CN113570173A - 基于大数据整合处理的供应链管理预测方法 - Google Patents

基于大数据整合处理的供应链管理预测方法 Download PDF

Info

Publication number
CN113570173A
CN113570173A CN202111123859.8A CN202111123859A CN113570173A CN 113570173 A CN113570173 A CN 113570173A CN 202111123859 A CN202111123859 A CN 202111123859A CN 113570173 A CN113570173 A CN 113570173A
Authority
CN
China
Prior art keywords
data
demand
integration
big data
algorithm
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
CN202111123859.8A
Other languages
English (en)
Inventor
王彩霞
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.)
Shenzhen Dachuang Technology Information Co ltd
Original Assignee
Shenzhen Dachuang Technology Information 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 Shenzhen Dachuang Technology Information Co ltd filed Critical Shenzhen Dachuang Technology Information Co ltd
Priority to CN202111123859.8A priority Critical patent/CN113570173A/zh
Publication of CN113570173A publication Critical patent/CN113570173A/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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/02—Computing arrangements based on specific mathematical models using fuzzy logic
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Evolutionary Computation (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Mathematical Analysis (AREA)
  • Algebra (AREA)
  • General Health & Medical Sciences (AREA)
  • Fuzzy Systems (AREA)
  • Biomedical Technology (AREA)
  • Automation & Control Theory (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)

Abstract

本发明涉及供应链管理技术领域，具体地说，涉及基于大数据整合处理的供应链管理预测方法。其对需求端的需求商品的信息进行采集步骤；对需求端的背景数据进行采集，同时对该数据进行大数据分析预测步骤；接收大数据分析预测的结果，并结合需求商品的信息进行分段式整合步骤。本发明中通过设置分段式整合将需求端的合作背景以及供应端的生产状况与商品及其数量进行分段式分配，以实现对需求端需求数量的满足以及供应端生产状况的适应，以提高供应能力的利用率和任务完成的进度的速度，同时将二者结合还能大大提高供应端和需求端的关联性，保证了供应端和需求端利益需求的最大化。

Description

基于大数据整合处理的供应链管理预测方法
技术领域
本发明涉及供应链管理技术领域，具体地说，涉及基于大数据整合处理的供应链管理预测方法。
背景技术
供应链是供应商-制造商之间的供应链关系，该关系在一定时期内进行信息共享，从而降低供应链总成本、降低库存水平、增强信息共享和改善相互之间的交流，以实现供应链节点企业产量、交货期和用户满意度和业绩的改善和提高。
中国专利公开号：CN110490520A公开了一种供应链管理系统客户模块通过所述归审模块直接将所述订单信息转入所述收货单元，用户收到货物后，核对所述订单信息是否与货物清单相匹配，若是，则通过所述收货单元完成收货入库操作，从而无需仓管人员再次手动录入订单信息，使得商品的收货入库变得更加简单高效，有效地降低了仓管人员的工作量，降低了错误发生率，从而提高了企业的供应链管理效率，降低了企业的供应链管理成本。
但现有的技术中无法对需求端的需求情况以及供应端的生产能力进行一个预测，这样很容出现生产能力与需求能力不匹配的情况，也就是说，无法对需求进行一个合理的分配，大大降低对生产能力的利用率，提高生产成本，严重时会延缓交货时间。
发明内容
本发明的目的在于提供基于大数据整合处理的供应链管理预测方法，以解决上述背景技术中提出无法对需求进行一个合理的分配，大大降低对生产能力的利用率，提高生产成本，严重时会延缓交货时间的问题。
为实现上述目的，本发明提供基于大数据整合处理的供应链管理预测方法，包括如下方法步骤：
S1、对需求端的需求商品的信息进行采集；
S2、对需求端的背景数据进行采集，同时对该数据进行大数据分析预测；
S3、接收大数据分析预测的结果，并结合需求商品的信息通过分段式整合算法进行整合；
S4、根据整合后的结果形成分段式需求供应数据，并发送至供应端。
作为本技术方案的进一步改进，所述S1中需求商品的信息包括商品名称和商品需求数量。
作为本技术方案的进一步改进，所述S2中大数据分析预测采用数据挖掘算法，其算法步骤如下：
S2.1、对背景数据进行聚类；
S2.2、建立聚类模型；
S2.3、找出聚类中心，对背景数据进行聚类分析。
作为本技术方案的进一步改进，所述S2.1中背景数据包括需求端的合作背景数据和生产状况数据。
作为本技术方案的进一步改进，所述S2.3中聚类分析采用模糊算法，其算法公式如下：
Figure 14965DEST_PATH_IMAGE001
；
其中，
Figure 668800DEST_PATH_IMAGE002
为聚类分析结果；
Figure 831928DEST_PATH_IMAGE003
为商品类别数；
Figure 342544DEST_PATH_IMAGE004
为样本
Figure 856702DEST_PATH_IMAGE005
的空间数据，
Figure 48649DEST_PATH_IMAGE006
；
Figure 456497DEST_PATH_IMAGE007
为样本
Figure 13380DEST_PATH_IMAGE008
的聚类中心
Figure 873889DEST_PATH_IMAGE009
,；
Figure 603947DEST_PATH_IMAGE010
为
Figure 741667DEST_PATH_IMAGE011
对
Figure 859665DEST_PATH_IMAGE012
的隶属度；
Figure 817257DEST_PATH_IMAGE013
为 权重指数。
作为本技术方案的进一步改进，所述隶属度的计算公式如下：
Figure 616585DEST_PATH_IMAGE014
；
其中，
Figure 733446DEST_PATH_IMAGE015
为样本
Figure 632132DEST_PATH_IMAGE016
的聚类中心,
Figure 467233DEST_PATH_IMAGE017
。
作为本技术方案的进一步改进，所述样本
Figure 804673DEST_PATH_IMAGE008
为背景数据，样本
Figure 651406DEST_PATH_IMAGE018
为需求商品的信息， 样本
Figure 111207DEST_PATH_IMAGE019
为生成状况数据。
作为本技术方案的进一步改进，所述S3中分段式整合采用数量分段式整合算法，其算法步骤如下：
数据挖掘算法对合作背景数据进行预测分析；
提取需求商品的信息；
根据预测的合作背景对商品及其需求数量进行分量段式整合，并形成相应的分段式需求供应数据。
作为本技术方案的进一步改进，所述S3中分段式整合采用时间分段式整合算法，其算法步骤如下：
数据挖掘算法对生产状况数据进行预测分析；
提取需求商品的信息；
根据预测的生产状况对商品进行分时段式整合，并形成相应的分段式需求供应数据。
作为本技术方案的进一步改进，所述分段式整合算法采用数量分段式整合算法和时间分段式整合算法结合的方式对商品及其需求数量进行分时段时定量整合，并形成相应的分段式需求供应数据。
与现有技术相比，本发明的有益效果：
该基于大数据整合处理的供应链管理预测方法中，通过设置分段式整合将需求端的合作背景以及供应端的生产状况与商品及其数量进行分段式分配，以实现对需求端需求数量的满足以及供应端生产状况的适应，以提高供应能力的利用率和任务完成的进度的速度，同时将二者结合还能大大提高供应端和需求端的关联性，保证了供应端和需求端利益需求的最大化。
附图说明
图1为本发明实施例1的整体流程框图；
图2为本发明实施例1的大数据预测流程框图；
图3为本发明实施例2的对合作背景数据进行需求整合的流程框图；
图4为本发明实施例3的生产状况数据进行需求整合的流程框图；
图5为本发明实施例4的对合作背景数据和生产状况数据进行需求整合的流程框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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。
实施例1
请参阅图1所示，本发明提供技术方案：
本发明提供基于大数据整合处理的供应链管理预测方法，包括如下方法步骤：
S1、对需求端的需求商品的信息（需求商品的信息包括商品名称和商品需求数量）进行采集；
S2、对需求端的背景数据（背景数据包括需求端的合作背景数据和生产状况数据）进行采集，同时对该数据进行大数据分析预测，具体的，请参阅图2所示，大数据分析预测采用数据挖掘算法，其算法步骤如下：
S2.1、对背景数据进行聚类；
S2.2、建立聚类模型；
S2.3、找出聚类中心，对背景数据进行聚类分析；
S3、接收大数据分析预测的结果，并结合需求商品的信息通过分段式整合算法进行整合；
S4、根据整合后的结果形成分段式需求供应数据，并发送至供应端。
此外，S2.3中聚类分析采用模糊算法，其算法公式如下：
Figure 43391DEST_PATH_IMAGE020
；
其中，
Figure 184522DEST_PATH_IMAGE021
为聚类分析结果；
Figure 293553DEST_PATH_IMAGE022
为需求商品信息数；
Figure 534041DEST_PATH_IMAGE023
为样本
Figure 343734DEST_PATH_IMAGE005
的空间数据，样本
Figure DEST_PATH_IMAGE025A
为 生成状况数据，
Figure 85294DEST_PATH_IMAGE026
；
Figure 172199DEST_PATH_IMAGE027
为样本
Figure 645906DEST_PATH_IMAGE008
的聚类中心，样本
Figure 942895DEST_PATH_IMAGE008
为背景数据,
Figure 425829DEST_PATH_IMAGE028
；
Figure 101661DEST_PATH_IMAGE010
为
Figure 74165DEST_PATH_IMAGE029
对
Figure 468237DEST_PATH_IMAGE012
的隶属度；
Figure 489283DEST_PATH_IMAGE030
为权重指数。
除此之外，隶属度的计算公式如下：
Figure 409834DEST_PATH_IMAGE031
；
其中，
Figure 428606DEST_PATH_IMAGE015
为样本
Figure 169029DEST_PATH_IMAGE032
的聚类中心,
Figure 993765DEST_PATH_IMAGE033
，样本
Figure 644189DEST_PATH_IMAGE032
为需求商品的信息。
公式时，首先给定需求商品信息数
Figure 958496DEST_PATH_IMAGE034
，假设需求商品信息数
Figure 327160DEST_PATH_IMAGE034
有（商品A，2000），（商 品B，4000），（商品C，9000），以及权重指数
Figure 690009DEST_PATH_IMAGE035
，然后随机初始化
Figure 319573DEST_PATH_IMAGE036
，并且只循环一次，按 隶属度对所有的聚类中心进行修正，并计算出误差
Figure 680147DEST_PATH_IMAGE037
，若
Figure 395162DEST_PATH_IMAGE038
小于聚 类中心的容许误差则算法结束，否则，赋予
Figure 567561DEST_PATH_IMAGE039
，并重新对赋予后
Figure 458157DEST_PATH_IMAGE040
所有的聚类中心进 行修正，直至算法结束，从而对背景数据进行聚类，结束后，根据聚类后的背景数据对需求 端需求数量形式以及供应端生产状况进行预测，具体实施情况如以下实施例所示：
实施例2
为了满足需求端的需求数量，本实施例在实施例1的基础上进行实施，请参阅图3所示，分段式整合算法采用数量分段式整合算法，其算法步骤如下：
数据挖掘算法对合作背景数据进行预测分析，合作背景数据是指对需求端合作方的背景数据，假设需求端合作方1对商品A的需求为2000，合作方2对商品B的需求为3000，合作方3对商品B的需求为1000，商品C的需求为9000，同时综合合作方1、2、3的需求背景得出，合作方1签订的交货时间最短，其次是合作方2，最后是合作方3；
提取需求商品的信息，得到（商品A，2000），（商品B，4000），（商品C，9000）；
根据预测的合作背景对商品及其需求数量进行分量段式整合，此时结合对合作背景数据进行预测分析，本实施例采用三段式生产（具体根据实际需求进行分段），这样得出分量段式整合结果第一段（商品A，2000）、（商品C，3000），第二段（商品B，4000）、（商品C，1000），第三段（商品C，5000），这样即保证了（商品C，9000）完成的进度，同时能够在第一时间将合作方1、2的商品交货，最后形成相应的分段式需求供应数据，并发送至供应端，供应端按照该方式对商品进行生产供应。
实施例3
为了适应供应端的生产状况，本实施例与实施例2不同的是，请参阅图4所示，分段式整合算法采用时间分段式整合算法，其算法步骤如下：
数据挖掘算法对生产状况数据进行预测分析，生产状况数据是指供应端的生产能力，一般分三个时段（具体根据实际需求进行分段）假设在第一时间段内供应端对商品B和商品C的供应能力大于商品A，第二时间段商品C供应能力大于商品A和商品B，第三时间段商品A供应能力大于商品B和商品C；
提取需求商品的信息，即：（商品A，2000），（商品B，4000），（商品C，9000）；
根据预测的生产状况对商品进行分时段式整合，此时分段与生产能力的时段保持一致，由于商品B在第一时段生产能力大，因此第一时段生产（商品B，3000）和（商品C，2000），而第二时段商品C供应能力最大，而且商品C需求也最大，因此第二时段生产（商品C，5000），第三时段则生产（商品A，2000）、（商品B，1000）、（商品C，2000），这样即贴合供应端生产能力进行分配，又保证能够按量完成任务，大大提高工作效率，最后形成相应的分段式需求供应数据，并发送至供应端，供应端按照该方式对商品进行生产供应。
实施例4
为了提高供应端和需求端的关联性，本实施例与实施例2和实施例3不同的是，请参阅图5所示，分段式整合算法采用数量分段式整合算法和时间分段式整合算法结合的方式对商品及其需求数量进行分时段时定量整合，此时结合实施例2和实施例3中，合作方1签订的交货时间最短，其次是合作方2，最后是合作方3，同时供应端第一时间段内供应端对商品A和商品C的供应能力大于商品A，第二时间段商品C供应能力大于商品A和商品B，第三时间段商品A供应能力大于商品B和商品C，然后分时段时定量整合得出，由于商品A需求量少，而且交货时间短，尽管第一时段的供应能力不足，也在第一时段将商品A完成，同时完成（商品B，3000），第二时段完成（商品C，5000），第三时段前期完成（商品B，1000），然后全部完成（商品C，4000），从而保证供应能力利用的最大化，也能够及时的交换，大大提高供应端和需求端的关联性，保证了供应端和需求端利益需求的最大化，最后形成相应的分段式需求供应数据，并发送至供应端，供应端按照该方式对商品进行生产供应。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的仅为本发明的优选例，并不用来限制本发明，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (10)

1.基于大数据整合处理的供应链管理预测方法，其特征在于，包括如下方法步骤：
S1、对需求端的需求商品的信息进行采集；
S2、对需求端的背景数据进行采集，同时对该数据进行大数据分析预测；
S3、接收大数据分析预测的结果，并结合需求商品的信息通过分段式整合算法进行整合；
S4、根据整合后的结果形成分段式需求供应数据，并发送至供应端。
2.根据权利要求1所述的基于大数据整合处理的供应链管理预测方法，其特征在于：所述S1中需求商品的信息包括商品名称和商品需求数量。
3.根据权利要求2所述的基于大数据整合处理的供应链管理预测方法，其特征在于：所述S2中大数据分析预测采用数据挖掘算法，其算法步骤如下：
S2.1、对背景数据进行聚类；
S2.2、建立聚类模型；
S2.3、找出聚类中心，对背景数据进行聚类分析。
4.根据权利要求3所述的基于大数据整合处理的供应链管理预测方法，其特征在于：所述S2.1中背景数据包括需求端的合作背景数据和生产状况数据。
5.根据权利要求4所述的基于大数据整合处理的供应链管理预测方法，其特征在于：所述S2.3中聚类分析采用模糊算法，其算法公式如下：
Figure 214040DEST_PATH_IMAGE001
；
其中，
Figure 977597DEST_PATH_IMAGE002
为聚类分析结果；
Figure 280402DEST_PATH_IMAGE003
为商品类别数；
Figure 558937DEST_PATH_IMAGE004
为样本
Figure 707021DEST_PATH_IMAGE005
的空间数据，
Figure 590664DEST_PATH_IMAGE006
；
Figure 861108DEST_PATH_IMAGE007
为样本
Figure 830201DEST_PATH_IMAGE008
的聚类中心,
Figure 516397DEST_PATH_IMAGE009
；
Figure 520125DEST_PATH_IMAGE010
为
Figure 961471DEST_PATH_IMAGE011
对
Figure 152281DEST_PATH_IMAGE012
的隶属度；
Figure 907747DEST_PATH_IMAGE013
为权重指数。
6.根据权利要求5所述的基于大数据整合处理的供应链管理预测方法，其特征在于：所述隶属度的计算公式如下：
Figure 297140DEST_PATH_IMAGE014
；
其中，
Figure 112650DEST_PATH_IMAGE015
为样本
Figure 790756DEST_PATH_IMAGE016
的聚类中心,
Figure 146651DEST_PATH_IMAGE017
。
7.根据权利要求6所述的基于大数据整合处理的供应链管理预测方法，其特征在于：所 述样本
Figure 593812DEST_PATH_IMAGE008
为背景数据，样本
Figure 314644DEST_PATH_IMAGE016
为需求商品的信息，样本
Figure DEST_PATH_IMAGE019AA
为生成状况数据。
8.根据权利要求7所述的基于大数据整合处理的供应链管理预测方法，其特征在于：所述S3中分段式整合算法采用数量分段式整合算法，其算法步骤如下：
数据挖掘算法对合作背景数据进行预测分析；
提取需求商品的信息；
根据预测的合作背景对商品及其需求数量进行分量段式整合，并形成相应的分段式需求供应数据。
9.根据权利要求7所述的基于大数据整合处理的供应链管理预测方法，其特征在于：所述S3中分段式整合算采用时间分段式整合算法，其算法步骤如下：
数据挖掘算法对生产状况数据进行预测分析；
提取需求商品的信息；
根据预测的生产状况对商品进行分时段式整合，并形成相应的分段式需求供应数据。
10.根据权利要求8或9任意一项所述的基于大数据整合处理的供应链管理预测方法，其特征在于：所述分段式整合算法采用数量分段式整合算法和时间分段式整合算法结合的方式对商品及其需求数量进行分时段时定量整合，并形成相应的分段式需求供应数据。
CN202111123859.8A 2021-09-24 2021-09-24 基于大数据整合处理的供应链管理预测方法 Pending CN113570173A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111123859.8A CN113570173A (zh) 2021-09-24 2021-09-24 基于大数据整合处理的供应链管理预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111123859.8A CN113570173A (zh) 2021-09-24 2021-09-24 基于大数据整合处理的供应链管理预测方法

Publications (1)

Publication Number Publication Date
CN113570173A true CN113570173A (zh) 2021-10-29

Family

ID=78174401

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111123859.8A Pending CN113570173A (zh) 2021-09-24 2021-09-24 基于大数据整合处理的供应链管理预测方法

Country Status (1)

Country Link
CN (1) CN113570173A (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004310325A (ja) * 2003-04-04 2004-11-04 Ns Solutions Corp 需要予測装置、生産計画システム、生産計画方法およびプログラム
CN105550836A (zh) * 2015-11-03 2016-05-04 武汉宝钢华中贸易有限公司 基于大数据分析处理技术的自动排产优化管理信息模型
CN107358494A (zh) * 2017-06-23 2017-11-17 武汉理工大学 一种基于大数据的客户需求信息挖掘方法
CN109034959A (zh) * 2018-07-12 2018-12-18 上海云食信息技术有限公司 供应链上下游企业间安全订货的方法
CN112149990A (zh) * 2020-09-18 2020-12-29 南京邮电大学 一种基于预测的模糊供需匹配方法
CN112633916A (zh) * 2020-12-09 2021-04-09 深圳前海微众银行股份有限公司 一种需求预测方法及装置、设备、存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004310325A (ja) * 2003-04-04 2004-11-04 Ns Solutions Corp 需要予測装置、生産計画システム、生産計画方法およびプログラム
CN105550836A (zh) * 2015-11-03 2016-05-04 武汉宝钢华中贸易有限公司 基于大数据分析处理技术的自动排产优化管理信息模型
CN107358494A (zh) * 2017-06-23 2017-11-17 武汉理工大学 一种基于大数据的客户需求信息挖掘方法
CN109034959A (zh) * 2018-07-12 2018-12-18 上海云食信息技术有限公司 供应链上下游企业间安全订货的方法
CN112149990A (zh) * 2020-09-18 2020-12-29 南京邮电大学 一种基于预测的模糊供需匹配方法
CN112633916A (zh) * 2020-12-09 2021-04-09 深圳前海微众银行股份有限公司 一种需求预测方法及装置、设备、存储介质

Similar Documents

Publication Publication Date Title
CN112181971B (zh) 一种基于边缘的联邦学习模型清洗和设备聚类方法、系统
EP3407562A1 (en) Coflow recognition method and system, and server using method
Tekin et al. Distributed online big data classification using context information
EP3419253B1 (en) Data processing method and relevant devices and systems
CN102222213A (zh) 一种基于开放式Web Service架构的分布式视觉计算方法
CN111614769B (zh) 一种深度学习技术的行为智能分析引擎系统及控制方法
US20200118033A1 (en) Method for approximate k-nearest-neighbor search on parallel hardware accelerators
Li et al. Federated learning with workload-aware client scheduling in heterogeneous systems
Wang et al. Edge-assisted real-time video analytics with spatial–temporal redundancy suppression
CN113570173A (zh) 基于大数据整合处理的供应链管理预测方法
CN113657249A (zh) 训练方法、预测方法、装置、电子设备以及存储介质
CN110647396A (zh) 端云协同低功耗带宽受限智能应用实现方法
CN115640772A (zh) 一种基于自适应芯片的邻域相连异构设计方法
de Oliveira et al. An energy-aware data cleaning workflow for real-time stream processing in the internet of things
Kushwaha et al. Optimal device selection in federated learning for resource-constrained edge networks
CN113920404A (zh) 训练方法、图像处理方法、装置、电子设备以及存储介质
CN114339266A (zh) 一种基于国产cpu和操作系统的视频流队列处理方法
CN114189518A (zh) 应用于计算机集群的通信方法及通信装置
CN114201999A (zh) 异常账号的识别方法、系统、计算设备及存储介质
CN111784029A (zh) 一种雾节点资源分配方法
CN113688934B (zh) 基于迁移学习分布式期望最大化金融数据聚类方法及系统
CN116033198B (zh) 基于目标帧的多路视频流智能存储的识别方法
CN115080263B (zh) 一种实时gpu服务中批处理规模的选择方法
Yijun et al. Research on Integration and Sharing System of Network Movie and TV Data Resources under New Media Environment
CN107203628B (zh) 一种搭建个性化推荐引擎的人工智能算法模型

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20211029