CN114239993A - 一种基于贝叶斯方法的供应链管理需求预测方法 - Google Patents
一种基于贝叶斯方法的供应链管理需求预测方法 Download PDFInfo
- Publication number
- CN114239993A CN114239993A CN202111607731.9A CN202111607731A CN114239993A CN 114239993 A CN114239993 A CN 114239993A CN 202111607731 A CN202111607731 A CN 202111607731A CN 114239993 A CN114239993 A CN 114239993A
- Authority
- CN
- China
- Prior art keywords
- data
- influence
- replacement data
- bayesian
- demand
- 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- Withdrawn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 65
- 238000013398 bayesian method Methods 0.000 title claims abstract description 41
- 238000013068 supply chain management Methods 0.000 title claims abstract description 41
- 230000008859 change Effects 0.000 claims abstract description 15
- 238000012216 screening Methods 0.000 claims abstract description 13
- 238000009826 distribution Methods 0.000 claims description 65
- 239000002245 particle Substances 0.000 claims description 43
- 230000003993 interaction Effects 0.000 claims description 28
- 230000003044 adaptive effect Effects 0.000 claims description 19
- 239000011159 matrix material Substances 0.000 claims description 16
- 238000005457 optimization Methods 0.000 claims description 15
- 238000007621 cluster analysis Methods 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 238000012795 verification Methods 0.000 claims description 10
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 238000011156 evaluation Methods 0.000 claims description 9
- 230000002452 interceptive effect Effects 0.000 claims description 9
- 238000000513 principal component analysis Methods 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000000354 decomposition reaction Methods 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 4
- 230000009286 beneficial effect Effects 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 10
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 4
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000013277 forecasting method Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 230000003542 behavioural effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000002035 prolonged effect Effects 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
- G06F18/23—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
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Evolutionary Computation (AREA)
- Entrepreneurship & Innovation (AREA)
- Artificial Intelligence (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computing Systems (AREA)
- Pure & Applied Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- Mathematical Optimization (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Algebra (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于贝叶斯方法的供应链管理需求预测方法,包括:S1:将不满足预设数据容量的零件更换数据作为第一更换数据,对所述第一更换数据进行数据扩充,获得第二更换数据;S2:分析获得每个零件对应的影响特征因子和影响函数;S3:基于所述影响特征因子和影响函数,构建出每种零件对应的多个贝叶斯假设模型;S4:基于多个贝叶斯假设模型获得对应同种零件的多个假设需求预测结果;S5:基于对应的多个假设需求预测结果,从同种零件的多个贝叶斯假设模型筛选出最优预测模型,并预测出对应同种零件的备件需求;用以在备件低需求和间歇性需求时准确预测供应链需求,可以根据实际情况的变化准确地估计库存需求。
Description
技术领域
本发明涉及供应链管理技术领域,特别涉及一种基于贝叶斯方法的供应链管理需求预测方法。
背景技术
目前,需求估计对库存控制和供应链管理具有重要影响。因此,提高航空航天行业备件需求的估计一直是人们越来越感兴趣的领域。预测需求最常用的方法是利用统计方法,如简单指数平滑法。
使用传统统计方法预测需求需要可观察到的需求数据和工程估算的历史信息,但是,这些数据都是来自历史需求经验或者工程估算,这使得数据中包含了大量的不确定性,而且在开展新项目时由于零配件种类众多、各种零配件需求特点互不相同,在某一类零配件中预测效果良好的方法可能在另一类零配件中预测效果很差。在航空领域,很多备件的更换周期很长,可能存在间歇性需求,此时如果使用传统预测方法想获得获得较为精准的需求预测结果的话,需要将工程估算的时间拉长,获得足够的历史数据,这使得无法在项目前期预测备件需求。需求预测精度的控制是供应链预测中的重要环节。如果不能在项目早期或项目执行过程中及时根据环境变化及其变化规律性更新预测模型,将会影响预测结果的精度,产生较大的产销偏差,从而导致决策错误。
如上所述,由于需求低且断断续续,预测该行业的备件需求时必须考虑:
(1)备件低需求和间歇性需求时如何准确预测供应链需求;
(2)项目过程中如何根据实际情况的变化更新预测方法或模型,保证需求预测结果的准确性。
因此,本发明提出一种基于贝叶斯方法的供应链管理需求预测方法。
发明内容
本发明提供一种基于贝叶斯方法的供应链管理需求预测方法,用以改进传统需求预测方法,在备件低需求和间歇性需求时准确预测供应链需求,可以根据实际情况的变化准确地估计库存需求,保证需求预测结果的准确性,从而,使管理者能够做出更好的库存投资决策。
本发明提供了一种基于贝叶斯方法的供应链管理需求预测方法,包括:
S1:将不满足预设数据容量的零件更换数据作为第一更换数据,对所述第一更换数据进行数据扩充,获得第二更换数据;
S2:分析所述第二更换数据和满足预设数据容量的零件更换数据,获得每个零件对应的影响特征因子和影响函数;
S3:基于所述影响特征因子和影响函数,构建出每种零件对应的多个贝叶斯假设模型;
S4:基于多个贝叶斯假设模型获得对应同种零件的多个假设需求预测结果;
S5:基于所述假设需求预测结果筛选出最优预测模型,并预测出每种零件对应的备件需求。
优选的,所述的一种基于贝叶斯方法的供应链管理需求预测方法,S1:将不满足预设数据容量的零件更换数据作为第一更换数据,对所述第一更换数据进行数据扩充,获得第二更换数据,包括:
S101:获取每个零件在预设周期内对应的零件更换数据,删除所述零件更换数据中的畸变数据,获得第一零件更换数据;
S102:将不满足预设数据容量的第一零件更换数据作为第一更换数据;
S103:基于所述第一更换数据确定对应的零件编号,判断在历史数据库中是否存在所述零件编号对应的历史更换数据,若存在,则基于所述历史更换数据对所述第一更换数据进行数据扩充,若不存在,则基于预设方法对所述第一更换数据进行数据扩充;
S104:基于扩充后的第一更换数据,获得第二更换数据。
优选的,所述的一种基于贝叶斯方法的供应链管理需求预测方法,S2:分析所述第二更换数据和满足预设数据容量的零件更换数据,获得每个零件对应的影响特征因子和影响函数,包括:
S201:基于所述第二更换数据和满足预设数据容量的零件更换数据,获得对应的第二零件更换数据;
S202:将所述第二零件更换数据划分,获得每个零件对应的的先验分布数据集和模型验证数据集;
S203:从所述先验分布数据集中筛选出每个零件对应的离群数据;
S204:将所述先验分布数据集中除所述离群数据以外的剩余数据作为子先验分布数据集;
S205:对所述子先验分布数据集进行聚类分析,获得每个零件对应的第一影响特征因子和第一影响函数;
S206:分析所述离群数据,获得每个零件对应的第二影响特征因子和第二影响函数;
其中,所述影响特征因子包括:第一影响特征因子、第二影响特征因子;
所述影响函数包括:第一影响函数和第二影响函数。
优选的,所述的一种基于贝叶斯方法的供应链管理需求预测方法,S205:对所述子先验分布数据集进行聚类分析,获得每个零件对应的第一影响特征因子和第一影响函数,包括:
基于预设的置信度列表和对应的数据扩充方式,确定所述子先验分布数据集中每个零件更换数据对应的置信度;
根据所述子先验分布数据集中每个零件更换数据对应的生成时间,确定每个更换数据的置信影响因子;
基于所述置信度和每个更换数据对应的置信影响因子,生成每个零件对应的置信集合;
基于每个零件对应的第二零件更换数据,构成每个零件对应的更换数据集合;
基于所述置信集合和所述更换数据集合,构建每个零件对应的先验分布交互集合;
对所述先验分布交互集合进行主成分分析,获得每个零件对应的第一影响特征因子;
对所有先验分布交互集合进行聚类分析,获得同种零件的先验分布交互集合构成的先验分布交互矩阵;
对所述先验分布交互矩阵进行奇异值分解和降维取秩,获得矩阵秩;
获取所述矩阵秩的高斯分布特征,基于所述高斯分布特征以及预设关系获得每个零件的交互特征函数,将所述交互特征函数作为每个零件对应的第一影响函数。
优选的,所述的一种基于贝叶斯方法的供应链管理需求预测方法,S206:分析所述离群数据,获得每个零件对应的第二影响特征因子和第二影响函数,包括:
基于所述离群数据和对应零件的第二零件更换数据,计算出每个离群数据对应的离群因子;
将每个零件中包含的所有离群因子进行线性拟合,获得对应的变化趋势曲线;
对所述变化趋势曲线进行主成分分析,获得对应的第二影响特征因子;
对所述变化趋势曲线进行小波分析,获得每个零件对应的第二影响函数。
优选的,所述的一种基于贝叶斯方法的供应链管理需求预测方法,S3:基于所述影响特征因子和影响函数,构建出每种零件对应的贝叶斯假设模型,包括:
对所述影响特征因子进行粒子寻优,确定每个影响特征因子对应的影响权重;
基于所述影响特征因子和对应的影响权重以及所述影响函数,构建出每种零件对应的多个贝叶斯假设模型。
优选的,所述的一种基于贝叶斯方法的供应链管理需求预测方法,对所述影响特征因子进行粒子寻优,确定每个影响特征因子对应的影响权重,包括:
基于粒子群优化算法对所述影响特征因子进行搜索,获得每个粒子的适应值和当前位置;
基于预设神经网络对每个粒子进行迭代,获得最新适应值和最新位置,当所述最适应值超过所述适应值时,将对应粒子的当前位置更新至所述最新位置,直至所述适应值达到最优值要求时,基于对应粒子的当前位置在预设神经网络中的所处层数,确定出所述影响特征因子对应的影响权重。
优选的,所述的一种基于贝叶斯方法的供应链管理需求预测方法,基于所述影响特征因子和对应的影响权重以及所述影响函数,构建出每种零件对应的多个贝叶斯假设模型,包括:
基于所述影响特征因子和对应的影响权重,确定影响参数;
基于所述第一影响函数、第二影响函数和所述影响参数以及预设的贝叶斯模型公式,构建出每种零件对应的多个贝叶斯假设模型。
优选的,所述的一种基于贝叶斯方法的供应链管理需求预测方法,S4:基于多个贝叶斯假设模型获得对应同种零件的多个假设需求预测结果,包括:
从所述先验分布数据集中确定出每个零件对应的观测数据;
将所述观测数据输入至每种零件对应的多个贝叶斯假设模型,获得对应同种零件的多个假设需求预测结果。
优选的,所述的一种基于贝叶斯方法的供应链管理需求预测方法,S5:基于对应的多个假设需求预测结果,从同种零件的多个贝叶斯假设模型筛选出最优预测模型,并预测出对应同种零件的备件需求,包括:
从所述模型验证数据集中提取每个零件对应的最新零件更换数据;
将每种零件对应的最新零件更换数据汇总,获得每种零件对应的汇总数据,基于所述汇总数据和预设的备件要求,获得每种零件对应的实际需求量;
判断所述最新零件更换数据是否为数据扩充后的结果,若是,则基于每种零件对应的多个假设需求预测结果和对应的实际需求量,计算出每种零件对应的预测准确度评价数据,所述预测准确度评价数据包括:平均绝对偏差、绝对百分比误差;
获取所述平均绝对偏差对应的第一权重、所述绝对百分比误差对应的第二权重;
基于所述平均绝对偏差、绝对百分比误差、和对应的第一权重、第二权重,计算出对应零件的每个贝叶斯假设模型对应的预测准确度;
否则,基于每种零件对应的多个假设需求预测结果和对应的实际需求量,计算出每种零件对应的平均绝对偏差之比,将所述平均绝对偏差之比作为对应零件的每个贝叶斯假设模型对应的预测准确度;
基于所述预测准确度从同种零件的多个贝叶斯假设模型筛选出最优预测模型;
基于所述最优预测模型预测出对应同种零件的备件需求。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1为本发明实施例中一种基于贝叶斯方法的供应链管理需求预测方法的方法流程图;
图2为本发明实施例中又一种基于贝叶斯方法的供应链管理需求预测方法的方法流程图;
图3为本发明实施例中再一种基于贝叶斯方法的供应链管理需求预测方法的方法流程图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
实施例1:
本发明提供了一种基于贝叶斯方法的供应链管理需求预测方法,参考图1,包括:
S1:将不满足预设数据容量的零件更换数据作为第一更换数据,对所述第一更换数据进行数据扩充,获得第二更换数据;
S2:分析所述第二更换数据和满足预设数据容量的零件更换数据,获得每个零件对应的影响特征因子和影响函数;
S3:基于所述影响特征因子和影响函数,构建出每种零件对应的多个贝叶斯假设模型;
S4:基于多个贝叶斯假设模型获得对应同种零件的多个假设需求预测结果;
S5:基于所述假设需求预测结果筛选出最优预测模型,并预测出每种零件对应的备件需求。
该实施例中,本发明中的一种基于贝叶斯方法的供应链管理需求预测方法主要应用于航空航天行业,用于准确估计航空航天行业的备件需求。
该实施例中,预设数据容量即为达到可以采用贝叶斯方法时对应的数据容量(即为零件更换次数或零件故障次数)。
该实施例中,不满足预设数据容量的零件更换数据,即更换次数(或故障次数)未达到可以采用贝叶斯方法时对应的更换次数(或故障次数)。
该实施例中,零件更换数据即为零件发生故障时的更换周期。
该实施例中,第一更换数据即为不满足预设数据容量的零件更换数据。
该实施例中,第二更换数据即为对第一更换数据进行数据扩充后获得的更换数据。
该实施例中,影响特征因子即为每个零件对应的零件更换周期的影响因素(例如,应用场所、工作时间等)。
该实施例中,影响函数即为每个零件对应的零件更换周期与对应影响因素之间的函数关系。
该实施例中,贝叶斯假设模型用于预测备件需求的预测模型。
该实施例中,假设需求预测结果即基于每种零件对应的观测数据和对应的贝叶斯假设模型,获得的需求预测结果(即备件需求量)。
该实施例中,最优预测模型即为确定的每种零件对应的预测精确度最高的预测模型。
该实施例中,备件需求即为基于每种零件对应的最优预测模型和对应的观测数据,获得的每种零件对应的备件需求量。
以上技术的有益效果为:在备件低需求和间歇性需求时通过数据扩充,可提供更多的准确地观测数据,为准确预测供应链需求提供了足够的数据储备,通过获取每个零件对应的零件更换数据的影响特征因子和影响函数,确定出多个贝叶斯假设模型,并进一步确定出最优预测模型,可以根据实际情况的变化准确地估计库存需求,保证了需求预测结果的准确性,从而改进了传统需求预测方法,使管理者能够做出更好的库存投资决策。
实施例2:
在实施例1的基础上,所述的一种基于贝叶斯方法的供应链管理需求预测方法,S1:将不满足预设数据容量的零件更换数据作为第一更换数据,对所述第一更换数据进行数据扩充,获得第二更换数据,参考图2,包括:
S101:获取每个零件在预设周期内对应的零件更换数据,删除所述零件更换数据中的畸变数据,获得第一零件更换数据;
S102:将不满足预设数据容量的第一零件更换数据作为第一更换数据;
S103:基于所述第一更换数据确定对应的零件编号,判断在历史数据库中是否存在所述零件编号对应的历史更换数据,若存在,则基于所述历史更换数据对所述第一更换数据进行数据扩充,若不存在,则基于预设方法对所述第一更换数据进行数据扩充;
S104:基于扩充后的第一更换数据,获得第二更换数据。
该实施例中,畸变数据即为明显错误的数据,例如:零件更换周期为0,或者负数等情况。
该实施例中,第一零件更换数据即为将每个零件在预设周期内对应的零件更换数据中的畸变数据删除后获得的数据。
该实施例中,零件编号即为每种零件对应的标记编号,用于区分零件的种类。
该实施例中,历史数据库即为存储其他项目中所有零件的历史更换数据的数据库。
该实施例中,基于所述历史更换数据对所述第一更换数据进行数据扩充,即为:将历史数据库中所述第一更换数据对应的零件对应的最新历史更换数据中的时间顺延至所述第一更换数据之后进行衔接,实现数据扩充。
该实施例中,预设方法即为通过对已有的零件更换数据,获得对应的零件在每次更换时的零件更换周期,基于获得的多个零件更换周期获得零件更换周期变化函数,基于零件更换周期变化函数和已有的零件更换数据,预测获得更多的零件更换数据,实现数据扩充。
以上技术的有益效果为:通过从历史数据苦衷高调取对应零件的历史零件更换数据或采用现有数据进行预测扩充,使得数据扩充后获得的第二更换数据具有一定的可靠性,并且达到可精准预测使得数据容量,通过数据扩充,可提供更多的准确地观测数据,为准确预测供应链需求提供了足够的数据储备。
实施例3:
在实施例1的基础上,所述的一种基于贝叶斯方法的供应链管理需求预测方法,S2:分析所述第二更换数据和满足预设数据容量的零件更换数据,获得每个零件对应的影响特征因子和影响函数,参考图3,包括:
S201:基于所述第二更换数据和满足预设数据容量的零件更换数据,获得对应的第二零件更换数据;
S202:将所述第二零件更换数据划分,获得每个零件对应的的先验分布数据集和模型验证数据集;
S203:从所述先验分布数据集中筛选出每个零件对应的离群数据;
S204:将所述先验分布数据集中除所述离群数据以外的剩余数据作为子先验分布数据集;
S205:对所述子先验分布数据集进行聚类分析,获得每个零件对应的第一影响特征因子和第一影响函数;
S206:分析所述离群数据,获得每个零件对应的第二影响特征因子和第二影响函数;
其中,所述影响特征因子包括:第一影响特征因子、第二影响特征因子;
所述影响函数包括:第一影响函数和第二影响函数。
该实施例中,第二零件更换数据即为由第二更换数据和满足预设数据容量的零件更换数据组成的对应零件的零件更换数据,也是判定零件更换数据不满足预设数据容量时进行数据扩充后获得的零件更换数据,若零件更换数据满足预设数据容量的话,则第二零件更换数据即为原始的第一零件更换数据。
该实施例中,将所述第二零件更换数据划分,获得每个零件对应的的先验分布数据集和模型验证数据集即为:
将每个零件对应的第二零件更换数据中的最新零件更换数据作为模型验证数据集,将第二零件更换数据中除模型验证数据集以外的零件更换数据作为对应零件的先验分布数据集。
该实施例中,离群数据即为先验分布数据集中零件更换周期与同一零件对应的其他零件更换周期的差值大于同一零件的零件更换周期平均值。
该实施例中,第一影响特征因子即为每个零件对应的除离群数据以外剩余的零件更换周期的影响因素(例如,应用场所、工作时间等)。
该实施例中,第二影响特征因子即为每个零件对应的离群数据的影响因素(例如,应用场所、工作时间等)。
该实施例中,第一影响函数即为每个零件对应的除离群数据以外剩余的零件更换周期与对应影响因素之间的函数关系。
该实施例中,第二影响函数即为每个零件对应的离群数据与对应影响因素之间的函数关系。
以上技术的有益效果为:通过获取每个零件对应的除离群数据以外的零件更换数据对应的第一影响特征因子和第一影响函数和离群数据对应的第二影响特征因子和第二影响函数,为确定出多个贝叶斯假设模型并进一步确定出最优预测模型提供了数据基础。
实施例4:
在实施例3的基础上,所述的一种基于贝叶斯方法的供应链管理需求预测方法,S205:对所述子先验分布数据集进行聚类分析,获得每个零件对应的第一影响特征因子和第一影响函数,包括:
基于预设的置信度列表和对应的数据扩充方式,确定所述子先验分布数据集中每个零件更换数据对应的置信度;
根据所述子先验分布数据集中每个零件更换数据对应的生成时间,确定每个更换数据的置信影响因子;
基于所述置信度和每个更换数据对应的置信影响因子,生成每个零件对应的置信集合;
基于每个零件对应的第二零件更换数据,构成每个零件对应的更换数据集合;
基于所述置信集合和所述更换数据集合,构建每个零件对应的先验分布交互集合;
对所述先验分布交互集合进行主成分分析,获得每个零件对应的第一影响特征因子;
对所有先验分布交互集合进行聚类分析,获得同种零件的先验分布交互集合构成的先验分布交互矩阵;
对所述先验分布交互矩阵进行奇异值分解和降维取秩,获得矩阵秩;
获取所述矩阵秩的高斯分布特征,基于所述高斯分布特征以及预设关系获得每个零件的交互特征函数,将所述交互特征函数作为每个零件对应的第一影响函数。
该实施例中,置信度列表即为包含每种数据扩充方式对应的置信度的列表。
该实施例中,数据扩充方式包括:基于历史更换数据进行扩充、基于预设方法进行扩充。
该实施例中,置信度即为表示表示先验分布数据集中每个零件更换数据的可信程度。
该实施例中,置信影响因子即由于子先验分布数据集中每个零件更换数据对应的生成时间对子先验分布数据集中对应零件更换数据的置信度的影响因子。
该实施例中,置信集合即为包含每个零件所有零件更换数据对应的最终置信度的集合,其中,最终置信度即为对应零件更换数据的置信度和置信影响因子的乘积。
该实施例中,更换数据集合即为第二零件更换数据中包含的对应零件的所有更换数据构成的集合。
该实施例中,基于所述置信集合和所述更换数据集合,构建每个零件对应的先验分布交互集合,即为:将每个零件对应的零件更换数据在置信集合中对应的数值和在更换数据集合中对应的数值相乘,获得对应零件更换数据在先验分布交互集合中的值,对应零件包含的所有零件更换数据对应的所述值构成对应零件对应的先验分布交互集合。
该实施例中,先验分布交互集合即为计算整理出的对应零件的先验分布数据。
该实施例中,主成分分析即为为了将先验分布交互集合中的数据影响特征分析出来的方法。
该实施例中,第一影响特征因子即为对应零件的先验分布交互集合中的数据影响特征。
该实施例中,聚类分析即为将同种零件的先验分布交互集合分析的算法。
该实施例中,先验分布交互矩阵即为经过聚类分析,将同种零件的先验分布交互集合组成形成的矩阵。
该实施例中,矩阵秩即为将先验分布交互矩阵进行奇异值分解和降维取秩获得的。
该实施例中,预设关系即为表示高斯分布特征和交互特征函数之间的关系。
该实施例中,交互特征函数即为表征每个零件的零件更换数据对应的交互特征(即零件更换数据变化互相影响的特征)的函数。
以上技术的有益效果为:通过对所述子先验分布数据集进行聚类分析,获取每个零件对应的除离群数据以外的零件更换数据对应的第一影响特征因子和第一影响函数,为确定出多个贝叶斯假设模型并进一步确定出最优预测模型提供了数据基础,进一步保证了确定的最优预测模型的精准性。
实施例5:
在实施例3的基础上,所述的一种基于贝叶斯方法的供应链管理需求预测方法,S206:分析所述离群数据,获得每个零件对应的第二影响特征因子和第二影响函数,包括:
基于所述离群数据和对应零件的第二零件更换数据,计算出每个离群数据对应的离群因子;
将每个零件中包含的所有离群因子进行线性拟合,获得对应的变化趋势曲线;
对所述变化趋势曲线进行主成分分析,获得对应的第二影响特征因子;
对所述变化趋势曲线进行小波分析,获得每个零件对应的第二影响函数。
该实施例中,计算出每个离群数据对应的离群因子,包括:
式中,i为第i个离群数据,θi为第i个离群数据对应的离群因子,xi为第i个离群数据,yi-1为与第i个离群数据相邻的前一个零件更换数据,yi+1为与第i个离群数据相邻的后一个零件更换数据;
例如,x2为100,y1为10,y3为10,则θ2为10.22。
该实施例中,变化趋势曲线即为将每个零件中包含的所有离群因子进行线性拟合,获得的表示离群因子变化趋势的曲线。
该实施例中,第二影响特征因子即为对所述变化趋势曲线进行主成分分析,获得的表征对应零件的离群数据的数据影响特征。
以上技术的有益效果为:通过对先验分布数据集中筛选出每个零件对应的离群数据进行分析,获取每个零件对应的离群数据钟的零件更换数据对应的第二影响特征因子和第二影响函数,为确定出多个贝叶斯假设模型并进一步确定出最优预测模型提供了数据基础,进一步保证了确定的最优预测模型的精准性。
实施例6:
在实施例3的基础上,所述的一种基于贝叶斯方法的供应链管理需求预测方法,S3:基于所述影响特征因子和影响函数,构建出每种零件对应的贝叶斯假设模型,包括:
对所述影响特征因子进行粒子寻优,确定每个影响特征因子对应的影响权重;
基于所述影响特征因子和对应的影响权重以及所述影响函数,构建出每种零件对应的多个贝叶斯假设模型。
该实施例中,影响权重即为每个影响特征因子的影响程度。
以上技术的有益效果为:基于所述影响特征因子和影响函数,构建出每种零件对应的多个贝叶斯假设模型,为后续确定出每种零件对应的最优预测模型提供基础。
实施例7:
在实施例6的基础上,所述的一种基于贝叶斯方法的供应链管理需求预测方法,对所述影响特征因子进行粒子寻优,确定每个影响特征因子对应的影响权重,包括:
基于粒子群优化算法对所述影响特征因子进行搜索,获得每个粒子的适应值和当前位置;
基于预设神经网络对每个粒子进行迭代,获得最新适应值和最新位置,当所述最适应值超过所述适应值时,将对应粒子的当前位置更新至所述最新位置,直至所述适应值达到最优值要求时,基于对应粒子的当前位置在预设神经网络中的所处层数,确定出所述影响特征因子对应的影响权重。
该实施例中,粒子群优化算法是一种进化计算技术。源于对鸟群捕食的行为研究。粒子群优化算法的基本思想:是通过群体中个体之间的协作和信息共享来寻找最优解,粒子群算法通过设计一种无质量的粒子来模拟鸟群中的鸟,粒子仅具有两个属性:速度和位置,速度代表移动的快慢,位置代表移动的方向。每个粒子在搜索空间中单独的搜寻最优解,并将其记为当前个体极值,并将个体极值与整个粒子群里的其他粒子共享,找到最优的那个个体极值作为整个粒子群的当前全局最优解,粒子群中的所有粒子根据自己找到的当前个体极值和整个粒子群共享的当前全局最优解来调整自己的速度和位置。
该实施例中,适应值即为:在粒子群优化算法中,初始化为一群随机粒子(随机解)。然后通过迭代找到最优解。在每一次的迭代中,粒子通过跟踪两个“极值”(pbest,gbest)来更新自己。在找到这两个最优值后,粒子通过下面的公式来更新自己的速度和位置,“极值”(pbest,gbest)即为适应值。
该实施例中,当前位置即为在粒子群优化算法中,粒子的当前位置。
该实施例中,预设神经网络即为粒子群优化算法中对粒子进行迭代,使其寻找全局最优解的神经网络。
该实施例中,最新适应值即为最新一次更新后获得的“极值”(pbest,gbest),也是最新一次更新后获得的适应值。
该实施例中,最优值要求即为全局最优解。
该实施例中,所处层数即为当粒子找到全局最优值时对应的在神经网络中的所处层数。
以上技术的有益效果为:对所述影响特征因子进行粒子寻优,确定每个影响特征因子对应的影响权重,为基于所述影响特征因子和影响函数构建出每种零件对应的多个贝叶斯假设模型提供基础,也为后续确定出每种零件对应的最优预测模型提供基础。
实施例8:
在实施例5的基础上,所述的一种基于贝叶斯方法的供应链管理需求预测方法,基于所述影响特征因子和对应的影响权重以及所述影响函数,构建出每种零件对应的多个贝叶斯假设模型,包括:
基于所述影响特征因子和对应的影响权重,确定影响参数;
基于所述第一影响函数、第二影响函数和所述影响参数以及预设的贝叶斯模型公式,构建出每种零件对应的多个贝叶斯假设模型。
该实施例中,基于所述影响函数,确定第一影响参数,包括:
该实施例中,所述影响特征因子和对应的影响权重的乘积即为第二影响参数。
该实施例中,基于所述第一影响函数、第二影响函数和所述影响参数以及预设的贝叶斯模型公式,构建出每种零件对应的多个贝叶斯假设模型,即为:
以上技术的有益效果为:基于所述影响特征因子和影响函数,构建出每种零件对应的多个贝叶斯假设模型,为后续确定出每种零件对应的最优预测模型提供基础。
实施例9:
在实施例3的基础上,所述的一种基于贝叶斯方法的供应链管理需求预测方法,S4:基于多个贝叶斯假设模型获得对应同种零件的多个假设需求预测结果,包括:
从所述先验分布数据集中确定出每个零件对应的观测数据;
将所述观测数据输入至每种零件对应的多个贝叶斯假设模型,获得对应同种零件的多个假设需求预测结果。
该实施例中,观测数据即为用于为获得每种零件对应的多个假设需求预测结果时,输入至贝叶斯假设模型的数据。
以上技术的有益效果为:基于贝叶斯假设模型获得每种零件对应的多个假设需求预测结果,为后续确定每种零件的最优预测模型提供了数据基础。
实施例10:
在实施例3的基础上,所述的一种基于贝叶斯方法的供应链管理需求预测方法,S5:基于对应的多个假设需求预测结果,从同种零件的多个贝叶斯假设模型筛选出最优预测模型,并预测出对应同种零件的备件需求,包括:
从所述模型验证数据集中提取每个零件对应的最新零件更换数据;
将每种零件对应的最新零件更换数据汇总,获得每种零件对应的汇总数据,基于所述汇总数据和预设的备件要求,获得每种零件对应的实际需求量;
判断所述最新零件更换数据是否为数据扩充后的结果,若是,则基于每种零件对应的多个假设需求预测结果和对应的实际需求量,计算出每种零件对应的预测准确度评价数据,所述预测准确度评价数据包括:平均绝对偏差、绝对百分比误差;
获取所述平均绝对偏差对应的第一权重、所述绝对百分比误差对应的第二权重;
基于所述平均绝对偏差、绝对百分比误差、和对应的第一权重、第二权重,计算出对应零件的每个贝叶斯假设模型对应的预测准确度;
否则,基于每种零件对应的多个假设需求预测结果和对应的实际需求量,计算出每种零件对应的平均绝对偏差之比,将所述平均绝对偏差之比作为对应零件的每个贝叶斯假设模型对应的预测准确度;
基于所述预测准确度从同种零件的多个贝叶斯假设模型筛选出最优预测模型;
基于所述最优预测模型预测出对应同种零件的备件需求。
该实施例中,最新零件更换数据即为每个零件对应的最新获得的零件更换数据,也是最新获得的每个零件的零件更换周期。
该实施例中,汇总数据即为将每种零件对应的最新零件更换数据汇总获得的数据。
该实施例中,预设的备件要求即为企业用户的备件要求,例如,预算要求、备件填充率要求。
该实施例中,实际需求量即为基于每个零件对应的最新获得的零件更换数据确定的对应零件在最新一个零件更换周期对应的实际需求数量。
该实施例中,平均绝对偏差(MAD)即为用于评估预测准确性的主要指标,它测量预测值与实际值的平均偏差。
该实施例中,绝对百分比误差(MAPE)即为一个无标度指标,用于测量预测值与实际值之间的平均绝对误差。
该实施例中,基于每种零件对应的多个假设需求预测结果和对应的实际需求量,计算出每种零件对应的预测准确度评价数据,所述预测准确度评价数据包括:平均绝对偏差、绝对百分比误差,其中,计算一种零件对应的预测准确度评价数据,包括:
其中,n为对应零件的第n个实际需求值或第n个假设需求预测结果,An为实际需求值,Fn为假设需求预测结果,N为零件数量;
例如,N为2,实际需求值分别为100、100,假设需求预测结果分别为99、101,则平均绝对偏差为1,绝对百分比误差为100。
该实施例中,第一权重即为计算贝叶斯假设模型对应的预测准确度时平均绝对偏差对应的计算权重。
该实施例中,第二权重即为计算贝叶斯假设模型对应的预测准确度时绝对百分比误差对应的计算权重。
该实施例中,基于所述平均绝对偏差、绝对百分比误差、和对应的第一权重、第二权重,计算出对应零件的每个贝叶斯假设模型对应的预测准确度,包括:
U=MAD*α+MAPE*β
式中,U为对应贝叶斯假设模型的预测准确度,MAD为平均绝对偏差,MAPE为绝对百分比误差,α为第一权重,β为第二权重;
例如,MAD为1,MAPE为100,α为0.99,β为0.01,则U为1.99。
该实施例中,基于每种零件对应的多个假设需求预测结果和对应的实际需求量,计算出每种零件对应的平均绝对偏差之比,其中,计算一种零件对应的平均绝对偏差之比,包括:
其中,n为对应零件的第n个实际需求值或第n个假设需求预测结果,MAD为平均绝对偏差,Mean为实际需求平均值,An为实际需求值,Fn为假设需求预测结果,N为零件数量;
例如,N为2,实际需求值分别为100、100,假设需求预测结果分别为99、101,则平均绝对偏差之比为0.01。
该实施例中,平均绝对偏差即为MAD与平均值的比率(或MAD/平均值),该指标在不同系列之间具有可比性,可以处理间歇性和波动的需求系列
该实施例中,预测准确度即为贝叶斯假设模型的预测准确度。
该实施例中,基于所述预测准确度确定每种零件对应的最优预测模型,即为将最高预测准确度对应的贝叶斯假设模型作为对应种类零件的最优预测模型。
以上技术的有益效果为:基于每种零件对应的多个假设需求预测结果和对应的实际需求量,计算出每个贝叶斯假设模型对应的预测准确度,使得确定出的最优预测模型可以最精准地预测备件需求。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种基于贝叶斯方法的供应链管理需求预测方法,其特征在于,包括:
S1:将不满足预设数据容量的零件更换数据作为第一更换数据,对所述第一更换数据进行数据扩充,获得第二更换数据;
S2:分析所述第二更换数据和满足预设数据容量的零件更换数据,获得每个零件对应的影响特征因子和影响函数;
S3:基于所述影响特征因子和影响函数,构建出每种零件对应的多个贝叶斯假设模型;
S4:基于多个贝叶斯假设模型获得对应同种零件的多个假设需求预测结果;
S5:基于对应的多个假设需求预测结果,从同种零件的多个贝叶斯假设模型筛选出最优预测模型,并预测出对应同种零件的备件需求。
2.根据权利要求1所述的一种基于贝叶斯方法的供应链管理需求预测方法,其特征在于,S1:将不满足预设数据容量的零件更换数据作为第一更换数据,对所述第一更换数据进行数据扩充,获得第二更换数据,包括:
S101:获取每个零件在预设周期内对应的零件更换数据,删除所述零件更换数据中的畸变数据,获得第一零件更换数据;
S102:将不满足预设数据容量的第一零件更换数据作为第一更换数据;
S103:基于所述第一更换数据确定对应的零件编号,判断在历史数据库中是否存在所述零件编号对应的历史更换数据,若存在,则基于所述历史更换数据对所述第一更换数据进行数据扩充,若不存在,则基于预设方法对所述第一更换数据进行数据扩充;
S104:基于扩充后的第一更换数据,获得第二更换数据。
3.根据权利要求1所述的一种基于贝叶斯方法的供应链管理需求预测方法,其特征在于,S2:分析所述第二更换数据和满足预设数据容量的零件更换数据,获得每个零件对应的影响特征因子和影响函数,包括:
S201:基于所述第二更换数据和满足预设数据容量的零件更换数据,获得对应的第二零件更换数据;
S202:将所述第二零件更换数据划分,获得每个零件对应的的先验分布数据集和模型验证数据集;
S203:从所述先验分布数据集中筛选出每个零件对应的离群数据;
S204:将所述先验分布数据集中除所述离群数据以外的剩余数据作为子先验分布数据集;
S205:对所述子先验分布数据集进行聚类分析,获得每个零件对应的第一影响特征因子和第一影响函数;
S206:分析所述离群数据,获得每个零件对应的第二影响特征因子和第二影响函数;
其中,所述影响特征因子包括:第一影响特征因子、第二影响特征因子;
所述影响函数包括:第一影响函数和第二影响函数。
4.根据权利要求3所述的一种基于贝叶斯方法的供应链管理需求预测方法,其特征在于,S205:对所述子先验分布数据集进行聚类分析,获得每个零件对应的第一影响特征因子和第一影响函数,包括:
基于预设的置信度列表和对应的数据扩充方式,确定所述子先验分布数据集中每个零件更换数据对应的置信度;
根据所述子先验分布数据集中每个零件更换数据对应的生成时间,确定每个更换数据的置信影响因子;
基于所述置信度和每个更换数据对应的置信影响因子,生成每个零件对应的置信集合;
基于每个零件对应的第二零件更换数据,构成每个零件对应的更换数据集合;
基于所述置信集合和所述更换数据集合,构建每个零件对应的先验分布交互集合;
对所述先验分布交互集合进行主成分分析,获得每个零件对应的第一影响特征因子;
对所有先验分布交互集合进行聚类分析,获得同种零件的先验分布交互集合构成的先验分布交互矩阵;
对所述先验分布交互矩阵进行奇异值分解和降维取秩,获得矩阵秩;
获取所述矩阵秩的高斯分布特征,基于所述高斯分布特征以及预设关系获得每个零件的交互特征函数,将所述交互特征函数作为每个零件对应的第一影响函数。
5.根据权利要求3所述的一种基于贝叶斯方法的供应链管理需求预测方法,其特征在于,S206:分析所述离群数据,获得每个零件对应的第二影响特征因子和第二影响函数,包括:
基于所述离群数据和对应零件的第二零件更换数据,计算出每个离群数据对应的离群因子;
将每个零件中包含的所有离群因子进行线性拟合,获得对应的变化趋势曲线;
对所述变化趋势曲线进行主成分分析,获得对应的第二影响特征因子;
对所述变化趋势曲线进行小波分析,获得每个零件对应的第二影响函数。
6.根据权利要求3所述的一种基于贝叶斯方法的供应链管理需求预测方法,其特征在于,S3:基于所述影响特征因子和影响函数,构建出每种零件对应的贝叶斯假设模型,包括:
对所述影响特征因子进行粒子寻优,确定每个影响特征因子对应的影响权重;
基于所述影响特征因子和对应的影响权重以及所述影响函数,构建出每种零件对应的多个贝叶斯假设模型。
7.根据权利要求6所述的一种基于贝叶斯方法的供应链管理需求预测方法,其特征在于,对所述影响特征因子进行粒子寻优,确定每个影响特征因子对应的影响权重,包括:
基于粒子群优化算法对所述影响特征因子进行搜索,获得每个粒子的适应值和当前位置;
基于预设神经网络对每个粒子进行迭代,获得最新适应值和最新位置,当所述最适应值超过所述适应值时,将对应粒子的当前位置更新至所述最新位置,直至所述适应值达到最优值要求时,基于对应粒子的当前位置在预设神经网络中的所处层数,确定出所述影响特征因子对应的影响权重。
8.根据权利要求5所述的一种基于贝叶斯方法的供应链管理需求预测方法,其特征在于,基于所述影响特征因子和对应的影响权重以及所述影响函数,构建出每种零件对应的多个贝叶斯假设模型,包括:
基于所述影响特征因子和对应的影响权重,确定影响参数;
基于所述第一影响函数、第二影响函数和所述影响参数以及预设的贝叶斯模型公式,构建出每种零件对应的多个贝叶斯假设模型。
9.根据权利要求3所述的一种基于贝叶斯方法的供应链管理需求预测方法,其特征在于,S4:基于多个贝叶斯假设模型获得对应同种零件的多个假设需求预测结果,包括:
从所述先验分布数据集中确定出每个零件对应的观测数据;
将所述观测数据输入至每种零件对应的多个贝叶斯假设模型,获得对应同种零件的多个假设需求预测结果。
10.根据权利要求3所述的一种基于贝叶斯方法的供应链管理需求预测方法,其特征在于,S5:基于对应的多个假设需求预测结果,从同种零件的多个贝叶斯假设模型筛选出最优预测模型,并预测出对应同种零件的备件需求,包括:
从所述模型验证数据集中提取每个零件对应的最新零件更换数据;
将每种零件对应的最新零件更换数据汇总,获得每种零件对应的汇总数据,基于所述汇总数据和预设的备件要求,获得每种零件对应的实际需求量;
判断所述最新零件更换数据是否为数据扩充后的结果,若是,则基于每种零件对应的多个假设需求预测结果和对应的实际需求量,计算出每种零件对应的预测准确度评价数据,所述预测准确度评价数据包括:平均绝对偏差、绝对百分比误差;
获取所述平均绝对偏差对应的第一权重、所述绝对百分比误差对应的第二权重;
基于所述平均绝对偏差、绝对百分比误差、和对应的第一权重、第二权重,计算出对应零件的每个贝叶斯假设模型对应的预测准确度;
否则,基于每种零件对应的多个假设需求预测结果和对应的实际需求量,计算出每种零件对应的平均绝对偏差之比,将所述平均绝对偏差之比作为对应零件的每个贝叶斯假设模型对应的预测准确度;
基于所述预测准确度从同种零件的多个贝叶斯假设模型筛选出最优预测模型;
基于所述最优预测模型预测出对应同种零件的备件需求。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111607731.9A CN114239993A (zh) | 2021-12-20 | 2021-12-20 | 一种基于贝叶斯方法的供应链管理需求预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111607731.9A CN114239993A (zh) | 2021-12-20 | 2021-12-20 | 一种基于贝叶斯方法的供应链管理需求预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114239993A true CN114239993A (zh) | 2022-03-25 |
Family
ID=80763296
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111607731.9A Withdrawn CN114239993A (zh) | 2021-12-20 | 2021-12-20 | 一种基于贝叶斯方法的供应链管理需求预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114239993A (zh) |
-
2021
- 2021-12-20 CN CN202111607731.9A patent/CN114239993A/zh not_active Withdrawn
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110070145B (zh) | 基于增量聚类的lstm轮毂单品能耗预测 | |
CN112446509B (zh) | 一种复杂电子装备预测维护方法 | |
CN112308305B (zh) | 一种基于多模型综合的售电量预测方法 | |
CN116562514B (zh) | 基于神经网络的企业生产状况即时分析方法及系统 | |
CN111882157A (zh) | 一种基于深度时空神经网络的需求预测方法、系统及计算机可读存储介质 | |
US20200050982A1 (en) | Method and System for Predictive Modeling for Dynamically Scheduling Resource Allocation | |
CN116187835A (zh) | 一种基于数据驱动的台区理论线损区间估算方法及系统 | |
CN114154716B (zh) | 一种基于图神经网络的企业能耗预测方法及装置 | |
CN115600729A (zh) | 一种考虑多属性网格电网负荷预测方法 | |
CN114036452A (zh) | 一种应用于离散型生产线的产能评估方法 | |
CN113435101A (zh) | 一种基于粒子群优化的支持向量机停电预测方法 | |
CN117076691A (zh) | 一种面向智慧社区的商品资源知识图谱算法模型 | |
CN114239993A (zh) | 一种基于贝叶斯方法的供应链管理需求预测方法 | |
CN108134687B (zh) | 一种基于马尔可夫链的灰色模型局域网峰值流量预测方法 | |
CN114169763A (zh) | 一种计量器具需求预测方法、系统、计算装置及存储介质 | |
Piwowarski et al. | Issues of multi-criteria methods applicability supporting complex business process decision-making in management | |
CN113887816A (zh) | 一种家用电器社会保有量的智能预测方法、装置及设备 | |
CN114048977A (zh) | 一种工程师分级方法、装置及终端设备 | |
Greitemann et al. | Quantitative model of the technology lifecycle for forecasting the maturity of manufacturing technologies | |
CN113095466A (zh) | 基于元学习模型的可满足性模理论求解器的算法 | |
CN112163022A (zh) | 一种面向时序数据的预测方法 | |
Zhu et al. | A Novel Grey Model for Multi-regional Macro-data Forecasting by Considering Spatial Correlation and Actual-state Rolling. | |
Wu et al. | SSDP model with inflow clustering for hydropower system operation | |
Gavrilas et al. | Electricity load forecasting based on a mixed statistical-neural-computational intelligence approach | |
Dezzani | Measuring transition and hierarchy of states within the world-systems paradigm |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20220325 |