CN113610313B - 一种基于事件网的成本还原优化方法、系统及存储介质 - Google Patents
一种基于事件网的成本还原优化方法、系统及存储介质 Download PDFInfo
- Publication number
- CN113610313B CN113610313B CN202110940531.9A CN202110940531A CN113610313B CN 113610313 B CN113610313 B CN 113610313B CN 202110940531 A CN202110940531 A CN 202110940531A CN 113610313 B CN113610313 B CN 113610313B
- Authority
- CN
- China
- Prior art keywords
- cost
- transition
- data
- event
- events
- 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.)
- Active
Links
- 230000009467 reduction Effects 0.000 title claims abstract description 79
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000005457 optimization Methods 0.000 title claims abstract description 44
- 238000003860 storage Methods 0.000 title claims abstract description 22
- 238000004519 manufacturing process Methods 0.000 claims abstract description 67
- 230000000694 effects Effects 0.000 claims abstract description 33
- 238000007726 management method Methods 0.000 claims abstract description 13
- 238000013507 mapping Methods 0.000 claims abstract description 13
- 238000004458 analytical method Methods 0.000 claims abstract description 11
- 230000007704 transition Effects 0.000 claims description 71
- 230000015654 memory Effects 0.000 claims description 24
- 230000006870 function Effects 0.000 claims description 19
- 230000008859 change Effects 0.000 claims description 18
- 238000004088 simulation Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 7
- 238000010801 machine learning Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 238000002360 preparation method Methods 0.000 claims 1
- 238000013439 planning Methods 0.000 abstract description 11
- 239000000047 product Substances 0.000 description 11
- 239000000463 material Substances 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 239000011265 semifinished product Substances 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000009499 grossing Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 239000007787 solid Substances 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000007728 cost analysis Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000010304 firing Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000002737 fuel gas Substances 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000002195 synergetic effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
- G06Q10/067—Enterprise or organisation modelling
Abstract
本发明公开了一种基于事件网的成本还原优化方法、系统及存储介质,该方法包括:获取企业业务活动的成本数据以及影响成本的预设事件;基于成本数据和预设事件,将物理世界的真实活动进行映射,构建基于事件网的生产经营模型;根据生产经营模型进行企业业务的成本还原,得到还原结果。通过实施本发明,基于事件网构建了生产经营模型,由此能够推演出企业各个环节的资金开销,还原成本构成。由此,通过构建生产经营模型,实现了对成本的还原和分析。指导企业的计划安排以及投资决策等等。此外,通过该生产经营模型还可以基于企业对各环节成本的计划安排,实现对未来成本的预测。
Description
技术领域
本发明涉及计算机技术领域,具体涉及一种基于事件网的成本还原优化方法、系统及存储介质。
背景技术
成本还原一般是指将产成品耗用各步骤半成品的综合成本,逐步分解还原为原来的成本项目。成本还原的方法是从最后步骤开始,将其耗用上步骤半成品的综合成本逐步分解,还原为原来的成本项目。逐步综合结转分步法是ERP(Enterprise ResourcePlanning,企业资源计划)软件普遍采用的一种成本还原方法。借助计算机技术实现了半成品成本和产成品成本的全部精准核算,并依赖成本还原技术,还原半成品的原始成本结构,满足企业产品成本结构分析的要求。但是现有技术的成本还原方法只能将成本还原到最原始的单元,
但是,对于大多数制造类企业,产品的成本计算涉及到直接成本、间接成本等各个方面,难以快速进行成本的计算和分析。因此,采用现有的成本还原方法难以实现多环节的成本还原。
发明内容
有鉴于此,本发明实施例提供了涉及一种基于事件网的成本还原优化方法、系统及存储介质,以解决现有技术中难以实现多环节的成本还原的技术问题。
本发明提出的技术方案如下:
本发明实施例第一方面提供一种基于事件网的成本还原优化方法,包括:获取企业业务活动的成本数据以及影响成本的预设事件;基于成本数据和预设事件,将物理世界的真实活动进行映射,构建基于事件网的生产经营模型;根据生产经营模型进行企业业务的成本还原,得到还原结果。
结合本发明实施例第一方面,在第一方面第一实施方式中,企业业务活动的成本数据包括:直接成本数据和间接成本数据,所述直接成本数据包括采购环节成本数据、生产环节成本数据以及销售环节成本数据,所述间接成本数据包括人力成本数据以及固定资产数据。
结合本发明实施例第一方面,在第一方面第二实施方式中,所述基于事件网的生产经营模型通过以下方式表示:
EN=(P,E,T,A,F)
其中,EN表示生产经营模型,P为库所的集合,E为事件的集合,T为变迁的集合,A为有向弧的集合,F为发生函数的集合;库所中包含获取的企业业务活动成本数据以及通过变迁产生的成本数据,事件中包含影响成本的预设事件以及通过变迁产生的事件;变迁表示通过物理世界的真实活动进行映射确定的状态变化,发生函数包括变迁发生的前置条件、发生的时长以及后置函数;变迁发生的前置条件包括:变迁发生需要的时间、变迁需要的库所以及需要消耗的库所中数据;后置函数用于计算产生变迁后的成本数据以及变迁后的事件。
结合本发明实施例第一方面第二实施方式,在第一方面第三实施方式中,所述有向弧和变迁通过模拟仿真进行确定,所述模拟仿真的方式包括脚本语言编写、经验模型、机器学习模型以及有限元计算。
结合本发明实施例第一方面,在第一方面第四实施方式中,该基于事件网的成本还原优化方法还包括:基于历史数据以及同行业数据与还原结果进行对比,得到对比结果。
结合本发明实施例第一方面第四实施方式,在第一方面第五实施方式中,该基于事件网的成本还原优化方法还包括:在预设事件中加入相关投入变化的事件,得到更新预设事件;基于更新预设事件,采用生产经营模型计算得到成本更新数据;根据所述成本更新数据与还原结果确定投资决策。
结合本发明实施例第一方面第五实施方式,在第一方面第六实施方式中,所述相关投入变化的事件通过对对比结果分析确定。
本发明实施例第二方面提供一种基于事件网的成本还原优化系统,包括:数据获取模块,用于获取企业业务活动的成本数据以及影响成本的预设事件;模型构建模块,用于基于成本数据和预设事件,将物理世界的真实活动进行映射,构建基于事件网的生产经营模型;还原模块,用于根据生产经营模型进行企业业务的成本还原,得到还原结果。
本发明实施例第三方面提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使所述计算机执行如本发明实施例第一方面及第一方面任一项所述的基于事件网的成本还原优化方法。
本发明实施例第四方面提供一种电子设备,包括:存储器和处理器,所述存储器和所述处理器之间互相通信连接,所述存储器存储有计算机指令,所述处理器通过执行所述计算机指令,从而执行如本发明实施例第一方面及第一方面任一项所述的基于事件网的成本还原优化方法。
本发明提供的技术方案,具有如下效果:
本发明实施例提供的基于事件网的成本还原优化方法、系统及存储介质,基于事件网构建了生产经营模型,由此能够推演出企业各个环节的资金开销,还原成本构成。由此,通过构建生产经营模型,实现了对成本的还原和分析。指导企业的计划安排以及投资决策等等。此外,通过该生产经营模型还可以基于企业对各环节成本的计划安排,实现对未来成本的预测。
本发明实施例提供的基于事件网的成本还原优化方法、系统及存储介质,通过构建的生产经营模型不仅能够实现对现有成本分析和未来成本预测,还能够通过横向和纵向的成本对比,客观分析成本优化方向,实现企业的降本增效。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是根据本发明实施例的基于事件网的成本还原优化方法的流程图;
图2是根据本发明实施例的基于事件网的成本还原优化系统的结构框图;
图3是根据本发明实施例提供的计算机可读存储介质的结构示意图;
图4是根据本发明实施例提供的电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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。
本发明实施例提供一种基于事件网的成本还原优化方法,如图1所示,该评估方法包括如下步骤:
步骤S101:获取企业业务活动的成本数据以及影响成本的预设事件;具体地,在制造类企业中,其产品的成本对其定价、盈利判断起到至关重要的作用。同时,一个产品的成本计算涉及到直接成本、间接成本等各个方面,包括人机料法环及管理等各个环节以及生产过程中的各个节点,因此,在对成本进行还原分析时,需要先获取企业业务活动的成本数据。
在一实施例中,企业业务活动的成本数据包括:直接成本数据和间接成本数据,直接成本数据包括采购环节成本数据、生产环节成本数据以及销售环节成本数据,间接成本数据包括人力成本数据以及固定资产数据。其中,采购环节成本数据包括采购的用于产品生产的各类材料的成本数据;生产环节成本数据包括在生成过程中消耗的各类能量消耗,如电能、燃气、气体、水量等以及生产的产品的数量等等。销售环节的成本数据包括销售各类产品的收入、销售产品时的各类投入、例如销售产品时临时租赁的房屋或摊位等等。人力成本数据包括领导层、管理层、正式员工、临时员工的工资、各类福利或者其他涉及到人力的各类支出和收入。固定资产数据包括租赁或建造的厂房以及购买的各类设备等等。需要说明的是,除上述内容外,成本数据还包括其他相关涉及到成本的相关数据。本发明实施例中获取的成本数据不以上述内容为限。
在一实施例中,影响成本的预设事件包括可能对成本构成影响的相关事件。例如,在生产时发现某一材料短缺需要进行采购、采购时发现材料的价格上涨、生产时出现的各类状况、销售时售价的变化、人力成本以及固定资产的变化等等事件都可以是对成本构成影响的相关事件。同时,需要说明的是,以上内容只是对预设事件的举例说明,该预设事件还包括其他可能对成本构成影响的相关事件。
步骤S102:基于成本数据和预设事件,将物理世界的真实活动进行映射,构建基于事件网的生产经营模型。
在一实施例中,事件网是基于事件驱动实现分布式并发,兼容离散和流式混合模型,通过拖拉拽的方式呈现全域仿真、诊断、优化的系统平台。与目前基于Petri Net(PN)的系统相比。事件网的表达能力更强,更自由,网络和拓扑层次清晰,而且能够同时描述物理和虚拟世界的事件,支持离散和连续的混合建模。
在一实施例中,在构建生产经营模型时,可以基于事件网络平台实现。具体地,事件网可以描述为EN=(P,E,T,A,F),其中,EN表示生产经营模型,P为库所的集合,E为事件的集合,T为变迁的集合,A为有向弧的集合, F为发生函数的集合。对于发生函数F包含如下内容:第一、对于每一个变迁(Transition)发生所需要的前置条件,如:针对这个变迁需要的事件(Event)、这个变迁前缀有哪些库所(Places)、库所里需要消费的托肯(Token)数目;第二、发生时间t,当t的时间完成后发生(firing)就结束。第三、发生结束后根据后置函数计算产生相应的Tokens,这些Token是放在变迁的后缀的库所里边,同时后置函数还可以产生一个或多个Event放在变迁的后缀的Event Hub里边。由此,对于事件网可以表示为一个由Place、Transition、Event构成的静态网络,Token是消耗物,在网络中流动,在Transition中发生反应,从一个Place转换到另外一个Place,Event是触发事件和生成事件。
在一具体实施方式中,在基于事件网构建生产经营模型时,库所中包含获取的企业业务活动成本数据以及通过变迁产生的成本数据,事件中包含影响成本的预设事件以及通过变迁产生的事件;变迁表示通过物理世界的真实活动进行映射确定的状态变化,发生函数包括变迁发生的前置条件、发生的时长以及后置函数;变迁发生的前置条件包括:变迁发生需要的时间、变迁需要的库所以及需要消耗的库所中数据;后置函数用于计算产生变迁后的成本数据以及变迁后的事件。
具体地,对于基于事件网进行生产经营模型的构建可以按照如下方式实现:当输入Place中的Token(获取企业业务活动成本数据),满足了Transition(如物理世界真实活动的映射得到的活动变化)的前置条件,处于准备(Ready)状态;在Event(预设事件)触发后,变迁发生(Transition Firing),进行一段时间t的转换输出Place中的Token(变迁产生的成本数据),并生成Event(变迁产生的事件),该Event(变迁产生的事件)可作为下一个Transition的Event,如此循环网络中所有的Transition,完成生产经营模型的构建。
在一实施例中,作为基于事件网的系统平台,其中设置了大数据处理以及各种机器学习算法。在获取了成本数据和预设事件后,需要计算随着事件的触发和变迁之后相应数据及相关数据的变化;同时对于各数据、事件变迁之间的逻辑关系之间的变化也需要进行更新。因此,需要对其中涉及到的计算模型或者关系变化等进行模拟仿真。即在构建生产经营模型时,需要对有向弧和变迁通过模拟仿真进行确定,模拟仿真的方式包括脚本语言编写、经验模型、机器学习模型以及有限元计算。
其中,对于其中采用的各类模型,可以采用训练数据进行训练。训练数据可以是企业的历史业务成本数据,对于这些数据可以通过数据标识、清洗以及基于大数据的相关校准,使得最终得到的模拟仿真的模型能够趋于真实的企业情况。此外,模拟仿真也可以是基于物理世界的真实活动中的关系映射到模拟世界的逻辑关系的演绎实现的。
在一实施例中,在采用获取的成本数据构建模型之前,可以先对获取的数据进行预处理,如数据清洗、数据降噪以及数据平滑等。数据降噪和平滑处理可以采用非线性滤波、数据重构、状态估计、滑动平均、指数平滑等方法。通过对数据的预处理,可以提高数据信噪比,提高构建模型的准确性。
步骤S103:根据生产经营模型进行企业业务的成本还原,得到还原结果。
在一实施例中,在构建得到生产经营模型之后,可以采用该生产经营模型推演出各个环节的资金开销,还原成本构成。例如,企业内部的采购、生产、销售等环节的成本;或者是生产过程中各个过程中的成本、以及每个产品的成本均可以通过该生产经营模型还原得到。同时对于得到的还原结果,可以通过对其进行分析,由此指导企业的计划安排以及投资决策等等。此外,通过该生产经营模型还可以基于企业对各环节成本的计划安排,实现对未来成本的预测。
本发明实施例提供的基于事件网的成本还原优化方法,基于事件网构建了生产经营模型,由此能够推演出企业各个环节的资金开销,还原成本构成。由此,通过构建生产经营模型,实现了对成本的还原和分析。指导企业的计划安排以及投资决策等等。此外,通过该生产经营模型还可以基于企业对各环节成本的计划安排,实现对未来成本的预测。
作为本发明实施例一种可选的实施方式,该基于事件网的成本还原优化方法还包括:基于历史数据以及同行业数据与还原结果进行对比。具体地,为了更好对企业的成本进行分析,可以引入企业的历史成本数据以及同行业如竞争对手的数据,通过对企业历史成本数据以及同行业数据的分析,可以与还原结果中各环节的成本进行对比。由对比结果,能够对还原结果中的数据进行深度分析,例如实现企业横向(同行业)或纵向(和历史数据的对比)的生产经营效益分析,从而能够确定企业的成本优化点,实现降本增效的目的。
作为本发明实施例一种可选的实施方式,该基于事件网的成本还原优化方法还包括:在预设事件中加入相关投入变化的事件,得到更新预设事件;基于更新预设事件,采用生产经营模型计算得到成本更新数据;根据所述成本更新数据与还原结果确定投资决策。其中,相关投入变化的事件通过对对比结果分析确定。
在一具体实施方式中,当企业希望降本增效优化时,可以基于针对对比结果的分析,确定一些能够改善成本的影响事件或者说一些相关投入对局部成本的影响事件。如通过对对比结果的分析,发现在人力上的成本较高,则可以通过增加一些对人员培训的成本提高人员的工作效率,从而降低人力成本。另外,若发现在生产上的成本较高,则可以通过工艺改善的方式,降低生产上的成本。具体地,为了确定是否这些改变是否能够达到降本增效的目的,可以将这些变化作为生产经营模型中的事件,即将其作为相关投入变化的事件加入到预设事件,通过采用生产经营模型的还原结果观察成本的变化,从而判断是否能达到相应目的。
本发明实施例提供的基于事件网的成本还原优化方法,通过构建的生产经营模型不仅能够实现对现有成本分析和未来成本预测,还能够通过横向和纵向的成本对比,客观分析成本优化方向,实现企业的降本增效。
本发明实施例还提供一种基于事件网的成本还原优化系统,如图2所示,该系统包括:
数据获取模块1,用于获取企业业务活动的成本数据以及影响成本的预设事件;详细内容参见上述方法实施例中步骤S101的相关描述。
模型构建模块2,用于基于成本数据和预设事件,将物理世界的真实活动进行映射,构建基于事件网的生产经营模型;详细内容参见上述方法实施例中步骤S102的相关描述。
还原模块3,用于根据生产经营模型进行企业业务的成本还原,得到还原结果。详细内容参见上述方法实施例中步骤S103的相关描述。
本发明实施例提供的基于事件网的成本还原优化系统,基于事件网构建了生产经营模型,由此能够推演出企业各个环节的资金开销,还原成本构成。由此,通过构建生产经营模型,实现了对成本的还原和分析。指导企业的计划安排以及投资决策等等。此外,通过该生产经营模型还可以基于企业对各环节成本的计划安排,实现对未来成本的预测。
作为本发明实施例一种可选的实施方式,基于事件网的成本还原优化系统还包括:对比模块,用于基于历史数据以及同行业数据与还原结果进行对比,得到对比结果。
作为本发明实施例一种可选的实施方式,基于事件网的成本还原优化系统还包括:
事件变更模块,用于在预设事件中加入相关投入变化的事件,得到更新预设事件;
更新模块,用于基于更新预设事件,采用生产经营模型计算得到成本更新数据;
决策确定模块,用于根据所述成本更新数据与还原结果确定投资决策。
本发明实施例提供的基于事件网的成本还原优化系统的功能描述详细参见上述实施例中基于事件网的成本还原优化方法描述。
本发明实施例还提供一种存储介质,如图3所示,其上存储有计算机程序601,该指令被处理器执行时实现上述实施例中基于事件网的成本还原优化方法的步骤。该存储介质上还存储有音视频流数据,特征帧数据、交互请求信令、加密数据以及预设数据大小等。其中,存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)、随机存储记忆体(Random Access Memory,RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive,缩写:HDD)或固态硬盘(Solid-State Drive,SSD)等;所述存储介质还可以包括上述种类的存储器的组合。
本领域技术人员可以理解,实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)、随机存储记忆体(RandomAccessMemory,RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive,缩写:HDD)或固态硬盘(Solid-State Drive,SSD)等;所述存储介质还可以包括上述种类的存储器的组合。
本发明实施例还提供了一种电子设备,如图4所示,该电子设备可以包括处理器51和存储器52,其中处理器51和存储器52可以通过总线或者其他方式连接,图4中以通过总线连接为例。
处理器51可以为中央处理器(Central Processing Unit,CPU)。处理器51还可以为其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(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、分立硬件组件等芯片,或者上述各类芯片的组合。
存储器52作为一种非暂态计算机可读存储介质,可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块,如本发明实施例中的对应的程序指令/模块。处理器51通过运行存储在存储器52中的非暂态软件程序、指令以及模块,从而执行处理器的各种功能应用以及数据处理,即实现上述方法实施例中的基于事件网的成本还原优化方法。
存储器52可以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、至少一个功能所需要的应用程序;存储数据区可存储处理器51所创建的数据等。此外,存储器52可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中,存储器52可选包括相对于处理器51远程设置的存储器,这些远程存储器可以通过网络连接至处理器51。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
所述一个或者多个模块存储在所述存储器52中,当被所述处理器51执行时,执行如图1所示实施例中的基于事件网的成本还原优化方法。
上述电子设备具体细节可以对应参阅图1所示的实施例中对应的相关描述和效果进行理解,此处不再赘述。
虽然结合附图描述了本发明的实施例,但是本领域技术人员可以在不脱离本发明的精神和范围的情况下做出各种修改和变型,这样的修改和变型均落入由所附权利要求所限定的范围之内。
Claims (10)
1.一种基于事件网的成本还原优化方法,其特征在于,包括:
获取企业业务活动的成本数据以及影响成本的预设事件;
基于成本数据和预设事件,将物理世界的真实活动进行映射,构建基于事件网的生产经营模型;
根据生产经营模型进行企业业务的成本还原,得到还原结果;
所述基于事件网的生产经营模型通过以下方式表示:
EN=(P,E,T,A,F)
其中,EN表示生产经营模型,P为库所的集合,E为事件的集合,T为变迁的集合,A为有向弧的集合,F为发生函数的集合;
库所中包含获取的企业业务活动成本数据以及通过变迁产生的成本数据,事件中包含影响成本的预设事件以及通过变迁产生的事件;变迁表示通过物理世界的真实活动进行映射确定的状态变化,发生函数包括变迁发生的前置条件、发生的时长以及后置函数;
变迁发生的前置条件包括:变迁发生需要的时间、变迁需要的库所以及需要消耗的库所中数据;后置函数用于计算产生变迁后的成本数据以及变迁后的事件。
2.根据权利要求1所述的基于事件网的成本还原优化方法,其特征在于,企业业务活动的成本数据包括:直接成本数据和间接成本数据,所述直接成本数据包括采购环节成本数据、生产环节成本数据以及销售环节成本数据,所述间接成本数据包括人力成本数据以及固定资产数据。
3.根据权利要求1所述的基于事件网的成本还原优化方法,其特征在于,
基于事件网进行生产经营模型的构建按照如下方式实现:当获取企业业务活动成本数据,满足前置条件,处于准备状态;在预设事件触发后,变迁发生,进行预设时间的转换输出变迁产生的成本数据,并生成变迁产生的事件,该变迁产生的事件作为下一个变迁的事件,如此循环网络中所有的变迁,完成生产经营模型的构建。
4.根据权利要求3所述的基于事件网的成本还原优化方法,其特征在于,所述有向弧和变迁通过模拟仿真进行确定,所述模拟仿真的方式包括脚本语言编写、经验模型、机器学习模型以及有限元计算。
5.根据权利要求1所述的基于事件网的成本还原优化方法,其特征在于,还包括:基于历史数据以及同行业数据与还原结果进行对比,得到对比结果。
6.根据权利要求5所述的基于事件网的成本还原优化方法,其特征在于,还包括:
在预设事件中加入相关投入变化的事件,得到更新预设事件;
基于更新预设事件,采用生产经营模型计算得到成本更新数据;
根据所述成本更新数据与还原结果确定投资决策。
7.根据权利要求6所述的基于事件网的成本还原优化方法,其特征在于,所述相关投入变化的事件通过对对比结果分析确定。
8.一种基于事件网的成本还原优化系统,其特征在于,包括:
数据获取模块,用于获取企业业务活动的成本数据以及影响成本的预设事件;
模型构建模块,用于基于成本数据和预设事件,将物理世界的真实活动进行映射,构建基于事件网的生产经营模型;
还原模块,用于根据生产经营模型进行企业业务的成本还原,得到还原结果;
所述基于事件网的生产经营模型通过以下方式表示:
EN=(P,E,T,A,F)
其中,EN表示生产经营模型,P为库所的集合,E为事件的集合,T为变迁的集合,A为有向弧的集合,F为发生函数的集合;
库所中包含获取的企业业务活动成本数据以及通过变迁产生的成本数据,事件中包含影响成本的预设事件以及通过变迁产生的事件;变迁表示通过物理世界的真实活动进行映射确定的状态变化,发生函数包括变迁发生的前置条件、发生的时长以及后置函数;
变迁发生的前置条件包括:变迁发生需要的时间、变迁需要的库所以及需要消耗的库所中数据;后置函数用于计算产生变迁后的成本数据以及变迁后的事件。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使所述计算机执行如权利要求1-7任一项所述的基于事件网的成本还原优化方法。
10.一种电子设备,其特征在于,包括:存储器和处理器,所述存储器和所述处理器之间互相通信连接,所述存储器存储有计算机指令,所述处理器通过执行所述计算机指令,从而执行如权利要求1-7任一项所述的基于事件网的成本还原优化方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110940531.9A CN113610313B (zh) | 2021-08-16 | 2021-08-16 | 一种基于事件网的成本还原优化方法、系统及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110940531.9A CN113610313B (zh) | 2021-08-16 | 2021-08-16 | 一种基于事件网的成本还原优化方法、系统及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113610313A CN113610313A (zh) | 2021-11-05 |
CN113610313B true CN113610313B (zh) | 2024-02-06 |
Family
ID=78308775
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110940531.9A Active CN113610313B (zh) | 2021-08-16 | 2021-08-16 | 一种基于事件网的成本还原优化方法、系统及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113610313B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101276437A (zh) * | 2008-05-15 | 2008-10-01 | 王坚 | 企业能耗过程建模与仿真方法 |
JP2012238284A (ja) * | 2011-05-13 | 2012-12-06 | Hitachi Ltd | 生産計画作成システム及び生産計画作成方法 |
CN103019903A (zh) * | 2013-01-18 | 2013-04-03 | 哈尔滨工业大学 | 嵌入式设备能耗仿真评测系统 |
CN106295878A (zh) * | 2016-08-09 | 2017-01-04 | 广东技术师范学院 | 一种基于Petri网与改进遗传算法的柔性作业车间调度系统 |
CN108090720A (zh) * | 2017-12-07 | 2018-05-29 | 山东科技大学 | 一种基于类型petri网的过程分析方法 |
CN111325389A (zh) * | 2020-02-17 | 2020-06-23 | 陕西科技大学 | 一种基于Petri网和整数线性规划的车辆路径优化方法 |
CN112348251A (zh) * | 2020-11-05 | 2021-02-09 | 傲林科技有限公司 | 一种决策辅助方法、装置、电子设备及存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10404526B2 (en) * | 2016-09-20 | 2019-09-03 | Conduent Business Services, Llc | Method and system for generating recommendations associated with client process execution in an organization |
-
2021
- 2021-08-16 CN CN202110940531.9A patent/CN113610313B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101276437A (zh) * | 2008-05-15 | 2008-10-01 | 王坚 | 企业能耗过程建模与仿真方法 |
JP2012238284A (ja) * | 2011-05-13 | 2012-12-06 | Hitachi Ltd | 生産計画作成システム及び生産計画作成方法 |
CN103019903A (zh) * | 2013-01-18 | 2013-04-03 | 哈尔滨工业大学 | 嵌入式设备能耗仿真评测系统 |
CN106295878A (zh) * | 2016-08-09 | 2017-01-04 | 广东技术师范学院 | 一种基于Petri网与改进遗传算法的柔性作业车间调度系统 |
CN108090720A (zh) * | 2017-12-07 | 2018-05-29 | 山东科技大学 | 一种基于类型petri网的过程分析方法 |
CN111325389A (zh) * | 2020-02-17 | 2020-06-23 | 陕西科技大学 | 一种基于Petri网和整数线性规划的车辆路径优化方法 |
CN112348251A (zh) * | 2020-11-05 | 2021-02-09 | 傲林科技有限公司 | 一种决策辅助方法、装置、电子设备及存储介质 |
Non-Patent Citations (3)
Title |
---|
Dunnett S. Improving the strategy of maintaining offshore wind turbines through Petri net modelling;Rundong Yan 等;《Applied Sciences》;第11卷(第02期);574 * |
基于Petri网的车间物料配送及路径规划方法;张瑞杰 等;《现代制造工程》;第489卷(第06期);17-24 * |
精益视角下B公司产品测试流程管理优化研究;李炯;《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》(第01期);C035-82 * |
Also Published As
Publication number | Publication date |
---|---|
CN113610313A (zh) | 2021-11-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sawhney et al. | Stock selection via spatiotemporal hypergraph attention network: A learning to rank approach | |
CN106296305A (zh) | 大数据环境下的电商网站实时推荐系统与方法 | |
CN108337316A (zh) | 信息推送方法、装置、计算机设备及存储介质 | |
CN108090788B (zh) | 基于时间信息集成模型的广告转化率预估方法 | |
Tung et al. | A novel approach to collaborative testing in a crowdsourcing environment | |
KR101283667B1 (ko) | 3d 플랜트 구축 공정 시뮬레이션 시스템 및 그 방법 | |
CN105869019A (zh) | 一种商品价格预测方法及装置 | |
CN107729915A (zh) | 用于确定机器学习样本的重要特征的方法及系统 | |
Zheng et al. | A data-driven robust optimization method for the assembly job-shop scheduling problem under uncertainty | |
CN112488826A (zh) | 基于深度强化学习对银行风险定价的优化方法和装置 | |
CN114861386A (zh) | 面向业务流程的时间及成本综合计算仿真方法及装置 | |
Avritzer et al. | A multivariate characterization and detection of software performance antipatterns | |
US20230186331A1 (en) | Generalized demand estimation for automated forecasting systems | |
CN106021391B (zh) | 基于Storm的产品评论信息实时采集方法 | |
CN114969191A (zh) | 基于大数据的数据分析方法、系统、装置及存储介质 | |
CN113610313B (zh) | 一种基于事件网的成本还原优化方法、系统及存储介质 | |
CN117149410A (zh) | 一种基于ai智能模型训练调度指挥监控系统 | |
US20220179862A1 (en) | Optimizing breakeven points for enhancing system performance | |
CN113610419B (zh) | 一种基于事件网的事中监控分析方法、系统及存储介质 | |
CN115409541A (zh) | 基于数据血缘的卷烟品牌数据处理方法 | |
Pasichnyk et al. | Mathematical modeling of Website quality characteristics in dynamics | |
Offutt et al. | An industrial study of applying input space partitioning to test financial calculation engines | |
Manikandan et al. | Software design challenges in time series prediction systems using parallel implementation of artificial neural networks | |
CN102890642B (zh) | 基于匹配矩阵的异构重构计算的性能分析方法 | |
Klügl et al. | Double whammy? Trade and automation in engineering services |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |