件134穿越任何给定位置136的风险132的具体可能性。如果控制器110确定可能性高于预定阈值，则控制器110可以向用户提供警报。例如，控制器110可以经由用户设备120的图形用户界面提供图形指示。

控制器110还可以识别减轻风险132的用于供应链的潜在改变。如本文所使用的，减轻风险的改变可以包括将所计算的对供应链的影响的可能性降低到低于阈值量的改变，该阈值量是经由对风险132和在不同时间点138不同位置136处的组件的不同组合的模拟来计算的。例如，控制器110可以识别出组件134可以穿越的替代位置136。控制器110可以将这些替代位置136识别为其他供应链先前所使用的、当前供应链的历史迭代先前所使用的、作为在供应链数据库130内列出的当前替代等。替代地或附加地，控制器110可以识别出一个或多个组件134的替代供应商。在一些示例中，控制器110可以识别出相同组件134可以移动通过相同位置134的替代时间点138，可能同时将其他组件134移动到“更早的”时间点138，使得也实现供应链的最终完整时间线。与本公开一致的控制器110可以如何改变供应链的其他示例也是可能的。一旦被识别，控制器110就可以经由在用户设备120上提供的图形用户界面122向用户提供这些改变中的一个或多个的图形指示。在一些示例中，控制器110可以提供该图形指示，使得在图形指示中显示原始供应链的风险可能性132、显示所提供的选项的风险可能性132、和/或显示所确定的选项的低效率量。

例如，图2描绘了具有活动节点170A-170Z(统称为“活动节点170”)的供应链160的概念图，其指示由边176连接的、组件134当前计划根据供应链160行进的跨时间和空间的当前路径。供应链160还包括由边174连接的不同可选节点172A-172R(统称为“可选节点172”)，边174描绘了组件134可以替代地采用的跨时间和空间的替代路径。供应链160还被描绘为跨越时间轴180前进，时间轴180定义了所有活动节点170和可选节点172之间的相对间隔，以便成功地执行供应链160。例如，供应链160的时间轴180可以不定义实际日期，而是定义在处于不同位置136的组件134之间允许期满的小时、天、周等的相对量。

应当理解，图2中活动节点170和可选节点172的相对数量和布置仅是为了说明的目的而提供的。此外，为了说明起见，可选节点172比活动节点170少，但在其他实例中，可选节点172可比活动节点170多，例如可选节点172比活动节点170多一个数量级。例如，如本领域普通技术人员将理解的，实际上供应链可以包括数百或数千个不同的活动节点170(指示所有相应组件134必须处于的当前计划的时间和空间时刻以便使供应链成功)，其中数千或数万个可选节点172由控制器110识别和分析。因此，如本领域普通技术人员将理解的，用户不可能在功能上可靠地理解风险132可以演变以影响供应链的所有方式，更不用说识别改变供应链以减轻这些影响的最佳方式。因而，将控制器110配置为不仅准确地识别风险132何时具有超过影响供应链的阈值可能性的可能性，而且模拟传播风险132如何影响每个可选节点172，以确定在阈值风险量之下同时具有最少低效率量的路径，可以极大地提高管理供应链160的风险132的能力。

供应链160可以包括以四个活动节点170A-170D开始的四个组件134，在此之前，这些组件134首先在活动节点170I、170J处被组合成两个子组装(sub-assembly)组件134，然后在活动节点170K处被组合成单个产品组件134，然后在活动节点170X、170Y、170Z处被运送到三个不同的零售店。然而，如所描绘的，控制器110可以识别多个可选节点172，其指示不同的供应商、不同的组装厂、不同的运输商、不同的运输路线等。在一些示例中，控制器110可以访问可选节点172的所有允许的/可能的替代选项的预定记录(例如，由供应链的组织所维护的记录)，而在其他示例中，控制器110可以通过爬行通过储存库140和/或供应链数据库130(例如，其中供应链数据库130包括用户的其他当前和/或历史供应链)来管理替代选项。

控制器110可以确定例如在世界的一部分开始病毒大流行爆发而在世界的另一部分中形成飓风的风险132。用户可能难以或不可能准确地想象这两者如何随着时间增长以影响供应链的各个位置136。因而，控制器110可以收集关于病毒大流行爆发风险和飓风风险的数据，并且执行关于这些风险132如何影响供应链160的模拟。控制器110可以执行预定数量的模拟(例如，1,000次模拟或10,000次模拟)以确定结果的基线。控制器11还可以使用诸如神经网络的机器学习模型来将关于所识别的风险132的当前数据与关于类似风险132的历史数据进行比较，以执行这些模拟并识别影响的可能性(和/或识别各种选项的潜在低效率)。

例如，经由这些模拟，控制器110可以计算存在5％的可能性病毒大流行会影响第一组件134通过与活动节点170E相关的位置136的运输、存在35％的可能性病毒大流行会影响第四组件134的与活动节点170D相关的供应、以及存在25％的可能性飓风会影响活动节点170K处的最终组件。控制器110可以识别出相应用户和/或供应链的风险阈值是10％。因此，控制器110可以识别出与节点170E相关的风险132可以忽略。此外，控制器110可以识别出与节点170D相关的风险132超过风险阈值，并且在其中将可选节点172A和172B识别为供应链的潜在改变。控制器110可以识别出可选节点172A、172B的相应风险132和/或低效率(如果有的话)。控制器110还可以识别出与节点170K相关联的风险132超过阈值，并在其中识别出可选节点172G。控制器110可以确定这些可选节点172A、172B、172G中的任何一个是否满足预定标准或自主动作的必要条件。例如，控制器110可以确定关于与运输相关的活动节点170D的风险132可以满足关于向运输代理发送即时消息以避免病毒大流行的一组标准。

如上所述，控制器110可以包括计算设备，其具有处理器，该处理器被配置为执行存储在存储器上的指令以执行本文描述的技术。例如，图3是控制器110的这种计算设备200的概念框图。虽然为了说明的目的将计算设备200描绘为单个实体(例如，在单个外壳内)，但是在其他示例中，控制器110可以存储在包括两个或更多个分立的物理系统的计算设备200内(例如，在两个或更多个分立的外壳内)。计算设备200可以包括接口210、处理器220和存储器230。计算设备200可以包括任何数量或量的接口210、处理器220和/或存储器230。

计算装设备00可以包括使控制器110能够与控制器110外部的设备通信(例如，发送数据到控制器110外部的设备以及接收和利用由控制器110外部的设备传输的数据)的组件。例如，控制器110可以包括接口210，其被配置为使得控制器110和控制器110内的组件(例如，处理器220)能够与控制器110外部的实体通信。具体地，接口210可以被配置为使得控制器110的组件能够与用户设备120、供应链数据库130、储存库140等通信。接口210可以包括一个或多个网络接口卡，例如以太网卡，和/或能够发送和接收信息的任何其他类型的接口设备。根据特定需要，可以使用任何适当数量的接口来执行所描述的功能。

如本文讨论的，控制器110可以被配置为通过模拟风险如何跨时间和空间与供应链的组件交互和重叠来评估供应链。控制器110可以利用处理器220来以这种方式评估供应链的风险。处理器220可以包括例如微处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)和/或等效的分立或集成的逻辑电路。两个或多个处理器220可以被配置为一起工作以评估供应链的随着时间和空间的变化的风险。

处理器220可以根据存储在控制器110的存储器230上的指令232来评估供应链的风险。存储器230可以包括计算机可读存储介质或计算机可读存储设备。在一些示例中，存储器230可以包括短期存储器或长期存储器中的一个或多个。存储器230可以包括例如随机存取存储器(RAM)、动态随机存取存储器(DRAM)、静态随机存取存储器(SRAM)、磁硬盘、光盘、软盘、闪存、电可编程存储器(EPROM)的形式、电可擦除可编程存储器(EEPROM)等。在一些示例中，处理器220可以根据存储在控制器110的存储器230中的一个或多个应用(例如，软件应用)的指令232来分析供应链的风险。

除了指令232之外，在一些示例中，由处理器220用来分析供应链的风险的被收集的或预定的数据或技术等可以存储在存储器230内。例如，存储器230可以包括来自供应链数据库130的由控制器110接收和/或收集的数据，和/或存储器230可以包括基本上所有的供应链数据库130。具体地，如图3所示，存储器230可以包括组件数据234、时间数据236、位置数据238和风险数据240。控制器110可以将一些或所有组件数据234、时间数据236和位置数据238存储在结构中，以维持由供应链限定的关于组件134如何在时间点138行进到位置136的相互关系。例如，控制器110可以将组件数据234、时间数据236和/或位置数据238存储在二维电子表格中和/或三维电子表格中，或者存储在可以存储和定义这些关系的与本公开一致的任何其他结构中。如存储在存储器230中的，组件数据234可以包括关于组件134必须是什么的规格，并且时间数据236可以包括组件134必须在如位置数据238所定义的位置136处的阈值时间帧。

此外，如上所述，存储器230可以包括风险数据240。风险数据240可以包括关于已知风险是什么的当前数据，以及针对风险的任何公开可用的预测。风险数据240还可以包括与风险相关的历史数据(例如，与风险的预计现实相似的事件的先前实例)。

存储器230可以包括偏好和阈值数据244。例如，偏好和阈值数据244可以包括诸如用户的风险容限、反映该风险容限的阈值、选项的低效率容限和/或风险与低效率之间的关系之类的数据。偏好和阈值数据244还可以定义标准，在该标准中，控制器110可以响应于超过阈值的检测到的风险132而自主地改变供应改变。例如，偏好和阈值数据244可以详述如果检测到的风险132相对严重(例如，它将对供应链具有实质性影响，使得企业具有超过50％的机会造成与该供应链相关的合同义务失败)，并且改变将包括恢复到供应链定期使用的过程(例如，不同的季节供应商)，则控制器110可以自主地执行对供应链的改变。

存储器230还可以包括机器学习技术242，控制器110可以使用该技术来改进跨迭代在时间和空间上识别和模拟供应链的风险事件的过程。例如，控制器110可以改进计算风险影响供应链的可能性的过程。对于另一个示例，控制器110可以使用机器学习技术242来改进选择供应链的改变的过程，该改变减轻风险并且也是用户可接受的(和/或可以被自主地执行)。对于又一个示例，控制器110可以使用机器学习技术242来改进确定对供应链的可选改变的预测的低效率量的过程。

机器学习技术242可以包括通过对数据集执行监督、无监督或半监督训练而生成的算法或模型，并且随后应用所生成的算法或模型来识别供应链的风险，并且然后在空间和时间上模拟这些风险以确定这些风险是否超过负面影响供应链的阈值可能性。机器学习技术242可以包括但不限于决策树学习、关联规则学习、人工神经网络、深度学习、归纳逻辑编程、支持向量机、聚类、贝叶斯网络、强化学习、表示学习、相似性/度量训练、稀疏字典学习、遗传算法、基于规则的学习和/或其他机器学习技术。

例如，机器学习技术242可以利用以下示例技术中的一个或多个：K最近邻(KNN)、学习向量量化(LVQ)、自组织映射(SOM)、逻辑回归、普通最小二乘回归(OLSR)、线性回归、逐步回归、多变量自适应回归样条(MARS)、岭回归、最小绝对收缩和选择算子(LASSO)、最小绝对收缩和选择算子(LASSO)、弹性网、最小角度回归(LARS)、概率分类器、贝叶斯分类器、二元分类器、线性分类器、分层分类器、典型相关分析(CCA)、因子分析、独立成分分析(ICA)、线性判别分析(LDA)、多维标度(MDS)、非负度量因子分解(NMF)、偏最小二乘回归(PLSR)、主成分分析(PCA)、主成分回归(PCR)、Sammon映射、t分布随机邻居嵌入(t-SNE)、自举聚合、集成平均、梯度增强决策树(GBRT)、梯度增强机器(GBM)、归纳偏差算法、Q学习、状态-动作-回报-状态-动作(SARSA)、时间差异(TD)学习、apriori算法、等价类变换(ECLAT)算法、高斯过程回归、基因表达式编程、数据处理的分组方法(GMDH)、归纳逻辑编程、基于实例的学习、逻辑模型树、信息模糊网络(IFN)、隐马尔可夫模型、高斯贝叶斯、多项式贝叶斯、平均单相关估计器(AODE)、贝叶斯网络(BN)、分类和回归树(CART)、卡方自动交互检测(CHAID)、期望最大化算法、前馈神经网络、逻辑学习机、自组织映射、单链接聚类、模糊聚类、分级聚类、波尔兹曼机器、卷积神经网络、递归神经网络、分级时间记忆(HTM)和/或其他机器学习技术。

存储器230可以包括NLP技术246，控制器110可以使用NLP技术246来识别存储在储存库140中的数据是否与风险132相关和/或可以用于在空间和时间上模拟风险132。NLP技术246可以包括但不限于语义相似性、句法分析和本体匹配。例如，在一些实施例中，处理器220可以被配置为解析来自储存库140中的新闻源等的评论，以确定关于病毒大流行的文章的语义特征(例如，词含义、重复词、关键词等)和/或句法特征(例如，词结构、标题中的语义特征的位置、标题等)。本体匹配可用于映射语义和/或句法特征，以确定病毒大流行爆发是在供应链所通过的国家的一部分中。这样的概念还可以用于识别该地区中的先前的类似爆发和/或类似类型的大流行爆发。以这种方式，使用NLP技术246，控制器110可以例如识别公开可用的风险数据，该公开可用的风险数据可以用于首先识别风险，然后在这些风险影响供应链时跨空间和时间模拟这些风险。

使用这些组件，控制器110可以识别供应链的风险，然后如本文所讨论的，模拟这些风险如何跨针对供应链的时间和空间影响供应链。例如，控制器110可以根据图4中描绘的流程图300来分析供应链的风险，为了说明的目的，关于图1讨论图4的流程图300，但是应当理解，在其他示例中，其他系统也可以用于执行图4的流程图300。此外，在一些示例中，控制器110可以与图4的流程图300不同地评估风险，或者控制器110可以经由具有不同顺序的更多或更少步骤的类似方法等来评估风险。

流程图300开始于控制器110接收供应链数据(302)。控制器110可以从用户设备120接收该数据，和/或控制器110可以从供应链数据库130接收该数据。供应链数据可以包括关于作为供应链的一部分的被购买、运输、组装、构造、销售等的多个组件134的数据。供应链数据还可以包括为这些组件134中的每一个组件确定的一个或多个位置136，组件134在这些位置和/或通过这些位置被购买、运输、组装、构造、销售。此外，供应链数据可以包括与每个组件134相关联的一个或多个时间点138。

如本文讨论的，时间点138可以与其他组件134相关，使得例如供应链限定第一组件134必须在第一时间点138处于第一位置136，以确保第二组件134将在第二时间点138到达第二位置136(和/或第一组件134在第二时间点138到达第二位置136)。这样，当存储在供应链数据库130内并且被控制器110利用时，每个组件134、每个位置136和每个时间点136可以是相互关联的。

控制器110可以识别多个风险132(304)。例如，风险132可包括地缘政治事件、诸如野火或飓风的自然事件、病毒性大流行等。风险132可能具有负面影响供应链的能力。例如，风险132可以降低组件132将在必要的时间点136移动通过位置134的可能性，使得供应链具有不根据预定时间线递送货物的机会。

控制器110计算这些风险132中的每一个风险影响供应链的可能性(306)。例如，控制器110可以计算风险132可能跨时间和/或空间散布使得任何组件134不能在相应的时间点138到达相应的位置136的可能性，使得供应链的义务不太可能被满足。例如，控制器110可以从一个或多个储存库140收集风险132的信息以确定风险132的当前状态和/或风险132的潜在演变。控制器110还可以从储存库140收集关于类似风险132的历史信息。使用关于风险132的所收集的信息，控制器110可以模拟(例如，使用神经网络)风险132如何跨空间和时间散布。

在一些示例中，控制器110可以通过在时间138模拟风险132和/或组件134移动通过位置136来计算风险132的可能性。控制器110可以执行预定数量的模拟，和/或控制器110可以执行模拟直到控制器110可以计算具有至少阈值置信度分数的可能性。控制器110可以模拟风险132如何跨位置136和时间138与许多组件134重叠，包括在第一时间138在第一位置136处对第一组件134的延迟可以如何在其他时间138在其他位置136处影响其他组件134。

控制器110识别超过阈值的一个或多个风险132(308)。超过阈值的风险132可以指示相应的风险132相对可能发生，使得至少一个组件134具有小于阈值的机会在相应的时间点138到达相应的位置136。响应于识别出该风险132，控制器110识别出供应链的第一改变和第二改变以减轻该风险(310)。例如，控制器110可以确定使用组件134的不同供应商、前往不同位置136、和/或改变事件的顺序来改变组件134必须处于相应的位置136以满足供应链的所需的相应的时间点138。

一旦控制器110识别出供应链的第一改变和第二改变，控制器110就可以将这些改变提供给用户(312)。控制器110可以将这些改变提供给用户的用户设备120，诸如使得用户设备120经由用户设备120的图形用户界面122提供图形指示。在一些示例中，控制器110还可以自主地执行对供应链的这样的改变。例如，控制器110可以自主地指示驾驶员改变到不同的路线，和/或在产品的第二部分所需的组件134可能被延迟时告诉制造组装商保持组装产品的第一部分，等等。当控制器110确定相应的风险132的大小超过阈值时，当控制器110确定选项的简易性足够低时(例如，当在各种情况下使用第一改变和/或第二改变中的一个是组织的标准时)等等，控制器110可以自主地执行对供应链的改变。

已经出于说明的目的呈现了对本公开的各种实施例的描述，但是其并非旨在是穷举的或限于所公开的实施例。在不背离所描述的实施例的范围的情况下，许多修改和变化对于本领域的普通技术人员将是显而易见的。本文所使用的术语被选择来解释实施例的原理、实际应用或对市场上存在的技术改进，或被选择来使本领域的其他普通技术人员能够理解本文所公开的实施例。

本发明可以是任何可能的技术细节集成水平的系统、方法和/或计算机程序产品。计算机程序产品可以包括其上具有计算机可读程序指令的计算机可读存储介质(或多个计算机可读存储介质)，所述计算机可读程序指令用于使处理器执行本发明的各方面。

计算机可读存储介质可以是能够保留和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质可以是例如但不限于电子存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或前述的任何合适的组合。计算机可读存储介质的更具体示例的非穷举列表包括以下：便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式光盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、诸如上面记录有指令的打孔卡或凹槽中的凸起结构的机械编码装置，以及上述的任何适当组合。如本文所使用的计算机可读存储介质不应被解释为暂时性信号本身，诸如无线电波或其他自由传播的电磁波、通过波导或其他传输介质传播的电磁波(例如，通过光纤线缆的光脉冲)、或通过导线传输的电信号。

本文描述的计算机可读程序指令可以从计算机可读存储介质下载到相应的计算/处理设备，或者经由网络，例如因特网、局域网、广域网和/或无线网络，下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光传输光纤、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或网络接口从网络接收计算机可读程序指令，并转发计算机可读程序指令以存储在相应计算/处理设备内的计算机可读存储介质中。

用于执行本发明的操作的计算机可读程序指令可以是汇编指令、指令集架构(ISA)指令、机器相关指令、微代码、固件指令、状态设置数据、集成电路的配置数据，或者以一种或多种编程语言(包括面向对象的编程语言，例如Smalltalk、C++等)和过程编程语言(例如“C”编程语言或类似的编程语言)的任意组合编写的源代码或目标代码。计算机可读程序指令可以完全在用户的计算机上执行，部分在用户的计算机上执行，作为独立的软件包执行，部分在用户的计算机上并且部分在远程计算机上执行，或者完全在远程计算机或服务器上执行。在后一种情况下，远程计算机可以通过任何类型的网络连接到用户的计算机，包括局域网(LAN)或广域网(WAN)，或者可以连接到外部计算机(例如，使用因特网服务提供商通过因特网)。在一些实施例中，为了执行本发明的各方面，包括例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)的电子电路可以通过利用计算机可读程序指令的状态信息来执行计算机可读程序指令以使电子电路个性化。

在此参考根据本发明实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述本发明的各方面。将理解，流程图和/或框图的每个框以及流程图和/或框图中的框的组合可以由计算机可读程序指令来实现。

这些计算机可读程序指令可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器以产生机器，使得经由计算机或其他可编程数据处理装置的处理器执行的指令创建用于实现流程图和/或框图的一个或多个框中指定的功能/动作的装置。这些计算机可读程序指令还可以存储在计算机可读存储介质中，其可以引导计算机、可编程数据处理装置和/或其他设备以特定方式工作，使得其中存储有指令的计算机可读存储介质包括制品，该制品包括实现流程图和/或框图的一个或多个框中指定的功能/动作的各方面的指令。

计算机可读程序指令还可以加载到计算机、其他可编程数据处理装置或其他设备上，以使得在计算机、其他可编程装置或其他设备上执行一系列操作步骤，以产生计算机实现的过程，使得在计算机、其他可编程装置或其他设备上执行的指令实现流程图和/或框图的一个或多个框中指定的功能/动作。

附图中的流程图和框图示出了根据本发明的各种实施例的系统、方法和计算机程序产品的可能实现的架构、功能和操作。在这点上，流程图或框图中的每个框可以表示指令的模块、段或部分，其包括用于实现指定的逻辑功能的一个或多个可执行指令。在一些替代实施方案中，框中所注明的功能可不按图中所注明的次序发生。例如，连续示出的两个框实际上可以作为一个步骤来实现，同时、基本同时、以部分或全部时间重叠的方式执行，或者这些框有时可以以相反的顺序执行，这取决于所涉及的功能。还将注意，框图和/或流程图图示的每个框以及框图和/或流程图图示中的框的组合可以由执行指定功能或动作或执行专用硬件和计算机指令的组合的专用的基于硬件的系统来实现。