CN107862415B - 一种产量预测方法 - Google Patents
一种产量预测方法 Download PDFInfo
- Publication number
- CN107862415B CN107862415B CN201711238889.7A CN201711238889A CN107862415B CN 107862415 B CN107862415 B CN 107862415B CN 201711238889 A CN201711238889 A CN 201711238889A CN 107862415 B CN107862415 B CN 107862415B
- Authority
- CN
- China
- Prior art keywords
- yield
- total
- predicted
- average
- production
- 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
- 238000000034 method Methods 0.000 title claims abstract description 14
- 238000004519 manufacturing process Methods 0.000 claims abstract description 121
- 238000012937 correction Methods 0.000 claims abstract description 28
- 238000012216 screening Methods 0.000 claims abstract description 12
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 3
- 238000003754 machining Methods 0.000 claims description 3
- 230000003247 decreasing effect Effects 0.000 abstract description 2
- 238000007599 discharging Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 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
- G06Q50/04—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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Manufacturing & Machinery (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (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
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 (2)
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；
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；
步骤S200：将所述样本数据W1按年、月、日分别统计产量数据；
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；
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；
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；
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；
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；
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；
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；
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。
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 CN107862415A (zh) | 2018-03-30 |
| CN107862415B true 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) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN110304268B (zh) * | 2019-06-20 | 2022-03-15 | 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 |
| 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 |
Citations (4)
| 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 |
| 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 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| 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 |
-
2017
- 2017-11-30 CN CN201711238889.7A patent/CN107862415B/zh active Active
Patent Citations (4)
| 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 |
| 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 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107862415A (zh) | 2018-03-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107862415B (zh) | 一种产量预测方法 | |
| Chien et al. | Manufacturing intelligence to forecast and reduce semiconductor cycle time | |
| CN111045907B (zh) | 一种基于业务量的系统容量预测方法 | |
| CN114266473B (zh) | 一种基于数据分析的供应链需求预测系统及方法 | |
| CN105847598A (zh) | 呼叫中心多因子话务预测方法及其装置 | |
| CN106156941A (zh) | 一种用户信用评分优化方法和装置 | |
| US8694427B2 (en) | Time-efficient and deterministic adaptive score calibration techniques for maintaining a predefined score distribution | |
| 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 | |
| CN116934177B (zh) | 一种企业生产任务管理数据跟踪分析处理系统 | |
| CN116073436B (zh) | 一种光伏新能源电力系统容量优化控制方法 | |
| US10178241B2 (en) | Telecommunication price-based routing apparatus, system and method | |
| CN106909642A (zh) | 数据库索引方法及系统 | |
| CN110515721A (zh) | 一种应用管理方法、装置、终端及计算机存储介质 | |
| CN117011031A (zh) | 利用大数据信息处理技术的智能金融风险监测与预警平台 | |
| WO2024036727A1 (zh) | 数据异常检测方法、装置、设备、介质及程序产品 | |
| CN110647724B (zh) | 一种加清钞模型构建方法、模型构建设备及存储介质 | |
| CN116777249A (zh) | 一种面向新能源场站不同配储方式的综合效益评价方法 | |
| CN110705802A (zh) | 一种基于多因素分段的配电网柔性负荷预测方法 | |
| CN114444934A (zh) | 一种企业销售周期性评价算法及其工具化应用 | |
| CN114757397A (zh) | 一种坏料预测方法、坏料预测装置及电子设备 | |
| CN110084441A (zh) | 基于组合最优化的自动化分箱算法 | |
| CN112801333B (zh) | 一种基于XGBoost的配电网线路夏季峰值负荷预测方法 | |
| CN114520791B (zh) | 一种基于差异化QoS需求的工控网络流量调度方法 | |
| CN117541200B (zh) | 一种基于ltc流程的项目管理方法及系统 | |
| CN118158176A (zh) | 基于多租户Saas网关收集分析API调用情况的方法及装置 |
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 |