本发明涉及物资采购管理，更具体的说是涉及一种基于统计学习的物资采购推荐方法及系统。
背景技术：
1、随着时代的发展，科技逐渐的分布在人们生活的每一个角落，其中物资采购管理技术就是一项具体的表现，它更好的保障了用户物资的购买，帮助用户体验更加优惠省力的采购，让用户用最少的成本买到最高价值的配置，同时也在一定程度上节省了人力和时间，使其购买更加的高效有保障，有效的管理购买成本，避免预算的超支和浪费。
2、当前技术对电力物资的购买管理主要依靠的是人工的方式，这种人工购买的方式较为的耗时耗力，而且依靠人工对物资的选购对比，并不能全面的了解电力物资的性价比，从而会造成电力物资购买成本的超支，并且购买管理的效率也得不到有效的提高，用户也无法选到最适配的供应商。
3、因此，如何提供一种物资采购推荐方法是本领域技术人员亟需解决的问题。
技术实现思路
1、有鉴于此，本发明提供了一种基于统计学习的物资采购推荐方法及系统，以解决背景技术中的问题。
2、为了实现上述目的，本发明采用如下技术方案：
3、本发明公开了一种基于统计学习的物资采购推荐方法，包括：
4、将待采购物资价格进行属性分解，分解为原料成本数据、固定成本数据、可变成本数据；
5、根据产品工艺标准确定主要原料的用量，结合原料价格确定待采购物资的原料成本数据；
6、采集多家供应商的产品成本信息，利用统计学习方法剔除异常数据、估计数据分布，确定产品的固定成本数据；
7、采集多家供应商提供的可变成本数据，针对每个供应商分别计算出各项可变成本的产值成本率，再结合统计学习得到预估的各项可变成本产值成本率；
8、构建期望预算模型，针对原料成本数据、固定成本数据、可变成本数据计算预算期望值；
9、通过所述预算期望值从多家所述供应商公布信息中匹配价格最低进行物资采购。
10、优选的，在上述的一种基于统计学习的物资采购推荐方法中，确定产品的固定成本数据具体步骤如下：
11、剔除异常值，根据多家供应商的产品成本信息判断是否正态分布，若服从正态分布，结合拉依达准则、罗马诺夫斯基准则剔除异常数据；若不服从正态分布，则结合箱线图法、孤立森林算法剔除异常数据；
12、估计数据分布，计算置信区间，采用移动置信区间法、中位数置信区间法、bootstrap区间法，确定主要原料用量的区间范围；
13、选取max{移动置信区间法的下界，中位数置信区间法的下界，bootstrap法的下界}作为最小置信区间的下界，选取min{移动置信区间法的上界，中位数置信区间法的上界，bootstrap法的上界}作为最小置信区间的上界；
14、确定产品的固定成本数据。
15、优选的，在上述的一种基于统计学习的物资采购推荐方法中，确定各项可变成本的产值成本率具体步骤如下：根据供应商的财务报表数据中获取可变成本数据；所述可变成本数据包括：人工费用、设备折旧、运输费用、管理费用、销售费用、财务费用、税费，计算各项可变成本数据占主营业务收入的比例，确定各项可变成本的产值成本率。
16、优选的，在上述的一种基于统计学习的物资采购推荐方法中，所述期望预算模型公式如下：
17、
18、其中y：预算期望值，c1：原料成本数据，c2：固定成本数据，cd：设备折旧比率，ct：运输费用比率，ch：人工费用比率，cm：管理费用比率，cs：运输费用比率，cf：人工费用比率，cit：所得税比率，ca：税金及附加比率，r为利润率，由供应商拟定。
19、优选的，在上述的一种基于统计学习的物资采购推荐方法中，确定产品的固定成本数据步骤中，移动置信区间法采取遍历搜索区间的方式，遍历所有置信区间，找到所有能满足样本量占比达到μ(50％≤μ≤100％)的区间，取最短的一段作为该数据的置信区间。
20、优选的，在上述的一种基于统计学习的物资采购推荐方法中，确定产品的固定成本数据步骤中，中位数置信区间法包括：
21、(1)若样本数<20，则上下限的计算公式为
22、
23、(1)和(2)式中：n表示样本含量；zα由置信度决定；根据公式(1)和(2)算得两个百分位数，乘以样本含量n便得到总体中位数置信区间上下限所在的位次；然后把原始资料按自小到大排序，求得中位数的置信区间；或利用百分位数计算公式计算中位数的置信区间；
24、(2)若样本数>20，则总体中位数的1-α置信区间上下限的位次计算公式为
25、
26、其中，zα为标准正态分布的双侧界值；s1，s2分别表示置信区间上下限的位次，这里s1为s*取整；将原始资料按自小到大排序；求得总体中位数的置信区间。
27、优选的，在上述的一种基于统计学习的物资采购推荐方法中，确定产品的固定成本数据步骤中，bootstrap区间法的具体步骤包括：
28、(4)在含有m个样本的数据集中，每次随机挑选一个样本，将其作为训练样本，再将此样本放回到数据集中；
29、(5)这样有放回地抽样m次，生成一个与原数据集大小相同的数据集，这个新数据集就是训练集；
30、(6)利用没有被抽中的样本构建验证集，计算该模型的验证误差。
31、本发明公开了一种基于统计学习的物资采购推荐系统，应用上述推荐方法，包括采购端和供应商端；所述采购端采集和存储从多个供应商端收集的原始数据，进行预处理，并搭建期望预算模型，得到预算期望值；与多个所述供应端发布的价格数据进行对比，并与选定的所述供应商进行匹配。
32、优选的，在上述的一种基于统计学习的物资采购推荐系统中，所述采购端包括：
33、数据采集模块，用于采集和存储从各渠道收集的原始数据，并对所述原始数据进行预处理得到原料成本数据、固定成本数据、可变成本数据；
34、期望预算模型构建模块，用于成本数据的统计计算，包括原料成本的迭代计算、固定成本的统计计算和可变成本的统计计算，得到预算期望值；
35、推荐匹配模块，通过所述预算期望值从多家供应商公布信息中匹配价格最低的供应商。
36、优选的，在上述的一种基于统计学习的物资采购推荐系统中，所述供应商端发布价格和产品信息；以及匹配完成后与所述采购端建立数据联系。
37、经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种基于统计学习的物资采购推荐方法及系统，构建期望预算模型进行数据分析和处理，主要用于企业的物料采购价格控制，分析识别并输出企业不同供应商价格，减少高价采购对公司造成的经济损失，全面的了解物资的性价比，从而会避免物资购买成本的超支，并且购买管理的效率也得到有效的提高，用户也能选到最适配的供应商，推送一定数量的高匹配度供应商给采购发布者，使得企业可以不依赖采购人员实战经验，准确并且高效采购完成项目，获取盈利。
1.一种基于统计学习的物资采购推荐方法，其特征在于，包括：
2.根据权利要求1所述的一种基于统计学习的物资采购推荐方法，其特征在于，确定产品的固定成本数据具体步骤如下：
3.根据权利要求1所述的一种基于统计学习的物资采购推荐方法，其特征在于，确定各项可变成本的产值成本率具体步骤如下：根据供应商的财务报表数据中获取可变成本数据；所述可变成本数据包括：人工费用、设备折旧、运输费用、管理费用、销售费用、财务费用、税费，计算各项可变成本数据占主营业务收入的比例，确定各项可变成本的产值成本率。
4.根据权利要求1所述的一种基于统计学习的物资采购推荐方法，其特征在于，所述期望预算模型公式如下：
5.根据权利要求2所述的一种基于统计学习的物资采购推荐方法，其特征在于，确定产品的固定成本数据步骤中，移动置信区间法采取遍历搜索区间的方式，遍历所有置信区间，找到所有能满足样本量占比达到μ(50％≤μ≤100％)的区间，取最短的一段作为该数据的置信区间。
6.根据权利要求2所述的一种基于统计学习的物资采购推荐方法，其特征在于，确定产品的固定成本数据步骤中，中位数置信区间法包括：
7.根据权利要求2所述的一种基于统计学习的物资采购推荐方法，其特征在于，确定产品的固定成本数据步骤中，bootstrap区间法的具体步骤包括：
8.一种基于统计学习的物资采购推荐系统，应用上述权利要求1-7任一项所述的基于统计学习的物资采购推荐方法，其特征在于，包括采购端和供应商端；所述采购端采集和存储从多个供应商端收集的原始数据，进行预处理，并搭建期望预算模型，得到预算期望值；与多个所述供应端发布的价格数据进行对比，并与选定的所述供应商进行匹配。
9.根据权利要求8所述的一种基于统计学习的物资采购推荐系统，其特征在于，所述采购端包括：
10.根据权利要求8所述的一种基于统计学习的物资采购推荐系统，其特征在于，所述供应商端发布价格和产品信息；以及匹配完成后与所述采购端建立数据联系。
