CN110414741A - 一种汽车配件需求多元预测方法、系统和存储介质 - Google Patents

一种汽车配件需求多元预测方法、系统和存储介质 Download PDF

Info

Publication number
CN110414741A
CN110414741A CN201910707595.7A CN201910707595A CN110414741A CN 110414741 A CN110414741 A CN 110414741A CN 201910707595 A CN201910707595 A CN 201910707595A CN 110414741 A CN110414741 A CN 110414741A
Authority
CN
China
Prior art keywords
distribution
poisson
target area
vehicle
relevance
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
Application number
CN201910707595.7A
Other languages
English (en)
Inventor
王志刚
朱瑞
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.)
Best Love Information Technology (beijing) Co Ltd
Original Assignee
Best Love Information Technology (beijing) 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 Best Love Information Technology (beijing) Co Ltd filed Critical Best Love Information Technology (beijing) Co Ltd
Priority to CN201910707595.7A priority Critical patent/CN110414741A/zh
Publication of CN110414741A publication Critical patent/CN110414741A/zh
Pending legal-status Critical Current

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
    • G06Q10/20—Administration of product repair or maintenance

Abstract

本发明涉及一种汽车配件需求多元预测方法，解决了现有技术对相关性零件故障预测的不足，包括以下步骤：获取目标区域内机动车保有量历史数据，建立机动车保有量的泊松分布；获取目标区域内机动车每个零件的故障数，建立每个零件故障率的贝塔分布；基于泊松分布和贝塔分布确定所述目标区域内每个零件故障数的泊松‑贝塔分布；确定在发生故障时确实存在关联性的零件；基于泊松‑贝塔分布确定存在关联性的零件的相关系数；基于相关系数确定存在关联性的零件发生故障的关联程度。本发明的有益效果为：通过预测发生故障的零件存在相关性的大小，进而更好的为备件数量的预测提供参考，使备件数量的预测更加的准确可靠。

Description

一种汽车配件需求多元预测方法、系统和存储介质
技术领域
本发明属于汽车备件预测领域，具体涉及一种汽车配件需求多元预测方法、系统和存储介质。
背景技术
随着经济的飞速发展和汽车市场的繁荣，以及汽车配件作为车辆售后服务管理中的重要组成部分，为汽车产业链的中上游提供了发展的基础。汽车行业必须有强大的汽车配件的体系来支撑，能否实现备件有效、科学的管理会直接影响到汽车售后服务和汽车销售业务的服务绩效和经济效益。为了在激烈的市场竞争中取得胜利，汽车修理行业需要将汽车配件以最快的速度和最低的成本提供给顾客，以满足顾客的需求。但一方面维修厂如果尽快提供备件，条件是必须有足够的库存，以免丢失商机。另一方面库存过大容易占用资金造成资金不流畅，造成资源的浪费。因此如何对汽车备件的需求进行精准的预测是解决该矛盾的关键。
现有的汽车备件的预测包括：基于统计学习的配件需求预测方法(如SVM、神经网络、随机森林、深度学习)。这些模型运用的假设前提均是在数量的渐进无穷下，实际情况中的数据总是有限的，因此预测精度有限。尤其是神经网络方法容易产生局部最小值，预测产生误差。虽然SVM方法是在小样本方法下进行的，但是却无法解决由于一些稀有配件更换间隔时间过长导致的数据记录中产生大量的零数据，可能导致预测无效。
统计可靠性的配件需求预测方法是根据零备件故障率来预测其需求量的方法，现有的统计可靠性预测方法都只是局限于单一零件的历史故障率对单一零件的数量进行预测，而零部件间维修需求时存在一定的关联性，现有的单一零件的预测方法显然已经不适用于具有相关性的备件的预测。
发明内容
为了解决现有技术存在的只针对单一零件的故障率和数量进行预测的问题，本发明提供了一种汽车配件需求多元预测方法，其具有对相关性零件备件数量预测准确可靠等特点。
根据本发明的具体实施方式的一种汽车配件需求多元预测方法，，包括以下步骤：
获取目标区域内机动车保有量历史数据，建立机动车保有量的泊松分布；
获取目标区域内机动车每个零件的故障数，建立每个零件故障率的贝塔分布；
基于所述泊松分布和所述贝塔分布确定所述目标区域内每个零件故障数的泊松-贝塔分布；
确定在发生故障时确实存在关联性的零件；
基于所述泊松-贝塔分布确定所述存在关联性的零件的相关系数；
基于所述相关系数确定所述存在关联性的零件发生故障的关联程度。
进一步的，所述每个零件故障数的泊松-贝塔分布为：
Xi～PB(ai,bi,λi)，则故障数Xi的期望为：方差为：
进一步的，两个存在关联性的零件m、n的相关系数的确定过程包括：
确定故障数的期望为：
E(Xm,Xn)＝E[E(Xm,Xn|{pm,pn})]＝E[E(Xm|{pm,pn})E(Xn|{pm,pn})]＝λmλnE(pm,pn)；
基于所述故障数的期望确定协方差为：
Cov(Xm,Xn)＝λmλnCov(pm,pn)；
基于所述协方差得到两个零件的相关系数为：
其中且越大，两零件发生故障关系越强。
进一步的，所述目标区域包括：机动车维修服务站的覆盖区域和销售网点的覆盖区域。
进一步的，所述机动车保有量历史数据、所述目标区域内机动车每个零件的故障数数据通过构成智能网联车数据库的机动车信息采集系统获得。
进一步的，所述机动车信息采集系统包括机动车维修服务站的车辆记录系统和销售网点的车辆记录系统。
进一步的，所述机动车信息采集系统还包括：接入的交通管理系统。
进一步的，所述目标区域内机动车保有量历史数据以及每个零件的故障数获取的间隔时间包括：一个月、一个季度和一年。
根据本发明具体实施例方式的一种汽车配件需求多元预测系统，，包括：
机动车保有量确定模块，用于获取目标区域内机动车保有量历史数据，建立机动车保有量的泊松分布；
零件故障率确定模块，用于获取目标区域内机动车每个零件的故障数，建立每个零件故障率的贝塔分布；以及
相关性确定模块，用于基于所述泊松分布和所述贝塔分布确定所述目标区域内每个零件故障数的泊松-贝塔分布；确定在发生故障时确实存在关联性的零件；基于所述泊松-贝塔分布确定所述存在关联性的零件的相关系数；基于所述相关系数确定所述存在关联性的零件发生故障的关联程度。
根据本发明具体实施方式的一种存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时，实现如上所述的汽车配件需求多元预测方法中各个步骤。
本发明的有益效果为：通过对某一维修站服务半径内的运行车辆数量，并根据配件工作原理及维修记录判断配件间是否存在相关性，引入模型中机动车保有数量服从参数为的泊松分布，相较于单零件故障率服从泊松—贝塔分布，并在多配件故障率相关的情况下，多个配件服从多维的Beta分布，由于故障率和故障数的相关系数相等，可通过故障数的相关系数推导故障率的相关系数，从而得到发生故障的零件存在相关性的大小，进而更好的为备件数量的预测提供参考，使备件数量的预测更加的准确可靠。
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是根据一示例性实施例提供的汽车配件需求多元预测方法的流程图；
图2是根据一示例性实施例提供的贝塔分布的示意图；
图3是根据一示例性实施例提供的泊松分布的示意图；
图4是根据一示例性实施例提供的两个零件的故障率关系图；
图5是根据一示例性实施例提供的另外两个零件的故障率关系图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将对本发明的技术方案进行详细的描述。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施方式，都属于本发明所保护的范围。
参照图1所示，本发明的实施例提供了一种汽车配件需求多元预测方法，，包括以下步骤：
101、获取目标区域内机动车保有量历史数据，建立机动车保有量的泊松分布；
102、获取目标区域内机动车每个零件的故障数，建立每个零件故障率的贝塔分布；
103、基于泊松分布和贝塔分布确定目标区域内每个零件故障数的泊松-贝塔分布；
104、确定在发生故障时确实存在关联性的零件；
105、基于泊松-贝塔分布确定存在关联性的零件的相关系数；
106、基于相关系数确定存在关联性的零件发生故障的关联程度。
具体的，可以以汽车维修服务站覆盖的区域作为数据统计的目标区域，对区域内的汽车的数量进行统计建立汽车数量的泊松分布，再对每个汽车配件在统计区域内的故障数进行统计，建立汽车配件故障率的贝塔分布，根据汽车数量的泊松分布和零件故障率的贝塔分布建立零件故障数的泊松-贝塔分布，根据每个零件的故障数的泊松-贝塔分布，确认在发生故障时确实存在关联的零件，例如刹车盘和刹车片，根据其各自的泊松-贝塔分布进行相关系数的确定，因为在多配件故障率相关的情况下,多个配件服从多维的贝塔分布，由于故障率和故障数的相关系数相等，可通过故障数的相关系数推导故障率的相关系数，进而通过相关系数可确定存在关联的零件发生故障的关联程度，即相关系数越大发生故障的关联程度也就越大。
这样用户可根据不同零件实际发生故障时的情况进行相关程度的预测，例如可对区域内某一品牌的车辆进行统计，再对相关的零件的故障率进行统计，也可对不同区域的零件的故障率进行统计后对不同区域的零件的故障率进行相关系数的确认，从而对汽车不同零部件间维修需求时存在的关联性，特别是不同配件间关联性不同、不同环境下关联性也会有所不同的相关性进行确认，解决了由于产品寿命和故障率因售出后分布不同及使用环境不同产生的拟合误差。对相关系数做出预测在不同的使用环境下会更加精确，可以对汽车配用配件的分配及汽车在各种环境下的使用方式备件数量做出精准可靠的指导。
参照图2至图5所示，在本发明的一些具体实施例中，覆盖区域内每个零件故障数的泊松-贝塔分布为：
Xi～PB(ai,bi,λi)，则故障数Xi的期望为：方差为：
那么两个存在关联性的零件m、n的相关系数的确定过程为：
确定故障数的期望为：
E(Xm,Xn)＝E[E(Xm,Xn|{pm,pn})]＝E[E(Xm|{pm,pn})E(Xn|{pm,pn})]＝λmλnE(pm,pn)；
基于故障数的期望确定协方差为：
Cov(Xm,Xn)＝λmλnCov(pm,pn)；
基于协方差得到两个零件的相关系数为：
其中且越大，两零件发生故障关系越强。
作为上述实施例的可行的实现方式，以太原市某汽车公司服务半径内的所有汽车，其各配件间某两配件例如刹车片和刹车盘的故障关系的预测，首先可以针对该地区两配件数的需求期望r进行计算，计算过程如下：
1、确定其中m，n零件中故障率分别为Pm，Pn，其故障率分布分别如图2所示，同时该汽车公司服务半径内的汽车数量服从均值为λi的泊松分布，分布如图3所示，故障数为Xm，Xn，而平均故障数E(Xm)＝λiE(Pm),E(Xn)＝λi(Pn)，进而推导得E(Xm,Xn)＝λmλnE(pm,pn)以及两者协方差的结果：
Cov(Xm,Xn)＝λmλnCov(pm,pn)，再对相关系数进行计算：
最后当两零件相关系数较大时，说明两零件发生故障关系较强，如图4所示；当两零件相关系数较小时，说明两零件发生故障关系较弱，如图5所示。
在本发明的另一些具体实施例中，目标区域包括：机动车维修服务站的覆盖区域和销售网点的覆盖区域；
机动车保有量历史数据、目标区域内机动车每个零件的故障数数据通过构成智能网联车数据库的机动车信息采集系统获得，其中机动车信息采集系统包括机动车维修服务站的车辆记录系统和销售网点的车辆记录系统；机动车信息采集系统还包括：接入的交通管理系统。
再有，目标区域内机动车保有量历史数据以及每个零件的故障数获取的间隔时间包括：一个月、一个季度和一年。
在具体实施过程中，可根据上述具有数量统计作用的系统提取所需的数据，并可根据覆盖范围内汽车数量的变化情况而间隔不同的单位时间例如一个月、一个季度、一年等时间的汽车而各种数据进行统计。例如在汽车保有量较稳定的地区可提取间隔较长时间内的数据如半年和一年，而对保有量变化较大的区域则可以一个月提取一次进行统计。
本发明的实施例还提供了一种汽车配件需求多元预测系统，包括：
机动车保有量确定模块，用于获取目标区域内机动车保有量历史数据，建立机动车保有量的泊松分布；
零件故障率确定模块，用于获取目标区域内机动车每个零件的故障数，建立每个零件故障率的贝塔分布；以及
相关性确定模块，用于基于泊松分布和贝塔分布确定目标区域内每个零件故障数的泊松-贝塔分布；确定在发生故障时确实存在关联性的零件；基于泊松-贝塔分布确定存在关联性的零件的相关系数；基于相关系数确定存在关联性的零件发生故障的关联程度。
作为上述实施例实现方式，各个模块的构建可基于同一计算机平台进行数据的获取和分步处理，也可由不同的计算机进行分别处理后在进行合成，本发明在此不做限制。
本发明的实施例还提供了一种存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时，实现如上实施例所记载的汽车配件需求多元预测方法中各个步骤。
本发明提供的实施例根据车联网判断出某一维修站服务半径内的运行车辆数量，并根据配件工作原理及维修记录判断配件间是否存在相关性，引入模型中保有数量服从参数为λ的泊松分布，相较于单零件故障率服从泊松—Beta分布，在多配件故障率相关的情况下,多个配件服从多维的Beta分布，由于故障率和故障数的相关系数相等，可通过故障数的相关系数推导故障率的相关系数；将车联网记录的维修站维修数据和确切的发生故障的车辆数量应用到模型中，进行估计，可解决汽车配件间故障率的相关性由于在使用地区不同及使用群体不同而造成差异所导致需求量预测的不准确。
可以理解的是，上述各实施例中相同或相似部分可以相互参考，在一些实施例中未详细说明的内容可以参见其他实施例中相同或相似的内容。
需要说明的是，在本申请的描述中，流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本申请的实施例所属技术领域的技术人员所理解。
应当理解，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
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，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，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以所述权利要求的保护范围为准。

Claims (10)

1.一种汽车配件需求多元预测方法，其特征在于，包括：
获取目标区域内机动车保有量历史数据，建立机动车保有量的泊松分布；
获取目标区域内机动车每个零件的故障数，建立每个零件故障率的贝塔分布；
基于所述泊松分布和所述贝塔分布确定所述目标区域内每个零件故障数的泊松-贝塔分布；
确定在发生故障时确实存在关联性的零件；
基于所述泊松-贝塔分布确定所述存在关联性的零件的相关系数；
基于所述相关系数确定所述存在关联性的零件发生故障的关联程度。
2.根据权利要求1所述的方法，其特征在于，所述每个零件故障数的泊松-贝塔分布为：
Xi～PB(ai,bi,λi)，则故障数Xi的期望为：方差为：
3.根据权利要求2所述的方法，其特征在于，两个存在关联性的零件m、n的相关系数的确定过程包括：
确定故障数的期望为：
E(Xm,Xn)＝E[E(Xm,Xn|{pm,pn})]＝E[E(Xm|{pm,pn})E(Xn|{pm,pn})]＝λmλnE(pm,pn)；
基于所述故障数的期望确定协方差为：
Cov(Xm,Xn)＝λmλnCov(pm,pn)；
基于所述协方差得到两个零件的相关系数为：
其中且越大，两零件发生故障关系越强。
4.根据权利要求1所述的方法，其特征在于，所述目标区域包括：机动车维修服务站的覆盖区域和销售网点的覆盖区域。
5.根据权利要求1所述的方法，其特征在于，所述机动车保有量历史数据、所述目标区域内机动车每个零件的故障数数据通过构成智能网联车数据库的机动车信息采集系统获得。
6.根据权利要求5所述的方法，其特征在于，所述机动车信息采集系统包括机动车维修服务站的车辆记录系统和销售网点的车辆记录系统。
7.根据权利要求6所述的方法，其特征在于，所述机动车信息采集系统还包括：接入的交通管理系统。
8.根据权利要求1所述的方法，其特征在于，所述目标区域内机动车保有量历史数据以及每个零件的故障数获取的间隔时间包括：一个月、一个季度和一年。
9.一种汽车配件需求多元预测系统，其特征在于，包括：
机动车保有量确定模块，用于获取目标区域内机动车保有量历史数据，建立机动车保有量的泊松分布；
零件故障率确定模块，用于获取目标区域内机动车每个零件的故障数，建立每个零件故障率的贝塔分布；以及
相关性确定模块，用于基于所述泊松分布和所述贝塔分布确定所述目标区域内每个零件故障数的泊松-贝塔分布；确定在发生故障时确实存在关联性的零件；基于所述泊松-贝塔分布确定所述存在关联性的零件的相关系数；基于所述相关系数确定所述存在关联性的零件发生故障的关联程度。
10.一种存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时，实现如权利要求1-8任一项所述的汽车配件需求多元预测方法中各个步骤。
CN201910707595.7A 2019-08-01 2019-08-01 一种汽车配件需求多元预测方法、系统和存储介质 Pending CN110414741A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910707595.7A CN110414741A (zh) 2019-08-01 2019-08-01 一种汽车配件需求多元预测方法、系统和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910707595.7A CN110414741A (zh) 2019-08-01 2019-08-01 一种汽车配件需求多元预测方法、系统和存储介质

Publications (1)

Publication Number Publication Date
CN110414741A true CN110414741A (zh) 2019-11-05

Family

ID=68365081

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910707595.7A Pending CN110414741A (zh) 2019-08-01 2019-08-01 一种汽车配件需求多元预测方法、系统和存储介质

Country Status (1)

Country Link
CN (1) CN110414741A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112307619A (zh) * 2020-10-29 2021-02-02 北京航天测控技术有限公司 预警模型的构建方法、装备故障预警方法及装置
CN115983901A (zh) * 2023-03-17 2023-04-18 山东捷瑞数字科技股份有限公司 基于数字孪生的设备配件需求量预测方法、系统及介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7783510B1 (en) * 2006-06-23 2010-08-24 Quest Software, Inc. Computer storage capacity forecasting system using cluster-based seasonality analysis
US20150100370A1 (en) * 2013-10-08 2015-04-09 Ford Global Technologies, Llc Method and System for Generating Supplier Capacity Requirements
CN106096803A (zh) * 2015-04-28 2016-11-09 埃森哲环球服务有限公司 自动化新备用零件预测和需求计划系统
CN109146114A (zh) * 2017-06-26 2019-01-04 株式会社日立大厦系统 部件更换预测装置、部件更换预测系统以及部件更换预测方法
CN109636044A (zh) * 2018-12-17 2019-04-16 优必爱信息技术（北京）有限公司 一种智能网联车配件需求预测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7783510B1 (en) * 2006-06-23 2010-08-24 Quest Software, Inc. Computer storage capacity forecasting system using cluster-based seasonality analysis
US20150100370A1 (en) * 2013-10-08 2015-04-09 Ford Global Technologies, Llc Method and System for Generating Supplier Capacity Requirements
CN106096803A (zh) * 2015-04-28 2016-11-09 埃森哲环球服务有限公司 自动化新备用零件预测和需求计划系统
CN109146114A (zh) * 2017-06-26 2019-01-04 株式会社日立大厦系统 部件更换预测装置、部件更换预测系统以及部件更换预测方法
CN109636044A (zh) * 2018-12-17 2019-04-16 优必爱信息技术（北京）有限公司 一种智能网联车配件需求预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张浩 等: "基于对故障规律统计分析的汽车备件需求预测", 《数理统计与管理》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112307619A (zh) * 2020-10-29 2021-02-02 北京航天测控技术有限公司 预警模型的构建方法、装备故障预警方法及装置
CN115983901A (zh) * 2023-03-17 2023-04-18 山东捷瑞数字科技股份有限公司 基于数字孪生的设备配件需求量预测方法、系统及介质

Similar Documents

Publication Publication Date Title
Alptekinoğlu et al. The exponomial choice model: A new alternative for assortment and price optimization
He et al. Customer preference and station network in the London bike-share system
Sadghiani et al. Retail supply chain network design under operational and disruption risks
Li et al. Traffic prediction in a bike-sharing system
CN110428170A (zh) 一种汽车配件需求动态预测方法、系统和存储介质
US7444310B2 (en) Automatic model maintenance through local nets
Cui et al. Reliable facility location design under the risk of disruptions
EP0861474B1 (en) System and method for extended enterprise planning across a supply chain
Dong et al. Global facility network design with transshipment and responsive pricing
Lu et al. Multimarket facility network design with offshoring applications
Nananukul Clustering model and algorithm for production inventory and distribution problem
Van Lon et al. Measures of dynamism and urgency in logistics
CN109636044A (zh) 一种智能网联车配件需求预测方法
CN110414741A (zh) 一种汽车配件需求多元预测方法、系统和存储介质
Bernstein et al. Advance demand information in a multiproduct system
Qiu et al. Joint optimization of production and condition-based maintenance scheduling for make-to-order manufacturing systems
Schwarz et al. On the interactions between routing and inventory-management policies in a one-warehouse n-retailer distribution system
Feki et al. A hedging policy for carriers’ selection under availability and demand uncertainty
Sheel et al. Antecedents of logistics integration and firm performance for downstream petroleum supply chain
CN114219343A (zh) 一种基于数据分析和智能算法的零件预测方法
Khonakdar‐Tarsi et al. Reliability incentive regulation based on reward‐penalty mechanism using distribution feeders clustering
Zografos et al. Emerging trends in logistics and their impact on freight transportation systems: a European perspective
An et al. A system dynamics framework for sense-and-respond systems
Heinecke Resilient automotive production in vulnerable supply networks: a supply chain event management system
Alzaman et al. Predicting bike usage and optimizing operations at repair shops in bike sharing systems

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: 20191105