CN109741083B - 一种基于企业mrp的物料需求加权预测方法 - Google Patents

Abstract

本发明公开了一种基于企业MRP的物料需求加权预测方法。本发明步骤如下：首先确定物料最小采购周期T、物料采购提前期LT，获取每日库存、出库、MRP等多维度数据；其次基于历史每日真实出库数据，利用移动平均法计算得到采购提前期需求D_LT的平均值D_avg；计算历史需求平均值D_avg与历史每日MRP数据两者的比值分布，分别得到最大值r_max和最小值r_min；然后根据历史需求平均值D_avg与当前测试日MRP的比值r_t，计算实际权重W_avg和MRP权重W_mrp；最后模型基于权重系数分别估计采购提前期需求D_LT以及最小采购周期需求D_T，完成需求预测。本发明利用MRP数据和历史出库规律，设计两者的权重系数进行需求预测,极大地改良MRP的缺陷，为企业进行物料采购提供科学的参考依据。

Description

一种基于企业MRP的物料需求加权预测方法

技术领域

本发明属于信息预测技术领域，具体一种基于企业MRP的物料需求加权预测方法设计。

背景技术

企业在生产经营和商品销售的活动中，往往需要把购买的原料、生产的产品和销售的商品存储起来,以备使用和销售。但是，现实业务场景具有高度复杂性，需求与供应、消费与存储之间的不协调性会直接引发供需不平衡的状态，一方面可能会造成物料积压，导致资金周转缓慢和库存成本增加；另一方面由于物料短缺，引起生产停工或者无货销售，使经营单位因利润降低而带来经济损失。

为了有效提高库存管理效率，物料需求计划(MRP)系统在产品结构与制造工艺的基础上，利用制造工程网络原理，根据产品结构各层次物料的从属与数量关系，以物料为对象，以产品完工日期为时间基准，按照反工艺顺序的原则，最终根据各物料的加工提前期，制定物料的投入出产数量与日期，以此控制各物料的库存水平。

然而，由于MRP系统主要基于BOM需求做出库存管理决策，没有考虑企业人力、产能等多因素，导致MRP物料需求预测持续偏大、库存水平过高；另外，该系统也不能根据特殊的业务场景进行算法优化。因此，在考虑物料MRP数据、历史真实出库以及采购提前期的条件下，本发明通过加权求和预测采购提前期需求D_LT以及最小采购周期需求D_T，实现物料需求精准预测。

发明内容

本发明的目的在于针对现有MRP系统的不足，提供一种基于企业MRP的物料需求加权预测方法设计。

本发明解决其技术问题所采用的技术方案包括如下步骤：

步骤1：首先获取商品的采购提前期lt、最小采购周期ft、测试日t的日初库存I_t、安全库存s；再基于企业信息化管理平台构建以下多个维度的时间序列：商品的库存结余{I_i}，历史每日销售记录{O_i}，MRP日计划需求数据{M_n}，其中下标i、n表示日期且满足i≤t,n＜t+lt；根据在途未到货记录得到由测试日t开始未来一个lt内的在途未到货时间序列表示如下：

qⁿ＝[q₀,...,q_j,...,q_lt-1]；

其中q_j表示从测试日t开始第j天的到货量(0≤j＜lt)；

步骤2：基于历史每日销售记录{O_i}进行移动窗口求和，其中时间窗为lt，得到历史lt需求序列

然后对所得需求序列

求平均值得到历史lt需求平均值D_avg；同理，基于MRP日计划需求数据{M_n}进行移动窗口求和，时间窗为lt，得到历史MRPlt计划需求序列

以及测试日MRPlt计划需求

步骤3：计算历史lt需求平均值D_avg与历史MRPlt计划需求序列

两者的比值序列{r_i}，公式如下：

得到比值序列{r_i}后，基于该比值序列得到最大比值r_max和最小比值r_min；同理，得到历史lt需求平均值D_avg与测试日MRPlt计划需求

的比值如下：

步骤4：利用测试日比值r_t、历史最大比值r_max和最小比值r_min，计算得到实际权重如下所示：

且令MRP权重W_mrp＝1-W_avg；

步骤5：基于历史lt需求平均值D_avg和测试日MRPlt计划需求

通过加权求和法预测未来lt需求D_{lt_pre}，计算公式如下：

其中W_avg+W_mrp＝1，同时最小采购周期ft预测需求：

步骤6：根据未来lt预测需求D_{lt_pre}计算从测试日t开始第lt天的日末库存

若满足I_t+lt≤s，则测试日t为采购时间点，且令采购量Q＝D_{ft_pre}；否则，不给出采购建议，也即Q＝0；企业根据建议采购量Q在当前测试日t执行补货行为，完成基于MRP数据和历史出库规律的需求加权预测。最终极大地改良传统MRP的缺陷，为企业进行物料采购提供科学的参考依据。

本发明有益效果：

与现有的需求预测技术相比，本发明利用MRP数据和历史出库规律，通过设计两者的权重系数来进行需求预测,不仅极大地改良传统MRP的缺陷，同时避免了采用本发明得到的预测值与原本企业MRP需求计划值差异过大的风险，为企业进行物料采购提供科学的参考依据，减少企业更新供应链决策系统的成本。

附图说明

图1是本发明实施例采用该方法的存储系统结构模型图。

图2是本发明实施例采用该方法的库存流管理程图。

图3是本发明实施例采用该方法的算法流程图。

图4是本发明实施例的模型预测需求与真实需求对比图。

图5是本发明实施例的模型库存水平与原库存水平对比图。

具体实施方式

为了使本发明的目的和效果更加清楚，下面对本发明方法进行详细描述。

一般存储系统的结构模式可以表示为如图1的形式。由于生产或销售的需求，从存储点取出一定数量的库存货物，这就是存储系统的输出。而当存储货物的不断输出造成在库数量的不断减少时，企业必须及时采取适当的补货行为，这就是存储系统的输入。而对于系统中的需求，需求的方式可以是均匀连续的或间断批量的，需求的数量可以是确定性的或是随机性的。补货的形式可以有经营单位向外订货或者自身安排生产活动。研究补货的主要数量指标为：确定订货周期或生产周期(采购提前期)和确定订购数量；

如图2和图3所示，为保证本发明库存决策的科学合理性，首先对库存的相关数量指标进行相应的说明和分析，具体如下：

采购提前期lt：采购提前期表示从开始订货到存储的实现(入库)需要经历的时间长度。采购提前期的管理包含两方面的要求：一个方面，采购提前期需要尽可能的被压缩；另一个方面，采购提前期要有足够的可靠性，供应商能够严格按照采购提前期的要求交付原材料给企业。

采购时间点t：采购时间点是指基于当前的库存水平、在途订单，在考虑采购提前期的前提下，判断当前是否需要进行采购。若采购时间点过早，将会使库存数量过早增加，相应的增加货物的存储成本；采购时间点选择过晚，将会使货物短缺，造成利润损失。因此，对采购时间点的准确判断是库存管理的重要部分。

订购量Q：订购量是指当前日为订购时间点时，决定以此补充订货的数量。若订购数量过多，则可能增加货物的存储成本；若订购量过少，则可能缺货，会导致订购的次数增多而增加订货成本。所以，订购量也是库存优化模型中一个重要的决策变量。

本发明实施例假设所有商品有确定的采购员提前期，不考虑退货，延期或提前到货等情况，且在测试期内商品成本不会发生变化。另外，在采购提前期结束前，若实际需求量超过当日库存量时，允许出现缺货现象。当库存量减少到0后，直到下一批在途订单入库后才能补充库存数量。

基于以上假设，设定测试日t的日初库存为I_t，采购提前期lt、最小采购周期ft、安全库存s；根据企业的在途记录得到由测试日t开始未来一个lt内的在途订单时间序列表示如下：

qⁿ＝[q₀,...,q_j,...,q_lt-1]，

其中q_j表示从测试日t开始第j天的到货量(0≤j＜lt)；

另外，由于考虑采购提前期lt，因此本发明在对测试日是否需要进行采购决策时，需要对一个lt内的需求量进行预测。接下来，本发明将提出一种基于MRP数据和历史出库规律的需求预测方法；首先基于企业信息化管理平台构建以下多个维度的时间序列：商品的库存结余{I_i}，历史每日销售记录{O_i}，MRP日计划需求数据{M_n}，其中下标i、n表示日期且满足i≤t,n＜t+lt；

由于上述所提时间序列的时间颗粒度为天，但是模型是基于一个采购提前期的需求量进行采购决策的，因此需要对上述序列进行颗粒度的转换，也即需要对历史每日销售记录{O_i}进行移动窗口求和(时间窗为lt)，得到历史lt需求序列

同理，基于MRP日计划需求数据{M_n}进行移动窗口求和(时间窗为lt)，得到历史MRPlt计划需求序列

以及测试日MRPlt计划需求

考虑到MRP数据对真实出库具有一定的指导性，且历史MRP数据与真实出库确实存在强关联性，因此，本发明首先构造能反映历史MRP数据与真实出库之间的相对关系的比值系数，具体计算方式如下：计算历史lt需求平均值D_avg(对所得序列

求平均值)与历史MRPlt计划需求序列

两者的比值序列{r_i}，公式如下：

得到比值序列{r_i}后，基于该比值序列得到最大比值r_max和最小比值r_min；

得到相对关系的映射系数后，本发明基于测试日当天的MRPlt计划需求

得到测试日MRP数据真实出库平均值之间D_avg的权重系数，可以得到测试日t的比值如下：

此时，需要反映相对关系的比值转换到权重系数上，以此构造MRP数据和历史出库情况两者的权重系数来进行需求预测。因此，接下来利用测试日比值r_t、历史最大比值r_max和最小比值r_min，计算得到实际权重如下所示：

且令MRP权重W_mrp＝1-W_avg；

接下来基于历史lt需求平均值D_avg和测试日MRPlt计划需求

通过加权求和法预测未来lt需求D_{lt_pre}，计算公式如下：

其中W_avg+W_mrp＝1。同时，本发明假设测试期间内所有时间段的出库规律一致，因此有最小采购周期ft内的预测需求为：

需求预测完成后，需要基于未来lt预测需求D_{lt_pre}计算从测试日t开始第lt天后的日末库存如下：

此时模型基于预测量D_{lt_pre}，判断当前日是否为采购点，若满足I_t+lt≤s，则给出采购建议，且采购量Q＝D_{ft_pre}；否则，不给出采购建议，也即Q＝0；最终企业根据采购建议Q执行补货行为。

本发明所提的库存管理策略模型，其基本思想为：在考虑采购提前期lt的前提下，基于当前日日初库存I_t，对采购提前期lt内的需求进行精准预测的得到预测量

根据供需平衡规则，计算lt天后的日末库存为I_t+lt；若I_t+lt到达采购点，则模型给出采购建议Q,否则，建议采购量为0。

图4-5是本发明通过Python对所设计方案的仿真验证。参数具体设置为：测试时间段为3个月，所选物料采购提前期lt＝5，最小采购周期ft＝3，所需商品的库存结余{I_i}，历史每日销售记录{O_i}，MRP日计划需求数据{M_n}均基于企业信息化管理平台得到。

图4展示了本发明实施例的模型预测需求与真实需求对比图。从图中可以看到，本发明方法的需求预测量在趋势上与真实出库需求基本一致；为了保证业务需求，基于本发明的需求预测量与真实出库需求之间存在一定的阈值，可以有效避免由需求波动引起的缺货风险。

图5展示了本发明实施例的模型库存水平与原库存水平对比图。基于本发明需求预测方法所实现的库存水平远远低于企业原库存水平，同时，值得注意的是本发明方法基于当前供需平衡给出的采购建议量Q明显小于企业当前模式下的采购量，极大的降低了测试期内的平均库存水平。

本发明不仅局限于上述具体实施方式，本领域一般技术人员根据本发明公开的内容，可以采用其它多种具体实施方案实施本发明。因此，凡是采用本发明的设计结构和思路，做一些简单的变化或更改的设计，都落入本发明保护范围。

Claims (1)

1.一种基于企业MRP的物料需求加权预测方法，其特征在于，包括以下步骤：

步骤1：首先获取商品的采购提前期lt、最小采购周期ft、测试日t的日初库存I_t、安全库存s；再基于企业信息化管理平台构建以下多个维度的时间序列：商品的库存结余{I_i}，历史每日销售记录{O_i}，MRP日计划需求数据{M_n}，其中下标i、n表示日期且满足i≤t,n＜t+lt；根据在途未到货记录得到由测试日t开始未来一个lt内的在途未到货时间序列表示如下：

qⁿ＝[q₀,...,q_j,...,q_lt-1]；

其中q_j表示从测试日t开始第j天的到货量,0≤j＜lt；

步骤2：基于历史每日销售记录{O_i}进行移动窗口求和，其中时间窗为lt，得到历史lt需求序列

然后对所得需求序列

求平均值得到历史lt需求平均值D_avg；同理，基于MRP日计划需求数据{M_n}进行移动窗口求和，时间窗为lt，得到历史MRPlt计划需求序列

以及测试日MRPlt计划需求

步骤3：计算历史lt需求平均值D_avg与历史MRPlt计划需求序列

两者的比值序列{r_i}，公式如下：

得到比值序列{r_i}后，基于该比值序列得到最大比值r_max和最小比值r_min；同理，得到历史lt需求平均值D_avg与测试日MRPlt计划需求

的比值如下：

步骤4：利用测试日比值r_t、历史最大比值r_max和最小比值r_min，计算得到实际权重如下所示：

且令MRP权重W_mrp＝1-W_avg；

步骤5：基于历史lt需求平均值D_avg和测试日MRPlt计划需求

通过加权求和法预测未来lt需求D_{lt_pre}，计算公式如下：

其中W_avg+W_mrp＝1，同时最小采购周期ft预测需求：

步骤6：根据未来lt预测需求D_{lt_pre}计算从测试日t开始第lt天的日末库存

若满足I_t+lt≤s，则测试日t为采购时间点，且令采购量Q＝D_{ft_pre}；否则，不给出采购建议，也即Q＝0；企业根据建议采购量Q在当前测试日t执行补货行为，完成基于MRP数据和历史出库规律的需求加权预测。

Images