CN114240304A - 仓库库存管控方法、装置、存储介质及erp系统 - Google Patents

Abstract

本发明实施例涉及ERP技术领域，公开了一种仓库库存管控方法、装置、存储介质及ERP系统。该方法包括：创建库存管控初始模型，并利用历史数据对库存管控初始模型进行训练，以得到库存管控模型；根据库存管控模型确定目标周期的出货预测量；基于目标周期的出货预测量和库存目标值确定目标周期的进货量；利用PID算法基于库存目标值、目标周期的进货量、目标周期的实际出货量确定补充量，以在目标周期之后相邻的下一周期增加补充量。本发明实施例可以通过预测出货量来制约进货行为，并通过实际出货情形来对进货量进行补充，保证正常的出货操作。

Description

仓库库存管控方法、装置、存储介质及ERP系统

技术领域

本发明涉及ERP系统技术领域，具体涉及一种仓库库存管控方法、装置、存储介质及ERP系统。

背景技术

ERP(Enterprise Resource Planning)即企业资源计划，是一种主要面向制造行业进行物质资源、资金资源和信息资源集成一体化管理的企业信息管理系统。作为ERP系统中重要的一部分，仓库库存管控对于生产或销售等类型的企业均至关重要。

目标商品在仓库的库存量应当保持一个较为良性的状态，以销售行业为例，仓库库存一般需要一方面保障正常的销售不受影响，即具有充足的备货以满足后续销售的需要，避免出现缺货的情形，另一方面，仓库库存如果过多，则会增加购买成本和储存成本，导致现金流减少，而且仓库库存过多时，在一些不可预期的环境变化例如自然灾害、火灾等或者其他方面例如商品过期等的因素影响时，则可能造成商品的损坏过多，造成很大的损失。

因此，可以理解的是，商品的库存应当适中，最优的结果是目标周期的库存量等于目标周期的出货量，例如，今天发生10个订单，库存刚好10个对应的商品。但是由于销售情况不可预期，不可能达到这种理想状态，因此，仍需要一定的库存量来保证正常的销售行为。

发明内容

针对所述缺陷，本发明实施例公开了一种仓库库存管控方法、装置、存储介质及ERP系统，可以通过预测出货量来制约进货行为，并通过实际出货情形来对进货量进行补充，保证正常的出货操作。

本发明实施例第一方面公开一种仓库库存管控方法，所述方法包括：

创建库存管控初始模型，并利用历史数据对所述库存管控初始模型进行训练，以得到库存管控模型；

根据所述库存管控模型确定目标周期的出货预测量；

基于所述目标周期的出货预测量和库存目标值确定目标周期的进货量；

利用PID算法基于所述库存目标值、目标周期的进货量、目标周期的实际出货量确定补充量，以在目标周期之后相邻的下一周期增加所述补充量。

作为一种可选的实施方式，在本发明实施例第一方面中，所述库存管控初始模型为人工智能模型、曲线模型以及傅里叶级数模型中的任一种。

作为一种可选的实施方式，在本发明实施例第一方面中，基于所述目标周期的出货预测量和库存目标值确定目标周期的进货量，包括：

其中，IN_n+1为目标周期的进货量，OUT_i′为第i个周期的实际出货量，k为关联在前周期进货数据的数量，1≤k≤n；β_i为第i个周期的实际出货量对应的权重，STOCK_n为目标周期之前相邻的上一周期的实际库存；OUT_n+1为目标周期的出货预测值。

作为一种可选的实施方式，在本发明实施例第一方面中，利用PID算法基于所述库存目标值、目标周期的进货量、目标周期的实际出货量确定补充量，以在目标周期之后相邻的下一周期增加所述补充量，包括：

根据所述目标周期的进货量和库存目标值确定目标周期的实际库存：

STOCK_n+1＝STOCK_n+IN_n+1-OUT′_n+1

其中，STOCK_n+1为目标周期的实际库存，OUT_i′为目标周期的实际出货量；

比对所述目标周期的实际库存和目标周期的库存目标值，确定变化量ΔS_n+1：

将所述变化量ΔS_n+1输入PID算法模型，得到调整量Q_n+1，作为目标周期之后相邻的下一周期的补充量。

作为一种可选的实施方式，在本发明实施例第一方面中，所述下一周期的进货量，为：

其中，IN_n+2为所述下一周期的进货量；OUT_n+2为所述下一周期的出货预测值，通过所述库存管控模型预测获得。

作为一种可选的实施方式，在本发明实施例第一方面中，所述方法，还包括：

获取目标周期的进货价格，并基于预先设置的基础价格确定目标周期的实际进货量：

其中，IN′_n+1为目标周期的实际进货量，P₀为基础价格，P_n+1为目标周期的进货价格，

为向上取整。

本发明实施例第二方面公开一种仓库库存管控装置，其包括：

训练单元，用于创建库存管控初始模型，并利用历史数据对所述库存管控初始模型进行训练，以得到库存管控模型；

预测单元，用于根据所述库存管控模型确定目标周期的出货预测量；

确定单元，用于基于所述目标周期的出货预测量和库存目标值确定目标周期的进货量；

补充单元，用于利用PID算法基于所述库存目标值、目标周期的进货量、目标周期的实际出货量确定补充量，以在目标周期之后相邻的下一周期增加所述补充量。

本发明实施例第三方面公开一种ERP系统，包括：存储有可执行程序代码的存储器；与所述存储器耦合的处理器；所述处理器调用所述存储器中存储的所述可执行程序代码，用于执行本发明实施例第一方面公开的一种仓库库存管控方法。

本发明实施例第四方面公开一种计算机可读存储介质，其存储计算机程序，其中，所述计算机程序使得计算机执行本发明实施例第一方面公开的一种仓库库存管控方法。

本发明实施例第五方面公开一种计算机程序产品，当所述计算机程序产品在计算机上运行时，使得所述计算机执行本发明实施例第一方面公开的一种仓库库存管控方法。

本发明实施例第六方面公开一种应用发布平台，所述应用发布平台用于发布计算机程序产品，其中，当所述计算机程序产品在计算机上运行时，使得所述计算机执行本发明实施例第一方面公开的一种仓库库存管控方法。

与现有技术相比，本发明实施例具有以下有益效果：

本发明实施例中，通过历史数据确定库存管控模型，并根据所述库存管控模型确定目标周期的出货预测量；从而基于所述目标周期的出货预测量和库存目标值确定目标周期的进货量；然后利用PID算法对预测值和实际值之间的差值进行调整，从而以在后续的进货行为中抵消这个差值，使得库存达到合理值，保证出货行为的正常运行。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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是本发明实施例公开的一种仓库库存管控方法的流程示意图；

图2是本发明实施例公开的PID算法的示意图；

图3是本发明实施例公开的一种仓库库存管控装置的结构示意图；

图4是本发明实施例公开的一种ERP系统的结构示意图。

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。

需要说明的是，本发明的说明书和权利要求书中的术语“第一”、“第二”、“第三”、“第四”等是用于区别不同的对象，而不是用于描述特定顺序。本发明实施例的术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，示例性地，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

本发明实施例公开了一种仓库库存管控方法、装置、存储介质及ERP系统，其通过历史数据确定库存管控模型，并根据所述库存管控模型确定目标周期的出货预测量；从而基于所述目标周期的出货预测量和库存目标值确定目标周期的进货量；然后利用PID算法对预测值和实际值之间的差值进行调整，从而以在后续的进货行为中抵消这个差值，使得库存达到合理值，保证出货行为的正常运行，以下结合附图进行详细描述。

实施例一

请参阅图1，图1是本发明实施例公开的一种仓库库存管控方法的流程示意图。其中，本发明实施例所描述的方法适用于ERP系统，也可以在一般的APP或者电子设备中使用，主要用于对后续进货量的管控以使库存达到和适量。如图1所示，该仓库库存管控方法包括以下步骤：

S110，创建库存管控初始模型，并利用历史数据对所述库存管控初始模型进行训练，以得到库存管控模型。

库存管控初始模型的类型有多种，例如，可以是神经网络等人工智能模型，通过历史数据作为样本对该人工智能模型进行训练，得到训练后的模型作为库存管控模型。

在本发明较佳的实施例中，为了使得预测结果更为精准，使用两个模型来完成，基于历史数据类型来选择目标模型。

其中一个模型为曲线模型，最终得到的库存管控模型可以是通过最小二乘法进行拟合得到的曲线模型，也可以是构建曲线方程，通过历史数据求解曲线方程中的未知量实现。

曲线方程可以是y＝a+bx+cx²+dx³+……；为了使得预测结果精确，可以保留到五次方，其中，y为出货预测值，x为对应的周期，可以通过历史的出货数据求解a、b、c、d等系数，从而得到y和x的关系曲线，进而对后续周期的出货量进行预测。

这里提及的周期根据需要设置，例如可以是一天、一周、一个月等，y和x均为单个周期的数据。

另外一个模型为傅里叶级数模型，傅里叶级数展开式可以表示为：

为了使得预测结果精确，可以保留到三次谐波，将历史数据代入傅里叶级数展开式中，得到a₀、a_j、b_j等系数值，从而得到y和x的关系曲线，进而对后续周期的出货量进行预测。

在使用时，根据目标商品的类型以及销售数据(出货数据)，确定目标商品使用傅里叶级数模型还是曲线模型，如果销售数据按照一定的周期呈现周期性变化，那么可以采用傅里叶级数模型，反之，如果销售数据呈现非周期性变化，则采用曲线模型来实现。

S120，根据所述库存管控模型确定目标周期的出货预测量。

训练后的库存管控模型，即可应用于后续的出货预测，当然，在训练过程中，要设置偏差函数和迭代次数，以防止无限迭代或者偏差过大等情况发生。

S130，基于所述目标周期的出货预测量和库存目标值确定目标周期的进货量。

在获取目标周期的出货预测量后，即可确定目标周期的进货量。其计算方法是：

其中，IN_n+1为目标周期的进货量，STOCK_n为目标周期之前相邻的上一周期的实际库存；OUT_n+1为目标周期的出货预测值。OUT_i′为第i个周期的实际出货量，k为关联在前周期进货数据的数量，1≤k≤n，可以理解的是，1≤i≤n，第i个周期的实际出货量为已经发生事件，可以在历史数据中获取，换言之，本申请适用的场景为仅预测下一个未发生出货行为的库存管控，而非任意周期的出货行为预测。

为目标周期的库存目标值，与现有技术采用定值作为库存目标值不同，本发明较佳的实施例采用靠近目标周期的一个或多个历史数据作为库存目标值，从而使得库存目标值具有一定的动态变化。

采用动态变化的目标周期的库存目标值，一方面可以应付预测出货和实际出货差异较大的周期，另一方面可以使得库存量不至于太大，因为定值情况一般要考虑最大出货量的周期情形，保留的库存可以与最大出货量相匹配。

在本发明较佳的实施例中，假设相邻周期的出货量不会发生较大的变化，特殊周期除外，因此，可以根据相邻的在前的一个或多个周期的历史数据来制定目标周期的库存目标值。

在

中，i的取值可以是1，此时，只将目标周期之前的相邻的周期(称为上一周期)的历史数据作为目标周期的库存目标值的参考值，i的取值为n时，则将目标周期之前的n个周期的历史数据均作为目标周期的库存目标值的参考值。

β_i为第i个周期的实际出货量对应的权重，根据需要进行设定。权重可以采用相同值，例如均设置为1，也可以根据距离目标周期的时间远近分别给予不同的权重，例如假设i＝5，则可以设置β₁-β₅分别为1.4、1.2、1.0、0.8、0.6；当然，还可以根据第i个周期的实际出货量与这些参考历史数据之和的比值乘以一定的系数确定，例如，假设i＝5，OUT₁′-OUT₅′分别为10、25、20、15、30，设定的系数为5，则可以设置β₁-β₅分别0.5、1.25、1.0、0.75、1.5等等。

得到目标周期的进货量，则可以根据该进货量对仓库的库存进行补货。在本发明较佳的实施例中，基于弹性的库存目标值，则还可以根据价格进行弹性进货，具体地：

其中，IN′_n+1为目标周期的实际进货量，P₀为基础价格，P_n+1为目标周期的进货价格，

为向上取整。

基础价格P₀可以根据历史数据获取，一般可以取所有历史数据(历史进货价格)的均值，或者根据历史进货价格的最大值和最小值的均值。通过基础价格和目标周期的进货价格的比值对进货量进行调整，可以使得在价格低时多进货，而价格高时少进货。

动态调整进货量，一方面由于动态的库存目标值，另一方面因为在下一周期会涉及目标周期的差值，并基于差值确定下一周期的补充量，因此，比现有直接采用动态进货的效果要好很多。

S140，利用PID算法基于所述库存目标值、目标周期的进货量、目标周期的实际出货量确定补充量，以在目标周期之后相邻的下一周期增加所述补充量。

根据所述目标周期的进货量和库存目标值确定目标周期的实际库存：

STOCK_n+1＝STOCK_n+IN_n+1-OUT′_n+1

其中，STOCK_n+1为目标周期的实际库存，OUT_i′为目标周期的实际出货量；

比对所述目标周期的实际库存和目标周期的库存目标值，确定变化量ΔS_n+1：

请参照图2所示，将所述变化量ΔS_n+1输入PID算法模型，经过P、I、D计算，得到调整量Q_n+1，作为目标周期之后相邻的下一周期的补充量。PID的具体实现过程为现有常规技术，这里不再赘述。

使用PID算法对偏差信号进行比例、积分和微分运算变换后形成一种控制规律，其是利用偏差来纠正偏差，从而克服在控制对象(进货量)的滞后现象，达到更接近库存目标值的目的。

获得的调整量Q_n+1，可以是正值，也可以是负值作为下一周期的进货量的一部分，即：

结合步骤130，也可以对下一周期的进货量进行动态调整：

其中，IN′_n+2为下一周期的实际进货量，P₀为基础价格，P_n+2为下一周期的进货价格，

为向上取整。

从图2可以看出，在PID的输出结果的基础上，可以将目标周期的库存目标值、目标周期前一周期的库存实际值以及目标周期的实际出库量进行叠加，直接得到目标周期的进货量或者再加上价格调整机制得到目标周期的实际进货量，从而可以直接应用到ERP系统、APP应用平台以及相关的电子设备中。

实施例二

请参阅图3，图3是本发明实施例公开的一种仓库库存管控装置的结构示意图。如图3所示，该仓库库存管控装置可以包括：

训练单元210，用于创建库存管控初始模型，并利用历史数据对所述库存管控初始模型进行训练，以得到库存管控模型；

预测单元220，用于根据所述库存管控模型确定目标周期的出货预测量；

确定单元230，用于基于所述目标周期的出货预测量和库存目标值确定目标周期的进货量；

补充单元240，用于利用PID算法基于所述库存目标值、目标周期的进货量、目标周期的实际出货量确定补充量，以在目标周期之后相邻的下一周期增加所述补充量。

优选地，所述库存管控初始模型为人工智能模型、曲线模型以及傅里叶级数模型中的任一种。

优选地，所述确定单元230可以包括：

其中，IN_n+1为目标周期的进货量，OUT_i′为第i个周期的实际出货量，k为关联在前周期进货数据的数量，1≤k≤n；β_i为第i个周期的实际出货量对应的权重，STOCK_n为目标周期之前相邻的上一周期的实际库存；OUT_n+1为目标周期的出货预测值。

优选地，所述补充单元240可以包括：

根据所述目标周期的进货量和库存目标值确定目标周期的实际库存：

STOCK_n+1＝STOCK_n+IN_n+1-OUT′_n+1

其中，STOCK_n+1为目标周期的实际库存，OUT_i′为目标周期的实际出货量；

比对所述目标周期的实际库存和目标周期的库存目标值，确定变化量ΔS_n+1：

将所述变化量ΔS_n+1输入PID算法模型，得到调整量Q_n+1，作为目标周期之后相邻的下一周期的补充量；

所述下一周期的进货量，为：

其中，IN_n+2为所述下一周期的进货量；OUT_n+2为所述下一周期的出货预测值，通过所述库存管控模型预测获得。

优选地，还可以获取目标周期的进货价格，并基于预先设置的基础价格确定目标周期的实际进货量：

其中，IN′_n+1为目标周期的实际进货量，P₀为基础价格，P_n+1为目标周期的进货价格，

为向上取整。

实施例三

请参阅图4，图4是本发明实施例公开的一种ERP系统的结构示意图。该ERP系统包括ERP软件以及安装ERP软件的电子设备，电子设备可以是台式计算机、笔记本电脑、普通服务器、云端服务器等，在一些场景中，也可以是手机或平板电脑等。

如图4所示，该电子设备可以包括：

存储有可执行程序代码的存储器310；

与存储器310耦合的处理器320；

其中，处理器320调用存储器310中存储的可执行程序代码，执行实施例一公开的一种仓库库存管控方法中的部分或全部步骤。

本发明实施例公开一种计算机可读存储介质，其存储计算机程序，其中，该计算机程序使得计算机执行实施例一公开的一种仓库库存管控方法中的部分或全部步骤。

本发明实施例还公开一种计算机程序产品，其中，当计算机程序产品在计算机上运行时，使得计算机执行实施例一公开的一种仓库库存管控方法中的部分或全部步骤。

本发明实施例还公开一种应用发布平台，其中，应用发布平台用于发布计算机程序产品，其中，当计算机程序产品在计算机上运行时，使得计算机执行实施例一公开的一种仓库库存管控方法中的部分或全部步骤。

在本发明的各种实施例中，应理解，所述各过程的序号的大小并不意味着执行顺序的必然先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可位于一个地方，或者也可以分布到多个网络单元上。可根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。

另外，在本发明各实施例中的各功能单元可以集成在一个处理单元中，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一个单元中。所述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元若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获取的存储器中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或者部分，可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储器中，包括若干请求用以使得一台计算机设备(可以为个人计算机、服务器或者网络设备等，具体可以是计算机设备中的处理器)执行本发明的各个实施例所述方法的部分或全部步骤。

在本发明所提供的实施例中，应理解，“与A对应的B”表示B与A相关联，根据A可以确定B。但还应理解，根据A确定B并不意味着仅仅根据A确定B，还可以根据A和/或其他信息确定B。

本领域普通技术人员可以理解所述实施例的各种方法中的部分或全部步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质包括只读存储器(Read-Only Memory，ROM)、随机存储器(RandomAccess Memory，RAM)、可编程只读存储器(Programmable Read-only Memory，PROM)、可擦除可编程只读存储器(Erasable Programmable Read-Only Memory，EPROM)、一次可编程只读存储器(One-timeProgrammable Read-Only Memory，OTPROM)、电子抹除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory，EEPROM)、只读光盘(CompactDisc Read-Only Memory，CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。

以上对本发明实施例公开的一种仓库库存管控方法、装置、存储介质及ERP系统进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (9)

1.一种仓库库存管控方法，其特征在于，包括：

创建库存管控初始模型，并利用历史数据对所述库存管控初始模型进行训练，以得到库存管控模型；

根据所述库存管控模型确定目标周期的出货预测量；

基于所述目标周期的出货预测量和库存目标值确定目标周期的进货量；

利用PID算法基于所述库存目标值、目标周期的进货量、目标周期的实际出货量确定补充量，以在目标周期之后相邻的下一周期增加所述补充量。

2.根据权利要求1所述的仓库库存管控方法，其特征在于，所述库存管控初始模型为人工智能模型、曲线模型以及傅里叶级数模型中的任一种。

3.根据权利要求1所述的仓库库存管控方法，其特征在于，基于所述目标周期的出货预测量和库存目标值确定目标周期的进货量，包括：

其中，IN_n+1为目标周期的进货量，OUT_i′为第i个周期的实际出货量，k为关联在前周期进货数据的数量，1≤k≤n；β_i为第i个周期的实际出货量对应的权重，STOCK_n为目标周期之前相邻的上一周期的实际库存；OUT_n+1为目标周期的出货预测值。

4.根据权利要求3所述的仓库库存管控方法，其特征在于，利用PID算法基于所述库存目标值、目标周期的进货量、目标周期的实际出货量确定补充量，以在目标周期之后相邻的下一周期增加所述补充量，包括：

根据所述目标周期的进货量和库存目标值确定目标周期的实际库存：

STOCK_n+1＝STOCK_n+IN_n+1-OUT′_n+1

其中，STOCK_n+1为目标周期的实际库存，OUT′_i为目标周期的实际出货量；

比对所述目标周期的实际库存和目标周期的库存目标值，确定变化量ΔS_n+1：

将所述变化量ΔS_n+1输入PID算法模型，得到调整量Q_n+1，作为目标周期之后相邻的下一周期的补充量。

5.根据权利要求4所述的仓库库存管控方法，其特征在于，所述下一周期的进货量，为：

其中，IN_n+2为所述下一周期的进货量；OUT_n+2为所述下一周期的出货预测值，通过所述库存管控模型预测获得。

6.根据权利要求3所述的仓库库存管控方法，其特征在于，所述方法，还包括：

获取目标周期的进货价格，并基于预先设置的基础价格确定目标周期的实际进货量：

其中，IN′_n+1为目标周期的实际进货量，P₀为基础价格，P_n+1为目标周期的进货价格，

为向上取整。

7.一种仓库库存管控装置，其特征在于，其包括：

训练单元，用于创建库存管控初始模型，并利用历史数据对所述库存管控初始模型进行训练，以得到库存管控模型；

预测单元，用于根据所述库存管控模型确定目标周期的出货预测量；

确定单元，用于基于所述目标周期的出货预测量和库存目标值确定目标周期的进货量；

补充单元，用于利用PID算法基于所述库存目标值、目标周期的进货量、目标周期的实际出货量确定补充量，以在目标周期之后相邻的下一周期增加所述补充量。

8.一种ERP系统，其特征在于，包括：存储有可执行程序代码的存储器；与所述存储器耦合的处理器；所述处理器调用所述存储器中存储的所述可执行程序代码，用于执行权利要求1至6任一项所述的一种仓库库存管控方法。

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计算机程序，其中，所述计算机程序使得计算机执行权利要求1至6任一项所述的一种仓库库存管控方法。

Images