CN113052533A - 概率产品的库存异动预警与调拨方案更新方法及系统 - Google Patents

Abstract

本发明公开了一种概率产品的库存异动预警与调拨方案更新方法及系统，一方面，可以方便高效的对库存异常变动进行识别和预警；另一方面，还针对存在需求异常增加的仓库，预测了库存将在何时达到安全库存水平，进一步的明确了当前库存异常问题所需解决方案的时效性；此外，还将存在需求异常增加和需求异常下降的仓库之间连接起来，进行库存的合理调配与计划，通过从存在积压问题的仓库向存在短缺问题的仓库之间调货，满足了概率产品销售需求，降低了库存成本。

Description

概率产品的库存异动预警与调拨方案更新方法及系统

技术领域

本发明涉及产品库存预警与调拨技术领域，尤其涉及一种概率产品的库存异动预警与调拨方案更新方法及系统。

背景技术

信息技术的发展和消费方式的转变为产品设计带来了新的思路。作为一种新兴的产品设计形式，概率产品被广泛应用于各行业中。概率产品不是一种具体的产品，而是在一系列产品中以某种概率进行分配。以潮玩行业为代表，概率产品又被称为“盲盒”，同一系列的不同玩具，被装入相同的包装盒中，购买这种概率产品的消费者，有可能获得一系列玩具中的任意一款。对于概率产品而言，流行周期的不确定性和市场的快速迭代对供应链的响应速度提出了更高的要求。不仅如此，各种节日、营销活动、突发事件的出现，也在影响着人们对于概率产品的消费，带来需求的异常增长或下降，使得企业现有的管理计划失效。从产生订单到完成交付，如何对产品库存进行合理科学的安排，是关乎企业营收和发展的重要问题。对于日常的产品需求，企业已经有了较为合理的库存管理方案，问题在于，面对概率产品销售中突发、异常的情况，如何快速识别并调整优化原有的库存计划，以应对变化的市场需求。

目前对于突发事件的预警方法主要是利用经济领域的相关预警技术，例如使用各种调查、分析方法进行定性预警，或是选择一些关键指标使用数理统计方法进行定量预警。然而，库存管理在不同的产品形式下产生了新的问题和特征，直接使用传统的预警技术不能很好地解决这些技术问题，且预警后响应措施的选择也至关重要。

因此，如何对于库存异常变动进行识别和预警，快速响应并产生解决方案是亟待解决的问题。

发明内容

本发明的目的是提供一种概率产品的库存异动预警与调拨方案更新方法及系统，考虑概率产品实际销售中的特征，对其库存的异常变动进行预警，并根据概率产品库存的异动更新优化调拨方案，避免由于库存短缺或积压导致的供应中断，降低概率产品库存成本。

本发明的目的是通过以下技术方案实现的：

一种概率产品的库存异动预警与调拨方案更新方法，包括：

获取历史时间段内概率产品在每一仓库的出库数据、以及设定的安全库存量；

根据每一仓库的出库数据，判断每一仓库中概率产品库存需求是否存在异常变化的情况，并对存在异常变化情况的仓库发出预警；

对于库存需求异常变化的情况属于异常增加的仓库，利用隐马尔可夫模型预测库存量达到安全库存量的时间；

对每一个存在异常变化的情况的仓库计算出预测需求量，并根据预测需求量与计划需求量的大小关系判定仓库为潜在缺货状态或者潜在积压状态；对于潜在缺货状态的仓库与潜在积压状态的仓库，以最小化成本为目标建立调拨模型，求解调拨计划的更新方案。

一种概率产品的库存异动预警与调拨方案更新系统，该系统用于前述的方法，该系统包括：

信息获取模块，用于获取历史时间段内概率产品在每一仓库的出库数据、以及设定的安全库存量；

库存异动预警模块，用于根据每一仓库的出库数据，判断每一仓库中概率产品库存需求是否存在异常变化的情况，并对存在异常变化情况的仓库发出预警；

时间预警模块，用于对于库存需求异常变化的情况属于异常增加的仓库，利用隐马尔可夫模型预测库存量达到安全库存量的时间；

调拨方案更新模块，用于对每一个存在异常变化的情况的仓库计算出预测需求量，并根据预测需求量与计划需求量的大小关系判定仓库为潜在缺货状态或者潜在积压状态；对于潜在缺货状态的仓库与潜在积压状态的仓库，以最小化成本为目标建立调拨模型，求解调拨计划的更新方案。

由上述本发明提供的技术方案可以看出，一方面，可以方便高效的对库存异常变动进行识别和预警；另一方面，还针对存在需求异常增加的仓库，预测了库存将在何时达到安全库存水平，进一步的明确了当前库存异常问题所需解决方案的时效性；此外，还将存在需求异常增加和需求异常下降的仓库之间连接起来，进行库存的合理调配与计划，通过从存在积压问题的仓库向存在短缺问题的仓库之间调货，满足了概率产品销售需求，降低了库存成本。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他附图。

图1为本发明实施例提供的概率产品的库存异动预警与调拨方案更新方法的流程图；

图2为本发明实施例提供的5日移动平均成交量比示意图；

图3为本发明实施例提供的库存异动预警算法流程图；

图4为本发明实施例提供的隐马尔可夫模型示意图；

图5为本发明实施例提供的自适应粒子群算法流程图；

图6为本发明实施例提供的概率产品的库存异动预警与调拨方案更新系统的示意图。

具体实施方式

下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明的保护范围。

本发明实施例提供一种概率产品的库存异动预警与调拨方案更新方法，如图1所示，其主要包括如下步骤：

步骤S1、获取历史时间段内概率产品在每一仓库的出库数据、以及设定的安全库存量。

本发明实施例中，所述出库数据包括：订单编号、出库仓库、入库仓库、商家、概率产品、出库数量、始发地与到达地。

本发明实施例中，安全库存量是以仓库的日常出入库情况制定的安全库存水平。

步骤S2、根据每一仓库的出库数据，判断每一仓库中概率产品库存需求是否存在异常变化的情况，并对存在异常变化情况的仓库发出预警。

库存的异常变动，在很大程度上就是该仓库所控制范围内消费者交易的异动。在交易异动方面，金融体系内具有较为成熟与合理的工具，本发明实施例中，引入证券交易过程中用于识别和预判交易人气与市场热情的重要指标——量比，以量比作为指标，根据每一仓库的出库数据，判断每一仓库中概率产品库存需求是否存在异常变化的情况。

如图2所示，量比，是指当天平均每分钟的成交量与前5个交易日平均每分钟成交量的比值，它反应了当前市场交易热情的变化。考虑到概率产品销售订单的特点，将量比的维度扩展到日，并且对出库数据进行平滑处理，以此来根据当前过去各天仓库出库5日平均量比的趋势和判断准则来识别当月库存需求是否存在异常变化情况。

以量比作为指标时，计算如下三个指标：

1)令vol(t)为最近5天的出库量，本月到当天为止已过天数为st；前5个月所有连续的5天平均的出库量为mVol，则5日移动平均成交量比

2)设上个月预测的本月仓库出货的平均需求为：

则本月的平均预测量比

Q_t指上月预测的本月出货总量；T指本月总天数；

3)计算量比的变化趋势er，

本步骤主要目的是判断当前库存需求是否存在异常的增加或者下降。根据计算出的以上指标，判断原理为：当ER>K1时，库存的需求量属于天量级别，K2<ER<K1的时候库存需求量为放量，ER<K3则认为库存需求量为缩量；其中，K1、K2与K3均为设定的阈值，满足K1>K2>K3；示例性的，可依次设为5、2.5、0.5。

此处判断天量、放量、缩量是为了判断库存异常变动具体类型是库存需求的增加或是下降，天量对应库存需求的超级增加，放量对应需求的增加，缩量对应需求的下降，用于判断是面临库存短缺风险的仓库、还是积压风险的仓库。

由于本发明关注的是在当前情况下当月库存需求超过或者低于预期的风险。下面给出一个具体的实施方案：将近3日的5日移动平均成交量比与本月的平均预测量比进行对比，并结合ER曲线的凹凸性判断当月库存需求是否存在异常变化情况，图3给出了判断流程，主要包括：

步骤S21、读取指标ER，ER_p与er；

步骤S22、判断ER是否满足ER>K2；

若是，则执行步骤S23；

若否，则执行步骤S24；

步骤S23、判断er和ER是否满足er>0且ER>ER_p；

若是，则执行步骤S26；

若否，则执行步骤S29；

步骤S24、判断ER是否满足ER<K3；

若是，则执行步骤S25；

若否，则执行步骤S29；

步骤S25、判断er和ER是否满足er<0且ER<ER_p；

若是，则执行步骤S27；

若否，则执行步骤S29；

步骤S26、当前库存(也即当前月的当前天库存)需求存在异常增加，继续执行步骤S28；

步骤S27、当前库存需求存在异常下降，继续执行步骤S28；

步骤S28、判定库存需求存在异常变化情况，并根据异常变化情况的类型(即异常增加或异常下降)发出预警。

步骤S29、判定库存需求不存在异常变化情况。

步骤S3、对于库存需求异常变化的情况属于异常增加的仓库，利用隐马尔可夫模型预测库存量达到安全库存量的时间。

通过前述步骤S2可以得到库存需求存在异常增加的仓库，对于这类仓库，缺货风险是需要面临的问题。此时判断仓库将何时达到安全库存水平(也即步骤S1中获取的设定的安全库存量)，进而向管理人员发送库存达到安全库存水平的时间预警，在对应时间之前完成调拨补货。

达到安全库存水平是一种未来情况，对于达到的时间，以概率的形式判断。可以使用隐马尔可夫模型(HMM)对当月库存量较大概率达到安全库存水平的时间进行预警。

隐马尔可夫序列作为马尔可夫链的一种扩展，在各个状态中引入了一种随机性，隐马尔可夫序列在马尔可夫链的基础上，用一个观测的概率分布每一个状态对应，而不是一个确定的观察值或事件。这样的马尔可夫序列引入了双重随机性，使得马尔可夫链不再能被直接观测。隐藏在隐马尔可夫序列下的马尔可夫链只能通过一个单独的观测概率分布函数间接的表露出来，马尔可夫模型与隐马尔可夫模型都属于有向图模型，也是一种特殊的贝叶斯网络。

用一个三元组λ＝(A,B,Π)表示具有N个状态的状态变量，M个状态的观测变量的T期隐马尔可夫模型，模型的示意图如图4所示，该模型具体包括以下内容：

(1)状态与状态之间的状态转移矩阵A，A＝(a_ij)，考虑市场热情对出库量的影响，这里用A来衡量市场热情的变化，其中a_ij表示从上一个时间的市场状态s_i转移到当前市场状态s_j的概率，示例性的，可设s_j＝1表示淡季，s_j＝2表示日常，s_j＝3表示旺季等，即a_ij＝P(q_t＝s_j|q_t-1＝s_i)，指t-1时刻市场热情是s_i状态时，t时刻市场状态是s_j的概率，利用历史数据计算可得到概率矩阵A。其中i,j＝1,2,…,N，共N类市场状态；

(2)从隐状态到观测变量之间的转移矩阵B，B＝(b_ik)，也叫发射矩阵，用于判断出货量在某一区间范围的概率，其中b_ik表示在已知当前期的隐市场状态q_t＝s_i的条件下，出货量区间o_t＝v_k的概率，出货量区间按照行业经验进行划分，示例性的，可设o_t＝1表示出货量在[0,100]之间，o_t＝2表示出货量在[100,200]之间……依此类推。即b_ik＝P(o_t＝v_k|q_t＝s_i)，其中k＝1,2,…,M，共M类出货量区间；

(3)模型在初始时刻的状态概率Π，Π＝{π₁,π₂,…,π_N},其中π_i＝P(q₁＝s_i)，表示由历史出库数据推断出的市场处于不同交易热情下的概率。

利用隐马尔可夫模型计算出库量处于不同区间的概率，取区间中值作为预测的出库量，得到对应时间下，出库量预测值与相应的概率；在具有缺货风险预警的情况下，如果未来某个时间预测的出库量的概率大于设定值(例如90％)，则预测的出库量作为对应时间的出库量，对出库量按天进行累加，用总库存减去累计出库量得到当日剩余库存，若时间t时刻的剩余库存大于安全库存水平，且t+1时刻的剩余库存低于安全库存水平，则时间t作为库存量达到安全库存量的时间。

步骤S4、对每一个存在异常变化的情况的仓库计算出预测需求量，并根据预测需求量与计划需求量的大小关系判定仓库为潜在缺货状态或者潜在积压状态；对于潜在缺货状态的仓库与潜在积压状态的仓库，以最小化成本为目标建立调拨模型，求解调拨计划的更新方案。

根据需求＝变动速率×时间间隔，得到预测需求量，其中，变动速率＝最近5天的出库量vol(t)/5，时间间隔为当月到目前为止的天数st；计算预测需求与仓库原本计划需求量(给定值)的差值，当预测需求量大于计划需求量时，仓库为潜在缺货状态，差值为仓库的潜在调入量；当预测需求量小于计划需求量时，仓库为潜在积压状态，差值为仓库的潜在调出量。

通过上述计算，可以获取若干潜在缺货状态的仓库与若干潜在积压状态的仓库，以最小化成本为目标建立调拨模型，利用自适应粒子群算法求解调拨计划的更新方案，从而将潜在积压状态的仓库的库存配送到相应的潜在缺货状态的仓库，实现调拨优化；优选实施方式如下：

(1)参数设置如下：

a，表示面临库存短缺风险的仓库数量(即，潜在缺货状态的仓库数量)；

b，表示面临库存积压风险的仓库数量(即，潜在积压状态的仓库数量)；

x_ji，表示从j调至仓库i的产品数量；

c_ji，表示从j调至仓库i的运输成本；

EW_j，表示产品在仓库j一个周期的平均库存水平；

y_T，表示时期内对产品需求的预测量；

z，表示总运输成本。

(2)目标：调拨运输总成本最小。

(3)决策变量：x_ji，确定从仓库调拨到仓库的产品数量。

(4)以调拨运输总成本最小为目标，建立目标函数：

(5)约束条件：

表示从库存积压仓库调往某一库存短缺仓库的产品数量之和等于该库存短缺仓库需要的产品数量；

表示从某一库存积压仓库调往所有库存短缺仓库的产品数量之和不超过该库存积压仓库最多能调出的产品数量；x_ji≥0,(i＝1,2,…,a；j＝1,2,…,b)，表示从库存积压仓库调拨到库存短缺仓库的产品数量为正。

求解上述调拨模型，可以得到更新的调拨方案，即从某一潜在积压状态的仓库调出概率产品到某一潜在缺货状态的仓库的产品数量。

由于这是一个NP难问题，难以求得精确的解，因此采用启发式算法求解，以寻找近似最优解。

根据建立的调拨模型，采用自适应粒子群算法进行求解。粒子群算法是通过模拟鸟群捕食行为设计的一种群智能算法。对于区域内大大小小不同的食物源，鸟群的任务是找到最大的食物源(全局最优解)。鸟群在整个搜寻的过程中，通过相互传递各自的位置信息，让其他的鸟知道食物源的位置，最终，整个鸟群都能聚集在食物源周围，即寻找到了最优解，问题收敛。考虑到收敛速度和局部最优的问题，在标准粒子群算法的基础上，采用自适应粒子群，改进其中的惯性权重，改善了算法的收敛性能。如图5所示，具体的算法步骤如下：

步骤1：对粒子群的随机位置和速度进行初始设定，同时设定迭代次数。

步骤2：计算每个粒子的适应度值(适应度函数

)。

步骤3：对每个粒子，将其适应度值与所经历的最好位置Pbest_i的适应度值进行比较，若较好，则将其作为当前的个体最优位置。

步骤4：对每个粒子，将其适应度值与全局所经历的最好位置Gbest_g的适应度值进行比较，若较好，则将其作为当前的全局最优位置。

步骤5：首先，根据

对粒子的速度进行优化，为了提高算法的寻优性能，我们使用惯性权重线性递减的方式调整其中权重ω的值，设第k次迭代时

其中k_max表示最大迭代次数，经过惯性权重自适应后，对粒子的速度进行优化。

接下来，根据

对粒子的位置进行优化。

完成粒子速度和位置的优化，产生新的粒子。

步骤6：判断是否达到结束条件，若否，则返回步骤2，若是，输出Gbest，即对应决策变量x_ji的解，得到库存调拨方案，算法结束。

通过自适应粒子群算法的求解，得到最优的调拨方案，包括从各个库存积压仓库运往各个库存短缺仓库的概率产品数量，以及最小的运输成本。

本发明实施例提供的上述方案，对企业库存需求的异常增加或下降进行了预警，预测了面临库存短缺风险的仓库未来达到安全库存的时间，并对应提供了从库存积压仓库运往库存短缺仓库的调拨方案。对企业的突发情况进行了预警，并更新了调拨方案以应对该情况，实现了库存分布的调拨优化，避免了突发事件对企业带来的损失和风险。

本发明另一实施例还提供概率产品的库存异动预警与调拨方案更新系统，该系统用于实现前述实施例所提供的方法，如图6所示，该系统主要包括：

信息获取模块，用于获取历史时间段内概率产品在每一仓库的出库数据、以及设定的安全库存量；

库存异动预警模块，用于根据每一仓库的出库数据，判断每一仓库中概率产品库存需求是否存在异常变化的情况，并对存在异常变化情况的仓库发出预警；如图6所示，根据异常变化情况的类别发出相应预警信号，例如，对于异常增加情况，则产生放量预警；对于异常下降情况，则产生缩量预警；

时间预警模块，用于对于库存需求异常变化的情况属于异常增加的仓库，利用隐马尔可夫模型预测库存量达到安全库存量的时间；

调拨方案更新模块，用于对每一个存在异常变化的情况的仓库计算出预测需求量，并根据预测需求量与计划需求量的大小关系判定仓库为潜在缺货状态或者潜在积压状态；对于潜在缺货状态的仓库与潜在积压状态的仓库，以最小化成本为目标建立调拨模型，求解调拨计划的更新方案。

上述系统各部分所涉及的具体技术细节在前述的方法实施例中进行了详细的介绍，故不再赘述。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例可以通过软件实现，也可以借助软件加必要的通用硬件平台的方式来实现。基于这样的理解，上述实施例的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)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)执行本发明各个实施例所述的方法。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将系统的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明披露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求书的保护范围为准。

Claims (10)

1.一种概率产品的库存异动预警与调拨方案更新方法，其特征在于，包括：

获取历史时间段内概率产品在每一仓库的出库数据、以及设定的安全库存量；

根据每一仓库的出库数据，判断每一仓库中概率产品库存需求是否存在异常变化的情况，并对存在异常变化情况的仓库发出预警；

对于库存需求异常变化的情况属于异常增加的仓库，利用隐马尔可夫模型预测库存量达到安全库存量的时间；

对每一个存在异常变化的情况的仓库计算出预测需求量，并根据预测需求量与计划需求量的大小关系判定仓库为潜在缺货状态或者潜在积压状态；对于潜在缺货状态的仓库与潜在积压状态的仓库，以最小化成本为目标建立调拨模型，求解调拨计划的更新方案。

2.根据权利要求1所述的一种概率产品的库存异动预警与调拨方案更新方法，其特征在于，

所述出库数据包括：订单编号、出库仓库、入库仓库、商家、概率产品、出库数量、始发地与到达地；

安全库存量是以仓库的日常出入库情况制定的安全库存水平。

3.根据权利要求1所述的一种概率产品的库存异动预警与调拨方案更新方法，其特征在于，以量比作为指标，根据每一仓库的出库数据，判断每一仓库中概率产品库存需求是否存在异常变化的情况。

4.根据权利要求3所述的一种概率产品的库存异动预警与调拨方案更新方法，其特征在于，将量比的维度扩展到日，并且对出库数据进行平滑处理，以此来根据当前过去各天仓库出库5日平均量比的趋势和判断准则来识别当月库存需求是否存在异常变化情况。

5.根据权利要求3或4所述的一种概率产品的库存异动预警与调拨方案更新方法，其特征在于，以量比作为指标时，计算如下三个指标：

令vol(t)为最近5天的出库量，本月到当天为止已过天数为st；前5个月所有连续的5天平均的出库量为mVol，则5日移动平均成交量比

设上个月预测的本月仓库出货的平均需求为：

则本月的平均预测量比

Q_t指上月预测的本月出货总量；T指本月总天数；

计算量比的变化趋势er，

6.根据权利要求5所述的一种概率产品的库存异动预警与调拨方案更新方法，其特征在于，异常变化的情况包括：异常的增加与异常的下降两类；

判断原理为：当ER>K1时，库存的需求量属于天量级别，K2<ER<K1的时候库存需求量为放量，ER<K3则认为库存需求量为缩量；其中，天量级别与放量属于异常的增加；缩量属于异常的下降；K1、K2与K3均为设定的阈值，满足K1>K2>K3。

7.根据权利要求6所述的一种概率产品的库存异动预警与调拨方案更新方法，其特征在于，将近3日的5日移动平均成交量比与本月的平均预测量比进行对比，并结合ER曲线的凹凸性判断当月库存需求是否存在异常变化情况，判断步骤包括：

步骤S21、读取指标ER，ER_p与er；

步骤S22、判断ER是否满足ER>K2；

若是，则执行步骤S23；

若否，则执行步骤S24；

步骤S23、判断er和ER是否满足er>0且ER>ER_p；

若是，则执行步骤S26；

若否，则执行步骤S29；

步骤S24、判断ER是否满足ER<K3；

若是，则执行步骤S25；

若否，则执行步骤S29；

步骤S25、判断er和ER是否满足er<0且ER<ER_p；

若是，则执行步骤S27；

若否，则执行步骤S29；

步骤S26、当前库存需求存在异常增加，继续执行步骤S28；

步骤S27、当前库存需求存在异常下降，继续执行步骤S28；

步骤S28、判定库存需求存在异常变化情况；

步骤S29、判定库存需求不存在异常变化情况。

8.根据权利要求6所述的一种概率产品的库存异动预警与调拨方案更新方法，其特征在于，对于库存需求异常增加的仓库，利用隐马尔可夫模型预测库存量达到安全库存量的时间包括：

利用隐马尔可夫模型计算出库量处于不同区间的概率，取区间中值作为预测的出库量，得到对应时间下出库量预测值与相应的概率；如果未来某个时间预测的出库量的概率大于设定值，则预测的出库量作为对应时间的出库量，对出库量按天进行累加，用总库存减去累计出库量得到当日剩余库存，若时间t时刻的剩余库存大于安全库存水平，且t+1时刻的剩余库存低于安全库存水平，则时间t作为库存量达到安全库存量的时间。

9.根据权利要求6所述的一种概率产品的库存异动预警与调拨方案更新方法，其特征在于，根据公式计算预测需求量：预测需求量＝变动速率×时间间隔；其中，变动速率vol(t)/5，vol(t)为最近5天的出库量，时间间隔为当月到目前为止的天数st；

当预测需求量大于计划需求量时，仓库为潜在缺货状态；当预测需求量小于计划需求量时，仓库为潜在积压状态；

对于潜在缺货状态的仓库与潜在积压状态的仓库，以最小化成本为目标建立调拨模型，利用自适应粒子群算法求解调拨计划的更新方案，将潜在积压状态的仓库的库存配送到相应的潜在缺货状态的仓库，实现调拨优化。

10.一种概率产品的库存异动预警与调拨方案更新系统，其特征在于，该系统用于实现权利要求1-9任一项所述的方法，该系统包括：

信息获取模块，用于获取历史时间段内概率产品在每一仓库的出库数据、以及设定的安全库存量；

库存异动预警模块，用于根据每一仓库的出库数据，判断每一仓库中概率产品库存需求是否存在异常变化的情况，并对存在异常变化情况的仓库发出预警；

时间预警模块，用于对于库存需求异常变化的情况属于异常增加的仓库，利用隐马尔可夫模型预测库存量达到安全库存量的时间；

调拨方案更新模块，用于对每一个存在异常变化的情况的仓库计算出预测需求量，并根据预测需求量与计划需求量的大小关系判定仓库为潜在缺货状态或者潜在积压状态；对于潜在缺货状态的仓库与潜在积压状态的仓库，以最小化成本为目标建立调拨模型，求解调拨计划的更新方案。

Images