CN113570098A - 出货量预测方法、装置、计算机装置及存储介质 - Google Patents

出货量预测方法、装置、计算机装置及存储介质 Download PDF

Info

Publication number
CN113570098A
CN113570098A CN202010351886.XA CN202010351886A CN113570098A CN 113570098 A CN113570098 A CN 113570098A CN 202010351886 A CN202010351886 A CN 202010351886A CN 113570098 A CN113570098 A CN 113570098A
Authority
CN
China
Prior art keywords
product
model
material number
number code
prediction
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
CN202010351886.XA
Other languages
English (en)
Inventor
薛凯薰
陈力铭
张毓仁
林尚毅
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.)
Hongfujin Precision Electronics Tianjin Co Ltd
Original Assignee
Hongfujin Precision Electronics Tianjin Co Ltd
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 Hongfujin Precision Electronics Tianjin Co Ltd filed Critical Hongfujin Precision Electronics Tianjin Co Ltd
Priority to CN202010351886.XA priority Critical patent/CN113570098A/zh
Priority to US17/241,427 priority patent/US20210334751A1/en
Publication of CN113570098A publication Critical patent/CN113570098A/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
    • 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
    • G06Q10/10—Office automation; Time management
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/28—Databases characterised by their database models, e.g. relational or object models
    • G06F16/284—Relational databases
    • 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
    • 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
    • G06N3/045—Combinations of 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06315—Needs-based resource requirements planning or analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • G06Q10/083—Shipping
    • G06Q10/0838—Historical 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
    • 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
    • G06Q10/0875—Itemisation or classification of parts, supplies or services, e.g. bill of materials
    • 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
    • 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
    • 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

Landscapes

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

Abstract

本发明提供一种出货量预测方法、出货量预测装置、计算机装置及计算机存储介质，所述方法包括：获取材料名称，以及所述材料名称对应的至少一个料号代码；调用预先训练生成的材料用量预测模型，利用所述材料用量预测模型预测在预设时间内生产至少一个型号的产品需要所述至少一个料号代码所对应的材料的使用数量，根据所述至少一个料号代码所对应的材料的使用数量查询料号代码与产品信息对应关系表，计算所述至少一个料号代码对应的至少一个型号的产品的出货量。通过所述方法使得出货量预测以更加高效、智能的方式进行。

Description

出货量预测方法、装置、计算机装置及存储介质
技术领域
本发明涉及供应链管理技术领域，具体涉及一种出货量预测方法、出货量预测装置、计算机装置及计算机存储介质。
背景技术
随着电子信息产业的蓬勃发展，人们对电子产品的需求量越来越大，且电子产品更新的速度快，因此对电子产品生产效率的要求也越来越高。但是电子产品结构复杂，生产一款电子产品的所需的零部件众多，因此对零部件的物流、仓储提出了更大的挑战。在实际生产中，人们需要对产品的出货量进行预测，从而合理的安排原材料的采购和物流。现在有的出货量预测方法多采用人工统计分析的方法对未来预设时间的出货量进行预测，现有的出货量预测方法效率低、不智能。
发明内容
鉴于以上内容，有必要提出一种出货量预测方法、出货量预测装置、计算机装置和计算机存储介质，使得出货量预测以更加高效、智能的方式进行。
本申请的第一方面提供一种出货量预测方法，所述方法包括：
获取材料名称，以及所述材料名称对应的至少一个料号代码；
调用预先训练生成的材料用量预测模型，利用所述材料用量预测模型预测在预设时间内生产至少一个型号的产品需要所述至少一个料号代码所对应的材料的使用数量，其中，所述材料用量预测模型分析历史时间段内至少一个料号代码与所述至少一个料号代码所对应的材料在不同型号的产品上的使用数量之间的特征关系，并通过所述特征关系预测所述至少一个料号代码所对应的材料在预设时间内在不同型号的产品上的使用数量；
根据所述至少一个料号代码所对应的材料的使用数量查询料号代码与产品信息对应关系表，计算所述至少一个料号代码对应的至少一个型号的产品的出货量，其中，所述料号代码与产品信息对应关系表记录了生产每个产品所需的所有材料的料号代码以及每一种材料的使用数量。
优选地，所述方法还包括：
根据所述产品的出货量，输出生产所述产品所需的料号清单，其中所述料号清单包括材料名称、料号代码、材料的使用数量中的一项或多项。
优选地，所述方法还包括：
根据所述料号清单查询仓库中已有的材料数量是否大于所需材料数量，其中所需材料数量为所述料号清单中的材料的使用数量；
当已有材料数量小于所述料号清单中的材料的使用数量时，生成第一提示消息。
优选地，所述方法还包括：
当仓库中已有材料数量大于所需材料数量时，计算所述已有材料数量与所需材料数量的差值，并将所述差值与一预设阈值进行比对；
若大于所述阈值，生成库存量过剩的第二提示消息。
优选地，所述材料用量预测模型的训练包括：
获取样本数据，并将样本数据分为训练集和验证集，所述样本数据包括已出货产品的出货时间、已出货产品的料号代码、已出货产品对应的料号代码所对应的材料的使用数量，其中，将已出货产品的出货时间、已出货产品对应的料号代码作为所述材料用量预测模型的输入数据，将已出货产品对应的所述料号代码对应的材料的使用数量作为所述材料用量预测模型的输出数据；
建立基于卷积神经网络的深度学习模型，并利用所述训练集对所述深度学习模型进行训练，并得出所述深度学习模型的参数；
利用所述验证集对训练后的深度学习模型进行验证，并根据验证结果统计所述深度学习模型预测的准确率；
判断所述模型预测准确率是否小于预设阈值；
若所述模型预测准确率不小于所述预设阈值，将训练完成的所述深度学习模型作为所述材料用量预测模型。
优选地，所述判断所述模型预测准确率是否小于预设阈值的之后还包括：
若所述模型预测准确率小于所述预设阈值，调整所述深度学习模型的参数，并利用所述训练集重新对调整后的深度学习模型进行训练；
利用所述验证集对重新训练的深度学习模型进行验证，并根据每一验证结果重新统计得到模型预测准确率，并判断重新统计得到的模型预测准确率是否小于所述预设阈值；
若所述重新统计得到的模型预测准确率不小于所述预设阈值，将重新训练完成的深度学习模型作为所述材料用量预测模型；
若所述重新统计得到的模型预测准确率小于所述预设阈值，重复执行所述调整所述深度学习模型的参数，并利用所述训练集重新对调整后的深度学习模型进行训练，直至通过所述验证集验证得到的模型预测准确率不小于所述预设阈值；
其中，所述基于卷积神经网络的深度学习模型的参数包括卷积核的数量、池化层中元素的数量、全连接层中元素的数量、不同连接层之间的连接关系中的至少一种。
优选地，所述料号代码与产品信息对应关系表的建立方式包括：
获取产品的设计图纸，从所述设计图纸中获取产品的材料名称、料号代码及材料的使用数量，根据所述产品的材料名称、料号代码及材料的使用数量建立所述料号代码与产品信息对应关系表；
获取产品的加工参数信息，从所述产品的加工参数信息中获取加工所述产品的耗材信息、耗材的料号代码及耗材的使用数量，根据所述产品的耗材信息、耗材的料号代码及耗材的使用数量建立所述料号代码与产品信息对应关系表。
本申请的第二方面提供一种出货量预测装置，所述装置包括：
获取模块，用于获取材料名称，以及所述材料名称对应的至少一个料号代码；
预测模块，用于调用预先训练生成的材料用量预测模型，利用所述材料用量预测模型预测在预设时间内生产至少一个型号的产品需要所述至少一个料号代码所对应的材料的使用数量，其中，所述材料用量预测模型分析历史时间段内至少一个料号代码与所述至少一个料号代码所对应的材料在不同型号的产品上的使用数量之间的特征关系，并通过所述特征关系预测所述至少一个料号代码所对应的材料在预设时间内在不同型号的产品上的使用数量；
计算模块，用于根据所述至少一个料号代码所对应的材料的使用数量查询料号代码与产品信息对应关系表，计算所述至少一个料号代码对应的至少一个型号的产品的出货量，其中，所述料号代码与产品信息对应关系表记录了生产每个产品所需的所有材料的料号代码以及每一种材料的使用数量。
本申请的第三方面提供一种计算机装置，所述计算机装置包括处理器和存储器，所述处理器用于执行所述存储器中存储的计算机程序时实现如前所述出货量预测方法。
本申请的第四方面提供一种计算机存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如前所述出货量预测方法。
本发明出货量预测方法、出货量预测装置、计算机装置和计算机存储介质，所述方法通过材料用量预测模型对获取的料号代码所对应的材料在未来预设时间的使用量进行预测，并根据所述材料的使用量及料号代码与产品信息对应关系表，计算出所述至少一个料号代码对应的至少一款产品的出货量。通过所述方法可以使产品出货量的预测方式更加高效、智能。
附图说明
图1是本发明实施例一提供的出货量预测方法的应用环境架构示意图。
图2是本发明实施例二提供的出货量预测方法流程图。
图3是本发明实施例三提供的出货量预测装置的结构示意图。
图4是本发明实施例四提供的计算机装置示意图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施例对本发明进行详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。
实施例一
参阅图1所示，为本发明实施例一提供的出货量预测方法的应用环境架构示意图。
本发明中的出货量预测方法应用在计算机装置1中，所述计算机装置1和至少一个用户终端2通过网络建立通信连接。所述网络可以是有线网络，也可以是无线网络，例如无线电、无线保真(Wireless Fidelity,WIFI)、蜂窝、卫星、广播等。所述用户终端2用于发送待查询的料号代码。所述计算机装置1用于预测在预设时间段内所述料号代码所对应的材料的在待生产产品上的使用数量，并根据料号代码与产品信息对应关系表计算所述料号代码对应的至少一个型号的产品的出货量。
所述计算机装置1可以为安装有出货量预测软件的电子设备，例如个人电脑、服务器等，其中，所述服务器可以是单一的服务器、服务器集群或云服务器等。
所述用户终端2是具有运算存储功能的电子设备，包括但不限于智能手机、平板电脑、膝上型便捷计算机、台式计算机、生产加工设备等。
实施例二
请参阅图2所示，是本发明第二实施例提供的出货量预测方法的流程图。根据不同的需求，所述流程图中步骤的顺序可以改变，某些步骤可以省略。
步骤S1、获取材料名称，以及所述材料名称对应的至少一个料号代码。
所述料号代码可以是字母和数字的组合。所述料号代码中的字母和数字用于描述所述料号的材质、安装的位置、应用的产品型号、产品品牌、销售的国家和地区等。例如料号ABC123,其中A为所述材料的材质代码，可以根据预设的材质代码和材质的对照关系获取所述材料的材质信息；B为所述材料的安装位置代码，可以根据预设的安装位置与材质的对照关系获取所述材料的安装位置；C为与所述料号对应的产品的型号；1为与所述料号对应的产品品牌；2为与所述料号对应的销售国家；3为与所述料号对应的销售区域。
步骤S2、调用预先训练生成的材料用量预测模型，利用所述材料用量预测模型预测在预设时间内生产至少一个型号的产品需要所述至少一个料号代码所对应的材料的使用数量。
其中，所述材料用量预测模型分析历史时间段内至少一个料号代码与所述至少一个料号代码所对应的材料在不同型号的产品上的使用数量之间的特征关系，并通过所述特征关系预测所述至少一个料号代码所对应的材料在预设时间内在不同型号的产品上的使用数量。
可以将一个料号代码输入到所述材料用量预测模型中预测在预设时间内，生产一个型号的产品所需的所述料号代码的数量。也可以将同一种材料对应的多个料号代码输入到所述材料用量预测模型中预测在预设时间内，生产多个型号的产品所需的所述料号代码的数量。所述预设时间可以是一个月、二十天等，工作人员可以根据实际情况进行设定。
在本发明一实施方式中，所述材料用量预测模型中至少一个料号代码与所述至少一个料号代码所对应的材料在不同型号的产品上的使用数量之间的特征关系可以采用数理统计的方法分析得出。例如，统计历史时间段内任意一个料号代码及所述料号代码对应的材料的使用数量，将所述数量导入基于统计算法的预测模型中，分析处所述料号代码在未来预设时间内生产至少一个型号的产品需要所述至少一个料号代码所对应的材料的使用数量。所述统计算法包括时间序列模型(Time Series Model)、长短记忆模型(LongShort-Term Memory Model)、隐式马尔科夫模型(Hidden Markov Model)中的任意一种。
在本发明又一实施方式中，所述材料用量预测模型中至少一个料号代码与所述至少一个料号代码所对应的材料在不同型号的产品上的使用数量之间的特征关系还可以采用卷积神经网络的深度学习模型分析得出，所述材料用量预测模型的训练步骤包括：
获取样本数据，并将样本数据分为训练集和验证集，所述样本数据包括已出货产品的出货时间、已出货产品的料号代码、已出货产品对应的料号代码所对应的材料的使用数量，其中，将已出货产品的出货时间、已出货产品对应的料号代码作为所述材料用量预测模型的输入数据，将已出货产品对应的所述料号代码对应的材料的使用数量作为所述材料用量预测模型的输出数据；
建立基于卷积神经网络的深度学习模型，并利用所述训练集对所述深度学习模型进行训练，并得出所述深度学习模型的参数；
利用所述验证集对训练后的深度学习模型进行验证，并根据验证结果统计所述深度学习模型预测的准确率；
判断所述模型预测准确率是否小于预设阈值；
若所述模型预测准确率不小于所述预设阈值，将训练完成的所述深度学习模型作为所述材料用量预测模型。
若所述模型预测准确率小于所述预设阈值，调整所述深度学习模型的参数，并利用所述训练集重新对调整后的深度学习模型进行训练；
利用所述验证集对重新训练的深度学习模型进行验证，并根据每一验证结果重新统计得到模型预测准确率，并判断重新统计得到的模型预测准确率是否小于所述预设阈值；
若所述重新统计得到的模型预测准确率不小于所述预设阈值，将重新训练完成的深度学习模型作为所述材料用量预测模型；
若所述重新统计得到的模型预测准确率小于所述预设阈值，重复执行所述调整所述深度学习模型的参数，并利用所述训练集重新对调整后的深度学习模型进行训练，直至通过所述验证集验证得到的模型预测准确率不小于所述预设阈值；
其中，所述基于卷积神经网络的深度学习模型的参数包括卷积核的数量、池化层中元素的数量、全连接层中元素的数量、不同连接层之间的连接关系中的至少一种。
在本发明其他实施方式中，所述材料用量预测模型还可以是基于朴素贝叶斯算法的深度学习模型、基于多分类支持向量机算法的深度学习模型、基于逻辑回归分类算法的深度学习模型、基于决策树分类算法的深度学习模型中的任意一种。
步骤S3、根据所述至少一个料号代码所对应的材料的使用数量查询料号代码与产品信息对应关系表，计算所述至少一个料号代码对应的至少一个型号的产品的出货量。
其中，所述料号代码与产品信息对应关系表记录了生产每个产品所需的所有材料的料号代码以及每一种材料的使用数量。
所述料号代码与产品信息对应关系表的获取方式可以包括：
获取产品的设计图纸，从所述设计图纸中获取产品的材料名称、料号代码及材料的使用数量，根据所述产品的材料名称、料号代码及材料的使用数量建立所述料号代码与产品信息对应关系表。在产品的设计图纸中记录了记录产品各个零部件的料号代码及需要所述料号代码的数量。
获取产品的加工参数信息，从所述产品的加工参数信息中获取加工所述产品的耗材信息、耗材的料号代码及耗材的使用数量，根据所述产品的耗材信息、耗材的料号代码及耗材的使用数量建立所述料号代码与产品信息对应关系表。所述耗材信息可以是加工过程中损耗的物料，例如砂轮、显影液等。
在本发明又一实施方式中，所述出货量预测方法的步骤还包括：根据所述产品的出货量，输出生产所述产品所需的料号清单，其中所述料号清单包括材料名称、料号代码、材料的使用数量中的一项或多项。生产同一型号的产品的不同料号代码之间存在对应关系，已知产品的出货量和生产所述产品的一种料号代码所对应材料的使用数量，根据所述对应关系，可以计算出生产所述产品所需的其他料号代码所对应材料的使用数量，并将生产所述产品所需的所有料号代码、所述料号代码所对应的材料名称、所述材料名称对应的使用数量以数据表单的形式输出。
在本发明又一实施方式中，所述出货量预测方法的步骤还包括：根据所述料号清单查询仓库中已有的材料数量是否大于所需材料数量，其中所需材料数量为所述料号清单中的材料的使用数量；当已有材料数量小于所述料号清单中的材料的使用数量时，生成第一提示消息。所述第一提示消息用于当前仓库中的材料数量不足以满足未来预设时间内生产产品所需的材料数量时，发出第一提示消息，所述第一提示消息用于提醒工作人员及时采购材料。所述第一提示消息可以以文字的形式输出，也可以以语音的形式输出。
在本发明又一实施方式中，所述出货量预测方法的步骤还包括：当仓库中已有材料数量大于所需材料数量时，计算所述已有材料数量与所需材料数量的差值，并将所述差值与一预设阈值进行比对；若大于所述阈值，生成库存量过剩的第二提示消息。所述第二提示消息用于提醒工作人员当前库存的材料数量过剩，需要重新安排采购计划。所述第二提示消息可以以文字的形式输出，也可以以语音的形式输出。
上述图2详细介绍了本发明的出货量预测方法，下面结合第3-4图，对实现所述出货量预测方法的软件装置的功能模块以及实现所述出货量预测方法的硬件装置架构进行介绍。
应所述了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
实施例三
图3为本发明出货量预测装置较佳实施例的结构图。
在一些实施例中，出货量预测装置10运行于计算机装置中。所述计算机装置通过网络连接了多个用户终端。所述出货量预测装置10可以包括多个由程序代码段所组成的功能模块。所述出货量预测装置10中的各个程序段的程序代码可以存储于计算机装置的存储器中，并由所述至少一个处理器所执行，以实现出货量预测功能。
本实施例中，所述出货量预测装置10根据其所执行的功能，可以被划分为多个功能模块。参阅图3所示，所述功能模块可以包括：获取模块101、预测模块102、计算模块103。本发明所称的模块是指一种能够被至少一个处理器所执行并且能够完成固定功能的一系列计算机程序段，其存储在存储器中。在本实施例中，关于各模块的功能将在后续的实施例中详述。
所述获取模块101，用于获取材料名称，以及所述材料名称对应的至少一个料号代码。
所述料号代码可以是字母和数字的组合。所述料号代码中的字母和数字用于描述所述料号的材质、安装的位置、应用的产品型号、产品品牌、销售的国家和地区等。例如料号ABC123,其中A为所述材料的材质代码，可以根据预设的材质代码和材质的对照关系获取所述材料的材质信息；B为所述材料的安装位置代码，可以根据预设的安装位置与材质的对照关系获取所述材料的安装位置；C为与所述料号对应的产品的型号；1为与所述料号对应的产品品牌；2为与所述料号对应的销售国家；3为与所述料号对应的销售区域。
所述预测模块102，用于调用预先训练生成的材料用量预测模型，利用所述材料用量预测模型预测在预设时间内生产至少一个型号的产品需要所述至少一个料号代码所对应的材料的使用数量。
其中，所述材料用量预测模型分析历史时间段内至少一个料号代码与所述至少一个料号代码所对应的材料在不同型号的产品上的使用数量之间的特征关系，并通过所述特征关系预测所述至少一个料号代码所对应的材料在预设时间内在不同型号的产品上的使用数量。
可以将一个料号代码输入到所述材料用量预测模型中预测在预设时间内，生产一个型号的产品所需的所述料号代码的数量。也可以将同一种材料对应的多个料号代码输入到所述材料用量预测模型中预测在预设时间内，生产多个型号的产品所需的所述料号代码的数量。所述预设时间可以是一个月、二十天等，工作人员可以根据实际情况进行设定。
在本发明一实施方式中，所述材料用量预测模型中至少一个料号代码与所述至少一个料号代码所对应的材料在不同型号的产品上的使用数量之间的特征关系可以采用数理统计的方法分析得出。例如，统计历史时间段内任意一个料号代码及所述料号代码对应的材料的使用数量，将所述数量导入基于统计算法的预测模型中，分析处所述料号代码在未来预设时间内生产至少一个型号的产品需要所述至少一个料号代码所对应的材料的使用数量。所述统计算法包括时间序列模型(Time Series Model)、长短记忆模型(LongShort-Term Memory Model)、隐式马尔科夫模型(Hidden Markov Model)中的任意一种。
在本发明又一实施方式中，所述材料用量预测模型中至少一个料号代码与所述至少一个料号代码所对应的材料在不同型号的产品上的使用数量之间的特征关系还可以采用卷积神经网络的深度学习模型分析得出，所述材料用量预测模型的训练步骤包括：
获取样本数据，并将样本数据分为训练集和验证集，所述样本数据包括已出货产品的出货时间、已出货产品的料号代码、已出货产品对应的料号代码所对应的材料的使用数量，其中，将已出货产品的出货时间、已出货产品对应的料号代码作为所述材料用量预测模型的输入数据，将已出货产品对应的所述料号代码对应的材料的使用数量作为所述材料用量预测模型的输出数据；
建立基于卷积神经网络的深度学习模型，并利用所述训练集对所述深度学习模型进行训练，并得出所述深度学习模型的参数；
利用所述验证集对训练后的深度学习模型进行验证，并根据验证结果统计所述深度学习模型预测的准确率；
判断所述模型预测准确率是否小于预设阈值；
若所述模型预测准确率不小于所述预设阈值，将训练完成的所述深度学习模型作为所述材料用量预测模型。
若所述模型预测准确率小于所述预设阈值，调整所述深度学习模型的参数，并利用所述训练集重新对调整后的深度学习模型进行训练；
利用所述验证集对重新训练的深度学习模型进行验证，并根据每一验证结果重新统计得到模型预测准确率，并判断重新统计得到的模型预测准确率是否小于所述预设阈值；
若所述重新统计得到的模型预测准确率不小于所述预设阈值，将重新训练完成的深度学习模型作为所述材料用量预测模型；
若所述重新统计得到的模型预测准确率小于所述预设阈值，重复执行所述调整所述深度学习模型的参数，并利用所述训练集重新对调整后的深度学习模型进行训练，直至通过所述验证集验证得到的模型预测准确率不小于所述预设阈值；
其中，所述基于卷积神经网络的深度学习模型的参数包括卷积核的数量、池化层中元素的数量、全连接层中元素的数量、不同连接层之间的连接关系中的至少一种。
在本发明其他实施方式中，所述材料用量预测模型还可以是基于朴素贝叶斯算法的深度学习模型、基于多分类支持向量机算法的深度学习模型、基于逻辑回归分类算法的深度学习模型、基于决策树分类算法的深度学习模型中的任意一种。
所述计算模块103，用于根据所述至少一个料号代码所对应的材料的使用数量查询料号代码与产品信息对应关系表，计算所述至少一个料号代码对应的至少一个型号的产品的出货量。
其中，所述料号代码与产品信息对应关系表记录了生产每个产品所需的所有材料的料号代码以及每一种材料的使用数量。
所述料号代码与产品信息对应关系表的获取方式可以包括：
获取产品的设计图纸，从所述设计图纸中获取产品的材料名称、料号代码及材料的使用数量，根据所述产品的材料名称、料号代码及材料的使用数量建立所述料号代码与产品信息对应关系表。在产品的设计图纸中记录了记录产品各个零部件的料号代码及需要所述料号代码的数量。
获取产品的加工参数信息，从所述产品的加工参数信息中获取加工所述产品的耗材信息、耗材的料号代码及耗材的使用数量，根据所述产品的耗材信息、耗材的料号代码及耗材的使用数量建立所述料号代码与产品信息对应关系表。所述耗材信息可以是加工过程中损耗的物料，例如砂轮、显影液等。
在本发明又一实施方式中，所述出货量预测方法的步骤还包括：根据所述产品的出货量，输出生产所述产品所需的料号清单，其中所述料号清单包括材料名称、料号代码、材料的使用数量中的一项或多项。生产同一型号的产品的不同料号代码之间存在对应关系，已知产品的出货量和生产所述产品的一种料号代码所对应材料的使用数量，根据所述对应关系，可以计算出生产所述产品所需的其他料号代码所对应材料的使用数量，并将生产所述产品所需的所有料号代码、所述料号代码所对应的材料名称、所述材料名称对应的使用数量以数据表单的形式输出。
在本发明又一实施方式中，所述出货量预测方法的步骤还包括：根据所述料号清单查询仓库中已有的材料数量是否大于所需材料数量，其中所需材料数量为所述料号清单中的材料的使用数量；当已有材料数量小于所述料号清单中的材料的使用数量时，生成第一提示消息。所述第一提示消息用于当前仓库中的材料数量不足以满足未来预设时间内生产产品所需的材料数量时，发出第一提示消息，所述第一提示消息用于提醒工作人员及时采购材料。所述第一提示消息可以以文字的形式输出，也可以以语音的形式输出。
在本发明又一实施方式中，所述出货量预测方法的步骤还包括：当仓库中已有材料数量大于所需材料数量时，计算所述已有材料数量与所需材料数量的差值，并将所述差值与一预设阈值进行比对；若大于所述阈值，生成库存量过剩的第二提示消息。所述第二提示消息用于提醒工作人员当前库存的材料数量过剩，需要重新安排采购计划。所述第二提示消息可以以文字的形式输出，也可以以语音的形式输出。
实施例四
图4为本发明计算机装置较佳实施例的示意图。
所述计算机装置1包括存储器20、处理器30以及存储在所述存储器20中并可在所述处理器30上运行的计算机程序40，例如出货量预测程序。所述处理器30执行所述计算机程序40时实现上述出货量预测方法实施例中的步骤，例如图2所示的步骤S1～S3。或者，所述处理器30执行所述计算机程序40时实现上述出货量预测装置实施例中各模块/单元的功能，例如图3中的单元101-103。
示例性的，所述计算机程序40可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器20中，并由所述处理器30执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，所述指令段用于描述所述计算机程序40在所述计算机装置1中的执行过程。例如，所述计算机程序40可以被分割成图3中的获取模块101、预测模块102、计算模块103。
所述计算机装置1可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。本领域技术人员可以理解，所述示意图仅仅是计算机装置1的示例，并不构成对计算机装置1的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述计算机装置1还可以包括输入输出设备、网络接入设备、总线等。
所称处理器30可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者所述处理器30也可以是任何常规的处理器等，所述处理器30是所述计算机装置1的控制中心，利用各种接口和线路连接整个计算机装置1的各个部分。
所述存储器20可用于存储所述计算机程序40和/或模块/单元，所述处理器30通过运行或执行存储在所述存储器20内的计算机程序和/或模块/单元，以及调用存储在存储器20内的数据，实现所述计算机装置1的各种功能。所述存储器20可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据计算机装置1的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器20可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
所述计算机装置1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，所述计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
在本发明所提供的几个实施例中，应所述理解到，所揭露的计算机装置和方法，可以通过其它的方式实现。例如，以上所描述的计算机装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
另外，在本发明各个实施例中的各功能单元可以集成在相同处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在相同单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。计算机装置权利要求中陈述的多个单元或计算机装置也可以由同一个单元或计算机装置通过软件或者硬件来实现。第一，第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。

Claims (10)

1.一种出货量预测方法，其特征在于，所述方法包括：
获取材料名称，以及所述材料名称对应的至少一个料号代码；
调用预先训练生成的材料用量预测模型，利用所述材料用量预测模型预测在预设时间内生产至少一个型号的产品需要所述至少一个料号代码所对应的材料的使用数量，其中，所述材料用量预测模型分析历史时间段内至少一个料号代码与所述至少一个料号代码所对应的材料在不同型号的产品上的使用数量之间的特征关系，并通过所述特征关系预测所述至少一个料号代码所对应的材料在预设时间内在不同型号的产品上的使用数量；
根据所述至少一个料号代码所对应的材料的使用数量查询料号代码与产品信息对应关系表，计算所述至少一个料号代码对应的至少一个型号的产品的出货量，其中，所述料号代码与产品信息对应关系表记录了生产每个产品所需的所有材料的料号代码以及每一种材料的使用数量。
2.如权利要求1所述的出货量预测方法，其特征在于，所述方法还包括：
根据所述产品的出货量，输出生产所述产品所需的料号清单，其中所述料号清单包括材料名称、料号代码、材料的使用数量中的一项或多项。
3.如权利要求2所述的出货量预测方法，其特征在于，所述方法还包括：
根据所述料号清单查询仓库中已有的材料数量是否大于所需材料数量，其中所需材料数量为所述料号清单中的材料的使用数量；
当已有材料数量小于所述料号清单中的材料的使用数量时，生成第一提示消息。
4.如权利要求3所述的出货量预测方法，其特征在于，所述方法还包括：
当仓库中已有材料数量大于所需材料数量时，计算所述已有材料数量与所需材料数量的差值，并将所述差值与一预设阈值进行比对；
若大于所述阈值，生成库存量过剩的第二提示消息。
5.如权利要求1所述的出货量预测方法，其特征在于，所述材料用量预测模型的训练包括：
获取样本数据，并将样本数据分为训练集和验证集，所述样本数据包括已出货产品的出货时间、已出货产品的料号代码、已出货产品对应的料号代码所对应的材料的使用数量，其中，将已出货产品的出货时间、已出货产品对应的料号代码作为所述材料用量预测模型的输入数据，将已出货产品对应的所述料号代码对应的材料的使用数量作为所述材料用量预测模型的输出数据；
建立基于卷积神经网络的深度学习模型，并利用所述训练集对所述深度学习模型进行训练，并得出所述深度学习模型的参数；
利用所述验证集对训练后的深度学习模型进行验证，并根据验证结果统计所述深度学习模型预测的准确率；
判断所述模型预测准确率是否小于预设阈值；
若所述模型预测准确率不小于所述预设阈值，将训练完成的所述深度学习模型作为所述材料用量预测模型。
6.如权利要求5所述的出货量预测方法，其特征在于，所述判断所述模型预测准确率是否小于预设阈值的之后还包括：
若所述模型预测准确率小于所述预设阈值，调整所述深度学习模型的参数，并利用所述训练集重新对调整后的深度学习模型进行训练；
利用所述验证集对重新训练的深度学习模型进行验证，并根据每一验证结果重新统计得到模型预测准确率，并判断重新统计得到的模型预测准确率是否小于所述预设阈值；
若所述重新统计得到的模型预测准确率不小于所述预设阈值，将重新训练完成的深度学习模型作为所述材料用量预测模型；
若所述重新统计得到的模型预测准确率小于所述预设阈值，重复执行所述调整所述深度学习模型的参数，并利用所述训练集重新对调整后的深度学习模型进行训练，直至通过所述验证集验证得到的模型预测准确率不小于所述预设阈值；
其中，所述基于卷积神经网络的深度学习模型的参数包括卷积核的数量、池化层中元素的数量、全连接层中元素的数量、不同连接层之间的连接关系中的至少一种。
7.如权利要求1所述的出货量预测方法，其特征在于，所述料号代码与产品信息对应关系表的建立方式包括：
获取产品的设计图纸，从所述设计图纸中获取产品的材料名称、料号代码及材料的使用数量，根据所述产品的材料名称、料号代码及材料的使用数量建立所述料号代码与产品信息对应关系表；
获取产品的加工参数信息，从所述产品的加工参数信息中获取加工所述产品的耗材信息、耗材的料号代码及耗材的使用数量，根据所述产品的耗材信息、耗材的料号代码及耗材的使用数量建立所述料号代码与产品信息对应关系表。
8.一种出货量预测装置，其特征在于，所述装置包括：
获取模块，用于获取材料名称，以及所述材料名称对应的至少一个料号代码；
预测模块，用于调用预先训练生成的材料用量预测模型，利用所述材料用量预测模型预测在预设时间内生产至少一个型号的产品需要所述至少一个料号代码所对应的材料的使用数量，其中，所述材料用量预测模型分析历史时间段内至少一个料号代码与所述至少一个料号代码所对应的材料在不同型号的产品上的使用数量之间的特征关系，并通过所述特征关系预测所述至少一个料号代码所对应的材料在预设时间内在不同型号的产品上的使用数量；
计算模块，用于根据所述至少一个料号代码所对应的材料的使用数量查询料号代码与产品信息对应关系表，计算所述至少一个料号代码对应的至少一个型号的产品的出货量，其中，所述料号代码与产品信息对应关系表记录了生产每个产品所需的所有材料的料号代码以及每一种材料的使用数量。
9.一种计算机装置，其特征在于：所述计算机装置包括处理器和存储器，所述处理器用于执行所述存储器中存储的计算机程序时实现如权利要求1至7中任一项所述的出货量预测方法。
10.一种计算机存储介质，其上存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的出货量预测方法。
CN202010351886.XA 2020-04-28 2020-04-28 出货量预测方法、装置、计算机装置及存储介质 Pending CN113570098A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202010351886.XA CN113570098A (zh) 2020-04-28 2020-04-28 出货量预测方法、装置、计算机装置及存储介质
US17/241,427 US20210334751A1 (en) 2020-04-28 2021-04-27 Shipment prediction method and device

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010351886.XA CN113570098A (zh) 2020-04-28 2020-04-28 出货量预测方法、装置、计算机装置及存储介质

Publications (1)

Publication Number Publication Date
CN113570098A true CN113570098A (zh) 2021-10-29

Family

ID=78158252

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010351886.XA Pending CN113570098A (zh) 2020-04-28 2020-04-28 出货量预测方法、装置、计算机装置及存储介质

Country Status (2)

Country Link
US (1) US20210334751A1 (zh)
CN (1) CN113570098A (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114091427A (zh) * 2021-11-19 2022-02-25 海信电子科技(武汉)有限公司 一种图像文本相似度模型训练方法及显示设备

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030150909A1 (en) * 2001-12-28 2003-08-14 Kimberly-Clark Worldwide, Inc. Quality management by validating a bill of materials in event-based product manufacturing
CN1540557A (zh) * 2003-04-22 2004-10-27 鸿富锦精密工业（深圳）有限公司 出货管理系统及方法
TW200422897A (en) * 2003-04-25 2004-11-01 Hon Hai Prec Ind Co Ltd System and method for distributing outbound materials
CN1542659A (zh) * 2003-04-28 2004-11-03 鸿富锦精密工业（深圳）有限公司 出货物料排配系统及方法
TW201106279A (en) * 2009-08-11 2011-02-16 Univ Nat Cheng Kung Virtual production control system and method and computer program product thereof
US20170300851A1 (en) * 2014-10-22 2017-10-19 Halliburton Energy Services, Inc. Managing a Supply Chain
EP3637337A1 (en) * 2018-10-10 2020-04-15 Bayer AG Product supply apparatus
WO2020074207A1 (en) * 2018-10-10 2020-04-16 Bayer Aktiengesellschaft Product supply apparatus

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7353188B2 (en) * 2000-06-30 2008-04-01 Lg Electronics Product selling system and method for operating the same
US7117164B2 (en) * 2001-01-26 2006-10-03 I2 Technologies Us, Inc. System and method of demand planning for intermediate and by-products
US7577577B2 (en) * 2001-01-31 2009-08-18 Dell Products L.P. Pull to customer order demand fulfillment system and method
US8626618B2 (en) * 2007-11-14 2014-01-07 Panjiva, Inc. Using non-public shipper records to facilitate rating an entity based on public records of supply transactions
US11416810B2 (en) * 2017-04-04 2022-08-16 OrderGroove, Inc. Electronic messaging to distribute items based on adaptive scheduling
CN107222555B (zh) * 2017-06-27 2020-08-25 聚好看科技股份有限公司 消息处理方法及装置
WO2020033967A1 (en) * 2018-08-10 2020-02-13 Buffalo Automation Group Inc. Training a deep learning system for maritime applications

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030150909A1 (en) * 2001-12-28 2003-08-14 Kimberly-Clark Worldwide, Inc. Quality management by validating a bill of materials in event-based product manufacturing
CN1540557A (zh) * 2003-04-22 2004-10-27 鸿富锦精密工业（深圳）有限公司 出货管理系统及方法
TW200422897A (en) * 2003-04-25 2004-11-01 Hon Hai Prec Ind Co Ltd System and method for distributing outbound materials
CN1542659A (zh) * 2003-04-28 2004-11-03 鸿富锦精密工业（深圳）有限公司 出货物料排配系统及方法
TW201106279A (en) * 2009-08-11 2011-02-16 Univ Nat Cheng Kung Virtual production control system and method and computer program product thereof
US20170300851A1 (en) * 2014-10-22 2017-10-19 Halliburton Energy Services, Inc. Managing a Supply Chain
EP3637337A1 (en) * 2018-10-10 2020-04-15 Bayer AG Product supply apparatus
WO2020074207A1 (en) * 2018-10-10 2020-04-16 Bayer Aktiengesellschaft Product supply apparatus

Also Published As

Publication number Publication date
US20210334751A1 (en) 2021-10-28

Similar Documents

Publication Publication Date Title
CN110991170B (zh) 基于电子病历信息的中文疾病名称智能标准化方法与系统
CN112085565B (zh) 基于深度学习的信息推荐方法、装置、设备及存储介质
CN107786943A (zh) 一种用户分群方法及计算设备
CN111582341B (zh) 用户异常操作预测方法及装置
CN109586950B (zh) 网络场景识别方法、网络管理设备、系统及存储介质
CN113743688A (zh) 质量管控方法、装置、计算机装置及存储介质
CN111352794B (zh) 异常检测方法、装置、计算机装置及存储介质
CN112508118A (zh) 针对数据偏移的目标对象行为预测方法及其相关设备
CN111783873A (zh) 基于增量朴素贝叶斯模型的用户画像方法及装置
CN109690581A (zh) 用户指导系统及方法
CN109615504A (zh) 产品推荐方法、装置、电子设备和计算机可读存储介质
CN111611390A (zh) 一种数据处理方法及装置
CN113570098A (zh) 出货量预测方法、装置、计算机装置及存储介质
CN113807728A (zh) 基于神经网络的绩效考核方法、装置、设备及存储介质
CN111324594A (zh) 用于粮食加工业的数据融合方法、装置、设备及存储介质
TW202141369A (zh) 出貨量預測方法、裝置、電腦裝置及存儲介質
CN111652281A (zh) 信息数据的分类方法、装置及可读存储介质
CN112836770B (zh) Kpi异常定位分析方法及系统
CN111581045B (zh) 数据库异常监测方法、装置、计算机装置及存储介质
CN113743427A (zh) 图像识别方法、装置、计算机装置及存储介质
CN114398436A (zh) 一种工厂信息管理方法、装置、设备及存储介质
Samavat et al. Synaptic Information Storage Capacity Measured With Information Theory
CN117876021A (zh) 基于人工智能的数据预测方法、装置、设备及存储介质
CN114240670A (zh) 业务处理方法、装置、计算机设备和存储介质
CN115423507A (zh) 场景自适应识别处理方法、系统、电子设备及存储介质

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
CB02 Change of applicant information
CB02 Change of applicant information

Address after: No. 36, North Street, West District, economic and Technological Development Zone, Binhai New Area, Tianjin

Applicant after: Fulian precision electronics (Tianjin) Co.,Ltd.

Address before: No. 36, North Street, West District, economic and Technological Development Zone, Binhai New Area, Tianjin

Applicant before: HONGFUJIN PRECISION ELECTRONICS (TIANJIN) Co.,Ltd.