CN106920000B - 基于es预测技术的煤炭供应链牛鞭效应抑制方法 - Google Patents
基于es预测技术的煤炭供应链牛鞭效应抑制方法 Download PDFInfo
- Publication number
- CN106920000B CN106920000B CN201611140002.6A CN201611140002A CN106920000B CN 106920000 B CN106920000 B CN 106920000B CN 201611140002 A CN201611140002 A CN 201611140002A CN 106920000 B CN106920000 B CN 106920000B
- Authority
- CN
- China
- Prior art keywords
- coal
- demand
- period
- supply chain
- effect
- 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.)
- Active
Links
- 239000003245 coal Substances 0.000 title claims abstract description 172
- 230000000694 effects Effects 0.000 title claims abstract description 87
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000005516 engineering process Methods 0.000 title claims abstract description 21
- 230000002401 inhibitory effect Effects 0.000 title claims abstract description 14
- 230000001932 seasonal effect Effects 0.000 claims description 47
- 244000309464 bull Species 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 16
- 238000009499 grossing Methods 0.000 claims description 14
- 230000005764 inhibitory process Effects 0.000 claims description 10
- 230000008859 change Effects 0.000 claims description 6
- 210000003899 penis Anatomy 0.000 claims description 6
- 238000011161 development Methods 0.000 claims description 4
- 125000004122 cyclic group Chemical group 0.000 claims description 3
- 238000005065 mining Methods 0.000 claims description 3
- 230000000737 periodic effect Effects 0.000 claims description 3
- 230000002441 reversible effect Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 abstract description 8
- 238000013461 design Methods 0.000 abstract description 3
- 238000012261 overproduction Methods 0.000 abstract description 3
- 230000008901 benefit Effects 0.000 description 7
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 3
- 238000007619 statistical method Methods 0.000 description 3
- 241001123248 Arma Species 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 2
- 230000003321 amplification Effects 0.000 description 2
- 238000003199 nucleic acid amplification method Methods 0.000 description 2
- 238000012731 temporal analysis Methods 0.000 description 2
- 238000000700 time series analysis Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 239000004566 building material Substances 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005272 metallurgy Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Animal Husbandry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Agronomy & Crop Science (AREA)
- Mining & Mineral Resources (AREA)
- General Health & Medical Sciences (AREA)
- Marine Sciences & Fisheries (AREA)
- Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
Description
技术领域
本发明属于抑制牛鞭效应技术领域,具体涉及一种基于ES预测技术的煤炭供应链牛鞭效应抑制方法。
背景技术
牛鞭效应(Bullwhip Effect,BE)是供应链上的一种需求变异放大现象,当信息流从客户端向供应商传递时,信息出现了扭曲而逐级放大,越靠近供应链的上游需求信息放大程度越严重。煤炭行业曾经是中国经济增长最大的受益者,经历了十年的繁荣时期,但在2012年出现重大转折。受实体经济下滑的影响,煤炭供应链出现急剧变化,煤炭需求量、产销量、铁路和港口转运量增速大幅下滑,库存增加、价格下行、效益下滑,随之出现一系列反应,低迷的市场环境进一步加剧了煤炭供应链牛鞭效应,比如由于无法精准预测客户需求而增加库存量和库存费用,并且难以制定合理的生产计划造成生产过量、供应过剩、产品积压,无形中增加额外成本,使得整个煤炭供应链的运作成本过高,运作效率和经济效益降低。指数平滑法(Exponential Smoothing,ES)预测技术是在移动平均法基础上发展起来的一种时间序列分析预测法,它是通过计算指数平滑值,配合一定的时间序列预测模型对现象的未来进行预测,其原理是任一期的指数平滑值都是前期实际观察值与前期指数平滑值的加权平均。
数理统计方法是量化并抑制牛鞭效应最常用的方法,数理统计方法的基本模型比较一致,基于AR(1)需求过程或者衍生出来的ARIMA需求过程的模型,由于研究的对象不同,则从基本模型出发,根据所研究的不同前提假设进行衍生,推演出基于各特定情形的量化模型。现有的基于移动平均法(MA)、指数平滑法(ES)、最小均方差法(MMSE)下进行需求预测时牛鞭效应的量化模型中,当AR(1)需求过程是已知并且不随时间变化,最小均方差(MMSE)法会有较好的表现;当AR(1)的需求过程随时间而发生改变的时候,移动平均法和指数平滑法两种方法因为其能够更敏感地捕捉到需求的短期波动,而显得更有效。然而,许多企业的需求过程都是一个固定间隔期的季节性循环,比如煤炭行业,煤炭主力消耗行业为电力、冶金、建材、化工等四大行业,这其中电力行业占据全国煤炭消费者的绝对优势地位,其波动趋势将代表四大用煤行业甚至全国煤炭消费量的波动趋势。而电力消费受季节性因素影响较大,夏、冬两季明显高于春、秋两季,致使电力生产量和电力生产所需的煤炭需求量存在季节性波动,而且,煤炭的需求统计数据告诉我们,AR模型、ARIMA模型或ARMA模型并不是描述煤炭供应链市场需求的最佳模型,煤炭市场需求带有明显的季节性特征,因此,现如今缺少一种带有明显的季节性波动趋势且可有效缓解煤炭供应链牛鞭效应抑制方法,提升煤炭供应链效率和效益,实现煤炭供应链健康、稳定发展。
发明内容
本发明所要解决的技术问题在于针对上述现有技术中的不足,提供一种基于ES预测技术的煤炭供应链牛鞭效应抑制方法,实现方便、使用效果好,能有效解决复杂煤炭供应链牛鞭效应问题,避免了由于无法精准预测顾客需求而增加煤炭库存量和煤炭库存费用,并且避免了难以制定合理的生产计划造成生产过量,精度高,便于推广使用。
为解决上述技术问题,本发明采用的技术方案是:基于ES预测技术的煤炭供应链牛鞭效应抑制方法,其特征在于该方法包括以下步骤:
步骤一、建立煤炭需求模型:采用计算机构建煤炭需求模型且煤炭需求量D服从SARMA(1,0)X(0,1)s季节时间序列,其中,s为季节性循环周期;
步骤二、根据公式计算t期的煤炭需求量Dt的方差,其中,t期的煤炭需求量Dt服从步骤一中SARMA模型且Dt=μ+ρDt-1+εt-θεt-s,μ是非负常数,ρ为季节性自回归系数且0<ρ<1,θ为季节性移动平均系数且0<θ<1,εt为t期独立同分布的随机变量且εt~N(0,σ2),εt-s为t-s期独立同分布的随机变量且εt-s~N(0,σ2),Dt-1为输入计算机中的t-1期实际煤炭需求量;
步骤四、确定煤炭订货量,过程如下:
步骤402、计算t期初煤炭销售运输企业向煤炭勘探开采企业发出的煤炭订货量qt:首先,通过计算机维持期末库存水平保持在St,计算得煤炭订货量St-1为期末库存水平保持在St的前一期库存水平;然后,将步骤302中带入得
步骤五、确定煤炭订货量方差Var(qt),过程如下:
步骤503、对协方差进行展开,将步骤502所得带入协方差进行等价转换,得对步骤二中t期的煤炭需求量Dt=μ+ρDt-1+εt-θεt-s进行递推,得t期进行m次预测后的煤炭需求量j为预测展开次数m的变量,将递推后的Dt+m带入cov(Dt+m,Dt)对协方差进行展开,得
步骤七、调节煤炭供应链牛鞭效应BE表达式中参数并抑制牛鞭效应:通过计算机选取煤炭供应链牛鞭效应BE表达式中参数取值,调节煤炭供应链牛鞭效应BE的数值抑制牛鞭效应。
上述的基于ES预测技术的煤炭供应链牛鞭效应抑制方法,其特征在于:步骤二中季节性自回归系数ρ和季节性移动平均系数θ均满足平稳可逆条件。
上述的基于ES预测技术的煤炭供应链牛鞭效应抑制方法,其特征在于:步骤二中t期包括t月或t季度。
上述的基于ES预测技术的煤炭供应链牛鞭效应抑制方法,其特征在于:步骤401中保证供货的服务水平系数z取0。
上述的基于ES预测技术的煤炭供应链牛鞭效应抑制方法,其特征在于:步骤301中权值α满足:0.5<α<1。
本发明与现有技术相比具有以下优点:
1、本发明采用的抑制方法步骤简单合理、实现方便。
2、本发明采用的抑制方法基于ES预测技术,兼容了全期平均法和移动平均法的优势,不舍弃过去的数据,根据预测给予逐渐减弱的影响程度,通过计算指数平滑值赋予逐渐收敛为零的权数,配合一定的时间序列预测模型对现象的未来进行预测,可以精准预测煤炭客户需求,进而减少煤炭供应链牛鞭效应,所需参数少,就可以预测出来所需要的结果,实现效果好。
3、本发明采用计算机建立带有明显的季节性波动趋势的SARMA煤炭需求模型,可有效缓解煤炭供应链牛鞭效应,提升煤炭供应链效率和效益,实现煤炭供应链健康、稳定发展。
4、本发明设计新颖合理,能有效解决煤炭供应链牛鞭效应带来的危害问题,能对需抑制的煤炭供应链牛鞭效应进行有效预防,便于推广使用。
综上所述,本发明设计新颖合理,实现方便、使用效果好,能有效解决复杂煤炭供应链牛鞭效应问题,避免了由于无法精准预测顾客需求而增加煤炭库存量和煤炭库存费用,并且避免了难以制定合理的生产计划造成生产过量,精度高,便于推广使用。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明的方法流程框图。
具体实施方式
如图1所示,本发明的基于ES预测技术的煤炭供应链牛鞭效应抑制方法,其特征在于该方法包括以下步骤:
步骤一、建立煤炭需求模型:采用计算机构建煤炭需求模型且煤炭需求量D服从SARMA(1,0)X(0,1)s季节时间序列,其中,s为季节性循环周期;
实际使用中,煤炭供应链是一个固定间隔期的季节性循环,夏、冬两季明显高于春、秋两季,致使煤炭需求量存在季节性波动,建立的煤炭需求模型中煤炭需求量D服从SARMA(1,0)X(0,1)s季节时间序列,预测的煤炭需求量比传统的AR模型、ARIMA模型或ARMA模型精度高。
步骤二、根据公式计算t期的煤炭需求量Dt的方差,其中,t期的煤炭需求量Dt服从步骤一中SARMA模型且Dt=μ+ρDt-1+εt-θεt-s,μ是非负常数,ρ为季节性自回归系数且0<ρ<1,θ为季节性移动平均系数且0<θ<1,εt为t期独立同分布的随机变量且εt~N(0,σ2),εt-s为t-s期独立同分布的随机变量且εt-s~N(0,σ2),Dt-1为输入计算机中的t-1期实际煤炭需求量;
本实施例中,步骤二中季节性自回归系数ρ和季节性移动平均系数θ均满足平稳可逆条件。
实际使用中,季节性自回归系数ρ和季节性移动平均系数θ均满足平稳条件,即季节性自回归系数ρ和季节性移动平均系数θ的协方差平稳不随时间的推移而改变;同时,季节性自回归系数ρ和季节性移动平均系数θ均满足可逆条件,即季节性自回归系数ρ和季节性移动平均系数θ在时间的推移下趋于0,因此,t期的煤炭需求量Dt的方差Var(Dt)不随时间的推移而改变。
本实施例中,步骤二中t期包括t月或t季度。
本实施例中,步骤301中权值α满足:0.5<α<1。
实际使用中,采用ES预测技术,预测值是前期观察值和前期指数平滑值的加权平均,且对前期观察值和前期指数平滑值给予不同的权值,前期指数平滑值给予较小的权值,前期观察值给予较大的权值,为t-1期煤炭需求预测值且的初始值通过键盘人工输入至计算机,的初始值人工给定误差较大,随着时间的推移预测量越来越接近需求量;
ES预测技术兼容了全期平均法和移动平均法的优势,其中,移动平均法则不考虑前期指数平滑值,只计算最近数期实际需求值的平均值;而指数平滑法所需数据资料少,就可以预测出来所需要的结果,指数平滑法是在移动平均法基础上改进的时间序列分析预测法,不舍弃过去的数据,根据预测给予前期的预测值逐渐减弱的影响程度,通过计算指数平滑值赋予逐渐收敛为零的权数,配合一定的时间序列预测模型对现象的未来进行预测,可以精准预测煤炭客户需求,进而减少煤炭供应链牛鞭效应,实现效果好。
步骤四、确定煤炭订货量,过程如下:
本实施例中,步骤401中保证供货的服务水平系数z取0。
实际使用中,由于煤炭库存不足或者库存过量都会影响煤炭用户的稳步运行,增加煤炭用户的运营压力,进而影响其正常供应,因此,煤炭库存多采用定期补充库存策略中目标库存水平的确定方法,煤炭销售运输企业周期检查库存,为使期末库存水平保持在St,取保证供货的服务水平系数z为0,简化步骤,便于计算。
步骤402、计算t期初煤炭销售运输企业向煤炭勘探开采企业发出的煤炭订货量qt:首先,通过计算机维持期末库存水平保持在St,计算得煤炭订货量St-1为期末库存水平保持在St的前一期库存水平;然后,将步骤302中带入得
实际订货中,煤炭订货量qt可以为负数,表示多余库存可以无成本返回给煤炭勘探开采企业。
步骤五、确定煤炭订货量方差Var(qt),过程如下:
步骤503、对协方差进行展开,将步骤502所得带入协方差进行等价转换,得对步骤二中t期的煤炭需求量Dt=μ+ρDt-1+εt-θεt-s进行递推,得t期进行m次预测后的煤炭需求量j为预测展开次数m的变量,将递推后的Dt+m带入cov(Dt+m,Dt)对协方差进行展开,得
步骤七、调节煤炭供应链牛鞭效应BE表达式中参数并抑制牛鞭效应:通过计算机选取煤炭供应链牛鞭效应BE表达式中参数取值,调节煤炭供应链牛鞭效应BE的数值抑制牛鞭效应。
实际使用中,煤炭供应链中牛鞭效应BE的数值大于1表明存在牛鞭效应,在大于1的范围内牛鞭效应BE的数值越小,煤炭供应链牛鞭效应抑制效果越好。
本发明使用时,煤炭供应链牛鞭效应BE的表达式可知,ES预测技术下,煤炭供应链牛鞭效应值BE依赖以下六个参数:权值α、提前订货的备货期L、季节性自回归系数ρ、季节性移动平均系数θ、季节性循环周期s和预测展开次数m。
当权值α或提前订货的备货期L越小时,煤炭供应链牛鞭效应值BE越小;
又由于0<ρ<1,当季节性自回归系数ρ越小,煤炭供应链牛鞭效应值BE越小;
实际使用中,根据实际需求,煤炭供应链牛鞭效应BE的数值达到最小时,提前订货的备货期L和季节性循环周期s不可能无限的小,预测展开次数m不可能无限的大,选取合适的提前订货的备货期L、季节性循环周期s和预测展开次数m,结合权值α、季节性自回归系数ρ和季节性移动平均系数θ,获取较佳的抑制数值。
以上所述,仅是本发明的较佳实施例,并非对本发明作任何限制,凡是根据本发明技术实质对以上实施例所作的任何简单修改、变更以及等效结构变化,均仍属于本发明技术方案的保护范围内。
Claims (5)
1.基于ES预测技术的煤炭供应链牛鞭效应抑制方法,其特征在于该方法包括以下步骤:
步骤一、建立煤炭需求模型:采用计算机构建煤炭需求模型且煤炭需求量D服从SARMA(1,0)X(0,1)s季节时间序列,其中,s为季节性循环周期;
步骤二、根据公式计算t期的煤炭需求量Dt的方差,其中,t期的煤炭需求量Dt服从步骤一中SARMA模型且Dt=μ+ρDt-1+εt-θεt-s,μ是非负常数,ρ为季节性自回归系数且0<ρ<1,θ为季节性移动平均系数且0<θ<1,εt为t期独立同分布的随机变量且εt~N(0,σ2),εt-s为t-s期独立同分布的随机变量且εt-s~N(0,σ2),Dt-1为输入计算机中的t-1期实际煤炭需求量;
步骤四、确定煤炭订货量,过程如下:
步骤402、计算t期初煤炭销售运输企业向煤炭勘探开采企业发出的煤炭订货量qt:首先,通过计算机维持期末库存水平保持在St,计算得煤炭订货量St-1为期末库存水平保持在St的前一期库存水平;然后,将步骤302中带入得
步骤五、确定煤炭订货量方差Var(qt),过程如下:
步骤503、对协方差进行展开,将步骤502所得带入协方差进行等价转换,得对步骤二中t期的煤炭需求量Dt=μ+ρDt-1+εt-θεt-s进行递推,得t期进行m次预测后的煤炭需求量j为预测展开次数m的变量,将递推后的Dt+m带入cov(Dt+m,Dt)对协方差进行展开,得
步骤七、调节煤炭供应链牛鞭效应BE表达式中参数并抑制牛鞭效应:通过计算机选取煤炭供应链牛鞭效应BE表达式中参数取值,调节煤炭供应链牛鞭效应BE的数值抑制牛鞭效应。
2.按照权利要求1所述的基于ES预测技术的煤炭供应链牛鞭效应抑制方法,其特征在于:步骤二中季节性自回归系数ρ和季节性移动平均系数θ均满足平稳可逆条件。
3.按照权利要求1或2所述的基于ES预测技术的煤炭供应链牛鞭效应抑制方法,其特征在于:步骤二中t期包括t月或t季度。
4.按照权利要求3所述的基于ES预测技术的煤炭供应链牛鞭效应抑制方法,其特征在于:步骤401中保证供货的服务水平系数z取0。
5.按照权利要求3所述的基于ES预测技术的煤炭供应链牛鞭效应抑制方法,其特征在于:步骤301中权值α满足:0.5<α<1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611140002.6A CN106920000B (zh) | 2016-12-12 | 2016-12-12 | 基于es预测技术的煤炭供应链牛鞭效应抑制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611140002.6A CN106920000B (zh) | 2016-12-12 | 2016-12-12 | 基于es预测技术的煤炭供应链牛鞭效应抑制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106920000A CN106920000A (zh) | 2017-07-04 |
CN106920000B true CN106920000B (zh) | 2020-11-13 |
Family
ID=59453290
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611140002.6A Active CN106920000B (zh) | 2016-12-12 | 2016-12-12 | 基于es预测技术的煤炭供应链牛鞭效应抑制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106920000B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113052330B (zh) * | 2021-03-18 | 2022-08-02 | 淮北师范大学 | 一种基于vmd-svm算法的牛鞭效应弱化方法 |
CN113592309B (zh) * | 2021-08-02 | 2024-04-30 | 上海华能电子商务有限公司 | 一种基于数据驱动的多级库存定额制定方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104008428A (zh) * | 2014-05-19 | 2014-08-27 | 上海交通大学 | 产品服务需求预测和资源优选配置方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7054706B2 (en) * | 2003-06-30 | 2006-05-30 | Intel Corporation | Managing supply chains with model predictive control |
-
2016
- 2016-12-12 CN CN201611140002.6A patent/CN106920000B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104008428A (zh) * | 2014-05-19 | 2014-08-27 | 上海交通大学 | 产品服务需求预测和资源优选配置方法 |
Non-Patent Citations (3)
Title |
---|
The impact of forecasting methods on the bullwhip effect;Xiaolong Zhang;《International Journal of Production Economics》;20041231;第15-27页 * |
基于SARMA需求模式的牛鞭效应分析;云小红等;《数学的实践与认识》;20151130;第99-106页 * |
煤炭供应链牛鞭效应量化研究;云小红等;《西安科技大学学报》;20160731;第560-566页 * |
Also Published As
Publication number | Publication date |
---|---|
CN106920000A (zh) | 2017-07-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2019001120A1 (zh) | 商品动态定价数据处理方法和系统 | |
Huang et al. | Monthly streamflow prediction using modified EMD-based support vector machine | |
Moon et al. | The development of a hierarchical forecasting method for predicting spare parts demand in the South Korean Navy—A case study | |
Su et al. | A systematic data-driven Demand Side Management method for smart natural gas supply systems | |
Costantini et al. | A hierarchical procedure for the combination of forecasts | |
CN107563705A (zh) | 利用大数据分析家电产品安全库存及再订货的系统和方法 | |
Hansun et al. | Performance analysis of conventional moving average methods in forex forecasting | |
US20210326696A1 (en) | Method and apparatus for forecasting power demand | |
Goyal et al. | Production policy for ameliorating/deteriorating items with ramp type demand | |
Peña-Guzmán et al. | Forecasting Water Demand in Residential, Commercial, and Industrial Zones in Bogotá, Colombia, Using Least‐Squares Support Vector Machines | |
CN104657788A (zh) | 基于行业景气指数的重点行业用电量预测方法 | |
CN106920000B (zh) | 基于es预测技术的煤炭供应链牛鞭效应抑制方法 | |
CN107358472A (zh) | 数据处理方法及装置 | |
Wen et al. | Daily sales forecasting for grapes by support vector machine | |
Safiullin et al. | Assessment of the sustainable development prospects and competitiveness of industrial production of a region under external shock “impulses”: The case of the republic of Tatarstan | |
Klebanova et al. | Model basis of early warning and localization of crises in economic systems of territories | |
CN105389637A (zh) | 用于月度用电预测模型的有效工作日构建方法 | |
CN106952042A (zh) | 一种售电量预测方法及装置 | |
Wijeratne et al. | Morgan-Mercer-Flodin model for long term trend analysis of currency exchange rates of some selected countries | |
Wang et al. | Sales forecast of Chinese new energy vehicles based on wavelet and BP neural network | |
JP5022729B2 (ja) | 流動数管理システム、方法、及びプログラム | |
Jiang et al. | Diverse replenishment frequency model for TOC supply chain replenishment systems with capacity constraints | |
Hosseini-Nasab et al. | DEVELOPMENT OF OPENED-NETWORK DATA ENVELOPMENT ANALYSIS MODELS UNDER UNCERTAINTY. | |
Nivasanon et al. | Demand forecasting for online market stock: Case study cleanroom apparel | |
CN110232593A (zh) | 社会消费品零售总额累计增幅的预测方法和系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20231124 Address after: Room 407-10, floor 4, building 2, Haichuang science and technology center, Cangqian street, Yuhang District, Hangzhou City, Zhejiang Province, 311100 Patentee after: Zhejiang Zhiduo Network Technology Co.,Ltd. Address before: 710054 No. 58, Yanta Road, Shaanxi, Xi'an Patentee before: XI'AN University OF SCIENCE AND TECHNOLOGY |