CN104008428A - 产品服务需求预测和资源优选配置方法 - Google Patents
产品服务需求预测和资源优选配置方法 Download PDFInfo
- Publication number
- CN104008428A CN104008428A CN201410211357.4A CN201410211357A CN104008428A CN 104008428 A CN104008428 A CN 104008428A CN 201410211357 A CN201410211357 A CN 201410211357A CN 104008428 A CN104008428 A CN 104008428A
- Authority
- CN
- China
- Prior art keywords
- service
- goods
- resource
- src
- demand
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种产品服务需求预测和资源优选配置方法,包括步骤:步骤1:基于信息组合和方法组合对产品服务需求进行预测;步骤2:按照不同的产品服务需求对产品服务资源的要求,基于ProA方法优选配置产品服务资源。本发明充分发挥不同的预测模型在提取需求趋势信息上的优势,能够充分利用存在于不同产品服务需求层次中的需求趋势变化信息,从而提高需求预测的精度;准确获取产品服务需求之后,采用基于ProA的产品服务资源优选配置方法既可以确保所有产品服务都有必要的服务资源支撑,还可以优化产品服务资源配置方案,从而提高客户满意度,降低产品服务成本。
Description
技术领域
本发明属于产品服务领域,具体涉及产品服务需求预测技术,以及对满足产品服务需求所需的产品服务资源的优选配置方法,特别是涉及具有层次结构特征的产品服务需求预测,以及相应的产品服务资源配置方法。
背景技术
背景技术一:组合预测方法
组合预测技术是一种把多个预测模型的预测结果通过定量或定性方法进行组合,以期获得更加准确或者更加稳定的预测结果的方法。组合预测一定比其中最差的预测模型的效果好,因而可以减小预测风险,这也是组合预测在实践中被广泛采用的主要原因之一。就某一预测值而言,其预测效果最差时的预测值要远优于预测效果最差的模型对该值的预测。经验表明,不同预测模型组合流程的改进也可以改善预测效果,但是不恰当的组合权重会大大削弱组合预测模型的预测效果。在实际应用中,很难找到一个最优的预测模型,通过组合的方法可以减小单个预测模型的不稳定性,从而提高预测精度。
常见的简单组合的方法主要包括简单平均法,也称平均权重法,也就是每个预测模型的权重相等;方差-协方差法,这种方法考虑了每个预测模型的历史表现,但是,不足是忽略了不同预测模型的预测误差之间存在相关系数;折扣均方预测误差法,特点是不同预测模型的预测误差相关性越大,组合权重对这个相关性的变化越敏感;最小化平均绝对百分偏差的线性组合预测方法;基于方差的方法;均方误差倒数法;几何平均法;调和平均法。
背景技术二:协同规划、预测与补给法
协同规划、预测与补货技术(collaborative planning,forecasting,andreplenishment(CPFR))是减小供应链需求信息传递牛鞭效应的方法。CPFR强调供应商及零售商的协同合作流程及资讯分享,并借由所共享的资讯适当补货以减少库存、物流及运输成本,使供应链之流程更有效率,进而提升供应链价值。
(1)协同。CPFR这种合作关系要求双方长期承诺公开沟通、信息分享,从而确立其协同性的经营战略,尽管这种战略的实施必须建立在信任和承诺的基础上,但是这是买卖双方取得长远发展和良好绩效的唯一途径。
(2)规划。为了实现共同的目标,还需要双方协同制定促销计划、库存政策变化计划、产品导入和中止计划以及仓储分类计划。
(3)预测。CPFR强调买卖双方必须做出最终的协同预测,大大减少整个价值链体系的低效率、死库存,促进更好的产品销售、节约使用整个供应链的资源。
(4)补货。订单处理周期、前置时间、订单最小量、商品单元以及零售方长期形成的购买习惯等都需要供应链双方加以协商解决。
背景技术三:活动及其过程(Activity and its Process,ProA)方法
活动和过程是产品服务资源配置的两个密切相关的概念,从过程到活动的映射是一对多的关系,具有不确定性,也就是一个过程可能包含多个活动,而一项活动必然对应着一个实现过程。为了避免在活动和过程逐层展开时它们之间关系的不确定性,ProA是活动及其实现过程经抽象得到的实体,这个实体包括输入、输出、资源、管理及由输入到输出的映射,ProA用一个五元组表示:
ProA={I,O,R,M,Φ}。
I为ProA的输入集合;
O为ProA的输出集合;
R为执行ProA所需的资源集合;
M为ProA对资源管理的属性集合;
Φ为资源由输入到输出的映射集合。
当前,针对产品服务需求预测和资源配置方法的研究非常缺乏,传统的需求预测和资源管理方法并不能照搬到产品服务需求预测和资源配置中。需要发展和形成专门针对产品服务需求和资源配置的解决方法。
发明内容
针对现有技术中的缺陷,本发明提供一种产品服务需求预测技术,以及对满足产品服务需求所需的产品服务资源的优选配置方法,来解决产品服务管理中需求预测精度低、资源配置方法缺乏的问题。
本发明是通过下述技术方案来解决上述技术问题的:
(1)基于信息组合和方法组合的产品服务需求预测技术
(2)基于ProA的产品服务资源优选配置方法
根据本发明提供的一种产品服务需求预测和资源优选配置方法,包括如下步骤:
步骤1:基于信息组合和方法组合,同时考虑产品服务需求的层次结构管理和不同预测模型对趋势信息的提取优势,对各级产品服务中心的产品服务需求进行预测,得到产品服务需求预测值;
步骤2:根据步骤1得到的产品服务需求预测值,按照不同的产品服务需求对产品服务资源的要求,基于ProA方法优选配置产品服务资源,具体为:依据产品服务交付能力形成机理和产品服务资源能力指数信息匹配方法实现产品服务能力需求SCD到产品服务交付能力SDC映射得到映射集合,在映射集合中按产品服务资源特征属性进行排序和筛选,最后在目标约束下得到产品服务资源优选配置方案。
优选地,所述步骤1包括如下步骤:
步骤1.1:构建基于信息组合和方法组合的产品服务需求预测框架;
步骤1.2:为第一级产品服务中心和末级产品服务中心选择若干预测模型;
步骤1.3:采用步骤1.2中所选择的预测模型,分别对各个产品服务中心的需求进行预测;
步骤1.4:建立多级优化组合预测模型,得出第一级产品服务中心的产品服务需求预测值;
步骤1.5:求出各个末级产品服务中心的产品服务需求占第一级产品服务中心的产品服务需求的比例;
步骤1.6:计算采用自顶向下得到的末级产品服务中心的产品服务需求预测值;
步骤1.7:计算末级产品服务中心的组合预测值。
优选地,所述步骤1.1,具体为,依据产品服务需求分层方法,构建预测框架。
优选地,所述预测模型,包括:随机时间序列法、灰色模型、指数平滑法、Croston方法、Bootstrap方法、BP神经网络预测模型、径向基函数法、广义回归神经网络法、支持向量机法、回归预测方法。
优选地,所述步骤2包括如下步骤:
步骤2.1:SCD-SRC映射,具体为:
列出ProA的SCDi和SRCi,依据产品服务资源能力指数SCRI大小,得到针对SCRi的候选资源集,也就是SCD-SRC映射候选子集:
Ri={SRC1,SRCk,…,SRCl}
该集合中所有的SCRI≥1;
其中,SCDi表示产品服务能力需求,SRCi表示产品服务资源能力,Ri表示产品服务资源候选子集,SRCk表示第k个产品服务资源的能力,SRCl表示表示第1个产品服务资源的能力,k表示产品服务资源能力,SCRI表示产品服务资源能力指数;
步骤2.2:对SCD-SRC映射子集的排序和筛选,并形成产品服务资源优选配置方案,具体为:
对可选资源进行排序,并给出可选资源的优先级,形成SCDi的候选子集:
R′i={SRC1,SRCr}
其中,R′i表示经过删选后的产品服务资源候选子集,SRCr表示第r个产品服务资源的能力,r表示产品服务资源的编号或序号;
步骤2.3:从产品服务资源能力到产品服务交付能力SDC形成,具体为:
形成针对ProA的产品服务资源优选配置方案:
其中,FProA表示产品服务资源优选配置方案,SRCp表示第p个产品服务资源的能力,SRCq表示第q个产品服务资源的能力,p和q表示产品服务资源的编号或序号。
与现有技术相比,本发明具有如下的有益效果:
基于信息组合和方法组合的产品服务需求预测既可以充分发挥不同的预测模型在提取需求趋势信息上的优势,还能够充分利用存在于不同产品服务需求层次中的需求趋势变化信息,从而提高需求预测的精度;准确获取产品服务需求之后,采用基于ProA的产品服务资源优选配置方法既可以确保所有产品服务都有必要的服务资源支撑,还可以优化产品服务资源配置方案,从而提高客户满意度,降低产品服务成本。
具体地,本发明采用的技术手段包括:
(1)系统工程分析法;
(2)线性规划建模技术;
(3)基于实体的产品服务资源配置过程的形式化表达方法;
(4)基于ProA产品服务资源配置技术;
本发明所解决的技术问题如下:
(1)具有层次结构特征的产品服务需求预测准确性不高的问题;
(2)产品服务资源配置缺乏方法问题;
更为具体地,本发明所获得的技术效果如下:
(1)帮助企业准确预测具有层次结构特征的产品服务需求;
(2)帮助企业合理配置产品服务资源,同时通过基于实体的产品服务资源配置过程的形式化表达,为产品服务资源配置的计算机自动处理提供技术支撑。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1为产品服务需求预测流程;
图2为基于信息组合和方法组合的产品服务需求预测框架;
图3为产品服务资源优选配置原理示意图。
图3中,各个代式的含义如下:
ProAm表示第m个产品服务活动及其过程
SCDm表示第m个产品服务能力需求
m表示产品服务能力需求或其对应的产品服务活动及其过程的序号或编号
ProAn表示第n个产品服务活动及其过程
SRCn表示第n个产品服务资源能力
n表示产品服务资源能力的序号或编号
SRCp表示第p个产品服务资源能力
p表示产品服务资源能力的序号或编号
SRCq表示第q个产品服务资源能力
q表示产品服务资源能力的序号或编号
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明,但不以任何形式限制本发明。应当指出的是,对本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进。这些都属于本发明的保护范围。
本发明提供的产品服务需求预测和产品服务资源优选配置方法,包括以下步骤:
步骤1:基于信息组合和方法组合的产品服务需求预测
同时考虑产品服务需求的层次结构管理和不同预测模型对趋势信息的提取优势,对各级产品服务需求进行预测。(见图1产品服务需求预测流程)
(1)构建基于信息组合和方法组合的产品服务需求预测框架
依据产品服务需求分层方法,例如管理结构、地理结构或产品服务本身的层次结构,构建预测框架,(见图2基于信息组合和方法组合的产品服务需求预测框架(以地理结构为例))
(2)为第一级产品服务中心和末级产品服务中心选择若干合适的预测模型。
预测模型的选择参照如下表1。
(3)采用选择的预测模型,分别对各个产品服务中心的需求进行预测。
(4)建立多级优化组合预测模型,得出第一级的产品服务需求预测值,例如,以平均相对偏差最小为目标的多级优化组合预测模型如下:
目标函数:一级产品服务中心的需求预测平均相对偏差e0最小
约束条件:
ki≥0,ks≥0,
J:末级产品服务中心的集合,J={1,2,…,j,…,p}
mj:第j个末级产品服务中心需求预测所采用的(单个)预测模型的集合mj={1,2,…,mj,…,mp}
T:观测周期,T={1,2,…,t,…,T}
yt:t时期一级产品服务中心需求观测值
yjt:t时期第j个末级产品服务中心需求观测值
fit:t时期第i个预测模型对一级产品服务中心需求的预测值
:t时期第mj个预测模型对第j个末级产品服务中心需求的预测值
ft:t时期一级产品服务中心需求预测值
fjt′:t时期末级产品服务中心需求预测值
ftd jt:采用Topdown法得到的t时期末级产品服务中心需求预测值
δj:第j个末级产品服务中心需求观测值占一级产品服务中心需求观测值的比例
u:计算末级产品服务中心需求观测值占一级产品服务中心需求观测值的比例时,采用观测数据的起始时间
n:产品服务中心的个数
p:末级产品服务中心的个数
mp:第p个末级产品服务中心需求预测所采用的(单个)预测模型的集合
e0t:一级产品服务中心的需求预测平均相对偏差(Median Relative Deviation,MRD)
决策变量:
ki:对一级产品服务中心需求预测中,第i个模型在组合预测中的权重
ks:所有末级产品服务中心需求预测累加后,在对一级产品服务中心需求组合预测中的权重
:对第j个末级产品服务中心的需求预测中,第mj个模型在组合预测中的权重
:t时期对第j个末级产品服务中心的需求预测中,第mj个模型在组合预测中的权重
:采用Topdown方法得到的第j个末级产品服务中心的预测值在多级优化组合预测中的权重
(5)求出各个末级产品服务中心的产品服务需求占第一级产品服务中心的产品服务需求的比例。
δj是第j个末级产品服务中心的实际需求占第一级产品服务中心实际需求的比例。其它参数含义同上。
说明:步骤(4)得到的是第一级产品服务中心的需求预测值,也就是总需求的预测值;而步骤(5)得到的是各个末级产品服务中心的实际需求占第一级产品服务中心的实际需求的比例。
(6)计算采用自顶向下(Topdown)得到的末级产品服务中心需求预测值。
ftd jt表示采用Topdown方法得到的第j个末级产品服务中心的需求预测值。其它参数含义同上
(7)计算末级产品服务中心的组合预测值。
目标函数:末级产品服务中心的需求预测平均相对偏差ej最小
约束条件:
表1预测模型的选择参照
步骤2:基于ProA的产品服务资源优选配置
依据上一步(步骤1)得出的产品服务需求预测值,按照不同的产品服务需求对产品服务资源的要求,优选配置产品服务资源。依据产品服务交付能力形成机理和产品服务资源能力指数信息匹配方法实现产品服务能力需求(Service Capability Demand,SCD)到产品服务交付能力(Service Delivery Capability,SDC)映射,在映射集合中按产品服务资源特征属性进行排序和筛选,最后在目标约束下得到产品服务资源优选配置方案。(见图3产品服务资源优选配置)
(1)SCD-SRC映射
列出ProA的SCDi和SRCi,依据产品服务资源能力指数SCRI大小,得到针对SCDi的候选资源集,也就是SCD-SRC映射候选子集:
Ri={SRC1,SRCk,…,SRCl}
该集合中所有的SCRI≥1。
其中,SCDi表示产品服务能力需求,SRCi表示产品服务资源能力,Ri表示产品服务资源候选子集,SRCk表示第k个产品服务资源的能力,SRCl表示表示第1个产品服务资源的能力,k表示产品服务资源能力,SCRI表示产品服务资源能力指数;
(2)SCD-SRC映射子集的排序和筛选,并形成产品服务资源优选方案。
根据从产品服务资源可获得性、产品服务资源响应时间等方面对可选资源进行排序,并给出其优先级,形成SCDi的候选子集:
R′i={SRC1,SRCr}
其中,R′i表示经过删选后的产品服务资源候选子集,SRCr表示第r个产品服务资源的能力,r表示产品服务资源的编号或序号;
(3)从产品服务资源能力到产品服务交付能力(Service Delivery Capability,SDC)形成。
根据产品交付能力形成原理,形成针对ProA的产品服务资源配置方案:
其中,FProA表示产品服务资源优选配置方案,SRCp表示第p个产品服务资源的能力,SRCq表示第q个产品服务资源的能力,p和q表示产品服务资源的编号或序号。
以上对本发明的具体实施例进行了描述。需要理解的是,本发明并不局限于上述特定实施方式,本领域技术人员可以在权利要求的范围内做出各种变形或修改,这并不影响本发明的实质内容。
Claims (5)
1.一种产品服务需求预测和资源优选配置方法,其特征在于,包括如下步骤:
步骤1:基于信息组合和方法组合,同时考虑产品服务需求的层次结构管理和不同预测模型对趋势信息的提取优势,对各级产品服务中心的产品服务需求进行预测,得到产品服务需求预测值;
步骤2:根据步骤1得到的产品服务需求预测值,按照不同的产品服务需求对产品服务资源的要求,基于ProA方法优选配置产品服务资源,具体为:依据产品服务交付能力形成机理和产品服务资源能力指数信息匹配方法实现产品服务能力需求SCD到产品服务交付能力SDC映射得到映射集合,在映射集合中按产品服务资源特征属性进行排序和筛选,最后在目标约束下得到产品服务资源优选配置方案。
2.根据权利要求1所述的产品服务需求预测和资源优选配置方法,其特征在于,所述步骤1包括如下步骤:
步骤1.1:构建基于信息组合和方法组合的产品服务需求预测框架;
步骤1.2:为第一级产品服务中心和末级产品服务中心选择若干预测模型;
步骤1.3:采用步骤1.2中所选择的预测模型,分别对各个产品服务中心的需求进行预测;
步骤1.4:建立多级优化组合预测模型,得出第一级产品服务中心的产品服务需求预测值;
步骤1.5:求出各个末级产品服务中心的产品服务需求占第一级产品服务中心的产品服务需求的比例;
步骤1.6:计算采用自顶向下得到的末级产品服务中心的产品服务需求预测值;
步骤1.7:计算末级产品服务中心的组合预测值。
3.根据权利要求2所述的产品服务需求预测和资源优选配置方法,其特征在于,所述步骤1.1,具体为,依据产品服务需求分层方法,构建预测框架。
4.根据权利要求3所述的产品服务需求预测和资源优选配置方法,其特征在于,所述预测模型,包括:随机时间序列法、灰色模型、指数平滑法、Croston方法、Bootstrap方法、BP神经网络预测模型、径向基函数法、广义回归神经网络法、支持向量机法、回归预测方法。
5.根据权利要求1所述的产品服务需求预测和资源优选配置方法,其特征在于,所述步骤2包括如下步骤:
步骤2.1:SCD-SRC映射,具体为:
列出ProA的SCDi和SRCi,依据产品服务资源能力指数SCRI大小,得到针对SCDi的候选资源集,也就是SCD-SRC映射候选子集:
Ri={SRC1,SRCk,…,SRCl}
该集合中所有的SCRI≥1;
其中,SCDi表示产品服务能力需求,SRCi表示产品服务资源能力,Ri表示产品服务资源候选子集,SRCk表示第k个产品服务资源的能力,SRCl表示表示第1个产品服务资源的能力,k表示产品服务资源能力,SCRI表示产品服务资源能力指数;
步骤2.2:对SCD-SRC映射子集的排序和筛选,并形成产品服务资源优选配置方案,具体为:
对可选资源进行排序,并给出可选资源的优先级,形成SCDi的候选子集:
R′i={SRC1,SRCr}
其中,R′i表示经过删选后的产品服务资源候选子集,SRCr表示第r个产品服务资源的能力,r表示产品服务资源的编号或序号;
步骤2.3:从产品服务资源能力到产品服务交付能力SDC形成,具体为:
形成针对ProA的产品服务资源优选配置方案:
其中,FProA表示产品服务资源优选配置方案,SRCp表示第p个产品服务资源的能力,SRCq表示第q个产品服务资源的能力,p和q表示产品服务资源的编号或序号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410211357.4A CN104008428B (zh) | 2014-05-19 | 2014-05-19 | 产品服务需求预测和资源优选配置方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410211357.4A CN104008428B (zh) | 2014-05-19 | 2014-05-19 | 产品服务需求预测和资源优选配置方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104008428A true CN104008428A (zh) | 2014-08-27 |
CN104008428B CN104008428B (zh) | 2017-07-11 |
Family
ID=51369076
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410211357.4A Active CN104008428B (zh) | 2014-05-19 | 2014-05-19 | 产品服务需求预测和资源优选配置方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104008428B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106920000A (zh) * | 2016-12-12 | 2017-07-04 | 西安科技大学 | 基于es预测技术的煤炭供应链牛鞭效应抑制方法 |
CN107679902A (zh) * | 2017-09-27 | 2018-02-09 | 合肥博力生产力促进中心有限公司 | 一种基于云服务的企业产品市场需求量预测系统 |
CN107886358A (zh) * | 2017-11-08 | 2018-04-06 | 北京理工大学 | 一种农机装备产品服务需求预测方法 |
CN108491317A (zh) * | 2018-02-06 | 2018-09-04 | 南京航空航天大学 | 一种基于指令脆弱性分析的sdc错误检测方法 |
CN109615081A (zh) * | 2018-09-26 | 2019-04-12 | 阿里巴巴集团控股有限公司 | 一种模型预测系统及方法 |
CN110378510A (zh) * | 2019-05-30 | 2019-10-25 | 国网浙江绍兴市上虞区供电有限公司 | 一种基于时间序列和层次聚合的配网物资需求预测方法 |
CN111008661A (zh) * | 2019-12-04 | 2020-04-14 | 哈尔滨工业大学 | 航空发动机备发需求量的Croston-XGBoost预测方法 |
CN116663842A (zh) * | 2023-06-15 | 2023-08-29 | 黑龙江卓锦科技有限公司 | 一种基于人工智能的数字化管理系统及方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003316857A (ja) * | 2002-04-19 | 2003-11-07 | Ns Solutions Corp | 情報処理装置、製品管理システム、製品管理方法、記録媒体、及びプログラム |
CN1967533A (zh) * | 2006-07-17 | 2007-05-23 | 北京航空航天大学 | 采用元推荐引擎的门户个性化推荐服务方法和系统 |
CN101075304A (zh) * | 2006-05-18 | 2007-11-21 | 河北全通通信有限公司 | 电信行业基于数据仓库的决策支持系统的构造方法 |
CN102780765A (zh) * | 2012-06-27 | 2012-11-14 | 浙江大学 | 一种基于性能融合的云制造服务资源匹配与组合方法 |
CN105574685A (zh) * | 2016-02-02 | 2016-05-11 | 浙江工业大学 | 一种基于主客观结合的云服务评价方法 |
-
2014
- 2014-05-19 CN CN201410211357.4A patent/CN104008428B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003316857A (ja) * | 2002-04-19 | 2003-11-07 | Ns Solutions Corp | 情報処理装置、製品管理システム、製品管理方法、記録媒体、及びプログラム |
CN101075304A (zh) * | 2006-05-18 | 2007-11-21 | 河北全通通信有限公司 | 电信行业基于数据仓库的决策支持系统的构造方法 |
CN1967533A (zh) * | 2006-07-17 | 2007-05-23 | 北京航空航天大学 | 采用元推荐引擎的门户个性化推荐服务方法和系统 |
CN102780765A (zh) * | 2012-06-27 | 2012-11-14 | 浙江大学 | 一种基于性能融合的云制造服务资源匹配与组合方法 |
CN105574685A (zh) * | 2016-02-02 | 2016-05-11 | 浙江工业大学 | 一种基于主客观结合的云服务评价方法 |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106920000A (zh) * | 2016-12-12 | 2017-07-04 | 西安科技大学 | 基于es预测技术的煤炭供应链牛鞭效应抑制方法 |
CN106920000B (zh) * | 2016-12-12 | 2020-11-13 | 西安科技大学 | 基于es预测技术的煤炭供应链牛鞭效应抑制方法 |
CN107679902A (zh) * | 2017-09-27 | 2018-02-09 | 合肥博力生产力促进中心有限公司 | 一种基于云服务的企业产品市场需求量预测系统 |
CN107886358A (zh) * | 2017-11-08 | 2018-04-06 | 北京理工大学 | 一种农机装备产品服务需求预测方法 |
CN108491317A (zh) * | 2018-02-06 | 2018-09-04 | 南京航空航天大学 | 一种基于指令脆弱性分析的sdc错误检测方法 |
CN108491317B (zh) * | 2018-02-06 | 2021-04-16 | 南京航空航天大学 | 一种基于指令脆弱性分析的sdc错误检测方法 |
CN109615081A (zh) * | 2018-09-26 | 2019-04-12 | 阿里巴巴集团控股有限公司 | 一种模型预测系统及方法 |
CN110378510A (zh) * | 2019-05-30 | 2019-10-25 | 国网浙江绍兴市上虞区供电有限公司 | 一种基于时间序列和层次聚合的配网物资需求预测方法 |
CN110378510B (zh) * | 2019-05-30 | 2023-08-18 | 国网浙江绍兴市上虞区供电有限公司 | 一种基于时间序列和层次聚合的配网物资需求预测方法 |
CN111008661A (zh) * | 2019-12-04 | 2020-04-14 | 哈尔滨工业大学 | 航空发动机备发需求量的Croston-XGBoost预测方法 |
CN116663842A (zh) * | 2023-06-15 | 2023-08-29 | 黑龙江卓锦科技有限公司 | 一种基于人工智能的数字化管理系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104008428B (zh) | 2017-07-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ren et al. | Demand forecasting in retail operations for fashionable products: methods, practices, and real case study | |
CN104008428A (zh) | 产品服务需求预测和资源优选配置方法 | |
Shi et al. | Analytics for cross‐border e‐commerce: inventory risk management of an online fashion retailer | |
Li et al. | Multi-objective optimization of cloud manufacturing service composition with cloud-entropy enhanced genetic algorithm. | |
Cao et al. | Modelling on service capability maturity and resource configuration for public warehouse product service systems | |
CN103984998A (zh) | 基于云服务平台大数据挖掘的销售预测方法 | |
Hamilton | Real-time big data analytics, sustainable Industry 4.0 wireless networks, and Internet of Things-based decision support systems in cyber-physical smart manufacturing | |
Saraji et al. | Application of System Dynamics in Forecasting: A Systematic Review. | |
Cherubini et al. | Regional employment patterns in a globalizing world: A tale of four Italies | |
Taghipour et al. | Network coordination with minimum risk of information sharing | |
Umar et al. | Navigating epistemic uncertainty in third-generation biodiesel supply chain management through robust optimization for economic and environmental performance | |
Zhou et al. | [Retracted] Research on Intelligent Solution of Service Industry Supply Chain Network Optimization Based on Genetic Algorithm | |
Li et al. | A Two‐Stage Algorithm for the Closed‐Loop Location‐Inventory Problem Model Considering Returns in E‐Commerce | |
Huber et al. | B2B: A Shift from Owning to Sharing?-How Sharing Facilitates new Business-to-Business Relationships between Small and Medium-sized Enterprises | |
Forghani et al. | Contractor selection based on SWOT analysis with VIKOR and TOPSIS methods in fuzzy environment | |
Chaowarat et al. | A review of Data Development Analysis (DEA) applications in supply chain management research | |
Zheng et al. | Dynamic optimization for IPS2 resource allocation based on improved fuzzy multiple linear regression | |
Caglayan et al. | Sales forecasting by artificial neural networks for the apparel retail chain stores-An application | |
Lin et al. | Establishing a combined forecasting model: A case study on the logistic demand of Nanjing’s green tea industry in China | |
Wu et al. | Establishing a Novel Algorithm for Highly Responsive Storage Space Allocation Based on NAR and Improved NSGA‐III | |
Hong et al. | Evaluation of Interest Balance of Low‐carbon Collaborative Innovation Subjects | |
Wang et al. | Cloud logistics service mode and its several key issues | |
Ezell et al. | How an Information Technology Agreement 3.0 Would Bolster Global Economic Growth and Opportunity | |
Wang et al. | Cloud logistics service mode and its several key issues | |
Wang et al. | Modeling and optimization of the multiobjective stochastic joint replenishment and delivery problem under supply chain environment |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |