CN111639888A - 仓库出库量预测方法、装置、计算机设备及存储介质 - Google Patents

仓库出库量预测方法、装置、计算机设备及存储介质 Download PDF

Info

Publication number
CN111639888A
CN111639888A CN202010359171.9A CN202010359171A CN111639888A CN 111639888 A CN111639888 A CN 111639888A CN 202010359171 A CN202010359171 A CN 202010359171A CN 111639888 A CN111639888 A CN 111639888A
Authority
CN
China
Prior art keywords
warehouse
user
type
sequence
goods
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
CN202010359171.9A
Other languages
English (en)
Inventor
曾冰清
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.)
OneConnect Smart Technology Co Ltd
OneConnect Financial Technology Co Ltd Shanghai
Original Assignee
OneConnect Financial Technology Co Ltd Shanghai
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 OneConnect Financial Technology Co Ltd Shanghai filed Critical OneConnect Financial Technology Co Ltd Shanghai
Priority to CN202010359171.9A priority Critical patent/CN111639888A/zh
Publication of CN111639888A publication Critical patent/CN111639888A/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
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"

Landscapes

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

Abstract

本发明涉及人工智能，提供一种仓库出库量预测方法及相关设备。包括根据第一出库总数量序列预测时间点n+1至时间点n+K仓库的第二出库总数量序列；计算各个用户的货物类型转移概率矩阵；计算各个用户的各个类型货物的出库数量概率矩阵；根据各个用户的货物类型转移概率矩阵和各个货物类型的出库数量概率矩阵确定各个用户的预测货物类型序列和与预测货物类型序列对应的预测出库数量序列；计算各个货物类型的货物的出库比例；根据第二出库总数量序列和出库比例确定各个货物类型的货物的出库量。此外，本发明还涉及区块链技术，数据和信息可存储于区块链节点中。本发明预测仓库中各个类型的货物的出库量。

Description

仓库出库量预测方法、装置、计算机设备及存储介质
技术领域
本发明涉及人工智能技术领域，具体涉及一种仓库出库量预测方法、装置、计算机设备及计算机可读存储介质。
背景技术
随着国民经济的快速发展，仓库在智慧物流应用中占据重要地位，在仓库的实际使用中，需要提高仓库的利用率，以提高仓库中货物流通的效率，防止仓库空间不足或者仓库空间过剩。可以通过预测仓库中不同货物类型的货物的出库量，从而调整仓库相应货物类型的货物的进库量的方式提高仓库的利用率。如何预测仓库中不同货物类型的货物的出库量成为亟待解决的问题。
发明内容
鉴于以上内容，有必要提出一种仓库出库量预测方法、装置、计算机设备及计算机可读存储介质，其可以预测仓库中每个货物类型的货物的出库量。
本申请的第一方面提供一种仓库出库量预测方法，所述方法包括：
获取第一时间段的各时间点对应的出库总数量，以得到仓库的第一出库总数量序列，其中，时间点1至时间点n表示第一时间段，各时间点对应的出库总数量是所述仓库在该时间点各个类型货物的出库数量之和；
根据所述第一出库总数量序列预测第二时间段所述仓库的第二出库总数量序列，其中，时间点n+1至时间点n+K表示第二时间段，时间点n+1为时间点n的下一时间点；
获取所述仓库在所述第一时间段的发货记录数据，以得到在所述第一时间段各个用户的货物类型序列、各个用户的各个类型货物的出库数量集合、以及时间点n各个用户的货物初始出库数量向量，其中，所述各个用户为所述仓库的各个发货用户；
依次根据各个用户的货物类型序列，计算各个用户对应的货物类型转移概率矩阵；
依次根据各个用户的各个类型货物的出库数量集合，计算各个用户对应的各个类型货物的出库数量概率矩阵；
根据时间点n各个用户的货物初始出库数量向量、货物类型转移概率矩阵以及出库数量概率矩阵确定各个用户的目标隐马尔科夫模型，并根据各个用户的目标隐马尔科夫模型预测所述第二时间段各个用户的预测货物类型序列和与所述预测货物类型序列对应的预测出库数量序列；
根据各个用户的预测货物类型序列和预测出库数量序列计算所述第二时间段的各个类型货物的出库比例；
根据所述第二出库总数量序列和所述第二时间段的各个类型货物的出库比例确定所述第二时间段的各个类型货物的出库量。
本申请的第二方面提供一种仓库出库量预测装置，所述装置包括：
第一获取模块，用于获取第一时间段的各时间点对应的出库总数量，以得到仓库的第一出库总数量序列，其中，时间点1至时间点n表示第一时间段，各时间点对应的出库总数量是所述仓库在该时间点各个类型货物的出库数量之和；
第一预测模块，用于根据所述第一出库总数量序列预测第二时间段所述仓库的第二出库总数量序列，其中，时间点n+1至时间点n+K表示第二时间段，时间点n+1为时间点n的下一时间点；
第二获取模块，用于获取所述仓库在所述第一时间段的发货记录数据，以得到在所述第一时间段各个用户的货物类型序列、各个用户的各个类型货物的出库数量集合、以及时间点n各个用户的货物初始出库数量向量，其中，所述各个用户为所述仓库的各个发货用户；
第一计算模块，用于依次根据各个用户的货物类型序列，计算各个用户对应的货物类型转移概率矩阵；
第二计算模块，用于依次根据各个用户的各个类型货物的出库数量集合，计算各个用户对应的各个类型货物的出库数量概率矩阵；
第二预测模块，用于根据时间点n各个用户的货物初始出库数量向量、货物类型转移概率矩阵以及出库数量概率矩阵确定各个用户的目标隐马尔科夫模型，并根据各个用户的目标隐马尔科夫模型预测所述第二时间段各个用户的预测货物类型序列和与所述预测货物类型序列对应的预测出库数量序列；
第三计算模块，用于根据各个用户的预测货物类型序列和预测出库数量序列计算所述第二时间段的各个类型货物的出库比例；
确定模块，用于根据所述第二出库总数量序列和所述第二时间段的各个类型货物的出库比例确定所述第二时间段的各个类型货物的出库量。
本申请的第三方面提供一种计算机设备，所述计算机设备包括处理器，所述处理器用于执行存储器中存储的计算机程序时实现所述仓库出库量预测方法。
本申请的第四方面提供一种计算机可读存储介质，包括存储数据区和存储程序区，存储数据区存储根据区块链节点的使用所创建的数据，存储程序区存储有计算机程序，其中，所述计算机程序被处理器执行时实现所述仓库出库量预测方法。
本发明实现了预测所述仓库中每个质量类型的货物的出库量。
附图说明
图1是本发明实施例提供的仓库出库量预测方法的流程图。
图2是本发明实施例提供的仓库出库量预测装置的结构图。
图3是本发明实施例提供的计算机设备的示意图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施例对本发明进行详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。
优选地，本发明的仓库出库量预测方法应用在一个或者多个计算机设备中。所述计算机设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(Application Specific IntegratedCircuit，ASIC)、可编程门阵列(Field－Programmable Gate Array，FPGA)、数字处理器(Digital Signal Processor，DSP)、嵌入式设备等。
所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
实施例一
图1是本发明实施例一提供的仓库出库量预测方法的流程图。所述仓库出库量预测方法应用于计算机设备，用于预测仓库中每个货物类型的货物的出库量。
如图1所示，所述仓库出库量预测方法包括：
101，获取第一时间段的各时间点对应的出库总数量，以得到仓库的第一出库总数量序列，其中，时间点1至时间点n表示第一时间段，各时间点对应的出库总数量是所述仓库在该时间点各个类型货物的出库数量之和。
例如，若仓库中的货物为汽车配件，则汽车配件的货物类型可以包括原厂流通件(后称s1)，配套厂品牌件(后称s2),拆车件(后称s3),售后品牌件(后称s4),NSF认证件(后称s5),再制造件(后称s6)等。
例如：若仓库中的货物为手机配件，则手机配件的货物类型可以包括：原厂配件、第三方配件、拆机件等。
货物类型可以作为隐马尔科夫模型的一个隐性状态。隐性状态是马尔可夫模型中实际所隐含的状态，这些状态通常无法通过直接观测而得到。隐性状态是马尔可夫模型的基本要素。
为了描述方便，在本文后续的描述中，货物类型简称类型。
获取所述第一时间段仓库的第一出库总数量序列{a1,a2,…ai,…,an}，ai为时间点i出库的货物的总数量值，1≤i≤n。
例如，获取仓库在2018年中的每天的出库总数量，第1天(即时间点1)的出库总数量a1为300，第365天(即时间点n，n＝365)的出库总数量an为400。其中，300可以是仓库在第1天发送给各个用户的各个类型的货物的出库数量之和；400可以是仓库在第365天发送给各个用户的各个类型的货物的出库数量之和。
102，根据所述第一出库总数量序列预测第二时间段所述仓库的第二出库总数量序列，其中，时间点n+1至时间点n+K表示第二时间段，时间点n+1为时间点n的下一时间点。
可以根据所述第一出库总数量序列预测在第二时间段所述仓库的第二出库总数量序列{an+1,an+2,…an+k,…,an+K}，n≤k≤n+K。
在一具体实施例中，所述根据所述第一出库总数量序列预测第二时间段所述仓库的第二出库总数量序列包括：
(1)根据所述第一出库总数量序列中的最大出库总数量和最小出库总数量将所述第一出库总数量序列中的出库总数量的取值范围划分为多个取值子范围。例如，第一出库总数量序列中的最大出库总数量为500，最小出库总数量为200，则出库总数量的取值范围为200至500；将出库总数量的取值范围划分为3个取值子范围，可以分别为：200至300(后称范围1)、300至400(后称范围2)、400至500(后称范围3)。
(2)根据所述第一出库总数量序列计算所述多个取值子范围之间的转移概率矩阵。所述转移概率矩阵表示所述第一出库总数量序列中两个相邻时间点的总数量所属的取值子范围的转移概率，用于确定每个时间点对应的转移概率最大的取值子范围。例如，如上例，第一出库总数量序列{212，345，265，462，315，221，462，495，285，486，365}表示第1天至第11天的出库总数量；取值子范围之间的转移概率矩阵为3行3列的矩阵(矩阵的行数等于矩阵的列数等于取值子范围的个数)。取值子范围之间的转移概率矩阵的第1行第1列的值为0/10，其中分子0表示第一出库总数量序列中给定元素的前一元素的值属于范围1，且给定元素的值属于范围1的给定元素的数量。所述给定元素是指第一出库总数量序列中的任意一个第一出库总数量。如上例，从给定元素345开始，依次遍历每个第一出库总数量，345的前一元素212属于200至300的范围1，且345不属于200至300，则345不满足条件，计数0；给定元素265的前一元素345不属于200至300的范围1，且265属于200至300，则265不满足条件，计数0；依次类推，总计数为0，10为总天数11减1。取值子范围之间的转移概率矩阵的第1行第2列的值为1/10，其中分子1表示第一出库总数量序列中给定元素的前一元素的值属于范围1，且给定元素的值属于范围2的给定元素的数量，如上例，从给定元素345开始，依次遍历每个第一出库总数量，给定元素345的前一元素212属于200至300的范围1，且345属于300至400的范围2，则给定元素345满足条件，计数1；给定元素265的前一元素345不属于200至300的范围1，且265不属于300至400的范围2，则给定元素265不满足条件，计数0；依次类推，总计数为1，10为总天数11减1。取值子范围之间的转移概率矩阵的第1行第3列的值为3/10，其中分子3表示第一出库总数量序列中给定元素的前一元素的值属于范围1，且给定元素的值属于范围3的给定元素的数量，如上例，从给定元素345开始，依次遍历每个第一出库总数量，给定元素345的前一元素212属于200至300的范围1，且给定元素345不属于400至500的范围3，则给定元素345不满足条件，计数0；给定元素265的前一元素345不属于200至300的范围1，且给定元素265不属于400至500的范围3，则给定元素265不满足条件，计数0；依次类推，总计数为3，10为总天数11减1。依次类推，即取值子范围之间的转移概率矩阵的第num1行第num2列的值的分子为第一出库总数量序列中给定元素的前一元素的值属于范围num1且给定元素的值属于范围num2的给定元素的数量。本例中多个取值子范围之间的转移概率矩阵如下：
Figure BDA0002474465270000061
(3)k依次取1,2，…,K，根据时间点n+k-1的出库总数量和所述多个取值子范围之间的转移概率矩阵确定时间点n+k的出库总数量对应的转移概率最大的取值子范围。基于历史数据，概率越大，随机事件出现的可能性越大。例如，如上例，第3天的出库总数量为265，属于范围1(200至300)，所述多个取值子范围之间的转移概率矩阵中第1行(对应265属于范围1)的最大值为第1行第3列的值3/10，则将范围3(对应第3列)确定为转移概率最大的取值子范围。第4天的出库总数量为462，属于范围3(400至500)，所述多个取值子范围之间的转移概率矩阵中第3行(对应462属于范围3)的最大值为第3行第2列的值2/10，将范围2(对应第2列)确定为转移概率最大的取值子范围。第5天的出库总数量为315，属于范围2(300至400)，所述多个取值子范围之间的转移概率矩阵中第2行(对应315属于范围2)的最大值为第2行第1列的值2/10，将范围1(对应第1列)确定为转移概率最大的取值子范围。第6天的出库总数量为221，属于范围1(200至300)，所述多个取值子范围之间的转移概率矩阵中第1行(对应221属于范围1)的最大值为第1行第3列的值3/10，将范围3(对应第3列)确定为转移概率最大的取值子范围。
(4)将所述时间点n+k对应的转移概率最大的取值子范围的中间值确定为时间点n+k的出库总数量；依时间顺序组合所述第二时间段的出库总数量，得到所述第二出库总数量序列。
103，获取所述仓库在所述第一时间段的发货记录数据，以得在所述第一时间段到各个用户的货物类型序列、各个用户的各个类型货物的出库数量集合、以及时间点n各个用户的货物初始出库数量向量，其中，所述各个用户为所述仓库的各个发货用户。
获取所述仓库在所述第一时间段的发货记录数据，对所述仓库的发货记录数据进行统计，得到在所述第一时间段，所述仓库中货物的类型集合S＝{s1,s2,…,sQ}、所述仓库发送给一个用户的货物类型序列{S1,S2,…Si…,Sn}、所述仓库发送给该用户的类型为Si的货物的出库数量集合
Figure BDA0002474465270000062
所述仓库在时间点n发送给该用户的货物的初始出库数量向量
Figure BDA0002474465270000063
其中所述仓库在时间点i发送给该用户的货物的类型Si属于所述类型集合S。
如上例所示，若仓库中的货物为汽车配件，则汽车配件的类型集合可以包括原厂流通件(后称s1)，配套厂品牌件(后称s2),拆车件(后称s3),售后品牌件(后称s4),NSF认证件(后称s5),再制造件(后称s6)等。
例如，仓库在2018年第6天至第10天发送给一个用户的货物类型序列为{s3,s2,s2,s2,s6}。其中，s3表示仓库在第6天发送给该用户的类型为拆车件(s3)；类型序列中的第一个s2表示仓库在第7天发送给该用户的类型为配套厂品牌件(s2)；依次类推。
例如，仓库发送给该用户的配套厂品牌件(s2)的出库数量集合为{72,54,34}。其中，72可以表示仓库在2018年第7天发送给该用户的配套厂品牌件(s2)的出库数量为72；54可以表示仓库在第8天发送给该用户的配套厂品牌件(s2)的出库数量为54；34可以表示仓库在第9天发送给该用户的配套厂品牌件(s2)的出库数量为34。
例如，仓库在时间点n发送给该用户的各个类型的货物的初始出库数量向量为(0,34,45,0,0,16)。其中，第一个维度的0表示仓库在2018年第365天发送给该用户的类型为s1的汽车配件的初始出库数量为0，第二个维度的34表示仓库在第365天发送给该用户的类型为s2的汽车配件的初始出库数量为34，依次类推。初始出库向量是所述仓库在时间点n发送给该用户的每个类型的货物的数量，是隐马尔可夫模型的基本要素。
104，依次根据各个用户的货物类型序列，计算各个用户对应的货物类型转移概率矩阵。
隐马尔科夫模型可以用来预测未来时间段的数据。
在一具体实施例中，所述依次根据各个用户的货物类型序列，计算各个用户对应的货物类型转移概率矩阵包括：
依次取各个用户中的一个用户，记为给定用户；
获取所述给定用户的货物类型序列中的各个货物类型；
根据所述给定用户的货物类型序列计算所述各个货物类型之间的转移概率；
根据所述各个货物类型之间的转移概率构造所述给定用户对应的货物类型转移概率矩阵。
具体地，依次取各个用户中的一个用户，记为给定用户；
从所述给定用户的货物类型序列中获取各个货物类型；
从各个货物类型中依次选取第x个货物类型，记为第一货物类型sx，第一货物类型sx与所述给定用户的货物类型转移概率矩阵中的第x行一一对应；
从各个货物类型中依次选取第y个货物类型，记为第二货物类型sy，第二货物类型sy与所述给定用户的货物类型转移概率矩阵中的第y列一一对应，所述第一货物类型与所述第二货物类型为相同类型或不同类型；
i依次取1,2,…,n-1，获取时间点i和i+1的类型，如果时间点i的类型为第一货物类型sx，且时间点i+1的类型为第二货物类型sy；将时间点i确定为目标时间点，sx和sy属于所述类型集合；
计算所述给定用户的货物类型序列中所述目标时间点的数量lx,y；
根据所述目标时间点的数量和所述仓库发送货物给所述给定用户的出库时间点的数量计算所述给定用户的货物类型从第一货物类型sx转移为第二货物类型sy的转移概率：
Figure BDA0002474465270000081
其中，Rj为所述仓库发送货物给所述给定用户的出库时间点的数量；
根据所述各个货物类型之间的转移概率构造所述给定用户对应的货物类型转移概率矩阵，其中px,y是所述给定用户对应的货物类型转移概率矩阵中第x行第y列的值。
所述货物类型转移概率矩阵描述了各个货物类型之间的转移概率，px,y表示所述货物类型转移概率矩阵中的第x行第y列的值。货物类型转移概率矩阵为方阵，维数等于所述仓库中货物的类型集合中包括的元素的数量，即维数等于类型的种类数。
例如，仓库在2018年第5天至第9天发送给该用户的货物类型序列为{s3,s2,s2,s2,s6}，Rj(仓库发送汽车配件给该用户的出库时间点数量)为5。该用户的类型转移概率矩阵为6行6列的矩阵。其中第3行第2列的值为
Figure BDA0002474465270000082
分式中的1表示货物类型序列中的两个相邻类型中第一个(第一货物类型)为s3且第二个(第二货物类型)为s2的数量为1，分式中的分母4表示仓库发送货物给该用户的出库时间点的数量减1；其中的第2行第2列的值为
Figure BDA0002474465270000083
分式中的2表示货物类型序列中的两个相邻类型中第一个为s2且第二个为s2的数量为2；该用户的货物类型转移概率矩阵中的第2行第6列的值为
Figure BDA0002474465270000084
分式中的1表示货物类型序列中的两个相邻类型中第一个为s2且第二个为s6的数量为1。以此类推。
在另一实施例中，各个用户对应的货物类型转移概率矩阵中的值大于或等于0.01。如上例，px,y大于或等于0.01。当px,y小于0.01时，将px,y重新设置为0.01。
在另一实施例中，当各个用户对应的货物类型转移概率矩阵中的目标值等于0时，将大于0的预设值重新赋值给所述目标值。如上例，当目标值px,y等于0时，将预设值
Figure BDA0002474465270000085
重新赋值给px,y。
105，依次根据各个用户的各个类型货物的出库数量集合，计算各个用户对应的各个类型货物的出库数量概率矩阵。
货物类型转移概率矩阵和出库数量概率矩阵用来确定隐马尔可夫模型的两个基本要素。其中，货物类型转移概率矩阵用来确定隐马尔可夫模型的隐含状态转移概率矩阵，出库数量概率矩阵用来确定隐马尔可夫模型的观测状态转移概率矩阵。
可以根据所述仓库发送给该用户的类型为Si的货物的出库数量集合计算该用户的类型为Si的出库数量概率矩阵。
在一具体实施例中，所述依次根据各个用户的各个类型货物的出库数量集合，计算各个用户对应的各个类型货物的出库数量概率矩阵包括：
依次取各个用户中的一个用户，记为指定用户；
依次取各个货物类型中的一个货物类型，记为指定类型；
依次获取所述指定用户的指定类型货物的出库数量集合中的一个目标出库数量，所述目标出库数量对应所述指定用户的指定类型的出库数量概率矩阵中的一个列，记为给定列；
计算所述目标出库数量的出库次数；
根据所述目标出库数量的出库次数和所述指定用户的指定类型的出库总次数计算所述目标出库数量的概率值，得到所述指定用户的指定类型的出库数量概率矩阵中，第1行的给定列的值。
具体地，依次取各个用户中的一个用户，记为指定用户；
依次取各个货物类型中的一个货物类型，记为指定类型；
计算所述指定用户的指定类型Si的出库数量为
Figure BDA0002474465270000091
的出库次数
Figure BDA0002474465270000092
Si为在时间点i所述仓库发送给该用户的类型，Si属于所述类型集合，
Figure BDA0002474465270000093
属于所述仓库发送给所述指定用户的指定类型Si的出库数量集合V；
根据所述指定用户的指定类型Si的出库总次数M和所述指定用户的指定类型Si的出库数量为
Figure BDA0002474465270000094
的出库次数
Figure BDA0002474465270000095
计算所述指定用户的指定类型Si的出库数量概率矩阵中的概率值
Figure BDA0002474465270000096
Figure BDA0002474465270000097
其中，M为所述仓库发送货物给该用户的类型为Si的出库总次数，所述出库数量概率矩阵的行数为1，列数为仓库发送给该用户的类型为Si的最大出库数量，
Figure BDA0002474465270000098
是所述指定用户的指定类型Si的出库数量概率矩阵中第1行第
Figure BDA0002474465270000099
列的值；
根据所述指定用户的指定类型Si的出库数量概率矩阵中的概率值得到所述指定用户的指定类型的出库数量概率矩阵。
例如，仓库发送给该用户的类型为配套厂品牌件(s2)的出库数量为50的出库次数为10次，V＝{40，50，60}，M为100；仓库发送给该用户的类型为配套厂品牌件(s2)的出库数量概率矩阵中的第1行第50列的值为0.1(其中，第1行第50列对应的出库数量为50，出库数量50对应的出库次数为10，出库总数量为100，用10除以100得到第1行第50列的值为0.1)。出库数量概率矩阵的行数为1，列数为仓库发送给该用户的类型为配套厂品牌件(s2)的最大出库数量60。
106，根据时间点n各个用户的货物初始出库数量向量、货物类型转移概率矩阵以及出库数量概率矩阵确定各个用户的目标隐马尔科夫模型，并根据各个用户的目标隐马尔科夫模型预测所述第二时间段各个用户的预测货物类型序列和与所述预测货物类型序列对应的预测出库数量序列。
可以根据由所述仓库在时间点n发送给一个用户的货物的初始出库数量向量、该用户的货物类型转移概率矩阵、该用户的类型为Sn+k的出库数量概率矩阵确定的该用户的目标隐马尔科夫模型预测所述仓库在所述第二时间段发送给该用户的货物的预测类型序列{Sn+1,Sn+2,…Sn+k…,Sn+K}和与所述预测类型序列对应的预测出库数量序列
Figure BDA0002474465270000101
在一具体实施例中，所述根据各个用户的目标隐马尔科夫模型预测所述第二时间段各个用户的预测货物类型序列和与所述预测货物类型序列对应的预测出库数量序列包括：
依次取各个用户中的一个目标用户；
k依次取1,2，…,K，基于求最大值的动态规划方法，根据所述目标用户的货物类型转移概率矩阵中的转移概率和所述目标用户的各个货物类型的出库数量概率矩阵中的概率值，确定所述目标用户在时间点n+k发送给所述目标用户的货物的目标类型和所述目标类型对应的出库数量；
依时间顺序组合所述目标用户的货物的目标类型，得到所述目标用户的预测货物类型序列；
依时间顺序组合所述目标类型对应的出库数量，得到所述目标用户的预测出库数量序列。
具体地，对于各个用户中的一个目标用户，所述仓库在时间点n+k发送给所述目标用户的货物的类型Sn+k和所述仓库在时间点n+k发送给所述目标用户的类型为Sn+k的货物的出库数量
Figure BDA0002474465270000102
可以根据如下目标函数确定：
Figure BDA0002474465270000103
其中，S为所述类型集合。例如，可以利用所述仓库在时间点n发送给一个用户的货物的初始出库数量向量(0,34,45,0,0,16)、该用户的每个类型的货物类型转移概率矩阵、该用户的每个类型的出库数量概率矩阵，根据所述目标函数，确定所述仓库在时间点n+1发送给该用户的货物的类型为s3，类型为s3的货物的数量为40(计算方法为：根据(0,34,45,0,0,16)、该用户的每个类型的货物类型转移概率矩阵、该用户的每个类型的出库数量概率矩阵，求所述目标函数的最大值；得到所述目标函数的最大值对应的类型为s3，s3的出库数量为40)。可以利用所述仓库在时间点n+1发送给一个用户的货物的初始出库数量向量(0,34,40,0,0,16)(将时间点n+1确定的类型s3对应的出库数量更新至时间点n的初始出库数量向量)、该用户的每个类型的货物类型转移概率矩阵、该用户的每个类型的出库数量概率矩阵，根据所述目标函数，确定所述仓库在时间点n+2发送给该用户的货物的类型为s2，类型为s2的货物的数量为38，以此类推。
107，根据各个用户的预测货物类型序列和预测出库数量序列计算所述第二时间段的各个类型货物的出库比例。
例如，共有用户1、用户2和用户3三个用户。用户1在2019年第一天至第二天的预测类型序列为{s5，s2}，预测出库数量序列为{20，50}；用户2在2019年第一天至第二天的预测类型序列为{s1，s3}，预测出库数量序列为{30，10}；用户3在2019年第一天至第二天的预测类型序列为{s4，s6}，预测出库数量序列为{10，40}。2019年第一天至第二天的每个类型的货物的出库比例为“s1：s2：s3：s4：s5：s6＝3：5：1：1：2：4”。
108，根据所述第二出库总数量序列和所述第二时间段的各个类型货物的出库比例确定所述第二时间段的各个类型货物的出库量。
如上例，2019年第一天至第二天的第二出库总数量序列为{120，200}，2019年第一天至第二天的每个类型的货物的出库比例为“s1：s2：s3：s4：s5：s6＝3：5：1：1：2：4”。2019年第一天至第二天的s1、s2、s3、s4、s5、s6的出库量分别为60、100、20、20、40、80。
实施例一预测所述仓库中每个货物类型的货物的出库量，本方案可应用于智慧物流领域中，从而推动智慧城市的建设。
在另一实施例中，所述方法还包括：
根据各个用户的预测类型序列中的时间点n+k的类型和预测出库数量序列中的对应的出库数量确定时间点n+k的各个类型的货物的出库比例；
从所述第二出库总数量序列中获取时间点n+k的出库总数量；
根据时间点n+k的出库总数量和所述时间点n+k的各个类型的货物的出库比例确定时间点n+k的各个类型的货物的出库量。
例如，共有用户1、用户2和用户3三个用户。用户1在2019年第一天至第二天的预测类型序列为{s5，s2}，预测出库数量序列为{20，50}；用户2在2019年第一天至第二天的预测类型序列为{s1，s3}，预测出库数量序列为{30，10}；用户3在2019年第一天至第二天的预测类型序列为{s4，s6}，预测出库数量序列为{10，40}。2019年第一天的每个类型的货物的出库比例为“s1：s2：s3：s4：s5：s6＝3：0：0：1：2：0”；2019年第二天的每个类型的货物的出库比例为“s1：s2：s3：s4：s5：s6＝0：5：1：0：0：4”。2019年第一天至第二天的第二出库总数量序列为{240，200}，2019年第一天的每个类型的货物的出库比例为“s1：s2：s3：s4：s5：s6＝3：0：0：1：2：0”；2019年第二天的每个类型的货物的出库比例为“s1：s2：s3：s4：s5：s6＝0：5：1：0：0：4”。2019年第一天的s1、s2、s3、s4、s5、s6的出库量分别为120、0、0、40、80、0；2019年第二天的s1、s2、s3、s4、s5、s6的出库量分别为0、100、20、0、80、0。
实施例二
图2是本发明实施例二提供的仓库出库量预测装置的结构图。所述仓库出库量预测装置20应用于计算机设备。所述仓库出库量预测装置20用于预测仓库中每个质量类型的货物的出库量。
如图2所示，所述仓库出库量预测装置20可以包括第一获取模块201、第一预测模块202、第二获取模块203、第一计算模块204、第二计算模块205、第二预测模块206、第三计算模块207、确定模块208。
第一获取模块201，用于获取第一时间段的各时间点对应的出库总数量，以得到仓库的第一出库总数量序列，其中，时间点1至时间点n表示第一时间段，各时间点对应的出库总数量是所述仓库在该时间点各个类型货物的出库数量之和。
例如，若仓库中的货物为汽车配件，则汽车配件的货物类型可以包括原厂流通件(后称s1)，配套厂品牌件(后称s2),拆车件(后称s3),售后品牌件(后称s4),NSF认证件(后称s5),再制造件(后称s6)等。
例如：若仓库中的货物为手机配件，则手机配件的货物类型可以包括：原厂配件、第三方配件、拆机件等。
货物类型可以作为隐马尔科夫模型的一个隐性状态。隐性状态是马尔可夫模型中实际所隐含的状态，这些状态通常无法通过直接观测而得到。隐性状态是马尔可夫模型的基本要素。
为了描述方便，在本文后续的描述中，货物类型简称类型。
获取所述第一时间段仓库的第一出库总数量序列{a1,a2,…ai,…,an}，ai为时间点i出库的货物的总数量值，1≤i≤n。
例如，获取仓库在2018年中的每天的出库总数量，第1天(即时间点1)的出库总数量a1为300，第365天(即时间点n，n＝365)的出库总数量an为400。其中，300可以是仓库在第1天发送给各个用户的各个类型的货物的出库数量之和；400可以是仓库在第365天发送给各个用户的各个类型的货物的出库数量之和。
第一预测模块202，用于根据所述第一出库总数量序列预测第二时间段所述仓库的第二出库总数量序列，其中，时间点n+1至时间点n+K表示第二时间段，时间点n+1为时间点n的下一时间点。
可以根据所述第一出库总数量序列预测在第二时间段所述仓库的第二出库总数量序列{an+1,an+2,…an+k,…,an+K}，n≤k≤n+K。
在一具体实施例中，所述根据所述第一出库总数量序列预测第二时间段所述仓库的第二出库总数量序列包括：
(1)根据所述第一出库总数量序列中的最大出库总数量和最小出库总数量将所述第一出库总数量序列中的出库总数量的取值范围划分为多个取值子范围。例如，第一出库总数量序列中的最大出库总数量为500，最小出库总数量为200，则出库总数量的取值范围为200至500；将出库总数量的取值范围划分为3个取值子范围，可以分别为：200至300(后称范围1)、300至400(后称范围2)、400至500(后称范围3)。
(2)根据所述第一出库总数量序列计算所述多个取值子范围之间的转移概率矩阵。所述转移概率矩阵表示所述第一出库总数量序列中两个相邻时间点的总数量所属的取值子范围的转移概率，用于确定每个时间点对应的转移概率最大的取值子范围。例如，如上例，第一出库总数量序列{212，345，265，462，315，221，462，495，285，486，365}表示第1天至第11天的出库总数量；取值子范围之间的转移概率矩阵为3行3列的矩阵(矩阵的行数等于矩阵的列数等于取值子范围的个数)。取值子范围之间的转移概率矩阵的第1行第1列的值为0/10，其中分子0表示第一出库总数量序列中给定元素的前一元素的值属于范围1，且给定元素的值属于范围1的给定元素的数量。所述给定元素是指第一出库总数量序列中的任意一个第一出库总数量。如上例，从给定元素345开始，依次遍历每个第一出库总数量，345的前一元素212属于200至300的范围1，且345不属于200至300，则345不满足条件，计数0；给定元素265的前一元素345不属于200至300的范围1，且265属于200至300，则265不满足条件，计数0；依次类推，总计数为0，10为总天数11减1。取值子范围之间的转移概率矩阵的第1行第2列的值为1/10，其中分子1表示第一出库总数量序列中给定元素的前一元素的值属于范围1，且给定元素的值属于范围2的给定元素的数量，如上例，从给定元素345开始，依次遍历每个第一出库总数量，给定元素345的前一元素212属于200至300的范围1，且345属于300至400的范围2，则给定元素345满足条件，计数1；给定元素265的前一元素345不属于200至300的范围1，且265不属于300至400的范围2，则给定元素265不满足条件，计数0；依次类推，总计数为1，10为总天数11减1。取值子范围之间的转移概率矩阵的第1行第3列的值为3/10，其中分子3表示第一出库总数量序列中给定元素的前一元素的值属于范围1，且给定元素的值属于范围3的给定元素的数量，如上例，从给定元素345开始，依次遍历每个第一出库总数量，给定元素345的前一元素212属于200至300的范围1，且给定元素345不属于400至500的范围3，则给定元素345不满足条件，计数0；给定元素265的前一元素345不属于200至300的范围1，且给定元素265不属于400至500的范围3，则给定元素265不满足条件，计数0；依次类推，总计数为3，10为总天数11减1。依次类推，即取值子范围之间的转移概率矩阵的第num1行第num2列的值的分子为第一出库总数量序列中给定元素的前一元素的值属于范围num1且给定元素的值属于范围num2的给定元素的数量。本例中多个取值子范围之间的转移概率矩阵如下：
Figure BDA0002474465270000141
(3)k依次取1,2，…,K，根据时间点n+k-1的出库总数量和所述多个取值子范围之间的转移概率矩阵确定时间点n+k的出库总数量对应的转移概率最大的取值子范围。基于历史数据，概率越大，随机事件出现的可能性越大。例如，如上例，第3天的出库总数量为265，属于范围1(200至300)，所述多个取值子范围之间的转移概率矩阵中第1行(对应265属于范围1)的最大值为第1行第3列的值3/10，则将范围3(对应第3列)确定为转移概率最大的取值子范围。第4天的出库总数量为462，属于范围3(400至500)，所述多个取值子范围之间的转移概率矩阵中第3行(对应462属于范围3)的最大值为第3行第2列的值2/10，将范围2(对应第2列)确定为转移概率最大的取值子范围。第5天的出库总数量为315，属于范围2(300至400)，所述多个取值子范围之间的转移概率矩阵中第2行(对应315属于范围2)的最大值为第2行第1列的值2/10，将范围1(对应第1列)确定为转移概率最大的取值子范围。第6天的出库总数量为221，属于范围1(200至300)，所述多个取值子范围之间的转移概率矩阵中第1行(对应221属于范围1)的最大值为第1行第3列的值3/10，将范围3(对应第3列)确定为转移概率最大的取值子范围。
(4)将所述时间点n+k对应的转移概率最大的取值子范围的中间值确定为时间点n+k的出库总数量；依时间顺序组合所述第二时间段的出库总数量，得到所述第二出库总数量序列。
第二获取模块203，用于获取所述仓库在所述第一时间段的发货记录数据，以得在所述第一时间段到各个用户的货物类型序列、各个用户的各个类型货物的出库数量集合、以及时间点n各个用户的货物初始出库数量向量，其中，所述各个用户为所述仓库的各个发货用户。
获取所述仓库在所述第一时间段的发货记录数据，对所述仓库的发货记录数据进行统计，得到在所述第一时间段，所述仓库中货物的类型集合S＝{s1,s2,…,sQ}、所述仓库发送给一个用户的货物类型序列{S1,S2,…Si…,Sn}、所述仓库发送给该用户的类型为Si的货物的出库数量集合
Figure BDA0002474465270000151
所述仓库在时间点n发送给该用户的货物的初始出库数量向量
Figure BDA0002474465270000152
其中所述仓库在时间点i发送给该用户的货物的类型Si属于所述类型集合S。
如上例所示，若仓库中的货物为汽车配件，则汽车配件的类型集合可以包括原厂流通件(后称s1)，配套厂品牌件(后称s2),拆车件(后称s3),售后品牌件(后称s4),NSF认证件(后称s5),再制造件(后称s6)等。
例如，仓库在2018年第6天至第10天发送给一个用户的货物类型序列为{s3,s2,s2,s2,s6}。其中，s3表示仓库在第6天发送给该用户的类型为拆车件(s3)；类型序列中的第一个s2表示仓库在第7天发送给该用户的类型为配套厂品牌件(s2)；依次类推。
例如，仓库发送给该用户的配套厂品牌件(s2)的出库数量集合为{72,54,34}。其中，72可以表示仓库在2018年第7天发送给该用户的配套厂品牌件(s2)的出库数量为72；54可以表示仓库在第8天发送给该用户的配套厂品牌件(s2)的出库数量为54；34可以表示仓库在第9天发送给该用户的配套厂品牌件(s2)的出库数量为34。
例如，仓库在时间点n发送给该用户的各个类型的货物的初始出库数量向量为(0,34,45,0,0,16)。其中，第一个维度的0表示仓库在2018年第365天发送给该用户的类型为s1的汽车配件的初始出库数量为0，第二个维度的34表示仓库在第365天发送给该用户的类型为s2的汽车配件的初始出库数量为34，依次类推。初始出库向量是所述仓库在时间点n发送给该用户的每个类型的货物的数量，是隐马尔可夫模型的基本要素。
第一计算模块204，用于依次根据各个用户的货物类型序列，计算各个用户对应的货物类型转移概率矩阵。
隐马尔科夫模型可以用来预测未来时间段的数据。
在一具体实施例中，所述依次根据各个用户的货物类型序列，计算各个用户对应的货物类型转移概率矩阵包括：
依次取各个用户中的一个用户，记为给定用户；
获取所述给定用户的货物类型序列中的各个货物类型；
根据所述给定用户的货物类型序列计算所述各个货物类型之间的转移概率；
根据所述各个货物类型之间的转移概率构造所述给定用户对应的货物类型转移概率矩阵。
具体地，依次取各个用户中的一个用户，记为给定用户；
从所述给定用户的货物类型序列中获取各个货物类型；
从各个货物类型中依次选取第x个货物类型，记为第一货物类型sx，第一货物类型sx与所述给定用户的货物类型转移概率矩阵中的第x行一一对应；
从各个货物类型中依次选取第y个货物类型，记为第二货物类型sy，第二货物类型sy与所述给定用户的货物类型转移概率矩阵中的第y列一一对应，所述第一货物类型与所述第二货物类型为相同类型或不同类型；
i依次取1,2,…,n-1，获取时间点i和i+1的类型，如果时间点i的类型为第一货物类型sx，且时间点i+1的类型为第二货物类型sy；将时间点i确定为目标时间点，sx和sy属于所述类型集合；
计算所述给定用户的货物类型序列中所述目标时间点的数量lx,y；
根据所述目标时间点的数量和所述仓库发送货物给所述给定用户的出库时间点的数量计算所述给定用户的货物类型从第一货物类型sx转移为第二货物类型sy的转移概率：
Figure BDA0002474465270000161
其中，Rj为所述仓库发送货物给所述给定用户的出库时间点的数量；
根据所述各个货物类型之间的转移概率构造所述给定用户对应的货物类型转移概率矩阵，其中px,y是所述给定用户对应的货物类型转移概率矩阵中第x行第y列的值。
所述货物类型转移概率矩阵描述了各个货物类型之间的转移概率，px,y表示所述货物类型转移概率矩阵中的第x行第y列的值。货物类型转移概率矩阵为方阵，维数等于所述仓库中货物的类型集合中包括的元素的数量，即维数等于类型的种类数。
例如，仓库在2018年第5天至第9天发送给该用户的货物类型序列为{s3,s2,s2,s2,s6}，Rj(仓库发送汽车配件给该用户的出库时间点数量)为5。该用户的类型转移概率矩阵为6行6列的矩阵。其中第3行第2列的值为
Figure BDA0002474465270000171
分式中的1表示货物类型序列中的两个相邻类型中第一个(第一货物类型)为s3且第二个(第二货物类型)为s2的数量为1，分式中的分母4表示仓库发送货物给该用户的出库时间点的数量减1；其中的第2行第2列的值为
Figure BDA0002474465270000172
分式中的2表示货物类型序列中的两个相邻类型中第一个为s2且第二个为s2的数量为2；该用户的货物类型转移概率矩阵中的第2行第6列的值为
Figure BDA0002474465270000173
分式中的1表示货物类型序列中的两个相邻类型中第一个为s2且第二个为s6的数量为1。以此类推。
在另一实施例中，各个用户对应的货物类型转移概率矩阵中的值大于或等于0.01。如上例，px,y大于或等于0.01。当px,y小于0.01时，将px,y重新设置为0.01。
在另一实施例中，当各个用户对应的货物类型转移概率矩阵中的目标值等于0时，将大于0的预设值重新赋值给所述目标值。如上例，当目标值px,y等于0时，将预设值
Figure BDA0002474465270000174
重新赋值给px,y。
第二计算模块205，用于依次根据各个用户的各个类型货物的出库数量集合，计算各个用户对应的各个类型货物的出库数量概率矩阵。
货物类型转移概率矩阵和出库数量概率矩阵用来确定隐马尔可夫模型的两个基本要素。其中，货物类型转移概率矩阵用来确定隐马尔可夫模型的隐含状态转移概率矩阵，出库数量概率矩阵用来确定隐马尔可夫模型的观测状态转移概率矩阵。
可以根据所述仓库发送给该用户的类型为Si的货物的出库数量集合计算该用户的类型为Si的出库数量概率矩阵。
在一具体实施例中，所述依次根据各个用户的各个类型货物的出库数量集合，计算各个用户对应的各个类型货物的出库数量概率矩阵包括：
依次取各个用户中的一个用户，记为指定用户；
依次取各个货物类型中的一个货物类型，记为指定类型；
依次获取所述指定用户的指定类型货物的出库数量集合中的一个目标出库数量，所述目标出库数量对应所述指定用户的指定类型的出库数量概率矩阵中的一个列，记为给定列；
计算所述目标出库数量的出库次数；
根据所述目标出库数量的出库次数和所述指定用户的指定类型的出库总次数计算所述目标出库数量的概率值，得到所述指定用户的指定类型的出库数量概率矩阵中，第1行的给定列的值。
具体地，依次取各个用户中的一个用户，记为指定用户；
依次取各个货物类型中的一个货物类型，记为指定类型；
计算所述指定用户的指定类型Si的出库数量为
Figure BDA0002474465270000181
的出库次数
Figure BDA0002474465270000182
Si为在时间点i所述仓库发送给该用户的类型，Si属于所述类型集合，
Figure BDA0002474465270000183
属于所述仓库发送给所述指定用户的指定类型Si的出库数量集合V；
根据所述指定用户的指定类型Si的出库总次数M和所述指定用户的指定类型Si的出库数量为
Figure BDA0002474465270000184
的出库次数
Figure BDA0002474465270000185
计算所述指定用户的指定类型Si的出库数量概率矩阵中的概率值
Figure BDA0002474465270000186
Figure BDA0002474465270000187
其中，M为所述仓库发送货物给该用户的类型为Si的出库总次数，所述出库数量概率矩阵的行数为1，列数为仓库发送给该用户的类型为Si的最大出库数量，
Figure BDA0002474465270000188
是所述指定用户的指定类型Si的出库数量概率矩阵中第1行第
Figure BDA0002474465270000189
列的值；
根据所述指定用户的指定类型Si的出库数量概率矩阵中的概率值得到所述指定用户的指定类型的出库数量概率矩阵。
例如，仓库发送给该用户的类型为配套厂品牌件(s2)的出库数量为50的出库次数为10次，V＝{40，50，60}，M为100；仓库发送给该用户的类型为配套厂品牌件(s2)的出库数量概率矩阵中的第1行第50列的值为0.1(其中，第1行第50列对应的出库数量为50，出库数量50对应的出库次数为10，出库总数量为100，用10除以100得到第1行第50列的值为0.1)。出库数量概率矩阵的行数为1，列数为仓库发送给该用户的类型为配套厂品牌件(s2)的最大出库数量60。
第二预测模块206，用于根据时间点n各个用户的货物初始出库数量向量、货物类型转移概率矩阵以及出库数量概率矩阵确定各个用户的目标隐马尔科夫模型，并根据各个用户的目标隐马尔科夫模型预测所述第二时间段各个用户的预测货物类型序列和与所述预测货物类型序列对应的预测出库数量序列。
可以根据由所述仓库在时间点n发送给一个用户的货物的初始出库数量向量、该用户的货物类型转移概率矩阵、该用户的类型为Sn+k的出库数量概率矩阵确定的该用户的目标隐马尔科夫模型预测所述仓库在所述第二时间段发送给该用户的货物的预测类型序列{Sn+1,Sn+2,…Sn+k…,Sn+K}和与所述预测类型序列对应的预测出库数量序列
Figure BDA0002474465270000191
在一具体实施例中，所述根据各个用户的目标隐马尔科夫模型预测所述第二时间段各个用户的预测货物类型序列和与所述预测货物类型序列对应的预测出库数量序列包括：
依次取各个用户中的一个目标用户；
k依次取1,2，…,K，基于求最大值的动态规划方法，根据所述目标用户的货物类型转移概率矩阵中的转移概率和所述目标用户的各个货物类型的出库数量概率矩阵中的概率值，确定所述目标用户在时间点n+k发送给所述目标用户的货物的目标类型和所述目标类型对应的出库数量；
依时间顺序组合所述目标用户的货物的目标类型，得到所述目标用户的预测货物类型序列；
依时间顺序组合所述目标类型对应的出库数量，得到所述目标用户的预测出库数量序列。
具体地，对于各个用户中的一个目标用户，所述仓库在时间点n+k发送给所述目标用户的货物的类型Sn+k和所述仓库在时间点n+k发送给所述目标用户的类型为Sn+k的货物的出库数量
Figure BDA0002474465270000192
可以根据如下目标函数确定：
Figure BDA0002474465270000193
其中，S为所述类型集合。例如，可以利用所述仓库在时间点n发送给一个用户的货物的初始出库数量向量(0,34,45,0,0,16)、该用户的每个类型的货物类型转移概率矩阵、该用户的每个类型的出库数量概率矩阵，根据所述目标函数，确定所述仓库在时间点n+1发送给该用户的货物的类型为s3，类型为s3的货物的数量为40(计算方法为：根据(0,34,45,0,0,16)、该用户的每个类型的货物类型转移概率矩阵、该用户的每个类型的出库数量概率矩阵，求所述目标函数的最大值；得到所述目标函数的最大值对应的类型为s3，s3的出库数量为40)。可以利用所述仓库在时间点n+1发送给一个用户的货物的初始出库数量向量(0,34,40,0,0,16)(将时间点n+1确定的类型s3对应的出库数量更新至时间点n的初始出库数量向量)、该用户的每个类型的货物类型转移概率矩阵、该用户的每个类型的出库数量概率矩阵，根据所述目标函数，确定所述仓库在时间点n+2发送给该用户的货物的类型为s2，类型为s2的货物的数量为38，以此类推。
第三计算模块207，用于根据各个用户的预测货物类型序列和预测出库数量序列计算所述第二时间段的各个类型货物的出库比例。
例如，共有用户1、用户2和用户3三个用户。用户1在2019年第一天至第二天的预测类型序列为{s5，s2}，预测出库数量序列为{20，50}；用户2在2019年第一天至第二天的预测类型序列为{s1，s3}，预测出库数量序列为{30，10}；用户3在2019年第一天至第二天的预测类型序列为{s4，s6}，预测出库数量序列为{10，40}。2019年第一天至第二天的每个类型的货物的出库比例为“s1：s2：s3：s4：s5：s6＝3：5：1：1：2：4”。
确定模块208，用于根据所述第二出库总数量序列和所述第二时间段的各个类型货物的出库比例确定所述第二时间段的各个类型货物的出库量。
如上例，2019年第一天至第二天的第二出库总数量序列为{120，200}，2019年第一天至第二天的每个类型的货物的出库比例为“s1：s2：s3：s4：s5：s6＝3：5：1：1：2：4”。2019年第一天至第二天的s1、s2、s3、s4、s5、s6的出库量分别为60、100、20、20、40、80。
实施例二预测所述仓库中每个货物类型的货物的出库量。
在另一实施例中，所述确定模块还用于：
根据各个用户的预测类型序列中的时间点n+k的类型和预测出库数量序列中的对应的出库数量确定时间点n+k的各个类型的货物的出库比例；
从所述第二出库总数量序列中获取时间点n+k的出库总数量；
根据时间点n+k的出库总数量和所述时间点n+k的各个类型的货物的出库比例确定时间点n+k的各个类型的货物的出库量。
例如，共有用户1、用户2和用户3三个用户。用户1在2019年第一天至第二天的预测类型序列为{s5，s2}，预测出库数量序列为{20，50}；用户2在2019年第一天至第二天的预测类型序列为{s1，s3}，预测出库数量序列为{30，10}；用户3在2019年第一天至第二天的预测类型序列为{s4，s6}，预测出库数量序列为{10，40}。2019年第一天的每个类型的货物的出库比例为“s1：s2：s3：s4：s5：s6＝3：0：0：1：2：0”；2019年第二天的每个类型的货物的出库比例为“s1：s2：s3：s4：s5：s6＝0：5：1：0：0：4”。2019年第一天至第二天的第二出库总数量序列为{240，200}，2019年第一天的每个类型的货物的出库比例为“s1：s2：s3：s4：s5：s6＝3：0：0：1：2：0”；2019年第二天的每个类型的货物的出库比例为“s1：s2：s3：s4：s5：s6＝0：5：1：0：0：4”。2019年第一天的s1、s2、s3、s4、s5、s6的出库量分别为120、0、0、40、80、0；2019年第二天的s1、s2、s3、s4、s5、s6的出库量分别为0、100、20、0、80、0。
实施例三
本实施例提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述仓库出库量预测方法实施例中的步骤，例如图1所示的步骤101-108。
或者，该计算机程序被处理器执行时实现上述装置实施例中各模块的功能，例如图2中的模块201-208。
进一步地，所述计算机可读存储介质可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据区块链节点的使用所创建的数据等。
实施例四
图3为本发明实施例三提供的计算机设备的示意图。所述计算机设备30包括存储器301、处理器302以及存储在所述存储器301中并可在所述处理器302上运行的计算机程序303，例如仓库出库量预测程序。所述处理器302执行所述计算机程序303时实现上述仓库出库量预测方法实施例中的步骤，例如图1所示的101-108：
101，获取第一时间段的各时间点对应的出库总数量，以得到仓库的第一出库总数量序列，其中，时间点1至时间点n表示第一时间段，各时间点对应的出库总数量是所述仓库在该时间点各个类型货物的出库数量之和；
102，根据所述第一出库总数量序列预测第二时间段所述仓库的第二出库总数量序列，其中，时间点n+1至时间点n+K表示第二时间段，时间点n+1为时间点n的下一时间点；
103，获取所述仓库在所述第一时间段的发货记录数据，以得到在所述第一时间段各个用户的货物类型序列、各个用户的各个类型货物的出库数量集合、以及时间点n各个用户的货物初始出库数量向量，其中，所述各个用户为所述仓库的各个发货用户；
104，依次根据各个用户的货物类型序列，计算各个用户对应的货物类型转移概率矩阵；
105，依次根据各个用户的各个类型货物的出库数量集合，计算各个用户对应的各个类型货物的出库数量概率矩阵；
106，根据时间点n各个用户的货物初始出库数量向量、货物类型转移概率矩阵以及出库数量概率矩阵确定各个用户的目标隐马尔科夫模型，并根据各个用户的目标隐马尔科夫模型预测所述第二时间段各个用户的预测货物类型序列和与所述预测货物类型序列对应的预测出库数量序列；
107，根据各个用户的预测货物类型序列和预测出库数量序列计算所述第二时间段的各个类型货物的出库比例；
108，根据所述第二出库总数量序列和所述第二时间段的各个类型货物的出库比例确定所述第二时间段的各个类型货物的出库量。
或者，该计算机程序被处理器执行时实现上述装置实施例中各模块的功能，例如图2中的模块201-208：
第一获取模块201，用于用于获取第一时间段的各时间点对应的出库总数量，以得到仓库的第一出库总数量序列，其中，时间点1至时间点n表示第一时间段，各时间点对应的出库总数量是所述仓库在该时间点各个类型货物的出库数量之和；
第一预测模块202，用于根据所述第一出库总数量序列预测第二时间段所述仓库的第二出库总数量序列，其中，时间点n+1至时间点n+K表示第二时间段，时间点n+1为时间点n的下一时间点；
第二获取模块203，用于获取在所述第一时间段所述仓库的发货记录数据，以得到在所述第一时间段各个用户的货物类型序列、各个用户的各个类型货物的出库数量集合、以及时间点n各个用户的货物初始出库数量向量，其中，所述各个用户为所述仓库的各个发货用户；
第一计算模块204，用于依次根据各个用户的货物类型序列，计算各个用户对应的货物类型转移概率矩阵；
第二计算模块205，用于依次根据各个用户的各个类型货物的出库数量集合，计算各个用户对应的各个类型货物的出库数量概率矩阵；
第二预测模块206，用于根据时间点n各个用户的货物初始出库数量向量、货物类型转移概率矩阵以及出库数量概率矩阵确定各个用户的目标隐马尔科夫模型，并根据各个用户的目标隐马尔科夫模型预测所述第二时间段各个用户的预测货物类型序列和与所述预测货物类型序列对应的预测出库数量序列；
第三计算模块207，用于根据各个用户的预测货物类型序列和预测出库数量序列计算所述第二时间段的各个类型货物的出库比例；
确定模块208，用于根据所述第二出库总数量序列和所述第二时间段的各个类型货物的出库比例确定所述第二时间段的各个类型货物的出库量。
示例性的，所述计算机程序303可以被分割成一个或多个模块，所述一个或者多个模块被存储在所述存储器301中，并由所述处理器302执行，以完成本方法。所述一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序303在所述计算机设备30中的执行过程。例如，所述计算机程序303可以被分割成图2中的第一获取模块201、第一预测模块202、第二获取模块203、第一计算模块204、第二计算模块205、第二预测模块206、第三计算模块207、确定模块208，各模块具体功能参见实施例二。
本领域技术人员可以理解，所述示意图3仅仅是计算机设备30的示例，并不构成对计算机设备30的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述计算机设备30还可以包括输入输出设备、网络接入设备、总线等。
所称处理器302可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器302也可以是任何常规的处理器等，所述处理器302是所述计算机设备30的控制中心，利用各种接口和线路连接整个计算机设备30的各个部分。
所述存储器301可用于存储所述计算机程序303，所述处理器302通过运行或执行存储在所述存储器301内的计算机程序或模块，以及调用存储在存储器301内的数据，实现所述计算机设备30的各种功能。所述存储器301可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据计算机设备30的使用所创建的数据等。此外，存储器301可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。
所述计算机设备30集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
在本发明所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
上述以软件功能模块的形式实现的集成的模块，可以存储在一个计算机可读取存储介质中。上述软件功能模块存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本发明各个实施例所述方法的部分步骤。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。此外，显然“包括”一词不排除其他模块或步骤，单数不排除复数。系统权利要求中陈述的多个模块或装置也可以由一个模块或装置通过软件或者硬件来实现。第一，第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。

Claims (10)

1.一种仓库出库量预测方法，其特征在于，所述方法包括：
获取第一时间段的各时间点对应的出库总数量，以得到仓库的第一出库总数量序列，其中，时间点1至时间点n表示第一时间段，各时间点对应的出库总数量是所述仓库在该时间点各个类型货物的出库数量之和；
根据所述第一出库总数量序列预测第二时间段所述仓库的第二出库总数量序列，其中，时间点n+1至时间点n+K表示第二时间段，时间点n+1为时间点n的下一时间点；
获取所述仓库在所述第一时间段的发货记录数据，以得到在所述第一时间段各个用户的货物类型序列、各个用户的各个类型货物的出库数量集合、以及时间点n各个用户的货物初始出库数量向量，其中，所述各个用户为所述仓库的各个发货用户；
依次根据各个用户的货物类型序列，计算各个用户对应的货物类型转移概率矩阵；
依次根据各个用户的各个类型货物的出库数量集合，计算各个用户对应的各个类型货物的出库数量概率矩阵；
根据时间点n各个用户的货物初始出库数量向量、货物类型转移概率矩阵以及出库数量概率矩阵确定各个用户的目标隐马尔科夫模型，并根据各个用户的目标隐马尔科夫模型预测所述第二时间段各个用户的预测货物类型序列和与所述预测货物类型序列对应的预测出库数量序列；
根据各个用户的预测货物类型序列和预测出库数量序列计算所述第二时间段的各个类型货物的出库比例；
根据所述第二出库总数量序列和所述第二时间段的各个类型货物的出库比例确定所述第二时间段的各个类型货物的出库量。
2.如权利要求1所述的方法，其特征在于，所述根据所述第一出库总数量序列预测第二时间段所述仓库的第二出库总数量序列包括：
根据所述第一出库总数量序列中的最大出库总数量和最小出库总数量将所述第一出库总数量序列中的出库总数量的取值范围划分为多个取值子范围；
根据所述第一出库总数量序列计算所述多个取值子范围之间的转移概率矩阵；
k依次取1,2，…,K，根据时间点n+k-1的出库总数量和所述多个取值子范围之间的转移概率矩阵确定时间点n+k的出库总数量对应的转移概率最大的取值子范围，并将所述时间点n+k对应的转移概率最大的取值子范围的中间值确定为时间点n+k的出库总数量；
依时间顺序组合所述第二时间段的出库总数量，得到所述第二出库总数量序列。
3.如权利要求1所述的方法，其特征在于，所述依次根据各个用户的货物类型序列，计算各个用户对应的货物类型转移概率矩阵包括：
依次取各个用户中的一个用户，记为给定用户；
获取所述给定用户的货物类型序列中的各个货物类型；
根据所述给定用户的货物类型序列计算所述各个货物类型之间的转移概率；
根据所述各个货物类型之间的转移概率构造所述给定用户对应的货物类型转移概率矩阵；
所述依次根据各个用户的各个类型货物的出库数量集合，计算各个用户对应的各个类型货物的出库数量概率矩阵包括：
依次取各个用户中的一个用户，记为指定用户；
依次取各个货物类型中的一个货物类型，记为指定类型；
依次获取所述指定用户的指定类型货物的出库数量集合中的一个目标出库数量，所述目标出库数量对应所述指定用户的指定类型的出库数量概率矩阵中的一个列，记为给定列；
计算所述目标出库数量的出库次数；
根据所述目标出库数量的出库次数和所述指定用户的指定类型的出库总次数计算所述目标出库数量的概率值，得到所述指定用户的指定类型的出库数量概率矩阵中，第1行的给定列的值。
4.如权利要求3所述的方法，其特征在于，各个用户对应的货物类型转移概率矩阵中的值大于或等于0.01。
5.如权利要求3所述的方法，其特征在于，当各个用户对应的货物类型转移概率矩阵中的目标值等于0时，将大于0的预设值重新赋值给所述目标值。
6.如权利要求3所述的方法，其特征在于，所述根据各个用户的目标隐马尔科夫模型预测所述第二时间段各个用户的预测货物类型序列和与所述预测货物类型序列对应的预测出库数量序列包括：
依次取各个用户中的一个目标用户；
k依次取1,2，…,K，基于求最大值的动态规划方法，根据所述目标用户的货物类型转移概率矩阵中的转移概率和所述目标用户的各个货物类型的出库数量概率矩阵中的概率值，确定所述目标用户在时间点n+k发送给所述目标用户的货物的目标类型和所述目标类型对应的出库数量；
依时间顺序组合所述目标用户的货物的目标类型，得到所述目标用户的预测货物类型序列；
依时间顺序组合所述目标类型对应的出库数量，得到所述目标用户的预测出库数量序列。
7.如权利要求1至6中任一项所述的方法，其特征在于，所述方法还包括：
根据各个用户的预测类型序列中的时间点n+k的类型和预测出库数量序列中的对应的出库数量确定时间点n+k的各个类型的货物的出库比例；
从所述第二出库总数量序列中获取时间点n+k的出库总数量；
根据时间点n+k的出库总数量和所述时间点n+k的各个类型的货物的出库比例确定时间点n+k的各个类型的货物的出库量。
8.一种仓库出库量预测装置，其特征在于，所述装置包括：
第一获取模块，用于获取第一时间段的各时间点对应的出库总数量，以得到仓库的第一出库总数量序列，其中，时间点1至时间点n表示第一时间段，各时间点对应的出库总数量是所述仓库在该时间点各个类型货物的出库数量之和；
第一预测模块，用于根据所述第一出库总数量序列预测第二时间段所述仓库的第二出库总数量序列，其中，时间点n+1至时间点n+K表示第二时间段，时间点n+1为时间点n的下一时间点；
第二获取模块，用于获取在所述第一时间段所述仓库的发货记录数据，以得到在所述第一时间段各个用户的货物类型序列、各个用户的各个类型货物的出库数量集合、以及时间点n各个用户的货物初始出库数量向量，其中，所述各个用户为所述仓库的各个发货用户；
第一计算模块，用于依次根据各个用户的货物类型序列，计算各个用户对应的货物类型转移概率矩阵；
第二计算模块，用于依次根据各个用户的各个类型货物的出库数量集合，计算各个用户对应的各个类型货物的出库数量概率矩阵；
第二预测模块，用于根据时间点n各个用户的货物初始出库数量向量、货物类型转移概率矩阵以及出库数量概率矩阵确定各个用户的目标隐马尔科夫模型，并根据各个用户的目标隐马尔科夫模型预测所述第二时间段各个用户的预测货物类型序列和与所述预测货物类型序列对应的预测出库数量序列；
第三计算模块，用于根据各个用户的预测货物类型序列和预测出库数量序列计算所述第二时间段的各个类型货物的出库比例；
确定模块，用于根据所述第二出库总数量序列和所述第二时间段的各个类型货物的出库比例确定所述第二时间段的各个类型货物的出库量。
9.一种计算机设备，其特征在于，所述计算机设备包括处理器，所述处理器用于执行存储器中存储的计算机程序以实现如权利要求1-7中任一项所述仓库出库量预测方法。
10.一种计算机可读存储介质，包括存储数据区和存储程序区，存储数据区存储根据区块链节点的使用所创建的数据，存储程序区存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-7中任一项所述仓库出库量预测方法。
CN202010359171.9A 2020-04-29 2020-04-29 仓库出库量预测方法、装置、计算机设备及存储介质 Pending CN111639888A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010359171.9A CN111639888A (zh) 2020-04-29 2020-04-29 仓库出库量预测方法、装置、计算机设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010359171.9A CN111639888A (zh) 2020-04-29 2020-04-29 仓库出库量预测方法、装置、计算机设备及存储介质

Publications (1)

Publication Number Publication Date
CN111639888A true CN111639888A (zh) 2020-09-08

Family

ID=72332436

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010359171.9A Pending CN111639888A (zh) 2020-04-29 2020-04-29 仓库出库量预测方法、装置、计算机设备及存储介质

Country Status (1)

Country Link
CN (1) CN111639888A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113420919A (zh) * 2021-06-21 2021-09-21 郑州航空工业管理学院 基于无人机视觉感知的工程异常管控方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150161545A1 (en) * 2013-12-05 2015-06-11 Smart Software, Inc. Visualization of spare parts inventory
CN108510101A (zh) * 2017-10-13 2018-09-07 上海智容睿盛智能科技有限公司 一种基于加权马尔科夫的备件库存定额模型预测方法
CN109558992A (zh) * 2018-12-17 2019-04-02 广州甘来信息科技有限公司 基于自贩机的销售峰值预测方法、装置、设备及存储介质

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150161545A1 (en) * 2013-12-05 2015-06-11 Smart Software, Inc. Visualization of spare parts inventory
CN108510101A (zh) * 2017-10-13 2018-09-07 上海智容睿盛智能科技有限公司 一种基于加权马尔科夫的备件库存定额模型预测方法
CN109558992A (zh) * 2018-12-17 2019-04-02 广州甘来信息科技有限公司 基于自贩机的销售峰值预测方法、装置、设备及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
于文 等: ""基于马尔科夫链的库存策略研究"", 中国制造业信息化, no. 13, 1 July 2009 (2009-07-01), pages 8 - 11 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113420919A (zh) * 2021-06-21 2021-09-21 郑州航空工业管理学院 基于无人机视觉感知的工程异常管控方法
CN113420919B (zh) * 2021-06-21 2023-05-05 郑州航空工业管理学院 基于无人机视觉感知的工程异常管控方法

Similar Documents

Publication Publication Date Title
Sarkar et al. Application of the artificial neural network with multithreading within an inventory model under uncertainty and inflation
Lee et al. A multiagent approach to $ q $-learning for daily stock trading
JP6414363B2 (ja) 予測システム、方法およびプログラム
CN108431832A (zh) 利用外部存储器扩增神经网络
JP2002521756A (ja) 資産集約製造業者のためのコンピュータ実装される価値管理ツール
Svetunkov et al. A new taxonomy for vector exponential smoothing and its application to seasonal time series
CN111639888A (zh) 仓库出库量预测方法、装置、计算机设备及存储介质
García et al. Agency theory: Forecasting agent remuneration at insurance companies
CN113848936A (zh) 路径规划方法、装置、电子设备和计算机可读存储介质
US11631102B2 (en) Optimization of markdown schedules for clearance items at physical retail stores
CN108363773A (zh) 一种基于二进制操作的签到方法及装置
Kamhuber et al. An efficient hybrid multi-criteria optimization approach for rolling production smoothing of a European food manufacturer
Kakade et al. Deterministic calibration and Nash equilibrium
CN111679959A (zh) 计算机性能数据确定方法、装置、计算机设备及存储介质
CN114581220B (zh) 数据处理方法、设备及分布式计算系统
CN113869992B (zh) 基于人工智能的产品推荐方法、装置、电子设备及介质
CN115048462A (zh) 一种基于区块链的数字资产合成方法及装置
CN115358532A (zh) 设备作业的工单生成方法、装置、计算机设备
Ghate et al. Sampled fictitious play for multi-action stochastic dynamic programs
CN114422105A (zh) 联合建模方法、装置、电子设备及存储介质
CN114140023A (zh) 一种项目风险确定方法、装置、电子设备及存储介质
Ramirez et al. Coordinated replenishment game and learning under time dependency and uncertainty of the parameters
Romauch et al. Dynamic facility location with stochastic demands
US20170103433A1 (en) Generating and Using Estimated Asset Monetary Values and Estimated Macroeconomic Measure Data Values
CN112948416A (zh) 一种房产销售任务的发布方法、装置及设备

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