CN114581159A - 基于大数据分析的仓储预测方法、系统和可读存储介质 - Google Patents

基于大数据分析的仓储预测方法、系统和可读存储介质 Download PDF

Info

Publication number
CN114581159A
CN114581159A CN202210477394.4A CN202210477394A CN114581159A CN 114581159 A CN114581159 A CN 114581159A CN 202210477394 A CN202210477394 A CN 202210477394A CN 114581159 A CN114581159 A CN 114581159A
Authority
CN
China
Prior art keywords
warehouse
raw materials
value
different
prediction
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
Application number
CN202210477394.4A
Other languages
English (en)
Other versions
CN114581159B (zh
Inventor
张晓亮
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.)
Edison Beijing Biotechnology Co ltd
Original Assignee
Edison Beijing Biotechnology 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 Edison Beijing Biotechnology Co ltd filed Critical Edison Beijing Biotechnology Co ltd
Priority to CN202210477394.4A priority Critical patent/CN114581159B/zh
Publication of CN114581159A publication Critical patent/CN114581159A/zh
Application granted granted Critical
Publication of CN114581159B publication Critical patent/CN114581159B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0202—Market predictions or forecasting for commercial activities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • 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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Data Mining & Analysis (AREA)
  • General Business, Economics & Management (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Game Theory and Decision Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本发明公开的一种基于大数据分析的仓储预测方法、系统和可读存储介质，涉及数据分析和处理技术领域，其中方法包括：获取多种兽药的历史销售数据，基于预设的物料预测机制获取各所需原材料的第一采购信息；读取所述仓储内同种所述原材料的存储信息，基于预设的动态阈值判断机制更新所述第一采购信息，其中，所述动态阈值根据不同的所述原材料取不同的值；识别突发情况影响因子，结合更新后的所述第一采购信息输出所述兽药所需原材料的最终预测结果。本发明通过兽药历史销售数据为基础，结合神经网络模型以及仓储兽药原材料剩余值来预测不同兽药原材料的采购数值，使得原材料采购更加精确，能够减少仓储原材料的堆积，降低生产损失。

Description

基于大数据分析的仓储预测方法、系统和可读存储介质
技术领域
本发明涉及数据分析和处理技术领域，更具体的，涉及一种基于大数据分析的仓储预测方法、系统和可读存储介质。
背景技术
中兽药，是近年来的新兴产业，就是将中医药理论应用于动物身上，由于现代医学的生化兽药残留已成为影响畜牧业发展的重要障碍，而基于传统的中医药学制成的中兽药由于不会对人们日常生活的食品安全构成多大威胁，未来在很大程度上将逐步取代化学药品。
中兽药兼有营养与药物的双重作用，并具有不易产生耐药性、无有害残留、毒副作用小等优点，作为饲料添加剂在动物疾病的防治、发展绿色畜牧业、保证人类身体健康等方面中具有五大功效，分别为：促生长作用、抗微生物作用、增强免疫力作用、抗氧化作用以及改善肉类品质的特殊作用，在中兽药生产过程中，由于原材料存在有中医药草本科植物，其采购成本以及仓储时间需要对于不同的药物进行合理的布置安排，避免出现未能按照计划进行生产，造成大量的物料堆积造成损失，并且原材料在仓储过程中可能会超出保质期从而加大成本损耗。
发明内容
鉴于上述问题，本发明的目的是提供一种基于大数据分析的仓储预测方法、系统和可读存储介质，能够通过获取兽药销售大数据进行分析和判断，以给出仓储原材料的采购预测。
本发明第一方面提供了一种基于大数据分析的仓储预测方法，包括以下步骤：
获取多种兽药的历史销售数据，基于预设的物料预测机制获取各所需原材料的第一采购信息，其中，所述物料预测机制基于神经网络模型得出；
读取所述仓储内同种所述原材料的存储信息，基于预设的动态阈值判断机制更新所述第一采购信息，其中，所述动态阈值根据不同的所述原材料取不同的值；
识别突发情况影响因子，结合更新后的所述第一采购信息输出所述兽药所需原材料的最终预测结果。
本方案中，所述基于预设的物料预测机制获取各所需原材料的第一采购信息，具体为：
根据不同的所述原材料设置对应的若干个需求周期；
基于训练好的系数识别神经网络模型，得到不同所述需求周期对应的系数值；
基于不同的所述系数值与不同的所述需求周期构建所述物料预测机制；
将所述兽药的历史销售数据作为构建好的所述物料预测机制的输入，得到其输出的所述第一采购信息。
本方案中，系数识别神经网络模型训练的方法，具体为：
获取所述历史销售数据的原材料数据和需求总量；
将所述历史销售数据的原材料数据和需求总量进行预处理，得到训练样本集；
将所述训练样本集输入至初始化的所述系数识别神经网络模型中训练；
获取输出结果的准确率；
若所述准确率大于预设的准确率阈值，则停止训练，得到所述系数识别神经网络模型。
本方案中，获取不同的周期记为
Figure 100002_DEST_PATH_IMAGE001
、
Figure 52546DEST_PATH_IMAGE002
、
Figure 100002_DEST_PATH_IMAGE003
…、
Figure 981319DEST_PATH_IMAGE004
，并根据不同的所述周期获得其 对应的所述系数值记为
Figure 100002_DEST_PATH_IMAGE005
、
Figure 669702DEST_PATH_IMAGE006
、
Figure 100002_DEST_PATH_IMAGE007
…、
Figure 822465DEST_PATH_IMAGE008
，根据所述兽药的历史销售数据获得不同的所述 周期时间内的销售额，记为
Figure 100002_DEST_PATH_IMAGE009
、
Figure 583748DEST_PATH_IMAGE010
、
Figure 100002_DEST_PATH_IMAGE011
…、
Figure 100002_DEST_PATH_IMAGE013
，所述第一采购信息中的采购值的计算式具 体如下：
Figure 814747DEST_PATH_IMAGE014
；
其中，
Figure 100002_DEST_PATH_IMAGE015
为周期数。
本方案中，所述读取所述仓储内同种所述原材料的存储信息，基于预设的动态阈值判断机制更新所述第一采购信息，具体为：
识别所述原材料的类型，获取不同类型的所述原材料对应的剩余量阈值；
判断所述仓储内同种类型的所述原材料的剩余存值与对应的所述剩余量阈值的大小，其中，
若所述剩余存值大于或等于所述剩余量阈值，则无需更新所述第一采购信息；
若所述剩余存值小于所述剩余量阈值，则启动计算目标差值机制获取第二采购信息以更新所述第一采购信息。
本方案中，所述计算目标差值机制的启动，具体为：
当所述原材料的所述剩余存值小于所述剩余量阈值时，计算所述剩余存值与所述剩余量阈值之间的目标差值；
获取不同的所述系数值，作为一个数字群组并计算所述群组的平均值；
将所述目标差值与所述平均值的乘积作为所述第二采购信息，进而更新所述第一采购信息。
本发明第二方面还提供一种基于大数据分析的仓储预测系统，包括存储器和处理器，所述存储器中包括基于大数据分析的仓储预测方法程序，所述基于大数据分析的仓储预测方法程序被所述处理器执行时实现如下步骤：
获取多种兽药的历史销售数据，基于预设的物料预测机制获取各所需原材料的第一采购信息，其中，所述物料预测机制基于神经网络模型得出；
读取所述仓储内同种所述原材料的存储信息，基于预设的动态阈值判断机制更新所述第一采购信息，其中，所述动态阈值根据不同的所述原材料取不同的值；
识别突发情况影响因子，结合更新后的所述第一采购信息输出所述兽药所需原材料的最终预测结果。
本方案中，所述基于预设的物料预测机制获取各所需原材料的第一采购信息，具体为：
根据不同的所述原材料设置对应的若干个需求周期；
基于训练好的系数识别神经网络模型，得到不同所述需求周期对应的系数值；
基于不同的所述系数值与不同的所述需求周期构建所述物料预测机制；
将所述兽药的历史销售数据作为构建好的所述物料预测机制的输入，得到其输出的所述第一采购信息。
本方案中，所述系数识别神经网络模型训练方法，具体为：
获取所述历史销售数据的原材料数据和需求总量；
将所述历史销售数据的原材料数据和需求总量进行预处理，得到训练样本集；
将所述训练样本集输入至初始化的所述系数识别神经网络模型中训练；
获取输出结果的准确率；
若所述准确率大于预设的准确率阈值，则停止训练，得到所述系数识别神经网络模型。
本方案中，获取不同的周期记为
Figure 118820DEST_PATH_IMAGE001
、
Figure 206600DEST_PATH_IMAGE002
、
Figure 783075DEST_PATH_IMAGE003
…、
Figure 319229DEST_PATH_IMAGE004
，并根据不同的所述周期获得其 对应的所述系数值记为
Figure 71285DEST_PATH_IMAGE005
、
Figure 424906DEST_PATH_IMAGE006
、
Figure 895201DEST_PATH_IMAGE007
…、
Figure 999161DEST_PATH_IMAGE008
，根据所述兽药的历史销售数据获得不同的所述 周期时间内的销售额，记为
Figure 668040DEST_PATH_IMAGE009
、
Figure 130245DEST_PATH_IMAGE010
、
Figure 291099DEST_PATH_IMAGE011
…、
Figure 293690DEST_PATH_IMAGE013
，所述第一采购信息中的采购值的计算式具 体如下：
Figure 20338DEST_PATH_IMAGE014
；
其中，
Figure 83804DEST_PATH_IMAGE015
为周期数。
本方案中，所述读取所述仓储内同种所述原材料的存储信息，基于预设的动态阈值判断机制更新所述第一采购信息，具体为：
识别所述原材料的类型，获取不同类型的所述原材料对应的剩余量阈值；
判断所述仓储内同种类型的所述原材料的剩余存值与对应的所述剩余量阈值的大小，其中，
若所述剩余存值大于或等于所述剩余量阈值，则无需更新所述第一采购信息；
若所述剩余存值小于所述剩余量阈值，则启动计算目标差值机制获取第二采购信息以更新所述第一采购信息。
本方案中，所述计算目标差值机制的启动，具体为：
当所述原材料的所述剩余存值小于所述剩余量阈值时，计算所述剩余存值与所述剩余量阈值之间的目标差值；
获取不同的所述系数值，作为一个数字群组并计算所述群组的平均值；
将所述目标差值与所述平均值的乘积作为所述第二采购信息，进而更新所述第一采购信息。
本发明第三方面提供了一种计算机可读存储介质，所述计算机可读存储介质中包括机器的一种基于大数据分析的仓储预测方法程序，所述基于大数据分析的仓储预测方法程序被处理器执行时，实现如上述任一项所述的一种基于大数据分析的仓储预测方法的步骤。
本发明公开的一种基于大数据分析的仓储预测方法、系统和可读存储介质，通过兽药历史销售数据为基础，结合神经网络模型以及仓储兽药原材料剩余值来预测不同兽药原材料的采购数值，使得原材料采购更加精确，能够减少仓储原材料的堆积，降低生产损失。
附图说明
图1示出了本申请一种基于大数据分析的仓储预测方法的流程图；
图2示出了本发明一种基于大数据分析的仓储预测系统的框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
图1示出了本申请一种基于大数据分析的仓储预测方法的流程图。
如图1所示，本申请公开了一种基于大数据分析的仓储预测方法，包括以下步骤：
S102，获取多种兽药的历史销售数据，基于预设的物料预测机制获取各所需原材料的第一采购信息，其中，所述物料预测机制基于神经网络模型得出；
S104，读取所述仓储内同种所述原材料的存储信息，基于预设的动态阈值判断机制更新所述第一采购信息，其中，所述动态阈值根据不同的所述原材料取不同的值；
S106，识别突发情况影响因子，结合更新后的所述第一采购信息输出所述兽药所需原材料的最终预测结果。
需要说明的是，通过获取过往的所述历史销售数据可以得到各时期的销售情况以及市场反响，基于历史数据进行神经网络模型迭代预测所述物料的系数值，来获取未来仓储的采购更新情况，并通过设置所述动态阈值来针对不同的所述原材料采购不同的量以满足需要，其中，所述突发情况影响因子包括经济环境、自然灾害以及供应链环境因素等影响因子，并将其具体影响因素进行标明，在所述最终预测结果上进行显示，供给采购人员甄别。
值得一提的是，本申请提出的预测方法还包括通过云计算的方式进行预测更新，具体为：
获取识别到的所述突发情况影响因子；
基于云计算的方式获取对应所述影响因子的采购案例；
提取所述采购案例的采购方案结果作为输出以更新所述最终预测结果。
需要说明的是，在遇到突发情况时，采购人员会出现由于经验不足，不能够及时应变，导致采购出现差错，在给出最终预测结果时，可以通过云计算识别过往的成功案例作为其中一个结果输出，可供给采购人员及时参考。
根据本发明实施例，所述基于预设的物料预测机制获取各所需原材料的第一采购信息，具体为：
根据不同的所述原材料设置对应的若干个需求周期；
基于训练好的系数识别神经网络模型，得到不同所述需求周期对应的系数值；
基于不同的所述系数值与不同的所述需求周期构建所述物料预测机制；
将所述兽药的历史销售数据作为构建好的所述物料预测机制的输入，得到其输出的所述第一采购信息。
需要说明的是，所述第一采购信息包括多个元素，其中最为重要的采购值元素的大小由所述物料预测机制进行预测，所述第一采购信息还包括采购原材料名称以及采购对象等属性信息，由于不同的原材料基于不同的自然周期有着不同的需求，其中价格需求以及市场需求均不同，为了更精准地预测通过训练好的所述系数识别神经网络模型来得到不同所述需求周期对应的系数值，通过获取不同的所述需求周期以及其对应的所述系数值来预测仓储原材料的采购值。
更进一步地，获取所述采购值的步骤是通过加权和得到的，其中，获取不同的周期 记为
Figure 591008DEST_PATH_IMAGE001
、
Figure 334973DEST_PATH_IMAGE002
、
Figure 119390DEST_PATH_IMAGE003
…、
Figure 985715DEST_PATH_IMAGE004
，并根据不同的所述周期获得其对应的所述系数值记为
Figure 121161DEST_PATH_IMAGE005
、
Figure 731134DEST_PATH_IMAGE006
、
Figure 134171DEST_PATH_IMAGE007
…、
Figure 171397DEST_PATH_IMAGE008
，根据所述兽药的历史销售数据获得不同的所述周期时间内的销售额，记为
Figure 590877DEST_PATH_IMAGE009
、
Figure 879907DEST_PATH_IMAGE010
、
Figure 763550DEST_PATH_IMAGE011
…、
Figure 112622DEST_PATH_IMAGE013
，所述第一采购信息中的采购值的计算式具体如下：
Figure 81715DEST_PATH_IMAGE014
；
其中，
Figure 141813DEST_PATH_IMAGE015
为周期数。
需要说明的是，由于仓储采购是成批次大量采购，所以需要对全一年或者半年的仓储采购值进行预测，例如，猪口蹄疫疫苗，用于预防猪O型口蹄疫，免疫期为六个月，一般疫苗的接种在四至六个月一次，其中，种公猪每年两次，种母猪分娩一个半月前接种，因此兽药制药厂需要根据不同的市场需求及其对应的时间周期来获取所述猪口蹄疫疫苗原材料的采购预测，具体地预测值可以通过上述采购值计算式可以得到。
根据本发明实施例，所述系数识别神经网络模型训练方法，具体为：
获取所述历史销售数据的原材料数据和需求总量；
将所述历史销售数据的原材料数据和需求总量进行预处理，得到训练样本集；
将所述训练样本集输入至初始化的所述系数识别神经网络模型中训练；
获取输出结果的准确率；
若所述准确率大于预设的准确率阈值，则停止训练，得到所述系数识别神经网络模型。
需要说明的是，系数识别神经网络模型需要大量的历史数据进行训练，数据量越大，则结果越准确，本申请中的系数识别神经网络模型可以通过历史销售数据的原材料数据和需求总量作为输入进行训练，当然，在进行神经网络模型训练时，不仅要通过历史销售数据进行训练，还需要结合需求总量以及对应的市场反响进行训练，通过大数据分析，得到的结果也会更加准确，进而使得系数识别神经网络的输出结果更加准确。
根据本发明实施例，所述读取所述仓储内同种所述原材料的存储信息，基于预设的动态阈值判断机制更新所述第一采购信息，具体为：
识别所述原材料的类型，获取不同类型的所述原材料对应的剩余量阈值；
判断所述仓储内同种类型的所述原材料的剩余存值与对应的所述剩余量阈值的大小，其中，
若所述剩余存值大于或等于所述剩余量阈值，则无需更新所述第一采购信息；
若所述剩余存值小于所述剩余量阈值，则启动计算目标差值机制获取第二采购信息以更新所述第一采购信息。
需要说明的是，再获取到预测的所述第一采购信息后，同时根据仓储现有原材料的剩余量对所述第一采购信息进行更新，例如，中兽药中用于抗菌的龙胆草，其是龙胆科植物条叶龙胆、龙胆、三花龙胆或坚龙胆的干燥根及根茎，通过本申请提出的预测方法得到对应的所述第一采购信息后，对比下仓储内原材料的剩余值，比如龙胆科植物的根茎剩余值超过所述剩余量阈值，那么继续使用所述第一采购信息进行原材料采购就会造成原材料的过剩，造成损失，因此需要计算所述目标差值作为所述第二采购信息来更新所述第一采购信息。
根据本发明实施例，所述计算目标差值机制的启动，具体为：
当所述原材料的所述剩余存值小于所述剩余量阈值时，计算所述剩余存值与所述剩余量阈值之间的目标差值；
获取不同的所述系数值，作为一个数字群组并计算所述群组的平均值；
将所述目标差值与所述平均值的乘积作为所述第二采购信息，进而更新所述第一采购信息。
需要说明的是，以所述龙胆科植物条叶龙胆为例，其对应的所述剩余存值为“10”吨，所述剩余量阈值“15”吨，那么所述目标差值即为“5”吨，通过所述系数识别神经网络模型识别出的系数获得所述数字群组为{0.3，0.6，0.4，0.7}，计算所述数字群组的平均值为“0.5”，则所述第二采购信息中的采购值为“2.5”吨，将得到的数值添加到所述第一采购信息中进行更新，使得采购部门人员在采购所述龙胆时，会在所述第一采购信息的采购值上多采购“2.5”吨。
根据本发明实施例，还包括：
将兽药原材料按照采购批次进行分别存储；
获取采购批次的历史销售额信息；
根据采购批次的历史销售额和历史采购值信息，得到兽药原材料的折损率信息；
根据所述兽药原材料的折损率对采购值进行对应调整。
需要说明的是，兽药原材料在入仓存储时需要不同层次的搬运，搬运过程中会对 兽药原材料造成不可避免的磕碰，造成兽药原材料折损，另外，兽药原材料在存储过程中， 水分的流失也会造成兽药原材料的折损。将历史采购值设为
Figure 145541DEST_PATH_IMAGE016
，采购批次的历史销售额 为
Figure DEST_PATH_IMAGE017
，则得到所述采购批次的折损率为
Figure 931095DEST_PATH_IMAGE018
,其中m表示兽药原材料采购的批 次，则兽药原材料的折损率为
Figure DEST_PATH_IMAGE019
，将采购值设为R，则得到调整后的采购值为
Figure 466112DEST_PATH_IMAGE020
。
根据本发明实施例，还包括：
获取兽药原材料出库时的药效成分信息；
判断所述药效成分是否低于第一预设阈值，若是，则得到所述兽药不合格信息；
将所述兽药原材料剩余量设为非有效存储量。
需要说明的是，兽药原材料在进出仓库时，需要对兽药原材料进行药效成分的检测，所述检测方式为抽检，若检测不合格，则该批次不能进出仓库，而兽药原材料即使在良好的存储条件下，质量也会随着存储时间过长而变坏，比如，龙胆科植物龙胆，其有效成分为苦甙，若龙胆入仓库时检测的苦甙成分为7%，出库检测时只有4%，而龙胆的第一预设阈值为5%,则得到所述龙胆出库不达标，剩余未出库的龙胆非有效存储量，需要逐一检测之后方可出库。
根据本发明实施例，还包括：
获取固定周期兽药原材料中的药效成分信息；
提取兽药原材料中的药效成分等于第一预设阈值时的周期数，得到兽药原材料保质期时间信息；
将所述兽药原材料保质期时间发送至终端进行显示。
需要说明的是，存储在仓库中的兽药原材料定期进行抽检，检测兽药原材料中药效成分值，当兽药原材料中的药效成分降至第一预设阈值时，提取兽药原材料保质期的时间T，则所述时间为兽药原材料在仓库中存放的最长时间，超过时间T的原材料需要逐一检测，合格后才能正常销售。
根据本发明实施例，还包括：
根据不同周期内的销售额，得到单位时间内的最小销售值；
判断所述采购值与单位时间内的最小销售值的比值是否低于或等于兽药原材料保质期时间，若否，则得到降低采购周期或降低采购值信息；
将降低采购周期或降低采购值信息发送至终端进行显示。
需要说明的是，根据不同周期内的销售额，得到单位时间内的销售值
Figure DEST_PATH_IMAGE021
，提取单 位时间内的最小销售值
Figure 126638DEST_PATH_IMAGE022
，则得到兽药原材料存储最长时间
Figure DEST_PATH_IMAGE023
,其中
Figure 125818DEST_PATH_IMAGE024
为调整后的采购值，判断
Figure DEST_PATH_IMAGE025
的差值是否大于等于0，若否，则降低采购值或者降低采购 周期，以降低兽药原材料在仓库中存储时间。
图2示出了本发明一种基于大数据分析的仓储预测系统的框图。
如图2所示，本发明公开了一种基于大数据分析的仓储预测系统，包括存储器和处理器，所述存储器中包括基于大数据分析的仓储预测方法程序，所述基于大数据分析的仓储预测方法程序被所述处理器执行时实现如下步骤：
获取多种兽药的历史销售数据，基于预设的物料预测机制获取各所需原材料的第一采购信息，其中，所述物料预测机制基于神经网络模型得出；
读取所述仓储内同种所述原材料的存储信息，基于预设的动态阈值判断机制更新所述第一采购信息，其中，所述动态阈值根据不同的所述原材料取不同的值；
识别突发情况影响因子，结合更新后的所述第一采购信息输出所述兽药所需原材料的最终预测结果。
需要说明的是，通过获取过往的所述历史销售数据可以得到各时期的销售情况以及市场反响，基于历史数据进行神经网络模型迭代预测所述物料的系数值，来获取未来仓储的采购更新情况，并通过设置所述动态阈值来针对不同的所述原材料采购不同的量以满足需要，其中，所述突发情况影响因子包括经济环境、自然灾害以及供应链环境因素等影响因子，并将其具体影响因素进行标明，在所述最终预测结果上进行显示，供给采购人员甄别。
值得一提的是，本申请提出的预测方法还包括通过云计算的方式进行预测更新，具体为：
获取识别到的所述突发情况影响因子；
基于云计算的方式获取对应所述影响因子的采购案例；
提取所述采购案例的采购方案结果作为输出以更新所述最终预测结果。
需要说明的是，在遇到突发情况时，采购人员会出现由于经验不足，不能够及时应变，导致采购出现差错，在给出最终预测结果时，可以通过云计算识别过往的成功案例作为其中一个结果输出，可供给采购人员及时参考。
根据本发明实施例，所述基于预设的物料预测机制获取各所需原材料的第一采购信息，具体为：
根据不同的所述原材料设置对应的若干个需求周期；
基于训练好的系数识别神经网络模型，得到不同所述需求周期对应的系数值；
基于不同的所述系数值与不同的所述需求周期构建所述物料预测机制；
将所述兽药的历史销售数据作为构建好的所述物料预测机制的输入，得到其输出的所述第一采购信息。
需要说明的是，所述第一采购信息包括多个元素，其中最为重要的采购值元素的大小由所述物料预测机制进行预测，所述第一采购信息还包括采购原材料名称以及采购对象等属性信息，由于不同的原材料基于不同的自然周期有着不同的需求，其中价格需求以及市场需求均不同，为了更精准地预测通过训练好的所述系数识别神经网络模型来得到不同所述需求周期对应的系数值，通过获取不同的所述需求周期以及其对应的所述系数值来预测仓储原材料的采购值。
更进一步地，获取所述采购值的步骤是通过加权和得到的，其中，获取不同的周期 记为
Figure 144590DEST_PATH_IMAGE001
、
Figure 963641DEST_PATH_IMAGE002
、
Figure 257220DEST_PATH_IMAGE003
…、
Figure 349721DEST_PATH_IMAGE004
，并根据不同的所述周期获得其对应的所述系数值记为
Figure 336132DEST_PATH_IMAGE005
、
Figure 642479DEST_PATH_IMAGE006
、
Figure 739748DEST_PATH_IMAGE007
…、
Figure 182362DEST_PATH_IMAGE008
，根据所述兽药的历史销售数据获得不同的所述周期时间内的销售额，记为
Figure 339674DEST_PATH_IMAGE009
、
Figure 867739DEST_PATH_IMAGE010
、
Figure 673758DEST_PATH_IMAGE011
…、
Figure 95512DEST_PATH_IMAGE013
，所述第一采购信息中的采购值的计算式具体如下：
Figure 95829DEST_PATH_IMAGE014
；
其中，
Figure 111190DEST_PATH_IMAGE015
为周期数。
需要说明的是，由于仓储采购是成批次大量采购，所以需要对全一年或者半年的仓储采购值进行预测，例如，猪口蹄疫疫苗，用于预防猪O型口蹄疫，免疫期为六个月，一般疫苗的接种在四至六个月一次，其中，种公猪每年两次，种母猪分娩一个半月前接种，因此兽药制药厂需要根据不同的市场需求及其对应的时间周期来获取所述猪口蹄疫疫苗原材料的采购预测，具体地预测值可以通过上述采购值计算式可以得到。
根据本发明实施例，所述系数识别神经网络模型训练方法，具体为：
获取所述历史销售数据的原材料数据和需求总量；
将所述历史销售数据的原材料数据和需求总量进行预处理，得到训练样本集；
将所述训练样本集输入至初始化的所述系数识别神经网络模型中训练；
获取输出结果的准确率；
若所述准确率大于预设的准确率阈值，则停止训练，得到所述系数识别神经网络模型。
需要说明的是，系数识别神经网络模型需要大量的历史数据进行训练，数据量越大，则结果越准确，本申请中的系数识别神经网络模型可以通过历史销售数据的原材料数据和需求总量作为输入进行训练，当然，在进行神经网络模型训练时，不仅要通过历史销售数据进行训练，还需要结合需求总量以及对应的市场反响进行训练，通过大数据分析，得到的结果也会更加准确，进而使得系数识别神经网络的输出结果更加准确。
根据本发明实施例，所述读取所述仓储内同种所述原材料的存储信息，基于预设的动态阈值判断机制更新所述第一采购信息，具体为：
识别所述原材料的类型，获取不同类型的所述原材料对应的剩余量阈值；
判断所述仓储内同种类型的所述原材料的剩余存值与对应的所述剩余量阈值的大小，其中，
若所述剩余存值大于或等于所述剩余量阈值，则无需更新所述第一采购信息；
若所述剩余存值小于所述剩余量阈值，则启动计算目标差值机制获取第二采购信息以更新所述第一采购信息。
需要说明的是，再获取到预测的所述第一采购信息后，同时根据仓储现有原材料的剩余量对所述第一采购信息进行更新，例如，中兽药中用于抗菌的龙胆草，其是龙胆科植物条叶龙胆、龙胆、三花龙胆或坚龙胆的干燥根及根茎，通过本申请提出的预测方法得到对应的所述第一采购信息后，对比下仓储内原材料的剩余值，比如龙胆科植物的根茎剩余值超过所述剩余量阈值，那么继续使用所述第一采购信息进行原材料采购就会造成原材料的过剩，造成损失，因此需要计算所述目标差值作为所述第二采购信息来更新所述第一采购信息。
根据本发明实施例，所述计算目标差值机制的启动，具体为：
当所述原材料的所述剩余存值小于所述剩余量阈值时，计算所述剩余存值与所述剩余量阈值之间的目标差值；
获取不同的所述系数值，作为一个数字群组并计算所述群组的平均值；
将所述目标差值与所述平均值的乘积作为所述第二采购信息，进而更新所述第一采购信息。
需要说明的是，以所述龙胆科植物条叶龙胆为例，其对应的所述剩余存值为“10”吨，所述剩余量阈值“15”吨，那么所述目标差值即为“5”吨，通过所述系数识别神经网络模型识别出的系数获得所述数字群组为{0.3，0.6，0.4，0.7}，计算所述数字群组的平均值为“0.5”，则所述第二采购信息中的采购值为“2.5”吨，将得到的数值添加到所述第一采购信息中进行更新，使得采购部门人员在采购所述龙胆时，会在所述第一采购信息的采购值上多采购“2.5”吨。
根据本发明实施例，还包括：
将兽药原材料按照采购批次进行分别存储；
获取采购批次的历史销售额信息；
根据采购批次的历史销售额和历史采购值信息，得到兽药原材料的折损率信息；
根据所述兽药原材料的折损率对采购值进行对应调整。
需要说明的是，兽药原材料在入仓存储时需要不同层次的搬运，搬运过程中会对 兽药原材料造成不可避免的磕碰，造成兽药原材料折损，另外，兽药原材料在存储过程中， 水分的流失也会造成兽药原材料的折损。将历史采购值设为
Figure 550261DEST_PATH_IMAGE016
，采购批次的历史销售额 为
Figure 967467DEST_PATH_IMAGE017
，则得到所述采购批次的折损率为
Figure 637221DEST_PATH_IMAGE018
,其中m表示兽药原材料采购的批 次，则兽药原材料的折损率为
Figure 998932DEST_PATH_IMAGE019
，将采购值设为R，则得到调整后的采购值为
Figure 851482DEST_PATH_IMAGE020
。
根据本发明实施例，还包括：
获取兽药原材料出库时的药效成分信息；
判断所述药效成分是否低于第一预设阈值，若是，则得到所述兽药不合格信息；
将所述兽药原材料剩余量设为非有效存储量。
需要说明的是，兽药原材料在进出仓库时，需要对兽药原材料进行药效成分的检测，所述检测方式为抽检，若检测不合格，则该批次不能进出仓库，而兽药原材料即使在良好的存储条件下，质量也会随着存储时间过长而变坏，比如，龙胆科植物龙胆，其有效成分为苦甙，若龙胆入仓库时检测的苦甙成分为7%，出库检测时只有4%，而龙胆的第一预设阈值为5%,则得到所述龙胆出库不达标，剩余未出库的龙胆非有效存储量，需要逐一检测之后方可出库。
根据本发明实施例，还包括：
获取固定周期兽药原材料中的药效成分信息；
提取兽药原材料中的药效成分等于第一预设阈值时的周期数，得到兽药原材料保质期时间信息；
将所述兽药原材料保质期时间发送至终端进行显示。
需要说明的是，存储在仓库中的兽药原材料定期进行抽检，检测兽药原材料中药效成分值，当兽药原材料中的药效成分降至第一预设阈值时，提取兽药原材料保质期的时间T，则所述时间为兽药原材料在仓库中存放的最长时间，超过时间T的原材料需要逐一检测，合格后才能正常销售。
根据本发明实施例，还包括：
根据不同周期内的销售额，得到单位时间内的最小销售值；
判断所述采购值与单位时间内的最小销售值的比值是否低于或等于兽药原材料保质期时间，若否，则得到降低采购周期或降低采购值信息；
将降低采购周期或降低采购值信息发送至终端进行显示。
需要说明的是，根据不同周期内的销售额，得到单位时间内的销售值
Figure 185511DEST_PATH_IMAGE021
，提取单 位时间内的最小销售值
Figure 855527DEST_PATH_IMAGE022
，则得到兽药原材料存储最长时间
Figure 579900DEST_PATH_IMAGE023
,其中
Figure 531414DEST_PATH_IMAGE024
为调整后的采购值，判断
Figure 782266DEST_PATH_IMAGE025
的差值是否大于等于0，若否，则降低采购值或者降低采购 周期，以降低兽药原材料在仓库中存储时间。
本发明第三方面提供了一种计算机可读存储介质，所述计算机可读存储介质中包括机器的一种基于大数据分析的仓储预测方法程序，所述基于大数据分析的仓储预测方法程序被处理器执行时，实现如上述任一项所述的一种基于大数据分析的仓储预测方法的步骤。
本发明公开的一种基于大数据分析的仓储预测方法、系统和可读存储介质，通过兽药历史销售数据为基础，结合神经网络模型以及仓储兽药原材料剩余值来预测不同兽药原材料的采购数值，使得原材料采购更加精确，能够减少仓储原材料的堆积，降低生产损失。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，也可以分布到多个网络单元上；可以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全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的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介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机、服务器、或者网络设备等）执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。

Claims (10)

1.一种基于大数据分析的仓储预测方法，其特征在于，包括以下步骤：
获取多种兽药的历史销售数据，基于预设的物料预测机制获取各所需原材料的第一采购信息，其中，所述物料预测机制基于神经网络模型得出；
读取所述仓储内同种所述原材料的存储信息，基于预设的动态阈值判断机制更新所述第一采购信息，其中，所述动态阈值根据不同的所述原材料取不同的值；
识别突发情况影响因子，结合更新后的所述第一采购信息输出所述兽药所需原材料的最终预测结果。
2.根据权利要求1所述的一种基于大数据分析的仓储预测方法，其特征在于，所述基于预设的物料预测机制获取各所需原材料的第一采购信息，具体为：
根据不同的所述原材料设置对应的若干个需求周期；
基于训练好的系数识别神经网络模型，得到不同所述需求周期对应的系数值；
基于不同的所述系数值与不同的所述需求周期构建所述物料预测机制；
将所述兽药的历史销售数据作为构建好的所述物料预测机制的输入，得到其输出的所述第一采购信息。
3.根据权利要求2所述的一种基于大数据分析的仓储预测方法，其特征在于，系数识别神经网络模型的训练方法，具体为：
获取所述历史销售数据的原材料数据和需求总量；
将所述历史销售数据的原材料数据和需求总量进行预处理，得到训练样本集；
将所述训练样本集输入至初始化的所述系数识别神经网络模型中训练；
获取输出结果的准确率；
若所述准确率大于预设的准确率阈值，则停止训练，得到所述系数识别神经网络模型。
4.根据权利要求2所述的一种基于大数据分析的仓储预测方法，其特征在于，获取不同 的周期记为
Figure DEST_PATH_IMAGE001
、
Figure 416739DEST_PATH_IMAGE002
、
Figure DEST_PATH_IMAGE003
…、
Figure 165383DEST_PATH_IMAGE004
，并根据不同的所述周期获得其对应的所述系数值记为
Figure DEST_PATH_IMAGE005
、
Figure 919450DEST_PATH_IMAGE006
、
Figure DEST_PATH_IMAGE007
…、
Figure 638008DEST_PATH_IMAGE008
，根据所述兽药的历史销售数据获得不同的所述周期时间内的销售额，记为
Figure DEST_PATH_IMAGE009
、
Figure 764227DEST_PATH_IMAGE010
、
Figure DEST_PATH_IMAGE011
…、
Figure DEST_PATH_IMAGE013
，所述第一采购信息中的采购值的计算式具体如下：
Figure 188167DEST_PATH_IMAGE014
；
其中，
Figure DEST_PATH_IMAGE015
为周期数。
5.根据权利要求2所述的一种基于大数据分析的仓储预测方法，其特征在于，所述读取所述仓储内同种所述原材料的存储信息，基于预设的动态阈值判断机制更新所述第一采购信息，具体为：
识别所述原材料的类型，获取不同类型的所述原材料对应的剩余量阈值；
判断所述仓储内同种类型的所述原材料的剩余存值与对应的所述剩余量阈值的大小，其中，
若所述剩余存值大于或等于所述剩余量阈值，则无需更新所述第一采购信息；
若所述剩余存值小于所述剩余量阈值，则启动计算目标差值机制获取第二采购信息以更新所述第一采购信息。
6.根据权利要求5所述的一种基于大数据分析的仓储预测方法，其特征在于，所述计算目标差值机制的启动，具体为：
当所述原材料的所述剩余存值小于所述剩余量阈值时，计算所述剩余存值与所述剩余量阈值之间的目标差值；
获取不同的所述系数值，作为一个数字群组并计算所述群组的平均值；
将所述目标差值与所述平均值的乘积作为所述第二采购信息，进而更新所述第一采购信息。
7.一种基于大数据分析的仓储预测系统，其特征在于，包括存储器和处理器，所述存储器中包括基于大数据分析的仓储预测方法程序，所述基于大数据分析的仓储预测方法程序被所述处理器执行时实现如下步骤：
获取多种兽药的历史销售数据，基于预设的物料预测机制获取各所需原材料的第一采购信息，其中，所述物料预测机制基于神经网络模型得出；
读取所述仓储内同种所述原材料的存储信息，基于预设的动态阈值判断机制更新所述第一采购信息，其中，所述动态阈值根据不同的所述原材料取不同的值；
识别突发情况影响因子，结合更新后的所述第一采购信息输出所述兽药所需原材料的最终预测结果。
8.根据权利要求7所述的一种基于大数据分析的仓储预测系统，其特征在于，所述基于预设的物料预测机制获取各所需原材料的第一采购信息，具体为：
根据不同的所述原材料设置对应的若干个需求周期；
基于训练好的系数识别神经网络模型，得到不同所述需求周期对应的系数值；
基于不同的所述系数值与不同的所述需求周期构建所述物料预测机制；
将所述兽药的历史销售数据作为构建好的所述物料预测机制的输入，得到其输出的所述第一采购信息。
9.根据权利要求8所述的一种基于大数据分析的仓储预测系统，其特征在于，所述读取所述仓储内同种所述原材料的存储信息，基于预设的动态阈值判断机制更新所述第一采购信息，具体为：
识别所述原材料的类型，获取不同类型的所述原材料对应的剩余量阈值；
判断所述仓储内同种类型的所述原材料的剩余存值与对应的所述剩余量阈值的大小，其中，
若所述剩余存值大于或等于所述剩余量阈值，则无需更新所述第一采购信息；
若所述剩余存值小于所述剩余量阈值，则启动计算目标差值机制获取第二采购信息以更新所述第一采购信息。
10.一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中包括一种基于大数据分析的仓储预测方法程序，所述基于大数据分析的仓储预测方法程序被处理器执行时，实现如权利要求1至6中任一项所述的一种基于大数据分析的仓储预测方法的步骤。
CN202210477394.4A 2022-05-04 2022-05-04 基于大数据分析的仓储预测方法、系统和可读存储介质 Active CN114581159B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210477394.4A CN114581159B (zh) 2022-05-04 2022-05-04 基于大数据分析的仓储预测方法、系统和可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210477394.4A CN114581159B (zh) 2022-05-04 2022-05-04 基于大数据分析的仓储预测方法、系统和可读存储介质

Publications (2)

Publication Number Publication Date
CN114581159A true CN114581159A (zh) 2022-06-03
CN114581159B CN114581159B (zh) 2022-08-12

Family

ID=81785568

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210477394.4A Active CN114581159B (zh) 2022-05-04 2022-05-04 基于大数据分析的仓储预测方法、系统和可读存储介质

Country Status (1)

Country Link
CN (1) CN114581159B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117236649A (zh) * 2023-11-10 2023-12-15 天津麦旺生物技术有限公司 一种用于宠物饲料加工原料需求量的调度方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106971249A (zh) * 2017-05-05 2017-07-21 北京挖玖电子商务有限公司 一种销量预测及补货方法
CN107730087A (zh) * 2017-09-20 2018-02-23 平安科技（深圳）有限公司 预测模型训练方法、数据监控方法、装置、设备及介质
CN108764974A (zh) * 2018-05-11 2018-11-06 国网电子商务有限公司 一种基于深度学习的商品采购量预测方法及装置
CN109784806A (zh) * 2018-12-27 2019-05-21 北京航天智造科技发展有限公司 供应链控制方法、系统以及存储介质
CN111340312A (zh) * 2020-03-24 2020-06-26 国家电网有限公司 一种基于rnn网络预测物资采购需求量的方法
CN111652654A (zh) * 2020-06-10 2020-09-11 创新奇智(南京)科技有限公司 销量预测及神经网络构建的方法、装置、设备、存储介质
CA3146294A1 (en) * 2019-07-09 2021-01-14 Sourcewater, Inc. Identification and validation of roads using aerial imagery and mobile location information
CN112734494A (zh) * 2021-01-18 2021-04-30 深圳市轱辘车联数据技术有限公司 一种销量预测方法、装置、终端设备及可读存储介质
CN114037383A (zh) * 2021-11-12 2022-02-11 珠海格力电器股份有限公司 采购数据的确定方法及其装置、计算机可读存储介质
CN114066021A (zh) * 2021-10-28 2022-02-18 王磊 一种实验药剂供应预测方法和系统

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106971249A (zh) * 2017-05-05 2017-07-21 北京挖玖电子商务有限公司 一种销量预测及补货方法
CN107730087A (zh) * 2017-09-20 2018-02-23 平安科技（深圳）有限公司 预测模型训练方法、数据监控方法、装置、设备及介质
CN108764974A (zh) * 2018-05-11 2018-11-06 国网电子商务有限公司 一种基于深度学习的商品采购量预测方法及装置
CN109784806A (zh) * 2018-12-27 2019-05-21 北京航天智造科技发展有限公司 供应链控制方法、系统以及存储介质
CA3146294A1 (en) * 2019-07-09 2021-01-14 Sourcewater, Inc. Identification and validation of roads using aerial imagery and mobile location information
CN111340312A (zh) * 2020-03-24 2020-06-26 国家电网有限公司 一种基于rnn网络预测物资采购需求量的方法
CN111652654A (zh) * 2020-06-10 2020-09-11 创新奇智(南京)科技有限公司 销量预测及神经网络构建的方法、装置、设备、存储介质
CN112734494A (zh) * 2021-01-18 2021-04-30 深圳市轱辘车联数据技术有限公司 一种销量预测方法、装置、终端设备及可读存储介质
CN114066021A (zh) * 2021-10-28 2022-02-18 王磊 一种实验药剂供应预测方法和系统
CN114037383A (zh) * 2021-11-12 2022-02-11 珠海格力电器股份有限公司 采购数据的确定方法及其装置、计算机可读存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117236649A (zh) * 2023-11-10 2023-12-15 天津麦旺生物技术有限公司 一种用于宠物饲料加工原料需求量的调度方法
CN117236649B (zh) * 2023-11-10 2024-01-26 天津麦旺生物技术有限公司 一种用于宠物饲料加工原料需求量的调度方法

Also Published As

Publication number Publication date
CN114581159B (zh) 2022-08-12

Similar Documents

Publication Publication Date Title
Disney et al. Benefit-cost analysis of animal identification for disease prevention and control
Trauffler et al. Antimicrobial drug use in Austrian pig farms: plausibility check of electronic on‐farm records and estimation of consumption
Babcock et al. Feedlot health and performance effects associated with the timing of respiratory disease treatment
CN108564482B (zh) 一种牲畜信息的管理方法、存储介质和电子设备
CN114581159B (zh) 基于大数据分析的仓储预测方法、系统和可读存储介质
US20190183096A1 (en) Method and System for Real-Time Livestock Management
Wang et al. Cost of bovine respiratory disease in preweaned calves on US beef cow–calf operations (2011–2015)
Resende-Filho et al. A Principal‐Agent Model for Evaluating the Economic Value of a Traceability System: A Case Study with Injection‐site Lesion Control in Fed Cattle
Wishart et al. Liveweight loss associated with handling and weighing of grazing sheep
Akcaoz et al. Risk management strategies in dairy farming: A case study in Turkey
Hansen et al. The ruminant farm systems animal module: a biophysical description of animal management
Lopes Antunes et al. Close to a decade of decrease in antimicrobial usage in Danish pig production–evaluating the effect of the yellow card scheme
US7887399B2 (en) Method of controlling the quality of consumable animal primal cuts
Mullally et al. Extension and matching grants for improved management: An evaluation of the uruguayan livestock program
CN108399576B (zh) 一种基于互联网的畜禽销售系统
Adhikari et al. Hunters’ Willingness to Pay to Avoid Processing Costs Associated with Harvesting Infected Game
Sneeringer et al. Impacts on livestock producers and veterinarians of FDA policies on use of medically important antibiotics in food animal production
Oczak et al. Where is the sow’s nose: RetinaNet object detector as a basis for monitoring the use of rack with nest-building material
JP2021089496A (ja) 動産担保評価システム、動産担保評価サーバ、動産担保評価方法、及び動産担保評価プログラム
Thakur et al. Digitalization of livestock farms through blockchain, big data, artificial intelligence, and Internet of Things
Lawrence Quality Assurance" Down Under": Market Access and Product Differentiation
Augustin et al. A Case Study of Cattle Prices in Nicaragua
CN116205665A (zh) 一种畜禽活体资产评估的方法、装置、设备及介质
Shah et al. Problems of small to medium size poultry farms-Bangladesh perspective.
Sartore et al. Modeling swine population dynamics at a finer temporal resolution

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