CN113228068A - 用于库存管理和优化的系统和方法 - Google Patents
用于库存管理和优化的系统和方法 Download PDFInfo
- Publication number
- CN113228068A CN113228068A CN201980087611.5A CN201980087611A CN113228068A CN 113228068 A CN113228068 A CN 113228068A CN 201980087611 A CN201980087611 A CN 201980087611A CN 113228068 A CN113228068 A CN 113228068A
- Authority
- CN
- China
- Prior art keywords
- inventory
- variables
- optimization algorithm
- optimization
- data set
- 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
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 217
- 238000000034 method Methods 0.000 title claims abstract description 133
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 92
- 230000008569 process Effects 0.000 claims abstract description 37
- 238000010801 machine learning Methods 0.000 claims abstract description 25
- 238000009826 distribution Methods 0.000 claims description 74
- 238000004088 simulation Methods 0.000 claims description 59
- 239000000463 material Substances 0.000 claims description 31
- 230000006870 function Effects 0.000 claims description 26
- 238000003860 storage Methods 0.000 claims description 22
- 238000012545 processing Methods 0.000 claims description 10
- 238000012706 support-vector machine Methods 0.000 claims description 10
- 230000006399 behavior Effects 0.000 claims description 5
- 238000012417 linear regression Methods 0.000 claims description 5
- 238000007477 logistic regression Methods 0.000 claims description 5
- 238000007637 random forest analysis Methods 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 230000003466 anti-cipated effect Effects 0.000 claims description 3
- 238000007726 management method Methods 0.000 abstract description 71
- 238000012384 transportation and delivery Methods 0.000 abstract description 7
- 238000004519 manufacturing process Methods 0.000 description 26
- 230000015654 memory Effects 0.000 description 19
- 230000003993 interaction Effects 0.000 description 17
- 238000013439 planning Methods 0.000 description 14
- 239000000047 product Substances 0.000 description 14
- 230000005540 biological transmission Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 8
- 238000013473 artificial intelligence Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 6
- 230000001419 dependent effect Effects 0.000 description 6
- 238000013459 approach Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 238000005070 sampling Methods 0.000 description 5
- 230000010354 integration Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000013500 data storage Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 230000002860 competitive effect Effects 0.000 description 2
- 230000003111 delayed effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 206010012186 Delayed delivery Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000012467 final product Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000013068 supply chain management Methods 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- 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
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Entrepreneurship & Innovation (AREA)
- Strategic Management (AREA)
- Quality & Reliability (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Computational Linguistics (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Algebra (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
Abstract
本公开提供可以有利地应用机器学习来准确地管理和预测具有未来不确定性的库存变量的系统和方法。在一方面,本公开提供了一种可以接收包括多个库存变量的库存数据集的系统,这些库存变量至少指示历史(i)库存水平,(ii)库存持有成本,(iii)供应商订单,或(iv)随着时间的订货交付时间。多个库存变量的特征在于具有一个或多个未来不确定性水平。系统可以使用经过训练的机器学习模型处理库存数据集以生成多个库存变量的预测。系统可以将处理后的库存数据集提供给优化算法。优化算法可以预测一个或多个库存管理参数,这些库存管理参数导致在最小化成本的同时达到目标服务水平的特定概率。优化算法可以包括约束条件。
Description
交叉引用
本申请要求于2019年7月9日提交的美国专利申请第16/506,672号的优先权,该申请要求于2018年11月1日提交的美国临时专利申请第62/754,466号的优先权,两者均完全以引用方式并入本文。
背景技术
不确定性是现代复杂供应链的内在和动态属性。不确定性不断挑战库存决策,这可能会考虑平衡资本投资约束和服务水平目标。例如,由于库存变量的不确定性,库存管理和规划的软件解决方案可能会在准确预告和预测最佳库存水平方面遇到挑战。为了在动态市场中保持竞争力,企业通常需要不断重新配置供应链并管理不断引入的各种类型的不确定性(例如,来自需求侧和供应侧)。然而,为管理库存中的这些不确定性而做出明智决策所需的数据通常存储在多个不同的源系统中(例如,现场或远程位置,诸如云网络)或没有进行历史跟踪。此类系统(例如,物料需求计划或MRP,库存管理系统)可能是在几年或几十年前建立和实施的,可能是基于规则的系统,其是刚性的(即,不适应供需变化)和因此无法处理分布在各种源系统中的大量动态数据。
发明内容
这里认识到需要使用机器学习技术来改进库存管理和优化的系统和方法,这些系统和方法可用于通过更准确地确定最佳库存水平来改进库存管理。
本公开提供了可以有利地应用机器学习来准确地管理和预测具有未来不确定性的库存变量的系统和方法。这样的系统和方法可以允许基于来自多个不同数据源系统的聚合数据,确定最佳库存水平以及识别对用户或系统的可操作建议来准确预测库存变量的未来不确定性。
在一方面,本公开提供了一种用于库存管理和优化的计算机实现的方法,包括:(a)通过计算机获得包括多个库存变量的库存数据集,其中所述多个库存变量包括具有未来不确定性的变量;(b)由计算机将经过训练的算法应用于库存数据集,以生成对具有未来不确定性的变量的预测;(c)由计算机对库存数据集应用优化算法以优化多个库存变量,从而生成优化的库存数据集。
在一些实施方式中,获得库存数据集包括从多个不同的来源获得和聚合数据集。在一些实施方式中,数据集包括内部数据集和外部数据集。在一些实施方式中,多个不同的来源是选自由智能设备、传感器、企业系统、超企业和互联网源组成的组,并且数据集被保存在多个数据存储中。在一些实施方式中,多个库存变量包括多个时间序列。在一些实施方式中,多个库存变量代表历史库存数据和/或当前库存数据。在一些实施方式中,历史库存数据包括选自由到货移动、消耗移动、阻塞移动和工厂间移动组成的组的一种或多种类型的移动。在一些实施方式中,具有未来不确定性的变量包括以下一项或多项:库存水平、供应因素、供应商订单、需求因素、需求预测、材料消耗、运输时间、订货交付时间(leadtime)、材料需求计划(MRP)、库存持有成本和运费。
在一些实施方式中,经过训练的算法包括机器学习算法。在一些实施方式中,机器学习算法选自由支持向量机(SVM)、朴素贝叶斯分类、线性回归、分位数回归、逻辑回归、随机森林和神经网络组成的组。在一些实施方式中,生成预测包括处理库存数据集以将统计分布拟合到多个库存变量。在一些实施方式中,拟合统计分布包括使用历史库存数据估计一个或多个统计参数。在一些实施方式中,统计分布是选自由高斯分布、伽马分布和泊松分布组成的组的参数分布。在一些实施方式中,一个或多个统计参数选自由中位数、均值、众数、方差、标准偏差、分位数、集中趋势的量度、方差的量度、范围、最小值、最大值、四分位距和百分位数组成的组。在一些实施方式中,该方法还包括使用统计分布来生成具有未来不确定性的变量的预测。在一些实施方式中,预测包括具有未来不确定性的变量的分布。在一些实施方式中,具有未来不确定性的变量的分布包括未来持续时间的分布。在一些实施方式中,未来的持续时间是约1天、约3天、约5天、约1周、约2周、约3周、约1个月、约2个月、约3个月、约4个月、约5个月,约6个月,约7个月,约8个月,约9个月,约10个月,约11个月,约12个月,约14个月,约16个月,约18个月,约20个月,约22个月,约24个月,或超过约24个月。
在一些实施方式中,优化算法包括约束优化问题。在一些实施方式中,约束优化问题最小化成本函数或最大化奖励函数。在一些实施方式中,成本函数或奖励函数可以是表示实体的产品输出、该实体的利润或向客户交付的时间等的函数。在一些实施方式中,约束优化问题包括选自由库存约束、服务水平约束、到达窗口约束、订单大小约束和订购窗口约束组成的组的约束。在一些实施方式中,服务水平约束包括库存满足需求要求的置信水平。在一些实施方式中,服务水平约束是约90%、约95%、约98%、约99%或更多。在一些实施方式中,最小化成本函数包括选自由材料成本、库存持有成本、运输成本、生产延迟成本及其组合组成的组的成本。在一些实施方式中,约束优化问题是随机约束优化问题。在一些实施方式中,优化算法包括选自由网格搜索、随机搜索和贝叶斯优化搜索组成的组的技术。在一些实施方式中,随机约束优化问题是混合整数线性规划(MILP)问题。在一些实施方式中,MILP问题使用线性机会约束对具有未来不确定性的变量进行建模。
在一些实施方式中,该方法还包括由计算机将优化的库存数据集存储在数据库中。在一些实施方式中,存储是通过基于云的网络执行的。在一些实施方式中,该方法还包括由计算机基于优化的库存数据集生成一个或多个建议的库存管理决策。在一些实施方式中,生成一个或多个建议库存管理决策包括确定优化库存数据集和参考库存数据集之间的差异。在一些实施方式中,该方法还包括由计算机至少部分地基于优化的库存数据集生成中断风险和/或延迟风险的一个或多个警报。在一些实施方式中,优化的库存数据集是实时、基本实时、准时或任何其他有用的时间范围生成的。在一些实施方式中,该方法还包括遍历物料清单(BOM),其中该BOM包括动态层级图;并向用户显示BOM。在一些实施方式中,BOM被实时地、基本上实时地、准时地或任何其他有用的时间范围遍历并显示给用户。在一些实施方式中,库存数据集包括用于单梯队库存的多个库存变量,其中单梯队库存对应于单个节点或设施。在一些实施方式中,优化算法被配置为执行多梯队库存优化(MEIO),并且库存数据集包括多梯队库存的多个库存变量,其中多梯队库存对应于包括多个节点或设施的供应链网络。在一些实施方式中,优化算法被配置为使用供应链网络的概率图模型对多个库存变量建模。在一些实施方式中,优化算法被配置为使用供应链网络的贝叶斯优化模型对多个库存变量建模。
在另一方面,本公开提供了一种计算机系统,该计算机系统包括数字处理设备,该数字处理设备包括至少一个处理器、被配置为执行可执行指令的操作系统、存储器和包括可由该数字处理设备执行以创建用于库存管理和优化的应用的指令的计算机程序,该应用包括:库存模块,其被编程为获得包括多个库存变量的库存数据集,其中所述多个库存变量包括具有未来不确定性的变量;预测模块,其被编程为将训练算法应用于库存数据集以生成具有未来不确定性的变量的预测;优化模块,其被编程为将优化算法应用于库存数据集以优化多个库存变量,以生成优化的库存数据集。
在一些实施方式中,该应用程序还包括聚合模块,其被编程为从多个不同的源获得和聚合数据集。在一些实施方式中,数据集包括内部数据集和外部数据集。在一些实施方式中,多个不同的源选自由智能设备、传感器、企业系统、超企业和互联网源组成的组,并且数据集被保存在多个数据存储中。在一些实施方式中,多个库存变量包括多个时间序列。在一些实施方式中,多个库存变量代表历史库存数据和/或当前库存数据。在一些实施方式中,历史库存数据包括选自由到货移动、消耗移动、阻塞移动和工厂间移动组成的组的一种或多种类型的移动。在一些实施方式中,具有未来不确定性的变量包括以下一项或多项:库存水平、供应因素、供应商订单、需求因素、需求预测、材料消耗、运输时间、订货交付时间、材料需求计划(MRP)、库存持有成本和运费。
在一些实施方式中,经过训练的算法包括机器学习算法。在一些实施方式中,模型可以是参数化的,例如,诸如支持向量机(SVM)、朴素贝叶斯分类、线性回归、分位数回归、逻辑回归、随机森林和神经网络等,或非参数化的,例如高斯过程、狄利克雷过程或其他基于贝叶斯采样的技术。在一些实施方式中,生成预测包括处理库存数据集以将统计分布拟合到多个库存变量。在一些实施方式中,拟合统计分布包括使用历史库存数据估计一个或多个统计参数。在一些实施方式中,统计分布是选自由高斯分布、伽马分布和泊松分布组成的组的参数分布。在一些实施方式中,一个或多个统计参数选自由中位数、均值、众数、方差、标准偏差、分位数、集中趋势的量度、方差的量度、范围、最小值、最大值、四分位距和百分位数组成的组。在一些实施方式中,预测模块被编程为使用统计分布来生成具有未来不确定性的变量的预测。在一些实施方式中,预测包括具有未来不确定性的变量的分布。在一些实施方式中,具有未来不确定性的变量的分布包括未来持续时间上的分布。在一些实施方式中,未来的持续时间是约1天、约3天、约5天、约1周、约2周、约3周、约1个月、约2个月、约3个月、约4个月、约5个月,约6个月,约7个月,约8个月,约9个月,约10个月,约11个月,约12个月,约14个月,约16个月,约18个月,约20个月,约22个月,约24个月,或超过约24个月。在一些实施方式中,未来的持续时间可以小于1天。
在一些实施方式中,优化算法包括约束优化问题。在一些实施方式中,约束优化问题最小化成本函数。在一些实施方式中,约束优化问题包括选自由库存约束、服务水平约束、到达窗口约束、订单大小约束和订购窗口约束组成的组的约束。在一些实施方式中,服务水平约束包括库存满足需求要求的置信水平。在一些实施方式中,服务水平约束是约90%、约95%、约98%或约99%。在一些实施方式中,最小化成本函数包括选自由库存持有成本、运输成本、生产延迟成本及其组合组成的组的成本。在一些实施方式中,约束优化问题是随机约束优化问题。在一些实施方式中,优化算法包括选自由网格搜索、随机搜索和贝叶斯优化搜索组成的组的技术。在一些实施方式中,随机约束优化问题是混合整数线性规划(MILP)问题。在一些实施方式中,MILP问题使用线性机会约束对具有未来不确定性的变量进行建模。
在一些实施方式中,该应用还包括存储模块,该存储模块被编程为将优化的库存数据集存储在数据库中。在一些实施方式中,存储是通过基于云的网络执行的。在一些实施方式中,该应用还包括决策模块,该决策模块被编程为基于优化的库存数据集生成一个或多个建议的库存管理决策。在一些实施方式中,生成一个或多个建议的库存管理决策包括确定优化库存数据集和参考库存数据集之间的差异。在一些实施方式中,该应用还包括警报模块,该警报模块被编程为至少部分地基于优化的库存数据集来生成中断风险和/或延迟风险的一个或多个警报。在一些实施方式中,优化的库存数据集是实时、基本实时、准时或任何其他有用的时间范围生成的。在一些实施方式中,该应用还包括被编程为遍历材料清单(BOM)的显示模块,其中该BOM包括动态层级图,并向用户显示该BOM。在一些实施方式中,BOM被实时地、基本上实时地、准时地或任何其他有用的时间范围遍历并显示给用户。在一些实施方式中,库存数据集包括用于单梯队库存的多个库存变量,其中单梯队库存对应于单个节点或设施。在一些实施方式中,优化算法被配置为执行多梯队库存优化(MEIO),并且库存数据集包括多梯队库存的多个库存变量,其中多梯队库存对应于包括多个节点或设施的供应链网络。在一些实施方式中,优化算法被配置为使用供应链网络的概率图形模型对多个库存变量建模。在一些实施方式中,优化算法被配置为使用供应链网络的贝叶斯优化模型对多个库存变量建模。
在另一方面,本公开提供了一种包含机器可执行代码的非暂时性计算机可读介质,该代码在由一个或多个计算机处理器执行时实现用于库存管理和优化的方法,该方法包括:(a)获得包括多个库存变量的库存数据集,其中所述多个库存变量包括具有未来不确定性的变量;(b)将训练算法应用于库存数据集以生成具有未来不确定性的变量的预测;(c)将优化算法应用于库存数据集以优化多个库存变量,以生成优化的库存数据集。
在另一方面,本公开提供了一种系统,该系统可以接收包括多个库存变量的库存数据集,所述库存变量至少指示历史(i)库存水平,(ii)库存持有成本,(iii)供应商订单,或(iv)随着时间的订货交付时间。所述多个库存变量的特征在于具有一个或多个未来不确定性水平。该系统可以使用经过训练的机器学习模型处理所述库存数据集以生成特征在于具有一个或多个未来不确定性水平的多个库存变量的预测。经过训练的机器学习模型已经在历史库存数据集上进行了训练。系统可以将处理后的库存数据集提供给优化算法。优化算法可以预测一个或多个库存管理参数,所述库存管理参数导致实现目标服务水平的特定概率,同时最小化成本。优化算法可以包括一个或多个约束条件。
在一些实施方式中,系统可以向所述优化算法提供当前库存水平和当前供应商订单数量,并且使用优化算法至少基于当前库存水平和当前供应商订单的数量来预测目标库存水平。在一些实施方式中,系统可以基于目标库存水平的预测生成库存管理建议。在一些实施方式中,库存管理建议可以包括降低当前库存水平的建议。在一些实施方式中,库存管理建议可以包括增加当前库存水平的建议。在一些实施方式中,库存管理建议可以包括维持当前库存水平的建议。在一些实施方式中,可以实时地、基本实时地、准时地或以几小时、几天、几周、几个月或更长时间定期地生成库存管理建议。
在一些实施方式中,系统可以使用成品的预测需求和成品的物料清单(BOM)来计算当前的、即将到来的或预期的需求要求。在一些实施方式中,BOM可以包括动态层级图。
在一些实施方式中,库存数据集可以包括内部数据和外部数据。在一些实施方式中,库存数据集可以从选自由智能设备、传感器、企业系统、超企业和互联网来源组成的组的多个不同来源接收。
在一些实施方式中,多个库存变量还可以包括选自由到达移动、消耗移动、阻塞移动和工厂间移动组成的组的一个或多个库存移动。
在一些实施方式中,多个库存变量还可以包括需求预测、材料消耗、运输时间和运输成本中的一个或多个。
在一些实施方式中,经过训练的机器学习模型可以选自由支持向量机(SVM)、朴素贝叶斯分类、线性回归、逻辑回归、随机森林和神经网络组成的组。
在一些实施方式中,多个库存变量的预测可以包括多个库存变量的统计分布。
在一些实施方式中,统计分布可以包括一个或多个统计参数。
在一些实施方式中,一个或多个统计参数可以选自由中位数、均值、众数、方差、标准偏差、分位数、集中趋势的量度、方差、范围、最小值、最大值、四分位距和百分位数组成的组。
在一些实施方式中,统计分布可以是选自由高斯分布、伽马分布和泊松分布组成的组的参数分布。
在一些实施方式中,优化算法可以最小化成本函数。在一些实施方式中,优化算法还可以包括选自由库存约束、服务水平约束、到达窗口约束、订单大小约束和订购窗口约束组成的组的约束条件。在一些实施方式中,优化算法可以是随机约束优化算法。在一些实施方式中,随机约束优化算法可以是混合整数线性规划(MILP)问题。在一些实施方式中,优化算法可以包括选自由网格搜索、随机搜索和贝叶斯优化搜索组成的组的技术。
在一些实施方式中,库存数据集可以包括用于单梯队库存的多个库存变量,其中单梯队库存对应于单个节点或设施。
在一些实施方式中,优化算法可以被配置为执行多梯队库存优化(MEIO),其中所述库存数据集包括用于多级库存的多个库存变量,其中所述多级库存对应于包括多个节点或设施的供应链网络。在一些实施方式中,优化算法可以被配置为使用供应链网络的概率图形模型对多个库存变量进行建模。在一些实施方式中,优化算法可以被配置为使用供应链网络的贝叶斯优化模型对多个库存变量进行建模。
本公开的另一方面提供与由上述或本文其他地方描述的任何系统执行的操作相对应的方法。
本公开的另一方面提供了一种包括机器可执行代码的非暂时性计算机可读介质,所述机器可执行代码在由一个或多个计算机处理器执行时实现上述或本文其他地方的任何方法。
本公开的另一方面提供了一种系统,该系统包括一个或多个计算机处理器和与其耦合的计算机存储器。计算机存储器包括机器可执行代码,其在由一个或多个计算机处理器执行时实现上述或本文其他地方的任何方法。
从以下详细描述中,本公开的其他方面和优点对于本领域技术人员将变得容易理解,其中仅示出和描述了本公开的说明性实施方式。如将意识到的,本公开能够有其他不同的实施方式,并且其若干细节能够在各种明显的方面进行修改,所有这些都不背离本公开。因此,附图和描述在本质上被认为是说明性的,而不是限制性的。
援引加入
本说明书中提到的所有出版物,专利和专利申请都以引用的方式并入本文,就如同每个单独的出版物,专利或专利申请被明确地并单独地指出通过引用并入一样。在通过引用并入的出版物和专利或专利申请与说明书中包含的公开内容相抵触的程度上,该说明书旨在取代和/或优先于任何此类矛盾的材料。
附图说明
在所附权利要求书中具体阐述了本发明的新颖特征。通过参考下面的详细说明,可以更好地理解本发明的特征和优点,所述详细说明阐述了示例性实施方式,其中利用了本发明的原理以及附图(也称为“示图”和“图”),其中:
图1示出了用于库存管理和优化的系统的示例。
图2示出了通过将伽玛分布拟合到观察到的订货交付时间数据来对订货交付时间的不确定性进行统计建模的示例。
图3示出了一段时间内订货交付时间的历史趋势示例,其可用于训练机器学习算法以预测订货交付时间的未来不确定性。
图4示出了物品库存水平的随机优化的示例。
图5示出了一段时间内的历史库存移动(包括到货移动、消耗移动和杂项移动)和总库存的示例。
图6示出了库存优化的总体结果的示例。
图7示出了被编程或以其他方式配置以实现本文提供的方法的计算机系统。
具体实施方式
虽然这里已经示出和描述了本发明的优选实施方式,但是对于本领域技术人员来说,这些实施方式仅作为示例提供是容易理解的。在不脱离本发明的情况下,本领域技术人员现在将想到许多变化、改变和替换。应当理解,在实践本发明时可以采用对这里描述的本发明的实施方式的各种替代。
除非上下文另有说明,否则本说明书中使用的各种术语可以如下阅读和理解:“或”在全文中使用时是包含性的,就像写成“和/或”一样;通篇使用的单数冠词和代词包括其复数形式,反之亦然;类似地,性别代词包括它们的对应代词,因此代词不应被理解为将此处描述的任何内容限制为单一性别的使用、实施、表现等;“示例性”应被理解为“说明性的”或“示例性的”,而不必理解为“优于”其他实施方式。术语的进一步定义可在本文中阐述;这些可以适用于这些术语的先前和随后的实例,如通过阅读本说明书将理解的。
这里认识到需要使用机器学习技术改进库存管理和优化的系统和方法,这些技术可以通过更准确地确定最佳库存水平来改进库存管理。
不确定性是现代复杂供应链的内在和动态特性。不确定性不断挑战库存决策,这可能会考虑平衡资本投资约束和服务水平目标。例如,由于库存变量的不确定性,库存管理和规划的软件解决方案可能会在准确预测和预测最佳库存水平方面遇到挑战。为了在动态市场中保持竞争力,企业通常需要不断重新配置供应链并管理不断引入的各种类型的不确定性(例如,来自需求方和供应方)。然而,为管理库存中的这些不确定性做出明智决策所需的数据通常存储在多个不同的源系统中(例如,现场或远程位置,例如云网络)。此类系统(例如,物料需求计划或MRP、库存管理系统)可能是在几年或几十年前建立和实施的,它们可能是基于规则的系统,这些系统是僵化的,因此无法处理分布在各个源系统的大量数据。
鉴于库存管理系统中的这些挑战,可能需要“大数据”人工智能平台来聚合来自多个不同源系统(例如,企业系统、物联网传感器和第三方数据提供商)的数据并应用基于人工智能的技术,其不断整合新的或更新的数据集并从中学习。例如,对优化库存有用的数据类型可能包括需求预测、供应商订单、生产订单、物料清单(随时间变化)、再订购参数的更改历史和库存移动数据。
认识到改进库存管理和优化的需要,本公开提供了可以有利地应用机器学习来准确地管理和预测具有未来不确定性的库存变量的系统和方法。这样的系统和方法可以允许基于来自多个不同数据源系统的聚合数据、确定最佳库存水平和识别对用户的可操作建议来准确预测库存变量的未来不确定性。
通过实施本公开的改进的库存管理和优化模块系统和方法,跨广泛行业(例如制造、汽车和零售)的公司可以通过优化实现库存显着减少20%至25%或更多,从而将成本降低收入的约2%至5%。这样做时,这些公司通常会将其大部分营运资金锁定在库存中(例如,平均库存占收入的10%-20%),可以将节省的成本再投资到公司的业务中,以便增加股东价值。例如,年收入为100亿美元的公司可以通过使用本文提供的系统和方法优化其库存来释放2亿至5亿美元的营运资金。
为了有效地将基于人工智能的方法应用于库存管理和优化系统,必要的数据可以从各种不同的源系统,例如企业资源规划系统、资产管理系统、供应商管理系统、和库存计划系统聚合。在某些情况下,企业可能会聘请第三方服务提供商进行数据集成,这可能成本很高。或者,企业可能会尝试使用开源技术在内部执行数据集成,但此类方法通常会遇到相当大的复杂性以及金钱和时间成本,并且不确定成功。使用本公开的系统和方法,企业可以在平台上应用基于人工智能的库存管理和优化算法,从而实现来自多个不同源系统的数据集的无缝、可扩展和可靠集成。
一旦执行了数据聚合和集成,就可以使用基于人工智能的技术来有效和动态地管理不确定性,并系统地降低所有地点的库存水平,同时最小化缺货的可能性。特别地,本公开的系统和方法可以应用基于人工智能的技术的关键要素,包括统计建模、机器学习和优化,以显着改进库存优化。
在一个方面,本公开提供了一种用于库存管理和优化的计算机实现的方法。用于库存管理和优化的方法可以包括获得包括多个库存变量的库存数据集,其中多个库存变量包括具有未来不确定性的变量。用于库存管理和优化的方法还可以包括将经过训练的算法应用于库存数据集以生成对具有未来不确定性的变量的预测。用于库存管理和优化的方法还可以包括将优化算法应用于库存数据集以优化多个库存变量,从而生成优化的库存数据集。
在一些实施方式中,用于库存管理和优化的方法和系统可以执行每日库存水平的优化。制造系统通常会维护库存移动日志,例如供应商到货、生产线中的消耗以及任何其他设施内和设施间装运(杂项移动)。移动数据可以用于计算每个物品的历史库存水平,其中到货对库存水平有正贡献,消费有负贡献,所有其他杂项移动可能导致对库存水平的正贡献或负贡献。例如,给定时间t的存货可以表示为前一时间(t-1)的存货,加上时间t的到货,减去时间t的消耗,再加上时间t的杂项移动,如下式所示。
Inventoryt=Inventoryt-1+Arrivalst-Consumptiont+Miscellaneoust
在一些实施方式中,用于库存管理和优化的方法和系统可以执行需求预测的优化。对于制造商而言,可以使用成品的预测需求、产品配置和物料清单(BOM)来计算计划范围内每个物品的需求预测(或计划消耗)。BOM是动态(随时间变化)层次图,其提供制造成品所需的所有物品和中间组件及其数量的列表。可以向用户显示遍历的BOM。例如,可以遍历BOM并将其显示给用户。
在一些实施方式中,用于库存管理和优化的方法和系统可以执行物料需求计划(MRP)的优化。MRP通常基于几个约束,这些约束决定了需要向供应商下达的订单的时间和数量。例如,可以使用订货参数来定义这样的约束。再订货参数可分为两组:(1)由制造商确定的参数(例如,安全库存、批量、破损、保修更换或安全时间)和(2)由供应商确定的参数(例如,最小订单量、交货时间等),或(3)由客户确定的参数(例如,取消和退货)。
在一些实施方式中,方法和系统可以将库存管理和优化表述为随机约束优化问题,该问题求解最小化总到岸成本(例如,库存持有成本和运输成本,考虑到库存物品价格的可变性),同时保持对存货物品可用性(例如,服务水平约束)的置信度水平(α)的再订货参数。服务水平约束可以针对每个物品进行调整(例如,具有90%、95%、96%、97%、98%或99%的置信度),从而为制造商提供基于若干因素的控制水平,例如缺货成本和与客户的服务水平协议。
通过解决随机约束优化问题,可以模拟或预测一组随机变量。然后可以将预测合并到优化问题中。例如,可以对与供应链的随机组成部分相对应的变量(例如,与供应链中每个设施的供应相关联的随机性)建模。这可以通过进行前向传递通过供应链来完成。特别是,前向传递可以从没有孩子的设施i开始。对于这些设施,已知哪些到达将在时间t实际到达以及哪些到达计划到达该设施。对于后者,可以模拟数量和时间的随机性(不确定性)以预测当天将实现哪部分到达。该结果可以部分定义该设施当天的日终库存。
通过将需求和供应侧的不确定性建模为线性机会约束,可以将下面给出的优化问题表述为混合整数线性规划(MILP)问题。使用MILP求解器可以有效地解决此类MILP问题。
arg min Inventory Holding cost+Shipping cost
Safety stock
使得Prob(Inventory>0)≥α
库存管理和优化的系统和方法可以应用于各种各样的企业,例如足迹遍布多个国家或大陆的全球制造商。例如,此类制造商可能在全球运营数百家工厂,制造高度复杂的设备,平均库存水平达数亿甚至数十亿美元。例如,基于昂贵和复杂设备(例如,工业设备)制造商的标准行业惯例,制造商可能允许他们的客户配置具有数十或数百个单独选项的产品,导致产品具有数百或数千个排列。在这种情况下,制造商产品的定制性质可能会导致在制造过程期间管理库存水平的显着复杂性。例如,由于通常不知道产品的最终配置直到接近提交该产品的订单,因此制造商可能经常手头持有大量过剩库存以按时完成订单。
使用本文公开的用于库存管理和优化的系统和方法,制造商可以实现平均库存水平的显着降低约5%、约10%、约15%、约20%、约25%、约30%、约35%、约40%、约45%、约50%、约55%、约60%、约65%、约70%、约75%、约80%、约85%或约90%。平均库存水平的这种显着降低可能带来额外的好处,例如节省运输成本(由于订购的零件较少)和通过帮助他们专注于更高附加值的任务而不是跟踪、管理和审计来可用库存来提高库存分析师的生产力。此外,使用本文公开的用于库存管理和优化的系统和方法,可以发现在与供应商谈判期间可能证明是有用的关键见解(例如,供应商计划时限对库存水平的影响)。
图1示出了配置为实施本公开中描述的方法的用于库存管理和优化的系统100的示例。系统100可以具有数据建模和链接模块105、不确定性建模模块110、模拟模块120和优化模块130。数据建模和链接模块105可以使系统能够收集和聚合库存数据集以及随后这样的库存数据集。下面将详细描述其他模块。
不确定性的统计建模
不确定性是现代复杂供应链的固有属性。供应链网络中可能存在许多不确定性来源。不确定性的三个主要来源可能是(1)与供应商相关的不确定性,(2)与设施相关的不确定性,以及(3)需求不确定性。与供应商相关的不确定性可能包括源材料的数量、质量或价格的不确定性。与供应商相关的不确定性还可能包括此类源材料何时可用或此类源材料需要多长时间运输的不确定性。与设施相关的不确定性可能是生产资源可用性的不确定性,例如劳动力、机器、时间等。需求不确定性可能是最终产品需求的不确定性。需求可能会随着时间和地域而变化。在复杂的供应链中可能还有其他不确定性来源,例如运输不确定性。供应链中特定不确定性变量的一些示例是库存水平、供应因素、供应商订单、需求因素、需求预测、材料消耗、运输时间、季节性、订货交付时间、材料需求计划(MRP)、库存持有成本和运输成本。
不确定性模块110可以对上述不确定性和可能与复杂供应链相关联的任何其他类型的不确定性进行建模。更具体地,不确定性模块110可以实现机器学习和其他类型的模型,这些模型被编程或配置为预测具有未来不确定性的变量(例如,库存变量)的分布。可以根据库存变量的历史值训练模型。
随机库存变量的一个示例是发送时间,其可能取决于一个或多个外部因素,例如网络拥堵、天气和地缘政治事件。如果发送时间具有或假设具有高斯分布,则本文描述的系统和方法可以将高斯分布拟合到一组历史发送时间以估计未来发送时间的均值和方差。如果发送时间反而具有或假设具有不对称分布,则本文描述的系统和方法可以将例如伽玛分布拟合到历史发送时间以估计这些参数。
更一般地,本文描述的模型可以是参数模型(例如,线性回归模型、逻辑回归模型、分位数回归模型、支持向量机(SVM)、随机森林模型、提升树模型等),其可以是用于预测库存变量的参数(例如,中位数、均值、众数、方差、标准偏差、分位数、集中趋势的度量、方差的度量、范围、最小值、最大值、四分位距,一个百分位数或其组合)。作为一个示例,可以训练回归模型以从历史数据中学习这些分布如何基于一年中的季节等特征随时间变化。训练的回归模型然后可以用于预测随机变量的先验分布和条件分布。供应链中的每个节点都可以在本地估计随机变量的分布,并使用置信传播技术与供应链中的其他节点共享此信息。节点继续将它们的信念传播到系统中的其他节点直到收敛。一旦信念收敛,就可以使用库存变量的条件分布在本地估计每个节点的建议安全库存。
替代地,模型可以是非参数模型,例如高斯过程、狄利克雷过程或其他基于贝叶斯采样的技术。高斯过程是由按时间索引的随机变量集合定义的随机模型。随机变量的每个有限集合都具有多元正态分布。也就是说,随机变量的每个有限集合都是正态分布的。高斯过程的分布是所有随机变量的联合分布,因此,它是具有连续域的函数分布。与此同时,狄利克雷过程是随机模型,其范围本身就是一组概率分布。
库存变量的不确定性分布通常会随着时间而改变。例如,原材料或产品的发送时间变化可能会在冬季期间增加。因此,上述模型可用于预测库存变量在未来时间段内的分布。未来时间段可以对应于正在优化的库存变量的规划范围。计划期限可能根据客户、供应商和材料而变化。例如,计划期限可以是约1天、约3天、约5天、约1周、约2周、约3周、约1个月、约2个月、约3个月、约4个月、约5个月,约6个月,约7个月,约8个月,约9个月,约10个月,约11个月,约12个月,约14个月,约16个月,约18个月,约20个月,约22个月,约24个月或更长时间。随着新数据被并入模型,计划期限可能会动态变化。在某些模型表现出性能下降的情况下,利用最新的可用数据自动重新训练它们。
图2示出了通过将伽玛分布拟合到观察到的订货交付时间数据来对订货交付时间的不确定性进行统计建模的示例。可以在不超过约5天、不超过约10天、不超过约15天、不超过约20天、不超过约25天、不超过约30天、不超过约35天、不超过约40天、不超过约45天、不超过约50天、不超过约55天、不超过约60天、不超过约70天,不超过约80天,或不超过约90天的订货交付时间内计算分布。在某些情况下,可以在少于5天的订货交付时间内计算分布。
库存变量可以包括一个或多个时间序列以表示随时间变化的数据,例如历史库存数据和/或当前库存数据。历史库存可以由客户提供或由系统利用物料移动数据计算。例如,历史库存数据可以包括与库存管理和优化相关的不同类型的移动,例如到货移动、消耗移动、阻塞移动和杂项移动(例如,工厂间移动)。
库存数据集可以从智能设备、传感器、企业系统、超企业和互联网资源中获得。这样的数据集可以跨一个或多个数据存储保存。
图3示出了一段时间(例如,大约28个月)内订货交付时间的历史趋势的示例,其可用于训练机器学习算法以预测订货交付时间的未来不确定性。
预测随机变量和模拟对库存管理的影响
本节描述了可以利用上述模型和新模型主动而不是被动地在供应链管理中做出运营决策的工具。
假设模拟
图1的模拟模块120可以进行“假设”模拟,这可以模拟如果过去在库存管理过程期间采取了不同的行动(例如,如果使用了不同的安全库存)则在特定时间段内会发生什么。模拟可以使用历史数据和/或建模的不确定性分布来模拟随机性。为了提供具体的示例,实现这种模拟框架的一种方法如下:
首先,模拟模块120可以获得与历史补货结果相关的数据。此类数据可以提供有关在设施如何管理不同零件库存的宝贵见解。此类数据可以包括(1)材料移动(例如,零件如何或何时被消耗或从可用库存移出或移至可用库存),(2)需求预测(每天、每周或每月,在产品或零件级别),(3)到货模式(例如,供应商如何履行其义务)。模拟模块120可以使用材料需求计划(MRP)算法来处理该数据以模拟在库存管理过程中改变不同参数的影响。
在一个示例中,模拟模块120可以研究改变物品的安全存货同时固定所有其他参数的影响。从模拟期开始时的一些初始库存开始,并且知道整个时期的需求预测,模拟模块120可以通过基于安全存货的新选择运行MRP算法来模拟该时期期间的库存管理过程。这样,并且知道材料移动历史,模拟模块120可以评估安全存货的新选择的稳健性和成本效益。因为模拟模块120改变了一些参数,所以它可以在此期间安排新的到达,这将不同于在历史数据中观察到的。但是,可能存在与供应商行为相关的不确定性。因此,为了使假设分析更加真实,模拟模块120还可以模拟供应商不确定性对新安排到达的影响。为此,可以将上述参数和非参数模型合并到模拟中。
这可以通过提取与历史数量和到达时间相关的不确定性来完成。这些不确定性可以使用经验分布或通过将合适的参数或非参数分布拟合到这些总体来表示。模拟模块120然后可以通过从这些分布中采样来模拟与每个新安排的到达相关联的不确定性。更具体地,假设在第t+5天有50个零件的安排的到达。模拟模块120可以通过从它们的相应分布中采样来模拟与该到达的数量和时间有关的不确定性。假设来自数量和时间不确定性的样本分别为10和2。模拟模块120可以模拟预定到达实际上已经在t+7天以数量40到达。注意,关于扰动的信息对于补货过程是未知的,直到它在时间t+5被实现。也就是说,在时间t+5将延迟的到达是已知的,但不会延迟太多。一旦在时间t+7预期在t+5时到达,只收到40个单位而不是50个。
该框架的实施可能是模块化的,可以结合不同的补货方法和不同的方式来模拟供应商或不确定移动的影响。此外,所提出的方法是一种用于模拟不确定性或进行时间回顾的假设模拟的方法。同样的方法也可以及时进行。主要区别在于,对于前瞻性情况,模拟模块120可以依赖于不确定性的预测模型来模拟不确定性。
模拟模块120还可以预测未来可能发生的事情。更具体地,考虑到库存变量中的特定不确定性,模拟模块120可以模拟将来会发生的事情。为此,模拟模块120可以使用上述不确定性模型来模拟不确定性并将这种不确定性注入库存管理过程。这种模拟的一个示例如下:
为了在未来运行MRP,在给定所有其他重新订购参数的情况下,一种通知库存管理过程的方法依赖于研究未来不确定性对未来/远期预测库存状况的影响。为此,模拟模块120可以首先以给定的重新排序参数选择运行MRP。然后MRP可以安排未来的到货以跟上需求预测并基于其他重新订购参数。假设没有不确定性,库存可能不会低于零。如果存在不确定性,则模拟模块120可以例如从由上述参数和非参数模型生成的它们对应的预测分布中采样时间和数量不确定性的序列。时间不确定性序列可用于扰动MRP的预定到达,数量不确定性序列可用于扰动需求预测(未来消费)和可用库存。不确定性序列的每种组合都可能导致库存概况受到干扰。对几个这样的不确定性序列组合重复这个过程可以为不同的不确定性对产生几个扰动的概况。这提供了预测库存概况的经验联合分布。该经验分布然后可以用于,例如,在考虑到的管理实践的情况下提供对获得的未来服务水平的估计。
所提出的模拟方法能够估计未来一段时间内的不同随机变量,其中包括库存和服务水平。这些模拟工具可以让用户做出更明智的决定,评估他们管理实践的变化,或者调整他们对未来的期望。
模拟模块120另外可以量化与向供应商下达的订单相关联的不确定性(例如,尚未达到其到期日的订单)和与设施接收的客户订单相关的不确定性。这可以从上一节中讨论的模型中受益,或者可能需要开发额外的模型。然后,这些使操作员能够以更主动而非被动的方式管理库存。
库存管理和优化
库存管理和优化可能涉及优化三类不同的变量:(1)制造商设置的变量,这些变量在不确定性来源方面提供鲁棒性,(2)关于与供应商互动的变量,包括订单时间和数量以及通过与供应商协商设置的控制供应商互动的其他参数(例如,订货交付期、最小订单数量等),以及(3)定义生产计划的变量,包括满足客户订单的生产计划和时间表。
关于(1),为了优化提供鲁棒性的变量,优化图1的优化模块130可以利用上一节中讨论的模拟方法。特别地,优化模块130s可以评估所考虑的变量值的不同组合的性能。
为此,优化模块130可以对过去的时期执行假设模拟。对于值的每个组合,优化模块130可以运行一系列模拟以评估组合的性能。性能标准可以是运营成本和获得的服务水平。为了选择要评估的组合,可以使用二分搜索、网格搜索、随机搜索或贝叶斯优化。
优化模块130可以替代地或附加地执行针对未来时期的前瞻性假设模拟。对于值的每个组合,优化模块130可以运行一系列模拟以评估组合的性能。性能标准可以是运营成本和获得的服务水平。优化模块130可以使用二分搜索、网格搜索、随机搜索或贝叶斯优化来挑选要评估的组合。
优化模块130可以替代地或附加地预测未来的随机库存变量。对于值的每个组合,我们可以运行一系列前向预测来评估组合的性能。性能标准可以是运营成本和获得的服务水平。优化模块130可以使用二分搜索、网格搜索、随机搜索或贝叶斯优化来挑选要评估的组合。在这种情况下,优化模块130可能不需要评估不同的组合并且能够从所获得的前向预测随机变量的分布中导出合适的组合。
可以以多种不同方式选择上述变量。例如,优化模块130可以使用选择规则或策略的不同组合来选择考虑的变量。这些规则可能是静态的,由某些参数进行参数化,例如order-up-to-policy,或者基于上面讨论的分位数模型。
在一个示例中,优化模块130可以优化安全存货和安全时间,并使用不同分位数模型的组合来量化不确定性和不同的时间不确定性模型,分别用于调整安全存货和安全时间。安全存货水平可能对应于为提供数量不确定性的鲁棒性而持有的过剩库存,而安全时间可能对应于用于缓解供应商可能的延迟或客户更改时间表的时间缓冲可以提供最小分副作用。
为了评估选择规则/策略的不同组合,我们可以使用上述的后视模拟、前视假设模拟和随机变量的前向投影。
优化模块130还可以使用不依赖于模拟方法的优化算法。为此,优化模块130可以用包括考虑的变量参数来参数化数学优化问题。这可能导致随机混合整数线性规划(MILP),它可以利用不确定性模型的输出来形成优化问题的目标函数的随机项或与之相关的随机约束,例如机会约束。要优化的成本可能是库存持有成本、订购成本、生产或运营成本、销售损失或实现的利润等。约束可能包括设施内的库存演变或运营约束(例如,编码BoM、补货过程约束和需求满足或管理约束。)
为了优化与供应商的交互相关的变量,包括订单数量和时间,优化模块130可以使用直接数学优化方法。这种优化通常在遗留MRP框架的情况下进行,这些框架缺乏必要的复杂性来处理与供应商交互的复杂性,因此被这种优化框架所取代。这通常会导致随机MILP,它可以利用来自不确定性模型的输出来形成优化问题的目标函数的随机项或与之相关的随机约束,例如,机会约束。要优化的成本可以是库存持有成本、订购成本、生产或运营成本、销售损失或实现的利润等。约束可以是或包括库存演变、设施内的运营约束、补货过程约束(例如,不是优化目标的任何补货约束),以及需求满足或管理约束。目标函数中涉及与供应商交互的约束和项可以编码与不同供应商的不同交互方法相关联的成本,以及与这些相关的规则(通常是条件和时变约束),例如,时变多列定价以及与取消或添加到现有未完成订单相关联的时间和许可。这种优化公式具有必要的灵活性,以联合优化这些变量和与鲁棒性相关的变量。
如果该问题的解决成本过高,则优化模块130可以分解问题并使用分布式算法来解决问题,或者同时解决松弛(通常导致随机LP)和这些问题的限制(投影技术)。这可以使系统能够提供问题的近似解,而且还可以量化近似解的次优程度。
对于定义生产计划(3)的变量,优化模块130还可以使用直接优化方法来优化关于生产计划和/或如何满足销售订单的变量。这通常也导致随机MILP,它可以利用上述不确定性模型的输出来形成优化问题的目标函数的随机项或与其相关联的随机约束,例如,机会约束。优化成本可以是库存持有成本、订购成本、生产或运营成本、销售损失或实现的利润等。约束可以是或包括库存演变、设施内的运营约束、明确编码补货过程框架的约束、并基于合同义务要求满足或管理约束。此类义务也可包含在成本函数中。目标函数中涉及与客户交互的约束和条款应清楚地编码与不同客户的不同交互方法及其相关合同义务相关的成本,其中可能包括与这些相关联的硬编码规则(通常是有条件和时变的约束),例如,对错过订单的时变惩罚或有关最迟可能交货日期的限制。约束也可能对生产过程中涉及的设备之间的交互进行编码,这可能不能简单地使用BoM表示。优化公式具有必要的灵活性,以联合优化这些变量以及有关鲁棒性和/或有关补货过程的变量。
这样的约束优化问题可以最小化成本函数,并且可以包括与材料订购机制或MRP(材料需求计划)算法有关的约束,例如库存约束、服务水平约束、到达窗口约束(例如,订单可以到达的一周中的天数)、订单大小限制(例如,最小订单大小和四舍五入值)、订购窗口限制(例如,不能下新订单期间的非活动或死时段)或其组合。约束优化问题的约束集可以帮助确定可以下订单的允许时间和数量。在一些实施方式中,服务水平约束包括库存满足需求要求(例如,没有经历缺货事件)的置信水平。例如,服务水平约束可以是大约90%、大约95%、大约98%或大约99%。服务水平约束可以对应于客户期望的服务水平。所需的服务水平可以是可配置的参数,并且可能因每个客户和每种材料而变化。
在一些实施方式中,最小化成本函数可以表示诸如库存持有成本、运输成本、缺货(例如,生产延迟)成本或其组合的成本。成本函数可以是可配置的并且可以随每个客户而变化。
约束优化问题可能是随机约束优化问题。例如,在企业必须使用当前实施的传统MRP解决方案的情况下,当前MRP算法可以被视为黑盒,并且约束优化问题可以使用黑盒优化算法来解决。优化算法可以使用任何合适的技术来解决优化问题,例如网格搜索、随机搜索、贝叶斯优化搜索或其组合。
在一些实施方式中,例如在企业不限于使用传统MRP解决方案的情况下,随机约束优化问题被公式化为混合整数线性规划(MILP)问题。MILP问题可以使用一个或多个线性机会约束对具有未来不确定性的变量建模。例如,可以通过联合优化库存和MRP(例如,下订单)来解决MILP问题。
如果该问题的解决成本过高,优化模块130可以分解问题并使用分布式算法来解决问题,或者同时解决松弛(通常导致随机LP)和这些问题的限制(投影技术)。
在清单数据集被优化之后,优化的清单数据集可以存储在数据库中。可以通过基于云的网络(例如,在位于一个或多个基于云的服务器上的数据库中)执行存储。
用于库存管理和优化的方法还可以包括基于优化的库存数据集生成一个或多个建议的库存管理决策。例如,可以确定优化库存数据集和参考库存数据集之间的差异,并且可以基于优化库存数据集和参考库存数据集之间确定的差异来生成建议的库存管理决策。在一些情况下,在优化库存数据集之后,用于库存管理和优化的方法还可以包括至少部分地基于优化的库存数据集生成中断风险和/或延迟风险的一个或多个警报。
图4示出了在一段时间(例如,大约6个月)内物品的库存水平的随机优化的示例。例如,在一段时间内的原始库存水平可以被配置为具有维持至少是原始安全存货水平的库存水平的高概率或置信度。作为另一示例,一段时间内的优化库存水平可以被配置为具有维持至少是优化安全存货水平的库存水平的高概率或置信度。由于优化的安全存货水平可能低于原始(未优化的)安全存货水平,企业可以通过将库存维持在优化的安全存货水平而不是原始安全存货水平,同时仍满足他们客户的合同要求,从而实现潜在的显着成本节约。
图5示出了一段时间内(例如,大约6个月)的历史库存移动(包括到货移动、消费移动和杂项移动)和总库存的示例。
图6示出了一段时间内(例如,大约6个月)库存优化的总体结果的示例。使用本文公开的用于库存管理和优化的系统和方法,制造商将库存成本降低了大约30%(当将优化的库存成本相对于原始库存成本进行比较时)并且实现了数亿美元的总成本节约。
多级库存优化(MEIO)
用于库存管理和优化的系统和方法可以应用于多级库存优化(MEIO),这通常是指优化供应链中所有节点的库存的问题。MEIO方法可以通过利用网络中节点之间的关系来整体优化跨网络的库存。例如,库存数据集可以包括单级库存(例如,对应于单个节点或设施)的库存变量,或者在MEIO方法的情况下的多级库存(例如,对应于具有多个节点或设施的供应链)。
MEIO可能使用与前面部分中描述的方法类似的方法,但进行了某些修改。这些修改主要涉及描述供应链中设施之间的连接和交互。
不确定性的统计建模
与供应链网络内不同来源的不确定性相关联的随机变量可以分为独立随机变量和从属随机变量。独立不确定性源可以以与上述类似的方式建模。然而,从属源主要来自独立源以及独立源如何影响从属源。这种从属结构通常使用概率图形模型(PGM)进行编码,例如,取决于从属假设的贝叶斯或马尔可夫网络。PGM结构受供应网络基于图形的表示的影响。在对不确定性的独立来源进行建模后,基于PGM的推理技术可用于预测不确定性的从属源的分布或统计特性。预测随机变量和模拟对库存管理的影响
类似于单个设施情况,模拟模块120可以在包括多个设施的供应链网络上进行假设模拟。假设模拟涉及如果供应链内的库存管理过程发生变化,例如,如果某个设施中的较大安全存货被纠察,则在过去的某个时期会发生什么。在此期间,我们可能使用历史实体和/或建模不确定性分布的组合来对模拟期间的随机性进行模拟。为了以连贯的方式进行模拟,可以遵循表示供应网络的图(例如,有向图)的结构。在一个示例中,假设供应链中每个设施使用的补货流程或MRP是已知的。然后从面向客户的设施开始并基于这些设施的需求预测(独立需求),模拟模块120可以产生从这些设施到它们的供应设施/节点的“从属”需求。然后通过网络传播,直到到达仅从供应网络外部的设施接收供应的设施/节点。这模拟了通过网络的反向传递,在该网络中,鉴于其从属和独立的需求,设施为其供应设施创造需求。模拟模块120然后可以通过网络进行前向传递以模拟网络中的供应过程。在前向传递期间,模拟模块120还可以模拟与网络中的供应边缘以及设施及其相关联的独立需求相关联的网络中的不确定性。对模拟期间的每个时间步重复此过程使我们能够完全模拟供应链的行为。因为这个过程是在过去一段时间内执行的,可以准确实现某些不确定性来源或不确定性模型输出可用于模拟系统中的不确定性。
这个过程也可以以类似的方式及时向前复制,其中系统可以依靠不确定性模型来模拟不确定性的影响。更具体地说,作为这种模拟方法的示例,可以遵循以下过程。
模拟模块120可以首先进行如上所述的供应链网络的反向传递。假设没有不确定性,所有设施都将能够供应其客户设施,并且没有设施将面临缺货。在不确定性的情况下,模拟模块120可以从时间和数量不确定性的相应预测分布中采样它们的序列。这需要通过网络运行多次前向传递并使用独立不确定性源的模型。具体地进行前向传递可能相当于从上一节中PGM定义的随机过程中进行采样。每次前向传递都会导致库存概况受到干扰。这反过来提供了预测库存概况的经验联合分布。然后可以使用这种经验分布,例如,在考虑到管理实践的情况下,提供对获得的未来服务水平的估计。
模拟模块120还能够计算可能发生在未来的前向预测。也就是说,假设了解供应链中每个设施所使用的补货流程或MRP,就可以模拟未来在存在不确定性的情况下会发生什么,并研究每个时间步骤处重新订购参数选择的有效性。
类似地,模拟模块120可以量化与向供应商下的订单相关联的不确定性(例如,尚未到达其到期日的订单)和与每个设施接收的客户订单相关联的不确定性。这可以从上一节中讨论的模型中受益,或者可能需要为每个连接的设施对开发额外的模型。然后,这些使每个设施的操作员能够以更主动而非被动的方式管理库存,同时具有还包含供应链结构的信息。
库存管理和优化
多级设置中的库存管理和优化还涉及针对单个设施讨论的三个不同类别的变量。
为了优化与鲁棒性相关的变量,优化模块130可以利用在前一节中讨论的模拟方法。特别地,优化模块130可以评估所考虑的变量值的不同组合的性能。优化模块130可以使模拟模块120运行过去一段时间的假设模拟、未来一段时间的前瞻性假设模拟以及随机变量的前向预测,例如,通过概率图模型理论提供的推理技术来促进。概率图模型可能包含一个图,其中节点表示设施,有向边(i,j)表示设施i可以提供设施j。例如,概率图模型可用于计算此类供应链网络在未来任何给定时间t的最佳预定到达时间,或网络中每个设施的最佳安全存货和安全时间。
概率图模型可以与基于数据驱动的机器学习的训练系统相结合。机器学习系统可用于训练模型以了解随机变量的分布如何随时间变化并预测未来的分布,如本文别处所述。然后可以使用概率图模型跨供应链中的节点传播信息,并了解跨供应链中节点的相互关系。
在不同设施处选择所考虑的变量可能类似于上述用于单一设施分析的过程。
优化模块130可以使用不依赖于模拟方法的优化算法。为此,优化模块130可以用包括考虑的变量的参数来参数化数学优化问题。这可能会导致随机MILP,它可以利用输出不确定性模型来形成优化问题的目标函数的随机项或与之相关联的随机约束,例如,机会约束。优化成本可能是跨供应链的库存持有成本、订购成本、生产或运营成本、销售损失或实现的利润等。约束可以是或包括每个设施的库存演变、每个设施内的操作约束(例如,编码某些设施的BoM)、编码供应链中设施之间交互的约束、补货过程约束和每个设施的需求满足或管理约束。
在该问题的解决成本过高的情况下,优化模块130可以分解问题并使用分布式算法来解决问题,或者同时解决这些问题的松弛(通常导致随机LP)和限制(投影技术)。这可以提供问题的近似解并且可以量化近似解的次优水平(例如,近似解离最优解有多远)。给定描述供应链的图的有向性质,优化模块130还可以采用近似动态规划来提供对MILP的近似解。
为了优化与供应链中设施之间的交互相关的变量,包括订单数量和时间,优化模块130可以实施直接的数学优化方法。这种优化通常在缺乏必要的复杂性来处理设施之间交互的复杂性的传统MRP框架情况下进行,因此被优化框架取代。此外,通过解决该优化,优化模块130可以设置具有供应链全视图的设施之间的交互。这可能会导致随机MILP,它可以利用模型输出的不确定性,以形成优化问题的目标函数的随机项或与其相关的随机约束,例如,机会约束。优化成本可以是或包括整个供应网络的库存持有成本、订购成本、生产或运营成本、销售损失或实现的利润等。约束可以是或包括每个设施的库存演变、每个设施内的操作约束、设施之间的补货过程限制(不是优化目标的任何补货限制)以及每个设施的需求满足或管理限制。目标函数中涉及设施之间交互的约束和项可以清楚地编码与节点之间不同交互方法相关联的成本,以及与这些相关联的规则(通常是条件和时变约束),例如,时变多列定价,以及与取消或添加到现有未完成订单相关联的时间和权限。优化公式可能具有必要的灵活性来联合优化这些变量和那些涉及鲁棒性的变量。
如果该问题的解决成本过高,则优化模块130可以分解该问题并使用分布式算法来解决该问题,或者同时解决这些问题的松弛(通常导致随机LP)和限制(投影技术)。这有助于提供问题的近似解,而且还可以量化近似解的次优水平。给定描述供应链的图的有向性质,优化模块130还可以采用近似动态规划来提供对MILP的近似解。
优化模块130还可以采用直接优化方法来优化与生产计划和/或如何满足供应链内不同设施的销售订单有关的变量。这通常可能导致随机MILP,它可以利用模型输出的不确定性来形成优化问题的目标函数的随机项或与之相关的随机约束,例如,机会约束。要优化的成本可能是整个供应链中的库存持有成本、订购成本、生产或运营成本、销售损失或实现的利润等。约束可以是或包括每个设施的库存演变、每个设施内的操作约束、清楚编码设施之间的补货过程框架的约束,以及基于节点与外部客户之间的合同义务的需求满足或管理约束。此类义务也可包括在成本函数中。目标函数中涉及与客户交互的约束和条款可以清楚地编码与不同客户的不同交互方法及其相关合同义务相关联的成本,其中可能包括与这些相关联的硬编码规则(通常是有条件和时变的约束),例如,对错过订单的时变惩罚或有关最迟可能交货日期的约束。约束还可以清楚地编码每个设施的生产过程内涉及的设备之间的相互作用,这可能不能简单地使用每个设施的BoM来表示。这种优化公式具有必要的灵活性,以联合优化这些变量以及与鲁棒性相关的变量和/或与补货过程相关的变量。
在该问题的解决成本过高的情况下,优化算法可能会分解问题并使用分布式算法来解决问题,或者同时解决这些问题的松弛(通常导致随机LP)和限制(投影技术)。这可以促进提供问题的近似解,而且还量化近似解的次优水平。给定描述供应链的图的有向性质,优化模块130还可以采用近似动态规划来提供MILP的近似解。
在MEIO问题中,底层的供应链网络可以定义全局图结构。图模型的局部结构可以通过优化问题中各种随机(例如,随机)变量之间的关系来定义,例如库存、需求预测、物料移动、供应商订单等。这些随机变量可能具有随机分布,其可能通常是时变的。
多级库存优化(MEIO)可以通过将单个设施的库存优化方法应用于网络中的每个设施来执行。例如,都观察了其历史供应商的行为、其需求预测的不确定性以及设施中的其他杂项行为的每个设施可以独立于网络中的其他设施优化其安全存货和安全时间。
在一些实施方式中,MEIO问题可以包括对供应链网络进行建模并使用贝叶斯优化来优化库存变量。例如,可以通过联合优化网络中所有设施的数量和时间不确定性来确定每个设施的最佳安全存货和安全时间值。安全存货可以是公司在库存中持有的额外数量的物品,以降低物品缺货的风险。安全时间可能是在未来延迟交货的情况下覆盖产品要求的时间缓冲。可以跨供应链中的节点创建可能的订单参数值网格,并且可以使用每个组合模拟系统以计算成本和服务水平。可以优化系统以获得参数的最佳组合,例如通过执行穷举网格搜索或随机搜索。然而,这种方法可能很昂贵。例如,如果具有N个节点的供应链网络中的每个节点为订单参数取10个可能的值,则要搜索的可能组合总数为10N。总组合列表很快就会变得非常大,无法评估和找到最佳组合。
替代地,可以使用贝叶斯优化来获得参数的最佳组合,同时降低计算复杂度。贝叶斯优化可以是指一种顺序技术,该技术建议在给定所有先前评估的组合的情况下评估下一个最佳组合。应用贝叶斯优化可以通过仅访问参数值的网格点的子集来实现最佳组合的计算。这种方法可能是有利的,并实现这样的好处,例如使用高斯过程模型作为基础模型,使用具有概率意义的采集函数,其提供关于解决方案质量的概率保证,通过适当修改所使用的内核使用来自当前时间的先前优化运行的评估数据点,以及如果超过计算时间或资源预算则为优化设置计算时间或资源预算并且安全中断。在最坏的情况下,可以预期贝叶斯优化方法的计算复杂度与网络中的设施数量呈指数关系。
计算机系统
本公开提供了被编程以实现本公开的方法的计算机系统。图7示出了计算机系统701,该计算机系统701被编程或以其他方式配置为实施本文提供的方法。
计算机系统701可以调节本公开的各个方面,例如,获得包括多个库存变量的库存数据集,将经过训练的算法应用于库存数据集以生成对具有未来不确定性的变量的预测,并对库存数据集应用优化算法以优化多个库存变量。计算机系统701可以是用户的电子设备或相对于电子设备位于远程的计算机系统。电子设备可以是移动电子设备。
计算机系统701包括中央处理单元(CPU,在此也称为“处理器”和“计算机处理器”)705,其可以是单核或多核处理器,也可以是多个处理器并行处理。计算机系统701还包括存储器或存储器位置710(例如,随机存取存储器、只读存储器、闪存)、电子存储单元715(例如,硬盘)、用于与一个或多个其他系统通信的通信接口720(例如,网络适配器)和外围设备725,例如高速缓存、其他存储器、数据存储和/或电子显示适配器。存储器710、存储单元715、接口720和外围设备725通过诸如母板的通信总线(实线)与CPU 705通信。存储单元715可以是用于存储数据的数据存储单元(或数据仓库)。计算机系统701可以在通信接口720的帮助下可操作地耦合到计算机网络(“网络”)730。网络730可以是因特网、内联网和/或外联网、或正在与因特网通信的内部网和/或外部网。
在一些情况下,网络730是电信和/或数据网络。网络730可以包括一个或多个计算机服务器,其可以实现分布式计算,例如云计算。例如,一个或多个计算机服务器可以启用网络730(“云”)上的云计算以执行本公开的分析、计算和生成的各个方面,例如获得包括多个库存变量的库存数据集,将训练的算法应用于库存数据集以生成对具有未来不确定性的变量的预测,并且将优化算法应用于库存数据集以优化多个库存变量。这种云计算可以由云计算平台提供,例如亚马逊网络服务(AWS)、微软Azure、谷歌云平台和IBM云。在某些情况下,在计算机系统701的帮助下,网络730可以实现对等网络,其可以使耦合到计算机系统701的设备能够充当客户端或服务器。
CPU705可以执行一系列机器可读指令,这些指令可以体现在程序或软件中。指令可以存储在存储器位置中,例如存储器710。指令可以被引导到CPU 705,CPU 705可以随后编程或以其他方式配置CPU 705以实现本公开的方法。CPU 705执行的操作的示例可以包括获取、解码、执行和写回。
CPU 705可以是电路的一部分,例如集成电路。系统701的一个或多个其他组件可以包括在电路中。在某些情况下,该电路是专用集成电路(ASIC)。
存储单元715可以存储文件,例如驱动程序、库和保存的程序。存储单元715可以存储用户数据,例如用户偏好和用户程序。在一些情况下,计算机系统701可以包括一个或多个位于计算机系统701外部的附加数据存储单元,例如位于通过内联网或因特网与计算机系统701通信的远程服务器上。
计算机系统701可以通过网络730与一个或多个远程计算机系统进行通信。例如,计算机系统701可以与用户的远程计算机系统进行通信。远程计算机系统的示例包括个人计算机(例如便携式PC)、平板计算机或平板PC(例如iPad、GalaxyTab)、电话、智能电话(例如iPhone、支持Android的设备、或个人数字助理。用户可以通过网络730访问计算机系统701。
如本文所述的方法可以通过存储在计算机系统701的电子存储位置上的机器(例如,计算机处理器)可执行代码来实现,例如存储在存储器710或电子存储单元715上。机器可执行或机器可读代码可以以软件的形式提供。在使用过程中,该代码可由处理器705执行。在某些情况下,该代码可从存储单元715中检索并存储在存储器710中以供处理器705随时访问。在某些情况下,可以排除电子存储单元715,并且机器可执行指令被存储在存储器710上。
代码可以被预编译和配置以与具有适于执行代码的处理器的机器一起使用,或者可以在运行时期间编译。代码可以以编程语言提供,可以选择该语言以使代码能够以预编译或编译后的方式执行。
在此提供的系统和方法的方面,例如计算机系统701,可以体现在编程中。该技术的各个方面可以被认为是“产品”或“制品”,其通常以机器(或处理器)可执行代码和/或相关数据的形式存在于或包含在一种机器可读介质中。机器可执行代码可以存储在电子存储单元上,例如存储器(例如,只读存储器、随机存取存储器、闪存)或硬盘。“存储”类型的介质可以包括计算机、处理器等或其相关模块的任何或所有有形存储器,例如各种半导体存储器、磁带驱动器、磁盘驱动器等,其可以随时提供非暂时性存储进行软件编程。软件的全部或部分有时可以通过因特网或各种其他电信网络进行通信。例如,这样的通信可以使软件能够从一个计算机或处理器加载到另一个计算机或处理器中,例如从管理服务器或主机计算机加载到应用服务器的计算机平台中。因此,可以承载软件元素的另一种类型的媒体包括光波、电波和电磁波,例如跨本地设备之间的物理接口、通过有线和光学陆线网络以及通过各种空中链路使用。承载这种波的物理元件,例如有线或无线链路、光链路等,也可以被认为是承载软件的介质。如本文所用,除非限于非暂时性、有形“存储”介质,诸如计算机或机器“可读介质”的术语是指参与向处理器提供指令以供执行的任何介质。
因此,机器可读介质,例如计算机可执行代码,可以采用多种形式,包括但不限于有形存储介质、载波介质或物理传输介质。非易失性存储介质包括例如光盘或磁盘,诸如任何计算机等中的任何存储设备,诸如可用于实现图中所示的数据库等。易失性存储介质包括动态存储器,例如此类计算机平台的主存储器。有形传输介质包括同轴电缆;铜线和光纤,包括构成计算机系统内总线的电线。载波传输介质可以采用电信号或电磁信号,或者声波或光波的形式,例如在射频(RF)和红外(IR)数据通信期间产生的那些。因此,常见形式的计算机可读介质包括例如:软盘、软盘、硬盘、磁带、任何其他磁介质、CD-ROM、DVD或DVD-ROM、任何其他光学介质、打孔卡纸磁带、任何其他带有孔洞图案的物理存储介质、RAM、ROM、PROM和EPROM、FLASH-EPROM、任何其他存储芯片或盒式磁带、传输数据或指令的载波、传输此类载体的电缆或链路,或任何其他计算机可以从中读取编程代码和/或数据的介质。许多这些形式的计算机可读介质可能涉及将一个或多个指令的一个或多个序列传送到处理器以供执行。
计算机系统701可以包括电子显示器735或与电子显示器735通信,该电子显示器735包括用户界面(UI)740。用户界面(UI)的示例包括但不限于图形用户界面(GUI)和基于网络的用户界面。例如,计算机系统可以包括配置为向用户显示例如BOM的基于网络的仪表板(例如GUI)。
本公开的方法和系统可以通过一种或多种算法来实现。算法可以在由中央处理单元705执行时通过软件来实现。该算法可以例如获得包括多个库存变量的库存数据集,将经过训练的算法应用于库存数据集以生成对具有未来不确定性的变量的预测,并对库存数据集应用优化算法以优化多个库存变量。
尽管已经针对其特定实施方式描述了描述,但是这些特定实施方式仅是说明性的,而非限制性的。示例中说明的概念可以应用于其他示例和实施方式。
虽然已经在本文中示出和描述了本发明的优选实施方式,但是对于本领域技术人员而言容易理解的是,仅通过示例的方式提供了这样的实施方式。并非意图通过说明书中提供的特定示例来限制本发明。尽管已经参考前述说明书描述了本发明,但是本文中的实施方式的描述和图示并不意味着以限制性的意义来解释。在不脱离本发明的情况下,本领域技术人员现在将想到许多改变,更改和替代。此外,应理解,本发明的所有方面不限于本文所阐述的具体描述,构造或相对比例,其取决于各种条件和变量。应当理解,本文所述的本发明的实施方案的各种替代方案可以用于实施本发明。因此,可以预期的是,本发明也将涵盖任何这样的替代,修改,改变或等同形式。旨在由以下权利要求书限定本发明的范围,并且由此涵盖这些权利要求书范围内的方法和结构及其等同物。
Claims (33)
1.一种系统,包括一个或多个计算机和存储指令的一个或多个存储设备,所述指令在由所述一个或多个计算机执行时使所述一个或多个计算机执行操作,所述操作包括:
接收包括多个库存变量的库存数据集,所述库存变量至少指示历史(i)库存水平、(ii)库存持有成本、(iii)供应商订单或(iv)随着时间的订货交付时间,其中所述多个库存变量的特征在于具有一个或多个未来不确定性水平;
使用经过训练的机器学习模型处理所述库存数据集以生成特征在于具有一个或多个未来不确定性水平的所述多个库存变量的预测,其中所述经过训练的机器学习模型已经在历史库存数据集上进行了训练;以及
将处理后的库存数据集提供给优化算法,其中所述优化算法用于预测一个或多个库存管理参数,所述库存管理参数导致实现目标服务水平的特定概率,同时最小化成本,并且其中所述优化算法包括一个或多个约束条件。
2.根据权利要求1所述的系统,其中所述操作还包括:
向所述优化算法提供当前库存水平和当前供应商订单数量;以及
使用所述优化算法,使得能够至少基于所述当前库存水平和所述当前供应商订单数量并在存在不同不确定性来源的情况下实现所述目标服务水平。
3.根据权利要求2所述的系统,其中所述操作还包括:
基于潜在不确定性的预测生成库存管理建议,目的是实现所述目标服务水平同时最小化运营成本。
4.根据权利要求3所述的系统,其中所述库存管理建议包括降低所述当前库存水平的建议。
5.根据权利要求3所述的系统,其中所述库存管理建议包括增加所述当前库存水平的建议。
6.根据权利要求3所述的系统,其中所述库存管理建议是实时、基本实时或准时生成的。
7.根据权利要求1所述的系统,其中所述一个或多个约束条件要求所述目标服务水平满足当前的、即将到来的或预期的需求要求,并且其中所述操作还包括:
使用成品的预测需求和所述成品的物料清单(BOM)计算所述当前的、即将到来的或预期的需求要求。
8.根据权利要求7所述的系统,其中所述BOM包括动态层级图。
9.根据权利要求1所述的系统,其中所述库存数据集包括内部数据和外部数据。
10.根据权利要求1所述的系统,其中所述库存数据集是从选自由智能设备、传感器、企业系统、超企业和互联网来源组成的组的多个不同来源接收的。
11.根据权利要求1所述的系统,其中所述多个库存变量还包括选自由到达移动、消耗移动、阻塞移动和工厂间移动组成的组的一个或多个库存移动。
12.根据权利要求1所述的系统,其中所述多个库存变量还包括需求预测、材料消耗、运输时间和运输成本中的一个或多个。
13.根据权利要求1所述的系统,其中所述经过训练的机器学习模型选自由支持向量机(SVM)、朴素贝叶斯分类器、线性回归模型、分位数回归模型、逻辑回归模型、随机森林模型、神经网络、高斯过程和狄利克雷过程组成的组。
14.根据权利要求1所述的系统,其中所述多个库存变量的预测包括所述多个库存变量的统计分布。
15.根据权利要求14所述的系统,其中所述统计分布包括一个或多个统计参数。
16.根据权利要求15所述的系统,其中所述一个或多个统计参数选自由中位数、均值、众数、方差、标准偏差、分位数、集中趋势的量度、方差、范围、最小值、最大值、四分位距和百分位数组成的组。
17.根据权利要求14所述的系统,其中所述统计分布是选自由高斯分布、伽马分布和泊松分布组成的组的参数或非参数分布。
18.根据权利要求1所述的系统,其中所述优化算法最小化成本函数。
19.根据权利要求1所述的系统,其中所述优化算法还包括选自由库存约束、服务水平约束、到达窗口约束、订单大小约束和订购窗口约束组成的组的约束条件。
20.根据权利要求1所述的系统,其中所述优化算法是随机约束优化算法。
21.根据权利要求20所述的系统,其中所述随机约束优化算法是混合整数线性规划(MILP)问题。
22.根据权利要求1所述的系统,其中所述优化算法包括选自由网格搜索、随机搜索和贝叶斯优化搜索组成的组的技术。
23.根据权利要求1所述的系统,其中所述库存数据集包括用于单梯队库存的多个库存变量,其中所述单梯队库存对应于单个节点或设施。
24.根据权利要求1所述的系统,其中所述优化算法被配置为执行多级库存优化(MEIO),其中所述库存数据集包括用于多级库存的多个库存变量,其中所述多级库存对应于包括多个节点或设施的供应链网络。
25.根据权利要求24所述的系统,其中所述优化算法被配置为使用所述供应链网络的概率图形模型对所述多个库存变量进行建模。
26.根据权利要求24所述的系统,其中所述优化算法被配置为使用贝叶斯优化来搜索关于所述供应链网络的感兴趣参数。
27.根据权利要求1所述的系统,其中所述优化算法最大化产品输出。
28.根据权利要求1所述的系统,其中所述优化算法使利润最大化。
29.根据权利要求1所述的系统,还包括提供模拟和预测工具,用于根据所述库存数据集预测未来的供需行为和未来的服务水平,以实现更好的管理实践。
30.一种方法,包括:
接收包括多个库存变量的库存数据集,所述库存变量至少指示历史(i)库存水平,(ii)库存持有成本,(iii)供应商订单,或(iv)随着时间的订货交付时间,其中所述多个库存变量的特征在于具有一个或多个未来不确定性水平;
使用经过训练的机器学习模型处理所述库存数据集以生成特征在于具有一个或多个未来不确定性水平的所述多个库存变量的预测,其中所述经过训练的机器学习模型已经在历史库存数据集上进行了训练;以及
将处理后的库存数据集提供给优化算法,其中所述优化算法用于预测一个或多个库存管理参数,所述库存管理参数导致实现目标服务水平的特定概率,同时最小化成本,并且其中所述优化算法包括一个或多个约束条件。
31.根据权利要求30所述的方法,还包括:
向所述优化算法提供当前库存水平和当前供应商订单数量;以及
使用所述优化算法能够至少基于所述当前库存水平和所述当前供应商订单数量并在存在不同不确定性来源的情况下实现所述目标服务水平。
32.一种或多种非暂时性计算机存储介质,其存储指令,当所述指令由一个或多个计算机执行时,所述指令可操作以使所述一个或多个计算机执行操作,包括:
接收包括多个库存变量的库存数据集,所述库存变量至少指示历史(i)库存水平,(ii)库存持有成本,(iii)供应商订单,或(iv)随着时间的订货交付时间,其中所述多个库存变量的特征在于具有一个或多个未来不确定性水平;
使用经过训练的机器学习模型处理所述库存数据集以生成特征在于具有一个或多个未来不确定性水平的所述多个库存变量的预测,其中所述经过训练的机器学习模型已经在历史库存数据集上进行了训练;以及
将处理后的库存数据集提供给优化算法,其中所述优化算法用于预测一个或多个库存管理参数,所述库存管理参数导致实现目标服务水平的特定概率,同时最小化成本,并且其中所述优化算法包括一个或多个约束条件。
33.根据权利要求32所述的一种或多种非暂时性计算机存储介质,其中所述操作还包括:
向所述优化算法提供当前库存水平和当前供应商订单数量;以及
使用所述优化算法,使得能够至少基于所述当前库存水平和所述当前供应商订单数量并在存在不同不确定性来源的情况下实现所述目标服务水平。
Applications Claiming Priority (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201862754466P | 2018-11-01 | 2018-11-01 | |
US62/754,466 | 2018-11-01 | ||
US16/506,672 | 2019-07-09 | ||
US16/506,672 US11620612B2 (en) | 2018-11-01 | 2019-07-09 | Systems and methods for inventory management and optimization |
PCT/US2019/059269 WO2020092846A1 (en) | 2018-11-01 | 2019-10-31 | Systems and methods for inventory management and optimization |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113228068A true CN113228068A (zh) | 2021-08-06 |
CN113228068B CN113228068B (zh) | 2024-02-23 |
Family
ID=70457827
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201980087611.5A Active CN113228068B (zh) | 2018-11-01 | 2019-10-31 | 用于库存管理和优化的系统和方法 |
Country Status (9)
Country | Link |
---|---|
US (2) | US11620612B2 (zh) |
EP (1) | EP3874429A4 (zh) |
JP (1) | JP7426388B2 (zh) |
KR (1) | KR20210116435A (zh) |
CN (1) | CN113228068B (zh) |
AU (1) | AU2019374101A1 (zh) |
CA (1) | CA3118316A1 (zh) |
SG (1) | SG11202104327XA (zh) |
WO (1) | WO2020092846A1 (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114139792A (zh) * | 2021-11-24 | 2022-03-04 | 成都飞机工业(集团)有限责任公司 | 一种基于贝叶斯网络的航空产品交货期风险动态预测方法 |
CN115965140A (zh) * | 2022-12-27 | 2023-04-14 | 北京航天智造科技发展有限公司 | 一种库存最优规划方法、系统、设备和存储介质 |
CN116362424A (zh) * | 2023-05-31 | 2023-06-30 | 苏州慧工云信息科技有限公司 | 物料需求自动优化管理方法、系统及存储介质 |
CN117151146A (zh) * | 2023-11-01 | 2023-12-01 | 山东泰宝信息科技集团有限公司 | 基于rfid支持的血液跟踪和实时库存管理系统 |
Families Citing this family (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11551184B2 (en) * | 2018-09-24 | 2023-01-10 | Salesforce, Inc. | Aggregated and distributed inventory availability |
US11004034B2 (en) * | 2019-02-06 | 2021-05-11 | Laundris Corporation | Inventory management system |
US11402809B2 (en) * | 2019-10-01 | 2022-08-02 | Microsoft Technology Licensing, Llc | Computing stochastic simulation control parameters |
US20210192430A1 (en) * | 2019-12-23 | 2021-06-24 | Northrop Grumman Systems Corporation | Forecasting inventory model system |
CN112085442B (zh) * | 2020-08-27 | 2023-12-22 | 太原市万尺云数智科技有限公司 | 设备操作方法、装置、电子设备和计算机可读介质 |
CN113762842B (zh) * | 2020-10-09 | 2023-12-05 | 北京京东振世信息技术有限公司 | 仓储调度方法、服务器和系统 |
US20220114310A1 (en) * | 2020-10-12 | 2022-04-14 | International Business Machines Corporation | Initiating a digital twin based on cognitive location and environmental impact |
CN113780913B (zh) * | 2020-11-20 | 2024-04-16 | 北京京东振世信息技术有限公司 | 一种安全库存信息的生成方法和装置 |
CN112884404B (zh) * | 2021-02-08 | 2023-09-05 | 中国科学技术大学 | 一种智能供应链库存中转优化及异动预警系统 |
US20220261712A1 (en) * | 2021-02-17 | 2022-08-18 | Indie Tech Limited | Methods and systems for time-variant variable prediction and management for supplier procurement |
CN113762874A (zh) * | 2021-03-04 | 2021-12-07 | 北京沃东天骏信息技术有限公司 | 确定目标履约网络的方法和装置 |
JP2022146437A (ja) * | 2021-03-22 | 2022-10-05 | 株式会社日立製作所 | 予防保守支援システム及び予防保守支援方法 |
CN113393041A (zh) * | 2021-06-21 | 2021-09-14 | 湖南大学 | 一种基于销量预测的零售领域供应链库存优化方法 |
CN113610474B (zh) * | 2021-08-16 | 2023-09-22 | 傲林科技有限公司 | 一种基于事件网的库存管理方法和管理系统 |
WO2023044484A1 (en) * | 2021-09-17 | 2023-03-23 | Laundris Coproration | Dynamic hospitality inventory management |
US20230101023A1 (en) * | 2021-09-17 | 2023-03-30 | C3.Ai, Inc. | Ai-based hyperparameter tuning in simulation-based optimization |
US20230162139A1 (en) * | 2021-11-24 | 2023-05-25 | Coupang Corp. | Systems and methods for inventory estimation |
KR102449350B1 (ko) * | 2021-12-31 | 2022-09-29 | 황성혜 | 재고 관리 서비스를 제공하는 시스템 및 그 동작 방법 |
US20230267484A1 (en) * | 2022-02-23 | 2023-08-24 | Jio Platforms Limited | System and methods for forecasting inventory |
CN114581012A (zh) * | 2022-03-08 | 2022-06-03 | 深圳市天人供应链管理有限公司 | 一种基于供应链管理的库存调整方法及系统 |
CN116542675B (zh) * | 2023-03-23 | 2023-10-17 | 上海朗晖慧科技术有限公司 | 一种结合地理空间信息的跨品类换货方案生成方法 |
CN116645033A (zh) * | 2023-06-02 | 2023-08-25 | 泉州市耀华信息技术有限公司 | 一种基于大数据的erp库存优化分析方法及系统 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5287267A (en) * | 1991-05-10 | 1994-02-15 | International Business Machines Corporation | Methods for parts procurement quantity determination where demand is uncertain for the product in which the parts are used |
US8428985B1 (en) * | 2009-09-04 | 2013-04-23 | Ford Motor Company | Multi-feature product inventory management and allocation system and method |
CN103400252A (zh) * | 2013-08-02 | 2013-11-20 | 华迪计算机集团有限公司 | 货物库存的管理方法和装置 |
US20140031966A1 (en) * | 2000-04-17 | 2014-01-30 | International Business Machines Corporation | Large Inventory-Service Optimization in Configure-To-Order Systems |
US20140122178A1 (en) * | 2012-10-30 | 2014-05-01 | Barnaby St. John Knight | Method for optimizing new vehicle inventory for a car dealership |
US20150254589A1 (en) * | 2014-03-04 | 2015-09-10 | Tata Consultancy Services Limited | System and Method to Provide Inventory Optimization in a Multi-Echelon Supply Chain Network |
CN105139090A (zh) * | 2015-08-25 | 2015-12-09 | 国网天津市电力公司 | 一种基于消耗预测的电力行业安全库存决策分析方法 |
CN105981059A (zh) * | 2013-12-20 | 2016-09-28 | 电子湾有限公司 | 库存管理 |
US20160364684A1 (en) * | 2015-06-15 | 2016-12-15 | Microsoft Technology Licensing, Llc | Incremental estimation for probabilistic forecaster |
CN106651258A (zh) * | 2016-12-14 | 2017-05-10 | 黑龙江农业工程职业学院 | 一种零售产品库存管理系统 |
US20170330123A1 (en) * | 2016-05-10 | 2017-11-16 | International Business Machines Corporation | System and method for setting inventory thresholds for offering and fulfillment across retail supply networks |
CN107563705A (zh) * | 2017-09-25 | 2018-01-09 | 四川长虹电器股份有限公司 | 利用大数据分析家电产品安全库存及再订货的系统和方法 |
US20180285902A1 (en) * | 2017-03-31 | 2018-10-04 | Walmart Apollo, Llc | System and method for data-driven insight into stocking out-of-stock shelves |
Family Cites Families (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7117130B1 (en) * | 2000-06-28 | 2006-10-03 | International Business Machines Corporation | Method for solving stochastic control problems of linear systems in high dimension |
US7398232B2 (en) | 2001-11-14 | 2008-07-08 | Sap Aktiengesellschaft | Inventory early warning agent in a supply chain management system |
CA2501902A1 (en) * | 2002-10-11 | 2004-04-22 | Invistics, Inc. | Systems and methods for planning, scheduling, and management |
US7499766B2 (en) | 2002-10-11 | 2009-03-03 | Invistics Corporation | Associated systems and methods for improving planning, scheduling, and supply chain management |
JP2007226718A (ja) * | 2006-02-27 | 2007-09-06 | Konica Minolta Holdings Inc | サプライチェーンの最適化支援方法 |
JP2009042810A (ja) * | 2007-08-06 | 2009-02-26 | Konica Minolta Holdings Inc | サプライチェーンの効率化支援方法 |
US9978026B1 (en) * | 2011-12-15 | 2018-05-22 | Jda Software Group, Inc. | Computation of optimal inventory targets in bill-of-materials in a multi-echelon supply chain |
WO2014097011A1 (en) * | 2012-12-19 | 2014-06-26 | S S Analytics Solutions Private Limited | A method and system for managing data units in a plurality of unit stores |
US10572890B2 (en) * | 2015-05-08 | 2020-02-25 | International Business Machines Corporation | Balancing inventory by personalized transition planning |
US20170185933A1 (en) * | 2015-06-14 | 2017-06-29 | Jda Software Group, Inc. | Distribution-Independent Inventory Approach under Multiple Service Level Targets |
US20180012166A1 (en) * | 2016-07-07 | 2018-01-11 | Pluto7 Consulting Inc. | Method and system for determining forecasts |
US10706386B2 (en) * | 2017-09-14 | 2020-07-07 | Sensormatic Electronics, LLC | Machine learning inventory management |
US11176589B2 (en) * | 2018-04-10 | 2021-11-16 | Ebay Inc. | Dynamically generated machine learning models and visualization thereof |
US11423295B2 (en) * | 2018-07-26 | 2022-08-23 | Sap Se | Dynamic, automated fulfillment of computer-based resource request provisioning using deep reinforcement learning |
EP3640873A1 (en) * | 2018-10-17 | 2020-04-22 | Tata Consultancy Services Limited | System and method for concurrent dynamic optimization of replenishment decision in networked node environment |
-
2019
- 2019-07-09 US US16/506,672 patent/US11620612B2/en active Active
- 2019-10-31 AU AU2019374101A patent/AU2019374101A1/en active Pending
- 2019-10-31 WO PCT/US2019/059269 patent/WO2020092846A1/en unknown
- 2019-10-31 KR KR1020217016594A patent/KR20210116435A/ko unknown
- 2019-10-31 CN CN201980087611.5A patent/CN113228068B/zh active Active
- 2019-10-31 CA CA3118316A patent/CA3118316A1/en active Pending
- 2019-10-31 EP EP19880403.1A patent/EP3874429A4/en active Pending
- 2019-10-31 JP JP2021523893A patent/JP7426388B2/ja active Active
- 2019-10-31 SG SG11202104327XA patent/SG11202104327XA/en unknown
-
2023
- 2023-04-04 US US18/130,423 patent/US20230351323A1/en active Pending
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5287267A (en) * | 1991-05-10 | 1994-02-15 | International Business Machines Corporation | Methods for parts procurement quantity determination where demand is uncertain for the product in which the parts are used |
US20140031966A1 (en) * | 2000-04-17 | 2014-01-30 | International Business Machines Corporation | Large Inventory-Service Optimization in Configure-To-Order Systems |
US8428985B1 (en) * | 2009-09-04 | 2013-04-23 | Ford Motor Company | Multi-feature product inventory management and allocation system and method |
US20140122178A1 (en) * | 2012-10-30 | 2014-05-01 | Barnaby St. John Knight | Method for optimizing new vehicle inventory for a car dealership |
CN103400252A (zh) * | 2013-08-02 | 2013-11-20 | 华迪计算机集团有限公司 | 货物库存的管理方法和装置 |
CN105981059A (zh) * | 2013-12-20 | 2016-09-28 | 电子湾有限公司 | 库存管理 |
US20150254589A1 (en) * | 2014-03-04 | 2015-09-10 | Tata Consultancy Services Limited | System and Method to Provide Inventory Optimization in a Multi-Echelon Supply Chain Network |
US20160364684A1 (en) * | 2015-06-15 | 2016-12-15 | Microsoft Technology Licensing, Llc | Incremental estimation for probabilistic forecaster |
CN105139090A (zh) * | 2015-08-25 | 2015-12-09 | 国网天津市电力公司 | 一种基于消耗预测的电力行业安全库存决策分析方法 |
US20170330123A1 (en) * | 2016-05-10 | 2017-11-16 | International Business Machines Corporation | System and method for setting inventory thresholds for offering and fulfillment across retail supply networks |
CN106651258A (zh) * | 2016-12-14 | 2017-05-10 | 黑龙江农业工程职业学院 | 一种零售产品库存管理系统 |
US20180285902A1 (en) * | 2017-03-31 | 2018-10-04 | Walmart Apollo, Llc | System and method for data-driven insight into stocking out-of-stock shelves |
CN107563705A (zh) * | 2017-09-25 | 2018-01-09 | 四川长虹电器股份有限公司 | 利用大数据分析家电产品安全库存及再订货的系统和方法 |
Non-Patent Citations (4)
Title |
---|
CHENG-LIANG CHEN ET AL: "Multi-objective optimization of multi-echelon supply chain networks with uncertain product demands and prices", 《COMPUTERS AND CHEMICAL ENGINEERING》, pages 1131 * |
刘星甫: "基于机器学习的库存优化问题研究 -以A企业为例", 《中国优秀硕士学位论文全文数据库信息科技辑》, pages 140 - 464 * |
刘瑾宸: "基于机器学习理论的R公司库存需求预测", 《中国优秀硕士学位论文全文数据库经济与管理科学辑》, pages 152 - 554 * |
徐亚萍: "基于遗传算法的供应链库存管理优化问题研究", 《中国优秀硕士学位论文全文数据库经济与管理科学辑》, pages 152 - 640 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114139792A (zh) * | 2021-11-24 | 2022-03-04 | 成都飞机工业(集团)有限责任公司 | 一种基于贝叶斯网络的航空产品交货期风险动态预测方法 |
CN115965140A (zh) * | 2022-12-27 | 2023-04-14 | 北京航天智造科技发展有限公司 | 一种库存最优规划方法、系统、设备和存储介质 |
CN116362424A (zh) * | 2023-05-31 | 2023-06-30 | 苏州慧工云信息科技有限公司 | 物料需求自动优化管理方法、系统及存储介质 |
CN116362424B (zh) * | 2023-05-31 | 2023-08-11 | 苏州慧工云信息科技有限公司 | 物料需求自动优化管理方法、系统及存储介质 |
CN117151146A (zh) * | 2023-11-01 | 2023-12-01 | 山东泰宝信息科技集团有限公司 | 基于rfid支持的血液跟踪和实时库存管理系统 |
CN117151146B (zh) * | 2023-11-01 | 2024-02-27 | 山东泰宝信息科技集团有限公司 | 基于rfid支持的血液跟踪和实时库存管理系统 |
Also Published As
Publication number | Publication date |
---|---|
CA3118316A1 (en) | 2020-05-07 |
US20230351323A1 (en) | 2023-11-02 |
KR20210116435A (ko) | 2021-09-27 |
AU2019374101A1 (en) | 2021-05-27 |
JP7426388B2 (ja) | 2024-02-01 |
US20200143313A1 (en) | 2020-05-07 |
US11620612B2 (en) | 2023-04-04 |
JP2022506494A (ja) | 2022-01-17 |
CN113228068B (zh) | 2024-02-23 |
EP3874429A1 (en) | 2021-09-08 |
EP3874429A4 (en) | 2022-04-20 |
WO2020092846A1 (en) | 2020-05-07 |
SG11202104327XA (en) | 2021-05-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113228068B (zh) | 用于库存管理和优化的系统和方法 | |
US20210390498A1 (en) | Systems and methods for inventory management and optimization | |
Qi et al. | Data‐driven research in retail operations—A review | |
Wang et al. | Improving inventory effectiveness in RFID-enabled global supply chain with Grey forecasting model | |
US20210158259A1 (en) | Orchestrated intelligent supply chain optimizer | |
US20230101023A1 (en) | Ai-based hyperparameter tuning in simulation-based optimization | |
US11687875B2 (en) | Distribution-independent inventory approach under multiple service level targets | |
US20230306347A1 (en) | Systems and methods for supply chain optimization with channel saliency | |
Meisel et al. | The design of Make-to-Order supply networks under uncertainties using simulation and optimisation | |
Tadayonrad et al. | A new key performance indicator model for demand forecasting in inventory management considering supply chain reliability and seasonality | |
Saraeian et al. | Adaptive control of criticality infrastructure in automatic closed-loop supply chain considering uncertainty | |
Nasiri et al. | Incorporating sales and marketing considerations into a competitive multi-echelon distribution network design problem with pricing strategy in a stochastic environment | |
US10586195B2 (en) | System and method for prescriptive analytics | |
Nekooie et al. | Supplier selection considering strategic and operational risks: a combined qualitative and quantitative approach | |
US20230186331A1 (en) | Generalized demand estimation for automated forecasting systems | |
Soltanisehat et al. | Assessing production fulfillment time risk: application to pandemic-related health equipment | |
US20230096633A1 (en) | Optimized tree ensemble based demand model | |
Modares et al. | A new vendor-managed inventory model by applying blockchain technology and considering environmental problems | |
US20210166177A1 (en) | Adjusting a master build plan based on events using machine learning | |
Chatzipanagiotou | Prediction-Based Resource Allocation in a Rolling-Horizon Framework Considering Activity Prioritization | |
WO2024030427A1 (en) | Automated ai-based planning, controlling, and replanning of multiple scenarios optimized in the supply chain and demand management | |
Zhang | Data Study Group Final Report: Morrisons | |
Maitra et al. | A Novel Approach with Monte-Carlo Simulation and Hybrid Optimization Approach for Inventory Management with Stochastic Demand | |
Toluevs | ILYA JACKSON | |
San Juan et al. | A data-driven target-oriented robust optimization framework: bridging machine learning and optimization under uncertainty |
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 |