CN110610289B - 加油站成品油补货量预测方法、计算机存储介质及计算机设备 - Google Patents
加油站成品油补货量预测方法、计算机存储介质及计算机设备 Download PDFInfo
- Publication number
- CN110610289B CN110610289B CN201910719486.7A CN201910719486A CN110610289B CN 110610289 B CN110610289 B CN 110610289B CN 201910719486 A CN201910719486 A CN 201910719486A CN 110610289 B CN110610289 B CN 110610289B
- Authority
- CN
- China
- Prior art keywords
- replenishment
- value
- sales
- actual
- gas station
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000003860 storage Methods 0.000 title claims abstract description 14
- 238000009826 distribution Methods 0.000 claims abstract description 39
- 238000012216 screening Methods 0.000 claims description 12
- 230000001502 supplementing effect Effects 0.000 claims description 12
- 230000002159 abnormal effect Effects 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 7
- 230000000153 supplemental effect Effects 0.000 claims description 4
- 230000008901 benefit Effects 0.000 abstract description 5
- 239000000047 product Substances 0.000 description 31
- 238000012384 transportation and delivery Methods 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 6
- 238000007726 management method Methods 0.000 description 5
- 238000005457 optimization Methods 0.000 description 5
- 239000013589 supplement Substances 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000012937 correction Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000009472 formulation Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000013439 planning Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 206010011906 Death Diseases 0.000 description 1
- 239000007795 chemical reaction product Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000007306 turnover Effects 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
- G06Q10/06—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
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- 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
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Entrepreneurship & Innovation (AREA)
- Finance (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供的加油站成品油补货量预测方法、计算机存储介质及计算机设备,方法包括以下步骤:根据加油站成品油数据库中的历史销售数据确定实际补货次数和实际补货周期,并根据实际补货周期确定配送业务模式;根据数据库中的历史销量值以及实际补货次数和实际补货周期确定日平均销量预测值;根据日平均销量预测值和补货量补充值确定补货量预测值;根据补货量预测值及配送业务模式确定补货量上限值及补货量下限值;根据所述补货量预测值以及补货量上限值和补货量下限值确定补货量实际值,并形成相应的补货订单;将补货订单拆分成多个子订单,并合并子订单以形成相应的运输单。本发明能够增加经济效益、降低物流成本、防止停泵及冒罐等重大事故。
Description
技术领域
本发明属于自动补货调度技术领域,具体涉及一种加油站成品油补货量预测方法、计算机存储介质及计算机设备。
背景技术
自动补货系统是一种利用销售信息、订单信息、库存信息进行库存管理的库存管理方案,供应商通过自动补货系统以掌控销售信息和库存量,并将其作为市场需求预测和库存补货的解决方法,比如由销售信息得到消费需求信息,供应商可以更有效的计划、更快速的反应市场变化和用户需求。因此自动补货系统可以作为降低库存量、改善库存周转,进而维持库存量最佳化的重要手段,而且供应商与批发商可以通过自动补货系统分享重要信息,从而双方都可以改善需求预测、补货计划、促销管理等。
现有的自动补货系统通过补货量预测、缺货点预测、调度规划等物流优化技术来合理安排运输单实现补货调度配送,如菜鸟物流、京东物流等通过上述物流优化技术实现对零售品的物流配送。但对于成品油二次物流(石化领域定义:工厂至油库为一次物流,油库至加油站为二次物流),上述配送方案并不完全适用,主要存在以下问题:
1、容易出现油罐冒罐现象;
2、对于市区加油站需要一日多次配送的情况不能合理调度;
3、对于运输车辆的类型及限制条件不能匹配。
现在亟须一种能够实现对油品库存补货管理的自动补货系统,以实现对加油站成品油的成功配送补货。
发明内容
本发明所要解决的技术问题是现有加油站成品油补货管理系统不完善,容易发生囤货、停泵及冒罐等现象。
为了解决上述技术问题,本发明提供了一种加油站成品油补货量预测方法,包括:
S100,根据加油站成品油数据库中的历史销售数据确定实际补货次数和实际补货周期,并根据所述实际补货周期确定配送业务模式;
S200,根据数据库中的历史销量值以及实际补货次数和实际补货周期确定日平均销量预测值;
S300,根据所述日平均销量预测值和补货量补充值确定补货量预测值;其中,所述补货量预测值等于实际补货周期和日平均销量预测值的乘积与补货量补充值之和;
S400,根据补货量预测值及配送业务模式确定补货量上限值及补货量下限值;其中,所述补货量上限值为加油站有效罐容、销量预测值、安全库存量三者之差;所述补货量下限值为加油站停泵库存量、销量预测值、安全库存量三者之和;其中,所述销量预测值为从加油站库存量达到需要补货的补货点时的时间点到下一次加油站实际补货的时间点期间的销量预测值;
其中,所述补货量上限值为加油站有效罐容、销量预测值、安全库存量三者之差具体为:补货量上限值=有效罐容-销量预测值-安全库存量;
其中,所述补货量下限值为加油站停泵库存量、销量预测值、安全库存量三者之和具体为:补货量下限值=停泵库存量+销量预测值+安全库存量;
S500,根据所述补货量预测值以及补货量上限值和补货量下限值确定补货量实际值,并形成相应的补货订单;其中,所述补货量实际值小于或等于所述补货量上限值且大于或等于所述补货量下限值;
S600,将所述补货订单拆分成多个子订单,根据距离和时间要求合并所述多个子订单中的若干子订单,以形成相应的运输单,根据所述运输单对加油站进行补货。
优选的,在所述步骤S100之前,对加油站成品油的数据库进行数据预处理,以修正历史销售数据,所述预处理包括筛除异常销售数据。
优选的,所述步骤S100包括:
S110,从所述历史销量数据中获取指定时间段的历史总天数和历史补货次数;
S120,根据指定时间段的历史总天数与历史补货次数确定历史补货周期,当历史补货周期大于给定阈值时,对历史补货次数进行修正,以确定实际补货次数;
S130,根据指定时间段的历史总天数和实际补货次数确定实际补货周期。
优选的,所述配送业务模型为一日一配模型、一日多配模型及多日一配模型中的一种。
优选的,所述步骤S200包括以下步骤:
S210,根据历史销量值以及实际补货次数和实际补货周期,利用二次移动平均模型,确定所述日平均销量预测值。
优选的,S220,当步骤S210获得的所述日平均销量预测值受节假日影响时,根据假日影响趋势参数对所述日平均销量预测值进行修正。
优选的,S610,将所述补货订单根据设定的基准单位油量拆分成多个子订单,并为每个子订单生成相应的时间窗,根据油品类型、加油站距离以及时间窗对所述多个子订单进行合并,以形成若干子订单;S620,根据加油站当天的缺货程度及时间窗对所述若干订单进行优先级排序,并根据槽车工作量对槽车进行优先级排序,根据优先级顺序为所述槽车匹配和合并相应的订单,以形成运输单。
优选的,所述步骤S610中,根据油品类型、加油站距离以及时间窗对所述多个子订单进行合并,以形成若干订单,具体包括以下步骤:
S611,合并同一加油站同一油罐对应的子订单;
S612,合并同一加油站不同油罐对应的子订单;
S613,合并相近加油站对应的子订单;
S614,合并不同加油站的同油品对应的子订单。
本发明还提供了一种计算机存储介质,其存储有用于实现加油站成品油补货量预测方法的计算机程序。
本发明还提供了一种计算机设备,包括处理器和存储介质,所述处理器用于执行存储在所述存储介质中的计算机程序,所述计算机程序用于实现加油站成品油补货量预测方法。
应用本发明实施例提供的加油站成品油补货量预测方法,从加油站销量的准确预测、加油站油罐库存的合理控制、加油站最优补货量的确定、配送计划的科学制定等与配送业务密切相关的各方面,对成品油二次物流的优化问题进行建模与设计。其中选择采用二次滑动平均算法进行预测日平均销量值;采用方差检验及趋势因子法对日平均销量预测值进行修正;通过对加油站油罐库存量的合理控制,基于大数原理的标准差对销量预测值误差加权的方式,对油罐停泵和冒罐现象进行防控;通过加油站距离、车辆运力及限制条件合理安排订单时间,以生成运输单,基于以上的方法,实现对加油站成品油的科学补货。
与现有技术相比,上述方案中的一个或多个实施例能够增加经济效益、降低物流成本、防止停泵及冒罐等重大配送事故。
本发明的其它特征和优点将在随后的说明书中阐述,并且部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例共同用于解释本发明,并不构成对本发明的限制。在附图中:
图1示出了本发明实施例的加油站成品油补货量预测方法的流程图;
图2示出了本发明实施例的确定实际补货周期的方法流程图;
图3示出了本发明实施例的修正日平均销量预测值的方法流程图;
图4示出了本发明实施例的将子订单合并成运输单的方法流程图;
图5示出了本发明实施例的合并订单的方法流程图。
具体实施方式
以下将结合附图及实施例来详细说明本发明的实施方式,借此对本发明如何应用技术手段来解决技术问题,并达成技术效果的实现过程能充分理解并据以实施。需要说明的是,只要不构成冲突,本发明中的各个实施例以及各实施例中的各个特征可以相互结合,所形成的技术方案均在本发明的保护范围之内。
实施例一
请参照图1,图1为本发明实施例提供的加油站成品油补货量预测方法的流程示意图,下面将结合步骤S100-S600进行说明。
步骤S100,根据加油站成品油数据库中的历史销售数据确定实际补货次数和实际补货周期,并根据所述实际补货周期确定配送业务模式;
在所述步骤S100之前,对加油站成品油的数据库进行数据预处理,以修正历史销售数据,所述预处理包括筛除异常销售数据。
其中,历史销售数据包括入库值、出库值、销量值、停泵值及冒罐值等。
其中,筛除异常销售数据包括筛除异常小销售值、筛除异常大销售值以及筛除特定日期销售值。
所述步骤S100还包括:
S110,从所述历史销量数据中获取指定时间段的历史总天数和历史补货次数;
S120,根据指定时间段的历史总天数与历史补货次数确定历史补货周期,当历史补货周期大于给定阈值时,对历史补货次数进行修正,以确定实际补货次数;
S130,根据指定时间段的历史总天数和实际补货次数确定实际补货周期。
其中,所述配送业务模型为一日一配模型、一日多配模型及多日一配模型中的一种,以满足不同的配送场景。
步骤S200,根据数据库中的历史销量值以及实际补货次数和实际补货周期确定日平均销量预测值;
进一步的,S210,根据历史销量值以及实际补货次数和实际补货周期,利用二次移动平均模型,确定所述日平均销量预测值。
进一步的,当步骤S210确定的所述日平均销量预测值受节假日影响时,通过下式,根据假日影响趋势参数对所述日平均销量预测值进行修正:
p=μ(1+cert),
cert=(m1-m)/float(m),
其中:
p:修正后的日平均销量预测值;
μ:日平均销量预测值;
cert:假日影响趋势参数;
m1:表示按假设检验的基础上择出的若干个补货周期中相对应的天数的平均值;
m:最近一个补货周期的日平均销量值;
float(m):最近一个周期的销量值。
S300,根据所述日平均销量预测值和补货量补充值确定补货量预测值;其中,所述补货量预测值等于实际补货周期和日平均销量预测值的乘积与补货量补充值之和。
S400,根据补货量预测值及配送业务模式确定补货量上限值及补货量下限值;其中,所述补货量上限值为加油站有效罐容、销量预测值、安全库存量三者之差;所述补货量下限值为加油站停泵库存量、销量预测值、安全库存量三者之和;其中,所述销量预测值为从加油站库存量达到需要补货的补货点时的时间点到下一次加油站实际补货的时间点期间的销量预测值。
S500,根据所述补货量预测值以及补货量上限值和补货量下限值确定补货量实际值,并形成相应的补货订单;其中,所述补货量实际值小于或等于所述补货量上限值且大于或等于所述补货量下限值。
S600,将所述补货订单拆分成多个子订单,根据距离和时间要求合并所述多个子订单中的若干子订单,以形成相应的运输单,根据所述运输单对加油站进行补货。
其中,步骤S600还包括以下步骤:
S610,将所述补货订单根据设定的基准单位油量拆分成多个子订单,并为每个子订单生成相应的时间窗,根据油品类型、加油站距离以及时间窗对所述多个子订单进行合并,以形成若干子订单;
S620,根据加油站当天的缺货程度及时间窗对所述若干订单进行优先级排序,并根据槽车工作量对槽车进行优先级排序,根据优先级顺序为所述槽车匹配和合并相应的订单,以形成运输单。
进一步的,所述步骤S610中,根据油品类型、加油站距离以及时间窗对所述多个子订单进行合并,以形成若干订单,具体包括以下步骤:
S611,合并同一个油罐对应的子订单;
S612,合并同一加油站不同油罐对应的子订单;
S613,合并相近加油站对应的子订单;
S614,合并不同加油站的同油品对应的子订单。
实施例二
为了更好的理解本发明的技术方案,本实施例对本发明的技术方案做进一步说明。
以30天为指定时间段,在加油站成品油数据库获取最近30天内的历史销售数据,对所述历史销售数据进行预处理,具体为:
步骤S101,筛选异常小销售值,还包括以下两种情况:
步骤S1011,删除销量值为0的异常值;
步骤S1012,,按照油罐、日期、销量等识别数据,计算销量值的平均值,删除所述销量值小于平均值l/3的销量值数据,之后进行建模分析。
需要说明的是,筛选异常小值可以有效防止恶劣环境对成品油销售带来的影响。
步骤S102,筛选异常大值具体为:删除销量值大于平均值30倍的销售数据,之后建模分析。
需要说明的是,成品油销售业务不会出现大幅度打折及降价的情况,筛选异常大值可以有效防止数据记录错误带来的影响。
步骤S103,筛选重大节假日具体为:删除最大节假日的销售值。
需要说明的是:重大节日(比如“春节,十一”)对成品油的销量会产生较大的影响,因此对于重大节假日需要单独进行建模分析。
进一步的,所述步骤S100进行补货周期的计算,需要进行两次补货周期的计算,即历史补货周期的计算和实际补货周期的计算。
需要说明的是,因为历史补货数据中可能因为调度问题使得一次补货需求分成两次进行补货,使得实际补货周期过小,为防止对这种情况发生,需要进行第二次补货周期计算,以获得实际补货周期。
通过学习历史补货周期模式,以最小打乱运输团队往日计划的前提进行补货,并可使得未来补货更加稳定平滑。参照图2,历史补货周期的计算方法和实际补货周期的计算方法具体为:
步骤S110,从所述历史销量数据中获取指定时间段的历史总天数和历史补货次数;
假设所述历史总天数为sumNum=30天,所述历史补货次数为inboundNumTemp=10次。
步骤S120,根据指定时间段的历史总天数与历史补货次数确定历史补货周期,当历史补货周期大于给定阈值时,对历史补货次数进行修正,以确定实际补货次数。
具体的,历史补货周期iCycle=sumNum/inboundNumTemp=3天,即历史数据的日志中理论上每3天有一次补货记录,但历史数据中很可能因为调度问题使得一次补货需求分成两天入库,即历史数据的日志中出现连续两天进行补货的记录,则对历史补货次数进行修正,具体修正方法为:
当历史补货周期大于3时,若历史数据的日志中出现连续两天进行补货的记录,则合并连续两天入库数据,确定实际补货次数inboundNum。
步骤S130,根据指定时间段的历史总天数和实际补货次数确定实际补货周期:
iCycle=sumNum/inboundNum。
进一步的,步骤S100中所述配送业务模型为一日一配模型、一日多配模型及多日一配模型中的一种,以满足不同的配送场景,即一日多配针对繁华地段小油罐大销场景、一日一配针对市区正常油罐、多日一配针对郊区场景。
加油站成品油销售量并不是一个常量,而是一个随机变量,同时成品油的销售量随着交通流量、季节等影响等会出现一定的波动。面对这种比较复杂的情况,一般近期内的销量能较好的反映这段时间内的平均销量,根据一段时间内的平均销量还可以进行日平均销量预测值,具体方法如下:
步骤S200,根据数据库中的历史销量值以及实际补货次数和实际补货周期确定日平均销量预测值,参照图3,确定日平均销量预测值的具体方法为:
S210,根据历史销量值以及实际补货次数和实际补货周期,利用二次移动平均模型,确定所述日平均销量预测值。
其中,二次移动平均法是对一次移动平均值再进行移动平均,并根据实际值、一次移动平均值和二次移动平均值之间的之后关系,建立预测模型进行预测的方法。二次移动平均法是时间序列预测法的重要方法之一,也在修匀数学中常有应用。常用的算法模型中,二次移动平均模型不仅能较好的反映销量与时间的变动关系,而且能较好的解决预测值滞后于实际观察值的矛盾,能克服一次移动平均法对波动较大的时间序列预测的稳定性不足的缺点,提高预测效果。
本发明基于实际补货周期及二次移动平均模型来预测日平均销量值,具体方法如下:
步骤201,选取一次滑动窗口周期t,二次滑动窗口为T个周期;
步骤202,预测日平均销量值μ。
为了方便说明,针对本发明加油站成品油指定时间段内运用二次移动平均法进行日平均销量预测举例说明。
假设指定时间段为n天,选取一次滑动窗口周期t=7天,二次滑动窗口为T=3个周期,成品油的日平均销量值预测分为以下三种情况。
第一种情况:
如果n>=3t,日平均销量预测值为:
μ1=(exn-t+1+…+exn)/t
μ2=(exn-2t+1+…+exn-t)/t
μ3=(exn-3t+1+…+exn-2t)/t
μ=(μ1+μ2+μ3)/3
其中xi为第i天的销量,e为权重值为1。
第二种情况:
如果2t<=n<3t,销量的预测值为:
μ1=(exn-t+exn-t+1+…+exn)/t
μ2=(exn-2t+exn-2t+1+…+exn-t)/t
μ=(μ1+μ2)/2
第三种情况:
如果n<2t,销量的预测值为:
μ=(ex1+ex2+…+ext)/t。
进一步的,当步骤S210获得的所述日平均销量预测值受节假日影响时,根据假日影响趋势参数对所述日平均销量预测值进行修正。
需要说明的是,加油站成品油的销售量有时会受到节假日的影响,所以应对销售量是否受节假日影响进行判定,若判断为受节假日受响,则提供节假日影响趋势参数,以修正日平均销量预测值。
其中,是否受节假日影响的检验方法为:
基于销量outbound数据,用统计学上的F检验及T检验观察节假日对于油品销售有无影响;如果F检验及T检验判断节假日对油品销售有影响,并计算节假日趋势参数。
其中,节假日影响趋势参数的计算方法为:
cert=(m1-m)/float(m)
其中:
m1:表示按假设检验的基础上择出的若干个补货周期中相对应的天数的平均值;
m:最近一个补货周期的日平均销量值;
float(m):最近一个周期的销量值。
cert:为负值表示减少,为正值表示增加;
根据以上步骤,相应的日平均补货量应修正为:p=μ(1+cert),然后根据以下步骤确定补货量预测值:
步骤S300,根据所述日平均销量预测值和补货量补充值确定补货量预测值;其中,所述补货量预测值等于实际补货周期和日平均销量预测值的乘积与补货量补充值之和。其中,不同的配送业务模型,确定补货量预测值的方法也不同。
针对一日一配业务模型:
步骤S310,补货点的预测,当e<vh或
当
e-(t+O*(u+Δu*σ)+r<d+min(max(0.1*m,2000),vh,2500),则进行补货。
其中e为当天期末库存;vh为历史补货点所对应的高位期末库存;t为配送间隔时间;f为依据当前时间点到第三天早班前补货所需的间隔时间;σ为销量标准差;Δu为通过历史数据计算的置信度的上限;r为当天的在途;d为停泵库存量;(t+f)*(u+Δu*σ)为从加油站库存量达到需要补货的补货点时的时间点到下一次加油站实际补货的时间点期间的销量预测值;
min(max(0.1*m,2000),vh,2500)为安全库存值。
步骤S320,补货量的预测
Supply=iCycle*p+additional
其中,iCycle为补货周期,这里面取1;
p为修正后的日平均销量预测值;
additional为补货量补充值。
需要说明的是,设置additional有两个目的,目的1,因为是一日一补,往往销量大,甚至销量远远超过有效罐容量,所以每次补货需将库存量调整到历史中的相对高位;目的2,销量预测的准确程度极大的影响第二天的补货量的准确程度,所以应用补货量补充值对可能会出现的销量偏离残差进行调整。
其中,additional为以下两个补货量补充值中的最小值。
补货量补充值1为期末库存的高点-((当前库存+计划在途-停泵库存)-当前时间到下一次补货的销量);
补货量补充值2为min(历史高位销量-预测销量,0.5倍的预测销量);
additional=min(补货量补充值1、补货量补充值2)。
针对一日多配业务模型,其补货点的预测方法及补货量的预测方法同一日一配业务模型。
针对多日一配业务模型,其补货点的预测方法为:
当e-(t+f)*u+r<vl或当
e-(t+f)*(u+Δu*σ)+r<d+min(max(0.1*m,2000),vh,2500),则进行补货。
其中e为当天期末库存;vl为历史补货点所对应的低位期末库存;t为配送间隔时间;σ为销量标准差;Δu为通过历史数据计算的置信度的上限;r为当天的在途;d为停泵库存量。
多日一配业务模型的补货量预测方法同一日一配的配送模型,这里不再赘述。
确定补货量预测值后,执行步骤S400。
步骤S400,根据补货量预测值及配送业务模式确定补货量上限值及补货量下限值;其中,所述补货量上限值为加油站有效罐容、销量预测值、安全库存量三者之差;所述补货量下限值为加油站停泵库存量、销量预测值、安全库存量三者之和;其中,所述销量预测值为从加油站库存量达到需要补货的补货点时的时间点到下一次加油站实际补货的时间点期间的销量预测值。
其中,补货上限值为第二天补货的最大值,补货下限值为保证第二天使用量的最小值,三种业务配送模型的补货量上限值及补货量下限值的预测方法相同,具体计算公式如下:
补货上限值为:
b=M-(e-(t+f)(u+Δd*σ)+r)-min(max(0.1*m,2000),vh,2500);
补货下限值为:
a=d+(t+f)(u+Δu*σ)-e-r+min(max(0.1*m,2000),vh,2500);
其中,M表示有效罐容;e表示期末库存;t为配送间隔;f为依据当前时间点到第三天早班前补货所需的间隔时间;u为日平均销量预测值;σ为销量标准差;Δu为通过历史数据计算的置信度的上限;Δd为通过历史数据计算的置信度的下限;vl为为历史补货点所对应的低位期末库存;r为在途库存量;d为停泵库存量。
当出现以下两种情况时,对补货量上限值及补货量下限值进行修正:
第一种情况:在当日在途量加当日库存不足以支持预测当日的一天销量时,上述公式模型会失效。(即,当日期末库存会为负值,但实际情况最多只会到达停泵库存,这负值与停泵之间的差量为模型失效值)为修正上述模型,对补货上下限进行修正。
即当:
e+r-f*(u+Δd*σ)<d+min(max(0.1*m,2000),vh,2500)时,
补货上限为:
b=M+f*(u+Δd*σ)-min(max(0.1*m,2000),vh,2500)-vl
补货下限为:
a=f*(u+Δu*σ)+min(max(0.1*m,2000),vh,2500)
第二种情况,在当日在途量加当日库存销售一天后仍超过了最大罐容时,上述公式模型也会失效。(即,当日期末库存会超过最大罐容,但实际情况最多只会到达最大罐容,这超越最大罐容的部分为模型失效值)为修正上述模型,对补货上下限进行修正。
即当
e+r-(u+Δ上*σ)>M-min(max(0.1*m,2000),vh,2500)时,
补货上限为:
b=(u+Δu*σ)+min(max(0.1*m,2000),vh,2500)
补货下限为:
a=(t+f)(u+Δu*σ)+min(max(0.1*m,2000),vh,2500)-(M-d)。
需要说明的是,本发明提到的三种业务模型计算补货量上下限值的方法和修正补货量上下限值的方法相同。
需要补充说明的是,当发生油罐换油品事件或新油罐无历史数据两种异常情况是,需要进行异常事件处理。
第一种情况,当出现油罐换油品事件时,在进行补货预测时,所选择的训练集取同油罐下同种油品的数据集进行预测。
第二种情况,当出现新油罐无历史数据时,油罐换油后由于历史数据过少,很可能造成对未来的预测没有那么准确的影响。因此,需要对该事件中的补货点及补货量做一次修正。
以上两种异常情况均需要对补货点、补货量及补货量上下限值重新确定,并需要对补货量上下限值进行修正。
关于补货点的预测:
当e-(t+1)*(u+Δu*σ)+r<d时,则进行补货,补货量的预测为该油罐的补货量上限值。
油罐的补货量上限值为:
b=M-(e-(f+t)(u+Δd*σ)+r)-min(max(0.1*M,2000),u,2500)
油罐的补货量下限值为:
a=d+(f+t)(u+Δu*σ)-e-r+min(max(0.1*M,2000),u,2500)
需要说明的是,一日一配业务模型中销量下限由于数据过少,销量下限的计算有可能不准确,而一日一配业务对补货上下限比较严格,因此需要对油罐补货的上限做如下修正:
b=max(b,u)。
到此,本发明已经确定非常精确的补货量预测值,但由于石油运输过程中需要结合运输槽车的隔仓情况进行配送,所以根据步骤S500和步骤S600可以形成实际补货订单及运输单。
步骤S500,根据所述补货量预测值以及补货量上限值和补货量下限值确定补货量实际值,并形成相应的补货订单;其中,所述补货量实际值小于或等于所述补货量上限值且大于或等于所述补货量下限值。
其中,补货量实际值满足槽车装配要求且最接近补货量预测值,槽车装配要求参照步骤S600及图4。
步骤S600,将所述补货订单拆分成多个子订单,根据距离和时间要求合并所述多个子订单中的若干子订单,以形成相应的运输单,根据所述运输单对加油站进行补货。
其中,所述补货订单按照设定基准单位油量(如1000L)将补货订单拆成多个子订单,并为每个子订单生成相应的时间窗,根据油品类型、加油站距离以及时间窗对所述多个子订单进行合并,以形成若干订单。
需要说明的是,补货订单拆分的目的是匹配多隔仓容量的车辆,拆分颗粒度越细上车精度越高。
其中,将补货订单拆成多个子订单的同时,为所述子订单添加合单限制条件,即为每个子订单设置一个时间限制窗口,例如早上-1;中午-2;傍晚-3;任意-99。
添加规则对于中午前缺货的定义为1。对于小罐大小量的所有订单按照单次最大补货量配送平分在早中晚。
进一步的,根据加油站当天的缺货程度、加油站每个油罐的补货量以及补货时间窗,对若干订单进行优先级排序。补货时间窗长度比较短且最晚补货时间比较早的加油站拥有较高的优先级。当一个加油站拥有多个油罐时,按照每个油罐的第一隔舱对应的补货时间窗确定订单的优先级。
进一步的,对所述槽车进行优先级排序。为了保证槽车的工作量基本均衡,根据每一辆槽车的工作量大小,确定分配任务的优先级。
需要说明的是,由于直接计算出来的子订单均对应一个隔舱的容量,而实际运输中,槽车为两个或以上隔舱的车,因此首先需要将订单合并成运输单,才能安排运输计划。
选取其车队下对应的所有子订单,将子订单按照油品类型、油站距离以及时间窗进行合并,以形成若干订单。子订单合并成订单需要遵循的原则是,加油站距离相近或时间窗相容,参照图5,合并子订单的算法具体包括以下四个步骤:
S611,合并同一加油站同油罐对应的子订单,具体为:依次考虑该加油站的各个油罐的补货计划,同时考虑最大罐容以及车仓容量,将同一个油罐对应的多张订单尽可能相邻合并,合并后形成一张运输单。
S612,合并同一加油站不同油罐对应的子订单,具体为:将同一加油站对应的相同油品的未合并子订单选取出来,并判断能否合并,若能,则进行合并。
S613,合并相近加油站对应的子订单,具体为:将距离相近的加油站未合并子订单选取出来并进行合并。
需要说明的是,对距离相近的加油站需要事先定义,如同一区域的油站为距离相近加油站。
S614,合并不同加油站的同油品对应的子订单,具体为:首先按照加油站的限制条件及优先级依次选择加油站。对于每一个选定的加油站,判断是否有未合并的订单。如果有则执行下面的程序,否则转入下一个加油站,直到所有加油站的订单都检查完为止。
应用上述实施例提供的加油站成品油补货量预测方法,从加油站销量的准确预测、加油站油罐库存的合理控制、加油站最优补货量的确定、配送计划的科学制定等与配送业务密切相关的各方面,对成品油二次物流的优化问题进行建模与设计。其中选择采用二次滑动平均算法进行预测日平均销量值;采用方差检验及趋势因子法对日平均销量预测值进行修正;通过对加油站油罐库存量的合理控制,基于大数原理的标准差对销量预测值误差加权的方式,对油罐停泵和冒罐现象进行防控;通过加油站距离、车辆运力及限制条件合理安排订单时间,以生成运输单,基于以上的方法,实现对加油站成品油的科学补货,该补货配送方法能够增加经济效益、降低物流成本、防止停泵及冒罐等重大配送事故。
实施例三
为解决现有技术中存在的上述技术问题,本发明实施例还提供了一种存储介质,其存储有加油站成品油补货量预测方法的计算机程序。
应用本发明实施例提供的存储介质,通过数据预处理模块对与销售相关的数据进行修正,实现最低囤货成本,并防止缺货成本;通过补货周期模块学习历史补货规律,在不扰乱业务补货规律的情况下对补货业务进行优化,针对每个油品提前缺货预警和补货量推荐;通过销售量预测模块对补货量进行合理预测,降低缺货及冒罐的发生几率;通过事件处理模块对日平均销量值进行修正,以实现更精确的预测补货量;通过补货配送模块对油罐的补货量及补货上下限进行精准预测;通过上车模块提高运输精度、减少运输距离及成本。
本实施例的加油站成品油货方法能够增加经济效益、降低物流成本、防止停泵及冒罐等重大配送事故。
虽然本发明所公开的实施方式如上,但所述的内容只是为了便于理解本发明而采用的实施方式,并非用以限定本发明。任何本发明所属技术领域内的技术人员,在不脱离本发明所公开的精神和范围的前提下,可以在实施的形式上及细节上作任何的修改与变化,但本发明的保护范围,仍须以所附的权利要求书所界定的范围为准。
Claims (7)
1.一种加油站成品油补货量预测方法,其特征在于,包括以下步骤:
S100,根据加油站成品油数据库中的历史销售数据确定实际补货次数和实际补货周期,并根据所述实际补货周期确定配送业务模式;
S200,根据数据库中的历史销量值以及实际补货次数和实际补货周期确定日平均销量预测值;
S300,根据所述日平均销量预测值和补货量补充值确定补货量预测值;其中,所述补货量预测值等于实际补货周期和日平均销量预测值的乘积与补货量补充值之和;
S400,根据补货量预测值及配送业务模式确定补货量上限值及补货量下限值;其中,所述补货量上限值为加油站有效罐容、销量预测值、安全库存量三者之差;所述补货量下限值为加油站停泵库存量、销量预测值、安全库存量三者之和;其中,所述销量预测值为从加油站库存量达到需要补货的补货点时的时间点到下一次加油站实际补货的时间点期间的销量预测值;
S500,根据所述补货量预测值以及补货量上限值和补货量下限值确定补货量实际值,并形成相应的补货订单;其中,所述补货量实际值小于或等于所述补货量上限值且大于或等于所述补货量下限值;
S600,将所述补货订单拆分成多个子订单,根据距离和时间要求合并所述多个子订单中的若干子订单,以形成相应的运输单,根据所述运输单对加油站进行补货;
在所述步骤S100之前,对加油站成品油的数据库进行数据预处理,以修正历史销售数据,所述预处理包括筛除异常销售数据;
所述步骤S200包括以下步骤:S210,根据历史销量值以及实际补货次数和实际补货周期,利用二次移动平均模型,确定所述日平均销量预测值;
所述步骤S200还包括以下步骤:当步骤S210获得的所述日平均销量预测值受节假日影响时,通过下式,根据假日影响趋势参数对所述日平均销量预测值进行修正:
p=μ(1+cert),
cert=(m1-m)/float(m),
其中:
p:修正后的日平均销量预测值;
μ:日平均销量预测值;
cert:假日影响趋势参数;
m1:表示按假设检验的基础上择出的若干个补货周期中相对应的天数的平均值;
m:最近一个补货周期的日平均销量值;
float(m):最近一个周期的销量值。
2.根据权利要求1所述的方法,其特征在于,所述步骤S100包括:
S110,从所述历史销售数据中获取指定时间段的历史总天数和历史补货次数;
S120,根据指定时间段的历史总天数与历史补货次数确定历史补货周期,当历史补货周期大于给定阈值时,对历史补货次数进行修正,以确定实际补货次数;
S130,根据指定时间段的历史总天数和实际补货次数确定实际补货周期。
3.根据权利要求1所述的方法,其特征在于:
所述配送业务模式为一日一配模型、一日多配模型及多日一配模型中的一种。
4.根据权利要求1所述的方法,其特征在于,所述步骤S600还包括以下步骤:
S610,将所述补货订单根据设定的基准单位油量拆分成多个子订单,并为每个子订单生成相应的时间窗,根据油品类型、加油站距离以及时间窗对所述多个子订单进行合并,以形成若干订单;
S620,根据加油站当天的缺货程度及时间窗对所述若干订单进行优先级排序,并根据槽车工作量对槽车进行优先级排序,根据优先级顺序为所述槽车匹配和合并相应的订单,以形成运输单。
5.根据权利要求4所述的方法,其特征在于:所述步骤S610中,根据油品类型、加油站距离以及时间窗对所述多个子订单进行合并,以形成若干订单,具体包括以下步骤:
S611,合并同一加油站同一油罐对应的子订单;
S612,合并同一加油站不同油罐对应的子订单;
S613,合并相近加油站对应的子订单;
S614,合并不同加油站的同油品对应的子订单。
6.一种计算机存储介质,其特征在于:其存储有用于实现如权利要求1-5中任一项加油站成品油补货量预测方法的计算机程序。
7.一种计算机设备,其特征在于:包括处理器和存储介质,所述处理器用于执行存储在所述存储介质中的计算机程序,所述计算机程序用于实现如权利要求1-5中任一项加油站成品油补货量预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910719486.7A CN110610289B (zh) | 2019-08-05 | 2019-08-05 | 加油站成品油补货量预测方法、计算机存储介质及计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910719486.7A CN110610289B (zh) | 2019-08-05 | 2019-08-05 | 加油站成品油补货量预测方法、计算机存储介质及计算机设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110610289A CN110610289A (zh) | 2019-12-24 |
CN110610289B true CN110610289B (zh) | 2023-11-07 |
Family
ID=68890294
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910719486.7A Active CN110610289B (zh) | 2019-08-05 | 2019-08-05 | 加油站成品油补货量预测方法、计算机存储介质及计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110610289B (zh) |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111160978A (zh) * | 2019-12-30 | 2020-05-15 | 北京每日优鲜电子商务有限公司 | 业务处理方法、装置、存储介质及设备 |
CN111401636B (zh) * | 2020-03-16 | 2023-10-17 | 第四范式(北京)技术有限公司 | 实现连锁商家智能补货的方法及系统 |
CN112884393A (zh) * | 2020-03-19 | 2021-06-01 | 上海爱奇尔贸易有限公司 | 一种库存补货方法、装置和电子设备 |
CN113626112A (zh) * | 2020-05-06 | 2021-11-09 | 中国石油化工股份有限公司 | 输油管网管输计划图控编制方法及装置 |
CN111859281B (zh) * | 2020-05-29 | 2023-09-08 | 石化盈科信息技术有限责任公司 | 物品补给时间预测方法、装置、存储介质及电子设备 |
CN113947341A (zh) * | 2020-07-17 | 2022-01-18 | 上海顺如丰来技术有限公司 | 供应链补货方法、装置、计算机设备和存储介质 |
CN113762828B (zh) * | 2020-08-03 | 2024-04-09 | 北京京东振世信息技术有限公司 | 补货方法、装置、电子设备及存储介质 |
CN113269457B (zh) * | 2021-06-03 | 2021-12-14 | 珠海市浩磊科技有限公司 | 一种基于大数据的商品销售供货一体化管理系统及方法 |
CN113393041A (zh) * | 2021-06-21 | 2021-09-14 | 湖南大学 | 一种基于销量预测的零售领域供应链库存优化方法 |
CN113283671B (zh) * | 2021-06-22 | 2022-05-17 | 润联软件系统(深圳)有限公司 | 一种预测补货量的方法、装置、计算机设备及存储介质 |
CN113869805B (zh) * | 2021-12-02 | 2022-03-01 | 氢山科技有限公司 | 对加氢站进行排序加氢的方法和装置 |
CN115983767B (zh) * | 2023-03-21 | 2023-07-25 | 深圳美云集网络科技有限责任公司 | 一种基于多个商品的补货方法和系统 |
CN117436799A (zh) * | 2023-12-20 | 2024-01-23 | 柯诺物联网技术(山东)有限公司 | 一种基于中台的药械数据管理方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101159048A (zh) * | 2007-11-05 | 2008-04-09 | 朱道立 | 油品配送槽车调度系统及其方法 |
CN106504029A (zh) * | 2016-11-08 | 2017-03-15 | 山东大学 | 一种基于客户群体行为分析的加油站销量预测方法 |
WO2018083450A2 (en) * | 2016-11-02 | 2018-05-11 | Edge Petrol Limited | System and method for fuel storage tank inventory management |
CN108053164A (zh) * | 2017-12-29 | 2018-05-18 | 北京市天元网络技术股份有限公司 | 一种成品油配送系统及方法 |
CN109272276A (zh) * | 2018-09-29 | 2019-01-25 | 石化盈科信息技术有限责任公司 | 一种库存补货管理方法以及装置 |
CN109509030A (zh) * | 2018-11-15 | 2019-03-22 | 北京旷视科技有限公司 | 销量预测方法及其模型的训练方法、装置和电子系统 |
-
2019
- 2019-08-05 CN CN201910719486.7A patent/CN110610289B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101159048A (zh) * | 2007-11-05 | 2008-04-09 | 朱道立 | 油品配送槽车调度系统及其方法 |
WO2018083450A2 (en) * | 2016-11-02 | 2018-05-11 | Edge Petrol Limited | System and method for fuel storage tank inventory management |
CN106504029A (zh) * | 2016-11-08 | 2017-03-15 | 山东大学 | 一种基于客户群体行为分析的加油站销量预测方法 |
CN108053164A (zh) * | 2017-12-29 | 2018-05-18 | 北京市天元网络技术股份有限公司 | 一种成品油配送系统及方法 |
CN109272276A (zh) * | 2018-09-29 | 2019-01-25 | 石化盈科信息技术有限责任公司 | 一种库存补货管理方法以及装置 |
CN109509030A (zh) * | 2018-11-15 | 2019-03-22 | 北京旷视科技有限公司 | 销量预测方法及其模型的训练方法、装置和电子系统 |
Non-Patent Citations (2)
Title |
---|
成品油配送优化管理系统研究与设计;贺振更等;《物流技术》;20070225(第02期);101-103 * |
王伯良.《创业管理学》.中共中央党校出版社,2005,329-330. * |
Also Published As
Publication number | Publication date |
---|---|
CN110610289A (zh) | 2019-12-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110610289B (zh) | 加油站成品油补货量预测方法、计算机存储介质及计算机设备 | |
CN112884404B (zh) | 一种智能供应链库存中转优化及异动预警系统 | |
US20080086392A1 (en) | Managing distribution of constrained product inventory from a warehouse | |
US8214313B1 (en) | Turn rate calculation | |
US7856371B2 (en) | Pull planning for unserviceable parts in connection with on-demand repair planning | |
KR101053200B1 (ko) | 컨테이너 자원의 최적화 관리 시스템 및 방법 | |
Papier et al. | Queuing models for sizing and structuring rental fleets | |
CN112862184A (zh) | 运输信息预测方法、装置、电子设备及可读存储介质 | |
CN113743862A (zh) | 基于产品分类的产品目标库存确定方法及系统 | |
US20160283897A1 (en) | Days of inventory determination based on constraints | |
CN115564359B (zh) | 汽车售后备件的库存预测方法、设备和存储介质 | |
Aktas et al. | Penalty and reward contracts between a manufacturer and its logistics service provider | |
Richter et al. | Robust strategic route planning in logistics | |
US20140052491A1 (en) | Incorporating A Repair Vendor Into Repair Planning For A Supply Chain | |
CN112132504A (zh) | 一种多阶段库存控制方法、系统、装置及可读存储介质 | |
US20050222887A1 (en) | Planning a supply of items to a first location associated with a supply chain from one or more second locations associated with the supply chain | |
Cooper et al. | Evaluating cost-to-serve for a retail supply chain | |
JP2003312848A (ja) | 製品流通システム、製品補充元装置、製品流通方法及び補充先倉庫端末 | |
Wyciślak et al. | Supply chain control tower and the adoption of intelligent dock booking for improving efficiency | |
CN110689289A (zh) | 一种行程成本计算方法、装置及系统 | |
KR102013882B1 (ko) | 폴리머 생산 스케줄링 방법 및 스케줄링 장치 | |
US20060100729A1 (en) | Method for determination of a lead time | |
US8249952B2 (en) | Incorporating a repair vendor into repair planning for a supply chain | |
Anderson | Forecasting Demand for Optimal Inventory with Long Lead Times: An Automotive Aftermarket Case Study | |
Queiros | Modeling Total Delivered Cost in the Automotive Industry |
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 |