CN108038564B - 一种结合企业生产力和需求状态的需求预测方法 - Google Patents
一种结合企业生产力和需求状态的需求预测方法 Download PDFInfo
- Publication number
- CN108038564B CN108038564B CN201711228770.1A CN201711228770A CN108038564B CN 108038564 B CN108038564 B CN 108038564B CN 201711228770 A CN201711228770 A CN 201711228770A CN 108038564 B CN108038564 B CN 108038564B
- Authority
- CN
- China
- Prior art keywords
- demand
- state
- matrix
- function
- product
- 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
- 238000013277 forecasting method Methods 0.000 title claims abstract description 10
- 239000011159 matrix material Substances 0.000 claims abstract description 126
- 238000011156 evaluation Methods 0.000 claims abstract description 32
- 238000000034 method Methods 0.000 claims abstract description 31
- 230000003993 interaction Effects 0.000 claims abstract description 12
- 230000007704 transition Effects 0.000 claims abstract description 12
- 230000008569 process Effects 0.000 claims abstract description 5
- 238000004519 manufacturing process Methods 0.000 claims description 31
- OOYGSFOGFJDDHP-KMCOLRRFSA-N kanamycin A sulfate Chemical group OS(O)(=O)=O.O[C@@H]1[C@@H](O)[C@H](O)[C@@H](CN)O[C@@H]1O[C@H]1[C@H](O)[C@@H](O[C@@H]2[C@@H]([C@@H](N)[C@H](O)[C@@H](CO)O2)O)[C@H](N)C[C@@H]1N OOYGSFOGFJDDHP-KMCOLRRFSA-N 0.000 claims description 22
- 239000013598 vector Substances 0.000 claims description 21
- 238000004364 calculation method Methods 0.000 claims description 20
- 101100389815 Caenorhabditis elegans eva-1 gene Proteins 0.000 claims description 13
- 238000006243 chemical reaction Methods 0.000 claims description 8
- 230000005484 gravity Effects 0.000 claims description 8
- 101150018873 IMP1 gene Proteins 0.000 claims description 4
- 101150036988 IPMK gene Proteins 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 101100111810 Aquifex aeolicus (strain VF5) suhB gene Proteins 0.000 claims description 2
- 230000002964 excitative effect Effects 0.000 claims description 2
- 230000015572 biosynthetic process Effects 0.000 claims 1
- 238000003786 synthesis reaction Methods 0.000 claims 1
- 238000001746 injection moulding Methods 0.000 description 15
- 230000000694 effects Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000000007 visual effect 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
- 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
本发明公开了一种结合企业生产力和需求状态的需求预测方法。根据目标群体需求特点,构建目标群体的需求信息模型,建立需求调查问卷数据库;计算企业生产力综合调整系数;利用需求调查问卷数据库下的评价集合计算交互矩阵,根据需求标准阈值比较获得需求状态矩阵,利用企业历史数据计算状态转移矩阵,再预测获得预测需求状态矩阵,计算需求状态调整系数矩阵;计算初步需求重要度,利用灰色预测方法计算直接预测的下一阶段的需求重要度,再结合企业生产力调整系数和需求状态调整系数计算获得目标群体的最终需求重要度。本发明将直接进行需求重要度预测的结果进一步处理,得到结合企业自身状况的需求重要度值,更加直观的反映了需求的重要程度。
Description
技术领域
本发明涉及一种需求预测方法,尤其是涉及一种结合企业盈利和需求状态的需求数据预测方法。
背景技术
需求预测作为未来工业智能制造发展的一部分,已经得到广泛关注。现有需求方法主要是:对目标群体的需求进行调查,并对不同需求属性进行重要程度区分,利用三角模糊函数对需求进行去模糊化,进而运用产品质量屋构建需求—技术矩阵计算出技术重要度,最后利用预测模型如自回归滑动平均模型、灰色预测、马尔科夫链、神经网络等对需求重要度或者技术重要度进行预测,从而对下一阶段的设计做出方向性指导。
目前,现有的预测都注重于需求数据规律的寻找,期望预测出精度更高、误差更小的需求结果,过于注重数据本身却忽略了各个需求的状态和类型会对预测的结果产生影响。Kano模型将需求分为5种状态,每一种需求状态对企业提出不同程度的要求。在需求预测的过程中,企业盈利能力也是一个重要的影响因素,不同企业在某个需求方面的竞争优劣状况影响着各企业在该方面的需求重要度。所以,如果能够结合企业盈利能力和需求状态对需求重要度进行预测,能够使预测的结果更加精准,更加立足于现状。
发明内容
为了解决背景技术中存在的问题,本发明的目的在于提出一种结合企业盈利和需求状态的需求数据预测方法,利用关键指标对企业盈利能力进行计算,用差距对比法构建盈利能力调整系数;划分每个产品功能的需求状态,利用预测算法预测出未来的需求状态,结合需求状态调整系数做二次调整,最终预测出结合企业自身情况的目标群体需求重要度。
为了实现上述目的,本发明采用技术方案是方法步骤如下:
1)根据目标群体需求特点,构建目标群体的需求信息模型crq,建立需求调查问卷数据库CRQ;
2)结合需求调查问卷数据库CRQ下的功能需求偏好集合pre和生产力来计算企业生产力综合调整系数g;
3)利用需求调查问卷数据库CRQ下的评价集合eva计算交互矩阵S,根据需求标准阈值A比较获得需求状态矩阵C,利用企业历史数据计算状态转移矩阵T,再预测下一阶段的预测需求状态矩阵C’,进而计算得到需求状态调整系数矩阵x;
4)计算初步需求重要度CR1,利用灰色预测方法GM(1,1)计算得到直接预测的下一阶段的需求重要度CR2,再结合企业生产力调整系数g和需求状态调整系数x计算获得目标群体的最终需求重要度CR2’。
所述步骤1)中,目标群体的需求信息模型crq表示为:
crq={fuc,imp,eva,pre}
其中,fuc表示产品的功能集合,fuc={fuc1,fuc2,…fuck},fuc1代表第一个产品功能,fuck代表第k个产品功能;imp表示产品功能的重要度评价集合,imp={imp1,imp2,…impk},imp1代表产品第一个产品功能的重要度评价,impk代表产品第k个产品功能的重要度评价;eva表示目标群体对产品功能的kano模型评价集合,eva={eva1,eva2,…,evai,…,evak},eva1代表目标群体对第一个产品功能的kano模型评价,evak代表目标群体对第k个产品功能的kano模型评价;evai=[Pi,Ni],其中Pi表示第i个产品功能下可实现情况的功能矩阵,Ni表示第i个产品功能下不可实现情况的功能矩阵;pre表示功能的需求偏好集合,pre={pre1,pre2,…prek},pre1表示目标群体对第一个产品功能的需求偏好值,prek表示目标群体对第k个产品功能的需求偏好值;
一个需求信息模型crq代表一个目标群体对产品的需求信息,由所有的需求信息模型crq组成需求调查问卷数据库CRQ,表示为:
CRQ={crq1,crq2,…crqn}
其中,crq1代表第1个的需求信息模型,crqn代表第n个的需求信息模型,n表示需求信息模型的总数,也表示目标群体的总数。
本发明将目标群体的需求以产品的功能体现。
所述步骤2)企业生产力调整系数g的计算方法如下:
2.1)由设备新度、设备利用率、生产人员比重以及历史生产产品转化率构建生产力集合H,表示为:
H={h1,h2,h3,h4}
其中,h1,h2,h3,h4分别表示设备新度、设备利用率、生产人员比重以及历史生产产品转化率;
利用生产力集合H计算得到企业生产力值P:
P=λ×H
其中,λ为设备新度、设备利用率、生产人员比重以及历史生产产品转化率对应的权重,具体实施中λ的取值为λ=[0.166,0.166,0.166,0.0.502];
再由所有制造客体的企业生产力值P组成企业盈利能力集合ES,利用差距对比法以制造客体的生产力P对比企业生产力集合ES中的生产力P的最大值max(ES),采用以下公式计算得到生产力调整系数e:
e=max(ES)/P
由数学性质知,e>=1;
2.2)依次从需求调查问卷数据库CRQ中获取每个需求信息模型crq中的需求偏好集合pre,采用以下方式重组形成初始偏好矩阵E:
E[i,j]=crqj[i,4]
其中,初始偏好矩阵E[i,j]是一个k行n列的矩阵,每一行表示所有的目标群体对该行对应的功能的需求偏好;crqj[i,4]表示第j个目标群体的需求信息模型crqj中目标群体需求偏好集合pre的第i个需求偏好值,i表示功能的序数,i取1,2…k,k表示功能的总数,j表示需求信息模型crq的序数,j取1,2…n,n表示目标群体的总数,也为需求信息模型的总数;
将初始偏好矩阵E采用以下公式运算获得平均偏好矩阵:
其中,F[i,1]表示平均偏好矩阵F的第i行第1列的元素,为所有目标群体对第i个产品功能的需求偏好值的平均值;
依据制造客体对所有功能的真实需求偏好目标集合pre’(这是已知数据)采用以下公式计算获得需求偏好调整系数集合v:
v[j]=pre′[j]/F′[1,j]
其中,F’[1,j]为平均偏好矩阵F[i,1]的转置矩阵,pre′[j]表示企业自身对第j个产品功能的期望值,v[j]表示第j个目标群体的需求偏好调整系数集合;
需求偏好调整系数集合v中的元素依次代表各个产品功能在目标群体需求偏好相对于目标要求的改进系数。
最后采用以下公式计算获得企业生产力综合调整系数集合g为:
g[j]=e*v[j]
其中,e为生产力调整系数。
所述步骤3)具体如下:
3.1)针对需求信息模型crq的kano模型评价集合eva中第一个产品功能所对应的kano模型评价eva1,即第一个kano模型评价eva1,取其下属的功能矩阵P1和功能矩阵N1采用以下公式进行计算获得交互矩阵S:
S=P1T*N1
其中,P1表示第1个产品功能下可实现情况的功能矩阵,P1T为矩阵P的转置矩阵表示第1个产品功能下不可实现情况的功能矩阵;
接着,将交互矩阵S中的各个元素,参照kano模型分类表按照同类需求状态概率相加得到需求类别隶属度向量L,表示为:
其中,M,O,A,I,R,Q代表需求状态,分别是M—基本型需求状态,O—期望型需求状态,A—兴奋型需求状态,I—无关紧要需求状态,R—逆向需求状态,Q—问题需求状态;ε1~ε6分别表示基本型需求状态、期望型需求状态、兴奋型需求状态、无关紧要需求状态、逆向需求状态和问题需求状态的概率;
然后,根据产品具体客观情况,设置阈值A作为需求判断标准,针对需求类别隶属度向量L中的各个概率ε1~ε6,与需求标准阈值B进行比较,若概率ε的值大于B,概率ε赋值为1,否则赋值为1,从而由需求类别隶属度向量L进行重新赋值后获得需求类别向量L’;
3.2)将所有目标群体的需求信息模型crq对应的第一个评价集合eva1采用步骤3.1)进行处理计算,得到第一个产品功能对应的需求类别向量L’,再采用以下公式将所有产品功能对应的需求类别向量L’累加得到需求状态判别矩阵U:
计算获得的需求状态判别矩阵U表示为:U=[u1,u2,u3,u4,u5,u6],u1,u2,u3,u4,u5,u6分别表示所有的目标群体对第一个产品功能的评价落在M、O、A、I、R、Q状态下的频数值;
需求状态判别矩阵U中最大取值元素对应的需求状态表示该产品功能下的该需求状态的概率最大,故在需求状态判别矩阵U中,取max{u1,u2,u3,u4,u5,u6}作为单个产品功能的需求状态取值c;
3.3)重复上述步骤3.1)和3.1),获得所有产品功能的需求状态取值c,组成需求状态矩阵C:
C={c1,c2…ck}
其中,c1,c2…ck表示k个产品功能的需求状态取值;
具体实施中,由于c1取M、O或者A,M、O和A的表示不利于计算,故用取值1表示M状态,取值2表示O状态,取值3表示A状态。
预测下一时期的需求状态矩阵C’,得到需求状态调整系数矩阵x;
3.4)预设当前时间段下的需求状态矩阵C1,由已知的制造客体历史数据进行3.1)~3.3)步骤计算后获得产品功能的前m个时间段的各个需求状态矩阵,分别表示为Cm,Cm-1…C1,对每个产品功能进行markov状态转移概率计算获得功能的预测需求状态取值c’;
针对每个产品功能,在各个阶段中,产品功能处在M、O和A需求状态下的状态频数分别为d1、d2、d3:
在相应的状态频数中,d1表示为d1={d11,d12,d13},其中d11表示本时间段功能的需求状态为M、下一时间段转化为M,即M→M,d12表示本时间段功能的需求状态为M、下一时间段转化为O,即M→O,d13表示本时间段功能的需求状态为M、下一时间段转化为A,即M→A;
在相应的状态频数中,d2表示为d2={d21,d22,d23},其中d21表示本时间段功能的需求状态为O,下一时间段转化为M,即M→M,d22表示本时间段功能的需求状态为O,下一时间段转化为O,即M→O,d23表示本时间段功能的需求状态为O,下一时间段转化为A,即M→A;
在相应的状态频数中,d3表示为d3={d31,d32,d33},其中d31表示本时间段功能的需求状态为O,下一时间段转化为M,即M→M,d32表示本时间段功能的需求状态为O,下一时间段转化为O,即M→O,d33表示本时间段功能的需求状态为O,下一时间段转化为A,即M→A;
接着,采用以下公式计算获得产品功能的状态转移矩阵T为:
其中,m=d1+d2+d3;d1+d2+d3分别表示产品功能处在M、O和A需求状态下的状态频数;
然后构建产品功能的初始需求状态矩阵为π(0),π(0)表示为π(0)={π0M,π0O,π0A},其中π0M,π0O,π0A分别表示初始状态产品功能处于基本型需求状态M、期望型需求状态O和兴奋型需求状态A的概率取值;并且用步骤3.3)获得的需求状态判别矩阵U的前三项u1,u2,u3计算π(0),后三种状态概率极小,可以忽略掉计算公式如下:
再根据状态转移矩阵T和初始需求状态矩阵π(0)采用以下公式计算预测出下一阶段的需求状态矩阵π(1):
π(1)=π(0)*T
其中,π(1)的格式与π(0)相同,π(1)={π1M,π1O,π1A},其中π1M,π1O,π1A分别表示预测出的状态产品功能处于基本型需求状态M、期望型需求状态O和兴奋型需求状态A的概率取值;
下一阶段的需求状态矩阵π(1)中取π1M,π1O,π1A的三个需求状态概率最大所对应的需求状态作为产品功能的预测需求状态取值c’;
3.5)重复上述步骤3.1)~3.4)对所有的产品功能进行计算处理,获得各个产品功能对应的预测需求状态取值c’,组成预测需求状态矩阵C’:
C’={c’1,c’2…c’k}
其中,c’1表示第1个产品功能的预测需求状态取值;
3.6)最后将预测需求状态矩阵C’采用以下方式进行映射转换得到需求状态调整系数矩阵x。
若需求状态为基本型需求M,则需求状态在状态调整系数矩阵x中对应位置的元素值为2;
若需求状态为期望型需求O,则需求状态在状态调整系数矩阵x中对应位置的元素值为1;
若需求状态为兴奋型需求A,则需求状态在状态调整系数矩阵x中对应位置的元素值为1/2。
所述步骤4)具体为:
对需求信息模型crq下属的产品功能的重要度评价集合imp进行平均计算,得到当前时间段目标群体的初步需求重要度CR1:
CR1={cr1,cr2,…,crj,…,crk}
其中,j取1,2…k,crqi[j,2]表示第i个目标群体需求信息模型的imp集合的第j个元素;
利用制造客体的历史数据,与步骤3.4)取相同时间段间隔,用灰色预测方法GM(1,1)以m个时间段的客户需求重要度CRm,CRm-1,…CR1预测下一时间段的目标群体的需求重要度为CR2,结合企业盈利状态和需求状态,引入调整系数g和x,采用以下公式计算获得目标群体的最终需求重要度CR2’:
CR2’[j]=CR2[j]*g[j]x[j]
其中,x[j]表示状态调整系数矩阵x中的第j个元素。
本发明具有的有益效果是:
1.结合企业盈利状态和目标群体需求偏好两个要素,对目标群体需求重要度进行调整,使得预测结果更加切合企业自身状况。
2.结合需求状态,将需求分为基本型需求、期望型需求、兴奋型需求,区分各个需求的优先顺序和重要程度,进一步调整目标群体需求重要度,使得预测结果更加直观。
3.相比直接用预测算法进行预测,本方法输出的结果能够使企业满足最少的功能需求达到最大化目标群体满意程度。
附图说明
图1是本发明需求预测方法总逻辑框图;
图2是企业盈利调整系数计算方法流程图;
图3是需求状态调整系数计算方法流程图。
具体实施方式
下面结合附图和实施例对本发明作进一步说明。
本发明的实施例如下:
注塑机是社会生产中一个必不可缺的制造机器。以下就以生产注塑机的注塑机公司为例,来对注塑机的需求进行预测。
1.注塑机调查问卷数据库的建立
对注塑机进行功能需求分类,注塑机的功能需求可以划分为以下8个功能,1.机器工作的稳定性和可靠性,2.自动化程度和生产效率,3.节能环保,4,人机交互和可操作性,5.机器维护难易程度,6.注塑机的重量和空间,7.注塑机的性价比,8,注塑机的使用寿命。
用以上8种功能需求为代表,设计模糊kano模型调查问卷
上表是以第4种功能进行设计的问卷,其中可以实现与不可以实现代表该种功能在注塑机上存在与否的两种状态,满足、必须这样、中立、可忍受、不满足这五种状态代表购买注塑机的目标群体对此功能存在与否的态度,其中对应的数值表示可以接受的程度,100分为满分。
对产品功能的重要度和需求偏好调查表如下:
产品功能 | 重要程度imp | 愿意购买程度pre |
人机交互和可操作性 | 5 | 4 |
其中重要程度分5级,1代表不重要,2代表有点重要,3表示重要,4表示很重要,5表示非常重要。愿意够买程度分5级,1表示勉强接受,处于行业末端;2表示可以接受,效果一般,基本满足需求,3表示效果不错,稍有优势;4表示效果先进,非常愿意购买;5表示行业顶尖,无可挑剔。
将所有的注塑机功能问卷发放给目标群体,最终得到注塑机需求的调查问卷数据库CRQ。
2.计算本企业的生产力调整系数g
根据注塑机企业的实际情况,构建生产力矩阵。
O=[o1,o2,o3,o4]=[0.633,0.811,0.424,0.675]
其中,o1,o2,o3,o4分别表示设备新度、设备利用率、生产人员比重以及历史生产产品转化率;
利用生产力集合O计算得到企业生产力值P:
P=λ*OT=0.646
其中,λ为设备新度、设备利用率、生产人员比重以及历史生产产品转化率对应的权重,具体实施中λ的取值为λ=[0.166,0.166,0.166,0.0.502];
再由所有制造客体的企业生产力值P组成企业盈利能力集合ES。
利用差距对比法,以制造客体的生产力值P对比企业生产力集合ES中的生产力P的最大值max(ES),采用以下公式计算得到生产力调整系数e,假设max(ES)为0.835:
e=max(ES)/P=0.835/0.646=1.292
依次从需求调查问卷数据库CRQ中获取每个需求信息模型crq中的需求偏好集合pre,采用以下方式重组形成初始偏好矩阵R:
R[i,j]=crqj[i,4]
其中,初始偏好矩阵R[i,j]是一个k行n列的矩阵,此时k=8,每一行表示所有的目标群体对该行对应的功能的需求偏好;crqj[i,4]表示第j个目标群体的需求信息模型crqj中目标群体需求偏好集合pre的第i个需求偏好值,i表示功能的序数,i取1,2…k,k表示功能的总数,j表示需求信息模型crq的序数,j取1,2…n,n表示目标群体的总数,也为需求信息模型的总数;
将初始偏好矩阵M采用以下公式运算获得平均偏好矩阵:
其中,F[i,1]表示平均偏好矩阵F的第i行第1列的元素,为所有目标群体对第i个产品功能的需求偏好值的平均值,求得F为:
F=[3.42,3.21,3.54,3.84,4.12,4.28,4.31,3.89]T
依据制造客体对所有功能的真实需求偏好目标集合pre’=[3.60,3.30,3.60,3.90,4.20,4.30,4.40,4.00],采用以下公式计算获得需求偏好调整系数集合v:
v[j]=pre′[j]/F′[1,j]
其中,F’[1,j]为平均偏好矩阵F[i,1]的转置矩阵,pre′[j]表示企业自身对第j个产品功能的期望值,v[j]表示第j个目标群体的需求偏好调整系数集合;
求得v:
v=[1.05,1.03,1.02,1.02,1.02,1.02,1.02,1.03]
需求偏好调整系数集合v中的元素依次代表各个产品功能在目标群体需求偏好相对于目标要求的改进系数。
最后采用以下公式计算获得企业生产力综合调整系数集合g为:
g=e*v=[1.36,1.33,1.32,1.32,1.32,1.32,1.32,1.33]
其中,e为生产力调整系数。
3.计算需求状态
3.1)针对需求信息模型crq的kano模型评价集合eva中第4个产品功能——人机交互和可操作性,所对应的kano模型评价eva1,即第一个kano模型评价eva1,取其下属的功能矩阵P1和功能矩阵N1采用以下公式进行计算获得交互矩阵S:
S=P1T*N1
其中,P1表示第1个产品功能下可实现情况的功能矩阵,P1T为矩阵P的转置矩阵表示第1个产品功能下不可实现情况的功能矩阵;
P1=[50,50,0,0,0]
N1=[0,0,0,20,80]
需求状态分类表如下:
接着,将交互矩阵S中的各个元素,参照kano模型分类表按照同类需求状态概率相加得到需求类别隶属度向量L,表示为:
其中,M,O,A,I,R,Q代表需求状态,分别是M—基本型需求状态,O—期望型需求状态,A—兴奋型需求状态,I—无关紧要需求状态,R—逆向需求状态,Q—问题需求状态;ε1~ε6分别表示基本型需求状态、期望型需求状态、兴奋型需求状态、无关紧要需求状态、逆向需求状态和问题需求状态的概率;
然后,根据产品具体客观情况,设置阈值A=0.4作为需求判断标准,针对需求类别隶属度向量L中的各个概率ε1~ε6,与需求标准阈值B进行比较,若概率ε的值大于B,概率ε赋值为1,否则赋值为1,从而由需求类别隶属度向量L进行重新赋值后获得需求类别向量L’;
L’=[1,1,0,0,0,0]
3.2)将所有目标群体的需求信息模型crq对应的第一个评价集合eva1采用上述步骤进行处理计算,得到第一个产品功能对应的需求类别向量L’,再采用以下公式将所有产品功能对应的需求类别向量L’累加得到需求状态判别矩阵U:
计算获得的需求状态判别矩阵U表示为:U=[u1,u2,u3,u4,u5,u6],
假设计算获得的U为
U=[275,384,436,0,0,0]
则max(u)=436,对应的第4中功能需求的状态为A
3.3)重复上述步骤3.1)和3.1),获得所有产品功能的需求状态取值c,组成需求状态矩阵C:
C={c1,c2…ck}={M,A,M,O,A,O,M,O}
其中,c1,c2…ck表示k个产品功能的需求状态取值;
具体实施中,由于c1取M、O或者A,M、O和A的表示不利于计算,故用取值1表示M状态,取值2表示O状态,取值3表示A状态。
C=[1,2,1,3,2,3,1,3]
预测下一时期的需求状态矩阵C’,得到需求状态调整系数矩阵x
4.预测需求状态,计算需求状态调整系数
利用现有调查数据进行3.1)~3.3)步骤,可以作为当前时间段下的产品需求状态C1,可以以月、季度、年等时间间隔作为单位时间间隔,由已知的制造客体历史数据进行3.1)~3.3)步骤计算后,获得产品功能的前m个时间段的需求状态,分别表示为Cm,Cm-1…C1矩阵,对每个产品功能进行markov状态转移概率计算,获得功能的预测需求状态取值c’;
针对每个产品功能,在各个阶段中,产品功能处在M、O和A需求状态下的状态频数分别为d1、d2、d3:
在相应的状态频数中,d1表示为d1={d11,d12,d13},其中d11表示本时间段功能的需求状态为M,下一时间段转化为M,即M→M,d12表示本时间段功能的需求状态为M,下一时间段转化为O,,M→O,d13表示本时间段功能的需求状态为M,下一时间段转化为A,,M→A;
在相应的状态频数中,d2表示为d2={d21,d22,d23},其中d21表示本时间段功能的需求状态为O,下一时间段转化为M,即M→M,d22表示本时间段功能的需求状态为O,下一时间段转化为O,,M→O,d23表示本时间段功能的需求状态为O,下一时间段转化为A,,M→A;
在相应的状态频数中,d3表示为d3={d31,d32,d33},其中d31表示本时间段功能的需求状态为O,下一时间段转化为M,即M→M,d32表示本时间段功能的需求状态为O,下一时间段转化为O,,M→O,d33表示本时间段功能的需求状态为O,下一时间段转化为A,,M→A;
接着,采用以下公式计算获得产品功能的状态转移矩阵T为:
其中,m=d1+d2+d3;若选100个阶段,其中d1=31,d2=28,d3=41;d11=14,d12=6,d13=11;d21=7,d22=12,d23=9;d31=11,d32=13,d33=17。
则计算得到T为:
然后构建产品功能的初始需求状态矩阵为π(0),π(0)表示为π(0)={π0M,π0O,π0A},其中π0M,π0O,π0A分别表示初始状态产品功能处于M—基本型需求状态、O—期望型需求状态和A—兴奋型需求状态的概率取值;并且用步骤3.3)获得的需求状态判别矩阵U的前三项u1,u2,u3计算π(0),后三种状态概率极小,可以忽略掉计算公式如下:
π(0)=[0.25,0.35,0.40]
再根据状态转移矩阵T和初始需求状态矩阵π(0)采用以下公式计算预测出下一阶段的需求状态矩阵π(1):
π(1)=π(0)*T
代入数值,计算得到:
π(1)=[0.31,0.33,0.36]
π(1)={π1M,π1O,π1A},其中π1M,π1O,π1A分别表示预测出的状态产品功能处于M—基本型需求状态、O—期望型需求状态和A—兴奋型需求状态的概率取值;
其中处在A状态下的概率最大,故产品功能的预测需求状态取值c’取A=3
重复上述步骤对所有的产品功能进行计算处理,获得各个产品功能对应的预测需求状态取值c’,组成预测需求状态矩阵C’:
C’={c’1,c’2…c’k}
其中,c’1表示第1个产品功能的预测需求状态取值;
假设预测出的C’取值为C’=[2,1,3,3,2,1,1,2];
最后将预测需求状态矩阵C’采用以下方式进行映射转换得到需求状态调整系数矩阵x。
若需求状态为基本型需求M,则需求状态在状态调整系数矩阵x中对应位置的元素值为2;
若需求状态为期望型需求O,则需求状态在状态调整系数矩阵x中对应位置的元素值为1;
若需求状态为兴奋型需求A,则需求状态在状态调整系数矩阵x中对应位置的元素值为1/2。
代入数值,x取值为:
x=[1,2,0.5,0.5,1,2,2,1]
5利用历史数据,完成需求预测
对需求信息模型crq下属的产品功能的重要度评价集合imp进行平均计算,得到当前时间段目标群体的初步需求重要度CR1:
CR1={cr1,cr2,…,crj,…,crk}
其中,j取1,2…k,crqi[j,2]表示第i个目标群体需求信息模型的imp集合的第j个元素;
利用制造客体历史数据,用灰色预测方法GM(1,1)以m个时间段的客户需求重要度CRm,CRm-1,…CR1预测下一时间段的目标群体的需求重要度为CR2,结合企业盈利状态和需求状态,引入调整系数g和x,采用以下公式计算获得目标群体的最终需求重要度CR2’:
CR2’[j]=CR2[j]*g[j]x[j]
其中,x[j]表示状态调整系数矩阵x中的第j个元素。
若GM(1.1)输出的CR2为:
CR2=[3.22,3.33,3.36,2.75,3.31,3.17,3.48,2.89]
则代入生产力综合调整系数g和需求状态调整系数x,调整后的CR2’为
CR2’=[4.37,5.89,3.86,3.15,4.37,5.52,6.06,3.84]
可以看出,不同的功能由于需求状态和调整系数不同,经过改变后,重要程度差异明显增大,更加符合实际情况。
Claims (4)
1.一种结合企业生产力和需求状态的需求数据预测方法,其特征在于所述方法步骤如下:
1)根据目标群体需求特点,构建目标群体的需求信息模型crq,建立需求调查问卷数据库CRQ;
2)结合需求调查问卷数据库CRQ下的功能需求偏好集合pre和生产力来计算企业生产力综合调整系数g;
3)利用需求调查问卷数据库CRQ下的评价集合eva计算交互矩阵S,根据需求标准阈值A比较获得需求状态矩阵C,利用企业历史数据计算状态转移矩阵T,再预测获得预测需求状态矩阵C’,进而计算得到需求状态调整系数矩阵x;
4)计算初步需求重要度CR1,利用灰色预测方法GM(1,1)计算得到直接预测的下一阶段的需求重要度CR2,再结合企业生产力调整系数g和需求状态调整系数x计算获得目标群体的最终需求重要度CR2’;
所述步骤2)企业生产力调整系数g的计算方法如下:
2.1)由设备新度、设备利用率、生产人员比重以及历史生产产品转化率构建生产力集合H,表示为:
H={h1,h2,h3,h4}
其中,h1,h2,h3,h4分别表示设备新度、设备利用率、生产人员比重以及历史生产产品转化率;
利用生产力集合H计算得到企业生产力值P:
P=λ×H
其中,λ为设备新度、设备利用率、生产人员比重以及历史生产产品转化率对应的权重;
再由所有制造客体的企业生产力值P组成企业生产能力集合ES,利用差距对比法以制造客体的生产力P对比企业生产力集合ES中的生产力P的最大值max(ES),采用以下公式计算得到生产力调整系数e:
e=max(ES)/P
2.2)依次从需求调查问卷数据库CRQ中获取每个需求信息模型crq中的需求偏好集合pre,采用以下方式重组形成初始偏好矩阵E:
E[i,j]=crqj[i,4]
其中,初始偏好矩阵E[i,j]是一个k行n列的矩阵,每一行表示所有的目标群体对该行对应的功能的需求偏好;crqj[i,4]表示第j个目标群体的需求信息模型crqj中目标群体需求偏好集合pre的第i个需求偏好值,i表示功能的序数,i取1,2…k,k表示功能的总数,j表示需求信息模型crq的序数,j取1,2…n,n表示目标群体的总数,也为需求信息模型的总数;
将初始偏好矩阵E采用以下公式运算获得平均偏好矩阵:
其中,F[i,1]表示平均偏好矩阵F的第i行第1列的元素;
依据制造客体对所有功能的真实需求偏好目标集合pre’采用以下公式计算获得需求偏好调整系数集合v:
v[j]=pre′[j]/F′[1,j]
其中,F’[1,j]为平均偏好矩阵F[i,1]的转置矩阵,pre′[j]表示企业自身对第j个产品功能的期望值,v[j]表示第j个目标群体的需求偏好调整系数集合;
最后采用以下公式计算获得企业生产力综合调整系数集合g为:
g[j]=e*v[j]
其中,e为生产力调整系数。
2.根据权利要求1所述的一种结合企业生产力和需求状态的需求数据预测方法,其特征在于:所述步骤1)中,目标群体的需求信息模型crq表示为:
crq={fuc,imp,eva,pre}
其中,fuc表示产品的功能集合,fuc={fuc1,fuc2,…fuck},fuc1代表第一个产品功能,fuck代表第k个产品功能;imp表示产品功能的重要度评价集合,imp={imp1,imp2,…impk},imp1代表产品第一个产品功能的重要度评价,impk代表产品第k个产品功能的重要度评价;eva表示目标群体对产品功能的kano模型评价集合,eva={eva1,eva2,…,evai,…,evak},eva1代表目标群体对第一个产品功能的kano模型评价,evak代表目标群体对第k个产品功能的kano模型评价;evai=[Pi,Ni],其中Pi表示第i个产品功能下可实现情况的功能矩阵,Ni表示第i个产品功能下不可实现情况的功能矩阵;pre表示功能的需求偏好集合,pre={pre1,pre2,…prek},pre1表示目标群体对第一个产品功能的需求偏好值,prek表示目标群体对第k个产品功能的需求偏好值;
一个需求信息模型crq代表一个目标群体对产品的需求信息,由所有的需求信息模型crq组成需求调查问卷数据库CRQ,表示为:
CRQ={crq1,crq2,…crqn}
其中,crq1代表第1个的需求信息模型,crqn代表第n个的需求信息模型,n表示需求信息模型的总数,也表示目标群体的总数。
3.根据权利要求1所述的一种结合企业生产力和需求状态的需求数据预测方法,其特征在于:所述步骤3)具体如下:
3.1)针对需求信息模型crq的kano模型评价集合eva中第一个产品功能所对应的kano模型评价eva1,即第一个kano模型评价eva1,取其下属的功能矩阵P1和功能矩阵N1采用以下公式进行计算获得交互矩阵S:
S=P1T*N1
其中,P1表示第1个产品功能下可实现情况的功能矩阵,表示第1个产品功能下不可实现情况的功能矩阵;
接着,将交互矩阵S中的各个元素,参照kano模型分类表按照同类需求状态概率相加得到需求类别隶属度向量L,表示为:
其中,M,O,A,I,R,Q代表需求状态,分别是M—基本型需求状态,O—期望型需求状态,A—兴奋型需求状态,I—无关紧要需求状态,R—逆向需求状态,Q—问题需求状态;ε1~ε6分别表示基本型需求状态、期望型需求状态、兴奋型需求状态、无关紧要需求状态、逆向需求状态和问题需求状态的概率;
然后,针对需求类别隶属度向量L中的各个概率ε1~ε6,与需求标准阈值B进行比较,若概率ε的值大于B,概率ε赋值为1,否则赋值为1,从而由需求类别隶属度向量L进行重新赋值后获得需求类别向量L’;
3.2)将所有目标群体的需求信息模型crq对应的第一个评价集合eva1采用步骤3.1)进行处理计算,得到第一个产品功能对应的需求类别向量L’,再采用以下公式将所有产品功能对应的需求类别向量L’累加得到需求状态判别矩阵U:
计算获得的需求状态判别矩阵U表示为:U=[u1,u2,u3,u4,u5,u6],u1,u2,u3,u4,u5,u6分别表示所有的目标群体对第一个产品功能的评价落在M、O、A、I、R、Q状态下的频数值;
在需求状态判别矩阵U中,取max{u1,u2,u3,u4,u5,u6}作为单个产品功能的需求状态取值c;
3.3)重复上述步骤3.1)和3.1),获得所有产品功能的需求状态取值c,组成需求状态矩阵C:
C={c1,c2…ck}
其中,c1,c2…ck表示k个产品功能的需求状态取值;
预测下一时期的需求状态矩阵C’,得到需求状态调整系数矩阵x;
3.4)预设当前时间段下的需求状态矩阵C1,由已知的制造客体历史数据进行3.1)~3.3)步骤计算后获得产品功能的前m个时间段的各个需求状态矩阵,分别表示为Cm,Cm-1…C1,对每个产品功能进行markov状态转移概率计算获得功能的预测需求状态取值c’;
针对每个产品功能,在各个阶段中,产品功能处在M、O和A需求状态下的状态频数分别为d1、d2、d3:
在相应的状态频数中,d1表示为d1={d11,d12,d13},其中d11表示本时间段功能的需求状态为M、下一时间段转化为M,d12表示本时间段功能的需求状态为M、下一时间段转化为O,d13表示本时间段功能的需求状态为M、下一时间段转化为A;
在相应的状态频数中,d2表示为d2={d21,d22,d23},其中d21表示本时间段功能的需求状态为O,下一时间段转化为M,d22表示本时间段功能的需求状态为O,下一时间段转化为O,d23表示本时间段功能的需求状态为O,下一时间段转化为A;
在相应的状态频数中,d3表示为d3={d31,d32,d33},其中d31表示本时间段功能的需求状态为O,下一时间段转化为M,d32表示本时间段功能的需求状态为O,下一时间段转化为O,d33表示本时间段功能的需求状态为O,下一时间段转化为A;
接着,采用以下公式计算获得产品功能的状态转移矩阵T为:
其中,m=d1+d2+d3;d1+d2+d3分别表示产品功能处在M、O和A需求状态下的状态频数;
然后构建产品功能的初始需求状态矩阵为π(0),π(0)表示为π(0)={π0M,π0O,π0A},其中π0M,π0O,π0A分别表示初始状态产品功能处于基本型需求状态M、期望型需求状态O和兴奋型需求状态A的概率取值;并且用步骤3.3)获得的需求状态判别矩阵U的前三项u1,u2,u3计算π(0),计算公式如下:
再根据状态转移矩阵T和初始需求状态矩阵π(0)采用以下公式计算预测出下一阶段的需求状态矩阵π(1):
π(1)=π(0)*T
其中,π(1)={π1M,π1O,π1A},其中π1M,π1O,π1A分别表示预测出的状态产品功能处于基本型需求状态M、期望型需求状态O和兴奋型需求状态A的概率取值;
下一阶段的需求状态矩阵π(1)中取π1M,π1O,π1A的三个需求状态概率最大所对应的需求状态作为产品功能的预测需求状态取值c’;
3.5)重复上述步骤3.1)~3.4)对所有的产品功能进行计算处理,获得各个产品功能对应的预测需求状态取值c’,组成预测需求状态矩阵C’:
C’={c’1,c’2…c’k}
其中,c’1表示第1个产品功能的预测需求状态取值;
3.6)最后将预测需求状态矩阵C’采用以下方式进行映射转换得到需求状态调整系数矩阵x。
4.根据权利要求1所述的一种结合企业生产力和需求状态的需求数据预测方法,其特征在于:所述步骤4)具体为:
对需求信息模型crq下属的产品功能的重要度评价集合imp进行平均计算,得到当前时间段目标群体的初步需求重要度CR1:
CR1={cr1,cr2,…,crj,…,crk}
其中,j取1,2…k,crqi[j,2]表示第i个目标群体需求信息模型的imp集合的第j个元素;
利用制造客体的历史数据,与步骤3.4)取相同时间段间隔,用灰色预测方法GM(1,1)以m个时间段的客户需求重要度CRm,CRm-1,…CR1预测下一时间段的目标群体的需求重要度为CR2,采用以下公式计算获得目标群体的最终需求重要度CR2’:
CR2’[j]=CR2[j]*g[j]x[j]
其中,x[j]表示状态调整系数矩阵x中的第j个元素,g[j]表示生产力综合调整系数矩阵g中的第j个元素。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711228770.1A CN108038564B (zh) | 2017-11-29 | 2017-11-29 | 一种结合企业生产力和需求状态的需求预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711228770.1A CN108038564B (zh) | 2017-11-29 | 2017-11-29 | 一种结合企业生产力和需求状态的需求预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108038564A CN108038564A (zh) | 2018-05-15 |
CN108038564B true CN108038564B (zh) | 2021-08-06 |
Family
ID=62094456
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711228770.1A Active CN108038564B (zh) | 2017-11-29 | 2017-11-29 | 一种结合企业生产力和需求状态的需求预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108038564B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103577888A (zh) * | 2013-09-05 | 2014-02-12 | 西安电子科技大学 | 一种改进的熵权层次分析法及其应用 |
CN103810263A (zh) * | 2014-01-26 | 2014-05-21 | 河海大学常州校区 | 一种产品快速设计方法 |
CN107122195A (zh) * | 2017-05-08 | 2017-09-01 | 云南大学 | 主客观融合的软件非功能需求评价方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140200958A1 (en) * | 2013-01-11 | 2014-07-17 | Sap Ag | System and method for categorization of factors to predict demand |
-
2017
- 2017-11-29 CN CN201711228770.1A patent/CN108038564B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103577888A (zh) * | 2013-09-05 | 2014-02-12 | 西安电子科技大学 | 一种改进的熵权层次分析法及其应用 |
CN103810263A (zh) * | 2014-01-26 | 2014-05-21 | 河海大学常州校区 | 一种产品快速设计方法 |
CN107122195A (zh) * | 2017-05-08 | 2017-09-01 | 云南大学 | 主客观融合的软件非功能需求评价方法 |
Non-Patent Citations (3)
Title |
---|
基于Kano-QFD的个性化产品属性指标重要度确定方法;孙园园等;《计算机集成制造系统》;20141130;第20卷(第11期);全文 * |
基于顾客满意度感知要素的需求预测模型;李玉鹏等;《计算机集成制造系统》;20170228;第23卷(第2期);全文 * |
已有产品功能创新设计过程模型及应用;梁瑞等;《机械工程学报》;20161231;第52卷(第23期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN108038564A (zh) | 2018-05-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chang et al. | An improved neural network-based approach for short-term wind speed and power forecast | |
López et al. | Application of SOM neural networks to short-term load forecasting: The Spanish electricity market case study | |
Alvarez et al. | Energy time series forecasting based on pattern sequence similarity | |
CN104598986B (zh) | 基于大数据的电力负荷预测方法 | |
Aghdaie et al. | Synergies of data mining and multiple attribute decision making | |
Cheng et al. | Probabilistic residential load forecasting based on micrometeorological data and customer consumption pattern | |
CN105989420A (zh) | 确定用户用电行为特征的方法、用户用电负荷的预测方法和装置 | |
CN110689195A (zh) | 一种电力日负荷预测方法 | |
Dai et al. | A clustering-based sales forecasting scheme using support vector regression for computer server | |
CN105404935A (zh) | 一种考虑业扩增量的电力系统月度负荷预测方法 | |
CN113986869A (zh) | 基于机器学习时序预测算法的建设工程材料价格信息数据计算方法 | |
Liu et al. | ACER: An adaptive context-aware ensemble regression model for airfare price prediction | |
Wang et al. | Solar power prediction with data source weighted nearest neighbors | |
Paul et al. | A disruption recovery model in a production-inventory system with demand uncertainty and process reliability | |
CN111667090A (zh) | 一种基于深度置信网络与权值共享的负荷预测方法 | |
He et al. | Research on pattern matching of dynamic sustainable procurement decision-making for agricultural machinery equipment parts | |
CN108038564B (zh) | 一种结合企业生产力和需求状态的需求预测方法 | |
CN112330030A (zh) | 业扩物资需求预测系统及方法 | |
Brusaferri et al. | Day ahead electricity price forecast by narx model with lasso based features selection | |
CN104077231A (zh) | 基于符号动力学和ls-svm的变压器维护优化方法 | |
CN116258280A (zh) | 一种基于时间序列聚类的短期负荷预测方法 | |
CN116502750A (zh) | 一种基于gra-pso-lssvm的城镇燃气日负荷预测方法 | |
CN115829418A (zh) | 适用于负荷管理的电力用户负荷特性画像构建方法和系统 | |
CN109871997A (zh) | 一种适应复杂环境的降温负荷组合测算系统 | |
Henzel et al. | Impact of time series clustering on fuel sales prediction results. |
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 |