CN108537399A - 一种物料需求量的预测方法及装置 - Google Patents
一种物料需求量的预测方法及装置 Download PDFInfo
- Publication number
- CN108537399A CN108537399A CN201710122243.6A CN201710122243A CN108537399A CN 108537399 A CN108537399 A CN 108537399A CN 201710122243 A CN201710122243 A CN 201710122243A CN 108537399 A CN108537399 A CN 108537399A
- Authority
- CN
- China
- Prior art keywords
- target
- target material
- section
- requirement
- data
- 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
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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (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)
Abstract
本发明的实施例提供一种物料需求量的预测方法及装置,涉及通信技术领域,可提高预测目标物料的目标需求量时的准确率。该方法包括:获取目标物料在历史时段内的历史消耗数据;根据该历史消耗数据确定该目标物料的需求量区间;将该需求量区间的一个子集确定为目标物料在目标时段内的目标需求区间,该目标时段的开始时间晚于该历史时段的结束时间;根据该目标需求区间预测该目标物料在该目标时段内的目标需求量,该目标需求量属于该目标需求区间。
Description
技术领域
本发明实施例涉及通信技术领域,尤其涉及一种物料需求量的预测方法及装置。
背景技术
供应链系统是指为终端用户提供商品、服务或信息时,从最初的物料供应商一直到最终用户的整条链上流程和关系的一种集成。在供应链系统中,物料需求量的预测是一个重要的环节。如果预测值偏小,会造成因某些关键物料欠料而导致生产停滞;而如果预测值过大,会导致物料浪费和库存积压。
某段时间内一种目标物料的目标需求量一般与其关联物料的数量和权重相关,例如,当目标物料Y为鼠标时,与其相关的关联物料包括笔记本电脑X1和台式电脑X2,一个笔记本电脑通常配备一个鼠标,一个台式电脑通常也配备一个鼠标,即笔记本电脑X1的权重a1为1,台式电脑X2的权重a2为1。那么,当X1=2,X2=3时,可以计算出此时鼠标的目标需求量
但是,关联物料的数量和权重也是随着时间和不同应用场景变化的,以一年十二个月为例,每个月份关联物料的数量和权重都可能出现变化,即Xi和ai的值均在一个较大的取值范围内变化,那么,根据每个月Xi和ai的这些历史数据预测出的目标物料的目标需求量也会在一个较大的取值范围内波动,使得预测出的目标物料的目标需求量的准确率降低。
发明内容
本发明的实施例提供一种物料需求量的预测方法及装置,可提高预测目标物料的目标需求量时的准确率。
为达到上述目的,本发明的实施例采用如下技术方案:
第一方面,本发明的实施例提供一种物料需求量的预测方法,包括:获取目标物料在历史时段内的历史消耗数据;根据该历史消耗数据确定目标物料的需求量区间;将该需求量区间的一个子集确定为目标物料在目标时段内的目标需求区间,该目标时段的开始时间晚于该历史时段的结束时间;根据该目标需求区间预测目标物料在该目标时段内的目标需求量,该目标需求量属于该目标需求区间。
可以看出,在上述物料需求量的预测方法中,预测装置根据目标物料的历史消耗数据为目标物料确定了一个较大的需求量区间,进而,在上述需求量区间内为目标物料确定其目标需求量在目标时段内所属的一个较小的目标需求区间,后续,可根据这个较小的目标需求区间预测目标物料在目标时段内的目标需求量,这样,预测出的目标需求量不会在很大的取值范围内波动,从而提高预测目标物料的目标需求量时的准确率。
在一种可能的设计方法中,该历史消耗数据包括至少一组样本数据,每组样本数据包括该样本内该目标物料的实际消耗量以及该样本内该目标物料的N(N为大于或等于1的整数)个关联物料的实际消耗量;其中,根据该历史消耗数据确定该目标物料的需求量区间,包括:对每组样本数据执行数据标准化操作,以获取该组样本数据中该目标物料的标准消耗量;将每组样本数据内的标准消耗量中的最大值和最小值形成的区间作为该目标物料的需求量区间。执行数据标准化操作后,可以消除历史消耗数据中不同量纲以及不同数量级的影响,以获取该历史消耗数据在历史时段中各个时段内的标准消耗量。
在一种可能的设计方法中,对每组样本数据执行数据标准化操作,包括:根据该组样本数据中N个关联物料的实际消耗量计算关联向量的范数,该关联向量由该N个关联物料的实际消耗量构成;用该组样本数据中目标物料的实际消耗量除以该关联向量的范数,以获取该组样本数据中该目标物料的标准消耗量。
在一种可能的设计方法中,在对每组样本数据执行数据标准化操作之前,还包括:根据预置的第一关系表和/或预置的第二关系表,从历史消耗数据中包含的M(M为大于N的整数)个原始物料中确定该目标物料的N个关联物料,该第一关系表用于指示该目标物料的至少一个关联物料,该第二关系表用于指示实际使用中该目标物料与M个原始物料中至少一个原始物料的相关度。
在一种可能的设计方法中,将该需求量区间的一个子集确定为该目标物料在目标时段内的目标需求区间,包括:对该需求量区间执行数据离散化操作,以获取L(L为大于或等于1的整数)个连续的离散区间,其中,即把上述需求量区间离散为L个连续的离散区间;这样,可以从这L个离散区间中确定一个离散区间确定为该目标物料在该目标时段内的目标需求区间,从而在上述波动较大的需求量区间内为目标物料确定其目标需求量在目标时段内所属的一个较小的目标需求区间。
在一种可能的设计方法中,将该L个离散区间中的一个离散区间确定为该目标物料在该目标时段内的目标需求区间,包括:获取该目标物料的N个关联物料在该目标时段内的需求量,确定由这些需求量构成的需求向量;通过预置的DNN模型训练该历史消耗数据,以确定该N个关联物料的消耗量与该L个离散区间之间的对应关系;根据该N个关联物料的消耗量与该L个离散区间之间的对应关系,确定与该需求向量对应的该目标物料在该目标时段内的目标需求区间。
在一种可能的设计方法中,根据该目标需求区间预测该目标物料在该目标时段内的目标需求量,包括:在该目标需求区间内确定一个目标值;将该目标值与该需求向量的范数的乘积作为该目标需求量,即通过对目标值进行数据标准化的逆操作来还原目标物料在目标时段内的目标需求量。
第二方面,本发明的实施例提供一种物料需求量的预测装置,包括:获取单元,用于获取目标物料在历史时段内的历史消耗数据;确定单元,用于根据该历史消耗数据确定该目标物料的需求量区间;将该需求量区间的一个子集确定为该目标物料在目标时段内的目标需求区间,该目标时段的开始时间晚于该历史时段的结束时间;预测单元,用于根据该目标需求区间预测该目标物料在该目标时段内的目标需求量,该目标需求量属于该目标需求区间。
在一种可能的设计方法中,该历史消耗数据包括至少一组样本数据,每组样本数据包括该样本内该目标物料的实际消耗量以及该样本内该目标物料的N(N为大于或等于1的整数)个关联物料的实际消耗量;该确定单元,具体用于:对每组样本数据执行数据标准化操作,以获取该组样本数据中该目标物料的标准消耗量;将每组样本数据内的标准消耗量中的最大值和最小值形成的区间作为该目标物料的需求量区间。
在一种可能的设计方法中,该确定单元,具体用于:根据该组样本数据中N个关联物料的实际消耗量计算关联向量的范数,该关联向量由该N个关联物料的实际消耗量构成;用该组样本数据中目标物料的实际消耗量除以该关联向量的范数,以获取该组样本数据中该目标物料的标准消耗量。
在一种可能的设计方法中,该确定单元,还用于根据预置的第一关系表和/或预置的第二关系表,从该历史消耗数据中包含的M(M为大于N的整数)个原始物料中确定该目标物料的N个关联物料,该第一关系表用于指示该目标物料的至少一个关联物料,该第二关系表用于指示实际使用中该目标物料与M个原始物料中至少一个原始物料的相关度。
在一种可能的设计方法中,该确定单元,具体用于:对该需求量区间执行数据离散化操作,以获取L(L为大于或等于1的整数)个连续的离散区间,其中,该L个离散区间中的每一个离散区间为该需求量区间的一个子集;将该L个离散区间中的一个离散区间确定为该目标物料在该目标时段内的目标需求区间。
在一种可能的设计方法中,该获取单元,还用于获取该目标物料的N个关联物料在该目标时段内的需求量;该确定单元,具体用于:确定由这些需求量构成的需求向量;通过预置的DNN模型训练该历史消耗数据,以确定该N个关联物料的消耗量与该L个离散区间之间的对应关系;根据该N个关联物料的消耗量与该L个离散区间之间的对应关系,确定与该需求向量对应的该目标物料在该目标时段内的目标需求区间。
在一种可能的设计方法中,该确定单元,具体用于:在该目标需求区间内确定一个目标值;将该目标值与该需求向量的范数的乘积作为该目标需求量。
第三方面,提供一种物料需求量的预测装置,包括:处理器、存储器、总线和通信接口;该存储器用于存储计算机执行指令,该处理器与该存储器通过该总线连接,当该预测装置运行时,该处理器执行该存储器存储的该计算机执行指令,以使该预测装置执行第一方面中任意一项的物料需求量的预测方法。
第四方面,提供一种计算机可读存储介质,该计算机可读存储介质中存储有指令,当其在上述物料需求量的预测装置上运行时,使得上述物料需求量的预测装置执行上述各方面的物料需求量的预测方法。
第五方面,本发明实施例提供了一种包含指令的计算机程序产品,当其在上述物料需求量的预测装置上运行时,使得上述物料需求量的预测装置执行上述各方面的物料需求量的预测方法。
本发明实施例中,上述预测装置的名字对设备本身不构成限定,在实际实现中,这些设备可以以其他名称出现。只要各个设备的功能和本发明实施例类似,即属于本发明权利要求及其等同技术的范围之内。
另外,第二方面至第五方面中任一种设计方式所带来的技术效果可参见第一方面中不同设计方式所带来的技术效果,此处不再赘述。
本发明实施例的这些方面或其他方面在以下实施例的描述中会更加简明易懂。
附图说明
图1为本发明实施例提供的一种计算机设备的结构示意图;
图2为本发明实施例提供的一种物料需求量的预测方法的流程示意图;
图3为本发明实施例提供的一种DNN模型的示意图;
图4为本发明实施例提供的一种预测装置的结构示意图一;
图5为本发明实施例提供的一种预测装置的结构示意图二。
具体实施方式
以下,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明实施例的描述中,除非另有说明,“多个”的含义是两个或两个以上。
本发明实施例提供一种物料需求量的预测方法,该方法可应用于供应链系统内的预测装置,当需要预测目标物料的目标需求量时,预测装置可获取该目标物料在过去某一段历史时段内的历史消耗数据(例如,过去的1-10月中的每个月内目标物料的销售量);进而,预测装置根据上述历史消耗数据,确定目标物料的需求量区间,例如目标物料的需求量区间为[100,200];那么,预测装置从上述需求量区间中确定目标物料在目标时段(例如11月)内的目标需求区间,该目标需求区间为上述需求量区间的一个子集,例如,目标需求区间为[120,140];这样,预测装置可以在取值范围较小的目标需求区间内,预测目标物料在目标时段内的目标需求量,例如,目标需求量为目标需求区间[120,140]的中间值130。
可以看出,在上述物料需求量的预测方法中,预测装置根据目标物料的历史消耗数据为目标物料确定了一个较大的需求量区间,进而,在上述需求量区间内为目标物料确定其目标需求量在目标时段内所属的一个较小的目标需求区间,后续,可根据这个较小的目标需求区间预测目标物料在目标时段内的目标需求量,这样,预测出的目标需求量不会在很大的取值范围内波动,从而提高预测目标物料的目标需求量时的准确率。
示例性的,预测装置可通过数据标准化操作和数据离散化操作等,将上述历史消耗数据进行标准化和离散化,以获取目标物料的需求量区间内的多个离散区间,进而将这些离散区间中优先级最高的区间作为目标需求区间,使得预测装置可以根据该目标需求区间预测目标物料在目标时段内的目标需求量。
其中,上述数据标准化操作和数据离散化操作的具体实现过程将在后续实施例中详细阐述,故此处不再赘述。
如图1所示,上述预测装置可以以图1中的计算机设备(或系统)的方式来实现。
图1所示为本发明实施例提供的计算机设备示意图。计算机设备500包括至少一个处理器501,通信总线502,存储器503以及至少一个通信接口504。
处理器501可以是一个通用中央处理器(CPU),微处理器,特定应用集成电路(application-specific integrated circuit,ASIC),或一个或多个用于控制本发明实施例中程序执行的集成电路。
通信总线502可包括一通路,在上述组件之间传送信息。通信接口504,使用任何收发器一类的装置,用于与其他设备或通信网络通信,如以太网,无线接入网(RAN),无线局域网(Wireless Local Area Networks,WLAN)等。
存储器503可以是只读存储器(read-only memory,ROM)或可存储静态信息和指令的其他类型的静态存储设备,随机存取存储器(random access memory,RAM)或者可存储信息和指令的其他类型的动态存储设备,也可以是电可擦可编程只读存储器(ElectricallyErasable Programmable Read-Only Memory,EEPROM)、只读光盘(Compact Disc Read-Only Memory,CD-ROM)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。存储器可以是独立存在,通过总线与处理器相连接。存储器也可以和处理器集成在一起。
其中,所述存储器503用于存储执行本发明实施例的应用程序代码,并由处理器501来控制执行。所述处理器501用于执行所述存储器503中存储的应用程序代码。
在具体实现中,作为一种实施例,计算机设备500可以包括多个处理器,例如图1中的处理器501和处理器508。这些处理器中的每一个可以是一个单核(single-CPU)处理器,也可以是一个多核(multi-CPU)处理器。这里的处理器可以指一个或多个设备、电路、和/或用于处理数据(例如计算机程序指令)的处理核。
在具体实现中,作为一种实施例,计算机设备500还可以包括输出设备505和输入设备506。输出设备505和处理器501通信,可以以多种方式来显示信息。例如,输出设备505可以是液晶显示器(liquid crystal display,LCD),发光二级管(light emitting diode,LED)显示设备,阴极射线管(cathode ray tube,CRT)显示设备,或投影仪(projector)等。输入设备506和处理器501通信,可以以多种方式接受用户的输入。例如,输入设备506可以是鼠标、键盘、触摸屏设备或传感设备等。
上述的计算机设备500可以是一个通用计算机设备或者是一个专用计算机设备。在具体实现中,计算机设备500可以是台式机、便携式电脑、网络服务器、平板电脑、无线终端设备、通信设备、嵌入式设备或有图1中类似结构的设备。本发明实施例不限定计算机设备500的类型。
另外,上述预测装置可以以一个或多个独立的设备形态设置在供应链系统中,也可以以一个或多个功能模块的形式设置在至少一个实体设备内,本发明实施例对此不作任何限制。
以下,将具体实施例详细阐述本发明实施例提供一种物料需求量的预测方法,如图2所示,该方法包括:
201、预测装置获取目标物料在历史时段内的历史消耗数据。
202、预测装置获取目标物料的关联物料在目标时段内的需求量,该目标时段的开始时间晚于历史时段的结束时间。
其中,目标时段和历史时段的大小可以根据实际应用场景设置,本发明实施例对此不作任何限制。
上述历史消耗数据具体可以包括至少一组样本数据,每组样本数据包括该样本内目标物料的实际消耗量以及该样本内目标物料的N(N为大于或等于1的整数)个关联物料的实际消耗量。
其中,每一个样本具体可以是指历史时段内的一个时间周期,例如,历史时段内的每天,每周等,也可为历史时段内的每笔订单、每次安装或交付过程等,本发明实施例对此不作任何限制。
为方便描述,后续实施例中均以订单的形式作为样本进行说明,此时,每组样本数据具体包括:在历史时段的每个订单中目标物料的实际消耗量以及在该历史时段的每个订单中目标物料的N个关联物料的实际消耗量。
以数据线为目标物料举例,在步骤201中,预测装置可以获取数据线在过去1-10月份中每个订单内的数据线的实际消耗量,以及每个订单内数据线的关联物料(例如,手机、笔记本电脑、台式电脑、可穿戴设备等)的实际消耗量。例如,订单1中数据线的实际消耗量Y1=20,订单1中手机的实际消耗量X1=12,订单1中笔记本电脑的实际消耗量X2=4,订单1中台式电脑的实际消耗量X3=2,订单1中可穿戴设备的实际消耗量X4=2,那么,订单1中的历史消耗数据包括Y1=20,以及4个关联物料的实际消耗量X1、X2、X3以及X4,其中,这4个关联物料的实际消耗量可构成一个关联向量,即关联向量i1=[X1,X2,X3,X4]。
可选的,在步骤202中,预测装置还可以获取目标物料的关联物料在目标时段内的需求量,以11月份为目标时段举例,预测装置可以根据11月份的订单,统计出11月份手机、笔记本电脑、台式电脑以及可穿戴设备的需求量,例如,11月份手机的需求量为S1,笔记本电脑的需求量为S2,台式电脑的需求量为S3,可穿戴设备的需求量为S4,那么,关联物料在11月份的需求向量j=[S1,S2,S3,S4]。
后续,预测装置可以根据上述历史消耗数据以及11月份的需求向量j预测11月份目标物料的目标需求量Y。
203、预测装置对上述历史消耗数据执行数据标准化操作,以获取目标物料在历史时段内的标准消耗量。
204、预测装置将上述标准消耗量中的最大值和最小值形成的区间作为目标物料的需求量区间。
其中,数据标准化(normalization)是将数据按比例缩放,使之落入一个较小的特定区间。经过数据标准化后去除数据的单位和数量级的限制,将其转化为无量纲的纯数值,便于不同单位或数量级的指标能够比较和加权。
在本发明实施例中,由于不同的关联物料可能具有不同的单位,例如,关联物料1的单位是千克(kg),关联物料2的单位是厘米(cm),因此,为了消除量纲影响,可以对上述历史消耗数据执行数据标准化操作,以获取目标物料在上述历史时段内的标准消耗量。另外,不同订单中关联物料的实际消耗量的数量级可能具有很大差异,例如,订单1内关联物料1的实际消耗量为0.1kg,而订单2内关联物料1的实际消耗量为100kg,那么,对上述历史消耗数据执行数据标准化操作后可以消除不同订单之间数量级的差异,以便于后续根据数据标准化之后的历史消耗数据预测目标物料的目标需求量。
示例性的,在步骤203中,仍以上述数据线为目标物料举例,对于上述订单1的历史消耗数据中每个关联物料的实际消耗量,预测装置可以根据这4个关联物料的实际消耗量,即关联向量i1=[X1,X2,X3,X4],计算关联向量i1的范数 进而,可以用订单1中目标物料的实际消耗量Y1除以上述关联向量的范数||i1||,以获取目标物料在订单1中的标准消耗量即对目标物料的实际消耗量Y1执行数据标准化操作。
这样,通过上述方法可以计算出历史时段内所有订单中目标物料的标准消耗量。那么,在步骤204中,预测装置将上述历史时段内所有订单的目标物料的标准消耗量中的最大值和最小值形成的区间作为目标物料的需求量区间。
例如,最大的标准消耗量为订单10内目标物料的标准消耗量Y10′,例如,Y10′=100,最小的标准消耗量为订单6内目标物料的标准消耗量Y6′,例如,Y6′=0,那么,目标物料的标准消耗量中的最大值和最小值形成的需求量区间为[0,100]。也就是说,在过去10个月中,目标物料的标准消耗量在0-100的取值范围内波动,其中,0和100是目标物料经过数据标准化之后的消耗量。
进一步地,预测装置还可以用每个订单中关联物料的实际消耗量除以上述关联向量的范数||i1||,以获取该关联物料在每个订单中的标准消耗量,即对关联物料的实际消耗量执行数据标准化操作。仍以上述订单1为例,在订单1中,手机的标准消耗量笔记本电脑的标准消耗量台式电脑的标准消耗量可穿戴设备的标准消耗量
后续,预测装置可以对上述每个订单中计算出的目标物料的标准消耗量和关联物料的标准消耗量进行机器学习和训练,从而预测出目标时段内目标物料的目标需求量所属的目标需求区间。
205、预测装置对上述需求量区间执行数据离散化操作,以获取L(L为大于或等于1的整数)个连续的离散区间,其中,L个离散区间中的每一个离散区间为需求量区间的一个子集。
其中,L的取值可以根据本次预测的误差要求设置。例如,本次预测的误差要求为小于20%,那么,可以设置L=1/20%=5。
这样,在步骤205中,预测装置对上述需求量区间执行数据离散化操作,将上述目标物料的需求量区间划分为L个连续的离散区间。
示例性的,如表1所示,S为需求量区间的最小值,Q为需求量区间的最大值,那么,按照表1所示的离散化方法,可以将步骤204中获取到的需求量区间[0,100]划分为5个连续的离散区间,其中,离散区间1为[0,100/5],即[0,20];离散区间2为(20,(2*100)/5],即(20,40];离散区间3为(40,(3*100)/5],即(40,60];离散区间4为(60,(4*100)/5],即(60,80];离散区间5为(80,100]。
表1
离散区间的编号 | 离散区间的取值范围 |
1 | [S,Q/L] |
2 | (Q/L,2*Q/L] |
… | … |
L | ((L-1)*Q/L,Q] |
当然,本领域技术人员还可以根据实际经验或实际应用场景将上述目标物料的需求量区间划分为L个连续的离散区间,本发明实施例对此不作任何限制。
206、预测装置将L个离散区间中的一个离散区间确定为目标物料在目标时段内的目标需求区间。
示例性的,预测装置可以通过预置的深度神经网络(Deep Neural Network,DNN)模型对上述经过标准化的历史消耗数据进行训练,以确定目标物料的N个关联物料与上述L个离散区间之间的对应关系;进而根据这N个关联物料与L个离散区间之间的对应关系,确定目标物料在未来目标时段内的目标需求区间。
如图3所示,DNN模型可以由输入层,隐藏层和输出层构成,其中,输入层用于输入上述历史消耗数据中每个订单内N个关联物料的标准消耗量(即标准化之后的关联向量i')以及该订单内目标物料的标准消耗量。例如,当N=4时,上述订单1中关联物料的标准消耗量i1'为[0.93,0.31,0.15,0.15],假设订单2中关联物料的标准消耗量i2'为[55,0,19.3,26.6],……,订单P(P≥1)中关联物料的标准消耗量iP'为[77,56,0,23]。可以看出,每个订单中标准化之后的关联向量i'中包括4维数据,即X1′,X2′,X3′,X′4,每一维数据对应着神经网络的一个神经元,隐藏层内包含一层或者多层神经元,每一层神经元和上一层神经元是全连接的,因此,每一层神经元可以捕捉上一层神经元所有可能的组合。
并且,在步骤203中,已经计算出每个订单中目标物料的标准消耗量Y',例如,订单1中也就是说,每个订单中N个关联物料的标准消耗量i'与该订单中目标物料的标准消耗量Y'是一一对应的,而目标物料的标准消耗量Y'属于L个离散区间中某一个离散区间,例如,在上述订单1中那么,Y1'属于上述离散区间1,即[0,20]。
这样,隐藏层内的神经元可对所有订单中N个关联物料的标准消耗量i'与目标物料的标准消耗量Y'进行机器训练和学习,例如,通过梯度下降方法训练出N个关联物料的标准消耗量与L个离散区间之间的对应关系。
那么,当预测装置向输入层输入N个关联物料在目标时段内的需求量,例如,输入步骤202中计算出的关联物料在11月份的需求向量j=[S1,S2,S3,S4]后,DNN模型可以根据上述训练出的N个关联物料的标准消耗量与L个离散区间之间的关系,在L个离散区间中预测出目标物料在11月份的目标需求区间,例如,目标需求区间为离散区间4,即(60,80],此时,可由输出层将目标需求区间,即(60,80]输出。
另外,DNN模型还可以通过隐藏层的神经元自动捕捉不同关联物料之间的组合(例如,电脑与屏幕可以组合)关系以及不同组合关系对目标物料的需求(例如,电脑与屏幕组合时仅需要一根视频连接线)。因此,在预测未来的目标时段内目标物料所在的目标需求区间时,可根据不同关联物料之间的组合关系以及不同组合关系对目标物料的需求,精确预测出目标物料所在的目标需求区间,从而进一步地提高目标物料的目标需求量的预测准确度。
当然,隐藏层内的神经元还可以根据各个订单中的标准消耗量X1′,X2′,X3′,X'4以及该订单中目标物料的标准消耗量Y',计算L个离散区间中每个离散区间的权重,进而将权重最大的离散区间作为目标物料在目标时段内的目标需求区间。
可以理解的是,本领域技术人员还可以按照其他算法或实际经验,从L个离散区间中确定一个离散区间为目标物料在目标时段内的目标需求区间,本发明实施例对此不作任何限制。
207、预测装置根据目标需求区间预测目标物料在目标时段内的目标需求量。
具体的,预测装置可以在上述目标需求区间内确定一个目标值,例如,将上述目标需求区间(即离散区间4)的中间值,即(60+80)/2=70,作为目标值。
由于上述目标需求区间是目标物料的需求量区间的一个子集,而目标物料的需求量区间已经经过数据标准化操作。因此,还需对目标值执行数据标准化的逆操作来还原目标物料的目标需求量,此时,预测装置可以使用上述目标值乘以步骤202中确定的需求向量j的范数,计算出的值即为目标物料在目标时段内的目标需求量Y,即Y=目标值*||j||。
示例性的,还可以将目标需求区间中的最小值作为目标值,这样计算出的目标需求量较小,可以避免过多的库存积压;又或者,将目标需求区间中的最大值作为目标值,这样计算出的目标需求量较大,可以避免物料欠料而导致的生产停滞的问题。
当然,如果目标物料的需求量区间未经过数据标准化操作,例如,可直接将过去1-10月份中数据线的实际消耗量的最大值和最小值(以月为单位)作为需求量区间的两个端点,此时,获取到的目标需求区间也未经过数据标准化操作,因此,可直接将在目标需求区间内确定一个目标值作为目标物料在目标时段内的目标需求量Y。
进一步地,在执行步骤201,即获取目标物料的N个关联物料的实际消耗量之前,预测装置可以先确定与目标物料相关联的M(M为大于N的整数)个原始物料,这M个原始物料可以是用户输入的,也可以是预测装置根据一个或多个订单生成的,例如,订单1中包括:20根数据线、12部手机、4台笔记本电脑、5台洗衣机、2台台式电脑以及2个可穿戴设备。那么,如果将数据线作为目标物料,则预测装置可以将上述订单中的手机、笔记本电脑、洗衣机、台式电脑以及可穿戴设备作为5个原始物料。
那么,预测装置可以从这M个原始物料中确定N个为目标物料的关联物料,M>N,即将M维数据降为N维数据,这样可以降低后续步骤中预测装置预测目标物料的目标需求量的数据维度,从而降低预测难度。
以下提供三种从上述M个原始物料中确定N个为目标物料的关联物料的方法(例如下述的方法1、方法2和方法3):
方法1
预测装置可以首先获取第一关系表,该第一关系表用于指示目标物料的至少一个关联物料。该第一关系表可以是用户预先输入的,也可以是预测装置根据各个原始物料的分类、属性等特征信息预先生成的。
示例性的,表2为一种可能的第一关系表,当数据线为目标物料时,可以根据第一关系表中目标物料与关联物料之间的对应关系,确定上述M个原始物料中的每一个原始物料是否为表2中数据线的一个关联物料,如果是,则将该原始物料作为一个关联物料,否则,则将该原始物料丢弃。通过表2可以看出,上述订单中的手机、笔记本电脑、洗衣机、台式电脑以及可穿戴设备这5个原始物料中,手机、笔记本电脑、台式电脑以及可穿戴设备这4个原始物料为目标物料的关联物料。
表2
方法2
预测装置可以首先获取第二关系表,该第一关系表用于指示实际使用中目标物料与M个原始物料中至少一个原始物料的相关度。该第二关系表可以是用户预先输入的,也可以是预测装置通过已生成的订单进行数据分析获取到的。
例如,在10个订单的每个订单内,均出现了数据线和手机,那么,预测装置可设置当数据线为目标物料时,手机与其的相关度为1,而在10个订单内,只有一个订单中同时出现了数据线和洗衣机,那么,预测装置可设置当数据线为目标物料时,洗衣机与其的相关度为0.1。
通过上述方法,预测装置可以获取到如表3所示的第二关系表,那么,当数据线为目标物料时,可以根据第二关系表中目标物料与原始物料之间的相关度,将相关度大于阈值,例如,大于0.68的原始物料作为数据线的关联物料。通过表2可以看出,上述订单中的手机、笔记本电脑、洗衣机、台式电脑以及可穿戴设备这5个原始物料中,手机、笔记本电脑、台式电脑以及可穿戴设备这4个原始物料为目标物料的关联物料。
表3
方法3
预测装置还可以先通过上述第一关系表,按照上述方法1从M个原始物料中筛选一个或多个原始物料为目标物料的关联物料,再通过上述第二关系表,按照上述方法2从筛选出的一个或多个原始物料中确定目标物料的N个关联物料。
当然,预测装置也可以先通过上述第二关系表,按照上述方法2从M个原始物料中筛选一个或多个原始物料为目标物料的关联物料,再通过上述第一关系表,按照上述方法1从筛选出的一个或多个原始物料中确定目标物料的N个关联物料,本发明实施例对此不作任何限制。
这样,预测装置可以将M个原始物料所指示的M维数据降为N个关联物料所指示的N维数据,后续可继续执行步骤203-207预测目标物料的目标需求量,由于参数预测的数据维度降低,可以降低预测难度,并提高预测的速度。
可以理解的是,上述预测装置等为了实现上述功能,其包含了执行各个功能相应的硬件结构和/或软件模块。本领域技术人员应该很容易意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,本发明实施例能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明实施例的范围。
本发明实施例可以根据上述方法示例对预测装置等进行功能模块的划分,例如,可以对应各个功能划分各个功能模块,也可以将两个或两个以上的功能集成在一个处理模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。需要说明的是,本发明实施例中对模块的划分是示意性的,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
在采用对应各个功能划分各个功能模块的情况下,图4示出了上述实施例中所涉及的预测装置的一种可能的结构示意图。
该预测装置包括:获取单元401,确定单元402和预测单元403。获取单元401用于支持预测装置执行图2中的过程201-202;确定单元402用于支持预测装置执行图2中的过程203-206;预测单元403用于支持预测装置执行图2中的207。其中,上述方法实施例涉及的各步骤的所有相关内容均可以援引到对应功能模块的功能描述,在此不再赘述。
在采用集成的单元的情况下,图5示出了上述实施例中所涉及的预测装置的一种可能的结构示意图。该预测装置包括:处理模块1302和通信模块1303。处理模块1302用于对预测装置的动作进行控制管理,例如,处理模块1302用于支持预测装置执行图2中的过程201-207,和/或用于本文所描述的技术的其它过程。通信模块1303用于支持预测装置与其他网络实体的通信。预测装置还可以包括存储模块1301,用于存储预测装置的程序代码和数据。
其中,处理模块1302可以是处理器或控制器,例如可以是中央处理器(CentralProcessing Unit,CPU),通用处理器,数字信号处理器(Digital Signal Processor,DSP),专用集成电路(Application-Specific Integrated Circuit,ASIC),现场可编程门阵列(Field Programmable Gate Array,FPGA)或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本发明实施例公开内容所描述的各种示例性的逻辑方框,模块和电路。所述处理器也可以是实现计算功能的组合,例如包含一个或多个微处理器组合,DSP和微处理器的组合等等。通信模块1303可以是收发器、收发电路(例如,RF电路)或通信接口等。存储模块1301可以是存储器。
当处理模块1302为处理器,通信模块1303为通信接口,存储模块1301为存储器时,本发明实施例所涉及的预测装置的具体硬件结构可以为图1所示的计算机设备500。
进一步地,本发明实施例还提供一种计算机程序,该计算机程序包括指令,当该计算机程序被计算机执行时,可以使得计算机可以执行上述步骤201-207中相关的物料需求量的预测方法。
进一步地,本发明实施例还提供一种计算机存储介质,用于储存为上述预测装置所用的计算机软件指令,其包含用于执行为上述预测装置所设计的任意程序。
在上述实施例中,可以全部或部分的通过软件,硬件,固件或者其任意组合来实现。当使用软件程序实现时,可以全部或部分地以计算机程序产品的形式出现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。该可用介质可以是磁性介质,(例如,软盘,硬盘、磁带)、光介质(例如,DVD)或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何在本申请揭露的技术范围内的变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以所述权利要求的保护范围为准。
Claims (14)
1.一种物料需求量的预测方法,其特征在于,包括:
获取目标物料在历史时段内的历史消耗数据;
根据所述历史消耗数据确定所述目标物料的需求量区间;
将所述需求量区间的一个子集确定为所述目标物料在目标时段内的目标需求区间,所述目标时段的开始时间晚于所述历史时段的结束时间;
根据所述目标需求区间预测所述目标物料在所述目标时段内的目标需求量,所述目标需求量属于所述目标需求区间。
2.根据权利要求1所述的方法,其特征在于,所述历史消耗数据包括至少一组样本数据,每组样本数据包括该样本内所述目标物料的实际消耗量以及该样本内所述目标物料的N个关联物料的实际消耗量,N为大于或等于1的整数;
其中,所述根据所述历史消耗数据确定所述目标物料的需求量区间,包括:
对每组样本数据执行数据标准化操作,以获取该组样本数据中所述目标物料的标准消耗量;
将所有样本数据中标准消耗量的最大值和最小值形成的区间作为所述目标物料的需求量区间。
3.根据权利要求2所述的方法,其特征在于,所述对每组样本数据执行数据标准化操作,包括:
根据该组样本数据中N个关联物料的实际消耗量计算关联向量的范数,所述关联向量由所述N个关联物料的实际消耗量构成;
用该组样本数据中目标物料的实际消耗量除以所述关联向量的范数,以获取该组样本数据中所述目标物料的标准消耗量。
4.根据权利要求2或3所述的方法,其特征在于,在所述对每组样本数据执行数据标准化操作之前,还包括:
根据预置的第一关系表和/或预置的第二关系表,从所述历史消耗数据中包含的M个原始物料中确定所述目标物料的N个关联物料,所述第一关系表用于指示所述目标物料的至少一个关联物料,所述第二关系表用于指示实际使用中所述目标物料与M个原始物料中至少一个原始物料的相关度,M为大于N的整数。
5.根据权利要求2-4中任一项所述的方法,其特征在于,所述将所述需求量区间的一个子集确定为所述目标物料在目标时段内的目标需求区间,包括:
对所述需求量区间执行数据离散化操作,以获取L个连续的离散区间,其中,所述L个离散区间中的每一个离散区间为所述需求量区间的一个子集,L为大于或等于1的整数;
将所述L个离散区间中的一个离散区间确定为所述目标物料在所述目标时段内的目标需求区间。
6.根据权利要求5所述的方法,其特征在于,所述将所述L个离散区间中的一个离散区间确定为所述目标物料在所述目标时段内的目标需求区间,包括:
获取所述目标物料的N个关联物料在所述目标时段内的需求量;
确定由所述需求量构成的需求向量;
通过预置的深度神经网络DNN模型训练所述历史消耗数据,以确定所述N个关联物料的消耗量与所述L个离散区间之间的对应关系;
根据所述N个关联物料的消耗量与所述L个离散区间之间的对应关系,确定与所述需求向量对应的所述目标物料在所述目标时段内的目标需求区间。
7.根据权利要求6所述的方法,其特征在于,所述根据所述目标需求区间预测所述目标物料在所述目标时段内的目标需求量,包括:
在所述目标需求区间内确定一个目标值;
将所述目标值与所述需求向量的范数的乘积作为所述目标需求量。
8.一种物料需求量的预测装置,其特征在于,包括:
获取单元,用于获取目标物料在历史时段内的历史消耗数据;
确定单元,用于根据所述历史消耗数据确定所述目标物料的需求量区间;将所述需求量区间的一个子集确定为所述目标物料在目标时段内的目标需求区间,所述目标时段的开始时间晚于所述历史时段的结束时间;
预测单元,用于根据所述目标需求区间预测所述目标物料在所述目标时段内的目标需求量,所述目标需求量属于所述目标需求区间。
9.根据权利要求8所述的预测装置,其特征在于,所述历史消耗数据包括至少一组样本数据,每组样本数据包括该样本内所述目标物料的实际消耗量以及该样本内所述目标物料的N个关联物料的实际消耗量,N为大于或等于1的整数;
所述确定单元,具体用于:对每组样本数据执行数据标准化操作,以获取该组样本数据中所述目标物料的标准消耗量;将每组样本数据内的标准消耗量中的最大值和最小值形成的区间作为所述目标物料的需求量区间。
10.根据权利要求9所述的预测装置,其特征在于,
所述确定单元,具体用于:根据该组样本数据中N个关联物料的实际消耗量计算关联向量的范数,所述关联向量由所述N个关联物料的实际消耗量构成;用该组样本数据中目标物料的实际消耗量除以所述关联向量的范数,以获取该组样本数据中所述目标物料的标准消耗量。
11.根据权利要求9或10所述的预测装置,其特征在于,
所述确定单元,还用于根据预置的第一关系表和/或预置的第二关系表,从所述历史消耗数据中包含的M个原始物料中确定所述目标物料的N个关联物料,所述第一关系表用于指示所述目标物料的至少一个关联物料,所述第二关系表用于指示实际使用中所述目标物料与M个原始物料中至少一个原始物料的相关度,M为大于N的整数。
12.根据权利要求8-11中任一项所述的预测装置,其特征在于,
所述确定单元,具体用于:对所述需求量区间执行数据离散化操作,以获取L个连续的离散区间,其中,所述L个离散区间中的每一个离散区间为所述需求量区间的一个子集,L为大于或等于1的整数;将所述L个离散区间中的一个离散区间确定为所述目标物料在所述目标时段内的目标需求区间。
13.根据权利要求12所述的预测装置,其特征在于,
所述获取单元,还用于获取所述目标物料的N个关联物料在所述目标时段内的需求量;
所述确定单元,具体用于:确定由所述需求量构成的需求向量;通过预置的深度神经网络DNN模型训练所述历史消耗数据,以确定所述N个关联物料的消耗量与所述L个离散区间之间的对应关系;根据所述N个关联物料的消耗量与所述L个离散区间之间的对应关系,确定与所述需求向量对应的所述目标物料在所述目标时段内的目标需求区间。
14.根据权利要求13中任一项所述的预测装置,其特征在于,
所述确定单元,具体用于:在所述目标需求区间内确定一个目标值;将所述目标值与所述需求向量的范数的乘积作为所述目标需求量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710122243.6A CN108537399B (zh) | 2017-03-02 | 2017-03-02 | 一种物料需求量的预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710122243.6A CN108537399B (zh) | 2017-03-02 | 2017-03-02 | 一种物料需求量的预测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108537399A true CN108537399A (zh) | 2018-09-14 |
CN108537399B CN108537399B (zh) | 2021-02-26 |
Family
ID=63489017
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710122243.6A Active CN108537399B (zh) | 2017-03-02 | 2017-03-02 | 一种物料需求量的预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108537399B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109658153A (zh) * | 2018-12-24 | 2019-04-19 | 联想(北京)有限公司 | 备件需求量的预测方法及装置,以及电子设备 |
CN110705777A (zh) * | 2019-09-26 | 2020-01-17 | 联想(北京)有限公司 | 用于预测备件储备量的方法、装置及系统 |
CN111445133A (zh) * | 2020-03-26 | 2020-07-24 | 珠海随变科技有限公司 | 一种材料管理方法、装置、计算机设备和存储介质 |
CN111461559A (zh) * | 2020-04-03 | 2020-07-28 | 中国人民解放军陆军勤务学院 | 备件需求量确定方法、装置及电子设备 |
CN112149863A (zh) * | 2019-06-28 | 2020-12-29 | 傲基科技股份有限公司 | 确定资源消耗量的方法、设备和计算机存储介质 |
CN113780907A (zh) * | 2020-06-10 | 2021-12-10 | 宝山钢铁股份有限公司 | 耗材需求量和库存控制方法、设备、系统以及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103760114A (zh) * | 2014-01-27 | 2014-04-30 | 林兴志 | 一种基于高光谱遥感的甘蔗糖分预测方法 |
CN106408341A (zh) * | 2016-09-21 | 2017-02-15 | 北京小米移动软件有限公司 | 货品销量的预测方法及装置、电子设备 |
-
2017
- 2017-03-02 CN CN201710122243.6A patent/CN108537399B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103760114A (zh) * | 2014-01-27 | 2014-04-30 | 林兴志 | 一种基于高光谱遥感的甘蔗糖分预测方法 |
CN106408341A (zh) * | 2016-09-21 | 2017-02-15 | 北京小米移动软件有限公司 | 货品销量的预测方法及装置、电子设备 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109658153A (zh) * | 2018-12-24 | 2019-04-19 | 联想(北京)有限公司 | 备件需求量的预测方法及装置,以及电子设备 |
CN112149863A (zh) * | 2019-06-28 | 2020-12-29 | 傲基科技股份有限公司 | 确定资源消耗量的方法、设备和计算机存储介质 |
CN110705777A (zh) * | 2019-09-26 | 2020-01-17 | 联想(北京)有限公司 | 用于预测备件储备量的方法、装置及系统 |
CN110705777B (zh) * | 2019-09-26 | 2022-07-26 | 联想(北京)有限公司 | 用于预测备件储备量的方法、装置及系统 |
CN111445133A (zh) * | 2020-03-26 | 2020-07-24 | 珠海随变科技有限公司 | 一种材料管理方法、装置、计算机设备和存储介质 |
CN111461559A (zh) * | 2020-04-03 | 2020-07-28 | 中国人民解放军陆军勤务学院 | 备件需求量确定方法、装置及电子设备 |
CN111461559B (zh) * | 2020-04-03 | 2023-06-23 | 中国人民解放军陆军勤务学院 | 备件需求量确定方法、装置及电子设备 |
CN113780907A (zh) * | 2020-06-10 | 2021-12-10 | 宝山钢铁股份有限公司 | 耗材需求量和库存控制方法、设备、系统以及存储介质 |
CN113780907B (zh) * | 2020-06-10 | 2023-09-12 | 宝山钢铁股份有限公司 | 耗材需求量和库存控制方法、设备、系统以及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN108537399B (zh) | 2021-02-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108537399A (zh) | 一种物料需求量的预测方法及装置 | |
US10331437B2 (en) | Providing customized and targeted performance improvement recommendations for software development teams | |
US20190156357A1 (en) | Advanced computational prediction models for heterogeneous data | |
CN109993627B (zh) | 推荐方法、推荐模型的训练方法、装置和存储介质 | |
WO2015153681A1 (en) | Scalable business process intelligence and predictive analytics for distributed architectures | |
JP2013137759A (ja) | マーケティングミックスソリューションを生成するためのシステム及び方法 | |
US20180300337A1 (en) | Method and system for managing virtual assistants | |
CN107357812A (zh) | 一种数据查询方法及装置 | |
US20230142519A1 (en) | Interactive Display of Data Distributions | |
Bradley | Implications of big data analytics on population health management | |
CN107274215A (zh) | 航班价格预测方法、装置、设备和存储介质 | |
US20230316420A1 (en) | Dynamic organization structure model | |
US11410123B2 (en) | Article placement optimization system and article placement optimization method | |
WO2020257442A1 (en) | Model predictive control using semidefinite programming | |
CN109146148A (zh) | 一种余额预测偏差原因的确定方法及装置 | |
Kumar et al. | Setting safety stock based on imprecise records | |
Almomani et al. | Selecting a good stochastic system for the large number of alternatives | |
US7457788B2 (en) | Reducing number of computations in a neural network modeling several data sets | |
JP7244777B2 (ja) | 生成方法、生成装置、プログラム、情報処理方法、及び情報処理装置 | |
CN115049429A (zh) | 增益预测方法、装置和计算机设备 | |
CN108090785A (zh) | 确定用户行为衰退倾向的方法、装置及电子设备 | |
US20210097637A1 (en) | Reducing waiting times using queuing networks | |
US11042837B2 (en) | System and method for predicting average inventory with new items | |
CN115994601A (zh) | 训练预测模型的装置及方法 | |
Zhu et al. | Physics-Informed Neural Networks for Solving Dynamic Two-Phase Interface Problems |
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 |