CN110838030A - 一种数据驱动的多周期产品订货方法 - Google Patents

一种数据驱动的多周期产品订货方法 Download PDF

Info

Publication number
CN110838030A
CN110838030A CN201911077354.5A CN201911077354A CN110838030A CN 110838030 A CN110838030 A CN 110838030A CN 201911077354 A CN201911077354 A CN 201911077354A CN 110838030 A CN110838030 A CN 110838030A
Authority
CN
China
Prior art keywords
cycle
data
demand
product ordering
period
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
CN201911077354.5A
Other languages
English (en)
Inventor
陈旭
杨茗芳
罗政
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.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
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 University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN201911077354.5A priority Critical patent/CN110838030A/zh
Publication of CN110838030A publication Critical patent/CN110838030A/zh
Pending legal-status Critical Current

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
    • 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
    • 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

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Human Resources & Organizations (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种数据驱动的多周期产品订货方法，该方法包括：S1、设定多周期产品订货相关变量；S2、采集历史需求数据；S3、以多周期期望折现总利润最大化为优化目标，构建数据驱动的多周期产品订货模型；S4、基于历史需求数据进行多周期产品订货模型的优化求解。本发明通过数据驱动的方法，直接从需求数据出发，构建了多周期产品的订货方法；本发明弥补了传统模型驱动方法依赖需求分布的不足，为决策者更准确地订货提供了理论支撑。

Description

一种数据驱动的多周期产品订货方法
技术领域
本发明属于多周期产品订货的分析领域，具体涉及一种数据驱动的多周期产品订货方法。
背景技术
需求不确定问题是供应链管理实践和研究中的重大挑战。特别地，库存管理中解决需求风险的重要方法是考虑一种可靠的产品订货方法，部署安全库存。更多地，决策者订货时只关心每周期的订货成本最小或利润最大，但从长远的角度来看，只关心当期成本最小或利润最大的订货方法并不是最优的。实际上，当期的订货决策会影响当期的期末库存(下一期的期初库存)，进而影响下一期的订货决策。因此，考虑多周期产品订货方法更具有现实意义。
传统地，多周期产品订货模型假设了一种具体的需求分布。然而现实生活中，真实的需求分布往往无法获得，甚至可能随时间发生改变。一旦估计了有偏差的需求分布，就可能导致高度失真的订货决策。因此，基于需求分布假设的订货方法很难对多周期产品的需求做到精确预测，也无法得到最优的订货决策。
发明内容
针对现有技术中的上述不足，本发明提供了一种数据驱动的多周期产品订货方法，以期能够改善传统模型驱动方法依赖需求分布假设导致订货误差大的问题，并在模型中引入折现因子来刻画时间价值因素，使得本发明更具有现实意义。
为了达到上述发明目的，本发明采用的技术方案为：
一种数据驱动的多周期产品订货方法，包括以下步骤：
S1、设定多周期产品订货相关变量；
S2、采集各周期不同情形下消费者的历史需求数据；
S3、根据各个周期不同情形的库存状态，构建库存状态转移方程，并结合各个周期不同情形的利润函数，以多周期期望折现总利润最大化为优化目标，构建数据驱动的多周期产品订货模型；
S4、基于需求数据对步骤S3构建的多周期产品订货模型进行优化求解。
作为上述多周期产品订货方法的进一步改进，所述步骤S1中多周期产品订货相关变量包括单位订货成本c、单位零售价p、每周期期末单位缺货成本s、每周期期末单位持有成本h、单周期折现因子α、第t周期期末第i种情形的库存状态
Figure BDA0002262897860000025
第t周期第i种情形的需求量
Figure BDA0002262897860000026
第t周期的订购量qt。
作为上述多周期产品订货方法的进一步改进，所述S2具体采集前T周期内消费者每周期的需求量di，表示为
其中，表示第t周期第i种情形的需求量。
作为上述多周期产品订货方法的进一步改进，所述步骤S3中根据各个周期不同情形的库存状态，构建库存状态转移方程，表示为
Figure BDA0002262897860000023
其中，X0表示期初库存，qk表示第k周期的订购量，
Figure BDA0002262897860000024
表示第k周期第i种情形的需求量。
作为上述多周期产品订货方法的进一步改进，所述步骤S3中各个周期不同情形的利润函数表示为
Figure BDA0002262897860000031
其中，πt为利润函数。
作为上述多周期产品订货方法的进一步改进，所述步骤S3中以多周期期望折现总利润最大化为优化目标，构建数据驱动的多周期产品订货模型，具体为
以多周期期望折现总利润最大化为优化目标，通过需求数据的均值估计随机需求的期望，得到目标函数，表示为
Figure BDA0002262897860000032
数据驱动的多周期产品订货模型的约束条件表示为
Figure BDA0002262897860000033
Figure BDA0002262897860000034
qt≥0
其中，
Figure BDA0002262897860000035
N表示每个周期内的需求情形数。
本发明具有以下有益效果：
(1)本发明从历史需求数据入手，直接跳过了模型驱动中模型假设与分布拟合，不仅大大减少了管理者处理选取和拟合模型的繁琐工作，也解决了真实需求分布获取难和需求分布随时间改变的难题；
(2)本发明通过构建数据驱动的多周期产品订货模型，提高了决策者在多周期内订货决策的精准度；
(3)本发明在模型中引入折现因子来刻画时间价值因素，更具有现实意义。
附图说明
图1是本发明的数据驱动的多周期产品订货方法流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
参照图1，本发明实施例提供了一种数据驱动的多周期产品订货方法，包括步骤S1至S4：
S1、设定多周期产品订货相关变量。
在本实施例中，多周期产品订货相关变量包括单位订货成本c、单位零售价p、每周期期末单位缺货成本s、每周期期末单位持有成本h、单周期折现因子α、第t周期期末第i种需求情形的库存状态
Figure BDA0002262897860000041
第t周期第i种情形的需求量
Figure BDA0002262897860000042
第t周期的订购量qt。
下面对多周期产品订货相关变量的具体含义进行说明：
单位订货成本c指决策者向上游供应商订购产品的单位价格；
单位零售价p指决策者向下游消费者销售产品的单位价格；
每周期期末单位缺货成本s指每周期期末决策者没有满足消费者需求时受到的单位缺货损失；
每周期期末单位持有成本h指每周期期末决策者满足消费者需求后剩余产品的持有成本；
第t周期期末第i种需求情形的库存状态指若
Figure BDA0002262897860000044
则表示第t周期期末第i种需求情形的需求为缺货状态；若
Figure BDA0002262897860000045
则表示第t周期期末第i种需求情形的需求为产品剩余状态。
S2、采集各周期不同情形下消费者的历史需求数据。
在本实施例中，通过情形(scenarios)来刻画需求是不确定的。决策者在知道第t期真实需求前做出决策，然后该期的真实需求发生；进而基于第t期真实需求做出第t+1期的决策；再基于第t期和第t+1期的真实需求做出第t+2期的决策，依此类推，决策者在做当期决策时，不知道当期的真实需求情况，但可以基于过去的历史需求数据做出决策。
基于此，本发明采集各周期不同情形下消费者的真实历史需求数据，即当期之前T周期内消费者每周期的需求量di，表示为
Figure BDA0002262897860000051
其中，
Figure BDA0002262897860000052
表示第t周期第i种情形的需求量。
本发明采集的历史需求数据在一定程度上能够反映需求的变化趋势，从而为决策者做出最优决策提供有效信息。
本发明从历史需求数据入手，不需要提前设定需求必须符合正态分布、T分布或者其他诸如此类的分布假定，直接跳过了模型驱动中模型假设与分布拟合，这不仅大大减少了管理者处理选取和拟合模型的繁琐工作，也解决了真实需求分布获取难和需求分布随时间改变的难题。
S3、根据各个周期不同情形的库存状态，构建库存状态转移方程，并结合各个周期不同情形的利润函数，以多周期期望折现总利润最大化为优化目标，构建数据驱动的多周期产品订货模型。
在本实施例中，假设周期为T个周期，每周期内可能有N种情形的需求情况，期初库存为X0；
第1周期期末第i种需求情形的库存状态为
第2周期期末第i种需求情形的库存状态为
Figure BDA0002262897860000061
依此类推
第t周期期末第i种需求情形的库存状态为
Figure BDA0002262897860000062
从而构建库存状态转移方程，表示为
其中，
Figure BDA0002262897860000064
等价于
Figure BDA0002262897860000065
其中，qk表示第k周期的订购量，
Figure BDA0002262897860000066
表示第k周期第i种情形的需求量；
本发明再结合第t周期第i种情形的利润函数，表示为
Figure BDA0002262897860000067
其中，πt为利润函数。
等价于
Figure BDA0002262897860000068
再等价于
Figure BDA0002262897860000069
然后，本发明以多周期期望折现总利润最大化为优化目标，通过需求数据的均值估计随机需求的期望，得到目标函数，表示为
Figure BDA00022628978600000610
将公式(2)代入目标函数(3)得
Figure BDA00022628978600000611
令
Figure BDA0002262897860000071
则公式(4)变为
Figure BDA0002262897860000072
其中，qt作为决策变量，N表示每个周期内的需求情形数；
数据驱动的多周期产品订货模型的约束条件表示为
Figure BDA0002262897860000073
qt≥0
根据公式(1)，将约束条件转换为
Figure BDA0002262897860000075
Figure BDA0002262897860000076
qt≥0
S4、基于需求数据对步骤S3构建的多周期产品订货模型进行优化求解。
在本实施例中，由于步骤S3构建的多周期产品订货模型通过数据驱动方法转变为一个线性规划问题，因此本发明可以通过Lingo软件基于需求数据对该订货模型进行优化求解。
下面本发明针对具体实例对本发明方法的预测效果进行说明。
设定T＝3，N＝15，X0＝10，p＝25，c＝10，h＝5，s＝15，α＝0.6，并采集到每周期的需求数据如表1所示。
表1：各个周期对应的需求数据
Figure BDA0002262897860000077
Figure BDA0002262897860000081
通过Lingo软件求解步骤S3构建的多周期产品订货模型，得到比传统模型驱动方法更准确的订货决策以及更高的利润，即q*＝(112.4986,104.9333,96.26109)，π*＝2467.54。
本发明采用数据驱动方法直接从需求数据出发，对需求数据进行分析处理，挖掘数据背后所蕴含的价值；并且本发明的数据驱动方法从管理决策范式进行创新，具有动态性、开放性和连续性的优势，为多周期产品订货管理研究带来了新的视角与方法。
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。

Claims (6)

1.一种数据驱动的多周期产品订货方法，其特征在于，包括以下步骤：
S1、设定多周期产品订货相关变量；
S2、采集各周期不同情形下消费者的历史需求数据；
S3、根据各个周期不同情形的库存状态，构建库存状态转移方程，并结合各个周期不同情形的利润函数，以多周期期望折现总利润最大化为优化目标，构建数据驱动的多周期产品订货模型；
S4、基于需求数据对步骤S3构建的多周期产品订货模型进行优化求解。
2.如权利要求1所述的数据驱动的多周期产品订货方法，其特征在于，所述步骤S1中多周期产品订货相关变量包括单位订货成本c、单位零售价p、每周期期末单位缺货成本s、每周期期末单位持有成本h、单周期折现因子α、第t周期期末第i种情形的库存状态
Figure FDA0002262897850000011
第t周期第i种情形的需求量
Figure FDA0002262897850000012
第t周期的订购量qt。
3.如权利要求2所述的数据驱动的多周期产品订货方法，其特征在于，所述S2具体采集前T周期内消费者每周期的需求量di，表示为
Figure FDA0002262897850000013
其中，
Figure FDA0002262897850000014
表示第t周期第i种情形的需求量。
4.如权利要求3所述的数据驱动的多周期产品订货方法，其特征在于，所述步骤S3中根据各个周期不同情形的库存状态，构建库存状态转移方程，表示为
Figure FDA0002262897850000015
其中，X0表示期初库存，qk表示第k周期的订购量，表示第k周期第i种情形的需求量。
5.如权利要求4所述的数据驱动的多周期产品订货方法，其特征在于，所述步骤S3中各个周期不同情形的利润函数表示为
Figure FDA0002262897850000021
其中，πt为利润函数。
6.如权利要求5所述的数据驱动的多周期产品订货方法，其特征在于，所述步骤S3中以多周期期望折现总利润最大化为优化目标，构建数据驱动的多周期产品订货模型，具体为
以多周期期望折现总利润最大化为优化目标，通过需求数据的均值估计随机需求的期望，得到目标函数，表示为
Figure FDA0002262897850000022
数据驱动的多周期产品订货模型的约束条件表示为
Figure FDA0002262897850000023
Figure FDA0002262897850000024
qt≥0
其中，
Figure FDA0002262897850000025
N表示每个周期内的需求情形数。
CN201911077354.5A 2019-11-06 2019-11-06 一种数据驱动的多周期产品订货方法 Pending CN110838030A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911077354.5A CN110838030A (zh) 2019-11-06 2019-11-06 一种数据驱动的多周期产品订货方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911077354.5A CN110838030A (zh) 2019-11-06 2019-11-06 一种数据驱动的多周期产品订货方法

Publications (1)

Publication Number Publication Date
CN110838030A true CN110838030A (zh) 2020-02-25

Family

ID=69576187

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911077354.5A Pending CN110838030A (zh) 2019-11-06 2019-11-06 一种数据驱动的多周期产品订货方法

Country Status (1)

Country Link
CN (1) CN110838030A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111415207A (zh) * 2020-03-27 2020-07-14 中储南京智慧物流科技有限公司 一种季节性、周期性商品的最优订购周期预测系统及方法
CN113781083A (zh) * 2021-01-06 2021-12-10 北京沃东天骏信息技术有限公司 商品补货方法、装置、电子设备以及存储介质
CN113887772A (zh) * 2020-07-02 2022-01-04 上海顺如丰来技术有限公司 订货周期优化方法、装置、计算机设备和存储介质

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111415207A (zh) * 2020-03-27 2020-07-14 中储南京智慧物流科技有限公司 一种季节性、周期性商品的最优订购周期预测系统及方法
CN113887772A (zh) * 2020-07-02 2022-01-04 上海顺如丰来技术有限公司 订货周期优化方法、装置、计算机设备和存储介质
CN113781083A (zh) * 2021-01-06 2021-12-10 北京沃东天骏信息技术有限公司 商品补货方法、装置、电子设备以及存储介质

Similar Documents

Publication Publication Date Title
CN110838030A (zh) 一种数据驱动的多周期产品订货方法
CN108694271B (zh) 燃气涡轮机调配优化系统及方法及非暂态计算机可读介质
Bernstein et al. Dynamic cost reduction through process improvement in assembly networks
US8301404B2 (en) System and method for energy monitoring and management using a backplane
Jeong et al. A consistent nonparametric test for causality in quantile
Windler et al. One month-ahead electricity price forecasting in the context of production planning
US20160231716A1 (en) System of systems optimizing control for achieving performance and risk outcomes in physical and business operations of connected and interrelated industrial systems
US20120150707A1 (en) Systems and methods for providing energy efficient building equipment and services
CN110827084A (zh) 一种数据驱动的易逝品订货方法
US8315923B2 (en) Method of determining safety stock levels
Fu et al. Downstream firm’s investment with equity holding in decentralized assembly systems
Cho et al. Bullwhip effect measure in a seasonal supply chain
CN111126905A (zh) 基于Markov决策理论的铸造企业原材料库存管理控制方法
Bensoussan et al. Achieving a long-term service target with periodic demand signals: a newsvendor framework
Zhu et al. Customer-centric policies for environmentally sustainable manufacturing of deteriorating items with varying quality control practices under disruptions
US20200166578A1 (en) System and method for management of electrochemical energy storage devices
Hekimoğlu et al. Modeling repair demand in existence of a nonstationary installed base
Rahimi-Ghahroodi et al. Multi-resource emergency supply contracts with asymmetric information in the after-sales services
RU162900U1 (ru) Модель управления производственной системой
Nigwal et al. Trade Credit Policies for Supplier, Manufacturer, and Retailer: An Imperfect Production-Inventory System with Rework
Hussain et al. Probabilistic assessment of loss in revenue generation in demand-driven production
Prak et al. Timing intermittent demand with time-varying order-up-to levels
Park et al. New key performance indices for complex manufacturing scheduling
EP1569059A1 (en) Part makeshift planning system and part makeshift planning method
CN118195485A (zh) 一种物料消耗及采购预测方法

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

Application publication date: 20200225

RJ01 Rejection of invention patent application after publication