CN113762842A - 仓库调度方法、服务器和系统 - Google Patents
仓库调度方法、服务器和系统 Download PDFInfo
- Publication number
- CN113762842A CN113762842A CN202011073048.7A CN202011073048A CN113762842A CN 113762842 A CN113762842 A CN 113762842A CN 202011073048 A CN202011073048 A CN 202011073048A CN 113762842 A CN113762842 A CN 113762842A
- Authority
- CN
- China
- Prior art keywords
- predicted value
- inventory
- value
- goods
- warehouse
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000012937 correction Methods 0.000 claims description 20
- 238000003860 storage Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 10
- 230000014509 gene expression Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000005259 measurement Methods 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 18
- 238000007726 management method Methods 0.000 description 16
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 241000531116 Blitum bonus-henricus Species 0.000 description 2
- 235000008645 Chenopodium bonus henricus Nutrition 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 102000002423 Octamer Transcription Factor-6 Human genes 0.000 description 1
- 108010068113 Octamer Transcription Factor-6 Proteins 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000012360 testing method 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
- G06Q10/08—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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Theoretical Computer Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开公开了一种仓库调度方法、服务器和系统,涉及仓储领域。该方法包括:仓储调度服务器获取每种货物的库存资源量的第一预测值和第二预测值,其中,第一预测值基于历史出库数据确定,第二预测值基于第一目标度量值确定;构建每种货物的第一库存影响参数和第二库存影响参数以及库存资源量预测值与第二目标度量值之间的关系式;以第一预测值和第二预测值为约束条件,计算第二目标度量值最大时对应的每种货物的库存资源量预测值;以及将每种货物的库存资源量预测值发送至仓储管理系统,以指示仓储管理系统对仓库内的货物进行调度。本公开提高了货物的库存资源量预测结果的准确性,因此使得货物调度结果更加准确,减少了运营成本。
Description
技术领域
本公开涉及仓储领域,尤其涉及一种仓库调度方法、服务器和系统。
背景技术
预测技术是供应链优化底层支撑技术,预测的好坏对后续供应链优化至关重要。极端情况,库存降到零时再去补货,供货商从接到补货通知到把货物运到仓库有一个时长,这段时间库房处于缺货状态,会导致缺货成本。反之,若预测结果偏高,会增加库存成本。据粗略估算,1%的预测准确度的提升可以节约数倍的运营成本。因此预测技术是供应链优化中关键技术之一。
相关技术中,采用单阶段的商品预测,其基于原有假设条件或数据条件下的预测,从预测落地执行角度,数据特征缺失或数据质量差等,造成原有模型信息孤岛等问题,使得预测结果不准确,进而导致仓库调度不合理,题述了运营成本。
发明内容
本公开要解决的一个技术问题是,提供一种仓库调度方法、服务器和系统,提高库存资源量预测值的准确性,进而提高仓库调度的准确性。
根据本公开一方面,提出一种仓库调度方法,包括:仓储调度服务器获取每种货物的库存资源量的第一预测值和第二预测值,其中,第一预测值基于历史出库数据确定,第二预测值基于第一目标度量值确定;构建每种货物的第一库存影响参数和第二库存影响参数以及库存资源量预测值与第二目标度量值之间的关系式;以第一预测值和第二预测值为约束条件,计算第二目标度量值最大时对应的每种货物的库存资源量预测值;以及将每种货物的库存资源量预测值发送至仓储管理系统,以指示仓储管理系统对仓库内的货物进行调度。
在一些实施例中,仓储调度服务器配置每种货物的库存资源量预测值满足第一约束条件,其中,第一约束条件为每种货物的第一库存影响参数与对应的库存资源量预测值的乘积,按照货物种类进行加和得到的和值,小于或等于第一目标度量值。
在一些实施例中,仓储调度服务器配置每种货物的库存资源量预测值满足第二约束条件,其中,第二约束条件为每种货物的库存资源量预测值小于或等于最大预测值,且大于或等于最小预测值,最大预测值为第一预测值与第一最大修正系数之积,和第二预测值与第二最大修正系数之积中的最大值,最小预测值为第一预测值与第一最小修正系数之积,和第二预测值与第二最小修正系数之积中的最小值。
在一些实施例中,每种货物的第一库存影响参数与第二库存影响参数之差与库存资源量预测值的乘积,按照货物种类进行加和,为第二目标度量值。
在一些实施例中,第二预测值根据第一目标度量值、每种货物的第一库存影响参数以及货物种类确定。
在一些实施例中,第一预测值根据每种货物对应的库存资源预测模型和历史出库数据确定。
在一些实施例中,仓储管理系统根据仓储调度服务器发送的每种货物的库存资源量预测值,以及仓库中已有的每种货物的数量,对各种货物进行调度。
根据本公开的另一方面,还提出一种仓储调度服务器,包括:预测值获取模块,被配置为获取每种货物的库存资源量的第一预测值和第二预测值,其中,第一预测值基于历史出库数据确定,第二预测值基于第一目标度量值确定;关系式构建模块,被配置为构建每种货物的第一库存影响参数和第二库存影响参数以及库存资源量预测值与第二目标度量值之间的关系式;预测值计算模块,被配置为以第一预测值和第二预测值为约束条件,计算第二目标度量值最大时对应的每种货物的库存资源量预测值;以及预测值发送模块,被配置为将每种货物的库存资源量预测值发送至仓储管理系统,以指示仓储管理系统对仓库内的货物进行调度。
根据本公开的另一方面,还提出一种仓储调度服务器,包括:存储器;以及耦接至存储器的处理器,处理器被配置为基于存储在存储器的指令执行如上述的仓储调度方法。
根据本公开的另一方面,还提出一种仓储调度系统,包括:上述的仓储调度服务器;以及仓储管理系统,被配置为根据仓储调度服务器发送的每种货物库的库存资源量预测值,对仓库内的货物进行调度。
根据本公开的另一方面,还提出一种非瞬时性计算机可读存储介质,其上存储有计算机程序指令,该指令被处理器执行时实现上述的仓储调度方法。
本公开实施例中,仓储调度服务器根据每种货物的库存资源量的第一预测值和第二预测值,以及每种货物的第一库存影响参数和第二库存影响参数和第二目标度量值,确定第一预测值和第二预测值的平衡点,即每种货物的库存资源量预测值。由于在两种预测结果中找平衡点,能够避免因历史数据部分缺失以及预测模型信息孤岛导致的预测结果不准确,由于库存资源量预测结果更加准确,根据每种货物的库存资源量预测值进行货物调度,使得货物调度结果更加准确,减少了运营成本。
通过以下参照附图对本公开的示例性实施例的详细描述,本公开的其它特征及其优点将会变得清楚。
附图说明
构成说明书的一部分的附图描述了本公开的实施例,并且连同说明书一起用于解释本公开的原理。
参照附图,根据下面的详细描述,可以更加清楚地理解本公开,其中:
图1为本公开的仓库调度方法的一些实施例的流程示意图。
图2为本公开的仓库调度方法的另一些实施例的流程示意图。
图3为本公开的仓储调度服务器的一些实施例的结构示意图。
图4为本公开的仓储调度服务器的另一些实施例的结构示意图。
图5为本公开的仓储调度系统的一些实施例的结构示意图。
具体实施方式
现在将参照附图来详细描述本公开的各种示例性实施例。应注意到:除非另外具体说明,否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本公开的范围。
同时,应当明白,为了便于描述,附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的,决不作为对本公开及其应用或使用的任何限制。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论,但在适当情况下,所述技术、方法和设备应当被视为授权说明书的一部分。
在这里示出和讨论的所有示例中,任何具体值应被解释为仅仅是示例性的,而不是作为限制。因此,示例性实施例的其它示例可以具有不同的值。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步讨论。
为使本公开的目的、技术方案和优点更加清楚明白,以下结合具体实施例,并参照附图,对本公开进一步详细说明。
图1为本公开的仓库调度方法的一些实施例的流程示意图。
在步骤110,仓储调度服务器获取每种货物的库存资源量的第一预测值和第二预测值,其中,第一预测值基于历史出库数据确定,第二预测值基于第一目标度量值确定。
在一些实施例中,第一预测值根据每种货物对应的库存资源预测模型和历史出库数据确定。例如,基于货物的历史出库数据对机器模型进行训练,得到库存资源预测模型,进而根据当前时间之前预定时间段内的数据,预测当前时间段内需要的货物的库存资源量。
在一些实施例中,第二预测值根据第一目标度量值、每种货物的第一库存影响参数以及货物种类确定。第一目标度量值例如为所有货物对应的GMV(Gross MerchandiseVolume,成交总额)。
在步骤120,构建每种货物的第一库存影响参数和第二库存影响参数以及库存资源量预测值与第二目标度量值之间的关系式。
在一些实施例中,每种货物的第一库存影响参数与第二库存影响参数之差与库存资源量预测值的乘积,按照货物种类进行加和,为第二目标度量值。
在一些实施例中,第一库存影响参数为价格参数,第二库存影响参数为成本参数,第二目标度量值例如为预期获得的利润参数。
在步骤130,以第一预测值和第二预测值为约束条件,计算第二目标度量值最大时对应的每种货物的库存资源量预测值。
在步骤140,将每种货物的库存资源量预测值发送至仓储管理系统,以指示仓储管理系统对仓库内的货物进行调度。
在一些实施例中,仓储管理系统根据仓储调度服务器发送的每种货物的库存资源量预测值,以及仓库中已有的每种货物的数量,对各种货物进行调度。
在上述实施例中,仓储调度服务器根据每种货物的库存资源量的第一预测值和第二预测值,以及每种货物的第一库存影响参数和第二库存影响参数和第二目标度量值,确定第一预测值和第二预测值的平衡点,即每种货物的库存资源量预测值。由于在两种预测结果中找平衡点,能够避免因历史数据部分缺失以及预测模型信息孤岛导致的预测结果不准确,由于库存资源量预测结果更加准确,根据每种货物的库存资源量预测值进行货物调度,使得货物调度结果更加准确,减少了运营成本。
图2为本公开的仓库调度方法的另一些实施例的流程示意图。
在步骤210,基于每种货物对应的库存资源预测模型和历史出库数据,确定每种货物的库存资源量的第一预测值。
在一些实施例中,基于ARIMA模型(Autoregressive Integrated Moving Averagemodel,差分整合移动平均自回归模型)、Holt winters(霍尔特-温特)等时间序列算法,或者XGboost(eXtreme Gradient Boosting,极端梯度提升)、RNN(Recurrent NeuralNetwork,循环神经网络)等机器学习方法,以及结合业务定制的诸如新品预测方法等,预测每种货物的库存资源量的第一预测值。
以机器学习为例,在预测货物的库存资源量的第一预测值时,需要进行特征构建、模型选择、特征选择、样本区分、模型参数选择、模型预测、多模型择优、预测值异常拦截、模型评价和误差分析等操作。
在特征构建时,通过数据分析、模型试验确定主要特征,通过系列任务生成标准格式的特征数据。在模型选择时,针对不同的货物有不同的特性,例如根据货物的销量高低、新品旧品、节假日敏感性等因素分配不同的算法模型。在进行特征选择时,需要过滤不需要的特征,不同类型货物对应不同的特征。
针对待训练样本,需要进行样本分区,即对训练数据进行分组,一般同类型货物被分成一组,如按品类维度分组。将样本分为多组,训练时针对每组样本生成一个模型文件。因为需要对不同的参数组合分别进行模型训练和预测,而合适的参数将提高模型的准确度,因此,需要选择最优的模型参数。
在特征、模型、样本都确定好后,进行模型训练生成模型文件,读取模型文件进行预测执行。另外,为提高预测准确度,使用多个算法模型,当每个模型的预测结果输出后,通过一些评价规则来选择一个最优的预测结果。
针对预测结果,需要拦截异常预测值。例如,极个别预测值异常偏高且无法结合历史数据进行解释,因此通过一些规则将这些异常值拦截下来,用一个保守的数值填充。
在执行完货物的库存资源量的预测后,可以对模型进行评价,例如根据MAPE(meanabsolute percentage error,平均绝对百分比误差)或wMAPE等计算预测准确度。进而,根据预测准确度得出误差在不同维度上分布,用于算法调优。
在步骤220,根据第一目标度量值、每种货物的第一库存影响参数以及货物种类,确定每种货物的库存资源量的第二预测值。
在一些实施例中,用户根据货物种类,将第一目标度量值进行拆分,然后根据每种货物的第一库存影响参数,确定每种货物的库存资源量的第二预测值。例如,预计GMV值为100万,仓库中有30个SKU(Stock Keeping Unit,库存量单位),每个SKU对应不同的价格,则按照SKU数量、每个SKU对应不同的价格,对GMV值进行拆分,预测每个SKU对应的库存量。
在步骤230,构建关系式,其中,每种货物的第一库存影响参数与第二库存影响参数之差与库存资源量预测值的乘积,按照货物种类进行加和,为第二目标度量值。
在步骤240,配置计算每种货物的库存资源量预测值时的约束条件。
在一些实施例中,仓储调度服务器配置每种货物的库存资源量预测值满足第一约束条件,其中,第一约束条件为每种货物的第一库存影响参数与对应的库存资源量预测值的乘积,按照货物种类进行加和得到的和值,小于或等于第一目标度量值。
在一些实施例中,仓储调度服务器配置每种货物的库存资源量预测值满足第二约束条件,其中,第二约束条件为每种货物的库存资源量预测值小于或等于最大预测值,且大于或等于最小预测值,最大预测值为第一预测值与第一最大修正系数之积,和第二预测值与第二最大修正系数之积中的最大值,最小预测值为第一预测值与第一最小修正系数之积,和第二预测值与第二最小修正系数之积中的最小值。
在步骤250,计算第二目标度量值最大时对应的每种货物的库存资源量预测值。
上述实施例中的模型属于IP(integer programming,整数规划)模型,例如可以通过LPsolver(线性求解器)/SCIP(数学规划求解器)/启发式算法等快速求解,得到每种货物的库存资源量预测值。
在步骤260,将每种货物的库存资源量预测值发送至仓储管理系统,以指示仓储管理系统对仓库内的货物进行调度。
例如,根据预测值,使得用户能够更加准确的进行库存管理,合理安排采购、补货计划。
在上述实施例中,根据两个阶段的每种货物的库存资源量的预测值,构建预测数学模型,找到最优的预测值,由于货物的库存资源量的预测值更加准确,为降低仓内安全库存以及物流网络规划提供基础条件,能够减少运营成本。
图3为本公开的仓储调度服务器的一些实施例的结构示意图。该仓储调度服务器包括预测值获取模块310、关系式构建模块320、预测值计算模块330和预测值发送模块340。
预测值获取模块310被配置为获取每种货物的库存资源量的第一预测值和第二预测值,其中,第一预测值基于历史出库数据确定,第二预测值基于第一目标度量值确定。
在一些实施例中,第一预测值根据每种货物对应的库存资源预测模型和历史出库数据确定。
在一些实施例中,第二预测值根据第一目标度量值、每种货物的第一库存影响参数以及货物种类确定。例如,用户根据货物种类,将第一目标度量值进行拆分,然后根据每种货物的第一库存影响参数,确定每种货物的库存资源量的第二预测值。第一目标度量值例如为所有货物对应的GMV。
构建模块320被配置为构建每种货物的第一库存影响参数和第二库存影响参数以及库存资源量预测值与第二目标度量值之间的关系式。
在一些实施例中,每种货物的第一库存影响参数与第二库存影响参数之差与库存资源量预测值的乘积,按照货物种类进行加和,为第二目标度量值。
在一些实施例中,第一库存影响参数为价格参数,第二库存影响参数为成本参数,第二目标度量值例如为预期获得的利润参数。
预测值计算模块330被配置为以第一预测值和第二预测值为约束条件,计算第二目标度量值最大时对应的每种货物的库存资源量预测值。
在一些实施例中,仓储调度服务器配置每种货物的库存资源量预测值满足第一约束条件,其中,第一约束条件为每种货物的第一库存影响参数与对应的库存资源量预测值的乘积,按照货物种类进行加和得到的和值,小于或等于第一目标度量值。
在一些实施例中,仓储调度服务器配置每种货物的库存资源量预测值满足第二约束条件,其中,第二约束条件为每种货物的库存资源量预测值小于或等于最大预测值,且大于或等于最小预测值,最大预测值为第一预测值与第一最大修正系数之积,和第二预测值与第二最大修正系数之积中的最大值,最小预测值为第一预测值与第一最小修正系数之积,和第二预测值与第二最小修正系数之积中的最小值。
预测值发送模块340被配置为将每种货物的库存资源量预测值发送至仓储管理系统,以指示仓储管理系统对仓库内的货物进行调度。
在一些实施例中,仓储管理系统根据仓储调度服务器发送的每种货物的库存资源量预测值,以及仓库中已有的每种货物的数量,对各种货物进行调度。
在上述实施例中,仓储调度服务器根据每种货物的库存资源量的第一预测值和第二预测值,以及每种货物的第一库存影响参数和第二库存影响参数和第二目标度量值,确定第一预测值和第二预测值的平衡点,即每种货物的库存资源量预测值,使得预测结果更加准确,进而根据每种货物的库存资源量预测值进行货物调度,使得货物调度结果更加准确,减少了运营成本。
图4为本公开的仓储调度服务器的另一些实施例的结构示意图。该仓储调度服务器400包括存储器410和处理器420,其中:存储器410可以是磁盘、闪存或其它任何非易失性存储介质。存储器用于存储图1-2所对应实施例中的指令。处理器420耦接至存储器410,可以作为一个或多个集成电路来实施,例如微处理器或微控制器。该处理器420用于执行存储器中存储的指令。
在一些实施例中,处理器420通过BUS总线430耦合至存储器410。该仓储调度服务器400还可以通过存储接口440连接至外部存储装置450以便调用外部数据,还可以通过网络接口460连接至网络或者另外一台计算机系统(未标出),此处不再进行详细介绍。
在该实施例中,通过存储器存储数据指令,再通过处理器处理上述指令,能够更加准确的预测货物的库存资源量预测值,进而使得货物调度结果更加准确。
图5为本公开的仓储调度系统的一些实施例的结构示意图。该仓储调度系统包括仓储调度服务器510和仓储管理系统520,其中,仓储调度服务器510已在上述实施例中进行了详细介绍,此处不再进一步阐述。
仓储管理系统520被配置为根据仓储调度服务器510发送的每种货物库的库存资源量预测值,对仓库内的货物进行调度。例如,根据仓储调度服务器发送的每种货物的库存资源量预测值,以及仓库中已有的每种货物的数量,对各种货物进行调度。
在另一些实施例中,一种计算机可读存储介质,其上存储有计算机程序指令,该指令被处理器执行时实现图1-2所对应实施例中的方法的步骤。本领域内的技术人员应明白,本公开的实施例可提供为方法、装置、或计算机程序产品。因此,本公开可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本公开可采用在一个或多个其中包含有计算机可用程序代码的计算机可用非瞬时性存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本公开是参照根据本公开实施例的方法、设备(系统)和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
至此,已经详细描述了本公开。为了避免遮蔽本公开的构思,没有描述本领域所公知的一些细节。本领域技术人员根据上面的描述,完全可以明白如何实施这里公开的技术方案。
虽然已经通过示例对本公开的一些特定实施例进行了详细说明,但是本领域的技术人员应该理解,以上示例仅是为了进行说明,而不是为了限制本公开的范围。本领域的技术人员应该理解,可在不脱离本公开的范围和精神的情况下,对以上实施例进行修改。本公开的范围由所附权利要求来限定。
Claims (11)
1.一种仓库调度方法,包括:
仓储调度服务器获取每种货物的库存资源量的第一预测值和第二预测值,其中,所述第一预测值基于历史出库数据确定,所述第二预测值基于第一目标度量值确定;
构建每种货物的第一库存影响参数和第二库存影响参数以及库存资源量预测值与第二目标度量值之间的关系式;
以所述第一预测值和所述第二预测值为约束条件,计算所述第二目标度量值最大时对应的每种货物的库存资源量预测值;以及
将每种货物的库存资源量预测值发送至仓储管理系统,以指示所述仓储管理系统对仓库内的货物进行调度。
2.根据权利要求1所述的仓库调度方法,其中,
所述仓储调度服务器配置每种货物的库存资源量预测值满足第一约束条件,其中,所述第一约束条件为每种货物的所述第一库存影响参数与对应的库存资源量预测值的乘积,按照货物种类进行加和得到的和值,小于或等于所述第一目标度量值。
3.根据权利要求1所述的仓库调度方法,其中,
所述仓储调度服务器配置每种货物的库存资源量预测值满足第二约束条件,其中,所述第二约束条件为每种货物的库存资源量预测值小于或等于最大预测值,且大于或等于最小预测值,所述最大预测值为所述第一预测值与第一最大修正系数之积,和所述第二预测值与第二最大修正系数之积中的最大值,所述最小预测值为所述第一预测值与第一最小修正系数之积,和所述第二预测值与第二最小修正系数之积中的最小值。
4.根据权利要求1至3任一所述的仓储调度方法,其中,
每种货物的第一库存影响参数与第二库存影响参数之差与库存资源量预测值的乘积,按照货物种类进行加和,为所述第二目标度量值。
5.根据权利要求1至3任一所述的仓储调度方法,其中,
所述第二预测值根据所述第一目标度量值、每种货物的第一库存影响参数以及货物种类确定。
6.根据权利要求1至3任一所述的仓储调度方法,其中,
所述第一预测值根据每种货物对应的库存资源预测模型和历史出库数据确定。
7.根据权利要求1至3任一所述的仓储调度方法,其中,
所述仓储管理系统根据所述仓储调度服务器发送的每种货物的库存资源量预测值,以及仓库中已有的每种货物的数量,对各种货物进行调度。
8.一种仓储调度服务器,包括:
预测值获取模块,被配置为获取每种货物的库存资源量的第一预测值和第二预测值,其中,所述第一预测值基于历史出库数据确定,所述第二预测值基于第一目标度量值确定;
关系式构建模块,被配置为构建每种货物的第一库存影响参数和第二库存影响参数以及库存资源量预测值与第二目标度量值之间的关系式;
预测值计算模块,被配置为以所述第一预测值和所述第二预测值为约束条件,计算所述第二目标度量值最大时对应的每种货物的库存资源量预测值;以及
预测值发送模块,被配置为将每种货物的库存资源量预测值发送至仓储管理系统,以指示所述仓储管理系统对仓库内的货物进行调度。
9.一种仓储调度服务器,包括:
存储器;以及
耦接至所述存储器的处理器,所述处理器被配置为基于存储在所述存储器的指令执行如权利要求1至7任一项所述的仓储调度方法。
10.一种仓储调度系统,包括:
权利要求8或9所述的仓储调度服务器;以及
仓储管理系统,被配置为根据所述仓储调度服务器发送的每种货物库的库存资源量预测值,对仓库内的货物进行调度。
11.一种非瞬时性计算机可读存储介质,其上存储有计算机程序指令,该指令被处理器执行时实现权利要求1至7任一项所述的仓储调度方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011073048.7A CN113762842B (zh) | 2020-10-09 | 2020-10-09 | 仓储调度方法、服务器和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011073048.7A CN113762842B (zh) | 2020-10-09 | 2020-10-09 | 仓储调度方法、服务器和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113762842A true CN113762842A (zh) | 2021-12-07 |
CN113762842B CN113762842B (zh) | 2023-12-05 |
Family
ID=78785799
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011073048.7A Active CN113762842B (zh) | 2020-10-09 | 2020-10-09 | 仓储调度方法、服务器和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113762842B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114862017A (zh) * | 2022-05-05 | 2022-08-05 | 南通万天信息科技有限公司 | 一种基于状态预测的纺织业库存调整方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120253995A1 (en) * | 2011-03-31 | 2012-10-04 | Amit Boob | System and method for merchandise inventory management to maximize gross margin |
CN107705010A (zh) * | 2017-09-29 | 2018-02-16 | 北京京东尚科信息技术有限公司 | 业务评估方法和系统 |
CN109961161A (zh) * | 2017-12-22 | 2019-07-02 | 北京京东尚科信息技术有限公司 | 商品管理方法、系统、电子设备及计算机可读介质 |
CN110097203A (zh) * | 2018-01-29 | 2019-08-06 | 北京京东尚科信息技术有限公司 | 库存调度方法、库存调度装置以及计算机可读存储介质 |
US20200082487A1 (en) * | 2018-09-06 | 2020-03-12 | Hitachi, Ltd. | Inventory deployment planning device and inventory deployment planning method |
US20200143313A1 (en) * | 2018-11-01 | 2020-05-07 | C3 loT, Inc. | Systems and methods for inventory management and optimization |
-
2020
- 2020-10-09 CN CN202011073048.7A patent/CN113762842B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120253995A1 (en) * | 2011-03-31 | 2012-10-04 | Amit Boob | System and method for merchandise inventory management to maximize gross margin |
CN107705010A (zh) * | 2017-09-29 | 2018-02-16 | 北京京东尚科信息技术有限公司 | 业务评估方法和系统 |
CN109961161A (zh) * | 2017-12-22 | 2019-07-02 | 北京京东尚科信息技术有限公司 | 商品管理方法、系统、电子设备及计算机可读介质 |
CN110097203A (zh) * | 2018-01-29 | 2019-08-06 | 北京京东尚科信息技术有限公司 | 库存调度方法、库存调度装置以及计算机可读存储介质 |
US20200082487A1 (en) * | 2018-09-06 | 2020-03-12 | Hitachi, Ltd. | Inventory deployment planning device and inventory deployment planning method |
US20200143313A1 (en) * | 2018-11-01 | 2020-05-07 | C3 loT, Inc. | Systems and methods for inventory management and optimization |
Non-Patent Citations (2)
Title |
---|
HAJEK, P ET AL.: "A Profit Function-Maximizing Inventory Backorder Prediction System Using Big Data Analytics", 《IEEE ACCESS 》, pages 58982 - 58994 * |
陈金霞;李文东;范林贤;于芳;: "大庆油田物资采购及库存优化机制设计与模型研究", 运筹与管理, no. 06, pages 132 - 139 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114862017A (zh) * | 2022-05-05 | 2022-08-05 | 南通万天信息科技有限公司 | 一种基于状态预测的纺织业库存调整方法及系统 |
CN114862017B (zh) * | 2022-05-05 | 2023-03-31 | 南通万天信息科技有限公司 | 一种基于状态预测的纺织业库存调整方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113762842B (zh) | 2023-12-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109784806B (zh) | 供应链控制方法、系统以及存储介质 | |
Kadadevaramath et al. | Application of particle swarm intelligence algorithms in supply chain network architecture optimization | |
Goodarzi et al. | A new bi-objective vehicle routing-scheduling problem with cross-docking: Mathematical model and algorithms | |
JP7402791B2 (ja) | 需要予測パラメータの最適化 | |
JP7105336B2 (ja) | スマートサプライチェーンシステム | |
Aqlan et al. | An integrated simulation–optimization study for consolidating production lines in a configure-to-order production environment | |
Stenius et al. | Exact analysis of divergent inventory systems with time-based shipment consolidation and compound poisson demand | |
CN111915254A (zh) | 一种适用于汽车售后配件的库存优化控制方法和系统 | |
Schuh et al. | Methodology for the evaluation of forecast reliability of production planning systems | |
Theodorou et al. | Optimizing inventory control through a data-driven and model-independent framework | |
CN116050987A (zh) | 用于物料补货的预测方法、装置、存储介质及处理器 | |
Karimi et al. | An integrated production-distribution planning with a routing problem and transportation cost discount in a supply chain | |
CN113469598A (zh) | 智慧供应链系统及服务器平台 | |
CN113469595A (zh) | 智慧供应链系统及服务器平台 | |
de Kok | Modelling short-term manufacturing flexibility by human intervention and its impact on performance | |
US11580490B2 (en) | Supply chain replenishment simulation | |
CN113762842B (zh) | 仓储调度方法、服务器和系统 | |
US11948163B2 (en) | User interface for visualizing output from supply chain replenishment simulation | |
CN115034419A (zh) | 多物料库存优化方法、装置、设备和存储介质 | |
CN116775956A (zh) | 多层级bom模型的创建方法、装置、设备及存储介质 | |
US11893528B2 (en) | Logistics operation optimization apparatus and logistics operation optimization method | |
CN115685912A (zh) | 基于大数据的制造企业生产与物流协同优化调度方法及系统 | |
KR102065933B1 (ko) | 계측기 재고 관리 시스템 | |
CN114091770A (zh) | 物料需求计划的预测分析方法、装置、设备及存储介质 | |
JP2016184250A (ja) | 損益予測装置及び損益予測プログラム |
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 |