CN108694460B - 产品需求预测方法及装置 - Google Patents

产品需求预测方法及装置 Download PDF

Info

Publication number
CN108694460B
CN108694460B CN201710237246.4A CN201710237246A CN108694460B CN 108694460 B CN108694460 B CN 108694460B CN 201710237246 A CN201710237246 A CN 201710237246A CN 108694460 B CN108694460 B CN 108694460B
Authority
CN
China
Prior art keywords
product
current stage
stock
stage
loss
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
Application number
CN201710237246.4A
Other languages
English (en)
Other versions
CN108694460A (zh
Inventor
陈新杰
赵志洪
齐泉
王巍
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.)
Huawei Technologies Co Ltd
Original Assignee
Huawei Technologies 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 Huawei Technologies Co Ltd filed Critical Huawei Technologies Co Ltd
Priority to CN201710237246.4A priority Critical patent/CN108694460B/zh
Priority to PCT/CN2018/074769 priority patent/WO2018188402A1/zh
Publication of CN108694460A publication Critical patent/CN108694460A/zh
Application granted granted Critical
Publication of CN108694460B publication Critical patent/CN108694460B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • 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)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Educational Administration (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请公开了产品需求预测方法及装置，以至少解决目前的产品需求预测方法无法使得企业的效益最大化的问题。方法包括：获取产品的需求参数；将所述产品的需求参数输入预先训练好的需求预测模型，生成下一阶段所述产品的预测需求量，其中，所述预先训练好的需求预测模型是基于非对称损失函数训练得到的，所述非对称损失函数为预测多一个产品造成的损失与预测少一个产品造成的损失不同的函数。

Description

产品需求预测方法及装置
技术领域
本申请涉及人工智能技术领域，尤其涉及产品需求预测方法及装置。
背景技术
产品需求预测是企业经营中的关键环节，用于指导企业的生产和备货。过大的产品需求预测会导致库存量过多，库存成本风险增加。过小的需求预测会导致订单满足率不高，客户满意度下降。因此，合理的产品需求预测尤为重要。
目前，主流的产品需求预测方法是根据历史的需求以及与未来产品需求相关的预测因子，建立时间序列模型和预测因子回归模型，输出未来产品需求的预测值。然而，该方法得到的未来产品需求的预测值与未来产品需求的实际值可能偏差较大，从而使无法使得企业的效益最大化。
因此如何提供一种合理的产品需求预测方法，使得未来产品需求的预测值与未来产品需求的实际值更接近，从而使得企业的效益最大化，是目前亟待解决的问题。
发明内容
本申请实施例提供产品需求预测方法及装置，以至少解决目前的产品需求预测方法无法使得企业的效益最大化的问题。
为达到上述目的，本申请实施例提供如下技术方案：
第一方面，提供一种产品需求预测方法，该方法包括：获取产品的需求参数；将该产品的需求参数输入预先训练好的需求预测模型，生成下一阶段该产品的预测需求量，其中，该预先训练好的需求预测模型是基于非对称损失函数训练得到的，该非对称损失函数为预测多一个产品造成的损失与预测少一个产品造成的损失不同的函数。也就是说，本申请实施例考虑到实际操作中，预测多一个产品造成的损失与预测少一个产品造成的损失是不一致的。比如，对于需要海外采购物料的产品，由于可能需要加急空运费等，因此缺少一个产品带来的损失可能比多一个产品带来的损失大。而对于在周边可以随时采购物料的产品，若物料费较高，则多一个产品带来的损失可能比缺少一个产品带来的损失大。因此，本申请实施例根据预测多一个产品造成的损失与预测少一个产品造成的损失是不一致的场景下训练出的需求预测模型进行产品需求预测，可以使得生成的下一阶段产品的预测需求量与未来产品需求的实际值更接近，从而可以使得企业的效益最大化。
在一种可能的设计中，该方法还包括：获取该产品的缺存损失比、以及训练该产品的需求预测模型的多个训练参数，其中，该缺存损失比用于表征缺少一个产品造成的损失与多一个产品造成的损失的比值；根据该多个训练参数和该缺存损失比，通过最小化该非对称损失函数训练该产品的需求预测模型，得到预先训练好的需求预测模型。也就是说，本申请实施例在进行需求预测模型训练时，不仅考虑了预测多一个产品造成的损失与预测少一个产品造成的损失不同的情况，还考虑了缺少一个产品造成的损失与多一个产品造成的损失的比值，并且是在损失最小的前提下得到的训练好的需求预测模型，因此该训练好的需求预测模型是合理的，基于该训练好的需求预测模型生成的下一阶段产品的预测需求量与未来产品需求的实际值更接近，损失最小，从而可以使得企业的效益最大化。
在一种可能的设计中，该产品的需求参数，包括：当前阶段该产品的实际需求量和该当前阶段的前一阶段该产品的实际需求量；该多个训练数据包括：历史阶段该产品的实际需求量和预测需求量。也就是说，在具体实现时，可以根据产品的历史需求量以及预测需求量预测产品的未来需求量。
在一种可能的设计中，该需求预测模型，包括：
Figure BDA0001268355930000021
Figure BDA0001268355930000022
表示第t个阶段该产品的预测需求量，yt-1表示第t-1个阶段该产品的实际需求量，yt-2表示第t-2个阶段该产品的实际需求量，
Figure BDA0001268355930000023
α为模型因子。基于该需求预测模型，可以预测产品的未来需求量。
在一种可能的设计中，该非对称损失函数包括：
Figure BDA0001268355930000024
Figure BDA0001268355930000025
其中，
Figure BDA0001268355930000026
表示对i从1到t的取值求和；
Figure BDA0001268355930000027
表示当
Figure BDA0001268355930000028
时，取值为1，否则取值为0；W表示该产品的缺存损失比。基于该非对称损失函数，可以使得预测多一个产品造成的损失与预测少一个产品造成的损失是不一致的。
在一种可能的设计中，获取产品的缺存损失比，包括：在当前阶段不是初始阶段时，根据当前阶段的前一阶段该产品的缺货状态和当前阶段该产品的存货量状态，确定当前阶段该产品的缺存损失比，该缺货状态包括有缺货或者无缺货；该存货量状态包括存货少、存货适中或者存货多；在当前阶段是初始阶段时，将预先配置的该产品的初始缺存损失比确定为当前阶段的缺存损失比。基于该方案，可以灵活调整产品的缺存损失比，使得产品处于更合理的产品状态。
在一种可能的设计中，根据当前阶段的前一阶段该产品的缺货状态和当前阶段该产品的存货量状态，确定当前阶段该产品的缺存损失比，包括：在当前阶段的前一阶段该产品的缺货状态为有缺货，当前阶段该产品的存货量状态为存货少时，确定当前阶段该产品的缺存损失比为第一数值，该第一数值为正实数；在当前阶段的前一阶段该产品的缺货状态为有缺货，当前阶段该产品的存货量状态为存货适中时，确定当前阶段该产品的缺存损失比为第二数值，该第二数值为正实数；在当前阶段的前一阶段该产品的缺货状态为有缺货，当前阶段该产品的存货量状态为存货多时，确定当前阶段该产品的缺存损失比为0；在当前阶段的前一阶段该产品的缺货状态为无缺货，当前阶段该产品的存货量状态为存货少时，确定当前阶段该产品的缺存损失比为第三数值，该第三数值为正实数；在当前阶段的前一阶段该产品的缺货状态为无缺货，当前阶段该产品的存货量状态为存货适中时，确定当前阶段该产品的缺存损失比为0；在当前阶段的前一阶段该产品的缺货状态为无缺货，当前阶段该产品的存货量状态为存货多时，确定当前阶段该产品的缺存损失比为第四数值，该第四数值为大于-1的负实数。基于该方案，可以使得产品状态转移到当前阶段的前一阶段的缺货状态为无缺货，当前阶段产品的存货量状态为存货适中这一更加合理的产品状态。
在一种可能的设计中，通过如下方式配置不同产品的初始缺存损失比：对于所有的产品，配置相同的初始缺存损失比。基于该方式，可以简单快捷的配置产品的初始缺存损失比。
在一种可能的设计中，通过如下方式配置不同产品的初始缺存损失比：对预设比例的产品中的每一种产品，分别配置预先设定的初始缺存损失比；根据该预设比例的产品中的每一种产品的属性以及该预设比例的产品之外的每一种产品的属性，为该预设比例的产品中的每一种产品建立最优紧邻模型，其中，该最优紧邻模型中包括该预设比例的产品之外的产品中与该预设比例的产品中的每一种产品属性最相近的产品；根据该最优紧邻模型，为该预设比例的产品之外的每一种产品配置初始缺存损失比，其中，该最优紧邻模型中每一种产品的缺存损失比相同。基于该方式，可以更为准确的配置产品的初始缺存损失比。
第二方面，提供一种产品需求预测装置，该产品需求预测装置具有实现上述方法的功能。该功能可以通过硬件实现，也可以通过硬件执行相应的软件实现。该硬件或软件包括一个或多个与上述功能相对应的模块。
第三方面，提供一种产品需求预测装置，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，当该产品需求预测装置运行时，该处理器执行该存储器存储的该计算机执行指令，以使该产品需求预测装置执行如上述第一方面中任一所述的产品需求预测方法。
第四方面，提供了一种计算机可读存储介质，用于储存为上述产品需求预测装置所用的计算机程序指令，当其在计算机上运行时，使得计算机可以执行上述第一方面中任意一项的产品需求预测方法。
第五方面，提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机可以执行上述第一方面中任意一项的产品需求预测方法。
其中，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。
附图说明
图1为本申请实施例提供的一种产品需求预测装置的硬件结构示意图；
图2为本申请实施例提供的一种产品需求预测方法的流程示意图；
图3为本申请实施例提供的一种产品需求预测模型训练方法的流程示意图；
图4为本申请实施例提供的一种产品的产品状态的转移示意图；
图5为本申请实施例提供的一种产品需求预测装置的结构示意图；
图6为本申请实施例提供的另一种产品需求预测装置的结构示意图。
具体实施方式
为了便于理解，首先给出部分与本申请实施例相关概念的简要说明以供参考，如下：
1)非对称损失函数
非对称损失函数是指，假设预测多一个产品造成的损失与预测少一个产品造成的损失不同的函数。
2)、缺存损失比
缺存损失比用于表征缺少一个产品造成的损失与多一个产品造成的损失的比值，示例性的缺存损失比可以用符号W表示。其中，可以定义非对称损失函数，使得：
当W>0时，缺少一个产品造成的损失比多一个产品造成的损失大。
当W＝0时，缺少一个产品造成的损失与多一个产品造成的损失一致。
当W<0时，缺少一个产品造成的损失比多一个产品造成的损失小。
3)、时间序列模型
时间序列模型是利用历史发生的情况进行未来预测的模型。
4)、最优紧邻模型(k-Nearest Neighbor，KNN)
KNN是根据对应的特征，寻找特征最相近的相同产品的模型。
5)需求预测模型
需求预测模型是根据产品的需求参数预测产品需求的模型。
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述。其中，在本申请的描述中，除非另有说明，“/”表示或的意思，例如，A/B可以表示A或B；本文中的“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，在本申请的描述中，“多个”是指两个或多于两个。
如图1所示，为本申请实施例提供的一种产品需求预测装置10的硬件结构示意图，该产品需求预测装置10包括至少一个处理器101，通信总线102，存储器103以及至少一个通信接口104。
处理器101可以是一个通用中央处理器(Central Processing Unit，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申请方案程序执行的集成电路。
通信总线102可包括一通路，在上述组件之间传送信息。
通信接口104，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(Radio Access Network，RAN)，无线局域网(Wireless Local AreaNetworks，WLAN)等。
存储器103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，存储器103用于存储执行本申请方案的应用程序代码，并由处理器101来控制执行。处理器101用于执行存储器103中存储的应用程序代码，从而实现本申请实施例中的产品需求预测方法。
在具体实现中，作为一种实施例，处理器101可以包括一个或多个CPU，例如图1中的CPU0和CPU1。
在具体实现中，作为一种实施例，产品需求预测装置10可以包括多个处理器，例如图1中的处理器101和处理器108。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，产品需求预测装置10还可以包括输出设备105和输入设备106。输出设备105和处理器101通信，可以以多种方式来显示信息。例如，输出设备105可以是液晶显示器(Liquid Crystal Display，LCD),发光二级管(Light EmittingDiode，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106和处理器101通信，可以以多种方式接受用户的输入。例如，输入设备106可以是鼠标、键盘、触摸屏设备或传感设备等。
上述的产品需求预测装置10可以是一个通用设备或者是一个专用设备。在具体实现中，产品需求预测装置10可以是台式机、便携式电脑、网络服务器、掌上电脑(PersonalDigital Assistant，PDA)、移动手机、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。本申请实施例不限定产品需求预测装置10的类型。
如图2所示，为本申请实施例提供的一种产品需求预测方法的流程示意图，包括如下步骤：
S201、产品需求预测装置获取产品的需求参数。
示例性的，产品的需求参数可以包括：当前阶段产品的实际需求量和当前阶段的前一阶段产品的实际需求量；多个训练数据可以包括：历史阶段产品的实际需求量和预测需求量。当然，产品的需求参数还可以包括节假日等相关因子，多个训练数据也可以包括节假日等相关因子，本申请实施例对此不作具体限定。
S202、产品需求预测装置将产品的需求参数输入预先训练好的需求预测模型，生成下一阶段该产品的预测需求量，其中，预先训练好的需求预测模型是基于非对称损失函数训练得到的，非对称损失函数为预测多一个产品造成的损失与预测少一个产品造成的损失不同的函数。
其中，本申请实施例中预先训练好的需求预测模型是根据产品的需求参数预测产品需求的模型，是基于非对称损失函数训练得到的。
示例性的，该需求预测模型可以如公式(1)所示：
Figure BDA0001268355930000051
其中，
Figure BDA0001268355930000052
表示第t个阶段产品的预测需求量，yt-1表示第t-1个阶段产品的实际需求量，yt-2表示第t-2个阶段产品的实际需求量，
Figure BDA0001268355930000053
α为模型因子。
示例性的，非对称损失函数可以如公式(2)所示：
Figure BDA0001268355930000054
其中，
Figure BDA0001268355930000055
表示对i从1到t的取值求和；
Figure BDA0001268355930000056
表示当
Figure BDA0001268355930000057
时，取值为1，否则取值为0；W表示产品的缺存损失比。
具体的，基于非对称损失函数训练需求预测模型的过程将在下述实施例中详细阐述，此处不再赘述。
也就是说，本申请实施例考虑到实际操作中，预测多一个产品造成的损失与预测少一个产品造成的损失是不一致的。比如，对于需要海外采购物料的产品，由于可能需要加急空运费等，因此缺少一个产品带来的损失可能比多一个产品带来的损失大。而对于在周边可以随时采购物料的产品，若物料费较高，则多一个产品带来的损失可能比缺少一个产品带来的损失大。因此，本申请实施例根据预测多一个产品造成的损失与预测少一个产品造成的损失是不一致的场景下训练出的需求预测模型进行产品需求预测，可以使得生成的下一阶段产品的预测需求量与未来产品需求的实际值更接近，从而可以使得企业的效益最大化。
其中，上述步骤S201和S202中产品需求预测装置的动作可以由图1所示的产品需求预测装置10中的处理器101调用存储器103中存储的应用程序代码来执行，本申请实施例对此不作任何限制。
可选的，如图3所示，为本申请实施例提供的需求预测模型的训练方法，包括如下步骤：
S301、产品需求预测装置获取产品的缺存损失比、以及训练该产品的需求预测模型的多个训练参数。
其中，缺存损失比用于表征缺少一个产品造成的损失与多一个产品造成的损失的比值。具体可参考上述概念解释部分，在此不再赘述。
S302、产品需求预测装置根据多个训练参数和缺存损失比，通过最小化非对称损失函数训练产品的需求预测模型，得到预先训练好的需求预测模型。
示例性的，当需求预测模型如公式(1)所示，非对称损失函数如公式(2)所示时，假设当前阶段为第4个阶段，即公式(2)中的t＝3，则训练需求预测模型的过程可以如下：
Figure BDA0001268355930000061
Figure BDA0001268355930000062
其中，
Figure BDA0001268355930000063
假设
Figure BDA0001268355930000064
则
Figure BDA0001268355930000065
进而，
Figure BDA0001268355930000066
由于y1，y2、y3和W的值已知，因此最小化该非对称损失函数，即可得到α的值。将α的值的带入公式(1)，即可得到训练好的需求预测模型。
当然，本申请实施例仅是示例性的以产品需求预测装置训练需求预测模型为例进行说明，当然，也可以是其他设备训练该需求预测模型，然后提供给产品需求预测装置使用，本申请实施例对此不作具体限定。
本申请实施例在进行需求预测模型训练时，不仅考虑了预测多一个产品造成的损失与预测少一个产品造成的损失不同的情况，还考虑了缺少一个产品造成的损失与多一个产品造成的损失的比值，并且是在损失最小的前提下得到的训练好的需求预测模型，因此该训练好的需求预测模型是合理的，基于该训练好的需求预测模型生成的下一阶段产品的预测需求量与未来产品需求的实际值更接近，损失最小，从而可以使得企业的效益最大化。
其中，上述步骤S301和S302中产品需求预测装置的动作可以由图1所示的产品需求预测装置10中的处理器101调用存储器103中存储的应用程序代码来执行，本申请实施例对此不作任何限制。
可选的，本申请实施例提供的产品需求预测方法中，产品需求预测装置获取产品的缺存损失比，具体可以包括：
在当前阶段不是初始阶段时，产品需求预测装置根据当前阶段的前一阶段产品的缺货状态和当前阶段产品的存货量状态，确定当前阶段产品的缺存损失比，该缺货状态包括有缺货或者无缺货；该存货量状态包括存货少、存货适中或者存货多。
在当前阶段是初始阶段时，产品需求预测装置将预先配置的产品的初始缺存损失比确定为当前阶段的缺存损失比。
其中，当前阶段产品的存货量状态是根据当前该产品的存货量相对于当前其他产品的存货量定义的。比如，对于不同的产品，根据存货量进行排序，存货量在30％以下的定义为存货少，存货量排名在30％～70％的定义为存货适中，存货量排名在70％以上的定义为存货多，本申请实施例对存货状态是如何划分的不做具体限定。
其中，当前阶段的前一阶段产品的缺货状态和当前阶段产品的存货量状态可以构成六种产品状态，如下：
a)、当前阶段的前一阶段产品的缺货状态为有缺货，当前阶段产品的存货量状态为存货少；
b)、当前阶段的前一阶段产品的缺货状态为有缺货，当前阶段产品的存货量状态为存货适中；
c)、当前阶段的前一阶段产品的缺货状态为有缺货，当前阶段产品的存货量状态为存货多；
d)、当前阶段的前一阶段产品的缺货状态为无缺货，当前阶段产品的存货量状态为存货少；
e)、当前阶段的前一阶段产品的缺货状态为无缺货，当前阶段产品的存货量状态为存货适中；
f)、当前阶段的前一阶段产品的缺货状态为无缺货，当前阶段产品的存货量状态为存货多。
上述六种产品状态可以分别简单表示为：a(有，少)、b(有，适中)、c(有，多)、d(无，少)、e(无，适中)、f(无，多)。
其中，如图4所示，最为理想的产品状态为产品状态e(无，适中)，即当前阶段的前一阶段产品的缺货状态为无缺货，当前阶段产品的存货量状态为存货适中。因此，本申请实施例中，在当前阶段不是初始阶段时，若当前阶段的产品状态不是产品状态e，则应考虑在当前阶段的下一阶段能达到产品状态e。也就是说，如图4所示，其余产品状态应倾向于转移到产品状态e。
基于此，可选的，当非对称损失函数为公式(2)时，产品需求预测装置根据当前阶段的前一阶段的缺货状态和当前阶段产品的存货量状态，确定当前阶段的缺存损失比，具体可以包括：
在产品状态为a(有，少)时，确定当前阶段产品的缺存损失比为第一数值，该第一数值为正实数，即W＞0。
在产品状态为b(有，适中)时，确定当前阶段产品的缺存损失比为第二数值，该第二数值为正实数，即W＞0。
在产品状态为c(有，多)时，确定当前阶段产品的缺存损失比为0，即W＝0。
在产品状态为d(无，少)时，确定当前阶段产品的缺存损失比为第三数值，该第三数值为正实数，即W＞0；
在产品状态为e(无，适中)时，确定当前阶段产品的缺存损失比为0。
在产品状态为f(无，多)时，确定当前阶段产品的缺存损失比为第四数值，该第四数值为大于-1的负实数，即-1＜W＜0。
基于该方案，可以灵活调整产品的缺存损失比，使得系统处于更合理的产品状态。
下面验证基于上述方式确定的当前阶段产品的缺存损失比W的合理性。
根据公式(2)可知，当W>0时，缺少一个产品造成的损失比多一个产品造成的损失大，说明应当增加产品的预测量。而本申请实施例，在产品状态为a(有，少)、b(有，适中)和d(无，少)时，确定的W均是W>0。显然，在产品状态为a(有，少)，b(有，适中)和d(无，少)时，增加产品的预测量是合理的。
根据公式(2)可知，当W＝0时，缺少一个产品造成的损失与多一个产品造成的损失一致，说明产品目前的预测量是合理的，不用增加产品的预测量，也不用减少产品的预测量。而本申请实施例，在产品状态为c(有，多)和e(无，适中)时，确定的W均是W＝0。显然，在产品状态为c(有，多)和e(无，适中)时，产品的预测量不用增加也不用减少是合理的。
根据公式(2)可知，当-1＜W＜0时，缺少一个产品造成的损失比多一个产品造成的损失小，说明应当减少产品的预测量。而本申请实施例，在产品状态为f(无，多)时，确定的W为-1＜W＜0。显然，在产品状态为f(无，多)时，减少产品的预测量是合理的。
示例性的，假设第一数值＝第二数值＝第三数值＝1，即缺少一个产品造成的损失是多一个产品造成的损失的一倍；第四数值＝-0.5，即缺少一个产品造成的损失为多一个产品造成的损失的一半，则可以根据如表一所示的状态转移矩阵确定当前阶段的缺存损失比，如下所示：
表一
Figure BDA0001268355930000081
Figure BDA0001268355930000091
其中，在表一中，根据所处的产品状态找到对应的行，该行中缺存损失比为1的列所对应的缺存损失比即为需要确定的当前阶段产品的缺存损失比。
比如，若产品状态为a(有，少)，则由表一可知，该产品状态所在的行中缺存损失比为1的列所对应的缺存损失比为1，也就是说当前阶段产品的缺存损失比为1，即缺少一个产品造成的损失是多一个产品造成的损失的一倍，应当增加产品的预测量。
或者，比如，若产品状态为b(有，适中)，则由表一可知，该产品状态所在的行中缺存损失比为1的列所对应的缺存损失比为1，也就是说当前阶段产品的缺存损失比为1，即缺少一个产品造成的损失是多一个产品造成的损失的一倍，应当增加产品的预测量。
或者，比如，若产品状态为c(有，多)，则由表一可知，该产品状态所在的行中缺存损失比为1的列所对应的缺存损失比为0，也就是说当前阶段产品的缺存损失比为0，即缺少一个产品造成的损失与多一个产品造成的损失一致，产品的预测量不用增加也不用减少。
或者，比如，若产品状态为d(无，少)，则由表一可知，该产品状态所在的行中缺存损失比为1的列所对应的缺存损失比为1，也就是说当前阶段产品的缺存损失比为1，即缺少一个产品造成的损失是多一个产品造成的损失的一倍，应当增加产品的预测量。
或者，比如，若产品状态为e(无，适中)，则由表一可知，该产品状态所在的行中缺存损失比为1的列所对应的缺存损失比为0，也就是说当前阶段产品的缺存损失比为0，即缺少一个产品造成的损失与多一个产品造成的损失一致，产品的预测量不用增加也不用减少。
或者，比如，若产品状态为f(无，多)，则由表一可知，该产品状态所在的行中缺存损失比为1的列所对应的缺存损失比为-0.5，也就是说当前阶段产品的缺存损失比为-0.5，即缺少一个产品造成的损失为多一个产品造成的损失的一半，应当减少产品的预测量。
可选的，本申请实施例中，可以通过如下方式配置不同产品的初始缺存损失比：
第一，冷启动模式：即，对于所有的产品，配置相同的初始缺存损失比。
比如，对于所有的产品，可以直接赋予一个初始值W＝0，也就是缺少一个产品造成的损失与多一个产品造成的损失一致；或者，对于所有的产品，可以直接赋予一个初始值W＝1，也就是缺少一个产品造成的损失为多一个产品造成的损失的一倍；等等。其中，该初始缺存损失比可能是一个经验值，也可能是根据产品的属性确定的，本申请实施例对该初始缺存损失比的赋值不作具体限定。其中，产品的属性具体可以包括供应商数量，产品价格，存货量，等等。
基于该方式，可以简单快捷的配置产品的初始缺存损失比。
第二，热启动模式：即，对预设比例的产品中的每一种产品，分别配置预先设定的初始缺存损失比；根据预设比例的产品中的每一种产品的属性以及预设比例的产品之外的每一种产品的属性，为预设比例的产品中的每一种产品建立最优紧邻模型，其中，该最优紧邻模型中包括预设比例的产品之外的产品中与预设比例的产品中的每一种产品属性最相近的产品；根据最优紧邻模型，为预设比例的产品之外的每一种产品配置初始缺存损失比，其中，最优紧邻模型的介绍具体可参考上述概念解释部分，在此不再赘述。本申请实施例中，最优紧邻模型中每一种产品的缺存损失比相同。产品的属性具体可以包括供应商数量，产品价格，存货量，等等。
比如，可以选取10％的产品通过业务专家赋予缺存损失比的值W(i)；进而，可以根据10％的产品的属性，以及另外90％的产品的属性，建立最优紧邻模型(KNN)，也就是寻找在属性上最为相似的产品。进而，对于另外90％的产品，可以根据最优紧邻模型配置初始缺存损失比。其中，假设另外90％的产品中的产品A属于10％的产品中的产品B的最优紧邻模型，则产品A的初始缺存损失比＝产品B的初始缺存损失比。
基于该方式，可以更为准确的配置产品的初始缺存损失比。
上述主要从产品需求预测装置执行产品需求预测方法的角度对本申请实施例提供的方案进行了介绍。可以理解的是，上述需求预测装置为了实现上述功能，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，本申请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申请的范围。
本申请实施例可以根据上述方法示例对产品需求预测装置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，本申请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。
比如，在采用对应各个功能划分各个功能模块的情况下，图5示出了上述实施例中所涉及的产品需求预测装置50的一种可能的结构示意图，包括：获取模块501和生成模块503。获取模块501用于支持产品需求预测装置50执行图2中的步骤S201；生成模块503用于支持产品需求预测装置40执行图2中的步骤S202。
可选的，本如图5所示，本申请实施例提供的产品需求预测装置50还包括训练模块502。获取模块501还用于支持产品需求预测装置50执行图3中的步骤S301；训练模块502用于支持产品需求预测装置40执行图3中的步骤S302。
可选的，获取401模块具体用于：在当前阶段不是初始阶段时，根据当前阶段的前一阶段产品的缺货状态和当前阶段产品的存货量状态，确定当前阶段的缺存损失比，缺货状态包括有缺货或者无缺货；存货量状态包括存货少、存货适中或者存货多；在当前阶段是初始阶段时，将预先配置的产品的初始缺存损失比确定为当前阶段的缺存损失比。
进一步的，获取401模块具体用于：在当前阶段的前一阶段产品的缺货状态为有缺货，当前阶段产品的存货量状态为存货少时，确定当前阶段产品的缺存损失比为第一数值，第一数值为正实数；在当前阶段的前一阶段产品的缺货状态为有缺货，当前阶段产品的存货量状态为存货适中时，确定当前阶段产品的缺存损失比为第二数值，第二数值为正实数；在当前阶段的前一阶段产品的缺货状态为有缺货，当前阶段产品的存货量状态为存货多时，确定当前阶段产品的缺存损失比为0；在当前阶段的前一阶段产品的缺货状态为无缺货，当前阶段产品的存货量状态为存货少时，确定当前阶段产品的缺存损失比为第三数值，第三数值为正实数；在当前阶段的前一阶段产品的缺货状态为无缺货，当前阶段产品的存货量状态为存货适中时，确定当前阶段产品的缺存损失比为0；在当前阶段的前一阶段产品的缺货状态为无缺货，当前阶段产品的存货量状态为存货多时，确定当前阶段产品的缺存损失比为第四数值，第四数值为大于-1的负实数。
可选的，如图5所示，产品需求预测装置50还包括配置模块504。配置模块504，用于通过如下方式配置不同产品的初始缺存损失比：对于所有的产品，配置相同的初始缺存损失比。
或者，配置模块504，用于通过如下方式配置不同产品的初始缺存损失比：对预设比例的产品中的每一种产品，分别配置预先设定的初始缺存损失比；根据预设比例的产品中的每一种产品的属性以及预设比例的产品之外的每一种产品的属性，为预设比例的产品中的每一种产品建立最优紧邻模型，其中，最优紧邻模型中包括预设比例的产品之外的产品中与预设比例的产品中的每一种产品属性最相近的产品；根据最优紧邻模型，为预设比例的产品之外的每一种产品配置初始缺存损失比，其中，最优紧邻模型中每一种产品的缺存损失比相同。
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。
以采用集成的方式划分各个功能模块的情况下，图6示出了上述实施例中所涉及的产品需求预测装置60的一种可能的结构示意图。如图6所示，产品需求预测装置60包括处理模块601。处理模块601用于执行图5中获取模块501、训练模块502、生成模块503和配置模块504所执行的操作。具体可参考图5所示的实施例部分，在此不再赘述。
在本实施例中，该产品需求预测装置以对应各个功能划分各个功能模块的形式来呈现，或者，该产品需求预测装置以采用集成的方式划分各个功能模块的形式来呈现。这里的“模块”可以指特定ASIC，电路，执行一个或多个软件或固件程序的处理器和存储器，集成逻辑电路，和/或其他可以提供上述功能的器件。在一个简单的实施例中，本领域的技术人员可以想到产品需求预测装置50或者产品需求预测装置60可以采用图1所示的形式。比如，图5中的获取模块501、训练模块502、生成模块503和配置模块504可以通过图1的处理器101和存储器103来实现。具体的，获取模块501、训练模块502、生成模块503和配置模块504可以通过由处理器101来调用存储器103中存储的应用程序代码来执行，本申请实施例对此不作任何限制。或者，比如，图6中的处理模块601可以通过图1的处理器101和存储器103来实现，具体的，处理模块601可以通过由处理器101来调用存储器103中存储的应用程序代码来执行，本申请实施例对此不作任何限制。
由于本发明实施例提供的产品需求预测装置可用于执行上述产品需求预测方法，因此其所能获得的技术效果可参考上述方法实施例，本发明实施例在此不再赘述。
在上述实施例中，可以全部或部分地通过软件、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来实现。该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、服务器或者数据中心通过有线(例如同轴电缆、光纤、数字用户线(digital subscriber line，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、服务器或数据中心进行传输。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以用介质集成的服务器、数据中心等数据存储设备。所述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。
尽管在此结合各实施例对本申请进行了描述，然而，在实施所要求保护的本申请过程中，本领域技术人员通过查看所述附图、公开内容、以及所附权利要求书，可理解并实现所述公开实施例的其他变化。在权利要求中，“包括”(comprising)一词不排除其他组成部分或步骤，“一”或“一个”不排除多个的情况。单个处理器或其他单元可以实现权利要求中列举的若干项功能。相互不同的从属权利要求中记载了某些措施，但这并不表示这些措施不能组合起来产生良好的效果。
尽管结合具体特征及其实施例对本申请进行了描述，显而易见的，在不脱离本申请的精神和范围的情况下，可对其进行各种修改和组合。相应地，本说明书和附图仅仅是所附权利要求所界定的本申请的示例性说明，且视为已覆盖本申请范围内的任意和所有修改、变化、组合或等同物。显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。

Claims (15)

1.一种产品需求预测方法，其特征在于，所述方法包括：
获取产品的需求参数；
将所述产品的需求参数输入预先训练好的需求预测模型，生成下一阶段所述产品的预测需求量，其中，所述预先训练好的需求预测模型是基于非对称损失函数训练得到的，所述非对称损失函数为预测多一个产品造成的损失与预测少一个产品造成的损失不同的函数；
所述方法还包括：
获取所述产品的缺存损失比、以及训练所述产品的需求预测模型的多个训练参数，其中，所述缺存损失比用于表征缺少一个产品造成的损失与多一个产品造成的损失的比值；
根据所述多个训练参数和所述缺存损失比，通过最小化所述非对称损失函数训练所述产品的需求预测模型，得到所述预先训练好的需求预测模型。
2.根据权利要求1所述的方法，其特征在于，所述产品的需求参数，包括：当前阶段所述产品的实际需求量和所述当前阶段的前一阶段所述产品的实际需求量；
所述多个训练数据包括：历史阶段所述产品的实际需求量和预测需求量。
3.根据权利要求2所述的方法，其特征在于，所述需求预测模型，包括：
Figure FDA0002596299880000011
Figure FDA0002596299880000012
表示第t个阶段所述产品的预测需求量，yt-1表示第t-1个阶段所述产品的实际需求量，yt-2表示第t-2个阶段所述产品的实际需求量，
Figure FDA0002596299880000013
Figure FDA0002596299880000014
α为模型因子。
4.根据权利要求3所述的方法，其特征在于，所述非对称损失函数包括：
Figure FDA0002596299880000015
其中，
Figure FDA0002596299880000016
表示对i从1到t的取值求和；
Figure FDA0002596299880000017
表示当
Figure FDA0002596299880000018
时，取值为1，否则取值为0；W表示所述产品的缺存损失比。
5.根据权利要求1-4任一项所述的方法，其特征在于，所述获取所述产品的缺存损失比，包括：
在当前阶段不是初始阶段时，根据所述当前阶段的前一阶段所述产品的缺货状态和所述当前阶段所述产品的存货量状态，确定所述当前阶段所述产品的缺存损失比，所述缺货状态包括有缺货或者无缺货；所述存货量状态包括存货少、存货适中或者存货多；
在所述当前阶段是初始阶段时，将预先配置的所述产品的初始缺存损失比确定为所述当前阶段所述产品的缺存损失比。
6.根据权利要求5所述的方法，其特征在于，所述根据所述当前阶段的前一阶段所述产品的缺货状态和所述当前阶段所述产品的存货量状态，确定所述当前阶段所述产品的缺存损失比，包括：
在所述当前阶段的前一阶段所述产品的缺货状态为有缺货，所述当前阶段所述产品的存货量状态为存货少时，确定所述当前阶段所述产品的缺存损失比为第一数值，所述第一数值为正实数；
在所述当前阶段的前一阶段所述产品的缺货状态为有缺货，所述当前阶段所述产品的存货量状态为存货适中时，确定所述当前阶段所述产品的缺存损失比为第二数值，所述第二数值为正实数；
在所述当前阶段的前一阶段所述产品的缺货状态为有缺货，所述当前阶段所述产品的存货量状态为存货多时，确定所述当前阶段所述产品的缺存损失比为0；
在所述当前阶段的前一阶段所述产品的缺货状态为无缺货，所述当前阶段所述产品的存货量状态为存货少时，确定所述当前阶段所述产品的缺存损失比为第三数值，所述第三数值为正实数；
在所述当前阶段的前一阶段所述产品的缺货状态为无缺货，所述当前阶段所述产品的存货量状态为存货适中时，确定所述当前阶段所述产品的缺存损失比为0；
在所述当前阶段的前一阶段所述产品的缺货状态为无缺货，所述当前阶段所述产品的存货量状态为存货多时，确定所述当前阶段所述产品的缺存损失比为第四数值，所述第四数值为大于-1的负实数。
7.根据权利要求5所述的方法，其特征在于，通过如下方式配置不同产品的初始缺存损失比：对于所有的产品，配置相同的初始缺存损失比；
或者，通过如下方式配置不同产品的初始缺存损失比：
对预设比例的产品中的每一种产品，分别配置预先设定的初始缺存损失比；
根据所述预设比例的产品中的每一种产品的属性以及所述预设比例的产品之外的每一种产品的属性，为所述预设比例的产品中的每一种产品建立最优紧邻模型，其中，所述最优紧邻模型中包括所述预设比例的产品之外的产品中与所述预设比例的产品中的每一种产品属性最相近的产品；
根据所述最优紧邻模型，为所述预设比例的产品之外的每一种产品配置初始缺存损失比，其中，所述最优紧邻模型中每一种产品的缺存损失比相同。
8.一种产品需求预测装置，其特征在于，所述装置包括：获取模块、生成模块、以及训练模块；
所述获取模块，用于获取产品的需求参数；
所述生成模块，用于将所述产品的需求参数输入预先训练好的需求预测模型，生成下一阶段所述产品的预测需求量，其中，所述预先训练好的需求预测模型是基于非对称损失函数训练得到的，所述非对称损失函数为预测多一个产品造成的损失与预测少一个产品造成的损失不同的函数；
所述获取模块，还用于获取所述产品的缺存损失比、以及训练所述产品的需求预测模型的多个训练参数，其中，所述缺存损失比用于表征缺少一个产品造成的损失与多一个产品造成的损失的比值；
所述训练模块，用于根据所述多个训练参数和所述缺存损失比，通过最小化所述非对称损失函数训练所述产品的需求预测模型，得到所述预先训练好的需求预测模型。
9.根据权利要求8所述的装置，其特征在于，所述产品的需求参数，包括：当前阶段所述产品的实际需求量和所述当前阶段的前一阶段所述产品的实际需求量；
所述多个训练数据包括：历史阶段所述产品的实际需求量和预测需求量。
10.根据权利要求9所述的装置，其特征在于，所述需求预测模型，包括：
Figure FDA0002596299880000031
Figure FDA0002596299880000032
表示第t个阶段所述产品的预测需求量，yt-1表示第t-1个阶段所述产品的实际需求量，yt-2表示第t-2个阶段所述产品的实际需求量，
Figure FDA0002596299880000033
Figure FDA0002596299880000034
α为模型因子。
11.根据权利要求10所述的装置，其特征在于，所述非对称损失函数包括：
Figure FDA0002596299880000035
其中，
Figure FDA0002596299880000036
表示对i从1到t的取值求和；
Figure FDA0002596299880000037
表示当
Figure FDA0002596299880000038
时，取值为1，否则取值为0；W表示所述产品的缺存损失比。
12.根据权利要求9-11任一项所述的装置，其特征在于，所述获取模块具体用于：
在当前阶段不是初始阶段时，根据所述当前阶段的前一阶段所述产品的缺货状态和所述当前阶段所述产品的存货量状态，确定所述当前阶段所述产品的缺存损失比，所述缺货状态包括有缺货或者无缺货；所述存货量状态包括存货少、存货适中或者存货多；
在所述当前阶段是初始阶段时，将预先配置的所述产品的初始缺存损失比确定为所述当前阶段的缺存损失比。
13.根据权利要求12所述的装置，其特征在于，所述获取模块具体用于：
在所述当前阶段的前一阶段所述产品的缺货状态为有缺货，所述当前阶段所述产品的存货量状态为存货少时，确定所述当前阶段所述产品的缺存损失比为第一数值，所述第一数值为正实数；
在所述当前阶段的前一阶段所述产品的缺货状态为有缺货，所述当前阶段所述产品的存货量状态为存货适中时，确定所述当前阶段所述产品的缺存损失比为第二数值，所述第二数值为正实数；
在所述当前阶段的前一阶段所述产品的缺货状态为有缺货，所述当前阶段所述产品的存货量状态为存货多时，确定所述当前阶段所述产品的缺存损失比为0；
在所述当前阶段的前一阶段所述产品的缺货状态为无缺货，所述当前阶段所述产品的存货量状态为存货少时，确定所述当前阶段所述产品的缺存损失比为第三数值，所述第三数值为正实数；
在所述当前阶段的前一阶段所述产品的缺货状态为无缺货，所述当前阶段所述产品的存货量状态为存货适中时，确定所述当前阶段所述产品的缺存损失比为0；
在所述当前阶段的前一阶段所述产品的缺货状态为无缺货，所述当前阶段所述产品的存货量状态为存货多时，确定所述当前阶段所述产品的缺存损失比为第四数值，所述第四数值为大于-1的负实数。
14.根据权利要求12所述的装置，其特征在于，所述装置还包括配置模块；
所述配置模块，用于通过如下方式配置不同产品的初始缺存损失比：对于所有的产品，配置相同的初始缺存损失比；
或者，所述配置模块，用于通过如下方式配置不同产品的初始缺存损失比：
对预设比例的产品中的每一种产品，分别配置预先设定的初始缺存损失比；
根据所述预设比例的产品中的每一种产品的属性以及所述预设比例的产品之外的每一种产品的属性，为所述预设比例的产品中的每一种产品建立最优紧邻模型，其中，所述最优紧邻模型中包括所述预设比例的产品之外的产品中与所述预设比例的产品中的每一种产品属性最相近的产品；
根据所述最优紧邻模型，为所述预设比例的产品之外的每一种产品配置初始缺存损失比，其中，所述最优紧邻模型中每一种产品的缺存损失比相同。
15.一种产品需求预测装置，其特征在于，包括：处理器、存储器、总线和通信接口；所述存储器用于存储计算机执行指令，所述处理器与所述存储器通过所述总线连接，当所述产品需求预测装置运行时，所述处理器执行所述存储器存储的所述计算机执行指令，以使所述产品需求预测装置执行如权利要求1-7中任意一项所述的产品需求预测方法。
CN201710237246.4A 2017-04-12 2017-04-12 产品需求预测方法及装置 Active CN108694460B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201710237246.4A CN108694460B (zh) 2017-04-12 2017-04-12 产品需求预测方法及装置
PCT/CN2018/074769 WO2018188402A1 (zh) 2017-04-12 2018-01-31 产品需求预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710237246.4A CN108694460B (zh) 2017-04-12 2017-04-12 产品需求预测方法及装置

Publications (2)

Publication Number Publication Date
CN108694460A CN108694460A (zh) 2018-10-23
CN108694460B true CN108694460B (zh) 2020-11-03

Family

ID=63793586

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710237246.4A Active CN108694460B (zh) 2017-04-12 2017-04-12 产品需求预测方法及装置

Country Status (2)

Country Link
CN (1) CN108694460B (zh)
WO (1) WO2018188402A1 (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117974011B (zh) * 2024-04-01 2024-06-25 国网浙江省电力有限公司宁波供电公司 动态感知物资需求的采购决策方法、装置、设备及介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH09305663A (ja) * 1996-05-10 1997-11-28 Kawasaki Steel Corp 利益計画の策定方法
CN101212819A (zh) * 2006-12-27 2008-07-02 华为技术有限公司 一种基于流量预测的周期性自适应汇聚的方法及系统
CN101513871A (zh) * 2007-11-04 2009-08-26 通用汽车环球科技运作公司 用于控制混合动力系统的方法和系统
CN103020725A (zh) * 2011-09-20 2013-04-03 株式会社日立制作所 电力需求预测系统以及方法
CN103904646A (zh) * 2014-03-28 2014-07-02 华中科技大学 一种考虑三相潮流的微电网多目标能量优化方法
CN104217258A (zh) * 2014-09-15 2014-12-17 国家电网公司 一种电力负荷条件密度预测方法
CN105069533A (zh) * 2015-08-19 2015-11-18 浙江大学 一种基于随机预测模型的钢铁企业多能源优化调度方法
CN105825279A (zh) * 2016-05-27 2016-08-03 太原科技大学 一种基于预测的多部件系统成组维修决策方法和装置

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030061126A1 (en) * 2001-06-12 2003-03-27 International Business Machines Corporation Method of determining inventory levels
US8494974B2 (en) * 2010-01-18 2013-07-23 iSIGHT Partners Inc. Targeted security implementation through security loss forecasting
CN101807271A (zh) * 2010-03-17 2010-08-18 上海大学 基于广义邻近替代的产品需求预测方法
CN104732287B (zh) * 2013-12-19 2018-04-13 广州地铁集团有限公司 一种基于备件最佳补充周期的库存控制方法
CN104616096B (zh) * 2014-12-26 2017-12-01 合肥通用机械研究院 基于差异化持有成本的备件库存风险决策评价方法
CN104766184A (zh) * 2015-04-30 2015-07-08 刘决飞 大数据生产计划方法和系统
CN105976049A (zh) * 2016-04-28 2016-09-28 武汉宝钢华中贸易有限公司 基于混沌神经网络的库存预测模型及其构造方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH09305663A (ja) * 1996-05-10 1997-11-28 Kawasaki Steel Corp 利益計画の策定方法
CN101212819A (zh) * 2006-12-27 2008-07-02 华为技术有限公司 一种基于流量预测的周期性自适应汇聚的方法及系统
CN101513871A (zh) * 2007-11-04 2009-08-26 通用汽车环球科技运作公司 用于控制混合动力系统的方法和系统
CN103020725A (zh) * 2011-09-20 2013-04-03 株式会社日立制作所 电力需求预测系统以及方法
CN103904646A (zh) * 2014-03-28 2014-07-02 华中科技大学 一种考虑三相潮流的微电网多目标能量优化方法
CN104217258A (zh) * 2014-09-15 2014-12-17 国家电网公司 一种电力负荷条件密度预测方法
CN105069533A (zh) * 2015-08-19 2015-11-18 浙江大学 一种基于随机预测模型的钢铁企业多能源优化调度方法
CN105825279A (zh) * 2016-05-27 2016-08-03 太原科技大学 一种基于预测的多部件系统成组维修决策方法和装置

Also Published As

Publication number Publication date
WO2018188402A1 (zh) 2018-10-18
CN108694460A (zh) 2018-10-23

Similar Documents

Publication Publication Date Title
CN108062246B (zh) 用于深度学习框架的资源调度方法和装置
CN110390387B (zh) 对深度学习应用所用资源进行评估
CN111898221B (zh) 选址方法、装置及计算机可读存储介质
US10732853B2 (en) Dynamic memory management techniques
CN110532092A (zh) 资源匹配方法、装置及设备
US20170316386A1 (en) Contextually-aware scheduling exceptions
WO2020215752A1 (zh) 图计算方法及装置
CN110399213A (zh) 确定应用程序的资源需求的方法、装置、电子设备及介质
CN105719221A (zh) 针对多任务的路径协同规划方法和装置
CN114118503A (zh) 供应链库存优化方法、装置、设备和存储介质
CN111160706A (zh) 模拟供应链风险响应的方法、装置和系统
US20170316484A1 (en) Resource-based auto completion
US20240020633A1 (en) Warehousing data processing method and apparatus, medium, and electronic device
WO2022161050A1 (zh) 推广任务处理方法及装置、存储介质和电子设备
CN109658187A (zh) 推荐云服务商的方法、装置、存储介质及电子设备
US10504057B2 (en) Executing multi-echelon online and store retail network stocking plan based on stock-out costs
CN111461583B (zh) 一种库存盘点方法和装置
CN108694460B (zh) 产品需求预测方法及装置
Gao et al. Developing energy-aware task allocation schemes in cloud-assisted mobile workflows
WO2023207630A1 (zh) 一种任务求解方法及其装置
Hu et al. Dynamic cloud manufacturing service composition with re-entrant services: an online policy perspective
CN115129466B (zh) 云计算资源分层调度方法、系统、设备及介质
US10496081B2 (en) Method for fulfilling demands in a plan
CN113132445B (zh) 资源调度方法、设备、网络系统及存储介质
US20170316331A1 (en) Contextually-aware selection of event forums

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