CN111967684A - 一种基于大数据分析的计量资产主动配送方法 - Google Patents

一种基于大数据分析的计量资产主动配送方法 Download PDF

Info

Publication number
CN111967684A
CN111967684A CN202010881042.6A CN202010881042A CN111967684A CN 111967684 A CN111967684 A CN 111967684A CN 202010881042 A CN202010881042 A CN 202010881042A CN 111967684 A CN111967684 A CN 111967684A
Authority
CN
China
Prior art keywords
data
model
installation
weekly
obtaining
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
CN202010881042.6A
Other languages
English (en)
Other versions
CN111967684B (zh
Inventor
滕铁军
侯家林
曹伏雷
付勇
井友鼎
郭江波
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.)
Beijing Hezhong Weiqi Technology Co ltd
Original Assignee
Beijing Hezhong Weiqi Technology Co 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 Beijing Hezhong Weiqi Technology Co ltd filed Critical Beijing Hezhong Weiqi Technology Co ltd
Priority to CN202010881042.6A priority Critical patent/CN111967684B/zh
Publication of CN111967684A publication Critical patent/CN111967684A/zh
Application granted granted Critical
Publication of CN111967684B publication Critical patent/CN111967684B/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
    • 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
    • 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
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

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

Abstract

本发明公开了一种基于大数据分析的计量资产主动配送方法，包括步骤：进行数据采集与整理，得到一定时间内的历史周安装数据和单位时间内的评价指标数据；建立时间序列预测模型；将历史周安装数据按一定时间节点划分成训练集和测试集，选取最优模型；将历史周安装数据导入所述最优计算模型中，得到未来时间单位的周安装需求量；通过统计计算的方式获取冗余量；计算合理库存区间；根据单位时间内的评价指标数据，通过综合评价法获取配送优先级评分。根据不同业务数据的特点建立库存精准预测模型，通过建立主动配送模型进行综合评价，由计量中心或地市公司测算下级用表单位的配送优先级，并结合库存精准预测结果自动编排配送任务。

Description

一种基于大数据分析的计量资产主动配送方法
技术领域
本发明设计电力计量行业的用表需求计算方法，尤其涉及一种基于大数据分析的计量资产主动配送方法。
背景技术
随着智能仓储、自动化检定线等自动化设备以及生产调度平台等信息化系统的建设，提高了计量生产能力，提升了生产过程管控水平，但是围绕计量资产的全业务流程管控仍然存在以下问题：1)由于业务信息的非对称性，地市公司的业扩及轮换工单转变为配送申请的过程、计量中心汇总平衡配送申请的过程、计量中心的采购设备适配配送申请的过程均可能出现例如设备参数遗漏、设备与信息不匹配等信息失真情况，导致结构性缺表、生产表计无地市接收等情况。2)配送需求的提报及汇总平衡、配送计划的编制大多由管理人员线下沟通决策，个人的主观意志决定性较强，不能客观反映业务需求。3)计量中心的生产管理与领用安装环节的业务关联性较弱，采购检定与领用安装脱节，会产生生产的表计无法安装使用造成产能及资源浪费、用表高峰期出现无表可用等风险；计量设备的配送环节与领用安装环节的业务关联性较弱，会导致提前或虚假报送配送申请、地市库存超期、资产丢失等问题。4)由于用表需求不准确引起的生产计划不准确无法执行的问题没有彻底解决，可能引起生产过程异常波动、库存结构不合理等生产风险。参考CN107862476A和CN109034505A，公开了一种基于数据分析的计量用表需求计算方法，可以依据采集得到的计量用表需求历史数据，建立计量用表需求预测分析模型，能够处理部分计量用表需求问题，但是仅使用单一的模型创建局限性太大，各地的计量用表预测精度不够，导致后续的数据处理结果不稳定。
发明内容
为克服上述缺陷，本发明的目的在于提供一种基于大数据分析的计量资产主动配送方法，根据不同业务数据的特点建立库存精准预测模型，通过建立主动配送模型进行综合评价，由计量中心或地市公司测算下级用表单位的配送优先级，并结合库存精准预测结果自动编排配送任务。
为实现上述目的，本发明采用如下技术方案：
一种基于大数据分析的计量资产主动配送方法，包括步骤：
进行数据采集与整理，得到一定时间内的历史周安装数据和单位时间内的评价指标数据；
建立时间序列预测模型；
将历史周安装数据按一定时间节点划分成训练集和测试集，选取最优模型；
将历史周安装数据导入所述最优计算模型中，得到未来时间单位的周安装需求量；
通过统计计算的方式获取冗余量；
计算合理库存区间；
根据单位时间内的评价指标数据，通过综合评价法获取配送优先级评分；
可选的，所述进行数据采集与整理包括步骤：
对数据进行可视化处理，绘制周时序图；
对数据进行标准化处理；
其中，通过极值法进行所述标准化处理，使所有值都映射到[0,1] 区间上，所述极值法如下式所示：
Figure RE-GDA0002682588710000031
其中，xij表示第i个供电公司第j个指标的原始数据，n表示供电公司的个数；x* ij表示对应的标准化后的数据。
可选的，所述时间序列预测模型包括指数平滑模型。
可选的，所述将历史周安装数据按一定时间节点划分成训练集和测试集，选取最优模型包括步骤：
将T1-T2年周时序数据作为训练集，建立指数平滑模型；
将T3年周数据作为测试集，其中T3-T2＝1；
绘制模型预测效果，选取最优模型。
可选的，将所述历史周安装数据导入所述最优计算模型中，得到未来时间单位的周安装需求量包括步骤：
将T1-T3年的历史数据导入所述最优模型，获得T3年各周预测值与实际值。
可选的，所述通过统计计算的方式获取冗余量包括步骤：
获得T3年各品规周安装量的四分位数；
取四分之一分位数作为下限的冗余值；
取四分之三分位数作为上限的冗余值。
可选的，所述计算合理库存区间包括步骤：
计算合理库存区间下限；
计算合理库存区间上限；
其中，所述合理库存区间下限＝周安装需求量+T3年周数据四分之一分位数；所述合理库存区间上限＝周安装需求量+T3年周数据四分之三分位数。
可选的，所述根据单位时间内的评价指标数据，通过综合评价法获取配送优先级评分包括步骤：
使用主观赋权法获得主观权重W1j；
使用客观赋权法获得客观权重W2j；
使用主客观赋权综合评价法获得组合权重Wj；
通过组合权重Wj以及标准化后的数据x* ij获取各市公司的配送优先级评分Si；
其中，所述主观赋权法包括层次分析法；所述客观赋权法包括熵值法；所述主客观赋权综合评价法根据最小相对信息熵原理，得出组合权重Wj，
Figure RE-GDA0002682588710000041
配送优先级评分
Figure RE-GDA0002682588710000042
Si为第i个公司的评分。
本发明的积极有益效果：
通过获取历史新装、换装、故障更换、周期轮换的业务数据，根据不同业务数据的特点建立库存精准预测模型，从而实现测算市县所的营销用表工单提报概率以及用表量分布区间，规划市县所合理库存，并根据合理库存区间对市县所实时库存进行监控与预警；依据用表单位的库存信息、库存占用信息、安装需求信息、配送在途信息、中心库存信息、中心生产计划等信息，通过建立主动配送模型进行综合评价，由计量中心或地市公司测算下级用表单位的配送优先级，并结合库存精准预测结果自动编排配送任务。
附图说明
图1是本发明的实施例1提供的一种基于大数据分析的计量资产主动配送方法的示意图；
图2是本发明的实施例1提供的进行数据采集与整理的方法示意图；
图3是本发明的实施例1提供的2级单相表-220V-5(60)A低压批量新装的周时序图；
图4是本发明的实施例1提供的2级单相表-220V-5(60)A低压居民新装的周时序图；
图5是本发明的实施例1提供的将历史周安装数据按一定时间节点划分成训练集和测试集，选取最优模型的方法示意图；
图6是本发明的实施例1提供的2级单相表-220V-5(60)A低压批量新装中2015-2017年数据建立指数平滑模型对历史数据的拟合和对 2018年预测效果示意图；
图7是本发明的实施例1提供的2级单相表-220V-5(60)A低压居民新装中2015-2017年数据建立指数平滑模型对历史数据的拟合和对 2018年预测效果示意图；
图8是本发明的实施例1提供的通过统计计算的方式获取冗余量的方法示意图；
图9是本发明的实施例1提供的计算合理库存区间的方法示意图；
图10是本发明的实施例1提供的根据单位时间内的评价指标数据，通过综合评价法获取配送优先级评分的方法示意图；
图11是本发明的实施例1提供的配送评分优先级客观赋权中的比值分布示意图。
具体实施方式
下面结合一些具体实施方式，对本发明进一步说明。
实施例1
一种基于大数据分析的计量资产主动配送方法，包括步骤：
S1、进行数据采集与整理，得到一定时间内的历史周安装数据和单位时间内的评价指标数据；
S2、建立时间序列预测模型；
S3、将历史周安装数据按一定时间节点划分成训练集和测试集，选取最优模型；
S4、将历史周安装数据导入所述最优计算模型中，得到未来时间单位的周安装需求量；
S5、通过统计计算的方式获取冗余量；
S6、计算合理库存区间；
S7、根据单位时间内的评价指标数据，通过综合评价法获取配送优先级评分；
计量资产数据分散在计量生产调度平台、营销业务应用系统、用电信息采集系统等多套系统中，数据尚未有效集成和充分共享，且系统间的数据标准不一致、数据质量参差不齐，为计量资产全寿命周期管理带来一定难度；且数据分析花费的时间较长且引入了因人工疏漏的故障点，难以满足计量资产精细化管理的要求。常用的时间序列预测模型主要有ARIMA(自回归差分移动平均模型)模型、指数平滑模型、LSTM模型、灰色预测模型。选择适用的模型以及对得到的模型数据进行合理的分析相当的重要，失之毫厘差之千里；本实施例区别于传统单一的模型分析，通过按照一定时间节点以周为单位收集数据，并划分训练集和测试集选取最优模型，再获取冗余量，对过去一年各品规周安装量进行描述性统计分析，计算合理区间以缩小范围，提高预测精度，在进行优先级评分时综合考虑主观赋权以及客观赋权，形成综合评价法以提高配送优先级的准确性。
历史周安装数据均提取于电力营销业务系统提前录入的实际历史数据，时间单位按照统计周期以周为单位，即最终计算得到的预测结果为周安装需求单位时间内的评价指标数据是提取各单位某个单位时间内各品规相关指标数据，包括当前库存数量、本月已安装数量、本月需求量、本月已提报未安装量、库龄低于180天设备数量、配送在途数量；根据采集的数据进行初步分析选用合适的时间序列预测模型是非常重要的；将历史周安装数据按一定时间节点划分成训练集和测试集，选取最优模型；训练集用于调整模型的精确度，不断进行优化，测试集用作与训练集做对比，计算平均绝对误差MAE，
Figure RE-GDA0002682588710000081
Figure RE-GDA0002682588710000082
其中，n为测试集序列长度，Xi为测试集实际值，xi为预测值，进而选取误差最小的参数组合，即选取最优模型。将历史周安装数据导入最优模型中，得到未来时间单位的周安装需求量，通过统计计算的方式获取冗余量，本方法主要是对过去一年各品规周安装量进行描述性统计分析，根据获取的周安装需求量以及冗余值计算合理库存区间，根据单位时间内的评价指标数据，通过综合评价法获取配送优先级评分。依据采集得到的计量用表需求历史数据，通过选择建立不同模式下计量用表需求预测分析模型，计算得出较为准确的待计算时间段的计量用表需求量,使企业能够按照计算出的较为准确的待计算时间段的计量用表需求量进行生产安排。并且随着业务数据的沉淀以及大数据技术的成熟应用，通过大数据分析技术实现计量资产的主动配送的准确性会越来越高。
进一步的，所述进行数据采集与整理包括步骤：
S11、对数据进行可视化处理，绘制周时序图；
S12、对数据进行标准化处理；
其中，通过极值法进行所述标准化处理，使所有值都映射到[0,1] 区间上，所述极值法如下式所示：
Figure RE-GDA0002682588710000091
其中，xij表示第i个供电公司第j个指标的原始数据，n表示供电公司的个数；x* ij表示对应的标准化后的数据。
历史周安装数据按照设备类别和设备品规分为2级单相-220V-5 (60)A、1级三相-3x380/220V-3*5(60)A、1级三相-3x380/220V- 3*10(100)A、1级三相-3x380/220V-3*1.5(6)A、0.5S级三相-3x100V- 3*1.5(6)A、互感器和采集终端，按照设备用途分为新装、换装、故障更换、周期轮换。以2级单相-220V-5(60)A新装数据为例，进一步阐述本发明计量资产的主动配送智能决策方法。统计2015-2018年新装记录中2级单相-220V-5(60)A的安装量及占比，如表1所示：
品规_工单 安装量 备注
单相-220V-5(60)A-2-低压批量新装 424692 /
单相-220V-5(60)A-2-低压居民新装 14244 /
表1
对数据进行可视化处理，绘制周时序图，具体的如图3和图4所示。
抽取2019年9月A省若干地市的评价指标数据，如表2所示：
Figure RE-GDA0002682588710000101
表2 根据原始指标数据计算配送评价指标，结果如表3所示：
Figure RE-GDA0002682588710000102
表3
由于各项指标的计量单位并不统一，不能直接通过原始数据进行评价。因此在计算综合指标前，先要进行标准化处理，即把指标的绝对值转化为相对值，从而消除指标之间的量纲关系。指标标准化分为正向指标标准化和负向指标标准化，正向指标的含义为数值越高越好，表现为数值越大，评分越高。负向指标的含义为数值越低越好，表现为数值越小，评分越高。本项目的五个指标全为正向指标，即都是越大评分越高。
这里是用极值法进行标准化，使所有值都映射到【0，1】区间上，如下式所示，
Figure RE-GDA0002682588710000111
其中，xij表示第i个供电公司第j个指标的原始数据，n是供电公司的个数；x* ij表示对应的标准化后的数据，如表4所示。
标准化是按指标(列)进行的，如lack_num指标，最小值为-6243，最大值为9447，即
Figure RE-GDA0002682588710000112
则a供电公司的 lack_num标准化为：
Figure RE-GDA0002682588710000113
其余值的标准化与之相同，不再赘述。标准化后的结果如表4所示：
Figure RE-GDA0002682588710000114
Figure RE-GDA0002682588710000121
表4
所述时间序列预测模型包括指数平滑模型。常用的时间序列预测模型主要有ARIMA(自回归差分移动平均模型)模型、指数平滑模型、 LSTM模型、灰色预测模型。其中，ARIMA模型适用于需求相对平稳的时间序列，即适合线性趋势的时序数据；指数平滑模型考虑近期数据对预测值的影响比远期数据大，从而将接近当前的数据赋予较大权重，远离当前的数据赋予较小权重，且权值按指数递减，适用于存在趋势或季节性的时序数据；LSTM模型适用于时序长度较长的序列数据；灰色预测模型适用于数量较小，规律性不强的时序，但该模型只能描述单调的变化过程。根据对业务的了解以及对历史安装数据的初步探索分析，发现数据呈非平稳、非线性趋势，且存在一定季节性，故本发明结合实际数据特点及各类模型特点，综合考虑选择指数平滑模型。指数平滑算法的显著特点是，给最新的观察值以最大的权重，给其它预测(或实际值)以递减的权重，所以预测值既能反映最新的信息，又能反映历史资料的信息，从而使预测结果更符合实际情况。指数平滑算法属于非统计性模型，可用于确定型的以时间为序列分析的内容，目标是采用“修匀”历史数据来区别基本数据模式和随机变动。这相当于在历史数据中消除极大值或极小值来获得该时间序列的“平滑值”，即对未来的预测值。一次指数平滑预测模型适用于平稳型数据的预测，本发明中，所述的指数平滑模型为一次指数平滑，如下所示：
Si＝αxi+(1-α)Si-1
其中，Si为前i期数据对第i期数据的平滑值，Si-1为前i-1 期数据对第i-1期数据的平滑值，xi为第i期的实际观测值，i为自然数，α为水平平滑系数，α的取值范围为[0，1]，对于平滑系数α的作用为控制权数下降的速度，α越接近于1，则近期观测值的权重越大；反之，α越接近于0，则历史观测值的权重越大。为最优化某种拟合标准，α的实际值一般由计算机选择，常见的拟合标准是真实值和预测值之间的残差平方和。上文和下文中出现的前i期数据即为前i个时间单位内的数据。
如图5所示，所述将历史周安装数据按一定时间节点划分成训练集和测试集，选取最优模型包括步骤：
S31、将T1-T2年周时序数据作为训练集，建立指数平滑模型；
S32、将T3年周数据作为测试集，其中T3-T2＝1；
S33、绘制模型预测效果，选取最优模型。
进一步的，设T1＝2015,T2＝2017,T3＝2018；将2015-2017年周时序数据作为训练集，建立指数平滑模型，并用2018年周数据作为测试集，验证模型对于周时间序列数据的预测效果。绘制模型预测效果，如图6和图7所示，其中，m为训练集(实际安装量)，n为拟合值，y为测试集(实际安装量)，k为预测值。从模型训练效果图可以看出，模型在批量新装周安装数据的拟合效果较好，捕捉到历史数据的变化趋势，但在2018年的预测中，其预测值与实际值(测试集)存在较大差异，第一季度的预测效果较好，预测值与实际安装量较为接近，后期的预测值偏大(由于2017年存在增长趋势)，正如对周时序图的分析，2018年与2017年新装量变化差异较大，挖掘的历史趋势与 2018年不符，故模型在测试集上的效果不理想，预测值与实际需求量差异可能较大。模型在低压居民新装的预测效果较好，从2018年实际安装量(y)与预测值(k)曲线来看，前3季度预测值与实际值变化走势较为一致，最后一季度，规律一致，但预测值偏大。因此，对于批量新装类型的数据，需要异常数据进行处理后再导入指数平滑模型，对于低压新增类型的数据则不需要进去额外处理。
将所述历史周安装数据导入所述最优计算模型中，得到未来时间单位的周安装需求量包括步骤：
S41、将T1-T3年的历史数据导入所述最优模型，获得T3年各周预测值与实际值。
将2015-2018年的历史数据导入模型后，获得2018年10-12月各周预测值与实际值，如表5所示
Figure RE-GDA0002682588710000141
Figure RE-GDA0002682588710000151
表5
如图8所示，所述通过统计计算的方式获取冗余量包括步骤：
S51、获得T3年各品规周安装量的四分位数；
S52、取四分之一分位数作为下限的冗余值；
S53、取四分之三分位数作为上限的冗余值。
通过统计计算的方式获取冗余量。本方法主要是对过去一年T3 各品规周安装量进行描述性统计分析，以预算下一年，选取2018/1/1- 2018/12/23的周安装量数据，统计计算最小、最大值以及四分之一分位数、中位数、四分之三分位数。结果如下表6：
品规 min 25％ 50％ 75％ max
d 0 142.5 730 1202 4160
a 1 21 54 830.5 2302
b 0 10.5 25 101.5 2178
c 0 41 59 113 3991
e 0 7 15 35 505
f 0 14.5 47 443 1856
g 0 13 21 62 681
h 0 14.5 21 51 801
表6
如图9所示，所述计算合理库存区间包括步骤：
S61、计算合理库存区间下限；
S62、计算合理库存区间上限；
其中，所述合理库存区间下限＝周安装需求量+T3年周数据四分之一分位数；所述合理库存区间上限＝周安装需求量+T3年周数据四分之三分位数。将2018/12/24-2018/12/30的周预测值分别与2018/1/1- 2018/12/23的周安装量四分之一分位数和四分之三分位数相加，得到 2018/12/24-2018/12/30周合理库存区间。如表7所示：
Figure RE-GDA0002682588710000161
Figure RE-GDA0002682588710000171
表7
如图10所示，所述根据单位时间内的评价指标数据，通过综合评价法获取配送优先级评分包括步骤：
S71、使用主观赋权法获得主观权重W1j；
S72、使用客观赋权法获得客观权重W2j；
S73、使用主客观赋权综合评价法获得组合权重Wj；
S74、通过组合权重Wj以及标准化后的数据x* ij获取各市公司的配送优先级评分Si；
其中，所述主观赋权法包括层次分析法；所述客观赋权法包括熵值法；所述主客观赋权综合评价法根据最小相对信息熵原理，得出组合权重Wj，
Figure RE-GDA0002682588710000172
配送优先级评分
Figure RE-GDA0002682588710000173
Si为第i个公司的评分。
主观赋权法是指分析人员或业务专家通过日常业务积累的经验给指标赋权，最经典的主观赋权法是层次分析法AHP(一般默认主观赋权即AHP)，主要包括两步，分别是构造相对重要性矩阵和权重求解。
客观赋权法由于主观赋权主要依赖专家的业务经验，在指标的重要性对比上容易引人个人偏好，造成指标权重与实际的偏差。因此，引入熵值法，通过数据自身蕴含的信息量大小去划分指标的权重分布。
本实施例使用的主客观赋权综合评价法，是综合两种赋权方法的特点和优点，根据最小相对信息熵原理，将主客观赋权法相结合，一方面考虑了业务专家的经验，另一方面也反映了数据本身反映的客观事实。
具体的,先使用主观赋权，记A为指标间的相对重要性矩阵
Figure RE-GDA0002682588710000181
由于aij≈wi/wj，则Aw≈nw，即(A-nE)w＝0，可得： Aw*＝λmaxw*，对w*进行归一化，即可得主观权重w1j。
第一步构造相对重要性矩阵，根据业务经验直接给出各指标的权重是非常困难的，但给出指标的相对重要性却容易很多，基于这种考虑，我们从上向下逐级构建指标相对重要性矩阵。如表8和表9所示。
Figure RE-GDA0002682588710000182
Figure RE-GDA0002682588710000191
表8
Figure RE-GDA0002682588710000192
表9
判断矩阵中的标度说明如下：1表示两个元素相比，具有同样的重要性；3表示两个元素相比，前者比后者稍重要；5表示两个元素相比，前者比后者明显重要。倒数表示若元素i和元素j的重要性之比为aij,那么元素j与元素i的重要性之比为aji＝1/aij。
表8表示在评价配送优先级时，潜在风险明显比利用率更加重要。因为已经对一层指标进行了比较，所以表9在比较二层指标的相对重要性时，只比较同属同一个第一层指标的。可以看到，已安装比例比正常库龄比例明显重要；需求缺口量比需求缺口比例比、安装未响应率稍重要；需求缺口比例和安装未响应率则同等重要。
第二步权重求解，首先求解第二层指标的权重，以潜在风险下的三个指标为例，由表9可知其相对重要性矩阵为：
Figure RE-GDA0002682588710000193
解得其最大特征值对应的特征向量归一化值为[0.6,0.2,0.2]，即需求缺口量、需求缺口比例和安装未响应率在潜在风险指标上的权重分别为0.6,0.2，0.2。
然后求第一层指标的权重：
Figure RE-GDA0002682588710000201
解得利用率和潜在风险在配送优先级上的权重分别为0.17,0.83。
第二层权重乘以第一层权重，即可得第二层指标在配送优先级评价上的权重，结果如表10所示。
Figure RE-GDA0002682588710000202
表10
可以明显看出，需求缺口量权重最大，需求缺口比例和安装未响应率次之，正常库龄比例最小，权重分布与实际业务场景相符。
再使用客观赋权：
第一步比值
Figure RE-GDA0002682588710000203
Figure RE-GDA0002682588710000211
表11
从表11和图11来看，已安装比例和需求缺口量最为分散，即从数据角度来说，这两个指标对不同单位的评价影响最大。
第二步熵值
Figure RE-GDA0002682588710000212
表12
熵值越小，差异系数越大，指标所蕴含的信息量就越大，指标的重要性也越高。可以看出已安装比例和需求缺口量蕴含的信息相对较大。
第三步权重，熵值法计算的权重如表13所示。
Figure RE-GDA0002682588710000213
表13
从客观权重上看，已安装比例和需求缺口量的权重较大，需求缺口比例、安装未响应率和正常库龄比例数据相对较小。
第四步综合评价：使用最小相对信息熵原理综合主客观权重获得组合权重，如下式所示，结果如表14中所示。可以看出，需求缺口量的组合权重最大，正常库龄比例最小。
Figure RE-GDA0002682588710000221
其中w1j为主观权重，w2j为客观权重，wj为组合权重。
Figure RE-GDA0002682588710000222
表14
组合权重乘以标准化后的数据，如下式所示，即可得到各市公司的评分，如表15所示。
Figure RE-GDA0002682588710000223
单位 score rank
a供电公司 36.42 8
b供电公司 37.7 7
c供电公司 16.65 11
d供电公司 21.68 10
e供电公司 21.77 9
f供电公司 52.74 3
g供电公司 62.81 2
h供电公司 73.66 1
表15
由表15所示，h供电公司的配送优先级最高，c供电公司的优先级最低，h供电公司的需求缺口量和需求缺口比例都相对较大，而这两个指标的权重也较大，因此其配送评分较高；而c供电公司的需求缺口量最小、需求缺口比例和已安装比例相对较小，因此其配送评分较低，与实际业务相符。
获取2018/12/24-2018/12/30当周各单位库存数据，如表16所示：
单位 库存下限 库存上限 库存量
d 626 1686 948
a 777 1586 527
b 15 106 8
c 220 292 116
e 84 112 35
f 18 447 357
g 16 65 117
h 22 59 40
表16
根据获取到的合理库存区间上下限结合当前库存数据进行判断，当库存低于下限时，表明库存不能满足下期安装需求，存在无法及时响应客户安装需求的风险，此时，将触发上级单位主动配送任务，实现及时主动配送，当库存高于库存上限时，表明库存有较大冗余量，可能出现库存积压风险；另外，根据获取到的配送优先级评分进行判断，评分越高，表明需求越紧急，应优先配送。
由表16可知，同合理库存上下限对比计算可得a、b、c、e库存低于合理库存区间下限，因此将触发上级单位主动配送任务；另根据获取的配送优先级评分，可判断库a、b、c、e的配送优先级为b>a>e>c。最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，本领域普通技术人员对本发明的技术方案所做的其他修改或者等同替换，只要不脱离本发明技术方案的精神和范围，均应涵盖在本发明的权利要求范围当中。

Claims (8)

1.一种基于大数据分析的计量资产主动配送方法，其特征在于，包括步骤：
进行数据采集与整理，得到一定时间内的历史周安装数据和单位时间内的评价指标数据；
建立时间序列预测模型；
将历史周安装数据按一定时间节点划分成训练集和测试集，选取最优模型；
将历史周安装数据导入所述最优计算模型中，得到未来时间单位的周安装需求量；
通过统计计算的方式获取冗余量；
计算合理库存区间；
根据单位时间内的评价指标数据，通过综合评价法获取配送优先级评分；
2.如权利要求1所述的一种基于大数据分析的计量资产主动配送方法，其特征在于，所述进行数据采集与整理包括步骤：
对数据进行可视化处理，绘制周时序图；
对数据进行标准化处理；
其中，通过极值法进行所述标准化处理，使所有值都映射到[0,1]区间上，所述极值法如下式所示：
Figure RE-FDA0002682588700000011
其中，xij表示第i个供电公司第j个指标的原始数据，n表示供电公司的个数；x* ij表示对应的标准化后的数据。
3.如权利要求1所述的一种基于大数据分析的计量资产主动配送方法，其特征在于，所述时间序列预测模型包括指数平滑模型。
4.如权利要求3所述的一种基于大数据分析的计量资产主动配送方法，其特征在于，所述将历史周安装数据按一定时间节点划分成训练集和测试集，选取最优模型包括步骤：
将T1-T2年周时序数据作为训练集，建立指数平滑模型；
将T3年周数据作为测试集，其中T3-T2＝1；
绘制模型预测效果，选取最优模型。
5.如权利要求4所述的一种基于大数据分析的计量资产主动配送方法，其特征在于，将所述历史周安装数据导入所述最优计算模型中，得到未来时间单位的周安装需求量包括步骤：
将T1-T3年的历史数据导入所述最优模型，获得T3年各周预测值与实际值。
6.如权利要求4所述的一种基于大数据分析的计量资产主动配送方法，其特征在于，所述通过统计计算的方式获取冗余量包括步骤：
获得T3年各品规周安装量的四分位数；
取四分之一分位数作为下限的冗余值；
取四分之三分位数作为上限的冗余值。
7.如权利要求6所述的一种基于大数据分析的计量资产主动配送方法，其特征在于，所述计算合理库存区间包括步骤：
计算合理库存区间下限；
计算合理库存区间上限；
其中，所述合理库存区间下限＝周安装需求量+T3年周数据四分之一分位数；所述合理库存区间上限＝周安装需求量+T3年周数据四分之三分位数。
8.如权利要求2所述的一种基于大数据分析的计量资产主动配送方法，其特征在于，所述根据单位时间内的评价指标数据，通过综合评价法获取配送优先级评分包括步骤：
使用主观赋权法获得主观权重W1j；
使用客观赋权法获得客观权重W2j；
使用主客观赋权综合评价法获得组合权重Wj；
通过组合权重Wj以及标准化后的数据x* ij获取各市公司的配送优先级评分Si；
其中，所述主观赋权法包括层次分析法；所述客观赋权法包括熵值法；所述主客观赋权综合评价法根据最小相对信息熵原理，得出组合权重Wj，
Figure RE-FDA0002682588700000031
配送优先级评分
Figure RE-FDA0002682588700000032
Si为第i个公司的评分。
CN202010881042.6A 2020-08-27 2020-08-27 一种基于大数据分析的计量资产主动配送方法 Active CN111967684B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010881042.6A CN111967684B (zh) 2020-08-27 2020-08-27 一种基于大数据分析的计量资产主动配送方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010881042.6A CN111967684B (zh) 2020-08-27 2020-08-27 一种基于大数据分析的计量资产主动配送方法

Publications (2)

Publication Number Publication Date
CN111967684A true CN111967684A (zh) 2020-11-20
CN111967684B CN111967684B (zh) 2024-02-02

Family

ID=73400543

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010881042.6A Active CN111967684B (zh) 2020-08-27 2020-08-27 一种基于大数据分析的计量资产主动配送方法

Country Status (1)

Country Link
CN (1) CN111967684B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113919687A (zh) * 2021-10-08 2022-01-11 国网江苏省电力有限公司镇江供电分公司 一种电能计量物资库存量分配方法
CN115907611A (zh) * 2022-12-08 2023-04-04 成都工业学院 一种基于配件市场价值的配件库存管控方法

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006190054A (ja) * 2005-01-06 2006-07-20 Hitachi Ltd 店舗間商品振替方法、システム及びプログラム
CN104268253A (zh) * 2014-10-09 2015-01-07 中国科学院自动化研究所 一种基于查找表配置位统计的部分三模冗余方法
CN106408234A (zh) * 2016-09-09 2017-02-15 国家电网公司 一种电力物资配送方法
CN107862476A (zh) * 2017-11-06 2018-03-30 国网山东省电力公司电力科学研究院 一种基于数据分析的计量用表需求计算方法
CN108564204A (zh) * 2018-03-23 2018-09-21 西安理工大学 基于最大相关熵准则的最小二乘支持向量机电量预测方法
CN109034505A (zh) * 2018-09-14 2018-12-18 国网河北省电力有限公司电力科学研究院 计量用表需求量在线预测方法及终端设备
CN109066690A (zh) * 2018-09-13 2018-12-21 福建省农村信用社联合社 一种区域性产用电的电源调度方法
WO2019020095A1 (zh) * 2017-07-28 2019-01-31 阿里巴巴集团控股有限公司 商户评价方法及系统
CN110197332A (zh) * 2019-05-30 2019-09-03 重庆跃途科技有限公司 一种社会治安综合治理评价方法
CN110222973A (zh) * 2019-05-31 2019-09-10 国网安徽省电力有限公司经济技术研究院 一种基于最优组合赋权的综合能源系统评价方法及系统
CN110248417A (zh) * 2019-06-19 2019-09-17 全球能源互联网研究院有限公司 一种电力物联网中上行通信业务的资源分配方法及系统
CN110320892A (zh) * 2019-07-15 2019-10-11 重庆邮电大学 基于Lasso回归的污水处理设备故障诊断系统及方法
US20190379592A1 (en) * 2018-06-06 2019-12-12 The Joan and Irwin Jacobs Technion-Cornell Institute Telecommunications network traffic metrics evaluation and prediction
CN110766184A (zh) * 2018-07-25 2020-02-07 北京京东尚科信息技术有限公司 订单量预测方法和装置

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006190054A (ja) * 2005-01-06 2006-07-20 Hitachi Ltd 店舗間商品振替方法、システム及びプログラム
CN104268253A (zh) * 2014-10-09 2015-01-07 中国科学院自动化研究所 一种基于查找表配置位统计的部分三模冗余方法
CN106408234A (zh) * 2016-09-09 2017-02-15 国家电网公司 一种电力物资配送方法
WO2019020095A1 (zh) * 2017-07-28 2019-01-31 阿里巴巴集团控股有限公司 商户评价方法及系统
CN107862476A (zh) * 2017-11-06 2018-03-30 国网山东省电力公司电力科学研究院 一种基于数据分析的计量用表需求计算方法
CN108564204A (zh) * 2018-03-23 2018-09-21 西安理工大学 基于最大相关熵准则的最小二乘支持向量机电量预测方法
US20190379592A1 (en) * 2018-06-06 2019-12-12 The Joan and Irwin Jacobs Technion-Cornell Institute Telecommunications network traffic metrics evaluation and prediction
CN110766184A (zh) * 2018-07-25 2020-02-07 北京京东尚科信息技术有限公司 订单量预测方法和装置
CN109066690A (zh) * 2018-09-13 2018-12-21 福建省农村信用社联合社 一种区域性产用电的电源调度方法
CN109034505A (zh) * 2018-09-14 2018-12-18 国网河北省电力有限公司电力科学研究院 计量用表需求量在线预测方法及终端设备
CN110197332A (zh) * 2019-05-30 2019-09-03 重庆跃途科技有限公司 一种社会治安综合治理评价方法
CN110222973A (zh) * 2019-05-31 2019-09-10 国网安徽省电力有限公司经济技术研究院 一种基于最优组合赋权的综合能源系统评价方法及系统
CN110248417A (zh) * 2019-06-19 2019-09-17 全球能源互联网研究院有限公司 一种电力物联网中上行通信业务的资源分配方法及系统
CN110320892A (zh) * 2019-07-15 2019-10-11 重庆邮电大学 基于Lasso回归的污水处理设备故障诊断系统及方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
JAN BEIER等: "Energy flexibility of manufacturing systems for variable renewable energy supply integration: Real-time control method and simulation", 《JOURNAL OF CLEANER PRODUCTION》, vol. 141, pages 648 - 661, XP029804342, DOI: 10.1016/j.jclepro.2016.09.040 *
ZHANG, YINGFENG等: "An optimization method for shopfloor material handling based on real-time and multi-source manufacturing data", 《INTERNATIONAL JOURNAL OF PRODUCTION ECONOMICS》, vol. 165, pages 282 - 292, XP029577866, DOI: 10.1016/j.ijpe.2014.12.029 *
刁柏青等: "基于改进模糊综合评价法的电力供应商评价模型", 《计算机系统应用》, vol. 27, no. 5, pages 226 - 231 *
刘睿晗: "基于车辆轨迹数据的用户行为分析研究", 《中国优秀硕士学位论文全文数据库：信息科技辑》, no. 6, pages 1 - 92 *
晋红媛: "基于全寿命周期理论的电力公司资产管理综合评价", 《中国优秀硕士学位论文全文数据库：经济与管理科学辑》, no. 1, pages 150 - 330 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113919687A (zh) * 2021-10-08 2022-01-11 国网江苏省电力有限公司镇江供电分公司 一种电能计量物资库存量分配方法
CN113919687B (zh) * 2021-10-08 2024-03-08 国网江苏省电力有限公司镇江供电分公司 一种电能计量物资库存量分配方法
CN115907611A (zh) * 2022-12-08 2023-04-04 成都工业学院 一种基于配件市场价值的配件库存管控方法
CN115907611B (zh) * 2022-12-08 2023-08-15 成都工业学院 一种基于配件市场价值的配件库存管控方法

Also Published As

Publication number Publication date
CN111967684B (zh) 2024-02-02

Similar Documents

Publication Publication Date Title
CN109272276B (zh) 一种库存补货管理方法以及装置
CN109858758A (zh) 一种配电网电能质量的组合赋权评估方法及系统
CN105139090A (zh) 一种基于消耗预测的电力行业安全库存决策分析方法
CN116579590B (zh) 一种虚拟电厂中的需求响应评估方法和系统
CN110298509A (zh) 一种结合短期负荷预测的大工业行业用电优化方法
CN110378510B (zh) 一种基于时间序列和层次聚合的配网物资需求预测方法
CN111967684A (zh) 一种基于大数据分析的计量资产主动配送方法
CN109886445A (zh) 一种基于物资需求特性量化的未来需求预测方法
CN112712203A (zh) 一种配电网日最高负荷预测方法和系统
CN108960741B (zh) 一种核电站群厂备件库存管理系统
CN111178957B (zh) 一种用电客户电量突增预警的方法
CN108256693A (zh) 一种光伏发电功率预测方法、装置及系统
CN114036452A (zh) 一种应用于离散型生产线的产能评估方法
CN113962504A (zh) 一种配电网规划方案成本效益比计算方法
CN104680400B (zh) 基于灰色关联的企业售电量变化的短期和长期预测方法
CN117217804A (zh) 一种智能定价与库存管理方法及系统
CN112330030A (zh) 业扩物资需求预测系统及方法
CN113723842A (zh) 一种研发经费投入规模及强度预测方法
Shafii et al. Fuzzy time series and geometric Brownian motion in forecasting stock prices in bursa Malaysia
CN112529418A (zh) 一种基于物元可拓评价模型的配电网投资效益评价方法
CN112001551A (zh) 一种基于大用户电量信息的地市电网售电量预测方法
CN111738506A (zh) 现金中心现金库存用量预测方法和装置、电子设备及介质
CN111797924A (zh) 一种基于聚类算法的三维度园区画像方法及系统
CN116070781B (zh) 电能计量设备需求预测方法、装置和计算机设备
CN117851908B (zh) 一种改进的在线低压台区电能表失准监测方法及装置

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
CB02 Change of applicant information
CB02 Change of applicant information

Address after: Room 2015, 2 / F, building 18, Laizhen Jiayuan, Haidian District, Beijing 100096

Applicant after: Beijing Hezhong Weiqi Technology Co.,Ltd.

Address before: Room 2015, 2 / F, building 18, Laizhen Jiayuan, Haidian District, Beijing

Applicant before: BEIJING HEZHONG WEIQI TECHNOLOGY Co.,Ltd.

GR01 Patent grant
GR01 Patent grant