1.一种基于工作流模型的工业产业链协同决策方法，其特征在于，包括以下步骤：S1、建立基于工业大数据和深度学习的全产业链协同工作流模型；

S2、基于主成分分析确定决策权重；

S3、进行基于知识图谱和人为修正的交互式决策；

S4、进行基于评价系统的决策反馈优化；

所述步骤S1的具体过程如下；

S1‑1、建立基于深度学习的神经网络模型：

首先，统计产业链中各节点的输入输出特性，确定工作流模型的数据输入端口和数据输出端口的数量，以及各端口输入输出数据的格式和特征；

其中，数据输出端口又分为两种类型，第一种输出端口输出的数据需要经过再次处理，经过此种端口输出的数据会再次分发给产业链中的各节点；第二种输出端口输出的数据为经过处理的最终数据，不需要被再次分发，而是直接用于后续的决策过程；

然后，根据所统计的工作流模型端口数量，建立深度学习神经网络模型，其中神经网络模型的输入输出层端口数量需根据所统计工作流模型的数据输入端口和输出端口的数量来确定；具有相同数据格式和特征的输入数据端口合并为一个神经网络模型输入层端口，针对需要再次处理的输出数据，具有相同数据格式和特征的输出数据端口合并为一个神经网络输出层端口；不需再次处理的输出数据端口不进行合并；

S1‑2、设置训练集对神经网络进行训练：

利用工业大数据对神经网络模型进行训练，其中包含由产业链各节点的生产数据、各传感器节点的环境感知数据、各生产销售环节的物料数据、订单数据，将其按格式整理为神经网络的输入数据集；将输入数据按传统流程处理过后的数据作为神经网络对应的输出数据集；

所述步骤S2利用主成分分析法，对步骤S1中建立的协同工作流模型输出的数据进行分析，确定各生产要素对决策的影响权重，具体步骤如下：S2‑1、原始数据标准化：

设工作流模型输出端口中有n个直接输出无需再经过处理的数据，将此n个输出端口输出的数据整理为n维向量形式，并对此n个输出端口采集p次数据，且满足p＞n，则p个n维向量可以组合为一个n×p的矩阵，如下：然后，对矩阵中的元素进行如下标准化变换：

其中： 可得到如下标准化矩阵Y：

S2‑2、计算标准化数据的协方差矩阵：

针对上述为n维的数据，有如下计算公式计算其协方差矩阵：T

其中，H为协方差矩阵，cov表示对两个变量求协方差，y1＝[y11,y21,…,yp1] ，y2＝[y12,T Ty22,…,yp2]，以此类推，yn＝[y1n,y2n,…,ypn]；

S2‑3、求解协方差矩阵的特征值：

构造协方差矩阵H的特征方程|H‑λIn|＝0，λ为需要求解的特征值，In为n维单位矩阵；求解上述方程可以得到特征值λ1,λ2,...,λn；

S2‑4、确定输出数据中各成分的贡献率：

n维向量中各个成分的贡献率用下式计算：

其中，Gi为n维向量中第i个成分的贡献率；

所述步骤S3的具体过程如下：

根据任务要求，首先根据获得的产业链数据分析当前工作态势与产业链动态环境信息；如果存在产业链信息不完全情况，则根据知识图谱查找当前态势下的规范约束和历史数据进行推理并进行信息估计；

然后，基于步骤S2中所计算的各生产要素成分对决策的贡献率，建立具有如下线性优化策略形式的决策函数：其中，Fi(x)为第i个生产要素对应的决策函数，D(x)为考虑综合考虑所有生产要素的初步决策结果；

接着，通过人为经验判断初步决策结果的合理性、生产效率及经济效益因素，若判断决策存在不足之处，则人为对初步决策结果进行修正；

所述步骤S4的具体过程如下：

采用决策评价模型来表达产业链实时动态特性与最终决策的关系，并评估上个步骤中所做出的决策的质量；通过分析产业链历史情况与历史决策的对应关系与决策的后续进展，建立对应特定产业链条件下的决策功能性、可靠性以及效率性评价指标与模型；

然后针对步骤S3中所作出的决策，将其输入决策评价系统进行分析，得到决策的综合质量评估，并根据评估结果及时调整步骤二中的决策过程，形成对最终决策结果的反馈优化。