CN110826814A - 备件库存确定方法、备件库存确定装置和电子设备 - Google Patents
备件库存确定方法、备件库存确定装置和电子设备 Download PDFInfo
- Publication number
- CN110826814A CN110826814A CN201911111910.6A CN201911111910A CN110826814A CN 110826814 A CN110826814 A CN 110826814A CN 201911111910 A CN201911111910 A CN 201911111910A CN 110826814 A CN110826814 A CN 110826814A
- Authority
- CN
- China
- Prior art keywords
- data
- historical
- spare part
- parameter
- historical data
- 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
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
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- General Factory Administration (AREA)
Abstract
本公开提供了一种备件库存确定方法。该方法包括:一方面,获取待测备件关于指定时间区间的预测需求数据。另一方面,获取优化模型。其中,优化模型基于待测备件的多组历史数据以及启发式学习过程得到,多组历史数据中的每组历史数据包括:历史预测需求数据和历史实际使用数据。将所获取的预测需求数据输入至优化模型的输入层,以使优化模型的输出层输出待测备件关于指定时间区间的预测库存数据。本公开还提供了一种备件库存确定装置和电子设备。
Description
技术领域
本公开涉及一种备件库存确定方法、备件库存确定装置和电子设备。
背景技术
备件亦称备品配件(Spare Parts),是指生产设备在正常运行的情况下,为保证安全生产必须预先储备的设备、部件、材料和配件。目前在生产厂商、面向消费者的商场、物流等众多方面均需要进行物品的备件管理(Spare Parts Management),使得物品的备件需求能够满足合理的消耗。例如,生产厂商需要针对其所生产的物品进行备件管理,使得备件的储备在保修期间满足用户对备件更换的需求,同时还需要降低整个备件供应链的运营成本,如物流成本、库存成本等。这其中的重要环节是对用户在未来时间内的备件需求做出准确的预测,从而才能对备件供应链余下环节如采购、物流、库存和服务等产生积极影响。
但是,由于对备件的消耗并不是规律的,因此目前对备件需求进行预测时,特别是涉及到针对大量物品的备件需求进行预测时,没有相适配的预测方法,往往导致预测结果不准确,从而增加备件管理压力。
发明内容
本公开的一个方面提供了一种备件库存确定方法。该方法包括:一方面,获取待测备件关于指定时间区间的预测需求数据。另一方面,获取优化模型。其中,优化模型基于待测备件的多组历史数据以及启发式学习过程得到,多组历史数据中的每组历史数据包括:历史预测需求数据和历史实际使用数据。将所获取的预测需求数据输入至优化模型的输入层,以使优化模型的输出层输出待测备件关于指定时间区间的预测库存数据。
可选地,上述启发式学习过程包括:首先,获取模型结构。然后,基于该模型结构和多组历史数据中的第一数量组历史数据,确定该模型结构的初始参数。接着,基于多组历史数据中的第二数量组历史数据,利用模拟退火算法对该模型结构的初始参数进行迭代优化,以得到优化模型。
可选地,上述基于模型结构和多组历史数据中的第一数量组历史数据,确定模型结构的初始参数包括:先确定第一数量组历史数据中的历史预测需求数据相对于历史实际使用数据的均方根误差。然后,对于第一数量组历史数据中的任一组历史数据,确定该任一组历史数据中历史实际使用数据和历史预测需求数据之间的偏差量,并将该偏差量与上述均方根误差的比值作为针对该任一组历史数据的第一初始参数。接着,基于针对第一数量组历史数据的第一数量个第一初始参数,确定模型结构的初始参数。
可选地,上述基于针对第一数量组历史数据的第一数量个第一初始参数,确定模型结构的初始参数包括:将第一数量个第一初始参数的平均值作为上述模型结构的初始参数。或者,将第一数量个第一初始参数中的最大值作为上述模型结构的初始参数。
可选地,上述基于多组历史数据中的第二数量组历史数据,利用模拟退火算法对模型结构的初始参数进行迭代优化包括:先定义初始温度。然后基于第二数量组历史数据,利用模拟退火算法执行至少一个迭代优化过程。其中,对于上述至少一个迭代优化过程中的任一迭代优化过程,当迭代次数达到第三数量时,得到针对该任一迭代优化过程的更新参数。接着,从针对上述至少一个迭代优化过程的至少一个更新参数中选取优化更新参数并降低所述初始温度以得到更新温度。进一步地,确定是否符合第一预定条件。如果是,则基于上述优化更新参数和模型结构得到优化模型。如果否,则将上述优化更新参数作为新一轮次的初始参数,并将上述更新温度作为新一轮次的初始温度,重复上述操作。
可选地,任一迭代优化过程包括:将初始参数变换为更新参数。一方面,基于更新参数、模型结构和第二数量组历史数据,计算第一评价函数的第一取值。其中,第一评价函数用于评价由模型结构的输出数据大于实际使用数据而导致的损失。另一方面,基于初始参数、模型结构和第二数量组历史数据,计算第一评价函数的第二取值。接着,基于第一取值和第二取值之间的偏差量,确定是否接受更新参数。其中,如果接受更新参数,则将该更新参数作为该任一迭代优化过程在下一次迭代的初始参数。
可选地,上述从针对至少一个迭代优化过程的至少一个更新参数中选取优化更新参数包括:对于任一更新参数,计算第二评价函数关于该任一更新参数的第三取值。其中,第二评价函数用于评价由模型结构的输出数据小于实际使用数据而导致的损失。如果第二评价函数关于上述至少一个更新参数的至少一个第三取值均小于第一预定阈值,则选取与最接近第一预定阈值的第三取值对应的更新参数作为优化更新参数。如果第二评价函数关于上述至少一个更新参数的至少一个第三取值中存在第四数量个第三取值大于等于第一预定阈值,则存在以下两种情况。一种情况下,当第四数量为1时,选取与该第四数量个第三取值对应的更新参数作为优化更新参数。另一种情况下,当第四数量大于1时,分别计算第一评价函数关于与该第四数量个第三取值对应的更新参数的第四取值,并选取第四取值最小的更新参数作为所述优化更新参数。
可选地,第一预定条件包括:第二评价函数关于优化更新参数的第五取值大于第二预定阈值,并且上述更新温度达到预定温度阈值。
本公开的另一方面提供了一种备件库存确定装置。该装置包括:第一获取模块、第二获取模块和处理模块。其中,第一获取模块,用于获取待测备件关于指定时间区间的预测需求数据。第二获取模块,用于获取优化模型。其中,优化模型基于待测备件的多组历史数据以及启发式学习过程得到,多组历史数据中的每组历史数据包括:历史预测需求数据和历史实际使用数据。处理模块,用于将所获取的预测需求数据输入至优化模型的输入层,以使优化模型的输出层输出待测备件关于指定时间区间的预测库存数据。
本公开的另一方面提供了一种电子设备,包括:存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序。处理器执行计算机程序时用于实现:一方面,获取待测备件关于指定时间区间的预测需求数据。另一方面,获取优化模型。其中,优化模型基于待测备件的多组历史数据以及启发式学习过程得到,多组历史数据中的每组历史数据包括:历史预测需求数据和历史实际使用数据。将所获取的预测需求数据输入至优化模型的输入层,以使优化模型的输出层输出待测备件关于指定时间区间的预测库存数据。
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备件库存确定方法和装置的应用场景;
图2示意性示出了根据本公开实施例的备件库存确定方法的流程图;
图3示意性示出了根据本公开实施例的启发式学习过程的流程图;
图4示意性示出了根据本公开另一实施例的启发式学习过程的流程图;
图5示意性示出了根据本公开实施例的备件库存确定装置的框图;以及
图6示意性示出了根据本公开实施例的电子设备的框图。
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一种备件库存确定方法、装置和电子设备。该方法包括:第一获取过程、第二获取过程和处理过程。一方面,在第一获取过程,获取待测备件关于指定时间区间的预测需求数据。另一方面,在第二获取过程,获取优化模型。其中,优化模型基于待测备件的多组历史数据以及启发式学习过程得到,多组历史数据中的每组历史数据包括:历史预测需求数据和历史实际使用数据。然后在处理过程,将所获取的预测需求数据输入至优化模型的输入层,以使优化模型的输出层输出待测备件关于指定时间区间的预测库存数据。
图1示意性示出了根据本公开实施例的备件库存确定方法和装置的应用场景。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,展示了针对物品100的一个或多个备件。物品100可以是各种电子设备,包括但不限于智能手机、膝上型便携计算机和台式计算机等等。该电子设备可以包括备件101、备件102、备件103和备件104。或者,物品100也可以是非电子产品,如家具、手工艺品等等。
示例性地,物品100可以为个人计算机(PC),备件是生产厂商为在保修期间对所购买的PC进行维修的用户预先准备的可更换PC配件,如主板、键盘等。本例中,备件101为键盘、备件102为硬盘、备件103为主板、备件104为风扇。上述备件类型以及备件数量仅为示例,在此不做限制。
备件需求预测是为保证售后服务质量而搭建的服务供应链的关键环节,物品的备件需求预测是根据历史备件使用数量来预测未来需求数量的方案。准确有效的预测方案是提高用户对售后服务满意度的有效方法,同时也能降低厂商库存压力,减少物料浪费成本以及不必要的运输成本。
然而,通常情况下,由于对备件的消耗并不是规律的,导致针对大部分备件的预测需求数据并不准确。又由于在备件服务供应链领域,保持较高的客户服务满意率是关键指标,例如客户服务满意率可以通过备件可得率(Parts Availability Level,PAL)来衡量。因此需要在预测需求数据的基础上进行调整,参考调整后的结果进行相应备件的库存准备,以使得针对该备件关于指定时间区间所准备的库存量能够满足该指定时间区间内针对该备件的实际使用需求,即保持一个较高的客户服务满意率。并且,在保持较高的客户服务满意率的同时还需要尽可能多地降低库存成本(Cost of Inventory)。例如当一个备件的库存量远远大于实际使用量时,固然可以提升客户服务满意率,但会造成库存成本的极大浪费。
本公开实施例提供了一种备件库存确定方法,用于在待测备件关于指定时间区间的预测需求数据的基础上进行基于启发式学习方式的调整,以得到待测备件关于指定时间区间的预测库存数据,从而在保持较高的客户服务满意率的同时尽量降低库存成本。应注意,以下方法中各个操作的序号仅作为该操作的表示以便描述,而不应被看作表示该各个操作的执行顺序。除非明确指出,否则该方法不需要完全按照所示顺序来执行。
图2示意性示出了根据本公开实施例的备件库存确定方法的流程图。
如图2所示,该备件库存确定方法可以包括如下操作S201~S203。
在操作S201,获取待测备件关于指定时间区间的预测需求数据。
其中,待测备件可以指一个具体的备件,也可以指一个类型的备件。一个类型的备件例如可以是:处于同一仓库且处于同一价格区间的同类别配件。例如,同处于2号仓库且价格均落于30~40美元价格区间的键盘A和键盘B属于一个类型备件。指定时间区间可以根据需要进行设置,例如是未来的一周时间。待测备件关于指定时间区间的预测需求数据可以是待测备件关于指定时间区间在某个仓库中的预测需求数据。例如,在一个中心仓对应多个二级仓的场景中,可以是待测备件关于未来一周在一个二级仓中的预测需求数据,则下文中所确定的是待测备件关于未来一周在该二级仓中的预测库存数据。待测备件关于指定区间的预测需求数据例如可以是通过对于待测备件的历史使用数据的回归分析得到的,也可以是基于其他预测方式得到,在此不做限制。
然后,在操作S202,获取优化模型。
其中,优化模型是基于待测备件的多组历史数据以及启发式(heuristic)学习过程得到的。启发式学习方式例如可以包括:模拟退火(Simulated Annealing,SA)算法、遗传算法(Genetic Algorithm,GA)、粒子群(Particle Swarm Optimization,PSO)算法、等等。相对于梯度下降法等方式而言,启发式学习方式具有一定的随机性,而相对于盲目搜索方式而言,启发式学习方式又具有一定的方向性。而多组历史数据中的每组历史数据包括:历史预测需求数据和历史实际使用数据。待测备件的多组历史数据可以是针对不同历史时间区间的多组历史数据。优化模型的训练过程和根据本公开实施例的备件库存确定过程可以在同一电子设备上实施,也可以在不同电子设备上实施,在此不做限制。
接着,在操作S203,将所获取的预测需求数据输入至优化模型的输入层,以使优化模型的输出层输出待测备件关于指定时间区间的预测库存数据。
其中,经过上述启发式学习过程的优化模型能够学习到关于同一时间区间的预测需求数据与实际使用数据之间的偏差,从而能够在预测需求数据的基础上进行调整,以得到尽量接近实际使用情况的预测库存数据。
本领域技术人员可以理解,根据本公开实施例的备件库存确定方法通过优化模型对待测备件关于指定时间区间的预测需求数据进行补偿,以得到尽量接近实际使用情况、尽量满足备件服务供应链需求的预测库存数据。其中,优化模型是基于历史预测需求数据和历史实际使用数据以及启发式学习方式训练得到的,能够全局最优地学习到预测需求数据与实际使用数据之间的偏差情况,从而在预测需求数据基础上得到较为准确的预测库存数据。
在本公开的一个实施例中,优化模型的启发式学习过程可以包括:首先,获取模型结构。然后,基于该模型结构和多组历史数据中的第一数量组历史数据,确定该模型结构的初始参数。接着,基于多组历史数据中的第二数量组历史数据,利用模拟退火算法对该模型结构的初始参数进行迭代优化,以得到优化模型。
可以理解,上述利用模拟退火算法对该模型结构的初始参数进行迭代优化的过程实质上是利用模拟退火算法搜索模型结构的参数的最优解的过程。模拟退火算法在搜索过程中引入了随机因素,例如在每次搜索时以一定的概率来接受一个比当前解更差的解,从而有可能跳出局部最优,以搜索到模型结构的全局最优解。
图3示意性示出了根据本公开实施例的启发式学习过程的流程图。
如图3所示,该启发式学习过程可以包括操作S310~~S360。
在操作S310,数据处理。
示例性地,本操作S310可以执行上述获取模型结构和待测备件的多组历史数据等过程。例如,获取模型结构可以为:
F(X)=X+历史数据的均方根误差×α 公式(1)
其中,以X作为模型结构的输入,F(X、)作为模型结构的输出。α作为模型结构的系数,后文可称为“安全系数”。历史数据的均方根误差可以基于一个或多个历史数据计算得到。示例性地,可以设置模型结构的评价函数包括第一评价函数和第二评价函数,第一评价函数用于评价由模型结构的输出数据大于实际使用数据而导致的损失,第二评价函数用于评价由模型结构的输出数据小于实际使用数据而导致的损失。根据本公开的实施例依据第一评价函数和第二评价函数的限制搜索安全系统的最优解。
然后,在操作S320,确定初始参数。
根据本公开的实施例,本操作S320可以执行上述基于模型结构和多组历史数据中的第一数量组历史数据,确定模型结构的初始参数的过程。示例性地,先确定第一数量组历史数据中的历史预测需求数据相对于历史实际使用数据的均方根误差。然后,对于第一数量组历史数据中的任一组历史数据,确定该任一组历史数据中历史实际使用数据和历史预测需求数据之间的偏差量,并将该偏差量与上述均方根误差的比值作为针对该任一组历史数据的第一初始参数。接着,基于针对第一数量组历史数据的第一数量个第一初始参数,确定模型结构的初始参数。
例如,在获取如公式(1)所示的模型结构后,选取待测备件的前m(m为正整数)个时间周期的历史数据作为第一数量组历史数据,其中每个时间周期的历史数据作为一组历史数据,第一数量等于m。第一数量组历史数据中任一组历史数据可以表示为其中为待测备件关于第i个时间周期的历史需求预测数据,ui为待测备件关于第i个时间周期的历史实际使用数据,i为大于等于1且小于等于m的整数。
计算该第一数量组历史数据中的历史预测需求数据相对于历史实际使用数据的均方根误差std:
接着,再基于针对m组历史数据的m个第一初始参数{α11,α21,...,αm1},确定模型结构的初始参数α1。
根据本公开的实施例,上述基于针对第一数量组历史数据的第一数量个第一初始参数,确定模型结构的初始参数的过程可以按照方式(1)~方式(2)之一进行。
方式(1),将第一数量个第一初始参数的平均值作为上述模型结构的初始参数。例如根据公式(4)计算初始参数α1:
方式(2),将第一数量个第一初始参数中的最大值作为上述模型结构的初始参数。例如将上述m个第一初始参数{α11,α21,...,αm1}中的最大值作为初始参数α1。
继续参见图3,接着,利用模拟退火算法并行地执行多个操作S330,每个操作S330表示一个迭代优化过程,每个迭代优化过程可以进行一次或多次迭代。在利用模拟退火算法并行地执行多个迭代优化过程之前,可以预先定义模拟退火算法的初始温度。并且,当多个迭代优化过程满足预定规则时,多个迭代优化过程将各自的更新参数传递至操作S340。
在操作S340,确定优化更新参数。
在操作S350,降低初始温度以得到更新温度。
在操作S360,基于优化更新参数和更新温度确定是否满足终止条件。如果是,则结束。如果否,则将上述优化更新参数作为新一轮次的初始参数,并将上述更新温度作为新一轮次的初始温度,重复上述操作,直至确定启发式学习过程终止,得到安全系数的最优解。
在图3所示的例子中,上述任一迭代优化过程可以按照模拟退火算法的原理进行,示例性地,可以包括如下子操作S331~S334。
在操作S331,将初始参数变换为更新参数。
例如,将初始参数变换为更新参数的过程可以是:按照一定的概率,在初始参数的基础上,增加或减少一个随机数,生成更新参数。
然后,在操作S332,模拟分配。
在操作S333,调整策略。
上述操作S332和S333即为依据模拟退火算法逐渐寻找安全系数的解的过程。示例性地,该过程可以包括:基于更新参数α2、公式(1)所示的模型结构和第二数量组历史数据计算第一评价函数的第一取值,j为大于等于1且小于等于n的整数,n为大于1的正整数。
可以理解,第一评价函数的取值越大,表示所产生的库存成本越高,在迭代优化过程中需要尽量降低库存成本。
接着,基于第一取值和第二取值之间的偏差量确定是否接受更新参数α2。例如,当Δcost小于等于0时,接受更新参数α2,当Δcost大于0时,按照一定概率接受更新参数α2。其中,如果接受更新参数α2,如果继续进行下一次迭代,则将该更新参数α2作为该任一迭代优化过程在下一次迭代的初始参数α1,如果继续执行操作S340,则将该更新参数α2传递至操作S340进行处理。
接着,在操作S334,确定该任一迭代优化过程是否满足预定规则。如果是,该任一迭代优化过程结束,将所接受的更新参数传递至操作S340。如果否,进行该任一迭代优化过程的下一次迭代。示例性地,上述预定规则可以为:该任一迭代优化过程的迭代次数是否达到第三数量,例如第三数量为10。
继续参见图3,根据本公开的实施例,图3所示的操作S340可以从上述多个迭代优化过程各自的更新参数中选取一个作为优化更新参数。例如,3个迭代优化过程在满足预定规则后输出各自的更新参数包括:α12、α22和α32。分别计算第二评价函数关于这三个更新参数的第三取值。
关于其他更新参数的第三取值同理,在此不再赘述。可以理解,第二评价函数的取值越大,表示客户服务满意率越高,在迭代优化过程中需要尽量提高客户服务满意率。
如果第二评价函数关于上述三个更新参数的三个第三取值均小于第一预定阈值(例如95%),则选取与最接近第一预定阈值的第三取值对应的更新参数作为优化更新参数。如果第二评价函数关于上述三个更新参数的三个第三取值中存在多个第三取值大于等于第一预定阈值,例如α22和α32的第三取值大于等于第一预定阈值,则再依据上文中公式(5)~(6)计算第一评价函数关于α22和α32的第四取值,选取其中第四取值最小的更新参数作为优化更新参数。如果第二评价函数关于上述三个更新参数的三个第三取值中存在1个第三取值大于等于第一预定阈值,则将相应的更新参数作为优化更新参数。
根据本公开的实施例,在上述操作S360基于优化更新参数和更新温度确定是否满足终止条件中,终止条件又可称为第一预定条件,该第一预定条件可以包括:第二评价函数关于优化更新参数的第五取值大于第二预定阈值,并且上述更新温度达到预定温度阈值。其中第二评价函数在上文中已详细说明,在此不再赘述。如果达到终止条件,则最新的优化更新参数为根据本公开实施例的安全系数的最优解,基于该最优解以及模型结构可以获得优化模型。例如安全系数的最优解表示为α3,待测备件关于指定时间区间的预测需求量为P,则待测备件关于指定时间区间的预测库存量等于:P+std×α3。
上文已经说明并行地执行多个迭代优化过程的示例性实施方式。在本公开的另一实施例中,也可以利用模拟退火算法仅执行一个迭代优化过程已搜索安全系数的最优解。
图4示意性示出了根据本公开另一实施例的启发式学习过程的流程图。
如图4所示,该启发式学习过程可以包括操作S401~~S409。
在操作S401,确定初始参数α1。
在操作S402,仿真一段时间的发货逻辑,计算第一评价函数关于初始参数α1的取值cost(α1)以及第二评价函数关于初始参数α1的取值hit(α1)。
在操作S403,生成更新参数αx。其中x为大于1的正整数。
在操作S404,仿真一段时间的发货逻辑,计算第一评价函数关于初始参数αx的取值cost(αx)以及第二评价函数关于初始参数αx的取值hit(αx)。
在操作S405,确定hit(αx)是否大于等于第一预定阈值。如果是,则执行操作S406。如果否,则执行操作S403。
在操作S406,计算Δcost=cost(αx)-cost(αx-1)。
在操作S407,根据Δcost确定是否接受更新参数αx。如果是,则执行操作S408。如果否,则执行操作S409。
例如,当Δcost小于0时接受更新参数αx,当Δcost大于等于0时按照一定概率接受更新参数αx。
在操作S408,降温。
在操作S409,确定是否结束启发式学习过程。如果是,则结束。如果否,则回到操作S403。
本操作S409与上文中确定是否满足终止条件可以相同,在此不再赘述。
根据本公开实施例的备件库存确定方案具有以下有益效果:
1.使用的安全系数是个性化的。例如可以将备件按照价格区间和仓库位置分类,只有在同一个价格区间和同一个仓库的备件,才具有相同的安全系数。这样的分类,本质上是将备件的种类和价值考虑进了安全系数中,对于安全系数的计算也更加精准。
2.使用启发式学习方式(例如模拟退火算法)来学习安全系数。这是一个有限制条件的优化问题,需要在满足客户服务满意率的条件下,使得库存成本越低越好。通过设计策略函数,使用启发式算法求解最优解,而不是凭借人工的经验和感觉。
3.并行化的模拟退火。本方案中,安全系数的解空间非常大,如有40个价格区间,10个二级仓,则安全系数有40×10=400个,每一个安全系数的取值为大于0的实数。若仅使用一次模拟退火,得到最优解的随机性比较高,通过对模拟退火算法的并行处理,能加快优化速度,加大找到最优解的概率。
图5示意性示出了根据本公开实施例的备件库存确定装置的框图。
如图5所示,备件需求预测装置500包括:第一获取模块510、第二获取模块520和处理模块530。
第一获取模块510用于获取待测备件关于指定时间区间的预测需求数据。
第二获取模块520用于获取优化模型。其中,优化模型基于待测备件的多组历史数据以及启发式学习过程得到,多组历史数据中的每组历史数据包括:历史预测需求数据和历史实际使用数据。
处理模块530用于将所获取的预测需求数据输入至优化模型的输入层,以使优化模型的输出层输出待测备件关于指定时间区间的预测库存数据。
需要说明的是,装置部分实施例中各模块/单元/子单元等的实施方式、解决的技术问题、实现的功能、以及达到的技术效果分别与方法部分实施例中各对应的步骤的实施方式、解决的技术问题、实现的功能、以及达到的技术效果相同或类似,在此不再赘述。
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,第一获取模块510、第二获取模块520和处理模块530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,第一获取模块510、第二获取模块520和处理模块530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,第一获取模块510、第二获取模块520和处理模块530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6示意性示出了根据本公开的实施例的适于实现上文描述的方法的电子设备的框图。图6示出的电子设备仅仅是一个示例,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6所示,电子设备600包括处理器610和计算机可读存储介质620。该电子设备600可以执行根据本公开实施例的方法。
具体地,处理器610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610还可以包括用于缓存用途的板载存储器。处理器610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620,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620可以包括计算机程序621,该计算机程序621可以包括代码/计算机可执行指令,其在由处理器610执行时使得处理器610执行根据本公开实施例的方法或其任何变形。
计算机程序621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621中的代码可以包括一个或多个程序模块,例如包括621A、模块621B、......。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610执行时,使得处理器610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,第一获取模块510、第二获取模块520和处理模块530中的至少一个可以实现为参考图6描述的计算机程序模块,其在被处理器610执行时,可以实现上文所述的备件库存确定方法。
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)
1.一种备件库存确定方法,包括:
获取待测备件关于指定时间区间的预测需求数据;
获取优化模型,其中,所述优化模型基于所述待测备件的多组历史数据以及启发式学习过程得到,所述多组历史数据中的每组历史数据包括:历史预测需求数据和历史实际使用数据;以及
将所述预测需求数据输入至所述优化模型的输入层,以使所述优化模型的输出层输出所述待测备件关于指定时间区间的预测库存数据。
2.根据权利要求1所述的方法,其中,所述启发式学习过程包括:
获取模型结构;
基于所述模型结构和所述多组历史数据中的第一数量组历史数据,确定所述模型结构的初始参数;以及
基于所述多组历史数据中的第二数量组历史数据,利用模拟退火算法对所述初始参数进行迭代优化,以得到所述优化模型。
3.根据权利要求2所述的方法,其中,所述基于所述模型结构和所述多组历史数据中的第一数量组历史数据,确定所述模型结构的初始参数包括:
确定所述第一数量组历史数据中的历史预测需求数据相对于历史实际使用数据的均方根误差;
对于所述第一数量组历史数据中的任一组历史数据,确定所述任一组历史数据中历史实际使用数据和历史预测需求数据之间的偏差量,并将所述偏差量与所述均方根误差的比值作为针对所述任一组历史数据的第一初始参数;以及
基于针对所述第一数量组历史数据的第一数量个第一初始参数,确定所述初始参数。
4.根据权利要求3所述的方法,其中,所述基于针对所述第一数量组历史数据的第一数量个第一初始参数,确定所述初始参数包括:
将所述第一数量个第一初始参数的平均值作为所述初始参数;或者
将所述第一数量个第一初始参数中的最大值作为所述初始参数。
5.根据权利要求2所述的方法,其中,所述基于所述多组历史数据中的第二数量组历史数据,利用模拟退火算法对所述初始参数进行迭代优化包括:
定义初始温度;
基于所述第二数量组历史数据,利用模拟退火算法执行至少一个迭代优化过程;
对于所述至少一个迭代优化过程中的任一迭代优化过程,当迭代次数达到第三数量时,得到针对所述任一迭代优化过程的更新参数;
从针对所述至少一个迭代优化过程的至少一个更新参数中选取优化更新参数;
降低所述初始温度以得到更新温度;以及
确定是否符合第一预定条件,如果是,则基于所述优化更新参数和所述模型结构得到所述优化模型,如果否,则将所述优化更新参数作为新一轮次的初始参数,并将所述更新温度作为新一轮次的初始温度,重复上述操作。
6.根据权利要求5所述的方法,其中,所述任一迭代优化过程包括:
将所述初始参数变换为更新参数;
基于所述更新参数、所述模型结构和所述第二数量组历史数据,计算第一评价函数的第一取值,其中,所述第一评价函数用于评价:由所述模型结构的输出数据大于实际使用数据而导致的损失;
基于所述初始参数、所述模型结构和所述第二数量组历史数据,计算所述第一评价函数的第二取值;以及
基于所述第一取值和所述第二取值之间的偏差量,确定是否接受所述更新参数,其中,如果接受所述更新参数,则所述更新参数作为所述任一迭代优化过程在下一次迭代的初始参数。
7.根据权利要求5所述的方法,其中,所述从针对所述至少一个迭代优化过程的至少一个更新参数中选取优化更新参数包括:
对于任一更新参数,计算第二评价函数关于所述任一更新参数的第三取值,其中,所述第二评价函数用于评价:由所述模型结构的输出数据小于实际使用数据而导致的损失;
如果所述第二评价函数关于所述至少一个更新参数的至少一个第三取值均小于第一预定阈值,则选取与最接近所述第一预定阈值的第三取值对应的更新参数作为所述优化更新参数;
如果所述第二评价函数关于所述至少一个更新参数的至少一个第三取值中存在第四数量个第三取值大于等于第一预定阈值;
当所述第四数量为1时,选取与所述第四数量个第三取值对应的更新参数作为所述优化更新参数;以及
当所述第四数量大于1时,分别计算所述第一评价函数关于与所述第四数量个第三取值对应的更新参数的第四取值,并选取第四取值最小的更新参数作为所述优化更新参数。
8.根据权利要求5所述的方法,其中,所述第一预定条件包括:
所述第二评价函数关于所述优化更新参数的第五取值大于第二预定阈值;以及
所述更新温度达到预定温度阈值。
9.一种备件库存确定装置,包括:
第一获取模块,用于获取待测备件关于指定时间区间的预测需求数据;
第二获取模块,用于获取优化模型,其中,所述优化模型基于所述待测备件的多组历史数据以及启发式学习过程得到,所述多组历史数据中的每组历史数据包括:历史预测需求数据和历史实际使用数据;以及
处理模块,用于将所述预测需求数据输入至所述优化模型的输入层,以使所述优化模型的输出层输出所述待测备件关于指定时间区间的预测库存数据。
10.一种电子设备,包括:存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序;
所述处理器执行所述计算机程序时用于实现:
获取待测备件关于指定时间区间的预测需求数据;
获取优化模型,其中,所述优化模型基于所述待测备件的多组历史数据以及启发式学习过程得到,所述多组历史数据中的每组历史数据包括:历史预测需求数据和历史实际使用数据;以及
将所述预测需求数据输入至所述优化模型的输入层,以使所述优化模型的输出层输出所述待测备件关于指定时间区间的预测库存数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911111910.6A CN110826814A (zh) | 2019-11-13 | 2019-11-13 | 备件库存确定方法、备件库存确定装置和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911111910.6A CN110826814A (zh) | 2019-11-13 | 2019-11-13 | 备件库存确定方法、备件库存确定装置和电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110826814A true CN110826814A (zh) | 2020-02-21 |
Family
ID=69555157
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911111910.6A Pending CN110826814A (zh) | 2019-11-13 | 2019-11-13 | 备件库存确定方法、备件库存确定装置和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110826814A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111461559A (zh) * | 2020-04-03 | 2020-07-28 | 中国人民解放军陆军勤务学院 | 备件需求量确定方法、装置及电子设备 |
CN111667309A (zh) * | 2020-06-02 | 2020-09-15 | 中储南京智慧物流科技有限公司 | 一种生活必需品中长期预测方法 |
-
2019
- 2019-11-13 CN CN201911111910.6A patent/CN110826814A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111461559A (zh) * | 2020-04-03 | 2020-07-28 | 中国人民解放军陆军勤务学院 | 备件需求量确定方法、装置及电子设备 |
CN111461559B (zh) * | 2020-04-03 | 2023-06-23 | 中国人民解放军陆军勤务学院 | 备件需求量确定方法、装置及电子设备 |
CN111667309A (zh) * | 2020-06-02 | 2020-09-15 | 中储南京智慧物流科技有限公司 | 一种生活必需品中长期预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Close the gaps: A learning-while-doing algorithm for single-product revenue management problems | |
US11030557B2 (en) | Predicting arrival time of components based on historical receipt data | |
US20140343711A1 (en) | Decision support system for order prioritization | |
US20150235239A1 (en) | Predicting demand of a newly introduced short lifecycle product within an assortment | |
EP3163514A1 (en) | Apparatus and method for efficient business name categorization for energy management | |
Nadarajah et al. | Merchant energy trading in a network | |
Sari et al. | INTEGRATED SUPPLIER SELECTION MODEL USING ANP, TAGUCHI LOSS FUNCTION AND PROMETHEE METHODS. | |
JP6529096B2 (ja) | シミュレートシステム、シミュレート方法およびシミュレート用プログラム | |
CN110826814A (zh) | 备件库存确定方法、备件库存确定装置和电子设备 | |
US20190378061A1 (en) | System for modeling the performance of fulfilment machines | |
CN113449939A (zh) | 库存数据预测的方法、装置、计算设备及介质 | |
US20240086737A1 (en) | Systems and methods of generating datasets from heterogeneous sources for machine learning | |
Silva et al. | A hybrid bi-objective optimization approach for joint determination of safety stock and safety time buffers in multi-item single-stage industrial supply chains | |
EP3163515A1 (en) | Interpolative vertical business name categorization mechanism for energy management | |
US20170116537A1 (en) | Dictionary enhancement technique for business name categorization | |
CN110363468B (zh) | 采购订单的确定方法、装置、服务器及可读存储介质 | |
Liu et al. | Joint optimization of lot-sizing and pricing with backlogging | |
US8606620B2 (en) | Systems and methods for forecasting using an attenuated forecast function | |
CN105354621A (zh) | 确定物品在多个储存区域中的放置方式的方法和装置 | |
US20130204662A1 (en) | Systems and Methods For Forecasting Using Modulated Data | |
Kamhuber et al. | An efficient hybrid multi-criteria optimization approach for rolling production smoothing of a European food manufacturer | |
CN110659780A (zh) | 备件需求预测方法、备件需求预测装置和电子设备 | |
US20080071590A1 (en) | Solving a model to select members of a portfolio | |
US9251543B2 (en) | Predictive method, apparatus and program product | |
Mastin et al. | Average-case performance of rollout algorithms for knapsack problems |
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: 20200221 |