CN113298323A - 确定配送量的方法、装置、电子设备、介质和程序产品 - Google Patents

确定配送量的方法、装置、电子设备、介质和程序产品 Download PDF

Info

Publication number
CN113298323A
CN113298323A CN202110762054.1A CN202110762054A CN113298323A CN 113298323 A CN113298323 A CN 113298323A CN 202110762054 A CN202110762054 A CN 202110762054A CN 113298323 A CN113298323 A CN 113298323A
Authority
CN
China
Prior art keywords
core
ith
demander
refers
expectation
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202110762054.1A
Other languages
English (en)
Inventor
张冰芳
陈永录
张儒
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.)
Industrial and Commercial Bank of China Ltd ICBC
Original Assignee
Industrial and Commercial Bank of China Ltd ICBC
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 Industrial and Commercial Bank of China Ltd ICBC filed Critical Industrial and Commercial Bank of China Ltd ICBC
Priority to CN202110762054.1A priority Critical patent/CN113298323A/zh
Publication of CN113298323A publication Critical patent/CN113298323A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] 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
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • G06Q10/083—Shipping
    • 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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • 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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0202—Market predictions or forecasting for commercial activities

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Educational Administration (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Biomedical Technology (AREA)
  • Genetics & Genomics (AREA)
  • Artificial Intelligence (AREA)
  • Physiology (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本公开提供一种确定配送量的方法、装置、电子设备、介质和程序产品，可应用于金融领域或其他领域。该方法包括：获取供应链的双目标预测模型，供应链由对象提供方和n个对象需求方构成，双目标预测模型用于表征n个对象需求方的利润总额和服务水平，n为大于1的整数；基于核心对象和关联对象在每个对象需求方的历史销量，获得核心对象的第一实际销量期望和关联对象的第二实际销量期望，关联对象与核心对象具有关联销售关系；以及在双目标预测模型的约束下，基于第一实际销量期望和第二实际销量期望，确定对象提供方分别向每个对象需求方配送核心对象的第一实际配送量和关联对象的第二实际配送量。

Description

确定配送量的方法、装置、电子设备、介质和程序产品
技术领域
本公开涉及供应链管理领域，特别是涉及一种确定配送量的方法、 装置、电子设备、介质和程序产品。
背景技术
交叉销售现象在电子商务等零售领域已被广为利用。比如，通过 数据挖掘技术构建出个性化推荐系统，根据用户以往的购物习惯来挖 掘商品之间的关联关系，从而实现交叉销售。而将交叉销售引入供应 链管理中供应商的库存决策问题起步相对较晚，尤其是针对“单供应 商-多零售商”问题的研究还比较有限，且未引入交叉销售因素，导致 供应链管理的效果不佳。
本部分旨在为权利要求书中陈述的本公开的实施方式提供背景或 上下文。此处的描述不因为包括在本部分中就承认是现有技术。
发明内容
有鉴于此，为了至少部分地克服相关技术在针对“单供应商-多零 售商”库存管理中所存在的上述技术问题，本公开提供了一种引入交 叉销售因素的确定配送量的方法、装置、电子设备、介质和程序产品。
为了实现上述目标，本公开的一个方面提供了一种确定配送量的 方法，该方法可以包括：获取供应链的双目标预测模型，上述供应链 由对象提供方和n个对象需求方构成，上述双目标预测模型用于表征 上述n个对象需求方的利润总额和服务水平，n为大于1的整数；基 于核心对象和关联对象在每个对象需求方的历史销量，获得上述核心 对象的第一实际销量期望和上述关联对象的第二实际销量期望，上述 关联对象与上述核心对象具有关联销售关系；以及在上述双目标预测 模型的约束下，基于上述第一实际销量期望和上述第二实际销量期望， 确定上述对象提供方分别向上述每个对象需求方配送上述核心对象的 第一实际配送量和上述关联对象的第二实际配送量。
根据本公开的实施例，上述基于核心对象和关联对象在每个对象 需求方的历史销量，获得上述核心对象的第一实际销量期望和上述关 联对象的第二实际销量期望可以包括：基于核心对象在每个对象需求 方的历史销量，确定上述核心对象在上述每个对象需求方的第一指标 参数，其中，上述第一指标参数包括需求均值、标准差、概率密度函 数和累积分布函数；基于关联对象在每个对象需求方的历史销量，确 定上述关联对象在上述每个对象需求方的第二指标参数，其中，上述 第二指标参数包括独立需求均值、标准差、有效需求概率密度函数和 累积分布函数；及至少根据上述第一指标参数和上述第二指标参数，获得上述核心对象的第一实际销量期望和上述关联对象的第二实际销 量期望。
根据本公开的实施例，上述至少根据上述第一指标参数和上述第 二指标参数，获得上述核心对象的第一实际销量期望和上述关联对象 的第二实际销量期望包括：可以通过以下公式来获得上述核心对象的 第一实际销量期望和上述关联对象的第二实际销量期望，
Figure BDA0003149381390000021
其中，E(min{Qi，Di})指的是核心对象在第i(i≤n)个对象需求方 的第一实际销量期望，
Figure BDA0003149381390000031
指的是关联对象在第i个对象需求 方的第二实际销量期望。核心对象、关联对象在第i个对象需求方的 独立需求Di、di均服从正态分布，
Figure BDA0003149381390000032
指的是关联对象在第i个对象需 求方的有效需求，Pi、pi分别指的是核心对象、关联对象在第i个对 象需求方的单价，Qi、qi分别指的是核心对象、关联对象在第i个对 象需求方的配送量，Ci、ci分别指的是核心对象、关联对象在第i个 对象需求方的单位采购成本，Bi、bi分别指的是核心对象、关联对象 在第i个对象需求方的单位运输成本，Ai、ai分别指的是核心对象、 关联对象在第i个对象需求方的批量运输成本，Yi、yi分别指的是核心 对象、关联对象在第i个对象需求方的市场选择，
Figure BDA0003149381390000033
指的是核心对象 在第i个对象需求方的需求均值，
Figure BDA0003149381390000034
指的是关联对象在第i个对象需 求方的独立需求均值，
Figure BDA0003149381390000035
分别指的是核心对象、关联对象在第i 个对象需求方的标准差，
Figure BDA0003149381390000036
指的是核心对象在第i个对象需求方的 概率密度函数，
Figure BDA0003149381390000037
指的是关联对象在第i个对象需求方的有效需求 概率密度函数，Pr(Di≤Qi)、Pr(Di≥Qi)指的是核心对象在第i个对象需 求方的累积分布函数，
Figure BDA0003149381390000038
指的是关联对象在第i个 对象需求方的累积分布函数，
Figure BDA0003149381390000039
指的是关联对象在第i个对象需 求方的需求关联系数，λi指的是核心对象和关联对象在第i个对象需 求方的关联系数。
根据本公开的实施例，获取的上述双目标预测模型可以表示为以 下公式，
Figure BDA00031493813900000310
其中，Fc(Q,q)指的是利润为正的对象在各对象需求方的利润总额， 即每个对象需求方的核心对象乘对应的市场选择Yi和关联对象乘对应 的市场选择qi加和得到的利润加和结果，Sc(Q,q)指的是实际产生配送 行为的各对象需求方的平均服务水平，核心对象、关联对象在第i个 对象需求方的独立需求Di、di均服从正态分布，
Figure BDA0003149381390000043
指的是关联对象在 第i个对象需求方的有效需求，Pi、pi分别指的是核心对象、关联对象 在第i个对象需求方的单价，Qi、qi分别指的是核心对象、关联对象在 第i个对象需求方的配送量，Ci、ci分别指的是核心对象、关联对象在 第i个对象需求方的单位采购成本，Bi、bi分别指的是核心对象、关联对象在第i个对象需求方的单位运输成本，Ai、ai分别指的是核心对象、 关联对象在第i个对象需求方的批量运输成本，Yi、yi分别指的是核心 对象、关联对象在第i个对象需求方的市场选择，E(min{Qi,Di})指的是 核心对象在第i(i≤n)个对象需求方的第一实际销量期望，
Figure BDA0003149381390000041
指的是关联对象在第i个对象需求方的第二实际销量期望。
根据本公开的实施例，可以通过以下公式来获得核心对象和关联 对象在第i个对象需求方的关联系数，
Figure BDA0003149381390000042
其中，λi指的是核心对象和关联对象在第i个对象需求方的关联 系数，TA指的是包含核心对象的交易记录中，平均每条交易记录中核 心对象出现的次数，TB指的是包含核心对象的交易记录中，平均每条 交易记录中关联对象出现的次数，m1指的是包含核心对象的交易模式 数，交易模式j的出现次数是tj，在该交易模式中，核心对象的购买 量为aj，m2指的是包含关联对象的交易模式数，交易模式k的出现次 数是tk，在该交易模式中，关联对象的购买量为bk。
根据本公开的实施例，上述在上述双目标预测模型的约束下，基 于上述第一实际销量期望和上述第二实际销量期望，确定上述对象提 供方分别向上述每个对象需求方配送上述核心对象的第一实际配送量 和上述关联对象的第二实际配送量可以包括：在上述双目标预测模型 的约束下，基于上述第一实际销量期望和上述第二实际销量期望，确 定上述对象提供方分别向上述每个对象需求方配送上述核心对象的第 一原始配送量和上述关联对象的第二原始配送量；获取上述核心对象 在上述每个对象需求方的第一选择变量和上述关联对象在上述每个对 象需求方的第二选择变量；基于上述第一选择变量和上述第一原始配 送量，确定上述第一实际配送量；以及基于上述第二选择变量和上述 第二原始配送量，确定上述第二实际配送量。
为了实现上述目标，本公开的另一个方面提供了一种确定配送量 的装置，该装置可以包括：第一获取模块，用于获取供应链的双目标 预测模型，上述供应链由对象提供方和n个对象需求方构成，上述双 目标预测模型用于表征上述n个对象需求方的利润总额和服务水平，n 为大于1的整数；第二获取模块，用于基于核心对象和关联对象在每 个对象需求方的历史销量，获得上述核心对象的第一实际销量期望和 上述关联对象的第二实际销量期望，上述关联对象与上述核心对象具 有关联销售关系；以及确定模块，用于在上述双目标预测模型的约束 下，基于上述第一实际销量期望和上述第二实际销量期望，确定上述对象提供方分别向上述每个对象需求方配送上述核心对象的第一实际 配送量和上述关联对象的第二实际配送量。
为了实现上述目标，本公开的另一方面提供了一种电子设备，包 括：一个或多个处理器，存储器，用于存储一个或多个程序，其中， 当上述一个或多个程序被上述一个或多个处理器执行时，使得上述一 个或多个处理器实现如上所述的确定配送量的方法。
为了实现上述目标，本公开的另一方面提供了一种计算机可读存 储介质，存储有计算机可执行指令，上述指令在被执行时用于实现如 上所述的确定配送量的方法。
为了实现上述目标，本公开的另一方面提供了一种计算机程序， 上述计算机程序包括计算机可执行指令，上述指令在被执行时用于实 现如上所述的确定配送量的方法。
根据本公开的实施例提供的在针对“单供应商-多零售商”库存管 理中确定配送量的方法，可以至少部分地解决/减轻/抑制/甚至避免未 引入交叉销售因素，导致供应链管理的效果不佳问题，并因此可以实 现未考虑交叉销售因素，提高供应链的管理效果。
附图说明
通过参考附图阅读下文的详细描述，本公开示例性实施方式的上 述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性 而非限制性的方式示出了本公开的若干实施方式，其中：
图1示意性示出了适用于本公开实施例的确定配送量的方法、装置、 电子设备、介质和程序产品的应用场景；
图2示意性示出了根据本公开实施例的确定配送量的方法的流程图；
图3示意性示出了根据本公开实施例的一参数灵敏度分析效果图；
图4示意性示出了根据本公开实施例的另一参数灵敏度分析效果图；
图5示意性示出了根据本公开实施例的确定配送量的装置的框图；
图6示意性示出了根据本公开实施例的适于实现上文描述的确定配 送量的方法的计算机可读存储介质产品的示意图；以及
图7示意性示出了根据本公开实施例的适于实现上文描述的确定配 送量的方法的电子设备的框图。
在附图中，相同或对应的标号表示相同或对应的部分。
应该注意的是，附图并未按比例绘制，并且出于说明目的，在整个 附图中类似结构或功能的元素通常用类似的附图标记来表示。
具体实施方式
以下，将参照附图来描述本公开的实施例。但是应该理解，这些描 述只是示例性的，而并非要限制本公开的范围。在下面的详细描述中， 为便于解释，阐述了许多具体的细节以提供对本公开实施例的全面理解。 然而，明显地，一个或多个实施例在没有这些具体细节的情况下也可以 被实施。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本公开的概念。
在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本公 开。在此使用的术语“包括”、“包含”等表明了上述特征、步骤、操作 和/或部件的存在，但是并不排除存在或添加一个或多个其他特征、步骤、 操作或部件。在此使用的所有术语(包括技术和科学术语)具有本领域 技术人员通常所理解的含义，除非另外定义。应注意，这里使用的术语应解释为具有与本说明书的上下文相一致的含义，而不应以理想化或过 于刻板的方式来解释。
在使用类似于“A、B和C等中至少一个”这样的表述的情况下， 一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释 (例如，“具有A、B和C中至少一个的系统”应包括但不限于单独具 有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和 C、和/或具有A、B、C的系统等)。在使用类似于“A、B或C等中至 少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常 理解该表述的含义来予以解释(例如，“具有A、B或C中至少一个的 系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A 和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。
附图中示出了一些方框图和/或流程图。应理解，方框图和/或流程 图中的一些方框或其组合可以由计算机程序指令来实现。这些计算机程 序指令可以提供给通用计算机、专用计算机或其他可编程确定配送量的 装置的处理器，从而这些指令在由该处理器执行时可以创建用于实现这 些方框图和/或流程图中所说明的功能/操作的装置。本公开的技术可以 硬件和/或软件(包括固件、微代码等)的形式来实现。另外，本公开的 技术可以采取存储有指令的计算机可读存储介质上的计算机程序产品 的形式，该计算机程序产品可供指令执行系统使用或者结合指令执行系 统使用。
在本公开中，需要理解的是，本公开所涉及的术语包括交叉销售、 交叉销售系数、供应商管理库存、整数线性规划、遗传算法、以及帕 累托最优。交叉销售指的是借助客户关系管理(Customer Relationship Management，CRM)，挖掘现有顾客的多种需求，并通过满足其需求 而实现销售多种相关服务或产品的一种新兴营销方式。简而言之，就 是向拥有本公司A产品的客户推销本公司的B产品。其中，A产品是 核心产品，B产品是其关联产品。比如，某客户购买了一款笔记本电 脑，则其可能同时有购买移动硬盘或无线鼠标的需求。交叉销售系数 指定是假设有一个供应商向n(n>0)个零售商提供两种存在交叉销售 关系的产品，即核心产品和关联产品，在第i(i≤n)个零售商处， 核心产品和关联产品之间的交叉销售系数是λi(λi≥0)，即每销售一 单位核心产品所带动的关联产品的销量。供应商管理库存(Vendor Managed Inventory，VMI)指的是一种以用户和供应商双方都获得最 低成本为目的，在一个共同的协议下由供应商管理库存，并不断监督 协议执行情况和修正协议内容，使库存管理得到持续地改进的合作性 策略。在供应链管理领域中，VMI介于采购商和供应商之间，可以有 效消除不必要的库存，减少资金占用和积压，提高对采购商需求的反 应速度，提高整条供应链的效率。它体现了基于供应链上各个企业合 作机制下的采购、供应模式的创新。整数线性规划指的是将规划中的 全部，或部分变量限制为整数的优化模型。若在线性模型中，将变量 限制为整数，则称为整数线性规划。遗传算法(GeneticAlgorithm， GA)指的是模拟达尔文生物进化论中自然选择和遗传学机理生物进化 过程的计算模型，是一种模拟自然进化过程的最优解搜索方法。其主 要特点是：直接操作结构对象，不存在求导和函数连续性限定；具有 内在隐并行性和较好全局寻优能力；采用概率化的寻优方法，不需要 确定规则就能自动获取和指导优化的搜索空间，自适应调整搜索方向。 该算法利用计算机仿真运算，将问题求解过程转换成类似生物进化中 染色体基因的选择、交叉、变异等过程。在求解较复杂组合优化问题 时，相对一些常规优化算法，具有一定效率和效果优势，目前已被广 泛应用于组合优化、机器学习、信号处理、自适应控制和人工生命等 领域。帕累托最优由意大利经济学家帕累托提出，指的是具有以下性 质的资源配置状态，即任何形式的资源重新配置，都不可能使至少一 人受益而又不使其他任何人受到损害。通常把能使至少一人境况变好 而没有人境况变坏的资源重新配置称为帕累托改进，所以帕累托最优 状态也就是已不再存在帕累托改进的资源配置状态。
Pasandideh等人考虑到“单供应商-单零售商”的两级供应链模型， 并允许缺货情况的发生，滞后的订单不会被取消，开发出了一种分析 模型，以探索重要供应链参数对协作计划所实现的成本节约情况的影 响，对比了在引入VMI之前和引入VMI之后的库存管理时间，通过 三组数值模拟实验得出的结果表明：VMI下的经济订货批量模型 (EconomicOrder Quantity，EOQ)模型，在产品发生缺货的时候，VMI 策略的实施只有在特定情况下才能降低供应链的总成本。换句话说， 通过实施VMI等协作计划所带来的成本节约，在没有限制的情况下无 法实现供应链中公司之间的信息共享和集成。Choudhary和Shankar 研究了面临来自最终用户的需求随时间变化的供应链的“单周期不确 定”问题，利用混合整数线性规划，分析比较了在全面信息共享 (Information Sharing，IS)的前提下，引入和不引入各成员独立决策 VMI时，供应商、零售商和整个系统的收益。
交叉销售现象在电子商务等零售领域已经被广泛利用。例如通过 数据挖掘技术构建出个性化推荐系统，根据用户以往的购物习惯来挖 掘出商品之间的关联关系，从而实现交叉销售。而相关技术无论在“供 应商-单零售商”，还是在“单供应商-多零售商”的两级供应链模型中 均未考虑交叉销售因素。
因此，本公开提供了一种确定配送量的方法，包括实际销量期望 的获得过程和实际配送量的确定过程。其中在实际销量期望的获得过 程中，首先获取供应链的双目标预测模型，供应链由对象提供方和n 个对象需求方构成，双目标预测模型用于表征n个对象需求方的利润 总额和服务水平，n为大于1的整数，然后基于核心对象和关联对象 在每个对象需求方的历史销量，获得核心对象的第一实际销量期望和 关联对象的第二实际销量期望，关联对象与核心对象具有关联销售关 系。在实际销量期望的获得过程完成之后，在双目标预测模型的约束 下，基于第一实际销量期望和第二实际销量期望，确定对象提供方分 别向每个对象需求方配送核心对象的第一实际配送量和关联对象的第 二实际配送量。
由于本公开提供的配送量的确定方法，在确定对象提供方向每个 对象需求方的实际配送量时，基于表征n个对象需求方的利润总额和 服务水平的约束下，不仅仅准确地预测出核心对象的实际配送量，还 更加准确地预测出与核心对象具有关联关系的关联对象的实际配送量， 在提升服务水平的同时可以优化总体利润。
需要说明的是，本公开提供的确定配送量的方法、装置、电子设 备、介质和程序产品可用于金融领域中，也可用于除金融领域之外的 任意领域中。因此，对本公开所提供的确定配送量的方法、装置、电 子设备、介质和程序产品的应用领域不做限定。
图1示意性示出了适用于本公开实施例的确定配送量的方法、装 置、电子设备、介质和程序产品的应用场景100。需要注意的是，图1 所示仅为可应用本公开实施例的应用场景的示例，以帮助本领域技术人 员理解本公开的技术内容，但并不意味着本公开实施例不可以用于其他 设备、系统、环境或场景。
如图1所示，该应用场景100适用于由对象提供方101和对象需求 方102所共同组成的针对目标对象103的供应链。该应用场景100中的 供应链采用的决策方式为集中式，本公开规定对象提供方101和对象需 求方102是一对多的关系，即，对象需求方102包含n个(n为大于1 的整数)对象需求方，分别为对象需求方1021，对象需求方1022，…， 对象需求方102n，这样一个对象提供方101可以分别向n个对象需求方 供应目标对象103。由于本公开考虑到交叉销售的因素，因此目标对象 103可以包括核心对象1031和关联对象1032，其中核心对象1031和关 联对象1032是存在交叉销售关系的对象，例如核心对象1031可以为笔记本电脑，关联对象1032可以为与笔记本电脑有交叉销售关系的鼠标。
在本公开中，对象提供方101作为目标对象103的提供方，一方面 作为生产商负责在特定产能的限制下生产包括核心对象1031和关联对 象1032这两种存在交叉销售关系的目标对象103，另一方面作为供应商 负责向位于周边多座城市的对象需求方102(包括对象需求方1021，对 象需求方1022，…，对象需求方102n)配送包括核心对象1031和关联 对象1032这两种存在交叉销售关系的目标对象103。由于对象提供方 101与对象需求方102之间的配送距离、单位配送价格存在差异性，导 致对象提供方101和对象需求方102之间的运输成本也存在差异性。
在本公开中，对象需求方102作为目标对象103的需求方，主要负 责销售包括核心对象1031和关联对象1032这两种存在交叉销售关系的 目标对象103。需要说明的是，对象需求方102和市场是一对一的关系， 即，一个对象需求方面向一个市场，所以每个对象需求方主要负责在该 城市所对应的市场来销售包括核心对象1031和关联对象1032这两种存在交叉销售关系的目标对象103。由于城市个体之间存在差异性，在市 场竞争的激烈程度、对象需求的波动性、对象品牌的认可度等诸多因素 的影响作用下，导致每个对象需求方所面临的市场存在差异性，使得每 个对象需求方所处城市的市场对核心对象1031和/或关联对象1032的独 立需求量、单位销售价格、交叉销售系数等因素也存在差异性。同时， 对象提供方101与每个对象需求方之间往往根据不同的市场而采取不同 的价格政策，所以每个对象需求方的协议进货价格也存在差异性。
在如上所述的应用场景100中，作为“单提供方-多需求方”的两 极供应链模型，整个供应链的总体利润包括对象提供方101获得的利润 和对象需求方102获得的利润。其中对象提供方101通过生产目标对象 103，并向n个对象需求方中的一个或者多个对象需求方配送一定数量 的目标对象103来获得其利润，对象需求方102获得的利润为每个对象 需求方获得的利润之和，每个对象需求方通过将对象提供方101配送过 来的一定数量的目标对象103销售出去部分或者全部来获得其利润。在 对象提供方101向每个对象需求方配送核心对象1031和/或关联对象 1032时，对象提供方101的实际配送量与每个对象需求方的实际需求量 将影响供应链的总体利润。具体地，在对象提供方101向某一对象需求 方配送的核心对象1031和/或关联对象1032的实际配送量大于某一对象 需求方对核心对象1031和/或关联对象1032的实际需求量的情况下，在 该对象需求方处将会出现核心对象1031和/或关联对象1032供大于求的 情况，由于对象提供方101配送过多的核心对象1031和/或关联对象 1032耗费过高的运输成本，在一定程度上损失了对象提供方101获得的 利润，对对象提供方101来说是非常不利的。相应地，在对象提供方101 向某一对象需求方配送的核心对象1031和/或关联对象1032的实际配送 量小于某一对象需求方对核心对象1031和/或关联对象1032的实际需求 量的情况下，在该对象需求方处将会出现核心对象1031和/或关联对象 1032供不应求的情况，由于该对象需求方没有足够数量的核心对象1031 和/或关联对象1032进行销售，在一定程度上损失了该对象需求方获得 的利润，对该对象需求方来说是非常不利的，这是个十分脑人的问题。
如上所述的问题，对象提供方101在向对象需求方102配送核心对 象1031和关联对象1032的时候，对每个对象需求方的实际配送量，对 减少对象需求方出现缺货的情况，对象提供方101和对象需求方102双 方都获得最低的成本，供应链的总体利润达到较高水平是至关重要的。 本公开正是在如上所述的问题背景下，建立最优化模型，确定对象提供方101向每个对象需求方配送核心对象1031和关联对象1032的实际配 送量，以期按照实际配送量来配送核心对象1031和关联对象1032时， 可以减少任一对象需求方出现缺货的情况，同时对象提供方101和对象 需求方102双方都获得最低的成本，供应链的总体利润达到较高水平。
下面将结合图2～图4，详细阐明本公开实施例的确定配送量的方法 和参数灵敏度的分析效果。
图2示意性示出了根据本公开实施例的确定配送量的方法的流程图。
如图2所示，该方法200可以包括操作S210～操作S230。
在操作S210，获取供应链的双目标预测模型，供应链由对象提供 方和n个对象需求方构成，双目标预测模型用于表征n个对象需求方 的利润总额和服务水平，n为大于1的整数。
根据本公开的实施例，利润与独立需求、单位销售价格、单位采 购成本、单位运输成本、批量运输成本、决策变量有关，服务水平与 决策变量有关。供应链中的对象提供方可以是生成商，对象需求方可 以是零售商。
在具体实施时，独立需求指的是各零售商结点处对核心产品的独 立需求以及对关联产品的独立需求，单位销售价格指的是各零售商结 点处针对核心产品的单位销售价格以及针对关联产品的单位销售价格， 单位采购成本指的是各零售商结点处针对核心产品的单位采购成本以 及针对关联产品的单位采购成本，单位运输成本指的是各零售商结点 处针对核心产品的单位运输成本以及针对关联产品的单位运输成本， 批量运输成本指的是各零售商结点处针对核心产品的批量运输成本以 及针对关联产品的批量运输成本。决策变量可以包括配送量和市场选 择，配送量指的是各零售商结点处针对核心产品的实际配送量以及关 联产品的实际配送量，市场选择指的是各零售商结点处核心产品的市 场选择以及关联产品的市场选择
在操作S220，基于核心对象和关联对象在每个对象需求方的历史 销量，获得核心对象的第一实际销量期望和关联对象的第二实际销量 期望，关联对象与核心对象具有关联销售关系。
根据本公开的实施例，考虑到交叉销售的因素，ai交叉销售系数 (指的是各零售商结点i处针对核心产品和关联产品的λi)、需求关联 系数(指的是各零售商结点i处的ρi)、以及零售商总数(n，n为大于 1的正整数)。在本公开中，Yi和yi的取值可以是0或1。具体地，若选 择配送核心产品，则Yi取1，反之Yi取0。若选择配送关联产品，则yi取 1，反之yi取0。需要说明的是，在本公开中对对象提供方生产核心产 品和关联产品的能力不做约束，因此产能为∞。
在操作S230，在双目标预测模型的约束下，基于第一实际销量期 望和第二实际销量期望，确定对象提供方分别向每个对象需求方配送 核心对象的第一实际配送量和关联对象的第二实际配送量。
根据本公开的实施例，在双目标预测模型的约束下，对象提供方 分别向每个对象需求方配送核心对象的第一实际配送量和关联对象的 第二实际配送量使得利润总额最高，且服务水平最高。
通过本公开的实施例，在针对“单供应商-多零售商”库存管理中 确定配送量的方法，可以至少部分地解决/减轻/抑制/甚至避免未引入 交叉销售因素，导致供应链管理的效果不佳问题，并因此可以实现未 考虑交叉销售因素，提高供应链的管理效果。
作为一种可选的实施例，基于核心对象和关联对象在每个对象需 求方的历史销量，获得核心对象的第一实际销量期望和关联对象的第 二实际销量期望可以包括：基于核心对象在每个对象需求方的历史销 量，确定核心对象在每个对象需求方的第一指标参数，其中，第一指 标参数包括需求均值、标准差、概率密度函数和累积分布函数；基于 关联对象在每个对象需求方的历史销量，确定关联对象在每个对象需 求方的第二指标参数，其中，第二指标参数包括独立需求均值、标准 差、有效需求概率密度函数和累积分布函数；以及至少根据第一指标 参数和第二指标参数，获得核心对象的第一实际销量期望和关联对象 的第二实际销量期望。
作为一种可选的实施例，至少根据第一指标参数和第二指标参数， 获得核心对象的第一实际销量期望和关联对象的第二实际销量期望包 括：通过以下公式来获得核心对象的第一实际销量期望和关联对象的 第二实际销量期望，
Figure BDA0003149381390000141
其中，E(min{Qi,Di})指的是核心对象在第i(i≤n)个对象需求方 的第一实际销量期望，
Figure BDA0003149381390000151
指的是关联对象在第i个对象需求 方的第二实际销量期望。核心对象、关联对象在第i个对象需求方的 独立需求Di、di均服从正态分布，
Figure BDA0003149381390000152
指的是关联对象在第i个对象需 求方的有效需求，Pi、pi分别指的是核心对象、关联对象在第i个对 象需求方的单价，Qi、qi分别指的是核心对象、关联对象在第i个对 象需求方的配送量，Ci、ci分别指的是核心对象、关联对象在第i个 对象需求方的单位采购成本，Bi、bi分别指的是核心对象、关联对象 在第i个对象需求方的单位运输成本，Ai、ai分别指的是核心对象、 关联对象在第i个对象需求方的批量运输成本，Yi、yi分别指的是核心 对象、关联对象在第i个对象需求方的市场选择，
Figure BDA0003149381390000153
指的是核心对象 在第i个对象需求方的需求均值，
Figure BDA0003149381390000154
指的是关联对象在第i个对象需 求方的独立需求均值，
Figure BDA0003149381390000155
分别指的是核心对象、关联对象在第i 个对象需求方的标准差，
Figure BDA0003149381390000156
指的是核心对象在第i个对象需求方的 概率密度函数，
Figure BDA0003149381390000157
指的是关联对象在第i个对象需求方的有效需求 概率密度函数，Pr(Di≤Qi)、Pr(Di≥Qi)指的是核心对象在第i个对象需 求方的累积分布函数，
Figure BDA0003149381390000158
指的是关联对象在第i个 对象需求方的累积分布函数，
Figure BDA0003149381390000159
指的是关联对象在第i个对象需 求方的需求关联系数，λi指的是核心对象和关联对象在第i个对象需 求方的关联系数。
根据本公开的实施例，需求均值指的可以是需求平均数，是用于 表征需求数据集中趋势的量数，在具体实施时，可以利用一组数据中 所有需求数据之和再除以这组数据中需求数据的个数。可选地，一组 数据可以基于核心对象和关联对象在每个对象需求方的历史销量数据 中获得。标准差(Standard Deviation)是离均差平方的算术平均数(即： 方差)的算术平方根。标准差也被称为标准偏差，或者实验标准差， 在概率统计中最常使用作为统计分布程度上的测量依据，用于反映一 组数据离散程度最常用的一种量化形式，是表示精确度的重要指标。 标准差是方差的算术平方根。可以理解的是，标准差能反映一个数据 集的离散程度。平均数相同的两组数据，标准差未必相同。一个正态 分布的总体，抽取多个作为样本，可以得到样本平均值，用样本均值 估计总体均值需要考虑样本均值的方差或标准差。在数学中，连续型 随机变量的概率密度函数是一个描述这个随机变量的输出值，在某个 确定的取值点附近的可能性的函数。而随机变量的取值落在某个区域 之内的概率则为概率密度函数在这个区域上的积分。当概率密度函数 存在的时候，累积分布函数是概率密度函数的积分。累积分布函数 (Cumulative Distribution Function)，又叫分布函数，是概率密度函数的 积分，能完整描述一个实随机变量的概率分布。
需要说明的是，在考虑交叉销售的情况下，由于零售商结点处的 核心产品对关联产品的销售起到一定的带动作用，关联产品的实际需 求
Figure BDA0003149381390000161
也称为有效需求，可以通过以下公式(2)获得：
Figure BDA0003149381390000162
其中，di指的是不考虑交叉销售时关联产品的独立需求，λi指的是 核心对象和关联对象在第i个对象需求方的关联系数，Qi指的是核心 对象在第i个对象需求方的配送量。
作为一种可选的实施例，预先构建的、获取的双目标预测模型表 示为以下公式(3)：
Figure BDA0003149381390000163
其中，Fc(Q,q)指的是利润为正的对象在各对象需求方的利润总额， 即每个对象需求方的核心对象乘对应的市场选择Yi和关联对象乘对应 的市场选择qi加和得到的利润加和结果，Sc(Q,q)指的是实际产生配送 行为的各对象需求方的平均服务水平，核心对象、关联对象在第i个 对象需求方的独立需求Di、di均服从正态分布，
Figure BDA0003149381390000171
指的是关联对象在 第i个对象需求方的有效需求，Pi、pi分别指的是核心对象、关联对象 在第i个对象需求方的单价，Qi、qi分别指的是核心对象、关联对象在 第i个对象需求方的配送量，Ci、ci分别指的是核心对象、关联对象在 第i个对象需求方的单位采购成本，Bi、bi分别指的是核心对象、关联对象在第i个对象需求方的单位运输成本，Ai、ai分别指的是核心对象、 关联对象在第i个对象需求方的批量运输成本，Yi、yi分别指的是核心 对象、关联对象在第i个对象需求方的市场选择，E(min{Qi,Di})指的是 核心对象在第i(i≤n)个对象需求方的第一实际销量期望，
Figure BDA0003149381390000172
指的是关联对象在第i个对象需求方的第二实际销量期望。
由于双目标预测模型采用了遗传算法，具有较好全局寻优能力， 相对一些常规优化算法，具有一定效率和效果优势。且本公开的线性 模型中，将变量限制为整数。
在具体实施时，可以利用服务率来近似通过库存实际满足的需求 占总需求的比例，见如下公式(4)，
Figure BDA0003149381390000173
由此可以获得对
Figure BDA0003149381390000174
的估计，见如下公式(5)，
Figure BDA0003149381390000175
由于di和Di均服从正态分布，根据正态分布的可加性，
Figure BDA0003149381390000176
仍属于 正态分布，可推导出均值和方差参数见如下公式(6)和(7)，
Figure BDA0003149381390000177
Figure BDA0003149381390000178
其中，ρi代表核心产品和关联产品需求的需求相关系数。根据期 望计算公式，将考虑交叉销售后关联产品实际需求分布的均值和方差 等的参数带入期望公式，可以得到实际满足的关联产品需求的期望
Figure BDA0003149381390000179
的近似值，如下公式(8)所示。从而消除目标函数的期 望符号，降低数学处理的复杂性。
Figure BDA0003149381390000181
在相关技术中，通过数据挖掘中的关联挖掘技术可以获取一些交 叉销售的相关参数，例如交叉销售因子，用于衡量愿意购买核心产品 的客户群中，有占比λi的客户同时也愿意购买其关联产品。Wong等 (2005)基于关联规则，根据损失规则建立用于估计交叉销售因子的 交叉销售模型如下公式(9)所示：
Figure BDA0003149381390000182
其中，conf(A→B)指的是包含核心产品的交易中，核心产品和关联 产品同时出现的概率，T(AB)指的是同时包含核心产品和关联产品的交 易总数，T(A)表示包含核心产品的交易总数。
相关技术中估算得到的交叉销售因子并不等价于本公开中的关联 系数(即交叉销售系数)。因为通过损失规则得到的交叉销售因子只能 体现订单粒度的关联关系，而得不到具体一单位核心产品的需求究竟 能够带来的关联产品需求量。
因此作为一种可选的实施例，可以通过以下公式来获得核心对象 和关联对象在第i个对象需求方的关联系数，
Figure BDA0003149381390000183
其中，λi指的是核心对象和关联对象在第i个对象需求方的关联 系数，TA指的是包含核心对象的交易记录中，平均每条交易记录中核 心对象出现的次数，TB指的是包含核心对象的交易记录中，平均每条 交易记录中关联对象出现的次数，m1指的是包含核心对象的交易模式 数，交易模式j的出现次数是tj，在该交易模式中，核心对象的购买 量为aj，m2指的是包含关联对象的交易模式数，交易模式k的出现次 数是tk，在该交易模式中，关联对象的购买量为bk。
下文将以根据核心产品A和关联产品B在某对象需求方的历史交 易记录，统计出的如表1所示的交易信息为例，说明本公开提供的关 联系数的确定方法。
表1
Figure BDA0003149381390000191
如表1所示，核心产品A和关联产品B共同出现的交易模式共有 3种，每个模式对应的交易记录总数分别是t1(在该交易模式中，核心 产品A的购买量为5，关联产品B的购买量为3)，t2(在该交易模 式中，核心产品A的购买量为2，关联产品B的购买量为1)，t3(在 该交易模式中，核心产品A的购买量为1，关联产品B的购买量为4)。 核心产品A独立出现的交易模式有2种，每个模式对应的交易记录总 数分别是t4(在该交易模式中，核心产品A的购买量为8，由于购买 的是其他产品，因此关联产品B的购买量为0)，t5(在该交易模式 中，核心产品A的购买量为3，由于购买的是其他产品，因此关联产 品B的购买量为0)。
通过上述公式计算得出该对象需求方处的核心产品A和关联产品 B的交叉销售系数为：
Figure BDA0003149381390000192
作为一种可选的实施例，在双目标预测模型的约束下，基于第一 实际销量期望和第二实际销量期望，确定对象提供方分别向每个对象 需求方配送核心对象的第一实际配送量和关联对象的第二实际配送量 可以包括：在双目标预测模型的约束下，基于第一实际销量期望和第 二实际销量期望，确定对象提供方分别向每个对象需求方配送核心对 象的第一原始配送量和关联对象的第二原始配送量；获取核心对象在 每个对象需求方的第一选择变量和关联对象在每个对象需求方的第二 选择变量；基于第一选择变量和第一原始配送量，确定第一实际配送 量；以及基于第二选择变量和第二原始配送量，确定第二实际配送量。
根据本公开的实施例，在根据双目标模型求解得到核心对象的第 一原始配送量Qi和关联对象的第二原始配置量qi之后，可以通过如下 公式来变换得到决策变量，即配送量的实际值(包括核心对象的第一 实际配送量Qi'和关联对象的第二实际配置量qi')。计算原理与不考虑 交叉销售时相同，用求解结果中的原始配送量与市场选择变量相乘， 加工得到各结点两种商品的实际配送量。
Figure BDA0003149381390000201
其中，Yi和yi的取值可以是0或1。具体地，若选择配送核心产品， 则Yi取1，反之Yi取0。若选择配送关联产品，则yi取1，反之yi取0。
在电子商务蓬勃发展的时代背景下，通过本公开实施例提供的配 送量的确定方法，可以构建一个引入交叉销售的集中式VMI系统模型， 进一步完善现有的VMI问题和交叉销售问题理论体系，更加准确地预 测需求，在提升服务水平的同时优化总体利润。
图3示意性示出了根据本公开实施例的一参数灵敏度分析效果图。
为了简便起见，固定核心产品单位采购成本、关联产品单位采购 成本、核心产品单位销售价格、关联产品单位销售价格、核心产品单 位运输成本、关联产品单位运输成本、核心产品批量运输成本、关联 产品批量运输成本等参数。假设核心产品和关联产品的独立需求服从 正态分布，其分布参数与无运输成本问题保持一致，不考虑产能约束。
如图3所示，供应链的最大总利润(横轴)和零售商最大平均服 务率(纵轴)关于需求关联系数ρ的灵敏度分析效果。该问题属于非 线性双目标优化，采用遗传算法进行求解。我们首先讨论需求关联系 数ρ的影响。固定交叉销售系数的值，设置λ＝0.5。分别讨论在 ρ＝0.25，0.5，0.75，1时，近似最优解最大化总体成本和平均服务水平的变化 情况。优化结果如图3所示，其中横轴表示对应参数组合下的最大总 体利润，纵轴表示最高服务水平。三角形组成的帕累托前沿表示不考 虑交叉销售时的近似最优解，其余的五角星组成的帕累托前沿分别表 示考虑交叉销售时，几种ρ参数下的近似最优解。经过观察发现，考 虑交叉销售的解相比不考虑交叉销售更加靠前靠上。因此，在相同总 体利润下，考虑交叉销售的服务水平更高，在相同服务水平下，考虑 交叉销售带来的总体利润更大。相同几种需求关联系数ρ下的近似最 优解几乎重合。说明参数ρ几乎不影响交叉销售下的近似值求解。
可选地，固定ρ＝0.5，讨论交叉销售系数的影响。
图4示意性示出了根据本公开实施例的另一参数灵敏度分析效果 图。如图4所示，供应链的最大总利润(横轴)和零售商最大平均服 务率(纵轴)关于交叉销售系数的灵敏度分析效果图可知，由上到下 五角星围成的曲线分别代表λ＝0.25，0.5，0.75，1时，10个零售商结点的总 体利润和平均服务水平的帕累托前沿。通过观察图4所示的供应链总 利润和零售商平均服务率关于交叉销售系数的灵敏度分析效果图可以 得到如下结论：考虑交叉销售相比不考虑交叉销售的帕累托前沿更加 靠前靠上。在相同总体利润水平下，考虑交叉销售带来更高的平均服 务水平；或在相同平均服务水平下，考虑交叉销售带来的总体利润更 高。通过总体利润和平均服务水平两个维度的比较可知，考虑交叉销 售的收益大于不考虑交叉销售。交叉销售系数越大，帕累托最优越接 近原点。因此考虑交叉销售时，交叉销售系数越大，总体收益越大。
图5示意性示出了根据本公开实施例的确定配送量的装置的框图。
如图5所示，该装置500可以包括第一获取模块510、第二获取模 块520、以及确定模块530。
第一获取模块510，用于获取供应链的双目标预测模型，供应链 由对象提供方和n个对象需求方构成，双目标预测模型用于表征n个 对象需求方的利润总额和服务水平，n为大于1的整数。可选地，第 一获取模块510例如可以用于执行图2描述的操作S210，在此不再赘 述。
第二获取模块520，用于基于核心对象和关联对象在每个对象需 求方的历史销量，获得核心对象的第一实际销量期望和关联对象的第 二实际销量期望，关联对象与核心对象具有关联销售关系。可选地， 第二获取模块520例如可以用于执行图2描述的操作S220，在此不再 赘述。
确定模块530，用于在双目标预测模型的约束下，基于第一实际 销量期望和第二实际销量期望，确定对象提供方分别向每个对象需求 方配送核心对象的第一实际配送量和关联对象的第二实际配送量。可 选地，确定模块530例如可以用于执行图2描述的操作S230，在此不 再赘述。
作为一种可选的实施例，第二获取模块可以包括：第一确定子模 块，用于基于核心对象在每个对象需求方的历史销量，确定核心对象 在每个对象需求方的第一指标参数，其中，第一指标参数包括需求均 值、标准差、概率密度函数和累积分布函数；第二确定子模块，用于 基于关联对象在每个对象需求方的历史销量，确定关联对象在每个对 象需求方的第二指标参数，其中，第二指标参数包括独立需求均值、 标准差、有效需求概率密度函数和累积分布函数；以及第一获得子模 块，用于至少根据第一指标参数和第二指标参数，获得核心对象的第 一实际销量期望和关联对象的第二实际销量期望。
作为一种可选的实施例，第一获得子模块，用于通过以下公式来 获得核心对象的第一实际销量期望和关联对象的第二实际销量期望，
Figure BDA0003149381390000231
其中，E(min{Qi,Di})指的是核心对象在第i(i≤n)个对象需求方 的第一实际销量期望，
Figure BDA0003149381390000232
指的是关联对象在第i个对象需求 方的第二实际销量期望。核心对象、关联对象在第i个对象需求方的 独立需求Di、di均服从正态分布，
Figure BDA0003149381390000233
指的是关联对象在第i个对象需 求方的有效需求，Pi、pi分别指的是核心对象、关联对象在第i个对 象需求方的单价，Qi、qi分别指的是核心对象、关联对象在第i个对 象需求方的配送量，Ci、ci分别指的是核心对象、关联对象在第i个 对象需求方的单位采购成本，Bi、bi分别指的是核心对象、关联对象 在第i个对象需求方的单位运输成本，Ai、ai分别指的是核心对象、 关联对象在第i个对象需求方的批量运输成本，Yi、yi分别指的是核心 对象、关联对象在第i个对象需求方的市场选择，
Figure BDA0003149381390000234
指的是核心对象 在第i个对象需求方的需求均值，
Figure BDA0003149381390000235
指的是关联对象在第i个对象需 求方的独立需求均值，
Figure BDA0003149381390000236
分别指的是核心对象、关联对象在第i 个对象需求方的标准差，
Figure BDA0003149381390000237
指的是核心对象在第i个对象需求方的 概率密度函数，
Figure BDA0003149381390000238
指的是关联对象在第i个对象需求方的有效需求 概率密度函数，Pr(Di≤Qi)、Pr(Di≥Qi)指的是核心对象在第i个对象需 求方的累积分布函数，
Figure BDA0003149381390000239
指的是关联对象在第i个 对象需求方的累积分布函数，
Figure BDA00031493813900002310
指的是关联对象在第i个对象需 求方的需求关联系数，λi指的是核心对象和关联对象在第i个对象需 求方的关联系数。
作为一种可选的实施例，获取的双目标预测模型表示为以下公式，
Figure BDA0003149381390000241
其中，Fc(Q,q)指的是利润为正的对象在各对象需求方的利润总额， 即每个对象需求方的核心对象乘对应的市场选择Yi和关联对象乘对应 的市场选择qi加和得到的利润加和结果，Sc(Q,q)指的是实际产生配送 行为的各对象需求方的平均服务水平，核心对象、关联对象在第i个 对象需求方的独立需求Di、di均服从正态分布，
Figure BDA0003149381390000242
指的是关联对象在 第i个对象需求方的有效需求，Pi、pi分别指的是核心对象、关联对象 在第i个对象需求方的单价，Qi、qi分别指的是核心对象、关联对象在 第i个对象需求方的配送量，Ci、ci分别指的是核心对象、关联对象在 第i个对象需求方的单位采购成本，Bi、bi分别指的是核心对象、关联对象在第i个对象需求方的单位运输成本，Ai、ai分别指的是核心对象、 关联对象在第i个对象需求方的批量运输成本，Yi、yi分别指的是核心 对象、关联对象在第i个对象需求方的市场选择，E(min{Qi,Di})指的是 核心对象在第i(i≤n)个对象需求方的第一实际销量期望，
Figure BDA0003149381390000243
指的是关联对象在第i个对象需求方的第二实际销量期望。
作为一种可选的实施例，可以通过以下公式来获得核心对象和关 联对象在第i个对象需求方的关联系数，
Figure BDA0003149381390000244
其中，λi指的是核心对象和关联对象在第i个对象需求方的关联 系数，TA指的是包含核心对象的交易记录中，平均每条交易记录中核 心对象出现的次数，TB指的是包含核心对象的交易记录中，平均每条 交易记录中关联对象出现的次数，m1指的是包含核心对象的交易模式 数，交易模式j的出现次数是tj，在该交易模式中，核心对象的购买 量为aj，m2指的是包含关联对象的交易模式数，交易模式k的出现次 数是tk，在该交易模式中，关联对象的购买量为bk。
需要说明的是，在本公开的上述公式(1)～(14)中，同一参数 代表的意义相同，在一些情况下不再赘述，可参考对应描述。
作为一种可选的实施例，确定模块可以包括：第三确定子模块， 用于在双目标预测模型的约束下，基于第一实际销量期望和第二实际 销量期望，确定对象提供方分别向每个对象需求方配送核心对象的第 一原始配送量和关联对象的第二原始配送量；第二获得子模块，用于 获得核心对象在每个对象需求方的第一选择变量和关联对象在每个对 象需求方的第二选择变量；第四确定子模块，用于基于第一选择变量 和第一原始配送量，确定第一实际配送量；以及第五确定子模块，用 于基于第二选择变量和第二原始配送量，确定第二实际配送量。
需要说明的是，确定配送量的装置部分实施例中各模块的实施方 式、解决的技术问题、实现的功能、以及达到的技术效果分别与确定 配送量的方法部分实施例中各对应的步骤的实施方式、解决的技术问 题、实现的功能、以及达到的技术效果相同或类似，在此不再赘述。
根据本公开的实施例的模块、子模块、单元、子单元中的任意多个、 或其中任意多个的至少部分功能可以在一个模块中实现。根据本公开实 施例的模块、子模块、单元、子单元中的任意一个或多个可以被拆分成 多个模块来实现。根据本公开实施例的模块、子模块、单元、子单元中 的任意一个或多个可以至少被部分地实现为硬件电路，例如现场可编程 门阵列(FNGA)、可编程逻辑阵列(NLA)、片上系统、基板上的系统、 封装上的系统、专用集成电路(ASIC)，或可以通过对电路进行集成或 封装的任何其他的合理方式的硬件或固件来实现，或以软件、硬件以及 固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或 者，根据本公开实施例的模块、子模块、单元、子单元中的一个或多个 可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行 时，可以执行相应的功能。
例如，第一获取模块、第二获取模块、确定模块、第一确定子模块、 第二确定子模块、第一获得子模块、第三确定子模块、第二获得子模块、 第四确定子模块、以及第五确定子模块可以合并在一个模块中实现，或 者其中的任意一个模块可以被拆分成多个模块。或者，这些模块中的一 个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合， 并在一个模块中实现。根据本公开的实施例，第一获取模块、第二获取 模块、确定模块、第一确定子模块、第二确定子模块、第一获得子模块、 第三确定子模块、第二获得子模块、第四确定子模块、以及第五确定子 模块中的至少一个可以至少被部分地实现为硬件电路，例如现场可编程 门阵列(FNGA)、可编程逻辑阵列(NLA)、片上系统、基板上的系统、 封装上的系统、专用集成电路(ASIC)，或可以通过对电路进行集成或 封装的任何其他的合理方式等硬件或固件来实现，或以软件、硬件以及 固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或 者，第一获取模块、第二获取模块、确定模块、第一确定子模块、第二 确定子模块、第一获得子模块、第三确定子模块、第二获得子模块、第 四确定子模块、以及第五确定子模块中的至少一个可以至少被部分地实 现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的 功能。
图6示意性示出了根据本公开实施例的适于实现上文描述的确定配 送量的方法的计算机可读存储介质产品的示意图。
在一些可能的实施方式中，本发明的各个方面还可以实现为一种 程序产品的形式，其包括程序代码，当程序产品在设备上运行时，程 序代码用于使设备执行本说明书上述“示例性方法”部分中描述的根 据本发明各种示例性实施例的确定配送量的方法中的前述各项操作 (或步骤)，例如电子设备可以执行如图2中所示的操作S210～S230。
程序产品可以采用一个或多个可读介质的任意组合。可读介质可以 是可读信号介质或者可读存储介质。可读存储介质例如可以是——但不 限于——电、磁、光、电磁、红外线、或半导体的系统、系统或器件， 或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表) 包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储 器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(ENROM 或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、 磁存储器件、或者上述的任意合适的组合。
如图6所示，描述了根据本发明的实施方式的确定配送量的程序产 品600，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序 代码，并可以在设备，例如个人电脑上运行。然而本发明的程序产品不 限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形 介质，该程序可以被指令执行装置、系统或者器件使用或与其结合使用。
可读信号介质可以包括在基带中或者作为载波一部分传播的数据 信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形 式，包括——但不限于——电磁信号、光信号或上述的任意合适的组合。 可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质 可以发送、传播或者传输用于由指令执行系统、系统或者器件使用或者 与其结合使用的程序。可读介质上包含的程序代码可以用任何适当的介 质传输，包括——但不限于——无线、有线、光缆，RF等等，或者上 述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发 明操作的程序代码，程序设计语言包括面向对象的程序设计语言—诸如 Java，C++等，还包括常规的过程式程序设计语言—诸如“C”，语言或 类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部 分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可 以通过任意种类的网络——包括局域网(LAA)或广域网(WAA)一 连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特 网服务提供商来通过因特网连接)。
图7示意性示出了根据本公开实施例的适于实现上文描述的确定配 送量的方法的电子设备的框图。图7示出的电子设备仅仅是一个示例， 不应对本公开实施例的功能和使用范围带来任何限制。
如图7所示，根据本公开实施例的电子设备700包括处理器701， 其可以根据存储在只读存储器(ROM)702中的程序或者从存储部分708 加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和 处理。处理器701例如可以包括通用微处理器(例如CNU)、指令集处 理器和/或相关芯片组和/或专用微处理器(例如，专用集成电路(ASIC))， 等等。处理器701还可以包括用于缓存用途的板载存储器。处理器701 可以包括用于执行根据本公开实施例的方法流程的不同动作的单一处 理单元或者是多个处理单元。
在RAM 703中，存储有电子设备700操作所需的各种程序和数据。 处理器701、ROM702以及RAM 703通过总线704彼此相连。处理器 701通过执行ROM 702和/或RAM 703中的程序来执行根据本公开实施 例的方法流程的各种操作。需要注意，所述程序也可以存储在除ROM 702和RAM 703以外的一个或多个存储器中。处理器701也可以通过执 行存储在所述一个或多个存储器中的程序来执行根据本公开实施例图2 中所示的操作S210～操作S230。
根据本公开的实施例，电子设备700还可以包括输入/输出(I/O) 接口705，输入/输出(I/O)接口705也连接至总线704。系统700还可 以包括连接至I/O接口705的以下部件中的一项或多项：包括键盘、鼠 标等的输入部分706；包括诸如阴极射线管(CRT)、液晶显示器(LCD) 等以及扬声器等的输出部分707；包括硬盘等的存储部分708；以及包 括诸如LAA卡、调制解调器等的网络接口卡的通信部分709。通信部分 709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接 至I/O接口705。可拆卸介质711，诸如磁盘、光盘、磁光盘、半导体存 储器等等，根据需要安装在驱动器710上，以便于从其上读出的计算机 程序根据需要被安装入存储部分708。
根据本公开的实施例，根据本公开实施例的方法流程可以被实现为 计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其 包括承载在计算机可读存储介质上的计算机程序，该计算机程序包含用 于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程 序可以通过通信部分709从网络上被下载和安装，和/或从可拆卸介质 711被安装。在该计算机程序被处理器701执行时，执行本公开实施例 的系统中限定的上述功能。根据本公开的实施例，上文描述的系统、设 备、装置、模块、单元等可以通过计算机程序模块来实现。
本公开还提供了一种计算机可读存储介质，该计算机可读存储介质 可以是上述实施例中描述的设备/装置/系统中所包含的；也可以是单独 存在，而未装配入该设备/装置/系统中。上述计算机可读存储介质承载 有一个或者多个程序，当上述一个或者多个程序被执行时，实现根据本 公开实施例的确定配送量的方法，包括图2中所示的操作S210～S230。
根据本公开的实施例，计算机可读存储介质可以是非易失性的计算 机可读存储介质，例如可以包括但不限于：便携式计算机磁盘、硬盘、 随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存 储器(ENROM或闪存)、便携式紧凑磁盘只读存储器(CD-ROM)、光 存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计 算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以 被指令执行系统、装置或者器件使用或者与其结合使用。例如，根据本 公开的实施例，计算机可读存储介质可以包括上文描述的ROM 702和/ 或RAM 703和/或ROM 702和RAM 703以外的一个或多个存储器。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方 法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上， 流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部 分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定 的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两 个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相 反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图 中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的 功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计 算机指令的组合来实现。
本领域技术人员可以理解，本公开的各个实施例和/或权利要求中记 载的特征可以进行多种组合和/或结合，即使这样的组合或结合没有明确 记载于本公开中。特别地，在不脱离本公开精神和教导的情况下，本公 开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结 合。所有这些组合和/或结合均落入本公开的范围。
以上对本公开的实施例进行了描述。但是，这些实施例仅仅是为了 说明的目标，而并非为了限制本公开的范围。尽管在以上分别描述了各 实施例，但是这并不意味着各个实施例中的措施不能有利地结合使用。 本公开的范围由所附权利要求及其等同物限定。不脱离本公开的范围， 本领域技术人员可以做出多种替代和修改，这些替代和修改都应落在本 公开的范围之内。

Claims (10)

1.一种确定配送量的方法，包括：
获取供应链的双目标预测模型，所述供应链由对象提供方和n个对象需求方构成，所述双目标预测模型用于表征所述n个对象需求方的利润总额和服务水平，n为大于1的整数；
基于核心对象和关联对象在每个对象需求方的历史销量，获得所述核心对象的第一实际销量期望和所述关联对象的第二实际销量期望，所述关联对象与所述核心对象具有关联销售关系；以及
在所述双目标预测模型的约束下，基于所述第一实际销量期望和所述第二实际销量期望，确定所述对象提供方分别向所述每个对象需求方配送所述核心对象的第一实际配送量和所述关联对象的第二实际配送量。
2.根据权利要求1所述的方法，其中，所述基于核心对象和关联对象在每个对象需求方的历史销量，获得所述核心对象的第一实际销量期望和所述关联对象的第二实际销量期望包括：
基于核心对象在每个对象需求方的历史销量，确定所述核心对象在所述每个对象需求方的第一指标参数，其中，所述第一指标参数包括需求均值、标准差、概率密度函数和累积分布函数；
基于关联对象在每个对象需求方的历史销量，确定所述关联对象在所述每个对象需求方的第二指标参数，其中，所述第二指标参数包括独立需求均值、标准差、有效需求概率密度函数和累积分布函数；以及
至少根据所述第一指标参数和所述第二指标参数，获得所述核心对象的第一实际销量期望和所述关联对象的第二实际销量期望。
3.根据权利要求2所述的方法，其中，所述至少根据所述第一指标参数和所述第二指标参数，获得所述核心对象的第一实际销量期望和所述关联对象的第二实际销量期望包括：通过以下公式来获得所述核心对象的第一实际销量期望和所述关联对象的第二实际销量期望，
Figure FDA0003149381380000021
其中，E(min{Qi,Di})指的是核心对象在第i(i≤n)个对象需求方的第一实际销量期望，
Figure FDA0003149381380000022
指的是关联对象在第i个对象需求方的第二实际销量期望。核心对象、关联对象在第i个对象需求方的独立需求Di、di均服从正态分布，
Figure FDA0003149381380000023
指的是关联对象在第i个对象需求方的有效需求，Pi、pi分别指的是核心对象、关联对象在第i个对象需求方的单价，Qi、qi分别指的是核心对象、关联对象在第i个对象需求方的配送量，Ci、ci分别指的是核心对象、关联对象在第i个对象需求方的单位采购成本，Bi、bi分别指的是核心对象、关联对象在第i个对象需求方的单位运输成本，Ai、ai分别指的是核心对象、关联对象在第i个对象需求方的批量运输成本，Yi、yi分别指的是核心对象、关联对象在第i个对象需求方的市场选择，
Figure FDA0003149381380000024
指的是核心对象在第i个对象需求方的需求均值，
Figure FDA0003149381380000025
指的是关联对象在第i个对象需求方的独立需求均值，
Figure FDA0003149381380000026
分别指的是核心对象、关联对象在第i个对象需求方的标准差，
Figure FDA0003149381380000027
指的是核心对象在第i个对象需求方的概率密度函数，
Figure FDA0003149381380000028
指的是关联对象在第i个对象需求方的有效需求概率密度函数，Pr(Di≤Qi)、Pr(Di≥Qi)指的是核心对象在第i个对象需求方的累积分布函数，
Figure FDA0003149381380000029
指的是关联对象在第i个对象需求方的累积分布函数，
Figure FDA00031493813800000210
指的是关联对象在第i个对象需求方的需求关联系数，λi指的是核心对象和关联对象在第i个对象需求方的关联系数。
4.根据权利要求1所述的方法，其中，获取的所述双目标预测模型表示为以下公式，
Figure FDA0003149381380000031
其中，Fc(Q,q)指的是利润为正的对象在各对象需求方的利润总额，即每个对象需求方的核心对象乘对应的市场选择Yi和关联对象乘对应的市场选择qi加和得到的利润加和结果，Sc(Q，q)指的是实际产生配送行为的各对象需求方的平均服务水平，核心对象、关联对象在第i个对象需求方的独立需求Di、di均服从正态分布，
Figure FDA0003149381380000032
指的是关联对象在第i个对象需求方的有效需求，Pi、pi分别指的是核心对象、关联对象在第i个对象需求方的单价，Qi、qi分别指的是核心对象、关联对象在第i个对象需求方的配送量，Ci、ci分别指的是核心对象、关联对象在第i个对象需求方的单位采购成本，Bi、bi分别指的是核心对象、关联对象在第i个对象需求方的单位运输成本，Ai、ai分别指的是核心对象、关联对象在第i个对象需求方的批量运输成本，Yi、yi分别指的是核心对象、关联对象在第i个对象需求方的市场选择，E(min{Qi，Di})指的是核心对象在第i(i≤n)个对象需求方的第一实际销量期望，
Figure FDA0003149381380000033
指的是关联对象在第i个对象需求方的第二实际销量期望。
5.根据权利要求3所述的方法，其中，通过以下公式来获得核心对象和关联对象在第i个对象需求方的关联系数，
Figure FDA0003149381380000034
其中，λi指的是核心对象和关联对象在第i个对象需求方的关联系数，TA指的是包含核心对象的交易记录中，平均每条交易记录中核心对象出现的次数，TB指的是包含核心对象的交易记录中，平均每条交易记录中关联对象出现的次数，m1指的是包含核心对象的交易模式数，交易模式j的出现次数是tj，在该交易模式中，核心对象的购买量为aj，m2指的是包含关联对象的交易模式数，交易模式k的出现次数是tk，在该交易模式中，关联对象的购买量为bk。
6.根据权利要求1所述的方法，其中，所述在所述双目标预测模型的约束下，基于所述第一实际销量期望和所述第二实际销量期望，确定所述对象提供方分别向所述每个对象需求方配送所述核心对象的第一实际配送量和所述关联对象的第二实际配送量包括：
在所述双目标预测模型的约束下，基于所述第一实际销量期望和所述第二实际销量期望，确定所述对象提供方分别向所述每个对象需求方配送所述核心对象的第一原始配送量和所述关联对象的第二原始配送量；
获得所述核心对象在所述每个对象需求方的第一选择变量和所述关联对象在所述每个对象需求方的第二选择变量；
基于所述第一选择变量和所述第一原始配送量，确定所述第一实际配送量；以及
基于所述第二选择变量和所述第二原始配送量，确定所述第二实际配送量。
7.一种确定配送量的装置，包括：
第一获取模块，用于获取供应链的双目标预测模型，所述供应链由对象提供方和n个对象需求方构成，所述双目标预测模型用于表征所述n个对象需求方的利润总额和服务水平，n为大于1的整数；
第二获取模块，用于基于核心对象和关联对象在每个对象需求方的历史销量，获得所述核心对象的第一实际销量期望和所述关联对象的第二实际销量期望，所述关联对象与所述核心对象具有关联销售关系；以及
确定模块，用于在所述双目标预测模型的约束下，基于所述第一实际销量期望和所述第二实际销量期望，确定所述对象提供方分别向所述每个对象需求方配送所述核心对象的第一实际配送量和所述关联对象的第二实际配送量。
8.一种电子设备，包括：
一个或多个处理器；以及
存储器，用于存储一个或多个程序，
其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器执行根据权利要求1至6中任一项所述的方法。
9.一种计算机可读存储介质，存储有计算机可执行指令，所述指令在被执行时使处理器执行根据权利要求1至6中任一项所述的方法。
10.一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时执行根据权利要求1至6中任一项所述的方法。
CN202110762054.1A 2021-07-06 2021-07-06 确定配送量的方法、装置、电子设备、介质和程序产品 Pending CN113298323A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110762054.1A CN113298323A (zh) 2021-07-06 2021-07-06 确定配送量的方法、装置、电子设备、介质和程序产品

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110762054.1A CN113298323A (zh) 2021-07-06 2021-07-06 确定配送量的方法、装置、电子设备、介质和程序产品

Publications (1)

Publication Number Publication Date
CN113298323A true CN113298323A (zh) 2021-08-24

Family

ID=77330492

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110762054.1A Pending CN113298323A (zh) 2021-07-06 2021-07-06 确定配送量的方法、装置、电子设备、介质和程序产品

Country Status (1)

Country Link
CN (1) CN113298323A (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160247172A1 (en) * 2015-02-23 2016-08-25 Oracle International Corporation System and method for forecasting cross-promotion effects for merchandise in retail
US20190156369A1 (en) * 2017-11-20 2019-05-23 International Business Machines Corporation Mitigation of perishable product waste through promotion recommendation
CN110135673A (zh) * 2018-02-08 2019-08-16 北京京东尚科信息技术有限公司 对象分配方法、系统、计算机系统及计算机可读存储介质
CN110650047A (zh) * 2019-09-24 2020-01-03 广东电网有限责任公司 一种主配网一体化的动态资源分配方法及装置
CN111353843A (zh) * 2018-12-24 2020-06-30 阿里巴巴集团控股有限公司 商品的推送方法、装置和系统
CN111415193A (zh) * 2020-01-12 2020-07-14 杭州览众数据科技有限公司 基于关联商品的门店相似度的品类销售提升度计算方法
CN112074849A (zh) * 2019-04-10 2020-12-11 甲骨文国际公司 价格优化系统
CN112819404A (zh) * 2021-01-13 2021-05-18 中国联合网络通信集团有限公司 数据处理方法、装置、电子设备和存储介质

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160247172A1 (en) * 2015-02-23 2016-08-25 Oracle International Corporation System and method for forecasting cross-promotion effects for merchandise in retail
US20190156369A1 (en) * 2017-11-20 2019-05-23 International Business Machines Corporation Mitigation of perishable product waste through promotion recommendation
CN110135673A (zh) * 2018-02-08 2019-08-16 北京京东尚科信息技术有限公司 对象分配方法、系统、计算机系统及计算机可读存储介质
CN111353843A (zh) * 2018-12-24 2020-06-30 阿里巴巴集团控股有限公司 商品的推送方法、装置和系统
CN112074849A (zh) * 2019-04-10 2020-12-11 甲骨文国际公司 价格优化系统
CN110650047A (zh) * 2019-09-24 2020-01-03 广东电网有限责任公司 一种主配网一体化的动态资源分配方法及装置
CN111415193A (zh) * 2020-01-12 2020-07-14 杭州览众数据科技有限公司 基于关联商品的门店相似度的品类销售提升度计算方法
CN112819404A (zh) * 2021-01-13 2021-05-18 中国联合网络通信集团有限公司 数据处理方法、装置、电子设备和存储介质

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
QUYET-THANG HUYNH 等: ""A Profit-Equilibrium Model for Retailers and Vendors in the Vendor Managed Inventory Problem"", 《2020 4TH INTERNATIONAL CONFERENCE ON RECENT ADVANCES IN SIGNAL PROCESSING, TELECOMMUNICATIONS & COMPUTING (SIGTELCOM)》, 16 September 2020 (2020-09-16), pages 30 - 34 *
李守荣 等: ""基于拓展经营的交叉销售产品的订货研究"", 《工业工程》, 30 April 2018 (2018-04-30), pages 19 - 26 *
鲍健: ""基于CVaR 的VMI 供应链库存决策模型研究"", 《中国优秀硕士学位论文全文数据库》, 15 February 2021 (2021-02-15) *

Similar Documents

Publication Publication Date Title
Liu et al. Supply chain networks with corporate financial risks and trade credits under economic uncertainty
Remli et al. A robust winner determination problem for combinatorial transportation auctions under uncertain shipment volumes
Chen et al. A risk-averse newsvendor model under the CVaR criterion
Xie et al. Electronic tickets, smart cards, and online prepayments: When and how to advance sell
US8090642B1 (en) Option computation for tangible depreciating items
US20070129981A1 (en) Business solution management
US20120035984A1 (en) Novel Methods for Supply Chain Management Incorporating Uncertainty
CN111292149A (zh) 一种生成退货处理信息的方法和装置
Lin et al. Supply chain contract design considering the supplier’s asset structure and capital constraints
Guan et al. Hybrid robust and stochastic optimization for a capital-constrained fresh product supply chain integrating risk-aversion behavior and financial strategies
Qiu et al. A robust omnichannel pricing and ordering optimization approach with return policies based on data-driven support vector clustering
Xu et al. Optimal spot trading integrated with quantity flexibility contracts
Hu et al. PORTFOLIO PROCUREMENT POLICIES FOR BUDGET-CONSTRAINED SUPPLY CHAINS WITH OPTION CONTRACTS AND EXTERNAL FINANCING.
US7801769B1 (en) Computing a set of K-best solutions to an auction winner-determination problem
CN106506607A (zh) 基于公平可信双向拍卖机制的云计算资源分配方法
Karimi et al. Two-stage single period inventory management for a manufacturing vendor under green-supplier supply chain
Liu et al. Joint optimization of lot-sizing and pricing with backlogging
US8086520B2 (en) Constraint satisfaction for solutions to an auction winner-determination problem
Kumar et al. A bilevel game model for ascertaining competitive target prices for a buyer in negotiation with multiple suppliers
US8762219B2 (en) System, method and program product for predicting best/worst time to buy
Liang et al. Optimal Decision of Deferred Payment Supply Chain considering Bilateral Risk‐Aversion Degree
CN113298323A (zh) 确定配送量的方法、装置、电子设备、介质和程序产品
Ichihashi et al. Buyer-Optimal Algorithmic Consumption
de Matta et al. Integrating inventory-based financing in production planning decisions
Wang et al. Low Carbon Distribution Channel Coordination with a Capital‐Constrained Retailer

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