CN107862415A - 一种产量预测方法 - Google Patents

一种产量预测方法 Download PDF

Info

Publication number
CN107862415A
CN107862415A CN201711238889.7A CN201711238889A CN107862415A CN 107862415 A CN107862415 A CN 107862415A CN 201711238889 A CN201711238889 A CN 201711238889A CN 107862415 A CN107862415 A CN 107862415A
Authority
CN
China
Prior art keywords
month
prediction
weekend
holidays
total output
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
Application number
CN201711238889.7A
Other languages
English (en)
Other versions
CN107862415B (zh
Inventor
张晓军
黎小华
李汶
李汶一
陈尚宇
胡廷贵
罗时杰
吴渊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chengdu Aircraft Industrial Group Co Ltd
Original Assignee
Chengdu Aircraft Industrial Group Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chengdu Aircraft Industrial Group Co Ltd filed Critical Chengdu Aircraft Industrial Group Co Ltd
Priority to CN201711238889.7A priority Critical patent/CN107862415B/zh
Publication of CN107862415A publication Critical patent/CN107862415A/zh
Application granted granted Critical
Publication of CN107862415B publication Critical patent/CN107862415B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q50/04—Manufacturing
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Health & Medical Sciences (AREA)
  • Manufacturing & Machinery (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

本发明公开了一种产量预测方法，包括：筛选出样本数据；将所述样本数据按年、月、日分别统计产量数据；计算年度带权产量B和月平均带权产量T0，T0=B/12；计算月平均带权产量T1，并分别统计工作日平均产量，周末日平均产量和节假日平均产量；计算修正系数K，K=T0/T1；求和计算当月预测总产量P；将当月预测总产值P与实际生产量对比，进行生产管控。本发明将实际生产量与预测值按日、月和累计值进行比较，可以分别判断当天、当月产量和累计产量是否达标，因此可以做出及时的整改措施，及时纠正与预期的偏差，避免偏差扩大化；通过修正系数K与1的比较，可以得知今年任务目标Y0定的高还是低，由此采取增加或减少每日预期产量进行纠正。

Description

一种产量预测方法
技术领域
本发明涉及生产管理技术领域，具体的说，是一种产量预测方法。
背景技术
在航空工业的生产管控中心，涉及生产管理中的供应链、零件、部装、总装等多道工序和步骤，而生产管控粒度细化到每一个零件，每一个工位以及工序，实现全专业，多要素，全流程的管控，为生产管理提供辅助决策。现有的生产管理中，对于生产中产量的管理一般基于进度管理，事后分析，无法在生产过程中实时的纠正实际生产量与预期生产量的偏差，及时找出问题和应对措施，使实际生产曲线接近预期生产量。
发明内容
本发明的目的在于提供一种产量预测方法，用于解决现有技术中对于产量的管理基于进度管理和事后分析，无法实时纠正与预期的偏差的问题。
为了达到上述目的，本发明通过下述技术方案实现：
一种产量预测方法，包括：
步骤S100：从MES/ERP系统筛选出样本数据W1；
步骤S200：将所述样本数据W1按年、月、日分别统计产量数据；
步骤S300：选用近n年的产量数据作统计样本X1，计算年度带权产量B和月平均带权产量T0，T0=B/12；
步骤S400：选用近m月的产量数据作统计样本X2，计算月平均带权产量T1，并分别统计工作日平均产量Weekday_avg，周末日平均产量Weekend_avg和节假日平均产量Holiday_avg；
步骤S500：计算修正系数K，K=T0/T1；
步骤S600：求和计算当月预测总产量P；
步骤S700：将当月预测总产值P与实际生产量对比，进行生产管控。
工作原理：
从生产管控中心的ERP系统提取数据，包括交接单的发出单位、接收单位、交接单图号、类型、数量移交时间，接收时间等关键字，排出不属于零件产出的数据，将提取出的记录作为样本数据W1。将样本数据W1中的数据按照年份、月份、工作日、周末、节假日进行分别进行产量统计，从统计出的数据中，选用近n年的数据作为年度带权产量B的样本X1，将年度带权产量B除以12个月，得到月平均带权产量T0，选用近m月的数据作为月平均带权产量T1的样本X2，并计算样本X2中，工作日平均产量Weekday_avg=工作日总产量/工作日天数；周末日平均产量Weekend_avg=周末总产量/周末总天数；节假日平均产量Holiday_avg=节假日总产量/节假日总天数，则修正系数K=T0/T1，当月预测总产量P=工作日平均产量*当月工作日总天数*K+周末日平均产量*当月周末总天数*K+节假日平均产量*当月节假日总天数*K。将实际生产量与当月预测总产量P进行比较，可以判断当月产量是否达标，将每一天的实际产量结合当天的类型，如工作日，周末，节假日，选择与工作日平均产量*K或周末日平均产量*K或节假日平均产量*K，进行比较，判断当天的产量是否达标，因此可以做出及时的整改措施，及时纠正与预期的偏差，避免偏差扩大化。
进一步地，所述步骤S100具体包括：
步骤S110：从ERP系统调用A零件的加工数据，以零件名称、交接单以及接收时间作为关键字进行筛选，筛选出接收时间非空的数据；
步骤S120：进一步以交接单图号进行数据过滤，得到A零件的样本数据W1。
工作原理：
从ERP系统中选取一类零件，如A零件作为参考，其他零、部件的产量预测均采用相同方法。将A零件接收时间为空的数据筛选出去，排出了不属于A零件产出的数据，得到关于A零件的产量信息的样本数据W1，作为数据统计的基础。
进一步地，所述步骤S200具体包括：
步骤S210：将所述样本数据W1按年份统计出每一年的总产量；
步骤S220：将所述样本数据W1按月份统计出每个月份的总产量；
步骤S230：将所述样本数据W1中每个月份的数据按工作日、周末和节假日分类，分别统计出工作日总产量、周末总产量和节假日总产量，并分别统计样本中的工作日总天数、周末总天数和节假日总天数。
工作原理：
将样本数据W1中的数据采用不同的字段进行筛选得到新的关系表，实现了数据按年份、月份、按天统计，并且按天统计中继续细化到工作日、周末和节假日三种类型，分别统计不同类型的总产量，天数并由此计算出每种类型的日平均产量，将对影响A零件产量的因素更细粒度，便于在不同的计算中独立的使用统计结果。
进一步地，所述步骤S300具体为：年度带权产量B=（a0*Y0+a1*Y1+…+an*Yn）/（a0+a1+a2+…+an），月平均带权产量T0=B/12；其中a0，a1，…，an为年度增长量比值，Y0为今年任务指标，Y1为去年总产量，Y2为前年总产量，…，Yn为n年前的当年总产量。
工作原理：
可以通过设定n的值来确定统计样本的大小。今年任务指标Y0由管理人员根据生产计划设定。除此外，其他采用的数据均为历史数据，因此采用年度带权产量B的计算，可以得出预期产能与今年任务指标Y0之间的偏差以及月平均带权产量T0，并由此计算出修正系数。
进一步地，所述步骤S400具体包括：
步骤S410：计算月平均带权产量T1，计算公式为：
T1=（b1*M1+b2*M2+…+bm*Mm）/（b1+b2+…+bm），
其中，b1，b2，…，bm为月度增长量比值，M1为上月度总产量，M2为上上月的总产量，…，Mm为上m月的当月总产量；
步骤S420：计算出工作日平均产量Weekday_avg、周末平均产量Weekend_avg和节假日平均产量Holiday_avg，其中计算公式为：
Weekday_avg=工作日总产量/工作日总天数；
Weekend_avg=周末总产量/周末总天数；
Holiday_avg=节假日总产量/节假日总天数。
工作原理：
月平均带权产量T1的计算均采用历史数据，而月平均带权产量T0中采用的数据中涉及了今年任务指标Y0，因此两者不同，修正系数K=TO/T1，可以得出估算的今年任务指标Y0是否容易达到，如果计算出的K小于1，则说明今年任务目标Y0定的低，如果K大于1，则说明今年任务目标Y0定的高。
进一步地，所述步骤S600具体包括：
步骤S610：利用修正系数K计算日预测平均产量：
工作日预测平均产量=Weekday_avg*K；
周末预测平均产量=Weekend_avg*K；
节假日预测平均产量=Holiday_avg*K；
步骤S620：计算当月工作日预测产量、当月周末预测产量和当月节假日预测产量：
当月工作日预测总产量=工作日预测平均产量*当月工作日总天数=Weekday_avg*K*weekdays；
当月周末预测总产量=周末预测平均产量*当月周末总天数=Weekend_avg*K*weekends；
当月节假日预测总产量=节假日预测平均产量*当月节假日总天数=Holiday_avg*K*Holidays；
步骤S630：计算当月预测总产量P，计算公式为：
P=当月工作日预测总产量+当月周末预测总产量+当月节假日预测总产量=Weekday_avg*K*weekdays+Weekend_avg*K*weekends+Holiday_avg*K*Holidays；其中weekdays为当月的工作日天数，weekends为当月的周末天数，Holidays为当月的节假日天数。
工作原理：
当修正系数K大于1时，说明今年任务目标Y0定的高，需要在工作日预测平均产量、周末预测平均产量和节假日预测平均产量的基础上，乘以修正系数，同时提高三种类型的日平均产量，进而提高当月以致全年的产量，以期望达到今年任务目标Y0。同理，当修正系数K小于1时，说明今年任务目标Y0定的低，需要在工作日预测平均产量、周末预测平均产量和节假日预测平均产量的基础上，乘以修正系数，同时降低三种类型的日平均产量，以调整生产周期。
进一步地，所述步骤S700具体包括：
步骤S710：以日期为横坐标，以所述工作日预测平均产量、周末预测平均产量、节假日预测平均产量为纵坐标，通过折线图进行单独展示，与每日的实际产量形成的折线图进行比对；
步骤S720：将当天的预测平均产量与之前累计的预测总产量相加，得到当天的预测总产量，将每天的预测总产量用折线图展示，与当天实际总产量形成的折线图进行对比；
步骤S730：将当月预测总产量P与当月实际总产量进行对比；
步骤S740：分别以日生产量、月生产量和日累计生产量进行判断，找出实际产量低于预测值的部分，进行分析和改进。
将日预测平均产量按照三种类型以折线图进行展示，并将当天的日预测平均产量加上之前的预测产量总和，作为截止当天的预测生产总量，形成另一条折线图，将这两条折线图与实际产量的曲线图进行比对，找出生产管理中的问题，及时改进。
本发明与现有技术相比，具有以下优点及有益效果：
（1）本发明将实际生产量与预测值按日、月和累计值进行比较，可以分别判断当天、当月产量和累计产量是否达标，因此可以做出及时的整改措施，及时纠正与预期的偏差，避免偏差扩大化。
（2）通过修正系数K与1的比较，可以得知今年任务目标Y0定的高还是低，由此采取增加或减少每日预期产量的方法，使实现今年任务目标Y0。
附图说明
图1为本发明的流程图。
具体实施方式
下面结合实施例对本发明作进一步地详细说明，但本发明的实施方式不限于此。
实施例1：
结合附图1所示，一种产量预测方法，包括：
步骤S100：从ERP系统筛选出样本数据W1；
步骤S200：将所述样本数据W1按年、月、日分别统计产量数据；
步骤S300：选用近n年的产量数据作统计样本X1，计算年度带权产量B和月平均带权产量T0，T0=B/12；
步骤S400：选用近m月的产量数据作统计样本X2，计算月平均带权产量T1，并分别统计工作日平均产量Weekday_avg，周末日平均产量Weekend_avg和节假日平均产量Holiday_avg；
步骤S500：计算修正系数K，K=T0/T1；
步骤S600：求和计算当月预测总产量P；
步骤S700：将当月预测总产值P与实际生产量对比，进行生产管控。
工作原理：
从生产管控中心的ERP系统提取数据，包括交接单的发出单位、接收单位、交接单图号、类型、数量移交时间，接收时间等关键字，排出不属于零件产出的数据，将提取出的记录作为样本数据W1。将样本数据W1中的数据按照年份、月份、工作日、周末、节假日进行分别进行产量统计，从统计出的数据中，选用近n年的数据作为年度带权产量B的样本X1，将年度带权产量B除以12个月，得到月平均带权产量T0，选用近m月的数据作为月平均带权产量T1的样本X2，并计算样本X2中，工作日平均产量Weekday_avg=工作日总产量/工作日天数；周末日平均产量Weekend_avg=周末总产量/周末总天数；节假日平均产量Holiday_avg=节假日总产量/节假日总天数，则修正系数K=T0/T1，当月预测总产量P=工作日平均产量*当月工作日总天数*K+周末日平均产量*当月周末总天数*K+节假日平均产量*当月节假日总天数*K。将实际生产量与当月预测总产量P进行比较，可以判断当月产量是否达标，将每一天的实际产量结合当天的类型，如工作日，周末，节假日，选择与工作日平均产量*K或周末日平均产量*K或节假日平均产量*K，进行比较，判断当天的产量是否达标，因此可以做出及时的整改措施，及时纠正与预期的偏差，避免偏差扩大化。
实施例2：
在实施例1的基础上，结合附图1所示，所述步骤S100具体包括：
步骤S110：从ERP系统调用A零件的加工数据，以零件名称、交接单以及接收时间作为关键字进行筛选，筛选出接收时间非空的数据；
步骤S120：进一步以交接单图号进行数据过滤，得到A零件的样本数据W1。
工作原理：
从ERP系统中选取一类零件，如A零件作为参考，其他零、部件的产量预测均采用相同方法。将A零件接收时间为空的数据筛选出去，排出了不属于A零件产出的数据，得到关于A零件的产量信息的样本数据W1，作为数据统计的基础。
实施例3：
在实施例2的基础上，结合附图1所示，所述步骤S200具体包括：
步骤S210：将所述样本数据W1按年份统计出每一年的总产量；
步骤S220：将所述样本数据W1按月份统计出每个月份的总产量；
步骤S230：将所述样本数据W1中每个月份的数据按工作日、周末和节假日分类，分别统计出工作日总产量、周末总产量和节假日总产量，并分别统计样本中的工作日总天数、周末总天数和节假日总天数。
工作原理：
将样本数据W1中的数据采用不同的字段进行筛选得到新的关系表，实现了数据按年份、月份、按天统计，并且按天统计中继续细化到工作日、周末和节假日三种类型，分别统计不同类型的总产量，天数并由此计算出每种类型的日平均产量，将对影响A零件产量的因素更细粒度，便于在不同的计算中独立的使用统计结果。
实施例4：
在实施例3的基础上，结合附图1所示，所述步骤S300具体为：年度带权产量B=（a0*Y0+a1*Y1+…+an*Yn）/（a0+a1+a2+…+an），月平均带权产量T0=B/12；其中a0，a1，…，an为年度增长量比值，Y0为今年任务指标，Y1为去年总产量，Y2为前年总产量，…，Yn为n年前的当年总产量。
工作原理：
可以通过设定n的值来确定统计样本的大小。今年任务指标Y0由管理人员根据生产计划设定。除此外，其他采用的数据均为历史数据，因此采用年度带权产量B的计算，可以得出预期产能与今年任务指标Y0之间的偏差以及月平均带权产量T0，并由此计算出修正系数。
进一步地，所述步骤S400具体包括：
步骤S410：计算月平均带权产量T1，计算公式为：
T1=（b1*M1+b2*M2+…+bm*Mm）/（b1+b2+…+bm），
其中，b1，b2，…，bm为月度增长量比值，M1为上月度总产量，M2为上上月的总产量，…，Mm为上m月的当月总产量；
步骤S420：计算出工作日平均产量Weekday_avg、周末平均产量Weekend_avg和节假日平均产量Holiday_avg，其中计算公式为：
Weekday_avg=工作日总产量/工作日总天数；
Weekend_avg=周末总产量/周末总天数；
Holiday_avg=节假日总产量/节假日总天数。
工作原理：
月平均带权产量T1的计算均采用历史数据，而月平均带权产量T0中采用的数据中涉及了今年任务指标Y0，因此两者不同，修正系数K=TO/T1，可以得出估算的今年任务指标Y0是否容易达到，如果计算出的K小于1，则说明今年任务目标Y0定的低，如果K大于1，则说明今年任务目标Y0定的高。
进一步地，所述步骤S600具体包括：
步骤S610：利用修正系数K计算日预测平均产量：
工作日预测平均产量=Weekday_avg*K；
周末预测平均产量=Weekend_avg*K；
节假日预测平均产量=Holiday_avg*K；
步骤S620：计算当月工作日预测产量、当月周末预测产量和当月节假日预测产量：
当月工作日预测总产量=工作日预测平均产量*当月工作日总天数=Weekday_avg*K*weekdays；
当月周末预测总产量=周末预测平均产量*当月周末总天数=Weekend_avg*K*weekends；
当月节假日预测总产量=节假日预测平均产量*当月节假日总天数=Holiday_avg*K*Holidays；
步骤S630：计算当月预测总产量P，计算公式为：
P=当月工作日预测总产量+当月周末预测总产量+当月节假日预测总产量=Weekday_avg*K*weekdays+Weekend_avg*K*weekends+Holiday_avg*K*Holidays；其中weekdays为当月的工作日天数，weekends为当月的周末天数，Holidays为当月的节假日天数。
工作原理：
当修正系数K大于1时，说明今年任务目标Y0定的高，需要在工作日预测平均产量、周末预测平均产量和节假日预测平均产量的基础上，乘以修正系数，同时提高三种类型的日平均产量，进而提高当月以致全年的产量，以期望达到今年任务目标Y0。同理，当修正系数K小于1时，说明今年任务目标Y0定的低，需要在工作日预测平均产量、周末预测平均产量和节假日预测平均产量的基础上，乘以修正系数，同时降低三种类型的日平均产量，以调整生产周期。
实施例5：
在实施例4的基础上，结合附图1所示，所述步骤S700具体包括：
步骤S710：以日期为横坐标，以所述工作日预测平均产量、周末预测平均产量、节假日预测平均产量为纵坐标，通过折线图进行单独展示，与每日的实际产量形成的折线图进行比对；
步骤S720：将当天的预测平均产量与之前累计的预测总产量相加，得到当天的预测总产量，将每天的预测总产量用折线图展示，与当天实际总产量形成的折线图进行对比；
步骤S730：将当月预测总产量P与当月实际总产量进行对比；
步骤S740：分别以日生产量、月生产量和日累计生产量进行判断，找出实际产量低于预测值的部分，进行分析和改进。
将日预测平均产量按照三种类型以折线图进行展示，并将当天的日预测平均产量加上之前的预测产量总和，作为截止当天的预测生产总量，形成另一条折线图，将这两条折线图与实际产量的曲线图进行比对，找出生产管理中的问题，及时改进。
以上所述，仅是本发明的较佳实施例，并非对本发明做任何形式上的限制，凡是依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化，均落入本发明的保护范围之内。

Claims (7)

1.一种产量预测方法，其特征在于，包括：
步骤S100：从ERP系统筛选出样本数据W1；
步骤S200：将所述样本数据W1按年、月、日分别统计产量数据；
步骤S300：选用近n年的产量数据作统计样本X1，计算年度带权产量B和月平均带权产量T0，T0=B/12；
步骤S400：选用近m月的产量数据作统计样本X2，计算月平均带权产量T1，并分别统计工作日平均产量Weekday_avg，周末日平均产量Weekend_avg和节假日平均产量Holiday_avg；
步骤S500：计算修正系数K，K=T0/T1；
步骤S600：求和计算当月预测总产量P；
步骤S700：将当月预测总产值P与实际生产量对比，进行生产管控。
2.根据权利要求1所述的一种产量预测方法，其特征在于，所述步骤S100具体包括：
步骤S110：从ERP系统调用A零件的加工数据，以零件名称、交接单以及接收时间作为关键字进行筛选，筛选出接收时间非空的数据；
步骤S120：进一步以交接单图号进行数据过滤，得到A零件的样本数据W1。
3.根据权利要求2所述的一种产量预测方法，其特征在于，所述步骤S200具体包括：
步骤S210：将所述样本数据W1按年份统计出每一年的总产量；
步骤S220：将所述样本数据W1按月份统计出每个月份的总产量；
步骤S230：将所述样本数据W1中每个月份的数据按工作日、周末和节假日分类，分别统计出工作日总产量、周末总产量和节假日总产量，并分别统计样本中的工作日总天数、周末总天数和节假日总天数。
4.根据权利要求3所述的一种产量预测方法，其特征在于，所述步骤S300具体为：年度带权产量B=（a0*Y0+a1*Y1+…+an*Yn）/（a0+a1+a2+…+an），月平均带权产量T0=B/12；其中a0，a1，…，an为年度增长量比值，Y0为今年任务指标，Y1为去年总产量，Y2为前年总产量，…，Yn为n年前的当年总产量。
5.根据权利要求4所述的一种产量预测方法，其特征在于，所述步骤S400具体包括：
步骤S410：计算月平均带权产量T1，计算公式为：
T1=（b1*M1+b2*M2+…+bm*Mm）/（b1+b2+…+bm），
其中，b1，b2，…，bm为月度增长量比值，M1为上月度总产量，M2为上上月的总产量，…，Mm为上m月的当月总产量；
步骤S420：计算出工作日平均产量Weekday_avg、周末平均产量Weekend_avg和节假日平均产量Holiday_avg，其中计算公式为：
Weekday_avg=工作日总产量/工作日总天数；
Weekend_avg=周末总产量/周末总天数；
Holiday_avg=节假日总产量/节假日总天数。
6.根据权利要求5所述的一种产量预测方法，其特征在于，所述步骤S600具体包括：
步骤S610：利用修正系数K计算日预测平均产量：
工作日预测平均产量=Weekday_avg*K；
周末预测平均产量=Weekend_avg*K；
节假日预测平均产量=Holiday_avg*K；
步骤S620：计算当月工作日预测产量、当月周末预测产量和当月节假日预测产量：
当月工作日预测总产量=工作日预测平均产量*当月工作日总天数=Weekday_avg*K*weekdays；
当月周末预测总产量=周末预测平均产量*当月周末总天数=Weekend_avg*K*weekends；
当月节假日预测总产量=节假日预测平均产量*当月节假日总天数=Holiday_avg*K*Holidays；
步骤S630：计算当月预测总产量P，计算公式为：
P=当月工作日预测总产量+当月周末预测总产量+当月节假日预测总产量=Weekday_avg*K*weekdays+Weekend_avg*K*weekends+Holiday_avg*K*Holidays；其中weekdays为当月的工作日天数，weekends为当月的周末天数，Holidays为当月的节假日天数。
7.根据权利要求6所述的一种产量预测方法，其特征在于，所述步骤S700具体包括：
步骤S710：以日期为横坐标，以所述工作日预测平均产量、周末预测平均产量、节假日预测平均产量为纵坐标，通过折线图进行单独展示，与每日的实际产量形成的折线图进行比对；
步骤S720：将当天的预测平均产量与之前累计的预测总产量相加，得到当天的预测总产量，将每天的预测总产量用折线图展示，与当天实际总产量形成的折线图进行对比；
步骤S730：将当月预测总产量P与当月实际总产量进行对比；
步骤S740：分别以日生产量、月生产量和日累计生产量进行判断，找出实际产量低于预测值的部分，进行分析和改进。
CN201711238889.7A 2017-11-30 2017-11-30 一种产量预测方法 Active CN107862415B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711238889.7A CN107862415B (zh) 2017-11-30 2017-11-30 一种产量预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711238889.7A CN107862415B (zh) 2017-11-30 2017-11-30 一种产量预测方法

Publications (2)

Publication Number Publication Date
CN107862415A true CN107862415A (zh) 2018-03-30
CN107862415B CN107862415B (zh) 2021-11-30

Family

ID=61704144

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711238889.7A Active CN107862415B (zh) 2017-11-30 2017-11-30 一种产量预测方法

Country Status (1)

Country Link
CN (1) CN107862415B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109829556A (zh) * 2019-01-31 2019-05-31 中国农业科学院农业信息研究所 一种棉花产量预测方法及系统
CN110304268A (zh) * 2019-06-20 2019-10-08 成都飞机工业（集团）有限责任公司 一种飞机系统的总装测试方法
JP2019193589A (ja) * 2018-05-01 2019-11-07 国立大学法人千葉大学 農業支援システム
CN111784036A (zh) * 2020-06-24 2020-10-16 上海华力集成电路制造有限公司 一种基于生产周期的流水作业生产线作业量预测方法
CN113705884A (zh) * 2021-08-25 2021-11-26 成都飞机工业（集团）有限责任公司 一种装配生产线产能预测方法、装置、设备及存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102955978A (zh) * 2011-08-31 2013-03-06 南京信息工程大学 一种基于周期性灰色系统的时装生产控制方法
CN105205570A (zh) * 2015-10-16 2015-12-30 国网重庆铜梁区供电有限责任公司 一种基于季节时序分析的电网售电量预测方法
CN105574607A (zh) * 2015-12-10 2016-05-11 四川省电力公司供电服务中心 一种电力市场月度用电预测方法
CN105701559A (zh) * 2015-12-31 2016-06-22 国网上海市电力公司 一种基于时间序列的短期负荷预测方法
CN106529746A (zh) * 2016-12-29 2017-03-22 南京恩瑞特实业有限公司 基于动力和热力因子的空气质量动态融合统计预报方法
CN106980909A (zh) * 2017-03-30 2017-07-25 重庆大学 一种基于模糊线性回归的电影票房预测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102955978A (zh) * 2011-08-31 2013-03-06 南京信息工程大学 一种基于周期性灰色系统的时装生产控制方法
CN105205570A (zh) * 2015-10-16 2015-12-30 国网重庆铜梁区供电有限责任公司 一种基于季节时序分析的电网售电量预测方法
CN105574607A (zh) * 2015-12-10 2016-05-11 四川省电力公司供电服务中心 一种电力市场月度用电预测方法
CN105701559A (zh) * 2015-12-31 2016-06-22 国网上海市电力公司 一种基于时间序列的短期负荷预测方法
CN106529746A (zh) * 2016-12-29 2017-03-22 南京恩瑞特实业有限公司 基于动力和热力因子的空气质量动态融合统计预报方法
CN106980909A (zh) * 2017-03-30 2017-07-25 重庆大学 一种基于模糊线性回归的电影票房预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
王权鑫: ""油田产量日、月、年递减率的关系及应用"", 《天然气与石油》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2019193589A (ja) * 2018-05-01 2019-11-07 国立大学法人千葉大学 農業支援システム
JP7125704B2 (ja) 2018-05-01 2022-08-25 国立大学法人千葉大学 農業支援システム
CN109829556A (zh) * 2019-01-31 2019-05-31 中国农业科学院农业信息研究所 一种棉花产量预测方法及系统
CN110304268A (zh) * 2019-06-20 2019-10-08 成都飞机工业（集团）有限责任公司 一种飞机系统的总装测试方法
CN111784036A (zh) * 2020-06-24 2020-10-16 上海华力集成电路制造有限公司 一种基于生产周期的流水作业生产线作业量预测方法
CN113705884A (zh) * 2021-08-25 2021-11-26 成都飞机工业（集团）有限责任公司 一种装配生产线产能预测方法、装置、设备及存储介质
CN113705884B (zh) * 2021-08-25 2022-07-15 成都飞机工业（集团）有限责任公司 一种装配生产线产能预测方法、装置、设备及存储介质

Also Published As

Publication number Publication date
CN107862415B (zh) 2021-11-30

Similar Documents

Publication Publication Date Title
CN107862415A (zh) 一种产量预测方法
US20040215529A1 (en) System and method for energy price forecasting automation
CN104657788B (zh) 基于行业景气指数的重点行业用电量预测方法
CN111045907B (zh) 一种基于业务量的系统容量预测方法
CN109784594B (zh) 一种售电商可调负荷决策方法及系统
CN109472474A (zh) 基于全工序流程的钢铁企业精细化成本核算控制方法
CN102156732A (zh) 基于特征站点的公交ic卡数据站点匹配方法
US20120016808A1 (en) Business Review and Volume Optimizer (BRAVO)
CN102081781A (zh) 基于信息自循环的金融建模优化方法
US10417622B2 (en) Configurable invoice matching optimization system
CN116940952A (zh) 产品的生产排程方法、电子设备和存储介质
US10178241B2 (en) Telecommunication price-based routing apparatus, system and method
CN114266473A (zh) 一种基于数据分析的供应链需求预测系统及方法
CN116681450A (zh) 一种支撑智能催费的客户信用评价方法及系统
CN113869602A (zh) 核电厂备件需求预测方法、系统、计算机设备和存储介质
CN101324939A (zh) 基于数据挖掘的新业务市场预测系统及其方法
CN117171145B (zh) 一种企业管理系统数据的分析处理方法、设备及存储介质
CN110647724B (zh) 一种加清钞模型构建方法、模型构建设备及存储介质
CN109087134A (zh) 时间分段决策方法、装置、介质及设备
Buss et al. Volume and capacity interaction in facility design
CN116820767A (zh) 一种云资源管理方法、装置、电子设备及存储介质
CN110689163A (zh) 一种节假日期间货量智能预测方法和系统
CN114444934A (zh) 一种企业销售周期性评价算法及其工具化应用
CN104978604B (zh) 一种基于业务能力模型的模拟仿真方法和装置
CN108269031B (zh) 基于运营数据的计费通道排序调度方法及系统

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