CN110705777A - 用于预测备件储备量的方法、装置及系统 - Google Patents

用于预测备件储备量的方法、装置及系统 Download PDF

Info

Publication number
CN110705777A
CN110705777A CN201910922589.3A CN201910922589A CN110705777A CN 110705777 A CN110705777 A CN 110705777A CN 201910922589 A CN201910922589 A CN 201910922589A CN 110705777 A CN110705777 A CN 110705777A
Authority
CN
China
Prior art keywords
spare part
warehouse
spare
feature
group
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.)
Granted
Application number
CN201910922589.3A
Other languages
English (en)
Other versions
CN110705777B (zh
Inventor
夏蕴
支宸啸
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.)
Lenovo Beijing Ltd
Original Assignee
Lenovo Beijing 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 Lenovo Beijing Ltd filed Critical Lenovo Beijing Ltd
Priority to CN201910922589.3A priority Critical patent/CN110705777B/zh
Publication of CN110705777A publication Critical patent/CN110705777A/zh
Application granted granted Critical
Publication of CN110705777B publication Critical patent/CN110705777B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/231—Hierarchical techniques, i.e. dividing or merging pattern sets so as to obtain a dendrogram
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
    • G06K17/00—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations
    • G06K17/0022—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations arrangements or provisions for transferring data to distant stations, e.g. from a sensing device
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06Q10/0875—Itemisation or classification of parts, supplies or services, e.g. bill of materials
    • 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

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Marketing (AREA)
  • General Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Development Economics (AREA)
  • Computational Linguistics (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Biophysics (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Manufacturing & Machinery (AREA)
  • Primary Health Care (AREA)
  • Game Theory and Decision Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本公开提供了一种用于预测备件储备量的方法。所述方法包括：获取备件的出库记录；从所述出库记录中提取所述备件的出库特征；基于所述出库特征对所述备件进行聚类，得到对应的多个类别；确定第一备件在所述多个类别中所属的第一类别；以及以与所述第一类别中的备件相同的方式来预测所述第一备件的储备量。本公开还提供了一种用于预测备件储备量的装置、及系统。

Description

用于预测备件储备量的方法、装置及系统
技术领域
本公开涉及一种用于预测备件储备量的方法、装置及系统。
背景技术
工业设备管理的工业备品库存管理中，对备件的储备量的预测对备件的采购计划、设备维修保养计划以及企业的生产成本都有指导作用。精确的出库量预测能够有效提高工业备件的流转率从而降低库存成本。由于工业备品的种类十分复杂，不同种类的备件预测方法存在差异。
目前对不同种类的备件的储备量进行预测时，一种常用策略是利用备件标签进行筛选分类，然后对不同类别使用不同的建模预测方法。反而，由于备件标签是备件入库时设置的标签，往往是出于备件的所属设备等信息进行分类的，对于备件的使用数据提示作用不明确。
另一种常用策略是通过对备件历史使用数据进行观察，设置筛选条件(例如，时序值缺失比例与观测周之比)将备件区分为连续型备件和间断型备件两类，然后使用不同方法建模预测的。然而对备件历史使用数据进行观察来进行预测时，当某个备件为新引入的备件时，会存在历史数据积累不足，导致预测使用曲线时存在“冷启动”的问题。很难在早期提前提出采购的参考计划。
可见，现有技术中对备件进行储备情况预测时存在较大的不科学性，无法合理的预测备件的储备量变动情况。
发明内容
本公开的一个方面提供了用于预测备件储备量的方法。所述方法包括：获取备件的出库记录；从所述出库记录中提取所述备件的出库特征；基于所述出库特征对所述备件进行聚类，得到对应的多个类别；确定第一备件在所述多个类别中所属的第一类别；以及以与所述第一类别中的备件相同的方式来预测所述第一备件的储备量。
根据本公开的实施例，所述从所述出库记录中提取所述备件的出库特征包括：对所述出库记录按照第一规则处理，得到所述出库特征，其中所述第一规则包括获取每个备件的第一出库量时序特征、每个备件的属性特征、以及每个备件的出库量的统计学特征中的至少之一，其中，每个备件的出库量时序特征是按照固定的时间窗口对每个备件的时序出库量数据提取后进行合并得到的，每个备件的属性特征包括每个备件的一个或多个预置的属性信息。
根据本公开的实施例，所述从所述出库记录中提取所述备件的出库特征包括：对所述出库记录按照第二规则处理，得到所述出库特征，其中所述第二规则包括提取利用自编码神经网络对每个备件的时序出库量数据进行压缩得到的第二出库量时序特征。
根据本公开的实施例，所述从所述出库记录中提取所述备件的出库特征包括：对出库记录按照第一规则处理，得到所述备件的第一组特征，其中所述第一规则包括获取每个备件的第一出库量时序特征、每个备件的属性特征、以及每个备件的出库量的统计学特征中的至少之一，其中，每个备件的出库量时序特征是按照固定的时间窗口对每个备件的时序出库量数据提取后进行合并得到，每个备件的属性特征包括每个备件的一个或多个预置的属性信息；对所述出库记录按照第二规则处理，得到所述备件的第二组特征，其中所述第二规则包括提取利用自编码神经网络对每个备件的时序出库量数据进行压缩得到的第二出库量时序特征；对所述第一组特征和所述第二组特征进行量纲统一化处理，分别得到第一特征向量和第二特征向量；以及将所述第一特征向量和所述第二特征向量合并，得到所述出库特征。
根据本公开的实施例，所述对所述第一组特征和所述第二组特征进行量纲统一化处理，得到所述第一特征向量包括：基于第一组特征，对所述备件进行高斯混合聚类，得到k个类别；对于每个备件，获取每个备件归属于所述k个类别中的每个类别的概率，以得到k个概率值；以及通过所述k个概率值组成所述第一特征向量，其中k为大于等于2的整数。所述对所述第一组特征和所述第二组特征进行量纲统一化处理，得到所述第二特征向量包括：基于第二组特征，对所述备件进行高斯混合聚类，得到m个类别；对于每个备件，获取每个备件归属于所述m个类别中的每个类别的概率，以得到m个概率值；以及通过所述m个概率值组成所述第二特征向量，其中m为大于等于2的整数。
根据本公开的实施例，所述基于所述出库特征对所述备件进行聚类，得到对应的多个类别，包括基于所述出库特征，对所述备件进行层次聚类。
根据本公开的实施例，所述确定第一备件在所述多个类别中所属的第一类别包括：在所述备件包括所述第一备件的情况下，以在对所述备件进行聚类的聚类结果中所述第一备件所属的类别作为所述第一类别；或者在所述备件不包括所述第一备件的情况下，基于所述第一备件的所述出库特征将所述第一备件分类到所述多个类别其中之一，以确定所述第一类别。
本公开的另一方面，提供了一种用于预测备件储备量的装置。所述装置包括出库记录获取模块、出库特征提取模块、聚类模块以及库存预测模块。所述出库记录获取模块用于获取备件的出库记录。所述出库特征提取模块用于从所述出库记录中提取所述备件的出库特征。所述聚类模块用于基于所述出库特征对所述备件进行聚类，得到对应的多个类别。所述类别确定模块用于确定第一备件在所述多个类别中所属的第一类别。所述库存预测模块用于以与所述第一类别中的备件相同的方式来预测所述第一备件的储备量。
根据本公开的实施例，所述出库特征提取模块包括第一组特征提取子模块、第二组特征提取子模块、量纲统一子模块以及出库特征获得子模块。所述第一组特征提取子模块用于对出库记录按照第一规则处理，得到所述备件的第一组特征，其中所述第一规则包括获取每个备件的第一出库量时序特征、每个备件的属性特征、以及每个备件的出库量的统计学特征中的至少之一，其中，每个备件的出库量时序特征是按照固定的时间窗口对每个备件的时序出库量数据提取后进行合并得到，每个备件的属性特征包括每个备件的一个或多个预置的属性信息。所述第二组特征提取子模块用于对所述出库记录按照第二规则处理，得到所述备件的第二组特征，其中所述第二规则包括提取利用自编码神经网络对每个备件的时序出库量数据进行压缩得到的第二出库量时序特征。所述量纲统一子模块用于对所述第一组特征和所述第二组特征进行量纲统一化处理，分别得到第一特征向量和第二特征向量。所述出库特征获得子模块用于将所述第一特征向量和所述第二特征向量合并，得到所述出库特征。
本公开的另一方面提供了一种用于预测备件储备量的系统。所述系统包括处理器以及存储器。所述存储器上存储有可执行指令，所述指令被所述处理器执行时使所述处理器执行如上所述的方法。
本公开的另一方面提供了一种计算机可读存储介质，存储有计算机可执行指令，所述指令在被执行时用于实现如上所述的方法。
本公开的另一方面提供了一种计算机程序，所述计算机程序包括计算机可执行指令，所述指令在被执行时用于实现如上所述的方法。
附图说明
为了更完整地理解本公开及其优势，现在将参考结合附图的以下描述，其中：
图1示意性示出了根据本公开实施例的用于预测备件储备量的方法和装置的应用场景；
图2示意性示出了根据本公开一实施例的用于预测备件储备量的方法的流程图；
图3示意性示出了根据本公开实施例的用于预测备件储备量的方法中预测第一备件的储备量的方法流程；
图4示意性示出了根据本公开另一实施例的用于预测备件储备量的方法的流程图；
图5示意性示出了根据本公开又一实施例的用于预测备件储备量的方法的流程图；
图6示意性示出了根据本公开再一实施例的用于预测备件储备量的方法的流程图；
图7示意性示出了图6示例的用于预测备件储备量的方法中获得备件的出库特征的流程图；
图8示意性示出了根据本公开实施例的用于预测备件储备量的装置的框图；
图9示意性示出了图8所示的用于预测备件储备量的装置中出库特征提取模块的框图；以及
图10示意性示出了适于实现根据本公开实施例的用于预测备件储备量的方法的计算机系统的框图。
具体实施方式
以下，将参照附图来描述本公开的实施例。但是应该理解，这些描述只是示例性的，而并非要限制本公开的范围。在下面的详细描述中，为便于解释，阐述了许多具体的细节以提供对本公开实施例的全面理解。然而，明显地，一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本公开的概念。
在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在，但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义，除非另外定义。应注意，这里使用的术语应解释为具有与本说明书的上下文相一致的含义，而不应以理想化或过于刻板的方式来解释。
在使用类似于“A、B和C等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。在使用类似于“A、B或C等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有A、B或C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。
附图中示出了一些方框图和/或流程图。应理解，方框图和/或流程图中的一些方框或其组合可以由计算机程序指令来实现。这些计算机程序指令可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，从而这些指令在由该处理器执行时可以创建用于实现这些方框图和/或流程图中所说明的功能/操作的装置。本公开的技术可以硬件和/或软件(包括固件、微代码等)的形式来实现。另外，本公开的技术可以采取存储有指令的计算机可读存储介质上的计算机程序产品的形式，该计算机程序产品可供指令执行系统使用或者结合指令执行系统使用。
本公开的实施例提供了用于预测备件储备量的方法、装置和系统。该方法包括首先获取备件的出库记录，然后从出库记录中提取备件的出库特征，接着基于出库特征对备件进行聚类，得到对应的多个类别，之后确定第一备件在多个类别中所属的第一类别，以及以与第一类别中的备件相同的方式来预测第一备件的储备量。
根据本公开的实施例，在根据出库特征对备件进行聚类后，对同一种类的备件采用相同方式进行储备量的预测。其中，根据出库特征对备件进行分类的手段比基于备件入库时的标签信息的分类，更能反映备件的出库使用情况，从而使得对备件的储备量的预测更为准确，且更贴近实际情况。而且，对备件储备量进行建模预测的工作人员不需要对备件库管掌握很深的知识，也能够得到准确的预测结果，提高了备件管理的效率，降低工作人员进行备件管理的学习成本。
图1示意性示出了根据本公开实施例的用于预测备件储备量的方法和装置的应用场景100。需要注意的是，图1所示仅为可以应用本公开实施例的场景的示例，以帮助本领域技术人员理解本公开的技术内容，但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。
如图1所示，该应用场景100可以包括信息采集设备101(例如，扫描仪)、用户终端102、以及服务器103。其中，信息采集设备101和用户终端102之间可以进行通信，例如通过有线、或者无线(例如，蓝牙、NFC近场通信、或者wifi等)。用户终端102和服务器103之间可以通过有线或无线网络进行通信。
信息采集设备101可以用于采集备件(例如，螺丝10)的信息，并将采集的信息发送给用户终端102。一般地，备件在入库时都会对备件设置标签，例如在螺丝10的表面粘贴二维码等，或者在存放螺丝10的容器中粘贴识别标签等。在螺丝10出库时，通过信息采集设备101扫描螺丝10的标签信息，以获得用于登记螺丝10的出库记录的原始信息。当然，信息采集设备101也可以是键盘等输入设备，仓库管理人员可以通过键盘来输入螺丝10的信息。
用户终端102中可以运行有仓库管理的应用程序，以接收信息采集设备101采集得到的采集螺丝10的信息，并根据螺丝10的信息获得螺丝10的出库记录，以及将螺丝10的出库记录上传给服务器103，并获得服务器103预测的螺丝10的储备量等信息。用户终端102可以包括显示屏。在显示屏中可以显示采集得到的螺丝10的信息、螺丝10的出库记录、以及螺丝10的储备量的预测信息等，以帮助仓库管理人员对螺丝10进行管理。
服务器103可以接收用户终端102上传的螺丝10的出库记录，并执行根据本公开实施例的用于预测备件储备量的方法，来预测螺丝10的储备量等情况。
需要说明的是，本公开实施例所提供的用于预测备件储备量的方法一般可以由服务器103执行。相应地，本公开实施例所提供的用于预测备件储备量的装置一般可以设置于服务器103中。本公开实施例所提供的用于预测备件储备量的方法也可以由不同于服务器103且能够与用户终端102和/或服务器103通信的服务器或服务器集群执行。相应地，本公开实施例所提供的用于预测备件储备量的装置也可以设置于不同于服务器103且能够与用户终端102和/或服务器103通信的服务器或服务器集群中。
应该理解，图1中仅仅是以螺丝10作为备件的一个示例，示例性示出了对备件的信息采集和处理的过程，以方便对本公开实施例的方法在执行时的数据传输和处理过程有感性的认知。在实际使用中仓库中的备件的数量和种类可以不计其数，而对每个备件的信息采集和处理过程都可以按照类似于图1所示的对螺丝10的处理过程进行。其中图1所示的信息采集设备、用户终端、和服务器的数目也仅仅是示意性的。根据实现需要，可以具有任意数目和种类的信息采集设备、用户终端、和服务器。
以下结合图1的应用场景，结合图2～图7对本公开实施例的方法进行示例性说明。
图2示意性示出了根据本公开一实施例的用于预测备件储备量的方法的流程图。
如图2所示，该用于预测备件储备量的方法包括操作S210～操作S250。
在操作S210，获取备件的出库记录。备件的出库记录的内容例如可以如下表1所示。
表1示意性出了备件的出库记录表。该出库记录表可以是用于记录仓库中所有备件的出库信息的记录表，可以用于记录最细粒度的备件出库情况。例如记录每一天每个种类的备件的出库信息。表1中“应用该备件的主设备”可以根据备件的用途而定，例如编号01的螺丝的用途是应用与A型号的笔记本电脑的转轴中，那么应用编号01的螺丝的主设备就是A型号的笔记本电脑。
表1
Figure BDA0002216907320000091
在操作S220，从出库记录中提取备件的出库特征。例如，在一个实施例中，可以通过曲线拟合得到每个种类的备件的出库量随时间的变化关系，并从该变化关系中提取出备件的出库特征。每个种类的备件的出库特征，例如可以是备件的出库量随时间的变化关系中的参数、备件的统计学特征(例如，月总出库量、日均出库量)、备件本身的属性(单价、重量、应用该备件的主设备的价值等)等等。根据本公开的实施例，关于操作S220的具体实施的不同实施例，可以参考下文图4～图6的相关描述。
在操作S230，基于出库特征对备件进行聚类，得到对应的多个类别。
在操作S240，确定第一备件在多个类别中所属的第一类别。在操作S250，以与第一类别中的备件相同的方式来预测第一备件的储备量。其中，第一备件为需要进行储备量预测的特定的备件，例如图1中的螺丝10。
第一备件可以是在操作S210～操作S230中参与聚类过程的备件，也可以是在操作S210～操作S230聚类后新入仓库的备件。对于该两种不同情况，在确定第一备件在多个类别中所属的第一类别时，可以按照不同的逻辑进行。在操作S210～操作S230中进行聚类的备件中包括第一备件的情况下，根据聚类结果中第一备件所属的类别作为第一类别；或者在操作S210～操作S230中进行聚类的备件中不包括第一备件的情况下，基于第一备件的出库特征将第一备件分类到多个类别其中之一，以确定第一类别，例如参考图3的示意。
图3示意性示出了根据本公开实施例的用于预测备件储备量的方法中操作S250预测第一备件的储备量的方法流程。
如图3所示，该第一备件例如可以是新进入仓库的备件。从而，操作S250中预测第一备件的储备量的过程可以包括操作S251～操作S254。
首先在操作S251，获取第一备件的出库记录。然后在操作S252，提取第一备件的出库特征，具体提取过程可以参考操作S220。然后在操作S253，基于第一备件的出库特征将第一备件分类到多个类别(例如，类别1，类别2，...，类别n)其中之一。最后在操作S254，按照第一备件所分到的第一类别的储备量预测模型，对第一备件的储备量进行预测。以此方式，对于仓库中新备件(即，新种类的备件)，在积累了早期若干出库记录后，就可以根据该新备件的出库记录找到该新备件的出库特征，并依据该该新备件的出库特征，划分出类别归属性，然后采用与该新备件出库特征相似类的其他备件的预测模型来预测该新备件的库存储备情况。
根据本公开的实施例，操作S230中在对仓库的备件进行聚类时，可以是基于备件的出库特征，进行层次聚类。层次聚类可以得到具有多级父子关系的类别。当在图3的示意中对新备件进行聚类时，如果新备件的出库记录较少使得提取到的出库特征较为稀疏时，至少可以将新备件分类至某一父级的类别中，从而避免新备件无法准确地分类的问题。或者，在一些实施例中，由于新备件的出库记录较少，提取的出库特征不够完备，也可以将新备件划分到其可能属于的若干种类别(可能是一种，也可能是多种)，从而对新备件的库存储备情况给出多个预测结果，供仓库管理人员参考。
根据本公开的实施例，在根据出库特征对备件进行聚类后，对同一种类的备件采用相同方式进行储备量的预测。其中，根据出库特征对备件进行分类手段比相关技术中基于备件入库时的标签的分类，更能反映备件的出库使用情况，从而使得对备件的储备量的预测更为准确，且更贴近实际情况。
以下结合图4～图6的不同实施例，对提取出库特征的不同实现进行示例性描述。
图4示意性示出了根据本公开另一实施例的用于预测备件储备量的方法的流程图。
如图4所示，该用于预测备件储备量的方法可以包括操作S210、操作S420以及操作S230～操作S250。其中操作S210、操作S230～操作S250如前，此处不再赘述。
操作S420为操作S220的一个具体实施例。其中在操作S420，对出库记录按照第一规则处理，得到出库特征，其中第一规则包括获取每个备件的第一出库量时序特征、每个备件的属性特征、以及每个备件的出库量的统计学特征中的至少之一。其中，每个备件的出库量时序特征是按照固定的时间窗口对每个备件的时序出库量数据提取后进行合并得到的，每个备件的属性特征包括每个备件的一个或多个预置的属性信息。
在一个实施例中，对每个备件的出库记录按照第一规则处理，得到的出库特征的内容可以参考表2的示例。表2中以一个月为固定的时间窗口。
表2
Figure BDA0002216907320000111
参考表2的示例，其中，每个备件的第一出库量时序特征例如可以是对一个月内该备件的出库记录汇总得到的总出库量等特征数据。每个备件的出库量的统计学特征例如可以是该备件在一个月内的日均出库量、日出库量方差/标准差，或者也可以是该备件在一个月内的日出库量所符合的概率分布中的参数等(例如，正态分布中的方差、均值等)。每个备件的属性特征例如可以是一个或多个预置的属性信息，例如每个备件的单价、应用每个备件的主设备的价值(例如，单价等)。
根据本公开的实施例，对每个备件的出库记录按照第一规则处理，得到的出库特征可以反映每个备件的实际使用的特性。从而根据本公开实施例获得的聚类结果，可以将具有相同实际使用特性的备件归类在一类，然后对同一类别中的备件使用相同的方式预测库存储备量。
图5示意性示出了根据本公开又一实施例的用于预测备件储备量的方法的流程图。
如图5所示，该用于预测备件储备量的方法包括操作S210、操作S520以及操作S230～操作S250。其中，操作S210、操作S230～操作S250如前所述，此处不再赘述。
操作S520为操作S220的一个具体实施例。在操作S520，对出库记录按照第二规则处理，得到出库特征。其中第二规则包括提取利用自编码神经网络对每个备件的时序出库量数据进行压缩得到的第二出库量时序特征。
自编码神经网络的数据处理过程包括先压缩数据维度、然后再还原数据维度。自编码神经网络的具体使用过程例如可以是：首先搭建一个自编码神经网络的模型(一般至少大于3层，例如16层)；然后对每一个备件，按照出库记录来训练该自编码神经网络，让该自编码神经网络去学习这个备件的出库记录的特征，其中该自编码神经网络可以对获得的每个备件的出库记录的数据先进行维度压缩，然后再进行维度还原；然后当自编码神经网络的输出与输入的数据一致时训练完成。
在本公开实施例中，该自编码神经网络的输入例如可以是每个备件在一年365天内每天的出库量。即，自编码神经网络的输入层是365维的数据。对此，可以设计一个16层的自编码神经网络模型，其中第1～8层进行数据压缩，然后从9～16层进行数据还原。其中，第8层设计输出的数据维度为16维，第一层和第16层还原出的数据维度为365维。从而在操作S520中可以从第8层提取出16维的特征数据(即，第二出库量时序特征)，作为出库特征。在该实施例中，自编码神经网络提取得到的出库特征，可以反映出例如备件出库量随时间变化所呈现的曲线的轮廓形状等更为深层次的数据处理特性。
以此方式，根据本公开实施例的出库特征获得的聚类结果，可以将在数据处理层面具有相似特性的备件归类在一类，然后对同一类别中的备件使用相同的方式预测库存储备量。
图6示意性示出了根据本公开再一实施例的用于预测备件储备量的方法的流程图。
如图6所示，该用于预测备件储备量的方法可以包括操作S210、操作S621～操作S624、以及S230～操作S250。其中，操作S210、操作S230～操作S250如前，此处不再赘述。
操作S621～操作S624为操作S220的一个具体实施例。
在操作S621，对出库记录按照第一规则处理，得到备件的第一组特征，其中第一规则包括获取每个备件的第一出库量时序特征、每个备件的属性特征、以及每个备件的出库量的统计学特征中的至少之一。其中，每个备件的出库量时序特征是按照固定的时间窗口对每个备件的时序出库量数据提取后进行合并得到，每个备件的属性特征包括每个备件的一个或多个预置的属性信息。根据本公开的实施例，操作S621中对出库记录按照第一规则处理的过程与操作S420类似，所不同的是操作S621中处理所得的特征数据是作为备件的第一组特征，待进一步处理后才得到出库特征，而操作S420中可以将处理所得的特征数据直接作为出库特征。如在图4中所描述的，该第一组特征可以反映每个备件的实际使用的特性。
在操作S622，对出库记录按照第二规则处理，得到备件的第二组特征，其中第二规则包括提取利用自编码神经网络对每个备件的时序出库量数据进行压缩得到的第二出库量时序特征。根据本公开的实施例，操作S622中对出库记录按照第二规则处理的过程与操作S520类似，所不同的是操作S622中处理所得的特征数据是作为备件的第二组特征，待进一步处理后才得到出库特征，而操作S520中可以将处理所得的特征数据直接作为出库特征。如在图5中所描述的，可以反映出例如备件出库量随时间变化所呈现的曲线的轮廓形状等更为深层次的数据处理特性。
在操作S623，对第一组特征和第二组特征进行量纲统一化处理，分别得到第一特征向量和第二特征向量。
在操作S624，将第一特征向量和第二特征向量合并，得到出库特征。
第一组特征所反映的特征与实际使用情况相关。第二组特征所反映的特征与深度数据处理过程相关。第一组特征和第二组特征的意义不同，通过量纲同一化处理后合并得到的出库特征，可以更为客观以及更深层次地体现出备件的出库特性。
以此方式，根据本公开实施例的出库特征获得的聚类结果，能够将实际使用特性和数据处理特性两方面均相似的备件归类在一类，然后对同一类别中的备件使用相同的方式预测库存储备量，使得预测结果更客观。
根据本公开的实施例，第一组特征和第二组特征的提取方式不同，二者的意义不同。在进行量纲统一化处理时，可以通过归一化、构造函数等方式进行。本公开实施例提供了一种量纲统一化处理的方式，可以参考下文关于图7的示例性描述。
图7示意性示出了图6示例的用于预测备件储备量的方法中获得备件的出库特征的流程图。
如图7所示，对于每个备件，基于该备件的出库记录在操作S621中和操作S622中分别得到该备件的第一组特征和第二组特征。
然后在操作S623中，对每个备件的第一组特征和第二组特征进行量纲统一化处理，得到第一特征向量。具体地，首先基于每个备件的第一组特征，对仓库中的多个备件进行高斯混合聚类，得到k个类别；然后对于每个备件，获取每个备件归属于所述k个类别中的每个类别的概率，以得到k个概率值p1，p2，...，pk；接着通过所述k个概率值组成所述第一特征向量其中k为大于等于2的整数。
以及在操作S623中，对每个备件的第一组特征和所述第二组特征进行量纲统一化处理，得到所述第二特征向量。具体地，首先基于每个备件的第二组特征，对仓库中的多个备件进行高斯混合聚类，得到m个类别；然后对于每个备件，获取每个备件归属于所述m个类别中的每个类别的概率，以得到m个概率值q1，q2，...，qm；接着通过所述m个概率值组成所述第二特征向量
Figure BDA0002216907320000151
其中m为大于等于2的整数。
之后，在操作S624中合并第一特征向量和第二特征向量，得到合并特征向量
Figure BDA0002216907320000152
以该合并特征向量作为备件的出库特征。
在图7的实施例中，在操作S623中基于第一组特征和第二组特征分别对备件进行聚类时使用高斯混合聚类，可以使得到的聚类结果更稳定，从而使操作S624中获得的备件的出库特征更稳定。当然，在一些实施例中，也可以使用K-means等聚类方法替代高斯混合聚类
图8示意性示出了根据本公开实施例的用于预测备件储备量的装置800的框图。
如图8所示，该用于预测备件储备量的装置800可以包括出库记录获取模块810、出库特征提取模块820、聚类模块830、类别确定模块840以及库存预测模块850。该装置800可以用于执行参考图2～图7所描述的用于预测备件储备量的方法。
出库记录获取模块810例如可以执行操作S210，用于获取备件的出库记录。
出库特征提取模块820例如可以执行操作S220、或操作S420、或操作S520、或操作S621～操作S624，用于从出库记录中提取备件的出库特征。
聚类模块830例如可以执行操作S230，用于基于出库特征对备件进行聚类，得到对应的多个类别。
类别确定模块840例如可以执行操作S240，用于确定第一备件在多个类别中所属的第一类别。
库存预测模块850例如可以执行操作S250，用于以与第一类别中的备件相同的方式来预测第一备件的储备量。
图9示意性示出了图8所示的用于预测备件储备量的装置800中出库特征提取模块820的框图。
如图9所示，出库特征提取模块820可以包括第一组特征提取子模块821、第二组特征提取子模块822、量纲统一子模块823以及出库特征获得子模块824。
第一组特征提取子模块821例如可以执行操作S621，用于对出库记录按照第一规则处理，得到备件的第一组特征，其中第一规则包括获取每个备件的第一出库量时序特征、每个备件的属性特征、以及每个备件的出库量的统计学特征中的至少之一，其中，每个备件的出库量时序特征是按照固定的时间窗口对每个备件的时序出库量数据提取后进行合并得到，每个备件的属性特征包括每个备件的一个或多个预置的属性信息。
第二组特征提取子模块822例如可以执行操作S622，用于对出库记录按照第二规则处理，得到备件的第二组特征，其中第二规则包括提取利用自编码神经网络对每个备件的时序出库量数据进行压缩得到的第二出库量时序特征。
量纲统一子模块823例如可以执行操作S623，用于对第一组特征和第二组特征进行量纲统一化处理，分别得到第一特征向量和第二特征向量。
出库特征获得子模块824例如可以执行操作S624，用于将第一特征向量和第二特征向量合并，得到出库特征。
根据本公开的实施例的模块、子模块、单元、子单元中的任意多个、或其中任意多个的至少部分功能可以在一个模块中实现。根据本公开实施例的模块、子模块、单元、子单元中的任意一个或多个可以被拆分成多个模块来实现。根据本公开实施例的模块、子模块、单元、子单元中的任意一个或多个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC)，或可以通过对电路进行集成或封装的任何其他的合理方式的硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，根据本公开实施例的模块、子模块、单元、子单元中的一个或多个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。
例如，出库记录获取模块810、出库特征提取模块820、聚类模块830、类别确定模块840、库存预测模块850、第一组特征提取子模块821、第二组特征提取子模块822、量纲统一子模块823以及出库特征获得子模块824中的任意多个可以合并在一个模块中实现，或者其中的任意一个模块可以被拆分成多个模块。或者，这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合，并在一个模块中实现。根据本公开的实施例，出库记录获取模块810、出库特征提取模块820、聚类模块830、类别确定模块840、库存预测模块850、第一组特征提取子模块821、第二组特征提取子模块822、量纲统一子模块823以及出库特征获得子模块824中的至少一个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC)，或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，出库记录获取模块810、出库特征提取模块820、聚类模块830、类别确定模块840、库存预测模块850、第一组特征提取子模块821、第二组特征提取子模块822、量纲统一子模块823以及出库特征获得子模块824中的至少一个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。
图10示意性示出了适于实现根据本公开实施例的用于预测备件储备量的方法的计算机系统1000的框图。图10示出的计算机系统1000仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图10所示，计算机系统1000包括处理器1010、以及计算机可读存储介质1020。该计算机系统1000可以执行根据本公开实施例的方法。
具体地，处理器1010例如可以包括通用微处理器、指令集处理器和/或相关芯片组和/或专用微处理器(例如，专用集成电路(ASIC))，等等。处理器1010还可以包括用于缓存用途的板载存储器。处理器1010可以是用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。
计算机可读存储介质1020，例如可以是非易失性的计算机可读存储介质，具体示例包括但不限于：磁存储装置，如磁带或硬盘(HDD)；光存储装置，如光盘(CD-ROM)；存储器，如随机存取存储器(RAM)或闪存；等等。
计算机可读存储介质1020可以包括计算机程序1021，该计算机程序1021可以包括代码/计算机可执行指令，其在由处理器1010执行时使得处理器1010执行根据本公开实施例的方法或其任何变形。
计算机程序1021可被配置为具有例如包括计算机程序模块的计算机程序代码。例如，在示例实施例中，计算机程序1021中的代码可以包括一个或多个程序模块，例如包括1021A、模块1021B、……。应当注意，模块的划分方式和个数并不是固定的，本领域技术人员可以根据实际情况使用合适的程序模块或程序模块组合，当这些程序模块组合被处理器1010执行时，使得处理器1010可以执行根据本公开实施例的方法或其任何变形。
根据本发明的实施例，出库记录获取模块810、出库特征提取模块820、聚类模块830、类别确定模块840、库存预测模块8100、第一组特征提取子模块821、第二组特征提取子模块822、量纲统一子模块823以及出库特征获得子模块824中的至少一个可以实现为参考图10描述的计算机程序模块，其在被处理器1010执行时，可以实现上面描述的相应操作。
本公开还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中描述的设备/装置/系统中所包含的；也可以是单独存在，而未装配入该设备/装置/系统中。上述计算机可读存储介质承载有一个或者多个程序，当上述一个或者多个程序被执行时，实现根据本公开实施例的方法。
根据本公开的实施例，计算机可读存储介质可以是非易失性的计算机可读存储介质，例如可以包括但不限于：便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
本领域技术人员可以理解，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合，即使这样的组合或结合没有明确记载于本公开中。特别地，在不脱离本公开精神和教导的情况下，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。
尽管已经参照本公开的特定示例性实施例示出并描述了本公开，但是本领域技术人员应该理解，在不背离所附权利要求及其等同物限定的本公开的精神和范围的情况下，可以对本公开进行形式和细节上的多种改变。因此，本公开的范围不应该限于上述实施例，而是应该不仅由所附权利要求来进行确定，还由所附权利要求的等同物来进行限定。

Claims (10)

1.一种用于预测备件储备量的方法，包括：
获取备件的出库记录；
从所述出库记录中提取所述备件的出库特征；
基于所述出库特征对所述备件进行聚类，得到对应的多个类别；
确定第一备件在所述多个类别中所属的第一类别；以及
以与所述第一类别中的备件相同的方式来预测所述第一备件的储备量。
2.根据权利要求1所述的方法，其中，所述从所述出库记录中提取所述备件的出库特征包括：
对所述出库记录按照第一规则处理，得到所述出库特征，其中所述第一规则包括获取每个备件的第一出库量时序特征、每个备件的属性特征、以及每个备件的出库量的统计学特征中的至少之一，其中，每个备件的出库量时序特征是按照固定的时间窗口对每个备件的时序出库量数据提取后进行合并得到的，每个备件的属性特征包括每个备件的一个或多个预置的属性信息。
3.根据权利要求1所述的方法，其中，所述从所述出库记录中提取所述备件的出库特征包括：
对所述出库记录按照第二规则处理，得到所述出库特征，其中所述第二规则包括提取利用自编码神经网络对每个备件的时序出库量数据进行压缩得到的第二出库量时序特征。
4.根据权利要求1所述的方法，其中，所述从所述出库记录中提取所述备件的出库特征包括：
对出库记录按照第一规则处理，得到所述备件的第一组特征，其中所述第一规则包括获取每个备件的第一出库量时序特征、每个备件的属性特征、以及每个备件的出库量的统计学特征中的至少之一，其中，每个备件的出库量时序特征是按照固定的时间窗口对每个备件的时序出库量数据提取后进行合并得到，每个备件的属性特征包括每个备件的一个或多个预置的属性信息；
对所述出库记录按照第二规则处理，得到所述备件的第二组特征，其中所述第二规则包括提取利用自编码神经网络对每个备件的时序出库量数据进行压缩得到的第二出库量时序特征；
对所述第一组特征和所述第二组特征进行量纲统一化处理，分别得到第一特征向量和第二特征向量；以及
将所述第一特征向量和所述第二特征向量合并，得到所述出库特征。
5.根据权利要求4所述的方法，其中：
对所述第一组特征和所述第二组特征进行量纲统一化处理，得到所述第一特征向量包括：
基于第一组特征，对所述备件进行高斯混合聚类，得到k个类别；
对于每个备件，获取每个备件归属于所述k个类别中的每个类别的概率，以得到k个概率值；以及
通过所述k个概率值组成所述第一特征向量，其中k为大于等于2的整数；
对所述第一组特征和所述第二组特征进行量纲统一化处理，得到所述第二特征向量包括：
基于第二组特征，对所述备件进行高斯混合聚类，得到m个类别；
对于每个备件，获取每个备件归属于所述m个类别中的每个类别的概率，以得到m个概率值；以及
通过所述m个概率值组成所述第二特征向量，其中m为大于等于2的整数。
6.根据权利要求1所述的方法，其中，所述基于所述出库特征对所述备件进行聚类，得到对应的多个类别包括：
基于所述出库特征，对所述备件进行层次聚类。
7.根据权利要求1所述的方法，其中，所述确定第一备件在所述多个类别中所属的第一类别包括：
在所述备件包括所述第一备件的情况下，以在对所述备件进行聚类的聚类结果中所述第一备件所属的类别作为所述第一类别；或者
在所述备件不包括所述第一备件的情况下，基于所述第一备件的所述出库特征将所述第一备件分类到所述多个类别其中之一，以确定所述第一类别。
8.一种用于预测备件储备量的装置，包括：
出库记录获取模块，用于获取备件的出库记录；
出库特征提取模块，用于从所述出库记录中提取所述备件的出库特征；
聚类模块，用于基于所述出库特征对所述备件进行聚类，得到对应的多个类别；
类别确定模块，用于确定第一备件在所述多个类别中所属的第一类别；以及
库存预测模块，用于以与所述第一类别中的备件相同的方式来预测所述第一备件的储备量。
9.根据权利要求8所述的装置，其中，所述出库特征提取模块包括：
第一组特征提取子模块，用于对出库记录按照第一规则处理，得到所述备件的第一组特征，其中所述第一规则包括获取每个备件的第一出库量时序特征、每个备件的属性特征、以及每个备件的出库量的统计学特征中的至少之一，其中，每个备件的出库量时序特征是按照固定的时间窗口对每个备件的时序出库量数据提取后进行合并得到，每个备件的属性特征包括每个备件的一个或多个预置的属性信息；
第二组特征提取子模块，用于对所述出库记录按照第二规则处理，得到所述备件的第二组特征，其中所述第二规则包括提取利用自编码神经网络对每个备件的时序出库量数据进行压缩得到的第二出库量时序特征；
量纲统一子模块，用于对所述第一组特征和所述第二组特征进行量纲统一化处理，分别得到第一特征向量和第二特征向量；以及
出库特征获得子模块，用于将所述第一特征向量和所述第二特征向量合并，得到所述出库特征。
10.一种用于预测备件储备量的系统，包括：
处理器；以及
存储器，其上存储有可执行指令，所述指令被所述处理器执行时使所述处理器执行根据权利要求1～7任意一项所述的方法。
CN201910922589.3A 2019-09-26 2019-09-26 用于预测备件储备量的方法、装置及系统 Active CN110705777B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910922589.3A CN110705777B (zh) 2019-09-26 2019-09-26 用于预测备件储备量的方法、装置及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910922589.3A CN110705777B (zh) 2019-09-26 2019-09-26 用于预测备件储备量的方法、装置及系统

Publications (2)

Publication Number Publication Date
CN110705777A true CN110705777A (zh) 2020-01-17
CN110705777B CN110705777B (zh) 2022-07-26

Family

ID=69197834

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910922589.3A Active CN110705777B (zh) 2019-09-26 2019-09-26 用于预测备件储备量的方法、装置及系统

Country Status (1)

Country Link
CN (1) CN110705777B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111325920A (zh) * 2020-02-10 2020-06-23 上海探能实业有限公司 一种备件智取柜及系统
CN117557071A (zh) * 2024-01-11 2024-02-13 迈创企业管理服务股份有限公司 稀疏时间序列的预测方法、设备、存储介质及应用

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004295667A (ja) * 2003-03-27 2004-10-21 Seiko Epson Corp 交換部品在庫予測装置、交換部品在庫予測方法、及びプログラム
CN105160513A (zh) * 2015-09-07 2015-12-16 拓维信息系统股份有限公司 一种设备备件的安全库存计算方法及系统
WO2016033969A1 (zh) * 2014-09-02 2016-03-10 中兴通讯股份有限公司 业务数据量和/或资源数据量的预测方法及预测系统
CN108133391A (zh) * 2017-12-22 2018-06-08 联想(北京)有限公司 销量预测方法以及服务器
CN108537399A (zh) * 2017-03-02 2018-09-14 华为技术有限公司 一种物料需求量的预测方法及装置
CN109002944A (zh) * 2018-10-10 2018-12-14 红云红河烟草(集团)有限责任公司 一种卷包车间备件需求的预测方法
CN110147975A (zh) * 2019-05-23 2019-08-20 北京润科通用技术有限公司 备件库存控制方法及装置

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004295667A (ja) * 2003-03-27 2004-10-21 Seiko Epson Corp 交換部品在庫予測装置、交換部品在庫予測方法、及びプログラム
WO2016033969A1 (zh) * 2014-09-02 2016-03-10 中兴通讯股份有限公司 业务数据量和/或资源数据量的预测方法及预测系统
CN105160513A (zh) * 2015-09-07 2015-12-16 拓维信息系统股份有限公司 一种设备备件的安全库存计算方法及系统
CN108537399A (zh) * 2017-03-02 2018-09-14 华为技术有限公司 一种物料需求量的预测方法及装置
CN108133391A (zh) * 2017-12-22 2018-06-08 联想(北京)有限公司 销量预测方法以及服务器
CN109002944A (zh) * 2018-10-10 2018-12-14 红云红河烟草(集团)有限责任公司 一种卷包车间备件需求的预测方法
CN110147975A (zh) * 2019-05-23 2019-08-20 北京润科通用技术有限公司 备件库存控制方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
李保华 等: ""备件需求预测模型研究"", 《航空维修与工程》 *
李国强: ""基于模糊聚类与关联分析的备件分类与预测研究——以某半导体封装测试公司为例"", 《中国优秀博硕士学位论文全文数据库(硕士)经济与管理科学辑》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111325920A (zh) * 2020-02-10 2020-06-23 上海探能实业有限公司 一种备件智取柜及系统
CN117557071A (zh) * 2024-01-11 2024-02-13 迈创企业管理服务股份有限公司 稀疏时间序列的预测方法、设备、存储介质及应用

Also Published As

Publication number Publication date
CN110705777B (zh) 2022-07-26

Similar Documents

Publication Publication Date Title
WO2019196545A1 (zh) 保险欺诈识别的数据处理方法、装置、设备及服务器
AU2018271385A1 (en) Machine learning classification and prediction system
CN113051317B (zh) 一种数据挖掘模型更新方法、系统、计算机设备及可读介质
US20150302433A1 (en) Automatic Generation of Custom Intervals
WO2006102381A2 (en) Constrained tree structure method and system
CN105225135B (zh) 潜力客户识别方法以及装置
CN111028016A (zh) 销量数据预测方法、装置以及相关设备
CN109241669A (zh) 一种自动建模方法、装置及其存储介质
WO2007106786A2 (en) Methods and systems for multi-credit reporting agency data modeling
CN112241494B (zh) 基于用户行为数据的关键信息推送方法及装置
CN110705777B (zh) 用于预测备件储备量的方法、装置及系统
CN107274066B (zh) 一种基于lrfmd模型的共享交通客户价值分析方法
CN118468061B (zh) 一种算法自动匹配及参数优化方法及系统
Manikam et al. Business intelligence addressing service quality for big data analytics in public sector
CN111831715A (zh) 一种基于人工智能大数据智慧接访及存证系统及方法
US20130173452A1 (en) Determining a personalized fusion score
CN115983900A (zh) 用户营销策略的构建方法、装置、设备、介质和程序产品
CN117150138B (zh) 一种基于高维空间映射的科技资源组织方法及系统
CN114119068A (zh) 一种药店企业微信客户群的智能分析方法及管理平台
US11227288B1 (en) Systems and methods for integration of disparate data feeds for unified data monitoring
CN116861226A (zh) 一种数据处理的方法以及相关装置
CN114330720A (zh) 用于云计算的知识图谱构建方法、设备及存储介质
CN110163482B (zh) 确定活动方案的安全方案数据的方法、终端设备及服务器
Bestman et al. The efficacy of the big data syndrome and organizational information governance
CN112926816B (zh) 供应商评价方法、装置、计算机设备和存储介质

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