CN113393041A - 一种基于销量预测的零售领域供应链库存优化方法 - Google Patents
一种基于销量预测的零售领域供应链库存优化方法 Download PDFInfo
- Publication number
- CN113393041A CN113393041A CN202110683426.1A CN202110683426A CN113393041A CN 113393041 A CN113393041 A CN 113393041A CN 202110683426 A CN202110683426 A CN 202110683426A CN 113393041 A CN113393041 A CN 113393041A
- Authority
- CN
- China
- Prior art keywords
- commodity
- sales
- supply chain
- inventory optimization
- chain inventory
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000005457 optimization Methods 0.000 title claims abstract description 26
- 230000000694 effects Effects 0.000 claims abstract description 15
- 230000007306 turnover Effects 0.000 claims abstract description 12
- 230000004927 fusion Effects 0.000 claims abstract description 9
- 238000009825 accumulation Methods 0.000 claims description 3
- 230000015654 memory Effects 0.000 claims description 3
- 238000005096 rolling process Methods 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 description 7
- 239000013598 vector Substances 0.000 description 5
- 238000012549 training Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 239000013589 supplement Substances 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 239000000047 product Substances 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 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
- G06Q10/04—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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Evolutionary Computation (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Resources & Organizations (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Game Theory and Decision Science (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Evolutionary Biology (AREA)
- Tourism & Hospitality (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于销量预测的零售领域供应链库存优化方法。其发明内容主要包括(1)基于多态特征融合的商品销量精准预测方法;(2)基于商品活跃度分类的物流约束下供应链库存优化方法。基于上述方法,提取并融合商品的多态特征数据,并根据商品预测销量进行活跃度分类来构建供应链库存优化模型,从而实现基于销量预测的零售领域供应链库存优化方法,加快资金周转。
Description
技术领域
本发明涉及大数据应用与深度学习领域,一种基于销量预测的零售领域供应链库存优化方法。
背景技术
商品的供应链技术对于任何一家零售企业在市场上的竞争都会产生非常重要影响,传统门店对供应链库存数量的判断依赖于店长的个人经验,会存在库存堆积或库存不足等问题的出现。对于传统销量预测方法主要有时间序列分析法,如简单平均法,加权平均法或移动平均法等,对于异常销量数据,会存在预测精度不足等问题。近年来,随着以机器学习为代表的人工智能技术的快速发展,主要提出了人工神经网络、支持向量机等方法来进行销量预测,但它们往往采取单一的类型特征进行机器学习,如商品的历史销量,这同样会使得销量预测的精度不够准确。
除销量预测问题外,通过调查发现,在物流资源有限情况很难对供应链库存进行把控,难以实现零售领域的“零库存”目标,只能通过大量参数修正来减少缺货和库存堆积风险,这不仅耗费了大量人力成本,同时提高了不必要的周转成本。
因此,本发明针对上述问题,发明一种基于销量预测的零售领域供应链库存优化方法,该方案不仅可以提高销量预测准确率,降低缺货风险,同时还能够提升资金周转效率,从而降低公司成本。
发明内容
本发明旨在解决对商品销量的精准预测以及为零售领域提供供应链库存优化方法。
为此,本发明提出了一种基于销量预测的零售领域供应链库存优化方法,主要包括两个部分内容:
(1)基于多态特征融合的商品销量精准预测方法;
(2)基于商品活跃度分类的物流约束下供应链库存优化方法。
内容如下:
采用方法(1)分析影响商品销量的主要因素,除了提取商品历史销量统计特征外,还提取了特殊时间独热特征和关联商品销量特征等多态特征,并将提取后的特征进行多元线性回归或偏离度计算进行异常处理,最后滚动输入商品N日特征采用长短时记忆网络(LSTM,L0ng Short-Term Memory)回归模型不断拟合商品多类型特征,从而获得商品销量精准预测模型。(2)从方法(1)中预测到了未来一段时间的销量,商品历史M月销量,计算商品活跃度,根据商品历史活跃度对商品进行分类。构建满足物流约束的商品供应链库存优化模型。具体算法如下:
(1)基于多态特征融合的商品销量精准预测方法
通过对影响商品销量的主要因素进行分析,提取三类影响商品销量的主要特征,分别为:每日的销量长短时统计特征Vsales、特殊时间独热特征VOneHot以及关联商品销量特征VAssociation。
其中,该商品每日的销量长短时统计特征Vsales包括:该商品某天的当日销量特征Dnow、未来3日销量特征Dfuture-day3、未来18日销量特征Dfuture-day8、未来39日销量特征Dfuture-day39、过去1日销量特征Dpast-day1、过去3日销量特征Dpast-day3、过去7日销量特征Dpast-day7、过去15日销量特征Dpast-day15、过去一个月销量特征Dpast-mon1、过去3个月销量特征Dpast-mon3、过去6个月销量特征Dpast-mon6、过去12个月销量特征Dpast-mon12、去年同月销量特征Dpast-smon、去年上月销量特征去年下月销量特征以及当前月份销量特征Dpast-mon等。
特殊时间独热特征VOneHot包括:该商品当天最高温度特征Tmax、最低温度特征Tmin、降雨量RC、风力WP、是否为周末ISweekend、是否为会员日ISmember、是否为促销日ISpromotions、是否为节假日ISholidays、优惠券使用数量特征Xpromotions等。
关联商品销量特征VAssociation包括:同类商品销量特征Xsimilars和相关商品销量特征Xrelate等。其中采用EditString可计算两商品通用名之间的字符串相似性,得到同类商品销量特征Xsimilars;基于商品属性之间的关联关系,采用杰卡德相似度可计算两两商品之间关联的相似性,得到相关商品销量特征Xrelate。计算公式为:其中,两两商品关联的交集比上两两商品关联的并集。
提取上述多类型特征后,将训练数据按照门店商品进行分组X={X1,X2,......,XN},对每个门店下的每个商品Xi都按照上述多类型特征融合,即:Vector(Xi)={Vsales(Xi),VOneHot(Xi),VAssociation(Xi)},其中,
Vsales={Dnow,Dfuture-day3,......,Dpast-mon};
VOneHot={Tmax,Tmin,......,Xpromotions};
VAssociation={Xsimilars,Xrelate};
将输入x为特征向量Vector(Xi)、标签v为该商品历史销量实际值输入到算法f长短期记忆网络(LSTM,Long Short-Term Memory)中进行训练,最终输出f(w*x)为回归模型。
其中,回归模型为H(Tn+1)=g(H(T1)+H(T2)+....+H(Tn)),H(T1...n)为某T天的销量特征,H(Tn+1)为最终预测结果。采用的损失函数为其中w为权重,b为偏置。最后采用梯度下降法来将损失函数降到最小,其公式如下:Δw=-α·(y-h(x))·h(x)(1-h(x))·x。
至此回归模型构建完成,通过输入x为当日销量特征,将其放入回归模型中计算即可输出y=f(w*x)为未来N日销量预测值,从而可预测未来一段时间内的销量变化。
(2)基于商品活跃度分类的物流约束下供应链库存优化方法
其物流约束下的供应链库存优化的基本目标是w1·x+w2·y+w3·z,其中,x指的是商品满足率,y指的是商品周转率,z指的是商品补货周期,z∈Z+,z=1,2,3,4,5,...,w1,w2,w3分别为商品满足率、商品周转率、商品补货周期的权重值。主要约束为每种商品补货总数量为NUM=N·P<C,其中N为补货单位数,P为最小补货单位,C为库存分配数量。
零售领域下构建供应链库存优化模型主要是使得上述基本目标达到最优。构建供应链库存优化模型的步骤包括商品分类、补货周期计算、安全库存计算等。
若NUM≥20,则判定该商品为快销品,其特点是每一次都进行配送。
若1≤NUM<20,则判定该商品为中销品,其特点是补货周期是中消品的N倍,其中N=2,3,4...。
若NUM<1,则判定该商品为慢销品,其特点是补货周期是快消品的1/N倍,其中N=2,3,4...。
补货周期计算如下,对补货周期的定义为所有商品至少完成1次补货配送,补货周期为配送周期的N倍。通过商品历史销量数据可以求出商品的日均销量,公式为其中,Salesgood为商品在Salesday售卖天数内的总销量。通过dailySales来设定fastThreshold为快销品阈值,slowThreshold为慢销品阈值。通过比较商品的日均销量与阈值,将快销品分类补货后,得到商品的剩余最大补货数量remainMaxNum=max Num-fastSize,maxNum为最大补货数量,fastSize为快销品的补货数量。再从其他类别的商品中选择填满剩余补货数量。此时,总的补货周期circle=middleSize/remainMaxNum*2+slowSize/remainMaxNum,middleSize为中销品补货数量,slowSize为慢销品补货数量。
最终可知假设特快销品的补货周期为day,则中销品补货周期为middleCircle=day*(circle/2),慢销品补货周期为slowCircle=day*circle。其核心思想主要是,缩短快销品的补货周期,拉长慢销品的补货周期。
安全库存计算如下,销量预测准确率难以达到100%,需要增加一定冗余量,尽量避免缺货,通过计算可得安全库存公式为:
其中yt表示该商品的实际销量,LSTM表示该商品的预测销量。当预测销量小于实际销量时,不足销量的平均值与当预测销量大于实际销量时,超出销量的平均值之和即为该商品的安全库存,以此获得最佳零售领域供应链库存优化。
附图说明
图1为基于多类型特征融合的商品销量精准预测技术框架图
图2为基于商品活跃度分类的物流约束下供应链库存优化方法技术流程图
具体实施方式
结合附图1技术框架图,基于多态特征融合的商品销量精准预测方法步骤如下:
第一步:数据预处理
获取到商品基础数据、历史销量数据、促销活动数据、气象数据等。对于商品历史销量为负的商品进行标记剔除,单个商品的历史销量数据日期不连续,进行补全等数据预处理操作。
第二步:提取多类型特征
对商品每日的销量长短时统计特征提取,其中包括:该商品某天的当天数据特征、未来3天数据特征、未来18天数据特征、未来39天数据统特征、过去一天数据特征、过去3天数据特征、过去7天数据特征、过去15天数据特征、过去一个月数据特征、过去3个月数据特征、过去6个月数据特征、过去12个月数据特征、去年同月数据特征、去年上月数据特征、去年下月数据特征以及当前月份数据等;
特殊时间独热特征向量包括:最高温度特征、最低温度特征、降雨量特征、当天是否为周末、会员日、节假日以及使用通用券数量等特征。
关联商品销量特征向量包括:同通用名/同用途其他商品销量特征。
第三步:构建深度学习模型
对第二步多类型特征向量进行融合,按照门店商品进行分类训练模型,将融合后的多态特征滚动输入长短时记忆网络(LSTM)中进行训练,生成回归模型。
第四步:销量预测
对回归模型进行测试,最终得到未来一段时间内的预测销量。
结合附图2技术流程图,基于商品活跃度分类的物流约束下供应链库存优化方法步骤如下:
第五步:商品分类
在通过基于多态特征融合的商品销量精准预测方法的预测商品未来一段时间的销量后,根据商品历史活跃度对商品进行分类(包括快销品、中销品、慢销品、滞销品等)。
第六步:约束分析
通过物流约束的基本目标可知,本发明核心思想为快销品加快周转,库存留给慢销品,从而使得周转率最优化。
第七步:优化方案
通过补货周期计算与安全库存计算可规划出该商品的安全库存并获得每个门店下多品类零售领域供应链库存优化方案。同时注意:考虑到有部分误差,应增加一定冗余量,从而尽量避免缺货。
第八步:仿真验证
通过周转天数=日均库存/日均销量可知,基于商品活跃度分类的物流约束下供应链库存优化方法能够很好的降低周转天数,从而提升资金周转效率,降低公司成本。
Claims (3)
1.一种基于销量预测的零售领域供应链库存优化方法,其特征是:
(1)基于多态特征融合的商品销量精准预测方法;
(2)基于商品活跃度分类的物流约束下零售领域供应链库存优化方法。
2.根据权利要求1所述的基于多态特征融合的商品销量精准预测方法,其特征是,根据商品历史销量数据、商品功能属性和分类数据,以及历史特殊日期和天气等数据,提取商品历史每日的销量长短时统计特征、特殊时间独热特征和关联商品销量特征,并进行融合,采用长短时记忆神经网络,滚动输入商品N日特征,训练商品销量精准预测模型。
3.根据权利要求1所述的基于商品活跃度分类的物流约束下供应链库存优化方法,其特征是,根据商品历史M月销量,计算商品活跃度,根据商品历史活跃度对商品进行分类,并构建满足物流约束的供应链库存优化模型,从而减少因供应链库存过度堆积所导致的资金周转率低的问题,从而加快企业资金周转。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110683426.1A CN113393041A (zh) | 2021-06-21 | 2021-06-21 | 一种基于销量预测的零售领域供应链库存优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110683426.1A CN113393041A (zh) | 2021-06-21 | 2021-06-21 | 一种基于销量预测的零售领域供应链库存优化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113393041A true CN113393041A (zh) | 2021-09-14 |
Family
ID=77623106
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110683426.1A Withdrawn CN113393041A (zh) | 2021-06-21 | 2021-06-21 | 一种基于销量预测的零售领域供应链库存优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113393041A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114219412A (zh) * | 2022-02-23 | 2022-03-22 | 广州丽晶软件科技股份有限公司 | 基于智慧商品系统销售预测的自动补货方法及补货系统 |
CN114548795A (zh) * | 2022-02-25 | 2022-05-27 | 北京理工大学重庆创新中心 | 一种电池供应安全评估方法、系统、设备及存储介质 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001209629A (ja) * | 2000-01-25 | 2001-08-03 | Toyota Motor Corp | 商品の販売計画数量又は生産計画数量の算出方法 |
US6609101B1 (en) * | 1999-03-26 | 2003-08-19 | The Retail Pipeline Integration Group, Inc. | Method and system for determining time-phased product sales forecasts and projected replenishment shipments for a retail stores supply chain |
US20140067467A1 (en) * | 2012-08-31 | 2014-03-06 | Target Brands, Inc. | Adjacency optimization system for product category merchandising space allocation |
CN108764460A (zh) * | 2018-05-16 | 2018-11-06 | 华中科技大学 | 一种基于时间卷积和lstm的时间序列预测方法 |
CN109685583A (zh) * | 2019-01-10 | 2019-04-26 | 博拉网络股份有限公司 | 一种基于大数据的供应链需求预测方法 |
CN110322203A (zh) * | 2019-07-05 | 2019-10-11 | 江苏云脑数据科技有限公司 | 零售业库存优化分析方法 |
CN110599234A (zh) * | 2019-08-13 | 2019-12-20 | 广东工业大学 | 一种产品销售预测方法 |
CN110610289A (zh) * | 2019-08-05 | 2019-12-24 | 石化盈科信息技术有限责任公司 | 加油站成品油补货量预测方法、计算机存储介质及计算机设备 |
CN110619407A (zh) * | 2018-06-19 | 2019-12-27 | 北京京东尚科信息技术有限公司 | 对象销量的预测方法及系统、电子设备和存储介质 |
CA3118316A1 (en) * | 2018-11-01 | 2020-05-07 | C3.Ai, Inc. | Systems and methods for inventory management and optimization |
CN112396374A (zh) * | 2020-11-17 | 2021-02-23 | 山东财经大学 | 不确定环境下乳制品供应链系统库存优化管理系统及方法 |
CN112529491A (zh) * | 2020-10-26 | 2021-03-19 | 杉数科技(北京)有限公司 | 一种库存管理方法及装置 |
-
2021
- 2021-06-21 CN CN202110683426.1A patent/CN113393041A/zh not_active Withdrawn
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6609101B1 (en) * | 1999-03-26 | 2003-08-19 | The Retail Pipeline Integration Group, Inc. | Method and system for determining time-phased product sales forecasts and projected replenishment shipments for a retail stores supply chain |
JP2001209629A (ja) * | 2000-01-25 | 2001-08-03 | Toyota Motor Corp | 商品の販売計画数量又は生産計画数量の算出方法 |
US20140067467A1 (en) * | 2012-08-31 | 2014-03-06 | Target Brands, Inc. | Adjacency optimization system for product category merchandising space allocation |
CN108764460A (zh) * | 2018-05-16 | 2018-11-06 | 华中科技大学 | 一种基于时间卷积和lstm的时间序列预测方法 |
CN110619407A (zh) * | 2018-06-19 | 2019-12-27 | 北京京东尚科信息技术有限公司 | 对象销量的预测方法及系统、电子设备和存储介质 |
CA3118316A1 (en) * | 2018-11-01 | 2020-05-07 | C3.Ai, Inc. | Systems and methods for inventory management and optimization |
CN109685583A (zh) * | 2019-01-10 | 2019-04-26 | 博拉网络股份有限公司 | 一种基于大数据的供应链需求预测方法 |
CN110322203A (zh) * | 2019-07-05 | 2019-10-11 | 江苏云脑数据科技有限公司 | 零售业库存优化分析方法 |
CN110610289A (zh) * | 2019-08-05 | 2019-12-24 | 石化盈科信息技术有限责任公司 | 加油站成品油补货量预测方法、计算机存储介质及计算机设备 |
CN110599234A (zh) * | 2019-08-13 | 2019-12-20 | 广东工业大学 | 一种产品销售预测方法 |
CN112529491A (zh) * | 2020-10-26 | 2021-03-19 | 杉数科技(北京)有限公司 | 一种库存管理方法及装置 |
CN112396374A (zh) * | 2020-11-17 | 2021-02-23 | 山东财经大学 | 不确定环境下乳制品供应链系统库存优化管理系统及方法 |
Non-Patent Citations (1)
Title |
---|
李勇;屈亚琴;黄仁存;邹安全;: "供应链环境下的区域物流网络库存需求预测模型", 统计与决策, no. 11, pages 43 - 46 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114219412A (zh) * | 2022-02-23 | 2022-03-22 | 广州丽晶软件科技股份有限公司 | 基于智慧商品系统销售预测的自动补货方法及补货系统 |
CN114219412B (zh) * | 2022-02-23 | 2022-04-22 | 广州丽晶软件科技股份有限公司 | 基于智慧商品系统销售预测的自动补货方法及补货系统 |
CN114548795A (zh) * | 2022-02-25 | 2022-05-27 | 北京理工大学重庆创新中心 | 一种电池供应安全评估方法、系统、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109784979B (zh) | 一种大数据驱动的供应链需求预测方法 | |
CN110392899A (zh) | 用于模型生成的动态特征选择 | |
CN107563705A (zh) | 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 | |
Tadayonrad et al. | A new key performance indicator model for demand forecasting in inventory management considering supply chain reliability and seasonality | |
CN113553540A (zh) | 一种商品销量的预测方法 | |
CN110163669B (zh) | 基于特征系数似然估计和零售业业务规则的需求预测方法 | |
CN109255651A (zh) | 一种基于大数据的搜索广告转化智能预测方法 | |
CN113393041A (zh) | 一种基于销量预测的零售领域供应链库存优化方法 | |
CN110555578A (zh) | 一种销量预测方法和装置 | |
TWI684145B (zh) | 倉儲儲位配置系統 | |
CN114548871B (zh) | 一种大数据驱动的供应链ai智能补货系统 | |
Saha et al. | Demand forecasting of a multinational retail company using deep learning frameworks | |
CN112613719A (zh) | 一种熟食门店智能订货系统及方法 | |
CN107958297A (zh) | 一种产品需求预测方法及产品需求预测装置 | |
CN114372848A (zh) | 一种基于机器学习的烟草行业智能营销系统 | |
CN116188061A (zh) | 商品销量预测方法、装置、电子设备及存储介质 | |
Kumar et al. | Machine Learning Based Decision Support System for Resilient Supplier Selection | |
CN111192083A (zh) | 一种间断需求的预测方法 | |
CN114881694A (zh) | 自动补货方法、系统、电子设备、存储介质、程序产品 | |
Kabanova et al. | ABC-XYZ inventory analysis accounting for change points | |
Chołodowicz et al. | A periodic inventory control system with adaptive reference stock level for long supply delay | |
Rodrigues et al. | Forecasting demand in the clothing industry | |
Frankeová et al. | Fuzzy-expert system for customer behavior prediction | |
Dbouk et al. | Re-ordering policies for inventory systems with a fluctuating economic environment–Using economic descriptors to model the demand process | |
US20230394512A1 (en) | Methods and systems for profit optimization |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20210914 |
|
WW01 | Invention patent application withdrawn after publication |