CN109002944A - 一种卷包车间备件需求的预测方法 - Google Patents
一种卷包车间备件需求的预测方法 Download PDFInfo
- Publication number
- CN109002944A CN109002944A CN201811178052.2A CN201811178052A CN109002944A CN 109002944 A CN109002944 A CN 109002944A CN 201811178052 A CN201811178052 A CN 201811178052A CN 109002944 A CN109002944 A CN 109002944A
- Authority
- CN
- China
- Prior art keywords
- value
- predicted
- spare
- spare parts
- prediction
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000009499 grossing Methods 0.000 claims abstract description 29
- 238000004458 analytical method Methods 0.000 claims abstract description 9
- 238000004519 manufacturing process Methods 0.000 claims abstract description 7
- 230000001186 cumulative effect Effects 0.000 claims description 5
- 230000007774 longterm Effects 0.000 claims description 4
- 230000000737 periodic effect Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 2
- 235000013399 edible fruits Nutrition 0.000 claims 1
- 238000005457 optimization Methods 0.000 abstract description 3
- 238000013439 planning Methods 0.000 abstract description 3
- 238000007726 management method Methods 0.000 description 7
- 238000012423 maintenance Methods 0.000 description 5
- 235000019504 cigarettes Nutrition 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 210000003739 neck Anatomy 0.000 description 2
- 238000000714 time series forecasting Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
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
- 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
-
- 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)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Manufacturing & Machinery (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种卷包车间备件需求的预测方法,具体步骤如下:S1、记录每天生成的备件出入数量,并按照月份进行数量统计和分析;S2、从数量统计中进行分类,按照领用周期与ABC分类法相结合,分为消耗件、易损件、非易损件;S3、针对易损件进行模型建立,其时间序列无明显趋势变化,采用一次指数平滑法进行预测;S4、对易损件的需求量进行预测。本发明采用一次指数平滑法进行预测,对易损件的需求量进行预测;该方法依据车间备件的领用情况,结合现有的历史数据,利用统计信息;对备件需求量进行预测,以制定科学的备件计划量和优化库存结构;满足正常生产和设备效率的前提下,实现最优库存满足生产实际,达到企业效益最大化。
Description
技术领域
本发明属于设备技术领域,具体是一种卷包车间备件需求的预测方法,该方法可以对一类备件进行独立预测,是一种时间序列预测方法。
背景技术
在实际卷烟设备维护中,由于备件需求缺乏科学预测和库存结构不合理,导致车间维修人员往往会比实际多领一些备件,有些领用的备件并没有实时地使用,而是放在车间的“小仓库”里,便于下次维修时快速领取使用。存在的问题:修理工完成换件后未正确填写维修记录所对应的换件记录,出现只领用不换件的情况,造成资金的占用和核算的不准确性。
在卷包车间备件管理中,需要对备件需求量进行预测,以制定科学的备件计划量和优化库存结构,在满足正常生产和设备效率的前提下,实现最优库存满足生产实际,达到企业效益最大化。
卷包车间备件管理系统中设备种类较多,在其整个寿命期内要更换的零备件管理也相应复杂;每种备件的使用情况均不相同,需要提供设备的备件,以及时更新。备件库存管理需要对设备备件的需求量进行预测,以制定合理的采购策略,实现最优库存满足卷包车间正常生产的高可靠性需求。
发明内容
本发明要解决的技术问题是提供一种卷包车间备件需求的预测方法,该方法可以对一类备件进行独立预测,是一种时间序列预测方法。该方法依据车间备件的领用情况,结合现有的历史数据,利用统计信息。
为了解决上述的问题本发明的采用的技术以及方法如下:
一种卷包车间备件需求的预测方法,具体步骤如下:
S1、记录每天生成的备件出入数量,并按照月份进行数量统计和分析;
目前工厂备件的领用主要通过曲烟移动平台进行出、入库,目前的系统虽然能够获取有关的库存数据,但是备件管理部门对库存数据缺乏统计分析,修理工完成换件后未正确填写维修记录所对应的换件记录,出现只领用不换件的情况。为了准确预测备件的需求量,实现最优库存,所以要求记录每天生成的备件出入数量;
S2、从数量统计中进行分类,按照领用周期与ABC分类法相结合,分为消耗件、易损件、非易损件;
由于备件库存管理中涉及备件的种类和数量众多,目前的备件分类过于粗放,不能满足实际工厂的备件管理划分需要,所以首先要对备件进行分类。分类的方法有按照领用周期分类法、ABC分类法、层次分类法等,本发明的分类的方法主要按照领用周期分类法与ABC分类法相结合,分为消耗件、易损件和非易损件三类;
S3、针对易损件进行模型建立,其时间序列无明显趋势变化,采用一次指数平滑法进行预测;
S4、对易损件的需求量进行预测;统计完卷包车间易损件第t期以前的历史消耗量,预测某种易损件第t+1期的备件需求量;
已知时间序列为:y1,y2,y3,…,yn,…,一次指数平滑的基本公式为:
即:
其中,表示第t期的一次指数平滑值;表示第t-1期的一次指数平滑值;α表示平滑系数;表示第t+1期的预测值;表示第t期的预测值。
进一步地,所述步骤S2中的按照领用周期分类法:根据备件的平均领用周期(ADI)分为易损件ADI<=1年和非易损件ADI>1年两类,其中易损件中包含消耗件,如长刀片,消耗件一般根据生产产量和设备效率等信息可以较为准确预测其更换周期和数量;
所述ABC分类法:ABC分类主要从占用资金量的角度分析,A类占年消耗金额累计百分比80%,B类占年消耗金额累计百分比15%,C类占年消耗金额累计百分比5%。
进一步地,所述步骤S3中的指数平滑法:通过采集统计变量的历史数据,将一段时间备件消耗的预测值与实际值值的线性组合作为第t+1期的预测值,模拟出最优的预测模型,根据备件的历史消耗量预测出备件的未来需求。
进一步地,所述步骤S4中平滑系数α的选择:
(1)当时间序列呈稳定的水平趋势时,α应取较小值,如0.1~0.3;
(2)当时间序列波动比较大,长期趋势变化的幅度比较大时,α应取中间值,如0.3~0.5;
(3)当时间序列具有明显的上升或下降趋势时,α应取较大值,如0.6~0.8;
在实际运用中,可取若干个α值进行试算比较,选择预测误差最小的α值。
进一步地,所述步骤S4中初始值的的确定:
初始值是由预测者估计或指定的;若时间序列的观察期在20个以上,初始值对预测结果的影响很小,可以方便地以第一期观测值作为初始值;若观察期在20个以下时,初始值对以后的预测结果影响较大,这时可以取最初几期的观测值的平均值作为初始值;通常取前3个观测值的平均值作为初始值。
至此,某种易损件第t+1期的需求量就预测出来了。
本发明采用一次指数平滑法进行预测,对易损件的需求量进行预测;该方法依据车间备件的领用情况,结合现有的历史数据,利用统计信息;对备件需求量进行预测,以制定科学的备件计划量和优化库存结构;满足正常生产和设备效率的前提下,实现最优库存满足生产实际,达到企业效益最大化。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图;
图1为本发明的备件实际消耗值和指数平滑值示意图。
具体实施方式
下面结合附图对本发明的优选实施例进行详细阐述,以使本发明的优点和特征能更易于被本领域技术人员理解,从而对本发明的保护范围做出更为清楚明确的界定;
实施例:
下面以卷包车间的磨刀砂轮0MF2482备件为例,来说明本发明如何实现卷设备备件的需求预测。
S1、记录了2014年-2017年卷包车间磨刀砂轮0MF2482因故障等原因不能正常工作而进行备件领用更换的实际消耗数量,生产设备备件领用记录表,以季度为单位进行数量统计和分析。
表格1:
S2、根据卷包车间各类设备备件的历史消耗量,按照领用周期与ABC分类法相结合进行分类,将磨刀砂轮0MF2482归为易损件。
S3、针对易损件进行模型建立
由于磨刀砂轮0MF2482的时间序列无明显的趋势变化,故采用一次指数平滑进行预测。
已知时间序列为:y1,y2,y3,…,yn,…,一次指数平滑的基本公式为:
即:
其中,表示第t期的一次指数平滑值;表示第t-1期的一次指数平滑值;α表示平滑系数;表示第t+1期的预测值;表示第t期的预测值。
初始值的确定
因为观察期为16小于20,取时间序列的前三项数据的平均值作为初始值。
平滑系数的选择
①当时间序列呈稳定的水平趋势时,α应取较小值,如0.1~0.3;
②当时间序列波动比较大,长期趋势变化的幅度比较大时,α应取中间值,如0.3~0.5;
当时间序列具有明显的上升或下降趋势时,α应取较大值,如0.6~0.8。
通过计算知道磨刀砂轮0MF2482的标准误差为3,时间序列有一定波动,故平滑系数α分别取0.1、0.3、0.6。分析结果如下表所示:
表2:分析结果
对不同平滑系数下取得的平滑值进行误差分析,确定α的取值。计算各平滑系数下平滑值的均方误差MSE。
当α=0.1时,平滑值的均方误差为MSE=236.418;
当α=0.3时,平滑值的均方误差为MSE=230.117;
当α=0.6时,平滑值的均方误差为MSE=259.709。
通过比较,α=0.3的平滑值的均方误差最小,因此选用α=0.3用为加权系数。根据指数平滑预测模型的原理,可得到备件新的预测值,根据预测值和备件的实际消耗值可绘制如图的曲线图,从图中可看出预测值较实际波动较小,并可以看出备件消耗的趋势。
S4、通过模型可分析计算出2018年一季度磨刀砂轮0MF2482的需求量为18.16件,取整得该备件的需求为18件;
最优平滑系数α为0.3时,该一次指数平滑预测的迭代公式为:
这可逐次计算下一期磨刀砂轮0MF2482的需求量,如图1所示:备件实际消耗值和指数平滑值。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何不经过创造性劳动想到的变化或替换,都应涵盖在本发明的保护范围之内,因此,本发明的保护范围应该以权利要求书所限定的保护范围为准。
Claims (5)
1.一种卷包车间备件需求的预测方法,其特征在于,具体步骤如下:
S1、记录每天生成的备件出入数量,并按照月份进行数量统计和分析;
S2、从数量统计中进行分类,按照领用周期与ABC分类法相结合,分为消耗件、易损件、非易损件;
S3、针对易损件进行模型建立,其时间序列无明显趋势变化,采用一次指数平滑法进行预测;
S4、对易损件的需求量进行预测;统计完卷包车间易损件第t期以前的历史消耗量,预测某种易损件第t+1期的备件需求量;
已知时间序列为:y1,y2,y3,…,yn,…,一次指数平滑的基本公式为:
即:
其中,表示第t期的一次指数平滑值;表示第t-1期的一次指数平滑值;α表示平滑系数;表示第t+1期的预测值;表示第t期的预测值。
2.如权利要求1所述的一种卷包车间备件需求的预测方法,其特征在于:所述步骤S2中的按照领用周期分类法:根据备件的平均领用周期(ADI)分为易损件ADI<=1年和非易损件ADI>1年两类,其中易损件中包含消耗件,如长刀片,消耗件一般根据生产产量和设备效率等信息可以较为准确预测其更换周期和数量;
所述ABC分类法:ABC分类主要从占用资金量的角度分析,A类占年消耗金额累计百分比80%,B类占年消耗金额累计百分比15%,C类占年消耗金额累计百分比5%。
3.如权利要求1所述的一种卷包车间备件需求的预测方法,其特征在于:所述步骤S3中的指数平滑法:通过采集统计变量的历史数据,将一段时间备件消耗的预测值与实际值值的线性组合作为第t+1期的预测值,模拟出最优的预测模型,根据备件的历史消耗量预测出备件的未来需求。
4.如权利要求1所述的一种卷包车间备件需求的预测方法,其特征在于:所述步骤S4中平滑系数α的选择:
(1)当时间序列呈稳定的水平趋势时,α应取较小值,如0.1~0.3;
(2)当时间序列波动比较大,长期趋势变化的幅度比较大时,α应取中间值,如0.3~0.5;
(3)当时间序列具有明显的上升或下降趋势时,α应取较大值,如0.6~0.8;
在实际运用中,可取若干个α值进行试算比较,选择预测误差最小的α值。
5.如权利要求1所述的一种卷包车间备件需求的预测方法,其特征在于:所述步骤S4中初始值的的确定:
初始值是由预测者估计或指定的;若时间序列的观察期在20个以上,初始值对预测结果的影响很小,可以方便地以第一期观测值作为初始值;若观察期在20个以下时,初始值对以后的预测结果影响较大,这时可以取最初几期的观测值的平均值作为初始值;通常取前3个观测值的平均值作为初始值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811178052.2A CN109002944A (zh) | 2018-10-10 | 2018-10-10 | 一种卷包车间备件需求的预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811178052.2A CN109002944A (zh) | 2018-10-10 | 2018-10-10 | 一种卷包车间备件需求的预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109002944A true CN109002944A (zh) | 2018-12-14 |
Family
ID=64589307
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811178052.2A Pending CN109002944A (zh) | 2018-10-10 | 2018-10-10 | 一种卷包车间备件需求的预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109002944A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109754118A (zh) * | 2018-12-26 | 2019-05-14 | 复旦大学 | 一种系统自适应的预测方法 |
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 |
CN111445095A (zh) * | 2020-05-18 | 2020-07-24 | 江苏电力信息技术有限公司 | 一种基于指数平滑法的年度出库金额预测方法 |
CN112906992A (zh) * | 2021-04-12 | 2021-06-04 | 福州大学 | 基于集成学习的电子产品停产后的备件预测方法 |
CN113902188A (zh) * | 2021-10-08 | 2022-01-07 | 国网江苏省电力有限公司镇江供电分公司 | 一种电能计量物资需求预测方法 |
CN113919687A (zh) * | 2021-10-08 | 2022-01-11 | 国网江苏省电力有限公司镇江供电分公司 | 一种电能计量物资库存量分配方法 |
CN115423223A (zh) * | 2022-11-04 | 2022-12-02 | 山东捷瑞数字科技股份有限公司 | 一种面向机械制造企业的工业互联网生产预测装置和方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170094337A1 (en) * | 2015-09-30 | 2017-03-30 | Simulmedia, Inc. | Methods and systems for selecting inventory units for television and other media advertising campaigns |
CN107122880A (zh) * | 2017-03-06 | 2017-09-01 | 国家电网公司 | 一种基于指数平滑法的电力设备告警信息趋势预测方法 |
CN107316096A (zh) * | 2017-05-05 | 2017-11-03 | 北京市交通信息中心 | 一种轨道交通一票通乘客进站量预测方法 |
CN107705157A (zh) * | 2017-10-19 | 2018-02-16 | 大连理工大学 | 基于统一动态集成模型和元启发式算法的汽车备件销量预测方法及系统 |
-
2018
- 2018-10-10 CN CN201811178052.2A patent/CN109002944A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170094337A1 (en) * | 2015-09-30 | 2017-03-30 | Simulmedia, Inc. | Methods and systems for selecting inventory units for television and other media advertising campaigns |
CN107122880A (zh) * | 2017-03-06 | 2017-09-01 | 国家电网公司 | 一种基于指数平滑法的电力设备告警信息趋势预测方法 |
CN107316096A (zh) * | 2017-05-05 | 2017-11-03 | 北京市交通信息中心 | 一种轨道交通一票通乘客进站量预测方法 |
CN107705157A (zh) * | 2017-10-19 | 2018-02-16 | 大连理工大学 | 基于统一动态集成模型和元启发式算法的汽车备件销量预测方法及系统 |
Non-Patent Citations (2)
Title |
---|
林琳: "一种新的间断型备件需求预测方法", 《哈尔冰工业大学学报》 * |
陆伟: "DL公司备件库存管理研究", 《中国优秀硕士学位论文全文数据库 经济与管理科学辑》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109754118A (zh) * | 2018-12-26 | 2019-05-14 | 复旦大学 | 一种系统自适应的预测方法 |
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 |
CN111445095A (zh) * | 2020-05-18 | 2020-07-24 | 江苏电力信息技术有限公司 | 一种基于指数平滑法的年度出库金额预测方法 |
CN112906992A (zh) * | 2021-04-12 | 2021-06-04 | 福州大学 | 基于集成学习的电子产品停产后的备件预测方法 |
CN113902188A (zh) * | 2021-10-08 | 2022-01-07 | 国网江苏省电力有限公司镇江供电分公司 | 一种电能计量物资需求预测方法 |
CN113919687A (zh) * | 2021-10-08 | 2022-01-11 | 国网江苏省电力有限公司镇江供电分公司 | 一种电能计量物资库存量分配方法 |
CN113902188B (zh) * | 2021-10-08 | 2023-12-22 | 国网江苏省电力有限公司镇江供电分公司 | 一种电能计量物资需求预测方法 |
CN113919687B (zh) * | 2021-10-08 | 2024-03-08 | 国网江苏省电力有限公司镇江供电分公司 | 一种电能计量物资库存量分配方法 |
CN115423223A (zh) * | 2022-11-04 | 2022-12-02 | 山东捷瑞数字科技股份有限公司 | 一种面向机械制造企业的工业互联网生产预测装置和方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109002944A (zh) | 一种卷包车间备件需求的预测方法 | |
Arora et al. | Forecasting electricity smart meter data using conditional kernel density estimation | |
Baringo et al. | Risk-constrained multi-stage wind power investment | |
Jenkins et al. | Optimization of California’s water supply system: Results and insights | |
US20140257778A1 (en) | Devices for Forecasting Ratios in Hierarchies | |
US8315923B2 (en) | Method of determining safety stock levels | |
CN104715292A (zh) | 基于最小二乘支持向量机模型的城市短期用水量预测方法 | |
CN103729783A (zh) | 二手物品电子商务交易平台中的价格挖掘和审核系统 | |
CN107818386A (zh) | 电网企业经营利润预测方法 | |
CN106056290A (zh) | 一种计及新能源接入的输电网运行效率效益检测方法 | |
CN115358651A (zh) | 零售企业门店自动补货的方法、系统及计算机可读存储介质 | |
Díaz et al. | Valuation of wind power distributed generation by using Longstaff–Schwartz option pricing method | |
CN113706208A (zh) | 一种综合能源服务套餐配置方法 | |
CN116205329A (zh) | 一种节假日客流量预测方法 | |
Zhou et al. | Stochastic methods applied to power system operations with renewable energy: A review | |
CN102130955B (zh) | 基于协同过滤的组合服务备选服务集生成系统及方法 | |
CN108256693A (zh) | 一种光伏发电功率预测方法、装置及系统 | |
CN104820942A (zh) | 一种基于层次聚类的电力市场交易评价标准测算方法 | |
Candra et al. | Indonesian trade deficit with China: background and grey forecasting | |
Jooshaki et al. | A new reward-penalty mechanism for distribution companies based on concept of competition | |
CN110147975A (zh) | 备件库存控制方法及装置 | |
CN101324939A (zh) | 基于数据挖掘的新业务市场预测系统及其方法 | |
CN108108843A (zh) | 一种基于标签数据在线迭代计算的工业数据优化系统 | |
Jeon et al. | The relationship between persistence of abnormal earnings and usefulness of accounting information in hotel companies | |
CN113962414A (zh) | 一种工商业用户零售电价套餐的量化方法和系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181214 |