本发明公开了一种针对货物实现自动招标采购的方法，涉及货物自动招标技术领域，通过收集招标方上传的待招标公告和待公示招标数据，基于待公示招标数据和平台招标数据，选择招标公示时间，通过在招标公示时间对现有的供应商进行筛选和匹配，选择符合要求的供应商，向符合要求的供应商在电子招标平台的的投标账号发送待招标公告，通过实时收集对于每个招标公告的投标信息，并基于投标信息，获得对应的投标数据，通过自动评估投标方的投标数据，获得投标评分，对投标方进行从大至小排序，并向招标方进行展示；实现了货物自动招标的全流程自动化处理，提高效率和准确性，节省人力和时间成本。
1.一种针对货物实现自动招标采购的方法，其特征在于，包括以下步骤：步骤一：实时收集招标方上传的待招标公告和平台招标数据，并基于待招标公告，获得对应的待公示招标数据；
所述待招标公告为招标方预先制作的招标文书，招标方通过电子招标平台的招标方账号将招标公告上传至电子招标平台后台，其中，所述平台招标数据包括实时招标数据以及历史招标数据；
所述实时招标数据包括电子招标平台中，当前每种类型货物的实时招标数量、实时招标方数量、实时供应商数量以及每种类型货物的实时市场价格；
所述历史招标数据包括在电子招标平台中，每种类型货物的历史中每次中标数量、中标时间、中标单价以及历史投标数据；所述历史投标数据包括历史投标训练数据以及历史投标标签数据；
对于每种类型货物，所述历史投标训练数据包括历史每次招标过程中每家投标方的货物单价、本次招标过程的投标平均单价、投标方综合评分、交货方式、交货地点以及交货时间距离交货期限的时长；所述历史投标标签数据为每次招标过程中每家投标方是否中标的标注；
步骤二：基于待公示招标数据和平台招标数据，选择招标公示时间；在招标公示时间对现有的供应商进行筛选和匹配，选择符合要求的供应商，向符合要求的供应商在电子招标平台的投标账号发送待招标公告；
所述待公示招标数据为电子招标平台通过NLP技术从待招标公告中读取的待招标货物类型、待招标数量以及待招标期限；
步骤三：实时收集对于每个招标公告的投标信息，并基于投标信息，获得对应的投标数据；
步骤四：自动评估投标方的投标数据，获得投标评分，基于投标评分，对投标方进行从大至小排序；
步骤五：将排序后的投标方发送至招标方在电子招标平台的招标方账号，并向招标方进行展示；
基于待公示招标数据和平台招标数据，选择招标公示时间的方式为：
根据历史招标数据绘制出待招标货物类型的招标频率曲线、招标数量曲线以及中标单价曲线；其中，所述招标频率曲线为每单位时间内，待招标货物类型货物的新公示出的招标次数连接而成的曲线；所述招标数量曲线表达每单位时间内，待招标货物类型货物的新公示出招标的数量连接而成的曲线；所述中标单价曲线为待招标货物类型货物每次中标的价格随时间连接而成的曲线；
根据待招标货物类型货物的实时现货价格，绘制出实时现货价格曲线；
将招标频率曲线、招标数量曲线以及实时现货价格曲线作为多特征时间序列预测神经网络模型的输入，将实时现货价格曲线作为多特征时间序列预测神经网络输出的预测曲线，训练出根据招标频率曲线、招标数量曲线以及实时现货价格曲线预测中标单价的多特征时间序列预测神经网络，其中，所述多特征时间序列预测神经网络为LSTM神经网络模型；
使用多特征时间序列预测神经网络实时生成待招标货物类型未来的中标单价，将预测未来的中标单价出现上涨时刻作为招标公示时间；
从所有供应商中筛选出营业范围中包括待招标货物类型货物的供应商，并将每个筛选出的供应商的编号标记为 ；
获取每家供应商的基本信息，包括公司规模、年限、员工数量、投诉和争议记录的数量，并将公司规模、年限、员工数量、投诉和争议记录的数量分别标记为 以及 ；
获取每家供应商的产品和服务质量；所述产品和服务质量包括在电子招标平台上历史投标数量、历史中标数量，并将历史投标数量和历史中标数量分别标记为 和 ；
获取每家供应商历史中标的价格波动信息；所述价格波动信息为招标价格和最终中标单价的差值绝对值的平均值，并将该平均值标记为 ；
获取每家供应商的商誉水平；所述商誉水平为商家历史中标后最终完成采购的数量，并将最终完成采购的数量标记为 ；
计算第i家供应商的综合评分 ；其中，综合评分 的计算公式为：
若第 家供应商的综合评分 大于或等于预设的评分阈值，则标记其为符合要求的供应商；若第 家供应商的综合评分 小于预设的评分阈值，则将其标记为不符合要求的供应商；
投标信息为每家符合要求的供应商接收到待招标公告后，向招标方在电子招标平台上的招标账号发送的投标文件；
电子招标平台通过NLP技术从投标文件中读取的货物单价、交货方式、交货地点以及交货时间距离交货期限的时长；
将历史每次招标过程中的每家投标方的历史投标训练数据作为机器学习模型的输入，该机器学习模型以预测的投标方中标概率为输出，以投标方对应的历史投标标签数据的标注作为预测目标，以最小化所有的历史投标训练数据的预测准确度之和作为训练目标；其中，预测准确度的计算公式为： ，其中 jk为第 次招标过程中，机器学习模型对第 家招标方预测的中标概率； 为第 次招标过程中,第 家招标方的历史投标标签数据的标注；对机器学习模型进行训练，直至预测准确度之和达到收敛时停止训练；其中，和 分别为招标过程的编号和招标方的编号；
将每家投标方的投标数据、招标账号接收到的所有投标数据中货物单价的平均值以及投标方的综合评分合并作为评估向量，并将评估向量输入至机器学习模型中，获得每家投标方中标的概率；该概率即为投标评分。
一种针对货物实现自动招标采购的方法
技术领域
[0001] 本发明属于涉及货物自动招标技术，具体是一种针对货物实现自动招标采购的方法。
背景技术
[0002] 现代经济中，货物招标采购已经成为一种非常普遍的采购方式。采购人通过招标公告发布采购需求，供应商通过投标来竞争采购合同。在传统的货物招标采购过程中，招标人需要编制招标文件、发布招标公告、接受投标、评标、中标等一系列环节，这些环节需要大量人力、物力和时间成本，且评标结果可能受到人为因素的影响，例如在评标过程中因投标方过多，评标人员往往基于投标方的投标方案进行主观评判，而难以结合投标方的基本信息以及投标方的投标和中标历史进行综合评判，从而主观的做出评标结果；因此，需要一种可以综合评判每个投标方的自动化智能评判方法，并基于评判的结果对投标方进行排序，以帮助评标人员做出更好的评标选择，提高评标的效率；
[0003] 为此，本发明提出一种针对货物实现自动招标采购的方法。
发明内容
[0004] 本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提出一种针对货物实现自动招标采购的方法，该一种针对货物实现自动招标采购的方法实现了货物自动招标的全流程自动化处理，提高效率和准确性，节省人力和时间成本。
[0005] 为实现上述目的，根据本发明的第一方面的实施例提出一种针对货物实现自动招标采购的方法，包括以下步骤：
[0006] 步骤一：实时收集招标方上传的待招标公告和平台招标数据，并基于待招标公告，获得对应的待公示招标数据；
[0007] 步骤二：基于待公示招标数据和平台招标数据，选择招标公示时间；在招标公示时间对现有的供应商进行筛选和匹配，选择符合要求的供应商，向符合要求的供应商在电子招标平台的的投标账号发送待招标公告；
[0008] 步骤三：实时收集对于每个招标公告的投标信息，并基于投标信息，获得对应的投标数据；
[0009] 步骤四：自动评估投标方的投标数据，获得投标评分，基于投标评分，对投标方进行从大至小排序；
[0010] 步骤五：将排序后的投标方发送至招标方在电子招标平台的招标方账号，并向招标方进行展示；
[0011] 其中，所述待招标公告为招标方预先制作的招标文书，招标方通过电子招标平台的招标方账号将招标公告上传至电子招标平台后台；
[0012] 其中，所述平台招标数据包括实时招标数据以及历史招标数据；
[0013] 其中，所述实时招标数据包括电子招标平台中，当前每种类型货物的实时招标数量、实时招标方数量、实时供应商数量以及每种类型货物的实时市场价格；
[0014] 所述历史招标数据包括在电子招标平台中，每种类型货物的历史中每次中标数量、中标时间、中标单价以及历史投标数据；所述历史投标数据包括历史投标训练数据以及历史投标标签数据；
[0015] 对于每种类型货物，所述历史投标训练数据包括历史每次招标过程中每家投标方的货物单价、本次招标过程的投标平均单价、投标方综合评分、交货方式、交货地点以及交货时间距离交货期限的时长；所述历史投标标签数据为每次招标过程中每家投标方是否中标的标注；
[0016] 其中，所述待公示招标数据为电子招标平台通过NLP技术从待招标公告中读取的待招标货物类型、待招标数量以及待招标期限；
[0017] 基于待公示招标数据和平台招标数据，选择招标公示时间的方式为：
[0018] 根据历史招标数据绘制出待招标货物类型的招标频率曲线、招标数量曲线以及中标单价曲线；其中，招标频率曲线为每单位时间内，待招标货物类型货物的新公示出的招标次数连接而成的曲线；其中，招标数量曲线表达每单位时间内，待招标货物类型货物的新公示出招标的数量连接而成的曲线；其中，中标单价曲线为待招标货物类型货物每次中标的价格随时间连接而成的曲线；
[0019] 根据待招标货物类型货物的实时现货价格，绘制出实时现货价格曲线；
[0020] 将招标频率曲线、招标数量曲线以及实时现货价格曲线作为多特征时间序列预测神经网络模型的输入，将实时现货价格曲线作为多特征时间序列预测神经网络输出的预测曲线，训练出根据招标频率曲线、招标数量曲线以及实时现货价格曲线预测中标单价的多特征时间序列预测神经网络；
[0021] 使用多特征时间序列预测神经网络实时生成待招标货物类型未来的中标单价，将预测未来的中标单价出现上涨时刻作为招标公示时间；
[0022] 选择符合要求的供应商参与投标的方式为：
[0023] 从所有供应商中筛选出营业范围中包括待招标货物类型货物的供应商，并将每个筛选出的供应商的编号标记为；
[0024] 获取每家供应商的基本信息，包括公司规模、年限、员工数量、投诉和争议记录的数量，并将公司规模、年限、员工数量、投诉和争议记录的数量分别标记为 以及；
[0025] 获取每家供应商的产品和服务质量；所述产品和服务质量包括在电子招标平台上历史投标数量、历史中标数量，并将历史投标数量和历史中标数量分别标记为 和 ；
[0026] 获取每家供应商历史中标的价格波动信息；所述价格波动信息为招标价格和最终中标单价的差值绝对值的平均值，并将该平均值标记为 ；
[0027] 获取每家供应商的商誉水平；所述商誉水平为商家历史中标后最终完成采购的数量，并将最终完成采购的数量标记为 ；
[0028] 计算第i家供应商的综合评分 ；其中，综合评分 的计算公式为：
[0029] ；其中， 以及分别为预设的比例系数；
[0030] 若第家供应商的综合评分 大于或等于根据预设的评分阈值，则标记其为符合要求的供应商；若第家供应商的综合评分 小于预设的评分阈值，则将其标记为不符合要求的供应商；
[0031] 投标信息为每家符合要求的供应商接收到待招标公告后，向招标方在电子招标平台上的招标账号发送的投标文件；
[0032] 基于投标信息，获得对应的投标数据的方式为：
[0033] 电子招标平台通过NLP技术从投标文件中读取的货物单价、交货方式、交货地点以及交货时间距离交货期限的时长；
[0034] 自动评估投标方的投标数据，获得投标评分的方式为：
[0035] 将历史每次招标过程中的每家投标方的历史投标训练数据作为机器学习模型的输入，该机器学习模型以预测的投标方中标概率为输出，以投标方对应的历史投标标签数据的标注作为预测目标，以最小化所有的历史投标训练数据的预测准确度之和作为训练目标；其中，预测准确度的计算公式为： ，其中 jk为第 次招标过程中，机器学习模型对第k家招标方预测的中标概率； 为第 次招标过程中, 第 家招标方的历史投标标签数据的标注；对机器学习模型进行训练，直至预测准确度之和达到收敛时停止训练；其中，和 分别为招标过程的编号和招标方的编号；
[0036] 将每家投标方的投标数据、招标账号接收到的所有投标数据中货物单价的平均值以及投标方的综合评分合并作为评估向量，并将评估向量输入至机器学习模型中，获得每家投标方中标的概率；该概率即为投标评分。
[0037] 与现有技术相比，本发明的有益效果是：
[0038] 本发明通过预先收集待招标公告和平台招标数据，基于货物价格曲线，自动选择货物价格较低的时刻作为招标公示时间，再基于电子招标平台中每家供应商的资质和历史中标情况等，对每家供应商进行自动的资质审核，对于通过资质审核并向招标方发送投标方案的供应商，基于其提供的投标方案中的价格、价格与平均价格的浮动情况以及发货方案，使用机器学习模型自动智能评估其中标的概率，向招标方案概率从大到小的顺序进行自动排序展示；从而实现了货物自动招标的全流程自动化处理，提高效率和准确性，节省人力和时间成本。
附图说明
[0039] 图1为本发明的实施例1中针对货物实现自动招标采购的方法的流程图。
具体实施方式
[0040] 下面将结合实施例对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
[0041] 实施例1
[0042] 如图1所示，一种针对货物实现自动招标采购的方法，包括以下步骤：
[0043] 步骤一：实时收集招标方上传的待招标公告和平台招标数据，并基于待招标公告，获得对应的待公示招标数据；
[0044] 步骤二：基于待公示招标数据和平台招标数据，选择招标公示时间；在招标公示时间对现有的供应商进行筛选和匹配，选择符合要求的供应商，向符合要求的供应商在电子招标平台的的投标账号发送待招标公告；
[0045] 步骤三：实时收集对于每个招标公告的投标信息，并基于投标信息，获得对应的投标数据；
[0046] 步骤四：自动评估投标方的投标数据，获得投标评分，基于投标评分，对投标方进行从大至小排序；
[0047] 步骤五：将排序后的投标方发送至招标方在电子招标平台的招标方账号，并向招标方进行展示；
[0048] 其中，所述待招标公告为招标方预先制作的招标文书，招标方通过电子招标平台的招标方账号将招标公告上传至电子招标平台后台；
[0049] 其中，所述平台招标数据包括实时招标数据以及历史招标数据；
[0050] 其中，所述实时招标数据包括电子招标平台中，当前每种类型货物的实时招标数量、实时招标方数量、实时供应商数量以及每种类型货物的实时市场价格；需要说明的是，对于各个类型的货物，实时招标方数量为已发布的招标该类型货物的招标公告数量，实时招标数量根据招标公告获得，供应商数量根据供应商注册电子招标平台账号时提供的运营范围获得，实时市场价格通过连接互联网获得的该类型货物的实时现货价格；
[0051] 所述历史招标数据包括在电子招标平台中，每种类型货物的历史中每次中标数量、中标时间、中标单价以及历史投标数据；所述历史投标数据包括历史投标训练数据以及历史投标标签数据；
[0052] 对于每种类型货物，所述历史投标训练数据包括历史每次招标过程中每家投标方的货物单价、本次招标过程的投标平均单价、投标方综合评分、交货方式、交货地点以及交货时间距离交货期限的时长；所述历史投标标签数据为每次招标过程中每家投标方是否中标的标注；优选的，若投标方中标，则将该投标方对应的历史投标标签数据的标注标记为1，若投标方未中标，则将该投标方对应的历史投标标签数据的标注标记为0；
[0053] 其中，所述待公示招标数据为电子招标平台通过NLP技术从待招标公告中读取的待招标货物类型、待招标数量以及待招标期限；
[0054] 需要说明的是，NLP作为一项广泛应用的技术，读取文本内容并分析其中的关键信息是一项常规应用，且不是本发明的解决主体，因此本发明对此不做过多赘述；
[0055] 基于待公示招标数据和平台招标数据，选择招标公示时间的方式为：
[0056] 根据历史招标数据绘制出待招标货物类型的招标频率曲线、招标数量曲线以及中标单价曲线；其中，招标频率曲线为每单位时间内，待招标货物类型货物的新公示出的招标次数连接而成的曲线；其中，招标数量曲线表达每单位时间内，待招标货物类型货物的新公示出招标的数量连接而成的曲线；其中，中标单价曲线为待招标货物类型货物每次中标的价格随时间连接而成的曲线；
[0057] 根据待招标货物类型货物的实时现货价格，绘制出实时现货价格曲线；
[0058] 将招标频率曲线、招标数量曲线以及实时现货价格曲线作为多特征时间序列预测神经网络模型的输入，将实时现货价格曲线作为多特征时间序列预测神经网络输出的预测曲线，训练出根据招标频率曲线、招标数量曲线以及实时现货价格曲线预测中标单价的多特征时间序列预测神经网络；所述多特征时间序列预测神经网络可以是LSTM神经网络模型；
[0059] 使用多特征时间序列预测神经网络实时生成待招标货物类型未来的中标单价，将预测未来的中标单价出现上涨时刻作为招标公示时间；
[0060] 需要说明的是，多特征时间序列预测神经网络作为本领域的现有技术，其本质上为一项工具，在给定具体输入和输出任务的条件下，具体的训练过程和参数设置根据具体工程实现情况而定；
[0061] 选择符合要求的供应商参与投标的方式为：
[0062] 从所有供应商中筛选出营业范围中包括待招标货物类型货物的供应商，并将每个筛选出的供应商的编号标记为i；
[0063] 获取每家供应商的基本信息，包括公司规模、年限、员工数量、投诉和争议记录的数量，并将公司规模、年限、员工数量、投诉和争议记录的数量分别标记为 以及；
[0064] 获取每家供应商的产品和服务质量；所述产品和服务质量包括在电子招标平台上历史投标数量、历史中标数量，并将历史投标数量和历史中标数量分别标记为 和 ；
[0065] 获取每家供应商历史中标的价格波动信息；所述价格波动信息为招标价格和最终中标单价的差值绝对值的平均值，并将该平均值标记为 ；
[0066] 获取每家供应商的商誉水平；所述商誉水平为商家历史中标后最终完成采购的数量，并将最终完成采购的数量标记为 ；
[0067] 计算第i家供应商的综合评分 ；其中，综合评分 的计算公式为：；其中， 以及 分别为预
设的比例系数；可以理解的是，公司规模、年限、员工数量越多，公司的可靠性越高，综合评分 越高；历史中标率 越高, 公司的可靠性越高，综合评分 越高；价格波动信息越小，公司的可靠性越高，综合评分 越高；最终完成采购的数量越高，公司的可靠性越高，综合评分 越高；
[0068] 若第i家供应商的综合评分 大于或等于根据实际经验预设的评分阈值，则标记其为符合要求的供应商；若第家供应商的综合评分 小于根据实际经验预设的评分阈值，则将其标记为不符合要求的供应商；需要说明的是，评分阈值是电子招标平台根据每家供应商的具体评分分布情况进行设置；
[0069] 投标信息为每家符合要求的供应商接收到待招标公告后，向招标方在电子招标平台上的招标账号发送的投标文件；
[0070] 基于投标信息，获得对应的投标数据的方式为：
[0071] 电子招标平台通过NLP技术从投标文件中读取的货物单价、交货方式、交货地点以及交货时间距离交货期限的时长；
[0072] 自动评估投标方的投标数据，获得投标评分的方式为：
[0073] 将历史每次招标过程中的每家投标方的历史投标训练数据作为机器学习模型的输入，该机器学习模型以预测的投标方中标概率为输出，以投标方对应的历史投标标签数据的标注作为预测目标，以最小化所有的历史投标训练数据的预测准确度之和作为训练目标；其中，预测准确度的计算公式为： ，其中 jk为第 次招标过程中，机器学习模型对第k家招标方预测的中标概率； 为第 次招标过程中, 第 家招标方的历史投标标签数据的标注；对机器学习模型进行训练，直至预测准确度之和达到收敛时停止训练；其中，和 分别为招标过程的编号和招标方的编号；需要说明的是，收敛的判断标准根据本领域技术人员根据具体的模型训练情况设定；
[0074] 将每家投标方的投标数据、招标账号接收到的所有投标数据中货物单价的平均值以及投标方的综合评分合并作为评估向量，并将评估向量输入至机器学习模型中，获得每家投标方中标的概率；该概率即为投标评分。
[0075] 以上实施例仅用以说明本发明的技术方法而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方法进行修改或等同替换，而不脱离本发明技术方法的精神和范围。
