CN112884404B - 一种智能供应链库存中转优化及异动预警系统 - Google Patents
一种智能供应链库存中转优化及异动预警系统 Download PDFInfo
- Publication number
- CN112884404B CN112884404B CN202110172904.2A CN202110172904A CN112884404B CN 112884404 B CN112884404 B CN 112884404B CN 202110172904 A CN202110172904 A CN 202110172904A CN 112884404 B CN112884404 B CN 112884404B
- Authority
- CN
- China
- Prior art keywords
- inventory
- optimization
- demand
- module
- warehouse
- 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.)
- Active
Links
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Software Systems (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种智能供应链库存中转优化及异动预警系统,包括期初库存优化子系统、库存异动预警与策略更新子系统。期初库存优化子系统包括上游补货预测模块、下游需求学习模块、库存优化模块。上游补货预测模块利用历史入库数据预测上游供应商补货情况,下游需求学习模块利用历史订单数据对下游消费者需求进行学习和预测;将上游补货预测量、下游需求预测量导入库存优化模块,输出期初库存优化方案。库存异动预警与策略更新子系统包含库存异动识别模块、时间预警与策略更新模块。库存异动识别模块通过对更新的库存信息进行识别判断是否偏离预期,在偏离时通过时间预警与策略更新模块对库存达到警戒线的时间进行预警和调拨计划的更新。
Description
技术领域
本发明涉及电商供应链库存管理技术领域,特别是涉及一种基于大数据驱动的智能供应链库存中转优化及异动预警系统。
背景技术
随着电子商务的发展以及人民生活水平的提高,消费者对电商物流配送服务质量和响应速度产生了更高要求。
目前,电商物流库存中转流程为上游供应商在电商平台设置直营店或者品牌零售店,消费者在电商平台下单,电商平台会将订单发至第三方物流企业,由第三方物流企业进行存储、运输。产品流转过程为上游供应商生产车间生产的产品提前进入第三方物流企业的各地仓库,第三方物流企业再根据订单将产品运送出仓库给消费者。但是在此库存中转过程存在以下痛点问题:
一、上游供应商补货量不稳定,入库计划不科学。
上游各品牌供应商排产计划不一致,每个供应商每月补货量不固定。第三方物流公司入库计划安排多根据仓库容量等情况进行简单安排,库存效率低,影响后续需求的响应速度。
二、下游消费者需求不确定,产品存储不合理。
由于仓库内存放产品种类繁多,且各品类产品的消费者需求具有较高的不确定性,例如季节、消费水平、产品品牌等都会影响消费者需求,但是现第三方物流公司在库存管理方面缺乏对下游需求的预测与使用。
三、各品类产品在仓库存放比例不科学,库存分布不均匀。
负责存储的第三方物流公司承接多个品牌供应商的多种类产品,但是这些产品在库存中存放比例较为随意,产品存放比例的不科学也会影响后续需求的响应速度。
四、调拨计划不合理,运输成本大,配送延误现象时有发生。
为满足消费者订单,第三方物流企业进行仓库间产品调拨现象较为常见。但是不合理的调拨时有发生,使得运输效率低,出现延误情况会导致服务质量下降,并且使得配送成本突增。
五、供应链协同效率低,库存中转效率低。
处于供应商与消费者中间的枢纽,第三方物流企业在进行库存管理时未充分地综合考虑上下游的实际情况,进而导致库存中转效率低。
发明内容
本发明的目的是提供一种智能供应链库存中转优化及异动预警系统,解决了现有供应链入库计划不合理、产品存储不合理、库存分布不均匀、调拨计划不合理、库存中转效率低的技术问题。
为实现上述发明目的,本发明提供的智能供应链库存中转优化及异动预警系统采用下述技术方案予以实现:
一种智能供应链库存中转优化及异动预警系统,所述系统包括期初库存优化子系统和库存异动预警与策略更新子系统,所述期初库存优化子系统包括:
上游补货预测模块,用于利用入库历史数据预测上游补货预测量;
下游需求学习模块,用于利用历史订单数据预测下游需求预测量;
库存优化模块,用于根据上游补货预测量、下游需求预测量输出期初库存优化方案;
所述库存异动预警与策略更新子系统包括:
库存异动识别模块,用于对更新的库存信息进行识别判断是否偏离预期;
时间预警与策略更新模块,用于在更新的库存信息偏离预期时,对库存达到安全库存水平的时间进行预警并更新所述期初库存优化方案。
如上所述的智能供应链库存中转优化及异动预警系统,所述上游补货预测模块包括:
数据输入单元,用于输入入库历史数据,并进行数据预处理;
补货预测单元,包括灰色预测单元和马尔可夫预测单元;
灰色预测单元,用于读取由所述数据输入单元预处理得到的参考历史时期内的入库历史数据,利用灰色预测模型计算得到上游补货数量初步预测量;
马尔可夫预测单元,用于接收所述灰色预测单元的初步预测量,得到状态区间,根据入库历史数据计算得到状态转移矩阵,根据状态转移矩阵确定预测当期状态,进而计算得到上游补货预测量。
如上所述的智能供应链库存中转优化及异动预警系统,所述下游需求学习模块包括:
需求特征提取单元,用于提取需求特征数据;
需求学习单元,用于根据需求特征数据得到下游需求数量预测量。
如上所述的智能供应链库存中转优化及异动预警系统,所述需求特征提取单元用于将需求特征数据进行数据清洗,所述数据清洗至少包括:去重、归一化和类别数据定量化。
如上所述的智能供应链库存中转优化及异动预警系统,所述库存优化模块包括:
数据输入单元,用于将所述上游补货预测量和所述下游需求预测量进行分类存储;
存储比例优化单元,根据数据输入单元中的各品类产品的下游需求预测量对各品类产品在仓库存放比例进行优化,以安排各品类产品在仓库的可支配容量,进而得到各品类产品在各仓库的容量约束;
综合优化单元,至少以库存和运输成本最小化为目标,至少以产品在仓库的容量约束、补货进仓约束、调拨量约束、库存中转时间约束建立库存优化模型,求解所述库存优化模型得到库存优化方案;
计划输出单元,用于输出所述库存优化方案。
如上所述的智能供应链库存中转优化及异动预警系统,所述库存异动识别模块用于根据产品的出入库数据,至少通过产品销售情况和库存水平特征对库存数据进行库存需求拟合,得到库存需求变化趋势;用于选择库存需求波动指标范围,当库存需求变动超过所述需求波动指标范围时,输出库存异常增加预警,当库存需求变动低于所述需求波动指标范围时,输出库存异常下降预警。
如上所述的智能供应链库存中转优化及异动预警系统,所述库存异动识别模块用于对库存数据进行平滑降噪处理后进行库存需求拟合。
如上所述的智能供应链库存中转优化及异动预警系统,所述时间预警模块用于根据各仓库预设的安全库存水平,结合所述库存异动识别模块中预测的库存需求变化趋势,计算达到安全库存水平的时间。
如上所述的智能供应链库存中转优化及异动预警系统,所述策略更新模块用于将库存异动识别模块中预警的库存异常增加和库存异常下降的仓库联系起来,在两类仓库之间进行调拨匹配。
如上所述的智能供应链库存中转优化及异动预警系统,所述策略更新模块用于利用大规模整数规划模型,以调拨成本最小化为目标,根据需要调拨的库存数量和可调拨的库存数量产生约束条件,建立优化模型,对所述优化模型进行求解,得到从存在需求异常下降的仓库向存在需求异常增加的仓库的调拨方案,并对所述库存优化方案进行更新。
与现有技术相比,本发明的优点和积极效果是:本发明考虑补货与需求这两项预测目标不确定性较大的现实背景,充分运用企业丰富的大数据资源,借助多种高效可行的机器学习模型相结合的方法,降低不确定性对预测结果产生的影响,进而较为准确地预测上游补货和下游需求的数量,为企业制定库存优化方案提供决策支撑。综合考虑上游补货以及下游需求,并根据需求对各品类产品在各仓库存放比例进行优化,并联合库存和运输两个流通的关键性因素,对供应链库存中转进行系统性优化,提高了供应链上下游的协调性,提高了库存中转效率。基于大数据驱动,在企业日常的库存中转规划的基础上,还考虑了可能出现的突发情形,对需求异常的变动提前进行预警,包括需求的风险状态以及系统的响应时间,并提供相应的应对方案,降低了供应链的风险,提高了供应链整体的稳定性和响应水平。
结合附图阅读本发明的具体实施方式后,本发明的其他特点和优点将变得更加清楚。
附图说明
图1是本发明具体实施例系统的结构框图;
图2是本发明具体实施例上游补货预测模块的流程示意图;
图3是本发明具体实施例下游需求学习模块的流程示意图;
图4是本发明具体实施例库存优化模块的流程示意图;
图5是本发明具体实施例库存异动预警与策略更新子系统的流程示意图。
具体实施方式
下面结合附图和具体实施方式对本发明的技术方案作进一步详细的说明。
参考图1,本实施例提出了一种基于大数据驱动的智能供应链库存中转优化及异动预警系统,包括期初库存优化子系统和库存异动预警与策略更新子系统,根据历史订单和仓库数据,利用期初库存优化子系统输出库存优化方案,库存优化方案包括入库计划与调拨计划,并将库存异动预警与策略更新子系统作为期初库存优化子系统的补充,对出现偏离预期的异常需求进行预警,更新输出的库存优化方案。
期初库存优化子系统用于在正常生产运作中,根据实际产生的大数据,对上游供应商补货进行预测,对下游需求进行学习,以协同供应商上下游对供应链库存中转进行优化,期初对库存进行合理安排,包含入库安排与调拨安排。
库存异动预警与策略更新子系统在企业的日常库存优化问题之外还考虑了突发情形,用于对库存需求的异常变化进行识别,预警库存到达安全库存的时间,并对期初库存优化子系统输出的库存方案进行更新。
期初库存优化子系统包括上游补货预测模块、下游需求学习模块和库存优化模块。
上游补货预测模块,用于利用入库历史数据预测上游补货预测量;
下游需求学习模块,用于利用历史订单数据预测下游需求预测量;
库存优化模块,用于根据上游补货预测量、下游需求预测量输出期初库存优化方案。
如图2所示,上游补货预测模块包括数据输入单元和由灰色预测单元和马尔可夫预测单元两部分构成的补货预测单元。
数据输入单元用于输入入库历史数据,一般是读取由系统外部输入的入库历史数据,并且对数据进行预处理。
预处理的步骤包括设定参考历史时期长度,提取所需要的参考历史时期长度范围内的入库历史数据,然后对数据进行级比检验,如果不通过,需要对参考历史时期内的入库历史数据进行平移(平移就是把全部数据统一加上一个相同的数,预测完再减去),保证其通过级比检验,通过级比检验的数据可以用于补货预测单元的灰色预测。
补货预测单元,包括灰色预测单元和马尔可夫预测单元;
灰色预测单元,用于读取由数据输入单元预处理得到的参考历史时期内的入库历史数据,利用灰色预测模型计算得到上游补货数量初步预测量;
马尔可夫预测单元,用于接收灰色预测单元的初步预测量,得到状态区间,根据入库历史数据计算得到状态转移矩阵,根据状态转移矩阵确定预测当期状态,进而计算得到上游补货预测量。
将数据输入单元处理后得到的参考入库历史数据输入到补货预测单元中,补货预测单元会先输入到灰色预测单元进行初步预测。
本实施例的灰色预测单元采用一个变量、一阶微分方程的灰色模型,即GM(1,1)。具体预测方法为:以处理后的参考入库历史数据作为原始数列,对原始数列先进行累加生成,即原始数列前i项数据加总作为累加生成序列第i项的数据,使累加生成数列成为一个递增数列;再对该累加生成序列进行紧邻均值生成,即计算累加生成序列中每一组相邻两数的平均值,得到紧邻均值数列。借助原始数列和紧邻均值数列两列数据,使用最小二乘法估计GM(1,1)中的模型参数。确定好模型参数后,将其带入到灰色预测模型GM(1,1)中进行预测,可以得到预测时期的上游补货数量初步预测量。
根据灰色预测单元计算得到的初步预测量,输入到马尔可夫预测单元中进行最终预测:
首先,根据企业的经验数据与实际情况,以上游补货数量初步预测量为依据划分出n个补货数量状态区间;再统计出参考入库历史数据中每一期补货数量属于各个状态区间的总数,以及从某个状态转移到各个状态区间的数量,计算出各个状态相互转移的频率作为状态转移概率,得到本实施例中马尔可夫预测模型的状态转移矩阵(pij)n×n。其中,pij表示从i状态转移到j状态的转移概率,满足判断预测时期前一期的补货数量所处的状态区间,记下标为k,确定该状态区间对应转移概率最大的状态为预测状态区间,即max{pk1,pk2,...,pkn}。计算预测状态区间的中点作为最终的上游补货预测量。
如图3所示,下游需求学习模块包括需求特征提取单元和需求学习单元。
需求特征提取单元,用于提取需求特征数据。需求特征提取单元需要将历史订单数据结合企业实际数据、经验数据与经济社会宏观指标提取为销量数据、补货数据、促销数据、所属地区、季节数据与相关宏观数据等需求特征,然后对需求特征进行数据清洗。
具体的,需求特征提取单元读取输入到该模块中的历史订单数据,结合企业经验、实际数据与经济社会宏观指标,形成由销量数据、补货数据、促销数据、所属地区、季节数据与相关宏观数据组成的需求特征数据,并将这些需求特征数据进行数据清洗工作。数据清洗工作具体包括:去重、归一化、类别数据定量化等流程,将清洗过后的历史需求特征数据输入到需求学习单元中。
需求学习单元,用于根据需求特征数据得到下游需求数量预测量。
需求学习单元采用多种机器学习模型相结合的方法,利用需求特征数据训练模型参数。通过将当期需求特征数据输入到需求学习单元中,可以得到最终的下游需求数量预测量。
在本实施例中,需求学习单元由多个初级学习器与一个次级学习器组成,初级学习器和次级学习器是多个不同的用于数据预测的机器学习模型,需要依靠输入进来的历史需求特征数据进行训练。
需求学习单元运用模型堆叠Stacking的集成学习方法,将这些机器学习模型进行融合,充分发挥不同机器学习模型在学习与预测方面的优势,提高模型泛化能力。具体方法为:将清洗过后的历史需求特征数据对每个初级学习器都进行5折交叉验证,即对每个初级学习器,将全部历史需求特征数据分为5份,每次取其中4份作为训练集进行训练,剩下1份作为验证集进行预测,直到这5份数据都被这个初级学习器预测过。5份数据预测的结果组成该初级学习器的初步预测结果。多个初级学习器将会得到同样数量的初步预测结果列,这些初步预测结果将作为次级学习器的训练集,用于训练次级学习器,将初级学习器的预测结果融合起来,完成需求学习单元的训练过程。这一训练过程会随着系统的部署使用,历史数据不断增多而反复进行,以提升下游需求学习模块预测的准确性。
得到训练好的需求学习单元之后,通过输入当期需求特征数据,先通过多个初级学习器的预测,得到初步预测结果,然后将初步预测结果输入到次级学习器中融合初步预测结果,最终输出当期的次级学习器预测量,即为最终的下游需求预测量。
库存优化模块,是综合考虑上游补货预测模块输出的每期期初上游供应商补货量预测量以及下游需求学习模块输出的当期下游需求预测量,结合最优化理论以及启发式算法求解输出期初库存优化方案。
如图4所示,库存优化模块包括数据输入单元、存储比例优化单元、综合优化单元和计划输出单元。
数据输入单元,用于将上游补货预测量和下游需求预测量进行分类存储。
将上游补货预测模块得到的上游补货预测量以及下游需求学习模块得到的下游需求预测量导入数据输入单元,数据输入单元将各产品按品类、补货生产车间所在地、期初补货量、各仓库当期需求等进行分类存储。
存储比例优化单元,根据数据输入单元中的各品类产品的下游需求预测量对各品类产品在仓库存放比例进行优化,以安排各品类产品在仓库的可支配容量,进而得到各品类产品在各仓库的容量约束。
具体为基于各品类产品的需求进行优化:首先汇总该仓库存放的各产品种类k(k=1,2,…,K)以及各品类产品需求dk,然后以各自产品需求占所有产品的需求的比例作为各产品在仓库间存放的比例,同理进而可得到各品类产品在各仓库的存放容量vk=lk*V(V为仓库总可支配容量)。
综合优化单元,至少以库存和运输成本最小化为目标,至少以产品在仓库的容量约束、补货进仓约束、调拨量约束、库存中转时间约束建立库存优化模型,求解库存优化模型得到库存优化方案。
综合优化单元根据最优化理论,综合考虑库存及运输两个关键性因素,以库存成本、运输成本、固定成本等为目标,综合考虑仓库容量约束、补货进仓约束、调拨量约束、库存中转时间约束等约束条件建立库存优化模型,求解库存优化模型得到库存优化方法。
在本实施例中具体为,从数据输入单元获取上游补货预测量、下游需求学习预测量,从存储比例优化单元获取各品类产品在各仓库的可支配容量,再输入各仓库单位存储费用集合、固定订货费用集合、仓库间运输费用集合、生产车间至仓库运输费用集合等,最后根据EOQ模型求出各仓库期初的平均库存量=(1/2)(期初入库量+上期剩余库存量)+安全库存,由此计算库存成本以及固定成本,再根据入库量以及调拨量计算总运输成本(包含从生产车间运输至各仓库的成本以及各仓库之间互调的运输成本),最后由于库存周转时间是衡量企业绩效的一个重要指标,且物流企业的竞争模式逐渐由成本优先逐渐转向为时间优先,则根据计算出库存中转时间,并以物流企业实际情况设置一个合理的时间限制,作为库存中转时间约束。总的来说,即建立目标函数即库存成本、运输成本、固定成本最小化,并设置仓库容量约束、补货进仓约束、调拨量约束、库存中转时间约束以及入库量和调拨量的非负约束。求解此模型得出的解(入库量,调拨量)即为期初库存优化方案-入库计划和调拨计划。
由于库存与运输联合优化问题为NP难问题,因此需设计启发式算法进行求解,本单元根据算法特性选取了基于粒子群变异的启发式算法进行求解。
计划输出单元,用于输出期初库存优化方案,包含入库计划和产品的调拨计划,具体包含各品类产品进入哪个仓库、各仓库入库数量、各仓库调出数量、各仓库调入数量、调出目的地仓库。
如图1、5所示,库存异动预警与策略更新子系统包括库存异动识别模块,时间预警模块以及策略更新模块。
库存异动识别模块,用于对更新的库存信息进行识别判断是否偏离预期;
时间预警与策略更新模块,用于在更新的库存信息偏离预期时,对库存达到安全库存水平的时间进行预警并更新期初库存优化方案。
期初库存优化子系统输出的库存优化方案对产品入库和调拨进行了规划,按计划进行库存的调配,反馈到仓库入库、出库数据中,库存异动预警与策略更新子系统对库存需求的异常变动进行识别,并预警达到安全库存水平的时间,进行调拨计划的策略更新,以补充期初库存优化子系统面对突发情况的响应。
其中,仓库入库、出库数据包括,订单编号、出库仓库、入库仓库、商家、产品名称、出库数量、始发地、到达地,以提供各产品的出入库数量、始发地仓库和目的地仓库。各仓库预设安全库存水平,各仓库的安全库存水平需要根据仓库面积、该地区的产品销售情况、订货提前期等因素综合考虑。
库存异动识别模块用于根据产品的出入库数据,至少通过产品销售情况和库存水平特征对库存数据进行库存需求拟合,得到库存需求变化趋势;用于选择库存需求波动指标范围,当库存需求变动超过所述需求波动指标范围时,输出库存异常增加预警,当库存需求变动低于所述需求波动指标范围时,输出库存异常下降预警。
库存异动识别模块根据产品的出入库数据,利用异动识别机制判断当前需求是否存在偏离预期的异常情形。异动识别机制根据出入库数据,对库存需求进行拟合,得到需求变化趋势,当需求出现异常的增加趋势时,系统发出对应仓库需求异常增加的预警;当需求出现异常的下降趋势时,系统发出对应仓库需求异常下降的预警。
更进一步的,对库存需求的拟合可以根据不同行业的产品销售情况和库存水平进行平滑、降噪等处理,进而进行数据拟合。并根据产品特征和销售情况制定相应的库存需求波动指标,当库存需求的变动超过该指标范围时,认为出现了异常的增加,当库存需求变动低于指标范围时,认为出现了异常的下降。
时间预警模块用于根据各仓库预设的安全库存水平,通过输入库存异动识别模块中预测的库存需求变化趋势,计算输出达到安全库存水平的时间。
时间预警模块针对库存异动识别模块发出需求异常增加预警的仓库,预测其将要到达安全库存水平的时间。当需求存在异常增加时,原有计划下的产品库存将在短时间内被迅速消耗,导致库存出现短缺,因此需要对现有库存方案调整,首先需要预测到达安全库存水平的时间。根据需求变化趋势,结合仓库数据的特征,选择合适的机器学习模型,计算可能达到安全库存水平的时间,选择其中最有可能到达的时间作为预测结果。设计划将在T时刻达到安全库存水平,如果预测在未来t(t<T)时间库存水平低于安全库存的概率较大,即可认为结果值t可信,并将该时间t输出,进行时间预警,说明系统应对当前突发事件的响应时间。
策略更新模块用于将库存异动识别模块中预警的库存需求异常增加和库存需求异常下降的仓库联系起来,在两类仓库之间进行调拨匹配。
所述策略更新模块用于利用大规模整数规划模型,以调拨成本最小化为目标,根据需要调拨的库存数量和可调拨的库存数量产生约束条件,建立优化模型,对所述优化模型进行求解,得到从存在需求异常下降的仓库向存在需求异常增加的仓库的调拨方案,并对所述库存优化方案进行更新。
对于面临库存需求异常增加的仓库,计算预测需求与计划需求之差作为潜在调入量;对于面临库存需求异常下降的仓库,计算预测需求与计划需求之差作为潜在调出量。在此基础上,在以上两类仓库之间以最小化成本为目标建立整数规划模型进行调拨策略的更新。模型包括:以仓库间调拨成本最小化为目标,约束为:(1)对面临库存需求异常增加的仓库,其它仓库的调入量之和等于该仓库所需的调入量;(2)对面临库存需求异常下降的仓库,调往其它仓库的调出量之和小于等于该仓库可用的调出量;(3)仓库间调拨量满足非负的整数约束。
通常,该类问题是NP难问题,因此利用启发式算法进行求解,得到从存在需求异常下降的仓库向存在需求异常增加的仓库的调拨方案。结合时间预警模块和策略更新模块,预警响应时间,并输出产品名称、始发地仓库、目的地仓库、调拨数量等信息,以更新原有的库存方案。
本实施例在电商物流的大数据驱动下,充分利用企业库存、订单的相关数据,对供应链上游进行补货预测,学习下游需求,以优化库存中转方案。并在此基础上,考虑可能出现的突发情况,对库存的异常变动进行预警,更新库存优化方案。本实施例所提供的一种基于大数据驱动的智能供应链库存中转优化及异动预警系统,为企业提供了科学稳健的库存优化方案,实现了基于大数据技术的供应链库存智能响应。在大数据背景下,解决了传统库存计划方式下各仓库库存分布不均、仓库间调拨计划不尽合理、仓库滞销库存占用包仓面积等问题,对上下游进行协同,提高了供应链响应水平和系统的稳定性。
以上实施例仅用以说明本发明的技术方案,而非对其进行限制;尽管参照前述实施例对本发明进行了详细的说明,对于本领域的普通技术人员来说,依然可以对前述实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或替换,并不使相应技术方案的本质脱离本发明所要求保护的技术方案的精神和范围。
Claims (10)
1.一种智能供应链库存中转优化及异动预警系统,其特征在于,所述系统包括期初库存优化子系统和库存异动预警与策略更新子系统,所述期初库存优化子系统包括:
上游补货预测模块,用于利用入库历史数据预测上游补货预测量;
下游需求学习模块,用于利用历史订单数据预测下游需求预测量;
库存优化模块,用于根据上游补货预测量、下游需求预测量输出期初库存优化方案;
所述库存异动预警与策略更新子系统包括:
库存异动识别模块,用于对更新的库存信息进行识别判断是否偏离预期;
时间预警与策略更新模块,用于在更新的库存信息偏离预期时,对库存达到安全库存水平的时间进行预警并更新所述期初库存优化方案。
2.根据权利要求1所述的智能供应链库存中转优化及异动预警系统,其特征在于,所述上游补货预测模块包括:
数据输入单元,用于输入入库历史数据,并进行数据预处理;
补货预测单元,包括灰色预测单元和马尔可夫预测单元;
灰色预测单元,用于读取由所述数据输入单元预处理得到的参考历史时期内的入库历史数据,利用灰色预测模型计算得到上游补货数量初步预测量;
马尔可夫预测单元,用于接收所述灰色预测单元的初步预测量,得到状态区间,根据入库历史数据计算得到状态转移矩阵,根据状态转移矩阵确定预测当期状态,进而计算得到上游补货预测量。
3.根据权利要求1所述的智能供应链库存中转优化及异动预警系统,其特征在于,所述下游需求学习模块包括:
需求特征提取单元,用于提取需求特征数据;
需求学习单元,用于根据需求特征数据得到下游需求数量预测量。
4.根据权利要求3所述的智能供应链库存中转优化及异动预警系统,其特征在于,所述需求特征提取单元用于将需求特征数据进行数据清洗,所述数据清洗至少包括:去重、归一化和类别数据定量化。
5.根据权利要求1所述的智能供应链库存中转优化及异动预警系统,其特征在于,所述库存优化模块包括:
数据输入单元,用于将所述上游补货预测量和所述下游需求预测量进行分类存储;
存储比例优化单元,根据数据输入单元中的各品类产品的下游需求预测量对各品类产品在仓库存放比例进行优化,以安排各品类产品在仓库的可支配容量,进而得到各品类产品在各仓库的容量约束;
综合优化单元,至少以库存和运输成本最小化为目标,至少以产品在仓库的容量约束、补货进仓约束、调拨量约束、库存中转时间约束建立库存优化模型,求解所述库存优化模型得到库存优化方案;
计划输出单元,用于输出所述库存优化方案。
6.根据权利要求1所述的智能供应链库存中转优化及异动预警系统,其特征在于,所述库存异动识别模块用于根据产品的出入库数据,至少通过产品销售情况和库存水平特征对库存数据进行库存需求拟合,得到库存需求变化趋势;用于选择库存需求波动指标范围,当库存需求变动超过所述需求波动指标范围时,输出库存异常增加预警,当库存需求变动低于所述需求波动指标范围时,输出库存异常下降预警。
7.根据权利要求6所述的智能供应链库存中转优化及异动预警系统,其特征在于,所述库存异动识别模块用于对库存数据进行平滑降噪处理后进行库存需求拟合。
8.根据权利要求6所述的智能供应链库存中转优化及异动预警系统,其特征在于,所述时间预警与策略更新模块的时间预警模块用于根据各仓库预设的安全库存水平,结合所述库存异动识别模块中预测的库存需求变化趋势,计算达到安全库存水平的时间。
9.根据权利要求1所述的智能供应链库存中转优化及异动预警系统,其特征在于,所述库存异动识别模块用于选择库存需求波动指标范围,当库存需求变动超过所述需求波动指标范围时,输出库存异常增加预警,当库存需求变动低于所述需求波动指标范围时,输出库存异常下降预警;所述时间预警与策略更新模块的策略更新模块用于将库存异动识别模块中预警的库存异常增加和库存异常下降的仓库联系起来,在两类仓库之间进行调拨匹配。
10.根据权利要求9所述的智能供应链库存中转优化及异动预警系统,其特征在于,所述策略更新模块用于利用大规模整数规划模型,以调拨成本最小化为目标,根据需要调拨的库存数量和可调拨的库存数量产生约束条件,建立优化模型,对所述优化模型进行求解,得到从存在需求异常下降的仓库向存在需求异常增加的仓库的调拨方案,并对所述库存优化方案进行更新。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110172904.2A CN112884404B (zh) | 2021-02-08 | 2021-02-08 | 一种智能供应链库存中转优化及异动预警系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110172904.2A CN112884404B (zh) | 2021-02-08 | 2021-02-08 | 一种智能供应链库存中转优化及异动预警系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112884404A CN112884404A (zh) | 2021-06-01 |
CN112884404B true CN112884404B (zh) | 2023-09-05 |
Family
ID=76056167
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110172904.2A Active CN112884404B (zh) | 2021-02-08 | 2021-02-08 | 一种智能供应链库存中转优化及异动预警系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112884404B (zh) |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113610455B (zh) * | 2021-07-06 | 2024-05-07 | 中科云谷科技有限公司 | 用于调拨工程机械配件的系统及方法 |
CN113869584B (zh) * | 2021-09-28 | 2023-10-31 | 大汉电子商务有限公司 | 一种基于下游生产商需求的钢材供应预测系统 |
CN114444896B (zh) * | 2021-12-31 | 2023-03-31 | 浙江大学 | 供应链数据处理系统和方案 |
US20230267483A1 (en) * | 2022-02-21 | 2023-08-24 | Jio Platforms Limited | System and method for consumption estimation among users |
CN114742492A (zh) * | 2022-03-09 | 2022-07-12 | 深圳市天人供应链管理有限公司 | 一种供应链上下级库存决策的方法及系统 |
CN114565422A (zh) * | 2022-03-28 | 2022-05-31 | 杉数科技(北京)有限公司 | 仓库销量预测方法、装置、存储介质及设备 |
CN115564497B (zh) * | 2022-11-09 | 2023-08-15 | 深圳市鼎山科技有限公司 | 一种基于大数据的芯片供应管理系统及方法 |
CN116894588B (zh) * | 2023-06-05 | 2024-06-18 | 中国科学院地理科学与资源研究所 | 一种基于大数据的粮食供需智能管理方法、系统及介质 |
CN116629577A (zh) * | 2023-06-20 | 2023-08-22 | 深圳市携客互联科技有限公司 | 一种基于大数据的智能化供应链管理系统 |
CN116993271B (zh) * | 2023-09-26 | 2023-12-15 | 无锡容智技术有限公司 | 一种基于大数据的打印机零件移仓方法及系统 |
CN117853072A (zh) * | 2024-01-23 | 2024-04-09 | 杭州海仓科技有限公司 | 一种供应链管理系统及方法 |
CN117787865B (zh) * | 2024-02-23 | 2024-06-11 | 深圳市瀚力科技有限公司 | 基于rfid技术的电商库存状态智能识别方法及系统 |
CN117853020B (zh) * | 2024-03-07 | 2024-05-28 | 中科云谷科技有限公司 | 库存调拨方法、装置及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109740793A (zh) * | 2018-11-29 | 2019-05-10 | 杭州览众数据科技有限公司 | 一种基于概率需求分布的库存优化方法 |
CN109784806A (zh) * | 2018-12-27 | 2019-05-21 | 北京航天智造科技发展有限公司 | 供应链控制方法、系统以及存储介质 |
CN110516998A (zh) * | 2019-08-14 | 2019-11-29 | 广州淘通科技股份有限公司 | 一种基于供应链需求关联的智能补货系统 |
CN111667207A (zh) * | 2019-03-05 | 2020-09-15 | 阿里巴巴集团控股有限公司 | 供应链库存的管理方法及装置、存储介质和处理器 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080162270A1 (en) * | 2006-12-29 | 2008-07-03 | Edward Kim | Method and system for forecasting future order requirements |
US11620612B2 (en) * | 2018-11-01 | 2023-04-04 | C3.Ai, Inc. | Systems and methods for inventory management and optimization |
-
2021
- 2021-02-08 CN CN202110172904.2A patent/CN112884404B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109740793A (zh) * | 2018-11-29 | 2019-05-10 | 杭州览众数据科技有限公司 | 一种基于概率需求分布的库存优化方法 |
CN109784806A (zh) * | 2018-12-27 | 2019-05-21 | 北京航天智造科技发展有限公司 | 供应链控制方法、系统以及存储介质 |
CN111667207A (zh) * | 2019-03-05 | 2020-09-15 | 阿里巴巴集团控股有限公司 | 供应链库存的管理方法及装置、存储介质和处理器 |
CN110516998A (zh) * | 2019-08-14 | 2019-11-29 | 广州淘通科技股份有限公司 | 一种基于供应链需求关联的智能补货系统 |
Non-Patent Citations (1)
Title |
---|
仓储系统中存储策略与设备维护策略研究;郭晓龙;中国博士学位论文全文数据库;第2014年卷(第10期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112884404A (zh) | 2021-06-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112884404B (zh) | 一种智能供应链库存中转优化及异动预警系统 | |
Park et al. | A genetic algorithm for the vendor-managed inventory routing problem with lost sales | |
Wagner et al. | Dynamic version of the economic lot size model | |
Starbird | Penalties, rewards, and inspection: provisions for quality in supply chain contracts | |
Abdolazimi et al. | Designing a new mathematical model based on ABC analysis for inventory control problem: A real case study | |
US20080086392A1 (en) | Managing distribution of constrained product inventory from a warehouse | |
CN102385724A (zh) | 一种应用于库存管理的零配件组合需求预测信息处理方法 | |
CN112990590B (zh) | 一种网络货运平台背景下的电商物流中转优化方法及系统 | |
CN113469597A (zh) | 智慧供应链系统及服务器平台 | |
Khalili-Damghani et al. | A fuzzy bi-objective mixed-integer programming method for solving supply chain network design problems under ambiguous and vague conditions | |
Park et al. | A stochastic simulation-based holistic evaluation approach with DEA for vendor selection | |
CN115936588A (zh) | 一种跨境电商供应链的数据模拟方法 | |
CN110874670A (zh) | 仓储储位配置系统 | |
CN113361073A (zh) | 一种基于改进拉格朗日松弛算法的库存路径联合优化方法 | |
CN113065714A (zh) | 一种多项目式多目标集中采购决策优化方法及系统 | |
Li | Distributed Multi-level Inventory Algorithms for Automotive Maintenance Spare Parts Based on Centralized Control Model. | |
Cakmak et al. | Spare parts inventory classification using Neutrosophic Fuzzy EDAS method in the aviation industry | |
Yousefi et al. | A decision support framework for sustainable production planning of paper recycling systems | |
CN115511409A (zh) | 一种电网物资供应策略设计方法及系统 | |
WO2023082315A1 (zh) | 电子固废回收全流程智能解析方法及系统 | |
CN114819805A (zh) | 车辆运输管理系统 | |
Zhao et al. | The research on two phase pickup vehicle routing based on the K-means++ and genetic algorithms | |
Li et al. | [Retracted] Pharmaceutical Reagent Inventory Strategy Based on Contract Shelf Life and Patient Demand | |
Huanhuan et al. | Research on After-Sales Information System And Data Of Automotive OEMs | |
Gunasekara et al. | Developing a Predictive Model to Forecast Optimal Production Quantity Under Uncertainty: A Systematic Literature Review |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |