CN108492142A - 一种计算订货规律的方法、装置和服务器组 - Google Patents

一种计算订货规律的方法、装置和服务器组 Download PDF

Info

Publication number
CN108492142A
CN108492142A CN201810266642.4A CN201810266642A CN108492142A CN 108492142 A CN108492142 A CN 108492142A CN 201810266642 A CN201810266642 A CN 201810266642A CN 108492142 A CN108492142 A CN 108492142A
Authority
CN
China
Prior art keywords
history
order
frequency domain
domain data
time
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
CN201810266642.4A
Other languages
English (en)
Other versions
CN108492142B (zh
Inventor
宋时雨
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.)
Lenovo Beijing Ltd
Original Assignee
Lenovo Beijing 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 Lenovo Beijing Ltd filed Critical Lenovo Beijing Ltd
Priority to CN201810266642.4A priority Critical patent/CN108492142B/zh
Publication of CN108492142A publication Critical patent/CN108492142A/zh
Application granted granted Critical
Publication of CN108492142B publication Critical patent/CN108492142B/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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0202—Market predictions or forecasting for commercial activities
    • 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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data

Landscapes

  • Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Engineering & Computer Science (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Finance (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Data Mining & Analysis (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本申请公开了一种计算订货规律的方法、装置和服务器组，该方法包括：获取历史订货数量及对应的历史订货时间；基于所述历史订货时间，确定每一历史订货时间分别对应的频率；将所述历史订货数量转化为频域数据；确定所述频域数据中满足预设要求的至少一个第一频域数据；确定所述第一频域数据对应的频率，以确定订货周期。该方法能够利用多个计算步骤，特别是能够基于对历史订货数据从数理统计的方面着手，准确预测出销售商对商品的订货周期，即准确的计算出订货规律，使得生产方能够根据订货规律来及时进行相适配的生产活动。

Description

一种计算订货规律的方法、装置和服务器组
技术领域
本发明涉及数据处理领域，特别涉及一种计算订货规律的方法、装置和服务器组。
背景技术
商品的在不同的时间段内的销售数量是不同的，使得销售商在生产商(工厂)那里的订货周期也是不同的，例如销售淡季时5个月订一次货，旺季时3个月订一次货，但是生产商对此订货规律并不十分了解，往往只能依据以往的经验或者通过和销售商的沟通来调整原料采购及生产。这样以来就使得生产商(工厂)在做出决策时并没有数据作为支撑，所以做出的调整往往不够精确，从而发生产能不足或产能过剩的情况，造成巨大的经济损失。
发明内容
本发明实施例的目的在于提供一种计算订货规律的方法、装置和服务器组，使用该方法能够准确预测出销售商对商品的订货周期，使得生产方能够根据订货周期来及时进行生产。
为了解决上述技术问题，本发明的实施例采用了如下技术方案：一种计算订货规律的方法，包括：
获取历史订货数量及对应的历史订货时间；
基于所述历史订货时间，确定每一历史订货时间分别对应的频率；
将所述历史订货数量转化为频域数据；
确定所述频域数据中满足预设要求的至少一个第一频域数据；
确定所述第一频域数据对应的频率，以确定订货周期。
作为优选，所述基于所述历史订货时间，确定每一历史订货时间分别对应的频率包括：
将所述历史订货时间之间的空缺时间进行补充处理，以得到第一订货序列；
将所述第一订货序列进行顺序编号，以得到第二订货序列；
基于所述第二订货序列，确定满足预设要求的正整数N；
基于所述第二订货序列以及N，确定每一历史订货时间分别对应的频率。
作为优选，所述确定所述频域数据中满足预设要求的至少一个第一频域数据，包括：
确定所述频域数据中功率值最高的M个数据作为所述第一频域数据，其中，M为正整数。
作为优选，所述将所述历史订货数量转化为频域数据，包括：
将所述历史订货数据进行归一化处理，得到归一化订货数据；
将所述归一化订货数据转化为频域数据。
作为优选，确定所述第一频域数据对应的频率，以确定订货周期，包括：
将所述第一频域数据对应的频率的倒数，作为所述订货周期。
本申请实施例还提供了一种计算订货规律的装置，包括获取模块和处理模块：
所述获取模块配置为：获取历史订货数量及对应的历史订货时间；
所述处理模块配置为：
基于所述历史订货时间，确定每一历史订货时间分别对应的频率；
将所述历史订货数量转化为频域数据；
确定所述频域数据中满足预设要求的至少一个第一频域数据；
确定所述第一频域数据对应的频率，以确定订货周期。
作为优选，所述处理模块包括补充整理单元；
所述补充整理单元配置为将所述历史订货时间之间的空缺时间进行补充处理，以得到第一订货序列，将所述第一订货序列进行顺序编号，以得到第二订货序列，并基于所述第二订货序列，确定满足预设要求的正整数N，以使所述处理模块基于所述第二订货序列以及N，确定每一历史订货时间分别对应的频率。
作为优选，所述处理模块进一步配置为：确定所述频域数据中功率值最高的M个数据作为所述第一频域数据，其中，M为正整数。
作为优选，所述处理模块包括转化单元，所述转化单元配置为：
将所述历史订货数据进行归一化处理，得到归一化订货数据；
将所述归一化订货数据转化为频域数据。
本申请实施例还提供了一种服务器组，包括至少一个处理器和至少一个存储器，所述存储器中存储有可执行程序，所述处理器执行所述可执行程序以进行如下步骤：
获取历史订货数量及对应的历史订货时间；
基于所述历史订货时间，确定每一历史订货时间分别对应的频率；
将所述历史订货数量转化为频域数据；
确定所述频域数据中满足预设要求的至少一个第一频域数据；
确定所述第一频域数据对应的频率，以确定订货周期。
本发明实施例的有益效果在于：该方法能够利用多个计算步骤，特别是能够基于对历史订货数据从数理统计的方面着手，准确预测出销售商对商品的订货周期，即准确的计算出订货规律，使得生产方能够根据订货规律来及时进行相适配的生产活动。
附图说明
图1为本发明实施例的计算订货规律的方法的流程图；
图2为本发明实施例的图1中步骤S2的一个实施例的流程图；
图3为本发明实施例的图1中步骤S3的一个实施例的流程图；
图4为本发明实施例的计算订货规律的方法的一个具体实施例的流程图。
具体实施方式
此处参考附图描述本发明的各种方案以及特征。
应理解的是，可以对此处发明的实施例做出各种修改。因此，上述说明书不应该视为限制，而仅是作为实施例的范例。本领域的技术人员将想到在本发明的范围和精神内的其他修改。
包含在说明书中并构成说明书的一部分的附图示出了本发明的实施例，并且与上面给出的对本发明的大致描述以及下面给出的对实施例的详细描述一起用于解释本发明的原理。
通过下面参照附图对给定为非限制性实例的实施例的优选形式的描述，本发明的这些和其它特性将会变得显而易见。
还应当理解，尽管已经参照一些具体实例对本发明进行了描述，但本领域技术人员能够确定地实现本发明的很多其它等效形式，它们具有如权利要求所述的特征并因此都位于借此所限定的保护范围内。
当结合附图时，鉴于以下详细说明，本发明的上述和其他方面、特征和优势将变得更为显而易见。
此后参照附图描述本发明的具体实施例；然而，应当理解，所发明的实施例仅仅是本发明的实例，其可采用多种方式实施。熟知和/或重复的功能和结构并未详细描述以避免不必要或多余的细节使得本发明模糊不清。因此，本文所发明的具体的结构性和功能性细节并非意在限定，而是仅仅作为权利要求的基础和代表性基础用于教导本领域技术人员以实质上任意合适的详细结构多样地使用本发明。
本说明书可使用词组“在一种实施例中”、“在另一个实施例中”、“在又一实施例中”或“在其他实施例中”，其均可指代根据本发明的相同或不同实施例中的一个或多个。
本发明实施例的一种计算订货规律的方法，可以应用在统计或预测物品等相关领域，如工厂在生产产品的过程中可以使用该方法从而能够根据订货规律合理安排生产，如图1所示并结合图4，该方法包括以下步骤：
S1，获取历史订货数量及对应的历史订货时间。历史订货数量可以是历史阶段单位时间内的订货数量，或者是一个时间点的订货数量，而历史订货时间可以包括订货时的时间点和预定的历史时间段等，获取到历史订货数量及对应的历史订货时间后便能够清楚的得知历史订货信息，例如2017年1月1日到2017年12月1日每周订货数量多少(历史订货周期)，从而再对这些信息进行进一步的分析和处理。
S2，基于历史订货时间，确定每一历史订货时间分别对应的频率。在一个实施例中，历史订货时间可以是历史阶段的单位时间段(如每天、每周、每月等)，确定每个单位时间段对应的频率，该频率可以看作是一个中间参数，在多个频率中每个频率对应有功率值(随后还将进行说明)，即生成的频率能够与功率值建立对应关系，从而能够在随后计算过程中通过该对应关系寻找出相关功率值或是频率。关于功率值计算，可以看作是计算不同历史订货周期中订货量的多少，比如，每5周订300台和每1周订10台这两种规律相比较，计算出来就是以5周为周期的功率大于以每1周为周期的功率。
S3，将历史订货数量转化为频域数据。历史订货数量具有时间域的特征，可以看作是时域数据，该步骤可以把数据在时域的规律转换到频域的规律，即将时域数据转化为频域数据。例如，每周订多少货这是时域上的特点，它可能是由不同的订货周期和订货量累加起来并进行一定处理后的结果，该过程如同物理学中的可见光，其实是不同的光波叠加出来的结果。而本实施中的频域转化也是相同的道理，而具体的转化过程可以利用数学公式来完成，如使用傅里叶变换可以将历史订货数量转化为频域数据，经过傅里叶变换后的数据结果包括实部和虚部，根据实部和虚部能够计算得出功率值，举例说明，例如对于历史上的每次的订货记录从0开始编号，而最后一条订货编号为n，找出大于等于n的第一个2k中的K，即为N，则功率值(可以以P(f)表示)为，实部与虚部(实部与虚部可以分别用XR和XI表示，或者XR(k)和XI(k)表示)的平方和再除以N，即：
其中，f表示第k个订货记录对应的频率，P(f)为第k个订货记录对应的功率。
S4，确定频域数据中满足预设要求的至少一个第一频域数据。频域数据包括历史订货信息中的与频率相关的数据，而每个频率或频率数据点均对应有相应的功率值，因此基于预设条件对频域数据进行筛选，一方面也是对功率值的筛选，预设要求可以根据实际情况来设定，如利用预设公式直接对频域数据本身进行计算从而确定出第一频域数据，在一个实施例中，预设要求可以是获取频域数据中的最大功率值的数据点，即确定出了第一频域数据。
S5，确定第一频域数据对应的频率，以确定订货周期。在一个实施例中，最大功率值对应的数据点即为第一频域数据对应的频率，在确定该频率后可以再对其进行计算从而最后确定出订货周期，在本实施例中可以对确定的频率进行求倒数计算，生成订货周期，从而准确的计算出订货规律。
在本申请的一个实例中，如图2所示并结合图4，所述的基于历史订货时间，确定每一历史订货时间分别对应的频率的步骤还包括以下步骤：
S21，将历史订货时间之间的空缺时间进行补充处理，以得到第一订货序列。具体来说，在历史订货数据中，订货数据并不会非常规律或整齐，很有可能在一个时间段内的订货数量较多，在另一个不同时间段内订货数量较少，或者在还有的时间段内根本没有订货数量生成。这就需要对历史订货时间之间的空缺时间进行补充处理才能够获取到整齐的序列以便随后对其处理，即得到第一订货序列。
S22，将第一订货序列进行顺序编号，以得到第二订货序列。在一个实施例中，对历史上的每次的订货记录(即第一订货序列)从0开始编号，而最后一条订货编号为n，当然也可从其他数字开始对第一订货序列进行编号从而得到第二订货序列。
S23，基于第二订货序列，确定满足预设要求的正整数N。在一个实施例中，基于第二订货序列，找出大于等于n的第一个2k中的K，即为N。
S24，基于第二订货序列以及N，确定每一历史订货时间分别对应的频率。在一个实施例中，可以将上述的编号分别除以N便能够得到每一历史订货时间分别对应的频率。
在本申请的一个实例中，所述的确定频域数据中满足预设要求的至少一个第一频域数据的步骤包括：确定频域数据中功率值最高的M个数据作为第一频域数据，其中，M为正整数。具体来说可以预先设定第一标准，在频域数据中功率值能够高于第一标准的数据便可以作为第一频域数据，当然该第一标准可以根据频域数据本身、原始的历史订货数据(包括历史订货数量及对应的历史订货时间)或是对计算结果的精确度要求来制定。
在本申请的一个实例中，如图3所示并结合图4，所述的将历史订货数量转化为频域数据的步骤包括以下步骤：
S31，将历史订货数据进行归一化处理，得到归一化订货数据。归一化处理也叫做中心化处理，目的是要把订货序列缩放到均值为0，标准差为1的范围内，该归一化处理是为了周期特征体现的更明显，也就得到的归一化订货数据中的周期特征更加明显。归一化处理具体可以使用以下公式进行计算：
其中，x表示原始的历史订货数据，μ表示x所在数据序列的均值，x′表示x所在数据序列的标准差，δ表示x所在数据序列的标准差，x′表示x经过归一化处理之后得到的值，符合均值为0，方差为1的分布。
S32，将归一化订货数据转化为频域数据。具体可以是将归一化订货数据通过傅里叶变换后转化为频域数据，从而能够针对频域数据再进行处理。结合上述例子进一步进行说明，进行傅里叶变化可以使用如下公式：
其中，X(k)表示第k个订货记录经过傅里叶变换得到的值；N表示数据总个数，Xn表示第n个订货记录；e为自然常数；j表示虚数单位；π为圆周率；arctg为反正切；XR(k)表示X(k)的实部，XI(k)表示X(k)的虚部；|X(k)|表示X(k)的长度。
在本申请的一个实例中，所述的确定第一频域数据对应的频率，以确定订货周期的步骤包括：将第一频域数据对应的频率的倒数，作为订货周期。具体来说，整个完整的步骤便是从频域数据中获取功率值最大的第一频域数据，从第一频域数据中得到与最大功率值对应的频率，将该频率求倒数便得到预测出来的订货周期。例如，按照周统计的历史订货记录在计算之后，最大的功率值对应的数据点的频率为0.2，那么订货周期就是1/0.2＝5，也就是说，大约每5周会进行大量的订货。
本申请实施例还提供了一种计算订货规律的装置，该装置包括获取模块和处理模块，结合图4进行说明。
获取模块配置为：获取历史订货数量及对应的历史订货时间。历史订货数量可以是历史阶段单位时间内的订货数量，或者是一个时间点的订货数量，而历史订货时间可以包括订货时的时间点和预定的历史时间段等，获取模块获取到历史订货数量及对应的历史订货时间后便能够清楚的得知历史订货信息，例如2017年1月1日到2017年12月1日每周订货数量多少(历史订货周期)，从而再对这些信息进行进一步的分析和处理。
处理模块配置为：基于历史订货时间，确定每一历史订货时间分别对应的频率；将历史订货数量转化为频域数据；确定频域数据中满足预设要求的至少一个第一频域数据；确定第一频域数据对应的频率，以确定订货周期。
在一个实施例中，历史订货时间可以是历史阶段的单位时间段(如每天、每周、每月等)，确定每个单位时间段对应的频率，该频率可以看作是一个中间参数，在多个频率中每个频率对应有功率值(随后还将进行说明)，即生成的频率能够与功率值建立对应关系，从而能够在随后计算过程中通过该对应关系寻找出相关功率值或是频率。关于功率值计算，可以看作是计算不同历史订货周期中订货量的多少，比如，每5周订300台和每1周订10台这两种规律相比较，计算出来就是以5周为周期的功率大于以每1周为周期的功率。
历史订货数量具有时间域的特征，可以看作是时域数据，处理模块将历史订货数量转化为频域数据可以把数据在时域的规律转换到频域的规律，即将时域数据转化为频域数据。例如，每周订多少货这是时域上的特点，它可能是由不同的订货周期和订货量累加起来并进行一定处理后的结果，该过程如同物理学中的可见光，其实是不同的光波叠加出来的结果。而本实施中的频域转化也是相同的道理，而具体的转化过程可以利用数学公式来完成，如使用傅里叶变换可以将历史订货数量转化为频域数据，经过傅里叶变换后的数据结果包括实部和虚部，根据实部和虚部能够计算得出功率值，举例说明，例如对于历史上的每次的订货记录从0开始编号，而最后一条订货编号为n，找出大于等于n的第一个2k中的K，即为N，则功率值(可以以P(f)表示)为，实部与虚部(实部与虚部可以分别用XR和XI表示，或者XR(k)和XI(k)表示)的平方和再除以N，即：
其中，f表示第k个订货记录对应的频率，P(f)为第k个订货记录对应的功率。
频域数据包括历史订货信息中的与频率相关的数据，而每个频率或频率数据点均对应有相应的功率值，因此基于预设条件对频域数据进行筛选，一方面也是对功率值的筛选，预设要求可以根据实际情况来设定，如利用预设公式直接对频域数据本身进行计算从而确定出第一频域数据，在一个实施例中，预设要求可以是获取频域数据中的最大功率值的数据点，即确定出了第一频域数据。
在一个实施例中，最大功率值对应的数据点即为第一频域数据对应的频率，在确定该频率后可以再对其进行计算从而最后确定出订货周期，在本实施例中可以对确定的频率进行求倒数计算，生成订货周期，从而准确的计算出订货规律。
在本申请的一个实施例中，结合图4，处理模块包括补充整理单元。补充整理单元配置为将历史订货时间之间的空缺时间进行补充处理，以得到第一订货序列，将第一订货序列进行顺序编号，以得到第二订货序列，并基于第二订货序列，确定满足预设要求的正整数N，以使处理模块基于第二订货序列以及N，确定每一历史订货时间分别对应的频率。
将历史订货时间之间的空缺时间进行补充处理，以得到第一订货序列。具体来说，在历史订货数据中，订货数据并不会非常规律或整齐，很有可能在一个时间段内的订货数量较多，在另一个不同时间段内订货数量较少，或者在还有的时间段内根本没有订货数量生成。这就需要对历史订货时间之间的空缺时间进行补充处理才能够获取到整齐的序列以便随后对其处理，即得到第一订货序列。
在一个实施例中，补充整理单元对历史上的每次的订货记录(即第一订货序列)从0开始编号，而最后一条订货编号为n，当然也可从其他数字开始对第一订货序列进行编号从而得到第二订货序列。
而补充整理单元对于基于第二订货序列，确定满足预设要求的正整数N的处理，具体可以是基于第二订货序列，找出大于等于n的第一个2k中的K，即为N。
补充整理单元在确定每一历史订货时间分别对应的频率时，在一个实施例中，可以将上述的编号分别除以N便能够得到每一历史订货时间分别对应的频率。
在本申请的一个实施例中，处理模块进一步配置为：确定频域数据中功率值最高的M个数据作为所述第一频域数据，其中，M为正整数。具体来说可以预先设定第一标准，在频域数据中功率值能够高于第一标准的数据便可以作为第一频域数据，当然该第一标准可以根据频域数据本身、原始的历史订货数据(包括历史订货数量及对应的历史订货时间)或是对计算结果的精确度要求来制定。
在本申请的一个实施例中，处理模块包括转化单元，转化单元配置为：将历史订货数据进行归一化处理，得到归一化订货数据；将归一化订货数据转化为频域数据。归一化处理也叫做中心化处理，目的是要把订货序列缩放到均值为0，标准差为1的范围内，该归一化处理是为了周期特征体现的更明显，也就得到的归一化订货数据中的周期特征更加明显。归一化处理具体可以使用以下公式进行计算：
其中，x表示原始的历史订货数据，μ表示x所在数据序列的均值，x′表示x所在数据序列的标准差，δ表示x所在数据序列的标准差，x′表示x经过归一化处理之后得到的值，符合均值为0，方差为1的分布。
将归一化订货数据转化为频域数据，具体可以是将归一化订货数据通过傅里叶变换后转化为频域数据，从而能够针对频域数据再进行处理。结合上述例子进一步进行说明，进行傅里叶变化可以使用如下公式：
其中，X(k)表示第k个订货记录经过傅里叶变换得到的值；N表示数据总个数，Xn表示第n个订货记录；e为自然常数；j表示虚数单位；π为圆周率；arctg为反正切；XR(k)表示X(k)的实部，XI(k)表示X(k)的虚部；|X(k)|表示X(k)的长度。
本申请还提供了一种服务器组，包括至少一个处理器和至少一个存储器，如服务器组中的每一个服务器可以具有一个处理器和一个存储器，存储器中存储有可执行程序，处理器执行所述可执行程序以进行如下步骤，如图1所示并结合图4。
S1，获取历史订货数量及对应的历史订货时间。历史订货数量可以是历史阶段单位时间内的订货数量，或者是一个时间点的订货数量，而历史订货时间可以包括订货时的时间点和预定的历史时间段等，获取到历史订货数量及对应的历史订货时间后便能够清楚的得知历史订货信息，例如2017年1月1日到2017年12月1日每周订货数量多少(历史订货周期)，从而再对这些信息进行进一步的分析和处理。
S2，基于历史订货时间，确定每一历史订货时间分别对应的频率。在一个实施例中，历史订货时间可以是历史阶段的单位时间段(如每天、每周、每月等)，确定每个单位时间段对应的频率，该频率可以看作是一个中间参数，在多个频率中每个频率对应有功率值(随后还将进行说明)，即生成的频率能够与功率值建立对应关系，从而能够在随后计算过程中通过该对应关系寻找出相关功率值。关于功率值计算，可以看作是计算不同历史订货周期中订货量的多少，比如，每5周订300台和每1周订10台这两种规律相比较，计算出来就是以5周为周期的功率大于以每1周为周期的功率。
S3，将历史订货数量转化为频域数据。历史订货数量具有时间域的特征，可以看作是时域数据，该步骤可以把数据在时域的规律转换到频域的规律，即将时域数据转化为频域数据。例如，每周订多少货这是时域上的特点，它可能是由不同的订货周期和订货量累加起来并进行一定处理后的结果，该过程如同物理学中的可见光，其实是不同的光波叠加出来的结果。而本实施中的频域转化也是相同的道理，而具体的转化过程可以利用数学公式来完成，如使用傅里叶变换可以将历史订货数量转化为频域数据，经过傅里叶变换后的数据结果包括实部和虚部，根据实部和虚部能够计算得出功率值，举例说明，例如对于历史上的每次的订货记录从0开始编号，而最后一条订货编号为n，找出大于等于n的第一个2k中的K，即为N，则功率值(可以以P(f)表示)为，实部与虚部(实部与虚部可以分别用XR和XI表示)的平方和再除以N(上述举例在随后的内容中将再做详细说明)。
S4，确定频域数据中满足预设要求的至少一个第一频域数据。频域数据包括历史订货信息中的与频率相关的数据，而每个频率或频率数据点均对应有相应的功率值，因此基于预设条件对频域数据进行筛选，一方面也是对功率值的筛选，预设要求可以根据实际情况来设定，如利用预设公式直接对频域数据本身进行计算从而确定出第一频域数据，在一个实施例中，预设要求可以是获取频域数据中的最大功率值的数据点，即确定出了第一频域数据。
S5，确定第一频域数据对应的频率，以确定订货周期。在一个实施例中，最大功率值对应的数据点即为第一频域数据对应的频率，在确定该频率后可以再对其进行计算从而最后确定出订货周期，在本实施例中可以对确定的频率进行求倒数计算，生成订货周期，从而准确的计算出订货规律。
以上实施例仅为本发明的示例性实施例，不用于限制本发明，本发明的保护范围由权利要求书限定。本领域技术人员可以在本发明的实质和保护范围内，对本发明做出各种修改或等同替换，这种修改或等同替换也应视为落在本发明的保护范围内。

Claims (10)

1.一种计算订货规律的方法，包括：
获取历史订货数量及对应的历史订货时间；
基于所述历史订货时间，确定每一历史订货时间分别对应的频率；
将所述历史订货数量转化为频域数据；
确定所述频域数据中满足预设要求的至少一个第一频域数据；
确定所述第一频域数据对应的频率，以确定订货周期。
2.根据权利要求1所述的方法，所述基于所述历史订货时间，确定每一历史订货时间分别对应的频率包括：
将所述历史订货时间之间的空缺时间进行补充处理，以得到第一订货序列；
将所述第一订货序列进行顺序编号，以得到第二订货序列；
基于所述第二订货序列，确定满足预设要求的正整数N；
基于所述第二订货序列以及N，确定每一历史订货时间分别对应的频率。
3.根据权利要求1所述的方法，所述确定所述频域数据中满足预设要求的至少一个第一频域数据，包括：
确定所述频域数据中功率值最高的M个数据作为所述第一频域数据，其中，M为正整数。
4.根据权利要求1所述的方法，所述将所述历史订货数量转化为频域数据，包括：
将所述历史订货数据进行归一化处理，得到归一化订货数据；
将所述归一化订货数据转化为频域数据。
5.根据权利要求1所述的方法，确定所述第一频域数据对应的频率，以确定订货周期，包括：
将所述第一频域数据对应的频率的倒数，作为所述订货周期。
6.一种计算订货规律的装置，包括获取模块和处理模块：
所述获取模块配置为：获取历史订货数量及对应的历史订货时间；
所述处理模块配置为：
基于所述历史订货时间，确定每一历史订货时间分别对应的频率；
将所述历史订货数量转化为频域数据；
确定所述频域数据中满足预设要求的至少一个第一频域数据；
确定所述第一频域数据对应的频率，以确定订货周期。
7.根据权利要求6所述的装置，所述处理模块包括补充整理单元；
所述补充整理单元配置为将所述历史订货时间之间的空缺时间进行补充处理，以得到第一订货序列，将所述第一订货序列进行顺序编号，以得到第二订货序列，并基于所述第二订货序列，确定满足预设要求的正整数N，以使所述处理模块基于所述第二订货序列以及N，确定每一历史订货时间分别对应的频率。
8.根据权利要求6所述的装置，所述处理模块进一步配置为：确定所述频域数据中功率值最高的M个数据作为所述第一频域数据，其中，M为正整数。
9.根据权利要求6所述的装置，所述处理模块包括转化单元，所述转化单元配置为：
将所述历史订货数据进行归一化处理，得到归一化订货数据；
将所述归一化订货数据转化为频域数据。
10.一种服务器组，包括至少一个处理器和至少一个存储器，所述存储器中存储有可执行程序，所述处理器执行所述可执行程序以进行如下步骤：
获取历史订货数量及对应的历史订货时间；
基于所述历史订货时间，确定每一历史订货时间分别对应的频率；
将所述历史订货数量转化为频域数据；
确定所述频域数据中满足预设要求的至少一个第一频域数据；
确定所述第一频域数据对应的频率，以确定订货周期。
CN201810266642.4A 2018-03-28 2018-03-28 一种预测订货周期的方法、装置和服务器组 Active CN108492142B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810266642.4A CN108492142B (zh) 2018-03-28 2018-03-28 一种预测订货周期的方法、装置和服务器组

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810266642.4A CN108492142B (zh) 2018-03-28 2018-03-28 一种预测订货周期的方法、装置和服务器组

Publications (2)

Publication Number Publication Date
CN108492142A true CN108492142A (zh) 2018-09-04
CN108492142B CN108492142B (zh) 2022-04-19

Family

ID=63317009

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810266642.4A Active CN108492142B (zh) 2018-03-28 2018-03-28 一种预测订货周期的方法、装置和服务器组

Country Status (1)

Country Link
CN (1) CN108492142B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH09259192A (ja) * 1996-03-26 1997-10-03 Kobe Steel Ltd 発注量決定装置
CN103617459A (zh) * 2013-12-06 2014-03-05 李敬泉 一种多影响因素下商品需求信息预测方法
CN104820938A (zh) * 2015-05-15 2015-08-05 南京大学 一种季节性、周期性商品的最优订购周期预测方法
CN105096159A (zh) * 2015-06-30 2015-11-25 北京中电普华信息技术有限公司 一种区域售电量预测方法及装置
CN106251178A (zh) * 2016-08-08 2016-12-21 北京京东尚科信息技术有限公司 数据挖掘方法以及装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH09259192A (ja) * 1996-03-26 1997-10-03 Kobe Steel Ltd 発注量決定装置
CN103617459A (zh) * 2013-12-06 2014-03-05 李敬泉 一种多影响因素下商品需求信息预测方法
CN104820938A (zh) * 2015-05-15 2015-08-05 南京大学 一种季节性、周期性商品的最优订购周期预测方法
CN105096159A (zh) * 2015-06-30 2015-11-25 北京中电普华信息技术有限公司 一种区域售电量预测方法及装置
CN106251178A (zh) * 2016-08-08 2016-12-21 北京京东尚科信息技术有限公司 数据挖掘方法以及装置

Also Published As

Publication number Publication date
CN108492142B (zh) 2022-04-19

Similar Documents

Publication Publication Date Title
Belo-Filho et al. An adaptive large neighbourhood search for the operational integrated production and distribution problem of perishable products
Zanoni et al. Vendor managed inventory (VMI) with consignment considering learning and forgetting effects
Kunreuther et al. Optimal pricing and inventory decisions for non-seasonal items
Liu et al. Optimal dynamic pricing with patient customers
US10740773B2 (en) Systems and methods of utilizing multiple forecast models in forecasting customer demands for products at retail facilities
Chen et al. The myopic order-up-to policy with a proportional feedback controller
Schlosser et al. Dynamic pricing under competition on online marketplaces: A data-driven approach
CN105718642B (zh) 一种基于门限自回归模型的参考时间尺度产生方法
Kaya et al. Coordinated pricing and inventory decisions for perishable products
KR20140056731A (ko) 구매추천 시스템 및 방법
Englberger et al. Two-stage stochastic master production scheduling under demand uncertainty in a rolling planning environment
CN106610818A (zh) 一种属性确定的方法及装置
CN108492142A (zh) 一种计算订货规律的方法、装置和服务器组
CN113744009B (zh) 目标对象输出方法、装置、计算机可读介质及电子设备
Vaghefinezhad et al. A genetic algorithm approach for solving a flexible job shop scheduling problem
Mehdizadeh et al. Three meta-heuristic algorithms for the single-item capacitated lot-sizing problem (research note)
Sundara Rajan et al. Optimal pricing and replenishment policies for instantaneous deteriorating items with backlogging and trade credit under inflation
CN109117991A (zh) 一种股票订单交易方法和装置
Holmbom et al. A solution procedure for Economic Lot Scheduling Problems even in high utilisation facilities
Hsu ACloud service selection model based on user-specified quality of service level
AU2007252290B2 (en) The management of inventory allocations
CN115062069A (zh) 基于大数据的股票优选方法、系统、装置及存储介质
JP2007293624A (ja) 需要予測方法及び需要予測プログラム
Chiu et al. Cost models for lot streaming in a multistage flow shop
Bon et al. The fundamental on demand forecasting in inventory management

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