CN110046861A - 库存管理方法和装置、电子设备、计算机可读介质 - Google Patents
库存管理方法和装置、电子设备、计算机可读介质 Download PDFInfo
- Publication number
- CN110046861A CN110046861A CN201910335968.2A CN201910335968A CN110046861A CN 110046861 A CN110046861 A CN 110046861A CN 201910335968 A CN201910335968 A CN 201910335968A CN 110046861 A CN110046861 A CN 110046861A
- Authority
- CN
- China
- Prior art keywords
- order
- prediction model
- supply node
- arrival
- order volume
- 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
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
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Theoretical Computer Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开提供了一种库存管理方法,该方法包括:根据订单量预测模型预测供应链网络中每个供应节点的需求订单量,根据到货预测模型预测每个供应节点的到货时间,获取每个供应节点的库存量,根据需求订单量、到货时间和库存量,确定每个供应节点的订货周期和目标库存量。本公开还提供了一种库存管理装置、电子设备、计算机可读介质。
Description
技术领域
本公开实施例涉及计算机技术领域,特别涉及库存管理方法和装置、电子设备、计算机可读介质。
背景技术
库存管理是指在物流过程中商品数量的管理,过去认为仓库里的商品多,表明企业发达、兴隆。而现代管理学如MBA、CEO12篇及EMBA等则认为零库存是最好的库存管理。
在现有技术中,主要通过两种方式对库存进行管理。一种为“拉”式策略,另一种为“推”式策略。其中,“拉”式策略是指不允许缺货前提下,库存下降到一定程度(如一半),立即订货,允许缺货前提下,缺货后立即订货。“推”式策略是指按一定的周期,定量订货。
发明内容
本公开实施例提供一种库存管理方法和装置、电子设备、计算机可读介质。
第一方面,本公开实施例提供了一种库存管理方法,包括:
根据订单量预测模型预测供应链网络中每个供应节点的需求订单量;
根据到货预测模型预测每个所述供应节点的到货时间;
获取每个所述供应节点的库存量;
根据所述需求订单量、所述到货时间和所述库存量,确定每个所述供应节点的订货周期和目标库存量。
在一些实施例中,构建所述订单量预测模型的步骤包括:
获取预设第一时长内每个所述供应商节点的第一订单信息,其中,所述第一订单信息包括订单日期、订单量和物品名称;
根据预设的随机森林分位点回归模型对所述第一订单信息进行训练,得到所述订单量预测模型。
在一些实施例中,在得到所述订单量预测模型之后,还包括:
计算所述订单量预测模型的损失值;
响应于所述损失值大于预设阈值,对所述随机森林分位点回归模型的参数进行调整;
根据调整后的随机森林分位点回归模型对所述第一订单信息进行训练。
在一些实施例中,构建所述到货预测模型的步骤包括:
获取预设第二时长内每个所述供应节点的第二订单信息,其中,所述第二订单信息包括下单日期和到货日期;
根据预设的逻辑回归模型对所述第二订单信息进行训练,得到所述到货预测模型。
在一些实施例中,所述根据所述需求订单量、所述到货时间和所述库存量,确定每个所述供应节点订货周期和目标库存量,包括:
根据所述需求订单量、所述到货时间和所述库存量构建库存成本函数;
根据所述库存成本函数预测预设第三时长内所述供应链网络的全局成本函数;
根据预设的遗传算法对所述全局成本函数进行计算,得到每个所述供应节点订货周期和目标库存量。
第二方面,本公开实施例还提供了一种库存管理装置,包括:
预测模块,用于根据订单量预测模型预测供应链网络中每个供应节点的需求订单量;
所述预测模块还用于,根据到货预测模型预测每个所述供应节点的到货时间;
获取模块,用于获取每个所述供应节点的库存量;
确定模块,用于根据所述需求订单量、所述到货时间和所述库存量,确定每个所述供应节点的订货周期和目标库存量。
在一些实施例中,所述获取模块还用于,获取预设第一时长内每个所述供应商节点的第一订单信息,其中,所述第一订单信息包括订单日期、订单量和物品名称;
训练模块,用于根据预设的随机森林分位点回归模型对所述第一订单信息进行训练,得到所述订单量预测模型。
在一些实施例中,计算模块,用于计算所述订单量预测模型的损失值;
调整模块,用于响应于所述损失值大于预设阈值,对所述随机森林分位点回归模型的参数进行调整;
所述训练模块还用于,根据调整后的随机森林分位点回归模型对所述第一订单信息进行训练。
在一些实施例中,还包括:
所述获取模块还用于,获取预设第二时长内每个所述供应节点的第二订单信息,其中,所述第二订单信息包括下单日期和到货日期;
训练模块,用于根据预设的逻辑回归模型对所述第二订单信息进行训练,得到所述到货预测模型。
在一些实施例中,所述确定模块具体用于:
根据所述需求订单量、所述到货时间和所述库存量构建库存成本函数;
根据所述库存成本函数预测预设第三时长内所述供应链网络的全局成本函数;
根据预设的遗传算法对所述全局成本函数进行计算,得到每个所述供应节点订货周期和目标库存量。
第三方面,本公开实施例还提供了一种电子设备,包括:
一个或多个处理器;
存储装置,其上存储有一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如上任一实施例所述的方法。
第四方面,本公开实施例还提供了一种计算机可读介质,其上存储有计算机程序,其中,所述程序被处理器执行时实现如上任一实施例所述的方法。
本公开实施例提供的库存管理方法,包括:根据订单量预测模型预测供应链网络中每个供应节点的需求订单量,根据到货预测模型预测每个供应节点的到货时间,获取每个供应节点的库存量,根据需求订单量、到货时间和库存量,确定每个供应节点的订货周期和目标库存量,通过本公开实施例提供的技术方案,避免了现有技术中主要通过工作人员的经验判断是否有订货需求,且根据经验估计订单量造成的误差较大,成本较高等弊端,实现了高效且精准的确定订货周期和目标库存量的技术效果。
附图说明
附图用来提供对本公开实施例的进一步理解,并且构成说明书的一部分,与本公开的实施例一起用于解释本公开,并不构成对本公开的限制。通过参考附图对详细示例实施例进行描述,以上和其他特征和优点对本领域技术人员将变得更加显而易见,在附图中:
图1为本公开实施例的库存管理方法的示意图;
图2为本公开实施例的构建订单量预测模型的方法的示意图;
图3为本公开另一实施例的构建订单量预测模型的方法的示意图;
图4为本公开实施例的构建到货预测模型的方法的示意图;
图5为本公开实施例的根据需求订单量、到货时间和库存量,确定每个供应节点的订货周期和目标库存量的方法的示意图;
图6为本公开实施例的库存管理装置的示意图;
图7为本公开另一实施例的库存管理装置的示意图;
图8为本公开另一实施例的库存管理装置的示意图;
附图标记:
1、预测模块,2、获取模块,3、确定模块,4、训练模块,5、计算模块,6、调整模块。
具体实施方式
为使本领域的技术人员更好地理解本发明的技术方案,下面结合附图对本发明提供的库存管理方法和装置、电子设备、计算机可读介质进行详细描述。
在下文中将参考附图更充分地描述示例实施例,但是所述示例实施例可以以不同形式来体现且不应当被解释为限于本文阐述的实施例。反之,提供这些实施例的目的在于使本公开透彻和完整,并将使本领域技术人员充分理解本公开的范围。
如本文所使用的,术语“和/或”包括一个或多个相关列举条目的任何和所有组合。
本文所使用的术语仅用于描述特定实施例,且不意欲限制本公开。如本文所使用的,单数形式“一个”和“该”也意欲包括复数形式,除非上下文另外清楚指出。还将理解的是,当本说明书中使用术语“包括”和/或“由……制成”时,指定存在所述特征、整体、步骤、操作、元件和/或组件,但不排除存在或添加一个或多个其他特征、整体、步骤、操作、元件、组件和/或其群组。
本文所述实施例可借助本公开的理想示意图而参考平面图和/或截面图进行描述。因此,可根据制造技术和/或容限来修改示例图示。因此,实施例不限于附图中所示的实施例,而是包括基于制造工艺而形成的配置的修改。因此,附图中例示的区具有示意性属性,并且图中所示区的形状例示了元件的区的具体形状,但并不旨在是限制性的。
除非另外限定,否则本文所用的所有术语(包括技术和科学术语)的含义与本领域普通技术人员通常理解的含义相同。还将理解,诸如那些在常用字典中限定的那些术语应当被解释为具有与其在相关技术以及本公开的背景下的含义一致的含义,且将不解释为具有理想化或过度形式上的含义,除非本文明确如此限定。
根据本公开实施例的一个方面,本公开实施例提供了库存管理方法。
请参阅图1,图1为本公开实施例的库存管理方法的示意图。
如图1所示,该方法包括:
S1:根据订单量预测模型预测供应链网络中每个供应节点的需求订单量。
其中,供应链网络是由企业构成的,这些企业在不同的供应需求中扮演了供应商或客户的角色。当某一企业为另一企业提供货源时,则提供货源的企业即为供应商,接收货源的企业即为客户。
也就是说,供应链网络中包括多级供应商。在供应链网络中,一个供应节点代表一个供应商。
在现有技术中,主要通过工作人员的经验判断是否有订货需求,且根据经验估计订单量。而在本公开实施例中,是通过订单量预测模型对每个供应节点的订单量进行预测。
其中,在一些实施例中,本公开实施例还包括构建订单量预测模型的步骤(S01至S05)。具体可参见后续结合图2的详细说明。
S2:根据到货预测模型预测每个供应节点的到货时间。
需要说明的是,S1和S2之间并无先后顺序的限制。即,可先执行S1,再执行S2;也可先执行S2,再执行S1;当然,也可同时执行S1和S2。
其中,在一些实施例中,本公开实施例还包括构建到货预测模型的步骤(S001-S002)。具体可参见后续结合图4的详细说明。
S3:获取每个供应节点的库存量。
S4:根据需求订单量、到货时间和库存量,确定每个供应节点的订货周期和目标库存量。
在一些实施例中,还包括S4的详细步骤(S4-1至S4-3)。具体可参见后续结合图5的详细说明。
请参阅图2,图2为本公开实施例的构建订单量预测模型的方法的示意图。
如图2所示,在一些实施例中,构建订单量预测模型的步骤包括:
S01:获取预设第一时长内每个供应商节点的第一订单信息,其中,第一订单信息包括订单日期、订单量和物品名称。
在该步骤中,对第一订单信息(即历史订单信息)进行获取。如,获取3个月(即,第一时长,以当前日期起点,往前推3个月)的第一订单信息。
具体地,订单日期为订单订立的年月日。且基于年月日确定是否为节假日和周末。
一般而言,当某一日为节假日时,物品的销量会比平常日期的大。因此,将订单的订立日期是否为节假日作为一个重要的特征实现对订单量预测模型的构建,可实现订单量预测模型的高效性、准确性和灵活性。
具体地,订单量是指各物品在第一时长(即3个月)内的销量。
具体地,物品名称指3个月内销售的商品的名称。
在一些实施例中,可以根据物品的属性信息(如类别等),对包括该物品的订单进行聚合,从而得到物品名称。
如:电器为大类,电器又分为多个小类,如空调、冰箱等。且,空调又分为多个小类,如海尔空调、格力空调等。
为了在确保订单量预测模型准确性的同时,确保订单量模型预测的高效性,则根据物品的属性信息对物品进行聚类。如,将海尔空调、格力空调等聚类为空调。
S02:根据预设的随机森林分位点回归模型对第一订单信息进行训练,得到订单量预测模型。
在本实施例中,选取随机森林分位点回归模型对第一订单信息进行训练,以便构建订单量预测模型。可实现高效率的训练的技术效果。需要说明的是,也可以利用其他模型训练。如现有技术中的神经网络模型。此处不做限定。
结合图3可知,在一些实施例中,在S02之后,该方法还包括:
S03:计算订单量预测模型的损失值。
在一些实施例中,通过损失函数(lossfunction)计算订单量预测模型的损失值。如通过式1确定损失值,式1:
其中,Lj(qi)为物品i在j供应节点的仓库中当分位点为q时的损失值;为预测的需求订单量;yjt为实际的需求订单量;T为时间段。
如果大于yjt,则使用(1-q)作为权重。即具体通过式1-1确定损失值,式1-1:
如果小于yjt,则使用q作为权重。即具体通过式1-2确定损失值,式1-2:
优选地,q>0.5。
S04:响应于损失值大于预设阈值,对随机森林分位点回归模型的参数进行调整。
其中,阈值可根据需求进行设定。
在该步骤中,如果损失值小于或等于阈值,说明订单量预测模型的精确度比较高,则无需进一步再调整随机森林分位点回归模型的参数。如果损失值大于阈值,说明订单量预测模型的精确度比较低,则对随机森林分位点回归模型的参数进行调整,从而提高订单量预测模型的高效性和准确性。
具体地,可基于损失值与阈值的差值的大小对随机森林分位点回归模型的参数进行调整。如果损失值与阈值的差值越大,则对随机森林分位点回归模型的参数的调整的幅度就越大。如果损失值与阈值的差值越小,则对随机森林分位点回归模型的参数的调整的幅度就越小。
S05:根据调整后的随机森林分位点回归模型对第一订单信息进行训练。
通过本实施例提供的根据损失值与阈值之间的大小关系,确定对随机森林分位点回归模型的参数进行调整,并根据调整后的随机森林分位点回归模型对第一订单信息进行训练的技术方案,实现了对订单量预测模型进行优化,确保了订单量预测模型的高准确性。
请参阅图4,图4为本公开实施例的构建到货预测模型的方法的示意图。
如图4所示,在一些实施例中,构建到货预测模型的步骤包括:
S001:获取预设第二时长内每个供应节点的第二订单信息,其中,第二订单信息包括下单日期和到货日期。
具体地,下单日期为向上一级节点下发订单的年月日。且基于年月日确定是否为节假日。
一般而言,当某一日为节假日时,由于部分物流企业的休息制度,可能导致到货延期。且,当为节假日时,因车辆增加,亦可能导致到货延期。因此,将是否为节假日作为一个重要的特征实现对到货预测模型的构建,可实现到货预测模型的高效性、准确性和灵活性。
S002:根据预设的逻辑回归模型对第二订单信息进行训练,得到到货预测模型。
通过逻辑回归模型(Logistic Regression,LR)对第二订单信息进行训练,可在确保训练的高效性的同时,确保到货预测模型的准确性。
在现有技术中,主要根据工作人员的工作经验进行到货预测,得到相应的到货时间。而在本实施例中,通过构建到货预测模型,以便通过到货预测模型对到货时间进行预测,可实现节约人工成本,降低预测结果因主观因素影响而造成的较大误差等技术效果。
同理,在一些实例中,也可通过计算到货预测模型的损失值,并根据损失值对逻辑回归模型的参数进行调整,直至得到损失值满足预设要求的到货预测模型。具体可参见上述实施例,此处不再赘述。
请参阅图5,图5为本公开实施例的根据需求订单量、到货时间和库存量,确定每个供应节点的订货周期和目标库存量的方法的示意图。
如图5所示,在一些实施例中,S4包括:
S4-1:根据需求订单量、到货时间和库存量构建库存成本函数。
在一些实施中,库存成本函数通过式2表示,式2:
其中,TC(S,T)=TCjti(Sji,Tji),为在时间段T内当目标库存量为S时仓库j的物品i的库存成本;D为订单量,可以根据订单量预测模型预测得到;P为预设的采购单价,DP为订货固定采购成本;A为物流成本,由预设的单位成本和到货时间计算得到;H为预设的仓储成本;为预设的安全库存量;∑D为时间段T内的订单总量;B为预设的惩罚系数;M为库存量。
S4-2:根据库存成本函数预测预设第三时长内供应链网络的全局成本函数。
在一些实施中,全局成本函数通过式3表示,式3:
S4-3:根据预设的遗传算法对全局成本函数进行计算,得到每个供应节点订货周期和目标库存量。
在该步骤中,计算的过程即是对全局成本函数求解的过程。
在本实施例中,通过遗传算法对全局成本函数进行计算,可实现高效且精准的确定T(即订货周期)和S(即目标库存量)。
在一些实施例中,S4-3包括:
S4-3-1:编码的步骤。具体地:
将订货周期T与目标库存量S编码为二进制串进行组合
S4-3-2:初始化的步骤。具体地:
将订货周期T确定为历史订单间隔平均值,S为历史订单订货量均值。
S4-3-3:初始值处理的步骤。具体地:
通过适应度函数确定TC的初始值。其中,适应度函数通过式4表示,式4:
S4-3-4:随机匹配的步骤。具体地:
通过随机选择、交叉、变异的方式对式4进行匹配。
S4-3-5:迭代的步骤。具体地:
设定经过多轮(如100轮)演化后适应度不再提升时,最终收敛为式4的最优解。进而得到订货周期T与目标库存量S。
可基于求得的订货周期T和目标库存量S,确定每个仓库每次订货时间与订货量。
根据本公开实施例的另一个方面,本公开实施例还提供了一种库存管理装置。
请参阅图6,图6为根据本公开实施例的库存管理装置的示意图。
如图6所示,该装置包括:
预测模块1,用于根据订单量预测模型预测供应链网络中每个供应节点的需求订单量;
预测模块1还用于,根据到货预测模型预测每个供应节点的到货时间;
获取模块2,用于获取每个供应节点的库存量;
确定模块3,用于根据需求订单量、到货时间和库存量,确定每个供应节点的订货周期和目标库存量。
结合图7可知,在一些实施例中,还包括:
获取模块2还用于,获取预设第一时长内每个供应商节点的第一订单信息,其中,第一订单信息包括订单日期、订单量和物品名称;
训练模块4,用于根据预设的随机森林分位点回归模型对第一订单信息进行训练,得到订单量预测模型。
结合图8可知,在一些实施例中,还包括:
计算模块5,用于计算订单量预测模型的损失值;
调整模块6,用于响应于损失值大于预设阈值,对随机森林分位点回归模型的参数进行调整;
训练模块4还用于,根据调整后的随机森林分位点回归模型对第一订单信息进行训练。
在一些实施例中,获取模块2还用于,获取预设第二时长内每个供应节点的第二订单信息,其中,第二订单信息包括下单日期和到货日期;
训练模块4,用于根据预设的逻辑回归模型对第二订单信息进行训练,得到到货预测模型。
在一些实施例中,确定模块3具体用于:
根据需求订单量、到货时间和库存量构建库存成本函数;
根据库存成本函数预测预设第三时长内供应链网络的全局成本函数;
根据预设的遗传算法对全局成本函数进行计算,得到每个供应节点订货周期和目标库存量。
根据本公开实施例的另一个方面,本公开实施例还提供了一种电子设备,包括:
一个或多个处理器;
存储装置,其上存储有一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如上任一项实施例所述的方法。
根据本公开实施例的另一个方面,本公开实施例还提供了一种计算机可读介质,其上存储有计算机程序,其中,所述程序被处理器执行时实现如上任一项实施例所述的方法。
本领域普通技术人员可以理解,上文中所公开方法中的全部或某些步骤、系统、装置中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。在硬件实施方式中,在以上描述中提及的功能模块/单元之间的划分不一定对应于物理组件的划分;例如,一个物理组件可以具有多个功能,或者一个功能或步骤可以由若干物理组件合作执行。某些物理组件或所有物理组件可以被实施为由处理器,如中央处理器、数字信号处理器或微处理器执行的软件,或者被实施为硬件,或者被实施为集成电路,如专用集成电路。这样的软件可以分布在计算机可读介质上,计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的,术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外,本领域普通技术人员公知的是,通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据,并且可包括任何信息递送介质。
本文已经公开了示例实施例,并且虽然采用了具体术语,但它们仅用于并仅应当被解释为一般说明性含义,并且不用于限制的目的。在一些实例中,对本领域技术人员显而易见的是,除非另外明确指出,否则可单独使用与特定实施例相结合描述的特征、特性和/或元素,或可与其他实施例相结合描述的特征、特性和/或元件组合使用。因此,本领域技术人员将理解,在不脱离由所附的权利要求阐明的本公开的范围的情况下,可进行各种形式和细节上的改变。
Claims (12)
1.一种库存管理方法,包括:
根据订单量预测模型预测供应链网络中每个供应节点的需求订单量;
根据到货预测模型预测每个所述供应节点的到货时间;
获取每个所述供应节点的库存量;
根据所述需求订单量、所述到货时间和所述库存量,确定每个所述供应节点的订货周期和目标库存量。
2.根据权利要求1所述的方法,其中,构建所述订单量预测模型的步骤包括:
获取预设第一时长内每个所述供应商节点的第一订单信息,其中,所述第一订单信息包括订单日期、订单量和物品名称;
根据预设的随机森林分位点回归模型对所述第一订单信息进行训练,得到所述订单量预测模型。
3.根据权利要求1所述的方法,其中,在得到所述订单量预测模型之后,还包括:
计算所述订单量预测模型的损失值;
响应于所述损失值大于预设阈值,对所述随机森林分位点回归模型的参数进行调整;
根据调整后的随机森林分位点回归模型对所述第一订单信息进行训练。
4.根据权利要求1所述的方法,其中,构建所述到货预测模型的步骤包括:
获取预设第二时长内每个所述供应节点的第二订单信息,其中,所述第二订单信息包括下单日期和到货日期;
根据预设的逻辑回归模型对所述第二订单信息进行训练,得到所述到货预测模型。
5.根据权利要求1至4中任一项所述的方法,其中,所述根据所述需求订单量、所述到货时间和所述库存量,确定每个所述供应节点订货周期和目标库存量,包括:
根据所述需求订单量、所述到货时间和所述库存量构建库存成本函数;
根据所述库存成本函数预测预设第三时长内所述供应链网络的全局成本函数;
根据预设的遗传算法对所述全局成本函数进行计算,得到每个所述供应节点订货周期和目标库存量。
6.一种库存管理装置,包括:
预测模块,用于根据订单量预测模型预测供应链网络中每个供应节点的需求订单量;
所述预测模块还用于,根据到货预测模型预测每个所述供应节点的到货时间;
获取模块,用于获取每个所述供应节点的库存量;
确定模块,用于根据所述需求订单量、所述到货时间和所述库存量,确定每个所述供应节点的订货周期和目标库存量。
7.根据权利要求6所述的装置,其中,还包括:
所述获取模块还用于,获取预设第一时长内每个所述供应商节点的第一订单信息,其中,所述第一订单信息包括订单日期、订单量和物品名称;
训练模块,用于根据预设的随机森林分位点回归模型对所述第一订单信息进行训练,得到所述订单量预测模型。
8.根据权利要求7所述的装置,其中,还包括:
计算模块,用于计算所述订单量预测模型的损失值;
调整模块,用于响应于所述损失值大于预设阈值,对所述随机森林分位点回归模型的参数进行调整;
所述训练模块还用于,根据调整后的随机森林分位点回归模型对所述第一订单信息进行训练。
9.根据权利要求6所述的装置,其中,还包括:
所述获取模块还用于,获取预设第二时长内每个所述供应节点的第二订单信息,其中,所述第二订单信息包括下单日期和到货日期;
训练模块,用于根据预设的逻辑回归模型对所述第二订单信息进行训练,得到所述到货预测模型。
10.根据权利要求6至9中任一项所述的装置,其中,所述确定模块具体用于:
根据所述需求订单量、所述到货时间和所述库存量构建库存成本函数;
根据所述库存成本函数预测预设第三时长内所述供应链网络的全局成本函数;
根据预设的遗传算法对所述全局成本函数进行计算,得到每个所述供应节点订货周期和目标库存量。
11.一种电子设备,包括:
一个或多个处理器;
存储装置,其上存储有一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1至5中任一所述的方法。
12.一种计算机可读介质,其上存储有计算机程序,其中,所述程序被处理器执行时实现如权利要求1至5中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910335968.2A CN110046861A (zh) | 2019-04-24 | 2019-04-24 | 库存管理方法和装置、电子设备、计算机可读介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910335968.2A CN110046861A (zh) | 2019-04-24 | 2019-04-24 | 库存管理方法和装置、电子设备、计算机可读介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110046861A true CN110046861A (zh) | 2019-07-23 |
Family
ID=67279224
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910335968.2A Pending CN110046861A (zh) | 2019-04-24 | 2019-04-24 | 库存管理方法和装置、电子设备、计算机可读介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110046861A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112561414A (zh) * | 2019-09-25 | 2021-03-26 | 顺丰科技有限公司 | 库存管理方法、装置及计算机可读存储介质 |
CN113011939A (zh) * | 2021-01-20 | 2021-06-22 | 云南腾云信息产业有限公司 | 租赁车辆的库存管理方法、装置、终端和可读存储介质 |
CN116911574A (zh) * | 2023-09-12 | 2023-10-20 | 华侨大学 | 基于鲸鱼算法与随机森林的三级供应链优化方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104573839A (zh) * | 2013-10-14 | 2015-04-29 | 中国移动通信集团江苏有限公司 | 一种库存管理优化方法、装置和系统 |
US20160260052A1 (en) * | 2015-03-06 | 2016-09-08 | Wal-Mart Stores, Inc. | System and method for forecasting high-sellers using multivariate bayesian time series |
CN106156880A (zh) * | 2015-04-22 | 2016-11-23 | 阿里巴巴集团控股有限公司 | 一种预测库存分配比例的方法、装置及电子设备 |
CN106600032A (zh) * | 2016-10-28 | 2017-04-26 | 北京国电通网络技术有限公司 | 一种库存物资需求预测方法及装置 |
CN109544076A (zh) * | 2018-11-28 | 2019-03-29 | 北京百度网讯科技有限公司 | 用于生成信息的方法和装置 |
-
2019
- 2019-04-24 CN CN201910335968.2A patent/CN110046861A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104573839A (zh) * | 2013-10-14 | 2015-04-29 | 中国移动通信集团江苏有限公司 | 一种库存管理优化方法、装置和系统 |
US20160260052A1 (en) * | 2015-03-06 | 2016-09-08 | Wal-Mart Stores, Inc. | System and method for forecasting high-sellers using multivariate bayesian time series |
CN106156880A (zh) * | 2015-04-22 | 2016-11-23 | 阿里巴巴集团控股有限公司 | 一种预测库存分配比例的方法、装置及电子设备 |
CN106600032A (zh) * | 2016-10-28 | 2017-04-26 | 北京国电通网络技术有限公司 | 一种库存物资需求预测方法及装置 |
CN109544076A (zh) * | 2018-11-28 | 2019-03-29 | 北京百度网讯科技有限公司 | 用于生成信息的方法和装置 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112561414A (zh) * | 2019-09-25 | 2021-03-26 | 顺丰科技有限公司 | 库存管理方法、装置及计算机可读存储介质 |
CN113011939A (zh) * | 2021-01-20 | 2021-06-22 | 云南腾云信息产业有限公司 | 租赁车辆的库存管理方法、装置、终端和可读存储介质 |
CN113011939B (zh) * | 2021-01-20 | 2024-03-12 | 云南腾云信息产业有限公司 | 租赁车辆的库存管理方法、装置、终端和可读存储介质 |
CN116911574A (zh) * | 2023-09-12 | 2023-10-20 | 华侨大学 | 基于鲸鱼算法与随机森林的三级供应链优化方法及装置 |
CN116911574B (zh) * | 2023-09-12 | 2024-02-02 | 华侨大学 | 基于鲸鱼算法与随机森林的三级供应链优化方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Gallien et al. | Initial shipment decisions for new products at Zara | |
US20170185933A1 (en) | Distribution-Independent Inventory Approach under Multiple Service Level Targets | |
CN110046861A (zh) | 库存管理方法和装置、电子设备、计算机可读介质 | |
JP7402791B2 (ja) | 需要予測パラメータの最適化 | |
US8195496B2 (en) | Combining multiple objective functions in algorithmic problem solving | |
CN108846623A (zh) | 基于多目标蚁群算法的整车物流调度方法及装置、存储介质、终端 | |
US20160110735A1 (en) | Big data sourcing simulator | |
US20200250602A1 (en) | System and method for high-mix wheels for capacity planning resource planning and material resource planning | |
CN102598034A (zh) | 为多个需求组提供不同服务质量的有效库存管理 | |
CN109064218A (zh) | 划分区域的方法、装置及电子设备 | |
US20230297954A1 (en) | Distribution-Independent Inventory Approach under Multiple Service Level Targets | |
Salzarulo et al. | The incremental value of central control in serial supply chains | |
Horng et al. | Ordinal optimization based metaheuristic algorithm for optimal inventory policy of assemble-to-order systems | |
US20130246228A1 (en) | Product-family inventory replenishment system using a composite product mix framework | |
US20210334738A1 (en) | Supply chain replenishment simulation | |
CN112288484A (zh) | 商品自动定价方法、装置、电子设备和存储介质 | |
US20230196278A1 (en) | Network inventory replenishment planner | |
Inaba | Inventory management of short lifecycle slow moving items: a case study | |
CN112651677A (zh) | 一种基于bom和mrp的物料筹措系统及方法 | |
Olsson et al. | A two-echelon base-stock inventory model with Poisson demand and the sequential processing of orders at the upper echelon | |
CN114444990A (zh) | 供应链网络前置仓的选品方法 | |
Liu | Simulation of lateral transshipment in order delivery under e-commerce environment | |
CN114186181B (zh) | 一种面向备件供应的多级冗余集采控制方法 | |
US20180144289A1 (en) | Inventory demand forecasting system and inventory demand forecasting method | |
Guo et al. | Designing the Customer Order Decoupling Point to Facilitate Mass Customization |
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 |